Kajian ukuran training sample optimum untuk klasifikasi penutup lahan dengan metode kemungkinan maksimum
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Kajian Ukuran
Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode
Kemungkinan Maksimum adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Alfiansyah Muhammad
NIM G14100067
ABSTRAK
ALFIANSYAH MUHAMMAD. Kajian Ukuran Training Sample Optimum untuk
Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum. Dibimbing
oleh AAM ALAMUDI, HARI WIJAYANTO, dan WIWEKA.
Klasifikasi dalam penginderaan jauh didefinisikan sebagai suatu metode
untuk memberikan label pada piksel berdasarkan karakter spektral yang dimiliki
oleh piksel tersebut. Klasifikasi terbimbing merupakan klasifikasi nilai piksel
didasarkan pada contoh daerah yang diketahui jenis objek dan nilai spektralnya.
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek yang
diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai menjadi sulit dilakukan sehingga
mengurangi hasil ketelitian klasifikasi. Kelas penutup lahan diklasifikasikan
dengan menggunakan metode kemungkinan maksimum. Kombinasi training
sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata
ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta rata-rata nilai
koefisien Kappa sebesar 0.6298. Training sample perlu dibuat sedemikian rupa
sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar
dengan ukuran masing-masing poligon yang kecil.
Kata kunci: klasifikasi kemungkinan maksimum, penginderaan jauh, training
sample
ABSTRACT
ALFIANSYAH MUHAMMAD. Optimum Training Sample Size Assessment for
Land Cover Classification by Maximum Likelihood Method. Supervised by AAM
ALAMUDI, HARI WIJAYANTO, and WIWEKA.
Classification in remote sensing is defined as a method for labeling the
pixels based on spectral character possessed by the pixel. Supervised classification
is a classification of the pixel values are based on sample areas of known object
types and spectral values. High spectral value diversity and overlapping on the
object observed are problem in land cover classification. Making proper and
appropriate training sample becomes difficult to do. It reduces the accuracy of
classification results. Land cover classes were classified by maximum likelihood
method. The best combination is combination 9 (111-160 pixels, 15 polygons).
Average of overall classification accuracy (KH) is 70.55% and the average of
Kappa coefficient is 0.6298. Training samples need to be made such that it has a
large total pixels obtained from a large number of polygons with a small size of
each polygon.
Keywords: maximum likelihood classification, remote sensing, training sample
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum
Nama
: Alfiansyah Muhammad
NIM
: G14100067
Disetujui oleh
Ir Aam Alamudi, MSi
Pembimbing I
Dr Ir Hari Wijayanto, MSi
Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi
Ketua Departemen
Tanggal Lulus:
Dr Wiweka
Pembimbing III
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan sejak bulan Februari 2014 ini adalah penginderaan
jauh, dengan judul Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum.
Terima kasih penulis ucapkan kepada Bapak Ir Aam Alamudi, MSi, Bapak
Dr Ir Hari Wijayanto, MSi, dan Bapak Dr Wiweka selaku pembimbing. Di
samping itu, penghargaan penulis sampaikan kepada seluruh staf Lembaga
Penerbangan dan Antariksa Nasional, staf dan jajaran dosen Departemen
Statistika serta Keluarga Statistika IPB khususnya angkatan 47, yang telah banyak
membantu memberikan saran dan dukungannya sehingga terselesaikannya karya
ilmiah ini. Ungkapan terima kasih juga penulis sampaikan kepada ayah, ibu, serta
seluruh keluarga, atas segala doa dan dukungannya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Alfiansyah Muhammad
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
TINJAUAN PUSTAKA
2
Data Raster
2
Klasifikasi Terbimbing
2
Klasifikasi Kemungkinan Maksimum
3
Metode Penarikan Contoh
3
METODOLOGI PENELITIAN
4
Sumber Data
4
Metode Analisis
4
HASIL DAN PEMBAHASAN
6
Gambaran Umum Wilayah Penelitian
6
Ketelitian Pemetaan
7
Uji Ketelitian Klasifikasi
7
Koefisien Kappa
9
Training sample Optimum
SIMPULAN DAN SARAN
11
11
Simpulan
11
Saran
12
DAFTAR PUSTAKA
12
LAMPIRAN
13
RIWAYAT HIDUP
18
DAFTAR TABEL
1 Kombinasi training sample ....................................................................... 5
2 Matriks kesalahan ...................................................................................... 6
3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap
kombinasi training sample ........................................................................ 7
DAFTAR GAMBAR
1 Struktur model data raster ......................................................................... 2
2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori total piksel ......................................................................... 8
3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori jumlah poligon .................................................................. 8
4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
masing-masing kategori total piksel pada setiap kategori jumlah
poligon ....................................................................................................... 9
5 Rata-rata nilai koefisien Kappa pada setiap kategori total piksel ............. 9
6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah poligon ..... 10
7 Rata-rata nilai koefisien Kappa masing-masing kategori total piksel
pada setiap kategori jumlah poligon ..................................................... 10
DAFTAR LAMPIRAN
1 Tabel ketelitian pemetaan kelas air setiap kombinasi training
sample (%) ............................................................................................. 13
2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi
training sample (%) ................................................................................. 13
3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training
sample (%) ............................................................................................... 13
4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi
training sample (%) ................................................................................. 14
5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training
sample (%) ............................................................................................... 14
6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi
training sample (%) ................................................................................. 14
7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training
sample (%) ............................................................................................... 15
8 Tabel nilai koefisien Kappa setiap kombinasi training sample ............... 15
9 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
10 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
11 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 16
12 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
13 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
14 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%) ........................... 16
16 Tabel rata-rata nilai koefisien Kappa ...................................................... 17
PENDAHULUAN
Latar Belakang
Lillesand dan Kiefer (1990) menjelaskan bahwa penginderaan jauh (remote
sensing) adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek,
daerah, atau fenomena melalui analisis yang diperoleh dengan suatu alat tanpa
kontak langsung dengan objek, daerah, atau fenomena yang dikaji. Perkembangan
teknologi penginderaan jauh harus diikuti dengan pengembangan analisis di
bidang tersebut. Salah satu contoh analisis yang sering dilakukan pada data
penginderaan jauh adalah klasifikasi penutup lahan. Informasi mengenai
klasifikasi dimungkinkan karena setiap penggunaan lahan memiliki penutup
lahan, yaitu material yang nampak dari permukaan bumi seperti air, tanaman dan
tanah yang mempunyai karakteristik spektral yang berbeda. Penutup lahan adalah
perwujudan secara fisik objek-objek yang menutupi lahan. Terkadang penutup
lahan ini bersifat alami. Ciri spektral yang spesifik disebut penciri spektral
(spectral signature) yang digunakan untuk mengklasifikasikan penutup lahan
pada multispectral image.
Richards (1986) dalam tulisan Buono (2004) menjelaskan definisi
klasifikasi dalam penginderaan jauh, yaitu sebagai suatu metode untuk
memberikan label pada piksel berdasarkan karakter spektral yang dimiliki oleh
piksel tersebut. Metode klasifikasi terbimbing merupakan teknik yang cukup baik
digunakan pada klasifikasi penutup lahan. Klasifikasi terbimbing merupakan
klasifikasi nilai piksel didasarkan pada contoh daerah yang diketahui jenis objek
dan nilai spektralnya. Salah satu metode klasifikasi yang sering digunakan adalah
klasifikasi berdasarkan kemungkinan maksimum (maximum likelihood).
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek
yang diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai pada setiap kelas penutup lahan menjadi
sulit dilakukan sehingga mengurangi hasil ketelitian klasifikasi. Jumlah serta
besar ukuran piksel dan poligon menjadi permasalahan penting yang harus
dipertimbangkan untuk mendapatkan training sample yang tepat dan dapat
mewakili setiap kelas penutup lahan.
Penelitian ini mengkaji jumlah poligon dan total seluruh piksel optimum
untuk menghasilkan klasifikasi citra digital yang memiliki akurasi tinggi. Pada
penelitian ini digunakan 9 kombinasi training sample. Kombinasi tersebut
didasarkan pada jumlah serta besar ukuran piksel dan poligon. Klasifikasi
berdasarkan kemungkinan maksimum dilakukan pada setiap kombinasi training
sample. Kemudian dari seluruh kombinasi tersebut didapatkan satu kombinasi
training sample dengan akurasi ketelitian klasifikasi tertinggi yang menjadi
kombinasi training sample optimum untuk klasifikasi penutup lahan.
Tujuan Penelitian
Tujuan dari penelitian ini adalah mengkaji jumlah poligon dan total seluruh
piksel optimum untuk menghasilkan klasifikasi citra digital yang memiliki akurasi
tinggi.
2
TINJAUAN PUSTAKA
Data Raster
Pada umumnya data yang dihasilkan dari citra satelit adalah data raster.
Data raster menampilkan, menempatkan, dan menyimpan data spasial dengan
menggunakan struktur matriks atau piksel-piksel yang membentuk grid. Setiap
piksel memiliki nilai tertentu dan memiliki atribut tersendiri, termasuk nilai
koordinat yang unik. Tingkat keakurasian model ini sangat tergantung pada
ukuran piksel atau biasa disebut dengan resolusi. Umumnya, data setiap piksel ini
diimplementasikan di dalam data 8-bit atau 1-byte (0, 1 , 2, …, 254, 255). Pada
citra skala keabuan (greyscale) yang normal, intensitas dari gelap menuju terang
akan terbagi ke dalam 256 tingkatan (0 – 255). Nilai 0 (minimum)
merepresentasikan warna hitam/gelap, sedangkan nilai 255 (maksimum)
merepresentasikan warna putih/terang, sementara di antara nilai-nilai tersebut
terdapat nilai-nilai antara hitam dan putih (abu-abu) (Prahasta 2009).
Gambar 1 Struktur model data raster
Model data raster memberikan informasi spasial terhadap permukaan di
bumi dalam bentuk gambaran yang digeneralisasi. Representasi dunia nyata
disajikan sebagai elemen matriks atau piksel yang membentuk grid yang
homogen. Pada setiap piksel mewakili setiap objek yang terekam dan ditandai
dengan nilai-nilai tertentu. Secara konseptual, model data raster merupakan model
data spasial yang paling sederhana (Prahasta 2005).
Klasifikasi Terbimbing
Menurut Purwadhi (2001) klasifikasi terbimbing yang didasarkan pada
pengenalan pola spektral (spectral pattern recognition) terdiri atas tiga tahap,
sebagai berikut:
1. Tahap training sample: membuat “kunci interpretasi” dan
mengembangkan secara numerik spektral untuk setiap kenampakan
dengan memeriksa batas daerah (training area).
2. Tahap klasifikasi: setiap piksel pada serangkaian data citra
dibandingkan dengan setiap kategori pada kunci interpretasi numerik.
Pembandingan bertujuan untuk menentukan nilai piksel yang tak
3
dikenal dan paling mirip dengan kategori yang sama. Perbandingan
setiap piksel citra dengan kategori pada kunci interpretasi dikerjakan
secara numerik menggunakan berbagai metode klasifikasi (jarak
minimum rata-rata kelas, parallelepiped, kemungkinan maksimum).
Setiap piksel kemudian diberi nama sehingga diperoleh matriks
multidimensi untuk menentukan jenis kategori penutup lahan yang
diinterpretasi.
3. Tahap penggabungan: menggabungkan hasil matriks sehingga terbentuk
peta penutup lahan dan membuat tabel matriks luas berbagai jenis
penutup lahan pada citra.
Klasifikasi Kemungkinan Maksimum
Purwadhi (2001) menjelaskan bahwa klasifikasi berdasarkan kemungkinan
maksimum merupakan metode pengklasifikasian dengan cara mengevaluasi
kuantitatif varian maupun korelasi pola tanggapan spektral pada saat
mengklasifikasikan piksel yang tidak dikenal. Menurut Ahmad dan Quegan
(2012) klasifikasi berdasarkan kemungkinan maksimum adalah metode klasifikasi
terbimbing yang berasal dari teorema Bayes. Klasifikasi ini mengasumsikan
bahwa sebaran data dari setiap kelas tertentu mengikuti sebaran Normal sehingga
setiap piksel dapat diklasifikasikan berdasarkan fungsi log likelihood sebagai
berikut:
Keterangan:
= fungsi log kemungkinan maksimum
= vektor data yang akan diklasifikasikan
= vektor rata-rata (mean) untuk kelas i
= matriks kovarian untuk kelas i
= transpos dari vektor
= invers dari matriks
π
= 22/7
= jumlah saluran
piksel ω masuk ke dalam kelas i dengan aturan:
,
, untuk
dan
, dengan
ω € i jika
adalah banyaknya kelas penutup lahan. Setiap piksel masuk ke dalam kelas
tertentu yang memiliki nilai log kemungkinan maksimum tertinggi.
Metode Penarikan Contoh
Pada penelitian ini metode penarikan contoh yang digunakan adalah
purposive sampling. Menurut Riduwan (2009) purposive sampling atau dikenal
juga dengan sampling pertimbangan adalah teknik penarikan contoh yang
digunakan peneliti jika peneliti mempunyai pertimbangan-pertimbangan tertentu
di dalam pengambilan contohnya atau penentuan contoh untuk tujuan tertentu.
Purposive sampling juga dapat diartikan sebagai teknik pengambilan contoh
4
secara sengaja atau ditentukan sendiri oleh peneliti karena ada pertimbangan
tertentu. Metode ini didasarkan pada penilaian peneliti mengenai objek yang
pantas untuk diambil sebagai contoh, sehingga peneliti harus mempunyai latar
belakang pengetahuan tertentu mengenai contoh yang dimaksud agar
mendapatkan contoh yang sesuai dengan tujuan penelitian.
METODOLOGI PENELITIAN
Sumber Data
Data yang digunakan pada penelitian ini adalah data citra satelit Landsat 8
Kecamatan Darmaga pada 22 April 2014 yang diperoleh dari website United
States Geological Survey (USGS) pada http//:www.earthexplorer.usgs.gov. Data
vektor kecamatan di Kabupaten Bogor diperoleh dari Lembaga Penerbangan dan
Antariksa Nasional (LAPAN).
Metode Analisis
Tahapan analisis yang digunakan adalah:
1. Membuat peta klasifikasi rujukan sebagai pembanding dengan tahapan
sebagai berikut:
a. Menentukan wilayah yang akan diklasifikasikan. Wilayah yang
terpilih ditentukan berdasarkan keragaman nilai spektral yang cukup
tinggi. Keragaman nilai spektral yang tinggi dapat dilihat dari
keragaman kelas penutup lahan pada wilayah tersebut.
b. Mengidentifikasi dan menentukan kelas penutup lahan yang akan
diklasifikasikan. Kelas-kelas penutup lahan ditentukan berdasarkan
tipe penutup lahan yang ada di wilayah terpilih.
c. Membuat training sample awal dengan Google Earth dan data
lapangan sebagai rujukan.
d. Melakukan klasifikasi berdasarkan kemungkinan maksimum
(maximum likelihood) dari training sample awal pada data citra satelit
Landsat 8 di wilayah yang telah ditentukan dengan perangkat lunak
2. Mengambil training sample setiap kelas penutup lahan pada data citra
satelit Landsat 8 dengan kombinasi training sample yang telah
ditentukan.
Swain dan Davis (1978) dalam tulisan Priyatna (2007) menganjurkan
jumlah piksel minimum yang diambil untuk mewakili setiap kelas
penutup lahan adalah sebanyak N+1. N adalah jumlah saluran yang
digunakan pada penelitian ini, yaitu 11 saluran. Pengambilan contoh
dilakukan dengan rincian sebagai berikut:
a. Total seluruh piksel yang akan diambil pada setiap kelas penutup
lahan dikelaskan ke dalam 3 kategori, yaitu piksel 1 (11-60 piksel),
piksel 2 (61-110 piksel), dan piksel 3 (111-160 piksel).
5
b. Jumlah poligon yang akan diambil pada setiap kelas penutup lahan
dikelaskan ke dalam 3 kategori, yaitu poligon 1 (5 poligon), poligon 2
(10 poligon), dan poligon 3 (15 poligon).
c. Membuat 9 kombinasi training sample dari kategori piksel dan
poligon yang telah ditentukan seperti pada Tabel 1 serta membuat
ulangan sebanyak 3 kali.
Tabel 1 Kombinasi training sample
Kombinasi
1
2
3
4
5
6
7
8
9
Training Sample
11-60 piksel, 5 poligon
61-110 piksel, 5 poligon
111-160 piksel, 5 poligon
11-60 piksel, 10 poligon
61-110 piksel, 10 poligon
111-160 piksel, 10 poligon
11-60 piksel, 15 poligon
61-110 piksel, 15 poligon
111-160 piksel, 15 poligon
3. Melakukan klasifikasi berdasarkan kemungkinan maksimum pada
masing-masing kombinasi training sample.
4. Melakukan uji ketelitian klasifikasi untuk setiap kelas penutup lahan
pada hasil klasifikasi masing-masing kombinasi training sample.
Short (1982) dalam tulisan Purwadhi (2001) menjelaskan uji ketelitian
interpretasi dapat dilakukan dengan menghitung ketelitian pemetaan
dengan rumus sebagai berikut:
Keterangan:
MA = Ketelitian pemetaan (mapping accuracy)
Xcr = Jumlah kelas X yang terkoreksi
Xo = Jumlah kelas X yang masuk ke kelas lain (omisi)
Xco = Jumlah kelas X tambahan dari kelas lain (komisi)
5. Melakukan uji ketelitian klasifikasi secara keseluruhan pada hasil
klasifikasi masing-masing kombinasi training sample.
Menurut Short (1982) dalam tulisan Purwadhi (2001), uji ketelitian
klasifikasi secara keseluruhan (KH) dapat dihitung dengan rumus sebagai
berikut:
6. Menghitung nilai koefisien Kappa pada hasil klasifikasi masing-masing
kombinasi training sample untuk melihat ketelitian klasifikasi.
Menurut Foody (2002) berikut adalah rumus untuk menghitung koefisien
Kappa:
6
Survei Lapangan
Tabel 2 Matriks kesalahan
Hasil Interpretasi
A
B
C
D
A
B
C
D
∑
∑
n
7. Melakukan analisis deskriptif pada hasil uji ketelitian klasifikasi secara
keseluruhan (KH) dan koefisien Kappa.
8. Menyimpulkan dan menentukan kombinasi terbaik serta training sample
optimum berdasarkan ketelitian klasifikasi secara keseluruhan (KH) dan
koefisien Kappa yang paling tinggi.
HASIL DAN PEMBAHASAN
Gambaran Umum Wilayah Penelitian
Data yang digunakan pada penelitian ini adalah data citra satelit Landsat 8
kecamatan Darmaga pada tanggal 22 April 2014. Kecamatan Darmaga terpilih
sebagai wilayah yang dikaji karena memiliki keragaman nilai spektral yang
cukup tinggi serta terdapat tumpang tindih pada objek yang diamati. Penelitian ini
hanya menggunakan satu wilayah kajian. Hal ini disebabkan setiap wilayah
memiliki keragaman nilai spektral yang berbeda serta memiliki luas setiap
penutup lahan yang tidak sama sehingga kombinasi training sample yang telah
ditentukan tidak sesuai dengan wilayah tersebut. Keterbatasan utama untuk
mengkaji wilayah lain adalah kelas pentup lahan yang belum dapat dikenali secara
benar sehingga klasifikasi awal tidak dapat dilakukan.
Pada penelitian ini terdapat 6 kelas penutup lahan yang akan
diklasifikasikan. Kelas penutup lahan tersebut adalah air, pemukiman, hutan,
perkebunan, sawah, dan lahan terbuka. Namun terdapat satu kelas tambahan
(unclass) yang digunakan untuk mendefinisikan daerah di luar kecamatan
Darmaga dan kelas awan.
7
Ketelitian Pemetaan
Setiap kelas penutup lahan memiliki nilai ketelitian pemetaan yang berbeda.
Nilai ini menunjukkan ketepatan klasifikasi setiap kelas penutup lahan. Nilai
tersebut juga merepresentasikan tingkat kesulitan setiap kelas penutup lahan
dalam pengambilan training sample. Semakin rendah akurasi kelas penutup lahan
maka semakin sulit kelas tersebut dalam pengambilan training sample.
Tabel 3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap kombinasi
training sample
Ketelitian Pemetaan (%)
Kombinasi
1
2
3
4
5
6
7
8
9
Rata-rata
Simp. Baku
Maksimum
Minimum
Lahan
Air Pemukiman Hutan Perkebunan Sawah Terbuka
39.03
76.97 39.30
38.49 42.31
30.55
41.15
77.00 25.39
33.21 35.75
39.02
39.10
78.11 28.05
43.75 41.01
37.91
37.65
74.07 43.06
41.02 43.23
23.49
35.36
78.34 33.70
40.47 46.76
36.09
30.30
80.52 44.68
49.55 37.43
39.01
39.02
76.36 35.75
39.52 38.37
30.73
29.21
80.25 47.00
53.74 41.87
38.41
32.04
82.43 51.22
53.01 50.21
40.13
35.87
78.23 38.69
43.64 41.88
35.04
4.35
2.52
8.70
7.02
4.55
5.59
41.15
82.43 51.22
53.74 50.21
40.13
29.21
74.07 25.39
33.21 35.75
23.49
Dari ketelitian pemetaan setiap kelas penutup lahan, kelas pemukiman
memiliki rata-rata nilai ketelitian pemetaan yang tertinggi yaitu sebesar 78.23%.
Hal ini terjadi karena pada kelas pemukiman tidak terjadi tumpang tindih antar
objek yang diamati. Kelas lahan terbuka memiliki rata-rata nilai ketelitian
pemetaan terendah yaitu sebesar 35.04%. Kelas ini menjadi sulit untuk
diklasifikasikan karena luasnya yang relatif kecil dan adanya tumpang tindih antar
objek yang diamati sehingga harus berhati-hati dalam pengambilan training
sample.
Uji Ketelitian Klasifikasi
Dari pengklasifikasian 9 kombinasi training sample dengan klasifikasi
kemungkinan maksimum, terlihat bahwa terdapat tren menaik pada kategori total
piksel. Semakin besar total piksel maka rata-rata nilai KH semakin bertambah.
Piksel 3 merupakan kategori total piksel yang terbaik dengan nilai rata-rata
keseluruhan tertinggi yaitu sebesar 66.57%, sedangkan piksel 1 memiliki rata-rata
keseluruhan terendah yaitu sebesar 63.80%.
8
Gambar 2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
pada setiap kategori total piksel
Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar
jumlah poligon maka rata-rata nilai KH semakin bertambah. Poligon 3 merupakan
kategori jumlah poligon terbaik karena memiliki rata-rata nilai KH tertinggi pada
piksel 2 dan piksel 3, serta memiliki rata-rata secara keseluruhan sebesar 66.90%.
Poligon 1 memiliki ketelitian klasifikasi terendah dengan rata-rata keseluruhan
sebesar 62.51%.
Gambar 3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
pada setiap kategori jumlah poligon
Berdasarkan ketelitian klasifikasi secara keseluruhan (KH) terlihat bahwa
kombinasi 9 memberikan nilai akurasi yang paling tinggi dengan rata-rata sebesar
70.55%. Kombinasi training sample lainnya memiliki nilai rata-rata KH yang
tidak melebihi 70%, yaitu kombinasi 8 (67.25%), kombinasi 6 (65.61%),
9
Gambar 4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
masing-masing kategori total piksel pada setiap kategori
jumlah poligon
kombinasi 5 (65.53%), kombinasi 4 (64.39%), kombinasi 1 (64.13%), kombinasi
3 (63.54%), dan kombinasi 7 (62.90%). Kombinasi 2 memiliki rata-rata nilai
ketelitian klasifikasi terendah yaitu sebesar 59.86%.
Koefisien Kappa
Berdasarkan koefisien Kappa terlihat bahwa terdapat tren menaik pada
kategori total piksel. Semakin besar total piksel maka rata-rata nilai koefisien
Kappa semakin bertambah. Piksel 3 adalah kategori total piksel terbaik dengan
rata-rata keseluruhan nilai koefisien Kappa tertinggi yaitu sebesar 0.5882,
sedangkan piksel 1 memiliki rata-rata keseluruhan terendah yaitu sebesar 0.5438.
Gambar 5 Rata-rata nilai koefisein Kappa pada setiap kategori total piksel
10
Gambar 6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah
poligon
Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar
jumlah poligon maka rata-rata nilai koefisien Kappa semakin bertambah. Poligon
3 merupakan kategori jumlah poligon terbaik karena memiliki rata-rata koefisien
Kappa tertinggi pada piksel 2 dan piksel 3, serta memiliki rata-rata keseluruhan
sebesar 0.5881. Poligon 1 memiliki nilai koefisien Kappa terendah dengan ratarata keseluruhan sebesar 0.5385.
Gambar 7 Rata-rata nilai koefisien Kappa masing-masing kategori total
piksel pada setiap kategori jumlah poligon
Kombinasi training sample terbaik juga dapat dilihat dari nilai koefisien
Kappa. Kombinasi 9 memiliki rata-rata nilai koefisien Kappa terbaik, yaitu
11
sebesar 0.6298. Nilai rata-rata koefisien Kappa terendah berada pada kombinasi 2,
yaitu sebesar 0.5135. Kombinasi training sample lainnya memiliki rata-rata nilai
koefisien Kappa sebesar 0.5948 (kombinasi 8), 0.5794 (kombinasi 6), 0.5657
(kombinasi 5), 0.5553 (kombinasi 3), 0.5466 (kombinasi 1), 0.5451 (kombinasi 4),
dan 0.5396 (kombinasi 7).
Training sample Optimum
Hasil ketelitian klasifikasi secara keseluruhan menunjukkan bahwa nilai
akurasi yang paling baik terdapat pada kombinasi 9 atau training sample dengan
total piksel dan jumlah poligon yang besar (111-160 piksel, 15 poligon) yaitu
dengan rata-rata akurasi 70.55%. Simpangan baku dari kombinasi 9 sebesar
1.81%. Kombinasi 9 juga memiliki nilai rata-rata koefisien Kappa terbaik yaitu
sebesar 0.6298 dengan simpangan baku 0.0211. Kategori total piksel terbaik
berdasarkan nilai KH terdapat pada piksel 3 (110-160 piksel) yang memiliki ratarata akurasi sebesar 66.57% dengan simpangan baku sebesar 3.60%. Berdasarkan
koefisien Kappa, piksel 3 juga memiliki nilai rata-rata tertinggi, yaitu sebesar
0.5882 dengan simpangan baku sebesar 0.0380. Kategori jumlah poligon terbaik
terdapat pada poligon 3 (15 poligon) yang memiliki rata-rata KH sebesar 66.90%
dengan simpangan baku sebesar 3.84%, serta memiliki nilai rata-rata koefisien
Kappa sebesar 0.5881 dengan simpangan baku sebesar 0.0455.
SIMPULAN DAN SARAN
Simpulan
Kombinasi training sample terbaik adalah kombinasi 9 (111-160 piksel, 15
poligon) dengan rata-rata ketelitian klasifikasi secara keseluruhan (KH) sebesar
70.55% serta nilai koefisien Kappa sebesar 0.6298. Kombinasi 9 memiliki
training sample dengan total seluruh piksel dan jumlah poligon yang besar pada
setiap kelas penutup lahan. Dalam pengklasifikasian penutup lahan, training
sample yang digunakan harus mencukupi pada setiap kelas penutup lahan. Total
seluruh piksel yang besar dibutuhkan untuk merepresentasikan nilai spektral
setiap kelas penutup lahan yang memiliki keragaman tinggi. Jumlah poligon yang
cukup besar juga memberikan akurasi yang lebih baik, tetapi dengan ukuran yang
tidak terlalu besar pada setiap poligon. Ukuran poligon yang terlalu besar
mengakibatkan kesalahan dalam pengambilan training sample. Hal ini disebabkan
oleh piksel yang seharusnya masuk ke dalam kelas lain ikut terambil ke dalam
training sample (piksel komisi). Training sample perlu dibuat sedemikian rupa
sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar
dengan ukuran masing-masing poligon yang kecil.
12
Saran
Penelitian selanjutnya perlu mengkaji kemurnian piksel pada setiap kelas
penutup lahan agar piksel kelas lain yang tidak termasuk ke dalam kelas tersebut
(piksel komisi) tidak ikut terambil pada saat pengambilan training sample.
DAFTAR PUSTAKA
Ahmad A, Quegan S. 2012. Analysis of Maximum Likelihood Classification on
Multispectral Data. Applied Mathematical Sciences. 129 (64): 25 – 36.
Buono A, Marimin, Putri D. 2004. Klasifikasi Penutup dan Penggunaan Lahan
Pada Multispectral Image dari Landsat Thematic Mapper Menggunakan
Probabilistic Neural Network. Jurnal Ilmiah - Ilmu Komputer. 2(2): 1-13.
Foody GM. 2002. Status of Land Cover Classification Accuracy Assessment.
Remote Sensing of Environment. 80: 185-201.
Lillesand TM, Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra.
Terjemahan oleh Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah.
Sutanto, penyunting. Yogyakarta (ID): Gadjah Mada University Press.
Prahasta E. 2005. Konsep-Konsep Dasar Sistem Informasi Geografis Ed-2.
Bandung (ID): Informatika Bandung.
Prahasta E. 2009. Sistem Informasi Geografis: Konsep-Konsep Dasar (Perspektif
Geodesi & Geomatika). Bandung (ID): Informatika Bandung.
Priyatna D. 2007. Deteksi Perubahan Tutupan Lahan di DAS Cisadane Bagian
Hulu Menggunakan Data Landsat Multiwaktu [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Purwadhi FSH. 2001. Interpretasi Citra Digital. Jakarta (ID): PT. Gramedia
Widiasaeana Indonesia.
Riduwan. 2009. Pengantar Statistika Sosial Ed-2. Bandung (ID): Alfabeta.
13
Lampiran 1 Tabel ketelitian pemetaan kelas air setiap kombinasi training sample
(%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
42.33
42.58
38.44
48.66
37.12
29.12
35.93
32.68
34.64
Ulangan
2
37.53
41.26
42.35
29.96
34.29
32.28
36.15
26.59
30.32
3
37.31
39.62
36.50
34.33
34.68
29.51
44.98
28.37
31.16
Rata- Simp.
Maksimum Minimum
rata
Baku
39.05
2.84
42.33
37.31
41.15
1.48
42.58
39.62
39.10
2.98
42.35
36.50
37.65
9.79
48.66
29.96
35.36
1.53
37.12
34.29
30.30
1.72
32.28
29.12
39.02
5.16
44.98
35.93
29.21
3.13
32.68
26.59
32.04
2.29
34.64
30.32
Lampiran 2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
82.28
76.48
79.87
75.68
74.04
80.70
73.44
79.91
82.32
Ulangan
2
75.84
77.45
76.54
70.07
79.60
77.94
80.27
79.48
82.80
3
72.80
77.08
77.91
76.47
81.39
82.93
75.39
81.37
82.16
Rata- Simp.
Maksimum
rata
Baku
76.97
4.84
82.28
77.00
0.49
77.45
78.11
1.67
79.87
74.07
3.49
76.47
78.34
3.83
81.39
80.52
2.50
82.93
76.36
3.52
80.27
80.25
0.99
81.37
82.43
0.33
82.80
Minimum
72.80
76.48
76.54
70.07
74.04
77.94
73.44
79.48
82.16
Lampiran 3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
48.15
34.42
36.39
24.51
32.06
31.70
33.03
47.49
54.75
Ulangan
2
24.15
21.80
20.97
47.33
36.78
54.20
41.79
50.47
43.30
3
34.28
19.95
26.80
57.36
32.27
48.14
32.43
43.05
55.60
Rata- Simp.
Maksimum Minimum
rata
Baku
35.52 12.05
48.15
24.15
25.39
7.88
34.42
19.95
28.05
7.78
36.39
20.97
43.06 16.83
57.36
24.51
33.70
2.66
36.78
32.06
44.68 11.64
54.20
31.70
35.75
5.24
41.79
32.43
47.00
3.73
50.47
43.05
51.22
6.87
55.60
43.30
14
Lampiran 4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
42.64
42.26
46.87
39.08
42.20
39.05
26.51
49.41
55.44
Ulangan
2
32.92
26.83
40.72
46.73
35.93
55.54
46.90
55.49
54.95
3
33.61
30.52
43.65
37.26
43.29
54.06
45.16
56.30
48.66
Rata- Simp.
Maksimum Minimum
rata
Baku
36.39
5.42
42.64
32.92
33.21
8.06
42.26
26.83
43.75
3.07
46.87
40.72
41.02
5.02
46.73
37.26
40.47
3.97
43.29
35.93
49.55
9.12
55.54
39.05
39.52 11.30
46.90
26.51
53.74
3.76
56.30
49.41
53.01
3.78
55.44
48.66
Lampiran 5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
52.31
34.58
40.75
44.03
46.71
30.39
24.69
39.69
53.32
Ulangan
2
40.21
36.48
41.91
41.56
47.73
41.77
43.88
43.97
48.02
3
44.87
36.18
40.37
44.11
45.83
40.14
46.55
41.96
49.30
Ratarata
45.80
35.75
41.01
43.23
46.76
37.43
38.37
41.87
50.21
Simp.
Maksimum Minimum
Baku
6.10
1.02
0.80
1.45
0.95
6.15
11.93
2.14
2.77
52.31
36.48
41.91
44.11
47.73
41.77
46.55
43.97
53.32
40.21
34.58
40.37
41.56
45.83
30.39
24.69
39.69
48.02
Lampiran 6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi
training sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
29.04
37.38
35.63
19.95
36.03
30.80
28.18
31.21
40.00
Ulangan
2
25.93
41.39
38.64
21.16
44.29
40.72
29.88
39.73
42.37
3
36.68
38.28
39.47
29.35
27.96
45.51
34.12
44.29
38.01
Rata- Simp.
Maksimum Minimum
rata
Baku
30.55
5.53
36.68
25.93
39.02
2.10
41.39
37.38
37.91
2.02
39.47
35.63
23.49
5.11
29.35
19.95
36.09
8.17
44.29
27.96
39.01
7.50
45.51
30.80
30.73
3.06
34.12
28.18
38.41
6.64
44.29
31.21
40.13
2.18
42.37
38.01
15
Lampiran 7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
70.27
63.30
65.83
62.68
65.57
59.32
55.18
65.43
72.61
Ulangan
2
59.69
58.64
61.20
64.64
65.67
69.06
66.58
68.05
69.79
3
62.42
57.66
63.60
65.83
65.37
68.45
66.93
68.28
69.25
Ratarata
Simp.
Maksimum Minimum
Baku
64.13
59.86
63.54
64.39
65.53
65.61
62.90
67.25
70.55
5.49
3.01
2.31
1.59
0.15
5.46
6.69
1.58
1.81
70.27
63.30
65.83
65.83
65.67
69.06
66.93
68.28
72.61
59.69
57.66
61.20
62.68
65.37
59.32
55.18
65.43
69.25
Lampiran 8 Tabel nilai koefisien Kappa setiap kombinasi training sample
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
0.61
0.55
0.58
0.53
0.57
0.51
0.46
0.57
0.65
Ulangan
2
0.49
0.50
0.53
0.55
0.57
0.62
0.57
0.60
0.62
3
0.54
0.49
0.56
0.56
0.56
0.61
0.58
0.61
0.61
Ratarata
0.55
0.51
0.56
0.55
0.57
0.58
0.54
0.59
0.63
Simp.
Maks.
Baku
0.06
0.61
0.03
0.55
0.02
0.58
0.01
0.56
0.01
0.57
0.06
0.62
0.07
0.58
0.02
0.61
0.02
0.65
Lampiran 9 Tabel rata-rata ketelitian pemetaan kelas air (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
39.05
37.65
39.02
38.58
41.15
35.36
29.21
35.24
39.10
30.30
32.04
33.81
39.77
34.44
33.42
Lampiran 10 Tabel rata-rata ketelitian pemetaan kelas pemukiman (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
76.97
74.07
76.36
75.80
77.00
78.34
80.25
78.53
78.11
80.52
82.43
80.35
77.36
77.65
79.68
Min.
0.49
0.49
0.53
0.53
0.56
0.51
0.46
0.57
0.61
16
Lampiran 11 Tabel rata-rata ketelitian pemetaan kelas hutan (%)
piksel1
piksel2
piksel3
poligon1 poligon2 poligon3 Rata-rata
35.52
43.06
35.75
38.11
25.39
33.70
47.00
35.37
28.05
44.68
51.22
41.32
29.66
40.48
44.66
Lampiran 12 Tabel rata-rata ketelitian pemetaan kelas perkebunan (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
36.39
41.02
39.52
38.98
33.21
40.47
53.74
42.47
43.75
49.55
53.01
48.77
37.78
43.68
48.76
Lampiran 13 Tabel rata-rata ketelitian pemetaan kelas sawah (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
45.80
43.23
38.37
42.47
35.75
46.76
41.87
41.46
41.01
37.43
50.21
42.89
40.85
42.48
43.49
Lampiran 14 Tabel rata-rata ketelitian pemetaan kelas lahan terbuka (%)
Piksel1
Piksel2
Piksel3
Rata-rata
poligon1 poligon2 poligon3 Rata-rata
30.55
23.49
30.73
28.25
39.02
36.09
38.41
37.84
37.91
39.01
40.13
39.02
35.83
32.86
36.42
Lampiran 15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
64.13
64.39
62.90
63.80
59.86
65.53
67.25
64.22
63.54
65.61
70.55
66.57
62.51
65.18
66.90
17
Lampiran 16 Tabel rata-rata koefisien Kappa
piksel1
piksel2
piksel3
Rata-rata
poligon1 poligon2 poligon3 Rata-rata
0.55
0.55
0.54
0.54
0.51
0.57
0.59
0.56
0.56
0.58
0.63
0.59
0.54
0.56
0.59
18
RIWAYAT HIDUP
Penulis dilahirkan di Bekasi pada tanggal 11 Mei 1992 dari pasangan Bapak
Sutrisno, SE dan Ibu Henny Purwatiningsih. Penulis merupakan anak keempat
dari empat bersaudara. Pendidikan pada tingkat perguruan tinggi ditempuh sejak
diterima di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor pada tahun 2010. Sebelumnya, penulis telah
menyelesaikan pendidikannya di SD Negeri Jaka Setia 2 pada tahun 2004, SMP
Negeri 9 Bekasi pada tahun 2007, dan SMA Negeri 6 Bekasi pada tahun 2010.
Selama masa perkuliahan, penulis aktif menjadi Anggota Departemen Beta
Club, Himpunan Profesi Gamma Sigma Beta IPB periode 2012, Anggota
Departemen Human Reserch and Development, Himpunan Profesi Gamma Sigma
Beta periode 2013, dan anggota Rohanisasi Islam Statistika angkatan 47. Penulis
juga pernah menjadi staff pengajar di kelompok bimbingan belajar Expert. Di
samping itu, penulis juga aktif dalam kepanitiaan, seperti Pekan Olahraga
Statistika IPB 2011 sebagai Ketua Pelaksana, Statistika Ria 2011 sebagai Anggota
Divisi Publikasi dan Promosi, Statistika Ria 2012 sebagai Anggota Divisi
Sponsorship, Statis-trip 2012 sebagai Wakil Ketua Pelaksana, dan Kompetisi
Statistika Junior 2013 sebagai Anggota Divisi Sponsorship dan Hubungan
Masyarakat.
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Kajian Ukuran
Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode
Kemungkinan Maksimum adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Alfiansyah Muhammad
NIM G14100067
ABSTRAK
ALFIANSYAH MUHAMMAD. Kajian Ukuran Training Sample Optimum untuk
Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum. Dibimbing
oleh AAM ALAMUDI, HARI WIJAYANTO, dan WIWEKA.
Klasifikasi dalam penginderaan jauh didefinisikan sebagai suatu metode
untuk memberikan label pada piksel berdasarkan karakter spektral yang dimiliki
oleh piksel tersebut. Klasifikasi terbimbing merupakan klasifikasi nilai piksel
didasarkan pada contoh daerah yang diketahui jenis objek dan nilai spektralnya.
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek yang
diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai menjadi sulit dilakukan sehingga
mengurangi hasil ketelitian klasifikasi. Kelas penutup lahan diklasifikasikan
dengan menggunakan metode kemungkinan maksimum. Kombinasi training
sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata
ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta rata-rata nilai
koefisien Kappa sebesar 0.6298. Training sample perlu dibuat sedemikian rupa
sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar
dengan ukuran masing-masing poligon yang kecil.
Kata kunci: klasifikasi kemungkinan maksimum, penginderaan jauh, training
sample
ABSTRACT
ALFIANSYAH MUHAMMAD. Optimum Training Sample Size Assessment for
Land Cover Classification by Maximum Likelihood Method. Supervised by AAM
ALAMUDI, HARI WIJAYANTO, and WIWEKA.
Classification in remote sensing is defined as a method for labeling the
pixels based on spectral character possessed by the pixel. Supervised classification
is a classification of the pixel values are based on sample areas of known object
types and spectral values. High spectral value diversity and overlapping on the
object observed are problem in land cover classification. Making proper and
appropriate training sample becomes difficult to do. It reduces the accuracy of
classification results. Land cover classes were classified by maximum likelihood
method. The best combination is combination 9 (111-160 pixels, 15 polygons).
Average of overall classification accuracy (KH) is 70.55% and the average of
Kappa coefficient is 0.6298. Training samples need to be made such that it has a
large total pixels obtained from a large number of polygons with a small size of
each polygon.
Keywords: maximum likelihood classification, remote sensing, training sample
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum
Nama
: Alfiansyah Muhammad
NIM
: G14100067
Disetujui oleh
Ir Aam Alamudi, MSi
Pembimbing I
Dr Ir Hari Wijayanto, MSi
Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi
Ketua Departemen
Tanggal Lulus:
Dr Wiweka
Pembimbing III
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan sejak bulan Februari 2014 ini adalah penginderaan
jauh, dengan judul Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum.
Terima kasih penulis ucapkan kepada Bapak Ir Aam Alamudi, MSi, Bapak
Dr Ir Hari Wijayanto, MSi, dan Bapak Dr Wiweka selaku pembimbing. Di
samping itu, penghargaan penulis sampaikan kepada seluruh staf Lembaga
Penerbangan dan Antariksa Nasional, staf dan jajaran dosen Departemen
Statistika serta Keluarga Statistika IPB khususnya angkatan 47, yang telah banyak
membantu memberikan saran dan dukungannya sehingga terselesaikannya karya
ilmiah ini. Ungkapan terima kasih juga penulis sampaikan kepada ayah, ibu, serta
seluruh keluarga, atas segala doa dan dukungannya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Alfiansyah Muhammad
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
TINJAUAN PUSTAKA
2
Data Raster
2
Klasifikasi Terbimbing
2
Klasifikasi Kemungkinan Maksimum
3
Metode Penarikan Contoh
3
METODOLOGI PENELITIAN
4
Sumber Data
4
Metode Analisis
4
HASIL DAN PEMBAHASAN
6
Gambaran Umum Wilayah Penelitian
6
Ketelitian Pemetaan
7
Uji Ketelitian Klasifikasi
7
Koefisien Kappa
9
Training sample Optimum
SIMPULAN DAN SARAN
11
11
Simpulan
11
Saran
12
DAFTAR PUSTAKA
12
LAMPIRAN
13
RIWAYAT HIDUP
18
DAFTAR TABEL
1 Kombinasi training sample ....................................................................... 5
2 Matriks kesalahan ...................................................................................... 6
3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap
kombinasi training sample ........................................................................ 7
DAFTAR GAMBAR
1 Struktur model data raster ......................................................................... 2
2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori total piksel ......................................................................... 8
3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori jumlah poligon .................................................................. 8
4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
masing-masing kategori total piksel pada setiap kategori jumlah
poligon ....................................................................................................... 9
5 Rata-rata nilai koefisien Kappa pada setiap kategori total piksel ............. 9
6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah poligon ..... 10
7 Rata-rata nilai koefisien Kappa masing-masing kategori total piksel
pada setiap kategori jumlah poligon ..................................................... 10
DAFTAR LAMPIRAN
1 Tabel ketelitian pemetaan kelas air setiap kombinasi training
sample (%) ............................................................................................. 13
2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi
training sample (%) ................................................................................. 13
3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training
sample (%) ............................................................................................... 13
4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi
training sample (%) ................................................................................. 14
5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training
sample (%) ............................................................................................... 14
6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi
training sample (%) ................................................................................. 14
7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training
sample (%) ............................................................................................... 15
8 Tabel nilai koefisien Kappa setiap kombinasi training sample ............... 15
9 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
10 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
11 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 16
12 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
13 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
14 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%) ........................... 16
16 Tabel rata-rata nilai koefisien Kappa ...................................................... 17
PENDAHULUAN
Latar Belakang
Lillesand dan Kiefer (1990) menjelaskan bahwa penginderaan jauh (remote
sensing) adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek,
daerah, atau fenomena melalui analisis yang diperoleh dengan suatu alat tanpa
kontak langsung dengan objek, daerah, atau fenomena yang dikaji. Perkembangan
teknologi penginderaan jauh harus diikuti dengan pengembangan analisis di
bidang tersebut. Salah satu contoh analisis yang sering dilakukan pada data
penginderaan jauh adalah klasifikasi penutup lahan. Informasi mengenai
klasifikasi dimungkinkan karena setiap penggunaan lahan memiliki penutup
lahan, yaitu material yang nampak dari permukaan bumi seperti air, tanaman dan
tanah yang mempunyai karakteristik spektral yang berbeda. Penutup lahan adalah
perwujudan secara fisik objek-objek yang menutupi lahan. Terkadang penutup
lahan ini bersifat alami. Ciri spektral yang spesifik disebut penciri spektral
(spectral signature) yang digunakan untuk mengklasifikasikan penutup lahan
pada multispectral image.
Richards (1986) dalam tulisan Buono (2004) menjelaskan definisi
klasifikasi dalam penginderaan jauh, yaitu sebagai suatu metode untuk
memberikan label pada piksel berdasarkan karakter spektral yang dimiliki oleh
piksel tersebut. Metode klasifikasi terbimbing merupakan teknik yang cukup baik
digunakan pada klasifikasi penutup lahan. Klasifikasi terbimbing merupakan
klasifikasi nilai piksel didasarkan pada contoh daerah yang diketahui jenis objek
dan nilai spektralnya. Salah satu metode klasifikasi yang sering digunakan adalah
klasifikasi berdasarkan kemungkinan maksimum (maximum likelihood).
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek
yang diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai pada setiap kelas penutup lahan menjadi
sulit dilakukan sehingga mengurangi hasil ketelitian klasifikasi. Jumlah serta
besar ukuran piksel dan poligon menjadi permasalahan penting yang harus
dipertimbangkan untuk mendapatkan training sample yang tepat dan dapat
mewakili setiap kelas penutup lahan.
Penelitian ini mengkaji jumlah poligon dan total seluruh piksel optimum
untuk menghasilkan klasifikasi citra digital yang memiliki akurasi tinggi. Pada
penelitian ini digunakan 9 kombinasi training sample. Kombinasi tersebut
didasarkan pada jumlah serta besar ukuran piksel dan poligon. Klasifikasi
berdasarkan kemungkinan maksimum dilakukan pada setiap kombinasi training
sample. Kemudian dari seluruh kombinasi tersebut didapatkan satu kombinasi
training sample dengan akurasi ketelitian klasifikasi tertinggi yang menjadi
kombinasi training sample optimum untuk klasifikasi penutup lahan.
Tujuan Penelitian
Tujuan dari penelitian ini adalah mengkaji jumlah poligon dan total seluruh
piksel optimum untuk menghasilkan klasifikasi citra digital yang memiliki akurasi
tinggi.
2
TINJAUAN PUSTAKA
Data Raster
Pada umumnya data yang dihasilkan dari citra satelit adalah data raster.
Data raster menampilkan, menempatkan, dan menyimpan data spasial dengan
m
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Kajian Ukuran
Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode
Kemungkinan Maksimum adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Alfiansyah Muhammad
NIM G14100067
ABSTRAK
ALFIANSYAH MUHAMMAD. Kajian Ukuran Training Sample Optimum untuk
Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum. Dibimbing
oleh AAM ALAMUDI, HARI WIJAYANTO, dan WIWEKA.
Klasifikasi dalam penginderaan jauh didefinisikan sebagai suatu metode
untuk memberikan label pada piksel berdasarkan karakter spektral yang dimiliki
oleh piksel tersebut. Klasifikasi terbimbing merupakan klasifikasi nilai piksel
didasarkan pada contoh daerah yang diketahui jenis objek dan nilai spektralnya.
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek yang
diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai menjadi sulit dilakukan sehingga
mengurangi hasil ketelitian klasifikasi. Kelas penutup lahan diklasifikasikan
dengan menggunakan metode kemungkinan maksimum. Kombinasi training
sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata
ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta rata-rata nilai
koefisien Kappa sebesar 0.6298. Training sample perlu dibuat sedemikian rupa
sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar
dengan ukuran masing-masing poligon yang kecil.
Kata kunci: klasifikasi kemungkinan maksimum, penginderaan jauh, training
sample
ABSTRACT
ALFIANSYAH MUHAMMAD. Optimum Training Sample Size Assessment for
Land Cover Classification by Maximum Likelihood Method. Supervised by AAM
ALAMUDI, HARI WIJAYANTO, and WIWEKA.
Classification in remote sensing is defined as a method for labeling the
pixels based on spectral character possessed by the pixel. Supervised classification
is a classification of the pixel values are based on sample areas of known object
types and spectral values. High spectral value diversity and overlapping on the
object observed are problem in land cover classification. Making proper and
appropriate training sample becomes difficult to do. It reduces the accuracy of
classification results. Land cover classes were classified by maximum likelihood
method. The best combination is combination 9 (111-160 pixels, 15 polygons).
Average of overall classification accuracy (KH) is 70.55% and the average of
Kappa coefficient is 0.6298. Training samples need to be made such that it has a
large total pixels obtained from a large number of polygons with a small size of
each polygon.
Keywords: maximum likelihood classification, remote sensing, training sample
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum
Nama
: Alfiansyah Muhammad
NIM
: G14100067
Disetujui oleh
Ir Aam Alamudi, MSi
Pembimbing I
Dr Ir Hari Wijayanto, MSi
Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi
Ketua Departemen
Tanggal Lulus:
Dr Wiweka
Pembimbing III
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan sejak bulan Februari 2014 ini adalah penginderaan
jauh, dengan judul Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum.
Terima kasih penulis ucapkan kepada Bapak Ir Aam Alamudi, MSi, Bapak
Dr Ir Hari Wijayanto, MSi, dan Bapak Dr Wiweka selaku pembimbing. Di
samping itu, penghargaan penulis sampaikan kepada seluruh staf Lembaga
Penerbangan dan Antariksa Nasional, staf dan jajaran dosen Departemen
Statistika serta Keluarga Statistika IPB khususnya angkatan 47, yang telah banyak
membantu memberikan saran dan dukungannya sehingga terselesaikannya karya
ilmiah ini. Ungkapan terima kasih juga penulis sampaikan kepada ayah, ibu, serta
seluruh keluarga, atas segala doa dan dukungannya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Alfiansyah Muhammad
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
TINJAUAN PUSTAKA
2
Data Raster
2
Klasifikasi Terbimbing
2
Klasifikasi Kemungkinan Maksimum
3
Metode Penarikan Contoh
3
METODOLOGI PENELITIAN
4
Sumber Data
4
Metode Analisis
4
HASIL DAN PEMBAHASAN
6
Gambaran Umum Wilayah Penelitian
6
Ketelitian Pemetaan
7
Uji Ketelitian Klasifikasi
7
Koefisien Kappa
9
Training sample Optimum
SIMPULAN DAN SARAN
11
11
Simpulan
11
Saran
12
DAFTAR PUSTAKA
12
LAMPIRAN
13
RIWAYAT HIDUP
18
DAFTAR TABEL
1 Kombinasi training sample ....................................................................... 5
2 Matriks kesalahan ...................................................................................... 6
3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap
kombinasi training sample ........................................................................ 7
DAFTAR GAMBAR
1 Struktur model data raster ......................................................................... 2
2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori total piksel ......................................................................... 8
3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori jumlah poligon .................................................................. 8
4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
masing-masing kategori total piksel pada setiap kategori jumlah
poligon ....................................................................................................... 9
5 Rata-rata nilai koefisien Kappa pada setiap kategori total piksel ............. 9
6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah poligon ..... 10
7 Rata-rata nilai koefisien Kappa masing-masing kategori total piksel
pada setiap kategori jumlah poligon ..................................................... 10
DAFTAR LAMPIRAN
1 Tabel ketelitian pemetaan kelas air setiap kombinasi training
sample (%) ............................................................................................. 13
2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi
training sample (%) ................................................................................. 13
3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training
sample (%) ............................................................................................... 13
4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi
training sample (%) ................................................................................. 14
5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training
sample (%) ............................................................................................... 14
6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi
training sample (%) ................................................................................. 14
7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training
sample (%) ............................................................................................... 15
8 Tabel nilai koefisien Kappa setiap kombinasi training sample ............... 15
9 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
10 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
11 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 16
12 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
13 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
14 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%) ........................... 16
16 Tabel rata-rata nilai koefisien Kappa ...................................................... 17
PENDAHULUAN
Latar Belakang
Lillesand dan Kiefer (1990) menjelaskan bahwa penginderaan jauh (remote
sensing) adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek,
daerah, atau fenomena melalui analisis yang diperoleh dengan suatu alat tanpa
kontak langsung dengan objek, daerah, atau fenomena yang dikaji. Perkembangan
teknologi penginderaan jauh harus diikuti dengan pengembangan analisis di
bidang tersebut. Salah satu contoh analisis yang sering dilakukan pada data
penginderaan jauh adalah klasifikasi penutup lahan. Informasi mengenai
klasifikasi dimungkinkan karena setiap penggunaan lahan memiliki penutup
lahan, yaitu material yang nampak dari permukaan bumi seperti air, tanaman dan
tanah yang mempunyai karakteristik spektral yang berbeda. Penutup lahan adalah
perwujudan secara fisik objek-objek yang menutupi lahan. Terkadang penutup
lahan ini bersifat alami. Ciri spektral yang spesifik disebut penciri spektral
(spectral signature) yang digunakan untuk mengklasifikasikan penutup lahan
pada multispectral image.
Richards (1986) dalam tulisan Buono (2004) menjelaskan definisi
klasifikasi dalam penginderaan jauh, yaitu sebagai suatu metode untuk
memberikan label pada piksel berdasarkan karakter spektral yang dimiliki oleh
piksel tersebut. Metode klasifikasi terbimbing merupakan teknik yang cukup baik
digunakan pada klasifikasi penutup lahan. Klasifikasi terbimbing merupakan
klasifikasi nilai piksel didasarkan pada contoh daerah yang diketahui jenis objek
dan nilai spektralnya. Salah satu metode klasifikasi yang sering digunakan adalah
klasifikasi berdasarkan kemungkinan maksimum (maximum likelihood).
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek
yang diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai pada setiap kelas penutup lahan menjadi
sulit dilakukan sehingga mengurangi hasil ketelitian klasifikasi. Jumlah serta
besar ukuran piksel dan poligon menjadi permasalahan penting yang harus
dipertimbangkan untuk mendapatkan training sample yang tepat dan dapat
mewakili setiap kelas penutup lahan.
Penelitian ini mengkaji jumlah poligon dan total seluruh piksel optimum
untuk menghasilkan klasifikasi citra digital yang memiliki akurasi tinggi. Pada
penelitian ini digunakan 9 kombinasi training sample. Kombinasi tersebut
didasarkan pada jumlah serta besar ukuran piksel dan poligon. Klasifikasi
berdasarkan kemungkinan maksimum dilakukan pada setiap kombinasi training
sample. Kemudian dari seluruh kombinasi tersebut didapatkan satu kombinasi
training sample dengan akurasi ketelitian klasifikasi tertinggi yang menjadi
kombinasi training sample optimum untuk klasifikasi penutup lahan.
Tujuan Penelitian
Tujuan dari penelitian ini adalah mengkaji jumlah poligon dan total seluruh
piksel optimum untuk menghasilkan klasifikasi citra digital yang memiliki akurasi
tinggi.
2
TINJAUAN PUSTAKA
Data Raster
Pada umumnya data yang dihasilkan dari citra satelit adalah data raster.
Data raster menampilkan, menempatkan, dan menyimpan data spasial dengan
menggunakan struktur matriks atau piksel-piksel yang membentuk grid. Setiap
piksel memiliki nilai tertentu dan memiliki atribut tersendiri, termasuk nilai
koordinat yang unik. Tingkat keakurasian model ini sangat tergantung pada
ukuran piksel atau biasa disebut dengan resolusi. Umumnya, data setiap piksel ini
diimplementasikan di dalam data 8-bit atau 1-byte (0, 1 , 2, …, 254, 255). Pada
citra skala keabuan (greyscale) yang normal, intensitas dari gelap menuju terang
akan terbagi ke dalam 256 tingkatan (0 – 255). Nilai 0 (minimum)
merepresentasikan warna hitam/gelap, sedangkan nilai 255 (maksimum)
merepresentasikan warna putih/terang, sementara di antara nilai-nilai tersebut
terdapat nilai-nilai antara hitam dan putih (abu-abu) (Prahasta 2009).
Gambar 1 Struktur model data raster
Model data raster memberikan informasi spasial terhadap permukaan di
bumi dalam bentuk gambaran yang digeneralisasi. Representasi dunia nyata
disajikan sebagai elemen matriks atau piksel yang membentuk grid yang
homogen. Pada setiap piksel mewakili setiap objek yang terekam dan ditandai
dengan nilai-nilai tertentu. Secara konseptual, model data raster merupakan model
data spasial yang paling sederhana (Prahasta 2005).
Klasifikasi Terbimbing
Menurut Purwadhi (2001) klasifikasi terbimbing yang didasarkan pada
pengenalan pola spektral (spectral pattern recognition) terdiri atas tiga tahap,
sebagai berikut:
1. Tahap training sample: membuat “kunci interpretasi” dan
mengembangkan secara numerik spektral untuk setiap kenampakan
dengan memeriksa batas daerah (training area).
2. Tahap klasifikasi: setiap piksel pada serangkaian data citra
dibandingkan dengan setiap kategori pada kunci interpretasi numerik.
Pembandingan bertujuan untuk menentukan nilai piksel yang tak
3
dikenal dan paling mirip dengan kategori yang sama. Perbandingan
setiap piksel citra dengan kategori pada kunci interpretasi dikerjakan
secara numerik menggunakan berbagai metode klasifikasi (jarak
minimum rata-rata kelas, parallelepiped, kemungkinan maksimum).
Setiap piksel kemudian diberi nama sehingga diperoleh matriks
multidimensi untuk menentukan jenis kategori penutup lahan yang
diinterpretasi.
3. Tahap penggabungan: menggabungkan hasil matriks sehingga terbentuk
peta penutup lahan dan membuat tabel matriks luas berbagai jenis
penutup lahan pada citra.
Klasifikasi Kemungkinan Maksimum
Purwadhi (2001) menjelaskan bahwa klasifikasi berdasarkan kemungkinan
maksimum merupakan metode pengklasifikasian dengan cara mengevaluasi
kuantitatif varian maupun korelasi pola tanggapan spektral pada saat
mengklasifikasikan piksel yang tidak dikenal. Menurut Ahmad dan Quegan
(2012) klasifikasi berdasarkan kemungkinan maksimum adalah metode klasifikasi
terbimbing yang berasal dari teorema Bayes. Klasifikasi ini mengasumsikan
bahwa sebaran data dari setiap kelas tertentu mengikuti sebaran Normal sehingga
setiap piksel dapat diklasifikasikan berdasarkan fungsi log likelihood sebagai
berikut:
Keterangan:
= fungsi log kemungkinan maksimum
= vektor data yang akan diklasifikasikan
= vektor rata-rata (mean) untuk kelas i
= matriks kovarian untuk kelas i
= transpos dari vektor
= invers dari matriks
π
= 22/7
= jumlah saluran
piksel ω masuk ke dalam kelas i dengan aturan:
,
, untuk
dan
, dengan
ω € i jika
adalah banyaknya kelas penutup lahan. Setiap piksel masuk ke dalam kelas
tertentu yang memiliki nilai log kemungkinan maksimum tertinggi.
Metode Penarikan Contoh
Pada penelitian ini metode penarikan contoh yang digunakan adalah
purposive sampling. Menurut Riduwan (2009) purposive sampling atau dikenal
juga dengan sampling pertimbangan adalah teknik penarikan contoh yang
digunakan peneliti jika peneliti mempunyai pertimbangan-pertimbangan tertentu
di dalam pengambilan contohnya atau penentuan contoh untuk tujuan tertentu.
Purposive sampling juga dapat diartikan sebagai teknik pengambilan contoh
4
secara sengaja atau ditentukan sendiri oleh peneliti karena ada pertimbangan
tertentu. Metode ini didasarkan pada penilaian peneliti mengenai objek yang
pantas untuk diambil sebagai contoh, sehingga peneliti harus mempunyai latar
belakang pengetahuan tertentu mengenai contoh yang dimaksud agar
mendapatkan contoh yang sesuai dengan tujuan penelitian.
METODOLOGI PENELITIAN
Sumber Data
Data yang digunakan pada penelitian ini adalah data citra satelit Landsat 8
Kecamatan Darmaga pada 22 April 2014 yang diperoleh dari website United
States Geological Survey (USGS) pada http//:www.earthexplorer.usgs.gov. Data
vektor kecamatan di Kabupaten Bogor diperoleh dari Lembaga Penerbangan dan
Antariksa Nasional (LAPAN).
Metode Analisis
Tahapan analisis yang digunakan adalah:
1. Membuat peta klasifikasi rujukan sebagai pembanding dengan tahapan
sebagai berikut:
a. Menentukan wilayah yang akan diklasifikasikan. Wilayah yang
terpilih ditentukan berdasarkan keragaman nilai spektral yang cukup
tinggi. Keragaman nilai spektral yang tinggi dapat dilihat dari
keragaman kelas penutup lahan pada wilayah tersebut.
b. Mengidentifikasi dan menentukan kelas penutup lahan yang akan
diklasifikasikan. Kelas-kelas penutup lahan ditentukan berdasarkan
tipe penutup lahan yang ada di wilayah terpilih.
c. Membuat training sample awal dengan Google Earth dan data
lapangan sebagai rujukan.
d. Melakukan klasifikasi berdasarkan kemungkinan maksimum
(maximum likelihood) dari training sample awal pada data citra satelit
Landsat 8 di wilayah yang telah ditentukan dengan perangkat lunak
2. Mengambil training sample setiap kelas penutup lahan pada data citra
satelit Landsat 8 dengan kombinasi training sample yang telah
ditentukan.
Swain dan Davis (1978) dalam tulisan Priyatna (2007) menganjurkan
jumlah piksel minimum yang diambil untuk mewakili setiap kelas
penutup lahan adalah sebanyak N+1. N adalah jumlah saluran yang
digunakan pada penelitian ini, yaitu 11 saluran. Pengambilan contoh
dilakukan dengan rincian sebagai berikut:
a. Total seluruh piksel yang akan diambil pada setiap kelas penutup
lahan dikelaskan ke dalam 3 kategori, yaitu piksel 1 (11-60 piksel),
piksel 2 (61-110 piksel), dan piksel 3 (111-160 piksel).
5
b. Jumlah poligon yang akan diambil pada setiap kelas penutup lahan
dikelaskan ke dalam 3 kategori, yaitu poligon 1 (5 poligon), poligon 2
(10 poligon), dan poligon 3 (15 poligon).
c. Membuat 9 kombinasi training sample dari kategori piksel dan
poligon yang telah ditentukan seperti pada Tabel 1 serta membuat
ulangan sebanyak 3 kali.
Tabel 1 Kombinasi training sample
Kombinasi
1
2
3
4
5
6
7
8
9
Training Sample
11-60 piksel, 5 poligon
61-110 piksel, 5 poligon
111-160 piksel, 5 poligon
11-60 piksel, 10 poligon
61-110 piksel, 10 poligon
111-160 piksel, 10 poligon
11-60 piksel, 15 poligon
61-110 piksel, 15 poligon
111-160 piksel, 15 poligon
3. Melakukan klasifikasi berdasarkan kemungkinan maksimum pada
masing-masing kombinasi training sample.
4. Melakukan uji ketelitian klasifikasi untuk setiap kelas penutup lahan
pada hasil klasifikasi masing-masing kombinasi training sample.
Short (1982) dalam tulisan Purwadhi (2001) menjelaskan uji ketelitian
interpretasi dapat dilakukan dengan menghitung ketelitian pemetaan
dengan rumus sebagai berikut:
Keterangan:
MA = Ketelitian pemetaan (mapping accuracy)
Xcr = Jumlah kelas X yang terkoreksi
Xo = Jumlah kelas X yang masuk ke kelas lain (omisi)
Xco = Jumlah kelas X tambahan dari kelas lain (komisi)
5. Melakukan uji ketelitian klasifikasi secara keseluruhan pada hasil
klasifikasi masing-masing kombinasi training sample.
Menurut Short (1982) dalam tulisan Purwadhi (2001), uji ketelitian
klasifikasi secara keseluruhan (KH) dapat dihitung dengan rumus sebagai
berikut:
6. Menghitung nilai koefisien Kappa pada hasil klasifikasi masing-masing
kombinasi training sample untuk melihat ketelitian klasifikasi.
Menurut Foody (2002) berikut adalah rumus untuk menghitung koefisien
Kappa:
6
Survei Lapangan
Tabel 2 Matriks kesalahan
Hasil Interpretasi
A
B
C
D
A
B
C
D
∑
∑
n
7. Melakukan analisis deskriptif pada hasil uji ketelitian klasifikasi secara
keseluruhan (KH) dan koefisien Kappa.
8. Menyimpulkan dan menentukan kombinasi terbaik serta training sample
optimum berdasarkan ketelitian klasifikasi secara keseluruhan (KH) dan
koefisien Kappa yang paling tinggi.
HASIL DAN PEMBAHASAN
Gambaran Umum Wilayah Penelitian
Data yang digunakan pada penelitian ini adalah data citra satelit Landsat 8
kecamatan Darmaga pada tanggal 22 April 2014. Kecamatan Darmaga terpilih
sebagai wilayah yang dikaji karena memiliki keragaman nilai spektral yang
cukup tinggi serta terdapat tumpang tindih pada objek yang diamati. Penelitian ini
hanya menggunakan satu wilayah kajian. Hal ini disebabkan setiap wilayah
memiliki keragaman nilai spektral yang berbeda serta memiliki luas setiap
penutup lahan yang tidak sama sehingga kombinasi training sample yang telah
ditentukan tidak sesuai dengan wilayah tersebut. Keterbatasan utama untuk
mengkaji wilayah lain adalah kelas pentup lahan yang belum dapat dikenali secara
benar sehingga klasifikasi awal tidak dapat dilakukan.
Pada penelitian ini terdapat 6 kelas penutup lahan yang akan
diklasifikasikan. Kelas penutup lahan tersebut adalah air, pemukiman, hutan,
perkebunan, sawah, dan lahan terbuka. Namun terdapat satu kelas tambahan
(unclass) yang digunakan untuk mendefinisikan daerah di luar kecamatan
Darmaga dan kelas awan.
7
Ketelitian Pemetaan
Setiap kelas penutup lahan memiliki nilai ketelitian pemetaan yang berbeda.
Nilai ini menunjukkan ketepatan klasifikasi setiap kelas penutup lahan. Nilai
tersebut juga merepresentasikan tingkat kesulitan setiap kelas penutup lahan
dalam pengambilan training sample. Semakin rendah akurasi kelas penutup lahan
maka semakin sulit kelas tersebut dalam pengambilan training sample.
Tabel 3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap kombinasi
training sample
Ketelitian Pemetaan (%)
Kombinasi
1
2
3
4
5
6
7
8
9
Rata-rata
Simp. Baku
Maksimum
Minimum
Lahan
Air Pemukiman Hutan Perkebunan Sawah Terbuka
39.03
76.97 39.30
38.49 42.31
30.55
41.15
77.00 25.39
33.21 35.75
39.02
39.10
78.11 28.05
43.75 41.01
37.91
37.65
74.07 43.06
41.02 43.23
23.49
35.36
78.34 33.70
40.47 46.76
36.09
30.30
80.52 44.68
49.55 37.43
39.01
39.02
76.36 35.75
39.52 38.37
30.73
29.21
80.25 47.00
53.74 41.87
38.41
32.04
82.43 51.22
53.01 50.21
40.13
35.87
78.23 38.69
43.64 41.88
35.04
4.35
2.52
8.70
7.02
4.55
5.59
41.15
82.43 51.22
53.74 50.21
40.13
29.21
74.07 25.39
33.21 35.75
23.49
Dari ketelitian pemetaan setiap kelas penutup lahan, kelas pemukiman
memiliki rata-rata nilai ketelitian pemetaan yang tertinggi yaitu sebesar 78.23%.
Hal ini terjadi karena pada kelas pemukiman tidak terjadi tumpang tindih antar
objek yang diamati. Kelas lahan terbuka memiliki rata-rata nilai ketelitian
pemetaan terendah yaitu sebesar 35.04%. Kelas ini menjadi sulit untuk
diklasifikasikan karena luasnya yang relatif kecil dan adanya tumpang tindih antar
objek yang diamati sehingga harus berhati-hati dalam pengambilan training
sample.
Uji Ketelitian Klasifikasi
Dari pengklasifikasian 9 kombinasi training sample dengan klasifikasi
kemungkinan maksimum, terlihat bahwa terdapat tren menaik pada kategori total
piksel. Semakin besar total piksel maka rata-rata nilai KH semakin bertambah.
Piksel 3 merupakan kategori total piksel yang terbaik dengan nilai rata-rata
keseluruhan tertinggi yaitu sebesar 66.57%, sedangkan piksel 1 memiliki rata-rata
keseluruhan terendah yaitu sebesar 63.80%.
8
Gambar 2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
pada setiap kategori total piksel
Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar
jumlah poligon maka rata-rata nilai KH semakin bertambah. Poligon 3 merupakan
kategori jumlah poligon terbaik karena memiliki rata-rata nilai KH tertinggi pada
piksel 2 dan piksel 3, serta memiliki rata-rata secara keseluruhan sebesar 66.90%.
Poligon 1 memiliki ketelitian klasifikasi terendah dengan rata-rata keseluruhan
sebesar 62.51%.
Gambar 3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
pada setiap kategori jumlah poligon
Berdasarkan ketelitian klasifikasi secara keseluruhan (KH) terlihat bahwa
kombinasi 9 memberikan nilai akurasi yang paling tinggi dengan rata-rata sebesar
70.55%. Kombinasi training sample lainnya memiliki nilai rata-rata KH yang
tidak melebihi 70%, yaitu kombinasi 8 (67.25%), kombinasi 6 (65.61%),
9
Gambar 4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
masing-masing kategori total piksel pada setiap kategori
jumlah poligon
kombinasi 5 (65.53%), kombinasi 4 (64.39%), kombinasi 1 (64.13%), kombinasi
3 (63.54%), dan kombinasi 7 (62.90%). Kombinasi 2 memiliki rata-rata nilai
ketelitian klasifikasi terendah yaitu sebesar 59.86%.
Koefisien Kappa
Berdasarkan koefisien Kappa terlihat bahwa terdapat tren menaik pada
kategori total piksel. Semakin besar total piksel maka rata-rata nilai koefisien
Kappa semakin bertambah. Piksel 3 adalah kategori total piksel terbaik dengan
rata-rata keseluruhan nilai koefisien Kappa tertinggi yaitu sebesar 0.5882,
sedangkan piksel 1 memiliki rata-rata keseluruhan terendah yaitu sebesar 0.5438.
Gambar 5 Rata-rata nilai koefisein Kappa pada setiap kategori total piksel
10
Gambar 6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah
poligon
Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar
jumlah poligon maka rata-rata nilai koefisien Kappa semakin bertambah. Poligon
3 merupakan kategori jumlah poligon terbaik karena memiliki rata-rata koefisien
Kappa tertinggi pada piksel 2 dan piksel 3, serta memiliki rata-rata keseluruhan
sebesar 0.5881. Poligon 1 memiliki nilai koefisien Kappa terendah dengan ratarata keseluruhan sebesar 0.5385.
Gambar 7 Rata-rata nilai koefisien Kappa masing-masing kategori total
piksel pada setiap kategori jumlah poligon
Kombinasi training sample terbaik juga dapat dilihat dari nilai koefisien
Kappa. Kombinasi 9 memiliki rata-rata nilai koefisien Kappa terbaik, yaitu
11
sebesar 0.6298. Nilai rata-rata koefisien Kappa terendah berada pada kombinasi 2,
yaitu sebesar 0.5135. Kombinasi training sample lainnya memiliki rata-rata nilai
koefisien Kappa sebesar 0.5948 (kombinasi 8), 0.5794 (kombinasi 6), 0.5657
(kombinasi 5), 0.5553 (kombinasi 3), 0.5466 (kombinasi 1), 0.5451 (kombinasi 4),
dan 0.5396 (kombinasi 7).
Training sample Optimum
Hasil ketelitian klasifikasi secara keseluruhan menunjukkan bahwa nilai
akurasi yang paling baik terdapat pada kombinasi 9 atau training sample dengan
total piksel dan jumlah poligon yang besar (111-160 piksel, 15 poligon) yaitu
dengan rata-rata akurasi 70.55%. Simpangan baku dari kombinasi 9 sebesar
1.81%. Kombinasi 9 juga memiliki nilai rata-rata koefisien Kappa terbaik yaitu
sebesar 0.6298 dengan simpangan baku 0.0211. Kategori total piksel terbaik
berdasarkan nilai KH terdapat pada piksel 3 (110-160 piksel) yang memiliki ratarata akurasi sebesar 66.57% dengan simpangan baku sebesar 3.60%. Berdasarkan
koefisien Kappa, piksel 3 juga memiliki nilai rata-rata tertinggi, yaitu sebesar
0.5882 dengan simpangan baku sebesar 0.0380. Kategori jumlah poligon terbaik
terdapat pada poligon 3 (15 poligon) yang memiliki rata-rata KH sebesar 66.90%
dengan simpangan baku sebesar 3.84%, serta memiliki nilai rata-rata koefisien
Kappa sebesar 0.5881 dengan simpangan baku sebesar 0.0455.
SIMPULAN DAN SARAN
Simpulan
Kombinasi training sample terbaik adalah kombinasi 9 (111-160 piksel, 15
poligon) dengan rata-rata ketelitian klasifikasi secara keseluruhan (KH) sebesar
70.55% serta nilai koefisien Kappa sebesar 0.6298. Kombinasi 9 memiliki
training sample dengan total seluruh piksel dan jumlah poligon yang besar pada
setiap kelas penutup lahan. Dalam pengklasifikasian penutup lahan, training
sample yang digunakan harus mencukupi pada setiap kelas penutup lahan. Total
seluruh piksel yang besar dibutuhkan untuk merepresentasikan nilai spektral
setiap kelas penutup lahan yang memiliki keragaman tinggi. Jumlah poligon yang
cukup besar juga memberikan akurasi yang lebih baik, tetapi dengan ukuran yang
tidak terlalu besar pada setiap poligon. Ukuran poligon yang terlalu besar
mengakibatkan kesalahan dalam pengambilan training sample. Hal ini disebabkan
oleh piksel yang seharusnya masuk ke dalam kelas lain ikut terambil ke dalam
training sample (piksel komisi). Training sample perlu dibuat sedemikian rupa
sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar
dengan ukuran masing-masing poligon yang kecil.
12
Saran
Penelitian selanjutnya perlu mengkaji kemurnian piksel pada setiap kelas
penutup lahan agar piksel kelas lain yang tidak termasuk ke dalam kelas tersebut
(piksel komisi) tidak ikut terambil pada saat pengambilan training sample.
DAFTAR PUSTAKA
Ahmad A, Quegan S. 2012. Analysis of Maximum Likelihood Classification on
Multispectral Data. Applied Mathematical Sciences. 129 (64): 25 – 36.
Buono A, Marimin, Putri D. 2004. Klasifikasi Penutup dan Penggunaan Lahan
Pada Multispectral Image dari Landsat Thematic Mapper Menggunakan
Probabilistic Neural Network. Jurnal Ilmiah - Ilmu Komputer. 2(2): 1-13.
Foody GM. 2002. Status of Land Cover Classification Accuracy Assessment.
Remote Sensing of Environment. 80: 185-201.
Lillesand TM, Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra.
Terjemahan oleh Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah.
Sutanto, penyunting. Yogyakarta (ID): Gadjah Mada University Press.
Prahasta E. 2005. Konsep-Konsep Dasar Sistem Informasi Geografis Ed-2.
Bandung (ID): Informatika Bandung.
Prahasta E. 2009. Sistem Informasi Geografis: Konsep-Konsep Dasar (Perspektif
Geodesi & Geomatika). Bandung (ID): Informatika Bandung.
Priyatna D. 2007. Deteksi Perubahan Tutupan Lahan di DAS Cisadane Bagian
Hulu Menggunakan Data Landsat Multiwaktu [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Purwadhi FSH. 2001. Interpretasi Citra Digital. Jakarta (ID): PT. Gramedia
Widiasaeana Indonesia.
Riduwan. 2009. Pengantar Statistika Sosial Ed-2. Bandung (ID): Alfabeta.
13
Lampiran 1 Tabel ketelitian pemetaan kelas air setiap kombinasi training sample
(%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
42.33
42.58
38.44
48.66
37.12
29.12
35.93
32.68
34.64
Ulangan
2
37.53
41.26
42.35
29.96
34.29
32.28
36.15
26.59
30.32
3
37.31
39.62
36.50
34.33
34.68
29.51
44.98
28.37
31.16
Rata- Simp.
Maksimum Minimum
rata
Baku
39.05
2.84
42.33
37.31
41.15
1.48
42.58
39.62
39.10
2.98
42.35
36.50
37.65
9.79
48.66
29.96
35.36
1.53
37.12
34.29
30.30
1.72
32.28
29.12
39.02
5.16
44.98
35.93
29.21
3.13
32.68
26.59
32.04
2.29
34.64
30.32
Lampiran 2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
82.28
76.48
79.87
75.68
74.04
80.70
73.44
79.91
82.32
Ulangan
2
75.84
77.45
76.54
70.07
79.60
77.94
80.27
79.48
82.80
3
72.80
77.08
77.91
76.47
81.39
82.93
75.39
81.37
82.16
Rata- Simp.
Maksimum
rata
Baku
76.97
4.84
82.28
77.00
0.49
77.45
78.11
1.67
79.87
74.07
3.49
76.47
78.34
3.83
81.39
80.52
2.50
82.93
76.36
3.52
80.27
80.25
0.99
81.37
82.43
0.33
82.80
Minimum
72.80
76.48
76.54
70.07
74.04
77.94
73.44
79.48
82.16
Lampiran 3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
48.15
34.42
36.39
24.51
32.06
31.70
33.03
47.49
54.75
Ulangan
2
24.15
21.80
20.97
47.33
36.78
54.20
41.79
50.47
43.30
3
34.28
19.95
26.80
57.36
32.27
48.14
32.43
43.05
55.60
Rata- Simp.
Maksimum Minimum
rata
Baku
35.52 12.05
48.15
24.15
25.39
7.88
34.42
19.95
28.05
7.78
36.39
20.97
43.06 16.83
57.36
24.51
33.70
2.66
36.78
32.06
44.68 11.64
54.20
31.70
35.75
5.24
41.79
32.43
47.00
3.73
50.47
43.05
51.22
6.87
55.60
43.30
14
Lampiran 4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
42.64
42.26
46.87
39.08
42.20
39.05
26.51
49.41
55.44
Ulangan
2
32.92
26.83
40.72
46.73
35.93
55.54
46.90
55.49
54.95
3
33.61
30.52
43.65
37.26
43.29
54.06
45.16
56.30
48.66
Rata- Simp.
Maksimum Minimum
rata
Baku
36.39
5.42
42.64
32.92
33.21
8.06
42.26
26.83
43.75
3.07
46.87
40.72
41.02
5.02
46.73
37.26
40.47
3.97
43.29
35.93
49.55
9.12
55.54
39.05
39.52 11.30
46.90
26.51
53.74
3.76
56.30
49.41
53.01
3.78
55.44
48.66
Lampiran 5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
52.31
34.58
40.75
44.03
46.71
30.39
24.69
39.69
53.32
Ulangan
2
40.21
36.48
41.91
41.56
47.73
41.77
43.88
43.97
48.02
3
44.87
36.18
40.37
44.11
45.83
40.14
46.55
41.96
49.30
Ratarata
45.80
35.75
41.01
43.23
46.76
37.43
38.37
41.87
50.21
Simp.
Maksimum Minimum
Baku
6.10
1.02
0.80
1.45
0.95
6.15
11.93
2.14
2.77
52.31
36.48
41.91
44.11
47.73
41.77
46.55
43.97
53.32
40.21
34.58
40.37
41.56
45.83
30.39
24.69
39.69
48.02
Lampiran 6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi
training sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
29.04
37.38
35.63
19.95
36.03
30.80
28.18
31.21
40.00
Ulangan
2
25.93
41.39
38.64
21.16
44.29
40.72
29.88
39.73
42.37
3
36.68
38.28
39.47
29.35
27.96
45.51
34.12
44.29
38.01
Rata- Simp.
Maksimum Minimum
rata
Baku
30.55
5.53
36.68
25.93
39.02
2.10
41.39
37.38
37.91
2.02
39.47
35.63
23.49
5.11
29.35
19.95
36.09
8.17
44.29
27.96
39.01
7.50
45.51
30.80
30.73
3.06
34.12
28.18
38.41
6.64
44.29
31.21
40.13
2.18
42.37
38.01
15
Lampiran 7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training
sample (%)
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
70.27
63.30
65.83
62.68
65.57
59.32
55.18
65.43
72.61
Ulangan
2
59.69
58.64
61.20
64.64
65.67
69.06
66.58
68.05
69.79
3
62.42
57.66
63.60
65.83
65.37
68.45
66.93
68.28
69.25
Ratarata
Simp.
Maksimum Minimum
Baku
64.13
59.86
63.54
64.39
65.53
65.61
62.90
67.25
70.55
5.49
3.01
2.31
1.59
0.15
5.46
6.69
1.58
1.81
70.27
63.30
65.83
65.83
65.67
69.06
66.93
68.28
72.61
59.69
57.66
61.20
62.68
65.37
59.32
55.18
65.43
69.25
Lampiran 8 Tabel nilai koefisien Kappa setiap kombinasi training sample
Kombinasi
K1
K2
K3
K4
K5
K6
K7
K8
K9
1
0.61
0.55
0.58
0.53
0.57
0.51
0.46
0.57
0.65
Ulangan
2
0.49
0.50
0.53
0.55
0.57
0.62
0.57
0.60
0.62
3
0.54
0.49
0.56
0.56
0.56
0.61
0.58
0.61
0.61
Ratarata
0.55
0.51
0.56
0.55
0.57
0.58
0.54
0.59
0.63
Simp.
Maks.
Baku
0.06
0.61
0.03
0.55
0.02
0.58
0.01
0.56
0.01
0.57
0.06
0.62
0.07
0.58
0.02
0.61
0.02
0.65
Lampiran 9 Tabel rata-rata ketelitian pemetaan kelas air (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
39.05
37.65
39.02
38.58
41.15
35.36
29.21
35.24
39.10
30.30
32.04
33.81
39.77
34.44
33.42
Lampiran 10 Tabel rata-rata ketelitian pemetaan kelas pemukiman (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
76.97
74.07
76.36
75.80
77.00
78.34
80.25
78.53
78.11
80.52
82.43
80.35
77.36
77.65
79.68
Min.
0.49
0.49
0.53
0.53
0.56
0.51
0.46
0.57
0.61
16
Lampiran 11 Tabel rata-rata ketelitian pemetaan kelas hutan (%)
piksel1
piksel2
piksel3
poligon1 poligon2 poligon3 Rata-rata
35.52
43.06
35.75
38.11
25.39
33.70
47.00
35.37
28.05
44.68
51.22
41.32
29.66
40.48
44.66
Lampiran 12 Tabel rata-rata ketelitian pemetaan kelas perkebunan (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
36.39
41.02
39.52
38.98
33.21
40.47
53.74
42.47
43.75
49.55
53.01
48.77
37.78
43.68
48.76
Lampiran 13 Tabel rata-rata ketelitian pemetaan kelas sawah (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
45.80
43.23
38.37
42.47
35.75
46.76
41.87
41.46
41.01
37.43
50.21
42.89
40.85
42.48
43.49
Lampiran 14 Tabel rata-rata ketelitian pemetaan kelas lahan terbuka (%)
Piksel1
Piksel2
Piksel3
Rata-rata
poligon1 poligon2 poligon3 Rata-rata
30.55
23.49
30.73
28.25
39.02
36.09
38.41
37.84
37.91
39.01
40.13
39.02
35.83
32.86
36.42
Lampiran 15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%)
Piksel1
Piksel2
Piksel3
Rata-rata
Poligon1 Poligon2 Poligon3 Rata-rata
64.13
64.39
62.90
63.80
59.86
65.53
67.25
64.22
63.54
65.61
70.55
66.57
62.51
65.18
66.90
17
Lampiran 16 Tabel rata-rata koefisien Kappa
piksel1
piksel2
piksel3
Rata-rata
poligon1 poligon2 poligon3 Rata-rata
0.55
0.55
0.54
0.54
0.51
0.57
0.59
0.56
0.56
0.58
0.63
0.59
0.54
0.56
0.59
18
RIWAYAT HIDUP
Penulis dilahirkan di Bekasi pada tanggal 11 Mei 1992 dari pasangan Bapak
Sutrisno, SE dan Ibu Henny Purwatiningsih. Penulis merupakan anak keempat
dari empat bersaudara. Pendidikan pada tingkat perguruan tinggi ditempuh sejak
diterima di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor pada tahun 2010. Sebelumnya, penulis telah
menyelesaikan pendidikannya di SD Negeri Jaka Setia 2 pada tahun 2004, SMP
Negeri 9 Bekasi pada tahun 2007, dan SMA Negeri 6 Bekasi pada tahun 2010.
Selama masa perkuliahan, penulis aktif menjadi Anggota Departemen Beta
Club, Himpunan Profesi Gamma Sigma Beta IPB periode 2012, Anggota
Departemen Human Reserch and Development, Himpunan Profesi Gamma Sigma
Beta periode 2013, dan anggota Rohanisasi Islam Statistika angkatan 47. Penulis
juga pernah menjadi staff pengajar di kelompok bimbingan belajar Expert. Di
samping itu, penulis juga aktif dalam kepanitiaan, seperti Pekan Olahraga
Statistika IPB 2011 sebagai Ketua Pelaksana, Statistika Ria 2011 sebagai Anggota
Divisi Publikasi dan Promosi, Statistika Ria 2012 sebagai Anggota Divisi
Sponsorship, Statis-trip 2012 sebagai Wakil Ketua Pelaksana, dan Kompetisi
Statistika Junior 2013 sebagai Anggota Divisi Sponsorship dan Hubungan
Masyarakat.
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Kajian Ukuran
Training Sample Optimum untuk Klasifikasi Penutup Lahan dengan Metode
Kemungkinan Maksimum adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2014
Alfiansyah Muhammad
NIM G14100067
ABSTRAK
ALFIANSYAH MUHAMMAD. Kajian Ukuran Training Sample Optimum untuk
Klasifikasi Penutup Lahan dengan Metode Kemungkinan Maksimum. Dibimbing
oleh AAM ALAMUDI, HARI WIJAYANTO, dan WIWEKA.
Klasifikasi dalam penginderaan jauh didefinisikan sebagai suatu metode
untuk memberikan label pada piksel berdasarkan karakter spektral yang dimiliki
oleh piksel tersebut. Klasifikasi terbimbing merupakan klasifikasi nilai piksel
didasarkan pada contoh daerah yang diketahui jenis objek dan nilai spektralnya.
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek yang
diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai menjadi sulit dilakukan sehingga
mengurangi hasil ketelitian klasifikasi. Kelas penutup lahan diklasifikasikan
dengan menggunakan metode kemungkinan maksimum. Kombinasi training
sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata
ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta rata-rata nilai
koefisien Kappa sebesar 0.6298. Training sample perlu dibuat sedemikian rupa
sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar
dengan ukuran masing-masing poligon yang kecil.
Kata kunci: klasifikasi kemungkinan maksimum, penginderaan jauh, training
sample
ABSTRACT
ALFIANSYAH MUHAMMAD. Optimum Training Sample Size Assessment for
Land Cover Classification by Maximum Likelihood Method. Supervised by AAM
ALAMUDI, HARI WIJAYANTO, and WIWEKA.
Classification in remote sensing is defined as a method for labeling the
pixels based on spectral character possessed by the pixel. Supervised classification
is a classification of the pixel values are based on sample areas of known object
types and spectral values. High spectral value diversity and overlapping on the
object observed are problem in land cover classification. Making proper and
appropriate training sample becomes difficult to do. It reduces the accuracy of
classification results. Land cover classes were classified by maximum likelihood
method. The best combination is combination 9 (111-160 pixels, 15 polygons).
Average of overall classification accuracy (KH) is 70.55% and the average of
Kappa coefficient is 0.6298. Training samples need to be made such that it has a
large total pixels obtained from a large number of polygons with a small size of
each polygon.
Keywords: maximum likelihood classification, remote sensing, training sample
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK
KLASIFIKASI PENUTUP LAHAN DENGAN METODE
KEMUNGKINAN MAKSIMUM
ALFIANSYAH MUHAMMAD
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum
Nama
: Alfiansyah Muhammad
NIM
: G14100067
Disetujui oleh
Ir Aam Alamudi, MSi
Pembimbing I
Dr Ir Hari Wijayanto, MSi
Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi
Ketua Departemen
Tanggal Lulus:
Dr Wiweka
Pembimbing III
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan sejak bulan Februari 2014 ini adalah penginderaan
jauh, dengan judul Kajian Ukuran Training Sample Optimum untuk Klasifikasi
Penutup Lahan dengan Metode Kemungkinan Maksimum.
Terima kasih penulis ucapkan kepada Bapak Ir Aam Alamudi, MSi, Bapak
Dr Ir Hari Wijayanto, MSi, dan Bapak Dr Wiweka selaku pembimbing. Di
samping itu, penghargaan penulis sampaikan kepada seluruh staf Lembaga
Penerbangan dan Antariksa Nasional, staf dan jajaran dosen Departemen
Statistika serta Keluarga Statistika IPB khususnya angkatan 47, yang telah banyak
membantu memberikan saran dan dukungannya sehingga terselesaikannya karya
ilmiah ini. Ungkapan terima kasih juga penulis sampaikan kepada ayah, ibu, serta
seluruh keluarga, atas segala doa dan dukungannya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Alfiansyah Muhammad
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
TINJAUAN PUSTAKA
2
Data Raster
2
Klasifikasi Terbimbing
2
Klasifikasi Kemungkinan Maksimum
3
Metode Penarikan Contoh
3
METODOLOGI PENELITIAN
4
Sumber Data
4
Metode Analisis
4
HASIL DAN PEMBAHASAN
6
Gambaran Umum Wilayah Penelitian
6
Ketelitian Pemetaan
7
Uji Ketelitian Klasifikasi
7
Koefisien Kappa
9
Training sample Optimum
SIMPULAN DAN SARAN
11
11
Simpulan
11
Saran
12
DAFTAR PUSTAKA
12
LAMPIRAN
13
RIWAYAT HIDUP
18
DAFTAR TABEL
1 Kombinasi training sample ....................................................................... 5
2 Matriks kesalahan ...................................................................................... 6
3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap
kombinasi training sample ........................................................................ 7
DAFTAR GAMBAR
1 Struktur model data raster ......................................................................... 2
2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori total piksel ......................................................................... 8
3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada
setiap kategori jumlah poligon .................................................................. 8
4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
masing-masing kategori total piksel pada setiap kategori jumlah
poligon ....................................................................................................... 9
5 Rata-rata nilai koefisien Kappa pada setiap kategori total piksel ............. 9
6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah poligon ..... 10
7 Rata-rata nilai koefisien Kappa masing-masing kategori total piksel
pada setiap kategori jumlah poligon ..................................................... 10
DAFTAR LAMPIRAN
1 Tabel ketelitian pemetaan kelas air setiap kombinasi training
sample (%) ............................................................................................. 13
2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi
training sample (%) ................................................................................. 13
3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training
sample (%) ............................................................................................... 13
4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi
training sample (%) ................................................................................. 14
5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training
sample (%) ............................................................................................... 14
6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi
training sample (%) ................................................................................. 14
7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training
sample (%) ............................................................................................... 15
8 Tabel nilai koefisien Kappa setiap kombinasi training sample ............... 15
9 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
10 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 15
11 Tabel rata-rata ketelitian pemetaan kelas air (%) .................................... 16
12 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
13 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
14 Tabel rata-rata ketelitian pemetaan kelas air (%) ................................... 16
15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%) ........................... 16
16 Tabel rata-rata nilai koefisien Kappa ...................................................... 17
PENDAHULUAN
Latar Belakang
Lillesand dan Kiefer (1990) menjelaskan bahwa penginderaan jauh (remote
sensing) adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek,
daerah, atau fenomena melalui analisis yang diperoleh dengan suatu alat tanpa
kontak langsung dengan objek, daerah, atau fenomena yang dikaji. Perkembangan
teknologi penginderaan jauh harus diikuti dengan pengembangan analisis di
bidang tersebut. Salah satu contoh analisis yang sering dilakukan pada data
penginderaan jauh adalah klasifikasi penutup lahan. Informasi mengenai
klasifikasi dimungkinkan karena setiap penggunaan lahan memiliki penutup
lahan, yaitu material yang nampak dari permukaan bumi seperti air, tanaman dan
tanah yang mempunyai karakteristik spektral yang berbeda. Penutup lahan adalah
perwujudan secara fisik objek-objek yang menutupi lahan. Terkadang penutup
lahan ini bersifat alami. Ciri spektral yang spesifik disebut penciri spektral
(spectral signature) yang digunakan untuk mengklasifikasikan penutup lahan
pada multispectral image.
Richards (1986) dalam tulisan Buono (2004) menjelaskan definisi
klasifikasi dalam penginderaan jauh, yaitu sebagai suatu metode untuk
memberikan label pada piksel berdasarkan karakter spektral yang dimiliki oleh
piksel tersebut. Metode klasifikasi terbimbing merupakan teknik yang cukup baik
digunakan pada klasifikasi penutup lahan. Klasifikasi terbimbing merupakan
klasifikasi nilai piksel didasarkan pada contoh daerah yang diketahui jenis objek
dan nilai spektralnya. Salah satu metode klasifikasi yang sering digunakan adalah
klasifikasi berdasarkan kemungkinan maksimum (maximum likelihood).
Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek
yang diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan
training sample yang tepat dan sesuai pada setiap kelas penutup lahan menjadi
sulit dilakukan sehingga mengurangi hasil ketelitian klasifikasi. Jumlah serta
besar ukuran piksel dan poligon menjadi permasalahan penting yang harus
dipertimbangkan untuk mendapatkan training sample yang tepat dan dapat
mewakili setiap kelas penutup lahan.
Penelitian ini mengkaji jumlah poligon dan total seluruh piksel optimum
untuk menghasilkan klasifikasi citra digital yang memiliki akurasi tinggi. Pada
penelitian ini digunakan 9 kombinasi training sample. Kombinasi tersebut
didasarkan pada jumlah serta besar ukuran piksel dan poligon. Klasifikasi
berdasarkan kemungkinan maksimum dilakukan pada setiap kombinasi training
sample. Kemudian dari seluruh kombinasi tersebut didapatkan satu kombinasi
training sample dengan akurasi ketelitian klasifikasi tertinggi yang menjadi
kombinasi training sample optimum untuk klasifikasi penutup lahan.
Tujuan Penelitian
Tujuan dari penelitian ini adalah mengkaji jumlah poligon dan total seluruh
piksel optimum untuk menghasilkan klasifikasi citra digital yang memiliki akurasi
tinggi.
2
TINJAUAN PUSTAKA
Data Raster
Pada umumnya data yang dihasilkan dari citra satelit adalah data raster.
Data raster menampilkan, menempatkan, dan menyimpan data spasial dengan
m