Optimalisasi klasifikasi digital tutupan lahan dari citra penginderaan jauh menggunakan algoritma Bayesian model averaging classifier

SYAMANI, Dr. Hartono, DEA., DESS

2008 | Tesis | S2 Geografi

Penelitian ini didasarkan pada asumsi bahwa dengan heterogenitas dan kompleksitas kenampakan permukaan bumi, khususnya objek tutupan lahan, diperlukan algoritma klasifikasi parametrik yang lebih fleksibel terhadap pola spektral tutupan lahan. Adapun tujuan penelitian ini adalah melakukan kajian optimalisasi klasifikasi digital tutupan lahan dari citra penginderaan jauh dengan cara 1) memodifikasi dan mengimplementasikan algoritma Bayesian Model Averaging Classifier (BMAC) dengan berbagai model distribusi data untuk klasifikasi multispektral tutupan lahan dari citra penginderaan jauh; 2) menguji akurasi hasil klasifikasi modifikasi algoritma BMAC dengan berbagai kombinasi model distribusi data kemudian membandingkannya dengan akurasi hasil klasifikasi algoritma Gaussian Maximum Likelihood Classifier (GMLC); dan 3) menguji efisiensi waktu eksekusi algoritma BMAC dengan berbagai kombinasi model distribusi data. Algoritma BMAC diimplementasikan menggunakan Interactive Data Language (IDL) agar menjadi sebuah perangkat terintegrasi dengan perangkat lunak pengolah citra digital. Lebih dari 500 baris kode program ditulis untuk mentransformasi algoritma BMAC menjadi sebuah perangkat lunak antarmuka grafis interaktif. Beberapa model dan parameter statistik tertentu yang digunakan dalam BMAC mengalami simplifikasi dan modifikasi sebelum proses implementasi, untuk tujuan efisiensi kode dan waktu eksekusi program. Hasil implementasi algoritma BMAC diujicoba pada Citra Landsat ETM+ multispektral, dengan 15 kelas tutupan lahan. Akurasi hasil klasifikasi BMAC kemudian dibandingkan dengan akurasi GMLC menggunakan metode Confusion Matrix. Selanjutnya efisiensi waktu eksekusi algoritma juga diuji dengan menggunakan satuan waktu eksekusi relatif terhadap waktu eksekusi GMLC. Hasil klasifikasi menunjukkan bahwa secara keseluruhan akurasi GMLC lebih akurat dari BMAC. Dengan demikian, hipotesis bahwa akurasi keseluruhan hasil klasifikasi digital tutupan lahan akan meningkat dengan kombinasi model distribusi pada algoritma BMAC, ternyata tidak terbukti berdasarkan hasil penelitian ini. Akan tetapi, hasil klasifikasi juga menunjukkan terdapat beberapa kelas tutupan lahan yang memiliki Producer’s Accuracy atau User’s Accuracy yang lebih tinggi pada BMAC. Kenyataan ini merupakan sebuah indikasi bahwa tidak semua kelas memiliki nilai spektral terdistribusi normal, sehingga asumsi GMLC tidak selamanya benar. Terkait uji efisiensi, eksekusi algoritma BMAC berjalan jauh lebih lambat dibanding GMLC. Karena bentuk persamaan BMAC yang lebih kompleks dari pada GMLC, selain itu juga terdapat beberapa algoritma ekstensi dalam BMAC seperti Bayesian Information Criterion, dan berbagai aktifitas teknis seperti kalibrasi nilai diskriminan. Hasil uji akurasi dan uji efisiensi algoritma menunjukkan bahwa, GMLC merupakan algoritma yang paling optimal untuk klasifikasi digital tutupan lahan. Dengan demikian, tujuan optimalisasi klasifikasi digital tutupan lahan menggunakan algoritma BMAC, secara umum tidak tercapai dalam penelitian ini. Akan tetapi, dengan ditemukannya beberapa kelas yang memiliki akurasi individu lebih tinggi pada model-model non- Gaussian, menunjukkan bahwa BMAC optimal untuk kelas-kelas tertentu.

This research is based on an assumption that according to heterogenity and complexity of the earth surface appearance, especially landcover objects, it needs parametric classifier algorithms that are more flexible to landcover spectral patterns. The aim of this research is to study optimal landcover digital classification from remote sensing imagery basing on the following methods 1) to modify and to implement Bayesian Model Averaging Classifier (BMAC) algorithm with several statistical distribution models for landcover multispectral classification from satellite imagery; 2) to assess the classification result accuracy of BMAC algorithm with several statistical distribution model combinations and then compare it with the classification result accuracy of Gaussian Maximum Likelihood Classifier (GMLC) algorithm; and 3) to assess the execution time efficiency of BMAC algorithm with several statistical distribution model combinations. BMAC algorithm has been implemented using Interactive Data Language (IDL) in order to become an integrated tool in digital image processing software. More than 500 lines code has been written to transform BMAC algorithm become an interactive Graphical User Interface tool. Several statistical models and parameters which are used in BMAC have been simplified and modified before implementation to make an efficient source code and faster time execution. The implementation result of BMAC algorithm has been tested on multispectral Landsat ETM+ imagery, with 15 landcover classes. The classification results of BMAC algorithm accuracy then have had compared with GMLC accuracy using Confusion Matrix method. Furthermore, the efficiency of algorithm time execution had also been tested using relative time execution unit according to GMLC time execution. The classification results have shown that GMLC accuracy was always more accurate than BMAC. Thus, the hypothesis which stated Overall Accuracy of landcover classification result will increase with statistical distribution models combination in BMAC algorithm, has not yet proven the fact according to this research results. But, the classification results has also shown that there are several landcover classes which have more accurate Producer’s Accuracy and User’s Accuracy in BMAC. This fact was an indication that several spectral signatures have non-normal distributions, thus, GMLC assumption was not always true. In relation with efficiency assessment, BMAC execution is running slower than GMLC. This is caused by BMAC formulation which is more complex than GMLC and there are several extension algorithms in BMAC, i.e. Bayesian Information Criterion, and also numerous technical processes in BMAC, i.e. discriminant value calibration. The accuracy and efficiency assessment result have also shown that GMLC is the most optimal algorithm to landcover digital classification. Thus, the objective to optimalize landcover digital classification using BMAC algorithm, generally didn’t succeed in this research. But, there are several classes that have more accurate Producer’s Accuracy and User’s Accuracy in non-Gaussian models, this revealed that BMAC was an optimal algorithm for specific spectral signatures.

Kata Kunci : Maximum likelihood,Bayesian classifier,Tutupan lahan,Klasifiaksi digital, Maximum Likelihood, Bayesian Classifier, landcover, digital classification