Kontribusi Penelitian - SUPERVISED IMAGE CLASSIFICATION UNTUK FENOMENA CHAOS ANGIN PUTING BELIU

BAB 1 PENDAHULUAN

1.5. Kontribusi Penelitian

1) Penelitian ini menghasilkan satu buah model supervised image classification melalui algoritma Edge Detection metode Robert untuk mendapatkan batas tepi pada lapisan Awan Cumulonimbus yang merupakan pembentukan awal akan terjadinya puting beliung.

2) Diperoleh satu interval nilai minimum dan maksimum Average Correlation Angle berdasarkan spektrum warna biner yang merupakan hasil ekstraksi dari citra RGB menggunakan algoritma Edge Detection melalui algoritma Spectral Angle Mapper pada Supervised Classification berbasis image.

3) Model yang dihasilkan dapat digunakan pada alat sebagai fairmware untuk mendeteksi awal akan terjadinya Angin Puting Beliung.

4) Data hasil pengolahan dalam penelitian ini, dapat dijadikan sebagai dataset yang bisa diakses secara online.

BAB 2

CHAOS DAN SUPERVISED IMAGE CLASSIFICATION

2.1. Chaos

Ciri khas chaos adalah terdiri dari kumpulan titik-titik yang rapat dengan orbit-orbit yang muncul atau terjadi pada selang waktu yang tetap (priodik), sensitif pada kondisi awal. Artinya, chaos atau kekacauan adalah fenomena yang memiliki aturan yang mendasari tentang sesuatu yang pasti terjadi (deterministik) secara berulang yang tidak teratur. (Alvarez-Ramirez et al., 2016) dan (Munakata, 2008)

2.1.1. Konsep Dasar Chaos

Dalam kehidupan sehari-hari, salah satu mungkin berkata "kekacauan" untuk menggambarkan situasi gangguan ekstrim, ketidakteraturan, atau kebingungan.

Dalam hal ini, mungkin bertanya-tanya apa chaos hubungannya dengan sesuatu yang berguna, terutama pada komputasi cerdas. Arti ilmiah dari sistem chaos atau kekacauan untuk jangka pendek, yang di gunakan antara lain memiliki satu ciri khas. Suatu gerakan sekecil apa pun akan menimbulkan akibat yang sangat besar. Kemungkinan akibat tersebut tidak dapat dirasakan pada waktu dan tempat yang diharapkan. Mulai dari ketidakpastian, ketidakteraturan dan chaos dapat menjadi sumber inspirasi dan awal dari suatu karya.

2.1.2. Pandangan Sederhana Tentang Fenomena dan Chaos

Untuk memudahkan pemahaman, ada dua parameter sederhana untuk klassifikasi fenomena diantaranya sebagai berikut :

1). Keteraturan penampilan di permukaan;

2). Karakteristik aturan yang mendasar, dapat ditunjukkan pada tabel 2.1.

Tabel 2.1. Karakteristik Aturan Dasar Chaos

Jenis Fenomena Penampilan Aturan Dasar

1. Reguler Reguler/Teratur Deterministik

2. Statistik Reguler/Teratur Probabilistik

3. Chaos Tidak Teratur Deterministik

4. Acak Tidak Teratur Probabilistik

Contoh dari fenomena ini adalah:

1) Reguler: Penampilannya teratur atau tetap, aturan dasarnya adalah deterministik yaitu sesuatu yang dapat diukur dengan derajat kepastian.

2) Statistik: Jenis fenomena yang penampilannya teratur atau tetap, aturan dasarnya adalah probabilistik artinya secara statistik adanya faktor kemungkinan akan terjadinya suatu peristiwa.

3) Chaos: Jenis fenomena yang penampilannya tidak teratur, aturan dasarnya adalah deterministik yaitu sesuatu yang diukur dengan derajat kepastian.

4) Random: Jenis fenomena yang penampilannya tidak teratur, aturan dasarnya adalah probabilistik yaitu adanya kemungkinan akan terjadinya kejadian atau peristiwa.

Pada umumnya batas antara chaos deterministik dan sistem random probabilistik tidak selalu jelas, karena sistem random bisa memiliki aturan yang mendasari deterministik yang belum ditemukan (mungkin hanya Tuhan yang tahu saat ini). (Gries and Schneider, 2008}

Contoh sederhana Chaos yaitu Pseudo_Random Number Generator yaitu merupakan suatu contoh dari sistem chaos dalam Ilmu Komputer. Aturan dasar dari Pseudo_Random Number Generator biasanya rumus deterministik sederhana, dimana solusi yang dihasilkan yaitu angka Pseudo. Chaos yaitu sangat tidak teratur dan tidak dapat diprediksi (semakin tidak dapat diprediksi, semakin baik angka acaknya). Dalam hal ini adanya perubahan kecil dalam kondisi awal dapat menghasilkan urutan chaos yang berbeda secara signifikan.

Gambaran prilaku Chaos, dapat digunakan rumus : (Munakata, 2008)

= mod m……….(2.1)

Jika persamaan = adalah linier, maka dengan adanya mod m menjadi non linier. Untuk tujuan ilustrasi, dimisalkan = mod 997, dapat ditunjukkan pada Gambar 2.1.

Gambar 2.1. Prilaku Chaos pada Pseudo_Random Number

Gambar 2.1. menunjukkan dua urutan angka pada Pseudo_Random Number, dimana satu urutan memiliki nilai 117 sementara yang lain menggunakan nilai 118 yang sedikit berbeda. Adanya titik sudut diskrit dari grafik menunjukkan urutan yang menghubungkan titik-titik dengan segmen garis.

Seperti halnya banyak istilah dalam science, tidak ada definisi standar tentang chaos. Ciri-ciri dari chaos yang umum adalah:

1). Deterministic. Dalam hal ini deterministik memiliki aturan yang mendasari probabilistik dari sistem untuk masa depan.

2). Nonlinear. Aturan yang mendasari adalah nonlinear; jika linear, tidak terjadi chaos.

3). Irregular. Perilaku sistem menunjukkan ketidakteraturan berkelanjutan.

Agar tersembunyi mencakup sejumlah besar atau tak terbatas dari pola gerakan periodik tidak stabil. Sehingga sistem chaos tidak teratur yang tersembunyi ini membentuk infrastruktur - "urutan gangguan" singkatnya.

4). Peka terhadap kondisi awal. Perubahan kecil dalam keadaan awal sistem yang chaos dapat menyebabkan perilaku yang sangat berbeda. "Butterfly Effect," hal ini menyajikan kemungkinan bahwa adanya gangguan sedikit dari kepakan sayap kupu-kupu secara dramatis dapat mempengaruhi apakah langit cerah atau berawan dikemudian hari.

5). Panjang wakt u( t ). Prediksi praktis tidak mungkin dalam banyak kasus karena ketidakteraturan berkelanjutan dapat diketahui presisi yang terbatas dan kepekaan terhadap kondisi awal. (Boeing, 2016)

2.1.3. Penelitian Teori Chaos

Penelitian sebelumnya membahas deskripsi yang lebih matematis dari chaos.

Umumnya, masalah nonlinier secara analisis sulit untuk dipecahkan, kecuali dalam beberapa kasus yang terbatas. Hal ini menjadi alasan banyak ilmuwan dan insinyur pada umumnya menghindar dari masalah nonlinear. Chaos merupakan salah satu masalah nonlinear yang paling sulit untuk dipecahkan. Secara empiris, studi tentang chaos dimulai dalam bidang ilmu matematika dan fisika. Hal ini kemudian diperluas ke dalam ilmu teknik, yang menjadi studi pada ilmu informasi dan ilmu-ilmu sosial. Saat ini, telah ada minat dalam kajian teoritis dan aplikasi sistem chaos. Ada beberapa alasan yang mendasari penelitian chaos.

Salah satunya adalah pentingnya studi di banyak disiplin ilmu. Elemen kunci lain adalah kekuatan, kecepatan dan kapasitas memori perangkat keras komputer mudah diakses. Meskipun sejarah penelitian sistem chaos bukan merupakan hal yang baru. (Chen et al., 2012) dan (Pramitasari & Wardoyo, 2013)

Pada dasarnya teori Chaos adalah teori yang berkenaan dengan sistem yang tidak teratur. Banyak ditemukan pada objek-objek seperti awan, pohon, garis pantai, ombak dan angin puting beliung. Sekilas, sistem-sistem tersebut terlihat acak dan tidak teratur. Jika dilakukan pembagian (fraksi) atas bagian-bagian yang kecil, maka sistem yang besar yang tidak teratur ini didapati sebagai pengulangan dari bagian-bagian yang teratur. Secara statistik bisa dinyatakan bahwa Chaos adalah kelakuan stokastik dari sistem yang deterministik. Sistem yang deterministik (sederhana, satu solusi) bila ditumpuk-tumpuk akan menjadi sistem yang stokastik (rumit atau solusi banyak). (Alvarez-Ramirez et al., 2016)

Dalam chaos adanya tingkat ketidakberaturan yang sama pada skala yang berbeda, dinamakan fraktal yaitu untuk menggambarkan pola yang terlihat di dalam ketidakberaturan, seperti yang terdapat pada objek awan dan angin puting beliung.

2.1.4. Fraktal

Fraktal adalah objek secara geometris yang memiliki bentuk diantaranya sebagai berikut :

a) Recursive Self_similarity (Kesamaan Secara Rekursif). Pada skala kecil bagian yang diperbesar dari objek memiliki bentuk yang sama atau mirip dengan bentuk aslinya.

b) Non Integer (Tidak Bilangan Bulat), yaitu dimensi fraksional. Fraktal yang memiliki dimensi fraksional seperti 2.26 atau 3.05, untuk dimensi integer atau bilangan bulat seperti 1,2 atau 3.

Apakah hubungan antara fraktal dengan chaos. Fraktal adalah objek geometris atau segala sesuatu yang ada di bumi (ukuran bumi) dari image yang statis/tetap, chaos adalah pola yang dinamis atau berubah ubah, dimana gerakan pada suatu titik menjadi objek yang utama. Hal inilah hubungan antara adanya fraktal dengan chaos (Alvarez-Ramirez et al., 2016) dan (Munakata, 2008). Topik dasar dalam geometris adalah bentuk Garis dan Angle. Seperti yang terdapat pada image dataset angin puting beliung dan awan. Dalam fraktal terdapat istilah dimensi, yaitu untuk mewakili tingkat geometris. Struktur fraktal dapat ditemukan diantaranya seperti yang terdapat pada objek angin puting beliung dan objek awan cumulus stage, awan cirrus, awan nimbo stratus dan awan cumulonimbus. Dalam hal ini teori chaos berawal dari ketidaksimetrisan, ketidakberaturan dan kechaosan pada salah satu objek angin puting beliung yang kemudian menghasilkan suatu pola yang teratur dan pola yang berulang. Dalam hal ini seperti yang terdapat pada objek angin puting beliung, yaitu memiliki tingkat geometris yang sering disebut dengan istilah dimensi fraktal.

2.1.5. Dimensi Fraktal

Menggunakan istilah "dimensi" untuk mewakili tingkat geometris. Dalam ruang Euclidean (Cartesian), dimensi 1 adalah ruang bentuk garis, dimensi 2 untuk bidang, dan dimensi 3 adalah garis dan bidang. Gagasan ini sedikit diperluas, dimensi dapat dikatakan sebagai jumlah minimum koordinat atau variabel yang diperlukan untuk mewakili setiap titik dalam ruang. Misalnya, dimensi kurva halus adalah 1, karena setiap titik dalam ruang (misal., Pada kurva) dapat diwakili oleh satu angka jarak sepanjang kurva dari titik asalnya (Gambar. 2.3).

Gambar 2.2. Kurva Dimensi 1

Secara umum, dimensi dapat berupa semacam ukuran yang mencirikan sifat-sifat yang mengisi ruang untuk sekumpulan titik dalam ruang. Dengan menggunakan interpretasi dimensi yang lebih luas, dapat mendefinisikan tipe dimensi lain termasuk yang fraksional. Istilah generik yang memungkinkan nilai fraksional adalah dimensi fraktal. Berbagai jenis dimensi dapat digunakan dalam dimensi fraktal dengan menggunakan definisi yang berbeda. Dalam hal ini dimensi apa yang sesuai untuk menunjukkan bahwa dimensi bukan 1 atau 2, tetapi dimensi fraktal. (Boeing, 2016) dan Munakata (2008).

Untuk mengatasi masalah ini, di perkenalkan konsep baru yang disebut dimensi kesamaan yaitu dimensi fraktal sederhana.

a) Similarity Dimension (Kemiripan Dimensi)

Dengan mempertimbangkan dalam mempartisi bentuk dimensi-d, seperti segmen garis, bujur sangkar atau kubus dalam ruang Euclidean, ke dalam bentuk yang serupa, yang diperkecil dengan faktor r. Hubungan antara d, p, dan r adalah p = r^d (Gambar 2.6). Meskipun kasus untuk d = 3 tidak ditunjukkan pada Gambar 2.6, hubungan yang sama berlaku untuk d = 3;

misal, ketika r = 2, sebuah kubus dibagi menjadi p = r^d = 2³ = 8 merupakan kubus yang diperkecil.

Dimensi d yang memenuhi hubungan p = r^d dari integer dapat diperluas untuk dimasukkan dalam dimensi fraktal, yang disebut dengan similarity dimension (dimensi kesamaan). Dengan mengambil logaritma p = r^d dengan basis apa pun, dapat dimiliki pada: log p = d log r, atau dengan memilih logaritma natural, ln, dimana ln p = d ln r. Secara eksplisit dengan menulis dalam bentuk d, di definisikan dimensi kesamaan sebagai:

d = ……….……….(2.2.)

Gambar 2.3 Bentuk partisi dimensi-d menjadi bentuk yang serupa, diperkecil oleh faktor r. Dapat dilihat bahwa p = r^d.

Gambar diatas faktor r = 3 dan p = 4. Oleh karena itu, dimensi kesamaan adalah (ln 4) / (ln 3) = 1.26186. Seperti disebutkan sebelumnya, dimensi fraktal lain dapat didefinisikan, dan dimensi bentuk chaos, seperti chaos attractor dan diagram bifurkasi, dapat ditentukan.

Gambar pada angin puting beliung dan awan merupakan salah satu bentuk visual gambar fraktal, yang telah dikembangkan dengan menggunakan grafik komputer.

Konsep fraktal geometrik adalah sejarah utama berkembangnya dalam ilmu sistem chaos.

2.1.6. Aplikasi Chaos

Aplikasi baru yang berpotensi secara praktis yang sedang diteliti adalah tentang chaos. Pada bagian ini, akan dibahas secara singkat ide-ide dasar dari berbagai jenis aplikasi chaos. Untuk memudahkan pemahaman, chaos dapat diklasifikasikan ke dalam empat tipe sebagai berikut:

1) Kontrol dan Stabilisasi 2) Sintesis

3) Analisis dan Prediksi 4) Sistem Hibrida

Selanjutnya keempat jenis aplikasi chaos yang akan dibahas dan sebagai contoh pada bagian aplikasi yang berpotensi dalam berbagai disiplin ilmu sebagai berikut.

1) Kontrol dan Stabilisasi

Sistem kontrol dan stabilisasi dapat untuk menstabilkan atau mengendalikan secara sensitivitas dari sistem ekstrem pada gangguan yang kecil. Gagasan mendasar adalah bahwa gangguan kecil dapat diartikan secara artifisial untuk mengendalikan atau menstabilkan sistem yang besar yang mengarahkan pada sistem kacau ke keadaan yang diinginkan (kontrol) atau untuk membuatnya stabil (stabilisasi). Biasanya operasi kontrol atau stabilisasi seperti itu membutuhkan jumlah energi yang jauh lebih kecil daripada sistem non chaotic. Contoh yang baik dari jenis aplikasi ini adalah sistem kontrol satelit pada NASA.(Alvarez-Ramirez et al., 2016)

2) Sintesis

Untuk membuat sistem bekerja lebih baik, keluaran chaos secara artifisial yang dihasilkan dapat diterapkan pada jenis masalah tertentu, baik chaos atau non-chaos. Gagasan mendasar adalah bahwa keteraturan tidak selalu yang terbaik, tergantung pada jenis masalah. Dimana gelombang chaos pada lapisan angin puting beliung dan awan secara sintetis dapat menghasilkan keluaran chaos.

Dalam komunikasi, sinyal chaos yang dihasilkan secara artifisial dapat mengikuti urutan yang ditentukan, sehingga memungkinkan untuk mengirimkan informasi.

Fluktuasi chaos yang dihasilkan secara artifisial dapat digunakan untuk menstimulasi solusi yang sedemikian rupa untuk mendapatkan keluaran dari minimum lokal pada masalah optimisasi atau pembelajaran seperti dalam jaringan saraf tiruan.

3) Analisis dan Prediksi

Ketika berhasil memodelkan sistem chaos, yang dapat digunakan untuk menganalisis sistem time series. Dalam hal ini kemudian dapat mengarah pada pemahaman yang lebih baik atau desain sistem yang lebih efisien. Atau, dapat digunakan untuk prediksi atau deteksi perilaku sistem dalam waktu dekat.

Misalnya, pada cuaca, dan iklim seperti osilasi El Niño. Analisis yang sering digunakan adalah dengan analisis statistik melalui nilai mean, standard deviasi dan average correlation angle. Analisis tersebut dapat digunakan sebagai alat bantu untuk memprediksi cuaca dan iklim yang akan muncul secara cepat dan ekstrim. Salah satu diantaranya adalah dalam memprediksi akan terjadinya angin

puting beliung yang terdapat pada salah satu awan diantaranya seperti yang terdapat pada awan cumulonimbus.

4) Sistem Hybrid

Pada bidang AI lainnya, seperti jaringan saraf (tiruan), algoritma genetika, dan logika fuzzy dapat digunakan bersama dengan chaos, seperti, misalnya, jaringan saraf + chaos, atau jaringan saraf + fuzzy + kekacauan. Konsep dasar dari sistem hybrid tersebut adalah untuk saling melengkapi kekuatan masing-masing, sehingga menciptakan pendekatan baru untuk menyelesaikan masalah.

Jaringan saraf + Jaringan saraf dimodelkan pada jaringan saraf biologis atau otak manusia, dan otak menunjukkan perilaku kacau. Oleh karena itu, wajar untuk menggabungkan kekacauan dengan studi jaringan saraf. Sistem biologis yang kacau mampu melakukan tugas-tugas kompleks seperti produksi suara, pengenalan pola visual dan audio, dan kontrol motor, dengan fleksibilitas. Tugas-tugas ini sulit dicapai oleh sistem teknik reguler. Sistem kekacauan buatan telah dimasukkan dengan model backpropagation dan memori asosiatif. Dari sudut pandang teknik, jaringan saraf yang chaos itu dapat diterapkan untuk prediksi dan kontrol. Dari sudut pandang ilmiah, jaringan tersebut dapat mengarah pada pemahaman yang lebih baik dari jaringan saraf biologis di mana otak yang normal menunjukkan kekacauan. Juga, seperti dibahas sebelumnya, fluktuasi kacau yang dihasilkan secara artifisial dapat digunakan untuk melarikan diri dari minimum lokal untuk beberapa jenis jaringan saraf.

Algoritma genetika + Chaos merupakan Aplikasi yang potensial mencakup penggunaan kekacauan sebagai alat untuk meningkatkan algoritma genetika.

Misalnya, fungsi kacau tertentu, bukan angka acak, dapat digunakan dalam proses crossover. Hal ini dapat mengubah karakteristik solusi algoritma genetik, menuju situasi yang lebih diinginkan seperti menghindari konvergensi dini. Ini dapat diartikan sebagai penggunaan fungsi chaos yang dibuat secara artifisial untuk melarikan diri dari minimum lokal.

Pemodelan chaos dari algoritma genetika dapat menjadi contoh lain dari potensi penggunaan chaos sebagai alat untuk menganalisis algoritma genetika. Algoritma genetika, terutama bagi mereka yang menghasilkan solusi kacau, dapat dianalisis dengan model chaos. Sebaliknya, algoritma genetika dapat menjadi alat yang

berguna untuk menggambarkan sistem kacau yang kompleks di mana pemodelan matematika umum sulit.

Logika fuzzy + Kekacauan Sistem fuzzy cocok untuk penalaran yang tidak pasti atau perkiraan, terutama untuk sistem yang sulit diperoleh dengan model matematika. Logika fuzzy dapat digunakan untuk menggambarkan sistem dinamik yang kacau. Dari sudut pandang aplikasi, kontrol mungkin adalah domain yang paling menjanjikan dari sistem hybrid chaos-fuzzy.

Awan cumuonimbus dan angin puting beliung merupakan kejadian alam yang terjadi secara tiba-tiba yang sering disebut dengan Fenomena. Sedangkan chaos merupakan pola atau sistem yang tidak teratur dan tidak dapat diprediksi seperti yang terdapat pada awan cumulonimbus maupun angin puting beliung.

Atas dasar konsep antara fenomena dan chaos, maka penelitian ini dinamakan dengan fenomena chaos angin puting beliung. Adapun fenomena chaos angin puting beliung yang tidak teratur dan tidak dapat diprediksi, nantinya dapat digunakan sebagai dasar agar bisa diprediksi melalui lapisan yang tidak teratur pada awan cumulonimbus dengan melakukan beberapa tahapan. Lapisan yang terdapat pada awan cumulonimbus dapat diklassifikasikan sebagai fenomena chaos yang memiliki garis batas (boundary) yang dapat membawa terjadinya angin puting beliung.

Tahapan-tahapan yang dilakukan adalah dengan menggunakan algoritma yang terbentuk yaitu algorithma Fenomena Chaos Spectral Angle Mapper.

Adapun tahapan-tahapannya pertama dilakukan dengan mencari batas tepi yang ekstrem pada lapisan image awan cumulonimbus dengan menggunakan algoritma Edge Detection. Setelah didapat batas tepi pada lapisan awan cumulonimbus, tahapan berikutnya melakukan proses clustering dengan menggunakan metode unsupervised image classification dengan mendapatkan nilai standard deviasi dan nilai mean. Setelah cluster terbentuk pada lapisan awan cumulonimbus, selanjutnya dilakukan proses klassifikasi dengan menggunakan metode supervised image classification yang menghasilkan nilai Average Correlation Angle melalui algoritma Spectral Angle Mapper. Average Correlation Angle merupakan suatu nilai rata-rata sudut korelasi antara variabel x dan y pada spektrum warna RBG pada lapisan awan cumulonimbus.

2.2. Supervised Image Classification

(Devi And Baboo, 2011) mengemukakan ada beberapa metode yang digunakan pada klassifikasi yang diawasi (Supervised Classification) berbasis image, diantaranya Maximum Likelihood Classification (MLC), Minimum Euclidean Distance Classification (MEDC), Parallel Piped Classification (PPC), ECHO Classification (ECHOC), Spectral Angle Mapper Classification (SAMC).

2.2.1. Maximum Likelihood Classification (MLC)

Metode ini didasarkan pada nilai piksel yang sama dan pengenalan pada citra serta dapat membandingkan dan memperhitungkan nilai rata-rata dari keragaman antar kelas dan band/saluran yang ada seperti pada gambar 2.4.

Gambar 2.4. Metode MLC (Sumber : Lillesand, 2001)

Yaitu menghitung probabilitas bahwa piksel tertentu milik kelas tertentu. Setiap piksel diarahkan ke kelas yang memiliki probabilitas tertinggi (yaitu, kemungkinan maksimum).

2.2.2. Minimum Euclidean Distance Classification (MEDC)

Merupakan metode klassifikasi diawasi yang cara klassifikasinya berdasarkan dengan melihat jarak terpendek antara nilai kecerahan suatu piksel dengan rata-rata kelas yang ingin diklassifkasikan seperti pada gambar 2.5.

Gambar 2.5. Metode MEDC (Sumber : Lillesand, 2001)

Yaitu menggunakan vektor rata-rata untuk setiap kelas dan menghitung jarak Euclidean dari setiap piksel yang tidak diketahui ke vektor rata-rata untuk setiap kelas. Piksel diklasifikasikan ke kelas terdekat.

2.2.3. Parallel Piped Classification (PPC)

Merupakan metode klassifikasi diawasi yang berfungsi untuk mengetahui kecerahan rata-rata kelas pada semua band/saluran pada image seperti pada gambar 2.6.

Gambar 2.6. Metode PPC (Sumber : Lillesand, 2001)

Klasifikasi parallelepiped ditentukan berdasarkan ambang standar deviasi dari rata-rata setiap kelas yang dipilih. Jika nilai piksel berada di atas ambang rendah dan di bawah ambang tinggi untuk semua n band yang diklasifikasikan.

2.2.4. Spectral Angle Mapper (SAM) Classification

Metode ini berdasarkan sudut antara spektra dalam ruang dengan dimensi yang sama dengan jumlah band. Dengan menghitung sudut antara kedua spektrum yang membentuk vektor dalam ruang dengan dimensi yang sama dengan jumlah saluran atau band (band a dan band b) seperti pada gambar 2.7.

Gambar 2.7. Metode SAM Classification (Sumber : Lillesand, 2001)

Merupakan klasifikasi spektrum yang menggunakan sudut n-dimensi untuk mencocokkan piksel dengan data pelatihan. Metode ini menentukan kesamaan spektral antara dua spektrum dengan menghitung sudut antara kedua spektrum dan sebagai vektor dalam ruang dengan dimensi sama dengan jumlah saluran atau band. Band dalam hal ini adalah warna, misalnya menggunakan warna biner atau citra grayscale.

Metode SAM juga merupakan metode otomatis untuk mengklassifikasikan objek dalam satu piksel secara homogen untuk mendapatkan nilai reflektansi dari piksel.

Pengukuran spektra dilakukan dengan bantuan spektrometer yang dapat merekam pantulan gelombang elektromagnetik dari objek. Atau secara langsung dengan menentukan kesamaan spektra antara dua spektrum yang terdapat pada lapisan-lapisan dataset image awan cumulonimbus dan pada dataset image angin puting beliung. Metode ini tidak peka terhadap pencahayaan karena algoritma SAM hanya menggunakan arah vektor dan bukan panjang vektor. Hasil klassifikasi SAM adalah image awan cumulonimbus yang memiliki lapisan-lapisan yang menunjukkan kecocokan terbaik pada setiap piksel.

Gambar 2.8. Arah Vektor Algoritma SAM

Pada gambar 2.8. merupakan ilustrasi atau gambaran dari klassifikasi dengan metode SAM, hasil pengukuran spektral dengan bantuan spektrometer yang dapat merekam pantulan gelombang elektromagnetik dari objek. Misalnya pantulan cahaya yang terbentuk pada spektrum warna dasar yaitu RGB menghasilkan sudut spektral (α) melalui arah vektor pada variabel atau sumbu x (disimbolkan dengan N) dan variabel atau sumbu y (disimbolkan dengan P). Dim merupakan diameter lingkaran image, Denp merupakan diameter untuk penentuan sudut spektral.

Adapun arah vektor yang terdapat dan dihasilkan pada lapisan-lapisan image dataset awan cb dan angin puting beliung menghasilkan nilai average correlation angle. Average Correlation Angle merupakan rata-rata sudut korelasi, dimana sudut korelasi adalah teknik analisis dalam statistik yaitu sudut yang memiliki hubungan antara dua variabel atau derajat hubungan atau derajat asosiasi misal variabel x dan variabel y. Kedua variabel tersebut dikatakan berkorelasi apabila ada perubahan pada variabel yang satu akan diikuti oleh perubahan pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif) atau berlawanan

Dalam dokumen SUPERVISED IMAGE CLASSIFICATION UNTUK FENOMENA CHAOS ANGIN PUTING BELIUNG BERDASARKAN AVERAGE CORRELATION ANGLE DISERTASI. Oleh (Halaman 20-0)