MENGENAL METODE KLASIFIKASI TIDAK TERBIMBING (Unsupervised) DAN TERBIMBING (Supervised) DI ENVI

Leave a Comment
Assalamualaikum Wr.Wb

Analisis Citra merupakan suatu kegiatan untuk melakukan penelitian terhadap suatu hasil pemotretan suatu objek keruangan dengan satelit untuk di tinjau dan di olah kembali agar menghasilkan suatu informasi yang di inginkan.
Sebagai contoh suatu citra landsat dapat dilakukan analisis untuk berbagai keperluan diataranya :
urban, vegetasi, agrikultur, termal, dll. Oleh karena itu diperlukan suatu metode yang tepat untuk melakukan setiap analisis tersebut agar menghasilkan informasi yang tepat sesuai dengan yang di inginkan.
Dalam artikel ini akan dijelaskan suatu metode tidak terbimbing (unsupervised) dan metode terbimbing (supervised). Hal ini dijelaskan karena pada artikel yang akan datang, blog INFO-GEOSPASIAL akan coba membuat artikel tentang analisis perubahan tutupan lahan dengan menggunakan kedua metode tersebut.
unsupervised & supervised

Metode Tidak Terbimbing (Unsupervised)
Sistem kerja metode tidak terbimbing adalah melakukan pengelompokan nilai-nilai pixel suatu citra oleh komputer kedalam kelas-kelas spektral dengan menggunakan algoritma klusterisasi. Dalam metode ini, diawal proses biasanya analis (orang yang melakukan analisis) akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas lahan terdapat kelas-kelas spektral yang telah dikelompokan oleh komputer. Dari kelas 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 bisa dikelompokkan menjadi satu kelas yaitu kelas vegetasi.
Metode tidak terbimbing terdiri dari dua jenis yaitu :
  1. IsoData  = Mengklasifikasikan kelas secara merata, setiap pixel diklasifikasikan ke kelas terdekat. Setiap interaksi akan dikalkulasi ulang dan mereklasifikasi pixel ke bentuk baru. Memisah kelas, menggabungkan dan menghapus dilakukan berdasarkan parameter input. 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.
  2. K-Means = Hampir sama dengan metode IsoData, bedanya dengan menggunakan metode ini analis mengharuskan untuk memilih jumlah kelas yang berlokasi di data, kemudian sistem akan mengelompokkan data ke dalam kelas kelompok yang telah ditentukan. Pada setiap kelas akan terdapat titik tengah (centroid) yang mempresentasikan kelas tersebut.
Cara kerja Metode Unsupervised
Cara kerja Metode Unsupervised

Metode Terbimbing (Supervised)
Pada sistem kerja metode terbimbing (Supervised), analis terlebih dahulu diharuskan menetapkan beberapa training area (daerah contoh) pada citra sebagai kelas lahan tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam citra mengenai daerah-daerah penelitian. NIlai-nilai pixel dalam daerah contoh tersebut kemudian digunakan oleh komputer sebagai kunci untuk mengenai pixel yang lain. Dearah yang memiliki nilai pixel sejenis akan dimasukan kedalam kelas lahan yang telah ditetapkan sebelumnya. Jadi dalam metode ini analis mengidentifikasi kelas informasi terlebih dulu yang kemudian akan digunakan untuk menentukan kelas spectral yang mewakili kelas informasi tersebut.
Metode terbimbing terdiri dari beberapa jenis yaitu :
  1. Parallelepiped = Kelasifikasi dengan mengunakan aturan keputusan sederhana untuk mengklasifikasikan data multispektral. Batas-batas keputusan merupakan dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas diviasi standar dari rata-rata setiap kelas yang dipilih.
  2. Minimum Distance = Teknik jarak ninimum menggunakan vektor rata-rata dan menghitung jarak dari setiap pixel yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa pixel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.
  3. Maximum Likehood = Mengasumsikan bahwa statistik untuk setiap kelas di masing-masing band yang terdistribusi secara normal dan menghitung probabilitas bahwa setiap pixel yang diberikan milik kelas tertentu. Kecuali jika analis memilih ambang probabilitas, semua pixel diklasifikasikan. Setiap pixel ditugaskan untuk kelas yang memiliki probabilitas tertinggi. Jika probabiitas tertinggi lebih kecil dari ambang batas yang ditentukan maka pixel tidak akan diklasifikasi.
  4. Mahalanobis Distance = Jarak arah pengklasifikasi sensitif yang menggunakan statisktik untuk masing-masing kelas. Mirip dengan metode Minimum Likehood tetapi mengasumsikan semua coveriences kelas yang sama dan kerena itu metode ini bekerja lebih cepat. Semua pixel diklasifikasikan ke kelas ROI terdekat kecuali analis menentukan ambang batas jarak.
  5. Spectral Angel Mapper = Klasifikasi spectral berbasis fisik yang mengunakan sudut n-D untuk mencocokkan pixel untuk spektru referensi. Algoritma menentukan kesamaan spectral antara dua spektrum dengan mengitung sudut antara spektrum dan memperlakukannya sebagai vektor dalam ruang dimensi yang sama dengan jumlah band. Teknik ini bila digunakan pada data reflektansi dikalibrasi, relatif tidak sensitif terhadap pencahayaan. Endmember spektur yang digunakan dapat berasal dari file ASCII atau perpustakaan spektral. Atau analis dapat mengambil langsung dari gambar (seperti ROI). Metode ini membandingkan sudut antara vektor spektrum endmember dan setiap vektor pixel di n-D. Sudut kecil merupakan perbandingan lebih dekat dengan spektur referensi. Pixel lebih jauh dari batas sudut maksimum yang ditentukan dalam radian tidak diklasifikasikan. Klasifikasi ini mengasumsikan data refletansi, namun jika analis menggunakan data cahaya, kesalahan umumnya tidak signifikan karena data asal masih mendekati nol.
  6. Spektral Informasi Divergence = Metode klasifikasi spektral yang menggunakan ukuran divergensi untuk mencocokkan pixel untuk spektrum referensi. Semakin kecil perbedaan itu, semakin besar kemungkinan pixel serupa. Pixel dengan ukuran yang lebih besar dari ambang batas perbedaan maksimum yang ditentukan tidak diklasifikasikan. Endmember spektrum yang digunakan oleh metode ini bisa berasal dari file ASCII atau perpustakaan spektral, atau analis dapat mengambil langsung dari gambar (seperti ROI).
  7. Binary Encoding = Klasifikasi pengkodean biner dengan cara mengkodekan data dan spektru m endmember ke nol dan satu, berdasarkan apakan sebuah band jatuh di bawah atau di atas spektrum mean, masing-masing fungsi eksklusif OR membandingkan masing-masing spektrum referensi dikodekan dengan spektrum data dikodekan dan menghasilkan gambar klasifikasi. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar dari band yang cocok, kecuali jika analis menentukan minimum match threshold, dalam hal ini beberapa piksel mungkin tidak diklasifikasikan jika tidak memenuhi kriteria.
Cara kerja metode Supervised
Cara Kerja Metode Supervised
Dari penjelasan di atas dapat disimpulkan bahwa "Pada metode tidak terbimbing sistem mengklasifikasikan, baru kemudian analis menentukan informasi dari setiap kelas, sedangkan pada metode terbimbing analis membuat terlebih dahulu training area (daerah contoh) baru kemudian sistem mengklasifikasikan berdasarkan training area tersebut."
Sekian artikel tentang penjelasan dari metode tidak terbimbing dan metode terbimbing. Artikel ini merupakan artikel pengenalan sebelum masuk ke artikel utama yaitu "Analisis Perubahan Tutupan Lahan dengan menggunakan Citra Landat 8 di Envi".
Semoga Bermanfaat . . .

Wassalamualaikum Wr.Wb

0 komentar:

Post a Comment