KLASIFIKASI CITRA SATELIT MENGGUNAKAN JARINGAN SYARAF TIRUAN UNTUK MENGEKSTRAKSI TAMPAKAN PERMUKIMAN DAERAH PERKOTAAN (Studi Kasus: Kota Bandarlampung) TESIS MAGISTER Diajukan untuk melengkapi tugas dan syarat-syarat dalam mencapai gelar Magister Teknik Institut Teknologi Bandung Oleh: YOHANNES NIM: 25199014
PROGRAM STUDI TEKNOLOGI INFORMASI SPASIAL JURUSAN TEKNIK GEODESI PROGRAM PASCASARJANA INSTITUT TEKNOLOGI BANDUNG 2002
1
ABSTRAK Klasifikasi tutupan lahan pada citra satelit dengan pendekatan parametrik mensyaratkan bahwa data pelatihan setiap kelas dalam setiap band harus berdistribusi Gauss agar diperoleh hasil yang akurat. Namun, persyaratan tersebut seringkali sulit dipenuhi. Penelitian ini difokuskan pada, (1) studi atas kinerja Jaringan Syaraf Tiruan (JST) yang menggunakan pendekatan non-parametrik dengan metode perambatan-balik terawasi dalam mengklasifikasi dataset citra satelit untuk mengekstraksi tampakan permukiman daerah perkotaan, dan (2) menguji kemampuan jaringan tersebut dalam mengekstraksi subkelas permukiman padat, sedang, dan jarang. Sebagai pembanding, digunakan metode pendekatan parametrik Maximum Likelihood Classifier (MLC). Beberapa kesimpulan diperoleh dari penelitian ini, yaitu (a) untuk mengekstraksi kelas permukiman dapat dilakukan hanya dengan melatih daerah permukiman itu Baja tanpa hams melakukan pelatihan pada kelaskelas tutupan lahan lainnya. (b) perbedaan distribusi dan jumlah piksel antara hasil JST dan MLC sangat signifikan, (c) metode JST mampu mengenali setiap individu piksel yang berada di daerah samar (fuzzy) di luar jenis klasifikasi yang ditawarkan (d) dalam mengklasifikasi permukiman, metode JST lebih akurat daripada MLC, (e) Tidak ada kendala berarti berkenaan dengan waktu pemrosesan, (f) agar memperoleh hasil terbaik, seringkali jaringan hams diuji-coba beberapa kali dengan bobot awal random yang berbeda, (g) kendala memori dalam pemrosesan JST dapat diatasi dengan algoritma Levenberg-Marquardt bermemori rendah, dan (h) JST mampu mengekstraksi sampai dengan tingkat kedua subkelas daerah permukiman padat, sedang, dan jarang, hal yang tidak mampu dilakukan oleh MLC, dengan hasil JST lebih akurat daripada MLC. Kata kunci: jaringan syaraf truan, maximum likelihood, ekstraksi kelas permukiman daerah perkotaan, citra satelit, Landsat TM5
v
ABSTRACT Landcover/landuse classifications on satellite images with parametric approach have a basic spesification that the training data of each class in each band must be in Gaussian distributed form in order to have high accuracy results. Unfortunately, the spesification is often difficult to fulfill. This research focused on., (1) studying the performances of the Artificial Neural Network (ANN) which based on non-parametric approach with supervised back-propagation method in classifying a dataset of satellite imagery to extract residential features of an urban area, and (2) examining the capability of the network to extract the subclasses of high, medium, and low densed residential areas. As a comparison study, a parametric approach method, Maximum Likelihood Classifier (MLC) was used. Some conclusions found from this research, i.e, (a) it is possible to extract residential class just by training the residential area itself without having to train the other landcover classes, (b) the differences of pixel distribution and quantity between ANN and MLC results are really significant, (c) ANN method is able to recognize every individual pixel which is in fuzzy locations excluding the offered classification types, (d) in classifying the residensial area, ANN method gives more accurate results than MLC, (e) there are no significant problems with ANN processing time, (f) in order to get the best result, sometimes the networks must be attempted by trial and error experiments with different randomized first weight, (g) the memory problems in ANN processing can be overcome by low memory Levenberg-Marquardt algorithm, and (h) ANN can extract until the second level of subclasses of high, medium, and low densed residential areas, which can not be done by MLC, with ANN's results are more accurate than MLC's. Keyword: artificial neural network, maximum likelihood, urban area residential class extraction, satellite imagery, Landsat TM5
vi
