...

this PDF file - Jurnal Badan Informasi Geospasial

by user

on
Category: Documents
10

views

Report

Comments

Transcript

this PDF file - Jurnal Badan Informasi Geospasial
Pemetaan Pulau Kecil Dengan Pendekatan Berbasis Objek ............................................................................................. (Ramadhani, dkk.)
PEMETAAN PULAU KECIL DENGAN PENDEKATAN BERBASIS OBJEK
MENGGUNAKAN DATA UNMANNED AERIAL VEHICLE (UAV)
Studi Kasus di Pulau Pramuka, Kepulauan Seribu
(Small Island Mapping with Object Based Approach
Using Unmanned Aerial Vehicle (UAV) Data: Case Study in Pramuka Island, Seribu Islands )
1
2
2
3
Yoniar Hufan Ramadhani , Rokhmatulloh , Aris Poniman K. , dan Rahmatia Susanti
1
Pasca Sarjana Magister Ilmu Kelautan FMIPA, Universitas Indonesia
2
Staf Pengajar Magister Ilmu Kelautan FMIPA, Universitas Indonesia
3
Pusat Standardisasi dan Kelembagaan Informasi Geospasial, Badan Informasi Geospasial
Kampus UI Depok Depok, Jawa Barat 16424
E-mail: [email protected]
Diterima (received): 1 Agustus 2015; Direvisi (revised): 12 Oktober 2015; Disetujui untuk dipublikasikan (accepted): 25 November 2015
ABSTRAK
Pulau kecil memiliki ukuran yang kecil, ekosistem yang rentan dan sumberdaya yang terbatas, sehingga
dampak dari permasalahan pembangunan akan lebih terlihat. Ketersediaan data keruangan menjadi salah satu
sebab timbulnya kesalahan dalam pengelolaan pulau kecil. Secara umum pemetaan pulau kecil membutuhkan
data citra dengan resolusi tinggi dikarenakan ukurannya. Namun ketersediaan data yang terbatas masih
menjadi kendala terutama pada area yang jauh dari pulau utama. Unmanned Aerial Vehicle (UAV) sebagai
teknologi yang mampu melakukan akuisisi data dengan ketinggian rendah, menghasilkan citra beresolusi tinggi
bisa menjadi solusi dalam penyediaan data untuk pemetaan pulau kecil. Penelitian ini mengkaji penggunaan
data yang dihasilkan dari UAV menggunakan analisis digital berbasis objek (GEOBIA) untuk pemetaan penutup
lahan pulau kecil. Analisis digital berbasis objek dilakukan untuk otomatisasi pengolahan data pemetaan pulau
kecil dalam meningkatkan efisiensi dan akurasi hasil pemetaan dibandingkan dengan interpretasi visual yang
selama ini sering dilakukan. Untuk keperluan ini, foto udara hasil dari UAV diturunkan menjadi citra orthofoto
resolusi sangat tinggi dan model permukaan digital (DSM). Pada tahapan klasifikasi, analisis digital dengan
pendekatan berbasis objek digunakan untuk mengkelaskan empat jenis objek yaitu bangunan, pohon,
rumput/semak dan permukaan diperkeras/kedap air. Hasil kajian menunjukkan penggunaan analisis digital
berbasis objek dengan menggunakan data hasil UAV memberikan hasil yang sangat baik untuk pemetaan
cepat penutup lahan pulau kecil dengan akurasi keseluruhan sebesar 94,4% dan indeks kappa 0,92. Hasil
kajian ini memberikan alternatif untuk pemetaan cepat penutup lahan pulau kecil yang seringkali masih
menggunakan interpretasi secara visual. Pemanfaatan data UAV juga memberikan solusi keterbatasan
ketersediaan data di pulau kecil Indonesia.
Kata kunci : pulau kecil, penutup lahan, klasifikasi, GEOBIA, UAV
ABSTRACT
Small island has a small size, vulnerable ecosystems and limited resources, hence impact of
development problems will be more visible in this particular area. Availability of spatial data becomes one of
reasons of erroneous in management of small islands. In general, mapping of small islands require image data
with high resolution due to its size. However, the limitation on availability data remains a constraint, especially in
remote areas. Unmanned Aerial Vehicle (UAV) is a technology that can perform data acquisition at low altitude,
produces high-resolution image, so that it can be a solution in providing data for mapping small island. This
study examines the use of data generated from the UAV using object-based digital analysis (GEOBIA) for
mapping small island land cover. Object-based digital analysis performed for automation of data processing
mapping of small islands in improving efficiency and accuracy of the mapping results compared to visual
interpretation which has been frequently done. A very high resolution imagery and digital surface models (DSM)
produced from UAV aerial photographs for this purpose. At the stage of classification, digital analysis by objectbased approach was used to classify the four classes of objects, namely buildings, trees, grass/shrubs and bare
soils/impervious surface. The results showed that the use of object-based digital analysis using data from
UAVs provide excellent results for rapid mapping of small island’s land cover with an overall accuracy of 94.4%
and kappa index of 0.92.The results of this study provide an alternative for rapid mapping of land cover small
islands. Data utilization UAVs also provide solutions to the limitations of the data availability on small islands in
Indonesia.
Keywords : small island, land cover, classification, GEOBIA, UAV
125
Majalah Ilmiah Globë Volume 17 No. 2 Desember 2015: 125-134
PENDAHULUAN
Jumlah pulau kecil di Indonesia yang
mencapai ribuan dan sebagian di antaranya berada
di area yang jauh dari kepadatan penduduk dan
pulau besar menjadikan ketersediaan data resolusi
tinggi sangat terbatas. Berdasar Tim Pembakuan
Nama – Nama Pulau, Penghitungan Panjang Garis
Pantai dan Luas Wilayah Indonesia, yang dibentuk
berdasarkan SK Kepala BIG No. 20 Tahun 2013
tercatat Indonesia memiliki 13.466 pulau. Sebagian
besar dari pulau-pulau tersebut merupakan pulau
kecil yaitu pulau dengan ukuran sama atau kurang
2
dari 2.000 km (UU No. 27 Tahun 2007). Ekosistem
pulau sering menjadi prioritas untuk konservasi
karena tingkat keanekaragaman hayati yang relatif
tinggi dan kerentanan mereka terhadap stres yang
terkait oleh keberadaan manusia dan efek dari
spesies invasif (Forster et al., 2011). Ketersediaan
data keruangan menjadi salah satu sebab
timbulnya kesalahan dalam pengelolaan. Informasi
geospasial memiliki peran yang sangat penting
dalam aplikasi konservasi pulau kecil. Dalam
konteks konservasi laut, data liputan lahan dan
penggunaan lahan dibutuhkan dalam monitoring
lingkungan, deteksi perubahan, dan dalam
mendesain Marine Protected Area (MPA)
sebagaimana juga pengembangan skema zonasi
(Mumby & Harbone, 1999; Klemas, 2001; Mumby &
Edwards,
2002).
Berdasarkan
kebutuhan
konservasi dan penataan kawasan, pemetaan
pulau biasanya menggunakan foto udara dengan
pesawat konvensional atau pengukuran lapangan
dimana kedua metode tersebut dibatasi oleh biaya
yang besar, pengulangan yang panjang, cuaca,
lokasi take off dan landing, dan lokasi pulau yang
jauh dari daratan utama (Cheng et al., 2011).
Keterbatasan tersebut mulai dapat diatasi dengan
hadirnya citra satelit resolusi tinggi, namun pada
beberapa kondisi seperti di Indonesia yang memiliki
ribuan pulau, ketersedian data citra satelit resolusi
tinggi di pulau kecil sangat terbatas, tutupan awan
juga menjadi kendala berikutnya (Al-Tahir et al.,
2006).
Dewasa
ini
peningkatan
pemanfaatan
penginderaan
jauh
menggunakan
teknologi
Unmanned Aerial Vehicle (UAV) berkembang
sangat pesat. Penggunaan UAV oleh sipil
mengalami peningkatan yang mengacu pada
ketersediaan wahana, sensor yang kecil, GPS,
Inertial measurement units dan perangkat keras
pendukung lainnya yang semakin meningkat
(Lambers et al., 2007; Zhou & Zang, 2007;
Patterson & Brescia, 2008; Rango et al., 2008;
Nagai et al., 2009). Wahana jenis rotary wings atau
multirotorcopter
memiliki
keunggulan
pada
kemampuan manuver yang tinggi, mengacu pada
kemampuannya untuk mempertahankan posisi
(hover) dan mengubah arah terbang di sekeliling
pusat rotasi. Lebih jauh lagi, wahana yang
berukuran kecil memungkinkan untuk terbang
mendekati area yang diinginkan dan memperoleh
foto udara resolusi tinggi menggunakan kamera
126
digital rendah biaya (non metrik). Keputusan
penggunaan wahana didasarkan pada kebutuhan
akan data yang cepat dan real-time. Pada wilayah
pulau kecil dengan sedikit area terbuka, wahana
jenis multirotor copter yang memiliki kemampuan
vertical take-off lebih unggul dibandingkan dengan
wahana jenis fixed wing yang membutuhkan area
lebih luas dan terbuka untuk take-off dan landing.
Berbeda dengan satelit yang memiliki beragam
jenis sensor dan resolusi spektral dari menengah
(multispektral) hingga sangat tinggi (hiperspektral).
Sensor pada UAV masih sangat terbatas dan
masih terus berkembang. Penggunaan kamera
metrik yang terkalibrasi untuk foto udara
menghasilkan informasi yang lebih akurat
dibandingkan dengan kamera non-metrik. Akan
tetapi dengan biaya yang lebih mahal dan
ukurannya yang lebih berat menjadi hambatan
dalam operasional menggunakan UAV. Mengacu
pada kemampuannya mengangkat beban (payload)
dari wahana berukuran kecil hingga sedang,
penggunaan kamera non-metrik untuk foto udara
format kecil saat ini masih menjadi pilihan dalam
penggunaannya dengan sistem UAV (Jaya &
Cahyono, 2001). Kamera non metrik memiliki berat
yang ringan untuk pemanfaatannya dalam UAV
yang berukuran kecil, disamping berbiaya rendah.
Walaupun memiliki resolusi spasial yang tinggi,
kamera jenis ini memiliki resolusi spektral yang
rendah.
Meskipun
demikian,
pengolahan
fotogrametri foto udara format kecil yang dihasilkan
dari UAV mampu menghasilkan citra tegak foto
udara (orthofoto) dan model permukaan digital atau
Digital Surface Model (DSM). Informasi tersebut
dapat digunakan untuk mengenali objek dalam
analisis digital. Ketersediaan data resolusi tinggi
yang masih terbatas pada daerah tertentu menjadi
keunggulan UAV dalam operasionalnya yang relatif
cepat, fleksibel dan kemampuan terbang pada
ketinggian rendah untuk menghasilkan citra dengan
resolusi sangat tinggi (Rango et al., 2006).
Data penginderaan jauh dan analisis digital
menjadi bagian integral dalam pemetaan liputan
lahan, assessment dan monitoring dimana
sebagian besar memanfaatkan citra satelit. Analisis
digital data penginderaan jauh secara umum
memiliki dua pendekatan yaitu berbasis piksel
(pixel-based) dan berbasis objek (object-based).
Analisis digital berbasis objek terbukti sukses untuk
analisis digital citra resolusi tinggi dan sangat tinggi
dengan jumlah bayangan yang cukup besar dan
informasi spektral yang rendah. Penggunaan
metode ini untuk analisis digital citra satelit resolusi
tinggi sudah cukup banyak dilakukan (Syed et al.,
2005, Hussain et al., 2013; Roelfselma et al., 2010;
Kavzoglu & Yildiz, 2014). Namun demikian,
penggunaannya untuk analisis data UAV masih
terbatas. Beberapa kajian penggunaan pendekatan
berbasis objek menggunakan citra orthofoto dari
UAV yang telah dilakukan antara lain untuk
pemetaan areal penggembalaan ternak (rangeland)
(Laliberte & Rango, 2009; Laliberte et al., 2010),
habitat lamun (Lathrop et.al., 2006) dan area
Pemetaan Pulau Kecil Dengan Pendekatan Berbasis Objek ............................................................................................. (Ramadhani, dkk.)
bencana (Ahmed et.al., 2008). Pada kebutuhan
ektraksi informasi penutup lahan, penggunaan
analisis digital dengan pendekatan berbasis objek
memliki hasil yang cukup baik dibandingkan
dengan berbasis piksel (Myint et al., 2011;
Whiteside & Ahmad, 2005).
Di Indonesia, penggunaan foto udara format
kecil menggunakan UAV untuk pemetaan pulau
kecil masih relatif baru. Dengan adanya kebutuhan
akan informasi tentang kondisi pulau kecil yang
mendesak perlu adanya teknik pemetaan yang
cepat dan akurat. Penelitian ini dilakukan untuk
mengkaji teknik pemetaan cepat pulau kecil dengan
menggunakan analisis digital berbasis objek
menggunakan data foto udara dari UAV.
METODE
Gambaran Sistem UAV
UAV yang digunakan dalam kajian ini adalah
Aeroplankton Quadcopter (Gambar 1), dimana
merupakan wahana jenis rotary wing atau multirotor
copter dengan baling-baling berjumlah empat.
Memiliki panjang 650 mm dan berat 1350 gr. Dua
operator melakukan kontrol UAV selama akuisisi
data sesuai dengan jalur terbang yang telah diatur
untuk memperoleh foto udara seluruh pulau.
Akuisisi data menggunakan sensor kamera digital
komersial dengan resolusi 12 Mega Pixels (MP)
yang dipasang pada wahana. Berdasarkan
spesifikasinya, wahana ini dikategorikan dalam
mikro UAV (Eisenbeiss, 2004).
Wilayah Kajian dan Akuisisi data
Foto udara diambil pada bulan April 2015 di
Pulau Pramuka, Kepulauan Seribu, DKI Jakarta.
Wilayah studi dipilih berdasarkan perwakilan
karakter pulau kecil dengan aktifitas manusia yang
tinggi, jaraknya yang dekat dengan pusat ibukota
sehingga memiliki tingkat kerentanan yang tinggi.
Wilayah kajian juga memiliki bagian dari kelas
klasifikasi yang akan dibangun yaitu bangunan,
pohon, rumput dan permukaan diperkeras / kedap
air (jalan beton, halaman rumah, paving block, dll).
Sistem UAV yang digunakan, dijalankan
dengan sistem otomatis dengan panduan navigasi
GPS yang terintegrasi pada UAV, ground station
dengan perangkat lunak perencanaan jalur terbang
dan telemetri. Wahana ini dilengkapi dengan
sensor berupa kamera digital Canon Powershot
S110 12 MP dan terbang pada ketinggian 300 m di
atas permukaan tanah. Akuisisi dilakukan dengan
80% overlap dan 60% sidelap. Ground check point
(GCP) sejumlah empat titik diambil dengan
menggunakan GPS geodetik di area kajian untuk
keperluan koreksi geometric mozaik orthofoto. GCP
diambil dengan melakukan pemasangan dan
pengukuran pre-mark sebelum pelaksanaan
akuisisi data oleh UAV, seperti pada Gambar 2 dan
sebaran GCP pada Gambar 3.
Gambar 2. Pemasangan pre-mark dan pengukuran
GCP menggunakan GPS Geodetik.
Gambar 1. UAV Aeroplankton Quadcopter
Analisis Digital
Tabel 1. Spesifikasi wahana dan kamera
Pengolahan foto udara hasil akuisisi menjadi
citra orthofoto dan model permukaan digital
dilakukan dengan menggunakan perangkat lunak
®
Agisoft Photoscan
1.1.6. Koreksi geometrik
dilakukan dengan menggunakan GCP yang telah
diambil sehingga menghasilkan orthofoto dan
model permukaan digital yang terkoreksi geometrik
bumi.
Secara umum alur proses analisis digital
berbasis objek (GEOBIA) meliputi tiga tahapan
yaitu : segmentasi citra; klasifikasi; dan uji akurasi
(Kavzoglu & Yildiz, 2014). Analisis digital berbasis
objek dengan menggunakan perangkat lunak
®
eCognition Developer 8 memiliki kemampuan
integrasi data dengan sensor maupun resolusi
berbeda. Pada kajian ini data orthofoto dan model
permukaan digital yang dihasilkan dari akuisisi data
menggunakan UAV digunakan untuk analisis baik
segmentasi dan klasifikasi penutup lahan.
Spesifikasi wahana
Jenis
Rotary
wing,
Quadcopter
Berat
1350 gr
Pay load
500 gr
Motor
530 kv
Range
Ketahanan
2,5 km
25 menit
Bahan
Bakar
Li-Po
Battery
5200 mah
Spesifikasi kamera
Jenis
Kamera
Digital
Pocket
Berat
198 gr
Jenis
CMOS
Sensor
Ukuran
43.32 mm2
Sensor
Resolusi 12.1 MP
Resolusi 4000 x 3000
foto
pixel
Format
JPEG
File
Sumber: aeroplankton-id.com, canon.co.id
127
Majalah Ilmiah Globë Volume 17 No. 2 Desember 2015: 125-134
ditentukan berdasarkan scale parameter yang
dipilih. Scale parameter sangat tergantung dengan
resolusi spasial dan objek yang ingin dipetakan,
seringkali trial and error, dan analisis visual
dilakukan untuk memperoleh nilai yang sesuai
(Radoux & Defourny, 2007). Berdasarkan penelitian
sebelumnya dalam penutup lahan (Matinfar et.al.,
2007), color/shape dan compactness/smoothness
diatur pada nilai 0,5 dan 0,5. Pada kajian ini
parameter skala yang digunakan adalah 25
(Gambar 4) dimana sebelumnya telah dilakukan
percobaan pada beberapa nilai skala dan nilai
tersebut dianggap paling baik dalam memisahkan
objek sesuai dengan klasifikasi yang dibuat.
Gambar 3. Peta Sebaran GCP di Pulau Pramuka.
a. Segmentasi
Tiga parameter segmentasi yaitu scale
parameter, color (informasi spektral), dan shape.
Scale parameter merupakan parameter yang tidak
memiliki unit dan mengatur ukuran segmen secara
umum. Semakin kecil nilai scale parameter akan
menghasilkan objek yang semakin kecil. Color dan
shape diberi bobot dari 0 hingga 1. Segmentasi
merupakan proses penggabungan kedalam objek
yang lebih besar, dimana segmen yang lebih kecil
akan digabungkan menjadi segmen yang lebih
besar berdasarkan homogenitas (kesamaan nilai
spektral dan karakteristik spasial) dari citra dan
dikontrol oleh ketiga parameter segmentasi.
Algoritma yang digunakan dalam segmentasi
objek
adalah
multiresolution
segmentation.
Algoritma ini dipilih karena dianggap paling
menggambarkan
kondisi
sebenarnya.
Multiresolution segmentation diperkenalkan oleh
Baatz & Schape (2000) dimana algoritma ini
merupakan teknik penggabungan region yang
mengelompokkan area yang memiliki kemiripan
dan
piksel
bersebelahan
kedalam
objek
berdasarkan kriteria homogenitas. Multiresolution
segmentation mengelompokkan wilayah dari
kesamaan nilai piksel kedalam objek. Area
homogen dihasilkan sebagai objek yang lebih
besar, dan area heterogen menjadi objek yang
lebih kecil. Homogenisitas/heterogenitas objek
128
Gambar 4. Hasil proses segmentasi citra UAV
Pulau Pramuka pada parameter
skala 25.
b. Klasifikasi
Klasifikasi pada kajian ini dibuat pada empat
kelas yang dapat diidentifikasi secara visual
sebagai tutupan lahan pulau kecil yaitu bangunan,
pohon/vegetasi, rumput, dan daratan. Untuk
mendapatkan kelas yang diinginkan dilakukan
pendekatan berbasis objek (geographic objectbased image anlysis) (Blaschke, 2010). Dari hasil
segmentasi yang telah dilakukan sebelumnya,
klasifikasi
dilakukan
berdasarkan
pada
pengetahuan interpreter (expert knowledge) dan
informasi kontekstual objek penutup lahan dengan
logika fuzzy dan pohon keputusan hierarkis
(hierarchical decision tree).
Skema klasifikasi
digambarkan pada Gambar 5. Skema tersebut
menjadi dasar dalam pembangunan klasifikasi
®
dalam perangkat lunak eCognition Developer 8 .
Membership rule-set dibangun berdasarkan expert
knowledge dan informasi kontekstual untuk
mendefinisikan suatu objek dari data yang
dihasilkan dari UAV yaitu citra orthofoto dan model
permukaan
digital.
Dasar
pembangunan
membershiprule-set digambarkan dalam Tabel 2.
Pemetaan Pulau Kecil Dengan Pendekatan Berbasis Objek ............................................................................................. (Ramadhani, dkk.)
Objek
Citra
Non
Elevated
Elevated
Vegetasi
Non
Vegetasi
Pohon
Bangunan
Rumput /
Semak
Permukaan diperkeras /
kedap air (aspal, halaman,
paving block)
Gambar 5. Skema klasifikasi penutup lahan pulau
kecil.
Tabel 2. Kelas klasifikasi dan identifikasi informasi
kontekstual.
Karakter
Karakter Tidak
Signifikan
Signifikan
Bangunan  Memiliki
 Informasi
ketinggian>2 m
Spektral (atap
rumah
 Secara umum
memiliki
tidak diliputi
warna
oleh vegetasi
berbedabeda)
 Ukuran dan
bentuk
beragam
Pohon
 Memiliki
 Ukuran dan
ketinggian>2 m
bentuk tidak
beraturan
 Informasi
Spektral (hijau)
Rumput/
 Tidak memiliki /  Ukuran dan
Semak
ketinggian
bentuk tidak
rendah<2m
beraturan
 Informasi
Spektral (hijau
muda)
Permukaan  Tidak memiliki /  Informasi
diperkeras
ketinggian
Spektral
/ kedap air
rendah<2m
(warna
berbedabeda)
 Ukuran dan
Bentuktidak
beraturan
Sumber : interpretasi penulis
Kelas
Tahap awal segmen citra dipisahkan menjadi
objek yang tinggi (elevated) dan tidak (nonelevated) menggunakan data DSM yang dihasilkan
dari foto udara UAV. Objek dengan ketinggian 2 m
menjadi batasan (threshold). Batasan tersebut
dipilih untuk membedakan antara bangunan dan
pohon dengan rumput dan permukaan diperkeras /
kedap air atau antara objek yang memiliki
ketinggian cukup tinggi seperti bangunan dan
pohon dengan objek dengan ketinggian lebih
rendah seperti kendaraan (Yu et al., 2010). Jika
dilihat dengan hanya menggunakan informasi
spektral maka untuk membedakan antara
bangunan beratap asbes, beton yang berwarna
keabuan dengan jalan di wilayah kajian yang
sebagian besar dari paving block dan beton akan
sulit terpisahkan atau memiliki akurasi rendah
(Freire et al., 2010). Dengan ambang batas
ketinggian 2 m maka bangunan dengan permukaan
diperkeras/kedap air akan terpisah. Tahap kedua
klasifikasi pada objek yang memiliki ketinggian
adalah memisahkan vegetasi atau kelas pohon.
Kelas pohon dengan kelas bangunan dipisahkan
dengan menggunakan informasi spektral dimana
vegetasi memiliki nilai spektral band hijau lebih
tinggi dibandingkan dengan band lainnya. Rasio
band hijau “green/(red+green+blue)” digunakan
untuk klasifikasi kelas pohon dari objek yang
memiliki ketinggian. Pemilihan rasio band hijau
digunakan karena citra foto udara yang dihasilkan
dari UAV pada kajian ini tidak menggunakan sensor
multispektral dimana hanya diperoleh data single
image (RGB). Pada objek yang tidak memiliki
ketinggian atau memiliki nilai elevasi rendah
kemudian dipisahkan cara serupa dimana
rumput/semak memiliki nilai rasio hijau yang lebih
tinggi dbandingkan permukaan diperkeras/kedap
air. Nilai threshold yang diperoleh yaitu sebesar
0,35.
c. Uji Akurasi
Uji akurasi dan pengambilan titik uji akurasi
dilakukan melalui survei lapangan dan secara
visual dengan melihat objek pada foto udara
resolusi tinggi secara langsung. Titik uji disebar
secara merata dengan membuat grid berukuran 20
x 20 m dimana masing-masing diidentifikasi secara
visual termasuk ke dalam kelas yang sudah
ditentukan. Total jumlah titik uji yaitu 574 titik.
Pengambilan titik uji akurasi secara visual
dilakukan untuk memperoleh jumlah titik uji yang
cukup banyak dan mewakili keseluruhan tutupan
lahan pulau. Dengan citra foto udara yang resolusi
spasial sangat tinggi (10 cm), identifikasi objek
secara visual sangat dimungkinkan. Titik uji akurasi
visual kemudian digunakan untuk mengekstrak
kelas pada hasil analisis digital menggunakan
pendekatan berbasis objek. Hasilnya, dihitung
menggunakan matrix kesalahan untuk melihat
akurasi klasifikasi keseluruhan (overall accuracy),
akurasi pembuat (producer accuracy), akurasi
pengguna (user accuracy) berikut indeks kappa
(Stehman, 1997).
129
Majalah Ilmiah Globë Volume 17 No. 2 Desember 2015: 125-134
Jasa Penginapan
Penyewaan
Alat
-
40
5
Laut
Selam
Jasa Pemandu
4
12
Penjual Makanan
3
Budidaya Perikanan
20
Sumber: Profil kelurahan Pulau Panggang 2010 dan
Prasetio (2011) dalam Wiratama (2014).
Sebagai pulau yang dikategorikan sebagai
pulau kecil, perkembangan pulau yang pesat dalam
sektor pariwisata menyebabkan Pulau Pramuka
memiliki kerentanan yang tinggi. Beberapa
permasalahan yang terjadi antara lain adalah
adanya intrusi air laut (Cahyadi dkk, 2013) dan
degradasi sumber daya alam seperti terumbu
karang (Manullang dkk., 2014). Dalam pengelolaan
pulau kecil, ketersediaan informasi geospasial
memiliki peran yang sangat penting untuk
perencanaan pengelolaan dan sumberdaya.
Penelitian terdahulu yang memetakan Pulau
Pramuka
lebih
terfokus
pada
pemetaan
sumberdaya
laut
seperti
terumbu
karang
(Manullang dkk., 2014) dan lamun (Dwindaru,
2010), sedangkan penutup lahan di daratan pulau
masih belum banyak dilakukan. Kajian pemetaan
pulau kecil secara umum masih banyak
menggunakan teknologi penginderaan jauh citra
satelit resolusi tinggi (Manullang dkk., 2014;
Dwindaru, 2010; Selamat, 2012). Penggunaan citra
orthofoto hasil dari foto udara menggunakan UAV
untuk pemetaan pulau kecil masih sangat jarang
dilakukan. Resolusi spasial yang sangat tinggi
( < 25 cm) melebihi resolusi spasial citra satelit
resolusi tinggi komersial yang dihasilkan dari UAV
memiliki keuntungan dalam ekstraksi informasi
yang lebih detail baik melalui interpretasi visual
maupun analisis digital. Penggunaan UAV
meningkat dalam pemenuhan kebutuhan pemetaan
sipil karena biaya operasional yang relatif rendah
dan kemudahan operasionalnya. Penggunaan UAV
130
Tabel 4. Hasil koreksi geometrik orthofoto.
Label
X
error
(m)
Y
error
(m)
Z
error
(m)
Eror
(m)
Error
(pix)
P1
L7
L9
L4
Total
-0.022
0.013
-0.001
-0.007
0.0132
0.0146
-0.002
0.0172
-0.023
0.0159
-0.006
0.0006
0.0198
0.0056
0.0106
0.0268
0.0131
0.0262
0.0242
0.02325
0.3639
0.5787
0.3683
0.7764
0.5577
Sumber : Hasil pengolahan
Klasifikasi penutup lahan dari hasil analisis
digital berbasis objek menunjukkan hasil yang baik
dengan akurasi keseluruhan sebesar 94,4 %.
Matriks kesalahan pada masing-masing kelas
dapat dilihat pada Tabel 5.
Tabel 5. Matriks Kesalahan Klasifikasi Penutup
Lahan.
Prod Acc.
2010
10
4
15
Total
2004
5
8
Other
Jenis Usaha
Warung Makan
Pedagang Souvenir
Jasa
Transportasi
Grass
Tabel 3. Sebaran usaha pendukung pariwisata
Pulau Pramuka.
Vegetasi
Pulau Pramuka merupakan pulau kecil yang
mengalami pertumbuhan cukup pesat sejak
ditetapkan sebagai ibu kota Kabupaten Kepulauan
Seribu. Sebagai lokasi wisata yang berada dalam
Taman Nasional Kepulauan Seribu, Pulau Pramuka
yang sebagian besar penduduknya tinggal di Pulau
Panggang yang tidak jauh dari Pulau Pramuka
mengalami peningkatan dalam sektor pariwisata.
Peningkatan dalam sektor pariwisata turut
meningkatkan ekonomi masyarakat pulau ini. Hal
ini ditunjukkan oleh adanya peningkatan usaha
pendukung pariwisata yang ditunjukkan dalam
Tabel 3.
disebut sebagai solusi dalam
mengatasi
permasalahan pemetaan pulau kecil seperti
kebutuhan resolusi spasial yang lebih tinggi,
ketersediaan data dan bebas tutupan awan (AlTahir & Arthur, 2012).
Hasil akuisisi foto data menggunakan UAV
berupa foto udara dengan gambaran ukuran (image
footprint) 438.5 x 328.8 m dan memiliki ukuran
piksel 10 cm. Foto yang diproses secara
orthorektifikasi berjumlah 150 foto dengan
menggunakan perangkat lunak Agisoft Photoscan
®
Professional 1.1.6 menjadi satu mozaik orthofoto
(Gambar 6). Perbedaan nilai keterangan antar
image sangat kecil dengan menggunakan color
balancing pada perangkat lunak. Mengacu pada
analisis digital berbasis objek, perbedaan warna
dan keterangan akan mempengaruhi hasil
klasifikasi. Selain itu data foto udara UAV
digunakan untuk membangun model permukaan
digital yang memiliki informasi nilai ketinggian.
Ground Control Point (GCP) sejumlah empat titik
diambil dengan menggunakan GPS geodetik di
area kajian untuk keperluan koreksi geometrik
mozaik orthofoto dengan RMS error 0,023258 m.
Akurasi keseluruhan dapat dilihat pada Tabel 4.
175
3
0
8
186
94%
Pohon
0
243
0
2
245
99 %
Rumput
0
2
26
0
28
93 %
Darat
9
8
0
98
115
85 %
Total
184
95
%
256
95
%
26
100
%
108
574
Jenis
Building
HASIL DAN PEMBAHASAN
Bangunan
User Acc.
91%
Sumber : Hasil Pengolahan.
Grafik akurasi pengguna dan pembuat dari
hasil klasifikasi penutup lahan pulau kecil
ditampilkan pada Gambar 7. Akurasi pemetaan
yang paling tinggi ditemukan pada kelas Bangunan
Pemetaan Pulau Kecil Dengan Pendekatan Berbasis Objek ............................................................................................. (Ramadhani, dkk.)
dan Pohon. Kelas bangunan yang tidak sesuai
klasifikasinya hanya sedikit, dimana sepenuhnya
merupakan kelas permukaan diperkeras / kedap
air. Hal ini sebagian besar titik referensi berada
pada area bayangan bangunan. Pada kelas pohon,
kesalahan klasifikasi terjadi pada bangunan karena
memiliki elevasi yang relatif sama dan warna yang
beragam, kesalahan pada rumput/semak dan
permukaan diperkeras / kedap air terjadi karena
ukuran segmen yang cenderung lebih besar dari
seharusnya. Seluruh objek yang diklasifikasikan
sebagai rumput/semak sesuai dengan data
referensi (100%). Kelas permukaan diperkeras /
kedap air mengalami kesalahan klasifikasi cukup
besar pada kelas bangunan dimana rona warna
relatif sama pada atap dak dan asbes. Salah satu
penyebab kesalahan klasifikasi juga disebabkan
oleh data DSM yang kurang akurat, sehingga
mengalami bias pada area pemukiman.
Gambar 6. Orthofoto dan DSM dari hasil
pengolahan foto udara UAV
Gambar 7. Akurasi klasifikasi penutup lahan Pulau
Pramuka.
Dari beberapa kesalahan klasifikasi minor
yang terjadi, akurasi keseluruhan dari penutup
lahan pulau kecil adalah sebesar 94,4%. Akurasi
kappa yang diperoleh sebesar 0,92. Nilai akurasi
yang tinggi dari hasil kajian ini menunjukkan
keunggulan analisis digital berbasis objek dalam
pemetaan penutup lahan pulau kecil dibandingkan
analisis berbasis piksel. Hal ini sejalan dengan
beberapa penelitian sebelumnya, hasil analisis
menggunakan metode ini memberikan hasil yang
lebih baik dibandingkan dengan analisis berbasis
piksel (pixel-based) menggunakan citra satelit
resolusi menengah dan resolusi tinggi. Whiteside &
Ahmad (2005) membandingkan penggunaan
metode analisis berbasis objek untuk penutup
lahan memiliki akurasi lebih tinggi (78%)
dibandingkan berbasis piksel (69,14%); Duro et al.,
2011 (94,2% dan 89,26%); Weih & Riggan, 2010
(82% dan 66,9%); Whiteside et al., 2011 (79,3%
dan 69,53%); Myint, et al., 2011 (90,4% dan
67,6%). Selain itu, penggunaan data UAV yang
memiliki resolusi spasial sangat tinggi (10 cm) dan
data model permukaan digital turut meningkatkan
akurasi klasifikasi penutup lahan. Perbandingan
penggunaan data UAV dan citra satelit telah
dilakukan oleh Kavzoglu & Yildiz (2014) yang
menunjukkan nilai akurasi hasil pemetaan
menggunakan
UAV
lebih
tinggi
(94,13%)
dibandingkan menggunakan citra satelit resolusi
tinggi (88,67%). Resolusi spasial yang sangat tinggi
dan diintegrasikan dengan model permukaan digital
yang menunjukkan informasi ketinggian menjadi
keunggulan dalam identifikasi kelas penutup lahan.
Mengacu pada nilai akurasi tersebut, hasil
klasifikasi pemetaan penutup lahan pulau kecil
dengan menggunakan pendekatan berbasis objek
dari data UAV memberikan hasil yang sangat baik
sebagai alternatif interpretasi secara visual. Waktu
pemrosesan data yang relatif cepat, memungkinkan
penggunaan analisis digital berbasis objek bisa
digunakan untuk keperluan pemetaan cepat seperti
untuk mitigasi bencana. Selain itu, penggunaan
kedua
metode
secara
bersamaan
dapat
menghasilkan hasil yang lebih baik. Secara khusus,
pengetahuan ekologi dapat diintegrasikan ke dalam
analisis citra melalui interpretasi visual dengan
mudah, tetapi pengetahuan ekologi sulit untuk
digabungkan dalam teknik pengolahan citra digital
131
Majalah Ilmiah Globë Volume 17 No. 2 Desember 2015: 125-134
(Jensen, 2000; Richards & Jia, 2006; Lang et al.,
2009). Gabungan antara interpretasi visual dan
analisis digital berbasis objek menunjukkan hasil
yang efisien dan memiliki makna ekologi pada
daerah yang memiliki heterogenitas lebih tinggi
(Zhou et al., 2014).
Hasil dari kajian ini (Gambar 8) adalah
klasifikasi penutup lahan Pulau Pramuka,
Kepulauan Seribu menggunakan analisis digital
berbasis objek (GEOBIA) diperoleh luas total
2
sebesar 227.915 m yang diklasifikasi sebagai
bangunan, pohon, rumput/semak, dan permukaan
diperkeras / kedap air. Luas area terbesar yaitu
2
kelas pohon sebesar 107.352 m diikuti kelas
2
bangunan 72.037 m , permukaan diperkeras/kedap
2
2
air 37.413 m , dan rumput/semak 11.112 m . Hasil
klasifikasi menunjukkan bahwa Pulau Pramuka
memiliki cukup vegetasi hijau yang sebagian besar
berada di Utara pulau. Pulau pramuka juga
merupakan pulau kecil berpenduduk dengan area
permukiman yang cukup luas (7,2 ha bangunan)
walaupun sebagian besar tinggal di Pulau
Panggang.
Gambar 8. Peta Penutup Lahan Pulau Pramuka.
132
Pemetaan Pulau Kecil Dengan Pendekatan Berbasis Objek ............................................................................................. (Ramadhani, dkk.)
KESIMPULAN
Hasil kajian menggambarkan penggunaan
analisis digital berbasis objek (GEOBIA) untuk
analisis citra foto udara resolusi sangat tinggi dari
UAV dengan menggunakan data citra mozaik dan
DSM di pulau kecil cukup baik sebagai metode
alternatif dalam pemetaan penutup lahan pulau
kecil. Walaupun kedetilan informasi masih lebih
unggul interpretasi visual, penggunaan analisis citra
berbasis objek dalam pemetaan penutup lahan
pulau kecil memberikan solusi otomatisasi dan
kecepatan waktu pengolahan data. Hasil uji akurasi
menunjukkan bahwa analisis digital dengan
pendekatan berbasis objek memberikan hasil yang
sangat baik untuk pemetaan cepat pulau kecil
dengan nilai akurasi yang tinggi (akurasi
keseluruhan 94,4%; Indeks Kappa 0,92).
Penelitian kedepan dapat difokuskan pada
klasifikasi yang lebih detail pada wilayah yang
memiliki kelas lebih banyak dan area yang lebih
luas. Integrasi data foto udara UAV dengan citra
satelit multispektral juga perlu dilakukan untuk
meningkatkan ekstraksi informasi, kedetilan dan
akurasi hasil klasifikasi di pulau kecil.
UCAPAN TERIMA KASIH
Ucapan terima kasih disampaikan kepada
Pusat Pemetaan dan Integrasi Tematik, Badan
Informasi Geospasial yang telah memberikan
dukungan dalam kegiatan akuisisi data UAV di
Pulau Pramuka, Kepulauan Seribu dan rekan-rekan
di Bidang Pemetaan dan Integrasi Tematik Laut
yang turut membantu dalam pelaksanaan kegiatan,
pengambilan data lapangan, dan diskusi yang
panjang terkait penelitian ini.
DAFTAR PUSTAKA
Ahmed, A., Nagai, M., Tianen, C., & Shibasaki, R. (2008).
UAV based monitoring system and object detection
technique
development
for
a
disaster
area. International Archives of Photogrammetry,
Remote
Sensing
and
Spatial
information
Sciences, 37, 373-377.
Al-Tahir, R., Baban, S. & B. Ramlal. (2006). Utilizing
emerging geo-imaging technologies for the
management of tropical coastal environments, West
Indian Journal of Engineering,29 (1): 11-21.
Al-Tahir, R., & Arthur, M. (2012). Unmanned aerial
mapping solution for small island developing states.
In Global Geospatial Conference.
Baatz, M., & Schape, A. (2000) Multi-Resolution
segmentation – An optimization approach for high
quality multi-scale image segmentation, In: Strobl,
J., Blaschke, T., Griesebner, G. (Eds.), Angewandte
Geographische Informations Verarbeitung XII.
Wichmann-Verlag, Heidelberg, 12-23.
Blaschke, T. (2010). Object-basedimage analysis for
remote sensing. ISPRS Journal of Photogrammetry
and Remote Sensing, 65(1), pp. 2–16.
Cahyadi, A., Marfai, W., Tivianto, T. A., Wulandari, M.,
Hidayat. (2013). Analisis Distribusi Spasial Salinitas
Airtanah di Pulau Pramuka, Kepulauan Seribu, DKI
Jakarta.
Seminat
Nasional
Pendayagunaan
Informasi Geospasial untuk Optimalisasi Otonomi
Daerah.
Duro, D. C., Franklin, S. E., & Dubé, M. G. (2012). A
comparison of pixel-based and object-based image
analysis with selected machine learning algorithms
for the classification of agricultural landscapes using
SPOT-5 HRG imagery. Remote Sensing of
Environment, 118, 259-272.
Dwindaru, B. (2010). Variasi Spasial Komunitas Lamun
dan Keberhasilan Transplantasi Lamun di Pulau
Pramuka dan Kelapa Dua, Kepulauan Seribu,
Provinsi DKI Jakarta. Skripsi. Institut Pertanian
Bogor. 85 hlm.
Eisenbeiss, H. (2004). A mini unmanned aerial vehicle
(UAV):
system
overview
and
image
acquisition. International
Archives
of
Photogrammetry. Remote Sensing and Spatial
Information Sciences, 36(5/W1).
Forster, J., Lake, I. R., Watkinson, A. R., & Gill, J. A.
(2011). Marine biodiversity in the Caribbean UK
overseas territories: Perceived threats and
constraints to environmental management. Marine
Policy, 35(5), 647-657.
Freire, S, Santos, T., Gomes, N., Fonseca, A., &
Tenedório, J.A. (2010). Extraction of Buildings from
QuickBird Imagery for Municipal Use – the
Relevance of Urban Context and Heterogeneity.
Remote Sensing for Science, Education,
and
Natural and Cultural Heritage. EARSeL
Hussain, M., Chen, D., Cheng, A., Wei, H., & Stanley, D.
(2013). Change detection from remotely sensed
images: From pixel-based to object-based
approaches. ISPRS Journal of Photogrammetry and
Remote Sensing, 80, 91-106.
Jaya, N.S., Cahyono, A.B. (2001). Kajian Teknis
Pemanfaatan Potret Udara Nonmetrik Format Kecil
Pada Bidang Kehutanan. Jurnal Manajemen Hutan
Tropika Vol. VII No. 1 : 55-64
Jensen,
J.R. (2000). Remote
Sensing
of the
Environment:
An Earth Resource Perspective;
Prentice Hall: Upper Saddle River, NJ, USA.
Kavzoglu, T., & Yildiz, M. (2014). Parameter-Based
Performance Analysis of Object-Based Image
Analysis Using Aerial and Quikbird-2 Images.
In ISPRS Annals of Photogrammetry, Remote
Sensing and Spatial Information Sciences, Volume
II-7, 2014, pp. 31-37 (Vol. 1, pp. 31-37).
Klemas, V.V. (2001). Remote sensing of landscape-level
coastal environment indicators. Environmental
Management 27, 47–57.
Lambers, K., H. Eisenbeiss, M. Sauerbier, D.
Kupferschmidt, T. Gaisecker, S. Sotoodeh, and T.
Hanusch. (2007). Combining photogrammetry and
laser scanning for the recording and modelling of
the Late Intermediate Period site of Pinchango Alto,
Palpa, Peru, Journal of Archaeological Science,
34:1702–1712.
Laliberte, A.S., and A. Rango. (2009). Texture and scale
in object based analysis of sub-decimeter resolution
unmanned aerial vehicle (UAV) imagery, IEEE
Transactions on Geoscience and Remote Sensing,
47(3):761–770.
Laliberte, A.S., Herrick, J.E., Rango, A., Winters, C.
(2010). Acquisition, Orthorectification, and Objectbased Classification of Unmanned Aerial Vehicle
(UAV) Imagery for Rangeland Monitoring.
Photogrammetric Engineering & Remote Sensing,
Vol.76, No.6, June 2010, pp.661-672.
133
Majalah Ilmiah Globë Volume 17 No. 2 Desember 2015: 125-134
Lang, S.; Schopfer, E.; Langanke, T. (2009).
Combined object-based classification and manual
interpretation-synergies
for
a
quantitative
assessment of parcels and biotopes. Geocarto Int.
, 24, 99–114.
Lathrop, R. G., Montesano, P., & Haag, S. (2006). A
multi-scale segmentation approach to mapping
seagrass habitats using airborne digital camera
imagery.Photogrammetric Engineering & Remote
Sensing, 72(6), 665-675.
Manullang, J. C., Hartoni, H., & Surbakti, H. (2014).
Analisis Perubahan Luasan Terumbu Karang
dengan Menggunakan Data Penginderaan Jauh di
Perairan Pulau Pramuka Kabupaten Administratif
Kepulauan Seribu. Maspari Journal, 6(2), 124-132.
Matinfar, H.R., Sarmadian, F., Panah, S.K.A.,&Heck, R.J.
(2007). Comparisons of Object-Oriented and PixelBased Classification of Land Use/Land Cover Types
Based on Lansadsat7, Etm+ Spectral Bands (Case
Study: Arid Region of Iran). American-Eurasian J.
Agric. & Environ. Sci., 2 (4): 448-456
Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, S.,
& Weng, Q. (2011). Per-pixel vs. object-based
classification of urban land cover extraction using
high spatial resolution imagery. Remote sensing of
environment, 115(5), 1145-1161.
Mumby, P.J., Edwards, A.J. (2002). Mapping marine
environments with IKONOS imagery: enhanced
spatial resolution can deliver greater thematic
accuracy. Remote Sensing of Environment 82, 248–
257.
Mumby, P.J., Harborne, A.R. (1999). Development of a
systematic classification scheme of marine habitats
to facilitate regional management and mapping of
Caribbean coral reefs. Biological Conservation 88,
155–163.
Nagai, M., T. Chen, R. Shibasaki, H. Kumugai, and A.
Ahmed. (2009). UAV-borne 3-D mapping system by
multisensory integration, IEEE Transactions on
Geoscience and Remote Sensing, 47(3):701–708.
Patterson, M.C.L., and A. Brescia. (2008). Integrated
sensor systems for UAS, Proceedings of the 23rd
Bristol International Unmanned Air Vehicle Systems
(UAVS) Conference, 07–09 April, Bristol, United
Kingdom, 13 pp.
Radoux, J., & Defourny, P. (2007). A quantitative
assessment of boundaries in automated forest
stand delineation using very high resolution
imagery. Remote Sensing of Environment, 110(4),
468-475.
Rango, A., A.S. Laliberte, C. Steele, J.E. Herrick, B.
Bestelmeyer, T. Schmugge, A. Roanhorse, and V.
Jenkins. (2006). Using unmanned aerial vehicles for
rangelands:
Current
applicationsand
future
potentials, Environmental Practice, 8:159–168.
Rango, A.S., A.S. Laliberte, J.E. Herrick, C. Winters, and
K. Havstad. (2008). Development of an operational
UAV/remote sensing capability for rangeland
management, Proceedings of the 23rd Bristol
International Unmanned Air Vehicle Systems
(UAVS) Conference, 07–09 April, Bristol, United
Kingdom, 9 p.
134
Richards, J.A.; Jia, X. (2006). Remote Sensing Digital
Image Analysis; Springer: New York, NY, USA.
Roelfsema, C., Phinn, S., Jupiter, S., Comley, J., Beger,
M., & Paterson, E. (2010). The application of object
based analysis of high spatial resolution imagery for
mapping large coral reef systems in the west pacific
at geomorphic and benthic community spatial
scales. In Geoscience and Remote Sensing
Symposium (IGARSS), 2010 IEEE International (pp.
4346-4349). IEEE.
Selamat, M. B. (2012). Evaluasi Akurasi Tematik Citra
Satelit Quickbird Dan Ikonos Untuk Pengadaan
Peta Habitat Terumbu Karang Skala Besar. Torani
Vol.22(1):20-26.
Stehman, S.V.(1997). Selecting and interpreting
measures of thematic classification accuracy.
Remote Sensing of Environment, 62(1), pp. 77–89.
Syed, S., Dare, P., & Jones, S. (2005). Automatic
classification of land cover features with high
resolution imagery and lidar data: an object-oriented
approach. In Proceedings of SSC2005 spatial
intelligence, innovation and praxis: the national
biennial Conference of the Spatial Sciences Institute
(pp. 512-522). Melbourne: Melbourne: Spatial
Science Institute.
Weih Jr, R. C., & Riggan Jr, N. D. (2010). Object-based
classification
vs.
pixel-based
classification:
comparative importance of multi-resolution imagery.
Proceedings of GEOBIA 2010: Geographic ObjectBased Image Analysis, 38, 6.
Whiteside, T., & Ahmad, W. (2005). A comparison of
object-oriented and pixel-based classification
methods for mapping land cover in northern
Australia. In Proceedings of SSC2005 Spatial
intelligence, innovation and praxis: The national
biennial Conference of the Spatial Sciences Institute
(pp. 1225-1231).
Whiteside, T. G., Boggs, G. S., & Maier, S. W. (2011).
Comparing
object-based
and
pixel-based
classifications for mapping savannas. International
Journal of Applied Earth Observation and
Geoinformation, 13(6), 884-893.
Wiratama, C. (2014). Nilai Konservasi Ragam Usaha
Wisata Alam di Pulau Pramuka Kabupaten
Administrasi Kepulauan Seribu DKI Jakarta. Skripsi.
Institut Pertanian Bogor. 35 hlm.
Yu, B., Liu, H., Wu, J., Hu, Y. & Zhang, L. (2010).
Automated derivation of urban building density
Information using airborne LiDAR data and objectbased method. Landscape and Urban Planning,
98(3–4), pp. 210–219.
Zhou, G., and D. Zang. (2007). Civil UAV system for
earth observation, Proceedings of the International
Geoscience and Remote Sensing Symposium
(IGARSS), 23–27 July, Barcelona, Spain, pp. 5319–
5322.
Zhou, W., Cadenasso, M. L., Schwarz, K., & Pickett, S. T.
(2014). Quantifying spatial heterogeneity in urban
landscapes: Integrating visual interpretation and
object-based classification. Remote Sensing, 6(4),
3369-3386.
Fly UP