2
1988, bahwa rata-rata klasifikasi statistik atau clustering input data space dinyatakan kedalam class region.
Metode ANN-BP dengan training multilayer perceptron MLP dapat digunakan untuk klasifikasi citra satelit Richards dan Jia 2006, Schowengerdt
1997; 2007. Penelitian menggunakan ANN ini mampu mengklasifikasi vegetasi dengan teknik adaptive resonante theoryART Carpenter et al. 1997. Hasil yang
diperoleh Muchoney dan Williamson 2001 dari teknik ART memberikan klasifikasi yang sangat baik pada vegetasi maupun penutupan lahan lainnya.
Menurut Lin et al. 2005, citra satelit juga dapat diklasifikasi dengan desain arsitektur cascade neuro-fuzzy mapping CNFM algoritma BP dan fungsi
keanggotaan Gauss. Pendekatan menarik lainnya adalah single layer neuron lapisan dua layer
dalam sistem ANN-BP dapat dioptimalkan dengan algoritma ANN Adaptive Boosting disingkat ANN-AdaBoost menggunakan kalman filtering Freund dan
Shapire 1996. Kenyataan ini menjadi penting artinya bahwa perlunya suatu percobaan dan pengembangan metode klasifikasi citra satelit untuk meningkatkan
accuracy assessment penelitian habitat perairan dangkal di Indonesia.
1.2 Perumusan dan Pendekatan Masalah
Kajian pemetaan habitat perairan dangkal menekankan pentingnya data berupa hasil survei lapang, sumberdata satelit, peta referensi yang dipakai, dan
tingkat akurasi selama pemrosesan data berlangsung. Perumusan masalah pokok dalam penelitian ini adalah: “Bagaimana pengembangan metode ANN
untuk klasifikasi habitat perairan dangkal dari citra satelit Quickbird dengan tingkat akurasi yang lebih baik?”
Pendekatan untuk memecahkan permasalahan tersebut didasari atas analisis klasifikasi habitat perairan dangkal gabungan aspek geomorfologi dan ekologi
Mumby dan Harborne 1999. Klasifikasi berorientasi objek object oriented dan contextual editing ternyata lebih baik dari Maximum Likelihood Andrefouet et al.
2003. Berkembangnya metode kecerdasan buatan Artificial Intelligence sangat memungkinkan
untuk dicobakan
sebagai tiruan
manipulasi secara
komputasional, salah satunya melalui pengembangan metode ANN untuk memecahkan komputasi yang tidak dapat diselesaikan secara konvensional
Kuswadi 2006 dan Pandjaitan 2007.
3
Penerapan metode ANN unsupervised SOM Self Organizing Map disingkat ANN-SOM belum diterapkan seluas ANN supervised multilayer
perceptron MLP, ANN-SOM dapat digunakan untuk klasifikasi unsupervised dan supervised, dan memiliki karakteristik untuk kuantifikasi dan proyeksi vektor
Pal et al. 2005. Kemampuan
kuantifikasi algoritma
ANN-SOM dan
ANN-MLP menggunakan citra resolusi sedang seperti ASTER dapat digunakan untuk
klasifikasi penutupan lahan pada level per pixel Hu dan Weng 2009. Algoritma ANN dapat dikembangkan untuk mengklasifikasi substrat pasir
perairan dangkal tanpa bantuan ground truth data, spectral library atau citra hypermultispektral Conger et al. 2005, sebagaimana analisis citra teresterial
sukses dieksekusi oleh program klasifikasi ANN pada lingkungan yang bervariasi Peterson et al. 2002.
Algoritma ANN-AdaBoost diterapkan pada urutan tiga lapis umpan-maju back-forward jaringan ANN dalam rangka mengatasi kelemahan utama dari
lama waktu pelatihan untuk klasifikasi data satelit multispektral tutupan lahan Freund dan Shapire 1996. Algoritma ini menjadi algoritma efisien, pertama kali
oleh Shah dan Palmieri 1990 berdasarkan pelatihan Kalman filter. Algoritma ini melatih setiap neuron dalam jaringan lokal, membuat eksplisit penggunaan
matriks kesalahan bobot sinaptik neuron. Berdasarkan uraian permasalahan dan pendekatan, maka penerapan
metode ANN-SOM, ANN-BP dan ANN-AdaBoost sangat memungkinkan dicobakan dan penting untuk menemukenali susunan skema klasifikasi habitat
perairan dangkal dari citra satelit Quickbird dengan tingkat akurasi yang lebih baik.
1.3 Tujuan Penelitian