6
BAB II
LANDASAN TEORI
II.1 Penginderaan Jauh untuk Permukiman
Inderaja atau penginderaan jauh merupakan teknologi yang mendapatkan informasi mengenai objek atau fenomena dengan menganalisis data dengan alat tanpa kontak langsung dengan objek atau fenomena yang dikaji (Lillesand, 1994).
Inderaja merupakan alat yang digunakan untuk memetakan area permukiman (Curran, 1985).
Gambar II.1 Proses Penginderaan Jauh
Inderaja bermanfaat dalam memperoleh informasi terkait permukiman yang dapat dilihat oleh alat tanpa kontak langsung dan dapat diolah, dianalisis, diinterpretasikan dan disajikan dalam bentuk informasi spasial (Avery, 1985).
II.2 Sistem Informasi Geografis
Sistem Informasi Geografis (SIG) merupakan sistem informasi yang digunakan dalam memproses dan menyimpan data atau informasi geografis (Aronoff, 1989). SIG (Sistem Informasi Geografis) secara umum merupakan komponen yang terdiri dari perangkat keras, perangkat lunak, data geografis dan sumber daya manusia dalam menyimpan, memperbaiki, memperbaharui, mengelola, memanipulasi, menganalisa dan menampilkan data informasi berbasis geografis (Prahasta, 2008).
7
II.3 Satelit Pleaides
CNES (Center National d’Etudes Spatiales) badan dari negara Perancis membuat satelit luar angkasa dengan resolusi tinggi (Very High Resolution Satellite Imagery) yaitu pada tahun 2011 yang bernama Pleiades. Gambar II.1. merupakan bentuk dari satelit Pleiades.
Gambar II.2 Satelit Pleaides (Sumber : (Pustekdata, 2018))
Satelit Pleiades dilengkapi dengan sensor CMG sehingga mampu memaksimalkan cakupan luas area (Astrium, 2012). Resolusi spasial 50 cm pada satelit Pleiades dapat membuat gambar berwarna. Resolusi temporal 2 hari dengan jenis orbit heliosynchronous quasi-circular pada ketinggian orbit 694 km. Tabel II.1 merupakan spesifikasi sensor Satelit Pleiades.
Tabel II.1 Spesifikasi Sensor Satelit Pleiades (Sumber : (Pustekdata, 2018) Metode Pencitraan Pankromatik Multispektral
Resolusi spasial 0.5 m GSD pada nadir 2m GSD pada nadir
Jangkauan spectral 480 – 830 nm
Biru (430-550 nm) Hijau (490-610 nm) Merah (600-720 nm) IR dekat (750-950 nm) Lebar sapuan 20 km pada nadir
Pencitraan off nadir Hingga 47° Tersedia opsi pemilihan sudut ketinggian Jangkauan dinamika 12 bit per piksel
Masa aktif satelit Perkiraan hingga lebih dari 5 tahun
8 Waktu pengulangan Setiap 1 hari Ketinggian orbit 694 km Waktu lintasan
equatorial 10:15 AM
Orbit Sinkron matahari
Harga 10 km2 untuk data arsip
17 km2 untuk perekaman baru
Luas pemesanan Minimum 25 km2 untuk data arsip (jarak lebar min 500 m) Minimum 100 km2 untuk perekaman baru (jarak lebar min 5 km)
Level proses Primer dan Ortho
Tingkat akurasi 3 m tanpa GCP (CE90) hingga kurang dari 1 m dengan GCP
II.4 Sebaran dan Pemilihan Titik Kontrol Tanah (GCP) dan Titik Uji Akurasi (ICP)
Ground Control Point merupakan titik kontrol tanah yang diketahui koordinatnya dan digunakan sebagai acuan (BIG, 2016), sedangkan Independent Check Point adalah titik kontrol tanah yang akan digunakan sebagai titik uji hasil produk yang dihasilkan (BIG, 2016). Penentuan GCP (Ground Control Point) dan ICP (Independent Check Point) memiliki syarat. Adapun syarat penentuan sebaran GCP adalah sebagai berikut (BIG, 2016). :
1. Pada sisi pojok citra.
2. Pada tengah area citra.
3. Pada wilayah perbatasan citra.
4. Tersebar merata dalam area citra.
5. Menyesuaikan kondisi citra.
Persebaran ICP harus memiliki sebaran yang merata dengan ketentuan sebagai berikut (BIG, 2016):
1. Pada setiap kuadran jumlah minimum titik uji adalah 20% dari total titik uji;
2. Jarak antar titik uji minimum 10% dari jarak diagonal area yang diuji.
9
II.5 Pemukiman Kumuh
Kawasan(permukiman) kumuh adalah kawasan tidak layak huni karena bangunannya yang tidak teratur, kepadatan bangunan yang tinggi serta sarana dan prasarana yang tidak memenuhi syarat (Anon., 2016). Ciri kawasan permukiman kumuh sebagai berikut (Srinivas, 2003).
1. Kontruksi bangunan yang dibangun kurang baik.
2. Pendapatan yang minim mencerminkan status keuangan yang sedikit.
3. Kepadatan bangunan yang tinggi dan tidak ada jarak antar bangunan.
4. Kepadatan penduduk yang tinggi.
5. Tingkat kebersihan kurang baik.
6. Kondisi sosial yang tidak baik mengakibatkan kenakalan dan pelanggaran.
7. Banyaknya jumlah masyarakat pendatang yang menyewa rumah.
II.6 Interprestasi Citra
Interpretasi citra merupakan proses mengekstrak informasi kualitatif dan kuantitatif dari citra (Ekrishi, 2014). Berikut tujuh karakteristik interpretasi citra yaitu (Ekrishi, 2014). :
1. Bentuk
Bentuk dapat dilihat dari interpretasi yang disajikan seperti bentuk bangunan yang teratur.
2. Ukuran
Ukuran merupakan volume suatu bangunan.
3. Pola
Pola atau susunan keruangan 4. Rona
Rona merupakan tingkat warna obyek pada citra.
5. Bayangan
Bayangan merupakan pantulan dari suatu bangunan.
6. Tekstur
Tekstur biasa dapat dilihat dan dirasakan.
10 7. Lokasi
Lokasi ini berkaitan dengan lokasi penelitian yaitu Kecamatan Bumi Waras.
II.7 Thissen Polygon
Thissen polygon merupakan sebuah titik dalam satu points yang digunakan untuk menggambar daerah tertentu (Shofiyati dkk., 2002). Satu points dalam thissen polygon ini menghubungkan titik-titik terdekat. Titik terdekat yang meghubungkan membentuk garis tegak lurus dan membuat polygon tersebut tertutup (Shofiyati dkk., 2002).
II.8 Metode Skoring
Metode skoring merupakan pemberian nilai terhadap parameter yang telah ditentukan (Sholikhan, Prasetyo dan Hartomo, 2019). Penentuan pemberian nilai dilakukan berdasarkan 8 kriteria permukiman dan perumahan kumuh menurut PERDA Kota Bandar Lampung Nomor 04 Tahun 2017.
II.9 Koreksi Geometrik
Koreksi geometrik merupakan proses memposisikan citra sehingga cocok dengan koordinat yang sesungguhnya(Pujianto dan Sukojo, 2016). Koreksi geometrik ini dilakukan untuk mencocokan koordinat pada citra dengan koordinat sebenarnya (Suprayogi dan Bashit, 2019).
Kesalahan geometrik pada citra dapat disebabkan oleh satelit dan sensor (sensor miring/off nadir) ataupun sumber eksternal yaitu topografi permukaan bumi. Agar data citra bebas dari kesalahan maka perlu dilakukan koreksi yaitu dengan koreksi orthorektifikasi dan rektifikasi (Pujianto dan Sukojo, 2016).
Uji akurasi RMSE dihitung dengan persamaan sebagai berikut (Pujianto dan Sukojo, 2016):
𝑅𝑀𝑆𝐸 = √
(𝑥𝐺𝑃𝑆−𝑥𝐶𝑃)2+(𝑦𝐺𝑃𝑆−𝑦𝐶𝑃)2𝑛 ….……….…(II.1)
11 Keterangan:
(x dan y)GPS = Koordinat titik kontrol koreksi geometrik (x dan y)CP = Koordinat titik uji
N = Jumlah titik kontrol
II.10 Maximum Likelohood
Klasifikasi supervised merupakan pengelompokan kelas klasifikasi menggunakan kriteria yang ditentukan oleh penciri kelas (class signature) yang diperoleh melalui training area (Ahmad dan Raya, 2012). Penelitian yang dilakukan menggunakan klasifikasi terbimbing yaitu maximum likelihood.
Maximum Likelihood merupakan probabilitas setiap kelas yang terdistribusi secara normal dan menghitung bahwa setiap pixel dalam kelas tertentu (Ahmad dan Raya, 2012).
II.11 Neural Network
Neural Network merupakan metode Artificial Intelligence (meniru sistem jaringan syaraf yang ada dalam tubuh manusia) (Zhang, Zhao dan Qin, 2016).
Neural network dalam penginderaan jauh digunakan dalam mengekstrasi informasi dari citra satelit berbasis data nilai spectral dan data non spectral (Anderson dan Mcneill, 1992). Metode Neural Network untuk pengolahan menggunakan metode klasifikasi Multilayer Perceptron (MLP).
Proses klasifikasi MLP dilakukan untuk penentuan daerah contoh (sampel).
Tahap ini merupakan proses klasifikasi yang dilakukan dengan simulasi beberapa parameter pada jaringan MLP. Parameter jaringan disetting dengan tujuan mendapatkan hasil klasifikasi MLP yang memiliki akurasi dan waktu eksekusi yang terbaik (Kusumadewi, 2004). Parameter-parameter jaringan yang digunakan dalam penelitian ini yaitu.
1. Fungsi aktivasi
2. Lapisan tersembunyi (hidden layer)
Lapisan input kemudian diteruskan kelapisan output yang memiliki respon bobot.
3. Learning rate
12 Menentukan besaran penyesuaian bobot.
4. Nilai momentum (training momentum)
Nilai momentum (training momentum) digunakan untuk mengatur besarnya efek perubahan bobot sebelumnya, nilai ini berada dalam interval nilai nol sampai satu.
5. Iterasi
Fungsi utama dalam klasifikasi.
6. Nilai Root Mean Square (RMS)
Nilai RMS (Root Mean Square) ini digunakan dalam nilai toleransi selama pelatihan akan terhenti.
II.12 Digitasi (Interpretasi Visual)
Digitasi merupakan bagian dari proses pemetaan digital yang dilakukan dengan proses mengkonversi objek geografis dari peta analog ke dalam format digital (Erni, 2017). Penelitian ini melakukan proses digitasi yaitu untuk memperoleh hasil klasifikasi.
II.13 Uji Akurasi
Uji akurasi klasifikasi digunakan untuk memperoleh tingkat akurasi dari hasil klasifikasi citra. Confusion matrix merupakan metode yang menggambarkan tingkat atau besar akurasi dari suatu klasifikasi. Berikut formula yang digunakan dalam mencari nilai overall accuracy, producer’s accuracy, user’s accuracy, omisi error, comision error dan kappa accuracy yaitu:
Overall Accuracy
Jumlah nilai keseluruhan dari klasifikasi.
Overall Accuracy = D / N × 100% ...(II.3) Keterangan:
D = Total nilai baris yang benar secara diagonal N = Total nilai yang benar di dalam error matrix
Omisi error
Kesalahan dari proses klasifikasi karena kurangnya jumlah piksel dari suatu kategori.
13
Omisi error = 100% - Producer’s Accuracy...(II.4)
Comision error
Kesalahan dari proses klasifikasi yang disebabkan oleh penambahan jumlah piksel dari suatu kategori.
Comision error = 100% - User’s Accuracy...(II.5)
Producer’s Accuracy
Akurasi yang dilihat dari sisi penghasil peta berupa hasil klasifikasi.
Producer’s Accuracy = Xii /X+i × 100% ...(II.6) Keterangan :
Xii = Total nilai seluruh yang benar di dalam kelas X+i = Jumlah nilai seluruh di dalam baris
User’s Accuracy
Akurasi yang dilihat dari sisi penggunaan peta berupa Data Acuan.
User’s Accuracy = Xii / Xi+ × 100%...(II.7) Keterangan :
Xii = Total nilai seluruh yang benar di dalam kelas Xi+ = Jumlah nilai seluruh di dalam baris
Kappa Accuracy
Kappa Accuracy merupakan keakuratan data atau peta.
𝐾𝑎𝑝𝑝𝑎 = 𝑁 ∑𝑘1=1𝑥𝑖𝑖− ∑𝑘𝑖=1(𝑥1+ ×𝑥+1)
𝑁2− ∑𝑘𝑖=1(𝑥1+× 𝑥+1) ..………...(II.8) Keterangan :
xii = Jumlah pengamatan baris ke-i dan kolom ke-i xi+ = Total pengamatan untuk baris ke- i
x+i = Total pengamatan untuk kolom ke- i
N = Jumlah total Pengamatan
14
Nilai koefisien kappa dapat diinterpretasikan seperti dalam Tabel II.2 Tabel II.2 Nilai Koefisien Kappa Accuracy (Sumber: (Walker, 2011))
Nilai Kappa Keeratan Koefisien
< 0,20 Sangat Rendah
0,21 – 0,40 Lumayan
0,41 – 0,60 Cukup
0,61 – 0,80 Kuat
0,81 – 1,00 Sangat Kuat
