Klasifikasi Tutupan Lahan Menggunakan Pendekatan Pemelajaran Mesin pada Data Sentinel-1

Abstract

Sektor pertanian, khususnya subsektor perkebunan, berkontribusi besar sebagai penghasil devisa negara. Komoditas perkebunan yang menjadi andalan bagi pendapatan nasional dan devisa negara adalah karet dan kelapa sawit. Perencanaan, pengembangan, serta pemantauan lahan perkebunan dan pertanian seringkali memanfaatkan perkembangan teknologi penginderaan jauh untuk mempermudah proses pengambilan keputusan. Pemetaan menggunakan citra optik sering terkendala kondisi iklim Indonesia dengan cuaca yang sering tertutup awan dan kabut yang dapat menghalangi objek saat perekaman. Pada wilayah berbukit dan bergunung, frekuensi liputan awan umumnya lebih tinggi dibandingkan wilayah dataran. Oleh karena itu, penelitian ini mengkaji citra radar Sentinel-1 yang dapat beroperasi baik pada segala kondisi cuaca sehingga meminimalkan efek dari atmosfer. Namun demikian, citra Sentinel-1 belum banyak ditelaah pada wilayah berbukit/bergunung, sehingga dampak terain terhadap iluminasi dan kemampuannya dalam pemisahan kelas tutupan lahan belum banyak diketahui. Klasifikasi tutupan lahan dilakukan dengan pendekatan pemelajaran mesin untuk membandingkan kinerja terbaik dari model klasifikasi Support Vector Machines (SVM) dan Random Forests (RF). Pada model RF, akurasi tertinggi didapatkan dengan persentase sebesar 64.8% pada citra akuisisi musim hujan, dan 63.7% pada citra akuisisi musim kemarau. Sedangkan akurasi terendah didapatkan dengan model SVM kernel Linier dengan persentase 53.2% pada citra akuisisi saat musim hujan, dan 52.7% pada citra akuisisi saat musim kemarau. Penelitian ini menunjukkan bahwa akurasi sangat dipengaruhi oleh pengaturan parameter algoritma pemelajaran mesin. Pemilihan nilai parameter yang tepat dapat menghasilkan akurasi yang lebih baik. Hasil penelitian mengindikasikan bahwa terdapat perbedaan yang cukup signifikan antara hasil klasifikasi pada musim yang berbeda, yang memerlukan pendalaman lebih jauh di masa mendatang.

Agricultural sector, especially plantation sub-sector, greatly contributes to Indonesian economy. Plantation commodities commonly cultivated in Indonesia include rubber and oil palm. Planning, development, and monitoring over plantations and agricultural fields often take the advantage of remote sensing technology to facilitate appropriate decision making. Mapping using optical imageries is often hampered by Indonesia's climatic conditions. Clouds and fogs can obstruct objects during data acquisition. In hilly and mountainous areas, the frequency of cloud coverage is generally higher than in plain areas. Therefore, this study examined Sentinel-1 radar which can operate in all weather conditions so as to minimize atmospheric effects. However, Sentinel-1 has yet been widely studied in hilly/mountainous areas, so that terrain impact on illumination and its ability to separate land cover classes are yet to be fully understood. Land cover classification was carried out using machine learning approach to compare the performance of Support Vector Machines (SVM) and Random Forests (RF) classification. Highest accuracy of RF was obtained in rainy season with 64.8% overall accuracy and 63.7% overall accuracy in dry season, while the lowest accuracy of SVM was achieved during dry season with 52.7% overall accuracy, and 53.2% overall accuracy in rainy season. This study showed that the accuracy is strongly influenced by parameter setting of machine learning algorithms. Selection of suited parameter values can yield a better accuracy. The results indicate that accuracy difference is expected when season is taken into account. This warrants further studies in the future.