skip to main content

EVALUASI POLARISASI CITRA SAR (SYHTHETIC APERTURE RADAR) UNTUK KLASIFIKASI OBYEK TUTUPAN LAHAN

*Johan Ariyantoni  -  Universitas Gadjah Mada, Indonesia
Catur Aries Rokhmana  -  Universitas Gadjah Mada, Indonesia

Citation Format:
Abstract

Penggunaan pengindraan jauh sensor aktif SAR (Synthetic Aperture Radar) masih kurang dimanfaatkan sebagai upaya pengganti pengindraan jauh optis untuk pemetaan tutupan lahan, padahal citra optis masih memiliki tutupan awan yang menjadi kendala besar dalam pemantauan obyek tutupan lahan. Keunggulan Citra SAR Sentinel-1A adalah dapat menembus awan serta tidak berpengaruh pada keadaan cuaca. Dengan memanfaatkan teknologi polarisasi, citra SAR dapat membentuk komposit RGB yang berbeda, dalam penelitian ini digunakan komposit VV+VH,VH,VV/VH yaitu R dengan polarisasi VV+VH, G dengan polarisasi VH dan B dengan polarisasi VV/VH, menghasilkan tampilan citra SAR yang dapat diinterpretasi obyek tutupan lahannya. Ini dilakukan untuk mengevaluasi seberapa besar teknologi polarisasi SAR membantu dalam pemetaan obyek tutupan lahan. Hasil dari interpretasi tersebut dapat diidentifikasikan enam obyek tutupan lahan yang terdiri dari bangunan (permukiman desa, kota, dan gedung), sawah, hutan, semak, semak belukar dan lahan terbuka, hasil tersebut masih belum mampu untuk pemetaan tutupan lahan secara mendetil karena masih minimnya tutupan lahan yang dapat diinterpretasi pada komposit polarisasi tersebut. Tahapan Klasifikasi dilakukan dengan menggunakan dua metode yaitu maximum likelihood dan Support Vector Machine (SVM). Hasil akurasi keseluruhan confusion matrix dari klasifikasi maximum likelihood adalah 78,95% sedangkan klasifikasi Support Vector Machine (SVM) adalah 87,37%. Secara akurasi keselurahan dapat disimpulkan bahwa metode Support Vector Machine (SVM) lebih baik digunakan dalam klasifikasi citra SAR

Fulltext View|Download
Article Info
Section: Articles
Language : ID
  1. Abdikan, S. et al. (2016) ‘Land cover mapping using sentinel-1 SAR data’, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 41(December 2018), pp. 757–761. doi: 10.5194/isprsarchives-XLI-B7-757-2016
  2. Awaliyan, M. R. (2018) ‘Klasifikasi Penutup Lahan pada Citra Satelit Sentinel-2A dengan Metode Tree Algorithm’, 2(September), pp. 98–104
  3. Badan Standar Nasional Indonesia (2014) ‘Klasifikasi penutup lahan - Bagian 1 : Skala kecil dan menengah’, pp. i–51
  4. Banqué, X. et al. (2014) ‘Polarimetry-Based Land Cover Classification with Sentinel-1 Data’, (November), pp. 1–5
  5. Benz, U., Strodl, K. and Moreira, A. (2013) ‘A Comparison of Several Algorithms for SAR Raw Data Compression’, (October 1995). doi: 10.1109/36.469491
  6. Blaschke, T. (2016) ‘Basic of Remote Sensing’, (June), pp. 211–212. doi: 10.1007/978-1-4020-2560-0
  7. BSN (2010) ‘SNI Klasifikasi penutup lahan’. Badan Informasi Geospasial. Bogor
  8. Canada Centre for Remote Sensing (2015) ‘Advanced Radar Polarimetry Tutorial’, p. 97
  9. Chen, K. (2016) Principles of Synthetic Aperture Radar Imaging. CRC Press
  10. Chulafak, G. A., Kushardono, D. and Zylshal (2018) ‘Optimasi Parameter dalam Klasifikasi Spasial Penutup Penggunaan Lahan Menggunakan Data Sentinel SAR’, (January). doi: 10.30536/j.pjpdcd.1017.v14.a2746
  11. Fathoni, M. N. and Kushardono, D. (2017) ‘Kajian Awal Pemanfaatan Data Radar Sentinel-1 untuk Pemetaan Lahan Baku Sawah di Kabupaten Indramayu Jawa Barat Preliminary Study of Sentinel-1 Radar Data Application for Paddy Field Mapping in Indramayu - West Java’, pp. 179–186
  12. Fonteh, M. L. et al. (2016) ‘Assessing the Utility of Sentinel-1 C Band Synthetic Aperture Radar Imagery for Land Use Land Cover Classification in a Tropical Coastal Systems When Compared with Landsat 8’, (August), pp. 495–505
  13. Han, Y. and Shao, Y. (2010) ‘Full Polarimetric SAR Classification Based on Yamaguchi Decomposition Model and Scattering Parameters’, pp. 1104–1108
  14. Hosseinali, F., Alesheikh, A. A. and Nourian, F. (2014) ‘Assessing urban land-use development: Developing an agent-based model’, KSCE Journal of Civil Engineering, 19(1), pp. 285–295. doi: 10.1007/s12205-012-0367-5
  15. Korosov, A. A. and Park, J. (2016) ‘Very High Resolution Classification of Sentinel-1A Data’, (1)
  16. Kushardono, D. (2012) ‘Klasifikasi Spasial Penutup Lahan dengan Data SAR Dual- Polarisasi Menggunakan Normalized Difference Polarization Index dan Fitur Keruangan dari Matrik Kookurensi’, 9(1), pp. 12–24
  17. Lillesand, T. M., Kiefer, R. W. and Chipman, J. W. (2015) Remote Sensing and Image Interpretation. Seventh
  18. Putri, D. R., Sukmono, A. and Sudarsono, B. (2018) ‘Analisis Kombinasi Citra Sentinel-1A dan Citra Sentinel-2A untuk Klasifikasi Tutupan Lahan’, 7(April), pp. 85–96
  19. Richards, J. A. and Jia, X. (2006) Remote Sensing Digital Image Analysis
  20. Riswanto, E. (2009) ‘Evaluasi Akurasi Klasifikasi Penutup Lahan Menggunakan Citra Alos Palsar Resolusi Rendah Studi Kasus di Pulau Kalimantan’
  21. Sanli, F. B. (2017) ‘Classification of Sentinel-1A SAR Data Using Principal Component Analysis’, (December)
  22. Tison, C. et al. (2004) ‘A New Statistical Model for Markovian Classification of Urban Areas in High-Resolution SAR Images’, 42(10), pp. 2046–2057

Last update:

No citation recorded.

Last update:

No citation recorded.