Uji Ketelitian Hasil Interpretasi Citra
Uji Ketelitian Hasil Interpretasi Citra
CITRA
Tujuan
:
• Mahasiswa mampu melakukan
assessmen/penaksiran ketelitian hasil interpretasi
citra secara visual dengan melakukan cek
lapangan dan menerapkan matriks konfusi
(confusion matrix).
• Mahasiswa mampu memenuhi hasil minimal
batasan untuk ketelitian hasil interpretasi citra
secara visual
Landasan
Teori
• Dalam pengolahan data citra satelit sangat perlu
dilakukannya uji akurasi data. Akurasi yang dimaksud
disini adalah kecocokan antara suatu informasi
standar yang dianggap benar (biasanya cek
lapangan), dengan citra terklasifikasi yang belum
diketahui kualitas informasinya (Campbell, 1987).
• Uji akurasi dilakukan dengan membandingkan dua
peta, satu peta bersumber dari hasil analisis
penginderaan jauh (peta yang akan diuji)
dan satunya adalah peta yang berasal dari
sumber lainnya yang dijadikan sebagai
Landasan teori.........
• Format baku untuk melaporkan hasil uji akurasi
adalah dalam bentuk matriks kesalahan, atau
dinamakan juga “matriks konfusi” karena ia
mengindentifikasi tidak saja kesalahan untuk suatu
kategori tetapi juga kesalahan klasifikasi antar
kategori.
Matriks Konfusi
• Matriks konfusi yang menunjukkan hubungan antara dua sampel
pengukuran yang diambil dari daerah yang telah diklasifikasikan.
• Sampel pertama merupakan data uji yang telah dikumpulkan
melalui observasi lapangan, pemeriksaan catatan pertanian,
interpretasi foto udara atau citra, atau cara lain yang sejenis.
• Sampel kedua terdiri dari label piksel, dialokasikan oleh classifier,
yang sesuai dengan titik uji data.
• Ukuran matriks konfusi adalah n x n.
• Diagonal utama merupakan nilai yang benar dan non diagonal
utama merupakan nilai error.
• Kolom dalam matriks konfusi mewakili data/objek yang akan diuji.
• Baris dalam matriks konfusi mewakili label yang diberikan oleh
classifier.
Jenis error
Referensi Data
Hasil
hutan hutan Row Sum
Klasifikasi rumput gandum
gugur konifer
rumput 48 3 2 2 55
gandum 18 70 24 6 118
hutan
7 5 65 12 89
gugur
hutan
3 2 11 59 75
konifer
Column
76 80 102 79 337
Sum
Tahapan hitungan :
36.8
rumput 48 3 2 2 55 12.7% 57.8% 63.2% 87.3%
%
12.5
gandum 18 70 24 6 118 40.7% 54.7% 87.5% 59.3%
%
hutan 26.97 36.3
7 5 65 12 89 51.6% 63.7% 73%
gugur % %
hutan 21.33 25.3
3 2 11 59 75 62.1% 74.7% 78.6%
konifer % %
Column
76 80 102 79 337 Overall accuracy = 71.8%
Sum
• Menghitung (kappa) =
Dimana :
• Kappa
dapat digunakan untuk uji statistik apakah satu
matriks kesalahan, yang merupakan tabel multivariat
diskrit, secara signifikan berbeda dari yang lain(Bishop et
al., 1975).
• Estimasi Kappa, adalah ukuran perbedaan antara objek
hasil klasifikasi dengan data referensi seperti yang
ditunjukkan pada matriks konfusi, dan objek hasil
klasifikasi dengan data referensi yang sama yang
ditampilkan dalam matriks lain yang serupa untuk matriks
konfusi.
• Nilai (kappa) berkisar dari -1 s.d. 1
Tugas :
• Uji hasil updating peta RBI dengan interpretasi visual
pada tugas minggu kemarin dengan skema tutupan
lahan sesuai hasil yang kalian peroleh (pemukiman,
jalan, sawah, RTH) dengan ketentuan :
▫ Ukuran lokasi sesuai seperti kemarin yaitu 5 km x 5 km
▫ Terjun ke lapangan diganti dengan google earth
▫ Ketelitian yang baik untuk overall accuracy adalah >85%,
dan error <20%
▫ Dikumpulkan minggu depan waktu praktikum yaitu 14
November 2016 dalam bentuk print out : sajikan hitungan
matriks konfusinya
Tugas........
• Lakukan analisis mengapa ketelitian matriks konfusi atau overall
accuracy harus diatasi 85%
• Lakukan analisis hasil hitungan anda
• Sampel yang diambil dari interpretasi minimal 30 data untuk tiap
skema tutupan lahan
• Yang dihitung :
▫ Producer accuracy
▫ User accuracy
▫ Overall accuracy
▫ Map acucuracy
▫ Omission error
▫ Commission error
▫ kappa
• Pembahasan yang diberikan :
1. Tentang Classification Accuracy Assessment dari tugas yang
dikerjakan ;
2. Hasil nilai PA, UA, OA, MA, EE, EC, dan K.
3. Pembahasan lebih silahkan baca text book :
1. “Digital Analysis of remotely sensed imagery” hal. 497 karangan
Jay Gao ;
2. “Classification Methods for Remotely Sensed Data” hal.69
karangan Paul M. Mather ;