Klasifikasi citra merupakan proses yang berusaha
mengelompokkan seluruh pixel pada suatu citra ke dalam sejumlah class
(kelas), sedemikian hingga tiap class merepresentasikan suatu entitas
dengan properti yang spesifik (Chein-I Chang dan
H.Ren, 2000)Klasifikasi citra merupakan proses yang berusaha mengelompokkan seluruh pixel pada suatu citra ke dalam sejumlah class (kelas), sedemikian hingga tiap class merepresentasikan suatu entitas dengan properti yang spesifik (Chein-I Chang dan H.Ren, 2000). Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification).
Klasifikasi Citra Terawasi (Supervised)
Penggunaan
istilah terawasi disini mempunyai arti berdasarkan suatu
referensi penunjang, dimana kategori objek-objek yang terkandung pada
citra telah dapat diidentifikasi. Klasifikasi ini memasukkan setiap
piksel citra tersebut kedalam suatu kategori objek yang sudah
diketahui.Sebelum klasifikasi dilakukan, maka kita harus memasukkan inputan
sebagai dasar pengklasifikasian yang akan dilakukan. Dengan klasifikasi ini,
kita lebih bebas untuk memilah data citra sesuai dengan kebutuhan. Misalnya
dalam suatu kawasan kita hanya akan melakukan klasifikasi terbatas pada jenis
jenis kenampakan secara umum semisal jalan, pemukiman, sawah, hutan, dan
perairan. Hal tersebut dapat kita lakukan dengan klasifikasi ini. Proses input
sampel juga cukup mudah, hanya saja perlu ketelitian dan pengalaman agar sampel
yang kita ambil dapat mewakili jenis klasifikasi. Baik buruknya sampel,
Diwujudkan dalam nilai indeks keterpisahan.
Proses klasifikasi dengan
pemilihan kategori informasi yang diinginkan dan memilih training area untuk
tiap ketegori penutup lahan yang mewakili sebagai kunci interpretasi merupakan
klasifikasi terbimbing. Klasifikasi terbimbing digunakan data penginderaan jauh
multispectral yang berbasis numeric, maka pengenalan polanya merupakan proses
otomatik dengan bantuan komputer.
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 steiap 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)
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.
Sumber :
- http://geod-4-us.blogspot.co.id/2012/09/klasifikasi-citra.html
- http://rahmiariani.blogspot.co.id/2009/04/klasifikasi-citra.html
0 komentar:
Posting Komentar