JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print)
1
Metode Klasifikasi Digital untuk Citra Satelit Beresolusi Tinggi WorldView-2 pada Unit Pengembangan Kertajaya dan Dharmahusada Surabaya Rochamukti Rizcanofana, Hepi Hapsari Handayani, dan Udiana Wahyu Deviantari Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected] Abstrak--Perkembangan pada teknologi penginderaan jauh terutama metode pengolahan citra beresolusi tinggi, memunculkan teknologi yang lebih memudahkan dalam teknik interpretasi dan klasifikasi citra, yaitu metode klasifikasi digital. Metode klasifikasi digital yang dapat digunakan adalah metode berbasis piksel dan metode berbasis objek.. Klasifikasi berbasis piksel menggunakan nilai spektral, sementara klaisfikasi berbasis objek juga menggunakan informasi tekstur dan konteks dalam menentukan segmen kelas objeknya. Dalam penelitian ini, dilakukan klasifikasi ruang terbuka hijau (RTH) menggunakan metode klasifikasi berbasis objek serta membandingka akurasinya dengan metode klasifikasi berbasis piksel dengan mengambil studi kasus di unit pengembangan di wilayah kota Surabaya, yaitu (UP) II Kertajaya serta UP IV Dharmahusada dengan memanfaatkan data citra satelit WorldView-2. Hasil penelitian ini menunjukkan bahwa klasifikasi berbasis objek pada UP Kertajaya menghasilkan hasil klasifikasi yang lebih akurat dibanding klasifikasi berbasis piksel yaitu rata-rata mapping accuracy sebesar 88,59%, user accuracy 92,95%, producer accuracy 95,22% dan koefisien kappa (kappa coefficient) sebesar 0,92. Klasifikasi berbasis objek pada UP Dharmahusada menghasilkan hasil klasifikasi yang lebih akurat dibanding klasifikasi berbasis piksel yaitu rata-rata mapping accuracy sebesar 89,07%, user accuracy 93,52%, producer accuracy 95,56% dan koefisien kappa (kappa coefficient) sebesar 0,947. Kata kunci -- Klasifikasi Berbasis Objek, RTH, Surabaya , WorldView-2
I. PENDAHULUAN
K
ehadiran citra satelit resolusi tinggi WorldView-2 telah banyak memberikan kemudahan bagi berbagai aplikasi pemetaan. Citra satelit WorldView-2 keluaran tahun 2012 merupakan citra resolusi yang menawarkan detail informasi akurat yang dapat diekstrak untuk berbagai keperluan. Metode klasifikasi digital merupakan proses pengolahan citra yang sangat menunjang kehadiran citra resolusi tinggi, mengacu pada penggunaan komputer untuk mengklasifikasikan ciri khas spektral dari suatu citra menjadi beberapa kelas. Metode klasifikasi digital yang dapat digunakan adalah metode berbasis piksel dan metode berbasis objek. Klasifikasi berbasis piksel (pixel based classification) merupakan metode klasifikasi klasik yang mengolah spektral menjadi informasi pada setiap piksel. Sementara klasifikasi berbasis objek (object based classification) adalah metode klasifikasi citra yang menggabungkan informasi spektral dan informasi spasial. Aplikasi dari pengolahan citra WorldView-2 dengan metode klasifikasi digital berbasis objek efektif dalam
penyelesaian masalah pemetaan perkotaan (urban mapping), salah satunya untuk pemetaan ruang terbuka hijau (RTH) kota. Unit Pengembangan (UP) II Kertajaya, meliputi kecamatan Mulyorejo dan Sukolilo serta UP IV Dharmahusada yang meliputi kecamatan Tambak Sari dan Gubeng yang mewakili fungsi kota sebagai kawasan lindung/konservasi serta kawasan sentra perekonomian merupakan wilayah yang terus mengalami pertumbuhan pembangunan yang pesat [1] sehingga perlu dilakukan pemetaan terhadap ruang terbuka hijau di wilayah tersebut. Dalam tulisan ini dibandingkan pengklasifikasian digital citra satelit resolusi tinggi WorldView-2 dengan metode klasifikasi berbasis objek dengan metode yang disajikan dalam peta dengan mengambil daerah cakupan studi unit pengembangan (UP) II Kertajaya dan UP IV Dharmahusada. II. METODOLOGI PENELITIAN A. Tahapan Penelitian Tahapan penelitian yang akan dilaksanakan dalam kegiatan penelitian ini adalah seperti pada diagram alir berikut: Identifikasi Masalah Klasifikasi pada citra resolusi tinggi dengan metode berbasis objek
·
· · · ·
Studi Literatur Citra WorldView-2 Klasifikasi Berbasis Objek Klasifikasi Berbasis Piksel Ruang Terbuka Hijau
· · ·
Pengumpulan Data Citra WoldView-2 akuisisi Mei 2012 Peta garis kota Surabaya tahun 2002 skala 1:1000 Penelitian terdahulu
Tahap Persiapan
Tahap Pengumpulan Data
Pengolahan Data Tahap Pengolahan dan Analisa Data Analisa
Penyusunan Laporan
Gambar 1. Tahapan Penelitian
Tahap Akhir
JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print) B. Tahapan Pengolahan Data Setelah semua data yang diperlukan terkumpul, kemudian dilakukan pengolahan data. Pada tahap ini pekerjaan yang dilakukan adalah : 1. Input Data Data yang digunakan dalam penelitian Tugas Akhir ini adalah : a. Citra Satelit WorldView-2 tahun 2012 akuisisi Mei 2012. b. Peta garis hasil foto udara skala 1:1000 tahun 2002 kota Surabaya. 2. Koreksi Geometrik Dilakukan untuk mereduksi kesalahan geometrik Koreksi geometrik ini menggunakan peta garis skala 1:1000. Peta vektor digunakan sebagai referensi terhadap GCP (Ground Control Point). Setelah itu dilakukan perhitungan RMS (Root Mean Square). Terdapat ketentuan jika nilai RMS harus kurang atau sama dengan satu piksel (RMS ≤ 1 piksel) [2]. Jika memenuhi toleransi maka diperoleh citra terkoreksi geometrik. 3. Pemotongan Citra Daerah penelitian yang terliput dalam citra, perlu dilakukan proses pemotongan (cropping) untuk mendapatkan citra digital yang hanya meliputi daerah penelitian yaitu UP Kertajaya dan Dharmahusada. 4. Segmentasi Citra Level 1 Dilakukan untuk membagi suatu objek pada citra menjadi wilayah-wilayah yang homogen berdasarkan kesamaan antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya [3]. Langkah ini termasuk dalam proses feature extraction (ekstraksi fitur) dengan memasukkan scale level segmentation untuk menentukan objek apa saja yang akan diekstraksi. 5. Region Merging (Level 2 Segmentation) Tujuan region merging pada dasarnya adalah memperbaiki kualitas segmentasi dengan melakukan pemisahan segmen berdasarkan spektral dan spasial. Dalam proses ini ditentukan merge level dari skala 1- 100 untuk selanjutnya dilakukan klasifikasi [3]. 6. Klasifikasi Berbasis Objek Citra hasil segmentasi kemudian diklasifikasi dengan metode example-based, dengan cara memilih training sample untuk masing-masing kelas dari objek/segmen yang telah terbentuk dari segmentasi [4]. Untuk proses klasifikasi kali ini digunakan algoritma K-Nearest Neighbor. 7. Ground Truth dan Uji Ketelitian Klasifikasi Ground Truth dalam penelitian ini bertujuan untuk validasi data hasil klasifikasi dengan kondisi lapangan. Uji ketelitian diperlukan untuk menentukan tingkat akurasi metode klasifikasi yang digunakan. Uji ketelitian klasifikasi dalam penelitian ini yaitu dengan membuat matriks dari perhitungan setiap kesalahan (confusion matrix) pada setiap kelas hasil klasifikasi dari citra satelit yang digunakan. 8. Hasil Hasil klasifikasi yang telah diuji ketelitiannya dan dianalisa, kemudian disajikan dalam Peta Ruang Terbuka Hijau Kota Surabaya tahun 2012.
2
9. Analisa Pada tahap ini dilakukan analisa dari hasil klasifikasi ruang terbuka hijau di UP II dan IV Kota Surabaya berbasis objek yang akan dibandingkan dengan hasil klasifikasi berbasis piksel, Kemudian akan dievaluasi, apakah ada peruntukan lahan yang seharusnya berupa ruang terbuka hijau yang tidak sesuai dengan Rencana Detil Tata Ruang Kota Surabaya. Dapat ditampilkan pada gambar berikut ini : Mulai
Citra WorldView-2 tahun 2012 Peta Garis Kota Surabaya Skala 1 : 1000
Koreksi Geometrik
Tidak RMS Error ≤ 1 piksel Ya Citra terkoreksi geometrik
Pemotongan Citra
Citra WorldView-2 UP II dan IV Kota Surabaya dan tahun 2012
Segmentasi Citra level 1 Citra hasil Segmentasi level 1 Region Merging (Segmentasi Level 2) Citra hasil Segmentasi level 2
Klasifikasi examplebased pada ENVI EX
Tutupan Lahan Ruang Terbuka Hijau UP II dan IV Kota Surabaya hasil klasifikasi objek Tidak Uji Ketelitian Klasifikasi ≥ 80% Ya Citra Terklasifikasi Analisa Peta Ruang Terbuka Hijau Kota Surabaya Selesai
Gambar 2. Tahapan Pengolahan Data
Ground Truth
JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print)
3
III. HASIL Pada bagian ini akan ditampilkan hasil dari pelaksanaan penelitian mengenai pengolahan citra yang telah dilakukan. A. Hasil Perhitungan Strength of Figure dan RMS Error Berikut adalah tabel nilai RMS Error pada tiap titik : Tabel 1. Nilai RMS Error Nama Titik
RMSE
1 2 3 4 5 6 7 8 9 10 11 12
0.32 0.58 0.31 0.68 0.91 0.59 0.54 0.61 0.25 0.75 0.40 0.18
Dari proses koreksi geometrik didapatkan nilai RMS Error rata-rata sebesar 0,55 piksel. Kemudian desain jaring untuk Strength of Figure (SoF) pada citra ditunjukkan pada gambar dibawah ini :
Gambar 4. (a) Scale level 30, merge level 45 (b) Scale level 75, merge level 90 (c) Scale level 30, merge level 90 (terbaik)
Tabel 2. Parameter Segmentasi
Gambar a 30 (watershed depth = 30) 45 (Lambda 45)
Scale level Merge Level
Gambar b 30 (watershed depth = 75) 90 (Lambda 90)
Gambar c 30 (watershed depth = 30) 90 (Lambda 90)
Berikut ini adalah skema informasi kelas yang dapat dihasilkan dari tahapan feature extraction workflow dengan paramater level 1 segmentation (scale level) 30, level 2 segmentation (merge level 90) dan no thresholding :
of Figure Besar Strength of Figure ditunjukkan dibawah ini : Besar SoF = trace {( [A] x [A] T)’} U = 0.35
Tabel 3. Ekstraksi Fitur Level 1 Segmentation
Gambar 3. Desain Jaring untuk Strength
B. Klasifikasi Citra dengan Metode Berbasis Objek Klasifikasi ruang terbuka hijau dengan metode berbasis objek kali ini prosesnya melalui empat tahapan utama yaitu segmentation (segmentasi), region merging, refining (penentuan threshold) dan example-based classification. Parameter scale level pada tahap segmentation yang digunakan pada penelitian ini adalah 30, untuk merge level adalah 90 dan pada tahap refine dipilih no threshold karena dinilai memberikan hasil segmentasi yang paling baik. Penelitian terdahulu oleh Sandric (2010) yang mengklasifikasikan orthophoto digital untuk mendeteksi tanah longsor dengan metode berbasis objek menggunakan scale level 35 dan merge level 95 [5]. Kemudian penelitian lain oleh Rhinane (2011) yang mendeteksi area perkampungan kumuh di Maroko dengan citra SPOT menggunakan scale level 30 dan merge level 93,3. Ini menunjukkan bahwa kisaran scale level dari 30-35 dan merge level 90-95 merupakan parameter yang terbaik untuk klasifikasi berbasis objek pada ENVI EX [6].
Objek yang terekstraksi
1. 2. 3. 4.
(a)
Jalur Hijau dan Sempadan Mangrove Taman Makam
Level 2 Segmentation (Merging) 1. Area Terbangun 2. Lahan Kosong (Soil) 3. Jalan dan Area Parkir 4. Sungai 5. Lapangan 6. Tambak/rawa dan bozem
(b)
Gambar 5. (a) Level 1 Segmentation (b) Level 2 Segmentation (Merging)
Berikut ini adalah luasan hasil klasifikasi citra dengan metode berbasis objek UP Kertajaya : Tabel 4. Luas Hasil Klasifikasi Berbasis Objek UP Kertajaya Nama Kelas Luas (Ha) Persentase (%) Area Terbangun 1181,78 25,48 Jalur Hijau dan Sempadan 568,27 12,25 Lahan Kosong 808,81 17,44 Mangrove 111,48 2,40 Taman 2,20 0,04 Makam 8,38 0,18 Lapangan 4,58 0,09 Tambak/Rawa 1592,91 34,35 Sungai 5,17 0,11 Jalan dan Tempat Parkir 354,66 7,64 4638,29 100,00 Total
JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print) Berikut ini adalah luasan hasil klasifikasi citra dengan metode berbasis objek UP Dharmahusada :
4
Untuk memperjelas perbandingan tingkat akurasi, dapat dilihat melalui diagram dibawah ini:
Tabel 5. Luas Hasil Klasifikasi Berbasis Objek UP Dharmahusada Nama Kelas
Luas (Ha)
Area Terbangun Jalur Hijau dan Sempadan Taman Lahan Kosong Sungai Makam Bozem Lapangan Jalan dan Tempat Parkir Total
1209,27 147,03 4,98 149,63 5,61 10,85 1,46 7,20 196,10 1734,81
Persentase (%) 69,70 8,47 0,28 8,62 0,32 0,62 0,08 0,41 11,30 100,00
Gambar 6. Diagram Mapping Accuracy Object Based - Pixel Based UP Kertajaya
IV. ANALISA A. Perbandingan Akurasi Object Based-Pixel Based · Perbandingan Akurasi Object Based-Pixel Based UP Kertajaya Klasifikasi berbasis objek pada UP Kertajaya menghasilkan hasil klasifikasi yang lebih akurat dibanding klasifikasi berbasis piksel yaitu rata-rata mapping accuracy sebesar 88,59%, user accuracy 92,95%, producer accuracy 95,22% dan koefisien kappa (kappa coefficient) sebesar 0,92. Rata-rata kesalahan yang dihasilkan klasifikasi berbasis objek yaitu mapping error sebesar 11,41%, commision error 7,05% dan ommision error sebesar 4,78%.
Gambar 7. Diagram User Accuracy Object Based - Pixel Based UP Kertajaya
Tabel 6. Ketelitian Klasifikasi Citra Berbasis Objek UP Kertajaya
Gambar 8. Diagram Producer Accuracy Object Based - Pixel Based UP Kertajaya
Tabel 7. Ketelitian Klasifikasi Citra Berbasis Piksel UP Kertajaya
· Perbandingan Akurasi Object Based-Pixel Based UP Dharmahusada Klasifikasi berbasis objek pada UP Dharmahusada menghasilkan hasil klasifikasi yang lebih akurat dibanding klasifikasi berbasis piksel yaitu rata-rata mapping accuracy sebesar 89,07%, user accuracy 93,52%, producer accuracy 95,56% dan koefisien kappa (kappa coefficient) sebesar 0,95. Rata-rata kesalahan yang dihasilkan klasifikasi berbasis objek yaitu mapping error sebesar 10,93%, commision error 6,48% dan ommision error sebesar 4,44%. Tabel 8. Ketelitian Klasifikasi Citra Berbasis Objek UP Dharmahusada
JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print)
5
Tabel 9. Ketelitian Klasifikasi Citra Berbasis Piksel UP Dharmahusada
Gambar 12. Grafik Perbandingan Jumlah Piksel Hasil Klasifikasi Object Based - Pixel Based UP Kertajaya
Untuk memperjelas perbandingan tingkat akurasi, dapat dilihat melalui diagram dibawah ini:
Gambar 13. Grafik Perbandingan Jumlah Piksel Hasil Klasifikasi Object Based - Pixel Based UP Dharmahusada
Gambar 9.Diagram Mapping Accuracy Object Based - Pixel Based UP Dharmahusada
Gambar 10. Diagram User Accuracy Object Based - Pixel Based UP Dharmahusada
Pada hasil klasifikasi UP Kertajaya, beberapa kelas pada klasifikasi berbasis objek menghasilkan jumlah piksel lebih banyak daripada klasifikasi berbasis piksel yaitu kelas area terbangun, jalur hijau dan sempadan, tambak/rawa dan lahan kosong, sementara pada kelas lain piksel hasil klasifikasi berbasis objek lebih sedikit dibanding hasil klasifikasi berbasis piksel. Untuk UP Dharmahusada, kelas hasil klasifikasi berbasis objek yang meghasilkan piksel lebih banyak daripada klasifikasi berbasis piksel adalah area terbangun, jalur hijau dan sempadan, serta lahan kosong. Hal ini menunjukkan bahwa pada klasifikasi berbasis objek untuk kelas dengan luasan yang besar, objek yang tersegmentasi akan semakin banyak karena lebih mudah untuk mengenali piksel tetangganya (nearest neighbor). B. Penggunaan Lahan Berupa RTH pada tiap Unit Pengembangan Luas penggunan lahan untuk RTH dijabarkan melalui tabel :
Gambar 11. Diagram Producer Accuracy Object Based - Pixel Based UP Dharmahusada
B. Perbandingan Jumlah Piksel Object Based-Pixel Based Hasil perbandingan jumlah piksel pada klasifikasi berbasis objek dan berbasis piksel pada UP Kertajaya dan Dharmahusada dapat dilihat melalui grafik :
Tabel 10. Luasan dan Persentase Tutupan Lahan berupa RTH di UP Kertajaya Nama Kelas Luas (Ha) Persentase dari luas total (%) Jalur Hijau dan Sempadan 568,27 12,25 Lahan Kosong 808,81 17,44 Mangrove 111,48 2,40 Taman 2,20 0,04 Makam 8,38 0,18 Lapangan 4,58 0,09 Total 1503,75 32,00 Tabel 11. Luasan dan Persentase Tutupan Lahan berupa RTH di UP Dharmahusada Nama Kelas Luas (Ha) Persentase dari luas total (%) Jalur Hijau dan Sempadan 147,03 8,47 Taman 4,98 0,28 Lahan Kosong 149,63 8,62 Makam 10,85 0,62 Lapangan 7,20 0,41 Total 319,71 18,00
JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print) Luas kawasan RTH pada UP Kertajaya lebih sedikit dari pada non RTH yaitu sebesar 1503,75 Ha (32%) dari luas wilayah sedangkan wilayah UP Dharmahusada, proporsi kawasan RTH lebih sedikit daripada kawasan non RTH yaitu 319,71 Ha (18%) dari luas wilayah.
·
6
Peta Ruang Terbuka Hijau UP Dharmahusada tahun 2012
V. KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan, maka didapatkan beberapa kesimpulan akhir yaitu: a. Klasifikasi berbasis objek pada UP Kertajaya menghasilkan hasil klasifikasi yang lebih akurat dibanding klasifikasi berbasis piksel yaitu rata-rata mapping accuracy sebesar 88,59%, user accuracy 92,95%, producer accuracy 95,22% dan koefisien kappa (kappa coefficient) sebesar 0,92. b. Klasifikasi berbasis objek pada UP Dharmahusada menghasilkan hasil klasifikasi yang lebih akurat dibanding klasifikasi berbasis piksel yaitu rata-rata mapping accuracy sebesar 89,07%, user accuracy 93,52%, producer accuracy 95,56% dan koefisien kappa (kappa coefficient) sebesar 0,947. c. Dari hasil klasifikasi berbasis objek diketahui bahwa tutupan lahan di UP Kertajaya yaitu area terbangun (1181,78 Ha), jalur hijau dan sempadan (568,27 Ha), lahan kosong (808,81 Ha), mangrove (111,48 Ha), taman (2,20 Ha), makam (8,38 Ha), lapangan (4,58 Ha), tambak/rawa (1592,91 Ha), sungai (5,17 Ha), jalan dan tempat parkir (354,66 Ha). Sedangkan di UP Dharmahusada area terbangun (1209,27 Ha), jalur hijau dan sempadan (147,03 Ha), lahan kosong (149,63 Ha), bozem (1,46 Ha), taman (4,98 Ha), makam (10,85 Ha), lapangan (7,20 Ha), sungai (5,61 Ha), jalan dan tempat parkir (196,10 Ha). d. Luasan RTH pada UP Kertajaya lebih sedikit dari pada non RTH yaitu sebesar 1503,75 Ha (32%) dari luas wilayah. Pada wilayah UP Dharmahusada, proporsi kawasan RTH lebih sedikit daripada kawasan non RTH yaitu 319,71 Ha (18%) dari luas wilayah. LAMPIRAN
UCAPAN TERIMA KASIH Penulis R.R. mengucapkan terima kasih kepada seluruh pihak yang telah membantu penulis baik dalam penyediaan data maupun pemberian bimbingan dan motivasi sehingga penulis mampu menyelesaikan penelitiannya dengan baik.
DAFTAR PUSTAKA [1]
· Peta Ruang Terbuka Hijau UP Kertajaya tahun 2012 [2] [3]
[4]
[5]
[6]
BAPPEKO Surabaya. 2008. Penyusunan Rencana Detail Tata Ruang Kota (RDTRK) Unit Pengembangan Kertajaya : Laporan Pendataan dan Identifikasi. Surabaya : Pemerintah Kota Surabaya. Avery, T.E. , Berlin, G.L. 1992. Fundamentals of Remote Sensing and Airphoto Interpretation : 5th Edition.New Jersey : Prentice Hall. Lucieer, Arko. 2004. Uncertainties in Segmentation and Their Visualisation. Amsterdam : The Netherlands International Institute for Geo-Information Science and Earth Observation. Zhou, X., Jancso, T., Chen, C., Verone, M. W. 2012. Urban Land Cover Mapping Based on Object Oriented Classification Using Worldview 2 Satellite Remote Sensing Images. Sopron, Hungaria: International Scientific Conference on Sustainable Development & Ecological Footprint, Sopron, Hungaria 26-27 Maret 2012. Sandric,I.,Mihai,B.,Chitu,Z.,Gutu,A.,Savulescu,I. 2010. ObjectOriented Methods For Landslides Detection Using High Resolution Imagery, Morphometric Properties And Meteorological Data. Bucharest :University of Bucharest. Rhinane,H., Hilali,A.,Berrada,A., Hakdaoui,M. 2011. Detecting Slums from SPOT Data in Casablanca Morocco Using an Object Based Approach. Maroko : Journal of Geographic Information System, 2011, 3, 217-224