Klasifikasi Citra Digital (ENVI 4.5)

Klasifikasi citra merupakan teknik yang digunakan untuk menghilangkan informasi rinci dari data input untuk menampilkan pola-pola penting atau distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari citra tersebut diperoleh informasi yang bermanfaat atau sesuai dengan keperluan. Untuk pemetaan penutup lahan, hasilnya bisa diperoleh dari proses klasifikasi multispektral citra satelit. Klasifikasi multispektral sendiri andalah algoritma yang dirancang untuk menyajikan informasi tematik dengancara mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral.

Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang diambil guna menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra terdapat dua cara umum yang sering digunakan yaitu supervised  dan unsupervised.

Supervised (dengan bimbingan)

Pada metode ini, analis terlebih dahulu menentukan beberapara training area (daerah contoh) pada citra sebagai kelas kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam cita mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode ini, nails mengidentifikasi kelas infomasi terlebih dahulu yang kemudian digunakan untuk menenyukan kelas spektral yang mewakili kelas informasi tersebut. Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini antara lain :

1.      Parallelepiped

Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan data multispektral. Batas-batas keputusan merupakan parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.

2.      Minimum Distance

Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.

3.      Mahalanobis Distance

Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas.

4.      Maximum Likehood

Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi

5.      Spektral Angle Mapper

Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk mencocokkan piksel untuk spektra acuan. 

6.      Spectral Information Divergence

Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum referensi. Semakin kecil divergensi, semakin besar kemungkinan piksel serupa. Piksel dengan pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan tidak diklasifikasikan.

7.      Binary Encoding

Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir anggota menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di atas rata-rata spektrum, masing-masing. Dapat membandingkan setiap spektrum referensi yang dikodekan dengan spektrum data yang disandikan dan menghasilkan klasifikasi citra. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar dari band yang cocok, kecuali jika ditentukan batas minimum pertandingan, dalam hal ini beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.

8.      Neural Net

Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural.

9.      Support Vector Machine

Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas dengan permukaan keputusan yang memaksimalkan margin antara kelas.

 Unsupervised (tanpa bimbingan)

 Cara kerja metode ini merupakan kebalikan dari metode supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer ke dalam kelas-kelas spektral menggunakan algoritma klusterisasi. Dalam metode ini, di awal proses biasanya analis akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas objek terhadap kelas-kelas spektral yang telah dikelompokkan oleh komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas. Misal class 1, class 2, dan class 3 misalnya adalah hutan, perkebunan, sawah maka analis bisa mengelompokkan kelas-kelas tersebut menjadi satu kelas yaitu kelas vegetasi. Jadi, pada metode ini tidak terdapat campur tangan manusia. Algoritma yang bisa digunakan untuk menyelesaikan metode ini adalah :

1.      Isodata

Mengklasifikasikan kelas secara merata. Piksel-piksel diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan mereklasifikasi piksel sehubungan dengan cara baru. Iteratif membelah kelas, penggabungan, dan menghapus dilakukan berdasarkan parameter input threshold. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.

2.      K-means

Menggunakan pendekatan analisis kelas yang mengharuskan analis untuk memilih jumlah kelas yang berlokasi di data, sewenang-wenang ini menempatkan sejumlah pusat klaster, kemudian iteratif repositions mereka sampai keterpisahan spektral yang optimal dicapai. Klasifikasi ini juga menggunaka teknik jarak minimum. Setiap iterasi kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara baru. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified  jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.

Sumber : ENVI User's Guide