Klasifikasi Citra

Klasifikasi citra merupakan proses yang berusaha mengelompokkan seluruh pixel pada suatu citra ke dalam sejumlah class (kelas), sedemikian hingga tiap class merepresentasikan suatu entitas dengan properti yang spesifik (Chein-I Chang dan H.Ren, 2000). Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification). Pemilihannya bergantung pada ketersediaan data awal pada citra itu. Proses pengklasifikasian klasifikasi terbimbing dilakukan dengan prosedur pengenalan pola spektral dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas (training area) yang mewakili setiap kelompok, kemudian dilakukan perhitungan statistik terhadap contoh-contoh kelas yang digunakan sebagai dasar klasifikasi.

Klasifikasi unsupervised digunakan ketika kita hanya mempunyai sedikit informasi tentang dataset kita. Pada klasifikasi tidak terbimbing, pengklasifikasian dimulai dengan pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas berdasarkan pada pengelompokkan nilai-nilai citra seperti apa adanya. Prosedur umumnya mengasumsikan bahwa citra dari area geografis tertentu adalah di kumpulkan pada multiregion dari spektrum elektromagnetik. Dengan menggunakan metode ini, program klasifikasi mencari pengelompokan secara natural atau clustering berdasarkan sifat spektral dari setiap pixel.

Analisa cluster merupakan suatu bentuk pengenalan pola yang berkaitan dengan pembelajaran secara unsupervised, dimana jumlah pola kelas tidak diketahui (James J. Simpson, Timothy J. McIntire, dan Matthew Sienko, 2000). Proses clustering melakukan pembagian data set dengan mengelompokkan seluruh pixel pada feature space (ruang ciri) ke dalam sejumlah cluster secara alami. Klasifikasi unsupersived secara sendiri akan mengkategorikan semua pixel menjadi kelas-kelas dengan menampakan spektral atau karakteristik spektral yang sama namun belum diketahui identitasnya, karena didasarkan hanya pada pengelompokan secara natural. Pengguna harus membandingkan dengan data referensi, misalnya dengan data penggunaan lahan. Dengan demikian kelas-kelas spektral tersebut dapat diberikan identitasnya. Setelah itu informasi ini kita bisa memutuskan untuk mengkombinasikan atau menghapus kelas-kelas yang diinginkan. Kita juga perlu untuk memberi warna dan nama untuk masing-masing kelas.

Setelah setiap piksel dikelompokkan lalu masing-masing rata-rata kelas spectral dihitung. Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spectral yang memiliki jarak terdekat.

Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi kelas spectral yaitu:

1. Standar deviasi maksimum, nilai standari deviasi maksimum yang sering digunakan berkisar antara 4,5 sampai 7

2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam persen (%).

3. Nilai pemisahan pusat kelas yang dipecah

4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9.

Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan:

1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan kebutuhan

2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam %).

Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antara obyek dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori objek tertentu. Pengidentifikasian kelas spektral menjadi obyek tertentu dapat dilakukan menggunakan suatu data acuan atau referensi penunjang. Setelah semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan untuk menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil klasifikasi dapat ditunjukkan dari gradasi warna yang terbentuk yang menunjukkan jenis kelas yang dikelompokkan oleh komputer.

Secara umum tingkat keakuratan klasifikasi tergantung pada; 1) Class Separability (pemisahan kelas), 2) ukuran training sample (sampel latihan), 3) jumlah spektral band, dan 4) jenis klasifikasi atau fungsi pemisah. Tingkat keakuratan klasifikasi akan semakin tinggi jika penggunaan nilai parameter kelas semakin tepat, penggunaan class separability semakin bertambah, perbandingan antara ukuran training sample dengan jumlah spektral band semakin besar dan pemilihan jenis klasifikasi yang tepat.

Daftar pustaka

Chein-I Chang dan H.Ren. 2000. An Experiment-Based Quantitative and Comparative Analysis of Target Detection and Image Classification Algorithms for Hyperspectral Imagery. IEEE Trans. on Geoscience and Remote Sensing

James J. Simpson, Timothy J. McIntire, dan Matthew Sienko. 2000. An Improved Hybrid Clustering Algorithm for Natural Scenes. IEEE Trans. on Geoscience and Remote Sensing.

Lillesand and Kiefer, 1998. Penginderaan Jauh dan Interpretasi Citra Penginderaan Jauh. Yogyakarta: Gadjah mada University Press.