Klasifikasi unsupervised digunakan ketika kita hanya mempunyai sedikit informasi

tentang dataset kita. Pada klasifikasi tidak terbimbing, pengklasifikasian dimulai dengan
pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas berdasarkan pada
pengelompokkan nilai-nilai citra seperti apa adanya. Prosedur umumnya mengasumsikan
bahwa citra dari area geografis tertentu adalah di kumpulkan pada multiregion dari spektrum
elektromagnetik. Dengan menggunakan metode ini, program klasifikasi mencari
pengelompokan secara natural atau clustering berdasarkan sifat spektral dari setiap pixel.
Analisa cluster merupakan suatu bentuk pengenalan pola yang berkaitan dengan
pembelajaran secara unsupervised, dimana jumlah pola kelas tidak diketahui (James J.
Simpson, Timothy J. McIntire, dan Matthew Sienko, 2000). Proses clustering melakukan
pembagian data set dengan mengelompokkan seluruh pixel pada feature space (ruang ciri)
ke dalam sejumlah cluster secara alami. Klasifikasi unsupersived secara sendiri akan
mengkategorikan semua pixel menjadi kelas-kelas dengan menampakan spektral atau
karakteristik spektral yang sama namun belum diketahui identitasnya, karena didasarkan
hanya pada pengelompokan secara natural. Pengguna harus membandingkan dengan data
referensi, misalnya dengan data penggunaan lahan. Dengan demikian kelas-kelas spektral
tersebut dapat diberikan identitasnya. Setelah itu informasi ini kita bisa memutuskan untuk
mengkombinasikan atau menghapus kelas-kelas yang diinginkan. Kita juga perlu untuk
memberi warna dan nama untuk masing-masing kelas.
Setelah setiap piksel dikelompokkan lalu masing-masing rata-rata kelas spectral
dihitung. Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap rata-rata kelas
baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spectral yang memiliki jarak
terdekat.
Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi kelas
spectral yaitu:
1. Standar deviasi maksimum, nilai standari deviasi maksimum yang sering digunakan
berkisar antara 4,5 sampai 7
2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam persen (%).
3. Nilai pemisahan pusat kelas yang dipecah
4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9.
Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral terus
diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan:
1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan kebutuhan
2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam %).
Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antara obyek
dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori objek
tertentu. Pengidentifikasian kelas spektral menjadi obyek tertentu dapat dilakukan
menggunakan suatu data acuan atau referensi penunjang. Setelah semua kelas spectral
teridentfikasi kemudian dapat dilakukan penyederhaan untuk menggabungkan kelas-kelas
yang tergolong sama, misalnya pengabungan perkampungan 1 dan perkampungan 2
menjadi satu kelas perkampungan. Hasil klasifikasi dapat ditunjukkan dari gradasi warna
yang terbentuk yang menunjukkan jenis kelas yang dikelompokkan oleh komputer.
Secara umum tingkat keakuratan klasifikasi tergantung pada; 1) Class Separability
(pemisahan kelas), 2) ukuran training sample (sampel latihan), 3) jumlah spektral band, dan
4) jenis klasifikasi atau fungsi pemisah. Tingkat keakuratan klasifikasi akan semakin tinggi
jika penggunaan nilai parameter kelas semakin tepat, penggunaan class separability
semakin bertambah, perbandingan antara ukuran training sample dengan jumlah spektral
band semakin besar dan pemilihan jenis klasifikasi yang tepat.
Daftar pustaka
Chein-I Chang dan H.Ren. 2000. An Experiment-Based Quantitative and Comparative
Analysis of Target Detection and Image Classification Algorithms for Hyperspectral
Imagery. IEEE Trans. on Geoscience and Remote Sensing
James J. Simpson, Timothy J. McIntire, dan Matthew Sienko. 2000. An Improved Hybrid
Clustering Algorithm for Natural Scenes. IEEE Trans. on Geoscience and Remote
Sensing.
Lillesand and Kiefer, 1998. Penginderaan Jauh dan Interpretasi Citra Penginderaan Jauh.
Yogyakarta: Gadjah mada University Press.
. Klasifikasi Tak Terselia (Unsupervised Classification)
Berbeda halnya dengan klasifikasi terselia, klasifikasi tak terselia secara otomatis
diputuskan oleh computer, tanpa campur tangan operator (kalupun ada, proses interaksi ini
sangat terbatas). Proses ini sendiri adalah suatu proses iterasi, sampai menghasilkan
pengelompokkan akhir gugus-gugus spectral. Campur tangan operator terutama setelah
gugus-gugus spectral terbentuk, yaitu dengan menamai tiap gugus spectral sebagai obyek
tertentu.
a. Klasifikasi Tidak Terbimbing
Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster
secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara berulang-ulang
dengan komputer (ER Mapper Help)
Sumbu horizontal menunjukkan nilai piksel pada band2 dan sumbu vertical menunjukkan
nilai kecerahan piksel pada band1. Pengelompokan piksel menjadi kelas spectral diawali
dengan menentukan jumlah kelas spectral yang akan dibuat. Penentuan jumlah kelas ini
dapat dilakukan dengan memperhatikan jumlah puncak histogram sehingga diperoleh
jumlah kelas spectral yang akan dibentuk. Setelah jumlah kelas spectral ini ditentukan
kemudian dipilih pusat-pusat kelas spectral terhadap setiap pusat kelas spectral.
Berdasarkan hasil pengukran jarak ini setiap piksel dikelompokkan ke dalam suatu kelas
spectral yang memiliki jarak terdekat.
Setelah setiap piksel dikelompokkan lalu masing-masing rata-rata kelas spectral dihitung
kembali. Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap rata-rata kelas
baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spectral yang memiliki jarak
terdekat.
Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi kelas
spectral yaitu:
1. Standar deviasi maksimum, nilai standari deviasi maksimum yang sering
digunakan berkisar antara 4,5 sampai 7
2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam persen
(%).
3. Nilai pemisahan pusat kelas yang dipecah
4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9.
Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral
terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan:
1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan
kebutuhan
2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam
persentase, %).
Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antaa obyek
dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori
obyek tertentu. Pengidentifikasian kelas spectral menjadi obyek tertentu dapat
dilakukan menggunakan suatu data acuan atau referensi penunjang.
Setelah semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan
untuk menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan
perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil
klasifikasi dapat ditunjukka dari gradasi warna yang terbentuk yang menunjukkan
jenis kelas yang dikelompokkan oleh komputer.