Sistem Penginderaan Jarak Jauh Clasification Unsupervised & Supervised
Clasification Unsupervised &
Supervised
Klasifikasi secara dijital merupakan
proses pengelompokan piksel-piksel ke dalam kelas-kelas atau kategori-kategori
yang telah ditentukan berdasarkan nilai kecerahan (digital number/DN) piksel
yang bersangkutan. Klasifikasi bisa dilakukan secara kuantitatif maupun dengan
menggunakan metode klasifikasi tidak terbimbing (Unsupervised clasification) dan klasifikasi terbimbing (Supervised Classification) (Jaya, 2002).
terdiri dari bagian-bagian yang menyatakan suatu objek atau tema tertentu.
Dalam
klasifikasi citra ada dua metode yang dapat digunakan, yaitu :
1. Supervised
classification
2.
Unsupervised classification
Klasifikasi Citra
Terbimbing (Supervised)
Klasifikasi tidak terbimbing biasanya
dilakukan sesuai dengan default yang ada pada program atau software yang digunakan.
Proses ini merupakan proses literasi yang menghasilkan pengelompokan akhir
gugus-gugus spektral. Hasil klasifikasi tak terbimbing biasanya merupakan
panduan dasar dalam pelaksanaan kegiatan lapangan berikutnya. Setelah dilakukan
kegiatan pengecekan lapangan biasanya pada metoda hybrid, klasifikasi
dilanjutkan dengan klasifikasi terbimbing.
Pada metode supervised ini, analis terlebih dulu menetapkan beberapa training
area (daerah contoh) pada citra sebagai kelas lahan tertentu. Penetapan ini
berdasarkan pengetahuan analis terhadap wilayah dalam citra mengenai
daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian
digunakan oleh komputer sebagai kunci untuk mengenali piksel lain. Daerah yang
memiliki nilai-nilai piksel sejenis akan dimasukan kedalam kelas lahan yang
telah ditetapkan sebelumnya. Jadi dalam metode supervised ini analis mengidentifikasi kelas informasi
terlebih dulu yang kemudian digunakan untuk menentukan kelas spectral yang
mewakili kelas informasi tersebut. (Indriasari, 2009).
Ada banyak klasifikasi terbimbing,
tetapi yang umum digunakan adalah sebagai berikut:
- Parallelepiped
(Non-Parametik)
- Minimum
Distance (Parametik)
- Maximum
Likelihod (Parametik)
- Mahalanobis
Distance (Parametik)
Gambar
2.1
Cara Kerja Metode Supervised
Algoritma yang bisa digunakan untuk
menyelesaikan metode supervised ini diantaranya adalah minimun distance dan parallelepiped.
Klasifikasi terbimbing yang didasarkan pada pengenalan pola spectral terdiri
atas tiga tahapan, yaitu:
1. Tahap training sample: analisis menyusun
kunci interpretasi dan mengembangkan secara numeric spectral untuk setiap
kenampakan dengan memeriksa batas daerah (training area).
2. Tahapan klasifikasi: setiap pixel pada
serangkaian data citra dibandingkan setiap kategori pada kunci interpretasi numeric, yaitu menentukan
nilai pixel yang tak dikenal dan paling mirip dengan kategori yang sama.
Perbandingan tiap pixel citra dengan kategori pada kunci interpretasi
dikerjakan secara numeric dengan menggunakan berbagai strategi klasifikasi
(dapat dipilih salah satu dari jarak minimum rata-rata kelas, parallelepiped, kemiripan maksimum).
Setiap pixel kemudian diberi nama sehingga diperoleh matrik multi dimensi untuk
menentukan jenis kategori penutupan lahan yang diinterpretasi.
3. Tahapan keluaran: hasil matrik
didenileasi sehingga terbentuk peta penutupan lahan, dan dibuat tabel matrik
luas berbagai jenis tutupan lahan pada citra.
Klasifikasi Citra Tak
Terawasi (Unsupervised)
Gambar
2.2
Cara Kerja Metode Unsupervised
Cara kerja metode unsupervised ini merupakan kebalikkan dari metode supervised,
dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer kedalam
kelas-kelas spektral menggunakan algoritma klusterisasi (Indriasari, 2009).
Dalam metode ini, diawal proses biasanya analis akan menentukan jumlah kelas (cluster)
yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan
kelas-kelas lahan terhadap kelas-kelas spektral yang telah dikelompokkan oleh
komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan
beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas.
Misal class 1, class 2 dan class 3 masing-masing adalah sawah, perkebunan dan
hutan maka analis bisa mengelompokkan kelas-kelas tersebut menjadi satu kelas,
yaitu kelas vegetasi. Jadi pada metode unsupervised tidak sepenuhnya tanpa
campur tangan manusia. Beberapa algoritma yang bisa digunakan untuk
menyelesaikan metode unsupervised ini diantaranya adalah K-Means dan ISODATA Salah
satu algoritma yang sering digunakan dalam klasifikasi terbimbing adalah Maximum Likelihood Algorithm. Dalam
algorithm ini, diasumsikan bahwa obyek yang homogen atau sama akan selalu
menampilkan histogram nilai kecerahan yang terdistribusi normal. Pada citra
yang dihasilkan, masing-masing kelas penutupan akan menghasilkan penampakan
yang khas dan berbeda dari penampakan kelas lainnya (Lillesand dan Kiefer,
1986).
Proses klasifikasi disebut tidak
terawasi, bila dalam prosesnya tidak menggunakan suatu referensi penunjang
apapun. Hal ini berarti bahwa proses tersebut hanya dilakukan berdasarkan
perbedaan tingkat keabuan setiap piksel pada citra. Klasifikasi citra tak
terawasi mencari kelompok-kelompok (cluster)
piksel-piksel, kemudian menandai setiap piksel kedalam sebuah kelas berdasarkan
parameter-parameter pengelompokkan awal yang didefinisikan oleh penggunanya.
Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa
cluster secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara berulang-ulang dengan
computer. Sumbu horizontal menunjukkan nilai piksel pada band2 dan sumbu vertical menunjukkan nilai kecerahan
piksel pada band1. Pengelompokan piksel menjadi kelas spectral diawali dengan menentukan jumlah kelas spectral yang akan dibuat. Penentuan
jumlah kelas ini dapat dilakukan dengan memperhatikan jumlah puncak histogram
sehingga diperoleh jumlah kelas spectral yang akan dibentuk. Setelah jumlah
kelas spectral ini ditentukan
kemudian dipilih pusat-pusat kelas spectral terhadap setiap pusat kelas
spectral. Berdasarkan hasil pengukran jarak ini setiap piksel dikelompokkan ke
dalam suatu kelas spectral yang
memiliki jarak terdekat. Setelah setiap piksel dikelompokkan lalu masing-masing
rata-rata kelas spectral dihitung kembali. Kemudian dilakukan lagi pengukuran
jarak setiap piksel terhadap rata-rata kelas baru ini dan akhirnya piksel
dikelompokkan ke dalam kelas spectral yang memiliki jarak terdekat.
Parameter yang menentukan pemisahan dan
pengelompokan piksel-piksel menjadi kelas spectral
yaitu:
1. Standar deviasi maksimum, nilai
standari deviasi maksimum yang sering digunakan berkisar antara 4,5 sampai 7
2. Jumlah piksel minimum dalam sebuah
kelas spectral dinyatakan dalam persen (%).
3. Nilai pemisahan pusat kelas yang
dipecah 4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2
sampai 3,9.
Proses pemisahan dan pengelompokkan
piksel-piksel menjadi kelas-kelas spectral terus diulangi dan akan dihentikan
bila telah memenuhi salah satu ketentuan:
1. Jumlah iteasi maksimum, jumlah iterasi
dapat ditentukan sesuai dengan kebutuhan
2. Jumlah piksel yang kelas spektralnya
tidak berubah antara iterasi (dalam persentase, %).
Setelah kelas spectral terbentuk umumnya
dilakukan proses asosiasi antaa obyek dan kelas spectral terbentuk untuk
mengidentifikasi kelas spectral menjadi kategori obyek tertentu.
Pengidentifikasian kelas spectral menjadi obyek tertentu dapat dilakukan
menggunakan suatu data acuan atau referensi penunjang. Setelah semua kelas
spectral teridentfikasi kemudian dapat dilakukan penyederhaan untuk
menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan
perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil
klasifikasi dapat ditunjukka dari gradasi warna yang terbentuk yang menunjukkan
jenis kelas yang dikelompokkan oleh komputer.
Perbedaan Supervised Classification & Unsupervised
Classification pada Pengolahan Citra
Supervised
Classification/Proses klasifikasi didasarkan pada ide bahwa
pengguna (user) dapat memilih sampel pixel – pixel dalam suatu
citra yang merepresentasikan kelas-kelas khusus dan kemudian mengarahkan
perangkat lunak pengolahan citra (image processing software) untuk
menggunakan pilihan-pilihan tersebut sebagai dasar referensi untuk
pengelompokkan pixel-pixel lainnya dalam citra tersebut. Wilayah
pelatihan (training area) dipilih berdasarkan pada pengetahuan
dari pengguna (the knowledge of the user). Sedangkan
klasifikasi tak terawasi (unsupervised classifications) merupakan
pengklasifikasian hasil akhirnya (pengelompokkan pixel-pixel dengan
karakteristik umum) didasarkan pada analisis perangkat lunak (software
anaysis) suatu citra tanpa pengguna menyediakan contoh-contoh
kelas-kelas terlebih dahulu. Komputer menggunakan teknik-teknik tertentu untuk
menentukan pixel mana yang mempunyai kemiripan dan bergabung dalam satu kelas
tertentu secara bersamaan.
Sedangkan Unsupervised Classification/Proses klasifikasi disebut
tidak terawasi, bila dalam prosesnya tidak menggunakan suatu
referensi penunjang apapun. Hal ini berarti bahwa proses tersebut
hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap
piksel pada citra. Klasifikasi citra tak terawasi mencari kelompok-kelompok
(cluster) piksel-piksel, kemudian
menandai setiap piksel kedalam sebuah kelas berdasarkan parameter-parameter
pengelompokkan awal yang didefinisikan oleh penggunanya. Contoh pada tanah
(mempunyai kesamaan fitur asli: Tanah basah, Pembangunan suatu area/wilayah,
Hutan pinus, dsb).
Perhitungan Supervised Classification & Unsupervised
Classification pada Pengolahan Citra
Piksel yang dikenal di masing-masing
kelas predecided ω1, ω2, ..., ωK, bentuk yang sesuai "sampel set" S1,
S2, ..., SK dengan n1, n2, ..., nK nomor piksel masing-masing.
Daftar Pustaka
Identifikasi
Dan Klasifikasi Peruntukan Lahan Menggunakan Citra Aster. (Landuse
Identification And Classification Using Aster Multispectral Data). Indarto,
Arif Faisol. Jurusan Teknologi Pertanian – Universitas Negeri Papua.
0 komentar