Teknik Decision Tree dalam Pengklasifikasian Penggunaan Lahan dengan Menggunakan Citra Sentinel-2A MSI

Penulis

  • Sri Azizah Nazhifah Universitas Syiah Kuala
  • Andriani Putri Universitas Teuku Umar

Kata Kunci:

Pohon Keputusan, Multispectral Instrumen, Sentinel-2A, OA, Klasifikasi Terbimbing.

Abstrak

Klasifikasi penggunakan lahan merupakan suatu hal yang menarik untuk dipelajari dan diteliti. Ada beberapa metode klasifikasi yang banyak digunakan dalam peneliatian, salah satunya yaitu menggunakan metode machine learning, seperti SVM, Naiive, dan decision tree baik untuk foto udara dan citra satelit. Penelitian ini menggunkaan citra satelit Sentinel-2A MSI dalam melakukan klasifikasi lahan di Kota Langsa sebagai lokasi kajian. Adapun metode yang digunakan, langkah pertama dengan mengunduh citra Sentinel-2A dengan band yang memiliki resolusi 10 m dan 20 m. Citra ini memilki resolusi yang cukup baik dibandingkan dengan citra optical remote sensing lainnya. Langkah kedua, karena citra permukaan bumi yang tertutup awan maka perlu dilakukan proses cloud masking untuk mengurangi kesalahan klasfikasi piksel. Selanjutnya, proses pengumpulan training dataset yang diperoleh dari setiap kelasnya dan diwakilkan oleh nilai-nilai piksel. Kemudian, training dataset tersebut digunakan untuk melakukan klasifikasi terbimbing dengan menggunakan metode pohon keputusan. Metode ini akan mengatagorikan setiap pikselnya ke dalam delapan kelas. Terakhir, sebagai tahap valisadi, maka perlu dilakukan uji akurasi pada hasil klasifikasi lahan dengan menggunakan confusion matrix dan menghitung overall accuracy (OA). Dari hasil akurasi tersebut dapat disimpulkan bahwa pohon keputusan dapat memberikan hasil yang baik dalam klasifikasi penggunakan lahan di Kota Langsa dengan nilai OA sebesar 94%.

Referensi

M. D. Kusumaningrat, S. Subiyanto, and B. D. Yuwono, “Analisis Perubahan Penggunaan Dan Pemanfaatan Lahan Terhadap Rencana Tata Ruang Wilayah Tahun 2009 Dan 2017 (Studi Kasus: Kabupaten Boyolali),†Jurnal Geodesi Undip, vol. 06, no. 4, 2014.

R.J. Manalu, A. Sutanto, and B. Trisakti “Perbandingan Metode Klasifikasi Penutup Lahan Berbasis Piksel Dan Berbasis Obyek Menggunakan Data Pisar-L2,†Jurnal Penginderaan Jauh, vol. 13, no. 1, 2016.

B. van Leeuwen, Z. Tobak, and F. Kovács “Machine Learning Techniques for Land Use/Land Cover Classification of Medium Resolution Optical Satellite Imagery Focusing on Temporary Inundated Areas,†Journal of Environmental Geography, vol. 13, no. 1-2, pp. 43 – 52, 2020.

H. Zhang, D. Nettleton, and Z. Zhu, “Classification and Regression by Random Forest,†ResearchGate, 2019.

L. Timur, “Perbandingan Klasifikasi Svm Dan Decision Tree Untuk Pemetaan Mangrove Berbasis Objek Menggunakan Citra Satelit Sentinel-2B Di Gili Sulat, Lombok Timur,†J. Nat. Resour., vol. 9, no. 3, pp. 746–757, 2019, doi: 10.29244/JPSL.9.3.746-757.

R. Awaliyan and Y. B. Sulistyoadi, “Klasifikasi Penutupan Lahan Pada Citra Satelit Sentinel-2a Dengan Metode Tree Algorithm,†ULIN J. Hutan Trop., vol. 2, no. 2, pp. 98–104, 2018, doi: 10.32522/u-jht.v2i2.1363.

T. N. Lina et al., “Penerapan Metode Decision Tree Untuk Penentuan,†vol. 09, no. 01, pp. 10–19, 2017.

[J. Rogan, J. Miller, D. Stow, J. Franklin, L. Levien, and C. Fischer, “Land-cover change monitoring with classification trees using Landsat TM and ancillary data,†Photogramm. Eng. Remote Sensing, vol. 69, no. 7, pp. 793–804, 2003, doi: 10.14358/PERS.69.7.793.

M. Pal, “Factors influencing the accuracy of remote sensing classifications : a comparative study FACTORS INFLUENCING THE ACCURACY OF REMOTE SENSING CLASSIFICATIONS : Thesis submitted to the University of Nottingham for,†no. January 2002, 2014.

Unduhan

Diterbitkan

2021-12-31

Terbitan

Vol 5 No 2 (2021): DESEMBER 2021

Bagian

ARTICLES

Lisensi

 

 

 

Creative Commons License

JurTI (Jurnal Teknologi Informasi)

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.