21

BAB IV

ANALISIS DAN PERANCANGAN SYSTEM

Pada penelitian ini akan dilakukan proses klasifikasi pada citra satelit

Landsat 7 yang bertujuan untuk memberikan atau memunculkan informasi dari

citra satelit tersebut. Berikut adalah proses-proses yang dilakukan sampai citra

satelit yang digunakan menghasilkan informasi berupa informasi tutupan lahan.

Proses ini akan dibagi kedalam tiga tahap yaitu Pemrosesan Data, Perancangan

Model dan Penilaian Akurasi Klasifikasi.

IV.1 Pemrosesan Data

Dalam tahap ini akan dibahas mengenai proses-proses yang dilakukan

terhadap citra satelit Landsat sebelum dilakukan proses klasifikasi.

1. Memperbaiki Citra Satelit

Sejak tahun 2003 citra satelit yang dihasilkan satelit landsat

mengalami kerusakan yang disebabkan matinya SLC (Scan Line

Corrector). Kerusakan yang terjadi ini menimbulkan garis-garis pada citra

satelit yang dihasilkan sehingga menurunkan kualitas citra tersebut. Hal ini

dapat pula mengganggu dalam proses klasifikasi yang akan dilakukan,

maka harus dilakukan perbaikan kerusakan pada citra yang akan diproses.

Gambar 4.1 Gambar Citra yang Mengalami Kerusakan

22

Proses perbaikan citra ini memerlukan setidaknya satu citra tambahan

yang memiliki wilayah yang sama namun berbeda waktu pengambilannya.

Citra tersebut diatas masih dalam keadaan yang belum diperbaiki, ditandai

dengan masih adanya garis-garis pada citra tersebut. Perbaikan citra ini

menggunakan software tambahan, yaitu frame_and_fill_win32.

Gambar 4.2 Gambar Citra yang Sudah Diperbaiki

2. Kombinasi Saluran (Band)

Untuk memudahkan dalam melihat serta menganalisa wilayah yang

akan dikaji maka perlu dilakukan penggabungan tiga band (saluran) dari

citra satelit Landsat. Penggabungan saluran ini menggunakan format RGB

(Red Green Blue) yang nantinya bisa menghasilkan gambar “true color”

atau “false color”. True color adalah gambar yang dihasilkan dari

penggabungan band yang hasilnya memiliki warna yang sama dengan

yang dilihat mata manusia. Kombinasi yang digunakan untuk

menghasilkan image true color adalah RGB (3,2,1).

23

Gambar 4.3 True Color dengan Kombinasi RGB (321)

Sedangkan gambar false color adalah gambar yang dihasilkan dari

penggabungan band yang hasilnya memiliki warna berbeda dengan yang

dilihat mata manusia, hal ini disebabkan penggunaan inframerah dalam

kombinasi RGB.

Gambar 4.4 False Color dengan Kombinasi RGB (432)

Dari kombinasi-kombinasi yang menghasilkan gambar dengan

warna yang berbeda ini dapat mempermudah dalam proses klasifikasi

tutupan dan penggunaan lahan yang akan dilakukan. Contohnya pada saat

ingin mengetahui daerah yang memiliki vegetasi maka bisa digunakan

kombinasi RGB (541). Dari kombinasi tersebut akan menampakkan warna

hijau sebagai daerah vegetasi.

24

Gambar 4.5 Kombinasi RGB (541) untuk Mendeteksi Vegetasi

Berikut adalah beberapa kombinasi band yang digunakan dalam

mendeteksi jenis tutupan lahan yang ada pada citra satelit yang digunakan

serta penggunaanya untuk pendeteksian tutupan lahan tertentu:

Tabel 4.1 Kombinasi Band Serta Penggunaanya

IV.2 Perancangan Model

1. Supervised (dengan bimbingan)

START

Menentukan

Kelas Tutupan

Lahan

Pemberian

Simbol Warna

Tutupan Lahan

1

Kombinasi (RGB) Pendeteksian

R=4, G=3, B=2 Vegetasi

R=7, G=3, B=1 Pemukiman

R=3, G=2, B=1 Lahan terbuka

R=4, G=5, B=7 Air

R=1, G=3, B=5 Awan

25

1

Pengambilan

Training Pixels

Proses

(Minimum Distance)

Hasil Sesuai?

END

Tidak

Ya

Gambar 4.6 Flowchart Metode Supervised

Dibawah ini adalah gambaran umum cara kerja dari metode

supervised

Gambar 4.7 Gambaran Metode Supervised

Berikut penjelasan gambar diatas:

a) Proses awal yang harus dilakukan adalah menentukan training

piksel untuk tiap kategori tutupan lahan (bagian B pada Gambar

4.7). Proses ini bertujuan menentukan acuan untuk pemrosesan

piksel lain saat proses klasifikasi. Dalam proses ini juga dilakukan

pemberian simbol warna untuk tiap kelas tutupan lahan agar lebih

mudah dalam membaca hasil yang diperoleh nantinya.

26

Tabel 4.2 Deskripsi Kelas Tutupan Lahan

No Nama Tutupan Lahan Tampilan Citra Landsat

(kombinasi band 432)

1 Vegetasi I

2 Vegetasi II

3 Pemukiman

4 Lahan Terbuka

5 Air

27

Berikut adalah simbol warna yang digunakan berikut kelas tutupan

lahan yang digunakan:

Tabel 4.3 Simbol Warna Tutupan Lahan

Nama

Vegetasi I

Vegetasi II

Pemukiman

Air

Lahan kosong

Simbol Warna

Gambar 4.8 Proses Penentuan Training Pixel Tiap Kategori

Tutupan Lahan

Dari proses tersebut akan diperoleh jumlah piksel yang digunakan

sebagai training pixel untuk setiap jenis kategori tutupan lahan

yang akan digunakan.

Tabel 4.4 Jumlah Piksel dalam Training Pixel untuk Tiap

Kategori Tutupan Lahan

28

b) Setelah mendapatkan jumlah piksel untuk tiap kategori tutupan

lahan, komputer akan melakukan penghitungan statistik untuk

mencari nilai mean (rata-rata) dari tiap kelas tutupan lahan.

Tabel 4.5 Nilai Mean Tiap Kelas Tutupan Lahan

Vegetasi Vegetasi II Pemukiman Air Lahan

Band 1 73,413033 76,402264 84,173303 91,321543 81,432984

Band 2 57,919853 60,351827 66,215367 80,392283 65,370915

Band 3 41,928405 50,103088 66,724061 90,196141 61,163418

Band 4 104,393243 78,303973 56,810432 44,408360 47,578711

Band 5 70,939854 75,585558 98,323612 19,086817 50,454273

Band 6 133,791929 135,381474 144,514863 132,565916 137,617391

Gambar 4.9 Histogram Nilai Mean Tiap Band

c) Lalu proses klasifikasi dilakukan dengan memproses piksel yang

belum terklasifikasi (bagian A pada Gambar 4.7). Piksel ini

memiliki koordinat yaitu posisi dimana piksel tersebut berada dan

juga memiliki ciri berupa DN (Digital Number). Nilai DN inilah

yang akan diproses menggunakan algoritma minimum distance

untuk menentukan piksel tersebut akan masuk ke dalam kelas

tutupan lahan yang mana (bagian C pada Gambar 4.7).

29

Gambar 4.10 Input Parameter Algoritma Minimum Distance

d) Masuk kebagian terakhir (bagian D pada Gambar 4.7). Pada

bagian ini akan terlihat berupa piksel-piksel yang telah diproses

sebelumnya akan masuk ke dalam salah satu kategori jenis tutupan

lahan yang dibuat. Pada bagian ini sudah terbentuk sebuah peta

tutupan lahan beserta info area didalamnya.

Dalam penelitian ini dilakukan beberapa kali pembuatan training

pixel untuk mendapatkan hasil yang sempurna, jadi untuk hasil

akhir tidak ada piksel yang tidak masuk kedalam kelas tutupan

lahan yang telah ditentukan sebelumnya, sering disebut

unclassified atau meminimalkan jumlah piksel yang masuk

kedalam kategori unclassified.

2. Unsupervised (tanpa bimbingan)

START

Tentukan

Spatial Subset

Band

Tentukan Jmlh

Klaster &

Pengulangan

1

Proses

(K-Means)

30

1

Piksel Sejenis

Masuk Klaster

Lain?

END

Lakukan

Combine Class

Ya

Tidak

Gambar 4.11 Flowchart Metode Unsupervised

Dibawah adalah gambaran umum dalam metode unsupervised yang

didalamnya menggunakan algoritma K-Means.

Gambar 4.12 Alur Metode Unsupervised

Untuk proses unsupervised, hampir seluruh prosesnya dikerjakan oleh

komputer. Berikut adalah beberapa proses yang dilakukan oleh penulis:

a) Langkah pertama adalah menentukan band (saluran) yang akan

digunakan sebagai spatial subset.

31

b) Lalu tentukan jumlah class (klaster) yang ingin dibuat serta

jumlah iteration (pengulangan). Penentuan jumlah class

ditentukan dari wilayah yang digunakan sebagai obyek penelitian,

apakah wilayah dalam citra tersebut memiliki ragam jenis tutupan

lahan yang tinggi atau rendah. Semakin tinggi ragam jenis tutupan

lahan semakin banyak jumlah class yang harus dibuat guna

memunculkan keanekaragaman jenis tutupan lahan yang ada.

c) Dari hasil proses unsupervised ini biasa dilakukan combine classes

(penggabungan kelas) yang bertujuan untuk menggabungkan

kelas-kelas yang sejenis menjadi satu kelas. Proses penggabungan

kelas ini berdasarkan perbandingan hasil klasifikasi dengan

kombinasi band yang digunakan sebagai analisis diawal.

Gambar 4.13 Hasil Sementara Proses Metode Unsupervised

Setelah dibandingkan dengan kombinasi band awal, dari hasil

proses metode unsupervised diatas ada beberapa kelas sejenis yang

bisa digabungkan menjadi satu kelas.

Jumlah klaster

Jumlah

pengulangan

32

Tabel 4.6 Combine Classes

Tutupan Lahan Penggabungan Kelas Kelas Terpakai

Vegetasi class 7, class 8, class 9 class 8

Vegetasi II class 5, class 6 class 6

Pemukiman class 3, class 4 class 4

Lahan kosong class 2 class 2

Air class 3 class 3

Awan class 10 class 10

d) Setelah dilakukan proses penggabungan kelas akan diperoleh peta

tutupan lahan dengan jumlah kelas tutupan lahan yang lebih

sedikit atau sederhana sesuai dengan jumlah kelas tutupan lahan

yang diinginkan oleh analis.

IV.3 Penilaian Akurasi Klasifikasi

Untuk proses penilaian akurasi klasifikasi ada dua jenis pembanding yang

bisa digunakan untuk membandingkan hasil proses klasifikasi, yaitu ground truth

image dan ground truth ROI (Region of Interest). Dalam penelitian ini

pembanding yang digunakan adalah ground truth ROI.

START

Create

ground truth ROI

Generate random

sample

Accuracy

assessment

1 2

33

Supervised Unsupervised

Result I Result II

Compare

END

1 2

Gambar 4.14 Alur Proses Penilaian Akurasi

Berikut adalah penjelasan alur proses diatas:

1. ROI (Region of Interest) yang digunakan untuk penilaian akurasi

klasifikasi berbeda dengan yang digunakan dalam proses klasifikasi.

Jadi harus menciptakan ROI baru untuk proses penilaian akurasi.

2. Tujuan dari pembuatan ROI disini adalah untuk menciptakan contoh

acak (random sample) yang digunakan sebagai kebenaran lapangan

(ground truth). Selanjutnya contoh acak ini digunakan sebagai

pembanding dengan hasil proses klasifikasi yang telah didapat untuk

menentukan sejauh mana keakurasian proses klasifikasi yang

dilakukan.

Gambar 4.15 Proses Generate Random Sample

34

3. Masuk kedalam proses penilaian akurasi untuk hasil metode

supervised. Dalam proses ini, contoh acak yang telah dibentuk harus

dicocokkan dengan kelas tutupan lahan yang ada dalam hasil proses

metode supervised.

Gambar 4.16 Proses Pencocokkan Contoh Acak dengan Kelas

Tutupan Lahan (supervised)

4. Proses penilaian akurasi untuk metode unsupervised sama dengan

proses supervised yaitu dengan mencocokkan contoh acak dengan

kelas tutupan lahan yang sudah dibuat.

Gambar 4.17 Proses Pencocokkan Contoh Acak dengan Kelas

Tutupan Lahan (unsupervised)

35

5. Hasil penilaian akurasi akan ditampilkan menggunakan suatu matriks

yang dikenal dengan confusion matrix.

Tabel 4.7 Confusion Matrix (Supervised)

Class Vegetasi Vegetasi II Pemukiman Lahan Air TOTAL

Vegetasi X11 X12 X13 X14 X15 X+1

Vegetasi II X21 X22 X23 X24 X25 X+2

Pemukiman X31 X32 X33 X34 X35 X+3

Lahan X41 X42 X43 X44 X45 X+4

Air X51 X52 X53 X54 X55 X+5

TOTAL X1+ X2+ X3+ X4+ X5+ N

Ground Truth ( Pixel )

Dari tabel diatas dapat dicari user’s accuracy, producer’s accuracy,

overall accuracy dan kappa accuracy untuk menentukan nilai

keakurasian.

User’s Accuracy

User’s Accuracy = 𝐗𝐢𝐢/𝐗+𝟏 𝐱 𝟏𝟎𝟎%

Vegetasi = (X11/X+1) x 100%

Vegetasi II = (X22/X+2) x 100%

Pemukiman = (X33/X+3) x 100%

Lahan = (X44/X+4) x 100%

Air = (X55/X+5) x 100%

Producer’s Accuracy

Producer’s Accuracy = 𝐗𝐢𝐢/𝐗𝟏+ 𝐱 𝟏𝟎𝟎%

Vegetasi = (X11/X1+) x 100%

Vegetasi II = (X22/X2+) x 100%

Pemukiman = (X33/X3+) x 100%

Lahan = (X44/X4+) x 100%

36

Air = (X55/X5+) x 100%

Overall Accuracy

Overall Accuracy = (( 𝐗𝐢𝐢𝒓𝐢=𝟏 )/ 𝐍) 𝐱 𝟏𝟎𝟎%

OA = ((X11+ X22+ X33+ X44+ X55)/N) x 100%

Kappa Accuracy

KA = [(𝐍 𝐗𝐢𝐢𝐫𝐢=𝟏 − 𝐗𝟏+

𝒓𝒊=𝟏 𝐗+𝟏)/(𝐍𝟐 − 𝐗𝟏+

𝐫𝐢=𝟏 𝐗+𝟏)] 𝐱𝟏𝟎𝟎%

Tabel 4.8 Confusion Matrix (Unsupervised)

Class Vegetasi Vegetasi II Pemukiman Lahan Air TOTAL

Vegetasi X11 X12 X13 X14 X15 X+1

Vegetasi II X21 X22 X23 X24 X25 X+2

Pemukiman X31 X32 X33 X34 X35 X+3

Lahan X41 X42 X43 X44 X45 X+4

Air X51 X52 X53 X54 X55 X+5

TOTAL X1+ X2+ X3+ X4+ X5+ N

Ground Truth ( Pixel )

Berikut adalah perhitungan user’s accuracy, producer’s accuracy,

overall accuracy dan kappa accuracy untuk hasil proses unsupervised.

User’s Accuracy

User’s Accuracy = 𝐗𝐢𝐢/𝐗+𝟏 𝐱 𝟏𝟎𝟎%

Vegetasi = (X11/X+1) x 100%

Vegetasi II = (X22/X+2) x 100%

Pemukiman = (X33/X+3) x 100%

Lahan = (X44/X+4) x 100%

Air = (X55/X+5) x 100%

37

Producer’s Accuracy

Producer’s Accuracy = 𝐗𝐢𝐢/𝐗𝟏+ 𝐱 𝟏𝟎𝟎%

Vegetasi = (X11/X1+) x 100%

Vegetasi II = (X22/X2+) x 100%

Pemukiman = (X33/X3+) x 100%

Lahan = (X44/X4+) x 100%

Air = (X55/X5+) x 100%

Overall Accuracy

Overall Accuracy = (( 𝐗𝐢𝐢𝒓𝐢=𝟏 )/ 𝐍) 𝐱 𝟏𝟎𝟎%

OA = ((X11+ X22+ X33+ X44+ X55)/N) x 100%

Kappa Accuracy

KA = [(𝐍 𝐗𝐢𝐢𝐫𝐢=𝟏 − 𝐗𝟏+

𝒓𝒊=𝟏 𝐗+𝟏)/(𝐍𝟐 − 𝐗𝟏+

𝐫𝐢=𝟏 𝐗+𝟏)] 𝐱𝟏𝟎𝟎%

6. Proses perbandingan nilai keakurasian menggunakan hasil

perhitungan (user’s accuracy, producer’s accuracy, overall accuracy

dan kappa accuracy) yang didapat dari dua metode yang digunakan.