Klasifikasi Terbimbing Supervised Classification Penentuan Area Contoh Training Area Analisis Separabilitas

Keberhasilan ini sangat tergantung kepada analis dalam mengeksploitir secara kolektif objek-objek yang tampak pada citra. Interpretasi visual citra dilakukan dengan kombinasi 3 saluran dalam format Red Green Blue RGB untuk memperoleh warna komposit yang paling jelas pada setiap kelas penutupan. Dalam Hakim 2006, kombinasi tersebut setidak-tidaknya terdiri atas 1 band sinar tampak, 1 dari Near Infrared NIR, dan 1 dari Middle Infrared MIR. Dalam penelitian ini, kombinasi band yang digunakan dalam interpretasi visual citra menggunakan band 5-4-3 mengacu kepada standar dari Deparemen Kehutanan untuk analisis hutan dan vegetasi. Interpretasi visual citra dilakukan berdasarkan karakteristik visual pada citra seperti warna, bentuk, ukuran, pola, tekstur, bayangan, dan asosiasi. Penelitian dilakukan untuk memberikan gambaran awal dalam survey lapangan, mengidentifikasi pola sebaran, penentuan jumlah kelas penutupan lahan dan macam kelas penutupan lahan yang ada di lapangan daerah penelitian. Untuk memperoleh data dalam interpretasi visual, citra ditampilkan dalam format RGB Red Green Blue untuk dapat menghasilkan warna komposit. Interpretasi visual juga dilakukan pada tahap reklasifikasi hasil klasifikasi dijital.

3.3.3 Pemeriksaan Lapangan Ground Check

Kegiatan pengecekan lapangan dilaksanakan untuk memperoleh informasi mengenai keadaan atau kondisi lapangan secara nyata sebagai pelengkap dan pembanding bagi analisis selanjutnya. Pemeriksaan lapangan dilakukan dengan menelusuri lokasi-lokasi pengamatan yang telah ditentukan. Kegiatan yang dilakukan meliputi pengambilan titik-titik pengamatan dan dokumentasi contoh- contoh penutupan atau penggunaan lahan yang ada dan juga melakukan wawancara dengan responden yang memahami dan mengenali dengan baik tentang kondisi daerah pengamatan.

3.3.4 Pengolahan Citra Digital Image Processing

3.3.4.1 Klasifikasi Terbimbing Supervised Classification

Metode yang digunakan dalam kegiatan klasifikasi citra adalah metode kemungkinan maksimum Maximum Likelhood Method, karena metode ini adalah metode yang paling banyak digunakan dalam sebagian besar klasifikasi citra digital pengindraan jauh Jaya 1997. Metode kemungkinan maksimum mengelompokan piksel-piksel yang belum diketahui identitasnya berdasarkan vektor rata-rata sampel multivariate MJ dan matriks ragam peragam antar band Ci dari setiap kelas atau kategori i. Semua kombionasi band dari data citra diklasifikasi berdasarkan piksel contoh yang telah dibuat pada tahap training area.

3.3.4.2 Penentuan Area Contoh Training Area

Pengambilan contoh dilakukan berdasarkan data yang didapat dari pemeriksaan lapangan kemudian dilakukan penentuan dan pemilihan lokasi-lokasi area contoh training area untuk mengambil informasi statistik tipe-tipe penutupan lahan. Pengambilan informasi statistik dilakukan dengan cara mengambil contoh-contoh piksel dari setiap tipe penutupan lahan dan ditentukan lokasinya pada citra komposit. Informasi statistik dari setiap tipe penutupan lahan akan digunakan untuk menjalankan fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai rata-rata, simpangan baku, nilai dijital minimum dan maksimum, serta matrik varian-kovarian untuk setiap tipe penutupan lahan. Banyaknya training area yang perlu diambil untuk mewakili masing- masing kelas adalah sebanyak band N yang digunakan ditambah satu N+1, yaitu untuk menghindari matrik ragam peragam singular yang matriks kebalikannya inverse tidak bisa dihitung. Pada prakteknya dianjurkan jumlah piksel per kelasnya sebanyak 10 N dan bahkan 100 N Swain dan Davis 1978. Jumlah band yang digunakan adalah tiga band sehingga jumlah training area yang digunakan dalam penelitian ini adalah minimum empat piksel untuk setiap kelas tutupan lahan.

3.3.4.3 Analisis Separabilitas

Sebelum dilakukan pemetaan atau klasifikasi tipe-tipe penutupan lahan berdasarkan hasil area latihan training area terlebih dahulu dilakukan analisis separabilitas untuk mengukur tingkat keterpisahan antar kelas tutupan lahan. Analisis separabilitas dalam penelitian ini dilakukan dengan metode Transformed Divergence TD. Metode ini digunakan untuk mengukur tingkat keterpisahan antar kelas. Nilai TD antara kelas i dan j dapat diketahui dengan rumus dibawah ini : � = 2000 �1 − exp −D g � Nilai divergensi dihitung dengan : = 0.5 ���� − �� −1 − −1 �� + 0.5���� −1 + −1 ��µ − µ ��µ − µ � �� dimana D adalah divergence, tr adalah teras matriks, C adalah matriks ragam peragam, µ adalah vektor rata-rata dan T adalah transposisi dari matriks. Nilai TD berkisar antara 0 sampai 2000 Jaya 1997. Adapun kriteria yang digunakan dalam memisahkan antar kelas dari nilai transformed divergence menurut Jaya 1997 adalah sebagai berikut : a. Tidak terpisah Insperable : 0 – 1600 b. Jelek keterpisahannya Poor : 1601 – 1699 c. Sedang Fair : 1700 – 1899 d. Baik keterpisahannya Good : 1900 – 1999 e. Sangat baik keterpisahannya Excellent : 2000

3.3.4.4 Evaluasi Akurasi