Klasifikasi Tutupan Lahan Wilayah Peri-Urban Berdasarkan Ciri Tekstur Menggunakan Data Terrasar-X

KLASIFIKASII TUTUPAN LAHAN WILAYAH PER
ERI-URBAN
BERDASAR
SARKAN CIRI TEKSTUR MENGGUN
GGUNAKAN
DATA TERRASAR-X

ARIF NOFYAN SYAH

DEP
EPARTEMEN ILMU KOMPUTER
FAKULTAS MATE
TEMATIKA DAN ILMU PENGETAHU
GETAHUAN ALAM
IN
INSTITUT
PERTANIAN BOGOR
BOGOR
2012

KLASIFIKASI TUTUPAN LAHAN WILAYAH PERI-URBAN

BERDASARKAN CIRI TEKSTUR MENGGUNAKAN
DATA TERRASAR-X

ARIF NOFYAN SYAH

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

ABSTRACT
ARIF NOFYAN SYAH. Classification of Land Cover in Peri-urban Area Based-on Textural
Feature Using TerraSAR-X Data. Under the supervision of HARI AGUNG ADRIANTO dan
BAMBANG H. TRISASONGKO.

Peri-urban is developed in urban or metropolitan fringe. The area has particular characteristics
such as scattered settlements, slightly urbanized, fast population growth and a tendency of
environmental degradation. Monitoring in this area is then required, especially to assess agricultural
land conversion. This paper discusses an application of dual-polarized TerraSAR-X Spotlight Mode to
retrieve various land cover in Sidoarjo, East Java. Specifically, the research studied discrimination
among water bodies, rice fields, settlements, woody vegetation and industrial parks at X-band. The
research compiled tonal and textural information from those land cover types and fed those signatures
into statistical analysis. Decision tree classification method is applied to classify and to find most
informative features. The results suggested that TerraSAR-X has capability to distinguish some land
cover features; nonetheless, some objects could not have specific tonal/textural signatures, making
them hard to classify.
Keywords: synthetic aperture radar, peri-urban, TerraSAR-X, tone, texture, decision tree

Penguji: Aziz Kustiyo, S.Si., M.Kom.

Judul

:

Nama

NRP

:
:

Klasifikasi Tutupan Lahan Wilayah Peri-Urban Berdasarkan Ciri Tekstur Menggunakan
Data Terrasar-X
Arif Nofyan Syah
G64070031

Menyetujui:

Pembimbing 1,

Pembimbing 2,

Hari Agung Adrianto, S.Kom., M.Si.
NIP. 19760917 200501 1 001

Ir. Bambang H. Trisasongko, M.Sc.

NIP. 19700903 200812 1 001

Mengetahui:
Ketua Departemen Ilmu Komputer,

Dr. Ir. Sri Nurdiati, M.Sc.
NIP. 19601126 198601 2 001

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT yang telah memberikan rahmat-Nya
sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Klasifikasi Tutupan Lahan
Wilayah Peri-Urban Berdasarkan Ciri Tekstur Menggunakan Data Terrasar-X, dengan baik dan
lancar. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan November 2011, bertempat di
Departemen Ilmu Komputer.
Banyak pihak yang telah memberikan bantuan baik yang bersifat moral maupun materi dalam
menyelesaikan tugas akhir ini. Atas bantuan tersebut, penulis mengucapkan terima kasih kepada:
1. Ayahanda dan ibunda tercinta, serta adik-adikku atas semua nasehat, kasih sayang, do’a
yang tulus, kesabaran, serta kata-kata bijak yang dapat menjadikan motivasi dan inspirasi,

2. Bapak Hari Agung Adrianto, S.Kom., M.Si. dan Bapak Ir. Bambang H. Trisasongko,
M.Sc. selaku dosen pembimbing yang telah banyak meluangkan waktunya untuk
memberikan ilmu, pengarahan dan saran,
3. Bapak Aziz Kustiyo S.Si., M.Kom. selaku penguji yang telah memberi banyak masukan
terhadap tugas akhir yang saya kerjakan,
4. Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku ketua Departemen Ilmu Komputer, Institut
Pertanian Bogor, yang telah banyak memberikan nasehat dan saran,
5. Teman satu bimbingan yaitu Ridwan Agung, M. Hilman Fadly, Hendra Gunawan
(Hensum), Rommy Maulana Yusuf, Ana Maulida, dan Erna Piantari. Terima kasih sudah
memberi dukungan, perhatian, saran, kerjasama, pengertian, dan waktunya,
6. Fanny Risnuraini yang selalu memberi semangat, kritik, saran, dukungan, perhatian, dan
waktunya,
7. Muhamad Arief Fauzi, Muhamad Akbar Mulyono, Teguh Cipta, Huswantoro Anggit,
Putra Wira Kurniawan, Bang Ahmad Muhtadi Rangkuti, dan Kang Asep Hamzah. Terima
kasih atas pengertian, dukungan, saran, kritik, perhatian, dan waktunya,
8. Yoga Permana, Hendra Gunawan (Henjek), El Kriyar, Yuridhis Kurniawan, Ayi
Immaduddin, Khamdan Amin, Dean Apriana Ramadhan, Ira Nurazizah, Ria Astriratma,
Fani Wulandari, Aprilia Ramadhina, Laras M. Diva, Tri Setiowati, Dedek Apriyani, Isna
Mariam, Sulma Mardiah Setiani, dan rekan-rekan ilkomerz 44 atas persahabatan,
bantuan, doa, dukungan, dan semangat yang selalu diberikan selama kuliah hingga

penelitian ini selesai, serta kebersamaan yang diberikan selama 3 tahun ini,
9. Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini baik secara
langsung ataupun tidak.

Bogor, Januari 2012

Arif Nofyan Syah

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 10 November 1989. Penulis merupakan anak
pertama dari tiga bersaudara dari ayahanda bernama Zaza Harsza dan ibunda bernama Rohmani.
Penulis lulus dari Sekolah Menengah Atas Negeri (SMAN) 12 Jakarta Timur pada tahun 2007.
Penulis melanjutkan pendidikan pada tahun yang sama di Institut Pertanian Bogor (IPB) melalui
jalur Ujian Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswa Departemen Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis pernah menjadi asisten
praktikum Algoritma dan Pemrograman pada tahun 2009 dan asisten praktikum Bahasa
Pemrograman pada tahun 2010.
Penulis melaksanakan Praktik Kerja Lapangan di Pusat Teknologi Elektronika Dirgantara,
Lembaga Penerbangan dan Antariksa Nasional (LAPAN) pada tanggal 28 Juni 2010 sampai
tanggal 13 Agustus 2010.

DAFTAR ISI
Halaman
DAFTAR GAMBAR .......................................................................................................................vi
DAFTAR LAMPIRAN ....................................................................................................................vi
PENDAHULUAN
Latar Belakang .............................................................................................................................. 1
Tujuan Penelitian .......................................................................................................................... 1
Ruang Lingkup Penelitian ............................................................................................................ 1
TINJAUAN PUSTAKA
Wilayah Peri-urban ....................................................................................................................... 1
Radar ............................................................................................................................................. 2
SAR Polarimetri............................................................................................................................ 2
TerraSAR-X .................................................................................................................................. 2
Speckle Noise ................................................................................................................................ 3
Hamburan Balik (Backscatters) .................................................................................................... 3
Lee Filtering ................................................................................................................................. 3
Transformed Divergence (TD) ..................................................................................................... 3
Convolution Kernel ....................................................................................................................... 4
Texture Filtering ........................................................................................................................... 4

Klasifikasi Pohon Keputusan (Decision Tree) .............................................................................. 4
METODE PENELITIAN
Alat Penelitian .............................................................................................................................. 5
Data Penelitian .............................................................................................................................. 5
Studi Pustaka ................................................................................................................................ 6
Pengumpulan Data ........................................................................................................................ 6
Pra-proses Data ............................................................................................................................. 6
Analisis Keterpisahan Kelas ......................................................................................................... 6
Pembentukan Rule ........................................................................................................................ 6
Penerapan Rule ............................................................................................................................. 7
Perhitungan Akurasi ..................................................................................................................... 7
HASIL DAN PEMBAHASAN
Analisis Keterpisahan Kelas ......................................................................................................... 8
Rule Berdasarkan Rona (Tone) ..................................................................................................... 9
Rule Berdasarkan Rona (Tone) dan Tekstur (Texture) ............................................................... 10
Rule Berdasarkan Pakar (Expert Judgement) ............................................................................. 10
Perhitungan Akurasi ................................................................................................................... 12
KESIMPULAN DAN SARAN
Kesimpulan ................................................................................................................................. 12
Saran ........................................................................................................................................... 12

DAFTAR PUSTAKA ..................................................................................................................... 12

v

DAFTAR GAMBAR
Halaman
1 Ilustrasi satelit TerraSAR-X. .......................................................................................................... 2
2 Ilustrasi tiga meknisme scattering dasar. ....................................................................................... 3
3 Proses konvolusi dengan kernel 3x3 piksel .................................................................................... 4
4 Metode penelitian ........................................................................................................................... 5
5 Citra TerraSAR-X (HH-VV) beserta lokasi pengambilan contoh. ................................................. 6
6 Kenampakan pada citra Google Earth™. ....................................................................................... 7
7 Daerah contoh tiap kelas untuk data latih....................................................................................... 8
8 Nilai TD pasangan kelas industri dengan pemukiman padat.......................................................... 9
9 Variasi nilai TD pasangan kelas industri dengan pemukiman menengah. ..................................... 9
10 Nilai TD pasangan kelas pemukiman padat dengan pemukiman menengah. ............................... 9
11 Nilai TD pasangan kelas pemukiman menengah dengan vegetasi berkayu. ................................ 9
12 Fluktuasi nilai TD pasangan kelas sawah dengan vegetasi berkayu. ......................................... 10
13 Kenampakan citra hasil pemetaan rule berbasis rona................................................................. 11
14 Kenampakan citra hasil pemetaan rule berbasis rona dan tekstur. ............................................. 11

15 Kenampakan citra hasil pemetaan rule berdasarkan pakar......................................................... 12

DAFTAR LAMPIRAN
Halaman
1 Rule pohon keputusan berbasis rona ............................................................................................ 15
2 Rule pohon keputusan berbasis rona dan seluruh tekstur ............................................................. 16
3 Rule pohon keputusan berdasarkan pakar .................................................................................... 17
4 Perhitungan akurasi ...................................................................................................................... 18

vi

PENDAHULUAN
Latar Belakang
Wilayah peri-urban yang berkonotasi
sebagai wilayah yang berada di sekitar kota
dapat diartikan juga sebagai wilayah PraUrban. Istilah ini mengandung makna bahwa
wilayah peri-urban merupakan wilayah batas
antara perkotaan dan pedesaan (Yunus 2008).
Terbentuknya wilayah peri-urban didorong
oleh meningkatnya arus urbanisasi. Wilayah

peri-urban ini dapat ditemukan di pinggiran
perkotaan seperti di pinggiran Jakarta, Bogor,
Surabaya, Bandung, dan kota-kota besar
lainnya.
Salah satu persoalan di wilayah peri-urban
adalah konversi lahan pertanian. Konversi
lahan pertanian menjadi pemukiman di wilayah
peri-urban jika tidak dipantau akan menjadi
masalah baru. Persebaran “daerah hijau”
sebagai wilayah tangkapan air juga akan
berkurang. Wilayah perairan juga harus
mendapat perhatian, mengingat air adalah
sumber kehidupan. Oleh karena itu,
pemantauan lahan pertanian, pemukiman,
ruang terbuka hijau, dan wilayah perairan ini
menjadi penting untuk daerah peri-urban.
Pemantauan wilayah peri-urban dapat
dilakukan dengan teknologi penginderaan jauh
(remote sensing). Teknologi ini memanfaatkan
wahana satelit untuk melakukan pengambilan
citra kenampakan bumi dari luar angkasa.
Terdapat dua sistem pencitraan yang paling
banyak dimanfaatkan, yaitu sistem pasif dan
sistem aktif.
Citra penginderaan jauh sistem pasif
memiliki kekurangan bila diimplementasikan
pada wilayah tropika basah. Pengambilan citra
oleh sensor ini hanya bisa dilakukan ketika
langit cerah. Jika terhalang awan, citra yang
diharapkan belum dapat diperoleh dalam
rekaman tunggal. Oleh karena itu, wilayah
tropika basah seperti Indonesia memerlukan
mekanisme pemantauan satelit yang tidak
terganggu oleh adanya awan, yaitu satelit SAR
(synthetic aperture radar), di antaranya adalah
TerraSAR-X.
Telaah pustaka menunjukan bahwa data
TerraSAR-X telah banyak dimanfaatkan untuk
berbagai keperluan. Rizal (2009) telah berhasil
menggunakan data TerraSAR-X untuk
memetakan sawah baku pada kawasan berbukit
di Kecamatan Nanggung, Kabupaten Bogor,
Provinsi Jawa Barat. Penelitian ini juga
berhasil mengidentifikasi petakan sawah dan

mengestimasi luas sawah per-petak. Martinis et
al. (2009) menunjukkan bahwa TerraSAR-X
juga dapat dimanfaatkan untuk deteksi banjir
pada tingkat near real time sehingga sangat
bermanfaat untuk pemantauan kejadian
bencana alam. Aplikasi citra satelit ini pada
bidang pemantauan lahan basah juga telah
dilakukan (Hong et al. 2010). Lisini et al.
(2008)
telah
melakukan
pemetaan
menggunakan data TerraSAR-X untuk
pemetaan
wilayah
urban
(perkotaan).
Pendekatan yang digunakan adalah ekstraksi
ciri spasial dan elemen tekstur pada data SAR
asli dan berhasil memetakan persebaran
wilayah pemukiman, pepohonan, dan perairan.
Penelitian
ini
memanfaatkan
citra
TerraSAR-X untuk membedakan berbagai
tutupan lahan di wilayah peri-urban dengan
metode klasifikasi pohon keputusan (decision
tree). Pendekatan yang digunakan adalah
berbasis rona dan ekstraksi ciri elemen tekstur.
Penelitian ini diharapkan dapat menghasilkan
aturan (rule) klasifikasi yang handal dan
mudah dipahami untuk tujuan tersebut.
Tujuan Penelitian
Tujuan penelitian ini adalah mengkaji
metodologi
yang
implementatif
untuk
memantau tutupan lahan di kawasan peri-urban
memanfaatkan data SAR resolusi tinggi
TerraSAR-X.
Ruang Lingkup Penelitian
Penelitian ini dilakukan dengan batasan
sebagai berikut:
1. Jenis tutupan lahan dibedakan menjadi 6
(enam), yaitu tubuh air, sawah, pemukiman
padat, pemukiman menengah, vegetasi
berkayu, dan industri.
2. Filter tekstur yang digunakan pada
penelitian ini ada 4 (empat) filter, yaitu
mean, variance, data range, dan entropy.
3. Data yang digunakan adalah data polarisasi
linier ganda TerraSAR-X di Sidoarjo, Jawa
Timur.
TINJAUAN PUSTAKA
Wilayah Peri-urban
Hogrewe et al. (1993) dan Iaquinta &
Drescher (2000) memaparkan bahwa wilayah
peri-urban sebagai batas antara perkotaan dan
pedesaan memiliki ciri-ciri sebagai berikut:
1. Secara geografis berada di pinggiran
wilayah urban,
2. Pemukiman tersebar,
1

3.
4.
5.
6.
7.

Tata letak yang rumit,
Ketersediaan air terbatas,
Vegetasi berkayu sedikit,
Kepadatan penduduk tinggi, dan
Tempat perubahan sosial yang dinamis.

dan Kiefer 1990 dalam Handayani 2011).
Berbagai obyek dapat mengubah polarisasi
energi radar yang dipantulkan sehingga bentuk
polarisasi
sinyal
sangat
memengaruhi
kenampakan obyek pada citra yang dihasilkan
(Sabins 2007 dalam Handayani 2011)

Radar
Radar merupakan sistem penginderaan jauh
aktif karena dapat menyediakan sendiri sumber
energinya. Sistem mengiluminasi medan
dengan energi elektromagnetik, mendeteksi
pantulan energi dari medan, dan mencatat
pantulan energi sebagai sebuah citra. Sistem
radar beroperasi secara bebas pada berbagai
kondisi pencahayaan dan umumnya tidak
tergantung pada cuaca.
Radar merupakan singkatan dari “radio
detection and ranging” bekerja pada spektrum
elektomagnetik dengan panjang gelombang 1
mm - 1 m. Panjang gelombang sinyal radar
menentukan bentangan yang terpencar oleh
atmosfer. Semakin besar panjang gelombang
maka semakin kuat daya tembus gelombang.
Panjang
gelombang
yang
digunakan
berpengaruh pada citra yang diperoleh (Sabins
2007 dalam Handayani 2011).

TerraSAR-X
TerraSAR-X merupakan satelit buatan
Jerman. TerraSAR-X pertama kali diluncurkan
pada 15 Juni 2007 dari Baikonur, Kazakstan.
TerraSAR-X termasuk satelit dengan sensor
aktif. TerraSAR-X menggunakan radar X-band
berkualitas tinggi untuk pemantauan bumi di
orbit polar pada ketinggian antara 512 km
hingga 530 km. TerraSAR-X dirancang untuk
melaksanakan tugas selama lima tahun
(Gambar 1). TerraSAR-X menggunakan radar
dengan panjang gelombang 31 mm dan bekerja
pada frekuensi 9,6 GHz.

SAR Polarimetri
Polarisasi gelombang elektromagnetik
menggambarkan orientasi vektor bidang
elektrik pada titik yang diberikan selama satu
periode gerakan (Ban 1996 dalam Handayani
2011). Kedalaman penembusan dari sumber
gelombang mikro tergantung pada polarisasi
dan frekuensi gelombang (Sabins 2007 dalam
Handayani 2011). Gelombang sinyal radar
dapat ditansmisikan atau diterima dalam
polarisasi yang berbeda. Sinyal dapat disaring
sehingga gelombang dibatasi hanya pada satu
bidang datar yang tegak lurus arah perjalanan
gelombang (tenaga yang tidak terpolarisasi
menyebar kesemua arah tegak lurus arah
perambatannya).
Suatu sinyal SAR (Synthetic Aperture
Radar) dapat ditransmisikan pada bidang
mendatar (H) ataupun tegak (V). Oleh karena
itu, terdapat empat kemungkinan kombinasi
sinyal transmisi dan penerimaan yang berbeda,
yaitu dikirim Horizontal diterima Horizontal
(HH), dikirim Horizontal diterima Vertikal
(HV), dikirim Vertikal diterima Horizontal
(VH), dan dikirim Vertikal diterima Vertikal
(VV). Citra dengan polarisasi searah (parallel
polarization) dihasilkan dari paduan HH dan
VV. Citra polarisasi silang (cross polarization)
dihasilkan dari paduan HV atau VH (Lillesand

Gambar 1 Ilustrasi satelit TerraSAR-X
(Infoterra 2011).
TerraSAR-X memiliki kelebihan yaitu
independen terhadap kondisi cuaca dan
pencahayaan, artinya satelit ini dapat
melakukan pencitraan meskipun daerah yang
diamati terhalangi oleh awan. Hal ini dapat
dilakukan karena satelit ini menggunakan
sensor elektromagnetik gelombang mikro.
TerraSAR-X juga dapat diandalkan untuk
menyediakan citra radar dengan resolusi
hingga 1 m (Lisini et al. 2008).
Fitur teknis TerraSAR-X antara lain:
• X-band SAR (panjang gelombang 31 mm,
frekuensi 9.6 GHz),
• single, dual, dan quad polarisasi,
• sudut geometri akuisisi: side-looking,
• perulangan orbit: sun-synchronous dawndusk,
• repetition rate: 11 hari; karena petak
overlay, waktu kembali 2,5 hari dapat
dicapai,
2

• ketinggian orbit berkisar dari 512 km
hingga 530 km, dan
• tiga operasional imaging mode: Spotlight,
StripMap, dan ScanSAR.
Speckle Noise
Gelombang radar dapat memengaruhi
secara konstruktif atau destruktif untuk
menghasilkan piksel terang dan gelap yang
dikenal sebagai speckle noise. Speckle noise
biasa terlihat di sistem penginderaan radar.
Speckle noise dalam data radar diasumsikan
memiliki model kesalahan multiplikative
(perkalian) dan harus dikurangi sebelum data
dapat dimanfaatkan. Idealnya, speckle noise di
citra radar harus benar-benar dihapus, namun
dalam praktiknya noise ini dapat dikurangi
secara signifikan. Secara umum, speckle noise
dapat dikurangi dengan pengolahan multi-look
atau spatial filtering.
Spatial filtering dikategorikan ke dalam dua
kelompok yang berbeda, yaitu non-adaptive
dan adaptive. Fast Fourier Transform (FFT)
adalah contoh non-adaptive filtering. Mean,
median, Lee-Sigma, Local-Region, Lee,
Gamma MAP, dan Frost filtering adalah
contoh adaptive filtering (Mansourpour et al.
2006).

Gambar 2 Ilustrasi tiga meknisme scattering
dasar: (a) canopy scatter, (b) doublebounce scatter, (c) surface scatter
(Freeman dan Durlen 1998).
Lee Filtering

Hamburan Balik (Backscatters)
Koefisien hamburan balik (backscatter
coefficient) adalah ukuran kuantitatif dari
intensitas energi yang balik ke antena.
Hamburan balik radar banyak dipengaruhi oleh
karakteristik permukaan, seperti kekasaran
permukaan (Sabins 2007 dalam Handayani
2011). Oleh karena itu, hasil interpretasi Radar
ditentukan oleh hamburan balik (backscatter)
dari obyek yang diterima kembali oleh sensor.
Menurut Freeman dan Durlen (1998),
terdapat tiga mekanisme scattering dasar
(Gambar 2):
• surface
scattering
(single
bounce):
hamburan dari suatu permukaan objek
• double bounce scattering: hamburan dari
pemantul sudut dihedral, permukaan
pemantul dapat terbuat dari bahan dielektrik
yang berbeda, misalnya interaksi tanahbatang pohon untuk hutan
• volume (canopy) scattering: hamburan yang
berkaitan dengan hamburan acak total,
sehingga gelombang yang terhambur adalah
gelombang
yang
sepenuhnya
tak
terpolarisasi.

Lee filter didasarkan pada asumsi bahwa
mean dan variance dari piksel yang penting
adalah sama dengan lokal mean dan variance
dari semua piksel dalam suatu kernel. Rumus
yang digunakan untuk Lee filter (Lee 1981
dalam Mansourpour et al. 2006):
=

+

−

dengan
=

1

=
= !

−

+
"

# $ℎ
$ ℎ

$ & $ +
'(
+1
$ & $

$ ℎ

$ & $

Transformed Divergence (TD)
Keterpisahan spektral pada berbagai sensor
merupakan isu yang penting dikaji sebelum
metode klasifikasi diterapkan (Panuju et al.
2010). Penelitian ini menggunakan nilai
Transformed
Divergence
(TD)
untuk
mengamati keterpisahan spektral antara dua
3

)

kelas yang berbeda, yang dihitung dengan
rumus:
− +
1 23
* + = 2 -1 − . /
8
+

*

= 0.5
+0.5
=

<

789 − 9+ :89 ;< − 9+;< :=
9 ;< − 9+;< > − >+ > − >+

@ @;<

@
∑@;<
< ∑+

B< *

?

+

adalah nilai Transformed
dengan *
Divergence, > adalah nilai rataan vektor kelas
ke-i, 9 adalah nilai matriks koragam kelas kei, m adalah jumlah kelas, tr adalah fungsi trace
dalam aljabar matriks, T adalah fungsi
transposisi. Nilai TD berkisar antara 0 sampai
dengan 2. Semakin mendekati nilai TD=2,
maka dua kelas tersebut semakin terpisah
secara baik (Richards & Jia 2006 dan Panuju et
al. 2010).
Convolution Kernel
Semua filter dihitung dalam lingkup area
lokal menerapkan strategi convolution kernel.
Proses konvolusi diilustrasikan pada Gambar 3
(Trisasongko 2002). Ukuran kernel filter
tekstur yang diamati pada penelitian ini adalah
sebesar 3x3, 5x5, 7x7, 9x9, 11x11, 13x13, dan
15x15 piksel. Hal ini dilakukan untuk
mengamati kemampuan tiap filter tekstur
dalam berbagai ukuran kernel untuk
menyelesaikan masalah keterpisahan pasangan
kelas.

piksel terkecil dalam kumpulan nilai piksel
tertentu. Mean adalah rataan dari kumpulan
nilai piksel yang diamati. Variance adalah
ukuran penyebaran nilai, yaitu seberapa jauh
suatu nilai piksel berada terhadap rataan dari
kumpulan nilai piksel. Entropy adalah ukuran
sebaran peluang, yaitu sebuah ukuran (variasi
atau keragaman) yang didefinisikan pada
distribusi probabilitas kejadian yang diamati
(Trisasongko 2002).
Klasifikasi Pohon Keputusan (Decision Tree)
Decision tree adalah sebuah struktur pohon,
dimana
setiap
simpul
(node)
pohon
merepresentasikan atribut yang telah diuji,
setiap cabang merupakan suatu pembagian
hasil
uji,
dan
node
daun
(leaf)
merepresentasikan kelompok kelas tertentu.
Level node teratas pada sebuah decision tree
adalah node akar (root) yang biasanya berupa
atribut yang paling memiliki pengaruh terbesar
pada suatu kelas tertentu. Pencarian solusi pada
decision tree umumnya dilakukan secara topdown. Proses mengklasifikasi data baru
(testing) dilakukan dengan menguji nilai
atribut, yaitu dengan cara melacak jalur dari
root sampai leaf, kemudian akan diprediksi
kelas yang dimiliki oleh suatu data baru
tersebut.
Salah satu metode yang digunakan untuk
membuat decision tree adalah algoritme ID3
atau Iterative Dichotomiser 3 (baca: tree).
Algoritme pada metode ini menggunakan
konsep dari entropi informasi. Secara ringkas,
strategi pembentukan decision Tree dengan
algoritme ID3 adalah:
1. Penghitungan Information Gain untuk
setiap atribut dengan menggunakan
C

Gambar 3 Proses konvolusi dengan kernel 3x3
piksel: (a) citra awal (b) citra hasil
konvolusi.
Texture Filtering
Fitur tekstur berisi informasi mengenai
distribusi variasi derajat keabuan (grayscale)
dalam channel tertentu (Haralick et al. 1973
dalam Trisasongko 2002). Penelitian ini
menggunakan pendekatan texture filtering
untuk mendapatkan fitur tekstur. Terdapat
empat macam filter tekstur yang diamati pada
penelitian ini, yaitu data range, mean,
variance, dan entropy. Data range adalah
selisih antara nilai piksel terbesar dengan nilai

D, F = G

.H D −

∀

MN O

IDJ I
G
|D|

.H DJ

dengan
G

.H D = −PB log PB − P; log P;

2. Pemilihan atribut yang memiliki nilai
information gain terbesar,
3. Pembentukan simpul yang berisi atribut
tersebut,
4. Proses perhitungan information gain akan
terus diulangi sampai semua data telah
masuk dalam kelas yang sama. Atribut yang
telah dipilih tidak diikutkan lagi dalam
perhitungan nilai information gain.
Algoritme C4.5 adalah pengembangan dari
algoritme ID3 yang diperkenalkan oleh
4

Quinlan (Quinlan 1993 dalam Han & Kamber
2006). Pemilihan atribut pada algoritme C4.5
dilakukan dengan menggunakan Gain Ratio
dengan rumus:
C

T

D, F =

C
D, F
D.U V W D, F

Atribut dengan nilai Gain Ratio tertinggi
dipilih sebagai atribut uji untuk simpul. Nilai
gain
adalah information gain. SplitInfo
menyatakan entropi atau informasi potensial
dengan rumus:
@
D
D
log
D.U V W D, F = −
D
D
<

Algortime C4.5 memiliki keunggulan
dibandingkan dengan ID3. Algoritme C4.5
mampu menangani atribut dengan tipe numerik
dan kategori, mampu menangani atribut yang
kosong (missing value), dan dapat memangkas
cabang.
Telaah pustaka menunjukan bahwa
algoritme pohon keputusan telah banyak
digunakan untuk pembentukan rule klasifikasi
citra SAR. Trisasongko (2009) telah
melakukan
penelitian
pemetaan
hutan
mangrove menggunakan data radar fullypolarimetric. Penelitian tersebut menggunakan
tiga algoritme pohon keputusan berbeda, antara
lain Classification and Regression Trees
(CART), C4.5, dan Random Forests (RF).
METODE PENELITIAN
Secara umum, penelitian ini terbagi dalam
beberapa tahap, yaitu studi pustaka,
pengumpulan data, pra-proses data, analisis
keterpisahan
kelas,
pembentukan
rule,
penerapan rule, dan analisis hasil (Gambar 4).
Data Penelitian
Citra utama yang digunakan pada penelitian
ini adalah data satelit TerraSAR-X wilayah
Sidoarjo, Jawa Timur. Modus pencitraan yang
digunakan adalah Spotlight dan diakuisisi
tanggal 22 Desember 2007. Data TerraSAR-X
yang digunakan dalam penelitian ini
merupakan citra polarisasi linier ganda, yaitu
polarisasi HH dan polarisasi VV.
Citra dari Google Earth™ digunakan
sebagai citra acuan pada penelitian ini. Citra
acuan ini digunakan untuk mengetahui
penutupan lahan lebih detail pada daerah
pengamatan secara visual.

Gambar 4 Metode penelitian.
Alat Penelitian
Perangkat lunak yang digunakan untuk
mengolah data TerraSAR-X pada penelitian ini
antara lain:
• ENVI 4.5
• Google Earth™ 6.0
• WEKA 3.6
• OpenOffice SpreadSheet 3.3
• Notepad++ 5.8
Perangkat keras yang digunakan dalam
penelitian ini adalah notebook dengan
spesifikasi:
• Processor Intel® Core™2 Duo
• Mobile Intel® 965 Express Chipset
• RAM 2 GB
• Harddisk 320 GB

5

Studi Pustaka
Pustaka tentang penginderaan jauh (remote
sensing) dan metode pengolahan citra
TerraSAR-X dipelajari pada tahap ini.
Pencarian pustaka juga dilakukan untuk materi
analisis keterpisahan kelas dan klasifikasi.
Pencarian literatur dilakukan dari paper,
textbook,
makalah,
hasil
penelitian
sebelumnya, dan internet.

kategori tersebut dianggap belum dapat
terpisahkan secara baik. Semakin tinggi nilai
TD akan mempertinggi tingkat keterpisahan
dalam proses klasifikasi numerik. Analisis
dilanjutkan dengan pengamatan keterpisahan
pasangan kelas tersebut berbasiskan tekstur
terhadap pasangan kelas yang tidak dapat
terpisahkan secara baik.

Pengumpulan Data
Data citra TerraSAR-X dan citra Google
Earth™ dikumpulkan pada tahap ini.
Berdasarkan kenampakan objek pada Google
Earth™, 6 kelas penutupan lahan ditetapkan
secara visual, yaitu sawah, tubuh air,
pemukiman padat, pemukiman menengah,
vegetasi berkayu, dan daerah industri.
Kumpulan piksel berbeda diambil sebagai
contoh (sample) untuk analisis citra untuk
masing-masing kelas penutupan lahan yang
ditetapkan. Jumlah piksel yang digunakan
untuk data latih setiap kelas penutupan lahan
adalah 1500 piksel. Sebanyak 1500 piksel lagi
digunakan untuk data uji. Data uji ini diambil
dari lokasi yang berbeda dengan data latih.
Pra-proses Data
Pra-proses data dilakukan terhadap citra
TerraSAR-X pada tahap ini. Proses prapengolahan dimulai dengan membangun citra
komposit dari dua band data yang tersedia
(Gambar 5). Selanjutnya citra dipotong sesuai
dengan daerah pengamatan. Proses prapengolahan dilanjutkan dengan aplikasi filter
mengingat citra TerraSAR-X mengandung
speckle noise. Speckle noise pada citra
TerraSAR-X direduksi dengan Lee filtering
dengan ukuran kernel 5x5 piksel. Reduksi
speckle noise pada penelitian ini merupakan
proses
restorasi
citra.
Speckle
noise
berhubungan dengan distribusi wishart
(Gaussian pada bilangan kompleks). Citra hasil
Lee filtering untuk selanjutnya disebut sebagai
citra tone (berbasis rona).
Analisis Keterpisahan Kelas
Nilai Transformed Divergence (TD)
digunakan untuk mengamati keterpisahan
antara dua kelas yang berbeda. Berdasarkan
citra tone, nilai TD dihitung untuk tiap
pasangan kelas yang berbeda dan pada tiap
pasangan kelas tersebut akan diamati
keterpisahannya.
Pasangan
kelas
yang
memiliki nilai TD lebih besar dari 1.33
dianggap dapat terpisahkan secara baik; di luar

Gambar 5 Citra TerraSAR-X (HH-VV) beserta
lokasi pengambilan contoh.
Analisis berbasiskan tekstur diharapkan
dapat menyelesaikan masalah pasangan kelas
yang belum dapat terpisahkan hanya dengan
citra berbasis tone. Penelitian ini menggunakan
pendekatan texture filtering untuk analisis
berbasiskan tekstur. Terdapat empat macam
filter tekstur yang diamati pada penelitian ini,
yaitu data range, mean, variance, dan entropy.
Semua filter dihitung dalam lingkup area lokal
menerapkan strategi convolution kernel.
Tiap pasangan kelas yang tidak dapat
terpisahkan dengan citra tone, nilai TD
dihitung kembali untuk setiap citra tekstur yang
tersedia dan untuk setiap ukuran kernel. Nilai
TD tiap citra tekstur di-plot pada grafik
pasangan kelas terhadap ukuran kernel. Hal ini
dilakukan untuk mengamati kemampuan tiap
filter tekstur dalam memisahkan pasangan
kelas. Filter tekstur dianggap sebagai
descriptor yang mampu memisahkan pasangan
kelas jika memiliki nilai TD lebih besar dari
1.33. Filter tekstur yang baik juga ditunjukan
dengan grafik yang memiliki pola tertentu yang
stabil dan tidak berfluktuasi.
Pembentukan Rule
Pembentukan rule dilakukan dengan
algoritme pohon keputusan (decision tree)
C4.5. Pembentukan rule dimulai dengan
6

Pembentukan rule kedua menggunakan
data latih citra berbasis rona ditambah dengan
seluruh data latih citra berbasis tekstur. Rule
kedua berupa pohon keputusan untuk seluruh
atribut yang diteliti.
Pembentukan rule ketiga dilakukan secara
bertahap dengan mengamati rule untuk citra
berbasis rona dan rule untuk seluruh atribut.
Pemilihan atribut yang digunakan dalam
pembentukan rule ini dilakukan dengan
memperhatikan
atribut
yang
mampu
memisahkan dua kelas dengan baik. Pemilihan
atribut
ini
juga
dilakukan
dengan
mempertimbangkan
kelas
yang
akan
dihasilkan. Pemilihan atribut dipertimbangkan
oleh pakar.
Pembentukan tiga rule ini dilakukan untuk
mengamati kemampuan data TerraSAR-X
dalam membedakan kelas tutupan lahan. Rule
untuk citra berbasis rona akan dibandingkan
dengan rule untuk seluruh atribut serta
dibandingkan pula dengan rule yang pemilihan
atributnya dipertimbangkan oleh pakar.
Penerapan Rule
Rule yang diperoleh pada tahap sebelumnya
diterapkan pada citra TerraSAR-X menurut
atribut yang digunakan oleh masing-masing
rule. Ketiga rule diterapkan untuk seluruh citra
yang diamati, termasuk pada data latih dan data
uji.
Perhitungan Akurasi

diklasifikasikan dengan benar oleh setiap rule.
Data uji adalah data yang telah diketahui kelas
tutupan
lahannya.
Akurasi
dihitung
berdasarkan confusion matrix (Tabel 1).
Akurasi keseluruhan untuk masing-masing rule
adalah jumlah piksel data uji yang terklasifikasi
dengan benar dibagi dengan jumlah piksel pada
data uji. Akurasi keseluruhan dihitung dengan
rumus:
FX

' =

+&
× 100 %
+Y+#+&

Tabel 1 Confusion matrix
Prediksi
Aktual

menggunakan data latih kedua band citra
berbasis rona (tone, sehingga didapatkan pohon
keputusan untuk citra berbasis rona.

Kelas 1

Kelas 2

Kelas 1

a

b

Kelas 2

c

d

HASIL DAN PEMBAHASAN
Kabupaten Sidoarjo merupakan daerah
peri-urban bagi metropolitan Surabaya.
Berdasarkan kenampakan objek yang diamati
dari citra Google Earth™ (Gambar 6), daerah
ini memiliki persebaran pemukiman yang
cukup merata. Sawah dapat dijumpai di banyak
wilayah dalam kesatuan yang cukup besar pada
daerah ini. Vegetasi berkayu pada daerah ini
sangat minim dijumpai, umumnya dalam
bentuk kebun campuran dan vegetasi mangrove
di wilayah bagian timur. Wilayah tubuh air
(sungai dan tambak) banyak dijumpai di bagian
timur. Daerah industri yang juga berdekatan
dengan pemukiman dapat dijumpai di bagian
utara Kabupaten Sidoarjo. Daerah contoh untuk
masing-masing kelas penutupan lahan disajikan
pada Gambar 7.

Perhitungan akurasi dilakukan dengan
menghitung persentase data uji yang berhasil

Gambar 6 Kenampakan pada citra Google Earth™.
7

Beberapa kelas penutupan lahan dapat
dibedakan secara visual (Gambar 7), misalnya
kelas tubuh air dengan kelas pemukiman padat,
kelas sawah dengan kelas industri, serta
pemukiman menengah dengan vegetasi
berkayu. Namun, terdapat kelas yang secara
visual memiliki kemiripan, misalnya kelas
industri dengan kelas pemukiman padat.

dalam penelitian ini, yaitu Data Range, Mean,
Variance, dan Entropy. Penelitian ini juga
menambahkan 7 variasi ukuran kernel untuk
tiap filter tekstur, yaitu 3x3, 5x5, 7x7, 9x9,
11x11, 13x13, dan 15x15 piksel. Variasi
ukuran kernel ini dapat digunakan untuk
menilai sensitifitas suatu filter tekstur. Citra
tone diubah ke dalam masing-masing ruang
tekstur untuk tiap ukuran kernel.
Tabel 2 Hasil analisis Transformed Divergence
(TD) berdasarkan citra tone

Gambar 7 Daerah contoh tiap kelas untuk data
latih.
Analisis Keterpisahan Kelas
Percobaan pertama dilakukan dengan
menelaah keberhasilan pemisahan satu kelas
dengan kelas lainnya berdasarkan citra tone
(citra
berbasis
rona)
dengan
hanya
memanfaatkan dua polarisasi linier (HH dan
VV). Setiap satu kelas dipasangkan dengan
satu kelas lainnya dan akan diamati
keterpisahannya. Terdapat 6 kelas penutupan
lahan pada penelitian ini, sehingga terdapat 15
pasangan kelas. Hasil perhitungan nilai
Transformed Divergence (TD) pada pasangan
kelas yang diamati disajikan pada Tabel 2.
Tabel 2 menunjukan bahwa terdapat 5
pasangan kelas yang memiliki nilai TD kurang
dari 1.33. Pasangan kelas tersebut tidak dapat
terpisahkan secara baik dengan menggunakan
citra tone yaitu industri dengan pemukiman
padat, industri dengan pemukiman menengah,
pemukiman
padat
dengan
pemukiman
menengah, pemukiman menengah dengan
vegetasi berkayu, dan sawah dengan vegetasi
berkayu. Analisis lanjutan untuk 5 pasangan
kelas ini diperlukan untuk menyelesaikan
masalah keterpisahannya. Pasangan kelas
lainnya yang memiliki nilai TD lebih besar dari
1.33 diharapkan dapat diklasifikasikan
langsung berdasarkan citra tone dengan akurasi
harapan yang cukup baik.
Penelitian ini mengusulkan metode texture
filtering untuk menyelesaikan masalah
keterpisahan kelas yang tidak mampu
diselesaikan hanya dengan berbasiskan citra
tone. Terdapat 4 filter tekstur yang dicobakan

Pemukiman Pemukiman
padat
menengah

Sawah

Tubuh Vegetasi
air
berkayu

KELAS

Industri

Industri

x

0.0330

0.5715

1.9978 2.000 1.9018

Pemukiman
padat

x

x

0.5777

1.9989 2.000 1.9430

Pemukiman
menengah

x

x

x

1.6118 2.000 0.9538

Sawah

x

x

x

x

Tubuh air

x

x

x

x

x

1.9999

Vegetasi
berkayu

x

x

x

x

x

x

1.999 0.2399

Nilai TD untuk setiap filter tekstur pada
daerah contoh dihitung kembali untuk 5
pasangan kelas yang belum dapat terpisahkan
secara baik. Nilai TD untuk semua ukuran
kernel juga dihitung untuk 5 pasangan kelas
tersebut. Hasil perhitungan nilai TD untuk
setiap pasangan kelas tersebut di-plot ke dalam
grafik hubungan antara filter tekstur dengan
ukuran kernelnya. Oleh karena itu, terdapat 5
grafik hubungan antara filter tekstur dengan
ukuran kernelnya. Grafik nilai TD untuk setiap
pasangan kelas tersebut disajikan pada Gambar
8 sampai Gambar 12.
Gambar 8 menunjukan bahwa kelas industri
dengan kelas pemukiman padat memiliki nilai
TD kurang dari 0.8 untuk setiap filter tekstur
dan untuk setiap ukuran kernel. Hal ini
menunjukan bahwa kelas industri dengan kelas
pemukiman padat tidak dapat terpisahkan
secara baik dengan berdasarkan citra tekstur.
Hal ini akan mengakibatkan proses klasifikasi
untuk memisahkan kelas industri dengan
pemukiman padat akan memiliki akurasi
rendah. Hasil ini memberikan informasi bahwa
dengan citra TerraSAR-X, analisis berbasis
citra tone dan analisis berbasis citra tekstur
tidak
disarankan
untuk
menyelesaikan
keterpisahan antara kelas industri dengan kelas
pemukiman padat.
Kelas industri dengan kelas pemukiman
menengah memiliki nilai TD lebih besar dari
1.33 pada beberapa filter tekstur (Gambar 9).
Kedua kelas ini dapat terpisahkan dengan baik
dengan filter tekstur variance atau mean
8

l
besar dari 7x7
dengan ukuran kernel lebih
piksel. Filter tekstur entropy
hanya dapat
e
memberikan keterpisahan
an yang baik dengan
ukuran kernel 15x15 piks
ksel. Filter tekstur data
range tidak dapat mem
mberikan keterpisahan
yang baik pada berbagai
ai ukuran kernel yang
dicobakan. Hal ini me
memberikan informasi
bahwa filter tekstur varian
iance atau mean dengan
ukuran kernel lebih da
dari 7x7 piksel dapat
disarankan untuk memis
isahkan kelas industri
dengan kelas pemukimann menengah.

dengan vegetasi berkayuu dapat disarankan
menggunakan filter tekstur
tur data range atau
variance.

Gambar

10

Nilai TD
D pasangan kelas
pemukiman
an padat dengan
pemukiman
an menengah.

Gambar

11

Nilai TD
D pasangan kelas
pemukiman
an menengah dengan
vegetasi beerkayu.

Gambar 8 Nilai TD pas
asangan kelas industri
dengan pemuukiman padat.

Gambar 9 Variasi nilai
ai TD pasangan kelas
industri
d
dengan
pemukiman
menengah.
Grafik nilai TD pasan
angan kelas pemukiman
padat
dengan
pem
mukiman
menengah
ditampilkan pada Gamba
bar 10. Grafik tersebut
menunjukan bahwa filter tekstur variance atau
mean dengan ukuran ker
ernel lebih dari 11x11
piksel dapat disarankan
an untuk memisahkan
kelas pemukiman padat
at dengan pemukiman
menengah.
unjukan bahwa filter
Gambar 11 menun
tekstur data range dan
d
variance dapat
memisahkan kelas pem
emukiman menengah
dengan vegetasi berkayu
yu secara baik. Filter
tekstur mean dengan uku
kuran kernel lebih dari
9x9 piksel juga dapat mem
emisahkan kedua kelas
tersebut secara baik. N
Namun, filter tekstur
entropy
tidak
mam
mpu
menyelesaikan
keterpisahan kedua kela
elas tersebut. Hal ini
memberikan
informas
asi
bahwa
untuk
memisahkan kelas pem
emukiman menengah

Kelas sawah dengan kela
elas vegetasi berkayu
memiliki grafik nilai TD yyang bervariasi. Hal
ini dapat disimpulkan dari
ri Gambar 12. Filter
variance dapat menyel
yelesaikan masalah
keterpisahan kedua kelass ini dengan ukuran
kernel lebih dari 7x7 piksel
sel. Filter data range
dengan ukuran kernel 5x5 ppiksel memiliki nilai
TD sebesar 2. Namun, filter
ter data range dengan
ukuran kernel 11x11 piksel
el memiliki nilai TD
sebesar 0.3. Hal ini menun
unjukan bahwa filter
data range memiliki grafi
afik yang fluktuatif,
sehingga tidak disarankan un
untuk menyelesaikan
keterpisahan kedua kelas in
ini. Filter mean dan
entropy
tidak
mampu
pu
menyelesaikan
keterpisahan kedua kelas iini, sebab nilai TD
untuk kedua filter ini pada
pa
semua ukuran
kernel lebih kecil dari 1.33.
3.
Rule Berdasarkan Rona (T
Tone)
Penelitian dilanjutkan de
dengan pembentukan
rule. Rule pertama adalah
ah pohon keputusan
yang terbentuk berdasarkan
an data latih berbasis
rona, yaitu rona polarisa
isasi HH dan rona
polarisasi VV (Lampiran 1)..

9

keputusan untuk membedak
dakan berbagai kelas
penutupan lahan.

ilai TD pasangan kelas
Gambar 12 Fluktuasi nila
sawah dengan
an vegetasi berkayu.
Pohon keputusan unt
ntuk rule berdasarkan
rona menunjukan bahw
wa node akar (root)
merupakan data citra TerraSAR-X dengan
polarisasi HH. Pohon keputusan
ke
ini memiliki
24 leaf. Leaf dengan kela
las tutupan lahan tubuh
air hanya ada satu leaf.. Hal ini menunjukkan
bahwa kelas tubuh airr sangat mudah untuk
dibedakan terhadap kela
elas lainnya. Hasil ini
sesuai dengan analisis ke
keterpisahan kelas pada
tahap sebelumnya, bahwaa kelas tubuh air dapat
dipisahkan dengan baik
ik hanya dengan citra
TerraSAR-X berbasis ron
ona.
Rule dari pohon kepu
putusan yang terbentuk
kemudian diterapkan pad
pada data TerraSAR-X
berbasis rona. Tahapp ini menghasilkan
pemetaan penutupan laha
han dengan berbasiskan
rona. Kenampakan se
sebagian citra hasil
pemetaan dapat dilihat pada
pa Gambar 13. Citra
hasil pemetaan ini menuunjukan bahwa kelas
tutupan lahan yang dihasi
asilkan berupa titik-titik
yang tersebar. Pengam
matan tutupan lahan
dengan citra ini tidak menghasilkan
me
informasi
yang baik.
Rule Berdasarkan Rona
na (Tone) dan Tekstur
(Texture)
pohon keputusan yang
Rule kedua adalah po
terbentuk dari seluruh aatribut yang diamati,
yaitu atribut rona dan se
seluruh atribut tekstur
(Lampiran 2). Penelitiann iini menggunakan citra
berbasis rona serta 4 elem
lemen tekstur dengan 7
variasi ukuran kernel, ssehingga terdapat 28
atribut tekstur. Citraa TerraSAR-X yang
digunakan memiliki duaa band, sehingga total
ada sebanyak 58 atribut.
Pohon
keputusan
untuk
rule
ini
menunjukan bahwa ti
tidak semua atribut
terdapat pada pohon kepu
putusan yang terbentuk.
Hanya terdapat 8 atributt yang ada, yaitu range
HH 7x7 dan 15x15, ran
ange VV 15x15, mean
VV 13x13 dan 15x15,, variance HH 15x15,
variance VV 13x13, dan
an entropy HH 15x15.
Hal ini menunjukan bah
ahwa 8 atribut tersebut
cukup untuk dapat mem
embentuk rule pohon

Tekstur variance menjad
jadi root pada pohon
keputusan ini, diikuti denga
gan node tekstur data
range dan mean. Hal inii m
menunjukan bahwa
atribut tersebut paling bberpengaruh dalam
menentukan kelas penutupan lahan. Hasil ini
memperkuat analisis keterpi
rpisahan kelas, bahwa
tekstur variance, data rang
nge, dan mean dapat
disarankan untuk menye
yelesaikan masalah
keterpisahan pasangan kelas
las penutupan lahan.
Rule dari pohon kep
eputusan kedua ini
kemudian diterapkan pada
da data TerraSAR-X
dengan seluruh atribut
ut yang diamati.
Kenampakan sebagian citr
itra hasil pemetaan
dapat dilihat pada Gamba
bar 14. Citra hasil
pemetaan ini menunjukan bahwa
b
kelas tutupan
lahan yang dihasilkan tidak
ak lagi berupa titiktitik yang tersebar, melain
inkan berupa petakpetak penutupan lahan. Haasil ini menunjukan
bahwa
pengamatan
ppersebaran
setiap
penutupan lahan dapat dilak
lakukan dengan lebih
baik dibandingkan dengann hasil rule pertama.
Contoh wilayah yang dapat
at dibedakan dengan
baik adalah wilayah pem
mukiman. Hasil ini
membuktikan bahwa analis
lisis berbasis tekstur
dapat
disarankan
untu
ntuk
membedakan
penutupan lahan dengan data
ata TerraSAR-X.
Rule Berdasarkan Pakar (Expert
(
Judgement)
Rule ketiga adalah poho
ohon keputusan yang
terbentuk dengan pemilih
ilihan atribut yang
melibatkan hasil pengamata
atan pakar (Lampiran
3). Pembentukan rule dimuulai dengan memilih
kelas yang dapat dengann mudah dibedakan
dengan kelas lainnya. Annalisis keterpisahan
kelas dan rule berbasiss rona menunjukan
bahwa kelas tubuh air dapat
pat dibedakan dengan
baik hanya dengan menggun
unakan citra berbasis
rona, sehingga dicari rule untuk memisahkan
kelas tubuh air dengan kel
kelas lainnya dengan
atribut rona HH.
Kelas sawah menjadi ke
kelas yang dibedakan
selanjutnya, sebab dari an
analisis keterpisahan
kelas, sawah dapat dipisa
sahkan dengan baik
terhadap kelas lainnya kec
ecuali terhadap kelas
vegetasi kayu. Hasil analisis
sis keterpisahan kelas
berbasis tekstur (Gambar
ar 12) memberikan
informasi bahwa pasangann kkelas sawah dengan
vegetasi kayu dapat dipisa
isahkan dengan baik
menggunakan
tekstur
variance
15x15,
sehingga dicari rule untukk memisahkan kelas
sawah dengan kelas lainn
nnya dengan atribut
tekstur mean VV 15x155 dan variance VV
15x15.
10

Kelas vegetasi kayu menjadi kelas yang
dibedakan selanjutnya. Kelas vegetasi kayu
dapat dengan baik dipisahkan dengan kelas
lainnya menggunakan tekstur variance
(Gambar 11). Oleh karena itu, tekstur variance
HH 15x15 dipilih untuk mencari rule dalam
memisahkan kelas vegetasi kayu dengan kelas
lainnya.
Tahap selanjutnya adalah memisahkan
pasangan kelas pemukiman menengah dengan
pemukiman padat. Pasangan kelas ini dapat
terpisah secara baik dengan tekstur variance
dan mean (Gambar 9). Oleh karena itu, rule
untuk memisahkan pasangan kelas ini dicari
dengan atribut tekstur mean VV 15x15 dan
variance VV 15x15.
Pemilihan atribut dilanjutkan untuk
memisahkan pasangan kelas industri dengan
pemukiman padat. Analisis keterpisahan kelas
menunjukan bahwa pasangan kelas ini belum
dapat terpisah secara baik dengan analisis
berbasis rona maupun tekstur. Namun,

keterpisahan kelas tertinggi diperoleh dengan
menggunakan atribut tekstur mean dan
variance. Oleh karena itu, rule untuk
memisahkan pasangan kelas ini dicari dengan
atribut tekstur mean VV 15x15 dan variance
VV 15x15.
Terdapat 4 atribut dalam rule pohon
keputusan ketiga ini, yaitu rona HH, mean VV
15x15, variance HH dan VV 15x15. Oleh
karena itu, rule ini diterapkan hanya pada 4
atribut tersebut. Kenampakan sebagian citra
hasil pemetaan dapat dilihat pada Gambar 15.
Citra hasil pemetaan menunjukan bahwa kelas
tutupan lahan yang dihasilkan juga berupa
petak-petak penutupan lahan. Terdapat
perbaikan pada citra hasil tersebut bila
dibandingkan dengan citra hasil rule pohon
keputusan kedua. Contoh perbaikan dapat
diamati pada wilayah tubuh air, khususnya
daerah tambak yang memiliki petak-petak yang
lebih jelas dan lebih mirip dengan kenampakan
pada citra Google Earth™.

Gambar 13 Kenampakan citra hasil pemetaan rule berbasis rona.

Gambar 14 Kenampakan citra hasil pemetaan rule berbasis rona dan tekstur.

11

Gambar 15 Kenampakan citra hasil pemetaan rule berdasarkan pakar.
Perhitungan Akurasi
Akurasi dihitung untuk ketiga rule yang
diamati. Hasil perhitungan akurasi secara
lengkap dapat dilihat pada Lampiran 4. Akurasi
keseluruhan yang didapatkan untuk rule dari
pohon keputusan pertama sebesar 44,24%.
Rule
dari
pohon
keputusan
kedua
menghasilkan akurasi keseluruhan 63,46%.
Akurasi keseluruhan yang didapatkan oleh
rule dari pohon keputusan ketiga sebesar
74,69%. Bila diamati lebih rinci pada hasil
perhitungan akurasi untuk pohon keputusan
ketiga, kelas industri memiliki akurasi terkecil
yaitu 52,67%, sedangkan kelas sawah memiliki
akurasi 64,67%.

menghasilkan akurasi keseluruhan mencapai
hampir 75%.
Saran
Penelitian ini masih memiliki kekurangan.
Penelitian lebih lanjut perlu dilakukan dengan
saran antara lain:
1. Melakukan penelitian untuk mengkaji
metodologi yang dapat digunakan untuk
meningkatkan keterpisahan pasangan kelas
tutupan lahan industri dengan pemukiman
padat,
2. Menambahkan kelas penutupan lain untuk
diamati keterpisahannya,
3. Menggunakan data SAR lain, contohnya
ALOS PALSAR,

KESIMPULAN DAN SARAN
Kesimpulan
Hasil penelitian dapat disimpulkan bahwa
data TerraSAR-X dua polarisasi linier (HH dan
VV) mampu membedakan penutupan lahan
secara baik. Analisis berbasis rona dan analisis
berbasis tekstur dapat disarankan untuk
membedakan penutupan lahan di wilayah periurban, kecuali untuk pasangan kelas tutupan
lahan industri dengan pemukiman padat.
Tutupan lahan tubuh air dapat dipisahkan
terhadap tutupan lahan lainnya dengan sangat
baik hanya dengan citra berbasis rona, yaitu
nilai TD mencapai 2.
Pembentukan rule klasifikasi menggunakan
metode pohon keputusan dengan pertimbangan
oleh pakar akan meningkatkan kemampuan
rule untuk membedakan penutupan lahan. Rule
berdasarkan seluruh atribut citra menghasilkan
akurasi keseluruhan sebesar 63%, sedangkan
rule
berdasarkan
pertimbangan
pa