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)

Dalam pengolahan data citra yang tujuanya untuk dijadikan data primer sebuah pemetaan atau penelitian. Daerah yang terdapat pada peta harus terlebih dahulu diketahui wilayahnya apakah wilayah tersebut merupakan daerah pemukiman, perkebunan atau daerah pantai. Untuk itu perlu lakukannya klasifikasi objek untuk menentukan kelas objek tersebut.

 Data penginderaan jauh pada umumnya berbentuk data digital yang merekam unit terkecil dari permukaan bumi dalam sistim perekam data. Unit terkecil ini dikenal dangan nama pixel (picture element) yang berupa koordinat 3 dimensi (x,y,z). Koordinat x,y menunjukkan lokasi unit tersebut dalam koordinat geografi x, y dan z menunjukkan nilai intensitas pantul dari tiap pixel dalam tiap selang panjang gelombang yang dipakai. Nilai intensitas pantul dibagi menjadi 256 tingkat berkisar antara 0 – 255 dimana 0 merupakan intensitas terrendah (hitam) dan 255 intensitas tertinggi (putih). Dengan data citra asli (raw data) tidak lain adalah kumpulan dari sejumlah pixel yang bernilai antara 0 -255. Tujuan dari proses klasifikasi citra adalah untuk mendapatkan gambar atau peta tematik. Gambar tematik adalah suatu gambar yang terdiri dari bagian-bagian yang menyatakan suatu objek atau tema tertentu. 

Dalam klasifikasi citra ada dua metode yang dapat digunakan, yaitu          :

1.                  Supervised classification

2.                  Unsupervised classification

Klasifikasi Citra Terawasi (Supervised)

Penggunaan istilah terawasi disini mempunyai arti berdasarkan suatu referensi penunjang, dimana kategori objek-objek yang terkandung pada citra telah dapat diidentifikasi. Klasifikasi ini memasukkan setiap piksel citra tersebut kedalam suatu kategori objek yang sudah diketahui.Sebelum klasifikasi dilakukan, maka kita harus memasukkan inputan sebagai dasar pengklasifikasian yang akan dilakukan. Dengan klasifikasi ini, kita lebih bebas untuk memilah data citra sesuai dengan kebutuhan. Misalnya dalam suatu kawasan kita hanya akan melakukan klasifikasi terbatas pada jenis jenis kenampakan secara umum semisal jalan, pemukiman, sawah, hutan, dan perairan. Hal tersebut dapat kita lakukan dengan klasifikasi ini. Proses input sampel juga cukup mudah, hanya saja perlu ketelitian dan pengalaman agar sampel yang kita ambil dapat mewakili jenis klasifikasi. Baik buruknya sampel, Diwujudkan dalam nilai indeks keterpisahan.

Proses klasifikasi dengan pemilihan kategori informasi yang diinginkan dan memilih training area untuk tiap ketegori penutup lahan yang mewakili sebagai kunci interpretasi merupakan klasifikasi terbimbing. Klasifikasi terbimbing digunakan data penginderaan jauh multispectral yang berbasis numeric, maka pengenalan polanya merupakan proses otomatik dengan bantuan komputer.

Klasifikasi terbimbing yang didasarkan pada pengenalan pola spectral terdiri atas tiga tahapan, yaitu:

1. Tahap training sample: analisis menyusun kunci interpretasi dan mengembangkan secara numeric spectral untuk setiap kenampakan dengan memeriksa batas daerah (training area).

2. Tahapan klasifikasi: setiap pixel pada serangkaian data citra dibandingkan steiap kategori pada kunci interpretasi numeric, yaitu menentukan nilai pixel yang tak dikenal dan paling mirip dengan kategori yang sama. Perbandingan tiap pixel citra dengan kategori pada kunci interpretasi dikerjakan secara numeric dengan menggunakan berbagai strategi klasifikasi (dapat dipilih salah satu dari jarak minimum rata-rata kelas, parallelepiped, kemiripan maksimum). Setiap pixel kemudian diberi nama sehingga diperoleh matrik multi dimensi untuk menentukan jenis kategori penutupan lahan yang diinterpretasi.

3. Tahapan keluaran: hasil matrik didenileasi sehingga terbentuk peta penutupan lahan, dan dibuat tabel matrik luas berbagai jenis tutupan lahan pada citra.

Klasifikasi Citra Tak Terawasi (Unsupervised)

Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya tidak menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa proses tersebut hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel pada citra. Klasifikasi citra tak terawasi mencari kelompok-kelompok (cluster) piksel-piksel, kemudian menandai setiap piksel kedalam sebuah kelas berdasarkan  parameter-parameter pengelompokkan awal yang didefinisikan oleh penggunanya.

Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara berulang-ulang dengan computer.

Sumbu horizontal menunjukkan nilai piksel pada band2 dan sumbu vertical menunjukkan nilai kecerahan piksel pada band1. Pengelompokan piksel menjadi kelas spectral diawali dengan menentukan jumlah kelas spectral yang akan dibuat. Penentuan jumlah kelas ini dapat dilakukan dengan memperhatikan jumlah puncak histogram sehingga diperoleh jumlah kelas spectral yang akan dibentuk. Setelah jumlah kelas spectral ini ditentukan kemudian dipilih pusat-pusat kelas spectral terhadap setiap pusat kelas spectral. Berdasarkan hasil pengukran jarak ini setiap piksel dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat.

Setelah setiap piksel dikelompokkan lalu masing-masing rata-rata kelas spectral dihitung kembali. 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 persentase, %).

Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antaa obyek dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori obyek tertentu. Pengidentifikasian kelas spectral 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 ditunjukka dari gradasi warna yang terbentuk yang menunjukkan jenis kelas yang dikelompokkan oleh komputer.