Matrikulasi Pedati Tahun 2005 Fasilkom UI

Latihan Word Processing

1 Pendahuluan
1.1 Latar belakang
Letak Indonesia yang berada di daerah tropis membuat wilayah udara Indonesia
hampir selalu tertutup awan. Hal ini menyebabkan sulitnya mendapatkan peta
permukaan bumi Indonesia dari citra satelit yang berdasarkan pada sensor optis (foto
udara), karena yang terlihat hanyalah gumpalan awan.

(a) (b)
Gambar 1.1 (a) Contoh citra optik, sumber : Bakosurtanal RI
(b) Contoh citra radar, sumber : Raimadoya (IPB)

Ciri
GLCM

GLCM

Detail Citra
Citra Transformasi Klasifikasi
wavelet Klasifikasi
SAR Wavelet

Ciri Semi-
Semivariogram variogram

Gambar 1.4 Diagram Klasifikasi dalam Penelitian ini

Halaman 1 dari 5
Matrikulasi Pedati Tahun 2005 Fasilkom UI

1.2 Tujuan
Tujuan dari penelitian ini adalah:
a. Membandingkan hasil klasifikasi citra SAR menggunakan metode GLCM,
semivariogram dan metode Wavelet secara kuantitatif
b. Melihat kelebihan dan kekurangan masing-masing metode
c. Melihat bagaimana hasilnya jika semua ciri tekstur digabungkan (pendekatan
multi model).

2 Analisis Tekstur

2.1 Pengertian Tekstur

2.2 Beberapa Pendekatan dalam Menganalisis Tekstur

Secara umum, analisis tesktur dapat dilakukan dengan dua pendekatan yaitu
pendekatan struktural dan statistikal.

2.2.1 Gray Level Co-occurrence Matrix (GLCM)

GLCM merupakan metode yang paling umum digunakan dalam menganalisis
tekstur, dan telah digunakan sejak tahun 1970-an.
Perhatikan contoh berikut [CHA00]. Misalkan kita memiliki jendela citra 5 x 5
dengan kisaran derajat keabuan 0-5 sebagai berikut :
1 1 2 2 5
3 2 3 1 1
0 1 1 0 1
3 2 4 0 1
2 1 1 2 2

Matriks co-occurrence untuk citra di atas pada arah a = 00 (Barat-Timur) dan

jarak d = 1 (tepat berdampingan) dapat dibentuk melalui langkah-langkah berikut :
1. Tentukan jumlah derajat keabuan yang berbeda dalam citra, kemudian urutkan
derajat keabuan tersebut dari kecil ke besar. Untuk citra di atas, jumlah derajat
keabuan ada 6, yaitu 0,1,2,3,4, dan 5
2. Bentuk matriks A berukuran k x k dengan k adalah jumlah derajat keabuan, dimana
eleman aij-nya menyatakan jumlah kemunculan piksel berderajat keabuan gi
muncul bersebelahan dengan piksel berderajat keabuan gj pada arah 00 (Barat-
Timur) dimana 1 ≤ i,j ≤ k. Untuk citra di atas, k = 6 dan g1 = 0, g2 = 1, g3 = 2, g4 =
3, g5 = 4, g6 = 5. Matriks A untuk citra tersebut adalah sebagai berikut :

0 3 0 0 0 0
1 4 2 0 0 0

0 1 2 1 1 1
A =  
0 1 2 0 0 0
1 0 0 0 0 0
 
0 0 0 0 0 0

Halaman 2 dari 5
Matrikulasi Pedati Tahun 2005 Fasilkom UI

3. Matriks co-occurrence C dibentuk dengan membagi setiap elemen A dengan n

dimana n adalah jumlah semua elemen matriks A. Dengan demikian dapat
dikatakan bahwa matriks C adalah matriks A yang telah dinormalisasi.
Untuk citra di atas, n = 3 + 1 + 4 + 2 + 1 + 2 + 1 + 1 + 1 + 1 + 2 + 1 = 19

2.2.2 Semivariogram [CHA00]

Selain aspek ketergantungan spasial (spatial dependence), tekstur juga

memiliki aspek autokorelasi. Semivariogram dapat digunakan untuk mengukur aspek
korelasi ini.
Untuk lebih memperjelas teori dari wavelet, mari kita lihat contoh wavelet
Haar berikut ini. Wavelet Haar dapat dijelaskan dalam ruang vektor 4 dimensi.
Basis paling sederhana yang sudah sering kita gunakan adalah basis orthonormal
sebagai berikut:

1  0  0  0 
0  1  0  0 
v 0 =   , v 1 =  , v 2 =  , v 3 =  
0  0  1 0 
       
0  0  0  1 
Wavelet Haar juga merentang ruang vektor 4 dimensi dengan vektor-vektor basis
sebagai berikut
1 1 1 0
1 1 − 1 0
h 0 =   , h 1 =  , h 2 =  , h 3 =  
1 − 1 0 1
      
1 − 1 0 − 1
yang bila digambarkan dalam bentuk sinyal akan berbentuk sebagai berikut :

h0 h1 h2 h3

3 Klasifikasi Tekstur dan Seleksi Ciri

3.1 Metode Klasifikasi
Setelah kita mendapatkan ciri-ciri dari tekstur dengan berbagai pendekatan,
sampailah kita pada proses klasifikasi tekstur.

Halaman 3 dari 5
Matrikulasi Pedati Tahun 2005 Fasilkom UI

3.1.1 Minimum Euclidean Distance (MED)

Metode MED merupakan metode klasifikasi yang paling mudah, karena tidak
terlalu banyak melakukan komputasi. Jarak Euclid sendiri didefinisikan sebagai
D j (u) = u − m j
1
dimana a = (aT a) 2
adalah Euclidean norm. Disini, mj adalah mean dari kelas ke-j.

Gambar 3.1 Plot dari data sampel kelas A (o) dan kelas B (∆)

3.1.2 Gaussian Maximum Likelihood (GML)

Fungsi keputusan Bayes untuk kelas kj adalah dj(u) = p(u|kj)P(kj), dimana
P(kj) adalah peluang vektor ciri u tergolong dalam kelas kj . Jika sebaran vektor ciri
setiap kelas diasumsikan memiliki sebaran Gaussian, maka p(u|kj) dapat dirumuskan
sebagai
1  1 
p (u | k j ) = 1 / 2
exp − (u − m j )T C−j 1 (u − m j ) (3.2)
π /2
(2π ) C j  2 
dimana Cj adalah matriks covariance untuk kelas kj (diperoleh dengan cara yang
sama seperti pada MMD).
Jika diperhatikan lebih lanjut, persamaan (3.1) yang merupakan rumus MMD
terdapat juga pada persamaan (3.5) yang merupakan rumus GML. Sekarang akan kita
lihat bagaimana GML mengklasifikasikan daun pada contoh kasus kita sebelumnya.
  4    4 
d A     = - 4.6931 d B     = - 1.5082
  3    3 
Karena nilai dB lebih besar daripada dA maka daun dengan ciri [4,3]T akan
dimasukkan ke kelas B.

Halaman 4 dari 5
 Matrikulasi Pedati Tahun 2005 Fasilkom UI

4 Ujicoba dan Analisis Hasil

Tabel 4.2 Citra daerah Muara Sekampung beserta posisi sampelnya
Citra daerah Muara Sekampung Kelas Ukuran Koordinat
(ukuran 512x512) sampel kiri atas
sampel
Kelas 1 20x20 (328,176)
30x30 (430,110)
30x30 (456,450)
30x30 (471,11)
Kelas 2 20x20 (312,452)
30x30 (291,67)
30x30 (330,272)
30x30 (248,256)
Kelas 3 20x20 (255,315)
30x30 (136,62)
30x30 (221,417)
30x30 (165,477)

Tabel 4.8 Hasil SFFS citra Muara Sekampung untuk mencari kombinasi 4 ciri terbaik
No Ciri Tekstur Kombinasi 4 ciri terbaik GML
AR=AT
1 GLCM 1 2 5 6 0.977419
2 Semivariogram 1 4 5 6 0.979211
A H V D
3 Wav stasioner Haar 2,4 3 - 4 0.981720
4 Wav stasioner DB 2 2,3,4 - 4 0.991398
5 Wav stasioner Bior 3.1 1,3,4 3 - - 0.875627

Daftar Pustaka
[ATK00] Atkinson, P.M., Lewis, P., Geostatistical Classification for Remote Sensing: An
Introduction, Computer and Geosciences 26 (2000), 361-371, 2000

[BER00] Berbeglu, S., Llyod, C.D., Atkinson, P.M., Curran, C.J., The Integration of
Spectral and Textural Information using Neural Network for Land Cover
Mapping in the Mediterranean, Computer and Geosciences 26 (2000), 385-396

[CAR98] Carr, J.R, Miranda, F.P, The Semivariogram in Comparison to the Co-
Occurrence Matrix for Classification of Image Texture, IEEE Transaction on
Geoscience and Remote Sensing, vol 36, no 6, 1998

Halaman 5 dari 5