Integrasi Data Optis Sentinel-2 dan Synthetic Aperture Radar (SAR) Sentinel-1 Beserta Fitur Turunannya untuk Klasifikasi Penutup Lahan

BIMO ADI SATRIO PRATAMA, Dr. Sc. Sanjiwana Arjasakusuma, S.Si., M.GIS.

2023 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH

Peta tutupan lahan sangat penting untuk pemantauan dan pengelolaan lingkungan. Informasi tersebut dapat diperoleh melalui data penginderaan jauh. Akan tetapi, di wilayah tropis, seperti Yogyakarta, Indonesia, gangguan atmosfer dari tutupan awan dan kabut dapat menyebabkan spectral confusion dan mengurangi kegunaan data multispektral, yang mengakibatkan penurunan akurasi klasifikasi. Penelitian ini menginvestigasi dampak integrasi data SAR Sentinel-1 dan data multispektral Sentinel-2 serta turunannya pada pemetaan tutupan lahan di sebagian Yogyakarta dalam kondisi atmosfer berkabut dan cerah. Penelitian ini menggunakan empat skenario: (1) menggunakan data SAR dan turunannya, (2) menggunakan data multispektral dan turunannya, (3) menggabungkan SAR, multispektral, dan turunannya, dan (4) menggabungkan SAR, multispektral, dan turunannya yang seleksi menggunakan Recursive Feature Elimination. Algoritma XGBoost yang hyperparameter-nya dioptimalkan oleh Bayesian optimization digunakan sebagai classifier. Peta distribusi kelas tutupan lahan dihasilkan untuk setiap skenario dalam kedua kondisi atmosfer. Akurasi dan efisiensi (waktu pemrosesan) masing-masing skenario juga dievaluasi. Hasilnya menunjukkan bahwa skenario 3 memiliki akurasi tertinggi (74,22% pada citra berkabut dan 85,94% pada citra cerah) tetapi dengan waktu pemrosesan paling lambat. Penambahan seleksi fitur (skenario 4) mengurangi kompleksitas model dan waktu pemrosesan, dengan pengurangan waktu pemrosesan sebesar 77,33% pada citra berkabut dan 47,81% pada citra cerah dibandingkan dengan skenario 3. Perbedaan antara skenario dianalisis menggunakan uji McNemar.

Land cover map is crucial for environmental monitoring and management. This information can be obtained through remote sensing data. However, in tropical regions, such as Yogyakarta, Indonesia, atmospheric interference from cloud cover and haze can cause spectral confusion and reduce the usefulness of multispectral data, leading to a decrease in classification accuracy. This study investigates the impact of integrating Sentinel-1 SAR data and Sentinel-2 multispectral data and their derivatives on land cover mapping in part of Yogyakarta under hazy and clear atmospheric conditions. The study used four scenarios: (1) using only SAR data and its derivatives, (2) using only multispectral data and its derivatives, (3) combining SAR, multispectral, and their derivatives, and (4) combining SAR, multispectral, and their derivatives with feature selection using Recursive Feature Elimination. The XGBoost classification algorithm tuned using Bayesian optimization was used for classification. Land cover class distribution maps were generated for each scenario under both atmospheric conditions. Accuracy and efficiency (processing time) of each scenario were also evaluated. The results showed that scenario 3 had the highest accuracy (74.22% on hazy imagery and 85.94% on clear imagery) but was the slowest. The addition of feature selection (scenario 4) reduced model complexity and processing time, with a reduction in processing time of 77.33% on hazy imagery and 47.81% on clear imagery compared to scenario 3. The differences between scenarios were assessed using McNemar's test.

Kata Kunci : Integrasi Data, Penutup Lahan, Gangguan Atmosfer, Pembelajaran Mesin, Data Sentinel