Penggunaan analisis tekstur pada Citra Landsat 7 ETM+ untuk peningkatan akurasi hasil klasifikasi penutup lahan :: Studi kasus Kota Madiun

HARIYANTO, Deddy, Ir. Haryono, Ph.D

2006 | Tesis | S2 Teknik Geomatika

Citra penginderaan jauh mempunyai peran penting dalam kegiatan klasifikasi penutup lahan karena pengulangan perekaman atau resolusi temporal yang cepat dan area cakupan yang luas, sehingga mampu memantau perkembangan dengan akurat. Tekstur, variabilitas spasial intrinsik dari data radiometrik, menjadi fitur yang penting untuk membedakan jenis penutup lahan. Tujuan penelitian ini ialah mengevaluasi penggunaan analisis tekstur dengan algoritma Grey-Level Co-occurrence Matrix untuk melakukan klasifikasi penutup lahan pada citra satelit Landsat ETM 7+. Evaluasi dilakukan untuk melihat apakah ada peningkatan kualitas hasil klasifikasi bila dibandingkan dengan metode supervised classification menggunakan algoritma maximum likelihood. Proses pelaksanaan penelitian ini dibagi menjadi dua tahap. Pertama, citra Landsat 7 ETM+ level 1G diklasifikasi dengan metode klasifikasi terbimbing maximum likelihood. Kedua, citra Landsat 7 ETM+ dianalisis berdasarkan tekstur menggunakan algoritma Grey Level Co-occurrence Matrix (GLCM). Fitur tekstur yang dihitung adalah mean, variance, contrast dan angular second moment, menggunakan tingkat kuantifikasi 64 (6 bit), offset 1,1 serta window size 3x3, 5x5, 7x7 dan 9x9. Kemudian dilakukan klasifikasi terbimbing maximum likelihood terhadap citra hasil analisis tekstur tersebut. Akurasi hasil klasifikasi dihitung dengan menggunakan user accuracy, producer accuracy, dan overall accuracy. Data referensi berupa foto udara skala 1:15.000 digunakan untuk menguji akurasi hasil klasifikasi. Hasil penelitian ini menunjukkan bahwa penggunaan analisis tekstur dapat meningkatkan akurasi hasil klasifikasi. Klasifikasi maximum likelihood menghasilkan akurasi sebesar 83%. Akurasi ini menjadi 88 % (mengalami peningkatan sebesar 5%) setelah dilakukan analisis tekstur untuk saluran mean dengan window size 3x3, menjadi 89% (mengalami peningkatan sebesar 6%) untuk saluran mean dengan window size 5x5 dan 7x7, dan menjadi 87% (mengalami peningkatan sebesar 4%) untuk saluran mean dengan window size 9x9. Penelitian ini juga mencatat bahwa fitur tekstur variance, contrast dan angular second moment tidak mampu meningkatkan akurasi hasil klasifikasi.

Remote sensing imageries with high temporal resolution and wide-range band swath, have an important role in land cover classification. Texture, the intrinsic variability of radiometric data, is a valuable feature to discriminate the different land cover types. The purpose of this research is to perform land cover classification based on GLCM texture analisys using Landsat 7 ETM+ image. An evaluation had been conducted to know the improvement of classification accuracy resulted from GLCM texture method. Classification accuracy resulted from the supervised classification based on maximum likelihood algorithm is measured to compare with classification accuracy resulted from GLCM texture method. This research process is divided into two mayor steps. First, a supervised classification based on maximum likelihood algorithm was applied to Landsat 7 ETM+ image. Second, texture analysis based on GLCM was applied to Landsat 7 ETM+ image. Four texture features were measured such as mean, variance, contrast and angular second moment, using 64 quantification levels (6 bit), offset (1,1) and four window size (3x3, 5x5. 7x7 and 9x9). Then, a supervised classification based on maximum likelihood algorithm was applied to texture bands. The classification accuracy is measured by user accuracy, producer accuracy and overall accuracy. A 1:15.000 aerial photograph was used as reference data to test classification accuracy. The result of this research found that the use of the texture-based classification improved the accuracy. The supervised classification based on maximum likelihood algorithm resulted in 83% overall accuracy. The texture analysis based on GLCM resulted in 88% overall accuracy (mean band, 3x3 window size), a 89% overall accuracy (mean band, 5x5 and 7x7 window size) and a 87% overall accuracy (mean band , 9x9 window size). The improvement range of overall accuracy is between 4% - 6%. This research also records that texture features such as variance, contrast and angular second moment can not improve classification accuracy.

Kata Kunci : Citra Landsat 7 ETM+ ,Akurasi,Analisis Tekstur, Landsat 7 ETM+ image, classification, maximum likelihood, texture, GLCM, accuracy