34
1 Memilih pixel training untuk tiap kelas dan menetapkan output yang
diinginkan vector d
m
= 0,9 m = k dan d
m
= 0,1m ≠ k
Ada nilai target yang ANN coba dihasilkan 2
Bobot awal sebagai jumlah random antara 0 dan 1 3
Set frekuensi untuk updating bobot a
setelah tiap pixel training sequential b
setelah semua pixel training tiap kelas c
setelah semua pixel training seluruh kelas batch 4
Batch training umumnya digunakan untuk meminimalkan frekuensi peng-
update -an bobot
5 Propagasi data training maju melalui network
6 Setelah tiap pixel training dipropagasi kedepan melalui network,
penghitungan output o dan mengakumulasi total error relatif ke output d
∑ ∑
− =
= k
k k
P P
o d
2 1
2
2 1
2
ε
Ulangi semua pola training P pixel untuk batch training 7
Setelah semua pixel yang ditraining digunakan, penyesuaian bobot w
kj
dengan:
kj kj
w LR
w ∂
∂ =
Δ
ε
j S
P P
k k
h S
f dS
d o
d LR
k
∑
=
− =
1
dimana LR adalah parameter learning rate yang digunakan untuk mengontrol kecepatan convergency
8 Menyesuaikan bobot w
ij
, dengan:
∑ ∑
=
⎭ ⎬
⎫ ⎩
⎨ ⎧
⎥⎦ ⎤
⎢⎣ ⎡
− =
Δ
P P
i k
kj s
k k
S kj
p w
S f
dS d
o d
S f
dS d
LR w
k j
1
9 Ulangi langkah 4 sampai 7 sehingga
ε threshold
3.4.7 Transformasi indeks vegetasi
35
Tingkat kerapatan kanopi mangrove diketahui melalui analisis indeks vegetasi yang didasarkan pada adanya respon objek penginderaan jauh pada
kisaran spektrum radiasi merah dengan inframerah dekat. Indeks vegetasi yang diperoleh merupakan nilai-nilai yang memberikan gambaran tentang tingkat
kehijauan vegetasi. Untuk mencari hubungan matematis terbaik antara penutupan kanopi dengan algoritma indeks vegetasi digunakan analisis regresi. Formula
indeks vegetasi yang diuji pada penelitian ini ditampilkan pada Tabel 5. Tabel 5 Beberapa formula indeks vegetasi yang dipergunakan pada penelitian
No Formula Tipe Indeks Vegetasi
Rumus
1 RVI Ratio Vegetation Index
Red NIR
RVI =
2 TRVI Transformed RVI
d NIR
TRVI Re
= 3 DVI
Difference Vegetation Index
d NIR
DVI Re
4 .
2 −
=
4 NDVI Normalized difference
vegetation index Red
NIR Red
NIR NDVI
+ −
= 5 GNDVI Green normalized
difference vegetation index Green
NIR Green
NIR GNDVI
+ −
= 6 SAVI
Soil Adjusted Vegetation Index
L 1
L Red
NIR Red
NIR SAVI
+ +
+ −
= 7 GVI
Global Vegetation Index TM7
0.1800 TM5
0.0840 TM4
0.7243 TM3
0.5439 TM2
0.2435 TM1
0.2848 GVI
− +
+ −
− −
=
8 IPVI Infrared Percentage
Vegetation Index 1
NDVI 2
1 IPVI
+ =
9 SLAVI Specific leaf area
vegetation index MIR
Red NIR
SLAVI +
=
36
Dalam analisis regresi dicobakan beberapa model persamaan sebagai berikut:
1 Linear
t b
b Y
1 +
= 2
Logarithmic t
b b
Y ln
1 +
= 3
Inverse t
b b
Y 1
+ =
4 Quadratic
2
2 1
t b
t b
b Y
+ +
= 5
Cubic
3 2
3 2
1 t
b t
b t
b b
Y +
+ +
= 6
Power
1 b
t b
Y +
= atau
t b
b Y
ln 1
ln ln
+ =
7 Compound
t
b b
Y 1
+ =
atau 1
ln ln
ln b
t b
Y +
= 8
S-curve t
b b
Y 1
exp +
= atau
t b
b Y
1 ln
+ =
9 Logistic
t
b b
u Y
1 1
1 +
= atau
1 ln
ln ln
1 1
b t
b
u y
+ =
−
10 Growth
t b
b Y
1 exp
+ =
atau t
b b
Y 1
ln +
= 11
Exponential t
b b
Y 1
exp =
atau t
b b
Y 1
ln ln
+ =
dimana : Y
= persen penutupan kanopi b
= konstanta
t = hasil formula indeks vegetasi
RVI, TRVI, DVI, NDVI, GNDVI, SAVI, GVI, IPVI, SLAVI
37
Pemilihan model terbaik ditentukan dari nilai R
2
koefisien determinasi. Pengujian hipotesis melalui analisis ragam, hal ini dimaksudkan untuk
menunjukkan apakah persen penutupan kanopi Y dengan hasil formula indeks vegetasi t memiliki hubungan yang berarti. Hipotesis yang diuji adalah:
H : b
i
= 0 H
1
: b
i
≠ 0 Kriteria uji adalah jika F
hit
F
tabel
maka terima H
1
, sebaliknya jika F
hit
F
tabel
maka terima H .
3.4.8 Analisis komponen utama
