LAPORAN PRAKTIKUM

SPATIAL DATA MINING

(GKP 0306)
ACARA III
KLASIFIKASI PENUTUP LAHAN MENGGUNAKAN METODE JARINGAN
SYARAF TIRUAN MELALUI LOGIKA CRISP DAN FUZZY

Disusun Oleh:
Nama

: Intansania N

NIM

: 13/348120/GE/07580

Hari/Jam

: Selasa/ 13.00 15.00

Asisten

: 1. Sri Lestari
2. Defa Herdianta S

FAKULTAS GEOGRAFI
UNIVERSITAS GAJAH MADA
YOGYAKARTA
2016

PEMBAHASAN
Pemodelan

Artificial

Neural

Network

(ANN)

merupakan

klasifikasi

mengandalkan informasi spektral dan menambahkan informasi lain

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.

Parameter yang digunakan seperti yang terlihat pada gambar dibawah :

Data Spektral Band Data Bentuk Lahan

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.

Setelah dilakukan normalisasi barulah kemudian dilakukan pelatihan sampel dengan

menggunakan tools fuzsig untuk mengenali karakteristik training sampel dari area kajian.
Maksud dari proses pelatihan sampel sendiri bertujuan agar tiap kelasnya dapat dikenali dari
parameternya. Dimana tiap klasifikasi dilakukan pengisian jenis kelas yang ada dari training

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