Penelitian tersebut dilakukan di Kecamatan Anggeraja, Kabupaten Enrekang, Sulawesi Selatan, wilayah yang didominasi lahan pertanian, perkebunan, kawasan hutan lindung, dan daerah rawan banjir serta longsor akibat perubahan penggunaan lahan. Informasi mengenai kondisi tutupan lahan di kawasan seperti ini sangat dibutuhkan sebagai dasar pengambilan keputusan dalam pengelolaan sumber daya alam dan mitigasi bencana.
Pemetaan Lahan Masih Menjadi Tantangan
Perubahan penggunaan lahan terjadi secara terus-menerus akibat aktivitas manusia maupun proses alam. Karena itu, pemerintah dan peneliti membutuhkan peta yang mampu menggambarkan kondisi lapangan secara akurat.
Selama ini, citra satelit menjadi salah satu sumber data utama dalam pemetaan tutupan lahan. Namun, keberhasilan pemetaan tidak hanya ditentukan oleh kualitas citra satelit, tetapi juga oleh metode klasifikasi yang digunakan untuk membedakan berbagai jenis tutupan lahan seperti hutan, sawah, perkebunan, permukiman, hingga badan air.
Perkembangan teknologi kecerdasan buatan memungkinkan proses klasifikasi dilakukan dengan berbagai algoritma machine learning. Meski demikian, belum semua metode memberikan hasil yang sama baik pada setiap kondisi wilayah. Oleh karena itu, tim peneliti membandingkan beberapa pendekatan sekaligus untuk mengetahui metode yang paling efektif.
Membandingkan Dua Pendekatan dan Dua Algoritma
Penelitian memanfaatkan citra satelit Sentinel-2B Level 2A yang direkam pada 10 Januari 2025. Sentinel-2 dipilih karena memiliki resolusi spasial tinggi, tersedia secara gratis dari European Space Agency (ESA), serta banyak digunakan untuk pemantauan lingkungan dan pertanian.
Tim peneliti kemudian membandingkan dua pendekatan klasifikasi, yaitu:
- Pixel-Based Classification, yang mengklasifikasikan setiap piksel secara individual.
- Object-Based Classification (OBIA), yang terlebih dahulu mengelompokkan piksel menjadi objek berdasarkan bentuk, tekstur, dan karakteristik spasial sebelum diklasifikasikan.
Pada masing-masing pendekatan tersebut digunakan dua algoritma machine learning, yaitu:
- Random Forest (RF)
- Support Vector Machine (SVM)
Selanjutnya, hasil klasifikasi dibandingkan menggunakan confusion matrix untuk menghitung tingkat akurasi setiap metode terhadap kondisi sebenarnya. Validasi dilakukan menggunakan citra SPOT-6/7 beresolusi tinggi sebagai data acuan.
Object-Based Memberikan Hasil Lebih Akurat
Hasil penelitian menunjukkan pola yang sangat konsisten.
Pendekatan Object-Based selalu menghasilkan akurasi yang lebih tinggi dibandingkan pendekatan berbasis piksel, baik ketika menggunakan Random Forest maupun Support Vector Machine.
Beberapa temuan utama penelitian meliputi:
- Random Forest berbasis objek mencapai akurasi keseluruhan sekitar 92 persen.
- SVM berbasis objek mencapai akurasi sekitar 91 persen.
- Random Forest berbasis piksel menghasilkan akurasi sekitar 87 persen.
- SVM berbasis piksel menghasilkan akurasi sekitar 85 persen.
- Random Forest secara umum meningkatkan akurasi sekitar 1–2 persen dibandingkan SVM pada kedua pendekatan klasifikasi.
Penelitian juga menemukan bahwa kelas awan (cloud) dan bayangan awan (cloud shadow) memiliki tingkat identifikasi yang hampir sempurna. Sebaliknya, kelas sawah menjadi kategori yang paling sulit dibedakan karena memiliki karakteristik spektral yang mirip dengan vegetasi lainnya.
Selain meningkatkan akurasi, pendekatan berbasis objek juga mampu mengurangi efek salt-and-pepper, yaitu munculnya pola bintik-bintik acak yang sering terjadi pada hasil klasifikasi berbasis piksel sehingga peta menjadi lebih rapi dan representatif.
Random Forest Lebih Stabil dan Efisien
Penelitian menunjukkan bahwa Random Forest memiliki beberapa keunggulan dibandingkan Support Vector Machine.
Selain menghasilkan akurasi lebih tinggi, Random Forest juga membutuhkan waktu pelatihan yang lebih singkat sehingga lebih efisien ketika digunakan pada data berukuran besar.
Menariknya, peningkatan jumlah pohon (tree) pada model Random Forest dari 100 hingga 400 tidak memberikan peningkatan akurasi yang signifikan. Artinya, penggunaan model yang jauh lebih kompleks belum tentu menghasilkan peta yang lebih baik. Temuan ini penting bagi peneliti maupun praktisi karena dapat menghemat waktu komputasi tanpa mengorbankan kualitas hasil.
Penting bagi Pertanian dan Pengelolaan Wilayah
Penulis menjelaskan bahwa pemilihan metode klasifikasi tidak hanya memengaruhi angka akurasi, tetapi juga memengaruhi estimasi luas setiap jenis tutupan lahan.
Perbedaan tersebut dapat berdampak pada berbagai keputusan penting, seperti:
- penyusunan rencana tata ruang;
- pengembangan kawasan pertanian;
- pengelolaan hutan lindung;
- pemantauan perubahan penggunaan lahan;
- mitigasi banjir dan longsor;
- konservasi lingkungan.
Dengan kata lain, penggunaan metode klasifikasi yang kurang tepat dapat menghasilkan estimasi luas lahan yang berbeda sehingga berpotensi memengaruhi kebijakan maupun perencanaan pembangunan.
Tim peneliti juga merekomendasikan agar penelitian berikutnya menguji metode ini pada wilayah geografis lain, berbagai jenis citra satelit, serta mengeksplorasi algoritma deep learning untuk meningkatkan akurasi pemetaan di masa depan.
Menurut Nurfadila JS dan tim dari Universitas Hasanuddin, kombinasi Object-Based Image Analysis (OBIA) dengan algoritma Random Forest memberikan hasil klasifikasi tutupan lahan yang paling andal, sekaligus menjadi pilihan yang efisien untuk mendukung perencanaan pertanian dan pengelolaan lahan pada kawasan yang memiliki karakteristik bentang alam yang kompleks.
Profil Singkat Penulis
Nurfadila JS merupakan peneliti dari Universitas Hasanuddin yang memiliki keahlian di bidang penginderaan jauh (remote sensing), analisis spasial, sistem informasi geografis (SIG), serta klasifikasi tutupan dan penggunaan lahan.
Rismaneswati merupakan akademisi di Universitas Hasanuddin yang berfokus pada bidang geospasial, pemetaan wilayah, dan analisis lingkungan.
Syaeful Rahmat merupakan peneliti dari Universitas Hasanuddin yang memiliki kepakaran dalam machine learning untuk penginderaan jauh, pemetaan lahan, dan analisis citra satelit.
Sumber Penelitian
Judul: Comparasing Landuse/Landcover Classification Using Pixel and Object Based Random Forest and SVM Algorithm on Sentinel-2 Imagery Over Enrekang Region
Penulis: Nurfadila JS, Rismaneswati, Syaeful Rahmat
Jurnal: Indonesian Journal of Agriculture and Environmental Analytics (IJAEA)
Volume: 5, Nomor 2
Tahun: 2026
0 Komentar