II. TINJAUAN PUSTAKA 2.1.

Penginderaan Jauh (Inderaja) Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek, daerah, atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan Kiefer, 1979). Data penginderaan jauh dapat diperoleh melalui hasil rekaman sensor yang dipasang baik pada pesawat terbang, satelit, pesawat ulang alik, atau wahana lainnya. Sensor tersebut akan menghasilkan data yang berbeda-beda sesuai dengan letak ketinggian sensor maupun karakteristik obyek yang dikaji (Sutanto, 1986). Sensor yang digunakan dalam penginderaan jauh sangat tergantung dari energi gelombang elektromagnetik. Akan tetapi, gelombang elektromagnetik yang paling penting bagi penginderaan jauh

ALOS PALSAR. dan manajemen efisiensi air. Citra satelit yang menggunakan sensor pasif antara lain: citra satelit Landsat. kehutanan. pertanian. pemetaan penggunaan air. MODIS. . Peran Penginderaan Jauh Pada Sektor Pertanian Penginderaan jauh ini dapat digunakan untuk berbagai aplikasi seperti untuk bidang keamanan dan pertahanan negara. inventarisasi sumberdaya lahan. identifikasi gangguan. yaitu: identifikasi jenis tanaman.adalah sinar matahari. ERS-SAR. pemantauan bencana alam. SPOT. Sedangkan sensor yang menggunakan energi yang dipancarkan oleh sensor itu sendiri disebut sensor aktif ( Syntetic Aperture Radar). hingga survei dan pemetaan. ALOS sensor PRISM dan AVNIR. Van Niel dan McVicar (2001) mencatat ada enam aspek penting yang dapat ditunjang dari data penginderaan jauh. pengukuran area. 2. estimasi hasil. Untuk aplikasi di bidang pertanian.2. IKONOS. perikanan. Adapun citra satelit yang menggunakan sensor aktif antara lain: citra satelit RADARSAT. Sensor yang menggunakan energi dari sinar matahari sebagai sumber gelombang elektromagnetik disebut sebagai sensor pasif (sensor optik).

dan dengan biaya yang relatif murah. 2.3. bera basah (menunjukkan awal musim tanam baru). 2. resolusi temporal. masing-masing petani dan manajer pertanian pada tingkat kabupaten banyak yang menunjukkan minat . Dalam hal ini. Hal ini dikarenakan identifikasi jenis tanaman merupakan langkah pertama yang diperlukan sebelum estimasi.1.2. identifikasi jenis tanaman akan mempengaruhi pengukuran area tanaman. Pengukuran Area Tanaman Pengukuran area tanaman merupakan salah satu praktek umum dalam bidang pertanian. data penginderaan jauh dapat memberikan informasi tentang status pertumbuhan padi. fase vegetatif (pertumbuhan tanaman).2. diantaranya adalah: status bera kering atau tanah (menunjukkan kondisi habis panen). Namun.2. identifikasi jenis tanaman lebih identik dengan pengelompokkan semua jenis tanaman. Pengukuran area ini lebih sering digunakan untuk menghitung kepentingan yang berhubungan dengan statistik seperti luas panen dan luas awal tanam. Identifikasi Jenis Tanaman Aplikasi ini dapat menggunakan informasi yang diberikan oleh spektrum data penginderaan jauh yang dapat membedakan dan mengelompokkan vegetasi penutupan lahan. Dalam kasus aplikasi untuk pemetaan padi. Oleh karena itu. Estimasi Hasil Panen Perkiraan hasil panen dalam aplikasinya sangat mempengaruhi tingkat keputusan manajemen pertanian. serta status siap panen. sedangkan pengukuran area lebih berkaitan dengan beberapa target dari jenis tanaman saja. dan dapat menghitung pendapatan hasil pertanian.2. seperti aplikasi pupuk. Teknik penginderaan jauh sering digunakan untuk tujuan ini karena keakuratannya dalam tingkat spasial.2. penyaluran air. Aplikasi semacam ini salah satunya pernah dilakukan oleh Panuju dan Trisasongko (2008) dengan memanfaatkan data penginderaan jauh optik dan dengan menggunakan teknik klasifikasi terbimbing ( supervised classification). awal bunting (akhir masa vegetatif dan awal fase generatif).

Standar analisis estimasi hasil yang dilakukan sebelumnya dicakup dalam analisis panen dalam plot contoh acak tanah saat panen (Murthy et al. 1992 dalam Van Niel dan McVicar. maupun adanya perbedaan kedalaman air atau aplikasi pupuk yang dapat mempengaruhi besarnya produksi tanaman (Anbumozhi et al. Identifikasi Kerusakan Tanaman Salah satu perhatian besar dalam bidang pertanian adalah menurunnya produktivitas tanaman karena kerusakan tanaman. terdapat beberapa kendala dalam estimasi hasil panen semacam ini.. namun metode ini dapat digantikan dengan estimasi hasil panen dengan menggunakan teknologi penginderaan jauh. baik lokal maupun regional. Dengan menggunakan teknologi ini. yaitu terbatasnya data dengan kondisi fisiologi relatif tetap antar waktu. atau dengan model regresi meteorologi dengan menggunakan data curah hujan dan data panen sebelumnya (Karimi dan Siddique. dikarenakan kemampuan teknologi ini dapat memproduksi hasil yang cepat dan mempunyai keakuratan dari aspek spasial.4. 2. Namun. Penelitian kerusakan . Aplikasi semacam ini pernah dilakukan oleh Rasmussen (1997) dalam Van Niel dan McVicar (2001) yang memprediksi hasil pertanian millet di Senegal dengan menggunakan data NOAAAVHRR. sumber kerusakan tanaman dapat diukur secara langsung dengan menggunakan teknologi penginderaan jauh. maka estimasi hasil panen dapat diketahui lebih awal satu sampai tiga bulan sebelum panen.. 1997 dalam Van Niel dan McVicar. 2001).. 2001). 2001). serangga. serta kondisi lingkungan sekitar seperti tanah (umumnya dikenal dengan istilah soil background problems).besar untuk dapat memproduksi cepat dan dapat melakukan estimasi hasil panen dengan akurat. seperti gangguan patogen. 2001). Kerusakan padi dan penurunan hasil panen dapat terjadi karena berbagai alasan. dan gulma. Kejadian seperti ini memiliki interaksi yang kompleks dengan praktek tanam (Savary et al. Namun demikian. Meskipun masih digunakan.2. 1996 dalam Van Niel dan McVicar. metode-metode ini sering menghasilkan hasil yang tidak baik dan tidak akurat baik dari segi waktu maupun secara spasial. 1998 dalam Van Niel dan McVicar. Dalam situasi tertentu.

Teknologi ini juga dapat menghitung penilaian penggaraman. yaitu dengan mengukur sumber kerusakan (pengukuran langsung). Teknologi . dan biasanya memerlukan waktu harian.5. Kedua pendekatan ini memerlukan akses tanah berdasarkan data meteorologi.2. Pemetaan Penggunaan Air Penggunaan air oleh tanaman dapat ditentukan melalui tanaman model empiris tertentu atau penggunaan model berbasis proses.. Untuk dapat mempertahankan kebutuhan tersebut. Dengan demikian.tanaman dengan menggunakan teknologi penginderaan jauh dapat disederhanakan menjadi dua kategori. Untuk itu. 2. Sehingga pendekatan pemodelan semacam ini memerlukan akses ke jaringan-jaringan stasiun meteorologi. Diketahui bahwa deteksi gulma memerlukan data penginderaan jauh dengan resolusi spasial tinggi. 2. 1991 dalam Van Niel dan McVicar.. dan waterlogging. dan orang-orang yang mengukur efek dari sumber kerusakan (pengukuran tidak langsung). gulma. peka terhadap tata ruang maupun kerapatan gulma. WUE) dapat ditinjau dari dua aspek. 2001). maka harus ada upaya efisiensi terhadap penggunaan sumberdaya tersebut.6. Untuk aplikasi metode FAO membutuhkan modifikasi koefisien tanaman dan peta penutupan lahan. Efisiensi penggunaan air ( Water Use Efficiency. penginderaan jauh dapat digunakan untuk menyediakan peta penutupan lahan tersebut dengan tepat waktu dan biaya yang efektif. akan meningkatkan persaingan untuk memperoleh tanah dan sumberdaya air. yang kesemuanya dapat mempengaruhi keakuratan hasil (Lamb et al. 2001). yaitu: aspek hidrologi (rasio evapotranspirasi terhadap air potensial yang tersedia untuk tanaman) dan apek fisiologi (jumlah pertumbuhan tanaman yang didapat dari jumlah air tertentu) seperti yang pernah diteliti oleh Stanhill (1996) dalam Van Niel dan McVicar (2001).2. Penggunaan Efisiensi Air Dengan meningkatnya pertumbuhan penduduk akan menurunkan ruang hidup atau area lahan global per kapita. 1999 dalam Van Niel dan McVicar. Sebuah metode yang umum digunakan untuk memperkirakan penggunaan air tanaman adalah metode dari Food and Agriculture Organisation (FAO) (Smith et al.

Fase vegetatif Fase ini meliputi pertumbuhan tanaman mulai dari kecambah sampai dengan inisiasi primordial malai. bunting dan pembungaan (heading). Fase reprodukif Fase ini dimulai dari inisiasi primordia malai sampai berbunga ( heading).penginderaan jauh dapat dimanfaatkan untuk menghitung evapotranspirasi regional. . (2000) dalam Van Niel dan McVicar (2001) yang menggunakan data NOAA AVHRR di wilayah pertanian Argentina. yang sebelumnya tertumpuk rapat dekat permukaan tanah. Stadia reproduktif ditandai dengan memanjangnya beberapa ruas teratas pada batang. Untuk suatu varietas berumur 120 hari yang ditanam di daerah tropik. vegetatif. Prediksi luas panen dengan menggunakan penginderaan jauh dapat teridentifikasi melalui fase pertumbuhan padi mulai dari fase bera. Stadia inisiasi ini hampir bersamaan dengan memanjangnya ruas-ruas yang terus berlanjut sampai berbunga. Fase pertumbuhan vegetatif merupakan fase penting yang dapat menyebabkan terjadinya perbedaan umur panen. stadia reproduktif disebut juga stadia pemanjangan ruas-ruas. maka fase vegetatif memakan waktu 60 hari. munculnya daun bendera. meliputi: . . Fase reproduktif memerlukan waktu kira-kira 30 hari setelah fase vegetatif. Selama fase pertumbuhan vegetatif. stadia reproduktif juga ditandai dengan berkurangnya jumlah anakan. sebab lama fase-fase reproduktif dan pemasakan tidak dipengaruhi oleh varietas maupun lingkungan. sampai dengan generatif. Disamping itu. seperti yang telah dilakukan oleh Bella et al. tanaman bertambah tinggi.3. Penginderaan Jauh untuk Prediksi Luas Panen Salah satu peran penginderaan jauh pada sektor pertanian adalah untuk prediksi luas panen. dan daun tumbuh secara regular. Inisiasi primordial malai biasanya dimulai 30 hari sebelum heading. awal tanam. Oleh sebab itu. Adapun fase pertumbuhan padi menurut Badan Penelitian dan Pengembangan Pertanian (1988). anakan bertambah dengan cepat. 2.

Panigrahy et al. Beberapa penelitian yang telah dilakukan untuk menghitung luas panen dengan menggunakan teknologi penginderaan jauh. (2004) yang menggunakan untuk multi data RADARSAT SCANSAR untuk memperkirakan luas areal. dan masak panen. Satelit ALOS (Advanced Land Observing Satellite) Gambar 1.10 mikrometer) dan menghitung NDVI dari kedua band tersebut. Penelitian ini dilanjutkan oleh Patel et al. (1992) selanjutnya melakukan penelitian untuk memperkirakan estimasi areal padi di daerah tersebut dengan menggunakan data NOAA-AVHRR yang menghitung estimasi areal padi tersebut dengan menggunakan klasifikasi dari dua band NOAA (Band 1: 0.1. (1991) yang memperkirakan luas areal padi dengan menggunakan data digital penginderaan jauh Landsat MSS/TM/IRS-1A di negara bagian Orissa.58 . 2. Periode pemasakan ini memerlukan waktu kira-kira 30 hari dan ditandai dengan penuaan daun.. Perkiraan luas areal dilakukan dengan menganalisis data 10 persen bagian negara melalui pendekatan stratified random sampling. Satelit ALOS (Sumber: NASDA. Pertumbuhan memasuki stadia pemasakan ditandai dengan masak susu dough (masak bertepung).68 mikrometer dan Band 2: 0. Fase pemasakan Fase ini dimulai dari berbunga sampai masak panen. LAPAN) .0. India.73 .4. menguning. Suhu sangat mempengaruhi periode pemasakan. diantaranya dilakukan oleh Panigrahy et al.

Satelit ALOS (Advanced Land Observing Satellite) merupakan satelit generasi lanjutan dari JERS-1 dan ADEOS milik Jepang (Gambar 1). . Japan Aerospace Exploration Agency. Satelit ini didesain untuk dapat beroperasi selama 3 sampai 5 tahun pada ketinggian 691. Karakteristik ALOS No Tipe 1 Tanggal Peluncuran 2 Wahana Peluncuran 3 Tempat Peluncuran 4 5 6 7 Massa Kendaraan Angkasa Power Waktu Operasional Orbit Spesifikasi 24 Januari 2006 H-IIA Tanegashima Space Center Approx. Melakukan pengamatan daerah untuk "pembangunan berkelanjutan". 1997 ALOS adalah salah satu satelit untuk mengamati permukaan bumi yang dikembangkan dengan tujuan: 1.16 deg.65 km (di khatulistiwa) Inklinasi : 98. 7 kW (pada akhir operasional) 3-5 tahun Siklus kunjungan ulang : 46 hari Sub siklus : 2 bulan Ketinggian : 691. harmonisasi antara lingkungan Bumi dengan pembangunan (Regional Observation). 3. 1997). ALOS adalah satelit terbesar yang dikembangkan dan diluncurkan oleh JAXA di Tanegashima Space Center Jepang yang diluncurkan pada tanggal 24 Januari 2006 dengan menggunakan roket H-IIA. Karakteristik umum dari satelit ini disajikan pada Tabel 1 berikut ini: Tabel 1. 2. Menyediakan peta untuk Jepang dan negara-negara lain yang termasuk di wilayah Asia-Pasifik (Carthograpy). Melakukan pemantauan bencana di seluruh dunia ( Disaster Monitoring). 4 ton Approx.65 km (di atas Khatulistiwa) dengan kemiringan 98.16° (JAXA. untuk kepentingan pemantauan bencana alam atau kondisi darurat satelit ALOS ini mampu melakukan observasi dalam waktu dua hari. Akan tetapi. Periode kunjungan ulang (revisiting period) dari satelit ALOS adalah 46 hari. Sumber : JAXA EORC.

depan (forward) dan belakang (backward) (Gambar 4). Sensor PRISM (Panchromatic Remote Sensing Instrument for Stereo Mapping) Sensor PRISM (Panchromatic Remote Sensing Instrument for Stereo Mapping) (Gambar 3) memiliki tiga sistem optis yang dapat merekam data pada saat yang bersamaan. Mengembangkan teknologi yang diperlukan untuk satelit pengamatan Bumi masa depan ( Technology Development). 5. pengamatan tutupan lahan secara lebih persis dan akurat.4. yaitu melalui mode observasi dari arah tegak lurus (nadir). sehingga untuk keperluan tersebut pada setelit ini dipasang dual frequency GPS receiver dan star tracker dengan presisi tinggi. Survei sumber daya alam (Resources Surveying). Gambar 2.5 meter. (b) Advanced Visible and Near Infrared Radiometer type-2 (AVNIR-2) yang mempunyai resolusi 10 meter. yaitu resolusi 10 meter dan 100 meter (Gambar 2). Dengan kemampuan . Satelit ALOS (JAXA EORC. terutama di bidang pemetaan. Satelit ini dilengkapi dengan teknologi yang lebih maju untuk memberikan kontribusi bagi dunia penginderaan jauh. dan (c) Phased Array type L-band Synthetic Aperture Radar (PALSAR) yang mempunyai dua resolusi.1. Satelit ALOS memiliki tiga sensor. 1997) 2. yaitu: (a) Panchromatic Remote Sensing Instrument for Stereo Mapping (PRISM) yang mempunyai resolusi 2.4.

seperti ini dimungkinkan untuk membangun data 3-D ( three dimensional terrain data) dengan tingkat akurasi yang tinggi. Gambar 3. PRISM tidak dapat mengamati daerah-daerah di luar 82 derajat Lintang Selatan dan Lintang Utara. 1997) . sedangkan teleskop observasi arah depan dan belakang ( triplet mode) masing-masing mempunyai lebar sapuan 35 km. Prinsip Geometri PRISM (JAXA EORC. Teleskop observasi pada arah nadir di sensor PRISM ini memiliki lebar sapuan 70 km. 1997) Gambar 4. Sensor PRISM (JAXA EORC.

yaitu 250 – 350 km (Gambar 6). Pembangunan PALSAR adalah proyek kerjasama antara JAXA dan Japan Resources Observation System Organization (JAROS). belakang) 2. Sensor PALSAR (Phased Array type L-band Synthetic Aperture Radar) Sensor PALSAR (Phased Array type L-band Synthetic Aperture Radar) merupakan pengembangan dari sensor SAR yang dibawa oleh satelit pendahulunya.52 – 0.5 sampai 1.Karakteristik umum sensor PRISM disajikan pada Tabel 2 berikut ini: Tabel 2. 1997) . Gambar 5.4. Sensor ini merupakan sensor gelombang mikro aktif yang dapat melakukan observasi siang dan malam tanpa terpengaruh pada kondisi cuaca. 1997 2.2. Sensor PALSAR (JAXA EORC.5 m (at nadir) 70 km (hanya nadir) / 35 km (Triplet mode) 28000 / band (petak lebar 70 km) 14000 / band (petak lebar 35 km) -1. JERS-1 (Gambar 5). sensor ini memungkinkan untuk dapat melakukan pengamatan permukaan bumi dengan cakupan area yang cukup luas. depan.77 mikrometer 3 (nadir. Karakteristik PRISM No Tipe 1 Jumlah Band 2 Panjang Gelombang 3 Jumlah Optik 4 Resolusi Spatial 5 Lebar Petak 6 7 8 Jumlah Detektor Pointing Angle Bit Length Spesifikasi 1 (Pankromatik) 0. yaitu ScanSAR. Crosstrack direction) 8 bit Sumber : JAXA EORC. Melalui salah satu mode observasinya.5 derajat (Triplet Mode.

30° Radiometric accuracy 100 m 24 – 89 m (multilook) 250 – 350 20 – 65 km km 5 bit 3 atau 5 bit 120 Mbps 240 Mbps 240 Mbps Scene : 1 dB / orbit : 1. 1997 Fine ScanSAR Chrip Bandwidth Polarisasi Incident Angle Range Resolution Observatio n Swath Bit Length Data rate Pusat Frekuensi 28 MHz 14 MHz HH atau vv 8 – 60° 7 – 44 m 40 – 70 km 5 bit 240Mbps HH + hv atau vv + VH 8 . Tabel 3.60° 14 – 88 m 40 – 70 km 5 bit 240Mbps Polarimetric (Eksperimenta l mode)* 1270 MHz (L-band) 14 MHz.43° 8 .8° Lintang Uatra dan 75. Prinsip Geometri PALSAR (JAXA EORC.5°. 28 14 MHz MHz HH atau vv HH + hv + VH + vv 18 .5 dB .9° Lintang Selatan ketika off-nadir adalah sudut 41. 1997) Karakteristik umum sensor PRISM disajikan pada Tabel 3.Gambar 6. namun demikian sensor PALSAR tidak dapat mengamati daerah-daerah di luar 87. Karakteristik PALSAR No Mode 1 2 3 4 5 6 7 8 9 Sumber : JAXA EORC.

Gambar 7. Sensor ini dapat dimanfaatkan dalam penyusunan peta penggunaan lahan atau peta vegetasi terutama dengan menggunakan band cahaya tampak ( visible) dan inframerah dekat (near infrared). Sensor AVNIR-2 (JAXA EORC.2. Kemampuan itu diharapkan dapat membantu dalam pemantauan kondisi suatu area yang diinginkan.4.4° Lintang Utara dan 88.5° Lintang Selatan. 1997) Karakteristik umum sensor AVNIR-2 disajikan pada Tabel 4. namun demikian sensor AVNIR-2 tidak dapat mengamati daerah-daerah di luar 88. Sensor AVNIR-2 (Advanced Visible and Near Infrared Radiometer type-2 ) Sensor AVNIR-2 (Advanced Visible and Near Infrared Radiometer type-2 (Gambar 7) dilengkapi dengan kemampuan khusus yang memungkinkan satelit dapat melakukan observasi tidak hanya pada arah tegak lurus lintasan satelit. 1997) Gambar 8. .3. Prinsip Geometri AVNIR-2 (JAXA EORC. tetapi juga mode operasi dengan sudut observasi ( pointing angle) hingga sebesar + 44o (Gambar 8).

Lebih jauh lagi.5.76 – 0. Salah satu keterbatasan metode ini adalah dalam penggunaannya.69 mikrometer Band 4 : 0. Secara umum data mining dapat dibagi menjadi dua yaitu deskriptif dan prediktif. Karakteristik AVNIR-2 No Tipe 1 Jumlah Band 2 Panjang Gelombang Band 2 : 0.42 – 0.60 mikrometer Band 3 : 0.50 mikrometer 10 m (at Nadir) 70 km (at Nadir) 7000/Band -44 + 44° 8 bit 2. Data Mining dapat menjawab pertanyaan-pertanyaan dari berbagai pihak atau kepentingan.61 – 0. Data mining merupakan suatu metode yang digunakan untuk mendeteksi hubungan antara atribut-atribut yang berbeda dalam kumpulan data yang besar (Fayyad et al. 2002). Sedangkan prediktif maksudnya data mining dilakukan untuk membentuk sebuah .89 mikrometer 3 Resolusi Spasial 4 Lebar petak (Swath Width) 5 Jumlah Detektor 6 Pointing Angle 7 Bit Length Sumber : JAXA EORC. yang dengan cara tradisional memerlukan banyak waktu untuk menjawabnya (Moertini. tetap saja mengharuskan pengguna untuk mengerti data dan mengerti metode-metode analisis data.Tabel 4. baik di bidang bisnis. Data Mining Data Mining merupakan teknik yang relatif baru yang sangat berguna untuk membantu analis data dalam menemukan informasi yang sangat penting dari gudang data para analis data. maupun bidang lainnya. pertanian. 1996). pola-pola yang tidak diketemukan melalui data mining harus diverifikasi kembali dalam dunia nyata.52 – 0. 1997 Spesifikasi 4 Band 1 : 0. logistik. Deskriptif maksudnya bahwa data mining dilakukan untuk mencari pola-pola yang dapat dipahami manusia yang menjelaskan karakteristik data. Data mining membantu analis untuk menemukan pola dan relasi data akan tetapi tidak secara langsung mengatakan nilai dari pola tersebut.

Teknik yang digunakan misalnya Apriori. Classification and Prediction : mencari sebuah model yang mampu melakukan prediksi pada suatu data baru yang belum pernah ada. Evolution Analysis : mencari model atau tren untuk data-data yang sifatnya terus berubah. Justru data anomali tersebut.cluster. Outlier Analysis : mencari data object yang sifatnya anomali (berbeda dengan sifat umum data). . Misalnya deteksi fraud credit card. k-medoids. FP-Growth. Chameleon. Classification digunakan untuk prediksi categorical data (diskrit). SOM. sedangkan untuk numerical data (numerik) biasanya menggunakan analisa regresi.model pengetahuan yang akan digunakan untuk melakukan prediksi. . support vector machines. CLARANS. classification. 2006). BIRCH. association dan correlation analysis (Prasetyo. Secara lebih spesifik data mining berdasarkan fungsionalitasnya adalah sebagai berikut: . Beberapa teknik yang digunakan dalam cluster analysis ini misalnya k-means. . yang jumlahnya relatif sedikit ini menarik untuk dianalisa. . CLOSET. Pengetahuannya biasanya berupa rule yang menunjukkan pola-pola tersebut (biasanya disebut association rule). and Correlations : mencari pola-pola yang sering muncul dalam data. . bayesian network. Associations. Prinsipnya adalah memaksimalkan kemiripan dalam sebuah cluster. Decision tree. neural network. k-nearest neighbor adalah contoh alat yang digunakan untuk membentuk model tersebut. dan sebaliknya data akan memiliki nilai kemiripan yang rendah dengan data yang berada pada cluster yang berbeda. Jadi data-data yang berada pada sebuah cluster akan memiliki kemiripan yang tinggi. Analisa ini berkaitan dengan fraud detection. Tasknya bisa meliputi clustering. Analisa ini berkaitan dengan data time-series. ROCK. Mining Frequent Patterns. dan meminimalisasikan kemiripan antar. Cluster Analysis : mengelompokkan data dalam sebuah cluster berdasarkan kemiripannya.

Teknik ini sangat bermanfaat bagi analisis data pendahuluan mengingat kesederhanaan pola pikir dalam pengembangan pembuatan keputusan ( rule). Penelitian pendahuluan (Panuju dan Trisasongko. Pendekatan a priori ini dapat diketahui secara independen dari pengalaman dan didasarkan pada semua kemungkinan bentuk pengalaman dan pengetahuan. yaitu a priori dan a posteriori. 2009).Dari sisi pendekatannya. mudah dipahami oleh pemakai karena bentuk representasinya yang sederhana. Namun demikian. a priori berarti “sebelum pengalaman” dan a posteriori berarti “setelah pengalaman”. kesederhanaan ini tidak identik dengan ketidak-akuratan. uler Pohon keputusan ini dapat dipandang sebagai diagram alir dari titik titik pertanyaan yang menuju kepada sebuah keputusan. sedangkan a posteriori berarti “dari apa yang terjadi kemudian”. sedangkan pendekatan a posteriori bergantung pada pengalaman atau empiris bukti yang didasarkan pada isi pengalaman (Wikipedia. Akan tetapi. Hasil penelitian berdasarkan pendekatan a priori dapat berlaku pada semua daerah yang akan diteliti. kinerja algoritma pohon keputusan secara konsisten selalu lebih baik dibandingkan dengan algoritma klasik seperti algoritma kemungkinan maksimum ( maximum likekihood classification). Pohon keputusan yang menggunakan pemisahan ( split) univariate. Secara harfiah. sedangkan pendekatan a posteriori hanya dapat berlaku pada daerah yang sedang diamati saja. metode data mining ini termasuk dalam pendekatan a posteriori. 1997). batasan-batasan yang diterapkan pada representasi aturan dan pohon tertentu dapat secara signifikan membatasi bentuk fungsional dari model. Dikenal ada dua pendekatan. A priori dan a posteriori berasal dari bahasa Latin. A priori berarti “dari apa yang terjadi sebelum”. Status awal dari suatu decision tree adalah akar tangkai pohon yang ditugaskan semua contoh dari training set (Apte dan Weiss. Decision Tree Decision tree merupakan teknik klasifikasi yang dihasilkan dari training data dari atas ke bawah. Analisis tersebut dapat pula digunakan . 2008) menunjukkan bahwa walaupun perbedaan kinerja algoritma pohon keputusan tidak terlalu signifikan. dari arah general ke khusus.

Kelebihan-kelebihan decision tree antara lain: menyediakan visual result. Unbiased. Jika semua atribut tidak informatif berkenaan dengan atribut kelas. QUEST QUEST (Quick. model ini dapat meningkatkan ketelitian dalam hal penilaian. maka masing-masing atribut mempunyai perkiraan perubahan yang sama terpilih untuk pemisahan ( split) suatu tangkai pohon (Loh dan Shih. Selain itu. 2001). bersifat predictive. Feature unik dari teknik ini adalah pemilihan seleksi atribut yang mempunyai penyimpangan yang tidak terlalu penting. 1996). 2008). mengembangkan prediksi kelas. Efficient Statistical Trees ) diperkenalkan oleh Loh dan Shih (1997). keduanya untuk klasifikasi dan regresi. Kelebihan lainnya adalah kemampuan adaptasi ( adaptability) metode ini terhadap missing data yang berasal dari gangguan awan dan haze. QUEST dapat digunakan dengan pemisahan ( split) univariate atau pemisahan (split) kombinasi linear. Sedangkan kekurangan-kekurangan dari decision tree adalah model decision tree dapat melebar dan mengecil (Han dan Kamber. memungkinkan untuk melakukan prediksi. Model ini juga dapat mengurangi ukuran pohon. menampilkan apa yang penting. 2. . Hasil analisis juga menyatakan bahwa perolehan keputusannya juga lebih akurat (Panuju dan Trisasongko. Pengurangan ukuran pohon tersebut dapat terpenuhi melalui penggunaan model diskriminasi. dapat digunakan juga untuk pemodelan deskripsi ringkasan (Fayyad et al.untuk pemodelan prediksi. dibangun berdasarkan rule-rule yang dapat dimengerti dan dipahami. dan membangun data visualisasi. 1997). Penggunaan QUEST pada penginderaan jauh sebelumnya telah disajikan oleh Pal dan Mather (2003) dan Panuju dan Trisasongko (2008) yang menggunakan metode decision tree untuk pemetaan lahan sawah.5. dimana kelebihan ini tidak dimiliki oleh metode maximum likekihood. Sebagai tambahan. QUEST merupakan algoritma pemisahan (split) biner decision tree untuk klasifikasi dan data mining.1.

2001). perhitungan dalam model ini juga cepat karena model ini mempekerjakan multiway split yang dapat menghindari penggunaan dari metode pencarian yang tamak (greedy search) (Kim dan Loh. .2. seperti yang telah diperkenalkan oleh Kim dan Loh (2001). Selain itu.2. dan dengan menyatukan model tangkai pohon ( node) bivariate linear discriminant (Kim dan Loh. CRUISE CRUISE (for Classification Rule with Unbiased Interaction Selection and Estimation ) merupakan versi multivariasi decision tree lain yang dapat menggunakan unbiased multiway splits.5. Model ini mempunyai prediksi dengan ketelitian setidaknya setingkat dengan algoritma QUEST. 2003).

Sign up to vote on this title
UsefulNot useful