perbandingan identifikasi objek pada citra multispektral berbasis

Tugas Akhir - 2007
PERBANDINGAN IDENTIFIKASI OBJEK PADA CITRA MULTISPEKTRAL
BERBASIS CLUSTERING DAN BERBASIS REDUKSI SPEKTRAL (STUDI KASUS :
PENGINDERAAN JAUH - LAPAN) COMPARISON OF MULTISPECTRAL IMAGE
OBJECT IDENTIFICATION BASED ON CLUSTERING AND SPECTRAL
REDUCTION (CASE S
Miduk Parulian¹, Fazmah Arief Yulianto², Eddy Muntina Dharma³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Citra multispektral merupakan citra yang terdiri dari sejumlah spectrum. Jenis citra ini dapat
ditemukan pada hasil pemetaan yang dilakukan oleh satelit. Masalah utama dari identifikasi
suatu objek pemetaan pada citra multispekral adalah ketelitian dan kecepatan proses.
Identifikasi dan analisa objek pada citra multispektral dengan menggunakan informasi spasial
seperti ukuran, bentuk, tekstur, pola, bayangan asosiasi dan situs. Metode yang dipakai untuk
identifikasi objek yaitu Segmentasi. Proses segmentasi merupakan proses pemisahan objek
menjadi bagian-bagian pembentuknya. Pengkelasan ini akan diintegrasikan dengan metode
clustering dan reduksi spektral untuk memperoleh kualitas citra yang optimal. Sedangkan
metode clustering yang digunakan adalah cluster radius. Untuk reduksi spectral digunakan
Principal Component Analysis (PCA). Dengan dirancangnya sistem Perbandingan Identifikasi
objek pada citra multispektral berbasis clustering dan berbasis reduksi spektral pada tugas akhir
ini dapat diidentifikasi suatu objek citra multispektral dengan ketelitian yang lebih optimal dan
kualitas citra yang baik.
Kata Kunci : Citra multispektral, clustering, reduksi spektral, Principal Component Analysis
(PCA)
Abstract
Multispectral image represent image which consist of a number of spectrum. This Image type can
be found at result of mapping done by satellite. Main problem from identifying an mapping object
at multispecral image is correctness and speed of process. Identify and object analysis
multispectral image by using spatial information like size measure, form, texture, pattern,
association shadow and site. Method weared to identification object that is Segmentation.
Segmentation is separation of object become part of thats object .This Class method will
integrating with clustering method and spectral reduction to obtain the quality of optimal image.
While used by clustering method is clustering of radius. For the spectral reduction used by
Principal Component Analysis ( PCA). Designed Comparison of object Identification multispectral
image based on clustering and spectral reduction at this final project can identification an
multispectral image object with more optimal correctness.
Keywords : Multispectral image, clustering, spectral reduction, Principal Component Analysis
(PCA)
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2007
Bab I Pendahuluan
BAB I
PENDAHULUAN
1.1
Latar Belakang Masalah
Sistem identifikasi yang digunakan untuk mengetahui suatu objek haruslah
memiliki kualitas dan kecepatan proses yang memenuhi batasan tertentu yang
telah ditetapkan. Seiring dengan berkembangnya aplikasi multimedia, dalam hal
ini identifikasi objek pada citra multispektral semakin berkembang sesuai dengan
metode yang digunakan. Penerapan yang lebih nyata dapat dilihat pada pemetaan
suatu wilayah melalui satelit. Citra yang dihasilkan dari pemetaan satelit
merupakan citra multispektral. Citra multispektral merupakan citra yang terdiri
dari sejumlah spectrum.
Pemetaan diperoleh dari hasil klasifikasi multispektral citra digital.
Klasifikasi multispektral merupakan suatu algoritma yang dirancang untuk
menyajikan informasi tematik dengan cara mengelompokkan fenomena
berdasarkan satu kriteria yaitu nilai spektral pada beberapa saluran sekaligus. Tiap
objek cenderung memberikan pola respon spektral yang spesifik. Semakin sempit
dan banyak saluran yang digunakan, semakin teliti hasil klasifikasi multispektral
tersebut. Klasifikasi multispektral diawali dengan menentukan nilai pixel
representatif tiap obyek secara sampling. Nilai pixel dari tiap sampel tersebut
digunakan sebagai masukan dalam proses klasifikasi. Ektraksi informasi citra
multispektral dikerjakan berdasarkan warna pada citra komposit, analisis statistik
dan analisis grafis. Analisis statistik digunakan dengan memperhatikan nilai ratarata, standar deviasi, varians, dan kovarians, dari setiap kelas sampel yang diambil
guna menentukan keterpisahan sampel. Analisis grafis digunakan untuk melihat
sebaran piksel-piksel suatu kelas yang diasumsikan sebagai kelas yang homogen
apabila piksel-piksel yang diambil sebagai sampel, berkumpul dalam satu gugus,
dengan memperhatikan posisi gugus sampel dalam diagram pencar.
Karakteristik spektral terkait dengan panjang gelombang yang digunakan
untuk mendeteksi obyek-obyek yang ada di permukaan bumi. Semakin sempit
jarak (range) panjang gelombang yang digunakan maka, semakin tinggi
kemampuan sensor itu dalam membedakan obyek.
Sebagai solusi dari permasalahan di atas dibuatlah suatu perangkat lunak
yang dapat mengidentifikasi dan membandingkan suatu objek penginderaan jauh
antara citra multispektral berbasis clustering dan berbasis reduksi spectral.
1.2
1.3
Perumusan Masalah
Berdasarkan latar belakang yang telah dikemukakan, masalah yang akan
diteliti yaitu bagaimana menentukan dan membandingkan suatu objek
berbasiskan clustering dan reduksi spektral.
Tujuan Pembahasan
Tujuan tugas akhir ini adalah:
Program Sarjana Teknik Informatika
STTTELKOM BANDUNG
1
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2007
Bab I Pendahuluan
•
•
•
Analisa dan implementasi pada citra multispektral berbasiskan clustering
dan berbasiskan reduksi spektral.
Membangun perangkat lunak yang dapat mengidentifikasi objek
penginderaan jauh pada citra multispektral berbasiskan clustering dan
berbasiskan reduksi spectral.
Melakukan perbandingan citra multispektral dengan
metode yang
digunakan antara clustering dengan reduksi sprektal berdasarkan ketelitan
yang dihasilkan dari hasil identifikasi.
1.4
Batasan Masalah
Dalam menganalisa dan mengimplementasikan citra multispektral
berbasiskan clustering dan berbasiskan reduksi spektral dilakukan pembatasan
sebagai berikut:
1. Objek yang diidentifikasi merupakan hasil klasifikasi berdasarkan warna
merah, hijau, biru (RGB) yang terdapat pada peta .
2. Data-data yang digunakan yaitu citra multispektral yang dihasilkan dari
penginderaan jauh (Remote Sensing).
3. File yang digunakan yaitu file image AVIRIS (Airbone Visible Infrared
Imaging Spectrometer)
4. Perancangan dan realisasi sistem menggunakan:
a. Python versi 2.4
b. Numeric Python 24.1
c. wxPython 2.7.2 for Python 2.4
d. Gnuplot
e. Python Imaging Library (PIL) versi 1.1.5
1.5
Metodologi
1. Studi literatur
Bertujuan untuk mempelajari dasar teori dan teori dari literatur-literatur
mengenai:
• Pengolahan citra. Khususnya citra multispektral
• Metode-metode yang digunakan seperti identifikasi objek, metode
clustering dan reduksi spektral.
2. Pengumpulan data
Melakukan proses pencarian data sampel image AVIRIS (Airbone Visible
InfraRed Imaging Spectrometer) merupakan penginderaan jauh citra
multispektral.
3. Pembuatan sistem aplikasi dengan menggunakan data citra multispektral
terdiri dari dua metodologi yaitu:
A. Citra diclustering kemudian diklasifikasi
B. Citra direduksi spektral kemudian diklasifikasi
4. Setelah pembuatan prototype perangkat lunak selesai maka dilakukan
ujicoba (testing) terhadap sistem aplikasi tersebut dan menganalisis hasil
yang telah dicapai
Program Sarjana Teknik Informatika
STTTELKOM BANDUNG
2
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2007
Bab I Pendahuluan
1.6
Sistematika Pembahasan
Tugas Akhir ini disusun berdasarkan sistematika sebagai berikut:
BAB I
: Pendahuluan
Pada bab ini akan dibahas kerangka penelitian atau
percobaan dalam tugas akhir, meliputi latar belakang
masalah, tujuan penulisan, perumusan masalah, batasan
masalah, metodologi penulisan, dan sistematika penulisan.
BAB II
: Dasar Teori
Pada bab ini memuat berbagai dasar teori yang mendukung
cara kerja dalam mengidentifikasi objek, clustering dan
reduksi spectral.
BAB III
: Perancangan dan implementasi program.
Pada bab ini membahas rancangan program secara umum
dan implementasi.
BAB IV
BAB V
: Implementasi dan analisis hasil
Pada bab ini membahas implementasi dan analisis hasil
Perbandingan Identifikasi objek pada citra multispektral
berbasis clustering dan berbasis reduksi spektral.
: Kesimpulan dan Saran
Pada bab ini diberikan kesimpulan secara umum penelitian
yang dilakukan dan saran untuk pengembangan
selanjutnya.
Program Sarjana Teknik Informatika
STTTELKOM BANDUNG
3
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2007
Bab V Kesimpulan dan Saran
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari percobaan dan hasil analisa yang telah dilakukan dalam menerapkan
sistem identifikasi objek pada citra penginderaan jauh didapatkan kesimpulankesimpulan sebagai berikut:
1. Sistem identifikasi objek pada citra penginderaan jauh dapat digunakan
untuk menganalisa suatu citra berbasiskan clustering dan reduksi
spektral citra penginderaan jauh
2. Penggunaan sistem identifikasi ini membantu dalam menentukan dan
menganalisa pola spektral pada citra multispektral.
3. Pemilihan Tingkat ketelitian antara citra dapat dilihat secara subjektif
dan objektif dimana secara subjektif pada metode clustering image
yang dihasilkan lebih kelihatan tidak beraturan dari pada image yang
di proses dengan reduksi spektral. Spektral image yang diclustering
sangat berdekatan menyebabkan image terlihat tidak beraturan. Secara
objektif Berdasarkan grafik diatas dapat disimpulkan bahwa setiap titik
yang ada pada grafik merepresentasikan objek pada citra yang
teridentifikasi. Setiap titik menyatakan spektrum dan objek yang sama
berdasarkan tampilan visual yang dihasilkan. Meskipun dengan
metode clustering hasilnya kurang bagus namun dengan adanya iterasi,
metode ini berhasil mencocokan setiap spektral berdasarkan kemiripan
spektrum citra.
4. Berdasarkan grafik diatas dapat disimpulkan apabila titik-titik yang
menyebar semakin sedikit jumlahnya pada cluster ke-n maka tampilan
visual yang ditampilkan akan semakin mendekati gambar standart
yang digunakan. Pada reduksi spektral tidak terdapat titik-titik pada
cluster tertentu, hal ini disebabkan karena citra mirip dengan citra
warna standart. Gambar yang dihasilkan dengan meggunakan metode
reduksi spektral mirip dengan gambar standartnya dalam mendeteksi
objeknya dibandingkan dengan menggunakan metode clustering.
Sehingga untuk mengidentifikasi objek pada citra multispektral lebih
baik dengan menggunakan metode reduksi spektral.
5.1 Saran
Saran yang dapat diajukan untuk pengembangan dan perbaikan pada sistem
identifikasi objek pada citra penginderaan jauh yaitu:
1. Tugas akhir ini masih bisa dikembangkan untuk melakukan
identifikasi objek pada citra dengan berbasiskan metode yang
lain,seperti berbasiskan AI, antara lain neural network, fuzzy.
2. Perlu adanya metode lain yang lebih efisien dalam identifikasi objek
pada citra agar citra yang diidentifikasi memiliki tampilan yang sama
dengan citra acuan tingkat kesalahan sedikit mungkin. Misalnya
dengan menggunakan metode clustering adaptif.
Program Sarjana Teknik Informatika
STTTELKOM BANDUNG
37
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2007
Daftar Pustaka
DAFTAR PUSTAKA
[1]. Gonzalez, Rafael C, Richard E. Woods, Digital Image Processing 2nd
,Prentice Hall,2002.
[2] Agus Zainal Arifin dan Nova Hadi Lestriandoko, Kompresi Citra
Penginderaan Jauh Multispektral Berbasis Clustering dan Reduksi Spektral,
Jurnal Ilmiah Teknologi Informasi, Fakultas Teknologi Informasi, Institut
Teknologi Sepuluh Nopember, 2002..
[3] Agus Zainal Arifin dan Wiwik Dyah Septiana Kurniati, Penggunaan Analisa
Faktor untuk Klasifikasi Citra Penginderaan Jauh Multispektral, Jurnal
Ilmiah Teknologi Informasi, Vol. 1, No. 1, Fakultas Teknologi Informasi,
Institut Teknologi Sepuluh Nopember, Agustus 2002.
[4] Pemetaan Land Use Land Cover (LULC) dari Citra Penginderaan Jauh
Landsat7 ETM+ untuk Wilayah Mamberamo dan Raja Ampat Provinsi
Papua, 2003, http://fwi.or.id/papua
[5] Vasudev Bhaskaran, Konstantinos Konstantinides, Image and video
compression standards: Algorithms and Architectures 2nd ed, Kluwer
academic publishers, 2003.
[6] Raja, Yogesh; McKenna, Stephen J.; Gong, Shaogang. “Tracking and
Segmenting People in Variying Lighting Conditions using Colour”,
Proceeding of the Third IEEE International Conference on Automatic Face
and Gesture Recognition (FG’98), Nara, Japan, 1998.
[7] James J. Simpson, Timothy J McIntire, and Matthew Sienko, An Improved
Hybrid
Clustering
Algorithm
for
Natural
Scenes,
IEEE
Trans.Geosci.Remote Sensing, Vol 38, no.2, March 2000.
[8] Arto Kaarna, Pavel Zemcik, Heikki Kalviainen, and Jussi Parkkinen,
Compression of Multispectral Remote Sensing Image Using Clustering and
Spectral Reduction,IEEE Trans.Geosci.Remote Sensing, Vol 38, no.2,
March 2000.
[9] Pressman, Roger S. 1997. Software Engineering : A Practitioner’s Approach
Fourth Edition. New York : Mc. Graw Hill
[10] Pusat Pengembangan Pemanfaatan dan Teknologi Penginderaan Jauh, 2003
http://lapanrs.com/PROFIL/PUSBANGJA/index.php?htmf=inslahta.php
[11] Purwadhi, Sri Hardiyanti, 2001, Interpretasi Citra Digital. PT Gramedia
Widiasarana Indonesia, Jakarta
[12] Contreras, Shirley Morillo, A Comparison of Resolution Enhancement
Methods as Pre-Processing for Classification of Hyperspectral Images,
Master Thesis, 2004.
Program Sarjana Teknik Informatika
STTTELKOM BANDUNG
38
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika