FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
METODE PENELITIAN
Secara umum, penelitian ini terbagi dalam beberapa tahap, yaitu studi pustaka, pengumpulan data, pra-proses data, analisis keterpisahan kelas, pembentukan rule, penerapan rule, dan analisis hasil (Gambar 4).
Data Penelitian
Citra utama yang digunakan pada penelitian ini adalah data satelit TerraSAR-X wilayah Sidoarjo, Jawa Timur. Modus pencitraan yang digunakan adalah Spotlight dan diakuisisi tanggal 22 Desember 2007. Data TerraSAR-X yang digunakan dalam penelitian ini merupakan citra polarisasi linier ganda, yaitu polarisasi HH dan polarisasi VV.
Citra dari Google Earth™ digunakan sebagai citra acuan pada penelitian ini. Citra acuan ini digunakan untuk mengetahui penutupan lahan lebih detail pada daerah pengamatan secara visual.
Gambar 4 Metode penelitian.
Alat Penelitian
Perangkat lunak yang digunakan untuk mengolah data TerraSAR-X pada penelitian ini antara lain: • ENVI 4.5 • Google Earth™ 6.0 • WEKA 3.6 • OpenOffice SpreadSheet 3.3 • Notepad++ 5.8
Perangkat keras yang digunakan dalam penelitian ini adalah notebook dengan spesifikasi:
• Processor Intel® Core™2 Duo
• Mobile Intel® 965 Express Chipset
• RAM 2 GB
6
Studi Pustaka
Pustaka tentang penginderaan jauh (remote
sensing) dan metode pengolahan citra
TerraSAR-X dipelajari pada tahap ini. Pencarian pustaka juga dilakukan untuk materi analisis keterpisahan kelas dan klasifikasi. Pencarian literatur dilakukan dari paper,
textbook, makalah, hasil penelitian
sebelumnya, dan internet.
Pengumpulan Data
Data citra TerraSAR-X dan citra Google Earth™ dikumpulkan pada tahap ini. Berdasarkan kenampakan objek pada Google Earth™, 6 kelas penutupan lahan ditetapkan secara visual, yaitu sawah, tubuh air, pemukiman padat, pemukiman menengah, vegetasi berkayu, dan daerah industri. Kumpulan piksel berbeda diambil sebagai contoh (sample) untuk analisis citra untuk masing-masing kelas penutupan lahan yang ditetapkan. Jumlah piksel yang digunakan untuk data latih setiap kelas penutupan lahan adalah 1500 piksel. Sebanyak 1500 piksel lagi digunakan untuk data uji. Data uji ini diambil dari lokasi yang berbeda dengan data latih.
Pra-proses Data
Pra-proses data dilakukan terhadap citra TerraSAR-X pada tahap ini. Proses pra- pengolahan dimulai dengan membangun citra komposit dari dua band data yang tersedia (Gambar 5). Selanjutnya citra dipotong sesuai dengan daerah pengamatan. Proses pra- pengolahan dilanjutkan dengan aplikasi filter
mengingat citra TerraSAR-X mengandung
speckle noise. Speckle noise pada citra TerraSAR-X direduksi dengan Lee filtering
dengan ukuran kernel 5x5 piksel. Reduksi
speckle noise pada penelitian ini merupakan proses restorasi citra. Speckle noise
berhubungan dengan distribusi wishart (Gaussian pada bilangan kompleks). Citra hasil Lee filtering untuk selanjutnya disebut sebagai citra tone (berbasis rona).
Analisis Keterpisahan Kelas
Nilai Transformed Divergence (TD) digunakan untuk mengamati keterpisahan antara dua kelas yang berbeda. Berdasarkan citra tone, nilai TD dihitung untuk tiap pasangan kelas yang berbeda dan pada tiap pasangan kelas tersebut akan diamati keterpisahannya. Pasangan kelas yang memiliki nilai TD lebih besar dari 1.33 dianggap dapat terpisahkan secara baik; di luar
kategori tersebut dianggap belum dapat terpisahkan secara baik. Semakin tinggi nilai TD akan mempertinggi tingkat keterpisahan dalam proses klasifikasi numerik. Analisis dilanjutkan dengan pengamatan keterpisahan pasangan kelas tersebut berbasiskan tekstur terhadap pasangan kelas yang tidak dapat terpisahkan secara baik.
Gambar 5 Citra TerraSAR-X (HH-VV) beserta lokasi pengambilan contoh.
Analisis berbasiskan tekstur diharapkan dapat menyelesaikan masalah pasangan kelas yang belum dapat terpisahkan hanya dengan citra berbasis tone. Penelitian ini menggunakan pendekatan texture filtering untuk analisis berbasiskan tekstur. Terdapat empat macam
filter tekstur yang diamati pada penelitian ini, yaitu data range, mean, variance, dan entropy. Semua filter dihitung dalam lingkup area lokal menerapkan strategi convolution kernel.
Tiap pasangan kelas yang tidak dapat terpisahkan dengan citra tone, nilai TD dihitung kembali untuk setiap citra tekstur yang tersedia dan untuk setiap ukuran kernel. Nilai TD tiap citra tekstur di-plot pada grafik pasangan kelas terhadap ukuran kernel. Hal ini dilakukan untuk mengamati kemampuan tiap
filter tekstur dalam memisahkan pasangan kelas. Filter tekstur dianggap sebagai
descriptor yang mampu memisahkan pasangan kelas jika memiliki nilai TD lebih besar dari 1.33. Filter tekstur yang baik juga ditunjukan dengan grafik yang memiliki pola tertentu yang stabil dan tidak berfluktuasi.
Pembentukan Rule
Pembentukan rule dilakukan dengan algoritme pohon keputusan (decision tree) C4.5. Pembentukan rule dimulai dengan
7 menggunakan data latih kedua band citra
berbasis rona (tone, sehingga didapatkan pohon keputusan untuk citra berbasis rona.
Pembentukan rule kedua menggunakan data latih citra berbasis rona ditambah dengan seluruh data latih citra berbasis tekstur. Rule
kedua berupa pohon keputusan untuk seluruh atribut yang diteliti.
Pembentukan rule ketiga dilakukan secara bertahap dengan mengamati rule untuk citra berbasis rona dan rule untuk seluruh atribut. Pemilihan atribut yang digunakan dalam pembentukan rule ini dilakukan dengan memperhatikan atribut yang mampu memisahkan dua kelas dengan baik. Pemilihan atribut ini juga dilakukan dengan mempertimbangkan kelas yang akan dihasilkan. Pemilihan atribut dipertimbangkan oleh pakar.
Pembentukan tiga rule ini dilakukan untuk mengamati kemampuan data TerraSAR-X dalam membedakan kelas tutupan lahan. Rule
untuk citra berbasis rona akan dibandingkan dengan rule untuk seluruh atribut serta dibandingkan pula dengan rule yang pemilihan atributnya dipertimbangkan oleh pakar.
Penerapan Rule
Rule yang diperoleh pada tahap sebelumnya diterapkan pada citra TerraSAR-X menurut atribut yang digunakan oleh masing-masing
rule. Ketiga rule diterapkan untuk seluruh citra yang diamati, termasuk pada data latih dan data uji.
Perhitungan Akurasi
Perhitungan akurasi dilakukan dengan menghitung persentase data uji yang berhasil
diklasifikasikan dengan benar oleh setiap rule. Data uji adalah data yang telah diketahui kelas tutupan lahannya. Akurasi dihitung berdasarkan confusion matrix (Tabel 1). Akurasi keseluruhan untuk masing-masing rule
adalah jumlah piksel data uji yang terklasifikasi dengan benar dibagi dengan jumlah piksel pada data uji. Akurasi keseluruhan dihitung dengan rumus:
FX ' = + Y + # + & × 100 %+ &
Tabel 1 Confusion matrix Prediksi Kelas 1 Kelas 2 A k tu a l Kelas 1 a b Kelas 2 c d
HASIL DAN PEMBAHASAN
Kabupaten Sidoarjo merupakan daerah peri-urban bagi metropolitan Surabaya. Berdasarkan kenampakan objek yang diamati dari citra Google Earth™ (Gambar 6), daerah ini memiliki persebaran pemukiman yang cukup merata. Sawah dapat dijumpai di banyak wilayah dalam kesatuan yang cukup besar pada daerah ini. Vegetasi berkayu pada daerah ini sangat minim dijumpai, umumnya dalam bentuk kebun campuran dan vegetasi mangrove di wilayah bagian timur. Wilayah tubuh air (sungai dan tambak) banyak dijumpai di bagian timur. Daerah industri yang juga berdekatan dengan pemukiman dapat dijumpai di bagian utara Kabupaten Sidoarjo. Daerah contoh untuk masing-masing kelas penutupan lahan disajikan pada Gambar 7.
1
PENDAHULUAN