Pemanfaatan Teknologi Pengindraan Jauh untuk Pemetaan Penggunaan Lahan di Wilayah Pesisir Teluk Banten
Date
2022-01-24Author
Krisdianti
Siregar, Vincentius Paulus
Pasaribu, Riza Aitiando
Metadata
Show full item recordAbstract
Wilayah pesisir Teluk Banten memiliki potensi sumberdaya alam kelautan
dan perikanan. Potensi tersebut suatu saat bisa rusak (degradasi) atau hilang akibat
dampak pembangunan yang tidak memperhatikan aspek lingkungan pesisir.
Pemantauan penggunaan lahan dapat dilakukan melalui teknologi penginderaan
jauh menggunakan Citra Sentinel-2A. Tujuan penelitian ini yaitu mengetahui
kemampuan citra Sentinel-2A dalam pemetaan penggunaan lahan di Kawasan
Pesisir Teluk Banten menggunakan algoritma Maximum Likelihood (MLH) dan
Support Vector Machine (SVM). Hasil klasifikasi penggunaan lahan dari citra
sentinel-2A menghasilkan 6 kelas yaitu, badan air, mangrove, pemukiman, sawah,
tambak, dan tanah terbuka. Hasil yang didapatkan dari trial and error pada
pengolahan data, dengan algoritma Multiresolution Segmentation mendapatkan
nilai scale 60 karena dapat memberikan hasil segmentasi yang cukup baik.
Klasifikasi berbasis piksel dengan algoritma MLH dan berbasis objek dengan
algoritma SVM, mampu memetakan penggunaan lahan dengan tingkat akurasi
klasifikasi, masing-masing sebesar 75,3% dengan algoritma MLH dan sebesar
77,4% dengan SVM. Nilai Kappa masing-masing adalah 0,69 dan 0,72. Nilai
perbandingan Z-test dari kedua klasifikasi berbasis piksel dengan objek (MLH vs
SVM) yaitu 0,48 yang berarti keduanya tidak berbeda signifikan. The coastal area of Banten Bay had the potential for marine and fisheries
resources. This potential could one day be damaged (degraded) or lost due to the
impact of development that did not pay attention to aspects of the coastal
environment. Land use monitoring could be done through remote sensing
technology with the use Sentinel-2A Imagery. The purpose of this study was to
determine the ability of Sentinel-2A imagery in mapping land use in the Banten
Bay Coastal Area using the Maximum Likelihood (MLH) and Support Vector
Machine (SVM) algorithms. The land use classification results from sentinel-2A
imagery produced six classes, (water bodies, mangroves, residence, rice fields,
ponds, and open land). Pixel-based classification with the MLH algorithm and
object-based with the SVM algorithm could map land use with an accuracy of
75.3% for MLH algorithm and 77.4% for SVM algorithm. Kappa values were 0.69
(MLH) and 0.72 (SVM). The Z-test comparison value of the two pixel-based
classifications with objects (MLH vs SVM) was 0.48, which means that the two
were not significantly different.