Anda di halaman 1dari 12

Langkah Kerja PCA ( Principal Component Analysis )

1. Siapkan citra Landsat 8 (band 2,3,4)

2. Membuat natural color ( RGB 432)

3. Simpan dalam bentuk TIFF

4. Lakukan Cropping, disini saya memakai Metode Subset Data via ROIs.
Sehingga hasilnya sebagai berikut :
Cropping diatas merupakan Desa Tlogo Hendro Kecamatan Petung Kriono
Kabupaten Pekalongan Provinsi Jawa Tengah. Dapat dilihat seperti Tabel Atribut
dibawah, yang didapat dari software Arcmap

Penghitungan nilai Mean ( Statistik Citra)


Disave dengan format .sta yang nantinya akan dipakai dalam proses
penghitungan Nilai Kovarian dan Korelasi

Penghitungan Nilai Kovarian Dan Korelasi


Matriks Kovarian Matriks
Korelasi
Nilai Eigen Values

Kovarian
Korelasi

Nilai Statistik

Kovarian Dan Korelasi


Analisis :

1. Apa itu Covarian dan Kapan Digunakan ?

Jawaban :

Kovarians adalah gabungan variasi dua Mean yang bersamaan. Untuk


menghitung kovarians, pertama harus menghitung suatu persamaan kuantitas
untuk suatu penjumlahan berpangkat.

Ini disebut corrected sum of product (SP) dan dibatasi oleh persamaan :

Bvik adalah pengukuran i dari saluran k, dan Bvil adalah pengukuran i dari
saluran l dengan n piksel. Mean dari saluran k dan l masing-masing adalah k
dan l. Dalam contoh ini, variabel k dapat berdiri untuk saluran 1 dan variabel l
untuk saluran 2.

Digunakan untuk menghitung Korelasi. Kovarian juga digunakan jika ingin


mengetahui kontribusi citra karena besarnya variansi menunjukkan besarnya
kontribusi citra dari masing-masing saluran untuk memperoleh informasi dari
daerah kajian. Persentasi kontribusi masing-masing saluran dapat diperoleh
dengan membagi variansi suatu saluran dengan jumlah variansi seluruh saluran.

2. Apa itu Korelasi dan Kapn Digunakan ?

Korelasi adalah perbandingan kovarian 2 variabel untuk produk dengan standar


deviasinya, sebagai berikut:

Selain hasil analisis varian dan kovarians, analisis terhadap korelasi (lihat matriks
korelasi) dapat memberi petunjuk kelimpahan dan kualitas data. Dalam
penginderaan jauh, matriks korelasi juga dapat digunakan untuk Analisis
Komponen Utama (Principal Component Analysis/ PCA) penginderaan jauh,
seleksi gambar, dan klasifikasi. (Jensen, 1986).

3. Apakah perbedaan Antara Correlasi dan Covarian :

Perbedaan secara teoritis sudah dijelaskan pada nomor 1 dan 2. Sedangkan


dalam bentuk statistiknya sangat berbeda, dimulai dengan nilai eigenvaluenya
dan Statistik Histogramnya.
Untuk nilai eigenvalues dan Statistik Citra nya dapat dilihat memilik banyak
perbedaan. Dari Jumlah nilai, max , min , Standar Deviasi, dan lain sebagainya.
Kovarian
Korelasi

Hasil PCA :
Kovarian dan Korelasi
Invers Kovarian dan Korelasi :

Data Statistik Inverse :

Natural Colour :
Kesimpulan : Menurut Saya dalam pembentukan Invers Korelasi, Kovarian, dan
Natural Colour memiliki perbedaan pada tampilan visual. Dengan Kovarian lebih
cerah dan Korelasi lebih semu atau redup warnanya jika dibandingkan dengan
Natural Colour. Pengertian PCA sendiri secara sederhana adalah mengambil Data
Penting ( Kovarian dan Korelasi ) Sama untuk kombinasi citra Multi dan
Hiperspektral.
LAPORAN PRAKTIKUM
PENGOLAHAN CITRA DIGITAL
PEMROSESAN PCA ( PRINCIPAL COMPONENT ANALYSIS )

OLEH :
M DARIZ FAUZAN
14/363767/TK/41783

DEPARTEMEN TEKNIK GEODESI DAN GEOMATIKA


FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
2017