NeighborstoKnow Accuracy with TTA Mask Around of the Green Open Space Region in Denggung, Sleman District
2.3 Pra-pemrosesan
Sebelum proses OBIA diterapkan, masukan indeks objek sangat penting dalam menjalankan tingkatan piksel, seperti digunakannya Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), dan Second Modified Soil Adjusted Vegetation Index (MSAVI2).Nilai indeks ini dimasukkan ke dalam fungsi OBIA dengan berbasiskanoperasi matematika (+,−,×,÷) yang melibatkan piksel-piksel, misalnya layer 2 dikurangi dari layer 1. Ini berarti bahwa setiap piksel yang memiliki nilai sama di kedua lapisan akan menghasilkan nilai 0 (nol) (Trimble, 2014a). NDVI ini telah banyak digunakan untuk penginderaan jauh terutama pada vegetasi selama bertahun-tahun. Indeks ini menggunakan pancaran atau pantulan dari saluran merah di kisaran 630-690 nm dan dari saluran inframerah dekat di kisaran 760-900 nm.
Saluran merah terletak di serapan klorofil yang kuat, sementara saluran inframerah dekat terletak di pantulan tinggi pada kanopi vegetasi. Dua saluran memberikan perbedaan yang sangat dalam melalui kanopi vegetasi hingga mampu menonjolkan aspek kerapatan vegetasi (Danoedoro, 2012).Sementara,NDWI yang kini dilakukan untuk mengekstraksi dan klasifikasi fitur tubuh air telah banyak digunakan (Gao, 1996; Xu, 2006;
Zylshal, dkk., 2016). NDVI dan NDWI diformulakan sebagai persamaan (1) dan (2).
=
...(1)
= ...(2) Kelas vegetasi yang nantinya akan dijadikan sebagai training sample akan menghasilkan gangguan dari latar belakang tanah. Hal ini dapat berupa variasi respons spektral tanah yang berbeda-beda, yang menyebabkan kurang akuratnya indeks vegetasi yang dihasilkan (Danoedoro, 2012). Indeks yang digunakan untuk mereduksi gangguan tanah tersebut dengan menggunakan MSAVI2, yang diformulakan sebagai persamaan (3).
= ( ( ) ( ) )
...(3) 2.4 Segmentasi
Pengimplementasian metode OBIA, langkah pertama dengan melakukan proses segmentasi citra.
Penelitian ini menggunakan algoritma multiresolution segmentation di dalam Trimble® eCognition Developer 9.0. Segmentasi diperoleh dari piksel-piksel citra untuk memperoleh objek yang secara homogen dan mudah dikenali pada tahap klasifikasi dengan mengombinasikan hasil secara visual dan perhitungan matematis, seperti extraction feature. Pada tahap segmentasi, objek akan terpisah berdasarkan parameter skala, warna, dan bentuk (kekompakan dan kehalusan). Karakter warna berseberangan langsung dengan karakter bentuk. Sementara, karakter kekompakan berseberangan dengan karakter kehalusan. Keempat karakter tersebut diukur dengan tingkat heterogenitasnya (h), sedangkan karakter skala ditentukan dengan jumlah piksel minimal dalam satu objek. Karakter-karakter ini dalam multiresolution segmentation digunakan untuk meminimalkan nilai heterogenitas objek citra untuk resolusi tertentu (Trimble, 2014a).
Namun, segmentasi langkah pertama ini dilakukan dengan penilaian dari grafik rate of change of local variance (ROC-LV) yang mengindikasikan tingkatan skala yang mana citra dapat tersegmen dengan cara yang paling tepat.
Algoritma segmentasi kedua diterapkan setelah langkah segmentasi pertama dilakukan berdasarkan penilaian menggunakan ESP Tool. Algoritma kedua ini dikenal dengan spectral difference segmentation yang biasa digunakan pada studi vegetasi (Zylshal, dkk., 2016; Puissant, dkk., 2014). Algoritma ini mendasarkan penggabungan tetangga objek citra sesuai dengan nilai intensitas layer citra rata-rata. Tetangga objek citra digabung apabila perbedaan antara intensitas layer rata-rata objek di bawah nilai yang diberikan oleh nilai maksimal dari spectral difference (Trimble, 2014). Dengan demikian, evaluasi hasil segmentasi ini
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.)
-191-
dilakukan secara visual agar nilai maksimal dari spectral difference yang diberikan objek tergabung dengan baik.
2.5 Klasifikasi
Menurut Hudelot dan Thonnat (2003), analisis citra dan interpretasi ini membutuhkan penerapan pengetahuan domain, dan pengetahuan analisis citra. Pengetahuan domain mengacu pada terminologi suatu objek semantik dimodelkan dalam ontologi. Pengetahuan yang digunakan untuk interpretasi citra memerlukan adanya pengetahuan kualitatif dan informasi kuantitatif. Pengetahuan kuantitatif mengacu pada perilaku spektral dan spasial obyek yang menarik di citra resolusi tinggi dijelaskan secara ilmiah, misalnya vegetasi memiliki indeks yang tinggi di NDVI (Normalized Difference Vegetation Index), jalan memiliki bentuk memanjang sehingga diimplementasikan ke indeks bentuk pada perangkat lunak eCognition.
Sementara, pengetahuan kualitatif mengacu pada informasi citra dan tergantung interpreter, seperti pemilihan training sample dengan mempertimbangkan unsur interpretasi.
Proses OBIA yang optimal memacu pembuatan ontologi yang matang dari objek yang akan diidentifikasi.
Pendefinisian objek merupakan bagian yang vital dalam interpretasi citra. Pendefinisian terhadap objek ini berhubungan dengan unsur-unsur interpretasi dan salah satu pertimbangan dalam penentuan training sample.
Pertimbangan yang paling sering digunakan menurut Sutanto (1986) ada 9 (sembilan) unsur-unsur interpretasi, yaitu: rona/warna, bentuk, ukuran, tekstur, pola, bayangan, situs, asosiasi, dan konvergensi bukti.
Secara umum, tahap klasifikasi mendasarkan pada proses klasifikasi terselia (supervised classification).Setelah penutup lahan/penggunaan lahan ditetapkan sebelumnya, maka selanjutnya dipilih training sample untuk tiap kelas. Model klasifikasi dibagi sesuai dengan classifier apa yang digunakan:
maximum likelihood atau nearest neighbors. Klasifikasi maximum likelihood menghitung probabilitas bahwa piksel atau objek untuk masing-masing kelas dan kemudian menetapkan piksel atau objek untuk kelas dengan probabilitas yang tertinggi (Richards, 1999). Pengolahan citra pada ENVI memungkinkan digunakannya klasifikasi maximum likelihood, sedangkan klasifikasi nearest neighbors adalah bagian dari paradigma berbasis objek dengan menggunakan perangkat lunak eCognition dan memberikan setiap objek ke kelas yang paling dekat (Platt dan Rapoza, 2008).
Training sample pada penelitian ini dilakukan tiga kali tahap, yaitu pertama dilakukan pembedaan terhadap kelas vegetasi, non-vegetasi dan tubuh air yang sesuai berdasarkan penelitian sebelumnya (Zylshal, dkk., 2016), kedua dengan membedakan kelas pohon dengan non-pohon, dan terakhir dilakukan pembedaan terhadap kelas perdu/semak dan penutup tanah. Pembedaan kelas vegetasi menjadi pohon dan non-pohon, dan non-pohon dibedakan menjadi semak/perdu dan penutup tanah diklasifikasi berdasarkan Peraturan Menteri Pekerjaan Umum No. 5 (2008) dan sesuai berdasarkan klasifikasi yang dilakukan pada penelitian sebelumnya (Hapsari, 2015).
Pertama, kelas vegetasi dan kelas non-vegetasi dipilih untuk dijadikan training sample dengan memanfaatkan unsur interpretasi warna dan tekstur, yang mana vegetasi memiliki tekstur lebih kasar dibanding kelas non-vegetasi dan vegetasi dominan memiliki warna hijau sedangkan non-vegetasi memiliki beragam kenampakan warna. Sementara, pemilihan training sample pada kelas tubuh air memiliki tingkat kesulitan yang tinggi, yang mana selain memiliki pengetahuan interpretasi harus didukung pengetahuan kognitif tentang objeknya. Selain itu, pemanfaatan indeks seperti NDVI, NDWI, dan MSAVI2, sangat membantu dalam mengklasifikasikan kelas vegetasi, non-vegetasi, dan tubuh air.
Kedua, kelas vegetasi dibedakan menjadi kelas pohon dan non-pohon. Training sample dipilih dengan sampel yang memiliki kekhasan dari tiap-tiap kelas. Kelas pohon dan non-pohon dapat dikenali berdasarkan warna dan teksturnya, yang mana pohon memiliki warna hijau lebih tua dan tekstur lebih kasar dibandingkan dengan non-pohon yang lebih muda dan tekstur lebih halus. Disisi lain, penilaian berdasarkan nearest neighborsmenggunakan hanya dengan warna, yang mana dari nilai rata-rata saluran 1 (biru), saluran 2 (hijau), saluran 3 (merah), dan saluran 4 (inframerah dekat). Hal ini dikarenakan pantulan yang diberikan khususnya pada saluran 4 memberikan pengaruh kuat terhadap kelas vegetasi.
Seminar Nasional Penginderaan Jauh -2016
-192-
Gambar 2.Training Sample untuk Mengklasifikasi Kelas Vegetasi, Non-vegetasi, dan Tubuh Air
Gambar 3. Training Sample untuk Mengklasifikasi Kelas Pohon dan Non-pohon
Ketiga, training sample untuk semak/perdu dan penutup tanah dikenali berdasarkan pengalaman kognitif interpreter, yang mana semak/perdu memiliki vegetasi yang lebih pekat dibanding penutup tanah. Sementara, penutup tanah dikenali dengan adanya sedikit vegetasi dan masih terkontaminasi dengan tanah. Kelas semak dan perdu dikategorikan menjadi satu kelas karena kedua objek ini tidak dapat dibedakan berdasar interpretasi citra (Hapsari, 2015). Sementara, penilaian berdasarkan nearest neighbors menggunakan unsur warna dan tekstur, yang diimplementasikan dengan nilai rata-rata nilai saluran 1, 2, 3, dan 4, dan tekstur Haralick (GLCM Entropy, GLCM Standard Deviation, GLCM Homogeneity, dan GLCM Correlation).
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.)
-193-
Gambar 4. Trainingsample untuk Mengklasifikasi Kelas Perdu/Semak dan Penutup Tanah
Perbaikan klasifikasi dilakukan untuk memperbaiki hasil klasifikasi yang gagal, seperti terklasifikasinya bayangan pada non-vegetasi dan vegetasi menjadi tubuh air. Adanya hal tersebut, algoritma perbaikan yang diterapkan untuk menghilangkan klasifikasi yang gagal dengan menggunakan nilai brightness dan informasi kontekstual, seperti “relative border to neighbor” (Zylshal, dkk., 2016), tetapi algoritma perbaikan pada penelitian ini tidak menggunakan parameter tekstur. Asumsi yang dilakukan dengan menilai objek tubuh air dengan nilai brightness yang rendah dan memiliki hubungan terdekat dengan objek lain yaitu sesama objek tubuh air memiliki indeks 1 (satu) dan apabila tubuh air tidak memiliki kedekatan dengan objek yang sama maka nilai indeks 0 (nol).
Citra Quickbird Pan-Sharpening Terkoreksi
Proses Segmentasi
Citra Segmen
NDVI NDWI MSAVI2
Training Sample Vegetasi,
Non-vegetasi, dan Tubuh Air
Pohon dan Non-Pohon
Semak/Perdu dan Penutup Tanah Level Umum
Level Vegetasi
Level Non-Pohon
Vegetasi (Data Vector) Algoritma Nearest
Neighbors
Penilaian Akurasi dengan TTA Mask
Gambar 5. Diagram Alir Proses
Seminar Nasional Penginderaan Jauh -2016
-194-
Langkah penting dalam proses rekayasa ontologi adalah pengembangan dasar pengetahuan yang mencerminkan semantik objek ke perincian yang lebih kompleks (Belgiu, 2013). Oleh karena itu, hal ini menimbulkan banyak masalah apabila objek yang diidentifikasi memiliki fungsi yang berbeda, tetapi citra menetapkan objek dengan hasil yang sama dan mirip sehingga hal ini dibutuhkan koreksi lapangan atau data pendukung. Namun, koreksi pada penelitian ini menggunakan referensi berdasarkan visual dan klasifikasi berdasarkan metode nearest neighbors. Klasifikasi penentuan semantik objek vegetasi menjadi kriteria yang sangat penting dalam mengidentifikasi objek di dunia nyata. Untuk itu, dilakukan penilaian akurasi agar hasil klasifikasi yang dihasilkan memiliki kevalidan. Penilaian akurasi ini dilakukan dengan Test and Training Area (TTA) Mask. Pemilihan training area dipilih tiap-tiap kelas agar kelas terwakili dengan baik. TTA Mask ini dinilai berdasarkan luasan dengan satuan jumlah piksel dari kelas hasil klasifikasi dengan kelas referensi (Trimble, 2014b). Overall accuracy dihitung berdasarkan kelas hasil klasifikasi yang benar dengan hasil referensi dibagi dengan jumlah seluruh luas poligon sampel (dalam satuan piksel).
3. HASIL DAN PEMBAHASAN