Object-based vs Pixel-based Classification

“Image classification is the process of assigning land cover classes to pixels”, dalam kalimat yang lebih sederhana, pengertian Image Classification yaitu klasifikasi citra yang bertujuan untuk menentukan objek pada citra satelit terhadap objek sebenarnya di lapangan.

Jenis klasifikasi keduanya merupakan klasifikasi citra satelit secara digital atau secara otomatis untuk menentukan objek pada citra terhadap objek sebenarnya di lapangan.

Pada dasarnya, klasifikasi ini berdasarkan pada elemen interpretasi yang sama yang terwakilan pada piksel seperti warna/rona (color), tekstur (texture) dan pola (pattern), akan tetapi khusus untuk klasifikasi object-based atau yang biasa dikenal dengan OBIA (Object-Based Image Analysis) lebih fokus langsung kepada satuan objek.

Pixel-based class. memberikan hasil klasifikasinya berbentuk kotak-kotak seperti bentuk asli piksel dengan ukuran yang sesuai dengan kemampuan resolusi citranya, namun satu piksel mewakili satu hasil klasifikasi yang dalam hal ini dapat ditujukan untuk landcover/landuse. Misalnya terdapat dua jenis landcover antara tubuh air dan Bangunan yang homogen atau sangat mirip, maka satu hasil klasifikasi pada bangunan akan terdiri dari beberapa jumlah piksel dan batas pinggir dari kumpulan tiap-tiap piksel tersebut hanya akan tampak pada batas pinggir dalam satu hasil klasifikasi , seperti gambar di bawah.

Hasil klasifikasi Pixel-based

Misalnya, ketika resolusi spasial pada citra yang digunakan 3 meter, dan terdapat suatu landcover berupa bangunan dengan panjang dan lebar 3 meter yang di sekelilingnya terdapat landcover vegetasi yang homogen, maka hasil kalsifikasi yang muncul untuk satu bangunan itu berupa satu kotak.

Pada teknik pengolahannya, klasifikasi pixel-based terdiri dari dua metode yaitu Supervised (terbimbing) dan Unsupervised (tak terbimbing). Untuk penjelasan kedua metode ini dapat dilihat pada postingan sebelumnya (Klasifikasi Supervised dan Unsupervised). Di dalam klasifikasi Supervised, terdapat algoritma perhitungan untuk mengahsilkan klasifikasi dengan hasil yang sedikit berbeda satu sama lain seperti Maximum-Likelihood, Minimum Distance, Spectral Angel Mapper (SAM) dan lain-lain. Sedangkan klasifikasi Unsupervised terdiri dari algoritma K-Means clustering, Anomaly Detection, Neural Networks dan lain-lain.

Terdapat kelemahan pada hasil klasifikasi dengan menggunakan metode pixel-based baik Supervised maupun Unsupervised. Yang pertama yaitu data yang dihasilkan memiliki ukuran yang sangat besar dikarenakan hasil langsung dari klasifikasi Pixel-based berbentuk data raster sehingga ketika akan dilakukan analisis lanjutan menggunakan ArcGIS atau yang lainnya harus diubah ke data vektor, dapat melalui software ENVI langsung.

Kemudian dari segi keakuratan, keakuratan hasil dari klasifikasi Pixel-based kurang tinggi dikarenakan bentuk hasil klasifikasinya berupa kotak. Nilai spektral pada satu piksel mewakili beberapa objek yang juga tergantung pada ukuran piksel citra. Ketika ukuran objek di lapangan tidak sesuai atau terlalu kecil dibandingkan dengan ukuran piksel citra, maka hanya ada satu objek yang dikategorikan masuk ke dalam piksel tersebut. Seperti gambar di bawah ini, contoh hasil klasifikasi Supervised dengan algoritma Maximum Likelihood.

Hasil klasifikasi yang sudah dikonversi ke bentuk vektor

Dapat dilihat pada gambar di atas (hijau=pohon, orange=semak belukar, hijau muda=rerumputan, merah=bangunan), misalnya pada pohon, semak belukar, rerumputan dan bangunan, untuk keadaan asli hampir tidak mungkin bahwa populasi pohon berbentuk lurus atau persegi sehingga ketika ada beberapa landcover yang berbeda jenis, tentunya sebagian dari landcover tersebut akan masuk/memilih/dikategorikan ke dalam salah satu kelompok kelas piksel, misalnya yang seharusnya kelas rerumputan masuk ke dalam kategori bangunan. Sehingga untuk meminimalisir kejadian ini, kembali lagi kepada tahap pembuatan ROI nya yang harus ditingkatkan kedetailannya.

Masuk kepada klasifikasi Object-based (OBIA), dimana proses klasifikasinya langsung mengidentifikasi objek dan menghasilkan batas antara objek dengan jelas. OBIA dapat diibaratkan ketika ketika melakukan digitasi/delineasi suatu wilayah di citra secara manual, dimana kita mengetahui objek-objek yang terlihat berbeda dari segi bentuk, pola, warna, rona. Bahkan OBIA bisa lebih tegas untuk membedakan tiap objek yang terlihat sama di mata kita namun dikarenakan tetap melakukan perhitungan dengan menggunakan nilai spektral, hasil klasifikasi bisa jauh lebih banyak dan lebih detail dibandingkan dengan digitasi manual.

Gambar di bawah merupakan contoh hasil pengolahan dengan OBIA. Dapat dilihat batas yang sangat jelas yang membedakan tiap objek bahkan objek yang sama di pandangan kita seperti rumput, dibatasi oleh hasil OBIA yang artinya dari segi spektral mungkin terdapat perbedaan nilai.

Hasil klasifikasi OBIA

Akan tetapi, jika pada Pixel-based class. terdapat proses pemilihan metode dan jenis algoritma yang digunakan, untuk OBIA terdiri dari dua proses utama yaitu Segmentation dan Classification.
Segmentation merupakan proses memecah atau mengesktrak citra menjadi bentuk objek yang merepresentasikan fitur-fitur yang ada di permukaan, yang kemudian dilanjutkan ke tahap Classification yang merupakan proses mengklasifikasi objek-objek tersebut berdasarkan bentuk (shape), ukuran (size), karakter spasial (spatial) dan spektral (spectral).

Proses segmentasi pada OBIA juga menggunakan spektral dari citra melalui transformasi nilai pikselnya menjadi nilai variansi akan tetapi bentuk yang dihasilkan langsung mengikuti informasi objek yang terdeteksi secara otomatis. Hal seperti inilah yang dikatakan bahwa OBIA hampir sama dengan digitasi/deliniasi citra secara manual karena sang interpreter mengetahui dengan jelas secara spasial objek yang ada di citra. Proses segmentasi juga memerlukan jumlah segmentasi untuk lebih merapatkan atau lebih memperbanyak hasil segmentasi karena nilai piksel yang sangat kecil. Piksel dengan nilai variansi mendekati nol, dianggap sebagai objek yang homogen meskipun nanti hasilnya akan ada yang kita gabungkan menjadi satu jenis klasifikasi pada proses classification. Output dari proses segmentasi langsung dapat berupa vektor dan juga raster.

Proses klasifikasi sendiri sama dengan Pixel-based, yaitu kita melabelkan hasil klasifikasi yang dalam kasus ini objek agar memiliki kelas dan nama. Klasifikasi pada jenis ini berdasarkan statistik pada tiap objek. Statistik yang dimaksud adalah informasi yang ada pada tiap objek seperti bentuk, warna, tekstur, kemiripan dengan objek sekitar dan sebagainya.

Hasil klasifikasi OBIA yang telah diberikan informasi label kelas

Proses yang menjadikan klasifikasi OBIA ini menjadi suatu hasil yang terbaik dan dapat menjadi rujukan untuk banyak aplikasi terkait analisis lahan yaitu terletak pada tahap Rule Set. Rule Set merupakan tahap awal sebelum proses segmentasi dan klasifikasi, di mana pada tahap ini kita memberikan atau memasukkan beberapa atribut untuk mengidentifikasi kelas objek. Seperti yang saya katakan sebelumnya, rule set bermanfaat untuk menjadi rujukan penelitian sebelumnya karena pada tahap ini kita membuat keterangan sendiri dari cara kita mengenali objek yang diklasifikasi, seperti menunjukkan ciri pada tiap objek seperti apa, nilai spektral untuk beberapa objek seperti apa sehingga untuk proses selanjutnya kita dapat melihat ini sebagai panduan tanpa perlu membuat proses panjang. Rule Set yang baik, sebaiknya disusun dengan rapi, terurut yang mudah untuk dimengerti. Tentunya untuk pembelajaran mengenai Rule Set harus tersendiri karena tahapnya yang sangat panjang.

Dari penjelasan mengenai OBIA di atas, dianjurkan untuk menggunakan citra resolusi tinggi saat melakukan klasifikasi citra agar objek yang jelas pada citra dapat diidentifikasi dengan benar karena cara kerja OBIA yang sangat mengandalkan tingkat kejelasan objek.

Sekian….

Sumber gambar-gambar:
https://gisgeography.com/nearest-neighbor-classification-guide-ecognition/
https://www.mdpi.com/journal/ijgi/special_issues/GEOBIA
https://kitchema.wordpress.com/

Sumber feature image:
https://geomassive.blogspot.com/2016/12/lab-4-supervised-classification-remote.html
https://segoptim.bitbucket.io/docs/

Leave a Reply