KLASIFIKASI CITRA

Image Classification

?
PROSES MENDAPATKAN ATAU MENDERIVASI
INFORMASI DARI CITRA
 KELAS / KATEGORI APA
Permukaan tanah
diperkeras Vegetasi lebat

Air (waterbody)

 Green Telaga warna PCK-BGR

NIR

Vegetasi jarang

 PAN
 KOMPOSIT
2
KELAS / KATEGORI APA

Bagaimana
mengkelaskannya?

3
Tujuan Utama dalam PJJ
Mendapatkan data/informasi yang dibutuhkan oleh
pengguna (dari data PJJ)
Dari 8 bit data pada citra komposit akan terdapat
sebanyak 16 juta warna, 224 =16,7 juta ??? - SULIT DIEVALUASI
SECARA LANGSUNG – perlu KLASIFIKASI
Mengelompokkan obyek atau fenomena yang ada di
permukaan bumi dari jumlahnya yang sangat besar
menjadi hanya BEBERAPA kelas yang mudah dianalisis
(PENYEDERHANAAN)

4
Apa yang perlu dilakukan oleh analis untuk
mendapatkan hasil klasifikasi yang akurat?

1. Harus membuat skema kelas/kategori:

2. Mengerti variasi pada tutupan lahan
3. Mengerti variasi respon spektral
4. Membuat hubungan antara respon
spektral dengan variasi tutupan lahan

5
I. SKEMA KELAS
Ini TAHAP PENTING  apa yg ingin diperoleh
dari data:
• Berdasarkan apa yang direkam oleh sensor
• berdasarkan apa yang dapat diukur dari
tutupan lahan (bukan penggunaan lahan)

6
SKEMA KELAS / Kategori
Syarat2 skema kelas/kategori
HARUS:
1. Exhausitive: harus membagi habis seluruh tutupan lahan yang ada pada
citra
2. Mutually exclusive, jika mengikuti diagram pohon maka semua kelas
akhirnya dapat digabung atau dimerge menjadi satu kelas . Kelas apapun
dapat dijadikan satu kelas.
3. Mempunyai label dan mempunyai aturan pemberian label

Sebaiknya
4. Hirarkis: kelas-kelas disusun secara hirarkis (diagram
pohon)
7
Contoh kelas
Air  Hirarkis? YA – bisa dijadikan 4
kelas saja
Batu2an dan tanah
Belukar
 Exhaustive? NO – rumput? Lahan
Hutan kosong
Hardwood diperkeras/aspal -
Rapat Masuk kemana?
Sedang
Jarang  Mutually NO – Apa itu
Softwood
Rapat
exclusive? pemudaan? Tidak
Sedang
setingkat dengan
Jarang
softwood/hardwood
Permudaan  Aturan NO – Tidak ada kriteria
lebeling? yang jelas antara
rapat, sedang dan
jarang 8
 BANDINGKAN DENGAN KELAS INI
Badan2 Air
Lahan terbuka (tanah
 Hirarkis?
kosong dg atau tanpa
pengerasan,  Exhaustive?
bangunan2)
Pd rumput
Semak/Belukar
Hutan
Hardwood
Rapat (CC > 75%)
Sedang (CC 33-
 Mutually exclusive?
74%)
Jarang (CC<33%)
Softwood
Rapat (CC > 75%)
Sedang (CC 33-
74%)  Aturan lebeling?
Jarang (CC<33%)

9
SKEMA KELAS KELAS YANG DIBUAT HARUS MEMBAGI HABIS SEMUA
TUTUPAN LAHAN YANG ADA
BUMI

DARATAN LEVEL I PERAIRAN

VEGETASI NON-VEGETASI LAHAN KOSONG

(BARREN LAND –
BEACHES, GRAVEL
HUTAN PERTANIAN URBAN & BUILT UP PIT ETC)

Orchards/
Hardwood Semak/blkr Paddy f Fruit trees
Mixwood Softwood LEVEL II

Pinus Agathis LEVEL III

KU KU LEVEL IV Kelas potensi

KU KU 10
II. MENGERTI VARIASI TUTUPAN LAHAN
Perlu menggunakan:
1. Ekspert lokal yang mengenal wilayah
2. Data pendukung : foto udara, peta-peta, data hasil
inventori, peta sejarah pengelolaan dsb
3. Pengecekan lapangan (Field visit)
a) Rekonaisan (general reconaisance)
b) Pengumpulan data:
 Membawa catatan, potret udara, fotoorto
 Tally sheet (form isian):

11
Field form (tally sheet)
Untuk meyakinkan konsistensi (consistency), keterwakilan
(thoroughness) dan pertanggungjawaban (accountability)
Isi field form:  Posisi slope: punggung/ b atas/
 Lokasi: b tengah/ b bawah/ lembah/
 Tgl…..
datar
 No plot…….
 Persen CC…
 Tipe tutupan……..
 Pengamatan: seedling/ sapling/
pole/ pohon
 Pengamat…….
 Lahan: tergenang / tidk
 Unsup: cluster…..
tergenang / kadang2 tergenang
 Slope….%
 Aspek…..
 Elevasi…..

12
III. Mengetahui respon spektral
Mengetahui respon setiap tutupan secara umum
Mengetahui karakter tutupan dan respon spektralnya
pada setiap band (panjang gelombang)
Mengetahui pengaruh faktor2 luar: shadow, shaded area,
haze, smoke, cloud, musim dsb)

13
IV. Mampu membuat hubungan antara tutupan
lahan dengan sifat2 spektralnya
Klasifikasi: manual vs dijital
Klasifikasi dijital dapat dilakukan dengan 2
pendekatan:
Supervised c. (Klasifikasi Terbimbing)
Unsupervised c. (clustering: K. Tidak
Terbimbing)

14
Interpretasi citra digital
Ada 2 pendekatan:
Pendekatan kualitatif (photointerpretation atau image
interpretation). Memerlukan seorang analis untuk mengektraksi
informasi dari citra melalui inspeksi visual (memerlukan interaksi
interpreter secara langsung, perlu pengambil keputusan yang
tinggi, bagus untuk evaluasi spasial – tetapi kurang bagus untuk
akurasi kuantitatif)
Pendekatan kuantitatif (quantitatif analysis) – menggunakan
komputer untuk memeriksa setiap piksel atau dari citra, dan
mengevaluasinya berdasarkan atribut kuantitatif dari setiap piksel.
Hanya sedikit interaksi manusia (analis).
Perlu buat prototipe, melakukan labelling – sebagian besar mengg. Komputer,
Analis – setting algoritme & membuat prototipe

15
ANALISIS VISUAL
DETEKSI – IDENTIFIKASI – menggunakan
karakter:
SPASIAL, SPEKTRAL & TEMPORAL (tergantung
skill analis dlm interpretasi)
SPASIAL: bentuk-ukuran, orientasi dan tekstur
SPEKTRAL: ref landcover mpk fungsi dari kand.
Khlorofil, biomasa, struktur sel daun/batang,
kand kadar air etc.
TEMPORAL: musim- wetness & dryness
Elemen diagnostik penafsiran: tone/warna,
ukuran, bentuk, tekstur, pola, lokasi dan
asosiasi, bayangan
16
KEBERHASILAN ANALISIS VISUAL
TERGANTUNG PADA KEMAMPUAN (SKILL & KNOWLEDGE) DARI
INTERPRETER ATAU ANALIS DALAM MENGGUNAKAN ELEMEN-
ELEMEN SPASIAL, SPEKTRAL DAN TEMPORAL DARI CITRA

17
KEGIATAN MENDASAR ANALISIS CITRA: DETEKSI,
IDENTIFIKASI, MENGUKUR & MEMBERIKAN SOLUSI
A. KUALITATIF A. KUANTITATIF

TEHNIK Model konsepsual Model matematika

ANAL & Data: literatur, kunci Training area
DATA interpretasi, penguk Data tambahan: prior-
RUJUKAN lab, data lap & probability, informasi
pandangan 3-dim lain – hasil dijitasi
PROSEDUR Interpretasi visual Statistik&
ANALISIS Pemeriksaan lap pengenalan pola
Konvergensi fakta- Teori pengambilan

fakta keputusan
Elemen penaf: Symbolic reasoning

tone/warna, bentuk,
ukurn, teksttur, pola,
tinggi, bayangan, lokasi
& asosiasi
18
KARAKTER KELAS
SPEKTRAL - SPASIAL – TEMPORAL

MIR-NIR-R NIR-R-G Merah = veg

19
Analisis Kualitatif vs Kuantitatif
Interpretasi /klasifikasi oleh interpreter
Pada skala yang relatif besar
dibandingkan dengan ukuran
pikselnya
Analisis multispektral yang terbatas
(maks 3 band/saluran)
Akurasi estimasi luasan yang rendah
Hanya mampu menginterpretasi
tingkat kerahan dalam jumlah yang
terbatas (sekitar 16 tingkat)
Penentuan bentuk yang mudah
Informasi spasial mudah dilakukan
dalam pengertian kualitatif
Analisis / klasifikasi oleh kumputer
Pada skala ukuran piksel
Analisis multispektral penuh
Akurasi luasan yang tinggi
Mampu menganalisis semua tingkat
kecerahan di semua band (256 tk)
Penentuan / pengenalan bentuk
membutuhkan software dan algoritme
yang kompleks
Tehnik yang tersedia untuk
memanfaatkan informasi spasial
masih terbatas
20
KLASIFIKASI
PROSES MENYORTIR ATAU MENGELOMPOKKAN PIKSEL-PIKSEL KEDALAM KELAS-
KELAS ATAU KATEGORI YANG TELAH DITENTUKAN BERDASARKAN NILAI
KECERAHAN YANG BERSANGKUTAN
Classification is the process of sorting pixels into a finite number of
individual classes, or categories of data, based on their data file values. If a
pixel satisfies a certain set of criteria, then the pixel is assigned to the class
that corresponds to that criteria

Bentuk interpretasi-foto citra dijital

ProdukMultispektral Multispektral
Single data Single data

Produk peta foto:

Hitam putih
Berwarna (alami, kombinasi umum)

21
KLASIFIKASI
PROSES MENYORTIR ATAU MENGELOMPOKKAN PIKSEL-PIKSEL KEDALAM KELAS-
KELAS ATAU KATEGORI YANG TELAH DITENTUKAN BERDASARKAN NILAI
KECERAHAN YANG BERSANGKUTAN
Classification is the process of sorting pixels into a finite number of
individual classes, or categories of data, based on their data file values. If a
pixel satisfies a certain set of criteria, then the pixel is assigned to the class
that corresponds to that criteria

Bentuk interpretasi-foto citra dijital

ProdukMultispektral Multispektral
Single data Single data

Produk peta foto:

Hitam putih
Berwarna (alami, kombinasi umum)

22
STATISTIK DATA DIJITAL
DATA DIJITAL: dapat memberikan karakteristik spesifik
setiap band secara numerik dalam bentuk nilai DN (BV)
DATA NUMERIK: bermanfaat u/ memberikan infor statistik
untuk peubah tunggal maupun ganda

23
Data statistik citra dijital:
band tunggal - Univariate
Nilai minimum
Nilai maksimum
MIR
Nilai rata-rata
(tengah)
Mean: 94.8
Simpangan baku STD: 30.7

(Standard deviasi)
Frekwensi
31 157

24
DATA STATISTIK CITRA: SPOT 5
GREEN
RED
Mean: 58..4
STD: 18.5 Mean: 47.3
STD: 20.3

45 86 29 89

NIR MIR
Mean: 68.9 Mean: 94.8
STD: 21.8 STD: 30.7

27 117 31 157

Semakin kecil panjang gelombang – pengaruh atmosfer semakin besar –

offset BV semakin besar (nilai minimumnya besar) 25
Data statistik citra dijital multiband
Nilai minimum Peubah ganda
Nilai maksimum (multiband)
Nilai rata2 +
(tengah) Korelasi antar band
Simpangan baku Ragam peragam
(Standard deviasi)
Frekwensi

26
Pengkajian nilai statistik DN dari citra
Data statistik: dapat memberikan data statistik
spesifik dari citra masing2 band secara kuantitatif
Data piktorial hanya untuk interpretasi
Informasi spesifik citra tunggal (Univariate of DN):
Nilai Minimum – Nilai maksimum
Standar deviasi – Nilai Tengah - Frequency
Informasi citra Komposit (Multivariate of DN)
Vector of mean
Ragam –peragam (Variance-covariance)
Koefisien korelasi
Manfaat:
Pemilihan band (feature selection)
Evaluasi redundancy data
Klasifikasi (separabilitas)

27
Data statistik citra dijital multiband
Manfaat statistik multiband (peubah ganda):
1. Mengetahui redundancy: KORELASI TINGGI ~ menyatakan
redundancy (r tinggi), cari yang korelasinya rendah agar variasi tinggi
2. Mengetahui kualitas informasi: COVARIANCE: MPK JOINT MEASURE
ANTAR BAND TERHADAP RATA2 UMUMNYA (COMMON MEAN) –
Variance/covar tinggi ~ KUALITAS INFORMASI bagus
3. Mengetahui karakteristik kelas/tutupan lahan:
Misalnya
1. DN band NIR > RED  VEGETASI LEBAT
2. DN NIR < RED  VEGETASI JARANG
3. DN NIR & RED rendah  lahan basah
4. DN NIR & RED tinggi  lahan kering

28
Notasi statistik
X = vektor kolom dari x1,….. Xn
µ=
mi= k vektor kolom dari rata2 untuk kelas ke i
Matrik ragam-peragam untuk kelas ke i= i = Ci
Ragami = SSx / (n-1)
Peragam = SPx / (n-1)

29
 STATISTIK
COVAR (SUM OF PRODUCT)
SPkl = (DNik – µk)(DNik-µl)
= (DNikDNil) – (DNikDNil)/n

n = jumlah piksel Covar terkoreksi

 =SP /(n-1)
k.. l = nomor band
i … = nomor piksel kl kl

Korelasi
Rkl = SPkl / (SSk SSl)0.5
Batas akhir kuliah tg 14/11/05
30
 NOTASI
X = X1 X - mi = X1– m1i
X2
X2 – mni
.. TRANSPOSE

XN ..
XN – mni

Ci= i = 11 ………………..1i

2i………………….. 2i
.. XT = [X1… X2 .. XN]

ni………………… ni
T = transpose matrik/vektor – lajur/kolom jadi baris, baris jadi lajur/kolom 31
ANALISIS KUANTITATIF
Supervised classification
(Klasifikasi terbimbing) Analis
melakukan pengambilan contoh untuk
setiap setiap cover yang akan dianalisis
Unsupervised classification
(Klasifikasi tidak terbimbing
Tanpa bantuan/informasi pendahuluan

32
Supervised VS Unsupervised Classification

REKTIFIKASI REKTIFIKASI

TRAINING AREA Clustering: Hierarchical (k-mean) &

non-H (ISODATA)

ANALISIS SEPARABILITAS
EVALUASI KELAS
EVALUASI KELAS
(DENDROGRAM)

KLASIFIKASI CITRA
KLASIFIKASI CITRA

EVALUASI AKURASI EVALUASI AKURASI

33
KLASIFIKASI TERBIMBING & TIDAK TERBIMBING
(SUPERVISED & UNSUPERVISED CLASSIFICATION)

K. TERBIMBING
1. Kemungkinan/peluang maksimum (Maximum Likelihood
Classifier)
2. Parallelepiped/ multilevelsliced/ Box classifier
3. Jarak Minimum (Minimum distance)

K. TIDAK TERBIMBING
1. Mahalanobis Distance
2. Euclidean Distance
3. Minkowsky Distance (Interpoint)

34
KLASIFIKASI TERBIMBING (SUPERVISED CLASSIFICATION)
Kelas2/kategori yang akan dibuat
ditentukan oleh analis – mengg.
Training area
 Sejumlah piksel yg mpk
PROTOTIPE dari masing2
kelas
Asumsi:
 Variasi pola peubah ganda DN
mempunyai hubungan yang
sangat erat dengan kondisi
penutupan lahan
 Penutupan yang sama akan
mempunyai reflektansi yang
sama (DN yg sama) dimana
pun berada), shg nilai statistik
DN dari suatu set piksel dpat
digunakan untuk
mendefinisikan “decision rule”
dlm klasifikasi
 CLASS SIGNATURE:
penciri dari kelas
Tergantung algoritme:
 Maximum likelihood c.:
vektor rata2, ragam –
peragam, peluang
pendahuluan (prior
probability)
 Parallelepiped
c./multilevelsliced c:
minimum, maksimum atau
rata2 dan standar deviasi)
 Minimum Distance
(Jarak Euclidean) :
vektor rata2.
 Mahalanobis Distance (J.
Mahalanobis), vektor rata2
dan ragam-peragam
35
BENTUK TRAINING AREA
TIDAK BAIK JUMLAH PIKSEL MINIMAL N+1 agar
matrik tidak singular (matrik kebalikan
tidak bisa dihitung)
BAIK

BAIK Prakteknya, 10N ~ 100N

Bentuk minimal 3 x 3 piksel

TIDAK BAIK

36
 1
Nilai pixel per band
Klasifikasi Citra
2 Kode kelas pd citra terklasifikasi
3

4 KLASIFIKASI

DATA SPOT5, 4 BAND (1 2 3 4)

37
 Masing2 kelas dimodelkan dg MULTIDIMENSIONAL NORMAL
distribusi normal: mean DISTRIBUTION
vector & varcovar
MIR
NIR
Tanah
kosong

vegetasi

x
Masuk ke kelas mana
piksel ini

Air
Tergantung pada
R
peluangnya masuk ke
masing2 kelas

1 t 1
P( x)  exp{1 / 2( x  m)  ( x  m)}
(2 ) N / 2 
1/ 2
38
METODE STANDAR: PELUANG MAKSIMUM (MLM)
Fungsi peluang dari masing-masing kelas (Distribusi normal multivariate)
1 t 1
P( x)  exp{1 / 2( x  m)  ( x  m)}
(2 ) N / 2 
1/ 2

1 1 / 2 MD Mahalanobis Distance
P( x)  e
(2 ) N / 2 
1/ 2 1 / 2
P( x)  (2 ) N / 2
 e 1 / 2 MD
Peluang vektor x (Nilai DN per band) masuk ke kelas wi adalah:

P( x / i )  p(i ) p ( x)
ln P( x / i )  ln p(i )  ln p ( x)  gi ( x)

g i ( x)  ln p( i )  1 / 2 ln 2 1 / 2 ln  i  1 / 2MD
39
 METODE STANDAR: PELUANG MAKSIMUM (MLM)

g i ( x)  ln p( i )  1 / 2 ln 2 1 / 2 ln  i  1 / 2MD
g i ( x)  ln p( i ) 1 / 2 ln  i  1 / 2 MD Konstanta (dapat
dihilangkan) krn
Fungsi diskriminan tdk mempengaruhi
nilai peluang
Peluang terbesar
x c
gi (x) X masuk ke kelas yang hasil
peluangnya terbesar (nilai
terbesar)

Jika prior probabilitynya sama, maka ln p(w) juga dapat dihilangkan (artinya tidak
Menggunakan probability) sehingga:

g i ( x)  1 / 2 ln  i  1 / 2 ( x  m) t  1 ( x  m)
g i ( x)   ln  i  ( x  m) t  1 ( x  m)
Kaidah pengambilan keputusannya (decision rule)
gi(x) > gj(x) untuk semua i tidak sama dengan j 40
 THRESHOLD MULTIDIMENSIONAL
NORMAL DISTRIBUTION

PELUANG SANGAT
KECIL KE KELAS2 YANG
ADA

Perlu threshold(mempertimbangkan peluang

Piksel yang terlalu kecil sbg unclassified
41
Thresholding MLM
g i ( x)  Ti
{ ln p ( i ) 1 / 2 ln  i  1 / 2 ( x  m) t  1 ( x  m)}  Ti
Menyebar sec. Chi_square
{ ln p ( i ) 1 / 2 ln i  1 / 2 2 }  Ti

Ti { ln p( i ) 1 / 2 ln i  1 / 2  } 2

Kaidah pengambilan keputusannya

gi(x) > gj(x) untuk semua i tidak sama dengan j
gi(x) > Ti

Ada kemungkinan kelas yang “unclassified” – tidak terkelaskan

kemanapun

42
METODE STANDAR: JARAK MINIMUM MAHALANOBIS
g i ( x)  ln p( i ) 1 / 2 ln  i  1 / 2 MD Jika determinan
variance covar
tidak banyak
g i ( x)  1 / 2 ( x  m) t  1 ( x  m) Disederhanakan mempengaruhi
menjadi minimum (sangat kecil) maka
distance dapat diabaikan
g i ( x)  ( x  m) t  1 ( x  m)
Kelas yang terpilih adalah yang mempunyai nilai minimum
Kaidah pengambilan keputusannya
gi(x) < gj(x) untuk semua i tidak sama dengan j

Jarak terdekat (minimum)

X masuk ke kelas
x c
yang hasil nilainya
terkecil
43
METODE : JARAK MINIMUM EUCLIDEAN
1
g i ( x )  ( x  m)  ( x  m)
t
Jika inverse
variance covar
tidak banyak
g i ( x )  ( x  m) t ( x  m) Disederhanakan
menjadi minimum mempengaruhi
distance dg jarak (sangat kecil) maka
SQUARED EUCLIDEAN DISTANCE Euclidean (Prinsip dalil dapat diabaikan
Phytagoras)

Kelas yang terpilih adalah yang mempunyai nilai minimum

Kaidah pengambilan keputusannya
gi(x) < gj(x) untuk semua i tidak sama dengan j

Jarak terdekat
X masuk ke kelas
x c
yang hasil nilainya
terkecil
44
MULTILEVELSLICED
VEGETASI
TANAH KOSONG

Box classifier
Parallelepiped classifier

Ada ambang atas dan ambang

Bawah dari setiap band atau
Layer yang digunakan
AIR

Penentuan ambang dapat dengan batas minimum – maksimum DN atau

menggunakan data standar deviasi terhadap mean
45
KELEMAHAN MULTILEVELSLICED
Pada sebaran DN yang berbentuk elip maka akan terjadi konfusi,
Atau overlap antar kelas yang bedekatan – mpk sumber kesalahan
(menurunkan akurasi

VEGETASI TANAH KOSONG Overlap (konfusi)

46
Ambang Multilevel sliced
Cari ambangnya dengan nilai statistik yang ada
X E wi, jika dan hanya jika
ambang bawah < Xi < ambang atas

Bvijk masuk ke kelas C, jika dan hanya jika

Mean_ck - SDck< BVijk < Mean_ck + SDck

Ambbwah_ck< BVijk < Ambatas_ck

C=1 ……. M = jumlah kelas

K=1………n= banyaknya band yang digunakan
47