PENGHILANGAN AWAN PADA CITRA SATELIT DENGAN CITRA MULTI-TEMPORAL DAN INPAINTING BERBASIS SELF-ORGANIZING MAP

DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 15-21

PENGHILANGAN AWAN PADA CITRA SATELIT DENGAN CITRA MULTI-TEMPORAL DAN INPAINTING BERBASIS SELF-ORGANIZING MAP Fidi Wincoko Putro(1), Handayani Tjandrasa(2) Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember, Surabaya e-mail: [email protected](1), [email protected](2)

ABSTRAK Citra satelit merupakan salah satu hasil dari penginderaan jarak jauh yang bisa dimanfaatkan manusia untuk menganalisa permukaan bumi dengan berbagai cara tertentu. Permasalahan yang sering muncul dalam pengolahan citra satelit adalah adanya gangguan derau (noise). Salah satu noise dari citra satelit yaitu awan yang menutupi sebagian area tertentu. Oleh karena itu diperlukan suatu pendekatan untuk menghilangkan awan tersebut. Pendekatan yang diusulkan adalah menggabungkan metode citra multitemporal dengan metode inpainting untuk menutup area yang masih terdapat awan. Salah satu metode inpainting yang telah berhasil digunakan adalah dengan pendekatan Self-Organizing Map (SOM). Penggunaan inpainting berbasis SOM adalah untuk mendapatkan citra yang akan digunakan untuk mengisi pixel kosong pada area awan yang telah hilang setelah metode multi-temporal dilakukan. Dengan gabungan metode tersebut mampu mengatasi permasalahan penghilangan awan pada citra satelit hingga 96.79% pixel bebas awan dan secara visual mencapai 100%. Kata kunci: Citra satelit, Multi-temporal, Penghilangan awan, Self-Organizing Map Inpainting.

ABSTRACT Satellite imagery is one of remote sensing result that can be used by human to earth observation. The problem in satellite image processing is noise reduction. Cloud can be categorized into noise in satellite image processing because it covers much area on the image. Therefore cloud removal has been to be problem must be solved. Therefore we need a better method to solve the problem. An approach that we propose is using a combination method between multi-temporal images method and inpainting method based self-organizing map (SOM). Inpainting based SOM used to generate an image that will be used to fill some of the empty pixel in the cloud disappeared after the process of multi-temporal method has been done. Using the combination methods can solve the cloud removal problems on satellite imagery until 96,79% free pixels and reach 100% visually. Keywords: Cloud removal, Multi-temporal, Satellite imagery, Self-Organizing Map Inpainting.

PENDAHULUAN Penggunaan citra satelit harus melalui beberapa proses sebelum akhirnya bisa digunakan menjadi produk yang bermanfaat atau biasa disebut praproses (preprocessing). Salah satu permasalahan dalam preprocessing citra satelit adalah menghilangkan derau (noise) yang akan mengganggu secara visual. Diantara beberapa noise yang sering muncul salah satunya adalah awan. Awan akan dianggap sebagai pengganggu karena ia akan menutupi sebagian wilayah dari

citra satelit. Sehingga area yang tertutup tersebut tidak bisa dimanfaatkan atau akan menjadi data pencilan (outlier) apabila dilakukan proses segmentasi atau clustering pada citra tersebut. Oleh karena itu diperlukan cara untuk menghilangkan tutupan awan tersebut. Beberapa metode telah dilakukan oleh peneliti untuk mengatasi permasalahan awan tersebut, pada beberapa dekade terakhir metode pendekatan untuk mengatasi permasalahan tersebut dibagi menjadi tiga yaitu metode penghilangan awan dengan citra

Dinamika Teknologi

15


satelit multispectral-based, multi-temporal-based, dan dengan metode inpainting-based. Pendekatan citra satelit multispectral untuk menghilangkan awan dilakukan dengan menggabungkan informasi yang diperoleh dari hasil pengolahan frekuensi gelombang dari sensorsensor yang mengambil citra tersebut, bahkan dengan memanfaatkan sensor dari satelit lainnya untuk memprediksi lahan yang berada di bawah awan tersebut. Akan tetapi dengan pendekatan multispectral tersebut masih dibatasi dengan kesesuaian spektral dan resolusi spasial. Penghilangan awan dengan menggunakan citra satelit multi-temporal bisa dilakukan salah satunya dengan metode mosaik. Apabila suatu citra satelit yang diambil pada waktu yang berbeda dalam wilayah yang sama maka permasalahan awan akan bisa diatasi dengan melengkapinya dari informasi citra satelit pada waktu yang berbeda. Hal tersebut memungkinkan untuk didapatkan suatu citra satelit dengan menggantikan area yang tertutup awan dengan area yang bersih dari awan, dengan asumsi bahwa hanya terjadi sedikit perubahan lahan pada wilayah tersebut. Dengan menggunakan citra satelit multi-temporal tersebut masih tergantung dengan banyaknya data citra yang cukup bersih dari awan. Oleh karena itu masih memungkinkan terdapat area yang masih tertutup awan karena tidak ada citra pengganti area tersebut yang bebas dari awan dari keseluruhan data multi-temporal yang dimiliki. Satu lagi pendekatan yang digunakan untuk menghilangkan awan adalah dengan metode inpainting. Metode ini sebenarnya sering digunakan untuk melakukan perbaikan citra digital sehingga secara visual citra tampak lebih bagus atau bersih dari noise. Konsep dari metode ini adalah membuat bagian citra sintesis dari informasi yang diperoleh dari citra disekitarnya. Meskipun metode ini hanya menghilangkan awan dengan cara mengisi area yang tertutup awan dengan citra sintetis, tetapi metode ini mampu dilakukan hanya dengan satu citra saja sehingga tidak tergantung dengan data citra satelit lainnya. Beberapa metode inpainting yang sudah ada diantaranya yaitu, metode inpainting patch-based, exemplarbased,expensive texture-based, dan lain-lain. Selain beberapa metode yang telah disebutkan di atas, ada juga pendekatan inpainting dengan unsupervised learning. Pendekatan yang disebutkan terakhir diperkirakan sesuai karena inpainting pada citra satelit memiliki data yang

16

Dinamika Teknologi

tidak beraturan serta memiliki kualitas tekstur yang tinggi. Selain itu diperlukan metode unsupervised learning yang mampu melakukan visualisasi data. Oleh karena itu pendekatan inpainting dengan SelfOrganizing Map sangat sesuai dengan pengolahan data citra satelit. Dari ketiga metode yang telah disebutkan di atas, metode citra multi-temporal memiliki kelebihan pada kemampuannya untuk menghilangkan awan yang luas dan tebal, selain itu juga citra referensi sebagai pengganti citra yang tertutup awan merupakan citra asli bukan citra sintetis. Tetapi ketergantungannya terhadap data citra satelit temporal yang bersih dari awan menjadi kelemahan yang perlu diatasi agar tingkat ketergantungan terhadap data citra temporal lainnya bisa diturunkan. Oleh karena itu diperlukan suatu metode yang akan melengkapi metode citra multi-temporal tersebut. Berdasarkan permasalahan di atas, maka diusulkan suatu metode alternatif untuk meningkatkan kualitas penghilangan awan yang telah dilakukan dengan metode citra multi-temporal, yaitu penggabungan citra multi-temporal dengan metode Inpainting berbasis self-Organizing Map. Karena dengan metode tersebut, citra yang masih terkontaminasi dengan awan bisa dihilangkan dan digantikan dengan citra sintetis yang diolah dari informasi citra di sekeliling awan. Meskipun citra yang menggantikan adalah citra sintetis atau buatan, tetapi area citra yang akan dihapus dan digantikan dengan citra buatan relatif kecil, tidak sebesar citra aslinya sebelum penghilangan awan menggunakan metode multi-temporal. Sehingga diharapkan gabungan metode tersebut mampu menghasilkan citra satelit yang lebih bersih dari awan.

DATA CITRA SATELIT Pada penelitian ini akan menggunakan data citra satelit yang merupakan data primer, didapatkan dari pengambilan citra oleh satelit LANDSAT. Data citra satelit tersebut bisa diperoleh secara gratis dari Earth Resources Observation and Science (EROS) Center, yaitu pusat Ilmu pengetahuan dan Observasi Sumber Daya Bumi dibawah koordinasi United States Geological Survey (USGS), bisa diunduh di http://eros.usgs.gov/satellite-imagery. Sesuai dengan metode yang akan digunakan adalah citra satelit multi-temporal, maka data citra satelit


Gambar 1. Contoh citra satelit

yang diambil adalah data temporal. Citra Multitemporal yaitu citra satelit pada suatu wilayah yang diambil dalam beberapa waktu berbeda. Citra satelit yang didapatkan dari Landsat adalah wilayah jawa timur antara tahun 1999-2003. Ukuran asli citra sekitar 7000 x 8000 pixel, tetapi untuk meningkatkan kecepatan komputasi, maka akan di potong menjadi 600 x 700 pixel. Untuk lebih jelasnya silahkan lihat contoh citra satelit pada Gambar 1.

METODOLOGI Dalam metodologi penelitian ini terbagi menjadi beberapa tahap yaitu pendeteksian awan, penghilangan awan dengan metode citra multitemporal dan penghilangan awan dengan metode inpainting. 1. Pendeteksian Awan Sebelum melakukan proses penghilangan awan pada citra satelit terdapat satu proses penting yang harus dilalui, yaitu proses pendeteksian atau penentuan awan. Dalam beberapa penelitian disebut juga dengan penaksiran tutupan awan (Cloud Cover Assessment). Beberapa definisi kriteria awan menurut para peneliti [1][3][4] adalah obyek secara spektral yang sangat terang (bright) atau reflektif dan memiliki temperatur rendah (dingin). Kemudian menurut peneliti lainnya [5] awan adalah pixel yang memiliki nilai NDVI (normalized difference vegetation index) rendah, tetapi di atas nilai NDVI dari perairan. Peneliti lainnya [6] ada juga yang menyatakan bahwa awan hanya pixel yang cerah tanpa memperhitungkan temperatur. Karena menurutnya temperatur terlalu sensitif terhadap fenomena fisika yang terkait dengan awan.

Meskipun banyak perbedaan pendapat dari para peneliti tentang definisi dari awan pada citra satelit, tetapi metode penentuan awan yang diusulkan [4] yaitu Landsat 7 Automatic Cloud Cover Assessment (ACCA) masih sangat relevan untuk menentukan awan, karena terbukti banyak peneliti yang menjadikan metode ACCA tersebut sebagai referensi utama. Selain itu, metode ACCA juga memiliki beberapa filter dengan memanfaatkan 5 band yang menjadikannya lebih akurat dalam mendeteksi awan. Algoritma ACCA berdasarkan observasi menunjukkan bahwa awan adalah obyek yang sangat reflektif dan memiliki temperatur yang dingin. Reflektivitas yang tinggi bisa dideteksi dari band visual (band 2 dan 3), band near-infrared (band 4) dan band middle-infrared (band 5). Sedangkan temperatur bisa dideteksi dari band thermal-infrared (band 6). Secara spesifik band yang digunakan pada algoritma ACCA seperti yang ditunjukkan pada Tabel 1. Tabel 1. Daftar band yang digunakan algoritma ACCA

Band

Panjang gelombang (µm)

2 (hijau)

0.525 – 0.605

 

Mengukur pantulan warna hijau Pemisahan vegetasi

3 (merah)

0.630 – 0.690

 

Mengukur penyerapan klorofil Membedakan spesies tanaman

4 (nearinfrared)

 0.775 – 0.900

Menentukan level kelembaban tanah Menentukan batas perairan dan membedakan jenis vegetasi

5 (midinfrared)

1.550 – 1.750

6 (thermalinfrared)

10.400 – 12.500

Fitur yang terdeteksi

  

Menyediakan informasi tentang vegetasi dan kelembaban tanah Membedakan salju dan awan



Pemetaan temperatur

Gambar 2. Awan yang terdeteksi diberi warna berbeda

Dinamika Teknologi

17


Sebelum melakukan penentuan awan dengan Algoritma ACCA, maka band 2, 3, 4 dan 5 akan dikonversi terlebih dahulu nilai reflektansi dan band 6 dikonversi ke nilai temperatur, proses ini disebut perhitungan Radiometrik. Algoritma ACCA terdiri dari dua tahap penyaringan, yaitu penyaringan tahap pertama dan penyaringan tahap kedua yang memproses temperatur. Filter dilakukan pada setiap pixel sampai pixel tersebut tereliminasi atau digolongkan sebagai awan.

Gambar 4. Citra satelit dibagi dalam grid

Dalam proses pembandingan citra tersebut, perlu dilakukan pembagian (window) jendela-jendela kecil atau grid sehingga pembandingan lebih mudah untuk dilakukan karena ukuran komputasi yang lebih kecil. Pembagian grid seperti tampak pada Gambar 4.

Gambar 3. Area awan yang diisi dengan pixel hitam

Untuk melakukan pendeteksian awan dalam penelitian ini digunakan aplikasi GRASS dimana pada aplikasi tersebut sudah teruji oleh banyak peneliti yang meneliti tentang citra satelit. Pada aplikasi tersebut sudah dilengkapi dengan fungsi TOAR (Top of Atmosphere Radiance) yaitu fungsi untuk mengubah data citra sesuai dengan nilai reflektansi dan temperatur dimana hasil nilai tersebut akan digunakan untuk mendeteksi awan. Awan yang terdeteksi pada citra satelit akan diberi dengan warna yang berbeda seperti pada Error! Reference source not found.. Kemudian area yang terdeteksi sebagai awan akan dihilangkang dengan mengisinya dengan pixel hitam (0,0,0), sehingga hasilnya seperti pada Gambar 3. 2. Penghilangan Awan dengan Metode Citra Multitemporal Pada tahap penghilangan awan ini citra satelit yang telah terdeteksi area awannya dan telah diisi dengan pixel hitam, maka akan dilakukan proses mozaik atau penyusunan citra baru dari beberapa citra multi-temporal. Sebelum melakukan proses tersebut, maka perlu dilakukan pemilihan citra dasar (base) dan citra temporal yang akan digunakan. Kemudian citra base akan dibandingkan dengan citra temporal.

18

Dinamika Teknologi

Setelah proses griding, maka proses penggabungan citra akan dilakukan dengan menggantikan potongan area pada citra dasar yang terdapat awan dengan potongan area dari citra referensi yang mengandung sedikit awan. Dalam proses pembandingan antar window, perlu diketahui juga bahwa citra yang diproses tersebut merupakan citra dalam format RGB (red, green, blue), sehingga datanya berupa matriks 3 dimensi. Oleh karena itu, pixel lubang awan yang berwarna hitam pada window diwakili dengan nilai 0 pada semua dimensi dari 3 dimensi matriks citra. Pixel lubang awan bisa dikenali hanya dengan mendeteksi nilai 0 pada salah satu dimensi saja, sehingga dua dimensi lainnya boleh diabaikan. Pada setiap window akan dihitung jumlah pixel hitamnya baru kemudian dibandingkan dengan jumlah pixel hitam pada window dari citra temporal pada posisi yang sama. Sebagai ilustrasi bisa dilihat pada Gambar 4. 3. Penghilangan Awan dengan Metode Inpainting Proses pada tahap ini sebenarnya adalah penggabungan karena penghilangan awan yang telah dilakukan pada metode sebelumnya, yaitu metode Citra Multitemporal akan diproses lagi dengan menambahkan metode Self Organizing Map Inpainting. Diharapkan dengan gabungan metode ini mampu meningkatkan kualitas citra satelit yang bersih dari awan. Karena area awan telah dihapus maka hanya akan menyisakan lubang awan yang kita asumsikan sebagai objek yang akan kita bersihkan.


Proses SOM Learning Citra inisialisasi mapping pixel

(b) Pixel yang hilang

(a)

SOM learned map

(c)

Gambar 5. Ilustrasi penggabungan citra (a) Citra temporal 1, (b) Citra dasar, (c) Citra temporal 2.

Lubang awan yang merupakan suatu pixel berwarna hitam akan dihilangkan dengan cara mengisinya dengan suatu warna, inilah yang disebut proses inpainting citra. Warna yang akan digunakan untuk mengisi pixel hitam tersebut akan dihasilkan dari metode Self Organizing Map atau lebih sering disebut sebagai Kohonen SOM atau SOM saja. Self-Organizing Maps (SOM) dikemukakan pertama kali oleh Tuevo Kohonen dari tahun 19791982. Jaringan SOM terdiri dari dua lapisan (layer). Layer input terkoneksi penuh terhadap Kohonen layer. Kohonen layer merupakan inti dari jaringan SOM yang biasanya direpresentasikan dengan map satu atau dua dimensi. Perbedaan pada bagian-bagian Kohonen layer diasosiasikan dengan cluster yang berbeda. SOM merupakan unsupervised network yang mana suatu proses selforganizing dimulai dengan pemilihan bobot node secara acak pada Kohonen layer. Setiap vektor input selama perputaran training akan dihitung jarak rata-rata kuadrat antara vektor input dan vektor bobot, sedangkan winner node ditentukan dalam suatu nilai ketetanggaan dengan radius R. Kohonen menyarankan untuk menggunakan semua area jaringan sebagai area inisialisasi hal ini dilakukan untuk meminimalisasi efek dari inisialisasi bobot secara acak yang sangat tergantung oleh nilai R. Kadang sejumlah cluster dibedakan dari banyaknya node pada output map dari SOM. Dalam metode SOM sendiri terdapat dua sub proses yaitu proses training dan proses mapping. Proses training ini akan menghasilkan warna yang akan digunakan dalam pengisian pixel hitam. Sedangkan proses pengisian pixel hitam itulah yang disebut proses mapping. Sebagai ilustrasi lihat pada Gambar 6.

Citra hasil

Gambar 6. Ilustrasi proses inpainting dengan Self Organizing Map

HASIL DAN PEMBAHASAN Pada bagian ini akan dijelaskan mengenai hasil uji coba dan pembahasan sistem penghilangan awan. Lebih lengkapnya akan menjelaskan meliputi lingkungan dan data uji coba, pelaksanaan dan hasil uji coba serta analisis hasil uji coba. 1. Lingkungan dan Data Uji Coba Adapun lingkungan perangkat lunak yang digunakan pada uji coba ini adalah sebagai berikut: 1) Sistem operasi Linux Elementary OS (Ubuntu 14.04) dan Microsoft Windows 7. 2) Aplikasi GRASS (Geographic Resources Analysis Support System). 3) Aplikasi Spyder (Python for Scientist) beserta pustaka fungsi (library) pengolahan citra dari Python. Lingkungan perangkat keras yang digunakan adalah komputer personal yang memiliki spesifikasi sebagai berikut: 1) Processor Intel ® Core™ i3-2120 CPU @ 3.30 GHz 2) RAM 4.00 GB 3) Tipe sistem 32-bit Dataset citra satelit yang digunakan pada penelitian ini adalah data primer citra satelit Landsat. Citra satelit diunduh langsung dari Pusat Ilmu pengetahuan dan Observasi Sumber Daya Bumi (Earth Resources Observation and Science (EROS) Center) dibawah koordinasi United States Geological Survey (USGS), dengan alamat di http://eros.usgs.gov/satellite-imagery. Format file

Dinamika Teknologi

19


dataset yang disediakan berbentuk geoTiff (.tif) yang terdiri dari 7 citra.

Tabel 3. Hasil Uji Coba No.

Ukuran

1.

300x300

2.

100x100

3.

50x50

4.

30x30

5.

10x10

multitemporal

multitemporal + Inpainting SOM

Gambar 7. Penentuan bidang komputasi

Praproses dilakukan dengan bantuan aplikasi GRASS (Geographic Resources Analysis Support System). Semua band dimasukkan ke dalam GRASS dalam bentuk layer-layer yang tersusun dengan posisi geografis yang sama. Kemudian dilakukan penentuan bidang komputasi (computational region) dengan demikian semua citra yang sudah tersusun dalam layer-layer akan terpotong dengan posisi dan ukuran yang sama seperti yang ditunjukkan pada Gambar 7 sehingga tidak diperlukan lagi tahap registrasi citra untuk menyesuaikan posisi antar citra. Hasil layer yang telah terpotong sesuai dengan bidang komputasi tersebut yang akan digunakan pada proses selanjutnya.

38

Tabel 2. Prosentase jumlah pixel hitam yang dibersihkan dengan metode citra multitemporal No.

1. 2. 3. 4. 5.

Ukuran window (pixel) 300 x 300 100 x 100 50 x 50 30 x 30 10 x 10

Prosentase Jumlah Pixel Hitam (%) Berhasil sebelum sesudah dihilangkan 35.82 5.75 30.07 35.82 2.99 32.83 35.82 2.34 33.48 35.82 1.74 34.08 35.82 1.15 34.67

2. Pelaksanaan dan Hasil Uji Coba Untuk pengujian ini akan digunakan parameter ukuran window 300 x 300 pixel, 100 x 100 pixel, 50 x 50 pixel, 30 x 30 pixel dan 10 x 10 pixel. Uji coba pertama kali dilakukan dengan metode citra multitemporal terlebih dahulu, kemudian baru dilakukan dengan metode penggabungan dengan inpainting berbasis SOM. Setelah uji coba dilakukan maka hasilnya tampak pada Tabel 2.

20

Dinamika Teknologi

Prosentase (%)

36 Sebelum nya

34 32

CM

30 28

CM + SOM

26 300 x 300 100 x 100 50 x 50 30 x 30 Ukuran Window (pixel)

10 x 10

Gambar 8. Grafik perbandingan keberhasilan penghilangan pixel hitam antara metode Citra Multitemporal dan gabungan Citra Multitemporal dengan inpainting SOM

3. Analisis Hasil Uji Coba Penghilangan awan dengan metode Citra Multitemporal yang telah dilakukan terlihat bahwa secara sekilas citra hasil tampak tersusun dari kotak-kotak window atau bisa disebut dengan mozaic. Pada ukuran window yang besar seperti 300 x 300 pixel tidak terlalu terlihat, tetapi pada


saat ukuran diperkecil mulai dari 100 x 100 pixel, 50 x 50 pixel, 30 x 30 pixel sampai 10 x 10 pixel mozaic tersebut akan semakin tampak. Hal tersebut tidak lepas dari kualitas citra satelit yang digunakan, dimana perbedaan pencahayaan citra satelit antara satu citra dengan citra lainnya terlalu tajam. Selain itu juga akibat dari pendeteksian awan tipis atau kabut yang tidak teratasi dengan baik. Ukuran window yang besar (300 x 300 pixel) belum begitu terlihat berhasil membersihkan awan, karena masih tampak jelas lubang-lubang awan yang berwarna hitam. Ketika ukuran window diperkecil maka mulai terlihat lubang awan yang tersisa semakin sedikit. Sampai pada ukuran window yang paling kecil (10 x 10 pixel) hanya tersisa sedikit warna hitam di area bawah citra. Uji coba penghilangan pixel hitam yang telah dilakukan dengan citra multitemporal kemudian ditambahkan dengan metode inpainting yang dalam hal ini menggunakan SOM. Seperti yang telah dijelaskan sebelumnya, bahwa lubang awan yang berwarna hitam akan diisi dengan warna tertentu. Hal tersebut membuat semua pixel hitam akan hilang dan berganti dengan warna yang telah ditentukan dari proses inpainting. Terlihat pada citra hasil dimana ada beberapa area pixel hitam berubah menjadi warna yang baru yang menyerupai warna pada area di sekitarnya. Pada citra dengan ukuran window besar (300 x 300 pixel) yang sebelumnya masih terdapat banyak lubang awan yang cukup besar, sekarang sudah berhasil tertutupi. Meskipun masih terlihat secara kasat mata ada area yang terblok. Ketika ukuran window diperkecil hingga 10 x 10 pixel, maka akan semakin bersih dari lubang awan. Oleh karena tidak ada pixel hitam yang tersisa, maka perhitungan prosentase pixel hitam sesudah dilakukan uji coba dengan metode ini menghasilkan 100 % pixel yang bebas dari pixel hitam seperti pada Gambar 8.

KESIMPULAN Setelah dilakukan uji coba dan analisis hasil uji coba, maka secara keseluruhan penelitian ini bisa disimpulkan sebagai berikut: 1) Kualitas data citra satelit dan kualitas pendeteksian awan akan mempengaruhi kualitas citra hasil akhir, tetapi proses penghilangan awan masih bisa dilakukan. 2) Penghilangan awan dengan metode citra multitemporal mampu menghilangkan awan tergantung dengan banyaknya citra temporal yang digunakan. Semakin kecil

parameter ukuran window yang digunakan maka akan semakin baik hasil penghilangan awan yang diperoleh. Dari uji coba didapatkan prosentase pembersihan mencapai 96,79%. 3) Penghilangan awan dengan gabungan metode Citra Multitemporal dan SOM inpainting pada dasarnya tidak terpengaruh dengan ukuran window yang digunakan, tetapi secara visual akan tampak blok-blok warna yang mencolok. Oleh karena itu penggunaan ukuran window yang kecil mampu meningkatkan kebersihan citra dari pixel hitam. Penghilangan pixel hitam dari metode citra multitemporal maka secara visual mencapai 100%.

DAFTAR PUSTAKA 1.El-Araby, E., Taher, M., El-Ghazawi, T., Moigne, J.L., (2005), “An Efficient Implementation of Automatic Cloud Cover Assessment (ACCA) on a Reconfigurable Computer”, Earth-Sun System Technology Conference. 2.Favorskaya, M., Jain, L. C., Bolgov, A. (2014), “Image Inpainting Based on Self-Organizing Maps by Using Multi-agent Implementation”, Procedia Computer Science, Vol. 35, hal. 861870. 3.Huang, C., Thomas, N., Goward, S.N., Masek, J.G., Zhu, Z., Townshend, J.R.G., Vogelmann, J.E., (2010), “Automated Masking of Cloud and Shadow for Forest Change Analysis Using Landsat Images”, International Journal of Remote Sensing, Vol. 31, No. 20, hal. 54495464. 4.Irish, R. (2000), “Landsat 7 Automatic Cloud Cover Assessment: Algorithms for multispectral, hyperspectral, and ultraspectral imagery”, Proceedings of SPIE, Vol. 4049, Hal. 348-355. 5.Sedano, F. Kempeneers, P., Strobl, P., Kucera, J. Vogt, P. Seebach, L., Ayanz, J.S.M., (2011), “A Cloud Mask Methodology for High Resolution Remote Sensing Data Combining Information From High and Medium Resolution Optical Sensors”, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 66, hal. 588-596. 6.Zhu, Z., Woodcock, C.E., (2012), “Automated Cloud, Cloud Shadow, and Snow Detection in Multi-temporal Landsat Data: An Algorithm Designed Specified for Monitoring Land Cover Change”, Remote Sensing of Environment, Vol. 152. Hal. 217-234.

Dinamika Teknologi

21

PENGHILANGAN AWAN PADA CITRA SATELIT DENGAN CITRA MULTI-TEMPORAL DAN INPAINTING BERBASIS SELF-ORGANIZING MAP

Recommend Documents