Klasifikasi OBIA: Hierarchical sample-based classification

Target: memahami dan melakukan klasifikasi proses perbaikan kesalahan klasifikasi melalui klasifikasi berdasar sampel yang bertingkat.

Tulisan ini adalah seri kelima dalam latihan dasar di Tutorial OBIA, sebelum melanjutkan membaca, baca dulu tahap-tahap sebelumnya:

1. Download dan instalasi Definiens eCognition Developer
2. Tahap pertama setelah membuka eCognition Developer
3. Menulis Ruleset di eCognition Developer
4. Segmentasi menggunakan berbagai algoritma segmentasi
5. Klasifikasi OBIA: sample based classification menggunakan eCognition Developer

Pada latihan sebelumnya, kita telah berlatih melakukan OBIA dengan klasifikasi berdasar sampel.

Pada latihan kali ini, kita akan melanjutkan hasil klasifikasi latihan sebelumnya.

Hasil dari klasifikasi tersebut menghasilkan kelas- kelas : Tubuh air, Vegetasi, Tanah terbuka dan lahan terbangun.

Pada latihan kali ini, kita akan membagi kelas-kelas tersebut menjadi kelas-kelas yang lebih detil. Kita akan mencoba membagi kelas Vegetasi menjadi kelas Vegetasi Pohon dan Vegetasi Non Pohon.

Selain itu, melalui klasifikasi kali ini, kita juga akan memperbaiki kesalahan klasifikasi yang terjadi agar akurasi dapat ditingkatkan.

Garis besar langkah yang akan kita lakukan adalah sebagai berikut:

1. Segmentasi hanya pada kelas Vegetasi.
2. Mengambil sampel pada kelas Vegetasi.
3. Melakukan klasifikasi.

Mari langsung mulai latihannya!

Langkah 1: Membuat kerangka ruleset

Buat kerangka ruleset seperti ini.

Langkah 2: Segmentasi kelas Vegetasi

Klik Insert Child pada “Segmentasi Vegetasi” lalu gunakan pengaturan di bawah ini. Perhatikan benar-benar parameter yang berada dalam kotak merah.

Hasilnya seperti berikut. Perhatikan bahwa yang tersegmentasi hanya kelas Vegetasi, kelas yang lain tidak!

Perhatikan bahwa ada beberapa objek Tanah terbuka ada yang terkelaskan sebagai kelas Vegetasi.

Langkah 2: Setting klasifikasi kelas Vegetasi

Buat kelas baru yaitu kelas Vegetasi Pohon dan Vegetasi Bukan Pohon. Drag dan Drop kelas tersebut dan letakkan pada level di bawah kelas Vegetasi (lihat gambar)

Ambil Sampel kelas Vegetasi Bukan Pohon dan Vegetasi Pohon.

Jangan lupa, ambil juga sampel kelas Tanah terbuka yang salah terklasifikasi sebagai Vegetasi.

Selanjutnya, atur feature space yang akan digunakan klasifikasi Nearest Neighbor melalui Classification –> Nearest Neighbor –> Edit Standard NN Feature Space.

Selanjutnya, atur kelas-kelas yang akan digunakan untuk klasifikasi. Caranya pilih Classification –> Nearest Neighbor –> Apply Standard NN to Classes.

Mengapa kelas Tanah terbuka ikut dicentang?

Karena kita juga akan memperbaiki objek Tanah terbuka yang tersesat di kelas Vegetasi.

Langkah 3: Eksekusi Klasifikasi

Klik Insert Child pada “Klasifikasi Vegetasi” lalu gunakan pengaturan di bawah ini. Perhatikan benar-benar parameter yang berada dalam kotak merah.

Parameter yang sering terbalik adalah Class Filter dengan Active Classes.

Class Filter  ini adalah kelas yang akan diklasifikasi.

Active Classes adalah kelas-kelas target klasifikasi.

Hasil klasifikasi kurang lebih sebagai berikut.

Perhatikan hasilnya. Ada 2 kondisi yang kita capai:

• Kelas Vegetasi telah terbagi menjadi Vegetasi Pohon dan Vegetasi Non Pohon
• Objek Vegetasi yang sebenarnya merupakan kelas Tanah terbuka sudah diperbaiki dan masuk kelas Tanah terbuka.

Perhatikan jika legenda kita kelasnya aktif semua, maka semua kelas akan ditampilkan.

Jika kelas Vegetasi Bukan Pohon dan Vegetasi Pohon kita nonaktifkan (caranya dengan klik tanda minus di samping kiri kelas Vegetasi),  maka hanya kelas yang aktif yang ditampilkan.

Langkah 4: Dissolve

Lakukan dissolve pada kelas Vegetasi Bukan Pohon, Vegetasi Pohon dan Tanah terbuka.

Langkah 5: Klasifikasi kelas yang lain

Latihan terakhir, lakukan proses klasifikasi yang sama untuk kelas Tanah terbuka (menjadi Tanah terbuka basah dan Tanah terbuka kering)

Kembali ke latihan sebelumnya: Latihan klasifikasi berdasar sampel

Lanjut ke latihan berikutnya: Latihan klasifikasi berdasar aturan (rule-based)