3. METODE PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini berlangsung mulai Maret 2009 - Juli 2010. Prosessing data citra dilakukan di bagian SIG Kelautan dan Remote Sensing Departemen Ilmu dan Teknologi Kelautan IPB. Pelaksanaan ground truth pada 23-28 Juni 2009 di perairan Gusung Karang Lebar dan Karang Congkak Kepulauan Seribu (Gambar 3-1) yang menjadi lokasi penelitian ini.
674000
675000
676000 # # # # # # # # #
677000
678000
679000
680000
N
# # #
W
9370000
673000
9370000
672000
E
500
# ##
#
# # # ## # #
9368000
# # ## # # #
# # #
9367000
9368000
500
9367000
#
S
Meter Kabupaten Kepulauan Seribu Provinsi DKI Jakarta
# ##
#
0
9369000
Gusung Karang Congkak
Gusung Karang Congkak
# # #
9366000
9366000
# #
9365000
9365000
P. Panggang
672000
673000
674000
675000
676000
677000
678000
679000
680000
Gambar 3-1 Lokasi Penelitian 3.2 Jenis dan Sumber Data Jenis dan sumber data penelitian ini adalah data penginderaan jauh dan pengukuran langsung (in-situ). Data penginderaan jauh yang digunakan adalah citra satelit Quickbird Gusung Karang Lebar dan Karang Congkak Kepulauan Seribu yang diperoleh dari Digital Globe’s QuickBird Satellite tanggal aquisisi 28 September 2008. Data pengukuran in-situ terdiri dari; (1) ground control point (GCP), dan (2) data ekologi, yaitu karakteristik habitat dan kondisi ekosistem terumbu karang (biotik dan abiotik). Sejumlah stasiun pengamatan dalam penelitian ini merupakan deskripsi terkait karakteristik habitat perairan dangkal.
9364000
9364000
P. Pramuka Sumber: Citra Satelit Quickbird 28 September 2008 Survey Ground Truth 25 - 27 Juli 2009
24
3.3 Metode Pengumpulan Data Citra Metode pengumpulan data citra in-situ ditentukan dengan teknik sampling data spasial secara stratified random sampling. Teknik ini dilakukan di wilayah Gusung Karang Congkak terhadap 122 titik yang dipilih mewakili klasifikasi habitat perairan dangkal dari keseluruhan daerah penelitian. Data tersebut diperoleh dengan metode survey ground truth posisi menggunakan prinsip Differential Global Positioning System (DGPS) memanfaatkan teknologi GPS. Sedangkan
pengumpulan
data
sekunder
ditelusuri
dari
hasil
akuisisi
pengetahuan dan penelitian yang relevan. Peralatan dan parameter tersebut disajikan pada Tabel 3-1, Tabel 3-1 Peralatan dan parameter pengukuran No Nama Peralatan Parameter 1. Geomatic equipment Koordinat: - ground control point; - ground truth point; - Transect habitat site. 2. Scuba Diving equipment, Transect habitat data Transect quadrate (1 x 1m), Line meter (50 m), Digital underwater camera, 3. Akuisisi pengetahuan dan laporan Pengenalan karang dan habitatnya penelitian 4. Hardware dan Soft computing untuk Pembentukan klasifikasi citra komputasi Image processing system Survei DGPS bertujuan untuk menentukan posisi kondisi lapangan secara akurat dan memperbaikinya apabila terjadi perubahan atau ketidaksesuaian informasi dari sumber yang beragam, melalui pengecekan silang peta dasar dan peta citra satelit yang ada. Prinsip operasional survei DGPS tersebut dikembangkan sebagai berikut; Mengatur output dua GPS yang sama tipenya, yaitu Garmin 60 dengan waktu sama (5 detik) dan menghidupkannya secara bersamaan pada saat perekaman data berlangsung, sehingga menghasilkan sejumlah data n GCP. Merekam titik-titik yang dianggap penting sebagai acuan untuk menafsirkan kenampakan/objek antara kenyataan di lapangan dan peta dasar survey, sehingga memudahkan identifikasi dan analisis spasial peta dan koreksi geometrik, Merekam lokasi yang memiliki kecenderungan untuk berubah. Titik-titik lokasi GPS dipilih sesuai kebutuhan dan tujuan penggunaan GPS itu sendiri,
25
Membuat dokumentasi melalui pemotretan objek-objek di lapangan, baik untuk validasi kenampakan objek di peta/citra maupun melengkapi peta dasar survey, Mencatat dan mengidentifikasi informasi survey. Pemilihan informasi survey untuk titik-titik yang dijadikan pencatatan, tidak seperti halnya survei terestrial, survey GPS tidak memerlukan saling keterlihatan (intervisibility) antara titiktitik pengamat. Menghitung koreksi posisi lintang dan bujur sebagai posisi yang sebenarnya. 3.4 Analisis Pengolahan Citra ANN Diagram alir umum analisa citra digital dalam penelitian ini (Gambar 3-2) bermaksud menguji klasifikasi algoritma Artificial Neural Network (ANN). Proses pengolahan citra merupakan eksperimen dari kombinasi Band dari berbagai input, sehingga menghasilkan klasifikasi terbaik. Data Citra
Data Survei Lapang
Quickbird terkoreksi geometrik
Training Sampel Unsupervised ANN Parameter training: Rate RMS Jumlah Iterasi Jumlah klaster
Cropping region of interest (ROI)
Distribusi citra
Band 1,2,3,4
A1
A2
Lyzenga
A3
A4
A5
SOM, BP, AdaBoost
Training Sampel Supervised ANN Parameter training: Kontribusi Threshold Rate Momentum RMS Jumlah Iterasi Jumlah hidden layer
A6
Klasifikasi Algoritma ANN
No
Akurasi yang Diinginkan
Error Matrix
Akurasi yang Diinginkan
Kelas A1 Yes Keterangan: A1 = SOM input semua Band (Band 1, 2, 3 dan 4); A2 = SOM input kombinasi Band 321; A3 = SOM input kombinasi Band 421; A4 = SOM input kombinasi Band 432; A6 = SOM dengan input data Lyzenga (kombinasi Band 432)
Kelas A2 Kelas A3
Yes Perbandingan
Kelas A4 Kelas A5
Hasil Klasifikasi terbaik
Kelas A6
Gambar 3-2 Metodologi umum training Algoritma ANN
No
26
Model pembelajaran ANN supervised untuk mempersiapkan klasifikasi citra tersebut diilustrasikan pada Gambar 3-3. Klasifikasi data citra menggunakan ANN supervised terdiri dari dua tahap, yaitu pelatihan jaringan (network training) dan klasifikasi. Setelah konfigurasi jaringan ditetapkan, bobot dan bias diinisialisasi, langkah selanjutnya adalah melatih jaringan ANN-Backpropagation (ANN-BP) dan ANN-Adaptive Boosting (ANN-AdaBoost) Learning rate momentum Inisialisasi bobot 1 Input data
2 Pengkodean
∑
f
Kalkulasi Output
Output yang Diharapkan
Prediksi error
4 Update bobot
No
3
Diterima?
Yes Penghentian training
Gambar 3-3 Training ANN supervised dalam persiapan klasifikasi citra 3.4.1 Pra Pengolahan Citra Standar pra-pengolahan citra digital berupa koreksi radiometrik dan geometrik. Koreksi radiometrik bertujuan untuk menghilangkan faktor–faktor yang menurunkan kualitas citra. Metode koreksi radiometrik yang digunakan adalah penyesuaian histogram (histogram adjustment), tetapi untuk penelitian ini tidak dilakukan lagi koreksi radiometrik karena citra QuickBird merupakan citra high resolution satellite dan telah terkoreksi secara radiometrik. Koreksi geometrik terhadap kedua periode waktu berbeda dengan acuan data lapang dilakukan setelah koreksi radiometrik. Koreksi geometrik ditempuh dengan transformasi geometris dan resampling citra menggunakan beberapa titik kontrol bumi (ground control point). Titik-titik tersebut diambil pada tempat berbeda yang tersebar di bagian citra, sehingga diperoleh nilai root mean square
27
(RMS) <0,5. Penentuan nilai RMS menentukan akurasi koreksi geometrik yang diketahui dari formula: o
d u 2 = a{u i − f ( xi , yi )}2 / n …………………………….............……. ..........(3-1) o
d v 2 = a{vi − g ( xi , yi )}2 / n …………………………….....……….................(3-2) Dimana;
d u = standar deviasi pada nomor pixel; d v = standar deviasi pada nomor pixel; ( xi , yi ) = koordinat peta dari GCP; (u i , vi ) = koordinat peta dari GCP.
Rektifikasi (pembetulan) citra berdasarkan informasi posisi GCP yang ada bertujuan untuk menempatkan pixel citra pada posisi sebenarnya di permukaan bumi. Rektifikasi ini sangat erat kaitannya dengan pengambilan data in-situ, metode penentuan akurasi posisi, dan GPS yang digunakan. 3.4.2 Pengolahan Citra Distribusi spasial karakteristik habitat dasar perairan dangkal diolah dari citra satelit menggunakan beberapa pendekatan seperti komposit Band dan penajaman citra dengan algoritma depth invariant index. Algoritma ini mengaplikasikan metode koreksi kolom air atau dikenal dengan Algoritma Lyzenga (1981). Metode ini efektif untuk meningkatkan kualitas identifikasi dan klasifikasi habitat dasar perairan dangkal secara tematik. Persamaan algoritma depth invariant index diturunkan sebagai berikut:: Y = Ln B1 – (ki/kj) Ln B2
dimana Y = indek dasar perairan; B = band yang dipilih; ki/kj= koefisien atenuasi = Variance Band ke i,
= Variance Band ke j,
= Covar Band ke ij
Pengolahan citra ANN selanjutnya memerlukan ekstraksi ciri parameter input untuk data pembelajaran (learning), dan paramater training masing-masing metode ANN supervised dan unsupervised.
28
1) Ekstraksi Parameter Input Penelitian ini menyelidiki kombinasi 6 (enam) parameter input, yaitu A1, A2, A3, A4, A5 dan A6. Ilustrasi kesemuanya disajikan pada Tabel 3-2. Tabel 3-2 Parameter input klasifikasi Jumlah Proses/ Kode Input Node Metode A1 Band 1, 2, 3 dan 4 4 SOM (4 Band asli) A2 Komposit Band 1, 2 dan 3 3 SOM (Band 321) A3 Komposit Band 1, 2 dan 4 3 SOM (Band 421) A4 Komposit Band 2, 3 dan 4 3 SOM (Band 432) A5 Band 1, 2, 3 dan 4 (4 Band 7 Lyzenga asli) dan komposit Band 432 A6
Data A5 (rationing)
3
SOM/BP/ AdaBoost
Output Klaster citra Klaster citra Klaster citra Klaster citra Klaster/klasifikasi citra, dan koreksi kolom air Klaster/klasifikasi citra, dan koreksi kolom air
2) Parameter Training Parameter
training
untuk
membangun
model
pembelajaran
ANN
unsupervised mengikuti parameter-parameter SOM berikut: Tabel 3-3 Parameter training ANN unsupervised Item parameter Nilai Jumlah input citra Training rate Radius ketetanggaan pixel Jumlah Iterasi training
3 0.5 – 0.001 4 10,000
Sedangkan algoritma ANN supervised untuk membangun model pembelajaran ANN-BP dan AdaBoost mengacu parameter training (Tabel 3-4) dan ROI (Tabel 3-5) sebagai data pembelajaran (learning). Tabel 3-4 Parameter training ANN supervised Item parameter Nilai Training threshold 0.9 Training momentum 0.9 Kriteria RMS 0 - 0.1 Jumlah unit hidden layer*) 2–4 **) Jumlah node hidden layer 8 Training rate 0.2 Jumlah Iterasi training 10,000 *) Unit hidden layer berjumlah 2 khusus untuk AdaBoost **) Unit node hidden layer khusus untuk AdaBoost
29
Tabel 3-5 Region of Interest (ROI) training ANN supervised ∑ Jenis No/ Warna Deskripsi Sampel penutupan Kode (pixel) Karang hidup 1 (KH) 1652 Cyan Dominan karang hidup Karang mati 2(KM) 68 Magenta Dominan karang mati Lamun 3(L) 599 Green Dominan lamun Pasir 4(P) 1383 Yellow Dominan pasir Pasir campur 5(PK) 375 Maroon Campuran pasir dan karang karang Pasir campur 6(PL) 279 Purple Hamparan pasir ditumbuhi lamun lamun Daratan 7(D) 612 Red Pemukiman penduduk dan karang mati yang timbul di permukaan air Laut 8(L) 2764 Blue Perairan terendam lebih dalam Total jumlah 7,737 pixel
3) Model Pembelajaran/Training ANN Pelatihan (training) ANN dalam penelitian ini ditempuh dengan dua cara pembelajaran (learning), yaitu unsupervised learning (algoritma SOM) dan supervised learning (algoritma Backpropagation). Algoritma SOM (self organizing map) Desain unsupervised learning menggunakan algoritma SOM (Kohonen 1984) memiliki kemampuan atau pengorganisasian mandiri tanpa adanya pendefinisian
kelas
sebelumnya,
sehingga
membentuk
suatu
klaster.
Pendekatan ini memerlukan Parameter training (Tabel 3-3) dengan input minimal dari user (unit input layer) untuk membagi jumlah kelas/klaster yang dihasilkan (unit output layer): a. Unit input layer xi diaktifkan oleh input data citra. Input nilai pixel citra secara linear dibuat dari skala 0.0 dan 1.0 untuk input dengan Band minimum dan maksimum. b. Unit output layer yj merupakan output klaster. Output layer adalah kelompok yang paling dekat/mirip radius ketetanggan pixel dari masukan yang diberikan.
30
Wji X0=1
Y1
X1
Y2
X2
Y3
•• ••
Yj
Xi Input layer
Dimana: xi : input variabel dari node i dalam input layer yj : output node k dalam output layer (nilai prediksi untuk node j) wji : bobot koneksi node i input layer dengan node j dalam output layer
Output layer
Gambar 3-4 Jaringan Algoritma ANN-SOM Pelatihan jaringan Algoritma ANN-SOM (Gambar 3-3) melalui langkah berikut: (1) Inisialisasi: •
bobot-bobot wij (biasanya random antara 0 - 1)
•
laju pemahaman awal dan faktor penurunannya
•
bentuk dan jari-jari (=R) topologi sekitarnya
(2) Jika kondisi henti gagal, lakukan langkah 3-8. (3) Untuk setiap vektor masukan x, lakukan langkah 3-6 (4) Untuk setiap j, hitung:
................................................................. (3-3) dimana
adalah input neuron ke i pada iterasi n, dan
adalah bobot dari
input neuron i ke output neuron j pada iterasi n. (5) Tentukan indeks j sehingga dj minimum (6) Untuk setiap neuron j disekitar J modifikasi bobot:
wji baru = wji lama + α(xji – wji lama) ........................................ (3-4) (7) Perbaiki kecepatan pembelajaran (mulai dengan 0.5 dan turunkan 0.001) (8) Uji kondisi penghentian Kondisi penghentian iterasi adalah selisih antara wji saat itu dengan wji pada iterasi sebelumnya. Apabila semua wji hanya berubah sedikit saja, berarti iterasi sudah mencapai konvergensi sehingga dapat dihentikan.
31
Algoritma Backpropagation Algoritma ANN BP dengan parameter pelatihan (Tabel 3-4) didesain berikut: (1) Kontribusi Ambang (threshold) dengan nilai 0-1. Kontribusi training threshold menentukan besarnya kontribusi bobot internal dengan baik ke tingkat aktivasi node. Hal ini digunakan untuk mengatur bobot perubahan untuk bobot internal node. Pelatihan algoritma interaktif menyesuaikan bobot antara node dan secara opsional ambang node untuk meminimalkan kesalahan antara lapisan output dan respon yang diinginkan. Pengaturan kontribusi thereshold training ke nol tidak mengatur node bobot internal. Penyesuaian bobot internal juga dapat menyebabkan klasifikasi yang lebih baik, tetapi terlalu berat banyak juga bisa menyebabkan generalisasi miskin. (2) Tingkat Pelatihan (training rate) dengan nilai 0-1. Tingkat pelatihan menentukan besarnya penyesuaian bobot. Tingkat yang tinggi akan mempercepat
pelatihan,
tetapi
juga
meningkatkan
resiko
goyangan
(oscillation) atau tidak bertemu di satu tempat (non-convergence) dari hasil pelatihan. (3) Momentum Pelatihan (training momentum) dengan nilai 0-1. Memasukan tingkat momentum lebih besar dari nol memungkinkan untuk mengatur tingkat pelatihan yang lebih tinggi tanpa osilasi. Tingkat momentum yang lebih tinggi melatih dengan langkah lebih besar dari momentum yang lebih rendah. Pengaruhnya adalah untuk mendorong perubahan bobot selama proses berlangsung. (4) Kriteria RMS, masukan nilai kesalahan RMS dimana pelatihan harus berhenti. Jika kesalahan RMS seperti yang disajikan dalam plot selama pelatihan turun dibawah nilai masuk, pelatihan akan berhenti, bahkan jika jumlah iterasi belum terpenuhi. Klasifikasi ini kemudian akan dieksekusi. (5) Pelatihan Iterasi, jumlah iterasi pelatihan diatur hingga maksimum 10.000 dengan waktu terlatih sekitar 30 menit untuk area penelitian kecil. a. Unit input layer yang diaktifkan oleh input data citra. Input nilai pixel citra secara linear dibuat dari skala 0.0 dan 1.0 dengan Band minimum dan maksimum. b. Hidden layer diantara input layer dan output layer. Hitung unit input layer ke unit hidden layer (pers. 3-5) dan hidden layer ke unit output layer (pers. 3-6).
32
c. Unit output layer merupakan output kelas. Output kelas tersebut adalah habitat terumbu karang. d. Target digunakan untuk pembanding output. Target diperoleh dari training area atau region of interest (ROI). Proses belajar dihentikan jika nilai prediksi cukup dekat dengan nilai target melalui perhitungan kesalahan (pers. 3-11). Pembelajaran algoritma BP tersebut diatas secara lengkap dan sistematik yaitu: (1) Inisialisasi bobot: a. Normalisasi input data Xi dan target tk dalam range nilai (0,1) b. Acak bobot Wij dan Vjk menggunakan nilai (0,1) c. Inisialisasi threshold menggunakan unit aktivasi, Xo =1 dan Ho = 1.
H0=1 Vjk
Wij X0= 1
H1 Y1
X1
H2
X2
H3
• • • •
• • • •
•• ••
Yk
Xi Input layer
Output layer
Hj Hidden layer
Dimana: xi : input variable dari node i dalam input layer hj : output node j dalam hidden layer yk : output node k dalam output layer (nilai prediksi untuk node k) wij : bobot koneksi node i dalam input layer dan j dalam hidden layer vjk : bobot koneksi node j dalam hidden layer dan node k dalam output layer
Gambar 3-5 Jaringan algoritma ANN-BP dengan satu hidden layer (2) Prediksi t dengan Y dengan langkah umpan maju: a. lakukan training set xi dan tk b. hitung bobot input layer-hidden layer menggunakan fungsi aktivasi hj:
………………………………...………..………….. (3-5) c. Hitung bobot hidden layer-output layer menggunakan fungsi aktivasi yk:
33
……………………...…………………..………. (3-6) (3) Minimalkan
kesalahan
bobot
dengan
penyesuaian
Vjk
dan
Wij
menggunakan langkah umpan balik. a. Hitung kesalahan dari node dalam output layer (δk) untuk disesuaikan dengan bobot vjk. ……………….....….…..…..........(3-7) …………………….....…..........….(3-8) b. Hitung kesalahan dalam node input layer yang disesuaikan dengan bobot Wij ………………………..….........(3-9) …….....……...……………...……...... (3-10) (4) Pindahkan pada pelatihan data selanjutnya, dan ulangi langkah 2. Proses pembelajaran berhenti jika Yk cukup mendekati target Tk Penentuannya dapat berdasarkan error E, proses pembelajaran berhenti ketika E<0.0001.
dimana
……...………….(3-11)
Dimana: Tkp = nilai target data p dari training set node k Yp = nilai prediksi data p dari training set node k Jaringan dapat digunakan untuk memprediksi t melalui x setelah training selesai. Algoritma Adaptive Boosting Algoritma Adaptive Boosting (AdaBoost) merupakan standar klasifikasi ANN yang difokuskan pada struktur MLP (Richards and Jia 1999 dan Duda et al. 2001). Algoritma AdaBoost (Gambar 3-5) dibedakan dengan algoritma BP pada jumlah layernya, yaitu memiliki tiga layer dan dua hidden layer. Mekanisme pelatihan data menggunakan kalman filtering (Bishop 1995). Prosedur pelatihan
34
Kalman filter adalah fungsi kuadrat linear square error output jaringan yang menyimpulkan semua bobot pengamatan:
dan
dengan jumlah acak.
(2) Pilih pasangan acak (g(v+1), l(v+1) dengan distribusi probabilitas p(v) yang tepat dan menentukan vektor output layer tersembunyi menurut persamaan:
. dan network output berdasarkan:
set
dan
(3) Tentukan Kalman yang didapat untuk semua neuron berdasarkan:
35
(4) Update synaptik bobot matrik (umpan mundur dengan jaringan):
Gambar 3-5 Penentuan bobot synaptic untuk isolasi output neuron dengan Kalman Filter (5) Tentukan bobot matriks kovarian baru
(6) Jika fungsi keseluruhan cukup kecil, berhenti lalu atur v=v+1 dan kembali ke langkah (2).
Sedangkan pembelajaran algoritma ANN-AdaBoost secara sistematik dijalankan sebagai berikut:
36
(1) Set p1(v) = 1/n, v = 1 ... n, dimana n adalah jumlah observasi dalam susunan data training area. Set i = 1. (2) Set r = 0. (3) Buat sebuah jaringan neural network N (i) yang baru dengan bobot synaptic acak. Latih N dengan algoritma (1) dan distribusi sampling pi(v). Setelah pelatihan selesai, biarkan Ui menjadi himpunan pengamatan yang salah diklasifikasikan. (4) Kalkulasi Єi = ∑vЄUipi(v). Jika Єi<1/2 maka lanjut, jika r<5 maka set r = r+1, putuskan misalnya N(i) dan kembali ke langkah (3), lalu berhenti. (5) Hitung Єi / (1- Єi ) dan update distribusi sampling:
dimana 1
0
1
0
1
1
0
1 1
g1(V)
g2(V)
gN(V)
N1
J’1
Ni
J’i
Ji
•• ••
•• •
•• •
•• ••
L
K
N
Input layer
L’
Hidden layer 1
J1
Hidden layer 2
•• ••
k
m1(V)
MK(V)
MK(V)
Output layer
Dimana: Ni L’ L K v 0
: input variable dari node input layer i : output node j (hidden layer 1) : output node j (hidden layer 2) : kelas output node k dalam output layer : Identitas dari contoh training : bias input
Gambar 3-6 Jaringan algoritma AdaBoost dengan dua lapisan hidden layer
37
(6) Set i = i + 1. Jika i>75 maka berhenti, lalu kembali ke langkah (2). Proses pembelajaran berhenti ditunjukkan dengan jumlah iterasi dan nilai quadratic error yang diinginkan. Proses berhenti ini merupakan ukuran validasi sistem. Data validasi merupakan set data pasangan input-output pembelajaran yang dibagi kedalam dua set data, yaitu data training dan data validasi. Data training tersebut setelah dilakukan proses pembelajaran, selanjutnya divalidasi menggunakan satu set data input-output baru yang bertujuan untuk menghubungkan dengan baik pasangan data input-output. 3.5 Analisis Penilaian Akurasi Pengamatan objek di lapangan dilakukan secara ‘rapid mobile’ dan menganut prinsip ‘penutupan lahan dominan’ untuk membuat klasifikasi daerah pengamatan dan kodefikasi untuk keperluan simplikasi (Tabel 3-5). Pengambilan data lapangan tersebut dengan cara kombinasi pandangan mata dan penggunaan kamera digital dari permukaan air (dari atas perahu yang bergerak). Di setiap lokasi tertentu, jenis penutupan lahan ditentukan dan dicatat posisinya dengan GPS. Data GPS tersebut kemudian dianalisis akurasi posisinya untuk dipergunakan dalam uji akurasi tematik selanjutnya. 3.5.1 Akurasi Posisi GPS Akurasi posisi hasil survei GPS dengan pendekatan DGPS untuk keperluan uji akurasi dihitung menggunakan formulasi:
dimana
, ...................(3-13)
Dimana; E1 = nilai terkoreksi posisi lintang dan bujur ke ij Ê = rata-rata nilai posisi lintang dan bujur E = nilai posisi lintang dan bujur ∆E = selisih nilai E terhadap nilai rata-rata perhitungan dalam satu hari 3.5.2 Akurasi peta tematik Akurasi peta tematik dianalisa dengan uji ketelitian matrik konfusi (Congalton dan Green 1997; 2009). Matrik konfusi ditentukan berdasarkan persentase akurasi klasifikasi dari perbandingan antar kelas habitat ekosistem terumbu karang yang terbentuk dengan jumlah pixel yang benar masuk pada training area hasil survey lapangan (Tabel 3-6).
38
Tabel 3-6 Matrik konfusi (confussion matrix) Training Area Hasil Klasifikasi A B ... ... ... D Total Kolom Producer accuracy Overall accuracy
A nii ... ... ... ... ... nk+ nkk/n+k
B................. .................... .................... .................... .................... .................... .................... .................... ....................
... ... ... ... ... ... ... ... ...
D ... ... ... ... ... n+k ... ...
Total Baris n+k n+k ... ... ... ... ... ... n ...
User accuracy nkk /n+k ... ... ... ... ... ... ... ...
Berdasarkan matrik tersebut dihitung secara matematis uji overall accuracy, producer accuracy, dan user accuracy:
overall accuracy
=
producer accuracy = user accuracy =
∑n n
kk
× 100% ; ………………….......…….(3-14)
nkk × 100% ; ……………………...…..........(3-15) nk +
nkk × 100% ; …………………………....………..(3-16) n+k
Dimana; - Overall accuracy adalah persentase pixel-pixel yang tepat dikelaskan, - Producer accuracy adalah peluang rata-rata (%) suatu pixel menunjukkan sebaran masing-masing kelas hasil klasifikasi lapangan. - User accuracy adalah peluang rata-rata (%) suatu pixel secara aktual mewakili kelas-kelas hasil klasifikasi citra.
