1 BAB I PENDAHULUAN 1.1. Latar Belakang

advertisement
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Perkembangan teknologi penginderaan jauh akhir-akhir ini sangat pesat,
terutama pasca berakhirnya perang dingin. Teknologi penginderaan jauh yang
pada awalnya ditujukan untuk keperluan militer, sekarang sudah diberikan untuk
kepentingan sipil dengan porsi yang lebih besar.
Perkembangan teknologi penginderaan jauh ditandai dengan munculnya
berbagai wahana satelit sebagai perkembangan dari foto udara. Citra satelit yang
dihasilkan juga sangat beragam baik dari segi resolusi spasial, resolusi spektral
maupun resolusi temporal. Keberagaman tersebut memudahkan pengguna untuk
memilih sesuai dengan kebutuhannya.
Citra ALOS merupakan salah satu satelit sumber daya alam milik Jepang,
satelit ini membawa tiga sensor yaitu Prism, Avnir-2 dan Palsar. Prism dan Avnir2 menggunakan sensor pasif dengan resolusi spasial prism 2,5 meter pankromatik
dan avnir-2 dengan resolusio spasial 10 meter untuk multispektralnya, sedangkan
palsar merupakan sensor aktif dengan resolusi spasial 15-18 meter.
Selain itu teknik pengolahan citra satelit juga mengalami kemajuan yang
cukup signifikan, dari awalnya yang hanya dengan cara interpretasi visual
berkembang menjadi digital bahkan dengan rekayasa untuk menghasilkan analisis
interpretasi yang lebih baik. Teknik pengolahan citra satelit secara digital dengan
tujuan menurunkan informasi dari citra satelit menjadi data yang dapat dipahami
oleh pengguna baik yang berupa penutup lahan, penggunaan lahan maupun data
yang lainnya dengan cara digital dengan bantuan komputer menggunakan metode
tertentu.
Penggunaan
teknik
pengolahan
citra
penginderaan
jauh
digital
mempunyai beberapa keuntungan diantaranya dapat dilakukan oleh sedikit
sumber daya manusia (SDM) dan dengan waktu yang cepat. Hal ini dapat
membuat biaya untuk pemrosesan citra penginderaan jauh semakin murah.
Berbeda dengan teknik pengolahan citra secara manual yang sangat tergantung
oleh keahlian dan pengalaman interpreter yang sudah lama, teknik pengolahan
1
citra penginderaan jauh secara digital tidak begitu menuntut keahlian dan
pengalaman yang banyak untuk menghasilkan informasi yang diinginkan, proses
diserahkan kepada komputer sehingga kesalahan yang disebabkan oleh faktor
manusia dapat dikurangi misal kesalahan karena kelelahan interpreter. Operator
pada pengolahan citra digital lebih ditujukan untuk memberikan algoritma, aturan
dan pemilihan metode yang tepat untuk suatu kasus. Hal ini disebabkan suatu
algoritma, aturan dan metode yang bagus untuk suatu kasus belum tentu bagus
untuk kasus yang lain.
Klasifikasi multispektral merupakan salah satu pengolahan citra secara
digital, klasifikasi ini digunakan untuk memisahkan piksel-piksel ke dalam
kelasnya masing-masing. Klasifikasi penutup lahan merupakan bagian yang
berhubungan erat dengan hasil interpretasi. Penutup lahan dapat diketahui atau
dapat
diidentifikasi
menggunakan
citra
penginderaan
jauh
sehingga
memungkinkan untuk memanfaatkan kelebihan dari citra penginderaan jauh
tersebut. Informasi penutup lahan yang diperoleh dari citra penginderaan jauh
masih dapat diturunkan lagi menjadi informasi-informasi yang lain seperti
penggunaan lahan. Data penutup lahan yang digabung dengan data non spektral
memungkinkan analisis untuk memperoleh informasi penggunaan lahan, hal itu
disebabkan penggunaan lahan sangat erat berasosiasi dengan penutup lahan.
Informasi mengenai penutup lahan dan penggunaan lahan sangat
dibutuhkan oleh pihak – pihak terkait terutama pemerintah untuk menetapkan arah
kebijakan pembangunan yang berkesinambungan kaitanya dengan pengelolaan
sumber daya alam. Pembangunan yang berkesinambungan adalah pembangun
yang tidak hanya mengejar kemajuan sesaat akan tetapi ditujukan untuk kemajuan
masa yang akan datang.
Untuk mendapatkan informasi penutup lahan dari citra satelit diperlukan
teknik pengolahan citra satelit, salah satunya adalah metode Support Vector
Machine (SVM). Metode Support Vector Machine (SVM) adalah teknik yang
relatif baru digunakan meskipun konsep dasarnya sudah lama. Metode Support
Vector Machine (SVM) merupakan metode learning machine (pembelajaran
mesin) satu kelas dengan metode jaringan syaraf tiruan yang dapat mengenali pola
2
dari masukan atau contoh yang diberikan dan juga termasuk ke dalam supervised
learning.
Support Vector Machine (SVM) belum begitu populer dibanding dengan
teknik klasifikasi terselia lainnya seperti parallelepiped, minimum distance,
mahalanobis, maximum likelihood dan lainnya. Selama ini klasifikasi maximum
likelihood sering dipakai karena dianggap baik hasil klasifikasinya, akan tetapi
dengan perkembangan ilmu komputasi maka bermunculan juga teknik lain seperti
Artificial Neural Network (ANN) dan Support Vector Machine (SVM).
Support Vector Machine (SVM) merupakan teknik pembelajaran mesin
yang bekerja dengan prinsip structural risk minimization (SRM) dengan tujuan
menemukan hyperplane terbaik yang memisahkan dua kelas pada input. Kajian
mengenai Support Vector Machine (SVM) untuk aplikasi penginderaan jauh
belum banyak dilakukan karena memang Support Vector Machine (SVM) dalam
proses pelaksanaanya membutuhkan parameter yang tepat dan relatif rumit.
Support Vector Machine (SVM) ditemukan sudah lama tapi teknik
tersebut belum banyak digunakan untuk itu perlu dilakukan penelitian mengenai
kombinasi parameter terbaik pada metode Support Vector Machine (SVM)
sehingga mendapatkan hasil yang maksimal untuk klasifikasi penutup lahan yang
kemudian diturunkan menjadi informasi penggunaan lahan, dari hasil uji coba
tersebut maka akan diketahui tingkat keakuratan serta pengaruh masing-masing
parameter serta kombinasi parameter sehingga menghasilkan peta penutup lahan
yang berbasis penggunaan lahan dengan akurasi yang paling baik serta waktu
yang diperlukan oleh masing-masing kombinasi dalam pemrosesan datanya.
1.2.
Rumusan Masalah
Penutup lahan merupakan suatu hal yang penting untuk mendapatkan
informasi tentang kondisi suatu lokasi terutama berkaitan dengan penggunaan
lahannya. Hal ini berguna untuk pihak yang terkait dalam rangka penentuan
kebijakan pembangunan. Penginderaan jauh merupakan salah satu cara yang dapat
mengekstraksi informasi penutup lahan dan penggunaan lahan disamping
menggunakan cara terestris. Penggunaan cara terestris akan mendapatkan hasil
3
yang maksimal akan tetapi membutuhkan sumber daya yang lebih, baik dalam hal
sumber daya manusia (SDM), waktu dan biaya. Pengolahan citra penginderaan
jauh digital diharapkan menjadi alternatif lain untuk mendapatkan informasi yang
dibutuhkan dengan meminimalkan penggunaan SDM, waktu maupun biaya
dengan hasil yang didapatkan masih dalam batasan toleransi yang dapat diterima.
Citra ALOS merupakan salah satu satelit sumber daya alam milik Jepang,
satelit ini membawa tiga sensor yaitu prism, avnir-2 dan palsar. Prism dan Avnir-2
menggunakan sensor pasif dengan resolusi spasial prism 2,5 meter pankromatik
dan avnir-2 dengan resolusio spasial 10 meter untuk multispektralnya. Sedangkan
palsar merupakan sensor aktif dengan resolusi spasial 15-18 meter. Penelitian ini
mencoba untuk menggunakan data citra Alos Avnir-2 untuk diekstraksi menjadi
klasifikasi penutup lahan.
Penggunaan citra Citra Alos Avnir-2 dikarenakan citra Alos Avnir-2
mempunyai keunggulan untuk klasifikasi penggunaan lahan berbasis penutup
lahan karena memiliki resolusi spasial yang cukup detil yaitu 10 meter. Resolusi
tersebut akan membantu interpreter dalam mengidentifikasi penggunaan lahan.
Berbeda jika menggunakan citra dengan resolusi yang lebih kasar interpreter sulit
untuk menentukan penggunaan lahannya hanya sebatas penutup lahannya.
Cara mengekstraksi informasi dari citra penginderaan jauh dapat
dilakukan dengan interpretasi visual maupun dengan digital. Salah satu tantangan
dalam metode digital adalah akurasi hasil yang diperoleh serta kecepatan dalam
proses eksekusinya. Penggunaan teknik pengolahan citra digital mempunyai
beberapa keuntungan diantaranya dapat dilakukan oleh sedikit sumber daya
manusia (SDM) dan dengan waktu yang cepat. Hal ini dapat membuat biaya
untuk pemrosesan citra satelit semakin murah. Pemilihan metode menjadi suatu
hal yang harus diperhatikan, karena suatu metode yang tepat dapat menyebabkan
keberhasilan, dan dapat menyebabkan kegagalan apabila salah dalam pemilihan
metodenya. Suatu metode yang bagus pada satu kasus belum tentu bagus juga
pada kasus yang lainnya, untuk itu perlu di kaji metode pengolahan citra baik dari
segi kelebihan maupun kekurangannya. Salah satunya adalah metode Support
4
Vector Machine (SVM) yang belum begitu terkenal dibanding dengan metode lain
karena masih relatif baru.
Metode Support Vector Machine (SVM) merupakan metode non
parametrik satu kelas dengan jaringan syaraf tiruan yang dapat mempredikasi
serta mengenali pola dari hasil masukan atau pembelajaran yang diberikan.
Metode Support Vector Machine (SVM) juga termasuk kedalam supervised
learning karena membutuhkan contoh agar Support Vector Machine (SVM) dapat
mencari fungsi pemisah antar kelas – kelas dengan cara memaksimalkan margin
atau garis batas. Pencarian fungsi pemisah dilakukan sebagai proses training
dengan memasukan data training kedalam suatu ruang vektor dan kemudian
mencari suatu hyperplane optimal
untuk memisahkan kelas-kelas dari data
training. Pengklasifikasian titik data baru dilakukan dengan melihat pada sisi
kelas mana titik data baru tersebut berada.
Untuk mengetahui kemampuan metode Support Vector Machine (SVM)
dan kombinasi parameter yang dapat menghasilkan klasifikasi dengan akurasi
yang terbaik dengan cara melakukan simulasi beberapa kombinasi parameter.
Hasil simulasi tersebut akan dianalisis kaitannya dengan pengaruh masing-masing
parameter serta kombinasi parameter yang menghasilkan akurasi tertinggi dan
menganalisia hasil klasifikasi penggunaan lahan berbasis penutup lahan
menggunakan metode Support Vector Machine (SVM), baik dari segi akurasi
maupun dari segi waktu yang dibutuhkan untuk melakukan pemrosesan data.
1.3.
Tujuan Penelitian
Penelitian ini bertujuan untuk :
1.
Menganalisa pengaruh masing-masing parameter, serta kombinasi parameter
yang menghasilkan akurasi yang tinggi dan waktu pemrosesan data yang
singkat menggunakan metode Support Vector Machine (SVM) pada Citra
Alos Avnir-2.
2.
Menganalisa metode Support Vector Machine (SVM) untuk pembuatan peta
klasifikasi penggunaan lahan berbasis penutup lahan skala 1:100.000.
5
1.4.
Kegunaan Penelitian
Kegunaan penelitian ini adalah :
1.
Dapat mengetahui pengaruh masing-masing parameter dan mengetahui
kombinasi parameter apa saja yang digunakan agar mendapatkan hasil terbaik
menggunakan metode Support Vector Machine (SVM) pada Citra Alos
Avnir-2.
2.
Dapat mengetahui kelayakan dari metode Support Vector Machine (SVM)
untuk dijadikan alternatif pembuatan peta klasifikasi penggunaan lahan
berbasis penutup lahan skala 1:100.000.
1.5.
Keaslian Penelitian
Keaslian penelitian ini adalah melakukan simulasi beberapa kombinasi
parameter metode Support Vector Machine (SVM) untuk klasifikasi penutup
lahan yang kemudian mengacu pada klasifikasi penggunaan lahan dari skema
klasifikasi penggunaan lahan yang dikeluarkan oleh Badan Pertanahan Nasional
(BPN) skala 1:100.000 serta menggunakan citra ALOS AVNIR 2. Pada proses
simulasi juga ditambah dengan beberapa data seperti data non spektral berupa
kemiringan dan data filter texture mean. Penambahan data tersebut diharapkan
dapat meningkatkan akurasi yang diperoleh. Simulasi yang dilakukan dibagi
menjadi 4 jenis simulasi yaitu simulasi menggunakan data spektral, simulasi
menggunakan data spektral dan data kemiringan, simulasi data spektral dan data
filter tekstur mean, serta simulasi data gabungan spektral, kemiringan dan filter
tekstur mean. Hasil simulasi diharapkan mendapatkan suatu gambaran tentang
kelebihan dan kekurangan metode Support Vector Machine (SVM) serta pengaruh
masing-masing parameter yang berkaitan dengan akurasi ketelitiannya serta waktu
yang dibutuhkan untuk melakukan pemerosesan data. Penelitian ini juga
mengambil wilayah di sebagian Kabupaten Kebumen yang mencakup 1000 x
1000 piksel.
Maksud dari klasifikasi penggunaan lahan yang mengacu pada penutup
lahan adalah semua kelas klasifikasi penggunaan lahan yang dapat langsung
diidentifikasi melalui penutup lahannya, hal ini karena ada beberapa kelas
6
penggunaan lahan yang tidak dapat dengan serta merta diketahui melalui penutup
lahan akan tetapi membutuhkan data non spektral dan spasial lainnya seperti data
ekonomi, data sosial dan lainnya.
Beberapa penelitian tesis di Indonesia sudah menggunakan metode SVM
dan metode yang lain di berbagai bidang yang dijadikan rujukan dalam penulisan
penelitian ini, beberapa penelitian terdahulu seperti uraian dibawah ini:
Pada penelitian Samudra (2007) dengan judul kemampuan metode
jaringan syaraf tiruan untuk klasifikasi penutup lahan dengan menggunkan citra
aster, meneliti kemampuan metode jaringan syaraf tiruan untuk klasifikasi
penutup lahan dengan menggunakan citra aster dengan cara melakukan simulasi
parameter JST sehingga diperoleh JST yang terbaik, dari hasil JST tersebut
dibandingkan dengan metode Maximum Likelihood, penelitian tersebut diperoleh
kesimpulan bahwa metode Maximum Likelihood menghasilkan akurasi yang lebih
baik dibandingkan dengan metode JST.
Nugraha (2009) menulis tentang kemampuan pengenalan pola tangan
aksara jawa nglegno dengan metode multiclass Support Vector Machine (SVM)
dengan menggunakan kernel polinomial dan RBF. Hasil yang diperoleh
menunjukan bahwa penggunaan metode RBF lebih baik yaitu dengan akurasi
93,75%.
Indrawati (2009) meneliti metode klasifikasi pohon untuk kajian
perubahan penggunaan lahan di Kota Semarang dengan menggunakan citra
Landsat TM/ETM+ dengan cara membandingkan akurasi peta hasil klasifikasi
menggunakan metode pohon keputusan dengan klasifikasi Maximum Likelihood.
Akurasi yang diperoleh dengan metode pohon keputusan lebih tinggi
dibandingkan dengan metode Maximum Likelihood.
Arif (2011) meneliti kemampuan jaringan syaraf tiruan utnuk identifikasi
lahan kritis di Kecamatan Dlingo dan sekitarnya, pada penelitian ini data spektral
digabung dengan data non spektral untuk mengidentifikasi lahan kritis dengan
menggunakan citra ALOS AVNIR-2 hasil akurasi yang diperoleh bervariasi
tergantung pada jumlah saluran yang digunakan. Pada klasifikasi menggunakan 4
7
saluran diperoleh akurasi 62,50%, dengan menggunakan 5 saluran diperoleh
akurasi 54,17% dan dengan menggunakan 7 saluran diperoleh 83,33%.
Jakobus (2012) meneliti tentang sistem deteksi intrusi jaringan dengan
menggunakan metode Support Vector Machine (SVM) dengan cara membuat
model dataset simulasi baik secara offline maupun realtime dengan menerapkan
metode Support Vector Machine (SVM) dalan sistem deteksi intrusi.
Koto (2013) melakuan penelitian mengenai pemanfaatan teknologi SIG
dan penginderaan jauh untuk evaluasi lahan kering di Kabupaten Bantaeng
Sulawesi Selatan, teknik pengolahan citra dengan menggunkan komposit warna,
perentangan kontras dan klasifikasi menggunkan metode Support Vector Machine
(SVM) serta klasifikasi kemiringan lereng. Hasil yang diperoleh pada penelitian
Koto (2013) adalah wilayah lahan kering tersebar di Kecamatan Gantarangkeke,
Tompobolu, Eremerasa, Bantaeng dan Uluere seluas 20.643,986 Ha sedangkan
lahan non kering seluas 19.119,146 Ha.
Perbedaan antara penelitian ini dengan penelitian yang sebelumnya
adalah dalam penelitian ini mengkaji kemampuan metode Support Vector
Machine (SVM) untuk klasifikasi penggunaan lahan berbasis penutup lahan
dengan menggunakan citra ALOS AVNIR-2 dengan cara melakukan simulasi
kombinasi parameter yang akan menghasilkan akurasi yang terbaik, selain itu
diperoleh juga waktu yang diperlukan untuk menyelesaikan masing-masing
simulasi parameter sehingga efektifitas dari metode Support Vector Machine
(SVM) dapat diketahui. Selain itu pada penelitian ini menggunakan skema
klasifikasi menurut Badan Pertanahan Nasional (BPN) tahun 2012 dan
dimodifikasi sesuai dengan kondisi yang ada pada lokasi penelitian serta
mempertimbangkan luasan penggunaan lahan minimal yang dapat dimasukan
kedalam peta sesuai dengan aturan yang ada di BPN yaitu 5mm x 5mm untuk
penggunaan lahan selain pemukiman dan 2mm x 2mm untuk kelas pemukiman.
Beberapa penelitian yang pernah ditulis sebelumnya secara ringkas seperti yang
tercantum pada tabel 1.1.
Berdasarkan uraian diatas dapat disimpulkan keaslian penelitian ini
mencakup :
8
1. Citra yang digunakan adalah citra Alos Avnir-2 yang mencakup
luasan 1000 x 1000 piksel.
2. Data yang digunakan selain data spektral juga menggunakan data
kemiringan dan data filter tekstur mean.
3. Metode yang digunakan untuk pengolahan citra penginderaan
jauh adalah metode Support Vector Machine (SVM).
4. Simulasi metode Support Vector Machine (SVM) dibagi menjadi
4 jenis yaitu simulasi menggunakan data spektral, simulasi data
spektral dan kemiringan, simulasi menggunakan data spektral dan
filter tekstur mean, simulasi gabungan data spektral, kemiringan
dan data tekstur mean.
5. Wilayah penelitian meliputi sebagian Kabupaten Kebumen.
9
Tabel 1.1. Keaslian Penelitian
Penulis
Judul Penelitian
Tujuan Penelitian
Metode Penelitian
Hasil
Hasil pengamatan memperlihatkan
bahwa algoritma jarak terdekat,
mahalanobis dan diskriminasi
menunjukan hasil yang baik ditinjau
dari jumlah area yang terklaifikasi
maupun kesesuaian dengan kelas
yang diinginkan diikuti oleh metode
Parallelepiped / Box Classification
Algorithm. Metode jaringan syaraf
backpropagation masih belum
menunjukan hasil yang memadai
karena adanya keterbatasan dalam
jumlah pengambilan data sampel
dan lama waktu komputasinya.
Tingkat akurasi dan kappa masingmasing tahap:
- tahap 1 = 97,1% dan 0,95
- tahap 2 = 87,1% dan 0,8
- tahap 3 =81,4% dan 0,76
Rudy Hartanto
(1998)
Klasifikasi Citra
Multispektral
Pemanfaatan data
multispektral citra Landsat
TM untuk pembuatan peta
tematik
Digunakan beberapa
metode untuk melakukan
klasifikasi multispektral
seperti algoritma jarak
terdekat, Parallelepiped,
mahalanobis, fungsi
diskriminasi dan
algoritma jaringan syaraf
tiruan
Samudro
Budiono (2006)
Penggunaan jaringan
syaraf tiruan pada
citra landsat 7 ETM+
untuk klasifikasi
tanaman perkebunan
kelapa sawit di Kota
Bengkulu
Mengetahui kemampuan
teknik pengumpulan data
melalui analisis data citra
satelit landsat 7 ETM+ untuk
mengidentifikasi lokasi-lokasi
perkebunan kelapa sawit
menurut jenis umur tanaman.
Menggunakan metode
jaringan saraf tiruan
untuk klasifikasi
penggunaan lahan
Imanda Surya
Samudra (2007)
Kemampuan metode
jaringan syaraf tiruan
untuk klasifikasi
1. mengetahui seberapa
akurat hasil klasifikasi
penutup lahan
Menggunakan jaringan
syaraf tiruan pada citra
Aster dan maximum
Hasil dari penelitian ini menunjukan
bahwa metode maximum likelihood
memiliki kemampuan yang lebih
10
penutup lahan dengan
menggunakan Citra
Aster
2.
Iswari Nur
Hidayati (2008)
Modifikasi teori bukti
dempster-shafer untuk
optimalisasi
klasifikasi
penggunaan lahan
berdasarkan citra dan
data spasial
multisumber
1.
2.
3.
menggunakan metode JST
multi layer perceptron
(MLP) terawasi dengan
algoritma pembelajaran
rambat balik (back
propagation) melalui
beberapa perlakuan
terhadap parameternya
mengetahui akurasi hasil
klasifikasi penutup lahan
menggunakan metode JST
dengan algoritma
pembelajaran balik (back
propagation) jika
dipadukan dengan data
spasial non spektral yang
meliputi elevasi dan
lereng
mengkaji teori DampsterShaffer dan teori
ketidakpastian dalam
optimalisasi klasifikasi
penggunaan lahan
mengkaji hasil dari
klasifikasi penggunaan
lahan menggunakan teori
Dampster-Shaffer
mengkaji tentang akurasi
likelihood
baik dalam hal klasifikasi penutup
lahan dibandingkan dengan jaringan
syaraf tiruan
Metode yang digunakan
adalah klasifikasi
maximum likelihood
untuk pemetaan penutup
lahan dan mencari nilai
terbaik dari plausibilitas
penutup lahan untuk
penggunaan lahan dan
yang kedua adalah
perkalian antara nilai
Hasil dari metode pertama adalah
akurasi 98,60% dan koefisien kappa
0,98. Akurasi metode yang kedua
adalah 91,41% dan koefisien kappa
0,90 sedangkan metode yang ketiga
menghasilkan akurasi 92,40% serta
koefisien kappa 0,93
11
dari klasifikasi
penggunaan lahan
menggunakan analisis
kualitatif dan kuantitatif
terbaik dari plausibilitas
penutup lahan dengan
plausibilitas elevasi
optimum untuk
penggunaan lahan dan
yang ketiga adalah
metode tersebut
merupakan modifikasi
teori dampster-shaffer
untuk penggunaan lahan
optimal
Mugito (2008)
Analisis Tekstur Pada
Citra Aster Untuk
Klasifikasi Penggunaan
Lahan Objek Pajak
Bumi dan Bangunan
Studi Kasus di Wilayah
Kabupaten Bantul
Tujuan penelitian ini adalah
mengevaluasi kemampuan
analisis tekstur dengan algoritma
Grey Level Co-occurrence
Matrix (GLCM) pada citra Aster
yang diaplikasikan untuk
klasifikasi penggunaan lahan
obyek pajak bumi dan
bangunan.
Metode yang digunakan
adalah dengan cara
membuat filter tekstur
menggunakan algoritma
GLCM dengan tingkat
kuantifikasi 64 (6 bit) dan
menggunakan window size
3x3, 5x5, 7x7 dan 9x9,
kemudian dilakukan
klasifikasi menggunakan
maximum likelihood
terhadap citra hasil tekstur
tersebut.
Hasil yang diperoleh menunjukan
bahwa penggunaan analisis tekstur
mampu memberikan hasil klasifikasi
yang memenuhi syarat overall accuracy
lebih besar daripada 85% dan komisi
keseluruhan kelas ,20% hanya pada
klasifikasi tahap II (6 kelas) khususnya
untuk saluran mean. Klasifikasi tahap I
pada saluran mean memberikan akurasi
sebesar 94,72% untuk jendela 3x3,
96,23% untuk jendela 5x5, 97,24%
untuk jendela 7x7 dan 97,61 untuk
jendela 9x9. Pada tahap II klasifikasi
menghasilkan akurasi 88,60% untuk
3x3, 91,68 untuk 5x5, 93,39 untuk 7x7
dan 93,77 untuk 9x9.
Azis Wisnu
Widhi Nugraha
Pengenalan pola
tulisan tangan aksara
Membangun sistem
pengenalan aksara jawa
Menggunakan metode
SVM dengan kernel
hasil terbaik menggunakan kernel
RBF dengan parameter 1dengan
12
(2009)
Like Indrawati
(2009)
Nursida Arif
(2011)
jawa nglegeno dengan nglegno dengan
multiclass Support
menggunakan multiclass
Vector Machine
SVM
(SVM)
Klasifikasi Pohon
1. Membandingkan tingkat
Keputusan Untuk
akurasi peta penggunaan
Kajian Perubahan
lahan hasil klasifikasi
Penggunaan Lahan
pohon keputusan dengan
Kota Semarang
hasil klasifikasi kemiripan
Menggunakan Citra
maksimum
Landsat TM/ETM+
2. Inventarisasi penggunaan
lahan di Kota Semarang
dengan data Landsat
TM/ETM+ multi waktu.
3. Mengkaji perubahan
penggunaan lahan di Kota
Semarang.
polinomial dan RBF
hasil 93,75%
Metode yang digunakan
adalah menggunakan
klasifikasi pohon
keputusan untuk
pemetaan penggunaan
lahan yang
menggabungkan enam
saluran.
Kemudian dibandingkan
dengan hasil klasifikasi
penggunaan lahan
menggunakan metode
kemiripan maksimum.
-
Kajian kemampuan
jaringan syaraf tiruan
berbais Citra ALOS
metode jaringan syaraf
tiruan untuk identifikasi
lahan kritis, jaringan
Untuk mengidentifikasi lahan
kritis menggunakan jaringan
syaraf tiruan.
Tingkat akurasi dan kappa
menggunakan metode pohon
keputusan lebih tinggi daripada
menggunakan metode kemiripan
maksimum.
- Untuk peta tahun 1994 kemiripan
maksimum diperoleh akurasi
54,14% dan kappa 0,482, serta
akurasi pohon keputusan 66,34%
dan kappa 0,6256.
- Untuk peta tahun 2002 kemiripan
maksimum diperoleh akurasi
75,12% dan kappa 0,713, serta
akurasi pohon keputusan 82,45%
dan kappa 0,805.
- Perubahan penggunaan lahan di
Kota Semarang mengarah pada
berkurangnya lahan pertanian
dan perkebunan dan
bertambahnya lahan pemukiman
dan industri.
- Overall accuracy hasil
klasifikasi dengan 4 saluran
62,50% menggunakan 5 saluran
13
dalam identifikasi
lahan kritis (studi
kasus : Kecamatan
Dlingo dan
sekitarnya).
Ari Fadli (2012)
Identifikasi penutur
berbasis pola akuistik
menggunakan Support
Vector Machine
(SVM)
syaraf tiruan dianggap
memiliki kelebihan
dalam menggabungkan
data spektral dan non
spektral serta
kemampuan dalam
menyelesaikan persoalan
data yang sulit
diselesaikan
menggunakan logika
secara komputasi.
Mengetahui akurasi SVM
untuk identifikasi penutur
kata berbasis pola akuistik
54,17% dan 7 saluran 83,33%
- Semakin banyak jumlah saluran
yang digunakan untuk eksekusi
metode jaringan syaraf tiruan,
mempengaruhi nilai training
RMS, overal accuracy dan
indeks kappa
- Penambahan jumlah saluran dan
jumlah data pelatihan harus
disertai pula dengan penambahan
jumlah iterasi untuk
mendapatkan akurasi yang lebih
tinggi.
menggunakan multi kelas Hasil penelitian menunjukan bahwa
Support Vector Machine penggunaan ciri kombinasi
(SVM) dengan
memberikan akurasi terbaik yaitu
pendekatan satu lawan
mencapai 93,75% dengan jumlah
satu (SLU) berdasarkan
ciri 26. Selain itu diperoleh hasil
berbagai macam tinjauan bahwa akurasi identifikasi
vector ciri
meningkat seiring dengan
peningkatan faktor pinalti.
Sedangkan pada perubahan fungsi
kernel , fungsi kernel gaussian RBF
memberikan akurasi identifikasi
rata-rata yaitu mencapai 85,11%
lebih baik dari kernel polynomial
kernel yaitu sebesar 84,43%.
14
Agustinus
Jacobus (2012)
Arthur Gani
Koto (2013)
Sistem Deteksi Intrusi 1. membangun sebuah
Jaringan Dengan
sistem deteksi intrusi pada
Metode Support
lingkungan real-time
Vector Machine
menggunakan metode
SVM sebagai salah satu
metode data mining
2. Mengklasifikasikan data
audit lalulintas jaringan
(connection record) dalam
tiga kelas yaitu: normal,
probe, dan DoS.
Connecion Record
terbentuk dari
preprosesing informasi
header paket data hasil
ekstaksi data rekaman
paket yang diperoleh dari
aplikasi network
monitoring
Pemanfaatan
Tujuan Penelitian ini :
Teknologi
1. Menganalisa distribusi
Penginderaan Jauh
spasial lahan kering
dan SIG Untuk
dengan menggunakan
Evaluasi Lahan
SIG.
Kering di Kabupaten 2. Menganalisa lahan kering
Bantaeng, Sulawesi
dengan teknologi
Selatan.
penginderaan jauh dan
SIG
Teknik pendeteksian
intrusi pada jaringan
dengan cara membuat
model dataset simulasi
baik secara offline
maupun realtime dengan
menerapkan metode
SVM dalam sistem
deteksi intrusi
Pada pengujian sistem offline
dengan data test eksternal model
dataset DARPA KDD’99
memberikan tingkat akurasi 96,2%,
tingkat deteksi serangan 77,68%,
serta tingkat false positive 0,77%
dan untuk model data set simulasi
diperoleh tingkat akurasi 90,14%,
tingkat deteksi serangan 66,6% serta
tingkat false positive 3,50%. Dari
pengujian pada kondisi realtime
sistem berhasil mendeteksi aksi
intrusi yang dilakukan pada tingkat
akurasi 89,68%, tingkat deteksi
serangan 78,37%, serta tingkat false
positive 8,63%
Teknik pengolahan citra
dengan menggunakan
komposit warna,
perentangan kontras,
klasifikasi Support
Vector Machine (SVM)
dan klasifikasi
kemiringan lereng.
Wilayah lahan kering tersebar di
Kecamatan Gantarangkeke,
Tompobulu, Eremerasa Bantaeng,
dan Uluere dengan luas keseluruhan
20.643,986 Ha. Dan wilayah non
kering terdapat di kecamatan
Pajukukang, Bantaeng, Eremerasa
dengan luas wilayah 19.119, 146
Ha.
15
Didit Wahyudi
(2013)
Kajian Jaringan Syaraf
Tiruan Berbasis Citra
Aster VNIR dan SWIR
Untuk Klasifikasi
Penutup Lahan dan
Penggunaan Lahan di
Kecamatan Katingan
Tengah, Kabupaten
Katingan, Provinsi
Kalimantan Tengah
1. Mengetahui seberapa akurat
metode jaringan syaraf tiruan
berbasis citra Aster VNIR
dan SWIR ditambah data non
spectral dalam klasifikasi
penggunaan lahan.
2. Mengkaji berapa besar
pengaruh perubahan
parameter jaringan syaraf
tiruan terhadap hasil akurasi
klasifikasi penggunaan lahan
Metode yang digunakan
adalah klasifikasi
pengunaan lahan
menggunakan metode
jaringan syaraf tiruan pada
citra Aster dengan
digabung data non spectral.
Acuan klasifikasi
menggunakan skema
klasifikasi penutup lahan
dan penggunaan lahan
menurut Lillesand dan
Kiefer (2007)
Khikmanto
Supribadi
(2013)
Analisis Metode
Support Vector
Machine (SVM)
Untuk Klasifikasi
Penggunaan Lahan
Berbasis Penutup
Lahan Pada Citra
ALOS AVNIR-2
1.
1. Akurasi tertinggi pada kombinasi
Dengan melakukan
parameter kernel linier, penalty
simulasi kombinasi
parameter 250, pyramid level 1,
parameter sehingga akan
classification probability threshold 0.
didapatkan ketelitian
2.
Akurasi tertinggi pada simulasi data
serta waktu yang
spektral 78,8845% dan kappa 0,7524.
dibutuhkan masingAkurasi pada simulasi data spektral
masing simulasi,
dan data kemiringan 80,7973% dan
kemudian dari hasil
kappa 0,7755. Akurasi pada simulasi
simulasi dipilih
data spektral dan data filter tekstur
kombinasi yang
mean 92,8619 dan kappa 0,9163.
menghasilkan ketelitian
Akurasi pada data gabungan spektral,
kemiringan dan filter tekstur mean
paling tinggi dengan
92,8951% dan kappa 0,9170.
mempertimbangkan juga
waktu pemrosesan
datanya.
2.
Menganalisa pengaruh
masing-masing parameter,
serta kombinasi parameter
yang menghasilkan akurasi
yang tinggi dan waktu
pemrosesan data yang
singkat menggunakan
metode Support Vector
Machine (SVM) pada Citra
Alos Avnir-2.
Menganalisa metode
Support Vector Machine
(SVM) untuk pembuatan
peta klasifikasi penggunaan
lahan berbasis penutup
lahan skala 1:100.000.
Hasil klasifikasi penggunaan lahan
menunjukan akurasi 84,78% dengan
indeks kappa 0,834. Penambahan layer
tersembunyi, jumlah iterasi dan data
non spektral lereng menaikan tingkat
akurasi tapi membutuhkan waktu yang
lebih lama.
16
1.6.
Wilayah Penelitian
Penelitian Analisis Metode Support Vector Machine (SVM) Untuk
Klasifikasi Penggunaan Lahan Berbasis Penutup Lahan Pada Citra Alos Avnir-2
mengambil lokasi di Kabupaten Kebumen.
Menurut Badan Pusat Statistik (BPS) dalam Kebumen Dalam Angka
tahun 2010, Kabupaten Kebumen merupakan kabupaten yang terletak di bagian
selatan Provinsi Jawa Tengah dengan batas sebelah timur berbatasan dengan
Kabupaten Purworejo, sebelah selatan berbatasan dengan Samudera Hindia,
sebelah barat berbatasan dengan Kabupaten Cilacap dan Banyumas serta
disebelah utara berbatasan dengan Kabupaten Wonosobo dan Banjarnegara.
Secara astronomis Kabupaten Kebumen terletak di 7º 27' - 7º 50' Lintang Selatan
dan 109º 22' - 109º 50' Bujur Timur.
Kabupaten Kebumen terdiri dari 26 kecamatan dengan luas wilayah ±
128.111,5 Ha² atau ± 1.281.115 Km² dengan kondisi sebagian besar merupakan
daerah dataran rendah disebelah tengah sebagian lagi merupakan daerah pantai
terutama di sebelah selatan dan daerah perbukitan di sebelah utara dan barat daya.
Pada penelitian ini tidak akan mencakup seluruh wilayah Kabupaten
Kebumen, akan tetapi hanya sebagian wilayah yaitu Kecamatan Klirong,
Pejagoan, Kebumen, Kutowinangun, Alian dan Poncowarno, yang mencakup
1000 x 1000 piksel. Hal ini karena beberapa pertimbangan bahwa wilayah
tersebut memiliki variasi penutup lahan yang cukup beragam berupa dataran dan
pegunungan maupun tutupan vegetasi maupun lahan terbangunnya, selain itu
dipilih 1000 x 1000 piksel karena dianggap
dengan jumlah piksel tersebut
wilayah kajiannya tidak terlalu luas maupun terlalu sempit sehingga dalam proses
eksekusi tidak diperlukan waktu yang terlalu lama akan tetapi masih dapat dengan
dengan mudah diukur perbedaan waktu yang dibutuhkan untuk setiap proses
eksekusi.
17
Gambar 1.1. Peta lokasi penelitian
18
Download