HASIL DAN PEMBAHASAN
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
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,
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 nilai yang masih fluktuatif, namun jelas terlihat bahwa nilai akurasi pada ukuran
0 10 20 30 40 50 60 70 80 90 100 0 20 40 60 80 100 120 140 160 AK URASI(%) KERNEL MDR SVMR MDT MDTR DTT DTTR 0 10 20 30 40 50 60 70 80 90 100 0 50 100 150 A K URAS I KERNEL MDT3 DTT3 SVMT3 MDTR3 SVMTR3 DTTR3 MDR3 SVMR3
31
kernel 5x5, 7x7, 9x9, dan 11x11 tetap lebih tinggi dibandingkan dengan kernel
3x3. Hasil penelitian tersebut sesuai dengan hasil penelitian ini.
Hasil klasifikasi menggunakan teknik Minimum Distance to Mean, QUEST, dan SVM pada lokasi 1 disajikan pada seri gambar berikut.
Minimum Distance to Mean
Gambar 21 Hasil klasifikasi Minimum Distance to Mean berbasis rona Dari Gambar 21 dapat dilihat bahwa berdasarkan rona, hasil klasifikasi tutupan lahan didominasi oleh kebun kelapa sawit, hal ini tidak sesuai dengan kondisi yang sebenarnya. Selain itu, terjadi baur pada tutupan lahan permukiman yang jugadiketahui lebih luas dari yang seharusnya. Sawah hanya menjadi minoritas pada hasil klasifikasi tersebut, yang bertentangan dengan kondisi aktual tutupan lahan sawah di area tersebut.
Gambar 22 Hasil klasifikasi Minimum Distance to Meanberbasis tekstur; (a) 3x3; (b) 13x13; (c) 41x41
Akurasi klasifikasi berbasis tekstur dengan kernel 3x3 menunjukkan bahwa hampir seluruh area didominasi oleh tutupan lahan permukiman. Seperti yang telah diuraikan pada penjelasan sebelumnya bahwa klasifikasi pada ukuran kernel 3x3 memiliki nilai akurasi yang paling rendah. Pada ukuran kernel 13x13,
32
klasifikasi tersebut menunjukkan hasil yang paling baik. Terlihat bahwa lahan sawah dan permukiman telah mendekati sempurna dalam pengkelasannya. Bentuk petakan-petakan sawah tergambar dengan cukup baik. Namun demikian, kernel 41x41 menunjukkan adanya pembauran karena nilai-nilai piksel menjadi lebih seragam pada setiap kelas tutupan lahan.
Gambar 23 Hasil klasifikasi Minimum Distance to Mean berbasis rona dan tekstur; (a) 3x3; (b) 13x13; (c) 41x41
Klasifikasi berbasis gabungan rona dan tekstur menunjukkan hasil yang tidak terlalu berbeda dengan klasifikasi berbasis tekstur. Hal ini sebelumnya juga telah ditunjukkan bahwa perbedaan akurasi antara klasifikasi berbasis tekstur dengan klasifikasi berbasis gabungan rona dan tektur tidak terlalu signifikan.
Pohon keputusan QUEST
Gambar 24 Hasil klasifikasi Pohon keputusan QUEST berbasis tekstur; (a) 3x3; (b) 13x13; (c) 41x41
33
Gambar 24 menunjukkan bahwa meskipun akurasi klasifikasi pada ukuran
kernel 3x3 berbasis tekstur pada metode Pohon keputusan QUEST sudah lebih
baik dibandingkan dengan klasifikasi berbasis rona pada Minimum Distance to
Mean, terlihat bahwa masih banyak area sawah yang terkelaskan ke dalam kelas
permukiman. Pada ukuran kernel 13x13, kenampakan hasil klasifikasi membaik, sedangkan pada ukuran kernel 41x41 sudah mulai terlihat kekompakan atau keseragaman pada kelas tutupan lahan.
Gambar 25 Hasil klasifikasi Pohon keputusan QUEST berbasis rona dan tekstur; (a) 3x3; (b) 13x13; (c) 41x41
Gambar 25 menunjukkan bahwa klasifikasi berbasis data rona dan tekstur dengan metode Pohon keputusan QUEST tidak menunjukkan perbedaan yang signifikan dengan klasifikasi berbasis tekstur.
Support Vector Machine
Gambar 26 Hasil klasifikasi SVM berbasis rona
Gambar 26 menunjukkan bahwa klasifikasi Support Vector Machine berbasis rona lebih baik dibandingkan dengan klasifikasi Minimum Distance to
Mean berbasis rona (Gambar 21). Namun demikian, kelas tutupan lahan sawah
masih tampak berbaur dengan permukiman. Permukiman menjadi terlihat lebih luas dibandingkan dengan kondisi yang sebenarnya.
34
Gambar 27 Hasil klasifikasi SVM berbasis tekstur; (a) 3x3; (b) 13x13; (c) 41x41 Klasifikasi SVM berbasis tekstur dengan kernel 3x3 menunjukkan hasil yang sudah cukup baik. Hal ini tercermin bukan hanya berdasarkan kenampakan hasil klasifikasi pada Gambar 27, melainkan juga berdasarkan pada nilai akurasi yang telah dibahas sebelumnya. Nilai akurasi pada ukuran kernel 3x3 sebesar 89.21 % telah terpaut jauh dari klasifikasi berbasis rona yang hanya mencapai73.49 %. Ukuran kernel 13x13 menunjukkan hasil klasifikasi yang lebih baik. Hal ini ditunjukkan dengan bentuk petak sawah yang sudah terlihat jelas dan permukiman yang sudah terlihat tidak terlalu luas, hampir sesuai dengan kondisi yang sebenarnya. Pada ukuran kernel 41x41 dapat dilihat sawah yang mulai kompak tanpa ada garis-garis pembatas petakan karena sudah tergeneralisasi. Hal ini menunjukkan bahwa nilai akurasi yang tinggi belum tentu merepresentasikan hasil klasifikasi yang terbaik, karena akurasi bukan didasarkan pada hasil klasifikasi secara keseluruhan melainkan melalui sampel training dan sampel ujinya saja. Pada ukuran kernel 41x41, nilai akurasi klasifikasi berbasis tekstur mencapai 99.45% lebih tinggi dibandingkan kernel 13x13 sebesar 95.42%. Hasil klasifikasi yang terlihat pada Gambar 27 menunjukkan bahwa kenampakan hasil klasifikasi pada ukuran kernel 13x13 terlihat lebih rapi tanpa adanya generalisasi yang berlebihan. Berbeda dengan ukuran kernel 41x41 yang tampak seperti tergeneralisasi menjadi bagian yang kontigus dalam pengkelasannya.
35
Gambar 28 Hasil klasifikasi SVM berbasis rona dan tekstur; (a) 3x3; (b) 13x13; (c) 41x41
Gambar 28 menunjukkan bahwa klasifikasi berbasis gabungan rona dan tekstur pada ukuran kernel 3x3, 13x13, dan 41x41 tidak begitu berbeda dengan klasifikasi berbasis tekstur.
Klasifikasi berbasis tekstur pilihan
Telaah lanjutan terhadap akurasi klasifikasi berbasis pada beberapa tekstur pilihan yang telah dibuktikan pada penelitian sebelumnya mampu meningkatkan akurasi klasifikasi,disajikan pada seri Gambar 29-31. Besaran pengaruh pemilihan tekstur ditampilkan dalam Tabel 9.
Keterangan: MDT: Minimum Distance to Mean 8 , T’: Minimum Distance to Mean tekstur pilihan.
Gambar 29 Pengaruh pemilihan tekstur (mean, variance, contrast, dan
dissimilarity) terhadap akurasi Minimum Distance to Mean
0 10 20 30 40 50 60 70 80 90 100 3 11 53 73 141 MDT MDT'
36
Keterangan: DTT: Pohon keputusan QUEST 8 , TT’: Pohon keputusan QUEST tekstur pilihan.
Gambar 30 Pengaruh pemilihan tekstur (mean, variance, contrast, dan
dissimilarity) terhadap akurasi klasifikasi QUEST
: SV T: SV 8 , SV T’: SV .
Gambar 31 Pengaruh pemilihan tekstur (mean, variance, contrast, dan
dissimilarity) terhadap akurasi klasifikasi Support Vector Machine
Tabel 9 Perbandingan akurasi(%) antara tekstur terpilih (4 parameter) dan tekstur lengkap (8 parameter) pada metode Minimum Distance to Mean, Pohon keputusan QUEST, dan SVM
KERNEL T’ TT’ MDT DTT SVMT SVMT' Selisih MD Selisih DT Selisih
SVM 3 77.87 88.51 26.68 88.47 89.21 88.82 51.18 0.04 -0.39 11 90.51 89.37 90.12 91.20 94.68 95.57 0.39 -1.83 0.89 53 82.58 92.32 82.6 96.08 98.44 94.03 -0.02 -3.76 -4.41 73 69.50 88.79 69.51 92.57 98.29 98.48 -0.01 -3.78 0.19 141 62.50 94.55 62.5 92.41 97.48 91.05 0.00 2.15 -6.43 84 86 88 90 92 94 96 98 3 11 53 73 141 DTT DTT' 82 84 86 88 90 92 94 96 98 100 3 11 53 73 141 SVMT SVMT'
37
Gambar 29-31 menunjukkan bahwa nilai akurasi klasifikasi Minimum
Distance to Mean dengan menggunakan tekstur terpilih (mean, variance, contrast,
dan dissimilarity) pada ukuran kernel 3x3 secara signifikan lebih tinggi dibandingkan dengan tekstur lengkap dengan selisih nilai akurasi sebesar 51.18%. Hal ini menunjukkan bahwa efisiensi data memiliki peran yang penting dalam klasifikasi. Penelitian ini menunjukkan bahwa besaran data yang menjadi masukan dalam klasifikasi belum menjamin semakin tingginya akurasi klasifikasi. Sebaliknya, pada metode QUEST dan SVM, pengaruh pemilihan tekstur mean,
variance, contrast, dan dissimilarity tidak begitu berpengaruh dalam
meningkatkan akurasi klasifikasi. Pada metode QUEST, pemilihan tekstur yang mampu meningkatkan akurasi klasifikasi hanya terlihat pada ukuran kernel 3x3