Seminar Nasional Teknologi Informasi Tahun XI 2014 A5

PERBANDINGAN CIRI TEKSTUR GLCM CITRA RADAR PITA P DENGAN CITRA RADAR PITA L DARI WILAYAH

LAUT: KASUS PENGAMATAN SUDUT 0°

Hasan Basri1),Prastika Indriyanti2),Harwikarya3)

1)Fakultas Ilmu Komputer Universitas Mercu Buana

Jl.Meruya Selatan No 1. Jakarta 11650 Email:1basri17hasan@gmail.com, 2prast.tika@gmail.com, 3harwikarya@mercubuana.ac.id

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. 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 0°oleh 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

ektraksi citra pita L dengan hasil ektraksi citra pita P.

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

28

Seminar Nasional Teknologi Informasi Tahun XI 2014 A5 statistik menurut Tomita dibagi menjadi tiga tingkatan yaitu :

a. a.Tingkat pertama : dengan menghitung rata-rata, maksimum dan minimum.

b. b.Tingkat kedua : dengan menghitung Gray Level Co-occurrence Matrix,Semi Variogram, dan Autoregresi.

c. c.Tingkat ketiga : dengan menghitung interval cover atau runlength.

Sedangkan menurut Naddler pendekatan statistik terbagi tiga tingkatan yaitu:

a. a.Imaged based,ciri diperoleh langsung dari citra. b. b.Model based ciri diperoleh dengan membuat model

tekstur. c. c.Transform based, mentrasformasikan citra yang akan

dianalisis, yang termasuk transform based ialah Transformasi Fourier, Wavelet, dan GLCM

Analisis menggunakan Grey Level Co-occurrence Matrix akan menghasilkan beberapa cirri tekstur dari citra, tetapi tidak semua cirri harus digunakan, seperti penelitian Harwikarya hanya memilih empat ciri yaitu energy, entropy, correlation, contrast [4].Disamping itu masih ada satu hasil penelitian yang menjelaskan bahwa ciri GLCM yang diusulkan Haralick ini dapat dibagi menjadi 3 kelompok yaitu kelompok pertama disebut kelompok contrast terdiri dari 3 buah ciri yaitu contrast, homogeneity dan dissimilarity.Kelompok kedua disebut kelompok orderliness terdiri dari ciri ASM, entrophy, dan energy. Kelompok ketiga disebut kelompok statistik, terdiri dari 4 ciri yaitu mean, variance, standard deviation dan correlation, dijelaskan juga bahwa sebaiknya tidak menggunakan dua buah ciri dari satu kelompok yang sama dalam proses segmentasi karena kedua ciri tersebut akan berkorelasi sehingga hasil segmentasi kurang baikBerdasarkan dua hasil penelitian ini maka pada penelitian ini hanya menggunakan empat ciri tekstur yaitu energy, entropy, correlation, contrast.GLCM merupakan satu metoda yang banyak digunakan untuk analisis tekstur pada satu citra SAR. Ciri dari GLCM merupakan sifat yang dapat membedakan beberapa tekstur cirri tersebut ialah energy, entropy, correlation, inverse different moment, inertia, cluster shade, cluster prominence. Contoh misalnya dalam satu jendela 4 x 4 terdapat empat derajat keabuan yaitu 0,1,2, dan 3. Nilai piksel citra dalam jendela pengamatan dapat dinyatakan dalam matriks pada Gambar 1..Dari keadaan nilai piksel ini selanjutnya dapat dianalisis teksturnya.

Gambar 1.Piksel dalam jendela 4 x 4.

Jika jarak piksel dipilih satu ke kanan dan sudut arah 0

maka matriks cooccurence dapat dibentuk sebagai berikut :

1. Tentukan derajat keabuan, diurut dari kecil ke besar dalam contoh dari 0, 1, 2 dan 3.

2. Bentuk matrik A berukuran m x m dengan m adalah jumlah derajat keabuan, element matrik A tersebut yaitu ai,j merupakan jumlah kemunculan dengan derajat keabuan gi muncul bersebelahan dengan gi dengan sudut 0º dimana 1≤ ij ≤m. Matriks A menjadi:

Gambar 2. Matriks A

3. Buat matriks cooccurence C, bagilah setiap element

matriks A dengan n dimana n adalah jumlah semua element matriks A yaitu 12. Matriks C dapat dilihat pada Gambar 3.

Gambar 3. Matriks C.

Dari matriks C inilah dapat dihitung empat ciri tekstur seperti telah dijelaskan sebelumnya. 1. Energy. Energy menunjukkan keseragaman tekstur atau homogenitas.

∑∑==

n

jji

n

ic

1,

12

……………(1)

29

Seminar Nasional Teknologi Informasi Tahun XI 2014 A5 C i,j adalah elemen matriks C pada Gambar 3i adalah baris dan j kolom. 2. Correlation.

Ciri ini menjelaskan ketergantungan linier antara satu piksel dengan piksel tetangga.

∑∑==

−−n

iji

n

icmjmi

1,

1))((

………...(2)

m adalah harga rata-rata element matriks C. i adalah baris dan j adalah kolom

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

pita P dengan ciri citra pita L ditampilkan pada Gambar.4

Citra SAR Polarisasi Penuh

Buat citra uji coba ukuran 10 x 10 piksel pada wilayah laut untuk tiap

polarisasi

Hitung ciri tekstur citra : Contrast, Corelation, Energy, Homogeneity

Buat citra pembelajaran ukuran 10x10 di luar area citra uji coba untuk

tiap polarisasi

pita P > pita L

Keputusan :pila P baik untuk pengamatan ciri khusus laut

Keptusan :pila L baik untuk pengamatan ciri khusus laut

Gambar 4.Metodologi pengambilan keputusan

4. Hasil Dan Pembahasan

Citra satelit yang digunakan pada penelitian lanjutan yaitu pita P polarisasi penuh citra SAR dan koordinat citra adalah daerah Kalimantan Timur seperti pada penelitain sebelumnya.Citra ini merupakan citra SAR pita P polarisasi penuh yaitu polarisasi horizontal-horizontal (HH), horizontal-vertikal (HV), vertikal-horizontal (VH) dan vertikal -vertikal (VV).Citra ini memiliki dimensi 512 x 128 piksel, ditampilkan pada Gambar 4.1 sampai Gambar5.

30

Seminar Nasional Teknologi Informasi Tahun XI 2014 A5

Gambar 5..Citra P-HH

Gambar 6.Citra P-HV

.

Gambar 7.Citra P-VH.

Gambar 8.Citra P-VV.

Dari empat macam citra ini dibuat potongan citra

masing masing berukuran 10 x 10 piksel sebagai citra uji. Selanjutnya pada potongan citra yang cukup kecil ini dilakukan eksraksi ciri ekstur sesuai dengan Metoda GLCM yang telah djelaskan sebelumnya.

Semua contoh citra dihitung ciri teksturnya, dalam eksperimen ini ciri yang dihitung yaitu contrast, correlation, energy dan homogeneity.

4.1.Hasil Perhitungan Ciri.

4.1.1.Polarisasi H-H. Dari wilayah laut pada citra SAR pita P HH ini

diambil 5 buah potongan citra untuk uji. Sudut pengamatan matriks kookurensi yaitu 0°. Hasil perhitungan ditampilkan pada Tabel 1.

Tabel 1. Ciricitra P-HH .

Con Cor en Hom

HH1 0 Tidak terdefinisi 1 1

HH2 8.7111 0.2882 0.6077 0.8444 HH3 14.7000 0.3917 0.3020 0.7375 HH4 20.1444 0.1770 0.2585 0.6403 HH5 20.1444 0.1754 0.2595 0.6403 Nilai reratamasing masing ciri ditampilkan pada Tabel 2.

Tabel 2.Nilai rerata ciri P-HH

No Ciri Rerata 1 Contrast 12.7400 ± 7.6440 2 Correlation Tidak terdefinisi 3 Energy 0.4855 ± 0.2546 4 Homogeneity .07725 ± 0.1197

31

Seminar Nasional Teknologi Informasi Tahun XI 2014 A5

Dari Tabel 2 dapat diamati rentang hasil hasil perhitungan ciri GLCM yaitu contrast antara 5.0960 sampai 20.3840, correlation tidak terdefinisi, energy antara 0.2308 sampai 0.7401 dan terakhir homogeneity antara 0.6527sampai 0.8922

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.

Tabel 3. Ciri citraP-HV.

Con Cor en Hom

HV1 0 Tidak terdefinisi 1 1

HV2 0 Tidak terdefinisi 1 1

HV3 9.8000 0.3487 0.5338 0.8250 HV4 3.2667 0.3747 0.8331 0.9417 HV5 5.4444 - 0.0576 0.7965 0.9028

Tabel 4.Nilai rerata ciri P-HV No Ciri Rerata

1 Contrast 3.7022 ± 3.1360 2 Correlation Tidak terdefinisi 3 Energy 0.8326 ± 0.1340 4 Homogeneity 0.9338 ± 0.0560

Dari Tabel 4 dapat diamati rentang hasil hasil perhitungan ciri GLCM yaitu contrast antara 0.5662sampai 6.8382, correlationtidak terdefinisi, energy antara 0.6986 sampai 0.9666 dan terakhir homogeneity antara 0.8778 sampai 0.9898. 4.1.3.Polarisasi VH.

Tabel 5. Ciri citra P-VH.

con cor En Hom

VH1 0 Tidak terdefinisi 1 1

VH2 0 Tidak terdefinisi 1 1

VH3 3.8111 0.1831 0.8333 0.9319 VH4 1.0889 - 0.0112 0.9563 0.9806 VH5 2.1778 - 0.0227 0.9141 0.9611

Tabel 6.Nilai rerata ciri P-VH

No Ciri Rerata 1 Contrast 1.4155 ± 1.2631 2 Correlation Tidak terdefinisi 3 Energy 0.9407 ± 0.0536 4 Homogeneity 0.9747 ± 0.0225

Dari Tabel 6 dapat diamati rentang hasil hasil

perhitungan ciri GLCM yaitu contrast antara 0.1524 sampai 2.6786, correlation tidak terdefinisi, energy antara 0.8871sampai 0.9943 dan terakhir homogeneity antara 0.9521 sampai 0.9972.

4.1.4.Polarisasi VV.

Tabel 7.Ciri citra L-VVsudut 0 con cor en Hom VV1 5.6667 0.4332 0.2020 0.6642 VV2 1.9889 0.4252 0.1919 0.6994 VV3 2.2111 0.5163 0.1242 0.6680 VV4 3.5778 0.4977 0.1141 0.6263 VV5 3.4444 0.2864 0.1486 0.5778

Tabel 8.Nilai rerata ciri L-VV

No Ciri Rerata 1 Contrast 3.3777 ± 1.0222 2 Correlation 0.4317 ± 0.0607 3 Energy 0.1561 ± 0.0326 4 Homogeneity 0.6471 ± 0.0360

Dari Tabel 8 dapat diamati rentang hasil hasil

perhitungan ciri GLCM yaitu contrast antara 2.3555 sampai 4.400, correlation antara 0.3709 sampai 0.4925, energy antara 0.1235 sampai 0.1887 dan terakhir homogeneity antara 0.6110 sampai 0.6832. Uji coba dari nilai ciri dilakukan pada 8 citra dari masing masing polarisasi dan hasil ketepatan nilai ciri disampaikan pada Tabel 9.

Tabel 9.Ketepatan ciri dalam % pita P. No Polarisasi Con cor en Ho

1 P-HH 0 0 87.5 87.5 2 P-HV 0 0 50 100 3 P-VH 25 0 25 25 4 P-VV 50 50 62.5 87.5

32

Seminar Nasional Teknologi Informasi Tahun XI 2014 A5

Dari tabel 9 menunjukan nilai ketepatan ciri setiap polarisasi, polarisasi yang menujukan nilai terdekat dengan citra acuanpada penelitian kali ini didapatkan dari polarisasi Horizontal Vertikal yaitu pada nilaihomogeneity 100%, nilai konsentrasi lainnya yaitu energy 50%, contrast 0%, correlation0%. Sedangkan pada polarisasi Vertikal Vertikal nilai ketepatan yang paling mendekati nilai citra acuan adalah nilai darihomogeneity 87.5%, nilai lainnyaenergy 62.5%, correlation 50%,contrast 50%. Pada polarisasi Horizontal Horizontal didapatkan nilai energy 87.5%, homogeneity 87.5% sedangkan contrast dan correlation masing-masing 0%. Polarisasi Vertikal horizontal tidak dapat dijadikan citra acuan karena nilai-nilai hasilnya kecil yaitu contras 25%, energy 25%, homogeneity 25% dan correlation 0% Penelitian initerjadi pada pengamatan matriks kookurens 0 derajat. Pada ciri correlation ada hasil yang tidak terdefinisi karna pada perhitungan menggunakan MATLAB nilainya tidak terhingga, ini dapat diartikan hasil tidak dapat dijadikan acuan.

Selanjutnyadengan melihat hasil dari penelitian sebelumnya didapat nilai ketepatan ciri polarisasi L pada table.10

Tabel 10.Ketepatan ciri dalam % pita L. No Polarisasi Con Cor En Ho 1 L-HH 12.5 0 0 0 2 L-HV 0 50 62.5 100 3 L-VH 0 0 0 0 4 L-VV 0 0 0 100

Dari tabel 10 nilai terdekat yang mendekati nilai acuan adalah nilai homogeneity pada polarisasi Horizontal Vertikal dan Vertikal Vertikal yaitu 100%.

Dengan membandingkan polarisasi pita P dengan polarisasi pita L,didapat dua nilai terdekat dengan nilai acuanpada pita L yaitu pada nilai homogeneitypada polarisasi Horizontal Vertikal dan Vertikal Vertikal sedangkang pada pita P terdapat satu nilai terdekat dengan nilai acuan yaitu nilaihomogeneitypada polarisasi Horizontal Vertikal.

5. Kesimpulan Dan Saran

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.

5.2.Saran 1. Perlu dilakukan penelitian selanjutnya dengan

memperbanyak citra wilayah laut dan parameter penelitian ialah sudut pengamatan.

2. Sebaiknya penelitian dilakukan pada citra SAR pada satu wilayah yang pada hari akusisi citra diketahui tinggi gelombamg lautnya. Hal ini penting dalam penelitian sebagai kalibrator ciri tekstur fungsi tinggi gelombang laut .

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.

33