ACARA I

Deteksi Objek Tutupan Lahan Terbangun Dengan Pemrosesan PCA dan CTA

I. TUJUAN
Mempelajari Pemrosesan PCA dan CTA dalam Data Mining

II. PEMBAHASAN
Data mining merupakan ekstraksi dari info yang tersirat pada suatu data yang
kemudian rule yang didapatkan dari ekstraksi tersebut diterapkan pada jenis data
yang sama (secara temporal). Pemrosesan data mining perlu dilakukan apabila
perseorangan atau perusahaan memiliki banyak data dimana tidak memungkinkan
untuk memproses data satu persatu untuk mendapatkan mengekstraksi informasi
yang dibutuhkan.
Suatu data perlu dilakukan pre-processing sebelum diolah untuk memperbaiki
data yang tidak lengkap, tidak konsisten, atau memiliki gangguan yang dapat
mengganggu dalam proses pengolahan. Data transformation, data integration, data
cleaning, dan data reduction merupakan proses pre-processing data mining yang
diterapkan pada citra temporal. Normalisasi dengan melakukan koreksi radiometrik
(reflectance dan dark substrat) merupakan salah satu bentuk data transformation
yang dimaksudkan untuk meminimalisasi gangguan pada citra yang disebabkan
oleh tutupan awan(atmosferik) dan mendapatkan nilai spektrall objek yang
sebenarnya. Sehingga pada citra yang sama namun dengan tahun yang berbeda
suatu objek di lapangan yang memiliki kesamaan/kemiripan meiliki nilai pantulan
spektral yang berbeda. Maka dari itu diperlukan koreksi radiometrik dengan
tahapan reflectance dan dark substrat. Citra asli dengan citra hasil reflectance dan
dark substrat memililiki nilai spektral yang berbeda. Sama halnya dengan citra
kajian yaitu Citra Landsat Daerah Kendal dan sekitarnya dimana setelah dilakukan
koreksi radiometrik (sampai dark subtrat) nilai spektral merupakan nilai pantulan
yang sebenarnya. Berdasarkan koreksi tersebut, pada citra dengan tahun yang
berbeda, objek yang memiliki kesamaan/kemiripan memiliki nilai pantulan spektral
yang hampir sama sehingga identifikasi objek menjadi akurat. Tanggal akuisisi dan
sun elevation citra merupakan faktor yang penting dalam koreksi radiometrik. Jenis
citra dan tahun yang sama namun memiliki perbedaan bulan perekaman dapat
membuat nilai spektral berbeda karena pada dasarnya kenampakan objek di
lapangan berbeda (contoh bulan basah dan bulan kering). Maka dari itu, diperlukan
kecermatan dalam pemrosesan temporal citra.
PCA merupakan pemrosesan dalam data cleaning dan data reduction
(keberlanjutan dari proses data transformation). PCA dimaksudkan untuk
memampatkan saluran pada citra sehingga nilai korelasi antar saluran rendah.
Korelasi antar saluran yang rendah memudahkan dalam pengamatan objek citra dan
klasifikasi namun tidak mengurangi informasi yang terkandung pada citra tersebut.
Saluran yang memiliki informasi terbanyak adalah saluran-saluran awal, dimana
pada citra kajian, saluran 1, 2, dan saluran 3 merupakan saluran(band) dengan
informasi terbanyak dimana saluran-saluran tersebut mewakili keseluruhan
kenampakan dan nilai spektral objek pada semua saluran citra Landsat dimana
objek yang memiliki nilai pantulan spektral yang mirip disamakan. Namun, nilai
sebenarnya pada citra didapatkan setelah pemrosesan dari PCA menjadi invers
PCA karena noise(gangguan) pada saluran-saluran telah dihilangkan/
diminimalisasi.
Pengambilan sampel (ROI) merupakan langkah yang sangat penting untuk
membandingkan/mengklasifikasikan objek pada citra temporal. Pada dasarnya ROI
merupakan cara pengambilan sampel yang dimana user memiliki local knowledge
dan basic knowledge terhadap area kajian karena ROI ditentukan secara manual.
ROI harus dapat mewakili objek yang diklasifikasikan. Pengambilan ROI
diusahakan pada citra dengan tahun yang lebih awal sehingga lebih mudah
mengidentifikasi objek karena acuan terhadap fenomena objek seharusnya yang
lebih dahulu telah terjadi. Pengambilan ROI dilakukan pada citra hasil invers PCA
karena memiliki visualisasi yang baik. Namun, pada processing ini citra yang
menjadi pengambilan sampel adalah citra Landsat Kendal dan sekitarnya tahun
2008. Objek yang menjadi kajian adalah tubuh air, lahan terbangun, dan lahan non
terbangun. Secara teknis, pengambilan ROI dapat dilakukan dengan menggunakan
ArcGIS dengan file shp. ROI tersebut hanya dimaksudkan sebagai batasan terluar
smpel objek-objek kajian sedangkan perhitungan nilai ROI dalam pengklasifikasian
dilakukan dengan menggunakan IDRISI, namun ternyata terjadi beberapa kesulitan
dan kesalahan dalam pemrosesan. Butuh diperhatikan format ROI yang digunakan
(raster atau vektor) dan memerhatikan reference system antara citra masukan
dengan ROI karena pada pemrosesan CTA apabila antara cita masukan dan ROI
berbeda maka proses CTA tidak akan berhasil.

Perbedaan refrence system

Berdasarkan atas kesalahan yang terjadi berulang kali maka pengambilan ROI
dilakukan dengan menggunakan IDRISI. Namun sample yang diambil sangat
sedikit, yaitu hanya tiga sampel untuk masing-masing objek tubuh air, lahan
terbangun, dan lahan non-terbangun. Pengambilan ROI ini berhasil diolah pada
pemrosesan CTA, namun karena ROI yang terlalu sedikit sehingga rule yang
terbentuk pada spilt type dan agregasi yang berbeda memiliki rule yang sama. Hal
ini dikarenakan sampel tidak mewakili objek klasifikasi secara keseluruhan.
Sehingga dengan nilai agregasi yang berbeda pun rule yang terbentuk tetap sama
pada semua split type . Agregasi merupakan proses generalisasi terhadap nilai
cakupan pada satu piksel dimana objek yang terlalu kecil dan tidak memenuhi
untuk masuk kelas tertentu akan digeneralisasikan pada objek disekitarnya.

Sampel yang terlalu sedikit menyebabkan rule klasifikasi hanya dapat dibaca oleh
dua saluran, yaitu saluran (band)2 dan band 4 dengan masing-masing tiga piksel,
dimana yang menjadi akar adalah band 2. Nilai < 0.085247... pada band 2, 100%
masuk pada kelas 1(tubuh air). Sedangkan nilai ,0,2271... pada band 4 masuk ke kelas
3(lahan terbangun) dan sisanya masuk kedalam kelas 2(lahan non-terbangun).
Berdasarkan display citra hasil CTA maka yang memungkinkan dijadikan rule pada
citra tahun 2002 adalah citra kelas 2 (lahan non-terbangun). Display citra tidak dapat
mewakili kenampakan objek sebenarnya karena sampel yang tidak mewakili objek
yang diklasifikasikan sehingga beberapa objek yang seharusnya masuk kelas x
menjadi kelas y. Contoh pada sebelah utara daerah kajian dimana seharusnya
terklasifikasi sebagai lahan non terbangun (tambak) menjadi lahan terbangun.
Split type yang menhasilkan rule yang sama pada CTA citra tahun 2008 membuat
penerapan pada citra tahun 2002 dapat menggunakan ketiga tipe split type, namun
tidak diketahui metode yang terbaik antara ratio, entropy, dan ginny. Kesalahan
terjadi karena pengambilan ROI yang terlalu sedikit. Sehingga pada proses pemasukan
rule pada citra kajian 2002 kenampakan objek menjadi aneh.

CTA merupakan proses klasifikasi yang dimana pengklasifikasian keseluruhan
diserahkan kepada sistem, sehingga process ini kemungkinan sesuai untuk deteksi atau
perbandingan temporal citra namun tidak untuk processing data untuk survei lapangan
karena tidak diketahui bagaimana algoritma sistem tersebut berlaku sehingga
menghasilkan suatu rule.

DAFTAR PUSTAKA
Rosadi, Ibnu dkk. 2013. Petunjuk Praktikum Spatial Data Mining. Yogyakarta:
Fakultas Geografi UGM