KLASIFIKASI BERORIENTASI OBYEK PADA CITRA SATELIT

QUICKBIRD

Teguh Tri Erawanta1, Aryono Prihandito2, Harintaka3

1)
Departemen Keuangan RI, Alumni Magister Teknik Geomatika FT-UGM
2, 3
Jurusan Teknik Geodesi FT-UGM. JL. Grafika 2 Yogyakarta 55281

ABSTRACT

QuickBird Satellite, which has been launced at 2001, has high spatial resolution.
However, urban objects recognition using high spatial resolution imagery remains a challenge
due to high diversity of spectral responses in urban areas. Information extraction using pixel
based classification method found obstacle to the internal variability in urban objects.
This research explores performance of two object oriented classifiers, ECHO
(Extraction and Classification of Homogeneous Object) and region based classifier on
QuickBird imagery. Image segmentation is a preliminary step in object-oriented image
classification. Region growing and ECHO are applied to segment an image. After image objects
are generated, Bhattacharya and Maximum Likelihood algorithm is utilized to classify them.
Error matrix is computed to measure classification accuracy. Finally, geometric mean or g-
mean for each class is calculated to examine performance of different classes individually.
Result shows that choice of segmentation parameters is very important and has
significant influence on classification results. ECHO algorithm in MultiSpec is very sensitive to
spectral variability. And, among 2 algorithm, region based algorithms in SPRING has superior
accuracy.
Key words: object oriented classifiers, region based algorithms, classification accuracy.

PENGANTAR
Latar Belakang
Ekstraksi informasi tematik dari citra satelit merupakan esensi dari penginderaan
jauh yang umumnya dilakukan secara otomatis menggunakan teknik klasifikasi
kuantitatif. Keefektifan pemisah klas berdasarkan piksel seperti parallelepiped,
minimum distance dan maximum likelihood akan menurun pada klasifikasi citra resolusi
tinggi dengan detil perkotaan yang sangat heterogen karena menimbulkan variasi
spektral internal klas yang sangat besar (Kux and Pinho, 2005). Fenomena alam yang
kompleks, beragamnya komposisi tutupan lahan pada kawasan perkotaan serta
rendahnya resolusi spektral menjadi penyebab sulitnya membedakan beberapa obyek di
wilayah perkotaan karena memperlihatkan panjang gelombang tampak yang hampir
sama.
Adaptasi teknik klasifikasi melalui proses segmentasi citra yang
memperhitungkan informasi spasial diperlukan untuk membentuk obyek dari tingkatan
hirarkhi yang berbeda. Metode klasifikasi berorientasi obyek merupakan pendekatan
yang dapat digunakan untuk menyelesaikan masalah penggunaan klasifikasi berdasar
piksel pada citra resolusi tinggi (Definiens Imaging, 2004).

Tujuan Penelitian
Penelitian ini bertujuan untuk mengkaji kinerja dua algoritma klasifikasi
berorientasi obyek berdasarkan kesamaan obyek (homogeneous object) dan pemisah
klas berdasar daerah (region based classifier) pada citra satelit QuickBird multispektral
yang memiliki resolusi spasial 60 cm.

Tinjauan Pustaka
Manakos et. al (2000) meneliti kemampuan algoritma klasifikasi berdasarkan
piksel dan berorientasi obyek pada citra Airborne Thematic Mapper (ATM) untuk
mendeteksi tutupan lahan daerah pertanian di wilayah Fakultas Pertanian Universitas
Munich. Algoritma klasifikasi berorientasi obyek yang digunakan pada perangkat lunak
eCognition menghasilkan identifikasi klas dan delineasi batas klas tutupan lahan yang
lebih baik dibandingkan dengan algoritma klasifikasi ISODATA dari perangkat lunak
Xpace 6.3.0.
Meinel dan Neubert (2004) mengevaluasi kualitas segmentasi beberapa paket
program pada citra IKONOS multispektral resolusi spasial 1 meter. Area penelitian
berukuran 2.000 x 2.000 piksel yang mewakili wilayah urban dan sub urban. Hasil
penelitian memperlihatkan bahwa perangkat lunak komersial eCognition 2.1 dan
freeware SPRING 4.0 memberikan hasil segmentasi terbaik. Evaluasi lebih lanjut pada
area yang sama dilakukan Neubert et. al. (2006) terhadap enam paket program
segmentasi. Hasil penelitian ini memperlihatkan tidak satupun kinerja algoritma
segmentasi yang diteliti melebihi kinerja algoritma segmentasi pada penelitian tahun
2004.
Eksplorasi pendekatan klasifikasi berorientasi obyek juga dilakukan oleh Bauer
dan Yuan (2006) pada permukaan yang tidak dapat diinfiltrasi oleh air seperti atap
bangunan, jalan dan trotoar menggunakan eCognition 4.0. Algoritma klasifikasi
maximum likelihood pada perangkat lunak ERDAS Imagine 8.7 digunakan sebagai
pembanding. Data citra yang digunakan adalah QuickBird multispektral resolusi spasial
2,4 m dan pankromatik resolusi spasial 0,6 m wilayah kampus Mankato, Universitas
Minnesota. Hasil penelitian memperlihatkan klasifikasi berdasarkan obyek memiliki
akurasi keseluruhan yang lebih baik dibanding klasifikasi berdasarkan piksel.

METODOLOGI
Dasar Teori
Klasifikasi berdasarkan obyek banyak menarik perhatian di bidang penginderaan
jauh dekade terakhir ini karena tidak seperti metode klasifikasi klasik yang beroperasi
secara langsung pada piksel tunggal, pendekatan ini beroperasi pada obyek yang
sebelumnya telah dikelompokkan melalui proses segmentasi. Ide dasar dari proses ini
adalah mengelompokkan piksel-piksel berdampingan menjadi obyek spektral yang
homogen melalui segmentasi kemudian dilanjutkan proses klasifikasi pada obyek
sebagai unit proses terkecil (Schirokauer et. al, 2006).
Kettig dan Landgrebe (1976) dalam Chubey (2006) adalah yang pertama kali
melakukan analisis citra multispektral berdasarkan obyek pada penginderaan jauh
dengan mengembangkan pemisah klas ECHO (Extraction and Classification of
Homogeneous Object). ECHO terdapat dalam perangkat lunak MultiSpec. Algoritma
klasifikasi ECHO melalui empat tahapan yaitu membagi piksel menjadi kelompok yang
lebih kecil berukuran n x n piksel, misalnya 4 unit piksel baru berukuran 2x2, yang
dinamakan sel sebagai kriteria awal keseragaman. Tahap selanjutnya adalah uji
keseragaman/homogenitas sel untuk mendeteksi batas sel yang saling tumpang tindih
menggunakan persamaan (1). Jika Y adalah sampel yang terdiri atas (Y1, , Ym), maka
sel Y akan homogen jika:

(Yk j )T j (Yk j ) 2 _____________________________________ (1)

m 1
k =1

dalam hal ini:

2 : batas yang ditetapkan dengan probabilitas % pada distribusi 2
m, n : dimensi sel

Tahap ketiga adalah penggabungan bidang. Jika X dan Z adalah dua daerah yang
berbatasan, maka dapat digabungkan menjadi daerah X jika memenuhi persamaan (2).

max p (Y i ) p ( Z i )
i
max p ( Z j )
> 10 t _______________________________________ (2)
max p (Y i )
i j
dalam hal ini t 0 adalah sebuah batas penajaman. Penggabungan sel yang berbatasan
secara berturut-turut menyebabkan tiap bidang akan meluas hingga mencapai batas
tertentu. Hasil akhir diperoleh melalui penggabungan kumpulan piksel dan piksel
tunggal dengan algoritma maximum likelihood.
Perangkat lunak SPRING yang dikembangkan oleh DPI-INPE Brasil
menggunakan algoritma region growing untuk proses segmentasi dan Bhattacharya
untuk proses klasifikasinya. Prosedur segmentasi region growing yang digunakan pada
perangkat lunak SPRING menurut Bins et. al. (1996) adalah pertama pembuatan daftar
kelompok piksel { Ri , i = 1, , n} dengan n adalah jumlah piksel pada citra. Tahap

berikutnya untuk tiap daerah Ri maka daerah yang berdekatan N ( Ri ) diuji dan daerah

berdekatan yang paling serupa RiN ( Ri ) dipilih the best neighbor dari Ri jika

D( Ri , Rk ) < T (t ) , jika terdapat Ri dan Rk maka kedua daerah digabungkan. Prosedur

yang sama diulangi hingga tidak ada lagi daerah yang bisa digabungkan. Pada tahap
akhir, daerah kecil digabungkan dengan daerah lebih besar yang berbatasan, sesuai
dengan nilai batas area yang ditentukan oleh pengguna.

Penentuan Kombinasi Parameter Segmentasi

Penentuan parameter segmentasi, seperti pada penentuan daerah pelatihan,
umumnya menggunakan metode coba-coba. Penelitian ini menggunakan fungsi obyektif
untuk menentukan kombinasi parameter yang menghasilkan segmentasi terbaik pada
algoritma region growing. Fungsi obyektif (Espindola et. al., 2006) pada persamaan (3)
adalah gabungan ukuran varian dan autokorelasi yang akan menghasilkan nilai pada
rentang 0 hingga 2. Nilai fungsi obyektif 2 menggambarkan kualitas terbaik sebuah
hasil segmentasi yang memiliki keseimbangan homogenitas dalam daerah serta
heterogenitas dengan daerah lain yang maksimal.

F (v, I ) = F (v) + F ( I ) ____________________________________________ (3)

dalam hal ini fungsi F(v) dan F(I) diperoleh dengan persamaan (4).

X max X
F ( x) = ____________________________________________ (4)
X max X min
 Fungsi obyektif dibentuk dari komponen varian intrasegmen yang mengukur
seberapa homogen tiap daerah yang terbentuk pada proses segmentasi, dihitung dengan
persamaan (5).

a v _____________________________________________________ (5)
i i
v= i =1
n

a i =1
i

dalam hal ini:

v : varian intrasegmen
vi : adalah varian i
ai : area daerah i

Pada dasarnya, v juga merupakan rata-rata tertimbang dengan area dari tiap daerah (ai)
sebagai bobotnya.
Komponen kedua adalah heterogenitas intersegmen yang mengukur derajat
hubungan spasial hasil segmentasi, dihitung dengan indeks autokorelasi Moran dengan
menggunakan persamaan (6).

n n
n w ij ( y i y )( y j y ) _________________________________________ (6)
i =1 j =1
I=
n
i =1

( yi y ) 2 i j

( i j
wij )

dalam hal ini :

n : jumlah total region
yi : rata-rata nilai keabuan region Ri
y : rata-rata nilai keabuan dari citra
wij : kedekatan spasial region Ri dan Rj

Penilaian Kualitas Hasil Klasifikasi

Ukuran kualitas hasil klasifikasi berorientasi obyek yang diturunkan dari
matriks kesalahan didasarkan pada penelitian Zhan (2003) yaitu:
1. Kualitas keseluruhan obyek pada persamaan (7) adalah prosentase jumlah obyek
yang sesuai dari keseluruhan obyek hasil klasifikasi dan data referensi.

nkk
OQobyek = __________________________________________ (7)
nk + + n+ k nkk
2. Akurasi pengguna pada persamaan (8) mengukur estimasi dari kemungkinan
sebuah obyek diklasifikasikan sebagai sebuah klas.

nkk
Akurasi Pengguna = ______________________________________ (8)
nK +

3. Akurasi produser pada persamaan (9) mengukur seberapa baik hasil klasifikasi
dibanding klasifikasi referensi.

nkk
Akurasi Pr oduser = ______________________________________ (9)
n+ K

dalam hal ini:

nkk : jumlah obyek yang terdapat pada hasil klasifikasi dan referensi
nk+ : jumlah total obyek yang terdapat pada hasil klasifikasi
nk+ : jumlah total obyek yang terdapat pada data referensi

Algoritma klasifikasi perangkat lunak SPRING dan MultiSpec juga dievaluasi

kinerjanya pada klas-klas berbeda menggunakan rata-rata geometrik (g-mean). Nila
rata-rata geometrik mendekati 1 menunjukkan keberhasilan algoritma memprediksi klas
penggunaan lahan dengan benar. Rata-rata geometrik didefinisikan oleh Kubat et al.
(1998) pada persamaan (10).

g mean = TPxP ____________________________________________ (10)

dalam hal ini:

TP : tingkat kebenaran positif atau akurasi produser
P : indeks presisi atau akurasi pengguna.

3. Metodologi
Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah citra satelit QuickBird 3
saluran RGB (Red, Green, Blue) dengan resolusi spasial 60 cm yang mencakup
sebagian wilayah Kelurahan Maguwoharjo yang direkam pada tanggal 26 Juli
2005.Adapun peralatan yang digunakan dalam penelitian ini adalah:
1. Satu unit komputer prosesor Intel Pentium 5 Core Duo kecepatan 2,66GHz (chipset
intel 945G), RAM 2GB DDR2 800 MHz dengan kapasitas harddisk 80 GB.
2. Perangkat lunak SPRING 5.0.3 versi Windows untuk klasifikasi citra berorientasi
obyek dengan algoritma klasifikasi berdasar daerah, MultiSpec 3.3 versi Macintosh
untuk klasifikasi citra berorientasi obyek dengan algoritma ECHO, Parbat 0.32
untuk grafik 3D distribusi nilai spektral citra, dan Geoda 0.9.5-iBeta untuk
penilaian kualitas kombinasi parameter segmentasi dengan indeks Moran

Pelaksanaan
Diagram alir pada Gambar 1 memperlihatkan proses pengolahan citra yang
dimulai dengan kajian pustaka terkait dengan penelitian serta pengumpulan data citra.
Tahap prapengolahan meliputi pembuatan penggunaan lahan referensi/acuan. Tahap
berikutnya adalah klasifikasi dan uji kualitas hasil klasifikasi berbasis kesamaan obyek
(MultiSpec 3.3) dan region growing (SPRING 5.0.3).

Gambar 1. Pelaksanaan penelitian.

HASIL DAN PEMBAHASAN

Gambar 2(a) adalah citra QuickBird area studi sedangkan Gambar 2(b)
memperlihatkan penggunaan lahan referensi hasil digitasi on screen dengan teknik
interpretasi visual. Hasil klasifikasi berorientasi obyek menggunakan perangkat lunak
SPRING 5.0.3 pada Gambar 2(c) secara visual lebih baik bila dibandingkan dengan
hasil klasifikasi menggunakan MultiSpec 3.3 (Gambar 2d).

a b

c d

Gambar 2. Hasil klasifikasi berorientasi obyek

Hasil klasifikasi berorientasi obyek pada kedua perangkat lunak non komersial
juga diperbandingkan secara kuantitatif menggunakan ukuran dari nilai kualitas
keseluruhan obyek, akurasi produser, akurasi pengguna dan rata-rata geometriknya.
Grafik perbandingan kualitas keseluruhan obyek pada Gambar 3(a) memperlihatkan
kinerja algoritma berdasar daerah pada SPRING 5.0.3 jauh melebihi kemampuan
algoritma ECHO pada MultiSpec 3.3. Semua obyek penggunaan lahan pada SPRING
5.0.3 menghasilkan nilai kualitas keseluruhan obyek mencapai 100% kecuali
penggunaan lahan jalan dan parkir dengan nilai 0% karena kedua obyek penggunaan
lahan ini memang tidak terekstraksi. Kinerja kualitas keseluruhan obyek pada MultiSpec
3.3 berada dibawah 50% kecuali obyek bayangan, artinya hanya 50% jumlah obyek
yang sesuai dari keseluruhan obyek hasil klasifikasi dan data referensi.
Grafik perbandingan akurasi produser pada Gambar 3(b) juga memperlihatkan
kinerja klasifikasi menggunakan SPRING 5.0.3 lebih baik dibandingkan kinerja
MultiSpec 3.3. Prosentase 100% obyek pada data referensi yang dapat dijelaskan
dengan benar oleh klasifikasi MultiSpec pada keseluruhan obyek tercapai pada klas
penggunaan lahan perdagangan dan bayangan, sedangkan akurasi produser penggunaan
lahan lainnya berada dibawah hasil klasifikasi menggunakan SPRING 5.0.3.
Grafik perbandingan akurasi pengguna pada Gambar 3(c) memperlihatkan
prosentase obyek terekstraksi yang diklasifikasikan dengan benar pada penggunaan
lahan gudang menggunakan MultiSpec 3.3 mencapai 100%. Nilai yang sama dicapai
oleh klasifikasi dengan SPRING 5.0.3, meskipun pada klas penggunaan lahan yang
lainnya kinerja klasifikasi ECHO masih berada dibawah klasifikasi berdasarkan daerah.

a b

c d

Gambar 3. Grafik perbandingan hasil klasifikasi berorientasi obyek

Kinerja algoritma pada klas-klas berbeda pada Gambar 3(d) memperlihatkan

bahwa SPRING 5.0.3 masih unggul pada semua klas penggunaan lahan. Nila rata-rata
geometrik yang dihasilkan menggunakan algoritma klasifikasi berdasar daerah
mendekati 1 menunjukkan keberhasilan algoritma ini memprediksi klas penggunaan
lahan dengan benar.
Hasil perbandingan kinerja pada keempat grafik menunjukkan kinerja algoritma
klasifikasi berdasar daerah pada SPRING 5.0.3 unggul karena menggunakan algoritma
segmentasi region growing yang banyak digunakan pada perangkat lunak komersial dan
penggunaan klasifikasi terselia berdasar daerah menjadi efektif mengatasi variasi
spektral obyek yang tinggi pada citra QuikBird.

KESIMPULAN DAN SARAN

Berdasarkan hasil penelitian ini, maka dapat disimpulkan:
1. Kinerja algoritma klasifikasi berdasar kesamaan daerah yang ada dalam SPRING
5.0.3 pada citra QuickBird lebih baik dibandingkan kinerja algoritma ECHO dalam
MultiSpec 3.3. Semua ukuran kualitas hasil klasifikasi yaitu kualitas keseluruhan
obyek, akurasi produser, akurasi pengguna dan rata-rata geometrik pada SPRING
5.0.3 menunjukkan nilai yang lebih tinggi dibandingkan algoritma ECHO pada
MultiSpec 3.3.
2. Kombinasi parameter segmetasi region growing yaitu similarity 40 dan area 15
mampu mengekstraksi obyek pada area studi yang heterogen dengan nilai rata-rata
geometrik mendekati 1 dan kriteria kualitas keseluruhan obyek, akurasi produser
serta akurasi pengguna yang lebih optimal dibandingkan MultiSpec 3.3.

Terkait dengan penelitian ini, beberapa hal yang dapat disarankan untuk
penelitian sejenis adalah:
1. Penelitian ini menggunakan citra dengan kuantisasi 8 bit dari 11 bit spesifikasi citra
QuickBird, sehingga menyebabkan berkurangnya keterpisahan diantara obyek
penggunaan lahan. Studi lebih lanjut menggunakan citra QuickBird 11 bit
diperlukan untuk mengetahui respon spektral, efek tonal serta tekstural dari material
yang membentuk obyek dalam wilayah perkotaan.
2. Segmentasi ulang diperlukan untuk meningkatkan kualitas hasil segmentasi region
growing pada perangkat lunak SPRING 5.0.3 yang cenderung tersegmentasi
berlebih.
DAFTAR PUSTAKA
Bauer, M.E. and Yuan, F. 2006. Mapping Impervious Surface Area Using High
Resolution Imagery: A Comparison of Object-Based and Per Pixel Classification,
ASPRS 2006 Annual Conference Reno, Nevada, May 1-5, 2006.
Bins, S.L., Fonseca, G.L., Erthal, J.G., Mitsuo, F. 1996. Satellite Imagery
Segmentation: A Region Growing Approach, National Institute for Space Research,
Image Processing Division, So Jos dos Campos, Brasil. Tersedia di
http://marte.dpi.inpe.br/ col/ sid.inpe.br/ deise/ 1999/ 02.05.09.30/ doc/T205.pdf,
diakses tanggal 26 April 2007.
Blaschke, T. and Lang, S. 2006. Bridging Remote Sensing And Gis What Are The
Main Supportive Pillars?, 1st International Conference on Object-based Image
Analysis (OBIA 2006). Tersedia di http://www.commission4. isprs.org/ obia06/
Papers/ 01_Opening% 20session/ OBIA2006_Lang_ Blaschke.pdf, diakses tanggal
28 Agustus 2008.
Chubey, M.S., Franklin, S.E., Wulder, M.A., 2006. Object-based Analysis of Ikonos-2
Imagery for Extraction of Forest Inventory Parameter, Photogrammetric
Engineering & Remote Sensing. Vol. 72, No.4, April 2006, pp.383-394. Tersedia di
http://www.asprs.org/ publications /pers/ 2006journal/ april/ 2006_apr_383-394.pdf,
diakses tanggal 16 Maret 2008.
Definiens Imaging, 2004. Whitepaper-eCognition Professional 4.0, Definiens Imaging,
GmbH, Munich, Germany. Tersedia di http://www.gis.unbc.ca/ help/ software/
ecognition4/ ELuserguide.pdf , diakses tanggal 5 Desember 2006.
Espindola, G.M., Camara, G., Reis, I.A., Bins, L.S., and Monteiro, A.M., 2006.
Parameter Selection for Region-Growing Image Segmentation Algorithms Using
Spatial Autocorrelation, International Journal of Remote Sensing, Vol. 27, No. 14,
pp. 3035-3040, 20 July 2006. Tersedia di http://mtc-m12.sid.inpe.br/ col/
sid.inpe.br/ mtcm12@80/ 2006/ 12.18.20.52/ doc/ espinola%20-%20parameter.pdf,
diakses tanggal 12 Nopember 2007.
Kettig, R.L and Landgrebe, D.A., 1976. Classification of Multispectral Image Data by
Extraction and Classification of Homogeneous Objects, Institute of Electrical and
Electronics Engineers. Reprinted from IEEE Transactions on Geoscience
Electronics, Vol. GE-14, No. 1, pp. 19-26, January 1976, Tersedia di
http://cobweb.ecn.purdue.edu/ ~landgreb/ ECHO.pdf, diakses tanggal 13 Juli 2007.
Kubat, M., Holte, R., Matwin, S., 1998. Machine Learning for The Detection of Oil
Spills In Satellite Radar Images, Machine Learning 2(30): 195215.
Kux, H.J. and Pinho, C.M.D., 2005. Object-Oriented Analysis Of High-Resolution
Satellite Images for Intra-Urban Land Cover Classification: Case Study In So Jos
Dos Campos, So Paulo State, Brazil. INPE Instituto Nacional de Pesquisas
Espaciais, So Jos dos Campos, Brazil. Tersedia di
http://www.commission4.isprs.org/ obia06/ Papers/ 05_Automated%
20classification% 20Urban/ OBIA2006_ Kux_Pinho.pdf, diakses tanggal 29 Juni
2007.
Manakos, I., Schneider, T., Ammer. U., 2000: A Comparison Between The ISODATA
and The eCognition Classification Methods On Basis Of Field Data, ISPRS 2000,
 Vol. XXXIII, Amsterdam. Teresdia di http:// ikb.weihenstephan.de/ publications/
tp_5/ isprs2000d.pdf, diakses tanggal 10 Desember 2007
Meinel, G. and Neubert, M., 2004, A Comparison of Segmentation Programs for High
Resolution Remote Sensing Data, Proceedings XXth ISPRS Congress, Istanbul, 14.-
23. July 2004, International Archives of Photogrammetry, Remote Sensing and
Spatial Information Sciences, Vol. XXXV-B4, p. 1097-1102, ISSN 1682-1750.
Tersedia di http://www.isprs.org/ istanbul2004/ comm4/ papers/506.pdf, diakses
tanggal 20 Juni 2007.
Neubert, M., Herold, H. & Meinel, G., 2006, Evaluation of Remote Sensing Image
Segmentation Quality Further Results and Concepts. dalam: Lang, S.; Blaschke,
T. & Schpfer, E. (Eds.): Proceedings 1st International Conference on Object-based
Image Analysis (OBIA 2006), 4.-5. July 2006 Salzburg, International Archives of
Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVI-
4/C42, Tersedia di
http://www.commission4.isprs.org/obia06/Papers/10_Adaption%20and%20
further%20development%20II/OBIA2006_Neubert_Herold_Meinel.pdf, diakses
tanggal 28 Januari 2008.
Schirokauer, D., Yu. Q., Gong, P., Clinton, N., Biging, G., Kelly, M., 2006. Object-
based Detailed Vegetation Classification with Airborne High Spatial Resolution
Remote Sensing Imagery. PE&RS Vol. 72, No. 7, July 2006, pp. 799-811. Tersedia
di http://www.clas.ufl.edu/ lueci/southworth/RS-class-advanced/ Discussion-
readings/ Yu%20et%20al.% 20%202006.pdf, diakses tanggal 14 Mei 2007.
Silva, F.C., Korting, S.T., Luciano, M.F., and Dutra L.V., 2008. Image Re-Segmentation
Applied To Urban Imagery. The International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B3b. Beijing
2008. Tersedia di http:// www.isprs.org/ congresses/ beijing2008/ proceedings/
3b_pdf/76.pdf, diakses tanggal 17 Agustus 2008.
Zan, Q., 2003. A Hierarchical Object-Based Approach for Urban Land-Use
Classification from Remote Sensing Data, ITC Dissertation No.103.