Penilaian hasil klasifikasi dapat dilakukan dengan melakukan uji akurasi pada hasil klasifikasi. Akurasi pada data spasial dapat dibagi menjadi akurasi posisi dan akurasi isi. Akurasi posisi hasil interpretasi mengikuti akurasi posisi sumber datanya. Akurasi tematik berarti tingkat akurasi dari data tematik hasil klasifikasi. Fokus dalam tulisan ini adalah pada uji akurasi tematik hasil klasifikasi penginderaan jauh.
Uji akurasi klasifikasi penginderaan jauh adalah usaha untuk menilai akurasi tematik hasil klasifkasi menggunakan metode pengukuran tertentu seperti matriks kesalahan (confusion matrix) meliputi nilai akurasi keseluruhan (overall accuracy), ketelitian pembuat (produser’s accuracy) dan ketelitian pengguna (user’s accuracy) dan analisis Kappa.
Mengapa perlu uji akurasi?
Hasil klasifikasi citra penginderaan jauh belum dapat diterima selama uji akurasi belum dilakukan.
Lillesand dan Kiefer menekan pentingnya uji akurasi dengan menyebutkan bahwa analisis citra digital belum selesai sebelum uji akurasi dilakukan.
Akurasi hasil interpretasi citra merupakan kesesuaian antara hasil interpretasi citra dengan nilai yang dianggap benar.
Semakin sesuai atau semakin kecil beda antara dua nilai tersebut, berarti semakin akurat interpretasinya.
Penilaian Hasil Klasifikasi
Akurasi dapat didefinisikan, sebagai derajat (sering sebagai persentase) dari korespondensi antara pengamatan dan kenyataan.
Akurasi biasanya dinilai terhadap ada peta, foto udara skala besar, atau cek dan perhitungan lapangan. Berbagai jenis kesalahan mengurangi akurasi identifikasi fitur dan distribusi kategori. Dalam prakteknya, akurasi klasifikasi dapat diuji dalam empat cara (Levin, 1999) :
1) pemeriksaan lapangan pada poin dipilih baik secara acak atau di sepanjang grid,
2) perkiraan persamaan pada tema atau kelas dengan mengidentifikasi antara kelas peta hasil klasifikasi dan peta referensi, biasanya ditentukan dengan tumpangsusun peta satu padayang lain,
3) analisis statistik data numerik yang dikembangkan dalam sampling, pengukuran, dan pengolahan data, dengan menggunakan tes seperti root mean square,standard error, analisis varians, koefisien korelasi, analisis regresi linier atau ganda, dan pengujian Chi Square , dan
4) perhitungan matriks kesalahan (confusion matrix).
Matriks Kesalahan (Confusion Matrix)
Error Matrix (matriks kesalahan) atau confusion matrix merupakan susunan angka yang diatur dalam baris dan kolom yang merupakan representasi jumlah unit sampel (seperti piksel, kelompok piksel, atau poligon), diisikan sesuai dengan kategori, relatif terhadap kategori aktual (Congalton, 2008). Matriks ini secara teknis berisi kelas-kelas penutup lahan hasil klasifikasi citra pada barisnya, dan kelas-kelas penutup lahan hasil pengecekan lapangan pada kolom, sedangkan isi matriks menunjukkan jumlah objek. Semakin banyak objek yang menunjukkan kesamaan kelas pada baris dan kolom, maka akurasi hasil klasifikasi semakin tinggi.
Ketelitian hasil klasifikasi diukur dengan nilai akurasi keseluruhan (overall accuracy), ketelitian pembuat (produser’s accuracy) dan ketelitian pengguna(user’s accuracy).
Akurasi keseluruhan menunjukkan prosentase jumlah piksel hasil klasifikasi yang benar berdasarkan data lapangan. Piksel yang dilibatkan dalam perhitungan merupakan piksel yang menjadi sampel.
Jika ketelitian lebih dari atau sama dengan 85%, maka hasil klasifikasi dapat diterima
Analisis Kappa
Analisis Kappa adalah teknik multivariat diskrit yang digunakan dalam penilaian akurasi untuk statistik menentukan apakah satu matriks kesalahan secara signifikan berbeda dari yang lain.
Analisis ini telah digunakan dalam berbagai bidang seperti psikologi dan sosiologi, hingga Congalton menggunakannya pada tahun 1983 dalam bidang penginderaan jauh, sehingga teknik ini mulai banyak digunakan dalam bidang tersebut.
Analisis ini berdasarkan perbedaan antara tingkat kesesuaian (agreement) aktual pada matriks kesalahan yang ditunjukkan oleh diagonal utama dan kemungkinan kesesuaian yang ditunjukkan oleh total baris dan kolom.
Perhitungan analisis Kappa ditunjukkan dalam persamaan berikut ini.
dimana
K : Koefisien Kappa
N : jumlah total pengamatan
R : jumlah baris dalam error matrix
xii : jumlah pengamatan baris i kolom i
x1+ : total pengamatan pada baris i
x+1 : total pengamatan pada kolom i
Selanjutnya, nilai hasil perhitungan dicocokkan dengan tingkat kesesuaian yang dibuat oleh Landis dan Koch (1975, dalam Congalton dan Green, 2008) seperti pada Tabel 2.5.
Tingkat Kesesuaian (Agreement) dalam Koefisien Kappa
| Tingkat kesesuaian | Tingkat kepercayaan |
| < 0,4 | Rendah |
| 0,5-0,8 | Sedang |
| > 0,8 | Tinggi |
Sumber : Landis dan Koch (1975, dalam Congalton dan Green, 2008)
Cara melakukan perhitungan akurasi
Perhitungan akurasi hasil klasifikasi citra penginderaan jauh dilakukan dengan tahapan sebagai berikut.
- Menyiapkan hasil klasifikasi yang akan diuji akurasinya
- Menyiapkan data referensi sebagai dasar pengujian
- Menentukan metode pengambilan data (sensus vs sampel)
- Memberikan kode atau nama yang sama untuk setiap kelas pada data yang akan diuji dan data referensi
- Menentukan unit analisis
- Membuat tabel matriks kesalahan
- Menghitung akurasi keseluruhan, akurasi pengguna dan akurasi pembuat
- Menghitung nilai Kappa.
Berikut sedikit penjelasannya.
#1 Menyiapkan hasil klasifikasi yang akan diuji akurasinya
Hasil klasifikasi yang akan diuji akurasinya merupakan hasil ekstraksi informasi dari citra penginderaan jauh.
Hasil ekstraksi ini bisa didapatkan melalui metode manual seperti interpretasi visual atau metode pendekatan digital seperti klasifikasi multispektral ataupun Geographic Object Based Image Analisis (GEOBIA).
Data hasil ektraksi ini biasanya berupa kelas-kelas tematik. Contoh paling sering ditemui adalah kelas-kelas tutupan lahan.
#2 Menyiapkan data referensi sebagai dasar pengujian
Data referensi ini merupakan data yang digunakan sebagai dasar pengujian atau yang dianggap sebagai kebenaran.
Sumber data referensi ini dapat berupa:
- Hasil pengukuran atau pengecekan langsung dari lapangan
- Peta referensi yang sudah ada
- Hasil interpretasi pada citra resolusi sangat tinggi
#3 Menentukan unit analisis
Unit analisis yang dapat kita gunakan antara lain adalah unit sampel berupa polygon atau grid dengan ukuran tertentu (biasanya untuk data vektor) ataupun unit analisis berupa piksel (untuk data raster).
#4 Menentukan sampel atau sensus
Di sini kita perlu tentukan apakah kita akan menggunakan sensus, atau seluruh populasi unit analisis poligon/ piksel, atau mengambil sampel.
Biasanya, sampel dipilih karena lebih murah, cepat dan efektif. Dan ini sejalan dengan tujuan penggunaan penginderaan jauh.
Namun ada juga yang menggunakan metode sensus, artinya setiap unit analisis dimasukkan dalam perhitungan akurasi. Berarti, kita perlu tahu secara persis informasi di setiap unit analisis di area kajian.
#5 Memberikan kode atau nama yang sama untuk setiap kelas pada data yang akan diuji dan data referensi
Pemberian kode yang sama ini dilakukan untuk memudahkan pembacaan tabel matriks kesalahan dan proses perhitungan akurasi lainnya.
Sebagai contoh, kita beri kode Htn untuk kelas hutan baik di data hasil klasifikasi maupun data referensi.
Pemberian kode ini juga berfungsi untuk memperpendek teks sehingga tabel matriks okupansi tidak terlalu panjang dan lebih mudah dibaca.
#6 Membuat tabel matriks kesalahan
Pembuatan tabel matriks kesalahann ini dilakukan dengan nenampalkan poligon-poligon atau poin-poin sampel dengan data referensi.
Lalu kita dapat mengambil data atribut dan membukanya di software spreadsheet seperti Microsoft Excel.
Untuk membuat matriks kesalahan, kita dapat menggunakan fungsi pivot tabel di Excel.
#7 Menghitung akurasi keseluruhan, akurasi pengguna dan akurasi pembuat
Akurasi keseluruhan atau overall accuracy menunjukkan prosentase jumlah piksel hasil klasifikasi yang benar berdasarkan data lapangan. Nilai ini dihitung dengan menghitung jumlah unit analisis yang terklasifikasi benar, dengan jumlah total unit yang diuji.
Akurasi pembuat atau producer’s accuracy dihitung dengan menghitung persentase unit analisis yang terklasifikasi benar dengan jumlah unit analisis pada kelas tersebut pada data referensi.
Akurasi pengguna atau user’s accuracy dihitung dengan menghitung persentase unit analisis yang terklasifikasi benar dengan jumlah unit analisis pada kelas tersebut pada data hasil klasifikasi.
Untuk lebih jelasnya lihat contoh perhitungan berikut.
Contoh Matriks Kesalahan dengan 4 Kelas Penutup Lahan
Dari matriks kesalahan dia atas, kita dapat hitung akurasinya sebagai berikut.
Producer’s accuracy User’s accuracy
A = 65/75 = 87% A = 65/115 = 57%
B = 81/103 = 79% B = 81/100 = 81%
C = 85/115 = 74% C = 85/115 = 74%
A = 90/141 = 64% D = 90/104 = 87%
Overall accuracy = (65 + 81 + 85 + 90)/434 = 321/434 = 74%
Sumber : Congalton dan Green, 2008
#8 Menghitung nilai Kappa.
Berikut ini adalah contoh perhitungan Kappa berdasarkan matriks kesalahan di atas.
xii = 65 + 81 + 85 + 90 = 321
= 8625 + 10300 + 13225 + 14664
= 46814
Kesimpulan
Hasil klasifikasi citra penginderaan jauh belum dapat diterima selama uji akurasi belum dilakukan. Penilaian hasil klasifikasi dapat dilakukan dengan melakukan uji akurasi pada hasil klasifikasi.
Tulisan ini kurang lebih menjelaskan apa itu uji akurasi klasifikasi citra, mengapa harus dilakukan, dan bagaimana proses perhitungannya.
Uji akurasi klasifikasi penginderaan jauh adalah usaha untuk menilai akurasi tematik hasil klasifkasi menggunakan metode pengukuran tertentu seperti matriks kesalahan (confusion matrix) meliputi nilai akurasi keseluruhan (overall accuracy), ketelitian pembuat (produser’s accuracy) dan ketelitian pengguna(user’s accuracy) dan analisis Kappa.
