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