Klasifikasi Citra pengolahan citra penginderaan jauh untuk mendukung pembangunan pertanian berkelanjutan.

dimana DNj adalah nilai digital pada piksel ke-j. Data A3 dan A2 diekstrak dari Radiometric Data Record yang tersimpan dalam header data SAR Trisasongko, 1999; Sheperd, 1998. Proses kedua yaitu pemindahan data kecerahan SAR menjadi data hamburan balik yang dilakukan dengan memanfaatkan persamaan berikut Trisasongko, 1999; Sheperd, 1998: σ j = β j + 10 log 10 SinI j Studi Israelsson dan Askne menunjukkan bahwa penarikan informasi dari bole volume menggunakan SAR band C setelah divalidasi secara teoritik dengan MIMICS adalah tidak mungkin. Pada penggunaan band L, pengakjian dimungkinkan sampai 70-80 m3ha dengan teknik polarisasi silang. Pada band P, meningkat sampai 120 m3ha. Studi tersebut memberikan kesimpulan bahwa frekuensi radar yang digunakan untuk mengkaji bole volume belum dapat dilakukan secara operasional. Pada umumnya tegakan hutan yang mature membuat sinyal menjadi saturate Israelsson and Askne, 1995.

5. Klasifikasi Citra

Selain dianalisis secara visual, citra penginderaan jauh seringkali juga dianalisis secara digital untuk mendapatkan informasi tematik. Klasifikasi multispektral adalah satu diantara metode yang seringkali digunakan untuk mengekstrak informasi, terutama informasi penutup lahan. Bila pada pengolahan citra digital, citra penginderaan jauh akan dianalisis secara kualitatif mengingat peran interpretasi visual yang kuat dalam perolehan informasi. Sedangkan klasifikasi multispektral menggunakan pendekatan kuantitatif dan mengurangi subyektifitas pada kegiatan interpretasi. Metode klasifikasi multispektral dapat menggunakan algoritma-algoritma berikut : 1 Klasifikasi Tegas Hard Classifier, 2 Klasifikasi Samar Soft Classifier, dan 3 Klasifikasi Hibrid Jensen, 1996. Algoritma Klasifikasi Tegas pada umumnya terbagi menjadi dua kelompok besar yaitu Kelompok Terbimbing Supervised dan Kelompok Tak Terbimbing Unsupervised. Pada pengolahan citra digital, aspek kualitatif yaitu visual merupakan aspek yang dominan dalam proses ekstraksi informasi. Tetapi pada klasifikasi citra, aspek kuantitatif merupakan aspek yang sangat menonjol. Klasifikasi multispektral merupakan pendekatan yang umum digunakan untuk kegiatan pemetaan berbantu komputer dari citra 14 penginderaan jauh. Pemetaan secara obyektif tersebut didasarkan atas kemiripan spektral yang diperoleh dan menghasilkan kelas-kelas spektral yang dapat berkaitan dengan kelas sesungguhnya di permukaan tanah. Langkah pertama dari prosedur klasifikasi adalah pelatihan training untuk program komputer dalam mengenali ciri signature kelas yang dikehendaki. Aspek ini penting karena akan menentukan sukses tidaknya hasil klasifikasi. Dalam proses pelatihan ini, pengguna akan memasukkan contoh piksel dimana kelas ciri akan dibuat. Terdapat dua cara untuk membangun ciri kelas dari contoh piksel yang tersedia yaitu tak terbimbimbing dan terbimbing. Untuk lebih memahami konsepsi prosedur klasifikasi, penjelasan akan dimulai dengan pengertian statistika dasar peubah tunggal univariate dan peubah jamak multivariate. Kemudian penjelasan akan lebih diarahkan ke konsepsi matematis yang mendasari algoritma klasifikasi. 5.1 Statistika Peubah Tunggal Mengingat data citra memiliki unit tunggal piksel yang sangat banyak, pemahaman tentang sebaran distribusi merupakan aspek yang sangat penting. Gambar berikut memberikan penjelasan tentang berbagai macam sebaran yang sering dijumpai oleh analis Jensen, 1996. Distribusi Normal Distribusi Multimodal Distribusi Uniform Negatively Skewed Distribution Pelatihan Dosen Tentang Teknologi Informasi 15 Untuk Menajemen Sumber Daya Alam. Bogor, 9 –21 Agustus 2004 Pengetahuan ini penting mengingat banyak metode pengolahanklasifikasi citra penginderaan jauh mengasumsikan sebaran normal untuk nilai kecerahan piksel yang ada. Namun pada kenyataannya, banyak citra penginderaan jauh yang tidak mengikuti sebaran normal, melainkan skewed ataupun bahkan multimodal. Pada kondisi ini selayaknya teori statistika non parametrik-lah yang digunakan sebagai dasar analisis. Aspek lain yang banyak bermanfaat adalah histogram. Dari data histogram, analis dapat menentukan kualitas gambar yang sedang dikerjakan, baik dalam hal kecerahan brightness ataupun kontras contrast. Beberapa pendekatan yang sering digunakan dalam penetapan statistika deskriptif peubah tunggal adalah modus, median dan mean. Modus adalah nilai yang paling sering muncul dalam pencacahan. Median adalah nilai tengah dari sebaran frekuensi yaitu setengah dari area dibawah kurva sebaran. Sedangkan mean adalah rataan aritmetik dan didefinisikan sebagai jumlah semua observasi dibagi dengan jumlah observasi. Dua parameter lain yang juga penting adalah ragam variance dan deviasi standar standard deviation. Ragam dari sebuah contoh dalah rataan deviasi kuadrat dari semua observasi yang mungkin dari mean contoh. Secara matematis dapat disimbolkan sebagai berikut: n ∑ BV ik − µ k 2 var = i = 1 k n Bagian pembilang dari persamaan di atas sering disebut dengan corrected sum of squares SS. Jika mean contoh µ k adalah mean populasi, maka ragam memiliki pengukuran yang akurat. Untuk ragam contoh penyebut dari persamaan di atas diganti menjadi n-1. Deviasi standar adalah akar kuadrat positif dari ragam. Dalam persamaan matematis dapat ditunjukkan dengan: s k = var k Nilai yang kecil dari deviasi standar menunjukkan bahwa observasi menunjukkan gerombol yang erat di sekitar nilai tengah. Total area di bawah kurva sebaran normal 16 adalah 100 atau 1.00. Pada tipe sebaran ini, 68.27 dari observasi jatuh dalam +- 1 deviasi standar, 95 dalam +- 2 deviasi standar dan 99 dalam +- 3. 5.2 Statistika Peubah Jamak Penginderaan jauh sensor optik banyak bekerja dengan data multi dimensi dalam hal ini band. Oleh karena itu ukuran statistika yang digunakan adalah ukuran peubah jamak multivariate. Dua ukuran utama yang paling sering digunakan adalah kovarian dan korelasi. Sekalipun kedua ukuran ini paling banyak diterapkan di proses klasifikasi, aplikasi ukuran ini masih dimungkinkan pada bidang lain, yaitu dalam analisis komponen utama principal component analysis. Mengingat ukuran spektral dari individu piksel mungkin tidak independen, kebutuhan akan interaksi mutual antar band menjadi penting. Ukuran interaksi yang menjajikan variasivarian gabungan dari variabel-variabel umumnya dikenal dengan kovarian. Untuk menghitung kovarian, perlu diketahui terlebih dahulu informasi tentang corrected sum of products SP yaitu Davis, 1973: n SP kl = ∑ BV ik − µ k BV il − µ l i = 1 Komputasi SP dapat disederhanakan menjadi Jensen, 1996 : n n n ∑ BV ik ∑ BV il SP kl = ∑ BV ik BV il − i = 1 i = 1 n i = 1 Kovarian dihitung dengan persamaan Davis, 1973 : SP cov kl = n − kl 1 Untuk mengestimasi tingkat hubungan antar band, ukuran korelasi digunakan untuk keperluan ini. Korelasi adalah rasio dari kovarian dibandingkan dengan deviasi standar masing-masing band. r = cov kl kl s k s l 17 Korelasi memiliki kisaran antara –1 dan 1. Koefisien korelasi mendekati 1 berarti terdapat hubungan kuat yang positif antar nilai piksel pada band-band, sedangkan koefisien mendekati –1 berarti terdapat hubungan kuat yang negatif. Korelasi nol menunjukkan tidak adanya hubungan yang linier antar band. Pada umumnya penyajian kovarian dan korelasi dilakukan dalam bentuk tabel agar hubungan antar band dapat lebih terintegrasi dalam menganalisis.

6. Klasifikasi Tak Terbimbing