ABSTRAK
Pemetaan lahan dengan memanfaatkan teknologi penginderaan jauh sudah lamaberkembang. Di Indonesia yang beriklim tropis, awan menjadi masalah klasikdalam pemindaian permukaan bumi dengan menggunakan satelit penginderaanjauh bersensor optik. Satelit dengan sensor Radar mempunyai kemampuan untukmenembus 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 yangmemberikan hasil yang kurang sempurna pada produk klasifikasi citra. Padapenelitian ini teknik klasifikasi berorientasi objek menggunakan metodeStatistical Region Merging ( SRM ) untuk proses segmentasi objek serta metodeSupport Vector Machine (SVM) untuk proses klasifikasi penutup lahan dari setiapsegmen objek yang ada. Pada tahap klasifikasi diujicobakan beberapa fitur antaralain fitur dekomposisi Freeman-Durden, fitur Entropy, Alpha Angle danAnisotrophy serta fitur Normalized Difference Polarization Index (NDPI).Implementasi teknik klasifikasi berorientasi objek pada penelitian ini memberikanhasil yang lebih baik daripada teknik klasifikasi berbasis piksel. Perbandinganakurasi keseluruhan mencapai 80,48 % untuk hasil klasifikasi berorientasi objekdan 53,94 % untuk hasil klasifikasi berorientasi piksel dengan kondisi citra tanpafilter 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 foroptical sensor remote sensing satellite for surface observation of earth. Radarsensor satellite has ability to penetrate clouds so satellite can scan earth’s surfacewhich covered by clouds. The use of piksel-based classification technique onSynthetic Aperture Radar (SAR) image still has problem due to salt-and-peppereffect that gives less perfect result to classification image products. In thisresearch, object-oriented classification technique uses Statistical Region Merging( SRM ) method for object segmentation process and uses Support VectorMachine (SVM) as classifier in classification process for all segmented objects. Inclassification process stage, saveral features were applied such as Freeman-Durden decomposition, Entropy, Alpha Angle, Anisotrophy, and NormalizedDifference Polarization Index (NDPI) features. Implementation of obect-orientedclassification technique in this research gives better result than obect-orientedclassification technique which overall accuracy reach 80,48 % for obect-orientedclassification result and 53,94 % for piksel-based classification result in conditionunfiltered image data and using seven fetures in classification process.