"
ABSTRAK Pemetaan lahan dengan memanfaatkan teknologi penginderaan jauh sudah lama
berkembang. Di Indonesia yang beriklim tropis, awan menjadi masalah klasik
dalam pemindaian permukaan bumi dengan menggunakan satelit penginderaan
jauh bersensor optik. Satelit dengan sensor Radar mempunyai kemampuan untuk
menembus awan sehingga dapat memindai objek yang berada di bawah awan.
Penggunaan teknik klasifikasi berbasis piksel pada citra Synthetic Aperture Radar
(SAR) masih mempunyai permasalahan akibat efek salt-and-pepper yang
memberikan hasil yang kurang sempurna pada produk klasifikasi citra. Pada
penelitian ini teknik klasifikasi berorientasi objek menggunakan metode
Statistical Region Merging ( SRM ) untuk proses segmentasi objek serta metode
Support Vector Machine (SVM) untuk proses klasifikasi penutup lahan dari setiap
segmen objek yang ada. Pada tahap klasifikasi diujicobakan beberapa fitur antara
lain fitur dekomposisi Freeman-Durden, fitur Entropy, Alpha Angle dan
Anisotrophy serta fitur Normalized Difference Polarization Index (NDPI).
Implementasi teknik klasifikasi berorientasi objek pada penelitian ini memberikan
hasil yang lebih baik daripada teknik klasifikasi berbasis piksel. Perbandingan
akurasi keseluruhan mencapai 80,48 % untuk hasil klasifikasi berorientasi objek
dan 53,94 % untuk hasil klasifikasi berorientasi piksel dengan kondisi citra tanpa
filter dan menggunakan 7 fitur dalam klasifikasi.
ABSTRACT Remote sensing technology for land mapping has been developing for long time.
Indonesia has tropical climate where cloud covers can be classical problem for
optical sensor remote sensing satellite for surface observation of earth. Radar
sensor satellite has ability to penetrate clouds so satellite can scan earth’s surface
which covered by clouds. The use of piksel-based classification technique on
Synthetic Aperture Radar (SAR) image still has problem due to salt-and-pepper
effect that gives less perfect result to classification image products. In this
research, object-oriented classification technique uses Statistical Region Merging
( SRM ) method for object segmentation process and uses Support Vector
Machine (SVM) as classifier in classification process for all segmented objects. In
classification process stage, saveral features were applied such as Freeman-
Durden decomposition, Entropy, Alpha Angle, Anisotrophy, and Normalized
Difference Polarization Index (NDPI) features. Implementation of obect-oriented
classification technique in this research gives better result than obect-oriented
classification technique which overall accuracy reach 80,48 % for obect-oriented
classification result and 53,94 % for piksel-based classification result in condition
unfiltered image data and using seven fetures in classification process."
