1. Hh _ Silabus Sejarah Peminatan Sma_allson 10-12 Juli 2013
BAB III METODOLOGI PENELITIAN - repository.ipb.ac.id · polarisasi HH dan VV dapat dilihat...
Transcript of BAB III METODOLOGI PENELITIAN - repository.ipb.ac.id · polarisasi HH dan VV dapat dilihat...
BAB III
METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada bulan Juli 2011 sampai dengan Januari
2012 dengan daerah penelitian di Desa Sawohan, Kecamatan Buduran, Kabupaten
Sidoarjo, Jawa Timur. Peta lokasi penelitian dapat dilihat pada Gambar 6.
Kegiatan pengolahan dan analisis dilakukan di Laboratorium Fisik Remote
Sensing dan GIS, Departemen Manajemen Hutan Fakultas Kehutanan, Institut
Pertanian Bogor.
3.2 Perangkat Keras (Hardware) dan Perangkat Lunak (Software)
Hardware dan Software yang digunakan dalam penelitian ini adalah :
a. Seperangkat notebook yang terdapat Software :
- PolSARpro v4.2.
- ENVI 4.7
- ERDAS IMAGINE 9.1
- Microsoft Word dan Exel 2010
- Google Earth Pro v5.0.1
b. Kamera digital Kodak C143 Easyshare
c. GPS Garmin Oregon 550
3.3 Data
Data utama yang digunakan pada penelitian ini adalah :
a. Citra TerraSAR-X dual polarization mode high resolution Spotlight
rekaman Desember 2007 (sumber : Departemen ITSL, IPB).
b. Citra Quickbird yang terdapat pada google earth rekaman Juli 2010
(sumber : google earth)
Data pendukung lainnya :
a. Peta digital tutupan lahan daerah pesisir Kabupaten Sidoarjo tahun 2010
(sumber : Bappeda Sidoarjo).
21
b. Peta sebaran mangrove Kabupaten Sidoarjo tahun 2010 (sumber : Bappeda
Sidoarjo).
c. Peta Wilayah Administrasi Kabupaten Sidoarjo tahun 2011 (sumber :
Bappeda Sidoarjo).
Gambar 6 Peta lokasi penelitian.
Surabaya.
22
23
Tampilan citra dual polarization dari TerraSAR-X masing-masing
polarisasi HH dan VV dapat dilihat menggunakan software ENVI 4.7 dalam
bentuk tiga jendela grup (Gambar 7), yaitu Image Window, Scroll Window dan
Zoom (4x) Window.
a c
Gambar 7 [a] Image window, [c] scroll window dan [b] zoom (4x) window padacitra polarisasi HH.
Gambar 8 Citra hasil cropping area penelitian pada polarisasi HH.
b
24
a cGambar 9 [a] Image window, [c] scroll window dan [b] zoom (4x) window pada
citra polarisasi VV.
Gambar 10 Citra hasil cropping area penelitian pada polarisasi VV.
3.4 Metode Pengolahan Data
Tahapan penelitian dimulai dengan pengolahan awal citra yang berupa
proses ekstraksi, cropping dan reduksi speckle. Kemudian dilakukan proses
analisis citra secara visual dan digital. Hasil verifikasi digital kemudian diperiksa
b
25
akurasinya dengan membandingkan hasil analisis visual menggunakan bantuan
hasil ground check dan perbandingan citra Quickbird dari google earth. Setelah
itu dilakukan proses stratified classification pada penutupan lahan hutan
mangrove. Tahapan penelitian secara lengkap disajikan pada Gambar 12.
3.4.1 Pengolahan Awal Citra (Pre-Image Processing)
3.4.1.1 Ekstraksi Pada Citra Terrasar-X High Resolution dan Proses
Cropping
Citra TerraSAR-X harus diekstraksi terlebih dahulu agar dapat diproses
lebih lanjut. Proses ekstraksi ini menggunakan bantuan software PolSARpro v4.2.
Sebelum dilakukan proses ekstraksi, data citra TerraSAR-X harus di-import
terlebih dahulu ke dalam software. Setelah data masuk kemudian memilih menu
read header yang terdapat pada menu PolSARpro. Pada saat proses ekstraksi,
harus dipilih opsi full resolution. Keluaran dari hasil ekstraksi berupa file dengan
format *.bin dan citra RGB dengan tampilan (|VV|-|HH-VV|-|HH|). Hasil
ekstraksi tersebut merupakan proses ekstraksi keseluruhan area pencitraan satelit.
File ekstraksi pada wilayah yang diinginkan diperoleh dengan cara
memasukkan batas kolom piksel dan batas baris piksel pada area yang diinginkan.
Proses ini sama halnya dengan melakukan cropping pada citra yang telah
terkoreksi. Hal ini bertujuan untuk lebih memfokuskan perhatian ke area
penelitian juga untuk mereduksi volume data citra, agar mudah dalam proses di
komputer.
3.4.1.2 Reduksi Speckle
Reduksi speckle pada penelitian ini dilakukan dengan adaptive filter yaitu
Lee dan Frost. Filter ini digunakan untuk mereduksi speckle pada citra polarisasi
HH dan polarisasi VV citra TerraSAR-X. Wilayah pemfilteran lokal (local region
filter) pada proses filterisasi Lee dan Frost dilakukan pada jendela 3x3 (Gambar
11). Ukuran jendela ini menunjukkan ukuran arah pergerakan piksel menurut 8
arah mata angin, yang berada di sekitar piksel yang diamati (noise). Praktek
pemfilteran sebenarnya dapat dilakukan secara berulang untuk meningkatkan
ukuran jendela / wilayah pemfilteran lokal. Namun hal tersebut tidak dilakukan
26
pada penelitian ini. Hal ini dilakukan untuk menjaga variasi nilai DN pada piksel
di wilayah pemfilteran lokal yang dirumuskan sebagai berikut := [ ( , − ) ]/( − 1)Keterangan :
n = ukuran kernel (ITT Visual Information Solution 2008)
Gambar 11 Kernel ukuran 3x3 pada proses filtering.
Filter Lee menggunakan distribusi statistik pada nilai DN di wilayah
pemfilteran l untuk mengestimasi piksel mana yang akan menjadi pusat perhatian
(noise). Speckle pada pencitraan radar dapat dirumuskan sebagai perkalian noise
dengan nilai rata-rata satu. Rumus standar deviasi noise adalah sebagai berikut:= √ = = ( )Pemfilteran Lee menggunakan asumsi bahwa rata-rata dan variasi piksel di
wilayah yang diamati sama dengan rata-rata dan variasi lokal dari semua piksel
yang berada di wilayah pemfilteran lokal yang dipilih. Perhitungan pemfilteran
Lee adalah sebagai berikut : = [ ] + [ − ]Keterangan :
K = normalization constant
Filter Frost merupakan filter kabut yang secara eksponensial lingkaran
simetrik menggunakan lokal statistik. Lokal statistik berfungsi untuk
memindahkan jendela filter yang menyesuaikan dengan respon filter terhadap
pulsa. Rumus DN output hasil pemfilteran Frost adalah sebagai berikut := | |
X1 X2 X3
Y1
Y2
Y3
piksel tujuan (X0,Y0)
27
= { | | = | |}/( × )dimana,
= 4 Ι̅Keterangan :
K = normalization constantĪ = local mean
= local variance=image coefficient of variation value= √| | = | − | + | − |
X, Y = posisi koordinat piksel ke-i terhadap piksel tujuan (pusat kernel)X0, Y0 = piksel tujuan (pusat kernel)n = ukuran kernel (Lopes et al. 1990)
3.4.2 Analisis Citra
3.4.2.1 Analisis Citra Secara Visual (Visual Image Interpretation)
Klasifikasi visual atau kualitatif merupakan suatu kegiatan untuk
mendeteksi dan mengidentifikasi objek-objek permukaan bumi yang tampak pada
citra, dengan cara mengenalinya atas dasar karakteristik spasial, spektral, dan
temporal. Unsur-unsur interpretasi yang digunakan yaitu:
a. Tone dan warna
Tone (derajat keabu-abuan / grayscale) dan warna adalah elemen dasar
dari sebuah objek. Variasi tone/ warna sangat bergantung pada karakteristik dari
setiap objek, karena warna merupakan hasil reflektansi, transmisi dan atau radiasi
panjang gelombang yang dihasilkan dari objek yang bersangkutan. Tone atau
warna sangat bergantung pada panjang gelombang atau band yang digunakan saat
perekaman. Tingkat kecerahan dari objek sangat bergantung pada sifat dasar dari
objek yang bersangkutan. Tone pada citra radar dapat didefinisikan sebagai
intensitas rata-rata dari sinyal backscatter. Backscatter yang tinggi akan
menghasilkan kecerahan yang tinggi (tone terang), sebaliknya backscatter yang
rendah akan menghasilkan tingkat kecerahan yang rendah (tone gelap). Intensitas
28
tersebut dipengaruhi oleh karakteristik obyek, diantaranya berupa kekasaran
permukaan, complex dielectric constant, kelerengan dan arah obyek. Selain itu
untuk citra radar dipengaruhi juga oleh sistem sensor radar yang digunakan.
b. Tekstur
Tekstur adalah frekuensi perubahan rona pada citra. Tekstur merupakan
hasil gabungan dari unsur bentuk, ukuran, pola dan rona obyek. Tekstur sering
dinyatakan dengan kasar, sedang atau halus. Tekstur kasar umumnya dibentuk
oleh rona dengan variasi tinggi (belang-belang) dimana terjadi perubahan tone
yang besar, sedangkan tekstur halus terbentuk dari variasi yang relatif kecil.
c. Pola
Pola adalah hubungan susunan spasial obyek. Pengulangan bentuk umum
tertentu merupakan karakteristik dari banyak obyek alamiah atau bangunan dan
akan memberikan suatu pola yang membantu penafsiran untuk mengenali obyek
yang bersangkutan. Pola yang digunakan pada interpretasi visual umumnya
mengacu pada tata ruang atau tata letak objek dalam suatu ruang. Pola sebaran
objek dengan jarak yang teratur, tone yang sama akan menghasilkan tampilan pola
yang berbeda dengan objek yang tersebar secara acak (random) dan tone yang
relatif berbeda.
d. Lokasi
Lokasi adalah letak obyek dalam hubungannya dengan obyek yang lain.
Lokasi sangat berguna untuk membantu pengenalan obyek.
e. Asosiasi
Asosiasi dapat diartikan sebagau keterkaitan antara obyek yang satu
dengan obyek yang lain. Karena keterkaitan inilah, maka terlihatnya suatu obyek
pada citra sering merupakan petunjuk bagi adanya obyek lain.
f. Bentuk
Bentuk ialah konfigurasi atau kerangka suatu obyek. Bentuk merupakan
atribut yang jelas, sehingga banyak obyek yang dapat dikenali berdasarkan
bentuknya. Secara umum bentuk sebuah objek mengacu pada bentuk-bentuk
29
umum bagian luar (eksternal), struktur, konfigurasi atau garis besar dari individu
objek. Bentuk-bentuk umum yang digunakan adalah variasi bentuk polygon dan
atau garis, seperti segi empat panjang, segitiga, lingkaran, garis lurus, garis
melengkung, dan sebagainya. Bentuk-bentuk objek buatan manusia umumnya
lebih teratur dibandingkan dengan bentukbentuk alam. Pada citra radar, bentuk
objek merupakan hasil rekaman dari posisi miring (oblique/side looking), jarak
slant dari radar.
g. Ukuran
Ukuran adalah atribut obyek yang merupakan fungsi dari skala, oleh sebab
itu dalam interpretasi citra harus selalu memperhatikan skala yang digunakan.
Ukuran suatu objek atau yang tampak dalam citra atau foto sangat bergantung
pada skala, resolusi dan ukuran objek yang sebenarnya ada di alam.
h. Bayangan
Pada citra radar, bayangan topografi adalah bagian yang tidak ada
informasi backscatter. Bayangan itu juga berguna untuk meningkatkan atau
mengidentifikasi topografi dan bentang alam, khususnya dalam citra radar.
Bayangan pada radar sangat terkait dengan sudut miring dari radiasi gelombang
mikro yang dipancarkan sistem sensor dan bukan oleh geometri dari iluminasi
matahari.
Unsur interpretasi berdasarkan tingkat kerumitan dibedakan menjadi
empat tingkat yaitu :
a. Kunci interpretasi primer, yaitu : tone dan warna.
b. Kunci interpretasi sekunder, yaitu : bentuk, ukuran, dan tekstur.
c. Kunci interpretasi tersier, yaitu : pola dan bayangan.
d. Kunci interpretasi lebih tinggi, yaitu : lokasi atau asosiasi.
Kegiatan ini dilakukan untuk memberikan gambaran awal dalam
mengidentifikasi pola sebaran, penentuan jumlah kelas tutupan lahan dan macam
kelas tutupan lahan yang ada di daerah penelitian.
3.4.2.2 Pengolahan Citra Digital (Image Processing)
Pengolahan citra digital (image processing) mengacu kepada teknik
30
klasifikasi citra. Berdasarkan tekniknya, klasifikasi dapat dibedakan menjadi
klasifikasi terbimbing dan tidak terbimbing. Pada klasifikasi terb imbing,
pengelompokkan piksel ke dalam suatu kelas yang telah ditetapkan dilakukan oleh
interpreter secara manual berdasarkan nilai kecerahan (brightness) maupun
warna dari piksel yang bersangkutan. Pada klasifikasi tidk terbimbing,
pengelompokkan dilakukan secara otomatis oleh komputer berdasarkan nilai
kecerahan (brightness value atau digital number) contoh yang diambil sebagai
contoh (region of interest).
3.4.2.2.1 Klasifikasi Citra
Metode yang digunakan dalam klasifikasi ini adalah metode klasifikasi
terbimbing dan tidak terbimbing. Metode klasifikasi terbimbing terdiri dari
metode maximum likelihood, mahalanobis distance, minimum distance,
parallelepiped dan Support Vector Machine (SVM). Untuk metode klasifikasi
tidak terbimbing digunakan metode k-means. Kelima metode tersebut kemudian
dicari nilai akurasinya untuk dapat dipilih suatu metode dengan nilai akurasi
terbaik.
a. Pembuatan Region of Interest
Pembuatan region of interest (ROI) atau pengelompokan piksel-piksel
pada setiap obyek dilakukan untuk mengambil informasi statistik kelas-kelas
tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X
dilakukan dengan cara menentukan semua area contoh tiap kelas tutupan lahan
secara manual dengan bantuan citra optik Quickbird pada google earth..
Informasi statistik dari setiap tutupan lahan ini digunakan untuk menjalankan
fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai
rata- rata, simpangan baku, nilai digital minimum, dan maksimum, serta matriks
kovarian untuk setiap kelas tutupan lahan. Kegiatan pembuatan ROI ini hanya
dilakukan pada metode klasifikasi terbimbing.
b. Analisis Separabilitas
Analisis separabilitas adalah analisis kuantitatif yang menunjukkan
keterpisahan statistik antar kelas penutupan lahan, apakah suatu kelas layak
untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Kelas yang
31
digunakan untuk analisis separabilitas ini merupakan hasil ROI pada metode
klasifikasi terbimbing dan hasil kelas yang dibentuk pada klasifikasi tidak
terbimbing. Metode yang digunakan untuk analisis ini adalah metode
transformed divergence. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 6.
Tabel 6 Kriteria tingkat keterpisahan metode transformed divergenceNilai Transformasi keterpisahan Keterangan2 Sempurna (excellent)1,900 – 1,999 Sangat baik (good)1,700 – 1,899 Baik (fair)1,600 – 1,699 Cukup baik (poor)< 1,600 Tidak terpisahkan (inseparable)Sumber : Jaya (2009) disesuaikan dengan software ENVI 4.7
3.4.2.2.2 Akurasi Hasil Klasifikasi
Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi adalah
dengan melakukan evaluasi akurasi yaitu dengan membuat matriks kesalahan
(error matrix). Matriks kesalahan adalah matriks bujur sangkar yang berfungsi
untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari
kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas.
Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai
nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer
1990).
Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai
User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy.
Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena
mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan
dengan rumus :
(K) = ∑ − ∑− ∑ × 100%= × 100%
= × 100%= ∑ × 100%
32
dimana :
N = Jumlah semua piksel yang digunakan untuk pengamatan
R = Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)
Xii = Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i
X+i = Jumlah piksel dalam kolom ke-i
Xi+ = Jumlah piksel dalam baris ke-i
3.4.3 Ekstraksi Hutan mangrove
3.4.3.1 Klasifikasi Hutan Mangrove
Estimasi spesies kawasan mangrove dilakukan menggunakan metode
klasifikasi yang memiliki nilai overall accuracy paling tinggi. Kawasan mangrove
ini merupakan area yang didapat dari hasil penafsiran secara visual dan telah di
crop pada objek-objek lainnya untuk meningkatkan besarnya akurasi. Sehingga
dengan menerapkan sistem stratified classification dapat mengurangi terjadinya
kesalahan klasifikasi karena menghilangkan objek-objek lain.
a. Pembuatan Region of Interest
Pembuatan region of interest (ROI) pengelompokan piksel-piksel pada
setiap obyek mangrove dilakukan untuk mengambil informasi statistik kelas-kelas
tutupan lahan. Pengambilan informasi statistik pada citra TerraSAR-X dilakukan
dengan cara menentukan semua areal contoh tiap kelas mangrove secara manual.
b. Analisis Separabilitas
Analisis separabilitas adalah analisis kuantitatif yang menunjukkan
keterpisahan statistik antar kelas mangrove, apakah suatu kelas layak untuk
digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Metode yang
digunakan untuk analisis ini adalah metode transformed divergence. Kriteria
tingkat keterpisahan dapat dilihat pada Tabel 6.
3.4.3.2 Analisis Akurasi Klasifikasi Hutan Mangrove
Hasil dari klasifikasi kelas-kelas mangrove kemudian dievaluasi ketepatan
hasil klasifikasinya. Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi
adalah dengan melakukan evaluasi akurasi yaitu dengan membuat matriks
kesalahan (error matrix) seperti yang telah dilakukan pada analisis akurasi
penutupan lahan. Matriks kesalahan adalah matriks bujur sangkar yang berfungsi
untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari
33
kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas.
Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai
nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand and Kiefer
1990).
Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai
User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy.
Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena
mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan
dengan rumus :
(K) = ∑ − ∑− ∑ × 100%= × 100%
= × 100%= ∑ × 100%
dimana :
N = Jumlah semua piksel yang digunakan untuk pengamatan
R = Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)
Xii = Nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i
X+i = Jumlah piksel dalam kolom ke-i
Xi+ = Jumlah piksel dalam baris ke-i
3.4.4 Pemeriksaan Lapangan (Ground Check)
Kegiatan pengecekan lapangan dilaksanakan untuk memperoleh informasi
mengenai keadaan atau kondisi lapangan secara nyata sebagai pelengkap
informasi dan pembanding bagi analisis selanjutnya. Pengecekan lapangan yang
dilakukan adalah dengan mengambil titik pada obyek-obyek yang telah ditentukan
pada identifikasi awal. Tujuannya untuk mencocokkan tutupan lahan yang telah
diidentifikasi di citra secara visual dengan keadaan sesungguhnya di lapangan.
Pengambilan titik untuk pengamatan lapangan diutamakan pada daerah yang
memiliki aksesibilitas yang baik, memiliki kenampakan yang berbeda dari
34
kenampakan umumnya dan mewakili contoh ketersebaran penutupan lahan pada
daerah tersebut. Selain itu, pengecekan lapangan yang berupa pengkelasan
spesies-spesies mangrove diperlukan pada proses ekstraksi hutan mangrove.
Pengecekan ini dilakukan untuk mengetahui seberapa banyak kelas mangrove di
lapangan berdasarkan spesies penyusunnya dan dibandingkan dengan tampilan
citra TerraSAR-X yang dapat mengkelaskan spesies mangrove tersebut.
35
3.4.5 Diagram Alir Penelitian
Gambar 12 Diagram alir metode penelitian.
Mulai
Metode KlasifikasiTerbaik
Pembuatan Tampilan CitraRGB (|VV|-|HH-VV|-|HH|)
EkstraksiCitra
TerraSAR-X
Pemotongan citra (cropping)
Klasifikasi Visual
Data lapangan(Ground Check)
Analisis Akurasi/AccuracyAssesment
Selesai
Row DataTerraSAR-X
Citra Quickbird(Google Earth)
Klasifikasi Digital1.Supervised Classification :
- Maximum likelihood- Mahalanobis distance- Minimum distance- Parallelepiped- Support Vector Machine (SVM)
2.Unsupervised Classification :- K-means
Subset Citra TerraSAR-X(|VV|-|HH-VV|-|HH|)
Peta Penutupan Lahan
Klasifikasi PenutupanLahan
Data lapangan(Ground Check)
KlasifikasiMangrove
Analisis Akurasi/AccuracyAssesment
Analisis Separabilitas
Kelas Penutupan Lahan :- Tambak- Rumput- Tanah Kosong- Sungai- Vegetasi Mangrove
Kelas Mangrove :- Avicennia sp.- Xylocarpus sp.dan Rhhizophora sp.- Hibiscus tiliaceus- Semak dan rerumputan
Citra Hasil Filter Terbaik
Reduksi Speckle :1. J.S. Lee Filter2. Frost Filter
Klasifikasi HutanMangrove