KLASIFIKASI RUANG TERBUKA HIJAU WILAYAH JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR
RIDWAN AGUNG PRASETYA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
KLASIFIKASI RUANG TERBUKA HIJAU WILAYAH JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR
RIDWAN AGUNG PRASETYA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
ABSTRACT RIDWAN AGUNG PRASETYA. Classification of Greenery Open Space in Jakarta Region Using ALOS PALSAR Image. Supervised by HARI AGUNG ADRIANTO and BAMBANG H. TRISASONGKO. The development of human civilization and the modern technological advances led to a variety of benefits, whether they are positive or negative. One of the negative aspects is the problem of urban development. Urban development has a negative impact on several aspects, including environmental aspects. There is a need of space to accommodate population and their activities make greenery open space tend to be converted into built space. In general, urban greenery space consists of herbs, plants, and vegetation (both endemic and introduced) to support the benefits of ecological, socio-cultural, as well as architectural. This thesis discusses an application of single polarized ALOS PALSAR Fine mode (FBS) imagery to identify green open spaces in Jakarta. Specifically, this research studied the separation between classes of water bodies, built space, woody greenery open space, and non-woody greenery open space using the L-band. In this study, classification of greenery open space was performed using decision tree method on tonal data. The results suggested that ALOS PALSAR has the capability to give a fairly good classification result on greenery open space mapping in Jakarta area; nonetheless, some objects could not be perfectly classified because of the specification of the data used in this research. Keywords: synthetic aperture radar, greenery open space, ALOS PALSAR, tone, decision tree
Judul
:
Nama NRP
: :
Klasifikasi Ruang Terbuka Hijau Wilayah Jakarta Menggunakan Citra Satelit ALOS PALSAR Ridwan Agung Prasetya G64070101
Menyetujui:
Pembimbing 1,
Pembimbing 2,
Hari Agung Adrianto, S.Kom., M.Si. NIP.19760917 200501 1 001
Ir. Bambang H. Trisasongko, M.Sc. NIP.19700903 200812 1 001
Mengetahui: Ketua Departemen Ilmu Komputer,
Dr. Ir. Sri Nurdiati, M.Sc. NIP.19601126 198601 2 001
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanallahu wataala yang telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Klasifikasi Ruang Terbuka Hijau Wilayah Jakarta Menggunakan Citra ALOS PALSAR, dengan baik dan lancar. Penelitian ini dilaksanakan mulai bulan Maret 2011 sampai dengan Desember 2011, bertempat di Departemen Ilmu Komputer, Institut Pertanian Bogor. Banyak pihak yang telah memberikan bantuan baik yang bersifat moral maupun materi dalam menyelesaikan tugas akhir ini. Atas bantuan tersebut, penulis mengucapkan terima kasih kepada: 1. 2. 3. 4. 5. 6.
7.
8.
Ayah dan ibu tercinta, serta adik-adikku atas semua nasehat, kasih sayang, do’a yang tulus, kesabaran, serta kata-kata bijak yang dapat menjadi motivasi dan inspirasi, Bapak Hari Agung Adrianto, S.Kom., M.Si. dan Bapak Ir. Bambang H. Trisasongko, M.Sc. selaku dosen pembimbing yang telah banyak meluangkan waktunya untuk memberikan ilmu, pengarahan, saran, serta kritikan, Ibu Annisa, S.Kom, M.Kom. selaku penguji yang telah memberi banyak masukan terhadap tugas akhir yang saya kerjakan, Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku ketua Departemen Ilmu Komputer, Institut Pertanian Bogor, yang telah banyak memberikan nasehat dan saran, Teman satu bimbingan yang telah berjuang bersama yaitu, Arif Nofyan Syah, Hendra Gunawan (Hensum), Rommy Maulana Yusuf, Ana Maulida dan Erna Piantari. Terima kasih sudah memberi dukungan, perhatian, saran, kerja sama, pengertian dan waktunya, Rilan Muhammad Fiqri, Achmad Rifai, Musthafa TSW, Otri Delvi, Gamma Satria Kurniawan, Adi Gunarso, Wisnugroho Agung Pribadi, Alfian Prayanta, Dean Apriana Ramadhan dan teman-teman grup SIGAP lainnya. Terima kasih atas pengertian, dukungan, saran, kritik, perhatian dan waktunya, Fani Valerina, Hendra Gunawan (Jeky), Dhieka Avliria Lantana, Auzi Asfarian, Ayi Immaduddin, Khamdan Amin, Ira Nurazizah, Bangun Kurnianto, Sayed Zulfikar, Hedi Bintang, M. Zulfikar Handana, Remarchtito Heyziputra, Agung Wiguna Johan,Raden Fityan Hakim, dan rekan-rekan ilkomerz 44 atas persahabatan, bantuan, doa, dukungan dan semangat yang selalu diberikan selama kuliah hingga penelitian ini selesai, serta kebersamaan yang diberikan selama 3 tahun ini, Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini baik secara langsung ataupun tidak.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga tulisan ini dapat memberikan manfaat bagi para pembacanya. Terima kasih. Bogor, Januari 2012
Ridwan Agung Prasetya
RIWAYAT HIDUP Penulis dilahirkan di Tasikmalaya pada tanggal 27 November 1988. Penulis merupakan anak pertama dari tiga bersaudara dari ayah bernama Hasan Duha Nasution dan ibu bernama Sopiah. Penulis pada tahun 2007 lulus dari Sekolah Menengah Atas Negeri (SMAN) 46 Jakarta Selatan. Penulis melanjutkan pendidikan pada tahun yang sama di Institut Pertanian Bogor (IPB) melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis pernah menjadi asisten praktikum Organisasi Komputer pada tahun 2009 dan 2010, asisten praktikum Rekayasa Perangkat Lunak pada tahun 2010, asisten praktikum Sistem Operasi pada tahun 2010, dan asisten praktikum Komunikasi Data dan Jaringan pada tahun 2010 . Penulis melaksanakan Praktik Kerja Lapangan di Pusat Penelitian dan Pengembangan, Kementererian Pertanian (Kementan) pada tanggal 1 Juli 2010 sampai tanggal 13 Agustus 2010.
DAFTAR ISI Halaman DAFTAR GAMBAR .......................................................................................................................vi DAFTAR LAMPIRAN ....................................................................................................................vi PENDAHULUAN Latar Belakang..............................................................................................................................1 Tujuan Penelitian ..........................................................................................................................1 Ruang Lingkup Penelitian ............................................................................................................1 TINJAUAN PUSTAKA Ruang Terbuka Hijau....................................................................................................................1 Synthetic Aperture Radar (SAR) ..................................................................................................1 ALOS PALSAR............................................................................................................................2 Hamburan Balik (Backscatter)......................................................................................................2 Fine Mode (FSB) ..........................................................................................................................3 Boxplot Diagram ..........................................................................................................................3 Radiometric Correction.................................................................................................................3 Klasifikasi Pohon Keputusan (Decision Tree)..............................................................................3 METODE PENELITIAN Data Penelitian..............................................................................................................................4 Alat Penelitian ..............................................................................................................................4 Studi Pustaka ................................................................................................................................5 Pengumpulan Data ........................................................................................................................5 Pra-proses Data .............................................................................................................................5 Analisis Boxplot Diagram ............................................................................................................6 Pembentukan Rule ........................................................................................................................6 Penerapan Rule .............................................................................................................................6 Perhitungan Akurasi .....................................................................................................................6 HASIL DAN PEMBAHASAN Analisis Boxplot Diagram ............................................................................................................7 Rule Berdasarkan Rona (Tone).....................................................................................................8 Perhitungan Akurasi .....................................................................................................................9 KESIMPULAN DAN SARAN Kesimpulan ...................................................................................................................................9 Saran .............................................................................................................................................9 DAFTAR PUSTAKA .....................................................................................................................10
v
DAFTAR GAMBAR Halaman 1 Ilustrasi satelit ALOS. ....................................................................................................................2 2 Pencitraan dengan radar pada permukaan yang berbeda................................................................2 3 Modus pengambilan citra ALOS PALSAR. ..................................................................................3 4 Ilustrasi Boxplot diagram. ..............................................................................................................3 5 Metode penelitian...........................................................................................................................5 6 Contoh citra ALOS PALSAR dengan polarisasi tunggal HH. .......................................................6 7 Contoh kenampakan pada citra Google Earth™..............................................................................7 8 Contoh daerah tiap kelas. ...............................................................................................................7 9 Kenampakan citra hasil klasifikasi untuk daerah Jakarta Utara. ....................................................8 10 Kenampakan citra hasil klasifikasi untuk daerah Danau Sunter. .................................................8
DAFTAR LAMPIRAN Halaman 1 Boxplot diagram ...........................................................................................................................12 2 Rule tree berbasis rona berdasarkan WEKA ................................................................................13 2 Penggambaran ruang kelas dari tree pada boxplot diagram .......................................................14 4 Rule tree yang telah dimodifikasi.................................................................................................15 5 Penggambaran ruang kelas dari tree yang telah dimodifikasi pada boxplot diagram.................16 6 Rule tree yang telah dimodifikasi pada ENVI 4.5........................................................................17 7 Perhitungan akurasi rule berbasis rona berdasarkan WEKA dan ENVI 4.5 ................................18
vi
PENDAHULUAN Latar Belakang Masalah pembangunan perkotaan saat ini telah menjadi masalah yang cukup sulit untuk diatasi. Pembangunan perkotaan membawa dampak negatif pada beberapa aspek, termasuk aspek lingkungan. Adanya kebutuhan ruang untuk menampung penduduk dan aktivitasnya membuat ruang terbuka hijau cenderung mengalami konversi guna menjadi lahan terbangun. Ruang terbuka publik (public open space) di perkotaan secara umum terdiri atas ruang terbuka hijau dan ruang terbuka non-hijau. Secara umum ruang terbuka hijau (RTH) perkotaan adalah bagian dari ruang-ruang terbuka (open space) pada suatu wilayah perkotaan yang terdiri dari tumbuhan, tanaman, dan vegetasi (endemik maupun introduksi) guna mendukung manfaat ekologis, sosialbudaya, dan arsitektural yang dapat memberikan manfaat ekonomi bagi masyarakatnya (Dwiyanto 2009). Pemantauan RTH dapat dilakukan dengan memanfaatkan teknologi penginderaan jauh (remote sensing). Teknologi ini memungkinkan perolehan citra kenampakan bumi yang diambil dari luar angkasa dengan menggunakan satelit. Metode pengambilan citra yang digunakan dapat dikategorikan menjadi dua macam, yaitu metode pasif dan metode aktif. Metode pengambilan citra optik kurang cocok jika diterapkan pada wilayah tropis karena citra yang diambil dapat terhalangi oleh tutupan awan sehingga citra yang diharapkan belum tentu diperoleh dalam sekali rekaman. Oleh karena itu, untuk daerah tropis seperti Indonesia sensor citra yang lebih cocok untuk diterapkan adalah metode Synthetic Aperture Radar (SAR), salah satu satelit yang menggunakan metode ini adalah The Advanced Land Observing Satellite Phased Array type Lband Syntheric Aperture Radar (ALOS PALSAR). Citra ALOS PALSAR sendiri telah banyak digunakan untuk meneliti daerah tutupan lahan dibeberapa tempat. Rahman dan Sumantyo (2008) telah menggunakan citra ALOS PALSAR untuk memetakan hutan tropis di wilayah Banglades. Lucas et al. (2008) menunjukkan karakteristik dan perubahan pada wilayah hutan dan pesisir pantai dengan menggunakan citra ALOS PALSAR. Sementara itu Syarif (2011) menggunakan
Citra ALOS PALSAR untuk penyusunan model pendugaan biomassa permukaan pada tegakan jati. Evans et al (2010) menggunakan Citra ALOS PALSAR dan RADATSAT-2 untuk mengetahui tutupan lahan banjir musiman di daerah Pantanal, Brazil. Dalam penelitian ini citra ALOS PALSAR akan digunakan untuk klasifikasi RTH wilayah Jakarta dengan menggunakan metode pohon keputusan (decision tree) pada data berbasis rona (tone). Tujuan Penelitian Tujuan penelitian ini adalah untuk pemetaan RTH di wilayah Jakarta dengan memanfaatkan citra ALOS PALSAR. Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini adalah: 1.
Tutupan lahan dibedakan menjadi empat kelas, yaitu RTH berkayu, RTH nonkayu, ruang terbangun (RT), dan tubuh air.
2.
Data yang digunakan hanya data wilayah urban Jakarta. TINJAUAN PUSTAKA
Ruang Terbuka Hijau Singh et al. (2010) menyatakan ruang terbuka hijau terdiri atas taman kota, hutan, dan vegetasi yang berpengaruh dalam penambahan kualitas wilayah urban. Secara fisik RTH dapat dibedakan menjadi RTH alami yang berupa habitat liar alami, kawasan lindung dan taman-taman nasional, maupun RTH non-alami atau binaan seperti taman kota, lapangan olah raga, dan kebun bunga. Dari segi kepemilikan RTH dapat berupa RTH publik yang dimiliki oleh umum dan terbuka bagi masyarakat luas atau RTH privat (pribadi) yang berupa taman-taman yang berada pada lahan-lahan pribadi. Synthetic Aperture Radar (SAR) Synthetic Aperture Radar (SAR) merupakan salah satu sistem penginderaan jauh aktif yang menggunakan gelombang elektromagnetik dengan frekuensi antara 0,3 GHz sampai dengan 300 GHz (Katmoko et al. 2005). Suatu sistem SAR terdiri atas pemancar (Transmitter), penerima (Receiver), antena dan sistem elektronik untuk memproses dan merekam data. Bagian pemancar akan
mengirimkan pulsa gelombang mikro secara kontinyu ke permukaan bumi, kemudian antena penerima akan menerima pulsa energi yang dihamburkan balik (backscatter) dari objekobjek dipermukaan bumi untuk kemudian diproses. Gelombang mikro yang dipancarkan oleh SAR memiliki kemampuan menembus lapisan permukaan seperti kanopi vegetasi. Radar juga sensitif terhadap kekasaran permukaan, kelembaban, sifat dielektrik, dan gerakan dalam permukaan yang disinari (Katmoko et al. 2005). Instrumen SAR dapat dirancang untuk mengirimkan gelombang yang terpolarisasi secara horisontal (H) maupun vertikal (V). Demikian pula antena penerimanya juga dapat dirancang untuk menerima sinyal hambur balik (backscatter) yang terpolarisasi secara horisontal (H) maupun vertikal (V). Ketika gelombang dari radar berinteraksi dengan objek dipermukaan bumi, polarisasi tersebut akan termodifikasi sesuai dengan karakteristik objek yang akan memberikan efek yang berbeda-beda terhadap energi hamburan baliknya. ALOS PALSAR The Advanced Land Observing Satellite (ALOS) adalah satelit yang diluncurkan oleh Japan Aerospace Exploration Agency (JAXA) pada tanggal 24 Januari 2006 dari Tanegashima Space Center, Jepang. Kegunaan utama dari satelit ALOS adalah untuk pemetaan, observasi regional, pengawasan bencana, dan pemetaan sumber daya. ALOS memiliki tiga macam instrumen penginderaan jauh, yaitu Panchormatic Remote-sensing Instrument for Stereo Mapping (PRISM), Advance Visible and Near Infrared Radiometer Type 2 (AVNIR-2), dan Phased
Array type L-band Syntheric Aperture Radar (PALSAR) (Gambar 1). PALSAR adalah sebuah sensor gelombang mikro aktif yang menggunakan L-band frekuensi guna memperoleh hasil pengamatan lahan yang bebas awan baik siang maupun malam.
Gambar 1 Ilustrasi satelit ALOS. Hamburan Balik (Backscatter) Radar memiliki sifat pemantulan yang dikenal sebagai hamburan (scattering). Pulsa gelombang yang dikirimkan oleh radar akan dihamburkan pada saat menyentuh permukaan bumi atau objek tertentu. Nilai hamburan balik adalah energi yang diterima oleh radar dari pulsa gelombang yang telah dipantulkan oleh permukaan bumi atau objek tertentu. Kekasaran permukaan objek merupakan faktor yang paling berpengaruh terhadap intensitas gelombang pantul tersebut. Terdapat tiga mekanisme hamburan dasar yang biasa dipelajari, yaitu pantulan tunggal (odd bounce specular), pantulan ganda (double-bounce), dan pantulan baur (difuse). Gambar 2 menyajikan pantulan dasar dari berbagai objek utama di permukaan bumi.
Gambar 2 Pencitraan Dengan Radar Pada Permukaan Yang Berbeda (Hardi 2008). 2
Fine Mode (FSB) Fine Mode (FSB) adalah salah satu modus pengambilan citra yang terdapat pada satelit ALOS PALSAR. Selain Fine Mode (FSB), ALOS PALSAR juga memeiliki metode pengambilan gambar lain yaitu ScanSAR Mode dan Polarimetric Mode. Pada modus Fine Mode satelit ALOS PALSAR akan menghasilkan produk resolusi spasial tinggi dengan kisaran 10 m. Citra tersebut merupakan hasil pemindaian 1 dari 18 sub petak yang terletak dalam jarak sudut pengambilan dari 8 sampai 60 derajat (Kikuchi 2004). Modus pengambilan ini biasanya digunakan pada saat satelit beroperasi normal dengan resolusi maksimum mencapai 7 m. Modus pengambilan citra pada satelit ALOS PALASAR dapat dilihat pada Gambar 3.
Selain itu, boxplot juga dapat menunjukkan ada atau tidaknya nilai outlier dan nilai ekstrim dari data pengamatan (Gambar 4).
Gambar 4 Ilustrasi Boxplot diagram. Radiometric Correction Koreksi radiometrik (disebut juga prapengolahan atau restorasi) adalah proses yang digunakan untuk memodifikasi nilai-nilai digital number (DN) untuk menghilangkan noise yang terjadi karena intervensi dari atmosfer, geometri dari sensor matahari, atau gangguan dari sensor itu sendiri (www.gis.unbc.ca). Klasifikasi Pohon Keputusan (Decision Tree)
Gambar 3 Modus pengambilan citra ALOS PALSAR. Boxplot Diagram Boxplot diagram menampilkan distribusi empiris untuk data tunggal seperti bentuk distribusi data (skewness), ukuran tendensi sentral, dan ukuran penyebaran (keragaman) data pengamatan (Bounessah 2002). Terdapat lima ukuran statistik yang dapat dibaca dengan menggunakan boxplot, yaitu : 1.
Nilai minimum, yaitu nilai obervasi terkecil.
2.
Q1, yaitu kuartil terendah atau kuartil petama.
3.
Q2, yaitu pertengahan.
4.
Q3, yaitu kuartil tertinggi atau kuartil ketiga.
5.
Nilai maksimum, yaitu nilai observasi terbesar.
median
atau
nilai
Pohon keputusan adalah sebuah struktur pohon (tree) yang terdiri atas simpul-simpul (node) dan daun (leaf) dimana setiap simpul merepresentasikan atribut dari data yang telah diuji sedangkan daun merepresentasikan kelompok kelas tertentu. Simpul teratas dari sebuah pohon keputusan disebut simpul akar (root) yang biasanya merepresentasikan atribut yang paling berpengaruh pada kelas tertentu. Pada umumnya pohon keputusan melakukan strategi pencarian dengan sistem top-down dimana pencarian dilakukan dari simpul akar hingga simpul yang paling bawah. Pada klasifikasi data yang belum diketahui (testing) pohon keputusan akan menguji nilai atribut dengan cara melacak jalur dari simpul akar hingga simpul daun yang kemudian akan diprediksi kelas yang dimiliki oleh data baru tersebut. Salah satu algoritme yang digunakan untuk membuat pohon keputusan adalah ID3 atau Iterative Dichotomiser 3, dimana algoritme ini menggunakan konsep dari entropi informasi. Secara ringkas proses pembentukan pohon keputusan dengan algoritme ID3 adalah (Quinlan 1986) : 3
1.
Penghitungan information gain untuk setiap atribut dengan menggunakan
( , )=
( )−
dengan :
∀
( )
( )
S
= variabel terikat
A
= atribut yang diinginkan
Sy = subset dari S dimana A mempunyai nilai y dan ( )=−
dengan:
log
−
log
S = ruang sampel yang digunakan untuk pelatihan P+ = jumlah yang beresolusi positif dari data sampel P_ = jumlah yang beresolusi negatif dari data sampel 2.
Pemilihan atribut yang memiliki nilai information gain terbesar,
3.
Pembentukan simpul yang berisi atribut tersebut,
4.
Proses perhitungan information gain akan terus dilaksanakan sampai semua data telah masuk kedalam kelas yang sama. Atribut yang telah dipilih tidak diikutkan lagi dalam perhitungan nilai informatian gain.
Algoritme C4.5 merupakan pengembangan dari algoritme ID3 yang telah diperkenalkan sebelumnya oleh Quinlan (Quinlan 1986). Pemilihan atribut pada algoritme C4.5 dilakukan dengan menggunakan gain ratio dengan rumus : ( , )=
( , ) ( , )
Atribut dengan gain ratio tertinggi dipilih sebagai atribut uji untuk simpul. Dengan gain adalah information gain. SplitInfo menyatakan entropi atau informasi potensial dengan rumus : ( , )=−
log
Keunggulan Algoritme C4.5 daripada algoritme ID3 yaitu algoritme C4.5 mampu menangani atribut dengan tipe numerik dan
kategori, selain itu mampu menangani atribut yang kosong (missing value) dan dapat memangkas cabang yang disebut dengan istilah pruning. Algoritme pohon keputusan yang digunakan dalam software WEKA adalah J48. Algoritme ini merupakan penerapan dari algoritme C4.5 yang diterapkan pada bahasa pemrograman java. Telaah pustaka menunjukan bahwa algoritme pohon keputusan telah banyak digunakan untuk pembentukan rule klasifikasi citra SAR. Trisasongko (2009) telah melakukan penelitian pemetaan hutan mangrove menggunakan data radar fullypolarimetric. Penelitian tersebut menggunakan tiga algoritme pohon keputusan berbeda, antara lain Classification and Regression Trees (CART), C4.5, dan Random Forests (RF). METODE PENELITIAN Pada penelitian ini terbagi menjadi beberapa tahapan, yaitu : studi pustaka, pengumpulan data, pra-proses data, analisis boxplot diagram, pembentukan rule, penerapan rule, dan analisis hasil (Gambar 5). Data Penelitian Citra utama yang digunakan dalam penelitian ini adalah citra satelit ALOS PALSAR wilayah Jakarta. Modus pengambilan yang digunakan adalah Fine Mode (FSB) dan diakuisisi pada tanggal 20 Juni 2006. Data yang digunakan merupakan citra dengan polarisari linear tunggal, yaitu polarisasi HH. Sebagai bahan acuan digunakan citra optik yang diambil dari Google Earth™. Citra acuan ini digunakan untuk mengetahui dengan lebih detil tutupan lahan yang terdapat pada daerah pengamatan. Alat Penelitian Perangkat lunak yang digunakan pada penelitian pada penelitian ini antara lain :
ENVI 4.5
Google Earth™ 6.0
Map Ready
WEKA 3.6
Notepad++
Microsoft Office 2010 4
Sedangkan perangkat keras yang digunakan dalam penelitian ini adalah PC dengan spesifikasi :
Processor AMD Phenom II X4 955 Sapphire ATI Radeon 5850 RAM 4 GB Harddisk 2.65 TB
Studi Pustaka Pada tahap ini dilakukan pencarian studi pustaka dari berbagai sumber tentang penginderaan jauh (remote sensing) dan metode pengolahan citra satelit ALOS PALSAR. Pencarian juga dilakukan untuk materi analisis boxplot diagram dan metode klasifikasi pohon keputusan. Pencarian literatur dilakukan dari berbagai sumber seperti paper, buku, makalah, hasil penelitian sebelumnya, dan internet. Pengumpulan Data Pada tahap ini dilakukan proses pengumpulan data citra ALOS PALSAR dan citra dari Google Earth™. Berdasarkan citra yang diperoleh dari Google Earth™ didapat empat kelas tutupan lahan, yaitu RTH berkayu, RTH non-kayu, ruang terbangun, dan tubuh air. Pada masing-masing kelas diambil kumpulan piksel sebagai contoh (sample) untuk dilakukan analisis pada citra. Jumlah piksel yang digunakan sebagai data uji dan data latih untuk setiap kelas sebanyak 1.200 piksel. Data uji dan data latih diambil dari lokasi yang berbedabeda pada citra. Pra-proses Data Pada tahap ini dilakukan pra-proses data pada citra ALOS PALSAR. Tahap pra-proses dimulai dengan membangkitkan citra satelit yang tersedia dengan bantuan software ENVI 4.5. Selajutnya citra dipotong sesuai dengan daerah pengamatan. Tahap pra-proses dilanjutkan dengan melakukan tahap radiometric correction. Pada tahap ini nilai (digital number) DN yang berasal dari citra akan diubah menjadi nilai sigma nought dengan menggunakan bantuan software Map Ready. Selanjutnya citra hasil radiometric correction ini akan disebut sebagai citra tone (berbasis rona) (Gambar 6).
Gambar 5 Metode penelitian.
5
PALSAR. Rule diterapkan untuk seluruh citra yang diamati, termasuk pada data latih dan data uji. Perhitungan Akurasi
Analisis Boxplot Diagram Pada penelitian ini boxplot diagram digunakan untuk melihat keterpisahan antar kelas yang berbeda. Berdasarkan citra tone akan diambil data sampel untuk beberapa lokasi yang mewakili kelas yang akan dibentuk. Dari data tersebut nilai sigma nought yang telah diekstraksi dari citra akan disusun berdasarkan kelas masing-masing. Data tersebut kemudian diproses sehingga menghasilkan sebuah boxplot diagram. Dari hasil boxplot diagram maka dapat diketahui seberapa banyak sebaran data yang diperoleh untuk setiap kelas dan nilai-nilai outlier untuk masing-masing kelas. Dari diagram tersebut dapat juga diketahui kelas mana saja yang dapat terpisahkan dengan baik dan kelas mana yang kurang dapat terpisahkan dengan baik. Pembentukan Rule Pembentukan rule dilakukan dengan menggunakan algoritme pohon keputusan (decision tree) menggunakan software WEKA. Pembentukan rule dilakukan dengan menggunakan data latih dan data uji dari citra berbasis rona sehingga diperoleh pohon keputusan yang memuat rule untuk keterpisahan kelas. Rule yang telah dibuat menggunakan WEKA selanjutnya dibuat kembali dalam format software ENVI 4.5 sehingga dapat diterapkan pada data percobaan. Penerapan Rule
Tabel 1 Confusion matrix Prediksi Aktual
Gambar 6 Contoh citra ALOS PALSAR dengan polarisasi tunggal HH.
Perhitungan akurasi dilakukan dengan menghitung persentase dari data uji yang berhasil diklasifikasikan dengan benar sesuai dengan rule yang telah diperoleh sebelumnya. Nilai akurasi dihitung berdasarkan confusion matrix seperti terlihat pada Tabel 1. Data uji adalah data yang telah diketahui kelas tutupan lahannya. Akurasi keseluruhan adalah jumlah piksel data uji yang terklasifikasi dengan benar dibagi dengan jumlah seluruh piksel dari data uji.
Kelas 1
Kelas 2
Kelas 1
a
b
Kelas 2
c
d
=
( + ) × 100 % ( + + + )
HASIL DAN PEMBAHASAN Jakarta merupakan salah satu daerah metropolitan yang terdapat di Indonesia. Berdasarkan kenampakan objek yang diperoleh dari citra Google Earth™ (Gambar 7), daerah Jakarta memiliki persebaran area ruang terbangun yang sangat padat. Area ruang terbangun ini meliputi pemukiman, daerah industri, gedung perkantoran dan pusat perbelanjaan. Wilayah perairan dari Jakarta sebagian besar terdapat di daerah Jakarta Utara yang merupakan daerah pelabuhan Tanjung Priok, selain itu hanya ada beberapa daerah perairan kecil seperti sungai dan danau-danau buatan manusia. Daerah RTH di Jakarta dapat dikatakan cukup sedikit, baik RTH berkayu maupun RTH non-kayu. Hanya terdapat beberapa taman-taman kota yang merupakan daerah terbuka yang terdapat di Jakarta.
Rule yang telah diperoleh pada tahap sebelumnya diterapkan pada citra ALOS
6
Gambar 7 Contoh kenampakan pada citra Google Earth™. Pada Gambar 8 dapat dilihat bahwa kelas ruang terbangun dapat dibedakan secara visual, sedangkan kelas yang lain kurang dapat dibedakan dengan baik. Hal ini karena citra yang digunakan adalah citra polarisasi tunggal sehingga citra yang dibangun adalah citra hitam putih (grayscale).
Gambar 8 Contoh daerah tiap kelas. Analisis Boxplot Diagram Data yang telah diperoleh dari tahap praproses selanjutnya diolah untuk dibentuk menjadi boxplot diagram. Dari hasil boxplot diagram (Lampiran 1) maka dapat disimpulkan jika kelas ruang terbangun dan RTH berkayu sudah dapat terpisahkan dengan baik dari kelas-kelas lainnya walaupun masih terdapat beberapa data outlier yang bersinggungan dengan kelas yang lain.
Dapat dilihat juga bahwa kelas RTH nonkayu dan tubuh air nilai persebaran datanya menempati nilai-nilai yang hampir sama sehingga kedua kelas ini sulit untuk dipisahkan dengan jelas. Hal ini terjadi karena beberapa hal, antara lain pengambilan sampling yang kurang memadai. Data citra yang digunakan adalah data grayscale sehingga sangat sulit untuk membedakan antara tubuh air dan RTH non-kayu jika hanya mengandalkan kenampakan secara visual saja. Selain itu cukup sulit untuk mengambil sampel yang benar-benar sesuai dengan kriteria kelas yang dituju tanpa adanya data yang seharusnya bukan kelas tersebut ikut terambil. Alasan lain adalah karena nilai backscatter yang dihasilkan dengan polarisasi tunggal HH kurang baik untuk membedakan daerah RTH non-kayu dengan tubuh air. Pada polarisasi HH gelombang elektromagnetik dari satelit akan dipancarkan secara horizontal dan hasil pantulannya juga akan diterima dalam posisi horizontal. Pada polarisasi ini interaksi dengan RTH non-kayu sangat minimum, sehingga dominasi hamburan balik adalah pada komponen specular yang juga menjadi penciri utama tubuh air. Kemungkinan lainnya yaitu kondisi di lapangan telah banyak daerah tubuh air yang ditumbuhi oleh tumbuhan-tumbuhan air seperti teratai dan eceng gondok. Hal ini tentu saja mempengaruhi hasil klasifikasi dari sensor SAR. Sensor seperti ini tidak dapat membedakan objek yang akan dipetakan secara visual dan hanya mengandalkan nilai 7
backscatter dari gelombang elektromagnetik yang dipancarkan.
menyatakan bahwa kelas RTH non-kayu sulit untuk dipisahkan dengan kelas tubuh air.
Rule Berdasarkan Rona (Tone)
Jika dilihat pada Lampiran 3 maka dapat dilihat jika tree yang dihasilkan dengan WEKA tampak kurang efisien. Terdapat beberapa rule pemisahan ruang kelas yang masih dapat disatukan menjadi satu kelas saja. Oleh karena itu lakukan proses modifikasi rule dengan menyederhanakan pembagian ruang kelas sehingga lebih efisien. Hasil modifikasi rule dapat dilihat pada Lampiran 4. Sedangkan untuk penggambaran tree yang telah dimodifikasi pada boxplot diagram dapat dilihat pada Lampiran 5.
Setelah analisis boxplot diagram, penelitian dilanjutkan dengan pembentukan rule menggunakan algoritme pohon keputusan. Rule yang dibentuk berdasarkan data latih dari citra berbasis rona. Pohon keputusan yang dihasilkan memiliki 13 leaf (Lampiran 2) . Leaf pada level atas terdiri atas kelas ruang terbangun dan kelas RTH berkayu. Hal ini menandakan bahwa kedua kelas tersebut sangat mudah untuk dibedakan. Selanjutnya ruang kelas yang didapat dari tree digambarkan ke dalam boxplot diagram untuk mengetahui kesesuaian pemisahan kelas antara tree dan boxplot diagram. Penggambaran ruang kelas yang diperoleh dari tree pada boxplot diagram dapat dilihat pada Lampiran 3. Hasil yang diperoleh sesuai dengan analisis yang dilakukan sebelumnya menggunakan boxplot diagram. Dapat dilihat juga bahwa kelas RTH nonkayu hanya bercampur dengan kelas tubuh air dalam pohon keputusan. Hal ini juga sesuai dengan hasil analisis boxplot diagram yang
Hasil dari tree yang telah diperoleh kemudian akan diolah kembali dengan menggunakan software ENVI 4.5 sehingga dapat diproses untuk memeperoleh hasil klasifikasi. Penggambaran tree pada software ENVI 4.5 dapat dilihat pada Lampiran 6. Untuk kenampakan hasil dari klasifikasi dengan pohon keputusan dapat dilihat pada Gambar 9 dan Gambar 10.
Gambar 9 Kenampakan citra hasil klasifikasi untuk daerah Jakarta Utara.
Gambar 10 Kenampakan citra hasil klasifikasi untuk daerah Danau Sunter.
8
Pada hasil klasifikiasi dapat terlihat jika dibandingkan dengan citra optik yang diperoleh dari Google Earth™ tampak bahwa kelas RTH berkayu tampak lebik mendominasi daripada kenyataanya. Hal ini terjadi salah satunya karena proses pengambilan sampel untuk kelas RTH berkayu yang kurang memadai. Pengambilan sampel untuk kelas RTH berkayu cukup sulit karena letaknya yang cukup menyebar dan berdekatan dengan piksel yang merupakan anggota kelas lain. Selain itu lokasi untuk pengambilan sampel RTH berkayu pada citra satelit cukup sedikit dan jarang terkelompok dengan sempurna. Selain karena pengaruh sampel, kelas RTH kayu yang berlebihan juga disebabkan oleh variasi yang tinggi dari tumbuhan berkayu. Citra satelit dengan polarisasi tunggal belum dapat membedakan varisasi yang terdapat pada objek secara sempurna, sehingga pengelompokan dilakukan secara umum. Perhitungan Akurasi Akurasi keseluruhan yang didapat dari pohon keputusan dengan menggunakan ENVI 4.5 sebesar 70,14%. Sedangkan hasil akurasi keseluruhan dengan menggunakan WEKA didapat hasil sebesar 70,29%. Perincian akurasi yang diperoleh dapat dilihat pada Lampiran 4. Pada Lampiran 7 dapat dilihat terdapat perbedaan hasil akurasi untuk tiap-tiap kelas antara hasil akurasi menggunakan ENVI 4.5 dan WEKA. Selain itu dapat dilihat pada hasil akurasi dengan ENVI 4.5 pada kelas RTH nonkayu terdapat penambahan persentase jika dibandingkan dengan hasil akurasi menggunakan WEKA dari anggota kelas tersebut yang salah diklasifikasikan ke dalam kelas RTH berkayu, sedangkan kelas RTH non-kayu yang salah diklasifikasikan ke dalam kelas tubuh air justru mengalami penurunan presentase. Secara keseluruhan dapat dikatakan bahwa hasil akurasi dengan menggunakan ENVI 4.5 lebih baik dari pada WEKA karena jika dibandingkan persentase kelas yang tepat diklasifikasikan hasil klasifikasi ENVI 4.5 memperoleh nilai persentase yang lebih besar dari pada WEKA. Hasil akurasi ini juga sangat dipengaruhi oleh kendala-kendala yang terdapat pada pengambilan sampel. Salah satunya adalah pengambilan sampel untuk kelas RTH berkayu dan RTH non-berkayu. Pengambilan sampel kedua kelas ini cukup sulit untuk dilakukan
karena citra yang digunakan merupakan citra grayscale. Hal lainnya yaitu cukup sulitnya mencari lokasi pengambilan sampel yang kedua kelas yang benar-benar steril dari kelaskelas yang lain. Kedua kelas tersebut memang lebih banyak bercampur dengan kelas lain seperti kelas ruang terbangun. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil penelitian dapat disimpulkan bahwa data satelit ALOS PALSAR dengan polarisasi tunggal HH mampu memberikan hasil klasifikasi yang cukup baik terhadap pemetaan ruang terbuka hijau di wilayah Jakarta. Data hasil yang diperoleh belum dapat memisahkan kelas tubuh air dengan kelas RTH non-kayu secara sempurna. Selain itu untuk kelas RTH berkayu tampak terlihat terlalu berlebihan pada hasil klasifikasi Hal ini disebabkan oleh beberapa faktor yang berhubungan dengan spesifikasi data yang digunakan. Pembentukan rule dengan menggunakan algoritme pohon keputusan mampu menghasilkan nilai akurasi yang cukup baik dengan nilai akurasi mencapai 70,14% menggunakan ENVI 4.5 dan 70,29% menggunakan WEKA. Saran Penelitian ini masih memiliki beberapa kekurangan. Penelitian lebih lanjut perlu dilakukan dengan saran antara lain: 1.
Menggunakan citra satelit dengan polarisasi ganda baik co-polarized ataupun cross-polarized,
2.
Mengembangkan kelas ruang terbangun menjadi ruang terbangun seluruhnya dan ruang terbangun sebagian,
3.
Menggunakan metode Probability Label Relaxation untuk memperoleh hasil klasifikasi yang lebih baik,
4.
Menggunakan citra satelit tipe SAR yang lain, seperti TERRA SAR-X atau RADARSAT.
9
DAFTAR PUSTAKA Bounessah M. 2002. The Boxplot: A Robust Exploratory Data Analysis Tool for The Definition of The Threshold for Outlier Data. Asian Journal of Chemistry 14(3) Dwiyanto A. 2009. Kualitas dan Kuantitas Ruang Terbuka Hijau Di Pemukiman Perkotaan [Skiripsi]. Semarang: Universitas Diponegoro.
Singh VS, Pandey DN, Chaudhry P. 2010. Urban Forest and Open Green Spaces : Lessons for Jaipur, Rajasthan, India. India: RSPCB. Syarif
RD. 2011. Penyusunan Model Pendugaan dan Pemetaan Biomassa Permukaan pada Tegakan Jati (Tectona grandis Linn.F) menggunakan Citra ALOS PALSAR Resolusi 50 M dan 12,5 M (Studi Kasus : KPH Kebonharjo Perhutani Unit I Jawa Tengah) [Skripsi]. Bogor: Institut Pertanian Bogor.
Evans TL, Costa M, Telmer K, Silva TSF. 2010. Using ALOS/PALSAR and RADARSAT-2 to Map Land Cover and Seasonal Inundation in the Brazilian Pantanal. IEEE Jaurnal of Selected Topics in Applied Earth Observations and Remote Sensing 3(4), 560-575
Trisasongko BH. 2009. Tropical Mangrove Mapping Using Fully-Polarimetric Radar Data. ITB J. Sci. Vol. 41, No.2: halaman 98-109.
Hardi AH. 2008. Studi Pemanfaatan Band Yang Berbeda Pada INSAR (Interferometric Synthetic Aperture Radar) [Skripsi]. Bandung: Institut Teknologi Bandung.
[UNBC Gis Lab] UNBC Gis Lab. Radiometric Correction. http://www.gis.unbc.ca/caourses/goeg43 2/lectures/lect6/index.php (18 Desember 2011).
Katmoko AS, Kuncoro T, Santoso H. 2005. Klasifikasi Data Polarimetrik Radar Dengan Menggunakan Metode Dekomposisi Cloude & Pottier. Pertemuan Ilmiah Tahunan MAPIN XIV. Surabaya Kikuchi H, Watanabe H, Ota H, Mouri K, Arima A. 2004. Development of PALSAR Ground Data System. International Symposium on Geoinformatics for Spatial Infrastructure Development in Earth and Allied Sciences. Lucas RM, Casseiras J, Proisy C, Bunting P. 2008. ALOS PALSAR Application in the Tropics and Subtropics: Characterisation, Mapping and Detecting Change in Forest and Coastal Wetlands. ALOS PI symposium, Rhodes, Greece. Quinlan JR. 1986. Introduction of Decision Trees. Boston: Kluwer Academic Publishers. Rahman MM, Sumantyo JTS. 2008. ALOS PALSAR data for Tropical Forest Interpretation and Mapping. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Volume XXXVII Part B7-1. Pp. 185-189. ISPRS, Beijing. 10
LAMPIRAN
Lampiran 1 Boxplot diagram
12
Lampiran 2 Rule tree berbasis rona berdasarkan WEKA
13
Lampiran 3 Penggambaran ruang kelas dari tree pada boxplot diagram
14
Lampiran 4 Rule tree yang telah dimodifikasi
15
Lampiran 5 Penggambaran ruang kelas dari tree yang telah dimodifikasi pada boxplot diagram
16
Lampiran 6 Rule tree yang telah dimodifikasi pada ENVI 4.5
17
Lampiran 7 Perhitungan akurasi rule berbasis rona berdasarkan WEKA dan ENVI 4.5 Akurasi berdasarkan WEKA dalam piksel
Kelas Dugaan
Akurasi berdasarkan WEKA dalam persen
Kelas Dugaan
Kelas Asli Kelas RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air RTH Non-kayu 650 111 18 69 RTH Berkayu 996 957 372 15 Ruang Terbangun 40 93 1909 0 Tubuh Air 617 66 5 2125 Total 2303 1227 2304 2209
Akurasi berdasarkan ENVI 4.5 dalam persen
Kelas Dugaan
Kelas Asli Kelas RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air RTH Non-kayu 27,25 8,75 0,92 3,33 RTH Berkayu 40,25 78,17 18,75 0,83 Ruang Terbangun 1,30 7,67 79,92 0,00 Tubuh Air 30,00 4,42 0,42 95,83 Total 100,00 100,00 100,00 100,00
Akurasi berdasarkan ENVI 4.5 dalam piksel
Kelas Dugaan
Kelas Asli Kelas RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air RTH Non-kayu 327 105 11 40 RTH Berkayu 483 938 225 10 Ruang Terbangun 30 92 959 0 Tubuh Air 360 65 5 1150 Total 1200 1200 1200 1200
Kelas Asli Kelas RTH Non-kayu RTH Berkayu Ruang Terbangun Tubuh Air RTH Non-kayu 28,22 9,05 0,78 3,12 RTH Berkayu 43,25 78,00 16,15 0,68 Ruang Terbangun 1,74 7,58 82,86 0,00 Tubuh Air 26,79 5,38 0,22 96,20 Total 100,00 100,00 100,00 100,00
18
