Kemampuan Rona dan Tekstur dalam Pemisahan Kelas
Akurasi klasifikasi berbasis rona dan tekstur sangat dipengaruhi oleh kemampuan rona dan tekstur dalam pemisahan kelas. Nilai dari data ASCII yang diekstrak dari citra dapat digunakan untuk melihat keterpisahan kelas tutupan lahan. Keterpisahan kelas tutupan lahan dapat dianalisis dengan beberapa teknik, antara lain dapat dilihat dengan menggunakan analisis boxplotatau dengan nilai TD (Transformed Divergence) seperti yang akan diuraikan lebih lanjut. Untuk mempermudah interpretasi terhadap data boxplot tersebut, maka perlu diketahui nilai maksimum, minimum, dan rataan dari parameter-parameter yang dianalisis. Informasi statistik dari parameter-parameter tersebut disajikan pada Lampiran 1. Kemampuan rona dalam pemisahan kelas tutupan lahan
Rona merupakan data dasar yang selanjutnya diolah secara statistik menjadi data tekstur, sehingga pengujian kemampuan rona dalam memisahkan kelas tutupan lahan menjadi hal penting yang harus dilakukan sebelum klasifikasi. Ilustrasi kemampuan rona dalam pemisahan kelas disajikan pada Gambar 8.
Gambar 8 Keterpisahan kelas berbasis rona pada lokasi 1
Gambar 8 menunjukkan bahwa rona mampu membedakan kelas tutupan lahan permukiman dan air secara baik. Berdasarkan rentang nilai piksel rona tersebut,terlihat bahwa kebun kelapa sawit, kebun karet, dan sawah tidak dapat dibedakan dengan baik. Bila pembedaan dilakukan hanya dengan melihat statistik Q1 (kuartil 1) dan Q3 (kuartil 3), maka objek permukiman dapat dipisahkan
15
dengan objek sawah, kebun kelapa sawit, dan kebun karet mengingat nilai selang kuartil 1 hingga kuartil 3 yang cukup jauh berbeda. Kebun karet juga dapat dipisahkan dengan objek yang lain, karena selang nilai kuartil 1 dan 3 yang telah terpisah dengan baik. Sedangkan jika dilihat dari nilai rataannya (Lampiran 1), tutupan lahan tubuh air (64.67), permukiman (124.43), sawah (85.76), kebun kelapa sawit (85.88), dan kebun karet (79.31) menunjukkan bahwa sawah dan kebun kelapa sawit belum dapat dipisahkan dengan baik karena memiliki nilai rataan yang tidak terlalu berbeda.
Kemampuan tekstur dalam pemisahan kelas tutupan lahan
Pemilihan metode analisis tekstur yang lengkap bertujuan untuk dapat membandingkannya secara keseluruhan. Beberapa jenis analisis tekstur diketahui justru dapat mengurangi akurasi klasifikasi. Oleh karena itu, selain mempertimbangkan ukuran kernel yang digunakan, pemilihan parameter tekstur juga menjadi faktor penting dalam klasifikasi berbasis tekstur. Oleh karena itu, kemampuan parameter- parameter tekstur dalam memisahkan kelas tutupan lahan perlu diketahui.Berikut ini diuraikan perbandingan kemampuan pemisahan kelas dari seluruh parameter tekstur yang dianalisis.
1 Mean
Jenis tekstur mean menunjukkan kemiripan nilai dengan data rona. Hal ini terjadi karena nilai pada tekstur mean merupakan rataan dari nilai rona. Nilai rataan piksel pada tekstur mean untuk tutupan lahan (Lampiran 1) diuraikan sebagai berikut: tubuh air (64.62), permukiman (122.26), sawah (85.89), kebun kelapa sawit (85.90), dan kebun karet (79.39). Nilai-nilai tersebut menunjukkan bahwa kelas tutupan lahan sawah, kebun kelapa sawit, dan kebun karet belum dapat dipisahkan secara optimal. Namun demikian, jika hanya dilihat dari nilai Q1 (kuartil 1) dan Q3 (kuartil 3), tutupan lahan kebun karet sudah dapat dipisahkan dengan baik. Gambar 9 menunjukkan kemampuan parameter mean dalam memisahkan kelas tutupan lahan.
16
2 Variance
Pada Gambar 10 dapat dilihat bahwa variance memiliki tingkat kemampuan pemisahan yang rendah. Permukiman dapat dibedakan dengan jelas dengan jenis tutupan lainnya, namun pemisahan keempat tutupan lainnya terlihat sangat baur. Nilai rataan piksel pada tekstur variance untuk tutupan lahan (Lampiran 1) diuraikan sebagai berikut: tubuh air (2.42), permukiman (320.85), sawah (4.34), kebun kelapa sawit (9.86), serta kebun karet (15.37). Selisih yang tidak terlalu jauh pada sampel kelas selain permukiman menunjukkan bahwa keempat jenis tutupan tersebut tidak dapat dipisahkan satu dengan lainnya dengan mudah. Perbedaan statistik yang sangat tegas ditemui pada permukiman pada data
training dengan data uji. Data training permukiman memiliki nilai rataan
variance sebesar 320.85, sedangkan pada sampel ujinya sebesar 626.12 (Lampiran 1).
Gambar 10 Keterpisahan kelas berbasis tekstur variance lokasi 1 kernel 13x13 3 Homogeneity
Parameter tekstur homogeneity menunjukkan kemampuan yang lebih baik dalam membedakan objek tutupan lahan jika dibandingkan dengan parameter lainnya. Permukiman, sawah, dan tubuh air dapat dipisahkan dengan baik, sedangkan kebun kelapa sawit dan kebun karet lebih sulit dibedakan. Nilai rataan piksel pada tekstur homogeneity untuk tutupan lahan (Lampiran 1) diuraikan sebagai berikut: tubuh air (0.48), permukiman (0.11), sawah (0.42), kebun kelapa sawit (0.28), dan kebun karet (0.27). Hasil analisis menunjukkan bahwa parameter
homogeneity dapat menjadi kandidat pemisah kelas yang baik. Kemampuan
17
Gambar 11 Keterpisahan kelas berbasis tekstur homogeneity lokasi 1 kernel
13x13 4 Contrast
Kemampuan contrast dalam memisahkan kelas ditunjukkan pada Gambar 12. Nilai rataan piksel pada tekstur contrastselengkapnya disajikan pada Lampiran 1. Nilai rataan tersebut menunjukkan bahwa hanya permukiman yang dapat dipisahkan dengan menggunakan parameter tekstur contrast secara sempurna. Komposisi boxplotpada parameter contrast terlihat mirip dengan parameter tekstur variance. Dengan demikian, dapat terlihat dengan jelas bahwa parameter tekstur ini tidak terlalu baik dalam membedakan tutupan lahan, terutama pada berbagai jenis tutupan lahan bervegetasi.
Gambar 12Keterpisahan kelas berbasis tekstur contrast lokasi 1 pada kernel
18
5 Dissimilarity
Rataan nilai piksel pada tekstur dissimilarity untuk setiap tutupan lahan diuraikan sebagai berikut: tubuh air (1.37), permukiman (10.45), sawah (1.75), kebun kelapa sawit (2.93), serta kebun karet (3.47). Nilai rataan tersebut menunjukkan bahwa permukiman dapat dipisahkan dengan sangat baik, seperti halnya pada parameter contrast. Gambar 13 menunjukkan bahwa permukiman dapat dengan mudah dibedakan dengan kelas tutupan lahan yang lainnya dengan parameter tekstur dissimilarity. Berbeda dengan parameter contrast, tutupan lahan bervegetasi juga relatif dapat dibedakan meskipun kemiripan secara statistik masih terlihat cukup nyata.
Gambar 13 Keterpisahan kelas berbasis tekstur dissimilarity lokasi 1 kernel
13x13 6 Entropy
Gambar 14 menunjukkan bahwa hampir semua jenis tutupan lahan telah terpisahkan dengan cukup baik, kecuali antara tutupan lahan kebun kelapa sawit dengan kebun karet. Nilai rataan piksel pada tekstur entropy untuk setiap tutupan lahan adalah sebagai berikut: tubuh air (3.35), permukiman (5.05), sawah (3.76), kebun kelapa sawit (4.39), dan kebun karet (4.48). Walaupun hampir semua kelas tutupan lahan dapat dipisahkan dengan baik, Gambar 14 juga menunjukkan bahwa kebun kelapa sawit dan kebun karet masih belum terpisahkan dengan baik. Walaupun tingkat kemiripan secara statistik tidak terlalu tinggi dibandingkan dengan sebagian parameter tekstur lainnya, rataan entropy kedua kelas masih memiliki selisih nilai rataan yang rendah.
19
Gambar 14 Keterpisahan kelas berbasis tekstur entropy lokasi 1 kernel 13x13 7 Second moment
Kemampuan second moment dalam memisahkan kelas tutupan lahan disajikan pada Gambar 15. Pada parameter tekstur ini terlihat bahwa air, sawah, dan permukiman telah dapat dibedakan dengan baik. Namun demikian, masih terdapat baur pada kelas tutupan kebun kelapa sawit dengan kebun karet. Kondisi ini mirip dengan yang ditemukan pada parameter entropy. Jika hanya berdasarkan rataan nilai piksel, maka kelas tutupan permukiman, kebun kelapa sawit dan kebun karet sulit untuk dipisahkan. Namun demikian jika melihat rentang nilai kuartil 1 dengan kuartil 3, sampel tutupan permukiman sudah dapat dipisahkan dengan kebun kelapa sawit atau kebun karet.
20
Gambar 15 Keterpisahan kelas berbasis tekstur second moment lokasi 1 kernel
13x13 8 Correlation
Pada Gambar 16 disajikan tingkat kemampuan parameter correlation dalam memisahkan kelas-kelas tutupan lahan yang dianalisis. Pada gambar tersebut terlihat bahwa jenis tekstur ini kurang baik dalam memisahkan kelas tutupan lahan yang ada. Kelas yang secara signifikan terpisahkan adalah permukiman. Sementara itu, keseluruhan tutupan lahan alamiah tidak mampu terpisahkan dengan data correlation. Selain itu, justru terdapat perbedaan nilai yang cukup jauh antara sampel training dengan sampel uji pada tutupan lahan permukiman. Kondisi ini menunjukkan bahwa tutupan lahan permukiman di wilayah studi memiliki pola yang sedikit berbeda. Lampiran 1 menyajikan data rataan tutupan lahan masing-masing kelas yaitu tubuh air 0.03), permukiman 31.56), sawah (-0.06), kebun kelapa sawit (-0.48), dan kebun karet (-2.23).
21
Gambar 16 Keterpisahan kelas berbasis tekstur correlation lokasi 1 kernel 13x13 Setiap parameter tekstur dapat menjadi penciri atau pembeda dari setiap tutupan lahan yang dianalisis. Namun demikian, penelitian ini membuktikan bahwa tidak semua parameter tekstur dapat dimanfaatkan untuk mencirikan tutupan lahan yang cukup kompleks yang ditemui di wilayah studi.
Pada lokasi 1 dengan ukuran kernel 13x13, diperoleh hasil yang menunjukkan bahwa homogeneity dan entropy memiliki kemampuan yang paling baik dalam memisahkan kelas tutupan lahan. Penelitian ini sejalan dengan penelitian sebelumnya yang telah dilakukan oleh Laliberte dan Rango (2009) yang menunjukkan bahwa setiap jenis tekstur memiliki kemampuan yang bervariasi dalam memisahkan kelas tutupan.
Perbandingan kenampakan pada rona dan 8 parameter tekstur ditampilkan pada Gambar 17. Dari gambar tersebut, terlihat bahwa identifikasi permukiman dapat dilakukan dengan mudah, baik pada data rona dan sebagian data tekstur. Pada tutupan lahan lain, variasi deteksi dapat divisualisasikan dengan cukup jelas.
22
Keterangan: (1) Rona, (2) Mean, (3) Variance, (4) Homogeneity, (5) Contrast, (6) Dissimilarity, (7) Entropy, (8) Second moment, (9) Correlation
Gambar 17 Kenampakan rona dan tekstur pada lokasi 1 kernel 13x13 Secara kuantitatif, pemisahan kelas dapat dianalisis dengan menggunakan nilai TD (Transformed Divergence). Informasi keterpisahan kelas tutupan lahan pada lokasi 1 melibatkan kombinasi rona dan tekstur seperti disajikan pada Tabel 5. Jika analisis TD dilakukan dengan seluruh band gabungan rona dan tekstur (9
band), maka dapat terjadi masalah singularitas yang diduga disebabkan oleh parameter second moment yang kolinier. Masalah matriks singular tersebut menyebabkan nilai keterpisahan TD pada sampel permukiman tidak dapat dianalisis. Untuk menghindari masalah matriks singular, maka parameter second moment tidak digunakan pada analisis TD.
23
Tabel 5 Keterpisahan kelas (TD) berdasarkan kombinasi 9 band (tekstur + rona) dan kombinasi 8 band (tanpa second moment) pada beberapa ukuran
kernel
Tutupan acuan
Tutupan penguji
Kernel 9 band Kernel 8 band
3x3 13x13 3x3 13x13 33x33 53x53 141x141 A1 A2 0.22 0.89 0.17 0.82 1.96 2.00 2.00 B1 2.00 - 2.00 2.00 2.00 2.00 2.00 B2 2.00 - 2.00 2.00 2.00 2.00 2.00 C1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 C2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 D1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 D2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 E1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 E2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 A2 B1 2.00 - 2.00 2.00 2.00 2.00 2.00 B2 2.00 - 2.00 2.00 2.00 2.00 2.00 C1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 C2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 D1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 D2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 E1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 E2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 B1 B2 1.44 - 1.40 1.38 1.97 2.00 2.00 C1 2.00 - 2.00 2.00 2.00 2.00 2.00 C2 2.00 - 2.00 2.00 2.00 2.00 2.00 D1 2.00 - 2.00 2.00 2.00 2.00 2.00 D2 2.00 - 2.00 2.00 2.00 2.00 2.00 E1 2.00 - 2.00 2.00 2.00 2.00 2.00 E2 2.00 - 2.00 2.00 2.00 2.00 2.00 B2 C1 2.00 - 2.00 2.00 2.00 2.00 2.00 C2 2.00 - 2.00 2.00 2.00 2.00 2.00 D1 2.00 - 2.00 2.00 2.00 2.00 2.00 D2 2.00 - 2.00 2.00 2.00 2.00 2.00 E1 2.00 - 2.00 2.00 2.00 2.00 2.00 E2 2.00 - 2.00 2.00 2.00 2.00 2.00 C1 C2 0.20 1.36 0.20 1.30 1.88 2.00 2.00 D1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 D2 1.99 2.00 1.99 2.00 2.00 2.00 2.00 E1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 E2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 C2 D1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 D2 1.99 2.00 1.99 2.00 2.00 2.00 2.00 E1 2.00 2.00 2.00 2.00 2.00 2.00 2.00 E2 2.00 2.00 2.00 2.00 2.00 2.00 2.00 D1 D2 0.65 2.00 0.54 2.00 2.00 2.00 2.00 E1 1.66 2.00 1.62 2.00 2.00 2.00 2.00 E2 1.68 2.00 1.67 2.00 2.00 2.00 2.00 D2 E1 1.84 2.00 1.84 2.00 2.00 2.00 2.00 E2 1.94 2.00 1.92 2.00 2.00 2.00 2.00 E1 E2 0.93 2.00 0.54 1.85 2.00 2.00 2.00
Keterangan: A= Tubuh air, B=Permukiman, C= Sawah, D= Kebun kelapa sawit, E=Kebun karet. 1= Sampel training dan 2= Sampel uji
24
Kombinasi 9 band (rona dan tekstur)
Pada beberapa kasus, kombinasi 9 band menyebabkan terjadinya matriks
singular. Hal ini berakibat pada nilai TD untuk permukiman tidak dapat dianalisis pada ukuran kernel 13x13. Pada penelitian ini, TD hanya dapat dianalisis pada ukuran kernel 3x3. Hal ini menunjukkan bahwa dengan meningkatnya ukuran
kernel ternyata dapat meningkatkan peluang terjadinya matriks singular pada beberapa kasus yang spesifik.
Kombinasi 8 band (tanpa second moment)
Pada pengujian nilai TD, antar kelas tutupan yang sama diharapkan memiliki nilai TD yang rendah mendekati 0 yang menunjukkan bahwa keduanya tidak dapat dipisahkan. Dengan arti kata lain, kedua jenis sampling memiliki kemiripan secara statistik. Di sisi lain, kelas tutupan yang berbeda diharapkan memiliki nilai TD mendekati 2 yang menunjukkan bahwa keduanya terpisah secara sempurna.
a. Ukuran kernel 3x3
Pada ukuran kernel 3x3, sampel tubuh air terpisahkan secara sempurna dengan kelas lainnya yang terlihat dari nilai TD=2. Nilai keterpisahan antara sampel tubuh air 1 dan sampel tubuh air 2 juga rendah. Hal ini menunjukkan bahwa sampel tubuh air pada data training tidak jauh berbeda dengan sampel tubuh air data uji. Permukiman pada data training dapat dipisahkan secara baik dengan kelas tutupan lahan lainnya. Namun demikian, nilai keterpisahannya dengan datauji justru cukup tinggi, yang mengindikasikan bahwa variasi pola permukiman cukup nyata terdeteksi pada penelitian ini.
Untuk sawah training dan uji dapat terpisahkan secara baik dengan kelas tutupan lainnya. Keduanya juga terlihat sangat mirip, hal ini ditunjukkan oleh nilai keterpisahan yang mendekati 0. Sementara itu, kelas tutupan lahan kebun kelapa sawit dapat terpisahkan secara cukup baik dengan kelas tutupan lahan lainnya.
Hasil penelitian mengindikasikan bahwa suatu tutupan yang sama dapat memiliki nilai statistik yang berbeda, demikian juga dengan tutupan yang berbeda dapat memiliki nilai statistik yang mirip. Hal ini menunjukkan bahwa klasifikasi secara digital dapat mengalami kesulitan bila diterapkan pada lokasi yang kompleks mengingat metode tersebut hanya didasarkan pada nilai statistik yang diekstrak dari citra.
b. Ukuran kernel 13x13
Pada ukuran kernel 13x13, keterpisahan antar tutupan lahanyang berbeda mengalami peningkatan jika dibandingkan dengan ukuran kernel 3x3.Tutupan lahan permukiman training dan uji mengalami penurunan keterpisahan sesuai seperti yang diharapkan. Berdasarkan hasil ini, ukuran kernel 13x13 dinilai cukup baik untuk digunakan dalam klasifikasi.
25
c. Ukuran kernel 33x33
Pada ukuran kernel 33x33, hampir seluruh kelas tutupan mencapai nilai keterpisahan yang maksimum. Dengan demikian, tutupan yang sama juga akan terlihat sangat berbeda pada ukuran kernel tersebut.
d. Ukuran kernel 53x53 dan 141x141
Pada ukuran kernel 53x53 dan 141x141, seluruh kelas telah terpisah sempurna dengan nilai TD=2. Seperti halnya dengan ukuran kernel 33x33, kondisi ini menunjukkan bahwa dengan meningkatnya ukuran kernel, baik antara tutupan lahan yang sama atau antara tutupan lahan yang berbeda akan terlihat berbeda. Hal ini mengindikasikan bahwa ukuran kernel yang terbaik untuk digunakan dalam klasifikasi adalah ukuran kernel yang tidak terlalu besar dan juga tidak terlalu kecil.
Uji Kapabilitas Metode Klasifikasi
Berbagai metode klasifikasi yang tersedia pada literatur ilmiah saat ini juga diketahui memiliki kapabilitas yang berbeda. Berdasarkan hasil telaah pustaka sebelumnya, perlu dilakukan telaah ulang untuk mengetahui metode yang paling tepat dan optimal untuk digunakan dalam klasifikasi berbasis tekstur, rona, atau gabungan antara rona dan tekstur. Berikut ini dibahas mengenai nilai akurasi dari klasifikasi dengan variasi metode klasifikasi terbimbing, ukuran kernel, serta jenis data dasar yang digunakan. Kombinasi ketiganya menunjukkan nilai akurasi yang bervariasi.
Klasifikasi berbasis rona, tekstur, dan gabungan antara rona dan tekstur
Kernel memiliki pengaruh yang sangat besar terhadap klasifikasi berbasis tekstur yang dilakukan. Beberapa penelitian sebelumnya telah banyak menelaah pengaruh pemilihan ukuran kernel terhadap akurasi klasifikasi. Ukuran kernel
merupakan cakupan analisis statistik untuk mendapatkan 1 nilai hasil pada saat pengolahan tekstur. Dari pembahasan sebelumnya mengenai keterpisahan kelas, ukuran kernel juga terlihat sangat berpengaruh terhadap kemampuan parameter tekstur dalam memisahkan tutupan lahan yang diklasifikasikan. Oleh karena itu, perlu dilakukan pengujian klasifikasi pada berbagai ukuran kernel yang berbeda agar pola akurasi nantinya akan terlihat, pada batas ukuran kernel yang terlalu besar, klasifikasi mengalami penurunan nilai akurasi.
Selain terkait dengan ukuran optimum kernel untuk klasifikasi, metode klasifikasi terbimbing yang digunakan juga mempengaruhi akurasi klasifikasi yang dilakukan. Dengan demikian perlu diketahui metode yang paling tepat untuk digunakan dalam klasifikasi berbasis tekstur dan rona. Kombinasi antara ukuran
kernel dan metode yang tepat akan menghasilkan klasifikasi yang lebih baik. Dalam penelitian ini juga dibandingkan antara klasifikasi yang hanya berbasis pada data rona saja, data tekstur, dan gabungan antara rona dengan tekstur. Dengan demikian, kombinasi klasifikasi yang dilakukan telah cukup mampu untuk menunjukkan cara klasifikasi yang terbaik berdasarkan ketiga variabel yang digunakan. Pemaparan nilai akurasi klasifikasi ditunjukkan pada
26
Tabel 6-8 yang masing-masing memaparkan akurasi klasifikasi pada lokasi 1, 2, dan 3.
Tabel 6 Hubungan antara ukuran kernel dengan akurasi klasifikasi berbasis rona, tekstur, dan kombinasinya pada lokasi 1
Ukuran Kernel
Akurasi(%) Berbasis Rona Akurasi(%) Berbasis Tekstur
Akurasi(%) Berbasis Rona dan Tekstur MD DT SVM MD DT SVM MD DT SVM 3 69.26 - 73.49 26.68 88.47 89.21 26.71 88.30 89.02 5 58.71 90.84 92.22 58.87 90.84 92.04 7 67.54 95.26 93.32 67.67 95.26 93.08 9 83.27 90.07 94.41 84.85 90.53 94.27 11 90.12 91.20 94.68 90.30 90.41 94.53 13 90.21 91.06 95.42 90.23 91.06 95.39 15 89.85 87.41 96.31 89.87 87.41 96.35 17 89.44 88.85 96.81 89.48 89.01 96.86 19 88.43 87.30 96.95 88.37 87.08 96.94 21 88.00 87.79 97.29 87.94 87.79 97.28 23 87.88 90.27 97.38 87.96 90.27 97.38 25 87.88 90.21 97.45 87.82 90.21 97.41 27 87.78 91.35 97.61 87.84 91.35 97.46 29 87.93 92.04 98.12 87.81 92.04 97.96 31 87.68 92.97 99.31 87.68 92.97 99.19 33 86.26 91.76 99.74 87.08 91.76 99.67 35 83.96 91.79 99.72 86.35 91.79 99.63 37 83.31 91.83 99.69 85.64 91.83 99.59 39 83.50 91.66 99.59 85.09 91.66 99.42 41 84.32 91.69 99.45 85.32 91.69 99.27 53 82.60 96.08 98.44 83.15 96.08 98.36 73 69.51 92.57 98.29 69.92 92.57 98.25 141 62.50 92.41 97.48 63.52 94.82 97.58
Keterangan: MD= Minimum Distance to Mean, DT= Pohon keputusanQUEST, dan SVM= Support Vector Machine.
Akurasi klasifikasi yang paling tinggi pada lokasi 1 diperoleh dari hasil klasifikasi berbasis tekstur pada ukuran kernel 33x33 dengan metode SVM, yaitu sebesar 99.74%. Pada metode Minimum Distance to Mean, akurasi terbaik dicapai pada ukuran kernel 11x11 berbasis rona dan tekstur sebesar 90.30%, sedangkan pada klasifikasi berbasis tekstur, akurasi Minimum Distance to Mean yang paling tinggi dicapai pada ukuran kernel 13x13 sebesar 90.21%. Di lain pihak, Pohon keputusan QUEST mencapai akurasi tertinggi pada klasifikasi berbasis tekstur atau gabungan antara rona dan tekstur pada ukuran kernel 53x53 sebesar 96.08%. Pada metode klasifikasi Minimum Distance to Mean, ukuran kernel yang terlalu kecil yaitu 3x3 dengan berbasis tekstur memiliki akurasi klasifikasi yang paling rendah (26.68%). Sedangkan pada metode Pohon keputusan QUEST dan SVM, akurasi pada ukuran kernel 3x3 sudah mencapai nilai yang sangat tinggi. Klasifikasi berbasis gabungan antara rona dan tekstur terlihat tidak begitu berpengaruh terhadap peningkatan akurasi klasifikasi. Selain itu tidak terlihat pengaruh yang stabil dari penggabungan rona dan tekstur tersebutkarena pada metode SVM, penggabungan rona dengan tekstur tersebut justru secara umum menurunkan akurasi klasifikasi meskipun dengan tingkat penurunan yang tidak terlalu besar.
27
Tabel 7 Hubungan antara ukuran kernel dengan akurasi klasifikasi berbasis rona, tekstur, dan kombinasinya pada lokasi 2
Ukuran Kernel Akurasi (%) Berbasis Rona Akurasi (%) Berbasis Tekstur
Akurasi (%) Berbasis Rona dan Tekstur MD DT SVM MD DT SVM MD DT SVM 3 54.31 - 56.75 32.83 60.74 61.68 32.87 60.85 61.45 5 61.64 66.80 64.11 61.76 66.09 64.01 7 66.79 68.18 65.22 67.70 68.18 65.33 9 73.80 67.24 67.31 71.75 67.00 68.00 11 79.42 69.25 69.44 73.90 67.94 70.43 13 80.93 77.09 72.34 74.59 77.22 73.03 15 81.38 70.97 74.12 74.12 70.98 74.92 17 81.13 80.63 76.80 73.58 80.64 77.55 19 81.03 82.08 80.39 73.38 82.08 80.64 21 80.97 83.38 83.15 73.12 83.38 83.26 23 81.08 78.88 86.07 72.88 78.88 85.58 25 80.72 86.87 88.70 72.49 86.87 87.94 27 80.43 83.27 89.42 72.40 83.27 88.92 29 80.86 84.83 89.07 72.64 84.83 88.88 31 81.14 87.62 88.95 72.87 87.62 88.50 33 80.33 87.96 88.71 73.18 87.96 88.20 35 78.94 86.58 88.85 73.23 86.58 88.17 37 77.34 86.72 89.15 72.84 86.72 88.88 39 75.82 82.78 89.69 72.28 82.78 88.64 41 75.47 90.68 89.88 71.67 90.68 88.69 53 69.39 68.62 82.63 67.88 68.62 82.87 73 68.83 64.23 78.25 65.90 64.23 78.80 141 47.06 52.89 71.70 46.20 52.89 71.37
Keterangan: MD= Minimum Distance to Mean, DT= Pohon keputusan QUEST, dan SVM= Support Vector Machine.
Pada lokasi 2, metode Minimum Distance to Mean menghasilkan nilai akurasi klasifikasi tertinggi pada ukuran kernel 15x15 berbasis tekstur sebesar 81.38%. Hasil ini cukup sesuai dengan analisis pada lokasi 1 yang menunjukkan bahwa metode ini hanya cocok diterapkan pada ukuran kernel yang lebih kecil daripada QUEST atau SVM. Metode QUEST menghasilkan akurasi klasifikasi yang tertinggi pada ukuran kernel 41x41 berbasis tekstur atau gabungan rona dan tekstur dengan nilai 90.68%. Sedangkan metode SVM pada lokasi 2 mencapai nilai akurasi tertinggi pada ukuran kernel 41x41 berbasis tekstur dengan nilai 89.88%.
Secara umum, klasifikasi berbasis tekstur dan gabungan rona dengan tekstur memiliki akurasi klasifikasi yang lebih baik dibandingkan dengan klasifikasi berbasis rona. Namun demikian, pada ukuran kernel yang terlalu kecil atau terlalu besar, nilai akurasi klasifikasi berbasis tekstur dan gabungan antara tekstur dan rona lebih rendah jika dibandingkan dengan klasifikasi berbasis rona. Pada ukuran kernel 3x3, analisis statistik mempertimbangkan jumlah piksel yang lebih sedikit untuk menentukan nilai 1 piksel pada data hasil. Hal ini menunjukkan adanya keterbatasan data, sehingga tidak terlalu membantu dalam meningkatkan akurasi klasifikasi. Demikian pula dengan ukuran kernel yang terlalu besar yang juga dapat menurunkan akurasi klasifikasi. Ukuran kernel
41x41 mempertimbangkan terlalu banyak piksel untuk memperoleh 1 nilai piksel hasil. Hal ini menyebabkan hasil olahan tekstur menjadi lebih seragam, sehingga keragaman nilai piksel menjadi menurun. Jika keragaman nilai piksel menurun,
28
peluang baur antara jenis tutupan yang satu dengan yang lainnya menjadi meningkat.
Dari Tabel 6 dan 7, dapat dilihat bahwa metode QUEST tidak dapat digunakan untuk klasifikasi berbasis rona. Hal ini terjadi karena QUEST memerlukan lebih dari 1 parameter untuk melakukan klasifikasi. Ditinjau dari segi metode yang digunakan,SVM dan QUEST memiliki nilai akurasi yang lebih tinggi dibandingkan dengan metode Minimum Distance to Mean. Hal ini terjadi karena algoritma Minimum Distance to Mean yang masih terlalu sederhana karena hanya mempertimbangkan jarak eucledian. Sedangkan metode SVM dan QUEST telah menggunakan aturan pengkelasan yang lebih baik dan kompleks, sehingga nilai akurasinya cenderung lebih tinggi.
Tabel 8 Hubungan antara ukuran kernel dengan akurasi klasifikasi berbasis rona, tekstur, dan kombinasinya pada lokasi 3
Ukuran Kernel
Akurasi (%) Berbasis Rona Akurasi (%) Berbasis Tekstur
Akurasi (%) Berbasis Rona dan Tekstur MD DT SVM MD DT SVM MD DT SVM 3 66.46 - 60.37 26.62 63.10 69.04 26.70 63.09 69.47 5 39.54 69.65 77.03 42.14 69.98 79.68 7 54.96 72.43 85.83 56.51 72.58 86.21 9 59.40 72.38 86.99 59.95 72.16 86.87 11 53.63 71.63 87.65 65.47 71.48 87.33 13 54.28 74.09 88.29 55.16 74.27 88.37 15 54.44 72.42 88.04 55.00 74.07 88.31 17 55.52 86.10 87.05 56.11 85.48 87.95 19 46.72 85.79 85.00 53.39 87.89 86.37 21 49.26 86.55 81.14 49.83 87.34 83.65 23 50.25 85.86 79.28 50.91 83.42 82.47 25 50.11 85.82 79.54 51.75 86.01 81.65 27 50.16 77.28 79.90 51.28 78.38 81.03 29 50.36 80.38 76.24 51.31 80.13 80.25 31 50.12 83.31 63.86 51.16 84.56 80.57 33 49.75 84.36 60.96 50.44 81.56 79.32 35 49.16 83.50 60.85 49.71 82.46 78.00 37 48.31 84.79 59.09 49.21 77.79 77.71 39 47.15 86.03 58.71 48.33 78.12 75.59 41 29.55 87.06 65.58 45.34 74.70 73.28 53 29.74 72.48 61.24 30.82 76.77 62.07 73 33.06 53.90 55.52 33.18 65.37 57.16 141 24.89 50.61 47.03 25.68 50.61 50.61
Keterangan: MD= Minimum Distance to Mean, DT= Pohon keputusan QUEST, dan SVM= Support Vector Machine.
Pada lokasi 3, nilai akurasi klasifikasi Minimum Distance to Mean berbasis tekstur dan berbasis gabungan tekstur dengan rona lebih rendah dibandingkan dengan klasifikasi berbasis rona. Hal ini terjadi karena pada klasifikasi dengan jumlah kelas yang lebih banyak akan lebih sulit untuk mencapai akurasi yang maksimal, mengingat jumlah kelas yang lebih banyak memerlukan kemampuan metode yang lebih baik dalam pemisahannya. Selain itu, pada lokasi 3 terdapat sampel training yang saling berdekatan antara kebun kelapa sawit dengan kebun campuran. Hal ini memungkinkan terjadinya pembauran pada batas tepi kelas tutupan lahan tersebut. Pengolahan tekstur dengan ukuran kernel tertentu akan mempengaruhi pembauran tersebut, sehingga akan terjadi perbedaan
29
pengelompokan piksel antara sampel training dengan sampel ujinya. Hal ini mengakibatkan akurasi klasifikasi menjadi rendah.
Pola law of deminishing return tetap masih terlihat pada lokasi 3. Akurasi klasifikasi SVM dan QUEST juga secara konsisten masih lebih baik dibandingkan dengan akurasi klasifikasi Minimum Distance to Mean. Berbeda dengan lokasi lainnya, di lokasi 3 penurunan akurasi ini juga terjadi pada klasifikasi dengan metode QUEST dan SVM. Pada gambar-gambar berikut ini disajikan hubungan antara ukuran kernel, data dasar, dan metode yang digunakan terhadap nilai akurasi klasifikasi pada lokasi studi.
Keterangan: MD=Minimum Distance to Mean,DT= Pohon keputusan QUEST, dan SVM=Support Vector Machine, T= Tekstur, R= Rona
Gambar 18 Hubungan ukuran kernel, data dasar, dan metode klasifikasi yang digunakan dengan nilai akurasinya pada lokasi 1
0 20 40 60 80 100 120 0 50 100 150 AK URASI(%) KERNEL MDR MDT MDTR DTT DTTR SVMR SVMT SVMTR
30
Keterangan: MD=Minimum Distance to Mean,DT= Pohon keputusan QUEST, dan SVM=Support Vector Machine, T= Tekstur, R= Rona
Gambar 19 Hubungan ukuran kernel, data dasar, dan metode klasifikasi yang digunakan dengan nilai akurasinya pada lokasi 2
Keterangan: MD=Minimum Distance to Mean,DT= Pohon keputusan QUEST, dan SVM=Support Vector Machine, T= Tekstur, R= Rona
Gambar 20 Hubungan ukuran kernel, data dasar, dan metode klasifikasi yang digunakan dengan nilai akurasinya pada lokasi 3
Franklin et al. (1996) menganalisis hubungan antara ukuran kernel dengan akurasi klasifikasi. Pada penelitiannya, pola akurasi tidak begitu terlihat karena