3.3.3.4. Ketelitian klasifikasi
Ketelitian klasifikasi dilakukan dengan perhitungan matriks kekeliruan confusion matrix. Matriks ini berordo m x m dan variabel A, B, C adalah kelas
yang didapatkan dari proses klasifikasi. Baris dan kolom matriks menunjukkan jumlah piksel hasil pengujian pada
kelas-kelas tersebut. Jumlah seluruh piksel yang terdapat pada setiap baris dan kolom adalah jumlah total piksel yang diuji.
Tabel 2. Bentuk Matriks Kesalahan Confusion Matrix
Reference Classification
Data A
B C
Total Baris
UA A
X
kk
X
+k
X
kk
X
k+
B C
X
kk
Total Kolom X
k+
N PA
X
kk
X
+k
100 ×
=
+k kk
X X
PA 100
1
× =
∑
=
N X
OA
r k
kk
100 ×
=
+ k
kk
X X
UA Pada kasus yang ideal seluruh sel di luar diagonal utama bernilai nol, yang
mengisyaratkan tidak ada penyimpangan dalam klasifikasi. Nilai dalam sel di bawah diagonal utama menunjukkan kekurangan jumlah piksel akibat masuk
ke dalam kelas lain comission error. Nilai dalam sel di atas diagonal utama merupakan kelebihan jumlah piksel omission error.
Produser’s accuracy PA adalah peluang dalam suatu piksel akan diklasifikasikan dengan tepat, yang menunjukkan seberapa baik masing-masing
kelas di lapangan telah diklasifikasikan. User’s accuracy UA adalah nilai
persentase peluang rata-rata piksel dari citra yang telah terklasifikasi secara aktual mewakili kelas di lapangan. Overall accuracy OA adalah nilai persentase dari
piksel yang terkelaskan dengan sempurna. Selain itu dilakukan juga perhitungan koefisien kappa. Dalam koefisien kappa,
off-diagonal tergabung sebagai total marginal kolam dan baris. Koefisien kappa akan mempunyai nilai lebih kecil dari overall accuracy. Koefisien kappa bernilai
antara 0 – 1 Edward, 2000.
1 2
1 1
∑ ∑
∑
= +
+ =
+ +
=
× −
× −
=
r k
k k
r k
k k
r k
kk
X X
N X
X X
N Kappa
Keterangan : r = jumlah baris dalam matriks X
kk
= jumlah pengamatan pada baris i dan kolom i X
k +
dan X
+k
= total marginal dari baris i dan kolom i N = jumlah total dari pengamatan
3.3.3.5. Algoritma yang digunakan
Untuk penentuan tingkat kerapatan kanopi mangrove dilakukan analisis indeks vegetasi. Analisis ini dilakukan dengan cara mengurangkan, menambah, dan
membandingkan nilai digital setiap saluran yang spektralnya berbeda. Beberapa algoritma yang digunakan untuk mengetahui kerapatan mangrove,
antara lain : a Difference Vegetation Index DVI = NIR - RED
Richardson dan Weigand, 1997 in Hariyadi, 1999 b Normalized Difference Vegetation Index NDVI = NIR-RED
NIR+RED Rouse et al., 1974 in Hariyadi,1999 c Ratio Vegetation Index RVI = NIR RED
Rouse et al., 1974 in Hariyadi,1999 d Transformed Ratio Vegetation Index TRVI =
RED NIR
Rouse et al., 1974 in Hariyadi,1999 e Transformed Normalized Vegetation Index TNDVI =
5 .
+ NDVI
Deering, 1974 in Hariyadi 1999 Keterangan :
RED = nilai digital pada citra kanal merah kanal 3
NIR = nilai digital pada citra kanal inframerah dekat kanal 4
Dari lima algoritma diatas akan dipilih satu algoritma terbaik, yaitu yang memiliki koefisien determinasi dan koefisien korelasi terbesar. Koefisien
determinasi dan koefisien korelasi didapatkan dari hubungan data lapang dengan nilai pantulan spektral. Selanjutnya algoritma tersebut akan diproses untuk
menentukan tingkat kerapatan mangrove. 3.3.3.6. Gabungan citra hasil klasifikasi dengan indeks vegetasi
Penutupan lahan berdasarkan hasil klasifikasi meliputi distribusi, genus, dan luasan mangrove, sedangkan kerapatan mangrove diperoleh dari klasifikasi indeks
vegetasi. Proses selanjutnya adalah citra penutupan lahan hasil supervised classification
dengan metode maximum likelihood ditumpang-tindihkan overlay dengan citra hasil analisis indeks vegetasi. Hasil overlay ini memberikan informasi mengenai
genus mangrove dan tingkat kerapatannya.
Gambar 5. Diagram Alir Pengolahan Citra Citra Satelit
Koreksi Geometrik dan Radiometrik
Citra Komposit 423
Training Area
Pengujian Hasil Klasifikasi
Data Lapang
Ya Tidak
Hasil Baik
Citra Terklasifikasi Pemilihan Indeks
Vegetasi
TRVI =
5 .
+ NDVI
Overlay Citra
Akhir Intrepretasi
Avicennia Rhizophora
RVI = NIRRED
4. HASIL DAN PEMBAHASAN
4.1. Koreksi Radiometrik dan Geometrik
Kesalahan geometrik adalah kesalahan distribusi spasial atau posisi lokasi dari nilai-nilai piksel yang diukur oleh sensor karena beberapa hal seperti : pergerakan
satelit yang tidak stabil, rotasi bumi, dan perubahan posisi wahana terhadap objek. Untuk menanggulanginya maka pada citra perlu dilakukan koreksi geometrik.
Pada dasarnya citra Satelit QuickBird sudah mengalami koreksi geometrik oleh stasiun penerima Digital Globe
TM
. Untuk meningkatkan akurasi citra maka dilakukan koreksi geometrik dengan menggunakan GCP, koreksi ini dilakukan
oleh BIOTROP. Koreksi radiometrik dilakukan terhadap kesalahan yang terjadi akibat
pengaruh atmosfer. Koreksi radiometrik dilakukan dengan metode penyesuaian histogram histogram adjusment, yaitu dengan mengurangi nilai kanal terdistorsi
ke arah kiri sehingga nilai minimumnya menjadi nol Gambar 6. Nilai digital tiap kanal sebelum dan sesudah koreksi radiometrik disajikan dalam Tabel 3.
Gambar 6. Perbandingan Histogram Band 1 Sebelum dan Sesudah Koreksi Radiometrik
Band 1 sebelum Koreksi Radiometrik
Band 1 sesudah Koreksi Radiometrik