Analisis Tekstur pada Citra Aster untuk Klasifikasi Penggunaan Lahan Obyek Pajak Bumi dan Bangunan Studi Kasus di Wilayah Kabupaten Bantul

MUGITO, Ir. Christine Noegroho Kartini, SU. Pj

2008 | Tesis | S2 Teknik Geomatika

Kegiatan intensifikasi Pajak Bumi dan Bangunan (PBB) melalui peningkatan kualitas Nilai Jual Objek Pajak (NJOP) bumi, memerlukan informasi penutup/penggunaan lahan yang up to date. Citra penginderaan jauh mempunyai peran yang penting dalam kegiatan klasifikasi penggunaan lahan karena resolusi temporal yang cepat dan area cakupan yang luas. Tekstur, variabilitas spasial intrinsik dari data radiometrik, menjadi fitur yang penting untuk membedakan jenis penggunaan lahan. Tujuan penelitian ini adalah mengevaluasi kemampuan analisis tekstur dengan algoritma Grey Level Co-occurance Matrix (GLCM) pada citra ASTER untuk klasifikasi penggunaan lahan. Citra ASTER dianalisis berdasarkan tekstur menggunakan algoritma Grey Level Co-occurance Matrix (GLCM). Fitur tekstur yang dihitung adalah mean, variance, homogeneity, contrast, dissimilarity, entropy, angular second moment dan correlation, menggunakan tingkat kuantifikasi 64 (6 bit), offset 1,1 serta window size 3x3, 5x5, 7x7 dan 9x9. Kemudian dilakukan klasifikasi terkontrol maximum likelihood terhadap citra hasil analisis tekstur tersebut. Proses klasifikasi dibagi menjadi tiga tahap. Tahap I membagi jenis penggunaan lahan menjadi 3 kelas, tahap II menjadi 6 kelas dan tahap III menjadi 9 kelas. Skema klasifikasi mengacu pada Surat Edaran Direktorat Jenderal Pajak Nomor SE- 25/PJ.6/2006. Akurasi hasil klasifikasi dihitung menggunakan commission, omission, user accuracy, producer accuracy, mapping accuracy dan overall accuracy. Data referensi berupa citra IKONOS yang diakses tanggal 5 November 2007 dari Google Earth, digunakan untuk menguji akurasi hasil klasifikasi. Hasil penelitian ini menunjukkan bahwa penggunaan analisis tekstur mampu memberikan hasil klasifikasi yang memenuhi syarat overall accuracy lebih besar dari 85 % dan komisi keseluruhan kelas < 20 % hanya sampai pada klasifikasi tahap II (6 kelas) khususnya untuk saluran mean. Klasifikasi tahap I pada saluran mean memberikan akurasi sebesar 94,72 % untuk jendela 3x3, 96,23 % untuk jendela 5x5, 97,24 % untuk jendela 7x7 dan 97,61% untuk jendela 9x9. Klasifikasi tahap II pada saluran mean memberikan akurasi sebesar 88,60 % untuk jendela 3x3, 91,68 % untuk jendela 5x5, 93,39 % untuk jendela 7x7 dan 93,77 % untuk jendela 9x9. Sedangkan pada klasifikasi tahap III, hasil klasifikasi pada semua saluran tidak memenuhi toleransi yang disyaratkan Short. Penelitian ini juga mencatat bahwa penggunaan ukuran jendela yang semakin besar, memberikan akurasi hasil klasifikasi yang semakin tinggi.

The Program of Land and Building Tax intensification by improving quality of the Selling Value of Tax Object (Nilai Jual Objek Pajak, NJOP), requires up-to-date information concerning land cover or landuse. Remote sensing imageries with high temporal resolution and wide-range band swath have an important role in landuse classification. Texture, the intrinsic variability of radiometric data, is a valuable feature to distinguish different landuse types. The purpose of this research is to perform landuse classification based on Grey Level Co-occurrence Matrix (GLCM) texture analisys using ASTER image. Texture analysis based on GLCM was applied to ASTER image. Texture features such as mean, variance, homogeneity, contrast, dissimilarity, entropy, angular second moment and correlation, were measured using 64 quantification levels (6 bit), offset (1,1) and four window sizes (3x3, 5x5, 7x7 and 9x9). Subsequently, a supervised classification based on maximum likelihood algorithm was applied to texture bands. This classification process was devided into three steps. First step categorized landuse type into 3 classes, second step detailed the classification in 6 classes and in the third step 9 classes were generated. This classification scheme referred to the Sirculation Letter of the Directorate General of Tax Number SE-25/PJ.6/2006. The classification accuracy was calculated using commission, omission, user accuracy, producer accuracy, mapping accuracy and overall accuracy. IKONOS image from Google Earth (accessed on November 5th 2007) was used as reference data for testing the classification accuracy. The result of this research revealed that the use of texture-based classification can give result of overall accuracy of over 85 %. In addition, the commission of overall class is less than 20 %, which was performed up to the second step classification (6 classes), especially for the mean band. First step classification for the mean band provided overall accuracy of 94,72% (3x3 window size), 96,23% (5x5 window size), 97,24% (7x7 window size) and 97,61% (9x9 window size). Second step classification resulted in overall accuracy of 88,60% (3x3 window size), 91,68 % (5x5 window size), 93,39 % (7x7 window size) and 93,77 % (9x9 window size). Meanwhile, at the third step classification, the result of classification at all bands did not satisfy the tolerance requirements. This research also records that the use of larger window size can produce higher classification accuracy.

Kata Kunci : Citra Aster,Klasifikasi Lahan,maximum likelihood,Tekstur dan Akurasi,Grey Level,Co,occurance Matrix, ASTER image, classification, maximum likelihood, texture, GLCM and accuracy.