Metode Supervised vs Unsupervised untuk Klasifikasi Landcover/Landuse

Penggunaan dua metode ini menjadi cara utama ketika kita hendak melakukan klasifikasi citra penginderaan jauh mulai dari citra resolusi rendah seperti Landsat sampai resolusi tinggi. Tentunya ketentuan awal saat hendak melakukan klasifikasi digital berbeda dengan klasifikasi atau interpretasi manual, atau bisa dikenal dengan istilah digitasi manual yang hanya membutuhkan citra bersih dari awan dan didukung dengan ketahanan tubuh untuk mendigitasi citra yang memiliki cakupan area yang sangat luas. Ketentuan awal pada citra yang hendak diklasifikasi digital yaitu citra harus dalam keadaan telah terkoreksi sampai atmosfer dan permukaan hingga menyisahkan citra dengan nilai reflectance yang sebenarnya.

Kembali ke topik utama, penggunaan metode dua klasifikasi tersebut, Supervised atau Unsupervised identik dengan algoritma yang digunakan di dalam prosesnya. Seperti Supervised yang memiliki jenis seperti RandomForest, Maximum Likelihood, Spectral Angle Mapper dan masih banyak lagi, untuk Unsupervised, memiliki jenis seperti K-means, ISO.

Untuk pemilihan dari salah satu antara kedua metode tersebut, hal ini tergantung pada pengetahuan kita terhadap 1)suatu daerah yang akan diteliti (local knowledge), 2) jenis tutupan lahan, dan 3)karakteristik citra yang digunakan (basic knowledge). Lihat postingan mengenai local knowledge dan basic knowledge di sini.

Kita dapat menggunakan jenis klasifikasi Supervised ketika kita memiliki pengetahuan sebelumnya tentang jenis kelas dari tutupan lahan di area kajian yang bisa berasal dari citra ataupun data lapangan. Citra tersebut dapat dimaksudkan dengan citra resolusi tinggi yang lebih cenderung untuk mudah dikenali jenis kelas tutupan lahannya, namun adakalanya ketika seorang yang sering melakukan interpretasi pada citra landsat dan telah mengenal tiap objek pada citra tersebut, juga dapat dilakukan dengan klasifikasi supervised.

Area yang telah dipilih diberikan sebaran beberapa sampel untuk dijadikan sebagai data training atau pada istilah pada software ENVI, ini dikenal dengan ROI (Region of Interest). Pemilihan objek untuk dikenai sebagai data training dengan mempertimbangkan sifat spektral (warna, kontras) dan bentuk objeknya sehingga ROI yang dibuat benar-benar mewakili objek di permukaan atau lapangan. Sebab, satu objek yang sama di citra, dapat muncul pada jenis spektral yang berbeda dikarenakan efek seperti pantulan cahaya yang terlalu terang atau terlalu gelap, ataupun campuran dengan objek lain seperti awan. Dalam kasus ini, keahlian atau jam terbang para interpreter sangat dibutuhkan agar menghindarkan dari misklasifikasi.

Dalam klasifikasi unsupervised, ini sangat bermanfaat untuk digunakan ketika kita tidak memiliki banyak pengetahuan sebelumnya tentang kajian area yang hendak kita teliti. Atau, ketika kita telah memiliki pengetahuan yang luas mengenai jenis-jenis tutupan lahan dan distribusi kelas-kelas tutupan lahannya, namun tidak memiliki data lapangan yang spesifik.
Hal ini dapat kita lakukan sebagai data kelas awal ketika kita masih belum yakin dengan pengetahuan kita terhadap pembagian kelas dari jenis tutupan lahan di daerah tersebut.

Dari hasil penjelasan tentang kapan sebaiknya digunakan klasifikasi supervised atau unsupervised, berikut contoh dari beberapa perbedaan kedua klasifikasi tersebut agar dapat lebih mengetahui kelebihan dan kekurangan pada hasil klasifikasi agar lebih tepat melakukan interpretasi jenis tutupan lahan dari citra satelit.

Objek sungai yang sangat jelas terlihat pada citra, memiliki hasil yang berbeda pada kedua klasifikasi. Pada hasil supervised, kita dapat membagi dengan tepat objek yang masuk dalam kategori kelas sungai, seperti beberapa lokasi sungai yang memiliki warna terang atau gelap, ROI-nya dapat kita sebarkan di berbagai lokasi sungai sehingga semua jenis spektral pada sungai telah diwakilkan dalam ROI yang masuk ke dalam kategori kelas sungai, sehingga hasilnya pada klasifikasi supervised menjadi sangat sesuai dengan objek asli.

Sebaliknya pada hasil sungai di klasifikasi unsupervised, objek yang seharusnya sungai, terdiri dari dua kelas yang padahal itu merupakan satu kelas. Hal ini karena objek (berwarna kuning) telah terdapat pada objek yang tersebar di beberapa lokasi, (mungkin mirip dengan tanah gundul (barren)) sehingga hasil kelas pada sungai tersebut mengikuti jenis kelas barren ,yang bukan sungai.

Note: Gambar di atas tidak terikat dengan warna

Pola pembentukan kelas antara hasil Supervised dan Unsupervised berbeda dari segi sebaran dan dari tingkat kehalusan (smooth). Namun tetap terdapat banyak kesamaan dari hasil klasifikasi, seperti bentuk kotak-kotak berwarna biru pada hasil Supervised dan kotak-kotak berwarna merah pada hasil Unsupervised, ini merupakan kelas air/tambak.

Warna biru pada hasil Supervised dan warna merah pada hasil Unsupervised juga hampir memiliki sebaran dan bentuk yang sama.

Jadi, pada hasil Supervised, semuanya tergantung pada pemilihan data training atau ROI dengan mempertimbangkan warna, bentuk, tingkat kecerahan dan objek di sekitarnya. Sehingga tiap objek dengan kelas yang sama yang tersebar di beberapa lokasi akan terklasifikasi dalam kelas yang sama.

Semoga dari penjelasan singkat di atas, dapat menjadi sedikit panduan untuk melakukan klasifikasi, baik Supervised ataupun Unsupervised.

Semoga Bermanfaat…