DOI: https://doi.org/10.14710/elipsoida.2025.27043

INTEGRASI CITRA SENTINEL-1 DAN SENTINEL-2 UNTUK PEMETAAN TUTUPAN LAHAN TAHUN 2024 (STUDI KASUS: BWP I IKN DAN SEKITARNYA)

Departemen Teknik Geodesi, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia

Received: 19 May 2025; Accepted: 9 Jun 2025; Published: 9 Jun 2025.

Citation Format:
Abstract
Pemetaan tutupan lahan yang akurat sangat penting untuk mendukung perencanaan tata ruang, khususnya di wilayah dengan dinamika perubahan tinggi seperti BWP I IKN dan sekitarnya. Kawasan ini sebagian besar masih didominasi oleh hutan dan berada di wilayah beriklim tropis dengan tingkat tutupan awan yang tinggi sepanjang tahun, sehingga penggunaan citra optik seperti Sentinel-2 sering terhambat oleh awan, yang dapat menyebabkan data tidak lengkap atau bias. Untuk mengatasi keterbatasan ini, penelitian ini mengintegrasikan citra radar Sentinel-1 dan citra optik Sentinel-2 pada tahun 2024, dengan menggunakan algoritma random forest untuk mengklasifikasikan empat kelas utama: badan air, vegetasi, lahan terbuka, dan lahan terbangun. Sentinel-1 memungkinkan akuisisi data secara konsisten meskipun dalam kondisi berawan, sehingga melengkapi kelemahan Sentinel-2. Hasil validasi menggunakan confusion matrix dengan pembagian 70% data untuk pelatihan dan 30% untuk pengujian menunjukkan bahwa pada data testing, akurasi meningkat dari overall accuracy 66,13% dan kappa coefficient 0,55 (tanpa integrasi) menjadi 85,47% dan 0,80 (dengan integrasi). Sementara pada data validasi, akurasi meningkat dari 68,42% dan 0,53 menjadi 86,30% dan 0,79. Hasil ini menunjukkan bahwa integrasi informasi tekstural dari Sentinel-1 dan informasi spektral dari Sentinel-2 mampu menghasilkan klasifikasi tutupan lahan yang lebih akurat, konsisten, dan representatif terhadap kondisi sebenarnya di lapangan.
Fulltext View|Download

Article Metrics:

Article Info
Section: Articles
Language : ID
Recent articles
MONITORING PERUBAHAN TUTUPAN LAHAN KABUPATEN KLATEN TAHUN 2019 DAN 2023 SELAMA PEMBANGUNAN JALAN TOL YOGYAKARTA – SOLO MENGGUNAKAN GOOGLE EARTH ENGINE (GEE) PEMBUATAN MODEL 3 DIMENSI METODE MANUAL PADA GEDUNG JUANG 45 BEKASI MENGGUNAKAN INTEGRASI POINT CLOUD HASIL PENGOLAHAN DATA FOTO TERESTRIS DAN AERIAL DENGAN MENGGUNAKAN METODE STRUCTURE FROM MOTION (SFM) DAN MULTI-VIEW STEREO (MVS) PEMBUATAN MODEL TIGA DIMENSI BANGUNAN KAMPUS UNIVERSITAS DR. SOETOMO MENGGUNAKAN DATA LIGHT DETECTION AND RANGING (LiDAR) More recent articles
  1. Adriani Nur Andita, W., Muti Rahmah, I., & Nurul Anggraeni, F. (2022). Analisis Perubahan Lahan pada Wilayah Inti Ibu Kota Negara (IKN) di Kabupaten Penajam Paser Utara, Provinsi Kalimantan Timur Tahun 2019 dan Tahun 2023 Menggunakan Sistem Informasi Geografis (SIG). Jurnal Sains Geografis, 1(1), 91–103. https://doi.org/10.2210/jsg.vx1ix.xxx
  2. Basin, R., & District, H. (2024). Mapping and Analyzing Land Use / Land Cover Changes : A Case Study of Tawa. 13(1000498), 1–9. https://doi.org/10.35248/2168-9776.24.13.498.Citation
  3. Burkart, K., Causey, K., Cohen, A. J., Wozniak, S. S., Salvi, D. D., Abbafati, C., Adekanmbi, V., Adsuar, J. C., Ahmadi, K., Alahdab, F., Al-Aly, Z., Alipour, V., Alvis-Guzman, N., Amegah, A. K., Andrei, C. L., Andrei, T., Ansari, F., Arabloo, J., Aremu, O., … Brauer, M. (2022). Estimates, trends, and drivers of the global burden of type 2 diabetes attributable to PM2·5 air pollution, 1990–2019: an analysis of data from the Global Burden of Disease Study 2019. The Lancet Planetary Health, 6(7), e586–e600. https://doi.org/10.1016/S2542-5196(22)00122-X
  4. Cutler, D. R., Edwards, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., & Lawler, J. J. (2007). RANDOM FORESTS FOR CLASSIFICATION IN ECOLOGY. Ecology, 88(11), 2783–2792. https://doi.org/10.1890/07-0539.1
  5. Ghosh, S. M., Behera, M. D., & Paramanik, S. (2020). Canopy Height Estimation Using Sentinel Series Images through Machine Learning Models in a Mangrove Forest. Remote Sensing, 12(9), 1519. https://doi.org/10.3390/rs12091519
  6. Jin, Z., Shang, J., Zhu, Q., Ling, C., Xie, W., & Qiang, B. (2020). RFRSF: Employee Turnover Prediction Based on Random Forests and Survival Analysis (pp. 503–515). https://doi.org/10.1007/978-3-030-62008-0_35
  7. Meraner, A., Ebel, P., Zhu, X. X., & Schmitt, M. (2020). Cloud removal in Sentinel-2 imagery using a deep residual neural network and SAR-optical data fusion. ISPRS Journal of Photogrammetry and Remote Sensing, 166(January), 333–346. https://doi.org/10.1016/j.isprsjprs.2020.05.013
  8. Morin, D., Planells, M., Guyon, D., Villard, L., Mermoz, S., Bouvet, A., Thevenon, H., Dejoux, J.-F., Le Toan, T., & Dedieu, G. (2019). Estimation and Mapping of Forest Structure Parameters from Open Access Satellite Images: Development of a Generic Method with a Study Case on Coniferous Plantation. Remote Sensing, 11(11), 1275. https://doi.org/10.3390/rs11111275
  9. Nicolau, A. P., Flores-Anderson, A., Griffin, R., Herndon, K., & Meyer, F. J. (2021). Assessing SAR C-band data to effectively distinguish modified land uses in a heavily disturbed Amazon forest. International Journal of Applied Earth Observation and Geoinformation, 94, 102214. https://doi.org/10.1016/j.jag.2020.102214
  10. Numbisi, F. N., Van Coillie, F. M. B., & De Wulf, R. (2019). Delineation of Cocoa Agroforests Using Multiseason Sentinel-1 SAR Images: A Low Grey Level Range Reduces Uncertainties in GLCM Texture-Based Mapping. ISPRS International Journal of Geo-Information, 8(4), 179. https://doi.org/10.3390/ijgi8040179
  11. Undang-undang (UU) Nomor 3 Tahun 2022 Tentang Ibu Kota Negara, Pub. L. No. 41, 30 (2022). https://ikn.go.id/letak-ibu-kota-baru-indonesia-bernama-nusantara-ini-detail-lokasinya?
  12. Praticò, S., Solano, F., Di Fazio, S., & Modica, G. (2021). Machine Learning Classification of Mediterranean Forest Habitats in Google Earth Engine Based on Seasonal Sentinel-2 Time-Series and Input Image Composition Optimisation. Remote Sensing, 13(4), 586. https://doi.org/10.3390/rs13040586
  13. Quegan, S., Le Toan, T., Yu, J. J., Ribbes, F., & Floury, N. (2000). Multitemporal ERS SAR analysis applied to forest mapping. IEEE Transactions on Geoscience and Remote Sensing, 38(2), 741–753. https://doi.org/10.1109/36.842003
  14. Santoso, A. W., Pebrianti, D., Bayuaji, L., & Zain, J. M. (2015). Performance of various speckle reduction filters on Synthetic Aperture Radar image. 2015 4th International Conference on Software Engineering and Computer Systems (ICSECS), 11–14. https://doi.org/10.1109/ICSECS.2015.7333103
  15. Sentiwiki. (2023). Sentinel1: Overview of S1 Applications. Copernicus Sentinel Data. https://sentiwiki.copernicus.eu/web/s1-applications
  16. Wisanggeni, D. H., Sitorus, J. E., Halim, K., Putra, P., & Adityawan, M. B. (2024). Pengaruh Perubahan Tutupan Lahan Terhadap Debit Banjir di Kawasan Inti Pusat Pemerintahan ( KIPP ) Ibu Kota Nusantara. 09(02), 327–338. https://doi.org/10.29244/jsil.9.2.327-338
  17. Zhang, W., Brandt, M., Wang, Q., Prishchepov, A. V., Tucker, C. J., Li, Y., Lyu, H., & Fensholt, R. (2019). From woody cover to woody canopies: How Sentinel-1 and Sentinel-2 data advance the mapping of woody plants in savannas. Remote Sensing of Environment, 234, 111465. https://doi.org/10.1016/j.rse.2019.111465

Last update:

No citation recorded.

Last update:

No citation recorded.