UJI AKURASI KLASIFIKASI PENGGUNAAN LAHAN DENGAN

Diterima: 12 Desember 2016 Disetujui: 05 Mei 2017Direview: 20 April 2017

* Staf Pengajar Sekolah Tinggi Pertanahan Nasio-nal. Email: [email protected]

UJI AKURASI KLASIFIKASI PENGGUNAAN LAHAN DENGANMENGGUNAKAN METODE DEFUZZIFIKASI MAXIMUM LIKELIHOOD

BERBASIS CITRA ALOS AVNIR-2Harvini Wulansari*

Abstract: Abstract: Abstract: Abstract: Abstract: Land use information plays an important role in spatial planning and monitoring development in order to optimizelanduse and to minimize land conflict. Remote sensing technology can be used to derive land cover information for land useinformation. The aim of this research was to study the accuracy level and the efficiency of fuzzy logic for land use classifica-tion. Defuzzification method was implemented using maximum likelihood and its landuse map from classification result,using spectral data from ALOS AVNIR-2. This research used fuzzy logic approach with defuzzification method using maxi-mum likelihood. Sample plots used for modelling were chosen using stratified random sampling method, and accuracy as-sessment was obtained using stratified random sampling method also. In overall, the research process worked well, althoughthe standpoint of accuracy and thoroughness resulted in overall kappa index was less good or less feasible; however, theresults were acceptable. For the 14 landuse classes, it resulted 57% of overall accuracy and kappa index of 0.53. Timeexecution using maximum likelihood algorithm was approximately 10 seconds.KKKKKey Wey Wey Wey Wey Wororororords:ds:ds:ds:ds: landuse classification, ALOS AVNIR-2, fuzzy logic, maximum likelihood.

Intisari: Intisari: Intisari: Intisari: Intisari: Informasi data penggunaan lahan sangat berperan penting diantaranya untuk melakukan perencanaan maupunpengawasan perkembangan suatu wilayah, sehingga penggunaan lahannya dapat dimanfaatkan secara optimal dan tetapmenjaga kelestariannya, serta meminimalkan terjadinya konflik terhadap lahan. Teknologi penginderaan jauh merupakan salahsatu cara yang dapat dimanfaatkan untuk menurunkan data penutup lahan sebelum akhirnya diterjemahkan menjadi informasipenggunaan lahan. Tujuan dari penelitian ini yaitu untuk mengetahui seberapa akurat dan efisien metode pendekatan berbasislogika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood serta peta hasil klasifikasipenggunaan lahannya, yang melibatkan input data spektral dari Citra ALOS AVNIR-2. Metode yang digunakan dalam penelitianini yaitu metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximumlikelihood. Penentuan sampel untuk training area dan uji akurasi menggunakan metode plot area sedangkan pengambilansampel menggunakan metode stratified random sampling. Secara keseluruhan proses penelitian berhasil dengan baik, walaupundari sudut pandang ketelitian menghasilkan overall accuracy dan indeks kappa yang kurang baik atau kurang layak, namundemikian hasilnya masih dapat diterima.Untuk 14 kelas penggunaan lahan (overall accuracy 57%, nilai indeks kappa 0,53).Hasil pencatatan waktu untuk proses eksekusi menggunakan algoritma maximum likelihood sekitar 10 detik.Kata kunciKata kunciKata kunciKata kunciKata kunci: klasifikasi penggunaan lahan, Citra ALOS AVNIR-2, logika samar, maximum likelihood.

A. Pendahuluan

Informasi data penggunaan lahan berperanpenting diantaranya untuk melakukan perencana-an maupun pengawasan perkembangan suatuwilayah, sehingga penggunaan lahannya dapat di-manfaatkan secara optimal dengan tetap menjaga

kelestariannya, serta meminimalkan terjadinyakonflik terhadap lahan. Menurut Lillesand et al.(2008) informasi penggunaan lahan tidak selaludapat ditafsir langsung dari penutup lahannya olehkarena itu diperlukan informasi pelengkap untukmenentukan penggunaan lahan. Untuk menurun-kan informasi penggunaan lahan dari citra pengin-deraan jauh diperlukan informasi pendukung diantaranya seperti data bentuk lahannya atau bisa

99Harvini Wulansari: Uji Akurasi Klasif ikasi Penggunaan Lahan ...: 98-110

dengan local knowledge mengenai wilayah tersebut.Saat ini telah berkembang metode klasif ikasi

multispektral yang bisa dilakukan melalui berbagaipendekatan diantaranya menurut Jensen (2005)hard classif ication atau soft classifaction tergantungoutput yang dikehendaki, sedangkan berdasarkandistribusi datanya dapat menggunakan algoritmapendekatan parametrik misal maximum likelihoodatau dengan pendekatan non parametrik misaljaringan syaraf tiruan (artif icial neural network).Salah satu contoh algoritma yang menggunakanpendekatan parametrik yaitu algoritma maximumlikelihood. Pendekatan parametrik mengasumsikanbahwa distribusi statistik kelas digambarkandengan data yang terdistribusi normal ataubayesian. Sedangkan pendekatan non parametriktidak mengharuskan distribusi statistik kelasdigambarkan secara normal, salah satu contohpendekatan non parametrik yaitu jaringan syaraftiruan (artif icial neural network).

Lillesand et al. (2008) menyatakan bahwa datapenginderaan jauh merupakan hasil interaksiantara tenaga elektromagnetik dengan objek yangdiindera yang direkam oleh sensor, dimana setiapobjek mempunyai karakteristik tertentu dalamberinteraksi dengan setiap spektrum elektromag-netik. Danoedoro (2012) juga menyebutkan bahwapada prinsipnya setiap benda memiliki strukturpartikel yang berbeda, dimana perbedaan ini akanmempengaruhi pola respon elektromagnetiknya,yang dapat dijadikan landasan pembedaan objek.

Banyak penelitian mulai dikembangkan terkaitdengan karakteristik pola respon spektral, diantaranya untuk mengektraksi data penutup lahandari citra satelit. Pendekatan yang mulai berkem-bang diantaranya adalah klasif ikasi berbasis logikasamar (fuzzy logic). Metode fuzzy sangat mem-bantu saat proses pengambilan sampel, di manatidak terjadi pemaksaan keanggotaan piksel untukmasuk ke dalam satu kelas saja (soft classif ication).Sampel yang diambil juga tidak harus piksel murni,dapat diambil pada mixed pixel. Seperti diketahui

bahwa dari sudut pandang penginderaan jauhfenomena geografis pada level skala menengah danrendah bersifat fuzzy artinya tidak ada batas yangjelas (dalam arti tajam) antara fenomena-fenome-na geografis tersebut. Masalah mixed pixel terutamaterjadi pada citra penginderaan jauh resolusi spasialmenengah dan resolusi spasial rendah, dimana didalam satu piksel citra dapat terdiri dari dua ataulebih jenis objek.

Metode pendekatan berbasis logika samar(fuzzy logic) secara operasional sistematik masihjarang digunakan di instansi-instansi yang bertugasmembuat peta tematik seperti misalnya BadanPertanahan Nasional/BPN RI. Selain itu penggunaancitra penginderaan jauh resolusi spasial menengahdi instansi BPN RI sebagai masukan data peng-gunaan lahan juga jarang digunakan, data yangtersedia di instansi BPN RI berupa foto udara skalabesar, citra dengan resolusi spasial tinggi sepertiCitra Quickbird, sedangkan untuk citra denganresolusi spasial menengah seperti Citra ALOS1

AVNIR-2 jarang digunakan, oleh karena itu perludikaji tingkat akurasi dari citra tersebut. Dari per-masalahan tersebut maka peneliti melakukansebuah penelitian untuk mengetahui seberapaakurat dan ef isien pemetaan penggunaan lahanyang dihasilkan dengan menggunakan metodependekatan berbasis logika samar (fuzzy logic)dengan defuzzif ikasi menggunakan algoritmamaximum likelihood. Penelitian ini dilakukan disebagian wilayah Daerah Istimewa Yogyakarta dansebagian wilayah Kabupaten Klaten, dengan luasan

1 Satelit ALOS (Advanced Land Observing Satellite)merupakan satelit sumber daya milik Jepang, yang ter-diri dari tiga sensor yaitu Panchromatic Remote SensingInstrument for Stereo Mapping (PRISM) dengan resolusi2,5 meter, Advanced Visible and Near Infrared Radiom-eter type-2 (AVNIR-2) resolusi 10 meter dan PhasedArray type L-band Synthetic Aperture Radar (PALSAR)resolusi 10 meter dan 100 meter. Walaupun saat ini su-dah tidak beroperasi namun data yang dihasilkan masihbanyak dimanfaatkan untuk berbagai macam kebu-tuhan informasi dan ekstraksi data.

100 Bhumi Vol. 3 No. 1 Mei 2017

1506 x 1505 piksel atau sekitar 15 x 15 km2 (CitraALOS AVNIR-2 resolusi spasial sekitar 10 m). CitraALOS AVNIR-2 yang digunakan yaitu citra yangdirekam tanggal 20 Juni tahun 2009 level 1B2G,dapat dilihat pada gambar 1.

Gambar 1. Lokasi Penelitian

B. Klasif ikasi Multispektral

Danoedoro (2012) menyebutkan bahwa klasi-fikasi multispektral merupakan suatu metode yangdirancang untuk menurunkan informasi tematikdengan cara mengelompokkan fenomena berda-sarkan kriteria tertentu, yang pada dasarnyadiasumsikan bahwa tiap objek dapat dibedakandengan objek yang lain berdasarkan nilai spektral-nya dimana tiap-tiap objek tersebut cenderungmemberikan pola respon spektral yang spesif ik.

Algoritma klasifikasi multispektral berdasarkanpada asumsi distribusi datanya menurut Scho-wengerdts (1983) dapat dibedakan menjadi para-metrik dan non parametrik. Algoritma parametrikmengasumsikan bahwa distribusi statistik kelasdigambarkan dengan distribusi normal danmengestimasikan parameter yang didistribusikandengan vektor rerata dan matriks kovarian, sedang-kan algoritma non parametrik tidak menga-sumsikan distribusi kelas.

Algoritma maximum likelihood merupakan salahsatu contoh pendekatan parametrik. Danoedoro(2012) menyebutkan bahwa Algoritma maximumlikelihood merupakan algoritma yang secara

statistik mapan, dengan asumsi bahwa objekhomogen selalu menampilkan histogram yangterdistribusi normal atau bayesian.

Menurut Shresta (1991 dalam Danoedoro 2012)algoritma maximum likelihood dikelaskan sebagaiobjek tertentu berdasarkan bentuk ukuran danorientasi sampel pada feature space yang berbentukelipsoida, dapat dilihat gambaran algoritma maxi-mum likelihood pada gambar 2. Informasi nilaistatistik yang dibutuhkan pada klasif ikasi meng-gunakan algoritma maximum likelihood yaitu nilairerata (mean), simpangan baku serta variansi dankovariansinya.

Gambar 2. Fungsi kerapatan yang digambarkandengan algoritma maximum likelihood modifikasi

dari Lillesand et al, (2008, dalam Danoedoro,2012)

C. Klasifikasi dengan Logika Fuzzy

Menurut Kusumadewi (2010), logika fuzzymerupakan salah satu komponen pembentuk softcomputing, dimana peranan derajat keanggotaanatau membership function sebagai penentu kebera-daan elemen dalam suatu himpunan sangatpenting. Himpunan fuzzy nilai keanggotaan terletakpada interval 0 sampai dengan 1. Novamizanti et.al.(2010) dalam tulisannya menjelaskan bahwasebuah sistem fuzzy memiliki struktur proses seba-gai berikut: 1). Fuzzif ication (fuzzif ikasi), yaituproses memetakan crisp input ke dalam himpunanfuzzy. Hasil dari proses ini berupa fuzzy input dalambentuk rule fuzzy 2). Evaluation Rule , yaitu prosesmelakukan penalaran terhadap fuzzy input yangdihasilkan oleh proses fuzzif ication berdasarkan


aturan fuzzy yang telah dibuat. Proses ini mengha-silkan fuzzy output 3). Defuzzif ication (defuzzi-f ikasi), yaitu proses mengubah fuzzy output men-jadi crisp value.

Jensen (2005) menggambarkan bagaimanalogika fuzzy diterapkan untuk proses klasif ikasinilai piksel terhadap jenis penutup/penggunaanlahan dapat dilihat pada gambar 3. Dari gambartersebut dapat dilihat perbandingan antara klasi-f ikasi tegas dan klasif ikasi berbasis logika fuzzy.

Gambar 3. Perbandingan antara kalsifikasitegas dan klasifikasi berbasis logika fuzzy

(Jensen, 2005)

D. Tahapan Lapangan

Tahapan penelitian yang dilakukan meliputiTahap Pra Lapangan, Tahap Kegiatan Lapangan,Tahap Pemrosesan dan Tahap Pasca Lapangan (UjiAkurasi). Tahapan-tahapan tersebut dapat dilihatpada gambar 4.

Gambar 4. Diagram alir penelitian

1. Tahap Pra Lapangan

a. Koreksi GeometrikSebelum citra digital diolah terlebih dahulu

dilakukan koreksi citra. Tahapan ini dilakukankarena saat sensor melakukan perekaman data dipermukaan bumi terdapat beberapa faktor yangmempengaruhi kualitas citra baik dari wahananyasendiri atau di luar wahana. Koreksi geometrik dila-kukan untuk melakukan perbaikan distorsi geo-metrik citra terhadap kondisi sebenarnya dilapangan. Koreksi geometrik yang dilakukan yaitudengan transformasi berdasarkan ground controlpoint (GCP) dengan melakukan rektif ikasi citra kepeta, prinsip rektif ikasi citra ke peta bahwa peta


yang digunakan sebagai acuan memiliki sistemproyeksi dan koordinat yang lebih dapat dipercayaatau lebih dianggap benar daripada citra. Peta yangdigunakan acuan untuk koreksi geometrik adalahpeta RBI skala 1: 25.000. Proses koreksi geometrikdilakukan pada software ENVI dengan cara regis-trasi image to map. Peta RBI skala 1: 25.000 yangdigunakan acuan sudah dilakukan proses geore-ference terlebih dahulu.

Interpolasi spasial yang digunakan mengguna-kan fungsi persamaan polinomial orde duasebanyak 10 titik GCP yang tersebar merata diwilayah penelitian, dengan menggunakan proyeksiUniversal Transverse Mercator (UTM) datum WGS– 84 zone 49 M. Penentuan 10 titik GCP tersebutsudah mencukupi karena syarat untuk polinomialorde dua adalah sebanyak 6 titik dan juga setelahdi-overlay dengan peta RBI skala 1: 25.000 sudahsama antara perpotongan jalan dan percabangansungainya. Titik-titik kontrol diambil secara meratadi wilayah penelitian yang dapat dilihat padagambar 5. Titik-titik kontrol diambil pada perpo-tongan jalan, jembatan, percabangan aliran sungaidan bangunan yang bersifat permanen/tetap.

Koreksi geometrik menghasilkan nilai RootMean Square Error (RMSE) 0,45. Hasil tersebutsudah memenuhi syarat untuk citra tunggal mini-mal RMSE yang diperbolehkan kurang dari 1. Padasaat proses koreksi geometrik dilakukan pulaproses resample nilai piksel citra dengan metodenearest neighbour yaitu menempatkan nilai pikseltetangga terdekat untuk mengisi piksel yang digeseragar nilai piksel hasil koreksi tidak jauh berbedadengan nilai piksel citra sebelum dilakukan proseskoreksi geometrik.

Gambar 5. Lokasi Titik-titik GCP

a. Penentuan Skema KlasifikasiPenggunaan Lahan

Citra ALOS AVNIR-2 yang memiliki resolusispasial 10 meter menurut Doyle (1984 dalam Sutanto,2010) tingkat akurasi interpretasi atau akurasiklasifikasi sesuai dengan rumus a rule of thumb yaitusama dengan tingkat akurasi pada skala peta 1:100.000. Oleh karena itu, dalam penelitian ini dipilihskema klasif ikasi penggunaan lahan untuk skala 1:50.000 yang dibuat oleh BPN RI yang dianggap masihmendekati skala 1:100.000. Dalam penentuan peng-gunaan lahannya dilakukan modifikasi yang berbasispada penutup lahannya dilihat pada pada tabel 1.

Tabel 1. Skema klasif ikasi penggunaan lahan yangdigunakan dalam penelitian (modif ikasi atas

klasif ikasi penggunaan lahan BPN RI)

Singkatan

Sumber : BPN RI, 2012 dengan modifikasi


1. Tahap Kegiatan LapanganKegiatan lapangan meliputi kerja lapangan

ditujukan untuk memperoleh data lapangan yangdigunakan sebagai penentuan daerah contoh atautraining area sekaligus mencari informasi apakahterjadi adanya perubahan penggunaan lahan antaracitra yang digunakan dengan kondisi saat ini sertacek lapangan untuk sampel uji akurasi.

Citra yang digunakan dalam penelitian ini yaituCitra ALOS AVNIR-2 yang direkam pada tahun2009, sedangkan penelitian dilakukan pada tahun2013 sehingga dimungkinkan telah terjadi peru-bahan penggunaan lahan di lapangan, sehinggaperlu dilakukan kerja lapangan untuk melakukanwawancara dengan penduduk sekitar.

Pendekatan yang digunakan dalam survei danpemetaan penggunaan lahan yaitu photo key ap-proach yang merupakan pendekatan yang bersifatfotomorfik dimana kenampakan pada foto men-jadi kunci pengenalan objek, dengan menggunakancitra resolusi spasial tinggi berupa Citra Quickbird.Hal ini dilakukan untuk membantu mencocokkansampel, yang sebelumnya sudah ditentukan sebe-lum berangkat ke lapangan dengan kenyataan yangsebenarnya dilapangan sebagai contoh sebelum kelapangan hasil interpretasi bahwa objek tersebutadalah sawah irigasi setelah di lapangan apakahbenar objek yang dimaksud memang sawah irigasiatau berupa tegalan/ladang, seperti yang dapatdilihat pada gambar 6.

(a). Citra ALOS AVNIR-2 (b). Citra QuickbirdGambar 6. Pendekatan photo key approach yangmenunjukkan obyek sawah irigasi pada (a).

Citra ALOS AVNIR-2 dan (b). Citra Quickbird

Penentuan titik-titik sampel yang digunakanuntuk daerah contoh menggunakan pendekatanstratif ied random sampling, titik sampel ditentukansecara acak pada setiap strata dan diusahakan ter-distribusi secara merata di seluruh daerah pene-litian. Sebagaimana dikemukakan oleh Lillesandet.al. (2008) untuk dapat menghitung vektor meandan matriks kovarian (seperti metode maximumlikelihood) dibutuhkan minimum 10n to 100n pikseldimana n merupakan jumlah band, yang berartijika dalam penelitian ini menggunakan Citra ALOSyang memiliki 4 band maka minimum 40-400piksel diambil untuk tiap kategori dan diambil padabeberapa lokasi yang berbeda. Dalam penelitianini plot area sampel daerah contoh dan sampel ujiminimal yaitu 100 piksel, jika Citra ALOS AVNIRdengan resolusi spasial 10 m maka berkisar 10.000m² atau 1 hektar untuk satu kelas penggunaan la-han, yang diambil pada tempat yang berbeda.

Sesuai dengan acuan skema penggunaan lahanyang digunakan dan dengan melihat keadaan dilapangan, maka dalam penelitian ini ada 14 kelaspenggunaan lahan yang digunakan yaitu tegalan/ladang, semak, permukiman, tanah jasa, tempatolahraga, sawah irigasi, kebun campuran, peter-nakan, industri, pemanfaatan berbasis air terge-nang, pemanfaatan berbasis sungai, sawah nonirigasi, hutan sejenis dan penggunaan lain.

Penggunaan lahan pemanfaatan berbasis airtergenang yang dimaksudkan adalah seperti kolamikan atau empang, sedangkan penggunaan tanahjasa seperti jalan aspal dan bandar udara (bandara).Penggunaan lahan yang dimasukkan dalam kelaspenggunaan lain yaitu bangunan candi dan lahankosong.

2. Tahap Pemrosesan

a. Hasil Uji Separabilitas Uji separabilitas objek dihitung dengan

menggunakan algoritma transformed divergence(TD). Uji separabilitas dilakukan untuk mengeta-hui tingkat keterpisahan nilai spektral antar objek.


Penelitian ini menggunakan software ENVI untukmenghitung tingkat keterpisahan objeknya, dimanauntuk nilai maksimumnya adalah 2 atau setaradengan nilai 2000 apabila menggunakan softwareIdrisi Selva, yang berarti bahwa kelas yang diujibenar-benar terpisah secara baik atau maksimalsehingga dapat dibedakan antara kelas satu denganyang lain secara baik. Nilai separabilitas dibawah1,7 dianggap kurang baik yang berarti bahwa adamixed piksel/piksel campuran didalamnya. Dalampenelitian ini ditetapkan ambang nilai minimum1, sebagai batas bahwa kelas tersebut masih bisadibedakan, apabila kurang dari 1 maka harus dija-dikan satu kelas. Indeks separabilitas 14 kelas peng-gunaan lahan dapat dilihat pada tabel 2.

Tabel 2. Indeks separabilitas untuk 14 kelaspenggunaan lahan

Sumber: Pengolahan penelitian, 2013Keterangan: = adanya mixed piksel/piksel campuran

Dari tabel 2 dapat dilihat contoh bahwa kelaspenggunaan lahan tegalan/ladang (tg) memilikitingkat keterpisahan yang kurang baik terhadapkelas penggunaan lahan permukiman (pm),peternakan (pt) dan sawah non irigasi (sn),kemudian kelas penggunaan lahan semak yang jugamemiliki keterpisahan yang kurang baik terhadapsawah irigasi (si), kebun campuran (kc) dan hutansejenis.

b. Hasil Penentuan HimpunanKeanggotaan Kelas Penggunaan Lahan

Himpunan nilai derajat keanggotaan pikseluntuk masuk dalam satu kelas penggunaan lahan

tertentu ditentukan dari parameter statistik hasilperhitungan statistik sampel. Nilai mean (rerata)dan standar deviasi merupakan parameter statistikutama dalam penentuan himpunan keanggotaanpiksel, dimana nilai mean (rerata) menunjukkannilai tengah kurva keanggotaan piksel terhadapsuatu kelas penggunaan lahan, sedangkan standardeviasi sebagai acuan lebar kurva.

Hasil perhitungan statistik untuk 14 kelas peng-gunaan lahan dapat dilihat pada tabel 3 sampaidengan tabel 6.

Tabel 3. Hasil perhitungan statistik band 1 untuk 14kelas penggunaan lahan

Sumber : Pengolahan penelitian, 2013



Kelas Tg sm pm tj to si kc pt ti at sg sn hs pl

Tg 0

Sm 1,7 0

Pm 1,2 1,9 0

Tj 1,9 1,9 1,4 0

To 1,9 1,8 1,9 1,9 0

Si 1,7 1,6 1,8 1,9 1,9 0

Kc 1,9 1,4 1,9 1,9 1,9 1,4 0

Pt 1,5 1,7 1,1 1,7 1,6 1,6 1,8 0

Ti 1,9 1,9 1,5 1,4 1,9 1,9 1,9 1,5 0

At 1,8 1,9 1,7 1,7 1,9 1,6 1,9 1,8 1,9 0

Sg 1,9 1,8 1,7 1,8 1,9 1,3 1,6 1,6 1,9 1,0 0

Sn 1,0 1,7 1,4 1,9 1,6 1,6 1,9 1,4 1,9 1,8 1,8 0

Hs 1,8 1,0 1,9 1,9 1,9 1,9 1,3 1,7 1,9 1,9 1,9 1,9 0

Pl 1,7 1,9 1,2 1,0 1,9 1,9 1,9 1,7 1,4 1,7 1,8 1,9 1,9 0

NoKelasLU

Band 2

Minimum Maximum MeanStand.

Deviationb c

1 Tg 64 95 72,434 6,812 65,622 79,2462 Sm 48 76 61,358 5,626 55,732 66,984

3 Pm 52 111 76,78 10,319 66,461 87,0994 Tj 64 176 77,517 17,862 59,655 95,3795 To 69 107 77,747 6,340 71,407 84,087

6 Si 57 86 63,266 4,985 58,281 68,2517 Kc 49 63 55,528 2,513 53,015 58,0418 Pt 58 205 88,299 32,367 55,932 120,666

9 Ti 59 253 133,92 52,459 81,462 186,3810 At 50 77 59,472 4,809 54,663 64,28111 Sg 49 77 63,438 5,122 58,316 68,56

12 Sn 62 99 77,898 6,856 71,042 84,75413 Hs 46 68 52,594 3,275 49,319 55,86914 Pl 50 102 75,596 8,806 66,79 84,402






Cara penentuan derajat keanggotaan karenabersifat keahlian penganalisis maka sebetulnyaharus dilakukan oleh orang yang benar-benar ahlibukan pemula. Penelitian ini dalam pertimbanganpenentuan himpunan dan derajat keanggotaanselain pengetahuan lokal (local knowledge) terhadapwilayah penelitian juga dibantu dengan diagrampencar atau feature space, membuat kurva kosinussecara manual dengan menggunakan softwaremicrosoft excel dan juga dengan bantuan citra fuzzykelas penggunaan lahannya.

Contoh graf ik dapat dilihat pada gambar 7,sedangkan contoh citra fuzzy dapat dilihat padagambar 8. Pada gambar 8, contoh citra kelas fuzzymenggambarkan bahwa semakin mendekati nilai1 (warna merah) makin masuk kedalam kelas yangbersangkutan dalam hal ini yaitu hutan sejenis, seba-liknya semakin mendekati nilai 0 (biru tua) makasemakin tidak masuk kelas hutan sejenis.

Setelah penentuan himpunan dan derajat ke-anggotaan dibuat, maka kemudian menyusunmatrik partisi fuzzy. Matrik partisi fuzzy ditentukanatas dasar nilai derajat keanggotaan setiap sampel.Matrik partizi fuzzy berupa data tabular yang terdiridari baris dan kolom, dimana tiap baris berisikaninformasi ID kelas penggunaan lahan pada train-ing site yang telah dibuat sementara kolom berisi-kan kelas penggunaan lahannya. Tabel ini diisisesuai dengan derajat keanggotaan yang telahditentukan, dapat dilihat pada tabel 7.

NoKelasLU

Band 3


Deviationb c

1 tg 46 101 62,307 11,658 50,649 73,965

2 sm 30 56 40,140 5,264 34,876 45,404

3 pm 38 127 72,386 15,707 56,679 88,093

4 tj 50 165 65,915 19,334 46,581 85,249

5 to 41 110 59,590 12,579 47,011 72,169

6 si 36 69 43,24 6,567 36,673 49,807

7 kc 30 44 34,853 2,443 32,41 37,296

8 pt 36 197 74,39 35,209 39,181 109,599

9 ti 45 255 129,023 54,884 74,139 183,907

10 at 32 60 41,341 5,251 36,09 46,592

11 sg 31 62 42,823 4,836 37,987 47,659

12 sn 45 111 70,153 13,998 56,155 84,151

13 hs 28 58 33,738 4,249 29,489 37,987

14 pl 36 99 66,579 10,762 55,817 77,341

NoKelas

LU

Band 4


Deviationb c

1 tg 40 87 60,592 9,943 50,649 70,535

2 sm 59 104 85,126 8,416 76,71 93,542

3 pm 36 85 52,166 9,498 42,668 61,664

4 tj 24 68 34,021 9,306 24,715 43,327

5 to 62 112 94,645 10,564 84,081 105,209

6 si 41 85 73,026 8,361 64,665 81,387

7 kc 51 101 74,362 9,506 64,856 83,868

8 pt 44 99 68,89 13,281 55,609 82,171

9 ti 33 105 58,023 17,464 40,559 75,487

10 at 16 84 34,093 15,827 18,266 49,92

11 sg 12 108 43,624 19,558 24,066 63,182

12 sn 35 96 66,114 12,853 53,261 78,967

13 hs 55 92 76,082 7,282 68,8 83,364

14 pl 18 70 36,421 7,000 29,421 43,421


Tabel 7. Matriks partisi untuk 14 kelas penggunaanlahan

Sumber: Pengolahan penelitian, 2013

Dalam mengisi baris-baris tabel matrik partisimemperhatikan hubungan tingkat keterpisahankelas yang dapat dilihat pada tabel 2. Sebagai contohkelas penggunaan lahan tegalan/ladang (tg)memiliki keterpisahan yang kurang baik terhadapkelas penggunaan lahan permukiman (pm),peternakan (pt) dan sawah non irigasi (sn), makabaris-baris tersebut yang nantinya diisikan bobot atauatau nilai derajat keanggotaan, besarnya nilai bobotdalam penelitian ini berdasarkan pertimbangan lo-cal knowledge wilayah kajian juga dibantu dengandiagram pencar (feature space), grafik kosinus dancitra kelas fuzzy-nya. Caranya yaitu dengan bantuancitra kelas fuzzy dan local knowledge wilayah kajian,diambil suatu luasan kajian yang mencakup kelaspenggunaan lahan yang akan ditentukan nilai derajatkeanggotaannya, maka yang lebih dominan padaluasan tersebut yang diberikan bobot yang lebihbesar, sedangkan yang tidak dominan diberi bobotyang lebih rendah. Jumlah total setiap baris darimatriks partisi tersebut sama dengan 1.

Matriks partisi yang sudah dibuat kemudiandihubungkan dengan sampel (training site) yangtelah ditentukan sebelumnya. Training site yangtelah memiliki nilai keanggotaan baru, kemudiandilakukan signature development lewat fuzsigmenjadi daerah contoh baru menjadi training areafuzzy yang akan digunakan dalam eksekusiklasif ikasi atau proses defuzzif ikasi.

c. Proses eksekusi klasifikasimenggunakan algoritma maximumlikelihood

Dari citra hasil proses klasif ikasi digital yangmasih berbasis fuzzy dilakukan proses defuzzif ikasidengan maksud untuk mempertegas (memperta-jam) batas-batas antar kelasnya.

Pada proses eksekusi ini training area fuzzydigunakan sebagai input, yang pembobotannyasecara otomatis dihitung oleh komputer apabilakita memilih option use equal prior probabilities foreach signature. Bobot yang diberikan pada pene-litian ini yaitu 0,071, nilai bobot tersebut diberikansama nilainya untuk setiap kelas penggunaan lahan.Untuk melihat seberapa efisienkah proses ini makadiperlukan pencatatan waktu, dari hasil pencatatanwaktu untuk proses eksekusi menggunakan algorit-ma maximum likelihood sekitar 10 detik. Softwareyang digunakan pada pemrosesan ini yaitu menggu-nakan software Idrisi Selva. Citra hasil eksekusiklasif ikasi menggunakan algoritma maximum like-lihood dapat dilihat pada gambar 9. SedangkanPeta Penggunaan Lahan hasil defuzzif ikasi meng-gunakan algoritma maximum likelihood, yangtelah diolah legenda dan proses layout-nya padasoftware ArcGIS dapat dilihat pada gambar 10.

Gambar 9. Citra hasil eksekusi klasifikasimenggunakan algoritma maximum likelihood

pada 14 kelas penggunaan lahan

ID tg sm Pm tj to Si Kc pt Ti at Sg sn hs pl

tg 0,65 0 0,05 0 0 0 0 0,2 0 0 0 0,1 0 0

sm 0 0,6 0 0 0 0 0,05 0 0 0 0 0 0,35 0

pm 0 0 0,7 0 0 0 0 0,2 0 0 0 0 0 0,1

tj 0 0 0,04 0,72 0 0 0 0 0 0 0 0 0 0,26

to 0 0 0 0 0,6 0 0 0,4 0 0 0 0 0 0

si 0 0 0 0 0 0,89 0,11 0 0 0 0 0 0 0

kc 0 0 0 0 0 0,05 0,95 0 0 0 0 0 0 0

pt 0 0 0,15 0 0 0 0 0,8 0,05 0 0 0 0 0

ti 0 0 0,1 0,15 0 0 0 0,13 0,62 0 0 0 0 0

at 0 0 0 0 0 0 0 0 0 0,75 0,25 0 0 0

sg 0 0 0 0 0 0 0 0 0 0,16 0,84 0 0 0

sn 0,1 0 0,18 0 0 0 0 0,1 0 0 0 0,62 0 0

hs 0 0,18 0 0 0 0 0,3 0 0 0 0 0 0,52 0

pl 0 0 0,2 0,15 0 0 0 0 0 0 0 0 0 0,65


Gam

bar

10.

Pet

a P

enggu

naa

n L

ahan

Has

il D

efu

zzif

ikas

i M

enggu

nak

an M

eto

de

Max

imu

m L

ikel

iho

od


3. Tahap Pasca Lapangan (Uji Akurasi)

Uji akurasi hasil klasif ikasi dilakukan untukmenguji tingkat akurasi peta penggunaan yangdihasilkan dari proses klasif ikasi digital dengansampel uji dari hasil kegiatan lapangan. Antarasampel yang digunakan sebagai training areadengan sampel yang digunakan untuk uji akurasibukan sampel yang sama tetapi sampel uji akurasidiambil di tempat yang berbeda, hal ini agar lebihditerima keakuratannya.

Metode yang digunakan untuk menghitungakurasi klasif ikasi dengan menggunakan matrikskesalahan atau confusion matrix/error matrix dapatdilihat pada tabel 8, untuk selanjutnya menurutJensen (2005) dapat dilakukan perhitunganproducer’s accuracy, user’s accuracy, overall accuracydan nilai indeks kappa.

Tabel 8 Matriks kesalahan (error matrix)

Keterangan:A,B,C,……..., G = jumlah piksel benar dari hasilinterpretasi dan cek lapangan.a,b,c...,a’,b’,…,p’ = jumlah piksel dalam satu kelashasil pengujian lapangan

Producer’s accuracy merupakan akurasi yangdilihat dari sisi penghasil peta, sedangkan user’saccuracy merupakan akurasi yang dilihat dari sisipengguna petanya. Pada tabel perhitungan jugaterdapat istilah omisi kesalahan yaitu kesalahankarena adanya penghilangan, sebaliknya komisikesalahan yaitu kesalahan karena adanya penam-bahan.

Uji akurasi dihitung dengan menggunakanrumus producer’s accuracy dan user’s accuracy yangdapat dilihat pada tabel 8. Selain itu juga akan dila-kukan perhitungan overall accuracy dengan rumus:

Tabel 8. Perhitungan akurasi penghasil danpengguna berdasarkan matriks kesalahan

a. Hasil perhitungan producer’s accuracydan user’s accuracy 14 kelas penggunaanlahanHasil perhitungan producer’s accuracy dan

user’s accuracy 14 kelas penggunaan lahan dapatdilihat pada tabel 9.

Tabel 9. Perhitungan akurasi penghasil danpengguna untuk 14 kelas penggunaan lahan

(defuzzif ikasi menggunakan maximum likelihood)


Kelas

Producer’s accuracy User’s accuracy

Akurasi(%)

Omisikesalahan (%)

Akurasi(%)

Komisikesalahan (%)

Tg 38,80 61,20 27,73 72,27

Sm 75,52 24,48 65,47 34,53

Pm 49,77 50,23 56,65 43,35

Tj 42,76 57,24 70,45 29,55

To 90,16 9,84 94,83 5,17

Si 17,73 82,27 15,34 84,66

Kc 29,52 70,48 24,14 75,86

Pt 4,46 95,54 4,00 96,00

Ti 57,24 42,76 78,30 21,70

At 58,19 41,81 87,29 12,71

Sg 73,54 26,46 80,77 19,23

Sn 71,16 28,84 64,02 35,98

Hs 79,55 20,45 75,92 24,08

Pl 33,33 66,67 30,95 69,05


Dari tabel 9 dapat dilihat bahwa akurasi tertinggiuntuk 14 kelas penggunaan lahan pada prosesdefuzzif ikasi menggunakan maximum likelihoodtingkat akurasi penghasil atau producer’s accuracysebesar 90,16 % yaitu kelas penggunaan lahantempat olahraga (to) dengan omisi kesalahansebesar 9,84% sedangkan akurasi terendah sebesar4,46 % yaitu kelas penggunaan lahan peternakandengan omisi kesalahan sebesar 95,54%, Padatingkat akurasi pengguna atau user’s accuracyakurasi tertinggi sebesar 94,83 % yaitu kelas peng-gunaan lahan tempat olahraga dengan komisi kesa-lahan sebesar 5,17%, sedangkan akurasi terendahsebesar 4% yaitu kelas penggunaan lahan peter-nakan dengan komisi kesalahan sebesar 96%.

a. Hasil Perhitungan Overall Accuracy danIndeks Kappa

Hasil perhitungan overall accuracy dan indekskappa untuk 14 kelas penggunaan lahan prosesdefuzzif ikasi maximum likelihood dapat dilihatpada tabel 10.

Tabel 10. Perhitungan overall accuracy dan indekskappa dengan proses defuzzif ikasi menggunakan

algoritma maximum likelihood

Sumber: Pengolahan penelitian, 2013

C. Penutup

Proses penelitian berhasil dengan baik, meng-hasilkan peta yang informatif dengan klasif ikasiyang bervariasi, walaupun dari sudut pandangketelitian menghasilkan overall accuracy dan indekskappa yang kurang baik atau kurang layak apabilamenggunakan acuan akurasi yang dianggap layakuntuk penggunaan citra satelit 80% - 85% (Sutan-to,2013). Hasil perhitungan overall accuracy untuk14 kelas penggunaan lahan proses defuzzif ikasimaximum likelihood yaitu 57% sedangkan indekskappa 0,53 namun demikian hasilnya masih dapat

diterima. Sedangkan hasil pencatatan waktu untukproses eksekusi menggunakan algoritma maximumlikelihood sekitar 10 detik.

Hasil akurasi yang kurang baik dalam penelitianini bisa disebabkan oleh beberapa kemungkinandiantaranya yaitu dalam interpretasi sampel di citradengan kondisi sebenarnya di lapangan adaperbedaan disebabkan karena citra yang digunakanmerupakan hasil perekaman tahun 2009 sedang-kan penelitian dilakukan tahun 2013 tentu saja adakemungkinan kondisi lapangan sudah berubahmeskipun wawancara yang dilakukan dengan pen-duduk sekitar sudah dilakukan tetapi belum tentuinformasi tersebut akurat karena rentang waktuyang cukup lama.

Selain itu kemungkinan dalam hal penentuanderajat keanggotaan himpunan fuzzy dibutuhkananalisis yang baik oleh orang yang benar benar ahli-nya, karena dalam penelitian ini peneliti masihpemula dalam melakukan analisis/bukan ahlinyamaka bisa saja terjadi kesalahan dalam pemberianbobot-bobot (membership grade) keanggotaan.

Daftar Pustaka

Danoedoro, P., 2012, Pengantar Penginderaan JauhDigital, Penerbit Andi, Yogyakarta.

Denaswidhi, E., 2008, Pendekatan Logika Samar(Fuzzy Logic) untuk Pemetaan PenggunaanLahan Sebagian Kota Semarang dari CitraLandsat ETM+ Multitemporal, Skripsi,Fakultas Geograf i Universitas Gadjah MadaYogyakarta.

Direktorat Pemetaan Tematik, 2012, Norma,Standar, Prosedur dan Kriteria, Deputi BidangSurvei, Pengukuran dan Pemetaan, BPN RI.

Jensen, J.R., 2005, Introductory Digital Image Pro-cessing : A Remote Sensing Perspective, ThirdEdition, Pearson Education, Inc., United Statesof America.

Kusumadewi, S., dan Purnomo, H., 2010, AplikasiLogika Fuzzy Untuk Pendukung Keputusan,Edisi 2, Penerbit Graha Ilmu, Yogyakarta.

Jumlah kelas overall accuracy indeks kappa

14 kelas 57% 0,53


Lillesand, T.M., Kiefer, R.W., and Chipman, J., 2008,Remote Sensing and Image Interpretation, SixthEdition, John Wiley and Sons, Inc.

Novamizanti et.al., 2010, Optimasi Logika FuzzyMenggunakan Algoritma Genetika Pada Iden-tif ikasi Pola Tanda Tangan, Jurnal, KonferensiNasional Sistem dan Informatika Bali, hal: 153.

Schowengerdt, R.A., 1983, Techniques for Image Pro-cessing and Classif ication in Remote Sensing,Academic Press, London.

Sutanto, 2010, Remote Sensing Research: A User’sPerspective, Indonesian Journal of Geography,Faculty of Geography Gadjah Mada Univ. andThe Indonesian Geographers Association, hal:131.

Sutanto, 2013, Metode Penelitian Penginderaan Jauh,Penerbit Ombak, Yogyakarta.

http://www.ga.gov.au/webtemp/image_cache /GA10286.pdfý, diakses tanggal 21 September2013

Documents

UJI AKURASI KLASIFIKASI PENGGUNAAN LAHAN DENGAN