TUGAS 02 EKSTRAKSI INFORMASI CITRA

KLASIFIKASI CITRA
L A N D S AT 8

Disusun oleh :

Agri Kristal (19/449587/PTK/12846)

vCitra yang digunakan adalah citra Landsat 8 vCitra yang digunakan sebagai kontrol adalah
LC08_L1TP_120065_20130912_20170502_ basemap ArcGIS dengan spesifikasi seperti
01_T1 tampilan berikut :
vCitra daerah Jawa Tengah
vTelah dilakukan koreksi radiometrik dan telah
di crop sebesar 1/16 scene
vDilakukan klasifikasi unsupervised terlebih dahulu sebagai pedoman menentukan jenis kelas
vMetode klasifikasi unsupervised yang dilakukan adalah K-means

Pengkelasan untuk klasifikasi

supervised :
vLaut dalam
vLaut dangkal
v Hutan
vPermukiman
vTanah kosong
vTraining area dibuat pada 5 kelas (laut dalam, laut dangkal, permukiman, hutan, tanah kosong)
vBerikut merupakan tampilan statistik masing-masing ROI
vMenghitung spectral separability antara
pasangan ROI yang telah dibuat
vDivergence mempunyai rentang dari 0 s.d
2 dan mengindikasikan sebaik apa
pasangan ROI terpilih terpisahkan secara
statistik.
vNilai lebih dari 1,9 mengindikasikan bahwa
pasangan ROI mempunyai separability
yang baik. Untuk pasangan ROI dengan
nilai separability lebih rendah, sebaiknya
diubah separability dengan mengedit ROIs
atau memilih ROIs baru. Untuk pasangan
ROI dengan nilai separability yang sangat
rendah (kurang dari 1), sebaiknya
digabungkan dalam satu ROI.
vdari hasil ROI separability menunjukkan
bahwa ROI yang dibuat sudah cukup baik
karena nilai > 1.9
Ø klasifikasi pararel epiped sering disebut
klasifikasi box
Ø nilai sampel (ROI) akan disimpan sebagai nilai
rerata beserta simpangan bakunya, kemudian
nilai sampel tersebut diletakkan dalam ruang
spekral n dimana n adalah jumlah saluran
spektral yang dijadikan masukan
Ø Menggunakan nilai koefisien pengali ( p),
program mulai mengklasifikasikan piksel dari
baris 1 kolom 1 sampai terakhir
Ø Apabila vektor piksel masuk ke salah satu
kotak box sampel maka piksel tersebut
diklasifikasikan sebagai kelas sesuai sampel.
Bisa jadi suatu vektor piksel tidak masuk ke
kelas manapun karena tidak terklasifikasi.
besarnya faktor pengali sangat menentukan
banyaknya piksel yang tidak terklasifikasi
Ø Semakin besar nilai p,semakin besar ukuran
kotak semakin kecil resiko vektor piksel tidak
terklasifikasi, tetapi semakin besar kotak berarti
semakin kurang teliti hasil klasifikasinya
( misclassified)
Ø Setiap piksel diplot pada ruang spektral dan
diukur jarak spektralnya terhadap suatu piksel
sampel acuan (yang telah diketahui pasti
jenisnya).
Ø Rumus yang digunakan adalah rumus jarak
yang diperoleh dari akar kuadrat posisi piksel
dikurangi dengan nilai rerata piksel
Ø Membutuhkan nilai ambang(threshold value),
bila semua jarak yang dihitung tidak memenuhi,
piksel tersebut akan tidak terklasifikasi
Ø Suatu piksel akan dikelaskan pada suatu kelas
yang memiliki jarak terdekat dari posisi piksel
tersebut
Ø Keuntungan dari algoritma ini adalah
kecepatannya, tapi memiliki kelemahan karena
tidak mempertimbangkan variabilitas kelas.
piksel dengan variasi tinggi berarti mempunyai
piksel yang jarak spektralnya jauh dari nilai
rerata,sering menyebabkan piksel salah
terklasifikasi.
Ø Asumsi dari algoritma ini adalah bahwa
objek homogen selalu menampilkan
histogram yang terdistribusi normal
(gaussian)
Ø Pada algoritma ini piksel dikelaskan sebagai
objek tertentu bukan karena jarak terdekat
terhadap sampel, tetapi dikelaskan
berdasarkan bentuk, ukuran, dan orientasi
sampel pada feature space ( yang berupa
elipsoida)Program akan menghitung
probabilitas suatu piksel untuk menjadi milik
sejumlah kelas/sampel yang telah
ditentukan. Informasi statistik berupa rerata,
simpangan baku tiap sampel,
variansi(ragam) dan kovariansi dibutuhkan
untuk menentukan piksel tersebut masuk ke
kelas/sampel yang mana.
Ø Probabilitas piksel tertinggi pada suatu
k e l a s / s a mp e l t e r t e n t u me n j a d i d a s a r
penentuan piksel tersebut masuk ke dalam
kelas yang mana.
Ø Klasifikasi berdasarkan jarak, menggunakan statistik dari masing-masing kelas. Mirip dengan
klasifikasi maximum likehood tetapi mengasumsikan semua kovarian kelas sama. Metode ini
lebih cepat dibandingkan dengan maximum likehood, semua piksel diklasifikasikan ke kelas ROI
terdekat kecuali jika menggunakan ambang jarak.
Ø Penggunaan nilai ambang jarak menyebabkan kemungkinan beberapa piksel tidak terklasifikasi
apabila tidak memenuhi ambang yang ditentukan..
1. Paralel Epiped 2. Minimum Distance

3. Maximum Likelihood 4. Mahalanobis Distance

 Metode Klasifikasi Rata-rata nilai ground truth

Paralel Epiped 57.142 %

Minimum Distance 91.597 %

Maximum Likelihood 100.00 %

Mahalanobis Distance 98.319 %

Dari tabel perbandingan gorund truth dari masing-masing metode klasifikasi supervised, dapat
disimpulkan bahwa :
1. Berdasarkan nilai ground truth, nilai yang paling tinggi adalah maximum likelihood, tetapi
setelah dilihat dari penampakan antara hasil klasifikasi dan kondisi citra, yang paling mendekati
hasil sebenarnya (penampakan citra) adalah minimum distance.
2. Tingginya nilai ground truth ini kemungkinan disebabkan oleh kurang nya sample yang
dijadikan kontrol untuk menguji hasil klasifikasi.