Data yang digunakan pada penelitian ini adalah data citra satelit Landsat 8 kecamatan Darmaga pada tanggal 22 April 2014. Kecamatan Darmaga terpilih sebagai wilayah yang dikaji karena memiliki keragaman nilai spektral yang cukup tinggi serta terdapat tumpang tindih pada objek yang diamati. Penelitian ini hanya menggunakan satu wilayah kajian. Hal ini disebabkan setiap wilayah memiliki keragaman nilai spektral yang berbeda serta memiliki luas setiap penutup lahan yang tidak sama sehingga kombinasi training sample yang telah ditentukan tidak sesuai dengan wilayah tersebut. Keterbatasan utama untuk mengkaji wilayah lain adalah kelas pentup lahan yang belum dapat dikenali secara benar sehingga klasifikasi awal tidak dapat dilakukan.
Pada penelitian ini terdapat 6 kelas penutup lahan yang akan diklasifikasikan. Kelas penutup lahan tersebut adalah air, pemukiman, hutan, perkebunan, sawah, dan lahan terbuka. Namun terdapat satu kelas tambahan (unclass) yang digunakan untuk mendefinisikan daerah di luar kecamatan Darmaga dan kelas awan.
Tabel 2 Matriks kesalahan
S urve i La pa nga n Hasil Interpretasi A B C D ∑ A B C D ∑ n
7 Ketelitian Pemetaan
Setiap kelas penutup lahan memiliki nilai ketelitian pemetaan yang berbeda. Nilai ini menunjukkan ketepatan klasifikasi setiap kelas penutup lahan. Nilai tersebut juga merepresentasikan tingkat kesulitan setiap kelas penutup lahan dalam pengambilan training sample. Semakin rendah akurasi kelas penutup lahan maka semakin sulit kelas tersebut dalam pengambilan training sample.
Dari ketelitian pemetaan setiap kelas penutup lahan, kelas pemukiman memiliki rata-rata nilai ketelitian pemetaan yang tertinggi yaitu sebesar 78.23%. Hal ini terjadi karena pada kelas pemukiman tidak terjadi tumpang tindih antar objek yang diamati. Kelas lahan terbuka memiliki rata-rata nilai ketelitian pemetaan terendah yaitu sebesar 35.04%. Kelas ini menjadi sulit untuk diklasifikasikan karena luasnya yang relatif kecil dan adanya tumpang tindih antar objek yang diamati sehingga harus berhati-hati dalam pengambilan training sample.
Uji Ketelitian Klasifikasi
Dari pengklasifikasian 9 kombinasi training sample dengan klasifikasi kemungkinan maksimum, terlihat bahwa terdapat tren menaik pada kategori total piksel. Semakin besar total piksel maka rata-rata nilai KH semakin bertambah. Piksel 3 merupakan kategori total piksel yang terbaik dengan nilai rata-rata keseluruhan tertinggi yaitu sebesar 66.57%, sedangkan piksel 1 memiliki rata-rata keseluruhan terendah yaitu sebesar 63.80%.
Tabel 3 Ketelitian pemetaan setiap kelas penutup lahan pada setiap kombinasi training sample
Kombinasi
Ketelitian Pemetaan (%)
Air Pemukiman Hutan Perkebunan Sawah
Lahan Terbuka 1 39.03 76.97 39.30 38.49 42.31 30.55 2 41.15 77.00 25.39 33.21 35.75 39.02 3 39.10 78.11 28.05 43.75 41.01 37.91 4 37.65 74.07 43.06 41.02 43.23 23.49 5 35.36 78.34 33.70 40.47 46.76 36.09 6 30.30 80.52 44.68 49.55 37.43 39.01 7 39.02 76.36 35.75 39.52 38.37 30.73 8 29.21 80.25 47.00 53.74 41.87 38.41 9 32.04 82.43 51.22 53.01 50.21 40.13 Rata-rata 35.87 78.23 38.69 43.64 41.88 35.04 Simp. Baku 4.35 2.52 8.70 7.02 4.55 5.59 Maksimum 41.15 82.43 51.22 53.74 50.21 40.13 Minimum 29.21 74.07 25.39 33.21 35.75 23.49
8
Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar jumlah poligon maka rata-rata nilai KH semakin bertambah. Poligon 3 merupakan kategori jumlah poligon terbaik karena memiliki rata-rata nilai KH tertinggi pada piksel 2 dan piksel 3, serta memiliki rata-rata secara keseluruhan sebesar 66.90%. Poligon 1 memiliki ketelitian klasifikasi terendah dengan rata-rata keseluruhan sebesar 62.51%.
Berdasarkan ketelitian klasifikasi secara keseluruhan (KH) terlihat bahwa kombinasi 9 memberikan nilai akurasi yang paling tinggi dengan rata-rata sebesar 70.55%. Kombinasi training sample lainnya memiliki nilai rata-rata KH yang tidak melebihi 70%, yaitu kombinasi 8 (67.25%), kombinasi 6 (65.61%), Gambar 2 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
pada setiap kategori total piksel
Gambar 3 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH) pada setiap kategori jumlah poligon
9
kombinasi 5 (65.53%), kombinasi 4 (64.39%), kombinasi 1 (64.13%), kombinasi 3 (63.54%), dan kombinasi 7 (62.90%). Kombinasi 2 memiliki rata-rata nilai ketelitian klasifikasi terendah yaitu sebesar 59.86%.
Koefisien Kappa
Berdasarkan koefisien Kappa terlihat bahwa terdapat tren menaik pada kategori total piksel. Semakin besar total piksel maka rata-rata nilai koefisien Kappa semakin bertambah. Piksel 3 adalah kategori total piksel terbaik dengan rata-rata keseluruhan nilai koefisien Kappa tertinggi yaitu sebesar 0.5882, sedangkan piksel 1 memiliki rata-rata keseluruhan terendah yaitu sebesar 0.5438.
Gambar 5 Rata-rata nilai koefisein Kappa pada setiap kategori total piksel Gambar 4 Rata-rata nilai ketelitian klasifikasi secara keseluruhan (KH)
masing-masing kategori total piksel pada setiap kategori jumlah poligon
10
Pada kategori jumlah poligon juga terdapat tren menaik. Semakin besar jumlah poligon maka rata-rata nilai koefisien Kappa semakin bertambah. Poligon 3 merupakan kategori jumlah poligon terbaik karena memiliki rata-rata koefisien Kappa tertinggi pada piksel 2 dan piksel 3, serta memiliki rata-rata keseluruhan sebesar 0.5881. Poligon 1 memiliki nilai koefisien Kappa terendah dengan rata- rata keseluruhan sebesar 0.5385.
Kombinasi training sample terbaik juga dapat dilihat dari nilai koefisien Kappa. Kombinasi 9 memiliki rata-rata nilai koefisien Kappa terbaik, yaitu Gambar 6 Rata-rata nilai koefisien Kappa pada setiap kategori jumlah
poligon
Gambar 7 Rata-rata nilai koefisien Kappa masing-masing kategori total piksel pada setiap kategori jumlah poligon
11 sebesar 0.6298. Nilai rata-rata koefisien Kappa terendah berada pada kombinasi 2, yaitu sebesar 0.5135. Kombinasi training sample lainnya memiliki rata-rata nilai koefisien Kappa sebesar 0.5948 (kombinasi 8), 0.5794 (kombinasi 6), 0.5657 (kombinasi 5), 0.5553 (kombinasi 3), 0.5466 (kombinasi 1), 0.5451 (kombinasi 4), dan 0.5396 (kombinasi 7).
Training sample Optimum
Hasil ketelitian klasifikasi secara keseluruhan menunjukkan bahwa nilai akurasi yang paling baik terdapat pada kombinasi 9 atau training sample dengan total piksel dan jumlah poligon yang besar (111-160 piksel, 15 poligon) yaitu dengan rata-rata akurasi 70.55%. Simpangan baku dari kombinasi 9 sebesar 1.81%. Kombinasi 9 juga memiliki nilai rata-rata koefisien Kappa terbaik yaitu sebesar 0.6298 dengan simpangan baku 0.0211. Kategori total piksel terbaik berdasarkan nilai KH terdapat pada piksel 3 (110-160 piksel) yang memiliki rata- rata akurasi sebesar 66.57% dengan simpangan baku sebesar 3.60%. Berdasarkan koefisien Kappa, piksel 3 juga memiliki nilai rata-rata tertinggi, yaitu sebesar 0.5882 dengan simpangan baku sebesar 0.0380. Kategori jumlah poligon terbaik terdapat pada poligon 3 (15 poligon) yang memiliki rata-rata KH sebesar 66.90% dengan simpangan baku sebesar 3.84%, serta memiliki nilai rata-rata koefisien Kappa sebesar 0.5881 dengan simpangan baku sebesar 0.0455.
SIMPULAN DAN SARAN
SimpulanKombinasi training sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta nilai koefisien Kappa sebesar 0.6298. Kombinasi 9 memiliki training sample dengan total seluruh piksel dan jumlah poligon yang besar pada setiap kelas penutup lahan. Dalam pengklasifikasian penutup lahan, training sample yang digunakan harus mencukupi pada setiap kelas penutup lahan. Total seluruh piksel yang besar dibutuhkan untuk merepresentasikan nilai spektral setiap kelas penutup lahan yang memiliki keragaman tinggi. Jumlah poligon yang cukup besar juga memberikan akurasi yang lebih baik, tetapi dengan ukuran yang tidak terlalu besar pada setiap poligon. Ukuran poligon yang terlalu besar mengakibatkan kesalahan dalam pengambilan training sample. Hal ini disebabkan oleh piksel yang seharusnya masuk ke dalam kelas lain ikut terambil ke dalam training sample (piksel komisi). Training sample perlu dibuat sedemikian rupa sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar dengan ukuran masing-masing poligon yang kecil.
12
Saran
Penelitian selanjutnya perlu mengkaji kemurnian piksel pada setiap kelas penutup lahan agar piksel kelas lain yang tidak termasuk ke dalam kelas tersebut (piksel komisi) tidak ikut terambil pada saat pengambilan training sample.
DAFTAR PUSTAKA
Ahmad A, Quegan S. 2012. Analysis of Maximum Likelihood Classification on Multispectral Data. Applied Mathematical Sciences. 129 (64): 25 – 36. Buono A, Marimin, Putri D. 2004. Klasifikasi Penutup dan Penggunaan Lahan
Pada Multispectral Image dari Landsat Thematic Mapper Menggunakan Probabilistic Neural Network. Jurnal Ilmiah - Ilmu Komputer. 2(2): 1-13. Foody GM. 2002. Status of Land Cover Classification Accuracy Assessment.
Remote Sensing of Environment. 80: 185-201.
Lillesand TM, Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra. Terjemahan oleh Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah. Sutanto, penyunting. Yogyakarta (ID): Gadjah Mada University Press. Prahasta E. 2005. Konsep-Konsep Dasar Sistem Informasi Geografis Ed-2.
Bandung (ID): Informatika Bandung.
Prahasta E. 2009. Sistem Informasi Geografis: Konsep-Konsep Dasar (Perspektif Geodesi & Geomatika). Bandung (ID): Informatika Bandung.
Priyatna D. 2007. Deteksi Perubahan Tutupan Lahan di DAS Cisadane Bagian Hulu Menggunakan Data Landsat Multiwaktu [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Purwadhi FSH. 2001. Interpretasi Citra Digital. Jakarta (ID): PT. Gramedia Widiasaeana Indonesia.
13 Lampiran 1 Tabel ketelitian pemetaan kelas air setiap kombinasi training sample
(%)
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maksimum Minimum
1 2 3 K1 42.33 37.53 37.31 39.05 2.84 42.33 37.31 K2 42.58 41.26 39.62 41.15 1.48 42.58 39.62 K3 38.44 42.35 36.50 39.10 2.98 42.35 36.50 K4 48.66 29.96 34.33 37.65 9.79 48.66 29.96 K5 37.12 34.29 34.68 35.36 1.53 37.12 34.29 K6 29.12 32.28 29.51 30.30 1.72 32.28 29.12 K7 35.93 36.15 44.98 39.02 5.16 44.98 35.93 K8 32.68 26.59 28.37 29.21 3.13 32.68 26.59 K9 34.64 30.32 31.16 32.04 2.29 34.64 30.32 Lampiran 2 Tabel ketelitian pemetaan kelas pemukiman setiap kombinasi training
sample (%)
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maksimum Minimum
1 2 3 K1 82.28 75.84 72.80 76.97 4.84 82.28 72.80 K2 76.48 77.45 77.08 77.00 0.49 77.45 76.48 K3 79.87 76.54 77.91 78.11 1.67 79.87 76.54 K4 75.68 70.07 76.47 74.07 3.49 76.47 70.07 K5 74.04 79.60 81.39 78.34 3.83 81.39 74.04 K6 80.70 77.94 82.93 80.52 2.50 82.93 77.94 K7 73.44 80.27 75.39 76.36 3.52 80.27 73.44 K8 79.91 79.48 81.37 80.25 0.99 81.37 79.48 K9 82.32 82.80 82.16 82.43 0.33 82.80 82.16 Lampiran 3 Tabel ketelitian pemetaan kelas hutan setiap kombinasi training
sample (%)
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maksimum Minimum
1 2 3 K1 48.15 24.15 34.28 35.52 12.05 48.15 24.15 K2 34.42 21.80 19.95 25.39 7.88 34.42 19.95 K3 36.39 20.97 26.80 28.05 7.78 36.39 20.97 K4 24.51 47.33 57.36 43.06 16.83 57.36 24.51 K5 32.06 36.78 32.27 33.70 2.66 36.78 32.06 K6 31.70 54.20 48.14 44.68 11.64 54.20 31.70 K7 33.03 41.79 32.43 35.75 5.24 41.79 32.43 K8 47.49 50.47 43.05 47.00 3.73 50.47 43.05 K9 54.75 43.30 55.60 51.22 6.87 55.60 43.30
14
Lampiran 4 Tabel ketelitian pemetaan kelas perkebunan setiap kombinasi training sample (%)
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maksimum Minimum
1 2 3 K1 42.64 32.92 33.61 36.39 5.42 42.64 32.92 K2 42.26 26.83 30.52 33.21 8.06 42.26 26.83 K3 46.87 40.72 43.65 43.75 3.07 46.87 40.72 K4 39.08 46.73 37.26 41.02 5.02 46.73 37.26 K5 42.20 35.93 43.29 40.47 3.97 43.29 35.93 K6 39.05 55.54 54.06 49.55 9.12 55.54 39.05 K7 26.51 46.90 45.16 39.52 11.30 46.90 26.51 K8 49.41 55.49 56.30 53.74 3.76 56.30 49.41 K9 55.44 54.95 48.66 53.01 3.78 55.44 48.66 Lampiran 5 Tabel ketelitian pemetaan kelas sawah setiap kombinasi training
sample (%)
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maksimum Minimum
1 2 3 K1 52.31 40.21 44.87 45.80 6.10 52.31 40.21 K2 34.58 36.48 36.18 35.75 1.02 36.48 34.58 K3 40.75 41.91 40.37 41.01 0.80 41.91 40.37 K4 44.03 41.56 44.11 43.23 1.45 44.11 41.56 K5 46.71 47.73 45.83 46.76 0.95 47.73 45.83 K6 30.39 41.77 40.14 37.43 6.15 41.77 30.39 K7 24.69 43.88 46.55 38.37 11.93 46.55 24.69 K8 39.69 43.97 41.96 41.87 2.14 43.97 39.69 K9 53.32 48.02 49.30 50.21 2.77 53.32 48.02
Lampiran 6 Tabel ketelitian pemetaan kelas lahan terbuka setiap kombinasi training sample (%)
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maksimum Minimum
1 2 3 K1 29.04 25.93 36.68 30.55 5.53 36.68 25.93 K2 37.38 41.39 38.28 39.02 2.10 41.39 37.38 K3 35.63 38.64 39.47 37.91 2.02 39.47 35.63 K4 19.95 21.16 29.35 23.49 5.11 29.35 19.95 K5 36.03 44.29 27.96 36.09 8.17 44.29 27.96 K6 30.80 40.72 45.51 39.01 7.50 45.51 30.80 K7 28.18 29.88 34.12 30.73 3.06 34.12 28.18 K8 31.21 39.73 44.29 38.41 6.64 44.29 31.21 K9 40.00 42.37 38.01 40.13 2.18 42.37 38.01
15 Lampiran 7 Tabel ketelitian seluruh hasil klasifikasi setiap kombinasi training
sample (%)
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maksimum Minimum
1 2 3 K1 70.27 59.69 62.42 64.13 5.49 70.27 59.69 K2 63.30 58.64 57.66 59.86 3.01 63.30 57.66 K3 65.83 61.20 63.60 63.54 2.31 65.83 61.20 K4 62.68 64.64 65.83 64.39 1.59 65.83 62.68 K5 65.57 65.67 65.37 65.53 0.15 65.67 65.37 K6 59.32 69.06 68.45 65.61 5.46 69.06 59.32 K7 55.18 66.58 66.93 62.90 6.69 66.93 55.18 K8 65.43 68.05 68.28 67.25 1.58 68.28 65.43 K9 72.61 69.79 69.25 70.55 1.81 72.61 69.25
Lampiran 8 Tabel nilai koefisien Kappa setiap kombinasi training sample
Kombinasi Ulangan Rata-
rata
Simp.
Baku Maks. Min.
1 2 3 K1 0.61 0.49 0.54 0.55 0.06 0.61 0.49 K2 0.55 0.50 0.49 0.51 0.03 0.55 0.49 K3 0.58 0.53 0.56 0.56 0.02 0.58 0.53 K4 0.53 0.55 0.56 0.55 0.01 0.56 0.53 K5 0.57 0.57 0.56 0.57 0.01 0.57 0.56 K6 0.51 0.62 0.61 0.58 0.06 0.62 0.51 K7 0.46 0.57 0.58 0.54 0.07 0.58 0.46 K8 0.57 0.60 0.61 0.59 0.02 0.61 0.57 K9 0.65 0.62 0.61 0.63 0.02 0.65 0.61
Lampiran 9 Tabel rata-rata ketelitian pemetaan kelas air (%) Poligon1 Poligon2 Poligon3 Rata-rata Piksel1 39.05 37.65 39.02 38.58 Piksel2 41.15 35.36 29.21 35.24 Piksel3 39.10 30.30 32.04 33.81 Rata-rata 39.77 34.44 33.42
Lampiran 10 Tabel rata-rata ketelitian pemetaan kelas pemukiman (%) Poligon1 Poligon2 Poligon3 Rata-rata
Piksel1 76.97 74.07 76.36 75.80 Piksel2 77.00 78.34 80.25 78.53 Piksel3 78.11 80.52 82.43 80.35 Rata-rata 77.36 77.65 79.68
16
Lampiran 11 Tabel rata-rata ketelitian pemetaan kelas hutan (%) poligon1 poligon2 poligon3 Rata-rata
piksel1 35.52 43.06 35.75 38.11 piksel2 25.39 33.70 47.00 35.37 piksel3 28.05 44.68 51.22 41.32
29.66 40.48 44.66
Lampiran 12 Tabel rata-rata ketelitian pemetaan kelas perkebunan (%) Poligon1 Poligon2 Poligon3 Rata-rata
Piksel1 36.39 41.02 39.52 38.98 Piksel2 33.21 40.47 53.74 42.47 Piksel3 43.75 49.55 53.01 48.77 Rata-rata 37.78 43.68 48.76
Lampiran 13 Tabel rata-rata ketelitian pemetaan kelas sawah (%) Poligon1 Poligon2 Poligon3 Rata-rata
Piksel1 45.80 43.23 38.37 42.47 Piksel2 35.75 46.76 41.87 41.46 Piksel3 41.01 37.43 50.21 42.89 Rata-rata 40.85 42.48 43.49
Lampiran 14 Tabel rata-rata ketelitian pemetaan kelas lahan terbuka (%) poligon1 poligon2 poligon3 Rata-rata
Piksel1 30.55 23.49 30.73 28.25 Piksel2 39.02 36.09 38.41 37.84 Piksel3 37.91 39.01 40.13 39.02 Rata-rata 35.83 32.86 36.42
Lampiran 15 Tabel rata-rata ketelitian seluruh hasil klasifikasi (%) Poligon1 Poligon2 Poligon3 Rata-rata
Piksel1 64.13 64.39 62.90 63.80 Piksel2 59.86 65.53 67.25 64.22 Piksel3 63.54 65.61 70.55 66.57 Rata-rata 62.51 65.18 66.90
17 Lampiran 16 Tabel rata-rata koefisien Kappa
poligon1 poligon2 poligon3 Rata-rata
piksel1 0.55 0.55 0.54 0.54
piksel2 0.51 0.57 0.59 0.56
piksel3 0.56 0.58 0.63 0.59
18
RIWAYAT HIDUP
Penulis dilahirkan di Bekasi pada tanggal 11 Mei 1992 dari pasangan Bapak Sutrisno, SE dan Ibu Henny Purwatiningsih. Penulis merupakan anak keempat dari empat bersaudara. Pendidikan pada tingkat perguruan tinggi ditempuh sejak diterima di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2010. Sebelumnya, penulis telah menyelesaikan pendidikannya di SD Negeri Jaka Setia 2 pada tahun 2004, SMP Negeri 9 Bekasi pada tahun 2007, dan SMA Negeri 6 Bekasi pada tahun 2010.
Selama masa perkuliahan, penulis aktif menjadi Anggota Departemen Beta Club, Himpunan Profesi Gamma Sigma Beta IPB periode 2012, Anggota Departemen Human Reserch and Development, Himpunan Profesi Gamma Sigma Beta periode 2013, dan anggota Rohanisasi Islam Statistika angkatan 47. Penulis juga pernah menjadi staff pengajar di kelompok bimbingan belajar Expert. Di samping itu, penulis juga aktif dalam kepanitiaan, seperti Pekan Olahraga Statistika IPB 2011 sebagai Ketua Pelaksana, Statistika Ria 2011 sebagai Anggota Divisi Publikasi dan Promosi, Statistika Ria 2012 sebagai Anggota Divisi Sponsorship, Statis-trip 2012 sebagai Wakil Ketua Pelaksana, dan Kompetisi Statistika Junior 2013 sebagai Anggota Divisi Sponsorship dan Hubungan Masyarakat.
