KLASIFIKASI TERBIMBING (Supervised Classification) DAN KLASIFIKASI TIDAK TERBIMBING (Unsupervised Classification)

                Klasifikasi diartikan sebagai proses mengelompokkan pixel-pixel ke dalam kelas-kelas atau kategori-kategori yang telah ditentukan berdasarkan nilai kecerahan (brightness value/BV atau digital number/DN) pixel yang bersangkutan. Klasifikasi citra pada dasarnya bertujuan untuk mendapatkan gambaran atau peta tematik yang berisikan bagian-bagian yang menyatakan suatu obyek atau tema. Tiap obyek pada gambar tersebut memiliki simbol yang unik yang dapat dinyatakan dengan warna atau pola tertentu. Klasifikasi bentuk dalam citra, pada awalnya dimulai dengan interpretasi visual atau interpretasi citra secara manual untuk mengidentifikasi kelompok piksel yang homogen yang mewakili beragam bentuk atau kelas liputan lahan yang diinginkan. Interpretasi citra penginderaan jauh dapat dilakukan dengan dua cara, yaitu interpretasi secara manual dan interpretasi secara digital.

            Klasifikasi digital pada suatu citra adalah suatu proses di mana piksel-piksel dengan karakteristik spektral yang sama, yang oleh karenanya diasumsikan sebagai kelas yang sama, diidentifikasi dan ditetapkan dalam suatu warna. Dalam perkembangan selanjutnya teknik klasifikasi digital sudah mengarah ke berbasis objek, dimana pada metode klasifikasi ini menggunakan tiga parameter utama sebagai pemisah objek, yaitu scale, shape, compactness. Klasifikasi digital ini memiliki keunggulan pada pemisahan antar objek yang akurat dan presisi. Selain itu klasifikasi ini melakukan klasifikasi berdasarkan segmentasi objek, bukan berdasarkan piksel, klasifikasi digital ini juga memiliki kelebihan dalam efisiensi waktu pengerjaan (Noviar 2012). Klasifikasi secara digital yang menempatkan piksel ke dalam kelas-kelas secara umum dapat dilakukan dalam dua cara, yaitu  klasifikasi tidak terbimbing (Unsupervised Classification) dan klasifikasi terbimbing (Supervised Classification) (Mukhaiyar 2010).

     Klasifikasi tidak terbimbing adalah klasifikasi yang proses pembentukan kelas - kelasnya sebagian besar dikerjakan oleh komputer (Jaya 2010). Klasifikasi tidak terbimbing sering disebut clustering yaitu suatu teknik klasifikasi atau identifikasi yang merupakan serangkaian proses untuk mengelompokkan observasi ( yang dalam hal ini piksel) ke dalam suatu kelas atau klaster yang benar dalam suatu kategori yang disusun . Klasifikasi tidak terbimbing mengelompokkan piksel - piksel berdasarkan kesamaan atau kemiripan spektralnya. Kelas - kelas tersebut tidak berhubungan secara langsung dengan watak - watak tertentu dari fitur atau obyek yang ada pada citra (Jaya 2007).

Euclidean distance merupakan metode yang membandingkan jarak minimum image pengujian, dengan database image pelatihan (Nugraheny 2015). Ruang  euclidean distance merupakan ruang dengan dimensi terbatas yang bernilai riil dimana jarak euclidean adalah panjang sisi miring dari sebuah segitiga siku -siku. Semakin kecil nilai d (x,y) maka semakin mirip kedua vektor yang dibandingkan, sebaliknya semakin besar nilai d (x.y) maka semakin berbeda kedua vektor tersebut ( Santosa 2007). Squared Euclidean Distance merupakan metode yang hampir sama dengan metode euclidean, namun tidak menggunakan akar kuadrat. Hal tersebut menyebabkan clustering jarak squared euclidean lebih cepat dibandingkan jarak euclidean.

Pembuatan dendogram dapat menggunakan dua metode yaitu metode single linkage dan metode complete lingkage. Metode single lingkage yaitu metode yang dibentuk dengan menggabungkan jarak paling pendek atau similaritas yang paling besar. Metode complete linkage merupakan metode yang didasarkan pada jarak maksimum. Jarak satu cluster dengan cluster lain diukur berdasarkan obyek yang mempunyai jarak terjauh. Awal perhitungan terlebih dahulu mencari jarak minimum dan menggabungkan obyek - obyek yang bersesuaian (Simora 2005).

mengurangi kesalahan pengkelasan. 

Klasifikasi terbimbing adalah klasifikasi yang analisisnya mempunyai sejumlah pixel yang mewakili masing - masing kelas atau kategori yang diinginkan (Jaya 2007). Menurut Marini (2014) Klasifikasi terbimbing merupakan metode yang diperlukan untuk mentransformasikan data citra multispektral ke dalam kelas-kelas unsur spasial dalam bentuk informasi tematis. Kriteria pengelompokan kelas ditetapkan berdasarkan penciri kelas yang diperoleh melalui pembuatan training area. Penentuan training area biasanya dilakukan berdasarkan hasil pengamatan lapangan atau berdasarkan penyesuaian dengan peta rupa bumi. Training area yang telah didapatkan kemudian dijadikan sebagai masukkan dalam proses klasifikasi untuk keseluruhan citra (Jaya 2007). Pada klasifikasi terbimbing,  identitas  dan  lokasi  kelas-kelas  unsur  atau  tipe  penutup  lahan (seperti halnya perkotaan, tubuh air, lahan basah, dan lain sebagainya) telah diketahui sebelumnya melalui kunjungan ke lapangan (survei), analisis foto udara (atau citra satelit sebelumnya), maupun cara-cara yang lain (Marini 2014).

Separabilitas adalah ukuran statistik antar dua kelas . Separabilitas digunakan untuk mengetahui kombinasi band mana saja yang akan meberikan separabilitas terbaik untuk memperoleh kualitas ketelitian klasifikasi (Riswanto 2009). Nilai yang dicari dalam praktikum ini yaitu comission error, comission error, User accuracy, ketelitian akurasi, kappa accuracy dan overall accuracy. Omission dan Comission error adalah kesalahan yang dilakukan oleh user atau pembuat saat menentukan area klasifikasi. Nilai kappa digunakan untuk menentukan bagaimana klasifikasi membandingkan secara acak menempatkan nilai ke setiap pixel (Noviar et al 2012). Akurasi kappa digunakan untuk menguji kesignikanan antara dua matrik kesalahan dari metode yang berbeda atau dari kombinasi band yang berbeda ( Jaya 2007).

Klasifikasi terbimbing dan tidak terbimbing memiliki kekurangan masing-masing. Klasifikasi tidak terbimbing memiliki kekurangan yaitu pencitraan spektral selalu berubah sepanjang waktu, menyebabkan hubungan antar respon spektral dengan kelas informasi menjadi tidak konstan, oleh karena itu pengetahuan tentang spektral harus lebih dipahami. Klasifikasi tidak terbimbing digunakan pada citra yang hanya memiliki sedikit informasi. Kekurangan dari klasifikasi terbimbing yaitu ouput yang diperoleh akan tidak sesuai dengan keadaan dilapang apabila melakukan kesalahan saat membuat training area, dimana saat pemilihan training area suatu wilayah dapat berisikian beberapa area yang berbeda kelas. Hal tersebut mengakibatkan training area yang telah dibuat akan memproses data yang kurang tepat. Kelebihan dari klasifikasi supervised yaitu dapat membedakan kelas/cluster dengan baik apabila training sample yang diperoleh tepat.

   

DAFTAR PUSTAKA

Indarto.2009. Identifikasi dan Klasifikasi Peruntukan Lahan Menggunakan Citra Aster. Jurnal Media Teknik Sipil.. Vol 9(1):1-8.

Jaya I N S. 2007. Analisi Citra Digital : Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor (ID) : Institut Pertanian Bogor.

Marini Y.2014.Perbandingan Metode Klasifikasi Supervised MaximumLikelihood dengan Klasifikasi Berbasis Objek Untuk Inventarisasi Lahan Tambak di Kabupaten Maros[Seminar]. Bogor(ID):LAPAN.

Mukhaiyar R.2010. Klasifikasi Penggunaan Lahan dari Data Remote Sensing. Jurnal Teknologi dan Informasi. Vol 2(1):1-15.

Maspiyanti F. 2013. Klasifikasi Fase Pertumbuhan Padi Berdasarkan Citra  Hiperspektral dengan Modifikasi Logika Fuzzy  (paddy growth stages classification based on  hyperspectral image using modified fuzzy logic). Jurnal Penginderaan Jauh.Vol 10 (1): 41-48.

Nugraheny D.2015. Metode nilai jarak guna kesamaan atau kemiripan ciri suatu citra (kasus deteksi awan cumolonimbus menggunakan principal component analysis). Jurnal Angkasa. 7(2):21-30.

Noviar H. 2012. Uji Akurasi Training Sampel Berbasis Objek Citra Landsat Di Kawasan Hutan Provinsi Kalimantan Tengah.Jurnal Ilmiah Geomatika. Vol 18(2):132-143.

Noviar H, Carolita I, Cahyono J S. 2012. Uji akurasi training sampel berbasis objek citra landsat di kawasan hutan Provinsi Kalimantan Tengah. Jurnal Ilmiah Geomatika. 18 (2):132-143.

Riswanto E. 2009. Evaluasi akurasi klasifikasi penutupn lahan menggunkan citra alos palsar resolusi rendah studi kasus di Pulau Kalimantan [Skripsi]. Bogor (ID): Institut Pertanian Bogor.

Santosa B. 2007. Data Mining ( Teori dan Aplikasi). Yogyakarta (ID) :Graha Ilmu.

Somantri L. 2008.Pemanfaatan Teknik Penginderaan Jauh untuk Mengidentifikasi Kerentanan dan Resiko Banjir. Jurnal Gea. Vol 8(2): 1-6.