Citra Hiperspektral (Sumber: draft disertasi Wiweka, Fasilkom UI, Terbatas untuk kuliah Pengolahan Citra di Fasilkom))

Setiap materi memiliki identitas yang unik akibat pola reflektasi dan absorbsi dari gelombang elektromagnetik yang menimpanya. Bila delta nilai pantulan panjang gelombangnya sempit dan kecil sekali, maka akan terjadi kontinutas pada piksel yang merekam pantulan objek, itu terjadi di hiperspektral

Menurut [27], pengertian hiperspektral adalah banyaknya jumlah band panjang gelombang yang terukur antara 100-500, dengan perbedaan panjang gelombang 10<∆λ<100. Hiperspektral dapat digunakan untuk mengidentifikasi dan mencirikan materi yang unik serta memiliki potensi ekstraksi informasi lebih akurat dan detail dibanding dengan jenis multispektral.

Dikatakan kontinu dan disebut data hiperspektral bila perbedaan panjang gelombangnya 10 nm, aplikasinya materi yang sejenis secara spektral dapat dibedakan dan informasi berskala sub piksel dapat diekstraksi, hal ini perlu dikembangkan teknik pengolahan citra yang baru.

Berkaitan dengan sistim pengolahan citra hiperspektral, hal yang perlu diperhatikan adalah membangun model sistim yang optimum dengan fokus konten informasinya.

Untuk menjawab dalam penyelesaian pembangunan pengolahan citra hiperspektral perlu dilengkapi 3 (tiga) dasar yaitu ruang spasial (image space), spectral (spectral space), dan ruang ciri (feature space). Ruang Spasial yaitu hubungan geometrik antar piksel atau hubungan antara spectral dengan posisi geografi, ruang spektral adalah kuantifikasi isi piksel sebagai fungsi dari panjang gelombang atau spectral respon dihubungkan ke jenis materi , ruang ciri adalah penyajian piksel sebagai titik di ruang N- dimensi . Terminologi objektifitas dari sistem pengolahan citra dijital adalah dihasilkannya peta tematik untuk berbagai aplikasi , melalui pengelompokkan piksel yang sejenis menjadi suatu kelas dan selanjutkan diberikan label. Persoalannya, dalam suatu ruang ciri data hiperspektral memungkinkan suatu piksel terasosiasi dalam suatu konten kelas, ini berarti pendekatannya yang dapat dilakukan dengan melakukan partisi ruang ciri atau delineasi sehingga dapat dihasilkan kelas yang unik, ini semua mendorong dapat dihasilkannya suatu citra tematik berlabel multiskala. Sebagaimana dengan konsep statistik terhadap suatu kumpulan data, tuntutannya adalah optimalisasi kinerja terhadap vektor rata-rata, kovarians, model probabilitas, dan kualitas kelas. Pernyataan sebelumnya selalu dikaitkan dengan jumlah sampel terhadap jumlah band yang dimiliki data penginderaan jauh, sehingga akan mereprenstasikan harapan akurasi klasifikasi. Seperti yang

terlihat pada gambar 2.1 dibawah ini, merupakan fenomena Hughes [28], fenomena ini

dapat dijelaskan pemisahan kelas kejenuhan dan bterjadi efek countepelabelan objek value, agar ketigapemilihan modedengan model septraining sampel meningkatkan gefenomena Hughmeningkatkan akyang terbatas), pyang tidak dapatdihasilkan bukan Karakteristdensitasnya berlMeningkatnya dim

Gambar2.1. Fenomena Hughes

sebagai berikut : dengan jumlah sampel yang sama, maka terhadap n band selalu meningkat, pada titik tertentu terjadi ahkan menurun probabilitas hasil klasifikasinya, maka ini rbalancing. Dalam menerapkan proses pengkelasan dan itu dikehendaki adanya exhaustive, separable dan information momen itu secara simultan dapat terjadi perlu dilakukan

l klasifikasi yang memenuhi kondisi tersebut. Diharapkan erti ini memberi keuntungan yaitu proses cenderung membuat

semakin robust dan berlaku untuk keseluruhan data, sehingga neralisasi data yang melebihi training sampel, proses mencegah es (menggeser puncak akurat vs jumlah training, juga urasi yang lebih tinggi dengan jumlah yang training sampel roses diharapkan juga menaksir probabilitas kelas objek lain, dilakukan oleh training sampel, sehingga citra tematik yang sebagai hasil akhir. ik dari data hiperspektral [28], bila disajikan probabilitas awanan dengan fungsi Gauss, gambar 2.2 dibawah ini.

ensi, magnitudenya mendekati nol

G

Menuruklasifikasi ciri semakin besar.yang semakin bmultispektral sebelumnya.

ambar 2.2 Probabilitas Densitas VS Rata-Rata Kelas

t [28], data hiperspektral yang berdimensi N, dalam proses yang semakin akaurat diperlukan keterpisahan kelas ciri yang Keterpisahan kelas ciri yangsemakin besar memerlukan data esar (gambar2.3 A). Hal inilah mendorong perkembangan sensor menjadi sensor multispektral seperti yang telah dijelaskan

Gambar 2..3. Efek Hasil Fenomena Hughes

Namun karena set data laihan untuk klasifikasi biasanya berjumlah terbatas, N, maka semakin besarnya dimensi data justru menurunkan akurasi estimasi statistik (gambar 2.3 B), keadaan dimana peningkatan dimensi data yang belum tentu meningkatkan akurasi klasifikasi biasa disebut curse of dimensionality. Hal akhirnya diketahui karena akibat peaking phenomen yang dapat dilihat (gambar 2.3 C)

Dengan adanya sifat citra hiperspektral yang khusus, citra hiperspektral memiliki kelebihan-kelebihan jika dibandingkan' dengan citra multispektral. Adapun kelebihan dari citra hiperspektral adalah sebagai berikut [MANUO4]: dapat mengatasi kekurangan-kekurangan penggunaan citra hiperspektral pada, penginderaan jauh, tidak semua spektrum elektromagnetik ditampilkan dalam citra multispektral, dalam beberapa kasus penginderaan jarak jauh, dibutuhkan spektrum yang kontinu dan beresolusi tinggi untuk mengidentifikasikan spesies vegetasi; terdapat ciri atau informasi yang mirip pada saluran spektium yang, ditampilkan dalam citra multispektral sehingga penyajian informasi cenderung berkurang, citra hiperspektral lebih mampu menunjukkan keberagaman mineral sehingga dapat memperlihatkan keberagaman objek dalam suatu wilayah, citra hiperspektral dapat mensimulasikan citra multispektral.

Menurut [28] juga mengemukakan bahwa selain memiliki kelebihan-kelebihan dikarenakan sifat khusus citra hiperspektral, sifat-sifat khusus yang dimiliki citra hiperspektral mengakibatkan timbulnya kesulitan-kesulitan dalam analisa dan penggunaan citra hiperspektral. Adapun kesulitan-kesulitan tersebut meliputi: Citra hiperspektral biasanya berukuran besar dan mengandung ratusan frame data, hal ini dikarenakan jumlah spektrum yang banyak dan kontinyu, sehingga perlu adanya algoritma kompresi data yang efek-tif guna menyimpan data citra hiperspektral, diperlukan algoritma yang cukup efektif untuk memproses dan menganalisa data citra hiperspektral yang besar. Selain itu juga diperlukan algoritma untuk menghilangkan noise dari setiap saluran spektrum citra hiperspektral.

Proses pemilihan ciri yang dilakukan memakan waktu komputasi yang cukup besar, sehingga perlu adanya kriteria dan pellliosesan khusus untuk pemilihan citra. . Dikarenakan jumlah spektrum yang besar dan jumlah set data latihan yang sedikit mengakibatkan teIjadinya "kutukan dimensi".

Menurut [29], untuk mempermudah pengolahan dan penganalisaan citra hiperspektral, dapat dilakukan manipulasi data citra hiperspektral dengan menggunakan salah satu atau beberapa metode berikut ini: Rektifikasi dan pengkoreksian citra (image rectification and restoration), penajarnan citra (image enhancement), klasifikasi citra (image classification), penggabungan dan integrasi data dengan SIG (Sistern Informasi Geografis), analisa citra hiperspektral, pemodelan (modelling), dan Kompresi dan transmisi citra