Klasifikasi berorientasi objek pada citra QuickBird menggunakan perangkat lunak non komersial

ERAWANTA, Teguh Tri, Ir. Aryono Prihandito, Dipl.C., M.Sc

2009 | Tesis | S2 Teknik Geomatika

Data satelit resolusi tinggi menyajikan detail permukaan bumi hingga sub meter sejak diluncurkannya QuickBird pada tahun 2001. Pengenalan objek-objek perkotaan pada citra resolusi sangat tinggi masih menjadi sebuah tantangan terutama karena keragaman yang tinggi dari respon spektral area perkotaan. Ekstraksi informasi menggunakan metode klasifikasi berdasarkan piksel menemui kendala meningkatnya variabilitas internal objek dan kurangnya resolusi spektral. Tujuan dari penelitian ini adalah eksplorasi kinerja dua algoritma berorientasi objek yaitu ECHO (Extraction and Classification of Homogeneous Object) dan pemisah klas berdasar daerah (region based classifier) pada citra QuickBird dipertajam. Algoritma ECHO terdapat dalam MultiSpec 3.3, sedangkan pemisah klas berdasar daerah terdapat dalam SPRING 5.0.3. Algoritma region growing dalam SPRING 5.0.3 dan ECHO pada MultiSpec 3.3 digunakan untuk segmentasi citra pada tahap awal klasifikasi berorientasi objek. Hasil segmentasi kemudian diklasifikasi menggunakan algoritma Bhattacharya pada SPRING 5.0.3 dan maximum likelihood pada MultiSpec 3.3. Ukuran kualitas hasil klasifikasi diadopsi dari penelitian Zhan (2003) yaitu kualitas keseluruhan objek, akurasi pengguna dan akurasi produser. Kedua freeware juga diukur kinerjanya pada masing-masing klas penggunaan lahan menggunakan rata-rata geometrik. Hasil penelitian memperlihatkan bahwa pemilihan parameter segmentasi mempengaruhi hasil klasifikasi. Algoritma ECHO pada perangkat lunak MultiSpec sangat sensitif terhadap variasi spectral objek citra QuickBird yang dipertajam. Hasil yang lebih baik diperlihatkan algoritma klasifikasi berdasarkan daerah dalam SPRING, meski permasalahan dapat timbul pada zona transisi diantara objek penggunaan lahan.

Since QuickBird has launch at 2001, very high spatial resolution satellite data represent surface of the Earth with submeter detail. However, urban objects recognition using very high resolution imagery remains a challenge due to the high diversity of spectral responses in urban areas. Information extraction by pixel based classification method found obstacle to the internal variability increase in urban objects and to the weakness of spectral resolution. The objective of this research is to explore the performance of two object oriented classifiers, ECHO (Extraction and Classification of Homogeneous Object) in the MultiSpec 3.3 and region based classifier in the SPRING 5.0.3 using QuickBird pansharpened imagery. Image segmentation is a preliminary step in object-oriented image classification. The region growing in SPRING 5.0.3 and ECHO in MultiSpec 3.3 are applied for segmenting the image into meaning objects. After the image objects are generated, SPRING 5.0.3 using Bhattacharya algorithm and MultiSpec 3.3 with Maximum Likelihood to classify them. The error matrix is using to compute quality measures, proposed by Zhan (2003), such overall quality, user’s and producer’s accuracy. The geometric mean or g-mean of every class also calculated to examine two freeware’s performance at the different classes individually. The results show that the choice of segmentation parameters is very important and has influence on the classification results. The ECHO algorithms in MultiSpec are more sensitive to spectral object variability. Better results are obtained with region based algorithms in SPRING, but a problem with the transition zones between the contrasted objects can be present.

Kata Kunci : Klasifikasi berorientasi objek, QuickBird, SPRING, MultiSpec, Object oriented classification