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%.