Analisis separabilitas dalam penelitian ini dilakukan dengan metode Transformed Divergence TD. Metode ini digunakan untuk mengukur tingkat
keterpisahan antar kelas. Nilai TD antara kelas i dan j dapat diketahui dengan rumus dibawah ini :
� = 2000
�1 − exp
−D g
� Nilai divergensi dihitung dengan :
= 0.5 ���� − ��
−1
−
−1
�� + 0.5����
−1
+
−1
��µ − µ ��µ − µ
�
�� dimana D adalah divergence, tr adalah teras matriks, C adalah matriks ragam
peragam, µ adalah vektor rata-rata dan T adalah transposisi dari matriks. Nilai TD berkisar antara 0 sampai 2000 Jaya 1997.
Adapun kriteria yang digunakan dalam memisahkan antar kelas dari nilai transformed divergence menurut Jaya 1997 adalah sebagai berikut :
a. Tidak terpisah Insperable
: 0 – 1600 b.
Jelek keterpisahannya Poor : 1601 – 1699
c. Sedang Fair
: 1700 – 1899 d.
Baik keterpisahannya Good : 1900 – 1999
e. Sangat baik keterpisahannya Excellent
: 2000
3.3.4.4 Evaluasi Akurasi
Evaluasi akurasi dilakukan untuk melihat besarnya kesalahan klasifikasi area contoh sehingga dapat ditentukan besarnya prosentase ketelitian pemetaan.
Analisis akurasi dilakukan dengan menggunakan matriks kesalahan confusion matrix atau disebut juga matriks contingency. Ketelitian tersebut meliputi jumlah
piksel area contoh yang diklasifikasikan dengan benar atau salah, pemberian nama kelas secara benar, presentase banyaknya piksel dalam masing-masing kelas serta
prosentase kesalahan total. Pada evaluasi akurasi, interpreter menggunakan empat jenis perhitungan
nilai akurasi, yaitu Producer’s Accuracy, User’s Accuracy, Overall Accuracy dan Kappa Accuracy. Menurut Story dan Congalton 1986, Producer’s dan User’s
Accuracy merupakan dua penduga dari ketelitian keseluruhan Overall Accuracy. Producer’s Accuracy adalah peluang rata-rata dalam persen bahwa suatu piksel
akan diklasifikasikan dengan benar yang secara rata-rata menunjukan seberapa baik masing-masing kelas di lapangan telah diklasifikasi, ukuran ini juga
mencerminkan rata-rata dari kesalahan komisi comition error yaitu kesalahan klasifikasi berupa kelebihan jumlah piksel dalam suatu kelas yang mengakibatkan
masuknya piksel dari kelas yang lain. Sedangkan User’s Accuracy adalah peluang rata-rata dalam persen bahwa suatu piksel dari citra yang terklasifikasi secara
actual mewakili kelas-kelas yang ada di lapangan, ukuran ini mencerminkan rata- rata dari kesalahan omisi omission error yaitu kesalahan klasifikasi berupa
kekurangan jumlah piksel dalam suatu kelas akibat masuknya piksel-piksel kelas tersebut ke kelas yang lain.
Sedangakan Overall Accuracy adalah suatu presentase yang sama dengan proporsi dari piksel-piksel yang terkelaskan dengan tepat yang dibagi dengan
jumlah piksel yang diuji. Nilai akurasi yang paling banyak digunakan adalah Kappa Accuracy, karena nilai akurasi ini memperhitungkan semua elemen atau
kolom dari matriks. Adapun matriks kesalahan disajikan pada Tabel 4. Tabel 4. Matriks kesalahan confusion matrix
Data acuan training
area Disklasifikasi kelas
data klasifikasi di peta Total
baris Producer’s
accuracy A
B C
D A
X
11
X
12
X
13
X
14
X
1+
X
11
X
1+
B X
21
X
22
X
23
X
24
X
2+
X
22
X
2+
C X
31
X
32
X
33
X
34
X
3+
X
33
X
3+
D X
41
X
42
X
43
X
44
X
4+
X
44
X
4+
Total kolom
X
+1
X
+2
X
+3
X
+4
N User’s
accuracy X
11
X
+1
X
12
X
+2
X
13
X
+3
X
14
X
+4
Akurasi yang bias dihitung dari user’s accuracy, producer’s accuracy dan overall accuracy. Secara matematis jenis-jenis akurasi diatas dapat dinyatakan sebagai
berikut :
Kappa accuracy
=
� ∑ �
�� �
�
−∑ �
�+
�
+� �
�
�
2
−∑ �
�+
�
+�
x100
User’s accuracy
=
�
��
�
+�
x 100
Producer’s accuracy
=
�
��
�
�+
x 100
Overall accuracy =
∑ �
�� �
�
� x 100
dimana : N
= Jumlah piksel yang digunakan dalam contoh r
= Jumlah baris atau kolom pada matriks kesalahan jumlah kelas X
i+
= Jumlah piksel dalam baris ke-i X
+i
= Jumlah piksel dalam kolom ke-i X
ii
= Nilai diagonal dari matriks kontingensi baris ke-i dan kolom ke-i
3.3.5 Reklasifikasi