asi
:ngembangan, dan implementasi sistematik berdasarkan hasil kajian
, Years of Direct Georeferencing For lmetric Week 2005.
tematik Data Airborne. Bimbingan
letrik dan Radiometrik. LAP AN.
Khursatul Munibah, Boedi Tjahjono , Departemen IImu Tanah dan Sumber Daya Lahan, Fakultas Pertanian, IPB Email:
[email protected][email protected]
eometri Sistematik Data Imager Satelit, flatik Geometrik dan Radiometrik. rrection.
Suranaree
University
of
Abstrak er Combination ofDirect and Indirect
as. Hannover. evation_model
Citra Satelit LAPAN A3IIPB akan menggunakan kana! tampak mata dan inframerah dekat yang panjang gelombang elektromagnetiknya sarna dengan citra Landsat. Penelitian ini menggunakan kanal tampak mata dan inframerah de kat dari citra Landsat untuk klasifikasi penutupan lahan dalam rangka untuk mendukung pengembangan Satelit LAPAN A3IIPB. Tujuannya ada!ah analisis karakteristik spektra! dari kanal tampak mata dan inframerah dekat untuk klasifikasi penutupan lahan dan analisis akurasi rerhadap ketiga teknik klasifikasi dengan didasarkan pada koefisien kappa. Pemilihan kombinasi kana! didasarkan pada nilai OIF. Teknik klasifikasi yang digunakan adalah parallelepiped, minimum distance, dan maximum likelihood. Hasil menunjukkan bahwa (1) karakteristik kana! 2 dan 3 relatif mirip yang ditunjukkan dengan selisih nilai rata-rata dan nilai standar deviasi yang keci!, (2) parallelepiped memiliki nilai akurasi tertinggi pada kombinasi kana! 234 dengan batas bawah dan atasnya ada!ah f1 ± 2*, (3) minimum distance dan maximum likelihood memiliki nilai akurasi tertinggi pada kombinasi kana! 1234, (4) maximum likelihood memiliki nilai akurasi yang paling tinggi. Kata kunci: Landsat, parallelepiped, minimum distance, maximum likelihood
Abstract Salelit LAPAN A3/IPB will use visible dan infrared band that its .lectromagnetic wave length is the same with Landsat imagery. This research _-e visible and near infrared band for classification of land cover, in term
• • PENGEMBANGAN SATELIT MIKRO LAPAN: Sistem, Subsistem, dan Misi Operasi
of supporting for development of Satelit LAPAN A3IIPB. The purpose are to analysize the spectral characteristics of visible and infrared band and to analysis the accuracy of classification techniques (for land cover) based on the kappa coefficient. Optimum Index Factor (OIF) is used to determine the combination of band which provides the best contrast. The land cover classification techniques used are parallelepiped, minimum distance, and maximum likelihood. The results showed that (1) the spectral characteristics of Landsat band 2 and 3 are relatively similar shown by a small different between its mean value and have small standard deviation value, (2) the highest accuracy of parallelepiped is on combination of band 234 where the upper and lower limit are f.! ± 2 * Std, (3) the highest accuracy value of minimum distance and maximum likelihood is on combination of band 1234, and finally (4) the highest accuracy values is maximum likelihood. Keywords: Landsat, parallelepiped, minimum distance, maximum likelihood , .
1. Pendahuluan
teknik diperol spasial Te likeliho, kesensil dasarny terhada , elektron dengan memilik nilai pik tersebut arahan r dan As-s analisis}
1.1 Latar Belakang
1.2 Tuj
Lembaga Penerbangan dan Antariksa Nasional (LAPAN) sedang mengembangkan Satelit Lapan A2/0rari dan Lapan A3IIPB, setelah sukses meluncurkan Satelit Lapan Tubsat pada 1 Januari 2007. Satelit Lapan A3IIPB yang rencana diluncurkan pada tahun 2014 memiliki fungsi yang sangat strategis terkait dengan kemampuannya untuk dapat mengamati perkembangan lahan pertanian. UU RI No.41 Tahun 2009 tentang Perlindungan Lahan Pertanian Berkelanjutan, maka citra Satelit Lapan A3/ IPB ini akan sangat membantu dalam implementasi UU tersebut. Lapan A3IIPB direncanakan menggunakan 4 kana!, yaitu kanal tampak mata (biru, hijau, dan merah) dan inframerah dekat dengan resolusi spasial 18 m (120 km swath width) dan 6 m (12 x 12 km) (LAPAN 2012). Panjang gelombang kanal biru, hijau, merah, dan inframerah masing-masing (0,45 0,52) f.!m, (0,52-0,60) f.!m, (0,63-0,69) f.!m, dan (0,76-0,90) f.!m (LAPAl"-' 2012). Panjang gelombang dari kanal citra Satelit Lapan A3IIPB sarna dengan citra Landsat, tetapi resolusi spasialnya yang berbeda. Saat ini, teknik klasifikasi data penginderaan jauh telah berkembang dengan pesat. Pada Tahun 1996, teknik klasifikasi yang banyak digunaka, adalah parallelipiped, minimum distance dan maximum likelihood. Pada tulisJ :' ini, teknik klasifikasi tersebut dilakukan kembali pada citra Landsat dengcT mengombinasikan jumlah kanal yang digunakan untuk klasifikasi. Bit..:
°
114
Pene l. anaH infra 2. anaH: , koefo
2. M et
2.1 LoIG
PEMANFAATAN KANAl TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN LAHAN • •
• dan Misi Operasi
i\N A3/IPB. The purpose are ole and infrared band and to ues (for land cover) based on r (OlF) is used to determine best contrast. The land cover iped, minimum distance, and (1) the spectral characteristics ar shown by a small different ldard deviation value, (2) the lbination of band 234 where i) the highest accuracy value of on combination of band 1234, naximum likelihood. distance, maximum likelihood
teknik ini diaplikasikan pada citra Satelit Lapan A3IIPB kemungkinan akan diperoleh hasil yang relatif sama, tetapi perlu dicermati pengaruh dari resolusi spasial yang berbeda di antara keduanya. T eknik klasifikasi parallelipiped, minimum distance, dan · maximum likelihood mengklasifikasi nilai piksel yang merupakan fungsi dari tingkat kesensitifan panjang gelombang elektromagnetik terhadap objek. Pada dasarnya, setiap objek memiliki karakteristik dan respon yang berbeda terhadap suatu panjang gelombang elektromagnetik dan panjang gelombang elektromagnetik tertentu memiliki respon yang berbeda ketika berinteraksi dengan objek. Namun demikian, masih sering dijumpai objek yang sama memiliki nilai piksel yang berbeda dan sebaliknya objek yang berbeda memiliki nilai piksel yang sama pada data citra. Banyak faktor yang memengaruhi hal tersebut seperti kondisi atmosfer, azimut matahari, sudut ketinggian matahari, arahan relatif sensor terhadap nadir, dan konsisi objek tersebut (Model ina dan As-syakur 2012). Tingkat akurasi dari hasil klasifikasi ini dinilai melalui . . analisis Koefisien Kappa.
1.2 Tujuan ;a Nasional (LAPAN) sedang LO Lapan A3/IPB, setelah sukses 10 Januari 2007. Satelit Lapan hun 2014 memiliki fungsi yang annya untuk dapat mengamati No.41 Tahun 2009 ten tang an, maka citra Satelit Lapan A3/ lementasi UU tersebut. ,akan 4 kana!, yaitu kanal tampak ~rah dekat dengan resolusi spasi aJ : 12 km) (LAPAN 2012) . Panjan g inframerah masing-masing (0,45 tm, dan (0,76-0,90) p.m (LAPA.' " Satelit Lapan A3/IPB sama deng~, r.
19 berbeda. . ginderaan jauh telah ber~embat;~ klasifikasi yang banyak dlgunab . n maximum likelihood. Pada tuli ,.} K.embali pada citra Landsat deng;.;. digunakan untuk klasifikasi. :
Penelitian ini bertujuan untuk melakukan : 1. analisis karakteristik spektral citra Landsat pada kanal tampak mata dan inframerah untuk klasifikasi penutupan lahan 2. analisis akurasi teknik klasifikasi untuk penutupan lahan didasarkan pada , koeJisien kappa
2. Metode Penelitian 2.1 Lokasi Penelitian Lokasi pene/irian rerlerak di wilayah Kabuparen Pelalawan di bagian Barar (Gambar 1) dengan koordinar (102°30'0" BT, 0°15 '36" LU) (102°34'48" BT, 0°15'36" LU) dan (102°30'0" BT, 0°25 ' 12" LS) (102°34'48 " BT, 0°25 ' 12" LU) 50 .
.0 . .
. . . •
W MIf.~
j· ~iiiIiiiiiiiiiii~~~ ~
•
Gambar 1 Lokasi Penelitian
• • PENGEMBANGAN SATE LIT MIKRO LAPAN: Sistem, subsistem, dan Misi Operasi
2.2 Bahan dan Alat
Region OfIn.
Bahan yang digunakan dalam penelitian ini adalah citra Landsat yang diakuisisi pada 16 Oktober 2010, Peta RBI skala 1:50.000 dan Peta Penggunaan Lahan Kabupaten Pelalawan tahun 2007. Adapun alat yang digunakan adalah seperangkat komputer yang dilengkapi dengan software ENVl 4.4. dan Arview 3.3.
2.3 Metodologi Penelitian ini terbagi dalam 3 tahapan analisis, yaitu kombinasi kanal, klasifikasi terbimbing, dan akurasi hasil klasifikasi (Gambar 2). Kombinasi kanal. Untuk penggunaan umum, tanpa spesifikasi tertentu , Chavez et al. (1982) dalam Jensen (1996) mengembangkan konsep optimum index faktor (OIF) untuk menilai informasi yang disajikan pada citra dari berbagai kombinasi kanal yang digunakan. Rumus OIF adalah se13agai berikut.
OIF=I.~k=J)SkI.~=I )Abs(rj) ................... ...... .................... ............................... (1)
Di mana: Skadalah standar deviasi untuk kanal k; rj adalah nilai absolut dari koefisien korelasi antara dua dari tiga kanal yang akan dievaluasi. Tiga kombinasi kanal dengan nilai OIF tertinggi pada umumnya memiliki lebih banyak informasi. Semakin tinggi nilai stan dar deviasi berarti semakin banyak informasi yang ditampilkan pada citra, sedangkan semakin kecil nilai koefisien korelasi berarti semakin kecil duplikasi informasi dari kedua kanal tersebut Gensen 1996)
Data Sekunder : - Peta RBI 1 :50000 - Peta RTRW - Peta Penggunaanl Penutupan Lahan 2007
representasi tipe pc dilakukan verifik~ mendapatkan kebel hendaknya dipilih kualitas yang tinggi
KIasifikasi del didasarkan pada nil (Region Of Interestl) penentuan batas keL
/-Ick - Std ck :5 BVjjk :5 f-t Di mana: /l adalah nil jumlah kana kolom dan l:
Dalam klasifik~ suatu kelas tertentu ji bawah dan atas dari R tersebut, nilai piksel j ini, penentuan batas l 2*;(3) /-I±3*;(4)/-Ij
KIasifikasi deng
yang didasarkan pada (Region OfInterestlRO Auclidean, yaitu:
Oi mana: adalah jarak I pada setiap ke. jumlah kana!.
KIasifikasi dengat ~:ang
mengasumsikan l ~nal terdistribusi seca. :Jiksel untuk dikelompo -IJsifikasi maximum lIik
Gambar 2 Tahapan penelitian
116
PEMANFAATAN KANAl TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN lAHAN • •
;tem, dan Mlsi Operasi
ditian ini adalah citra Landsat 'eta RBI skala 1:50.00 0 dan Peta I tahun 2007. Adapun alat yang yang dilengkapi dengan software
an analisis, yaitu kombinasi kanal, asifikasi (Gambar 2). .mumu m , tanpa spesifikasi tertentu , mengembangkan konsep optimun: masi yang disajikan pada citra dar~ umus OIP adalah sebaga1 1kan. R
(1)
....... .................. .. .. .... ...... ............
la1k; f). adalah nilai absolu t dari koefisien dievaluasi. . . pa d a umu mnya memiliki . )IP terungg1
nilai standar deviasi berarti sema~n la citra, sedangkan semakin kecil nIlal duplikasi informasi dari kedua kanal
Region OfInterest (ROI) adalah bagian dari citr~ yang dipilih sebagai representasi tipe penutupan lahan yang diwakllinya. Oleh karena itu, perlu dilakukan verifikasi lapang dan didukung dengan data sekunder untuk mendapatkan kebenaran tipe penutupan lahannya. Pemilihan ROJ pada citra hendaknya dipilih yang homogen supaya diperoleh hasil klasifikasi dengan kualitas yang tinggi. Klasifikasi dengan pendekatan parallelepiped adalah klasifikasi yang didasarkan pad a nilai standar deviasi dari nilai rata-rata untuk setiap kelas (Region 0/ Interest/RaJ) pada setiap kanalnya Gensen 1996). Rumus untuk penentuan batas kelas adalah: flck- Stdck ::; BVjjk::; flck + Stdck .............. .... ..... .................. ....... ..................... (2)
Di mana: fl adalah nilai rata-rata, c adalah jumlah kelas penutupan lahan, k adalah jumlahkanal, BVadalah nilai piksel, S adalah standar deviasi, dan ij adalah kolom dan baris dari lokasi piksel yang dievaluasi.. Dalam k1asifikasi ini untuk semua kanal nilai piksel dikelaskan dalam suatu kelas tertentu jika nilai piksel tersebut berada dalam kisaran antara batas bawah dan atas dari ROJ kelas tersebut. Jika nilai piksel tidak memenuhi syarat terse but, nilai piksel itu termasuk dalam kelas unclassified Dalam penelitian ini, penentuan batas bawah dan atas dibuat 5 model yaitu (1) fl ± 1*; (2) fl ± 2*; (3) fl ± 3*; (4) fl ± 4* dan (5) fl ± 5*. Klasifikasi dengan pendekatan minimum distance adalah klasifika~i yang didasarkan pada jarak minimum dari nilai rata-rata pada setiap kelas (Region a/Interest/RaJ) Gensen 1996). Jarak dihitung berdasarkan pada jarak AucLidean, yaitu:
Da- b
Data Sekunder : • Peta RBI 1 :50000 . Peta RTRW • Peta Penggunaanl Penutupan Lahan 2007
Maximum Likelihood
lhapan peneli tian
= ILf=l Cai -
bJ2 ............................................... (3)
Oi mana: adalah jarak nilai pikse! yang dievaluasi (a) dengan rata-rata nilai piksel pada setiap kelas (Region O/Interest/ROJ), i adalah kanal ke-i, dan n adalah jumlah kanal . Klasifikasi dengan pendekatan maximum likelihood adalah k1asifikasi \'ang mengasumsikan bahwa nilai statistik untuk setiap kelas pada setiap kanal terdistribusi secara normal dan menghitung nilai probabilitas suatu piksel untuk dikelompokkan pada kelas tertentu Gensen 1996). Rumus dari :·Jasifikasi maximum LLikeLihood adalah:
117
• • PENGEMBANGAN SATE LIT MIKRO LAPAN: sistem, subsistem, dan Misi Operasi
Pc = {-O,5Iogc [det(Vc)]} - [O,5(X_Mc)T Vc-I(X_Mc)] ........................... (4) Di mana:
Pc adalah probabilitas suatu piksel (unknown pixel) terhadap kelas c, det(VdI adalah determinan dari matrik covarian V c, V c adalah matriks covarian dari kelas c, Me adalah matriks rata-rata dari kelas c, X adaJah vektor dari piksel yang akan diklasifikasi (unknown pixel), T adalah transpose matriks.
3.2N
Se 0-255, yang sa kanal d
Tabel 1
3. HasH dan Pembahasan 3.1 Kombinasi Citra Landsat Berdasarkan pada analisis faktor indeks optimum (OIF), diperoleh hasil bahwa nilai OIF tertinggi (23,66) dimiliki oleh kombinasi ka,nal 432 (RGB) yang disusul dengan kombinasi kanal 421 (RGB) dan 321 (RGB) dengan masing-masingnilai OIF 21 ,50 dan 10,14. Namun, nilai OIF antarakombinasi 432 (RGB) dengan 421 (RGB) tidak berbeda jauh, hal inl menunjukkan bahwa kombinasi kana I 432 (RGB) dan 421 (RGB) memberikan tampilan objek yang mirip dengan tingkat kekontrasan tidak berbeda nyata (Gambar
3).
Berc
memiliki
tampilan hampir sc histrograr berdekata demikian, dikanalini selisih rna: dengan ka Untu tindih, tet, citra, karer nilai rata-r untuk mer kombinasi analisis
on
Gambar 3 Tampilan citra landsat (a) 321 (RGB), (b) 432 (RGB) dan (c 421 (RGB)
118
PEMANFAATAN KANAl TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN lAHAN • • 11,
dan Misi Operasi
3.2 Nilai Statistik dari Citra Landsat KanaI1234 ·1 (X:Mc))
........................... (4)
(unknown pixel) terhadap kelas. c,
·1 covartan . Vc' V c adalah mamks lah riks rata-rata dari kelas c, X ada iflkasi (unknown pixel), T adalah
.J{
Secara statistik, kisaran nilai piksel untuk semua kanal adalah sarna, yaitu 0-255, tetapi nilai rata-rata dan standar deviasinya yang berbeda antara kanal yang satu dengan kanal lainnya (Tabel 1). Histogram dari masing-masing kanal disajikan pada Gambar 4. Tabel 1 Nilai statistik citra landsat kanal 1234 Karlal
. m (OIF) , diperoleh hasil ,optlmu oleh kombinasi kanal 432 (RGB) (RGB) dan 321 (RGB) de~ga~ ~amun, nilai OIF antara kombtnasl . h hal ini menunjukkan rea . b d pu , i2l (RGB) memberikan tampJlan lsan tidal<. berbeda nyata (Gambar
Min
Mean
Std
Kanall
0
255
71
11,92
Kanal2
0
255
31
6,63
Kanal3
0
255
26
8,92
Kanal4
0
255
94
19,79
Berdasarkan Tabel 1, dapat dinyatakan bahwa ~ntara kanal2 dan kanal3 memiliki tingkat kekontrasan yang tidak jauh berbeda, sehingga memberikan tampilan yang mirip. Hal ini dapat ditunjukkan dari nilai rata-rata yang hampir sarna dan stan dar deviasi yang keci\. Penomena itu juga nampak pada histrogram (Gambar 4), di mana puncak histogram dari kanal 2 dan 3 relatif berdekatan dan sebagian dari histrogram saling tumpang tindih. Namun demikian, kanal 2 dan 3 memberikan tingkat kekontrasan yang nyata bila dikanalingkan dengan kanal 1 atau pun kanal 4. Hal ini dapat dilihat dari selisih masing-masing nilai rata-rata dan standar deviasi antara kanal 2 atau 3 dengan kanal 1 atau 4, yang relatif lebih tinggi. Untuk kanal 1 dan 4, walaupun sebagian histogramnya saling tumpang tindih, tetapi tidak berpengaruh nyata terhadap tingkat kekontrasan tampilan citra, karena tingkat kekontrasan lebih dominan dipengaruhi oleh perbedaan nilai rata-rata dan standar deviasi kedua kanal tersebut. Oleh karena itu, untuk memperoleh tampilan yang kontras pada citra Landsat dapat dipilih kombinasi kanal 421 (RGB) atau 432 (RGB). Hal ini sesuai dengan hasil analisis OIP (subbab 3.1.)
321 (RGB), (b) 432 (RGB) dan k
119
• • PENGEMBANGAN SATE LIT MIKRO LAPAN: sistem, subsistem, dan Misi Operasi
T
1800000 F
e k
K
1600000 1400000 1200000
u
1000000
e
800000
n
600000
5
400000
-
band 1 -
band 2
-
band3 -
band4
.11
3
\
200000 0
\ -"".
'"'
~
'\..
M~mM~M~mM~M~mM~M~mM
MN~~~oomMN~~~oomMNM~
MMMMMMMNNNN
4
Nilai Piksel
Gambar 4 Histogram nilai piksel citra landat kanal )234
3.3 Nilai Statistik dati Region ofInterest (ROJ) Tipe penutupan di daerah penelitian dapat dibedakan menjadi 11 kelas, yaitu hutan rawa (Htrw), hutan (Ht), hutan akasia (Htaks), perkebunan kelapa sawit yang berbeda umur (Pswtl, Pswt2, Pswt3), permukiman (Pkm) , pertanian lahan kering (Pertkrg), semak belukar (5mb), tanah terbuka (Tterbk), dan tubuh air (Tair). Dengan demikian, penelitian ini memiliki 11 Region OfInterest (ROI) dengan nilai statistik seperti disajikan pada Tabel 2 dan histogram pada Gambar 5. Dalam hal ini puncak dari histogram seperti terlihat pada Gambar 5 menunjukkan tipe penutupan lahan yang dominan 0ensen 1996). Pad2 Gambar 5 dapat juga diamati bahwa histogram dari beberapa ROI memilik ; lebih dari satu puncak histogram (misalnya ROI_htaks) dan kisaran nilai piksd yang terlalu lebar (misalnya ROCpkm) sehingga terjadi saling berpotonga, antar ROI. Hal ini yang memengaruhi kualitas hasH klasifikasi Tabel2. Nilai statistik dari region ofinterest pada setiap kanal T rerbuka 1
Pswr3 Jml piksel
120
1240 1387
1427
1456
1274
1213
1089
1332
1388 I:'
Min
61
61
71
63
62
65
71
70
Maks
71
71
97
70
78
75
121
97
78
117
Raraan
65
65
88
66
71
70
91
81
70
97
79
(Gar. yaitu Pkm, PSwt: pune
kelorr kelorr F
dari tt lain (C mudal Pkm, ' pikseln terpisal mudah memili.
PEMANFAATAN KANAL TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN LAHAN • •
tem, dan Misi Operasi
T abel 2. Nilai sratisrik dari region ofinterest pada setiap kanal (lanjuran)
-._......
p~
_
band 1 _
band 2
_
band 3 _
band 4
5rdev
2
6,17
1,47
3,33
2,04 10,35
7,07 3,86
6,02 4,21
24
25
29
26
26
27
32
31
28
37
Maks
29
30
44
29
37
34
69
49
38
64
56
48
28
Raraan
Min
26
27
31
0,8
39 3,92
27
1,07
0,63
2,5
30 1,65
6,99
18
18
26
18
19
23
27
45
38
32
3,68 2,76 24
20
4,06 5,19
20
37
15 66
Maks
24
22
56
24
31
32
104
57
30
82
Raraan
20
20
46
21
27
50
38
24
59
29
1,15 0,72
7,74
0,73
25 2,8
1,63 11,45
8,12 2,58
6,75
8,53
93 124
68
54
71
102
66
14
104
122
134
130
101
91 . 20
5rdev
4
1,65
Min
5rdev
3
2,35
Min
73
78
55
94
Maks
90
102
77
lI8
81
90
68
105
J07
84
.87
92
116
81
2,92 3,77
3,18
4,82
5,27
8,6 11,52
15,61
4,35
5,3 8,26
Raraan Srdev
el citra landat kanal1234 Interest (ROI) ditian dapat dibedakan menjadi 11 t) hutan akasia (Htaks), perkebunan P~wt2, Pswt3), permukiman (Pkm),
1ak belukar (5mb), .t~nah t~:b~k~ demikian, penelitian 101 memlhki 1 ') :adstik sepern. d'IsaJl"kan pada Tabel . I'h t pada Gambar d )aram sepertl ter I a t:> • 996) . Pa .; an domlOan Oensen 1 . .. y g b ROI memlhk istogram dari be erapa ..' OI htaks) dan kisaran nllal plks . R 1ya b n 1) sehingga terjadi salin.g erpotonga kualitas hasil klasifikasl
1089 71
274 62 78 71
75 70
121 91
70
64
97 81
78
III
70
9
Histogram dari ROI pada kanal 1, 2, dan 3 memiliki pola hampir sama (Gambar 4), di mana puncak histogram menggerombol pada tiga kelompok, yairu (1) kelompok yang didominasi oleh puncak histrogram Htaks, Tterbk, Pkm, Perrkrg; (2) kelompok yang didominasi oleh puncak histogram Pswt2, Pswt3, 5mb, Pertkrg, dan Tair; dan (3) kelompok yang didominasi oleh puncak histogram Pswt1, Ht, Htrw, 5mb. Penutupan lahan dalam satu kelompok relatiflebih sulit dipisahkan, tetapi lebih mudah dipisahkan dengan kelompok yang lain . Fenomena yang berbeda nampak pada kanal4, di mana puncak histrogram dari tubuh air (Tair) rerpisah dengan tegas dengan puncak histogram yang lain (Gambar 4). Hal ini menunjukkan bahwa kelas rubuh air dapat dengan mudah dipisahkan dari kelas penurupan lahan lainnya. Kelompok histogram Pkm, Trerbk, Pswt3, dan Perrkrg relatif sulir dipisahkan karena kisaran nilai pikselnya saling overLap. Puncak histogram dari Htaks, Ht, Pswtl, 5mb terpisah dengan cukup jelas, sehingga tipe penurupan lahan tersebut relarif mudah dibedakan. Pswt2 sulit dibedakan dengan Pswr3 dan 5mb, karena memiliki kisaran nilai piksel yang saling overlap.
121
• • PENGEMBANGAN SATELIT MIKRO LAPAN: Sistem, Subsistem, dan Misi Operasi
3.4 ~
"'"
vn on 9Zt zn sn
0
~n
00
'"
.a
~
0,
'" 00
.
10
-.; '0.
....
E
0
Z
~
17L OL
~
99 Z9 S5 175
.....
1>11
0
i:
N
00
0 0
"
0
0
0
"
0
... Q
Q
'D
'"
" "
-"
(")
0
0
(")
'" '"
j
1
'"
0
...
(")
0
0 0
V)
-0
0
0
0 0
0 0
rl
Of 9Z
.... en
U
V ....
H
......
...
V
- 8. (")
,.. '" ....'"'" ",,' -" '" " " c::
c::
.S a c: a '5b
0
'"
~
_w,
_ In
!a.
'C
; S6
-0
.a
E
U)
...
V
66
n")
~
'"
.6
'"...
fS 6l SL
~
f')
.. ....
"lJ I:
-a
10
~ z
"lJ
55
Go
IS
£9 £9
6S
00:
L17 g-
.....
E
6£
0
Sf If
i:
Ll
1>11
t:
EZ
9 0
(") ~
0
0
(")
0
0
0
N
N
rl
'"'" '" '" 0 '" .... " -" " " ~
122
(")
0
0
'" -
rl
c::
~
0
(")
~
0
0
0
0 r-
(")
0
.... '" ., '"-" ~
0
0
"
OJ)
....a
-~
:r:
1:1.
'ii
~
0
0
.,'" c::
(") (") N
0
... (")
~
0
F'~rallet_b
S
- LS
6
Tabe!3
c:
'"a...
~
'-'
17£
~
0 0
'" '"a...
c; .~
ZI7 SE
0
(J>
'z
917
'" 0 0
'a
os
t:
<0
.~
J:
v
ZS -.;
E
'"
0
~
00:
~6
Go
N
1>11
8t
1234, < daripaa yang di 1998) . yang ke tinggi jl rendah I
06 98
"lJ
~
" '"'"
00:
. ...
10
" ..."
OJ
O. S6
'
~,
N
5*. Ak 6.
n
'" '"'" "lJ I:
p; untuk
'ii
~
'0.
~ z
If"\
...
'" S '" l?
Parallel- bI
..0
Pad a ( kana! yang batas bawa ini yang ak
PEMANFAATAN KANAl TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN lAHAN • •
n, dan Misi Operasi
3.4 Klasifikasi Terbimbing dengan Pendekatan Parallelepiped Pada penelitian ini dilakukan 5 model penentuan batas bawah dan atas untuk klasifikasi, yaitu (1) f.l ± 1*; (2) f.I ± 2*; (3) f.I ± 3*;(4) f.l ± 4*; dan (5) f.I ± 5*. Akurasi klasifikasi dari setiap model, disajikan pada Tabel 3 dan Gambar
vn on
9ll III
sn vn n
6.
0, 0, S6 176
06 9S 1:S ti SL ~ .0. vI. OL
99 1:9 S5
-;;; c:
~
·z ~
a... <'l
.~
\75
OS
It) Vl
9\1
<'l
1:\7 SE
-0
a... ~
Vl
9l
~
~
II
S, 4 0
Q
'"....
0
,,'
" "'" " "
'"'c:
0
'"
.5
\1T.
E
Klasifikasi
Parellelepiped denga n berbagai jumlah band
c..
o c:
0
0
·So
...
It)
EOT. Ll
T abel 3 Nilai akurasi hasil klasifikasi parallelepiped
<'l
vE OE
0 0
Untuk akurasi klasifikasi parallelepiped dengan menggunakan kanal 1234, atau kanal 234 nilainya tidak berbeda jauh, terapi nilai ini lebih tinggi daripada kombinasi kanal 124 ataupun 123. Semakin banyak jumlah kanal yang digunakanuntuk klasifikasi, maka akurasinya semakin tinggi (Munibah 1998). Selain itu, kombinasi kanal dengan nilai OIP tinggi (234 atau 124) yang kemudian digunakan untuk klasifikasi ternyata memiliki akurasi yang tinggi juga dibandingkan dengan kombinasi kanal dengan OIP yang lebih rendah (123).
.;:::
" 66 - 56
<'l
Parallel_b 123
-0
,6
Z
Std"l
26,3
Std*2
28,5
Std*2
58,2
Std*3
17,1 Parallel b234
Std*3
49,9
Std*4
10,9
Std*4
35,7
Std*1
31,1
10,5
Srd'5
21,3
29,3
Srd*1
25,8
Std*2
57,0
Srd*2
58,0
\f"\
~
Koefisien Kappa (%)
Std*5
::c .0.
Barns kelas = f1 ± std "n
Std"l
~
~
Kia ifikasi Koefisien Parellelepiped Kappa de.ngan betbagai (%) jumlah bam!
0
.~
ti
Batas kelas = f1 ± std • n
E <'l
...on
_ LS
~r
...
<'l
..D
E <'l
ParalieLb 124
Std*3
47,6 Parallel_b 1234
Srd'3
52,2
Srd*4
32,7
Std*4
35,7
Std*5
17,4
Std*5
21,3
\...?
Pada Gambar 6 terlihat bahwa nilai akurasi tertinggi dari setiap kombinasi kanal yang digunakan untuk klasifikasi adalah model 2, yaitu mempunyai batas bawah dan atas yang didasarkan pada f.l ± 2*. Oleh karenanya model 2 ini yang akan dibandingkan dengan teknik klasifikasi yang lain.
123
• •
PENGEMBANGAN SATELIT MIKRO LAPAN: Sistem, Subsistem, dan Misi Operasi
Tabe14
70.0 • Koefisien Kappa
60.0 P
52.2
49.9
47.6
.~:J.~~
50.0
e
35.7
40.0
s e
58.0
58.2
57.0
26.3
28.5
29.3
32.7
30.0 17.4
p .l
20.0
35.7
31.1
Parald
25.8 Ll.j
21.3'
10.9 10.5
n 10.0
Min
I I
0.0
Min eli! Min di! Min dj~ eli~
MIDLbl
Max bi
Max~b2.
Max bI: Gambar 6 Grafik nilai akurasi hasil k1asifikasi parellelepiped
3.5. Perbandingan Nilai Akurasi dari Ketiga Teknik Klasifikasi Terbimbing Pada Tabel4 dan Gambar 7, tampak bahwa teknik k1asifikasi maximum likelihood memiliki akurasi yang paling tinggi dibandingkan dengan teknik k1asifikasi yang lain. Fenamena ini terjadi pada semua kambinasi kanal yang digunakan umuk k1asifikasi. Hal ini dikarenakan parameter yang digunakan untuk penetapan kelas penutupan lahan dengan teknik maximum likehood lebih akurat dibandingkan dengan teknik yang lain. Pada Gambar 8 nampak bahwa hasil klasifikasi penutupan lahan dengan teknik maximum likelihood lebih sesuai dengan pala yang ada pad a citra aslinya dibandingkan dengan kedua teknik yang lain. Hasil klasifikasi penutupan lahan dengan teknik parallelepiped masih dijumpai piksel yang tidak terklasifikasikan (unclassified) yang ditunjukkan dengan warna hitam.
p
e 5
e n
90.( 80.( 70.C
60.0 50.0 40.0 30.0 20.0 10.0 0.0
Gambar 7 Tabel4 Nilai akurasi hasil klasifikasi parallelepiped, minimum distance, dan
maximum likelihood Teknik Klasifikasi
Koeflsien Ka
ParaleLb 123std*2
28,S
ParaleLb 124std*2
57,0
ParaleLb234std*2
58,2
124
PEMANFAATAN KANAl TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN LAHAN • •
)sistem, dan Misi Operasi
58.0
58.2
17RI1~:. • ·.~·I~e.\cillJt·I
52.2
49.9
-
Tabel4 Nilai akurasi hasil klasifikasi parallelepiped, minimum distance, dan maximum likelihood (lanjutan)
35.7
35.7 25.8
31.1
21.3
L1.'
7.4
l-
e
t-
Koenslen Kappa .(%)
Paralel b1234std"'2
58 ,0
Min dist b 123
43,1
MirLdisLb124 Min dist b234
639 67,6
Min disLb1234
69.3
Max_b123 Max.. b124
675 806
Max b234
80.2
Max b1234
85,1
hasil klasifikasi pareLLelepiped
si dari Ketiga Teknik
p
e
ak bahwa teknik klasifikasi maximum ~ tinggi dibandingkan dengan teknik jadi pada semua kombinasi kana! yang likarenakan parameter yang digunakan hin dengan teknik maximum likehood mik yang lain.
wa hasil klasifikasi penutupan lahan
ebih sesuai dengan pola yang ada pada
:edua teknik yang lain. Hasil klasifikasl
dlelepiped masih dijumpai piks~1 yan;
ang ditunjukkan dengan warna hltam.
si parallelepiped, minimum distance, d ~
r
s e n
90.0 80.0 70.0 60.0 50.0 40.0 30.0 20.0
67.6 69.3 67.5
'-
-
~
-
-
I-
'--
-
-
!"" .A..::l...1.
28.5
I-
-
u~.;J
57.0 58.2 58 .0
10.0 f 0.0 f-
Gambar 7
80.6 !su...!
I:J Koefisien Kappa
....
~
-
-
I-
~
-
I-
-
-
-
I-
-
I-
I-
,-
-
r-
-
-
I-
I-
-
-
I-
-
I-
I-
-
-
I-
Ir-
85.1
r-
r r
r-
r
ill I'~
Grafik nilai akurasihasil klasifikasi parellelepiped minimum distance dan maximum likehood
125
• • pENGEMBANGAN SATElIT MIKRO LAPAN: Sistem, Subsistem, dan Misi Operasl
6. Daftar
Gambar 8 Hasil klasifikasi yang terbaik (a) parallelepiped kanal 234 dengan batas kelas iJ ± 2*, (b) minimum distance dengan kanal 1234 dan (c) maximum likelihood dengan kanal1234
4. Kesimpulan 1. Karakteristik spektral citra Landsat pada kanal 2 dan kanal 3 relatif mirip yang ditunjukkan dengan nilai rata-rata yag tidak jauh berbeda dan standar deviasi yang kecil 2. T eknik klasifikasi parallelepiped yang merniliki nilai akurasi tertinggi adalah pada kombinasi kanal 234 dengan batas atas dan bawahnya adala.h iJ ± 2*. 3. Teknik klasifikasi minimum distance dan maximum likelihood yang memiliki nilai akurasi tertinggi adalah kombinasi kanal 1234. 4. Teknik klasifikasi maximum likelihood memiliki nilai akurasi yang paling tinggi dibandingkan dengan teknik-teknik yang lain.
5. Saran Disarankan untuk melakukan penelitian lanjutan dengan mema b , teknik ldasifikasi yang lain dan diaplikasikan untuk disiplin ilmu ya ll_ berbeda, seperti untuk persebaran sedimentasi
126
JensenJ.R.19 2nd. Upp Modelina E. ( Hutan da Prosiding MunibahK.19 A Case Stu Undang-UndaI Berkefanju, Wijayanro H, e, Dalam U Ketahanan LAPAN. PI
PEMANFAATAN KANAL TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN LAHAN • • I,
dan Misi Operasi
6. Daftar Pustaka Jensen J .R. 1996. Introductory Digital Processing A Remote Sensing Perspective. 2nd. Upper Saddle River. New Jersey. Modelina E. dan As-syakur A.R. 2012. Karakteristik Pola Spektral Vegetasi
Hutan dan Tanaman Industri Berdasarkan Data Penginderaan jauh. Prosiding Pertemuan Ilmiah Tahunan MAPIN XlX. Makasar. Munibah K. 1998. Mang-Iove Change Detection andEffict to Soil Characteristics, A Case Study ofSubang. West Java. Undang-Undang Rl No. 41. 2009. Perlindungan Lahan Pertanian Berkelanjutan. Jakarta. Wijayanto H , eta!' 2010. Pembuatan Roadmap Dan Penelitian Pendahuluan Dalam Usaha Penopang Peluncuran Satelit LAPAN-IPB Untuk Ketahanan Pangan Nasional; Buku Ilmiah Pusat Elektronika Dirgantara LAPAN. pp.189-202.
parallelepiped kanal 234 dengan / distance dengan kanal 1234 dan kana11234
a kanal2 dan kanal3 relatif mirip
:ata yag tidak jauh berbeda dan
. memiliki nilai akurasi tertinggi
:an batas atas dan bawahnya adalah
e dan maximum likelihood yang
1
kornbinasi kanal 1234.
{ rnerniliki nilai akurasi yang palinf
~knik yang lain.
elitian lanjutan dengan memab
i
:ntasi
127
