”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” PENGEMBANGAN MODEL MULTINOMIAL NEURAL NETWORK DALAM KONTEKS KLASIFIKASI PENUTUP LAHAN

Pertemuan Ilmiah Tahunan MAPIN XIV Wiweka1 dan Wawan Setiawan2 1 Pusbangja, LAPA, email: wiweka@yahoo.com Program Ilmu Komputer FPMIPA UPI, email: wawans@upi.edu 2 Abstract Image sensor the optic have the distribution model Gaussian, is while image sensor SAR have characteristic non- Gaussian. Co-Occurrence matrix is modeling tekstur which used many. Basically image good sensor the optic and SAR consist of the homogeneous area and tekstur. This research propose Model Multinomial Neural Network as classification methodologies good to image sensor the optic and SAR. Pengklasifikasi measured by theX his performance through accuration storey;level ( producer’s accuracy, user’s accuracy, overall accuracy), computing storey;level, generalizing storey;level, and storey;level signifikansinya. Pursuant to experiment result, can be indicated that by theX the mean mount the accuration classifiers model multinomial better compared to with model Gaussian for same data. Pengklasifikasi model multinomial have ability of consistent recognition for image sensor the optic and SAR, consistent also to every class categorize obyek the, that thing is shown by high generalizing storey;level. In general pengklasifikasi developed have the accuration storey;level and good generalizing, but require the computing storey;level a few longer of model Gaussian and need sampel the training a few bigger. Classifiers developed also support solution of context internal issue multitemporal to detect change of region. By using decision order joint, accuration storey;level detect change of region use the model multinomial, higher mean of scheme detect change of the region use back propagation for same case. 1. PENDAHULUAN Banyak metode klasifikasi citra berdasarkan tekstur yang didahului dengan menggunakan dasar pengukuran statistik pada Gray Level Co-occurrence Matrik (GLCM) [6]. Berdasarkan beberapa studi peneliti terdahulu, dapat dinyatakan bahwa teknik co- occurrence matrik memberikan fitur yang baik untuk klasifikasi citra terurama untuk citra sensor Synthetic Aperture Radar (SAR). Dalam penelitian ini digunakan co-occurrence matrik sebagai masukan pengklasifikasi citra dengan metode neural network. Donald dkk. tahun 1990 berhasil dengan baik mengembangkan Neural Network (NN) model Gaussian untuk data citra sensor optik, namun untuk data citra sensor SAR memberikan hasil yang kurang memuaskan [27]. Berdasarkan hal di atas, penelitian ini mengembangkan model multinomial pada Gray Level Co-occurence Matrix (GLCM), dan selanjutnya Selanjutnya sebuah citra dapat direpresentasikan sebagai matrik dari probabilitas pij berdasarkan co- occurrence u=(u1,1, u1,2, ..., um,m) yang dimodelkan struktur neural network yang dikembangkan disebut model multinomial. GLCM merupakan suatu model yang sering digunakan dalam pekerjaan analisis tekstur. Model ini merupakan transformasi suatu citra tekstur menjadi citra dengan karakteristik yang bersifat homogen. Hal ini dilakukan diantaranya agar mudah dalam pekerjaan klasifikasi atau interpretasi citra. Matrik co- occurrence berisi informasi tentang seberapa sering atau frekuensi kemunculan suatu piksel i dengan nilai gray level gi berada berdampingan atau bersamaan dengan piksel j dengan nilai gray level gj secara horizontal o atau Barat-Timur (0 ), vertikal atau Utara- o Selatan (90 ), diagonal atau Timur Laut – o Barat Daya atau Barat Laut – Tenggara (45 o atau 135 ), dan berada pada jarak d =1, 2,..,. dengan fungsi kerapatan multinomial sebagai berikut [21]: p (u ) = n! ∏ i, j u ∑ p ij ij u ij ! ∑u p ij = 1 dan (1) i, j ij =n (2) i, j Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 185 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” Keterangan : p (u ) : probabilitas occurrence kelas u i, j : nomor gray level n : jumlah kemunculan piksel pada kelas u u p ij ij : probabilitas occurrence piksel dengan gray level i berdampingan dengan gray level j dari kelas u ui : frekuensi kemunculan piksel pada kelas u dengan gray level i berdampingan dengan gray level j Banyaknya occurrence untuk setiap kelas ditunjukkan dengan n1, n2, n3, ... nJ, maka probabilitas occurrence dinyatakan: Keterangan : i,j : nomor gray level u p ij : Probabilitas occurrence kelas pelatihan u v p ij : Probabilitas occurrence kelas pelatihan v p ij : Probabilitas occurrence sumber xij : Probabilitas occurrence kelas uji 2. METODOLOGI PENELITIAN 2.1. Arsitektur dan Algoritme Model Multinomial Neural Network p1, p2, p3, ..., pJ : P (n1, n2, n3, ... nJ ; p1, p2, p3, ..., pJ) J P(n, n2, ... nJ ; p1, p2, ... pJ ) = PoNo = N!∏ , , 1 j =1 pn J J nJ ! Misal X adalah sebuah fitur, p(u) adalah probabilitas prior kelas u, dan p(u|x) adalah probabilitas posterior kelas u dari fitur x, maka hubungan fitur x dengan kelas u dapat dinyatakan sebagai berikut [21]: C ( x , u ) = log p( u | x ) p( u ) (5) Algoritma yang dikembangkan terdiri atas algoritma pelatihan, dan algoritma pengujian. atau p( u | x ) p( x | u ) = log p( u ) p( x ) C ( x ,u ) = log (6) Jika pij adalah probabilitas occurrence dari citra u sumber, pij adalah probabilitas occurrence dari kelas obyek u, dan xij menyatakan probabilitas occurrence data uji maka : p(x |u) = p(x) ∏ i, j u ⎛ p ij ⎜ ⎜ p ij ⎝ ⎞ ⎟ ⎟ ⎠ Arsitektur neural network terdiri atas 4 unit, yaitu unit masukan, unit pola, unit jumlah, dan unit keputusan. 1. Unit masukan terhubung ke semua unit pola. 2. Unit pola terhubung ke unit jumlah dari kelas yang sama. 3. Unit jumlah terhubung ke unit kaputusan. 4. Unit keputusan memutuskan kelas (label) dari masukan. x ij (7) Algoritme Pelatihan : Langkah-1: Rekuantisasi citra utuh ke dalam sejumlah gray level (6). Langkah-2: Hitung deskriptor co-occurrence citra utuh (Pij). Langkah-3: Untuk setiap kelas pelatihan, lakukan langkah 4 -9 Langkah-4: Tentukan koordinat dan ukuran kelas pelatihan. Langkah-5: Hitung deskriptor co-occurrence u atau log p( x | u ) = p( x ) ∑x ij u (log p ij − log p ij ) i,j (8) Aturan keputusan fitur X masuk ke dalam kelas u jika : ∑x i,j ij u v (log p ij − log p ij ) > ∑ x ij (log p ij − log p ij ) (9) i,j kelas pelatihan ( p ij ) Langkah-6: Buat unit masukan (Xij). Langkah-7: Buat unit pola sebanyak sampel pelatihan (m) setiap kelas (k). Langkah-9: Lakukan pembagian co-occurrence kelas pelatihan oleh co-occurrence citra dan nyatakan sebagai bobot unit masukan dengan unit pola (Vkjm). Langkah-10: Buat unit jumlah sebanyak k kelas sampel pelatihan dan hubungkan dengan unit pola dengan bobot koneksi 1 (wmk=1) . Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 186 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” Langkah-11: Buat unit keputusan dan hubungkan kemudian hitung aktivasinya dengan fungsi dengan unit jumlah. aktivasi: Algoritme Pengujian: Pk = f ( netk ) Langkah-1: Untuk setiap piksel citra uji, lakukan langkah-2 – langkah-4. Langkah-2: Tentukan ukuran occurrence. Langkah-3: Hitung deskriptor co-occurrence piksel uji ( x ij ) sebagai sinyal masukan. Langkah-4: Untuk setiap unit pola m pada setiap kelas, jumlahkan hasil kali sinyal masukan dengan bobot yang bersesuaian: net km = ∑ x ij (log u p ij − log p ij ). (10) i,j kemudian hitung aktivasinya dengan fungsi aktivasi: zkm = f ( netkm ) (11) dan meneruskan sebagai sinyal masukan unit jumlah. Langlah-5: Setiap unit jumlah k, jumlahkah hasil kali sinyal masukan dengan bobotnya: netk = ∑z m =1 km .wmk (12) yang digunakan adalah tingkat akurasi klasifikasi, tingkat komputasi, tingkat generalisasi, dan tingkat signifikansi. Tingkat akurasi menggunakan parameter yaitu User’s accurasy (UA), Producer’s Accurracy(PA), dan Overall Accuracy (OA). Tingkat generalisasi menggunakan selisih OA dengan PA dan perbandingan terbalik dari norm tersebut. Tingkat komputasi menggunakan cpu time dengan satuan sekon, sedangkan tingkat signifikansi menggunakan parameter chi-square non- parametrik [7]. (13) dan meneruskan sebagai sinyal masukan unit keputusan. Langkah-6:Unit keputusan melakukan pemilihan nilai maksimum dari unit jumlah : (14) C ( x ) = arg max{ Pk ( x )} C : kategori obyek dari piksel uji x kemudian melakukan klasifikasi. 3. DATA DAN PEMBAHASAN Penelitian ini menggunakan paket citra optik dan SAR untuk daerah uji antara lain citra Muara Sekampung SPOT (bebas awan) dan Airborne SAR serta Peta Rupa Bumi yang diperoleh dari BAKOSURTANAL RI dan citra Teluk Belatung SPOT (berawan) dan Airborne SAR serta peta rupa bumi yang diperoleh dari BAKOSURTANAL RI. Eksperimen ini juga menggunakan pengklasifikai pembanding yaitu model Gaussian Neural Network. Ukuran kinerja obyek air merupakan paling besar antara optik dan SAR. Tingkat akurasi model multinomial memiliki penurunan paling rendah yaitu dari 97.54% menjadi 92.07% atau turun sebesar 0.47%. Tabel-2 dan Gambar-3 menunjukkan kinerja model multinomial rata-rata untuk jenis citra optik dan SAR. Tabel-1 : Tingkat Akurasi Model Gaussian Lahan Hutan Rata-Rata Buka Basah Citra Sensor Optik 100.00 94.25 94.65 93.82 95.68 Citra Sensor SAR 91.84 89.38 92.79 94.85 92.21 Selisih -8.16 -4.88 -1.86 +1.03 -3.47 Keterangan : Selisih = Tingkat Akurasi (SAR – Optik) - : turun + : naik Air Pertanian Tingkat akurasi dengan model Gaussian turun dari 95.68% menjadi 92.21% atau turun sebesar 3.47%. Tabel-1 dan Gambar-2 menunjukkan kinerja model Gaussian rata-rata untuk jenis citra optik dan SAR. Untuk kelas obyek hutan basah, fitur dari citra sensor SAR lebih baik dikenali dengan model Gaussian dan kelas obyek air memiliki perbedaan fitur paling besar. Model Gaussian juga merupakan pengklasifikasi dengan pengenalan paling tinggi untuk kelas obyek air yaitu 100% pada optik, namun perbedaan fitur Untuk kelas obyek pertanian dan hutan basah, fitur dari sensor SAR lebih baik dikenali oleh model multinomial. Untuk kedua obyek tersebut juga ditunjukkan hal yang sama oleh metode Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 187 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” maximum likelihood dan model Gaussian. Hal ini dapat ditafsirkan bahwa karakteristik ketiga pengklasifikasi memiliki keidentikan yang tinggi. Namun secara keseluruhan model multinomial relatif konsisten untuk semua kelas obyek dengan akurasi yang lebih besar dan penurunan tingkat akurasi paling kecil. Pemodelan multinomial dari co-occurence memiliki kemampuan untuk mengidentikkan fitur dari citra sensor optik dan SAR. Untuk citra sensor SAR, metode neural network menunjukkan konsistensi yang baik dan paling tinggi ditunjukkan oleh model multinomial baik untuk citra sensor optik maupun SAR maka bersifat sensor independent classifier. Kemampuan klasifikasi model multinomial rata- rata sekitar 13.35% lebih besar sekitar 1.86% dari model Gaussian pada citra sensor optik. Sedangkan untuk citran sensor SAR, model multinomial rata-rata lebih besar sekitar 4.85% dari model Gaussian. Untuk setiap pengklasifikasi, obyek air dan hutan basah cukup mudah untuk dikenali sedangkan obyek pertanian dan lahan buka relatif sulit. Pengklasifikasi model multinomial menunjukkan konsistensi yang baik dengan memperhatikan jumlah kelas salah yang relatif sedikit, sedangkan ketiga pengklasifikasi yang lainnya menunjukkan, bahwa jumlah kelas kesalahan umumnya tersebar hampir terjadi pada semua kelas yang ada. 3.1 Tingkat Generalisasi Pengklasifikasi Tingkat generalisasi pengklasifikasi secara umum dapat dilihat melalui perhitungan norm selisih user’s accuracy dan producer’s accuracy. Generalisasi merupakan kebalikan norm selisih. Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 188 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” Perhitungan Deskriptor Co-occurrence Unit Masukan X11 X12 X13 ... X1j X21 X22 X23 ... X2j Z12 Z13 ... Z1m W1 W2 W3 W P1 Xi1 V21 V22 V23 22j V11 V12 V13 V1j Z11 ... Z21 Z23 ... Z2 Z22 ... Xi3 ... Xij Vk1 Vk2 Vk3 Vkj Zk1 W1 W2 W3 W P2 Xi2 Zk2 Zk3 Unit Pola ... Zkm W1 W2 W3 W ... Pk Unit Jumlah Ck Xij : elemen ke-ij dari co-occurrence masukan X Vkjm : bobot neuron masukan ke j untuk neuron pola m dari kelas k Wmk : bobot neuron pola ke m untuk neuron jumlah kelas k Gambar 1. Arsitektur PNN model Multinomial Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 189 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” Tabel-2: Tingkat Akurasi PNN Multinomial Citra Sensor Optik Citra Sensor SAR Selisih Keterangan : Selisih = Tingkat Akurasi (SAR – Optik) + : naik - : turun Air 99.48 97.70 -1.78 Pertanian 96.43 96.59 +0.16 Lahan Buka Hutan Basah 97.98 96.27 96.35 97.62 -1.63 +1.35 Rata-Rata 97.54 97.07 -0.47 100 90 80 70 60 50 Air Pertanian Lahan Buka Hutan Basah Kelas Obyek Citra Sensor Optik Citra Sensor SAR Gambar2: Tingkat Akurasi Model Gaussian 100 90 80 70 60 50 Air Pertanian Lahan Buka Hutan Basah Kelas Obyek Citra Sensor Optik Citra Sensor SAR Gambar 3. Tingkat Akurasi Model Multinomial Semakin kecil norm selisih, maka suatu pengklasifikasi semakin baik dan sebaliknya. Pengklasifikasi yang baik adalah yang memiliki generalisasi yang baik (besar) dan berarti pengklasifikasi akan berlaku sama untuk data sejenis lainnya. pertanian dan lahan buka, norm BPNN besar untuk pertanian dan hutan basah, norm Model Gaussian besar untuk air dan hutan basah, dan norm PNN multinomial besar untuk pertanian dan lahan buka. PNN multinomial merupakan pengklasifikasi dengan norm rata-rata paling rendah terutama untuk air. Untuk citra sensor optik, maximum likelihood menunjukkan norm yang besar untuk kelas obyek Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 190 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” Tabel-3 : Selisih User’s & Producer’s Accuracy pada Citra Sensor Optik Pertani Lahan Hutan Rata- an Buka Basah Rata Air Model Gaussian Model Multinomial 6.03 0.48 0.72 6.18 3.35 0.04 1.67 2.57 0.92 1.30 Tabel-5 : Norm User’s & Producer’s Accuracy Rata- Rata pada tiap sensor Tabel-4 : Norm User’s & Producer’s Accuracy pada citra Sensor SAR Pertani Lahan Hutan Rata- an Buka Basah Rata Air 6.12 9.35 1.45 0.71 1.15 1.44 0.31 0.58 Model Gaussian Model Multinomial 4.41 Citra Rata- Sensor Rata SAR 3.88 4.41 1.30 0.87 1.09 0.87 Model Gaussian Model Multinomial Citra Sensor Optik 3.35 7 6 5 4 3 2 1 - Air Pertanian Lahan Buka Hutan Basah Kelas Obyek Maximum Likelihood Back Propagation PNN Gaussian PNN Multinomial Gambar-4 : Selisih User’s & Producer’s Accuracy pada Citra Sensor Optik Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 191 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” 10 8 6 4 2 - Air Pertanian Lahan Buka Hutan Basah Kelas Obyek Maximum Likelihood Back Propagation PNN Gaussian PNN Multinomial Gambar-5 : Selisih User’s & Producer’s Accuracy pada Citra Sensor SAR 5 4 3 2 1 - M axim um Likelihood C itra S ensor O ptik Back Propagation PN N G aussian PN N M ultinom ial C itra S ensor S A R Gambar-6 : Selisih User’s & Producer’s Accuracy Rata-Rata pada tiap sensor Model multinomial merupakan pengklasifikai dengan norm selisih rata-rata paling rendah terutama untuk lahan buka. Norm selisih model multinomial lebih rendah untuk citra sensor SAR dibanding optik, sedang model Gaussian sebaliknya. Untuk melihat tingkat generalisasi, ditentukan dengan membandingkan kebalikan dari norm selisih. Tabel-6 : Generalisasi Rata-Rata Pengklasifikasi pada tiap sensor Citra Sensor Optik Model Gaussian Model Multinomial Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 Citra Rata- Sensor Rata SAR 0.30 0.23 0.26 0.77 1.15 0.96 TIS - 192 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” 1.4 1.2 1.0 0.8 0.6 0.4 0.2 - Maximum Likelihood Citra Sensor Optik Back Propagation PNN Gaussian PNN Multinomial Citra Sensor SAR Gambar-7 : Tingkat Generalisasi Rata-Rata Pengklasifikasi pada tiap sensor Tabel-7 : Waktu Komputasi Pengklasifikasi (cpu-time) PNN Gauss Pelatihan Pengujian Jumlah PNN Multinom 668.40 1,197.29 1,686.37 4,697.83 2,354.77 5,895.12 3.2 Tingkat Komputasi Proses pengujian pada model multinomial relatif lebh lama dengan kompleksitas sebagai berikut : a. Kompleksitas Model Gaussian ; O(f(n)) ≈ O(n). b. Kompleksitas PNN mutinomial ; O(f(n)) ≈ O(n2). Kriterian : O(n) < O(n2) Maka kompleksitas Model Gaussian < PNN multinomial. 8 dan Gambar-8 menunjukkan tingkat signifikansi model multinomial dengan derajat kebebasan 3 yaitu banyak kelas kurang 1 (k-1). Hasil yang diperoleh menunjukkan bahwa sistem yang dikembangkan signifikan untuk citra sensor optik pada α = 0.05, α = 0.025, dan α = 0.01, sedangkan untuk SAR signifikan pada α = 0.05 dan α = 0.025. Penurunan tingkat akurasi paling besar dengan PNN multinomial pada citra sensor SAR terjadi pada kelas air dan paling rendah pada lahan buka. PNN multinomial sangat dipengaruhi jumlah sampel pelatihan yang ditunjukkan oleh selisih tingkat akurasi yang besar. Tabel-8 : Chi-Square pada α:0.05, 0.025, 0.01, 0.0025 dan Chi-Square hitung pada db 3 3.3 Tingkat Signifikansi db Tingkat signifikansi ditentukan dengan menggunakan perhitungan chi-square (χ2). Jika χ2hitung > χ2tabel maka hasil yang diperoleh signifikan untuk derajat kebebasan tertentu. Tabel 3 Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 χ20.05 χ20.025 χ20.01 χ20.005 7.82 χ2hitung χ2hitung (Optik) (SAR) 9.35 11.35 12.84 12.46 10.96 TIS - 193 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” Waktu (cpu-time ) 1,400.00 1,200.00 1,000.00 800.00 600.00 400.00 200.00 - Statistik PNN Gauss PNN Multinom Pengklasifikasi Gambar-8 : Tingkat Komputasi Pelatihan 3 Pengklasifikasi Tabel-9 : Tingkat Akurasi Model Gaussian untuk Citra Sensor Optik Air 100.00 98.72 -1.28 Pertanian 94.25 90.73 -3.53 Lahan Buka 94.65 92.45 -2.20 Sampel 40 : 60 Sampel 20 :80 Selisih Keterangan : Selisih = Tingkat Akurasi Sampel (20:80 - 40:60) - : turun + : naik Hutan Basah 93.82 92.57 -1.25 Rata-Rata 95.68 93.62 -2.06 14 12 10 8 6 4 2 0 0.05 0.025 0.01 0.005 Optik SAR Tingkat Signifikansi Gambar-9 : Chi-Square pada db 3 Tabel-10 : Tingkat Akurasi Pengklasifikasi Rata-Rata pada Citra Sensor Optik Model Gaussian Model Multinomial Sampel 40 : 60 95.68 97.54 Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 Sampel 20 :80 93.62 94.09 TIS - 194 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” 105 85 65 45 25 Maximum Likelihood Back Propagation PNN Gaussian PNN Multinomial Pengklasifikasi Sampel 40 : 60 Sampel 20 :80 Gambar-10 : Tingkat Akurasi Pengklasifikasi Rata-Rata pada Citra Sensor Optik Tabel-11 : Tingkat Akurasi Pengklasifikasi Rata-Rata pada Citra Sensor SAR Model Gaussian Model Multinomial Sampel 40 : 60 92.21 97.07 Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 Sampel 20 :80 90.26 94.92 TIS - 195 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” 105 85 65 45 25 Maximum Likelihood Back Propagation PNN Gaussian PNN Multinomial Pengklasifikasi Sampel 40 : 60 Sampel 20 :80 Gambar 11 : Tingkat Akurasi Pengklasifikasi Rata-Rata pada Citra Sensor SAR 4. KESIMPULAN Pengklasifikasi model multinomial cocok untuk diterapkan pada citra optik dan Synthetic Aperture Radar (SAR). Hasil ini menguatkan penelitian Murni (1997), bahwa citra optik dan SAR mengandung bagian homogen dan tekstur. Pengklasifikasi model multinomial merupakan metode pengklasifikasi yang bersifat sensor independent classifier yang menghasilkan akurasi lebih baik dari pengklasifikasi Model Gaussian pada kasus yang serupa. Model multinomial memiliki tingkat generalisasi relatif tinggi dan signifikan pada α 0.05 dan 0.025, namun membutuhkan sampel pelatihan yang sedikit besar. Pengklasifikasi model multinomial dapat meningkatkan akurasi klasifikasi citra sensor optik sampai sekitar 13.35% dan citra sensor SAR sampai 15.62% Metodologi pengklasifikasi yang diusulkan merupakan mekanisme optimal untuk citra penginderaan jarak jauh dan bersifat sensor independent classifier pada lingkungan optik dan SAR. Pengklasifikasi yang diusulkan sebagai metode alternatif dari pengklasifikasi Model Gaussian yang memiliki masalah antara lain waktu, kebergantungan sensor, dan tingkat akurasi. DAFTAR PUSTAKA [1]. Fausett, L., Fundamentals Networks, Prentice Hall, 1994. of [2]. Frean, M., The Upstar Algorithm : A Method for Constructing and Training Feedforward Neural Networks, Neural Computa., vol.2, 1990, 198 – 209. [3]. Freeman, J.A. and D.M. Skapura, Neural Networks : algorithm, application and programming techniques, Addison Wesley, 1991. [4]. Haykin Simon, Neural Network: A Comprehensive Foundation, Prentice-Hall, New Jersey, 1994. [5]. Rich, E. and K. Knight, Artificial Intelligence, 2nd ed., McGraw-Hill, Inc., 1991. [6]. Russel and Norvig, Artificial Intelligence : A Modern Approach, (Prentice Hall, 1995). [7]. Setiawan W., A. Murni dan B. Kusumoputro, Pendekatan Neural Network berbasis Algoritma EM untuk masalah Klasifikasi Campuran Neural Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 196 Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” [8]. Setiawan W., A. Murni, and B. Kusumoputro, Proceeding The 2002 International Conference On Opto-Electronic and Laser Applications, Jakarta, 2002. [9]. Setiawan W., A. Murni, and B. Kusumoputro, Probabilistic Neural Network Based On Multinomial Model For Remote Sensing Image Classification, Proceeding International Conference On Computer, Communication and Control Technologies CCCT’03, The 9th International Conference on Information Systems Analysis and Synthesis ISAS’03, Florida, USA, 2003. [10]. Setiawan W., A. Murni, dan B. Fusi Data Sensor Optik dan Synthestic Apreture Radar (SAR) : Pendekatan Statistik dan Jaringan Syaraf Tiruan, Prosiding Pertemuan Ilmiah Tahunan XII Masyarakat Penginderaaa Jauh Indonesia, Bandung, 2003. [11]. Setiawan W., and A. Murni, Evaluation of Several Classification Methods for Land Cover Development Constrain Parameters, Proceeding World Multiconference on Systemic, Cybernetics and Information, Florida, USA, 2000. [12]. Setiawan W., and B. Kusumoputro, Shape and color analysis of Malignant Skin Cansers Using Artificial Neural Network Approach, Proceeding Proc. 5th Asian Symp. On Visualization, Jakarta, 1998. [13]. Setiawan W., dan B. Kusumoputro, Pengembangan Algoritma Propagasi Balik Untuk Pengenalan Image Wajah Berbasis Eigenfaces, Jurnal ICIS, Jakarta, 2001. [14]. Setiawan W., dan B. Kusumoputro, Propagasi Balik Termodifikasi Untuk Pengenalan Image Wajah Menggunakan Jaringan Neural Buatan Berbasis Eigenfaces, Prosiding SNKK I, Jakarta, 1999. [15]. Winston, P.H., Artificial Intelligence,3rd ed., MA : Addison – Wesley Pub., 1992. Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005 TIS - 197