Faculty of Computer Science University of Indonesia Dr. Aniati Murni

Presentasi berjudul: "Faculty of Computer Science University of Indonesia Dr. Aniati Murni"— Transcript presentasi:

1 Faculty of Computer Science University of Indonesia Dr. Aniati Murni
Metodologi Deteksi Perubahan Penutup Lahan dengan Teknologi RS, GPS, dan GIS (Sumber: Ira Hastuti, Magdalena R. Purwanti, dan Meilanie S.D, Putri, Student Project, Fakultas Ilmu Komputer, UI, 2002) Faculty of Computer Science University of Indonesia Dr. Aniati Murni

2 Data vektor dan raster yang tersedia
Data citra remote sensing dari sensor Landsat Thematic Mapper (TM) daerah DKI Jakarta hasil rekaman tahun 1994 dan 1999 (data temporal) dan peta dijital DKI Jakarta tahun 1998. Analisis yang diinginkan adalah bentuk perubahan dalam aspek pemanfaatan lahan yang berkaitan dengan kwalitas lingkungan. Pengamatan akan dilakukan terhadap 6 (enam) jenis (obyek) penggunaan lahan, yaitu: jaringan jalan, area pemukiman, daerah vegetasi, badan air, area lahan terbuka, daerah industri.

3 Data Vektor Kekurangan Kelebihan
Data direpresentasi pada resolusi yang se-sungguhnya Hasil cetak vektor lebih estetis dan meme-nuhi standar kartografi Sebagian besar data rujukan berbentuk vek-tor (seperti peta), jadi tidak perlu konversi data Lokasi geografis dapat dipertahankan ke-akuratannya Informasi topologi dapat disimpan dengan efisien, jadi operasi topologi (seperti anali-sis jaringan, jarak, dll.) juga dapat dilakukan dengan efisien Kekurangan Koordinat tiap titik / verteks / point harus di-simpan secara eksplisit Perlu pembentukan struktur topologi yang me-makan waktu, dimana setiap perubahan perlu pembangunan ulang struktur tersebut Algoritma vektor kompleks dengan waktu proses yang tinggi untuk data besar Data kontinue seperti tinggi permukaan bumi perlu dilakukan dengan cara interpolasi Analisis spatial, regsitrasi, dan filtering tidak dapat dilakukan dengan pendekatan ventor

4 Data Raster Kekurangan Kelebihan
Letak geografis dinyatakan secara eksplisit berdasarkan posisi piksel / grid-cell Analisis data lebih mudah dan cepat karena sifat penyimpanan data dalam matriks Data raster bersifat inherent (tiap area memiliki atribut sendiri) sehingga memudahkan pemodelan matematik / analisis kwantitatif Data hutan dan ketinggian dapat diproses dengan mudah Data raster kompatibel dengan data masukan inderaja dan alat tampilan keluaran seperti monitor, printer dan plotter Kekurangan Resolusi ditentukan oleh ukuran sel, makin kecil makin akurat dan makin besar data Sulit untuk analisis jaringan dan representasi feature garis karena tergantung ukuran piksel Pemrosesan data atribut dikaitkan dengan data spasial akan merepotkan karena sifatnya yang inherent Karena sebagian besar data rujukan berbentuk vektor maka diperlukan konversi dari raster ke vektot Hasil cetak data raster tidak sebaik hasil cetak data vektor (jigsaw)

5 Metodologi Pemrosesan Data: dengan Teknologi RS, GPS, dan GIS
Teknologi RS (Remote Sensing) terdiri dari perekaman data, penyaringan gangguan, dan klasifikasi citra untuk mendapatkan citra tematik (untuk data Landsat TM tahun 1994 dan 1999 dari Lapan RI). Citra tematik yang dihasilkan akan akurat bila disertai dengan survai ke lapangan dengan menggunakan teknologi GPS. Konversi data ke format yang kompatibel dengan GIS. Dengan fasilitas GIS dilakukan registrasi antara citra Landsat TM dengan citra dijital DKI Jakarta tahun 1998 yang diperoleh dari BPN. Dengan fasilitas GIS dilakukan analisis temporal dan pembuatan peta-peta yang diperlukan.

6 Metodologi Pemrosesan Data Remote Sensing: Pemrosesan Citra Dijital Landsat TM dengan ER-Mapper Version 5.5 Koreksi radiometrik (filtering pada preprocessing) Registrasi antara citra yang belum terkoreksi dengan citra yang sudah terkoreksi Klasifikasi citra menjadi citra tematik Filtering pada postprocessing untuk menghilangkan single-pixel region Konversi data raster menjadi data vektor Rektifikasi antara citra dengan peta

7 Pemrosesan Citra Dijital Landsat TM : Koreksi radiometrik (filtering)
Koreksi radiometrik pada citra Landsat TM (sensor optik) untuk tujuan klasifikasi biasanya dilakukan dengan filter frekwensi rendah, yaitu mean filter (linear filter) dan median filter (non-linear filter) Median filter mempunyai akibat smoothing yang lebiih kecil dibanding mean filter dan digunakan untuk menghilangkan gangguan dalam bentuk random spike. Suatu window kernel (ditandai dengan garis kotak yang lebih tebal bisa berukuran 3x3 atau 5x5 dst,nya. Untuk mean filter, harga piksel ditengah diganti dengan harga rata-rata piksel dalam window tersebut. Untuk median filter, harga piksel ditengah diganti dengan harga media piksel dalam window tersebut. Citra

8 Pemrosesan Citra Dijital Landsat TM : Contoh Proses Registrasi Citra
Citra Optik asli Citra radar asli Corrected Citra Optik Citra radar

9 Rektifikasi dan Registrasi Citra
Rektifikasi dan Registrasi Citra merupakan proses koreksi geometrik yang menjadikan dua citra mempunyai resolusi spatial yang sama dalam arti bila dua citra tersebut meliputi daerah yang sama, maka kedua citra dapat dihimpitkan secara tepat. Proses pemetaan koordinat antara kedua citra dapat dilakukan melalui transformasi translasi, skala, rotasi atau bilinear transformation. Terminologi rektifikasi biasanya digunakan untuk registrasi antara citra dengan peta yang sudah diproyeksikan pada sistem proyeksi standar seperti UTM (Universe Transverse Mercator).

10 Pemrosesan Citra Dijital Landsat TM : Klasifikasi Citra menjadi Citra Tematik
Klasifikasi citra dapat dilakukan dengan pendekatan supervised (terarah) dan unsupervised (tidak terarah) Klasifikasi tidak terarah lebih dikenal dengan proses clustering dimana kita hanya dapat memperkirakan jumlah kategori wilayah (cluster) yang ada pada citra. Algoritma yang paling sederhana adalah K-Mean Clustering. Klasifikasi terarah dilakukan berdasarkan sampel pem-belajaran (training sample set). Jumlah kategori obyek jelas dan pembuatan sampel setiap obyek dapat dilakukan. Dari sampel obyek dapat ditentukan estimator (mean dan variance) setiap obyek. Algoritma yang paling sederhana dan banyak digunakan adalah Minimum-Distance dan Gaussian Maximum Likelihood Classifiers.

11 K-Mean Clustering Initialisasi prototipe cluster (cluster mean)
Pengelompokan setiap piksel ke cluster terdekat Perhitungan cluster mean yang baru Sudah stabil Ya Tidak Citra tematik Iterasi berikut Selesai

12 Klasifikasi dengan pendekatan terarah
Dengan Maximum-Likelihood Classifier pola Xo secara benar akan dimasukkan ke kelas obyek 2, dengan Minimum-Distance (Euclidean) Classifier pola Xo akan masuk ke kelas obyek 1.

13 Klasifikasi Citra dengan ER Mapper Versi 5
Klasifikasi Citra dengan ER Mapper Versi 5.5: Landsat TM tahun 1994 (courtesy Lapan RI) Citra asli Citra tematik dengan 30 cluster obyek

14 Citra Tematik Hasil Reklasifikasi Dari 30 Menjadi 6 Kelas obyek
Tahun Tahun 1999