Kajian self organizing map untuk mendukung pemetaan penutup/penggunaan lahan berbasis citra landsat 8 dikota Semarang dan sekitarnya
Ari Cahyono,
2016 | Tesis |Keberadaan citra Landsat 8 memberikan peluang eksplorasi sumber data pemetaan penutup/penggunaan lahan secara berkelanjutan. Keberadaan skema klasifikasi penutup lahan SNI SNI 7645-1 2014 memberikan peluang penerapan klasifikasi digital dengan jaringan syaraf tiruan self organizing map (SOM). Penelitian ini bertujuan untuk : (1) menerapkan self organizing map untuk mendukung pemetaan penutup/penggunaan berbasis citra penginderaan jauh dalam kaitannya dengan skema klasifikasi penutup lahan SNI 7645-1 2014; (2) mengetahui seberapa akurat self organizing map dengan data Citra Landsat 8 untuk pemetaan penutup/penggunaan lahan baik untuk objek berdimensi area maupun garis; (3) mengetahui pengaruh variasi sumber data yang dilibatkan serta variasi pengaruh kombinasi parameter pemrosesan terhadap akurasi hasil SOM; dan (4) melakukan generalisasi hasil klasifikasi citra penginderaan jauh untuk disajikan ke dalam peta penutup/penggunaan lahan. Penelitian ini mempergunakan data utama berupa citra Landsat 8 sensor OLI. Data bantu berupa citra SRTM 30 meter, Peta Rupa Bumi Indonesia skala 1:25.000, serta data spasial wilayah kajian. Wilayah kajian yaitu kota Semarang dan sekitarnya. Metode utama yang dipergunakan yaitu jaringan syaraf tiruan arsitektur self organizing map untuk ekstraksi penutup/penggunaan lahan objek berdimensi area dan garis serta tambahan berbagai metode pemrosesan citra digital untuk ekstraksi informasi garis. Metode generalisasi yang diterapkan yaitu generalisasi raster dengan berbagai macam teknik baik secara geometrik maupun konseptual. Hasil penelitian ini menunjukkan bahwa penerapan self organizing map (SOM) untuk pemetaan penutup/penggunaan lahan berbasis citra penginderaan jauh dengan menggunakan skema klasifikasi SNI 7645-1 2014 memberikan keuntungan dalam hal efektivitas waktu pemrosesan dan juga pelibatan berbagai sumber data yang dilibatkan. Hasil klasifikasi penutup/penggunaan lahan berdimensi area memiliki akurasi tertinggi sebesar 67,82%, sedangkan untuk garis sebesar 75,77% namun kurang dapat memberikan hasil yang memuaskan yaitu kenampakan garisnya tidak muncul. Pengaruh dari pemberian data spasial non spektral yaitu data lereng dan tekstur pada penelitian ini belum mampu meningkatkan akurasi keseluruhan. Namun meskipun begitu, pelibatan data lereng mampu memberikan akurasi > 65%. Demikian pula pelibatan data informasi tekstural citra mampu menyajikan hasil dengan akurasi 62,24 %. Pelibatan data spasial non spektral tersebut secara rata-rata meningkatkan akurasi per kategori kelas penutup/penggunaan lahan. Sedangkan pengaruh dari parameter pemrosesan di antaranya yaitu semakin besar ukuran peta neuron akan meningkatkan akurasi; jumlah iterasi semakin banyak akan meningkatkan akurasi, namun akan mengalami titik stabil pada jumlah100; serta jenis LVQ yang dipergunakan tidak terlalu berpengaruh terhadap hasil. Metode generalisasi yang memiliki akurasi tertinggi yaitu metode filter mayoritas
Kata Kunci :
