Anda di halaman 1dari 3

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.

2017-02-27_170233

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 :

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.

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.
bgb

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 :

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.

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.

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.

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.

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.

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).

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.

bg9

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".