COMPARISON OF METHODS SUPERVISED AND UNSUPERVISED
THROUGH GOOGLE SATELLITE IMAGE ANALYSIS PROCEDURE FOR
LAND USE
Erristhya Darmawan .A(10108716)
Information System Major, Faculty of Computer and Technology Information
Science, University of Gunadarma
Email : erristhya2@gmail.com
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 Google Satelite, Quickbird,IKONOS, Landsat TM, SPOT, NOAA and others.
Google 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 93.33% and the accuracy of the lowest in the area Meulaboh with the value 73.33%. Whereas the highest accuracy in Unsupervised method that is the area Surabaya 2 with the value 80.00% and the accuracy of the lowest in the Meulaboh area with the value of 66.67%.
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
Google Satelite, Quickbird,IKONOS, Landsat TM, SPOT, NOAA dan lain-lain.
Citra satelit Google Satelite merupakan sumber daya yang sangat baik untuk memenuhi kebutuhan-kebutuhan dibidang analisis perubahan lahan, pertanian, kehutanan,
pertambangan dan lain-lain, pengguna juga mudah untuk dapat melihat citra satelite secara free dan cepat.
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 93.33% dan keakuratan terendah pada daerah Meulaboh dengan nilai 73.33%. Sedangkan Keakuratan tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 2 dengan nilai 80.00% dan keakuratan terendah pada daerah Meulaboh dengan nilai 66.67%.
Kata kunci : Citra Google Satelite, 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.
Pengindraan jarak jauh yaitu Besaran – besaran akuisisi dari Suatu obyek atau fenomena dengan menggunakan salah satu alat atau rekaman real – time dari perangkat sensing, tanpa ada kontak fisik dengan objek, seperti pesawat terbang angkasa, satelite , pelampung cuaca, ataupun kapal (Lillesand dan Keifer, 1994).
Teknologi Penginderaan Jauh
memiliki kemampuan untuk mengetahui roman muka bumi dalam kurun waktu tertentu dan dapat digunakan sebagai alat monitoring kondisi lingkungan wilayah pertambangan. Tujuan dari kegiatan ini adalah mencari model pengolahan data citra agar mudah dalam pemantauan lingkungan pertambangan, melokalisir daerah rusak dan perencanaan penanggulangannya. Metodologi penelitian secara garis besar meliputi pengumpulan data; data raster, vektor, textual; pemrosesan awal; survey lapangan; dan analisis citra(Supriyantono, et all, 2003).
Tata guna lahan(land use) adalah sebuah pemanfaatan lahan dan penataan lahan yang dilakukan sesuai dengan kodisi eksisting alam. Tata guna lahan berupa:
Kawasan permukiman, Kawasan perumahan, Kawasan perkebunan, Kawasan pertanian, Kawasan ruang terbuka hijau, Kawasan perdagangan, Kawasan industry(Suhadi Purwantoro, 2010).
1.2 Batasan Masalah
Batasan masalah pada penelitian tugas akhir ini adalah sebagai berikut :
1. Penggunaan metode klasifikasi
Supervised dan Unsupervised dalam Penelitian
2. Pemakaian Citra Google Satelite dalam penelitian
3. Penelitian yang difokuskan pada tata guna lahan berupa :
Pohon dan Rumput; Pemukiman, Bangunan Dan Tanah; Aspal Dan Jalan Raya; Asbes Dan Beton.
1.3 Tujuan Penelitian
Tujuan penelitian tugas akhir ini adalah untuk Menghasilkan peta tematik yang dapat digunakan untuk pemanfaatan tata guna lahan (land use) dari sebuah citra Google Satelite menggunakan metode klasifikasi Supervised Dan Unsupervised, serta membandingkan keakuratan dari metode klasifikasi supervised dan unsupervised.
2. Landasan Teori
2.1 Penginderaan Jauh (Remote Sensing)
Penginderaan jauh adalah Pengumpulan dan pencatatan informasi tanpa kontak langsung pada julat elektromagnetik ultraviolet, tampak inframerah dan mikro dengan mempergunakan peralatan seperti scanner dan kamera yang ditempatkan pada wahana bergerak seperti pesawat udara atau pesawat angkasa dan menganalisis informasi yang diterima dengan teknik interpretasi foto, citra dan pengolahan citra (Fussel, et all, 1986).
Dalam penggunaan modern, istilah penginderaan jauh umumnya merujuk kepada penggunaan teknologi imaging Sensor, namun tidak terbatas pada penggunaan instrumen aboard pesawat terbang dan angkasa, serta berbeda dari gambar lainnya yang berhubungan dengan bidang seperti medis imaging (Fussel, et all, 1986).
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 Google Earth
Google Earth merupakan sebuah program globe virtual yang sebenarnya disebut Earth Viewer dan dibuat oleh Keyhole, Inc
Globa virtual ini memperlihatkan rumah, warna mobil, dan bahkan bayangan orang dan rambu jalan. Resolusi yang tersedia tergantung pada tempat yang dituju, tetapi kebanyakan daerah (kecuali beberapa pulau) dicakup dalam resolusi 15 meter. Las Vegas, Nevada dan Cambridge, Massachusetts memiliki resolusi tertinggi, pada ketinggian 15 cm (6 inci). Google
Earth memolehkan pengguna mencari alamat (untuk beberapa negara), memasukkan koordinat, atau menggunakan mouse untuk mencari lokasi.
Google Earth juga memiliki data model elevasi digital (DEM) yang dikumpulkan oleh Misi Topografi Radar Ulang Alik NASA. Ini bermaksud agar kita dapat melihat Grand Canyon atau Gunung Everest dalam tiga dimensi, daripada 2D di situs/program peta lainnya. Sejak November 2006, pemandangan 3D pada pegunungan, termasuk Gunung Everest, telah digunakan dengan penggunaan data DEM untuk memenuhi gerbang di cakupan SRTM. Banyak orang yang menggunakan aplikasi ini menambah datanya sendiri dan menjadikan mereka tersedia melalui sumber yang berbeda, seperti BBS atau blog. Google Earth mampu menunjukkan semua gambar permukaan Bumi. dan juga merupakan sebuah klien Web Map Service. Google Earth mendukung pengelolaan data Geospasial tiga dimensi melalui Keyhole Markup Language (KML).
Google Earth memiliki kemampuan untuk memperlihatkan bangunan dan struktur (seperti jembatan) 3D, yang meliputi buatan pengguna yang menggunakan SketchUp, sebuah program pemodelan 3D. Google Earth versi lama (sebelum Versi 4), bangunan 3d terbatas pada beberapa kota,
dan memiliki pemunculan yang buruk tanpa tekstur apapun. Banyak bangunan dan struktur di seluruh dunia memiliki detil 3D-nya; termasuk (tetapi tidak terbatas kepada) di negara Amerika Serikat, Britania Raya, Irlandia, India, Jepang, Jerman, Kanada, Pakistan dan kota Amsterdam dan Alexandria. Bulan Agustus 2007, Hamburg menjadi kota pertama yang seluruhnya ditampilkan dalam bentuk 3D, termasuk tekstur seperti facade. Pemunculan tiga dimensi itu tersedia untuk beberapa bangunan dan struktur di seluruh dunia melalui Gudang 3D Google dan situs web lainnya.
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)
Klasifikasi terawasi didasarkan pada ide bahwa pengguna (user) dapat memilih
sampel pixel – pixel dalam suatu citra yang merepresentasikan kelas-kelas khusus dan kemudian mengarahkan perangkat lunak pengolahan citra (image processing software) untuk menggunakan pilihan-pilihan tersebut sebagai dasar referensi untuk pengelompokkan pixel-pixel lainnya dalam citra tersebut. Wilayah pelatihan ( training area) dipilih berdasarkan pada pengetahuan dari pengguna ( the knowledge of the user). Pengguna dapat menentukan batas untuk menyatakan seberapa dekat hasil yang ingin dicapai. Batas ini seringkali ditentukan berdasarkan pada karakteristik spektral dari wilayah pelatihan yang ada. Pengguna juga dapat merancang hasil keluarannya (output). Sebagai contoh seberapa banyak kelas-kelas akhir yang diperlukan dalam pengklasifikasian citra yang dipunyai.
2.3.2 Klasifikasi Citra Tak Terawasi (Unsupervised)
Klasifikasi tak terawasi
(unsupervised classifications) merupakan pengklasifikasian hasil akhirnya (pengelompkkan pixel-pixel dengan karakteristik umum) didasarkan pada analisis perangkat lunak (software anaysis)
suatu citra tanpa pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu. Komputer menggunakan teknik-teknik tertentu untuk menentukan pixel mana yang
mempunyai kemiripan dan bergabung dalam satu kelas tertentu secara bersamaan. Pengguna dapat menentukan seberapa banyak data yang dapat dianalisis dan dapat menginginkan seberapa banyak jumlah kelas-kelas yang dihasilkan, tetapi di lain sisi pengguna tidak dapat mempengaruhi proses pengklasifikasian. Meskipun begitu, pengguna harus mempunyai pengetahuan tentang wilayah yang akan diklasifikasikan pada saat mengelompokkan pixel-pixel dengan karakteristik umum yang dihasilkan oleh komputer harus direlasikan dengan fitur aslinya. Contoh pada tanah ( mempunyai kesamaan fitur asli : tanah basah, pembangunan suatu wilayah, hutan pinus, dsb).
3. Metode Penelitian
Dalam penulisan tugas akhir ini penulis menggunakan metode studi pustaka dan uji coba. Studi pustaka dilakukan dengan cara mempelajari buku-buku, laporan penelitian yang pernah dilakukan, dan browsing internet, yang berkaitan dengan topik tugas akhir ini.
Penelitian dilakukan dengan langkah-langkah sebagai berikut :
- Membuat algoritma klasifikasi citra. - Melakukan perbaikan kualitas citra .
- Melakukan klasifikasi citra menggunakan metode Supervised. - Melakukan klasifikasi citra
menggunakan metode
Unsupervised.
- Menguji ketepatan/kebenaran (Accuracy Assessment) hasil klasifikasi citra menggunakan
metode Supervised dan
Unsupervised.
- Membandingkan keakuratan klasifikasi Supervised dan
Unsupervised.
3.1 Diagram Alir Klasifikasi Citra
Gambar 3.1 Diagram Alir Klasifikasi Citra
4. Hasil Penelitian
Pada penelitian tugas akhir ini digunakan 3 (tiga) citra Google Satelite
yaitu dua daerah Surabaya dan satu daerah Meulaboh.
(a) CitraDaerah Surabaya 1
(b) Citra Daerah Surabaya 2
(c) Citra 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 Awal Daerah Surabaya 1
(b) Citra Metode Supervised
(c) Citra Metode Unsupervised
Gambar 4.2 Citra Hasil Pengklasifikasian Daerah Bogor
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 Asbes, Beton (AsB) Asbes, Beton
Tabel 4.3 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Bogor
Tabel 4.4 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Bogor
Reference Data Classi fie d Dat a
VH1 VH2 U A1 A2 AsB Total Users Accuracy
VH1 1 0 0 0 0 0 1 100.00% VH2 0 1 0 0 0 0 1 100.00% U 0 1 5 0 0 0 6 83.33% A1 0 0 0 2 0 0 2 100.00% A2 0 0 0 0 2 0 2 100.00% AsB 0 0 0 0 0 3 3 100.00% Total 15 Overall Accuracy={(1+1+5+2+2+3)/15} x 100 = 93.33 % Reference Data Classi fie d Dat a V H 1 V H 2 V H 3 U 1 U 2 A 1 U 3 A 2 A 3 U 4 A 4 U 5 A 5 A 6 U 6 A 7 U 7 U 8 A 8 A 9 A s B U 9 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 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 - VH3 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 50.00% U1 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% 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 - A1 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% U3 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 - A2 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% 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 - 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 -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 -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 -
4.3 Hasil Penelitian Daerah Surabaya 2 Pada penelitian ketiga yaitu daerah Jakarta dibagi menjadi 4 (empat) kelas.
Tabel 4.5 Deskripsi Pengklasifikasian Kelas Daerah Surabaya 2
No. Deskripsi Kelas Warna 1. Pohon, Rumput, Lahan
Terbuka
2. Aspal, Jalan Raya 3. Pemukiman, Tanah 4. Asbes, Bangunan
(a) Citra Awal Daerah Surabaya 2
(b) Citra Metode Supervised
(c) CitraMetodeUnsupervised
Gambar 4.3 Citra Hasil Pengklasifikasian Daerah Surabaya 2 A5 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 2 50.00% 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 - 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 - A7 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 - A8 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 - A9 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 1 0 0 0 0 1 100.00% U9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 2 100.00% 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 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 2 100.00% 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 1 2 50.00% Total 15 Overall Accuracy={(1+1+1+1+1+1+2+2+1)/15} x 100 = 73.33 %
4.3.1 Uji Ketelitian Metode Supervised Dan Unsupervised Pada Daerah Surabaya2
Tabel 4.6 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Surabaya 2
Tabel 4.7 Uji Ketelitian/Kebenaran Klasifikasi
Supervised Pada Daerah Surabaya 2
Tabel 4.8 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Jakarta Kelas Deskripsi
Vegetasi Hijau (VH) Pohon, Rumput, Lahan Terbuka Urban (U) Pemukiman, Tanah Aspal (A) Aspal, Jalan Raya Asbes, Bangunan (AsB) Asbes, Bangunan
Reference Data
C
lass
ified Dat
a
VH1 VH2 U A1 A2 AsB Total Users Accuracy
VH1 1 0 0 0 0 0 1 100.00% VH2 0 2 0 0 0 0 2 100.00% U 0 2 5 0 0 0 7 71.43% A1 0 0 0 2 0 0 2 100.00% A2 0 0 0 0 2 0 2 100.00% AsB 0 0 0 0 0 1 1 100.00% Total 15 Overall Accuracy={(1+2+5+2+2+1)/15} x 100 = 86.67 % Reference Data Classi fie d Dat a V H 1 V H 2 V H 3 V H 4 V H 5 V H 6 V H 7 A 1 U 1 V H 8 A 2 A 3 A 4 U 2 A 5 U 3 U 4 A 6 U 5 U 6 A 8 U 7 A 9 U 8 A s B To tal User Accuracy VH1 1 0 0 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% VH2 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 100.00% VH3 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 - VH4 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 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 100.00%
4.4 Hasil Penelitian Daerah Surabaya 1
Tabel 4.9 Deskripsi Pengklasifikasian Kelas Daerah Meulaboh
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 Awal Daerah Meulaboh
VH6 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 -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 - A1 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% 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 -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 -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 -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 - 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 -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 -U3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 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 - A6 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% U5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 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 1 0 0 0 0 0 1 100.00% A8 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% 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 - A9 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 - 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={(1+3+1+1+2+1+1+1+1)/15} x 100 = 80.00 %
(b) Citra Metode Supervised
(c) Citra Metode Unsupervised
Gambar 4.4 Citra Hasil Pengklasifikasian Daerah Bogor
4.4.1 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 4.10 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Meulaboh
Kelas Deskripsi Vegetasi Hijau (VH) Pohon, Rumput Urban (U) Pemukiman,
Bangunan, Tanah Aspal (A) Aspal, Jalan Raya Asbes, Beton (AsB) Asbes, Beton
Tabel 4.11 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Meulaboh
Reference Data Classi fie d Dat a
VH1 VH2 U A1 A2 AsB Total Users Accuracy
VH1 2 0 0 0 0 0 2 100.00% VH2 0 1 0 0 0 0 1 100.00% U 0 1 4 0 0 0 5 80.00% A1 0 0 1 2 0 0 3 66.67% A2 0 0 0 0 0 0 0 - AsB 0 0 0 0 2 2 4 50.00% Total 15 Overall Accuracy={(2+1+4+2+2)/15} x 100 = 73.33 %
Tabel 4.12 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Meulaboh Reference Data Classi fie d Dat a V H 1 V H 2 V H 3 V H 4 V H 5 V H 6 V H 7 V H 8 U 1 A 1 U 2 U 3 U 4 A 2 A 3 U 5 A 4 A 5 A 6 A 7 U 6 A s B A 8 A s B 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 1 0 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% 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 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 100.00% VH5 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% VH6 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 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -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 -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 - A1 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% 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 1 0 0 0 0 0 0 0 0 0 0 0 0 1 -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 0 1 0 0 0 0 0 0 0 0 0 1 100.00% A4 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% A5 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% 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 - A7 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 0 0 0 0 0 0 0 0 0 0 1 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 0 0 0 0 0 0 0 - A8 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 1 0 1 0 2 50.00% 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={(1+3+1+1+1+1+1+1+1+1)/15} x 100 = 66.67 %
4.5 Perbandingan Metode Supervised dan Unsupervise
Tabel 4.13 Tabel Perbandingan Klasifikasi
Supervised dan Unsupervised
Penelitian Supervised Unsupervised Daerah Surabaya1 93.33 % 73.33 %
Daerah Surabaya2 86.67 % 80.00 %
Daerah Meulaboh 73.33 % 66.67 %
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 Meulaboh dengan nilai 73.33%. Sedangkan Keakuratan tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 2 dengan nilai 80.00% dan keakuratan terendah pada daerah Meulaboh dengan nilai 66.67%.
5. Penutup 5.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan, hasil dari klasifikasi supervised
dan unsupervised yang dilakukan terhadap citra Google Satelite yang terekam pada tahun 2012, yaitu dua buah citra untuk daerah Surabaya dan satu buah citra daereah
Meulaboh(Aceh) didapatkan kesimpulan bahwa:
- Nilai akurasi yang dihasilkan lebih tinggi yaitu dengan klasifikasi supervised.
Dengan pengklasifikasian mengunakan daerah training (training area) peta tematik yang dihasilkan akan lebih akurat.
- - Penelitian ini menghasilkan sebuah peta tematik yang dapat berguna dalam perencanaan tata ruang kota, pemanfaatan tata guna lahan, serta dapat juga berguna untuk melihat seberapa banyak ruang terbuka hijau di suatu daerah.
5.2 Saran
Saran untuk perbaikan penelitian ini adalah dengan menggunakan ruang lingkup penelitian yang lebih luas, misalnya satu wilayah kabupaten. Pada penelitian ini hanya mampu mengklasifikasikan suatu kelas berdasarkan warna atau kedekatan piksel-pikselnya, untuk pengembangan dapat dilakukan pengklasifikasian berdasarkan warna, tinggi rendahnya wilaya 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] Danoedoro, Projo, 2012. Pengantar
Penginderaan Jauh Digital, ANDI.,
Yogyakarta
[4] DigitalGlobe. 2010. Quickbird Imagery
Products (Product Guide).
DigitalGlobe, Inc., Longmont.
[5] Lillesand, Kiefer, 1998. Penginderaan
Jauh dan Interpretasi Citra, Gajah
Mada University Press.
[6] Lillesand, Kiefer, 2004. Remote Sensing and Interpretation (Fifth Edition). John Wiley & Sons, Inc., New York.
[7] Lindgren, D.T, 1985. Land use
Planning and Remote Sensing,
Doldrecht: Martinus Nijhoff Publisher.
[8] Munir, Rinaldi, 2004. Pengolahan CITRA DIGITAL dengan Pendekatan
Algoritmik, Bandung: Penerbit
INFORMATIKA.
[9] Prahasta, Eddy, 2008. REMOTE SENSING Praktis Penginderaan Jauh & Pengolahan Citra Digital dengan
Perangkat Lunak ER Mapper, Bandung:
Penerbit INFORMATIKA.
[10] Santosa, Budi, 2007. Data Mining
Teknik Pemanfaatan Data untuk
Keperluan Bisnis Teori & Aplikasi,
Yogyakarta : Penerbit Graha Ilmu.
[11] Sugiharto, Aris, 2006. Pemrograman
GUI dengan Matlab, Yogyakarta:
Penerbit Andi. [12] http://gd.itenas.ac.id/apa%20itu%20geodesi/rua ng%20lingkup/pj.html [13] http://kwalabekala.usu.ac.id/tata-guna-lahan.html [14] http://nationalinks.blogspot.com/2009/0 3/definisi-peta.html [15] http://www.erdas.com/ [16] http://www.remotesensing.org/ [17] http://www.satimagingcorp.com/satellit e-sensors/worldview-2.html [18] http://news.softpedia.com/news/ WorldView-2-Satellite-to-Provide- Google-Earth-with-High-Resolution-Images-124112.shtml
