#BelajarGEE9-Accuracy Assessment

Uji Akurasi Klasifikasi Multispektral Metode Supervissed Classification di Google Earth Engine

Halo Semuanya,

Menyambung dari tulisan saya sebelumnya tentang pembuatan tutupan lahan (land cover) menggunakan dua metode klasifikasi yaitu CART dan Minimum Distance. Nah, sekarang mari kita bandingkan hasil dari keduanya melalui uji akurasi untuk mengetahui nilai tingkat akurasi dari setiap metode.

Uji akurasi ini memakai ConfusionMatrix,yaitu metode uji akurasi pada sekumpulan data yang sudah diketahui nilainya (training data atau titik sampel), hal ini mengacu kepada Stehman (1997).

Kita tidak perlu membuat ulang script baru melainkan dapat melanjutkan script klasifikasi multispektral. Pertama pisahkan Region of Interest (ROI) menjadi dua bagian, yakni 70% sebagai model training (train accuracy), sedangkan 30% untuk menguji model training tersebut (test accuracy).

//Membagi ROI menjadi 2 (70% untuk membuat model, 30% untuk menguji model)
training = training.randomColumn({ seed: 1 });
var training = training.filter(ee.Filter.lt('random', 0.7)); //70%
var validation = training.filter(ee.Filter.lt('random', 0.3)); //30%

Masukkan script berikut untuk memilih metode klasifikasi serta mencetak hasil train accuracy pada Tab Console. Disini saya terlebih dulu melakukan uji akurasi pada metode Minimum Distance (min_distance).

//Train Accuracy
var trainAccuracy = min_distance.confusionMatrix().accuracy();
print('trainAccuracy', trainAccuracy); //1.0

Selanjutnya adalah test accuracy. Sama seperti train accuracy, tentukan metode yang akan diuji serta Class Property dari klasifikasi, dalam hal ini adalah landcover.

//Test Accuracy
var testAccuracy = validation
    .classify(min_distance)
    .errorMatrix('landcover', 'classification')
    .accuracy();
print('testAccuracy', testAccuracy);//1.0

Jalankan script lalu lihat hasil yang ditampilkan pada Tab Console

Uji akurasi pada metode Minimum Distance

Ulangi kembali langkah train accuracy dan test accuracy namun pada metode CART

Uji akurasi pada metode CART

Kesimpulan

Hasil uji akurasi train accuracy dan test accuracy dapat dikatakan bagus adalah yang mendekati 1 (100%). Metode Minimum Distance menghasilkan train accuracy sebesar 0,92 dan test accuracy 0,925. Sedangkan metode CART menunjukkan hasil sempurna yaitu 1.

Hasil uji akurasi metode Minimum Distance (kiri) dan CART (kanan)

Menurut saya ada keanehan pada hasil uji akurasi metode CART, karena hasil yang sempurna hampir mustahil untuk didapatkan khususnya ketika ukuran maupun luasan data yang besar. Selain itu, melalui interpretasi visual dengan mata telanjang pun kita bisa melihat bahwa masih ada “ketercampuran” antar kelas pada hasil klasifikasi. Jika seperti ini, solusinya ganti metode uji akurasi atau memang ada parameter yang kurang tepat dan perlu diubah?

Script uji akurasi, klik link ini untuk melihat langsung dalam code editor

Referensi

• Stehman, S.V., 1997. Selecting and interpreting measures of thematic classification accuracy. Remote Sensing of Environment 62, 77–89. doi:10.1016/s0034–4257(97)00083–7
• Supervised Classification | Google Earth Engine | Google Developers