PENDAHULUAN
dalam
bidang
wahana
juga
diimbangi
dengan
berbasis piksel muncul lebih dulu daripada metode berbasis objek. Metode
berbasis piksel ini lebih banyak dikaji dibandingkan metode berbasis objek
dikarenakan metode tersebut mengelompokan suatu informasi terhadap nilai
spektral atau satu aspek saja, berbeda dengan metode klasifikasi berbasis objek
yang mengelompokan suatu informasi terhadap beberapa aspek seperti spektral,
tekstur dan beberapa aspek lainnya.
Klasifikasi berbasis piksel sendiri terbagi menjadi dua yaitu klasifikasi
terbimbing
(Supervised)
dan
klasifikasi
tak
terbimbing
(Unsupervised).
dengan metode klasifikasi berbasis objek, hal ini dikarenakan klasifikasi berbasis
piksel hanya mempertimbangkan nilai spektral atau satu aspek saja sebagai
batasan untuk membuat kelas sehingga dirasa lebih mudah dan cepat.
Permasalahan muncul ketika ukuran piksel atau resolusi spasial dari citra itu
sangat detail maka akan muncul salt and pepper, karena klasifikasi berbasis piksel
memperoleh informasi berdasarkan perpiksel, yang mana efek bayangan atau
perekaman sinar matahari dapat membuat objek yang sama menjadi berbeda
karena nilai spektalnya berbeda.
Seiring dengan perkembangan teknologi muncul metode klasifikasi baru
yaitu klasifikasi berbasis objek. Kemampuannya dalam mengkelaskan informasi
tidak tergantung hanya pada satu aspek pada tiap piksel saja akan tetapi klasifikasi
ini mempertimbangkan beberapa aspek seperti tekstur, scale, color, selain itu
metode ini menggunakan kluster piksel atau segmen bukan perpiksel dalam
mengkelaskan informasi. Karakteristik yang berbeda antara klasifikasi berbasis
objek dengan piksel memungkinkan untuk menghasilkan akurasi yang berbeda
dalam hasil pengklasifikasiannya. Klasifikasi berbasis objek sendiri juga tidak
sempurna menurut Jyothi (2008) klasifikasi berbasis objek masih memiliki
kesulitan dalam memproses data yang sangat besar. Bahkan jika klasifikasi
berbasis objek lebih efektif daripada klasifikasi berbasis piksel, proses segmentasi
pada citra multispektral yang dilakukan klasifikasi berbasis piksel merupakan
proses yang terlalu berat
Waktu proses dan tingkat kesulitan yang berbeda menjadi hal yang
dipertimbangkan dalam pemilihan metode klasifikasi, apakah nantinya akurasi
yang dihasilkan jauh lebih signifikan atau tidak, dibandingkan dengan waktu dan
tingkat kesulitan dialami. Sehingga nantinya salah satu metode tersebut dapat
dinyatakan efektif sebagai salah satu pemetaan untuk kajian tertentu
menggunakan citra resolusi spasial tinggi
piksel dan
penggunaan metode
dikarenakan kondisi iklim, tanah, cahaya yang ideal untuk tumbuhnya berbagai
macam tegakan. Soerianegara dan Indrawan (2005) menambahkan bahwa jenis
dibedakan antara populasi (satu jenis) dan komunitas (beberapa jenis). Komposisi
floristik hutan sendiri lebih kepada komunitas karena terdiri dari beberapa jenis
vegetasi.
Interaksi dalam suatu komunitas tercermin dari struktur dan komposisi
vegetasi. Stratifikasi yang terjadi dalam vegetasi di hutan terjadi akibat adanya
persaingan, antara jenis-jenis tertentu yang lebih dominan dari jenis lain, pohonpohon tinggi dalam lapisan paling atas menguasai pohon-pohon yang dibawahnya,
terhalangnya matahari oleh pohon-pohon tutupan atas menjadi faktor penghambat
bagi pohon-pohon lapisan bawah untuk berkembang (Soerianegara dan Indrawan,
2005).
Struktur hutan adalah menyangkut susunan bentuk (life form) dari suatu
vegetasi yang merupakan karakteristik vegetasi yang kompleks, dapat digunakan
dalam penentuan stratifikasi (vertikal dan horizontal) dan menjadi dasar dalam
melihat jenis-jenis dominan, kodominan dan tertekan (Richard, 1966)
Dansereau
(1957)
dalam Mueller-Dombois
dan
Ellenberg
(1974)
b.Stratum B
meter,
tajuk
umumnya
kontinyu,
batang
d.Stratum D
e.Stratum E
penginderaan
jauh
menjadi
alternatif
yang
paling
diminati.
kajian utama penginderaan jauh adalah, tanah, air dan vegetasi yang dapat dilihat
pada gambar 2.1.
Gambar 2.1 : Kurva karakteristik pantulan, air, vegetasi, tanah serta posisi band spektral
sensor pada beberapa jenis satelit
Dari kurva pantulan diatas dapat kita modifikasi sedemikian rupa sehingga
tidak hanya obyek dasar tersebut yang terlihat akan tetapi obyek-obyek yang lain
yang berkaitan dengan ketiga obyek dasar bahkan obyek yang lebih khusus dari
obyek dasar tersebut juga dapat diidentifikasi.
Kemampuan Penginderaan jauh
10
objek direkam oleh sensor satelit. Sehingga perekaman dilakukan pada pagi atau
siang hari, contohnya seperti citra multispektral dan hyperspektral. Ilustrasi
perekaman dapat dilihat pada gambar 2.2.
Dapat dilihat dari spesifikasi citra ini yang memiliki resolusi multi sekitar 1,86
meter dan resolusi pankromatik sekitar 0,67 meter. Selain merupakan citra high
spatial resolution citra Worldview-2 memiliki resolusi spektral yang cukup tinggi
karena memiliki 8 band spektral, Hal ini yang membuat citra worldview-2
memiliki kelebihan terhadap citra high spatial resolution yang lain seperti, Geo
eye, Quickbird, IKONOS.Tabel panjang gelombang yang dimiliki oleh oleh citra
Worldview-2 dapat dilihat pada tabel 1.
Tabel 1 . Panjang Gelombang Worldview-2
Spectral Band
Center Wavelength
Center Wavelength
5% Band Pass
Panchromatic
632.2
463.7 800.6
627.4
447.2 807.6
Coastal
427.3
401.4 453.2
427.0
396.0 458.0
Blue
477.9
447.5 508.3
478.3
441.6 515.0
Green
546.2
511.3 581.1
545.8
505.5 586.0
Yellow
607.8
588.5 627.0
607.7
583.6 631.7
Red
658.8
629.2 688.5
658.8
624.1 693.5
Red Edge
723.7
703.8 743.6
724.1
698.7 749.4
NIR 1
831.3
772.4 890.2
832.9
764.5 901.3
NIR 2
908.0
861.7 954.2
949.3
856.1 1042.5
12
untuk tiap band dinormalisasi dengan membagi nilai respon maksimum untuk tiap
band, sehingga dapat muncul nilai respon spektral radiance relatif. Nilai untuk
band pakromatik dan multispektral citra Worldview-2 dapat dilihat pada gambar
2.3
13
14
P(X)
15
1.7.6. Segmentasi
Segmentasi adalah suatu metode dari klasifikasi berbasis obyek yang
mengelompokkan obyek (fenomena) kedalam region-region yang ditentukan oleh
suatu ukuran yang sama. Segmentasi sendiri menggunakan tiga aspek utama yaitu
Toleransi kesamaan (similarity tolerance), rata-rata (mean) dan variasi (variance).
Aspek toleransi kesamaan sendiri adalah sebuah nilai yang tidak nyata yang
menentukan batas sautu nilai piksel dapat dikelaskan menjadi suatu objek
berdasarkan nila batas terluar (threshold) antar piksel dengan piksel sebelahnya
16
Pada klasifikasi berbasis objek, semua objek pada citra merupakan bagian
dari hirarki objek, yang mana memiliki perbedaan level tetapi tetap tetap pada
hirarkinya. Setiap level objek merupakan cerminan dari gambar yang memiliki
informasi tertentu pada citra. Gambar di atas menjelaskan hirarki dari objek yang
terjadi dalam klasifikasi berbasis objek. Superobjects merupakan level tertinggi
17
(skalanya paling general) hingga sub-objects yang levelnya paling bawah (skala
paling detail). Semakin tinggi levelnya objek maka akan semakin rumit klasifikasi
yang dilakukan. Sehingga dari gambar tersebut dapat kita lihat terdapat dua hal
yang penting yaitu hubungan untuk level objek yang sama (neighbor) dan level
objek yang berbeda (super or sub object) .
Pemrosesan segmentasi juga tergantung pada pembobotan saluran yang
akan digunakan. Setiap saluran akan memiliki nilai yang berbeda-beda untuk tiap
obyek, sehingga untuk menentukan bobot dari tiap saluran perlu diketahui objek
yang akan dikaji.
18
menjelaskan
bahwa
penggunaan
lahan/penutup
lahan
dapat
diklasifikasikan menggunakan dua metode yaitu OOC dan MLC pada citra satelit
resolusi tinggi .Kamagata dkk mencoba untuk mengklasifikasikan penutup
lahan/penggunaan lahan gabungan. Dalam menerapkan metode klasifikasi
berbasis piksel, Kamagata menggunakan metode maximum likelihood sebagai
klasifikasi terselia dan Isodata sebagai klasifikasi tak terselia. Dari kedua metode
klasisifikasi tersebut terjadi kesalah klasifikasi pada daerah bayangan. Selain itu
kesalahan klasifikasi terjadi pada daerah yang vegetasi dan parameter yang lain
tercampur menjadi satu dan membentuk pola yang lebih complex. Secara general,
klasifikasi yang dihasilkan oleh Kamagata dkk ini menunjukan bahwa metode
klasfikasi berbasis obyek memiliki potensi yang tinggi
penutup lahan bahkan pada daerah yang heterogen dan daerah pinggiran kota.
Rusdi (2005) dalam penelitian Perbandingan Klasifikasi Maximum
Likelihood dan Object Oriented Pada Pemetaan Penutup/Penggunaan Lahan
(Studi Kasus Kabupaten Gayo Lues, NAD HTI PT Wirakarya Sakti Jambi dan
Taman Nasional Lore Lindu Sulawesi Tengah) memanfaatkan citra penginderaan
jauh menerapkan multiresolusi yaitu resolusi menengah yaitu citra Landsat ETM+
dan resolusi tinggi yaitu citra IKONOS. Citra IKONOS tersebut digunakan
sebagai bantuan untuk melakukan koreksi geometrik. Kelas penutup lahan yang
digunakan merupakan variasi antara kelas penggunaan dari FAO dan menurut
BPN, Kelas yang dihasilkanpun tidak semua ada hanya beberapa kelas hutan
alam, hutan rakyat, pemukiman, tanah terbuka, sungai, sawah. Menurut Rusdi
(2005) metode OOC (Object Oriented Classification) dapat menghasilkan
pemetaan penggunaan atau penutup lahan pada hirarki sistem klasifikasi yang
lebih tinggi, tidak menghasilkan efek salt and pepper serta menyajikan ketelitian
hasil klasifikasi yang lebih tinggi daripada metode MLC (Maximum Likelihood
Classification).
19
20
21
spektrum inframerah akan lebih rendah daripada pohon yang memiliki tajuk
berbentuk menjari. Selain itu vegetasi yang memiliki kandungan air tinggi juga
akan berbeda dengan vegetasi yang lebih sedikit kandungan air hal ini terlihat
pada pantulan spektrum inframerah jauh karena inframerah jauh peka terhadap
vegetasi yang mana peka ini dimaksud adalah tidak memantulkan air. Sehingga
vegetasi atau pohon yang memiliki banyak kandungan air akan terlihat lebih gelap
Pemetaan komposisi floristik terutama pada daerah yang heterogen
diperlukan citra yang memiliki resolusi cukup detail hal ini agar kenampakan tiap
pohon dapat terlihat dan dapat teridentifikasi menjadi komposisi floristik yang
spesifik. Selain itu hasil klasifikasi komposisi floristik juga dipengaruhi oleh
banyaknya band yang dimiliki oleh suatu citra. Semakin banyak band yang
dimiliki citra tersebut semakin detail informasi yang dapat di ambil terhadap
obyek tersebut dari berbagai macam spektrum. Citra Worldview-2 dirasa menjadi
pilihan yang baik untuk digunakan sebagai data pemrosesannya. Hal ini karena
resolusi spasial yang dimiliki citra worldview-2 sekitar 1,84 meter untuk
multispektralnya dan 0,46 untuk pankromatiknya. Selain itu citra Worldview-2
memiliki 8 band didalamnya yaitu 4 band standar (blue, green, red, near IR-1)
dan 4 band baru (yellow, coastal, red edge, near IR-2). Citra ini tidak tersedia
secara gratis yang mana harus dibeli. Untuk pemesannya sendiri minimal 20
km2untuk arsip yang sudah ada sedangkan untuk perekaman baru sekitar 95 km2
Dalam pemetaan komposisi floristik menggunakan resolusi spasial tinggi
yang diperlukan adalah metode yang tepat. Disini terdapat beberapa metode yang
dapat digunakan untuk melakukan klasifikasi komposisi floristik. Metode
klasifikasi yang berdasarkan oleh obyek yaitu Obyek based dan metode klasifikasi
yang berdasarkan nilai pikselnya yaitu pixsel based. Metode klasifikasi berbasis
piksel membaca nilai spektral tiap piksel sehingga efek bayangan sinar matahari
sangat mempengaruhi pengkelasaan objek. Metode berbasis piksel ini memiliki
kriteria yang berbeda dalam pemrosesannya. Untuk klasifikasi berbasis piksel
yang digunakan adalah maximum-likelihood hal ini dikarenakan klasifikasi ini
merupakan klasifikasi terbaik untuk klasifikasi supervised atau klasifikasi terselia.
Klasifikasi ini menentukan training area yang digunakan untuk melihat ciri-ciri
22
statistika masing-masing calon kelas tidak hanya menghitung jarak rata-rata, jarak
terdekat atau nilai maksimum-minimum suatu kelas (Richard 1993). Suatu piksel
pada klasifikisi ini dapat ditentukan masuk kelas apa, dengan memperkirakan
densitas probabilitas untuk setiap penutup lahan.
Metode berbasis objek yang digunakan untuk klasifikasi vegetasi adalah
segmentasi. Segmentasi ini merupakan metode pengelompokan objek kedalam
region-region yang ditentukan oleh suatu ukuran kehomogean. Segmentasi yang
akan digunakan melihat dari tiga aspek yaitu skala (scale), warna (color) dan
bentuk (form). Klasifikasi berbasis objek ini menggunakan kluster piksel yaitu
mengklusterkan nilai dari tiap informasi piksel berdasarkan aspek-aspek tertentu
baru nantinya di klasifikasikan
Berbagai kelebihan dan kekurangan yang dimiliki oleh metode klasifikasi
berbasis objek tersebut nantinya akan menambah atau malah mengurangi akurasi
terhadap metode berbasis piksel. Akurasi yang dihasilkan nantinya akan
dibandingkan terhadap tingkat kesulitan dan lama waktu yang diperlukan untuk
melihat seberapa efisienkah metode tersebut. Adapun lebih lengkap mengenai
kerangka pemikiran dapat dilihat dalam diagram kerangka pemikiran di bawah
ini:
23
Pemetaan Vegetasi
Kategori
Struktur
Komposisi
Heterogen
Ekstraksi Penginderaan Jauh
Resolusi Spektral
Resolusi Spasial
Multispektral
Tinggi
Sedang
Rendah
Digital
Metode Klasifikasi
Digital
Karakteristik
- Pixel (Satu pixel satu informasi)
Efek
Efek
24
Akurasi Menurun
Pemetaan Alternatif
?
Gambar 2.8.Diagram alir Kerangka Pikiran
aspek
Akurasi ?
Citra resolusi spasial tinggi : Gambaran muka bumi dalam dua dimensi
yang memiliki informasi kenampakan spasial yang sangat detail
Raster : Satuan analisis yang terdiri dari beberapa sel, yang setiap sel
memiliki nilai /atribut
informasi
dengan
pengkelasan
fenomena
(obyek)
yang
Segmentasi : Suatu metode untuk pengelompokan objek ke dalam regionregion yang ditentukan oleh suatu ukuran homogenitas
Tegakan atas : Vegetasi yang berada diatas vegetasi lain yang dapat
terlihat pada citra penginderaan jauh
Salt and pepper : Bintik acak yang tidak diinginkan dalam hasil
pemrosesan klasifikasi
26