KAJIAN PEMANFAATAN TEKNOLOGI GOOGLE EARTH ENGINE UNTUK BIDANG PENGINDERAAN JAUH

Abstract

Pesatnya perkembangan teknologi di bidang penginderaan jauh menyebabkan perubahan kebutuhan akan pengolahan data yang masif, mudah dan cepat. Trend teknologi kedepan diperkirakan akan mengarah ke sebuah sistem berbasis cloud computing dimana big data dan IOT (Internet of things) saling terintegrasi untuk menyelesaikan permasalahan didunia penginderaan jauh. Salah satu teknologi baru yang tersedia untuk bidang penginderaan jauh adalah Google Earth Engine (GEE). Penelitian ini dilaksanakan di kecamatan Natar dengan fokus studi kasus untuk interpretasi tutupan lahan. Data yang digunakan berupa Citra Sentinel-2 tahun 2021-2022. Metode yang digunakan untuk klasifikasi yaitu dengan eksplorasi machine learning pada GEE. Adapun metode machine learning yang digunakan pada penelitian ini yaitu CART, SVM, RFC dan NBC. Hasil penelitian menunjukan bahwa (1) GEE mampu melakukan proses pengolahan data citra penginderaan jauh dengan cukup baik. Terbukti dengan kegiatan klasifikasi dapat memproses menggunakan 4 metode machine learning hanya dengan memodifikasi formula sesuai kebutuhan. Selanjutnya untuk ketelitian citra yang dihasilkan dengan area satu kabupaten berada pada skala 1:100.000 dengan ketelitian horizontal/CE90 berada pada kelas 2 dan 3, sedangkan ketelitian horizontal/CE90 pada kelas 1 berada pada skala 1:250.000. (2) Fasilitas pengolahan data yang disediakan GEE mampu menyelesaikan analisis penginderaan jauh dengan maksimal meskipun masih terdapat fasilitas yang belum tersedia seperti fasilitas layout peta dengan metode klasifikasi machine learning tertinggi yang mampu menginterpretasi tutupan lahan dengan baik adalah random forest dengan akurasi 93%.

Kata Kunci: CART, Cloud Computing, Google Earth Engine, NBC, RFC, SVM.

DOI: http://dx.doi.org/10.23960/jpg.v10.i2.24219

Full Text:

PDF (BAHASA INDONESIA)

References

Anggeriana, H., Kom, S., dan Kom, M. 2011. Cloud Computing. Jurnal Teknik Informatika, 1.

Arisondang, V. 2015. Klasifikasi Tutupan Lahan Menggunakan Metode Segmentasi Berbasis Algoritma Multiresolusi (Studi Kasus Kabupaten Purwakarta, Jawa Barat). Jurnal Teknik Geodesi Universitas Diponegoro: Semarang.

Basuki, A. 2007. Pengantar Pengolahan Citra. PENS-ITS Surabaya.

Danoedoro, P. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta : ANDI Offset.

Edisuryana, M., Isnanto, R. R., dan Somantri, M. 2013. Aplikasi Steganografi Pada Citra Berformat Bitmap Dengan Menggunakan Metode End Of File. Transient: Jurnal Ilmiah Teknik Elektro, 2(3), 734-742.

Fariz, T. R., Daeni, F., dan Sultan, H. 2021. Pemetaan Perubahan Penutup Lahan Di Sub-DAS Kreo Menggunakan Machine Learning Pada Google Earth Engine. Jurnal Sumberdaya Alam dan Lingkungan, 8(2), 85-92.

Fariz, T. R., Permana, P. I., Daeni, F., dan Putra, A. C. P. 2021. Pemetaan ekosistem mangrove di Kabupaten Kubu Raya menggunakan machine learning pada Google Earth Engine. Jurnal Geografi: Media Informasi Pengembangan dan Profesi Kegeografian, 18(2).

Hendrawan, H., Gaol, J. L., dan Susilo, S. B. 2018. Studi kerapatan dan perubahan tutupan mangrove menggunakan citra satelit di Pulau Sebatik Kalimantan Utara. Jurnal Ilmu dan Teknologi Kelautan Tropis, 10(1), 99-109.

Humaidah, N., Sudarsono, B., dan Prasetyo, Y. 2015. Analisis Perbandingan Kepadatan Pemukiman Menggunakan Klasifikasi Supervised Dan Segmentasi (Studi Kasus: Kota Bandung). Jurnal Geodesi Undip, 4(4), 73-80.

Julianto, F. D., Putri, D. P. D., dan Safi’i, H. H. 2020. Analisis Perubahan Vegetasi dengan Data Sentinel-2 menggunakan Google Earth Engine. Jurnal Penginderaan Jauh Indonesia, 2(2), 13-18.

Johansen, K., Phinn, S., and Taylor, M. 2015. Mapping woody vegetation clearing in Queensland, Australia from Landsat imagery using the Google Earth Engine. Remote Sensing Applications: Society and Environment, 1, 36-49.