1
BAB I
PENDAHULUAN
1.
1.1 Latar Belakang
Kajian mengenai metode non-parametrik Classification Tree Analysis (CTA) menggunakan teknik data mining untuk aplikasi penginderaan jauh masih belum banyak dilakukan, sehingga diperlukan penelitian mengenai kemampuan CTA dalam menangani data yang cukup banyak, dengan memanfaatkan kelebihan CTA untuk aplikasi penginderaan jauh. Kelebihan CTA untuk aplikasi penginderaan jauh, antara lain adalah CTA merupakan metode non-parametrik, sederhana, mampu menangani hubungan non-linear dan noise antara fitur-fitur masukan dan label kelas, dan efisiensi komputasi.
Penggunaan CTA ini dilakukan dengan cara memberikan masukan dari beberapa saluran citra Landsat-8 OLI, transformasi, pemfilteran serta data tambahan, seperti: ketinggian dan kemiringan lereng. Citra Landsat-8 merupakan citra satelit dengan cakupan scene yang luas dan memiliki resolusi spasial 30 meter yang dapat digunakan untuk kajian dengan skala regional/kabupaten, jumlah saluran yang cukup banyak, data yang dimiliki merupakan data yang cukup baru sehingga memiliki informasi terkini, dan dapat diakses dengan mudah. Saluran-saluran tersebut dapat dimanfaatkan untuk diolah dengan berbagai metode transformasi, sehingga saluran-saluran spektral dan berbagai transformasi tersebut diharapkan dapat meningkatkan kemampuan dalam klasifikasi. Kemampuan citra Landsat-8 tersebut akan sangat membantu dalam pemetaan penggunaan lahan di Indonesia yang memiliki wilayah yang luas, sehingga informasi penggunaan lahan tersebut dapat dimanfaatkan untuk pembangunan Indonesia.
Informasi penggunaan lahan diperlukan oleh pemerintah, swasta, maupun masyarakat. Informasi ini dapat digunakan untuk mengetahui penggunaan lahan pada masa lalu, saat ini, prediksi di masa depan, maupun untuk perencanaan dan kebijakan. Dalam pembangunan yang berkelanjutan, informasi tersebut sangat
2 penting, seperti pernyataan Anderson et al. (1976) berikut, yang masih relevan hingga saat ini.
“Sebuah bangsa modern, sebagai manajemen modern, harus memiliki informasi yang memadai tentang berbagai aspek yang saling terkait pada berbagai kegiatan yang kompleks untuk membuat keputusan. Penggunaan lahan hanya salah satu aspek tersebut, namun pengetahuan tentang penggunaan lahan dan penutup lahan telah menjadi semakin penting sebagai perencanaan suatu bangsa untuk mengatasi masalah ketidakteraturan, pembangunan yang tidak terkendali, memburuknya kualitas lingkungan, hilangnya lahan pertanian utama, kerusakan lahan basah yang penting, dan hilangnya habitat ikan dan satwa liar. Data penggunaan lahan dibutuhkan dalam analisis proses dan permasalahan lingkungan, yang harus dipahami jika kondisi hidup dan standar yang ada ingin ditingkatkan atau dipertahankan pada level saat ini”.
Dalam hal informasi penggunaan lahan, menurut Peraturan Presiden Nomor 85 Tahun 2007 tentang Jaringan Data Spasial Nasional (JDSN), yang bertanggung jawab adalah bidang pertanahan. Di Indonesia lembaga yang berkompeten dalam pertanahan adalah Kementerian Agraria dan Tata Ruang/Badan Pertanahan Nasional (BPN), sehingga dalam penelitian ini skema klasifikasi penggunaan lahan yang digunakan akan mengacu pada skema klasifikasi penggunaan lahan BPN. Skema klasifikasi tersebut akan dimodifikasi agar sesuai dengan informasi yang dapat diperoleh menggunakan metode penginderaan jauh. Modifikasi diperlukan karena skema klasifikasi BPN lebih dipengaruhi oleh metode survei terestris untuk memperoleh informasi.
Teknologi penginderaan jauh saat ini telah berkembang cukup pesat. Teknologi ini pada awalnya dipergunakan untuk keperluan militer, namun setelah berakhirnya perang dingin akses untuk keperluan sipil mulai dibuka, dari teknologi foto udara sampai dengan teknologi satelit. Saat ini citra satelit yang diproduksi cukup beragam, dari resolusi spasial, spektral, maupun temporal. Dengan adanya keberagaman citra satelit, pengguna dapat memilih citra sesuai dengan kebutuhannya. Salah satu satelit tersebut adalah satelit Landsat.
Satelit Landsat merupakan satelit milik Amerika Serikat yang pertama kali diluncurkan adalah Landsat-1, pada tanggal 23 Juli 1972. Landsat yang telah berkembang hingga terkini adalah Landsat-8, diluncurkan pada tanggal 11
3 Februari 2013, dengan sensor Operational Land Imager (OLI) dan Thermal
Infrared Sensor (TIRS). Sensor OLI terdiri atas 9 (sembilan) saluran dengan
resolusi spasial 30 meter untuk citra multispektral dan pankromatik dengan resolusi spasial 15 meter, sedangkan TIRS terdiri atas 2 (dua) saluran dengan resolusi spasial 100 meter untuk citra inframerah termal. Landsat-8 memiliki ukuran scene 170 km x 185 km dengan perencanaan beroperasi minimal selama lima tahun.
Dengan adanya penemuan teknologi satelit, metode untuk memperoleh informasi detil permukaan lahan termasuk penggunaan dan penutup lahan menjadi lebih efisien dalam hal biaya dan waktu pemrosesannya serta penerapan prosedur yang sistematik dibandingkan pengukuran langsung di lapangan yang dilakukan sebelumnya (Wheatley et al., 2000 dalam Indrawati, 2009). Perkembangan teknologi penginderaan jauh ini diiringi dengan perkembangan pengolahan citra digital. Semakin meningkatnya kemampuan komputer dalam mengolah proses yang cukup besar, sangat membantu dalam pengembangan berbagai teknik dan analisis citra digital. Pengolahan citra digital ini salah satunya adalah dapat dimanfaatkan untuk klasifikasi.
Klasifikasi multispektral pada umumnya menghasilkan peta penutup lahan. Penutup lahan dapat diinterpretasi menggunakan citra penginderaan jauh. Dari data dan informasi tersebut dapat diturunkan menjadi informasi-informasi lain, seperti penggunaan lahan. Agar dapat digunakan untuk memperoleh informasi penggunaan lahan, diperlukan tambahan data pendukung lain. Dalam algoritma klasifikasi multispektral pada umumnya dibagi menjadi dua, yaitu algoritma parametrik dan algoritma non-parametrik.
Algoritma parametrik mengasumsikan bahwa kelas terdistribusi normal dan memerlukan perkiraan distribusi parameter, seperti mean vector dan
covariance matrix dalam melakukan klasifikasi. Algoritma parametrik yang
umumnya digunakan dalam melakukan klasifikasi multispektral adalah maximum
likelihood dan minimum distance. Algoritma non-parametrik menggunakan
asumsi distribusi bebas, menjadi keunggulannya yang akan lebih baik digunakan pada distribusi kelas dengan variabilitas yang lebar. Terdapat beberapa algoritma
4 non-parametrik, antara lain adalah jaringan syaraf tiruan (JST), pohon keputusan, logika fuzzy, dan support vector machine (SVM).
Data-data penginderaan jauh dan Sistem Informasi Geografis (SIG) saat ini telah banyak dijumpai. Sehingga diperlukan suatu metode yang dapat memanfaatkan data-data tersebut untuk memperoleh informasi baru. Teknik data
mining (Knowledge Discovery from Data/KDD) banyak digunakan dalam
mengolah data-data yang cukup banyak untuk memperoleh informasi baru yang bermanfaat. Salah satu metode dalam KDD untuk mengekstraksi informasi adalah menggunakan metode machine learning.
CTA merupakan algoritma machine learning yang dapat digunakan untuk mengklasifikasi data penginderaan jauh dan data pendukungnya. Meskipun kadang-kadang disebut sebagai decision tree (pohon keputusan), namun lebih cenderung sebagai jenis pohon keputusan yang mengarah ke keputusan kategoris. Suatu classification tree (pohon klasifikasi) terdiri atas “cabang-cabang” yang mewakili ‘atribut’, sedangkan “daun” mewakili ‘keputusan’. Proses pengambilan keputusan dimulai pada “batang” dan mengikuti “cabang” sampai mencapai “daun” (Clark Labs, 2008). Dalam Wu dan Kumar (2009) algoritma C4.5 dan CART termasuk sepuluh algoritma teratas yang paling berpengaruh dan banyak digunakan dalam data mining, dengan algoritma C4.5 urutan pertama dan algoritma CART urutan kesepuluh. Hal ini diungkapkan dalam komunitas data
mining pada konferensi Institute of Electrical and Electronics Engineers (IEEE)
International Conference in Data Mining (ICDM) di tahun 2006. Dimana dua algoritma tersebut termasuk dalam algoritma CTA, yaitu gain ratio dan gini index.
1.2 Perumusan Masalah
Informasi penggunaan lahan merupakan hal yang sangat penting, informasi tersebut dapat digunakan untuk perencanaan, pengelolaan dan pemantauan perubahan lingkungan, sehingga sumber daya alam yang ada dapat dimanfaatkan secara optimal dan berkelanjutan. Penginderaan jauh dapat digunakan untuk mengekstraksi informasi penutup dan penggunaan lahan, selain
5 menggunakan survei terestris. Dengan menggunakan teknologi penginderaan jauh untuk memperoleh informasi penutup dan penggunaan lahan, maka penggunaan sumber daya manusia, waktu, dan biaya dapat lebih ditekan.
Skema klasifikasi penggunaan lahan dalam penelitian ini akan mengacu skema klasifikasi penggunaan tanah dari Badan Pertanahan Nasional Republik Indonesia (BPN-RI) Tahun 2012. Dalam skema klasifikasi penggunaan lahan penelitian ini diperlukan modifikasi dengan menggunakan kelas-kelas yang berbasis penutup lahan. Hal ini dikarenakan pada sistem klasifikasi BPN-RI dipengaruhi oleh metode terestris sehingga tidak semua informasi penggunaan lahan dapat diperoleh menggunakan metode penginderaan jauh. Dalam penelitian ini akan menggunakan dua level skema klasifikasi, yaitu Level I terdiri atas 5 (lima) kelas berbasis penutup lahan dimodifikasi dari skema klasifikasi BPN-RI skala 1:100.000, dan Level II terdiri atas 8 (delapan) kelas berbasis penutup lahan dimodifikasi dari skema klasifikasi BPN-RI skala 1:50.000 yang masih dapat diinterpretasi dari citra Landsat-8 OLI.
Saat ini terdapat berbagai macam data penginderaan jauh maupun data Sistem Informasi Geografis (SIG) dan semakin berjalannya waktu data-data tersebut akan semakin berkembang. Data-data tersebut dapat dimanfaatkan untuk memperoleh informasi penggunaan lahan, sedangkan kemampuan manusia untuk menganalisis data dalam jumlah banyak terbatas, maka diperlukan suatu metode yang dapat membantu dalam melakukan analisis. Hal ini dapat dilakukan dengan menggunakan teknik data mining, melalui masukan data yang cukup banyak, kemudian “ditambang” untuk memperoleh informasi baru yang bermanfaat.
Machine learning merupakan salah satu metode dalam data mining atau
KDD untuk mengekstraksi informasi. CTA merupakan metode machine learning yang dapat digunakan dengan beberapa kelebihannya untuk melakukan klasifikasi penggunaan lahan. Metode non-parametrik CTA memiliki beberapa parameter, antara lain aturan pemisah (splitting rules): ratio, entropy, dan gini, serta parameter pemangkas (prunning): auto-prunning. Dari parameter-parameter CTA tersebut belum diketahui kombinasi parameter paling tepat yang akan memberikan tingkat akurasi terbaik dalam mengekstraksi informasi penggunaan lahan.
6 Permasalahan penelitian dapat dirumuskan sebagai berikut:
1. Semakin banyaknya data seiring dengan berjalannya waktu diperlukan metode untuk membantu menganalisis data-data tersebut menjadi informasi baru yang bermanfaat, dalam hal ini informasi penggunaan lahan. Menggunakan teknik
data mining atau KDD dalam mengekstraksi informasi penggunaan lahan dari
data-data yang ada, dengan cara memanfaatkan CTA sebagai metode machine
learning pada KDD. Pemilihan aturan pemisah dan pemangkas metode CTA,
kombinasi parameter-parameter data masukan dari citra Landsat-8 OLI serta data non-spektral, dan penerapannya pada dua skema klasifikasi penggunaan lahan dari modifikasi skema BPN berbasis penutup lahan yang berbeda tingkat kerinciannya, memerlukan pengujian terkait dengan tingkat akurasi hasil klasifikasi penggunaan lahan yang dihasilkan.
2. Pemanfaatan data citra penginderaan jauh dan pendukungnya menggunakan metode non-parametrik CTA dengan teknik data mining untuk klasifikasi penggunaan lahan berbasis penutup lahan dengan dua level klasifikasi perlu dilakukan penelitian untuk mengetahui apakah memenuhi kriteria akurasi yang disyaratkan dalam klasifikasi penggunaan lahan.
1.3 Tujuan Penelitian
1. Melakukan simulasi dari beberapa kombinasi parameter data masukan, parameter CTA, dan parameter skema klasifikasi untuk mengetahui tingkat akurasi hasil klasifikasi penggunaan lahan menggunakan metode CTA dengan teknik data mining memanfaatkan citra Landsat-8 OLI. Serta memperoleh pohon keputusan dari hasil KDD.
2. Menganalisis akurasi metode non-parametrik CTA dengan teknik data mining untuk klasifikasi penggunaan lahan menggunakan citra Landsat-8 OLI serta menerapkan hasil dari KDD pada daerah lain yang memiliki karakteristik mirip.
7 1.4 Hasil yang Diharapkan
1. Hasil dari simulasi beberapa kombinasi parameter-parameter klasifikasi dan akurasi yang diperoleh, serta pohon keputusan hasil KDD dengan akurasi terbaik.
2. Hasil analisis deskriptif kemampuan metode non-parametrik CTA dengan teknik data mining untuk klasifikasi penggunaan lahan menggunakan citra Landsat-8 OLI serta peta penggunaan lahan setara dengan skala 1:100.000, dan hasil penerapannya pada daerah lain yang memiliki karakteristik mirip.
1.5 Manfaat Penelitian
1. Dapat memanfaatkan data penginderaan jauh dan SIG yang saat ini cukup banyak dan beragam, untuk menjadi informasi baru yang bermanfaat, dalam hal ini penggunaan lahan.
2. Manfaat akademis sebagai simulasi dengan semakin berlimpahnya data, bagaimana data-data yang banyak tersebut dapat dianalisis secara otomatis oleh machine learning.
3. Diharapkan dapat bermanfaat untuk pengembangan ilmu pengolahan citra digital, terutama untuk klasifikasi penggunaan lahan.
4. Dapat mengetahui kelayakan dari metode non-parametrik Classification Tree
Analysis (CTA) untuk dijadikan alternatif dalam klasifikasi penggunaan lahan
berbasis penutup lahan dengan teknik data mining menggunakan citra Landsat-8 OLI.
1.6 Keaslian Penelitian
Keaslian penelitian ini adalah melakukan simulasi beberapa kombinasi parameter CTA untuk klasifikasi penggunaan lahan berbasis penutup lahan yang mengacu dari skema klasifikasi penggunaan tanah Badan Pertanahan Nasional Republik Indonesia (BPN-RI) yang dimodifikasi sesuai dengan skema klasifikasi penggunaan lahan penelitian, serta penggunaan citra Landsat-8 yang relatif belum lama diluncurkan, yaitu pada 11 Februari 2013. Pemanfaatan data dari citra
8 penginderaan jauh dalam hal ini Landsat-8 dan data hasil pengolahannya seperti transformasi citra dan pemfilteran, beserta data tambahannya berupa data non-spektral, yaitu data ketinggian serta data hasil pengolahannya seperti kemiringan lereng, juga bagaimana perbandingan kemampuannya dalam menangani dua kelas yang berbeda. Terdapat 5 (lima) penelitian yang telah dilakukan berkaitan dengan klasifikasi penggunaan lahan dan penggunaan pohon keputusan, penelitian-penelitian tersebut menjadi referensi dalam penelitian-penelitian ini.
Li et al. (2000) penelitian dengan judul “Land Use Classification of
Remote Sensing Image with GIS Data Based on Spatial Data Mining Techniques”.
Penelitian ini menggunakan teknik data mining untuk menemukan pengetahuan dari database GIS dan data citra penginderaan jauh. Melakukan pendekatan untuk menggabungkan pembelajaran induktif dengan metode klasifikasi citra konvensional, dengan memilih probabilitas kelas menggunakan klasifikasi Bayes sebagai atribut pembelajaran. Percobaan klasifikasi penggunaan lahan dilakukan di daerah Beijing menggunakan citra SPOT dan data GIS, dengan algoritma pembelajaran pohon keputusan C5.0. Hasil yang diperoleh adalah perbandingan hasil klasifikasi yang hanya menggunakan klasifikasi Bayes dengan yang menggabungkannya dengan pembelajaran induktif C5.0, akurasi meningkat 11 persen serta keakuratan beberapa kelas meningkat 30 persen.
Zambon et al. (2006) dengan judul penelitian “Effect of Alternate Splitting
Rules on Image Processing Using Classification Tree Analysis”. Penelitian ini
menggunakan Classification Tree Analysis (CTA) untuk diterapkan pada data penginderaan jauh dari tiga citra yang berbeda, yaitu: Ikonos, Landsat, dan PROBE-1. Dalam penelitian membandingkan antara empat aturan pemisah (splitting rules) dalam CTA untuk klasifikasi, yaitu Gini, Entropy, Class Prob., dan Twoing. Hasilnya adalah perbedaan akurasi keseluruhan (overall accuracy) dalam tipe data yang bervariasi tersebut kurang dari enam persen (6%). Dalam penelitian tersebut aturan pemisah yang memiliki tingkat akurasi yang lebih baik adalah Gini dan Class Probability.
Samudra (2007) pada penelitian dengan judul “Kajian Kemampuan Metode Jaringan Syaraf Tiruan untuk Klasifikasi Penutup Lahan dengan
9 Menggunakan Citra Aster”, meneliti kemampuan metode jaringan syaraf tiruan (JST) untuk klasifikasi penutup lahan dengan menggunakan citra Aster 9 saluran, serta data ketinggian dan lereng sebagai data pendukung mengambil lokasi penelitian di Kota Salatiga dan sekitarnya. Penelitian tersebut melakukan simulasi parameter JST sehingga diperoleh JST yang terbaik, dari hasil JST tersebut dibandingkan dengan metode Maximum Likelihood, diperoleh kesimpulan bahwa metode Maximum Likelihood menghasilkan akurasi yang lebih baik dibandingkan dengan metode JST.
Indrawati (2009) dengan judul penelitian “Klasifikasi Pohon Keputusan untuk Kajian Perubahan Penggunaan Lahan Kota Semarang Menggunakan Citra Landsat TM/ETM+” dengan cara membandingkan akurasi peta hasil klasifikasi menggunakan metode pohon keputusan dengan klasifikasi Maximum Likelihood. Pada metode pohon keputusan menggunakan beberapa data masukan, antara lain adalah peta hasil transformasi Kauth and Thomas, NDVI, NDBI, Indeks Vegetasi, serta data spasial seperti: bentuk lahan, peta tanah, peta elevasi, dan peta lereng. Metode Maximum Likelihood menghasilkan peta penutup lahan yang selanjutnya dibantu peta bentuk lahan yang kemudian diturunkan menjadi peta penggunaan lahan. Pada penelitian ini menunjukkan bahwa akurasi yang diperoleh dengan metode pohon keputusan lebih tinggi dibandingkan dengan metode Maximum
Likelihood.
Supribadi (2014) penelitian dengan judul “Analisis Metode Support Vector Machine (SVM) untuk Klasifikasi Penggunaan Lahan Berbasis Penutup Lahan pada Citra ALOS AVNIR-2”. Menganalisis pengaruh parameter pada metode SVM serta kombinasi yang menghasilkan akurasi tertinggi. Menggunakan data spektral dari citra ALOS, serta data spasial berupa data kemiringan dan data filter tekstur mean. Pada penelitian tersebut simulasi gabungan data spektral, data kemiringan, dan data filter tekstur menghasilkan akurasi yang lebih tinggi, terutama dengan menggunakan filter tekstur mean dengan processing window 9x9.
Perbedaan penelitian ini dengan penelitian-penelitian sebelumnya adalah dalam penelitian ini mengkaji kemampuan metode non-parametrik Classification
10
Tree Analysis (CTA) dengan teknik data mining untuk klasifikasi penggunaan
lahan menggunakan citra Landsat-8 OLI dengan cara melakukan simulasi kombinasi parameter yang akan menghasilkan akurasi terbaik, serta waktu yang diperlukan dalam membentuk pohon keputusan dan melakukan klasifikasi serta total waktu yang diperlukan, sehingga efektivitas metode CTA dapat diketahui. Membandingkan parameter tiga aturan pemisah (splitting rules) dalam CTA, yaitu
Ratio, Entropy, dan Gini. Dan empat parameter pemangkas (pruning) pohon
keputusan, yaitu 0%, 1%, 5%, dan 10%. Dengan masukan data klasifikasi, memanfaatkan data-data yang bersumber dari citra Landsat-8 OLI dan data ketinggian, serta turunannya dari proses transformasi citra dan filter tekstur, dan data kemiringan lereng dari data ketinggian. Data-data yang digunakan dalam penelitian ini, antara lain adalah citra Landsat-8 OLI 7 (tujuh) saluran, NDVI, NDWI, BI, NDBI, PCA, tekstur variance, tekstur mean, data ketinggian, dan data kemiringan lereng. Penelitian ini juga membandingkan dua level skema klasifikasi penggunaan lahan yang berbeda yang mengalami modifikasi dengan bersumber dari skema klasifikasi penggunaan tanah BPN-RI tahun 2012. Secara ringkas perbedaan penelitian ini dengan penelitian yang pernah dilakukan sebelumnya dapat diperhatikan pada Tabel 1.1.
11 Tabel 1.1 Keaslian Penelitian
Peneliti Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil
Daren Li; Kaichang Di; Deyi Li (2000)
Land Use Classification of Remote Sensing Image with GIS Data Based On Spatial Data Mining Techniques
Mengetahui kemampuan algoritma C5.0 dalam melakukan klasifikasi dengan teknik data mining menggunakan citra SPOT dan database GIS
Menggunakan teknik data mining dalam proses klasifikasi penggunaan lahan menggunakan algoritma pohon keputusan C5.0, membandingkannya dengan hanya menggunakan metode klasifikasi Bayes dan kombinasi metode klasifikasi Bayes dan pohon keputusan C5.0
1. Akurasi keseluruhan metode klasifikasi Bayes 77.6199% dan Kappa 0.7474 2. Akurasi keseluruhan 88.8751% dan
Kappa 0.8719, ketika menggunakan
kombinasi metode klasifikasi Bayes dan pohon keputusan C5.0
3. klasifikasi yang hanya menggunakan klasifikasi Bayes dengan yang menggabungkannya dengan pembelajaran induktif C5.0, akurasi meningkat 11 persen serta keakuratan beberapa kelas meningkat 30 persen. Michael Zambon; Rick Lawrence; Andrew Bunn; Scott Powell (2006) Effect of Alternate Splitting Rules on Image Processing Using Classification Tree Analysis
Mengetahui empat aturan pemisah yang terbaik pada metode CTA untuk klasifikasi pada data penginderaan jauh
Menggunakan metode CTA dengan membandingkan empat aturan pemisah (Gini, Entropy, Class Prob., Twoing) yang berbeda pada tiga data citra penginderaan jauh yang berbeda (Ikonos, Landsat, PROBE-1)
1. Perbedaan akurasi keseluruhan (overall
accuracy) dalam tipe data yang bervariasi tersebut kurang dari enam persen (6%). Dalam penelitian tersebut aturan pemisah yang memiliki tingkat akurasi yang lebih baik adalah Gini dan
Class Probability.
2. Pada Ikonos dan Landsat aturan pemisah Class Prob. tertinggi, Ikonos dengan akurasi keseluruhan 83.7%
Kappa 0.778 dan Landsat akurasi
keseluruhan 63.8% Kappa 0.519. 3. Pada PROBE-1 tertinggi Gini dengan
12
Peneliti Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil
Imanda Surya Samudra (2007)
Kajian Kemampuan Metode Jaringan Syaraf Tiruan Untuk Klasifikasi Penutup Lahan dengan Menggunkan Citra Aster
1. Mengetahui seberapa akurat hasil klasifikasi penutup lahan
menggunakan metode JST multi
layer perceptron (MLP) terawasi
dengan algoritma pembelajaran rambat balik (back propagation) melalui beberapa perlakuan terhadap parameternya 2. Mengetahui akurasi hasil
klasifikasi penutup lahan
menggunakan metode JST dengan algoritma pembelajaran balik
(back propagation) jika dipadukan
dengan data spasial non-spektral yang meliputi elevasi dan lereng
Menggunakan jaringan syaraf tiruan jenis multilayer perceptron dengan algoritma backpropagation dan
maximum likelihood pada citra Aster
1. Penelitian ini menunjukan bahwa metode maximum likelihood memiliki kemampuan yang lebih baik dalam hal klasifikasi penutup lahan dibandingkan dengan jaringan syaraf tiruan.
2. Penggabungan data spektral dan non-spektral mampu meningkatkan akurasi.
Like Indrawati (2009)
Klasifikasi Pohon Keputusan Untuk Kajian Perubahan Penggunaan Lahan Kota Semarang Menggunakan Citra Landsat TM/ETM+
1. Membandingkan tingkat akurasi peta penggunaan lahan hasil klasifikasi pohon keputusan dengan hasil klasifikasi maximum
likelihood
2. Inventarisasi penggunaan lahan di Kota Semarang dengan data Landsat TM/ETM+ multi waktu 3. Mengkaji perubahan penggunaan
lahan di Kota Semarang
Menggunakan klasifikasi pohon keputusan pada citra Landsat multi-temporal, dan membandingkan tingkat akurasi dengan klasifikasi
maximum likelihood, kemudian
melakukan deteksi perubahan dengan metode pasca klasifikasi, dan
dilakukan analisis perubahan penggunaan lahan
1. Peta penggunaan lahan hasil klasifikasi pohon keputusan memiliki tingkat lebih tinggi daripada menggunakan metode
maximum likelihood pada tiga tanggal
perekaman. Pada peta tahun 2006
mencapai akurasi tertinggi, yaitu 82,45% dengan Kappa 0,805.
2. Perubahan penggunaan lahan di Kota Semarang mengarah pada berkurangnya lahan pertanian dan perkebunan,
sertabertambahnya lahan pemukiman dan industri.
13
Peneliti Judul Penelitian Tujuan Penelitian Metode Penelitian Hasil
Khikmanto Supribadi (2014)
Analisis Metode Support
Vector Machine (SVM)
untuk Klasifikasi Penggunaan Lahan Berbasis Penutup Lahan pada Citra ALOS AVNIR-2
1. Menganalisis pengaruh masing-masing parameter, serta kombinasi parameter yang menghasilkan akurasi yang tinggi dan waktu pemrosesan data yang singkat menggunakan metode Support
Vector Machine (SVM) pada Citra
Alos Avnir-2.
2. Menganalisis metode Support
Vector Machine (SVM) untuk
pembuatan peta klasifikasi penggunaan lahan berbasis penutup lahan skala 1:100.000.
Dengan melakukan simulasi kombinasi parameter sehingga akan didapatkan ketelitian serta waktu yang dibutuhkan masing-masing simulasi, kemudian dari hasil simulasi dipilih kombinasi yang menghasilkan ketelitian paling tinggi dengan mempertimbangkan juga waktu pemrosesan datanya.
1. Akurasi tertinggi pada kombinasi parameter kernel linier, penalty
parameter 250, pyramid level 1, classification probability threshold 0.
2. Akurasi tertinggi pada simulasi data spektral 78,8845% dan kappa 0,7524. Akurasi pada simulasi data spektral dan data kemiringan 80,7973% dan kappa 0,7755. Akurasi pada simulasi data spektral dan data filter tekstur mean 92,8619 dan kappa 0,9163. Akurasi pada data gabungan spektral, kemiringan dan filter tekstur mean 92,8951% dan kappa 0,9170. Cahya Budi Perwitagama (2015) Metode Non-Parametrik Classification Tree Analysis (CTA) dengan
Teknik Data Mining untuk Klasifikasi Penggunaan Lahan Menggunakan citra Landsat-8 OLI
1. Melakukan simulasi dari beberapa kombinasi parameter data
masukan, parameter CTA, dan parameter skema klasifikasi untuk mengetahui tingkat akurasi hasil klasifikasi penggunaan lahan menggunakan metode CTA dengan teknik data mining memanfaatkan citra Landsat-8 OLI.
2. Menganalisis akurasi metode non-parametrik CTA dengan teknik
data mining untuk klasifikasi
penggunaan lahan menggunakan citra Landsat-8 OLI serta
menerapkan hasil dari KDD pada daerah lain yang mirip.
Melakukan simulasi menggunakan beberapa parameter yang berbeda; Mencatat waktu yang diperlukan
untuk membentuk pohon keputusan dan melakukan klasifikasi;
Menganalisis hasil klasifikasi CTA, dipilih kombinasi parameter dengan akurasi tertinggi dengan
mempertimbangkan efektivitas prosesnya;
Hasil klasifikasi terbaik disusun menjadi Peta Penggunaan Lahan setara skala 1:100.000.
14 Terdapat keberkaitan penelitian ini dengan penelitian sebelumnya, penelitian Li et al. (2000), dalam penggunaan teknik data mining dalam mengekstraksi informasi dari data penginderaan jauh dan SIG untuk klasifikasi penggunaan lahan. Penelitian Zambon et al. (2006), dalam penggunaan metode CTA untuk klasifikasi pada data penginderaan jauh. Berkaitan dengan penelitian Samudra (2007), Indrawati (2009), dan Supribadi (2014), dalam menganalisis kemampuan metode non-parametrik untuk klasifikasi penutup atau penggunaan lahan melalui beberapa parameter dengan menggunakan citra penginderaan jauh.
1.7 Wilayah Penelitian
Penelitian “Metode Non-Parametrik Classification Tree Analysis (CTA) dengan Teknik Data Mining untuk Klasifikasi Penggunaan Lahan Menggunakan Citra Landsat-8 OLI” mengambil daerah penelitian di Kabupaten Purworejo. Dengan pertimbangan topografi bervariasi, terdapat daerah yang datar dan bergunung serta memiliki variasi penggunaan lahan yang cukup, maka penelitian ini akan mengambil lokasi penelitian di sebagian wilayah Kabupaten Purworejo. Diharapkan penelitian ini juga dapat mewakili daerah dalam konteks yang sama, agar dapat juga diterapkan menggunakan metode yang sama.
Menurut situs resmi Pemerintah Kabupaten Purworejo, Purworejo merupakan salah satu kabupaten di Provinsi Jawa Tengah dengan luas wilayah secara keseluruhan 1.034,82 Km2, terbagi menjadi 16 kecamatan yang berbatasan langsung dengan Kabupaten Wonosobo dan Kabupaten Magelang di sebelah utara, Samudera Hindia di sebelah selatan, Kabupaten Kebumen di sebelah barat, dan Kabupaten Kulonprogo di sebelah timur. Kabupaten Purworejo terletak pada posisi 109o 47’28” – 110o 8’20” Bujur Timur dan 7o 32’ – 7o 54 Lintang Selatan.
Bagian selatan wilayah Kabupaten Purworejo merupakan dataran rendah. Bagian utara berupa pegunungan (bagian dari Pegunungan Serayu). Di perbatasan dengan Kabupaten Kulonprogo (Provinsi Daerah Istimewa Yogyakarta), membujur Pegunungan Menoreh. Purworejo berada di jalur utama lintas selatan
15 Pulau Jawa. Pada Gambar 1.1 berikut dapat dilihat daerah lokasi penelitian, di sebagian wilayah Kabupaten Purworejo.
