Hasil pengujian akurasi klasifikasi dengan menggunakan metode BPNN berdasarkan titik referensi lapangan dilihat pada Tabel 12, sedangkan matrik kesalahan dapat dilihat pada Lampiran 8.
Tabel 13. Akurasi Klasifikasi Penutup/Penggunaan Lahan dengan Metode BPNN untuk Masing-masing Citra Landsat ETM+
No Kelas 3-12-2000 15-03-2001 29-04-2002 18-07-2002 31-03-2003 UA (%) PA (%) UA (%) PA (%) UA (%) PA (%) UA (%) PA (%) UA (%) PA (%) 1 Sawah 89.16 94.37 90.33 95.02 86.29 98.05 89.31 92.21 89.02 79.00 2 Tebu 87.72 61.73 54.84 62.96 68.18 55.56 62.69 51.85 44.35 62.96 3 MST 31.34 38.89 30.36 31.48 60.61 37.04 27.78 37.04 37.14 48.15 4 BST 85.71 66.67 85.29 40.28 84.44 52.78 73.58 54.17 39.19 40.28 OA (%) 82.96 80.12 83.11 78.77 70.40 Kappa 0.636 0.576 0.612 0.556 0.456
Keterangan : MST = Kelas Mungkin Sawah/Tebu. BST = Kelas Bukan Sawah/Tebu UA = User Accuracy, PA = Producer Accuracy, OA = Overall Accuracy
Berdasarkan Tabel 13 dapat dilihat hasil uji akurasi klasifikasi BPNN memberikan hasil overall accuracy tertinggi pada citra 29 April 2002 yaitu 83,11 %
dan kappa 0,612, dengan sedangkan terendah pada citra 31 Maret 2003 dengan nilai
overall accuracy 70,40 % dan nilai kappa sebesar 0,456.
Perbandingan Akurasi Hasil Klasifikasi MLC dan BPNN
Perbandingan hasil uji akurasi klasifikasi MLC dan BPNN pada hasil klasifikasi secara berjenjang (multistage) pada citra multi temporal dapat dilihat pada Tabel 14.
Tabel 14. Perbandingan Hasil Klasifikasi MLC dan BPNN
No Metode Overal accuracy Kappa
1 Maximum Likelihood (MLC) 83.26 % 0,5999
2 Back propagation Neural
network (BPPN)
84.30 % 0.6404
Tabel 14 menunjukkan bahwa hasil klasifikasi BPNN memiliki nilai akurasi lebih tinggi dibandingkan dengan klasifikasi MLC. Berdasarkan overall accuracy
dan nilai kappa pada Tabel 14 terlihat bahwa hasil klasifikasi menggunakan metode klasifikasi BPNNmenghasilkan nilai overall accuracy 84,30 % dan nilai Kappa 0,64 sedangkan hasil klasifikasi dengan MLC menghasilkan nilai overall accuracy 83,26 % dan nilai kappa 0,60.
Perbandingan hasil klasifikasi berdasarkan hasil intrepretasi visual, MLC dan BPNN terhadap luasan lahan sawah dan tebu maka hasil klasifikasi dengan metode BPNN memberikan hasil yang relatif lebih baik dibandingkan dengan hasil
klasifikasi berdasarkan MLC. Hasil pengabungan kelas pada tahap kedua, klasifikasi MLC dan BPNN juga masih menunjukkan efek salt and paper tetapi BPNN relatif sedikit. Perbandingan luasan penutup/penggunaan lahan hasil klasifikasi visual dan digital dapat dilihat pada Gambar 34.
Gambar 34. Perbandingan Luas Masing-masing Kelas Hasil Klasifikasi Gambar 34 menunjukkan perbedaan luas hasil klasifikasi yang dihasilkan dengan menggunakan metode MLC dan BPNN terhadap hasil interpretasi visual pada kelas sawah dan tebu sangat besar. Luas lahan sawah pada interpretasi secara visual adalah 33,893 ha, sedangkan MLC 38.416 ha dan BPNN 38.040 ha, tidak terdapat perbedaan yang signifikan antara MLC dan BPNN terhadap luas lahan sawah yang dihasilkan. Luas lahan tebu secara visual 4.473 ha, sedangkan MLC dan BPNN masing-masing 6,593 ha dan 5.525 ha.
Kesimpulan
1. Klasifikasi berjenjang citra Landsat Multitemporal dengan metode Back
Propagation Neural Network (BPNN) menghasilkan luas lahan sawah dan tebu
masing-masing-masing 38.041 ha dan 5.525 ha, sedangkan hasil klasifikasi
Maximum Likelihood (MLC) menghasilkan luas lahan sawah dan tebu masing- masing 38.416 ha dan 6.593 ha. Kedua metode mampu mengekstrak luasan lahan sawah dan tebu dengan hasil yang tidak berbeda jauh, tetapi pada pendekatan BPNN efek salt and peper relatif lebih sedikit.
2. Metode BPNN memberikan nilai akurasi yang lebih baik dibanding dengan MLC. Nilai Overall accuracy dan Kappa metode BPNN adalah 84,30% dan
Kappa 0,6404, sedangkan MLC nilai overall accuracy 83,26% dan Kappa
0,5999.
3. Kedua metode yang digunakan memiliki tingkat kesulitan dalam memisahkan kelas sawah dan tebu pada saat kondisi sawah dan tebu berada dalam kondisi fase vegetatif.
Saran
1. Diperlukan penelitian lebih lanjut dengan menggunakan data citra multitemporal dengan rentang waktu liputan relatif teratur dan mencakup minimal satu periode pertumbuhan tanaman padi sawah dan tebu.
2. Penelitian sejenis perlu dilakukan dengan menambahkan input-input lain seperti informasi DEM dan tekstur citra pada pendekatan dengan menggunakan metode klasifikasi BPNN.
Andayani A. 2008. Land Cover Classification of ALOS data Using Backpropagation Neural Network Models. Thesis Graduete School Bogor Agricultural University
Asriningrum W. 2002. Studi Kemampuan Landsat ETM+ untuk Identifikasi Bentuk Lahan (Landform) di Daerah Jakarta-Bogor. Thesis Program pascasarjana Institut Pertanian Bogor. Bogor.
Basuki A. 2003. Kecerdasan Komputer. http://www.google.com/searchneural/ [11 Juni 2003]
Fauzi A. 2001. Remote Sensing for Detecting Tropical Logged Over Forest [thesis]. Enschede : International Institut For Aerospace Survey and Earth Science (ITC). Enschede - Netherlands
Gao Y. 2003. Pixel Based and Object Oriented Image Analysis for Coal Fire Research [thesis]. Enschede : International Institut For Geo-Information Science and Earth Observation (ITC) Netherlands http://www.itc.nl/library/Papers_2003/msc/ereg/gao_yan.pdf.
Jaya INS. 2002. Penginderaan Jauh Satelit Untuk Kehutanan. Laboratorium Inventarisasi Hutan, Jurusan Manajemen Hutan, Fakultas Kehutanan IPB, Bogor
Jensen JR. 1996, Introductory Digital Image Processing ; A Remote Sensing Perspective, Second Edition. Prentice Hall. Upper Saddle River. New York.
Koeshardono D. 2001. Metode Fuzzy Neural Network Untuk Klasifikasi Penutup Lahan dari Data Penginderaan Jauh Serta Perbandingannya dengan Back Propagation Neural Network dan Maximum Likelihood. Journal of LAPAN Jakarta No. 80
Landsat, 2000. Supplying data Users Worldwide with Low Cost, Multi Purpose Land Remote Sensing Data into Next Century. http://www.landsat.gsfc.nasa.gov/cgi-bin/search.p?range
Lillesand TM and R. W. Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra diterjemahkan oleh Dulbahri, Prapto Suharsono, Hartono Suharyadi, penyunti Sutanto. Gajah Mada University Press. Yogyakarta.
Lillesand TM and R. W. Kiefer. 1994. Remote Sensing and Image Interpretation3rd Ed. John Willey and Sons, New York.
Manalu J. 2002. Klasifikasi Citra Penginderaan Jauh Menggunakan Teknik Logika Samar (Fuzzy Logic). Warta LAPAN Vol. 4 No. 2. Jakarta. Ozkan C, FS Erbek. 2003. The Comparison of Activation Functions for
Multispectral Landsat TM Image Classification. Photogrametric Engineering&Remote Sensing. Volume 69 No.11
Paola JD, Schowengerdt RA. 1997. The Effect of Neural-Network Structure on a Multispectral Land-Use/Land-Cover Classification, Photogrammetric Engineering & Remote Sensing, Volume 63 No. 5, pp. 535-544.
PCI Geomatics Help. 2001. Manual Software Geomatica. Canada.
Rosalina U et al. 2002 Final Report ; Study on the Potential of Very High- Resolution Satellite Data for Mapping Tropical Forest Cover For Selected Sites in Insular Southeast Asia, Indonesia(Sumatera and Kalimantan). Faculty of Forestry, Bogor Agricultural University.
Rumelhard DE, G.E. Hilton, R.J. Williams. 1990. Learning Internal representations by error propagation in : Neurocomputing Foundations of Research. Edited by Anderson, J.A and Ronsenfeld, E. MIT Press.
Sadly M. 1998. Optimized Artificial Neural Networks Based Algorithm for Pattern Classification in Remotely Sensed Images. Year book 97/98. Diretorate of Technology for Natural Resource Inventory. Deputy for Natural Resources Development Agency for The Assesment and Application of technology.
Schowengerdt RA. 2007. Remote Sensing Models and Methods for Image Processing. Oxford: Elsevier Inc.
Shafri HZM, Suhaili A and Mansor S. 2007. The Performance of Maximum Likelihood, Spectral Angle Mapper, Neural Network and Decision Tree Classifiers in Hyperspectral Image Analysis. Journal of Computer Science
Siang JJ. 2005. Jaringan Saraf Tiruan dan Pemogramannya Menggunakan Matlab. Penerbit Andi. Yogyakarta
Sutanto. 1986. Penginderaan Jauh Jilid 1. Gadjah Mada University Press. Yogyakarta.
Swain PH, SM Davis. 1998. Remote Sensing-The Quantitative Approach. McGraw Hill. New York.
Widyastuti A. 2000. Back propagation neural network Classification Method Case ; mangrove Forest Mapping in Segara Anakan Cilacap, Central Java. Thesis Graduate Program IPB Bogor)
Wiradisastra US. 1982. Masalah Pengurangan Dimensi pada Pemetaan Sumber daya alam. Makalah Lokakarya Pengembangan Pendidikan dan Penelitian untuk Menunjang Program Inventarisasi dan Evaluasi Sumberdaya Alam Nasional. IPB-BAKOSURTANAL. Bogor.
Zhou LE. Gao P. 1997. Comparison Between The Logistic Regression and Back Propagation Neural Network. Department of Health Statistics, Shanghai Medical University, Shanghai China. http://www.shimane- med.ac.jp/jcmi1997/paper/072-411.htm. [11 Juni 2003]
Lampiran 6. Ground Control Point untuk Koreksi Geometrik