Professional Documents
Culture Documents
Perbandingan Klasifikasi Berbasis ...... (Ahmad Sutanto Et Al)
Perbandingan Klasifikasi Berbasis ...... (Ahmad Sutanto Et Al)
1e-mail: sutanto_ahmad@yahoo.com
ABSTRACT
Utilization of remote sensing data for land mapping has long been developed. In
Indonesia, as a tropical region, the cloud becomes a classic problem in observing the
Earth's surface using optical remotely sensor satellite. Synthetic Aperture Radar (SAR)
sensor satellite has the ability to penetrate clouds so it can solve cloud cover problems.
In this study, the ALOS PALSAR data were used to assess object-based and pixel-based
classification techniques. This data was chosen due to its capacity for object
recognition based on backscatter characteristics. Object-based classification using the
methods of Statistical Region Merging (SRM) for the object segmentation process and
Support Vector Machine (SVM) for the classification process, whereas the pixel-based
classification using SVM method. In the classification stage, several features of Target
Decomposition and Image Decomposition of ALOS PALSAR data have been tested. The
accuracy assessment of the classification was conducted using confusion matrix of the
Region of Interest (ROI) data using the QuickBird data. Implementation of the object-
based classification produced better result comparing to the pixel-based classification
(the number of optimal features is seven) which consisted of three features Freeman
Decomposition (Red, Green, Blue), Entropy, Alpha Angle, Anisotrophy and Normalized
Difference Polarization Index (NDPI). Overall accuracy attained were 73.64 % for the
result of the object-based classification and 62.6% for the pixel-based classification.
Keywords: Object oriented classification, Remote sensing, SRM, SVM, SAR
ABSTRAK
2.2.1 Ekstraksi fitur berupa Dekom- Matrix (GLCM)). Hasil analisa GLCM ini
posisi Target, Dekomposisi Citra, menghasilkan delapan fitur tekstur
dan Tekstur yaitu Energy, Contrast, Homogeneity,
Pada bagian ini data citra SAR Entropy, Dissimiliarity, Correlation, Mean,
yang telah dibentuk menjadi matrik dan Variance (Haralick, R.M, 1985).
koherensi kemudian didekomposisi
menjadi 3 parameter target yaitu Entropy, 2.2.2 Klasifikasi Berbasis Obyek
Mean Alpha Angle dan Anisotropy
A. Tahapan Segmentasi
berdasarkan eigenvalue dan eigenvector
dari matriks koherensi (Sambodo, et.al Proses segmentasi yang dilakukan
2005). Hasilnya didapatkan nilai dari pada penelitian ini memakai algortima
ketiga parameter tadi pada setiap piksel Statistical Region Merging (SRM).
pada citra SAR. Selain itu dihitung juga Implementasi SRM dilakukan dengan
nilai Normalized Difference Polarization menggunakan MATLAB source code
Index (NDPI) dari dual polarisasi data yang diperoleh dari internet dengan
SAR (HV dan HH) dengan menggunakan beberapa modifikasi. Source code dibuat
Persamaan 2-1. NDPI dapat meningkat- oleh Sylvain Boltz (2009). (http:// www.
kan perbedaan obyek geologi dan obyek mathworks.com/matlabcentral/ file-
permukaan bumi lainnya (Cao, et. al, exchange/25619-image-segmentation-
2008. Kushardono, 2012). using-statistical-region-merging).
Proses segmentasi dilakukan
NDPI = [HV-HH] / [HH+HV] (2-1) dengan menggunakan metode Statistical
Region Merging (SRM). Input data dalam
proses segmentasi adalah citra dekom-
Pada dekomposisi citra, dibuat posisi Freeman-Durden. Parameter
dekomposisi Pauli, dekomposisi Sinclair segmentasi dengan algoritma SRM ini
dan dekomposisi Freeman-Durden. adalah parameter Q level dan Region
Tetapi berdasarkan hasil pengamatan Pixel Minimum (Nock et al, 2004).
visual dan kajian segmentasi terhadap Parameter Q level berkaitan dengan
penampakan obyek, hasil dekomposisi kompleksitas segmentasi dan menentu-
Freeman-Durden (1998) lebih sesuai kan banyak sedikitnya region segmen
dengan kenampakan obyek sehingga yang akan terbentuk. Nilai Q level yang
dekomposisi ini selanjutnya digunakan lebih tinggi menghasilkan region segmen
dalam kegiatan klasifikasi. Dekomposisi yang lebih banyak sehingga kompleksitas
Freeman-Durden menggambarkan tiga segmentasi lebih tinggi. Parameter
mekanisme fisis hamburan gelombang Region Pixel Minimum menentukan
mikro pada data SAR yaitu surface jumlah piksel minimum yang dapat
scattering, double-bounce scattering dan digabungkan dalam suatu region
volume scattering (Freeman, Durden, segmen. Makin tinggi nilai Region Pixel
1998). Mekanisme surface scattering Minimum maka makin sedikit region
terjadi pada obyek seperti lahan terbuka, segmen yang akan terbentuk (Suwono,
perairan, dan lapangan. Mekanisme E. 2009).
double-bounce scattering terjadi pada Algoritma SRM didasarkan pada
obyek seperti gedung dan permukiman. analisis statistik dari piksel-piksel yang
Mekanisme volume scattering terjadi berdekatan lalu melakukan penggabungan
pada obyek seperti pepohonan dan piksel-piksel yang mirip/homogen dalam
hutan. suatu batasan/region. Proses peng-
Fitur tekstur didapatkan dengan gabungan piksel dilakukan dengan
menggunakan analisa Matrik kookurensi memperhatikan fungsi pengurutan (sort
tingkat keabuan (Grey Level Cooccurance function) dan predikat penggabungan
66
Perbandingan Klasifikasi Berbasis ...... (Ahmad Sutanto et al)
(merging predicate) yang akan menentukan Machine (SVM) untuk proses klasifikasi
apakah dua piksel yang berdekatan kelas penutup lahan. SVM merupakan
akan digabung atau tidak. salah satu pengklasifikasi (classifier)
Nielsen and Nock (2004) pada sistem klasifikasi terbimbing
mendefinisikan fungsi pengurutan (sort (surpervised classification), yang memerlu-
function) f sebagai berikut: kan data latih (training sample) dalam
proses klasifikasinya (Sembiring, 2007.
(2-2) Vapnik, 1999). Input data untuk proses
klasifikasi adalah fitur dekomposisi
dimana pa dan pa’ adalah nilai-nilai target (Entropy, Mean Alpha Angle dan
piksel yang berdekatan pada kanal a. Anisotropy), NDPI, dan fitur Dekomposisi
Nielsen and Nock (2004) juga Freeman-Durden (RGB), serta enam fitur
memodelkan predikat penggabungan tekstur Haralick (entropy, homogeneity,
(merging predicate) sebagai berikut: correlation, mean, contrast dan variance)
sehingga total adalah 13 fitur yang
(2-3) digunakan dalam proses klasifikasi.
Dalam proses klasifikasi pemilihan
dimana poligon segmen-segmen yang akan
dijadikan data latih (training sample)
akan mengacu pada data referensi (citra
satelit resolusi tinggi). Poligon segmen-
= nilai rata-rata kanal a pada region R segmen yang akan dijadikan data latih
= himpunan region-region dengan R
(training sample) akan diberikan label
piksel kelas seperti label kelas yang terdapat
Parameter SRM untuk semua citra δ = pada data referensi. Data latih yang
1/(6 | I |2 ) telah dipilih untuk tiap kelas penutup
g= 256 (lihat referensi Nock, Nielsen, 2004) lahan kemudian akan dimasukkan ke
0≤ δ ≥ 1 (lihat referensi Nock, Nielsen 2004) dalam sistem klasifikasi untuk menentu-
kan kelas penutup lahan untuk seluruh
Pada kegiatan awal dilakukan segmen yang ada pada data citra SAR.
perubahan parameter Q level dan Variabel yang mewakili poligon segmen-
parameter Region Pixel Minimum, dan segmen pada klasifikasi SVM adalah
dikaji hasil segementasi karena nilai rata-rata (Mean) dari piksel segmen
perubahan parameter-parameter tersebut. tersebut pada tiap-tiap kanal.
Nilai Q level sebesar 256 memberikan Tahapan yang dilakukan dalam
batasan obyek yang paling jelas secara proses klasifikasi menggunakan SVM
visual, dibandingkan dengan nilai Q yakni melakukan penyamaan skala
level yang lebih rendah atau lebih tinggi. antara data latih (training samples) dan
Sedangkan nilai region pixel minimum data tes (test samples), memilih beberapa
digunakan nilai 3, 5 dan 10. segmen untuk menjadi data latih yang
mewakili tiap kelas penutup lahan, dan
B. Tahapan Klasifikasi Berbasis Obyek menginputkan data latih ke dalam
Hasil segmentasi yang membagi sistem SVM untuk mengklasifikasi kelas
citra SAR menjadi beberapa poligon penutup lahan dari seluruh segmen.
segmen yang di dalamnya memiliki Selanjutnya, apabila secara visual hasil
piksel-piksel yang mirip. Dari poligon klasifikasi belum sesuai dengan
segmen-segmen tersebut akan diklasifikasi penampakan pada citra maka dilakukan
kelas penutup lahannya. Pada penelitian koreksi dengan memasukkan beberapa
ini digunakan metode Support Vector data latih atau menghapus data latih
67
Jurnal Penginderaan Jauh Vol. 11 No. 1 Juni 2014 :63-75
yang lama dan memilih data latih yang obyek. Metode yang digunakan adalah
baru. Proses tersebut terus berlanjut metode SVM. Perbedaan antara kedua
hingga didapatkan hasil seperti yang metode klasifikasi ini yakni ada tidaknya
diharapkan. proses segmentasi, dimana klasifikasi
Pada penelitian ini juga dilakukan berbasis piksel tidak menggunakan
eksperimen untuk mengetahui pengaruh tahapan segmentasi obyek.
penambahan fitur tekstur yang berupa
nilai variance, entropy, energy/second 2.2.4 Evaluasi akurasi
moment, homogeneity, contrast, correlation Perhitungan nilai akurasi hasil
dan mean/average dari band HH, HV klasifikasi dilakukan dengan meng-
dan VV pada proses klasifikasi. Variasi gunakan metode confusion matrix. Data
ekasperimen yang dilakukan dengan referensi yang digunakan dalam
menggunakan fitur tekstur dapat dilihat pengujian dilakukan dengan mengambil
pada Tabel 2-2 percobaan 4. dan mengumpulkan Ground truth Region
of Interest (ROI) dari data QuickBird,
2.2.3 Klasifikasi berbasis piksel seperti diperlihatkan pada Gambar 2-3.
Klasifikasi berbasis piksel dilaku- Hasil confusion matrix adalah Kappa
kan dengan menggunakan persyaratan Coefficient, Overall Accuracy, User
dan data latih yang sama dengan yang Accuracy dan Producer Accuracy.
digunakan pada klasifikasi berbasis
Gambar 2-3: Data QuickBird Wilayah Jakarta dan Training Sampel untuk Pengujian
68
Perbandingan Klasifikasi Berbasis ...... (Ahmad Sutanto et al)
Dekomposisi Freeman-Durden
R : double bounce
G : canopy layer
B : rough surface
72
Perbandingan Klasifikasi Berbasis ...... (Ahmad Sutanto et al)
Gambar 3-3: Grafik Fluktuasi Hasil Akurasi Total dari Hasil Klasifikasi untuk Seluruh Skenario,
Berbasis Obyek (Biru) dan Berbasis Piksel (Merah)
Gambar 3-4: Hasil Klasifikasi Skenario 5C, (Kiri) Berbasis Obyek dan (Kanan) Berbasis Piksel
terlihat pada skenario klasifikasi 2. meningkat cukup tinggi. Hal ini karena
Penambahan jumlah training sample filter merupakan juga proses
ini bisa membantu classifier SVM homogenisasi piksel-piksel yang
untuk mengenali kelas obyek lahan. berdekatan. Efek ini serupa dengan
Pada skenario klasifikasi 3 dimana proses segmentasi pada klasifikasi
terdapat variasi jumlah fitur, peng- berbasis obyek. Pemberian filter dapat
gunaan fitur polarimetri (Entropy, mengurangi efek speckle noise yang
Alpha Angel, dan Anisotrophy) dan fitur selanjutnya meningkatkan akurasi
NDPI secara bersamaan dapat pemisahan obyek. Pada klasifikasi
meningkatkan nilai koefisien Kappa berbasis obyek proses pengurangan
dan nilai akurasi dibandingkan bila speckle noise ini sudah dilakukan
digunakan secara terpisah. pada tahapan segmentasi sehingga
Penambahan fitur tekstur dengan penggunaan filter kurang berpengaruh
ukuran window 3x3 pada skenario pada hasil klasifikasi berbasis obyek.
klasifikasi 4 tidak signifikan
mempengaruhi peningkatan tingkat 4 KESIMPULAN
akurasi. Fenomena ini terlihat dari Dari berbagai percobaan yang
nilai overall accuracy yang cenderung dilakukan dalam penelitian ini dapat
stabil (Gambar 3-3). Hal ini mungkin diambil beberapa kesimpulan antara
karena dalam percobaan ini telah lain:
digunakan fitur dekomposisi Freeman- Pemberian variasi filter kurang
Durden yang terdiri dari fitur Double berpengaruh pada peningkatan
bounce pada band Red, Canopy layer akurasi hasil klasifikasi berbasis obyek,
pada band Green dan Rough Surface tapi berpengaruh cukup signifikan
pada band Blue, dimana ketiga band pada klasifikasi berbasis piksel. Hal ini
tersebut merepresentasikan tekstur karena pada proses klasifikasi
dari permukaan bumi. Oleh karena itu berbasis obyek telah dilakukan proses
penambahan fitur tekstur kurang segmentasi yang menyatukan piksel-
mempengaruhi kenaikan tingkat piksel yang homogen sehingga
akurasi. Perbesaran ukuran window pemberian-pemberian filter kurang
fitur tekstur menjadi 7x7 dan 11x11 berpengaruh. Pada klasifikasi berbasis
mempengaruhi klasifikasi berbasis piksel, filter akan mengurangi speckle
piksel tetapi tetap kurang berpengaruh noise yang meningkatkan homogenitas
klasifikasi berbasis obyek. Hal ini piksel, sehingga meningkatkan akurasi
diperkirakan karena penambahan hasil klasifikasi.
ukuran window fitur tekstur akan Tingkat akurasi klasifikasi berbasis
memberi efek penghalusan citra obyek lebih baik dari pada klasifikasi
(smoothing) yang berpengaruh pada berbasis piksel untuk seluruh skenario
klasifikasi berbasis piksel. Sedangkan klasifikasi. Akurasi keseluruhan
pada klasifikasi berbasis obyek, hal ini (Overall accuracy) mencapai 73,61%
kurang berpengaruh karena sudah untuk hasil klasifikasi berbasis obyek
ada proses segmentasi yang merata- dan 62,55% untuk klasifikasi berbasis
ratakan nilai piksel dalam satu region. piksel, dimana jumlah fitur yang
Efek filter pada skenario klasifikasi 5 optimal dalam percobaan klasifikasi
kurang berpengaruh pada peningkatan data citra SAR dengan menggunakan
akurasi untuk klasifikasi berbasis SVM yaitu 7 fitur yang terdiri dari 3
obyek, tetapi berpengaruh pada fitur dekomposisi Freeman (R,G,B),
klasifikasi berbasis piksel. Hal ini Entropy, Alpha Angle, Anisotrophy dan
terlihat dari nilai overall accuracy yang NDPI.
74
Perbandingan Klasifikasi Berbasis ...... (Ahmad Sutanto et al)