Pengembangan Metode Pengelompokan Obyek Penutup Lahan Dan Parameter Sosial-Ekonomi Untuk Daerah Kalimantan Barat

Transkripsi

1 Pengembangan Metode Pengelompokan Obyek Penutup Lahan Dan Parameter Sosal-Ekonom Untuk Daerah Kalmantan Barat Oleh: W. Setawan, A. Murn, B. Kusumoputro, dan D. Hardanto. PENDAHULUAN Peneltan n bertuuan untuk melakukan perenanaan pemanfaatan lahan berdasarkan analss potensal lahan dan konds sosal-ekonom. Sumber data yang akan dgunakan adalah data sensor Landsat ETM (Land Satellte Enhaned Themat Mapper yang terdr dar 7 band multspektral dan band pankromatk serta data sosal-ekonom yang dkumpulkan dar lapangan. Analss utama yang akan dlakukan adalah untuk tuuan perenanaan area hutan, permukman, dan daerah pessr. Tga dasar pertmbangan telah dadkan dasar dalam pendekatan pengembangan metode pengelompokan. Ketga dasar pertmbangan tersebut melput: ( penggunaan pendekatan kombnas metode klasfkas tanpa pengarahan (unsupervsed dan dengan pengarahan (supervsed; ( penggunaan pendekatan arngan syaraf truan untuk metode klasfkas; dan ( penggunaan asums dstrbus Gaussan untuk data Landsat ETM. Dasar pertmbangan yang pertama adalah penggunaan kombnas pengenalan obyek tanpa pengarahan (unsupervsed dan pengelompokan obyek dengan pengarahan (supervsed. Pengguna paket komersal sepert ER Mapper dan ERDAS uga serng menggunakan pendekatan kombnas n melalu fasltas lusterng (unsupervsed dan fasltas klasfkas dengan set sample pembelaaran (supervsed sepert metode maxmum-lkelhood atau metode mnmum-dstane. Menurut pengalaman, pendekatan n memang dapat memperbak hasl klasfkas yang hanya menggunakan pendekatan supervsed. Dasar pertmbangan yang kedua adalah penggunaan arngan syaraf truan (artfal neural network. Metode klasfkas (pengelompokan dengan neural network dplh, karena danggap dapat lebh bak dalam menyelesakan masalah-masalah unertantes dbandngkan metode yang konvensonal sepert pendekatan statstk. Jarngan Self-Organzng Mapper (SOM merupakan pendekatan unsupervsed, mempunya kemampuan yang epat untuk konvergen tetap kurang mempunya

2 kemampuan pengenalan. Sebalknya arngan Bak Propagaton (BP merupakan pendekatan supervsed yang lambat konvergen tetap mempunya kemampuan pengenalan yang lebh tngg. Dasar pertmbangan yang ketga adalah penggunaan model Gaussan untuk data tra sensor optk. Ctra Landsat ETM termasuk sensor optk dan pengklasfkas Gaussan maxmum lkelhood telah seara luas dgunakan. Metode pengelompokan data sosal-ekonom yang dusulkan adalah metode hbrda arngan SOM (Self-Organzng Map yang bersfat unsupervsed dan arngan BP (Bak Propagaton yang bersfat supervsed. Jarngan BP n menggunakan keluaran dar SOM sebaga sampel-sampel yang sudah dkelompokkan. Metode pengelompokan yang dgunakan untuk klasfkas tra Landsat ETM adalah arngan PNN (Probablst Neural Network dengan model Gaussan yang doptmsas dengan algortma EM (Expetaton-Maxmum. Sebaga perbandngan metode hbrda SOM-BP uga dgunakan untuk klasfkas tra Landsat ETM. 2. PERMASALAHAN DAN TUJUAN PENELITIAN Tuuan peneltan n adalah menghaslkan suatu sstem perenanaan tata wlayah dan pengembangan daerah dengan analss ambang batas yang berdasarkan analss potensal lahan dan potensal sosal ekonom. Fokus peneltan pada perode tahun 2003/2004 adalah pengembangan metode klasfkas penutup lahan untuk tra Landsat ETM dan metode klasfkas parameter sosal ekonom. Fokus peneltan pada perode tahun 2004/2005 adalah menerapkan atau melakukan valdas metode tersebut sesua dengan kelas obyek penutup lahan yang dbutuhkan untuk analss. Pada proses valdas dan penyempurnaan sstem akan dtentukan obyekobyek yang ngn dkenal dan sampel-sampel yang lebh akurat dan dperoleh dar pakar. Selan tu pada stud lebh lanut dharapkan data untuk parameter sosal ekonom sudah terseda. Pengembangan arngan hbrda SOM dan BP akan dgunakan untuk klasfkas parameter sosal ekonom dan untuk klasfkas tra Landsat ETM. Sedangkan arngan PNN Gaussan-EM akan dgunakan untuk

3 klasfkas tra Landsat ETM. Analss knera dan tngkat generalsas metode akan dlakukan dengan ndkator kesalahan klasfkas berdasarkan user s auray, produer s auray dan statstk Kappa. 3. METODE KLASIFIKASI DATA BERDASARKAN JARINGAN HIBRIDA SOM-BP Untuk mendapatkan keuntungan-keuntungan dar Self-Organzed Mapper (SOM dan Bak Propagaton (BP agar arngan dapat epat konvergen dan mempunya kemampuan pengenalan yang tngg, maka akan dgunakan suatu arngan yang terdr dar modul yang self-organzed dan modul bak propagaton sebaga supervsor. Berkut dbahas arstektur arngan hbrda SOM-BP serta ara bekeranya. Pelathan dan pengenalan mash belum dlakukan dengan data sebenarnya, karena data belum terseda. Renananya data sosal ekonom yang akan dgunakan melput data tenaga kera, parameter ekonom dan parameter lngkungan. Data yang sementara dgunakan adalah data serupa yang terdr dar 6 (enam parameter yang melput data sosal, ekonom dan lngkungan. 3.. Konsep Jarngan Self-Organzng Mapper (SOM Jarngan SOM merupakan arngan neural buatan yang banyak dterapkan pada persoalan klasterng dengan kemampuan melakukan pembelaaran dalam tempo yang sngkat. Dalam persoalan klasterng, arngan SOM standar tdak mengenal kemampuan beradaptas dengan pola masukan. Setap pola masukan akan dpaksa untuk masuk ke salah satu klaster yang telah ada walaupun sebenarnya pola masukan baru auh dar klaster yang ada. Berkut dbahas arstektur, proses pembelaaran dan algortma arngan SOM Arstektur Jarngan SOM Arstektur arngan SOM dapat dgambarkan dengan skema dagram pada Gambar berkut n.

4 X W Y X Y J Xn W nm Y m Gambar. Arstektur arngan SOM. Jarngan SOM merupakan arngan laps tunggal yang mem-punya satu laps hubungan bobot (W. Neuron dapat dbedakan atas neuron masukan (X yatu neuron yang menerma snyal dar luar dan neuron keluaran (Y yang merupakan neuron respon dar arngan. Setap vektor masukan berkorespondens dengan satu neuron keluaran dan menympan karakterstk atau sfat tertentu yang dmlk vektor masukan tersebut. Pada suatu saat hanya ada satu neuron keluaran yang aktf, sedangkan neuron keluaran yang lan bersfat pasf. Neuron yang aktf dsebut dengan neuron pemenang. Pada arngan SOM standar, umlah neuron d laps keluaran dtentukan lebh dulu, dan tergantung pada umlah klaster yang dngnkan, sepert algortme K-Mean lusterng. Pada peneltan n umlah klaster dlakukan seara adaptf dengan menentukan suatu parameter nla ambang arak antar klaster. Nla ambang n berpengaruh pada umlah klaster yang akan dperoleh Pembelaaran Jarngan SOM Pembelaaran pada arngan SOM merupakan pembelaaran kompets. Dalam pembelaaran n, neuron-neuron keluaran berkompets dantara

5 mereka untuk menad neuron pemenang. Berbeda dengan pembelaaran supervs dmana semua neuron keluaran aktf bersama-sama, pada pembelaaran kompets hanya satu neuron yang aktf pada satu saat. Setap neuron seara khusus mempelaar suatu set pola tertentu dan menad pendeteks karakterstk pola tersebut. Msalkan neuron yang menad pemenang adalah neuron ke-, nla aktvas neuron (y lebh besar dbandng neuron lannya untuk suatu pola masukan x. Jka sebuah neuron tdak merespon terhadap suatu pola tertentu (neuron yang kalah, pembelaaran tdak dlakukan pada neuron tersebut. Msalkan w menyatakan bobot dar neuron masukan ke neuron keluaran, maka koreks bobot ( w yang dterapkan pada bobot w adalah: w 0 x w ka neuron ke menang ka neuron ke kalah Konvergens arngan dapa dengan ara menurunkan nla yang merupakan keepatan pembelaaran arngan untuk setap epohnya. Karena hanya ada satu neuron yang aktf pada satu saat, maka harus dtentukan vektor masukan x yang sesua dengan vektor bobot w dengan ara menar arak yang palng mnmum antara vektor bobot dan vektor masukan. Cara untuk menentukan arak yang palng mnmum bermaammaam, dantaranya nner produt dan arak euldean. Nla nner produt (w T x untuk =, 2.., N yang palng maksmum menyatakan smlartas atau kemrpan yang palng tngg antara vektor masukan dengan pusat klaster yang dnyatakan dengan vektor bobot. Hasl nner produt menentukan pada neuron mana proses komputas nla aktvas akan dlakukan. Proses menar nla nner produt yang palng maksmum setara dengan proses menar nla euldean yang palng mnmum. Setap vektor masukan dlokalsas pada suatu wlayah tertentu. Msalkan vektor masukan adalah: x [ x, x2... xp] T p umlah neuron masukan Vektor bobot dar neuron masukan ke neuron keluaran dnyatakan dengan w w, w 2... wn, T umlah neuron keluaran Pada arngan SOM standar basanya dgunakan arak euldean yang palng mnmum (mnmum-euldean dstane norm. Msalkan (x menyatakan neuron yang palng sesua untuk vektor masukan x, seara matemats dapat dnyatakan : n

6 ( x arg mn x( n w N,, 2,..., dmana. menyatakan euldean norm dar argumen vektor Algortma Pengklasfkas SOM Seara rngkas algortma arngan SOM dapat drn sebaga berkut: Langkah 0: Insalsas bobot-bobot w (basanya random antara 0 s/d 0.5 Langkah : Jka konds hent gagal, lakukan langkah 2-8. Langkah 2: Untuk setap vektor masukan x, lakukan langkah 3 sampa 5 Langkah 3: Untuk setap, htung: D( w x Langkah 4: Temukan ndeks sehngga D( mnmum Langkah 5: Untuk setap neuron dan untuk semua neuron : w 2 ( baru w ( lama x w ( lama Langkah 6: Perbak keepatan pembelaaran (mula dengan 0.5 dan turunkan 0.0 Langkah 7: Kurang radus ketetanggaan klaster bla dperlukan Langkah 8: Tes konds hent 3.2. Konsep Jarngan Bak Propagaton (BP Propagas balk adalah salah satu ens pembelaaran untuk arstektur arngan perseptron laps amak. Arstektur arngan perseptron laps amak, mempunya lebh dar satu laps tersembuny, namun yang akan dbarakan dsn hanya dengan satu laps tersembuny. Berkut dbahas arstektur, proses pembelaaran dan algortma arngan BP Arstektur Jarngan BP Arstektur arngan BP daoat dgambarkan dengan skema sepert dapat dlhat d Gambar 2.

7 X V Z W Y X Z Y k X n V nm Z p W nm Y m Gambar 2. Arstektur Jarngan BP Pembelaaran Jarngan BP Proses pembelaaran BP terdr dar 3 fase: fase mau, 2 fase balk, dan 3 fase memperbak bobot. Setap neuron masukan (X menerma snyal masukan dan menyebarkannya ke setap neuron pada laps tersembuny (Z Zp. Setap neuron pada laps tersembuny menghtung aktvasnya dan mengrm snyalnya (z ke setap neuron keluaran. Neuron keluaran(yk menghtung aktvasnya (yk membentuk respon arngan terhadap suatu pola masukan yang dberkan. Selama pembelaaran, setap neuron keluaran membandngkan aktvasnya (yk dengan target (tk besar kesalahan aktvas arngan terhadap target. Berdasarkan kesalahan n, faktor k (k= m dhtung. k dgunakan untuk mendstrbuskan kesalahan pada neuron keluaran Yk ke semua neuron pada laps sebelumnya (laps tersembuny. k uga akan dgunakan untuk memperbak bobot antara laps keluaran dan laps tersembuny. Dengan ara yang sama, faktor (= p dhtung untuk setap unt pada laps tersembuny Z. Tdak perlu untuk mempropagaskan balk kesalahan sampa pada laps masukan, tap dgunakan untuk memperbak bobot antara laps tersembuny dan laps masukan. Setelah semua faktor dtentukan, bobot

8 untuk semua laps dperbak seara serentak. Perbakan bobot wk (dar neuron d laps tersembuny ke neurn d laps keluaran berdasarkan faktor k dan aktvas (z laps tersembuny. Perbakan bobot v (dar neuron masukan ke neuron laps tersembuny berdasarkan faktor dan aktvas x dar neuron masukan Metode Gradent Desent Jarngan propagas balk mempunya paradgma pembelaaran dengan pengarahan dan algortma koreks kesalahan. Setap pola masukan mempunya pasangan dengan suatu target yang telah dtentukan. Ide pembelaaran pada arngan propagas balk membuat keluaran arngan menad semrp mungkn dengan targetnya, atau kesalahan (perbedaan antara keluaran arngan dan target menad sekel mungkn. Metode yang dgunakan untuk memperbak bobot dsebut metode gradent desent. Dengan metode n, kesalahan merupakan fungs dar bobot. Bobot yang dubah seara teratf akan menyebabkan kesalahan makn kel. Dperlukan untuk menar bobot dmana nla kesalahan palng mnmum. Jka bobot lebh dar satu maka ddapatkan rata-rata kesalahan (meansquared error. Untuk satu pola masukan p, ddapatkan kesalahan sebesar Ep yang merupakan fungs bobot, maka kesalahan untuk semua pola adalah E= Ep(w, w2 wn, basanya ddefnskan sebaga kuadrat selsh antara keluaran (yp dan target (tp.

9 Meansquared error (E E mn 0 w akhr w(n Maka : E Gambar 3 : Grafk Kesalahan 2 p n t p y p 2 Dalam menar ttk terendah dar kurva kesalahan, koreks bobot adalah gradent kurva dengan arah yang berlawanan dengan vektor bobot. Ddefnskan: w : konstanta postf. E w

10 Konvergens Algortma propagas balk adalah pendekatan turunan pertama dar tehnk steepest desent, dmana a tergantung pada graden permukaan kesalahan pada ruang bobot pada satu waktu tertentu. Algortma bersfat stohast, sehngga a enderung beralan zgzag untuk menar arah yang benar dalam menentukan permukaan kesalahan yang palng mnmum. Pembelaaran propagas balk merupakan aplkas metode statstk yang dsebut stohast approxmaton yang sfatnya adalah konvergens yang lambat dan mengakbatkan komputas menad mahal. Ada 2 hal yang menyebabkan kelambatan n:. Pemlhan permukaan kesalahan agak datar terhadap dmens bobot. 2. Arah vektor graden negatf yang auh dar permukaan kesalahan mnmum Loal Mnma Selan memlk sfat kelambatan dalam proses pembelaaran, unuk kera propagas balk uga dpengaruh oleh keberadaan lokal mnma dan global mnma. Lokal mnma yatu keadaan dmana bobot bernla mnmum akan tetap perubahan kel pada bobot akan menambah fungs kesalahan. Sedangkan global mnma yatu sekumpulan bobot yang bernla lebh kel dar lokal mnma namun arngan sepert mengalam sangkutan. Sampa saat n belum ada peneltan yang dapat mengatas lokal mnma maupun global mnma Algortma Jarngan BP Seara rngkas algortma BP dapat drn sebaga berkut: Langkah 0: Insalsas bobot Langkah : Jka konds hent tdak terpenuh, lakukan langkah 2-9 Langkah 2: Untuk setap pola nput, lakukan step 3 8 Feedforward: Pembelaaran pada layer Langkah 3: Setap neuron masukan (X = n menerma snyal masukan x dan menyebarkannya ke semua neuron pada laps tersembuny.

11 Langkah 4: Setap neuron pada laps tersembuny (Z, = p menumlahkan bobot-bobot snyal masukan, n dan menerapkannya pada fungs aktvas untuk menghtung snyal keluarannya, z f ( z _ n dan mengrm snyal n ke semua neuron pada laps keluaran Langkah 5: Setap neuron keluaran (Yk, k= m menumlahkan bobot snyal yang masuk, Bakpropagas error y _ n z _ n k x v dan mengaplkaskan fungs aktvasnya untuk menghtung snyal yang akan dkeluarkannya yk f ( y _ nk Langkah 6: Setap neuron keluaran (Yk, k= m menerma sebuah pola target yang berhubungan dengan pola masukan pelathan dan menghtung kesalahan nformas dengan mengalkan dengan turunan fungs aktvasnya k ( tk yk f '( y _ nk menghtung koreks bobot (yang akan dgunakan untuk memperbak wk nant, k dan mengrm k ke neuron laps tersembuny Langkah 7: Setap neuron tersembuny (Z, = p menumlahkan bobot setap neuron yang yang telah dkal dengan kesalahan nformasnya, m p z w k z k w k _ n w k k

12 Langkah 7 (lanutan: mengalkan dengan turunan fungs aktvasnya untuk menghtung kesalahan nformasnya, _ n menghtung koreks bobotnya (yang akan dgunakan untuk memperbak v nant Perbak bobot untuk proses selanutnya v x f '( z _ n Langkah 8: Setap neuron keluaran (Yk, k= m memperbak bobotnya (=0 p w ( new w ( old k k w k Setap neuron tersembuny (Z, = p memperbak bobotnya v ( new v ( old Langkah 9: Lakukan penguan konds hent. v 3.3. Konsep Jarngan Hbrda SOM dan BP Jarngan hbrda SOM dan BP pertama kal dperkenalkan oleh Myanaga et al., 998. Masalah yang dhadap pada peneltan tersebut adalah teradnya pembengkakan dalam hal umlah neuron klaster, sehngga menyultkan proses bak propagaton. Pada arngan SOM standar, umlah neuron d laps keluaran dtentukan lebh dulu, dan tergantung pada umlah klaster yang dngnkan, sepert algortme K-Mean lusterng. Pada peneltan n umlah klaster tdak dbatas. Untuk menghndar teradnya pembengkakan umlah neuron klaster, dgunakan pendekatan umlah neuron hdden yang lebh besar dar suatu konstanta k dkal umlah neuron masukan. Pada peneltan n mula-mula k dber harga 2 dan dtambah sampa dperoleh hasl keteltan yang ukup bak. Hasl ekspermen menunukkan bahwa k = 5 telah memberkan hasl yang bak. Jarngan hbrda n terdr dar 2 (dua laps, yatu: Laps pertama merupakan self-organzed layer (bagan SOM untuk data masukan

13 Laps kedua merupakan supervsed layer (bagan BP yang menentukan kelas suatu pola Pada konsep arngan hbrda SOM-BP, penggunaan arngan SOM dmaksud untuk melakukan proses pengelompokan tahap awal. Hasl pengelompokan n seolah-olah dgunakan sebaga sample untuk proses klasfkas dengan pendekatan supervsed dengan arngan BP. Hal tersebut dlakukan dengan menggunakan laps keluaran dar SOM sebaga laps tersembuny dar arngan BP. Arstektur arngan hbrda SOM-BP dapat dgambarkan sebaga Gambar 4. Neuron Neuron Pola atau Neuron Masukan Neuron Klaster Keluaran Neuron Tersembuny X V Z W Y X Z Y k X n V nm Z p W nm Y m SOM Gambar 4. Jarngan Hbrda SOM-BP. BP Laps Pertama (Self-Organzed Network / SOM Penambahan dan penghapusan suatu neuron pola (klaster berkatan dengan perepatan konvergens. Msalkan vektor data masukan dapat dnyatakan sebaga: x t [ x ( t, x ( t,... x n ( t] ( 2 dengan t suatu waktu nstan, n umlah sensor (atau feature yang dgunakan, dan T artnya transpose. T

14 Setap neuron klaster pada SOM menympan 3 (tga buah nformas, yatu: q Jumlah keanggotaan Pusat klaster y (t Pusat matrks varan kesalahan (error S (t dengan e x ( t y ( t adalah perbedaan antara nla data masukan dan nla pusat klaster dan p adalah umlah klaster, maka S ( t dag[ 2 2, ( t,,2( t,..., p ( t] 2 Tngkat keserupaan (smlarty value antara data masukan dan pusat klaster dapat dnyatakan dengan arak Mahalanobs M sebaga berkut: ( t exp( M 2n T dan M e ( t S e ( t dmana 0 merupakan retfaton fator Laps Kedua (supervsed pereptron / BP Supervsed layer bertugas untuk melakukan proses pengenalan. Laps n mempunya struktur yang sama dengan struktur output dar mult-layered pereptron neural network. Input dar laps n adalah nla smlarty yang dperoleh dar self-organzed layer. Output atvaton dhtung dengan menggunakan sgmod atvaton funton dan besarnya kesalahan (error dtentukan berdasarkan prosedur updatng bobot koneks. Artnya algortme supervsed layer sama dengan algortme bak propagaton untuk layer keluaran. Setelah bobot-bobot d-update pada supervsed layer, vektor klaster pada self-organzed module uga dupdate dengan propagated error dar aktvas neuron output dan vektor target (lhat prnsp algortme BP. Msalkan vektor target pada layer output adalah: g m ( t [ g( t, g 2 ( t,..., g ( t] dmana m adalah umlah kelas yang dtentukan.

15 Masukan ke supervsed layer adalah nla smlarty yang dperoleh dar output SOM ( t [ ( t, 2 ( t,..., m ( t] Neuron atvaton pada layer output dhtung dengan dmana k z m z ( t [ z( t, z2 ( t,..., z ( t] ( t sgmod[ sgmod( f e m f w k ( t ( t k ( t] w adalah bobot koneks antara neuron klaster dan neuron output dan k menyatakan suatu nla ambang Update bobot pada neuron output dan selanutnya mengkut algortme bakpropagaton: 4. METODE KLASIFIKASI DATA BERDASARKAN JARINGAN PNN GAUSSIAN DENGAN OPTIMASI ALGORITME EM 4.. Arstektur Jarngan PNN Gaussan dengan EM Skema arngan Probablst Neural Network (PNN Gaussan dapat dlhat d Gambar 5. Proses optmas dengan algortme Expetaton-Maxmum (EM merupakan sub-sstem dar sstem PNN Gaussan seara keseluruhan. PNN Gaussan yang dterapkan adalah yang ddeskrps oleh Donald et al., 99. Algortme EM yang dterapkan adalah sesua dengan penelasan Dempster et al., 997; Bruzzone et al., 999; dan Jakson et al., 200.

16 Input unt P P P m Q Q Q Pattern unt A Classfaton unt B Deson unt Gambar 5. Skema Jarngan PNN. Algortme PNN standar (Donald et al., 99 dapat delaskan sebaga berkut: Jarngan terdr dar 3 (tga laps, yatu: satu laps unt masukan, satu laps unt pola, dan satu laps unt keluaran Terdapat korespondens satu-satu antara unt pola dan vetor data masukan. Setap unt keluaran menyatakan satu kelas kategor onyek Unt pola terhubung ke unt keluaran ka dan hanya ka data yang bersangkutan termasuk kategor obyek yang sama Insalsas bobot o Vektor bobot dar unt pola ke- d-nsalsas dengan vektor nput ke- yang dnormalsas menad bernla antara 0 dan. o Vektor bobot dar unt keluaran d-nsalsas dengan vetor bernla. Perhtungan aktvas o Aktvas dar unt masukan dtentukan oleh data masukan yang dberkan ke arngan dan telah dnormalsas o Aktvas y dar unt pola dberkan oleh:

17 O exp[( W X / Smoothng parameter dber nla Dmana W adalah bobot hubungan antara unt masukan ke- dengan unt pola ke- dan X adalah aktvas dar nput ke- o Aktvas O dar unt keluaran dberkan oleh: O P( w m W O 2 ] dmana W adalah bobot hubungan antara unt pola ke- dengan unt keluaran ke-, dan m adalah umlah data pelathan per kelas yang destmas oleh w k yang berhubungan dengan unt keluaran k, dan P(w k adalah probabltas awal w k = /K dmana K adalah umlah kelas obyek. o Keputusan arngan adalah kelas yang mempunya unt keluaran dengan aktvas maksmum Pembelaaran Jarngan PNN adalah sebaga berkut: Nla bobot tdak pernah dubah Ketka ada data baru masuk, sebuah unt pola baru dtambahkan dan bobot yang berhubungan d-nsalsas dengan ara datas Pelathan arngan sfatnya nsalsas semua varabel, dan keputusan arngan adalah kelas yang mempunya unt keluaran dengan aktvas maksmum 4.2. Optmsas Dengan Algortma Expetaton- Maxmum (EM Algortme Expetaton-Maxmum (EM merupakan metode teratve untuk mendapatkan estmator maxmum lkelhood dar data pengamatan yang tdak lengkap. Permasalahan yang ngn dselesakan oleh EM adalah mengestmas parameter sehngga memaksmumkan fungs logartma lkelhood log L ( t f ( t. Dalam hal n algortme EM (m akan membangktkan barsan estmas { } { (0 }. dar suatu nla awal

18 Dalam setap teras EM terdr dar 2 (dua tahap, yatu (Dempster et al., 997:. Tahap ekspektas: merupakan perumusan nla ekspektas fungs lkelhood untuk pengamatanyang ukup / lengkap sebaga: ( m ( m E (log L( ( t x, Q(,. Dalam hal n x adalah vetor pengamatan yang tdak lengkap yang bersesuaan dengan t. (m 2. Tahap maksmalsas: nla drumuskan seara teratve, sehngga memaksmumkan Q (, (m. Perumusan nla tergantung pada karaktersas dstrbus ampuran kategor obyek yang teramat. Algortme EM dapat dnyatakan sebaga berkut:. Menentukan estmas awal parameter ; 2. m = 0; 3. Evaluas Q (, (0 (tahap ekspektas (m 4. Tentukan parameter, ( m ( m ( m ( m sehngga Q (, Q(, untuk setap vetor (tahap maksmalsas 5. Jka konvergens terapa, stop, dan estmas. Jka belum lakukan langkah m = m + dan kembal ke langkah 4. (0 (m sebaga hasl Pada peneltan n dlakukan optmsas dengan EM untuk mendapatkan optmum probabltas posteror. Mekansme EM yang dgunakan dapat delaskan sebaga berkut. Dstrbus pengamatan x dnyatakan sebaga (Jakson et al., 200: dengan f ( x,., L f ( x L adalah probabltas pror (,..., L,,..., L merupakan parameter ampuran x = (x,..,x n adalah sample pelathan (,..., L kategor kelas obyek

19 Tahap ekspektas dnyatakan dengan persamaan: ( x L f ( x f ( x dmana adalah probabltas posteror Tahap maksmalsas dnyatakan dengan persamaan arg max( k L k ln f ( x k L n Algortma pelathan adalah sebaga berkut:. Menentukan fator bobot f ( x ( x L f ( x k k 2. Memaksmumkan fungs log lkelhood arg max( k n k ln f ( x k 3. Menentukan klasfkas x arg L maxln( f ( x x arg mn L d ( x dmana d (x adalah T d ( x ( x ( ( x ln

20 m n n x n m ( x n T Proses dlakukan seara teratve sampa nla perbedaan probabltas posteror pada suatu teras dan teras sebelumnya sudah mnmal. 5. PENERAPAN ALGORITME Algortme arngan hbrda SOM-BP dan arngan PNN Gaussan dengan optmas EM dterapkan dengan memanfaatkan alat bantu paket MATLAB Vers 6. Hal n dlakukan karena MATLAB Vers 6 telah banyak memuat fasltas pustaka dasar arngan syaraf truan sepert SOM dan BP. Pengembangan software dlakukan d Komputer PC Pentum IV. 6. HASIL EKSPERIMEN Berkut akan dsampakan hasl ekspermen yang telah dlakukan, terdr dar:. Pengklasfkas arngan hbrda SOM-BP dengan data sementara parameter sosal, ekonom dan lngkungan 2. Pengklasfkas arngan SOM-BP dengan data Landsat ETM daerah Kabupaten Bengkayang 3. Pengklasfkas arngan PNN Gaussan dengan optmas EM dengan data Landsat ETM daerah Kabupaten Bengkayang dan Sambas.

21 6.. Pengelompokan Parameter Sosal Ekonom dengan Jarngan Hbrda SOM-BP Data sementara parameter konstran sosal dan ekonom serta lngkungan dapat dlhat d Tabel. Tabel. Data Sementara Parameter Konstran. Parameter Tolok Ukur Komponen Ekonom Pertumbuhan Ekonom Tenaga Kera Ketersedaan Tenaga Kera Sumber Daya Alam Potens Sumber Daya Alam Sarana dan Prasarana Pasar dan Jarngan Mnat Investas Swasta / BUMN / Koperas / Masyarakat / Pemerntah Lngkungan Dampak Lngkungan. Produk Domestk Regonal Brutto 2. Daya tark nvestas. Jumlah 2. Mobltas. Lahan untuk pengembangan 2. Ar, eners, sda lannya. Aksesbltas pasar 2. Jarngan alan lokal Investas yang ada. Degradas Lngkungan 2. Gangguan permukman Karakterstk dar arngan yang dgunakan adalah sebaga berkut: Neuron masukan : 6 buah Neuron pola : 47 buah Neuron keluaran : 5 buah Tabel 2. Data Keteltan Hasl Klasfkas Data Sosal Ekonom dengan SOM-BP. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas Kelas Kelas Pksel Overall User s Auray Auray (OA = % PA avr= 9.778% UA avr= %

22 6.2. Klasfkas Ctra Landsat ETM dengan Jarngan Hbrda SOM-BP Gambar 6 menunukan salah satu band (yatu band 5 dar data Landsat ETM daerah kabupaten Bengkayang, Kalmantan, yang dgunakan untuk ekspermen. Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Gambar 6. Ctra Landsat ETM Band 5 daerah kabupaten Bengkayang. Jumlah sample pelathan dplh seara manual dan vsual berdasarkan petunuk nformas pendukung dar pakar atau dar peta yang ada. Ukuran endela sample adalah 0 x 0 pksel per kelas obyek penutup lahan. Untuk melakukan proses pelathan dan pengenalan telah dambl 25% (25 pksel dar sample untuk pelathan dan 75% (375 pksel untuk proses pengenalan. Karakterstk dar arngan SOM-BP yang dgunakan adalah sebaga berkut: Neuron masukan : 2 buah Neuron pola : 89 buah Neuron keluaran : 5 buah

23 Tabel 3. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Bengkayang dengan arngan hbrda SOM-BP. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas Kelas Kelas Pksel Overall User s Auray Auray (OA PA avr = 95,30% UA avr = 95.20% Hasl dar proses klasfkas tra adalah suatu gambar tematk yang terdr dar pewlayahan obyek-obyek penutup lahan. Gambar tematk yang dperoleh dar ekspermen n dapat dlhat pada Gambar 7 (ada kesalahan pengrman gambar dan akan dperbak. Gambar 7. Ctra tematk Landsat ETM daerah kabupaten Bengkayang.

24 6.3. Klasfkas Ctra Landsat ETM dengan Jarngan PNN Gaussan Dengan Optmas Algortme EM Jumlah sample pelathan dplh seara manual dan vsual berdasarkan petunuk nformas pendukung dar pakar atau dar peta yang ada. Sampel yang dgunakan untuk proses pelathan dan proses pengenalan pada ekspermen n sama dengan sample yang dgunakan pada ekspermen pada bagan 6.2 dan dapat dlhat pada Gambar 6. Jarngan PNN dengan model Gaussan tanpa optmas atau dengan optmas algortme EM mempunya karakterstk sebaga berkut: Neuron masukan : 2 buah Neuron pola : 25 buah Neuron keluaran : 5 buah Tabel 4. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Bengkayang dengan arngan PNN Gaussan. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas ,3 Kelas Kelas Pksel Overall Auray User s Auray (OA = 96.0% PA avr = 96,6% UA avr = 96,0% Tabel 5. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Bengkayang dengan PNN Gaussan optmas algortme EM. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas Kelas Kelas Pksel Overall User s Auray Auray (OA = % PA avr = 98.9% UA avr = 98.9%

25 Gambar 8. Ctra tematk Landsat ETM daerah kabupaten Bengkayang, hasl klasfkas PNN Gaussan dengan optmas algortme EM. Ekspermen dengan data lan, yatu data Landsat ETM daerah kabupaten Sambas uga telah dlakukan. Ctra masukan dan daerah sampel yang dambl dapat dlhat d Gambar 9. Perbandngan umlah sampel pelathan dan testng adalah 25% dan 75%. Karakterstk dar arngan PNN Gaussan dengan optmas EM yang dgunakan adalah sebaga berkut: Neuron masukan : 2 buah Neuron pola : 50 buah Neuron keluaran : 6 buah

26 Ar Mangrove Pemukman Hutan- Hutan- Beluka Gambar 9. Ctra Landsat ETM daerah kabupaten Sambas. Tabel 6. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Sambas dengan PNN Gaussan optmas algortme EM Obet Class Produer s Auray - PA (% 2, , , , , , User s Aura y - UA (% Overall Auray OA (% = 93.99% PA =94.9 9% UA =94.0 0%

27 Gambar 0. Gambar Tematk Landsat ETM daerah kabupaten Sambas. 7. KESIMPULAN Dar hasl ekspermen dapat dberkan beberapa rekomendas sebaga berkut:. Jarngan hbrda SOM dan BP dapat drekomendaskan sebaga metode pengelompokan parameter sosal, ekonom dan lngkungan. 2. Jarngan SOM dapat dgunakan seara terpsah untuk membantu memberkan nla kwanttas terhadap kualtas atau konds sosal, budaya dan lngkungan. 3. Jarngan PNN Gaussan dengan optmas EM dapat dgunakan sebaga alternatf yang bak untuk klasfkas tra Landsat ETM