KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK KLASIFIKASI PENUTUP LAHAN DENGAN METODE KEMUNGKINAN MAKSIMUM ALFIANSYAH MUHAMMAD

KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK KLASIFIKASI PENUTUP LAHAN DENGAN METODE KEMUNGKINAN MAKSIMUM

ALFIANSYAH 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 Ukuran Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum 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, Juli 2014 Alfiansyah Muhammad NIM G14100067

ABSTRAK ALFIANSYAH MUHAMMAD. Kajian Ukuran Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum. Dibimbing oleh AAM ALAMUDI, HARI WIJAYANTO, dan WIWEKA. Klasifikasi dalam penginderaan jauh didefinisikan sebagai suatu metode untuk memberikan label pada piksel berdasarkan karakter spektral yang dimiliki oleh piksel tersebut. Klasifikasi terbimbing merupakan klasifikasi nilai piksel didasarkan pada contoh daerah yang diketahui jenis objek dan nilai spektralnya. Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek yang diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan training sample yang tepat dan sesuai menjadi sulit dilakukan sehingga mengurangi hasil ketelitian klasifikasi. Kelas penutup lahan diklasifikasikan dengan menggunakan metode kemungkinan maksimum. Kombinasi training sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta rata-rata nilai koefisien Kappa sebesar 0.6298. Training sample perlu dibuat sedemikian rupa sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar dengan ukuran masing-masing poligon yang kecil. Kata kunci: klasifikasi kemungkinan maksimum, penginderaan jauh, training sample

ABSTRACT ALFIANSYAH MUHAMMAD. Optimum Training Sample Size Assessment for Land Cover Classification by Maximum Likelihood Method. Supervised by AAM ALAMUDI, HARI WIJAYANTO, and WIWEKA. Classification in remote sensing is defined as a method for labeling the pixels based on spectral character possessed by the pixel. Supervised classification is a classification of the pixel values are based on sample areas of known object types and spectral values. High spectral value diversity and overlapping on the object observed are problem in land cover classification. Making proper and appropriate training sample becomes difficult to do. It reduces the accuracy of classification results. Land cover classes were classified by maximum likelihood method. The best combination is combination 9 (111-160 pixels, 15 polygons). Average of overall classification accuracy (KH) is 70.55% and the average of Kappa coefficient is 0.6298. Training samples need to be made such that it has a large total pixels obtained from a large number of polygons with a small size of each polygon. Keywords: maximum likelihood classification, remote sensing, training sample

KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK KLASIFIKASI PENUTUP LAHAN DENGAN METODE KEMUNGKINAN MAKSIMUM

ALFIANSYAH 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 Ukuran Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum Nama : Alfiansyah Muhammad NIM : G14100067

Disetujui oleh

Ir Aam Alamudi, MSi Pembimbing I

Dr Ir Hari Wijayanto, MSi Pembimbing II

Diketahui oleh

Dr Anang Kurnia, MSi Ketua Departemen

Tanggal Lulus:

Dr Wiweka Pembimbing III

PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2014 ini adalah penginderaan jauh, dengan judul Kajian Ukuran Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum. Terima kasih penulis ucapkan kepada Bapak Ir Aam Alamudi, MSi, Bapak Dr Ir Hari Wijayanto, MSi, dan Bapak Dr Wiweka selaku pembimbing. Di samping itu, penghargaan penulis sampaikan kepada seluruh staf Lembaga Penerbangan dan Antariksa Nasional, staf dan jajaran dosen Departemen Statistika serta Keluarga Statistika IPB khususnya angkatan 47, yang telah banyak membantu memberikan saran dan dukungannya sehingga terselesaikannya karya ilmiah ini. Ungkapan terima kasih juga penulis sampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan dukungannya. Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2014 Alfiansyah Muhammad

DAFTAR ISI DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

1

TINJAUAN PUSTAKA

2

Data Raster

2

Klasifikasi Terbimbing

2

Klasifikasi Kemungkinan Maksimum

3

Metode Penarikan Contoh

3

METODOLOGI PENELITIAN

4

Sumber Data

4

Metode Analisis

4

HASIL DAN PEMBAHASAN

6

Gambaran Umum Wilayah Penelitian

6

Ketelitian Pemetaan

7

Uji Ketelitian Klasifikasi

7

Koefisien Kappa

9

Training sample Optimum SIMPULAN DAN SARAN

11 11

Simpulan

11

Saran

12

DAFTAR PUSTAKA

12

LAMPIRAN

13

RIWAYAT HIDUP

18

DAFTAR TABEL 1 Kombinasi training sample ....................................................................... 5 2 Matriks kesalahan ...................................................................................... 6 3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap kombinasi training sample ........................................................................ 7

DAFTAR GAMBAR 1 Struktur model data raster ......................................................................... 2 2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada setiap kategori total piksel ......................................................................... 8 3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada setiap kategori jumlah poligon .................................................................. 8 4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) masing-masing kategori total piksel pada setiap kategori jumlah poligon ....................................................................................................... 9 5 Rata-rata nilai koefisien Kappa pada setiap kategori total piksel ............. 9 6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah poligon ..... 10 7 Rata-rata nilai koefisien Kappa masing-masing kategori total piksel pada setiap kategori jumlah poligon ..................................................... 10

DAFTAR LAMPIRAN 1 Tabel ketelitian pemetaan kelas air setiap kombinasi training sample (%) ............................................................................................. 13 2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi training sample (%) ................................................................................. 13 3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training sample (%) ............................................................................................... 13 4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi training sample (%) ................................................................................. 14 5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training sample (%) ............................................................................................... 14 6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi training sample (%) ................................................................................. 14 7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training sample (%) ............................................................................................... 15 8 Tabel nilai koefisien Kappa setiap kombinasi training sample ............... 15 9 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15 10 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15 11 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 16

12 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16 13 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16 14 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16 15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%) ........................... 16 16 Tabel rata-rata nilai koefisien Kappa ...................................................... 17

PENDAHULUAN Latar Belakang Lillesand dan Kiefer (1990) menjelaskan bahwa penginderaan jauh (remote sensing) 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. Perkembangan teknologi penginderaan jauh harus diikuti dengan pengembangan analisis di bidang tersebut. Salah satu contoh analisis yang sering dilakukan pada data penginderaan jauh adalah klasifikasi penutup lahan. Informasi mengenai klasifikasi dimungkinkan karena setiap penggunaan lahan memiliki penutup lahan, yaitu material yang nampak dari permukaan bumi seperti air, tanaman dan tanah yang mempunyai karakteristik spektral yang berbeda. Penutup lahan adalah perwujudan secara fisik objek-objek yang menutupi lahan. Terkadang penutup lahan ini bersifat alami. Ciri spektral yang spesifik disebut penciri spektral (spectral signature) yang digunakan untuk mengklasifikasikan penutup lahan pada multispectral image. Richards (1986) dalam tulisan Buono (2004) menjelaskan definisi klasifikasi dalam penginderaan jauh, yaitu sebagai suatu metode untuk memberikan label pada piksel berdasarkan karakter spektral yang dimiliki oleh piksel tersebut. Metode klasifikasi terbimbing merupakan teknik yang cukup baik digunakan pada klasifikasi penutup lahan. Klasifikasi terbimbing merupakan klasifikasi nilai piksel didasarkan pada contoh daerah yang diketahui jenis objek dan nilai spektralnya. Salah satu metode klasifikasi yang sering digunakan adalah klasifikasi berdasarkan kemungkinan maksimum (maximum likelihood). Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek yang diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan training sample yang tepat dan sesuai pada setiap kelas penutup lahan menjadi sulit dilakukan sehingga mengurangi hasil ketelitian klasifikasi. Jumlah serta besar ukuran piksel dan poligon menjadi permasalahan penting yang harus dipertimbangkan untuk mendapatkan training sample yang tepat dan dapat mewakili setiap kelas penutup lahan. Penelitian ini mengkaji jumlah poligon dan total seluruh piksel optimum untuk menghasilkan klasifikasi citra digital yang memiliki akurasi tinggi. Pada penelitian ini digunakan 9 kombinasi training sample. Kombinasi tersebut didasarkan pada jumlah serta besar ukuran piksel dan poligon. Klasifikasi berdasarkan kemungkinan maksimum dilakukan pada setiap kombinasi training sample. Kemudian dari seluruh kombinasi tersebut didapatkan satu kombinasi training sample dengan akurasi ketelitian klasifikasi tertinggi yang menjadi kombinasi training sample optimum untuk klasifikasi penutup lahan. Tujuan Penelitian Tujuan dari penelitian ini adalah mengkaji jumlah poligon dan total seluruh piksel optimum untuk menghasilkan klasifikasi citra digital yang memiliki akurasi tinggi.

2

TINJAUAN PUSTAKA Data Raster Pada umumnya data yang dihasilkan dari citra satelit adalah data raster. Data raster menampilkan, menempatkan, dan menyimpan data spasial dengan menggunakan struktur matriks atau piksel-piksel yang membentuk grid. Setiap piksel memiliki nilai tertentu dan memiliki atribut tersendiri, termasuk nilai koordinat yang unik. Tingkat keakurasian model ini sangat tergantung pada ukuran piksel atau biasa disebut dengan resolusi. Umumnya, data setiap piksel ini diimplementasikan di dalam data 8-bit atau 1-byte (0, 1 , 2, …, 254, 255). Pada citra skala keabuan (greyscale) yang normal, intensitas dari gelap menuju terang akan terbagi ke dalam 256 tingkatan (0 – 255). Nilai 0 (minimum) merepresentasikan warna hitam/gelap, sedangkan nilai 255 (maksimum) merepresentasikan warna putih/terang, sementara di antara nilai-nilai tersebut terdapat nilai-nilai antara hitam dan putih (abu-abu) (Prahasta 2009).

Gambar 1 Struktur model data raster Model data raster memberikan informasi spasial terhadap permukaan di bumi dalam bentuk gambaran yang digeneralisasi. Representasi dunia nyata disajikan sebagai elemen matriks atau piksel yang membentuk grid yang homogen. Pada setiap piksel mewakili setiap objek yang terekam dan ditandai dengan nilai-nilai tertentu. Secara konseptual, model data raster merupakan model data spasial yang paling sederhana (Prahasta 2005). Klasifikasi Terbimbing Menurut Purwadhi (2001) klasifikasi terbimbing yang didasarkan pada pengenalan pola spektral (spectral pattern recognition) terdiri atas tiga tahap, sebagai berikut: 1. Tahap training sample: membuat “kunci interpretasi” dan mengembangkan secara numerik spektral untuk setiap kenampakan dengan memeriksa batas daerah (training area). 2. Tahap klasifikasi: setiap piksel pada serangkaian data citra dibandingkan dengan setiap kategori pada kunci interpretasi numerik. Pembandingan bertujuan untuk menentukan nilai piksel yang tak

3 dikenal dan paling mirip dengan kategori yang sama. Perbandingan setiap piksel citra dengan kategori pada kunci interpretasi dikerjakan secara numerik menggunakan berbagai metode klasifikasi (jarak minimum rata-rata kelas, parallelepiped, kemungkinan maksimum). Setiap piksel kemudian diberi nama sehingga diperoleh matriks multidimensi untuk menentukan jenis kategori penutup lahan yang diinterpretasi. 3. Tahap penggabungan: menggabungkan hasil matriks sehingga terbentuk peta penutup lahan dan membuat tabel matriks luas berbagai jenis penutup lahan pada citra. Klasifikasi Kemungkinan Maksimum Purwadhi (2001) menjelaskan bahwa klasifikasi berdasarkan kemungkinan maksimum merupakan metode pengklasifikasian dengan cara mengevaluasi kuantitatif varian maupun korelasi pola tanggapan spektral pada saat mengklasifikasikan piksel yang tidak dikenal. Menurut Ahmad dan Quegan (2012) klasifikasi berdasarkan kemungkinan maksimum adalah metode klasifikasi terbimbing yang berasal dari teorema Bayes. Klasifikasi ini mengasumsikan bahwa sebaran data dari setiap kelas tertentu mengikuti sebaran Normal sehingga setiap piksel dapat diklasifikasikan berdasarkan fungsi log likelihood sebagai berikut:

Keterangan: = fungsi log kemungkinan maksimum = vektor data yang akan diklasifikasikan = vektor rata-rata (mean) untuk kelas i = matriks kovarian untuk kelas i = transpos dari vektor = invers dari matriks π = 22/7 = jumlah saluran piksel ω masuk ke dalam kelas i dengan aturan: ω € i jika , , untuk dan , dengan adalah banyaknya kelas penutup lahan. Setiap piksel masuk ke dalam kelas tertentu yang memiliki nilai log kemungkinan maksimum tertinggi. Metode Penarikan Contoh Pada penelitian ini metode penarikan contoh yang digunakan adalah purposive sampling. Menurut Riduwan (2009) purposive sampling atau dikenal juga dengan sampling pertimbangan adalah teknik penarikan contoh yang digunakan peneliti jika peneliti mempunyai pertimbangan-pertimbangan tertentu di dalam pengambilan contohnya atau penentuan contoh untuk tujuan tertentu. Purposive sampling juga dapat diartikan sebagai teknik pengambilan contoh

4 secara sengaja atau ditentukan sendiri oleh peneliti karena ada pertimbangan tertentu. Metode ini didasarkan pada penilaian peneliti mengenai objek yang pantas untuk diambil sebagai contoh, sehingga peneliti harus mempunyai latar belakang pengetahuan tertentu mengenai contoh yang dimaksud agar mendapatkan contoh yang sesuai dengan tujuan penelitian.

METODOLOGI PENELITIAN Sumber Data Data yang digunakan pada penelitian ini adalah data citra satelit Landsat 8 Kecamatan Darmaga pada 22 April 2014 yang diperoleh dari website United States Geological Survey (USGS) pada http//:www.earthexplorer.usgs.gov. Data vektor kecamatan di Kabupaten Bogor diperoleh dari Lembaga Penerbangan dan Antariksa Nasional (LAPAN). Metode Analisis Tahapan analisis yang digunakan adalah: 1. Membuat peta klasifikasi rujukan sebagai pembanding dengan tahapan sebagai berikut: a. Menentukan wilayah yang akan diklasifikasikan. Wilayah yang terpilih ditentukan berdasarkan keragaman nilai spektral yang cukup tinggi. Keragaman nilai spektral yang tinggi dapat dilihat dari keragaman kelas penutup lahan pada wilayah tersebut. b. Mengidentifikasi dan menentukan kelas penutup lahan yang akan diklasifikasikan. Kelas-kelas penutup lahan ditentukan berdasarkan tipe penutup lahan yang ada di wilayah terpilih. c. Membuat training sample awal dengan Google Earth dan data lapangan sebagai rujukan. d. Melakukan klasifikasi berdasarkan kemungkinan maksimum (maximum likelihood) dari training sample awal pada data citra satelit Landsat 8 di wilayah yang telah ditentukan dengan perangkat lunak 2. Mengambil training sample setiap kelas penutup lahan pada data citra satelit Landsat 8 dengan kombinasi training sample yang telah ditentukan. Swain dan Davis (1978) dalam tulisan Priyatna (2007) menganjurkan jumlah piksel minimum yang diambil untuk mewakili setiap kelas penutup lahan adalah sebanyak N+1. N adalah jumlah saluran yang digunakan pada penelitian ini, yaitu 11 saluran. Pengambilan contoh dilakukan dengan rincian sebagai berikut: a. Total seluruh piksel yang akan diambil pada setiap kelas penutup lahan dikelaskan ke dalam 3 kategori, yaitu piksel 1 (11-60 piksel), piksel 2 (61-110 piksel), dan piksel 3 (111-160 piksel).

5 b. Jumlah poligon yang akan diambil pada setiap kelas penutup lahan dikelaskan ke dalam 3 kategori, yaitu poligon 1 (5 poligon), poligon 2 (10 poligon), dan poligon 3 (15 poligon). c. Membuat 9 kombinasi training sample dari kategori piksel dan poligon yang telah ditentukan seperti pada Tabel 1 serta membuat ulangan sebanyak 3 kali. Tabel 1 Kombinasi training sample Kombinasi 1 2 3 4 5 6 7 8 9

Training Sample 11-60 piksel, 5 poligon 61-110 piksel, 5 poligon 111-160 piksel, 5 poligon 11-60 piksel, 10 poligon 61-110 piksel, 10 poligon 111-160 piksel, 10 poligon 11-60 piksel, 15 poligon 61-110 piksel, 15 poligon 111-160 piksel, 15 poligon

3. Melakukan klasifikasi berdasarkan kemungkinan maksimum pada masing-masing kombinasi training sample. 4. Melakukan uji ketelitian klasifikasi untuk setiap kelas penutup lahan pada hasil klasifikasi masing-masing kombinasi training sample. Short (1982) dalam tulisan Purwadhi (2001) menjelaskan uji ketelitian interpretasi dapat dilakukan dengan menghitung ketelitian pemetaan dengan rumus sebagai berikut:

Keterangan: MA = Ketelitian pemetaan (mapping accuracy) Xcr = Jumlah kelas X yang terkoreksi Xo = Jumlah kelas X yang masuk ke kelas lain (omisi) Xco = Jumlah kelas X tambahan dari kelas lain (komisi) 5. Melakukan uji ketelitian klasifikasi secara keseluruhan pada hasil klasifikasi masing-masing kombinasi training sample. Menurut Short (1982) dalam tulisan Purwadhi (2001), uji ketelitian klasifikasi secara keseluruhan (KH) dapat dihitung dengan rumus sebagai berikut:

6. Menghitung nilai koefisien Kappa pada hasil klasifikasi masing-masing kombinasi training sample untuk melihat ketelitian klasifikasi. Menurut Foody (2002) berikut adalah rumus untuk menghitung koefisien Kappa:

6

Survei Lapangan

Tabel 2 Matriks kesalahan Hasil Interpretasi A B C D A B C D ∑

∑

n

7. Melakukan analisis deskriptif pada hasil uji ketelitian klasifikasi secara keseluruhan (KH) dan koefisien Kappa. 8. Menyimpulkan dan menentukan kombinasi terbaik serta training sample optimum berdasarkan ketelitian klasifikasi secara keseluruhan (KH) dan koefisien Kappa yang paling tinggi.

HASIL DAN PEMBAHASAN Gambaran Umum Wilayah Penelitian Data yang digunakan pada penelitian ini adalah data citra satelit Landsat 8 kecamatan Darmaga pada tanggal 22 April 2014. Kecamatan Darmaga terpilih sebagai wilayah yang dikaji karena memiliki keragaman nilai spektral yang cukup tinggi serta terdapat tumpang tindih pada objek yang diamati. Penelitian ini hanya menggunakan satu wilayah kajian. Hal ini disebabkan setiap wilayah memiliki keragaman nilai spektral yang berbeda serta memiliki luas setiap penutup lahan yang tidak sama sehingga kombinasi training sample yang telah ditentukan tidak sesuai dengan wilayah tersebut. Keterbatasan utama untuk mengkaji wilayah lain adalah kelas pentup lahan yang belum dapat dikenali secara benar sehingga klasifikasi awal tidak dapat dilakukan. Pada penelitian ini terdapat 6 kelas penutup lahan yang akan diklasifikasikan. Kelas penutup lahan tersebut adalah air, pemukiman, hutan, perkebunan, sawah, dan lahan terbuka. Namun terdapat satu kelas tambahan (unclass) yang digunakan untuk mendefinisikan daerah di luar kecamatan Darmaga dan kelas awan.

7 Ketelitian Pemetaan Setiap kelas penutup lahan memiliki nilai ketelitian pemetaan yang berbeda. Nilai ini menunjukkan ketepatan klasifikasi setiap kelas penutup lahan. Nilai tersebut juga merepresentasikan tingkat kesulitan setiap kelas penutup lahan dalam pengambilan training sample. Semakin rendah akurasi kelas penutup lahan maka semakin sulit kelas tersebut dalam pengambilan training sample. Tabel 3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap kombinasi training sample Ketelitian Pemetaan (%) Kombinasi 1 2 3 4 5 6 7 8 9 Rata-rata Simp. Baku Maksimum Minimum

Lahan Air Pemukiman Hutan Perkebunan Sawah Terbuka 39.03 76.97 39.30 38.49 42.31 30.55 41.15 77.00 25.39 33.21 35.75 39.02 39.10 78.11 28.05 43.75 41.01 37.91 37.65 74.07 43.06 41.02 43.23 23.49 35.36 78.34 33.70 40.47 46.76 36.09 30.30 80.52 44.68 49.55 37.43 39.01 39.02 76.36 35.75 39.52 38.37 30.73 29.21 80.25 47.00 53.74 41.87 38.41 32.04 82.43 51.22 53.01 50.21 40.13 35.87 78.23 38.69 43.64 41.88 35.04 4.35 2.52 8.70 7.02 4.55 5.59 41.15 82.43 51.22 53.74 50.21 40.13 29.21 74.07 25.39 33.21 35.75 23.49

Dari ketelitian pemetaan setiap kelas penutup lahan, kelas pemukiman memiliki rata-rata nilai ketelitian pemetaan yang tertinggi yaitu sebesar 78.23%. Hal ini terjadi karena pada kelas pemukiman tidak terjadi tumpang tindih antar objek yang diamati. Kelas lahan terbuka memiliki rata-rata nilai ketelitian pemetaan terendah yaitu sebesar 35.04%. Kelas ini menjadi sulit untuk diklasifikasikan karena luasnya yang relatif kecil dan adanya tumpang tindih antar objek yang diamati sehingga harus berhati-hati dalam pengambilan training sample. Uji Ketelitian Klasifikasi Dari pengklasifikasian 9 kombinasi training sample dengan klasifikasi kemungkinan maksimum, terlihat bahwa terdapat tren menaik pada kategori total piksel. Semakin besar total piksel maka rata-rata nilai KH semakin bertambah. Piksel 3 merupakan kategori total piksel yang terbaik dengan nilai rata-rata keseluruhan tertinggi yaitu sebesar 66.57%, sedangkan piksel 1 memiliki rata-rata keseluruhan terendah yaitu sebesar 63.80%.

8

Gambar 2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada setiap kategori total piksel Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar jumlah poligon maka rata-rata nilai KH semakin bertambah. Poligon 3 merupakan kategori jumlah poligon terbaik karena memiliki rata-rata nilai KH tertinggi pada piksel 2 dan piksel 3, serta memiliki rata-rata secara keseluruhan sebesar 66.90%. Poligon 1 memiliki ketelitian klasifikasi terendah dengan rata-rata keseluruhan sebesar 62.51%.

Gambar 3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada setiap kategori jumlah poligon Berdasarkan ketelitian klasifikasi secara keseluruhan (KH) terlihat bahwa kombinasi 9 memberikan nilai akurasi yang paling tinggi dengan rata-rata sebesar 70.55%. Kombinasi training sample lainnya memiliki nilai rata-rata KH yang tidak melebihi 70%, yaitu kombinasi 8 (67.25%), kombinasi 6 (65.61%),

9

Gambar 4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) masing-masing kategori total piksel pada setiap kategori jumlah poligon kombinasi 5 (65.53%), kombinasi 4 (64.39%), kombinasi 1 (64.13%), kombinasi 3 (63.54%), dan kombinasi 7 (62.90%). Kombinasi 2 memiliki rata-rata nilai ketelitian klasifikasi terendah yaitu sebesar 59.86%.

Koefisien Kappa Berdasarkan koefisien Kappa terlihat bahwa terdapat tren menaik pada kategori total piksel. Semakin besar total piksel maka rata-rata nilai koefisien Kappa semakin bertambah. Piksel 3 adalah kategori total piksel terbaik dengan rata-rata keseluruhan nilai koefisien Kappa tertinggi yaitu sebesar 0.5882, sedangkan piksel 1 memiliki rata-rata keseluruhan terendah yaitu sebesar 0.5438.

Gambar 5 Rata-rata nilai koefisein Kappa pada setiap kategori total piksel

10

Gambar 6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah poligon Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar jumlah poligon maka rata-rata nilai koefisien Kappa semakin bertambah. Poligon 3 merupakan kategori jumlah poligon terbaik karena memiliki rata-rata koefisien Kappa tertinggi pada piksel 2 dan piksel 3, serta memiliki rata-rata keseluruhan sebesar 0.5881. Poligon 1 memiliki nilai koefisien Kappa terendah dengan ratarata keseluruhan sebesar 0.5385.

Gambar 7 Rata-rata nilai koefisien Kappa masing-masing kategori total piksel pada setiap kategori jumlah poligon Kombinasi training sample terbaik juga dapat dilihat dari nilai koefisien Kappa. Kombinasi 9 memiliki rata-rata nilai koefisien Kappa terbaik, yaitu

11 sebesar 0.6298. Nilai rata-rata koefisien Kappa terendah berada pada kombinasi 2, yaitu sebesar 0.5135. Kombinasi training sample lainnya memiliki rata-rata nilai koefisien Kappa sebesar 0.5948 (kombinasi 8), 0.5794 (kombinasi 6), 0.5657 (kombinasi 5), 0.5553 (kombinasi 3), 0.5466 (kombinasi 1), 0.5451 (kombinasi 4), dan 0.5396 (kombinasi 7). Training sample Optimum Hasil ketelitian klasifikasi secara keseluruhan menunjukkan bahwa nilai akurasi yang paling baik terdapat pada kombinasi 9 atau training sample dengan total piksel dan jumlah poligon yang besar (111-160 piksel, 15 poligon) yaitu dengan rata-rata akurasi 70.55%. Simpangan baku dari kombinasi 9 sebesar 1.81%. Kombinasi 9 juga memiliki nilai rata-rata koefisien Kappa terbaik yaitu sebesar 0.6298 dengan simpangan baku 0.0211. Kategori total piksel terbaik berdasarkan nilai KH terdapat pada piksel 3 (110-160 piksel) yang memiliki ratarata akurasi sebesar 66.57% dengan simpangan baku sebesar 3.60%. Berdasarkan koefisien Kappa, piksel 3 juga memiliki nilai rata-rata tertinggi, yaitu sebesar 0.5882 dengan simpangan baku sebesar 0.0380. Kategori jumlah poligon terbaik terdapat pada poligon 3 (15 poligon) yang memiliki rata-rata KH sebesar 66.90% dengan simpangan baku sebesar 3.84%, serta memiliki nilai rata-rata koefisien Kappa sebesar 0.5881 dengan simpangan baku sebesar 0.0455.

SIMPULAN DAN SARAN Simpulan Kombinasi training sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta nilai koefisien Kappa sebesar 0.6298. Kombinasi 9 memiliki training sample dengan total seluruh piksel dan jumlah poligon yang besar pada setiap kelas penutup lahan. Dalam pengklasifikasian penutup lahan, training sample yang digunakan harus mencukupi pada setiap kelas penutup lahan. Total seluruh piksel yang besar dibutuhkan untuk merepresentasikan nilai spektral setiap kelas penutup lahan yang memiliki keragaman tinggi. Jumlah poligon yang cukup besar juga memberikan akurasi yang lebih baik, tetapi dengan ukuran yang tidak terlalu besar pada setiap poligon. Ukuran poligon yang terlalu besar mengakibatkan kesalahan dalam pengambilan training sample. Hal ini disebabkan oleh piksel yang seharusnya masuk ke dalam kelas lain ikut terambil ke dalam training sample (piksel komisi). Training sample perlu dibuat sedemikian rupa sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar dengan ukuran masing-masing poligon yang kecil.

12 Saran Penelitian selanjutnya perlu mengkaji kemurnian piksel pada setiap kelas penutup lahan agar piksel kelas lain yang tidak termasuk ke dalam kelas tersebut (piksel komisi) tidak ikut terambil pada saat pengambilan training sample.

DAFTAR PUSTAKA Ahmad A, Quegan S. 2012. Analysis of Maximum Likelihood Classification on Multispectral Data. Applied Mathematical Sciences. 129 (64): 25 – 36. Buono A, Marimin, Putri D. 2004. Klasifikasi Penutup dan Penggunaan Lahan Pada Multispectral Image dari Landsat Thematic Mapper Menggunakan Probabilistic Neural Network. Jurnal Ilmiah - Ilmu Komputer. 2(2): 1-13. Foody GM. 2002. Status of Land Cover Classification Accuracy Assessment. Remote Sensing of Environment. 80: 185-201. Lillesand TM, Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra. Terjemahan oleh Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah. Sutanto, penyunting. Yogyakarta (ID): Gadjah Mada University Press. Prahasta E. 2005. Konsep-Konsep Dasar Sistem Informasi Geografis Ed-2. Bandung (ID): Informatika Bandung. Prahasta E. 2009. Sistem Informasi Geografis: Konsep-Konsep Dasar (Perspektif Geodesi & Geomatika). Bandung (ID): Informatika Bandung. Priyatna D. 2007. Deteksi Perubahan Tutupan Lahan di DAS Cisadane Bagian Hulu Menggunakan Data Landsat Multiwaktu [skripsi]. Bogor (ID): Institut Pertanian Bogor. Purwadhi FSH. 2001. Interpretasi Citra Digital. Jakarta (ID): PT. Gramedia Widiasaeana Indonesia. Riduwan. 2009. Pengantar Statistika Sosial Ed-2. Bandung (ID): Alfabeta.

13 Lampiran 1 Tabel ketelitian pemetaan kelas air setiap kombinasi training sample (%) Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 42.33 42.58 38.44 48.66 37.12 29.12 35.93 32.68 34.64

Ulangan 2 37.53 41.26 42.35 29.96 34.29 32.28 36.15 26.59 30.32

3 37.31 39.62 36.50 34.33 34.68 29.51 44.98 28.37 31.16

Rata- Simp. Maksimum Minimum rata Baku 39.05 2.84 42.33 37.31 41.15 1.48 42.58 39.62 39.10 2.98 42.35 36.50 37.65 9.79 48.66 29.96 35.36 1.53 37.12 34.29 30.30 1.72 32.28 29.12 39.02 5.16 44.98 35.93 29.21 3.13 32.68 26.59 32.04 2.29 34.64 30.32

Lampiran 2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi training sample (%) Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 82.28 76.48 79.87 75.68 74.04 80.70 73.44 79.91 82.32

Ulangan 2 75.84 77.45 76.54 70.07 79.60 77.94 80.27 79.48 82.80

3 72.80 77.08 77.91 76.47 81.39 82.93 75.39 81.37 82.16

Rata- Simp. Maksimum rata Baku 76.97 4.84 82.28 77.00 0.49 77.45 78.11 1.67 79.87 74.07 3.49 76.47 78.34 3.83 81.39 80.52 2.50 82.93 76.36 3.52 80.27 80.25 0.99 81.37 82.43 0.33 82.80

Minimum 72.80 76.48 76.54 70.07 74.04 77.94 73.44 79.48 82.16

Lampiran 3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training sample (%) Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 48.15 34.42 36.39 24.51 32.06 31.70 33.03 47.49 54.75

Ulangan 2 24.15 21.80 20.97 47.33 36.78 54.20 41.79 50.47 43.30

3 34.28 19.95 26.80 57.36 32.27 48.14 32.43 43.05 55.60


14 Lampiran 4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi training sample (%) Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 42.64 42.26 46.87 39.08 42.20 39.05 26.51 49.41 55.44

Ulangan 2 32.92 26.83 40.72 46.73 35.93 55.54 46.90 55.49 54.95

3 33.61 30.52 43.65 37.26 43.29 54.06 45.16 56.30 48.66


Lampiran 5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training sample (%) Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 52.31 34.58 40.75 44.03 46.71 30.39 24.69 39.69 53.32

Ulangan 2 40.21 36.48 41.91 41.56 47.73 41.77 43.88 43.97 48.02

3 44.87 36.18 40.37 44.11 45.83 40.14 46.55 41.96 49.30

Ratarata 45.80 35.75 41.01 43.23 46.76 37.43 38.37 41.87 50.21

Simp. Maksimum Minimum Baku 6.10 1.02 0.80 1.45 0.95 6.15 11.93 2.14 2.77

52.31 36.48 41.91 44.11 47.73 41.77 46.55 43.97 53.32

40.21 34.58 40.37 41.56 45.83 30.39 24.69 39.69 48.02

Lampiran 6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi training sample (%) Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 29.04 37.38 35.63 19.95 36.03 30.80 28.18 31.21 40.00

Ulangan 2 25.93 41.39 38.64 21.16 44.29 40.72 29.88 39.73 42.37

3 36.68 38.28 39.47 29.35 27.96 45.51 34.12 44.29 38.01


15 Lampiran 7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training sample (%) Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 70.27 63.30 65.83 62.68 65.57 59.32 55.18 65.43 72.61

Ulangan 2 59.69 58.64 61.20 64.64 65.67 69.06 66.58 68.05 69.79

3 62.42 57.66 63.60 65.83 65.37 68.45 66.93 68.28 69.25

Ratarata

Simp. Maksimum Minimum Baku

64.13 59.86 63.54 64.39 65.53 65.61 62.90 67.25 70.55

5.49 3.01 2.31 1.59 0.15 5.46 6.69 1.58 1.81

70.27 63.30 65.83 65.83 65.67 69.06 66.93 68.28 72.61

59.69 57.66 61.20 62.68 65.37 59.32 55.18 65.43 69.25

Lampiran 8 Tabel nilai koefisien Kappa setiap kombinasi training sample Kombinasi K1 K2 K3 K4 K5 K6 K7 K8 K9

1 0.61 0.55 0.58 0.53 0.57 0.51 0.46 0.57 0.65

Ulangan 2 0.49 0.50 0.53 0.55 0.57 0.62 0.57 0.60 0.62

3 0.54 0.49 0.56 0.56 0.56 0.61 0.58 0.61 0.61

Ratarata 0.55 0.51 0.56 0.55 0.57 0.58 0.54 0.59 0.63

Simp. Maks. Baku 0.06 0.61 0.03 0.55 0.02 0.58 0.01 0.56 0.01 0.57 0.06 0.62 0.07 0.58 0.02 0.61 0.02 0.65

Lampiran 9 Tabel rata-rata ketelitian pemetaan kelas air (%)

Piksel1 Piksel2 Piksel3 Rata-rata

Poligon1 Poligon2 Poligon3 Rata-rata 39.05 37.65 39.02 38.58 41.15 35.36 29.21 35.24 39.10 30.30 32.04 33.81 39.77 34.44 33.42

Lampiran 10 Tabel rata-rata ketelitian pemetaan kelas pemukiman (%)



Min. 0.49 0.49 0.53 0.53 0.56 0.51 0.46 0.57 0.61

16 Lampiran 11 Tabel rata-rata ketelitian pemetaan kelas hutan (%)

piksel1 piksel2 piksel3

poligon1 poligon2 poligon3 Rata-rata 35.52 43.06 35.75 38.11 25.39 33.70 47.00 35.37 28.05 44.68 51.22 41.32 29.66 40.48 44.66

Lampiran 12 Tabel rata-rata ketelitian pemetaan kelas perkebunan (%)



Lampiran 13 Tabel rata-rata ketelitian pemetaan kelas sawah (%)



Lampiran 14 Tabel rata-rata ketelitian pemetaan kelas lahan terbuka (%)



Lampiran 15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%)



17 Lampiran 16 Tabel rata-rata koefisien Kappa

piksel1 piksel2 piksel3 Rata-rata


18

RIWAYAT HIDUP Penulis dilahirkan di Bekasi pada tanggal 11 Mei 1992 dari pasangan Bapak Sutrisno, SE dan Ibu Henny Purwatiningsih. Penulis merupakan anak keempat dari empat bersaudara. Pendidikan pada tingkat perguruan tinggi ditempuh sejak diterima di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2010. Sebelumnya, penulis telah menyelesaikan pendidikannya di SD Negeri Jaka Setia 2 pada tahun 2004, SMP Negeri 9 Bekasi pada tahun 2007, dan SMA Negeri 6 Bekasi pada tahun 2010. Selama masa perkuliahan, penulis aktif menjadi Anggota Departemen Beta Club, Himpunan Profesi Gamma Sigma Beta IPB periode 2012, Anggota Departemen Human Reserch and Development, Himpunan Profesi Gamma Sigma Beta periode 2013, dan anggota Rohanisasi Islam Statistika angkatan 47. Penulis juga pernah menjadi staff pengajar di kelompok bimbingan belajar Expert. Di samping itu, penulis juga aktif dalam kepanitiaan, seperti Pekan Olahraga Statistika IPB 2011 sebagai Ketua Pelaksana, Statistika Ria 2011 sebagai Anggota Divisi Publikasi dan Promosi, Statistika Ria 2012 sebagai Anggota Divisi Sponsorship, Statis-trip 2012 sebagai Wakil Ketua Pelaksana, dan Kompetisi Statistika Junior 2013 sebagai Anggota Divisi Sponsorship dan Hubungan Masyarakat.

KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK KLASIFIKASI PENUTUP LAHAN DENGAN METODE KEMUNGKINAN MAKSIMUM ALFIANSYAH MUHAMMAD

Recommend Documents