Perbandingan Metode Deep Learning dan OBIA untuk Otomatisasi Klasifikasi Tutupan Lahan pada Citra Sentinel-2

Raffi Satya Nugraha, Prof. Dr. Ir. Harintaka, S.T., M.T., IPU., ASEAN Eng.

2025 | Skripsi | TEKNIK GEODESI

Peta Rupabumi Indonesia (RBI) merupakan peta yang digunakan sebagai peta dasar di Indonesia yang salah satu elemen utamanya merupakan tutupan lahan. Peta ini memerlukan pemutakhiran secara berkala untuk mendukung penataan ruang wilayah, dengan tutupan lahan sebagai elemen penting yang harus diperbarui. Perubahan tutupan lahan yang dinamis akibat pertumbuhan penduduk dan pembangunan infrastruktur memerlukan teknologi yang efektif dalam pemantauannya. Citra satelit menjadi pilihan utama untuk klasifikasi tutupan lahan karena cakupan luas dan akurasi tinggi, namun metode interpretasi visual yang masih digunakan saat ini cenderung tidak sempurna. Terdapat beberapa metode klasifikasi tutupan lahan yang umum digunakan, antara lain deep learning dan Object-Based Image Analysis (OBIA). Kedua metode ini memiliki pendekatan yang berbeda, dimana OBIA mengandalkan segmentasi spasial dan aturan berbasis objek, sedangkan deep learning memanfaatkan pembelajaran fitur kompleks secara otomatis berbasis piksel. Masih belum banyak yang melakukan perbandingan performa kedua metode tersebut dalam klasifikasi tutupan lahan pada citra resolusi menengah, khususnya Sentinel-2 sehingga perlu dibandingkan untuk mengetahui keunggulan dan kelemahan kedua metode dalam klasifikasi tutupan lahan. Penelitian ini membandingkan dua metode klasifikasi otomatis, yaitu deep learning dan OBIA, untuk mengidentifikasi tutupan lahan di Kawasan Ekonomi Khusus (KEK) Galang Batang, Kabupaten Bintan, Provinsi Kepulauan Riau.

Dalam penelitian ini, deep learning berbasis Convolutional Neural Network (CNN) diterapkan untuk klasifikasi citra, sementara OBIA mengandalkan segmentasi citra dan analisis spasial untuk mendeteksi objek berdasarkan karakteristik spektral dan spasial. Citra yang digunakan adalah Sentinel-2 dengan resolusi 10 meter yang mencakup wilayah KEK Galang Batang. Hasil klasifikasi diuji menggunakan matriks konfusi untuk menghitung Overall Accuracy dan empat indikator evaluasi, yaitu precision, recall, f1-score, dan Intersection over Union (IoU), yang kemudian dibandingkan secara visual, berdasarkan akurasi, dan luas lahan yang terklasifikasi.

Hasil penelitian menunjukkan bahwa deep learning unggul dalam klasifikasi objek dengan tingkat detail yang tinggi meskipun disertai banyak efek salt and pepper, sedangkan OBIA unggul dalam melakukan generalisasi objek serta merepresentasikan objek dengan batas yang tegas. Selain itu, dari segi akurasi, deep learning memiliki akurasi yang lebih tinggi, terutama pada kelas perairan dan vegetasi, dengan Overall Accuracy mencapai 91% dibandingkan OBIA yang memiliki Overall Accuracy yang lebih rendah, yaitu 86%. Keduanya memiliki keterbatasan pada klasifikasi objek bangunan dan lahan kosong karena kemiripan spektral dan resolusi spasial citra, meskipun deep learning tetap sedikit lebih akurat dibandingkan OBIA. Luas yang terklasifikasi pada kedua metode 92,56% sama, menunjukkan kedua model sudah cukup baik dan mirip dalam melakukan klasifikasi. Data SRTM yang digunakan sebagai fitur tambahan terbukti lebih bermanfaat pada deep learning dalam meningkatkan akurasi kelas vegetasi dan perairan, sementara pada OBIA pengaruhnya relatif kecil karena segmentasi lebih mengandalkan bentuk dan pola spasial. Secara keseluruhan, kedua metode memiliki keunggulan dan keterbatasan masing-masing, dengan deep learning lebih cocok untuk klasifikasi kelas yang membutuhkan detail tinggi dan OBIA lebih unggul dalam deteksi objek yang terdefinisi dengan baik.

The Indonesian Topographic Map (RBI) serves as the base map in Indonesia, with land cover being one of its main elements. This map requires periodic updating to support spatial planning, with land cover as a crucial element that must be regularly revised. Dynamic changes in land cover due to population growth and infrastructure development demand effective technologies for monitoring. Satellite imagery has become the primary choice for land cover classification due to its wide coverage and high accuracy. However, the visual interpretation method that is still commonly used today tends to be imperfect. Several land cover classification methods are widely applied, including deep learning and Object-Based Image Analysis (OBIA). These two methods have different approaches, where OBIA relies on spatial segmentation and rule-based object analysis, while deep learning utilizes automatic complex feature learning at the pixel level. There has been limited research comparing the performance of these two methods in land cover classification using medium-resolution imagery, particularly Sentinel-2, thus a comparative study is needed to understand the strengths and weaknesses of both methods in land cover classification. This study compares two automatic classification methods, deep learning and OBIA, for identifying land cover in the Galang Batang Special Economic Zone (SEZ), Bintan Regency, Riau Islands Province.

In this study, deep learning based on Convolutional Neural Network (CNN) was applied for image classification, while OBIA relied on image segmentation and spatial analysis to detect objects based on their spectral and spatial characteristics. The imagery used was Sentinel-2 with a 10-meter resolution covering the Galang Batang SEZ. The classification results were evaluated using a confusion matrix to calculate Overall Accuracy and four evaluation metrics, namely precision, recall, f1-score, and Intersection over Union (IoU), which were then compared visually, by accuracy, and by classified land cover area.

The results showed that deep learning outperformed OBIA in classifying objects with a high level of detail, despite producing many salt and pepper effects, while OBIA excelled in generalizing objects and representing them with well-defined boundaries. In terms of accuracy, deep learning achieved higher accuracy, particularly in water and vegetation classes, with an Overall Accuracy of 91% compared to OBIA's lower Overall Accuracy of 86%. Both methods showed limitations in classifying building and bare land objects due to spectral similarity and the spatial resolution of the imagery, although deep learning remained slightly more accurate than OBIA. The classified area from both methods was 92.56% identical, indicating that both models performed reasonably well and similarly in classification. The SRTM data used as an additional feature proved to be more beneficial in deep learning for improving the accuracy of vegetation and water classes, while its impact on OBIA was relatively minor as segmentation mainly relied on shape and spatial patterns. Overall, both methods have their respective strengths and limitations, with deep learning being more suitable for classifying classes that require high detail and OBIA being more effective in detecting well-defined objects.

Kata Kunci : Tutupan lahan, deep learning, OBIA, Sentinel-2, overall accuracy