klasifikasi terbimbing fin

BAB VIII

KLASIFIKASI TERBIMBING(Supervised Classification)

Pengertian

Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis (supervised). Kriteria pengelompokan kelas ditetapkan berdasarkan penciri kelas (kelas signature) yang diperoleh analis melalui pembuatan “training area”. Ini berbeda dengan klasifikasi tidak terbimbing (klastering) yang tidak perlu membuat “training area”, dan hampir semua proses diserahkan kepada komputer.

Klasifikasi juga dapat dilakukan dengan cara kombinasi antara ”unsupervised” dengan ”supervised”, yang sering dikenal dengan istilah ”hybrid supervised-unsupervised classification”. Jumlah klaster yang terbentuk dapat digunakan sebagai petunjuk dalam menentukan kelas-kelas dalam klasifikasi terbimbing.

Penciri Kelas (Class Signature)

Dalam klasifikasi diperlukan suatu penciri kelas. Penciri kelas ini adalah satu set data yang diperoleh dari suatu training area, ruang fitur (feature space) atau klaster. Penciri kelas (signature) ini diperlukan dalam proses klasifikasi. Masing-masing aturan pengambilan keputusan (algoritme) memerlukan suatu atribut sebagai input yang umumnya disimpan dalam suatu file signature.

Penciri kelas dapat berupa:

Yang berlaku untuk parametrik dan non-parametrik:1. Nama kelas, yang nantinya akan digunakan sebagai nama kelas

atau kategori hasil akhir.2. Warna, yang menyatakan warna dari setiap kelas yang dihasilkan.3. Nilai dari setiap kelas output. Nilai ini harus dalam bentuk nilai

integer positif.

Bab VIII Klasifikasi Terbimbing (Supervised Classification) 111

Penciri kelas parametrik

Penciri kelas parametrik didasarkan pada parameter-parameter statistik. Berikut ini adalah atribut parametrik yang baku:1. Jumlah band/kanal dalam citra input.2. Nilai minimum dan maksimum masing-masing band dari suatu

sampel training area atau klaster (vektor minimum dan maksimum).

3. Nilai rata-rata masing-masing band pada masing-masing kelas atau klaster.

4. Nilai ragam-peragam dari suatu kelas atau klaster.5. Jumlah piksel dalam setiap klaster.

Penciri kelas non-parametrik

Penciri kelas ini berdasarkan pada AOI yang dibuat pada gambar feature space untuk citra yang akan diklasifikasi. Metode non-parametrik menggunakan penciri kelas non-parametrik untuk mengelompokkan pikselnya ke dalam suatu kelas berdasarkan lokasinya, baik di dalam maupun di luar area feature space.

Training Area

Dalam klasifikasi terbimbing, analis perlu membuat kelas-kelas yang diinginkan dan selanjutnya membuat signature atau penciri yang sesuai dengan data yang digunakan. Dalam hal ini diperlukan suatu cara untuk mendapatkan data-data yang mewakili setiap kelas yang ingin diekstrak. Klasifikasi ini sangat sesuai, jika ingin membuat kelas-kelas yang jelas kita inginkan. Training area (area contoh) diperlukan pada setiap kelas yang akan dibuat, dan diambil dari areal yang cukup homogen. Pada saat pembuatan kelas yang selanjutnya diambil dari training area, analis harus bisa melihat secara jelas perbedaan yang tampak pada citra. Jika perbedaan yang tampak tidak begitu jelas maka ada kemungkinan kelas-kelas yang dibuat akan mengalami konfusi (kesalahan klasifikasi) dengan kelas-kelas lainnya. Ini sangat berbeda dengan klasifikasi tidak terbimbing, dimana jumlah kelas yang dibuat tidak perlu berdasarkan perbedaan-perbedaan yang tampak pada citra, sehingga jumlah kelas yang dibuat dapat relatif besar.

Dalam klasifikasi terbimbing, analisis harus membuat suatu ”training area” guna mendapatkan penciri kelas (ragam-peragam, mean, minimum, dan maksimum). Masing-masing atau sekelompok training area mewakili satu kelas atau kategori tutupan lahan,


misalnya hutan, sawah, badan air dan atau tanah kosong. Secara teoritis jumlah piksel yang harus diambil per kelas adalah sebanyak jumlah band yang digunakan plus satu (N+1). Akan tetapi pada prakteknya, jumlah piksel yang harus diambil dari setiap kelas biasanya 10 sampai 100 kali jumlah band yang digunakan (10N~100N).


Pemilihan Training Area

Pemilihan training area harus dilakukan secara teliti, kesalahan peletakan training area akan menyebabkan kesalahan hasil klasifikasi. Pada ERDAS, pembuatan training area dilakukan menggunakan:

Layer dari vektor. Membuat secara langsung pada citra, dengan Tools AOI. Metode kesamaan spektral (seed pixel) dengan piksel-piksel

yang ada di sekitarnya. Menggunakan batasan radius tertentu. Menggunakan hasil klastering.

Evaluasi Training Area

Sebelum melakukan klasifikasi akhir, analis terlebih dahulu melakukan evaluasi terhadap training area yang dibuat. Evaluasi tersebut dapat dilakukan berdasarkan nilai ”Separabilitas” atau ”Matrik kontingensi (Akurasi)”nya.

Gambar 8.1 Evaluasi Signature

Pembuatan Ruang Fitur Obyek (Feature Space Object)


Dengan perangkat lunak ERDAS, analis dapat secara mudah membuat ruang fitur (dari AOI) dalam suatu ruang fitur citra. Ruang fitur citra (feature space image) adalah suatu diagram pencar sederhana dari suatu band terhadap band lainnya yang ditampilkan dalam grafik 2 dimensi. Fitur ini mempunyai struktur data raster, sehingga dapat diperbesar atau diperkecil, slicing, pemodelan spasial dan komposisi peta. Selanjutnya, fitur ini dapat disampling untuk dijadikan sampel dalam melakukan klasifikasi.

Pembuatan penciri non-parametrik

Dengan AOI, analis dapat membuat penciri non-parametrik dari ruang fitur citra. ERDAS dapat membuat AOI pada feature space viewer, sehingga dapat memudahkan menentukan lokasi AOI pada feature space dari citra. Training area yang dibuat dari ruang fitur dapat berfungsi sebagai penciri non-parametrik yang tidak bergantung kepada nilai statistik dari suatu piksel. Ini dapat digunakan untuk membantu ketelitian, khususnya pada tutupan yang tidak normal misalnya wilayah perkotaan atau lahan kosong berbatuan yang terbuka.

Gambar 8.2 Pembuatan feature space (Leica Geosystem, 2003)

Metode Klasifikasi Terbimbing

Secara garis besarnya, metode yang umum digunakan dalam klasifikasi terbimbing terdiri atas:

1. Metode Multilevelslice (Parallelepiped)2. Metode Decision-tree (Knowledge classification)3. Metode Jarak Terdekat (dengan Metode Jarak Mahalanobis

atau Euclidean)


Citra komposit NIR-R-G

Fature space citra

Pembuatan AOI

4. Metode Peluang Maksimum (Maximum Likelihood Classifier).

Setelah signature dibuat maka piksel dari seluruh citra dikelompokkan berdasarkan signature menggunakan aturan pengambilan keputusan dari masing-masing algoritme. Aturan pengambilan keputusan (decision rule) adalah algoritme matematik menggunakan data dalam signature untuk menentukan kelas-kelas pikselnya.

1. Parametric-rule: dibuat dengan signature parametrik. Signature ini dibuat dengan nilai rata-rata dan ragam-peragam. Metode yang menggunakan aturan ini adalah: a. Metode klasifikasi Maximum Likelihood b. Minimum Distancec. Mahalanobis Distance

2. Non-parametric rule: aturan ini tidak berdasarkan pada nilai statistik, ini terbebas dari sifat-sifat data. Jika piksel terdapat dalam batas dari signature non-parametrik, maka signature ini akan berfungsi dan mengkelaskan piksel ini. Prinsipnya non-parametrik ini hanya menetapkan apakah piksel yang diklasifikasi berada di dalam atau di luar wilayah (batas) signature. Metode yang menggunakan aturan ini adalah: a. Parallelepiped.b. Feature space.

Pada aturan ini piksel yang tidak terklasifikasi (unclassified) dapat diproses lebih lanjut dengan:a. Parametric rule.b. Tetap sebagai Unclassified.

Pada piksel-piksel yang overlap, dapat dilakukan proses lebih lanjut:

a. Parametric rule.b. Diurutkan (by order).c. Unclassified.

1. Metode Parallelepiped

Aturan pengambilan keputusan dengan metode ini adalah penentuan piksel yang terletak diantara ambang bawah dan ambang atas (threshold values). Batas ambang ini dapat berupa: Nilai minimum dan maksimum masing-masing band dari setiap

kelas. Rata-rata dikurangi atau ditambah proporsi simpangan bakunya

dari setiap band.


Nilai yang ditetapkan oleh analis berdasarkan pengetahuannya sendiri atau yang diperoleh dari evaluasi signature-nya.

Gambar 8.3 Diagram pengambilan keputusan dengan metode parallelepiped

1.1. Daerah Overlap

Bagi piksel-piksel yang terdapat pada daerah overlap maka dapat dilakukan proses sebagai berikut: Piksel tersebut dapat diklasifikasi berdasarkan urutan letak kelas.

Misalnya kelas air nomor 1 dan bayangan awan nomor 2, maka jika overlap terjadi antar kelas ini, maka piksel dapat dikelaskan kedalam kelas air.

Piksel tersebut diklasifikasi dengan aturan parametrik yang didefinisikan. Jika piksel-piksel tersebut tidak ada satupun yang mengikuti kaidah parametrik maka piksel tersebut tetap sebagai ”unclassified (tidak terklasifikasi)”.

Piksel tersebut tetap sebagai ”unclassified (tidak terklasifikasi)”.


1.2 Piksel di Luar Ambang

Bagi piksel-piksel yang ada di luar ambang, maka analis dapat membuat langkah sebagai berikut: Tetap sebagai ”unclassified” Dievaluasi secara parametrik. Jika tidak satupun penciri kelas

termasuk parametrik, maka kelas tersebut tetap sebagai kelas ”unclassified”.

1.3 Aturan Pengambilan Keputusan

X ∈ W c jika dan hanya jika X i ≥ Ambang Bawah dan X i ≤ Ambang Atas


2. Jarak Terdekat (Minimum Distance)

Metode ini dilakukan dengan menghitung kemiripan spektral antar piksel yang tidak dikenali dengan penciri kelas dari training area. Semakin mirip maka jarak spektralnya semakin dekat. Jarak terdekat ini dapat dihitung menggunakan metode Jarak Euclidean.

D xyc=[∑i=1

n

(μci−X xyi)2 ]

1/2

Dimana:n = jumlah band yang digunakani = nomor band yang digunakan c = nomor kelas (kategori)Xxyi = nilai piksel dari band i pada titik x,yUci = nilai rata-rata piksel pada band ke-i dan kelas cDxyc = Jarak spektral antar kelas c dengan piksel X pada posisi x,y

Pada klasifikasi dengan jarak Euclidean ini, oleh karena aturan pengambilan keputusannya menggunakan nilai terkecil maka ada kalanya yang digunakan adalah kuadrat jarak, yang sering disebut dengan ”Squared Euclidean Distance”

Gambar 8.4 Diagram klasifikasi piksel dengan metode jarak terdekat

2.2. Aturan Pengambilan Keputusan


X ∈ W c jika D xyc terkecil

3. Jarak Mahalanobis

Jarak Mahalanobis juga termasuk metode jarak terdekat (jarak minimum), hanya saja dalam algoritme penghitungan jaraknya memasukkan nilai matriks kebalikan dari ragam-peragam setiap kelas. Rumus menghitung jarak terdekatnya adalah sebagai berikut:

D xyc=(X−M c )TCovc

−1( X−M c )

Dxyc = jarak MahalanobisC = kelasX = vektor piksel pada posisi x,yMc = vektor rata-rata dari suatu set band untuk kelas cCovc

-1 = matriks kebalikan ragam-peragam kelas cT = matriks transposisi

X= ¿ [ x1 ¿ ] [. . .¿ ] [ .. .¿ ]¿¿

¿

Covc= ¿ [σ12 σ 12

2 .. .. . ..σ1 n2 ¿ ] [ . .. .. . .. .. . .¿ ] [ .. .. . .. .. .. . ¿ ]¿

¿¿

Teknik pengambilan keputusan dengan metode Mahalanobis sama dengan jarak minimum.

4. Metode Kemungkinan Maksimum (Maximum Likelihood Classifier)

Metode ini adalah metode yang paling umum digunakan, dan ini biasanya merupakan metode standar. Metode ini mempertimbangkan berbagai faktor, diantaranya adalah peluang


dari suatu piksel untuk dikelaskan ke dalam kelas atau kategori tertentu. Peluang ini sering disebut dengan prior probability, dapat dihitung dengan menghitung persentase tutupan pada citra yang akan diklasifikasi. Jika peluang ini tidak diketahui maka besarnya peluang dinyatakan sama untuk semua kelas (satu per jumlah kelas yang dibuat). Aturan pengambilan keputusan ini disebut dengan Aturan Keputusan Bayes (Bayesian Decision Rule). Secara matematis, fungsi kepekatan dari peubah ganda adalah sebagai berikut:

P( x ) = 1

(2 π )N /2|Cov|1/2exp {−1/2( x−m)t Σ−1( x−m )}

Rumus tersebut dapat disederhanakan menjadi:

P( x ) = 1

(2 π )N /2|Cov|1/2e−1/2MD

P( x ) = (2π )−N /2|Cov|−1/2 e−1/2MD

Peluang suatu set piksel masuk kedalam kelas i adalah:

P( x /ωi )= p(ωi ) p (x )

Jika rumus tersebut dijadikan logaritma natural, maka akan menjadi:

ln P( x /ωi) = ln p(ωi) + ln p ( x )=gi ( x )

Fungsi diskriminan dari masing-masing kelas dapat ditulis sebagai berikut:

gi( x )=ln p(ωi )−1/2 ln 2π − 1/2 ln |Covi|−1/2MD

Jika peluang pendahuluannya diasumsikan sama maka fungsi diskriminan dari masing-masing kelas-i :

gi( x )=− 1/2 ln |Covi|−1/2 ( x−m )tCovi−1( x−m )

Dimana:P(x/i) = peluang suatu set piksel x masuk ke dalam kelas-iLn (i) = logaritma natural dari peluang pendahuluan kelas-ix = vektor piksel pada posisi x,ymi = vektor rata-rata dari suatu set band untuk kelas i


|Covi| = determinan matrik ragam-peragam kelas it = matrik transposisi

Pada metode ini, dapat juga diberikan thresholding. Besarnya threshold adalah sebagai berikut:

T i =− 1/2 χa2−1/2 ln |Σi|−ln p(ωi)


4.1 Aturan Pengambilan Keputusan

Thresholdinggi( x ) > T i

{−ln p(ωi)− 1/2 ln |Σi|−1/2 ( x−m)t Σ−1( x−m )}>T i

{−ln p(ωi)− 1/2 ln |Σi|−1/2 χα2}>T i

T i = {− ln p (ωi )− 1 /2 ln |Σ i|−1 /2 χ α2 }

4.2. Aturan pengambilan keputusannya adalah:

X ∈ ωc , jika g i( x ) > g ( x ) untuk semua i ≠ j dan g i( x ) > T c

5. Klasifikasi Ahli (Expert Classification)

Dengan ERDAS IMAGINE, klasifikasi dapat dilakukan pula dengan pendekatan klasifikasi ahli. Klasifikasi ahli ini memberikan pendekatan terhadap klasifikasi multispektral, perbaikan pasca klasifikasi, dan pemodelan SIG. Pada pokoknya, klasifikasi dengan sistem ahli ini menggunakan sistem hirarki atau pengambilan keputusan dengan sistem pohon (decision tree). Aturan pengambilan keputusan pada klasifikasi ini menggunakan sejumlah pernyataan kondisional tentang variabel data dan atau atribut yang menentukan komponen informasi atau hipotetis.

Aturan ganda dan hipotesis dapat dikoneksikan kedalam suatu hirarki yang pada akhirnya menggambarkan satu set final dari suatu target kelas. Nilai kepercayaan (confidence value) yang terkait dengan masing-masing kondisi juga dikombinasikan untuk memberikan citra yang bisa dihandalkan yang terkait dengan citra output. Dalam ERDAS terdapat dua bagian, yaitu bagian Knowledge Engineer dan Knowledge Classifier. Yang pertama khususnya untuk yang sudah ahli, sedangkan yang kedua untuk pemula yang bukan ahli.

Klasifikasi Fuzzy

Metode klasifikasi fuzzy mempertimbangkan piksel-piksel yang bercampur (mixed make-up), dimana suatu piksel tidak dapat dikelaskan secara pasti ke satu kelas. Jensen (1986) mengatakan bahwa diperlukan suatu cara untuk membuat algoritme yang lebih sensitif terhadap sifat-sifat fuzzy. Klasifikasi ini didisain untuk membantu suatu pekerjaan yang kemungkinan tidak masuk secara tepat kesalah satu kategori (kelas). Klasifikasi ini bekerja dengan


dengan suatu fungsi keanggotaan, dimana piksel tersebut ditentukan apakah lebih dekat ke satu kelas atau ke kelas lainnya. Metode klasifikasi ini tidak mempunyai batas-batas yang jelas, dan masing-masing piksel dapat masuk ke beberapa kelas yang berbeda (Leica Geosystem, 2003). Sama halnya dengan metode yang konvensional, metode dengan fuzzy ini juga memerlukan training area. Akan tetapi perbedaannya yang besar adalah metode ini dapat juga memperoleh informasi pada berbagai macam komponen/elemen kelas yang ditemukan dalam piksel yang tercampur (mixed). Dalam metode ini, training area tidak diharuskan mempunyai piksel-piksel yang persis sama. Sekali analis sudah menetapkan menggunakan metode fuzzy, maka utility-nya akan membiarkan konvolusi dari fuzzy akan membentuk suatu konvolusi jendela bergerak pada saat klasifikasi menggunakan penetapan output berganda. Dengan klasifikasi multilayer dan file jarak, konvolusi akan membuat kelas output yang baru dengan menghitung total bobot (weighted) jarak untuk semua kelas dalam jendela.

Klasifikasi dengan ERDAS

Klasifikasi dengan ERDAS dapat dilakukan dengan diagram alir sebagaimana disajikan pada Gambar 8.5 Dalam ERDAS klasifikasi dapat dilakukan dengan hanya satu metode, atau dengan kombinasi dari beberapa klasifikasi, misalnya dengan metode Parallelepiped selanjutnya dengan metode Maximum likelihood atau Minimum distance.


Gambar 8.5 Diagram Klasifikasi non-parametrik dan parametrik (Leica Geosystem, 2003).

Akurasi Klasifikasi

Akurasi sering dianalisis menggunakan suatu matrik kontingensi, yaitu suatu matrik bujur sangkar yang memuat jumlah piksel yang diklasifikasi. Matrik ini juga sering disebut dengan ”error matrix” atau ”confusion matrix”. Secara konvensional, akurasi klasifikasi biasanya diukur berdasarkan persentase jumlah piksel yang dikelaskan secara benar dibagi dengan jumlah total piksel yang digunakan (jumlah piksel yang terdapat di dalam diagonal matrik dengan jumlah seluruh piksel yang digunakan). Akurasi tersebut sering disebut dengan overall accuracy (akurasi umum). Akan tetapi akurasi ini umumnya terlalu ”over estimate” sehingga jarang digunakan sebagai indikator yang baik untuk mengukur kesuksesan suatu klasifikasi karena hanya menggunakan piksel-piksel yang terletak pada diagonal suatu matrik kontingensi.

Saat ini, akurasi yang dianjurkan untuk digunakan adalah akurasi Kappa. Akurasi ini menggunakan semua elemen dalam matrik. Secara matematik, akurasi Kappa ini dihitung dengan rumus sebagai berikut:

κ=N∑

i=1

r

X ii−∑i=1

r

X i+ X+i

N2−∑ X i+ X+i

100 %

Dimana:Xii = nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-iX+i = jumlah piksel dalam kolom ke-iX i+ = jumlah piksel dalam baris ke-iN = banyaknya piksel dalam contoh

Lebih lanjut, simpangan baku dari Kappa ini dapat dihitung sebagai berikut:


σ 2=1 /N [φ1 (1−φ2)

(1−φ2 )2

+2(1−φ1)(2φ1 φ2−φ3 )

(1−φ2 )3

+(1−φ1)

2 (φ4−4 φ22 )

(1−φ2 )2 ]

dimana:

φ1=∑i=1

r X ii

N

φ2=∑i=1

r X i+X+i

N 2

φ3=∑i=1

r X ii(X i++X+i )

N2φ4=∑

i=1

r X ij(X j++X+i)

N2


Uji signifikansi 2 nilai Kappa dapat dilakukan dengan rumus sebagai berikut:

z=κ1−κ2

√σ12+σ2

2>1. 96

Metode dengan akurasi Kappa lebih disukai karena dengan Kappa ini, perbedaan akurasi dapat diuji secara statistik. Nilai akurasi Kappa dua buah klasifikasi dinyatakan berbeda apabila nila z-nya lebih besar dari 1,96.

Dalam matrik kontingensi ini, analis dapat juga menghitung besarnya akurasi pembuat (producer’s accuracy) dan akurasi pengguna (user’s accuracy) dari setiap kelas. Akurasi pembuat adalah akurasi yang diperoleh dengan membagi piksel yang benar dengan jumlah total piksel training area per kelas. Pada akurasi ini akan terjadi kesalahan omisi, oleh karena itu akurasi pembuat ini juga dikenal dengan istilah omission error. Sedangkan, jumlah piksel yang benar dibagi dengan total piksel dalam kolom akan menghasilkan akurasi pengguna (user’s accuracy), yang juga dikenal dengan isitilah ”commission error” (Lihat Gambar 8.6). Secara matematis, rumus untuk menghitung akurasi pengguna, pembuat dan akurasi umum (overall accuracy/OA) adalah sebagai berikut:

Akurasi pengguna = Xii/X+i (100%)

Akuras pembuat = Xii/X i+ (100%)

OA =∑i=1

r

X ii

N100 %

Kelas referensi

Dikelaskan ke kelas- Jumlah piksel

Akurasi pembuat

A B C Total piksel

A X11 X12 X13 X1+ X11/ X1+

B X21 X22 X23 X2+ X22/ X2+

C X31 X32 X33 X3+ X33/ X3+

Total piksel X+1 X+2 X+3 N


Producer’s accuracy

Akurasi pengguna

X11/ X+1

X22/ X+2

X33/ X+3

Gambar 8.6 Skema penghitungan akurasi


User’s accuracy

Separabilitas

Separabilitas dari penciri kelas adalah ukuran statistik antar dua kelas. Separabilitas ini dapat dihitung untuk setiap kombinasi band. Ukuran ini sekaligus digunakan untuk mengetahui kombinasi band mana saja yang memberikan separabilitas yang terbaik. Ada beberapa ukuran separabilitas yang umum digunakan, yaitu:

1. Divergence (D)2. Transformed Divergence (TD)3. Battacharya Distance (BD)4. Jeffries-Matusita Distance (JM)

Divergence

Antara kelas i dan j, D dihitung sebagai berikut:

Transformed Divergence (TDij)


Battacharya Distance:

Jeffries-Matusita (JM):

Nilai TD dan JM mempunyai batas bawah dan atas. TD akan berkisar antara 0 sampai dengan 2000, sedangkan JM berkisar antara 0 sampai dengen 1414. Semakin kecil nilai semakin jelek separabilitasnya. Nilai nol sama dengan tidak bisa dipisahkan, sedangkan nilai maksimum menunjukkan keterpisahan yang sangat baik (excellent).

A. Menghitung akurasi menggunakan extension ”Kappa & Dendrogram” pada ArcView

Untuk menghitung ukuran-ukuran nilai akurasi seperti Kappa, overall, producer’s and user’s accuracies, diperlukan kecermatan yang cukup tinggi. Saat ini, penghitungan akuransi Kappa juga dapat dilakukan dengan extension ”Kappa & Dendrogram”. Untuk keperluan meghitung akurasi, diperlukan masukan file berupa ”matrik kesalahan/error matrix”, yang mempunyai format ”dbf” atau ”txt”. Matrix tersebut adalah matrix bujur sangkar dimana nama kolom (field) pertamanya adalah bernama "Class". Lebih lanjut, nama-nama dan jumlah kolomnya sama dengan nama dan jumlah baris. Pada kasus ini misalnya kita mempunyai matrik kesalahan berikut:

Class C1 C2 C3 C4C1 45 4 12 24C2 6 91 5 6


C3 0 8 55 9C4 4 7 3 55

Tabel yang dibuat dengan microsoft excel ini dapat disimpan (save as) dengan format database (dbf) atau delimited text (txt). Misalnya tabel ini disimpan dengan nama file contoh_error_matrix2.txt.

Tahapan operasional dari perangkat lunak ini adalah sebagai berikut:

(1) Buka ArcView dan selanjutnya tambahkan extension ”Kappa & Dendrogram”.

Gambar 8.7 Kotak dialog aktivasi extension pada ArcView

(2) Buka View maka akan tampil Ikon ”Kappa”. Pada menu juga akan muncul menu ANALYSIS | Accuracy Analysis.

(3) Klik Ikon Kappa atau klik menu ANALYSIS | Accuracy analysis (kappa, OA, UA, PA).


Gambar 8.8 Ikon ”Kappa” dan menu analisis akurasi

(4) Buka file atau baca matrik kesalahan yang ada, misalnya error_matrix2.txt kemudian klik OK.

Gambar 8.9 Droplist untuk membuka atau membaca file

(5) Pilih tipe file ”*.txt” dan klik OK.

Gambar 8.10 Pemilihan tipe file

(6) Pilih direktori tempat menyimpan matrik kesalahan tadi. Misalnya matrik kesalahannya adalah sebagai berikut:


(a)

(b)

(c)

Gambar 8.11 (a) Pemilihan file dari direktori, (b) Matriks kesalahan (c) Daftar field pada file matriks kesalahan/error matrix


(7) Selanjutnya klik OK dan akan tampil hasil analisis akurasi sebagai berikut:

Gambar 8.12 Ilustrasi tabel hasil analisis Kappa


Materi Praktikum Bab VIII

Materi Praktikum1. Klasifikasi terbimbing2. Separabilitas3. Akurasi

Tujuan 1. Untuk melatih mahasiswa agar memahami tahap-tahap yang

benar dalam melakukan klasifikasi secara kuantitatif terbimbing.

2. Memperkenalkan beberapa metode klasifikasi terbimbing seperti peluang maksimum (maximum likelihood classifier), jarak terdekat (minimum distance: Mahalanobis, Euclidean) dan klasifikasi pipaparalel (parallelepiped classification) atau yang sering disebut dengan multilevel sliced classification.

3. Melatih mahasiswa untuk melakukan evaluasi separabilitas.4. Melatih mahasiswa untuk menghitung akurasi dari klasifikasi.

Tahapan Klasifikasi Terbimbing

1. Penentuan kelas-kelas tutupan a. Vegetasi pohon

i. Hardwoodii. Softwood

b. Semak belukarc. Tanah kosong

i. Basahii. Kering

d. Lapangan rumpute. Bangungan (built up)f. Badan-badan airg. Lain-lain (awan, bayangan awan)

2. Buka Viewer dan file yang akan diklasifikasi3. Klik Classifier | Signature Editor4. Pada Viewer, klik menu AOI | Tools


Pemilihan Kategori (kelas-kelas) tutupan lahan

1. Klik Ikon ”Classifier”

Gambar 8.13 Ikon Classifier pada menu utama

2. Klik menu ”Signature Editor”

Gambar 8.14 Sub menu Signature Editor pada menu Classification

3. Klik sub Menu ”View” pada Signature Editor pilih Column

Gambar 8.15 Tampilan Signature Editor

4. Pada ”View Signature Colum” pilih semua kolom kecuali kolom Red, Green dan Blue


5. Kemudian klik ikon ”Apply” dan dilanjutkan ”Close”

Gambar 8.16 Pemilihan kolom yang akan ditampilkan pada Signature Editor

Lokasi Training Area

1. Buat lokasi lapangan rumput/semak dengan AOI Tools (depan Rektorat IPB dan dekat Perumahan Dosen).

2. Lakukan Zoom Area yang diinginkan kemudian pilih training area yang telah dibuat.

3. Lakukan grouping (jika menggunakan lebih dari 1 training area).4. Buat kelas baru dengan mengklik-ikon ”Create New Signature”

pada jendela ”Signature Editor” 5. Klik Class 1 pada ”Signature Name” kemudian beri nama pada

Signature Name sesuai training area tutupan lahan yang dibuat


Gambar 8.17 AOI Tools dan contoh penempatan training area

Gambar 8.18 Input training area ke dalam Signature Editor

Menyimpan AOI (Area of Interest)

Simpan AOI dari setiap kelas agar memudahkan dilakukan pengeditan dikemudian hari pada saat melakukan revisi kelas.

1. Klik menu “File Save AOI Layer As” pada viewer dan berikan nama file AOI-nya pada direktori kerja anda

Gambar 8.19 Penyimpanan Area of Interest (AOI)

Menyimpan Signature Kelas-kelas

1. Setelah semua kelas (Signature) terbuat, maka berikan warna setiap kelas sesuai dengan kaidah-kaidah pemetaan.


Nama kelas

Order/urutan kelas

Nilai (kode) kelas

2. Arahkan mouse pada kolom color, selanjutnya klik tombol kanan mouse dan pilih warna

3. Pilih menu File – Save as ...

Gambar 8.20 Fungsi pada Signature Editor untuk penyimpanan kelas-kelas tutupan lahan

Penyimpanan File Signature

Simpan file Signature pada direktori kerja anda. Misalnya nama file Kelas_SPOT_Kmps.Sig. Pilih ”All” pada pilihan tombol radio (radio botton) kemudian klik tombol OK.


Pembuatan kelas

Pengelompokan kelas

Warna kelas

Count: jumlah pikselP=parametrikA = AOI dan korelasiProb= probabilityI = inverseFS= feature spaceH = histogram

Gambar 8.21 Penyimpanan file signature


Pemilihan Band yang Digunakan

1. Pilih menu ”Edit” – ”Layer Selection”

2. Pilih baris layer yang akan digunakan pada jendela “layer to use”, pilih sambil menekan tombol “Shift” pada keyboard.

Gambar 8.22 Pemilihan band yang digunakan

Evaluasi Separabilitas

1. Pilih menu “Evaluate - Separability”

2. Pilih tombol Radio “Tranformed Divergence”, “Cell Array” dan “Best Average” selanjutnya klik “OK” dan “Close”


Memilih semua band yang ada

3. Evaluasi hasilnya, nilai yang lebih rendah dari atau sama dengan 1600 menunjukkan pasangan kelas tersebut tidak dapat dipisahkan atau dibedakan.

Gambar 8.23 Evaluasi keterpisahan antar kelas tutupan lahan

Evaluasi Akurasi

1. Pilih menu “Evaluate – Contingency”

2. Non-parametric rule : None, Parametric rule : Maximum likelihoodTanda check list pada “Pixel count” kemudian klik tombol “OK”

Akurasi ke -1

Gambar 8.24 Evaluasi Contingency


3. Buat akurasi dalam % (persen) dengan membagi nilai setiap sel dengan total kolom dan total baris serta total piksel yang akan menghasilkan PA, UA dan Overal Accuracy.

4. Jika akurasi masih rendah (dibawah 85 % untuk overall, maka klasifikasi harus diperbaiki.

Gambar 8.25 Contoh matriks contingency dan penghitungan akurasi

Hitung Accuracy Kappa !!

Klasifikasi Citra

Jika akurasi sudah memuaskan, maka dilanjutkan dengan klasifikasi citra.

1. Pilih menu “Classify – Supervised”

2. Pilih drive dan masukkan nama file output (citra output) hasil klasifikasiPilih non-parametric : None Kemudian parametric-rule : Maximum likelihood kemudian klik ”OK”


User’s Accuracy

Producer’sAccuracy

Overall Accuracy

Gambar 8.26 Kotak dialog pembuatan citra hasil klasifikasi terbimbing

DISPLAY HASIL KLASIFIKASI CITRA


Citra Hasil Klasifikasi(Kampus IPB Dramaga)

Citra Asli: Komposit MIR-NIR-RED (Kampus IPB

Gambar 8.27 Contoh hasil klasifikasi citra


klasifikasi terbimbing fin

Documents