Annual Research Seminar (ARS) 2019 ISBN : 978-979-587-846-9 Fakultas Ilmu Komputer UNSRI Vol.5 No.1
Klasifikasi Citra Hiperspektral Pada Kasus Tutupan
Lahan Menggunakan Metode Convolutional Neural
Network (CNN)
1st Yesinta Florensia 2nd Samsuryadi 3rd Saparudin
Fakultas Ilmu Komputer Fakultas Ilmu Komputer Fakultas Ilmu Komputer Universitas Sriwijaya Universitas Sriwijaya Universitas Sriwijaya
Palembang, Indonesia Palembang, Indonesia Palembang, Indonesia
yesinta.florensia@gmail.com samsuryadi@unsri.ac.id saparudin@unsri.ac.id
Abstrak—Informasi tutupan lahan dengan citra
penginderaan jauh (inderaja) berbasis hiperspektral sangat efektif dalam pengelolaan peruntukan penggunaan lahan secara tepat. Selain dapat memberikan informasi keragaman spasial secara luas, cepat dan mudah, citra ini memiliki ratusan band spektral yang dapat memberikan struktur informasi permukaan bumi berdasarkan reflektansi gelombang elektromagnetik yang diterimanya. Metode One Dimensional Convolutional Neural Network (1D CNN) menunjukkan performa yang cukup baik pada klasifikasi tutupan lahan berbasis citra hiperspektral. Pada penelitian ini akan dilakukan analisis performa metode 1D CNN pada dataset Indian Pines 16 kelas, dimana sebelumnya metode 1D CNN diimplementasikan pada dataset Indian Pines 9 k elas. Hasil klasifikasi terbaik diperoleh pada percobaan 10000 epoch dari lima percobaan epoch yang berbeda dengan Overall Accuracy (OA) 88.97% dan Kappa 87.4%.
Kata Kunci—Penginderaan Jauh, Klasifikasi Tutupan Lahan, Hiperspektral, Convolutional Neural Network, 1D CNN
Abstract— Land cover information based hyperspectral remote sensing imagery is very effective in the proper management of land use designations. Besides being able to provide wide, fast and easy information on spatial diversity, this image has hundreds of spectral bands that can provide the structure of the earth's surface information based on the reflectance of electromagnetic waves. One Dimensional Convolutional Neural Network (1D CNN) method shows good performance in the classification of land cover based on hyperspectral images. In this study, we will analyse performance of the 1D CNN method on the 16 c lass Indian Pines dataset, where previous work implement 1D CNN on the 9 class Indian Pines dataset. The best classification results were obtained in 10000 epoch from five different epoch experiments with Overall Accuracy (OA) 88.97% and Kappa 87.4%.
Keywords—Remote Sensing, Land Cover Classification, Hyperspectral, Convolutional Neural Network, 1D CNN
I. PENDAHULUAN
Klasifikasi citra hiperpsektral pada kasus tutupan lahan telah banyak diteliti. Dengan perkembangan teknologi penginderaan jauh, semakin mudah untuk memperoleh data hiperspektral yang dapat diimplementasikan dalam banyak bidang termasuk pemantauan kondisi permukaan bumi seperti pemantauan lingkungan, bencana alam, pemanfaatan lahan perkebunan dan pertanian, sistem pengawasan, pertahanan tanah air, pengintaian militer dan perencanaan kota yang dapat membantu persebaran [1]. Keuntungan penggunaan citra hiperspektral salah satunya adalah memiliki resolusi yang tinggi dalam separasi obyek permukaan bumi [2]. Hasil pengolahan citra hiperspektral adalah citra tematik dengan level atau kategori lebih dalam dari umumnya kelas tematik yang dihasilkan dari citra multispektral dan melimpahnya informasi spasial untuk sejumlah aplikasi [3].
Akan tetapi, dalam klasifikasi citra hiperspektral, sulit melakukan pelabelan secara manual, dan ketersediaan sampel pelatihan berlabel terbatas adalah hambatan utama[1]. Mengembangkan metode efisien untuk memproses gambar hiperspektral dengan lebih dari 100 band adalah hal yang sulit. Selain itu, dalam konteks klasifikasi yang diawasi, dimensi tinggi juga membawa masalah yang disebut sebagai "fenomena Hughes" yang akan mempengaruhi kinerja klasifikasi [4]. Pada beberapa penelitian sebelumnya telah diterapkan klasifikasi tutupan lahan berbasis citra hiperspektral dengan fitur spektral-spasial untuk mengatasi permasalahan keterpisahan kelas (fenomena hughes) yang disebabkan sampel terbatas. Beberapa metode klasifikasi seperti SVM dan CNN terbukti menghasilkan akurasi yang tinggi pada kasus ini. Penelitian oleh [5] melakukan 262
Annual Research Seminar (ARS) 2019 ISBN : 978-979-587-846-9 Fakultas Ilmu Komputer UNSRI Vol.5 No.1 perbandingan metode 1D CNN dan SVM pada beberapa
dataset salah satunya Indian Pines. Hasilnya metode 1D CNN memperoleh akurasi yang lebih tinggi dibanding SVM. Namun penelitian oleh [5] hanya menggunakan dataset Indian Pines dengan 9 kelas. Oleh karena itu penelitian ini, akan menganalisis performa metode 1D CNN pada dataset Indian Pines dengan 16 kelas dan melakukan uji coba pada beberapa epoch.
II. TINJAUANPUSTAKA
2.1 Penginderaan Jauh
Penginderaan jauh merupakan serangkaian pengamatan permukaan bumi yang menghasilkan citra dengan sudut pandang atas, menggunakan suatu alat untuk memperoleh informasi tanpa melakukan kontak secara langsung dengan obyek atau fenomena yang dikaji tersebut [6].
2.2 Tutupan Lahan
Tutupan lahan merupakan bahan fisik/material yang terdapat di permukaan bumi, dan dapat menggambarkan proses sosial pada suatu wilayah. Informasi dari tutupan lahan dapat dimanfaatkan untuk keperluan pemodelan serta memahami fenomena alam yang terjadi di permukaan bumi [7].
2.3 Citra Hiperspektral
Citra hiperpsektral merupakan citra dengan tumpukan spektrum elektromagnetik yang dihasilkan dari pantulan gelombang elektromagnetik oleh permukaan objek. Rentang spektrum tersebut dinamakan band spektral [8]. Citra hiperpsektral terdiri dari ratusan band spektral dengan gelombang cahaya tampak dan memiliki resolusi spasial tinggi, diwakili oleh kubus data spasial dua dimensi (X dan Y) serta dimensi spektral Z [9].
2.4 Convolutional Neural Network (CNN)
Convolutional Neural Network (CNN) merupakan salah satu metode deep learning yang konsep kerjanya terinspirasi oleh jaringan syaraf alami manusia. CNN dikembangkan dari metode Multi Layer Perceptron (MLP) dan didesain untuk mengolah data 2 dimensi [10]. Metode CNN memiliki susunan 3 neuron dimensi (lebar, tinggi dan kedalaman). Lebar dan tinggi merupakan ukuran lapisan sedangkan kedalaman mengacu pada jumlah lapisan [11]. Pada metode CNN, langkah-langkah yang dilakukan pada metode neural network tradisional tidak lagi diperlukan. Sebaliknya digunakan metode konvolusi yang melalui layer input untuk menghitung output. Filter yang berbeda diterapkan pada setiap layer yang terdiri dari ratusan sampai ribuan filter, dan merupakan hasil kombinasi dari operasi konvolusi. Selama proses training, CNN mempelajari secara otomatis nilai hasil penerapan filter pada operator pada operator konvolusi berdasarkan tugas yang diinginkan.
Gambar 1. Arsitektur CNN (Sumber : towardsdatascience.com)
III. METODEPENELITIAN
Pada penelitian ini, input berupa citra mentah hiperpsektral akan diproses dengan CNN yang beroperasi pada fitur spektral dan fitur spasial. Tahapan penelitian dapat dilihat pada gambar 2.
Gambar 2. Diagram Alir Klasifikasi Tutupan Lahan
Tahapan dari proses klasifikasi tutupan lahan ini adalah sebagai berikut :
3.1 Dataset
Penelitian ini menggunakan dataset public Indian Pines. Dataset hiperspektral ini diproduksi dengan sensor Airborne Visible / Infrared Imaging Spectrometer (AVIRIS) di Indiana barat laut pada Juni 1992. Kumpulan data terdiri dari 145 x 145 p iksel dengan resolusi spasial 20 m per piksel, resolusi spektral 10-nm dengan kisaran 400–2500 nm dan terdapat 224 band spektral. 20 band spektral penyerapan air dihapus dan hanya 200 band spektral yang digunakan.
Annual Research Seminar (ARS) 2019 ISBN : 978-979-587-846-9 Fakultas Ilmu Komputer UNSRI Vol.5 No.1 3.2 1D Convolutional Neural Network (CNN)
Keuntungan paling signifikan dari CNN adalah cara algoritmik untuk mengekstrak fitur langsung dari citra input mentah. Untuk itu digunakan model CNN 1D untuk ekstraksi fitur spektral. Kernel 1D dieksploitasi untuk secara efektif menangkap konten semantik intrinsik sepanjang dimensi spektral 1D.
Biasanya, CNN menumpuk beberapa lapisan konvolusional dan lapisan penyatuan untuk membentuk arsitektur yang mendalam. Dalam operasi konvolusi 1D, data input dikonvolusi dengan kernel 1D (panjang kernel 1D adalah ukuran bidang reseptif), dan kemudian melalui fungsi aktivasi membentuk data output (vektor fitur). Operasi konvolusi 1D CNN pada tahap ekstraksi fitur dapat dilihat pada persamaan 1. 1 ( ) , , , ( 1), , 0
(
Hl)
x h x h l j l j m l m l j m hv
f
k
v
b
− + − ==
∑ ∑
+
(1) Keterangan : , x l jv
= Nilai unit posisi x pada peta fitur j di lapisan lf
(∙) = Fungsi aktivasim
= Indeks himpunan vektor fitur pada lapisan l−1yang terhubung ke vektor fitur saat ini
l
H
= Panjang filter konvolusional, ,
h l j m
k
= Nilai posisi h dari filter terhubung ke peta m,
l j
b
= Bias aditifGambar 3 menunjukkan parameter 1D CNN untuk mengklasifikasi citra hiperspektral
Gambar 3. Arsitektur 1D CNN [5] 3.3 Evaluasi
Fungsi dari evaluasi adalah untuk mengetahui keakuratan dari kerangka kerja yang diusulkan. Tingkat kesalahan dapat dianalisis berdasarkan hasil dari uji akurasi. Secara sistematis terdapat dua pengujian yang dilakukan yakni Overall
Accuracy (OA) dan kappa accuracy. Metode pengujian OA dirumuskan pada persamaan 2 dan kappa pada persamaan 3.
a. Overall Accuracy (OA) OA =
m
100%
n
×
(2)Keterangan :
m
= Jumlah total yang terbukti pada validasin
= Jumlah total validasib. Kappa Accuracy Kappa = 2
100%
r r ii i i i i r i i iN
X
X X
N
X
X
+ + +−
×
−
+
∑
∑
∑
(3) Keterangan : iiX
= Nilai diagonal matrik kontingensi baris dan kolomke i
i
X
+ = Jumlah piksel pada kolom ke ii
X
+ = Jumlah piksel pada baris ke iN
= Jumlah pikselIV. HASILPENELITIAN
Pada penelitian ini, pearameter bobot bernilai -0.05 dan 0.05. Pengujian dilakukan dengan jumlah perbandingan 3.074 (30%) training dan 7.202 (70%) testing dari total 10.249 label. Evaluasi dilakukan dengan menghitung Overal Accuracy (OA) dan Kappa. Perbandingan hasil klasifikasi metode 1D CNN pada dataset Indian Pines 9 ke las dan 16 kelas ditunjukkan pada Tabel 1.
Tabel 1. Perbandingan akurasi 1D CNN
Berdasarkan hasil yang terdapat pada Tabel 1, dapat dilihat akurasi metode 1D CNN pada dataset Indian Pines 16 kelas mengalami penurunan signifikan. Hal ini disebabkan 7 kelas pada dataset memiliki kurang dari 400 sampel per kelas. Citra hiperspektral sangat sensitif terhadap keterbatasan sampel pelatihan dan berdampak pada tingkat akurasi yang dihasilkan[12].
Annual Research Seminar (ARS) 2019 ISBN : 978-979-587-846-9 Fakultas Ilmu Komputer UNSRI Vol.5 No.1
Tabel 2. Hasil pengujian dengan jumlah epoch yang berbeda-beda
Penulis melakukan percobaan pada lima epoch yang berbeda. Percobaan dengan 100 epoch hanya mencapai akurasi 37.979%, sedangkan percobaan meggunakan 500, 2500, 5000 dan 10000 epoch mengalami peningkatan. Dari lima percobaan tersebut, akurasi tertinggi sebesar 88.976% diperoleh dengan jumlah 10000 epoch. Hal ini disebabkan epoch dengan jumlah besar sangat cocok untuk jenis data citra dan data dalam skala besar. Sesuai dengan penelitian oleh [13] dan [14] yang membuktikan jumlah epoch dengan jumlah besar (diatas 1000 e poch) dapat meningkatkan akurasi. Namun peningkatan akurasi yang dicapai 10000 epoch juga tidak signifikan, yakni sebesar 1.9% dibandingkan pada percobaan 5000 epoch.
Tabel 3. Waktu training dan testing pada masing-masing epoch
Tabel 3 menunjukkan waktu hasil training dan testing. Dari data yang ada, jumlah epoch sangat berpengaruh terhadap waktu komputasi. Pada lima percobaan epoch, semakin besar jumlah epoch maka waktu training yang dibutuhkan semakin lama. Training pada 10000 e poch membutuhkan waktu komputasi tertinggi sebesar 13071.54 detik (± 3 jam). Meskipun demikian, waktu testing pada 10000 e poch mengalami peningkatan signifikan dibanding lima percobaan epoch lainnya dengan hasil 0.491 detik
(a) (b)
(c) (d)
(e)
Gambar 4. Peta Hasil Klasifikasi pada dataset Indian Pines. (a) 100 epoch (b) 500 epoch (c) 2500 epoch (d) 5000 epoch
(e) 10000 epoch
V. KESIMPULAN
Kajian ini sebagai penggambaran penelitian tentang klasifikasi tutupan lahan berbasis citra hiperspektral. Metode 1D CNN mencapai akurasi tertinggi 88.976% dengan 10000 epoch pada dataset Indian Pines 16 kelas. Hasil akurasi ini tergolong rendah, dibandingkan penelitian sebelumnya yang memperoleh akurasi 90.16% pada dataset Indian Pines dengan 9 kelas. Untuk meningkatkan akurasi, dapat ditambahkan layer pada CNN, menggunakan metode reduksi dimensi atau normalisasi serta pengoptimalan kombinasi fitur spasial dan spektral dengan dual channel CNN.
REFERENSI
[1] Yu, S., Jia, S., & Xu, C. (2017). Convolutional neural networks for hyperspectral image classification.
Neurocomputing, 219, 88–98.
https://doi.org/10.1016/j.neucom.2016.09.010.
[2] Putra, E. H., & Handoyo, E. W. (2013). Kajian teknis penggunaan citra satelit eo-1 hyperion untuk pemetaan habitat terumbu karang di pesisir utara taman nasional bunaken. Info BPK Manado, Volume 3 No.1, 65-78. [3] Wiweka. (2008). Kapabilitas citra hiperspektral. Berita
Dirgantara, 9(3), 55–60. 265
Annual Research Seminar (ARS) 2019 ISBN : 978-979-587-846-9 Fakultas Ilmu Komputer UNSRI Vol.5 No.1 [4] Kang, X., Li, S., & Benediktsson, J. A. (2014).
Spectral-spatial hyperspectral image classification with edge-preserving filtering. IEEE Transactions on Geoscience and Remote Sensing, 52(5), 2666–2677. https://doi.org/10.1109/TGRS.2013.2264508.
[5] Hu, W., Huang, Y., Wei, L., Zhang, F., & Li, H. (2015). Deep Convolutional Neural Networks for Hyperspectral Image Classification. Journaal of Sensors, 740, 397– 410. https://doi.org/10.1007/978-981-13-1280-9_37. [6] Purwadhi, S. hardiyanti, Ritonga, H., Kartasasmita, M.,
& Nugraha, A. (2008). aplikasi teknologi penginderaan jauh untuk pembuatan blok sensus.pdf.
[7] Sampurno, R., & Thoriq, A. (2016). Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8 Operational Land Imager (Oli) Di Kabupaten Sumedang. Jurnal Teknotan, 10(2), 61–70. https://doi.org/10.24198/jt.vol10n2.9.
[8] Maspiyanti, F., Fanany, M. I., & Arymurthy, A. M. (2013). Klasifikasi Fase Pertumbuhan Padi Berdasarkan Hiperspektral Dengan Modifikasi Logika Fuzzy. Jurnal Penginderaan Jauh & Pengolahan Citra LAPAN, 10 no, 41–48.
https://doi.org/http://dx.doi.org/10.12962/j24423998.v9i 1.733.
[9] Zbakh, A., Mdaghri, Z. A., El Yadari, M., Benyoussef, A., & El Kenz, A. (2018). Fast Spectral Classification
of a s et of hyperspectral images, using the convolutional neural network, in a single training. Neural Computing and Applications, 10(Submitted), 245–250.
[10]Zufar, M. & B. S. (2016). Convolutional Neural Networks untuk Pengenalan Wajah Secara Real-Time. Jurnal Sains Dan Seni, 5(3), 1–6. https://doi.org/10.1177/0892705705044556.
[11]Ilahiyah, S., & Nilogiri, A. (2018). Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network. 3(2), 49–56.
[12]He, X., Wang, G., Zhang, X., Shang, L., & Huang, Z. (2016). Intelligent Computing Theories and Application - 12th InternationalConference, ICIC 2016, Lanzhou, China, August 2-5, 2016, Proceedings,Part II. 9772, 332–340. https://doi.org/10.1007/978-3-319-42294-7. [13]Learning, C. C. (2019). An IoT Platform with
Monitoring Robot Applying. 1–13.
[14]Xu, Y., Zhang, L., Du, B., & Zhang, F. (2018). Spectral-Spatial Unified Networks for Hyperspectral Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 56(10), 5893–5909. https://doi.org/10.1109/TGRS.2018.2827407.