Kajian ukuran training sample optimum untuk klasifikasi penutup lahan dengan metode kemungkinan maksimum

Abstract

Klasifikasi dalam penginderaan jauh didefinisikan sebagai suatu metode untuk memberikan label pada piksel berdasarkan karakter spektral yang dimiliki oleh piksel tersebut. Klasifikasi terbimbing merupakan klasifikasi nilai piksel didasarkan pada contoh daerah yang diketahui jenis objek dan nilai spektralnya. Keragaman nilai spektral yang tinggi dan adanya tumpang tindih pada objek yang diamati menjadi permasalahan dalam klasifikasi penutup lahan. Pengambilan training sample yang tepat dan sesuai menjadi sulit dilakukan sehingga mengurangi hasil ketelitian klasifikasi. Kelas penutup lahan diklasifikasikan dengan menggunakan metode kemungkinan maksimum. Kombinasi training sample terbaik adalah kombinasi 9 (111-160 piksel, 15 poligon) dengan rata-rata ketelitian klasifikasi secara keseluruhan (KH) sebesar 70.55% serta rata-rata nilai koefisien Kappa sebesar 0.6298. Training sample perlu dibuat sedemikian rupa sehingga memiliki total piksel besar yang didapatkan dari jumlah poligon besar dengan ukuran masing-masing poligon yang kecil.

Classification in remote sensing is defined as a method for labeling the pixels based on spectral character possessed by the pixel. Supervised classification is a classification of the pixel values are based on sample areas of known object types and spectral values. High spectral value diversity and overlapping on the object observed are problem in land cover classification. Making proper and appropriate training sample becomes difficult to do. It reduces the accuracy of classification results. Land cover classes were classified by maximum likelihood method. The best combination is combination 9 (111-160 pixels, 15 polygons). Average of overall classification accuracy (KH) is 70.55% and the average of Kappa coefficient is 0.6298. Training samples need to be made such that it has a large total pixels obtained from a large number of polygons with a small size of each polygon. Keywords: maximum likelihood classification, remote sensing, training sample