5
Lingkungan Pengembangan
Persiapan Data
Perangkat lunak yang digunakan pada penelitian ini adalah compiler Matlab versi 7.0.1. dengan sistem operasi Microsoft Window XP. Langkah persiapan citra menggunakan perangkat lunak pemrosesan citra satelit, ENVI versi 4.0., sedangkan spesifikasi perangkat keras yang digunakan adalah PC dengan prosesor Pentium IV 2GHz, memori sebesar 512MB, dan kapasitas penyimpanan sebesar 40GB.
Ukuran data yang besar menjadi masalah yang signifikan dalam usaha pembacaan citra dengan menggunakan Matlab. Oleh karena itu dilakukan pengambilan sampel kecil dari kedua pasangan citra dengan cara melakukan resize data menggunakan perangkat lunak pemrosesan citra, ENVI versi 4.0. Proses yang dilakukan dalam resizing adalah dengan memilih sub bagian citra yang akan diambil (subsetting) dengan sedapat mungkin tidak mengubah informasi registrasi citra awal.
HASIL DAN PEMBAHASAN Data sumber pertama adalah pasangan citra pankromatik hitam putih beresolusi spasial 0.6 meter dan citra multispektral beresolusi spasial 2.4 meter dari wilayah Taman Nasional Kerinci Semblat. Citra pankromatik awal berdimensi 7762×9350×1 [BSQ] dan berukuran 141.821 kb. Pasangannya adalah citra multispektral berdimensi 1941×2338×4 dan berukuran 35.528 kb. Keduanya bertipe kelas unsigned int16 (uint16) dengan ukuran digital number (DN) piksel berada pada rentang [0 65536]. Pasangan citra awal merupakan file GeoTIFF yang merupakan citra standar hasil foto udara satelit observasi bumi QuickBird. Data sumber kedua merupakan citra standar hasil pencitraan dari satelit Landsat. Data citra terdiri dari sebuah citra pankromatik hitam putih beresolusi spasial 15 meter dan 6 citra spektral beresolusi spasial 30 meter dari wilayah Singkawang. Citra pankromatik awal berdimensi 15721 x 13921 x 1 [BSQ] dan berukuran 213.832 kb. Citra penyertanya adalah 6 citra spektral dari kanal sensor satelit Landsat, yang masing-masing memiliki dimensi 7861 x 6961 x 1 [BSQ] dan berukuran 53.493 kb. Ketujuh citra Landsat ini bertipe kelas unsigned int8 (uint8) dengan rentang nilai [0 256]. Pasangan data citra QuickBird dan Landsat ini dipilih karena data tersedia untuk penelitian dan telah mengalami proses georectification, yaitu telah disesuaikan dengan informasi geografis di lapangan. Visualisasi dan karakteristik pasangan citra QuickBird awal ditunjukkan pada Lampiran 1. Adapun visualisasi dan karakteristik citra Landsat ditunjukkan pada Lampiran 2.
Citra yang di-resize terlebih dahulu adalah citra pankromatik. Kemudian resizing citra multispektral dilakukan dengan berpedoman dari file citra pankromatik yang telah didapat sebelumnya agar memiliki daerah yang sama. Setelah dilakukan resizing, file subset diubah ke dalam bentuk TIFF/GeoTIFF dan dibentuk file header-nya. Pada umumnya setelah proses ini ENVI akan menghasilkan file .tfw (TIFF world files) dan .hdr sebagai penyerta tiap file .tif. Subset citra pankromatik Landsat yang digunakan berukuran 631 kb dengan dimensi 800 × 800×1, sedangkan keenam subset citra spektral Landsat yang digunakan berukuran masing-masing 160 kb dan berdimensi 400×400×1. Pada citra QuickBird diambil subset citra pankromatik berukuran 709 kb dengan dimensi 600×600×1, dan subset citra multispektral berukuran 181 kb dengan dimensi 150×150×1. Gambar 4 merupakan subset citra QuickBird yang diambil untuk input penelitian, sedangkan Gambar 5 merupakan subset citra Landsat.
Gambar 4 Subset citra QuickBird (uint16).
Gambar 5 Subset citra Landsat (uint8).
6
Registrasi, Crop, dan Resampling
Di dalam Matlab, pembacaan kanal citra multispektral yang memiliki lebih dari 3 kanal memerlukan perlakuan yang berbeda. Pertama-tama citra multispektral yang telah diregistrasi dibaca dengan menggunakan fungsi imread untuk mendapatkan informasi 3 kanal display (Red Green Blue) pertama. Kemudian dilakukan pembacaan sisa kanal spektral dengan menggunakan fungsi multibandread. Pada penelitian ini pembacaan dengan menggunakan fungsi multibandread hanya diberlakukan pada citra QuickBird yang memiliki informasi 4 kanal spektral. Pada citra Landsat tidak perlu diberlakukan hal yang sama karena data keenam kanal spektralnya telah tersimpan dalam file yang terpisah. Dalam pembacaan sisa kanal spektral QuickBird, didapatkan bahwa sisa kanal yang dibaca dengan fungsi multibandread akan mengalami distorsi berupa pergeseran letak titik pojok kiri atas kanal. Oleh karena itu diberlakukan proses registrasi dengan mendefinisikan terlebih dahulu GCP dari data masukan (input) dan GCP dari data basis (salah satu dari ketiga kanal yang telah terbaca sebelumnya). Proses ini dilakukan dengan menggunakan control point tool pada Matlab. Proses penentuan GCP dari kanal referensi (kanal basis) dan kanal yang akan diregistrasi (kanal input) ditunjukkan pada Gambar 6. Selanjutnya dengan berbasis data GCP input dan data GCP basis dilakukan pemotongan (cropping) pada kanal yang telah diregistrasi untuk menghilangkan piksel-piksel yang tidak bersesuaian.
input dan GCP basis dari kedua pasangan citra. Titik GCP input untuk citra multispektral QuickBird adalah [1 1;1 26;35 1;35 26]. Adapun titik GCP basisnya adalah [9 9;9 34;43 9;43 34]. Setelah dilakukan proses registrasi diberlakukanlah proses cropping. Titik (9, 9) diambil sebagai titik kiri atas baru untuk citra multispektral QuickBird. Kemudian untuk mendapatkan ukuran sampel yang sama dengan kanal display (Red Green Blue) diberlakukan proses resize. Kanal yang teregistrasi dan telah diberlakukan proses cropping di-resize dengan menggunakan metode interpolasi bilinear. Metode Fusi
Metode transformasi Brovey dan metode PCA sama-sama menggunakan kombinasi linear dari pasangan citra awal untuk mendapatkan citra multispektral baru dengan resolusi spasial menyamai resolusi citra pankromatik awal. Metode Brovey merupakan komposisi dari rasio ketiga nilai kanal multispektral untuk keperluan display, dalam hal ini kanal RGB yang dipadukan dengan nilai spasial dari citra pankromatik awal. Adapun perhitungan nilai kanal infra merah dekat (NIR) dilakukan dengan melakukan kombinasi dari rasio kanal NIR, Red dan Green (Wang et al. 2005). Hasil tampilan RGB untuk subset citra QuickBird dan citra Landsat hasil fusi Brovey diperlihatkan pada Gambar 7 berikut.
Gambar 7 Citra hasil fusi Brovey.
Gambar 6 Proses penentuan GCP. Dari proses pemilihan GCP dengan bantuan tool Matlab didapatkan variabel GCP
Pada metode fusi Principal Component Analysis, sebelum diberlakukan transformasi forward PCA, data citra dibentuk menjadi vektor. Kemudian diberlakukan transformasi forward PCA untuk mencari principal component dari citra multispektral awal. Hasil dari proses ini adalah matriks vektor-vektor eigen yang terurut. Setelah itu vektor eigen dengan nilai terbesar diambil sebagai vektor PC1, dan definisikan DN l = PC1 . PAN
Langkah selanjutnya adalah langkah perentangan histogram yang berfungsi untuk mendapatkan citra pankromatik baru,
7
h ' , dengan rataan yang sama dengan DN PAN
PC1. Proses ini dilakukan untuk mengurangi distorsi warna pada citra hasil fusi akibat jauhnya perbedaan rentang citra pankromatik dan citra multispektral. Langkah perentangan histogram adalah sebagai berikut: 1 Nilai PDF dari vektor PC1 dan citra pankromatik dihitung dahulu untuk mendapatkan fungsi yang merepresentasikannya. 2 Dari kedua fungsi yang diperoleh dari langkah 1 dihitung suatu fungsi inversi. 3 Citra pankromatik dipetakan dengan bantuan fungsi inversi. Hasilnya adalah citra pankromatik baru dengan resolusi spasial lebih rendah, namun lebih mendekati karakteristik kanal PC1. Setelah proses perentangan histogram, dilakukan transformasi backward PCA dengan terlebih dahulu menggantikan kanal PC1 dengan citra pankromatik baru hasil perentangan ( DN h' ) dan mendefinisikan PAN
l DN PAN = PC 1 .
Kanal-kanal multispektral
baru hasil transformasi backward inilah yang dibentuk menjadi citra multispektral baru. Hasil tampilan RGB untuk subset citra QuickBird dan citra Landsat hasil fusi PCA diperlihatkan pada Gambar 8 berikut. Adapun perbandingan setiap citra hasil metode fusi ditunjukkan pada Lampiran 3.
Gambar 8 Citra hasil fusi PCA. Pada dasarnya file citra hasil fusi mempunyai ukuran yang lebih besar daripada kedua file citra awal. Hal ini disebabkan oleh penggabungan informasi spasial dan informasi warna dari pasangan citra awal. Perbandingan ukuran sebelum dan sesudah proses fusi antara kedua metode dinyatakan pada Tabel 1. Tabel 1 Ukuran dan dimensi data Ukuran (bytes) dan dimensi data subset Citra Pan- Citra Multi- Citra Hasil kromatik spektral Fusi 600x600x1 150x150x4 600x600x4 (uint16) (uint16) Quick- (uint16) Bird Res:0.6 m Res:2.4 m Res:0.6 m
725.166 kb 185.182 kb
400x400x6 800x800x1 (uint8) (uint8) LandRes:30 m Res:15 m sat 979.566 kb 646.754 kb
PCA : 2904.284 kb Brovey : 2904.262 kb 800x800x4 (uint8) Res:15 m PCA : 2583.456 kb Brovey : 2584.592 kb
Adapun dalam hal lama waktu pemrosesan, metode Brovey membutuhkan waktu proses yang jauh lebih singkat bila dibandingkan dengan metode PCA. Lama waktu pemrosesan pada metode PCA disebabkan oleh proses perentangan histogram. Pada citra yang memiliki kelas uint16 harus dilakukan pemetaan dari rentang nilai [0 65536] untuk menemukan fungsi inversi. Waktu yang dibutuhkan dapat dilihat pada Tabel 2. Tabel 2 Perbandingan proses fusi Waktu proses fusi Brovey PCA Brovey PCA (Quick(Quick(Landsat) (Landsat) Bird) Bird) Waktu 11.4840 15.2340 511.8130 26.6090 (detik) Perbandingan Visualisasi
Secara visual dapat diamati bahwa citra fusi hasil transformasi Brovey memiliki informasi spasial dengan ketajaman tinggi. Akan tetapi dari segi warna, citra hasil transformasi ini memberikan informasi yang jauh berbeda dengan informasi warna pada citra multispektral awal. Citra hasil fusi cenderung berwarna lebih terang kebiruan. Hal ini disebabkan karena metode transformasi Brovey hanya menggunakan rasio dari 3 kanal spektral dan tidak memperhitungkan perbedaan rentang nilai gelombang antara kanal pankromatik maupun kanal multispektral. Pada citra hasil metode fusi PCA, terdapat distorsi berupa titik-titik hitam dan kurang tajamnya informasi tepian objek yang diperoleh. Akan tetapi warna citra hasil fusi PCA memperlihatkan kedekatan dengan warna citra multispektral awal. Kedekatan warna ini dikarenakan PCA melakukan perentangan histogram sebelum proses perhitungan kanal multispektral baru. Dengan
8
demikian metode PCA menghasilkan histogram kanal spektral baru yang lebih menyebar dan menyerupai karakteristik citra multispektral awal. Perbedaan hasil kedua metode ini dapat diamati secara visual melalui Gambar 9 dan 10 berikut. Gambar 9 menunjukkan citra pankromatik QuickBird resolusi 0.6 meter dan citra multispektral QuickBird resolusi 2.4 meter. Kemudian zoom area di dalam persegi merah ditunjukkan oleh Gambar 10. Terurut dari kiri ke kanan bawah, adalah area zoom citra pankromatik resolusi 0.6 meter, citra hasil fusi PCA resolusi 0.6 meter, dan citra hasil Brovey resolusi 0.6 meter. Adapun perbandingan citra hasil kedua metode fusi secara visual ditunjukkan pada Lampiran 4.
Gambar 9 Subset citra pankromatik dan multispektral QuickBird awal.
(a)
(b)
(c) Gambar 10 Area zoom (a) citra Pan, (b) hasil fusi PCA, (c) hasil fusi Brovey. Perbandingan Kriteria Kuantitatif
Perbandingan kriteria kuantitatif yang dilakukan adalah perbandingan nilai koefisien korelasi dan nilai root mean square error (RMSE). Nilai koefisien korelasi mengukur kesamaan informasi spasial antara citra hasil fusi dengan citra pankromatik awal yang ditunjukkan pada Tabel 3. Nilai ini berada pada rentang [-1 1]. Nilai mendekati 1 menyatakan semakin tingginya nilai informasi spasial yang terkandung pada citra hasil fusi.
Tabel 3 Koefisien korelasi antara citra multispektral hasil fusi dengan citra pankromatik awal Koefisien Korelasi Citra Hasil Fusi Band1 Band2 Band3 Band4 Pan Brovey 0.95545 0.98656 0.88220 0.83130 (QuickBird) Pan Brovey 0.90588 0.86050 0.75164 0.95656 (Landsat) Pan PCA 0.23383 0.42907 0.22611 0.32744 (QuickBird) Pan PCA 0.42467 0.38026 0.21460 0.88567 (Landsat) Metode Brovey memberikan nilai koefisien korelasi yang tinggi. Nilai korelasi yang tinggi menandakan bahwa citra hasil transformasi fusi Brovey memiliki informasi spasial yang mendekati informasi spasial citra pankromatik awal. Hal ini mendukung pengamatan visual bahwa pada citra hasil Brovey informasi tepi objek dapat dikenali lebih mudah. Nilai koefisien korelasi yang dihasilkan pada metode PCA sangat kecil bila dibandingkan dengan metode Brovey. Pada dasarnya karakteristik kanal NIR mendekati karakteristik citra pankromatik, sehingga nilai korelasi kanal 4 (NIR) akan lebih mendekati nilai 1. Akan tetapi pada perbandingan kanal NIR QuickBird dengan citra pankromatik diperoleh nilai yang sangat kecil. Nilai yang kecil ini disebabkan kerusakan kanal NIR citra multispektral QuickBird awal akibat proses pembacaan dengan multibandread. Lain halnya dengan perhitungan koefisien korelasi, perhitungan kriteria RMSE bertujuan untuk melihat tingkat perubahan informasi warna dari perbandingan antara citra hasil fusi dengan citra multispektral awal. Nilai RMSE yang baik adalah nilai seminimal mungkin. Nilai RMSE dari data citra percobaan ditunjukkan pada Tabel 4. Tabel 4 Nilai RMSE antara citra multispektral hasil fusi dengan citra multispektral awal RMSE Citra Hasil Fusi Band1 Band2 Band3 Band4 Brovey 72.724 102.49 63.496 352.01 (QuickBird) Brovey 75.954 61.304 53.116 74.340 (Landsat) PCA 0.85599 0.34977 1.8992 27.132 (QuickBird) PCA 2.9979 2.7319 2.3585 17.998 (Landsat)
9
Bila dibandingkan dengan nilai RMSE metode Brovey, nilai RMSE hasil metode fusi PCA menunjukkan nilai yang lebih kecil. Rendahnya nilai RMSE metode PCA ini menunjukkan rendahnya informasi warna citra multispektral awal yang hilang pada proses fusi PCA. Dengan demikian dapat disimpulkan bahwa metode PCA mampu mempertahankan informasi warna lebih baik daripada metode Brovey. Hal ini dapat dilihat dari representasi visual kanal RGB. Secara visual, informasi warna citra hasil metode PCA terlihat hampir menyerupai informasi warna citra multispektral awal.
KESIMPULAN DAN SARAN Kesimpulan
Dari hasil penelitian didapat bahwa nilai koefisien korelasi antara citra multispektral hasil metode Brovey dan citra pankromatik awal memberikan nilai korelasi tertinggi. Hal ini menunjukkan penambahan informasi spasial yang tinggi. Akan tetapi metode Brovey kurang meminimalkan nilai RMSE pada perbandingan informasi warna antara citra hasil dan citra multispektral awal. Hal sebaliknya terjadi pada citra hasil fusi dengan menggunakan metode PCA. Metode PCA mampu memberikan informasi warna yang baik dengan nilai RMSE hasil fusi yang lebih rendah. Akan tetapi metode PCA kurang dapat menyumbangkan penambahan informasi spasial. Hal ini dapat dilihat dari nilai koefisien korelasi citra hasil metode PCA yang nilainya jauh lebih rendah daripada nilai koefisien korelasi metode Brovey. Pada dasarnya metode Brovey dan PCA memiliki kelebihan dan kekurangan masingmasing. Terlepas dari kekurangannya, kedua metode mampu memberikan citra multispektral hasil fusi baru yang memiliki penambahan informasi spasial dan informasi warna dari pasangan citra awal. Pemilihan metode fusi yang cocok bergantung pada keperluan analisis citra, untuk pengamatan spektral atau untuk pengamatan tepian objek. Saran
Penelitian ini masih belum sempurna dilakukan. Beberapa hal dapat dilakukan untuk pengembangan topik penelitian ini lebih lanjut, antara lain:
1 Dilakukannya penggabungan metode fusi Brovey dan PCA untuk mendapatkan hasil yang lebih baik secara spasial maupun warna. 2 Diterapkannya pemrosesan paralel dengan menggunakan block processing guna mengakomodasi data citra satelit yang berukuran besar. 3 Dilakukannya pengukuran keakuratan spasial dengan menggunakan proses klasifikasi pada citra hasil fusi. 4 Dilakukannya proses enhancement yang mendukung pendeteksian tepi objek, guna melihat kinerja fusi citra dalam pengekstraksian objek-objek penting pada citra hasil fusi, seperti jalan atau objekobjek penting lainnya.
DAFTAR PUSTAKA Aiazzi B, et al. 2004. Spectral Information Extraction by means of MS+PAN Fusion. Di dalam: ESA Special Publication no. 553, Theory and Applications of Knowledge driven Image Information Mining, with focus on Earth Observation, in press. Dehghani M. 2003. Wavelet-based Image Fusion Using “A trous” Algorithm. http://www.gisdevelopment.net/technolog y/ip/pdf/53.pdf [30 Oktober 2006] ENVI. 2003 ENVI 4.0 Online Help. Research Systems Inc. Gonzalez RC, Woods RE, Eddins SL. 2004. Digital Image Processing Using MATLAB. New Jersey: Pearson Prentice Hall. Lillesand TM, Kiefer RW. 1990. Penginderaan Jauh dan Interpretasi Citra. Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah; Sutanto, penyunting; Yogyakarta: Gajah Mada University Press. Matlab. 2004. Matlab’s Manual Release 7.0.1. MathWorks Inc. Tsai VJD. 2004. Evaluation of Multiresolution Image Fusion Algorithms. IEEE Trans. Geosci. Remote Sens., no. 0-7803-8742-2, 2004. hlm 621-624. Wald L. 1999. Some terms of reference in data fusion. IEEE Trans. Geosci. Remote Sens., vol. 37, no. 3, Mei 1999. hlm 11901193.
