i. pendahuluan -...

1

I. PENDAHULUAN

1.1. Latar belakang

Penginderaan jauh merupakan salah satu alternatif dalam menyelesaikan

suatu permasalahan keruangan. Dalam perkembangannya sendiri penginderaan

jauh mengalami kemajuan yang pesat seiring perkembangan teknologi informasi.

Penginderaan jauh tidak hanya berorientasi pada teknologi satelit sebagai wahana

sensor penginderaan jauh (Rusdi 2005), akan tetapi juga analisis informasi yang

dihasilkan untuk menghasilkan informasi tertentu, seperti definisi berikut

Lindergren.

“Remote sensing refers to the variety of techniques that have beendepeloped for acquisition an analysis of information about the earth. Thisinformation is typically in the form of electromagnetic radiation that haseither been reflected or emitted from the earth surface” Lindgren (1985)

Menurut pengertian diatas penginderaan jauh merupakan teknik yang

dikembangkan untuk memperoleh maupun menganalisis informasi yang ada di

bumi. Informasi yang diperoleh dan analisis tersebut khusus berbentuk radiasi

elektromagnetik yang dipantulkan dan dipancarkan oleh objek dimuka bumi.

Perkembangan penginderaan jauh dalam bidang wahana dan sensor dapat

dirasakan dengan semakin beraneka ragamnya data penginderaan jauh baik dalam

segi resolusi spektral, resolusi spasial dan resolusi temporal yang dihasilkan.

Teknologi penginderaan jauh ini memudahkan dalam segi perolehan data yang

cepat, biaya yang lebih murah, cakupan yang lebih luas maupun keterjangkaun

dan aksesesbilitas pada daerah kajian berbanding dengan teknologi konvensional

atau lapangan. Akan tetapi seiring berkembangnya teknologi penginderaan jauh

tetap akan memiliki keterbatasan sehingga perlu adanya batasan-batasan yang

yang jelas untuk menggunakan berbagai macam produk teknologi penginderaan

jauh ini.

Perkembangan dalam bidang wahana juga diimbangi dengan

perkembangan pada bidang analisis digitalnya. Berbagai macam metode untuk

klasifikasi data penginderaan jauh mulai bermunculan, salah satu contohnya

adalah metode berbasis piksel dan metode berbasis objek. Metode klasifikasi

2

berbasis piksel muncul lebih dulu daripada metode berbasis objek. Metode

berbasis piksel ini lebih banyak dikaji dibandingkan metode berbasis objek

dikarenakan metode tersebut mengelompokan suatu informasi terhadap nilai

spektral atau satu aspek saja, berbeda dengan metode klasifikasi berbasis objek

yang mengelompokan suatu informasi terhadap beberapa aspek seperti spektral,

tekstur dan beberapa aspek lainnya.

Klasifikasi berbasis piksel sendiri terbagi menjadi dua yaitu klasifikasi

terbimbing (Supervised) dan klasifikasi tak terbimbing (Unsupervised).

Klasifikasi tak terbimbing memiliki kelemahan yaitu pencirian spektral selalu

berubah sepanjang waktu, yang menyebabkan hubungan antar respon spektral

dengan kelas informasi menjadi tidak konstan, oleh karena itu pengetahuan

tentang spektral permukaan harus lebih dipahami (Richard 1993). Berbeda dengan

klasifikasi terbimbing yang pencirian spektralnya tidak akan berubah karena

adanya pemberian sampel dalam menghasilkan kelas informasi yang mana sampel

tersebut ditentukan terlebih dahulu oleh produsen. Klasifikasi terbimbing sendiri

terbagi menjadi beraneka ragam. Salah satu pendekatan yang paling sering

digunakan adalah klasifikasi maximum likelihood classification, meskipun ada

beberapa kelemahan dari pendekatan ini salah satunya yaitu banyaknya kesalahan

klasifikasi yang ditimbulkan oleh salt dan pepper, terutama jika piksel berada di

luar area spesifik atau diantara area yang tumpang tindih, yang dipaksakan untuk

diklasifikasikan (Rusdi, 2005).

Klasifikasi menggunakan metode berbasis piksel banyak digunakan pada

citra yang memiliki resolusi menengah seperti pada citra Landsat, ALOS, SPOT,

yang mana potensi untuk terjadinya salt and pepper tidak terlalu besar dan

spektral yang dimiliki lebih beraneka ragam. Akan tetapi sekarang ini mulai

adanya penelitian yang mengarah pada citra resolusi tinggi seperti IKONOS,

Quickbird, Worldview. Citra yang memiliki resolusi tinggi kadang terbatas pada

resolusi spektralnya, karena kenampakan obyeknya yang sangat jelas karena

kedetailannya resolusinya sehingga tidak perlu spektral yang beraneka ragam

dalam menentukan obyeknya, selain itu citra yang beresolusi tinggi lebih sering

digunakan untuk klasifikasi visual daripada klasifikasi digital.

3

Keterbatasan pengkelasan obyek menggunakan satu aspek saja seiring

waktu mulai terjawab dengan adanya metode baru yaitu metode klasifikasi

berbasis obyek. Klasifikasi ini tidak hanya melihat dari satu aspek akan tetapi

beberapa aspek seperti scale, color, tekstur. Penggunaan aspek tambah ini akan

memperkaya informasi dari proses klasifikasi.

Klasifikasi multispektral sering diaplikasikan untuk penutup lahan maupun

penggunaan lahan. Penggunaan klasifikasi untuk hal yang lebih detail seperti

memetakan komposisi floristik masih jarang dilakukan. Pemetaan komposisi

florisitik ini dilihat dari struktur daun dan kenampakan tajuk perbedaannya sangat

tipis sekali antara vegetasi sehingga perlu citra penginderaan jauh yang memiliki

resolusi spasial yang detail dan resolusi spektral yang yang beraneka ragam.

Sehingga citra Worldview-2 merupakan salah satu pilihan dari beberapa citra

penginderaan jauh resolusi spasial detail yang lain seperti IKONOS, Quickbird,

Geoeye. Keunggulan dari citra Worldview-2 ini memiliki 8 band sehingga aspek

spektral yang digunakaan untuk pemrosesan klasifikasi lebih banyak.

1.2. Rumusan masalah

Kajian vegetasi merupakan salah satu objek dasar dalam ilmu

penginderaan jauh. Untuk kajian hutan sendiri lebih banyak ditekankan pada

pemetaan luas, monitoring, biofisik maupun strukturnya. Untuk pemetaan

komposisi floristik hutan cukup jarang dilakukan. Hal ini didukung juga karena

lokasi Indonesia yang beriklim tropis sehingga jenis hutan yang dimiliki sebagian

besar adalah heterogen. Ketidakberaturan pola tumbuh pada hutan berjenis

heterogen ini menyebabkan kesulitan sendiri dalam pemetaan komposisi

floristiknya menggunakan analisis digital. Selain itu untuk dapat membedaakan

komposisi floristiknya perlu data penginderaan jauh yang detail dalam segi

resolusi spasial maupun spektralnya.

Klasifikasi pada citra resolusi spasial tinggi sudah mulai dilakukan, baik

dengan menggunakan metode berbasis piksel maupun berbasis objek. Setiap

metode klasifikasi memiliki kelebihan dan kekurangan dalam menghasilkan

klasifikasi. Metode klasifikasi berbasis piksel lebih sering dipakai dibandingkan

4

dengan metode klasifikasi berbasis objek, hal ini dikarenakan klasifikasi berbasis

piksel hanya mempertimbangkan nilai spektral atau satu aspek saja sebagai

batasan untuk membuat kelas sehingga dirasa lebih mudah dan cepat.

Permasalahan muncul ketika ukuran piksel atau resolusi spasial dari citra itu

sangat detail maka akan muncul salt and pepper, karena klasifikasi berbasis piksel

memperoleh informasi berdasarkan perpiksel, yang mana efek bayangan atau

perekaman sinar matahari dapat membuat objek yang sama menjadi berbeda

karena nilai spektalnya berbeda.

Seiring dengan perkembangan teknologi muncul metode klasifikasi baru

yaitu klasifikasi berbasis objek. Kemampuannya dalam mengkelaskan informasi

tidak tergantung hanya pada satu aspek pada tiap piksel saja akan tetapi klasifikasi

ini mempertimbangkan beberapa aspek seperti tekstur, scale, color, selain itu

metode ini menggunakan kluster piksel atau segmen bukan perpiksel dalam

mengkelaskan informasi. Karakteristik yang berbeda antara klasifikasi berbasis

objek dengan piksel memungkinkan untuk menghasilkan akurasi yang berbeda

dalam hasil pengklasifikasiannya. Klasifikasi berbasis objek sendiri juga tidak

sempurna menurut Jyothi (2008) klasifikasi berbasis objek masih memiliki

kesulitan dalam memproses data yang sangat besar. Bahkan jika klasifikasi

berbasis objek lebih efektif daripada klasifikasi berbasis piksel, proses segmentasi

pada citra multispektral yang dilakukan klasifikasi berbasis piksel merupakan

proses yang terlalu berat

Waktu proses dan tingkat kesulitan yang berbeda menjadi hal yang

dipertimbangkan dalam pemilihan metode klasifikasi, apakah nantinya akurasi

yang dihasilkan jauh lebih signifikan atau tidak, dibandingkan dengan waktu dan

tingkat kesulitan dialami. Sehingga nantinya salah satu metode tersebut dapat

dinyatakan efektif sebagai salah satu pemetaan untuk kajian tertentu

menggunakan citra resolusi spasial tinggi

5

1.3. Pertanyaan penelitian

Berdasarkan berbagai fenomena dan permasalahan di atas maka

disimpulkan beberapa pertanyaan penelitian sebagai berikut :

1. Apakah komposisi floristik di daerah penelitian dapat dipetakan

menggunakan analisis digital citra resolusi spasial tinggi?

2. Metode apa yang paling efektif dan akurat digunakan untuk memetakan

komposisi floristik di daerah kajian?

1.4. Tujuan penelitian

Tujuan Penelitian ini adalah :

1. Memetakan komposisi floristik hutan gunung Tidar menggunakan

analisis digital, metode klasifikasi berbasis objek dan metode klasifikasi

berbasis piksel pada citra resolusi tinggi

2. Membandingkan efektivitas metode klasifikasi berbasis piksel dan

metode klasifikasi berbasis objek dalam pemetaan komposisi floristik

hutan di daerah gunung Tidar

1.5. Hasil yang diharapkan

Hasil akhir dari penelitian ini adalah :

1. Klasifikasi komposisi floristik menggunakan metode klasifikasi

berbasis objek dan klasifikasi berbasis piksel

2. Tabel efektivitas pemetaan komposisi floristik pada metode klasifikasi

berbasis objek dan klasifikasi berbasis piksel.

1.6. Kegunaan penelitian

1. Memberikan suatu masukantentang efektivitas penggunaan metode

klasifikasi berbasis objek dan klasifikasi berbasis piksel untuk kajian

pemetaan komposisi floristik

2. Memberikan gambaran mengenai kegunaan ilmu penginderaan jauh

untuk pemetaan komposisi floristik sehingga akan terus mendorong

6

keberlanjutan dan perkembangan disiplin ilmu geografi terutama

penginderaan jauh

3. Memberikan informasi komposisi floristik di daerah gunung Tidar

sehingga memudahkan instansi terkait dalam pengelolaan dan

penanaman komposisi floristik yang sejenis sehingga terjadi distribusi

yang lebih tertata.

7

1.7. Tinjauan Pustaka

1.7.1. Vegetasi

Vegetasi dapat digolongkan sebagai penutup lahan. Penutup lahan sendiri

dapat diartikan segala material yang menutupi permukaan di bumi, berbeda

dengan penggunaan lahan yang merupakan hasil turunan dari penutup lahan.

Penggunaan lahan sendiri sudah mengalami campur tangan manusia yang mana

digunakan untuk menguntungkan manusia. Penggunaan lahan sendiri sangat sulit

diklasifikasi secara digital.

Setiap vegetasi memiliki karakteristik masing-masing. Baik pada bagian

batang, daun maupun akar. Hal yang terlihat jelas pada penginderaan jauh tajuk

(daun) pada suatu vegetasi. Hal ini yang nantinya akan dijadikan dasar untuk

membedakan komposisi floristik pada pemrosesan citra tersebut, karena setiap

gelombang memiliki kepekaan tertentu terhadap struktur daun, klorofil, bentuk

daun bahkan kepadatan tajuk.

1.7.1.1. Struktur dan komposisi hutan

Komposisi hutan merupakan istilah untuk menyatakan keberadaan dan

susunan jenis-jenis pohon dalam hutan. Untuk hutan didaerah beriklim tropis,

tanah, iklim dan cahaya memiliki kaitan erat sebagai faktor pembentuk suatu

tegakan dan faktor pengambat dalam identifikasi tegakan. Komposisi hutan dapat

diklasifikasikan berdasarkan atas adanya jenis murni atau campuran. Karena

tegakan yang benar-benar murni jarang ada kecuali di barat, ditempat Pinus

pondoresa, Pinus contorta, Abies, dan Populus mempunyai areal murni sangat

luas, kira-kira 90% dari satu jenis telah dipilih sebagai ciri untuk memisahkan

tegakan murni dari tegakan 90%, seluruh tegakan merupakan campuran dua atau

lebih jenis.

Menurut Richard (1966) dan Mueller-Dombois dan Ellenberg (1974)

komposisi menyatakan kekayaan floristik hutan, yang mana kekayaan floristik

hutan tergantung kepada lokasi dimana hutan itu berada. Untuk daerah beriklim

tropis, komposisi floristiknya lebih beraneka ragam pada satu lokasi hutan karena

pada daerah beriklim tropis, hutan yang dimiliki berjenis hutan heterogen. Hal ini

8

dikarenakan kondisi iklim, tanah, cahaya yang ideal untuk tumbuhnya berbagai

macam tegakan. Soerianegara dan Indrawan (2005) menambahkan bahwa jenis

dibedakan antara populasi (satu jenis) dan komunitas (beberapa jenis). Komposisi

floristik hutan sendiri lebih kepada komunitas karena terdiri dari beberapa jenis

vegetasi.

Interaksi dalam suatu komunitas tercermin dari struktur dan komposisi

vegetasi. Stratifikasi yang terjadi dalam vegetasi di hutan terjadi akibat adanya

persaingan, antara jenis-jenis tertentu yang lebih dominan dari jenis lain, pohon-

pohon tinggi dalam lapisan paling atas menguasai pohon-pohon yang dibawahnya,

terhalangnya matahari oleh pohon-pohon tutupan atas menjadi faktor penghambat

bagi pohon-pohon lapisan bawah untuk berkembang (Soerianegara dan Indrawan,

2005).

Struktur hutan adalah menyangkut susunan bentuk (life form) dari suatu

vegetasi yang merupakan karakteristik vegetasi yang kompleks, dapat digunakan

dalam penentuan stratifikasi (vertikal dan horizontal) dan menjadi dasar dalam

melihat jenis-jenis dominan, kodominan dan tertekan (Richard, 1966)

Dansereau (1957) dalam Mueller-Dombois dan Ellenberg (1974)

menyatakan bahwa struktur vegetasi adalah pengorganisasian dalam ruang oleh

individu-individu pada suatu tegakan dan elemen dasar suatu struktur adalah

bentuk pertumbuhan, stratifikasi dan penutupan tajuk.

Selanjutnya menurut Kershaw (1964) dalam Mueller-Dombois dan

Ellenberg (1974), struktur vegetasi dibatasi oleh tiga komponen, yaitu :

1. Struktur vertikal yaitu stratifikasi vegetasi

2. Struktur horizontal yaitu sebaran spasial jenis dan individu

3. Struktur kuantitatif yaitu kelimpahan tiap jenis dalam suatu komunitas.

1.7.1.2. Stratifikasi Tajuk

Untuk mendapatkan zat hara, mineral, cahaya dan air sebagai sumber

untuk melakukan fotosintesis, terjadi persaingan antara tiap vegetasi. Dari

persaingan tersebut maka akan muncul vegetasi yang lebih dominan daripada

9

vegetasi lainnya, sehingga akan muncul stratifikasi vegetasi (Soerinegara dan

Indrawan, 2005)

Stratifikasi hutan tropis menurut Soearianegara dan Indrawan (2005)

adalah sebagai berikut :

a.Stratum A : Lapisan teratas terdiri dari pohon-pohon dengan

tinggi totalnya lebih dari 30 meter. Umumnya tajuk

diskontinyu, batang pohon tinggi dan lurus dengan

batang bebas cabang yang tinggi. Jenis-jenis pohon

dari stratum ini pada masa mudannya, tingkat semai

hingga pancang memerlukan naungan sekedarnya,

tetapi untuk pertumbuhan selanjutnya perlu cahaya

yang cukup banyak.

b.Stratum B : Terdiri dari pohon-pohon dengan tinggi antara 20-

30 meter, tajuk umumnya kontinyu, batang

bercabang banyak dengan batang bebas cabang tidak

terlalu tinggi. Jenis-jenis pohon dari stratum ini

kurang memerlukan cahaya yang cukup banyak

c.Stratum C :Terdiri dari pohon dengan tinggi 4-20 meter, tajuk

kontinyu, pohon rendah dan banyak bercabang

d.Stratum D : Lapisan perdu dan semak dengan tinggi 1-4 meter

e.Stratum E :Tumbuh-tumbuhan penutup tanah dengan tinggi

antara 0-1 meter

1.7.2. Penginderaan Jauh

Penginderaan jauh merupakan salah satu ilmu yang menjadi salah satu

terobosan untuk memecahkan suatu masalah dengan meminimalisir survey

lapangan. Kemampuan produk penginderaan jauh seperti foto udara, citra

membuat penginderaan jauh menjadi alternatif yang paling diminati.

Penginderaan jauh sendiri pada dasarnya mengkaji tentang keadaan dipermukaan

bumi dan mengkaitkannya dengan masalah yang ada. Obyek dasar yang menjadi

10

kajian utama penginderaan jauh adalah, tanah, air dan vegetasi yang dapat dilihat

pada gambar 2.1.

Gambar 2.1 : Kurva karakteristik pantulan, air, vegetasi, tanah serta posisi band spektral

sensor pada beberapa jenis satelit

Dari kurva pantulan diatas dapat kita modifikasi sedemikian rupa sehingga

tidak hanya obyek dasar tersebut yang terlihat akan tetapi obyek-obyek yang lain

yang berkaitan dengan ketiga obyek dasar bahkan obyek yang lebih khusus dari

obyek dasar tersebut juga dapat diidentifikasi.

Kemampuan Penginderaan jauh untuk menyediakan data secara

multitemporal (banyak waktu) membuat data penginderaan jauh sangat membantu

suatu pemecahan permasalahan.

1.7.2.1 Sumber Energi Penginderaan Jauh

Berdasarkan sumber energinya penginderaan jauh dapat dibedakan

menjadi dua yaitu penginderaan jauh aktif dan pasif. Penginderaan jauh pasif

mengunakan sumber energi dari matahari. Pantulan balik yang mengenai suatu

11

objek direkam oleh sensor satelit. Sehingga perekaman dilakukan pada pagi atau

siang hari, contohnya seperti citra multispektral dan hyperspektral. Ilustrasi

perekaman dapat dilihat pada gambar 2.2.

Berbeda dengan penginderaan jauh aktif, sumber energinya berasal dari

wahana itu sendiri. Energi tersebut dapat berupa gelombang cahaya maupun bunyi

contohnya seperti citra Radar dan Lidar Penginderaan jauh aktif dapat dilakukan

sewaktu waktu dikarenakan sumber energinya berasal dari sensor itu sendiri,

terlihat pada gambar 2.3.

Gambar 2.3 : Ilustrasi penginderaan jauh system aktif

1.7.2.2 Citra Worldview-2

Citra Worldview-2 merupakan salah satu golongan citra high spatial

resolution. High spatial resolution ini yaitu resolusi tinggi pada resolusi spasial.

Gambar 2.2 : Ilustrasi penginderaan jauh system pasif

12

Dapat dilihat dari spesifikasi citra ini yang memiliki resolusi multi sekitar 1,86

meter dan resolusi pankromatik sekitar 0,67 meter. Selain merupakan citra high

spatial resolution citra Worldview-2 memiliki resolusi spektral yang cukup tinggi

karena memiliki 8 band spektral, Hal ini yang membuat citra worldview-2

memiliki kelebihan terhadap citra high spatial resolution yang lain seperti, Geo

eye, Quickbird, IKONOS.Tabel panjang gelombang yang dimiliki oleh oleh citra

Worldview-2 dapat dilihat pada tabel 1.

Tabel 1 . Panjang Gelombang Worldview-2Spectral Band Center Wavelength

(50% Band Pass)

50% Band Pass Center Wavelength

(5% Band Pass)

5% Band Pass

Panchromatic 632.2 463.7 – 800.6 627.4 447.2 – 807.6

Coastal 427.3 401.4 – 453.2 427.0 396.0 – 458.0

Blue 477.9 447.5 – 508.3 478.3 441.6 – 515.0

Green 546.2 511.3 – 581.1 545.8 505.5 – 586.0

Yellow 607.8 588.5 – 627.0 607.7 583.6 – 631.7

Red 658.8 629.2 – 688.5 658.8 624.1 – 693.5

Red Edge 723.7 703.8 – 743.6 724.1 698.7 – 749.4

NIR 1 831.3 772.4 – 890.2 832.9 764.5 – 901.3

NIR 2 908.0 861.7 – 954.2 949.3 856.1 – 1042.5

Citra worldview-2 itu sendiri memiliki cakupan perekaman sebesar 25 km

x 25 km perekaman tersebut melebihi luas gunung Tidar sebagai daerah kajian

penelitian. Sehingga tidak perlu adanya pemozaikan data. Kekurangan dari data

Worldview-2 ini yaitu data citra ini masih termasuk data komersil sehingga untuk

mendapatkan data ini adalah dengan membeli diprovidernya. Beberapa

permasalahan terjadi ketika terjadi perubahan kebijakan yaitu tidak mengijinkan

pengiriman data ke Indonesia sehingga perlu orang ketiga, atau perantara untuk

mengadakan transaksi data.

Citra worldview memiliki respon spektral radiance yang berbeda beda tiap

bandnya. Respon spektral radiance sendiri adalah rasio nilai photon-elektron yang

terukur oleh sensor, dalam satuan [W-m-2-sr-1-m-1]. Respon spektral radiance

13

untuk tiap band dinormalisasi dengan membagi nilai respon maksimum untuk tiap

band, sehingga dapat muncul nilai respon spektral radiance relatif. Nilai untuk

band pakromatik dan multispektral citra Worldview-2 dapat dilihat pada gambar

2.3

Gambar 2.3.Respon Spektral Radiance Worldview-2 (nm)

(Sumber : Worldview data sheet)

1.7.3. Koreksi Radiometrik

Perekaman yang dihasilkan tidak luput dengan gangguan -gangguan baik

yang diakibatkan oleh sensor itu sendiri ataupun gangguan dari luar seperti dari

atmosfer dan matahari. Gangguan tersebut membuat nilai spektral yang dihasilkan

tidak terlalu sesuai dengan kondisi dunia nyata. Dalam perjalanannya gelombang

elektromagnetik melewati atmosfer yang mana hal tersebut menimbulkan potensi

terjadinya serapan dan hamburan energi.

Koreksi sensor sendiri diperlukan terlebih dahulu sebelum melakukan

koreksi atmosfer. Koreksi sensor menghasilkan citra radiance at sensor setelah itu

baru dilakukan koreksi atmosfer yang nantinya akan menghasilkan citra at-

surface reflectance.

14

1.7.4. Koreksi Geometrik

Suatu perekaman citra penginderaan jauh yang dilakukan oleh sebuah

wahana pastinya tidaklah sempurna, sering kali adanya kesalahan posisi dari

perekaman sehingga dapat menyebabkan pergeseran lokasi. Sehingga diperlukan

adanya sebuah koreksi untuk membenarkan posisi data penginderaan jauh tersebut

agar sesuatu pada lokasi di muka bumi yaitu koreksi geometrik. Menurut

(Danoedoro 1996) koreksi geometrik adalah

“Suatu upaya untuk membenarkan aspek posisi dan bentuk citra,dilakukan dengan perubahan mentrasformasi geometri atau posisipiksel diikuti dengan perubahan informasi spektral”.Dalam teknisnya terdapat dua metode untuk melakukan koreksi gemetrik

yaitu image to map dan image to image. Kedua metode ini memerlukan GCP

(Ground Control Point).Menurut Jensen (2005) GCP dapat diartikan suatu lokasi

dipermukaan bumi yang teridentifikasikan pada citra dan dikenali posisinya pada

peta. Selain menggunakan data lapangan juga dapat dilakukan dengan mengambil

koordinat suatu tempat dengan menggunakan alat GPS. Akan tetapi tidak

menutup kemungkinan digunakan sumber GCP lain, seperti koordinat lapangan

yang diambil secara langsung menggunakan GPS. Dari titik tersebut akan

digunakan sebagai acuan untuk mengikat piksel dan piksel yang akan dikoreksi.

Dalam menentukan jumlah GCP itu sendiri terdapat sebuah kriteria,

semakin variatif topografi daerah yang akan dikoreksi maka semakinbanyak

jumlah GCP yang akan digunakan. Jumlah GCP itu sendiri berdasarkan orde yang

akan digunakan. Dalam menentukan orde terdapat formulasi yang cukup

sederhana pada persamaan 1.2 :

GCP = (1 + n)^2 , ............................... (1.2)

Keterangan :

GCP = Jumlah Ground Control Point

n = Orde wilayah

15

1.7.5. Klasifikasi Maximum Likelihood

Metode ini merupakan salah satu metode klasifikasi supervised

(terbimbing). Terbimbing disana dimasudkan adalah adanya campur tangan

produser dalam menentukan sampel dalam sebagai input data untuk pemrosesan.

Sebelum melakukan klasifikasi pengguna menentukan training area yang

digunakan untuk melihat ciri-ciri statisitka masing-masing calon kelas (Richard

1993). Persamaan 1.3 menunjukan perhitungan probabilitas suatu kelas:

P(i׀X) = P(X׀i)P(i)/P(X)...................... (1.3)

Dimana :

P(i׀X) = Probabilitas bersyarat dari kelas i. Probabilitas ini juga disebut

likelihood

P(X׀i) = Probabilitas bersyarat (Conditoal) dari vektor X

P(i) = Probabilitas kelas i muncul dalam citra

P(X) = Probabilitas dari vektor X

Klasifikasi MLC mengevaluasi secara kuantitatif variance dan co-variance

pola tanggapan spektral ketika mengklasifikasikan piksel yang tidak dikenal

(Liliesand and Kiefer 1994). Hal tersebut perlu dibuat asumsi bahawa

distribusinya normal

Menurut Kumar 2007, Metode Klasifikasi berbasis piksel yang paling kuat

adalah metode klasifikasi maximum likelihood. Metode klasifikasi ini berdasar

pada rata-rata statistik, variance dan co-variance. Fungsi dari Bayesian

probability dihitung dari masukan dari tiap kelas yang dibuat dari sampel. Setiap

piksel nantinya akan menentukan kelas dimana kemungkinan tertinggi masuk.

Metode klasifikasi maximum likelihood memiliki keuntungan dari sudut

pandang teori kemungkinannya, akan tetapi juga perlu diperhatikan beberapa hal

yaitu :

1. Data lapangan yang cukup untuk digunakan sebagai sampel untuk

dapat mengestimasi nilai rata-rata dan variance-covariance matrix population.

16

2. Matrix invers dari variance-covariance menjadi tidak stabil dalam kasus

ini dimana adanya hubungan yang tinggi antara dua band atau data lapangan

sangat homogen. Dalam kasus tersebut, jumlah band harus dikurangi dengan

menggunakan principal component analysis

3. Ketika distribusi populasi sampel tidak normal maka klasifikasi

maximum likelihood tidak dapat diterapkan

Illustrasi konsep pengkelasan dari klasfikasi maximum-likelihood dapat

dilihat pada gambar 2.5

1.7.6. Segmentasi

Segmentasi adalah suatu metode dari klasifikasi berbasis obyek yang

mengelompokkan obyek (fenomena) kedalam region-region yang ditentukan oleh

suatu ukuran yang sama. Segmentasi sendiri menggunakan tiga aspek utama yaitu

Toleransi kesamaan (similarity tolerance), rata-rata (mean) dan variasi (variance).

Aspek toleransi kesamaan sendiri adalah sebuah nilai yang tidak nyata yang

menentukan batas sautu nilai piksel dapat dikelaskan menjadi suatu objek

berdasarkan nila batas terluar (threshold) antar piksel dengan piksel sebelahnya

Gambar 2.5. Konsep metode maximum likelihood

17

yang berdasarkan kondisi spasialnya. Metode yang digunakan dalam pemrosesan

ini adalah watershed. Aspek rata-rata berkaitan dengan nilai rata-rata pantulan

dari suatu obyek, misal pada band inramerah dekat obyek vegetasi sehat memiliki

nilai rata-rata pantulan yang tinggi sedangkan obyek air memiliki nilai rata-rata

yang rendah. Semakin tinggi bobot rata-rata yang digunakan maka dalam

pemrosesannya akan lebih mempertimbangkan nilai tengah rata-rata daripada

variasi didalamnya. Variance mempertimbangkan range / cakupan nilai pantulan

spektralnya hal ini berhubungan dengan tekstur. Semakin besar variannya maka

variasi obyek yang dihasilkan akan semakin beragam. Sehingga aspek rata-rata

dan aspek variasi merupakan aspek yang menyeimbangkan satu sama lain. Jika

aspek rata-rata memiliki nilai yang besar maka aspek variasi memiliki nilai yang

kecil dan sebaliknya. Konsep dasar dari similarity tolerance merupakan

multiresolusi dimana informas yang akan disadap dibuat dalam berbagai macam

kedetailan resolusi. Konsep multiresolusi dapat dilihat pada gambar 2.6

Gambar 2.6 : Konsep segmentasi dalam klasifikasi berbasis objek

(Sumber: Definiens Developer 7, User Guide, p. 26)

Pada klasifikasi berbasis objek, semua objek pada citra merupakan bagian

dari hirarki objek, yang mana memiliki perbedaan level tetapi tetap tetap pada

hirarkinya. Setiap level objek merupakan cerminan dari gambar yang memiliki

informasi tertentu pada citra. Gambar di atas menjelaskan hirarki dari objek yang

terjadi dalam klasifikasi berbasis objek. Superobjects merupakan level tertinggi

17






















17






















18

(skalanya paling general) hingga sub-objects yang levelnya paling bawah (skala

paling detail). Semakin tinggi levelnya objek maka akan semakin rumit klasifikasi

yang dilakukan. Sehingga dari gambar tersebut dapat kita lihat terdapat dua hal

yang penting yaitu hubungan untuk level objek yang sama (neighbor) dan level

objek yang berbeda (super or sub object) .

Pemrosesan segmentasi juga tergantung pada pembobotan saluran yang

akan digunakan. Setiap saluran akan memiliki nilai yang berbeda-beda untuk tiap

obyek, sehingga untuk menentukan bobot dari tiap saluran perlu diketahui objek

yang akan dikaji.

19

1.8. Penelitian Sebelumnya

Kamagata dkk (2005) dalam penelitian “Comparison of piksel-based and

object-based classifications of high resolution satellite data in urban fringe

areas“ menjelaskan bahwa penggunaan lahan/penutup lahan dapat

diklasifikasikan menggunakan dua metode yaitu OOC dan MLC pada citra satelit

resolusi tinggi .Kamagata dkk mencoba untuk mengklasifikasikan penutup

lahan/penggunaan lahan gabungan. Dalam menerapkan metode klasifikasi

berbasis piksel, Kamagata menggunakan metode maximum likelihood sebagai

klasifikasi terselia dan Isodata sebagai klasifikasi tak terselia. Dari kedua metode

klasisifikasi tersebut terjadi kesalah klasifikasi pada daerah bayangan. Selain itu

kesalahan klasifikasi terjadi pada daerah yang vegetasi dan parameter yang lain

tercampur menjadi satu dan membentuk pola yang lebih complex. Secara general,

klasifikasi yang dihasilkan oleh Kamagata dkk ini menunjukan bahwa metode

klasfikasi berbasis obyek memiliki potensi yang tinggi untuk analisis pola

penutup lahan bahkan pada daerah yang heterogen dan daerah pinggiran kota.

Rusdi (2005) dalam penelitian “Perbandingan Klasifikasi Maximum

Likelihood dan Object Oriented Pada Pemetaan Penutup/Penggunaan Lahan

(Studi Kasus Kabupaten Gayo Lues, NAD HTI PT Wirakarya Sakti Jambi dan

Taman Nasional Lore Lindu Sulawesi Tengah) memanfaatkan citra penginderaan

jauh menerapkan multiresolusi yaitu resolusi menengah yaitu citra Landsat ETM+

dan resolusi tinggi yaitu citra IKONOS. Citra IKONOS tersebut digunakan

sebagai bantuan untuk melakukan koreksi geometrik. Kelas penutup lahan yang

digunakan merupakan variasi antara kelas penggunaan dari FAO dan menurut

BPN, Kelas yang dihasilkanpun tidak semua ada hanya beberapa kelas hutan

alam, hutan rakyat, pemukiman, tanah terbuka, sungai, sawah. Menurut Rusdi

(2005) metode OOC (Object Oriented Classification) dapat menghasilkan

pemetaan penggunaan atau penutup lahan pada hirarki sistem klasifikasi yang

lebih tinggi, tidak menghasilkan efek salt and pepper serta menyajikan ketelitian

hasil klasifikasi yang lebih tinggi daripada metode MLC (Maximum Likelihood

Classification).

20

Gao Yan dkk (2005) dalam penelitian “Comparison of pixel-based and

object-oriented image classification approaches - a case study in a coal fire area,

Wuda, Inner Mongolia, China” menggunakan citra ASTER sebagai input data

dalam melakukan klasfikasi digital. Pada klasifikasi berbasis piksel, metode yang

digunakan adalah MLC , sedangkan untuk klasifikasi berbasis objek metode yang

digunakan adala segmentation dan pendekatan ketetanggaan (Nearest neighbor).

Menurut Gao Yan dkk, permukaan daerah batu bara didefinisikan sebagai area

yang tertutup tumpukan batu bata dan debu batu bata. Pada klasifikasi berbasis

objek, overall accuracy yang dihasilkan lebih tinggi daripada overall accuracy

yang dihasilkan oleh klasifikasi berbasis piksel yaitu sebesar 36,77%. Perbedaaan

akurasi memiliki arti bahwa pemetaan tematik menggunakan klasifikasi berbasis

objek memiliki akurasi yang lebih tinggi dari pada menggunakan klasifikasi

berbasis piksel. Total piksel hasil klasifikasi yang terkoreksi sesuai dengan

keadaan dilapangan oleh kedua metode tersebut adalah 3871 piksel sedangkan

937 piksel tidak sesuai. Hal tersebut diakibatkan oleh banyak hal salah satunya

adalah gangguan atmosfer. Efek atmosfer tersebut menyebabkan penutuplahan

yang sama akan memiliki nilai spektral yang berbeda sehingga nantinya dapat

dikelaskan dalam kelas yang berbeda. Menurut Kagama dkk, klasifikasi berbasis

obyek memiliki kelebihan daripada klasifikasi berbasis spektral.Hal tersebut

karena klasifikasi berbasis obyek memiliki kesempatan untuk menggabungkan

informasi spasial dan spektral dalam proses klasifikasi untuk menambah akurasi .

Pada penelitian yang peneliti lakukan, kajian yang digunakan sedikit

berbeda,kajian yang digunakan adalah pemetaan komposisi floristik. Setiap

vegetasi memiliki struktur tajuk, kerapatan, klorofil yang berbeda-beda sehingga

informasi spektral yang dihasilkan juga berbeda. Metode yang digunakan untuk

klasifikasi berbasis piksel adalah MLC. Klasifikasi visual digunakan untuk

menentukan sampel data, sedangkan MLC digunakan setelah melakukan sampel

data. Untuk klasifikasi berbasis objek metode yang digunakan adalah segementasi

yaitu membagi obyek mejadi segmen-segmen tertentu dengan syarat dan kriteria

dari aspek yang telah ditentukan

21

1.9. Kerangka Pemikiran

Penutup lahan di bumi secara garis besar dapat dibagi menjadi empat

kelompok besar yaitu vegetasi, tanah, air dan lahan terbangun. Keempat obyek

tersebut secara alami memiliki karakteristik kenampakan yang berbeda-beda.

Pada penginderaan jauh,nilai pantulan spektrum tersebut yang membedakan

antara tiap kenampakan tersebut. Untuk vegetasi spektrum yang peka berada pada

spektrum hijau, inframerah dekat dan jauh. Untuk tanah berada pada spektrum

merah dan inframerah tengah sedangkan untuk air pada spektrumbiru.

Karakteristik ini yang menjadi dasar dalam pengenalan obyek tersebut

Penginderaan jauh merupakan salah satu sarana dalam menyelesaikan

suatu permasalah secara spasial. Berbagai macam kelebihan dari data

penginderaan jauh seperti dapat menjangkau akses yang sulit dan waktu lebih

cepat daripada lapangan dan cakupan yang lebih luas membuat penginderaan jauh

sekarang mulai diminati, salah satunya dalam monitoring vegetasi. Berbagai

macam kegiatan monitoring banyak sekali diperlukan oleh berbagai macam

instansi seperti departemen kehutanan pertanian maupun perkebunan. Monitoring

tersebut dapat berupa luasan, kesehatan atau volume.

Penginderaan jauh untuk komposisi floristik sendiri cukup banyak

dilakukan. Baik vegetasi yang homogen maupun vegetasi yang heterogen. Tingkat

kesulitan tentunya lebih pada vegetasi yang heterogen hal ini karena kenampakan

vegetasi heterogen. Hal ini yang menjadi tantangan dalam pemetaan komposisi

floristik ini. Selain itu jenis spektral akan mempengaruhi informasi yang akan

didapatkan. Untuk multi dan hyper informasi yang didapatkan adalah kenampakan

vegetasi teratas sedangkan untuk radar vegetasi yang terekam dapat hingga

vegetasi bawah.Selain itu perlu diperhatikan efek kelerangan dan bayangan karena

dapat menghasilkan kenampakan komposisi floristik yang berbeda yang

notabenya sama.

Pemetaan vegetasi sangat dipengaruhi oleh nilai spektral yang dihasilkan

oleh tiap komposisi floristik. Untuk dapat memetakan komposisi floristik terlebih

dahulu harus memahami karakteristik dari tiap komposisi floristik itu sendiri

seperti pohon pinus dia memiliki tajuk berbentuk jarum sehingga pantulan

22

spektrum inframerah akan lebih rendah daripada pohon yang memiliki tajuk

berbentuk menjari. Selain itu vegetasi yang memiliki kandungan air tinggi juga

akan berbeda dengan vegetasi yang lebih sedikit kandungan air hal ini terlihat

pada pantulan spektrum inframerah jauh karena inframerah jauh peka terhadap

vegetasi yang mana peka ini dimaksud adalah tidak memantulkan air. Sehingga

vegetasi atau pohon yang memiliki banyak kandungan air akan terlihat lebih gelap

Pemetaan komposisi floristik terutama pada daerah yang heterogen

diperlukan citra yang memiliki resolusi cukup detail hal ini agar kenampakan tiap

pohon dapat terlihat dan dapat teridentifikasi menjadi komposisi floristik yang

spesifik. Selain itu hasil klasifikasi komposisi floristik juga dipengaruhi oleh

banyaknya band yang dimiliki oleh suatu citra. Semakin banyak band yang

dimiliki citra tersebut semakin detail informasi yang dapat di ambil terhadap

obyek tersebut dari berbagai macam spektrum. Citra Worldview-2 dirasa menjadi

pilihan yang baik untuk digunakan sebagai data pemrosesannya. Hal ini karena

resolusi spasial yang dimiliki citra worldview-2 sekitar 1,84 meter untuk

multispektralnya dan 0,46 untuk pankromatiknya. Selain itu citra Worldview-2

memiliki 8 band didalamnya yaitu 4 band standar (blue, green, red, near IR-1)

dan 4 band baru (yellow, coastal, red edge, near IR-2). Citra ini tidak tersedia

secara gratis yang mana harus dibeli. Untuk pemesannya sendiri minimal 20

km2untuk arsip yang sudah ada sedangkan untuk perekaman baru sekitar 95 km2

Dalam pemetaan komposisi floristik menggunakan resolusi spasial tinggi

yang diperlukan adalah metode yang tepat. Disini terdapat beberapa metode yang

dapat digunakan untuk melakukan klasifikasi komposisi floristik. Metode

klasifikasi yang berdasarkan oleh obyek yaitu Obyek based dan metode klasifikasi

yang berdasarkan nilai pikselnya yaitu pixsel based. Metode klasifikasi berbasis

piksel membaca nilai spektral tiap piksel sehingga efek bayangan sinar matahari

sangat mempengaruhi pengkelasaan objek. Metode berbasis piksel ini memiliki

kriteria yang berbeda dalam pemrosesannya. Untuk klasifikasi berbasis piksel

yang digunakan adalah maximum-likelihood hal ini dikarenakan klasifikasi ini

merupakan klasifikasi terbaik untuk klasifikasi supervised atau klasifikasi terselia.

Klasifikasi ini menentukan training area yang digunakan untuk melihat ciri-ciri

23

statistika masing-masing calon kelas tidak hanya menghitung jarak rata-rata, jarak

terdekat atau nilai maksimum-minimum suatu kelas (Richard 1993). Suatu piksel

pada klasifikisi ini dapat ditentukan masuk kelas apa, dengan memperkirakan

densitas probabilitas untuk setiap penutup lahan.

Metode berbasis objek yang digunakan untuk klasifikasi vegetasi adalah

segmentasi. Segmentasi ini merupakan metode pengelompokan objek kedalam

region-region yang ditentukan oleh suatu ukuran kehomogean. Segmentasi yang

akan digunakan melihat dari tiga aspek yaitu skala (scale), warna (color) dan

bentuk (form). Klasifikasi berbasis objek ini menggunakan kluster piksel yaitu

mengklusterkan nilai dari tiap informasi piksel berdasarkan aspek-aspek tertentu

baru nantinya di klasifikasikan

Berbagai kelebihan dan kekurangan yang dimiliki oleh metode klasifikasi

berbasis objek tersebut nantinya akan menambah atau malah mengurangi akurasi

terhadap metode berbasis piksel. Akurasi yang dihasilkan nantinya akan

dibandingkan terhadap tingkat kesulitan dan lama waktu yang diperlukan untuk

melihat seberapa efisienkah metode tersebut. Adapun lebih lengkap mengenai

kerangka pemikiran dapat dilihat dalam diagram kerangka pemikiran di bawah

ini:

24

Gambar 2.8.Diagram alir Kerangka Pikiran

Akurasi ?Akurasi Menurun Pemetaan Alternatif?

Digital

Karakteristik- Pixel (Satu pixel satu informasi)

- Membaca nilai spektral

Karakteristik

- Segmen (kluster piksel)

- Membaca Spektral, Tekstur, Bentuk, Scale

Efek

- Munculnya salt and pepper (Bintik acak)

- Efek Bayangan menjadi kelas tersendiri

Klasifikasi Berbasis ObjekKlasifikasi Berbasis Piksel

Pemetaan Vegetasi

Kategori

Struktur Komposisi

Heterogen

Resolusi Spektral Resolusi Spasial

Multispektral Tinggi Sedang Rendah

Metode KlasifikasiDigital

Ekstraksi Penginderaan Jauh

Efek

- Beban pemrosesan bertambah

- Pengetahuan lebih terhadap semua

aspek

25

1.10. Batasan Istilah

Penginderaan jauh : Ilmu dan seni untuk memperoleh informasi tentang

obyek, daerah atau gejala dengan jalan menganalisis data yang diperoleh

dengan menggunakan alat tanpa kontak langsung terhadap obyek, daerah

atau gejala yang dikaji (Lillesand dan Kiefer, 1994)

Citra resolusi spasial tinggi : Gambaran muka bumi dalam dua dimensi

yang memiliki informasi kenampakan spasial yang sangat detail

Raster : Satuan analisis yang terdiri dari beberapa sel, yang setiap sel

memiliki nilai /atribut

Klasifikasi multispektral : Suatu alogoritma yang dirancang untuk

menurunkan informasi dengan pengkelasan fenomena (obyek)

berdasarkan kriteria tertentu (Danoedoro, 1996)

Klasifikasi berbasis objek : Suatu alogoritma yang dirancang untuk

menurunkan informasi dengan pengkelasan fenomena (obyek) yang tidak

hanya memperhatikan nilai piksel tetapi juga memperhatikan aspek lain

seperti , skala kedetailan, warna, tekstur dan pola

Klasfikasi berbasis piksel : Suatu alogoritma yang dirancang untuk

menurunkan informasi dengan pengkelasan fenomena (obyek) yang

hanya memperhatikan nilai piksel pada suatu citra

Maximum likelihood : Salah satu metode klasifikasi piksel terselia yang

menentukan distribusi kelas berdasarkan nilai statistik dengan menghitung

kemungkinan terbesar nilai piksel tersebut termasuk kelas tertentu (ENVI)

Isodata : Salah satu metode klasifikasi piksel tak terselia yang

mengkalkulasi kelas obyek berdasarkan distribusi daripada kluster, teknik

pendekatan yang digunakan adalah jarak terdekat suatu nilai ixel tersebut

terhadap pengelompokan kelas.

Segmentasi : Suatu metode untuk pengelompokan objek ke dalam region-

region yang ditentukan oleh suatu ukuran homogenitas

Komposisi floristik : Susunan vegetasi yang berada pada suatu lokasi

yang dibedakan sebatas genus baik tutupan atas maupun tutupan

bawahnya.

26

Tegakan atas : Vegetasi yang berada diatas vegetasi lain yang dapat

terlihat pada citra penginderaan jauh

Efek bayangan : Kondisi suatu objek (fenomena) yang berada di bawah

(terhalang) obyek lain sehingga terlihat lebih gelap dari kondisi aslinya

Piksel/ Grid : Unit terkecil dari data raster

Efektivitas metode : Tepat guna suatu metode diterapkan pada suatu

fenomena berdasarkan tingkat akurasi, waktu dan kesulitan

Genus vegetasi : Tingkatan takson vegetasi yang lebih rendah daripada

famili yang mana termasuk kategori dalam klasifikasi biologi yang terdiri

dari satu atau lebih spesies filogenetis terkait.

Salt and pepper : Bintik acak yang tidak diinginkan dalam hasil

pemrosesan klasifikasi

Hutan : Suatu kesatuan ekosistem berupa hamparan lahan berisi sumber

daya alam hayati yang didominasi pepohonan dalam persekutuan alam

lingkungannya, yang satu dengan lainnya tidak dapat dipisahkan.

i. pendahuluan -...

Documents