3.6 Metode Analisis
3.6.1 Analisis Citra Klasifikasi Tutupan Lahan
Dalam melakukan analisis citra, data satelit image yang digunakan adalah ALOS AVNIR-2 yang diambil pada tanggal 17 Juli 2009 menggunakan resolusi
spasial 10 m. Kombinasi band yang digunakan adalah kombinasi band 3-2-1. Seluruh proses analisis citra dilakukan dengan menggunakan perangkat lunak
ERDAS IMAGINE 9 dengan melewati beberapa proses kegiatan yang terdiri dari tahap persiapan pra-proses yang meliputi kegiatan koreksi geometrik
georeference dan proses memotong image subset image Gambar 4. Tahap selanjutnya adalah proses analisis yang dimulai dengan ground truthing terhadap
image yang telah dikoreksi dan di potong. Tahapan ini kemudian dilanjutkan dengan membuat training area dengan pembuatan AOI area of interest dan
melakukan klasifikasi terbimbing supervised classification menggunakan metode peluang maksimum atau maximum likelihood method
.
Pendugaan terhadap tingkat akurasi atau accuracy assessment dilakukan pada tahap akhir kegiatan. Pendugaan tingkat akurasi menggunakan overall
accuracy dan akurasi Kappa. Setelah peta tutupan lahan dihasilkan, untuk mengetahui distribusi bambu dan luasannya di hulu DAS bagian atas, tengah,
maupun bawah selanjutnya dilakukan proses tumpang susun overlay antara peta tutupan lahan bambu dengan peta kelas ketinggian hulu DAS dengan membuat
tiga kelas ketinggian yaitu ketinggian 0-300 m dpl, 300-700 m dpl, dan 700 m dpl. Proses ini diselesaikan dengan menggunakan perangkat lunak ArcView 3.2
dan selanjutnya dihasilkan peta sebaran luas tutupan lahan bambu untuk masing- masing lokasi berdasarkan ketinggian hulu DAS bagian atas, tengah, dan bawah.
Berikut dijelaskan secara rinci mengenai masing-masing tahapan yang dilakukan dalam proses analisis citra klasifikasi tutupan lahan.
Gambar 4. Proses Pengolahan Citra ALOS AVNIR-2
3.6.1.1 Koreksi geometrik
Menurut Jaya 2010, koreksi geometrik merupakan proses melakukan transformasi data dari satu sistem grid menggunakan suatu transformasi
geometrik. Pertimbangan dilakukannya koreksi geometri ini antara lain bertujuan untuk:
1. Membandingkan dua citra atau lebih untuk lokasi tertentu,
2. Membangun SIG dan melakukan permodelan spasial,
3. Meletakkan lokasi-lokasi pengambilan training area sebelum melakukan
klasifikasi, 4.
Membuat peta dengan skala yang teliti, 5.
Melakukan overlay citra dengan data spasial lainnya, 6.
Membandingkan citra dengan data spasial lainnya yang mempunyai skala yang berbeda,
PRAPROSES
Citra ALOS AVNIR-2 Georeference
Citra ALOS AVNIR-2 terkoreksi
Penentuan training area
Peta tutupan lahan Supervised classification
Maximum Likelihood Method
Ground truthing
PROSES
Subset image
Accuracy assessment
AOI
7. Membuat mozaik citra, dan
8. Melakukan analisis yang memerlukan lokasi geografis dengan presisi yang
tepat. Tahapan georeference ini dilakukan dengan memproyeksikan citra dengan
menggunakan sistem proyeksi UTM Universal Transverse Mercator WGS 84 dengan zona UTM 48S. Keseluruhan proses dilakukan dengan menggunakan
perangkat lunak ERDAS Imagine 9.1. 3.6.1.2
Memotong Image Subset Image Proses memotong image suatu citra dengan menggunakan ERDAS disebut
dengan subset image. Setelah citra dikoreksi dilanjutkan dengan melakukan pemotongan citra subset image sesuai lokasi studi yaitu hulu DAS Kali Bekasi.
Pemotongan citra menggunakan peta deliniasi DAS bagian hulu diperoleh dari BPDAS Ciliwung-Citarum yang didijitasi ulang dan disimpan dalam format .aoi
file. Proses pemotongan citra dengan perangkat lunak ERDAS Imagine 9.1 dilakukan dengan menggunakan menu DATAPREP-SUBSET IMAGE. Setelah
proses subset selesai, maka citra siap dianalisis Gambar 5.
Gambar 5. Proses Pemotongan Citra ALOS AVNIR-2
3.6.1.3 Klasifikasi Terbimbing Supervised Classification
Klasifikasi terbimbing merupakan proses klasifikasi yang dilakukan dengan arahan analis supervised classification. Kriteria pengelompokan kelas
Sebelum Sesudah
ditetapkan berdasarkan penciri kelas atau class signature yang diperoleh analis melalui pengamatan area contoh atau training area. Penciri kelas ini merupakan
suatu set data yang diperoleh dari suatu training area, ruang fitur feature space, dan klaster. Penciri kelas diperlukan dalam proses klasifikasi. Penciri kelas dapat
berupa penciri kelas parametrik dan penciri kelas non-parametrik. Dalam penciri kelas parametrik didasarkan pada parameter-parameter statistik seperti jumlah
bandkanal dalam citra input, nilai minimum dan maksimum masing-masing band dari suatu contoh training area atau klaster, nilai rata-rata masing-masing band
pada masing-masing kelas atau klaster, nilai ragam-peragam dari suatu kelas atau klaster, dan jumlah piksel dalam setiap klaster.
Dalam penciri non-parametrik penciri kelas berdasarkan pada area of interest AOI yang dibuat pada gambar feature space untuk citra yang akan
diklasifikasi. Metode non-parametrik menggunakan penciri kelas non-parametrik untuk mengelompokkan pikselnya ke dalam suatu kelas berdasarkan lokasinya,
baik di dalam maupun di luar area feature space. Metode klasifikasi terbimbing yang digunakan dalam penelitian ini adalah metode peluang maksimum
maximum likelihood classifier dengan menggunakan penciri non-parametrik AOI. Dalam penelitian ini penciri kelas yang dibuat adalah sebanyak sepuluh
kelas dengan masing-masing penciri kelas dibuat sebanyak 4-5 training area secara merata pada seluruh kawasan. Jenis-jenis penciri kelas yang dibuat antara
lain tanah terbuka bare land, semak shrub and bush, sawah paddy field, ladang dry land agriculture, kebun mix garden, hutan forest, badan air water
bodies, area terbangun built area, awan cloud and shade, serta interpretasi tegakan bambu bamboo stands
3.6.1.4 Pendugaan Tingkat Akurasi Accuracy Assessment
Pendugaan terhadap tingkat akurasi digunakan untuk mengetahui tingkat keakuratan hasil klasifikasi yang telah dilakukan. Pendugaan tingkat akurasi dapat
menggunakan titik-titik hasil ground truthing di lapangan. Dengan menggunakan ERDAS, pendugaan akurasi dapat dilakukan dengan membuat tiga bentuk laporan
yaitu matriks yang secara sederhana membandingkan kelas acuan dengan kelas hasil dalam matriks c x c, laporan total akurasi yang dihitung secara statistik, dan
Kappa statistik. Menurut Jaya 2010, secara konvensional tingkat akurasi dapat
diukur berdasarkan persentase jumlah piksel yang dikelaskan secara benar dibagi dengan jumlah total piksel yang diklasifikasi. Akurasi tersebut sering disebut
dengan overall accuracy atau akurasi umum. Namun, akurasi ini jarang digunakan sebagai indikator yang baik untuk mengukur kesuksesan suatu klasifikasi karena
hanya menggunakan piksel-piksel yang terletak pada diagonal suatu matriks kontingensi. Akurasi yang dianjurkan adalah akurasi Kappa. Penelitian ini
menggunakan akurasi Kappa dengan ekstensi Jaya’s Kappa Dendogram V 1.2 pada ArcView 3.2. Akurasi ini menggunakan semua elemen dalam matriks.
Persamaan matematis dari akurasi Kappa adalah sebagai berikut:
Keterangan: X
ii
= nilai diagonal dari matriks kontingensi baris ke-I dan kolom ke-i X
+i
= jumlah piksel dalam kolom ke-i X
i+
= jumlah piksel dalam baris ke-i N
= banyaknya piksel dalam contoh
3.6.2 Analisis Indeks Biomassa
Kategori