26
Model pembelajaran ANN supervised untuk mempersiapkan klasifikasi citra tersebut diilustrasikan pada Gambar 3-3. Klasifikasi data citra menggunakan
ANN supervised terdiri dari dua tahap, yaitu pelatihan jaringan network training dan klasifikasi. Setelah konfigurasi jaringan ditetapkan, bobot dan bias
diinisialisasi, langkah selanjutnya adalah melatih jaringan ANN-Backpropagation ANN-BP dan ANN-Adaptive Boosting ANN-AdaBoost
Gambar 3-3 Training ANN supervised dalam persiapan klasifikasi citra
3.4.1 Pra Pengolahan Citra
Standar pra-pengolahan citra digital berupa koreksi radiometrik dan geometrik. Koreksi radiometrik bertujuan untuk menghilangkan faktor–faktor yang
menurunkan kualitas citra. Metode koreksi radiometrik yang digunakan adalah penyesuaian histogram histogram adjustment, tetapi untuk penelitian ini tidak
dilakukan lagi koreksi radiometrik karena citra QuickBird merupakan citra high
resolution satellite dan telah terkoreksi secara radiometrik.
Koreksi geometrik terhadap kedua periode waktu berbeda dengan acuan data lapang dilakukan setelah koreksi radiometrik. Koreksi geometrik ditempuh
dengan transformasi geometris dan resampling citra menggunakan beberapa titik kontrol bumi ground control point. Titik-titik tersebut diambil pada tempat
berbeda yang tersebar di bagian citra, sehingga diperoleh nilai root mean square
Input data
Learning rate momentum
Kalkulasi Output
Output yang Diharapkan
Update bobot
Penghentian training
Pengkodean
∑ ∑
∑ ∑
f
Inisialisasi bobot
Prediksi error
Diterima? No
Yes 1
2
3 4
27
RMS 0,5. Penentuan nilai RMS menentukan akurasi koreksi geometrik yang
diketahui dari formula:
n i
i i
y x
f u
a u
d
2 2
} ,
{ −
=
o
…………………………….............……. ..........3-1
n i
i i
y x
g v
a v
d
2 2
} ,
{ −
=
o
…………………………….....……….................3-2
Dimana;
u d
= standar deviasi pada nomor pixel;
v d
= standar deviasi pada nomor pixel;
,
i i
y x
= koordinat peta dari GCP;
,
i i
v u
= koordinat peta dari GCP.
Rektifikasi pembetulan citra berdasarkan informasi posisi GCP yang ada bertujuan untuk menempatkan pixel citra pada posisi sebenarnya di permukaan
bumi. Rektifikasi ini sangat erat kaitannya dengan pengambilan data in-situ, metode penentuan akurasi posisi, dan GPS yang digunakan.
3.4.2 Pengolahan Citra
Distribusi spasial karakteristik habitat dasar perairan dangkal diolah dari citra satelit menggunakan beberapa pendekatan seperti komposit Band dan
penajaman citra dengan algoritma depth invariant index. Algoritma ini mengaplikasikan metode koreksi kolom air atau dikenal dengan Algoritma
Lyzenga 1981. Metode ini efektif untuk meningkatkan kualitas identifikasi dan klasifikasi habitat dasar perairan dangkal secara tematik. Persamaan algoritma
depth invariant index diturunkan sebagai berikut:: Y = Ln B1 – kikj Ln B2
dimana Y = indek dasar perairan; B = band yang dipilih; kikj= koefisien atenuasi
= Variance Band ke i, = Variance Band ke j,
= Covar Band ke ij Pengolahan citra ANN selanjutnya memerlukan ekstraksi ciri parameter
input untuk data pembelajaran learning, dan paramater training masing-masing metode ANN supervised dan unsupervised.
28
1 Ekstraksi Parameter Input
Penelitian ini menyelidiki kombinasi 6 enam parameter input, yaitu A1, A2, A3, A4, A5 dan A6. Ilustrasi kesemuanya disajikan pada Tabel 3-2.
Tabel 3-2 Parameter input klasifikasi Kode
Input Jumlah
Node Proses
Metode Output
A1 Band 1, 2, 3 dan 4
4 Band asli 4
SOM Klaster citra
A2 Komposit Band 1, 2 dan 3
Band 321 3
SOM Klaster citra
A3 Komposit Band 1, 2 dan 4
Band 421 3
SOM Klaster citra
A4 Komposit Band 2, 3 dan 4
Band 432 3
SOM Klaster citra
A5 Band 1, 2, 3 dan 4 4 Band
asli dan komposit Band 432 7
Lyzenga Klasterklasifikasi
citra, dan koreksi kolom air
A6 Data A5 rationing
3 SOMBP
AdaBoost Klasterklasifikasi
citra, dan koreksi kolom air
2 Parameter Training
Parameter training untuk membangun model pembelajaran ANN unsupervised mengikuti parameter-parameter SOM berikut:
Tabel 3-3 Parameter training ANN unsupervised Item parameter
Nilai
Jumlah input citra 3
Training rate 0.5 – 0.001
Radius ketetanggaan pixel 4
Jumlah Iterasi training 10,000
Sedangkan algoritma ANN supervised untuk membangun model pembelajaran ANN-BP dan AdaBoost mengacu parameter training Tabel 3-4 dan ROI Tabel
3-5 sebagai data pembelajaran learning.
Tabel 3-4 Parameter training ANN supervised Item parameter
Nilai
Training threshold 0.9
Training momentum 0.9
Kriteria RMS 0 - 0.1
Jumlah unit hidden layer 2 – 4
Jumlah node hidden layer 8
Training rate 0.2
Jumlah Iterasi training 10,000
Unit hidden layer berjumlah 2 khusus untuk AdaBoost Unit node hidden layer khusus untuk AdaBoost
29
Tabel 3-5 Region of Interest ROI training ANN supervised Jenis
penutupan No
Kode
∑ ∑
∑ ∑
Sampel pixel
Warna Deskripsi
Karang hidup 1 KH 1652
Cyan Dominan karang hidup
Karang mati 2KM
68 Magenta Dominan karang mati
Lamun 3L
599 Green
Dominan lamun Pasir
4P 1383
Yellow Dominan pasir
Pasir campur karang
5PK 375
Maroon Campuran pasir dan karang
Pasir campur lamun
6PL 279
Purple Hamparan
pasir ditumbuhi
lamun Daratan
7D 612
Red Pemukiman
penduduk dan
karang mati yang timbul di permukaan air
Laut 8L
2764 Blue
Perairan terendam lebih dalam
Total jumlah pixel
7,737
3 Model PembelajaranTraining ANN
Pelatihan training ANN dalam penelitian ini ditempuh dengan dua cara pembelajaran learning, yaitu unsupervised learning algoritma SOM dan
supervised learning algoritma Backpropagation. Algoritma SOM self organizing map
Desain unsupervised learning menggunakan algoritma SOM Kohonen 1984 memiliki kemampuan atau pengorganisasian mandiri tanpa adanya
pendefinisian kelas sebelumnya, sehingga membentuk suatu klaster. Pendekatan ini memerlukan Parameter training Tabel 3-3 dengan input minimal
dari user unit input layer untuk membagi jumlah kelasklaster yang dihasilkan unit output layer:
a. Unit input layer x
