COMPARISON OF METHODS SUPERVISED AND UNSUPERVISED THROUGH GOOGLE SATELLITE IMAGE ANALYSIS PROCEDURE FOR LAND USE

A. Pendahuluan 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).

B. 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).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. 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. 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) Citra Daerah Surabaya 1

(b) Citra Daerah Surabaya 2

Gambar 4.1 Citra Quickbird yang digunakan dalam penelitian

a. Hasil Penelitian Daerah Surabaya 1 Tabel 4.1 Deskripsi Pengklasifikasian Kelas Daerah Surabaya 1

Hasil klasifikasi menggunakan metode Supervised dan Unsupervised adalah sebagai berikut :

(a) Citra Awal Daerah Surabaya 1

(b) Citra Metode Supervised

(c) Citra Metode UnsupervisedGambar 4.2 Citra Hasil Pengklasifikasian Daerah Bogor

b. 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

Tabel 4.3 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Bogor

Tabel 4.4 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Bogor

c. Hasil Penelitian Daerah Surabaya 2 Pada penelitian ketiga yaitu daerah Jakarta dibagi menjadi 4 (empat) kelas.

Tabel 4.9 Deskripsi Pengklasifikasian Kelas Daerah Meulaboh

Hasil klasifikasi menggunakan metode Supervised dan Unsupervised adalah sebagai berikut :

(a) Citra Awal Daerah Surabaya 2

(b) Citra Metode Supervised

(c) Citra MetodeUnsupervisedGambar 4.3 Citra Hasil Pengklasifikasian Daerah Surabaya 2d. Uji Ketelitian Metode Supervised Dan Unsupervised Pada Daerah Surabaya 2 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

e. Hasil Penelitian Daerah Surabaya 1 Tabel 4.9 Deskripsi Pengklasifikasian Kelas Daerah Meulaboh

Hasil klasifikasi menggunakan metode Supervised dan Unsupervised adalah sebagai berikut :

(a) Citra Awal Daerah Meulaboh

(b) Citra Metode Supervised

(c) Citra Metode UnsupervisedGambar 4.4 Citra Hasil Pengklasifikasian Daerah Bogor 4.4.1

f. 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

Tabel 4.11 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Meulaboh

Tabel 4.12 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Meulaboh

5. 4Perbandingan Metode Supervised dan Unsupervise Tabel 4.13 Tabel Perbandingan Klasifikasi Supervised dan Unsupervised

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%.