51
Selang nilai jeffries-matusita distance adalah antara 0 sampai dengan 1.414, semakin tinggi nilai yang diperoleh maka keterpisahan semakin bagus.
Evaluasi secara lengkap hasil uji jeffries-matusita distance dari tiap objek dapat
dilihat pada Tabel 12.
Dari hasil uji jeffries-matusita distance dapat dilihat bahwa keterpisahan perairan dengan objek lainnya mendapatkan nilai yang tinggi hampir semua nilai
mencapai lebih dari 1.400 sehingga bisa dikatakan keterpisahan sangat baik, begitu juga dengan mangrove primer baik citra tahun 2002 maupun tahun 1991
memiliki keterpisahan yang baik. Keterpisahan mangrove primer dengan tambak mencapai nilai maksimum yaitu 1.414 citra tahun 2000 dan 1.412 citra tahun
1991. Sedangkan keterpisahan antara mangrove primer dengan mangrove sekunder mencapai nilai 1.402, dari nilai tersebut bisa dikatakan bahwa mangrove
primer dengan mangrove sekunder bisa dibedakan dengan jelas. Nilai yang paling rendah dari hasil uji jeffries-matusita distance pada penelitian ini adalah
1.220 citra tahun 2000 dan 1.204 citra tahun 1991 yaitu antara mangrove sekunder dengan vegetasi darat, hal ini disebabkan karena adanya overlaping
beberapa pixel dari kedua objek tersebut. Berdasarkan Tabel 12 dapat disimpulkan bahwa keterpisahan objek cukup
baik, kecuali mangrove sekunder dengan vegetasi darat.
Tabel 12 Nilai jeffries-matusita distance
Kelas
Perairan Mangrove Primer
Mangrove Sekunder
Tambak Lainnya Veg darat
Th 2002
Mangrove primer
1.402
Mangrove sekunder
1.405 1.402
Tambak
1.413 1.414 1.414
Lainnyaveg darat
1.398 1.382 1.220 1.405
Awan
1.413 1.411 1.413 1.414 1.413 Th
1991
Mangrove primer
1.400
Mangrove sekunder
1.406 1.402
Tambak
1.402 1.413 1.412
Lainnyaveg darat
1.406 1.386 1.204 1.378
4.8 Uji Ketelitian Matrik Kontingensi
52
Selain evaluasi keterpisahan tiap kelas, uji ketelitian klasifikasi dapat dilakukan dengan menggunakan error matriks. Matrik ini membandingkan antara
data referensi dengan data hasil klasifikasi. Beberapa karakteristik hasil klasifikasi, diantaranya producers accuracy, users acuracy and overall accuracy
yang dianalisa dengan melihat perbedaan antara dua klasifikasi Congalton 1991.
Pada Tabel 13 ditampilkan hasil perhitungan nilai average user’s accuracy average commission error, producer’s accuracy average omission error,
overall accuracy dan overall kappa dari citra tahun 1991 dan tahun 2002 masing-
masing metode. Overall accuracy menekankan hasil overall klasifikasi yang difokuskan hanya pada diagonal utama pada error matriks klasifikasi, sedangkan
overall kappa menghitung bagaimana akurasi didistribusikan pada kelas-kelas individu.
Overall kappa adalah suatu ukuran dalam menilai hasil klasifikasi
penginderaan jauh dengan menggunakan data referensi, dimana data referensi disini adalah data masukan yang kita berikan pada saat training area. Selang nilai
overall kappa ini antara 0,0 sampai dengan 1,0. Nilai 1,0 menunjukkan bahwa
hasil klasifikasi sangat bagus dan sesuai dengan data referensi. Mather 2004 mengatakan bahwa jika nilai overall kappa lebih dari 0,75 menunjukkan
klasifikasi baik, sedangkan jika nilainya kurang dari 0,4 maka klasifikasi buruk.
Tabel 13 menunjukkan bahwa apabila menggunakan metode maximum
likelihood didapatkan nilai overall accuracy sebesar 93,45 tahun 2002 dan
92,37 tahun 1991 serta nilai overall kappa sebesar 0,9026 tahun 2002 dan 0,8800 tahun 1991. Metode neural network back propagation diperoleh nilai
overall accuracy 86,52 tahun 2002 dan 89,06 tahun 1991 serta nilai
overall kappa sebesar 0,7923 tahun 2002 dan 0,8210 tahun 1991.
Berdasarkan matrik kontingensi antara training area dan hasil klasifikasi dari metode maximum likelihood dan neural network back propagation pada
dasarnya diperoleh nilai akurasi yang tinggi. Namun dari kedua metode klasifikasi yang digunakan ternyata metode maximum likelihood akan diperoleh
akurasi lebih tinggi dari pada neural network back propagation.
53
Tabel 13 Ketelitian matrik kontingensi
Objek
Maximum Likelihood Neural Network Back
Propagation
user’s accuracy producer’s
accuracy user’s accuracy
producer’s accuracy
Th. 2002
Perairan 99,24 93,84
99,95 89,09
Mangrove primer 97,34
96,98 92,24
96,66 Mangrove sekunder
33,76 93,84
18,26 90,15
Tambak 90,17 98,01
64,52 98,43
Lainnyaveg darat 91,19
80,04 74,11
32,17 Awan 90,68
97,97 69,69
99,21 Rata-rata 83,73
93,45 69,79
84,29 Overall accuracy
93,45 86,52 Overall kappa
0,9026 0,7923 Th.
1991 Perairan 99,68
94,19 99,97
90,91 Mangrove primer
97,45 96,18
89,13 99,46
Mangrove sekunder 34,28
93,33 24,90
91,25 Tambak 29,95
97,97 38,58
95,37 Lainnyaveg darat
89,31 75,02
92,72 41,65
Rata-rata 70,13 91,34
69,60 83,72
Overall accuracy 92,37
89,06 Overall kappa
0,8800 0,8210
Hasil klasifikasi tersebut di atas sudah cukup bagus karena sudah memenuhi standar minimal ketelitian Landsat. Standar ketelitian untuk sensor
MSS dengan resolusi spasial 80 x 80 meter adalah sebesar 85, sedangkan untuk sensor TM yang mempunyai resolusi spasial 30 x 30 meter tentu akan lebih tinggi
lagi ketelitiannya Jaya, 1996. Tabel 14 dan 15 menunjukkan persentase suatu kelas benar masuk kelas
yang sebenarnya dan berapa persen dari kelas masuk ke kelas lain. Pada Tabel 14
merupakan hasil yang dicapai apabila menggunakan metode maximum likelihood
dan Tabel 15 menggunakan metode neural network back propagation. Masing-
masing metode klasifikasi tersebut akan memberikan nilai tingkat ketelitian yang berbeda.
Pada Tabel 14 menunjukkan bahwa evaluasi ketelitian apabila menggunakan metode Maximum Likelihood, pada tahun 2002 kelas mangrove
primer yang benar dimasukan ke dalam mangrove primer sebesar 96,99, 0,14
54
masuk kelas perairan, 1,88 masuk kelas mangrove sekunder, 0,02 masuk kelas tambak, 0,96 masuk kelas lainnya dan 0,01 masuk kelas awan. Mangrove
sekunder yang benar masuk kelas mangrove sekunder sejumlah 93,84, sedangkan 1,11 masuk kelas mangrove primer dan 4,14 masuk kelas lainnya.
Pada tahun 1991, kelas mangrove primer yang benar dimasukan ke dalam kelas mangrove primer sejumlah 96,18, 1,34 masuk kelas mangrove sekunder,
0,06 masuk kelas tambak dan 2,07 masuk kelas lainnya. Mangrove sekunder yang benar masuk kelas sekunder sejumlah 93,33, 0,50 masuk kelas
mangrove primer dan 6,08 masuk kelas lainnya. Dari Tabel 14 bisa disimpulkan bahwa masing-masing kelas telah terpetakan dengan baik.
Tabel 14 Evaluasi ketelitian matriks kontingensi dengan maximum likelihood Classified Data
Referensi Data
Perairan Mangrove Primer
Mangrove Sekunder
Tambak Lainnya
Awan
Th 2002 Perairan 93,84
0,14 0,10
0,45 1,59
1,40 Mangrove primer
2,21 96,99
1,11 0,36
0,03 0,14 Mangrove sekunder
1,79 1,88
93,84 0,00
17,62 0,07 Tambak
0,37 0,02
0,00 98,01
0,57 0,07 Lainnyaveg darat
1,20 0,96
4,14 1,18
80,04 0,35 Awan
0,60 0,01
0,81 0,00
0,14 97,97 Th 1991
Perairan 94,19 0,34
0,10 0,00
0,00 Mangrove primer
2,16 96,18
0,50 0,00
0,06 Mangrove sekunder
0,64 1,34
93,33 0,00
22,33 Tambak
2,40 0,06
0,00 97,97
2,58 Lainnyaveg darat
0,60 2,07
6,08 2,03
75,02
Tabel 15 merupakan hasil evaluasi ketelitian matriks kontingensi dengan metode Neural Network Back Propagation. Hasil klasifikasi citra tahun 2002
menunjukkan bahwa mangrove primer yang benar dimasukan ke dalam kelas mangrove primer sejumlah 96,66, sedangkan 3,27 yang seharusnya masuk
mangrove primer masuk kelas mangrove sekunder. Mangrove sekunder yang benar masuk mangrove sekunder adalah 90,15, selainnya yaitu 2,60 masuk
mangrove primer, 6,70 masuk kelas lainnya dan 0,55 masuk kelas awan. Pada data Tahun 1991, kelas mangrove primer yang benar dimasukan ke dalam kelas
mangrove primer 99,46, sebesar 0,53 masuk mangrove sekunder dan 0,01
55
masuk kelas tambak. Mangrove sekunder yang benar masuk mangrove sekunder adalah 91,25, sedangkan 2,12 masuk mangrove primer dan 6,63 masuk
kelas lainnya. Tabel 15 Evaluasi ketelitian matriks kontingensi dengan neural network back
propagation Classified Data
Referensi Data
Perairan Mangrove Primer
Mangrove Sekunder
Tambak Lainnya
Awan
Th 2002 Perairan 89,09
0,01 0,00
0,89 0,08
0,00 Mangrove primer
3,41 96,66
2,60 0,45
12,45 0,30 Mangrove sekunder
2,73 3,27
90,15 0,00
51,15 0,00 Tambak
0,72 0,05
0,00 98,43
2,60 0,00 Lainnyaveg darat
2,05 0,01
6,70 0,22
32,17 0,50 Awan
2,00 0,00
0,55 0,00
1,55 99,21 Th 1991
Perairan 90,91 0,00
0,00 4,63
0,00 Mangrove primer
7,78 99,46
2,12 0,00
6,51 Mangrove sekunder
0,78 0,53
91,25 0,00
48,18 Tambak
0,11 0,01
0,00 95,37
3,66 Lainnyaveg darat
0,41 0,00
6,63 0,00
41,65
Berdasarkan Tabel 14 dan 15 diketahui bahwa secara umum training area masing-masing objek telah terkelaskan dengan baik, baik dengan metode
klasifikasi maximum likelihood maupun neural network back propagation. Demikian juga khususnya untuk training area objek mangrove juga akan
terkelaskan dengan baik, baik menggunakan metode klasifikasi maximum likelihood
maupun neural network back propagation.
4.9 Klasifikasi Citra Image Classification
