Upload
buikien
View
213
Download
0
Embed Size (px)
Citation preview
COMPARISON OF METHODS SUPERVISED AND UNSUPERVISED
THROUGH GOOGLE SATELLITE IMAGE ANALYSIS PROCEDURE FOR
LAND USE
Erristhya Darmawan .A(10108716)
Information System Major, Faculty of Computer and Technology Information
Science, University of Gunadarma
Email : [email protected]
Abstract
Remote sensing is a science or technology to obtain information or a natural
phenomenon through an analysis of data obtained from the recording object, area or
phenomenon being observed. Digital image result of the remote sensing imagery such as
Google Satelite, Quickbird, IKONOS, Landsat TM, SPOT, NOAA and others.
Google satellite imagery is an excellent resource to meet the needs analysis in the
field of land use change, agriculture, forestry, mining and others.
Digital image classification aim to produce thematic maps. Digital image
classification consists of two methods that is Supervised classification and Unsupervised
classification. The resulting thematic maps using Supervised and Unsupervised methods can
be used in the utilization of land use, urban spatial planning and land cover.
Based on research results using Supervised and Unsupervised methods can be
concluded that the Supervised classification method has higher accuracy than Unsupervised
methods.
The highest accuracy in Supervised method that is the area Surabaya 1 with the value
93.33% and the accuracy of the lowest in the area Meulaboh with the value 73.33%. Whereas
the highest accuracy in Unsupervised method that is the area Surabaya 2 with the value
80.00% and the accuracy of the lowest in the Meulaboh area with the value of 66.67%.
Abstraksi
Penginderaan jauh merupakan suatu ilmu atau teknologi untuk memperoleh informasi
atau fenomena alam melalui analisis suatu data yang diperoleh dari hasil rekaman obyek,
daerah atau fenomena yang dikaji. Citra digital hasil penginderaan jauh antara lain citra
Google Satelite, Quickbird, IKONOS, Landsat TM, SPOT, NOAA dan lain-lain.
Citra satelit Google Satelite merupakan sumber daya yang sangat baik untuk
memenuhi kebutuhan-kebutuhan dibidang analisis perubahan lahan, pertanian, kehutanan,
pertambangan dan lain-lain, pengguna juga mudah untuk dapat melihat citra satelite secara
free dan cepat.
Klasifikasi citra digital bertujuan untuk menghasilkan peta tematik. Klasifikasi citra
digital terdiri dari dua metode yaitu klasifikasi Supervised dan klasifikasi Unsupervised. Peta
tematik yang dihasilkan menggunakan metode Supervised dan Unsupervised dapat digunakan
dalam pemanfaatan tata guna lahan, perencanaan tata ruang kota dan penutupan lahan.
Berdasarkan hasil penelitian menggunakan metode Supervised dan Unsupervised
dapat disimpulkan bahwa klasifikasi menggunakan metode Supervised memiliki keakuratan
yang lebih tinggi dibandingkan dengan metode Unsupervised.
Keakuratan tertinggi pada metode Supervised yaitu pada daerah Surabaya 1 dengan
nilai 93.33% dan keakuratan terendah pada daerah Meulaboh dengan nilai 73.33%.
Sedangkan Keakuratan tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 2
dengan nilai 80.00% dan keakuratan terendah pada daerah Meulaboh dengan nilai 66.67%.
Kata kunci : Citra Google Satelite, Klasifikasi Supervised, Klasifikasi Unsupervised, Erdas
Imagine.
1. Pendahuluan
1.1 Latar Belakang
Penginderaan jauh merupakan suatu
teknik pengukuran atau perolehan informasi
dari beberapa sifat objek atau fenomena
dengan menggunakan alat perekam yang
secara fisik tidak terjadi kontak langsung
atau bersinggungan dengan objek atau
fenomena yang dikaji.
Pengindraan jarak jauh yaitu Besaran –
besaran akuisisi dari Suatu obyek atau
fenomena dengan menggunakan salah satu
alat atau rekaman real – time dari perangkat
sensing, tanpa ada kontak fisik dengan
objek, seperti pesawat terbang angkasa,
satelite , pelampung cuaca, ataupun kapal
(Lillesand dan Keifer, 1994).
Teknologi Penginderaan Jauh
memiliki kemampuan untuk mengetahui
roman muka bumi dalam kurun waktu
tertentu dan dapat digunakan sebagai alat
monitoring kondisi lingkungan wilayah
pertambangan. Tujuan dari kegiatan ini
adalah mencari model pengolahan data citra
agar mudah dalam pemantauan lingkungan
pertambangan, melokalisir daerah rusak dan
perencanaan penanggulangannya.
Metodologi penelitian secara garis besar
meliputi pengumpulan data; data raster,
vektor, textual; pemrosesan awal; survey
lapangan; dan analisis citra(Supriyantono,
et all, 2003).
Tata guna lahan(land use) adalah
sebuah pemanfaatan lahan dan penataan
lahan yang dilakukan sesuai dengan kodisi
eksisting alam. Tata guna lahan berupa:
Kawasan permukiman, Kawasan
perumahan, Kawasan perkebunan, Kawasan
pertanian, Kawasan ruang terbuka hijau,
Kawasan perdagangan, Kawasan
industry(Suhadi Purwantoro, 2010).
1.2 Batasan Masalah
Batasan masalah pada penelitian tugas akhir
ini adalah sebagai berikut :
1. Penggunaan metode klasifikasi
Supervised dan Unsupervised dalam
Penelitian
2. Pemakaian Citra Google Satelite dalam
penelitian
3. Penelitian yang difokuskan pada tata
guna lahan berupa :
Pohon dan Rumput; Pemukiman, Bangunan
Dan Tanah; Aspal Dan Jalan Raya; Asbes
Dan Beton.
1.3 Tujuan Penelitian
Tujuan penelitian tugas akhir ini
adalah untuk Menghasilkan peta tematik
yang dapat digunakan untuk pemanfaatan
tata guna lahan (land use) dari sebuah citra
Google Satelite menggunakan metode
klasifikasi Supervised Dan Unsupervised,
serta membandingkan keakuratan dari
metode klasifikasi supervised dan
unsupervised.
2. Landasan Teori
2.1 Penginderaan Jauh (Remote
Sensing)
Penginderaan jauh adalah
Pengumpulan dan pencatatan informasi
tanpa kontak langsung pada julat
elektromagnetik ultraviolet, tampak
inframerah dan mikro dengan
mempergunakan peralatan seperti scanner
dan kamera yang ditempatkan pada wahana
bergerak seperti pesawat udara atau
pesawat angkasa dan menganalisis
informasi yang diterima dengan teknik
interpretasi foto, citra dan pengolahan citra
(Fussel, et all, 1986).
Dalam penggunaan modern, istilah
penginderaan jauh umumnya merujuk
kepada penggunaan teknologi imaging
Sensor, namun tidak terbatas pada
penggunaan instrumen aboard pesawat
terbang dan angkasa, serta berbeda dari
gambar lainnya yang berhubungan dengan
bidang seperti medis imaging (Fussel, et all,
1986).
Gambar 2.1 Skema Umum Penginderaan
Jauh
Data spasial adalah data yang
memiliki referensi ruang kebumian
(georeference) dimana berbagai data atribut
terletak dalam berbagai unit spasial
(Wikipedia.org). Data spasial yang pada
umumnya diwujudkan baik sebagai peta
analog (dicetak di atas media kertas)
maupun digital merupakan salah satu
sumber daya yang termasuk langka dan
mahal pada saat ini. Karena peta analog
atau peta digital merupakan gambaran atau
potret bentang alam yang sangat
komprehensif, jujur, dan yang terdekat
dengan realitas (Prahasta, 2008).
Citra digital hasil penginderaan jauh
antara lain citra Quickbird, IKONOS,
Landsat TM, SPOT, NOAA dan lain-lain.
2.2 Google Earth
Google Earth merupakan sebuah
program globe virtual yang sebenarnya
disebut Earth Viewer dan dibuat oleh
Keyhole, Inc
Globa virtual ini memperlihatkan
rumah, warna mobil, dan bahkan bayangan
orang dan rambu jalan. Resolusi yang
tersedia tergantung pada tempat yang
dituju, tetapi kebanyakan daerah (kecuali
beberapa pulau) dicakup dalam resolusi 15
meter. Las Vegas, Nevada dan Cambridge,
Massachusetts memiliki resolusi tertinggi,
pada ketinggian 15 cm (6 inci). Google
Earth memolehkan pengguna mencari
alamat (untuk beberapa negara),
memasukkan koordinat, atau menggunakan
mouse untuk mencari lokasi.
Google Earth juga memiliki data
model elevasi digital (DEM) yang
dikumpulkan oleh Misi Topografi Radar
Ulang Alik NASA. Ini bermaksud agar kita
dapat melihat Grand Canyon atau Gunung
Everest dalam tiga dimensi, daripada 2D di
situs/program peta lainnya. Sejak
November 2006, pemandangan 3D pada
pegunungan, termasuk Gunung Everest,
telah digunakan dengan penggunaan data
DEM untuk memenuhi gerbang di cakupan
SRTM. Banyak orang yang menggunakan
aplikasi ini menambah datanya sendiri dan
menjadikan mereka tersedia melalui sumber
yang berbeda, seperti BBS atau blog.
Google Earth mampu menunjukkan semua
gambar permukaan Bumi. dan juga
merupakan sebuah klien Web Map Service.
Google Earth mendukung pengelolaan data
Geospasial tiga dimensi melalui Keyhole
Markup Language (KML).
Google Earth memiliki kemampuan untuk
memperlihatkan bangunan dan struktur
(seperti jembatan) 3D, yang meliputi buatan
pengguna yang menggunakan SketchUp,
sebuah program pemodelan 3D. Google
Earth versi lama (sebelum Versi 4),
bangunan 3d terbatas pada beberapa kota,
dan memiliki pemunculan yang buruk tanpa
tekstur apapun. Banyak bangunan dan
struktur di seluruh dunia memiliki detil 3D-
nya; termasuk (tetapi tidak terbatas kepada)
di negara Amerika Serikat, Britania Raya,
Irlandia, India, Jepang, Jerman, Kanada,
Pakistan dan kota Amsterdam dan
Alexandria. Bulan Agustus 2007, Hamburg
menjadi kota pertama yang seluruhnya
ditampilkan dalam bentuk 3D, termasuk
tekstur seperti facade. Pemunculan tiga
dimensi itu tersedia untuk beberapa
bangunan dan struktur di seluruh dunia
melalui Gudang 3D Google dan situs web
lainnya.
2.3 Klasifikasi Citra Digital
Tujuan dari proses klasifikasi citra
adalah untuk mendapatkan gambar atau
peta tematik. Gambar tematik adalah suatu
gambar yang terdiri dari bagian-bagian
yang menyatakan suatu objek atau tema
tertentu.
Proses klasifikasi citra ada dua jenis,
yaitu Supervised (Klasifikasi Citra
Terawasi) dan Unsupervised (Klasifikasi
Citra Tak Terawasi).
2.3.1 Klasifikasi Citra Terawasi
(Supervised)
Klasifikasi terawasi didasarkan pada
ide bahwa pengguna (user) dapat memilih
sampel pixel – pixel dalam suatu citra yang
merepresentasikan kelas-kelas khusus dan
kemudian mengarahkan perangkat lunak
pengolahan citra (image processing
software) untuk menggunakan pilihan-
pilihan tersebut sebagai dasar referensi
untuk pengelompokkan pixel-pixel lainnya
dalam citra tersebut. Wilayah pelatihan (
training area) dipilih berdasarkan pada
pengetahuan dari pengguna ( the knowledge
of the user). Pengguna dapat menentukan
batas untuk menyatakan seberapa dekat
hasil yang ingin dicapai. Batas ini
seringkali ditentukan berdasarkan pada
karakteristik spektral dari wilayah pelatihan
yang ada. Pengguna juga dapat merancang
hasil keluarannya (output). Sebagai contoh
seberapa banyak kelas-kelas akhir yang
diperlukan dalam pengklasifikasian citra
yang dipunyai.
2.3.2 Klasifikasi Citra Tak Terawasi
(Unsupervised)
Klasifikasi tak terawasi
(unsupervised classifications) merupakan
pengklasifikasian hasil akhirnya
(pengelompkkan pixel-pixel dengan
karakteristik umum) didasarkan pada
analisis perangkat lunak (software anaysis)
suatu citra tanpa pengguna menyediakan
contoh-contoh kelas-kelas terlebih dahulu.
Komputer menggunakan teknik-teknik
tertentu untuk menentukan pixel mana yang
mempunyai kemiripan dan bergabung
dalam satu kelas tertentu secara bersamaan.
Pengguna dapat menentukan seberapa
banyak data yang dapat dianalisis dan dapat
menginginkan seberapa banyak jumlah
kelas-kelas yang dihasilkan, tetapi di lain
sisi pengguna tidak dapat mempengaruhi
proses pengklasifikasian. Meskipun begitu,
pengguna harus mempunyai pengetahuan
tentang wilayah yang akan diklasifikasikan
pada saat mengelompokkan pixel-pixel
dengan karakteristik umum yang dihasilkan
oleh komputer harus direlasikan dengan
fitur aslinya. Contoh pada tanah (
mempunyai kesamaan fitur asli : tanah
basah, pembangunan suatu wilayah, hutan
pinus, dsb).
3. Metode Penelitian
Dalam penulisan tugas akhir ini
penulis menggunakan metode studi pustaka
dan uji coba. Studi pustaka dilakukan
dengan cara mempelajari buku-buku,
laporan penelitian yang pernah dilakukan,
dan browsing internet, yang berkaitan
dengan topik tugas akhir ini.
Penelitian dilakukan dengan langkah-
langkah sebagai berikut :
- Membuat algoritma klasifikasi citra.
- Melakukan perbaikan kualitas citra .
- Melakukan klasifikasi citra
menggunakan metode Supervised.
- Melakukan klasifikasi citra
menggunakan metode
Unsupervised.
- Menguji ketepatan/kebenaran
(Accuracy Assessment) hasil
klasifikasi citra menggunakan
metode Supervised dan
Unsupervised.
- Membandingkan keakuratan
klasifikasi Supervised dan
Unsupervised.
3.1 Diagram Alir Klasifikasi Citra
Gambar 3.1 Diagram Alir Klasifikasi Citra
4. Hasil Penelitian
Pada penelitian tugas akhir ini
digunakan 3 (tiga) citra Google Satelite
yaitu dua daerah Surabaya dan satu daerah
Meulaboh.
(a) Citra Daerah Surabaya 1
(b) Citra Daerah Surabaya 2
(c) Citra Daerah Meulaboh
Gambar 4.1 Citra Quickbird yang digunakan
dalam penelitian
4.1 Hasil Penelitian Daerah Surabaya 1
Tabel 4.1 Deskripsi Pengklasifikasian Kelas
Daerah Surabaya 1
No. Deskripsi Kelas Warna
1. Pohon, Rumput 2. Pemukiman,
Bangunan, Tanah
3. Aspal, Jalan Raya 4. Asbes, Beton
Hasil klasifikasi menggunakan
metode Supervised dan Unsupervised
adalah sebagai berikut :
(a) Citra Awal Daerah Surabaya 1
(b) Citra Metode Supervised
(c) Citra Metode Unsupervised
Gambar 4.2 Citra Hasil Pengklasifikasian
Daerah Bogor
4.1.1 Uji Ketelitian Metode Supervised dan
Unsupervised Pada Daerah Surabaya 1
Pengujian ketelitian/kebenaran hasil
klasifikasi menggunakan metode
Supervised dan Unsupervised dilakukan
dengan cara random sampling (acak).
Tabel 4.2 Deskripsi Kelas Hasil Klasifikasi
Pada Daerah Surabaya 1
Kelas Deskripsi
Vegetasi Hijau (VH) Pohon, Rumput
Urban (U) Pemukiman,
Bangunan, Tanah
Aspal (A) Aspal, Jalan Raya
Asbes, Beton (AsB) Asbes, Beton
Tabel 4.3 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Bogor
Tabel 4.4 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Bogor
Reference Data
Cla
ssif
ied
Data
VH1 VH2 U A1 A2 AsB Total Users Accuracy
VH1 1 0 0 0 0 0 1 100.00%
VH2 0 1 0 0 0 0 1 100.00%
U 0 1 5 0 0 0 6 83.33%
A1 0 0 0 2 0 0 2 100.00%
A2 0 0 0 0 2 0 2 100.00%
AsB 0 0 0 0 0 3 3 100.00%
Total 15
Overall Accuracy={(1+1+5+2+2+3)/15} x 100 = 93.33 %
Reference Data
Cla
ssif
ied
Data
V
H
1
V
H
2
V
H
3
U
1
U
2
A
1
U
3
A
2
A
3
U
4
A
4
U
5
A
5
A
6
U
6
A
7
U
7
U
8
A
8
A
9
A
s
B
U
9
U
1
0
U
1
1
A
s
B
To
tal
User
Accuracy
VH1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
VH2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
VH3 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 50.00%
U1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
U2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
U3 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -
A2 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
A3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
4.3 Hasil Penelitian Daerah Surabaya 2
Pada penelitian ketiga yaitu daerah
Jakarta dibagi menjadi 4 (empat) kelas.
Tabel 4.5 Deskripsi Pengklasifikasian Kelas
Daerah Surabaya 2
No. Deskripsi Kelas Warna
1. Pohon, Rumput, Lahan
Terbuka
2. Aspal, Jalan Raya 3. Pemukiman, Tanah 4. Asbes, Bangunan
(a) Citra Awal Daerah Surabaya 2
(b) Citra Metode Supervised
(c) Citra MetodeUnsupervised
Gambar 4.3 Citra Hasil Pengklasifikasian
Daerah Surabaya 2
A5 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 2 50.00%
A6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 100.00%
U9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 2 100.00%
U10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 2 100.00%
AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 2 50.00%
Total 15
Overall Accuracy={(1+1+1+1+1+1+2+2+1)/15} x 100 = 73.33 %
4.3.1 Uji Ketelitian Metode Supervised
Dan Unsupervised Pada Daerah Surabaya2
Tabel 4.6 Deskripsi Kelas Hasil Klasifikasi
Pada Daerah Surabaya 2
Tabel 4.7 Uji Ketelitian/Kebenaran Klasifikasi
Supervised Pada Daerah Surabaya 2
Tabel 4.8 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Jakarta
Kelas Deskripsi
Vegetasi Hijau (VH) Pohon, Rumput,
Lahan Terbuka
Urban (U) Pemukiman, Tanah
Aspal (A) Aspal, Jalan Raya
Asbes, Bangunan (AsB) Asbes, Bangunan
Reference Data
Cla
ssif
ied
Data
VH1 VH2 U A1 A2 AsB Total Users Accuracy
VH1 1 0 0 0 0 0 1 100.00%
VH2 0 2 0 0 0 0 2 100.00%
U 0 2 5 0 0 0 7 71.43%
A1 0 0 0 2 0 0 2 100.00%
A2 0 0 0 0 2 0 2 100.00%
AsB 0 0 0 0 0 1 1 100.00%
Total 15
Overall Accuracy={(1+2+5+2+2+1)/15} x 100 = 86.67 %
Reference Data
Cla
ssif
ied
Data
V
H
1
V
H
2
V
H
3
V
H
4
V
H
5
V
H
6
V
H
7
A
1
U
1
V
H
8
A
2
A
3
A
4
U
2
A
5
U
3
U
4
A
6
U
5
U
6
A
8
U
7
A
9
U
8
A
s
B
To
tal
User
Accuracy
VH1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
VH2 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 100.00%
VH3 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -
VH4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
VH5 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
4.4 Hasil Penelitian Daerah Surabaya 1
Tabel 4.9 Deskripsi Pengklasifikasian Kelas
Daerah Meulaboh
No. Deskripsi Kelas Warna
1. Pohon, Rumput 2. Pemukiman,
Bangunan, Tanah
3. Aspal, Jalan Raya 4. Asbes, Beton
Hasil klasifikasi menggunakan
metode Supervised dan Unsupervised
adalah sebagai berikut :
(a) Citra Awal Daerah Meulaboh
VH6 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -
VH7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
U1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
VH8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 2 100.00%
U4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 100.00%
U5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 2 50.00%
U6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 100.00%
A8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 100.00%
U7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
Total 15
Overall Accuracy={(1+3+1+1+2+1+1+1+1)/15} x 100 = 80.00 %
(b) Citra Metode Supervised
(c) Citra Metode Unsupervised
Gambar 4.4 Citra Hasil Pengklasifikasian
Daerah Bogor
4.4.1 Uji Ketelitian Metode Supervised dan
Unsupervised Pada Daerah Surabaya 1
Pengujian ketelitian/kebenaran hasil
klasifikasi menggunakan metode
Supervised dan Unsupervised dilakukan
dengan cara random sampling (acak).
Tabel 4.10 Deskripsi Kelas Hasil Klasifikasi
Pada Daerah Meulaboh
Kelas Deskripsi
Vegetasi Hijau (VH) Pohon, Rumput
Urban (U) Pemukiman,
Bangunan, Tanah
Aspal (A) Aspal, Jalan Raya
Asbes, Beton (AsB) Asbes, Beton
Tabel 4.11 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Meulaboh
Reference Data
Cla
ssif
ied
Data
VH1 VH2 U A1 A2 AsB Total Users Accuracy
VH1 2 0 0 0 0 0 2 100.00%
VH2 0 1 0 0 0 0 1 100.00%
U 0 1 4 0 0 0 5 80.00%
A1 0 0 1 2 0 0 3 66.67%
A2 0 0 0 0 0 0 0 -
AsB 0 0 0 0 2 2 4 50.00%
Total 15
Overall Accuracy={(2+1+4+2+2)/15} x 100 = 73.33 %
Tabel 4.12 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Meulaboh
Reference Data
Cla
ssif
ied
Data
V
H
1
V
H
2
V
H
3
V
H
4
V
H
5
V
H
6
V
H
7
V
H
8
U
1
A
1
U
2
U
3
U
4
A
2
A
3
U
5
A
4
A
5
A
6
A
7
U
6
A
s
B
A
8
A
s
B
A
s
B
To
tal
User
Accuracy
VH1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
VH2 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
VH3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
VH4 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 100.00%
VH5 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
VH6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
VH7 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -
VH8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
U2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U4 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 -
A2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 100.00%
A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 100.00%
A5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 100.00%
A6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
U6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 -
AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
A8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -
AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 2 50.00%
AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 -
Total 15
Overall Accuracy={(1+3+1+1+1+1+1+1+1+1)/15} x 100 = 66.67 %
4.5 Perbandingan Metode Supervised dan
Unsupervise
Tabel 4.13 Tabel Perbandingan Klasifikasi
Supervised dan Unsupervised
Penelitian Supervised Unsupervised
Daerah Surabaya1 93.33 % 73.33 %
Daerah Surabaya2 86.67 % 80.00 %
Daerah Meulaboh 73.33 % 66.67 %
Berdasarkan hasil penelitian
menggunakan metode Supervised dan
Unsupervised dapat disimpulkan bahwa
klasifikasi menggunakan metode Supervised
memiliki keakuratan yang lebih tinggi
dibandingkan dengan metode Unsupervised.
Keakuratan tertinggi pada metode
Supervised yaitu pada daerah Surabaya 1
dengan nilai 99.33% dan keakuratan
terendah pada daerah Meulaboh dengan
nilai 73.33%. Sedangkan Keakuratan
tertinggi pada metode Unsupervised yaitu
pada daerah Surabaya 2 dengan nilai
80.00% dan keakuratan terendah pada
daerah Meulaboh dengan nilai 66.67%.
5. Penutup
5.1 Kesimpulan
Berdasarkan penelitian yang telah
dilakukan, hasil dari klasifikasi supervised
dan unsupervised yang dilakukan terhadap
citra Google Satelite yang terekam pada
tahun 2012, yaitu dua buah citra untuk
daerah Surabaya dan satu buah citra daereah
Meulaboh(Aceh) didapatkan kesimpulan
bahwa:
- Nilai akurasi yang dihasilkan lebih
tinggi yaitu dengan klasifikasi supervised.
Dengan pengklasifikasian mengunakan
daerah training (training area) peta tematik
yang dihasilkan akan lebih akurat.
- - Penelitian ini menghasilkan sebuah
peta tematik yang dapat berguna dalam
perencanaan tata ruang kota, pemanfaatan
tata guna lahan, serta dapat juga berguna
untuk melihat seberapa banyak ruang
terbuka hijau di suatu daerah.
5.2 Saran
Saran untuk perbaikan penelitian ini
adalah dengan menggunakan ruang lingkup
penelitian yang lebih luas, misalnya satu
wilayah kabupaten. Pada penelitian ini
hanya mampu mengklasifikasikan suatu
kelas berdasarkan warna atau kedekatan
piksel-pikselnya, untuk pengembangan
dapat dilakukan pengklasifikasian
berdasarkan warna, tinggi rendahnya wilaya
dan bentuk sehingga dapat mengenali objek
suatu kelas secara lebih rinci.
6. Daftar Pustaka
[1] Al-Tamini, Salam dan Al-Bakri, J. T.
2005. Comparison Between Supervised
and Unsupervised Classifications for
Mapping Land Use/Cover in Ajloun
Area. Jourdan Journal of Agricultural
Sciences, Volume , No 1, 2005.
[2] Campbell, James, 2001. Digital Image
Classification Geography 4354- Remote
Sensing.
[3] Danoedoro, Projo, 2012. Pengantar
Penginderaan Jauh Digital, ANDI.,
Yogyakarta
[4] DigitalGlobe. 2010. Quickbird Imagery
Products (Product Guide).
DigitalGlobe, Inc., Longmont.
[5] Lillesand, Kiefer, 1998. Penginderaan
Jauh dan Interpretasi Citra, Gajah
Mada University Press.
[6] Lillesand, Kiefer, 2004. Remote Sensing
and Interpretation (Fifth Edition). John
Wiley & Sons, Inc., New York.
[7] Lindgren, D.T, 1985. Land use
Planning and Remote Sensing,
Doldrecht: Martinus Nijhoff Publisher.
[8] Munir, Rinaldi, 2004. Pengolahan
CITRA DIGITAL dengan Pendekatan
Algoritmik, Bandung: Penerbit
INFORMATIKA.
[9] Prahasta, Eddy, 2008. REMOTE
SENSING Praktis Penginderaan Jauh
& Pengolahan Citra Digital dengan
Perangkat Lunak ER Mapper, Bandung:
Penerbit INFORMATIKA.
[10] Santosa, Budi, 2007. Data Mining
Teknik Pemanfaatan Data untuk
Keperluan Bisnis Teori & Aplikasi,
Yogyakarta : Penerbit Graha Ilmu.
[11] Sugiharto, Aris, 2006. Pemrograman
GUI dengan Matlab, Yogyakarta:
Penerbit Andi.
[12]
http://gd.itenas.ac.id/apa%20itu%20geodesi/rua
ng%20lingkup/pj.html
[13] http://kwalabekala.usu.ac.id/tata-guna-
lahan.html
[14]
http://nationalinks.blogspot.com/2009/0
3/definisi-peta.html
[15] http://www.erdas.com/
[16] http://www.remotesensing.org/
[17]
http://www.satimagingcorp.com/satellit
e-sensors/worldview-2.html
[18]
http://news.softpedia.com/news/
WorldView-2-Satellite-to-Provide-
Google-Earth-with-High-Resolution-
Images-124112.shtml