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
/Ick 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 sebagairepresentasi 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 Stdck ::; BVjjk::; flck + Stdck ... .... ... ... ... ... (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 menunjukkanreab 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 kanal1234Interest
(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
'"
..
06N 10
"lJ 00 .;
..
98I:
"
セ@ "lJ ZS .;..
..
8t セ@10
"
'0. Go...
セ@ 0 17L 'a OL セ@0 Z 0: 99
'z
"
E Z90
..
'"
...
S50:
'"
1>11 175E 0
N t: os
..
...'"
i: 9171>11 ZI7
0 <0 SE
Nセ@ N 17£ J: セ@ Of '" 9Z
j
U0 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
!
.aE ; 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
..
zGo IS 0 L17 0: g E
..
6£ ... 1>11 Sf 0 If t: i: Ll 9 EZ0 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@ KoefisienParellelepiped 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 35.731.1 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 30.0e 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--
illiGセ@
f-Grafik nilai akurasihasil klasifikasi parellelepiped minimum distance dan maximum likehood
• • 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.19A Case Stu UndangUndaI Berkefanju, Wijayanro H, e, Dalam U
I, dan Misi Operasi
parallelepiped
kanal 234 dengan/ distance
dengan kanal 1234 dankana11234
a kanal2 dan kanal3 relatif mirip :ata yag tidak jauh berbeda dan
. memiliki nilai akurasi tertinggi :an batas atas dan bawahnya adalah
e
danmaximum likelihood
yang1 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.