4 HASIL DAN PEMBAHASAN

(1)

4.1 Pengenalan Pola dan Performa Pengklasifikasi ANN

Pengenalan pola (pattern recognition) dan performa klasifikasi citra bertujuan untuk membantu penyusunan skema klasifikasi citra terumbu karang. Tahapan ini diturunkan lebih awal melalui transformasi citra substrat dasar perairan gusung karang Lebar dan karang Congkak Kepulauan Seribu. Transformasi pendugaan awal substrat dasar perairan dangkal terlihat pada pola kenampakan citra Quickbird komposit RGB 321, RGB 421 dan RGB 432 (Gambar 4-1). Melalui teknik penajaman histogram (histogram enhancement) citra, substrat dasar perairan dangkal tampak berwarna biru muda (cyan) dan sebaran terumbu karang jelas terlihat di sekitar gusung karang. Teknik penajaman citra ini menggambarkan awal keberadaan terumbu karang.

Gambar 4-1 Performa penajaman citra satelit Quickbird hasil komposit RGB 321 (a), RGB 421 (b), RGB 432 (c) dan Lyzenga (d)

Hasil transformasi metode “Deep Invariant Index” (algoritma Lyzenga) sesuai hasil penelitian Sulma dan Kushardono (2006) menggunakan data SPOT diperoleh klasifikasi tutupan dasar perairan ekosistem terumbu karang Kelurahan Pulau Panggang Kepulauan Seribu terdiri atas: (i) dominasi karang mati

[Type a quote from the document or the summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]

(2)

ditampilkan dengan warna biru muda, (ii) dominasi karang hidup (merah), (iii) lamun (hijau), (iv) pasir (kuning), dan (v) perairan dalam dengan kedalaman >15 m. Berbeda halnya dengan sensor Quickbird yang digunakan dari hasil klasifikasi diperoleh 6 kelas habitat, yaitu nampak bahwa karang mati (merah), karang hidup (hijau), lamun (orange), pasir (kuning), dan habitat campuran (hijau muda). Adapun daratan (hitam) dan perairan (biru) terlihat dengan jelas. Intrepretasi ini relatif sama dengan Amri dkk (2010) dan Siregar dkk. (2010) yang sama-sama menggunakan Quickbird dalam penelitian ini. Substrat dasar pasir hampir mendominasi seluruh wilayah kajian. Karang hidup lebih banyak menyebar dibagian luar terumbu, dibandingkan di sekitar goba, demikan pula dengan sebaran pasir dan tutupan lamun juga banyak ditemukan disekitar tubir karang.

Uji ketelitian keterpisahan formula Schowengerdt (1997; 2007) untuk menguji performa pengklasifikasi setiap band atau citra komposit dapat diketahui dari hasil formulasi perhitungan nilai spectral signature atau nilai digital (ND). Berdasarkan ND citra grayscale yang disajikan dalam histogram statistik univariate citra Quickbird (Gambar 4-2) menunjukkan performa atau pola separasi berbeda pada Band 1, 2 dan 3, dan 4. Performa Band 4 yang berbeda dari yang lain, dikarenakan sensor ini tidak dapat menembus perairan dangkal.

Gambar 4-2 Histogram statistik univariate Citra Quickbird

B 1 B 2

B 3 B 4

(3)

Histogram multivariate citra Quickbird (Gambar 4-3) pada kombinasi B-321, B-421, B-432 dan Lyzenga menunjukkan performa yang berbeda-beda pula. Perbedaan tersebut dikarenakan kedalaman sensor sinar tampak menurut CNES (1999) dan Green et al. (2000), dapat ditembus oleh B2 (0.52-0.60µm) sekitar 15m, B3 (0.63-0.69µm) sekitar 5m dan B4 (0.76-0.89µm) sekitar 0.5m dan pankromatik seluruhnya diserap oleh perairan. Sedangkan pada Lyzenga pemisahan objek semakin jelas terlihat pada histogramnya. Kemampuan sensor untuk mendeteksi, menseparasi atau memisahkan objek di perairan terlihat dengan jelas pada histogram tersebut.

Gambar 4-3 Histogram statistik multivariate Citra Quickbird

Hasil deteksi dini menunjukkan kelas pixel tertentu menjadi lebih spesifik dan maksimal berbeda, ketika diterapkan metode penajaman citra multispektral yang mengkombinasikan band 1 dan band 2 berdasarkan “standar model koefisien atenuasi”. Setelah nilai digital band 1 dan band 2 diekstraksi maka nilai koefisien attenuasi perairan (Ki/Kj) diperoleh sebesar 0.433121. Persamaan

B 321 B 421

B 432 Lyzenga

(4)

algoritma yang digunakan untuk mengekstrak substrat dasar adalah Y = ln (Band 1) - 0.433121*ln (Band 2). Sesuai dengan sebaran ND hasil iterasi intrepretasi layar komputer, maka diperoleh beberapa komponen dominan dari citra hasil algoritma. Rentangan perbedaan warna pada citra hasil transformasi algoritma “depth invariant index” menunjukkan banyaknya kelas yang ada di substrat perairan. Pada citra hasil transformasi tersebut dapat dibedakan dengan jelas objek pasir, lamun (seagrass), karang hidup, dan karang mati.

Gambaran awal tersebut mempermudah analisis klasifikasi citra yang didasarkan atas tiga pendekatan utama, yaitu (1) intrepretasi visual, (2) klasifikasi unsupervised, dan (3) klasifikasi supervised (Green et al. 2000). Hasil intrepretasi visual tersebut dapat menyatakan secara detail keaslian dan distribusi habitat. Subyektifitas dan intrepretasi visual memiliki kekurangan, terutama jika dibandingkan dengan pertimbangan sebelumnya. Hal ini juga menjadi sangat penting artinya dan menjadi isyarat bahwa pendekatan klasifikasi citra melalui penggunaan data komposit band diatas sangat memungkinkan diterapkan dalam pengembangan klasifikasi algoritma ANN unsupervised dan supervised yang dibahas dalam penelitian ini. Guna keperluan klasifikasi citra satelit, proses reklasifikasi kelas lebih lanjut dari algoritma ANN dapat disesuaikan dengan skema tipe habitat perairan dangkal dan hasil survey lapang.

4.2 Pelatihan Klasifikasi Algoritma ANN

4.2.1 Klasifikasi Algoritma ANN unsupervised SOM

Pelatihan ANN-SOM bertujuan untuk menghasilkan klaster-klaster yang merupakan representasi secara visual sesuai karakteristik fitur-fitur masing-masing kelompok dalam citra yang terintegrasi membentuk 3 buah kanal RGB. Jika pelatihan ANN-SOM dijalankan menggunakan input klasifikasi pada Bab sebelumnya (Tabel 3-2), maka terdapat perbedaan kenampakan spasial (Gambar 4-3) berbagai transformasi kombinasi Band dari satelit Quickbird.

(5)

Gambar 4-4 Kenampakan spasial hasil klasifikasi Algoritma ANN-SOM citra satelit Quickbird

Pengaruh yang signifikan semakin nampak setelah citra dikoreksi berdasarkan kolom air menggunakan algoritma Lyzenga (Gambar 4-4 bagian A6). Perbedaan yang mencolok ini mudah diintrepretasi secara visual tersusun atas habitat berdasarkan warna, yaitu karang (cyan), pasir (kuning), dan daratan (hijau). Keberhasilan aplikasi kohonen SOM tidak terlepas dari kemampuan fungsinya sebagai cluster data citra dimensi tinggi, generalisasi jaringan dapat mengenal ciri input yang belum pernah ditemukan sebelumnya, dan reduksi kenampakan spasial dari kombinasi citra dengan menunjukkan karakteristik spasial objek secara berarti (Kohonen 1984). Teknik aplikasi SOM ini dapat

(6)

diterapkan dalam pengenalan pola, analisis citra, monitoring proses dan diagnosis kesalahan (Uriarte dan Martin 2005).

Penerapan SOM terkait paramater jumlah radius ketetanggaan pixel dalam penelitian ini sebesar 4 diset lebih kecil dari 6.66 sesuai hasil penelitian Hu dan Weng (2009) menggunakan citra ASTER. Hal ini diduga karena SOM mampu memetakan objek secara baik tidak hanya citra resolusi rendah sampai sedang, tetapi juga bagi citra resolusi tinggi seperti Quickbird.

Analisis visual menunjukkan ciri spasial dan spesifik berbeda setiap klaster berdasarkan perbedaan warna mewakili perbedaan kelas, sebagaimana Camacho (2006) mengintrepretasi citra habitat terumbu karang Midway Atoll dan Mishra et al. (2006) memetakan habitat bentik di perairan tropik menggunakan citra Quickbird dengan teknik klasifikasi unsupervised ISODATA (iterative self organizing data analysis). Menurut Green et al (2000) bahwa teknik klasifikasi unsupervised mengklasifikasi secara otomatis pixel kedalam sejumlah kelas berdasarkan kesamaan spektral tanpa referensi spektra dari user. Lain halnya dengan algoritma ISODATA, kemampuan SOM dapat mengeneralisasi data habitat terumbu karang yang sama kedalam satu klaster/kelas tersebut dapat diketahui dengan sendirinya dari distribusi nilai DN secara merata di semua kanal RGB yang didefinisikan menjadi Band 1 (Red), Band 2 (Green) dan Band 3 (Blue). Algoritma ISODATA menurut Mishra et al. (2006) dapat menyusun klaster citra kombinasi Band Quickbird kemudian diklasifikasi lebih lanjut dengan maximum likelihood. Teknik pendekatan klaster citra melalui algoritma SOM ini seyogyanya merupakan salah satu bagian dari tahapan proses klasifikasi algoritma backpropagation maupun adaptive boosting.

Disamping kenampakan spasial diatas, secara statistik berdasarkan histogram Gambar 4-5 menunjukkan pola kenampakan yang berbeda satu dengan lainnya. Perubahan yang signifikan terjadi setelah data input dikoreksi menggunakan algoritma Lyzenga (A6). Kecenderungan ini terlihat dengan makin meningkatnya jumlah klaster pada kondisi tersebut. Hal ini semakin memperkuat bahwa input data A6 baik untuk reklasifikasi lebih lanjut dengan ANN supervised.

(7)

Gambar 4-5 Histogram Klasifikasi Algoritma SOM

Hasil analisis statistik masing-masing klaster SOM meliputi nilai-nilai covariance, koefisien korelasi dan eigenvector (Lampiran 2 - 6) mencerminkan keeratan hubungan kombinasi masing-masing Band untuk mengekstraksi informasi spasial objek (target) tersebar pada nilai DN. Hasil analisis kovarian matrik dari masing-masing klaster berbeda sesuai pencirinya. Karakteristik ini terkait preservasi hubungan ketetanggaan sebesar jarak 4 pixel jarak yang begitu jauh, nilai pixel ini merupakan data vektor ketetanggaan ruang input yang dipetakan kedalam ruang output. Kenampakan secara spasial dan statistik ini

(8)

membuat ANN-SOM sangat berguna dalam analisis data dan visual dimana tujuan umumnya adalah mewakili data dari suatu ruang dimensi tinggi dalam suatu ruang dimensi yang sama lemahnya untuk preservasi struktur internal dari data ruang input.

Berdasarkan analisis kovarian matrik menunjukkan adanya keeratan hubungan antara masing-masing variabel yaitu, Band 1 (Red), Band 2 (Green) dan Band 3 (Blue) terhadap ekstraksi objek. Nilai kovarian secara diagonal menunjukkan besar dan arah hubungan linear antara dua peubah Band. Nilai kovarian klaster A4 secara berurutan menunjukkan nilai makin besar pada Band 1, 3 dan 2 dengan nilai penciri (eigen value) terbesar yaitu Band 1. Karakteristik vektor (eigen vector) Band 1 besarannya searah Band 2 dan sebaliknya terhadap Band 3. Berbeda dengan nilai kovarian klaster A6 secara berurutan menunjukkan nilai makin besar pada Band 1, 2 dan 3 dengan nilai penciri (eigen value) terbesar yaitu Band 1. Eigen vector Band 1 besarannya searah terhadap Band 2 dan 3. Karakteristik ini menunjukkan secara jelas bahwa Band 1 optimal dalam mengekstraksi informasi, terutama kelas pasir. Hal ini diperkuat pula oleh nilai korelasi negatif ((-)) Band 1 terhadap Band 3 masih dengan eigen value terendah dibanding Band yang lain ataupun kombinasi lainnya.

Pemetaan hubungan ketetanggaan ANN-SOM memungkinkan untuk melihat secara jelas output ruang dan struktur tersembunyi dalam data dimensi tinggi, seperti cluster. Sebagaimana ANN-SOM didefinisikan dengan asumsi bahwa beberapa parameter peta, seperti parameter pembelajaran, topology dan ukuran peta selama fase training. Kenampakan ini mempengaruhi peta akhir, sehingga sangat penting kehati-hatian untuk memilih parameter-parameter yang menghasilkan peta tepat (Uriarte dan Martin 2005). Oleh karena itu, pengembangan klasifikasi algoritma ANN supervised dapat mengesktrak nilai ROI lebih lanjut pada klaster tersebut, sehingga berguna sebagai target data pembelajaran. Guna menguji perbedaan pilihan, dapat menggunakan beberapa komputasi tiruan untuk mengevaluasi kualitas peta dan menseleksi satu yang optimal untuk mewakili data.

4.2.2 Klasifikasi Algoritma ANN Supervised Backpropagation

Skenario utama arsitektur klasifikasi algoritma ANN supervised adalah melanjutkan klasifikasi ANN unsupervised (SOM). Penggunaan input citra hasil transformasi SOM, paradigma pembelajaran jaringan secara supervised baik Backpropagation maupun AdaBoost menggunakan parameter klasifikasi (Tabel

(9)

3-4) dan ukuran training sampel ROI (Tabel 3-5) dengan nilai RGB objek ROI terlampir. Kesemua algoritma ANN supervised ini bermaksud meminimalkan kelipatan error semua pola output jaringan selama pelatihan hingga iterasi henti.

Data training dan data pengujian untuk klasifikasi ANN supervised diseleksi melalui sampel area Gusung Karang Congkak sebanyak 7,737 pixel. Jumlah ROI ini relatif lebih besar dari eksperimen Konishi et.al (2007) bahwa data training (ROI) diekstrak dari area 5 x 5 pixel masing-masing 10 titik, yaitu 250 pixel masing-masing kategori untuk peta topografi dan data high resolution EROS-A1 1.8m. Sedangkan RADARSAT memerlukan banyak sampel dibandingkan dengan SPOT secara empirik, sebab pixel citra SAR berfluktuasi disebabkan speckle noise. Sehingga ekstraksi ROI dari area padi yang ditanam tersebut ditambahkan 800 pixel. Kondisi ini juga ditemukan terhadap variasi ROI kategori kelas pasir, karang hidup dan laut. Berbeda halnya dengan Conger et al. (2005) yang menentukan ROI sejumlah 61,323 pixel data Hyperspektral. Oleh karena analisis klasifikasi citra tersebut hanya untuk memisahkan pasir dan objek lainnya, maka jumlah ROI tersebut berbeda dengan penelitian ini terhadap beberapa kategori kelas bentik. Besarnya jumlah pixel contoh ROI memungkinkan karena secara visual pemisahan objek hasil klasifikasi unsupervised SOM dari sumber data citra Quickbird tergolong resolusi spasial yang tinggi, sehingga masih mampu diintrepretasi secara baik.

Tabel 4-1 Perbandingan hasil penelitian beberapa parameter training ANN supervised

Item parameter Keterangan (nilai)

I II III IV

Training momentum 0.9 0.1 dan 1.0 0.19 0.57

Kriteria RMS 0 - 0.1 0.001–0.005 0.01 0.5

Training rate 0.2 0.1 dan 1.0 0.09 0.16

Jumlah Iterasi training 10,000 1,222 10,000 10,000

Jumlah pixel ROI 7,737 61,323 250 30

Sumber: I (data primer diolah 2011); II (Conger et al. 2005); III (Konishi et al 2007); IV ( Hu dan Weng 2007)

Desain layer ANN-BP dalam berbagai penelitian remote sensing klasifikasi citra umumnya terdiri dari 3 layer. Selanjutnya item parameter training (Tabel 4-1) adalah sama dari berbagai penelitian, kecuali nilainya sebagian berbeda. Sedangkan terhadap jumlah neuron dari input layer yang sama untuk input layer citra, Konishi et.al (2007) mencontohkan bahwa RADARSAT tiga, ENVISAT

(10)

enam dan SPOT tiga. Hidden layer dipilih 7 neuron secara empirik. Jumlah neuron output layer sama untuk jumlah kategori 4 neuron. Hu dan Weng (2007) menyatakan bahwa dari formulasi jumlah hidden layer yang menghasilkan jumlah hidden layer node 6, setelah pengujian dilakukan ternyata jumlah hidden layer 4 menunjukkan hasil yang terbaik. Hal ini juga terjadi dalam penelitian ini, dimana jumlah hidden unit hasil formulasi adalah 5, namun performa terbaik secara empirik diperoleh jumlah hidden unit 4. Selama training dari berbagai input kombinasi dari data pembelajaran (learning) yang sama menunjukkan performa training yang berbeda-beda. Nilai cross entropy terendah dinyatakan sebagai pengenalan pola dengan tingkat kesalahan terendah. Performa masing-masing input dapat disajikan pada Gambar 4-6 berikut:

Gambar 4-6 Performa training ANN-BP masing-masing transformasi

SOM 421 SOM 432

SOM 321 SOM 1234

SOM Lyzenga Lyzenga

(11)

Training melalui prosedur ANN-BP hingga MSE menjadi 0.01 pada 10,000 iterasi dengan masing-masing learning rate dan momentum diset 0.09 dan 0.19 untuk menghitung jumlah pembobotan atau besarnya koreksi. Hal ini sesuai dengan Conger et al. (2005) bahwa perbedaan learning rate dimaksudkan tidak terlepas sebagai upaya untuk mengontrol seberapa cepat jaringan tetap stabil, sedangkan momentum rate berupaya untuk mengontrol ukuran langkah koreksi yang mungkin melampaui dan mencegah konvergensi selama pembelajaran.

*) A = 2 unit hidden layer; B = 4 unit hidden layer;

Gambar 4-7 Lama iterasi pembelajaran algoritma ANN-BP

Penghentian training dari 7,737 set data learning berlangsung beberapa menit mendekati iterasi 5,600 dari iterasi total 10,000 (Gambar 4-6). Umpan balik neuron pada iterasi tersebut dapat mengenali target dengan baik dan berlangsung sama setiap penambahan jumlah hidden unit. Dari semua input pembelajaran, diketahui bahwa kelas A6 (Tabel 4-3) menunjukkan terbaik sesuai dengan ukuran kesalahan berdasarkan log (cross entropy/CE) bernilai 4 (=0.60) sejak iterasi dimulai dan bernilai 1.6 (=0.20) hingga iterasi henti. Cross-entropy cenderung membiarkan kesalahan untuk mengubah bobot bahkan ketika node jenuh (turunannya mendekati 0). Semakin lebih berguna untuk memecahkan masalah dimana target adalah 0 dan 1 (output dapat mengasumsikan nilai-nilai diantara keduanya).

Pengukuran CE sebagai salah satu alternatif untuk ukuran kesalahan (squared error) dapat digunakan ketika suatu network output mewakili hipotesis independen (misalnya setiap node berdiri untuk suatu konsep yang berbeda) dan aktivasi node mewakili probabilitas (keyakinan) bahwa setiap hipotesis bisa jadi benar. Vektor output merupakan distribusi probabilitas dan CE menunjukkan jarak antara distribusi jaringan dan pengetahuan pembelajaran yang harus

A B

(12)

percaya. Keseluruhan pengukuran nilai CE dari setiap proses input disajikan pada Tabel 4-2 berikut:

Tabel 4-2 Cross entropy masing-masing input

No Input data training Kode Cross entropy

(log)

Nilai akhir 1 SOM dengan input semua Band

(Band 1, 2, 3 dan 4)

A1 3.00 0.48

2 SOM dengan input kombinasi Band 321

A2 3.10 0.49

A3 3.10 0.49

A4 2.60 0.41

5 Deep invariant index (Lyzenga)

A5 1.90 0.28

6 SOM dengan input data Lyzenga

A6 1.60 0.20

Hasil pelatihan jaringan ANN-BP menggunakan input data hasil klasifikasi Lyzenga yang diklaster dengan algoritma ANN-SOM (Gambar 4-7) merupakan performa hasil terbaik dengan cross entropy semakin mendekati nol dari semua input kombinasi, diperoleh kenampakan spasial yang berbeda, dimana target pasir campur karang tidak dapat dikenali secara baik pada penentuan jumlah hidden unit 2. Setelah hidden unit ditambah 4 hasilnya menjadi siginifikan menampilkan target yang sebelumnya tidak ada. Penentuan jumlah hidden unit dan input yang tepat sangat berpengaruh terhadap kualitas klasifikasi. Demikian pula halnya dengan kemampuan sistem melakukan generalisasi pola pembelajaran dari input data pembelajaran (learning) yang diberikan. Makin baik pemisahan objek learning berdasarkan degradasi warna berdasarkan kemampuan ekstraksi informasi dari transformasi kombinasi Band citra, maka kemampuan pengenalan pola tentu akan semakin lebih baik.

(13)

*) A = 2 unit hidden layer; B = 4 unit hidden layer;

Gambar 4-8 Kenampakan spasial hasil klasifikasi algoritma ANN-BP

(A)

(B)

(14)

Kenampakan spasial diatas, jika dilihat secara statistik berdasarkan histogram (Gambar 4-9) memiliki pola kenampakan berbeda dari masing-masing klasifikasi ANN-BP. Perbedaan tersebut disebabkan oleh jumlah unit hidden layer secara empirik lebih baik pada jumlah unit lebih besar dari 2. Pada penentuan jumlah hidden layer node 4 menunjukkan klasifikasi terbaik. Hal ini tidak terpaku berdasarkan formula Schowengerdt (1997; 2007) dan postulat Fletcher dan Goss (1993) yang digunakan dalam hasil penelitian klasifikasi citra oleh Hu dan Weng (2007). Selanjutnya menunjukkan secara empirik terdapat perbedaan hasil ketika dilakukan perubahan jumlah hidden layer dari enam sesuai formula, ketika dilakukan perubahan jumlah menjadi empat ternyata hasil klasifikasi citra lebih baik.

Gambar 4-9 Histogram klasifikasi algoritma ANN-BP

4.2.3 Algoritma ANN Supervised Adaptive Boosting

Berdasarkan skema ANN supervised diatas dapat diterangkan bahwa propagasi dari sinyal input melalui jaringan mengalami peningkatan secara adaptif dari Algoritma Adaptive Boosting (ANN-AdaBoost). Dari parameter input dan ROI yang sama digunakan terhadap algoritma ANN-BP, kecuali jumlah hidden layer algoritma ANN-AdaBoost ditambah menjadi hidden layer 1 dan 2 untuk jumlah hidden node masing-masing 8 serta menggunakan training Kalman filter (TKF) untuk memperhalus atau memfilter informasi noise. Hasil analisis kenampakan spasial (Gambar 4-10) menunjukkan perbedaan yang signifikan dan memerlukan relatif sedikit jumlah iterasi (280 iterasi) dengan ukuran kesalahan (quadratic error) 0.24 (Gambar 4-12).

2 hidden layer

Lyzenga

4 hidden layer

Lyzenga

[Type a quote from the document or the summary of an interesting point. You can position the text box

anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]

(15)

Gambar 4-10 Kenampakan spasial klasifikasi algoritma ANN-AdaBoost

Gambar 4-11 Histogram klasifikasi algoritma ANN-AdaBoost

Hasil klasifikasi kenampakan diatas menunjukkan pola dan kenampakan spasial yang relative sama dengan klasifikasi ANN-BP. Perbedaan yang mencolok terletak pada jumlah iterasi dan waktu yang dibutuhkan hingga iterasi henti. Perolehan hasil eksperimen ini dalam rangka mengatasi kelemahan utama dari lama waktu pelatihan relevan dengan hasil eksperimen Freund dan Shapire (1996) untuk klasifikasi data satelit multispektral tutupan lahan menggunakan algoritma ANN-AdaBoost diterapkan pada urutan tiga lapis umpan-maju jaringan

(16)

ANN. Meski terlihat dari histogram (Gambar 4-11) menunjukkan pola yang relatif sama dari ekstraksi pixel, namun menurut Shah dan Palmeri (1990) bahwa algoritma ANN-AdaBoost dengan pelatihan Kalman filter menjadi efisien melatih setiap neuron dalam jaringan lokal, membuat eksplisit penggunaan matriks kesalahan bobot sinaptik neuron.

Gambar 4-12 Ukuran kesalahan (quadratic error) selama iterasi

Ini berarti bahwa pelatihan algoritma ANN-AdaBoost tidak memerlukan jumlah iterasi yang besar dibanding algoritma ANN-BP (5,600 iterasi) dari total jumlah 10.000 iterasi yang disiapkan. Meskipun kedua algoritma ANN supervised memiliki presisi yang sangat baik, karena memiliki nilai ukuran kesalahan mendekati 0. Dari keseluruhan input data training, Input A6 menunjukkan quadratic error dan misclassification rate relatif lebih baik dibanding lainnya. Hal ini tidak terlepas dari pengaruh integrasi training Kalman Filter (KF) yang menduga secara iteratif bagian dari suatu sistem pengamatan ANN supervised. Training Kalman Filter yang dilakukan Spence et al. (2008) dapat memasukkan data dari bermacam-macam pengertian kedalam sistem pendugaan, pengukuran statistik untuk memperhalus data dan membuang informasi yang bersifat noise. Intrepretasi KF yang juga dilakukan Parker (1994) merupakan suatu sistem linear yang menyatakan kelipatan rata-rata kesalahan (squared error) antara output yang diharapkan dan output aktual dengan meminimalkan input acak saat digeneralisasi secara acak noise dari iterasi konstan per unit kanal pada tiap frekuensi dari nilai pixel yang diinginkan.

(17)

Tabel 4-3 Quadratic error dan misclassification rate masing-masing input No Input Data Training Kode Quadratic

error

Misclassification rate Training validasi 1 SOM dengan input semua

Band (Band 1, 2, 3 dan 4)

A1 0.25 0.034 0.040

A2 0.25 0.025 0.023

A3 0.24 0.245 0.225

A4 0.25 0.011 0.015

5 Deep invariant index (Lyzenga)

A5 0.25 0.0018 0.000

6 SOM dengan input data Lyzenga

A6 0.24 0.000 0.000

Pengenalan pola masing-masing input pembelajaran (learning) dari input kombinasi menunjukkan performa yang berbeda-beda. Hal ini dapat ditunjukkan pada Gambar 4-13 berikut:

Gambar 4-13 Performa pembelajaran Algoritma ANN-AdaBoost berbagai input (Garis putus-putus untuk validasi data pelatihan dan data pengujian titik-titik)

anywhere in the document. Use the Text Box Tools tab to

(18)

Pengenalan pola masing-masing pembelajaran terhadap data input dan output (target) dimulai pada network ke 2. Pengenalan semakin lebih baik pada network ke 3 hingga 74. Validasi data selama pelatihan menunjukkan misclassification rate 0,0080 untuk set data pelatihan (garis putus-putus) dan 0.0064 untuk set data pengujian (garis titik-titik) dimulai pada network ke 2. Pada network ke 3 dan seterusnya hingga iterasi henti menunjukkan misclassification rate 0 (Gambar 4-11).

Gambar 4-14 Validasi data pelatihan (putus-putus) dan data pengujian (titik-titik) Bobot-bobot neuron network klasifikasi ANN supervised AdaBoost dari hasil kalkulasi input dan output (target) mencapai konvergensi hingga network 74 (Gambar 4-12). Bobot-bobot tersebut (Lampiran 4) dihitung mulai 0 hingga 5 kali percobaan (trial) dari jumlah hidden neuron 1 dan hidden neuron 2 masing-masing adalah 8. Penentuan jumlah hidden neuron ini secara empirik disesuaikan dengan jumlah target (output) yang diharapkan.

Gambar 4-15 Bobot (weight) neuron selama kalkulasi jaringan (network) [Type a quote from the document or the

summary of an interesting point. You can position the text box anywhere in the document. Use the Text Box Tools tab to change the formatting of the pull quote text box.]

(19)

4.3 Penilaian Akurasi Data 4.3.1 Koreksi Posisi

Koreksi posisi E dilakukan pada 122 titik pengamatan yang tersebar di gosong Karang Congkak dan Karang Lebar bertujuan untuk menambah keakuratan posisi. Penelitian ini diperoleh nilai ∆E dari perhitungan dalam satu hari, tidak semua posisi terkoreksi dikarenakan adanya gangguan teknis seperti GPS mati. Hasil koreksi posisi diperoleh nilai _∆Eberkisar antara 0.4 – 6.7m, berarti bahwa keakurasian pengukuran posisi meningkat walaupun belum maksimum seperti memakai Differential GPS. Hal ini tentunya mendekati resolusi spasial citra satelit Quickbird 2.44m x 2.44m.

Kesalahan posisi untuk banyak penggunaan GPS umumnya merupakan hal yang tidak dapat diterima, apalagi jika nilainya mencapai 30-100m seperti dinyatakan Green et al. (2000). Berdasarkan pendekatan beda fase 5 detik yang diset untuk mengukur kesalahan yang sering terjadi dan pada waktu yang sama dari informasi spasial yang dikumpulkan adalah sangat memungkinkan untuk mengkoreksi banyak ketidakakuratan. Teknik ini masih cukup baik jika dibandingkan dengan Green et al. (2000) yang mengatur GPS referensi sedetik untuk mengkoreksi GPS stationer hingga memiliki akurasi yang sangat tinggi (jika akurasi posisi 2-3m dihasilkan, maka memerlukan akurasi <0.5m).

GPS receiver mengumpulkan data lapang dalam penelitian ini, akurasinya menjadi sangat penting khususnya pengumpulan data menggunakan citra resolusi tinggi seperti Quickbird. Hal ini menjadi penting artinya tidak hanya dalam penelitian ini, tetapi ditegaskan pula oleh Serr et el. (2006) bahwa GPS receiver dengan akurasi 2-5m seperti Trimble GeoExplorer II tidak dapat mengumpulkan data yang meregistrasi 2-4m pixel yang benar dari citra Quickbird. Perhitungan GPS receiver 5 detik ini sudah memadai sebagaimana Kechine et al. (2003) menguji secara kinematik 7-8 detik dan lebih dari 99% pada koreksi global dengan interval 1 detik.

4.3.2 Uji Akurasi Hasil Klasifikasi Habitat Perairan Dangkal

Uji akurasi tematik klasifikasi perairan dangkal area gusung Karang lebar dan Karang Congkak menunjukkan perbedaan yang tidak berarti dari masing-masing klasifikasi algoritma ANN-BP (Gambar 4-16) dan ANN-AdaBoost (Gambar 4-17) setelah ditumpangsusunkan dengan menggunakan data GPS hasil koreksi. Akurasi keseluruhan dari hasil uji akurasi tematik tersebut disajikan

(20)

secara lengkap disajikan untuk klasifikasi algoritma ANN-BP (Tabel 4-4) dan ANN-AdaBoost (Tabel 4-5) berikut:

Gambar 4-16 Lokasi kajian uji akurasi tematik klasifikasi algoritma ANN-BP Tabel 4-4 Uji akurasi klasifikasi habitat perairan dangkal algoritma ANN-BP

1 2 3 4 5 6

Karang Hidup

karang

mati Pasir Lamun

pasir mix karang pasir mix lamun total baris 1 Karang Hidup 17 0 0 0 0 0 17 2 karang mati 5 30 0 1 1 0 37 3 Pasir 0 0 19 3 0 1 23 4 Lamun 2 0 1 9 0 0 12

5 pasir campur karang 0 0 0 5 16 0 21

6 pasir campur lamun 0 2 0 0 0 10 12

total kolom 24 32 20 18 17 11 122

Keterangan : Total benar = 101, Total sampel= 122, Total akurasi = 101/122*100% = 82.79%

producer accuracy user accuracy

Lapangan akurasi Citra akurasi

1 17/24 = 70.83 1 17/17= 100.00 2 30/32= 93.75 2 30/37= 81.08 3 19/20= 95.00 3 19/23= 82.61 4 9/18 = 50.00 4 9/12= 75.00 5 16/17 = 94.12 5 16/21= 76.19 6 10/11 = 90.91 6 10/12= 83.33 Citra training Lapangan

(21)

Gambar 4-17 Lokasi kajian uji akurasi tematik klasifikasi algoritma ANN-AdaBoost

Tabel 4-5 Uji akurasi klasifikasi habitat perairan dangkal Algoritma ANN-AdaBoost

1 2 3 4 5 6

Karang Hidup

karang

mati Pasir Lamun

pasir mix karang pasir mix lamun Total baris 1 Karang Hidup 17 0 0 0 0 0 17 2 karang mati 5 30 0 1 1 0 37 3 Pasir 0 0 19 3 0 1 23 4 Lamun 2 0 1 9 0 0 12

5 pasir campur karang 0 0 0 4 17 0 21

6 pasir campur lamun 0 2 0 0 0 10 12

total kolom 24 32 20 17 18 11 122

Keterangan : Total benar = 102, Total sampel= 122, Total akurasi = 102/122*100% = 83.61%

producer accuracy user accuracy

Lapangan akurasi Citra akurasi

1 17/24 = 70.83 1 17/17= 100.00 2 30/32= 93.75 2 30/37= 81.08 3 19/20= 95.00 3 19/23= 82.61 4 9/17 = 52.94 4 9/12= 75.00 5 17/18 = 94.44 5 17/21= 80.95 6 10/11 = 90.91 6 10/12= 83.33 Citra training Lapangan

(22)

Pengembangan uji hasil klasifikasi algoritma ANN-BP menunjukkan 82.79% relatif lebih besar dari klasifikasi algoritma lyzenga (Amri, dkk 2010) sebesar 79.01% maupun Siregar, dkk (2010) sebesar 79%. Hal ini semakin meningkat dengan diterapkannya algoritma ANN-AdaBoost menghasilkan 83,61%. Dengan demikian dapat dikatakan bahwa penerapan klasifikasi ini dapat digunakan untuk memetakan habitat dasar perairan gusung karang lebar dan karang congkak Kepulauan Seribu.

Hasil perhitungan akurasi untuk producer dan user memperlihatkan bahwa semua jenis penutupan dasar perairan terwakili dengan baik. Fakta ini menunjukkan bahwa skenario uji akurasi telah memadai untuk mencakup keseluruhan skema kelas penutupan lahan yang dihasilkan dari hasil transformasi citra transformasi. Faktor lain yang turut mempengaruhi tingkat akurasi adalah terjadinya selisih posisi antara citra dan GPS. Terkait dengan proses transformasi sistem koordinat citra ke sistem koordinat GPS diperoleh root mean square error untuk posisi adalah 0,57m. Hal ini sudah cukup memadai bagi resolusi spasial citra Quickbird.

Keseluruhan hasil uji akurasi habitat terumbu karang diatas menunjukkan bahwa metode klasifikasi ANN supervised masih memiliki tingkat akurasi relatif baik, jika diperbandingkan dengan hasil penilaian akurasi penelitian De Mazieres (2008), hasil yang sama diperoleh dari hasil penelitian Green et al. (2000) menggunakan data satelit Landsat bahwa klasifikasi unsupervised menghasilkan peta habitat karang dengan overall accuracy rendah <50% dibandingkan >70% menggunakan klasifikasi supervised. Demikian pula halnya klasifikasi unsupervised yang mengembangkan algoritma ISODATA untuk memetakan habitat bentik perairan tropik diperoleh overall accuracy 81% (Mishra et al. 2006). Hasil klasifikasi habitat perairan dangkal dari pengembangan metode klasifikasi ANN di atas menunjukkan tingkat akurasi masih relatif lebih tinggi dibandingkan dengan hasil penelitian Siregar dkk (2010) dari hasil uji akurasi kondisi ekosistem dasar perairan difokuskan kajian di tubir dan area luar dilakukan deliniasi, terhadap 5 kategori yaitu sangat baik, baik, sedang, buruk, dan sangat buruk. Uji akurasi kondisi terumbu sangat baik dan baik dijadikan satu kelas, sedangkan kondisi buruk dan sangat buruk dijadikan satu kelas. Hal ini dilakukan, karena menginterpretasikan data cukup sulit. Uji akurasi dilakukan di Karang Lebar diperoleh total akurasi 41.67 %.

(23)

Gambar 4-18 Kajian akurasi kondisi ekosistem terumbu karang (Karang Lebar) (Siregar dkk. 2010)

Tabel 4-8 Uji akurasi klasifikasi ekosistem terumbu karang (Siregar dkk. 2010)

1 2 3 4 5

Total baris

Sangat

baik Baik Sedang Buruk

Sangat buruk 1 Sangat baik 0 1 0 2 0 3 2 Baik 12 4 10 10 7 43 3 Sedang 0 0 3 0 1 4 4 Buruk 1 0 2 4 3 10 5 Sangat buruk 0 0 0 0 0 0 Total kolom 13 5 15 16 11 60 Keterangan: Total benar = 25, Total sampel = 60, Total akurasi = 25/60*100% = 41.67%

Uji akurasi klasifikasi kondisi ekosistem terumbu karang meliputi skema kategori kelas terumbu karang buruk, sedang dan baik hasil penelitian ini relatif lebih rendah, jika dibanding dengan perolehan akurasi penelitian Benfield et al. (2007), khususnya penggunaan Quickbird di kepulauan Las Perlas dari perbandingan berbagai metode klasifikasi citra.

Citra training Lapangan