Deteksi Non-RTH(Ruang Terbuka Hijau) Kota Malang Berbasis Citra Google Earth Dengan Menggunakan Naïve Bayes Classifier

Transkripsi

1 Deteksi Non-RTH(Ruang Terbuka Hiau) Kota Malang Berbasis Citra Google Earth Dengan Menggunakan Naïve Bayes Classifier Irwan Bui Santoso Jurusan Teknik Informatika, Sains an Teknologi Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang Banir, polusi uara an naiknya temperatur uara i perkotaan, ewasa ini semakin marak persoalan tersebut tiak lain bersumber ari aktifitas manusia yang tiak terkenali sehingga mengakibatkan kerusakan. Salah satu upaya yang bisa ilakukan untuk membantu menyelesaikan persoalan tersebut aalah aanya fasilitas yang apat memantau konisi lingkungan secara riil berupa non-ruang Terbuka Hiau (non-rth), melalui komputer. Penyeiaan fasilitas tersebut sangatlah mungkin ilakukan engan memanfaatkan foto satelit seperti yang iseiakan oleh Google Earth. Stui kasus alam penelitian ini aalah kota Malang, engan metoe yang igunakan untuk meneteksi obek non-rth ipermukaan bumi kota Malang berasarkan image atau citra satelit aalah Naïve Bayes Classifier (NBC).Hasil ui coba engan menggunakan sampel penguian, menunukkan tingkat akurasi metoe tersebut alam meneteksi obek non-rth kota Malang aalah 8%. Kata Kunci: Image, cropping, Naïve Bayes Classifier, Training, Akurasi I. PENDAHULUAN Persoalan banir, polusi uara an naiknya temperatur uara i perkotaan, ewasa ini semakin marak serta menai berita tahunan. Tiak ipungkiri persoalan tersebut tiak lain bersumber ari aktifitas manusia yang tiak terkenali sehingga mengakibatkan kerusakan. Salah satu upaya yang bisa ilakukan untuk membantu menyelesaikan persoalan tersebut aalah aanya fasilitas yang apat memantau konisi lingkungan secara riil baik berupa Ruang Terbuka Hiau ataupun non-rth. Sebagai misal Kota Malang sebagai kota peniikan an kota wisata, saat ini seang menghaapi berbagai persoalan, iantaranya aalah semakin menyempitnya Ruang Terbuka Hiau an meluasnya non-rth, yang hingga sekarang tercatat luas RTH-nya kurang ari 0% (Halomalang, 0) (Tempo, 03) (Republika, 05). Paahal menurut Unang- Unang No. 6/007 kebutuhan RTH aalah minimal 30% ari total luas wilayah kota (Depagri, 007), sehingga luas RTH yang kurang ari 0% akan sangat mempengaruhi alam membentuk lingkungan kota yang nyaman an sehat (Roswiyatmoko, 03). Salah satu faktor yang menghalangi perluasan RTH aalah meningkatnya umlah penuuk Kota Malang, an hingga tahun 03 saa suah tercatat sebesar iwa (BPS Kota Malang, 05). Hal tersebut meyebabkan kepaatan penuuk semakin besar an berampak semakin luasnya pemukiman (non-rth) sehingga akan sulit memperluas RTH. Faktor lain yang uga mempersempit RTH aalah aanya alih fungsi hutan kota menai mall (Halomalang, 0), hotel, perkantoran an lain-lain. Dengan semakin menurunnya kuantitas ataupun kualitas RTH i Kota Malang an bertambahnya kuantitas non-rth berakibat menurunnya kualitas lingkungan perkotaan misalnya sering terai banir (Antara,00) (Kompas,00) Tempo,008,009,00), temperature semakin tinggi, polusi uara atau bahkan menurunkan tingkat prouktivitas masyarakat akibat epresi (stress) karena keterbatasan ruang publik yang nyaman untuk berinteraksi sosial. Tiak ipungkiri persoalan tersebut tiak lain berasal ari aktifitas manusia yang mengakibatkan kerusakan (ketiakseimbangan) paa lingkungan hiup. RTH merupakan salah satu komponen ruang yang tingkat keterseiaannya harus selalu iperhitungkan alam proses perencanaan kota, an permasalahan utama keberaaan RTH aalah semakin berkurangnya RTH karena keterbatasan lahan an ketiakkonsistenan alam menerapkan tata ruang (Roswiyatmoko, 03) yang iberuntukan untuk non-rth. Salah satu upaya yang bisa ilakukan untuk membantu menyelesaikan persoalan tersebut aalah aanya teknologi yang apat melakukan eteksi non- RTH secara cepat, muah an real time, sehingga mempermuah pemerintah alam pemantauan an perencanaan Kota Malang. Teknologi tersebut sangatlah mungkin ilakukan engan memanfaatkan foto satelit seperti yang iseiakan oleh Google Earth. Namun emikian informasi yang iseiakan oleh inustri tesebut hanya menampilkan foto satelit tanpa bisa melakukan eteksi non-rth. Oleh karena itu iperlukan pengembangan teknologi lebih lanut untuk eteksi non-rth Kota Malang berasarkan foto satelit. Berasarkan hal tersebut, peneliti ingin melakukan penelitian membangun aplikasi eteksi non-rth Kota Malang berasarkan citra Google Earth engan metoe Naïve Bayes 59

2 Classifier (NBC) serta membangun beberapa struktur moel pengenalan terbaik alam meneteksi non-rth engan menggunakan metoe Naïve Bayes Classifier (NBC). II. NAÏVE BAYES CLASSIFIER (NBC) Naïve Bayes Classifier (NBC) aalah metoe klasifikasi berbasis probabilitas engan mengasumsikan iantara atribut atau fitur obek bersifat inepenen (Pablo, 04). Naïve Bayes saat ini masih menai topik yang hangat, khususnya terkait engan perbaikan metoe tersebut untuk meningkatkan peformansi alam klasifikasi. Dalam banyak aplikasi seringkali, iasumsikan fungsi peluang (probability ensity function) setiap atribut atau fiturnya beristribusi Normal (Gaussian) maka (Anrew, 0) sehingga asumsi tersebut sangat berpengaruh alam pembentukan NBC. Bila iketahui fitur obek, x X,...,x an setiap fitur beristribusi Normal (Gaussian) maka peluang fitur atau atribut engan syarat iketahui kelas ke- ( C ) aalah P X C PX k C Nx ˆ ˆ k ; k, k engan k k (.) ˆ k an ˆ k aalah hasil estimasi parameter istribusi (Normal) an untuk fitur ke-k an kelas k-. Dengan mengunakan kaiah peluang bersyarat iapatkan persamaan sebagai berikut,x PC PX C PC Nx ˆ ˆ k ; k, k P C k (.) Berasarkan persamaan., maka untuk menentukan hasil klasifikasi berasarkan atribut atau fitur obek yang iinputkan, berasarkan nilai peluang terbesar ari PC X. ĉ arg max P C Nxk ; ˆ ˆ k, k c k (.3) Dengan ĉ aalah hasil klasifikasi atau eteksi. III. METODE PENELITIAN Tahapan-tahapan secara umum paa penelitian ini meliputi 4 proses yaitu perancangan an pengumpulan ata, esain sistem, implementasi sistem (coing), ui coba sistem yang ibangun. Aapun tahapan-tahapan penelitian bisa ilihat Gambar 3. (irwan,04). A. Perancangan an Pengumpulan Data Data yang akan igunkan alam penelitian ini aalah ata image (citra) yang iambil ari Google Earth khusus untuk kawasan Kota Malang tahun 05 engan ketinggihan sekitar 5000 ft. Data yang iperoleh ari Google Earth tersebut, akan igunakan sebagai ata training untuk membangun struktur moel pengenalan engan menggunakan metoe Naïve Bayes Classifier (NBC) beserta parameter moelnya, an igunakan sebagai ata ui coba (testing) untuk mengui metoe an aplikasi yang telah ibangun. Data image obek nyata yang iambil melalui cropping citra kawasan Kota Malang aalah rumah, geung/kantor, lapangan, sawah, alan. B. Desain Sistem Desain Sist Desain sistem alam penelitian ini meliputi bagian utama yaitu eteksi non-rth (training an testing ) seperti telihat paa Gambar 4. Paa proses training, langkah pertama aalah cropping image obek ari citra sehingga terkumpul sampel training untuk setiap obek kelas. Langkah berikutnya aalah melakukan preproses terhaap image obek yang telah iambil melalui cropping berasarkan hasil paa perancangan an pengumpulan ata, kemuian ilakukan ekstraksi fitur untuk menapat ciri obek yang mewakili. Setelah ilakukan ekstraksi fitur ibangun struktur moel pengenalan engan NBC an hasilnya isimpan. Perancangan an Pengumpulan Data Desain Sistem Implementasi Sistem (Coing) Ui Coba Sistem (Aplikasi) Gambar. Tahapan-tahapan umum penelitian 60

3 untuk menyimpan file obek non-rth seperti paa Gambar 3 Seangkan Preproses igunakan untuk merubah image obek hasil cropping menai image grayscale. Menu preproses ilengkapi engan fasilitas menyimpan file paa irektori tertentu. Proses merubah image RGB hasil cropping menai image grayscale ilakukan secara serentak engan melibatkan seumlah sampel image an menyimpan secara serentak alam irektori tertentu Paa proses Training ata, training selain igunakan untuk membangun struktur moel NBC an estimasi parameternya uga memuat ekstraksi fitur image obek. Input ari aplikasi Training aalah seumlah sampel ata image obek eteksi image Obek non-rth Gambar. Desain sistem penelitian eteksi non- RTH Kota Malang Berasarkan struktur moel yang telah ibangun selanutnya ilakukan estimasi parameter moelnya an hasilnya uga isimpan. Seang paa proses testing, langkah pertama aalah cropping image obek yang akan ieteksi ari citra, selanutnya melakukan preproses paa ata image obek tersebut, kemuian ekstraksi fitur an engan menggunakan beberapa struktur moel NBC (multi moel NBC) yang telah ibangun (lihat Gambar 3) an parameter hasil estimasi, selanutnya apat ilakukan proses eteksi obek non-rth berasarkan image citra. IV. HASIL DAN PEMBAHASAN A. Implementasi Disain Sistem Aplikasi Implementasi esain sistem eteksi non-rth berasarkan citra, ibagi menai beberapa bagian yaitu akuisisi ata (memuat cropping obyek), preproses, training ata engan NBC (memuat ekstraksi fitur obek non-rth, an estmasi parameter moel NBC), an eteksi obek non-rth. Proses akuisisi ata, igunakan untuk membuka file image (citra) yang akan igunakan sebagai ata training ataupun testing. Paa bagian ini aa proses cropping image obek non-rth yang ilengkapi engan fasilitas Gambar 3 Tampilan aplikasi akuisisi ata image obek untuk training an testing Rumah NBC- Rumah/Geung/Kantor NBC- Sawah Geung/Kantor Non-Rumah/Geung/ Kantor Non-Jalan NBC-4 NBC-3 Sawah/lapangan Non-Sawah/Lapangan NBC-5 lapangan TPU NBC-6 Non Hutan Kota/ Sempaan Sungai NBC-7 Taman Kota Jalan Hutan Kota/Sempaan Sungai Hutan Kota NBC-8 Sempaan Sungai Gambar 4 Struktur multi moel NBC untuk Deteksi Image Obek non-rth 6

4 uga melibat ata image obek RTH. Seangkan input selain ata image aalah ukuran maksimum imensi image obek (biasanya lebih kecil ari image semula). Metoe yang igunakan merubah imensi image obek engan menggunakan interpolasi nearest neighbor. Hasil ari optimaliasi training aalah apat iektahui ukuran atau imensi image obek yang paling baik seemikian hingga terbaik akurasinya. Seangkan proses eteksi obek non-rth aalah suatu proses untuk meneteksi image obek non-rth yang iambil ari citra engan mengklasifikan image obek ke alam kelas yang sesuai engan kelas riil. Proses ini ilakukan engan input ata image obek non- RTH yang icropping ari citra. Aplikasi eteksi obek non-rth selengkapnya apat ilihat paa Gambar 5. B. Ui Coba Sistem Ui coba sistem secara garis besar meliputi ua bagian yaitu pertama ui coba aplikasi alam membangun moel eteksi obek non-rth engan melibatkan beberapa struktur moel NBC (multi moel NBC) meliputi NBC-, NBC-, NBC-3, NBC-4, NBC-5, NBC-6, NBC- 7 an NBC-8. Struktur moel eteksi obek non- RTH yang melibatkan beberapa moel NBC tersebut, mengacu paa struktur eteksi alam bentuk tree seperti Gambar 4. Ui coba keua aalah ui coba aplikasi alam meneteksi image obek non-rth yang iambil ari citra Google Earth Kota Malang. Dari hasil training membangun struktur moel NBC tersebut, selanutnya ihasilkan struktur multi moel TAN alam bentuk tree, engan melibatkan NBC-, NBC-, NBC-3, NBC-4, NBC-5, NBC-6, NBC-7 an NBC-8, seperti paa Gambar 6. Hasil ui coba engan menggunakan 00 sampel image obek non-rth yang teriri ari 0 sampel image obek RTH rumah tinggal, 0 image obek geung/kantor, 0 image obek lapangan, 0 image obek sawah an 0 image obek alan, secara umum menunukkan bahwa sistem apat meneteksi engan akurasi 8 %. Secara rinci hasil eteksi tersebut tunukkan engan matrik confusion seperti paa Gambar 7 Rumah Sawah Gambar5 Tampilan aplikasi Rumah/Geung/Kantor NBC- 96.5% Non-Rumah/Geung/ Kantor NBC- 9.67% NBC % Geung/Kantor Non-Jalan NBC-4 Sawah/lapangan Non-Sawah/Lapangan NBC % NBC % lapangan TPU 80% Non Hutan Kota/ Sempaan Sungai Jalan Hutan Kota/Sempaan Sungai NBC-8 NBC-7 80% 00% Taman Kota Hutan Kota Sempaan Sungai Gambar 6 Struktur multi Moel NBC untuk meneteksi non-rth Kota Malang *) =Rumah(non-RTH), =Geung/Kantor(non-RTH), 3=Jalan(non-RTH), 4=Lapangan(non-RTH), 5=Sawah(non- RTH), 6=Taman Kota,7=TPU, 8=Hutan Kota, 9=Sempaan Sungai Gambar 7 Matrik confusion eteksi obyek non- RTH Kota Malang 6

5 V. KESIMPULAN Langkah-Langkah alam membangun aplikasi eteksi non-rth Kota Malang berasarkan image Google Earth antara lain, pertama membangun apliaksi akusisi ata image obek non-rth, keua membangun aplikasi preproses untuk merubah image obek non-rth menai grayscale, ketiga membangun aplikasi training ata untuk menapatkan beberapa struktur moel NBC (multi moel NBC) eteksi image obek non-rth Kota Malang beserta estimasi parameternya, an terakhir membangun aplikasi eteksi image obek non-rth berasarkan beberapa struktur moel yang telah ibangun an parameter yang telah iestimasi. Hasil ui coba engan menggunakan 00 sampel image obek non-rth yang teriri ari 0 sampel image obek RTH rumah tinggal, 0 image obek geung/kantor, 0 image obek lapangan, 0 image obek sawah an 0 image obek alan, secara umum menunukkan bahwa sistem apat meneteksi engan akurasi 8 %. VI. REFERENSI [] Antara. (00). RTH Berkurang, Malang Jai Kota Banir. Surat Kabar Antara, 8 November 00. [] Anrew.R. Webb an K.D. Cospey.(0). Statistical Pattern Recognition. Thir Eition. John Wiley & Sons, Lt. [3] BPS Kota Malang. (05). Jumlah Penuuk Kota Malang menurut Jenis Kelamin Tahun [Online]. Dapat iakses i malangkota.bps.go.i, 3 Februari 05. [4] Departemen Pekeraan Umum. (008). Peraturan Menteri Pekeraan Umum No. 5/PRT/M/008 Tentang Peoman Penyeiaan an Pemanfaatan Ruang Terbuka Hiau i Kawasan Perkotaan. [5] [Depagri] Departemen Dalam Negeri. (007). Unang-unang No. 6 Tahun 007 tentang penataan ruang. Jakarta: Depagri. [6] Faikoh. (008). Deteksi Perubahan Ruang Terbuka Hiau. Sekripsi, Departemen Arsitektur Lanskap Fakultas Pertanian- IPB. [7] Halomalang. (0). Ruang Terbuka Hiau Di Malang Semakin Menyusut [Online]. Dapat iakses i halomalang.com. 3 Februari 05. [8] Irwan, B.S. (0). Moel Pengenalan Terbaik Dengan Tree-Augmente Newtork (TAN) an Estimator Maximum Likelihoo (ML) Berasarkan Fitur Obek. Jurnal MATICS. No. 5, Vol. 4, Halaman [9] Irwan, B.S. (0). Moel Pengenalan Karakter Tulisan Tangan Terbaik Dengan Dengan Tree-Augmente Network (TAN) an Estimator Maximum Likelihoo. Jurnal MATICS, No., Vol. 5, Halaman -7. [0] Irwan, B.S.(0). Peningkatan Akurasi Sistem Pengenalan Karakter Tulisan Tangan engan Multi Moel Tree-Augmente Network (TAN). Prosiing Seminar Nasional Green Technology 3. [] Irwan, B.S.(03). Aplikasi Korelasi Pearson Dalam Membangun Moel Tree- Augmente Network (TAN) (Stui Kasus Pengenalan Karakter Tulisan Tangan). Jurnal MATICS, No. 3, Vol. 5, Halaman [] Irwan, B.S.(03). Comparison of Pearson Correlation An Conitional Mutual Information To Construct Moel of Tree- Augmente Network (TAN)(Case stuy character hanwriting recognition). The 4th International Conference Green Technology, Faculty of Science An Technology, Maulana Malik Ibrahim State Islamic University, Malang. [3] Irwan, B.S.(04). Deteksi Obek Nyata (Paa Lingkup: Visualisasi an Deteksi Obek Nyata paa Lingkungan Hiup), Penelitian Penguatan Program Stui Fakultas Saintek UIN Malang. [4] Irwan, B.S.(04). Deteksi Boraks paa Bakso Berbasis Image engan Menggunakan Tree-Augmenete Bayesian Network (TAN). Penelitian Kompetitif Dosen LPM UIN Malang. [5] Kompas. (00). Banir an Longsor Terang Kota Malang. Surat Kabar Harian Kompas, 7 Februari 00. [6] Lab. PerencanaanLanskap Departemen Arsitektur Lanskap Fakultas Pertanian-IPB. Ruang Terbuka Hiau Wilayah Perkotaan. [7] Pablo B. et al. (04). Speeing up incremental wrapper feature subset selection with Naïve Bayes classifier, Knowlege- Base Systems, Elsevier [8] Republika. (008). Malang Sulit Kembangkan RTH [Online]. Dapat iakses i Republika.co.i, Februari 05. [9] Republika. (05). BRI Ancam RTH Kota Malang [Online]. Dapat iakses i Republika.co.i, 3 Februari 05. [0] Roswiyatmoko. (03). Pemanfaatan Citra QuickBir untuk Ientifikasi Ruang Terbuka Hiau Kawasan Perkotaan (Stui Kasus Kecamatan Serpong, Kota Tangerang Selatan). Seminar Nasional Penayagunaan Informasi Geospatial untuk Optimaslisasi Otonomi Daerah

6 [] Tempo. (008). Banir Malang Akibat Pelanggaran Tata Ruang [Online]. Maalah online Tempo Interaktif, terseia i 7 April 008. [] Tempo. (009). Banir Banang an Tanah Longsor Terang Malang, Satu Tewas [Online]. Maalah online Tempo Interaktif, terseia i 4 Pebruari 009. [3] Tempo. (00). Banir Lumpuhkan Layanan PDAM Kota Malang [Online]. Maalah online Tempo Interaktif, terseia i 5 Maret 00. [4] Tempo. (03). Kota Malang Suah Tak Nyaman Lagi [Online]. Dapat iakses i 3 Februari