KAJIAN BEBERAPA METODE KLASIFIKASI CITRA DIGITAL TERHADAP DATA PENGINDERAAN JAUH
FAIZAL TEGUH MUHAMMAD
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Kajian Beberapa Metode Klasifikasi Citra Digital terhadap Data Penginderaan Jauh adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2014 Faizal Teguh Muhammad NIM G14100046
ABSTRAK FAIZAL TEGUH MUHAMMAD. Kajian Beberapa Metode Klasifikasi Citra Digital terhadap Data Penginderaan Jauh. Dibimbing oleh HARI WIJAYANTO dan WIWEKA. Klasifikasi citra digital terdiri dari banyak metode alternatif yang menghasilkan tingkat akurasi berbeda-beda. Akurasi ini sangat tergantung pada beberapa hal seperti training sample dan keragaman kenampakan lahan pada daerah citra yang dikaji. Penelitian ini bertujuan untuk membandingkan 4 metode klasifikasi citra digital yang diterapkan pada daerah dengan tingkat keragaman kenampakan lahan yang berbeda yaitu Kecamatan Ciomas, Kecamatan Dramaga dan Kecamatan Cibungbulang. Metode klasifikasi citra digital yang digunakan pada penelitian ini adalah kemungkinan maksimum, jarak Mahalanobis, jaringan syaraf tiruan dan support vector machine. Hasil penelitian ini menyimpulkan bahwa kemungkinan maksimum merupakan metode klasifikasi citra yang paling baik pada citra di tiga kecamatan terpilih dengan nilai rata-rata akurasi keseluruhan sebesar 91.99% dan nilai rata-rata koefisien kappa sebesar 0.8772. Selain itu, metode support vector machine dan jaringan syaraf tiruan juga memberikan hasil yang cukup baik. Kata kunci: akurasi keseluruhan, kesalahan komisi, kesalahan omisi, klasifikasi citra, koefisien kappa
ABSTRACT FAIZAL TEGUH MUHAMMAD. Study of Several Digital Image Classification Methods for Remote Sensing Data. Supervised by HARI WIJAYANTO and WIWEKA. Digital image classification is composed of many alternative methods that produced different levels of accuracy. This accuracy depends on several things such as training samples and the diversity of land on the appearance of the image regions studied. This study aimed to compare 4 digital image classification method which applied to areas with different land appearance diversity of the District Ciomas, District Dramaga and District Cibungbulang. Digital image classification methods that used in this study are maximum likelihood, Mahalanobis distance, artificial neural networks and support vector machine. The results of this study concluded that the maximum likelihood is the best image of image classification method of the three district chosen with the average value of overall accuracy was 91.99% and the average value of the kappa coefficient was 0.8772. In addition, support vector machine and artificial neural networks also provide good results. Keywords: commission error, image classification, kappa coefficient, omission error, overall accuracy
KAJIAN BEBERAPA METODE KLASIFIKASI CITRA DIGITAL TERHADAP DATA PENGINDERAAN JAUH
FAZAL TEGUH MUHAMMAD
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Kajian Beberapa Metode Klasifikasi Citra Digital terhadap Data Penginderaan Jauh Nama : Faizal Teguh Muhammad NIM : G14100046
Disetujui oleh
Dr Ir Hari Wijayanto, MSi Pembimbing I
Dr Wiweka Pembimbing II
Diketahui oleh
Dr Ir Anang Kurnia, MSi Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini yang berjudul Kajian Beberapa Metode Klasifikasi Citra Digital Terhadap Data Penginderaan Jauh berhasil diselesaikan. Karya tulis ini dapat terselesaikan tidak lepas dari dukungan, bimbingan, motivasi dan saran dari berbagai pihak. Oleh karena itu, penulis mengucapkan terima kasih kepada: 1. Bapak Hari Wijayanto selaku ketua komisi pembimbing yang telah banyak memberikan nasihat dan motivasi kepada penulis untuk dapat menyelesaikan karya ilmiah ini. 2. Bapak Wiweka selaku anggota komisi pembimbing yang telah banyak memberi dukungan, bimbingan, serta kesempatan kepada penulis untuk memperoleh banyak pengetahuan pada topik yang penulis teliti. 3. Bapak Farit M Afendi selaku dosen penguji yang telah memberikan saran dan masukan baik dari segi penulisan maupun isi tugas akhir ini. 4. Kedua orang tua penulis, Bapak Mochamad Ischak dan Ibu Mimah Tusariah serta adik-adik penulis, Muhammad Fariz Ramafitra dan Finna Rizkya Maulidya atas dukungan serta doanya. 5. Rekan-rekan Statistika 2010, terutama Alfiansyah Muhammad, Asty Khairi Inayah, Siti Khoiriyah, Fahmy Andrian dan Elmail Clinton (rekan satu bimbingan). 6. Staf Tata Usaha Departemen Statistika atas bantuannya dalam kelancaran administrasi. 7. Saudara kosan Bara 3 No. 31 (Moslem Afrizal, Elmail Clinton, M Yusuf Hasibuan dan Alfiyandi Ishaq), Keluarga Besar Paguyuban KSE IPB dan semua pihak yang telah memberi semangat dan dukungan hingga terselesainya karya ilmiah ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2014 Faizal Teguh Muhammad
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
TINJAUAN PUSTAKA
2
Klasifikasi Kemungkinan Maksimum
2
Klasifikasi Jarak Mahalanobis
2
Klasifikasi Jaringan Syaraf Tiruan
3
Klasifikasi Support Vector Machine
5
Penilaian Kebaikan Hasil Klasifikasi
6
METODOLOGI
7
Sumber Data
7
Metode Analisis
7
HASIL DAN PEMBAHASAN Pengolahan Awal Citra
9 9
Penyusunan Training Sample
10
Penilaian Kebaikan Hasil Klasifikasi pada setiap Kecamatan
11
Perbandingan Kebaikan Hasil Metode Klasifikasi
13
SIMPULAN DAN SARAN
14
Simpulan
14
Saran
14
DAFTAR PUSTAKA
14
LAMPIRAN
16
RIWAYAT HIDUP
20
DAFTAR TABEL 1 2 3 4 5
Matriks kesalahan Kelas penutup lahan yang digunakan Training sample Kecamatan Ciomas Training sample Kecamatan Dramaga Training sample Kecamatan Cibungbulang
6 9 10 10 11
DAFTAR GAMBAR 1 2
Nilai akurasi keseluruhan setiap metode di ketiga kecamatan Nilai koefisien kappa setiap metode di ketiga kecamatan
12 13
DAFTAR LAMPIRAN 1 2 3 4
Rata-rata kesalahan komisi setiap kelas penutup lahan Rata-rata kesalahan omisi setiap kelas penutup lahan Rata-rata akurasi keseluruhan setiap metode klasifikasi Rata-rata koefisien kappa setiap metode klasifikasi
16 17 18 19
PENDAHULUAN Latar Belakang Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah, atau fenomena melalui analisis yang diperoleh dengan suatu alat tanpa kontak langsung dengan objek, daerah, atau fenomena yang dikaji (Lillesand dan Kiefer 1990). Data penginderaan jauh dapat berupa citra, grafik, dan data numerik. Salah satu bagian penting dalam penginderaan jauh adalah klasifikasi citra. Klasifikasi citra bertujuan untuk mengelompokkan seluruh piksel yang terdapat pada sebuah citra ke dalam suatu kelas penutup lahan tertentu yang memiliki karakteristik spektral yang berbeda. Menurut Prahasta (2009), suatu piksel mengandung digital number yang terbagi ke dalam 256 tingkatan (0 sampai 255) untuk merepresentasikan warna citra dari warna hitam (0) hingga warna putih (255). Menurut Purwadhi (2000) terdapat tiga jenis klasifikasi citra yaitu klasifikasi terbimbing (supervised classification), klasifikasi tak terbimbing (unsupervised classification), dan klasifikasi gabungan (hybrid classification). Klasifikasi terbimbing merupakan klasifikasi citra digital yang menggunakan contoh latih (training sample) sebagai kunci interpretasi suatu kelas penutup lahan. Beberapa metode klasifikasi terbimbing yang cukup baik digunakan adalah metode kemungkinan maksimum, metode jarak Mahalanobis, metode jaringan syaraf tiruan dan metode support vector machine (Gil et al. 2011). Setiap metode dapat menghasilkan tingkat akurasi hasil klasifikasi yang berbeda-beda. Akurasi ini sangat tergantung dari beberapa hal seperti training sample dan keragaman kenampakan lahan pada citra yang dikaji. Salah satu permasalahan yang muncul pada klasifikasi citra terbimbing adalah keadaan citra objek klasifikasi yang tumpang tindih (overlapping) karena memiliki kondisi kenampakan lahan dengan keragaman nilai spektral yang tinggi. Hal ini menyebabkan pembuatan training sample menjadi lebih sulit sehingga dapat mengurangi keakuratan hasil klasifikasi. Oleh karena itu, diperlukan suatu studi yang mampu mengkaji beberapa metode klasifikasi citra digital sehingga dari penelitian ini diharapkan dapat ditemukan metode klasifikasi citra terbaik untuk digunakan pada daerah dengan tingkat keragaman kenampakan lahan yang tinggi, sedang, maupun rendah. Penelitian ini menerapkan 4 metode klasifikasi citra terbimbing dengan menggunakan tiga buah citra kecamatan yang terletak di Kabupaten Bogor yang memiliki tingkat keragaman kondisi lahan berbeda. Sebuah training sample disusun pada masing-masing citra kecamatan terpilih untuk dilakukan klasifikasi citra terbimbing dengan menggunakan 4 metode klasifikasi tersebut. Selanjutnya dilakukan evaluasi akurasi hasil klasifikasi untuk menemukan metode klasifikasi citra terbimbing dengan nilai akurasi tertinggi pada citra dengan tingkat keragaman kenampakan lahan yang tinggi, sedang, maupun rendah yang akan menjadi metode terbaik.
2 Tujuan Penelitian Penelitian ini bertujuan untuk membandingkan 4 metode klasifikasi citra digital yang diterapkan pada daerah dengan tingkat keragaman kenampakan lahan yang berbeda yaitu Kecamatan Ciomas, Kecamatan Dramaga dan Kecamatan Cibungbulang.
TINJAUAN PUSTAKA Klasifikasi Kemungkinan Maksimum Menurut Ahmad dan Quegan (2012), metode kemungkinan maksimum akan mengklasifikasikan suatu piksel pada suatu kelas pentutup lahan tertentu melalui perhitungan fungsi log kemungkinan. Secara matematis rumus fungsi log kemungkinan dituliskan sebagai berikut:
dengan adalah fungsi log kemungkinan, adalah vektor ciri dari suatu piksel x yang akan diklasifikasikan, adalah vektor rataan kelas ke-i, -
adalah matriks kovarian dari kelas ke-i, adalah invers matriks kovarian dari kelas ke-i dan N adalah banyaknya kelas penutup lahan. Suatu piksel x akan diklasifikasikan pada suatu kelas i apabila menghasilkan nilai fungsi log kemungkinan tertinggi dibandingkan dengan nilai peluang untuk kelas lainnya. Algoritma klasifikasi kemungkinan maksimum dapat disajikan sebagai berikut (Ahmad dan Quegan 2012): 1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian. 2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk setiap kelas penutup lahan yang telah ditentukan. 3. Hitung vektor rataan dan susun matriks kovarian untuk setiap kelas berdasarkan digital number dari training sample yang telah disusun. 4. Hitung nilai fungsi log kemungkinan suatu piksel x untuk semua kelas penutup lahan ( ). Cari nilai fungsi log kemungkinan piksel x yang paling tinggi dibandingkan dengan nilai fungsi untuk kelas penutup lahan lainnya. 5. Suatu piksel x akan diklasifikasikan ke dalam kelas penutup lahan yang memiliki nilai tertinggi. Klasifikasi Jarak Mahalanobis Metode ini merupakan metode klasifikasi citra terbimbing yang berdasarkan perhitungan jarak minimum (Susilawati 2013). Secara matematis rumus jarak Mahalanobis suatu piksel terhadap suatu kelas penutup lahan i dituliskan sebagai berikut:
3 dengan adalah jarak Mahalanobis terhadap kelas i, adalah vektor ciri piksel x yang akan diklasifikasikan, adalah vektor rataan kelas ke-i dan - adalah invers matriks kovarian yang diperoleh dari training sample. Suatu piksel x akan diklasifikasikan pada suatu kelas i yang memiliki nilai paling kecil dibandingkan nilai jarak Mahalanobis untuk kelas penutup lahan lainnya. Algoritma klasifikasi jarak Mahalanobis dapat disajikan sebagai berikut (Susilawati 2013): 1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian. 2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk setiap kelas penutup lahan yang telah ditentukan. 3. Hitung vektor rataan untuk setiap kelas dan susun matriks kovarian berdasarkan digital number dari training sample yang telah disusun. 4. Hitung nilai jarak Mahalanobis suatu piksel x terhadap semua kelas penutup lahan ( ). Cari nilai jarak Mahalanobis piksel x terhadap suatu kelas penutup lahan tertentu yang paling kecil dibandingkan dengan nilai jarak Mahalanobis untuk kelas penutup lahan lainnya. 5. Suatu piksel x akan diklasifikasikan ke dalam kelas penutup lahan tertentu yang memiliki nilai paling kecil. Klasifikasi Jaringan Syaraf Tiruan Menurut Stergio dan Siganos (2006) dalam Laksono (2006), jaringan syaraf tiruan adalah sistem pemrosesan informasi yang meniru kinerja sistem syaraf biologis. Tujuan jaringan syaraf tiruan dibentuk adalah untuk mengenali pola dari data yang ada, lalu digunakan untuk memprediksi data lainnya berdasarkan kemiripan pola data yang sudah ada sebelumnya. Struktur jaringan syaraf tiruan terdiri dari lapisan input, lapisan tersembunyi dan lapisan output. Jaringan syaraf tiruan terdiri atas banyak elemen yang disebut neuron. Neuron merupakan unit sel yang saling terhubung satu dengan yang lain melalui sinapsis dan mempunyai bobot yang berkaitan. Bobot mewakili informasi yang akan digunakan oleh jaringan untuk menyelesaikan fungsi tertentu. Metode klasifikasi jaringan syaraf tiruan yang diterapkan pada klasifikasi citra digital adalah metode yang menggunakan algoritma propagasi balik (Skidmore 1997). Algoritma propagasi balik tersusun atas langkah maju dan langkah mundur dalam struktur jaringan syaraf tiruan. Langkah maju diawali dengan diterimanya informasi dari suatu piksel oleh lapisan input kemudian diteruskan ke lapisan tersembunyi menggunakan suatu fungsi aktivasi. Fungsi aktivasi adalah fungsi yang mentransformasi sinyal masukan dari unit sebelumnya menjadi sinyal masukan untuk unit selanjutnya. Setelah itu informasi dari lapisan tersembunyi diteruskan ke lapisan output menggunakan fungsi aktivasi. Terakhir, nilai galat antara ouput jaringan dengan output yang diinginkan (berdasarkan training sample) dihitung pada lapisan output. Langkah mundur kemudian dilakukan dengan mempropagasikan kembali galat yang telah dihitung ke lapisan tersembunyi dan lapisan input melalui proses iterasi dengan tujuan untuk meminimumkan galat. Proses iterasi akan berhenti pada saat nilai galat minimum yang telah ditentukan dicapai, sehingga suatu piksel akan diklasifikasikan pada suatu kelas penutup lahan tertentu.
4 Algoritma klasifikasi jaringan syaraf tiruan dapat disajikan sebagai berikut (Laksono 2006): 1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian. 2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk setiap kelas penutup lahan yang telah ditentukan. 3. Inisialisasi bobot (weights). 4. Lakukan langkah 5-10 untuk masing-masing pasangan training,. 5. Masing-masing unit pada lapisan input menerima sinyal input dan menyebarkan ke semua unit pada lapisan di depannya. 6. Pada masing-masing unit lapisan tersembunyi, jumlahkan dengan:
Hitung fungsi aktivasi: dan sebarkan ke semua unit pada lapisan di depannya. 7. Masing-masing unit lapisan output jumlahkan dengan:
Hitung fungsi akivasi: 8. Hitung galat ( ) pada masing-masing unit lapisan output:
Hitung kenaikan bobot: Hitung kenaikan bobot unit bias: 9. Hitung informasi kesalahan ( tersembunyi:
) pada masing-masing unit lapisan
Hitung kenaikan nilai bobot: Hitung kenaikan nilai bobot unit bias: 10. Lakukan updating semua bobot antara lapisan tersembunyi dan lapisan output:
Lakukan pembaruan semua bobot antara lapisan input dan lapisan tersembunyi:
11. Kondisi berhenti jika sesuai dengan besar galat yang diinginkan.
5 12. Klasifikasi selesai. Keterangan: = bobot unit bias pada lapisan tersembunyi ke-j = bobot antara unit lapisan input ke-i dengan lapisan tersembunyi ke-j = bobot unit bias pada lapisan output ke-k = bobot antara unit lapisan tersembunyi ke-j dengan lapisan output ke-k = koefisien pembelajaran Fungsi aktivasi yang digunakan pada penelitian ini adalah fungsi logistik sigmoid dengan rumus:
Nilai galat pada lapisan output dihitung dengan rumus:
dengan adalah nilai galat yang dihitung, adalah vektor nilai output jaringan, adalah vektor nilai output yang diharapkan, N adalah banyaknya jumlah amatan dalam training sample dan adalah besar galat yang diinginkan. Klasifikasi Support Vector Machine Menurut Cortes dan Vapnik (1995) dalam Deswantara (2013), support vector machine adalah sistem pembelajaran untuk mengklasifikasikan data menjadi 2 kelompok menggunakan fungsi-fungsi linear dalam sebuah ruang fitur berdimensi tinggi. Tujuan utama klasifikasi support vector machine adalah menemukan fungsi pemisah (hyperplane) terbaik dengan pengukuran margin hyperplane yang maksimal. Margin adalah jarak antara hyperplane tersebut dengan titik terdekat dari masing-masing kelas. Titik yang paling dekat dengan hyperplane ini disebut support vector. Pemisahan data secara non-linear dilakukan dengan memproyeksikan data terlebih dahulu melalui fungsi kernel ke ruang vektor baru yang berdimensi tinggi sedemikian sehingga data tersebut dapat terpisah secara linear. Algoritma support vector machine dapat disajikan sebagai berikut (Huang et al. 2002): 1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian. 2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk setiap kelas penutup lahan yang telah ditentukan. 3. Vektor ciri seluruh piksel pada citra diproyeksikan ke ruang vektor dimensi tinggi melalui fungsi pemetaan : : Suatu vektor ciri x pada ruang fitur dapat direpresentasikan sebagai pada ruang vektor dimensi tinggi. 4. SVM mencari hyperplane terbaik melalui perhitungan fungsi kernel: Fungsi kernel yang digunakan pada penelitian ini adalah radial basis function (RBF) dengan rumus:
6 5. Fungsi kernel kemudian dimasukkan ke dalam perhitungan fungsi lagrangian untuk ditemukan hyperplane yang optimum melalui rumus:
6. Sehingga suatu piksel x akan diklasifikasikan dengan persamaan berikut:
Keterangan: = vektor dari data (piksel) = vektor pada data training sample = parameter kernel. Penilaian Kebaikan Hasil Klasifikasi Penilaian kebaikan hasil klasifikasi diperoleh dengan cara membuat matriks kesalahan (confusion matrix). Matriks kesalahan adalah matriks bujur sangkar yang berfungsi untuk membandingkan antara data lapangan dengan hasil klasifikasi (Lillesand dan Kiefer 1990). Penilaian kebaikan hasil klasifikasi yang dapat dihitung berdasarkan matriks kesalahan diantaranya adalah kesalahan komisi, kesalahan omisi, akurasi keseluruhan dan koefisien kappa. Bentuk matriks kesalahan dapat dilihat pada Tabel 1 (Foody 2002). Tabel 1 Matriks kesalahan Kelas Prediksi A B C D ∑
A nAA nBA nCA nDA n+A
B nAB nBB nCB nDB n+B
Kelas Aktual C nAC nCB nCC nDC n+C
D nAD nBD nCD nDD n+D
∑ nA+ nB+ nC+ nD+ n
Kesalahan komisi merupakan kesalahan akibat suatu area diklasifikasikan pada kelas yang salah di lapangan. Nilai ini dapat menunjukkan seberapa baik suatu piksel yang telah diklasifikasi, secara aktual mewakili kelas-kelas tersebut di lapangan.
Kesalahan omisi merupakan kesalahan akibat suatu area di lapangan tidak diklasifikasikan pada kelas yang benar. Nilai ini dapat menunjukkan seberapa baik suatu kelas telah tepat diklasifikasikan.
7 Akurasi keseluruhan merupakan perbandingan jumlah piksel yang diklasifikasikan dengan benar terhadap piksel observasi. Nilai ini menunjukkan tingkat kebenaran citra hasil klasifikasi.
Nilai akurasi yang paling banyak digunakan adalah akurasi koefisien kappa ( ). Nilai ini memperhitungkan semua elemen (kolom) dari matriks kesalahan (Hermawan 2008).
METODOLOGI Sumber Data Penelitian ini menggunakan dua jenis data yaitu data primer dan data sekunder. Data sekunder yang digunakan adalah citra satelit Land Satellite 8 (Landsat 8) tanggal 22 April 2014 yang diperoleh dari website United States Geological Survey (USGS) pada http//:www.earthexplorer.usgs.gov dan data vektor kecamatan di Kabupaten Bogor yang diperoleh dari Lembaga Penerbangan dan Antariksa Nasional (LAPAN). Data primer yang digunakan adalah data hasil survei lapangan, yaitu data hasil identifikasi langsung objek-objek penutup lahan di daerah kajian. Survei lapangan dilaksanakan pada tanggal 1 hingga 14 Juni 2014 di tiga kecamatan yang berada di Kabupaten Bogor. Citra satelit Landsat 8 yang menjadi kajian adalah tiga buah citra kecamatan di Kabupaten Bogor yakni Kecamatan Ciomas, Dramaga, dan Cibungbulang yang terletak pada path 122 dan row 64-65 citra Landsat 8. Survei lapangan dilakukan dengan menggunakan alat bantu berupa GPS Satellite Garmin Oregon 550 yang mampu memberikan informasi berupa titik koordinat. Data ini digunakan untuk verifikasi dan validasi training sample yang digunakan serta sebagai penyusun peta klasifikasi rujukan yang akan digunakan dalam menghitung nilai akurasi hasil klasifikasi citra. Metode Analisis Tahapan-tahapan yang dilakukan pada penelitian ini adalah sebagai berikut: 1. Pengolahan awal citra (pre-image processing). i. Melakukan penyekatan citra (cropping) tahap 1. Citra Landsat 8 yang diperoleh (path 122 row 64 dan path 122 row 65) digabung terlebih dahulu menjadi satu citra. Penggabungan citra ini dilakukan karena citra Kabupaten Bogor yang menjadi kajian berada di tengah-tengah citra Landsat 8 path 122 dan row 64-65. Setelah itu, dilakukan penyekatan citra tahap 1 menjadi citra Kabupaten Bogor. Penyekatan citra tahap 1 bertujuan untuk mempermudah pengenalan pola kelas penutup lahan di Kabupaten Bogor, mempermudah pemilihan
8 citra kecamatan yang akan digunakan dan mereduksi volume citra agar kerja komputer menjadi lebih ringan. ii. Melakukan penajaman citra untuk mempermudah interpretasi visual citra. Penajaman citra dilakukan dengan menggabungkan citra antara band 65-4 Kabupaten Bogor yang memiliki resolusi 30 30 m dengan citra band 9 Kabupaten Bogor yang memiliki resolusi 15 15 m (resolusi lebih tinggi). iii. Melakukan penyekatan citra (cropping) tahap 2. Penyekatan citra tahap 2 bertujuan untuk membagi citra Kabupaten Bogor menjadi tiga buah citra kecamatan yang akan dikaji. Dasar pertimbangan pemilihan citra kecamatan adalah: (1) kemudahan akses ke daerah penelitian; (2) bebas atau sedikitnya tutupan awan pada citra; (3) citra tersedia pada tanggal yang masih baru sehingga sesuai dengan kondisi saat dilakukan survei lapangan; dan (4) ketiga objek penelitian memiliki karakteristik penutup lahan yang berbeda berdasarkan pengamatan pada citra. Karakteristik ini dilihat berdasarkan ukuran citra dan gradasi warna piksel-piksel pada setiap citra kecamatan. iv. Melakukan interpretasi visual citra satelit. Interpretasi visual citra bertujuan untuk mendeteksi dan mengidentifikasi objek-objek yang ada di permukaan bumi yang tampak pada citra sehingga diperoleh informasi kelas penutup lahan yang akan digunakan pada analisis selanjutnya (Hermawan 2008). Citra ditampilkan dalam format Red Green Blue (RGB) dengan kombinasi band 6-5-4 sehingga diperoleh komposit warna yang paling jelas untuk setiap kelas penutup lahan. 2. Pengolahan citra digital (digital image processing). i. Menyusun training sample. Training sample disusun berdasarkan informasi hasil interpretasi visual citra pada masing-masing citra kecamatan dengan menyertakan titik koordinatnya. Training sample adalah sekelompok data (piksel) pada citra yang telah diidentifikasi sebagai kunci interpretasi suatu kelas penutup lahan. Kelas penutup lahan merupakan konstruksi vegetasi maupun buatan yang menutup permukaan lahan (Lo 1995). ii. Melakukan survei lapangan dan menyusun data ground truth. Survei lapangan dilakukan dengan mengunjungi setiap titik koordinat training sample sehingga diyakini ketepatannya. Selain itu, beberapa lokasi lain juga disurvei untuk diperoleh data ground truth yang akan digunakan pada saat perhitungan keakuratan klasifikasi citra. iii. Melakukan 4 metode klasifikasi terbimbing (kemungkinan maksimum, jarak mahalanobis, jaringan syaraf tiruan dan support vector machine) pada ketiga citra kecamatan terpilih dengan menggunakan sebuah training sample yang telah disusun. Klasifikasi citra dilakukan menggunakan software ENVI 4.7. iv. Melakukan penilaian kebaikan hasil klasifikasi Setiap hasil klasifikasi dari seluruh metode yang dikaji di ketiga citra kajian dihitung nilai kebaikannya. Penilaian kebaikan hasil klasifikasi citra ditentukan dengan menggunakan matriks kesalahan (confussion matrix) sehingga diperoleh komisi, omisi, akurasi keseluruhan dan koefisien kappa dari hasil klasifikasi citra yang dilakukan.
9 3. Melakukan perbandingan 4 metode klasifikasi berdasarkan hasil penilaian kebaikan hasil klasifikasi. Metode klasifikasi citra digital terbaik adalah metode yang menghasilkan nilai rata-rata akurasi keseluruhan dan koefisien kappa paling besar dibandingkan dengan metode lainnya.
HASIL DAN PEMBAHASAN Pengolahan Awal Citra Citra satelit Landsat 8 yang diperoleh yakni citra path 122 row 64 dan citra path 122 row 65 digabung menjadi satu citra sehingga mencakup citra Provinsi Jawa Barat, DKI Jakarta dan Banten. Hal ini dilakukan karena Kabupaten Bogor yang menjadi daerah kajian terletak di tengah-tengah citra path 122 row 64 dan citra path 122 row 65. Setelah digabung, citra kemudian dilakukan penyekatan citra tahap 1 menjadi citra Kabupaten Bogor sebelum diperkecil kembali menjadi citra kecamatan. Hal ini bertujuan agar untuk mempermudah pengenalan kelas penutup lahan di Kabupaten Bogor, mempermudah pemilihan citra kecamatan dan mereduksi volume citra agar kerja komputer menjadi lebih ringan. Citra Kabupaten (termasuk Kota) Bogor yang telah dipotong kemudian dilakukan penjamanan citra dengan cara menggabungkan citra Kabupaten Bogor band 6-5-4 citra Landsat 8 yang memiliki resolusi 30 30 m dengan band 9 citra Landsat 8 yang memiliki resolusi 15 15 m (resolusi lebih tinggi). Citra Kabupaten Bogor kemudian dilakukan penyekatan citra tahap 2 menjadi 3 buah citra kecamatan yang menjadi citra kajian sehingga diperoleh citra Kecamatan Ciomas, Kecamatan Dramaga dan Kecamatan Cibungbulang. Ketiga citra tersebut memiliki karakteristik berbeda dalam penyebaran pola keragaman kenampakan penutup lahan yang dilihat pada saat interpretasi visual citra Landsat 8 di masing-masing kecamatan. Kecamatan Ciomas dipilih sebagai daerah kajian karena memiliki keragaman kenampakan penutup lahan yang cukup tinggi dan ukuran citra yang relatif kecil. Kecamatan Dramaga dipilih sebagai daerah kajian karena memiliki keragaman kenampakan penutup lahan yang sedang dan ukuran citra yang sedang. Kecamatan Cibungbulang dipilih sebagai daerah kajian karena memiliki keragaman kenampakan penutup lahan yang rendah dan ukuran citra yang relatif besar. Berdasarkan interpretasi visual citra, diperoleh informasi kelas penutup lahan yang digunakan pada penelitian ini terdiri dari 7 kelas (Tabel 2). Tabel 2 Kelas penutup lahan yang digunakan Kelas Pemukiman Sawah Tubuh Air (air, danau, waduk, dan sungai) Ladang perkebunan Hutan dan semak-belukar Lahan terbuka Unclass (awan dan citra di luar kecamatan)
Warna Hasil Klasifikasi Red (merah) Yellow (kuning) Blue (biru) Cyan (biru kehijauan) Green (hijau) Magenta (merah keunguan) Black (hitam)
10 Penyusunan Training Sample Setiap kecamatan memiliki karakteristik dan luas masing-masing kelas penutup lahan yang berbeda. Hal ini menyebabkan pembuatan training sample harus dilakukan dengan menyesuaikan karakteristik lahan yang terdapat pada citra kecamatan tersebut. Training sample dibuat menggunakan bentuk polygon dan titik (point) sesuai dengan kenampakan pada citra. Seluruh training sample yang digunakan telah dibuktikan kondisi lahannya melalui survei lapangan di tiga kecamatan yang menjadi daerah kajian. Training sampel yang digunakan pada Kecamatan Ciomas, Dramaga dan Cibungbulang terangkum pada Tabel 3, Tabel 4 dan Tabel 5. Tabel 3 menunjukkan bahwa training sample pada Kecamatan Ciomas diwakili oleh kumpulan piksel antara 12 sampai 142 piksel. Training sample yang paling besar tediri dari 142 piksel yaitu pada kelas pemukiman. Sementara kelas tubuh air dan lahan terbuka merupakan kelas dengan training sample yang paling sedikit yakni 12 piksel dan 14 piksel. Kelas penutup lahan lainnya diwakili oleh kumpulan piksel yang cukup besar (≥ 100 piksel). Hal ini disebabkan karakteristik kelas penutup lahan pada citra Kecamatan Ciomas yang padat dan didominasi oleh kelas pemukiman. Sementara tubuh air yang cukup luas hanya ditemui pada sebuah danau buatan di Perumahan Ciomas Permai. Lahan terbuka yang cukup luas ditemui di selatan Kecamatan Ciomas. Tabel 3 Training sample Kecamatan Ciomas Kelas Pemukiman Sawah Tubuh Air Ladang Kebun Hutan Belukar Lahan Terbuka Unclass
Warna Merah Kuning Biru Biru Hijau Hijau Merah Ungu Hitam
Piksel 142 109 12 108 112 14 103
Poligon 4/142 5/109 3/12 3/108 3/112 1/7 3/103
Poin 0 0 8 0 0 7 0
Tabel 4 menunjukkan bahwa training sample pada Kecamatan Dramaga diwakili oleh kumpulan piksel antara 25 sampai 146 piksel. Training sample setiap kelas diwakili oleh kumpulan piksel yang cukup besar (≥100 piksel). Sementara kelas lahan terbuka merupakan kelas dengan training sample paling sedikit yakni 22 piksel. Hal ini disebabkan Kecamatan Dramaga memiliki karakteristik kelas penutup lahan yang tersebar merata dengan baik seperti pemukiman, sawah, tubuh air, perkebunan dan hutan belukar. Kelas lahan terbuka salah satunya dapat ditemui di lapangan sepakbola Gymnasium IPB Dramaga. Tabel 4 Training sample Kecamatan Dramaga Kelas Pemukiman Sawah Tubuh Air Ladang Kebun Hutan Belukar Lahan Terbuka Unclass
Warna Merah Kuning Biru Biru Hijau Hijau Merah Ungu Hitam
Piksel 146 115 88 110 130 25 121
Poligon 5/146 5/115 3/78 5/110 5/130 1/22 3/121
Poin 0 0 10 0 0 3 0
11 Tabel 5 menunjukkan training sample yang digunakan pada Kecamatan Cibungbulang diwakili oleh kumpulan piksel antara 35 sampai 180 piksel. Citra kecamatan ini merupakan citra dengan ukuran paling besar sesuai dengan luas kecamatannya. Kecamatan Cibungbulang yang luas memudahkan penyusunan training sample dengan banyaknya lokasi yang dapat dipilih. Training sample setiap kelas pada citra kecamatan ini terwakili oleh kumpulan piksel yang cukup besar. Tabel 5 Training sample Kecamatan Cibungbulang Kelas Pemukiman Sawah Badan Air Ladang Kebun Hutan Belukar Lahan Terbuka Unclass
Warna Merah Kuning Biru Biru Hijau Hijau Merah Ungu Hitam
Piksel 180 161 39 140 135 35 101
Poligon 7/180 6/161 2/23 5/140 5/126 3/35 3/101
Poin 0 0 16 0 9 0 0
Penilaian Kebaikan Hasil Klasifikasi pada setiap Kecamatan Metode klasifikasi citra yang digunakan pada penelitian ini adalah kemungkinan maksimum, jarak Mahalanobis, jaringan syaraf tiruan dan support vector machine. Setiap citra kecamatan menggunakan sebuah training sample yang sama, kemudian dilakukan klasifikasi citra dengan keempat metode tersebut serta dihitung pula nilai kesalahan komisi, kesalahan omisi, akurasi keseluruhan dan koefisien kappa dari setiap hasil klasifikasi. Informasi kesalahan komisi dan kesalahan omisi pada masing-masing kelas penutup lahan di setiap kecamatan dapat diperoleh berdasarkan perhitungan dari matriks kesalahan yang terdapat pada Lapiran 1 dan Lampiran 2. Kelas tubuh air (85.4%) dan lahan terbuka (82.82%) merupakan kelas dengan kesalahan komisi paling tinggi, yaitu piksel yang salah diklasifikasikan sehingga masuk ke kelas tersebut cukup banyak di Kecamatan Ciomas. Sementara pada Kecamatan Dramaga, kelas lahan terbuka (79.10%) dan hutan belukar (79.10%) merupakan kelas dengan nilai komisi tertinggi. Kecamatan Cibungbulang pun menunjukkan hasil yang serupa yakni kelas tubuh air (68.73%), hutan belukar (60.83%) dan lahan terbuka (68.73%) menghasilkan nilai komisi yang paling tinggi. Kesalahan omisi atau persentase piksel kelas lain yang salah diklasifikasikan pada Kecamatan Ciomas yang paling tinggi dapat dilihat pada kelas tubuh air (70.03%) dan lahan terbuka (84.61%). Nilai kesalahan omisi yang terdapat di Kecamatan Dramaga relatif tidak terlalu besar dan nilai yang tertinggi berada pada kelas lahan terbuka (51.65%). Sementara pada Kecamatan Cibungbulang, kelas tubuh air merupakan kelas dengan kesalahan omisi tertinggi yakni sebesar 61.62%. Bila diperhatikan, beberapa kelas yang memiliki nilai komisi dan omisi tertinggi merupakan kelas dengan training sample yang kecil dan berdasarkan kondisi di lapangan, kelasnya tidak seluas kelas penutup yang lain sehingga hasil klasifikasinya kurang baik. Kelas penutup lahan dengan komposit warna hampir serupa seperti kelas vegetasi (badan air, sawah, kebun, lahan terbuka dan hutan) merupakan kelas penutup lahan yang selalu terdapat kesalahan komisi dan omisi.
Akurasi Keseluruhan (%)
12 95.00% 90.00% 85.00% 80.00% 75.00% 70.00% Max Like
Mah Dist
NN
Ciomas
SVM
Max Like
Mah Dist
NN
SVM
Dramaga Lokasi Kecamatan
Max Like
Mah Dist
NN
SVM
Cibungbulang
Gambar 1 Nilai akurasi keseluruhan setiap metode di ketiga kecamatan Hasil perhitungan nilai akurasi keseluruhan berdasarkan matriks kesalahan dari setiap metode klasifikasi di ketiga citra kecamatan dapat dilihat pada Gambar 1. Metode klasifikasi kemungkinan maksimum (Max Like) pada Kecamatan Ciomas menghasilkan nilai akurasi keseluruhan tertinggi yakni sebesar 92.71%. Metode klasifikasi jarak Mahalanobis (Mah Dist) menghasilkan nilai akurasi keseluruhan sebesar 77.60%. Sementara metode klasifikasi jaringan syaraf tiruan (NN) dan support vector machine (SVM) memberikan nilai akurasi keseluruhan masing-masing sebesar 84.22% dan 83.98%. Hal ini menunjukkan bahwa metode klasifikasi kemungkinan maksimum, jaringan syaraf tiruan dan support vector machine memberikan hasil klasifikasi yang baik pada citra kecamatan dengan keragaman kondisi lahan tinggi. Dari ketiga metode tersebut diperoleh nilai akurasi di atas nilai 80%, sementara metode klasifikasi jarak Mahalanobis memberikan hasil yang kurang baik dengan nilai akurasi di bawah nilai 80%. Nilai akurasi keseluruhan pada Kecamatan Dramaga yang memiliki keragaman kondisi lahan sedang untuk metode kemungkinan maksimum diperoleh sebesar 91.01%, sementara metode jarak Mahalanobis 83.42%. Metode klasifikasi jaringan syaraf tiruan dan support vector machine memberikan nilai akurasi keseluruhan masing-masing sebesar 85.03% dan 86.61%. Hal ini juga menunjukan hasil klasifikasi yang baik sama seperti pada hasil klasifikasi untuk citra kecamatan yang memiliki keragaman kondisi lahan tinggi. Hasil yang serupa ditemukan pada Kecamatan Cibungbulang yang memiliki keragaman kondisi lahan rendah yaitu metode kemungkinan maksimum juga memberikan nilai akurasi keseluruhan paling tinggi yakni 92.24% sementara metode jarak Mahalanobis memberikan nilai paling rendah yakni sebesar 77.68%. Metode klasifikasi jaringan syaraf tiruan dan support vector machine memberikan nilai akurasi keseluruhan masing-masing sebesar 80.09% dan 80.46%. Hasil ini menunjukkan bahwa nilai akurasi keseluruhan pada citra kecamatan yang memiliki keragaman rendah juga tidak jauh berbeda seperti pada hasil klasifikasi citra kecamatan lainnya. Gambar 2 merupakan hasil perhitungan nilai koefisien kappa berdasarkan matriks kesalahan yang diperoleh dari setiap metode klasifikasi di ketiga citra kecamatan. Nilai koefisien kappa tertinggi pada Kecamatan Ciomas dihasilkan oleh metode kemungkinan maksimum (Max Like) yakni sebesar 0.8907. Metode jarak Mahalanobis (Mah Dist) menghasilkan nilai koefisien kappa 0.678.
13
Koefisien Kappa
Sementara metode jaringan syaraf tiruan (NN) dan support vector machine (SVM) memberikan nilai koefisien kappa masing-masing sebesar 0.7655 dan 0.7640. Hasil ini mendukung nilai akurasi keseluruhan yang telah diperoleh sebelumnya. 1 0.8 0.6 0.4 0.2 0
Max Like
Mah Dist
NN
Ciomas
SVM
Max Like
Mah Dist
NN
SVM
Dramaga
Max Like
Mah Dist
NN
SVM
Cibungbulang
Lokasi Kecamatan
Gambar 2 Nilai koefisien kappa setiap metode di ketiga kecamatan Nilai koefisien kappa pada Kecamatan Dramaga yang diperoleh berdasarkan matriks kesalahan untuk metode kemungkinan maksimum sebesar 0.8578, sementara metode jarak Mahalanobis sebesar 0.7398. Metode jaringan syaraf tiruan (NN) dan support vector machine (SVM) memberikan nilai koefisien kappa masing-masing sebesar 0.7621 dan 0.7887. Hasil ini juga mendukung nilai akurasi keseluruhan yang telah diperoleh pada Kecamatan Dramaga sebelumnya. Hasil yang serupa ditemukan pada Kecamatan Cibungbulang, metode kemungkinan maksimum juga memberikan nilai koefisien kappa tertinggi yakni 0.8830 sementara metode jarak Mahalanobis memberikan nilai terendah yakni sebesar 0.6745. Metode jaringan syaraf tiruan (NN) dan support vector machine (SVM) memberikan nilai koefisien kappa masing-masing sebesar 0.7094 dan 0.7114. Seperti hasil pada kecamatan sebelumnya, nilai koefisien kappa pada Kecamatan Cibungbulang juga sejalan dengan nilai akurasi keseluruhan yang telah diperoleh. Perbandingan Kebaikan Hasil Metode Klasifikasi Nilai rata-rata akurasi keseluruhan dan koefisien kappa dari metode kemungkinan maksimum merupakan yang paling sebesar yakni sebesar 91.99% dan 0.8771. Nilai rata-rata akurasi keseluruhan dan koefisien kappa terbesar kedua adalah nilai dari metode support vector machine (SVM) yaitu sebesar 83.68% dan 0.7547. Metode jaringan syaraf tiruan memberikan nilai rata-rata akurasi keseluruhan dan koefisien kappa yang tidak berbeda jauh dengan metode SVM yaitu sebesar 83.11% dan 0.7457. Metode jarak Mahalanobis merupakan metode yang memberikan nilai rata-rata akurasi keseluruhan dan koefisien kappa paling kecil yaitu sebesar 79.57% dan 0.6974.
14
SIMPULAN DAN SARAN Simpulan Hasil perhitungan pada matriks kesalahan menunjukkan bahwa metode klasifikasi kemungkinan maksimum merupakan metode klasifikasi citra digital terbaik dengan nilai rata-rata akurasi keseluruhan sebesar 91.99% dan koefisien kappa sebesar 0.8771. Metode kemungkinan maksimum menghasilkan klasifikasi citra yang paling akurat dibandingkan metode klasifikasi citra lainnya baik pada citra dengan keragaman kenampakan lahan tinggi di Kecamatan Ciomas, citra dengan keragaman kenampakan lahan sedang di Kecamatan Dramaga maupun citra dengan keragaman kenampakan lahan rendah di Kecamatan Cibungbulang. Metode klasifikasi jaringan syaraf tiruan dan support vector machine juga memberikan hasil yang cukup baik. Akan tetapi, metode klasifikasi jarak Mahalanobis memberikan hasil klasifikasi yang kurang baik. Hasil penelitian ini menyimpulkan bahwa metode klasifikasi citra yang paling baik digunakan adalah metode klasifikasi kemungkinan maksimum. Saran Penelitian selanjutnya dapat dilakukan kajian dengan menggunakan beberapa metode klasifikasi terbimbing yang lainnya seperti metode klasifikasi parallelepiped, minimum distance, spectral angle mapper, spectral information divergence dan binary encoding. Selain itu, penelitian selanjutnya harus lebih meningkatkan ketelitian pada saat membuat training sample dan pemahaman yang baik mengenai kondisi lahan pada daerah kajian yang akan dianalisis agar diperoleh hasil klasifikasi yang lebih akurat.
DAFTAR PUSTAKA Ahmad A, Quegan S. 2012. Analysis of Maximum Likelihood Classification on Multispectral Data. Applied Mathematical Sciences. 129 (64):25–36. Deswantara I. 2013. Pengenalan Suara Berdasarkan Usia dan Jenis Kelamin Menggunakan Algoritma SVM [Skripsi]. Bogor (ID): Institut Pertanian Bogor. Foody, GM. 2002. Status of Land Cover Classification Accuracy Assesment. Remote Sensing of Environtment. 80:185–201. Gil A, Yu Q, Lobo A, Lourenco P, Silva P, Calado P. 2011. Assessing The Effectiveness of High Resolution Satellite Imagery for Vegetation Mapping in Small Islands Protected Areas. Journal of Coastal Research. 64:16631667. Hermawan I. 2008. Deteksi Perubahan Penutupan Lahan di Taman Nasional Gunung Halimum Salak Menggunakan Citra Landsat Multiwaktu [skripsi]. Bogor (ID): Institut Pertanian Bogor.
15 Huang C, Davis LS, Townshend JRG. 2002. An Assesment of Support Vector Machines for Land Cover Classification. International Jurnal Remote Sensing. 23(4):727-749. Laksono A. 2006. Kajian Artificial Neural Network (ANN) Untuk Data Respon Biner (Studi Kasus: Kejadian Infeksi Luka Operasi) [skripsi]. Bogor (ID): Institut Pertanian Bogor. Lillesand, TM, Kiefer RW. 1990. Remote Sensing and Image Interpretation. New York (USA): John Wiley and Sons. Li P, Jiang L, Feng Z. 2014. Cross - Comparison of Vegetation Indices Derived from Landsat-7 Enhanced Thematic Mapper Plus (ETM+) and Landsat-8 Operational Land Imager (OLI) Sensors. Remote Sens. 6:310-329. Lo, CP. 1995. Penginderaan Jauh Terapan (Terjemahan). Jakarta (ID): UI-Press. Lu D, Weng Q. 2007. A Survey Of Image Classification Methods And Techniques For Improving Classification Performance. International Journal of Remote Sensing. 28(5): 823–870. Prahasta E. 2009. Sistem Informasi Geografis: Konsep-Konsep (Perspektif Geodesi dan Geomatika). Bandung (ID): Informatika Bandung. Purwadhi SH. 2000. Interpretasi Citra Digital. Jakarta (ID): PT. Gramedia Widiasaeana Indonesia. Skidmore AK, Turner BJ, Brinkhof W, Konwless E. 1997. Performance of Neural Network: Mapping Forest Using GIS and Remotely Sensed Data. Photogrammetric Engineering & Remote Sensing. 63(5):501-514. Susilawati I. 2013. Perbandingan Euclidean dan Mahalanobis Distance Classifier Untuk Klasifikasi Citra Mamografi. Jurnal Orbith. 2:62-68.
16 Lampiran 1 Rata-rata kesalahan komisi setiap kelas penutup lahan Kelas Pemukiman Sawah Tubuh air Ladang Kebun Hutan Belukar Lahan Terbuka Unclass
Ciomas 0.95% 21.45% 85.40% 58.34% 42.80% 82.82% 0.62%
Dramaga 5.96% 28.76% 37.35% 23.98% 63.99% 79.10% 1.10%
Cibungbulang 2.37% 19.36% 68.73% 36.41% 60.83% 68.73% 0.05%
Rata-Rata 3.09% 23.19% 63.82% 39.58% 55.87% 76.88% 0.59%
17 Lampiran 2 Rata-rata kesalahan omisi setiap kelas penutup lahan Kelas Pemukiman Sawah Tubuh air Ladang Kebun Hutan Belukar Lahan Terbuka Unclass
Ciomas 22.66% 43.04% 70.03% 31.91% 8.49% 84.61% 0.23%
Dramaga 31.47% 29.68% 39.55% 29.80% 26.13% 51.65% 0.04%
Cibungbulang 39.70% 34.64% 61.62% 30.31% 28.15% 51.24% 0.03%
Rata-Rata 31.28% 35.79% 57.07% 30.67% 20.92% 62.50% 0.10%
18 Lampiran 3 Rata-rata akurasi keseluruhan setiap metode klasifikasi Metode Kemungkinan Maksimum Jarak Mahalanobis Jaringan Syaraf Tiruan Support Vector Machine
Ciomas 92.71% 77.60% 84.22% 83.98%
Akurasi Keseluruhan Dramaga Cibungbulang 91.01% 92.24% 83.42% 77.68% 85.03% 80.09% 86.61% 80.46%
Rata-rata 91.99% 79.57% 83.11% 83.68%
19 Lampiran 4 Rata-rata koefisien kappa setiap metode klasifikasi Metode Kemungkinan Maksimum Jarak Mahalanobis Jaringan Syaraf Tiruan Support Vector Machine
Ciomas 0.8907 0.678 0.7655 0.764
Koefisien Kappa Dramaga Cibungbulang 0.8578 0.883 0.7398 0.6745 0.7621 0.7094 0.7887 0.7114
Rata-rata 0.8772 0.6974 0.7457 0.7547
20
RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 1 Februari 1993. Penulis merupakan putra pertama dari tiga bersaudara dari pasangan Mochamad Ischak dan Mimah Tusariah. Pendidikan pada tingkat perguruan tinggi ditempuh sejak diterima di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2010 melalui jalur Undangan Seleksi Masuk IPB (USMI). Sebelumnya, penulis telah menyelesaikan pendidikan di SMA Negeri 3 Bogor, SMP Negeri 9 Bogor, dan SDN Muarasari 1. Selama perkuliahan, penulis aktif dalam beberapa organisasi diantaranya adalah menjadi Ketua Divisi Komunikasi dan Informasi Paguyuban KSE IPB Periode 2013/2014, Wakil Ketua Umum Himpunan Profesi Gamma Sigma Beta IPB Periode 2012, Staf Divisi Komunikasi dan Informasi Paguyuban KSE IPB Periode 2012/2013 dan Pengurus Dewan Gedung Asrama Putra C2 IPB Periode 2010/2011. Penulis juga pernah menjadi asisten praktikum untuk mata kuliah Metode Statistika pada tahun ajaran 2012/2013 dan tahun ajaran 2013/2014 serta mata kuliah Perancangan Percobaan pada tahun ajaran 2012/2013. Di samping itu, penulis juga aktif dalam kepanitiaan berskala nasional, seperti Pesta Sains Nasional 2012, Statistika Ria 2012 sebagai Ketua Divisi Acara dan Statistika Ria 2011 sebagai Anggota Divisi Acara. Penulis melaksanakan Praktik Lapang di PT. Grup Riset Potensial pada bulan Juli sampai Agustus 2013. Salah satu prestasi yang diraih penulis adalah mendapatkan beasiswa Karya Salemba Empat selama tiga periode yaitu tahun ajaran 2011/2012, 2012/2013 dan 2013/2014.
