III. METODE PENELITIAN

14

III. METODE PENELITIAN

3.1. Waktu dan Tempat Penelitian Penelitian ini dilakukan sejak bulan April 2009 sampai November 2009 di Laboratorium Penginderaan Jauh dan Interpretasi Citra, Departemen Ilmu Tanah dan Sumberdaya Lahan, Institut Pertanian Bogor.

3.2. Bahan dan Alat Penelitian Bahan berupa citra yang diproses secara digital pada penelitian ini terdiri dari 2 produk data standar level 1. 5 (***h1.5 gua_HH.tif dan ***h1.5 gua_HV.tif) FBD-343 (Fine Beam Dual Polarimetry) hasil rekaman instrumen PALSAR pada satelit ALOS. Kedua citra tersebut merupakan hasil pencitraan satelit ALOS pada waktu yang sama di wilayah Kabupaten Bogor, Provinsi Jawa Barat. Bahan penunjang lainnya yang digunakan untuk mendukung proses interpretasi citra satelit antara lain adalah citra hasil rekaman instrumen AVNIR-2 pada satelit ALOS (Dmga_av2_natcol.img); batas administrasi Kabupaten Bogor, Provinsi Jawa Barat (.shp); dan Peta Rupa Bumi Digital Indonesia skala 1:25.000 lembar Leuwiliang tahun 1998. Alat-alat yang digunakan selama proses pengolahan data secara digital meliputi seperangkat komputer dengan sistem operasi Windows XP, jaringan internet, perangkat lunak Envi 4. 5, perangkat lunak ArcView 3. 3, Microsoft Office Visio 2003, Microsoft Office Excel 2003 serta Microsoft Office Word 2003. Alat-alat penunjang yang digunakan dalam proses penulisan skripsi antara lain adalah scanner, kamera digital, alat-alat tulis dan printer.

3.3. Metodologi Penelitian ini dilakukan dengan pendekatan analisis penginderaan jauh menggunakan metode multi-polarisasi citra satelit. Pelaksanaan metode ini dilakukan dalam 4 tahap yaitu persiapan piranti lunak, pengumpulan data sekunder, pengolahan citra, dan estimasi luas penutup lahan sawah. Pengolahan citra pada penelitian ini terdiri dari 2 sub-tahap yaitu pengolahan awal citra (pre-image processing) dan pengolahan citra

Please purchase PDF Split-Merge on www.verypdf.com to remove this watermark.

15

digital (image processing). Urutan tahap-tahap tersebut secara ringkas disajikan pada Diagram Alir Penelitian (Gambar 7).

3.3.1. Tahap Persiapan Peranti Lunak Tahap ini diawali dengan pengunduhan piranti lunak ENVI 4. 5 dari situs www.ittvis.com. ENVI (Environment for Visualizing Images) versi 4. 5 merupakan piranti lunak yang didistribusikan secara gratis (freeware) oleh ITT Visual Information Solutions pada tahun 2008. Piranti lunak yang berhasil diunduh tersebut kemudian dilakukan instal ke sistem Windows XP. Selanjutnya dilakukan ekspolrasi sistem operasi piranti lunak Envi 4.5 melalui proses try and error dengan menggunakan petunjuk dari tools Help pada piranti lunak tersebut.

3.3.2. Tahap Pengumpulan Data Sekunder Pengumpulan data sekunder dilakukan pada 2 waktu yang berbeda yaitu saat sebelum tahap pengolahan awal citra (image pre-processing) dan saat tahap pengolahan citra digital (image processing). Citra dual polarimetry hasil rekaman hasil instrumen PALSAR pada satelit ALOS diperoleh sebelum tahap pengolahan awal citra. Pengumpulan data sekunder lainnya yang menunjang proses interpretasi citra dilakukan pada tahap pengolahan citra digital. Urutan proses pengumpulan data sekunder adalah sebagai berikut : a. Citra dual polarimetry hasil rekaman hasil instrumen PALSAR pada satelit ALOS diperoleh sebelum tahap pengolahan awal citra, tanggal 24 Juni 2009 b. Batas administrasi Kabupaten Bogor diperoleh saat akan dilakukan pembuatan citra RGB terbaik wilayah Kecamatan Dramaga, Kabupaten Bogor, Provinsi Jawa Barat yang berasal dari seluruh scene citra RGB terbaik, tanggal 5 September 2009 c. citra hasil rekaman instrumen AVNIR-2 pada satelit ALOS diperoleh saat akan dilakukan penentuan ROI dalam klasifikasi Maximum Likelihood, tanggal 12 Desember 2009 d. Peta Rupa Bumi Digital Indonesia skala 1:25.000 lembar Leuwiliang tahun 1998 diperoleh saat akan dilakukan penentuan ROI dalam klasifikasi Maximum Likelihood, tanggal 15 Desember 2009.


16

3.3.3. Tahap Pengolahan Citra A. Pengolahan Awal Citra Digital (Image Pre-Processing) Pada penelitian ini, pengolahan awal citra digital tidak diawali dengan proses registrasi dan koreksi geometri citra. Hal ini disebabkan oleh produk data standar level 1. 5 FBD-343 hasil rekaman instrumen PALSAR pada satelit ALOS merupakan citra yang sudah dikoreksi secara sistematik. Dengan demikian pengolahan awal citra digital pada penelitian ini terdiri dari penampilan citra dual polarimetry PALSAR / ALOS dan reduksi speckle. Semua proses tersebut dilakukan pada seluruh scene citra. Penampilan citra dual polarimetry PALSAR / ALOS pada ENVI 4. 5 ditampilkan dalam jendela grup yang terdiri dari : Image Window, Zoom Window, dan Scroll Window. Image Window menampilkan citra pada resolusi penuh atau jika ukurannya besar maka hanya bagian citra yang dipilih kotak merah pada Scroll Window yang ditampilkan. Zoom Window menampilkan bagian citra yang dipilih oleh kotak merah pada Image Window. Scroll Window hanya akan menampilkan citra jika ukuran citra tersebut lebih besar dari ukuran yang bisa ditampilkan dalam resolusi penuh pada Image Window. Citra dual polarimetry PALSAR / ALOS juga ditampilkan pada perangkat lunak ArcView GIS 3. 3. Tampilan citra tersebut dapat ditumpangtindihkan (overlayed) dengan batas administrasi (.shp). Dengan cara yang demikian, maka tool Zoom To Themes pada ArcView GIS 3. 3 menampilkan bentuk dan batas wilayah administrasi Kecamatan Dramaga, Kabupaten Bogor, Provinsi Jawa Barat. Reduksi speckle pada penelitian ini dilakukan dengan Adaptive Filter : Lee dan Frost digunakan untuk mereduksi speckle pada citra polarisasi HH dan polarisasi HV citra ALOS / PALSAR. Wilayah pemfilteran lokal (local region filter) pada proses filterisasi Lee dan Frost dilakukan pada jendela 5x5. Ukuran jendela ini menunjukkan ukuran arah pergerakan piksel menururt 8 arah mata angin, yang berada di sekitar piksel yang diamati (noise). Praktek pemfilteran sebenarnya dapat dilakukan secara berulang untuk meningkatkan ukuran jendela / wilayah pemfilteran lokal. Namun hal tersebut tidak dilakukan pada penelitian ini. Hal ini dilakukan untuk menjaga variasi nilai DN pada piksel di wilayah pemfilteran lokal yang dirumuskan sebagai berikut : Variasi = [Σ(DNx, y – Mean)2] / (n – 1) Filter Lee menggunakan distribusi statistik pada nilai DN di wilayah pemfilteran lokal untuk mengestimasi piksel mana yang akan menjadi pusat perhatian (noise). Speckle


17

pada pencitraan radar dapat dirumuskan sebagai perkalian noise dengan nilai rata-rata satu. Rumus standar deviasi noise adalah sebagai berikut : Standard Deviation = √ Varians = Koefisien variasi => sigma (σ) Pemfilteran Lee menggunakan asumsi bahwa rata-rata dan variasi piksel di wilayah yang diamati sama dengan rata-rata dan variasi lokal dari semua piksel yang berada di wilayah pemfilteran lokal yang dipilih. Perhitungan pemfilteran Lee adalah sebagai berikut : DNouput = [Mean] + K [DNinput – Mean] Filter Frost merupakan filter kabut yang secara eksponensial lingkaran simetrik menggunakan lokal statistik. Lokal statistik berfungsi untuk memindahkan jendela filter yang menyesuaikan dengan respon filter terhadap pulsa. Rumus DN output hasil pemfilteran Frost adalah sebagai berikut : DN = {∑ K αe -αItI DN = Σ K αe-αItI} / (nxn)

B. Tahap Pengolahan Citra Digital (Image Processing) Tahap pengolahan citra digital dilakukan melalui 7 tahap, yaitu pembuatan citra sintetik, pembuatan citra RGB, pemilihan susunan citra RGB terbaik, klasifikasi KMeans, penentuan area contoh (training set), klasifikasi Maximum Likelihood, dan evaluasi akurasi. Pembuatan citra sintetik dilakukan dengan band math substraksi dan rasio. Band math pada penelitian ini menggunakan citra polarisasi HH hasil filter terbaik sebagai variabel B1 dan citra polarisasi HV hasil filter terbaik sebagai variabel B2. Dengan demikian citra sintetik hasil formula substraksi (B1-B2 dan B2-B1) adalah (HH-HV) dan (HV-HH). Sedangkan citra sintetik hasil formula rasio (B1/B2 dan B2/B1) adalah (HH/HV) dan (HV/HH). 4 variasi citra sintetik ini merupakan salah satu band yang akan menempati suatu lapisan pada citra RGB, bersama-sama dengan citra dual polarimetry yang menjadi variabelnya. Pembuatan citra RGB pada penelitian ini dilakukan dengan menyusun 3 citra gray scale pada masing-masing lapisan Red, Green dan Blue. Citra gray scale yang akan disusun pada lapisan-lapisan tersebut terdiri dari 3 jenis yaitu citra polarisasi HH hasil filter terbaik, citra polarisasi HV hasil filter terbaik, dan citra sintetik. Oleh karena citra


18

sintetik yang digunakan ada 4 variasi, maka jumlah seluruh citra gray scale yang akan digunakan untuk membuat variasi citra RGB adalah 6 citra. Dengan demikian, variasi citra RGB yang diperoleh berjumlah 24 citra RGB (Tabel 3). Tabel 3. Daftar 24 Variasi Citra RGB CITRA SINTETIK (S) HH-HV (S1)

HV-HH (S2)

HH/HV (S3)

HV/HH (S4)

CITRA

HH - HV - S1

HH - HV - S2

HH - HV - S3

HH - HV - S4

CITRA

POLARISASI

HH - S1 - HV

HH - S2 - HV

HH - S3 - HV

HH - S4 - HV

POLARISASI

HH

HV - HH - S1

HV - HH - S2

HV - HH - S3

HV - HH - S4

HV

HASIL

HV - S1 - HH

HV - S2 - HH

HV - S3 - HH

HV - S4 - HH

HASIL

FILTER

S1 - HH - HV

S2 - HH - HV

S3 - HH - HV

S4 - HH - HV

FILTER

TERBAIK

SI - HV - HH

S2 - HV - HH

S3 - HV - HH

S4 - HV - HH

TERBAIK

SUSUNAN CITRA R - G - B

Pemilihan susunan citra RGB terbaik dilakukan dengan 2 cara, yaitu analisis Digital Number (DN) dan analisis citra sintetik. Penjelasan masing-masing analisis dijelaskan sebagai sebagai berikut : 1. Analisis Digital Number (DN) Pemilihan susunan citra RGB dilakukan berdasarkan nilai DN pada citra-citra penyusun RGB. Citra yang memilki nilai DN tertinggi diletakkan pada lapisan Red, nilai DN yang lebih rendah pada lapisan Green, dan yang memiliki nilai DN terendah pada lapisan Blue. Terpilih 4 variasi citra RGB. 2. Analisis Citra Sintetik Pemilihan citra RGB terbaik dilakukan dengan cara menentukan citra sintetik paling tepat diantara 4 variasi citra sintetik, yang masing-masing sama-sama menempati suatu lapisan pada citra RGB. Langkah yang dilakukan adalah mempelajari nilai intensitas piksel-piksel melalui bentuk pola dan wilayah distribusi Horizontal Profile citra sintetik yang dikaitkan dengan posisi variabel-variabel dan tipe formula band math pada citra tersebut. Dengan demikian pemilihan satu diantara empat citra sintetik dilakukan melalui analisis posisi variabel dan analisis tipe formula band math.


19

Analisis posisi variabel dilakukan dengan cara memilih citra sintetik yang mempunyai bentuk pola Horizontal Profile spesifik (tak sejajar) terhadap bentuk pola Horizontal Profile citra polarisasi HH hasil filter terbaik dan citra polarisasi HV hasil filter terbaik. Citra yang terpilih dari hasil analisis ini, kemudian akan digunakan sebagai input pada proses analisis tipe formula band math. Analisis tipe formula band math dilakukan dengan cara memilih citra sintetik yang mempunyai distribusi Horizontal Profile relatif dekat terhadap distribusi Horizontal Profile citra polarisasi HH hasil filter terbaik dan citra polarisasi HV hasil filter terbaik (relatif berada di atas sumbu x). Citra sintetik yang terpilih dari hasil analisis ini, dinobatkan sebagai citra pembentuk citra RGB terbaik. Dengan demikian, hasil analisis ini akan menunjuk satu susunan citra RGB terbaik. Klasifikasi K-Means dilakukan pada citra RGB terbaik wilayah Kecamatan Dramaga, Kabupaten Bogor, Provinsi Jawa Barat. Operasi numerik pada klasifikasi KMeans dilakukan otomatis dengan mencari grup secara alamiah berdasarkan sifat-sifat spektral piksel yang bersangkutan. Setelah dilakukan klasifikasi, maka secara otomatis pula akan didapatkan jarak antar klaster dan luasan setiap klaster. Kemudian dilakukan penggabungan dan penghapusan dengan cara mengevaluasi dendrogram dengan metode hierarki. Setelah jarak dievaluasi, maka diperoleh N klaster yang selanjutnya dilakukan evaluasi terhadap jarak terpendek. Penentuan area contoh (training set) dilakukan dengan meletakan ROI (Range of Interest) pada citra RGB terbaik Kecamatan Dramaga, Kabupaten Bogor, Provinsi Jawa Barat melalui proses try and error. Proses tersebut dilakukan dengan cara cross check terhadap posisi dan penampilan spektral suatu objek tertentu yang sama pada citra RGB terbaik, citra AVNIR-2 dan peta rupa bumi. Pengamatan terhadap penampilan spektral citra dikaitkan dengan karakteristik fisik objek yang diamati pada kondisi sebenarnya di lapangan. Karakteristik fisk objek ini dapat dilihat pada fluktuasi nilai intensitas piksel yang spesifik untuk objek tertentu. Selanjutnya dilakukan penentuan nama kelas tipe penutup lahan. Klasifikasi Maximum Likelihood mengelompokan piksel-piksel yang belum diketahui identitasnya berdasarkan vektor rata-rata contoh multivariate (Mi) dan matriks ragam peragam antar band (Ci) dari setiap kelas (i). Semua kombinasi band dari citra diklasifikasi berdasarkan piksel contoh yang telah dibuat pada tahap penentuan ROI.


20

Evaluasi akurasi dilakukan untuk melihat besarnya kesalahan klasifikasi area contoh sehingga dapat ditentukan besarnya persentase ketelitian pemetaan area kelas penutupan lahan. Analisis akurasi dilakukan dengan menggunakan matriks kesalahan (confusion matrix) atau disebut juga matrik contingency (Tabel 4). Ketelitian tersebut antara lain meliputi persentase dari piksel-piksel yang terkelaskan dengan tepat (overall accuracy), peluang rata-rata (%) suatu piksel yang menunjukkan sebaran dari masingmasing kelas yang telah diklasifikasi di lapangan (producer’s accuracy), peluang rata-rata (%) suatu piksel secara aktual yang mewakili kelas-kelas (user’s accuracy), serta persentase kesalahan total (kappa accuracy). Tabel 4. Matriks Kesalahan (confusion matrix)

Data Acuan ROI

Disklasifikasi Kelas

Total Baris

Producer’s Accuracy

(Data Klasifikasi di Peta)

(Xk+)

(Xkk/Xk+)

A A

B

....

D

Xii

B .... D

Xkk

Total Kolom

X+k

User’s Acc.

Xkk/X+k

N

Secara matematis jenis-jenis akurasi di atas dapat dinyatakan sebagai berikut :


21

dimana : N

= Jumlah semua piksel yang digunakan untuk pengamatan

R

= Jumlah baris/lajur pada matriks kesalahan (jumlah kelas)

Xi+

= Jumlah semua kolom pada baris ke-i (Xij)

X+j

= Jumlah semua kolom pada lajur ke-j (Xij)

3.3.4. Tahap Estimasi Luas Penutup Lahan Sawah Estimasi luas penutup lahan sawah dilakukan pada hasil klsifikasi yang memiliki nilai overall accuracy paling tinggi yaitu klasifikasi Maximum Likelihood. Perhitungan estimasi luas produksi padi dapat diperoleh dari hasil kali antara jumlah piksel kelas objek dan luas satu piksel (m2). Jumlah piksel kelas objek dapat diketahui dari Npts pada data Distribusi Kelas-Kelas Hasil Klasifikasi Maximum Likelihood (Lampiran 8). Sedangkan luas satu piksel pada citra dapat diketahui dari resolusi spasial citra ALOS / PALSAR yaitu (12,5 X 12,5) m2.


22

Gambar 7. Diagram Alir Penelitian


III. METODE PENELITIAN

Recommend Documents