KLASIFIKASI TUTUPAN LAHAN WILAYAH PERI-URBAN BERDASARKAN CIRI TEKSTUR MENGGUNAKAN DATA TERRASAR-X
ARIF NOFYAN SYAH
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
KLASIFIKASI TUTUPAN LAHAN WILAYAH PERI-URBAN BERDASARKAN CIRI TEKSTUR MENGGUNAKAN DATA TERRASAR-X
ARIF NOFYAN SYAH
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 ARIF NOFYAN SYAH. Classification of Land Cover in Peri-urban Area Based-on Textural Feature Using TerraSAR-X Data. Under the supervision of HARI AGUNG ADRIANTO dan BAMBANG H. TRISASONGKO. Peri-urban is developed in urban or metropolitan fringe. The area has particular characteristics such as scattered settlements, slightly urbanized, fast population growth and a tendency of environmental degradation. Monitoring in this area is then required, especially to assess agricultural land conversion. This paper discusses an application of dual-polarized TerraSAR-X Spotlight Mode to retrieve various land cover in Sidoarjo, East Java. Specifically, the research studied discrimination among water bodies, rice fields, settlements, woody vegetation and industrial parks at X-band. The research compiled tonal and textural information from those land cover types and fed those signatures into statistical analysis. Decision tree classification method is applied to classify and to find most informative features. The results suggested that TerraSAR-X has capability to distinguish some land cover features; nonetheless, some objects could not have specific tonal/textural signatures, making them hard to classify. Keywords: synthetic aperture radar, peri-urban, TerraSAR-X, tone, texture, decision tree
Penguji: Aziz Kustiyo, S.Si., M.Kom.
Judul
:
Nama NRP
: :
Klasifikasi Tutupan Lahan Wilayah Peri-Urban Berdasarkan Ciri Tekstur Menggunakan Data Terrasar-X Arif Nofyan Syah G64070031
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 SWT yang telah memberikan rahmat-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Klasifikasi Tutupan Lahan Wilayah Peri-Urban Berdasarkan Ciri Tekstur Menggunakan Data Terrasar-X, dengan baik dan lancar. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan November 2011, bertempat di Departemen Ilmu Komputer. 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. Ayahanda dan ibunda tercinta, serta adik-adikku atas semua nasehat, kasih sayang, do’a yang tulus, kesabaran, serta kata-kata bijak yang dapat menjadikan motivasi dan inspirasi, 2. 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 dan saran, 3. Bapak Aziz Kustiyo S.Si., M.Kom. selaku penguji yang telah memberi banyak masukan terhadap tugas akhir yang saya kerjakan, 4. Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku ketua Departemen Ilmu Komputer, Institut Pertanian Bogor, yang telah banyak memberikan nasehat dan saran, 5. Teman satu bimbingan yaitu Ridwan Agung, M. Hilman Fadly, Hendra Gunawan (Hensum), Rommy Maulana Yusuf, Ana Maulida, dan Erna Piantari. Terima kasih sudah memberi dukungan, perhatian, saran, kerjasama, pengertian, dan waktunya, 6. Fanny Risnuraini yang selalu memberi semangat, kritik, saran, dukungan, perhatian, dan waktunya, 7. Muhamad Arief Fauzi, Muhamad Akbar Mulyono, Teguh Cipta, Huswantoro Anggit, Putra Wira Kurniawan, Bang Ahmad Muhtadi Rangkuti, dan Kang Asep Hamzah. Terima kasih atas pengertian, dukungan, saran, kritik, perhatian, dan waktunya, 8. Yoga Permana, Hendra Gunawan (Henjek), El Kriyar, Yuridhis Kurniawan, Ayi Immaduddin, Khamdan Amin, Dean Apriana Ramadhan, Ira Nurazizah, Ria Astriratma, Fani Wulandari, Aprilia Ramadhina, Laras M. Diva, Tri Setiowati, Dedek Apriyani, Isna Mariam, Sulma Mardiah Setiani, 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, 9. Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini baik secara langsung ataupun tidak.
Bogor, Januari 2012
Arif Nofyan Syah
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 10 November 1989. Penulis merupakan anak pertama dari tiga bersaudara dari ayahanda bernama Zaza Harsza dan ibunda bernama Rohmani. Penulis lulus dari Sekolah Menengah Atas Negeri (SMAN) 12 Jakarta Timur pada tahun 2007. Penulis melanjutkan pendidikan pada tahun yang sama di Institut Pertanian Bogor (IPB) melalui jalur Ujian Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis pernah menjadi asisten praktikum Algoritma dan Pemrograman pada tahun 2009 dan asisten praktikum Bahasa Pemrograman pada tahun 2010. Penulis melaksanakan Praktik Kerja Lapangan di Pusat Teknologi Elektronika Dirgantara, Lembaga Penerbangan dan Antariksa Nasional (LAPAN) pada tanggal 28 Juni 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 Wilayah Peri-urban ....................................................................................................................... 1 Radar ............................................................................................................................................. 2 SAR Polarimetri............................................................................................................................ 2 TerraSAR-X .................................................................................................................................. 2 Speckle Noise ................................................................................................................................ 3 Hamburan Balik (Backscatters) .................................................................................................... 3 Lee Filtering ................................................................................................................................. 3 Transformed Divergence (TD) ..................................................................................................... 3 Convolution Kernel ....................................................................................................................... 4 Texture Filtering ........................................................................................................................... 4 Klasifikasi Pohon Keputusan (Decision Tree) .............................................................................. 4 METODE PENELITIAN Alat Penelitian .............................................................................................................................. 5 Data Penelitian .............................................................................................................................. 5 Studi Pustaka ................................................................................................................................ 6 Pengumpulan Data ........................................................................................................................ 6 Pra-proses Data ............................................................................................................................. 6 Analisis Keterpisahan Kelas ......................................................................................................... 6 Pembentukan Rule ........................................................................................................................ 6 Penerapan Rule ............................................................................................................................. 7 Perhitungan Akurasi ..................................................................................................................... 7 HASIL DAN PEMBAHASAN Analisis Keterpisahan Kelas ......................................................................................................... 8 Rule Berdasarkan Rona (Tone) ..................................................................................................... 9 Rule Berdasarkan Rona (Tone) dan Tekstur (Texture) ............................................................... 10 Rule Berdasarkan Pakar (Expert Judgement) ............................................................................. 10 Perhitungan Akurasi ................................................................................................................... 12 KESIMPULAN DAN SARAN Kesimpulan ................................................................................................................................. 12 Saran ........................................................................................................................................... 12 DAFTAR PUSTAKA ..................................................................................................................... 12
v
DAFTAR GAMBAR Halaman 1 Ilustrasi satelit TerraSAR-X. .......................................................................................................... 2 2 Ilustrasi tiga meknisme scattering dasar. ....................................................................................... 3 3 Proses konvolusi dengan kernel 3x3 piksel .................................................................................... 4 4 Metode penelitian ........................................................................................................................... 5 5 Citra TerraSAR-X (HH-VV) beserta lokasi pengambilan contoh. ................................................. 6 6 Kenampakan pada citra Google Earth™. ....................................................................................... 7 7 Daerah contoh tiap kelas untuk data latih....................................................................................... 8 8 Nilai TD pasangan kelas industri dengan pemukiman padat.......................................................... 9 9 Variasi nilai TD pasangan kelas industri dengan pemukiman menengah. ..................................... 9 10 Nilai TD pasangan kelas pemukiman padat dengan pemukiman menengah. ............................... 9 11 Nilai TD pasangan kelas pemukiman menengah dengan vegetasi berkayu. ................................ 9 12 Fluktuasi nilai TD pasangan kelas sawah dengan vegetasi berkayu. ......................................... 10 13 Kenampakan citra hasil pemetaan rule berbasis rona................................................................. 11 14 Kenampakan citra hasil pemetaan rule berbasis rona dan tekstur. ............................................. 11 15 Kenampakan citra hasil pemetaan rule berdasarkan pakar......................................................... 12
DAFTAR LAMPIRAN Halaman 1 Rule pohon keputusan berbasis rona ............................................................................................ 15 2 Rule pohon keputusan berbasis rona dan seluruh tekstur ............................................................. 16 3 Rule pohon keputusan berdasarkan pakar .................................................................................... 17 4 Perhitungan akurasi ...................................................................................................................... 18
vi
PENDAHULUAN Latar Belakang Wilayah peri-urban yang berkonotasi sebagai wilayah yang berada di sekitar kota dapat diartikan juga sebagai wilayah PraUrban. Istilah ini mengandung makna bahwa wilayah peri-urban merupakan wilayah batas antara perkotaan dan pedesaan (Yunus 2008). Terbentuknya wilayah peri-urban didorong oleh meningkatnya arus urbanisasi. Wilayah peri-urban ini dapat ditemukan di pinggiran perkotaan seperti di pinggiran Jakarta, Bogor, Surabaya, Bandung, dan kota-kota besar lainnya. Salah satu persoalan di wilayah peri-urban adalah konversi lahan pertanian. Konversi lahan pertanian menjadi pemukiman di wilayah peri-urban jika tidak dipantau akan menjadi masalah baru. Persebaran “daerah hijau” sebagai wilayah tangkapan air juga akan berkurang. Wilayah perairan juga harus mendapat perhatian, mengingat air adalah sumber kehidupan. Oleh karena itu, pemantauan lahan pertanian, pemukiman, ruang terbuka hijau, dan wilayah perairan ini menjadi penting untuk daerah peri-urban. Pemantauan wilayah peri-urban dapat dilakukan dengan teknologi penginderaan jauh (remote sensing). Teknologi ini memanfaatkan wahana satelit untuk melakukan pengambilan citra kenampakan bumi dari luar angkasa. Terdapat dua sistem pencitraan yang paling banyak dimanfaatkan, yaitu sistem pasif dan sistem aktif. Citra penginderaan jauh sistem pasif memiliki kekurangan bila diimplementasikan pada wilayah tropika basah. Pengambilan citra oleh sensor ini hanya bisa dilakukan ketika langit cerah. Jika terhalang awan, citra yang diharapkan belum dapat diperoleh dalam rekaman tunggal. Oleh karena itu, wilayah tropika basah seperti Indonesia memerlukan mekanisme pemantauan satelit yang tidak terganggu oleh adanya awan, yaitu satelit SAR (synthetic aperture radar), di antaranya adalah TerraSAR-X. Telaah pustaka menunjukan bahwa data TerraSAR-X telah banyak dimanfaatkan untuk berbagai keperluan. Rizal (2009) telah berhasil menggunakan data TerraSAR-X untuk memetakan sawah baku pada kawasan berbukit di Kecamatan Nanggung, Kabupaten Bogor, Provinsi Jawa Barat. Penelitian ini juga berhasil mengidentifikasi petakan sawah dan
mengestimasi luas sawah per-petak. Martinis et al. (2009) menunjukkan bahwa TerraSAR-X juga dapat dimanfaatkan untuk deteksi banjir pada tingkat near real time sehingga sangat bermanfaat untuk pemantauan kejadian bencana alam. Aplikasi citra satelit ini pada bidang pemantauan lahan basah juga telah dilakukan (Hong et al. 2010). Lisini et al. (2008) telah melakukan pemetaan menggunakan data TerraSAR-X untuk pemetaan wilayah urban (perkotaan). Pendekatan yang digunakan adalah ekstraksi ciri spasial dan elemen tekstur pada data SAR asli dan berhasil memetakan persebaran wilayah pemukiman, pepohonan, dan perairan. Penelitian ini memanfaatkan citra TerraSAR-X untuk membedakan berbagai tutupan lahan di wilayah peri-urban dengan metode klasifikasi pohon keputusan (decision tree). Pendekatan yang digunakan adalah berbasis rona dan ekstraksi ciri elemen tekstur. Penelitian ini diharapkan dapat menghasilkan aturan (rule) klasifikasi yang handal dan mudah dipahami untuk tujuan tersebut. Tujuan Penelitian Tujuan penelitian ini adalah mengkaji metodologi yang implementatif untuk memantau tutupan lahan di kawasan peri-urban memanfaatkan data SAR resolusi tinggi TerraSAR-X. Ruang Lingkup Penelitian Penelitian ini dilakukan dengan batasan sebagai berikut: 1. Jenis tutupan lahan dibedakan menjadi 6 (enam), yaitu tubuh air, sawah, pemukiman padat, pemukiman menengah, vegetasi berkayu, dan industri. 2. Filter tekstur yang digunakan pada penelitian ini ada 4 (empat) filter, yaitu mean, variance, data range, dan entropy. 3. Data yang digunakan adalah data polarisasi linier ganda TerraSAR-X di Sidoarjo, Jawa Timur. TINJAUAN PUSTAKA Wilayah Peri-urban Hogrewe et al. (1993) dan Iaquinta & Drescher (2000) memaparkan bahwa wilayah peri-urban sebagai batas antara perkotaan dan pedesaan memiliki ciri-ciri sebagai berikut: 1. Secara geografis berada di pinggiran wilayah urban, 2. Pemukiman tersebar, 1
3. 4. 5. 6. 7.
Tata letak yang rumit, Ketersediaan air terbatas, Vegetasi berkayu sedikit, Kepadatan penduduk tinggi, dan Tempat perubahan sosial yang dinamis.
dan Kiefer 1990 dalam Handayani 2011). Berbagai obyek dapat mengubah polarisasi energi radar yang dipantulkan sehingga bentuk polarisasi sinyal sangat memengaruhi kenampakan obyek pada citra yang dihasilkan (Sabins 2007 dalam Handayani 2011)
Radar Radar merupakan sistem penginderaan jauh aktif karena dapat menyediakan sendiri sumber energinya. Sistem mengiluminasi medan dengan energi elektromagnetik, mendeteksi pantulan energi dari medan, dan mencatat pantulan energi sebagai sebuah citra. Sistem radar beroperasi secara bebas pada berbagai kondisi pencahayaan dan umumnya tidak tergantung pada cuaca. Radar merupakan singkatan dari “radio detection and ranging” bekerja pada spektrum elektomagnetik dengan panjang gelombang 1 mm - 1 m. Panjang gelombang sinyal radar menentukan bentangan yang terpencar oleh atmosfer. Semakin besar panjang gelombang maka semakin kuat daya tembus gelombang. Panjang gelombang yang digunakan berpengaruh pada citra yang diperoleh (Sabins 2007 dalam Handayani 2011).
TerraSAR-X TerraSAR-X merupakan satelit buatan Jerman. TerraSAR-X pertama kali diluncurkan pada 15 Juni 2007 dari Baikonur, Kazakstan. TerraSAR-X termasuk satelit dengan sensor aktif. TerraSAR-X menggunakan radar X-band berkualitas tinggi untuk pemantauan bumi di orbit polar pada ketinggian antara 512 km hingga 530 km. TerraSAR-X dirancang untuk melaksanakan tugas selama lima tahun (Gambar 1). TerraSAR-X menggunakan radar dengan panjang gelombang 31 mm dan bekerja pada frekuensi 9,6 GHz.
SAR Polarimetri Polarisasi gelombang elektromagnetik menggambarkan orientasi vektor bidang elektrik pada titik yang diberikan selama satu periode gerakan (Ban 1996 dalam Handayani 2011). Kedalaman penembusan dari sumber gelombang mikro tergantung pada polarisasi dan frekuensi gelombang (Sabins 2007 dalam Handayani 2011). Gelombang sinyal radar dapat ditansmisikan atau diterima dalam polarisasi yang berbeda. Sinyal dapat disaring sehingga gelombang dibatasi hanya pada satu bidang datar yang tegak lurus arah perjalanan gelombang (tenaga yang tidak terpolarisasi menyebar kesemua arah tegak lurus arah perambatannya). Suatu sinyal SAR (Synthetic Aperture Radar) dapat ditransmisikan pada bidang mendatar (H) ataupun tegak (V). Oleh karena itu, terdapat empat kemungkinan kombinasi sinyal transmisi dan penerimaan yang berbeda, yaitu dikirim Horizontal diterima Horizontal (HH), dikirim Horizontal diterima Vertikal (HV), dikirim Vertikal diterima Horizontal (VH), dan dikirim Vertikal diterima Vertikal (VV). Citra dengan polarisasi searah (parallel polarization) dihasilkan dari paduan HH dan VV. Citra polarisasi silang (cross polarization) dihasilkan dari paduan HV atau VH (Lillesand
Gambar 1 Ilustrasi satelit TerraSAR-X (Infoterra 2011). TerraSAR-X memiliki kelebihan yaitu independen terhadap kondisi cuaca dan pencahayaan, artinya satelit ini dapat melakukan pencitraan meskipun daerah yang diamati terhalangi oleh awan. Hal ini dapat dilakukan karena satelit ini menggunakan sensor elektromagnetik gelombang mikro. TerraSAR-X juga dapat diandalkan untuk menyediakan citra radar dengan resolusi hingga 1 m (Lisini et al. 2008). Fitur teknis TerraSAR-X antara lain: • X-band SAR (panjang gelombang 31 mm, frekuensi 9.6 GHz), • single, dual, dan quad polarisasi, • sudut geometri akuisisi: side-looking, • perulangan orbit: sun-synchronous dawndusk, • repetition rate: 11 hari; karena petak overlay, waktu kembali 2,5 hari dapat dicapai, 2
• ketinggian orbit berkisar dari 512 km hingga 530 km, dan • tiga operasional imaging mode: Spotlight, StripMap, dan ScanSAR. Speckle Noise Gelombang radar dapat memengaruhi secara konstruktif atau destruktif untuk menghasilkan piksel terang dan gelap yang dikenal sebagai speckle noise. Speckle noise biasa terlihat di sistem penginderaan radar. Speckle noise dalam data radar diasumsikan memiliki model kesalahan multiplikative (perkalian) dan harus dikurangi sebelum data dapat dimanfaatkan. Idealnya, speckle noise di citra radar harus benar-benar dihapus, namun dalam praktiknya noise ini dapat dikurangi secara signifikan. Secara umum, speckle noise dapat dikurangi dengan pengolahan multi-look atau spatial filtering. Spatial filtering dikategorikan ke dalam dua kelompok yang berbeda, yaitu non-adaptive dan adaptive. Fast Fourier Transform (FFT) adalah contoh non-adaptive filtering. Mean, median, Lee-Sigma, Local-Region, Lee, Gamma MAP, dan Frost filtering adalah contoh adaptive filtering (Mansourpour et al. 2006).
Gambar 2 Ilustrasi tiga meknisme scattering dasar: (a) canopy scatter, (b) doublebounce scatter, (c) surface scatter (Freeman dan Durlen 1998). Lee Filtering
Hamburan Balik (Backscatters) Koefisien hamburan balik (backscatter coefficient) adalah ukuran kuantitatif dari intensitas energi yang balik ke antena. Hamburan balik radar banyak dipengaruhi oleh karakteristik permukaan, seperti kekasaran permukaan (Sabins 2007 dalam Handayani 2011). Oleh karena itu, hasil interpretasi Radar ditentukan oleh hamburan balik (backscatter) dari obyek yang diterima kembali oleh sensor. Menurut Freeman dan Durlen (1998), terdapat tiga mekanisme scattering dasar (Gambar 2): • surface scattering (single bounce): hamburan dari suatu permukaan objek • double bounce scattering: hamburan dari pemantul sudut dihedral, permukaan pemantul dapat terbuat dari bahan dielektrik yang berbeda, misalnya interaksi tanahbatang pohon untuk hutan • volume (canopy) scattering: hamburan yang berkaitan dengan hamburan acak total, sehingga gelombang yang terhambur adalah gelombang yang sepenuhnya tak terpolarisasi.
Lee filter didasarkan pada asumsi bahwa mean dan variance dari piksel yang penting adalah sama dengan lokal mean dan variance dari semua piksel dalam suatu kernel. Rumus yang digunakan untuk Lee filter (Lee 1981 dalam Mansourpour et al. 2006): =
+
−
dengan =
1
= = ! −
+ "
# $ℎ $ ℎ
$ & $ + '( +1 $ & $
$ ℎ
$ & $
Transformed Divergence (TD) Keterpisahan spektral pada berbagai sensor merupakan isu yang penting dikaji sebelum metode klasifikasi diterapkan (Panuju et al. 2010). Penelitian ini menggunakan nilai Transformed Divergence (TD) untuk mengamati keterpisahan spektral antara dua 3
)
kelas yang berbeda, yang dihitung dengan rumus: − + 1 23 * + = 2 -1 − . / 8 +
*
= 0.5 +0.5 =
<
789 − 9+ :89 ;< − 9+;< := 9 ;< − 9+;< > − >+ > − >+
@ @;<
@ ∑@;< < ∑+
B< *
?
+
dengan * adalah nilai Transformed Divergence, > adalah nilai rataan vektor kelas ke-i, 9 adalah nilai matriks koragam kelas kei, m adalah jumlah kelas, tr adalah fungsi trace dalam aljabar matriks, T adalah fungsi transposisi. Nilai TD berkisar antara 0 sampai dengan 2. Semakin mendekati nilai TD=2, maka dua kelas tersebut semakin terpisah secara baik (Richards & Jia 2006 dan Panuju et al. 2010). Convolution Kernel Semua filter dihitung dalam lingkup area lokal menerapkan strategi convolution kernel. Proses konvolusi diilustrasikan pada Gambar 3 (Trisasongko 2002). Ukuran kernel filter tekstur yang diamati pada penelitian ini adalah sebesar 3x3, 5x5, 7x7, 9x9, 11x11, 13x13, dan 15x15 piksel. Hal ini dilakukan untuk mengamati kemampuan tiap filter tekstur dalam berbagai ukuran kernel untuk menyelesaikan masalah keterpisahan pasangan kelas.
piksel terkecil dalam kumpulan nilai piksel tertentu. Mean adalah rataan dari kumpulan nilai piksel yang diamati. Variance adalah ukuran penyebaran nilai, yaitu seberapa jauh suatu nilai piksel berada terhadap rataan dari kumpulan nilai piksel. Entropy adalah ukuran sebaran peluang, yaitu sebuah ukuran (variasi atau keragaman) yang didefinisikan pada distribusi probabilitas kejadian yang diamati (Trisasongko 2002). Klasifikasi Pohon Keputusan (Decision Tree) Decision tree adalah sebuah struktur pohon, dimana setiap simpul (node) pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas pada sebuah decision tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pencarian solusi pada decision tree umumnya dilakukan secara topdown. Proses mengklasifikasi data baru (testing) dilakukan dengan menguji nilai atribut, yaitu dengan cara melacak jalur dari root sampai leaf, kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tersebut. Salah satu metode yang digunakan untuk membuat decision tree adalah algoritme ID3 atau Iterative Dichotomiser 3 (baca: tree). Algoritme pada metode ini menggunakan konsep dari entropi informasi. Secara ringkas, strategi pembentukan decision Tree dengan algoritme ID3 adalah: 1. Penghitungan Information Gain untuk setiap atribut dengan menggunakan C
Gambar 3 Proses konvolusi dengan kernel 3x3 piksel: (a) citra awal (b) citra hasil konvolusi. Texture Filtering Fitur tekstur berisi informasi mengenai distribusi variasi derajat keabuan (grayscale) dalam channel tertentu (Haralick et al. 1973 dalam Trisasongko 2002). Penelitian ini menggunakan pendekatan texture filtering untuk mendapatkan fitur tekstur. Terdapat empat macam filter tekstur yang diamati pada penelitian ini, yaitu data range, mean, variance, dan entropy. Data range adalah selisih antara nilai piksel terbesar dengan nilai
D, F = G
.H D −
∀
MN O
IDJ I G |D|
.H DJ
dengan G
.H D = −PB log PB − P; log P;
2. Pemilihan atribut yang memiliki nilai information gain terbesar, 3. Pembentukan simpul yang berisi atribut tersebut, 4. Proses perhitungan information gain akan terus diulangi sampai semua data telah masuk dalam kelas yang sama. Atribut yang telah dipilih tidak diikutkan lagi dalam perhitungan nilai information gain. Algoritme C4.5 adalah pengembangan dari algoritme ID3 yang diperkenalkan oleh 4
Quinlan (Quinlan 1993 dalam Han & Kamber 2006). Pemilihan atribut pada algoritme C4.5 dilakukan dengan menggunakan Gain Ratio dengan rumus: C
T
D, F =
C D, F D.U V W D, F
Atribut dengan nilai Gain Ratio tertinggi dipilih sebagai atribut uji untuk simpul. Nilai gain adalah information gain. SplitInfo menyatakan entropi atau informasi potensial dengan rumus: @ D D log D.U V W D, F = − D D <
Algortime C4.5 memiliki keunggulan dibandingkan dengan ID3. Algoritme C4.5 mampu menangani atribut dengan tipe numerik dan kategori, mampu menangani atribut yang kosong (missing value), dan dapat memangkas cabang. 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 Secara umum, penelitian ini terbagi dalam beberapa tahap, yaitu studi pustaka, pengumpulan data, pra-proses data, analisis keterpisahan kelas, pembentukan rule, penerapan rule, dan analisis hasil (Gambar 4). Data Penelitian Citra utama yang digunakan pada penelitian ini adalah data satelit TerraSAR-X wilayah Sidoarjo, Jawa Timur. Modus pencitraan yang digunakan adalah Spotlight dan diakuisisi tanggal 22 Desember 2007. Data TerraSAR-X yang digunakan dalam penelitian ini merupakan citra polarisasi linier ganda, yaitu polarisasi HH dan polarisasi VV. Citra dari Google Earth™ digunakan sebagai citra acuan pada penelitian ini. Citra acuan ini digunakan untuk mengetahui penutupan lahan lebih detail pada daerah pengamatan secara visual.
Gambar 4 Metode penelitian. Alat Penelitian Perangkat lunak yang digunakan untuk mengolah data TerraSAR-X pada penelitian ini antara lain: • ENVI 4.5 • Google Earth™ 6.0 • WEKA 3.6 • OpenOffice SpreadSheet 3.3 • Notepad++ 5.8 Perangkat keras yang digunakan dalam penelitian ini adalah notebook dengan spesifikasi: • Processor Intel® Core™2 Duo • Mobile Intel® 965 Express Chipset • RAM 2 GB • Harddisk 320 GB
5
Studi Pustaka Pustaka tentang penginderaan jauh (remote sensing) dan metode pengolahan citra TerraSAR-X dipelajari pada tahap ini. Pencarian pustaka juga dilakukan untuk materi analisis keterpisahan kelas dan klasifikasi. Pencarian literatur dilakukan dari paper, textbook, makalah, hasil penelitian sebelumnya, dan internet.
kategori tersebut dianggap belum dapat terpisahkan secara baik. Semakin tinggi nilai TD akan mempertinggi tingkat keterpisahan dalam proses klasifikasi numerik. Analisis dilanjutkan dengan pengamatan keterpisahan pasangan kelas tersebut berbasiskan tekstur terhadap pasangan kelas yang tidak dapat terpisahkan secara baik.
Pengumpulan Data Data citra TerraSAR-X dan citra Google Earth™ dikumpulkan pada tahap ini. Berdasarkan kenampakan objek pada Google Earth™, 6 kelas penutupan lahan ditetapkan secara visual, yaitu sawah, tubuh air, pemukiman padat, pemukiman menengah, vegetasi berkayu, dan daerah industri. Kumpulan piksel berbeda diambil sebagai contoh (sample) untuk analisis citra untuk masing-masing kelas penutupan lahan yang ditetapkan. Jumlah piksel yang digunakan untuk data latih setiap kelas penutupan lahan adalah 1500 piksel. Sebanyak 1500 piksel lagi digunakan untuk data uji. Data uji ini diambil dari lokasi yang berbeda dengan data latih. Pra-proses Data Pra-proses data dilakukan terhadap citra TerraSAR-X pada tahap ini. Proses prapengolahan dimulai dengan membangun citra komposit dari dua band data yang tersedia (Gambar 5). Selanjutnya citra dipotong sesuai dengan daerah pengamatan. Proses prapengolahan dilanjutkan dengan aplikasi filter mengingat citra TerraSAR-X mengandung speckle noise. Speckle noise pada citra TerraSAR-X direduksi dengan Lee filtering dengan ukuran kernel 5x5 piksel. Reduksi speckle noise pada penelitian ini merupakan proses restorasi citra. Speckle noise berhubungan dengan distribusi wishart (Gaussian pada bilangan kompleks). Citra hasil Lee filtering untuk selanjutnya disebut sebagai citra tone (berbasis rona). Analisis Keterpisahan Kelas Nilai Transformed Divergence (TD) digunakan untuk mengamati keterpisahan antara dua kelas yang berbeda. Berdasarkan citra tone, nilai TD dihitung untuk tiap pasangan kelas yang berbeda dan pada tiap pasangan kelas tersebut akan diamati keterpisahannya. Pasangan kelas yang memiliki nilai TD lebih besar dari 1.33 dianggap dapat terpisahkan secara baik; di luar
Gambar 5 Citra TerraSAR-X (HH-VV) beserta lokasi pengambilan contoh. Analisis berbasiskan tekstur diharapkan dapat menyelesaikan masalah pasangan kelas yang belum dapat terpisahkan hanya dengan citra berbasis tone. Penelitian ini menggunakan pendekatan texture filtering untuk analisis berbasiskan tekstur. Terdapat empat macam filter tekstur yang diamati pada penelitian ini, yaitu data range, mean, variance, dan entropy. Semua filter dihitung dalam lingkup area lokal menerapkan strategi convolution kernel. Tiap pasangan kelas yang tidak dapat terpisahkan dengan citra tone, nilai TD dihitung kembali untuk setiap citra tekstur yang tersedia dan untuk setiap ukuran kernel. Nilai TD tiap citra tekstur di-plot pada grafik pasangan kelas terhadap ukuran kernel. Hal ini dilakukan untuk mengamati kemampuan tiap filter tekstur dalam memisahkan pasangan kelas. Filter tekstur dianggap sebagai descriptor yang mampu memisahkan pasangan kelas jika memiliki nilai TD lebih besar dari 1.33. Filter tekstur yang baik juga ditunjukan dengan grafik yang memiliki pola tertentu yang stabil dan tidak berfluktuasi. Pembentukan Rule Pembentukan rule dilakukan dengan algoritme pohon keputusan (decision tree) C4.5. Pembentukan rule dimulai dengan 6
Pembentukan rule kedua menggunakan data latih citra berbasis rona ditambah dengan seluruh data latih citra berbasis tekstur. Rule kedua berupa pohon keputusan untuk seluruh atribut yang diteliti. Pembentukan rule ketiga dilakukan secara bertahap dengan mengamati rule untuk citra berbasis rona dan rule untuk seluruh atribut. Pemilihan atribut yang digunakan dalam pembentukan rule ini dilakukan dengan memperhatikan atribut yang mampu memisahkan dua kelas dengan baik. Pemilihan atribut ini juga dilakukan dengan mempertimbangkan kelas yang akan dihasilkan. Pemilihan atribut dipertimbangkan oleh pakar. Pembentukan tiga rule ini dilakukan untuk mengamati kemampuan data TerraSAR-X dalam membedakan kelas tutupan lahan. Rule untuk citra berbasis rona akan dibandingkan dengan rule untuk seluruh atribut serta dibandingkan pula dengan rule yang pemilihan atributnya dipertimbangkan oleh pakar. Penerapan Rule Rule yang diperoleh pada tahap sebelumnya diterapkan pada citra TerraSAR-X menurut atribut yang digunakan oleh masing-masing rule. Ketiga rule diterapkan untuk seluruh citra yang diamati, termasuk pada data latih dan data uji. Perhitungan Akurasi
diklasifikasikan dengan benar oleh setiap rule. Data uji adalah data yang telah diketahui kelas tutupan lahannya. Akurasi dihitung berdasarkan confusion matrix (Tabel 1). Akurasi keseluruhan untuk masing-masing rule adalah jumlah piksel data uji yang terklasifikasi dengan benar dibagi dengan jumlah piksel pada data uji. Akurasi keseluruhan dihitung dengan rumus: FX
' =
+& × 100 % +Y+#+&
Tabel 1 Confusion matrix Prediksi Aktual
menggunakan data latih kedua band citra berbasis rona (tone, sehingga didapatkan pohon keputusan untuk citra berbasis rona.
Kelas 1
Kelas 2
Kelas 1
a
b
Kelas 2
c
d
HASIL DAN PEMBAHASAN Kabupaten Sidoarjo merupakan daerah peri-urban bagi metropolitan Surabaya. Berdasarkan kenampakan objek yang diamati dari citra Google Earth™ (Gambar 6), daerah ini memiliki persebaran pemukiman yang cukup merata. Sawah dapat dijumpai di banyak wilayah dalam kesatuan yang cukup besar pada daerah ini. Vegetasi berkayu pada daerah ini sangat minim dijumpai, umumnya dalam bentuk kebun campuran dan vegetasi mangrove di wilayah bagian timur. Wilayah tubuh air (sungai dan tambak) banyak dijumpai di bagian timur. Daerah industri yang juga berdekatan dengan pemukiman dapat dijumpai di bagian utara Kabupaten Sidoarjo. Daerah contoh untuk masing-masing kelas penutupan lahan disajikan pada Gambar 7.
Perhitungan akurasi dilakukan dengan menghitung persentase data uji yang berhasil
Gambar 6 Kenampakan pada citra Google Earth™. 7
Beberapa kelas penutupan lahan dapat dibedakan secara visual (Gambar 7), misalnya kelas tubuh air dengan kelas pemukiman padat, kelas sawah dengan kelas industri, serta pemukiman menengah dengan vegetasi berkayu. Namun, terdapat kelas yang secara visual memiliki kemiripan, misalnya kelas industri dengan kelas pemukiman padat.
dalam penelitian ini, yaitu Data Range, Mean, Variance, dan Entropy. Penelitian ini juga menambahkan 7 variasi ukuran kernel untuk tiap filter tekstur, yaitu 3x3, 5x5, 7x7, 9x9, 11x11, 13x13, dan 15x15 piksel. Variasi ukuran kernel ini dapat digunakan untuk menilai sensitifitas suatu filter tekstur. Citra tone diubah ke dalam masing-masing ruang tekstur untuk tiap ukuran kernel. Tabel 2 Hasil analisis Transformed Divergence (TD) berdasarkan citra tone
Gambar 7 Daerah contoh tiap kelas untuk data latih. Analisis Keterpisahan Kelas Percobaan pertama dilakukan dengan menelaah keberhasilan pemisahan satu kelas dengan kelas lainnya berdasarkan citra tone (citra berbasis rona) dengan hanya memanfaatkan dua polarisasi linier (HH dan VV). Setiap satu kelas dipasangkan dengan satu kelas lainnya dan akan diamati keterpisahannya. Terdapat 6 kelas penutupan lahan pada penelitian ini, sehingga terdapat 15 pasangan kelas. Hasil perhitungan nilai Transformed Divergence (TD) pada pasangan kelas yang diamati disajikan pada Tabel 2. Tabel 2 menunjukan bahwa terdapat 5 pasangan kelas yang memiliki nilai TD kurang dari 1.33. Pasangan kelas tersebut tidak dapat terpisahkan secara baik dengan menggunakan citra tone yaitu industri dengan pemukiman padat, industri dengan pemukiman menengah, pemukiman padat dengan pemukiman menengah, pemukiman menengah dengan vegetasi berkayu, dan sawah dengan vegetasi berkayu. Analisis lanjutan untuk 5 pasangan kelas ini diperlukan untuk menyelesaikan masalah keterpisahannya. Pasangan kelas lainnya yang memiliki nilai TD lebih besar dari 1.33 diharapkan dapat diklasifikasikan langsung berdasarkan citra tone dengan akurasi harapan yang cukup baik. Penelitian ini mengusulkan metode texture filtering untuk menyelesaikan masalah keterpisahan kelas yang tidak mampu diselesaikan hanya dengan berbasiskan citra tone. Terdapat 4 filter tekstur yang dicobakan
Pemukiman Pemukiman padat menengah
Sawah
Tubuh Vegetasi air berkayu
KELAS
Industri
Industri
x
0.0330
0.5715
1.9978 2.000 1.9018
Pemukiman padat
x
x
0.5777
1.9989 2.000 1.9430
Pemukiman menengah
x
x
x
1.6118 2.000 0.9538
Sawah
x
x
x
x
Tubuh air
x
x
x
x
x
1.9999
Vegetasi berkayu
x
x
x
x
x
x
1.999 0.2399
Nilai TD untuk setiap filter tekstur pada daerah contoh dihitung kembali untuk 5 pasangan kelas yang belum dapat terpisahkan secara baik. Nilai TD untuk semua ukuran kernel juga dihitung untuk 5 pasangan kelas tersebut. Hasil perhitungan nilai TD untuk setiap pasangan kelas tersebut di-plot ke dalam grafik hubungan antara filter tekstur dengan ukuran kernelnya. Oleh karena itu, terdapat 5 grafik hubungan antara filter tekstur dengan ukuran kernelnya. Grafik nilai TD untuk setiap pasangan kelas tersebut disajikan pada Gambar 8 sampai Gambar 12. Gambar 8 menunjukan bahwa kelas industri dengan kelas pemukiman padat memiliki nilai TD kurang dari 0.8 untuk setiap filter tekstur dan untuk setiap ukuran kernel. Hal ini menunjukan bahwa kelas industri dengan kelas pemukiman padat tidak dapat terpisahkan secara baik dengan berdasarkan citra tekstur. Hal ini akan mengakibatkan proses klasifikasi untuk memisahkan kelas industri dengan pemukiman padat akan memiliki akurasi rendah. Hasil ini memberikan informasi bahwa dengan citra TerraSAR-X, analisis berbasis citra tone dan analisis berbasis citra tekstur tidak disarankan untuk menyelesaikan keterpisahan antara kelas industri dengan kelas pemukiman padat. Kelas industri dengan kelas pemukiman menengah memiliki nilai TD lebih besar dari 1.33 pada beberapa filter tekstur (Gambar 9). Kedua kelas ini dapat terpisahkan dengan baik dengan filter tekstur variance atau mean 8
dengan ukuran kernel lebih besar dari 7x7 piksel. Filter tekstur entropy hanya dapat memberikan keterpisahan yang baik dengan ukuran kernel 15x15 piksel. Filter tekstur data range tidak dapat memberikan keterpisahan yang baik pada berbagai ukuran kernel yang dicobakan. Hal ini memberikan informasi bahwa filter tekstur variance atau mean dengan ukuran kernel lebih dari 7x7 piksel dapat disarankan untuk memisahkan kelas industri dengan kelas pemukiman menengah.
dengan vegetasi berkayu dapat disarankan menggunakan filter tekstur data range atau variance.
Gambar
10
Nilai TD pasangan kelas pemukiman padat dengan pemukiman menengah.
Gambar
11
Nilai TD pasangan kelas pemukiman menengah dengan vegetasi berkayu.
Gambar 8 Nilai TD pasangan kelas industri dengan pemukiman padat.
Gambar 9 Variasi nilai TD pasangan kelas industri pemukiman dengan menengah. Grafik nilai TD pasangan kelas pemukiman padat dengan pemukiman menengah ditampilkan pada Gambar 10. Grafik tersebut menunjukan bahwa filter tekstur variance atau mean dengan ukuran kernel lebih dari 11x11 piksel dapat disarankan untuk memisahkan kelas pemukiman padat dengan pemukiman menengah.
Gambar 11 menunjukan bahwa filter tekstur data range dan variance dapat memisahkan kelas pemukiman menengah dengan vegetasi berkayu secara baik. Filter tekstur mean dengan ukuran kernel lebih dari 9x9 piksel juga dapat memisahkan kedua kelas tersebut secara baik. Namun, filter tekstur entropy tidak mampu menyelesaikan keterpisahan kedua kelas tersebut. Hal ini memberikan informasi bahwa untuk memisahkan kelas pemukiman menengah
Kelas sawah dengan kelas vegetasi berkayu memiliki grafik nilai TD yang bervariasi. Hal ini dapat disimpulkan dari Gambar 12. Filter variance dapat menyelesaikan masalah keterpisahan kedua kelas ini dengan ukuran kernel lebih dari 7x7 piksel. Filter data range dengan ukuran kernel 5x5 piksel memiliki nilai TD sebesar 2. Namun, filter data range dengan ukuran kernel 11x11 piksel memiliki nilai TD sebesar 0.3. Hal ini menunjukan bahwa filter data range memiliki grafik yang fluktuatif, sehingga tidak disarankan untuk menyelesaikan keterpisahan kedua kelas ini. Filter mean dan entropy tidak mampu menyelesaikan keterpisahan kedua kelas ini, sebab nilai TD untuk kedua filter ini pada semua ukuran kernel lebih kecil dari 1.33.
Rule Berdasarkan Rona (Tone) Penelitian dilanjutkan dengan pembentukan rule. Rule pertama adalah pohon keputusan yang terbentuk berdasarkan data latih berbasis rona, yaitu rona polarisasi HH dan rona polarisasi VV (Lampiran 1).
9
keputusan untuk membedakan berbagai kelas penutupan lahan.
Gambar 12 Fluktuasi nilai TD pasangan kelas sawah dengan vegetasi berkayu. Pohon keputusan untuk rule berdasarkan rona menunjukan bahwa node akar (root) merupakan data citra TerraSAR-X dengan polarisasi HH. Pohon keputusan ini memiliki 24 leaf. Leaf dengan kelas tutupan lahan tubuh air hanya ada satu leaf. Hal ini menunjukkan bahwa kelas tubuh air sangat mudah untuk dibedakan terhadap kelas lainnya. Hasil ini sesuai dengan analisis keterpisahan kelas pada tahap sebelumnya, bahwa kelas tubuh air dapat dipisahkan dengan baik hanya dengan citra TerraSAR-X berbasis rona. Rule dari pohon keputusan yang terbentuk kemudian diterapkan pada data TerraSAR-X berbasis rona. Tahap ini menghasilkan pemetaan penutupan lahan dengan berbasiskan rona. Kenampakan sebagian citra hasil pemetaan dapat dilihat pada Gambar 13. Citra hasil pemetaan ini menunjukan bahwa kelas tutupan lahan yang dihasilkan berupa titik-titik yang tersebar. Pengamatan tutupan lahan dengan citra ini tidak menghasilkan informasi yang baik. Rule Berdasarkan Rona (Tone) dan Tekstur (Texture) Rule kedua adalah pohon keputusan yang terbentuk dari seluruh atribut yang diamati, yaitu atribut rona dan seluruh atribut tekstur (Lampiran 2). Penelitian ini menggunakan citra berbasis rona serta 4 elemen tekstur dengan 7 variasi ukuran kernel, sehingga terdapat 28 atribut tekstur. Citra TerraSAR-X yang digunakan memiliki dua band, sehingga total ada sebanyak 58 atribut. Pohon untuk rule ini keputusan menunjukan bahwa tidak semua atribut terdapat pada pohon keputusan yang terbentuk. Hanya terdapat 8 atribut yang ada, yaitu range HH 7x7 dan 15x15, range VV 15x15, mean VV 13x13 dan 15x15, variance HH 15x15, variance VV 13x13, dan entropy HH 15x15. Hal ini menunjukan bahwa 8 atribut tersebut cukup untuk dapat membentuk rule pohon
Tekstur variance menjadi root pada pohon keputusan ini, diikuti dengan node tekstur data range dan mean. Hal ini menunjukan bahwa atribut tersebut paling berpengaruh dalam menentukan kelas penutupan lahan. Hasil ini memperkuat analisis keterpisahan kelas, bahwa tekstur variance, data range, dan mean dapat disarankan untuk menyelesaikan masalah keterpisahan pasangan kelas penutupan lahan. Rule dari pohon keputusan kedua ini kemudian diterapkan pada data TerraSAR-X dengan seluruh atribut yang diamati. Kenampakan sebagian citra hasil pemetaan dapat dilihat pada Gambar 14. Citra hasil pemetaan ini menunjukan bahwa kelas tutupan lahan yang dihasilkan tidak lagi berupa titiktitik yang tersebar, melainkan berupa petakpetak penutupan lahan. Hasil ini menunjukan bahwa pengamatan persebaran setiap penutupan lahan dapat dilakukan dengan lebih baik dibandingkan dengan hasil rule pertama. Contoh wilayah yang dapat dibedakan dengan baik adalah wilayah pemukiman. Hasil ini membuktikan bahwa analisis berbasis tekstur dapat disarankan untuk membedakan penutupan lahan dengan data TerraSAR-X. Rule Berdasarkan Pakar (Expert Judgement) Rule ketiga adalah pohon keputusan yang terbentuk dengan pemilihan atribut yang melibatkan hasil pengamatan pakar (Lampiran 3). Pembentukan rule dimulai dengan memilih kelas yang dapat dengan mudah dibedakan dengan kelas lainnya. Analisis keterpisahan kelas dan rule berbasis rona menunjukan bahwa kelas tubuh air dapat dibedakan dengan baik hanya dengan menggunakan citra berbasis rona, sehingga dicari rule untuk memisahkan kelas tubuh air dengan kelas lainnya dengan atribut rona HH. Kelas sawah menjadi kelas yang dibedakan selanjutnya, sebab dari analisis keterpisahan kelas, sawah dapat dipisahkan dengan baik terhadap kelas lainnya kecuali terhadap kelas vegetasi kayu. Hasil analisis keterpisahan kelas berbasis tekstur (Gambar 12) memberikan informasi bahwa pasangan kelas sawah dengan vegetasi kayu dapat dipisahkan dengan baik menggunakan variance 15x15, tekstur sehingga dicari rule untuk memisahkan kelas sawah dengan kelas lainnya dengan atribut tekstur mean VV 15x15 dan variance VV 15x15.
10
Kelas vegetasi kayu menjadi kelas yang dibedakan selanjutnya. Kelas vegetasi kayu dapat dengan baik dipisahkan dengan kelas lainnya menggunakan tekstur variance (Gambar 11). Oleh karena itu, tekstur variance HH 15x15 dipilih untuk mencari rule dalam memisahkan kelas vegetasi kayu dengan kelas lainnya. Tahap selanjutnya adalah memisahkan pasangan kelas pemukiman menengah dengan pemukiman padat. Pasangan kelas ini dapat terpisah secara baik dengan tekstur variance dan mean (Gambar 9). Oleh karena itu, rule untuk memisahkan pasangan kelas ini dicari dengan atribut tekstur mean VV 15x15 dan variance VV 15x15. Pemilihan atribut dilanjutkan untuk memisahkan pasangan kelas industri dengan pemukiman padat. Analisis keterpisahan kelas menunjukan bahwa pasangan kelas ini belum dapat terpisah secara baik dengan analisis berbasis rona maupun tekstur. Namun,
keterpisahan kelas tertinggi diperoleh dengan menggunakan atribut tekstur mean dan variance. Oleh karena itu, rule untuk memisahkan pasangan kelas ini dicari dengan atribut tekstur mean VV 15x15 dan variance VV 15x15. Terdapat 4 atribut dalam rule pohon keputusan ketiga ini, yaitu rona HH, mean VV 15x15, variance HH dan VV 15x15. Oleh karena itu, rule ini diterapkan hanya pada 4 atribut tersebut. Kenampakan sebagian citra hasil pemetaan dapat dilihat pada Gambar 15. Citra hasil pemetaan menunjukan bahwa kelas tutupan lahan yang dihasilkan juga berupa petak-petak penutupan lahan. Terdapat perbaikan pada citra hasil tersebut bila dibandingkan dengan citra hasil rule pohon keputusan kedua. Contoh perbaikan dapat diamati pada wilayah tubuh air, khususnya daerah tambak yang memiliki petak-petak yang lebih jelas dan lebih mirip dengan kenampakan pada citra Google Earth™.
Gambar 13 Kenampakan citra hasil pemetaan rule berbasis rona.
Gambar 14 Kenampakan citra hasil pemetaan rule berbasis rona dan tekstur.
11
Gambar 15 Kenampakan citra hasil pemetaan rule berdasarkan pakar. Perhitungan Akurasi Akurasi dihitung untuk ketiga rule yang diamati. Hasil perhitungan akurasi secara lengkap dapat dilihat pada Lampiran 4. Akurasi keseluruhan yang didapatkan untuk rule dari pohon keputusan pertama sebesar 44,24%. Rule dari pohon keputusan kedua menghasilkan akurasi keseluruhan 63,46%. Akurasi keseluruhan yang didapatkan oleh rule dari pohon keputusan ketiga sebesar 74,69%. Bila diamati lebih rinci pada hasil perhitungan akurasi untuk pohon keputusan ketiga, kelas industri memiliki akurasi terkecil yaitu 52,67%, sedangkan kelas sawah memiliki akurasi 64,67%.
menghasilkan akurasi keseluruhan mencapai hampir 75%. Saran Penelitian ini masih memiliki kekurangan. Penelitian lebih lanjut perlu dilakukan dengan saran antara lain: 1. Melakukan penelitian untuk mengkaji metodologi yang dapat digunakan untuk meningkatkan keterpisahan pasangan kelas tutupan lahan industri dengan pemukiman padat, 2. Menambahkan kelas penutupan lain untuk diamati keterpisahannya, 3. Menggunakan data SAR lain, contohnya ALOS PALSAR,
KESIMPULAN DAN SARAN Kesimpulan Hasil penelitian dapat disimpulkan bahwa data TerraSAR-X dua polarisasi linier (HH dan VV) mampu membedakan penutupan lahan secara baik. Analisis berbasis rona dan analisis berbasis tekstur dapat disarankan untuk membedakan penutupan lahan di wilayah periurban, kecuali untuk pasangan kelas tutupan lahan industri dengan pemukiman padat. Tutupan lahan tubuh air dapat dipisahkan terhadap tutupan lahan lainnya dengan sangat baik hanya dengan citra berbasis rona, yaitu nilai TD mencapai 2. Pembentukan rule klasifikasi menggunakan metode pohon keputusan dengan pertimbangan oleh pakar akan meningkatkan kemampuan rule untuk membedakan penutupan lahan. Rule berdasarkan seluruh atribut citra menghasilkan akurasi keseluruhan sebesar 63%, sedangkan rule berdasarkan pertimbangan pakar
DAFTAR PUSTAKA Ban Y. 1996. Synthetic Aperture for a Crop information System: a Multipolarization and Multitemporal Approach. Canada: University of Waterioo. Freeman A, Durlen SL. 1998. A ThreeComponent Scattering Model for Polarimetric SAR Data. IEEE Transactions on Geoscience and Remote Sensing, 36(3): halaman 963973. Han J, Kamber M. 2006. Data Mining: Concepts and Techniques 2nd Edition. San Francisco: Morgan Kaufmann. Handayani LDW. 2011. Geomorfologi Gunungapi Guntur (Garut, Jawa Barat) dan Analisis Aliran Lava Menggunakan Data Synthetic Aperture Radar Polarimetri Penuh (fully polarimetry) [Skripsi]. Bogor: Institut Pertanian Bogor. 12
Haralick RM, Shanmugam K, Dinstein I. 1973. Textural Features for Image Classification. IEEE Transaction on Systems, Man and Cybermetics, 3: halaman 610-621. Hogrewe W, Joyce SD, Perez EA. 1993. The Unique Challenges of Improving PeriUrban Sanitation. Washington, DC: Bureau for Research and Development U.S. Agency for International Development. Hong SH, Wdowinski S, Kim SW. 2010. Evaluation of TerraSAR-X observations for wetland InSAR application. IEEE Transactions on Geoscience and Remote Sensing 48(2): halaman 864-873. Iaquinta DL, Drescher AW. 2000. Defining Periurban: Understanding Rural-Urban Linkages and Their Connection to Institutional Contexts. FAO: Land Reform, 8-26. [infoterra] Infoterra. 2011. TerraSAR-X Satellite and Mission. http://www.infoterra.de/terrasar-xsatellite. (6 Desember 2011). Lee JS. 1981. Speckle Analysis and Smoothing of Synthetic Aperture Radar Images. Computer Graphics and Image Processing, Vol. 17: halaman 24-32. Lillesand TM dan Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra. (diterjemahkan oleh: Dulbahri, Prapto S, Hartono, Suharyadi). Fakultas Geografi, Universitas Gajah Mada. Lisini G, Acqua D, Gamba P. 2008. Rapid Land Mapping by TerraSAR-X VHR Data. International Geoscience and Remote Sensing Symposium. Vol II: halaman 383.
Martinis S, Twele A, Voigt S. 2009. Towards operational near real-time flood detection using a split-based automatic thresholding procedure on high resolution TerraSAR-X data. Natural Hazards and Earth System Sciences 9: halaman 303-314. Quinlan JR. 1993. C4.5: Programs for Machine Learning. San Mateo, CA: Morgan Kaufmann. Richards JA, Jia X. 2006. Remote Sensing Digital Image Analysis 4th Edition. Springer-Verlag Berlin Heidelberg. Rizal S. 2009. Pemetaan Sawah Baku Kawasan Berbukit dengan Citra Quickbird Dan TerraSAR-X [Skripsi]. Bogor: Institut Pertanian Bogor. Panuju DR, Iman LS, Trisasongko BH, Barus B, Shiddiq D. 2010. Simulasi Data Losat untuk Pemantauan Pesisir. Satelit Mikro untuk Mitigasi Bencana dan Ketahanan Pangan. Bogor: IPB Press. Sabins, FF. 2007. Remote Sensing Principle and Interpretation Third Edition. Los Angeles: University of California and Remote Sensing Enterprises incorporated. Trisasongko Bambang H. 2002. Land Use Discrimination Based On Textural Characteristics. Bogor: Institut Pertanian Bogor. Trisasongko Bambang H. 2009. Tropical Mangrove Mapping Using FullyPolarimetric Radar Data. ITB J. Sci. Vol. 41, No.2: halaman 98-109. Yunus HS. 2008. Dinamika Wilayah PeriUrban; Determinasi Masa Depan Kota. Yogyakarta: Pustaka Pelajar Yogyakarta.
Mansourpour M, Rajabi MA, Blais JAR. 2006. Effects and Performance of Speckle Noise Reduction Filters on Active Radar and SAR Images. The WG I/5 & I/6 Workshop on Topographic Mapping from Space, Ankara, Turkey.
13
LAMPIRAN
Lampiran 1 Rule pohon keputusan berbasis rona
15
Lampiran 2 Rule pohon keputusan berbasis rona dan seluruh tekstur
16
Lampiran 3 Rule pohon keputusan berdasarkan pakar
17
Lampiran 4 Perhitungan akurasi Rule 1 berbasis rona Overall Accuracy = (3982/9000)
Class industri pemukiman p pemukiman m sawah tubuh air veg kayu Total
Class industri pemukiman p pemukiman m sawah tubuh air veg kayu Total
Class industri pemukiman p pemukiman m sawah tubuh air veg kayu
44.2444%
Ground Truth (Pixels) industri pemukiman p 0 0 344 280 753 701 173 182 152 188 2 0 76 149 1500 1500
pemukiman m 0 156 341 380 363 27 233 1500
sawah 0 46 17 419 856 0 162 1500
tubuh air 0 0 0 8 0 1414 78 1500
veg kayu 0 177 62 373 587 14 287 1500
Total 0 1003 1874 1535 2146 1457 985 9000
Ground Truth (Percent) industri pemukiman p 0.00 0.00 22.93 18.67 50.20 46.73 11.53 12.13 10.13 12.53 0.13 0.00 5.07 9.93 100.00 100.00
pemukiman m 0.00 10.40 22.73 25.33 24.20 1.80 15.53 100.00
sawah 0.00 3.07 1.13 27.93 57.07 0.00 10.80 100.00
tubuh air 0.00 0.00 0.00 0.53 0.00 94.27 5.20 100.00
veg kayu 0.00 11.80 4.13 24.87 39.13 0.93 19.13 100.00
Total 0.00 11.14 20.82 17.06 23.84 16.19 10.94 100.00
Prod. Acc. (Percent) 22.93 46.73 25.33 57.07 94.27 19.13
Rule 2 berbasis rona dan seluruh tekstur Overall Accuracy = (5711/9000)
Class industri pemukiman_p pemukiman_m sawah tubuh_air veg_kayu Total
Class industri pemukiman_p pemukiman_m sawah tubuh_air veg_kayu Total
Class industri pemukiman_p pemukiman_m sawah tubuh_air veg_kayu
63.4556%
Ground Truth (Pixels) industri pemukiman p 0 0 797 490 664 819 39 191 0 0 0 0 0 0 1500 1500
pemukiman m 0 211 199 1089 0 0 1 1500
sawah 0 0 0 0 721 0 779 1500
tubuh air 0 0 0 0 0 1056 444 1500
veg kayu 0 0 0 156 115 0 1229 1500
Total 0 1498 1682 1475 836 1056 2453 9000
Ground Truth (Percent) industri pemukiman p 0.00 0.00 53.13 32.67 44.27 54.60 2.60 12.73 0.00 0.00 0.00 0.00 0.00 0.00 100.00 100.00
pemukiman m 0.00 14.07 13.27 72.60 0.00 0.00 0.07 100.00
sawah 0.00 0.00 0.00 0.00 48.07 0.00 51.93 100.00
tubuh air 0.00 0.00 0.00 0.00 0.00 70.40 29.60 100.00
veg kayu 0.00 0.00 0.00 10.40 7.67 0.00 81.93 100.00
Total 0.00 16.64 18.69 16.39 9.29 11.73 27.26 100.00
Prod. Acc. (Percent) 53.13 54.60 72.60 48.07 70.40 81.93
18
Lanjutan Rule 3 berdasarkan pakar Overall Accuracy = (6722/9000)
Class Industri Pmk P Pmk M Sawah Tubuh Air Veg Kayu Total
Class Industri Pmk P Pmk M Sawah Tubuh Air Veg Kayu Total
Class Industri Pmk P Pmk M Sawah Tubuh Air Veg Kayu
74.6889%
Ground Truth (Pixels) industri pemukiman p 0 0 790 167 628 1327 79 6 0 0 3 0 0 0 1500 1500
pemukiman m 0 1 390 1065 0 43 1 1500
sawah 0 0 0 0 970 7 523 1500
tubuh air 0 0 0 0 0 1413 87 1500
veg kayu 0 0 59 95 145 44 1157 1500
Total 0 958 2404 1245 1115 1510 1768 9000
Ground Truth (Percent) industri pemukiman p 0.00 0.00 52.67 11.13 41.87 88.47 5.27 0.40 0.00 0.00 0.20 0.00 0.00 0.00 100.00 100.00
pemukiman m 0.00 0.07 26.00 71.00 0.00 2.87 0.07 100.00
sawah 0.00 0.00 0.00 0.00 64.67 0.47 34.87 100.00
tubuh air 0.00 0.00 0.00 0.00 0.00 94.20 5.80 100.00
veg kayu 0.00 0.00 3.93 6.33 9.67 2.93 77.13 100.00
Total 0.00 10.64 26.71 13.83 12.39 16.78 19.64 100.00
Prod. Acc. (Percent) 52.67 88.47 71.00 64.67 94.20 77.13
19
