Abstrak


Perencanaan dan pemantauan penggunaan lahan masih menjadi masalah di banyak negara berkembang seperti Indonesia. Teknologi konvensional dan observasi lapangan yang digunakan saat ini memiliki kendala terkait dengan wilayah Indonesia yang luas. Deep learning dan citra satelit dapat digunakan untuk mendukung otomatisasi pemantauan dan klasifikasi tutupan lahan. Tujuan penelitian ini adalah mengembangkan metode klasifikasi berdasarkan Convolutional Neural Network (CNN) dan citra satelit Sentinel-2. Penelitian ini menggunakan: fitur spektral, indeks spektral, fitur spasial sebagai input dan definisi kelas tutupan lahan dari dokumen RSNI-1 Badan Standar Nasional Indonesia untuk Klasifikasi Kelas Penutupan Lahan dalam Penafsiran Citra Optis Resolusi Sedang sebagai dasar untuk ekstraksi fitur. Area citra penelitian terletak di daerah Semarang. Alur penelitian meliputi: Mendefinisikan kelas hutan berdasarkan dokumen RSNI-1, Mengekstraksi fitur optik citra berdasarkan definisi kelas tutupan lahan, Mengekstraksi fitur citra dari citra satelit Sentinel-2, dan Mengklasifikasikan fitur objek citra menggunakan pengklasifikasi CNN. Segmentasi citra menghasilkan 2072 objek dengan menggunakan eCognition. Label kelas data pengujian ditentukan menggunakan pelatihan semi terawasi. Klasifikasi tutupan lahan dilakukan menggunakan Convolutional Neural Network untuk mengklasifikasikan objek ke kelas tutupan lahan hutan kering primer, hutan kering sekunder, hutan tanaman, padang rumput, pemukiman, badan air atau tanah terbuka. Metode CNN yang digunakan mampu mengklasifikasi dengan baik yaitu overall accuracy 98.4% untuk data pelatihan dan data pengujian, serta rata-rata nilai akurasi user’s accuracy dan producer’s accuracy lebih besar dari 95% untuk tiap kelas tutupan lahan.