Pemanfaatan Kanal Tampak Mata dan Inframerah Dekat untuk Klasifikasi Penutupan Lahan

asi 

:ngembangan,  dan implementasi sistematik berdasarkan  hasil  kajian 

, Years of Direct Georeferencing For lmetric Week 2005.  

tematik Data Airborne. Bimbingan   letrik  dan  Radiometrik.  LAP AN.  

eometri Sistematik Data Imager Satelit, flatik  Geometrik  dan  Radiometrik. 

rrection. Suranaree  University  of 

er Combination ofDirect and Indirect as. Hannover. 

evation_model  <ilter 

terpolation 

Khursatul  Munibah, Boedi Tjahjono 

,  Departemen IImu Tanah dan Sumber Daya Lahan, Fakultas Pertanian, IPB  Email: khursamun@yahoo.co.id.boedi_tj@yahoo.com 

Abstrak

Citra  Satelit  LAPAN  A3IIPB  akan  menggunakan  kana!  tampak  mata  dan  inframerah  dekat  yang  panjang  gelombang  elektromagnetiknya  sarna  dengan  citra  Landsat.  Penelitian  ini  menggunakan  kanal  tampak  mata  dan  inframerah  de kat  dari  citra  Landsat  untuk  klasifikasi  penutupan  lahan  dalam  rangka  untuk  mendukung  pengembangan  Satelit  LAPAN  A3IIPB.  Tujuannya  ada!ah  analisis  karakteristik  spektra!  dari  kanal  tampak  mata  dan  inframerah  dekat  untuk klasifikasi  penutupan  lahan  dan  analisis  akurasi  rerhadap  ketiga  teknik  klasifikasi  dengan  didasarkan  pada  koefisien  kappa.  Pemilihan kombinasi kana! didasarkan pada nilai OIF. Teknik klasifikasi yang  digunakan adalah parallelepiped, minimum distance, dan maximum likelihood. Hasil  menunjukkan  bahwa (1) karakteristik  kana!  2  dan  3  relatif mirip yang  ditunjukkan dengan selisih  nilai  rata­rata dan  nilai standar deviasi  yang keci!,  (2) parallelepiped memiliki  nilai  akurasi  tertinggi  pada kombinasi  kana!  234  dengan  batas  bawah  dan  atasnya  ada!ah f1 ± 2*,  (3) minimum distance dan  maximum likelihood memiliki  nilai  akurasi  tertinggi  pada  kombinasi  kana!  1234,  (4)  maximum likelihood memiliki  nilai  akurasi  yang paling tinggi. 

Kata kunci: Landsat, parallelepiped, minimum distance, maximum likelihood

Abstract

, 

• •  PENGEMBANGAN  SATELIT MIKRO LAPAN: Sistem, Subsistem, dan  Misi Operasi 

of supporting  for  development  of Satelit  LAPAN  A3IIPB.  The  purpose  are 

to analysize  the  spectral  characteristics  of visible  and  infrared  band  and  to 

analysis  the  accuracy  of  classification  techniques  (for  land  cover)  based  on  the  kappa  coefficient.  Optimum  Index  Factor  (OIF)  is  used to determine  the  combination  of band  which  provides  the  best  contrast.  The  land  cover  classification  techniques  used  are parallelepiped, minimum distance, and  maximum likelihood. The  results  showed  that  (1)  the  spectral  characteristics  of Landsat  band  2  and  3  are  relatively  similar  shown  by  a  small  different  between  its  mean  value  and  have  small  standard  deviation  value,  (2)  the  highest  accuracy  of parallelepiped is  on  combination  of  band  234  where  the  upper and lower  limit are  f.!  ±  2 

* 

Std,  (3)  the  highest  accuracy  value  of  minimum distance and maximum likelihood is  on combination of band  1234,  and finally  (4)  the highest accuracy values is maximum likelihood.

Keywords: Landsat, parallelepiped, minimum distance, maximum likelihood _,  . 

1. Pendahuluan

1.1 Latar Belakang

Lembaga  Penerbangan  dan  Antariksa  Nasional  (LAPAN)  sedang  mengembangkan  Satelit  Lapan  A2/0rari  dan  Lapan  A3IIPB,  setelah  sukses  meluncurkan  Satelit  Lapan  Tubsat  pada  1

°

Januari  2007.  Satelit  Lapan  A3IIPB  yang  rencana  diluncurkan  pada  tahun  2014  memiliki  fungsi  yang  sangat  strategis  terkait  dengan  kemampuannya  untuk  dapat  mengamati  perkembangan  lahan  pertanian.  UU  RI  No.41  Tahun  2009  tentang  Perlindungan  Lahan  Pertanian  Berkelanjutan,  maka  citra  Satelit  Lapan  A3/  IPB  ini akan sangat membantu dalam  implementasi UU tersebut. 

Lapan A3IIPB  direncanakan  menggunakan 4  kana!,  yaitu kanal tampak  mata  (biru,  hijau,  dan  merah)  dan  inframerah  dekat  dengan  resolusi  spasial  18  m  (120 km swath width) dan 6 m  (12  x  12 km) (LAPAN 2012).  Panjang  gelombang  kanal  biru,  hijau,  merah,  dan  inframerah  masing­masing  (0,45-0,52)  f.!m,  (0,52­0,60)  f.!m,  (0,63­0,69)  f.!m,  dan  (0,76­0,90)  f.!m  (LAPAl"­'  2012). Panjang gelombang dari kanal citra Satelit Lapan A3IIPB sarna dengan  citra Landsat,  tetapi resolusi spasialnya yang berbeda. 

Saat  ini,  teknik  klasifikasi  data  penginderaan  jauh  telah  berkembang  dengan  pesat.  Pada  Tahun  1996,  teknik  klasifikasi  yang  banyak  digunaka,  adalah parallelipiped, minimum distance dan maximum likelihood. Pada tulisJ :'  ini,  teknik klasifikasi  tersebut  dilakukan  kembali  pada  citra  Landsat  dengcT  mengombinasikan  jumlah  kanal  yang  digunakan  untuk  klasifikasi.  Bit..: 

teknik  diperol  spasial 

Te  likeliho, kesensil  dasarny  terhada  elektron  dengan  memilik  nilai  pik  tersebut  arahan  r  dan As­s  analisis} 

1.2 Tuj

Pene 

l.   anaH  infra  2.   anaH:  , koefo

2. Met

• dan Misi Operasi 

i\N A3/IPB.  The  purpose  are  ole  and  infrared  band  and to  ues  (for  land  cover)  based  on  r  (OlF)  is  used to determine  best  contrast.  The  land  cover  iped, minimum distance, and 

(1) the  spectral  characteristics  ar  shown  by  a  small  different  ldard  deviation  value,  (2)  the  lbination  of  band  234  where 

i) the  highest  accuracy value  of  on combination of band  1234,  naximum likelihood.

distance, maximum likelihood

;a  Nasional  (LAPAN)  sedang 

LO Lapan  A3/IPB,  setelah  sukses 

10  Januari  2007.  Satelit  Lapan  hun  2014  memiliki  fungsi  yang  annya  untuk  dapat  mengamati  No.41  Tahun  2009  ten tang  an,  maka  citra  Satelit  Lapan  A3 /  lementasi UU tersebut. 

,akan  4  kana!,  yaitu  kanal  tampak  ｾ ｲ｡ｨ＠ dekat  dengan  resolusi  spasi aJ  : 12 km)  (LAPAN  2012) . Panjan g  inframerah  masing­masing  (0,45-tm, dan  (0,76­0,90)  p.m  (LAPA.'"  Satelit Lapan A3/IPB sama ､･ｮｧ ｾ Ｌ＠ ｲＮ＠

19 berbeda.  . 

ginderaan  jauh  telah ｢･ｲｾ･ｭ｢ ｡ｴ［ ｾ＠ klasifikasi  yang  banyak  dlgunab  .  n maximum likelihood. Pada tuli ,.}  K.embali  pada citra  Landsat  deng;.;.  digunakan  untuk  klasifikasi.  : 

PEMANFAATAN  KANAl TAMPAK MATA  DAN INFRAMERAH  DEKAT UNTUK KLASIFIKASI  PENUTUPAN  LAHAN  • •  

teknik  ini  diaplikasikan  pada  citra  Satelit  Lapan A3IIPB  kemungkinan  akan  diperoleh hasil yang relatif sama,  tetapi perlu dicermati pengaruh dari  resolusi  spasial yang berbeda di antara keduanya. 

T eknik  klasifikasi  parallelipiped, minimum distance, dan · maximum likelihood mengklasifikasi  nilai  piksel  yang  merupakan  fungsi  dari  tingkat  kesensitifan  panjang  gelombang  elektromagnetik  terhadap  objek.  Pada  dasarnya,  setiap  objek  memiliki  karakteristik  dan  respon  yang  berbeda  terhadap suatu  panjang gelombang elektromagnetik dan  panjang gelombang  elektromagnetik  tertentu  memiliki  respon  yang  berbeda  ketika  berinteraksi  dengan  objek.  Namun  demikian,  masih  sering  dijumpai  objek  yang  sama  memiliki nilai piksel yang berbeda dan sebaliknya objek yang berbeda memiliki  nilai  piksel yang sama  pada data citra.  Banyak faktor  yang  memengaruhi  hal  tersebut seperti kondisi atmosfer, azimut matahari, sudut ketinggian matahari,  arahan  relatif sensor  terhadap  nadir,  dan  konsisi  objek  tersebut  (Model ina  dan As­syakur  2012). Tingkat akurasi dari  hasil  klasifikasi ini  dinilai  melalui 

analisis Koefisien Kappa. .  . 

1.2 Tujuan

Penelitian ini  bertujuan  untuk melakukan : 

1.   analisis  karakteristik spektral  citra Landsat  pada  kanal  tampak mata dan  inframerah  untuk klasifikasi penutupan lahan 

2.   analisis akurasi teknik klasifikasi  untuk penutupan lahan didasarkan pada  , koeJisien kappa

2. Metode Penelitian

2.1 Lokasi Penelitian

50  .  .  0  .  .  .  • W ｍｉｦＮｾ＠ • 

ｾｪﾷ ｾｩｩｩｉｩｩｩｩｩｩｩｩｩｩｩｾｾｾ＠

Lokasi  pene/irian  rerlerak  di  wilayah  Kabuparen  Pelalawan  di  bagian  Barar  (Gambar 1) dengan  koordinar 

(102°30'0"  BT,  0°15 '36"  LU)  (102°34'48"  BT,  0°15'36"  LU)  dan  (102°30'0"  BT,  0°25 ' 12"  LS) 

[image:4.611.19.349.318.586.2]

(102°34'48 " BT,  0°25 ' 12" LU) 

. 

• •  PENGEMBANGAN SATE LIT MIKRO LAPAN: Sistem, subsistem, dan Misi Operasi 

2.2 Bahan dan Alat 

Bahan  yang  digunakan  dalam  penelitian  ini  adalah  citra  Landsat  yang  diakuisisi  pada  16  Oktober  2010,  Peta  RBI  skala  1:50.000  dan  Peta  Penggunaan  Lahan  Kabupaten  Pelalawan  tahun  2007.  Adapun  alat  yang  digunakan  adalah  seperangkat  komputer  yang  dilengkapi  dengan  software  ENVl 4.4.  dan Arview 3.3.

2.3 Metodologi 

Penelitian  ini  terbagi  dalam  3  tahapan  analisis,  yaitu  kombinasi  kanal,  klasifikasi  terbimbing,  dan akurasi  hasil  klasifikasi  (Gambar 2). 

Kombinasi kanal. Untuk penggunaan umum, tanpa spesifikasi  tertentu ,  Chavez et al. (1982)  dalam Jensen (1996)  mengembangkan konsep optimum  index  faktor  (OIF)  untuk  menilai  informasi  yang  disajikan  pada  citra  dari  berbagai  kombinasi  kanal  yang  digunakan.  Rumus  OIF  adalah  se13agai  berikut. 

ｏｉｆ］ｉＮｾ ｫ］ ｊＩｓｫｉＮｾ］ｉ Ｉ ａ｢ｳＨｲｪＩ＠ ... ... ... ... (1)  

Di mana: Sk adalah standar deviasi untuk kanal k;  rj  adalah nilai absolut dari koefisien  korelasi  antara dua dari  tiga  kanal yang akan  dievaluasi. 

Tiga kombinasi kanal dengan nilai OIF tertinggi pada umumnya memiliki  lebih  banyak  informasi.  Semakin  tinggi  nilai  stan dar deviasi  berarti semakin  banyak informasi  yang ditampilkan pada citra,  sedangkan semakin kecil  nilai  koefisien  korelasi  berarti  semakin  kecil  duplikasi  informasi  dari  kedua  kanal  terse but Gensen  1996) 

Data  Sekunder :  ­ Peta  RBI  1 :50000  ­ Peta  RTRW  ­ Peta  Penggunaanl 

[image:5.611.60.337.388.613.2]

Penutupan Lahan 2007 

Gambar 2 Tahapan penelitian 

Region OfIn.

representasi  tipe  pc  dilakukan  ｶ･ｲｩｦｩｫｾ＠

mendapatkan kebel  hendaknya  dipilih  kualitas yang tinggi 

KIasifikasi  del 

didasarkan  pada nil (Region OfInterestl) penentuan  batas keL 

/­I_{ck ­ Std ck} :5 BV  :5 f­t

jjk 

Di  mana:  /l adalah  nil  jumlah kana  kolom dan l: 

Dalam ｫｬ｡ｳｩｦｩｫｾ＠

suatu kelas  tertentu ji  bawah dan atas dari R  tersebut,  nilai  piksel j 

ini,  penentuan batas  l 

2*;(3)  /­I±3*;(4)/­Ij 

KIasifikasi  deng 

yang  didasarkan  pada  (Region OfInterestlRO Auclidean, yaitu: 

Oi  mana:   adalah  jarak I

pada setiap ke  jumlah kana!. 

KIasifikasi dengat 

ｾＺ｡ｮｧ＠ mengasumsikan  l 

;tem, dan Mlsi  Operasi 

ditian  ini  adalah  citra  Landsat  'eta  RBI  skala 1:50.000 dan  Peta 

I  tahun 2007. Adapun  alat  yang 

yang  dilengkapi  dengan  software 

an  analisis,  yaitu  kombinasi  kanal,  asifikasi  (Gambar 2). 

.  m  tanpa spesifikasi tertentu , mumu   , 

mengembangkan konsep optimun:  masi  yang  disajikan  pada  citra 

､｡ｲｾ＠

Rumus  OIP  adalah  sebaga1 

1kan. 

(1) ... ... .. .. .... ... ...

. adalah nilai absolu t dari  koefisien

la1k; f) 

dievaluasi. 

.  .  d  mnya memiliki 

)IP terungg1 pa  a umu  . 

nilai  standar deviasi  berarti 

ｳ･ｭ｡ｾｮ＠

la citra, sedangkan semakin kecil nIlal  duplikasi  informasi  dari  kedua  kanal 

Data Sekunder :  • Peta  RBI 1 :50000  . Peta  RTRW  • Peta Penggunaanl 

Penutupan Lahan 2007 

Maximum Likelihood 

PEMANFAATAN  KANAl TAMPAK MATA  DAN  INFRAMERAH  DEKAT UNTUK KLASIFIKASI  PENUTUPAN  lAHAN  • •  

Region OfInterest

(ROI) adalah  bagian  dari ｣ｩｴｲｾ＠ yang  dipilih  sebagai 

representasi  tipe  penutupan  lahan  yang  diwakllinya.  Oleh  karena  itu ,  perlu  dilakukan  verifikasi  lapang  dan  didukung  dengan  data  sekunder  untuk  mendapatkan kebenaran  tipe penutupan lahannya.  Pemilihan ROJ pada citra  hendaknya  dipilih  yang  homogen  supaya  diperoleh  hasil  klasifikasi  dengan  kualitas yang tinggi. 

Klasifikasi  dengan  pendekatan 

parallelepiped

adalah  klasifikasi  yang  didasarkan  pad a  nilai  standar  deviasi  dari  nilai  rata­rata  untuk  setiap  kelas  (Region 0/Interest/RaJ) pada  setiap  kanalnya  Gensen 1996). Rumus  untuk  penentuan batas kelas adalah: 

flck ­ Std_ck ::; BV_{jjk::;  flck} + Std_{ck ... .... ... ... ... ...} (2)  

D i mana:  fl adalah  nilai  rata­rata, c adalah  jumlah  kelas  penutupan  lahan,  k adalah  jumlahkanal, BVadalah nilai piksel, S adalah standar deviasi,  dan  ij  adalah  kolom  dan  baris dari lokasi  piksel  yang dievaluasi . . 

Dalam  k1asifikasi  ini  untuk semua  kanal  nilai  piksel  dikelaskan  dalam  suatu kelas tertentu 

jika 

nilai piksel tersebut berada dalam kisaran antara batas  bawah dan atas dari ROJ kelas tersebut. Jika nilai piksel tidak memenuhi syarat  terse but,  nilai  piksel  itu  termasuk dalam  kelas unclassified Dalam  penelitian  ini,  penentuan batas  bawah  dan  atas  dibuat 5  model yaitu (1) fl ± 1*; (2)  fl ± 

2*; (3)  fl ± 3*;  (4) fl ± 4*  dan  (5)  fl ± 5*. 

Klasifikasi  dengan  pendekatan 

minimum distance

adalah ｫｬ｡ｳｩｦｩｫ｡ｾｩ＠

yang  didasarkan  pada  jarak  minimum  dari  nilai  rata­rata  pada  setiap  kelas  (Region a/Interest/RaJ) Gensen 1996). Jarak dihitung berdasarkan pada jarak  AucLidean, yaitu: 

D

a-

b

= 

ILf=l Cai

­

bJ2

... 

(3)  

Oi  mana:   adalah  jarak  nilai pikse! yang  dievaluasi  (a)  dengan  rata­rata  nilai  piksel  pada setiap kelas (Region O/Interest/ROJ), i adalah  kanal ke­i, dan  n adalah  jumlah  kanal . 

Klasifikasi dengan pendekatan 

maximum likelihood

adalah  k1asifikasi  \'ang  mengasumsikan  bahwa  nilai  statistik  untuk  setiap  kelas  pada  setiap  kanal  terdistribusi  secara  normal  dan  menghitung  nilai  probabilitas  suatu  piksel  untuk dikelompokkan pada kelas  tertentu  Gensen 1996). Rumus  dari  :·Jasifikasi maximum LLikeLihood adalah: 

lhapan peneli tian 

• •  PENGEMBANGAN SATE LIT  MIKRO LAPAN: sistem, subsistem, dan  Misi Operasi 

3.2N

Pc 

= 

{­O,5Iogc [det(Vc)]}  ­ [O,5(X_Mc)T Vc­I(X_Mc)]  ... (4) 

Se 

Di mana:  Pc  adalah  probabilitas  suatu  piksel (unknown pixel)  terhadap  kelas  c, 

0­255,

det(V _d I adalah  determinan  dari  matrik  covarian  V  ,  V  adalah  matriks _{c  c} 

yang  sa covarian  dari  kelas  c,  Me adalah  matriks  rata­rata dari  kelas  c,  X  adaJah 

kanal d  vektor  dari  piksel  yang  akan  diklasifikasi  (unknown  pixel),  T  adalah 

transpose matriks.  _{Tabel  1} 

3. HasH dan Pembahasan

3.1 Kombinasi Citra Landsat

Berdasarkan  pada analisis  faktor  indeks  optimum (OIF), diperoleh hasil  bahwa  nilai OIF tertinggi (23,66) dimiliki  oleh  kombinasi  ka,nal 432 (RGB) 

yang  disusul  dengan  kombinasi  kanal 421 (RGB)  dan 321  (RGB)  dengan  Berc  masing­masingnilai OIF 21 ,50 dan 10,14. Namun, nilai OIF antarakombinasi  memiliki

432 (RGB)  dengan 421  (RGB)  tidak  berbeda  jauh,  hal  inl  menunjukkan  tampilan  bahwa  kombinasi  kana I 432 (RGB)  dan 421 (RGB)  memberikan  tampilan  hampir sc  objek yang  mirip  dengan  tingkat  kekontrasan  tidak  berbeda  nyata  (Gambar  histrograr 

3).  berdekata 

[image:7.611.27.391.335.577.2]

demikian, 

Gambar 3  Tampilan  citra  landsat  (a) 321 (RGB),  (b) 432 (RGB)  dan (c 

421 (RGB) 

11, dan Misi Operasi 

·1 (X:Mc))  ... (4)  

(unknown pixel)  terhadap  kelas. c, 

·1  .  V  V  adalah  mamks 

.J{ covartan  c'  c  lah 

riks  rata­rata  dari  kelas  c, X ada  iflkasi  (unknown  pixel), T adalah 

.

,optlmum  (OIF)  diperoleh hasil ,  oleh kombinasi kanal 432 (RGB) 

(RGB)  dan  321  (RGB) 

､･ｾｧ｡ｾ＠

ｾ｡ｭｵｮＬ＠

nilai OIF antara kombtnasl  .  h  hal  ini  menunjukkan

reab  d  pu  ,  . 

i2l  (RGB)  memberikan  tampJlan  lsan  tidal<.  berbeda  nyata  (Gambar 

321  (RGB),  (b)  432  (RGB)  dan k 

PEMANFAATAN  KANAl TAMPAK  MATA  DAN  INFRAMERAH  DEKAT  UNTUK  KLASIFIKASI  PENUTUPAN  lAHAN  • •  

3.2 Nilai Statistik dari Citra Landsat KanaI1234

Secara statistik, kisaran nilai piksel untuk semua kanal adalah sarna, yaitu  0­255, tetapi nilai  rata­rata dan standar deviasinya yang berbeda antara kanal  yang  satu  dengan  kanal  lainnya  (Tabel 1). Histogram  dari  masing­masing  kanal disajikan  pada Gambar 4. 

Tabel  1 Nilai statistik citra landsat kanal  1234 

Karlal  Min  Mean  Std 

Kanall  0  255  71  11,92 

Kanal2  0  255  31  6,63 

Kanal3  0  255  26  8,92 

Kanal4  0  255  94  19,79 

Berdasarkan Tabel  1,  dapat dinyatakan  bahwa ｾｮｴ｡ｲ｡＠ kanal2 dan kanal3  memiliki  tingkat kekontrasan yang tidak jauh berbeda, sehingga memberikan  tampilan  yang  mirip.  Hal  ini  dapat  ditunjukkan  dari  nilai  rata­rata  yang  hampir sarna dan stan dar deviasi  yang keci\.  Penomena itu juga nampak pada  histrogram  (Gambar 4),  di  mana puncak histogram dari  kanal  2 dan 3  relatif  berdekatan  dan  sebagian  dari  histrogram  saling  tumpang  tindih.  Namun  demikian,  kanal  2  dan  3  memberikan  tingkat  kekontrasan  yang  nyata  bila  dikanalingkan  dengan  kanal  1  atau  pun  kanal  4.  Hal  ini  dapat  dilihat  dari  selisih  masing­masing nilai  rata­rata dan standar deviasi antara kanal  2 atau  3  dengan kanal  1 atau 4,  yang relatif lebih  tinggi. 

Untuk kanal  1 dan  4,  walaupun sebagian  histogramnya saling tumpang  tindih,  tetapi tidak berpengaruh nyata terhadap tingkat kekontrasan tampilan  citra,  karena  tingkat kekontrasan lebih dominan dipengaruhi  oleh perbedaan  nilai  rata­rata  dan  standar  deviasi  kedua  kanal  tersebut.  Oleh  karena  itu,  untuk  memperoleh  tampilan  yang  kontras  pada  citra  Landsat  dapat  dipilih  kombinasi  kanal  421  (RGB)  atau  432  (RGB).  Hal  ini  sesuai  dengan  hasil  analisis  OIP (subbab  3.1.) 

[image:8.611.20.344.148.239.2]

• •  PENGEMBANGAN SATE LIT  MIKRO LAPAN: sistem, subsistem, dan Misi Operasi 

1800000  F 

1600000 

­ band  1  ­ band  2 

1400000 

e  _{­ band3  ­ band4}

1200000 k  u  1000000 

\ 

'"' 

-e  800000 

.11

n  ₆₀₀₀₀₀  5  400000  

\  ­ " " .  

200000 

-ｾ＠

'\..

0 

ｍｾｭｍｾｍｾｭｍｾｍｾｭｍｾｍｾｭｍ＠

ｍｎｾｾｾｯｯｭｍｎｾｾｾｯｯｭｍｎｍｾ＠

M M M M M M M N N N N

Nilai  Piksel 

Gambar 4  Histogram nilai  piksel citra  landat kanal )234 

3.3 Nilai Statistik dati 

Region ofInterest

(ROJ) 

Tipe  penutupan  di  daerah  penelitian  dapat  dibedakan  menjadi 11 

kelas, yaitu hutan rawa  (Htrw), hutan (Ht), hutan akasia  (Htaks), perkebunan  kelapa sawit yang berbeda  umur (Pswtl, Pswt2, Pswt3), permukiman  (Pkm) ,  pertanian  lahan  kering  (Pertkrg),  semak  belukar  (5mb),  tanah  terbuka  (Tterbk), dan  tubuh air  (Tair).  Dengan demikian, penelitian  ini  memiliki 11 

Region OfInterest (ROI)  dengan  nilai  statistik seperti  disajikan  pada Tabel 2 

dan histogram pada Gambar 

5. 

Dalam  hal  ini  puncak  dari  histogram  seperti  terlihat  pada  Gambar  5  menunjukkan  tipe  penutupan  lahan  yang  dominan  0ensen 1996). Pad2  Gambar  5  dapat juga diamati  bahwa histogram dari beberapa ROI  memilik ;  lebih dari satu puncak histogram (misalnya ROI_htaks) dan kisaran nilai piksd  yang  terlalu  lebar  (misalnya  ROCpkm)  sehingga  terjadi  saling  berpotonga,  antar ROI.  Hal  ini  yang memengaruhi  kualitas  hasH  klasifikasi 

Tabel2 . Nilai statistik dari region ofinterest pada setiap kanal 

[image:9.611.52.361.59.269.2]

274  1089 

70  64 

PEMANFAATAN  KANAL TAMPAK MATA  DAN  INFRAMERAH  DEKAT  UNTUK KLASIFIKASI  PENUTUPAN  LAHAN  • •  

tem, dan Misi Operasi 

_  band 1  _  band 2 

_  band 3  _  band 4 

el 

citra landat kanal1234 

Interest

(ROI)

ditian  dapat  dibedakan  menjadi  11  t)  hutan akasia (Htaks), perkebunan 

ｐｾｷｴＲＬ＠

Pswt3), permukiman  (Pkm), 

1ak  belukar  (5mb), 

Ｎｴｾｮ｡ｨ＠

ｴｾＺ｢ｾｫｾ＠

demikian,  penelitian 101 memlhki  1 ') 

.  d'  "k  pada Tabel  -:adstik sepern  IsaJl  an 

.  I'h  t  pada  Gambar  )aram  sepertl  ter I  a 

d 

t:>  •  996)  Pa  .;

an  domlOan  Oensen  1  . .  .. 

y  g  b  ROI memlhk 

istogram dari  be  erapa  . . '   ROI htaks) dan kisaran nllal plks  . 

1ya  ­ b  _n

1) sehingga  terjadi  salin.g  erpotonga kualitas hasil klasifikasl 

71 62 

III 78

121  97

78  75 

9-81  70

91

71  70 

T abel 2.  Nilai sratisrik dari region ofinterest pada setiap kanal  (lanjuran) 

-._

...

ｰｾ＠

5rdev  2,35  1,65  6,17  1,47  3,33  2,04  10,35  7,07  3,86  6,02  4,21 

Min  24  25  29  26  26  27  32  31  28  37  20 

2  Maks  29  30  44  29  37  34  69  49  38  64  56 

Raraan  26  27  39  27  31  30  45  38  32  48  28 

5rdev  1,07  0,8  3,92  0,63  2,5  1,65  6,99  3,68  2,76  4,06  5,19 

Min  18  18  26  18  19  23  27  24  20  37  15 

3  Maks  24  22  56  24  31  32  104  57  30  82  66 

Raraan  20  20  46  21  25  27  50  38  24  59  29 

5rdev  1,15  0,72  7,74  0,73  2,8  1,63  11,45  8,12  2,58  6,75  8,53 

Min  73  78  55  94  93  68  54  71  102  66  14 

4  Maks  90  102  77  lI8  124  104  122  134  130  101  91 

Raraan  81  90  68  105  J07  84  .87  92  116  81  .  20 

Srdev  2,92  3,77  3,18  4,82  5,27  8,6  11,52  15,61  4,35  5,3  8,26 

Histogram dari ROI pada kanal  1,  2,  dan 3  memiliki  pola  hampir sama  (Gambar 4),  di  mana puncak histogram menggerombol  pada  tiga  kelompok,  yairu (1) kelompok yang didominasi oleh  puncak histrogram  Htaks, Tterbk,  Pkm,  Perrkrg;  (2)  kelompok yang didominasi  oleh puncak histogram  Pswt2,  Pswt3,  5mb,  Pertkrg,  dan  Tair;  dan  (3)  kelompok  yang  didominasi  oleh  puncak  histogram  Pswt1,  Ht,  Htrw,  5mb.  Penutupan  lahan  dalam  satu  kelompok relatiflebih sulit dipisahkan, tetapi lebih mudah dipisahkan dengan  kelompok yang lain . 

Fenomena yang berbeda nampak pada kanal4, di mana puncak histrogram  dari  tubuh  air  (Tair)  rerpisah  dengan  tegas  dengan  puncak histogram  yang  lain  (Gambar 4).  Hal ini  menunjukkan bahwa kelas  rubuh air  dapat  dengan  mudah dipisahkan  dari  kelas  penurupan lahan lainnya.  Kelompok histogram  Pkm, Trerbk,  Pswt3,  dan  Perrkrg relatif sulir  dipisahkan  karena  kisaran  nilai  pikselnya  saling overLap. Puncak  histogram  dari  Htaks,  Ht,  Pswtl,  5mb  terpisah  dengan  cukup  jelas,  sehingga  tipe  penurupan  lahan  tersebut  relarif  mudah  dibedakan.  Pswt2  sulit  dibedakan  dengan  Pswr3  dan  5mb,  karena  memiliki kisaran  nilai  piksel yang saling overlap.

I 

• •  PENGEMBANGAN  SATELIT  MIKRO  LAPAN:  Sistem, Subsistem, dan  Misi  Operasi 

vn

00 

'" 

on 9Zt

.a 

" 

zn 

ｾ＠ '"  _sn 

0  ｾｮ＠

'" 

n 

'" 

0, 

'" 

'<t  O. 

"lJ  S6 

ｾＬ＠ _{I:  ｾＶ}

'" 

.. 

06

N  10 

"lJ  00  _­.; 

.. 

98 

I: 

" 

_ｾ＠ "lJ  _ZS  ­.;

.. 

.. 

8t ｾ＠

10 

" 

'0.  Go 

... 

_{ｾ＠ 0}  17L 'a  OL ｾ＠

0  Z  0:  99 

'z

" 

E  Z9

0 

.. 

'" 

... 

S5

0: 

'" 

1>11  ₁₇₅ 

E  0 

N  t:  os

.. 

... 

'" 

_i:  917

1>11  ZI7 

0  <0  _SE 

Ｎｾ＠ N  17£  J:  ｾ＠ Of  '"  9Z 

j 

U 

0  _{1  ­ 8.}

'" 

0  0  0  0  0  0  (")  0  0  0  H 

0  0  0  0  Q  Q  0  (")  (") 

0  0  0  0  0  (")

(J>  00 

" 

'D

'" 

... 

'"  '" 

... 

0 

'" 

0 

'"  0 

'"  0 

'" 

'"  ,,'  r l   ,.. 

" 

­" 

"  " 

c::  ....  ｾ＠

" 

­" 

" 

" 

c:: 

_ In 

_w, 

n")  ₆₆

! 

.a 

E  ;  S6

a.  U)  ｾ＠ .6  - LS fS  6l ｾ＠ SL  f')  1:1.  "lJ  _£9 

6  'ii _ｾ＠ I: 

.. 

_£9  'ii 

ｾ＠

­a  10  _'0. 

ｾ＠ "lJ 

.. 

6S ₅₅  ｾ＠

z 

.. 

z

Go  IS  0  L17 0:  _g­ E

.. 

6£  ...  1>11  Sf  0  If t:  i:  Ll 9  EZ 

0  0  0  0  0  0  (")  0  0 

(") 

'" 

(") 

'"  0 

'"  0 

'"  (")  0  0  (")  0  0  (")  0  0 

ｾ＠

'" 

'" 

N  N  r l   r l  

ｾ＠ 0  0  0  0  0  (")  (") 

r--'" r--'"

<t _'"  N

...

.... ｾ＠

"

-"

" "

c:: ｾ＠ ­ .... ｾ＠

.,

-"

"

.,

c:: ｾ＠

c;  c: ｾ＠

'"

a...  Ｎｾ＠ '-' v V)  -0

'"

a...

'"

.... _en 

V

...

V .... .S 

... 

a  c: a  '5b V

... 

'C -0

'" 

S 

'"

...

OJ)

a .... Ｍｾ＠

:r:

If"\

...

..0 

'"

S  l?

'"

3.4

ｾ＠

p; untuk 

5*.  Ak 

6.  OJ 1234, < daripaa  yang di  1998) .  yang  ke  tinggi jl rendah  Tabe!3  ｆＧｾｲ｡ｬｬ･ｴ｟｢＠

Parallel  bI_­

Pad a (  kana!  yang  batas  bawa  ini yang ak 

vn  on  9ll III sn  vn  S6  176 06  9S  1:S  SL  4 "  66 

Ll _{­ 56}

E

,6 

_  LS 

ti

...

ｾ＠ <'l _{Srd*4  32,7  Std*4  35,7} 

ｾ＠ <'l Std*5  17,4  Std*5  21,3 

.0.  ..D 

E

Z

\...?

Pada Gambar 6 terlihat bahwa nilai akurasi tertinggi dari setiap kombinasi  kanal  yang  digunakan  untuk klasifikasi  adalah  model  2,  yaitu  mempunyai  batas  bawah  dan  atas yang didasarkan  pada f.l ± 2*.  Oleh karenanya  model 2  ini yang akan dibandingkan dengan  teknik klasifikasi yang lain . 

123  

n, dan Misi  Operasi  n  0,  0,  ti ｾ＠ .0. vI.

OL ｾ＠

99 

·z

1:9  S5  \75 OS  9\1 1:\7  SE  vE OE 9l II S,  \1T. 0  0  0 Q  0

,,'  '" 0 ....

0 

'"' c: '" 

" "'"

" "

EOT.

PEMANFAATAN KANAl TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN lAHAN • •

3.4 

Klasifikasi Terbimbing dengan Pendekatan

Parallelepiped

Pada  penelitian ini  dilakukan  5  model  penentuan  batas  bawah  dan  atas  untuk klasifikasi, yaitu (1) f.l ± 1*;  (2) f.I ± 2*;  (3) f.I ± 3*;(4) f.l ± 4*;  dan (5) f.I ±  5*.  Akurasi  klasifikasi  dari setiap  model,  disajikan pada Tabel 3  dan Gambar 

6. 

Untuk  akurasi  klasifikasi 

parallelepiped

dengan  menggunakan  kanal  1234, atau kanal 234 nilainya tidak berbeda jauh,  terapi nilai ini lebih  tinggi  daripada  kombinasi  kanal  124  ataupun  123.  Semakin  banyak  jumlah kanal  yang digunakanuntuk klasifikasi,  maka akurasinya semakin  tinggi  (Munibah 

­;;;   1998).  Selain  itu,  kombinasi  kanal  dengan  nilai  OIP  tinggi  (234  atau  124)  c: 

yang  kemudian  digunakan  untuk klasifikasi  ternyata  memiliki  akurasi  yang 

ｾ＠

a... tinggi  juga  dibandingkan  dengan  kombinasi  kanal  dengan  OIP  yang  lebih 

<'l Ｎｾ＠ rendah  (123).  It) Vl <'l -0

<'l T abel  3 Nilai akurasi hasil  klasifikasi 

parallelepiped

a... ｾ＠ Vl ｾ＠   ｾ＠   .5  c..-o  c:  0 ·So  It)

... 

.;:::  <'l  ­0  E  <'l

... 

on  0  ｾ＠ Ｎｾ＠

::c 

\f"\  Klasifikasi  ｾｲ＠ Koefisien

Parellelepiped Batas kelas = f1 

K appa 

denga n berbaga i  ± std  • n 

(%)

jumlah band

Std"l  26,3 

Std*2  28,5 

Parallel_b 123   Std*3  17,1 

Std*4  10,9 

Std*5  10,5 

Std"l  29,3 

Std*2  57,0 

ParalieLb 124   Std*3  47,6 

Kia  ifikasi  Parellelepiped de.ngan  betbagai  jumlah bam! Parallel  b234  Parallel_b 1234 

Barns  kelas 

=

f1 

• • PENGEMBANGAN SATELIT MIKRO LAPAN: Sistem, Subsistem, dan Misi Operasi

70.0 

P

e  60.0  50.0  40.0  s  30.0  e  n

20.0  10.0  0.0 

• Koefisien Kappa _{57.0  58.2}  58.0 

47.6  49.9  52.2 

35.7 

26.3 28.5  29.3  32.7  31.1  25.8 

17.4  Ll.j

p .l

10.9  10.5 

I I

35.7 

21.3' 

Gambar 6  Grafik nilai  akurasi  hasil  k1asifikasi parellelepiped

3.5.  Perbandingan Nilai Akurasi dari Ketiga Teknik 

Klasifikasi Terbimbing 

Pada Tabel4 dan  Gambar 7, tampak bahwa teknik k1asifikasi maximum

likelihood memiliki  akurasi  yang  paling  tinggi  dibandingkan  dengan  teknik  k1asifikasi  yang  lain.  Fenamena  ini  terjadi  pada semua kambinasi  kanal yang  digunakan  umuk k1asifikasi.  Hal  ini  dikarenakan  parameter yang digunakan 

untuk  penetapan  kelas  penutupan  lahan  dengan  teknik maximum likehood

lebih akurat dibandingkan dengan  teknik yang lain. 

Pada  Gambar  8  nampak  bahwa  hasil  klasifikasi  penutupan  lahan 

dengan  teknik maximum likelihood lebih  sesuai  dengan  pala  yang  ada  pada 

citra  aslinya  dibandingkan  dengan  kedua  teknik  yang  lain.  Hasil  klasifikasi 

penutupan  lahan  dengan  teknik parallelepiped masih  dijumpai  piksel  yang 

tidak terklasifikasikan (unclassified) yang ditunjukkan dengan warna hitam. 

Tabel4   Nilai  akurasi  hasil  klasifikasi parallelepiped, minimum distance, dan 

maximum likelihood

Teknik Klasifikasi   Koeflsien 

Ka 

ParaleLb 123std*2  28,S 

ParaleLb 124std*2  57,0 

ParaleLb234std*2  58,2 

124 

Tabe14

ＮｾＺｊＮｾｾ＠

Parald 

Min eli!

Min  di!  Min ､ ｪｾ＠

Min 

･ｬｩｾ＠

MIDLbl 

Max 

bi 

ｍ｡ｸ ｾ ｢ＲＮ＠

Max  bI: 

90.(  80.( 

p 70.C 

e  60.0 

50.0 

5  40.0 

e  30.0 

n 20.0 

10.0 

[image:13.611.43.378.60.266.2]

0.0 

PEMANFAATAN KANAl TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN LAHAN • •

[image:14.611.13.340.61.519.2]

)sistem, dan Misi Operasi 

Tabel4   Nilai akurasi  hasil  klasifikasi parallelepiped, minimum distance, dan  maximum likelihood (lanjutan)

58.0  58.2 

49.9  52.2 

-

_35.7  35.7 

31.1  25.8 

L1.' 21.3 

7.4 

l - e-

t--ＱＷｒｉＱｾＺＮ＠ • ﾷＮｾﾷｉ ｾ･Ｎ｜｣ｩｬｬｊｴ ﾷｉ＼ｬｩｩｓｾ｝＠

Koenslen

Kappa .(%)

Paralel  b1234std"'2  58,0 

Min  dist  b 123  43,1 

MirLdisLb124  639 

Min  dist  b234  67,6 

Min disLb1234  69.3 

Max_b123  675 

Max..  b124  806 

Max  b234  80.2 

Max  b1234  85,1 

hasil  klasifikasi pareLLelepiped

90.0  80.0  p  70.0

si dari Ketiga Teknik

60.0 e 

r 50.0 

ak bahwa teknik klasifikasi maximum _40.0 

ｾ＠

tinggi  dibandingkan  dengan  teknik  s  _30.0

e  jadi  pada semua  kombinasi  kana!  yang  _n 20.0 

likarenakan  parameter yang digunakan  10.0 

hin  dengan  teknik maximum likehood 0.0 

mik yang lain.  

wa  hasil  klasifikasi  penutupan  lahan   ebih  sesuai  dengan  pola  yang  ada  pada   :edua  teknik  yang  lain.  Hasil  klasifikasl   dlelepiped masih  dijumpai 

ｰｩｫｳｾＱ＠

yan;  

ang ditunjukkan dengan warna hltam.   _Gambar 7 

si parallelepiped, minimum distance,

､ ｾ＠

85.1 

I:J Koefisien Kappa 80.6  !su...!

69.3 

r-67.6  67.5 

ｵｾＮ［ｊ＠

ｾ＠

....

- r­-

r-57.0  58.2  58 .0  !"" - _{I-- ｾ＠} ­

-.A..::l...1.

-

_I-- '­­- - - r­-

r-28.5 

­

-

_{I-- ｾ＠} - _I--

-

-

-- - I-- - I-- I-- , ­ - -

r­-' ­ - - _I--

-

- I-- I-- - -

I--f- -

-

- I-- I--

-

-

Ir--

ill

ｉＧｾ＠

f-Grafik  nilai  akurasihasil  klasifikasi parellelepiped minimum distance dan maximum likehood

[image:15.611.25.384.70.307.2]

• • pENGEMBANGAN SATElIT MIKRO LAPAN : Sistem, Subsistem, dan Misi Operasl

Gambar 8   Hasil  klasifikasi  yang terbaik (a) parallelepiped kanal  234 dengan  batas kelas iJ ± 2*,  (b) minimum distance dengan kanal  1234 dan  (c) maximum likelihood dengan  kanal1234 

4.

Kesimpulan

1.   Karakteristik spektral citra Landsat pada kanal 2 dan kanal 3 relatif mirip  yang  ditunjukkan  dengan  nilai  rata­rata  yag  tidak  jauh  berbeda  dan  standar deviasi  yang kecil 

2.   T eknik  klasifikasi parallelepiped yang  merniliki  nilai  akurasi  tertinggi  adalah pada kombinasi kanal 234 dengan batas atas dan bawahnya adala.h 

iJ ± 2*. 

3.   Teknik  klasifikasi  minimum distance dan  maximum likelihood yang  memiliki  nilai  akurasi  tertinggi adalah kombinasi kanal  1234. 

4.   Teknik klasifikasi maximum likelihood memiliki nilai akurasi yang paling  tinggi  dibandingkan dengan  teknik­teknik yang lain. 

5. Saran

Disarankan  untuk  melakukan  penelitian  lanjutan  dengan  mema b ,  teknik  ldasifikasi  yang  lain  dan  diaplikasikan  untuk  disiplin  ilmu  ya ll_  berbeda, seperti  untuk persebaran sedimentasi 

6. Daftar

JensenJ.R.19  2nd. 

Upp

Modelina  E.  (  Hutan da Prosiding  MunibahK.19 

A Case Stu Undang­UndaI  Berkefanju, Wijayanro H, e, Dalam  U

I, dan Misi Operasi 

parallelepiped

kanal 234 dengan 

/ distance

dengan kanal  1234 dan 

kana11234 

a kanal2 dan kanal3 relatif mirip   :ata  yag  tidak  jauh  berbeda  dan  

.  memiliki  nilai  akurasi  tertinggi   :an batas atas dan bawahnya adalah  

e

dan 

maximum likelihood

yang  

1 kornbinasi kanal  1234.  

{ rnerniliki  nilai akurasi yang palinf  

ｾｫｮｩｫ＠ yang lain.  

elitian  lanjutan  dengan  mema b   i<asikan  untuk  disiplin  ilrnu  yan   :ntasi  

PEMANFAATAN KANAL TAMPAK MATA DAN INFRAMERAH DEKAT UNTUK KLASIFIKASI PENUTUPAN LAHAN • •

6. Daftar Pustaka

Jensen J .R.  1996. 

Introductory Digital Processing A Remote Sensing Perspective.

2nd.  Upper Saddle River.  New Jersey. 

Modelina  E.  dan  As­syakur  A.R.  2012. 

Karakteristik Pola Spektral Vegetasi

Hutan dan Tanaman Industri Berdasarkan Data Penginderaan jauh.

Prosiding Pertemuan Ilmiah Tahunan MAPIN XlX.  Makasar. 

Munibah K. 1998. 

Mang-Iove Change Detection andEffict to Soil Characteristics,

A Case Study ofSubang.

West Java. 

Undang­Undang  Rl  No.  41.  2009. 

Perlindungan Lahan Pertanian

Berkelanjutan.

Jakarta. 

Wijayanto H , 

eta!'

2010. Pembuatan Roadmap Dan Penelitian Pendahuluan  Dalam  Usaha  Penopang  Peluncuran  Satelit  LAPAN­IPB  Untuk  Ketahanan Pangan Nasional; Buku Ilmiah Pusat Elektronika Dirgantara  LAPAN.  pp .189­202.