V. HASIL DAN PEMBAHASAN
5.4. Analisis Keterpisahan Statistik
Keterpisahan spektral dapat dieksplorasi secara statistik yang disajikan dalam bentuk boxplot. Gambar 29 menyajikan nilai statistik deskriptif dari bentuklahan kawah dan berbagai jenis aliran lava pada masing-masing polarisasi.
Pada ketiga polarisasi, bentuklahan ALA menunjukkan nilai hamburan yang paling bervariasi dibandingkan bentuklahan aliran lava lainnya. Hal ini menunjukkan bahwa pada bentuklahan tersebut terjadi penyebaran nilai hamburan yang sangat tinggi yang kemungkinan disebabkan oleh atenuasi vegetasi di atas permukaan lava. Secara umum, polarisasi HH dan polarisasi VV menunjukkan kemiripan pada tiap bentuklahan aliran lava. Pada polarisasi HH, bentuklahan yang memiliki nilai rataan paling tinggi ditunjukkan oleh bentuklahan AL2. Hal yang sama juga ditunjukkan oleh bentuklahan AL2 pada polarisasi VV. Pada kedua polarisasi ini mempunyai nilai rataan hamburan paling rendah yang ditunjukkan oleh bentuklahan K. Hal ini disebabkan karena bentuklahan K memiliki kekasaran permukaan yang sangat berbeda dengan bentuklahan aliran lava.
K ALT ALM ALA AL 3 AL 2 AL 1 450000 400000 350000 300000 250000 200000 150000 100000 Kelas HH POLASRISASI HH Median 25%-95% Non-Outlier Range Outliers K ALT ALM ALA AL 3 AL 2 AL 1 400000 350000 300000 250000 200000 150000 100000 Kelas VV POLARISASI VV Median 25%-95% Non-Outlier Range Outliers (a) (b) K ALT ALM ALA AL 3 AL 2 AL 1 150000 125000 100000 75000 50000 Kelas HV POLARISASI HV Median 25%-95% Non-Outlier Range Outliers (c)
Gambar 29. Perbandingan Nilai Polarisasi Aliran Lava G. Guntur (a) polarisasi HH, (b) polarisasi HV, dan (c) polarisasi VV
Selain itu, hal ini disebabkan juga karena bentuklahan ini direpresentasikan dengan daerah cekungan yang memiliki rona gelap pada bayangan radar yang dihasilkan oleh topografi yang membelakangi sensor. Bentuklahan AL3 pada polarisasi HH menunjukkan nilai hamburan yang relatif homogen. Sedangkan pada polarisasi VV nilai hamburan yang relatif homogen ditunjukkan oleh bentuklahan K walaupun pada bentuklahan ini terdapat beberapa nilai ekstrim. Pada polarisasi HH, bentuklahan AL1, AL3, dan ALT memiliki kedekatan nilai rataan sehingga dapat diketahui bahwa ketiga aliran lava ini memiliki karakteristik tekstur permukaan dan fragmen penyusun batuan (sifat dielektrik) yang hampir sama. Sedangkan pada polarisasi VV, kedekatan nilai ini ditunjukkan oleh bentuklahan ALT dengan ALM dan AL1 dengan AL3.
Hal yang berbeda ditunjukkan oleh polarisasi HV. Pada polarisasi ini bentuklahan AL3 memiliki nilai hamburan yang relatif seragam sedangkan nilai
Keterangan :
K = Kawah
AL 1 = Aliran Lava 1 AL2 = Aliran Lava 2 AL 3 = Aliran Lava 3
ALA = Aliran Lava Termuda ALM = Aliran Lava Muda ALT = Aliran Lava Tua
hamburan dengan variasi yang tinggi ditunjukkan oleh bentuklahan ALA. Bentuklahan ALA ini juga menunjukkan nilai rataan paling tinggi dibandingkan bentuklahan aliran lava lainnya sehingga dapat diketahui bahwa ALA dengan polarisasi HV memiliki nilai hamburan yang relatif tinggi. Hal ini mengindikasikan kontribusi tanaman penutup lava (tanaman perdu dan rumput-rumputan) masih cukup signifikan. Nilai rataan paling rendah dan beberapa nilai ekstrim ditunjukkan oleh bentuklahan K. Kedekatan nilai rataan ditunjukkan oleh bentuklahan AL3 dan ALT.
Pada ketiga polarisasi tersebut dapat diketahui bahwa polarisasi searah (parallel polarization) yaitu polarisasi HH dan VV memperlihatkan karakteristik nilai hamburan yang hampir sama pada setiap bentuklahan aliran lava dan kawah. Hal ini juga ditunjukkan oleh Dierking and Haack (1998) yang menyatakan bahwa beda fase (phase) dan amplitudo antara komponen VV dan HH saja sudah cukup menyediakan informasi tentang tanaman penutup lahan pada permukaan lava.
Sebaliknya karakteristik berbeda yang sangat jelas ditunjukkan oleh polarisasi silang (cross polarization). Hal ini memperlihatkan bahwa jenis polarisasi sangat mempengaruhi hasil identifikasi objek di permukaan bumi, selain ditentukan juga oleh kekasaran permukaan. Hal menarik yang dapat ditunjukkan oleh ketiga jenis polarisasi tersebut adalah bahwa bentuklahan ALA memiliki nilai variasi paling tinggi dibandingkan bentuklahan lainnya. Hal ini disebabkan karena ALA merupakan aliran lava paling muda dari G. Guntur yaitu letusan pada tahun 1847. Material yang dikeluarkan pada saat letusan dapat berupa batuan, kerikil ataupun abu gunungapi yang belum mengalami pelapukan ataupun erosi yang lanjut sehingga tekstur permukaan material masih sangat kasar yang mempengaruhi nilai hamburan balik (backscatter) obyek. Dengan demikian dapat diketahui bahwa proses pelapukan (weathering) belum banyak berpengaruh nyata pada aliran lava tersebut. Hal ini diperkuat oleh penelitian Dierking dan Haack (2008) yang menunjukkan bahwa nilai hamburan pada aliran lava sangat bervariasi. Aliran lava muda dan paling kasar dapat diidentifikasi dengan mudah pada citra karena memiliki intensitas hamburan balik yang besar dengan polarisasi silang. Selain itu Lilliesand dan Kieffer (1990) juga menyatakan bahwa sinyal
balik tinggi adalah yang diterima dari lereng yang menghadap sensor, obyek yang kasar, dan obyek dengan kelembaban tinggi.
Identifikasi bentuklahan ini, selain dapat ditunjukkan melalui analisis keterpisahan statistik, dapat juga ditunjukkan dengan analisis visual melalui keterpisahan spektral. Analisis keterpisahan visual disajikan dalam bentuk diagram pencar (Gambar 30). Dari gambar tersebut dapat dilihat bahwa bentuklahan kawah dan aliran lava dari ketiga diagram memiliki keterpisahan yang cukup baik. Hal ini dikarenakan morfologi dari kawah dan aliran lava sangat berbeda sehingga mempengaruhi hamburan balik pada gelombang elektromagnetik yang dipancarkan.
Hamburan balik tersebut sangat sensitif terhadap kekasaran permukaan. Hal ini juga ditunjukkan pada analisis keterpisahan statistik (Gambar 29). Diagram pencar juga menunjukkan keterpisahan pada tiap aliran lava. Aliran lava yang dapat diidentifikasi terdiri dari aliran lava 1, aliran lava 2, aliran lava 3, aliran lava tua, aliran lava muda dan aliran lava termuda. Dari peta geologi dapat diketahui bahwa aliran lava muda merupakan hasil letusan tahun 1840 sedangkan aliran lava termuda hasil letusan tahun 1847. Pada kombinasi HH-VV terlihat bahwa aliran lava 1, aliran lava 3 dan aliran lava muda tidak dapat dipisahkan secara baik. Hal tersebut juga ditunjukkan oleh kombinasi polarisasi VV-HV dan HH-HV. Sedangkan untuk aliran lava 2, aliran lava termuda, dan aliran lava tua dapat dipisahkan secara baik pada ketiga kombinasi polarisasi.
Kombinasi yang menunjukkan keterpisahan terbaik dari seluruh kombinasi adalah kombinasi VV-HV sehingga dapat diketahui bahwa identifikasi aliran lava menggunakan polarisasi dual polarization (dual-pol) telah cukup memadai. Selain itu, hal ini memperlihatkan bahwa polarisasi silang (cross-polarization) dapat digunakan untuk mengidentifikasi dan membedakan jenis aliran lava. Penelitian pendahulu menunjukkan bahwa intensitas citra pada polarisasi HV atau pada kombinasi HV-HH-VV dengan band L dan polarisasi silang (cross-polarization) yang diperoleh pada sudut kemiringan (incident angle) besar sangat optimal untuk interpretasi geologi (Dierking dan Haack 2008). Selain itu, Rodriguez et al. (2001) menunjukkan bahwa nilai polarisasi silang (cross-polarization) pada data
(a)
(b)
(c)
Gambar 30. Analisis Visual Kombinasi Polarisasi (a) kombinasi HH dan VV, (b) kombinasi VV dan HV, dan (c) kombinasi HV dan HH Citra
PALSAR G. Guntur. 0 50 100 150 200 250 300 350 400 0 100 200 300 400 500 VV (ribuan) HH (ribuan) Kombinasi HH dan VV Kawah Aliran Lava 1 Aliran Lava 2 Aliran Lava 3 Aliran Lava Tua Aliran Lava Termuda Aliran Lava Muda
0 50 100 150 200 250 300 0 100 200 300 400 VH (ribuan) VV (ribuan) Kombinasi VV dan HV Kawah Aliran Lava 1 Aliran Lava 2 Aliran Lava 3 Aliran Lava Tua Aliran Lava Termuda Aliran Lava Muda
0 50 100 150 200 250 300 350 400 450 0 50 100 150 200 HH (ribuan) VH (ribuan) Kombinasi HV dan HH Kawah Aliran Lava 1 Aliran Lava 2 Aliran Lava 3 Aliran Lava Tua Aliran Lava Termuda Aliran Lava Muda
SIR-C dengan polarisasi HV dapat meningkat seiring dengan peningkatan usia aliran lava. Dengan demikian, dapat diketahui bahwa jenis polarisasi selain dapat digunakan untuk identifikasi aliran lava dapat juga digunakan untuk estimasi usia aliran lava.
5.5. Klasifikasi
Data hasil pengamatan yang diperoleh selanjutnya dianalisis untuk mengetahui apakah sensor dapat berperan baik dalam pengidentifikasian aliran lava. Analisis yang dilakukan yaitu dengan pengujian melalui analisis klasifikasi numerik. Klasifikasi citra dilakukan dengan menggunakan klasifikasi terbimbing, yaitu klasifikasi pohon keputusan (decision tree). Adapun algoritma yang digunakan adalah algoritma QUEST (Quick, Unbiased, Efficient Statistical Trees). Gambar 31 dibawah ini merupakan hasil kontruksi pohon keputusan yang diturunkan dari algoritma QUEST.
Gambar 31. Klasifikasi Pohon Keputusan Algoritma QUEST Citra PALSAR G. Guntur.
Gambar tersebut menunjukkan bahwa kontruksi algoritma QUEST menghasilkan struktur sebanyak 7 cabang. Secara teoritis, kesederhanaan struktur ini menunjukkan bahwa implementasi algoritma QUEST dapat dilakukan dengan cepat. Hal ini juga dapat ditemukan pada penelitian sebelumnya pada pemantauan daerah pesisir (Panuju et al., 2010). Kesederhanaan struktur tersebut pada segi komputasi berdampak positif dengan tingginya kecepatan pemrosesan. Hal ini tentu saja sangat penting bagi pengolahan data pada wilayah yang luas (Tjahjono et al., 2009a).
Band 2 yang merupakan polarisasi HV berperan dalam pemisahan awal dan pembeda berbagai bentuklahan aliran lava yang ditetapkan sebagai data training. Polarisasi HV ini juga yang berperan untuk pemisahan bentuklahan ALA dan ALT dengan bentuklahan aliran lava lainnya sehingga hasilnya dapat mengidentifikasi ALA dan ALT dengan baik. Hal ini sejalan dengan pendapat Dierking and Haack (2008) yang menyatakan bahwa HV cukup potensial dalam proses pemisahan obyek. Sedangkan band 3 atau polarisasi VV dapat menjadi pemisah utama atau pembeda dari berbagai bentuklahan aliran lava yang ada. Polarisasi VV berperan dalam pencirian bentuklahan K, AL2, ALT, AL1 serta AL3. Selain itu, polarisasi ini juga dapat berperan sebagai pembeda antara kelas ALT dan AL3. Pada algoritma QUEST ini, polarisasi HH memberikan peranan yang cukup lemah dimana hanya berperan sebagai pemisah antara bentuklahan AL1 dan ALA. Hal ini menunjukkan bahwa untuk pencirian aliran lava dengan menggunakan polarisasi HH dengan algoritma ini kurang berperan penting. Pada algoritma ini, sebagian besar komponen cabang menggunakan polarisasi VV dan HV sebagai penciri, sehingga dapat diketahui bahwa hamburan balik (backscatter) tersebut cukup sensitif terhadap bentuklahan aliran lava dan kawah serta cukup mampu berperan sebagai diskriminator untuk pengidentifikasian aliran lava dan kawah. Pohon keputusan yang dibangun dengan menggunakan algoritma QUEST dapat diimplementasikan untuk citra PALSAR dengan menggunakan polarisasi HV dan VV untuk pemetaan geomorfologi gunungapi. Citra PALSAR G. Guntur disajikan pada Gambar 32 (a), sedangkan hasil klasifikasi menggunakan algoritma ini disajikan pada Gambar 32 (b).
Sumber : Citra ALOS PALSAR CEOS IA L1.1 Tahun 2009 (a) (b)
Gambar 32. Citra ALOS PALSAR G. Guntur (a) dan Hasil Klasifikasi Pohon Keputusan Algoritma QUEST Citra PALSAR G. Guntur (b) : kawah (merah), aliran lava 1 (hijau), aliran lava 2 (biru), aliran lava 3 (kuning), aliran lava tua (cyan). aliran lava teratas (sienna), dan aliran lava muda (chartreuse).
Gambar 33. Hasil Klasifikasi Maximum Likelihood Citra PALSAR G. Guntur : kawah (merah), aliran lava 1 (hijau), aliran lava 2 (biru), aliran lava 3 (kuning), aliran lava tua (cyan). aliran lava termuda (sienna), dan aliran lava muda (chartreuse) Pada penelitian ini, selain dilakukan klasifikasi pohon keputusan dengan algoritma QUEST juga dilakukan klasifikasi Maximum Likelihood yang digunakan sebagai data pembanding. Hal ini dilakukan agar dapat diketahui efektivitas klasifikasi pohon keputusan dalam pengidentifikasian aliran lava
dengan menggunakan citra PALSAR. Gambar 34 menyajikan hasil klasifikasi citra menggunakan klasifikasi Maximum Likelihood.
5.6. Akurasi
Pengujian tingkat akurasi sangat diperlukan untuk memperoleh kesimpulan kuantitatif dari algoritma yang digunakan. Pada penelitian ini tingkat akurasi dianalisis dengan menggunakan data penguji (testing) agar bias yang dihasilkan dalam menarik kesimpulan dapat diminimalkan. Tingkat akurasi dianalisis dengan menggunakan confusion matrix yang menggambarkan jumlah persen piksel dari masing-masing kelas pada suatu kelompok atau cluster. Confusion Matrix yang digunakan didasarkan pada Region of Interest (ROI) dari masing-masing piksel kelas aliran lava dan kawah. Hasil analisis akurasi menggunakan algoritma QUEST disajikan pada Tabel 10.
Tabel 10. Akurasi Klasifikasi Algoritma QUEST Citra PALSAR G. Guntur
Kelas Data Testing (%) Kawah Aliran Lava 1 Aliran Lava 2 Aliran Lava 3 Aliran Lava Tua Aliran Lava Termuda Aliran Lava Muda Data Training Kawah 100,00 8,00 2,67 - 8,00 - - Aliran Lava 1 - 25,33 17,33 18,67 4,00 18,67 9,33 Aliran Lava 2 - 13,33 13,33 - 8,00 1,33 6,67 Aliran Lava 3 - 5,33 18,67 56,00 16,00 6,67 4,00 Aliran Lava Tua - 6,67 13,33 16,00 56,00 2,67 2,67 Aliran Lava Termuda - 1,33 9,33 - - 53,33 28,67 Aliran Lava Muda - 40,00 25,33 9,33 8,00 17,33 58,67
Tabel 10 di atas menunjukkan secara lebih detil ukuran kuantitatif dari kenampakan visual yang disajikan pada Gambar 33(b). Pada tabel tersebut, bentuklahan K menunjukkan akurasi yang tinggi (100%). Hal ini menunjukkan bahwa algoritma QUEST mampu mengklasifikasikan jenis kelas tersebut dengan sangat baik. Pada bentuklahan AL1, nilai akurasi yang dihasilkan cukup rendah, yaitu 25,33%. Hal ini disebabkan adanya kesalahan klasifikasi yang cukup besar, 68
yaitu 40% data pembangun yang seharusnya masuk ke dalam bentuklahan AL1, diklasifikasikan sebagai bentuklahan ALM. Selain itu, kondisi ini dapat dijelaskan juga melalui keterpisahan spektral secara visual (Gambar 31) dan keterpisahan spektral pada metode TD (Tabel 9) yang menunjukkan bahwa bentuklahan AL1 tidak dapat diidentifikasi atau dipisahkan secara sempurna. Kesalahan klasifikasi ini juga ditunjukkan oleh AL2, yaitu sebesar 25,33 % dari data pembangun yang termasuk kedalam AL2 namun diklasifikasikan sebagai bentuklahan ALM. Sedangkan nilai akurasi pada AL2 yang dihasilkan juga cukup rendah, yaitu sebesar 13,33 %. Hal ini menunjukan bahwa bias yang dihasilkan pada klasifikasi bentuklahan aliran lava ini cukup besar karena sebagian besar data pembangun pada bentuklahan ini diklasifikasikan ke dalam bentuklahan aliran lava lainnya. Dengan demikian algoritma QUEST kurang mampu untuk dapat memisahkan antara bentuklahan AL1 dan AL2 dengan bentuklahan ALM. Nilai hamburan balik (backscatters) pada kelas aliran lava ini dapat menjadi penyebabnya karena nilainya hampir mendekati dengan nilai hamburan balik dari bentuklahan aliran lava lainnya.
Pada bentuklahan AL3, ALM,ALA dan ALT menghasilkan nilai akurasi yang hampir sama, yaitu sekitar 50%. Hal ini menunjukkan bahwa klasifikasi dengan menggunakan algoritma QUEST telah cukup baik untuk memisahkan kelas aliran lava.
Hasil akurasi total dari klasifikasi pohon keputusan menggunakan algoritma QUEST adalah 51.80 % dengan nilai koefisien kappa sebesar 0.43. Hal ini menunjukkan bahwa klasifikasi pohon keputusan memiliki tingkat kepercayaan yang cukup baik.
Hasil akurasi dari klasifikasi ini disajikan pada Tabel 10 dan dapat dilihat bahwa akurasi total yang dihasilkan sebesar 50,28% dengan nilai koefisien kappa sebesar 0,42. Hal ini menunjukkan hasil yang hampir sama dengan hasil klasifikasi yang ditunjukkan oleh klasifikasi pohon keputusan (Decision Tree). Kemiripan nilai akurasi ini juga ditunjukkan pada detil parameter kuntitatif pada bentuklahan AL1, yaitu sebesar 13,33% dan pada AL2 sebesar 20%. Dengan demikian kedua kelas ini memiliki nilai bias yang cukup tinggi.
Rendahnya nilai akurasi hasil klasifikasi dapat disebabkan oleh resolusi spasial yang dimiliki citra. Pada citra dengan resolusi tinggi, klasifikasi objek 69
lebih sulit dilakukan bila menggunakan metode klasifikasi yang standar seperti klasifikasi pembanding ini.
Tabel 11. Akurasi Klasifikasi Maximum Likelihood Citra PALSAR G. Guntur
Kelas Data Testing (%) Kawah Aliran Lava 1 Aliran Lava 2 Aliran Lava 3 Aliran Lava Tua Aliran Lava Termuda Aliran Lava Muda Data Training Kawah 97,33 - 2,67 - 4,00 - - Aliran Lava 1 - 13,33 24,00 9,33 - 18,67 17,33 Aliran Lava 2 - 13,33 20,00 - 13,33 6,67 6,67 Aliran Lava 3 - 13,33 22,67 72,00 28,00 8,00 9,33 Aliran Lava Tua 2,67 18,67 2,67 14,67 48,00 4,00 - Aliran Lava Termuda - 4,00 9,33 - - 48,00 13,33 Aliran Lava Muda - 37,33 18,67 4,00 6,67 14,67 53,33
Dengan demikian nilai akurasi yang dihasilkan tidak cukup baik ini mengindikasikan bahwa jumlah band polarisasi linier yang terbatas mengalami kesulitan dalam memetakan obyek-obyek yang kompleks seperti aliran lava sehingga polarisasi linier kurang memberikan proses pemisahan kelas yang optimal. Jumlah band dan jumlah kelas yang digunakan dalam klasifikasi sangat mempengaruhi nilai akurasi yang dihasilkan. Beberapa penelitian pendahulu (Handayani et al., 2011; Syafril, 2010) menunjukkan bahwa jumlah kanal (band) yang digunakan berbanding lurus dengan jumlah kelas yang diklasifikasikan sehingga nilai akurasi yang dihasilkan dapat menunjukan nilai yang tinggi. Sedangkan pada penelitian ini jumlah band yang digunakan adalah 3 polarisasi untuk mengidentifikasi obyek sebanyak 7 kelas. Hal ini menyebabkan nilai akurasi yang dihasilkan tidak terlalu tinggi. Namun demikian, hasil yang diperoleh cukup relevan untuk digunakan dalam identifikasi awal dan pencirian aliran lava.