b. membuat secara langsung pada citra dengan Tools AOI. c. metode kesamaan spektral speed pixel dengan piksel-piksel yang ada di
sekitarnya. d. menggunakan batasan radius tertentu.
e. menggunakan hasil klastering.
2.5.2 Analisis Keterpisahan Separability Assesment
Analisis keterpisahan adalah analisis kuantitatif yang menunjukan keterpisahan statistik antara kelas penutupan lahan, apakah suatu kelas layak
untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan Jaya, 2006. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 2.
Tabel 2. Kriteria Tingkat Keterpisahan
Nilai Transformasi Keterpisahan Keterangan
1.600 1.600 – 1.800
1.700 – 1.900 1.900 – 2.000
2.000 Tidak terpisahkan inseperable
Cukup baik poor Baik fair
Sangat baik good Sempurna excellent
Sumber : Jaya 2006
2.5.3 Penggabungan Kelas Merging Grouping
Merging adalah proses penggabungan kelas-kelas yang memiliki jarak yang dekat dengan mempertimbangkan jumlah piksel pada setiap kelas, kemiripan
similarity, serta nilai keterpisahaan antar kelas Jaya, 2006.
2.5.4 Labeling
Labeling merupakan proses pemberian identitas label pada setiap kelas yang telah dihasilkan. Pemberiaan label sebaiknya terukur serta dilakukan ketika kita
telah mengetahui ciri-ciri dari obyek yang akan diberi label setelah melakukan interpretasi visual Jaya, 2006.
2.5.5 Pendugaan Akurasi
Akurasi sering dianalisis menggunakan suatu matrik kontingensi, yaitu suatu matrik bujur sangkar yang memuat jumlah piksel yang diklasifikasi Jaya, 2010.
Matrik ini juga sering disebut error matrix atau confusion matrix. Secara konvensional, akurasi klasifikasi biasanya diukur berdasarkan persentase jumlah
piksel yang dikelaskan secara benar dibagi dengan jumlah total piksel yang digunakan jumlah piksel yang terdapat di dalam diagonal matrik dengan jumlah
seluruh piksel yang digunakan. Akurasi ini menggunakan seluruh elemen dalam matrik, termasuk di dalamnya terdapat producer’s accuracy, user’s accuracy dan
akurasi secara keseluruhan overall accuracy.
2.5.6 Deteksi Perubahan Penutupan Lahan
Land Cover Change Detection LCCD merupakan aplikasi penting dari teknik penginderaan jauh karena kemampuannya untuk merekam penginderaan
yang dilakukan berulang kali dengan kualitas gambar yang konsisten pada interval yang pendek, skala global, dan selama satu siklus penuh. Tujuan dari LCCD
adalah untuk membandingkan perubahan penutupan lahan yang berbeda baik secara kualitatif ataupun kuantitatif Civco et al, 2002. Metode yang biasa
digunakan dalam metode ini adalah Post Classification Comparison. Metode ini melakukan deteksi perubahan dengan membandingkan peta klasifikasi yang
diperoleh dengan mengklasifiksikannya secara independen antara dua citra dari area yang sama dalam waktu yang berbeda Bruzzone dan Seprico, 1997.
Selanjutnya Bruzzon dan Seprico 1997 menjelaskan bahwa dengan menggunakan cara ini sangat mungkin untuk mendeteksi perubahan dan
memahami jenis-jenis perubahan yang terjadi. Klasifikasi citra multitemporal ini menghindari kebutuhan untuk menormalkan kondisi atmosfer, perbedaan sensor
antara dua akuisisi. Namun, teknik Post Classification Comparison tergantung pada akurasi dari peta klasifikasi. Hal ini disebabkan karena adanya fakta bahwa
metode ini tidak mengambil dan memperhitungkan ketergantungan yang ada antara dua citra di daerah yang sama dalam waktu yang berbeda.
III. METODOLOGI