BLANTERVIO103

Metode Klasifikasi Citra Supervised dan Unsupervised

Metode Klasifikasi Citra Supervised dan Unsupervised
Sabtu, 03 Juli 2021

Source: www.freepik.com

Citra satelit merupakan tangkapan gambar permukaan bumi yang dihasilkan oleh perekaman satelit yang mengorbit di bumi dengan jarak yang bervariasi. Gambar tangkapan dari satelit tersebut banyak digunakan untuk berbagai hal keperluan, seperti pembuatan peta LULC, analisis spasial, monitoring lahan, dan sebagainya. 

Untuk mendapatkan hasil berupa peta analisis dibutuhkan sebuah pengolahan citra terlebih dahulu. Mulai dari interpretasi peta hingga koreksi data citra seperti geomatrik dan radiometrik serta klasifikasi objek.

Seperti halnya dalam sebuah klasifikasi citra satelit. Dalam klasifikasi citra satelit tersebut dibutuhkan sebuah metode yang dapat membantu dalam hal analisis spasial. Metode klasifikasi citra dapat dibedakan menjadi 2, yaitu klasifikasi terbimbing (supervised) dan klasifikasi tidak terbimbing (unsupervised).

Klasifikasi Terbimbing (Supervised)

Klasifikasi terbimbing (supervised) dapat di artikan sebagai metode untuk mentransformasikan data citra satelit multispektral ke dalam kelas-kelas unsur spasial. Kelas-kelas tersebut seperti area pemukiman, badan air, lahan kosong, vegetasi, dan lainnya.

Dalam klasifikasi terbimbing, pengguna atau analis “mengawasi/membimbing” proses klasifikasi pixel pada citra. Pengguna menentukan berbagai nilai pixel atau signatures spektral yang harus dikaitkan dengan setiap kelas.

Hal ini dilakukan dengan memilih training sample yang representatif dari jenis tutupan yang disebut sebagai training area atau Region of Interest (ROI). Algoritma komputer kemudian menggunakan signatures spektral dari Region of Interest (ROI) ini untuk mengklasifikasikan seluruh gambar.

Penentuan training area dilakukan berdasarkan data yang diperoleh dari interpretasi visual, peta rupa bumi, dan pengambilan titik objek atau lebih dikenal dengan Ground Control Point (GCP). Dalam metode klasifikasi terbimbing ini terdapat beberapa jenis dan yang paling sering digunakan yaitu Maximum Likelihood Classification (MLC) dan Minimum Distance Classification (MDC).

Maximum Likelihood Classification (MLC)

Maximum Likelihood Classification (MLC) adalah klasifikasi yang diawasi berdasarkan statistik (rata-rata, varians dan kovarians). Diasumsikan bahwa statistik untuk setiap kelas di setiap band terdistribusi secara normal dan menghitung probabilitas bahwa pixel tertentu termasuk dalam kelas tertentu. Setiap pixel ditugaskan ke kelas yang memiliki probabilitas tertinggi (yaitu, kemungkinan maksimum).

Rumus dari MLC yaitu:

Dimana:
p(X| wi)  : Fungsi kepadatan probabilitas kelas
|Vi|          : Determinan matriks kovarians
Vi-1        : Kebalikan dari matriks kovarians
(X - Mi)  : Transpos vektor

Metode maximum likelihood merupakan metode yang memiliki akurasi paling tinggi. Maximum likelihood memiliki keunggulan dengan cara mengevaluasi kuantitatif varian maupun korelasi pola tanggapan spectral pada saat mengklasifikasi pixel yang tidak dikenal. Maximum likelihood mengambil nilai probabilitas maximum dan cara untuk mendapatkan hasil klasifikasi dengan training area.

Minimum Distance Classification (MDC)

Minimum Distance Classification (MDC) adalah metode klasifikasi berdasarkan dengan melihat jarak terpendek antara nilai kecerahan suatu pixel dengan rata-rata kelas yang ingin diklasifikasikan. Nilai kecerahan suatu pixel didapat dengan cara menghitung nilai dari spektral rata-rata untuk setiap kategori yang dipilih, kemudian dapat dilihat jarak pixel yang ingin ditentukan kelasnya, dengan kata lain jarak yang terdekat terhadap nilai rata-rata tersebut akan menjadi kelas yang sama.

Minimum Distance merupakan klasifikasi terbimbing yang menggunakan strategi paling sederhana, yaitu dengan cara menentukan nilai rata-rata setiap kelas yang disebut vektor rata-rata (mean vector). Metode ini memiliki akurasi paling rendah. Minimum distance memiliki keunggulan dalam hal menentukan nilai rata-rata setiap kelas dengan menggunakan strategi yang sederhana.

  • Keunggulan klasifikasi terbimbing adalah memiliki kontrol terhadap informasi kelas berdasarkan training sample, dan adanya kontrol terhadap keakuratan klasifikasi.
  • Kekurangannya adalah interpretasi data dipaksakan, pemilihan training sample belum tentu representatif, dan adanya kelas spektral yang tidak teridentifikasi

Klasifikasi Tidak Terbimbing (Unsupervised)

Sistem kerja dari metode tidak terbimbing adalah dengan melakukan pengelompokkan nilai-nilai pixel suatu citra oleh komputer kedalam kelas-kelas spektral dengan menggunakan algoritma klasterisasi. Setelah hasil dari klasifikasi tidak terbimbing didapat, selanjutnya analis mengelompokkan kelas-kelas yang didapat dari komputer kedalam kelas yang ditetapkan.

Proses klasifikasi ini bekerja secara otomatis, tanpa harus memasukkan training area. Pada pertama kali sebelum proses dijalankan, analis menetukan berapa banyak jumlah kelas. Tetapi dapat juga menjalankan proses secara otomatis (komputer yang akan membagi kelas berdasarkan spektral citra).

K-Means

Salah satu algoritma klasifikasi tidak terbimbing yang umum digunakan adalah metode clusteringK-means”, ini adalah metode iteratif. Jumlah cluster keluaran atau kelas spektral (asumsikan k cluster) ditentukan oleh analis.

Algoritma menempatkan centroid (titik data (imajiner atau nyata) di pusat cluster) dari k cluster dalam data multidimensi. Setiap pixel dalam gambar ditugaskan kemudian ke cluster terdekatnya. Pada titik ini rata-rata setiap cluster dihitung ulang menggunakan hasil yang diperoleh dari langkah sebelumnya.

Citra tersebut kemudian direklasifikasi menggunakan rata-rata revisi dari masing-masing cluster. Prosedur ini berlanjut sampai tidak ada perubahan signifikan pada lokasi vektor rata-rata cluster antara iterasi yang berurutan.

  • K-means memiliki keunggulan dalam proses pengklasifikasian karakteristik objek dan tidak terpengaruh terhadap urutan objek yang digunakan.

ISODATA (Iterative Self-Organizing Data Analysis Technique)

Algoritma ISODATA mirip dengan algoritma k-means dengan perbedaan yang jelas bahwa algoritma ISODATA memungkinkan jumlah cluster yang berbeda sedangkan k-means mengasumsikan bahwa jumlah cluster diketahui secara apriori.

Dalam algoritma ISODATA, cluster digabungkan jika jumlah anggota (pixel) dalam cluster kurang dari ambang batas tertentu atau jika pusat dua cluster lebih dekat dari ambang batas tertentu.

Semua pixel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarak yang telah ditentukan, dalam hal ini beberapa pixel mungkin tidak diklasifikasikan jika tidak memenuhi kriteria yang ditentukan.

Proses ini berlanjut sampai jumlah pixel dalam setiap perubahan kelas kurang dari ambang perubahan pixel yang dipilih atau jumlah maksimum interasi tercapai.

  • ISODATA memiliki keunggulan dalam proses iterasinya.

Adapun kelebihan dan kekurangan dari metode klasifikasi tidak terbimbing yaitu

  • Keunggulan klasifikasi tidak terbimbing adalah kesalahan operator kelas diminimalisir dan unik dianggap sebagai unit yang berbeda
  • Kekurangannya adalah interpretasi data dipaksakan, pemilihan training sampel belum tentu representatif, dan adanya kelas spektral yang tidak teridentifikasi.

Referensi

Utara, U. S. (2020). PERBANDINGAN KLASIFIKASI PENUTUPAN LAHAN CITRA SATELIT SENTINEL 2A MENGGUNAKAN OBJECT BASED IMAGE ANALYSIS ( OBIA ) ( STUDI KASUS EKOSISTEM MANGROVE SM KARANG GADING DAN LANGKAT TIMUR LAUT ).

Septiani, R., Citra, I. P. A., & Nugraha, A. S. A. (2019). Perbandingan Metode Supervised Classification dan Unsupervised Classification terhadap Penutup Lahan di Kabupaten Buleleng. Jurnal Geografi : Media Informasi Pengembangan Dan Profesi Kegeografian, 16(2), 90–96. https://doi.org/10.15294/jg.v16i2.19777

Nugroho, F., & Al-Sanjary, O. I. (2018). A review of simulation urban growth model. International Journal of Engineering and Technology(UAE), 7(4). https://doi.org/10.14419/ijet.v7i4.11.20681

Share This Article :
Feri Nugroho

Good understanding using database tools, data visualization, Remote Sensing & GIS Software, Graphic Design, and also understand the programming language PHP and MySQL. Interest on research-based of Conservation, Climate Change, Urban Growth, and Information systems.

TAMBAHKAN KOMENTAR

2956655655531813399