MULTISPEC : KLASIFIKASI MULTISPEKTRAL SUPERVISED

Kali ini kita akan membahas klasifikasi multispektral supervised, yaitu klasifikasi multispektral yang membutuhkan training sample untuk melakukan klasifikasi, dimana dalam hal ini peran operator penting untuk menentukan training sample. Terdapat beberapa algoritma klasifikasi supervised dalam software multispec, tapi kali ini kita hanya membahas maximum likelihood.

Data yang dibutuhkan dalam tutorial kali ini adalah citra “ag020522_DPAC_cd.lan” yang dapat diunduh melalui link berikut multispect.

Pertama buka citra melalui pilih Menu ‣  Open Image  ‣  pilih ag020522_DPAC_cd.lan maka akan muncul gambar seperti di bawah.

multispec-0401

Pemilihan Training Sample

Pertama kita akan menentukan dan memilih traning sample sebagai acuan klasifikasi multispektral. Pilih menu Processor  Statistics

multispec-0403

maka akan muncul kotak dialog Project Option, dan biarkan seperti default-nya. Klik Ok. Maka akan muncul jendela baru Project pada sebelah kanan jendela multispec.

multispec-0422

Untuk mendapatkan training sample kita harus mendrag atau membuat kotakkan pada citra, jika tidak puas dengan kotakan yang kita buat, kita dapat langsung pindah dengan mendrag lagi pada tempat yang berbeda, jika sudah puas dengan training sample kita, kita bisa langsung tambahkan dengan menekan pada jendela Project: Add To List.

multispec-0404

Setelah menekan Add To List, maka kotak dialog Define Class and/or Field Description akan muncul. Jika kita membuat kelas baru maka pada Class: pilih new, kemudian kita dapat merubah nama pada Enter Class Name: isikan sesuai dengan jenis tutupan lahan yang kita interpretasi. Kemudian Klik OK.

multispec-0405

Jika kita ingin menambahkan training area pada kelas penutup lahan yang sama, pada Class: pilih ‘Pohon’. Lakukan langkah yang sama pada setiap jenis kelas penutup lahan. Hasilnya sebagai berikut.

multispec-0406

Perhatikan Jendela Project, jendela project memiliki empat mode yaitu Select training field mode, The Class list mode, the Field list mode, dan Coordinate list mode. Tombol ‘Select’ mengarahkan kita pada jenis kelas yang telah kita buat. Tombol ‘Field’mengarahkan pada area training sample kita. Tombol ‘Coord’ mengarahkan kita pada koordinat sample.

multispec-0423

Selain itu kita dapat menghapus kelas yang sudah kita buat dengan “Cut Class”, pilih menu Edit  Cut Class

multispec-0408

Catatan : Sebelum melakukan klasifikasi Supervised proses klasifikasi pada klasifiaksi Unsupervised berguna untuk menentukan lokasi – lokasi training sample dan untuk menentukan jumlah kelas penutup lahan.

Tahap Klasifikasi

Kita akan melakukan klasifikasi pada tahap ini, pilih Processor  Classify…

multispec-0409

Maka akan muncul kotak dialog Classification Spesification, pada pilihan Image Selection yang tercentang kita hilangkan centangnya, karena pada tahap ini kita akan menguji kualitas dari training sample. Setelah itu, Klik Ok.

multispec-0410

Sebelum melakukan proses akan muncul Update Project Statistic, maka klik Ok.

multispec-0411

Ketika proses selesai, lihat pada jendela Text Output, disana terdapat keterangan tentang tabel TRAINING CLASS PERFORMANCE (Resubstitution Method) yang menunjukkan bagaimana piksel pada setiap field dan class diklasifikasikan. Resubstitution berarti menggunakan menggunakan proporsi dari training sample yang telah benar terkelasifikasi, meskipun begitu metode ini merupakan metode yang dikenal estimasi akurasinya bias. Perhatikan gambar di bawah, kita dapat lihat akurasinya hampir mendekati 100% pada training sample. Jika kita mendapatkan akurasi yang rendah, katakanlah kurang dari 50% untuk setiap kelas, maka training sample pada kelas tersebut harus diuji kembali dan membuat training sample baru.

multispec-0412

Asumsikan hasil yang telah kita buat sudah baik, maka kita siap untuk melakukan klasifikasi untuk semua area. Pilih Processor  Classify… , pada Area To Classify uncentang Training (resubstitution), dan centang Image Selection. Pastikan seluruh area citra terpilih (line 1 – 709 dan kolom 1 – 1501). Jika tombol berbentuk kotak aktif pada Image Selection, tekan tombol tersebut sehingga seluruh piksel terseleksi. Centang juga pada Write Classification Result To: bagian Disk File dan Image Window Overlay. Kemudian klik Ok.

multispec-0424

Klik Save untuk menyimpan hasil, dan berikan nama sesuai kebutuhan.

multispec-0413

Kita dapat menyimpan project melalui File  Save Project. Training sample yang telah kita buat akan tersimpan dan dapat menggunakannya jika diperlukan pada analisis selanjutnya.

multispec-0414

Sekarang kita buka citra hasil klasifikasi melalui File  Open Image  pilih klasifikasi2.tif (hasil klasifiaksi disimpan dengan nama klasifikasi2.tif).

multispec-0416

Setelah menampilkan citra terklasifikasi “klasifikasi2.tif” memalui menu Project pilih Add as Associated Image untuk memunculkan keterangan training sample pada citra

multispec-0425

Seperti gambar di bawah, sehingga muncul keterangan training sample yang telah kita ambil.

multispec-0418

Kita juga dapat mengubah warna tulisan keterangan sample menjadi hitam dengan menggunakan menu Processor  Statistik, maka muncul kotak dialog Project Option, pada Outline Select Area pada pilihan Color, pilih Black

multispec-0419

Selanjutnya adalah menampilkan peta probabilitas klasifikasi hasil yang menyertai proses klasifikasi, disini keuntungan kita menggunakan software Multispec, dimana kita dapat mengetahui piksel mana yang memiliki probabilitas benar dan salah dalam klasifikasi.  Pilih  File  Open Image  pilih klasifikasi2Prob.tif.

multispec-0420

Maka akan muncul tampilan seperti gambar di bawah.

multispec-0421

Seperti kita dapat lihat, warna biru mengindikasikan bahwa piksel tersebut memiliki probabilitas rendah dikatakan piksel benar dalam klasifikasi, sedangkan warna orange memiliki probabilitas tinggi dikatakan benar.

*** 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