2 Klasifikasi Citra Multispektral Penginderaan Jauh

2 Klasifikasi Citra Multispektral Penginderaan Jauh

Penginderaan jauh merupakan sebagai ilmu atau seni untuk memperoleh informasi tentang objek, daerah atau gejala dengan jalan menggunakan data yang diperoleh dengan menggunakan suatu alat tanpa kontak secara langsung terhadap objek daerah atau gejala yang dikaji.

Sedangkan menurut Kawamuna (2017) menyatakan penginderaan jauh didefiniskan sebagai ilmu dan teknologi yang berhubungan dengan objek yang dikukur, didentifikasikan atau dianalisis karakteristiknya tanpa kontak langsung dengan objek yang dikaji.

Baca juga: Tutorial ENVI 5.3


Interpretasi Citra

Interpretasi Citra
Sumber: http://pendidikan.abi-blog.com/

Kawamuna (2017) menyatakan interpretasi citra adalah perubuatan mengkaji foto udara dan citra dengan maksud untuk mengindektifikasi objek dan menilai arti pentingnya objek tersebut.

Ada tiga rangkaian kegiatan yang diperlukan dalam pengenalan objek yang tergambar pada citra, yaitu :

  1. Deteksi merupakan pengamtan adanya suatu objek, misalnya pada gambaran sungai terdapat objek yang bukan air.
  2. Identifikasi merupakan upaya yang mencirikan objek yang telah didekteksi dengan menggunakan keterangan yang cukup.
  3. Analisis merupakan pengumpulan keterangan lebih lanjut.


Pengenalan objek merupakan bagian paling vital dalam interprestasi citra. Foto udara sebagai citra tertua di dalam penginderaan jauh memiliki unsur interprestasi yang paling lengkap dibandingkan unsur interpretasi pada citra laiinnya (Kawamuna, 2017). Interpretasi citra terdiri dari: Rona dan warna, bentuk, ukuran, tekstur, pola, banyangan, situs, dan asosiasi.

Interpretasi citra merupakan serangkaian kegiatan identifikasi, pengukuran penterjemah data-data pada sebuah atau serangkaian data penginderaan jauh untuk memperoleh informasi yang bermakna. Sebuah data penginderaan jauh dapat diturunkan banyak informasi dari serangkaian proses interpretasi citra ini.

Dalam proses interpretasi, objek diidentifikasi berdasarkan pada karakteristik yaitu : tareget dapat berupa titik, garis ataupun area dan terget harus dapat dibedakan dengan objek lainnya (Kawamuna, 2017).

Baca juga: Unsur-unsur Interpretasi Citra


Koreksi Citra dan Koreksi Geometrik

Koreksi Citra dan Koreksi Geometrik
Sumber: https://hilmandrp.wordpress.com/

Proses awal data citra atau pemulihan citra yang dilaksanakan untuk mengurangi kesalahan-kesalahan akibat dari citra sendiri, yang dirancang relatif sederhana, sementara kondisi sebenarnya sangat kompleks. Citra dibilang kompleks akibat dari resolusi spasial, resolusi spektral, resolusi temporal, resolusi radiometrik dan lain-lain. Tahap awal dari proses data citra yaitu perbaikan citra.

Maksud dari perbaikan citra adalah (Kawamuna, 2017):

  1. Mengembalikan citra dengan keadaan sebenarnya terhadap distorsi, degradasi, dan noise (gangguan).
  2. Memperkecil masalah kenampakan.
  3. Menyesuaikan kenampakan dengan tujuan penggunaan citra.


Koreksi geometrik merupakan proses memposisikan citra sehingga cocok dengan koordinat peta dunia yang sesungguhnya. Posisi geografis citra pada saat pengambilan data dapat menimbulkan distorsi karena perubahan posisi dan juga ketinggian sensor.

Dalam akuisisi citra satelit, distorsi akan bertambah seiring dengan perbedaan waktu pembuatan peta dan akuisi citra kualitas dari peta dasar yang kurang baik. Akibat dari kesalahan geometrik ini, maka posisi piksel dari citra satelit tersebut tidak sesuai dengan posisi yang sebenarnya (Kawamuna, 2017).


Analisa Citra Landsat 8 

Analisa Citra Landsat 8
Sumber: https://www.geotekno.com/

Pengolahan citra penginderaan jauh akan dikenal dengan menggunakan Image Analysis (IA) yang merupakan sebuah ekstension ArcView yang dibuat oleh ERDAS (developer dari perangkat lunak pengolahan citra penginderaan jauh yang banyak dipakai). Hasil pengolahan citra penginderaan jauh nantinya bisa dianalisa bersama-sama dengan data SIG lain menggunakan ekstension Spatial Analyst.

Perlu diingat bahwa IA bukan merupakan sebuah perangkat lunak yang dirancang khusus untuk pengolahan citra sederhana dengan mengunakan platform ArcView (Lillesand, 1998).

Adapun hal-hal yang bisa dikerjakan oleh IA diantaranya adalah:

  1. Mengimpor citra (dalam bentuk data raster) untuk digunakan dalam ArcView.
  2. Mengklasifikasikan sebuah citra menjadi beberapa kelas tipe penutupan lahan seperti vegatasi.
  3. Mempelajari beberapa citra dari periode pengambilan yang berbeda untuk menentukan area yang mangalami perubahan.
  4. Mencari daerah dengan ttingkat kerapatan vegetasi tertentu dari sebuah citra.
  5. Menajamkan kenampakan sebuah citra dengan cara menyesuaikan kontras dan tingkat kecerahan atau dengan merentangkan histrogram.
  6. Merektifikasi sebuah citra terhadap sebuah peta acuan supaya posisi koordinat lebih akurat.


Citra landsat 8 merupakan generasi terbaru menggantikan landsat 7 yang memiliki sensor Onboard Operational Land Imager (OLI) dan Thermal Infared Sensor (TIRS) dengan jumlah kanal sebanyak 11 dimana kanal 1-9 berada pada OLI dan kanal 10 dan 11 pada TIRS. Data citra satelit landsat 8 memiliki resolusi spasial 30 m untuk kanal 1, 2, 3,-9 sedangkan kanal panachromatic memiliki resolusi spasial 15 m. Selain beresolusi spasial 30 m dan 15 m, pada kanal 10 dan 11 yang merupakan kanal TIR-1 dan TIR-2 memiliki resolusi spasial 100 m.

Kelebihan data landsat 8 adalah kanal Near Infra Red (NIR-Kanal 5) sehingga dengan menggunakan kombinasi RGB yang tepat (Khormarudin et al., 2015).


Region of Interest

Region of Interest
Sumber: https://en.wikipedia.org/

Region of Interest adalah suatu bagian dari citra yang dipilih untuk kemudian diproses. Daerah tersebut dibedakan dengan menggunakan klasifikasi dan masking. Jika piksel pada mask sama dengan nol, proses tidak dijalankan. Setelah daerah yang diinginkan ditemukan, daerah tersebut ditandai dengan kotak untuk membatasi daerah yang akan dikenali.

Proses Region of Interst (ROI) berbeda dengan block processing yang mana memilih bagian citra yang merupakan bagian citra yang digunakan dalam pengolahan citra. Dalam ROI, citra dapat didefiniskan lebih dari satu region (bagian). Bagian tersebut dapat berbentuk polygon yang berupa piksel yang contiguous atau berupa range dari intensitas.

Dengan kata lain, piksel tidak harus selalu continguous, ROI sangat membantu untuk segmentasi dalam lebih mudah dikenali, karena objek sudah akan dibagi dalam region-region tertentu sesuai dengan citra objeknya (Tobing, 2018).


Klasifikasi Citra Multispektral

Klasifikasi Citra Multispektral
Sumber: https://raharjabayu.wordpress.com/

Klasifikasi digunakan untuk mengelompokkan kenampakan-kenampakan tertentu yang memilki kesamaan nilai spektral atau feature lain, berdasarkan asosiasi, ukuran, dan lain sebagainya.

Klasifikasi citra adalah suatu teknik yang digunakan untuk menghilangkan informasi rinci dari data input untuk menampilkan pola-pola penting atau distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari citra tersebut diperoleh informasi yang bermanfaat atau sesuai dengan keperluan. Untuk pemetaan penutupan lahan, hasilnya bisa diperoleh dari proses klasifikasi multispektral citra satelit (Hamli, 2015). 

Klasifikasi multispektral adalah alogaritma yang dirancang untuk menyajikan informasi tematik dengan cara mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral. Klasifikasi ini diawali dengan menentukan nilai piksel tiap objek sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersbut digunakan sebagai masukkan dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna pada citra, analisis statik dan analisis grafis.

Analasis statik digunakan untuk memperhatikan nilai rata-rata, standar deviasi dan varian dari setiap kelas sampel yang diambil guna menentukan perbedaan sampel. Sedangkan analisis grafis digunakan untuk melihat sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra terdapat dua cara umum yang sering digunakan yaitu supervised dan unsurpervised (Hamli, 2015).


1. Supervised (dengan Bimbingan)

Analisis pada metode ini terlebih dahulu menentukan beberapa training area (daerah contoh) pada citra sebagai kelas kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analisis terhadap wilayah dalam citra mengenai daerah-daerah tutupan laham.

Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memilki nilai-nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi metode ini, analisis mengindetifikasi kelas informasi terlebih dahulu yang kemudian digunakan untuk menentukan kelas spektral yang mewakili kelas informasi tersebut.

Adapun alogaritma yang bisa digunakan untuk menyelasikan metode supervised ini (Hamli, 2015), antara lain:


a. Parallelepiped

Alogaritma paralelepiped merupakan klasifikasi yang menggunakan aturan keputusan sederhana untuk mengklasifikasikan data multispektral. Batas-batas keputusan merupakan parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.


b. Minimum Distance

Alogaritma minimum distance merupakan klasifikasi teknik jarak minimal menggunakan vektor rata-rata end member masing-masing dan menghitung jarak eculidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-masing kelas.


c. Mahalanobis Distance

Alogaritma ini adalah klasifikasi jarak arah pengklasifikasi sensitif menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi maximum lokehood, tetapi menganggap semua kovarin kelas adalah sama dan karenanya menggunakan metode lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas.


d. Maximum Likehood

Alogaritma ini merupakan klasifikasi yang mengamsumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probalitas bahwa suatu piksel diberikan milik kelas tertentu. Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi.


e. Support Vector Machine

Alogaritma ini merupakan klasifikasi yang berasal dari teori belajar statistik yang memisahkan kelas dengan permukaan keputusan yang memaksimalkan margin antara kelas.


f. Neural Net

Alogartima yang digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural.


2 .Unsupervised (tanpa Bimbingan)

Metode unsupervised merupakan kebalikan dari metode supervised, dimana nilai-nilai piksel dikemlompokkan terlebih dahulu oleh komputer ke dalam kelas-kelas spektral menggunakan alogaritma klusterisasi.

Dalam metode ini, di awal proses biasanya analisis akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analisis menetapkan kelas-kelas objek terhadap kelas-kelas spektral yang telah dikelompokkan oleh komputer. Dari kelas-kelas (cluster) yang dihasilkan, analisis bisa menggabungkan beberpa kelas yang dianggap memilki informasi yang sama menjadi satu kelas.

Adapun alogaritma yang bisa digunakan untuk menyelesaikan metode ini (Hamli, 2015), adalah:


a. Isodata

Alogaritma yang mengklasifikan kelas secara merata. Piksel-piksel diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan mereklasifikasikan piksel sehubungan dengan cara baru. Iteratif membelah keals, penggabungan, dan menghapus dilakukan berdasarkan parameter input threshold. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.


b. K-means

Alogaritma yang menggunakan pendekatan analisis kelas yang mengharuskan analisis untuk memeilih jumlah kelas yang beralokasi di data, sewenang-wenang ini menepatkan sejumlah pusat klaster, kemudian iteratif repositions mereka sampai keterpisahan spektral yang optimal dicapai. Klasifikasi ini juga menggunakan teknik jarak minimum. Setiap iterasi kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara baru.

Baca juga: Jenis-jenis Citra


Sumber:

Hamli, N. 2015. Klasifikasi Citra Multispektral dengan Menggunakan Aplikasi Envi. [Laporan Praktikum Penginderaan Jauh]. Universitas Negeri Malang. Malang.

Kawamuna, A. 2017. Analisis Kesehatan Hutan Mangrove berdasarkan Metode Klasifikasi NDVI pada Citra Sentinel-2. Universitas Diponegoro. Semarang.

Khomarudin et al. 2015. Pedoman Pengolahan Data Penginderaan Jauh Landsat 8 untuk MPT. Pusat Pemanfaatan Penginderaan Jauh LAPAN. Jakarta.

Lillesand, K. 1998. Penginderaan Jauh dan Interpretasi Citra. Gajah Mada University Press. Yogyakarta.

Tobing, F. M. 2018. Klasifikasi Tutupan Lahan Citra Landsat 8 dengan Software ENVI 5.3. [Laporan Praktikum]. Institut Teknologi Sepuluh November. Surabaya.


Salam Lestari,
Lamboris Pane

Iklan Atas Artikel

Iklan Tengah Artikel 1

Iklan Tengah Artikel 2

Iklan Bawah Artikel