III. METODOLOGI PENELITIAN
3.3. Metode Penelitian
Metode yang dilakukan dalam penelitian secara umum terdiri dari beberapa tahapan, yaitu : 1) tahap persiapan dan pengumpulan data, 2) tahap
pengecekan lapang, 3) tahap pengolahan dan interpretasi data, dan 4) tahap analisis hasil. Adapun diagram alir penelitian disajikan pada Gambar 7.
3.3.1. Tahap Persiapan dan Pengumpulan Data
Pada tahap persiapan dilakukan studi pustaka dan pengumpulan data baik yang berasal dari penelitian sebelumnya maupun data penunjang untuk memahami metode yang telah berkembang berkaitan dengan penelitian ini. Data penunjang yang diperlukan antara lain : berbagai jurnal ilmiah, prosiding seminar, artikel ilmiah dan buku teks yang terkaitan dengan penelitian. Selain itu, melakukan eksplorasi perangkat lunak (software) Envi 4.5, ASF MapReady 2.3.6, dan Google Earth. Pada tahapan ini juga dilakukan identifikasi bentuklahan vulkanik pada data IKONOS Google Earth.
3.3.2. Tahap Pengecekan Lapang
Tahap pengecekan lapang dilakukan pada tanggal 27 September 2010. Pada tahap ini dilakukan pengambilan beberapa lokasi piksel / titik (x,y) untuk menentukan daerah kajian penelitian (Region of Interest) dengan menggunakan perangkat GPS. Pada lokasi G. Guntur ditentukan 9 titik koordinat. Jumlah titik koordinat dipengaruhi oleh terbatasnya waktu dan akses perjalanan menuju puncak G. Guntur. Selain pengambilan titik pada setiap lokasi tersebut dilakukan pengamatan kekasaran permukaan untuk mendapat data secara kualitatif. Pengamatan kekasaran permukaan ini dilakukan dengan menggunakan millimeter block dengan satuan pengukuran per 5 cm sehingga didapatkan gambaran dari kekasaran permukaan lava (Gambar Lampiran 1). Pengamatan daerah sekitar lokasi pengambilan titik koordinat juga dilakukan seperti bentukan aliran lava (Gambar Lampiran 2), pengamatan batuan (Gambar Lampiran 3), serta pengamatan vegetasi (Gambar Lampiran 4).
3.3.3. Tahap Pengolahan dan Interpretasi Data
Pengolahan awal citra dilakukan koreksi terrain (geocoding) data dengan mengubah data SRTM (Shuttle Radar Topography Mission) G. Guntur menjadi data DEM (Digital Elevation Model) sebagai data masukan pada pengolahan koreksi terrain citra PALSAR sehingga dihasilkan data yang telah terkoreksi (registered). Citra geocoded yang dihasilkan menggunakan sistem proyeksi UTM
(Universal Tranverse Mecator) pada zona 48 S. Proses ini menggunakan perangkat lunak ASF Mapready 2.3.6 dan ENVI 4.5.
Analisis citra ini juga menghasilkan data hamburan balik (backscatters) yang terdiri dari beberapa polarisasi linear, yaitu VV (dikirm Vertikal diterima Vertikal) dan HH (dikirim Horizontal diterima Horizontal) yang merupakan polarisasi paralel (parallel-polarized), VH (dikirim Vertikal diterima Horizontal) dan HV (dikirim Horizontal diterima Vertikal) yang merupakan polarisasi silang (cross-polarized). Mengingat sistem pencitraan yang digunakan adalah monostatik maka berlaku teori reciprocity dimana VH = HV sehingga polarisasi yang digunakan yaitu HH, VH dan VV.
Pada awalnya interpretasi citra dilakukan pada citra optik IKONOS yang beresolusi tinggi melalui perangkat lunak Google Earth yang dilakukan secara online. Interpretasi citra yang dilakukan berupa jenis penutupan lahan dan geomorfologi atau pemetaan bentuklahan (landform) G. Guntur. Selanjutnya dilakukan interpretasi pada citra PALSAR yang diawali dengan proses filtering citra. Filtering citra merupakan langkah pertama dalam pengolahan data SAR. Salah satu masalah dalam pengolahan data SAR yaitu adanya spekel atau derau (noise) dimana semakin tinggi hamburan balik (backscatter) radar, maka tingkat derau akan semakin tinggi. Filtering adalah proses dimana setiap nilai pixel dalam sebuah peta raster diganti dengan nilai yang baru. Nilai baru diperoleh dengan menerapkan fungsi tertentu kepada pixel dan tetangganya. Para tetangga dianggap dapat menjadi piksel berdekatan (filter 3x3) atau pixel sekitarnya (filter 5x5). Proses filter bertujuan untuk mengurangi noise sehingga kenampakan obyek menjadi lebih baik. Hal ini dikarenakan noise dapat menghambat kemampuan algoritma perangkat lunak komputer untuk mengenali detil kenampakan pada citra. Jenis fungsi filter yang bekerja pada fungsi speckle filter antara lain : Median, Kuan, Frost, Enhanced Lee, Enhanced Frost, Gamma dan JS Lee. Namun pada penelitian ini, filter yang digunakan adalah JS Lee Filter dengan ukuran pembesaran 5x5. Filter ini menggunakan konsep probabilitas dua sigma yang efektif untuk penyaringan data. Estimasi bias dilakukan dengan mendefinisikan ulang berbagai sigma berdasarkan probabilitas fungsi kepadatan
spekel. Jenis filter ini cukup efektif dalam menghilangkan spekel terutama pada daerah homogen atau memiliki varian rendah (Moloney and Ju, 1998)
Pengambilan data sampling dilakukan pada setiap jenis bentuklahan. Pengambilan data sampling berupa data pembangun (training set) sebanyak 100 piksel untuk data masukan pada metode klasifikasi dan data penguji akurasi (testing) sebanyak 75 piksel pada tiap kelas. Hal ini dilakukan agar pada tahap pengkajian akurasi dihasilkan bias yang minimum.
3.3.4. Tahap Analisis Hasil
Sebelum melakukan klasifikasi numerik perlu dilakukan pengkajian keterpisahan spektral. Keterpisahan spektral pada berbagai sensor merupakan isu yang penting dikaji sebelum metode klasifikasi diterapkan (Panuju et al., 2010).
Metode pengkajian keterpisahan spektral dapat dilakukan dengan menggunakan metode Transformed Divergence (TD) dengan persamaan sebagai berikut :
TDij = 2[1exp(Dij/8)]………..………....…(2-1) dimana TDij = parameter TD dan Dij adalah parameter yang diperoleh dari
persamaan berikut :
Dij = 0,5[(Ci-cj) (Ci-1 – Cj-1)] + 0,5tr[(Ci-1 – Cj-1) (µi - µj) (µi-µj)T]…... (2-2) Parameter µi adalah nilai rataan vektor kelas ke-i sedangkan Ci nilai matriks koragam kelas ke-I, sedangkan tr menotasikan fungsi tras (trace dalam aljabar matriks) dan T menunjukkan fungsi transposisi. Nilai maksimum diperoleh pada saat nilai α sama dengan tak terhingga. Analisis ini dilakukan dengan menggunakan perangkat lunak ENVI dan digunakan konstanta 2 sehingga diperoleh selang keterpisahan 0 hingga 2. Nilai 0 mengindikasikan terjadi tumpang tindih pencirian antara dua kelas dan nilai 2 mengindikasikan keterpisahan yang lengkap antara dua kelas. Nilai TD ini berhubungan dengan akurasi klasifikasi yang dihasilkan. Kelas dengan nilai keterpisahan yang tinggi akan menghasilkan nilai klasifikasi yang baik. Klasifikasi nilai keterpisahan dibagi menjadi 3, yaitu (1) Keterpisahan sangat buruk (very poor separability) dengan selang nilai 0,0 – 1,0 yang mengindikasikan bahwa pencirian pada dua kelas secara statistika tidak dapat dipisahkan, (2) Keterpisahan buruk (poor
separability) dengan selang nilai 1,0 – 1,9 yang mengindikasikan bahwa pencirian dua kelas dapat dipisahkan pada suatu tingkat tertentu, dan (3) Keterpisahan baik (good separability) dengan selang nilai 1,9 – 2,0 yang mengindikasikan bahwa pencirian dua kelas dapat dipisahkan secara lengkap (Richards, 2006).
Selain melalui analisis keterpisahan jarak, keterpisahan spektral juga dapat ditunjukkan melalui analisis statistik. Pada penelitian ini analisis statistik ditunjukkan melalui analisis boxplot. Analisis boxplot memuat ringkasan sampel yang disajikan secara grafis yang menggambarkan bentuk distribusi data (skewness), ukuran tendensi sentral dan ukuran penyebaran keragaman data pengamatan. Dalam boxplot terdapat lima ukuran statistik yang dapat dibaca antara lain nilai observasi terkecil (minimum), nilai observasi terbesar (maksimum), kuartil terendah atau pertama (Q1), median atau nilai pertengahan (Q2), dan kuartil tertinggi atau kuartil ketiga (Q3). Selain itu juga dapat ditampilkan ada tidaknya nilai outlier dan nilai ekstrim dari data pengamatan.
Klasifikasi aliran lava merupakan salah satu kegiatan pembangunan basis data spasial yang dapat dikaji dengan menggunakan metode klasifikasi numerik. Metode klasifikasi ini telah banyak digunakan baik melalui pendekatan analisis klasifikasi terbimbing maupun tak terbimbing. Dalam penelitian ini, digunakan algoritma klasifikasi terbimbing pohon keputusan (decision tree) dengan pendekatan QUEST (Quick, Unbiased, Efficient Statistical Trees) yang diolah dengan menggunakan perangkat lunak ENVI 4.5 dengan toolbox tambahan. Telaah dengan menggunakan pendekatan algoritma ini telah digunakan sebelumnya antara lain oleh Kim and Loh (2001); Panuju dan Trisasongko (2008); Syafril (2009). Selain itu dilakukan klasifikasi terbimbing lainnya sebagai klasifikasi pembanding yaitu Klasifikasi Maximum Likelihood.
Pengolahan pohon keputusan (Decision Tree) menghasilkan citra hasil klasifikasi untuk pendekatan algoritma. Selanjutnya dilakukan perhitungan akurasi dengan membandingkan kinerja metode klasifikasi dengan memanfaatkan analisis matriks akurasi menggunakan piksel penguji akurasi (testing). Adapun untuk menunjang hasil analisis, dilakukan perhitungan koefisien Kappa (indeks kesalahan).