45
g Aliansi diberi nama berdasarkan jenis yang paling dominan dari beberapa asosiasi yang ada yang terletak pada strata teratas. Dominan dalam kasus
ini adalah jenis yang memiliki penutupan tajuk yang paling luas. Jika pada strata teratas terdapat beberapa jenis yang memiliki luas penutupan
tajuk yang sama, maka hanya akan diambil 3 jenis saja. Jenis yang muncul pada strata yang sama dipisahkan dengan simbol ”-”. Untuk
asosiasi, pemberian nama dilakukan sama dengan aliansi dan jika ditemukan jenis dominan pada strata yang lebih rendah, maka dipisahkan
dengan simbol ””. Jenis pada strata dominan diletakkan pada awal nama asosiasi.
Proses klasifikasi secara hirarki dilakukan dengan memanfaatkan perangkat lunak SPSS, melalui prosedur menu analyze, classify, dengan
pilihan Hierarchical cluster. Hasil akhir analisis klaster ditampilkan dalam bentuk dendrogram yang lengkap dengan koefisien jaraknya. Uji
lanjut melalui analisis diskriminan dengan memanfaatkan perangkat lunak SPSS. Pada SPSS prosedur ini dilaksanakan dengan memanfaatkanmenu
analyze, Classify, dengan pilihan Discriminant Analysis.
f. Klasifikasi citra
Klasifikasi citra dilakukan menggunakan pendekatan nilai digital dengan metode klasifikasi terbimbing supervised classification berdasarkan spektral penciri
kelasnya. Penciri kelas diperoleh melalui pembuatan training area. Training area untuk setiap aliansi dibuat berdasarkan jalur survey yang telah dianalisis dan
dikelompokkan berdasarkan aliansi. Sedangkan training area untuk tutupan lahan lain seperti awan, bayangan awan, dan non vegetasi dibuat menggunakan Area of
Interest AOI pada masing-masing tutupan lahan tersebut. Setelah pembuatan training area, dilakukan evaluasi keterpisahan separability evaluation untuk
mengetahui sejauhmana kelas-kelas yang telah dibuat dapat dibedakan satu sama lain. Kriteria keterpisahan pada klasifikasi terbimbing disajikan pada Tabel 5.
46
Tabel 5. Kriteria keterpisahan pada klasifikasi terbimbing
Nilai keterpisahan Kriteria keterpisahan
2000 Sempurna excellent
1900 – 2000 Baik good
1800 – 1900 Cukup fair
1600 – 1800 Kurang poor
1600 Tidak terpisahkan inseparable
Selain evaluasi keterpisahan, dilakukan juga evaluasi kontingensi contingency evaluation untuk mengetahui jumlah piksel yang sesuai maupun yang
tidak sesuai antara training area yang dibuat dengan pengkelasan menurut nilai digital. Proses evaluasi kontingensi akan menghasilkan matriks kontingensi atau
error matrix. Berdasarkan error matrix tersebut dapat dilakukan analisis akurasi hasil klasifikasi yang akan menghasilkan nilai akurasi pembuat, akurasi pengguna, akurasi
umum, dan akurasi Kappa. Adapun rumus yang digunakan untuk menghitung masing-masing akurasi adalah:
Akurasi pengguna User’s accuracy = X
ii
X
i+
100 Akuras pembuat Producer’s accuracy = X
ii
X
+i
100 Akurasi umum Overall accuracy:
100
1
N X
OA
r i
ii
∑
=
=
Akurasi Kappa Kappa accuracy:
100
2 1
1
∑ ∑
∑
+ +
= +
+ =
− −
=
i i
r i
i i
r i
ii
X X
N X
X X
N κ
Dimana: X
ii
= nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i X
+i
= jumlah piksel dalam kolom ke-i X
i+
= jumlah piksel dalam baris ke-i N = banyaknya piksel dalam contoh
47
Tahap akhir dari klasifikasi citra tersebut adalah pembuatan petacitra hasil klasifikasi. Peta tersebut akan mencakup seluruh lokasi kajian berdasarkan penciri
kelas signature yang telah dibuat melalui pembuatan training area. Secara teori, tahap ini dilakukan jika akurasi umum atau akurasi Kappa telah mencapai 85.
g. Kajian Preferensi Ekologis
