Klasifikasi Multispektral- Penginderaan Jauh

Untuk kali ini, kita masih membahas mengenai penginderaan jauh dan seluk beluk yang ada di dalamnya nya teman-teman agar kita lebih faham dan semakin tahu..

Happy Reading . . . :)


Klasifikasi Multispektral-ENVI-Penginderaan Jauh

Perkembangan penginderaan jauh dalam bidang wahana dan sensor dapat dirasakan dengan semakin beraneka ragamnya data penginderaan jauh baik dalam segi resolusi spectral, resolusi spasial, dan resolusi temporal yang dihasilkan. Perkembangan dalam bidang wahana juga diimbangi dengan perkembangan pada bidang analisis digitalnya. Berbagai macam metode untuk klasifikasi data penginderaan jauh mulai bermunculan, salah satunya adalah metode berbasis piksel dan metode berbasis objek. Metode berbasis piksel lebih banyak digunakan karena mengelompokkan suatu informasi terhadap nilai spectral atau satu aspek saja.

Klasifikasi citra sendiri, merupakan proses pengelompokkan pixel pada suatu citra ke dalam sejumlah kelas, sehigga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu objek atau kenampakan tertentu. Data yang digunakan untuk pengklasifikasian citra diperoleh dari sensor penginderaan jauh melalui energi elektromagnetik yang dipancarkan atau dipantulkan. Sensor dapat menilai jenis melalui tanggap dan pola spectral. Dengan teknik penyiaman multispectral (MSS) dimana, menggunakan sistem kamera lebih dari satu saluran yang dilakukan dalam waktu yang sama, akan dihasilkan citra objek pada beberapa saluran spectrum.

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan mengelompokkan suatu fenomena/objek berdasarkan kriteria tertentu. Asumsi awal yang diperhatikan ketika melakukan klasifikasi multispectral adalah, bahwa setiap objek dapat dikenali dan dibedakan berdasarkan nilai spektralnya. Salah satu contoh hasil klasifikasi multispectral adalah penutup lahan yang memberikan informasi mengenai jenis tutupan lahan (vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah, lahan terbangun, dan lain sebagainya). 

Keunggulan penginderaan multispectral terletak pada kemampuannya memberikan lebih banyak informasi pola tanggap spectral yang merupakan ciri objek. Disamping itu, Phinn Stuart (2007) menyebutkan bahwa kalsifikasi multispectral mengasumsikan: (a) Resolusi spasial tinggi, dimana setiap piksel merupakan piksel murni yang tersusun atas satu macam objek penutup lahan, (b) Piksel-piksel yang menyusun satu jenis penutup lahan akan mempunyai kesamaan spectral, (c) Setiap penutup lahan yang berbeda juga mempunyai perbedaan spectral yang signifikan.

Secara umum, algoritma klasifikasi citra dapat dibagi menjadi dua yaitu: klasifikasi terbimbing (Supervised) dan klasifikasi tidak terbimbing (Unsupervised).

1.      Klasifikasi Supervised

Klasifikasi terbimbing merupakan metode yang dipandu dan dikendalikan sebagian besar atau sepenuhnya oleh pengguna dalam proses pengklasifikasiannya. Intervensi pengguna dimulai sejak penentuan training area hingga tahap pengklasterannya. Pada klasifikasi ini harus diambil sejumlah pola data sebagai acuan atau target. Pemetaan dilakukan dengan proses pelatihan dengan sejumlah sampel pola tertentu sebagai kunci pengenalan untuk menghasilkan sejumlah atribut kelas.

Kelas yang dihasilkan dalam klasifikasi Supervised telah ditentukan kategori informasi yang berguna dan kemudian menguji tingkat daya pisah spektralnya. Semakin tinggi homogenitas sampel maka akan memberikan hasil klasifikasi yang semakin baik (Dulbahri, 1993). Klasifikasi terbimbing atau (Supervised) dalam hal ini mensyaratkan kemampuan pengguna dalam penguasaan informasi lahan terhadap areal kajian.

2.      Klasifikasi Unsupervised

Klasifikasi tidak terbimbing merupakan metode yang memberikan mandat sepenuhnya kepada sistem atau computer untuk mengelompokkan data raster berdasarkan nilai digitalnya masing-masing, intervensi penggunaan dalam hal ini diminimalisasi. Proses ini, adalah suatu proses interaksi sampai menghasilkan pengelompokkan akhir gugus-gugus spectral. Pada klasifikasi tak terbimbing ini diperlukan data atau piksel sebagai acuan, hal ini didasari pada asumsi bahwa objek yang sama akan memberikan nilai spectral yang sama atau hampir sama, sehingga piksel yang berbeda akan saling terpisah.

Pada klasifikasi Unsupervised, pengklasifikasian dimulai dengan pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas berdasarkan pada pengelompokkan nilai-nilai citra seperti apa adanya. Dengan menggunakan metode ini, program klasifikasi mencari pengelompokkan secara natural atau clustering berdasarkan sifat spectral dari setiap pixel. Jenis metode ini akan digunakan bila kualitas citra sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun dalam banyak kasus, terlepas dari kondisicitra yang bersangkutan, metode ini banyak digunakan untuk memberikan gambaran kasar/informasi awal.

Klasifikasi tak terbimbing memiliki kelemahan karena pencirian spectral selalu berubah sepanjang waktu, hal ini menyebabkan hubungan antar respon spectral dengan kelas informasi menjadi tidak konstan, oleh karena itu pengetahuan tentang spectral permukaan harus lebih dipahami (Richard, 1993). Klasifikasi tidak terbimbing digunakan apabila kualitas citra sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun, terlepas dari kondisi citra yang demikian, metode ini banyak digunakan untuk memberikan gambaran kasar/informasi awal.k Berbeda dengan klasifikasi terbimbing yang pencirian spektralnya tidak akan berubah karena adanya pemberian sampel dalam menghasilkan kelas informasi yang mana sampel tersebut ditentukan terlebih dahulu. Klasifikasi terbimbing sendiri terbagi menjadi beraneka ragam.

Klasifikasi menggunakan metode berbasis pixsel banyak digunakan pada citra yang memiliki resolusi menengah seperti pada citra Landsat, ALOS, SPOT. Akan tetapi, sekarang ini mulai adanya penelitian yang mengarah pada citra resolusi tinggi seperti IKONOS, Quickbird, Worldview. Citra yang memiliki resolusi tinggi kadang terbatas pada resolusi spektralnya, karena kenampakan objeknya yang sangat jelas dengan kedetailan resolusinya sehingga tidak perlu spectral yang beraneka ragam dalam menentukan objeknya, selain itu citra yang beresolusi tinggi lebih sering digunakan untuk klasifikasi visual daripada klasifikasi digital. Kalsifikasi multispectral sering diaplikasikan untuk penutup lahan maupun penggunaan lahan.

                            Contoh Klasifikasi Unsupervised Metode K-Means

Terimakasih, Semoga Bermanfaat... :)