21

BAB IV
ANALISIS DAN PERANCANGAN SYSTEM
Pada penelitian ini akan dilakukan proses klasifikasi pada citra satelit
Landsat 7 yang bertujuan untuk memberikan atau memunculkan informasi dari
citra satelit tersebut. Berikut adalah proses-proses yang dilakukan sampai citra
satelit yang digunakan menghasilkan informasi berupa informasi tutupan lahan.
Proses ini akan dibagi kedalam tiga tahap yaitu Pemrosesan Data, Perancangan
Model dan Penilaian Akurasi Klasifikasi.

IV.1 Pemrosesan Data
Dalam tahap ini akan dibahas mengenai proses-proses yang dilakukan
terhadap citra satelit Landsat sebelum dilakukan proses klasifikasi.
1. Memperbaiki Citra Satelit
Sejak tahun 2003 citra satelit yang dihasilkan satelit landsat
mengalami kerusakan yang disebabkan matinya SLC (Scan Line
Corrector). Kerusakan yang terjadi ini menimbulkan garis-garis pada citra
satelit yang dihasilkan sehingga menurunkan kualitas citra tersebut. Hal ini
dapat pula mengganggu dalam proses klasifikasi yang akan dilakukan,
maka harus dilakukan perbaikan kerusakan pada citra yang akan diproses.

Gambar 4.1 Gambar Citra yang Mengalami Kerusakan
22



Proses perbaikan citra ini memerlukan setidaknya satu citra tambahan
yang memiliki wilayah yang sama namun berbeda waktu pengambilannya.
Citra tersebut diatas masih dalam keadaan yang belum diperbaiki, ditandai
dengan masih adanya garis-garis pada citra tersebut. Perbaikan citra ini
menggunakan software tambahan, yaitu frame_and_fill_win32.

Gambar 4.2 Gambar Citra yang Sudah Diperbaiki

2. Kombinasi Saluran (Band)
Untuk memudahkan dalam melihat serta menganalisa wilayah yang
akan dikaji maka perlu dilakukan penggabungan tiga band (saluran) dari
citra satelit Landsat. Penggabungan saluran ini menggunakan format RGB
(Red Green Blue) yang nantinya bisa menghasilkan gambar true color
atau false color. True color adalah gambar yang dihasilkan dari
penggabungan band yang hasilnya memiliki warna yang sama dengan
yang dilihat mata manusia. Kombinasi yang digunakan untuk
menghasilkan image true color adalah RGB (3,2,1).
23




Gambar 4.3 True Color dengan Kombinasi RGB (321)
Sedangkan gambar false color adalah gambar yang dihasilkan dari
penggabungan band yang hasilnya memiliki warna berbeda dengan yang
dilihat mata manusia, hal ini disebabkan penggunaan inframerah dalam
kombinasi RGB.

Gambar 4.4 False Color dengan Kombinasi RGB (432)
Dari kombinasi-kombinasi yang menghasilkan gambar dengan
warna yang berbeda ini dapat mempermudah dalam proses klasifikasi
tutupan dan penggunaan lahan yang akan dilakukan. Contohnya pada saat
ingin mengetahui daerah yang memiliki vegetasi maka bisa digunakan
kombinasi RGB (541). Dari kombinasi tersebut akan menampakkan warna
hijau sebagai daerah vegetasi.
24




Gambar 4.5 Kombinasi RGB (541) untuk Mendeteksi Vegetasi
Berikut adalah beberapa kombinasi band yang digunakan dalam
mendeteksi jenis tutupan lahan yang ada pada citra satelit yang digunakan
serta penggunaanya untuk pendeteksian tutupan lahan tertentu:
Tabel 4.1 Kombinasi Band Serta Penggunaanya


IV.2 Perancangan Model
1. Supervised (dengan bimbingan)
START
Menentukan
Kelas Tutupan
Lahan
Pemberian
Simbol Warna
Tutupan Lahan
1

Kombinasi (RGB) Pendeteksian
R=4, G=3, B=2 Vegetasi
R=7, G=3, B=1 Pemukiman
R=3, G=2, B=1 Lahan terbuka
R=4, G=5, B=7 Air
R=1, G=3, B=5 Awan
25



1
Pengambilan
Training Pixels
Proses
(Minimum Distance)
Hasil Sesuai?
END
Tidak
Ya

Gambar 4.6 Flowchart Metode Supervised
Dibawah ini adalah gambaran umum cara kerja dari metode
supervised

Gambar 4.7 Gambaran Metode Supervised
Berikut penjelasan gambar diatas:
a) Proses awal yang harus dilakukan adalah menentukan training
piksel untuk tiap kategori tutupan lahan (bagian B pada Gambar
4.7). Proses ini bertujuan menentukan acuan untuk pemrosesan
piksel lain saat proses klasifikasi. Dalam proses ini juga dilakukan
pemberian simbol warna untuk tiap kelas tutupan lahan agar lebih
mudah dalam membaca hasil yang diperoleh nantinya.

26



Tabel 4.2 Deskripsi Kelas Tutupan Lahan
No Nama Tutupan Lahan
Tampilan Citra Landsat
(kombinasi band 432)
1 Vegetasi I
2 Vegetasi II
3 Pemukiman
4 Lahan Terbuka
5 Air



27



Berikut adalah simbol warna yang digunakan berikut kelas tutupan
lahan yang digunakan:
Tabel 4.3 Simbol Warna Tutupan Lahan
Nama
Vegetasi I
Vegetasi II
Pemukiman
Air
Lahan kosong
Simbol Warna



Gambar 4.8 Proses Penentuan Training Pixel Tiap Kategori
Tutupan Lahan

Dari proses tersebut akan diperoleh jumlah piksel yang digunakan
sebagai training pixel untuk setiap jenis kategori tutupan lahan
yang akan digunakan.
Tabel 4.4 Jumlah Piksel dalam Training Pixel untuk Tiap
Kategori Tutupan Lahan


28



b) Setelah mendapatkan jumlah piksel untuk tiap kategori tutupan
lahan, komputer akan melakukan penghitungan statistik untuk
mencari nilai mean (rata-rata) dari tiap kelas tutupan lahan.
Tabel 4.5 Nilai Mean Tiap Kelas Tutupan Lahan
Vegetasi Vegetasi II Pemukiman Air Lahan
Band 1 73,413033 76,402264 84,173303 91,321543 81,432984
Band 2 57,919853 60,351827 66,215367 80,392283 65,370915
Band 3 41,928405 50,103088 66,724061 90,196141 61,163418
Band 4 104,393243 78,303973 56,810432 44,408360 47,578711
Band 5 70,939854 75,585558 98,323612 19,086817 50,454273
Band 6 133,791929 135,381474 144,514863 132,565916 137,617391


Gambar 4.9 Histogram Nilai Mean Tiap Band
c) Lalu proses klasifikasi dilakukan dengan memproses piksel yang
belum terklasifikasi (bagian A pada Gambar 4.7). Piksel ini
memiliki koordinat yaitu posisi dimana piksel tersebut berada dan
juga memiliki ciri berupa DN (Digital Number). Nilai DN inilah
yang akan diproses menggunakan algoritma minimum distance
untuk menentukan piksel tersebut akan masuk ke dalam kelas
tutupan lahan yang mana (bagian C pada Gambar 4.7).
29




Gambar 4.10 Input Parameter Algoritma Minimum Distance
d) Masuk kebagian terakhir (bagian D pada Gambar 4.7). Pada
bagian ini akan terlihat berupa piksel-piksel yang telah diproses
sebelumnya akan masuk ke dalam salah satu kategori jenis tutupan
lahan yang dibuat. Pada bagian ini sudah terbentuk sebuah peta
tutupan lahan beserta info area didalamnya.
Dalam penelitian ini dilakukan beberapa kali pembuatan training
pixel untuk mendapatkan hasil yang sempurna, jadi untuk hasil
akhir tidak ada piksel yang tidak masuk kedalam kelas tutupan
lahan yang telah ditentukan sebelumnya, sering disebut
unclassified atau meminimalkan jumlah piksel yang masuk
kedalam kategori unclassified.

2. Unsupervised (tanpa bimbingan)
START
Tentukan
Spatial Subset
Band
Tentukan Jmlh
Klaster &
Pengulangan
1
Proses
(K-Means)

30



1
Piksel Sejenis
Masuk Klaster
Lain?
END
Lakukan
Combine Class
Ya
Tidak

Gambar 4.11 Flowchart Metode Unsupervised
Dibawah adalah gambaran umum dalam metode unsupervised yang
didalamnya menggunakan algoritma K-Means.

Gambar 4.12 Alur Metode Unsupervised
Untuk proses unsupervised, hampir seluruh prosesnya dikerjakan oleh
komputer. Berikut adalah beberapa proses yang dilakukan oleh penulis:
a) Langkah pertama adalah menentukan band (saluran) yang akan
digunakan sebagai spatial subset.


31



b) Lalu tentukan jumlah class (klaster) yang ingin dibuat serta
jumlah iteration (pengulangan). Penentuan jumlah class
ditentukan dari wilayah yang digunakan sebagai obyek penelitian,
apakah wilayah dalam citra tersebut memiliki ragam jenis tutupan
lahan yang tinggi atau rendah. Semakin tinggi ragam jenis tutupan
lahan semakin banyak jumlah class yang harus dibuat guna
memunculkan keanekaragaman jenis tutupan lahan yang ada.

c) Dari hasil proses unsupervised ini biasa dilakukan combine classes
(penggabungan kelas) yang bertujuan untuk menggabungkan
kelas-kelas yang sejenis menjadi satu kelas. Proses penggabungan
kelas ini berdasarkan perbandingan hasil klasifikasi dengan
kombinasi band yang digunakan sebagai analisis diawal.

Gambar 4.13 Hasil Sementara Proses Metode Unsupervised
Setelah dibandingkan dengan kombinasi band awal, dari hasil
proses metode unsupervised diatas ada beberapa kelas sejenis yang
bisa digabungkan menjadi satu kelas.

Jumlah klaster
Jumlah
pengulangan
32



Tabel 4.6 Combine Classes
Tutupan Lahan Penggabungan Kelas Kelas Terpakai
Vegetasi class 7, class 8, class 9 class 8
Vegetasi II class 5, class 6 class 6
Pemukiman class 3, class 4 class 4
Lahan kosong class 2 class 2
Air class 3 class 3
Awan class 10 class 10

d) Setelah dilakukan proses penggabungan kelas akan diperoleh peta
tutupan lahan dengan jumlah kelas tutupan lahan yang lebih
sedikit atau sederhana sesuai dengan jumlah kelas tutupan lahan
yang diinginkan oleh analis.

IV.3 Penilaian Akurasi Klasifikasi
Untuk proses penilaian akurasi klasifikasi ada dua jenis pembanding yang
bisa digunakan untuk membandingkan hasil proses klasifikasi, yaitu ground truth
image dan ground truth ROI (Region of Interest). Dalam penelitian ini
pembanding yang digunakan adalah ground truth ROI.
START
Create
ground truth ROI
Generate random
sample
Accuracy
assessment
1 2


33



Supervised Unsupervised
Result I
Result II
Compare
END
1 2

Gambar 4.14 Alur Proses Penilaian Akurasi
Berikut adalah penjelasan alur proses diatas:
1. ROI (Region of Interest) yang digunakan untuk penilaian akurasi
klasifikasi berbeda dengan yang digunakan dalam proses klasifikasi.
Jadi harus menciptakan ROI baru untuk proses penilaian akurasi.
2. Tujuan dari pembuatan ROI disini adalah untuk menciptakan contoh
acak (random sample) yang digunakan sebagai kebenaran lapangan
(ground truth). Selanjutnya contoh acak ini digunakan sebagai
pembanding dengan hasil proses klasifikasi yang telah didapat untuk
menentukan sejauh mana keakurasian proses klasifikasi yang
dilakukan.

Gambar 4.15 Proses Generate Random Sample
34



3. Masuk kedalam proses penilaian akurasi untuk hasil metode
supervised. Dalam proses ini, contoh acak yang telah dibentuk harus
dicocokkan dengan kelas tutupan lahan yang ada dalam hasil proses
metode supervised.

Gambar 4.16 Proses Pencocokkan Contoh Acak dengan Kelas
Tutupan Lahan (supervised)
4. Proses penilaian akurasi untuk metode unsupervised sama dengan
proses supervised yaitu dengan mencocokkan contoh acak dengan
kelas tutupan lahan yang sudah dibuat.

Gambar 4.17 Proses Pencocokkan Contoh Acak dengan Kelas
Tutupan Lahan (unsupervised)
35



5. Hasil penilaian akurasi akan ditampilkan menggunakan suatu matriks
yang dikenal dengan confusion matrix.
Tabel 4.7 Confusion Matrix (Supervised)
Class Vegetasi Vegetasi II Pemukiman Lahan Air TOTAL
Vegetasi X11 X12 X13 X14 X15 X+1
Vegetasi II X21 X22 X23 X24 X25 X+2
Pemukiman X31 X32 X33 X34 X35 X+3
Lahan X41 X42 X43 X44 X45 X+4
Air X51 X52 X53 X54 X55 X+5
TOTAL X1+ X2+ X3+ X4+ X5+ N
Ground Truth ( Pixel )

Dari tabel diatas dapat dicari users accuracy, producers accuracy,
overall accuracy dan kappa accuracy untuk menentukan nilai
keakurasian.

Users Accuracy
Users Accuracy =

/
+
%
Vegetasi = (X11/X+1) x 100%
Vegetasi II = (X22/X+2) x 100%
Pemukiman = (X33/X+3) x 100%
Lahan = (X44/X+4) x 100%
Air = (X55/X+5) x 100%

Producers Accuracy
Producers Accuracy =

/
+
%
Vegetasi = (X11/X1+) x 100%
Vegetasi II = (X22/X2+) x 100%
Pemukiman = (X33/X3+) x 100%
Lahan = (X44/X4+) x 100%
36



Air = (X55/X5+) x 100%

Overall Accuracy
Overall Accuracy = ((

=
)/ ) %
OA = ((X11+ X22+ X33+ X44+ X55)/N) x 100%

Kappa Accuracy
KA = [(

=

+

+
)/(

+
)] %

Tabel 4.8 Confusion Matrix (Unsupervised)
Class Vegetasi Vegetasi II Pemukiman Lahan Air TOTAL
Vegetasi X11 X12 X13 X14 X15 X+1
Vegetasi II X21 X22 X23 X24 X25 X+2
Pemukiman X31 X32 X33 X34 X35 X+3
Lahan X41 X42 X43 X44 X45 X+4
Air X51 X52 X53 X54 X55 X+5
TOTAL X1+ X2+ X3+ X4+ X5+ N
Ground Truth ( Pixel )

Berikut adalah perhitungan users accuracy, producers accuracy,
overall accuracy dan kappa accuracy untuk hasil proses unsupervised.
Users Accuracy
Users Accuracy =

/
+
%
Vegetasi = (X11/X+1) x 100%
Vegetasi II = (X22/X+2) x 100%
Pemukiman = (X33/X+3) x 100%
Lahan = (X44/X+4) x 100%
Air = (X55/X+5) x 100%

37



Producers Accuracy
Producers Accuracy =

/
+
%
Vegetasi = (X11/X1+) x 100%
Vegetasi II = (X22/X2+) x 100%
Pemukiman = (X33/X3+) x 100%
Lahan = (X44/X4+) x 100%
Air = (X55/X5+) x 100%

Overall Accuracy
Overall Accuracy = ((

=
)/ ) %
OA = ((X11+ X22+ X33+ X44+ X55)/N) x 100%

Kappa Accuracy
KA = [(

=

+

+
)/(

+
)] %
6. Proses perbandingan nilai keakurasian menggunakan hasil
perhitungan (users accuracy, producers accuracy, overall accuracy
dan kappa accuracy) yang didapat dari dua metode yang digunakan.