2
1988, bahwa rata-rata klasifikasi statistik atau clustering
input data space
dinyatakan kedalam class region.
Metode ANN-BP dengan training
multilayer perceptron MLP
dapat digunakan untuk klasifikasi citra satelit Richards dan Jia 2006, Schowengerdt
1997; 2007. Penelitian menggunakan ANN ini mampu mengklasifikasi vegetasi
dengan teknik adaptive resonante theory
ART Carpenter et al.
1997. Hasil yang diperoleh Muchoney dan Williamson 2001 dari teknik ART memberikan
klasifikasi yang sangat baik pada vegetasi maupun penutupan lahan lainnya. Menurut
Lin et al.
2005, citra satelit juga dapat diklasifikasi dengan desain arsitektur
cascade neuro-fuzzy mapping CNFM algoritma BP dan fungsi
keanggotaan Gauss. Pendekatan menarik lainnya adalah
single layer neuron lapisan dua layer
dalam sistem ANN-BP dapat dioptimalkan dengan algoritma ANN Adaptive
Boosting disingkat ANN-
AdaBoost menggunakan kalman
filtering Freund dan
Shapire 1996. Kenyataan ini menjadi penting artinya bahwa perlunya suatu percobaan dan pengembangan metode klasifikasi citra satelit untuk meningkatkan
accuracy assessment penelitian habitat perairan dangkal di Indonesia
.
1.2 Perumusan dan Pendekatan Masalah
Kajian pemetaan habitat perairan dangkal menekankan pentingnya data berupa hasil survei lapang, sumberdata satelit, peta referensi yang dipakai, dan
tingkat akurasi selama pemrosesan data berlangsung. Perumusan masalah pokok dalam penelitian ini adalah: “Bagaimana pengembangan metode ANN
untuk klasifikasi habitat perairan dangkal dari citra satelit Quickbird dengan tingkat akurasi yang lebih baik
?” Pendekatan untuk memecahkan permasalahan tersebut didasari atas analisis
klasifikasi habitat perairan dangkal gabungan aspek geomorfologi dan ekologi Mumby dan Harborne 1999. Klasifikasi berorientasi objek
object oriented dan
contextual editing ternyata lebih baik dari
Maximum Likelihood Andrefouet
et al. 2003
. Berkembangnya metode kecerdasan buatan
Artificial Intelligence sangat
memungkinkan untuk
dicobakan sebagai
tiruan manipulasi
secara komputasional, salah satunya melalui pengembangan metode ANN untuk
memecahkan komputasi yang tidak dapat diselesaikan secara konvensional Kuswadi 2006 dan Pandjaitan 2007.
3
Penerapan metode ANN unsupervised
SOM Self Organizing Map
disingkat ANN-SOM belum diterapkan seluas ANN supervised
multilayer perceptron
MLP, ANN-SOM dapat digunakan untuk klasifikasi unsupervised
dan supervised
, dan memiliki karakteristik untuk kuantifikasi dan proyeksi vektor Pal
et al. 2005.
Kemampuan kuantifikasi
algoritma ANN-SOM
dan ANN-MLP
menggunakan citra resolusi sedang seperti ASTER dapat digunakan untuk klasifikasi penutupan lahan pada level per
pixel Hu dan Weng 2009.
Algoritma ANN dapat dikembangkan untuk mengklasifikasi substrat pasir perairan dangkal tanpa bantuan
ground truth data ,
spectral library atau citra
hypermultispektral Conger et al.
2005, sebagaimana analisis citra teresterial sukses dieksekusi oleh program klasifikasi ANN pada lingkungan yang bervariasi
Peterson et al.
2002. Algoritma ANN-AdaBoost diterapkan pada urutan tiga lapis umpan-maju
back-forward jaringan ANN dalam rangka mengatasi kelemahan utama dari
lama waktu pelatihan untuk klasifikasi data satelit multispektral tutupan lahan Freund dan Shapire 1996. Algoritma ini menjadi algoritma efisien, pertama kali
oleh Shah dan Palmieri 1990 berdasarkan pelatihan Kalman filter. Algoritma ini melatih setiap neuron dalam jaringan lokal, membuat eksplisit penggunaan
matriks kesalahan bobot sinaptik neuron. Berdasarkan uraian permasalahan dan pendekatan, maka penerapan
metode ANN-SOM, ANN-BP dan ANN-AdaBoost sangat memungkinkan dicobakan dan penting untuk menemukenali susunan skema klasifikasi habitat
perairan dangkal dari citra satelit Quickbird dengan tingkat akurasi yang lebih baik.
1.3 Tujuan Penelitian