Klasifikasi Tanaman Pada Lahan Pertanian Terfragmentasi Menggunakan Integrasi Data Satelit Remote Sensing Radar dan Optik

Abstract

Lahan pertanian di Kabupaten Jember mengalami tekanan signifikan akibat konversi lahan menjadi area non-pertanian, seperti pemukiman dan infrastruktur. Fenomena ini tidak hanya mengurangi luas lahan produktif, tetapi juga memicu terjadinya fragmentasi lahan yang mengacu pada pemecahan lahan pertanian menjadi bidang-bidang kecil yang tersebar secara tidak merata. Fragmentasi ini menyulitkan dalam pemetaan dan pengelolaan tanaman, khususnya di wilayah dengan topografi kompleks dan pola tanam campuran. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi tanaman pertanian pada lahan terfragmentasi dengan mengintegrasikan data citra satelit radar (Sentinel-1) dan optik (Sentinel-2). Integrasi dilakukan melalui pendekatan fusi pada feature-level fusion, yang menggabungkan berbagai indeks spektral (NDVI, NDWI, NDBI) dari Sentinel-2 dan informasi backscatter radar (VV, VH, VV/VH) dari Sentinel-1. Pengolahan dan klasifikasi dilakukan menggunakan algoritma Random Forest yang diimplementasikan pada platform Google Earth Engine (GEE), dengan dukungan data observasi lapang sebagai titik referensi klasifikasi. Penelitian dilakukan di empat kecamatan di Kabupaten Jember: Jombang, Umbulsari, Kencong, dan Gumukmas. Wilayah ini dipilih karena karakteristiknya yang merepresentasikan kondisi fragmentasi pertanian di daerah tropis. Data citra satelit digunakan dalam bentuk deret waktu selama periode 2021-2024, dengan pembatasan tutupan awan maksimal 15%. Titik observasi terdiri dari 122 titik training dan 51 titik validasi, mewakili delapan kelas tutupan lahan, yaitu: lahan terbangun, sawah, jagung, tebu, jeruk, vegetasi non-pertanian, semak belukar, dan badan air. Tahap awal berupa preprocessing citra dilakukan untuk memastikan kualitas data. Citra Sentinel-2 mengalami proses cloud masking menggunakan Scene Classification Layer (SCL), sedangkan citra Sentinel-1 dikoreksi radiometrik menggunakan filter Lee untuk menggunakan speckle noise. Proses fusi kemudian menghasilkan citra gabungan yang mengandung informasi struktural, tekstural, dan spektral dari kedua jenis data satelit. Fusi ini memungkinkan perbedaan antar kelas lahan yang secara spektral saling tumang tindih dapat lebih mudah dikenali oleh algoritma klasifikasi. Hasil klasifikasi menunjukkan bahwa metode fusi Sentinel-1 dan Sentinel-2 memberikan representasi spasial yang lebih detail, khususnya pada wilayah dengan keragaman vegetasi tinggi. Peta hasil klasifikasi memperlihatkan distribusi tanaman seperti jeruk, tebu, dan sawah yang tersebar dengan pola tertentu. Jeruk banyak ditemukan di sisi timur laut dan barat daya, sementara tebu tersebar di wilayah datar bagian tengah. Kelas semak belukar merupakan tutupan lahan terluas, disusul oleh tebu dan jeruk. Kelas sawah, meskipun luasnya signifikan, mengalami kesalahan klasifikasi yang cukup tinggi karena kemiripan spektral dengan tanaman musiman lain seperti jagung dan tebu. Evaluasi akurasi dilakukan menggunakan confusion matrix dan metode stratified random sampling. Hasil pengujian menunjukkan nilai overall accuracy sebesar 84.375% yang termasuk dalam kategori substantial agreement menurut standar Cohen’s Kappa. Kelas dengan akurasi tertinggi adalah lahan terbangun, badan air, dan vegetas non-pertanian, yang memiliki ciri khas spektral dan tekstural yang mudah dibedakan. Sebaliknya, kesalahan klasifikasi banyak terjadi pada kelas pertanian musiman akibat tumpang tindih spektral pada fase pertumbuhan awal tanaman. Hasil ini menunjukkan bahwa integrasi data radar dan optik dalam klasifikasi tutupan lahan, terutama dengan pendekatan fusi fitur, mampu meningkatkan ketepatan identifikasi di wilayah degan fragmentasi spasial tinggi. Selain itu, penggunaan platform GEE memungkinkan pengolahan data skala besar secara efisien dan cepat, tanpa perlu infrastruktur komputasi lokal yang kompleks. Pendekatan ini juga terbukti lebih unggul dibandingkan klasifikasi dengan sensor tunggal, seperti yang dilaporkan dalam penelitian terdahulu oleh Dagne et al. (2023), yang hanya mencapai akurasi 81% di wilayah tropis menggunakan metode serupa. Penelitian ini memberikan kontribusi pentig dalam pengembangan metode klasifikasi berbasis penginderaan jauh untuk wilayah pertanian tropis yang terfragmentasi. Temuan ini dapat dimanfaatkan oleh instansi seperti Balai Penyuluhan Pertanian (BPP) untuk memantau distribusi dan dinamika tanaman pertanian secara periodik. Selain itu, model ini juga dapat diadaptasi untuk wilayah lain yang memiliki kompleksitas spasial dan keragaman tutupan lahan serupa. Meskipun hasil yang dicapai tergolong tinggi, penelitian ini masih memiliki keterbatasan, khususnya dalam keterbatasan titik observasi lapang untuk beberapa kelas tutupan yang lebih kecil (misalnya badan air dan semak belukar). Oleh sebab itu, pengembangan lebih lanjut dapat dilakukan dengan menambahkan fitur tekstur dari citra radar secara eksplisit atau integrasi dengan data topografi (DEM dan slope) untuk meningkatkan akurasi klasifikasi pada skala yang lebih luas. Secara keseluruhan, penelitian ini berhasil membuktikan bahwa pendekatan fusi citra optik dan radar berbasis GEE dengan algoritma Random Forest merupakan metode yang efektif untuk klasifikasi tanaman pertanian di lahan terfragmentasi. Metode ini mendukung perancangan pertanian berkelanjutan dan penagmbilan kebijakan berbasis data spasial yang lebih akurat.