Selasa, 27 November 2012

CERITA INSPIRATIF


SANTRI JUGA LAYAK BERPRESTASI
Oleh: Jajang Roni Aunul Kholik

Catatan ini sengaja saya tulis dengan maksud sebagai ungkapan rasa syukur dan tahaddust bin nikmah” atas apa yang telah saya dapatkan selama perjalanan masa sekolah dan perkuliahan di S-1 Institut Pertanian Bogor (IPB). Saya adalah seorang mahasiswa penerima Program Beasiswa Santri Berprestasi (PBSB) Kementerian Agama (Kemenag) RI pada program studi Manajemen Hutan di Fakultas Kehutanan Institut Pertanian Bogor angkatan 2009. Dengan dianugrahi kenikmatan ini, saya merasa terketuk hatinya untuk berbagi cerita kepada rekan-rekan semuanya tentang betapa nikmatnya mendapatkan beasiswa ini yang mungkin hanya sebagian santri yang bisa menikmatinya, sehingga mudah-mudahan Allah SWT menjauhkan saya dari sifat sombong (takabbur), riya, dan angkuh atas semua ini.
Tulisan ini saya beri judul “Santri Juga Layak Berprestasi”. Latar belakang pemilihan judul ini, terinspirasi dari suatu pandangan masyarakat selama ini terhadap kalangan santri di pesantren yang tekenal dengan gaya sarungan, orangnya alim-alim, tidak tahu pergaulan dunia luar, hanya fokus pada bidang keagamaan, gagap teknologi, ilmu pengetahuan alamnya rendah, tidak mungkin bersaing dengan lulusan sekolah umum, dan masih banyak lagi ungkapan masyarakat yang selalu terngiang ketika dilontarkan kepada mereka pertanyaan “seperti apakah santri itu ?”. Dalam catatan ini, saya akan mencoba menepis anggapan-anggapan di atas dengan berbagai pembuktian diri saya sendiri, karena jaman sekarang ini santri juga sudah mulai maju dan tahu tentang teknologi. Kuncinya hanya satu, asal memiliki keyakinan dan kemauan yang keras, insya Allah cita-cita dan target apapun yang kita inginkan akan dapat segera tercapai.
Seseorang yang ingin sukses mendapatkan apapun yang dia inginkan, harus berani mengawalinya dengan mimpi…mimpi...dan mimpi. Mimpi dalam hal ini bukan mimpi saat kita tidur nyenyak (istirahat) di malam hari, tetapi mencoba berpikir ke depan dan merenung sejenak untuk memikirkan ingin menjadi apa nanti di masa depan?  apa yang ingin dimiliki nanti di masa depan? apa yang ingin anda perbuat ketika anda bertemu dengan masa depan? Ketiga pertanyaan itulah dengan dibarengi sembilan kunci sukses yang senantiasa menjadi pegangan diri saya dalam membuat capaian target dan keinginan (cita-cita) saya pada tahun-tahun yang akan datang.
Miliki keyakinan “saya pasti bisa!”. Keyakinan (niat) yang kuat untuk mendapat beasiswa PBSB Kemenag RI ini sudah saya tanamkan dari awal kelas IX MTs (tahun 2005) yang mana pada saat itu merupakan awal kemunculan program PBSB Kemenag RI ini. Pada saat itulah ketika saya mulai mendapat kabar dari bagian infokom pondok pesantren dan tata usaha MAN, saya yakin bahwa saya bisa mendapatkan beasiswa tersebut dan nantinya menjadi salah satu bagian dari keluarga penerima PBSB Kementerian Agama RI, sehinggga saya menjadi bersemangat dan mencoba untuk mencari banyak informasi kepada pihak pondok pesantren mengenai program tersebut. Akhirnya usia saya menginjak kelas X MAN, saya mulai mempersiapkan apa saja yang diperlukan untuk dapat lulus program tersebut mulai dari belajar soal-soal ujian, mencari soal-soal TPA dan TBS, dan lain seebagainya.
Lewat tulisan singkat ini saya akan menceritakan historis perjalanan beasiswa yang saya dapatkan melalui program PBSB Kemenag RI yang sungguh ini merupakan mimpi besar sewaktu kelas IX MTs sampai XII MAN yang sangat saya harapkan terwujud pada waktunya untuk bisa mengenyam pendidikan sarjana (S-1) dengan mendapatkan beasiswa yang mungkin barangkali juga menjadi sebuah keinginan bagi semua santri dimanapun ia berada.
Carilah informasi sebanyak mungkin. Seiring berjalannya waktu, pendidikan saya mulai menginjak masa-masa SMA/MA, kekhawatiran pun datang menerpa karena tak terasa hanya sekitar tiga tahun lagi jalur beasiswa PBSB untuk angkatan saya akan segera dibuka. Disanalah saya mulai mencari lebih banyak lagi informasi baik mengenai persyaratan beasiswa, mata pelajaran yang diujiankan, latihan soal-soal SNMPTN, dan materi tes lainnya (TPA dan TBS) pun tak luput saya coba mencarinya. Akhirnya masa tingkat akhir SMA/MA pun telah datang menghampiri saya dan kekhawatiran pun kian menjadi-jadi. Tetapi Alhamdulillah, ternyata Allah SWT masih sangat berpihak pada saya. Kenapa tidak, diwaktu saya mempunyai keinginan yang kuat untuk mendapatkan beasiswa tersebut, pada tahun 2008 (tepatnya kelas XII MAN semester 1), Allah SWT menganugrahi nikmat kepada saya untuk diberikan jalan yang lebih mudah untuk mendapatkannya yakni diadakannya kegiatan “Pembibitan Santri Pondok Pesantren se-Indonesia” oleh pihak Kementerian Agama RI yang diikuti oleh sekitar 60 orang santri terbaik dari 30 Pesantren se- Indonesia.
Kegiatan di atas merupakan progam yang diluncurkan pemerintah sebagai persiapan para santri terbaik pilihan Kemenag RI untuk dapat lebih mempersiapkan diri dalam menghadapi ujian seleksi program PBSB. Tiga bulan lamanya, saya mendapatkan pendidikan yang lebih mengenai pelajaran yang diujiankan, ujian TPA dan TBS, persiapan mental, spiritual, dan psikologi untuk menghadapi masa depan. Dari kegiatan itulah, saya mulai mendapatkan titik terang yang lebih untuk benar-benar siap mengikuti ujian seleksi PBSB. Tak terasa waktu pun telah menginjak bulan Februari tahun 2009 dimana kegiatan “Pembibitan Santri Pondok Pesantren se-Indonesia” telah ditutup dan dinyatakan selesai. Menjelang akhir pertengahan semester dua pada kelas XII MAN, rasa resah dan gelisah pun semakin meningkat, karena sebentar lagi pembukaan beasiswa PBSB untuk tahun 2009 akan segera di-launching-kan oleh pihak Kementerian Agama RI. Sekaranglah waktu saya bagaimana mengoptimalkan folder beasiswa yang telah saya cari sejak tiga tahun terakhir saat itu. Saya coba update ulang informasinya, meng-update panduan tebaru beasiswa dengan mengunjungi situs beasiswa www.pondokpesantren.net kala itu. Saat itu, yang menjadi program studi favorit saya adalah statistika dan kehutanan di IPB Bogor, hingga akhirnya tanpa tawar-menawar lagi, saya memutuskan untuk memilih program studi tersebut yang memang benar-benar saya minati. Sesekali terbesit dalam hati, mampukah saya bersaing dengan sekitar 8.000 orang peserta tes beasiswa se- Indonesia? tapi, hal itu tidak menjadi batu rintangan buat saya, karena jika saya berhenti saat ini, berarti telah mengecewakan dan merusak impian saya selama tiga tahun lalu. Saya yakin dan percaya saja bahwa perjuangan ini akan indah pada waktunya.
Singkat cerita, tes beasiswa pun sudah saya lalui dengan sedikit rasa kecewa karena belum bisa optimal menjawab semua perintah soal di buku tes yang disediakan pihak panitia PBSB. Akhirnya pada saat kelulusan Ujian Nasional (UN) tiba, pihak sekolah mengumumkan beberapa orang teman saya yang waktu itu sudah banyak yang diterima di perguruan tinggi jalur PMDK yang telah mereka cita-citakan. Ada yang diterima di UIN Syarif Hidayatullah, UPI Bandung, UIN Bandung, UIN Sunan Kalijaga Yogyakarta, UGM Yogyakarta, dan bermacam lainnya. Tinggal saya tersisa yang belum menerima informasi kelulusan beasiswa PBSB, padahal hari itu adalah hari pengumuman surat kelulusan yang dikirim dari kantor kementerian agama tingkat kabupaten. Hati saya bertambah gelisah dan sesekali bersedih karena yang terpikirkan saat itu adalah bahwa ternyata saya mungkin tidak lulus tes beasiswa. Tetapi, tak lama kemudian nasib baik masih berpihak pada saya karena sesaat sebelum pengumuman kelulusan UN berakhir, bagian komisi pendidikan menyampaikan sepucuk surat yang berisikan bahwa saya lulus tes beasiswa PBSB dan diterima di Program Studi Manajemen Hutan Fakultas Kehutanan IPB Bogor. Seketika itu, kegelisahan saya hilang tergantikan dengan kegembiraan dan langsung di tempat itu juga saya melakukan sujud syukur atas kenikmatan mendapatkan beasiswa PBSB Kementerian Agama RI ini. Impian yang selama ini (tiga tahun lamanya) saya pertahankan dan perjuangkan, akhirnya tercapai juga.
Sebelum saya lebih jauh melanjutkan cerita masa perkuliahan di kampus IPB dengan beasiswa PBSB Kemenag RI yang saya dapatkan, terlebih dahulu saya ingin memperkenalkan diri saya. Nama lengkap saya Jajang Roni Aunul Kholik, biasa dipanggil Jajang. Dilahirkan di kota santri dan dikenal juga sebagai kota “kredit” yakni Tasikmalaya, Jawa Barat pada tanggal 9 Juli (22 tahun yang lalu). Saya merupakan alumni Pondok Pesantren Al-Qur’an Cijantung-Ciamis Saya dibesarkan dari lingkungan keluarga yang sangat sederhana dengan kedua orang tua yang bekerja sebagai buruh penjahit pakaian.
Sebenarnya, jauh sebelum mendapatkan beasiswa PBSB Kemenag RI ini, saya telah merasakan nikmatnya mendapatkan beasiswa yaitu pada saat kelas X MAN, ketika itu saya terpilih sebagai siswa berprestasi terbaik se-Periangan Timur (Ciamis, Banjar, Tasikmalaya, dan Garut) tahun 2007 hingga selesai pendidikan di kelas XII MAN tahun 2009 sesaat sebelum saya mendapatkan beasiswa PBSB Kementerian Agama RI. Dalam konteks mendapatkan beasiswa dalam negeri, keinginan (niat) dan tekad yang kuat, kemauan yang keras, serta do’a yang selalu dipanjatkan kepada Allah SWT adalah kunci yang paling utama.
Menurut pandangan saya, yang mungkin menjadi pertanyaan sebagian teman-teman sekarang adalah bagaimana mungkin seorang santri mengenyam pendidikan di luar bidang keagamaan? Perlu kita ketahui bahwa dunia ini semakin berubah dan semakin maju, teknologi semakin canggih, internet dimana-mana, santri pun tidak boleh ketinggalan akan hal itu. Haruslah ada dari sebagian kita (santri) yang menjadi ahli informatika, psikologi, ekonomi, manajemen, kedokteran, pertanian, kehutanan, peternakan, ahli gizi, ahli komunikasi, dan terlebih lagi menjadi ahli agama tentunya. Hal tersebut dibutuhkan guna memajukan dunia pondok pesantren agar tidak lagi dikatakan sebagai kalangan terbelakang dan tidak ada kemajuan.
Menginjak masa perkuliahan, saya mulai berpikir untuk belajar lebih sungguh-sungguh lagi guna mendapatkan ilmu kehutanan yang nantinya dapat dikembangkan untuk dunia kepesantrenan. Saya mulai menyusun kembali target dan rencana hidup (cita-cita masa depan) yang ingin saya raih. Dengan strategi belajar efektif yang saya kembangkan sendiri dan manajemen waktu harian yang saya lakukan, akhirnya saya dapat menghasilkan nilai Indeks Prestasi (IP) akademik yang sangat tinggi (IPK di atas 3.25) tiap semesternya. Pikiran saya pun mulai berkembang, saya merasa kehidupan kampus haruslah banyak dimanfaatkan dan dilalui dengan banyak aktivitas yang bermanfaat buat masa depan saya.
Sejak saat ini, saya tidak boleh hanya memikirkan akademik sepenuhnya, karena dunia kampus adalah masa-masa mencari ilmu manajemen organisasi yang baik dan  memperluas jaringan serta memperbanyak teman, yang sangat sayang jika ditinggalkan. Akhirnya saya putuskan untuk mencoba membagi sebagian waktu saya untuk kegiatan organisasi dan pendekatan kepada dosen-dosen di departemen, para motivator di kalangan senior, dan orang-orang sekitar yang punya pengaruh di organisasi, pemerintahan, dan instansi perusahaan. Selain itu, keberanian adalah kunci sukses lainnya yang terus saya pegang. Semenjak semester 5, saya sudah berani untuk menjadi asisten laboratorium dimana kegiatan di sana saya menggantikan dosen untuk mengajar di bagian praktikum di kampus. Sampai saat ini, tak kurang dari tiga laboratorium di departemen Manajemen Hutan, tak luput dari adanya nama saya di daftar staf-nya. Selain daripada itu, beberapa kegiatan organisasi di tingkat kampus, regional, maupun nasional sudah pernah saya ikuti sebagai delegasi fakultas kehutanan IPB Bogor. Itulah yang menjadi penting bagi saya sekarang, yaitu dimana nantinya pada beberapa tahun yang akan datang mereka lah yang mungkin menjadi penolong bagi saya atau bahkan mereka dapat saya tolong nantinya.
Itulah indahnya masa-masa perkuliahan, tidak ada aktivitas yang saya lakukan, yang tidak ada manfaatnya bagi kehidupan saya saat ini. Dengan apa yang saya lakukan di atas, akhirnya saya mendapatkan kepercayaan dari empat orang dosen dan sebagian besar mahasiswa Manajemen Hutan. Manfaat yang saya dapatkan sekarang dari hasil seperti itu adalah bukan hanya semata-mata demi uang yang melimpah. Apabila perlu saya sampaikan, uang yang pernah saya terima dari pekerjaan saya sangtlah kecil nilainya jika dibandingkan dengan pekerjaan sebagian kecil teman saya yang berwirausaha di kampus. Tetapi bukanlah hal itu yang menjadi tujuan utama saya, mendapat kepercayaan dosen dan teman-teman, jaringan ke institusi pemerintahan, persahabatan, dan pandangan baik yang didapat dari lingkungan sekitar saya adalah tujuan sesungguhnya. Saya sadar, keuangan untuk semntara tidaklah diperlukan, dengan uang living cost yang saya dapatkan tiap bulannya sudahlah cukup untuk menghidupi saya di kampus. Saya tahu bahwa dalam sebuah filosofi dikatakan: “jika sebatang pohon terakhir telah ditebang, jika segenggam udara terakhir telah dihirup, jika segelas air bersih terakhir telah diminum, jika sahabat baik terakhir telah tiada, sadarilah bahwa uang di dunia ini tidak akan berharga” Itulah filosofi yang sering saya pegang selama perjalanan hidup saya. Hanya kepercayaan, pengorbanan, dan kontribusi terbaik yang akan dikenang, bukan kekayaan sejati (uang) yang saya miliki.
Terakhir sebelum saya tutup cerita ini, saya ingin berpesan kepada semua rekan-rekan setia yang membaca tulisan ini, janganlah berhenti untuk bermimpi…bermimpi…dan bermimpi. Karena sebuah mimpi akan menjadi dorongan bagi kita untuk menjadikannya kenyataan di masa depan kelak. “Impian itu Gratis, anda boleh menulis apapun yang anda inginkan, tidak ada yang berhak menghentikan impian anda, kecuali anda sendiri”. “Lebih baik punya banyak cita-cita tetapi belum bisa kita capai untuk saat ini, daripada kita tidak punya cita-cita dan itu tercapai”. Terima kasih, salam hangat dari CSS MoRA. CSS…woy, CSS…woy, CSS…woy woy woy.

Senin, 16 April 2012

SUPERVISED CLASSIFICATION


Mata Kuliah: Geomatika dan                          Hari/tanggal: Rabu, 28 Maret 2012
Inderaja Kehutanan                 Waktu         : 14.00-17.00 WIB


KLASIFIKASI TERBIMBING
Oleh:
KELOMPOK 1
1.      Nadya Susetya Ningtyas          (E14090071)
2.      Jajang Roni A. Kholik              (E14090090)

Dosen:
Dr. Nining Puspaningsih, M.Si.
Asisten:
1.      Edwine S.P. S. Hut.
2.      Putu Indra Divayana, S. Hut.
3.      Aditya Sani Sasmita                 (E14070106)
4.      Aditya Pradhana                      (E14070116)
5.      Erry Maulana W                       (E14070122)


DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
INSTITUT PERTANIAN BOGOR
2012

I.            PENDAHULUAN

1.1    Latar Belakang
Suatu gambar yang dihasilkan dari pengamatan penginderaan jauh belum tentu menunjukkan suatu areal yang sama dengan keadaan sebenarnya di lapangan. Misalnya: hasil citra menunjukkan areal tersebut adalah badan air, akan tetapi di lapangan belum tentu area tersebut adalah badan air. Untuk itu, perlu adanya suatu pengelompokkan tutupan lahan pada citra yang dihasilkan. Pengelompokkan ini disebut dengan klasifikasi.
Klasifikasi data adalah suatu proses dimana semua pixel dari suatu citra yang mempunyai penampakan spektral yang sama akan diidentifikasi menjadi satu data klas yang sama. Sebagai contoh: suatu citra Landsat TM dengan tujuh band dapat diklasifikasikan untuk mengidentifikasi hutan atau tata guna lahan. Terdapat sejumlah pilihan untuk membuat suatu klasifikasi, dapat dipilih berbagai jenis keluaran dan pengolahan data sesuai yang diinginkan. Dalam proses klasifikasi, dapat dibuat suatu data set klasifikasi atau suatu algoritma dari tiap-tiap baris yang mempresentasikan suatu kelas.
Berdasarkan teknik dari pendekatan klasifikasi secara kuantitatif terbagi atas dua, yaitu: klasifikasi tidak terbimbing (unsepervised classification) dan klasifikasi terbimbing (supervised classification). Pada klasifikasi tidak terbimbing, proses pembentukan kelas–kelas sebagian besar dikerjakan oleh program komputer yang terbentuk berdasarkan data itu sendiri. Klasifikasi tidak terbimbing ini hanya sebagian kecil saja yang ditetapkan atau didesain oleh analis. Klasifikasi ini sering disebut juga dengan klastering (clustering). Sedangkan klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis (supervised). Kriteria pengelompokkan kelas ditetapkan berdasarkan penciri kelas yang diperoleh analis melalui pembuatan “training area”.

1.2    Tujuan
Adapun tujuan dari praktikum ini adalah:
1.      Memahami tahapan-tahapan dalam melakukan klasifikasi kuantitatif secara terbimbing.
2.      Memperkenalkan beberapa metode klasifikasi terbimbing seperti peluang maksimum (maximum likelihood classifier), jarak terdekat (minimum distance: mahalanobis, Euclidean), dan klasifikasi pipaparallel (parallelepiped classification).
3.      Melakukan evaluasi separabilitas dan menghitung akurasi dari klasifikasi

II.       METODOLOGI

2.1  Waktu dan Tempat Pelaksanaan
Praktikum Geomatika dan Inderaja Kehutanan dengan judul materi Klasifikasi Terbimbing ini dilaksanakan pada hari Rabu tanggal 28 Maret 2012 mulai pukul 14.00-17.00 WIB yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, IPB.

2.2. Alat dan Bahan
Adapun alat yang digunakan pada praktikum ini adalah:
1.      Laptop
2.      Software ERDAS IMAGINE 9.1
3.      Microsoft word dan excel
Sedangkan bahan yang digunakan pada praktikum ini adalah:
1.      Alat tulis
2.      Data citra satelit Kampus IPB tahun 2000 (tm00_kampus.img)

2.3. Cara Kerja
1.      Buka software ERDAS IMAGINE 9.1 pada layar komputer.
2.      Buka viewer baru dengan memasukan data image citra tm00_kampus.img
3.      Kemudian klik AOI (Areal of Interest) > tools sehingga muncul tools seperti gambar di bawah ini. Untuk membuat titik-titik poligon pada citra, klik tool create polygon pada AOI tersebut.
4.      Setelah itu, tempatkan areal interest yang berupa poligon tadi pada objek yang diinginkan pada citra tm00_kampus.img, misalnya pada objek awan. Namun sebelumnya lakukan perbesaran pada objek yang diinginkan terlebih dahulu.
5.      Buatlah beberapa buah poligon (minimal 3 buah) pada lokasi yang dianggap menunjukkan objek yang sama dengan penyebaran yang merata.
6.      Kemudian klik tool box select AOI seperti pada gambar di bawah ini dan letakkan pada training area yang sudah dibuat dengan melakukan blok/drag pada citra tersebut sampai semua poligon menjadi aktif.
7.      Setelah itu, klik group selected objects untuk membuat grup pada semua poligon yang ada sehingga menjadi satu grup.
8.      Kemudian pilih signature editor pada tool classifier > signature editor.
9.      Setelah di klik, kemudian muncul tabel signature editor seperti di bawah ini. Untuk memunculkan data, klik create new signature (s) from AOI kemudian beri nama objek yang telah dipilih pada signature objek.
10.  Pilih file > save > AOI layer as. Jika muncul tulisan “do you delete it?” maka pilih atau klik “No”.
11.  Masukkan nama pada data misalnya : training_area_air sungai_aoi. Kemudian klik OK.
12.  Kemudian klik close top layer untuk menghilangkan poligon yang sudah dibuat sehingga poligon yang tadi muncul menjadi hilang (tidak ada).
13.  Lakukan tahapan-tahapan diatas pada objek lain, misalnya: bayangan awan, badan air, permukiman, lahan terbuka, vegetasi rapat, vegetasi sedang, dan vegetasi rapat.
14.  Setelah selesai, klik evaluate pada tabel signature editor dan pilih separability sehingga muncul signature separability.
15.  Pada tabel signature separability lakukan pemilihan layer sebanyak 6 layers, kemudian klik transformed divergence distance measure, dan klik output form berupa cellArray, dan report type-nya adalah summary report, lalu klil OK.
16.  Setelah dilakukan pengisian pada signature separability tersebut, maka akan muncul tabel nilai keterpisahan antar kelas tutupan lahan seperti dibawah ini.
17.  Untuk menampilkan nilai perhitungan error matrix yaitu nilai akurasi dari pembuatan kelas tutupan lahan yang sudah dibuat, maka klik evaluate > contingency maka akan muncul tampilan berikut:
      
18.  Langkah terakhir setelah tampil error matrix, maka lakukan perhitungan nilai user’s accuracy, produser’s acc, overall acc, dan kappa accuracy dengan rumus-rumus yang sesuai.
III.  HASIL DAN PEMBAHASAN

3. 1 Hasil
Tabel 1. Penentuan titik-titik yang dibuat untuk training area

Tabel 2. Proses penyimpanan data AOI hasil training area klasifikasi terbimbing
 


Tabel 3. Nilai Signature Editor
Tabel 4. Nilai Separability CellArray
Tabel 5. Nilai Signature Editor
Signature Name
Red
Green
Blue
Value
Order
Count
Prob.
P
I
H
A
FS
Awan
1.000
1.000
1.000
1
1
77
1.000
x
x
x
x
Bayangan Awan
0.000
0.000
0.000
2
2
64
1.000
x
x
x
x
Badan Air
0.000
0.000
1.000
3
3
15
1.000
x
x
x
x
Permukiman
0.627
0.322
0.176
4
4
12
1.000
x
x
x
x
Vegetasi Rapat
0.000
0.392
0.000
5
5
31
1.000
x
x
x
x
Vegetasi Sedang
0.000
1.000
0.000
6
6
21
1.000
x
x
x
x
Vegetasi Jarang
1.000
1.000
0.000
7
7
41
1.000
x
x
x
x
Tanah Kosong
0.860
0.140
0.364
8
8
32
1.000
x
x
x
x


Tabel 6. Nilai Separability CellArray
Signature Name
1
2
3
4
5
6
7
8
Awan
0
2000
2000
2000
2000
2000
2000
2000
Bayangan Awan
2000
0
2000
2000
2000
2000
2000
2000
Badan Air
2000
2000
0
2000
2000
2000
2000
2000
Permukiman
2000
2000
2000
0
2000
2000
2000
2000
Vegetasi R
2000
2000
2000
2000
0
2000
2000
2000
Vegetasi S
2000
2000
2000
2000
2000
0
2000
2000
Vegetasi J
2000
2000
2000
2000
2000
2000
0
2000
Tanah Kosong
2000
2000
2000
2000
2000
2000
2000
0
Tabel 7. Nilai hasil perhitungan Overall accuracy dan Kappa accuracy
Σxii
293
=B7+C8+D9+E10+F11+G12+H13+I14
ΣXi+ X+i
14501
=(J7*B16)+(J8*C16)+(J9*D16)+(J10*E16)+(J11*F16)+
   (J12*G16)+(J13*H16)+(J14*I16)
Overall Acc
100%
=(B21/J16)*100
Kappa Acc
100%
=(((B21*J16)-(B22))/(J16^2-B22))*100

      
Gambar 1. Tampilan citra sebelum dan setelah dilakukan training area



3.2  Pembahasan
Klasifikasi citra merupakan pengelompokkan obyek atau fenomena yang ada di permukaan bumi dari jumlah yang sangat besar menjadi beberapa kelas yang dapat disatukan dengan menggunakan data hasil analisis. Suatu citra satelit, akan senantiasa menangkap reflektansi (citra optik reflektif), backscatter (microwave), dan radiasi (termal). Hal yang perlu dilakukan untuk mendapatkan hasil klasifikasi yang akurat adalah dengan membuat skema kelas yang sesuai dan tepat dengan beberapa syarat, yaitu: seorang analis harus mengerti variasi pada tutupan lahan, variasi respon spektral, dan hubungan antara variasi tutupan lahan dan respon spektral pada sebuah data citra. Pada klasifikasi kuantitatif, terdapat dua metode yang dapat digunakan yaitu klasifikasi terbimbing (superviced classification) dan klasifikasi tidak terbimbing (unsuperviced classification). Klasifikasi terbimbing (superviced classification) dapat dibagi menjadi 3 bagian, yakni: maximum likelihood classified, minimum distance classified, dan multilevel slice classified.
Pada praktikum ini, akan dibuat kelas tutupan lahan dengan menggunakan metode klasifikasi terbimbing. Pada tahap awal yang dilakukan adalah membuka viewer citra yang akan dianalisis dengan komposit band bebas atau tidak ditentukan. Pada klasifikasi terbimbing, diharuskan dibuat training area, yaitu pembuatan dan penentuan area-area yang sama untuk dikelaskan ke dalam satu kelas yang sama. Untuk membuat training area yang ingin diklasifikasikan, dapat dibuat dengan menggunakan AOI (Areal of Interest) dengan menggunakan tool pada viewer yang sudah ditampilkan tadi. Pembuatan kelas tidak ada ketentuan, yang terpenting adalah semua luasan citra yang ada dapat terwakili. Berdasarkan hasil pengamatan pada praktikum ini, dihasilkan beberapa kelas tutupan lahan yaitu: awan, bayangan awan, badan air, vegetasi rapat, vegetasi sedang, vegetasi jarang, permukiman, dan tanah kosong. Setiap kelas yang dibuat, ditentukan daerahnya dengan menggunakan tool polygon sebanyak 3 lokasi objek pengamatan yang dianggap sama.
Setelah dilakukan pengelompokan, pada nilai signature editor dapat terlihat perbandingan nilai hasil klasifikasi yaitu berupa nilai perbandingan antara panjang gelombang red, green, dan blue yang dihasilkan pada masing-masing kelas tutupan lahan (vegetasi, badan air, permukiman, dan sebagainya). Selain itu, pada data tersebut terdapat nilai count yang menunjukkan jumlah pixel data yang diklasifikasikan dalam satu kelas, misalnya: pada kelas awan jumlah pixel yang masuk kategori awan adalah berjumlah 77 pixel, kelas vegetasi rapat jumlah pixel yang masuk kategori vegetasi rapat adalah berjumlah 31 pixel, dan seterusnya (lihat tabel 3 dan 5).
Selanjutnya pada tabel 6. terdapat nilai separability cellArray yang menandakan nilai keterpisahan suatu kelas dengan kelas yang lain yang sudah dibuat. Nilai tersebut dapat diketahui dengan melihat hasil evaluate yaitu separability dan contingency. Pada tool tersebut akan muncul angka-angka yang menyatakan nilai keterpisahan antar kelas objek yang sudah dibuat kelasnya dengan tingkat keterpisahan sebagai berikut: 2000 (Sempurna/ Excellent), 1900-<2000 (Baik/ Good), 1800-<1900 (Cukup/ Fair), 1600-<1800 (Kurang/ Poor), dan < 1600 (Tidak dapat terpisahkan/ inseparable). Jika dilihat berdasarkan hasil yang di dapat, maka keterpisahan antara kelas awan dengan bayangan awan adalah bernilai 2000 atau dikatakan dapat dipisahkan secara sempurna (excellent), selanjutnya pada kelas badan air dan permukiman bernilai 2000 maka dapat dikatakan bahwa kedua kelas tersebut juga dapat dipisahkan dengan sempurna, pada vegetasi rapat dan jarang atau vgetasi rapat dengan vegetasi sedang juga menghasilkan nilai keterpisahan sebesar 2000, maka hal tersebut juga dapat dikatakan bahwa kedua kelas tersebut dapat dipisahkan dengan sempurna, begitu pula untuk yang lainnya menghasilkan nilai yang sama sebesar 2000. Selain itu, apabila dilihat berdasarkan nilai best average separability yang menandakan rata-rata keterpisahan antar keseluruhan kelas yang ada, menghasilkan nilai sebesar 2000. Hal tersebut berarti menunjukkan bahwa semua hasil klasifikasi yang sudah dibuat tersebut dapat dipisahkan dengan sempurna.
Dari pernyataan di atas, dapat dijelaskan bahwa apabila nilai keterpisahan objek sebesar 2000, maka sempurna dapat dipisahkan. Akan tetapi jika terdapat satu atau dua kelas yang memiliki nilai keterpisahan rendah (<1800), maka sebenarnya kedua kelas tersebut dapat di gabungkan dengan membuat suatu kelas baru yang mewakili keduanya. Misalnya pada tegakan pinus (Pinus sp.) rapat dan tegakan meranti (Shorea sp.) rapat tidak dapat terlihat perbedaan keduanya dari citra, maka dapat dibuat kelas baru yaitu vegetasi rapat.
Setelah mengetahui nilai keterpisahan suatu kelas objek dengan kelas objek yang lain, maka dapat diketahui juga nilai akurasi pada tiap-tiap klasifikasi tersebut yaitu melalui signature editor, dengan klik tool evaluate > contingency. Pada data tersebut, dapat diketahui nilai hasil perhitungan baik berupa producer’s accuracy (akurasi pembuat), user’s accuracy (akurasi pengguna), overall accuracy, maupun nilai kappa accuracy. Berdasarkan pada tabel 8, hasil perhitungan yang didapat menunjukkan bahwa dari 77 pixel yang dibuat training area sebagai awan, maka hasilnya adalah pixel dapat dikelaskan sebagai awan berjumlah 77 pixel. Pada permukiman, dari 12 pixel yang dibuat training area sebagai objek permukiman, maka pixel yang dapat dikelaskan sebagai objek permukiman adalah 12 pixel. Begitu juga pada vegetasi rapat dan tanah kosong, dari 31 dan 32 pixel yang dibuat training area sebagai objek vegetasi rapat dan tanah kosong, maka pixel yang dapat dikelaskan sebagai vegetasi rapat dan tanah kosong adalah masing-masing 31 dan 32 pixel dan seterusnya.
Jika dilihat dari nilai persentase akurasi yang didapat, semua kelas yang dibuat bernilai akurasi sebesar 100%, baik untuk nilai User’s Accuracy maupun Producer’s Accuracy. Hal tersebut menunjukkan bahwa tingkat akurasi atau ketepatan dalam menentukan dan memisahkan antar kelas tutupan lahan adalah sempurna. Maka dengan melihat nilai tersebut, sudah pasti setiap pixel yang dibuat atau diduga hasil training area sebagai suatu kelas objek tertentu akan dapat dikelaskan menjadi objek tersebut dengan jumlah pixel yang sama. Akan tetapi, pada kasus lain dapat berbeda nilai pixel yang dikelaskan dengan pixel hasil training area, misalnya: pada vegetasi jarang dari 60 pixel yang dibuat training area sebagai vegetasi jarang, maka dapat dikelaskan sebanyak 55 pixel sebagai vegetasi jarang dan 5 pixel/ kelas sisanya sebagai vegetasi sedang. Hal tersebut berarti menunjukkan akurasi kelas yang dibuat rendah dan ketepatan penentuan objek yang sama juga menunjukkan nilai ketepatan yang rendah. Besar atau kecilnya nilai akurasi atau ketepatan sejumlah pixel yang dibuat suatu kelas tertentu tergantung pada beberapa ketentuan, yaitu sebagai berikut: 1) cara pengambilan pixel yang dilakukan pada training area, 2) objek yang menurut Produser’s/ pembuat kelas adalah sama atau berbeda, belum tentu objek tersebut dianggap sama atau berbeda oleh dijital (dijital tidak bisa memisahkannya), dan 3) visual yang dapat dilihat tidak dapat menentukan nilai akurasi, tetapi nilai hasil dijital yang dapat menentukan tingkat akurasi klasifikasi.
Akurasi sering dianalisis menggunakan suatu matrik kontingensi, yaitu suatu matrik bujur sangkar yang memuat jumlah pixel yang diklasifikasi. Matrik ini sering disebut dengan ”error matrix” atau ”confussion matrix”. Pada tabel 7. tersebut juga terdapat nilai Kappa dan Overall Accuracy. Secara konvensional, akurasi klasifikasi biasanya diukur berdasarkan persentase jumlah pixel yang dijelaskan secara benar dibagi dengan jumlah total pixel yang digunakan. Akurasi ini sering disebut Overall accuracy dan Kappa accuracy dihitung dari keseluruhan kelas dan pixel yang ada. Atau dengan kata lain, nilai Kappa Acc. tersebut didapat dari nilai total akurasi kelas yang tepat dan tidak tepat, sedangkan pada Overall Acc. hanya menghitung nilai kelas yang dianggap benar saja.
Hasil praktikum menunjukkan nilai persentase Overall accuracy yang dihasilkan adalah sebesar 100%. Tetapi akurasi Overall ini umumnya jarang digunakan karena sering mengalami ”over estimate”. Hal tersebut karena akurasi ini hanya menggunakan pixel-pixel yang terletak pada diagonal suatu matrik kontingensi, sehingga tidak baik digunakan sebagai indikator keberhasilan suatu klasifikasi. Akurasi yang lebih tepat digunakan adalah akurasi Kappa. Akurasi ini menggunakan semua elemen dalam matrik. Dari hasil perhitungan dapat ditunjukkan bahwa akurasi Kappa adalah sebesar 100%. Ini menunjukkan bahwa klasifikasi yang dibuat dalam menentukan suatu objek tutupan lahan sangat sempurna (berhasil).


IV.  KESMIPULAN

Berdasarkan pada pembahasan yang telah dijelaskan dan menjawab beberapa tujuan yang ada, dapat disimpulkan sebagai berikut:
1.      Pada klasifikasi terbimbing diharuskan dibuat training area, yaitu pembuatan dan penentuan area-area yang sama untuk dikelaskan ke dalam satu kelas yang sama. Pada praktikum ini dihasilkan beberapa kelas tutupan lahan, yaitu: awan, bayangan awan, badan air, vegetasi rapat, vegetasi sedang, vegetasi jarang, permukiman, dan tanah kosong.
2.      Berdasarkan nilai separability dan best average separability yang dihasilkan yaitu sebesar 2000, maka nilai tersebut menunjukkan bahwa semua hasil klasifikasi yang sudah dibuat tersebut dapat dipisahkan dengan sempurna.
3.      Jika dilihat dari nilai persentase akurasi yang didapat, semua kelas yang dibuat bernilai akurasi sebesar 100%, baik untuk nilai User’s Accuracy maupun Producer’s Accuracy. Selain itu, nilai persentase Overall dan Kappa accuracy yang dihasilkan juga sebesar 100%. Hal ini menunjukkan bahwa klasifikasi yang dibuat dalam menentukan suatu objek tutupan lahan sangat sempurna (berhasil).
4.      Nilai yang sering digunakan dalam penentuan akurasi adalah Kappa accuracy, karena nilai tersebut didapat dari nilai total akurasi kelas yang tepat dan tidak tepat, sedangkan pada Overall Acc. hanya menghitung nilai kelas yang dianggap benar saja.


DAFTAR PUSTAKA

Anonim. 2008. Materi kuliah: Supervised Classification. [terhubung berkala] http//:www.kuliahspasial.blogspot.com/2008_04_14_archive.html [diakses pada tanggal 2 Mei 2009].

Wikantika. 2008. Sistem Klasifikasi Land Used dan Land Cover [terhubung berkala] http//:wikantika.wordpress.com/2008/05/02/sekilas-tentang-sistem-klasifikasi-land-useland-cover/ [diakses pada tanggal 2 Mei 2009].
Ada kesalahan di dalam gadget ini