PENDAHULUAN Latar Belakang Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke dalam sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Contoh objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah, kota, jalan, dan lain-lain. Sedangkan pada citra satelit meteorologi, proses klasifikasi dapat menghasilkan peta awan yang memperlihatkan distribusi awan di atas suatu wilayah. Prosedur klasifikasi citra bertujuan untuk melakukan kategorisasi secara otomatis dari semua pixel citra ke dalam kelas penutupan lahan atau semua tema tertentu. Secara umum data multispectral boleh dikatakan menggunakan bentuk klasifikasi pola spektral data untuk ketegorisasi setiap pixel berbasis numerik. Perbedaan tipe kenampakan menunjukkan perbedaan kombinasi dasar nilai digital pixel pada sifat pantulan (reflektansi) dan pancaran (emisi) spektral yang dimilikinya, Bentuk pola cukup berhubungan dengan ukuran radian yang diperoleh dari setiap pixel berdasarkan jenis saluran atau panjang gelombang yang merekamnya. Pengenalan pola spektral (spectral pattern recognition) merupakan prosedur klasifikasi yang menggunakan informasi spectral setiap pixel untuk mengenal kelas-kelas penutupan lahan secara otomatis. Pengenalan pola spasial (spatial pattern recognition) meliputi kategorisasi pixel citra dengan basis hubungan spasia antara pixel tersebut. Pola spasial dapat dievaluasi pada skema interpretasi secara otomatis. Klasifikasi spasial mencakup beberapa aspek seperti tekstur citra atau pengulangan rona, bentuk dan ukuran obyek, arah, hubungan, serta posisi pixel yang berdekatan. Tipe klasifikasi spasial mudah dideteksi oleh akal manusia dalam proses interpretasi visual, namun merupakan tugas yang rumit bagi komputer, karena informasinya sangat komplek. Sebaliknya, komputer dengan mudah menganalisis pola spektral dalam sejumlah saluran. Oleh Karena itu atribut spasial dapat dikaitkan dengan proses pengenalan spectral, dengan cara membuat asumsi bahwa pixel yang berbedakan akan menajdi satu kelas tutupan yang sama. 1
Klasifikasi tidak terbimbing (unsupervised) melakukan pengelompokan data dengan menganalisa cluster secara otomatis dan menghitung kembali rata-rata kelas (class mean) secara berulang-ulang dengan komputer. Sumbu horizontal menunjukkan nilai piksel pada band 2 dan sumbu vertikal menunjukkan nilai kecerahan piksel pada band 1. Pengelompokan piksel menjadi kelas spektral diawali dengan menentukan jumlah kelas spektral yang akan dibuat. Penentuan jumlah kelas ini dapat dilakukan dengan memperhatikan jumlah puncak histogram sehingga diperoleh jumlah kelas spectral yang akan dibentuk. Setelah jumlah kelas spektral ini ditentukan kemudian dipilih pusat-pusat kelas spektral terhadap setiap pusat kelas spektral. Berdasarkan hasil pengukuran jarak ini setiap piksel dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat. Setelah setiap pixel dikelompokkan lalu masing-masing rata-rata kelas spectral dihitung kembali. Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spektral yang memiliki jarak terdekat. Tujuan Tujuan dari lapororan yang berjudul “Klasifikasi Terbimbing” adalah untuk mengklasifikasikan citra kedalam 5 tutupan lahannya.
TINJAUAN PUSTAKA
2
Pemetaan penggunaan lahan dan penutupan lahan sangat berhubungan dengan studi vegetasi, tanaman pertanian dan tanah dari biosfer. Karena data penggunaan lahan dan penutupan lahan paling penting untuk planner yang harus membuat keputusan yang berhubungan dengan pengelolaan sumberdaya lahan, maka data ini sangat bersifat ekonomi (Lo, 1995). Penggunaan lahan merupakan aktivitas manusia dan kaitannya dengan lahan, yang biasanya tidak secara langsung tampak dari citra. Penggunaan lahan telah dikaji dari beberapa sudut pandang yang berlainan, sehingga tidak ada satu defenisi yang benar-benar tepat (Purbowaseso, 1995). Penggunaan lahan berhubungan dengan kegiatan manusia pada sebidang lahan, sedangkan penutup lahan lebih merupakan perwujudan fisik obyek-obyek yang menutupi lahan tanpa mempersoalkan kegiatan manusia terhadap obyek-obyek tersebut. Satu-satuan penutup lahan kadang-kadang juga bersifat penutup lahan alami (Lillesand and Kiefer,1990). Agar dapat dimanfaatkan maka citra tersebut harus diinterpretasikan atau diterjemahkan/ ditafsirkan terlebih dahulu. Interpretasi citra merupakan kegiatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut. Singkatnya interpretasi citra merupakan suatu proses pengenalan objek yang berupa gambar (citra) untuk digunakan dalam disiplin ilmu tertentu seperti Geologi, Geografi, Ekologi, Geodesi dan disiplin ilmu lainnya. Dalam menginterpretasikan citra dibagi menjadi beberapa tahapan, yaitu: • Deteksi ialah pengenalan objek yang mempunyai karakteristik tertentu oleh sensor. • Identifikasi ialah mencirikan objek dengan menggunakan data rujukan. • Analisis ialah mengumpulkan keterangan lebih lanjut secara terinci (Estes and Simonett, 1975). Beberapa satelit pengindraan jauh berikut bisa digunakan sebagai peneteksian LANDSAT, SPOT, IRS, NOA-AVHRR, RADARSAT, ERS, JERS, AVIRIS dan MODIS. Setiap satelit tersebut mempunyai karateristik pendeteksian tertentu. Secara umum terdapat dua karateristik resolution yaitu spatial resolution (resolusi spasial) dan spectra resolution (resolusi spectra). Resolusi spatial mengacu pada ukuran wilayah pengamatan atau mencari nilai data dalam satu citra
3
yang disebut instantaneous field of view (IFOV). Resolusi spectral mengacu pada angka dan lebar pita gelombang atau kemampuan sensor untuk dapat mengukur gelombang energi yang dipancarkan. Hal lain yang perlu menjadi pertimbangan adalah biaya untuk mendapatkan data citra tersebut (Lillesand and Kiefer,1990). Gelombang elektromagnetik yang terpantul akan ditangkap oleh suatu alat deteksi yang disebut sensor. Gelombang energi terefleksi dan tertransmisi dari permukaan bumi akan melalui atmosfir bumi yang selanjutnya diterima sesnsor. Energi yang kembali ke atmosfer akan mengalami penyebaran sehingga saat menuju sensor akan menambah noise. Sensor dibedakan atas dua kelompok besar yaitu sensor pasif dan sensor aktif. Sensor pasif akan menerima gelombang energi yang dipancarkan dari bumi. Sedangkan sensor aktiv adapat memancarkan gelombang energi dari satelit sendiri kemudian hasil refleksinya ditangkap sensor. Setiap sensor memiliki kepekaan gelombang spectrum terbatas dan tidak aka satu sensor pun yang peka terhadap seluruh panjang gelombang (Aprian, 2007). Pengindraan jarak jauh juga sering digunakan untuk mendukung kegitankegiatan ilmu lain ataupun penelitian-penelitian yang bermacam-macam. Pengindraan jarak jauh tersebut untuk wilayah Indonesia dilakukan oleh LAPAN dan data-data adan gambaran hasil pengindraan tersebut dapat diakses di internet dan dapat dimiliki secara bebas digunakan untuk berbagai keperluan. Gambargambar tersebut biasanya dimanfaatkan dengan bantuan-bantuan berbagai macam alat baik yang masih bersifat simpel sampai yang sudah moderen. Alat-alat tersebut kebanyakan menggunakan bantuan lensa dan kaca dalam penggunaanya. Penggunaan alat tersebut akan membuat gambar-gambar tersebut tampak seperti nyata atau dalam keadaan 3D (Lillesand and Kiefer,1990).
METODOLOGI PRAKTIKUM Waktu dan Tempat
4
Praktikum Penginderaan Jarak Jauh yang berjudul “Klasifikasi Terbimbing” dilaksanakan pada hari Kamis, 1 Desember 2011, pukul 14.00 WIB sampai dengan selesai. Praktikum ini dilaksanakan di Laboratorium Inventarisasi Hutan, Departemen Kehutanan, Fakultas Pertanian, Universitas Sumatera Utara, Medan. Alat dan Bahan Alat yang digunakan dalam praktikum ini adalah laptop. Sedangkan bahan yang digunakan dalam kegiatan praktikum ini adalah software ERDAS 8.5, citra satelit medan correction, dan monogram tutupan lahan. Prosedur 1.
Dibuka software ERDAS, pada viewer 1 masukkan data citra satelit medan_correction. Kemudian atur band combination citra dengan tipe 5,4,3.
Gambar 1. Memasukkan citra satelit ke viewer 1.
Gambar 2. Teknik Perubahan Band combination.
Gambar 3. Pengaturan Band Combination tipe 5,4,3.
2. Diklik classifier, kemudian pilih signature editor. Maka akan muncul tampilan untuk pengaturan signature editor.
5
Gambar 4. Pilihan dari menu Classifier.
Gambar 5. Jendela dari signature editor.
3. Klik AOI yang terdapat pada viewer 1, kemudian dipilih sub-menu tools. Pilih tool Polygon AOI (
), yang digunakan untuk mengambil sampel.
Gambar 6. Pilihan dari sub-menu Tools dari menu AOI.
Gambar 7. Pemilihan tool create polygon AOI.
4. Kelas tutupan lahan yang diambil pertama adalah badan air, dimana sampel diambil sebanyak 2 buah dengan menggunakan tool create polygon yang ditentukan berdasarkan monogram yang ada.
6
Gambar 8. Sampel badan air yang pertama.
Gambar 9. Sampel badan air yang kedua.
5. Selanjutnya kedua sampel yang telah diambil diblok dengan menggunakan tool box selected (
)dilanjutkan dengan memilih tool group selected object ( ).
Gambar 10. Penggabungan dua sampel badan air.
6.
Lakukan tindakan penyimpanan dengan klik save lalu pilih AOI layer as, dan simpan di folder P8 dengan nama badan_air_kel1.
7
Gambar 11. Teknik penyimpanan hasil kerja.
7.
Gambar 12. Penyimpanan hasil kerja.
Diklik create signature, maka akan muncul class. Ganti class dengan nama bada air. Lalu save di folder P8 dengan nama klasifikasi_terbimbing. (Penyimpanan dilakukan untuk menjaga hasil kerja apabila terjadi padam lisrik).
Gambar 13. Pemilihan Create Signature untuk mengasilkan kelas.
Gambar 14. Pengubahan nama kelas menjadi badan air.
8
Gambar 15. Penyimpanan hasil kerja.
Gambar 16. Pemngubahan nama file.
8. Lalu hilangkan sampel yang sudah digabung yang terdapat pada viewer 1 dengan cara mengklik cut all raster ( ). Hal ini dimaksudkan agar dapat dilakukan kembali pengambilan sampel untuk jenis tutupan lahan lainnya. 9.
Lakukan kegiatan pengambilan sampel untuk tutupan lahan lainnya, yakni tutupan lahan mangrove, lahan terbuka, pemukiman, dan semak, dengan teknik yang sama seperti di atas.
10. Setelah semua tutupan lahan telah diambil sampelnya, lakukan penyimpanan, dengan cara klik menu file dan pilih save dari signature editor. 11. Untuk memudahkan pengamatan, tutupa lahan yang telah diklasifikasikan dapat diubah warnanya dengan cara diklik sekali di warna yang akan diubah.
Gambar 17. Teknik pengubahan warna.
9
12. Pilih evaluate, lalu klik separability. Ubah distance Measure ke Transformed Divergence dan output ke Cellaray, lalu pilih OK, maka akan muncul matriks.
Gambar 18. Pemilihan separability dari evaluate.
Gambar 19. Pengaturan Signature menu Separability.
Gambar 20. Matriks dari hasil pengaturan separability.
13. Pilih evaluate, lalu klik contingency, lalu klik OK. Maka akan muncul editor. Lakukan penyimpanan dengan tipe file ASCll dat, kemudian pilih OK.
10
Gambar 21. Pemilihan submenu contingency.
Gambar 22. Tampilan dari contigency matriks.
14. Klik File lalu save as kontengensi data exel.
Gambar 23. Data kontingensi dibuka dengan media exel.
15. Dilakukan perhitungan di exel dengan ketentuan sebagai berikut: r
Overall Accuracy
∑X
=
k
N
X X
Producer’s Accuracy =
User’s Accuracy
kk
kk
100%
100%
k+
X 100% X N∑ X − ∑ X X kk
=
+k
r
Kappa Accuracy (K) =
r
kk
k
k+
k
N −∑X X
+k
2
k+
11
+k
100%
16. Klik supervised, lalu simpan data dengan nama tertentu. Lakukan perbandingan antara citra hasil klasifikasi dengan citra medan_correction.
HASIL DAN PEMBAHASAN Hasil
12
Tabel 1. Hasil perhitungan dengan menggunakan Microsoft Exel.
Gambar 24. Perbandingan citra hasil kalsifikasi dengan citra awal (medan_correction). r
Overall Accuracy
=
∑X k
N Producer’s Accuracy mangrove
=
kk
100%
X X
kk k+
13
161 100% = 172 = 93,60 %
100% =
20 100% = 95,23% 21
X X X X X X
Producer’s Accuracy Lahan terbuka = Producer’s Accuracy pemukiman = Producer’s Accuracy semak
=
User’s Accuracy mangrove
X X X X X X
=
User’s Accuracy Lahan Terbuka
=
User’s Accuracy pemukiman User’s Accuracy semak =
=
kk
100% =
26 100% = 89,65% 29
100% =
65 100% = 95,58 % 68
100% =
50 100% = 92,59 % 54
100% =
20 100% = 100 % 20
100% =
26 100% = 92,85 % 28
100% =
65 100% = 95,58 % 68
k+
kk k+ kk k+
kk +k kk +k
kk +k
X 100% = 50 100% = 100 % 50 X N∑ X − ∑ X X kk
+k
r
Kappa Accuracy (K) =
r
kk
k
k+
k
N −∑ X X
100%
2
k+
=
+k
+k
(172 x161) − (8556 ) 100% = 91 % (172 2 − 8556 )
Pembahasan Dari kegiatan praktikum yang telah dilakukan dapat diketahui bahwa overal accurancy mempunyai nilai yang baik, yakni 93,60 % dan nilai Kappa Accurancy sebesar 921 %. Hal ini menandakan bahwa tindakan klasifikasi terbimbing untuk tutupan lahan dilakukan dengan baik (cukup akurat). Klasifikasi citra satelit menjadi peta tutupan lahan merupakan aplikasi penginderaan jauh yang paling banyak digunakan. Klasifikasi tutupan lahan adalah proses interpretasi dan pemberian label kelas tutupan lahan untuk tiap-tiap piksel yang ada pada citra satelit. Hasil dari proses klasifikasi adalah peta tutupan lahan. Peta tutupan lahan memuat informasi kelas tutupan lahan yang ada di suatu unit area. Tingkat kedetailan informasi peta tutupan lahan yang bisa dihasilkan dari klasifikasi citra satelit amat tergantung pada tujuan utama pembuatan peta, resolusi citra, pengenalan lapang, hardware, dan keterampilan pengguna. Sebagai contoh,
14
untuk beberapa organisasi, peta tutupan lahan dengan kelas hutan dan non-hutan sudah dirasa memadai. Akan tetapi untuk penggunaan lain, misalnya mengukur cadangan karbon, dibutuhkan lebih dari sekedar hutan-non hutan. Sebelum melakukan klasifikasi, hendaknya dipahami dengan benar tujuan pembuatan peta tutupan lahan, sumber daya serta kendala-kendala yang ada. Dari segi metodologi, klasifikasi dapat dilakukan secara manual dan digital. Klasifikasi digital umumnya terbagi menjadi dua jenis, yakni klasifikasi tidak terbimbing (unsupervised classification) dan klasifikasi terbimbing (supervised classification). Klasifikasi tidak terbimbing atau disebut juga clustering, adalah klasifikasi yang dilakukan tanpa adanya contoh (sample) tutupan lahan. Sebaliknya, klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan terlebih dahulu membuat contoh (trining sample). Selain dua metode tersebut, klasifikasi dapat juga dilakukan secara manual dengan cara digitasi layar. Dalam laporan ini digunakan teknik klasifikasi terbimbing dalam menentukan tutupan lahan. Pendekatan dengan teknik ini, pertama-tama obyek dipilih menurut tujuan studi, informasi dari pengetahuan yang dimiliki untuk daerah tersebut. Informasi tersebut meliputi peta topografi dan peta planimetri, mosaik foto udara dan foto udara berpasangan. Beberapa daerah contoh kecil-kecil dipilih pada suatu bagian citra, dibatasi dan dikaji untuk setiap obyek yang dipilih. Deleniasi kelas setiap daerah contoh yang homogen, tergantung kondisi medan dan sesuai dengan kenampakan pada foto udara. Dalam menentukan daerah contoh kecil (sampel) digunakan tool AOI (Area Of Interest), dimana tool ini adalah alat dalam menentukan titik pada citra yang akan diklasifikasikan atau untuk membuat spesifikasi terhadap areal-areal tertentu yang akan diklasifikasikan tutupan lahannya. Sedangkan pada klasifikasi tak terbimbing, pada dasarnya tidak memerlukan perintah-perintah bertahap dari analisis citra, tetapi mengikuti program memeriksa piksel-piksel belum terklasifikasi dan memasukkan piksel-piksel tersebut ke dalam kelompoknya menurut kondisi bentang alamnya. Pada prakteknya, peranan analisis citra sering terbatas dan hal tersebut lebih baik dalam memanfaatkan teknik ini sebagai teknik gabungan. Diutarakan oleh Lillesand dan Kiefer (1979), bahwa
15
pendekatan klasifikasi tak tersedia ditentukan pemisahan kelas-kelas secara spektral dan kemudian ditetapkan atributnya (yakni label kelas).
Gambar 24. Perbandingan citra hasil kalsifikasi dengan citra awal (medan_correction).
Dari kedua citra di atas, dapat diperoleh perbedaannya, dimana pada citra pertama yang belum diklasifikasi terlihat lebih banyak warna. Sedangkan pada citra kedua yang telah diklasifikasikan, warnanya lebih spesifik. Hanya terdapat lima warna untuk masing-masing tutupan lahan, yakni: •
Badan Air berwarna biru tua.
•
Hutan mangrove berwarna coklat.
•
Lahan terbuka berwarna merah marun.
•
Pemukiman berwarna merah tua.
•
Semak berwarna merah jambu (pink) Dari hasil klasifikasi dapat diketahui bahwa tutupan lahan yang paling
banyak adalah semak dan pemukiman.
KESIMPULAN DAN SARAN Kesimpulan 1.
Klasifikasi citra satelit menjadi peta tutupan lahan merupakan aplikasi penginderaan jauh yang paling banyak digunakan.
16
2. Overal accurancy mempunyai nilai yang baik, yakni 93,60 % dan nilai Kappa
Accurancy sebesar 921 %. Hal ini menandakan bahwa tindakan klasifikasi terbimbing untuk tutupan lahan dilakukan dengan baik (cukup akurat). 3. Dalam menentukan daerah contoh kecil (sampel) digunakan tool AOI (Area Of
Interest), dimana tool ini adalah alat dalam menentukan titik pada citra yang akan diklasifikasikan atau untuk membuat spesifikasi terhadap areal-areal tertentu yang akan diklasifikasikan tutupan lahannya. 4.
Dari kedua citra (yang belum diklasifikasikan dan yang belum), dapat diperoleh perbedaannya, dimana pada citra pertama yang belum diklasifikasi terlihat lebih banyak warna. Sedangkan pada citra kedua yang telah diklasifikasikan, warnanya lebih spesifik.
5.
Dari hasil klasifikasi dapat diketahui bahwa tutupan lahan yang paling banyak adalah semak dan pemukiman.
Saran Dalam pengambilan sampel harus dilakukan lebih teliti agar tindakan klasifikasi dapat menghasilkan data yang akurat.
17
