Deteksi Obyek Tutupan Lahan Terbangun Manila City dengan Pemrosesan PCA (Principal Component Analysis) dan CTA (Classification Tree Analysis)

Principal Component Analysis (PCA) merupakan salah satu metode dalam mengurangi redundancy data sehingga dihasilkan citra dengan jumlah band yang sedikit tetapi mengandung informasi yang banyak (korelasi antar band rendah) dan meminimalisir duplikasi informasi. Metode ini termasuk dalam proses data cleaning  dan data reduction.

Classification Tree Analysis (CTA) merupakan salah satu algoritma untuk mengklasifikasikan data penginderaan jauh. Algoritma ini menggunakan inverse PCA sebagai input dan ROI sebagai training area. Salah satu terapannya dapat digunakan untuk mengklasifikasikan tutupan lahan suatu daerah.

Data penginderaan jauh yang digunakan merupakan Landsat 8 OLI tahun 2014 dan 2016 yang telah dilakukan tahap preprocessing sebelumnya meliputi koreksi radiometrik dan atmosferik hingga tahap dark substrat (nilai minimal 0). Daerah kajian yang digunakan adalah Manila City, Filipina. Manila City merupakan salah satu kota dengan pertumbuhan tinggi di Asia Tenggara. Objek klasifikasi yang diambil untuk training area adalah lahan terbangun, vegetasi, tubuh air, dan lahan terbuka (kosong). Pengambilan training area menggunakan software ENVI. Interpretasi visual menjadi penting dalam tahap pengambilan ROI ini. Dalam pemilihan training area dapat digunakan bantuan komposit citra seperti komposit 543 untuk menonjolkan vegetasi dan 567 untuk lahan terbangun. Tingkat akurasi dalam pemilihan training area ini akan sangat mempengaruhi tingkat akurasi proses klasifikasi.

Hasil training area dan inverse PCA digunakan sebagai input dalam hard classification dengan CTA. Dalam proses CTA ini terdapat decision tree. Decision tree ini menjelaskan bagaimana proses klasifikasi dilakukan secara statistik atributnya. Berikut hasil dari CTA Manila City tahun 2014 dan 2016.

1

Gambar di atas merupakan decision tree dari CTA Kota Manila tahun 2014. Dapat dilihat band yang menempati root adalah band 6 yang berarti band dengan kandungan informasi paling bervariasi. Berdasarkan decision tree tersebut dapat diketahui bila suatu objek pada band 6 memiliki nilai yang lebih kecil dari 0.140202559530735 maka objek tersebut akan diklasifikasikan sebagai objek kelas 1 (tubuh air). Jika nilainya pada band 6 lebih besar dari 0.140202559530735 akan diteruskan ke internodenya dimana jika pada band 1 lebih kecil dari 0.0296071795746684 akan diklasifikasikan sebagai objek kelas 3 (vegetasi) dan seterusnya. Saluran yang berperan dalam klasifikasi ini adalah band 6, band 1, band 5, dan band 7. Hal ini membuktikan bahwa komposit citra seperti 567 cukup efektif untuk mengidentifikasi tutupan lahan di perkotaan.

2

Gambar di atas merupakan hasil klasifikasi berdasarkan decision tree sebelumnya. Pada hasil klasifikasi terdapat 4 kelas diantaranya tubuh air (1), lahan terbangun (2), vegetasi (3), dan lahan terbuka (4). Dapat diketahui melalui hasil klasifikasi tersebut bahwa daerah kajian yang dipilih didominasi oleh lahan terbangun. Hal ini menunjukkan fakta yang wajar karena daerah kajian yang digunakan adalah daerah perkotaan besar. Proses klasifikasi ini sangat membantu dalam mengenali tutupan lahan karena jika dibandingkan dengan melihat secara visual saja tanpa bantuan data mining akan sulit membedakan tiap objek secara detil. Contohnya terdapat objek air pada pojok kiri bawah daerah kajian yang tidak terlihat jelas jika hanya dilihat pada citra aslinya saja.

3
Gambar Citra Asli

Proses CTA yang dilakukan pada citra tahun 2016 tidak menghasilkan perbedaan yang besar. Band yang ditemukan berperan paling besar tetap band 6 diikuti band 1, band 5, dan band 7. Hal yang membedakan antara hasil 2014 dan 2016 adalah nilai statistik dalam pembuatan keputusan pengklasifikasian.

4
Decision tree tahun 2016
5.jpg
Hasil klasifikasi tahun 2016

Split type yang digunakan pada proses-proses tersebut adalah gain ratio. Selain gain ratio terdapat jenis lain diantaranya entropi dan gini. Hasil yang diperoleh melalui jenis tersebut menunjukkan sedikit perbedaan pada rootnya. Saat menggunakan entropi dan gini band 7 merupakan band yang berada pada root. Namun band yang berperan tidak jauh berbeda dengan jenis ratio yaitu band 7, band 6, band 1, band 5 dan ditambah band 4. Selain itu hasil klasifikasi dari jenis yang berbeda masih menunjukkan hasil klasifikasi yang sama.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s