BAB I PENDAHULUAN 1.1. Latar Belakang Hasil sensus jumlah penduduk di Indonesia, dengan luas wilayah kurang lebih 1.904.569 km 2 menunjukkan adanya peningkatan jumlah penduduk, dari tahun 2010 jumlah penduduknya sekitar 237.556.363 jiwa, pada tahun 2012 menurut penelitian diperkirakan naik sekitar 257.516.167 jiwa (lihat di tutorialto.com, 2012), sehingga ada kenaikan jumlah penduduk kurang lebih sekitar 8,4%. Peningkatan jumlah penduduk yang sangat pesat telah mengakibatkan kebutuhan lahan pun semakin meningkat. Lahan yang ada terbatas sedangkan kebutuhan akan lahan makin meningkat maka terjadilah proses alih fungsi lahan. Terutama di Pulau Jawa dengan jumlah penduduk sekitar 136 juta jiwa dan luas wilayah 126.700 km² (dapat dilihat pada wikipedia, 2013), sangat dirasakan perubahan alih fungsi lahan yang sangat tinggi dari pertanian ke non pertanian, yang tidak jarang sering mengakibatkan konflik terhadap lahan tersebut. Untuk melakukan perencanaan maupun pengawasan perkembangan suatu wilayah, informasi data penggunaan lahan sangat berperan penting sehingga penggunaan lahannya dapat dimanfaatkan secara optimal dan tetap menjaga kelestariannya, serta meminimalkan terjadinya konflik terhadap lahan. Lillesand et. al., (2008) menyebutkan bahwa istilah penggunaan lahan berkaitan dengan kegiatan manusia pada bidang lahan tertentu, seperti permukiman, sawah, hutan dan sebagainya. Teknologi penginderaan jauh merupakan salah satu cara yang dapat dimanfaatkan untuk menurunkan data penutup lahan sebelum akhirnya diterjemahkan menjadi informasi penggunaan lahan, karena fungsi penggunaan lahan tidak dapat digambarkan langsung dengan nilai piksel. Untuk menghemat biaya penelitian pada wilayah yang luas, teknologi penginderaan jauh dapat dijadikan alternatif, selain dengan cara pengukuran langsung dilapangan, tapi tentu saja ketelitiannya jauh lebih bagus apabila dilakukan pengukuran langsung di lapangan. Teknologi penginderaan jauh berbasis satelit sumberdaya yang bisa digunakan untuk mengekstraksi data penutup lahan misalnya Landsat, SPOT, ASTER, ALOS, Ikonos dan Quickbird. Resolusi spasial yang dihasilkan oleh satelit sumberdaya pun berbeda dari resolusi spasial rendah, sedang dan tinggi. Apabila menginginkan informasi yang detil atau rinci bisa memanfaatkan citra dengan resolusi spasial tinggi 1
seperti Citra Ikonos ataupun Quickbird, jika hanya ingin membedakan batas secara umum misal batas antara desa dan kota, atau hanya informasi penutup lahan (land cover) bisa dengan menggunakan citra dengan resolusi spasial rendah seperti Citra Landsat. Sedangkan untuk resolusi spasial sedang bisa dimanfaatkan untuk kebutuhan informasi yang kedetilannya tidak terlalu tinggi juga tidak terlalu rendah. Salah satu citra yang memiliki resolusi spasial sedang yaitu citra ALOS AVNIR-2. Citra ALOS AVNIR-2 merupakan salah satu citra yang dihasilkan oleh satelit ALOS. Satelit ALOS (Advanced Land Observing Satellite) merupakan satelit sumber daya milik Jepang, yang terdiri dari tiga sensor yaitu Panchromatic Remote Sensing Instrument for Stereo Mapping (PRISM) dengan resolusi 2,5 meter, Advanced Visible and Near Infrared Radiometer type-2 (AVNIR-2) resolusi 10 meter dan Phased Array type L-band Synthetic Aperture Radar (PALSAR) resolusi 10 meter dan 100 meter. Walaupun saat ini sudah tidak beroperasi namun data yang dihasilkan masih banyak dimanfaatkan untuk berbagai macam kebutuhan informasi dan ekstraksi data. Menurut Lillesand et al. (2008) informasi penggunaan lahan tidak selalu dapat ditafsir langsung dari penutup lahannya oleh karena itu diperlukan informasi pelengkap untuk menentukan penggunaan lahan. Dari sini maka untuk menurunkan informasi penggunaan lahan dari citra penginderaan jauh diperlukan informasi pendukung diantaranya seperti data bentuk lahannya atau bisa dengan local knowledge mengenai wilayah tersebut. Danoedoro (2004a dalam Denaswidhi, 2012) menjelaskan bahwa penutup lahan merupakan tipe kenampakan permukaan bumi yang belum mempunyai kaitan dengan fungsi sosial ekonomi dan bersifat sesaat, sehingga ekstraksi informasi penutup lahan dapat langsung dilakukan berdasarkan nilai spektral yang merupakan interaksi antara objek dan tenaga elektromagnetik untuk selanjutnya dapat dianalisis berdasarkan aspek sosial, temporal, ekologis dan sosial ekonomis untuk dapat menjadi informasi penggunaan lahan, selain itu pengetahuan mengenai penutup lahan dapat menjadi informasi awal sebagai arahan ke penggunaan lahannya. Saat ini telah berkembang metode klasifikasi multispektral yang bisa dilakukan melalui berbagai pendekatan diantaranya menurut Jensen (2005) hard classification atau soft classifaction tergantung output yang dikehendaki, sedangkan berdasarkan distribusi datanya dapat menggunakan algoritma pendekatan parametrik misal maximum likelihood atau dengan pendekatan non parametrik misal jaringan syaraf tiruan (artificial neural network). Proses klasifikasi multispektral tersebut diproses 2
dengan menggunakan bantuan perangkat komputer, menurut Danoedoro (2012) berdasarkan tingkat otomatisasinya dapat dibedakan menjadi klasifikasi terselia (supervised classification) dan klasifikasi tak terselia (unsupervised classification). Salah satu contoh algoritma yang menggunakan pendekatan parametrik yaitu algoritma maximum likelihood. Pendekatan parametrik mengamsusikan bahwa distribusi statistik kelas digambarkan dengan data yang terdistribusi normal atau bayesian. Sedangkan pendekatan non parametrik tidak mengharuskan distribusi statistik kelas digambarkan secara normal, salah satu contoh pendekatan non parametrik yaitu jaringan syaraf tiruan (artificial neural network), dimana kelebihan dari pendekatan non parametrik kemampuannya dalam menggabungkan data sepktral dan data non spektral, yang diasumsikan dengan menambah data non spektral maka akurasi yang dihasilkan juga meningkat.. 1.2. Perumusan Masalah Teknologi penginderaan jauh merupakan salah satu cara yang dapat dimanfaatkan untuk menurunkan data penutup lahan sebelum akhirnya diterjemahkan menjadi informasi penggunaan lahan. Menurut Lillesand et al. (2008) data penginderaan jauh merupakan hasil interaksi antara tenaga elektromagnetik dengan objek yang diindera yang direkam oleh sensor, dimana setiap objek mempunyai karakteristik tertentu dalam berinteraksi dengan setiap spektrum elektromagnetik, selain itu Danoedoro (2012) juga menyebutkan bahwa pada prinsipnya setiap benda memiliki struktur partikel yang berbeda, dimana perbedaan ini akan mempengaruhi pola respon elektromagnetiknya, hal tersebut dapat dijadikan landasan pembedaan objek. Banyak penelitian mulai dikembangkan terkait dengan karakteristik pola respon spektral tersebut, diantaranya untuk mengektraksi data penutup lahan dari citra satelit. Pendekatan yang mulai berkembang untuk menurunkan informasi penutup lahan/penggunaan lahan tersebut diantaranya adalah klasifikasi berbasis logika samar (fuzzy logic), metode fuzzy sangat membantu saat proses pengambilan sampel, di mana tidak terjadi pemaksaan keanggotaan piksel untuk masuk ke dalam satu kelas saja ( soft classification). Sampel yang diambil juga tidak harus piksel murni, dapat diambil pada mixed pixel. Seperti diketahui bahwa dari sudut pandang penginderaan jauh fenomena geografis pada level skala menengah dan rendah bersifat fuzzy artinya tidak ada batas yang jelas (dalam arti tajam) antara fenomena-fenomena geografis tersebut. Masalah 3
mixed pixel terutama terjadi pada citra penginderaan jauh resolusi spasial menengah dan resolusi spasial rendah, dimana di dalam satu piksel citra dapat terdiri dari dua atau lebih jenis objek. Permasalahannya adalah metode pendekatan berbasis logika samar (fuzzy logic) secara operasional sistematik masih jarang digunakan di instansi-instansi yang bertugas dalam pembuatan peta tematik seperti misalnya Badan Pertanahan Nasional RI. Selain itu penggunaan citra penginderaan jauh resolusi spasial menengah di instansi Badan Pertanahan Nasional RI sebagai masukan data penggunaan lahan juga jarang digunakan, data yang tersedia di instansi Badan Pertanahan Nasional RI berupa foto udara skala besar, citra dengan resolusi spasial tinggi seperti Citra Quickbird, sedangkan untuk citra dengan resolusi spasial menengah seperti Citra ALOS AVNIR-2 jarang digunakan, oleh karena itu perlu juga dikaji tingkat akurasi dari citra tersebut. Dari permasalahan tersebut maka peneliti melakukan sebuah penelitian yang berjudul : Kajian Metode Defuzzifikasi Maximum likelihood dan Artificial Neural Network untuk Klasifikasi Penggunaan Lahan Berbasis Citra ALOS AVNIR-2 Penelitian ini dilakukan di sebagian wilayah Daerah Istimewa Yogyakarta dan sebagian wilayah Kabupaten Klaten, dengan luasan 1506 x 1505 piksel atau sekitar 15 x 15 km 2 (Citra ALOS AVNIR-2 resolusi spasial sekitar 10 m). Input data yang dilibatkan berupa data spektral dan data non spektral yang berupa kemiringan lereng, solum tanah dan tekstur citra. Pemilihan input data yang dilibatkan berdasarkan asumsi bahwa perbedaan kemiringan lereng menggambarkan perbedaan penggunaan lahannya, untuk solum tanah dengan asumsi bahwa beda kedalaman solum beda pula penggunaan lahannya, sedangkan untuk tekstur citra diasumsikan bahwa pola tekstur yang berbeda menggambarkan penggunaan lahan yang berbeda juga. 1.3. Pertanyaan Penelitian Beberapa pertanyaan penelitian yang muncul dari rumusan permasalahan yang ada adalah sebagai berikut : 1. Bagaimanakah hasil klasifikasi penggunaan lahan dengan menggunakan metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood dan menggunakan algoritma artificial neural network yang melibatkan data spektral dan non spektral? 4
2. Seberapa akurat dan efisien pemetaan penggunaan lahan yang dihasilkan dengan menggunakan metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood dan menggunakan algoritma artificial neural network? 1.4. Tujuan Penelitian Tujuan dari penelitian adalah sebagai berikut : 1. Mengkaji metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood dan menggunakan algoritma artificial neural network serta peta hasil klasifikasi penggunaan lahannya. 2. Mengkaji tingkat akurasi dan seberapa efisien metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood dan menggunakan algoritma artificial neural network yang melibatkan input data spektral ALOS AVNIR-2 dan data non spektral. 1.5. Sasaran Penelitian Sasaran dari penelitian adalah sebagai berikut: 1. Analisis pembahasan perbandingan hasil akurasi klasifikasi penggunaan lahan metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood dibandingkan dengan defuzzifikasi menggunakan algoritma artificial neural network. 2. Peta penggunaan lahan hasil klasifikasi dengan metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood dan menggunakan algoritma artificial neural network baik yang melibatkan data spektral dan non spektral. 1.6. Manfaat Peneltian Penelitian yang dilakukan diharapkan dapat memberikan alternatif metode dalam melakukan klasifikasi penggunaan lahan dengan akurasi yang lebih baik dan efisien. 1.7. Keaslian Penelitian Hal-hal yang membedakan penelitian ini dengan penelitian sebelumnya antara lain daerah penelitian, citra penginderaan jauh yang digunakan, metode yang digunakan 5
serta input data yang dilibatkan berbeda, yang dapat dilihat pada tabel 1.1. Dalam jurnal penelitiannya Danoedoro (2003) mengintegrasikan informasi spektral, tekstural dan aspek ekologi untuk pemetaan penggunaan lahan, berbasis Citra Landsat Thematic Mapper, yang dilakukan di Ungaran, Semarang, sedangkan dalam penelitian ini memanfaatkan Citra ALOS AVNIR-2 dan ditambahkan variabel kemiringan lereng, solum tanah dan tekstur citra. Samudra (2007) melakukan penelitian dengan menggunakan metode jaringan syaraf tiruan untuk klasifikasi penutup lahan dengan menggunakan Citra ASTER di Kota Salatiga dan sekitarnya, sedangkan variabelvariabel yang dilibatkan yaitu elevasi dan kemiringan lereng, sedangkan penelitian ini juga menggunakan metode jaringan syaraf tiruan sebagai salah satu metode untuk proses defuzzifikasi, tetapi dalam hal ini digunakan untuk klasifikasi penggunaan lahan, variabel-variabel yang dilibatkan juga ditambahkan solum tanah dam tekstur citra, citra penginderaan jauh yang digunakan juga berbeda yaitu Citra ALOS AVNIR-2 dan lokasi penelitian juga berbeda. Selanjutnya Denaswidhi (2008) melakukan penelitian menggunakan pendekatan logika samar (fuzzy logic) untuk menurunkan informasi penggunaan lahan di sebagian Kota Semarang, eksekusi klasifikasi (defuzzifikasi) yang digunakan menggunakan algoritma maximum likelihood dan citra penginderaan jauh yang digunakan yaitu Citra Landsat ETM+ Multitemporal, sedangkan dalam penelitian ini akan menggunakan Citra ALOS AVNIR-2, dimana dilakukan juga proses defuzzifikasi berupa algoritma jaringan syaraf tiruan (artificial neural network). Kurniawan (2012) melakukan penelitian tentang studi kemampuan fuzzy neural network dalam klasifikasi perpiksel penutup lahan dengan menggunakan Citra Landsat 7 ETM+, sedangkan penelitian ini menurunkan informasi klasifikasi penggunaan lahan, serta citra yang digunakan juga berbeda yaitu Citra ALOS AVNIR-2. 6
Penulis (tahun) Danoedoro, P., (2003) Samudra, (2007) I., Lokasi Penelitian Ungaran, Semarang Kota Salatiga dan sekitarnya Tabel 1.1. Penelitian sebelumnya dan penelitian yang dilakukan Tujuan Jenis data Variabel penelitian Landsat - Informasi Thematic tekstur Mapper - Terrain data - Melakukan pemodelan dengan mengintegrasikan informasi spektral, tekstural dan aspek ekologi untuk pemetaan penggunaan lahan berbasis citra satelit - Membuat peta penggunaan lahan khusus penduduk padat di wilayah tropis basah dan uji akurasinya - Mengetahui kemampuan proses klasifikasi penutup lahan menggunakan metode jaringan syaraf tiruan, - Membandingkan hasil klasifikasi metode jaringan syaraf tiruan dengan beberapa simulasi parameter dan penggabungan data spektral dan non spektral (data elevasi dan kemiringan lereng), - Mengetahui hasil klasifikasi metode jaringan syaraf tiruan yang dibandingkan dengan hasil klasifikasi metode maximum likelihood. Data Citra ASTER - elevasi - kemiringan lereng Hasil Hasil overall accuracy menggunakan input 6 band yaitu sebesar 88,71% sedangkan dengan 9 band yang melibatkan informasi tekstural meningkat menjadi 93,34% - Semakin banyak jumlah saluran yang digunakan untuk eksekusi metode jaringan syaraf tiruan, mempengaruhi nilai training RMS, overall accuracy dan Indeks Kappa. - Penggabungan data spektral dan non spektral menghasilkan overall accuracy (76,8519%), overall accuracy tertinggi data spektral (9 saluran) yaitu 78,351 % untuk 27 kelas. Untuk 34 kelas, overall accuracy hasil penggabungan data spektral dan non spektral semua lebih tinggi dari 9 saluran. - Hasil klasifikasi dengan metode maximum likelihood tetap yang paling unggul dari segi waktu 7
Denaswidhi, E., (2008) Kurniawan, W., (2012) Wulansari, H., (2014) Sebagian Kota Semarang Sebagian wilayah Kabupaten Buleleng Sebagian Wilayah Daerah Mengkaji kemampuan pendekatan logika samar (fuzzy logic) untuk menurunkan informasi penggunaan lahan - Mengetahui akurasi hasil klasifikasi perpiksel penutup lahan menggunakan metode fuzzy neural network dengan hanya memanfaatkan data spasial (nilai spektral) sebagai input. - Mengetahui akurasi hasil klasifikasi perpiksel penutup lahan menggunakan metode fuzzy neural network dengan dipadukan dengan data spasial non spektral, meliputi elevasi, lereng dan bentuk lahan. - Mengkaji metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi Data Citra Landsat ETM+ multitemporal Data Citra Landsat ETM+ ALOS AVNIR-2 resolusi - elevasi - lereng - bentuk lahan - kemiringan lereng - solum tanah eksekusi, overall accuracy dan Indeks Kappa - Akurasi keseluruhan (overall accuracy) peta penggunaan lahan yang dihasilkan melalui klasifikasi multispektral dengan pendekatan fuzzy yaitu mencapai 87,5 % dan indeks kappa 0,861. - Kondisi topografi wilayah penelitian yang beragam, klasifikasi dengan pendekatan parametrik (maximum likelihood) memiliki overall accuracy yang sangat rendah yaitu sebesar 60,31% - Pada kondisi topografi yang beragam, hasil klasifikasi ANN baik tanpa parameter spasial non spektral maupun ANN dengan parameter spasial non spektral masing-masing sebesar 59,28% dan 59,28% - Kondisi penutup lahan yang sangat beragam pada tiap piksel citra menghasilkan akurasi tinggi untuk FNN 1 80,41 % dan FNN 2 (data gabungan antara spektral dan non spektral) 76,28% - Secara keseluruhan proses penelitian berhasil dengan baik, menghasilkan peta yang 8
Istimewa Yogyakarta dan Kabupaten Klaten menggunakan algoritma maximum likelihood dan menggunakan algoritma artificial neural network serta peta hasil klasifikasi penggunaan lahannya. - Mengkaji tingkat akurasi dan seberapa efisien metode pendekatan berbasis logika samar (fuzzy logic) dengan defuzzifikasi menggunakan algoritma maximum likelihood dan menggunakan algoritma artificial neural network yang melibatkan input data spektral ALOS AVNIR-2 dan data non spektral. spasial 10 m - tekstur citra informatif dengan klasifikasi yang bervariasi, walaupun dari sudut pandang ketelitian menghasilkan overall accuracy dan indeks kappa yang kurang baik atau kurang layak, namun demikian hasilnya masih dapat diterima. - Untuk 14 kelas penggunaan lahan (overall accuracy 57%, nilai indeks kappa 0,53) dan 8 kelas penggunaan lahan (gabung kelas) dengan overall accuracy 71,53% serta nilai indeks kappa 0,65, proses defuzzifikasi menggunakan algoritma maximum likelihood memiliki nilai akurasi yang lebih baik apabila dibandingkan dengan proses defuzzifikasi menggunakan artificial neural network baik yang hanya menggunakan input spektral saja maupun ditambahkan data non spektral. - Untuk 8 kelas penggunaan lahan (gabung sampel) dengan overall accuracy 74.11% serta nilai indeks kappa 0,68, proses defuzzifikasi menggunakan artificial neural network dengan input 4 band ALOS AVNIR-2 dan 9
data non spektral (diinterpolasi di Idrisi Selva), menghasilkan akurasi yang lebih baik apabila dibandingkan dengan proses defuzzifikasi menggunakan algoritma maximum likelihood. - Dalam segi waktu eksekusi proses defuzzifikasi menggunakan algoritma maximum likelihood lebih cepat 50 kali proses klasifikasinya. 10