Ekstraksi Fitur Objek Tutupan Lahan Menggunakan Citra Satelit Resolusi Tinggi (Studi Kasus : Daerah Desa Argomulyo, Yogyakarta)
Abstract
Citra beresolusi tinggi merupakan generasi terbaru dalam teknologi penginderaan jauh yang menawarkan daya tarik lebih besar, memberikan peluang baru, dan memungkinkan pemetaan serta estimasi area tutupan lahan dengan tingkat akurasi yang lebih tinggi dibandingkan citra beresolusi menengah maupun rendah. Klasifikasi citra adalah sebuah proses yang digunakan untuk menghasilkan model peta tematik berdasarkan data citra satelit. Tema yang dihasilkan dapat mencakup berbagai kategori, seperti: lahan, vegetasi, dan air permukaan untuk gambaran umum wilayah pedesaan, hingga klasifikasi yang lebih spesifik. Ekstraksi fitur adalah suatu teknik yang digunakan untuk memperoleh atribut atau karakteristik spesifik dari sebuah objek, di mana hasil dari proses ini akan dianalisis lebih lanjut pada tahap selanjutnya. Kajian ini memusatkan perhatian pada proses ekstraksi fitur dari dataset citra, yang kemudian dimanfaatkan untuk mengklasifikasikan objek berdasarkan jenis tutupan lahannya. Kajian ekstraksi fitur dilakukan dengan menggunakan data citra satelit Pleiades. Interpretasi visual dilakukan dengan menggunakan komposit band merah, band hijau, band biru serta band NIR yang dipadukan dengan band pankromatik. Nilai piksel menjadi data input dalam proses interpretasinya. Hasilnya dapat disimpulkan bahwa metode ekstraksi fitur efektif untuk mengklasifikasi tutupan lahan sesuai dengan kelas yang telah ditentukan.
Downloads
References
Baatz, M., U. Benz, S. Dehghani, A. Höltje, P. Hofmann, I. Lingenfelder, M. Mimler, M. Sohlbach, M. Weber, & G. Willhauck. (2000). eCognition User Guide. Definiens Imaging GmbH.
Bilkova, Z. (2015). Segmentation of Microscopic Images Using Level Set Methods. Charles University in Prague.
Destival, I. (1986). Mathematical morphology applied to remote sensing. Acta Astronautica, 13(6), 371–385. doi: 10.1016/0094-5765(86)90092-5
Murinto, & Hartati, S. (2009, November 20). Analisis Citra Untuk Pengenalan Fitur Pada Perangkat Sistem Informasi Geografis. Conference: Seminar Nasional KNASTIK UKDW Yogyakarta.
ITT Visual Information Solutions. (2024, December 30). ENVI Feature Extraction Module User’s Guide. Feature Extraction Module Version 4.6.
https://www.nv5geospatialsoftware.com/portals/0/pdfs/envi/Feature_Extraction_Module.pdf
Jahjah, M., & Ulivieri, C. (2010). Automatic archaeological feature extraction from satellite VHR images. Acta Astronautica, 66(9), 1302–1310. doi: 10.1016/j.actaastro.2009.10.028
Kunaver, M., & Tasic, J. (2005). Image feature extraction - an overview. In Journal of Crystal Growth - J CRYST GROWTH. doi: 10.1109/EURCON.2005.1629889
Lee, C., & Landgrebe, D. A. (1997). Decision boundary feature extraction for neural networks. IEEE Transactions on Neural Networks, 8(1), 75–83.
Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2004). Remote Sensing and Image Interpretation. In Remote Sensing an Image Interpretation. John Wiley & Sons.
Muthukrishnan, R., & Radha M. (2011). Edge Detection Techniques For Image Segmentation. International Journal of Computer Science and Information Technology, 3, 259–267. doi: 10.5121/ijcsit
Nixon, M. S., & Aguado, A. S. (2002). Feature Extraction and Image Processing (1st ed.). Newnes.
Robinson, D. J., Redding, N., & Crisp, D. (2002). Implementation of a fast algorithm for segmenting SAR imagery.
Terent’eva, I. E., Sabrekov, A. F., Glagolev, M. V, Lapshina, E. D., Smolentsev, B. A., & Maksyutov, S. S. (2017). A new map of wetlands in the southern taiga of the West Siberia for assessing the emission of methane and carbon dioxide. Water Resources, 44(2), 297–307.
Wang, D., Su, J., & Yu, H. (2020). Feature Extraction and Analysis of Natural Language Processing for Deep Learning English Language. IEEE Access, PP, 1. doi: 10.1109/ACCESS.2020.2974101
1.png)
