Gambar 3 Alur Ekstraksi Informasi Tekstur yang Ditrepkan pada Kanal Pankromatic Citra FORMOSAT-2.
2.5 Uji akurasi
Untuk mengetahui seberapa akurat hasil klasifikasi citra yang telah dilakukan, uji akurasi dilakukan melalui matriks kesalahan (error matrix). Untuk bisa melaksanakan itu diperlukan dua data yakni: image hasil klasifikasi yang akan diuji akurasinya dan data lapangan (ground truth data) sebagai referensi. Data lapangan studi ini diperoleh dari kombinasi data survai lapang, peta usia tanam sawit yang diperoleh dari PTPN VIII, citra Google Earth. Nilai uji akurasi hasil matriks kesalahan adalah Overall Accuracy, User Accuracy dan Producer Accuracy, selain itu diihung pula nilai Kappa-nya.
3. Hasil dan Pembahasan
3.1 Hasil Klasifikasi Kanal Multispektral
Klasifikasi citra terbimibing menggunakan metode maximum likelihood telah diterapkan pada 4 kanal multispektral citra FORMOSAT-2. Pada awalnya klasifikasi menggunakan 44 training area (TA) yang mewakili 7 tutupan lahan yang ada di kebun sawit Cimulang, mereka adalah: 4 TA mewakili tanaman sawit yang ditanam pada 2002, 12 TA mewakili sawit tahun 2003, 6 TA mewakili sawit tahun 2004, 10 TA mewakili sawit tahun 2005, 5 TA mewakili rerumputan, 4 TA mewakili sawit muda yang didominasi rerumputan dan 3 TA mewakili non vegetasi.
Menggunakan 44 training area ini, citra multispektral diklasifikasi menjadi 44 kelas. Kelas-kelas ini kemudian dikelompokan kembali menjadi 7 kelas tutupan lahan. Walaupun telah dikelompokkan menjadi 7 kelas, namun beberapa kelas ternyata tidak sempurna terklasifikasi, utamanya antar kelas beda usia tanaman sawit. Hal ini dikarenakan sidik jadi dan pemisahan antar kelas ini
2 m panchromatic FORMOSAT-2 image
Filtered panchromatic image by high pass filter (test image)
ERDAS Imagine modeler
non vegetasi (78,8%). Adapun nilai overall accuracy sebesar 66,4% sedang nilai Kappa-nya adalah 0,48.
3.2 Hasil klasifikasi kombinasi kanal multispektral dan informasi tekstur
Menggunakan 5 referensi image dimana tiap referensi image mewakili satu pola tanam sawit pada citra pankromatik 2 m, maka 5 layer informasi teksturpun dihasilkan dari proses ekstraksi tekstur menggunakan metode image matching by correlation. Lima layer informasi tekstur dan referensi imagenya ditunjukkan pada Gambar 4.
Dari Gambar 4 dapat dilihat bahwa secara umum mereka memiliki dua warna yang bertolak belakang, yakni putih terang dan gelap. Putih terang mengindikasikan bahwa pada wilayah-wilayah ini ada hubungan yang kuat antara test-image dan referensi-imagenya (pola tanam sawit dan usianya mempunyai kemiripan yang mendekati sama), sedangkan warna gelap adalah sebaliknya (korelasinya rendah).
Lima layer informasi tekstur yang disajikan pada Gambar 4 adalah hasil terbaik dari hasil uji coba algoritma. Senyatanya untuk menghasilkan 5 hasil ini beberapa kali proses telah dilakukan. Jika percobaan hasilnya tidak baik, maka referensi-image dipindah/digeser, kemudian proses dijalankan kembali hingga menghasilkan informasi tekstur yang baik. Baik di sini adalah jika hasil outputnya nampak warna putih-terang yang terkonsentrasi di suatu wilayah, tidak gelap atau terang namun terpencar-pencar seperti noise. Dari uji coba yang dilakukan, nampanya lebih mudah memperoleh informasi tekstur yang cerah pada wilayah-wilayah Sawit Dewasa dibanding pada wilayah Sawit Muda maupun yang lainnya.
Gambar 3 Gambar A, B, C, D and E adalah Informasi Tekstur yang Diekstrak Menggunakan Referensi-image.
Warna putih terang mengindikasikan hubungan yang kuat antara referensi –image dengan test-imagenya
3.3 Perbandingan
Sesuai judulnya bagian ini akan membandingkan hasil dua klasifikasi yang dihasilkan pada seksi 3.1 dan 3.2. Untuk memudahkan, secara visual perbandingan hasil dua klasifikasi dapat dilihat pada Gambar 5. Secara kasat mata dari Gambar 4 dapat dilihat bahwa gambar A (hasil klasifikasi kanal multispektral) nampak lebih kasar dibanding gambar B (hasil klasifikasi kombinasi kanal multispektral dan informasi tekstur). Jika Gambar A dan B dibandingkan dengan Gambar C (peta ground truth) maka bisa disimpulkan bahwa hasil B lebih baik dari A. Walau demikian menurut Verbyla (1995) pengamatan visual tidak lah cukup, perlu pengamatan secara kuantitatif. Pengamatan kuantitatif ini dilakukan dengan membandingkan hasil uji akurasi ke dua klasifikasi. Perbandingan ini disajikan pada Tabel 1.
Gambar 5 (a) Hasil Klasifikasi Kanal Multispektral FORMOSAT-2, (b) Hasil Klasifikasi Final Kombinasi Kanal Multispektral Plus Informasi Tekstur, (c) Peta Ground Truth
Tabel 1 Perbandingan dan Perbedaan Uji Akurasi Hasil Klasifikasi
Cover Types
Multispectral bands Multispectral plus texture information
PA (%) UA (%) PA (%) UA (%)
PA = producer’s accuracy, UA = user’s accuracy, MA = Sawit Dewasa, IM = Sawit Muda, GR = Rumput, NV = Non vegetasi
4. Kesimpulan
Studi ini mempunyai beberapa kesimpulan sebagai berikut:
(1) Sawit adalah salah satu sektor penting yang mendukung perekonomian Indonesia. Total ekpor CPO dan turunannya pada tahun 2007 mencapai 17 juta ton, atau setara dengan nilai 6,2 milyar dollar Amerika. Perkebunan sawit telah mengokupasi lahan seluas 6.78 juta hektar pada 2007, dan terus berkembang hingga saat ini. Okupasi lahan untuk perkebunan sawit ini telah membawa masalah lingkungan seperti deforestasi.
(2) Pengelolaan perkebunan sawit berkelanjutan adalah kunci penting dalam upaya memenuhi kepentingan ekonomi sekaligus perfihak pula pada lingkungan. Kecanggihan dan kehandalan teknologi seperti remote sensing dapat diadopsi untuk mendukung pengelolaan perkebunan sawit berkelanjutan. Dalam upaya untuk itu, studi ini telah mampu menggunakan citra resolusi tinggi FORMOSAT-2 (8 m untuk 4 kanal multispektral dan 2 m untuk 1 kanal pankromatik) untuk mengklasifikasi tahap usia tanam sawit di perkebunan sawit Cimulang, Bogor. Klasifikasi citra dilakukan dengan memanfaatkan kanal multispektral dan kombinasi kanal multispektral plus informasi
teksturnya. Klasifikasi citra terbimbing menggunakan teknik maximum likelihood dan ekstraksi informasi tekstur menggunakan teknik used image matching by correlation. (3) Tanaman sawit yang ditanam di perkebunan mempunyai pola tanam berbentuk segitiga
sama sisi yang jarak antar tanamannya sebesar 9 m. Jika dilihat dari atas pola tanam ini memiliki sedikit perbedaan dalam sudut orientasi (arah), perbedaan ini menyesuaikan dengan bentuk medan wilayah kebun sawit tersebut. Perbedaan arah pola tanam ini dapat dilihat secara visual pada citra pankromatik FORMOSAT-2 yang beresolusi 2 m. Dengan kondisi ini, ekstraksi tekstur pola tanam sawit dapat dilakukan secara otomatis dengan menjalankan algoritma image matching by correlation pada kanal pankromatik citra FORMOSAT-2 yang sebelumnya telah difilter oleh filter high pass. Metoda ini berhasil sukses mengekstrak informasi tekstur dari beberapa pola tanam sawit yang berbeda arah tanamnya di perkebunan Cimulang.
(4) Studi ini menghasilkan overall accuracy (OA)dari hasil klasifikasi kanal multispektral citra FORMOSAT-2 sebesar 66,37% dan nilai kappanya 0,48. Sementara OA 76,8% dan nilai kappa 0,66 diperoleh dari hasil final klasifikasi citra FORMOSAT-2 yang mengkombinasikan informasi tekstur citra dengan kanal multispektralnya. Membandingkan hasil dua klasifikasi tersebut dapat dikatakan bahwa dengan menambahkan informasi tekstur pada kanal multispektral FORMOSAT-2 dapat meningkatkan OA sebesar 10.4% dan nilai kappanya 0,12.
(5) Citra resolusi tinggi FORMOSAT-2 dapat digunakan untuk memetakan perbedaan tahap usia tanam sawit guna mendukung program pengelolaan perkebunan sawit berkelanjutan.
5. Referensi
Berbergolu, S. and Curran, P.J. (2005): Remote Sensing Image Analysis: Including the Spatial Domain, Merging Spectral and Textural Information for Classifying Remotely Sensed Images, Springer Science and Business Media, p113-136.
Chang, K.T. (2008): Introduction to Geographic Information Systems, Fourth Edition, Mc. Graw Hill International Editions.
Chen, D., Stow, D.A., and Gong, P. (2004): Examining the effect of spatial resolution and texture window size on classification accuracy: An urban environment case, International Journal of Remote Sensing 25, p2177-2192.
Coburn, C.A. and Roberts, A.C.B. (2004): A Multiscale Texture Analysis Procedure for Improved Forest Stand Classification, International Journal Remote Sensing, Vol. 25, No. 20, p4287-4308.
Colchester, M. (2006): Indonesia: Oil palm expansion for biofuel bringing more exploitation than development, Bulletin of World Rainforest Movement No. 112, 2006, Cited: May 4, 2010, URL: http://www.wrm.org.uy/bulletin/112/Indonesia.html
Corley, R.H.V. and Tinker, P.B. (2003): The Oil Palm, Fourth edition, Blackwell Science Ltd., Oxford.
EconomyWatch, Indonesia Economy, Cited: April 18, 2010, URL: http://www.economywatch.com/world_economy/indonesia/
Fedepalma, The Oil Palm, Cited: April 19, 2010, URL: http://www.fedepalma.org/oil_palm.htm Gibson, P.J. (2000): Introductory Remote Sensing: Principles and Concepts, Routledge, London.
Gonzales R. C., and Woods, R. E. (2002): Digital Image Processing, Second Edition, Prentice Hall, New Jersey.
Jensen, J.R. (2005): Introductory Digital Image Processing. A Remote Sensing Perspective, 3rd Edition, Pearson Prentice Hall.
Liu, C.C. et al. (2007): Image processing of FORMOSAT-2 data for monitoring the South Asia tsunami, International Journal of Remote Sensing, Vol. 28, Nos. 13–14, 2007, p3093–3111.
Perkebunan Nusantara VIII, Profile, Cited: April 20, 2010, URL:http://www.pn8.co.id/pn8_eng/index.php?option=com_content&task=category§ionid=4&id=13&Item id=28
Sukamto. (2008): 58 Kiat Meningkatkan Produktivitas dan Mutu Kelapa Sawit, Penebar Swadaya, Jakarta. Sunarko. (2009): Budi Daya dan Pengelolaan Kebun Kelapa Sawit dengan Sistem Kemitraan, Agromedia Pustaka, Jakarta.
