HR Scorecard

DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21
PENGHILANGAN AWAN PADA CITRA SATELIT DENGAN CITRA
MULTI-TEMPORAL DAN INPAINTING BERBASIS SELF-ORGANIZING
MAP
Fidi Wincoko Putro(1), Handayani Tjandrasa(2)
Jurusan Teknik Informatika, Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember, Surabaya
e-mail: [email protected](1), [email protected](2)
ABSTRAK
Citra satelit merupakan salah satu hasil dari penginderaan jarak jauh yang bisa dimanfaatkan manusia
untuk menganalisa permukaan bumi dengan berbagai cara tertentu. Permasalahan yang sering muncul
dalam pengolahan citra satelit adalah adanya gangguan derau (noise). Salah satu noise dari citra satelit
yaitu awan yang menutupi sebagian area tertentu. Oleh karena itu diperlukan suatu pendekatan untuk
menghilangkan awan tersebut. Pendekatan yang diusulkan adalah menggabungkan metode citra multitemporal dengan metode inpainting untuk menutup area yang masih terdapat awan. Salah satu metode
inpainting yang telah berhasil digunakan adalah dengan pendekatan Self-Organizing Map (SOM).
Penggunaan inpainting berbasis SOM adalah untuk mendapatkan citra yang akan digunakan untuk
mengisi pixel kosong pada area awan yang telah hilang setelah metode multi-temporal dilakukan. Dengan
gabungan metode tersebut mampu mengatasi permasalahan penghilangan awan pada citra satelit hingga
96.79% pixel bebas awan dan secara visual mencapai 100%.
Kata kunci: Citra satelit, Multi-temporal, Penghilangan awan, Self-Organizing Map Inpainting.
ABSTRACT
Satellite imagery is one of remote sensing result that can be used by human to earth observation. The
problem in satellite image processing is noise reduction. Cloud can be categorized into noise in satellite
image processing because it covers much area on the image. Therefore cloud removal has been to be
problem must be solved. Therefore we need a better method to solve the problem. An approach that we
propose is using a combination method between multi-temporal images method and inpainting method
based self-organizing map (SOM). Inpainting based SOM used to generate an image that will be used to
fill some of the empty pixel in the cloud disappeared after the process of multi-temporal method has been
done. Using the combination methods can solve the cloud removal problems on satellite imagery until
96,79% free pixels and reach 100% visually.
Keywords: Cloud removal, Multi-temporal, Satellite imagery, Self-Organizing Map Inpainting.
PENDAHULUAN
Penggunaan citra satelit harus melalui beberapa
proses sebelum akhirnya bisa digunakan menjadi
produk yang bermanfaat atau biasa disebut
praproses
(preprocessing).
Salah
satu
permasalahan dalam preprocessing citra satelit
adalah menghilangkan derau (noise) yang akan
mengganggu secara visual. Diantara beberapa
noise yang sering muncul salah satunya adalah
awan. Awan akan dianggap sebagai pengganggu
karena ia akan menutupi sebagian wilayah dari
citra satelit. Sehingga area yang tertutup tersebut
tidak bisa dimanfaatkan atau akan menjadi data
pencilan (outlier) apabila dilakukan proses
segmentasi atau clustering pada citra tersebut.
Oleh karena itu diperlukan cara untuk
menghilangkan tutupan awan tersebut. Beberapa
metode telah dilakukan oleh peneliti untuk
mengatasi permasalahan awan tersebut, pada
beberapa dekade terakhir metode pendekatan untuk
mengatasi permasalahan tersebut dibagi menjadi
tiga yaitu metode penghilangan awan dengan citra
Dinamika Teknologi
15
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21
satelit multispectral-based, multi-temporal-based,
dan dengan metode inpainting-based.
Pendekatan citra satelit multispectral untuk
menghilangkan
awan
dilakukan
dengan
menggabungkan informasi yang diperoleh dari
hasil pengolahan frekuensi gelombang dari sensorsensor yang mengambil citra tersebut, bahkan
dengan memanfaatkan sensor dari satelit lainnya
untuk memprediksi lahan yang berada di bawah
awan tersebut. Akan tetapi dengan pendekatan
multispectral tersebut masih dibatasi dengan
kesesuaian spektral dan resolusi spasial.
Penghilangan awan dengan menggunakan citra
satelit multi-temporal bisa dilakukan salah satunya
dengan metode mosaik. Apabila suatu citra satelit
yang diambil pada waktu yang berbeda dalam
wilayah yang sama maka permasalahan awan akan
bisa diatasi dengan melengkapinya dari informasi
citra satelit pada waktu yang berbeda. Hal tersebut
memungkinkan untuk didapatkan suatu citra satelit
dengan menggantikan area yang tertutup awan
dengan area yang bersih dari awan, dengan asumsi
bahwa hanya terjadi sedikit perubahan lahan pada
wilayah tersebut. Dengan menggunakan citra
satelit multi-temporal tersebut masih tergantung
dengan banyaknya data citra yang cukup bersih
dari awan. Oleh karena itu masih memungkinkan
terdapat area yang masih tertutup awan karena
tidak ada citra pengganti area tersebut yang bebas
dari awan dari keseluruhan data multi-temporal
yang dimiliki.
Satu lagi pendekatan yang digunakan untuk
menghilangkan awan adalah dengan metode
inpainting. Metode ini sebenarnya sering
digunakan untuk melakukan perbaikan citra digital
sehingga secara visual citra tampak lebih bagus
atau bersih dari noise. Konsep dari metode ini
adalah membuat bagian citra sintesis dari informasi
yang diperoleh dari citra disekitarnya. Meskipun
metode ini hanya menghilangkan awan dengan
cara mengisi area yang tertutup awan dengan citra
sintetis, tetapi metode ini mampu dilakukan hanya
dengan satu citra saja sehingga tidak tergantung
dengan data citra satelit lainnya. Beberapa metode
inpainting yang sudah ada diantaranya yaitu,
metode inpainting patch-based, exemplarbased,expensive texture-based, dan lain-lain.
Selain beberapa metode yang telah disebutkan di
atas, ada juga pendekatan inpainting dengan
unsupervised
learning.
Pendekatan
yang
disebutkan terakhir diperkirakan sesuai karena
inpainting pada citra satelit memiliki data yang
16
Dinamika Teknologi
tidak beraturan serta memiliki kualitas tekstur yang
tinggi. Selain itu diperlukan metode unsupervised
learning yang mampu melakukan visualisasi data.
Oleh karena itu pendekatan inpainting dengan SelfOrganizing Map sangat sesuai dengan pengolahan
data citra satelit.
Dari ketiga metode yang telah disebutkan di atas,
metode citra multi-temporal memiliki kelebihan
pada kemampuannya untuk menghilangkan awan
yang luas dan tebal, selain itu juga citra referensi
sebagai pengganti citra yang tertutup awan
merupakan citra asli bukan citra sintetis. Tetapi
ketergantungannya terhadap data citra satelit
temporal yang bersih dari awan menjadi
kelemahan yang perlu diatasi agar tingkat
ketergantungan terhadap data citra temporal
lainnya bisa diturunkan. Oleh karena itu diperlukan
suatu metode yang akan melengkapi metode citra
multi-temporal tersebut.
Berdasarkan permasalahan di atas, maka diusulkan
suatu metode alternatif untuk meningkatkan
kualitas penghilangan awan yang telah dilakukan
dengan metode citra multi-temporal, yaitu
penggabungan citra multi-temporal dengan metode
Inpainting berbasis self-Organizing Map. Karena
dengan metode tersebut, citra yang masih
terkontaminasi dengan awan bisa dihilangkan dan
digantikan dengan citra sintetis yang diolah dari
informasi citra di sekeliling awan. Meskipun citra
yang menggantikan adalah citra sintetis atau
buatan, tetapi area citra yang akan dihapus dan
digantikan dengan citra buatan relatif kecil, tidak
sebesar citra aslinya sebelum penghilangan awan
menggunakan metode multi-temporal. Sehingga
diharapkan gabungan metode tersebut mampu
menghasilkan citra satelit yang lebih bersih dari
awan.
DATA CITRA SATELIT
Pada penelitian ini akan menggunakan data citra
satelit yang merupakan data primer, didapatkan
dari pengambilan citra oleh satelit LANDSAT.
Data citra satelit tersebut bisa diperoleh secara
gratis dari Earth Resources Observation and
Science (EROS) Center, yaitu pusat Ilmu
pengetahuan dan Observasi Sumber Daya Bumi
dibawah koordinasi United States Geological
Survey
(USGS),
bisa
diunduh
di
http://eros.usgs.gov/satellite-imagery.
Sesuai dengan metode yang akan digunakan adalah
citra satelit multi-temporal, maka data citra satelit
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21
Gambar 1. Contoh citra satelit
yang diambil adalah data temporal. Citra Multitemporal yaitu citra satelit pada suatu wilayah yang
diambil dalam beberapa waktu berbeda. Citra
satelit yang didapatkan dari Landsat adalah
wilayah jawa timur antara tahun 1999-2003.
Ukuran asli citra sekitar 7000 x 8000 pixel, tetapi
untuk meningkatkan kecepatan komputasi, maka
akan di potong menjadi 600 x 700 pixel. Untuk
lebih jelasnya silahkan lihat contoh citra satelit
pada Gambar 1.
METODOLOGI
Dalam metodologi penelitian ini terbagi
menjadi beberapa tahap yaitu pendeteksian awan,
penghilangan awan dengan metode citra multitemporal dan penghilangan awan dengan metode
inpainting.
1. Pendeteksian Awan
Sebelum melakukan proses penghilangan awan
pada citra satelit terdapat satu proses penting yang
harus dilalui, yaitu proses pendeteksian atau
penentuan awan. Dalam beberapa penelitian
disebut juga dengan penaksiran tutupan awan
(Cloud Cover Assessment). Beberapa definisi
kriteria awan menurut para peneliti [1][3][4]
adalah obyek secara spektral yang sangat terang
(bright) atau reflektif dan memiliki temperatur
rendah (dingin). Kemudian menurut peneliti
lainnya [5] awan adalah pixel yang memiliki nilai
NDVI (normalized difference vegetation index)
rendah, tetapi di atas nilai NDVI dari perairan.
Peneliti lainnya [6] ada juga yang menyatakan
bahwa awan hanya pixel yang cerah tanpa
memperhitungkan temperatur. Karena menurutnya
temperatur terlalu sensitif terhadap fenomena
fisika yang terkait dengan awan.
Meskipun banyak perbedaan pendapat dari para
peneliti tentang definisi dari awan pada citra
satelit, tetapi metode penentuan awan yang
diusulkan [4] yaitu Landsat 7 Automatic Cloud
Cover Assessment (ACCA) masih sangat relevan
untuk menentukan awan, karena terbukti banyak
peneliti yang menjadikan metode ACCA tersebut
sebagai referensi utama. Selain itu, metode ACCA
juga
memiliki
beberapa
filter
dengan
memanfaatkan 5 band yang menjadikannya lebih
akurat dalam mendeteksi awan. Algoritma ACCA
berdasarkan observasi menunjukkan bahwa awan
adalah obyek yang sangat reflektif dan memiliki
temperatur yang dingin. Reflektivitas yang tinggi
bisa dideteksi dari band visual (band 2 dan 3), band
near-infrared (band 4) dan band middle-infrared
(band 5). Sedangkan temperatur bisa dideteksi dari
band thermal-infrared (band 6). Secara spesifik
band yang digunakan pada algoritma ACCA
seperti yang ditunjukkan pada Tabel 1.
Tabel 1. Daftar band yang digunakan algoritma
ACCA
Band
Panjang
gelombang
(µm)
2
(hijau)
0.525 –
0.605


Mengukur pantulan warna hijau
Pemisahan vegetasi
3
(merah)
0.630 –
0.690


Mengukur penyerapan klorofil
Membedakan spesies tanaman
4
(nearinfrared)

0.775 –
0.900
Menentukan level kelembaban
tanah
Menentukan batas perairan dan
membedakan jenis vegetasi
5
(midinfrared)
1.550 –
1.750
6
(thermalinfrared)
10.400 –
12.500
Fitur yang terdeteksi



Menyediakan informasi tentang
vegetasi dan kelembaban tanah
Membedakan salju dan awan

Pemetaan temperatur
Gambar 2. Awan yang terdeteksi diberi warna
berbeda
Dinamika Teknologi
17
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21
Sebelum melakukan penentuan awan dengan
Algoritma ACCA, maka band 2, 3, 4 dan 5 akan
dikonversi terlebih dahulu nilai reflektansi dan
band 6 dikonversi ke nilai temperatur, proses ini
disebut perhitungan Radiometrik. Algoritma
ACCA terdiri dari dua tahap penyaringan, yaitu
penyaringan tahap pertama dan penyaringan tahap
kedua yang memproses temperatur. Filter
dilakukan pada setiap pixel sampai pixel tersebut
tereliminasi atau digolongkan sebagai awan.
Gambar 4. Citra satelit dibagi dalam grid
Dalam proses pembandingan citra tersebut, perlu
dilakukan pembagian (window) jendela-jendela
kecil atau grid sehingga pembandingan lebih
mudah untuk dilakukan karena ukuran komputasi
yang lebih kecil. Pembagian grid seperti tampak
pada Gambar 4.
Gambar 3. Area awan yang diisi dengan pixel hitam
Untuk melakukan pendeteksian awan dalam
penelitian ini digunakan aplikasi GRASS dimana
pada aplikasi tersebut sudah teruji oleh banyak
peneliti yang meneliti tentang citra satelit. Pada
aplikasi tersebut sudah dilengkapi dengan fungsi
TOAR (Top of Atmosphere Radiance) yaitu fungsi
untuk mengubah data citra sesuai dengan nilai
reflektansi dan temperatur dimana hasil nilai
tersebut akan digunakan untuk mendeteksi awan.
Awan yang terdeteksi pada citra satelit akan diberi
dengan warna yang berbeda seperti pada Error!
Reference source not found.. Kemudian area
yang terdeteksi sebagai awan akan dihilangkang
dengan mengisinya dengan pixel hitam (0,0,0),
sehingga hasilnya seperti pada Gambar 3.
2. Penghilangan Awan dengan Metode Citra
Multitemporal
Pada tahap penghilangan awan ini citra satelit yang
telah terdeteksi area awannya dan telah diisi
dengan pixel hitam, maka akan dilakukan proses
mozaik atau penyusunan citra baru dari beberapa
citra multi-temporal. Sebelum melakukan proses
tersebut, maka perlu dilakukan pemilihan citra
dasar (base) dan citra temporal yang akan
digunakan.
Kemudian
citra
base
akan
dibandingkan dengan citra temporal.
18
Dinamika Teknologi
Setelah proses griding, maka proses penggabungan
citra akan dilakukan dengan menggantikan
potongan area pada citra dasar yang terdapat awan
dengan potongan area dari citra referensi yang
mengandung sedikit awan. Dalam proses
pembandingan antar window, perlu diketahui juga
bahwa citra yang diproses tersebut merupakan citra
dalam format RGB (red, green, blue), sehingga
datanya berupa matriks 3 dimensi. Oleh karena itu,
pixel lubang awan yang berwarna hitam pada
window diwakili dengan nilai 0 pada semua
dimensi dari 3 dimensi matriks citra. Pixel lubang
awan bisa dikenali hanya dengan mendeteksi nilai
0 pada salah satu dimensi saja, sehingga dua
dimensi lainnya boleh diabaikan. Pada setiap
window akan dihitung jumlah pixel hitamnya baru
kemudian dibandingkan dengan jumlah pixel hitam
pada window dari citra temporal pada posisi yang
sama. Sebagai ilustrasi bisa dilihat pada Gambar 4.
3. Penghilangan
Awan
dengan
Metode
Inpainting
Proses pada tahap ini sebenarnya adalah
penggabungan karena penghilangan awan yang
telah dilakukan pada metode sebelumnya, yaitu
metode Citra Multitemporal akan diproses lagi
dengan menambahkan metode Self Organizing
Map Inpainting. Diharapkan dengan gabungan
metode ini mampu meningkatkan kualitas citra
satelit yang bersih dari awan. Karena area awan
telah dihapus maka hanya akan menyisakan lubang
awan yang kita asumsikan sebagai objek yang akan
kita bersihkan.
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21
Proses SOM
Learning
Citra inisialisasi
mapping
pixel
(b)
Pixel yang hilang
(a)
SOM learned map
(c)
Gambar 5. Ilustrasi penggabungan citra (a) Citra
temporal 1, (b) Citra dasar, (c) Citra temporal 2.
Lubang awan yang merupakan suatu pixel
berwarna hitam akan dihilangkan dengan cara
mengisinya dengan suatu warna, inilah yang
disebut proses inpainting citra. Warna yang akan
digunakan untuk mengisi pixel hitam tersebut akan
dihasilkan dari metode Self Organizing Map atau
lebih sering disebut sebagai Kohonen SOM atau
SOM saja.
Self-Organizing Maps (SOM) dikemukakan
pertama kali oleh Tuevo Kohonen dari tahun 19791982. Jaringan SOM terdiri dari dua lapisan
(layer). Layer input terkoneksi penuh terhadap
Kohonen layer. Kohonen layer merupakan inti dari
jaringan SOM yang biasanya direpresentasikan
dengan map satu atau dua dimensi. Perbedaan pada
bagian-bagian Kohonen layer diasosiasikan dengan
cluster yang berbeda. SOM merupakan
unsupervised network yang mana suatu proses selforganizing dimulai dengan pemilihan bobot node
secara acak pada Kohonen layer.
Setiap vektor input selama perputaran training
akan dihitung jarak rata-rata kuadrat antara vektor
input dan vektor bobot, sedangkan winner node
ditentukan dalam suatu nilai ketetanggaan dengan
radius
R. Kohonen menyarankan untuk
menggunakan semua area jaringan sebagai area
inisialisasi hal ini dilakukan untuk meminimalisasi
efek dari inisialisasi bobot secara acak yang sangat
tergantung oleh nilai R. Kadang sejumlah cluster
dibedakan dari banyaknya node pada output map
dari SOM.
Dalam metode SOM sendiri terdapat dua sub
proses yaitu proses training dan proses mapping.
Proses training ini akan menghasilkan warna yang
akan digunakan dalam pengisian pixel hitam.
Sedangkan proses pengisian pixel hitam itulah
yang disebut proses mapping. Sebagai ilustrasi
lihat pada Gambar 6.
Citra hasil
Gambar 6. Ilustrasi proses inpainting dengan Self
Organizing Map
HASIL DAN PEMBAHASAN
Pada bagian ini akan dijelaskan mengenai hasil uji
coba dan pembahasan sistem penghilangan awan.
Lebih lengkapnya akan menjelaskan meliputi
lingkungan dan data uji coba, pelaksanaan dan
hasil uji coba serta analisis hasil uji coba.
1. Lingkungan dan Data Uji Coba
Adapun lingkungan perangkat lunak yang
digunakan pada uji coba ini adalah sebagai berikut:
1) Sistem operasi Linux Elementary OS
(Ubuntu 14.04) dan Microsoft Windows 7.
2) Aplikasi GRASS (Geographic Resources
Analysis Support System).
3) Aplikasi Spyder (Python for Scientist)
beserta
pustaka
fungsi
(library)
pengolahan citra dari Python.
Lingkungan perangkat keras yang digunakan
adalah komputer personal yang memiliki
spesifikasi sebagai berikut:
1) Processor Intel ® Core™ i3-2120 CPU @
3.30 GHz
2) RAM 4.00 GB
3) Tipe sistem 32-bit
Dataset citra satelit yang digunakan pada penelitian
ini adalah data primer citra satelit Landsat. Citra
satelit diunduh langsung dari Pusat Ilmu
pengetahuan dan Observasi Sumber Daya Bumi
(Earth Resources Observation and Science (EROS)
Center) dibawah koordinasi United States
Geological Survey (USGS), dengan alamat di
http://eros.usgs.gov/satellite-imagery. Format file
Dinamika Teknologi
19
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21
dataset yang disediakan berbentuk geoTiff (.tif)
yang terdiri dari 7 citra.
Tabel 3. Hasil Uji Coba
No.
Ukuran
1.
300x300
2.
100x100
3.
50x50
4.
30x30
5.
10x10
multitemporal
multitemporal
+
Inpainting SOM
Gambar 7. Penentuan bidang komputasi
Praproses dilakukan dengan bantuan aplikasi
GRASS (Geographic Resources Analysis Support
System). Semua band dimasukkan ke dalam
GRASS dalam bentuk layer-layer yang tersusun
dengan posisi geografis yang sama. Kemudian
dilakukan
penentuan
bidang
komputasi
(computational region) dengan demikian semua
citra yang sudah tersusun dalam layer-layer akan
terpotong dengan posisi dan ukuran yang sama
seperti yang ditunjukkan pada Gambar 7 sehingga
tidak diperlukan lagi tahap registrasi citra untuk
menyesuaikan posisi antar citra. Hasil layer yang
telah terpotong sesuai dengan bidang komputasi
tersebut yang akan digunakan pada proses
selanjutnya.
38
Tabel 2. Prosentase jumlah pixel hitam yang
dibersihkan dengan metode citra multitemporal
No.
1.
2.
3.
4.
5.
Ukuran
window
(pixel)
300 x 300
100 x 100
50 x 50
30 x 30
10 x 10
Prosentase Jumlah Pixel Hitam (%)
Berhasil
sebelum
sesudah
dihilangkan
35.82
5.75
30.07
35.82
2.99
32.83
35.82
2.34
33.48
35.82
1.74
34.08
35.82
1.15
34.67
2. Pelaksanaan dan Hasil Uji Coba
Untuk pengujian ini akan digunakan parameter
ukuran window 300 x 300 pixel, 100 x 100 pixel,
50 x 50 pixel, 30 x 30 pixel dan 10 x 10 pixel. Uji
coba pertama kali dilakukan dengan metode citra
multitemporal terlebih dahulu, kemudian baru
dilakukan dengan metode penggabungan dengan
inpainting berbasis SOM. Setelah uji coba
dilakukan maka hasilnya tampak pada Tabel 2.
20
Dinamika Teknologi
Prosentase (%)
36
Sebelum
nya
34
32
CM
30
28
CM +
SOM
26
300 x 300 100 x 100 50 x 50 30 x 30
Ukuran Window (pixel)
10 x 10
Gambar 8. Grafik perbandingan keberhasilan
penghilangan pixel hitam antara metode Citra
Multitemporal dan gabungan Citra Multitemporal
dengan inpainting SOM
3. Analisis Hasil Uji Coba
Penghilangan awan dengan metode Citra
Multitemporal yang telah dilakukan terlihat bahwa
secara sekilas citra hasil tampak tersusun dari
kotak-kotak window atau bisa disebut dengan
mozaic. Pada ukuran window yang besar seperti
300 x 300 pixel tidak terlalu terlihat, tetapi pada
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21
saat ukuran diperkecil mulai dari 100 x 100 pixel,
50 x 50 pixel, 30 x 30 pixel sampai 10 x 10 pixel
mozaic tersebut akan semakin tampak. Hal tersebut
tidak lepas dari kualitas citra satelit yang
digunakan, dimana perbedaan pencahayaan citra
satelit antara satu citra dengan citra lainnya terlalu
tajam. Selain itu juga akibat dari pendeteksian
awan tipis atau kabut yang tidak teratasi dengan
baik. Ukuran window yang besar (300 x 300 pixel)
belum begitu terlihat berhasil membersihkan awan,
karena masih tampak jelas lubang-lubang awan
yang berwarna hitam. Ketika ukuran window
diperkecil maka mulai terlihat lubang awan yang
tersisa semakin sedikit. Sampai pada ukuran
window yang paling kecil (10 x 10 pixel) hanya
tersisa sedikit warna hitam di area bawah citra.
Uji coba penghilangan pixel hitam yang telah
dilakukan dengan citra multitemporal kemudian
ditambahkan dengan metode inpainting yang
dalam hal ini menggunakan SOM. Seperti yang
telah dijelaskan sebelumnya, bahwa lubang awan
yang berwarna hitam akan diisi dengan warna
tertentu. Hal tersebut membuat semua pixel hitam
akan hilang dan berganti dengan warna yang telah
ditentukan dari proses inpainting. Terlihat pada
citra hasil dimana ada beberapa area pixel hitam
berubah menjadi warna yang baru yang
menyerupai warna pada area di sekitarnya. Pada
citra dengan ukuran window besar (300 x 300
pixel) yang sebelumnya masih terdapat banyak
lubang awan yang cukup besar, sekarang sudah
berhasil tertutupi. Meskipun masih terlihat secara
kasat mata ada area yang terblok. Ketika ukuran
window diperkecil hingga 10 x 10 pixel, maka
akan semakin bersih dari lubang awan. Oleh
karena tidak ada pixel hitam yang tersisa, maka
perhitungan prosentase pixel hitam sesudah
dilakukan uji coba dengan metode ini
menghasilkan 100 % pixel yang bebas dari pixel
hitam seperti pada Gambar 8.
KESIMPULAN
Setelah dilakukan uji coba dan analisis hasil uji
coba, maka secara keseluruhan penelitian ini bisa
disimpulkan sebagai berikut:
1) Kualitas data citra satelit dan kualitas
pendeteksian awan akan mempengaruhi
kualitas citra hasil akhir, tetapi proses
penghilangan awan masih bisa dilakukan.
2) Penghilangan awan dengan metode citra
multitemporal mampu menghilangkan
awan tergantung dengan banyaknya citra
temporal yang digunakan. Semakin kecil
parameter ukuran window yang digunakan
maka
akan
semakin
baik
hasil
penghilangan awan yang diperoleh. Dari
uji
coba
didapatkan
prosentase
pembersihan mencapai 96,79%.
3) Penghilangan awan dengan gabungan
metode Citra Multitemporal dan SOM
inpainting pada dasarnya tidak terpengaruh
dengan ukuran window yang digunakan,
tetapi secara visual akan tampak blok-blok
warna yang mencolok. Oleh karena itu
penggunaan ukuran window yang kecil
mampu meningkatkan kebersihan citra dari
pixel hitam. Penghilangan pixel hitam dari
metode citra multitemporal maka secara
visual mencapai 100%.
DAFTAR PUSTAKA
1.El-Araby, E., Taher, M., El-Ghazawi, T.,
Moigne,
J.L.,
(2005),
“An
Efficient
Implementation of Automatic Cloud Cover
Assessment (ACCA) on a Reconfigurable
Computer”, Earth-Sun System Technology
Conference.
2.Favorskaya, M., Jain, L. C., Bolgov, A. (2014),
“Image Inpainting Based on Self-Organizing
Maps by Using Multi-agent Implementation”,
Procedia Computer Science, Vol. 35, hal. 861870.
3.Huang, C., Thomas, N., Goward, S.N., Masek,
J.G., Zhu, Z., Townshend, J.R.G., Vogelmann,
J.E., (2010), “Automated Masking of Cloud and
Shadow for Forest Change Analysis Using
Landsat Images”, International Journal of
Remote Sensing, Vol. 31, No. 20, hal. 54495464.
4.Irish, R. (2000), “Landsat 7 Automatic Cloud
Cover Assessment: Algorithms for multispectral,
hyperspectral, and ultraspectral imagery”,
Proceedings of SPIE, Vol. 4049, Hal. 348-355.
5.Sedano, F. Kempeneers, P., Strobl, P., Kucera, J.
Vogt, P. Seebach, L., Ayanz, J.S.M., (2011), “A
Cloud Mask Methodology for High Resolution
Remote Sensing Data Combining Information
From High and Medium Resolution Optical
Sensors”, ISPRS Journal of Photogrammetry and
Remote Sensing, Vol. 66, hal. 588-596.
6.Zhu, Z., Woodcock, C.E., (2012), “Automated
Cloud, Cloud Shadow, and Snow Detection in
Multi-temporal Landsat Data: An Algorithm
Designed Specified for Monitoring Land Cover
Change”, Remote Sensing of Environment, Vol.
152. Hal. 217-234.
Dinamika Teknologi
21