PRINCIPAL COMPONENT ANALYSIS (PCA) RSTOOLBOX

Kali ini kita akan membahas bagaimana cara membuat PCA melalui Rstoolbox yang dikembangkan oleh Benjamin Leutner. Teori PCA sudah disampaikan pada tutorial – tutorial sebelumnya. Yang mana PCA merupakan teknik yang berfungsi untuk mengurangi dimensionalitas data karena merupakan teknik rotasi multisaluran lebih dari dua untuk menghasilkan citra baru dengan jumlah saluran lebih sedikit. PCA dapat dianggap sebagai teknik kompresi informasi yang efisien, seperti dalam pengamatan visual dimana kita tidak perlu membandingkan terlalu banyak komposit citra dan seperti pada klasifikasi multispektral karena mampu mengurangi jumlah saluran masukan (Danoedoro, 2012).

Untuk melakukan proses PCA menggunakan R dengan Rstoolbox kita memerlukan packages Rstoolbox” informasi lebih lanjut kunjungi halaman Rstoolbox. Munculkan packages tersebut melalui fungsi library, yang diantaranya adalah rgdal, raster, dan caret, Rstoolbox, reshape2, ggplot2, dan gridExtra.  r-0701

Munculkan citra melalui fungsi Brick. Melalui package Rstoolbox kita dapat memunculkan citra komposit melalui funsgi ggRGB seperti kode di bawah ggRGB(r,4,3,2), dimana 4,3,2 merupakan saluran citra dari r.

r-0702

Klik Run, dan berikut adalah tampilan komposit citranya.

r-0703

Kita akan menggunakan fungsi rasterPCA yang algoritmanya sesuai dengan princomp  (R-mode PCA). jika kita menggunakan sampel (nSamples) maka PCA akan dikalkulasikan berdasarkan random piksel dan kemudian memprediksi hasil keseeluruah raster. Jika tidak menggunakan sampel (nSamples) atau NULL yang berarti seluruh piksel citra digunakan maka matrix kovarians akan dikalkulasikan pertama kali dan kemudian digunakan untuk mengkalkulasikan princomp dan memprediksi seluruh piksel raster. Keterangan yang terakhir lebih presisi dalam memprediksi karena menggunakan seluruh piksel.

Standardised PCA (SPCA) dapat berguna jika citra atau saluran yang digunakan memiliki rentang nilai yang dinamik . SPC menggunakan matrik korelasi daripada matrik kovarians, yang memiliki dampak yang sama seperti varians dari saluran yang telah dinormalisasi.

Untuk itu masukkan fungsi rasterPCA(), seperti kode di bawah.

r-0704

Klik Run dan hasilnya akan muncul sebagai berikut.

r-0705

Gunakan fungsi Summary untuk mendapatkan ringkasan informasi standart deviasi setiap citra, nilai eigenvalue atau prorsen varians dan prosen komulatif varians PCA.

r-0706

Untuk menampilkan komposit warna dari PCA gunakan funsgi ggRGB seperti kode di bawah ggRGB(rpc$map,1,2,3)

r-0707

Klik Run berikut adalah hasilnya.

r-0708

Dan jika kita ingin menampilkan setiap citra individu dari PCA gunakan kode seperti di bawah dimana memanfaatkan package GridExtra. Plot yang ditampilkan  hanya saluran 1 sampai 4.  

r-0709

Klik Run maka akan keluar hasilnya sebagai berikut.

r-0710

Sumber : Rstoolbox

*** 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