SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PENUTUP LAHAN

MENGGUNAKAN CITRA RADARSAT 2 DENGAN DUAL POLARISASI

HH-HV

Vandam Caesariadi Bramdito

[Link]@[Link]

Retnadi Heru Jatmiko

retnadih@[Link]

Abstract

Radarsat 2 imagery . That satellite has a new specification and better than the
old generation with high spatial resolution. Radarsat 2 can be used for landcover
classification with Support vector machine algoritm that a machine learning algoritm
that would become alternative except maximum likelihood even that algoritm can’t be
use for a dual polarization HH-HV that SVM can handle it. Support Vector Machine
algoritm can give landcover information automatically that can be develop
application method for landcover monitoring for tropical country such as Indonesian.
The method we used to collect Region of Interest and validation test by field survey .
this research use smartphone GPS android with 120 spot of sample with error
calculation 6.5%. After that we test the accuration with confusion matrix table. Result
of landcover classification show that overall classification is 66,67% and has kappa
coefficient as 0,55821446 that show the result indicate not suit with

Keywords : Classification, Landcover, RADARSAT 2, Support Vector Machines, Single

polarization HH
Abstrak

Radarsat 2 citra. satelit yang memiliki spesifikasi baru dan lebih baik dari
generasi tua dengan resolusi spasial tinggi. Radarsat 2 dapat digunakan untuk
klasifikasi tutupan lahan dengan mesin vektor Dukungan algoritma bahwa mesin
pembelajaran algoritma yang akan menjadi alternatif kecuali kemungkinan maksimum
bahkan algoritma yang tidak dapat digunakan untuk dual polarisasi HH-HV yang SVM
bisa mengatasinya. Support Vector Machine algoritma dapat memberikan informasi
tutupan lahan otomatis yang dapat mengembangkan metode aplikasi untuk monitoring
tutupan lahan untuk negara tropis seperti Indonesia. Metode yang kami gunakan untuk
mengumpulkan Region of Interest dan uji validasi oleh survei lapangan. Penelitian ini
menggunakan smartphone GPS android dengan 120 tempat sampel dengan
perhitungan error 6,5%. Setelah itu kita menguji akurasi dengan meja kebingungan
matriks. Hasil tutupan lahan klasifikasi menunjukkan bahwa klasifikasi keseluruhan
adalah 66,67% dan memiliki koefisien kappa sebagai 0,55821446 yang menunjukkan
hasil mengindikasikan tidak sesuai dengan.

Kata kunci: Klasifikasi, Penutup lahan, RADARSAT 2, Support Vector Machines, Polarisasi
tunggal HH
Pendahuluan pemetaan automasi seperti klasifikasi
Peran informasi penutup lahan
multispektral seperti pada citra optik.
dalam pembangunan sangat penting,
Pada citra radar data yang di
namun dalam upaya memonitoring
klasifikasikan adalah nilai hamburan
informasi tersebut dari tahun ketahun.
balik obyek yang nilainya berdasarkan
Dewasa ini teknologi penginderaan
karakteristik fisik obyek.
jauh dapat mengakomodasi kegiatan
Klasifikasi penutup lahan
monitoring penutup lahan serta
secara automasi dilakukan dengan
perubahan penggunaan lahan. Di
memanfaatkan algoritma yang
ketahui di Indonesia adalah negara
merupakan susuna logis dan sistematis
tropis terdapat kendala dalam
untuk memecahkan masalah (scikit,
monitoring penutup lahan yang
SVM 2015) klasifikasi terselia yakni
diskontinu pada masa musim hujan.
menggunakan algoritma seperti
Dimana tutupan awan yang tinggi pada
maximum likelihood. Tetapi ada
bulan oktober sampai maret. Citra
algoritma klasifikasi yang memiliki
optik tidak mampu melakukan
kemampuan yang baik dan bahkan
klasifikasi automasi atau interpretasi
dapat digunakan untuk citra band
pada saat liputan citra yang tutupan
tunggal seperti citra radar yakni
awan tinggi.
Support Vector Machines.
Adanya citra Radar yang
Metode Penelitian
mampu untuk menembus awan dengan
Data yang digunakan dalam
gelombang mikro adalah suatu
penelitian ini adalah citra RADARSAT
teknologi yang dapat membantu
2 dari pengembangan CSA (canadian
permasalahan dalam mengisi informasi
Space Agency) dan MDA Corporation
yang hilang dari tutupan awan di
waktu liputan 14 september 2015.
Indonesia yang tropis ini. Citra radar
Merupakan sampel data yang
dapat digunakan untuk kegiatan yang
disediakan liputan wilayah
berhubungan dengan keilmuan geologi
Yogyakarta. Alat yang digunakan yaitu
dan geomorfologi tetapi juga dapat
laptop, printer, scanner dan software
digunakan untuk klasifikasi penutup
QGIS 2.14, Ms Exel, Ms Word , NEST
lahan. Penutup lahan adalah segala
SAR 5.1 dan ENVI 5.3 dari EXELIS.
sesuatu yang tampak dipermukaan
Adapun tahapan penelitian berikut :
bumi (lillesand, 2004) dapat di lakukan
Diagram Alir yang paling variatif. Citra radar yang
mengalami transformasi citra dari non
desibel ke desibel mengalami
perubahan tingkat kecerahan citra.
Secara umum hal ini semakin
memudahkan dalam klasifikasi karena
semakin memberikan perbedaan nilai
pada obyek yang berbeda meskipun
nilainya masih berbeda secara gradual.

DN = �𝐼𝐼 2 + 𝑄𝑄 2
a. Kalibrasi hamburan balik citra
βº j =10log 10 [(𝐷𝐷𝐷𝐷𝑗𝑗2 + A3)/A2 j )] dB
Citra RADARSAT 2 yang digunakan
memiliki spesifikasi dual band Di mana
DN = Digital number
polarisasi HH-HV Scansar Wide
A3 = A3 adalah fixed offset didalam
dengan Level Product 1 sehingga sudah rekaman data radiometrik
terkoreksi radiometrik dan geometrik . A2 j = menskala nilai pendapatan ∫th
piksel yang diperoleh dari interpolasi
Kemudian pada citra tersebut juga
linier gain value in fields 16-527
terdapat type/jenis dari band HH dan perekaman data radiometrik
HV ada 2 yakni intensity dan 𝐷𝐷𝐷𝐷𝑗𝑗2 = Digital Number yang
amplitude. Dalam penelitian ini merepresentasikan magnitude ∫th piksel
dari awal range line dari citra satelit
digunakan intensity yang
tersebut (ScanSAR Wide)
peruntukannya untuk terrestrial yang
fungsinya untuk monitoring. c. Tahapan Speckle filtering

b. Transformasi hamburan balik dB Citra RADARSAT 2 HH-HV

Pada tahap ini citra setelah di potong yang merupakan citra radar dapat
perlu di lakukan transformasi menjadi dipastikan memiliki noise yakni piksel
bentuk nilai dB (desibel) yang dengan nilai ekstrim dalam bentuk titik
memiliki nilai minus, yang secara hitam. Noise pada citra akan
numerik lebih mudah untuk di menurunkan kualitas dari hasil
klasifikasikan oleh algoritma. Pemilih pemrosesan. Oleh karena itu citra radar
an wilayah kajian ditentukan dari yang sudah menjadi citra sigma naught
wilayah yang memiliki penutup lahan dB perlu dilakukan proses speckle
filtering untuk mengoptimalkan dibutuhkan adalah 5 kelas maka
kualitas citra. Filter yang digunakan dibutuhkan kernel untuk klasifikasi
pada penelitian ini adalah Filter lee non biner yakni kernel non linier agar
dengan ukuran 3x3 moving window. algoritma SVM dapat bekerja pada
klasifikasi multi kelas.
(|Xa-Xb|2)
Dimana Konsep aplikasi dari SVM
Xa = estimasi bagian citra tertapis classifier adalah pada penentuan
(filtered) hyperplane berdasarkan support
Xb = intensitas bagian citra yang tidak vectornya yakni data terdekat dengan
terdapat speckle kelas lainnya. Namun, untuk penerapan
d. Pengambilan Region of interest klasifikasi multi kelas perlu adanya
kernel untuk modifikasi, lalu diketahui
Pengambilan data training pada
bahwa kernel RBF (Radial Basis
citra dilakukan setelah proses filter,
Function) yang terbaik untuk
citra satelit disesuaikan dengan jumlah
melakukan klasifikasi.
kelas yang sudah ditentukan. Kelas
tersebut ada 5 yakni lahan terbuka,
Kernel RBF
lahan terbangun, lahan pertanian,
K(ẍ i ,ẍ j )=exp(−𝑔𝑔||𝑥𝑥𝑖𝑖 − 𝑥𝑥𝑗𝑗 2 ), 𝑔𝑔 > 0
Vegetasi dan tubuh air. untuk masing-
masing kelas dikumpulkan setidaknya
200 piksel untuk masing-masing f. uji akurasi

penutup lahan dengan distribusi yang dalam mengukur kemampuan dari

merata dan disesuaikan dengan jumlah algoritma SVM dalam melakukan

luasan penutup lahan untuk proporsi klasifikasi maka perlu adanya uji

data training. akurasi dari hasil klasifikasi yang

dilakukan dengan algoritma tersebut.
e. Klasifikasi Support Vector
Serta melihat potensi citra Radarsat 2
Machines
PALSAR dalam memberikan
Klasifikasi terselia yang
informasi melalui perhitungan tabel
digunakan adalah algoritma Support
confusion matrix antara citra hasil
Vector Machines yang dapat
klasifikasi dengan data lapangan.
diterapkan pada citra polarisasi tunggal
N = Z2(p)(q)/E2
HH. Karena klasifikasi yang
g. Analisis hasil validasi
Analisis mengenai hasil validasi ini Pada proses ini juga terjadi
merupakan, analisis kuantitatif me perubahan tingkat kecerahan pada citra
ngenai hasil uji akurasi. Analisisnya yang menyebabkan meningkatnya
meliputi koefisien kappa dan analisis rasio perbedaan antar obyek yang
deskripsi mengenai kemampuan berbeda pada citra. Namun pada tingkat
algoritma dalam melakukan klasifikasi. ini perbedaan nilai antar obyek yang
HASIL DAN PEMBAHASAN berbeda masih belum jelas. Walaupun
a. Kalibrasi citra memang diketahui pada citra radar nilai
Proses kalibrasi ini adalah proses perbedaan obyek berbeda secara
mengubah atau tranformasi citra dari gradual sehingga data yang ada pada
band ganda HH-HV intensity menjadi citra radar memang sulit untuk di
citra sigma. Proses ini meliputi klasifikasi.
pengubahan nilai standar deviasi dari Citra Radarsat 2 yang sudah di
citra tersebut dan jumlah piksel pada kalibrasi menjadi citra sigma belum
citra keseluruhan. Citra raw tampak dapat di gunakan sebelum di konversi
belum memiliki dimensi citra yang menjadi citra sigma naught dB desibel.
belum sempurna, yakni bentuk citra Setelah tahap ini selesai dapat
yang masih belum berdimensi persegi. dilakukan pemotongan citra sesuai
wilayah kajian yang di inginkan.
b. Transformasi citra sigma naught
db
Hasil transformasi citra ini dari
nilai hamburan balik non desibel ke
(a)Citra Radarsat 2 Polarisasi HH
dalam bentuk desibel. Menghasilkan
citra yang tampak lebih cerah dengan
perbedaan kecerahan obyek yang lebih
jelas perbedaannya meski secara
gradual. Tampak bahwa proses
tranformasi citra sigma naught adalah
(b) Citra Radarsat 2 Polarisasi HV
normalisasi nilai citra pada setiap band
Gambar [Link] citra antar 2
baik band HH maupun band HV
polarisasi yang berbeda
dengan masing-masing menegaskan
 perbedaan nilai dari masing-masing proses dengan tahapan selanjutnya
obyek. yakni speckle filtering.

c. Tahapan Speckle filtering

(a) Citra Sigma Naught Polarisasi HH

(a) Hasil Speckle filtering Band HH

(b) Citra Sigma Naught polarisasi HV

Gambar 3. Perbandingan citra setelah di (b)Hasil Speckle filtering Band HV
konversi nilai desibel Gambar 4. perbandingan hasil Speckle
filtering dua citra polarisasi Radarsat 2
Pada tingkatan proses ini data
nilai citra sudah di normalisasi dengan Hasil speckle filtering me-
distribusi nilai piksel yang sesuai dan nunjukan perubahan statistik citra yang
membentuk kurva normal. Pada tidak terlalu signifikan tetapi memiliki
tahapan ini citra sudah dapat pengaruh yang tampak secara
digunakan, namun meskipun noise kuantitatif. Perubahan statistik citra ini
pada tahapan ini sudah berkurang secara umum meningkatkan kualitas
dibandingkan dengan tahapan citra citra agar hasil klasifikasi yang akan di
sebelumnya, perlu adanya tahapan lakukan lebih baik. Citra radar yang
untuk mengeliminasi noise agar hasil memiliki band tunggal sulit untuk di
yang lebih optimal maka citra perlu di klasifikasikan karena tampak gradual
dan referensinya hanya dari satu band.
Kemungkinan untuk algoritma gagal meskipun tampak tubuh air dan lahan
mengklasifikasikan data sesuai jumlah terbuka perbedaanya kurang tegas
kelas masih mungkin terjadi. Pengambilan ROI pada masing-
masing kelas jumlahnya berbeda
d. Pengambilan Region of Interest
tergantung dari hasil observasi citra
Tidak seperti citra optik multi
optik, penutup lahan mana yang
spektral yang dapat dengan mudah
dominan. Penutup lahan yang dominan
secara langsung dilakukan pe-
pada citra adalah lahan terbangun oleh
ngambilan ROI. Citra radar dengan
karena itu ROI lahan terbangun
saluran tunggal memiliki tampilan
diperbanyak dan disesuaikan pro
yang sulit untuk di lakukan interpretasi
porsinya untuk penutup lahan lain yang
visual, oleh karena itu dalam
kurang dominan seperti tubuh air.
pengambilan ROI di sarankan untuk
e. Hasil Klasifikasi citra Support
menggunakan citra optik lain sebagai
Vector Machines
alat bantu dalam menentukan ROI pada
Hasil Klasifikasi Penutup lahan citra
masing-masing kelas.
RADARSAT 2 dengan algoritma
Support Vector Machines berhasil
mengklasifikasikan nilai hamburan
balik citra dalam 5 kelas. Yakni lahan
terbangun, lahan terbuka, lahan
pertanian, vegetasi dan Tubuh air.
Hasil klasifikasi terlihat bahwa
hasil klasifikasi yang kurang baik

Gambar 5. Visualizer ROI (hijau adalah lahan pertanian, karena hanya

vegetasi), (Jingga Permukiman), (Biru sedikit pada citra yang terklasifikasi.

Tubuh air), (Kuning Lahan pertanian) Kemudian sulitnya algoritma dalam

dan (Putih Lahan terbuka) menentukan kelas untuk dua kelas yang

Pada Visualizer ROI tampak memiliki nilai yang hampir sama sama

secara kualitatif ROI tersebar dengan antara lahan terbuka dan tubuh air.

cukup baik untuk kemudian melakukan kemudian lahan terbangun dan vegetasi

proses klasifikasi citra kedalam 5 kelas memiliki hasil yang cukup baik pada
user accuracy.
 Gambar 6. Peta hasil klasifikasi RADARSAT 2 Dual Polarisasi HH-HV

Tabel 1. Confusion Matrix Tabel 3. Perhitungan Koefisien kappa

Tabel 2. Validasi hasil klasifikasi

Hasil klasifikasi Citra juga adanya tubuh air yang luas di daerah
terdapat beberapa anomali yakni bukit di tenggara wilayah kajian. Hal
ini menunjukan bahwa prasyarat dibawah 50%. Untuk penutup lahan
penggunaan citra radar untuk pertanian memiliki producer accuracy
klasifikasi penutup lahan harus lah yang tinggi artinya banyak penutup
yang memiliki relief datar hingga lahan pertanian yang terklasifikasikan
landai. Gelombang mikro yang sebagai lahan non pertanian. Kemudian
terpancar dari sensor ke relief berbukit user accuracy penutup lahan, lahan
terdapat sinyal yang tidak kembali ke terbangun dan vegetasi juga me-
sensor sehingga memiliki nilai nunjukan banyak penutup lahan lain
hamburan balik yang rendah seperti yang terklasifikasi sebagai dua penutup
tubuh air. lahan tersebut.
f. Uji akurasi g. Analisis Validasi
Untuk melakukan uji akurasi Analisis hasil uji akurasi menunjukan
perlu adanya data di lapangan, yakni bahwa koefisien kappa yang diperoleh
dengan melakukan survei, dengan yakni 0,55821446 yang nilainya lebih
derajat kepercayaan 95% akurasi yang mendekati 0 di bandingkan 1 sehingga
diharapkan setidaknya 85% lalu error secara umum. Citra ALOS 2 dengan
yang di izinkan sebesar 6,5 % maka dual polarisasi HH-HV yang di
jumlah titik sampelnya adalah 120 titik klasifikasikan dengan algoritma SVM
secara stratified random sampling. belum dapat digunakan datanya untuk
Dimana jumlah titik untuk masing- penelitian terapan.
masing kelasnya tergantung dominasi KESIMPULAN
penutup lahan di wilayah kajian dan 1. Algoritma Support Vector Machines
tentu secara acak. mampu mengklasifikasi penutup
Pada hasil perhitungan lahan pada citra radar dengan
kesesuaian citra hasil klasifikasi Polarisasi ganda HH-HV hingga 5
dengan data survei lapangan diketahui kelas.
bahwa lahan terbuka dan tubuh air 2. Meski hasilnya cukup baik, hasil uji
memiliki akurasi yang sangat rendah. akurasi menunjukan 66,67% bahwa
Hal ini tentu dikarenakan sulitnya klasifikasi citra RADARSAT 2 ini
membedakan nilai antara lahan terbuka belum sesuai untuk digunakan
dan tubuh air dengan user accuracy sebagai bahan penelitian terapan
dibawah 30% dan producer accuracy
DAFTAR PUSTAKA [Link]
on.19p
Adiningrat, D.P..[Link] of
Han, Jiawei. Micheline Kamber And
Scattering Coefficient Value of
Jian [Link] Mining
Landcover in back Object Data
Concept and
Alos Palsar Digital dual
[Link]
polarized (HH and HV) in most
[Link] Kautman
of jakarta and tanggerang
Huang, C, L. DAVIS and J.R.G.
undergraduate thesis. Faculty
[Link]
of Geography
of SupportVector Machine for
Universitas Gadjah Mada
Land Cover
Alfred R, Concklin, [Link]
[Link] Park.
Sampling : Principle and
International Journal of
Practices in Environmental
Remote sensing. Taylor and Francis
[Link] [Link]
Japan Space
Dekker
[Link] 2
Bagan, Hasi., Wataru Takeuchi and
PALSAR CEOS Format
Yoshiki [Link]
[Link].
Cover Classification in
Jaxa
Kalimantan By Polarimetric
Japan Space [Link]
[Link] Japan.
Reference Guide : 6th
International Archives of
[Link]
Photogrametry, Remote
Sensing and spatial
[Link] Penginderaan Jauh
Information Science
Levin,[Link]
[Link]
l of Remote [Link]
Penutup [Link]
Aviv University.
Standarisasi
Lillesand, T.M. Kiefer,
Nasional
[Link] Sensing and
Chang, C.C. and
Image Interpretation
[Link]: a
(Indonesian
library for support vector
Translate).[Link]
Machines, ACM Transaction
Mada University Press
on inteligent system and
Lillesand, T.M. Kiefer et
Technology, 2:27:1-27:27
[Link] Sensing and
Dewantoro, Mouli de Rizka dan Nur
Image [Link]
Mohammad [Link]
Willey and Sons : New York
PALSAR Image for Land
Cover Classification Using
Pulse Coupled Neural
[Link]
Danoedoro, [Link]
Penginderaan Jauh Digital.
[Link] andi
[Link] On ALOS
PALSAR Product for ADEN
[Link].
European Space Agency
Fletcher, [Link] Vector