a. Back Propagation Neural network BPNN
Komponen-komponen neural network terdiri dari hidden node sampai 25 node, learning rate 0,2, momentum 0,5, minimum error 0,01 dan iteration
100 - 10000. Struktur Neural Network yang digunakan dalam penelitian ini
dapat dilihat pada Gambar 9.
Gambar 9. Struktur Neural Network Back Propagation Neural Network yang Digunakan Dalam Penelitian.
Tahap klasifikasi Metode BPNN sebagai berikut PCI Help 2001:
Creating : Fungsi ini untuk menciptakan dan menginisiasi segmen atau
bagian neural network baru untuk proses BPNN. Pada segmen neural network ini dilakukan training untuk mengenali kelas dengan menggunakan
program Neural Network Train NNTRAIN. Training neural network dapat mengklasifikasikan citra dengan program NNCLASS. Program NNREP
digunakan untuk menghasilkan report bagi segmen neural network. Program- program untuk proses neural network adalah NNCREAT, NNTRAIN dan
NNCLASS untuk klasifikasi citra multispektral berdasarkan training area. Proses pengolahan citra dengan klasifikasi neural network dilakukan dengan
pengenalan kelas.
Training : Perintah ini diperlukan untuk training area. Training diperlukan
untuk mempelajari pola-pola input dari yang diteliti.
Classify : fungsi klasifikasi citra multi spektral dengan menggunakan BPNN
dilakukan dengan program NNCREATE dan trainingnya dengan NNTRAIN.
Report : fungsi ini untuk menghasilkan report untuk neural network.
Model untuk melakukan Proses klasifikasi BPNN dapat dilihat pada Gambar 10.
Gambar 10. Model Klasifikasi Backpropagation Neural Network.
b. Maximum Likelihood Classification MLC
Tahap analisis MLC sebagai berikut : Tahap training area : digunakan untuk penyusunan suatu kunci
interpretasi secara numerik, didasarkan pada contoh jenis penggunaan lahan atau pengunaan lahan yang telah diketahui atau cek di lapangan dan
mewakili.
Tahap klasifikasi : setiap pixel pada citra dibandingkan dengan setiap
kategori pada kunci numerik
Tahap output : output yang dihasilkan dalam bentuk citra terklasifikasi
tipe penutup lahanpenutup lahan Model untuk melakukan Proses klasifikasi MLC dapat dilihat pada Gambar 11.
Gambar 11. Model Klasifikasi MLC.
Kegiatan Ground Ceck Lapangan
Kegiatan lapangan dilakukan dalam dua tahap, yaitu tahap pra survei dan survei. Daerah yang dilakukan pra survei hampir mencakup seluruh daerah
penelitian, namun terlebih dahulu memilih pada wilayah-wilayah yang memiliki jenis pengunaan lahan padi sawah dan tebu.
Tahap kedua yaitu survei lapangan yang dilakukan secara intensif pada setiap jenis penggunaan lahan. Tujuan survei ini adalah untuk melakukan
pengujian dan verifikasi lebih lanjut kebenaran hasil interpretasi dan klasifikasi. Pengecekan lapangan juga dimaksudkan memperbaiki dan menambahkan
informasi yang belum didapat dari interpretasi awal citra satelit. Observasi yang dilakukan pada lokasi sampel adalah untuk :
1. Memperoleh informasi tentang penggunaan lahan di lapangan 2. Membandingkan hasil citra Landsat ETM+ dengan data di lapangan
3. Menguji kesesuaian obyek hasil interpretasi citraklasifikasi, dan 4. Melakukan ploting hasil observasi lapangan ke hasil interpretasiklasifikasi.
Analisis dan Perbandingan Hasil Klasifikasi 1.
Pengujian Akurasi Klasifikasi
Evaluasi akurasi tujuannya adalah untuk melihat persentase ketelitian dalam mengkelaskan suatu areal menjadi kelas-kelas penutupan lahan dengan cara
menghitung jumlah piksel area contoh training area yang diklasifikasikan dengan benar dan salah. Akurasi dievaluasi dengan : 1 overall accuracy, 2
producer’s accuracy 3 user’s accuracy 4 kappa accuracy dan kesesuaian hasil klasifikasi dengan data referensi. Data referensi yang digunakan antara lain :
Data cek lapang yang diambil secara acak pada areal yang dicakup citra
satelit lokasi penelitian Jadwal tanam
Areal training site yang sudah dibuat sebelumnya dari hasil interpretasi
secara visual pada citra satelit.
Peta penutuppenggunaan lahan digital dengan ukuran data, resolusi spasial dan waktu pembuatan sama atau hampir sama dengan tanggal data
satelit Landsat ETM+ yang digunakan.
Tabel 4. Contoh Matrik Konfusi Hasil
klasifikasi Diklasifikasikan ke kelas
Total Row
Producers kelas 1
kelas 2 …
kelas k kelas 1
n
11
n
1k
n
1+
N
kk
N
k+
kelas 2 …
… …
kelas k n
k1
n
kk
n
k+
Total colom n
+1
n
+2
… n
+k
N Users
N
ii
N
+k
Ukuran akurasi yang digunakan adalah :
k
i ii
n N
accuracy overall
1
1
100 x
n n
accuracy s
producer
k ii
100
x n
n accuracy
s user
k ii
100
1 2
1 1
x n
n N
n n
n N
accuracy kappa
r k
k k
r k
r k
k k
kk
dimana : N = jumlah semua piksel yang digunakan dalam pengamatan
r = jumlah baris atau lajur pada matrik kesalahan = jumlah kelas
n
+k
= jumlah semua kolom pada lajur ke- k n
k+
= jumlah semua kolom pada baris ke- k
2. Perbandingan Hasil Klasifikasi