Upload
vuonganh
View
226
Download
4
Embed Size (px)
Citation preview
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
Gambar 4.7 Hasil Klasifikasi Object-Based Level 2
Gambar 4.8 Hasil Klasifikasi Object-Based Level 3
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%
Overall Accuracy 76.14%
Kappa Agreement 0.7124
Tabel 4.4 Confusion Matrix Hasil klasifikasi Object-Based Level 1
Level 1 Building Road Barren Land
Water Body Settlement Vegetation User's
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%
Overall Accuracy 86.52%
Kappa Agreement 0.8377
31
Tabel 4.5 Confusion Matrix Hasil klasifikasi Object-Based Level 2
Level 2 Building Road Barren Land
Water Body Settlement Vegetation User's
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%
Average Producer's Accuracy 86.98%
Overall Accuracy 82.02%
Kappa Agreement 0.7811
Tabel 4.6 Confusion Matrix Hasil klasifikasi Object-Based Level 3
Level 3 Building Road Barren Land
Water Body Settlement Vegetation User's
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%
Average Producer's Accuracy 85.38%
Overall Accuracy 78.65%
Kappa Agreement 0.7202
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:
76.14% Overall accuracy:
86.52% Overall accuracy:
82.02% 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.