Kajian beberapa metode klasifikasi citra digital terhadap data penginderaan jauh

KAJIAN BEBERAPA METODE KLASIFIKASI CITRA
DIGITAL TERHADAP DATA PENGINDERAAN JAUH

FAIZAL TEGUH 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 Beberapa
Metode Klasifikasi Citra Digital terhadap Data Penginderaan Jauh 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, Agustus 2014
Faizal Teguh Muhammad
NIM G14100046

ABSTRAK
FAIZAL TEGUH MUHAMMAD. Kajian Beberapa Metode Klasifikasi Citra
Digital terhadap Data Penginderaan Jauh. Dibimbing oleh HARI WIJAYANTO
dan WIWEKA.
Klasifikasi citra digital terdiri dari banyak metode alternatif yang
menghasilkan tingkat akurasi berbeda-beda. Akurasi ini sangat tergantung pada
beberapa hal seperti training sample dan keragaman kenampakan lahan pada
daerah citra yang dikaji. Penelitian ini bertujuan untuk membandingkan 4 metode
klasifikasi citra digital yang diterapkan pada daerah dengan tingkat keragaman
kenampakan lahan yang berbeda yaitu Kecamatan Ciomas, Kecamatan Dramaga
dan Kecamatan Cibungbulang. Metode klasifikasi citra digital yang digunakan
pada penelitian ini adalah kemungkinan maksimum, jarak Mahalanobis, jaringan
syaraf tiruan dan support vector machine. Hasil penelitian ini menyimpulkan
bahwa kemungkinan maksimum merupakan metode klasifikasi citra yang paling
baik pada citra di tiga kecamatan terpilih dengan nilai rata-rata akurasi

keseluruhan sebesar 91.99% dan nilai rata-rata koefisien kappa sebesar 0.8772.
Selain itu, metode support vector machine dan jaringan syaraf tiruan juga
memberikan hasil yang cukup baik.
Kata kunci: akurasi keseluruhan, kesalahan komisi, kesalahan omisi, klasifikasi
citra, koefisien kappa

ABSTRACT
FAIZAL TEGUH MUHAMMAD. Study of Several Digital Image Classification
Methods for Remote Sensing Data. Supervised by HARI WIJAYANTO and
WIWEKA.
Digital image classification is composed of many alternative methods that
produced different levels of accuracy. This accuracy depends on several things
such as training samples and the diversity of land on the appearance of the image
regions studied. This study aimed to compare 4 digital image classification
method which applied to areas with different land appearance diversity of the
District Ciomas, District Dramaga and District Cibungbulang. Digital image
classification methods that used in this study are maximum likelihood,
Mahalanobis distance, artificial neural networks and support vector machine. The
results of this study concluded that the maximum likelihood is the best image of
image classification method of the three district chosen with the average value of

overall accuracy was 91.99% and the average value of the kappa coefficient was
0.8772. In addition, support vector machine and artificial neural networks also
provide good results.
Keywords: commission error, image classification, kappa coefficient, omission
error, overall accuracy

KAJIAN BEBERAPA METODE KLASIFIKASI CITRA
DIGITAL TERHADAP DATA PENGINDERAAN JAUH

FAZAL TEGUH 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 Beberapa Metode Klasifikasi Citra Digital terhadap Data
Penginderaan Jauh
Nama
: Faizal Teguh Muhammad
NIM
: G14100046

Disetujui oleh

Dr Ir Hari Wijayanto, MSi
Pembimbing I

Dr Wiweka
Pembimbing II

Diketahui oleh

Dr Ir Anang Kurnia, MSi
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini yang berjudul Kajian Beberapa Metode Klasifikasi
Citra Digital Terhadap Data Penginderaan Jauh berhasil diselesaikan.
Karya tulis ini dapat terselesaikan tidak lepas dari dukungan, bimbingan,
motivasi dan saran dari berbagai pihak. Oleh karena itu, penulis mengucapkan
terima kasih kepada:
1. Bapak Hari Wijayanto selaku ketua komisi pembimbing yang telah
banyak memberikan nasihat dan motivasi kepada penulis untuk dapat
menyelesaikan karya ilmiah ini.
2. Bapak Wiweka selaku anggota komisi pembimbing yang telah banyak
memberi dukungan, bimbingan, serta kesempatan kepada penulis untuk
memperoleh banyak pengetahuan pada topik yang penulis teliti.
3. Bapak Farit M Afendi selaku dosen penguji yang telah memberikan
saran dan masukan baik dari segi penulisan maupun isi tugas akhir ini.
4. Kedua orang tua penulis, Bapak Mochamad Ischak dan Ibu Mimah

Tusariah serta adik-adik penulis, Muhammad Fariz Ramafitra dan Finna
Rizkya Maulidya atas dukungan serta doanya.
5. Rekan-rekan Statistika 2010, terutama Alfiansyah Muhammad, Asty
Khairi Inayah, Siti Khoiriyah, Fahmy Andrian dan Elmail Clinton (rekan
satu bimbingan).
6. Staf Tata Usaha Departemen Statistika atas bantuannya dalam
kelancaran administrasi.
7. Saudara kosan Bara 3 No. 31 (Moslem Afrizal, Elmail Clinton, M Yusuf
Hasibuan dan Alfiyandi Ishaq), Keluarga Besar Paguyuban KSE IPB
dan semua pihak yang telah memberi semangat dan dukungan hingga
terselesainya karya ilmiah ini.
Semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2014
Faizal Teguh Muhammad

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

TINJAUAN PUSTAKA

2

Klasifikasi Kemungkinan Maksimum

2

Klasifikasi Jarak Mahalanobis

2

Klasifikasi Jaringan Syaraf Tiruan

3

Klasifikasi Support Vector Machine

5

Penilaian Kebaikan Hasil Klasifikasi

6

METODOLOGI

7

Sumber Data

7

Metode Analisis

7

HASIL DAN PEMBAHASAN
Pengolahan Awal Citra

9
9

Penyusunan Training Sample

10

Penilaian Kebaikan Hasil Klasifikasi pada setiap Kecamatan

11

Perbandingan Kebaikan Hasil Metode Klasifikasi

13

SIMPULAN DAN SARAN

14

Simpulan

14

Saran

14

DAFTAR PUSTAKA

14

LAMPIRAN

16

RIWAYAT HIDUP

20

DAFTAR TABEL
1
2
3
4
5

Matriks kesalahan
Kelas penutup lahan yang digunakan
Training sample Kecamatan Ciomas
Training sample Kecamatan Dramaga
Training sample Kecamatan Cibungbulang

6
9
10
10
11

DAFTAR GAMBAR
1
2

Nilai akurasi keseluruhan setiap metode di ketiga kecamatan
Nilai koefisien kappa setiap metode di ketiga kecamatan

12
13

DAFTAR LAMPIRAN
1
2
3
4

Rata-rata kesalahan komisi setiap kelas penutup lahan
Rata-rata kesalahan omisi setiap kelas penutup lahan
Rata-rata akurasi keseluruhan setiap metode klasifikasi
Rata-rata koefisien kappa setiap metode klasifikasi

16
17
18
19

PENDAHULUAN
Latar Belakang
Penginderaan jauh 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 (Lillesand dan Kiefer 1990). Data penginderaan jauh dapat berupa
citra, grafik, dan data numerik. Salah satu bagian penting dalam penginderaan
jauh adalah klasifikasi citra. Klasifikasi citra bertujuan untuk mengelompokkan
seluruh piksel yang terdapat pada sebuah citra ke dalam suatu kelas penutup lahan
tertentu yang memiliki karakteristik spektral yang berbeda. Menurut Prahasta
(2009), suatu piksel mengandung digital number yang terbagi ke dalam 256
tingkatan (0 sampai 255) untuk merepresentasikan warna citra dari warna hitam
(0) hingga warna putih (255).
Menurut Purwadhi (2000) terdapat tiga jenis klasifikasi citra yaitu
klasifikasi terbimbing (supervised classification), klasifikasi tak terbimbing
(unsupervised classification), dan klasifikasi gabungan (hybrid classification).
Klasifikasi terbimbing merupakan klasifikasi citra digital yang menggunakan
contoh latih (training sample) sebagai kunci interpretasi suatu kelas penutup lahan.
Beberapa metode klasifikasi terbimbing yang cukup baik digunakan adalah
metode kemungkinan maksimum, metode jarak Mahalanobis, metode jaringan
syaraf tiruan dan metode support vector machine (Gil et al. 2011). Setiap metode
dapat menghasilkan tingkat akurasi hasil klasifikasi yang berbeda-beda. Akurasi
ini sangat tergantung dari beberapa hal seperti training sample dan keragaman
kenampakan lahan pada citra yang dikaji.
Salah satu permasalahan yang muncul pada klasifikasi citra terbimbing
adalah keadaan citra objek klasifikasi yang tumpang tindih (overlapping) karena
memiliki kondisi kenampakan lahan dengan keragaman nilai spektral yang tinggi.
Hal ini menyebabkan pembuatan training sample menjadi lebih sulit sehingga
dapat mengurangi keakuratan hasil klasifikasi. Oleh karena itu, diperlukan suatu
studi yang mampu mengkaji beberapa metode klasifikasi citra digital sehingga
dari penelitian ini diharapkan dapat ditemukan metode klasifikasi citra terbaik
untuk digunakan pada daerah dengan tingkat keragaman kenampakan lahan yang
tinggi, sedang, maupun rendah.
Penelitian ini menerapkan 4 metode klasifikasi citra terbimbing dengan
menggunakan tiga buah citra kecamatan yang terletak di Kabupaten Bogor yang
memiliki tingkat keragaman kondisi lahan berbeda. Sebuah training sample
disusun pada masing-masing citra kecamatan terpilih untuk dilakukan klasifikasi
citra terbimbing dengan menggunakan 4 metode klasifikasi tersebut. Selanjutnya
dilakukan evaluasi akurasi hasil klasifikasi untuk menemukan metode klasifikasi
citra terbimbing dengan nilai akurasi tertinggi pada citra dengan tingkat
keragaman kenampakan lahan yang tinggi, sedang, maupun rendah yang akan
menjadi metode terbaik.

2
Tujuan Penelitian
Penelitian ini bertujuan untuk membandingkan 4 metode klasifikasi citra
digital yang diterapkan pada daerah dengan tingkat keragaman kenampakan lahan
yang berbeda yaitu Kecamatan Ciomas, Kecamatan Dramaga dan Kecamatan
Cibungbulang.

TINJAUAN PUSTAKA
Klasifikasi Kemungkinan Maksimum
Menurut Ahmad dan Quegan (2012), metode kemungkinan maksimum akan
mengklasifikasikan suatu piksel pada suatu kelas pentutup lahan tertentu melalui
perhitungan fungsi log kemungkinan. Secara matematis rumus fungsi log
kemungkinan dituliskan sebagai berikut:

dengan
adalah fungsi log kemungkinan, adalah vektor ciri dari
suatu piksel x yang akan diklasifikasikan,
adalah vektor rataan kelas ke-i,
-

adalah matriks kovarian dari kelas ke-i,
adalah invers matriks kovarian dari
kelas ke-i dan N adalah banyaknya kelas penutup lahan.
Suatu piksel x akan diklasifikasikan pada suatu kelas i apabila menghasilkan
nilai fungsi log kemungkinan tertinggi dibandingkan dengan nilai peluang untuk
kelas lainnya.
Algoritma klasifikasi kemungkinan maksimum dapat disajikan sebagai
berikut (Ahmad dan Quegan 2012):
1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian.
2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk
setiap kelas penutup lahan yang telah ditentukan.
3. Hitung vektor rataan dan susun matriks kovarian untuk setiap kelas
berdasarkan digital number dari training sample yang telah disusun.
4. Hitung nilai fungsi log kemungkinan suatu piksel x untuk semua kelas
penutup lahan (
). Cari nilai fungsi log kemungkinan piksel x yang
paling tinggi dibandingkan dengan nilai fungsi untuk kelas penutup
lahan lainnya.
5. Suatu piksel x akan diklasifikasikan ke dalam kelas penutup lahan yang
memiliki nilai
tertinggi.
Klasifikasi Jarak Mahalanobis
Metode ini merupakan metode klasifikasi citra terbimbing yang berdasarkan
perhitungan jarak minimum (Susilawati 2013). Secara matematis rumus jarak
Mahalanobis suatu piksel terhadap suatu kelas penutup lahan i dituliskan sebagai
berikut:

3
dengan adalah jarak Mahalanobis terhadap kelas i, adalah vektor ciri piksel x
yang akan diklasifikasikan,
adalah vektor rataan kelas ke-i dan - adalah
invers matriks kovarian yang diperoleh dari training sample.
Suatu piksel x akan diklasifikasikan pada suatu kelas i yang memiliki nilai
paling kecil dibandingkan nilai jarak Mahalanobis untuk kelas penutup lahan
lainnya.
Algoritma klasifikasi jarak Mahalanobis dapat disajikan sebagai berikut
(Susilawati 2013):
1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian.
2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk
setiap kelas penutup lahan yang telah ditentukan.
3. Hitung vektor rataan untuk setiap kelas dan susun matriks kovarian
berdasarkan digital number dari training sample yang telah disusun.
4. Hitung nilai jarak Mahalanobis suatu piksel x terhadap semua kelas
penutup lahan ( ). Cari nilai jarak Mahalanobis piksel x terhadap
suatu kelas penutup lahan tertentu yang paling kecil dibandingkan
dengan nilai jarak Mahalanobis untuk kelas penutup lahan lainnya.
5. Suatu piksel x akan diklasifikasikan ke dalam kelas penutup lahan
tertentu yang memiliki nilai paling kecil.
Klasifikasi Jaringan Syaraf Tiruan
Menurut Stergio dan Siganos (2006) dalam Laksono (2006), jaringan
syaraf tiruan adalah sistem pemrosesan informasi yang meniru kinerja sistem
syaraf biologis. Tujuan jaringan syaraf tiruan dibentuk adalah untuk mengenali
pola dari data yang ada, lalu digunakan untuk memprediksi data lainnya
berdasarkan kemiripan pola data yang sudah ada sebelumnya. Struktur jaringan
syaraf tiruan terdiri dari lapisan input, lapisan tersembunyi dan lapisan output.
Jaringan syaraf tiruan terdiri atas banyak elemen yang disebut neuron. Neuron
merupakan unit sel yang saling terhubung satu dengan yang lain melalui sinapsis
dan mempunyai bobot yang berkaitan. Bobot mewakili informasi yang akan
digunakan oleh jaringan untuk menyelesaikan fungsi tertentu.
Metode klasifikasi jaringan syaraf tiruan yang diterapkan pada klasifikasi
citra digital adalah metode yang menggunakan algoritma propagasi balik
(Skidmore 1997). Algoritma propagasi balik tersusun atas langkah maju dan
langkah mundur dalam struktur jaringan syaraf tiruan. Langkah maju diawali
dengan diterimanya informasi dari suatu piksel oleh lapisan input kemudian
diteruskan ke lapisan tersembunyi menggunakan suatu fungsi aktivasi. Fungsi
aktivasi adalah fungsi yang mentransformasi sinyal masukan dari unit sebelumnya
menjadi sinyal masukan untuk unit selanjutnya. Setelah itu informasi dari lapisan
tersembunyi diteruskan ke lapisan output menggunakan fungsi aktivasi. Terakhir,
nilai galat antara ouput jaringan dengan output yang diinginkan (berdasarkan
training sample) dihitung pada lapisan output. Langkah mundur kemudian
dilakukan dengan mempropagasikan kembali galat yang telah dihitung ke lapisan
tersembunyi dan lapisan input melalui proses iterasi dengan tujuan untuk
meminimumkan galat. Proses iterasi akan berhenti pada saat nilai galat minimum
yang telah ditentukan dicapai, sehingga suatu piksel akan diklasifikasikan pada
suatu kelas penutup lahan tertentu.

4
Algoritma klasifikasi jaringan syaraf tiruan dapat disajikan sebagai berikut
(Laksono 2006):
1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian.
2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk
setiap kelas penutup lahan yang telah ditentukan.
3. Inisialisasi bobot (weights).
4. Lakukan langkah 5-10 untuk masing-masing pasangan training,.
5. Masing-masing unit pada lapisan input menerima sinyal input
dan
menyebarkan ke semua unit pada lapisan di depannya.
6. Pada masing-masing unit lapisan tersembunyi, jumlahkan dengan:

Hitung fungsi aktivasi:
dan sebarkan ke semua unit pada
lapisan di depannya.
7. Masing-masing unit lapisan output jumlahkan dengan:

Hitung fungsi akivasi:
8. Hitung galat ( ) pada masing-masing unit lapisan output:

Hitung kenaikan bobot:
Hitung kenaikan bobot unit bias:
9. Hitung informasi kesalahan (
tersembunyi:

) pada masing-masing unit lapisan

Hitung kenaikan nilai bobot:
Hitung kenaikan nilai bobot unit bias:
10. Lakukan updating semua bobot antara lapisan tersembunyi dan lapisan
output:

Lakukan pembaruan semua bobot antara lapisan input dan lapisan
tersembunyi:

11. Kondisi berhenti jika sesuai dengan besar galat yang diinginkan.

5
12. Klasifikasi selesai.
Keterangan:
= bobot unit bias pada lapisan tersembunyi ke-j
= bobot antara unit lapisan input ke-i dengan lapisan tersembunyi ke-j
= bobot unit bias pada lapisan output ke-k
= bobot antara unit lapisan tersembunyi ke-j dengan lapisan output ke-k
= koefisien pembelajaran
Fungsi aktivasi yang digunakan pada penelitian ini adalah fungsi logistik
sigmoid dengan rumus:

Nilai galat pada lapisan output dihitung dengan rumus:

dengan adalah nilai galat yang dihitung,
adalah vektor nilai output jaringan,
adalah vektor nilai output yang diharapkan, N adalah banyaknya jumlah amatan
dalam training sample dan adalah besar galat yang diinginkan.
Klasifikasi Support Vector Machine
Menurut Cortes dan Vapnik (1995) dalam Deswantara (2013), support
vector machine adalah sistem pembelajaran untuk mengklasifikasikan data
menjadi 2 kelompok menggunakan fungsi-fungsi linear dalam sebuah ruang fitur
berdimensi tinggi. Tujuan utama klasifikasi support vector machine adalah
menemukan fungsi pemisah (hyperplane) terbaik dengan pengukuran margin
hyperplane yang maksimal. Margin adalah jarak antara hyperplane tersebut
dengan titik terdekat dari masing-masing kelas. Titik yang paling dekat dengan
hyperplane ini disebut support vector. Pemisahan data secara non-linear dilakukan
dengan memproyeksikan data terlebih dahulu melalui fungsi kernel ke ruang
vektor baru yang berdimensi tinggi sedemikian sehingga data tersebut dapat
terpisah secara linear.
Algoritma support vector machine dapat disajikan sebagai berikut (Huang
et al. 2002):
1. Tentukan jumlah kelas penutup lahan yang terdapat pada daerah kajian.
2. Susun training sample yang terdiri dari kumpulan piksel-piksel untuk
setiap kelas penutup lahan yang telah ditentukan.
3. Vektor ciri seluruh piksel pada citra diproyeksikan ke ruang vektor
dimensi tinggi melalui fungsi pemetaan :
:
Suatu vektor ciri x pada ruang fitur dapat direpresentasikan sebagai
pada ruang vektor dimensi tinggi.
4. SVM mencari hyperplane terbaik melalui perhitungan fungsi kernel:
Fungsi kernel yang digunakan pada penelitian ini adalah radial basis
function (RBF) dengan rumus:

6
5. Fungsi kernel kemudian dimasukkan ke dalam perhitungan fungsi
lagrangian untuk ditemukan hyperplane yang optimum melalui rumus:

6. Sehingga suatu piksel x akan diklasifikasikan dengan persamaan
berikut:

Keterangan:
= vektor dari data (piksel)
= vektor pada data training sample
= parameter kernel.
Penilaian Kebaikan Hasil Klasifikasi
Penilaian kebaikan hasil klasifikasi diperoleh dengan cara membuat
matriks kesalahan (confusion matrix). Matriks kesalahan adalah matriks bujur
sangkar yang berfungsi untuk membandingkan antara data lapangan dengan hasil
klasifikasi (Lillesand dan Kiefer 1990). Penilaian kebaikan hasil klasifikasi yang
dapat dihitung berdasarkan matriks kesalahan diantaranya adalah kesalahan
komisi, kesalahan omisi, akurasi keseluruhan dan koefisien kappa. Bentuk matriks
kesalahan dapat dilihat pada Tabel 1 (Foody 2002).
Tabel 1 Matriks kesalahan
Kelas Prediksi
A
B
C
D
∑

A
nAA
nBA
nCA
nDA
n+A

B
nAB
nBB
nCB
nDB
n+B

Kelas Aktual
C
nAC
nCB
nCC
nDC
n+C

D
nAD
nBD
nCD
nDD
n+D

∑
nA+
nB+
nC+
nD+
n

Kesalahan komisi merupakan kesalahan akibat suatu area diklasifikasikan
pada kelas yang salah di lapangan. Nilai ini dapat menunjukkan seberapa baik
suatu piksel yang telah diklasifikasi, secara aktual mewakili kelas-kelas tersebut di
lapangan.

Kesalahan omisi merupakan kesalahan akibat suatu area di lapangan tidak
diklasifikasikan pada kelas yang benar. Nilai ini dapat menunjukkan seberapa baik
suatu kelas telah tepat diklasifikasikan.

7
Akurasi keseluruhan merupakan perbandingan jumlah piksel yang
diklasifikasikan dengan benar terhadap piksel observasi. Nilai ini menunjukkan
tingkat kebenaran citra hasil klasifikasi.

Nilai akurasi yang paling banyak digunakan adalah akurasi koefisien
kappa ( ). Nilai ini memperhitungkan semua elemen (kolom) dari matriks
kesalahan (Hermawan 2008).

METODOLOGI
Sumber Data
Penelitian ini menggunakan dua jenis data yaitu data primer dan data
sekunder. Data sekunder yang digunakan adalah citra satelit Land Satellite 8
(Landsat 8) tanggal 22 April 2014 yang diperoleh dari website United States
Geological Survey (USGS) pada http//:www.earthexplorer.usgs.gov dan data
vektor kecamatan di Kabupaten Bogor yang diperoleh dari Lembaga Penerbangan
dan Antariksa Nasional (LAPAN). Data primer yang digunakan adalah data hasil
survei lapangan, yaitu data hasil identifikasi langsung objek-objek penutup lahan
di daerah kajian. Survei lapangan dilaksanakan pada tanggal 1 hingga 14 Juni
2014 di tiga kecamatan yang berada di Kabupaten Bogor.
Citra satelit Landsat 8 yang menjadi kajian adalah tiga buah citra kecamatan
di Kabupaten Bogor yakni Kecamatan Ciomas, Dramaga, dan Cibungbulang yang
terletak pada path 122 dan row 64-65 citra Landsat 8. Survei lapangan dilakukan
dengan menggunakan alat bantu berupa GPS Satellite Garmin Oregon 550 yang
mampu memberikan informasi berupa titik koordinat. Data ini digunakan untuk
verifikasi dan validasi training sample yang digunakan serta sebagai penyusun
peta klasifikasi rujukan yang akan digunakan dalam menghitung nilai akurasi
hasil klasifikasi citra.
Metode Analisis
Tahapan-tahapan yang dilakukan pada penelitian ini adalah sebagai berikut:
1. Pengolahan awal citra (pre-image processing).
i.
Melakukan penyekatan citra (cropping) tahap 1.
Citra Landsat 8 yang diperoleh (path 122 row 64 dan path 122 row 65)
digabung terlebih dahulu menjadi satu citra. Penggabungan citra ini
dilakukan karena citra Kabupaten Bogor yang menjadi kajian berada di
tengah-tengah citra Landsat 8 path 122 dan row 64-65. Setelah itu,
dilakukan penyekatan citra tahap 1 menjadi citra Kabupaten Bogor.
Penyekatan citra tahap 1 bertujuan untuk mempermudah pengenalan
pola kelas penutup lahan di Kabupaten Bogor, mempermudah pemilihan

8
citra kecamatan yang akan digunakan dan mereduksi volume citra agar
kerja komputer menjadi lebih ringan.
ii.
Melakukan penajaman citra untuk mempermudah interpretasi visual citra.
Penajaman citra dilakukan dengan menggabungkan citra antara band 65-4 Kabupaten Bogor yang memiliki resolusi 30 30 m dengan citra
band 9 Kabupaten Bogor yang memiliki resolusi 15 15 m (resolusi
lebih tinggi).
iii.
Melakukan penyekatan citra (cropping) tahap 2.
Penyekatan citra tahap 2 bertujuan untuk membagi citra Kabupaten
Bogor menjadi tiga buah citra kecamatan yang akan dikaji. Dasar
pertimbangan pemilihan citra kecamatan adalah: (1) kemudahan akses ke
daerah penelitian; (2) bebas atau sedikitnya tutupan awan pada citra; (3)
citra tersedia pada tanggal yang masih baru sehingga sesuai dengan
kondisi saat dilakukan survei lapangan; dan (4) ketiga objek penelitian
memiliki karakteristik penutup lahan yang berbeda berdasarkan
pengamatan pada citra. Karakteristik ini dilihat berdasarkan ukuran citra
dan gradasi warna piksel-piksel pada setiap citra kecamatan.
iv.
Melakukan interpretasi visual citra satelit.
Interpretasi visual citra bertujuan untuk mendeteksi dan mengidentifikasi
objek-objek yang ada di permukaan bumi yang tampak pada citra sehingga
diperoleh informasi kelas penutup lahan yang akan digunakan pada analisis
selanjutnya (Hermawan 2008). Citra ditampilkan dalam format Red Green
Blue (RGB) dengan kombinasi band 6-5-4 sehingga diperoleh komposit
warna yang paling jelas untuk setiap kelas penutup lahan.
2. Pengolahan citra digital (digital image processing).
i. Menyusun training sample.
Training sample disusun berdasarkan informasi hasil interpretasi visual
citra pada masing-masing citra kecamatan dengan menyertakan titik
koordinatnya. Training sample adalah sekelompok data (piksel) pada
citra yang telah diidentifikasi sebagai kunci interpretasi suatu kelas
penutup lahan. Kelas penutup lahan merupakan konstruksi vegetasi
maupun buatan yang menutup permukaan lahan (Lo 1995).
ii. Melakukan survei lapangan dan menyusun data ground truth.
Survei lapangan dilakukan dengan mengunjungi setiap titik koordinat
training sample sehingga diyakini ketepatannya. Selain itu, beberapa
lokasi lain juga disurvei untuk diperoleh data ground truth yang akan
digunakan pada saat perhitungan keakuratan klasifikasi citra.
iii. Melakukan 4 metode klasifikasi terbimbing (kemungkinan maksimum,
jarak mahalanobis, jaringan syaraf tiruan dan support vector machine)
pada ketiga citra kecamatan terpilih dengan menggunakan sebuah
training sample yang telah disusun. Klasifikasi citra dilakukan
menggunakan software ENVI 4.7.
iv. Melakukan penilaian kebaikan hasil klasifikasi
Setiap hasil klasifikasi dari seluruh metode yang dikaji di ketiga citra
kajian dihitung nilai kebaikannya. Penilaian kebaikan hasil klasifikasi
citra ditentukan dengan menggunakan matriks kesalahan (confussion
matrix) sehingga diperoleh komisi, omisi, akurasi keseluruhan dan
koefisien kappa dari hasil klasifikasi citra yang dilakukan.

9
3. Melakukan perbandingan 4 metode klasifikasi berdasarkan hasil penilaian
kebaikan hasil klasifikasi. Metode klasifikasi citra digital terbaik adalah
metode yang menghasilkan nilai rata-rata akurasi keseluruhan dan koefisien
kappa paling besar dibandingkan dengan metode lainnya.

HASIL DAN PEMBAHASAN
Pengolahan Awal Citra
Citra satelit Landsat 8 yang diperoleh yakni citra path 122 row 64 dan citra
path 122 row 65 digabung menjadi satu citra sehingga mencakup citra Provinsi
Jawa Barat, DKI Jakarta dan Banten. Hal ini dilakukan karena Kabupaten Bogor
yang menjadi daerah kajian terletak di tengah-tengah citra path 122 row 64 dan
citra path 122 row 65. Setelah digabung, citra kemudian dilakukan penyekatan
citra tahap 1 menjadi citra Kabupaten Bogor sebelum diperkecil kembali menjadi
citra kecamatan. Hal ini bertujuan agar untuk mempermudah pengenalan kelas
penutup lahan di Kabupaten Bogor, mempermudah pemilihan citra kecamatan dan
mereduksi volume citra agar kerja komputer menjadi lebih ringan. Citra
Kabupaten (termasuk Kota) Bogor yang telah dipotong kemudian dilakukan
penjamanan citra dengan cara menggabungkan citra Kabupaten Bogor band 6-5-4
citra Landsat 8 yang memiliki resolusi 30 30 m dengan band 9 citra Landsat 8
yang memiliki resolusi 15 15 m (resolusi lebih tinggi).
Citra Kabupaten Bogor kemudian dilakukan penyekatan citra tahap 2
menjadi 3 buah citra kecamatan yang menjadi citra kajian sehingga diperoleh citra
Kecamatan Ciomas, Kecamatan Dramaga dan Kecamatan Cibungbulang. Ketiga
citra tersebut memiliki karakteristik berbeda dalam penyebaran pola keragaman
kenampakan penutup lahan yang dilihat pada saat interpretasi visual citra Landsat
8 di masing-masing kecamatan. Kecamatan Ciomas dipilih sebagai daerah kajian
karena memiliki keragaman kenampakan penutup lahan yang cukup tinggi dan
ukuran citra yang relatif kecil. Kecamatan Dramaga dipilih sebagai daerah kajian
karena memiliki keragaman kenampakan penutup lahan yang sedang dan ukuran
citra yang sedang. Kecamatan Cibungbulang dipilih sebagai daerah kajian karena
memiliki keragaman kenampakan penutup lahan yang rendah dan ukuran citra
yang relatif besar. Berdasarkan interpretasi visual citra, diperoleh informasi kelas
penutup lahan yang digunakan pada penelitian ini terdiri dari 7 kelas (Tabel 2).
Tabel 2 Kelas penutup lahan yang digunakan
Kelas
Pemukiman
Sawah
Tubuh Air (air, danau, waduk, dan sungai)
Ladang perkebunan
Hutan dan semak-belukar
Lahan terbuka
Unclass (awan dan citra di luar kecamatan)

Warna Hasil Klasifikasi
Red (merah)
Yellow (kuning)
Blue (biru)
Cyan (biru kehijauan)
Green (hijau)
Magenta (merah keunguan)
Black (hitam)

10
Penyusunan Training Sample
Setiap kecamatan memiliki karakteristik dan luas masing-masing kelas
penutup lahan yang berbeda. Hal ini menyebabkan pembuatan training sample
harus dilakukan dengan menyesuaikan karakteristik lahan yang terdapat pada citra
kecamatan tersebut. Training sample dibuat menggunakan bentuk polygon dan
titik (point) sesuai dengan kenampakan pada citra. Seluruh training sample yang
digunakan telah dibuktikan kondisi lahannya melalui survei lapangan di tiga
kecamatan yang menjadi daerah kajian. Training sampel yang digunakan pada
Kecamatan Ciomas, Dramaga dan Cibungbulang terangkum pada Tabel 3, Tabel 4
dan Tabel 5.
Tabel 3 menunjukkan bahwa training sample pada Kecamatan Ciomas
diwakili oleh kumpulan piksel antara 12 sampai 142 piksel. Training sample yang
paling besar tediri dari 142 piksel yaitu pada kelas pemukiman. Sementara kelas
tubuh air dan lahan terbuka merupakan kelas dengan training sample yang paling
sedikit yakni 12 piksel dan 14 piksel. Kelas penutup lahan lainnya diwakili oleh
kumpulan piksel yang cukup besar (≥ 100 piksel). Hal ini disebabkan karakteristik
kelas penutup lahan pada citra Kecamatan Ciomas yang padat dan didominasi
oleh kelas pemukiman. Sementara tubuh air yang cukup luas hanya ditemui pada
sebuah danau buatan di Perumahan Ciomas Permai. Lahan terbuka yang cukup
luas ditemui di selatan Kecamatan Ciomas.
Tabel 3 Training sample Kecamatan Ciomas
Kelas
Pemukiman
Sawah
Tubuh Air
Ladang Kebun
Hutan Belukar
Lahan Terbuka
Unclass

Warna
Merah
Kuning
Biru
Biru Hijau
Hijau
Merah Ungu
Hitam

Piksel
142
109
12
108
112
14
103

Poligon
4/142
5/109
3/12
3/108
3/112
1/7
3/103

Poin
0
0
8
0
0
7
0

Tabel 4 menunjukkan bahwa training sample pada Kecamatan Dramaga
diwakili oleh kumpulan piksel antara 25 sampai 146 piksel. Training sample
setiap kelas diwakili oleh kumpulan piksel yang cukup besar (≥100 piksel).
Sementara kelas lahan terbuka merupakan kelas dengan training sample paling
sedikit yakni 22 piksel. Hal ini disebabkan Kecamatan Dramaga memiliki
karakteristik kelas penutup lahan yang tersebar merata dengan baik seperti
pemukiman, sawah, tubuh air, perkebunan dan hutan belukar. Kelas lahan terbuka
salah satunya dapat ditemui di lapangan sepakbola Gymnasium IPB Dramaga.
Tabel 4 Training sample Kecamatan Dramaga
Kelas
Pemukiman
Sawah
Tubuh Air
Ladang Kebun
Hutan Belukar
Lahan Terbuka
Unclass

Warna
Merah
Kuning
Biru
Biru Hijau
Hijau
Merah Ungu
Hitam

Piksel
146
115
88
110
130
25
121

Poligon
5/146
5/115
3/78
5/110
5/130
1/22
3/121

Poin
0
0
10
0
0
3
0

11
Tabel 5 menunjukkan training sample yang digunakan pada Kecamatan
Cibungbulang diwakili oleh kumpulan piksel antara 35 sampai 180 piksel. Citra
kecamatan ini merupakan citra dengan ukuran paling besar sesuai dengan luas
kecamatannya. Kecamatan Cibungbulang yang luas memudahkan penyusunan
training sample dengan banyaknya lokasi yang dapat dipilih. Training sample
setiap kelas pada citra kecamatan ini terwakili oleh kumpulan piksel yang cukup
besar.
Tabel 5 Training sample Kecamatan Cibungbulang
Kelas
Pemukiman
Sawah
Badan Air
Ladang Kebun
Hutan Belukar
Lahan Terbuka
Unclass

Warna
Merah
Kuning
Biru
Biru Hijau
Hijau
Merah Ungu
Hitam

Piksel
180
161
39
140
135
35
101

Poligon
7/180
6/161
2/23
5/140
5/126
3/35
3/101

Poin
0
0
16
0
9
0
0

Penilaian Kebaikan Hasil Klasifikasi pada setiap Kecamatan
Metode klasifikasi citra yang digunakan pada penelitian ini adalah
kemungkinan maksimum, jarak Mahalanobis, jaringan syaraf tiruan dan support
vector machine. Setiap citra kecamatan menggunakan sebuah training sample
yang sama, kemudian dilakukan klasifikasi citra dengan keempat metode tersebut
serta dihitung pula nilai kesalahan komisi, kesalahan omisi, akurasi keseluruhan
dan koefisien kappa dari setiap hasil klasifikasi.
Informasi kesalahan komisi dan kesalahan omisi pada masing-masing kelas
penutup lahan di setiap kecamatan dapat diperoleh berdasarkan perhitungan dari
matriks kesalahan yang terdapat pada Lapiran 1 dan Lampiran 2. Kelas tubuh air
(85.4%) dan lahan terbuka (82.82%) merupakan kelas dengan kesalahan komisi
paling tinggi, yaitu piksel yang salah diklasifikasikan sehingga masuk ke kelas
tersebut cukup banyak di Kecamatan Ciomas. Sementara pada Kecamatan
Dramaga, kelas lahan terbuka (79.10%) dan hutan belukar (79.10%) merupakan
kelas dengan nilai komisi tertinggi. Kecamatan Cibungbulang pun menunjukkan
hasil yang serupa yakni kelas tubuh air (68.73%), hutan belukar (60.83%) dan
lahan terbuka (68.73%) menghasilkan nilai komisi yang paling tinggi. Kesalahan
omisi atau persentase piksel kelas lain yang salah diklasifikasikan pada
Kecamatan Ciomas yang paling tinggi dapat dilihat pada kelas tubuh air (70.03%)
dan lahan terbuka (84.61%). Nilai kesalahan omisi yang terdapat di Kecamatan
Dramaga relatif tidak terlalu besar dan nilai yang tertinggi berada pada kelas lahan
terbuka (51.65%). Sementara pada Kecamatan Cibungbulang, kelas tubuh air
merupakan kelas dengan kesalahan omisi tertinggi yakni sebesar 61.62%. Bila
diperhatikan, beberapa kelas yang memiliki nilai komisi dan omisi tertinggi
merupakan kelas dengan training sample yang kecil dan berdasarkan kondisi di
lapangan, kelasnya tidak seluas kelas penutup yang lain sehingga hasil
klasifikasinya kurang baik. Kelas penutup lahan dengan komposit warna hampir
serupa seperti kelas vegetasi (badan air, sawah, kebun, lahan terbuka dan hutan)
merupakan kelas penutup lahan yang selalu terdapat kesalahan komisi dan omisi.

Akurasi Keseluruhan (%)

12
95.00%
90.00%
85.00%
80.00%
75.00%
70.00%
Max
Like

Mah
Dist

NN

Ciomas

SVM

Max
Like

Mah
Dist

NN

SVM

Dramaga
Lokasi Kecamatan

Max
Like

Mah
Dist

NN

SVM

Cibungbulang

Gambar 1 Nilai akurasi keseluruhan setiap metode di ketiga kecamatan
Hasil perhitungan nilai akurasi keseluruhan berdasarkan matriks kesalahan
dari setiap metode klasifikasi di ketiga citra kecamatan dapat dilihat pada Gambar
1. Metode klasifikasi kemungkinan maksimum (Max Like) pada Kecamatan
Ciomas menghasilkan nilai akurasi keseluruhan tertinggi yakni sebesar 92.71%.
Metode klasifikasi jarak Mahalanobis (Mah Dist) menghasilkan nilai akurasi
keseluruhan sebesar 77.60%. Sementara metode klasifikasi jaringan syaraf tiruan
(NN) dan support vector machine (SVM) memberikan nilai akurasi keseluruhan
masing-masing sebesar 84.22% dan 83.98%. Hal ini menunjukkan bahwa metode
klasifikasi kemungkinan maksimum, jaringan syaraf tiruan dan support vector
machine memberikan hasil klasifikasi yang baik pada citra kecamatan dengan
keragaman kondisi lahan tinggi. Dari ketiga metode tersebut diperoleh nilai
akurasi di atas nilai 80%, sementara metode klasifikasi jarak Mahalanobis
memberikan hasil yang kurang baik dengan nilai akurasi di bawah nilai 80%.
Nilai akurasi keseluruhan pada Kecamatan Dramaga yang memiliki
keragaman kondisi lahan sedang untuk metode kemungkinan maksimum
diperoleh sebesar 91.01%, sementara metode jarak Mahalanobis 83.42%. Metode
klasifikasi jaringan syaraf tiruan dan support vector machine memberikan nilai
akurasi keseluruhan masing-masing sebesar 85.03% dan 86.61%. Hal ini juga
menunjukan hasil klasifikasi yang baik sama seperti pada hasil klasifikasi untuk
citra kecamatan yang memiliki keragaman kondisi lahan tinggi.
Hasil yang serupa ditemukan pada Kecamatan Cibungbulang yang memiliki
keragaman kondisi lahan rendah yaitu metode kemungkinan maksimum juga
memberikan nilai akurasi keseluruhan paling tinggi yakni 92.24% sementara
metode jarak Mahalanobis memberikan nilai paling rendah yakni sebesar 77.68%.
Metode klasifikasi jaringan syaraf tiruan dan support vector machine memberikan
nilai akurasi keseluruhan masing-masing sebesar 80.09% dan 80.46%. Hasil ini
menunjukkan bahwa nilai akurasi keseluruhan pada citra kecamatan yang
memiliki keragaman rendah juga tidak jauh berbeda seperti pada hasil klasifikasi
citra kecamatan lainnya.
Gambar 2 merupakan hasil perhitungan nilai koefisien kappa berdasarkan
matriks kesalahan yang diperoleh dari setiap metode klasifikasi di ketiga citra
kecamatan. Nilai koefisien kappa tertinggi pada Kecamatan Ciomas dihasilkan
oleh metode kemungkinan maksimum (Max Like) yakni sebesar 0.8907. Metode
jarak Mahalanobis (Mah Dist) menghasilkan nilai koefisien kappa 0.678.

13

Koefisien Kappa

Sementara metode jaringan syaraf tiruan (NN) dan support vector machine (SVM)
memberikan nilai koefisien kappa masing-masing sebesar 0.7655 dan 0.7640.
Hasil ini mendukung nilai akurasi keseluruhan yang telah diperoleh sebelumnya.
1
0.8
0.6
0.4
0.2
0

Max
Like

Mah
Dist

NN

Ciomas

SVM

Max
Like

Mah
Dist

NN

SVM

Dramaga

Max
Like

Mah
Dist

NN

SVM

Cibungbulang

Lokasi Kecamatan

Gambar 2 Nilai koefisien kappa setiap metode di ketiga kecamatan
Nilai koefisien kappa pada Kecamatan Dramaga yang diperoleh berdasarkan
matriks kesalahan untuk metode kemungkinan maksimum sebesar 0.8578,
sementara metode jarak Mahalanobis sebesar 0.7398. Metode jaringan syaraf
tiruan (NN) dan support vector machine (SVM) memberikan nilai koefisien kappa
masing-masing sebesar 0.7621 dan 0.7887. Hasil ini juga mendukung nilai akurasi
keseluruhan yang telah diperoleh pada Kecamatan Dramaga sebelumnya.
Hasil yang serupa ditemukan pada Kecamatan Cibungbulang, metode
kemungkinan maksimum juga memberikan nilai koefisien kappa tertinggi yakni
0.8830 sementara metode jarak Mahalanobis memberikan nilai terendah yakni
sebesar 0.6745. Metode jaringan syaraf tiruan (NN) dan support vector machine
(SVM) memberikan nilai koefisien kappa masing-masing sebesar 0.7094 dan
0.7114. Seperti hasil pada kecamatan sebelumnya, nilai koefisien kappa pada
Kecamatan Cibungbulang juga sejalan dengan nilai akurasi keseluruhan yang
telah diperoleh.
Perbandingan Kebaikan Hasil Metode Klasifikasi
Nilai rata-rata akurasi keseluruhan dan koefisien kappa dari metode
kemungkinan maksimum merupakan yang paling sebesar yakni sebesar 91.99%
dan 0.8771. Nilai rata-rata akurasi keseluruhan dan koefisien kappa terbesar kedua
adalah nilai dari metode support vector machine (SVM) yaitu sebesar 83.68% dan
0.7547. Metode jaringan syaraf tiruan memberikan nilai rata-rata akurasi
keseluruhan dan koefisien kappa yang tidak berbeda jauh dengan metode SVM
yaitu sebesar 83.11% dan 0.7457. Metode jarak Mahalanobis merupakan metode
yang memberikan nilai rata-rata akurasi keseluruhan dan koefisien kappa paling
kecil yaitu sebesar 79.57% dan 0.6974.

14

SIMPULAN DAN SARAN
Simpulan
Hasil perhitungan pada matriks kesalahan menunjukkan bahwa metode
klasifikasi kemungkinan maksimum merupakan metode klasifikasi citra digital
terbaik dengan nilai rata-rata akurasi keseluruhan sebesar 91.99% dan koefisien
kappa sebesar 0.8771. Metode kemungkinan maksimum menghasilkan klasifikasi
citra yang paling akurat dibandingkan metode klasifikasi citra lainnya baik pada
citra dengan keragaman kenampakan lahan tinggi di Kecamatan Ciomas, citra
dengan keragaman kenampakan lahan sedang di Kecamatan Dramaga maupun
citra dengan keragaman kenampakan lahan rendah di Kecamatan Cibungbulang.
Metode klasifikasi jaringan syaraf tiruan dan support vector machine juga
memberikan hasil yang cukup baik. Akan tetapi, metode klasifikasi jarak
Mahalanobis memberikan hasil klasifikasi yang kurang baik. Hasil penelitian ini
menyimpulkan bahwa metode klasifikasi citra yang paling baik digunakan adalah
metode klasifikasi kemungkinan maksimum.
Saran
Penelitian selanjutnya dapat dilakukan kajian dengan menggunakan
beberapa metode klasifikasi terbimbing yang lainnya seperti metode klasifikasi
parallelepiped, minimum distance, spectral angle mapper, spectral information
divergence dan binary encoding. Selain itu, penelitian selanjutnya harus lebih
meningkatkan ketelitian pada saat membuat training sample dan pemahaman yang
baik mengenai kondisi lahan pada daerah kajian yang akan dianalisis agar
diperoleh hasil klasifikasi yang lebih akurat.

DAFTAR PUSTAKA
Ahmad A, Quegan S. 2012. Analysis of Maximum Likelihood Classification on
Multispectral Data. Applied Mathematical Sciences. 129 (64):25–36.
Deswantara I. 2013. Pengenalan Suara Berdasarkan Usia dan Jenis Kelamin
Menggunakan Algoritma SVM [Skripsi]. Bogor (ID): Institut Pertanian
Bogor.
Foody, GM. 2002. Status of Land Cover Classification Accuracy Assesment.
Remote Sensing of Environtment. 80:185–201.
Gil A, Yu Q, Lobo A, Lourenco P, Silva P, Calado P. 2011. Assessing The
Effectiveness of High Resolution Satellite Imagery for Vegetation Mapping
in Small Islands Protected Areas. Journal of Coastal Research. 64:16631667.
Hermawan I. 2008. Deteksi Perubahan Penutupan Lahan di Taman Nasional
Gunung Halimum Salak Menggunakan Citra Landsat Multiwaktu [skripsi].
Bogor (ID): Institut Pertanian Bogor.

15
Huang C, Davis LS, Townshend JRG. 2002. An Assesment of Support Vector
Machines for Land Cover Classification. International Jurnal Remote
Sensing. 23(4):727-749.
Laksono A. 2006. Kajian Artificial Neural Network (ANN) Untuk Data Respon
Biner (Studi Kasus: Kejadian Infeksi Luka Operasi) [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Lillesand, TM, Kiefer RW. 1990. Remote Sensing and Image Interpretation. New
York (USA): John Wiley and Sons.
Li P, Jiang L, Feng Z. 2014. Cross - Comparison of Vegetation Indices Derived
from Landsat-7 Enhanced Thematic Mapper Plus (ETM+) and Landsat-8
Operational Land Imager (OLI) Sensors. Remote Sens. 6:310-329.
Lo, CP. 1995. Penginderaan Jauh Terapan (Terjemahan). Jakarta (ID): UI-Press.
Lu D, Weng Q. 2007. A Survey Of Image Classification Methods And Techniques
For Improving Classification Performance. International Journal of Remote
Sensing. 28(5): 823–870.
Prahasta E. 2009. Sistem Informasi Geografis: Konsep-Konsep (Perspektif Geodesi
dan Geomatika). Bandung (ID): Informatika Bandung.
Purwadhi SH. 2000. Interpretasi Citra Digital. Jakarta (ID): PT. Gramedia
Widiasaeana Indonesia.
Skidmore AK, Turner BJ, Brinkhof W, Konwless E. 1997. Performance of Neural
Network: Mapping Forest Using GIS and Remotely Sensed Data.
Photogrammetric Engineering & Remote Sensing. 63(5):501-514.
Susilawati I. 2013. Perbandingan Euclidean dan Mahalanobis Distance Classifier
Untuk Klasifikasi Citra Mamografi. Jurnal Orbith. 2:62-68.

16
Lampiran 1 Rata-rata kesalahan komisi setiap kelas penutup lahan
Kelas
Pemukiman
Sawah
Tubuh air
Ladang Kebun
Hutan Belukar
Lahan Terbuka
Unclass

Ciomas
0.95%
21.45%
85.40%
58.34%
42.80%
82.82%
0.62%

Dramaga
5.96%
28.76%
37.35%
23.98%
63.99%
79.10%
1.10%

Cibungbulang
2.37%
19.36%
68.73%
36.41%
60.83%
68.73%
0.05%

Rata-Rata
3.09%
23.19%
63.82%
39.58%
55.87%
76.88%
0.59%

17
Lampiran 2 Rata-rata kesalahan omisi setiap kelas penutup lahan
Kelas
Pemukiman
Sawah
Tubuh air
Ladang Kebun
Hutan Belukar
Lahan Terbuka
Unclass

Ciomas
22.66%
43.04%
70.03%
31.91%
8.49%
84.61%
0.23%

Dramaga
31.47%
29.68%
39.55%
29.80%
26.13%
51.65%
0.04%

Cibungbulang
39.70%
34.64%
61.62%
30.31%
28.15%
51.24%
0.03%

Rata-Rata
31.28%
35.79%
57.07%
30.67%
20.92%
62.50%
0.10%

18
Lampiran 3 Rata-rata akurasi keseluruhan setiap metode klasifikasi
Metode
Kemungkinan Maksimum
Jarak Mahalanobis
Jaringan Syaraf Tiruan
Support Vector Machine

Ciomas
92.71%
77.60%
84.22%
83.98%

Akurasi Keseluruhan
Dramaga Cibungbulang
91.01%
92.24%
83.42%
77.68%
85.03%
80.09%
86.61%
80.46%

Rata-rata
91.99%
79.57%
83.11%
83.68%

19
Lampiran 4 Rata-rata koefisien kappa setiap metode klasifikasi
Metode
Kemungkinan Maksimum
Jarak Mahalanobis
Jaringan Syaraf Tiruan
Support Vector Machine

Ciomas
0.8907
0.678
0.7655
0.764

Koefisien Kappa
Dramaga Cibungbulang
0.8578
0.883
0.7398
0.6745
0.7621
0.7094
0.7887
0.7114

Rata-rata
0.8772
0.6974
0.7457
0.7547

20

RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 1 Februari 1993. Penulis
merupakan putra pertama dari tiga bersaudara dari pasangan Mochamad Ischak
dan Mimah Tusariah. Pendidikan pada tingkat perguruan tinggi ditempuh sejak
diterima di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor pada tahun 2010 melalui jalur Undangan Seleksi
Masuk IPB (USMI). Sebelumnya, penulis telah menyelesaikan pendidikan di
SMA Negeri 3 Bogor, SMP Negeri 9 Bogor, dan SDN Muarasari 1.
Selama perkuliahan, penulis aktif dalam beberapa organisasi diantaranya
adalah menjadi Ketua Divisi Komunikasi dan Informasi Paguyuban KSE IPB
Periode 2013/2014, Wakil Ketua Umum Himpunan Profesi Gamma Sigma Beta
IPB Periode 2012, Staf Divisi Komunikasi dan Informasi Paguyuban KSE IPB
Periode 2012/2013 dan Pengurus Dewan Gedung Asrama Putra C2 IPB Periode
2010/2011. Penulis juga pernah menjadi asisten praktikum untuk mata kuliah
Metode Statistika pada tahun ajaran 2012/2013 dan tahun ajaran 2013/2014 serta
mata kuliah Perancangan Percobaan pada tahun ajaran 2012/2013. Di samping itu,
penulis juga aktif dalam kepanitiaan berskala nasional, seperti Pesta Sains
Nasional 2012, Statistika Ria 2012 sebagai Ketua Divisi Acara dan Statistika Ria
2011 sebagai Anggota Divisi Acara. Penulis melaksanakan Praktik Lapang di PT.
Grup Riset Potensial pada bulan Juli sampai Agustus 2013. Salah satu prestasi
yang diraih penulis adalah mendapatkan beasiswa Karya Salemba Empat selama
tiga periode yaitu tahun ajaran 2011/2012, 2012/2013 dan 2013/2014.