Konsep dan Dasar – dasar OBIA

Tulisan ini akan menjelaskan beberapa konsep dasar OBIA, terutama yang membedakannya dengan analisis berbasil piksel.

Lalu seperti apakah bedanya?

Apakah OBIA memiliki keunikan tersendiri?

Apakah keunikan tersebut bisa menjadi keunggulan?

Unit analisis berupa objek

Analisis citra sebaiknya dilakukan pada objek yang semirip mungkin dengan objek yang berada di realita.

Untuk itu,  analisis citra diawali dengan membentuk sebuah “objek” dengan mengelompokkan piksel-piksel yang berdekatan sesuai dengan kemiripan secara spektral maupun spasial.

Tahapan OBIA

Secara umum proses OBIA dapat dibagi menjadi:

1. proses pembuatan objek citra (image-object); dan
2. proses klasifikasi objek citra.

Klasifikasi diawali dengan proses segmentasi citra, yaitu membagi citra menjadi segmen-segmen atau objek-objek berdasarkan homogenitas karakteristik piksel-pikselnya. Segmen-segmen ini selanjutnya menjadi unit analisis dalam klasifikasi.

Selanjutnya, segmen atau objek tersebut diklasifikasi menjadi kelas-kelas tertentu. Klasifikasi dapat dilakukan dengan berdasarkan sampel (sample-based) atau berdasarkan aturan (rule-based).

Proses OBIA secara ringkas digambarkan dalam gambar berikut.

Segmentasi citra

Proses segmentasi citra dilakukan untuk membentuk objek citra.  Proses segmentasi mengelompokkan piksel-piksel bertetangga berdasarkan kemiripan nilai piksel. Hasil segmentasi tersebut kemudian menjadi unit analsisi pada proses OBIA.

Algoritma segemntasi dapat dikelompokkan menjadi tiga kelompok,  yaitu:

• Spectral-based segmentation
• Region-based segmentation
• Edge detection.

Spectral-based segmentation mengelompokkan piksel berdasarkan analisis data pada feature space. Contoh umum dari pendekatan ini adalah clustering dan histogram tresholding.

Edge detection segmentation menentukan batas antara dua region yang memiliki homogenitas dalam karakteristiknya.

Contoh dari pendekatan ini adalah algoritma watershed, di mana batas segmen ditentukan melalui proses iterasi dengan menganggap nilai piksel sebagai data ketinggian dan batas segmen ditentukan dengan logika seperti memisahkan daerah aliran sungai.

Region-based segmentation dapat dibagi menjadi region growing/merging, region dividing/splitting dan hybrid method.

Region growing/merging mengambil beberapa piksel sebagai “seed” yang kemudian tumbuh (grow) menjadi region di sekitarnya berdasarkan kriteria homogenitas tertentu.

Region dividing/splitting secara berulang memecah citra menjadi sekumpulan region terpisah yang setiap region tersebut koheren secara internal.

 Algoritma Fractal Net Evolution Approch (FNEA), selanjutnya dikenal sebagai Multiresolution Segmentation yang dikembangkan oleh Baatz dan Schaepe (2000) merupakan algoritma segmentasi yang paling banyak digunakan.

Proses segmentasi berbasis region growing ini dijalankan berdasarkan lima parameter yaitu skala (scale), warna (colour), bentuk (shape), kehalusan (smoothness) dan kekompakan (compactness).

Lebih lanjut mengenai segmentasi citra, baca tulisan ini: Memahami lebih dalam proses segmentasi citra.

Image object vs Geo object

Obia diawali dengan membentuk objek citra (image-object).

Image object sebisa merupakan objek dipermukaan bumi (geo-object).

Image-object berbeda dengan geo-object.

Representasi sempurna sulit didapatkan. I

mage-object masih melalui tahap klasifikasi serta segmentasi dan klasifikasi (lagi) hingga menghasilkan hasil klasifikasi yang sudah final.

Kesalahan yang cukup sering terjadi adalah pembentukan Image-object pada proses segmentasi pertama selalu diusahakan sebisa mungkin mirip atau sama dengan geo-object.

Hal ini tidak perlu dilakukan.

Dalam proses klasifikasi, objek tersebut akan mengalami proses segmentasi, penggabungan, generalisasi,  dan klasifikasi sehingga objek-objek tersebut secara perlahan akan “diperbaiki”.

Image-object perlu dibuat semirip mungkin dengan geo-object hanya jika penelitian bertujuan untuk mengkaji akurasi segmentasi, efektifitas metode/algorithm segmentasi atau jika proses klasifikasi dilakukan dengan sample-based classification tanpa hirarki.

Oversegmentation vs Undersegmentation

Proses segmentasi dilakukan untuk membuat image-object yang meaningful.

Meaningful object berarti image-object tersebut memiliki karakteristik yang mirip dengan objek permukaan bumi (geo-object) yang direpresentasikannya.

Hasil segmentasi yang ideal adalah ketika image-object mampu merepresentasikan geo-object dengan baik. Meskipun demikian, kondisi ideal ini sangat sulit dicapai.

Oversegmentation dan undersegmentation merupakan kesalahan yang terjadi pada proses segmentasi.

Oversegmentation merupakan keadaan di mana satu geo-object terbagi menjadi beberapa image-object.

Oversegmentation terjadi bila satu geo-object memiliki variasi nilai piksel yang tinggi. Oversegmantation dapat ditekan dengan memperbesar toleransi homogenitas yang diperbolehkan dalam proses segmentasi.

Undersegmentationn merupakan keadaan di mana satu image-object merepresentasikan lebih dari satu geo-objek.

Undersegmentation terjadi bila perbedaan antar geo-object tidak terlalu terlihat.

Selain dengan memperkecil parameter homogenitas internal objek pada proses segmentasi, undersegmentation dapat dikurangi dengan menambah input masukan segmentasi yang lebih menonjolkan perbedaan objek kajian.

Oversegmentation dan undersegmentation terjadi secara konstan dalam proses segmentasi, sehingga analis secara hati-hati harus memilih teknik segmentasi yang sesuai dan memperhatikan kualitas hasil segmentasi.

Proses perbaikan kesalahan dapat dilakukan melalui proses re-segmentasi dan re-klasifikasi.

Berdasarkan pengalaman saya, jika dibandingkan dengan kesalahan undersegmentation, kesalahan overgmentation cenderung lebih sedikit memberikan pengaruh kepada akurasi klasifikasi dan kesalahan tersebut relatif lebih mudah diperbaiki.

Klasifikasi berbasis objek

Klasifikasi citra dalam konteks OBIA adalah menempatkan setiap objek citra ke dalam kelas-kelas tematik yang sudah ditentukan dalam skema klasifikasi.

Klasifikasi menggunakan objek sebagai unit klasifikasi terkecil. Klasifikasi dapat dilakukan dengan berdasarkan sampel (sample-based) dan berdasarkan aturan (rule-based).

Sample-based vs rule-based

Klasifikasi berdasarkan sampel dilakukan dengan cara yang mirip dengan klasifikasi multispektral secara terselia (supervised).

Perbedaannya terletak pada unit analisis yang berupa objek dan  pemilihan feature space, di mana operator dapat memilih feature space baik yang bersifat spektral maupun spasial.

Pertama, operator memilih beberapa objek sampel pada setiap kelas yang dikehendaki. Langkah selanjutnya adalah memilih feature space sebagai dasar klasifikasi, sehingga klasifikasi dapat dijalankan.

Klasifikasi berdasarkan sampel memiliki keunggulan antara lain:

1. prosesnya yang relatif mudah.
2. waktu pengerjaan yang lebih cepat
3. bermanfaat saat kelas yang akan dipisahkan memiliki perbedaan yang sedikit, dan sulit dituliskan dalam sebuah rule.
4. tidak membutuhkan pengetahuan/ pengalaman interpretasi citra tinggi

Namun, klasifikasi tersebut memiliki kelemahan:

1. penggunaan sampel yang dapat berpotensi bias;
2. kesalahan pemilihan feature space yang dapat menurunkan akurasi klasifikasi;dan
3. klasifikasi berdasarkan sampel tidak secara efektif meniru proses yang dinamis dalam interpretasi manual.

Klasifikasi berdasarkan aturan dilakukan dengan menggunakan aturan yang dibangun untuk memisahkan dua kelas tematik atau lebih. Aturan tersebut dibangun berdasarkan kriteria tertentu.

Klasifikasi berdasarkan aturan memiliki beberapa keunggulan:

1. proses klasifikasi memiliki pendekatan yang sama dengan proses interpretasi visual;
2. aturan yang dibangun selanjutnya dapat disimpan dan diterapkan lagi;
3. operator dapat menyesuaikan pemilihan feature space yang lebih spesifik pada setiap proses pemisahan kelas sehingga klasifikasi lebih efektif.

Kelemahannya:

1. waktu yang dibutuhkan untuk membuat aturan cukup lama;
2. poses  pembuatan aturan yang sangat rumit karena kenampakan penutup lahan sangat bervariasi dan aturan yang dibuat tidak dapat diterapkan pada area yang lebih luas.

Dalam perkembangannya, klasifikasi berdasarkan aturan sekarang (sangat) lebih banyak digunakan daripada klasifikasi berdasarkan sampel.

Klasifikasi berdasarkan aspek spektral dan spasial

OBIA tidak hanya bergantung pada nilai spektral citra saja, tapi juga mampu mengoptimasi feature spasial sesuai dengan unsur interpretasi seperti bentuk, ukuran, tekstur dan informasi kontekstual lainnya (situs dan asosiasi).

Objek hasil segmentasi memiliki karakteristik spektral dan spasial yang dapat digunakan dalam proses klasifikasi.

Selain berupa nilai piksel asli, objek citra mampu menghitung turunan aspek spektral lain yang sangat bermanfaat dalam proses klasifikasi citra, antara lain:

• variansi nilai piksel
• standar deviasi nilai piksel
• nilai piksel maksimum
• nilai piksel minimum
• selisih antara nilai maksimum dengan nilai minimum
• selisih nilai piksel tepi objek dengan nilai piksel tepi objek disekitarnya (melihat objek yang kontras)
• dsb.

Aspek geometri yang dapat dihitung dan dimanfaatkan untuk proses klasifikasi:

• ukuran (dalam piksel atau dalam metrik)
• indeks bentuk
• indeks kebulatan
• indeks kekompakan (tidak sama dengan kekompakan pada algoritma Multiresolution Segmentation)
• indeks rectangular
• jarak antar satu objek dengan objek lain
• tingkat kesimetrisan objek
• dsb

Aspek tekstural dapat digunakan dengan menghitung nilai tekstur setiap objek. Satu contoh algoritma tekstur yag sangat powerful adalah tekstur GLCM (Grey Level Coocurance Matrix).

GIS-like functionality

Keunggulan yang lain adalah OBIA mampu memanfaatkan fungsi SIG dalam proses klasifikasi citra.

Fungsi SIG dalam proses OBIA sangat membantu dalam hal memasukkan landscape knowledge dan local knowledge.

Fungsi SIG dalam OBIA juga dapat digunakan untuk menerapkan unsur interpretasi pola, situs dan asosiasi.

Fungsi SIG dilakukan dengan memanfaatkan hubungan yang dapat terjadi antara objek/ kelas pada lebel yang sama atau dengan level di atasnya. Hubungan vertikal dan horisontal ini kemudian dapat dirumuskan menjadi rule-rule tertentu untuk keperluan klasifikasi.

Untuk lebih jelasnya, lihat gambar berikut.

Saya memanfaatkan beberapa fungsi ini dalam tesis saya (Silahkan kontak saya jika membutuhkan).

Saya menurunkan informasi penggunaan lahan dari informasi penutup lahan. Beberapa aturan yang saya gunakan adalah sebagai berikut.

Penggunaan aturan berdasarkan hubungan penutup lahan dengan penggunaan lahan ini saya rasa sangat efektif.

Dalam penelitian saya, saya mampu menghasilkan peta penggunaan lahan skala besar (1:5000) dengan akurasi lebih dari 70%.

Tentu jika target output klasifikasi adalah skala menengah hingga kecil, angka akurasi tersebut bisa jauh lebih tinggi.