BILKO: KLASIFIKASI MULTISPEKTRAL UNSUPERVISED

Tujuan : Mengenalkan kita bagaimana menggunakan klasifikasi multispektral supervised dan unsupervised pada citra penginderaan jauh.

Target : Pada akhir tutorial ini kita akan belajar 1) bagaimana menggunakan klasifikasi multipsektral unsupervised  2) bagaimana memasukkan data lapagnan ke dalam tabel klasifikasi supervised 3) bagaimana menggunakan klasifikasi multispektral supervised menggunakan data lapangan 4) bagaimana menguji akaurasi hasil klasifikasi multispektral.

Citra Ikonos dengan empat saluran (ukuran pikse 4 m) dari area Hertfordshire, Inggris akan digunakan dalam tutorial ini untuk mengenalkan klasifikasi multispektral supervised dan unsupervised. Klasifikasi unsupervised adalah klasifikasi dimana komputer (dalam kasus ini, Software Bilko) menampilkan klasifikasi yang otomastis menggunakan statistik untuk memisahkan piksel berdasarkan kluster – klusternya.  Klasifikasi supervised adalah klasifikasi dimana kita memberitahu komputer berdasarkan apa yang telah kita ketahui sebelumnya (biasanya yang kita dapatkan berdasarkan survey lapangan) piksel termasuk dalam kategori apa bersarkan sesuai kenyataan di lapangan.  Setelah kita “mengajari / memberitahu” komputer tentang perbedaan objek – objek yang akan diklasifikasi, kemudian komputer akan mencoba memasukkan piksel – piksel yang lain sesuai dengan kategori atau jenis objek yang paling memiliki kesamaan.

Pertama, kita akan dinstrusikan oleh Program Bilko untuk menjalankan klasifikasi unsupervised tanpa mempertimbangkan panduan kita. Normalnya, peneliti menjalankan klasifikasi unsupervised terlebih dahulu (sebagai bentuk penjelasan awal), sebagai panduan survey lapangan dengan mengidentifikasi lokasi yang memiliki pola spektral berbeda pada citra yang seharusnya menjadi groundtruthed , atau untuk mengidentifikasi area yang cendrung sama, dimana kita (operator) dapat memasukkan pada klas penutup lahan berdasarkan pengetahuan sebelumnya terhada area, peta – peta, atau data lain.

Ground-truthing diambil dalam 1x 1 km pada citra Ikonos (training area), sekitar 10% dari seluruh citra. Sisa area 90% dari citra akan diklasifikasikan menggunakan informasi dari training area. Beberapa klas objek (habitat) yang akan diklasifikasi adalah sebagai berikut ; yang paling primer adalah jenis vegetasi dan pertanian.

bilko-1201

Untuk klasifikasi supervised, kita akan belajar bagaimana cara mendefinisikan “training sample” menggunakan data hasil survey lapangan yang telah dilakukan sebelumnya. Training sample adalah area dalam citra yang telah diketahui jenis objeknya. Kita selanjutnya akan menjalankan klasifikasi supervised menggunakan tabel data training area, yang merupakan tabel yang digunakan untuk mendefinisikan setiap klas objek sebelum secara statistik setiap piksel dimasukkan pada klas objek tertentu.

Setelah kita mengklasifikasikan citra menggunakan informasi ground-truth , kita akan menguji  akurasi dari hasil klasifikasi supervised yang telah kita lakukan. Untuk setiap objek yang sudah diketahui jenisnya (tipe penggunaan lahan, jenis pertanian, dan lain sebagainya), uji akurasi ini memberikan kita gambaran probabilitas bahwa piksel hasil klasifikasi sudah sesuai dengan objek dilapangan sebenarnya, disebut sebagai overall accuracy. Jika satu dari objek yang kita pilih sering dan cendrung sulit dibedakan (campur aduk (mixing)) dengan objek lainya oleh komputer , maka kita dapat menggabungkan (merge) kedua objek tersebut menjadi satu klas objek untuk meningkatkan hasil akurasi klasifikasi.

Pertama kita akan membuka satu set citra Ikonos, Ikonos_Herts_initial.set. Pilih menu File Open pilih set citra Ikonos_Herts_initial.set dan pada dialog box Redisplya Image pilih Auto linear stretch, kemudian klik Ok.

bilko-1203

Kita akan mlihat citra Ikonos dengan empat saluran. Untuk menampilkan secara keseluruhan, zoom citra sekitar 40 % . perhatikan citra tersebut terletak pada sebagian besar daerah rural dengan kota yag besar (Harpeden) di bagian tenggara citra dan sebuah motorway (M1) melintas dari utara – selatan ke barat dari pusat citra.

bilko-1202

Klasifikasi Unsupervised

Pertama, kita akan menjalankan klasifikasi unsupervised. Selama penggambilan ground-truthing di lapangan didapatkan 17 jenis penutup lahan dan sangat direkomendasikan ketika menjalankan klasifikasi unsupervised, klas (cluster) penutup lahan dibuat menjadi dua kali klas yang ada dilapagan. Jadi, mari kita mulai menjalankan Bilko untuk mengklasifikasi menjadi 32 klas. Ketika klasifikasi unsupervised telah mengidentifikasi klas (klas yang memiliki kesamaan spektral), kita kemudian butuh untuk menghubungkan kluster hasil klasifkasi dan jenis tutupan lahan dilapangan dan pada prosesnya kemungkinan kita akan menemukan penutup lahan yang bisa direpresentasikan menjadi lebih dari satu klas. Pada kasus seperti itu, kita butuh untuk menggabungkan (merge) klas tersebut menjadi satu klas penutup lahan yang sama. Untuk membantu kita mengidentifikasi klas hasil klasifkasi dengan jenis penutup lahan di lapangan, hasil klasifikasi supervised – maximum likelihood disediakan di bawah.

bilko-1216

Kita akan melakukan klasifikasi unsupervised terhadap citra Ikonos yang sudah tergabung menjadi satu (stacked), pilih menu Image Classify Unsupervised.

bilko-1204

Pada kotak dialog box Unsupervised Classification, pilih pada tombol Browse san pilih Qualitative_32.pal, yang merupakan pallete untuk memberi warna pada hasil klasifikasi.

bilko-1206

Untuk number of clusters : 32, number of iterations : 16, dan convergence threshold : 95% biarkan tetap seperti itu. Kemudian klik Ok, seharusnya klasifikasi akan selesai pada iterasi ke 6,

bilko-1207

Maka klasifikasi unsupervised akan menghasilkan 1) tabel Classifying (klasifikasi), dan citra Classifying (citra hasil klasifikasi).

Tabel Classifying adalah tabel yang berisi jumlah klaster yang terbentuk, seperti pada kolom pertama, kolom kedua beririsa warna untuk setiap klas, kolom ketiga berisi Merge (menggabungkan klas yang memiliki jenis yang sama), dan kolom empat dan seterusnya merupakan nilai mean dari setiap  saluran citra.

bilko-1209

Pada citra hasil klasifikasi (Classifying) setiap piksel dimasukkan kedalam salah satu dari 32 klas dan diberi warna sesuai yang telah didefinisikan dalam pallete Qualitative_32.pal.

bilko-1208

Teliti citra hasil klasifikasi dan bandingkan dengan citra klasifikasi maksimum likelihood di atas, kemudian coba untuk mengidentifikasi warna dan klas mana (hasil klasifikasi) yang dimaksud terhadap citra maksimum likelihood.

Bilko  menggunakan k-means clustering untuk menjalankan klasifikasi unsupervised seperti yang dideskribsikan dalam Mather (1999: Ch. 8.3). Klasifikasi unsupervised berguna untuk mengidentifikasi lokasi area yang memiliki pola spektral yang relatif sama dan merencanakan perencanaan untuk survey ground-truthing. Meskipun begitu terdapat perbedaan beberapa objek yang tidak terlihat atau sedikit sekali perbedaannya antar jenis pertanian yang ada tidak dapat dibedakan sehingga terklasifikasi sama, meskipun perbedaan antara tubuh air, jenis pertanian, dan bangunan dapat dibedakan secara jelas.

Untuk memperbaiki hasil klasifikasi unsupervised, kita akan menggabungkan klas yang memiliki tipe objek sama, menggunakan kolom Merge  pada tabel klasifikasi. Dan kita juga dapat melihat bagaimana setiap klas hubungan setiap klas ( seberapa sama) dengan mengganti tampilan menjadi dendogram. Pertama kita akan menggabungkan klas dan melihat bagaimana menampilkan dendogram.

Sebagai contoh, kita akan menggabungkan klas 2 dan 3. Pilih pada tabel klasifikasi dan pilih cell pada baris ke 4 kolom Merge, setelah kita memilih cell tersebut maka akan muncul pilihan drop down, dan jika kita ingin mengubah klas 3 menjadi klas 2 maka pilih 2.

bilko-1210

Kita akan melihat warna akan berubah menjadi kuning sesuai dengan klas 2, dan begitu juga tamlilan pada citra akan berubah menjadi kuning pda objek yang diubah klasnya.

bilko-1211

Dengan jendela tabel klasifikasi sebagai jendela yang aktif, pilih pada menu View Dendrogram  ,

bilko-1212

kita akan melihat bagaimana klas yang berbeda terhubung secara bersama – sama, perhatikan baik – baik, bahwa di sana terdapat dua klas dengan label “2” dan keduanya sangat mirip. Jadi dengan diagram ini kita bisa tahu klas mana yang memiliki kemiripan dengan klas yang lain, sehingga kita bisa mempertimbangkannya sebagai bahan merge.

bilko-1213

Untuk mengembalikan menjadi tabel kembali tinggal kembali pada menu View Dendrogram  ,  yang sebelumnya terpilih menjadi tidak terpilih. Sebagai tambahan, kita dapat menampilkan diagram dan dendogram bersama – sama. Pilih menu Window New Window

bilko-1214

Maka kita dapat melihat secara bersamaan antara tabel klasifikasi dan dendogram sehingga lebih mudah untuk menganalisis klas mana yang perlu digabungkan.

bilko-1215

Sumber :  Introduction to using the Bilko 3 image processing software

*** SEMOGA BERMANFAAT ***

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s