Disusun Oleh:
Nama
: Intansania N
NIM
: 13/348120/GE/07580
Hari/Jam
Asisten
: 1. Sri Lestari
2. Defa Herdianta S
FAKULTAS GEOGRAFI
UNIVERSITAS GAJAH MADA
YOGYAKARTA
2016
PEMBAHASAN
Pemodelan
Artificial
Neural
Network
(ANN)
merupakan
klasifikasi
yang
sebagai input
klasifikasinya. Artificial Neural Network (ANN) merupakan sistem klasifikasi yang meniru
cara berpikir otak manusia sehingga hasil klasifikasi tidak memaksakan obyek yang terekam,
penggunaan Artificial Neural Network (ANN) salah satunya diperuntukan untuk klasifikasi
penutup lahan. Klasfikasi menggunakan Artificial Neural Network (ANN) berbeda dengan
klasifikasi multispektral biasa yang hanya mengandalkan trainning sampel
menjadikan nilai spektral sebagai nilai acuan kelas penutup lahannya,
area, yang
berbeda dengan
Artificial Neural Network (ANN) yang melibatkan parameter lain untuk mengklasifikasikan
obyek yang ada, seperti parameter spasial bentuklahan, elevasi dan lereng. Penambahan
informasi
obyek
berupa
parameter
tambahan
tersebut
dapat
membantu
dalam
mengindentifikasi karakteristik lokasi dari sebuah obyek dan mampu mengkelaskan obyek
secara lebih akurat dan detail. Klasfikasi menggunakan Artificial Neural Network (ANN) ini
dibagi lagi menjadi dua metode yaitu logika fuzzy dan logika crisp.
Kegiatan praktikum acara tiga kali ini ialah mengklasifikasikan penutup lahan
menggunakan metode jaringan syaraf tiruan melalui logika crisp dan fuzzy tetapi yang baru
dilaksakanan ialah metode fuzzy. Klasifiasi penutup lahan sejatinya dapat diterapkan melalui
logika crisp ataupun logika fuzzy. Logika crisp merupakan sistem klasifikasi logika yang
membedakan secara tegas tiap kelas penutup lahannya, sedangkan logika fuzzy merupakan
sistem klasifikasi menggunakan sebuah logika yang menganggap antar kelas penutup lahan
memiliki batas samar dalam artian batas anta penutup lahannya berubah secara gradual.
Fuzzy merupakan logika yang dalam prosesnya melibatkan beberapa parameter dengan
pengambilan keputusan yang menyerupai cara kerja otak manusia. Setiap parameter
dilakukan analisis dalam mengklasifikasikan obyeknya. Learning rate menggambarkan
seberapa banyak suatu model melakukan perhitungan klasifikasi, semakin kecil nilainya
maka software akan semakin banyak belajar dan hasil klasfikasi akan lebih akurat. Sebelum
melakukan klasifikasi diperlukan data cleaning, dengan menormalisasi data kedalam satuan
yang sama agar mudah dalam pemrosesannya.
Data Slope
Data Elevasi
Fuzzy dalam prosesnya perlu dilakukan pembuatan base citra kosong untuk proses
klasifikasi agar dapat dikorelasikan dengan data base yang berisi nilai dari tiap klasifikasi
kelasnya, untuk klasifikasi penutup lahan pada citra resolusi 30 meter (Landsat) pada area
kajian terbagi kedalam dua belas kelas penutup lahan yaitu: C11, C12, C14, C21, C22, C31,
C33, C41, C42, C43, CAWAN, dan CUN. Tiap kelas harus dibuat field untuk bisa di linkan
kecitra kosong yang telah dibuat sebagai wadah klasifikasi untuk bisa dibaca dalam proses
fuzzy. Logika fuzzy dapat digunakan untuk tiap band melalui perhitungan distribusi derajat
keanggotaan piskel sehingga klasifikasi penutup lahan dapat dilakukan dengan single band.
sampel yang dibuat dari area kajian. Hasil klasifikasi logika fuzzy memiliki batas yang
gradual (halus / smooth) , piksel yang masih memiliki derajat keanggotaan kedalam suatu
kelas jika nilainya dominan maka tetap dianggap masuk ke dalam kelas tersebut. Klasifikasi
fuzzy memperhatikan mixecel yang ada pada setiap piksel, yang tidak secara langsung
memutuskan ke dalam sebuah kelas tertentu, melainkan dilihat derajat keanggotaannya
terhadap suatu kelas yang dilihat dari hasil perhitungan statistik. Dalam memutuskan
klasifilasi dari tiap piksel citranya, logika fuzzy memiliki hasil klasifkasi mendekati kondisi
kenyataan yang ada di permukaan bumi, yang pada dasarnya batas penutup lahan yang alami
(bentukan alami) memiliki batas yang tidak tegas tetapi terdapat area peralihan, kecuali
penutup lahan buatan seperi pemukiman yang cenderung memiliki batas yang tegas.
HASIL PRAKTIKUM