SISTEM KOMUNIKASI SATELIT

 TUGAS BESAR

PENGGUNAAN CITRA PENGINDERAAN JAUH DALAM PEMETAAN KLASIFIKASI TUTUPAN LAHAN MENGGUNAKAN METODE UNSUPERVISED K-MEANS BERBASIS WEB GIS 

(STUDI KASUS SUB-DAS BENGKULU HILIR)

Disusun oleh

FATUR RAHMAN HARAHAP

20101164

Dosen Pengampu: Imam Muhammadi P.B. S.T., M.T.

PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI

FAKULTAS TEKNIK TELEKOMUNIKASI DAN ELEKTRO

INSTITUT TEKNOLOGI TELKOM PURWOKERTO

JL. D.I. PANJAITAN 128 PURWOKERTO

2023 

DAFTAR ISI

DAFTAR ISI ii

BAB I PENDAHULUAN 1

1.1   LATAR BELAKANG 1

1.2   RUMUSAN MASALAH 2

1.3   TUJUAN 2

1.4  SISTEMATIKA PENULISAN 2

BAB II   DASAR TEORI 4

DASAR TEORI 4

2.1   Pengertian Sistem Informasi Geografis (SIG) 4

2.2   Penginderaan Jauh dan Citra Satelit Landsat 4

2.3   Klasifikasi Tutupan Lahan 4

2.4   Daerah Aliran Sungai (DAS) 5

2.5   Metode Unsupervised K-MEANS 5

2.6   Model Ari Terjun (Waterfall) 6

2.7   Data Flow Digram (DFD) 6

BAB III METODE PENELITIAN 8

A. Implementasi Antar Muka 8

B. Pembahasan Klasifikasi 9

BAB IV 14

  KESIMPULAN DAN SARAN 14

A. Kesimpulan 14

B.Saran 14

DAFTAR PUSTAKA 15

 

 

BAB I PENDAHULUAN

PENDAHULUAN

1.1 LATAR BELAKANG

Penggerak teknologi informasi seperti pada saat ini selalu mengalami perubahan kemajuan. Hal ini menjadikan tantangan bagi media informasi untuk menyampaikan informasi secara cepat dan mudah dalam pengaksesan maupun detail informasi yang diharapkan menjadi semakin lengkap. Salah satu bidang yang perlu diinformasikan secara umum ialah informasi peta geografis suatu kawasan, atau disebut dengan Sistem Informasi Geografis (SIG). Sistem Informasi Geografis (SIG) adalah suatu sistem komputer yang mempunyai kemampuan untuk menangani data yang bereferensi geografi (georeference) dalam hal pemasukan, manajemen data, memanipulasi dan mengalisis serta pengembangan produk dan percetakan.

Pengambilan informasi tutupan lahan berupa peta terbaru, pengolah data bisa memperolehnya melalui teknik penginderaan jauh. Penginderaan jauh ini telah lama menjadi sarana penting dan efektif dalam pemantauan tutupan lahan dengan kemampuannya menyediakan informasi mengenai keragaman spasial di permukaan bumi dengan cepat, luas, tepat, serta mudah. Citra satelit landsat biasanya digunakan dalam penginderaan jauh untuk klasifikasi tutupan lahan. Satelit Landsat-8 telah berhasil diluncurkan NASA pada tanggal 11 Februari 2013 lalu bertempat di Vandenberg Air Force Base, California. Periode checkout sekitar 100 hari setelah peluncuran memungkinkan pesawat ruang angkasa untuk melakukan manuver orbit, sistem inisialisasi dan kalibrasi kegiatan, dan pindah ke grid WRS-2, 438 mil di atas Bumi, ketika checkout selesai USGS mengambil kendali. Karakteristik dari citra Landsat 8 ini adalah menggunakan sensor Operational Land Manager (OLI) dengan selang band yang lebih pendek dan tambahan dua band tambahan (9 Band). Citra Landsat-8 disinyalir memiliki akurasi geodetik dan geometrik yang lebih baik. Daerah Aliran Sungai (DAS) adalah daerah yang dibatasi punggung - punggung gunung dimana air hujan yang jatuh pada daerah tersebut akan ditampung oleh punggung gunung tersebut dan akan dialirkan melalui sungai-sungai kecil ke sungai utama. 

Objek tutupan lahan yang akan dipetakan dalam studi kasus penelitian ini ialah Sub Daerah Aliran Sungai (DAS) di Bengkulu Hilir, objek ini dibagi menjadi 3 sub-DAS, yaitu Sub DAS Rindu Hati dengan luas 19.207 Ha, Sub DAS Susup dengan luas 9.890 Ha, dan Sub DAS Bengkulu Hilir dengan luas 22.402 Ha. Proses klasifikasi pada penelitian ini menggunakan metode Unsupervised K-MEANS. Metode ini merupakan salah satu metode klasifikasi yang masuk kedalam tipe unsupervised (tidak terbimbing). Citra landsat dapat digunakan dengan terlebih dahulu melalui proses pengolahan citra digital, dengan cara klasifikasi citra. Berdasarkan permasalahan yang telah dijabarkan, peneliti melakukan penelitian dalam pemanfaatan citra penginderaan jauh untuk pemetaan klasifikasi tutupan lahan menggunakan metode Unsupervised K-MEANS berbasis WEB- GIS pada Sub-DAS Bengkulu Hilir.

1.2   RUMUSAN MASALAH

Adapun rumusan masalah yang menjadi focus pembahasan pada makalah ini adalah: 

1) Apa pengertian dari sistem informasi geografis (SIG)?

2) Bagaimana kemampuan yang dimiliki SIG?

3) Bagaimana sistem dari meodte unsupervised K-MEANS?

4) Bagaimana hasil dari uji akurasi sistem?

1.3   TUJUAN

Adapun tujuan penulisan pada makalah ini adalah sebagai berikut:

1) Mengetahui pengertian dari sistem informasi geografis (SIG)

2) Mengetahui kemampuan yang dimiliki SIG

3) Mengetahui kinerja dari sistem dari meodte unsupervised K-MEANS

4) Mengetahui hasil dari uji akurasi sistem

1.4  SISTEMATIKA PENULISAN

 Sistematika penulisan penelitian ini dibagi manjadi 3 bagian diataranya :

1) BAB I : PENDAHULUAN

Bagian pendahuluan berisi mengenai latar belakang, rumusan masalah yang diangkat, manfaat dan tujuan penelitian.

2) BAB II : ANALISA DAN PEMBAHASAN

Pada bagian ini membahas tentang pengertian SIG, analisa, dan perbandingan uji sistem.

3) BAB III : PENUTUP

Pada bagian ini membahas mengenai  kesimpulan dan saran. 

BAB II

DASAR TEORI

2.1   Pengertian Sistem Informasi Geografis (SIG)

SIG adalah sistem yang berbasiskan komputer (CBIS) yang digunakan untuk menyimpan dan memanipulasi informasi-informasi geografis. SIG dirancang untuk mengumpulkan, menyimpan, dan menganalisis objek-objek dan fenomena di mana lokasi geografis merupakan karakteristik yang penting atau kritis untuk dianalisis. Dengan demikian, SIG merupakan sistem komputer yang memiliki empat kemampuan berikut dalam menangani data yang bereferensi geografis: (a) masukan, (b) manajemen data (penyimpanan dan pemanggilan data), (c) analisis dan manipulasi data, dan (d) keluaran.

2.2   Penginderaan Jauh dan Citra Satelit Landsat

        Penginderaan jauh merupakan ilmu dan seni dalam memperoleh informasi mengenai suatu obyek, area, atau fenomena melalui analisis data yang diperoleh dengan alat tanpa suatu kontak langsung. Saat ini teknologi penginderaan jauh berbasis satelit menjadi sangat populer dan digunakan untuk berbagai tujuan kegiatan, salah satunya untuk mengidentifikasi potensi sumber daya kehutanan. Hal ini disebabkan perolehan data penginderaan jauh melalui satelit menawarkan beberapa keunggulann, antara lain harga yang murah, periode ulang perekaman daerah yang sama, pemilihan spektrum panjang gelombang untuk mengatasi hambatan atmosfer, daerah cakupannya yang luas dan mampu menjangkau daerah terpencil, bentuk datanya digital, serta kombinasi saluran spectral (band) sehingga data tersebut dapat diolah dalam berbagai keperluan, seperti pengolahan citra untuk membuat peta administrasi, peta tutupan lahan, dan sebagainya.

2.3   Klasifikasi Tutupan Lahan

Penutupan lahan merupakan tutupan biofisik pada permukaan bumi yang dapat diamati dan merupakan hasil pengaturan, aktivitas, dan perlakuan manusia yang dilakukan pada jenis penutup lahan tertentu untuk melakukan kegiatan produksi, perubahan, ataupun perawatan pada areal tersebut.

 

2.4   Daerah Aliran Sungai (DAS)

        Daerah Aliran Sungai (DAS) dapat diartikan sebagai suatu kawasan yang dibatasi oleh topografi alami, dimana air yang jatuh pada DAS tersebut keluar melalui satu aliran tunggal yang akhirnya sampai pada satu titik tertentu atau sering disebut outlet. DAS merupakan satu satuan wilayah berupa sistem lahan dengan tutupan vegetasi, dibatasi oleh batas-batas topografi alami (seperti punggung- punggung bukit) yang menerima curah hujan sebagai masukan, mengumpulkan dan menyimpan air, sedimen dan unsur hara lainnya, serta mengalirkannya melalui anak-anak sungai untuk akhirnya keluar melalui satu sungai utama ke laut atau danau.

2.5   Metode Unsupervised K-MEANS

        Algoritma K-Means clustering merupakan teknik cluster berbasis jarak yang berusaha mempartisi data kedalam beberapa cluster. Metode ini mempartisi data kedalam cluster menurut karakteristik yang dimiliki setiap data, setiap data yang memiliki karakteristik sama dikelompokkan kedalam satu cluster yang sama begitu juga dengan data yang mempunyai karakteristik berbeda dikelompokkan kedalam cluster lain [10]. Pada algoritma ini, yang menjadi pusat cluster dinamakan centroid, centroid merupakan nilai acak dari seluruh kumpulan data yang dipilih pada tahap awal, kemudian K-Means menyeleksi masing- masing komponen dari seluruh data dan memisahkan data tersebut kedalam salah satu centroid yang sudah diuraikan sebelumnya berdasarkan jarak terdekat antara komponen data dan pusat masing-masing centroid dengan syarat tidak ada lagi data yang berpindah kelompok. Algoritma penglompokan data K-means adalah sebagai berikut:

a. Tentukan jumlah kelompok

b. Alokasikan data ke dalam kelompok secara acak

c. Hitung pusat cluster (centroid/rata-rata) dari data yang ada di masing-masing cluster setiap kelompok yang diambil dari rata-rata (mean) semua nilai data pada setiap fiturnya harus dihitung kembali. Jika menyatakan jumlah data dalam sebuah cluster, menyatakan fitur ke-i dalam sebuah cluster dan menyatakan dimensi data. Cara mengukur jarak data ke pusat cluster menggunakan Euclidean. pada persamaan 1 berikut.

 

Keterangan persamaan: 

D = jarak antara data dan , dan adalah nilai mutlak. P = Dimensi data 

X2j = Koordinat dari obyek i pada dimensi k 

X1j = Koordinat dari obyek j pada dimensi k

d. Alokasikan masing-masing data ke centroid / rata-rata terdekat, pengalokasian kembali data ke dalam masing-masing kelompok dalam metode k-means didasarkan pada perbandingan jarak antara data dengan centroid setiap kelompok yang ada. Data dialokasikan ulang secara tegas kekelompok yang mempunyai centroid dengan jarak terdekat dari data tersebut. Pengalokasian data ke cluster menggunakan persamaan 2 berikut:

 

Keterangan: 

Vij = data cluster ke- i kolom j

Xkj= data ke-k kolom j 

Ni= banyaknya anggota kluster ke i

2.6   Model Ari Terjun (Waterfall)

        Model Software Development Life Cycle (SDLC) air terjun (waterfall) sering juga disebut model sekuensial linier (sequential linear) atau alur hidup klasik (classic life cycle). Model air terjun menyediakan pendekatan alur hidup perangkat lunak secara sekuensial atau terurut dimulai dari analisis, desain, pengkodean, pengujian, dan tahap pendukung (support).

2.7   Data Flow Digram (DFD)

Data Flow Diagram (DFD) atau dalam bahasa Indonesia menjadi Diagram Alir Data (DAD) adalah representasi grafik yang menggambarkan aliran informasi dan transformasi informasi yang diaplikasikan sebagai data yang mengalir dari masukan (input) dan keluaran (output). DFD merupakan suatu diagram yang menggunakan notasi-notasi untuk menggambarkan arus dari data sistem, yang penggunaannya sangat membantu untuk memahami sistem secara logis, terstruktur dan jelas. Jadi dengan kata lain DFD merupakan suatu diagram yang membantu dalam menjelaskan atau menggambarkan proses dari suatu sistem.

 

BAB III METODE PENELITIAN

HASIL DAN PEMBAHASAN

Data citra peta yang digunakan ialah sebanyak peta, peta tahun 2014, 2015, 2016, 2017, dan peta 2018. Data citra ini selanjutnya diproses sesuai dengan alur kerja sistem.

A. Implementasi Antar Muka

      Pada subbab ini akan dibahas mengenai implementasi antar muka dari sistem informasi yang telah dibuat. Pada tahapan implementasi antar muka ini, sistem informasi akan dibuat berbasis website dengan bahasa pemrograman PHP.

1. Halaman Utama

        Halaman utama pada sebuah aplikasi adalah halaman yang memuat topik utama dari aplikasi. Halaman utama pada aplikasi ini muncul pertama kali saat aplikasi ini dijalankan. Halaman ini dibuat berdasarkan rancangan yang telah dibuat pada Gambar 4.7. Berikut adalah tampilan dari halaman utama aplikasi yang dapat dilihat pada Gambar 1

 

Gambar 1 Halaman Utama

        Dapat dilihat pada Gambar 5 merupakan tampilan halaman utama yang merupakan hasil implementasi dari perancangan antarmuka yang telah dibuat pada bab sebelumnya Pada halaman utama sistem informasi tersebut terdapat bagian utama yang memuat peta klasifikasi, navigasi tahun peta, informasi dari klasifikasi, tombol grafik fluktuasi, dan tombol peta perbandingan.

 

2. Halaman Grafik Fluktasi

    Halaman grafik fluktuasi merupakan sebuah tampilan yang muncul ketika tombol grafik fluktuasi ditekan, tampilan ini merupakan tampilan yang berisi informasi mengenai fluktuasi dari luas klasifikasi setiap tahunnya, yang mana pada penelitian ini jangka waktu peta yang digunakan ialah 5 tahun ke belakang. Tampilan grafik fluktuasi bisa dilihat pada gambar 2 berikut. 

 

Gambar 2 Tampilan grafik fluktuasi

3. Halaman Peta Perbandingan

        Peta perbandingan merupakan salah satu menu pada sistem informasi yang fungsinya adalah untuk menampilkan hasil perbandingan suatu wilayah klasifikasi berdasarkan tahun yang dibandingkan oleh user. Untuk menggunakan menu ini user bisa menekan tombol peta perbandingan, kemudian akan muncul tampilan input untuk memilih tahun dan wilayah yang akan diklasifikasi.

B. Pembahasan Klasifikasi

      Pengklasifikasian citra landsat diproses dengan menggunakan metode K-Means, proses ini dilakukan dengan cara mengubah citra menjadi matriks RGB yang masing - masing komponen warna memiliki nilai pixel masing-masing dengan format vektor kemudian dari nilai pixel tersebut diambil nilai pixel dari masing-masing R, G dan B, nilai ini akan dijadikan sebagai atribut dalam perhitungan algoritma K-Means. Berikut ini adalah perhitungan untuk mengetahui klasifikasi dengan menggunakan 16 data sampel perhitungan.

- Ambil nilai pixel panjang (x)

- Ambil nilai pixel lebar (y)

- Untuk mengambil data masing-masing pixel, dilakukan iterasi pembacaan data dari x=0 dan y=0 sampai dengan panjang dan lebar gambar. Kemudian data pixel akan disimpan dalam bentuk matrik.

Lebih jelasnya untuk mendapatkan unsur warna gambar dengan contoh ukuran 1366x768 pixel, gambar akan dikonversi menjadi matrik [1366, 768], setiap nilai dalam matrik mengandung nilai R, G, dan B, misal matrik [1,1] dengan nilai pixel (48, 48, 48), matrik [1,2] dengan nilai pixel (48, 48, 48), dan seterusnya hingga matrik [1366, 768]. Kemudian dari nilai pixel yang terdapat pada matrik tersebut dibaca satu persatu untuk setiap nilai pixel Red, nilai pixel Green, dan nilai pixel Blue. Dari hasil tersebut dibentuk sebuah array yang memiliki nilai pixel Red, nilai pixel Green, dan nilai pixel Blue dengan jumlah data sebanyak 349.696 pixel untuk masing- masing model warna.

- Menetapkan jumlah cluster (pengelompokkan atau kelas) yang akan diklasifikasikan. Pada penelitian ini peneliti telah menetapkan jumlah cluster yaitu 7 class.

- Menetapkan secara acak nilai tengah (centroid) cluster. Sebelum memasuki proses clustering sumber data akan diubah terlebih dahulu menjadi matriks pixel seperti gambar 10 dibawah ini dengan contoh diambil 16 pixel untuk ukuran 4x4 pixel: 

-  

Gambar 3 Data RGB dari 6 pixel data

Nilai yang dibaca oleh sistem yaitu nilai pixel RGB. Dari gambar 10 diatas dapat dibuat tabel warna seperti tabel 1 berikut:

 

Untuk menentukan nilai centroid awal dari masing-masing class ialah dengan cara mengambil sebanyak 7 data dari tabel 1, kemudian dari setiap nilai pixel data tersebut diambil nilai tengahnya. Contoh untuk data ke 1 atribut warna R, nilai pixel nya 62 maka centroid awalnya yaitu 62 : 2 = 31. Langkah tersebut dilakukan untuk setiap nilai R, G, dan B hingga didapatkan 7 cluster, sehingga didapatkan nilai centroid awal seperti tabel 2 berikut:

 

Menghitung jarak Enclidean untuk setiap cluster. Jarak untuk setiap data dihitung dengan persamaan diatas. Dengan penjelasan yaitu jarak untuk setiap anggota cluster dengan data yaitu dihitung dengan cara nilai pixel data 1 atribut warna R dikurangi dengan nilai centroid awal cluster 1 atribut warna R kemudian dipangkatkan 2, ditambah nilai pixel data 1 atribut warna G dikurangi dengan nilai centroid awal cluster 1 atribut warna G kemudian dipangkatkan 2, nilai pixel data atribut warna B dikurangi dengan nilai centroid awal cluster 1 atribut warna B kemudian dipangkatkan 2. Hasil penjumlahan tersebut kemudian diakarkan. Langkah tersebut dilakukan untuk semua data dari cluster 1 hingga cluster 7. Berikut contoh perhitungan untuk data 1 dengan cluster 1 dengan menggunakan rumus.

 

Kemudian lakukan langkah yang sama untuk data ke 2 hingga 16. Tabel 3 berikut adalah hasil perhitungan jarak untuk setiap anggota cluster dari data ke 1 hingga ke 16. Berdasarkan hasil pengelompokan pada tabel 3, posisi data terletak pada cluster 5, proses clustering ini masih dalam perhitungan pertama, perlu dilakukan iterasi selanjutnya sampai posisi data pada cluster tidak berubah.

Melakukan iterasi kedua Dalam K-Means proses iterasi akan terus dilakukan hingga data memiliki posisi cluster yang tetap, jika posisi cluster tidak berubah, maka proses iterasi dihentikan. Untuk melakukan iterasi kedua, proses yang dilakukan ialah menghitung centroid baru dari hasil cluster yang sekarang, karena data kemungkinan akan berpindah posisi. Dari tabel 3 dapat dilihat bahwa cluster yang memiliki anggota yaitu cluster c5, sedangkan cluster yang lain tidak memiliki anggota sehingga untuk menghitung centroid baru cara yang dilakukan adalah mengubah nilai centroid pada cluster yang memiliki anggota dengan cara menghitung nilai pixel data ke 1 hingga data ke 16 untuk setiap nilai R, G, dan B yaitu sebagai berikut dengan menggunakan rumus.

 

 

Kemudian dari centroid baru dilakukan kembali perhitungan jarak untuk setiap cluster. Seperti yang dilakukan pada langkah ke 3. Berikut adalah hasil perhitungan jarak yang baru.

 

BAB IV

KESIMPULAN DAN SARAN

A. Kesimpulan

Berdasarkan hasil dan pembahasan sebelumnya, maka keimpulan yang dapat diambil adalah sebagai berikut :

1. Penelitian ini telah menghasilkan sebuah sistem informasi klasifikasi tutupan lahan menggunakan metode unsupervised K-MEANS dengan studi kasus pemetaan pada sub-DAS Bengkulu Hilir. Pengujian fungsional sistem dengan menggunakan metode Black Box telah 100% berhasil.

2. Uji akurasi sistem melalui perbandingan hasil peta klasifikasi dengan peta google earth sistem informasi klasifikasi tutupan lahan ini memiliki nilai akurasi sebesar 91,42 % dari 35 titik sampel yang diuji dengan keberhasilan sebanyak 33 titik sample dan 2 titik sampel yang tidak sesuai.

3. Uji akurasi sistem melalui ground check yakni dengan perbandingan untuk melihat peta hasil klasifikasi dengan kondisi pada lapangan sebenarnya memiliki nilai akurasi sebesar 90 % dari 10 titik sampel

4. Yang diambil dengan keberhasilan sebanyak 9 titik sample dan 1 titik sampel yang tidak sesuai.

B. Saran

Berdasarkan analisa dan perancangan sistem maka saran yang dapat diberikan untuk pengembangan penelitian selanjutnya adalah sebagai berikut:

1. Proses penajaman citra perlu dilakukan karena input citra landsat 8 hanya memiliki resolusi sebsar 30 meter. Beberapa metode penajaman yang dapat diterapkan di Sistem Informasi Geografis, yaitu : gray level thresholding, level slicing, contrast stretching, spatial filtering, edge enhancement, dll.

2. Pemilihan citra input sebaiknya memilki nilai intensitas awan yang seminimum mungkin agar tutupan lahan yang akan diklasifikasikan tidak tergangu oleh adanya objek awan

DAFTAR PUSTAKA

[1]  Yudha Niagara, E. E. (1 Maret 2020). PEMANFAATAN CITRA PENGINDERAAN JAUH UNTUK PEMETAAN KLASIFIKASI TUTUPAN LAHAN MENEGGUNAKAN METODE UNSUPERVISED K-MEANS BERBASIS WEB GIS (STUDI KASUS SEB-DAS BENGKULU HILIR). Jurnal Rekusif, 2030-0755.