Kombinasi logika Fuzzy dan bentuk kluster untuk pemetaan penutup lahan pada data digital Aster

Bayu Andrianto Wirawan, Drs. Projo Danoedoro, M.Sc.,Ph.D.

2009 | Skripsi | S1 KARTOGRAFI DAN PENGINDERAAN JAUH

Pada klasifikasi konvensional dipersyaratkan daerah contoh yang saling terpisah antara satu kelas dengan yang lainnya. Namun sering kali pada citra dengan resolusi spasial rendah-sedang ditemukan mixed pixel, yang keberadaannya dapat berakibat pada kerancuan dalam penentuan kelas bahkan kesalahan dalam klasifikasi. Olch karena itu diperlukan pertimbangan pada piksel yang akan dieksekusi sebelum diputuskan secara tegas (pendekatan fuzzy). Pendekatan fuzzy dikenal dapat digunakan untuk memecahkan wilayah-wilayah yang samar dan memperbaiki pengambilan keputusan hasil. Penelitian ini bertujuan untuk mengkaji kemampuan logika fuzzy dan bentuk kluster dalam menurunkan informasi penutup lahan. Input yang digunakan pada penelitian ini adalah citra ASTER 9 band, PCA (Principle Component Analysis) dan OIF (Optimum Index Factor). Daerah contoh mixed (separabilitas rendah) dan daerah yang memiliki keterpisahan yang baik (separabilitas tinggi) digunakan sebagai training area, untuk kemudian dari input dan daerah contoh tersebut diterapkan klasifikasi fuzzy yang dikombinasikan dalam bentuk kluster. Klasifikasi fuzzy yang digunakan adalah Fuzzy C. Means, Fuzzy Shape, dan Fuzzy Adjusted sedangkan bentuk kluster yang digunakan adalah bentuk bola (sphere) dan ellipsoid. Digunakan pula klasifikasi konvensional yang dikenal mapan, yaitu klasifikasi Maximum Likelihood untuk membandingkan hasil klasifikasi yang diperoleh oleh klasifikasi fuzzy. Dari hasil klasifikasi yang dilakukan, diketahui bahwa: 1) Pendekatan fuzzy dapat menjadi alternatif pemecahan mixed piksel dalam citra resolusi rendah-sedang, 2) Penyesuaian yang dilakukan pada ukuran kluster dapat meningkatkan hasil klasifikasi hingga sebesar 6%, dan 3) Fuzzy adjusted ellipsoid PCA merupakan klasifikasi terbaik untuk daerah contoh mixed dengan akurasi 81,52% dan Maximum Likelihood merupakan klasifikasi terbaik untuk daerah non-mixed dengan akurasi 86,82%.

-

Kata Kunci : Klasifikasi Fuzzy, Mixed Pixel, Separabilitas, Bentuk Kluster