Kontribusi Ei masing-masing GCP ke-i pada total RMSE adalah:
i
E
i
R T
= Persamaan transformasi yang diperoleh dari titik-titik lapangan yang terpilih
adalah sebagai berikut : p’
= -3,50549 + 1,02978X – 0,00019Y l’
= 0,01207 – 0,000000019X + 1,02952Y 4.
Melakukan interpolasi intensitas nilai kecerahan untuk membuat citra baru dengan sistem koordinat yang ditentukan. Dalam proses ini juga menentukan
ukuran piksel output, sesuai dengan resolusi spasial yang dikehendaki, yang umumnya disesuaikan dengan ukuran resolusi spasial data aslinya. Metode
yang digunakan dalam penelitian ini adalah Nearest Neighbourhood Interpolation NNI.
NNI adalah metode yang paling efisien dan paling banyak digunakan karena tidak mengubah nilai DN Dijital Number yang asli
Jaya, 2007.
2. Pengolahan Citra
a. Klasifikasi
Klasifikasi secara kuantitatif dalam konteks pengolahan dijital dapat diartikan sebagai suatu proses mengelompokan piksel kedalam kelas-kelas yang
ditetapkan berdasarkan peubah-peubah yang digunakan. Proses ini sering juga disebut dengan segmentasi segmentation. Kelas yang dibuat dapat berupa
sesuatu yang terkait dengan fitur-fitur yang dikenali dilapangan atau berdasarkan kemiripan yang dikelompokan secara statistik oleh komputer. Klasifikasi
diperlukan pada citra komposit agar lebih mudah dievaluasi karena dalam klasifikasi objek atau fenomena dipermukaan bumi dari jumlahnya yang sangat
besar disederhanakan jumlahnya menjadi hanya beberapa kelas yang mudah dianalisis.
Berdasarkan teknik pendekatannya klasifikasi dibedakan atas klasifikasi tidak terbimbing unsupervised classification dan klasifikasi terbimbing
supervised classification. Klasifikasi tidak terbimbing adalah klasifikasi yang proses pembentukan kelas-kelasnya sebagian besar dikerjakan oleh komputer.
Kelas-kelas atau klaster yang terbentuk dalam klasifikasi ini sangat bergantung kepada data itu sendiri. Dalam prosesnya, klasifikasi ini mengelompokan piksel-
piksel berdasarkan kesamaan atau kemiripan spektralnya. Sedangkan klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis supervised.
Kriteria pengelompokan kelas ditetapkan berdasarkan penciri kelas class signature
yang diperoleh analis melalui pembuatan area contoh training area. Pada penelitian ini metode yang digunakan adalah metode Maximum
Likelihood Kemungkinan Maksimum. Metode tersebut dipilih karena merupakan metode standar yang paling umum dilakukan. Dalam metode ini
dipertimbangkan berbagai faktor, diantaranya adalah peluang dari suatu piksel untuk dikelaskan kedalam kelas atau kategori tertentu. Peluang yang sering
disebut dengan prior probability ini dapat dihitung dengan menghitung prosentase tutupan pada citra yang akan diklasifikasi. Jika peluang ini tidak
diketahui maka besarnya peluang dinyatakan sama untuk semua kelas. b.
Pembuatan Area Contoh Training Area Pembuatan daerah contoh atau Training Area dilakukan untuk menentukan
penciri kelas Class Signature. Pembuatan daerah contoh ini merupakan suatu kegiatan mengidentifikasi prototife cluster dari sejumlah piksel yang mewakili
dari masing-masing kelas atau kategori yang diinginkan Jaya, 2007. Kegiatan ini dilakukan dengan menentukan posisi contoh di lapangan dengan bantuan peta
penutupan lahan sebagai referensi untuk setiap kelas penutupan lahan. Jumlah masing-masing kelas yang diambil disesuaikan dengan masing-
masing luas penampakan. Secara teoritis, jumlah piksel yang perlu diambil untuk mewakili setiap kelas adalah sebanyak N+1, dimana N = jumlah band yang
digunakan. Hal ini untuk menghindari matrik ragam-peragam yang singular, dimana piksel per kelasnya tidak bisa dihitung. Namun pada prakteknya, jumlah
piksel per kelas untuk klasifikasi adalah 10N sampai 100N Swain dan Davis, 1978, diacu dalam Jaya, 2002.
1
Tabel 2. Deskripsi kelas penutupan lahan
No Kelas Penutupan
Lahan Tampilan Citra ALOS PALSAR
kombinasi Band 1-2-1 Foto Lapangan
Deskripsi
1 Badan air
Sumber : Lab. Inventarisasi SDH, IPB
Lahan yang tergenang air tanpa ada vegetasi atau hutan yang
menaunginya
2 Vegetasi jarang
Sumber : Lab. Inventarisasi SDH, IPB
Suatu kesatuan ekosistem berupa hamparan lahan berisi
sumberdaya alam hayati yang didominasi pepohonan dengan
penutupan tajuk 40
17
2
Tabel 2 Lanjutan
No Kelas Penutupan
Lahan Tampilan Citra ALOS PALSAR
kombinasi Band 1-2-1 Foto Lapangan
Deskripsi
3 Vegetasi Sedang
Sumber : Lab. Inventarisasi SDH, IPB
Suatu kesatuan ekosistem berupa hamparan lahan berisi
sumberdaya alam hayati yang didominasi pepohonan dengan
penutupan tajuk ± 40 - 70
4 Vegetasi Rapat
Sumber : Lab. Inventarisasi SDH, IPB
Suatu kesatuan ekosistem berupa hamparan lahan berisi
sumberdaya alam hayati yang didominasi pepohonan dengan
penutupan tajuk 70
18
3.
Evaluasi Ketelitian Klasifikasi
Ketelitian hasil klasifikasi dapat dihitung dengan beberapa ukuran ketelitian antara lain :
a. Analisis Separabilitas
Separabilitas dari penciri kelas adalah ukuran stastistik antar dua kelas. Separabilitas ini dapat dihitung untuk setiap kombinasi band. Ukuran ini sekaligus
digunakan untuk mengetahui kombinasi band mana saja yang memberikan separabilitas terbaik. Pengukuran separabilitas dilakukan untuk memperoleh
kualitas ketelitian klasifikasi. Metode yang dipilih yaitu Transformed Divergence TD karena selain baik dalam mengevaluasi keterpisahan antar kelas, juga
memberikan estimasi yang terbaik untuk pemisahan kelas. Kriteria keterpisahan dalam metode Transformed Divergence TD disajikan pada Tabel 3.
Tabel 3. Kriteria Keterpisahan Berdasarkan Transformed Divergence
TD
Nilai Transformasi Keterpisahan Keterangan
2000 Sempurna Excellent
1900 ~ 2000 Baik Good
1800 ~ 1900 Cukup Fair
1600 ~ 1800 Kurang Poor
1600 Tidak Terpisahkan Insperable
Sumber : Jaya 2007
Nilai TD antara kelas i dan j dihitung menggunakan persamaan :
T j
i j
i j
i j
i j
i ij
C C
tr C
C C
C tr
D μ
μ μ
μ −
− −
+ −
− =
− −
− −
1 1
1 1
2 1
2 1
⎟ ⎟
⎠ ⎞
⎜ ⎜
⎝ ⎛
⎟⎟ ⎠
⎞ ⎜⎜
⎝ ⎛ −
− =
8 exp
1 2000
ij ij
D TD
Keterangan : D :
Divergence tr
: Teras
matriks C
: Matriks ragam peragam µ
: Vektor rata-rata T
: Transposisi dari matriks i, j
: Kelas yang dibandingkan
b. Analisis Akurasi
Analisis akurasi dilakukan untuk mengetahui tingkat ketepatan klasifikasi yang dibuat. Akurasi dianalisis menggunakan suatu matriks kontingensi yaitu
suatu matriks bujur sangkar yang memuat jumlah piksel yang diklasifikasi, yang disusun seperti pada Tabel 5. Matriks ini sering disebut “error matrix” atau
“confusion matrix”. Dalam matrik kontingensi ini, analis dapat juga menghitung besanya akurasi pembuat producers accuracy dan akurasi pengguna users
accuracy dari setiap kelas.
Akurasi pembuat adalah akurasi yang diperoleh dengan membagi piksel yang benar dengan jumlah total piksel daerah contoh per kelas. Pada akurasi ini
akan terjadi kesalahan omisi, oleh karena itu akurasi pembuat ini sering dikenal dengan istilah “omission error”. Sebaliknya, jika jumlah piksel yang benar dibagi
dengan total piksel dalam kolom akan menghasilkan akurasi pengguna users accuracy
, yang juga dikenal dengan istilah “ commission error”. Saat ini akurasi yang dianjurkan untuk digunakan adalah akurasi Kappa. Akurasi Kappa juga
digunakan untuk menguji kesignifikanan antara dua matrik kesalahan dari metode yang berbeda atau dari dua kombinasi band yang berbeda Jaya, 1996.
Analisis akurasi ini dibuat dengan cara mengambil kembali area contoh pada citra ALOS PALSAR. Banyaknya jumlah piksel yang diambil untuk
melakukan analisis akurasi ditampilkan dalam Tabel 4. Sedangkan bentuk matrik kesalahan untuk menghitung besarnya nilai akurasi disajikan dalam Tabel 5.
Tabel 4. Jumlah piksel untuk analisis akurasi
Kelas Penutupan Lahan Jumlah Piksel
Badan Air 728
Vegetasi jarang 696
Vegetasi sedang 732
Vegetasi rapat 745
Total Piksel 2901
Tabel 5. Bentuk Matriks Kesalahan
Kelas Referensi Dikelaskan ke Kelas
Data Klasifikasi di Peta Jumlah
Piksel Akurasi
Pembuat
A B C A X
11
X
12
X
13
X
1+
X
11
X
1+
B X
21
X
22
X
23
X
2+
X
22
X
2+
C X
31
X
32
X
33
X
3+
X
33
X
3+
Total Piksel X
+1
X
+2
X
+3
N Akurasi Pengguna
X
11
X
+1
X
22
X
+2
X
33
X
+3
Sumber : Jaya 2007
Beberapa persamaan akurasi yang digunakan adalah : Kappa Accuracy
100
1 2
1 1
× ⎥
⎦ ⎤
⎢ ⎣
⎡ ⎟
⎠ ⎞
⎜ ⎝
⎛ −
⎟ ⎠
⎞ ⎜
⎝ ⎛
− =
∑ ∑
∑
= +
+ =
+ +
= r
i i
i r
i i
i r
i ii
X X
N X
X X
N User’s Accuracy
100 ×
=
+i ii
X X
Produser’s Accuracy 100
× =
+ i
ii
X X
Overall Accuracy 100
1
× ⎟⎟
⎠ ⎞
⎜⎜ ⎝
⎛ ⎟
⎠ ⎞
⎜ ⎝
⎛ =
∑
=
N X
r i
ii
Keterangan : N
: Banyaknya piksel dalam contoh X
i+
: Jumlah piksel dalam baris ke-i X
+i
: Jumlah piksel dalam kolom ke-i X
ii
: Nilai diagonal dari matrik kontingensi baris ke-i dan kolomke-i
4. Pengolahan Data Spasial