COMPARISON OF METHODS SUPERVISED AND UNSUPERVISED THROUGH GOOGLE SATELLITE IMAGE ANALYSIS PROCEDURE FOR LAND USE
Erristhya Darmawan .A(10108716) Information System Major, Faculty of Computer and Technology Information Science, University of Gunadarma Email :
[email protected]
Abstract Remote sensing is a science or technology to obtain information or a natural phenomenon through an analysis of data obtained from the recording object, area or phenomenon being observed. Digital image result of the remote sensing imagery such as Google Satelite, Quickbird, IKONOS, Landsat TM, SPOT, NOAA and others. Google satellite imagery is an excellent resource to meet the needs analysis in the field of land use change, agriculture, forestry, mining and others. Digital image classification aim to produce thematic maps. Digital image classification consists of two methods that is Supervised classification and Unsupervised classification. The resulting thematic maps using Supervised and Unsupervised methods can be used in the utilization of land use, urban spatial planning and land cover. Based on research results using Supervised and Unsupervised methods can be concluded that the Supervised classification method has higher accuracy than Unsupervised methods. The highest accuracy in Supervised method that is the area Surabaya 1 with the value 93.33% and the accuracy of the lowest in the area Meulaboh with the value 73.33%. Whereas the highest accuracy in Unsupervised method that is the area Surabaya 2 with the value 80.00% and the accuracy of the lowest in the Meulaboh area with the value of 66.67%. Abstraksi Penginderaan jauh merupakan suatu ilmu atau teknologi untuk memperoleh informasi atau fenomena alam melalui analisis suatu data yang diperoleh dari hasil rekaman obyek, daerah atau fenomena yang dikaji. Citra digital hasil penginderaan jauh antara lain citra Google Satelite, Quickbird, IKONOS, Landsat TM, SPOT, NOAA dan lain-lain. Citra satelit Google Satelite merupakan sumber daya yang sangat baik untuk memenuhi kebutuhan-kebutuhan dibidang analisis perubahan lahan, pertanian, kehutanan,
pertambangan dan lain-lain, pengguna juga mudah untuk dapat melihat citra satelite secara free dan cepat. Klasifikasi citra digital bertujuan untuk menghasilkan peta tematik. Klasifikasi citra digital terdiri dari dua metode yaitu klasifikasi Supervised dan klasifikasi Unsupervised. Peta tematik yang dihasilkan menggunakan metode Supervised dan Unsupervised dapat digunakan dalam pemanfaatan tata guna lahan, perencanaan tata ruang kota dan penutupan lahan. Berdasarkan hasil penelitian menggunakan metode Supervised dan Unsupervised dapat disimpulkan bahwa klasifikasi menggunakan metode Supervised memiliki keakuratan yang lebih tinggi dibandingkan dengan metode Unsupervised. Keakuratan tertinggi pada metode Supervised yaitu pada daerah Surabaya 1 dengan nilai 93.33% dan keakuratan terendah pada daerah Meulaboh dengan nilai 73.33%. Sedangkan Keakuratan tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 2 dengan nilai 80.00% dan keakuratan terendah pada daerah Meulaboh dengan nilai 66.67%. Kata kunci : Citra Google Satelite, Klasifikasi Supervised, Klasifikasi Unsupervised, Erdas Imagine.
Teknologi
Penginderaan
Jauh
1.
Pendahuluan
1.1
Latar Belakang
roman muka bumi dalam kurun waktu
Penginderaan jauh merupakan suatu
tertentu dan dapat digunakan sebagai alat
teknik pengukuran atau perolehan informasi
monitoring kondisi lingkungan wilayah
dari beberapa sifat objek atau fenomena
pertambangan. Tujuan dari kegiatan ini
dengan menggunakan alat perekam yang
adalah mencari model pengolahan data citra
secara fisik tidak terjadi kontak langsung
agar mudah dalam pemantauan lingkungan
atau bersinggungan dengan objek atau
pertambangan, melokalisir daerah rusak dan
fenomena yang dikaji.
perencanaan
memiliki kemampuan untuk mengetahui
penanggulangannya.
Metodologi penelitian secara garis besar Pengindraan jarak jauh yaitu Besaran – besaran akuisisi dari Suatu obyek atau fenomena dengan menggunakan salah satu alat atau rekaman real – time dari perangkat
meliputi pengumpulan data; data raster, vektor, textual; pemrosesan awal; survey lapangan; dan analisis citra(Supriyantono, et all, 2003).
sensing, tanpa ada kontak fisik dengan objek, seperti pesawat terbang angkasa,
Tata guna lahan(land use) adalah
satelite , pelampung cuaca, ataupun kapal
sebuah pemanfaatan lahan dan penataan
(Lillesand dan Keifer, 1994).
lahan yang dilakukan sesuai dengan kodisi eksisting alam. Tata guna lahan berupa:
Kawasan
permukiman,
Kawasan
perumahan, Kawasan perkebunan, Kawasan
2.
Landasan Teori
pertanian, Kawasan ruang terbuka hijau,
2.1
Penginderaan
Kawasan
perdagangan,
Kawasan
Jauh
(Remote
jauh
adalah
Sensing)
industry(Suhadi Purwantoro, 2010). Penginderaan
Pengumpulan dan pencatatan informasi 1.2
tanpa
Batasan Masalah
kontak
langsung
Batasan masalah pada penelitian tugas akhir
elektromagnetik
ini adalah sebagai berikut :
inframerah
1.
Penggunaan
metode
klasifikasi
Supervised dan Unsupervised
dalam
Penelitian 2.
Pemakaian Citra Google Satelite dalam
penelitian 3.
pada
julat
ultraviolet,
tampak
mikro
dengan
dan
mempergunakan peralatan seperti scanner dan kamera yang ditempatkan pada wahana bergerak
seperti
pesawat
angkasa
pesawat dan
udara
atau
menganalisis
informasi yang diterima dengan teknik interpretasi foto, citra dan pengolahan citra
Penelitian yang difokuskan pada tata
(Fussel, et all, 1986).
guna lahan berupa :
Dalam penggunaan modern, istilah
Pohon dan Rumput; Pemukiman, Bangunan
penginderaan
Dan Tanah; Aspal Dan Jalan Raya; Asbes
kepada
Dan Beton.
Sensor,
jauh
penggunaan namun
umumnya
merujuk
teknologi
imaging
tidak
terbatas
pada
penggunaan instrumen aboard pesawat terbang dan angkasa, serta berbeda dari 1.3
Tujuan Penelitian
gambar lainnya yang berhubungan dengan
Tujuan penelitian tugas akhir ini adalah untuk Menghasilkan peta tematik yang dapat digunakan untuk pemanfaatan tata guna lahan (land use) dari sebuah citra Google
Satelite
menggunakan
metode
klasifikasi Supervised Dan Unsupervised, serta metode
membandingkan klasifikasi
unsupervised.
keakuratan supervised
dari dan
bidang seperti medis imaging (Fussel, et all, 1986).
Gambar 2.1 Skema Umum Penginderaan
Earth
memolehkan
Jauh
alamat
(untuk
Data memiliki
spasial
adalah
referensi
data
ruang
yang
kebumian
pengguna beberapa
mencari negara),
memasukkan koordinat, atau menggunakan mouse untuk mencari lokasi.
(georeference) dimana berbagai data atribut terletak
dalam
berbagai
unit
Google Earth juga memiliki data
spasial
(Wikipedia.org). Data spasial yang pada
model
umumnya diwujudkan baik sebagai peta
dikumpulkan oleh Misi Topografi Radar
analog (dicetak di atas media kertas)
Ulang Alik NASA. Ini bermaksud agar kita
maupun digital merupakan salah satu
dapat melihat Grand Canyon atau Gunung
sumber daya yang termasuk langka dan
Everest dalam tiga dimensi, daripada 2D di
mahal pada saat ini. Karena peta analog
situs/program
atau peta digital merupakan gambaran atau
November 2006, pemandangan 3D pada
potret
sangat
pegunungan, termasuk Gunung Everest,
komprehensif, jujur, dan yang terdekat
telah digunakan dengan penggunaan data
dengan realitas (Prahasta, 2008).
DEM untuk memenuhi gerbang di cakupan
bentang
alam
yang
elevasi
digital
peta
(DEM)
lainnya.
yang
Sejak
Citra digital hasil penginderaan jauh
SRTM. Banyak orang yang menggunakan
antara lain citra Quickbird, IKONOS,
aplikasi ini menambah datanya sendiri dan
Landsat TM, SPOT, NOAA dan lain-lain.
menjadikan mereka tersedia melalui sumber yang berbeda, seperti BBS atau blog.
2.2
Google Earth mampu menunjukkan semua
Google Earth Google
Earth
merupakan
sebuah
gambar
permukaan
Bumi.
dan
juga
program globe virtual yang sebenarnya
merupakan sebuah klien Web Map Service.
disebut Earth Viewer dan dibuat oleh
Google Earth mendukung pengelolaan data
Keyhole, Inc
Geospasial tiga dimensi melalui Keyhole
Globa virtual ini memperlihatkan rumah, warna mobil, dan bahkan bayangan orang dan rambu jalan. Resolusi yang tersedia tergantung pada tempat yang dituju, tetapi kebanyakan daerah (kecuali beberapa pulau) dicakup dalam resolusi 15 meter. Las Vegas, Nevada dan Cambridge, Massachusetts memiliki resolusi tertinggi, pada ketinggian 15 cm (6 inci). Google
Markup Language (KML). Google Earth memiliki kemampuan untuk memperlihatkan bangunan dan struktur (seperti jembatan) 3D, yang meliputi buatan pengguna yang menggunakan SketchUp, sebuah program pemodelan 3D. Google Earth versi lama (sebelum Versi 4), bangunan 3d terbatas pada beberapa kota,
dan memiliki pemunculan yang buruk tanpa
sampel pixel – pixel dalam suatu citra yang
tekstur apapun. Banyak bangunan dan
merepresentasikan kelas-kelas khusus dan
struktur di seluruh dunia memiliki detil 3D-
kemudian mengarahkan perangkat lunak
nya; termasuk (tetapi tidak terbatas kepada)
pengolahan
di negara Amerika Serikat, Britania Raya,
software) untuk menggunakan pilihan-
Irlandia, India, Jepang, Jerman, Kanada,
pilihan tersebut sebagai dasar referensi
Pakistan
dan
untuk pengelompokkan pixel-pixel lainnya
Alexandria. Bulan Agustus 2007, Hamburg
dalam citra tersebut. Wilayah pelatihan (
menjadi kota pertama yang seluruhnya
training area) dipilih berdasarkan pada
ditampilkan dalam bentuk 3D, termasuk
pengetahuan dari pengguna ( the knowledge
tekstur seperti facade. Pemunculan tiga
of the user). Pengguna dapat menentukan
dimensi
batas untuk menyatakan seberapa dekat
dan
itu
kota
Amsterdam
tersedia
untuk
beberapa
citra
yang
(image
ingin
processing
bangunan dan struktur di seluruh dunia
hasil
dicapai.
Batas
ini
melalui Gudang 3D Google dan situs web
seringkali ditentukan berdasarkan pada
lainnya.
karakteristik spektral dari wilayah pelatihan yang ada. Pengguna juga dapat merancang hasil keluarannya (output). Sebagai contoh
2.3
Klasifikasi Citra Digital
seberapa banyak kelas-kelas akhir yang
Tujuan dari proses klasifikasi citra adalah untuk mendapatkan gambar atau
diperlukan dalam pengklasifikasian citra yang dipunyai.
peta tematik. Gambar tematik adalah suatu gambar yang terdiri dari bagian-bagian yang menyatakan suatu objek atau tema
2.3.2 Klasifikasi Citra Tak Terawasi (Unsupervised)
tertentu. Klasifikasi
Proses klasifikasi citra ada dua jenis, yaitu
Supervised
(Klasifikasi
Citra
Terawasi) dan Unsupervised (Klasifikasi Citra Tak Terawasi).
Citra
Terawasi
(Supervised)
terawasi
(unsupervised classifications) merupakan pengklasifikasian
hasil
(pengelompkkan
pixel-pixel
karakteristik 2.3.1 Klasifikasi
tak
umum)
akhirnya
didasarkan
dengan pada
analisis perangkat lunak (software anaysis) suatu citra tanpa pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu.
Klasifikasi terawasi didasarkan pada ide bahwa pengguna (user) dapat memilih
Komputer
menggunakan
teknik-teknik
tertentu untuk menentukan pixel mana yang
mempunyai
kemiripan
dan
bergabung
-
dalam satu kelas tertentu secara bersamaan. Pengguna
dapat
menentukan
Melakukan
klasifikasi
menggunakan metode Supervised.
seberapa
-
Melakukan
klasifikasi
banyak data yang dapat dianalisis dan dapat
menggunakan
menginginkan seberapa banyak jumlah
Unsupervised.
kelas-kelas yang dihasilkan, tetapi di lain
-
Menguji
ketepatan/kebenaran
(Accuracy
Assessment)
proses pengklasifikasian. Meskipun begitu,
klasifikasi
citra
pengguna harus mempunyai pengetahuan
metode
Supervised
tentang wilayah yang akan diklasifikasikan
Unsupervised.
pada saat mengelompokkan pixel-pixel
-
klasifikasi
oleh komputer harus direlasikan dengan
Unsupervised.
Contoh
pada
tanah
hasil
menggunakan
Membandingkan
dengan karakteristik umum yang dihasilkan
aslinya.
citra metode
sisi pengguna tidak dapat mempengaruhi
fitur
citra
dan
keakuratan
Supervised
dan
(
mempunyai kesamaan fitur asli : tanah basah, pembangunan suatu wilayah, hutan
3.1
Diagram Alir Klasifikasi Citra
pinus, dsb).
3.
Metode Penelitian Dalam penulisan tugas akhir ini
penulis menggunakan metode studi pustaka dan uji coba. Studi pustaka dilakukan dengan
cara
mempelajari
buku-buku,
laporan penelitian yang pernah dilakukan, dan browsing internet, yang berkaitan dengan topik tugas akhir ini. Penelitian
dilakukan
dengan
langkah-
langkah sebagai berikut : -
Membuat algoritma klasifikasi citra.
-
Melakukan perbaikan kualitas citra .
Gambar 3.1 Diagram Alir Klasifikasi Citra
4.
Hasil Penelitian Pada
penelitian
tugas
akhir
ini
digunakan 3 (tiga) citra Google Satelite
yaitu dua daerah Surabaya dan satu daerah Meulaboh.
Hasil metode
klasifikasi
Supervised
dan
menggunakan Unsupervised
adalah sebagai berikut : (a) Citra Daerah Surabaya 1
(a) Citra Awal Daerah Surabaya 1
(b) Citra Daerah Surabaya 2
(b) Citra Metode Supervised (c) Citra Daerah Meulaboh
Gambar 4.1 Citra Quickbird yang digunakan dalam penelitian
4.1
Hasil Penelitian Daerah Surabaya 1 (c) Citra Metode Unsupervised
Tabel 4.1 Deskripsi Pengklasifikasian Kelas Gambar 4.2 Citra Hasil Pengklasifikasian
Daerah Surabaya 1 No. 1. 2. 3. 4.
Deskripsi Kelas Pohon, Rumput Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
Warna
Daerah Bogor
4.1.1 Uji Ketelitian Metode Supervised dan Unsupervised Pada Daerah Surabaya 1 Pengujian ketelitian/kebenaran hasil klasifikasi
menggunakan
metode
Supervised dan Unsupervised dilakukan
Kelas Vegetasi Hijau (VH) Urban (U)
dengan cara random sampling (acak).
Aspal (A) Asbes, Beton (AsB)
Tabel 4.2 Deskripsi Kelas Hasil Klasifikasi
Deskripsi Pohon, Rumput Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
Pada Daerah Surabaya 1
Tabel 4.3 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Bogor
Classified Data
Reference Data VH1
VH2
U
A1
A2
AsB
Total
Users Accuracy
VH1
1
0
0
0
0
0
1
100.00%
VH2
0
1
0
0
0
0
1
100.00%
U
0
1
5
0
0
0
6
83.33%
A1
0
0
0
2
0
0
2
100.00%
A2
0
0
0
0
2
0
2
100.00%
AsB
0
0
0
0
0
3
3
100.00%
Total
15
Overall Accuracy={(1+1+5+2+2+3)/15} x 100 = 93.33 %
Tabel 4.4 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Bogor
Reference Data V V V U U A U A A U A U A A U A U U A A A U U U A To
User
H H H 1 2 1 3 2 3 4 4 5 5 6 6 7 7 8 8 9 s 9 1 1 s tal
Accuracy
Classified Data
1 2 3
B
0 1 B
VH1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
VH2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
VH3
0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2
50.00%
U1
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
U2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A1
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
U3
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
-
A2
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
A3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A5
0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0
2
50.00%
A6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
AsB
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
1
100.00%
U9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0
2
100.00%
U10
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U11
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0
2
100.00%
AsB
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
2
50.00%
Total
15
Overall Accuracy={(1+1+1+1+1+1+2+2+1)/15} x 100 = 73.33 %
4.3
Hasil Penelitian Daerah Surabaya 2 Pada penelitian ketiga yaitu daerah
Jakarta dibagi menjadi 4 (empat) kelas.
Tabel 4.5 Deskripsi Pengklasifikasian Kelas Daerah Surabaya 2 No.
Deskripsi Kelas
1.
Pohon, Rumput, Lahan Terbuka Aspal, Jalan Raya Pemukiman, Tanah Asbes, Bangunan
2. 3. 4.
Warna
(b) Citra Metode Supervised
(c) Citra MetodeUnsupervised
(a) Citra Awal Daerah Surabaya 2
Gambar 4.3 Citra Hasil Pengklasifikasian Daerah Surabaya 2
4.3.1 Uji Ketelitian Metode Supervised Dan Unsupervised Pada Daerah Surabaya2
Tabel 4.6 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Surabaya 2 Kelas Vegetasi Hijau (VH)
Deskripsi Pohon, Rumput, Lahan Terbuka Pemukiman, Tanah Aspal, Jalan Raya Asbes, Bangunan
Urban (U) Aspal (A) Asbes, Bangunan (AsB)
Tabel 4.7 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Surabaya 2
Classified Data
Reference Data VH1
VH2
U
A1
A2
AsB
VH1
1
0
0
0
0
0
1
100.00%
VH2
0
2
0
0
0
0
2
100.00%
U
0
2
5
0
0
0
7
71.43%
A1
0
0
0
2
0
0
2
100.00%
A2
0
0
0
0
2
0
2
100.00%
AsB
0
0
0
0
0
1
1
100.00%
Total
Total
Users Accuracy
15
Overall Accuracy={(1+2+5+2+2+1)/15} x 100 = 86.67 %
Tabel 4.8 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Jakarta
Classified Data
Reference Data V V V V V V V A U V A A A U A U U A U U A U A U A To
User
H H H H H H H 1 1 H 2 3 4 2 5 3 4 6 5 6 8 7 9 8 s tal
Accuracy
1 2 3 4 5 6 7
8
B
VH1
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
VH2
0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3
100.00%
VH3
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
-
VH4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
VH5
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
VH6
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
-
VH7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A1
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
U1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
VH8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0
2
100.00%
U4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
1
100.00%
U5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0
2
50.00%
U6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
1
100.00%
A8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
1
100.00%
U7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
AsB
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
Total
15
Overall Accuracy={(1+3+1+1+2+1+1+1+1)/15} x 100 = 80.00 %
4.4
Hasil
Hasil Penelitian Daerah Surabaya 1 metode
Tabel 4.9 Deskripsi Pengklasifikasian Kelas
klasifikasi
Supervised
dan
menggunakan Unsupervised
adalah sebagai berikut :
Daerah Meulaboh No. 1. 2. 3. 4.
Deskripsi Kelas Pohon, Rumput Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
Warna
(a) Citra Awal Daerah Meulaboh
Gambar 4.4 Citra Hasil Pengklasifikasian Daerah Bogor
4.4.1 Uji Ketelitian Metode Supervised dan Unsupervised Pada Daerah Surabaya 1 Pengujian ketelitian/kebenaran hasil klasifikasi
(b) Citra Metode Supervised
menggunakan
metode
Supervised dan Unsupervised dilakukan dengan cara random sampling (acak). Tabel 4.10 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Meulaboh Kelas Vegetasi Hijau (VH) Urban (U) (c) Citra Metode Unsupervised
Aspal (A) Asbes, Beton (AsB)
Deskripsi Pohon, Rumput Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
Tabel 4.11 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Meulaboh
Reference Data
Classified Data
VH1
VH2
U
A1
A2
AsB
Total
Users Accuracy
VH1
2
0
0
0
0
0
2
100.00%
VH2
0
1
0
0
0
0
1
100.00%
U
0
1
4
0
0
0
5
80.00%
A1
0
0
1
2
0
0
3
66.67%
A2
0
0
0
0
0
0
0
-
AsB
0
0
0
0
2
2
4
50.00%
Total
Overall Accuracy={(2+1+4+2+2)/15} x 100 = 73.33 %
15
Tabel 4.12 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Meulaboh
Reference Data V V V V V V V V U A U U U A A U A A A A U A A A A To
User
H H H H H H H H 1 1 2 3 4 2 3 5 4 5 6 7 6 s 8 s s tal
Accuracy
Classified Data
1 2 3 4 5 6 7 8
B
B B
VH1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
VH2
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
VH3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
VH4
0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3
100.00%
VH5
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
VH6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
VH7
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
-
VH8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A1
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1
100.00%
U2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U4
0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1
-
A2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A3
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
1
100.00%
A4
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1
100.00%
A5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
1
100.00%
A6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A7
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
U6
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
1
-
AsB
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
A8
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
-
AsB
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
2
50.00%
AsB
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
1
-
Total
Overall Accuracy={(1+3+1+1+1+1+1+1+1+1)/15} x 100 = 66.67 %
15
4.5
Perbandingan Metode Supervised dan Meulaboh(Aceh)
Unsupervise Tabel 4.13 Tabel Perbandingan Klasifikasi
didapatkan
kesimpulan
bahwa:
Supervised dan Unsupervised
-
Nilai akurasi yang dihasilkan lebih
Penelitian
Supervised
Unsupervised
Daerah Surabaya1
93.33 %
73.33 %
Dengan
Daerah Surabaya2
86.67 %
80.00 %
daerah training (training area) peta tematik
Daerah Meulaboh
73.33 %
66.67 %
tinggi yaitu dengan klasifikasi supervised. pengklasifikasian
mengunakan
yang dihasilkan akan lebih akurat. -
-
Penelitian ini menghasilkan sebuah
peta tematik yang dapat berguna dalam Berdasarkan menggunakan
metode
hasil
penelitian
Supervised
dan
Unsupervised dapat disimpulkan bahwa klasifikasi menggunakan metode Supervised memiliki keakuratan yang lebih tinggi
perencanaan tata ruang kota, pemanfaatan tata guna lahan, serta dapat juga berguna untuk
Supervised yaitu pada daerah Surabaya 1 dengan
nilai
99.33%
dan
keakuratan
terendah pada daerah Meulaboh dengan nilai
73.33%.
Sedangkan
Keakuratan
tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 2 dengan nilai 80.00% dan keakuratan terendah pada daerah Meulaboh dengan nilai 66.67%.
seberapa
banyak
ruang
terbuka hijau di suatu daerah. 5.2
dibandingkan dengan metode Unsupervised. Keakuratan tertinggi pada metode
melihat
Saran Saran untuk perbaikan penelitian ini
adalah dengan menggunakan ruang lingkup penelitian yang lebih luas, misalnya satu wilayah kabupaten. Pada penelitian ini hanya mampu mengklasifikasikan suatu kelas berdasarkan warna atau kedekatan piksel-pikselnya, dapat
untuk
dilakukan
pengembangan pengklasifikasian
berdasarkan warna, tinggi rendahnya wilaya dan bentuk sehingga dapat mengenali objek suatu kelas secara lebih rinci.
5.
Penutup
5.1
Kesimpulan
6.
Daftar Pustaka
Berdasarkan penelitian yang telah dilakukan, hasil dari klasifikasi supervised
[1]
Al-Tamini, Salam dan Al-Bakri, J. T.
dan unsupervised yang dilakukan terhadap
2005. Comparison Between Supervised
citra Google Satelite yang terekam pada
and Unsupervised Classifications for
tahun 2012, yaitu dua buah citra untuk daerah Surabaya dan satu buah citra daereah
Mapping Land Use/Cover in Ajloun
[2]
[3]
[4]
Area. Jourdan Journal of Agricultural
Keperluan Bisnis Teori & Aplikasi,
Sciences, Volume , No 1, 2005.
Yogyakarta : Penerbit Graha Ilmu.
Campbell, James, 2001. Digital Image
[11]
Sugiharto, Aris, 2006. Pemrograman
Classification Geography 4354- Remote
GUI
Sensing.
Penerbit Andi.
dengan
Matlab,
Yogyakarta:
Danoedoro, Projo, 2012. Pengantar
[12]
Penginderaan Jauh Digital, ANDI.,
http://gd.itenas.ac.id/apa%20itu%20geodesi/rua
Yogyakarta
ng%20lingkup/pj.html
DigitalGlobe. 2010. Quickbird Imagery
[13]
Products
lahan.html
(Product
Guide).
http://kwalabekala.usu.ac.id/tata-guna-
DigitalGlobe, Inc., Longmont. [14] [5]
Lillesand, Kiefer, 1998. Penginderaan Jauh dan Interpretasi Citra, Gajah
http://nationalinks.blogspot.com/2009/0 3/definisi-peta.html
Mada University Press. [6]
Wiley & Sons, Inc., New York. Lindgren,
D.T,
1985.
Land
Planning
and
Remote
Munir,
Rinaldi,
Algoritmik,
Sensing,
2004.
Pengolahan
Bandung:
Penerbit
Prahasta,
Eddy,
2008.
REMOTE
SENSING Praktis Penginderaan Jauh & Pengolahan Citra Digital dengan Perangkat Lunak ER Mapper, Bandung: Penerbit INFORMATIKA. Santosa, Budi, 2007. Data Mining Teknik
http://www.satimagingcorp.com/satellit e-sensors/worldview-2.html [18] http://news.softpedia.com/news/ WorldView-2-Satellite-to-ProvideGoogle-Earth-with-High-ResolutionImages-124112.shtml
INFORMATIKA.
[10]
http://www.remotesensing.org/
use
CITRA DIGITAL dengan Pendekatan
[9]
[16] [17]
Doldrecht: Martinus Nijhoff Publisher. [8]
http://www.erdas.com/
Lillesand, Kiefer, 2004. Remote Sensing and Interpretation (Fifth Edition). John
[7]
[15]
Pemanfaatan
Data
untuk
