Klasifikasi Multispektral (2)

Pengklasifikasian citra merupakan salah satu bagian terpenting pada analisis citra digital. Tujuan dari klasifikasi citra adalah untuk mengindentifikasi dan kemudian mengelompokan pola ciri citra dalam satu atau sejumlah kelas atau katagori obyek. Pengertian dasar dari klasifikasi multispektral adalah konsep tangga spektral obyek sebagai fungsi spektrum panjang gelombang dan radiasi elektomagnetik.

sumber gambar: tugaspraktikumsip

Klasifikasi citra penginderaan jauh (inderaja) bertujuan untuk menghasilkan peta tematik, dimana tiap warna mewakili sebuah objek, misalkan hutan laut, sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni 2007).

Klasifikasi dapat diartikan sebagai kegiatan pengelompokan gejala kedalam kategori-kategori, dimana setiap kategori dapat dipandang homogen atas dasar kriteria tertentu. Misalnya, suatu wilayah kota dapat dikelompokan menjadi kawasan permukiman, kawasan perkantoran, dan kawasan perdagangan. Wilayah yang sama dapat dikelompokkan menjadi wilayah yang status tanahnya merupakan milik pribadi dan milik negara. Hasil dari pengelompokan atau klasifikasi ini berupa peta yang sajian distribusi gejalanya berbeda. Pengelompokan pertama didasari oleh kriteria fungsi penggunaan lahan, dan kriteria kedua didasari oleh status tanah. Kedua macam hasil tidak dapat dibandingkan, mana yang lebih benar atau relatif kurang benar.
 

Klasifikasi citra merupakan 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 penutup lahan, hasilnya bisa diperoleh dari proses klasifikasi multispektral citra satelit. Klasifikasi multispektral sendiri andalah algoritma yang dirancang untuk menyajikan informasi tematik dengancara mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral.
 

Ada algoritma matematis yang cukup sederhana untuk menentukan keanggotaan setiap piksel ke dalam klas-klas penutup lahan yang tersedia. Algoritma itu adalah jarak minimum terhadap rerata (minimum distance to mean). Caranya adalah sebagai berikut (a) menentukan nilai rerata setiap klas penutup obyek, berdasarkan observasi atas sampel atau histogram seluruh citra, (b) mem-plot posisi (vektor) setiap piksel pada sistem koordinat kartesian (x,y,z, sebagai ruang spektral), dimana saluran 1 terletak  pada sumbu x, saluran 2 pada sumbu y, dan saluran 3 pada sumbu z, (c) menentukan jarak maksimum (ambang) dari suatu nilai piksel untuk dapat dimasukan kedalam klas tertentu, (d) menghitung jarak setiap piksel ke setiap nilai rerata sebagai wakil tiap klas penutup lahan pada ruang spektral, dimana penutup lahan yang diwakili oleh nilai rerata dengan jarak terdekat ke piksel yang dihitung akan menjadi label penutup lahan untuk piksel tersebut.
 

Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang diambil guna menentukan perbedaan sampel. 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 unsupervised.
Metode supervised (dengan bimbingan), pada metode ini, analis terlebih dahulu menentukan beberapara training area (daerah contoh) pada citra sebagai kelas kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam cita mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode ini, nails mengidentifikasi kelas infomasi terlebih dahulu yang kemudian digunakan untuk menenyukan kelas spektral yang mewakili kelas informasi tersebut. Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini antara lain:
 

1.    Parallelepiped
Klasifikasi parallelepiped 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.
 

2.    Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.
 

3.    Mahalanobis Distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan karenanya merupakan metode yang 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.
 

4.    Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi
 

5.    Spektral Angle Mapper
Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk mencocokkan piksel untuk spektra acuan.
 

6.    Spectral Information Divergence
Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum referensi. Semakin kecil divergensi, semakin besar kemungkinan piksel serupa. Piksel dengan pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan tidak diklasifikasikan.

7.    Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir anggota menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di atas rata-rata spektrum, masing-masing. Dapat membandingkan setiap spektrum referensi yang dikodekan dengan spektrum data yang disandikan dan menghasilkan klasifikasi citra. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar dari band yang cocok, kecuali jika ditentukan batas minimum pertandingan, dalam hal ini beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.

8.    Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural.

9.    Support Vector Machine
Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas dengan permukaan keputusan yang memaksimalkan margin antara kelas.