Klasifikasi berorientasi obyek berdasarkan segmentasi untuk analisis citra penginderaan jauh resolusi spasial tinggi

Citra penginderaan jauh dari wahana satelit maupun pesawat terbang, salah satunya menghasilkan data kenampakan permukaan bumi secara detil untuk digunakan dalam analisis perubahan ataupun monitoring. Data citra yang sangat detil (resolusi spasial tinggi) menuntut metode pemrosesan citra digital yang lebih khusus yaitu klasifikasi berorientasi obyek berdasarkan segmentasi. Algoritma segmentasi yang cukup banyak akan menimbulkan pertanyaan, metode manakah yang paling tepat digunakan untuk klasifikasi berorientasi obyek untuk analisis citra penginderaan jauh resolusi spasial tinggi. Tujuan penelitian ini adalah membuat sebuah sistem untuk mengklasifikasi citra satelit penginderaan jauh resolusi spasial tinggi dengan klasifikasi berorientasi obyek berdasarkan segmentasi multiresolusi pada citra. Metode segmentasi yang digunakan adalah KMeans Image Clustering, Fuzzy CMeans Image Clustering, KMeans Region Clusterer, Simple Region Growing, dan Statistical Region Merging, Mean Shift. Enam metode tersebut dibandingkan akurasi hasil klasifikasinya dengan data cek lapangan, untuk menentukan metode apa yang paling tepat. Hasil penelitian menunjukkan metode segmentasi dengan algoritma Mean Shift memiliki akurasi paling tinggi dibandingkan dengan lima algoritma lainnya. Apabila dibandingkan dengan klasifikasi tanpa menggunakan segmentasi (pada citra asli), terjadi kenaikan akurasi sampai dengan 40,9 % sehingga dapat disimpulkan metode segmentasi merupakan metode yang tepat untuk klasifikasi digital citra satelit resolusi spasial tinggi. Remote sensing imagery of a large variety of spaceborne and airborne sensors provides a huge amount of data about our earth surface for global and detailed analysis, change detection, and monitoring. Especially high-spatial resolution imagery, all signal processing classification algorithms are applied on a pixel or rectangular area and do not take into account contextual information (object oriented). Image segmentation processing, it�s the answer, but what is the best segmentation algorithm for extracting high-spatial resolution remote sensing imagery will find out in this research. The aim of this research is develop system for image classification with six segmentation algorithms (i.e KMeans Image Clustering, Fuzzy CMeans Image Clustering, KMeans Region Clusterer, Simple Region Growing, Statistical Region Merging, and Mean Shift). The six algorithms used to be compare to find out the best degree of accuracy for classify high spatial resolution satellite image. Result of this research shows that Mean Shift algorithm is the best segmentation algorithm for classify high spatial resolution satellite image. Mean Shift algorithm can increase degree of accuracy up to 40.9 % if compare with image classification without segmentation.