BAB 4 IMPLEMENTASI DAN EKSPERIMEN
4.1
Implementasi Dalam implementasi ini akan dijabarkan mengenai aplikasi yang telah dibuat.
Penjelasannya mencakup menu-menu yang ada pada aplikasi beserta fungsi dari masingmasing menu. Selain itu juga akan dijabarkan bagaimana menggunakan aplikasi ini. 4.1.1
Aplikasi yang Dibuat Aplikasi ini bernama GeoSeg, yang merupakan singkatan dari Geographic Segmentation. Tujuan dibuatnya aplikasi ini adalah untuk melakukan proses segmentasi pada gambar-gambar geografis. Pada aplikasi ini terdapat beberapa menu dengan fungsi masing-masing. Berikut akan dijelaskan isi dari menu-menu yang ada beserta fungsi dan tujuan dibuatnya menu tersebut. 1) M enu File M enu file terdiri atas sub menu open image, save as, dan exit. Sub menu open image digunakan untuk membuka gambar yang diinginkan pengguna untuk diproses dengan menggunakan aplikasi ini. Sub menu ini bisa dibuka dengan shortcut ctrl+O. Gambar yang bisa dibuka adalah format gambar yang umum digunakan, yaitu .jpg, .bmp, .png. 44
45
Sub menu save as digunakan untuk menyimpan gambar yang sudah diproses. Sub menu ini bisa juga menggunakan shortcut+S. Gambarnya pun disimpan dengan format .jpg, .bmp, .png. Apabila belum ada gambar yang dibuka, maka gambar tidak akan bisa disimpan. Sub menu exit berguna untuk keluar dari aplikasi. Sebelum keluar akan keluar pesan ucapan terima kasih kepada pengguna karena telah menggunakan aplikasi ini.
Gambar 4.1 Tampilan pada menu File
2) M enu Edit M enu edit ini bertujuan untuk memudahkan pengguna dalam penggunaan aplikasi ini. Di dalam menu edit terdapat sub menu undo
46
dan redo. Sub menu undo berguna untuk kembali ke gambar sebelum diproses apabila terjadi kesalahan. Sedangkan sub menu redo berguna untuk membatalkan proses undo, yaitu kembali ke gambar yang telah diproses.
Gambar 4.2 Tampilan pada menu Edit
3) M enu Adjust M enu adjust sendiri berguna sebagai pengaturan tambahan dari gambar. Pengaturan yang digunakan adalah curve, yang ada pada sub menu curve setting. Sub menu ini digunakan untuk pengaturan pada gambar untuk mengatur warna dari gambar apabila gambar yang akan diproses gelap ataupun terlalu terang.
47
Gambar 4.3 Tampilan pada menu Adjust
4) M enu Analysis Kegunaan dari menu ini adalah untuk mengetahui grafik histogram dari gambar yang dibuka. Histogram yang ditunjukkan dengan histogram untuk warna merah (red), hijau (green), dan biru (blue). Sedangkan sub menu histogram equalization berfungsi untuk melakukan keseimbangan antara histogram sebelumnya. Jadi hasil yang dihasilkan grafik histogram yang kurang lebih seimbang (equal) untuk masing-masing warna.
48
Gambar 4.4 Tampilan pada menu Analysis
5) M enu Segmentation M enu ini berfungsi untuk melakukan proses segmentasi terhadap gambar. Segmentasi yang digunakan adalah region growing. Proses segmentasi ini terdapat pada sub menu region growing, yang dapat juga diakses dengan menggunakan shortcut ctrl+R. Tujuan dari segmentasi adalah memisahkan gambar menjadi beberapa bagian wilayah sehingga mudah untuk dianalisis.
49
Gambar 4.5 Tampilan pada menu Segmentation
4.1.2
Cara Menggunakan Aplikasi Setelah aplikasi dijalankan, pengguna akan membuka gambar pada menu file, open image. Gambar yang dapat dibuka adalah gambar dengan format .jpg, .bmp, dan .png. Setelah gambar dibuka, pengguna dapat mengatur ukuran dari gambar dengan slider zoom pada bawah jendela. Icon best fit, untuk menentukan image yang cocok sesuai dengan ukuran gambar. Sedangkan icon original size, untuk kembali ke gambar normal sesuai dengan ukuran gambar yang dibuka.
50
Gambar 4.6 Tampilan setelah gambar dibuka dengan best fit
Gambar 4.7 Tampilan setelah gambar dibuka dengan original size
51
Setelah gambar dibuka, pengguna dapat langsung ke proses segmentasi di menu segmentation, region growing. Apabila pengguna memilih menu segmentation, region growing, maka pengguna akan melihat tampilan seperti gambar 4.8 berikut.
Gambar 4.8 Tampilan dari jendela region growing segmentation Keterangan : Pada jendela region growing segmentation, pengguna menentukan seed point terlebih dahulu. Sebelum menentukan seed point maka tombol undo, region growing, maupun inverse tidak akan aktif.
52
Setelah seed point ditentukan, pengguna menekan tombol region growing untuk melakukan proses segmentasi. Sebelum melakukan segmentasi, pengguna dapat mengatur threshold sebagai nilai ambang batas di similarity threshold. Nilai 40 merupakan nilai default yang di set setelah melalui berbagai percobaan. Tombol undo digunakan untuk membatalkan proses region growing maupun proses inverse. Tombol inverse digunakan untuk membalik
antara gambar yang telah di region
growing
sebelumnya menjadi wilayah yang tidak di region. Apabila pengguna ingin melihat tampilan histogram, pengguna dapat membuka menu analysis, histogram. Gambar di bawah ini menunjukkan tampilan jendela dari histogram.
Gambar 4.9 Tampilan jendela histogram pada menu Analysis
53
Keterangan : Pada gambar diatas dapat dilihat terdapat 3 grafik histogram yang menunjukkan histogram dari gambar yang ada pada menu utama. Disana pengguna dapat melihat perbandingan histogram untuk masing-masing dari RGB. Pengguna dapat menekan tombol histogram equalization apabila pengguna ingin membuat histogram menjadi sebaran yang kurang lebih seimbang. Tombol cancel untuk membatalkan proses histogram dan kembali ke menu utama. Apabila pengguna salah melakukan proses, pengguna dapat menggunakan menu edit, baik undo maupun redo. Undo digunakan apabila pengguna salah melakukan proses dan kembali ke gambar sebelumnya. Sedangkan redo pengguna gunakan untuk membatalkan undo, yang berarti pengguna kembali ke gambar sebelum dilakukan proses undo. Jika gambar yang akan diproses dirasa pengguna masih terlihat gelap atau terlalu terang, pengguna dapat melakukan pengaturan terhadap gambar tersebut di menu adjust, curve setting.
54
Gambar 4.10 Tampilan jendela curve setting pada menu adjust Keterangan : Pada jendela tersebut,
pengguna dapat
melakukan
pengaturan terhadap gambar sesuai dengan kurva yang terlihat. Pengguna langsung dapat mengubah melalu kurva tersebut. Pengguna juga dapat memilih channel yang akan diatur, apakah sesuai dengan RGB, maupun dari masing-masing warna tersebut. Pengguna juga dapat melihat hasil dari pengaturannya di preview sebelum menekan tombol OK. Size pada preview digunakan untuk mengatur ukuran dari gambar preview. Default nilai 200 dari size di preview merupakan ukuran normal sesuai dengan gambar.
55
4.2
Eksperimen Segmentasi Objek Geografis Untuk dapat menjawab tujuan dari penelitian ini, maka dilakukan beberapa
ekperimen terkait yang hasil dari eksperimen tersebut akan dijelaskan secara bertahap. Dalam eksperimen ini, digunakan data citra foto udara dan data citra quickbird sebagai perbandingan untuk resolusi spasialnya. Kemudian dari masing-masing citra tersebut, dilakukan eksperimen kembali untuk berbagai format gambar. Format yang digunakan adalah format .jpg, .png, dan .bmp. Hal ini dilakukan karena adanya perbedaan teknik kompresi pada masingmasing format gambar tersebut. M akin kecil suatu kompresi maka warna asli dari suatu gambar akan dihilangkan. Karena itu, melalui ekperimen ini, akan dilihat teknik kompresi mana yang lebih baik untuk data citra foto ini. Berikut merupakan citra yang digunakan dalam eksperimen ini :
.jpg
.bmp Gambar 4.11 Citra foto udara
.png
56
.jpg
.bmp
.png
Gambar 4.12 Citra quickbird Dalam proses segmentasi menggunakan region growing, masing-masing gambar di atas akan diuji satu per satu untuk mengetahui seberapa jauh informasi yang dapat diekstraksi dari dua macam resolusi spasial tersebut. 4.2.1
Kelas Rumah 4.2.1.1
Citra Foto Udara
Dalam proses segmentasi ini, kelas yang diambil adalah salah satu dari rumah yang ada. Threshold yang digunakan adalah 20
.jpg
.png
.bmp
Gambar 4.13 Proses region growing untuk kelas rumah dari foto udara (T = 20)
57
Keterangan : Ketiga gambar tersebut memiliki format yang berbedabeda. Ketika gambar dibuka, proses region growing langsung dilakukan.dan seed point yang diambil adalah seed point rumah. Pada ketiga gambar tersebut terlihat perbedaan yang jelas pada saat segmentasi. Untuk format .jpg, hasil yang didapat tidak sempurna karena belum mendapat segmentasi rumah secara sempurna. Begitu juga pada format .png, hasilnya lebih baik dibandingkan dengan .jpg tetapi masih belum sempurna. Sedangkan untuk format .bmp, hasil yang didapat hampir mendekati sempurna dengan mendapatkan wilayah seluruh rumah. Sebagai pembanding juga dilakukan proses histogram equalisasi dimana gambar memiliki nilai histogram yang seimbang untuk tiap intensitas, dan menghasilkan hasil sebagai berikut.
.jpg
.png
.bmp
Gambar 4.14 Hasil region growing setelah dilakukan histogram equalization dari foto udara (T = 20)
58
Keterangan : Pada hasil gambar diatas, merupakan hasil dari segmentasi setelah dilakukan histogram equalisasi terlebih dahulu sebelum dilakukan proses region growing. Pada gambar dapat terlihat hasil yang saat untuk setiap format gambar. Ini menunjukkan bahwa format gambar yang telah dilakukan proses equalisasi maka memiliki keseimbangan antara intensitas warna sehingga tidak terpengaruh pada jenis kompresi data. Karena itu, maka hasil segmentasi untuk ketiga format gambar tersebut adalah sama. 4.2.1.2
Citra Quickbird Citra quickbird memiliki resolusi spasial yang lebih rendah dibandingkan dengan citra foto udara. Berikut merupakan tampilan dari segmentasi quickbird dengan threshold yang sama pada foto udara.
.jpg Gambar 4.15
.png
.bmp
Proses region growing untuk kelas rumah dari quickbird (T = 20)
59
Keterangan : Gambar diatas menggunakan nilai threshold sama seperti pada citra foto udara, yaitu 20. Dengan nilai tersebut hasil yang didapat tidak sesuai dengan harapan karena tidak dapat mensegmentasi kelas rumah dengan baik. Karena hasil segmentasi dengan threshold 20 mendapatkan hasil yang kurang baik. M aka dilakukan proses uji coba kembali untuk mengetahui nilai T yang tepat agar dapat mendapatkan segmentasi kelas rumah dengan lebih baik.
.jpg
.png
.bmp
Gambar 4.16 Proses region growing untuk kelas rumah dari quickbird (T = 26) Keterangan : Gambar diatas menggunakan nilai threshold 26 untuk mendapatkan kelas dari rumah. Tidak hanya rumah tetapi wilayah di sekitar rumah juga ikut tersegmentasi dikarenakan perbedaan intensitas warna yang tidak terlalu jauh beda dengan intensitas dari seed point.
60
Sama halnya seperti pada gambar sebelumnya, hasil untuk histogram equalisasi untuk quickbird juga pasti jauh beda dengan pada foto udara. Apabila foto udara dapat mensegmentasi rumah dengan threshold yang sama, pada quickbird hasil segmentasi dengan T = 26 pada histogram tidak mendapatkan hasil yang baik. Karena itu, digunakan threshold yang baru untuk mendapatkan hasil yang lebih baik lagi.
.jpg
.png
.bmp
Gambar 4.17 Hasil region growing setelah dilakukan histogram equalization dari quickbird (T = 30) Keterangan : Hasil dari gambar diatas merupakan hasil dari region growing setelah melalui proses equalisasi. Threshold yang digunakan pada saat sebelum equalisasi adalah 26 sedangkan pada saat histogram equalisasi digunakan nilai T = 30. Hal ini dilakukan untuk mendapatkan kelas rumah yang lebih baik dibandingkan dengan nilai T = 26.
61
Setelah dilakukan beberapa percobaan diatas, maka hasil maksimal ekstraksi yang didapat pada kelas rumah dapat dilihat pada gambar berikut.
Gambar 4.18
Hasil ekstraksi kelas rumah pada foto udara dengan format .bmp dan T = 20
Berikut ini merupakan gambar dari klasifikasi rumah itu sendiri yang dilakukan oleh ahli untuk membuktikan bahwa segmentasi diatas merupakan kelas dari rumah.
Gambar 4.19
Tampilan kelas rumah dari lokasi yang dianalisis
62
4.2.2
Kelas Jalan Raya 4.2.2.1
Citra Foto Udara
Untuk kelas jalan raya pada citra foto udara, digunakan threshold T = 10 agar dapat mensegmentasi semua jalan sepanjang gambar. Tampilan di bawah ini merupakan gambar dari masing-masing format.
.jpg
63
.png
.bmp Gambar 4.20 Proses region growing untuk kelas jalan raya dari foto udara (T = 10)
64
Keterangan : Sama seperti pada kelas rumah, hasil dari format .bmp lebih baik dibandingkan dengan format yang lainnya. Hal ini terlihat dari makin baiknya segmentasi jalan raya yang dapat diambil sehingga menjadi kelas jalan raya. Perbandingan selanjutnya yang dilakukan adalah apabila gambar-gambar tersebut dilakukan equalisasi seperti sebelumnya. Apakah masih dapat menggunakan nilai threshold yang sama atau tidak. M elalui uji coba dan hasil berikut akan terlihat hasilnya.
.jpg
65
.png
.bmp Gambar 4.21
Hasil region growing setelah dilakukan histogram equalization dari foto udara (T = 10)
66
Keterangan : Gambar diatas menunjukkan hasil dari region growing setelah dilakukan equalisasi. Gambar dari tiap-tiap format masing dapat menggunakan threshold yang sama yaitu T = 10 untuk mensegmentasi jalan raya. Perbedaan kali ini terdapat pada format gambarnya. Ternyata pada format
.jpg,
hasil segmentasi lebih
baik
dibandingkan format lainnya. Dapat dilihat pada gambar bahw a jalan dapat disegmentasi dengan baik pada format .jpg, sedangkan pada format yang lain, segmentasi masih mengambil wilayah yang bukan jalan raya.
4.2.2.2
Citra Quickbird
Pada quickbird, threshold yang digunakan untuk langsung melakukan proses segmentasi dengan region growing adalah T = 10 sama seperti pada foto udara. Lain pada kelas rumah dengan citra quickbird yang kurang dapat tersegmentasi dengan baik, pada jalan raya, hasil segmentasi dihasilkan dengan baik melalui region growing ini. Berikut tampilan gambar dari hasil uji coba untuk quickbird.
67
.jpg
.png
68
.bmp Gambar 4.22 Proses region growing untuk kelas jalan raya dari quickbird (T = 10) Keterangan : Pada tampilan diatas, dapat dilihat bahwa hasil segmentasi jalan raya pada quickbird dapat dilakukan dengan baik. Hal ini dikarenakan perbedaan resolusi spasial dari foto udara sehingga warna yang dihasilkan pun lebih baik. Hasil untuk setiap format gambar hampir sama, jadi walaupun terjadi perbedaan teknik kompresi, tetapi tidak mempengaruhi kompresi warna pada jalan raya. Karena itu, tidak ada perbedaan antara tiap format gambar.
69
Sama seperti pada gambar yang langsung diproses dengan region growing, hasil gambar setelah proses equalisasi pun tidak mengalami banyak perubahan. Artinya, dapat mensegmentasi kelas jalan raya dengan baik.
.jpg
.png
70
.bmp Gambar 4.23
Hasil region growing setelah dilakukan histogram equalization dari quickbird (T = 10) Keterangan : Seperti yang sudah dijelaskan sebelumnya, tidak ada perubahan yang signifikan terhadap hasil dari proses equalisasi maupun tanpa proses equalisasi. Segmentasi tetap dapat dilakukan dengan baik untuk kelas jalan raya. Perbedaan terletak pada format gambar. Pada tiap format gambar, terdapat perbedaan warna yang mencolok sehingga tidak dapat mensegmentasi semua jalan raya. Faktor lainnya jalan raya tertutup oleh pohon sehingga tidak tersegmentasi sebagai jalan raya.
71
Gambar berikut merupakan hasil maksimal ekstraksi pada kelas jalan raya setelah dilakukan beberapa percobaan.
Gambar 4.24
Hasil ekstraksi kelas jalan raya pada quickbird dengan format .bmp dan T = 10
Berikut merupakan tampilan dari klasifikasi jalan raya itu yang dilakukan oleh ahli untuk membuktikan bahwa segmentasi diatas merupakan kelas dari jalan raya.
72
Gambar 4.25
4.2.3
Tampilan kelas jalan raya dari lokasi yang dianalisis
Kelas Lapangan 4.2.3.1
Citra Foto Udara
Pada kelas lapangan ini, nilai ambang batas (threshold) yang digunakan adalah T = 10 untuk mendapatkan hasil segmentasi dari kelas lapangan yang baik.
.jpg Gambar 4.26
.png
.bmp
Proses region growing untuk kelas lapangan dari foto udara (T = 10)
73
Keterangan : Berdasarkan
gambar
diatas,
hasil
dari
format
gambar
mempengaruhi proses segmentasi. Format .bmp memiliki akurasi yang lebih baik dibandingkan kedua format lainnya. Hal ini dapat terlihat dari hasil format .bmp yang dapat mensegmentasi lapangan dengan lebih baik. Sedangkan kedua format lainnya masih mengambil wilayah di luar lapangan. Sebagai pembanding juga dilakukan proses histogram equalisasi dimana gambar memiliki nilai histogram yang seimbang untuk tiap intensitas, dan menghasilkan hasil sebagai berikut.
.jpg
.png
.bmp
Gambar 4.27 Hasil region growing setelah dilakukan histogram equalization dari foto udara (T = 25)
74
Keterangan : Pada hasil gambar diatas, merupakan hasil dari segmentasi setelah dilakukan histogram equalisasi terlebih dahulu sebelum dilakukan proses region growing. Pada gambar dapat terlihat hasil yang sama untuk setiap format gambar. Ini menunjukkan bahwa format gambar yang telah dilakukan proses equalisasi maka memiliki keseimbangan antara intensitas warna sehingga tidak terpengaruh pada jenis kompresi data. Karena itu, maka hasil segmentasi untuk ketiga format gambar tersebut adalah sama.
4.2.3.2
Citra Quickbird
Citra quickbird memiliki resolusi spasial yang lebih rendah dibandingkan dengan citra foto udara. Berikut merupakan tampilan dari segmentasi quickbird dengan threshold yang sama pada foto udara.
.jpg Gambar 4.28
.png
.bmp
Proses region growing untuk kelas lapangan dari quickbird (T = 10)
75
Keterangan : Gambar diatas menggunakan nilai threshold sama seperti pada citra foto udara, yaitu 10. Dengan nilai tersebut hasil yang didapat tidak sesuai dengan harapan karena tidak dapat mensegmentasi kelas lapangan dengan baik. Karena hasil segmentasi dengan threshold 10 mendapatkan hasil yang kurang baik. M aka dilakukan proses uji coba kembali untuk mengetahui nilai T yang tepat agar dapat mendapatkan segmentasi kelas lapangan dengan lebih baik.
.jpg Gambar 4.29
.png
.bmp
Proses region growing untuk kelas lapangan dari quickbird (T = 15) Keterangan : Gambar diatas menggunakan nilai threshold 15 untuk mendapatkan kelas dari lapangan. Dari gambar tidak semua wilayah
lapangan
tersegmentasi dengan
baik
dikarenakan
lapangan tersebut tidak semuanya terdiri atas rumput. M ungkin
76
ada bagian yang terdiri atas pasir ataupun tanah sehingga yang disegmentasi hanyalah lapangan hijau. Pada saat dilakukan proses equalisasi pada kelas lapangan tersebut, threshold yang digunakan sesuai dengan threshold pada citra foto udara, yaitu T = 25, dan hasil segmentasinya pun cukup baik walaupun tidak semua wilayah lapangan tersegmentasi dikarenakan adanya pasir ataupun tanah.
.jpg Gambar 4.30
.png
.bmp
Hasil region growing setelah dilakukan histogram equalization dari quickbird (T = 25) Keterangan : Hasil dari gambar diatas merupakan hasil dari region growing setelah melalui proses equalisasi. Threshold yang digunakan pada saat sebelum equalisasi adalah 15 sedangkan pada saat histogram equalisasi digunakan nilai T = 25. Hal ini dilakukan untuk mendapatkan kelas lapangan yang lebih baik dibandingkan dengan nilai T = 15. Walaupun tidak semua wilayah
77
dari lapangan dapat tersegmentasi, tetapi wilayah rumput dari lapangan tersebut dapat disegmentasi dengan baik. Gambar berikut merupakan hasil maksimal ekstraksi pada kelas lapangan setelah dilakukan beberapa percobaan.
Gambar 4.31
Hasil ekstraksi kelas lapangan pada foto udara dengan format .bmp dan T = 10
Berikut merupakan gambar dari klasifikasi lapangan yang dilakukan ahli untuk menunjukkan bahwa kelas yang disegmentasi merupakan kelas lapangan.
78
Gambar 4.32
4.2.4
Tampilan kelas lapangan dari lokasi yang dianalisis
Kelas Lahan Terbuka 4.2.4.1
Citra Foto Udara
Untuk mensegmentasi kelas lahan terbuka, digunakan threshold T = 5 agar hasil yang didapat baik. Dengan nilai ambang batas tersebut, lahan terbuka dapat di klasifikasikan sesuai dengan kelasnya. Gambar berikut menunjukkan hasil dari segmentasi kelas lahan terbuka dengan T = 5.
79
.jpg Gambar 4.33
.png
.bmp
Proses region growing untuk kelas lahan terbuka dari foto udara (T = 5) Keterangan : Hasil dari tiap-tiap format gambar memiliki wilayah segmentasi yang berbeda. Format .bmp memiliki hasil segmentasi yang lebih
baik
dibandingkan
yang
lain
karena
dapat
mensegmentasi semua kelas lahan terbuka. Berdasarkan hasil di atas, perbandingan akan dilakukan dengan hasil dari histogram equalisasi sebagai berikut.
.jpg Gambar 4.34
.png
.bmp
Hasil region growing setelah dilakukan histogram equalization dari foto udara (T = 30)
80
Keterangan : Dari gambar
diatas
dapat
dilakukan
perbandingan
perbedaan dari threshold sebelum dilakukan equalisasi (T = 5) dan sesudah dilakukan equalisasi (T = 30). Dari hasil tersebut, apabila menggunakan threshold T = 5 maka untuk hasil yang sudah diequalisasi tidak dapat mensegmentasi semua kelas dari lahan terbuka tersebut. Hasil pada format
.png lebih
mendapatkan
hasil
segmentasi yang lebih sempurna dibandingkan format lain. Berdasarkan hal tersebut, maka dilakukan uji coba lebih lanjut untuk menentukan nilai threshold yang tepat agar semua kelas dapat tersegmentasi dengan baik. Karena itu, digunakan T = 30 dengan harapan semua wilayah dapat tersegmentasi.
4.2.4.2
Citra Quickbird
Sama seperti kelas lapangan, pada kelas lahan terbuka ini juga tidak dapat menggunakan threshold pada foto udara sebagai threshold untuk quickbird ini dikarenakan perbedaan resolusi spasialnya. Untuk itu, dalam kelas lahan terbuka ini digunakan threshold T = 10 agar dapat mendapatkan
wilayah
lahannya.
Berikut
gambar
menunjukkan kelas lahan terbukanya dengan T = 10.
tampilan
yang
81
.jpg Gambar 4.35
.png
.bmp
Proses region growing untuk kelas lahan terbuka quickbird (T = 10) Keterangan : Berdasarkan gambar diatas, dapat dilihat bahwa untuk setiap format
gambar
menunjukkan
menghasilkan bahwa
untuk
gambar lahan
yang
sama.
terbuka
Ini tidak
mempermasalahkan kompresi data yang digunakan. Bandingkan juga dengan hasil sesudah equalisasi. Berikut hasil dari histogram equalisasi dengan threshold T = 20 yang juga menghasilkan gambar yang sama untuk tiap format.
.jpg Gambar 4.36
.png
.bmp
Hasil region growing setelah dilakukan histogram equalization dari quickbird (T = 20)
82
Berikut merupakan hasil maksimal ekstraksi dari kelas lahan terbuka berdasarkan hasil dari eksperimen diatas.
Gambar 4.37 Hasil ekstraksi kelas lahan terbuka pada foto udara dengan format .bmp dan T = 5
Untuk menunjukkan kelas dari lahan terbuka tersebut, berikut gambar dari ahli yang memberikan gambaran kelas dari lahan tersebut.
Gambar 4.38
Tampilan kelas lahan terbuka dari lokasi yang dianalisis
83
4.2.5
Kelas Kebun Campur 4.2.5.1
Citra Foto Udara
Untuk mensegmentasi kelas kebun campur, digunakan threshold T = 15 agar hasil yang didapat baik. Dengan nilai ambang batas tersebut, kebun campur dapat diklasifikasikan sesuai dengan kelasnya. Gambar berikut menunjukkan hasil dari segmentasi kelas kebun campur dengan T = 15.
.jpg Gambar 4.39
.png
.bmp
Proses region growing untuk kelas kebun campur dari foto udara (T = 15) Keterangan : Hasil dari tiap-tiap format gambar memiliki wilayah segmentasi yang berbeda. Format .jpg dan .png memiliki hasil yang sama dengan seed point yang sama. Format .bmp memiliki hasil segmentasi yang berbeda dari kedua format lainnya karena gambar tidak dikompresi sehingga warna asli tetap dipertahankan. Dalam hal ini, format .bmp lebih baik dibandingkan yang lain karena dapat mensegmentasi kelas kebun campur. Sedangkan
84
format yang lain, selain mensegmentasi kelas kebun campur juga mensegmentasi lahan kosong yang bukan merupakan bagian dari kebun campur. Berdasarkan hasil di atas, perbandingan akan dilakukan dengan hasil dari histogram equalisasi sebagai berikut. Setelah dilakukan equalisasi, ternyata perbedaan warna sangat mencolok sehingga apabila digunakan threshold yang sama (T = 15) maka tidak menghasilkan hasil segmentasi yang maksimal. Sehingga untuk kelas kebun campur yang telah dilakukan proses equalisasi digunakan T = 65
.jpg Gambar 4.40
.png
.bmp
Hasil region growing setelah dilakukan histogram equalization dari foto udara (T = 65) Keterangan : Dari gambar
diatas
dapat
dilakukan
perbandingan
perbedaan dari threshold sebelum dilakukan equalisasi (T = 15) dan sesudah dilakukan equalisasi (T = 65). Dari hasil tersebut, apabila menggunakan threshold T = 15 maka untuk hasil yang
85
sudah equalisasi tidak dapat mensegmentasi semua kelas dari kebun campur tersebut. Hasil untuk tiap-tiap format tidaklah sama. Hal ini terjadi karena setelah dilakukan equalisasi, sebaran histogramnya menjadi merata dan menyebabkan perbedaan warna yang mencolok untuk kelas kebun campur kali ini. Berdasarkan gambar di atas, semua format gambar dapat melakukan segmentasi dengan baik. Untuk format .jpg dan .png, hasil segmentasi baik untuk kelas kebun campur karena mensegmentasi
semua
kebun
campur.
Sedangkan
pada
format .bmp, juga mensegmentasi kelas kebun campur dengan baik. Apabila disesuaikan dengan gambar yang didapat oleh ahli sesuai dengan lokasinya, maka format .bmp lebih mendekati dari hasil lokasi yang sebenarnya.
4.2.5.2
Citra Quickbird
Sama seperti kelas lahan terbuka, pada kelas kebun campur ini juga tidak dapat menggunakan threshold pada foto udara sebagai threshold untuk quickbird ini dikarenakan perbedaan resolusi spasialnya. Untuk itu, dalam kelas kebun campur ini digunakan threshold T = 25 agar dapat
86
mendapatkan
wilayah
lahannya.
Berikut
gambar
tampilan
yang
menunjukkan kelas kebun campur dengan T = 25.
.png
.jpg Gambar 4.41
.bmp
Proses region growing untuk kelas kebun campur pada quickbird (T = 25) Keterangan : Pada gambar hasil percobaan di atas, dapat dilihat bahwa hasil dari format .jpg berbeda dengan hasil dari 2 format gambar lainnya. Tetapi masih tetap mensegmentasi kelas dari kebun campur. Pada kelas kebun campur ini, tidak dapat diketahui format gambar mana yang lebih baik, karena semua format dapat mensegmentasi kelas kebun campur tersebut.
Bandingkan juga hasil sebelum proses equalisasi di atas dengan hasil sesudah equalisasi. Berikut hasil dari histogram equalisasi dengan threshold T = 35
87
.jpg Gambar 4.42
.png
.bmp
Hasil region growing setelah dilakukan histogram equalization dari quickbird (T = 35) Keterangan : Berdasarkan gambar diatas, dapat dilihat bahwa untuk setiap format
gambar
menunjukkan
menghasilkan
bahwa
untuk
gambar kelas
yang
kebun
sama.
campur
Ini tidak
mempermasalahkan kompresi data yang digunakan. Berikut merupakan hasil maksimal ekstraksi dari kelas kebun campur berdasarkan hasil dari eksperimen diatas.
Gambar 4.43 Hasil ekstraksi kelas kebun campur pada quickbird dengan format .bmp dan T = 25
88
Untuk menunjukkan kelas dari kebun campur tersebut, berikut gambar dari ahli yang memberikan gambaran kelas dari lahan tersebut.
Gambar 4.44
Tampilan kelas kebun campur dari lokasi yang dianalisis
