BAB IV HASIL DAN ANALISIS 4.1 Hasil Segmentasi Dari beberapa kombinasi scale parameter yang digunakan untuk mendapatkan segmentasi terbaik, untuk mengklasifikasikan citra pada penelitian ini hanya mengambil 3 scale parameter terkecil saja karena semakin besar scale parameter yang digunakan maka
ada tutupan kelas yang tidak akan
terdefinisikan. Tabel 4.1 menunjukkan segmentasi yang dilakukan dengan beberapa parameter yang berbeda.
Tabel 4.1 Parameter Segmentasi yang dilakukan pada Landsat TM
Level Level 1 Level 2 Level 3
Scale Parameter 10 20 25
Color
Shape
0.9 0.7 0.5
0.1 0.3 0.5
Smoothness Compactness 0.1 0.9 0.5
0.9 0.1 0.5
Keberagaman parameter segmentasi yang digunakan tersebut akan memberikan hasil segmentasi yang berbeda pula. Level 1 (Gambar 4.1) akan memberikan bentuk poligon yang lebih kecil dan lebih banyak, tapi keberagaman piksel dalam satu segmen sedikit. Sedangkan pada level 2 (Gambar 4.2) poligon yang terbentuk lebih banyak dan keragaman dalam satu segmen lebih banyak dari level 1. Pada level 3 (Gambar 4.3) poligon lebih besar lagi dan memiliki lebih banyak keberagaman piksel dalam satu segmennya.
23
Gambar 4.1 Level 1. Poligon yang terbentuk banyak
Gambar 4.2 Level 2. Poligon yang terbentuk lebih besar
24
Gambar 4.3 Level 3. Poligon yang terbentuk memiliki keberagaman yang lebih banyak dalam satu segmen
Selain melakukan segmentasi pada citra, didapatkan juga segmentasi terbaik untuk setiap kelas. Segmentasi level 1 merupakan segmentasi terbaik untuk kelas jalan dan vegetasi. Level 2 merupakan segmentasi terbaik untuk kelas bangunan dan daerah industry dan lahan kosong. Sedangkan untuk kelas tubuh air segmentasi level 2 dan 3 memberikan hasil yang sama baik, dan untuk kelas lahan terbuka segmentasi level 2 merupakan hasil terbaik.
4.2 Hasil Klasifikasi Tutupan Lahan 4.2.1 Pixel-Based Classification Metode klasifikasi terbimbing diaplikasikan pada metode pixel-based ini. Maximum likelihood (Gambar 4.4) dan Minimum Distance (Gambar 4.5) merupakan sub metode yang diimplementasikan. Sebelum diklasifikasikan, kelas dari tutupan lahan ditentukan terlebih dahulu.
25
Berdasarkan titik referensi yang telah dikumpulkan ada enam kelas yang telah dikelompokkan yaitu tubuh air (water body), gedung dan daerah industri (building and industry area), permukiman (settlement), lahan terbuka (barren land), jalan (road), dan vegetasi (vegetation).
Gambar 4.4 Hasil Klasifikasi Pixel-Based dengan Metode Maximum Likelihood
Gambar 4.5 Hasil Klasifikasi Pixel-Based dengan Metode Minimum Distance
26
4.2.2 Object-Based Classification Setelah melakukan proses segmentasi pada citra langkah berikutnya ialah mengklasifikasikan citra tersebut. Klasifikasi dengan metode berbasis objek dilakukan dengan cara memilih sampel untuk setiap kelas tutupan lahan yang ada berdasarkan hasil segmentasi yang ada. Tapi sebelumnya ditentukan terlebih dahulu parameter klasifikasi yang ikut berperan dalam proses klasifikasi ini. Sehingga dalam pemilihan training sampel, tidak hanya mean value dari sampel yang diambil saja yang digunakan sebagai parameter klasifikasi, tapi juga parameter yang didefinisikan sebelumnya. Setelah pemilihan sampel maka citra tersebut kemudian diklasifikasikan dengan metode nearest neighbor berdasarkan sampel yang telah didefinisikan sebelumnya. Untuk dapat dibandingkan dengan dengan metode berbasis piksel maka digunakan tipe kelas dan informasi warna yang sama.
Gambar 4.6 Hasil Klasifikasi Object-Based Level 1
27
Gambar 4.7 Hasil Klasifikasi Object-Based Level 2
Gambar 4.8 Hasil Klasifikasi Object-Based Level 3
28
4.3 Accuracy Assessment Suatu proses klasifikasi belum sempurna jika belum dihitung tingkat keakuratannya (Lillesand, 2005). Tingkat akurasi dalam penginderaan jauh yaitu mengukur derajat kepercayaan antara titik referensi dengan hasil klasifikasi. Untuk keperluan ini 180 titik sampel (piksel) telah di pilih secara acak sebagai titik referensi. Dalam penelitian klasifikiasi lazim digunakan producer accuracy dan user accuracy dalam melihat keakuratan hasil klasifikasi yang didapat. Producer accuracy memperlihatkan seberapa besar kemungkinan lahan di lapangan terklasifikasi secara tepat di dalam citra. Sedangkan user accuracy memperlihatkan
seberapa
besar
kemungkinan
klasifikasi
dalam
citra
terklasifikasi secara tepat di lapangan. Producer dan user accuracy dapat memiliki nilai yang berbeda-beda di setiap kategori klasifikasinya. Untuk melihat keakuratan klasifikasi secara umum digunakan overall accuracy. Untuk menghitung overall accuracy yaitu dengan menjumlahkan nilai diagonal confusion matrix dan membaginya dengan jumlah titik sampel yang diambil. Dalam uji akurasi juga dikenal istilah The Kappa Index of Agreement (KIA). Nilai kappa merupakan ukuran kebenaran antara kelas yang direpresentasikan di dalam citra. Kappa menunjukkan nilai kecocokan hasil klasifikasi pada citra dengan keadaan yang sebenarnya di lapangan. Semakin besar nilai Kappa maka semakin benar klasifikasi yang dilakukan, sebaliknya semakin kecil nilai kappa maka semakin kecil pula kemungkinan hasil klasifikasi tersebut dapat digunakan. Hasil uji akurasi dari klasifikasi tutupan lahan baik dengan menggunakan metode berbasis objek maupun berbasis piksel dituangkan dalam bentuk matriks konfusi sebagai berikut:
29
Tabel 4.2 Confusion Matrix Hasil klasifikasi Maximum Likelihood Maximum Building Likelihood Building 26 Road 0 Barren Land 0 Water Body 0 Settlement 0 Vegetation 0 Producer's Accuracy 1 Average User's Accuracy Average Producer's Accuracy Overall Accuracy Kappa Agreement
Road 0 20 2 0 2 0 0.83 77.25% 78.83% 77.27% 0.7208
Barren Land 0 0 16 0 6 0 0.73
Water Body 0 0 3 22 0 4 0.79
Settlement
Vegetation
4 8 4 0 26 0 0.62
0 2 0 4 2 26 0.76
User's accuracy 0.87 0.67 0.67 0.85 0.72 0.87
Tabel 4.3 Confusion Matrix Hasil klasifikasi Minimum Distance Minimum Distance
Building
Building 26 Road 0 Barren Land 4 Water Body 0 Settlement 0 Vegetation 0 Producer's Accuracy 0.87 Average User's Accuracy Average Producer's Accuracy Overall Accuracy Kappa Agreement
Road 0 28 2 0 6 0 0.78 75.46% 73.49% 76.14% 0.7124
Barren Land 2 0 6 0 4 0 0.5
Water Body 0 0 2 26 0 4 0.81
Settlement
Vegetation
2 0 8 0 22 0 0.69
0 2 2 0 4 26 0.76
User's accuracy 0.87 0.93 0.25 1 0.61 0.87
Tabel 4.4 Confusion Matrix Hasil klasifikasi Object-Based Level 1 Level 1
Building
Building 26 Road 0 Barren Land 0 Water Body 0 Settlement 2 Vegetation 0 Producer's Accuracy 0.93 Average User's Accuracy Average Producer's Accuracy Overall Accuracy Kappa Agreement
Road 2 24 2 0 0 0 0.86 86.40% 86.69% 86.52% 0.8377
Barren Land 0 2 20 0 0 2 0.83
Water Body 0 0 0 26 2 0 0.93
Settlement
Vegetation
0 0 2 0 32 2 0.89
2 4 0 2 0 26 0.76
User's accuracy 0.87 0.8 0.83 0.93 0.89 0.87
30
Tabel 4.5 Confusion Matrix Hasil klasifikasi Object-Based Level 2 Level 2
Building
Building 28 Road 0 Barren Land 0 Water Body 0 Settlement 0 Vegetation 0 Producer's Accuracy 1 Average User's Accuracy Average Producer's Accuracy Overall Accuracy Kappa Agreement
Road 0 12 0 0 0 0 1 82.69% 86.98% 82.02% 0.7811
Barren Land 0 2 22 0 0 0 0.92
Water Body 0 0 0 28 0 0 1
Settlement
Vegetation
0 4 2 0 28 4 0.74
0 12 0 0 8 26 0.57
User's accuracy 1 0.4 0.92 1 0.78 0.87
Tabel 4.6 Confusion Matrix Hasil klasifikasi Object-Based Level 3 Level 3
Building
Building 24 Road 0 Barren Land 0 Water Body 0 Settlement 0 Vegetation 2 Producer's Accuracy 0.93 Average User's Accuracy Average Producer's Accuracy Overall Accuracy Kappa Agreement
Road 0 12 0 0 0 0 1 78.98% 85.38% 78.65% 0.7202
Barren Land 0 0 18 0 2 0 0.9
Water Body 0 0 0 28 0 0 1
Settlement
Vegetation
3 2 6 0 26 2 0.68
0 16 0 0 8 28 0.54
User's accuracy 0.93 0.4 0.75 1 0.72 0.93
Tabel 4.7 Perbandingan Accuraccy assessment Pixel-Based dan Object-Based
Pixel-based classification Maximum Likelihood Minimum Distance User's Producer's User's Producer's accuracy accuracy accuracy accuracy (%) (%) (%) (%) 77.25 78.83 75.46 73.49 Overall accuracy: Overall accuracy: 77.27% 76.14% Kappa Statistic: 0.7208 Kappa Statistic: 0.7124
Level 1 User's Producer's accuracy accuracy (%) (%) 86.4 86.69 Overall accuracy: 86.52% Kappa Statistic: 0.8377
Object-oriented classification Level 2 Level 3 User's User's User's Producer's accuracy accuracy accuracy accuracy (%) (%) (%) (%) 82.69 86.98 78.98 85.38 Overall accuracy: Overall accuracy: 82.02% 78.65% Kappa Statistic: 0.7811 Kappa Statistic: 0.7202
4.4 Analisis Dari tabel 4.7 tersebut dapat kita lihat bahwa metode object-based memberikan hasil yang lebih akurat pada level berapa pun dibandingkan dengan metode pixel-based. Metode object-based menggabungkan informasi spasial dan
31
spektral dari objek tersebut sehingga dapat memberikan hasil yang lebih baik. Diawali dengan segmentasi citra yang dibuat dengan menggunakan informasi spasial dan spektral. Saat objek terbentuk, klasifikasi akan lebih terbentuk karena semua piksel dari satu objek terklasifikasikan pada kelas yang sama dan hasilnya akan mendekati dengan apa yang dilihat oleh manusia (Giada et al., 2003).
Pada
klasifikasi
dengan
pixel-based,
terbatas
dengan
hanya
mengekstraksi informasi spektral saja. Hasil yang paling bagus didapat pada level 1 dengan scale parameter 10 yaitu dengan overall accuracy sebesar 86.52 %. Level 1 ini memberikan hasil yang lebih baik dibandingkan level 2 yang memiliki overall accuracy 82.02% dan level 3 yang memiliki overall accuracy sebesar 78.65% karena dipengaruhi hasil segmentasi yang dilakukan karena semakin besar scale parameter yang digunakan maka keberagaman piksel yang dikelompokkan
menjadi
satu
objek
akan
semakin
banyak.
Hal
itu
mengakibatkan objek dengan nilai piksel yang berdekatan akan lebih susah dibedakan. Seperti pada objek jalan, semakin besar scale parameter yang digunakan maka objek jalan tersebut akan menyatu dengan objek vegetasi atau permukiman yang berada dekat dengan jalan tersebut. Sehingga khusus untuk kelas jalan (road) pada citra ini hasil klasifikasi pixel-based bisa memperlihatkan kelas jalan dengan lebih baik. Begitu juga dengan nilai kappa dari masing-masing metode, object-based level 1 memberikan hasil yang lebih besar dari pada metode lainnya yaitu sebesar 0.8377. Pada metode pixel-based dilihat pada tabel di atas, metode maximum likelihood memberikan hasil sedikit lebih baik dibandingkan dengan metode minimum distance. Hal ini dikarenakan metode minimum distance didasarkan atas penempatan piksel pada suatu kelas dengan nilai rata-rata yang terdekat sedangkan pada maximum likelihood selain melihat pada kedekatan nilai ratarata juga memperhitungkan pada sebaran normal dari training sample yang telah didefinisikan terlebih dahulu. Sehingga data training sample yang dibuat haruslah mencakupi keberagaman piksel pada kelas tutupan lahan tersebut. Pada saat klasifikasi baik dengan menggunakan metode pixel-based maupun object based masih didapatkan suatu objek ataupun piksel yang bukan dalam suatu kelas tetapi ikut terklasifikasikan maupun yang merupakan anggota suatu
32
kelas tetapi tidak ikut terklasifikasikan. Hal ini disebabkan karena nilai digital number maupun bentuknya hampir sama dengan training sample yang diambil sehingga terjadi adanya misclassification. Contohnya adalah kelas jalan yang terdefinisikan sebagai permukiman atau pun vegetasi. Begitu pula kelas permukiman yang terdefinisikan sebagai jalan. Beberapa kelas lainnya juga, seperti lahan kosong dan bangunan juga masih masuk pada kelas lainnya sehingga masih terdapat kesalahan. Sehingga training sample yang diambil haruslah mencakup keberagaman piksel pada setiap kelas, karena training sample inilah yang menjadi patokan dalam mengklasifikasikan citra. Untuk nilai producer’s dan user’s accuracy dari object-based rata-rata juga memberikan hasil yang lebih baik (meningkat) dibandingkan dengan hasil dari pixel-based.
33