BAB III METODOLOGI PENELITIAN

Transkripsi

1 BAB III METODOLOGI PENELITIAN 3.1 Persiapan Tahap persiapan merupakan tahapan penting dalam penelitian tugas akhir ini. Proses ini sangat berpengaruh terhadap hasil akhir penellitan. Pada tahap ini dilakukan persiapan pengadaan data citra satelit daerah kajian, sejumlah perangkat penelitian yang akan digunakan meliputi perangkat keras, dan perangkat lunak Deskripsi Area Penelitian Daerah Peneletian yang dilakuakan pada studi kasus ini adalah daerah Bandung Selatan yang memiliki luas 640, 7239 Ha.Daerah ini terletak di Desa Sukamanah, Kecamatan Rancaekek Kota Bandung, Jawa Barat dengan koordinat geodetik dari 6o LS, 107o BT sampai 6o LS, 107o BT.. Daerah penelitian didominasi oleh lahan persawahan dan juga sedikit permukiman serta pepohonan. Gambaran area penelitian dapat dilihat pada gambar 3.2. di bawah ini. Gambar 3.1. Citra Quickbird Kota Bandung Bagian Selatan 16

2 Gambar 3.2. Daerah Penelitian, Desa Sukamanah, Kecamatan Rancaekek, Bandung Selatan Data yang Digunakan Citra Satelit yang Digunakan Pada penelitian ini digunakan data sebagai berikut : Citra satelit Quickbird wilayah Desa Sukamanah, Kecamatan Rancaekek, Bandung Seltan, tanggal 13 Agustus Data tersebut telah mengacu pada datum geodetik WGS 84 dengan sistem koordinat Universal Transverse Mercator dan sistem proyeksi TM-6o. Data citra yang diperoleh terdiri atas 3 band visibel light (merah, hijau, biru) Perangkat yang Digunakan Adapun perangkat lunak yang digunakan diantaranya : 1. Arc GIS Global Mapper Definiens Professional (lisensi dari PT Barista Geoinformatika). 17

3 3.2 Pengolahan Citra Satelit Dalam aplikasi metode Object Based Image Analysis (OBIA) dalam pendeteksian lahan sawah terdapat tiga tahapan penting, yaitu pra pengolahan citra, Object Based Segmentation, Object Based Supervised Classification Pra Pengolahan Citra Data citra yang didapatkan dari satelit tidak dapat langsung digunakan untuk proses segmentasi dan analisis karena masih mengandung kesalahan geometri yang bersifat sistematis. Pra pengolahan citra adalah langkah dasar pengolahan citra agar citra tersebut terbebas dari kesalahan sistematis dan mempunyai bentuk yang sedekat mungkin dengan bentuk aslinya permukaan bumi. Dalam penelitian ini pra pengolahan citra meliputi koreksi geometrik, pemotongan citra, dan peningkatan kualitas citra Koreksi Geometrik Data pada penelitian ini merupakan data citra Quickbird wilayah Bandung Selatan. Data citra yang diperoleh telah dilakukan proses koreksi geometri oleh penyelenggara citra Quickbird tersebut yakni DigitalGlobe. Citra yang diperoleh sudah memiliki proyeksi peta dan juga sudah terdifinisi pada koordinat sistem yang unik. Proyeksi peta yang digunakan adalah TM-6 o dengan sistem koordinat Universal Transvere Mercator. Karena citra sudah terkoreksi dari kesalahan geometri citra maka tidak dilakukan kembali proses koreksi geometrik pada penelitian ini Pemotongan Citra berdasarkan Wilayah Studi Data citra yang didapatkan meliputi wilayah Kota Bandung (Gambar 3.1.) sedangkan daerah yang digunakan sebagai kajian dalam penelitian ini adalah daerah Bandung Selatan dimana kawasan tersebut didominasi oleh lahan persawahan. Oleh karena itu perlu dilakukan pemotongan citra pada daerah penelitian yang akan digunakan. Pemotongan citra dilakukan pada citra satelit Quickbird yang telah terkoreksi geometrik. Pemotongan citra dilakukan pada batas wilayah 6 o LS, 107 o BT sampai 6 o LS, 107 o BT. Gambar 3.2. menunjukan citra hasil pemotongan sesuai daerah kajian. 18

4 Peningkatan Kualitas Citra Peningkatan kualitas citra adalah suatu proses untuk mengubah sebuah citra menjad citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang biasa dilakukan misalnya dengan fungsi transformasi, operasi matematis, pemfilteran, dan lainnya. Tujuan utama dari peningkatan kualitas citra adalah memproses citra sehingga citra yang dihasilkan lebih baik daripada citra aslinya untuk aplikasi tertentu (Sutoyo, et al., 2009). Peningkatan kualitas citra yang dilakukan dalam penelitian ini adalah proses peregangan kontras (contrass strecthing) (Lillesand & Kiefer Ralph, 1994).Penajaman dengan perentangan kontras memperluas daerah tingkat keabuan/ nilai piksel sehingga nilai tersebut dapat digambarkan dalam daerah tingkat keabuan yang penuh (Purwadhi, 2001). Hal ini dilakukan untuk mengatur kontras dari keseluruhan citra sehingga didapatkan citra yang lebih baik. Pada gambar 3.2. dapat dilihat bahwa tingkat kecerahan daerah tidak merata, di sebelah barat terlihat lebih gelap dan di sebelah timur terlihat lebih cerah. Hal ini disebabkan oleh kabut, awan, atau intensitas pencahayaan matahari yang berbeda. Oleh karena itu perlu dilakukan peningkatan kualitas citra dengan peregangan histogram (histogram strech) dengan nilai rentang 3! (standar deviasi). Setelah itu dapat dilihat pada citra kajian hasil peregangan (Gambar 3.3), didapat visualisasi yang lebih baik sehingga jalan setapak pada perbatasan petak sawah lebih terlihat. Gambar 3.3. Citra Kajian setelah Peregangan Kontras 19

5 3.2.2 Object Based Segmentation Setelah dilakukan pra pengolahan citra pada citra lahan sawah maka langkah selanjutnya adalah melakukan segmentasi. Proses identifikasi lahan sawah dengan menggunakan metode OBIA ini dilakukan dengan menggunakan e- Cognition software (Definiens Imaging, 2006). Segmentasi pada dasarnya merupakan proses membuat objek yang berupa poligon dari citra. Metode yang dilakukan untuk segmentasi adalah muliresolution segmentation. Pembuatan poligon didasarkan pada beberapa parameter segmentasi yaitu scale parameter, color, shape factor, compact, dan smooth. Parameter yang paling penting adalah Scale Parameter dimana parameter ini menentukan seberapa banyak jumlah piksel yang menyusun satu buah objek (poligon). Color mendefinisikan jumlah poligon berdasarkan heterogenitas warna, shape mendefinisikan jumlah poligon berdasarkan heterogenitas bentuk. Parameter color dan shape bersifat saling berkebalikan, sehingga color ditambah shape harus sama dengan satu. Semakin besar nilai color semakin peka poligon yang terbuat berdasarkan perbedaan nilai warna/rona. Sebaliknya, semakin besar nilai shape, semakin kecil nilai color, maka poligon yang terbuat akan mempertahakan bentuk dibanding membuat keragaman warna. Smooth dan compact merupakan parameter turunan dari shape. Apabila shape bernilai nol maka parameter smooth dan compact tidak aktif. Smooth memberikan nilai kehalusan pada egdes poligon yang terbuat dan compact memberikan nilai kekakuan pada edges poligon yang terbuat. Serupa dengan parameter sebelumnya, smooth dan compact pun bersifat saling berkebalikan. Dalam segmentasi ditentukan nilai kelima parameter di atas untuk mendapatkan segmentasi terbaik sesuai dengan yang diharapkan. Satu set segmentasi disebut satu level data. Level data yang baik diindikasikan dengan terbentuknya image object yang sesuai dengan kenampakan visual citra sehingga segmentasi yang terbentuk berbasiskan objek. Pada beberapa kasus segmentasi seringkali tidak hanya dibutuhkan satu level data untuk mendeskripsikan suatu objek sehingga diperlukan beberapa level data untuk mengidentifikasi dan mengklasifikasi. Pada penelitian ini, citra kajian dibagi menjadi dua bagian membujur, bagian kiri (barat) dijadikan wilayah kajian dalam penentuan kombinasi segmentasi 20

6 terbaik bagi setiap objek dan juga penentuan parameter klasifikasi bagi setiap objek. Setelah setiap objek dapat diidentifikasi dan diklasifikasikan dengan baik kemudian semua parameter yang terbentuk diuji coba ke bagian citra kanan (timur). Gambar 3.4. menunjukkan ilustrasi pembagian daerah untuk pencarian kombinasi segmentasi dan klasifikasi terbaik. Gambar 3.4. Pembagian Wilayah Kajian dalam Penentuan Kombinasi Segmentasi dan Klasifikasi Terbaik Gambar 3.5. Citra Hasil Segmentasi Sebagian Kecil Area Kajian. Poligon-poligon terbentuk berdasarkan parameter yang ditentukan. Dilakukan percobaan segmentasi pada citra kiri (barat). Gambar 3.5 menunjukkan citra hasil segmentasi pada level tertentu. Pada penelitian ini dilakukan eksperimen kombinasi parameter segmentasi yang meliputi scale parameter 5, 10, 20, 30, 40, dan 50 dan kombinasi persentase parameter yang lain. Diambil sebagai sampel percobaan yaitu nilai tengah (moderate) dari 21

7 setiap scale parameter. Gambar 3.6 merupakan skema percobaan yang dilakukan untuk mendapatkan segmentasi terbaik untuk lahan sawah. Gambar 3.6. Skema Percobaan Pencarian Segmentasi Terbaik Penamaan level data berdasarkan nilai scale parameter yang diikuti abjad sebagai keterangan persentase parameter segmentasi, yaitu sebagai berikut : abjad a, persentase color 10%, smooth 90% abjad b, persentase color 50%, smooth 50% abjad c, persentase color 90%, smooth 10% Dari setiap level data menghasilkan segmentasi yang berbeda-beda. Perbedaan segmentasi ini memang diperlukan untuk mengidentifikasi objek sesuai karakteristiknya. Sebagai contoh, untuk segmentasi atap bangunan lebih baik menggunakan coarse segmentation (> level 50) karena dapat terbentuk dengan jelas poligon atap rumah sedangkan untuk segmentasi hutan lebih baik menggunakan fine segmentation (level 5, 10, 20, 30) karena unsur-unsur poligon kecil sebagai penyusun utama objek hutan Object Based Supervised Classification Klasifikasi dilakukan setelah data citra tersegmentasi. Klasifikasi bertujuan untuk menidentifikasi suatu objek sehingga menjadi objek unik yang berbeda dengan objek lainnya. Pengklasifikasian menggunakan metode OBIA berbasis pada karakteristik objek yang akan diklasifikasikan. Lahan sawah sebagai objek utama penelitian dideskripsikan berdasarkan karakteristiknya, mulai dari bentuk, ukuran luasan, nilai digital number lahan sawah, serta relasi lahan 22

8 sawah dengan objek sekitarnya, seperti sungai, bangunan, pepohonan, maupun dengan lahan sawah lainnya. Pengklasifikasian menggunakan metode OBIA dideskripsikan dengan parameter- parameter yang menyusun sifat objek yang diklasifikasikan. Parameter tersebut diantaranya: Layer Value (nilai pada band) Yaitu parameter yang mendeskripsikan objek berdasarkan nilai digital number citra objek tersebut. Nilai piksel dapat dilihar dari tingkat kecerahan, nilai piksel setiap bandnya, ataupun perbedaan/ selisih nilai piksel pada setiap bandnya. Layer value tersusun dari beberapa parameter yaitu brightness value, mean red, mean green, mean blue, dan maxx difference Shape (bentuk) Parameter ini mendeskripsikan objek berdasarkan bentuknya. Shape terdiri dari parameter penyusun yang sangat banyak, diantaranya: area, yaitu nilai luas area length, panjang area width, lebar area length/widht, rasio antara nilai panjang dan lebar area border length, panjang garis batas area assymetry, tingkat kesimetrisan area main direction, arah vektor area density, kepadatan area yang terbentuk shape index, tingkat kompleksitas bentuk area compactness, tingkat kesatuan area roundness, tingkat kemulusan batas area Relational (relasi) Parameter ini mendeskripsikan hubungan antara objek yang akan diklasifikasikan dengan objek sekitarnya. Hubungan ini dapat bermacammacam, diantaranya : Existance of, yaitu keharusan mendeteksi kehadiran objek tertentu di sekitar objek kajian. Near of, yaitu hubungan keterdekatan antara objek tertentu dengan objek kajian. Distance to, yaitu jarak antara objek tertentu dengan objek kajian. Number of, yaitu hubungan jumlah objek tertentu yang berdekatan dengan objek kajian. 23

9 Parameter-parameter tersebut didefinisikan dalam satu segmen tertentu, selain itu hubungan relasional juga dapat mendeskripsikan hubungan antar objek terklasifikasi pada level data yang berbeda. Gambar 3.7 menunjukkan hubungan relasional antara objek kajian pada level 40, dengan objek tertentu pada level 50 (super object) maupun dengan level 10 (sub level). Gambar 3.7. Hubungan Objek Kajian dengan Objek Terklasifikasi pada Level yang Berbeda. Penentuan nilai setiap parameter dilakukan dengan mengambil sampel objek klasifikasi dan dibandingkan secara statistik setiap parameter yang akan digunakan. Perbandingan statistik ini digunakan agar didapat nilai batas (threshold) dari setiap parameter sehingga suatu objek dapat terbedakan dengan objek lainnya. Parameter klasifikasi di atas dapat digunakan dengan cara mengkombinasikan semua parameter. Kombinasi paramater-paramater tersebutlah yang menjadi representasi model dari karakteristik objek di dunia nyata. Untuk mengklasifikasi lahan sawah dilihat dari karakteristik spektralnya, dimana lahan sawah yang ditanami padi memiliki penampakan yang berbeda-beda sesuai dengan fase hidupnya. Tabel 3.1 menunjukkan tahap fase kehidupan padi. Tabel 3.1. Fase Kehidupan Padi!"# $%&'# ('&)*+,&+# -'.%/,%)%.#0+1*%#!" $%&'#%2%3#,'*14/546%.#,%7+" "#$%$&"'$($%")*)+,*&$'*" +#-%"$*." #$%$&"'$($%"$/$&"0$,1$/" 2-.($.&$"!"#$" 3" $%&'#,'*14/546%.# 8'9'1%1+:" '-,$/*&"#-2$0&4$")$5&" 0$&$,$&"1$)*" '-%*&66$"1-&5051$&"#$%$&" )*)+,*&$'*"+#-%"($.&$" %"&'$" 7" $%&'#,'*14/546%.# 9'.'*%1+:" 85&95#&4$"250*.:250*."1$)*" ;-.($.&$"($)")*+,$-'." <" $%&'#,%.'." =$%$&"'$($%"0*)$/" )*0$&$,*>")*2*$./$&"/+'+&6" " 24 A$,1$/"2-.($.&$"-/(0'.+ (121#'%')"