klasifikasi persentase impervious surface area

Jurnal Ilmu Komputer dan Sistem Informasi
KLASIFIKASI PERSENTASE IMPERVIOUS SURFACE
AREA MENGGUNAKAN METODE BACKPROPAGATION
Anni Ratna
Teknik Informatika Universitas Tarumanagara
Jl. Letjen. S. Parman no.1 Jakarta Barat 11440
Email : [email protected]
menganalisis data yang diperoleh dengan menggunakan
alat, tanpa kontak langsung dengan objek, daerah atau
gejala yang akan dikaji.
Konsep dari perancangan klasifikasi adalah
menggunakan data Orbview-3 dengan mengambil nilai
channel RED, GREEN, BLUE dan NIR (inframerah),
yang
akan
dihitung
menggunakan
metode
Backpropagation
Neural
Network.
Metode
Backpropagation Neural Network digunakan untuk
menghitung nilai bobot pada masing-masing link yang
menghubungkan antara input dengan hidden layer dan
antara hidden layer dengan output. Kemudian, hasil
training sebanyak data sampel diharapkan dapat
mengklasifikasi impervious surface area.
Pada perancangan ini data yang digunakan adalah
citra satelit Orbview-3. Orbview-3 dirancang untuk
menyediakan citra resolusi tinggi dari bumi. Satelit ini
membawa kamera untuk mengambil satu meter resolusi
pankromatik
(hitam-putih)
dan
empat
meter
multispektral resolusi (warna dan inframerah) gambar
dari permukaan bumi. Pada perancangan ini hanya
menggunakan empat nilai yaitu R, G, B dan NIR.
Pada perancangan ini akan digunakan metode dari
Neural Network yaitu Backpropagation. NN mempunyai
kemampuan yang mirip dengan jaringan syaraf otak
pada manusia. Otak manusia terdiri dari banyak neuron
yang akan menyampaikan sinyal. Dengan banyaknya
neuron-neuron, membuat otak bisa mengenali pola,
menyelesaikan perhitungan, melakukan kontrol terhadap
gerak tubuh. Demikian halnya dengan NN, semakin
banyak pembelajaran yang dilakukan terhadap suatu
objek, maka NN akan mengenali objek yang pernah
dibelajari itu. NN akan mempelajari klasifikasi seperti
otak mempelajari untuk mengenali suatu benda semakin
banyak diberikan pembelajaran maka akan semakin
pintar atau pengenalannya akan semakin mendekati
kebenaran.
ABSTRACT
Classification percentage of impervious surface
area is a technique for classifying the percentage of
impervious contained in an image. The purpose is to
determine how much impervious surface in examined
area. The image used is satellite image from OrbView-3.
The method used in this design is Backpropagation
Neural Network. NN has the ability similar to neural
networks in the human brain. NN will learn the
classifications such as the brain learn to recognize an
object the more it will be learning more intelligent or
introduction will be closer to the truth. The input used is
the value of pixel R, G, B and NIR of the image, while its
output is Vegetation, impervious, and Soil. The output of
the program in the form of thematic maps and
impervious percentage of the image under study.
However, the percentange of error from the program is
not known, because there is no accurate data on the
percentage of impervious.
Key words
Backpropagation, Impervious
Network, Remote Sensing.
Surface
Area,
Neural
1. PENDAHULUAN
Urbanisasi merupakan proses yang mempengaruhi
perkembangan kota. Terjadinya perpindahan penduduk
dari desa ke kota disebabkan oleh berbagai faktor, salah
satu faktor tersebut adalah keinginan mendapatkan
penghasilan yang lebih baik untuk kebutuhan hidup.
Salah satu dampak positif dari urbanisasi adalah
berkembangnya bidang pendidikan mulai tingkat sekolah
dasar hingga perguruan tinggi. Sedangkan salah satu
dampak negatif nya adalah peningkatan pembangunan
pada permukaan impervious meliputi jalan, trotoar,
tempat parkir, dan atap rumah. Arti dari impervious
adalah permukaan tanah yang dibangun rumah, trotoar,
jalan, dan tempat parkir - ditutupi oleh bahan tak tembus
air seperti aspal, beton, dan batu.
Untuk membedakan permukaan impervious dengan
lahan yang merupakan tanah biasa dan vegetasi, dapat
digunakan teknologi penginderaan jauh. Penginderaan
jauh adalah ilmu atau seni untuk memperoleh informasi
tentang objek, daerah atau gejala, dengan jalan
2. LANDASAN TEORI
Sistem yang dirancang adalah sistem klasifikasi
impervious surface menggunakan citra satelit Orbview
dengan metode Neural Network Backpropagation
Neural Network. Sistem ini terdiri dari dua tahap yaitu
tahap training dan testing. Data yang akan dipergunakan
11
Jurnal Ilmu Komputer dan Sistem Informasi
dalam perancangan ini adalah data yang diambil dari
satelit Orbview-3 dengan cakupan daerah Jakarta.
2.1 Remote Sensing
Penginderaan jauh adalah ilmu atau seni untuk
memperoleh informasi tentang objek, daerah atau gejala,
dengan jalan menganalisis data yang diperoleh dengan
menggunakan alat, tanpa kontak langsung dengan objek,
daerah atau gejala yang akan dikaji .[1]
Terdapat beberapa komponen dalam penginderaan
jauh, yaitu tenaga, objek, sensor, detektor, wahana.[2]
Sumber tenaga yang digunakan dalam penginderaan jauh
terbagi menjadi 2, yaitu tenaga alami dan tenaga buatan.
Objek dari penginderaan jauh adalah semua benda yang
berada dipermukaan bumi, seperti tanah, gunung, rumah,
air, vegetasi dan yang lainnya.
Terdapat dua sistem penginderaaan jauh, yaitu
penginderaan jauh yang menggunakan tenaga matahari
sebagai tenaga alamiah disebut penginderaan jauh sistem
pasif, dan yang menggunakan sumber tenaga lain
(buatan) disebut penginderaan jauh sistem aktif.[3]
Penginderaan jauh sistem pasif menggunakan pancaran
cahaya, hanya dapat beroperasi pada siang hari saat
cuaca cerah. Penginderaan jauh sistem pasif yang
menggunakan tenaga pancaran tenaga thermal, dapat
beroperasi pada siang maupun malam hari.
Penginderaan sistem aktif sengaja dibuat dan
dipancarkan dari sensor yang kemudian dipantulkan
kembali ke sensor tersebut untuk direkam.
2.2
Gambar 2 Soil
Gambar 3 Vegetation
2.3 Impervious Surface Area
Impervious surface area adalah lahan atau
permukaan tanah yang tidak dapat serap air atau tidak
dapat ditembus oleh air.[5] Lahan yang dimaksud seperti
bagunan, jalan raya, jalan tol. Hal ini berguna untuk
menghindari looping yang tidak akan pernah berakhir.
Teori sistem berbasis aturan ini menggunakan teknik
yang sederhana, yang dimulai dengan dasar aturan yang
berisi semua pengetahuan dari permasalahan yang
dihadapi yang kemudian dikodekan ke dalam aturan IFTHEN dan sebuah tempat penyimpanan (basis data) yang
mengandung data, pernyataan dan informasi awal.
Citra Satelit Orbview
2.4 Jaringan Syaraf Tiruan
Diluncurkan pada tahun 1997, OrbView-2
mengumpulkan citra warna tanah seluruh bumi dan
permukaan laut setiap hari.[4] GeoEye membangun
Layanan SeaStar Informasi Perikanan, OrbView-2
menghemat waktu, bahan bakar dan uang untuk kapal
penangkap ikan komersial dengan membantu mereka
mencari ikan lebih cepat.
OrbView-2 mendeteksi
perubahan kondisi oseanografi digunakan untuk
membuat peta nelayan yang disampaikan langsung
kepada kapten penangkapan ikan di laut.
Satelit OrbView-3 adalah salah satelit pertama di
dunia komersial yang menyediakan citra resolusi tinggi
dari ruang angkasa. OrbView-3 memasok citra resolusi
tinggi. OrbView-3 menyediakan citra yang berguna
untuk berbagai aplikasi seperti utilitas, telekomunikasi,
minyak dan gas, pemetaan, survei, pertanian, kehutanan,
dan keamanan nasional. Pada perancangan ini chanel
yang digunakan adalah channel Red, Green, Blue, dan
NIR. Contoh citra Orbview :
Jaringan syaraf tiruan (JST) atau Neural Network
adalah suatu metode komputasi yang meniru sistem
jaringan saraf biologis. Jaringan Syaraf Tiruan dibuat
pertama kali pada tahun 1943 oleh neurophysiologist
Waren McCulloch dan logician Walter Pits, namun
teknologi yang tersedia pada saat itu belum
memungkinkan mereka berbuat lebih jauh.[6] Jaringan
Syaraf Tiruan biasanya mempunyai 3 group atau lapisan,
yaitu lapisan input yang terhubung dengan lapisan
hidden yang selanjutnya terhubung dengan lapisan
output. Karakteristik dari output tergantung dari aktifitas
lapisan hidden dan bobot antara lapisan hidden dan
output.
Jaringan syarat tiruan memiliki dua arsitektur
jaringan yang sering digunakan, yaitu dengan satu
lapisan (single layer network) dan dengan banyak
lapisan (multi layer network).
Jaringan single layer terdiri dari satu lapisan input
dan satu lapisan output. Setiap neuran yang terdapat
pada lapisan input selalu terhubung dengan setiap neuron
yang terdapat pada lapisan output. Jaringan ini hanya
menerima input kemudian secara langsung akan
mengolahnya menjadi output. Single layer network
dapat dilihat pada Gambar 4.
Gambar 1 Impervious
12
Jurnal Ilmu Komputer dan Sistem Informasi
Fungsi ini mempunyai nilai pada range antara –1
sampai 1
2.4.2 Backpropagation Neural Network
Backpropagation Neural Network telah banyak
diaplikasikan secara luas. Sekitar 90% bahkan lebih, BP
telah berhasil diaplikasikan di berbagai bidang, diantara
nya pengenalan pola tulisan tangan, pengenalan pola
suara,pengolahan citra medika dan masih banyak lagi
keberhasilan BP.[8]
Berikut ini adalah algoritma pembelajaran
Backpropagation Neural Network :[7]
Langkah 0: Inisialisasi bobot keterhubungan
antara neuron dengan menggunakan
bilangan acak kecil (-0.5 sampai
+0.5).
Langkah 1: Kerjakan langkah 2 sampai langkah
9 selama kondisi berhenti yang
ditentukan tidak dipenuhi.
Langkah 2: Kerjakan langkah 3 sampai langkah
8 untuk setiap pasangan pelatihan.
Gambar 4 Single Later Network
Sumber: Laurent Fausett, Fundamental of Neural Networks :
Architectures, Algorithms and Applications, (Englewood Cliffs :
Prentice-Hall, 1994), hal. 13.
Jaringan multi layer memiliki tiga jenis lapisan,
yaitu lapisan input, lapisan hidden, dan lapisan output.
Jaringan multi layer dapat menyelesaikan permasalahan
yang lebih komplek dibandingkan jaringan single layer.
Namun proses pelatihan sering membutuhkan waktu
yang lebih lama dibandingkan dengankan jaringan single
layer. Multi layer network dapat dilihat pada Gambar 5.
(Propagasi maju)
Langkah 3: Setiap unit masukan (Xi) menerima
sinyal masukan xi, dan
menyebarkannya ke seluruh unit
pada lapisan tersembunyi.
Langkah 4: Setiap unit pada lapisan
tersembunyi menjumlahkan seluruh
sinyal yang masuk.
Gambar 5 Multi Layer Network
Sumber: Laurent Fausett, Fundamental of Neural
Networks : Architectures, Algorithms and
Applications, (Englewood Cliffs : Prentice-Hall,
1994), hal. 13.
Kemudian setiap unit pada lapisan
tersembunyi memakai fungsi
aktifasi untuk menghasilkan sinyal
keluaran.
2.4.1 Fungsi Aktivasi
Dalam jaringan saraf tiruan, fungsi aktivasi
digunakan untuk menentukan keluaran suatu neuron.
Ada beberapa bentuk fungsi aktivasi yang umum
digunakan dalam Neural Network, antara lain Fungsi
Tangga Biner, Fungsi Linear (identitas), Fungsi Sigmoid
Biner, dan Fungsi Sigmoid Bipolar.[7]
1. Fungsi tangga biner
Jaringan dengan lapisan tunggal sering menggunakan
fungsi tangga biner untuk mengkonversikan input
dari suatu variabel yang bernilai kontinu ke suatu
ouput biner (0 atau 1).
2. Fungsi linear (identitas)
Fungsi linear memiliki nilai output yang sama
dengan nilai inputnya.
3. Fungsi sigmoid biner
Fungsi ini mempunyai nilai pada range 0 sampai 1.
4. Fungsi sigmoid bipolar
Karena yang digunakan fungsi
sigmoid biner maka :
didistribusikan ke seluruh neuron
pada lapisan keluaran.
Langkah 5: Setiap unit pada lapisan keluaran
menjumlahkan seluruh sinyal yang
masuk
13
Jurnal Ilmu Komputer dan Sistem Informasi
Langkah 9: Menguji apakah kondisi berhenti sudah
terpenuhi.
Setiap unit pada lapisan keluaran
memakai fungsi aktifasi untuk
menghasilkan sinyal keluaran.
Setelah proses pembelajaran selesai maka
dilanjutkan dengan proses pengenalan. Berikut ini adalah
algoritma pengenalan Backpropagation Neural Network:
Langkah 0: Inisialisasi bobot keterhubungan antara
neuron
yang
diambil
dari
hasil
pembelajaran.
Langkah 1: Kerjakan langkah 2 sampai langkah 4
untuk setiap vektor masukan.
Langkah 2: Untuk i = 1, … , n : set aktifasi dari unit
masukan xi ;
Langkah 3: Untuk j = 1, … , p:
(Propagasi balik)
Langkah 6: Setiap unit pada lapisan keluaran
menghitung informasi error antara
sinyal yang dihasilkan dengan target
dari pola.
Menghitung koreksi beban.
Menghitung koreksi bias.
Langkah 4: Untuk k = 1, … , m :
Mengirimkan δk ke unit di bawahnya
(lapisan tersembunyi).
Langkah 7: Setiap unit pada lapisan tersembunyi
menjumlahkan seluruh sinyal yang
masuk.
Keterangan :
X = input
Y = output
δk= nilai korekasi kesalahan untuk lapisan
keluaran.
δj= nilai koreksi kesalahan untuk lapisan
tersembunyi.
α = laju pembelajaran.
xi = unit ke-i pada lapisan masukan.
voj = nilai bias unit ke-j pada lapisan tersembunyi.
zj = unit ke-j pada lapisan tersembunyi.
wok = nilai bias pada unit keluaran.
yk = unit ke-k pada lapisan keluaran.
tk = nilai target.
Setiap unit pada lapisan tersembunyi
menghitung informasi error.
Menghitung koreksi beban.
Menghitung koreksi bias.
3. Perancangan
(Penyesuaian bobot)
Langkah 8: Update bobot dan bias pada hubungan
antar lapisan.
Variabel yang digunakan untuk proses perancangan
adalah :
1. Jumlah neuron dilapisan masukan adalah 4.
2. Jumlah neuron dilapisan keluaran adalah 1.
3. Jumlah neuron dilapisan tersembunyi adalah 2.
4. Lapisan input diambil dari nilai RED, GREEN,
BLUE, dan NIR.
5. Nilai bobot awal diambil dari nilai -0.5 sampai 0.5.
Setiap lapisan tersembunyi meng-update
bobot dan bias.
Diagram hirarki dari perancangan persentase
impervious ini dapat dilihat pada Gambar 6.
14
Jurnal Ilmu Komputer dan Sistem Informasi
Gambar 6 Hasil Klasifikasi Daerah Monas
Gambar 6 Diagram Hirarki
4. PEMBUATAN
Pembuatan
program
klasifikasi
persentase
impervious surface area menggunakan metode
Backpropagation Neural Network terdiri dari beberapa
tahap sebagai berikut :
1. Mencari kajian pustaka dan referensi yang
berhubungan dengan Backpropagation Neural
Network melalui buku-buku, jurnal, artikel, paper,
skripsi, dan internet untuk dasar teori.
2. Mengumpulkan data training sampel yang diperoleh
dengan mengobservasi citra Orbview-3 secara visual.
3. Membuat program dengan menggunakan bahasa
pemrograman Visual Studio 2010 dan Microsoft
Access 2010.
4. Setelah membuat program dengan menggunakan
bahasa
pemrograman
Visual
Studio
2010
Profesional, langkah selanjutnya adalah melakukan
pengujian fungsi pada prosedur setiap modul yang
telah dibuat dengan tujuan untuk memastikan modul
menjalankan fungsinya masing-masing dengan baik.
5. Melakukan pengujian kinerja program untuk melihat
apakah program yang dibuat dapat melakukan
klasifikasi pada nilai-nilai citra baru secara tepat dan
akurat.
6. Membuat manual book untuk membantu user
mendapatkan
panduan
penggunaan
program
klasifikasi secara bertahap sehingga user dapat
memahami cara kerja program ini.
Gambar 7 Hasil Klasifikasi Daerah Masjid Istiqlal
Gambar 8 Hasil Klasifikasi Daerah Jendral Ahmad Yani
5. PENGUJIAN
Gambar 9 Hasil Klasifikasi Daerah Kebun Jeruk
Variabel yang digunakan untuk pada saat proses
pembelajaran adalah :
1. Laju pembelajaran sebesar 0.1, 0.12, 0.15, dan 0.2.
2. Maksimum epoch sebesar 10.000, 20.000, dan
30.000
3. Maksimum kesalahan sebesar 0.1 dan 0.25.
6. KESIMPULAN
Berdasarkan hasil pengujian pada program klasifikasi
persentase impervious tersebut, dapat ditarik kesimpulan
sebagai berikut:
1. Program tersebut dapat menghasilkan persentase dari
citra yang akan diuji.
2. Dari
hasil
percobaan
nilai
bobot
acak
backpropagation neural network berpengaruh pada
hasil klasifikasi. Setiap melakukan training maka
nilai nya akan berubah dan hasil klasifikasinya juga
Pengujian dilakukan untuk melihat keberhasilan
dalam mengklasifikasi citra yang akan diuji. Hasil
pengujian klasifikasi dapat dilihat pada gambar dibawah
ini :
15
Jurnal Ilmu Komputer dan Sistem Informasi
akan ikut berubah. Namun tidak hanya nilai bobot
acak saja yang mempengaruhi hasil klasifikasi,
warna pada gambar juga dapat mempengaruhi hasil
klasifikasi.
3. Dari hasil percobaan terdapat beberapa hasil
klasifikasi yang sangat jelek, misalnya pada citra
tersebut dideteksi 100% impervious atau ada juga
yang dideteksi 0% impervious.
REFERENSI
[1] Lillesand, Kiefer, Penginderaan jauh dan Interpretasi Citra,
Yogyakarta : Gajah Mada University Press, 1988..
[2] Samantri Lili, Teknologi Penginderaan Jarak Jauh,
http://file.upi.edu/Direktori/FPIPS/JUR._PEND._GEOGR
AFI/132314541-LILI_SOMANTRI/makalah_Guru.pdf.
[3] Cut Maerah, Penginderaan Jauh,
http://younggeomorphologys.files.wordpress.com/2010/02/
penginderaan-jauh.pdf,.
[4] GeoEye Constellation, Geoeye Elevating insight,
https://docs.google.com/viewer?a=v&q=cache:_6fnFeIi9p
MJ:www.geoeye.com/CorpSite/assets/docs/brochures/Geo
Eye_Constellation.pdf
[5] Weng Qihao, Remote Sensing of Impervious Surfaces.
(Boca Raton : Taylor and Francis Group 2008).
[6] Eli Yani, Materi Kuliah Pengantar Jaringan Saraf Tiruan,
(Jakarta: MateriKuliah.com, 2005)
[7] Laurent Fausett, Fundamental of Neural Networks :
Architectures, Algorithms and Applications, (Englewood
Cliffs : Prentice-Hall, 1994).
[8] Andi. Jaringan Syaraf Tiruan.
https://lecturer.eepisits.edu/~entin/Kecerdasan%2520Buata
n/Buku/Bab%25208%2520Jaringan%2520Syaraf%2520Tir
uan.pdf.
Penulis Pertama : Anni Ratna, saat ini sebagai mahasiswa
fakultas Teknik Informasi program studi Teknik Informatika
Universitas Tarumanagara.
16