Klasifikasi Penutupan/Penggunaan Lahan dengan Object Based Image Analysis menggunakan Citra Landsat 8: Studi Kasus di Kabupaten Sumedang

Abstract

Informasi penutupan/penggunaan lahan memilik peran penting dalam memahami karakteristik biofisik permukaan bumi serta mendukung perencanaan wilayah, pertanian, dan kehutanan. Ketersediaan data terkini secara berkala menjadi krusial dalam analisis spasial dan tata ruang. Kabupaten Sumedang dipilih sebagai lokasi studi kasus karena keragaman penutupan/penggunaan lahannya dan dinamika pembangunan yang menjadikannya representatif dalam kajian klasifikasi lahan. Penelitian dilakukan menggunakan metode object based image analysis (OBIA) untuk mengatasi keterbatasan klasifikasi berbasis piksel yang sering menimbulkan efek salt and pepper. Penelitian ini bertujuan mengidentifikasi pola nilai reflektan dari masing-masing penutupan/penggunaan lahan, menganalisis perbedaan hasil segmentasi berdasarkan kombinasi parameter dan pendekatan yang digunakan dalam OBIA, dan membandingkan akurasi klasifikasi penutupan/penggunaan lahan berbasis OBIA antara metode random forest (RF) dan K-nearest neighbor (K-NN). Hasil penelitian menunjukan bahwa masing-masing kelas penutupan/penggunaan lahan memiliki pola respon spektral yang khas, tetapi penggunaan lahan ladang/tegalan dan sawah fase generatif cenderung rentan terhadap misklasifikasi. Pendekatan original multiresolution (OMN) menghasilkan segmen yang seragam, sedangkan region grow on object (RGO) lebih adaptif terhadap bentuk alami. Parameter scale merupakan faktor yang paling mempengaruhi hasil segmentasi. Kombinasi segmentasi menggunakan RGO dengan scale 0,5 serta shape dan compactness default memberikan akurasi keseluruhan tertinggi, yaitu 85,0% dengan metode RF dibandingkan 75,6% dengan metode K-NN. Secara keseluruhan, hasil klasifikasi menunjukkan bahwa lahan bervegetasi masih mendominasi wilayah Kabupaten Sumedang pada tahun 2024.

Land cover/use information is essential for understanding Earth's surface conditions and supporting spatial planning, agriculture, and forestry. Updated information is essential for spatial and land-use analysis. Sumedang Regency was chosen as the case study due to its diverse land cover and ongoing development dynamics, making it representative for land classification research. The study used object based image analysis (OBIA) to overcome pixel-based classification limitations like the salt and pepper effect. The research aims to identify reflectance patterns of each land cover/use type, analyzing segmentation differences by OBIA parameter and approaches settings, and comparing OBIA based land cover/use classification accuracy between random forest (RF) and K-nearest neighbor (KNN) methods. Each land cover/use type has a distinct reflectance pattern, however cropland/fallow land and paddy fields in the generative phase is more prone to misclassification. The original multiresolution (OMN) approach produces uniform segments, while the region grow on object (RGO) approach flexibly follows natural shapes. Scale parameter is the most influential parameter in segmentation results. Segmentation with RGO with scale 0,5 and default shape and compactness settings produced the highest overall accuracy, with RF (85,0%) outperforming K-NN (75,6%). Overall, the classification results indicate that vegetated land still dominates the area of Sumedang Regency in 2024.