Digitasi, Commission-Omission Error.pdf PDF

Preview

Summary

Gideon Nicolas (15115011) R. Stevanus Fahrezza Pramainanta (15115041) [email protected] [email protected] TUGAS BESAR Geodesy and Geomatics Engineering Faculty of Earth Sciences and Technology, Institute of Technology, Bandung, Indonesia 1. Ringkasan Materi Digitasi adalah ...

Description

Gideon Nicolas (15115011)

R. Stevanus Fahrezza Pramainanta (15115041)

[email protected]

[email protected]

TUGAS BESAR Geodesy and Geomatics Engineering Faculty of Earth Sciences and Technology, Institute of Technology, Bandung, Indonesia 1.

Ringkasan Materi Digitasi adalah suatu proses mengkonversi data analog menjadi data digital dimana dapat ditambahkan atribut yang berisikan informasi dari objek yang dimaksud. Pada saat ini proses digitasi biasanya dilakukan dengan menggunakan komputer atau sering disebut digitasi on screen dimana komputer tesebut dilengkapi dengan software pemetaan seperti ArcGIS, ArcView atau yang lainnya. Sumber data peta untuk digitasi dibagi menjadi beberapa bagian, antara lain sebagai berikut:  Image Remote Sensing adalah data yang diperoleh dari sebuah citra satelit maupun foto udara. Untuk dapat melakukan digitasi dari data seperti ini, dibutuhkan kemampuan seorang pembuat peta untuk dapat menginterpretasi objek-objek pada citra satelit.  Image Scanning adalah data scan/ cetak berbentuk file raster dari atlas atau peta analog lainnya. Sebelum melakukan digitasi pada data seperti ini, maka perlu dilakukan georeferensi terlebih dahulu agar image hasil scan memiliki koordinat sesuai dengan aslinya. Proses digitasi akan menghasilkan suatu file dengan format shapefile (.shp) yaitu format data vektor yang digunakan untuk menyimpan lokasi , bentuk, dan atribut dari fitur geografis. Format data .shp disimpan dalam satu set file terkait dan berisi dalam satu kelas fitur. Format data ini berisikan tentang data referensi geografis yang didefinisikan sebagai objek tunggal seperti jalan, sungai, landmark, dll. Data yang disimpan dapat berupa titik (point), garis (polyline) dan poligon (polygon). Penggunaan jenis data tersebut bergantung dari objek yang akan kita rekam.  Titik (point), digunakan untuk menggambarkan suatu objek dengan suatu pusat. Contohnya kota, fasilitas umum, dan lokasi lain.  Garis (polyline), digunakan untuk menggambarkan suatu objek dengan bentuk memanjang. Contohnya jaringan sungai dan jalan.  Poligon (polygon), digunakan untuk menggambarkan suatu objek yang memiliki luasan atau wilayah. Contohnya wilayah kota, tutupan lahan, batas areal konsesi, blok, petak, dan sebagainya. Untuk menentukan nilai akurasi suatu peta, dilakukan perhitungan dengan membuat confusion / error matrix atau matriks kesalahan. Matriks ini membandingkan, berdasarkan setiap kelas objek yang ada, hubungan antara data referensi (ground truth) dan data hasil yang diperoleh dari proses klasifikasi. Dalam confusion matrix ini terdapat akurasi produsen (omission error), yakni nilai yang merepresentasikan seberapa baik piksel referensi tutupan lahan diklasifikasikan. Selain itu terdapat pula akurasi pengguna (commission error), yakni representasi probabilitas apakah sebuah piksel hasil klasifikasi dari suatu kategori tutupan lahan benar-benar merepresentasikan objek yang sama pada permukaan bumi. Dari matriks ini dapat diperoleh nilai akurasi total / overall accuracy dengan melakukan pembagian dari jumlah total klasifikasi piksel yang benar dengan jumlah total piksel referensi yang digunakan.

2.

Metodologi

Start

Melakukan penyiapan data (Kabupaten Sukabumi), baik citra (.tiff) maupun .shpnya (data vektor) => menggunakan raster to polygon, serta melakukan masking pada imagery world (citra)

Melakukan proses dijitasi (dari image yang diinginkan) dengan mengacu pada klasifikasi penututup lahan referensi

Melakukan intersect luasan area (polygon) referensi dengan luasan area (polygon) hasil dijitasi

Pembuatan Matriks Error dari hasil interseksi luasan

Hasil matriks error dari data atribut

Melakukan perhitungan commision error; omission error; overall accuracy; dan producer’s and usher’s accuracy pada software Excel

End

Hasil Matriks Error dan Accuracy Assesment dari

3.

Hasil 

Digitasi dan layouting



Error matrix

User's Accuracy Hutan Ladang/Tegalan Perairan Perkebunan Permukiman Sawah Semak Belukar Tanah Kosong

% 94.53240876 97.83969024 63.92300722 35.44455925 91.97554904 97.16349817 86.92582478 40

Producer's Accuracy Hutan Ladang/Tegalan Perairan Perkebunan Permukiman Sawah Semak Belukar Tanah Kosong

% 96.71510531 93.57307949 37.10083397 45.6168698 85.34749791 85.37329503 93.57591799 99.8873693

4.

Analisis o Gideon Nicolas - 15115011 Pada tugas besar kali ini, dilakukan perhitungan nilai omission error (producer’s accuracy), commission error (user’s accuracy), serta overall accuracy. Parameter-parameter tersebut berhubungan dengan tingkat akurasi dari klasifikasi unsur tutupan lahan yang dilakukan pada peta yang dihasilkan. Nilainilai eror yang dihasilkan menunjukkan bahwa masih terdapat kesalahan interpretasi oleh produsen (omission error) maupun oleh pengguna (commission error). Adanya kesalahan interpretasi serta klasifikasi ini dapat disebabkan oleh faktor kemampuan interpretasi pembuat peta serta pemilihan metode klasifikasi yang digunakan (supervised / unsupervised). Kemampuan interpretasi dari pembuat peta dipengaruhi oleh faktor pengalaman dan pengetahuan, kemampuan optis (indra pengelihatan), serta ketersediaan data referensi wilayah terkait. Dari faktor pemilihan metode, kesalahan dapat terjadi dengan metode unsupervised karena penentuan kelas yang dilakukan secara otomatis oleh software; dan dengan metode supervised kesalahan dapat terjadi karena sampel yang digunakan untuk pelatihan (training sample) jumlahnya terlalu sedikit untuk suatu jenis tutupan lahan. Untuk meningkatkan akurasi, atau dengan kata lain, meminimalkan galat yang dihasilkan dapat dilakukan dengan memperhitungkan pengaruh bobot dari setiap band saat proses interpretasi, meningkatkan pengetahuan tentang interpretasi objek dengan memperhatikan karakteristik bentuk, ukuran, derajat kehitaman, bayangan, susunan/pattern, lokasi, dan tekstur saat interpretasi. Pada proses klasifikasi, dapat dilakukan pemberian training sample yeng lebih banyak sehingga klasifikasi objek oleh software dapat lebih tepat, serta pengecekan di lapangan untuk sampling yang bersifat acak. R. Stevanus Fahrezza Pramainanta – 15115041 Dalam tugas besar ini, dilakukan pengaplikasian matriks error, untuk mengetahui seberapa akurat data atribut hasil suatu klasifikasi atau dijitasi suatu citra, dibandingkan dengan suatu referensi tertentu. Pada tugas ini, dilakukan dijitasi secara manual pada world imagery Kabupaten Sukabumi pada tahun 2010 (daerah fokus kerja), yang dapat diunduh dalam penyedia layanan peta. Proses dijitasi ini sekaligus menjadi batasan klasifikasi penutup lahan, yang mana pada tugas ini dilakukan klasifikasi pada delapan jenis unsur yang terdapat pada daerah bersangkutan, yaitu Hutan, Ladang/Tegalan, Perairan, Perkebunan, Permukiman, Sawah, Semak Belukar, dan Tanah Kosong/Lahan Kosong. Adapun referensi yang kami gunakan sebagai peta tematik pembanding didapatkan secara langsung dari Asistensi, yang mana memiliki kualitas dan keakurasian yang kurang begitu jelas. Pada tugas ini, digunakan software ArcGIS (ArcMAP) yang membantu dalam proses pendijitasian dan intersect data. Proses Intersect data ini diperlukan agar dapat diperoleh perbandingan luasan area klasifikasi (dari referensi dan klasifikasi), sehingga dapat diturunkan menjadi Matriks Error. Selanjutnya, dari matriks ini, dapat diperoleh parameter-parameter yang digunakan dalam accuracy assessment, seperti: commision error; omission error; overall accuracy; dan producer’s and usher’s accuracy. Commision Error menyatakan kesalahan dan/atau keakurasian yang dirasakan oleh pengguna (usher) ketika menggunakan peta (yang data atributnya dinyatakan dalam matriks) yang dibuat oleh produsen, jika dibandingkan dengan keadaan sebenarnya dan/atau referensi yang ada. Omission error merupakan kesalahan iterpretasi yang dilakukan oleh produsen, bila dibandingkan dengan data referensinya. Dari kedua parameter tersebut, dapat juga dinyatakan overall accuracy (OA), yang menyatakan seberapa akurat data atribut, yang terdapat pada peta, secara keseleruhan (konsumen dan produsen), yang mana dinyatakan sebagai jumlah klasifikasi benar atau sesuai, dibandingkan dengan referensinya. Selain itu, dapat juga diturunkan producer’s and usher’s accuracy, yang masing-masing menyatakan seberapa yakin keakuratan dari peta yang dibuat oleh producer, dan juga seberapa akurat peta tersebut ketika digunakan oleh pengguna/konsumen. Dari parameter-parameter ini, maka dapat dilakukan analisis terhadap matriks error yang dihasilkan. Diketahui bahwa overall accuracy (OA) dari data ini adalah sebesar 92.71%, yang berarti data ini hanya mengandung kesalahan sebesar 7.29% area, atau sebesar 303,124,166.4 m2. Secara subyektif, data ini menurut praktikan sudah baik (dilihat dari selang kepercayaan 90%). Namun jika dikaji dari setiap hasil klasifikasinya, diketahui terdapat hasil klasifikasi yang jauh dari referensi atau keadaan sebenarnya di lapangan, yaitu pada klasifikasi perairan, perkebunan, dan tanah kosong. Dari segi penyediaan luasan, kami mengakui masih banyaknya kekurangan dalam proses pendijitasian. Pada proses dijitasi, seringkali kami melakukan generalisasi dengan menghilangkan vertex-vertex yang sangat detail (tajam). Selain itu, akibat kurangnya daya pandang atau visibilitas dari objek-objek yang ada mengakibatkan sering adanya salah o

interpretasi, terutama pada objek-objek yang memiliki kemiripan seperti perkebunan, ladang/tegalan, dan juga lahan kosong (tak terpakai). Kemudian, pada objek perairan, akibat tidak terlalu jelasnya lebar sungai dan kenampakan objek perairan lainnya dari citra mengakibatkan seringnya salah interpretasi, selain itu ditambah lagi dengan perbedaan pendefinisian lebar sungai, antara praktikan dengan peta referensi yang ada. Selain dari kendala-kendala yang telah disebutkan di awal, banyaknya lahan-lahan yang tak terdefinisi (sulit untuk diinterpretasi) mengakibatkan banyaknya lahan-lahan yang belum terdijitasi dengan baik atau masih kosong, sehingga diklasifikasikan sebagai Lahan Kosong. Dari hasil yang ada, baik pada Omission error maupun Commision error pada hasil klasifikasi perairan dan perkebunan, didapatkan hasil error yang sangat besar, maka dapat disimpulkan pada klasifikasi ini bisa dinilai kurang layak dan sangat jauh dari peta referensinya. Namun, pada klasifikasi tanah kosong, produsen menilai bahwa hasil klasifikasinya sangat sesuai dengan referensi, namun sebaliknya konsumen menilai bahwa hasil klasifikasi tanah kosong sangat buruk. Perbedaan persepsi ini bisa terjadi oleh karena beberapa hal, seperti penggunaan referensi yang berbeda (berbeda tingkat kedetilan dan keakuratannya), oleh konsumen maupun oleh produsen, sehingga menyebabkan perbedaan tingkat keakurasian; selanjutnya, konsumen, dalam hal ini sangat berkepentingan pada objek tanah kosong, yang mengakibatkan klasifikasi pada objek tersebut digunakan secara menyeluruh dan ketat, sehingga konsumen akan lebih berhati-hati dalam penggunaan klasifikasinya. Terlepas dari adanya perbedaan persepsi, dengan OA yang kurang dari 100%, maka tentu saja data ini masih memiliki kesalahan/error dalam penglasifikasiannya. Pada klasikasi manual, maka hal-hal yang dapat dilakukan untuk meminimalisasi kesalahan interpretasi adalah dengan mengetahui dan menambah pengetahuan tentang objek-objek yang terdapat pada citra, dalam kaitannya dengan proses digitasi yang dilakukan oleh teknisiselain itu, diperlukannya crosscheck yang dilakukan di lapangan secara acak (sampling) agar diperoleh hasil klasifikasi yang benar; kemudian adalah dengan meminimalisasi kesalahan klasifikasi akibat blunder yang terjadi saat dilakukannya digitasi.

5.

Kesimpulan Dari hasil yang diperoleh, dapat disimpulkan bahwa: i. Commission error terbesar terdapat pada objek perkebunan sebesar 64,555% ii. Omission error terbesar terdapat pada objek perairan sebesar 62,899% iii. Commission dan omission error terjadi karena kesalahan klasifikasi objek tutupan lahan oleh pembuat peta maupun klasifikasi di lapangan oleh pengguna peta iv. Untuk meminimalisasi kesalahan yang ada, perlu dilakukan peningkatan pengetahuan tentang interpretasi serta memperhitungkan bobot band sekitar objek. Pada proses klasifikasi, dapat dilakukan pemberian training sample yeng lebih banyak sehingga klasifikasi objek oleh software dapat lebih tepat, serta pengecekan di lapangan untuk sampling yang bersifat acak.

6. Daftar Referensi Lunetta, R.S.2004. Remote Sensing and GIS Accuracy Assessment.Boca Raton:CRC Press AWF-Wiki. (2016, February 2). Accuracy assessment. Retrieved April 25, 2018, from Forest Remote Sensing: http://wiki.awf.forst.uni-goettingen.de/wiki/index.php/ Accuracy_assessment

Inventory

Sanjaya, Ade. 2015. Pengertian Data Spasial dan Definisi Atribut Sumber Penentuan dan Pembobotan pada Sistem Informasi Geografis. http://www.landasanteori.com/2015/10/pengertian-data-spasialdan-definisi.html. Diakses pada 24 April 2018. 123dok. 2013. Penilaian Akurasi Peta Tematik. https://text-id.123dok.com/document/oz1glw4vzpenilaian-akurasi-peta-tematik.html. Diakses pada 24 April 2018....