Академический Документы
Профессиональный Документы
Культура Документы
A5
ABSTRACT
Indonesia has 70% area of sea water. The early
warning system should be built to ensure the safety for
transportation between two island and fisherman. Besides
that Indonesia has a potential threat from Tsunami as
happened in couple years ago. We propose the new
methodology to detect the height of sea wave by extracting
the feature of textures of SAR images based on Grey Level
Co Occurrence Matrix (GLCM). The object of this
research are L Band and P Band images. The result
showed that the homogeneity of L Band has an accuration
100% in L-HV and L-VV whereas homogeneity of P Band
has an accuration 100% in P-HV.
2. Tinjauan Pustaka.
Gambar atau citra yang bertekstur dapat dikenali
teksturnya dengan bantuan metoda ekstraksi ciri
tekstur.Citra Synthetic Aperture Radar (SAR)merupakan
contoh citra yang bertekstur.. Metoda ekstraksi ciri tekstur
berdasarkan metoda Grey Level Cooccurence Matrix telah
digunakan untuk klasifikasi citra Radar yang bertekstur
dilaporkan berhasil baik [2]. Ciri tekstur dari satu citra
pertama kali dikemukakan oleh Harralick, ciri tekstur ini
menjelaskan 14 macam ciri yang merupakan perhitungan
dari matriks kookuren.Matriks awal dari matriks kookuren
merupakan nilai piksel satu bidang citra bertekstur. [3].
Ciri tekstur telah digunakan pada klasifikasi citra SAR
sebagai proses pendahuluan, ciri tekstur yang dipilih hanya
empat macam, sebagai masukan untuk jaringan syaraf
buatan menggunakan arsitektur Pulse Coupled Neural
Networks (PCNN) [4]. Penelitian terbaru pemakaian ciri
tekstur untuk klasifikasi telah dilakukan oleh
Uhlmann.Klasifikasi dilakukan pada citra RADARSAT-2
dan AIRSAR dari teluk San Fransisco.Citra yang
digunakan pada pita C dan pita L. Penelitian ini dilaporkan
berhasil baik [5].
Analisis tekstur pada citra Radar yang bertekstur ini
dapat dilakukan dengan pendekatan struktural atau
pendekatan statistik [2]. Tekstur dapat dikatakan sebagai
deskriptor yang dapat memberikan informasi tentang
keteraturan, kekasaran dan kehalusan. Pendekatan secara
struktural dapat dilakukan pada citra yang memiliki
komponen struktural tertentu. Contoh untuk citra dengan
tekstur structural tertentu seperti lantai rumah tinggal,
dapat dikatakan komponen strukturalnya adalah segi
empat sesuai bentuk lantai keramik atau granit yang
digunakan. Citra SAR tidak memiliki komponen struktural
jadi menggunakan pendekatan statistik. Pendekatan
Keywords
GLCM,textures,extraction
1. Pendahuluan
Masalah gelombang laut yang terjadi di Indonesia yang
sampai sekarang masih memakan banyak korban seperti
kasus TsunamiAceh, KM Sinar Madina di Nusa Tenggara
Barat dan kasus terbaru yang terjadi di Sulawesi tepatnya
diperairan Maluku Utara terjadi kecelakaan laut yang
menewaskan 14 orang dikarenakan gelombang tinggi.
Untuk mengantisipasi masalah tersebut terjadi kembali
dan masalah lainnya mengenai gelombang laut, maka
perlu adanya peringatan dini tentang ketinggian
gelombang laut.
Hasil penelitain sebelumnya yaituperbandingan ciri
tekstur GLCM citra radar pita L multipolarisasi dari
wilayah laut:kasus pengamatan sudut 0oleh Harwikarya,
mendapatkan kesimpulan bahwa untuk pengenalan citra
SAR laut yaitu dengan menghitung homogeneity pada pita
L polarisasi HV dan VV[1]. Oleh karena itu penelitian ini
bertujuan mempertajam penelitian sebelumnya, maka pada
penelitian kali ini penulis akan membandingkan hasil
28
A5
1.
2.
Gambar 2. Matriks A
3.
Gambar 3. Matriks C.
i =1
j =1
29
i, j
keseragaman
tekstur
(1)
atau
A5
2. Correlation.
Ciri ini menjelaskan ketergantungan linier antara
satu piksel dengan piksel tetangga.
n
(i m)( j m)ci , j
...(2)
m adalah harga rata-rata element matriks C.
i adalah baris dan j adalah kolom
i =1
i =1
3. Contrast.
Ciri ini menjelaskan variasi intensitas piksel pada
satu area.
(3)
C i,j adalah elemen matriks C pada Gambar 3
i adalah baris dan j kolom
4 Homogeneity.
Ciri ini menjelaskan adanya nilai piksel yang hampir
seragam atau rentangan nilai graylevel yang sempit.
...(4)
Analisis tekstur lain yang sering digunakan ialah
Wavelet, baik Wavelet Haar maupun Daubechies dengan
algoritma Mallat. Kelemahan algoritma Mallat hasil
proses citra menjadi mengecil setengahnya. Algoritma a
trous dapat menutupi kekurangan algoritma Mallat karena
tetap menjaga ukuran citra.
Beberapa penelitian ekstraksi ciri tekstur berdasarkan
GLCM ini telah banyak dilakukan dan dilaporkan
hasilnya sangat baik. Ekstraksi ciri ini perlu dilakukan
pada citra yang bertekstur, contohnya citra satelit ini atau
radar. Pada citra yang homogen klasifikasi dapat
dilakukan secara langsung tanpa bantuan ciri tekstur citra.
3.Metode Penelitian.
Metode penelitian yang akan dilakukan adalah :
1. Mencari dan mereview beberapa jurnal dan previous
research yang berhubungan dengan penelitian.
2. Mencari data citra wilayah laut di Indonesia.
3. Menyusun metodologi untuk memastikan wilayah laut
pada citra SAR .
4. Uji coba menggunakan citra SAR pita P polarisasi
lengkap .
5. Membandingkan hasil ciri tekstur citra pola P dengan
hasil ciri tekstur pola L.
Metodologi yang diusulkan membandingkan ciri citra
30
A5
Con
HH1
HH2
HH3
HH4
HH5
8.7111
14.7000
20.1444
20.1444
Cor
Tidak
terdefinisi
0.2882
0.3917
0.1770
0.1754
en
Hom
0.6077
0.3020
0.2585
0.2595
0.8444
0.7375
0.6403
0.6403
No
1
2
3
4
31
Ciri
Contrast
Correlation
Energy
Homogeneity
Rerata
12.7400 7.6440
Tidak terdefinisi
0.4855 0.2546
.07725 0.1197
A5
No
1
2
3
4
4.1.2.Polarisasi HV.
Seperti pada polarisasi HH, dari wilayah laut pada
citra SAR pita P HV ini diambil 5 buah potongan citra
untuk uji. Sudut pengamatan matriks kookurensi yaitu 0.
Hasil perhitungan ditampilkan pada Tabel 3.
HV1
HV2
HV3
HV4
HV5
9.8000
3.2667
5.4444
Cor
Tidak
terdefinisi
Tidak
terdefinisi
0.3487
0.3747
- 0.0576
en
Hom
0.5338
0.8331
0.7965
0.8250
0.9417
0.9028
4.1.4.Polarisasi VV.
Tabel 7.Ciri citra L-VVsudut 0
No
1
2
3
4
Ciri
Contrast
Correlation
Energy
Homogeneity
Rerata
3.7022 3.1360
Tidak terdefinisi
0.8326 0.1340
0.9338 0.0560
VH1
VH2
VH3
3.8111
En
No
Ciri
cor
0.4332
0.4252
0.5163
0.4977
0.2864
en
0.2020
0.1919
0.1242
0.1141
0.1486
Hom
0.6642
0.6994
0.6680
0.6263
0.5778
Rerata
Contrast
3.3777 1.0222
Correlation
0.4317 0.0607
Energy
0.1561 0.0326
Homogeneity
0.6471 0.0360
4.1.3.Polarisasi VH.
cor
Tidak
terdefinisi
Tidak
terdefinisi
0.1831
VV1
VV2
VV3
VV4
VV5
con
5.6667
1.9889
2.2111
3.5778
3.4444
con
Rerata
1.4155 1.2631
Tidak terdefinisi
0.9407 0.0536
0.9747 0.0225
Con
Ciri
Contrast
Correlation
Energy
Homogeneity
Hom
0.8333
0.9319
VH4
1.0889
- 0.0112
0.9563
0.9806
VH5
2.1778
- 0.0227
0.9141
0.9611
No
1
2
3
4
32
Polarisasi
P-HH
P-HV
P-VH
P-VV
Con
0
0
25
50
cor
0
0
0
50
en
87.5
50
25
62.5
Ho
87.5
100
25
87.5
A5
5.2.Saran
1.
2.
REFERENSI
[1].Harwikarya., Perbandingan ciri tekstur GLCM citra radar
pita L multipolarisasi dari wilayah laut:kasus pengamatan
sudut 0, SINAPTIKA Universitas Mercu Buana, 2014.
[2].Harwikarya.,Ekstraksi Ciri Tekstur Citra Optik Jakarta
Barat : Kasus Citra Univeristas Mercu Buana,SINAPTIKA
Universitas Mercu Buana, 2013.
[3].Haralick,R.M.,Shanmugan, Dinstein, I., Textural Features
for Image Classification, IEEE Transaction on System, Man
and Cybernetics, vol. SMC 3, no 6, 1973.
[4].Harwikarya, Metodologi Segmentasi Citra Synthetic
Aperture Radar Berdasarkan Pulse Coupled Neural
Networks Dikombinasikan dengan Ciri Tekstur, Disertasi,
Fakultas Ilmu Komputer, Universitas Indonesia, 2009.
[5].Stefan Uhlmann, Integrating Color Features in Polarimetric,
accepted for inclusion in a future issue of this journal.
Content is final as presented, with the exception of
pagination IEEE Transactions On Geoscience And Remote
Sensing, 2014.
No
1
2
3
4
Polarisasi
L-HH
L-HV
L-VH
L-VV
Con
12.5
0
0
0
Cor
0
50
0
0
En
0
62.5
0
0
Ho
0
100
0
100
5.
5.1.Kesimpulan
Pita L mempunyai dua nilai terdekat dengan nilai
acuan yaitu nilai homogeneity 100% pada polarisasi
Horizontal Vertikal dan polarisasi Vertikal Vertikal,
sedangkan pita P mempunyai satu nilai terdekat dengan
nilai acuan yaitu nilai homogeneity 100% pada polarisasi
Horizontal Vertikal.
33