13
KLASIFIKASI HABITAT PERAIRAN DANGKAL DARI CITRA SATELIT QUICKBIRD MENGGUNAKAN METODE KECERDASAN BUATAN
ASMADIN
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011
PERNYATAAN MENGENAI THESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa thesis “Klasifikasi Habitat Perairan Dangkal Dari Citra Satelit Quickbird Menggunakan Metode Kecerdasan Buatan” adalah karya saya sendiri dibawah bimbingan Komisi Pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal dan/atau dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir thesis ini.
Bogor, Juli 2011 Asmadin NRP C552070051
i
ii
ABSTRACT This research was conducted in Seribu Islands of DKI Jakarta province, from March to June 2009. The research objectives were to develop methods of ANN classification algorithm to map shallow water habitats, and to test the classification accuracy rate from image Quickbird satellite data with the standard method of ANN BP and AdaBoost algorithms. Primary data collected through remote sensing data and field surveys, while secondary data were collected from relevant research. Classification of digital image analysis using unsupervised classification ANN-SOM algorithm and supervised classification of BP and AdaBoost algorithm. The results showed that ANN-SOM algorithm to cluster shallow water habitats by Quickbird satellite show a pattern and a good performance after the input data is corrected using the method of invariant Deep Index (Lyzenga algorithm); ANN-BP and ANN-AdaBoost algorithm can mapp shallow water habitats classess; live coral, dead coral, sand, seagrass, sand mixed seagrass, sand mix coral; ANN-BP algorithm requires a number of iterations of 5.600 to recognize objects with cross entropy 0.20, while the AdaBoost algorithm requires the number of iterations 280, relatively little with quadratic error 0:24 until iteration stopping; level of classification accuracy thematic shallow water habitats training ANN-BP algorithm is obtained overall accuracy of 82.79% and 83.61% ANN-AdaBoost. Correction position shows the value of Delta E ranges between 0.4 - 6.7 meters, which explains that the positioning accuracy is better, although not optimal as using Differential GPS. Keywords: Shallow Water Classification, Quickbird, Algorithm, ANN-SOM, ANN-BP, ANN-AdaBoost, Accuracy assessment
iii
iv
RINGKASAN ASMADIN. Klasifikasi Habitat Perairan Dangkal Dari Citra Satelit Quickbird Menggunakan Metode Kecerdasan Buatan. Dibimbing oleh VINCENTIUS P. SIREGAR dan ANTONIUS BAMBANG WIJANARTO. Pendekatan
ANN-SOM
dapat
mengenalisasi
data
dalam
bentuk
pengelompokkan berdasarkan radius ketetanggaan pixel dalam dimensi tinggi. Pendekatan
ini
merupakan
salah
satu
teknik
klasifikasi
ANN
secara
unsupervised. Pendekatan ANN secara supervised menarik lainnya adalah single layer neuron (lapisan dua layer) dalam sistem ANN-BP dapat dioptimalkan dengan algoritma ANN-AdaBoost menggunakan kalman filtering (Freund dan Shapire 1996). Kenyataan ini menjadi penting artinya bahwa perlunya suatu percobaan dan pengembangan metode klasifikasi citra satelit untuk memetakan habitat perairan dangkal di Indonesia dengan berupaya meningkatkan accuracy assessment data selama proses penelitian. Penelitian ini dilaksanakan di Kepulauan Seribu Provinsi DKI Jakarta dari Maret sampai Juni 2009. Penelitian ini bertujuan mengembangkan metode klasifikasi algoritma ANN untuk memetakan skema klasifikasi dan menguji tingkat akurasi habitat perairan dangkal dari citra satelit Quickbird standar algoritma BP dan AdaBoost. Metode pengumpulan data primer dilakukan secara stratified random sampling. Data primer dikumpulkan melalui data remote sensing dan survey lapang, sedangkan data sekunder dikumpulkan dari penelitian yang relevan. Analisis klasifikasi citra digital menggunakan klasifikasi ANN unsupervised algoritma SOM dan ANN supervised algoritma BP dan AdaBoost. Hasil analisis klasifikasi ANN unsupervised SOM untuk klaster habitat perairan dangkal dari citra satelit Quickbird menunjukkan pola dan performa yang baik setelah data input dikoreksi menggunakan metode Deep Invariant Index (algoritma Lyzenga). Klasifikasi ANN supervised algoritma BP dan AdaBoost dapat memetakan kelas habitat perairan dangkal meliputi; karang hidup, karang mati, pasir, lamun, pasir campur lamun, dan pasir campur karang. Pelatihan ANN supervised algoritma BP memerlukan jumlah iterasi hingga henti sebesar 5,600 untuk mengenali objek dengan cross entropy 0.20, sedangkan algoritma AdaBoost memerlukan jumlah iterasi 280 relatif sedikit dengan quadratic error 0.24.
v
Tingkat akurasi klasifikasi tematik habitat perairan dangkal pelatihan algoritma BP diperoleh overall accuracy sebesar 82.79 % dan AdaBoost 83.61%. Koreksi posisi menunjukkan nilai Delta E berkisar antara 0.4 - 6.7 meter, yang menjelaskan bahwa akurasi posisi lebih baik, meskipun belum optimal seperti menggunakan Differential Geographycal Positioning System (DGPS).
vi
© Hak cipta milik Institut Pertanian Bogor tahun 2011 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apa pun, baik cetak, fotokopi, mikrofilm, dan sebagainya
vii
viii
KLASIFIKASI HABITAT PERAIRAN DANGKAL DARI CITRA SATELIT QUICKBIRD MENGGUNAKAN METODE KECERDASAN BUATAN
ASMADIN
Thesis Sebagai salah satu syarat untuk memperoleh gelar Magister pada Program Studi Teknologi Kelautan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011
ix
Penguji Luar Komisi: Dr. Ir. Jonson Lumban Gaol, M.Si.
x
Judul Tesis
: Klasifikasi Habitat Perairan Dangkal Dari Citra Satelit Quickbird Menggunakan Metode Kecerdasan Buatan
Nama Mahasiswa
: Asmadin
NRP
: C552070051
Program Studi
: Teknologi Kelautan
Disetujui
Komisi Pembimbing
Dr. Antonius Bambang Wijanarto Anggota
Dr. Ir. Vincentius P.Siregar, DEA. Ketua
Diketahui
Ketua Program Studi Teknologi Kelautan
Dekan Sekolah Pascasarjana
Dr. Ir. Djisman Manurung, M.Sc. NIP. 19480630 197803 1 002
Dr. Ir. Dahrul Syah, M.Sc.Agr NIP. 19650814 199002 1 001
Tanggal Ujian :
Tanggal Lulus :
xi
LAMPIRAN
xii
PRAKATA Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas segala rahmat, taufiq dan hidayah-Nya sehingga tesis dengan judul “Klasifikasi Habitat Perairan Dangkal Dari Citra Satelit Quickbird Menggunakan Metode Kecerdasan Buatan” berhasil diselesaikan dengan baik. Ucapan terima kasih dan penghargaan taklupa penulis sampaikan masingmasing kepada : 1. Direktorat Pendidikan Tinggi Departemen Pendidikan Nasional, yang memberikan bantuan dana pendidikan melalui Beasiswa Program Pascasarjana (BPPS). 2. Rektor Universitas Universitas Haluoleo, Kendari yang telah memberikan izin untuk melanjutkan studi di Program Studi Teknologi Kelautan SPs IPB. 3. Dekan Sekolah Pascasarjana dan Ketua Program Studi Teknologi Kelautan (TEK) IPB, para staf pengajar yang membekali ilmu pengetahuan dan teknologi yang bermanfaat, teknisi dan staf Administrasi yang banyak membantu kelancaran studi. 4. Dr. Ir. Vincentius P. Siregar, DEA dan Dr. Antonius Bambang Wijanarto, sebagai komisi pembimbing yang telah banyak memberikan arahan dan bimbingan kepada penulis hingga selesainya tesis ini. 5. Dr. Ir. Jonson Lumban Gaol, M.Si. selaku dosen dan Penguji Luar Komisi yang banyak memberikan pengkayaan pengetahuan selama menempuh pendidikan dan pada Sidang Ujian Tesis. 6. Bapak Dr. Sam Woutuyzen, Dr. (C) Syamsul Bahri Agus, M.Si, Dr. (C) Sriyati, M.Si, Dr. (C) Khairul Amri, M.Si, Anggi Afif Muzakki, S.Pi., Amadhan Takwir, S.Kel dan Adik-adik anggota FDC IPB atas bantuannya dalam penelitian ini. 7. Rekan-rekan Mahasiswa SPs IPB Program Studi Teknologi Kelautan (TEK) angkatan I (2007) dan Program Studi Ilmu Kelautan (IKL’2007) atas segala kerjasama dan dukungannya selama ini. 8. Rekan-rekan seperjuangan selama menulis di bengkel MIT Dept. ITK FPIK IPB yang dikomandoi Iqbal dan jumlahnya tidak dapat saya sebutkan satu persatu atas kebersamaan dan semangat bersama untuk maju. 9. Teristimewa kupersembahkan kepada Ayahanda dan Ibunda yang telah tiada beberapa tahun lalu. 10. Seluruh keluarga besarku atas perhatian, doa dan bantuan baik materil maupun moril selama penulis mengikuti pendidikan. 11. Papi dan Mami (Mertuaku) sekeluarga atas dukungannya secara moril dan materil selama ini. 12. Khusus istriku tersayang yang lagi mengandung atas kesabaran dan dukungannya.
xiii
13. Semua pihak yang memberikan dukungan dan sumbangsih pemikiran dalam penyelesaian tesis ini. Semoga tesis ini bermanfaat. Bogor, Juli 2011 Asmadin
xiv
RIWAYAT HIDUP
Penulis merupakan anak keempat dari 6 bersaudara dari pasangan Ayah La Madjunae (Almarhum) dan Ibu Wantondu (Almarhumah), dilahirkan di sebuah desa pesisir Kabupaten Wakatobi Sulawesi Tenggara bernama “Langge” pada tanggal 27 Januari 1975. Pendidikan dasar dan menengah penulis, kesemuanya diselesaikan dengan baik di Kota Bau-Bau Sulawesi Tenggara. Pendidikan dasar pada SD Negeri 2 Nganganaumala Bau-Bau tahun 1982-1989. Tahun 1989-1991 menyelesaikan pendidikan menengah pertama di SMP Negeri 3 Bau-Bau. Tahun 1991 penulis melanjutkan ke SMA Negeri 2 Bau-Bau dan lulus tahun 1993. Penulis melanjutkan pendidikan ke jenjang sarjana dan memperoleh gelar sarjana perikanan (S.Pi) tahun 2001 pada Program Studi Manajemen Sumberdaya Perairan, Jurusan Perikanan Fakultas Pertanian Universitas Haluoleo dengan judul Skripsi “Pencemaran Bahan Organik dan Kelimpahan Makrozoobenthos di Perairan Teluk Kendari”. Penulis diterima sebagai staf Pengajar tetap pada Jurusan Perikanan, Fakultas Perikanan dan Ilmu Kelautan Universitas Haluoleo pada tahun 2005. Kesempatan menempuh pendidikan magister sains diperoleh tahun 2007 pada Program Pascasarjana IPB program studi Teknologi Kelautan (TEK). Dinyatakan lulus ujian Tesis dengan judul “Klasifikasi Habitat Perairan Dangkal Dari Citra Satelit Quickbird Menggunakan Metode Kecerdasan Buatan” dengan sangat baik. Beasiswa pendidikan pascasarjana diperoleh melalui bantuan Beasiswa Program Pascasarjana (BPPS) dari Direktur Jenderal Pendidikan Tinggi, Departemen Pendidikan Nasional Republik Indonesia.
xv
xvi
DAFTAR ISI Halaman PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI.......................... i ABSTRAK.............................................................................................................. iii RINGKASAN.......................................................................................................... v HALAMAN HAK CIPTA.........................................................................................vii HALAMAN JUDUL................................................................................................ ix HALAMAN PENGESAHAN................................................................................... xi PRAKATA............................................................................................................ xiii RIWAYAT HIDUP................................................................................................. xv DAFTAR ISI........................................................................................................ xvii DAFTAR TABEL.................................................................................................. xix DAFTAR GAMBAR.............................................................................................. xxi DAFTAR LAMPIRAN.......................................................................................... xxii I PENDAHULUAN................................................................................................1 1.1 Latar Belakang.............................................................................................. 1 1.2 Perumusan dan Pendekatan Masalah ......................................................... 2 1.3 Tujuan Penelitian...........................................................................................3 1.4 Manfaat Penelitian.........................................................................................3 1.5 Kerangka Pikir Penelitian.............................................................................. 4 II TINJAUAN PUSTAKA.......................................................................................5 2.1 Lingkungan dan Klasifikasi Habitat Terumbu Karang Inderaan Satelit......... 5 2.2 Teknik Penginderaan Jauh Habitat Terumbu Karang................................... 8 2.3 Quickbird..................................................................................................... 13 2.4 Aplikasi ANN untuk Klasifikasi Citra Satelit................................................. 17 2.5 Penilaian Akurasi Peta Tematik...................................................................20 III METODE PENELITIAN..................................................................................23 3.1 Waktu dan Lokasi Penelitian....................................................................... 23 3.2 Jenis dan Sumber Data...............................................................................23 3.3 Metode Pengumpulan Data Citra............................................................. 24 3.4 Analisis Pengolahan Citra ANN................................................................25 3.4.1 Pra Pengolahan Citra.....................................................................26 3.4.2 Pengolahan Citra...............................................................................27 3.5 Analisis Penilaian Akurasi........................................................................... 37 3.5.1 Akurasi Posisi GPS........................................................................... 37 3.5.2 Akurasi Peta Tematik........................................................................ 37 IV HASIL DAN PEMBAHASAN..........................................................................39 4.1 Pengenalan Pola dan Performa Klasifikasi ANN.........................................39 4.2 Pelatihan Klasfikasi Algoritma ANN.............................................................42 4.2.1 Klasifikasi Algoritma ANN unsupervised SOM.................................. 42 4.2.2 Klasifikasi Algoritma ANN supervised Backpropagation................... 46 4.2.3 Klasifikasi Algoritma ANN supervised Adaptive Boosting................ 52 4.3 Penilaian Akurasi Data................................................................................ 57 4.3.1 Koreksi Posisi....................................................................................57 4.3.2 Uji Akurasi Hasil Klasifikasi Habitat Perairan Dangkal...................... 57
xvii
V KESIMPULAN DAN SARAN...........................................................................63 5.1 Kesimpulan..................................................................................................63 5.2 Saran...........................................................................................................63 DAFTAR PUSTAKA LAMPIRAN
xviii
DAFTAR TABEL 2-1
Halaman Habitat terumbu karang.............................................................................. 5
2-2
Beberapa teknik penginderaan jauh satelit untuk pemetaan terumbu karang ....................................................................................... 11
2-3
Karakteristik sensor Quickbird-2 ..............................................................12
2-4
Akurasi keseluruhan kelas kategori terumbu karang buruk, sedang dan baik untuk citra Quickbird..................................................... 14
2-5
Karakteristik-karakteristik utama beberapa sensor resolusi sangat tinggi............................................................................................. 15
2-6
Contoh aplikasi ANN pada klasifikasi citra dan kenampakan data remote sensing yang digunakan (Paola dan Schowengerdt 1995a)..........26
2-7
Contoh aplikasi lainnya algoritma ANN untuk klasifikasi teresterial dan bentik di perairan coastal.................................................................................20
2-8
Contoh matriks uji secara matematik..............................................................22
3-1
Peralatan dan parameter pengukuran......................................................24
3-2
Parameter input klasifikasi........................................................................28
3-3
Parameter training ANN unsupervised..................................................... 28
3-4
Parameter training ANN supervised......................................................... 28
3-5
Region of Interest (ROI) training ANN supervised....................................29
3-6
Matrik konfusi (confussion matrix)............................................................ 28
4-1
Perbandingan hasil penelitian beberapa parameter training ANN supervised................................................................................................ 47
4-2
Cross entropy masing-masing input......................................................... 50
4-3
Quadratic error dan misclassification rate masing-masing input.............. 55
4-4
Uji akurasi klasifikasi habitat perairan dangkal algoritma ANN-BP.......... 58
4-5
Uji akurasi klasifikasi habitat perairan dangkal algoritma ANN-AdaBoost......................................................................................... 59
4-6
Matriks uji akurasi klasifikasi kondisi ekosistem terumbu karang.............61
xix
xx
DAFTAR GAMBAR 1-1
Halaman Diagram alir penelitian................................................................................4
2-1
Lingkungan utama terumbu karang (Frankel 1982)................................... 6
2-2
Skema klasifikasi habitat terumbu karang (Andrefout 2003)......................7
2-3
Ilustrasi kemampuan radiasi sensor satelit ke badan air............................8
2-4
Struktur tradisional tiga layer ANN, elemen pemrosesan dan fungsi ktivasi sigmoid (Schowengerdt 1997;2007)..............................................17
2-5
Ilustrasi perhitungan matriks konfusi........................................................ 22
3-1
Lokasi penelitian ......................................................................................17
3-2.
Metodologi umum training Algoritma ANN .............................................. 23
3-3
Training ANN supervised dalam persiapan klasifikasi citra......................26
3-4
Jaringan algoritma ANN-SOM.................................................................. 30
3-4
Jaringan algoritma ANN-BP dengan satu hidden layer............................ 32
3-5
Penentuan bobot synaptic untuk isolasi output neuron dengan Kalman Filter............................................................................................ 36
3-6
Jaringan algoritma ANN-AdaBoost dengan dua lapisan hidden layer......36
4-1.
Citra komposit RGB 321(a) dan RGB 421 (b), RGB 432(c) dan Lyzenga (d)........................................................................................39
4-2
Histogram statistik univariate Citra Quickbird ..........................................40
4-3
Histogram statistik multivariate Citra Quickbird ....................................... 41
4-4
Peta spasial hasil klasifikasi Algoritma SOM citra satelit Quickbird ........ 43
4-5
Histogram Klasifikasi Algoritma ANN-SOM.............................................. 45
4-6
Performa training ANN-BP masing-masing transformasi......................... 48
4-7
Lama iterasi selama pembelajaran algoritma ANN-BP............................ 49
4-8
Kenampakan spasial hasil klasifikasi algoritma ANN-BP ........................ 51
4-9
Histogram klasifikasi algoritma ANN-BP ................................................. 52
4-10
Kenampakan spasial klasifikasi algoritma ANN-AdaBoost.......................53
4-11
Histogram klasifikasi algoritma ANN-AdaBoost....................................... 53
4-12
Ukuran kesalahan (quadratic error) selama iterasi...................................54
4-13
Performa pembelajaran Algoritma ANN-AdaBoost berbagai input (Garis putus-putus untuk validasi data pelatihan dan titik-titik untuk data pengujian) ....................................................................................... 55
4-14
Validasi data pelatihan (putus-putus) dan data pengujian (titik-titik)........ 56
4-15
Bobot (weight) neuron selama kalkulasi jaringan (network)..................... 56
4-16
Lokasi kajian akurasi tematik klasifikasi algoritma ANN-BP.....................58
4-17
Lokasi kajian akurasi tematik klasifikasi algoritma ANN-AdaBoost.......... 59
4-18
Uji akurasi kondisi ekosistem terumbu karang (karang Lebar).................61
xxi
xxii
DAFTAR LAMPIRAN 1
Halaman Nilai RGB (RGB Value) objek training area..............................................65
2
Nilai statisik algoritma ANN-SOM Input semua Band (A1).......................65
3
Nilai statisik algoritma ANN-SOM Input Kombinasi Band 321 (A2)..........66
4
Nilai statisik algoritma ANN-SOM Input Kombinasi Band 421 (A3)..........66
5
Nilai statisik algoritma ANN-SOM Input Kombinasi Band 432 (A4)..........67
6
Nilai statisik algoritma ANN-SOM Input Lyzenga (A6)............................. 67
7
Nilai Digital Hasil Klasifikasi ANN-SOM dan Lyzenga.............................. 68
8
Nilai Digital Hasil Klasifikasi ANN-BP dan ANN-AdaBoost.......................73
xxiii
1. PENDAHULUAN 1.1 Latar Belakang Perolehan data penginderaan jauh dari hasil perekaman wahana satelit mampu memberikan informasi secara kuantitatif untuk berbagai tujuan, termasuk didalamnya
penilaian
pemetaan
habitat
perairan
dangkal.
Teknologi
penginderaan jauh mempunyai keunggulan untuk memetakan habitat perairan dangkal, karena kemampuannya melakukan monitoring dan inventarisasi pada areal yang luas dan repetitif, biaya operasional relatif murah, dan resiko sangat kecil (Mumby et.al 1997 dan Green et. al 2000). Berbagai satelit penginderaan jauh telah banyak dimanfaatkan dan terbilang tidak asing lagi untuk pemetaan habitat perairan dangkal. Namun dibalik kuantitas pemanfaatan teknologi tersebut terdapat kesulitan dan permasalahan khusus, yaitu kesulitan pada lingkungan bawah air adalah pengaruh variabel kedalaman pada reflektan dasar perairan (Mumby et al. 1998). Permasalahan yang dihadapi dalam aplikasi penginderaan jauh adalah menentukan tingkat akurasi dan ketidakpastian (uncertainity) (Congalton dan Green 1999; Atkinson dan Foody 2002). Beberapa hasil penelitian terapan metode penginderaan jauh untuk klasifikasi habitat perairan dangkal menghasilkan penyusunan skema dan penentuan jumlah kelas menggunakan tiga metode klasifikasi (Benfield et al. 2007), yaitu; (i) maximum likelihood (Mumby et al. 1997, Green et al. 2000, Maeder et al. 2002, Mumby dan Edwards 2002, Andrefouet et al. 2000;2003, dan Nurlidiasari 2004), (ii) contextual editing (Mumby et al. 1997; 1998, Maltus dan Mumby 2003), dan (iii) object-oriented (Mittelberg 2002 dan Wang et al. 2004). Sedangkan
pada
penilaian
tingkat
akurasi
klasifikasi
citra
umumnya
menggunakan matrik konfusi (Hudson dan Rumm 1987; Congalton dan green 1999; 2009; Richards dan Jia 2006; Schowengerdt 1997; 2007). Salah
satu metode klasifikasi citra yang
dapat
dijadikan pilihan
pengembangan klasifikasi lanjutan (advanced classification) adalah metode Artificial Neural Network (ANN) standar algoritma back-propagation (BP) disingkat ANN-BP. Menurut Taylor dan Smith (2006), bahwa penerapan algoritma ANN-BP untuk klasifikasi, diidentifikasi dari fungsi algoritma Learning Vector Quantification (LVQ) yang pertama kalinya dikembangkan oleh Kohonen
2
(1988), bahwa rata-rata klasifikasi statistik atau clustering input data space dinyatakan kedalam class region. Metode ANN-BP dengan training multilayer perceptron (MLP) dapat digunakan untuk klasifikasi citra satelit (Richards dan Jia 2006, Schowengerdt 1997; 2007). Penelitian menggunakan ANN ini mampu mengklasifikasi vegetasi dengan teknik adaptive resonante theory/ART (Carpenter et al. 1997). Hasil yang diperoleh Muchoney dan Williamson (2001) dari teknik ART memberikan klasifikasi yang sangat baik pada vegetasi maupun penutupan lahan lainnya. Menurut Lin et al. (2005), citra satelit juga dapat diklasifikasi dengan desain arsitektur cascade neuro-fuzzy mapping (CNFM) algoritma BP dan fungsi keanggotaan Gauss. Pendekatan menarik lainnya adalah single layer neuron (lapisan dua layer) dalam sistem ANN-BP dapat dioptimalkan dengan algoritma ANN Adaptive Boosting disingkat ANN-AdaBoost menggunakan kalman filtering (Freund dan Shapire 1996). Kenyataan ini menjadi penting artinya bahwa perlunya suatu percobaan dan pengembangan metode klasifikasi citra satelit untuk meningkatkan accuracy assessment penelitian habitat perairan dangkal di Indonesia. 1.2 Perumusan dan Pendekatan Masalah Kajian pemetaan habitat perairan dangkal menekankan pentingnya data berupa hasil survei lapang, sumberdata satelit, peta referensi yang dipakai, dan tingkat akurasi selama pemrosesan data berlangsung. Perumusan masalah pokok dalam penelitian ini adalah: “Bagaimana pengembangan metode ANN untuk klasifikasi habitat perairan dangkal dari citra satelit Quickbird dengan tingkat akurasi yang lebih baik?” Pendekatan untuk memecahkan permasalahan tersebut didasari atas analisis klasifikasi habitat perairan dangkal gabungan aspek geomorfologi dan ekologi (Mumby dan Harborne 1999). Klasifikasi berorientasi objek (object oriented) dan contextual editing ternyata lebih baik dari Maximum Likelihood (Andrefouet et al. 2003). Berkembangnya metode kecerdasan buatan (Artificial Intelligence) sangat memungkinkan
untuk
dicobakan
sebagai
tiruan
manipulasi
secara
komputasional, salah satunya melalui pengembangan metode ANN untuk memecahkan komputasi yang tidak dapat diselesaikan secara konvensional (Kuswadi 2006 dan Pandjaitan 2007).
3
Penerapan metode ANN unsupervised SOM (Self Organizing Map) disingkat ANN-SOM belum diterapkan seluas ANN supervised multilayer perceptron (MLP), ANN-SOM dapat digunakan untuk klasifikasi unsupervised dan supervised, dan memiliki karakteristik untuk kuantifikasi dan proyeksi vektor (Pal et al. 2005). Kemampuan
kuantifikasi
algoritma
ANN-SOM
dan
ANN-MLP
menggunakan citra resolusi sedang seperti ASTER dapat digunakan untuk klasifikasi penutupan lahan pada level per pixel (Hu dan Weng 2009). Algoritma ANN dapat dikembangkan untuk mengklasifikasi substrat pasir perairan dangkal tanpa bantuan ground truth data, spectral library atau citra hyper/multispektral Conger et al. (2005), sebagaimana analisis citra teresterial sukses dieksekusi oleh program klasifikasi ANN pada lingkungan yang bervariasi (Peterson et al. 2002). Algoritma ANN-AdaBoost diterapkan pada urutan tiga lapis umpan-maju (back-forward) jaringan ANN dalam rangka mengatasi kelemahan utama dari lama waktu pelatihan untuk klasifikasi data satelit multispektral tutupan lahan (Freund dan Shapire 1996). Algoritma ini menjadi algoritma efisien, pertama kali oleh Shah dan Palmieri (1990) berdasarkan pelatihan Kalman filter. Algoritma ini melatih setiap neuron dalam jaringan lokal, membuat eksplisit penggunaan matriks kesalahan bobot sinaptik neuron. Berdasarkan uraian permasalahan dan pendekatan, maka penerapan metode ANN-SOM, ANN-BP dan ANN-AdaBoost sangat memungkinkan dicobakan dan penting untuk menemukenali susunan skema klasifikasi habitat perairan dangkal dari citra satelit Quickbird dengan tingkat akurasi yang lebih baik. 1.3 Tujuan Penelitian Mengembangkan metode klasifikasi algoritma ANN untuk memetakan klasifikasi dan menguji tingkat akurasi klasifikasi habitat perairan dangkal dari citra satelit Quickbird standar algoritma ANN-BP dan ANN-AdaBoost. 1.4 Manfaat Penelitian Penelitian ini bermanfaat dalam menambah khasanah ilmu pengetahuan penginderaan jauh kelautan tentang metode klasifikasi citra lanjutan, sehingga mendukung penyajian informasi spasial lebih tajam dan akurat.
4
1.5 Kerangka Pikir Penelitian Garis besar haluan penelitian berpedoman pada kerangka pikir penelitian memuat empat (4) hal pokok, yaitu tujuan penelitian, metode pengumpulan data citra, metode pengolahan citra dan penilaian data dan hasil klasifikasi citra satelit. Kerangka pikir penelitian tersebut dijabarkan pada Gambar 1-1 sebagai berikut:
Gambar 1-1 Diagram alir penelitian
2. TINJAUAN PUSTAKA 2.1 Lingkungan dan Klasifikasi Habitat Perairan Dangkal Habitat terumbu karang didefinisikan sebagai rumah alami dari tanaman dan hewan. Tiga sistem lingkungan utama mempengaruhi terumbu karang, yaitu; (i) submarine, (ii) intertidal, dan (iii) supratidal (Tabel 2-1). Masing-masing habitat memiliki karakteristik substrat dan spesies yang berubah sesuai dengan perubahan faktor lingkungan seperti cahaya, variasi suhu diurnal, kandungan oksigen perairan, tingkat sedimentasi, energi gelombang, dan sejumlah hal lainnya, termasuk biota dan pengaruhnya (Frankel 1982). Tabel 2-1 Habitat terumbu karang Sistem lingkungan Lingkungan utama Submarine Interreef channel (off reef floor) Fore reef
Lagoon
Intertidal
Reef crest
Reef flat (Outer and inner)
Beach
Mangrove swamp Supratidal
Cay
Raised reef Sumber: Frankel (1982)
Habitat umum - substrat campuran (pasir/lumpur) - Isolated coral pinnacles - Karang hidup - batu karang (karang mati) - sedimen campuran dalam kantung - laguna karang (“patch”) - substrat campuran (poorly sorted) - “Grass” beds - Karang hidup - Karang batu (karang mati, boulders) - Pools - Karang hidup - batu karang - Pools - sedimen campuran dalam kantung - sedimen campuran - batuan pantai - batu karang dari terumbu yang terangkat - sedimen campuran - pohon - pasir - kerikil - pecahan batuan pantai - vegetasi darat Batu karang
Klasifikasi ekosistem terumbu karang dalam studi penginderaan jauh ditentukan secara geomorfologi, ekologi dan kombinasi keduanya. (i) Kelas geomorfologi dicontohkan terdiri dari; backreef, reefcrest, spur dan groove, forereef, escarpment, patch reef, dan lagoon floor (Mumby et al. 1998),
6
(ii) Klasifikasi ekologi berdasarkan habitat ditentukan melalui pembatasan habitat spesies tanaman, hewan dan substrat. Contoh: koral, dominasi alga, dominasi substrat dan dominasi lamun (Mumby 1998); dan (iii) Kombinasi klasifikasi geomorfologi dan ekologi, secara hirarki dicontohkan atas kelas dasar perairan laguna yang dangkal dengan lamun (kelas ekologi ditentukan lebih detail kedalam densitas spesis) (Mumby et al. 2000). Kenampakan
secara
spasial
habitat
perairan
dangkal
merupakan
lingkungan utama terumbu karang dapat digambarkan pada Gambar 2-2 (Frankel 1982):
Gambar 2-1 Lingkungan utama terumbu karang (Frankel 1982). Skema klasifikasi habitat perairan dangkal atas komponen geomorfologi dan bentik terumbu karang di perairan karang Karibia, Glovers, Biscayne dan Andros disajikan pada Gambar 2-2 (Andrefout 2003):
7
Gambar 2-2 Skema klasifikasi habitat terumbu karang (Andrefout 2003)
8
2.2 Teknik Penginderaan Jauh Habitat Perairan Dangkal Konsep dasar penginderaan jauh karang pertama kali dikembangkan dengan cara penginderaan jarak dekat (proksimal) (Fussell et al. 1986). Menurut Andrefouet dan Riegl (2004) bahwa prosedur proksimal dari pengukuran radiometer in-situ tersebut penting untuk memahami prinsip dasar interaksi energi elektromagnetik dengan permukaan bumi yang mencirikan kenampakan individu karang yang diperiksa dari spectral reflectance (SR). Tujuan umum karakterisasi proksimal karang adalah klasifikasi spektral citra hyperspectral secara konsisten meniru cara pembentukan spektral library kesehatan terumbu karang. Pemanfaatan Radiometer hyperspectral untuk mengukur reflectance in-situ dari spectral downwelling irradiance (DI) dan upwelling radiance (UR) tepat di atas target karang (benthos) (Lawson et al. 2006). Pemetaan habitat perairan dangkal dari satelit dipengaruhi oleh atmosfir dan kolom air. Radiasi harus melalui dua media, yaitu atmosfir dan air, dan naik kembali hingga direkam oleh sensor. Oleh karena itu untuk mengidentifikasi pantulan dasar perairan citra harus dikoreksi secara atmosferik dan kolom air. Ilustrasi kemampuan satelit penginderaan jauh ke badan air disajikan pada Gambar 2-3 (Edwards 1999):
Gambar 2-3 Ilustrasi kemampuan radiasi sensor satelit ke badan air
9
Lima kemampuan remote sensing untuk memaksimalkan penentuan kelas karang, yaitu; (i) diskriminasi kelas dasar ekologi, (ii) separabilitas spektral, (iii) kedalaman attenuasi untuk penentuan kemampuan separabilitas, (iv) ekstraksi informasi separabilitas dengan sensor, dan (v) diskriminasi kelas bentik melalui analisis resultan data (Hedley dan Mumby 2002). Terdapat 5 cara klasifikasi penginderaan jauh habitat terumbu karang (Mumby 1998; 2000), yaitu: pertama, pendefinisian kategori habitat. Pendekatan ini tidak termasuk pengumpulan data baru dan digunakan jika seorang analisis familiar dengan area/skema klasifikasi habitat yang diperlukan. Pendekatan ini relatif murah dan beberapa sering tidak menguntungkan. Penentuan dasar kelas mungkin tidak benar dan tidak sesuai dengan area yang ada, meskipun skema kelas tepat, tetapi mungkin habitat tidak dapat diidentifikasi. Contoh intrepretasi citra tidak akurat hanya didominasi 1 spesies dan klasifikasi hanya difokuskan pada sebagian area; kedua, penelusuran studi aplikasi spesifik. Pendekatan ini memungkinkan diterapkan pada kenampakan permukaan dan tidak difokuskan pada semua area peta habitat. Contoh sebagian area citra didominasi dengan satu spesies dan klasifikasinya hanya difokuskan pada sebagian area; ketiga, klasifikasi
geomorfologi.
Pendekatan
ini
biasa
digunakan
dalam
studi
penginderaan jauh. Klasifikasi ini relatif baik, karena menghasilkan skema klasifikasi standar. keempat, klasifikasi ekologi berdasarkan habitat. Pembatasan habitat pada klasifikasi ekologi biasanya berlaku pada spesies tanaman, hewan dan substrat; dan kelima, kombinasi secara hirarki klasifikasi geomorfologi dan ekologi. Pendekatan ini merupakan gabungan geomorfologi dan ekologi. Umumnya reflektansi substrat perairan dangkal (shallow water) ke iluminasi panas merupakan suatu fungsi dari; (i) reflektansi substrat, (ii) kedalaman air, dan (iii) sifat optik air (bahan organik, total suspended solid/TSS, total dissolved solid/TDS).
Variasi
karakteristik
pengaruh
optik
dalam
kolom
air
erat
hubungannya dengan kedalaman, proses scattering dan absorbsi di kolom air. Peningkatan informasi tipe dasar perairan dapat dikembangkan metode “depth invariant
index”.
Konsep
tersebut
didasarkan
bahwa
reflektansi
radian
merupakan fungsi linear reflektansi substrat dasar dan fungsi eksponensial kedalaman perairan (Lyzenga 1981).
10
Pengaruh kedalaman pada reflektan dasar perairan dapat dihilangkan memerlukan: (i) pengukuran kedalaman untuk setiap pixel citra, dan (ii) pengetahuan karakteristik kedalaman attenuasi dari kolom air (misalnya konsentrasi total dissolved solid/TDS) (Mumby et al. 1998). Koreksi atmosfir dan kolom air berpengaruh terhadap akurasi pemetaan habitat terumbu karang berdasarkan karakteristik spektral dan spasial dari sensor satelit itu sendiri (Nurlidiasari 2004). Spectral signature dari hasil analisis reflektansi spektral yang diukur secara radiometrik menggunakan spektroradiometer dapat dijadikan sebagai kunci penginderaan jauh mendeterminasi ekosistem terumbu karang (Nurjannah 2006). Penggunaan citra satelit berbeda (multispectral scanner/MSS, Landsat TM (thematic mapper), Système Probatoire d'Observation de la Terre (SPOTXS dan SPOT-Pan), airborne multi-spectral imagery (CASI) dapat dilakukan untuk menilai pengaruh koreksi kolom air dan contextual editing untuk pemetaan terumbu karang di Pulau Turks dan Caicos, Barat Inggris. Perluasan titik survey ground truth yang dikumpulkan hingga 600 titik, tercatat bahwa kekasaran resolusi spasial dan spektral sebagian dan campuran sesuai pixel MSS dan SPOT pan menyulitkan klasifikasi. Jika diterapkan koreksi kolom air berdasarkan pasangan citra sinar tampak (visible band) sebagai data input, maka resolusi spasial dan spektral semakin rendah (Mumby et al. 1998a). Sensor satelit SPOT-5 mampu mendeteksi objek di bawah air karena memiliki band sinar tampak hijau (B1), merah (B2) dan inframerah dekat (B3). Kedalaman dapat ditembus oleh B1 (0,49-0,61µm) sekitar 15 m, B2 (0,610,68µm) sekitar 5 m, B3 (0,78-0,89µm) sekitar 0,5 m dan inframerah seluruhnya diserap oleh perairan (CNES 1999 dan Green et al. 2000). Pendekatan koreksi permukaan dan kedalaman air, selain yang tidak terhitung menunjukkan overall accuracy klasifikasi habitat terumbu karang disetiap lokasi berbeda antara citra IKONOS 42 – 84% dan Landsat 42 – 71% (Andrefout 2003). Perubahan deteksi terumbu karang di Taman Laut Karang Florida menggunakan 20 time series citra Landsat-TM dapat dianalisis dengan temporaltexture deviation processing technique. Teknik generalisasi nilai tekstur dalam domain spasial menunjukkan nilai tekstur yang tinggi mewakili perubahan tekstur dan nilai-nilai yang rendah mewakili stabilitas. Sensor Landsat memungkinkan untuk mendeteksi perubahan dalam tingkat komunitas karang dan diperlukan
11
suatu peralatan diagnostik untuk memantau kondisi terumbu karang. Secara temporal, perubahan hanya terjadi dalam dua arah, yaitu; pendahulu dan penerus, sehingga tipe perubahan habitat tidak dapat diidentifikasi (Dobson dan Dustan 2000). Kemampuan sensor multi-spasial dan multispektral dapat diuji melalui pengukuran spectral reflectance (SR) in-situ untuk klasifikasi tiga kelas dasar komunitas karang (terumbu, alga dan karbonat). Pengujian tersebut dilakukan terhadap
dua
sensor
hyperspectral
udara,
yaitu
AAHIS
(Advanced.
Airborne Hyperspectral Imaging System) dan AVIRIS (Air-borne Visible/Infrared Imaging Spectrometer), tiga satelit broadband sensor multi-spektral (IKONOS, Landsat ETM dan POT-HRV), dan dua satelit sensor multispectral sempit (Proto dan Crespo). Resolusi spasial sensor AAHIS, AVIRIS, Proto, Crespo, Ikonos, Landsat ETM, dan SPOT-HRV masing-masing adalah 2, 2, 20, 10, 4, 30, dan 20 m. Analisis menunjukkan ketidakpastian pixel kelas terumbu dalam pixel besar berdasarkan berbagai tingkatan spektrum pencampuran. Namun pixel kecil (2 x 2 m) memberikan spektrum campuran yang lemah. Resolusi spectral dari sensor citra hyperspectral memberikan kontras spektrum yang sangat tinggi antara karang dan alga sebagaimana ditunjukkan statistik penutupan areal yang lebih akurat. Ikonos, Landsat ETM dan SPOT-HRV lemah dalam memberikan pendugaan klasifikasi campuran area penutupan karang atau berdasarkan pixel alga dan karang (Hochberg dan Atkinson 2003). Metode klasifikasi dari beberapa citra satelit yang dikembangkan untuk memetakan habitat terumbu karang dengan tingkat akurasi yang berbeda-beda disajikan pada Tabel 4-7 (De Mazieres 2008): Tabel 2-2 Beberapa teknik penginderaan jauh satelit untuk pemetaan terumbu karang Subyek Metode Referensi Data citra Akurasi pemetaan klasifikasi Andréfouët 3-15 kelas IKONOS • Klasifikasi 77% untuk 4-5 et al. 2003 bentik Landsat kelas, 71% Unsupervised ETM untuk 7-8 dan/atau kelas, 65% supervised dalam 9-11 • Contextual kelas, dan editing 53% untuk lebih dari 13 kelas Landsat: 56% untuk 5-11 kelas
12
Tabel 2-2 Lanjutan... Subyek Referensi pemetaan Andréfouët Geomorfologi & Guzman dan keragaman 2005 bentik
Data citra Landsat ETM Landsat TM
Landsat ETM ASTER SPOT HRV IKONOS MASTER Landsat ETM
Metode klasifikasi
Akurasi
• Intrepretasi visual • Klasifikasi Supervised • Contextual editing • Klasifikasi Supervised
Penilaian kualitatif
• Klasifikasi Unsupervised
Keseluruhan 41 dari 74% sampai 12% untuk lokasi dari 72% sampai 0% untuk tipe bentik 89% dan 81% untuk pasir kasar dan tingkatan yang baik dari diskriminasi habitat Tidak tersedia
Capolsini et al. 2003
3 tingkat klasifikasi (kelas 3,4,5,7,9)
Joyce et al. 2004
5 kelas bentik
Mumby et al. 1998
2 tingkat klasifikasi, 4 (karang, alga, pasir, lamun) – 9 kelas bentik
CASI
• Klasifikasi Supervised • Contextual editing
Neil et al. 2000 Roelfsema et al. 2002
10 kelas geomorfologi Mikroalga bentik (konsentrasi chlorophyll)
Landsat TM Landsat TM
Klasifikasi Unsupervised • Spectral reflectance • Klasifikasi Supervised
Landsat ETM: 48-81% IKONOS: 86%-65%
Keseluruhan 62% dari 11% sampai 82%
Sumber : De Mazieres (2008) Pengembangan algoritma ISODATA untuk memetakan habitat bentik perairan tropik diperoleh overall accuracy 81% (Mishra et al 2006). Klasifikasi unsupervised (berbasis klasifikasi computer atau pengetahuan local habitat, peta local dan pengalaman lapang menggunakan data lapang dari posisi yang diketahui) menghasilkan peta habitat karang dengan overall accuracy rendah <50% dibandingkan >70% menggunakan klasifikasi supervised (Green et al. 2000)
13
2.3 Quickbird Quickbird merupakan satelit resolusi tinggi yang dioperasikan oleh EarthWatch Inc. yang berubah nama menjadi DigitalGlobe sejak September 2001. Quickbird-1 diluncurkan pada 20 November 2000, tetapi gagal mencapai orbit. Quickbird-2 diluncurkan Oktober 2001 (Gambar 2-4). Pada mulanya kedua satelit direncanakan untuk resolusi citra 1 m, namun EarthWatch menerima lisensi untuk mengoperasikan sistem satelit hingga resolusi 0.5 m pada Desember 2000. QuickBird-2 dimodifikasi untuk menambah resolusi citra melalui penurunan orbit satelit, sehingga meningkatkan resolusi pankromatik dari 1 m ke 0.61 m, dan resolusi multispektral dari 4 m ke 2.44 m. Sensor Quickbird-2 (Tabel 2-2), secara simultan mengumpulkan citra panchromatic resolusi 0.61 m dan citra multispektral resolusi 2.44 m. Citra multispektral memiliki empat panjang gelombang, yaitu Band biru, hijau, merah, dan near-infrared (NIR). Citra multispektral digabung dengan citra panchromatic dari lokasi yang sama menghasilkan citra "warna pansharpen" resolusi 0.61 m. Informasi lokasi yang dikumpulkan melalui satelit GPS akurat memetakan skala luas tanpa menggunakan ground control point (GCP).
Sudut pandang
Lebar sapuan Panjang citra Akurasi pengukuran Digitasi radiometrik Tipe Ketinggian Inklinasi Periode Off-nadir revisit Bidang pandang Spektral band 1 (biru) 2 (hijau) 3 (merah) 4 (NIR) Pankromatik
Tabel 2-3 Karakteristik sensor Quickbird-2 Ruang dalam jalur (in-track) dan titik silang jalur (crosstrack) ± 300 dari depan ke belakang, dan samping ke samping 450 (maks) 17 km pada nadir 225 km Sirkulasi error (CE) 23 m, linear error (LE) 17 m pada kepercayaan 90% (tanpa GCP) 11 bit Sun-synchronous 450 km 980 93.4 menit 1 sampai 3.5 hari 544 km sapuan Panjang gelombang 0.45-0.52 µm 0.52-0.60 µm 0.63-0.69 µm 0.76-0.89 µm 0.45-0.90 µm
Resolusi pada nadir 2.44 m 2.44 m 2.44 m 2.44 m 0.61 m
Resolusi diluar nadir 2.88 m 2.88 m 2.88 m 2.88 m 0.72 m
14
Penggunaan satelit Quickbird di kepulauan Las Perlas dari perbandingan beberapa metode klasifikasi citra satelit disajikan pada Tabel 4-9 (Benfield et al. 2007): Tabel 2-4 Akurasi keseluruhan kelas kategori terumbu karang buruk, dan baik untuk citra Quickbird Overall accuracy % Level dan kelas habitat ML C1 C2 C3 E1 E2 Buruk 76.9 74.7 74.9 76.4 87.8 88.6 Sedang 72.3 65.5 67.6 69.1 84.9 85.6 Tinggi 59.1 60.8 62.5 62.5 80.5 81.5
sedang
E3 89.5 87.4 83.5
Ket: maximum likelihood-ML, contextual editing-C1/2/3, dan eCognition-E1/2/3
Quickbird memiliki potensi yang signifikan untuk diskriminasi dan memetakan habitat dasar di lingkungan pesisir tropik, dari metode klasifikasi citra menggunakan algoritma ISODATA (Iterative Self Organising Data Analysis) (Mishra et al. 2006). Klasifikasi citra secara supervised menggunakan algoritma minimum distance dapat digunakan untuk menghasilkan peta bentik dan kedalaman perairan dari citra satelit QuickBird. Resolusi multispektral sensor Quickbird tidak dapat memisahkan secara optimal makroalga merah dari makroalga coklat berdasarkan spektral signature jika makroalga tidak tertutup dengan perairan (Vahtmäe and Kutser 2007).
15
Beberapa referensi karakteristik utama resolusi spasial satelit sangat tinggi untuk penelitian remote sensing perikanan terumbu karang, termasuk satelit Quickbird dengan resolusi spasial 2.5 m disajikan pada Tabel 2-5 (Hamel dan Andrefout 2010):
Lokasi
Resolusi spasial 1.5 m
5.6 m
3.8 m
0.5 m 3.8 m
0.5 m 2.5 m
15
Tabel 2-5 Karakteristik-karakteristik utama beberapa sensor resolusi sangat tinggi Tujuan Target (smber Platform/ Data (penggunaan VHRRS) eksploitasi) sensor Andréfouët Atol Fangau Penilaian stok sumberdaya Kimah raksasa Pesawat Potret udara et al. (Kepulauan (perencanaan survei lapang, (Tridacna terbang berbentuk digital (2005) Tuamotu, French pemetaan habitat, maxima) Polynesia, manajemen/penilaian Samudera pasifik sumberdaya, perencanaan selatan) MPA) ISS Potret angkasa (International Digital resolusi Space Station] tinggi Karang Alacranes Pemetaan habitat terumbu Terumbu Pesawat Potret udara BelloPineda (Teluk Mexico) karang (perencanaan survei karang terbang berbentuk digital lapang, pemetaan habitat, et al. manajemen/penilaian (2005)a sumberdaya, perencanaan MPA) BelloKarang Alacranes Model penilaian kesesuaian Terumbu Pesawat Digital video Pineda (Teluk Mexico) sumberdaya terumbu karang karang terbang permukaan et al. (pemetaan habitat, Potret udara (2006) manajemen/penilaian berbentuk digital sumberdaya) Monitoring terumbu karang Terumbu Pesawat Digital video Bertels et al. Terumbu karang (2008)a Pulau Nukaha (pemetaan karang terbang permukaan batimetri/topografi/habitat, CASI (Compact (Kepulauan Tanimbar, Tenggara manajemen/perencanaan MPA) Airborne Spectrographic Moluccas, Indonesia Imager) Sumber
16
Friedlander et al. (2007)
Hawaii (Samudera Pasifik Utara)
16
Tabel 2-5 Lanjutan... Sumber Lokasi
Tujuan (penggunaan VHRRS) Evaluasi eksisting MPA (pemetaan habitat, perencanaan/manajemen MPA)
Target (smber eksploitasi) Sumberdaya kelautan
Platform/ sensor Pesawat terbang
IKONOS
Gilbert et al. (2006)
Atol Fangatau, Tatakoto, Tubai (Kepulauan Tuamotu dan Australes, French Polynesia, Samudera Pasifik Selatan)
Perbandingan antara stok dan manajemen (perencanaan survey lapang, pemetaan habitat, penilaian /manajemen sumberdaya, manajemen MPA, perbandingan antara lokasi)
Kimah raksasa (Tridacna maxima)
Pesawat terbang
Quickbird
et Pulau Roatan (pantai Honduras, Laut Karibia bagian barat) a tidak difokuskan pada sumbernya Maeder al. (2005)a
Klasifikasi habitat terumbu karang (pemetaan habitat, penilaian/manajemen sumberdaya)
Terumbu karang
IKONOS
Data Potret udara berbentuk digital
Resolusi spasial ?
Citra satelit IKONOS Multispektral Citra Hyperspektral Potret udara berbentuk digital
4m
Citra satelit Quickbird Multispectral IKONOS
2.5 m
? 3.8 m
4m
17
2. 4 Aplikasi ANN untuk Klasifikasi Citra Satelit Prinsip dasar aplikasi ANN supervised untuk klasifikasi citra terdiri dari tiga layer network yaitu; node input layer, bagian tengah (hidden) layer dan output layer berisi elemen processing pada masing-masing node (Gambar 2-5). Pada bagian lain node input layer merupakan suatu interface kedalam data input dan tidak melakukan beberapa processing. Pola Input untuk klasifikasi digunakan kenampakan dari training pixel vektor multi-spectral satu band per node. Kenampakan lain dapat menggunakan spasial pixel neighborhood atau vektor spektral multitemporal (Paola dan Schowengerdt 1995a).
Pola Input pi
Pola Output
Bobot Wji
Bobot Wkj
Fungsi aktivasi
Elemen prosesing
Gambar 2-4
node input
∑S
ƒ(S)
node output
Struktur tradisional tiga layer ANN, elemen pemrosesan dan fungsi aktivasi sigmoid (Schowengerdt 1997; 2007).
18
Karakteristik utama algoritma ANN unsupervised Self Organising Map (ANN-SOM)
dalam
pembentukan
klaster
adalah
preservasi
hubungan
ketetanggaan; seperti jarak sejauh mungkin, vektor data ketetanggaan ruang input yang dipetakan kedalam ruang output. Kenampakan ini membuat ANNSOM sangat berguna dalam analisis data dan visual dimana tujuan umumnya adalah mewakili data dari suatu ruang dimensi tinggi dalam suatu ruang dimensi yang sama lemahnya untuk preservasi struktur internal dari data ruang input (Uriarte dan Martin 2005). Klasifikasi data satelit multispektral tutupan lahan menggunakan algoritma ANN-AdaBoost dapat diterapkan pada urutan tiga lapis umpan-maju jaringan ANN (Freund dan Shapire 1996). Algoritma ANN-AdaBoost dengan pelatihan Kalman filter menjadi efisien melatih setiap neuron dalam jaringan lokal, membuat eksplisit penggunaan matriks kesalahan bobot sinaptik neuron (Shah dan Palmeri 1990). Training Kalman Filter dapat memasukkan data dari bermacam-macam pengertian kedalam sistem pendugaan, pengukuran statistik untuk memperhalus data dan membuang informasi yang bersifat noise (Spence et al. (2008). Kalman filter merupakan suatu sistem linear yang menyatakan kelipatan rata-rata kesalahan (squared error) antara output yang diharapkan dan output aktual dengan meminimalkan input acak saat digeneralisasi secara acak noise dari iterasi konstan per unit band pada tiap frekuensi nilai pixel yang diinginkan (Parker (1994). Pelatihan
klasifikasi
Algoritma
ANN
supervised
untuk
pemetaan
penggunaan lahan dikembangkan metode supervised neuro fuzzy network (SNFN) menggunakan citra satelit SPOT (Lin et al. 2005). Sedangkan survey dan analisis publikasi remote-sensing yang ditemukan mulai tahun 1991 hingga 2004 disajikan pada Tabel 2-6 berikut (Paola dan Schowengerdt (1995a): Tabel 2-6 Contoh aplikasi klasifikasi citra remote sensing menggunakan algoritma ANN Kenampakan Referensi Aerial photograph Kepuska dan Mason 1995; Qiu dan Jensen 2004 ASAS, multiangle AVHRR multitemporal AVHRR NDVI AVHRR, SMMR
Abuelgasim et al. 1996 Yhann dan Simpson 1995; Visa dan Iivarinen 1997; Li et al. 2001; Arriaza et al. 2003 Muchoney dan Williamson 2001 Key et al. 1989
19
Tabel 2-6 Lanjutan … Kenampakan
Referensi
AVIRIS
Benediktsson et al. 1995
ETM+
Fang dan Liang 2003
Fengyun-1C 0.6µm, 1.6µm dan 11 µm bands
McIntire dan Simpson 2002
HyMAP
Camps-Valls et al. 2004
MSS, DEM
Benediktsson et al. 1990a
SPOT
Kanellopoulos et al. 1992; Chen et al. 1995
multitemporal SPOT
Kanellopoulos et al. 1991
SPOT, tekstur
Civco 1993; Dreyer 1993 Ritter dan Hepner 1990; Liu dan Xiao 1991; Bischof et al. 1992; Heermann dan Khazenie 1992; Salu dan Tilton 1993; Yoshida dan Omatu 1994; Paola dan Schowengerdt 1995b; Carpenter et al. 1997); Valdes dan Inamura 2000.
TM
tekstur TM
Augusteijn et al. 1995
rasio TM
Baraldi dan Parmiggiani 1995
airborne TM
Foody GM 2004
airborne TM, airborne SAR
Serpico dan Roli 1995
multitemporal TM
Sunar Erbek et al. 2004
multitemporal TM dan ERS-1 SAR, tekstur SAR
Bruzzone et al. 1999
Contoh penggunaan ANN untuk klasifikasi citra satelit tidak hanya berlaku untuk data remote sensing teresterial diatas. Mulai tahun 2005 hingga 2009 dari beberapa algoritma ANN diterapkan untuk klasifikasi habitat di perairan wilayah pesisir dan lautan (coastal), diantaranya disajikan pada Tabel 2-6 berikut: Tabel 2-7 Contoh aplikasi lainnya algoritma ANN untuk klasifikasi teresterial dan bentik di perairan wilayah pesisir (coastal) Kenampakan Referensi ASTER Hu dan Weng 2009 RADARSAT, ENVISAT, SPOT Konishi et al. 2007 Landsat Arhatin 2007 Quickbird* Mishra et al 2006 Quickbird* Conger et al. 2005 SPOT Lin et al. 2005 * wilayah coastal
20
2.5 Penilaian Akurasi Peta Tematik Sejarah penilaian akurasi peta tematik dimulai sekitar tahun 1975. Tercatat bahwa Hord dan Brooner (1976), van Genderen dan Lock (1977), Ginevan (1979) menyusun kriteria dan teknik dasar untuk menguji akurasi peta secara keseluruhan, dan studi lebih mendalam pada tahun 1980 tentang tujuan dan teknik baru (Aronoff 1982,1985; Rosenfield et al. 1982; Congalton dan Mead 1983; Congalton et al. 1983). Sejak tahun 1980 hingga sekarang banyak peneliti, ilmuwan dan user menemukan cara menilai secara tepat akurasi peta tematik dari data remote sensing sebagaimana diformulasikan oleh Congalton dan Green (2009) pada Tabel 2-8. Tabel 2-8 Contoh matriks uji secara matematik
Dimana: ni+ n+j n njj nii
: jumlah sampel kategori i data klasifikasi citra, dan : jumlah sampel klasifikasi kategori j dalam data referensi : total jumlah unit sampel : total jumlah unit sampel yang benar dalam “kelas x” : total jumlah unit pixel yang benar dalam “kelas x”
dan
21
Penilaian akurasi erat hubungannya dengan akurasi posisi dan tematik (Congalton dan Green 1999; 2009) dan ketidakpastian (Atkinson dan Foody 2002) suatu masalah penelitian remote sensing. Untuk itu penilaian akurasi output spasial, penggunaan referensi data GIS dan satelit perlu memperhatikan: (i) variabel peta, dan (ii) tingkat akurasi klasifikasi berupa bias dan presisi untuk mendeterminasi prediksi dan ketidakpastian. Taylor dan Smith (2006) menilai kebenaran dan kenyataan dari software yang digunakan dapat dengan teknik verifikasi dan validasi. Penilaian akurasi data digital secara efektif dibagi kedalam empat bagian (epoch) (Congalton dan Green 1999; 2009); 1. Penilaian akurasi tidak nyata terbentuk, tetapi lebih terlihat baik dari sebelumnya. Pendekatan ini merupakan sesuatu yang baru di bidang teknologi dan berubah secara cepat untuk menilai bagaimana kegiatan dilakukan. Meskipun teknologi tersebut sudah berusia lebih dari 25 tahun, beberapa analis remote sensing dan pengguna peta masih lemah dalam mengintrepretasi; 2. Penilaian dari lokasi non spesifik. Total luas lahan pada kelas peta terlebih dahulu diperkirakan, diperbandingkan dengan referensi pendugaan. Hal tersebut bukan masalah jika diketahui dimana lokasinya yang spesifik atau tipe vegetasinya. Oleh sebab itu pada bagian kedua ini penilaian berlangsung relatif singkat dan cepat; 3. Penilaian lokasi spesifik sebenarnya melalui pengecekan lokasi yang diperbandingkan dengan peta dan diukur dari akurasi keseluruhan-nya. Keuntungannya mampu memperkirakan kategori penutupan lahan/vegetasi. Metode ini berbeda jauh dengan metode penilaian lokasi non spesifik yang hanya menilai akurasi keseluruhan. Teknik penilaian lokasi spesifik ini dominan digunakan hingga akhir tahun 1980; dan 4. Penilaian akurasi dapat diketahui dari error matrix. Matrik konfusi membandingkan informasi dari referensi lokasi sejumlah area sampel dengan label peta atau citra. Dua label masing-masing sampel diperbandingkan, yaitu: (i) Label data referensi; label atau nilai kelas dari penilaian akurasi lokasi pengumpulan data yang diasumsikan benar, dan (ii) Klasifikasi data atau label peta; label atau nilai kelas dari penilaian akurasi lokasi yang diperoleh dari peta. Salah satu contoh perhitungan matrik konfusi disajikan pada Gambar 2-5.
22
Gambar 2-5 Ilustrasi perhitungan matriks konfusi
Kesalahan posisi untuk banyak penggunaan GPS dimulai dari 30-100 m merupakan hal yang tidak dapat diterima. Untuk mengukur kesalahan yang sering terjadi dan pada waktu yang sama dari informasi spasial yang dikumpulkan, memungkinkan untuk mengkoreksi banyak ketidakakuratan. GPS referensi sedetik untuk mengkoreksi GPS stationer memiliki akurasi yang sangat tinggi (jika akurasi posisi 2-3m dihasilkan, maka memerlukan akurasi <0.5m) (Green et al. 2000). Koreksi GPS ketika GPS receiver mengumpulkan data lapang, akurasinya menjadi sangat penting khususnya pengumpulan data menggunakan citra resolusi tinggi seperti Quickbird. GPS receiver dengan akurasi 2-5m seperti Trimble GeoExplorer II tidak dapat mengumpulkan data yang meregistrasi 2-4m pixel yang benar dari citra Quickbird (Serr et el. 2006). Pada perhitungan GPS receiver 5 detik sudah memadai sebagaimana koreksi global GPS dari pengujian kinematik 7-8 detik dan lebih dari 99% pada koreksi global tersedia dengan interval 1 detik (Kechine et al. 2003).
3. METODE PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini berlangsung mulai Maret 2009 - Juli 2010. Prosessing data citra dilakukan di bagian SIG Kelautan dan Remote Sensing Departemen Ilmu dan Teknologi Kelautan IPB. Pelaksanaan ground truth pada 23-28 Juni 2009 di perairan Gusung Karang Lebar dan Karang Congkak Kepulauan Seribu (Gambar 3-1) yang menjadi lokasi penelitian ini.
674000
675000
676000 # # # # # # # # #
677000
678000
679000
680000
N
# # #
W
9370000
673000
9370000
672000
E
500
# ##
#
# # # ## # #
9368000
# # ## # # #
# # #
9367000
9368000
500
9367000
#
S
Meter Kabupaten Kepulauan Seribu Provinsi DKI Jakarta
# ##
#
0
9369000
Gusung Karang Congkak
Gusung Karang Congkak
# # #
9366000
9366000
# #
9365000
9365000
P. Panggang
672000
673000
674000
675000
676000
677000
678000
679000
680000
Gambar 3-1 Lokasi Penelitian 3.2 Jenis dan Sumber Data Jenis dan sumber data penelitian ini adalah data penginderaan jauh dan pengukuran langsung (in-situ). Data penginderaan jauh yang digunakan adalah citra satelit Quickbird Gusung Karang Lebar dan Karang Congkak Kepulauan Seribu yang diperoleh dari Digital Globe’s QuickBird Satellite tanggal aquisisi 28 September 2008. Data pengukuran in-situ terdiri dari; (1) ground control point (GCP), dan (2) data ekologi, yaitu karakteristik habitat dan kondisi ekosistem terumbu karang (biotik dan abiotik). Sejumlah stasiun pengamatan dalam penelitian ini merupakan deskripsi terkait karakteristik habitat perairan dangkal.
9364000
9364000
P. Pramuka Sumber: Citra Satelit Quickbird 28 September 2008 Survey Ground Truth 25 - 27 Juli 2009
24
3.3 Metode Pengumpulan Data Citra Metode pengumpulan data citra in-situ ditentukan dengan teknik sampling data spasial secara stratified random sampling. Teknik ini dilakukan di wilayah Gusung Karang Congkak terhadap 122 titik yang dipilih mewakili klasifikasi habitat perairan dangkal dari keseluruhan daerah penelitian. Data tersebut diperoleh dengan metode survey ground truth posisi menggunakan prinsip Differential Global Positioning System (DGPS) memanfaatkan teknologi GPS. Sedangkan
pengumpulan
data
sekunder
ditelusuri
dari
hasil
akuisisi
pengetahuan dan penelitian yang relevan. Peralatan dan parameter tersebut disajikan pada Tabel 3-1, Tabel 3-1 Peralatan dan parameter pengukuran No Nama Peralatan Parameter 1. Geomatic equipment Koordinat: - ground control point; - ground truth point; - Transect habitat site. 2. Scuba Diving equipment, Transect habitat data Transect quadrate (1 x 1m), Line meter (50 m), Digital underwater camera, 3. Akuisisi pengetahuan dan laporan Pengenalan karang dan habitatnya penelitian 4. Hardware dan Soft computing untuk Pembentukan klasifikasi citra komputasi Image processing system Survei DGPS bertujuan untuk menentukan posisi kondisi lapangan secara akurat dan memperbaikinya apabila terjadi perubahan atau ketidaksesuaian informasi dari sumber yang beragam, melalui pengecekan silang peta dasar dan peta citra satelit yang ada. Prinsip operasional survei DGPS tersebut dikembangkan sebagai berikut; Mengatur output dua GPS yang sama tipenya, yaitu Garmin 60 dengan waktu sama (5 detik) dan menghidupkannya secara bersamaan pada saat perekaman data berlangsung, sehingga menghasilkan sejumlah data n GCP. Merekam titik-titik yang dianggap penting sebagai acuan untuk menafsirkan kenampakan/objek antara kenyataan di lapangan dan peta dasar survey, sehingga memudahkan identifikasi dan analisis spasial peta dan koreksi geometrik, Merekam lokasi yang memiliki kecenderungan untuk berubah. Titik-titik lokasi GPS dipilih sesuai kebutuhan dan tujuan penggunaan GPS itu sendiri,
25
Membuat dokumentasi melalui pemotretan objek-objek di lapangan, baik untuk validasi kenampakan objek di peta/citra maupun melengkapi peta dasar survey, Mencatat dan mengidentifikasi informasi survey. Pemilihan informasi survey untuk titik-titik yang dijadikan pencatatan, tidak seperti halnya survei terestrial, survey GPS tidak memerlukan saling keterlihatan (intervisibility) antara titiktitik pengamat. Menghitung koreksi posisi lintang dan bujur sebagai posisi yang sebenarnya. 3.4 Analisis Pengolahan Citra ANN Diagram alir umum analisa citra digital dalam penelitian ini (Gambar 3-2) bermaksud menguji klasifikasi algoritma Artificial Neural Network (ANN). Proses pengolahan citra merupakan eksperimen dari kombinasi Band dari berbagai input, sehingga menghasilkan klasifikasi terbaik. Data Citra
Data Survei Lapang
Quickbird terkoreksi geometrik
Training Sampel Unsupervised ANN Parameter training: Rate RMS Jumlah Iterasi Jumlah klaster
Cropping region of interest (ROI)
Distribusi citra
Band 1,2,3,4
A1
A2
Lyzenga
A3
A4
A5
SOM, BP, AdaBoost
Training Sampel Supervised ANN Parameter training: Kontribusi Threshold Rate Momentum RMS Jumlah Iterasi Jumlah hidden layer
A6
Klasifikasi Algoritma ANN
No
Akurasi yang Diinginkan
Error Matrix
Akurasi yang Diinginkan
Kelas A1 Yes Keterangan: A1 = SOM input semua Band (Band 1, 2, 3 dan 4); A2 = SOM input kombinasi Band 321; A3 = SOM input kombinasi Band 421; A4 = SOM input kombinasi Band 432; A6 = SOM dengan input data Lyzenga (kombinasi Band 432)
Kelas A2 Kelas A3
Yes Perbandingan
Kelas A4 Kelas A5
Hasil Klasifikasi terbaik
Kelas A6
Gambar 3-2 Metodologi umum training Algoritma ANN
No
26
Model pembelajaran ANN supervised untuk mempersiapkan klasifikasi citra tersebut diilustrasikan pada Gambar 3-3. Klasifikasi data citra menggunakan ANN supervised terdiri dari dua tahap, yaitu pelatihan jaringan (network training) dan klasifikasi. Setelah konfigurasi jaringan ditetapkan, bobot dan bias diinisialisasi, langkah selanjutnya adalah melatih jaringan ANN-Backpropagation (ANN-BP) dan ANN-Adaptive Boosting (ANN-AdaBoost) Learning rate momentum Inisialisasi bobot 1 Input data
2 Pengkodean
∑
f
Kalkulasi Output
Output yang Diharapkan
Prediksi error
4 Update bobot
No
3
Diterima?
Yes Penghentian training
Gambar 3-3 Training ANN supervised dalam persiapan klasifikasi citra 3.4.1 Pra Pengolahan Citra Standar pra-pengolahan citra digital berupa koreksi radiometrik dan geometrik. Koreksi radiometrik bertujuan untuk menghilangkan faktor–faktor yang menurunkan kualitas citra. Metode koreksi radiometrik yang digunakan adalah penyesuaian histogram (histogram adjustment), tetapi untuk penelitian ini tidak dilakukan lagi koreksi radiometrik karena citra QuickBird merupakan citra high resolution satellite dan telah terkoreksi secara radiometrik. Koreksi geometrik terhadap kedua periode waktu berbeda dengan acuan data lapang dilakukan setelah koreksi radiometrik. Koreksi geometrik ditempuh dengan transformasi geometris dan resampling citra menggunakan beberapa titik kontrol bumi (ground control point). Titik-titik tersebut diambil pada tempat berbeda yang tersebar di bagian citra, sehingga diperoleh nilai root mean square
27
(RMS) <0,5. Penentuan nilai RMS menentukan akurasi koreksi geometrik yang diketahui dari formula: o
d u 2 = a{u i − f ( xi , yi )}2 / n …………………………….............……. ..........(3-1) o
d v 2 = a{vi − g ( xi , yi )}2 / n …………………………….....……….................(3-2) Dimana;
d u = standar deviasi pada nomor pixel; d v = standar deviasi pada nomor pixel; ( xi , yi ) = koordinat peta dari GCP; (u i , vi ) = koordinat peta dari GCP.
Rektifikasi (pembetulan) citra berdasarkan informasi posisi GCP yang ada bertujuan untuk menempatkan pixel citra pada posisi sebenarnya di permukaan bumi. Rektifikasi ini sangat erat kaitannya dengan pengambilan data in-situ, metode penentuan akurasi posisi, dan GPS yang digunakan. 3.4.2 Pengolahan Citra Distribusi spasial karakteristik habitat dasar perairan dangkal diolah dari citra satelit menggunakan beberapa pendekatan seperti komposit Band dan penajaman citra dengan algoritma depth invariant index. Algoritma ini mengaplikasikan metode koreksi kolom air atau dikenal dengan Algoritma Lyzenga (1981). Metode ini efektif untuk meningkatkan kualitas identifikasi dan klasifikasi habitat dasar perairan dangkal secara tematik. Persamaan algoritma depth invariant index diturunkan sebagai berikut:: Y = Ln B1 – (ki/kj) Ln B2
dimana Y = indek dasar perairan; B = band yang dipilih; ki/kj= koefisien atenuasi = Variance Band ke i,
= Variance Band ke j,
= Covar Band ke ij
Pengolahan citra ANN selanjutnya memerlukan ekstraksi ciri parameter input untuk data pembelajaran (learning), dan paramater training masing-masing metode ANN supervised dan unsupervised.
28
1) Ekstraksi Parameter Input Penelitian ini menyelidiki kombinasi 6 (enam) parameter input, yaitu A1, A2, A3, A4, A5 dan A6. Ilustrasi kesemuanya disajikan pada Tabel 3-2. Tabel 3-2 Parameter input klasifikasi Jumlah Proses/ Kode Input Node Metode A1 Band 1, 2, 3 dan 4 4 SOM (4 Band asli) A2 Komposit Band 1, 2 dan 3 3 SOM (Band 321) A3 Komposit Band 1, 2 dan 4 3 SOM (Band 421) A4 Komposit Band 2, 3 dan 4 3 SOM (Band 432) A5 Band 1, 2, 3 dan 4 (4 Band 7 Lyzenga asli) dan komposit Band 432 A6
Data A5 (rationing)
3
SOM/BP/ AdaBoost
Output Klaster citra Klaster citra Klaster citra Klaster citra Klaster/klasifikasi citra, dan koreksi kolom air Klaster/klasifikasi citra, dan koreksi kolom air
2) Parameter Training Parameter
training
untuk
membangun
model
pembelajaran
ANN
unsupervised mengikuti parameter-parameter SOM berikut: Tabel 3-3 Parameter training ANN unsupervised Item parameter Nilai Jumlah input citra Training rate Radius ketetanggaan pixel Jumlah Iterasi training
3 0.5 – 0.001 4 10,000
Sedangkan algoritma ANN supervised untuk membangun model pembelajaran ANN-BP dan AdaBoost mengacu parameter training (Tabel 3-4) dan ROI (Tabel 3-5) sebagai data pembelajaran (learning). Tabel 3-4 Parameter training ANN supervised Item parameter Nilai Training threshold 0.9 Training momentum 0.9 Kriteria RMS 0 - 0.1 Jumlah unit hidden layer*) 2–4 **) Jumlah node hidden layer 8 Training rate 0.2 Jumlah Iterasi training 10,000 *) Unit hidden layer berjumlah 2 khusus untuk AdaBoost **) Unit node hidden layer khusus untuk AdaBoost
29
Tabel 3-5 Region of Interest (ROI) training ANN supervised ∑ Jenis No/ Warna Deskripsi Sampel penutupan Kode (pixel) Karang hidup 1 (KH) 1652 Cyan Dominan karang hidup Karang mati 2(KM) 68 Magenta Dominan karang mati Lamun 3(L) 599 Green Dominan lamun Pasir 4(P) 1383 Yellow Dominan pasir Pasir campur 5(PK) 375 Maroon Campuran pasir dan karang karang Pasir campur 6(PL) 279 Purple Hamparan pasir ditumbuhi lamun lamun Daratan 7(D) 612 Red Pemukiman penduduk dan karang mati yang timbul di permukaan air Laut 8(L) 2764 Blue Perairan terendam lebih dalam Total jumlah 7,737 pixel
3) Model Pembelajaran/Training ANN Pelatihan (training) ANN dalam penelitian ini ditempuh dengan dua cara pembelajaran (learning), yaitu unsupervised learning (algoritma SOM) dan supervised learning (algoritma Backpropagation). Algoritma SOM (self organizing map) Desain unsupervised learning menggunakan algoritma SOM (Kohonen 1984) memiliki kemampuan atau pengorganisasian mandiri tanpa adanya pendefinisian
kelas
sebelumnya,
sehingga
membentuk
suatu
klaster.
Pendekatan ini memerlukan Parameter training (Tabel 3-3) dengan input minimal dari user (unit input layer) untuk membagi jumlah kelas/klaster yang dihasilkan (unit output layer): a. Unit input layer xi diaktifkan oleh input data citra. Input nilai pixel citra secara linear dibuat dari skala 0.0 dan 1.0 untuk input dengan Band minimum dan maksimum. b. Unit output layer yj merupakan output klaster. Output layer adalah kelompok yang paling dekat/mirip radius ketetanggan pixel dari masukan yang diberikan.
30
Wji X0=1
Y1
X1
Y2
X2
Y3
•• ••
Yj
Xi Input layer
Dimana: xi : input variabel dari node i dalam input layer yj : output node k dalam output layer (nilai prediksi untuk node j) wji : bobot koneksi node i input layer dengan node j dalam output layer
Output layer
Gambar 3-4 Jaringan Algoritma ANN-SOM Pelatihan jaringan Algoritma ANN-SOM (Gambar 3-3) melalui langkah berikut: (1) Inisialisasi: •
bobot-bobot wij (biasanya random antara 0 - 1)
•
laju pemahaman awal dan faktor penurunannya
•
bentuk dan jari-jari (=R) topologi sekitarnya
(2) Jika kondisi henti gagal, lakukan langkah 3-8. (3) Untuk setiap vektor masukan x, lakukan langkah 3-6 (4) Untuk setiap j, hitung:
................................................................. (3-3) dimana
adalah input neuron ke i pada iterasi n, dan
adalah bobot dari
input neuron i ke output neuron j pada iterasi n. (5) Tentukan indeks j sehingga dj minimum (6) Untuk setiap neuron j disekitar J modifikasi bobot:
wji baru = wji lama + α(xji – wji lama) ........................................ (3-4) (7) Perbaiki kecepatan pembelajaran (mulai dengan 0.5 dan turunkan 0.001) (8) Uji kondisi penghentian Kondisi penghentian iterasi adalah selisih antara wji saat itu dengan wji pada iterasi sebelumnya. Apabila semua wji hanya berubah sedikit saja, berarti iterasi sudah mencapai konvergensi sehingga dapat dihentikan.
31
Algoritma Backpropagation Algoritma ANN BP dengan parameter pelatihan (Tabel 3-4) didesain berikut: (1) Kontribusi Ambang (threshold) dengan nilai 0-1. Kontribusi training threshold menentukan besarnya kontribusi bobot internal dengan baik ke tingkat aktivasi node. Hal ini digunakan untuk mengatur bobot perubahan untuk bobot internal node. Pelatihan algoritma interaktif menyesuaikan bobot antara node dan secara opsional ambang node untuk meminimalkan kesalahan antara lapisan output dan respon yang diinginkan. Pengaturan kontribusi thereshold training ke nol tidak mengatur node bobot internal. Penyesuaian bobot internal juga dapat menyebabkan klasifikasi yang lebih baik, tetapi terlalu berat banyak juga bisa menyebabkan generalisasi miskin. (2) Tingkat Pelatihan (training rate) dengan nilai 0-1. Tingkat pelatihan menentukan besarnya penyesuaian bobot. Tingkat yang tinggi akan mempercepat
pelatihan,
tetapi
juga
meningkatkan
resiko
goyangan
(oscillation) atau tidak bertemu di satu tempat (non-convergence) dari hasil pelatihan. (3) Momentum Pelatihan (training momentum) dengan nilai 0-1. Memasukan tingkat momentum lebih besar dari nol memungkinkan untuk mengatur tingkat pelatihan yang lebih tinggi tanpa osilasi. Tingkat momentum yang lebih tinggi melatih dengan langkah lebih besar dari momentum yang lebih rendah. Pengaruhnya adalah untuk mendorong perubahan bobot selama proses berlangsung. (4) Kriteria RMS, masukan nilai kesalahan RMS dimana pelatihan harus berhenti. Jika kesalahan RMS seperti yang disajikan dalam plot selama pelatihan turun dibawah nilai masuk, pelatihan akan berhenti, bahkan jika jumlah iterasi belum terpenuhi. Klasifikasi ini kemudian akan dieksekusi. (5) Pelatihan Iterasi, jumlah iterasi pelatihan diatur hingga maksimum 10.000 dengan waktu terlatih sekitar 30 menit untuk area penelitian kecil. a. Unit input layer yang diaktifkan oleh input data citra. Input nilai pixel citra secara linear dibuat dari skala 0.0 dan 1.0 dengan Band minimum dan maksimum. b. Hidden layer diantara input layer dan output layer. Hitung unit input layer ke unit hidden layer (pers. 3-5) dan hidden layer ke unit output layer (pers. 3-6).
32
c. Unit output layer merupakan output kelas. Output kelas tersebut adalah habitat terumbu karang. d. Target digunakan untuk pembanding output. Target diperoleh dari training area atau region of interest (ROI). Proses belajar dihentikan jika nilai prediksi cukup dekat dengan nilai target melalui perhitungan kesalahan (pers. 3-11). Pembelajaran algoritma BP tersebut diatas secara lengkap dan sistematik yaitu: (1) Inisialisasi bobot: a. Normalisasi input data Xi dan target tk dalam range nilai (0,1) b. Acak bobot Wij dan Vjk menggunakan nilai (0,1) c. Inisialisasi threshold menggunakan unit aktivasi, Xo =1 dan Ho = 1.
H0=1 Vjk
Wij X0= 1
H1 Y1
X1
H2
X2
H3
• • • •
• • • •
•• ••
Yk
Xi Input layer
Output layer
Hj Hidden layer
Dimana: xi : input variable dari node i dalam input layer hj : output node j dalam hidden layer yk : output node k dalam output layer (nilai prediksi untuk node k) wij : bobot koneksi node i dalam input layer dan j dalam hidden layer vjk : bobot koneksi node j dalam hidden layer dan node k dalam output layer
Gambar 3-5 Jaringan algoritma ANN-BP dengan satu hidden layer (2) Prediksi t dengan Y dengan langkah umpan maju: a. lakukan training set xi dan tk b. hitung bobot input layer-hidden layer menggunakan fungsi aktivasi hj:
………………………………...………..………….. (3-5) c. Hitung bobot hidden layer-output layer menggunakan fungsi aktivasi yk:
33
……………………...…………………..………. (3-6) (3) Minimalkan
kesalahan
bobot
dengan
penyesuaian
Vjk
dan
Wij
menggunakan langkah umpan balik. a. Hitung kesalahan dari node dalam output layer (δk) untuk disesuaikan dengan bobot vjk. ……………….....….…..…..........(3-7) …………………….....…..........….(3-8) b. Hitung kesalahan dalam node input layer yang disesuaikan dengan bobot Wij ………………………..….........(3-9) …….....……...……………...……...... (3-10) (4) Pindahkan pada pelatihan data selanjutnya, dan ulangi langkah 2. Proses pembelajaran berhenti jika Yk cukup mendekati target Tk Penentuannya dapat berdasarkan error E, proses pembelajaran berhenti ketika E<0.0001.
dimana
……...………….(3-11)
Dimana: Tkp = nilai target data p dari training set node k Yp = nilai prediksi data p dari training set node k Jaringan dapat digunakan untuk memprediksi t melalui x setelah training selesai. Algoritma Adaptive Boosting Algoritma Adaptive Boosting (AdaBoost) merupakan standar klasifikasi ANN yang difokuskan pada struktur MLP (Richards and Jia 1999 dan Duda et al. 2001). Algoritma AdaBoost (Gambar 3-5) dibedakan dengan algoritma BP pada jumlah layernya, yaitu memiliki tiga layer dan dua hidden layer. Mekanisme pelatihan data menggunakan kalman filtering (Bishop 1995). Prosedur pelatihan
34
Kalman filter adalah fungsi kuadrat linear square error output jaringan yang menyimpulkan semua bobot pengamatan:
dan
dengan jumlah acak.
(2) Pilih pasangan acak (g(v+1), l(v+1) dengan distribusi probabilitas p(v) yang tepat dan menentukan vektor output layer tersembunyi menurut persamaan:
. dan network output berdasarkan:
set
dan
(3) Tentukan Kalman yang didapat untuk semua neuron berdasarkan:
35
(4) Update synaptik bobot matrik (umpan mundur dengan jaringan):
Gambar 3-5 Penentuan bobot synaptic untuk isolasi output neuron dengan Kalman Filter (5) Tentukan bobot matriks kovarian baru
(6) Jika fungsi keseluruhan cukup kecil, berhenti lalu atur v=v+1 dan kembali ke langkah (2).
Sedangkan pembelajaran algoritma ANN-AdaBoost secara sistematik dijalankan sebagai berikut:
36
(1) Set p1(v) = 1/n, v = 1 ... n, dimana n adalah jumlah observasi dalam susunan data training area. Set i = 1. (2) Set r = 0. (3) Buat sebuah jaringan neural network N (i) yang baru dengan bobot synaptic acak. Latih N dengan algoritma (1) dan distribusi sampling pi(v). Setelah pelatihan selesai, biarkan Ui menjadi himpunan pengamatan yang salah diklasifikasikan. (4) Kalkulasi Єi = ∑vЄUipi(v). Jika Єi<1/2 maka lanjut, jika r<5 maka set r = r+1, putuskan misalnya N(i) dan kembali ke langkah (3), lalu berhenti. (5) Hitung Єi / (1- Єi ) dan update distribusi sampling:
dimana 1
0
1
0
1
1
0
1 1
g1(V)
g2(V)
gN(V)
N1
J’1
Ni
J’i
Ji
•• ••
•• •
•• •
•• ••
L
K
N
Input layer
L’
Hidden layer 1
J1
Hidden layer 2
•• ••
k
m1(V)
MK(V)
MK(V)
Output layer
Dimana: Ni L’ L K v 0
: input variable dari node input layer i : output node j (hidden layer 1) : output node j (hidden layer 2) : kelas output node k dalam output layer : Identitas dari contoh training : bias input
Gambar 3-6 Jaringan algoritma AdaBoost dengan dua lapisan hidden layer
37
(6) Set i = i + 1. Jika i>75 maka berhenti, lalu kembali ke langkah (2). Proses pembelajaran berhenti ditunjukkan dengan jumlah iterasi dan nilai quadratic error yang diinginkan. Proses berhenti ini merupakan ukuran validasi sistem. Data validasi merupakan set data pasangan input-output pembelajaran yang dibagi kedalam dua set data, yaitu data training dan data validasi. Data training tersebut setelah dilakukan proses pembelajaran, selanjutnya divalidasi menggunakan satu set data input-output baru yang bertujuan untuk menghubungkan dengan baik pasangan data input-output. 3.5 Analisis Penilaian Akurasi Pengamatan objek di lapangan dilakukan secara ‘rapid mobile’ dan menganut prinsip ‘penutupan lahan dominan’ untuk membuat klasifikasi daerah pengamatan dan kodefikasi untuk keperluan simplikasi (Tabel 3-5). Pengambilan data lapangan tersebut dengan cara kombinasi pandangan mata dan penggunaan kamera digital dari permukaan air (dari atas perahu yang bergerak). Di setiap lokasi tertentu, jenis penutupan lahan ditentukan dan dicatat posisinya dengan GPS. Data GPS tersebut kemudian dianalisis akurasi posisinya untuk dipergunakan dalam uji akurasi tematik selanjutnya. 3.5.1 Akurasi Posisi GPS Akurasi posisi hasil survei GPS dengan pendekatan DGPS untuk keperluan uji akurasi dihitung menggunakan formulasi:
dimana
, ...................(3-13)
Dimana; E1 = nilai terkoreksi posisi lintang dan bujur ke ij Ê = rata-rata nilai posisi lintang dan bujur E = nilai posisi lintang dan bujur ∆E = selisih nilai E terhadap nilai rata-rata perhitungan dalam satu hari 3.5.2 Akurasi peta tematik Akurasi peta tematik dianalisa dengan uji ketelitian matrik konfusi (Congalton dan Green 1997; 2009). Matrik konfusi ditentukan berdasarkan persentase akurasi klasifikasi dari perbandingan antar kelas habitat ekosistem terumbu karang yang terbentuk dengan jumlah pixel yang benar masuk pada training area hasil survey lapangan (Tabel 3-6).
38
Tabel 3-6 Matrik konfusi (confussion matrix) Training Area Hasil Klasifikasi A B ... ... ... D Total Kolom Producer accuracy Overall accuracy
A nii ... ... ... ... ... nk+ nkk/n+k
B................. .................... .................... .................... .................... .................... .................... .................... ....................
... ... ... ... ... ... ... ... ...
D ... ... ... ... ... n+k ... ...
Total Baris n+k n+k ... ... ... ... ... ... n ...
User accuracy nkk /n+k ... ... ... ... ... ... ... ...
Berdasarkan matrik tersebut dihitung secara matematis uji overall accuracy, producer accuracy, dan user accuracy:
overall accuracy
=
producer accuracy = user accuracy =
∑n n
kk
× 100% ; ………………….......…….(3-14)
nkk × 100% ; ……………………...…..........(3-15) nk +
nkk × 100% ; …………………………....………..(3-16) n+k
Dimana; - Overall accuracy adalah persentase pixel-pixel yang tepat dikelaskan, - Producer accuracy adalah peluang rata-rata (%) suatu pixel menunjukkan sebaran masing-masing kelas hasil klasifikasi lapangan. - User accuracy adalah peluang rata-rata (%) suatu pixel secara aktual mewakili kelas-kelas hasil klasifikasi citra.
4 HASIL DAN PEMBAHASAN 4.1 Pengenalan Pola dan Performa Pengklasifikasi ANN Pengenalan pola (pattern recognition) dan performa klasifikasi citra bertujuan untuk membantu penyusunan skema klasifikasi citra terumbu karang. Tahapan ini diturunkan lebih awal melalui transformasi citra substrat dasar perairan gusung karang Lebar dan karang Congkak Kepulauan Seribu. Transformasi pendugaan awal substrat dasar perairan dangkal terlihat pada pola kenampakan citra Quickbird komposit RGB 321, RGB 421 dan RGB 432 (Gambar 4-1). Melalui teknik penajaman histogram (histogram enhancement) citra, substrat dasar perairan dangkal tampak berwarna biru muda (cyan) dan sebaran terumbu karang jelas terlihat di sekitar gusung karang. Teknik penajaman citra ini menggambarkan awal keberadaan terumbu karang. [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-1
Performa penajaman citra satelit Quickbird hasil komposit RGB 321 (a), RGB 421 (b), RGB 432 (c) dan Lyzenga (d)
Hasil transformasi metode “Deep Invariant Index” (algoritma Lyzenga) sesuai hasil penelitian Sulma dan Kushardono (2006) menggunakan data SPOT diperoleh klasifikasi tutupan dasar perairan ekosistem terumbu karang Kelurahan Pulau Panggang Kepulauan Seribu terdiri atas: (i) dominasi karang mati
40
ditampilkan dengan warna biru muda, (ii) dominasi karang hidup (merah), (iii) lamun (hijau), (iv) pasir (kuning), dan (v) perairan dalam dengan kedalaman >15 m. Berbeda halnya dengan sensor Quickbird yang digunakan dari hasil klasifikasi diperoleh 6 kelas habitat, yaitu nampak bahwa karang mati (merah), karang hidup (hijau), lamun (orange), pasir (kuning), dan habitat campuran (hijau muda). Adapun daratan (hitam) dan perairan (biru) terlihat dengan jelas. Intrepretasi ini relatif sama dengan Amri dkk (2010) dan Siregar dkk. (2010) yang sama-sama menggunakan Quickbird dalam penelitian ini. Substrat dasar pasir hampir mendominasi seluruh wilayah kajian.
Karang hidup lebih banyak menyebar
dibagian luar terumbu, dibandingkan di sekitar goba, demikan pula dengan sebaran pasir dan tutupan lamun juga banyak ditemukan disekitar tubir karang. Uji ketelitian keterpisahan formula Schowengerdt (1997; 2007) untuk menguji performa pengklasifikasi setiap band atau citra komposit dapat diketahui dari hasil formulasi perhitungan nilai spectral signature atau nilai digital (ND). Berdasarkan ND citra grayscale yang disajikan dalam histogram statistik univariate citra Quickbird (Gambar 4-2) menunjukkan performa atau pola separasi berbeda pada Band 1, 2 dan 3, dan 4. Performa Band 4 yang berbeda dari yang lain, dikarenakan sensor ini tidak dapat menembus perairan dangkal. [Type a quote from the document Bor1 the summary of an interesting point.B 3 You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
2 [Type a quote from the document orBthe summary of an interesting point. YouB 4 can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-2 Histogram statistik univariate Citra Quickbird
41
Histogram multivariate citra Quickbird (Gambar 4-3) pada kombinasi B-321, B-421, B-432 dan Lyzenga menunjukkan performa yang berbeda-beda pula. Perbedaan tersebut dikarenakan kedalaman sensor sinar tampak menurut CNES (1999) dan Green et al. (2000), dapat ditembus oleh B2 (0.52-0.60µm) sekitar 15m, B3 (0.63-0.69µm) sekitar 5m dan B4 (0.76-0.89µm) sekitar 0.5m dan pankromatik seluruhnya diserap oleh perairan. Sedangkan pada Lyzenga pemisahan objek semakin jelas terlihat pada histogramnya. Kemampuan sensor untuk mendeteksi, menseparasi atau memisahkan objek di perairan terlihat dengan jelas pada histogram tersebut.
B 321 [Type a quote from the document or the summary of an interesting point. B 432 You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
B 421 [Type a quote from the document or the summary of an interesting Lyzenga point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-3 Histogram statistik multivariate Citra Quickbird
Hasil deteksi dini menunjukkan kelas pixel tertentu menjadi lebih spesifik dan maksimal berbeda, ketika diterapkan metode penajaman citra multispektral yang mengkombinasikan band 1 dan band 2 berdasarkan “standar model koefisien atenuasi”. Setelah nilai digital band 1 dan band 2 diekstraksi maka nilai koefisien attenuasi perairan (Ki/Kj) diperoleh sebesar 0.433121. Persamaan
42
algoritma yang digunakan untuk mengekstrak substrat dasar adalah (Band 1) - 0.433121*ln (Band 2).
Y = ln
Sesuai dengan sebaran ND hasil iterasi
intrepretasi layar komputer, maka diperoleh beberapa komponen dominan dari citra hasil algoritma. Rentangan perbedaan warna pada citra hasil transformasi algoritma “depth invariant index” menunjukkan banyaknya kelas yang ada di substrat perairan. Pada citra hasil transformasi tersebut dapat dibedakan dengan jelas objek pasir, lamun (seagrass), karang hidup, dan karang mati. Gambaran awal tersebut mempermudah analisis klasifikasi citra yang didasarkan atas tiga pendekatan utama, yaitu (1) intrepretasi visual, (2) klasifikasi unsupervised, dan (3) klasifikasi supervised (Green et al. 2000). Hasil intrepretasi visual tersebut dapat menyatakan secara detail keaslian dan distribusi habitat. Subyektifitas dan intrepretasi visual memiliki kekurangan, terutama jika dibandingkan dengan pertimbangan sebelumnya. Hal ini juga menjadi sangat penting artinya dan menjadi isyarat bahwa pendekatan klasifikasi citra melalui penggunaan data komposit band diatas sangat memungkinkan diterapkan dalam pengembangan klasifikasi algoritma ANN unsupervised dan supervised yang dibahas dalam penelitian ini. Guna keperluan klasifikasi citra satelit, proses reklasifikasi kelas lebih lanjut dari algoritma ANN dapat disesuaikan dengan skema tipe habitat perairan dangkal dan hasil survey lapang. 4.2 Pelatihan Klasifikasi Algoritma ANN 4.2.1 Klasifikasi Algoritma ANN unsupervised SOM Pelatihan ANN-SOM bertujuan untuk menghasilkan klaster-klaster yang merupakan representasi secara visual sesuai karakteristik fitur-fitur masingmasing kelompok dalam citra yang terintegrasi membentuk 3 buah kanal RGB. Jika pelatihan ANN-SOM dijalankan menggunakan input klasifikasi pada Bab sebelumnya (Tabel 3-2), maka terdapat perbedaan kenampakan spasial (Gambar 4-3) berbagai transformasi kombinasi Band dari satelit Quickbird.
43
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-4 Kenampakan spasial hasil klasifikasi Algoritma ANN-SOM citra satelit Quickbird Pengaruh yang signifikan semakin nampak setelah citra dikoreksi berdasarkan kolom air menggunakan algoritma Lyzenga (Gambar 4-4 bagian A6). Perbedaan yang mencolok ini mudah diintrepretasi secara visual tersusun atas habitat berdasarkan warna, yaitu karang (cyan), pasir (kuning),
dan daratan
(hijau). Keberhasilan aplikasi kohonen SOM tidak terlepas dari kemampuan fungsinya sebagai cluster data citra dimensi tinggi, generalisasi jaringan dapat mengenal ciri input yang belum pernah ditemukan sebelumnya, dan reduksi kenampakan spasial dari kombinasi citra dengan menunjukkan karakteristik spasial objek secara berarti (Kohonen 1984). Teknik aplikasi SOM ini dapat
44
diterapkan dalam pengenalan pola, analisis citra, monitoring proses dan diagnosis kesalahan (Uriarte dan Martin 2005). Penerapan SOM terkait paramater jumlah radius ketetanggaan pixel dalam penelitian ini sebesar 4 diset lebih kecil dari 6.66 sesuai hasil penelitian Hu dan Weng (2009) menggunakan citra ASTER. Hal ini diduga karena SOM mampu memetakan objek secara baik tidak hanya citra resolusi rendah sampai sedang, tetapi juga bagi citra resolusi tinggi seperti Quickbird. Analisis visual menunjukkan ciri spasial dan spesifik berbeda setiap klaster berdasarkan perbedaan warna mewakili perbedaan kelas, sebagaimana Camacho (2006) mengintrepretasi citra habitat terumbu karang Midway Atoll dan Mishra et al. (2006) memetakan habitat bentik di perairan tropik menggunakan citra Quickbird dengan teknik klasifikasi unsupervised ISODATA (iterative self organizing data analysis). Menurut Green et al (2000) bahwa teknik klasifikasi unsupervised mengklasifikasi secara otomatis pixel kedalam sejumlah kelas berdasarkan kesamaan spektral tanpa referensi spektra dari user. Lain halnya dengan algoritma ISODATA, kemampuan SOM dapat mengeneralisasi data habitat terumbu karang yang sama kedalam satu klaster/kelas tersebut dapat diketahui dengan sendirinya dari distribusi nilai DN secara merata di semua kanal RGB yang didefinisikan menjadi Band 1 (Red), Band 2 (Green) dan Band 3 (Blue). Algoritma ISODATA menurut Mishra et al. (2006) dapat menyusun klaster citra kombinasi Band Quickbird kemudian diklasifikasi lebih lanjut dengan maximum likelihood. Teknik pendekatan klaster citra melalui algoritma SOM ini seyogyanya merupakan salah satu bagian dari tahapan proses klasifikasi algoritma backpropagation maupun adaptive boosting. Disamping kenampakan spasial diatas, secara statistik berdasarkan histogram Gambar 4-5 menunjukkan pola kenampakan yang berbeda satu dengan lainnya. Perubahan yang signifikan terjadi setelah data input dikoreksi menggunakan algoritma Lyzenga (A6). Kecenderungan ini terlihat dengan makin meningkatnya jumlah klaster pada kondisi tersebut. Hal ini semakin memperkuat bahwa input data A6 baik untuk reklasifikasi lebih lanjut dengan ANN supervised.
45
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-5 Histogram Klasifikasi Algoritma SOM Hasil analisis statistik masing-masing klaster SOM meliputi nilai-nilai covariance, koefisien korelasi dan eigenvector (Lampiran 2 - 6) mencerminkan keeratan hubungan kombinasi masing-masing Band untuk mengekstraksi informasi spasial objek (target) tersebar pada nilai DN. Hasil analisis kovarian matrik dari masing-masing klaster berbeda sesuai pencirinya. Karakteristik ini terkait preservasi hubungan ketetanggaan sebesar jarak 4 pixel jarak yang begitu jauh, nilai pixel ini merupakan data vektor ketetanggaan ruang input yang dipetakan kedalam ruang output. Kenampakan secara spasial dan statistik ini
46
membuat ANN-SOM sangat berguna dalam analisis data dan visual dimana tujuan umumnya adalah mewakili data dari suatu ruang dimensi tinggi dalam suatu ruang dimensi yang sama lemahnya untuk preservasi struktur internal dari data ruang input. Berdasarkan analisis kovarian matrik menunjukkan adanya keeratan hubungan antara masing-masing variabel yaitu, Band 1 (Red), Band 2 (Green) dan Band 3 (Blue) terhadap ekstraksi objek. Nilai kovarian secara diagonal menunjukkan besar dan arah hubungan linear antara dua peubah Band. Nilai kovarian klaster A4 secara berurutan menunjukkan nilai makin besar pada Band 1, 3 dan 2 dengan nilai penciri (eigen value) terbesar yaitu Band 1. Karakteristik vektor (eigen vector) Band 1 besarannya searah Band 2 dan sebaliknya terhadap Band 3. Berbeda dengan nilai kovarian klaster A6 secara berurutan menunjukkan nilai makin besar pada Band 1, 2 dan 3 dengan nilai penciri (eigen value) terbesar yaitu Band 1. Eigen vector Band 1 besarannya searah terhadap Band 2 dan 3. Karakteristik ini menunjukkan secara jelas bahwa Band 1 optimal dalam mengekstraksi informasi, terutama kelas pasir. Hal ini diperkuat pula oleh nilai korelasi negatif ((-)) Band 1 terhadap Band 3 masih dengan eigen value terendah dibanding Band yang lain ataupun kombinasi lainnya. Pemetaan hubungan ketetanggaan ANN-SOM memungkinkan untuk melihat secara jelas output ruang dan struktur tersembunyi dalam data dimensi tinggi, seperti cluster. Sebagaimana ANN-SOM didefinisikan dengan asumsi bahwa beberapa parameter peta, seperti parameter pembelajaran, topology dan ukuran peta selama fase training. Kenampakan ini mempengaruhi peta akhir, sehingga sangat penting kehati-hatian untuk memilih parameter-parameter yang menghasilkan peta tepat (Uriarte dan Martin 2005). Oleh karena itu, pengembangan klasifikasi algoritma ANN supervised dapat mengesktrak nilai ROI lebih lanjut pada klaster tersebut, sehingga berguna sebagai target data pembelajaran. Guna menguji perbedaan pilihan, dapat menggunakan beberapa komputasi tiruan untuk mengevaluasi kualitas peta dan menseleksi satu yang optimal untuk mewakili data. 4.2.2 Klasifikasi Algoritma ANN Supervised Backpropagation Skenario utama arsitektur klasifikasi algoritma ANN supervised adalah melanjutkan klasifikasi ANN unsupervised (SOM). Penggunaan input citra hasil transformasi SOM, paradigma pembelajaran jaringan secara supervised baik Backpropagation maupun AdaBoost menggunakan parameter klasifikasi (Tabel
47
3-4) dan ukuran training sampel ROI (Tabel 3-5) dengan nilai RGB objek ROI terlampir. Kesemua algoritma ANN supervised ini bermaksud meminimalkan kelipatan error semua pola output jaringan selama pelatihan hingga iterasi henti. Data training dan data pengujian untuk klasifikasi ANN supervised diseleksi melalui sampel area Gusung Karang Congkak sebanyak 7,737 pixel. Jumlah ROI ini relatif lebih besar dari eksperimen Konishi et.al (2007) bahwa data training (ROI) diekstrak dari area 5 x 5 pixel masing-masing 10 titik, yaitu 250 pixel masing-masing kategori untuk peta topografi dan data high resolution EROS-A1
1.8m.
Sedangkan
RADARSAT
memerlukan
banyak
sampel
dibandingkan dengan SPOT secara empirik, sebab pixel citra SAR berfluktuasi disebabkan speckle noise. Sehingga ekstraksi ROI dari area padi yang ditanam tersebut ditambahkan 800 pixel. Kondisi ini juga ditemukan terhadap variasi ROI kategori kelas pasir, karang hidup dan laut. Berbeda halnya dengan Conger et al. (2005) yang menentukan ROI sejumlah 61,323 pixel data Hyperspektral. Oleh karena analisis klasifikasi citra tersebut hanya untuk memisahkan pasir dan objek lainnya, maka jumlah ROI tersebut berbeda dengan penelitian ini terhadap beberapa
kategori
kelas
bentik.
Besarnya
memungkinkan karena secara visual
jumlah
pemisahan
pixel
objek
contoh
ROI
hasil klasifikasi
unsupervised SOM dari sumber data citra Quickbird tergolong resolusi spasial yang tinggi, sehingga masih mampu diintrepretasi secara baik. Tabel 4-1 Perbandingan hasil penelitian beberapa parameter training ANN supervised Keterangan (nilai) Item parameter I II III IV Training momentum 0.9 0.1 dan 1.0 0.19 0.57 Kriteria RMS 0 - 0.1 0.001–0.005 0.01 0.5 Training rate 0.2 0.1 dan 1.0 0.09 0.16 Jumlah Iterasi training 10,000 1,222 10,000 10,000 Jumlah pixel ROI 7,737 61,323 250 30 Sumber: I (data primer diolah 2011); II (Conger et al. 2005); III (Konishi et al 2007); IV ( Hu dan Weng 2007) Desain layer ANN-BP dalam berbagai penelitian remote sensing klasifikasi citra umumnya terdiri dari 3 layer. Selanjutnya item parameter training (Tabel 4-1) adalah sama dari berbagai penelitian, kecuali nilainya sebagian berbeda. Sedangkan terhadap jumlah neuron dari input layer yang sama untuk input layer citra, Konishi et.al (2007) mencontohkan bahwa RADARSAT tiga, ENVISAT
48
enam dan SPOT tiga. Hidden layer dipilih 7 neuron secara empirik. Jumlah neuron output layer sama untuk jumlah kategori 4 neuron. Hu dan Weng (2007) menyatakan bahwa dari formulasi jumlah hidden layer yang menghasilkan jumlah hidden layer node 6, setelah pengujian dilakukan ternyata jumlah hidden layer 4 menunjukkan hasil yang terbaik. Hal ini juga terjadi dalam penelitian ini, dimana jumlah hidden unit hasil formulasi adalah 5, namun performa terbaik secara empirik diperoleh jumlah hidden unit 4. Selama training dari berbagai input kombinasi dari data pembelajaran (learning) yang sama menunjukkan performa training yang berbeda-beda. Nilai cross entropy terendah dinyatakan sebagai pengenalan pola dengan tingkat kesalahan terendah. Performa masing-masing input dapat disajikan pada Gambar 4-6 berikut: [Type a quote from the document or SOM 1234 the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or SOM 321 the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document SOM 421or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the SOM document 432 or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Lyzenga or [Type a quote from the document the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document SOM Lyzenga or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-6 Performa training ANN-BP masing-masing transformasi
49
Training melalui prosedur ANN-BP hingga MSE menjadi 0.01 pada 10,000 iterasi dengan masing-masing learning rate dan momentum diset 0.09 dan 0.19 untuk menghitung jumlah pembobotan atau besarnya koreksi. Hal ini sesuai dengan Conger et al. (2005) bahwa perbedaan learning rate dimaksudkan tidak terlepas sebagai upaya untuk mengontrol seberapa cepat jaringan tetap stabil, sedangkan momentum rate berupaya untuk mengontrol ukuran langkah koreksi yang mungkin melampaui dan mencegah konvergensi selama pembelajaran.
[Type a quote from the document or A the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document B or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
*) A = 2 unit hidden layer; B = 4 unit hidden layer;
Gambar 4-7 Lama iterasi pembelajaran algoritma ANN-BP Penghentian training dari 7,737 set data learning berlangsung beberapa menit mendekati iterasi 5,600 dari iterasi total 10,000 (Gambar 4-6). Umpan balik neuron pada iterasi tersebut dapat mengenali target dengan baik dan berlangsung sama setiap penambahan jumlah hidden unit. Dari semua input pembelajaran, diketahui bahwa kelas A6 (Tabel 4-3) menunjukkan terbaik sesuai dengan ukuran kesalahan berdasarkan log (cross entropy/CE) bernilai 4 (=0.60) sejak iterasi dimulai dan bernilai 1.6 (=0.20) hingga iterasi henti. Cross-entropy cenderung membiarkan kesalahan untuk mengubah bobot bahkan ketika node jenuh (turunannya mendekati 0). Semakin lebih berguna untuk memecahkan masalah dimana target adalah 0 dan 1 (output dapat mengasumsikan nilai-nilai diantara keduanya). Pengukuran CE sebagai salah satu alternatif untuk ukuran kesalahan (squared error) dapat digunakan ketika suatu network output mewakili hipotesis independen (misalnya setiap node berdiri untuk suatu konsep yang berbeda) dan aktivasi node mewakili probabilitas (keyakinan) bahwa setiap hipotesis bisa jadi benar. Vektor output merupakan distribusi probabilitas dan CE menunjukkan jarak antara distribusi jaringan dan pengetahuan pembelajaran yang harus
50
percaya. Keseluruhan pengukuran nilai CE dari setiap proses input disajikan pada Tabel 4-2 berikut: Tabel 4-2 Cross entropy masing-masing input No 1 2 3 4 5 6
A1
Cross entropy (log) 3.00
Nilai akhir 0.48
A2
3.10
0.49
A3
3.10
0.49
A4
2.60
0.41
A5
1.90
0.28
A6
1.60
0.20
Input data training
Kode
SOM dengan input semua Band (Band 1, 2, 3 dan 4) SOM dengan input kombinasi Band 321 SOM dengan input kombinasi Band 421 SOM dengan input kombinasi Band 432 Deep invariant index (Lyzenga) SOM dengan input data Lyzenga
Hasil pelatihan jaringan ANN-BP menggunakan input data hasil klasifikasi Lyzenga yang diklaster dengan algoritma ANN-SOM (Gambar 4-7) merupakan performa hasil terbaik dengan cross entropy semakin mendekati nol dari semua input kombinasi, diperoleh kenampakan spasial yang berbeda, dimana target pasir campur karang tidak dapat dikenali secara baik pada penentuan jumlah hidden unit 2. Setelah hidden unit ditambah 4 hasilnya menjadi siginifikan menampilkan target yang sebelumnya tidak ada. Penentuan jumlah hidden unit dan input yang tepat sangat berpengaruh terhadap kualitas klasifikasi. Demikian pula
halnya
dengan
kemampuan
sistem
melakukan
generalisasi
pola
pembelajaran dari input data pembelajaran (learning) yang diberikan. Makin baik pemisahan
objek
learning
berdasarkan
degradasi
warna
berdasarkan
kemampuan ekstraksi informasi dari transformasi kombinasi Band citra, maka kemampuan pengenalan pola tentu akan semakin lebih baik.
51
[Type a quote from the document or the summary of an interesting point. You can
(A) position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
[Type a quote from the document or the summary of an interesting point. You can
(B) position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
*) A = 2 unit hidden layer; B = 4 unit hidden layer;
Gambar 4-8 Kenampakan spasial hasil klasifikasi algoritma ANN-BP
52
Kenampakan spasial diatas, jika dilihat secara statistik berdasarkan histogram (Gambar 4-9) memiliki pola kenampakan berbeda dari masing-masing klasifikasi ANN-BP. Perbedaan tersebut disebabkan oleh jumlah unit hidden layer secara empirik lebih baik pada jumlah unit lebih besar dari 2. Pada penentuan jumlah hidden layer node 4 menunjukkan klasifikasi terbaik. Hal ini tidak terpaku berdasarkan formula Schowengerdt (1997; 2007) dan postulat Fletcher dan Goss (1993) yang digunakan dalam hasil penelitian klasifikasi citra oleh Hu dan Weng (2007). Selanjutnya menunjukkan secara empirik terdapat perbedaan hasil ketika dilakukan perubahan jumlah hidden layer dari enam sesuai formula, ketika dilakukan perubahan jumlah menjadi empat ternyata hasil klasifikasi citra lebih baik. 2 hidden layeror [Type a quote from the document Lyzenga point. the summary of an interesting You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
4 hidden layeror [Type a quote from the document Lyzenga point. the summary of an interesting You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-9 Histogram klasifikasi algoritma ANN-BP 4.2.3 Algoritma ANN Supervised Adaptive Boosting Berdasarkan skema ANN supervised diatas dapat diterangkan bahwa propagasi dari sinyal input melalui jaringan mengalami peningkatan secara adaptif dari Algoritma Adaptive Boosting (ANN-AdaBoost). Dari parameter input dan ROI yang sama digunakan terhadap algoritma ANN-BP, kecuali jumlah hidden layer algoritma ANN-AdaBoost ditambah menjadi hidden layer 1 dan 2 untuk jumlah hidden node masing-masing 8 serta menggunakan training Kalman filter (TKF) untuk memperhalus atau memfilter informasi noise. Hasil analisis kenampakan spasial (Gambar 4-10) menunjukkan perbedaan yang signifikan dan memerlukan relatif sedikit jumlah iterasi (280 iterasi) dengan ukuran kesalahan (quadratic error) 0.24 (Gambar 4-12).
53
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-10 Kenampakan spasial klasifikasi algoritma ANN-AdaBoost
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-11 Histogram klasifikasi algoritma ANN-AdaBoost Hasil klasifikasi kenampakan diatas menunjukkan pola dan kenampakan spasial yang relative sama dengan klasifikasi ANN-BP. Perbedaan yang mencolok terletak pada jumlah iterasi dan waktu yang dibutuhkan hingga iterasi henti. Perolehan hasil eksperimen ini dalam rangka mengatasi kelemahan utama dari lama waktu pelatihan relevan dengan hasil eksperimen Freund dan Shapire (1996) untuk klasifikasi data satelit multispektral tutupan lahan menggunakan algoritma ANN-AdaBoost diterapkan pada urutan tiga lapis umpan-maju jaringan
54
ANN. Meski terlihat dari histogram (Gambar 4-11) menunjukkan pola yang relatif sama dari ekstraksi pixel, namun menurut Shah dan Palmeri (1990) bahwa algoritma ANN-AdaBoost dengan pelatihan Kalman filter menjadi efisien melatih setiap neuron dalam jaringan lokal, membuat eksplisit penggunaan matriks kesalahan bobot sinaptik neuron. [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-12 Ukuran kesalahan (quadratic error) selama iterasi Ini berarti bahwa pelatihan algoritma ANN-AdaBoost tidak memerlukan jumlah iterasi yang besar dibanding algoritma ANN-BP (5,600 iterasi) dari total jumlah 10.000 iterasi yang disiapkan. Meskipun kedua algoritma ANN supervised memiliki presisi yang sangat baik, karena memiliki nilai ukuran kesalahan mendekati 0. Dari keseluruhan input data training, Input A6 menunjukkan quadratic error dan misclassification rate relatif lebih baik dibanding lainnya. Hal ini tidak terlepas dari pengaruh integrasi training Kalman Filter (KF) yang menduga secara iteratif bagian dari suatu sistem pengamatan ANN supervised. Training Kalman Filter yang dilakukan Spence et al. (2008) dapat memasukkan data dari bermacam-macam pengertian kedalam sistem pendugaan, pengukuran statistik untuk memperhalus data dan membuang informasi yang bersifat noise. Intrepretasi KF yang juga dilakukan Parker (1994) merupakan suatu sistem linear yang menyatakan kelipatan rata-rata kesalahan (squared error) antara output yang diharapkan dan output aktual dengan meminimalkan input acak saat digeneralisasi secara acak noise dari iterasi konstan per unit kanal pada tiap frekuensi dari nilai pixel yang diinginkan.
55
Tabel 4-3 Quadratic error dan misclassification rate masing-masing input No 1 2 3 4 5 6
Misclassification rate Training validasi 0.034 0.040
Input Data Training
Kode
SOM dengan input semua Band (Band 1, 2, 3 dan 4) SOM dengan input kombinasi Band 321 SOM dengan input kombinasi Band 421 SOM dengan input kombinasi Band 432 Deep invariant index (Lyzenga) SOM dengan input data Lyzenga
A1
Quadratic error 0.25
A2
0.25
0.025
0.023
A3
0.24
0.245
0.225
A4
0.25
0.011
0.015
A5
0.25
0.0018
0.000
A6
0.24
0.000
0.000
Pengenalan pola masing-masing input pembelajaran (learning) dari input kombinasi menunjukkan performa yang berbeda-beda. Hal ini dapat ditunjukkan pada Gambar 4-13 berikut:
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to
Gambar 4-13 Performa pembelajaran Algoritma ANN-AdaBoost berbagai input (Garis putus-putus untuk validasi data pelatihan dan data pengujian titik-titik)
56
Pengenalan pola masing-masing pembelajaran terhadap data input dan output (target) dimulai pada network ke 2. Pengenalan semakin lebih baik pada network ke 3 hingga 74. Validasi data selama pelatihan menunjukkan misclassification rate 0,0080 untuk set data pelatihan (garis putus-putus) dan 0.0064 untuk set data pengujian (garis titik-titik) dimulai pada network ke 2. Pada network ke 3 dan seterusnya hingga iterasi henti menunjukkan misclassification rate 0 (Gambar 4-11). [Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-14 Validasi data pelatihan (putus-putus) dan data pengujian (titik-titik) Bobot-bobot neuron network klasifikasi ANN supervised AdaBoost dari hasil kalkulasi input dan output (target) mencapai konvergensi hingga network 74 (Gambar 4-12). Bobot-bobot tersebut (Lampiran 4) dihitung mulai 0 hingga 5 kali percobaan (trial) dari jumlah hidden neuron 1 dan hidden neuron 2 masingmasing adalah 8. Penentuan jumlah hidden neuron ini secara empirik disesuaikan dengan jumlah target (output) yang diharapkan.
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-15 Bobot (weight) neuron selama kalkulasi jaringan (network)
57
4.3 Penilaian Akurasi Data 4.3.1 Koreksi Posisi Koreksi posisi E dilakukan pada 122 titik pengamatan yang tersebar di gosong Karang Congkak dan Karang Lebar bertujuan untuk menambah keakuratan posisi. Penelitian ini diperoleh nilai ∆E dari perhitungan dalam satu hari, tidak semua posisi terkoreksi dikarenakan adanya gangguan teknis seperti GPS mati. Hasil koreksi posisi diperoleh nilai ∆E berkisar antara 0.4 – 6.7m, berarti bahwa keakurasian pengukuran posisi meningkat walaupun belum maksimum seperti memakai Differential GPS. Hal ini tentunya mendekati resolusi spasial citra satelit Quickbird 2.44m x 2.44m. Kesalahan posisi untuk banyak penggunaan GPS umumnya merupakan hal yang tidak dapat diterima, apalagi jika nilainya mencapai 30-100m seperti dinyatakan Green et al. (2000). Berdasarkan pendekatan beda fase 5 detik yang diset untuk mengukur kesalahan yang sering terjadi dan pada waktu yang sama dari informasi spasial yang dikumpulkan adalah sangat memungkinkan untuk mengkoreksi banyak ketidakakuratan. Teknik ini masih cukup baik jika dibandingkan dengan Green et al. (2000) yang mengatur GPS referensi sedetik untuk mengkoreksi GPS stationer hingga memiliki akurasi yang sangat tinggi (jika akurasi posisi 2-3m dihasilkan, maka memerlukan akurasi <0.5m). GPS receiver mengumpulkan data lapang dalam penelitian ini, akurasinya menjadi sangat penting khususnya pengumpulan data menggunakan citra resolusi tinggi seperti Quickbird. Hal ini menjadi penting artinya tidak hanya dalam penelitian ini, tetapi ditegaskan pula oleh Serr et el. (2006) bahwa GPS receiver dengan akurasi 2-5m seperti Trimble GeoExplorer II tidak dapat mengumpulkan data yang meregistrasi 2-4m pixel yang benar dari citra Quickbird. Perhitungan GPS receiver 5 detik ini sudah memadai sebagaimana Kechine et al. (2003) menguji secara kinematik 7-8 detik dan lebih dari 99% pada koreksi global dengan interval 1 detik. 4.3.2 Uji Akurasi Hasil Klasifikasi Habitat Perairan Dangkal Uji akurasi tematik klasifikasi perairan dangkal area gusung Karang lebar dan Karang Congkak menunjukkan perbedaan yang tidak berarti dari masingmasing klasifikasi algoritma ANN-BP (Gambar 4-16) dan ANN-AdaBoost (Gambar 4-17) setelah ditumpangsusunkan dengan menggunakan data GPS hasil koreksi. Akurasi keseluruhan dari hasil uji akurasi tematik tersebut disajikan
58
secara lengkap disajikan untuk klasifikasi algoritma ANN-BP (Tabel 4-4) dan ANN-AdaBoost (Tabel 4-5) berikut:
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-16 Lokasi kajian uji akurasi tematik klasifikasi algoritma ANN-BP Tabel 4-4 Uji akurasi klasifikasi habitat perairan dangkal algoritma ANN-BP
1 2 3 4 5 6
1 Lapangan Karang Hidup Citra training 17 Karang Hidup 5 karang mati 0 Pasir 2 Lamun 0 pasir campur karang 0 pasir campur lamun total kolom 24
2
3
karang mati
0 30 0 0 0 2 32
4
5
6
Pasir
Lamun
pasir mix karang
pasir mix lamun
0 0 19 1 0 0 20
0 1 3 9 5 0 18
0 1 0 0 16 0 17
0 0 1 0 0 10 11
Keterangan : Total benar = 101, Total sampel= 122, Total akurasi = 101/122*100% = 82.79% producer accuracy Lapangan akurasi 1 17/24 = 70.83 2 30/32= 93.75
Citra 1 2
user accuracy akurasi 17/17= 100.00 30/37= 81.08
3
19/20=
95.00
3
19/23=
82.61
4
9/18 =
50.00
4
9/12=
75.00
5
16/17 =
94.12
5
16/21=
76.19
6
10/11 =
90.91
6
10/12=
83.33
total baris
17 37 23 12 21 12 122
59
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-17 Lokasi kajian uji akurasi tematik klasifikasi algoritma ANNAdaBoost Tabel 4-5 Uji akurasi klasifikasi habitat perairan dangkal Algoritma ANNAdaBoost 1
2
Citra training
Karang Hidup
karang mati
4
5
6
Pasir
Lamun
pasir mix karang
pasir mix lamun
1
Karang Hidup
17
0
0
0
0
0
17
2
karang mati
5
30
0
1
1
0
37
3
Pasir
0
0
19
3
0
1
23
4
Lamun
2
0
1
9
0
0
12
5
pasir campur karang
0
0
0
4
17
0
21
6
pasir campur lamun
0 24
2 32
0 20
0 17
0 18
10 11
12 122
Citra 1
user accuracy akurasi 17/17= 100.00
Lapangan
total kolom
3
Keterangan : Total benar = 102, Total sampel= 122, Total akurasi = 102/122*100% = 83.61% producer accuracy Lapangan akurasi 1 17/24 = 70.83 2
30/32=
93.75
2
30/37=
81.08
3
19/20=
95.00
3
19/23=
82.61
4
9/17 =
52.94
4
9/12=
75.00
5
17/18 =
94.44
5
17/21=
80.95
6
10/11 =
90.91
6
10/12=
83.33
Total baris
60
Pengembangan uji hasil klasifikasi algoritma ANN-BP menunjukkan 82.79% relatif lebih besar dari klasifikasi algoritma lyzenga (Amri, dkk 2010) sebesar 79.01% maupun Siregar, dkk (2010) sebesar 79%. Hal ini semakin meningkat dengan diterapkannya algoritma ANN-AdaBoost menghasilkan 83,61%. Dengan demikian dapat dikatakan bahwa penerapan klasifikasi ini dapat digunakan untuk memetakan habitat dasar perairan gusung karang lebar dan karang congkak Kepulauan Seribu. Hasil perhitungan akurasi untuk producer dan user memperlihatkan bahwa semua jenis penutupan dasar perairan terwakili dengan baik. Fakta ini menunjukkan bahwa skenario uji akurasi telah memadai untuk mencakup keseluruhan skema kelas penutupan lahan yang dihasilkan dari hasil transformasi citra transformasi. Faktor lain yang turut mempengaruhi tingkat akurasi adalah terjadinya selisih posisi antara citra dan GPS. Terkait dengan proses transformasi sistem koordinat citra ke sistem koordinat GPS diperoleh root mean square error untuk posisi adalah 0,57m. Hal ini sudah cukup memadai bagi resolusi spasial citra Quickbird. Keseluruhan hasil uji akurasi habitat terumbu karang diatas menunjukkan bahwa metode klasifikasi ANN supervised masih memiliki tingkat akurasi relatif baik, jika diperbandingkan dengan hasil penilaian akurasi penelitian De Mazieres (2008), hasil yang sama diperoleh dari hasil penelitian Green et al. (2000) menggunakan data satelit Landsat bahwa klasifikasi unsupervised menghasilkan peta habitat karang dengan overall accuracy rendah <50% dibandingkan >70% menggunakan
klasifikasi
supervised.
Demikian
pula
halnya
klasifikasi
unsupervised yang mengembangkan algoritma ISODATA untuk memetakan habitat bentik perairan tropik diperoleh overall accuracy 81% (Mishra et al. 2006). Hasil klasifikasi habitat perairan dangkal dari pengembangan metode klasifikasi ANN di atas menunjukkan tingkat akurasi masih relatif lebih tinggi dibandingkan dengan hasil penelitian Siregar dkk (2010) dari hasil uji akurasi kondisi ekosistem dasar perairan difokuskan kajian di tubir dan area luar dilakukan deliniasi, terhadap 5 kategori yaitu sangat baik, baik, sedang, buruk, dan sangat buruk. Uji akurasi kondisi terumbu sangat baik dan baik dijadikan satu kelas, sedangkan kondisi buruk dan sangat buruk dijadikan satu kelas. Hal ini dilakukan, karena menginterpretasikan data cukup sulit. Uji akurasi dilakukan di Karang Lebar diperoleh total akurasi 41.67 %.
61
[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]
Gambar 4-18 Kajian akurasi kondisi ekosistem terumbu karang (Karang Lebar) (Siregar dkk. 2010) Tabel 4-8 Uji akurasi klasifikasi ekosistem terumbu karang (Siregar dkk. 2010) 1 2 3 4 5 Total Sangat Sangat baris Baik Sedang Buruk Citra training baik buruk 1 Sangat baik 0 1 0 2 0 3 2 Baik 12 4 10 10 7 43 3 Sedang 0 0 3 0 1 4 4 Buruk 1 0 2 4 3 10 5 Sangat buruk 0 0 0 0 0 0 Total kolom 13 5 15 16 11 60 Keterangan: Total benar = 25, Total sampel = 60, Total akurasi = 25/60*100% = 41.67% Lapangan
Uji akurasi klasifikasi kondisi ekosistem terumbu karang meliputi skema kategori kelas terumbu karang buruk, sedang dan baik hasil penelitian ini relatif lebih rendah, jika dibanding dengan perolehan akurasi penelitian Benfield et al. (2007), khususnya penggunaan Quickbird di kepulauan Las Perlas dari perbandingan berbagai metode klasifikasi citra.
5 KESIMPULAN DAN SARAN 5.1 Kesimpulan 1. Pengenalan pola dan performa klasifikasi algoritma ANN-SOM untuk pemetaan kelas habitat perairan dangkal dari citra satelit Quickbird menunjukkan performa klaster yang baik setelah data input dikoreksi menggunakan metode Deep Invariant Index (algoritma Lyzenga). 2. Klasifikasi algoritma ANN-BP dan ABB-AdaBoost dapat membentuk kelas habitat perairan dangkal yang meliputi; karang hidup, karang mati, pasir, lamun, pasir campur lamun, dan pasir campur karang. 3. Pemetaan kelas habitat perairan dangkal klasifikasi algoritma ANN-BP memerlukan jumlah iterasi sebesar 5,600 untuk mengenali objek dengan ukuran kesalahan
(cross
entropy)
0.20,
sedangkan
algoritma
ANN-AdaBoost
memerlukan jumlah iterasi 280, relatif sedikit dengan ukuran kesalahan (quadratic error) 0.24 hingga iterasi henti. 4. Klasifikasi habitat perairan dangkal pelatihan algoritma ANN-BP dan ANNAdaBoost masing-masing menunjukkan overall accuracy 82.79 % dan 83.61%. 5.2 Saran Pengembangan metode klasifikasi ANN supervised perlu memperhatikan dengan seksama penentuan output-target, data pelatihan dan pengujian, serta perhitungan jumlah hidden layer sehingga output dapat lebih dimaksimalkan sesuai tujuan yang diharapkan.
64
DAFTAR PUSTAKA Amri K, Siregar VP, Takwir A dan Asmadin. 2010. Kajian Akurasi Citra Satelit Quickbird dengan Metode Differential Global Positioning untuk Klasifikasi Tipe Substrat Dasar Perairan Karang Congkak dan Karang Lebar Kepulauan Seribu. Jurnal Kelautan Nasional, 5(1):25-32 Arifin AZ. 2001. Algoritma Clustering Fuzzy Hibrida untuk Klasifikasi Citra Penginderaan Jauh. Universitas Gadjah Mada. Pra-Prosiding Seminar Nasional Penginderaan Jauh dan Sistem Informasi Geografis, 7 April 2001. Bishop CM. 1995. Neural Networks for Pattern Recognition. Oxford: Clarendon Press. Camacho, MA. 2006. Depth Analysis of Midway Atoll Using Quickbird Multispectral Imaging Over Variable Substrates. Monterey: Naval Postrgraduate School. Congalton RG, and K Green. 2009. Assessing the accuracy of remotely sensed data: principles and practices 2nd Ed. New York: CRC Press, Taylor and Francis Group. Conger CL, CH Fletcher, and M Barbee. 2005. Artificial Neural Network Classification of Sand in All Visible Submarine and Subaerial Regions of A Digital Image. Florida: J. Coas. Res, 21:6. Duda RO, and PE Hart. 1973. Pattern Classification and Scene Analysis. New York: Jhon Wiley and Sons. Duda RO, PE Hart, and DG Stork. 2003. Pattern Classification 2nd Ed. New York: Jhon Wiley and Sons. Frankel E. 1982. Coral Reef Habitat. The Encyclopedia of Beaches and Coastal Environments, Editor: Schwartz ML. Encyclopedia of earth science series., Hutchinson Ross Publishing Company, Stroudsburg Pennsylvania, XV. Freund Y and Shapire, RE. 1996. Experiments With a New Boosting Algorithm. Morgan Kaufmann. Proceeding 13th Intl Conference on Machine Learning, 148-156. Gao J. 2009. Digital Analysis of Remotely Sensed Imagery. New York: McGraw Hill. Gao J. 2001. Non-Differential GPS as an Alternative Source of Planimetric Control for Rectifying Satellite Imagery. Photogrametric Engineering and Remote Sensing, 49-55. Gonzalez RC, and Wood RE 2002. Digital Image Processing, 2nd Ed. New Jersey: Prentice Hall, Inc. Green EP, PJ Mumby, AJ Edwards, and CD Clark. 2000. Remote Sensing Handbook for Tropical Coastal Management. Paris: UNESCO. Hamel MA, and S Andréfouët. 2010. Using Very High Resolution Remote Sensing for the Management of Coral Reef Fisheries: Review and Perspectives. Marine Pollution Bulletin, 60:1397–1405. Hu X and Q Weng. 2009. Estimating Impervious Surfaces From Medium Spatial Resolution Imagery Using The Self Organizing Map and Multi-Layer Perceptron Neural Networks. J Remote Sens, 113:2089-2102.
66
Kechine, MO, CCJM Tiberius dan H van der Marel. 2003. Network Differential GPS: Kinemetic Positioning With NASA’s Internet Based Global Differential GPS. J Global Positioning System, 2(2):139-143. Knudby, A, C. Roelfsema, M. Lyons 2, S. Phinn and S. Jupiter. 2011. Mapping Fish Community Variables by Integrating Field and Satellite Data, ObjectBased Image Analysis and Modeling in a Traditional Fijian Fisheries Management Area. J Remote Sens,1:460-483. Kohonen T. 1984. Self Organizing and Associative Memory. Berlin: SpringerVerlag. Konishi T, S. Omatu, and Y Suga. 2007. Remote Sensing Image Analysis Using Neural Networks. Intl J Pure and Applied Mathematics, 41(4):453-462. Kusumadewi S. 2002. Artificial Yogyakarta: Graha Ilmu
Intellegence
(Teknik
dan
Aplikasinya).
Kuswadi S. 2007. Kendali Cerdas Teori dan Aplikasi Praktisnya. Yogyakarta: Andi. Lawson M, Leavitt B, Rundquist D, Emmanuel N, Perk R, Keck E and M Hauschild. 2006. Compensating for Irradiance Fluxes When Measuring the Spectral Reflectance of Corals in Situ. GIScience and Remote Sensing. New York: VH Winston & Son. Lillesand TM, and RW Kiefer. 1994. Remote Interpretation. New York: John Wiley & Sons.
Sensing and Image
Mather PM. 2004. Computer Processing of Remotely Sensed Images: An Introduction, 3rd Ed. London: John Wiley & Sons Ltd. Mercimek M, Gulez K, and Mumcu TV. 2005. Real Object Recognition Using Moment Invariants. Sadhana, 30:6. Mishra D, S Narumalani, D Rundquist, and M Lawson. 2006. Benthic Habitat Mapping in Tropical Marine Environments Using Quickbird Multispectral Data. American Society for Photogrammetry and Remote sensing, New York: Photogrametric Engineering and Remote Sensing, 72(9):1037-1048. Mohamed NA, MN Ahmed, AA Farag. 1998. Modified Fuzzy C-Mean in Medical Image Segmentation. Proc. of IEEE-EMBS, 20(3):1377-1380. Moik JG. 1960. Digital Processing for Remotely Sensed Images, Washington. Nurjannah. 2006. Observasi Radiometrik, Analisis Karakteristik Reflektansi Spektral dan Perumusan Indeks Pembeda Karang. Bogor: [Disertasi] Sekolah Pascasarjana IPB. [Tidak Dipublikasikan]. Ohsawa T, C Zhao, J Suwa, H Masanorin, I Asanuma, and Y Sugimori. 2002. Primary Productivity Model Base on Neural Network. Bali: Proceeding PORSEC, II:657-661. Pandjaitan LW. 2007. Dasar-Dasar Komputasi Cerdas. Yogyakarta: Andi. Parker SP. 1994. Dictionary of Scientific and Technical Terms 15th Edition. New York: McGraw-Hill. Patrik B. G. Dammert, Jan I. H. Askne, and S. Kuhlmann. 1999. Unsupervised Segmentation of Multitemporal Interferometric SAR Images. IEEE Trans. on Geoscience and Remote Sensing, 37:5-12.
67
Petersen ME, D de Ridder, and H Handels. 2002. Image Processing With Neural Network-a review. J Pattern Recognition Society, 35(10):2279-2301. Pitas I. 1993. Digital Image Processing Algorithms. London: Prentice Hall. Richards JA. 1986. Remote Sensing Digital Image Analysis, An Introduction. Berlin: Springer-Verlag. Santoso B. 2007. Data Mining Terapan dengan MATLAB. Yogyakarta: Graha Ilmu. Schowengerdt RA. 1997. Remote Sensing: Models and Methods for Image Processing. New York: Academic Press. Schowengerdt RA. 2007. Remote Sensing: Models and Methods for Image Processing; 3rd Ed. New York: Academic Press. Sebe N, and Lew MS. 2000. Robust Computer Vision: Theory and Applications. Leiden: Leiden Institute of Advance Computer Science. Serr K, T Windholtz dan K Weber. 2006. Computing GPS Receivers: A Field Study. J URISA, 18(2):19-23. Shah S dan Palmieri F. 1990. MEKA - A fast, local algorithm for training feedforward neural networks. San Diego: Proceeding Intl Joint Conference On neural networks, III:41-46. Simpson JJ, TJ McIntire, and M Sienko. 2000. An Improved Hybrid Clustering Algorithm for Natural Scenes. IEEE Trans. on Geoscience and Remote Sensing, 38:2. Siregar VP, S Wouthuyzen, S Sukimin, SB Agus, MB Selamat, Adriani, Sriati dan Muzaki. 2010. Informasi Spasial Habitat Perairan Dangkal dan Pendugaan Stok Ikan Terumbu Menggunakan Citra Satelit. Bogor: SEAMEO BIOTROP-FPIK IPB. Skias ST. 2006. Methods and procedures for the verification and Validation of artificial neural networks Editorial by Brian J. Taylor. New York: Springer. Spence AJ, H Tan and A Wilson. 2008. Accuracy of the TurfTrax Racing Data System for Determination of Equine Speed and Position. Equine Veterinary J, 40(7):680-683. Sulma S, dan D Kushardono. 2006. Pemanfaatan Citra Satelit SPOT-5 untuk Identifikasi Terumbu Karang di Perairan Kepulauan Seribu. Jakarta: Majalah Berita Inderaja LAPAN, V(9):31-33. Theodoridis S and K Koutroumbus. 2003. Pattern Recognition; 2nd Ed. New York: Academic Press. Uriarte EA and FD Martin, 2005. Topology Preservation in SOM. Faculty of Engineering, University of Deusto. Bilbao: Intl J Mathematical and Computer Sciences, 1:1. Vahtmäe E and T. Kutser. 2007. Mapping Bottom Type and Water Depth in Shallow Coastal Waters with Satellite Remote Sensing. Sydney: J Coas Res, 50:185-189. Zhao C, T Ohsawa, K Hanawa, J Suwa, Y Sugimori, I Asanuma, and M He. 2002. Estimation of Primary Production from Ocean Color Data Around Japan and Its Comparison with Other Models. Bali: Proceeding PORSEC, I:113-118.
69
Lampiran 1 Nilai RGB (RGB Value) objek training area No 1 2 3 4 5 6 7 8
Nama Objek Training Area (ROI) Pasir Karang mati Pasir campur karang Pasir campur Lamun Karang hidup Darat Lamun Laut Jumlah
Keterangan RGB value RGB npts {255, 255, 0} 1383 {255, 0, 255} 68 {176, 48, 96} 375 {160, 32, 240} 279 {0, 255, 255} 1652 {255, 0, 0} 612 {0, 255, 0} 599 {0, 0, 255} 2764 7373
Lampiran 2 Nilai statisik algoritma ANN-SOM Input semua Band (A1)
70
Lampiran 3 Nilai statisik algoritma ANN-SOM Input Kombinasi Band 321 (A2)
Lampiran 4 Nilai statisik algoritma ANN-SOM Input Kombinasi Band 421 (A3)
71
Lampiran 5 Nilai statisik algoritma ANN-SOM Input Kombinasi Band 432 (A4)
Lampiran 6 Nilai statisik algoritma ANN-SOM Input Lyzenga (A6)
72
Lampiran 7 Nilai Digital Hasil Klasifikasi ANN-SOM dan Lyzenga DN 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
A1 370177 0 0 0 0 0 0 0 0 0 0 0 0 0 100573 0 0 0 0 0 0 0 0 0 0 0 0 0 0
A2 450819 0 0 0 0 0 0 0 0 0 0 0 0 0 122477 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jumlah Pixel A3 A4 29528 502097 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 39989 110623 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
A5 17551 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
A6 343153 0 0 0 0 0 0 0 0 0 0 0 0 0 337790 0 0 0 0 0 0 0 0 0 0 0 0 0 0
DN 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57
A1 504829 0 0 0 0 0 0 0 0 269839 0 0 0 0 0 0 0 0 0 0 0 0 0 8748 0 0 0 0 0
A2 185705 0 0 0 0 0 0 0 0 278653 0 0 0 0 0 0 0 0 0 0 0 0 0 122300 0 0 0 0 0
Jumlah Pixel A3 A4 72320 304642 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4523 292216 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3392 20857 0 0 0 0 0 0 0 0 0 0
A5 102043 0 35953 0 0 50959 0 61737 0 0 0 0 92461 0 119568 0 0 144662 0 0 0 175624 0 0 192722 0 213173 0 0
A6 496777 0 0 0 0 0 0 0 0 264230 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
73
Lampiran 7 Lanjutan… DN 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86
A1 0 0 0 0 0 0 0 0 0 27288 0 0 0 0 0 0 0 42117 162496 0 0 0 0 0 0 0 0 0 0
A2 0 0 0 0 0 0 0 0 0 99923 0 0 0 0 0 0 0 30338 95471 0 0 0 0 0 0 0 0 0 0
Jumlah Pixel A3 A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 310943 22129 0 0 0 0 0 0 0 0 0 0 0 0 0 0 490691 29053 146995 152129 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
A5
A6
0 0 226811 0 214461 0 229656 0 0 0 0 222372 0 226541 0 0 194112 0 273990 0 0 0 0 173876 0 146198 0 127660 8598
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 581519 0 0 0 0 0 0 0 0 0 0
DN 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115
A1 0 0 17945 0 31052 0 0 0 0 0 0 0 0 0 0 0 0 36598 43362 0 0 0 0 0 0 0 221084 0 0
A2 0 0 166755 0 62068 0 0 0 0 0 0 0 0 0 0 0 0 313143 579420 0 0 0 0 0 0 0 154066 0 0
Jumlah Pixel A3 A4 0 0 0 0 119384 131134 0 0 89789 54357 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 108735 233689 520625 365146 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4138 239180 0 0 0 0
A5
A6
0 0 0 113719 0 96350 8605 0 95119 0 0 0 0 81573 0 67014 10149 61235 10787 0 0 56160 0 11708 52259 11444 49608 11099 43695
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 266451 93899 0 0 0 0 0 0 0 0 0 0
74
Lampiran 7 Lanjutan... DN 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
A1 0 0 0 0 0 0 0 0 0 0 0 79649 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5875 0 0
A2 0 0 0 0 0 0 0 0 0 0 0 74658 0 0 0 0 0 0 0 0 0 0 0 0 0 0 149918 0 0
Jumlah Pixel A3 A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 56526 59541 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 393488 8782 0 0 0 0
A5 0 12698 0 0 40451 12296 35562 0 12118 32922 13547 0 0 27374 0 12509 24140 13394 22391 0 13964 0 0 20702 13285 19583 0 14758 19619
A6 0 0 0 0 0 0 0 0 0 0 0 441272 0 0 0 0 0 0 0 0 0 0 0 0 0 0 686073 0 0
DN 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173
A1 0 0 0 0 0 168445 217011 0 0 0 0 0 0 0 0 0 0 0 0 297782 58682 0 0 0 0 0 0 0 0
A2 0 0 0 0 0 127950 176172 0 0 0 0 0 0 0 0 0 0 0 0 103712 109107 0 0 0 0 0 0 0 0
Jumlah Pixel A3 A4 0 0 0 0 0 0 0 0 0 0 170519 89390 192690 140870 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 167273 290396 55648 88053 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
A5 13171 0 0 19007 0 25610 51673 33269 64495 11228 56340 20379 47702 34431 11710 51054 34321 56629 22598 50223 28622 45222 39060 23276 38289 23490 50683 51619 23513
A6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
75
Lampiran 7 Lanjutan... DN 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202
A1 0 0 0 0 0 595445 406125 0 0 0 0 0 0 0 200491 0 0 0 0 0 0 0 0 0 0 0 0 0 58829
A2 0 0 0 0 0 404337 492351 0 0 0 0 0 0 0 201669 0 0 0 0 0 0 0 0 0 0 0 0 0 108667
Jumlah Pixel A3 A4 0 0 0 0 0 0 0 0 0 0 316588 420508 619597 442778 0 0 0 0 0 0 0 0 0 0 0 0 0 0 62794 191544 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 60423 83677
A5 55938 24607 55876 26740 40850 0 12568 27843 0 30925 13134 15595 12320 12033 12824 0 16840 13106 29608 13333 0 29287 0 31115 14121 0 13993 14004 16743
A6 0 0 0 0 0 480982 284674 0 0 0 0 0 0 0 17551 0 0 0 0 0 0 0 0 0 0 0 0 0 229656
DN 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231
A1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 262342 0 0 0 0 0 0 0 0 390109 0 0 0 0 0
A2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 217404 0 0 0 0 0 0 0 0 224589 0 0 0 0 0
Jumlah Pixel A3 A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 372880 307889 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 326451 364644 0 0 0 0 0 0 0 0 0 0
A5 14294 14442 15777 14720 31268 15334 0 0 14619 32009 14895 16058 14890 0 30483 15509 0 16646 32467 15238 0 32841 0 16008 0 0 0 0 0
A6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 388340 0 0 0 0 0 0 0 0 536664 0 0 0 0 0
76
Lampiran 7 Lanjutan... DN 232 233 234 235 236 237 238 239 240 241 242 243
A1 0 0 0 0 0 0 0 0 352305 0 0 0
A2 0 0 0 0 0 0 0 0 199285 0 0 0
Jumlah Pixel A3 A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 228946 256985 0 0 0 0 0 0
Keterangan Data: A1 = SOM dengan input semua Band (Band 1, 2, 3 dan 4); A2 = SOM dengan input kombinasi Band 321; A3 = SOM dengan input kombinasi Band 421; A4 = SOM dengan input kombinasi Band 432; A5 = Lyzenga A6 = SOM dengan input data Lyzenga (kombinasi Band 432)
A5
DN
A6 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
244 245 246 247 248 249 250 251 252 253 254 255
A1 0 0 0 0 0 0 0 0 0 0 0 1281882
A2 0 0 0 0 0 0 0 0 0 0 0 960123
Jumlah Pixel A3 A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1246205 1008771
A5
A6 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 762049
77
Lampiran 8 Nilai Digital Hasil Klasifikasi ANN-BP dan ANN-AdaBoost DN 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
BP (2 HU) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4074865 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jumlah Pixel BP (4 HU) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3980966 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
AB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3980966 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
DN 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91
Jumlah Pixel BP (4 HU) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17551 17551 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
BP (2 HU)
AB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17551 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
78
Lampiran 8 Lanjutan… DN 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138
Jumlah Pixel BP (2 HU) BP (4 HU) 337790 337790 0 0 266451 266451 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 93899 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
AB 337790 0 266451 0 0 0 0 0 0 0 0 0 0 93899 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
DN 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185
Jumlah Pixel BP (2 HU) BP (4 HU) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 496777 496777 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 480982 480982 0 0 0 0 0 0 0 0 0 0 0 0
AB 0 0 0 0 0 0 0 0 0 0 0 496777 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 480982 0 0 0 0 0 0
79
Lampiran 8 Lanjutan… DN 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
Jumlah Pixel BP (2 HU) BP (4 HU) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
DN
AB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Keterangan Data: BP2 = Backpropagation dengan 2 Hidden Unit: BP4 = Backpropagation dengan 4 Hidden Unit: AB = Adaptive Boosting
221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255
Jumlah Pixel BP (2 HU) BP (4 HU) 0 0 0 0 0 0 0 0 0 0 536664 536664 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
AB 0 0 0 0 0 536664 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
68