KLASIFIKASI PERSENTASE IMPERVIOUS SURFACE
AREA MENGGUNAKAN METODE BACKPROPAGATION
Anni Ratna
Teknik Informatika Universitas Tarumanagara
Jl. Letjen. S. Parman no.1 Jakarta Barat 11440
Email :
[email protected]
ABSTRACT
Classification percentage of impervious surface area is a technique for classifying the percentage of impervious contained in an image. The purpose is to determine how much impervious surface in examined area. The image used is satellite image from OrbView-3. The method used in this design is Backpropagation Neural Network. NN has the ability similar to neural networks in the human brain. NN will learn the classifications such as the brain learn to recognize an object the more it will be learning more intelligent or introduction will be closer to the truth. The input used is the value of pixel R, G, B and NIR of the image, while its output is Vegetation, impervious, and Soil. The output of the program in the form of thematic maps and impervious percentage of the image under study. However, the percentange of error from the program is not known, because there is no accurate data on the percentage of impervious.
Key words
Backpropagation, Impervious Surface Area, Neural Network, Remote Sensing.
1.
PENDAHULUAN
Urbanisasi merupakan proses yang mempengaruhi perkembangan kota. Terjadinya perpindahan penduduk dari desa ke kota disebabkan oleh berbagai faktor, salah satu faktor tersebut adalah keinginan mendapatkan penghasilan yang lebih baik untuk kebutuhan hidup. Salah satu dampak positif dari urbanisasi adalah berkembangnya bidang pendidikan mulai tingkat sekolah dasar hingga perguruan tinggi. Sedangkan salah satu dampak negatif nya adalah peningkatan pembangunan pada permukaan impervious meliputi jalan, trotoar, tempat parkir, dan atap rumah. Arti dari impervious adalah permukaan tanah yang dibangun rumah, trotoar, jalan, dan tempat parkir - ditutupi oleh bahan tak tembus air seperti aspal, beton, dan batu.
Untuk membedakan permukaan impervious dengan lahan yang merupakan tanah biasa dan vegetasi, dapat digunakan teknologi penginderaan jauh. Penginderaan jauh adalah ilmu atau seni untuk memperoleh informasi tentang objek, daerah atau gejala, dengan jalan
menganalisis data yang diperoleh dengan menggunakan alat, tanpa kontak langsung dengan objek, daerah atau gejala yang akan dikaji.
Konsep dari perancangan klasifikasi adalah menggunakan data Orbview-3 dengan mengambil nilai channel RED, GREEN, BLUE dan NIR (inframerah), yang akan dihitung menggunakan metode
Backpropagation Neural Network. Metode
Backpropagation Neural Network digunakan untuk
menghitung nilai bobot pada masing-masing link yang menghubungkan antara input dengan hidden layer dan antara hidden layer dengan output. Kemudian, hasil training sebanyak data sampel diharapkan dapat mengklasifikasi impervious surface area.
Pada perancangan ini data yang digunakan adalah citra satelit Orbview-3. Orbview-3 dirancang untuk menyediakan citra resolusi tinggi dari bumi. Satelit ini membawa kamera untuk mengambil satu meter resolusi pankromatik (hitam-putih) dan empat meter multispektral resolusi (warna dan inframerah) gambar dari permukaan bumi. Pada perancangan ini hanya menggunakan empat nilai yaitu R, G, B dan NIR.
Pada perancangan ini akan digunakan metode dari Neural Network yaitu Backpropagation. NN mempunyai kemampuan yang mirip dengan jaringan syaraf otak pada manusia. Otak manusia terdiri dari banyak neuron yang akan menyampaikan sinyal. Dengan banyaknya neuron-neuron, membuat otak bisa mengenali pola, menyelesaikan perhitungan, melakukan kontrol terhadap gerak tubuh. Demikian halnya dengan NN, semakin banyak pembelajaran yang dilakukan terhadap suatu objek, maka NN akan mengenali objek yang pernah dibelajari itu. NN akan mempelajari klasifikasi seperti otak mempelajari untuk mengenali suatu benda semakin banyak diberikan pembelajaran maka akan semakin pintar atau pengenalannya akan semakin mendekati kebenaran.
2.
LANDASAN TEORI
Sistem yang dirancang adalah sistem klasifikasi impervious surface menggunakan citra satelit Orbview dengan metode Neural Network Backpropagation
Neural Network. Sistem ini terdiri dari dua tahap yaitu
dalam perancangan ini adalah data yang diambil dari satelit Orbview-3 dengan cakupan daerah Jakarta.
2.1
Remote Sensing
Penginderaan jauh adalah ilmu atau seni untuk memperoleh informasi tentang objek, daerah atau gejala, dengan jalan menganalisis data yang diperoleh dengan menggunakan alat, tanpa kontak langsung dengan objek, daerah atau gejala yang akan dikaji .[1]
Terdapat beberapa komponen dalam penginderaan jauh, yaitu tenaga, objek, sensor, detektor, wahana.[2] Sumber tenaga yang digunakan dalam penginderaan jauh terbagi menjadi 2, yaitu tenaga alami dan tenaga buatan. Objek dari penginderaan jauh adalah semua benda yang berada dipermukaan bumi, seperti tanah, gunung, rumah, air, vegetasi dan yang lainnya.
Terdapat dua sistem penginderaaan jauh, yaitu penginderaan jauh yang menggunakan tenaga matahari sebagai tenaga alamiah disebut penginderaan jauh sistem pasif, dan yang menggunakan sumber tenaga lain (buatan) disebut penginderaan jauh sistem aktif.[3] Penginderaan jauh sistem pasif menggunakan pancaran cahaya, hanya dapat beroperasi pada siang hari saat cuaca cerah. Penginderaan jauh sistem pasif yang menggunakan tenaga pancaran tenaga thermal, dapat beroperasi pada siang maupun malam hari. Penginderaan sistem aktif sengaja dibuat dan dipancarkan dari sensor yang kemudian dipantulkan kembali ke sensor tersebut untuk direkam.
2.2
Citra Satelit Orbview
Diluncurkan pada tahun 1997, OrbView-2 mengumpulkan citra warna tanah seluruh bumi dan permukaan laut setiap hari.[4] GeoEye membangun Layanan SeaStar Informasi Perikanan, OrbView-2 menghemat waktu, bahan bakar dan uang untuk kapal penangkap ikan komersial dengan membantu mereka mencari ikan lebih cepat. OrbView-2 mendeteksi perubahan kondisi oseanografi digunakan untuk membuat peta nelayan yang disampaikan langsung kepada kapten penangkapan ikan di laut.
Satelit OrbView-3 adalah salah satelit pertama di dunia komersial yang menyediakan citra resolusi tinggi dari ruang angkasa. OrbView-3 memasok citra resolusi tinggi. OrbView-3 menyediakan citra yang berguna untuk berbagai aplikasi seperti utilitas, telekomunikasi, minyak dan gas, pemetaan, survei, pertanian, kehutanan, dan keamanan nasional. Pada perancangan ini chanel yang digunakan adalah channel Red, Green, Blue, dan NIR. Contoh citra Orbview :
Gambar 1 Impervious
Gambar 2 Soil
Gambar 3 Vegetation
2.3 Impervious Surface Area
Impervious surface area adalah lahan atau permukaan tanah yang tidak dapat serap air atau tidak dapat ditembus oleh air.[5] Lahan yang dimaksud seperti bagunan, jalan raya, jalan tol. Hal ini berguna untuk menghindari looping yang tidak akan pernah berakhir. Teori sistem berbasis aturan ini menggunakan teknik yang sederhana, yang dimulai dengan dasar aturan yang berisi semua pengetahuan dari permasalahan yang dihadapi yang kemudian dikodekan ke dalam aturan
IF-THEN dan sebuah tempat penyimpanan (basis data) yang
mengandung data, pernyataan dan informasi awal.
2.4
Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) atau Neural Network adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.[6] Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan, yaitu lapisan input yang terhubung dengan lapisan hidden yang selanjutnya terhubung dengan lapisan output. Karakteristik dari output tergantung dari aktifitas lapisan hidden dan bobot antara lapisan hidden dan output.
Jaringan syarat tiruan memiliki dua arsitektur jaringan yang sering digunakan, yaitu dengan satu lapisan (single layer network) dan dengan banyak lapisan (multi layer network).
Jaringan single layer terdiri dari satu lapisan input dan satu lapisan output. Setiap neuran yang terdapat pada lapisan input selalu terhubung dengan setiap neuron yang terdapat pada lapisan output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output. Single layer network dapat dilihat pada Gambar 4.
Gambar 4 Single Later Network
Sumber: Laurent Fausett, Fundamental of Neural Networks : Architectures, Algorithms and Applications, (Englewood Cliffs :
Prentice-Hall, 1994), hal. 13.
Jaringan multi layer memiliki tiga jenis lapisan, yaitu lapisan input, lapisan hidden, dan lapisan output. Jaringan multi layer dapat menyelesaikan permasalahan yang lebih komplek dibandingkan jaringan single layer. Namun proses pelatihan sering membutuhkan waktu yang lebih lama dibandingkan dengankan jaringan single layer. Multi layer network dapat dilihat pada Gambar 5.
Gambar 5 Multi Layer Network
Sumber: Laurent Fausett, Fundamental of Neural Networks : Architectures, Algorithms and Applications, (Englewood Cliffs : Prentice-Hall,
1994), hal. 13.
2.4.1
Fungsi Aktivasi
Dalam jaringan saraf tiruan, fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Ada beberapa bentuk fungsi aktivasi yang umum digunakan dalam Neural Network, antara lain Fungsi Tangga Biner, Fungsi Linear (identitas), Fungsi Sigmoid Biner, dan Fungsi Sigmoid Bipolar.[7]
1. Fungsi tangga biner
Jaringan dengan lapisan tunggal sering menggunakan fungsi tangga biner untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu ouput biner (0 atau 1).
2. Fungsi linear (identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya.
3. Fungsi sigmoid biner
Fungsi ini mempunyai nilai pada range 0 sampai 1. 4. Fungsi sigmoid bipolar
Fungsi ini mempunyai nilai pada range antara –1 sampai 1
2.4.2 Backpropagation Neural Network
Backpropagation Neural Network telah banyak
diaplikasikan secara luas. Sekitar 90% bahkan lebih, BP telah berhasil diaplikasikan di berbagai bidang, diantara nya pengenalan pola tulisan tangan, pengenalan pola suara,pengolahan citra medika dan masih banyak lagi keberhasilan BP.[8]
Berikut ini adalah algoritma pembelajaran
Backpropagation Neural Network :[7]
Langkah 0: Inisialisasi bobot keterhubungan antara neuron dengan menggunakan bilangan acak kecil (-0.5 sampai +0.5).
Langkah 1: Kerjakan langkah 2 sampai langkah 9 selama kondisi berhenti yang ditentukan tidak dipenuhi.
Langkah 2: Kerjakan langkah 3 sampai langkah 8 untuk setiap pasangan pelatihan.
(Propagasi maju)
Langkah 3: Setiap unit masukan (Xi) menerima sinyal masukan xi, dan
menyebarkannya ke seluruh unit pada lapisan tersembunyi. Langkah 4: Setiap unit pada lapisan
tersembunyi menjumlahkan seluruh sinyal yang masuk.
Kemudian setiap unit pada lapisan tersembunyi memakai fungsi aktifasi untuk menghasilkan sinyal keluaran.
Karena yang digunakan fungsi sigmoid biner maka :
didistribusikan ke seluruh neuron pada lapisan keluaran.
Langkah 5: Setiap unit pada lapisan keluaran menjumlahkan seluruh sinyal yang masuk
Setiap unit pada lapisan keluaran memakai fungsi aktifasi untuk menghasilkan sinyal keluaran.
(Propagasi balik)
Langkah 6: Setiap unit pada lapisan keluaran menghitung informasi error antara sinyal yang dihasilkan dengan target dari pola.
Menghitung koreksi beban.
Menghitung koreksi bias.
Mengirimkan δk ke unit di bawahnya (lapisan tersembunyi).
Langkah 7: Setiap unit pada lapisan tersembunyi menjumlahkan seluruh sinyal yang masuk.
Setiap unit pada lapisan tersembunyi menghitung informasi error.
Menghitung koreksi beban.
Menghitung koreksi bias.
(Penyesuaian bobot)
Langkah 8: Update bobot dan bias pada hubungan antar lapisan.
Setiap lapisan tersembunyi meng-update bobot dan bias.
Langkah 9: Menguji apakah kondisi berhenti sudah terpenuhi.
Setelah proses pembelajaran selesai maka dilanjutkan dengan proses pengenalan. Berikut ini adalah algoritma pengenalan Backpropagation Neural Network: Langkah 0: Inisialisasi bobot keterhubungan antara
neuron yang diambil dari hasil pembelajaran.
Langkah 1: Kerjakan langkah 2 sampai langkah 4 untuk setiap vektor masukan.
Langkah 2: Untuk i = 1, … , n : set aktifasi dari unit masukan xi ; Langkah 3: Untuk j = 1, … , p: Langkah 4: Untuk k = 1, … , m : Keterangan : X = input Y = output
δk= nilai korekasi kesalahan untuk lapisan keluaran.
δj= nilai koreksi kesalahan untuk lapisan tersembunyi.
α = laju pembelajaran.
xi = unit ke-i pada lapisan masukan.
voj = nilai bias unit ke-j pada lapisan tersembunyi. zj = unit ke-j pada lapisan tersembunyi.
wok = nilai bias pada unit keluaran. yk = unit ke-k pada lapisan keluaran. tk = nilai target.
3.
Perancangan
Variabel yang digunakan untuk proses perancangan adalah :
1. Jumlah neuron dilapisan masukan adalah 4. 2. Jumlah neuron dilapisan keluaran adalah 1. 3. Jumlah neuron dilapisan tersembunyi adalah 2. 4. Lapisan input diambil dari nilai RED, GREEN,
BLUE, dan NIR.
5. Nilai bobot awal diambil dari nilai -0.5 sampai 0.5. Diagram hirarki dari perancangan persentase
Gambar 6 Diagram Hirarki
4.
PEMBUATAN
Pembuatan program klasifikasi persentase impervious surface area menggunakan metode Backpropagation Neural Network terdiri dari beberapa tahap sebagai berikut :
1. Mencari kajian pustaka dan referensi yang berhubungan dengan Backpropagation Neural Network melalui buku-buku, jurnal, artikel, paper, skripsi, dan internet untuk dasar teori.
2. Mengumpulkan data training sampel yang diperoleh dengan mengobservasi citra Orbview-3 secara visual. 3. Membuat program dengan menggunakan bahasa pemrograman Visual Studio 2010 dan Microsoft Access 2010.
4. Setelah membuat program dengan menggunakan bahasa pemrograman Visual Studio 2010 Profesional, langkah selanjutnya adalah melakukan pengujian fungsi pada prosedur setiap modul yang telah dibuat dengan tujuan untuk memastikan modul menjalankan fungsinya masing-masing dengan baik. 5. Melakukan pengujian kinerja program untuk melihat
apakah program yang dibuat dapat melakukan klasifikasi pada nilai-nilai citra baru secara tepat dan akurat.
6. Membuat manual book untuk membantu user mendapatkan panduan penggunaan program klasifikasi secara bertahap sehingga user dapat memahami cara kerja program ini.
5.
PENGUJIAN
Variabel yang digunakan untuk pada saat proses pembelajaran adalah :
1. Laju pembelajaran sebesar 0.1, 0.12, 0.15, dan 0.2. 2. Maksimum epoch sebesar 10.000, 20.000, dan
30.000
3. Maksimum kesalahan sebesar 0.1 dan 0.25.
Pengujian dilakukan untuk melihat keberhasilan dalam mengklasifikasi citra yang akan diuji. Hasil pengujian klasifikasi dapat dilihat pada gambar dibawah ini :
Gambar 6 Hasil Klasifikasi Daerah Monas
Gambar 7 Hasil Klasifikasi Daerah Masjid Istiqlal
Gambar 8 Hasil Klasifikasi Daerah Jendral Ahmad Yani
Gambar 9 Hasil Klasifikasi Daerah Kebun Jeruk
6.
KESIMPULAN
Berdasarkan hasil pengujian pada program klasifikasi persentase impervious tersebut, dapat ditarik kesimpulan sebagai berikut:
1. Program tersebut dapat menghasilkan persentase dari citra yang akan diuji.
2. Dari hasil percobaan nilai bobot acak backpropagation neural network berpengaruh pada hasil klasifikasi. Setiap melakukan training maka nilai nya akan berubah dan hasil klasifikasinya juga
akan ikut berubah. Namun tidak hanya nilai bobot acak saja yang mempengaruhi hasil klasifikasi, warna pada gambar juga dapat mempengaruhi hasil klasifikasi.
3. Dari hasil percobaan terdapat beberapa hasil klasifikasi yang sangat jelek, misalnya pada citra tersebut dideteksi 100% impervious atau ada juga yang dideteksi 0% impervious.
REFERENSI
[1] Lillesand, Kiefer, Penginderaan jauh dan Interpretasi Citra, Yogyakarta : Gajah Mada University Press, 1988.. [2] Samantri Lili, Teknologi Penginderaan Jarak Jauh,
http://file.upi.edu/Direktori/FPIPS/JUR._PEND._GEOGR AFI/132314541-LILI_SOMANTRI/makalah_Guru.pdf. [3] Cut Maerah, Penginderaan Jauh,
http://younggeomorphologys.files.wordpress.com/2010/02/ penginderaan-jauh.pdf,.
[4] GeoEye Constellation, Geoeye Elevating insight, https://docs.google.com/viewer?a=v&q=cache:_6fnFeIi9p MJ:www.geoeye.com/CorpSite/assets/docs/brochures/Geo Eye_Constellation.pdf
[5] Weng Qihao, Remote Sensing of Impervious Surfaces. (Boca Raton : Taylor and Francis Group 2008).
[6] Eli Yani, Materi Kuliah Pengantar Jaringan Saraf Tiruan, (Jakarta: MateriKuliah.com, 2005)
[7] Laurent Fausett, Fundamental of Neural Networks : Architectures, Algorithms and Applications, (Englewood Cliffs : Prentice-Hall, 1994).
[8] Andi. Jaringan Syaraf Tiruan.
https://lecturer.eepisits.edu/~entin/Kecerdasan%2520Buata n/Buku/Bab%25208%2520Jaringan%2520Syaraf%2520Tir uan.pdf.
Penulis Pertama : Anni Ratna, saat ini sebagai mahasiswa fakultas Teknik Informasi program studi Teknik Informatika Universitas Tarumanagara.
