ANALYSIS QUICKBIRD IMAGERY USING SUPERVISED AND
UNSUPERVISED CLASSIFICATION
Latifa Ulfah
Undergraduate Program, Information Systems Gunadarma University
http://www.gunadarma.ac.id
Keywords : Quickbird Imagery, Supervised Classification, Unsupervised Classification, Erdas Imagine.
ABSTRACT
Remote sensing is a science or technology to obtain information or a natural phenomenon through an analysis of data obtained from the recording object, area or phenomenon being observed. Digital image result of the remote sensing imagery such as Quickbird, IKONOS, Landsat TM, SPOT, NOAA and others. Quickbird satellite imagery is an excellent resource to meet the needs analysis in the field of land use change, agriculture, forestry, mining and others. Digital image classification aim to produce thematic maps. Digital image classification consists of two methods that is Supervised classification and Unsupervised classification. The resulting thematic maps using Supervised and Unsupervised methods can be used in the utilization of land use, urban spatial planning and land cover.
Based on research results using Supervised and Unsupervised methods can be concluded that the Supervised classification method has higher accuracy than Unsupervised methods. The highest accuracy in Supervised method that is the area Surabaya 1 with the value 99.33% and the accuracy of the lowest in the area Surabaya 2 with the value 73.33%. Whereas the highest accuracy in Unsupervised method that is the area Surabaya 1 with the value 86.67% and the accuracy of the lowest in the Meulaboh area with the value of 60.00%.
ANALYSIS QUICKBIRD IMAGERY USING SUPERVISED AND
UNSUPERVISED CLASSIFICATION
Latifa Ulfah (10106805)
Information System Major, Faculty of Computer and Technology Information Science, University of Gunadarma
Email : [email protected]
Abstract
Remote sensing is a science or technology to obtain information or a natural phenomenon through an analysis of data obtained from the recording object, area or phenomenon being observed. Digital image result of the remote sensing imagery such as Quickbird, IKONOS, Landsat TM, SPOT, NOAA and others.
Quickbird satellite imagery is an excellent resource to meet the needs analysis in the field of land use change, agriculture, forestry, mining and others.
Digital image classification aim to produce thematic maps. Digital image classification consists of two methods that is Supervised classification and Unsupervised classification. The resulting thematic maps using Supervised and Unsupervised methods can be used in the utilization of land use, urban spatial planning and land cover.
Based on research results using Supervised and Unsupervised methods can be concluded that the Supervised classification method has higher accuracy than Unsupervised methods.
The highest accuracy in Supervised method that is the area Surabaya 1 with the value 99.33% and the accuracy of the lowest in the area Surabaya 2 with the value 73.33%. Whereas the highest accuracy in Unsupervised method that is the area Surabaya 1 with the value 86.67% and the accuracy of the lowest in the Meulaboh area with the value of 60.00%.
Keywords : Quickbird Imagery, Supervised Classification, Unsupervised Classification, Erdas Imagine.
Abstraksi
Penginderaan jauh merupakan suatu ilmu atau teknologi untuk memperoleh informasi atau fenomena alam melalui analisis suatu data yang diperoleh dari hasil rekaman obyek, daerah atau fenomena yang dikaji. Citra digital hasil penginderaan jauh antara lain citra
Quickbird, IKONOS, Landsat TM, SPOT, NOAA dan lain-lain.
Citra satelit Quickbird merupakan sumber daya yang sangat baik untuk memenuhi kebutuhan-kebutuhan dibidang analisis perubahan lahan, pertanian, kehutanan, pertambangan dan lain-lain.
Klasifikasi citra digital bertujuan untuk menghasilkan peta tematik. Klasifikasi citra digital terdiri dari dua metode yaitu klasifikasi Supervised dan klasifikasi Unsupervised. Peta
tematik yang dihasilkan menggunakan metode Supervised dan Unsupervised dapat digunakan dalam pemanfaatan tata guna lahan, perencanaan tata ruang kota dan penutupan lahan.
Berdasarkan hasil penelitian menggunakan metode Supervised dan Unsupervised
dapat disimpulkan bahwa klasifikasi menggunakan metode Supervised memiliki keakuratan yang lebih tinggi dibandingkan dengan metode Unsupervised.
Keakuratan tertinggi pada metode Supervised yaitu pada daerah Surabaya 1 dengan nilai 99.33% dan keakuratan terendah pada daerah Surabaya 2 dengan nilai 73.33%. Sedangkan Keakuratan tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 1 dengan nilai 86.67% dan keakuratan terendah pada daerah Meulaboh dengan nilai 60.00%. Kata kunci : Citra Quickbird, Klasifikasi Supervised, Klasifikasi Unsupervised, Erdas Imagine.
1. Pendahuluan
1.1 Latar Belakang
Penginderaan jauh merupakan suatu teknik pengukuran atau perolehan informasi dari beberapa sifat objek atau fenomena dengan menggunakan alat perekam yang secara fisik tidak terjadi kontak langsung atau bersinggungan dengan objek atau fenomena yang dikaji.
Pada saat ini ketersediaan citra-citra digital untuk sebagian besar wilayah di permukaan bumi semakin banyak. Citra-citra ini merupakan hasil perekaman sensor-sensor yang dibawa oleh satelit maupun pesawat terbang (airbone), antara lain yaitu citra satelit Quickbird. Citra satelit quickbird
merupakan sumberdaya yang sangat baik
untuk memenuhi kebutuhan-kebutuhan
dibidang analisis perubahan lahan, pertanian, kehutanan dan lain-lain (Prahasta, 2008).
Klasifikasi citra digital merupakan suatu proses penyusunan, pengurutan, atau pengelompokkan semua piksel kedalam beberapa kelas (kelompok) berdasarkan suatu kriteria atau kategori objek yang
bertujuan untuk menghasilkan “peta
tematik” (Prahasta, 2008).
Setiap piksel yang terdapat di dalam setiap kelas hasil klasifikasi diasumsikan memiliki karakteristik yang homogen. Tujuan proses ini adalah untuk mengekstrak pola-pola respon spektral (terutama yang dominan) yang terdapat didalam citra itu sendiri, pada umumnya berupa kelas-kelas penutup lahan (land cover) dan tata guna lahan (land use).
Tata guna lahan (land use) adalah
suatu upaya dalam merencanakan
penggunaan lahan dalam suatu kawasan yang meliputi pembagian wilayah untuk
fungsi-fungsi khusus tertentu, misalnya fungsi pemukiman, perdagangan, industri, dan lain-lain.
Peta tematik adalah peta yang menggambarkan suatu wilayah yang terdiri atas satu atau beberapa objek atau tema yang detail. Setiap objek pada peta tersebut mempunyai simbol yang unik yang dapat dinyatakan dengan warna atau pola tertentu. Contoh objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah, kota, jalan dan lain-lain.
Didalam proses pengklasifikasian citra digital ini, secara umum dikenal dua kelompok metode yaitu klasifikasi tidak terawasi (unsupervised classification) dan
klasifikasi terawasi (supervised
classification). Pada metode klasifikasi tidak terawasi proses klasifikasi digunakan untuk
mengelompokkan piksel-piksel citra
berdasarkan aspek statistik (matematis) semata, tanpa ada kelas-kelas yang didefinisikan sendiri oleh pengguna (training sites/areas). Sedangkan klasifikasi terawasi merujuk pada keberadaan kelas-kelas yang didefinisikan oleh pengguna (Prahasta, 2008).
1.2 Batasan Masalah
Dalam penulisan tugas akhir ini, penulis menggunakan Citra Quickbird
tahun 2004. Dalam uji ketelitian/kebenaran
hasil klasifikasi Supervised dan
Unsupervised data yang dijadikan referensi
adalah citra Quickbird. Pengklasifikasian dilakukan berdasarkan kesamaan warna atau kedekatan nilai piksel-piksel. Penulis
menggunakan perangkat lunak Erdas
Imagine versi 2010 dan pada tahap
perbaikan kualitas citra (Image
Enhancement) penulis menggunakan perangkat lunak Matlab 7.6.
1.3 Tujuan Penelitian
Tujuan penelitian tugas akhir ini adalah untuk membandingkan keakuratan klasifikasi Supervised dan Unsupervised . Menghasilkan peta tematik yang dapat digunakan untuk pemanfaatan tata guna lahan (land use).
2. Landasan Teori
2.1 Penginderaan Jauh (Remote Sensing)
Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah, atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan objek,
daerah, atau fenomena yang dikaji
(Lilesand, 2004).
Penginderaan jauh merupakan teknik yang dikembangkan untuk memperoleh dan menganalisis informasi tentang bumi.
Informasi itu berbentuk radiasi
elektromagnetik yang dipantulkan atau
dipancarkan dari permukaan bumi
Gambar 2.1 Skema Umum Penginderaan Jauh
Data spasial adalah data yang
memiliki referensi ruang kebumian
(georeference) dimana berbagai data atribut terletak dalam berbagai unit spasial (Wikipedia.org). Data spasial yang pada umumnya diwujudkan baik sebagai peta analog (dicetak di atas media kertas) maupun digital merupakan salah satu sumber daya yang termasuk langka dan mahal pada saat ini. Karena peta analog atau peta digital merupakan gambaran atau
potret bentang alam yang sangat
komprehensif, jujur, dan yang terdekat dengan realitas (Prahasta, 2008).
Citra digital hasil penginderaan jauh antara lain citra Quickbird, IKONOS, Landsat TM, SPOT, NOAA dan lain-lain.
2.2 Citra Quickbird
Quickbird adalah satelit resolusi tinggi yang diluncurkan pada tanggal 18 Oktober 2001 di Vanderberg Air Force Base (California). Satelit yang dimiliki dan dioperasikan oleh DigitalGlobe ini diluncurkan dengan periode orbit 93.5
menit, sun-synchronous pada ketinggian 450 km, sudut inklinasi 97.2°, revisit time 1 hingga 4 hari, dan menghasilkan scene
dengan ukuran sekitar 16 km x 16 km (Prahasta, 2008).
Quickbird menggunakan sensor BGIS-2000 dengan resolusi 0.61 meter. Satelit Quickbird merupakan beberapa
band citra dengan spesifikasi berikut :
Tabel 2.1 Spesifikasi Band Citra Satelit
Quickbird
2.3 Klasifikasi Citra Digital
Tujuan dari proses klasifikasi citra adalah untuk mendapatkan gambar atau peta tematik. Gambar tematik adalah suatu gambar yang terdiri dari bagian-bagian yang menyatakan suatu objek atau tema tertentu.
Proses klasifikasi citra ada dua jenis, yaitu Supervised (Klasifikasi Citra Terawasi) dan Unsupervised (Klasifikasi Citra Tak Terawasi).
2.3.1 Klasifikasi Citra Terawasi (Supervised)
Penggunaan istilah terawasi disini mempunyai arti berdasarkan suatu referensi
penunjang, dimana kategori objek-objek yang terkandung pada citra telah dapat diidentifikasi. Klasifikasi ini memasukkan setiap piksel citra tersebut kedalam suatu kategori objek yang sudah diketahui.
2.3.2Klasifikasi Citra Tak Terawasi (Unsupervised)
Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya tidak menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa proses tersebut hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel pada citra.
Klasifikasi citra tak terawasi mencari kelompok-kelompok (cluster) piksel-piksel, kemudian menandai setiap piksel kedalam sebuah kelas berdasarkan parameter-parameter pengelompokkan awal yang didefinisikan oleh penggunanya.
3. Metode Penelitian
Pada penelitian tugas akhir ini terbagi menjadi empat tahap proses pengolahan data, yaitu tahap perbaikan kualitas citra (image enhancement), klasifikasi citra
menggunakan metode Supervised,
klasifikasi citra menggunakan metode
Unsupervised dan tahap uji ketelitian
terhadap metode Supervised dan
Unsupervised.
Diagram alir pada penelitian tugas akhir ini, seperti terlihat pada Gambar 3.1.
Data yang akan di olah merupakan Citra satelit Quickbird. Sebelum data di olah lebih lanjut, data terlebih dahulu diperbaiki kualitas citranya (image enhancement) seperti pengubahan kecerahan gambar (Brightness), penajaman, dan lain-lain.
Setelah data citra diperbaiki kualitasnya, data akan di klasifikasikan menggunakan software Erdas Imagine versi 2010 dengan metode Supervised dan
Unsupervised.
Estimasi tingkat ketelitian hasil analisis dilakukan secara statistik (random sampling). Berdasarkan hasil uji ketelitian, maka dapat dibandingkan keakuratan hasil metode Supervised dan Unsupervised.
3.1 Diagram Alir Klasifikasi Citra
Citra Quickbird Training Area (Daerah Sample) Perbaikan Kualitas Citra Klasifikasi Unsupervised Peta Tematik Uji Ketelitian/ Kebenaran Klasifikasi Supervised Perbandingan Metode Supervised dan Unsupervised
4. Hasil Penelitian
Pada penelitian tugas akhir ini digunakan 3 (tiga) citra quickbird yaitu dua daerah Surabaya dan satu daerah Meulaboh.
(a) Citra Quickbird Daerah Surabaya 1
(b) Citra Quickbird (c) Citra Quickbird Daerah Surabaya 2 Daerah Meulaboh
Gambar 4.1 Citra Quickbird yang digunakan dalam penelitian
4.1 Hasil Penelitian Daerah Surabaya 1
Tabel 4.1 Deskripsi Pengklasifikasian Kelas Daerah Surabaya 1
No. Deskripsi Kelas Warna
1. Pohon, Rumput
2. Pemukiman,
Bangunan, Tanah
3. Aspal, Jalan Raya
4. Asbes, Beton
Hasil klasifikasi menggunakan metode Supervised dan Unsupervised
adalah sebagai berikut :
(a) Citra Quickbird Awal Daerah Surabaya 1
(b) Citra Quickbird (c) Citra Quickbird Metode Supervised Metode Unsupervised
Gambar 4.2 Citra Hasil Pengklasifikasian Daerah Surabaya 1
4.1.1 Uji Ketelitian Metode Supervised dan
Unsupervised Pada Daerah Surabaya 1 Pengujian ketelitian/kebenaran hasil
klasifikasi menggunakan metode
Supervised dan Unsupervised dilakukan dengan cara random sampling (acak).
Tabel 4.2 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Surabaya 1
Kelas Deskripsi
Vegetasi Hijau (VH) Pohon, Rumput
Urban (U) Pemukiman,
Bangunan, Tanah
Aspal (A) Aspal, Jalan Raya
Tabel 4.3 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Surabaya 1
Tabel 4.4 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Surabaya 1
Reference Data C la ss if ie d D a ta
VH1 VH2 U A1 A2 AsB Total Users Accuracy
VH1 2 0 0 0 0 0 2 100.00% VH2 1 2 0 0 0 0 3 66.67% U 0 0 6 0 0 0 6 100.00% A1 0 0 0 3 0 0 3 100.00% A2 0 0 0 0 0 0 0 - AsB 0 0 0 0 0 1 1 100.00% Total 15 Overall Accuracy={(2+2+6+3+0+1)/15} x 100 = 93.33 % Reference Data C la ss if ie d D a ta V H 1 V H 2 A 1 A 2 U 1 A 3 U 2 A 4 U 3 A 5 A 6 U 4 U 5 A 7 U 6 A 8 U 7 A 9 U 8 A 1 0 U 9 U 1 0 A 1 1 U 1 1 A s B Total User Accuracy VH1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 100.00% VH2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% A2 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% U1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% A3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A4 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% U3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A5 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% A6 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 100.00% U4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U5 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% A7 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 2 50.00% U6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 100.00% U7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 100.00% A9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 - U8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - Total 15 Overall Accuracy={(2+1+1+1+1+1+2+1+1+1+1)/15} x 100 = 86.67 %
4.2 Hasil Penelitian Daerah Surabaya 2
Tabel 4.5 Deskripsi Pengklasifikasian Kelas Daerah Surabaya 2
No. Deskripsi Kelas Warna
1. Pohon, Lahan Terbuka,
Vegetasi Hijau
2. Pemukiman, Bangunan,
Tanah
3. Aspal, Jalan Raya
4. Asbes, Beton
Hasil klasifikasi menggunakan metode Supervised dan Unsupervised adalah sebagai berikut :
(a) Citra Quickbird Awal Daerah Surabaya 2
(b) Citra Quickbird (c) Citra Quickbird
Metode Supervised Metode Unsupervised
Gambar 4.3 Citra Hasil Pengklasifikasian Daerah Surabaya 2
4.2.1Uji Ketelitian Metode Supervised
dan Unsupervised Pada Daerah Surabaya 2
Tabel 4.6 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Surabaya 2
Kelas Deskripsi
Vegetasi Hijau (VH) Pohon, Lahan Terbuka, Vegetasi Hijau
Urban (U) Pemukiman, Bangunan,
Tanah
Aspal (A) Aspal, Jalan Raya
Asbes, Beton (AsB) Asbes, Beton
Tabel 4.7 Uji Ketelitian/Kebenaran Klasifikasi
Supervised Pada Daerah Surabaya 2
Reference Data C la ss if ie d D a ta V H 1 V H 2 U A 1 A 2 A s B Total Users Accuracy VH1 3 0 1 0 0 0 4 75.00% VH2 0 0 0 0 0 0 0 - U 1 1 6 0 0 0 8 75.00% A1 0 0 0 1 0 0 1 100.00% A2 0 0 0 1 1 0 2 50.00% AsB 0 0 0 0 0 0 0 - Total 15 Overall Accuracy={(3+0+6+1+1+0)/15} x 100 = 73.33 %
Tabel 4.8 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Surabaya 2
4.3 Hasil Penelitian Daerah Meulaboh (Aceh)
Pada penelitian ketiga yaitu daerah Meulaboh (Aceh) dibagi menjadi 4 (empat) kelas.
Tabel 4.9 Deskripsi Pengklasifikasian Kelas Daerah Meulaboh
No. Deskripsi Kelas Warna
1. Pohon, Rumput, Lahan
Terbuka
2. Aspal, Jalan Raya
3. Pemukiman, Tanah 4. Asbes, Bangunan Reference Data C la ss if ie d D a ta V H 1 V H 2 V H 3 V H 4 U 1 V H 5 U 2 V H 6 A 1 U 3 V H 7 U 4 A 2 A 3 U 5 U 6 A 4 U 7 U 8 A 5 U 9 A 6 U 1 0 U 1 1 A s B To tal User Accuracy VH1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - VH2 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 100.00% VH3 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% VH4 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% U1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - VH5 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% U2 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% VH6 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 100.00% A1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -VH7 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% U4 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% A2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -A3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 100.00% U6 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -U7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 100.00% A6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U11 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 - AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 - Total 15 Overall Accuracy={(2+1+1+1+1+2+1+1+1+1)/15} x 100 = 80.00 %
(a) Citra Quickbird Awal Daerah Meulaboh
(b) Citra Quickbird (c) Citra Quickbird Metode Supervised MetodeUnsupervised
Gambar 4.4 Citra Hasil Pengklasifikasian Daerah Meulaboh
4.3.1 Uji Ketelitian Metode Supervised
Dan Unsupervised Pada Daerah Meulaboh
Tabel 4.10 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Meulaboh
Kelas Deskripsi
Vegetasi Hijau (VH) Pohon, Rumput,
Lahan Terbuka
Urban (U) Pemukiman, Tanah
Aspal (A) Aspal, Jalan Raya
Asbes, Bangunan (AsB) Asbes, Bangunan
Tabel 4.11 Uji Ketelitian/Kebenaran Klasifikasi
Supervised Pada Daerah Meulaboh
Reference Data C la ss if ie d D a ta V H 1 V H 2 A U 1 U 2 A s B Total Users Accuracy VH1 1 1 0 0 0 0 2 50.00% VH2 0 2 0 0 0 0 2 100.00% A 0 0 3 0 0 0 3 100.00% U1 0 0 0 2 0 0 2 100.00% U2 0 0 0 0 4 0 4 50.00% AsB 0 0 0 0 1 1 2 - Total 15 Overall Accuracy={(1+2+3+2+4+1)/15} x 100 = 86.67 %
Tabel 4.12 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Meulaboh
4.4 Perbandingan Metode Supervised dan
Unsupervised
Tabel 4.13 Tabel Perbandingan Klasifikasi
Supervised dan Unsupervised
Penelitian Supervised Unsupervised Daerah Surabaya 1 93.33 % 86.67 %
Daerah Surabaya 2 73.33 % 80.00 %
Daerah Meulaboh 86.67 % 60.00 %
Berdasarkan hasil penelitian
menggunakan metode Supervised dan
Unsupervised dapat disimpulkan bahwa klasifikasi menggunakan metode Supervised
memiliki keakuratan yang lebih tinggi dibandingkan dengan metode Unsupervised. Keakuratan tertinggi pada metode
Supervised yaitu pada daerah Surabaya 1 dengan nilai 99.33% dan keakuratan terendah pada daerah Surabaya 2 dengan
nilai 73.33%. Sedangkan Keakuratan
Reference Data Cl a ss if ie d D a ta V H 1 V H 2 V H 3 V H 4 V H 5 V H 6 U 1 U 2 U 3 U 4 U 5 U 6 U 7 V H 7 V H 8 U 8 U 9 U 1 0 A 1 A 2 A 3 A 4 A 5 A 6 A s B To tal User Accuracy VH1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - VH2 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 100.00% VH3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - VH4 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% VH5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - VH6 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00% U1 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 100.00% U2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -U3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - U4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -U5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -U6 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -U7 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -VH7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - VH8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -U8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -U9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -U10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 100.00% A1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 100.00% A3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -A4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 1 0 0 0 3 33.33% A5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - A6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0.00% AsB 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 - Total 15 Overall Accuracy={(2+1+1+2+1+1+1)/15} x 100 = 60.00 %
tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 1 dengan nilai 86.67% dan keakuratan terendah pada daerah Meulaboh dengan nilai 60.00%.
5. Penutup 5.1 Kesimpulan
Berdasarkan hasil penelitian klasifikasi
Supervised dan Unsupervised pada citra
Quickbird perekaman tahun 2004, dua daerah Surabaya dan satu daerah Meulaboh (Aceh) dapat disimpulkan bahwa keakuratan klasifikasi Supervised lebih tinggi dibandingkan klasifikasi Unsupervised. Penelitian ini dapat menghasilkan peta tematik yang dapat digunakan dalam pemanfaatan tata guna lahan, perencanaan tata ruang kota dan penutupan lahan.
5.2 Saran
Saran untuk perbaikan penelitian ini adalah dengan menggunakan ruang lingkup penelitian yang lebih luas, misalnya satu kecamatan. Pada penelitian ini hanya mampu mengklasifikasikan suatu kelas berdasarkan warna atau kedekatan piksel-pikselnya, untuk pengembangan dapat dilakukan pengklasifikasian berdasarkan warna dan bentuk sehingga dapat mengenali objek suatu kelas secara lebih rinci.
6. Daftar Pustaka
[1] Al-Tamini, Salam dan Al-Bakri, J. T.
2005. Comparison Between Supervised
and Unsupervised Classifications for Mapping Land Use/Cover in Ajloun Area. Jourdan Journal of Agricultural Sciences, Volume , No 1, 2005.
[2] Campbell, James, 2001. Digital Image
Classification Geography 4354- Remote Sensing.
[3] DigitalGlobe. 2010. Quickbird Imagery
Products (Product Guide). DigitalGlobe,
Inc., Longmont.
[4] Lillesand, Kiefer, 1998. Penginderaan
Jauh dan Interpretasi Citra, Gajah Mada
University Press.
[4] Lillesand, Kiefer, 2004. Remote Sensing
and Interpretation (Fifth Edition). John
Wiley & Sons, Inc., New York.
[5] Lindgren, D.T, 1985. Land use Planning
and Remote Sensing, Doldrecht: Martinus
Nijhoff Publisher.
[6] Munir, Rinaldi, 2004. Pengolahan CITRA
DIGITAL dengan Pendekatan Algoritmik,
Bandung: Penerbit INFORMATIKA.
[7] Prahasta, Eddy, 2008. REMOTE
SENSING Praktis Penginderaan Jauh &
Pengolahan Citra Digital dengan
Perangkat Lunak ER Mapper, Bandung:
Penerbit INFORMATIKA.
[8] Santosa, Budi, 2007. Data Mining Teknik
Pemanfaatan Data untuk Keperluan Bisnis Teori & Aplikasi, Yogyakarta : Penerbit Graha Ilmu.
[9] Sugiharto, Aris, 2006. Pemrograman GUI
dengan Matlab, Yogyakarta: Penerbit
Andi.
