Principal Component Analysis (PCA) dapat diaplikasikan untuk meringkas data yang banyak dan mengalami pengulangan atau sama dengan data lainya (dengan kata lain saling terdapat korelasi) menjadi lebih sedikit atau beberapa layer saja. PCA dapat digunakan untuk mentransformasikan satu set saluran citra menjadi satu set citra baru yang disebut component dimana setiap saluran tidak memiliki korelasi antara satu saluran dan saluran yang lain. Karena setiap component tersebut membawa informasi baru. Component tersebut disusun berdasarkan jumlah variansnya, saluran component tiga pertama akan berisi hampir seluruh informasi dari dari data set asli, dimana saluran component lainya hanya berisi varians yang minor dan kadang – kadang hanya noise. Satu component pertama saja kita sudah dapat menyimpan banyak informasi di dalamnya. Component – component tersebut dapat digunakan untuk menciptakan citra komposit RGB, bisanya component 1 sebagai merah, compoenent 2 sebagai hijau, dan component 3 sebagai biru. Kombinasi dari ketiga component tersebut lebih tinggi dari kombiasi saluran manapun dalam satu data set terkait.
Untuk menampilkan PCA, sumbu ruang spektral dirotasikan dan sumbu baru tersebut paralel terhadap sumbu elips (lihat gambar di bawah). Panjang dan arah pada transek paling lebar dari elips kemudian dihitung. Transek yang terpanjang (major) dari elips akan menjadi principal component pertama dari data. Arah dari principal component pertama merupakan eigenvector pertama, dan varians yang muncul adalah eigenvalue pertama. Sumbu baru pada ruang spektral didefinisikan oleh principal component pertama. Titik – titik pada scatter plot sekarang memiliki koordinat baru yang sesuai dengan sumbu baru tersebut. Karena berada dalam ruang spaektral, koordinat dari titik – titik tersebut adalah nilai piksel, nilai piksel baru diciptakan dan disimpan pada principal component pertama.
(Sumber: Tutoril Ilwis 06)
Principal component kedua adalah transek terlebar dari elips yang tegak lurus (orthogonal) denga principal component pertama. Principal compoenent kedua (PC2) mendeskripsikan atau berisi varians yang belum dideskripsikan oleh principal component pertama (PC1). Pada ruang dua dimensi, PC2 merupakan sumbu minor pada elips. Pada n-dimensi terdapat n principal component yang setiap component tersebut berisi transek terlebar yang tegak lurus dengan komponen sebelumnya. Gambar di bawah menjelaskam hasil dari Principal Component Transformation dimana data ditampilkan tidak ada yang berkorelasi.
(Sumber: Tutoril Ilwis 06)
Melalui jenis tranformasi ini hubungan dengan citra asli akan hilang. Dasar dari tranformasi ini adalah matrix kovarians dimana nilai eigenvalue dan eigenvector diturunkan. Dan yang menjadi catatan adalah nilai kovarians yang dihitung tergantung dari data asli citra. Jadi dapat kita simpulkan bahwa jenis tranformasi PCA yang digunakan Ilwis adalah berdasarkan matrix kovarians dan bukan matrix korelasi. Mari kita segera mulai tutorial untuk menciptakan PCA melalui Ilwis. Pertama jika kita belum memiliki data yang terimpor pada Ilwis, kita akan mengimpornya, pilih pada menu File ‣ Import…
maka akan muncul kotak dialog Import, pilih pada Geospatial Data Abstraction Library(GDAL) dan pilih GeoTIFF karena data yang akan kita gunakan adalah citra Landsat dengan format .TIFF (LE7_20000606_Indy_subset 1 -5 dan 7) jika kita menggunakan data dengan format lain pilih format lainya.
Maka akan muncul kotak dialog Input File, pilih yang kita butuhkan dan klik Open
Maka akan muncul sebagai berikut di bawah.
Sekarang kita siap untuk membuat PCA, pada Operation-Tree pilih Statistic ‣ MapList ‣ Principal Component
Maka akan muncul kotak dialog Principal Component yang muncul, karena kita membutuhkan Map List, maka pilih icon untuk membuat map list seperti gambar di bawah,
Kemudian akan muncul kotak dialog Create MapList, berinama sesuai dengan kebutuhan kita dan pindahkan semua citra atau yang hanya kita butuhkan ke sebelah kanan. klik OK
Kembali ke kotak dialog, dan isikan nama Output Matrix, dan pilih Define
Jika kita tidak menemukan apapun icon maplist maka, klik kanan pilh Show ‣ All Objects
Maka hasil PCA kita akan muncul dalam bentuk icon maplist, dan tabel koefisien, klik pada icon untuk mengetahui isi di dalamnya, dan klik juga tabel icon tabel koefisien
Berikut hasil dari tabel Pricipal Components Coefficients yang berisi nilai varians PCA, PC1 – PC6 dan prosentase vaeians PCA. disana juga terdapat koefisien atau PC loadings PCA yang berguna untuk membuat saluran PC.
Kita akan mencoba membandingkan dengan PC loading hasil Bilko dengan PCA matrix kovarians dan hasilnya sama, hal tersebut memperkuat bahwa matrik yang digunakan dalam Ilwis adalah matrix kovarians.
Ketika kita membuka maplist saluran asli kita akan mendapatkan saluran asli dan nilai OIF, yang merupakan nilai yang menyatakan gabungan dari saluran mana saja yang memiliki varians paling tinggi.
Periksa citra PC, kita akan mendapati domain dari citra tersebut adalah value yang merepresentasikan nilai floating atau desimal, seperti ketinggian. Kita tidak bisa membuat citra komposit jika domain citra selain image, oleh sebab itu kita akan mengubahnya dahulu menjadi domain image. Ketika kita langsung mengubah domain menjadi image maka citra PC akan berubah menjadi tidak jelas. Oleh sebab itu kita akan mengubahnya dengan merentangkan nilainya memalui stretch, pilih Operation-Tree pilih Image Processing ‣ Stretch
Maka akan muncul kotak dialog Stretch, dan pilih citra yang akan direntangkan, pilih Linear Stretching karena tidak akan merubah bentuk kurva citra dengan kata lain tidak ada banyak perubahan. Isikan Output Raster Map sesuai kebutuhan kita.
Sebelum membuat citra komposit, kita akan membuat manual saluran PC melalui nilai koefisiennya yang di buat melalui script. Pilih menu File ‣ Create ‣ Script…
Pada jendela Script, isikan formula untuk membuat saluran PC , berikut formulanya
pc1 = a*band#1 + b*band#2 + c*band#3 + d*band#4 +e*band#5 +f*band#7,
dimana huruf a – f adalah koefisien PC loadingnya.
Tekan tombol play pada jendela scrip, maka akan muncul kotak dialog Save As untuk menyimpan script kita dan proses dijalankan.
Setalah selesai maka akan muncul citra baru dengan ana PCA1, sesuai dengan nama yang kita buat. Buka PCA1 dan bandingkan dengan citra hasil otomatis proses PCA, maka kita akan mendapatkan citra yang sama.
Selanjutnya jika kita ingin mengubah tampilan citra default kita menjadi hitam putih (grayscale) maka pada jendela tampilan , pilih PCA1, Display Tools, Potrayal, dan kilk dua kali pada Representation, maka akan muncul Set Represntation, ganti dari PSEUDO menjadi GRAY
Berikut adalah hasilnya , citra hitam putih.
Selanjutnya kita akan membuat komposit RGB, pilih Operation-Tree pilih Image Processing ‣ Color Composite maka akan muncul kotak dialog Color Composite,
Pada saluran merah isikan pc1, pada saluran hijau isikan pc2, dan saluran biru pc3 dan biarkan default yang lain.
Berikut adalah hasilnya, citra akan terlihat lebih barvariasi objek yang ditonjolkan,
Bandingkan dengan citra komposit inframerah dekat yang hanya menonjolkan vegetasi. Kembali ke Color Composite dan isikan komposit 4, 3, 1 seperti di bawah.
Berikut adalah hasilnya, lihat dan bandingkan dengan citra komposit PC, maka akan terlihat jelas bedanya.
Sumber : Ilwis Tutorial chapter06 (52north.org/communities/ilwis/ilwis-open/user-guide)
*** SEMOGA BERMANFAAT ***
