BAB IV HASIL DAN ANALISIS

23

BAB IV

HASIL DAN ANALISIS

4.1 Hasil Segmentasi Dari beberapa kombinasi scale parameter yang digunakan untuk mendapatkan

segmentasi terbaik, untuk mengklasifikasikan citra pada penelitian ini hanya

mengambil 3 scale parameter terkecil saja karena semakin besar scale

parameter yang digunakan maka ada tutupan kelas yang tidak akan

terdefinisikan. Tabel 4.1 menunjukkan segmentasi yang dilakukan dengan

beberapa parameter yang berbeda.

Tabel 4.1 Parameter Segmentasi yang dilakukan pada Landsat TM

Keberagaman parameter segmentasi yang digunakan tersebut akan memberikan

hasil segmentasi yang berbeda pula. Level 1 (Gambar 4.1) akan memberikan

bentuk poligon yang lebih kecil dan lebih banyak, tapi keberagaman piksel

dalam satu segmen sedikit. Sedangkan pada level 2 (Gambar 4.2) poligon yang

terbentuk lebih banyak dan keragaman dalam satu segmen lebih banyak dari

level 1. Pada level 3 (Gambar 4.3) poligon lebih besar lagi dan memiliki lebih

banyak keberagaman piksel dalam satu segmennya.

Level Scale Parameter Color Shape Smoothness Compactness

Level 1 10 0.9 0.1 0.1 0.9 Level 2 20 0.7 0.3 0.9 0.1 Level 3 25 0.5 0.5 0.5 0.5

24

Gambar 4.1 Level 1. Poligon yang terbentuk banyak

Gambar 4.2 Level 2. Poligon yang terbentuk lebih besar

25

Gambar 4.3 Level 3. Poligon yang terbentuk memiliki keberagaman yang lebih banyak dalam satu segmen

Selain melakukan segmentasi pada citra, didapatkan juga segmentasi terbaik

untuk setiap kelas. Segmentasi level 1 merupakan segmentasi terbaik untuk

kelas jalan dan vegetasi. Level 2 merupakan segmentasi terbaik untuk kelas

bangunan dan daerah industry dan lahan kosong. Sedangkan untuk kelas tubuh

air segmentasi level 2 dan 3 memberikan hasil yang sama baik, dan untuk kelas

lahan terbuka segmentasi level 2 merupakan hasil terbaik.

4.2 Hasil Klasifikasi Tutupan Lahan

4.2.1 Pixel-Based Classification Metode klasifikasi terbimbing diaplikasikan pada metode pixel-based ini.

Maximum likelihood (Gambar 4.4) dan Minimum Distance (Gambar 4.5)

merupakan sub metode yang diimplementasikan. Sebelum diklasifikasikan,

kelas dari tutupan lahan ditentukan terlebih dahulu.

26

Berdasarkan titik referensi yang telah dikumpulkan ada enam kelas yang telah

dikelompokkan yaitu tubuh air (water body), gedung dan daerah industri

(building and industry area), permukiman (settlement), lahan terbuka (barren

land), jalan (road), dan vegetasi (vegetation).

Gambar 4.4 Hasil Klasifikasi Pixel-Based dengan Metode Maximum Likelihood

Gambar 4.5 Hasil Klasifikasi Pixel-Based dengan Metode Minimum Distance

27

4.2.2 Object-Based Classification Setelah melakukan proses segmentasi pada citra langkah berikutnya ialah

mengklasifikasikan citra tersebut. Klasifikasi dengan metode berbasis objek

dilakukan dengan cara memilih sampel untuk setiap kelas tutupan lahan yang

ada berdasarkan hasil segmentasi yang ada. Tapi sebelumnya ditentukan

terlebih dahulu parameter klasifikasi yang ikut berperan dalam proses

klasifikasi ini. Sehingga dalam pemilihan training sampel, tidak hanya mean

value dari sampel yang diambil saja yang digunakan sebagai parameter

klasifikasi, tapi juga parameter yang didefinisikan sebelumnya. Setelah

pemilihan sampel maka citra tersebut kemudian diklasifikasikan dengan

metode nearest neighbor berdasarkan sampel yang telah didefinisikan

sebelumnya. Untuk dapat dibandingkan dengan dengan metode berbasis piksel

maka digunakan tipe kelas dan informasi warna yang sama.

Gambar 4.6 Hasil Klasifikasi Object-Based Level 1

28



29

4.3 Accuracy Assessment Suatu proses klasifikasi belum sempurna jika belum dihitung tingkat

keakuratannya (Lillesand, 2005). Tingkat akurasi dalam penginderaan jauh yaitu

mengukur derajat kepercayaan antara titik referensi dengan hasil klasifikasi.

Untuk keperluan ini 180 titik sampel (piksel) telah di pilih secara acak sebagai

titik referensi.

Dalam penelitian klasifikiasi lazim digunakan producer accuracy dan user

accuracy dalam melihat keakuratan hasil klasifikasi yang didapat. Producer

accuracy memperlihatkan seberapa besar kemungkinan lahan di lapangan

terklasifikasi secara tepat di dalam citra. Sedangkan user accuracy

memperlihatkan seberapa besar kemungkinan klasifikasi dalam citra

terklasifikasi secara tepat di lapangan. Producer dan user accuracy dapat

memiliki nilai yang berbeda-beda di setiap kategori klasifikasinya. Untuk

melihat keakuratan klasifikasi secara umum digunakan overall accuracy. Untuk

menghitung overall accuracy yaitu dengan menjumlahkan nilai diagonal

confusion matrix dan membaginya dengan jumlah titik sampel yang diambil.

Dalam uji akurasi juga dikenal istilah The Kappa Index of Agreement (KIA).

Nilai kappa merupakan ukuran kebenaran antara kelas yang direpresentasikan di

dalam citra. Kappa menunjukkan nilai kecocokan hasil klasifikasi pada citra

dengan keadaan yang sebenarnya di lapangan. Semakin besar nilai Kappa maka

semakin benar klasifikasi yang dilakukan, sebaliknya semakin kecil nilai kappa

maka semakin kecil pula kemungkinan hasil klasifikasi tersebut dapat

digunakan.

Hasil uji akurasi dari klasifikasi tutupan lahan baik dengan menggunakan

metode berbasis objek maupun berbasis piksel dituangkan dalam bentuk matriks

konfusi sebagai berikut:

30

Tabel 4.2 Confusion Matrix Hasil klasifikasi Maximum Likelihood

Maximum Likelihood Building Road Barren

Land Water Body Settlement Vegetation User's

accuracy Building 26 0 0 0 4 0 0.87 Road 0 20 0 0 8 2 0.67 Barren Land 0 2 16 3 4 0 0.67 Water Body 0 0 0 22 0 4 0.85 Settlement 0 2 6 0 26 2 0.72 Vegetation 0 0 0 4 0 26 0.87 Producer's Accuracy 1 0.83 0.73 0.79 0.62 0.76 Average User's Accuracy 77.25% Average Producer's Accuracy 78.83%

Overall Accuracy 77.27%

Kappa Agreement 0.7208

Tabel 4.3 Confusion Matrix Hasil klasifikasi Minimum Distance

Minimum Distance Building Road Barren Land

Water Body Settlement Vegetation User's

accuracy Building 26 0 2 0 2 0 0.87 Road 0 28 0 0 0 2 0.93 Barren Land 4 2 6 2 8 2 0.25 Water Body 0 0 0 26 0 0 1 Settlement 0 6 4 0 22 4 0.61 Vegetation 0 0 0 4 0 26 0.87 Producer's Accuracy 0.87 0.78 0.5 0.81 0.69 0.76 Average User's Accuracy 75.46% Average Producer's Accuracy 73.49%



Tabel 4.4 Confusion Matrix Hasil klasifikasi Object-Based Level 1

Level 1 Building Road Barren Land


accuracy Building 26 2 0 0 0 2 0.87 Road 0 24 2 0 0 4 0.8 Barren Land 0 2 20 0 2 0 0.83 Water Body 0 0 0 26 0 2 0.93 Settlement 2 0 0 2 32 0 0.89 Vegetation 0 0 2 0 2 26 0.87 Producer's Accuracy 0.93 0.86 0.83 0.93 0.89 0.76 Average User's Accuracy 86.40%

Average Producer's Accuracy 86.69%



31




accuracy Building 28 0 0 0 0 0 1 Road 0 12 2 0 4 12 0.4 Barren Land 0 0 22 0 2 0 0.92 Water Body 0 0 0 28 0 0 1 Settlement 0 0 0 0 28 8 0.78 Vegetation 0 0 0 0 4 26 0.87 Producer's Accuracy 1 1 0.92 1 0.74 0.57 Average User's Accuracy 82.69%







accuracy Building 24 0 0 0 3 0 0.93 Road 0 12 0 0 2 16 0.4 Barren Land 0 0 18 0 6 0 0.75 Water Body 0 0 0 28 0 0 1 Settlement 0 0 2 0 26 8 0.72 Vegetation 2 0 0 0 2 28 0.93 Producer's Accuracy 0.93 1 0.9 1 0.68 0.54 Average User's Accuracy 78.98%




Tabel 4.7 Perbandingan Accuraccy assessment Pixel-Based dan Object-Based

4.4 Analisis Dari tabel 4.7 tersebut dapat kita lihat bahwa metode object-based memberikan

hasil yang lebih akurat pada level berapa pun dibandingkan dengan metode

pixel-based. Metode object-based menggabungkan informasi spasial dan

Pixel-based classification Object-oriented classification Maximum Likelihood Minimum Distance Level 1 Level 2 Level 3 User's

accuracy (%)

Producer's accuracy

(%)

User's accuracy

(%)

Producer's accuracy

(%)

User's accuracy

(%)

Producer's accuracy

(%)

User's accuracy

(%)

User's accuracy

(%)

User's accuracy

(%)

Producer's accuracy

(%) 77.25 78.83 75.46 73.49 86.4 86.69 82.69 86.98 78.98 85.38 Overall accuracy:

77.27% Overall accuracy:




78.65% Kappa Statistic: 0.7208 Kappa Statistic: 0.7124 Kappa Statistic: 0.8377 Kappa Statistic: 0.7811 Kappa Statistic: 0.7202

32

spektral dari objek tersebut sehingga dapat memberikan hasil yang lebih baik.

Diawali dengan segmentasi citra yang dibuat dengan menggunakan informasi

spasial dan spektral. Saat objek terbentuk, klasifikasi akan lebih terbentuk

karena semua piksel dari satu objek terklasifikasikan pada kelas yang sama dan

hasilnya akan mendekati dengan apa yang dilihat oleh manusia (Giada et al.,

2003). Pada klasifikasi dengan pixel-based, terbatas dengan hanya

mengekstraksi informasi spektral saja. Hasil yang paling bagus didapat pada

level 1 dengan scale parameter 10 yaitu dengan overall accuracy sebesar 86.52

%. Level 1 ini memberikan hasil yang lebih baik dibandingkan level 2 yang

memiliki overall accuracy 82.02% dan level 3 yang memiliki overall accuracy

sebesar 78.65% karena dipengaruhi hasil segmentasi yang dilakukan karena

semakin besar scale parameter yang digunakan maka keberagaman piksel yang

dikelompokkan menjadi satu objek akan semakin banyak. Hal itu

mengakibatkan objek dengan nilai piksel yang berdekatan akan lebih susah

dibedakan. Seperti pada objek jalan, semakin besar scale parameter yang

digunakan maka objek jalan tersebut akan menyatu dengan objek vegetasi atau

permukiman yang berada dekat dengan jalan tersebut. Sehingga khusus untuk

kelas jalan (road) pada citra ini hasil klasifikasi pixel-based bisa

memperlihatkan kelas jalan dengan lebih baik. Begitu juga dengan nilai kappa

dari masing-masing metode, object-based level 1 memberikan hasil yang lebih

besar dari pada metode lainnya yaitu sebesar 0.8377.

Pada metode pixel-based dilihat pada tabel di atas, metode maximum likelihood

memberikan hasil sedikit lebih baik dibandingkan dengan metode minimum

distance. Hal ini dikarenakan metode minimum distance didasarkan atas

penempatan piksel pada suatu kelas dengan nilai rata-rata yang terdekat

sedangkan pada maximum likelihood selain melihat pada kedekatan nilai rata-

rata juga memperhitungkan pada sebaran normal dari training sample yang telah

didefinisikan terlebih dahulu. Sehingga data training sample yang dibuat

haruslah mencakupi keberagaman piksel pada kelas tutupan lahan tersebut.

Pada saat klasifikasi baik dengan menggunakan metode pixel-based maupun

object based masih didapatkan suatu objek ataupun piksel yang bukan dalam

suatu kelas tetapi ikut terklasifikasikan maupun yang merupakan anggota suatu

33

kelas tetapi tidak ikut terklasifikasikan. Hal ini disebabkan karena nilai digital

number maupun bentuknya hampir sama dengan training sample yang diambil

sehingga terjadi adanya misclassification. Contohnya adalah kelas jalan yang

terdefinisikan sebagai permukiman atau pun vegetasi. Begitu pula kelas

permukiman yang terdefinisikan sebagai jalan. Beberapa kelas lainnya juga,

seperti lahan kosong dan bangunan juga masih masuk pada kelas lainnya

sehingga masih terdapat kesalahan. Sehingga training sample yang diambil

haruslah mencakup keberagaman piksel pada setiap kelas, karena training

sample inilah yang menjadi patokan dalam mengklasifikasikan citra.

Untuk nilai producer’s dan user’s accuracy dari object-based rata-rata juga

memberikan hasil yang lebih baik (meningkat) dibandingkan dengan hasil dari

pixel-based.

Documents

BAB IV HASIL DAN ANALISIS