kelas penutupan lahan rumput dengan tambak, tanah terbuka dan sungai, yaitu sebesar 1,999. Hal itu menunjukkan kedua obyek tersebut dapat dibedakan dengan
sangat baik. Secara umum, urutan pasangan kelas yang dimulai dari tidak dapat
dipisahkan hingga dapat dipisahkan dengan sangat baik adalah tambak-sungai, rumput-mangrove, sungai-mangrove, tambak-mangrove, tambak-rumput, tanah-
mangrove, rumput-sungai, tanah-sungai, tambak-tanah dan rumput-tanah. Rata- rata nilai keterpisahan kelas penutupan lahan pada metode metode Transformed
Divergence sebesar 1,710. Hal tersebut dikarenakan beberapa kelas tutupan lahan yang kurang dapat dipisahkan dengan baik, terutama kelas tutupan lahan tambak
dengan sungai dan rumput dengan mangrove.
5.3.2.3 Metode Klasifikasi Terbimbing Citra TerraSAR-X
Klasifikasi secara kuantitatif dalam konteks multispektral dapat diartikan sebagai suatu proses pengelompokan piksel ke dalam kelas-kelas yang ditetapkan
berdasarkan peubah-peubah yang digunakan. Berdasarkan teknik pendekatannya klasifikasi kuantitatif dibedakan atas klasifikasi tidak terbimbing unsupervised
classification dan terbimbing supervised classification. Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis supervised. Beberapa
model klasifikasi terbimbing diterapkan untuk mencari nilai akurasi yang paling tinggi dengan menggunakan data dari hasil penafsiran visual pada citra
TerraSAR-X sebagai data acuannya. Diantaranya adalah metode klasifikasi maximum likelihood, mahalanobis distance, minimum distance, parallelepiped
dan Support Vector Machine SVM. Besarnya nilai overall accuracy dan koefisien kappa pada masing-masing model terdapat dalam tabel 11.
Tabel 11 Nilai overall accuracy dan koefisien kappa setiap model
Metode klasifikasi terbimbing Overall accuracy
Koefisien kappa Maximum likelihood
71,10 0,4963
Mahalanobis distance 68,39
0,4927 Minimum distance
73,74 0,5352
Parallelepiped 70,69
0.4560 Support Vector Machine SVM
77,93 0,5885
Evaluasi keakuratan hasil penafsiran visual tutupan lahan digunakan untuk melihat besarnya kesalahan klasifikasi area contoh sehingga dapat ditentukan
besarnya persentase keakuratan hasil penafsiran. Terlihat pada tabel 11 bahwa nilai overall accuracy atau akurasi secara keseluruhan metode Support Vector
Machine SVM adalah paling besar, yaitu 77,93 dengan akurasi kappa sebesar 58,85 .
a. Support Vector Machine SVM Support vector machine SVM adalah sistem pembelajaran yang
menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur feature space berdimensi tinggi, dilatih dengan algoritma pembelajaran
yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias yang berasal dari teori pembelajaran statistik Christianini dalam Sembiring
2007. Support Vector Machine SVM pertama kali diperkenalkan oleh Vapnik
pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. Learning machine SVM bekerja atas prinsip
structural risk minimization SRM dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space. Pattern recognition
merupakan salah satu bidang dalam komputer sains, yang memetakan suatu data ke dalam konsep tertentu yang telah didefinisikan sebelumnya. Konsep tertentu
ini disebut class atau category. Berbagai metode dikenal dalam pattern recognition, seperti linear discrimination analysis, hidden markov model hingga
metode kecerdasan buatan seperti artificial neural network. Namun salah satu metode yang akhir-akhir ini banyak mendapat perhatian sebagai state of the art
dalam pattern recognition adalah Support Vector Machine SVM. b. Akurasi Support Vector Machine SVM
Berdasarkan hasil penelitian JAXA pada tahun 2009 tentang klasifikasi penutupan lahan di Riau dengan menggunakan citra ALOS PALSAR resolusi 50
meter, metode Support Vector Machine SVM merupakan metode klasifikasi terbaik. Secara prinsip SVM adalah linear classifier, pattern recognition
dilakukan dengan mentransformasikan data pada input space ke ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada ruang vector yang baru
tersebut. Hal ini membedakan SVM dari solusi pattern recognition pada
umumnya, yang melakukan optimisasi parameter pada ruang hasil transformasi yang berdimensi lebih rendah daripada dimensi input space.
Hasil confusion matrix dari klasifikasi Support Vector Machine SVM dengan menggunakan citra TerraSAR-X polarisasi HH dan VV rekaman tahun
2007 ditampilkan pada Tabel 12. Tabel 12 Confusion matrix ground truth pada metode Support Vector Machine
SVM
No Kelas
Tambak dan sungai
piksel Padang
rumput piksel
Tanah lapang
piksel Vegetasi
mangrove piksel
Total piksel
1 Tambak dan sungai
piksel 619771
32397 10708
51963 714839
2 Padang rumput
piksel 4313
22840 13
42576 69742
3 Tanah lapang
piksel 11740
319 18229
47989 78277
4 Vegetasi mangrove
piksel 26946
10878 2977
196621 237422
Total piksel 662770
66434 31927
339149 1100280
Producer’s accuracy 93.51
34.38 57.10
57.97 User’s accuracy
86.70 32.75
23.29 82.81
Overall accuracy 77.9312
Kappa accuracy 58,85
Nilai akurasi umum overall accuracy untuk hasil klasifikasi terbimbing menggunakan metode Support Vector Machine SVM pada citra TerraSAR-X
adalah sebesar
77,93
, sedangkan untuk nilai akurasi kappa adalah sebesar
58,85
. Perhitungan akurasi kappa dilakukan karena nilai akurasi umum cenderung over estimate Liu et al. 2009. Akurasi kappa ini dihitung menggunakan semua
elemen dalam matriks kesalahan, sehingga perhitungan akurasinya lebih baik. Agar hasil penafsiran visual kelas tutupan lahan tersebut dapat digunakan, maka
besarnya nilai akurasi harus lebih besar dari 85. Hasil akurasi yang diperoleh ternyata masih kurang dari 85. Kecilnya
nilai akurasi ini disebabkan karena adanya kesalahan pada proses klasifikasi. Hal ini dapat dilihat dari besarnya nilai kesalahan komisi yang berarti deliniasi objek
yang dilakukan kurang tepat. Contohnya pada objek tanah yang memiliki nilai akurasi pengguna hanya sebesar 23,29 . Semakin tingginya resolusi citra dapat
memungkinkan suatu objek akan terciri dengan sangat detail, sehingga akan
menuntut proses digitasi poligon untuk lebih detail lagi. Misalnya pada daerah tambak atau sungai. Adanya gulma atau tanaman yang di atas perairan tambak
akan terekam pada citra sebagai rumput karena nilai digital number hampir sama, sehingga dalam evaluasi akurasi akan dihitung sebagai suatu kesalahan, karena
dalam penafsiran secara visual masuk ke dalam kelas tambak. Hal ini dapat dilihat pada Tabel 13. Adanya rumput atau gulma pada tengah tambak juga akan sangat
menyulitkan pada proses digitasi poligon, karena keberadaannya merata dan tidak mengelompok, tetapi menyebar dengan jumlah yang kecil-kecil. Selain itu ada
juga tambak yang telah mengering karena sudah melewati masa panen ikan dan belum dilakukan irigasi kembali, sehingga mempunyai nilai digital number yang
hampir sama dengan tanah kosong. Jumlah polarisasi yang hanya dual polarization yaitu HH dan VV
menyebabkan terbatasnya resolusi spektral pada citra TerraSAR-X ini. Dibandingkan dengan citra optik seperti citra landsat jumlah bandnya jauh lebih
sedikit. Citra landsat mempunyai jumlah band sebanyak 7. Sedangkan citra radar yang ada sampai sekarang ini adalah full polarization dengan jumlah polarisasi
sebanyak 4. Terbatasnya resolusi spektral ini menyebabkan tampilan pada citra banyak terdapat noise, sehingga walaupun suat citra radar mempunyai resolusi
spasial yang tinggi akan terlihat sebagai objek yang berbintil-bintil. Hal ini dapat mengurangi tingkat akurasi pada saat proses klasifikasi citra.
Tabel 13 Objek di lapangan yang mempengaruhi keakuratan hasil klasifikasi No
Keterangan Objek Tampilan TerraSAR-X
Tampilan Quickbird Tampilan di lapangan
1 Tambak yang telah
mengering
2 Gulma yang ada di
tambak
54
5.3.2.4 Metode Klasifikasi Tidak Terbimbing Citra TerraSAR-X
