Hasil Klasifikasi dan Akurasi - HASIL DAN PEMBAHASAN 1 Hasil Segmentasi

NeighborstoKnow Accuracy with TTA Mask Around of the Green Open Space Region in Denggung, Sleman District

3. HASIL DAN PEMBAHASAN 1 Hasil Segmentasi

3.2 Hasil Klasifikasi dan Akurasi

Hasil klasifikasi dengan metode nearest neighbors(NN) dihasilkan pada Gambar 8. dan Gambar 10. Hasil klasifikasi akhir ini menghasilkan lima kelas: tubuh air, non-vegetasi, penutup tanah, pohon, dan semak/perdu. Pada klasifikasi awal dibedakan tiga kelas (vegetasi, non-vegetasi, dan tubuh air). Hal ini bertujuan agar klasifikasi secara umum dapat terpisah dengan baik. Tiga kelas ini dilakukan dengan menggunakan metode NN dengan pendekatan nilai NDVI, NDWI, dan MSAVI2. Sebelumnya sampel telah dipilih untuk dihitung dengan metode NN. Hasil yang diperoleh masih memiliki beberapa kesalahan, seperti adanya bayangan pada vegetasi dan non-vegetasi dikategorikan sebagai tubuh air. Hal ini akan mengurangi akurasi yang dihasilkan oleh pendekatan dengan metode NN. Penciptaan aturan set untuk menghilangkan bayangan tersebut secara akurat dapat dilakukan dengan menambahkan unsur nilai brightness dan relative border to neighbors. Nilai brightness ini mudah dilakukan dengan menggunakan asumsi dasar bahwa objek bayangan dari vegetasi dan non-vegetasi menghasilkan nilai brightness yang berbeda pada objek tubuh air sehingga objek dapat dipisahkan. Namun, ada objek yang memiliki nilai brightness dekat dengan yang lain sehingga masih dikategorikan tubuh air. Hal ini dapat dihindari dengan menerapkan informasi kontekstual, yang mana tubuh air akan berasosiasi dengan tubuh air yang lain sehingga hasil dari over-segment mampu dalam mengatasi hal ini.

Gambar 8. Hasil Klasifikasi Nearest Neighbors pada Tiga Kelas: Vegetasi (Hijau), Non-vegetasi (Merah), dan Tubuh Air (Biru)

Klasifikasi Vegetasi Berbasis Objek pada Citra Quickbird Menggunakan Metode Nearest Neighbors untuk Mengetahui Akurasi Menggunakan TTA Mask Sekitar Kawasan Ruang Terbuka Hijau Denggung, Kecamatan Sleman (Habibi, F.B.)

-197-

Gambar 9. HasilPerbaikan Klasifikasi dari Pengaruh Bayangan

Gambar 10. Hasil Klasifikasi pada Lima Kelas: Tubuh Air (Biru), Non-vegetasi (Merah), Penutup Tanah (Putih), Pohon (Hijau Tua), dan Semak/Perdu (Hijau Muda)

Seminar Nasional Penginderaan Jauh -2016

-198-

Klasifikasi yang dihasilkan dari tiga kelas, kemudian vegetasi dapat dibedakan lagi menjadi objek pohon, semak/perdu, dan penutup tanah. Namun, semak/perdu dan penutup tanah merupakan bagian dari kelas non-pohon. Ontologi dalam menerapkan kelas objek sangat penting karena dasar pembedaan objek dengan menggunakan nearest neighbors (NN) memiliki relasi yang khusus sehingga kelas objek akan dikategorikan dengan kelas objek lain yang mendekati berdasarkan perhitungan matematis. Klasifikasi NN ini diperlukan kecermatan untuk menentukan sampel kelas yang dijadikan kelas vegetasi. Sebagaimana kelas pohon dan non-pohon dapat terpisah dengan baik menggunakan rata-rata nilai saluran 1, 2, 3, dan 4, sedangkan kelas semak/perdu dan penutup tanah menggunakan rata-rata nilai saluran 1, 2, 3, dan 4, dan tekstur Haralick (GLCM Entropy, GLCM Standard Deviation, GLCM Homogeneity, dan GLCM Correlation). Dalam menilai klasifikasi NN dilakukan dengan meninjau optimalisasi feature space sehingga kelas terpisah dengan baik.

Pembuktian hasil klasifikasi yang dilakukan mendasarkan pada hasil akurasi yang diperoleh. Data referensi untuk menilai hasil akurasi digunakan dengan TTA Mask. TTA Mask ini merupakan metode yang diusulkan pada perangkat lunak eCognition untuk memperoleh evaluasi terhadap kelas-kelas yang dihasilkan. Training area yang dijadikan referensi dari tiap-tiap kelas dipilih dengan acak dengan variabilitas dan ukuran yang memprioritaskan kelas vegetasi sehingga kelas vegetasi diambil sampel yang lebih banyak dibandingkan dengan non-vegetasi dan tubuh air. Hasil akurasi yang dihasilkan dari TTA Mask ini menghasilkan akurasi total 96,84%. Namun, hal ini berbeda apabila yang ditinjau per kelas.

Pada hasil klasifikasi kelas penutup tanah banyak terjadi ketidaksesuaian terhadap data referensi, ada yang dinilai sebagai non-vegetasi, pohon, dan semak/perdu. Kelas non-vegetasi adalah salah satu kelas yang banyak diklasifikasikan sebagai kelas penutup tanah. Hal ini disebabkan karena kelas penutup tanah masih terkontaminasi dengan objek tanah sehingga analisis dengan menggunakan saluran dan tekstur tidak stabil untuk diterapkan. Sementara, pada referensi objek yang lain yang diklasifikasikan menjadi penutup tanah tidak berpengaruh secara signifikan karena masih dalam lingkup ranah vegetasi.

Kesalahan yang lain yang dilakukan proses klasifikasi selain kelas penutup lahan, seperti kelas pohon dan semak/perdu yang dikategorikan sebagai kelas non-vegetasi berdasarkan referensi. Hal ini berbeda dengan penutup tanah yang terjadi akibat terkontaminasi dengan objek tanah, tetapi hal ini diakibatkan oleh kesalahan segmentasi sebagaimana terjadi under-segment dan hasil segmen objek yang dihasilkan tersebut lebih didominasi oleh kelas non-vegetasi dibandingkan dengan kelas pohon ataupun kelas semak/perdu.

Gambar 11.Training Area untuk dilakukan Penilaian Akurasi

-199-

Tabel 3. HasilPenilaian Akurasi dengan TTA Mask (satuan piksel) Referensi

Usulan metode yang digunakan pada penelitian ini masih memiliki banyak kekurangan, diantaranya set aturan yang dibangun masih bergantung pada informasi spektral dan temporal. Adanya kelemahan tersebut menimbulkan daerah yang berbeda dengan sensor yang berbeda dan perkembangan objek tidak dapat dilakukan pada prinsip dan prosedur yang sama sehingga masih dapat diterapkan dengan modifikasi tambahan untuk mengakomodasi kelemahan tersebut. Modifikasi tambahan tersebut dapat berupa dengan data tambahan digital surface model (DSM) dan digital terrrain model (DTM), seperti digunakannya data LiDAR (Light Detection and Ranging) untuk mendukung proses klasifikasi vegetasi menghasilkan akurasi yang tinggi.

4. KESIMPULAN

Penelitian ini mencoba untuk menggabungkan beberapa tahapan algoritma nearest nighbors antar kelas dan perbaikan klasifikasi dalam OBIA untuk mengekstrak informasi tentang ruang terbuka hijau. Dengan memanfaatkan citra Quickbird resolusi tinggi, diperoleh bahwa metode yang diusulkan mampu memberikan derajat kesamaan yang tinggi dalam hal segmentasi dan hasil klasifikasi dengan interpretasi pada sampel hasil segmentasi dengan menggunakan TTA Mask. Akurasi keseluruhan pada metode yang diusulkan pada penelitian ini adalah 96,84%. Hasil akurasi ini menunjukkan metode evaluasi dari proses segmentasi hingga diperolehnya klasifikasi vegetasi yang mudah dilaksanakan dan diterapkan. Metode evaluasi ini menampung informasi akurasi dari tiap kelas dengan menggunakan OBIA yang terus berkembang dalam hal menilai hasil klasifikasi dan batas-batas objek yang dihasilkan dari proses segmentasi.

Penggunaan OBIA dalam penelitian ini dapat digunakan sebagai alternatif pemecahan masalah dalam pemantauan ruang terbuka hijau secara berkala. Alternatif ini mampu diterapkan untuk melakukan klasifikasi secara digital dan dapat dilakukan dalam jangka waktu lebih cepat dengan standar akurasi yang telah ditentukan dibandingkan dengan klasifikasi konvensional menggunakan berbasis piksel.

5. UCAPAN TERIMAKASIH

Penelitian ini banyak dibantu oleh dosen yang dahulu membimbing saya hingga menyediakan citra Quickbird yang ada di Sebagian Kecamatan Sleman, 2014. Saya ingin berterima kasih sekali kepada Iswari Nur Hidayati, S.Si., M.Sc., dan teman-teman dari www.researchgate.net yang mau berbagi ilmu dan forum pengguna perangkat lunak eCognition Developer (community.ecognition.com) atas diskusi yang menarik terkait topik yang berhubungan dengan penelitian ini, serta teman-teman KPJ 2011 yang selalu mendukung berjalannya penelitian ini hingga selesai.

DAFTAR PUSTAKA

Aprilianti, Z., Rizal, A., dan Dayawati, R.N., (2013). Klasifikasi Kanker Usus Berdasarkan Citra Mikrosjopik Patologi Menggunakan Contourlet Tranform dan Support Vector Machine. Jurnal Elektro, 6(2):123-134.

Budiarso, Z., (2010). Identifikasi Macan Tutul dengan Metode Grey Level Coocurent Matrix (GLCM). Fakultas Teknologi Informasi Universitas Stikubank Semarang.Jurnal Dinamika Informatika, 2(2).

Drǎguƫ, L., Tiede, D., dan Levick, S.R., (2010). ESP: a Tool to Estimate Scale Parameter for Multiresolution Image Segmentation of Remotely Sensed Data. International Journal of Geographical Information Science,24(6):859-871.

Seminar Nasional Penginderaan Jauh -2016

-200-

Gao, B.C., (1996). NDWI – A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water From Space. Remote Sens. Environ, 58(3):257–266.

Gandharum, L., dan Chen, C.F.,(2010). Pemanfaatan Informasi Tekstur untuk Klasifikasi Tanaman Sawit Menggunakan Citra FORMOSAT-2. Jurnal Sains dan Teknologi Kebumian Indonesia,1(2).

Kushardono, D., (2012). Klasifikasi Spasial Penutup Lahan dari Data SAR Multi-Polarisasi Dengan Normalized Difference Polarization Index dan Informasi Fitur Keruangan Matrik Kookurensi. Jurnal Inderaja dan Lahta Citra Digital, 9(1):12-24.

Mirzapour, F., dan Ghassemian, H., (2015). Fast GLCM and Gabor Filters for Texture Classification of Very High Resolution Remote Sensing Images. International Journal of Information & Communication Technology Research, 7(3):21-30.

Platt, R.V., dan Rapoza, L., (2008). An Evaluation of an Object-Oriented Paradigm for Land Use/Land Cover Classification. The Professional Geographer, 60(1):87-100.

Puissant, A., Rougier, S., dan Stumpf, A., (2014). Object-Oriented Mapping of Urban Trees Using Random Forest Classiﬁer. International Journal of Applied Earth Obsveration Geoinformation, 26:235–245.

Xu, H., (2006). Modiﬁcation of Normalized Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery. International Journal of Remote Sensing, 27(14):3025–3033.

Zylshal, Sulma, S., Yulianto, F., Nugroho, J.T., dan Sofan, P., (2016). A Support Vector Machine Object Based Image Analysis Approach on Urban Green Space Extraction Using Pleiades-1A Imagery. Modeling Earth Systems and Environment, 2(54):1-12.

Danoedoro, P., (2012). Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit ANDI.

Peraturan Menteri Pekerjaan Umum No.8 Tahun 2008 tentang Pedoman dan Penyediaan Ruang Terbuka Hijau di Kawasan Perkotaan. Jakarta: Departemen Pekerjaan Umum.

Purwadhi, S.H., dan Sanjoto, T.B. (2009). Pengantar Interpretasi Citra Penginderaan Jauh. Semarang: LAPAN dan UNNES.

Richards, J.A., (1999). Remote Sensing Digital Image Analysis. New York: Springer Verlag.

Sutanto., (1986). Penginderaan Jauh (Jilid 1). Yogyakarta: Gadjah Mada University Press.

Trimble., (2014a). eCognition® Developer Reference Book. München, Germany.

Trimble., (2014b). eCognition® Developer User Guide. München, Germany.

Hapsari, E., (2015). Klasifikasi Ruang Terbuka Hijau Berbasis Objek (Object Based Image Analysis) Menggunakan Citra Pleiades untuk Pemetaan Ketersediaan Ruang Terbuka Hijau (Kasus di Perkotaan Purwokerto Tahun 2013).

(Sarjana Sains Undergraduate Thesis), UGM (Gadjah Mada University), Yogyakarta.

Hussein, S., (2013). Kajian Akurasi Klasifikasi Berbasis Objek untuk Ekstraksi Penutup Lahan dengan Menggunakan Citra ALOS AVNIR-2. (Sarjana Sains Undergraduate Thesis), UGM (Gadjah Mada University), Yogyakarta.

Gao, Y., Mas, J.F., Niemeyer, I., Marpu, P.R., dan Palacio, J.L., (2007). Object Based Image Analysis for Mapping Objects. Proceedings of the 15th IEEE International Conference on Tools with Artificial Intelligence, Washington DC, USA.

Kushardono, D., Fukue, K., Shimoda, H., dan Sakata, T., (1995). Comparison of Multitemporal Image Classification Methods. IEEE Proc. of IGARSS, 2:1282-1284.

Qur’ania, A., Karlitasar, L., dan Sufiatul, M. (2012). Analisis Tekstur dan Ekstraksi Fitur Warna untuk Klasifikasi Apel Berbasis Citra. Prosiding Lokakarya Komputasi dalam Sains dan Teknologi Nuklir. Universitas Pakuan, Bogor.

Belgiu, M., dan J., Thomas., (2013). Ontology Based Interpretation of Very High Resolution Imageries-Grounding Ontologies on Visual Interpretation Keys. 16th AGILE Conference on Geographic Information Science.

Hay, G.J., dan Castilla, G., (2006). Object-Based Image Analysis: Strengths, Weaknesses, Opportunities, and Threats (SWOT). 1st International Conference on Object-Based Image Analysis (OBIA 2006), Salzburg University, Austria.

ISPRS Archives, vol XXXVI-4/C42.

BIG. (2016). Geospasial untuk Negeri. diunduh 2 Juni 2016 www.tanahair.indonesia.go.id/home/

Blashcke, T., Lang, S., dan Hay, G.J. (2008). Object-Based Image Analysis – Spatial Concepts for Knowledge-Driven Remote Sensing Applications, diunduh 14 Juni 2016 dari www.researchgate.net/publication/

GISGeography., (2016). Image Classification Techniques in Remote Sensing, diakses 14 Juni 2016 dari www.gisgeography.com/

Hakim, M.A.R., (2012). Klasifikasi Parket Kayu Jati Berdasarkan Analisa Tekstur GLDM Menggunakan Metode Backpropagation Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma, diunduh 15 Juni 2016 dari www.publication.gunadarma.ac.id/bitstream/123456789/1041/1/50405485.pdf

Hartadi, R., Santoso, I., dan Hidayatno, A., (2011). Deteksi Potensi Kanker Payudara pada Mammogram Menggunakan Metode Gray Level Co-Occurrence Matrices. Diunduh 15 Juni 2016 dari www.eprints.undip.ac.id/25566/

Hofmann P., Strobl J., dan Nazarkulova A., (2011). Mapping green spaces in Bishkek—how reliable can spatial analysis be? MDPI J Remote Sens, 3:1088–1103, diunduh 31 Mei 2016 dari www.mdpi.com/journal/remotesensing

-201-

Simarmata, L.R., Arifin, A.Z., dan Yuniarty, A., (2015). Klasifikasi Citra Gigi Berbasis Tekstur dengan Filter Gabor, diakses 14 Juni 2016 dari https://www.researchgate.net/publication/

*) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA

PRESENTASI ILMIAH SINAS INDERAJA 2016

Dalam dokumen Perbandingan Indeks Sedimen Tersuspensi untuk Identifikasi Total Suspended Solids (TSS) di Muara Sungai Opak Yogyakarta (Halaman 50-55)