Identifikasi Petakan dan Fase Sawah Menggunakan Citra Drone RGB dan Multispektral dengan Pendekatan Object-Based Image Analysis

Abstract

Perkembangan teknologi penginderaan jauh secara signifikan mampu meningkatkan kemampuan dalam melakukan pemetaan atau monitoring lahan seperti sawah. Penggunaan satelit dalam pemetaan memiliki keterbatasan di antaranya akuisisi data yang memiliki resolusi spasial dan temporal yang rendah dan adanya gangguan atmosfer. Teknologi drone dapat digunakan sebagai alternatif untuk mengatasi kelemahan pada citra satelit dengan resolusi spasial yang tinggi. Pengolahan citra dengan pendekatan OBIA mampu mengatasi kelemahan analisis berbasis piksel yang ada, karena selain mempertimbangkan nilai piksel, juga mempertimbangkan ukuran dan bentuk objek di dalam citra. Kombinasi OBIA dengan algoritma machine learning seperti Random Forest (RF) dan Support Vector Machine (SVM) pada beberapa penelitian mampu menghasilkan akurasi klasifikasi yang baik. Penelitian ini bertujuan membandingkan hasil klasifikasi algoritma RF dan SVM menggunakan data citra drone RGB dan Multispektral dalam mengidentifikasi petakan dan fase sawah dengan pendekatan OBIA. Hasil analisis menunjukkan klasifikasi dengan pendekatan berbasis objek cukup efektif dalam memetakan petakan sawah. Klasifikasi SVM memiliki perfoma yang lebih unggul dalam melakukan identifikasi petakan dan fase sawah dibandingkan dengan RF. Adapun citra drone RGB dan multispektral, keduanya bekerja cukup baik pada kedua algoritma yang digunakan. Kemampuan drone multispektral lebih konsisten dan lebih baik pada petak 7B, sedangkan citra drone RGB kemampuannya lebih baik pada petak 4B.

The development of remote sensing technology can significantly increase the ability to map or monitor land such as rice fields. The use of satellites in mapping has limitations including data acquisition which has low spatial and temporal resolution and the presence of atmospheric disturbances. Drone technology can be used as an alternative to overcome the weaknesses in satellite imagery with high spatial resolution. Image processing with the OBIA approach can overcome the weaknesses of the existing pixel-based analysis, because in addition to considering the pixel value, it also considers the size and shape of the objects in the image. The combination of OBIA with machine learning algorithms such as Random Forest (RF) and Support Vector Machine (SVM) has in several studies been able to produce good classification accuracy. This study aims to compare the classification results of the RF and SVM algorithms using RGB and Multispectral drone image data in identifying rice fields and rice growth stages using the OBIA approach. The results of the analysis show that classification with an object-based approach is quite effective in mapping rice fields. The SVM classification has superior performance in identifying rice fields and rice growth stages compared to RF. As for the RGB and multispectral drone images, both works quite well on the two algorithms used. The ability of multispectral drones is more consistent and better on plot 7B, while the ability of drone RGB imagery is better on plot 4B.