SEGMENTASI ANALISIS KOMPONEN UTAMA DENGAN …digilib.batan.go.id/e-prosiding/File Prosiding/Informatika/lkstn... · Anggaplah x adalah vektor keabuan untuk suatu citra dengan N band

SEGMENTASI ANALISIS KOMPONEN UTAMA DENGAN TRANSFORMASI KARHUNEN-LOEVE UNTUK EFISIENSI PENYAJIAN

DAN KLASIFIKASI CITRA PENGINDERAAN JAUH

Wiweka*, Aniati Murni**

ABSTRAK SEGMENTASI ANALISIS KOMPONEN UTAMA DENGAN ANALISIS KARHUNEN-LOEVE UNTUK EFISIENSI PENYAJIAN DAN KLASIFIKASI CITRA PENGINDERAAN JAUH. Makalah ini, mengusulkan efisiensi penyajian dan klasifikasi citra penginderaan jauh dengan melakukan segmentasi dan analisis komponen utama. Persyaratan yang dikehendaki adalah, pertama melakukan partisi seluruh band menjadi sejumlah subgrup yang berkorelasi tinggi; kedua, melakukan analisis masing-masing subgrup, satu band dipisahkan untuk dijadikan petunjuk mendapatkan ciri pilihan. Kemudian ciri pilihan dianalisis kembali untuk diterima sebagai perbandingan reduksi data yang sesuai dan menghasilkan tiga komponen yang paling signifikan untuk penyajian warna. Skema penambahan segmentasi dalam mereduksi perhitungan untuk pemilihan ciri lebih baik dikerjakan dibandingkan dengan analisis komponen utama konvensional. Mereduksi sejumlah ciri mempercepat proses klasifikasi dan proses tidak akan mengalami gangguan terhadap seluruh data hiperspektral walau data training sample terbatas. Hasil yang diperoleh berkaitan dengan pekerjaan terminologi klasifikasi adalah akurasi, kecepatan dan kualitas penyajian gambar berdasar data Compact Airborne Spectographic Imager (CASI).

Kata kunci: ekstraksi ciri, hiperspektral, klasifikasi citra, transformasi Karhunen-Loeve, principal component analysis

ABSTRACT

SEGMENTATION ANALYSIS OF PRINCIPAL COMPONENT WITH TRANSFORMATION KARHUNEN-LOEVE FOR EFFICIENCY OF PRESENTATION AND CLASSIFICATION OF IMAGE OF REMOTE SENSING. This paper proposes efficiency of presentation and classification of image of remote sensing by conducting segmentation and transformation of principal component. Conditions desired are first doing partition of all bands to become a number of subgroups which have the high correlation; second, conducting transformation of each subgroup, one band dissociated to be made by a guide get choice characteristic. Then distinguish choice of transformation return to be accepted as by a comparison reduce appropriate data and yield three most component of significant for the colour presentation. Scheme of addition of segmentation in reducing calculation for election of compared to by done to be better characteristic of Conventional TKU. Reducing a number of characteristic quicken process of classify and process will not experience of trouble to all data of hyperspektral of is although data of training sample limited. Result obtained interconnected of work of terminology of classify is accuration, speed and quality of presentation draw based on data Compact Airborne Spectographic Imager (CASI). Keywords: feature selection, hyperspektral, image classification, principal component analysis, analisis Karhunen-Loeve

* PUSBANGJA LAPAN Email : [email protected] ** Fakultas Ilmu Komputer Universitas Indonesia, E-mail: [email protected]

PENDAHULUAN

Kini telah ada data CASI yang memiliki lebih dari 8 band, sehingga dapat menyediakan sejumlah informasi tentang berbagai jenis penutup lahan, serta sejumlah masalah mengelola, analisis, dan penyajian karena besarnya volume data. Reduksi ciri/reduksi band merupakan bagian terpenting dalam mengintepretasi citra hiperspektral. Untuk data multispektral yang berdimensi rendah, reduksi ciri relatif mudah dilakukan dengan menggunakan teknik pemilihan ciri, melalui penemuan ciri subgrup atau teknik ekstraksi ciri atau melalui analisis linier untuk mempertajam kelas dalam memisahkan ciri yang lebih sedikit. Memerlukan banyak waktu dalam mengekstraksi ciri data hiperspektral, karena tidak dapat diketemukannya subset ciri yang paling baik selama pencarian ciri kombinasi secara mendalam tidak dapat dilakukan dan jumlah kombinasi ciri menaik secara eksponensial, ini merupakan tugas yang tidak sesuai. Untuk dapat digunakan analisis komponen utama dalam melakukan ekstraksi ciri melalui proses statistik. Keuntungan analisis komponen utama (AKU) adalah dapat digunakan untuk menentukan parameter analisis, sehingga tidak memerlukan estimasi kelas. Implementasi terhadap data hiperspektral diperlukan perhitungan yang tinggi. Anggaplah x adalah vektor keabuan untuk suatu citra dengan N band spektral. Transformasi Karhunen-Loeve didefinisikan sbb z=Atx (1) dimana : A = matrik eigenvektor citra ∑x t = matrik transpose Transformasi Karhunen-Loeve sebagai ruang baru ciri z, pertama diperoleh k komponen terbaik untuk meminimalkan residu data asli., hasil analisis menjadi signifikan untuk suatu aplikasi. Variansi dari data asli akan disusun kembali, dan ada sejumlah komponen mengandung variansi data asli dan komponen yang tidak berkorelasi. Ada 2 tugas dalam mengimplementasi analisis yaitu analis eigen untuk menghasilkan matrik tranformasi A dan melakukan analisis linier piksel demi piksel berdasar persamaan (1). Persyaratan yang mendahului adalah jumlah data dan proses NxN dan tambahan Nx(N1) per piksel. Hal itu terjadi pada data hiperspektral, merupakan proses yang tidak efisien untuk menanalisiskan data secara sempurna. Lebih jauh proses akan menjadi bias dengan variansi band tinggi, ini semua data CASI tergantung pada kedudukan matahari sehingga sebagai faktor pemberat menjatuhkan nilai spektral. Hasilnya, spektral dengan panjang gelombang yang pendek memiliki variansi lebih tinggi, apalagi jika data tidak dikalibrasi. Konsep analisis komponen utama umunya digunakan untuk spektral tampak dan infra merah dekat, sehingga menjadi persoalan untuk mereduksi waktu pengolahan terhadap data hiperspektral. Untuk itu diusulkan metoda baru dalam dalam menyelesaikan persoalan tersebut.

TEKNIK DAN METODOLOGI Segmentasi TKC Skema segmentasi dinyatakan sebagai berikut : Anggaplah xl adalah suatu vektor piksel dari masing masing band, l = 1, 2, …,L , sehingga dapat dihitung vektor rata rata m dan matrik kovariansi ∑∑ , rumusnya sebagai berikut :

∑=

−=1

1

llLxLm

( )( )tl

L

il mxmxL −−−=Σ ∑

=

−

1

1)1( (1)

jjiiijij vvvQ /=

=ijv elemen matrik kovarian

jjviiv = = variansi i dan j setiap band

=ijQ matrik korelasi Umumnya data asli memiliki korelasi tinggi, baik data hiperspektral CASI sehingga bila dilakukan analisis komponen utama tidak akan ada perubahan yang mendasar. Untuk mencegah korelasi rendah terhadap analisis data hiperspektral, itu sebagai usulan dalam makalah ini. Skema tahapan proses analisis komponen utama, dapat dilihat pada gambar 1 di bawah ini :

Gambar 1. Skema tahapan proses analisis komponen utama

Data Asli

Sub Grup

Data PC

n1

n

n

n

n

Peta Tema

PenyajiaGambar

S E G M E

P C T

C I R I

N

K L A S I F I K A S I

N=N*

Data dipartisi menjadi sejumlah K subgrup, n1 , dengan syarat berkorelasi tinggi. Lakukan analisis komponen utama ke setiap sub grup, maka dipeoleh ciri baru berdasar informasi variansi. Ciri diregrup kembali dan ditansformasikan untuk dikompres. Tahapan dapat diulang bebeberapa kali hingga diperoleh data yang mencukupi untuk maksud klasifikasi. Tiga ciri yang paling informatif digunakan untuk penyajian data. Keuntungan segmentasi AKU adalah tereduksinya waktu, untuk data konvensional jumlah analisisnya NxN. Untuk segmentasi menggunakan AKU, jumlah

keseluruhan perkaliannya kK

kn2

1∑ = untuk setiap piksel. Menurunkan faktor

menyimpan (SF) persamaaan (2) , berdasar parameter jumlah subgrup K dan ukuran

masingmasing grup nk, dimana NnK

k k =∑ =1. Contoh, dua per tiga waktu disimpan

ketika ada 3 subgrup dengan ukuran sama digunakan. Band yang berkorelasi tinggi dipilih sebagai subgrup yang diusulkan pada skema diatas. Perbedaan antara hasil analisis komponen utama (AKU) konvensional dan hasil skema baru akan diminimumkan ketika band baru dihubungkan ke eigenvalue yang tinggi pada semua grup. Khususnya band cukup lebar akan relatif seragam, sehingga terbebas masalah bias yang disebabkan AKU konvensional.

2K

1k

K

1k

k2k22

K

1kkk

Nn1n

N11

NxN

xnn1SF ∑ ∑

∑= =

=

==−=−= (2)

Pemilihan Ciri Pada AKU Untuk data asli, digunakan model jarak Bhattacharyya untuk pemilihan ciri yang paling dipercaya.

( ) ( )ji

1

jitji mm

2mm

81

BD −

+

−=

−

∑∑

( )

+

+

∑∑

∑∑2

1

j2

1

i

ji2

21 /

ln

m=vektor rata-rata, Σ=matrik kovarianse. Jika Σ adalah matrik diagonal, maka rumus diatas menjadi

( ) ( ) ( ) ( )( ) 12j

2i2

2ji

N

1ni nnnmnm

41BD

−

=

σ+σ−= ∑ )( ( ) ( )( ) ( ) ( )( ) ]2

12j

2i

2j

2i nn2n2n

21 −

σσσ+σ+ //ln

Ketika data berkorelasi rendah, kelas terpisah dapat diestimasi dari ciri individual yang terpisah. Karena band tunggal dapat digunakan sebagai alat pendekatan untuk pemilihan ciri dari ciri yang tidak terpilih.

PERCOBAAN DAN HASIL Perbandingan Segmentasi dan Analisis Konvensional. Dengan menggunakan ukuran citra 2678 x 1831, jumlah 12 band. Dilakukan AKU terhadap semua band untuk metoda konvensional dan untuk metoda segmentasi dibagi menjadi 3 subgrup yaitu 4 Hasilnya perbedaan kumulatif nilai eigen hanya 0,1%, sedang perbedaan waktu proses 60%., lampiran Pemilihan Ciri dan Klasifikasi Dari setiap subgrup, maka diperoleh principal component PC1, PC2, PC3, dan ditentukan jumlah kelas. Metoda klasifikasinya maksimum likelihood, dan akurasi ketelitiannya 98,6%, dengan performanse seperti ini dapat diterima proses klasifikasinya, lihat lampiran. Penyajian Cita Komposit Berwarna Penyajian citra umumnya menggunakan komposit merah, hijau, dan biru. Untuk kasus data hiperspektral, digunakan berdasar hasil proses AKU. Ciri dipilih pada hasil tahap pertama , yang relatif terpisah kuat dan variansinya tinggi, lampiran DISKUSI DAN KESIMPULAN AKU digunakan untuk meminimalkan dimensi matrik, gelombang lebar relatif seragam. Ciri tunggal dapat digunakan sebagai guide untuk pemilihan ciri. Mereduksi jumlah ciri akan mempercepat proses klasifikasi maksimum likelihood.

ACKNOWLEGMENT Terima kasih kepada PT. THE MAP Jakarta yang telah memberi kesempatan kepada kami menggunakan data CASI dalam penelitian ini. DAFTAR PUSTAKA 1. G. VANE, R.O GREEN, T.G CHRIEN, HT ENMARK, E.G HANSEN, The

Airborne visible/infrared imaging spectrometer (CASI), Remote Sensing Enviro, Vol. 44, , May (1993) pp 127-143

2. D.A LANDGREBE, L BICHL, An Introduction to MultiSpec, West Lafayette,

IN: Purdue Univ, Press, 1995.

Lampiran Inisialisasi . Kelompok Piksel % Luas Rata Rata Band ( Hektar ) 1 2 3 4 5 6 7 8 9 10 11 12 1 0 0.0 0.000 7880.7 8211.6 8613.1 8270.6 8483.9 8241.7 8019.9 8753.9 7868.0 7134.0 7090.9 6978.2 2 0 0.0 0.000 6246.1 6471.2 6806.7 6505.5 6640.8 6435.3 6261.8 6879.7 6277.3 5740.4 5706.9 5619.5 3 0 0.0 0.000 4565.1 4781.3 4987.9 4818.4 4975.4 4851.6 4727.3 5108.9 4534.7 4087.4 4063.5 3998.4 4 0 0.0 0.000 2776.4 2902.1 3089.4 2973.3 3063.2 2975.4 2900.5 3276.1 3106.2 2883.4 2864.7 2822.1 5 0 0.0 0.000 1498.1 1476.0 1495.1 1386.0 1366.1 1313.5 1284.1 1299.8 1154.4 1073.6 1074.3 1063.7 6 0 0.0 0.000 460.8 361.4 432.6 322.4 233.0 179.8 176.7 323.9 591.3 695.0 695.1 695.5 7 0 0.0 0.000 308.5 347.7 321.8 347.9 402.5 417.8 418.7 381.5 284.6 238.8 239.6 236.7 8 0 0.0 0.000 136.2 137.0 169.4 165.5 178.9 175.3 179.0 268.5 387.2 419.4 417.5 415.3 9 0 0.0 0.000 235.0 201.3 184.4 157.8 142.8 136.5 141.3 112.8 137.7 161.4 165.0 167.7 10 0 0.0 0.000 79.1 60.9 51.0 45.1 45.6 47.6 55.4 49.9 102.8 132.2 134.4 136.7 Nilai Statistik Final Kelompok Kelompok Piksel % Luas Rata Rata Band ( Hektar ) 1 2 3 4 5 6 7 8 9 10 11 12 1 914 0.0 0.091 7423.1 7575.1 7543.5 7577.2 8146.9 8107.0 7967.4 8070.2 7399.7 5368.3 4958.9 4588.4 2 12184 0.2 1.218 4916.9 5127.1 5146.5 5224.4 5256.2 5206.7 5147.5 5152.2 3571.0 2044.3 1970.7 1877.0 3 46728 1.0 4.673 3372.9 3468.2 3548.6 3576.3 3492.4 3542.0 3368.2 3378.8 1955.1 1269.1 1239.3 1197.5 4 128824 2.6 12.882 2011.6 2250.4 2229.4 2219.5 2457.1 2344.9 2239.2 2061.3 1209.5 943.4 939.3 918.8 5 138556 2.8 13.856 957.1 959.8 1459.0 1137.0 1009.0 834.3 783.9 1699.0 2826.5 3121.8 3092.8 3033.1 6 496833 10.1 49.683 779.6 719.5 905.9 801.3 723.0 636.7 617.4 1040.6 1358.2 1407.7 1401.4 1396.0 7 478949 9.8 47.895 1213.2 1339.9 1184.7 1209.3 1362.6 1398.7 1404.2 1153.0 814.3 705.5 710.6 702.2 8 575157 11.7 57.516 624.8 518.2 548.5 507.3 470.7 445.6 451.1 596.8 801.0 879.4 889.0 895.3 9 353457 7.2 35.346 840.3 805.5 653.0 648.2 731.2 808.5 854.3 499.1 387.2 356.0 362.0 365.3 10 2671816 54.5 267.182 3.0 2.4 1.5 1.6 1.7 2.1 2.5 1.2 1.8 2.4 2.5 2.6 Kelompok Standar Deviasi Band 1 2 3 4 5 6 7 8 9 10 11 12

1 1790.9 1641.7 1547.0 1507.2 1201.8 1220.4 1383.8 1252.6 1844.8 1897.4 2038.7 1997.8 2 1097.3 841.4 764.6 670.5 605.9 601.9 672.8 740.3 1272.2 743.0 742.3 701.6 3 786.5 629.2 606.2 462.5 457.2 519.5 629.2 689.4 922.3 383.2 361.7 329.1 4 798.6 674.1 786.4 597.0 455.6 588.8 596.4 760.4 538.2 304.0 301.1 301.9 5 432.8 374.3 528.7 327.5 362.4 327.7 306.2 581.7 902.8 895.0 865.3 921.7 6 341.4 249.9 249.2 214.8 233.3 228.3 222.6 252.6 279.0 278.9 260.7 251.7 7 454.5 395.8 344.9 256.3 262.9 278.8 275.6 358.3 324.5 300.3 301.0 304.9 8 308.1 175.4 159.4 143.9 134.9 125.9 127.8 179.1 202.8 199.2 195.1 197.3 9 347.9 267.9 225.6 203.8 229.8 245.4 250.5 187.9 161.4 143.3 145.8 150.8 10 39.7 29.4 17.8 19.0 20.6 24.9 28.6 14.1 22.1 28.7 29.6 30.8 Waktu pengolahan 1 menit and 51 detik

Hasil Kombinasi Kombinasi 1 Band Band Min. Rata2 1. 3 0.07 3.28 2. 9 0.05 1.80 3. 11 0.05 1.60 4. 10 0.05 1.63 5. 12 0.05 1.54 6. 8 0.04 3.71 7. 4 0.02 4.50 8. 6 0.02 5.15 9. 7 0.02 4.12 10. 2 0.01 2.96 11. 1 0.00 1.92 12. 5 0.00 5.58 Kombinasi 2 Band Band Min. Rata2 1. 4 9 0.82 6.15 2. 4 10 0.81 5.89 3. 4 11 0.81 5.92 4. 4 12 0.80 5.88 5. 2 9 0.76 4.85 6. 5 9 0.73 6.80 7. 2 10 0.70 4.84 8. 6 9 0.67 6.26 9. 2 11 0.67 4.80 10. 5 10 0.67 6.93 11. 5 12 0.67 6.85 12. 3 10 0.67 4.91

Kombinasi 3 Band Band Min. Rata2 1. 4 9 12 1.04 7.09 2. 4 9 11 1.03 7.12 3. 4 8 10 0.99 8.09 4. 3 8 10 0.99 8.32 5. 4 6 10 0.98 8.41 6. 4 9 10 0.97 7.08 7. 4 5 10 0.97 7.86 8. 3 8 11 0.97 8.10 9. 4 8 11 0.97 7.89 10. 4 6 11 0.96 8.31 11. 3 8 12 0.96 8.02 12. 4 8 12 0.96 7.79 Kombinasi 4 Band Band Min. Rata2 1. 4 6 10 11 1.35 9.33 2. 3 6 10 11 1.32 9.68 3. 4 7 10 11 1.30 8.99 4. 3 5 10 11 1.30 8.87 5. 2 8 10 11 1.29 9.36 6. 4 5 10 11 1.28 8.72 7. 2 5 10 11 1.28 8.86 8. 3 7 10 11 1.28 9.16 9. 4 9 10 11 1.27 7.85 10. 3 8 10 11 1.27 9.24 11. 4 9 11 12 1.26 7.75 12. 4 8 10 12 1.26 8.96

Kombinasi 5 Band Band Min. Rata2 1. 4 6 8 10 11 1.45 10.37 2. 4 5 8 10 11 1.44 10.39 3. 4 7 8 10 11 1.43 10.30 4. 4 8 9 10 11 1.43 9.78 5. 3 6 8 10 11 1.43 10.82 6. 3 7 8 10 11 1.42 10.61 7. 4 6 9 10 11 1.42 10.17 8. 3 5 8 10 11 1.42 10.66 9. 4 5 9 10 11 1.42 9.68 10. 3 5 9 10 11 1.40 9.82 11. 2 6 8 10 11 1.39 10.77 12. 4 5 10 11 12 1.39 9.39 Kombinasi 6 Band Band Min. Rata2 1. 4 5 8 10 11 12 1.55 11.08 2. 3 5 8 10 11 12 1.55 11.32 3. 2 4 5 10 11 12 1.53 10.11 4. 3 4 5 10 11 12 1.53 10.07 5. 3 6 8 10 11 12 1.52 11.49 6. 4 6 8 10 11 12 1.52 11.08 7. 4 6 8 9 10 11 1.52 11.12 8. 4 5 8 9 10 11 1.51 11.10 9. 2 4 6 10 11 12 1.50 11.01 10. 3 4 6 10 11 12 1.50 10.90 11. 3 6 8 9 10 11 1.50 11.55 12. 4 7 8 9 10 11 1.50 11.04

Kombinasi 7 Band Band Min. Rata2 1. 2 4 5 8 10 11 12 1.69 12.06 2. 3 4 5 8 10 11 12 1.69 11.97 3. 2 4 6 8 10 11 12 1.67 12.16 4. 4 5 8 9 10 11 12 1.66 11.79 5. 3 5 8 9 10 11 12 1.66 12.02 6. 3 4 6 8 10 11 12 1.66 12.09 7. 2 3 5 8 10 11 12 1.64 11.99 8. 4 6 8 9 10 11 12 1.64 11.83 9. 3 6 8 9 10 11 12 1.63 12.22 10. 3 5 6 8 10 11 12 1.63 12.14 11. 4 5 6 8 10 11 12 1.63 11.94 12. 3 5 7 8 10 11 12 1.63 12.32 Kombinasi 8 Band Band Min. Rata2 1. 3 4 5 8 9 10 11 12 1.77 12.67 2. 2 4 5 8 9 10 11 12 1.76 12.76 3. 3 5 7 8 9 10 11 12 1.75 13.04 4. 4 5 7 8 9 10 11 12 1.75 12.86 5. 3 4 6 8 9 10 11 12 1.74 12.81 6. 2 4 6 8 9 10 11 12 1.74 12.87 7. 2 3 5 8 9 10 11 12 1.74 12.69 8. 3 5 6 8 9 10 11 12 1.74 12.87 9. 4 5 6 8 9 10 11 12 1.73 12.65 10. 3 4 5 6 8 10 11 12 1.73 12.81 11. 3 4 6 7 8 10 11 12 1.73 12.94 12. 2 3 6 8 9 10 11 12 1.72 12.82

Kombinasi 9 Band Band Min. Rata2 1. 3 4 6 7 8 9 10 11 12 1.81 13.68 2. 3 4 5 6 8 9 10 11 12 1.80 13.53 3. 4 5 6 7 8 9 10 11 12 1.80 13.55 4. 3 4 5 7 8 9 10 11 12 1.80 13.65 5. 1 3 4 6 8 9 10 11 12 1.80 13.74 6. 2 3 4 6 8 9 10 11 12 1.80 13.40 7. 2 4 6 7 8 9 10 11 12 1.79 13.83 8. 2 3 4 5 8 9 10 11 12 1.78 13.32 9. 2 4 5 6 8 9 10 11 12 1.78 13.61 10. 1 4 5 6 8 9 10 11 12 1.78 13.92 11. 1 3 4 5 8 9 10 11 12 1.78 13.71 12. 1 4 5 7 8 9 10 11 12 1.78 14.07 Kombinasi 10 Band Band Min. Rata2 1. 3 4 5 6 7 8 9 10 11 12 1.82 14.34 2. 1 3 4 6 7 8 9 10 11 12 1.82 14.62 3. 2 3 4 6 7 8 9 10 11 12 1.82 14.34 4. 1 3 4 5 6 8 9 10 11 12 1.81 14.54 5. 2 3 4 5 6 8 9 10 11 12 1.81 14.13 6. 1 4 5 6 7 8 9 10 11 12 1.81 14.76 7. 2 4 5 6 7 8 9 10 11 12 1.81 14.48 8. 1 3 4 5 7 8 9 10 11 12 1.80 14.67 9. 2 3 4 5 7 8 9 10 11 12 1.80 14.28 10. 1 2 3 4 6 8 9 10 11 12 1.80 14.18 11. 1 2 4 6 7 8 9 10 11 12 1.80 14.57 12. 1 2 3 4 5 8 9 10 11 12 1.79 14.16

Kombinasi 11 Band Band Min. Rata2 1. 1 3 4 5 6 7 8 9 10 11 12 1.83 15.35 2. 2 3 4 5 6 7 8 9 10 11 12 1.83 15.01 3. 1 2 3 4 6 7 8 9 10 11 12 1.82 15.07 4. 1 2 3 4 5 6 8 9 10 11 12 1.82 14.97 5. 1 2 4 5 6 7 8 9 10 11 12 1.81 15.28 6. 1 2 3 4 5 7 8 9 10 11 12 1.81 15.09 7. 1 2 3 5 6 7 8 9 10 11 12 1.79 15.21 8. 1 2 3 4 5 6 7 8 10 11 12 1.75 15.05 9. 1 2 3 4 5 6 7 9 10 11 12 1.74 14.37 10. 1 2 3 4 5 6 7 8 9 10 11 1.60 15.11 11. 1 2 3 4 5 6 7 8 9 11 12 1.50 14.48 12. 1 2 3 4 5 6 7 8 9 10 12 1.48 15.06 Kombinasi 12 Band Band Min. Rata2 1. 1 2 3 4 5 6 7 8 9 10 11 12 1.84 15.79 Hasil Klasifikasi Kombinasi 4,9,12 Kelas Sampel Prosen Luas (Hektar) 1 Kelas 1 1418 0.0 0.142 2 Kelas 2 13074 0.3 1.307 3 Kelas 3 51437 1.0 5.144 4 Kelas 4 108569 2.2 10.857 5 Kelas 5 132048 2.7 13.205 6 Kelas 6 563402 11.5 56.340 7 Kelas 7 362255 7.4 36.226 8 Kelas 8 546870 11.2 54.687 9 Kelas 9 452583 9.2 45.258 10 Kelas 10 2671762 54.5 267.176 Total 4903418 100.0 490.342

Hasil Klasifikasi Kombinasi 4,6,10,11 Kelas Sampel Prosen Luas (Hektar) 1 Kelas 1 1009 0.0 0.101 2 Kelas 2 14508 0.3 1.451 3 Kelas 3 54725 1.1 5.473 4 Kelas 4 117586 2.4 11.759 5 Kelas 5 134955 2.8 13.496 6 Kelas 6 524322 10.7 52.432 7 Kelas 7 421865 8.6 42.187 8 Kelas 8 575976 11.7 57.598 9 Kelas 9 382544 7.8 38.254 10 Kelas 10 2675928 54.6 267.593 Total 4903418 100.0 490.342 Hasil Klasifikasi Kombinasi 4,6,8,40,11 Kelas Sampel Prosen Luas (Hektar) 1 Kelas 1 1080 0.0 0.108 2 Kelas 2 14390 0.3 1.439 3 Kelas 3 54410 1.1 5.441 4 Kelas 4 120877 2.5 12.088 5 Kelas 5 135126 2.8 13.513 6 Kelas 6 510394 10.4 51.039 7 Kelas 7 413708 8.4 41.371 8 Kelas 8 576528 11.8 57.653 9 Kelas 9 395935 8.1 39.593 10 Kelas 10 2680970 54.7 268.097 Total 4903418 100.0 490.342

Hasil Klasifikasi Kombinasi 4,9,12 Data Asli Kombinasi 4,6,10,11 Kombinasi 4,6,8,0,11

Gambar 2. Hasil Klasifikasi

Gambar 3. Perbedaan Hasil Klasifikasi

Perbandingan Hasil KLasifikasi

0200400600800

1000

Kelas 1

Kelas 3

Kelas 5

Kelas 7

Kelas 9

Kelas Liputan Lahan

Luas

Kel

as

Kombinasi4,6,8,10,11Kombinasi4,6,10,11Kombinasi4,9,12

DISKUSI MAURITZ L. TOBING Baru-baru ini di media elektronik mengisukan adanya penampilan penampakan (misalnya ada roh-roh jahat, makhluk halus). Pada kenyataannya tidak bisa dilihat secara nyata wujudnya. Apakah cara pencitraan lebih nyata. WIWEKA HARTOJO Aurora bisa difoto, tetapi hipotesanya perlu dikembangkan spektral dengan �ë yang rapat. BAKRI ARBI Aplikasi teknologi yang sudah dilakukan dan apa manfaatnya? WIWEKA HARTOJO Aplikasi telah dimanfaatkan oleh seluruh instansi dan swasta. Hasilnya bermanfaat banyak bagi kepentingan masyarakat.

DAFTAR RIWAYAT HIDUP 1. Nama : Wiweka

2. Tempat/Tanggal Lahir : Kediri, 26 January 1964

3. Instansi : LAPAN

4. Pekerjaan / Jabatan : Peneliti Madya

5. Riwayat Pendidikan :

• S1-Teknik Geodesi, ITB

• S2-Teknik Geodesi, ITB

6. Pengalaman Kerja :

• 1989-Sekarang, LAPAN

7. Organisasi Profesional :

• Mapin (Masyarakat Penginderaan Jauh)

8. Makalah yang Pernah disajikan : • Pembelajaran Spektral Bagi Sekolah/Universitas-UPI

• Pembuatan Database Spasial Dinamik Propinsi NTT

• Kajian Teoritis & Realitas Kesesuaian Perkebunan

• Transformasi Watershed untuk Segmentasi Citra