2. Back Propagation Neural Network BPNN
Klasifikasi dengan menggunakan metode BPNN dilakukan dengan beberapa tahap yaitu :
- Tahap Creating Data
Pada tahap ini dilakukan proses inisiasi untuk membentuk segmen baru neural network. Segment ini selanjutnya akan dilakukan proses training area pada
tahapan training. Konfigurasi neural network terdiri dari tiga layer yaitu 1 input layer, 1 hiden layer dan 1 output layer. Komponen neural network terdiri dari hidden
node, learning rate, momentum, minimum error, jumlah iterasi. Dalam penelitian ini konfigurasi neural network yaitu :
Input layer : Citra Landsat ETM+ band1, 2, 3, 4, 5, dan 7 Jumlah nodes hidden layer 5x dengan X=6 , dimana sebagai representatif
jumlah dari input layer. Nilai momentum momentum rate = 0
– 1 nilai pembelajaran learning rate = 0,1
maximum total error = 0,1 maksimum individual error = 0,1
Jumlah iterasi : 500, 1000, 2500, 5000
Berdasarkan hasil penelitian ini jumlah iterasi yang menghasilkan hasil klasifikasi dengan akurasi lebih tinggi mulai dicapai pada jumlah iterasi 2500-5000
dan pada jumlah iterasi 10.000 tingkat akurasi mulai stabil dan terdapat kecendrungan tingkat akurasi mulai menurun.
Gambar 24. Tahap Creating Data Neural Network.
- Tahap Training
Pada Tahap ini dilakukan training area untuk BPNN. Training area yang digunakan pada proses training area neural netwok ini sama juga yang digunakan
pada metode klasifikasi MLC. Pada tahap ini akan dimasukkan nilai momentum, learning rate.
Pada penelitian ini momentum rate yang digunakan adalah pada kisaran tertinggi 0,9 dengan learning rate 0,1. Nilai momentum digunakan untuk
mempercepat proses pembelajaran dan membantu mengurangi oscillation
antar iterasi dan memungkinkan pembelajaran yang tinggi pada hal spesifik tanpa risiko non
konvergensi
. Dalam proses training ini mensyaratkan lima parameter yaitu momentum rate, learning rate, maximum total error, maximum individual errror dan
jumlah iterasi 100, 500, 1000, 2500, 5000 dan 10000. Konfigurasi dapat dilihat Gambar 25.
Gambar 25. Konfigurasi Tahap Training Area untuk Klasifikasi Neural Network.
- Tahap Klasifikasi
Fungsi klasifikasi citra multispektral menggunakan metode BPNN. K
lasifikasi ini dapat dibatasi untuk piksel di bawah ukuran tertentu. Jika ukurannya tidak ditentukan, maka setiap piksel pada citra akan diklasifikasikan. Dalam klasifikasi m
odel BPNN ini terdapat 3 parameter yaitu null class, most likely classe image dan mode
resampel. resampel mode dipilih harus sama dengan MLC yaitu nearest neighbourhood.
Gambar 26. Proses Klasifikasi Backpropagation Neural Network BPNN. Hasil klasifikasi penutuppenggunaan lahan dengan mengunakan metode
BPNN dengan akurasi terbaik dapat dilihat pada Gambar 27-33. Berdasarkan hasil klasifikasi citra Landsat ETM+ multitemporal yang digunakan dengan menggunakan
metode klasifikasi BPNN dihasilkan luas penutupPenggunaan lahan yang dapat dilihat pada Tabel 10 dan Gambar 27. Sebaran penutuppenggunaan lahan hasil
klasifikasi masing-masing citra Landsat ETM+ multitemporal dapat dilihat pada Gambar 28-32
Gambar 27. Hasil Klasifikasi Citra menggunakan Metode BPNN
Dari Tabel 10 dan Gambar 27 dapat dilihat bahwa hasil klasifikasi lahan sawah tertinggi diperoleh pada citra tanggal 15 Juli 2001 dan 29 April 2002 sebesar
33.130 68 dan 33.156 ha 68. Hasil yang diperoleh dengan menggunakan BPNN mendekati hasil secara visual. Luas lahan tebu tertinggi diperoleh pada citra
29 April 2009 dengal luas 9.800 20 dan luasan terkecil diperoleh pada citra 18 Juli 2002 dengan luasannya 4.814 ha 10. Hasil luasan tebu pada citra tanggal 18
Juli 2001 juga hampir mendekati hasil interpretasi secara visual.
60 Tabel 10. Luas PenutupPenggunaan Lahan Hasil Klasifikasi Multitemporal dengan BPNN
Kelas 03-12-2000
15-7-2001 29-04-2002
18-07-2002 31-03-2003
Luas Ha Luas Ha
Luas Ha Luas Ha
Luas Ha Sawah
30,900 63
33,130 68
33,156 67
32,333 66
28,830 59
Tebu 6,327
13 6,688
14 9,804
20 4,814
10 8,875
18 MST
9,483 19
6,124 12
4,261 9
7,025 14
6,240 13
BST 2,307
5 3,075
6 1,796
4 4,845
10 1,621
3 Awan
- -
- -
- -
- -
3,451 7
49,017 100
49,017 100
49,017 100
49,017 100
49,017 100
Keterangan : MST : Mungkin Sawah atau Tebu
BST : Bukan Sawah atau Tebu
Gambar 28. Hasil Klasifikasi BPNN Citra Landsat ETM+ 3 Desember 2000. 61
Gambar 29. Hasil Klasifikasi BPNN Citra Landsat ETM+ 15 Juli 2001. 62
Gambar 30. Hasil Klasifikasi BPNN Citra Landsat ETM+ 29 April 2002. 63
Gambar 31. Hasil Klasifikasi BPNN Citra Landsat ETM+ 18 Juli 2002. 64
Gambar 32. Hasil Klasifikasi BPNN Citra Landsat ETM+ 31 Maret 2003. 65
Hasil akhir luas dan penyebaran penggunaan lahan sawah, tebu, MST dan BST dengan menggunakan metode BPNN melalui proses tahap kedua overlay
union dapat dilihat pada Tabel 11, sedangkan sebaran penutuppenggunaan lahan hasil pengabungan semua citra melalui proses tahap kedua disajikan pada Gambar
33. Tabel 11. Luas
PenutupPenggunaan Lahan
Hasil Klasifikasi
Berjenjang Multistage dengan BPNN
No Kelas
Luas Ha 1
Sawah 38.040
78 2
Tebu 5.525
11 3
Kelas Lain 5.452
11 Total
49,017
Sumber : Hasil olahan
Berdasarkan Tabel 11 luas lahan sawah sebesar 38.040 ha 78 , tebu 5.525 ha 11 dan kelas lainnya 5.452 ha 11, sedangkan Gambar 33 memperlihatkan
sebaran lahan sawah hampir di seluruh lokasi cakupan penelitian ini terutama wilayah utara lokasi penelitian Kecamatan Ciasem yang merupakan salah satu
sentra padi sawah yang di kelola oleh Perum Sang Hyang Seri dimana luas lahan sawah yang dikelola oleh Perum Sang Hyang Seri seluas lebih kurang 3200 ha.
Lahan tebu berada di kecamatan Purwadadi, dimana pada di lokasi tersebut terdapat perkebunan tebu yang PG Rajawali dengan kepemilikan HGU lebih Kurang 5000 ha.
Dari Gambar 33 juga memperlihatkan bahwa sebaran lahan sawah dan tebu mirip dengan kenampakan obyek pada citra visual dan juga hasil klasifikasi MLC.
Hasil klasifikasi BPNN juga menghasilkan efek salt and pepper tetapi relatif lebih sedikit dibandingkan hasil klasifikasi MLC.
Gambar 33. Peta Sebaran Lahan Sawah dan Tebu Hasil Klasifikasi BPNN. 67
Pengujian Hasil Klasifikasi 1.
Akurasi Hasil Klasifikasi Metode Maximum Likelihood MLC
Pengujian akurasi dilakukan menggunakan titik-titik pengamatan di lapangan yang telah diketahui penutuppenggunaan lahannya dan sebagian sudah dipilih
sebagai referensi dalam pengambilan training area. Jumlah titik sebagai data referensi adalah 669 titik. Pada citra Landsat ETM+ multitemporal klasifikasi
dengan 4 kelas penutuppenggunaan lahan menghasilkan nilai overall accuracy rata- rata sebesar 77,91 dan kappa accuracy 0,559. Hasil akurasi dapat dilihat pada
Tabel 12 sedangkan matrik kesalahan confusion matrix dari hasil klasifikasi dengan MLC dapat dilihat pada Lampiran 7.
Tabel 12. Akurasi Klasifikasi PenutupPenggunaan Lahan dengan Metode MLC untuk Masing-masing Citra Landsat ETM+
No Kelas
3-12-2000 15-03-2001
29-04-2002 18-07-2002
31-03-2003 UA PA UA PA UA PA UA PA UA PA
1 Sawah 91.63
90.04 90.17 93.29 93.23 95.45 95.85 85.06 80.24 81.07
2 Tebu 60.00
59.26 61.18 64.20 47.76 79.01 51.49 64.20 32.63 38.27
3 MST 27.27
44.44 29.33 40.74 58.62 31.48 26.73 50.00 32.00 29.63
4 BST 85.11
55.56 77.42 33.33 84.85 38.89 77.19 61.11 35.09 27.78
OA 78.92
79.07
82.21
77.13 66.52
Kappa 0.577
0.561 0.628
0.574 0.341
Keterangan : MST = Kelas Mungkin SawahTebu. BST = Kelas Bukan SawahTebu UA = User Accuracy, PA = Producer Accuracy, OA = Overall Accuracy
Tabel 12 dapat dilihat bahwa menggunakan metode MLC, nilai akurasi tertinggi didapat pada citra tanggal 29 April 2002 dengan nilai 82,21 dan terendah
diperoleh pada citra tanggal 31 Maret 2003 dengan nilai 66,52.
2. Akurasi Hasil Klasifikasi Back Propagation Neural Network BPNN