METODOLOGI PENELITIAN Waktu dan Lokasi Penelitian ini dilaksanakan mulai Agustus 2003 sampai selesai. Pengolahan data citra Landsat ETM+ dilakukan di Bagian Penginderaan Jauh dan Informasi Spasial Departemen Ilmu Tanah dan Sumberdaya Lahan Tanah Institut Pertanian Bogor. Lokasi utama penelitian ini dilakukan di lahan milik PT. Sang Hyang Seri Sukamandi Kecamatan Ciasem dan sekitarnya dipilih sebagai lokasi yang dominan penutupan/pengunaan lahan padi sawah sedangkan untuk lokasi yang dominan tanaman tebu dilakukan di areal perkebunan PT. Rajawali Nusantara Unit Pasir Bungur Kecamatan Purwadadi dan sekitarnya. Kedua Lokasi ini terletak di Kabupaten Subang, Jawa Barat. Secara administratif lokasi penelitian mencakup seluruh Kecamatan Ciasem, Patokbeusi dan sebagian Kecamatan Blanakan, Purwadadi, Cikaum. Peta orientasi lokasi penelitian dapat dilihat pada Gambar 7. Bahan dan Alat Bahan Bahan-bahan yang digunakan dalam pelaksanaan penelitian ini adalah : 1. Citra satelit Landsat ETM+ multitemporal path/row 122/64 tanggal 3 Desember 2000, 15 Juli 2001, 29 April 2002, 18 Juli 2002 dan 31 Maret 2003. Citra Landsat ETM+ komposit 5,4,2 dapat dilihat pada Lampiran 1-5. 2. Peta administrasi Kabupaten Subang 3. Peta rupa bumi skala 1 : 25.000 lembar 1209-611,1209-612,1209-623,1209-614 dan 1209-621 4. Data jadwal dan realisasi tanam padi sawah dan tebu musim tanam 2002. Data ini selanjutnya akan diilustrasikan dalam bentuk peta yang dijadikan sebagai acuan referensi.
Gambar 7. Peta Orientasi Lokasi Penelitian. 27
28 Alat Alat-alat yang digunakan dalam pelaksanaan penelitian ini adalah : 1. Satu unit Komputer PC Pentium IV 2.40 Ghz 256 RAM, scanner dan printer. 2. Perangkat lunak PCI Geomatics (Geomatica 9.0, OrthoEngine SE 9.0), ArcView 3.3, ArcGIS 9.3 dan perangkat lunak pendukung lainnya. 3. GPS (Global Positioning System) 4. Kamera dan, 5. Alat-alat tulis dan gambar Metode Penelitian Pendekatan yang digunakan dalam penelitian ini adalah analisa citra secara visual dan digital. Penelitian dilakukan melalui beberapa tahapan kegiatan yaitu persiapan, pra pengolahan citra, pengolahan citra, interpretasi visual lahan sawah dan tebu, klasifikasi citra secara digital dengan metode Maximum Likelihood (MLC) dan Back Propagation Neural Network (BPNN), kegiatan lapang dan evaluasi akurasi. Tahapan Penelitian Persiapan penelitian dan Pengumpulan data awal Pada tahap ini dilakukan pengumpulan data awal melalui studi pustaka dan pra survei untuk memperoleh informasi awal, penyiapan bahan dan alat-alat yang digunakan dalam pelaksanaan penelitian, pengolahan awal data citra Landsat ETM+ (interpretasi citra). Perangkat lunak pengolahan data citra Landsat ETM+ yang digunakan adalah PCI Geomatics versi 9.0 (Geomatica dan Orthoengine). Pra Pengolahan Citra Pra prosessing dilakukan untuk menghilangkan kesalahan-kesalahan yang ada pada data citra. Koreksi Radiometrik dan Geometrik merupakan hal yang umum dilakukan untuk ini. Koreksi radiometrik diperlukan untuk memperbaiki kualitas visual citra dan sekaligus memperbaiki nilai-nilai pixel yang tidak sesuai dengan nilai pantulan atau pancaran obyek yang sebenarnya. Selanjutnya dilakukan koreksi
29 geometrik menggunakan Orthoengine/GCP Works dengan menentukan titik kontrol (Ground Control Points). Koreksi geometrik dalam penelitian ini dilakukan dengan dua cara, pertama koreksi geometrik citra pankromatik ke peta (Image to Map), dan kedua koreksi geomatrik citra ke citra (image to image). GCP diperoleh dari peta digital rupa bumi dan observasi lapangan. GCP adalah suatu titik dipermukaan bumi yang diketahui koordinatnya baik pada citra (kolom/piksel dan baris) maupun pada peta yang diukur dalam derajat lintang dan bujur. Syarat dalam pemilihan titik kontrol (GCP) adalah harus tersebar merata di seluruh citra dan merupakan obyek yang relatif permanen artinya tidak berubah dalam waktu pendek misalnya jalan dan sudut bangunan yang dapat diidentifikasi baik pada citra maupun pada peta dan nilai RMS error < 1 piksel. Setelah terkoreksi maka dilakukan proses resampling dengan mengunakan metode tetangga terdekat (nearest neighbour). Proses ini dilakukan untuk menentukan nilai digital terhadap pixel-pixel citra setelah mengalami perubahan posisi hasil koreksi serta menyesuaikan resolusi spasial tiap pixel. Pengolahan citra Pengolahan data citra Landsat ETM+ menggunakan software PCI Geomatics 9.0. Secara umum tahap pengolahan citra adalah sebagai berikut : 1. Penentuan wilayah penelitian Tujuannya adalah untuk penyesuaian ukuran citra yang menjadi objek penelitian karena citra aslinya meliputi area yang luas (185 x 185 km) dan untuk mempermudah analisa dan proses data. Potongan citra dilakukan sesuai dengan ukuran lokasi penelitian yang mengacu pada peta rupa bumi, blok areal dan batas administrasi. 2. Kombinasi Band (band composite) Tujuannya adalah untuk mengetahui secara kuantitatif kombinasi band mana yang akan menghasilkan komposit warna yang optimum, dengan menyertakan faktor koefisien korelasi dan jumlah total ragam diantara berbagai kombinasi band yang ada didalam perhitungan.
30 3. Penajaman citra (image enhancement) dan Pansharpening Tujuannya adalah untuk memperjelas batas antara objek-objek yang berbeda, sehingga meningkatkan jumlah informasi yang dapat diinterpretasikan secara visual pada citra. Terdapat dua jenis penajaman yaitu penajaman spektral (contrast) dan penajaman spasial (filtering). Proses penajaman dilakukan dengan memakai model-model penajaman yang terdapat pada software Geomatica v 9.0. Selain penajaman citra juga dilakukan pengabungan citra (image fusion) pankromatik dan multispektral. pengabungan ini bertujuan untuk meningkatkan informasi spasial yang dapat diperoleh dari citra. Hasil dari pengabungan ini adalah citra multispektral dengan resolusi spasial yang lebih tinggi (15 meter/piksel). Metode yang digunakan adalah dengan menggunakan algoritma Automatic Image Fusion (Zhang, 2002) Klasifikasi Citra Klasifikasi citra dilakukan secara visual dan digital. Klasifikasi secara digital digunakan metode MLC dan BPNN. 1. Klasifikasi Lahan secara Visual Klasifikasi lahan sawah dan tebu secara visual dilakukan dengan cara melakukan delineasi lahan sawah dan tebu secara langsung pada citra komposit hasil fusi antara multi spektral dan pankromatik. Delineasi dilakukan berdasarkan kenampakan citra multi temporal yang digunakan dengan bantuan peta rupa bumi skala 1 : 25.000, data realisasi tanam dan hasil survey lapangan. Proses delineasi penggunaan/penutupan lahan dilakukan secara simultan (Simultanous analysis of multitemporal image). 2. Klasifikasi Lahan secara Digital Metode klasifikasi citra digital yang digunakan dalam penelitian ini adalah metode klasifikasi terbimbing (supervised classification) dengan BPNN dan MLC. Pendekatan ini dilakukan untuk mendapatkan kelas penutupan lahan sesuai dengan training area. Informasi mengenai penutup/pengunaan lahan diperoleh berdasarkan hasil survei ke lapang, data realisasi tanam padi sawah, dan peta landuse Rupabumi. Penentuan training area ditentukan berdasarkan kesamaan
31 warna citra, pola, bentuk, asosiasi. Selanjutnya adalah menentukan kelas lahan sawah, lahan tebu dan bukan lahan sawah atau tebu (kebun, pemukiman, hutan, tegalan/ladang, badan air dan lain-lain). Pelaksanaan klasifikasi citra landsat ETM+ multi temporal dengan metode BPNN dan MLC dilakukan secara berjenjang yaitu : 1. Tahap pertama : Klasifikasi dilakukan untuk setiap data monotemporal, 2. Tahap Kedua : Hasil klasifikasi dari seluruh data digabung untuk memperoleh hasil klasifikasi baru. Proses klasifikasi bertahap ini diskenariokan dalam 5 skema proses klasifikasi. Skema 1 adalah melakukan klasifikasi citra tanggal 3 Desember 2000. Skema 2 melakukan klasifikasi citra tanggal 15 Juli 2001, dimana pada citra tersebut terlebih dahulu dilakukan masking area dengan hasil ekstraksi lahan sawah dan tebu dari klasifikasi pada skema 1. Tujuan masking area adalah untuk melokalisasi lahan sawah dan tebu sehingga dapat meningkatkan hasil analisis. Skema 3 melakukan klasifikasi menggunakan citra tanggal 29 April 2002 dengan lahan sawah dan tebu hasil skema 2 sebagai masking area. Skema 4 melakukan klasifikasi terhadap citra 18 Juli 2002 dengan lahan sawah dan tebu hasil skema 3 sebagai masking area. Skema 5 melakukan klasifikasi menggunakan citra tanggal 31 Maret 2003 dengan masking area hasil lahan sawah dan tebu pada skema 4.
32 Skema 1 (3 Des 2000) Skema 2 (15 Juli 2001) Skema 3 (29 April 2002) Skema 4 (18 Juli 2002) Skema 5 (31 Maret 2003) Training Area dan Uji Seperabilitas Klasifikasi BPNN dan MLC Akurasi Klasifikasi Masking Area Sawah dan Tebu 1 Training Area dan Uji Seperabilitas Klasifikasi BPNN dan MLC Akurasi Klasifikasi Masking Area Sawah dan Tebu 2 Training Area dan Uji Seperabilitas Klasifikasi BPNN dan MLC Akurasi Klasifikasi Masking Area Sawah dan Tebu 3 Training Area dan Uji Seperabilitas Klasifikasi BPNN dan MLC Akurasi Klasifikasi Masking Area Sawah dan Tebu 4 Training Area dan Uji Seperabilitas Klasifikasi BPNN dan MLC Akurasi Klasifikasi Hasil Klasifikasi Skema 1 Hasil Klasifikasi Skema 2 Hasil Klasifikasi Skema 3 Hasil Klasifikasi Skema 4 Hasil Klasifikasi Skema 5 Pengabungan Hasil Klasifikasi Gambar 8. Skema Klasifikasi Lahan Sawah dan Tebu Secara Bertahap Menggunakan Citra Landsat ETM+ Multitemporal.
33 a. Back Propagation Neural network (BPNN) Komponen-komponen neural network terdiri dari hidden node (sampai 25 node), learning rate (0,2), momentum (0,5), minimum error (0,01) dan iteration (100-10000). Struktur Neural Network yang digunakan dalam penelitian ini dapat dilihat pada Gambar 9. Gambar 9. Struktur Neural Network (Back Propagation Neural Network) yang Digunakan Dalam Penelitian. Tahap klasifikasi Metode BPNN sebagai berikut (PCI Help 2001): Creating : Fungsi ini untuk menciptakan dan menginisiasi segmen atau bagian neural network baru untuk proses BPNN. Pada segmen neural network ini dilakukan training untuk mengenali kelas dengan menggunakan program Neural Network Train (NNTRAIN). Training neural network dapat mengklasifikasikan citra dengan program NNCLASS. Program NNREP digunakan untuk menghasilkan report bagi segmen neural network. Programprogram untuk proses neural network adalah NNCREAT, NNTRAIN dan NNCLASS untuk klasifikasi citra multispektral berdasarkan training area. Proses pengolahan citra dengan klasifikasi neural network dilakukan dengan pengenalan kelas. Training : Perintah ini diperlukan untuk training area. Training diperlukan untuk mempelajari pola-pola input dari yang diteliti. Classify : fungsi klasifikasi citra multi spektral dengan menggunakan BPNN dilakukan dengan program NNCREATE dan trainingnya dengan NNTRAIN.
34 Report : fungsi ini untuk menghasilkan report untuk neural network. Model untuk melakukan Proses klasifikasi BPNN dapat dilihat pada Gambar 10. Gambar 10. Model Klasifikasi Backpropagation Neural Network. b. Maximum Likelihood Classification (MLC) Tahap analisis MLC sebagai berikut : Tahap training area : digunakan untuk penyusunan suatu kunci interpretasi secara numerik, didasarkan pada contoh jenis penggunaan lahan atau pengunaan lahan yang telah diketahui atau cek di lapangan dan mewakili. Tahap klasifikasi : setiap pixel pada citra dibandingkan dengan setiap kategori pada kunci numerik Tahap output : output yang dihasilkan dalam bentuk citra terklasifikasi (tipe penutup lahan/penutup lahan) Model untuk melakukan Proses klasifikasi MLC dapat dilihat pada Gambar 11.
35 Gambar 11. Model Klasifikasi MLC. Kegiatan Ground Ceck Lapangan Kegiatan lapangan dilakukan dalam dua tahap, yaitu tahap pra survei dan survei. Daerah yang dilakukan pra survei hampir mencakup seluruh daerah penelitian, namun terlebih dahulu memilih pada wilayah-wilayah yang memiliki jenis pengunaan lahan padi sawah dan tebu. Tahap kedua yaitu survei lapangan yang dilakukan secara intensif pada setiap jenis penggunaan lahan. Tujuan survei ini adalah untuk melakukan pengujian dan verifikasi lebih lanjut kebenaran hasil interpretasi dan klasifikasi. Pengecekan lapangan juga dimaksudkan memperbaiki dan menambahkan informasi yang belum didapat dari interpretasi awal citra satelit. Observasi yang dilakukan pada lokasi sampel adalah untuk : 1. Memperoleh informasi tentang penggunaan lahan di lapangan 2. Membandingkan hasil citra Landsat ETM+ dengan data di lapangan 3. Menguji kesesuaian obyek hasil interpretasi citra/klasifikasi, dan 4. Melakukan ploting hasil observasi lapangan ke hasil interpretasi/klasifikasi.
36 Analisis dan Perbandingan Hasil Klasifikasi 1. Pengujian Akurasi Klasifikasi Evaluasi akurasi tujuannya adalah untuk melihat persentase ketelitian dalam mengkelaskan suatu areal menjadi kelas-kelas penutupan lahan dengan cara menghitung jumlah piksel area contoh (training area) yang diklasifikasikan dengan benar dan salah. Akurasi dievaluasi dengan : (1) overall accuracy, (2) producer s accuracy (3) user s accuracy (4) kappa accuracy dan kesesuaian hasil klasifikasi dengan data referensi. Data referensi yang digunakan antara lain : Data cek lapang yang diambil secara acak pada areal yang dicakup citra satelit lokasi penelitian Jadwal tanam Areal training site yang sudah dibuat sebelumnya dari hasil interpretasi secara visual pada citra satelit. Peta penutup/penggunaan lahan digital dengan ukuran data, resolusi spasial dan waktu pembuatan sama atau hampir sama dengan tanggal data satelit Landsat ETM+ yang digunakan. Tabel 4. Contoh Matrik Konfusi Hasil Diklasifikasikan ke kelas Total klasifikasi kelas 1 kelas 2 kelas k Row Producers kelas 1 n 11 n 1k n 1+ N kk /N k+ kelas 2 kelas k n k1 n kk n k+ Total colom n +1 n +2 n +k N Users N ii /N +k Ukuran akurasi yang digunakan adalah : k 1 overall accuracy n ii N i1 nii producer ' s accuracy x 100 % nk nii user' s accuracy x 100 % n k
37 kappa accuracy N r n r n n kk k k k 1 k 1 x r 2 N nk n k k 1 100 % dimana : N = jumlah semua piksel yang digunakan dalam pengamatan r = jumlah baris atau lajur pada matrik kesalahan (= jumlah kelas) n +k = jumlah semua kolom pada lajur ke- k n k+ = jumlah semua kolom pada baris ke- k 2. Perbandingan Hasil Klasifikasi Perbandingan hasil klasifikasi dilakukan untuk mengetahui perbedaan hasil klasifikasi yang dilakukan dengan MLC dan BPNN. Klasifikasi dengan nilai akurasi yang tertinggi menunjukkan bahwa hasil klasifikasi memiliki persentase ketepatan yang lebih besar. Perbandingan dilakukan terhadap producer accuracy, user s accuracy, overall accuracy dan kappa accuracy dan luasan lahan sawah dan tebu. Secara keseluruhan ringkasan pelaksanaan penelitian dapat dilihat pada skema diagram alir yang disajikan pada Gambar 12.
38 1 Peta rupa bumi Citra Raw Landsat ETM Citra Landsat TM Peta Digital Peta Tematik Koreksi Radiometrik dan Geometrik Pra Pengolahan Pemilihan Area Penelitian Peta Administrasi Peta Penggunaan Lahan Pengolahan Croping area studi Image Enhancement Band composite Training Area Interpretasi visual Peta Tematik Peta Penggunaan Lahan Klasifikasi Non Parametrik Back propagation neural network Parametrik Maksimum Likelihood Pengecekan Lapang 2 Reklasifikasi Survey Visual Interpretasi Data Referensi lainnya data tanaman Matrik Konfusi Kappa Kesesuaian hasil klasifikasi dengan data lapang AKURASI 3 PETA PENUTUP/ PENGGUNAAN LAHAN SAWAH DAN TEBU Gambar 12. Diagram Alir Metodologi Penelitian.