BILKO : KLASIFIKASI MULTISPEKTRAL SUPERVISED

Tutorial kali ini kita akan membahas klasifikasi multispektral supervised menggunakan software bilko. Kita akan mempelajari beberapa hal dalam poses klasifikasi unsupervised diantaranya adalah 1) memilih  sebuah class table, 2) menambahkan dua komposit warna ke dalam satu stacking citra, dan 3) memilih beberapa training sample berdasarkan data lapangan. Data citra yang kita gunakan adalah Ikonos_Herts_sm#xxx yang sudah dijadikan satu dalam Ikonos_Herts_initial.set, dimana data dapat diunduh pada BILKO.

Setelah proses unduh data selesai, melalui menu File Open Ikonos_Herts_initial.set. Maka akan muncul kotak dialog Redisplay Image, pilih jenis penajaman citra pada Use: Auto linear stretch, kemudian tekan tombol All

bilko-1301

Maka akan ditampilkan satu set citra Ikonos saluran 1 sampai 4 (biru, hijau, merah, dan inframerah dekat), amati setiap perbedaan citra untuk lebih memahami. Pilih Selector dan gunakan <Tab> untuk menampilkan saluran citra selanjutnya.

bilko-1302

Dengan Ikonos sebagai jendela yang aktif, pilih menu Image Classify Supervised

bilko-1303

Maka akan muncul kotak dialog Supervised Classification, pilih Browse…

bilko-1304

Kemudian pilih Herts landuse classes sm.tbl, dan tekan tombol Open. File tersebut berisi seluruh kelas klasifikasi penutup lahan yang akan kita kita gunakan. Jika kita hanya menggunakan saluran citra hitam putih maka kita kurang bisa menginterpretasi dengan baik, oleh sebab itu biarkan Add a composite view tercentang  dan kemudian klik Oke, pada kotak dialog Supervised Classification

bilko-1305

Kotak dialog Add composite akan muncul seperti gambar di bawah. Pertama kita akan menambahkan komposit warna citra asli, yaitu saluran merah kita isi dengan Ikonos_Herts_sm#3 (merah), Ikonos_Herts_sm#2 (hijau), dan Ikonos_Herts_sm#1 (biru). Klik OK dengan tetap membiarkan Add a composite view tercentang  karena kita kan menambah satu kompsit warna lainya.

bilko-1307

Maka akan muncul citra komposit asli seperti gambar di bawah.

bilko-1309

Komposit warna yang lain kita akan isi dengan Ikonos_Herts_sm#4 (saluran merah), Ikonos_Herts_sm#2 (saluran hijau), dan Ikonos_Herts_sm#1 (saluran biru). Klik Ok dan Add a composite view biarkan tidak tercentang. Hasil seperti gambar di bawah.

bilko-1308

Selain dua citra komposit tersebut juga akan muncul Herts landuse classes sm.tbl dan tabel kosong training sample klasifikasi supervised. Kita dapat melihat pada Herts landuse classes sm.tbl terdapat tiga kolom yaitu Description, Label, dan Color. Description merupakan deskripsi setiap kelas klasifikasi, Label merupakan label yang kita beri terhadap kelas klasifiaksi, dan Color merupakan warna kelas hasil klasifikasi kita.

bilko-1310

Tabel training sample (TS) terhubung dengan citra yang telah terstacking sehingga kita bisa memasukkan training sample pada tabel ini. Tabel ini memiliki 5 kolom, Description: berisi nomor setiap training sample contohnya TS #004, dan kita juga dapat mengisinya dengan keterangan lain yang berhubungan dengan training sample. Upper Left: berisi koordinat UTM atau lat/long pojok kiri atas training sample (contohnya: 506056E, 0214860N). Size : berisi keterangan jumlah training sample diukur sari W-E sampai N-S, contohnya: 00010, 00010, yang berarti 10 piksel W-S, 10 piksel N-S. Pixels : Jumlah piksel dalam satu training sample. Class : berisi keterangan kelas penutup lahan yang terhubung dengan Herts landuse classes sm.tbl. Mean TD : yang berarti mean Transformed Divergence antara pola pantulan training sample dan training sample yang lain pada satu kelas. Jika nilai TD adalah 0 maka training sample yang satu dengan yang lainnya adalah sama dan tidak terbedakan, jika TD adalah 2000 maka training sample benar – benar berbeda sama sekali. Mean TD dapat digunakan sebagai indikasi apakah sample tidak biasa atau atypical contohnya: ada sebuah training sample yang memiliki nilai nilai yang terlalu tinggi dibanding dengan sample yang lain pada kelas yang sama. Jika hal seperti itu terjadi kita harus mengecek batas – batas training sample kita.

bilko-1311

Memilih Training Sample

Selanjutnya kita akan belajar memasukkan beberapa training sample pada citra berdasarkan informasi lapangan yang telah kita peroleh sebelumnya atau berdasarkan klasifikasi unsupervised sebelumnya. Sebelum kita memilih training sample mungkin akan berguna jika kita menilik kembali tujuan melakukan training pada klasifikasi supervised. Kita sedang mencoba untuk “mengajari” bilko untuk mengenali perbedaan penutup lahan yang terdapat pada Herts landuse classes sm.tbl dan kita harus mencoba mencari contoh yang khusus atau mencerminkan penutup lahan tersebut, dimana bilko akan menggunakan pola spektral mereka untuk klasifikasi. Peta hasil lapangan memberikan kita pengetahuan terhadap batas – batas penutup lahan, komposit warna memberikan kita pengetahuan dimana posisi seharusnya mengambil training sample. Jadi pada penutup lahan beans kita akan menghindari mengambil training sample dimana ada “bare patch” atau lahan kosong.

Kita arahkan titik sample kita ke koordinat 511520E, 217500N pada citra komposit, melalui menu Edit Go To…

bilko-1312

Maka akan muncul kota dialog Go To, pada Selection Type: pilih Point Selection, dan pada Position isi dengan koordinat yang akan kita tuju.

bilko-1313

Berikut adalah area yang kita tuju dengan keterangan penutup lahan yang menyertai.

bilko-1314

Sekarang kita akan memilih training sample dan memasukkannya ke dalam tabel training sample klasifikasi supervised. Caranya dengan membuat kotakkan dengan sebelumnya memilih tombol kotak pada toolbar di bawah menu bar. Pilih area sekitar 10 x 10 piksel atau 40 x 40 meter. Kali ini yang pertama kita ambil sebagai training sample adalah “wheat”. Untuk melihat ukuran training sample yang sebenarnya, klik kanan pada citra kemudian pilih Go To.. maka akan muncul kotak dialog Go To, pada Selection Type: pilih Box Selection dan pada Selection Size: isikan DX: 40, DY: 40, jika nilai DX dan DY belum sampai 40 atau kelebihan 40. Tapi jika kita menginginkan luasan piksel lebih dari itu, itu tidak masalah.

bilko-1315

Maka akan tampil sebagai gambar di bawah. Tekan tombol <Insert> pada keyboard untuk memasukkan training sample tersebut ke dalam tabel training sample. Kita juga bisa memasukkan poin tinggal klik dimana kita menempatkan training sample dan tekan tombol <Insert> pada keyboard.

bilko-1316

Berikut adalah isisan tabel training sample, kita dapat mengisikan deskripsi pada Description, dan kita bisa mengganti kelas penutup lahan dengan mengklik pada kolom Class dan menggantinya dengan kelas penutup lahan yang sesuai.

bilko-1317

Berikut adalah hasilnya, dimana warna training sample akan sesuai dengan warna kelas penutup lahan Herts landuse classes sm.tbl. pada saat pertama kita memasukkan training sample Mean TD memiliki nilai 0.

bilko-1318

Masukkan beberapa training sample lagi pada kelas yang sama dan kelas penutup lahan lainnya seperti Broadleaf dan Beans. Berikut hasilnya seperti di bawah, ulangi agar kita terbiasa.

bilko-1319

Jika kita arahkan pointer ke training sample maka akan muncul keterangan Deskripsi training sample dan kelas penutup lahan training sample, seperti gambar di bawah.

bilko-1335

Kita dapat mengedit atau memeriksa training sample dengan beberapa cara.  Jika kita ingin memeriksa atau mengecek salah satu training sample maka klik pada tabel training sample dan pilih baris training sample yang akan kita periksa, dan tekan <Ctrl> + G, maka jendela akan mengarahkan ke piksel yang kita akan periksa. Jika piksel terlalu lebar atau besar kita bisa klik kanan pada  citra dan klik Go To.. kemudian kita ganti nilai DX dan DY, sesuai dengan nilai yang kita butuhkan. Jika kita ingin mengubah kita kembali pada baris training sample dan kemudian tekan <Delete>, untuk menghapus batas training sample yang sekarang, dan kita dapat mengambil training sample lagi kemudian tinggal kita tekan <Insert>. Jika kita tidak ingin menyertakan salah satu training sample kita tinggal uncentang pada baris training sample. Akhirnya, jika kita ingin menghapus training sample kita pilih menu Edit Delete.

bilko-1334

Menggunakan Training Sample untuk Mengklasifikasikan Citra

Simpan tabel training sample yang telah kita buat sebagai Test training sample.tbl atau lainnya. Ketika kita membuka tabel ini kembali citra yang kita gunakan akan ikut terbuka. Jika sudah tutup semua citra dan lainya, pilih menu Window Close All.

Untuk menghemat waktu kita akan membuka tabel yang sudah dibuat File Open  Herts supervised classification training sites sm.tbl.

bilko-1320

File .tbl ini akan membuka citra yang yang akan digunakan untuk klasifikasi dan juga akan membuka Herts landuse classes sm.tbl otomatis.

bilko-1321

Klik pada tabel training sample (Herts supervised classification training sites sm.tbl) maka menu bilko akan berubah, dan terdapat menu Classify. Terdapat tiga jenis algoritma yaitu Parallelepiped, Centroid, dan Maximum Likelihood. Karena training sample berbentuk area sehingga muncul yang disebut spatial autocorrelation  maka kita tidak akan menggunakan Maximum Likelihood karena akan bekerja kurang maksimal, sedangkan untuk Parallelepiped dan Centroid memberikan hasil yang terbaik. Kali ini kita akan menggunakan  algoritma Parallelepiped. Pilih menu Classify   Parallelepiped

bilko-1336

Maka akan muncul kotak dialog parallelipiped, pada Class Limit: kita dapat mengaturnya sebagai mean and probability atau min and max. Pilihan pertama memberikan kita kontrol yang lebih, sedangkan min and max yang hanya menggunakan nilai minimum dan maximum setiap saluran citra pada setiap kelas training sample akan lebih kasar hasilnya. Jadi kita akan menggunakan mean and probability. Probability: biarkan sesuai default yang berarti piksel memiliki 90% untuk terklasifikasi.

bilko-1322

Selanjutnya Overlap Rule: memiliki tiga pilihan Use maximum likelihood, Use centroid, Use largest class, dan set unclassified. Use maximum likelihood: pada kasus ini piksel dklasifikasikan pada kelas yang paling sama, berdasarkan statistik maximum likelihood. Pilihan ini merupakan pilihan yang dapat memberikan hasil paling baik.  Use centroid: pada kasus ini memasukkan piksel ke dalam kelas tertentu jarak paling dekat ke pusat centroid. Use largest class: pada kasus ini piksel dimasukkan dalam kelas yang memiliki nilai rentang yang paling tinggi. Berdasarkan teori, kelas paling besar pada kasus overlap seharusnya piksel masuk kedalam kelasnya karena persebarannya yang luas. Aturan ini akan bekerja dengan baik jika kelas terdefinisi dengan baik tapi bekerja dengan buruk jika kelas tidak terdefinisi dengan baik terkait centroidnya. Set unclassified: pada kasus ini piksel dibiarkan tidak terklasifikasi. Jadi pilih Use maximum likelihood.

Selanjutnya jika piksel masuk dalam kategori tidak terklasifikasi pada aturan di atas maka kita menggunakan Unclassified Rule: yang terdiri dari Leave as unclassified, Use maximum likelihood, dan Use centroid. Leave as unclassified: pada kasus ini piksel tetap dibiarkan tidak terklasifikasi.  Use maximum likelihood: pada kasus ini piksel dipaksa untuk memilih satu kelas yang memiliki kesamaan paing tinggi dengan tatangganya. Use centroid: pada kasus ini piksel dipaksa untuk masuk salah satu kelas yang paling dengan pusat centroid kelas. Maka pilih Use maximum likelihood. Selanjutnya pada pilihan Asses Training Data Only jangan dicentang. Kemudian klik Ok. Hasilnya seperti di bawah, yaitu sebuah citra dengan label Image0n – Classifiying dan dan tabel dengan data hasil klasifikasi Tabel n – Clasifiying. Catatan melalui tabel ini kita dapat melakukan merge kelas klasifikasi penutup lahan yang dianggap memiliki pantulan yang sama atau sulit dibedakan antaran kelas satu dan kelas lainnya.   Dan pada setiap saluran mengindikasikan: nilai minimum, mean, dan maximum untuk setiap kelas.

bilko-1323

Periksa hasil klasifikasi disana terdapat klasifikasi yang seharusnya sama tapi memiliki kelas sendiri sehingga gambar terlihat seperti terdapat banyak noise, contohnya adalah grass. Oleh sebab itu kita perlu menggabungkan berbagai kelas penutup lahan grass. Pada tabel n – Classifiying, grass ganti menjadi Mown grass, dengan jalan menklik pada kolom merge maka akan muncul berbagai kelas lainya pilih Mown grass dan lakukan juga pada Rough grass. kita juga bisa mengubah nama kelasnya melalui kolom Image0n: Class: ubah menjadi Grassland, maka sekarang hanya ada satu kelas Grassland.

bilko-1324

Untuk menampilkan legenda pada citra kita dapat menempatkan pointer pada citra, dimana legenda akan muncul disana. Pastikan jendela Tabel n – Clasifiying aktif kemudian tekan tombol <Insert>. Untuk menghilangkan legenda pilih menu View dan uncentang Legend.

bilko-1325

Untuk melihat dendogram klasifikasi pilih menu Pastikan jendela Tabel n – Clasifiying aktif kemudian Vew Dendrogram

bilko-1327

Hasilnya seperti gambar di bawah.

bilko-1326

Untuk menghilangkan beberapa noise, kita perlu melakukan filtering pada citra hasil klasifikasi menggunakan filter 3 x 3 median atau majority. Pilih menu Image Filter   Median

bilko-1328

Berikut adalah hasil filtering, dimana noise banyak terkurangi.

bilko-1329

Uji Akurasi Hasil Klasifikasi

salah satu cara untuk mengetahui seberapa berguna training sample adalah dengan dengan mengestimasi akurasi training data, yaitu seberapa banyak training data yang diklasifikasikan benar. Ini akan menunjukkan jika beberapa kelas saling membingungkan dan memungkinkan untuk dilakukan penggabungan. Tentu untuk uji akurasi klasifikasi yang benar seharusnya menggunakan training sample yang berbeda yang digunakan untuk training sample klasifikasi. Pada tutorial ini kita hanya melihat seberapa bagus training data diklasifikasikan.

Pastikan Herts supervised classification training sites sm.tbl sebagai jendela yang aktif, kemudian pilih menu Classify   Parallelepiped dan centang pada bagian Asses Training data Only. Untuk kriteria yang lain sesuaikan dengan sebelumnya.

bilko-1331

Maka akan menghasilkan tabel confusion atau error matrix. Pada kolom paling kanan menunjukkan % user accuracy untuk setiap kelas penutup lahan yang merupakan % piksel pada setiap kelas pada peta terklasifikasi dimana training sample menunjukkan telah terklasifikasi dengan benar. Pada baris paling bawah menunjukkan % producer accuracy yang merupakan % piksel pada setiap kategori training sample yang telah benar diidentifikasi pada citra. secara keseluruhan, kita lebih tertarik pada seberapa besar akurasi klasifikasi citra kita secara nyata terprediksi contohnya: user accuracy. Selain itu terdapat overall user accuracy yaitu 93,2%.

bilko-1330

Menggunakan training sample yang telah digunakan untuk klasifikasi untuk uji akurasi akan meningkatkan nilai akurasi. Umumnya, kita dapat melaksanakan uji akurasi yang benar dengan menggunakan data training sample yang independent. Untuk melakukan ini kita perlu melampirkan atau menambahkan tabel yang berisi training sample data lapangan. Kita tidak akan melakukannya tapi kita hanya akan menunjukkan caranya.

Pastikan jendela Tabel n – Clasifiying aktif, kemudian pada menu Accuracy pilih Attach Table…

bilko-1332

Maka akan muncul kotak dialog Accuracy Assessment, cari tabel kita yang berisi data lapangan independent.

bilko-1333

Sumber: www.noc.soton.ac.uk/bilko/

*** 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