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.

SUPERVISED
Klasifikasi terawasi didasarkan pada ide bahwa pengguna (user) dapat memilih sampel pixel – pixel dalam suatu citra yang merepresentasikan kelas-kelas khusus dan kemudian mengarahkan perangkat lunak pengolahan citra (image processing software) untuk menggunakan pilihan-pilihan tersebut sebagai dasar referensi untuk pengelompokkan pixel-pixel lainnya dalam citra tersebut. 

Dibawah ini adalah contoh dari hasil klasifikasi supervised yang telah di lakukan dengan menggunaan citra satelit landsat Arcamanik, Bandung.

Sumber: Hasil Klasifikasi, 2012

Sumber: Hasil Klasifikasi, 2012

UNSUPERVISED

Sedangkan klasifikasi tak terawasi (unsupervised classifications) merupakan pengklasifikasian hasil akhirnya (pengelompkkan pixel-pixel dengan karakteristik umum) didasarkan pada analisis perangkat lunak (software anaysis) suatu citra tanpa pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu.

Dibawah ini adalah contoh dari hasil klasifikasi unsupervised yang telah di lakukan dengan menggunaan citra satelit landsat Arcamanik, Bandung.

Sumber: Hasil Klasifikasi, 2012

Sumber: Hasil Klasifikasi, 2012

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.

Dibawah ini merupakan hasil perhitungan yang dilakukan untuk membandingkan hasil dari klasifikasi unsupervised dengan klasifikasi supervised. 

PERBEDAAN LUAS LAHAN
Keterangan	UNSUPERVISED			SUPERVISED			PERBEDAAN
	Luas (m²)	Luas (Ha)	Luas (Km²)	Luas (m²)	Luas (Ha)	Luas (Km²)	Luas (m²)	Luas (Ha)	Luas (Km²)
Permukiman	19736003,225	1973,600	19,736	1059697,309	105,970	1,060	18676305,915	1867,631	18,676
Jalan	11056604,068	1105,660	11,057	24851,088	2,485	0,025	11031752,980	1103,175	11,032
RTH	38021252,175	3802,125	38,021	30256559,918	3025,656	30,257	7764692,257	776,469	7,765
Industri	6551240,533	655,124	6,551	44023991,685	4402,399	44,024	-37472751,152	-3747,275	-37,473
Sumber: Hasil Perhitungan, 2012

PERBEDAAN LUAS LAHAN

Keterangan

UNSUPERVISED

SUPERVISED

PERBEDAAN

Luas (m²)

Luas (Ha)

Luas (Km²)

Luas (m²)

Luas (Ha)

Luas (Km²)

Luas (m²)

Luas (Ha)

Luas (Km²)

Permukiman

19736003,225

1973,600

19,736

1059697,309

105,970

1,060

18676305,915

1867,631

18,676

Jalan

11056604,068

1105,660

11,057

24851,088

2,485

0,025

11031752,980

1103,175

11,032

RTH

38021252,175

3802,125

38,021

30256559,918

3025,656

30,257

7764692,257

776,469

7,765

Industri

6551240,533

655,124

6,551

44023991,685

4402,399

44,024

-37472751,152

-3747,275

-37,473

Sumber: Hasil Perhitungan, 2012

 Sumber
 Klasifikasi Citra(2009).http://rahmiariani.blogspot.com/2009/04/klasifikasi-citra.html. Diakses Pada Tanggal 1 Juni 2012
Klasifikasi Citra(2009). http://blog.uad.ac.id/murintokusno/2009/01/19/difference-unsupervised-dan-supervised-image-clustering/. Diakses Pada Tanggal 1 Juni 2012

Resume Praktikum PCD Pertemuan 2

Koreksi Geometrik adalah  proses melakukan transformasi data citra dari satu sistem grid menggunakan suatu metode transformasi geometrik. Salah satu tujuan Dari Koreksi Geometrik adalah memperbaiki suatu citra agar sesuai dengan koordinat geografi yang ada.

Sumber Kesalahan yang menyebabkan citra memerlukan koreksi geometrik adalah:

1. Pembelokan arah penyinaran

Distorsi paniramik terjadi saat cermin scan melakukan scanning. Besarnya sudut pengamatan satelit pada proses scanning mengakibatkan perubahan luas cakupan objek. Distorsi panoramik ini sangat besar pengaruhnya terhadap sensor satelit yang mempunyai resolusi rendah seperti satelit NOAA dan GMS). Sedangkan untuk satelit yang mempunyai resolusi tinggi seperti Lansat dan Spot bebeas dari distorsi ini.

2. Abrasi sub-sistem optik

Terjadi karena kemiringan cermin penyiaman, sehingga cakupan tidak tegak lurus. sehingga mengakibatkan perumahan skala ke arah ordinat dan cakupan berbentuk agak miring. Seperti contoh gambar di bawah. 

3. Sistem penyiaman tidak linier

Hal tersebut terjadi karena kecepatan cermin berubah mengakibatkan pergeseran lokasi setiap pixel.

Selain itu ada pula kesalahan yang terjadi akibat perubahan ketinggian san kecepatan satelit. Karena apabila satelit bergerak dengan kecepatan yang menyimpang dari kecepatan normal, maka daerah cakupan mengalami perubahan luas, yang mengakibatkan perubahan skala pada arah orbit sehingga cakupan citra berbentuk empat persegi panjang lebih lebar atau lebih sempit. ketinggian pula dapat mempengaruhi hasil citra, karena ketinggian orbit satelit yang tidak konstan mengakibatkan terjadi perubahan skala pada arah penyiaman sehingga cakupan berbentuk trapesium. seperti beberapa contoh gambar dibawah ini. 

Perubahan Ketinggian

Perubahan Kecepatan Satelit

Roll

Pitch

Yaw

SUMBER

Koreksi Geometrik (2012http://staff.ui.ac.id/internal/131472300/material/KOREKSI GEOMETRIK.pdf. Diakses Pada Tangal 5 Mei 2012

Resume Praktikum PCD Pertemuan 1

Citra Satelit adalah hasil pemotretan dari luar angkasa (satelit), bisa berupa foto biasa maupun foto inframerah (berdasarkan panas). Tentu saja ini dilakukan dari satelit. Keuntungannya adalah gambar lebih lengkap cakupannya, namun bisa terganggu cuaca setempat, seperti hujan, awan, asap dan lain-lain.

Foto Udara adalah hasil pemotretan suatu daerah dari ketinggian, namun masih dalam lingkup ruang atmosfer. Misalnya pemotretan dari balon udara, helikopter, dan pesawat terbang. Keuntungannya disini adalah gambar lebih jelas dan detail, namun untuk daerah yang luas diperlukan banyak gambar yang disambung-sambung.

PENGINDERAAN JAUH 

Penginderaan jauh adalah pengukuran atau akuisisi data dari sebuah objek atau fenomena oleh sebuah alat yang tidak secara fisik melakukan kontak dengan objek tersebut atau pengukuran atau akuisisi data dari sebuah objek atau fenomena oleh sebuah alat dari jarak jauh, (misalnya dari pesawat, pesawat luar angkasa, satelit, kapal atau alat lain. Contoh dari penginderaan jauh antara lain satelit pengamatan bumi, satelit cuaca, memonitor janin dengan ultrasonik dan wahana luar angkasa yang memantau planet dari orbit. Di masa modern, istilah penginderaan jauh mengacu kepada teknik yang melibatkan instrumen di pesawat atau pesawat luar angkasa dan dibedakan dengan penginderaan lainnya seperti penginderaan medis atau fotogrametri. Walaupun semua hal yang berhubungan dengan astronomisebenarnya adalah penerapan dari penginderaan jauh (faktanya merupakan penginderaan jauh yang intensif), istilah "penginderaan jauh" umumnya lebih kepada yang berhubungan dengan teresterial dan pengamatan cuaca.

Sumber Tenaga

Sumber tenaga dalam proses inderaja terdiri atas :

§  Sistem pasif adalah sistem yang menggunakan sinar matahari

§  Sistem aktif adalah sistem yang menggunakan tenaga buatan seperti gelombang mikro

Jumlah tenaga yang diterima oleh obyek di setiap tempat berbeda-beda, hal ini dipengaruhi oleh beberapa faktor, antara lain :

1.      Waktu penyinaran

Jumlah energi yang diterima oleh objek pada saat matahari tegak lurus (siang hari) lebih besar daripada saat posisi miring (sore hari). Makin banyak energi yang diterima objek, makin cerah warna obyek tersebut.

2.      Bentuk permukaan bumi

Permukaan bumi yang bertopografi halus dan memiliki warna cerah pada permukaannya lebih banyak memantulkan sinar matahari dibandingkan permukaan yang bertopografi kasar dan berwarna gelap. Sehingga daerah bertopografi halus dan cerah terlihat lebih terang dan jelas.

3.      Keadaan cuaca

Kondisi cuaca pada saat pemotretan mempengaruhi kemampuan sumber tenaga dalam memancarkan dan memantulkan. Misalnya kondisi udara yang berkabut menyebabkan hasil inderaja menjadi tidak begitu jelas atau bahkan tidak terlihat.

4.      Atmosfer

Lapisan udara yang terdiri atas berbagai jenis gas, seperti O2, CO2, nitrogen, hidrogen dan helium. Molekul-molekul gas yang terdapat di dalam atmosfer tersebut dapat menyerap, memantulkan dan melewatkan radiasi elektromagnetik. Di dalam inderaja terdapat istilah Jendela Atmosfer, yaitu bagian spektrum elektromagnetik yang dapat mencapai bumi. Keadaan di atmosfer dapat menjadi penghalang pancaran sumber tenaga yang mencapai ke permukaan bumi. Kondisi cuaca yang berawan menyebabkan sumber tenaga tidak dapat mencapai permukaan bumi.

RESOLUSI

Resolusi gambar mendeskripsikan tentang banyaknya detail gambar yang tersimpan. Resolusi gambar bisa juga digunakan untuk mendefinisikan tentang gambar digital, video, maupun yang lainnya. Resolusi gambar dapat diukur dengan berbagai macam cara. Pada dasarnya, resolusi mengukur seberapa dekatnya suatu garis dapat dibedakan dengan yang lainnya.

Resolusi sering digunakan sebagai jumlah pixel dalam pencitraan gambar digital, walaupun standard Amerika, Jepang, serta internasional jelas melarang penggunaan hal ini, setidaknya untuk bidang kamera digital. Sebuah gambar dengan tinggi sejumlah N pixel dan lebar M pixel, dapat memiliki resolusi garis yang kurang dari itu. Namun, jika jumlah pixel digunakan sebagai pengukur resolusi, metode yang digunakan adalah mengambil dua buah bilangan bulat yang menunjukkan berapa pixel tinggi gambar tersebut dan berapa pixel lebarnya, kemudian mengalikan angka ini, dan membaginya dengan satu juta untuk mendapatkan angka megapixel

Dibawah ini adalah ilustrasi untuk menjelaskan bagaimana jumlah pixel memengaruhi kualitas gambar dengan ukuran yang sama.

SUMBER

Resolusi gambar (2012) http://id.wikipedia.org/wiki/Resolusi_gambar. Diakses Pada Tanggal 27 April 2012

Pengindraan Jauh (2012) http://id.wikipedia.org/wiki/Penginderaan_jauh. Diakses Pada Tanggal 27 April 2012

Foto Udara (2012) http://taruna-nusantara-mgl.sch.id/id3/foto-udara-sma-tn/ . Diakses Pada Tanggal 27 April 2012

Citra Satelit  (2012) http://edukasi.kompasiana.com/2010/08/09/bagaimanakah-peta-dibuat/. Diakses Pada Tanggal 27 April 2012

MANFAAT DARI KOMPOSE BAND

     Sebagaimana kita ketahui, mata kita secara alami hanya dapat mendeteksi gelombang elektromagnetik dengan panjang gelombang antara 0,4 sampai dengan 0,7 mikrometer, selanjutnya dikenal sebagai sinar tampak. Pada selang panjang gelombang inilah konsep warna kita gunakan untuk mengasosiasikan objek yang diamati oleh mata kita. Panjang gelombang ini terdiri dari tiga 3 warna dasar; merah (R), hijau (G), dan biru (B). Penampakan warna lain merupakan komposit dari warna dasar tersebut. Dengan kata lain mata normal kita hanya bisa mendeteksi objek melalui asosiasi warna yang ditangkapnya.

     Selanjutnya untuk kepentingan observasi, remote sensing digunakan karena teknologi ini mampu mendeteksi gelombang elektromagnetik dengan selang yang lebih lebar dari kemampuan normal mata manusia, dimulai dari sinar X sampai dengan far-infrared (0,02-1000 mikrometer). Itu kemudian menjadi alasan teknologi ini memiliki kemampuan deteksi yang jauh lebih baik dari mata normalkita. Namun, supaya dapat dibaca oleh mata kita, remote sensing harus dapat mengasosiasikan hasil deteksi tersebut kedalam komposit warna. Itulah yang kemudian mendasari teknologi ini menggunakan konsep kanal warna RGB untuk mengasosiasikan hasil deteksi band kedalam komposit warna yang bisa dibaca dan diinterpretasi manusia.

Penerapan konsep multispektral 

Konsep ini man untuk menggunakan beberapa alternative penggunaan beberapa band secara bersamaan. Kegunaannya adalah untuk memudahkan interpretasi dengan mempertimbangkan kelebihan masing masing penerapan komposit band tersebut.

1. Pada citra dengan komposit band 543, dapat dengan mudah dibedakan antara obyek vegetasi dengan non vegetasi, obyek bervegetasi dipresentasikan dengan warna hijau, tana kering dengan warna merah, komposist ini paling popular untuk penerapan di bidang kehutanan (Departemen kehutanan)

2. Citra dengan komposit band 432, mempunyai kelebihan untuk membedakan obyek kelurusan seperti jalan dan kawasan perkotaan. Jaringan jalan dipresentasikan dengan warna putih.

3. Citra dengan komposit band 543, mempunyai kelebihan mudah untuk membedakan obyek yang mempunyai kandungan air atau kelembapan tinggi. Obyek dengan tingkat kelembapan atau kandungan air tinggi akan dipresentasikan dengan rona yang lebih gelap secara kontras. Contoh obyek tambak akan tampak berwarna biru kehitaman dengan bentuk kotak teratur., komposit ini membantu dalam pembedaan hutan rawa dengan hutan lahan kering, sawah dengan padi tua ataupun sawah dengan awal penanaman.

   Komposit band 3,2,1 merupakan true color compositeatau warna sebenarnya yang ada di permukaan bumi (natural color) sedangkan komposit band 4,5,3 merupakan false color compositeatau warna yang bukan sebenarnya yang ada di permukaan bumi.
   
   
   Vegetasi (Objek Area)
           Pada komposit band 3,2,1 tutupan vegetasi ditunjukan dengan warna hijau atau bisa dikatakan sesuai dengan warna yang tampak jika dilihat dengan mata sedangkan pada komposit band 4,5,3 tutupan vegetasi dtandai dengan warna jingga.
   

             Sebuah citra true color adalah citra dimana warna yang diberikan kepada nilai-nilai DN mewakili kisaran spektral sebenarnya dari warna-warna yang digunakan pada citra. Pada contoh dari true color di bawah ini yang dibuat dengan komposit 542. 

            False color adalah teknik dimana warna-warna yang diberikan kepada DN tidak sama dengan kisaran spektral dari warna-warna yang dipilih. Teknik ini memungkinkan kita untuk memberi penekanan pada bentuk-bentuk tertentu yang ingin kita pelajari menggunakan skema pewarnaan tertentu. Pada contoh dari false color di bawah ini yang dibuat dengan komposit 432 dari citra Landsat 7, vegetasi muda, yang memantulkan near IR, terlihat merah terang. Kegiatan pertanian yang terkonsentrasi akan mudah dideteksi dengan adanya warna merah terang.
   

   

   
   
   
   

   Lahan Terbangun (Objek Area)
   Pada komposit band 4,5,3 lahan terbangun ditandai dengan warna biru mudah dengan rona cerah. Kelebihan dari kompositband 4,5,3 untuk interpetasi lahan terbangun adalah dari ronanya. Semakin cerah rona dari warna biru maka lahan terbangun yang ada semakin padat, sedangkan semakin gelap rona dari warna biru maka lahan terbangun yang ada semakin jarang.
   
   
   

   

   Contoh komposit band 4,5,3

   
   Jalan (objek garis)
   Pada komposit band 3,2,1 kenampakan objek garis berupa jalan tidak dapat dilihat dan diindentifikasi. Objek jalan yang tampak pada komposit band 3,2,1 telihat tersamarkan oleh objek area berupa lahan terbangun jadi tidak dapat dibedakan satu sama lainnya.
   
   
   
   

   

   Contoh komposit band 3,2,1

   
   
   Perbedaan secara Sistematis
   
   

   	Komposit Band 3,2,1	Komposit Band 4,5,3
   Objek Vegetasi (area)	Sesuai warna yang ada di lapangan (hijau)	Jingga
   Objek Lahan Terbangun (area)	Sesuai warna yang ada di lapangan (coklat untuk genting)	Warna biru; semakin padat lahan terbangun di suatu daerah rona yang terbentuk semakin cerah dan sebaliknya
   Objek Jalan (area)	Tidak dapat dibedakan/tersamarkan dengan objek lahan terbangun	Dapat dibedakan dengan objek lahan terbangun