Klasifikasi Citra Penginderaan Jauh

Menggunakan Teknik Logika Samar (Fuzzy Logic)

Johannes Manalu
Pusat Pengembangan Pemanfaatan danTeknologi Penginderaan Jauh LAPAN

ABSTRACT
Many methods h a s been used for image classification. One of them is that Fuzzy
Logic that consist of two algorithms 1) Hard Classifier and 2) Soft Classifier. Application
of the Fuzzy Logic for classification can identifi mix pixel and decrease presentase of
overlapping class and unclassified class. The unsupervised classification does depends
on the condition of data or a priori class. The fuzzy Logic Classification depends on land
cover heterogeneity.

ABSTRAK
Banyak cara yang digunakan dalam mengklasifikasi citra. Salah satu caranya
dengan menggunakan Fuzzy Logic yang terdiri dari Metode Klasifikasi Tegas d a n Metode
Klasifikasi Samar. Hasil klasifikasi dengan menggunakan Fuzzy Logic dapat
mengindentifikasi piksel campuran, sehingga dapat mengurangi persentase klas yang
overlap d a n yang unclassified. Model Klasifikasi Tak Terbimbing pada u m u m n y a tidak
mensyaratkan data yang berlebihan atau kelas tidak dikenal secara apriori. Metode
Klasifikasi yang berdasarkan Logika Samar sangat memperhatikan heterogenitas kondisi
permukaan bumi.

1. PENDAHULUAN (Jensen, 1996). Algoritma Klasifikasi

Selain dianalisis secara visual,
citra penginderaan j a u h sering juga
dianalisis secara digital untuk
mendapatkan informasi tematik.
Klasifikasi multispektral adalah satu
diantara metode yang sering digunakan
u n t u k mengekstrak informasi, terutama
informasi p e n u t u p lahan. Bila pada
pengolahan citra digital, citra penginderaan
j a u h akan dianalisis secara kualitatif
mengingat peran interpretasi visual yang
kuat dalam perolehan informasi.
Sedangkan klasifikasi multispektral
menggunakan pendekatan kuantitatif
dan mengurangi subyektifitas pada
kegiatan interpretasi. Klasifikasi citra
penginderaan j a u h adalah s u a t u proses
dimana semua pixel dari s u a t u citra
yang mempunyai penampakan spektral
yang sama akan diidentifikasikan.
Algoritma-algoritma yang dapat digunakan
pada metode klasifikasi multispektral
adalah : (1) Klasifikasi Tegas (Hard
Classifier), (2) Klasifikasi Samar (Soft
Classifier), dan (3) Klasifikasi Hibrid
Tegas pada u m u m n y a terbagi menjadi
d u a kelompok besar yaitu Kelompok
Terbimbing (Supervised) d a n Kelompok
Tak Terbimbing (Unsupervised).
Pada algoritma terbimbing, area
yang representatif u n t u k masing-masing
kelas haru's ditentukan oleh pengguna
(diketahui secara apriori). Satu hal yang
penting diperhatikan dalam pengambilan
sampel di sini adalah pencarian area
yang homogen. Namun demikian kisaran
variabilitas juga perlu diperhatikan
u n t u k menghindari ketidakmampuan
algoritma dalam mengklasifikasi. Informasi
yang diperlukan dalam penetapan
sampel area dapat diperoleh dari survei
lapangan, foto u d a r a , peta atau data-
data yang lain. Ditinjau dari aspek
statistika, sampel yang ditentukan
haruslah mencukupi. Swain dan Davis
(1978) menganjurkan 10 sampai 100
piksel per kelas u n t u k mendapatkan
statistik kelas yang sesuai. Algoritma
akan menghitung variabel-variabel
statistika dasar yang diperlukan yaitu

73
rataan, deviasi standar, matriks kenyataan bahwa p a d a kondisi yang
kovarian, matriks korelasi, dan Iain-Iain u m u m dijumpai di lapang, batas-batas
u n t u k setiap area yang dijadikan sampel kelas penutupan lahan tidak dapat
klasifikasi. Selanjutnya, algoritma a k a n dibatasi dengan tegas. Pada kondisi
mengcvaluasi d a n memetakannya ke yang demikian, penggunaan metode
dalam kelas yang memiliki klasifikasi konvensional yang menggunakan
peluang/kemiripan terbesiir. Mengingat batas himpunan yang tegas menjadi
algorilma memctakan suatu piksel kurang relevan.
hanya ke dalam satu kelas saja, maka Pada klasifikasi d a n pelabelan citra
banyak penulis menggolongkan tipe penginderaan j a u h , informasi yang
algoritma-algorilma ini ke dalam direpresentasikan pada umumnya
Klasifikasi Tegas (Jensen. 1996). Klasifikasi menganut p a h a m h u b u n g a n satu-satu
terbimbing terdiri dari klasifikasi yaitu satu piksel mengarah pada satu
berdasarkan jarak minimum rata-rata kelas. Namun pada kenyataannya,
kelas yang menggunakan strategi paling sebuah piksel mungkin merepresentasikan
sederhana, yaitu dengan cara data campuran berbagai kelas p c n u l u p
menentukan nilai rata-rata setiap kelas lahan atau mereprentasikan pola yang
yang disebut vektor rata-rata. Klasifikasi kompleks yang sangat sulit dideskripsikan
berdasarkan strategi parallelepiped yang dalam satu kelas tunggal. Dengan
dapat memberikan kcpekaan terhadap demikian, metode ini memiliki peluang
varian kategori dengan memperhitungkan yang besar dalam proses kehilangan
kisaran nilai digital dari masing-masing informasi yang selanjutnya dapat
rangkaian kategori nilai piksel training m e n u r u n k a n akurasi klasifikasi atau
area. Klasifikasi berdasarkan fungsi ckslraksi informasi yang b u r u k . Metode
normal G a u s s kemiripan maksimum h u b u n g a n satu-satu didasarkan atas
dengan cara mengevaluasi kuantitatif teori himpunan klasik yang cocok u n t u k
varian m a u p u n korelasi pola tanggapan obyek-obyek yang dapat dideskripsikan
spektral pada saat mengklasifikasi secara persis oleh keanggotaan penuh
piksel yang tidak dikenal. pada sebuah himpunan. Namun
demikian, banyak fenomena geografis
Model Klasifikasi Tak Terbimbing
alami tidak dapat dideskripsikan secara
pada u m u m n y a tidak mensyaratkan
akurat.
data yang berlebihan atau kelas tidak
dikenal secara apriori. Oleh karena itu, Bcdard (1987) menyatakan bahwa
metode ini pada u m u m n y a diterapkan konsep ketidakpastian pada pengolahan
pada citra yang kurang didukung oleh citra dijital berawal dari adanya
data kondisi permukaan lahan. penyederhanaan suatu kegiatan dan
Algoritma kemudian a k a n mcngelom- biasanya memiliki paradigma alur yang
pokkan pikscl-piksel y a n g memiliki disebabkan oleh sejumlah h u b u n g a n
kesamaan ciri spektral ke dalam antara sub kegiatan pada sistem
gerombol yang unik melalui kriteria pengolahan. Salah satu teknologi yang
statistika yang ditentukan. Pcngguna populer saat ini adalah kontrol pintar
kemudian mengkombinasikan d a n / a t a u (intelligent control) yang dipandang
mengubah label gerombol ke dalam sebagai kombinasi dari teori kontrol,
kelas yang sesungguhnya. riset operasi dan intelejensi b u a t a n
Metode Klasifikasi yang berdasarkan (artificial intelligence). Di antara teknologi
Logika Samar sangat memperhatikan baru yang berkembang di intelejensi
heterogenilas kondisi permukaan bumi. buatan, logika samar merupakan
Sebagai variasi, teknik ini juga dapat teknologi yang paling populer (Jamshidi,
dipadukan dengan metode-metode 1993). Zadeh dalam Kosko (1992)
konvensional yang telah dideskripsikan menyatakan bahwa baik secara tcrpisah
di atas. Metode ini banyak didasari m a u p u n secara bersama-sama, logika
74
samar d a n jaringan syaraf (neural samar memperhatikan nilai tak
network) telah membantu memecahkan terhingga dari tingkat keanggotaan
masalah-masalah dari proses kontrol (degree of membership) p a d a sebuah
dan pengolahan sinyal sampai diagnosis himpunan a n t a r a nilai 0 dan 1 yang
kesalahan dan optimisasi sistem. terdapat p a d a teori h i m p u n a n klasik.
Tulisan ini mengulas tentang teknik Dengan kata lain, himpunan klasik
klasifikasi citra dengan Logika Samar dapat dianggap sebagai bentuk yang
serta contoh hasilnya. Diharapkan hal terbatas dari himpunan samar.
ini dapat memberi penjelasan d a n Pada himpunan klasik, transisi
gambaran tentang teknik tersebut a n t a r a keanggotaan atau bukan pada
secara ringkas d a n praktis bagi para suatu himpunan memiliki definisi
peneliti yang sering melakukan sangat jelas. Di lain pihak, p a d a
klasifikasi citra. himpunan samar transisi bisa dalam
bentuk gradual. Dengan demikian,
2. TINJAUAN TEORI batas dari himpunan samar tidak
2.1 Tinjauan Umum tentang terekspresikan secara jelas (vogue) dan
Himpunan Klasik/Tegas ambiguous.
Selanjutnya, himpunan samar
Didefinisikan X adalah himpunan dapat dipandang sebagai himpunan
obyek dengan karakteristik yang sama, yang berisi elemen yang memiliki tingkat
yang anggotanya dinotasikan sebagai x. keanggotaan yang bervariasi. Paham ini
Elemen tersebut dapat berbentuk diskrit bertolak belakang dengan himpunan
dan terhingga atau kontinu d a n tak klasik karena anggota dari himpunan
terhingga. J u g a didefinisikan cardinality klasik tidak a k a n menjadi anggota
number n x sebagai nilai total elemen kecuali keanggotaan elemen tersebut
dalam X. Sebuah himpunan A terdiri penuh (nilai keanggotaannya bernilai 1).
dari beberapa elemen dalam X; Elemen dalam himpunan samar dapat
h i m p u n a n A adalah subset dari universe menjadi anggota dari himpunan samar
lain pada universe yang sama (Ross,
1993).

Himpunan samar dinotasikan dengan

tanda tilde (~) seperti pada notasi di
atas. Fungsi keanggotaan kedua
himpunan disajikan pada gambar
berikut:

2.2 Tinjauan Umum tentang

Himpunan Samar
Ross (1993) menyatakan hanya
ada beberapa perbedaan antara teori
himpunan klasik dengan himpunan
samar. Teori h i m p u n a n samar sendiri
dapat dipandang sebagai teori yang
mendasar yang lebih luas dari teori
himpunan klasik yaitu teori himpunan

75
 2 . 4 Logika Samar
Pada sistem samar, biasanya
diasumsikan pasangan masukan-keluaran
memiliki struktur dari fuzzy if-then rules
yang memiliki kaitan dengan variabel
samar. Tipe variabel ini memfasilitasi
interpolasi dengan memberikan kisaran
peluang yang cocok a n t a r a m a s u k a n
dengan rule. Pada u m u m n y a , sistem
samar bekerja baik jika pengalaman
digunakan untuk mengartikulasikan
Himpunan Samar fuzzy if-then rules. J i k a tidak dapat
dilakukan, teknik jaringan saraf
G a m b a r 2 - 1 : Fungsi keanggotaan kedua
himpunan dibutuhkan u n t u k membangun rules.
Metodologi ini dikenal dengan nama
2 . 3 Konsep Ketidakpastian sistem samar adaptif (Adaptive Fuzzy
Systems). Pengetahuan tentang prinsip
Bedard (1987) telah mengidentifikasi
logika samar dapat lebih dipahami
adanya ketidakpastian dalam proses dengan membandingkan himpunan
pengolahan citra yang ditinjau dari dua samar {fiizzy set) dengan himpunan
aspek. Pertama penyebab ketidakpastian klasik (crisp set) yang akan diuraikan
selalu dikaitkan pada proses pembentukan pada bagian berikut (Jamshidi,1993).
model yang didefinisikan sebagai
pendekatan dari realitas yang ada. 3. PENERAPAN METODE LOGIKA
Kedua ketidakpastian yang lain berasal SAMAR DALAM KLASIFIKASI CITRA
dari m a n u s i a yang memiliki informasi 3.1 Metode Klasifikasi Tegas [Hard
beragam dan bersifat subyektif. Bentuk Classifier)
atau jenis dari ketidakpastian sendiri Pada metode ini, algoritma klasifikasi
adalah ketidakjelasan (kekaburan) proses biasanya dikelompokkan menjadi dua
identifikasi pada proses klasifikasi, kelompok besar yaitu algoritma terbimbing
keterbatasan dalam penilaian kuantitatif, (supervised) dan tak terbimbing
keterbatasan dalam penilaian kualitatif (unsupervised). Pada makalah ini,
dan meta-uncertainty yang mengarah masing-masing kelompok hanya akan
pada tingkat ketidakpastian diambil satu contoh saja untuk
mengilustrasikan ciri dari metode
Model pendekatan dalam pengelolaan
klasifikasi tegas. Algoritma terbimbing
ketidakpastian dapat dilakukan dengan
akan diwakili oleh algoritma kemiripan
mereduksi ketidakpastian dan menyerap
maksimum [maximum likelihood) dan
atau memotong peluang ketidakpastian.
algoritma tak terbimbing diwakili oleh
Reduksi ketidakpastian dapat dilakukan
algoritma gerombol.
dengan m e n u r u n k a n tingkat fuzziness
(kesamaran) pada saat mengidentifikasi 3.1.1 Algoritma kemiripan maksimum
s u a t u obyek atau meningkatkan akurasi
dan posisi pada saat mendeskripsikan Sebelum menjalankan algoritma
suatu obyek. Sedangkan penyerapan klasifikasi, seringkali pengguna menentukan
ketidakpastian dapat dilakukan dengan training area yang digunakan u n t u k
meningkatkan akurasi alat atau melihat ciri-ciri statistika masing-
melakukan standarisasi sehingga masing calon kelas. Mengingat data
kesalahan alat atau metode m a u p u n penginderaan j a u h p a d a u m u m n y a
model yang digunakan dapat diprediksikan. berkanal jamak, m a k a u n t u k setiap

76
contoh piksel akan didapatkan sebuah
vektor pengukuran sebagai berikut:
Xc = [BViji, BVij2, ..., BVijk] (3-1)
dengan BVijk menyatakan nilai piksel
(brightness value) u n t u k piksel ke-i,j d a n
pada band ke-k. Selanjutnya akan
didapatkan pula vektor pengukuran
rataan u n t u k setiap kelas sebagai
berikut:
Mc = [Mci, HC2, .-., Hck] (3-2)
dengan nCk merepresentasikan nilai
rataan dari data yang diperoleh u n t u k
kelas c p a d a band k. Selain itu bisa
didapatkan pula matrik kovarian pada
setiap kelas c sebagai berikut:
dengan l-ovCki adaian kovarian d a n Kelas
c dari band k sampai 1. Pada u m u m n y a
notasi di a t a s dapat disingkat menjadi
Vc.
Menurut Wang (1990) aturan
k e p u t u s a n dalam algoritma kemung-
kinan maksimum akan bertindak
sebagai penentu penggolongan setiap
piksel ke dalam kelas yang bersesuaian
yaitu dengan menempatkan piksel atas
dasar kemiripan atau kemungkinan yang
paling tinggi. Hal ini mengasumsikan
bahwa statistik dari data training set
u n t u k setiap kelas dan setiap band
menyebar secara normal (Gaussian).
Aturan k e p u t u s a n pada algoritma ini
dapat dinotasikan sebagai berikut:
Tentukan X a d a dalam kelas c, jika dan
hanya jika:
dengan det(Vc) adalah determinan dari
matriks kovarian Vc. Untuk mengklasi-
fikasikan vektor X dari sebuah piksel ke
dalam s u a t u kelas, aturan keputusan
akan menghitung nilai Pc u n t u k setiap
kelas. Barulah kemudian piksel
tersebut akan dikelompokkan ke dalam
kelas yang memiliki nilai m a k s i m u m .
Persamaan di atas mengasumsikan
bahwa setiap kelas memiliki kemungkinan
kejadian yang sama pada permukaan
bumi. Kejadian pada data penginderaan
jauh menunjukkan bahwa ada
kemungkinan kejadian yang lebih tinggi
bagi s u a t u kelas daripada kelas yang
lain. Sebagai ilustrasi, bila kelas air
mendominasi s u a t u citra, m a k a dapat
diharapkan bahwa akan semakin
banyak piksel yang akan dikelaskan
sebagai air. Dengan demikian, dimungkinkan
u n t u k m e m a s u k k a n informasi apriori
p a d a pengambilan k e p u t u s a n dalam
klasifikasi. Pemasukan informasi ini
dapat dilakukan dengan pembobotan
setiap kelas c dengan kemungkinan
apriori a* sehingga:
Tentukan X ada dalam kelas c, jika dan
hanya jika:
Aturan keputusan Bayes di atas
identik dengan aturan keputusan
kemiripan maksimum, kecuali bahwa
Bayes tidak mengasumsikan kesamaan
kemungkinan pada setiap kelas.
3 . 1 . 2 Algoritma gerombol [Clustering)
Algoritma gerombol yang disajikan
berikut ini beroperasi p a d a dua iterasi
(pass). Pada iterasi pertama, algoritma
membaca seluruh data d a n secara
sekuen membangun gerombol (kumpulan
dari titik pada ruang spektral). Vektor
rataan akan diasosiasikan dengan setiap
gerombol. Pada iterasi kedua, metode
klasifikasi jarak minimum (minimum
distance to mean) digunakan pada
seluruh data, piksel demi piksel pada
rataan kelas yang terbentuk.
Pada iterasi pertama, algoritma
m e m b u t u h k a n m a s u k a n data seperti:
j a r a k radius pada r u a n g spektral (R),
j a r a k r u a n g spektral (C), J u m l a h piksel
77
yang dievaluasi di a n t a r a penggabungan Selanjutnya partisi samar dapat
besar dari gerombol (N) dan J u m l a h dinyatakan dengan bentuk matriks
maksimum gerombol (Cmax). Pada sebagai berikut.
kebanyakan perangkat lunak pengolah
citra penginderaan j a u h , parameter ini
dapat ditentukan secara default.
-(3-U)
3 . 2 Metode Klasifikasi Samar {Soft
Classifier)
J e n s e n (1996) menjabarkan proses dimana n adalah j u m l a h piksel d a n Xi
yang dapat digunakan u n t u k meng- adalah vektor piksel ke-i.
aplikasikan metode klasifikasi samar.
Selanjutnya logika s a m a r dapat
Proses pengumpulan data sampel
diaplikasikan u n t u k menghitung rataan
(training set data) pada klasifikasi samar
samar d a n matriks kovarian seperti yang
agak berbeda dengan teknik konvensional
dideskripsikan oleh Wang (1990) sebagai
yang sering digunakan. Selain dapat
berikut:
mengambil sampel pada area yang
homogen, pengguna dapat pula mengambil
sampel pada area yang heterogen u n t u k
lebih memahami kondisi lapangan atau
membuat representasi alam yang lebih
baik.
Partisi feature space tidak lagi
sekedar mengkelaskan pada kelas yang
dimana n adalah jumlah vektor
tersedia, tetapi lebih ke pembuatan
pengukuran dari piksel contoh, f c adalah
model tingkat keanggotaan yang
fungsi keanggotaan dari kelas c, d a n Xi
menyatakan bagaimana kedekatan
adalah vektor pengukuran dari piksel
suatu piksel yang sedang dianalisis pada
contoh (1 < i < n). Sedangkan matrik
vektor rataan kelas. Pada pemanfaatan
kovarian samar dinotasikan sebagai
data penginderaan j a u h , partisi samar
berikut:
yang aktual adalah keluarga himpunan
samar F l , F2, ..., Fm pada X dimana
setiap x adalah anggota X.

Untuk mempartisi fuzzy feature

space, fungsi keanggotaan harus
didefinisikan u n t u k kelas c sebagai
berikut:
dimana Fi, F2, ... F m merepresentasikan
kelas spektral, X menyatakan semua
piksel pada h i m p u n a n data, m adalah
jumlah kelas contoh, x adalah vektor
piksel dan fpi adalah fungsi keanggotaan
dari himpunan samar Fi (1 < i < m).

78
dimana N adalah dimensi vektor piksel,
m adalah j u m l a h kelas dan I £ i 5 m.
Tingkat keanggotaan dari vektor piksel x
tergantung dari posisi x pada ruang
spektral.
4. UJI COBA DAN ANALISIS TEKNIK
LOGIKA SAMAR TERHADAP DATA
LANDSAT THEMATIC MAPPER (TM)
4.1 Penggunaan Jenis Citra
Contoh data yang digunakan pada
makalah ini adalah Landsat TM dengan
lokasi Vancouver Kanada. Landsat TM
digunakan sebagai bahan kajian karena
rnemiliki resolusi spasial yang rclatif
tinggi sehingga cocok u n t u k daerah
lersebut di a t a s yang memiliki tingkat
homogenitas yang tinggi.
Citra Landsat TM merupakan hasil
rckaman sensor Thematic Mapper yang
dipasang pada satelit Landsat 4 dan
Landsat 5. Sistem TM meliput lebar
s a p u a n [scanning sebesar 185 Km,
direkam dengan tujuh saluran panjang
gelombang yang terdiri dari tiga saluran
panjang gelombang tampak, tiga saluran
panjang gelombang infra merah dekat
d a n s a t u saluran panjang gelombang
inframerah termal dengan resolusi 30 m
u n t u k kanal 1-5 serta 7 dan 120 m
u n t u k kanal 6.
4 . 2 Prosedur Klasifikasi Citra
Prosedur ringkas klasifikasi citra
dengan teknik logika samar adalah
sebagai b e r i k u t :
1. Lakukan koreksi geometri d a n koreksi
radiometrik yang digunakan u n t u k
memperbaiki kesalahan yang terjadi
pada saat data direkam.
2. Pembuatan sampel yang bertujuan
u n t u k mendapatkan training area
terbaik.
3. Ekstraksi dan evaluasi data sampel
sehingga diperoleh parameter statistik
seperti rata-rata, variansi dan
menghitung korelasi a n t a r a training
area yang ada.
4. Modifikasi d a t a training, bila terdapat
d u a atau lebih sampel yang memiliki
tingkat korelasi c u k u p tinggi.
5. Model klasifikasi yang digunakan
kemiripan maksimum dengan pendekalan
logika samar.
6. Uji klasifikasi data training u n t u k
mengetahui tingkat ketelitian klasifikasi
sampel area. Informasi yang
dihasilkan berupa matrik korelasi
yang menggambarkan kontribusi
pixel dari setiap training area u n t u k
m a s u k kelas yang diharapkan.
7. Klasifikasi citra bila hasil evaluasi
data sampel area menunjukkan
tingkat ketelitian yang memadai.
4 . 3 Data Hasil Uji Coba
4.3.1 File dan parameter training area
Kombinasi band yang digunakan
a d a tiga (band 5, 4, 3) dan jumlah
training area a d a 9. Sesuai dengan jenis-
jenis objek yang dapat diidentifikasi
p a d a citra. Tabel 4-1 menunjukkan
j u m l a h piksel dari setiap training area
dengan training area air laut mempunyai
j u m l a h piksel yang terbesar dan training
area awan yang mempunyai jumlah
piksel yang terkecil. Tabel 4-2
merupakan parameter statistik training
area. Untuk setiap kanal nilai statistik
rataan dan simpangan baku tcrtinggi
adalah kelas awan (kelas 8), sedangkan
nilai statistik rataan dan simpangan
baku terendah adalah kelas air laut
(kelas 1).
79
 T a b e l 4 - 1 : JUMLAH PIKSEL SETIAP TRAINING AREA
No. T r a i n i n g Nama Traininq Area J u m l a h Piksel
1 Air l a u t 2.615
2 Jalan/parkir 430
3 Pemukiman 486
4 T u m b u h a n lebat 333
5 Daerah gersang 443
6 Tanaman muda 165
7 Daerah s u b u r 104
8 Awan 36
9 Bayangan awan 60
S u m b e r : R o s s (1993)

T a b e l 4 - 2 : PARAMETER STATISTIK TRAINING AREA

Kls Kls Kls Kls Kls Kls Kls Kls Kls Kls
Training 1 2 3 4 5 6 7 8 9
Kanal 0
Rataan 4,65 97,77 69,31 37,78 67,55 80,11 70,43 159,14 12,4
Simp.Baku 1.12 11,5 12,91 7,65 8,92 9,67 10,27 48,68 6
Kanal 1
Rataan 9,45 52,8 46,62 48,37 51,77 70,82 71,96 115,07 19,77
Simp.Baku 0,57 4,84 8,33 5,03 4,92 6,53 13,92 28,63 5,79
Kanal 2
Rataan 16,76 44,01 52,16 21,72 26,35 31,59 24,69 132,36 17,29
Simp.Baku 1,02 7,19 10,3 1.7 2,53 2,92 3,14 39,76 2,23
Kanal 3
Rataan 22,01 34,24 42,06 23 24,69 29,41 25,67 105,57 19,58
Simp.Baku 0,78 4,16 6,81 0,99 1,46 1,83 1,83 28,6 1,74

S u m b e r : R o s s (1993)

4 . 3 . 2 E l e m e n matrik kovarian tiap (3) Kelas P e m u k i m a n

kelas training area
167,0998 92,2259 92,8463 60,5955
Berikut ini disajikan matrik 92,2259 23,4803 49,6558 33,2813
kovarian u n t u k setiap kelas training 92,8463 49,6558 106,4395 69,0754
area. 60,5955 33,2813 69,0754 46,3358

(1) Kelas Air L a u t (4) Kelas T u m b u h a n Lebat

1,2628 0,0650 0,1181 0,0817 58,7221 23,1259 8,9731 4,6725

0,0650 0,3198 0,1167 0,0649 23,1259 25,4411 3,6085 2,7797
0,1181 0,1167 1,0428 0,2431 8,9731 3,6085 2,8959 1,1746
0,0817 0,0049 0,2431 0,6140 4,6725 2,7797 1,1746 0,9773

(2) Kelas J a l a n
(5) Kelas Daerah Gersang
132,7006 36,0878 58,9903 28,6117
36,0878 23,4803 24,4187 14,4574 79,7614 26,0175 16,2362 7,2974
58,9903 24,4187 51,7988 28,1641 26,0175 24,2563 4,9416 3,9202
28,6117 14,4574 28,1641 17,3868 16,2362 4,9416 6,4322 2,7862
7,2974 3,9202 2,7862 2,1355

80
(6 Kelas T a n a m a n M u d a
4.3.3 Hasil klasifikasi
94,2694 46,1048 24,4896 14,1745
46,1048 42,9591 13,6579 9,9986 Citra hasil klasifikasi dengan
24,4896 13,6579 8,5642 4,6572 m e t o d e k o n v e n s i o n a l d a p a t dilihat p a d a
14,1745 9,9986 4,6572 3,3866
Gambar 4-1, c i t r a h a s i l klasifikasi
dengan m e t o d e fuzzy logic dengan
(7) Kelas D a e r a h S u b u r apriori d a p a t dilihat p a d a G a m b a r 4 - 2
d a n c i t r a h a s i l klasifikasi d e n g a n m e t o d e
106,8340 112,1012 12,9912 11.9599
fuzzy logic t a n p a apriori d a p a t dilihat
112,1012 196,1328 2,8422 11,5735
12,9912 2,8422 9,9982 4,1042 p a d a G a m b a r 4-3 s e d a n g k a n informasi
4,1042 3,3929 piksel hasil klasifikasi m e t o d e k o n v e n -
11,9599 11,5735
sional d a p a t dilihat p a d a T a b e l 4 - 3 ,
(8) Kelas Awan i n f o r m a s i piksel hasil klasifikasi m e t o d e
fuzzy logic d e n g a n apriori d a p a t dilihat
2457,1640 1405,9894 1902,6138 1337,3598 p a d a Tabel 4 - 4 d a n informasi piksel
1405,9894 850,1429 1172,1217 834,8466 h a s i l klasifikasi m e t o d e fuzzy logic t a n p a
1902,6138 172,1217 1639,4974 1174,6772
1337,3598 834,8466 1174,6772 848,5503 a p r i o r i d a p a t dilihat p a d a T a b e l 4 - 5 .

(9) Kelas B a y a n g a n Awan

36,7549 31,9748 6,8183 5,9557

31,9748 34,1804 5,6640 4,7961
6,8183 5,6640 5,0621 3,1241
5,9557 4,7961 3,1241 3,0933

G a m b a r 4 - 1 : Contoh citra hasil klasifikasi dengan metode konvensional (Ross

1993)

81
 Tabel 4-3: INFORMASI PIKSEL HASIL KLASIFIKASI METODE KONVENSIONAL

Kelas Nama Kelas J u m l a h Piksel Persentase Piksel

1 Air laut 24.301 9,27
2 Jalan/parkir 16.292 6,21
3 Pemukiman 27.907 10,65
4 T u m b u h a n lebat 69.471 26,5
5 Daerah gersang 67.359 25,7
6 Tanaman muda 8.361 3,19
7 Daerah s u b u r 35.246 13,45
8 Awan 636 0,24
9 Bayangan awan 8.408 3,21
10 Kelas overlap 3.383 1,29
11 Tak Terklasifikasi 780 0,3

Sumber : Ross (1993)

Gambar 4-2: Contoh citra hasil klasifikasi dengan metode

logika samar dengan apriori (Ross, 1993)

Tabel 4-4 :INFORMASI PIKSEL HASIL KLASIFIKASI DENGAN METODE LOGIKA

SAMAR DENGAN APRIORI

Kelas Nama Kelas J u m l a h Piksel Persentase Piksel

1 Air laut 24.521 9,35
2 Jalan/parkir 16.135 6,16
3 Pemukiman 28.068 10,71
4 T u m b u h a n lebat 68.622 26,18
5 Daerah gersang 73.201 27,92
6 Tanaman m u d a 9.224 3,52
7 Daerah s u b u r 28.752 10,97
8 Awan 618 0,24
9 Bayangan awan 8.866 3,38
10 Kelas overlap 3.360 1,28
11 Tak terklasifikasi 777 0,3
Sumber : Ross (1993)
82
 Gambar 4-3: Citra hasil klasifikasi metode fuzzy logic tanpa
apriori (Ross, 1993)
Tabel 4-5: INFORMASI PIKSEL HASIL KLASIFIKASI DENGAN METODE
FUZZY LOGIC TANPA APRIORI

Kelas Nama Kelas J u m l a h Piksel Persentase Piksel

1 Air laut 24.338 9,28
2 J a l a n / p a r kir 16.368 6,24
3 Pemukiman 28.746 10,97
4 T u m b u h a n lebat 71.281 27,19
5 Daerah gersang 70.197 26,78
6 Tanaman m u d a 8.685 3,31
7 Daerah s u b u r 29.245 13,45
8 Awan 666 0,25
9 Bayangan awan 8.330 3,18
10 Kelas overlap 3.504 1,34
11 Tak terklasifikasi 784 0,3
Sumber : Ross (1993)

Dari hasil klasifikasi mengguna- yang tumpang tindih dan kelas yang
kan metode Logika Samar dengan tidak terkelaskan. Sedangkan u n t u k
apriori diperoleh peningkatan jumlah klasifikasi menggunakan metode Logika
piksel u n t u k kelas air laut, pemukiman, Samar dengan apriori diperoleh
daerah gersang dan t a n a m a n muda peningkatan jumlah piksel untuk
dibandingkan dengan klasifikasi metode beberapa kelas, tetapi u n t u k kelas yang
konvensional, sedangkan u n t u k klasifi- tumpang tindih dan yang tidak
kasi menggunakan metode Logika terkelaskan jumlah pikselnya ber-
Samar tanpa apriori terdapat pening- kurang.
katan jumlah piksel u n t u k kelas air
laut, j a l a n / p a r k i r , pemukiman, tumbuh- 5. KESIMPULAN
an lebat, daerah gersang, tanaman Metode klasifikasi Logika Samar
m u d a d a n awan. Dari sini terlihat dengan apriori dapat meningkatkan
bahwa klasifikasi dengan menggunakan jumlah piksel u n t u k s u a t u kelas dan di
metode Logika Samar tanpa apriori sisi lain mengurangi jumlah piksel
dapat mengakibatkan peningkatan u n t u k kelas yang lain sedemikian
jumlah piksel hampir di semua kelas, sehingga heterogenitas objek dapat
juga meningkatkan jumlah piksel kelas

83
cliakomodasi. Hal ini tidak dapat Kosko, B. 1992, Neural Networks and
dilakukan oleh metode konvensional. Fuzzy Systems: A Dynamical
Contoh hasil klasifikasi citra System Approach to Machine
Landsat TM menunjukkan bahwa Intelligence. Prentice Hall Inter-
dengan mcnggunakan metode Logika national Editions. Englewood
S a m a r masih d a p a t diusulkan kclas Cliffs, New Jersey, p.449.
baru u n i u k mengatasi kelas yang tidak
Ross, T . J . 1993, Set Theory - Classical
terkelaskan.
and Fuzzy Sets. in Jamshidi, M.,
N. Vadiee and T. J. Ross (eds.).
DAFTAR RUJUKAN Fuzzy Logic and Control: Software
Bedard, Y. 1987, Uncertainties in Digital and Hardware Applications. Prentice
Image Processing. Proceeding Auto Hall International Editions.
Carto VIIK p. 175. Englewood Cliffs, New Jersey.
p.397.
J a m s h i d i , M. 1993, Introduction, in
Swain, P. H. and S. M. Davis. 1978,
Jamshidi, M., N. Vadiee a n d T. J,
Remote Sensing - The Quantitative
Ross (cds.). Fuzzy Logic and
Approach. McGraw-Hill. New
Control: Software and Hardware
York, p.396.
Applications. Prentice Hall Inter-
national Editions. Englewood Wang, F. 1990, Improving Remote
Cliffs, New Jersey, p.397. Sensing Image Analysis through
Fuzzy Information Representation.
J e n s e n , J- R. 1996, Introductory Digital Photogrammetric Engineering and
Image Processing: A Remote Sensing Remote Sensing, Vol. 56, No. 8.
Perspective. Second Edition. Prentice p. 1163-1169.
Hall- Upper Saddle River, New
Jersey, p.316.

84