)

CHANGE DETECTION ANALYSIS

FOR EARTHQUAKE DAMAGE ASSESSMENT

(METHODS AND COMPARISONS)

Literature Review

Topik Dalam Pengolahan Citra

Abd. Aziz Bouty

0906503736

Magister Ilmu Komputer

Fakultas Ilmu Komputer, Universitas Indonesia

Depok

Desember, 2009

)

DAFTAR ISI

Daftar Isi ...................................................................................................................... 2

Bab I Pendahuluan .................................................................................................... 3

1.1. Latar Belakang ......................................................................................... 3

1.2. Permasalahan ........................................................................................... 3

1.3. Tujuan ...................................................................................................... 4

Bab II Pembahasan ..................................................................................................... 5

2.1. Paper Review ........................................................................................... 5

Paper I : The Comparative Study of Three Methods of Remote

Sensing Change Detection .................................................. 5

Paper II : A SDSS-Based Earthquake Damage Assessment For

Emergency Response: Case Study In Bam .......................... 9

Paper III : Extraction Of Damaged Buildings Using High-Resolution

Satellite Images In The 2006 Central Java Earthquake ....... 15

2.2. Paper Analysis ......................................................................................... 19

2.3. Paper Comparison .................................................................................... 21

Bab III Penutup .................................................................................................. 22

3.1. Kesimpulan .............................................................................................. 22

3.2. Saran ........................................................................................................ 23

Daftar Pustaka ............................................................................................................ 24

)

BAB I

PENDAHULUAN

1.1. Latar Belakang

Change detection adalah penerapan dari teknologi remote sensing merupakan

sebuah aplikasi yang sangat penting, yang dapat memastikan perjadinya perubahan fitur-

fitur tertentu dalam suatu interval waktu tertentu, serta menyediakan distribusi spasial dan

informasi kualitatif dan kuantitatif dari perubahan fitur tersebut. Change detection sangat

berguna untuk monitoring: urbanisasi, pembangunan pertanian, pengelolaan lahan

kehutanan, ramalan es, dll. Untuk itu, metode yang paling banyak digunakan adalah:

perbedaan image, Rasio image, klasifikasi perbandingan, dan analisis perubahan vektor.

Banyak penelitian dilakukan terkait dengan penilaian kerusakan akibat gempa.

Penelitian tersebut sering difokuskan pada berbagai aspek dalam deteksi kerusakan,

termasuk merancang algoritma yang dapat mendeteksi kerusakan setelah terjadinya

gempa dengan menggunakan data optik dan SAR untuk mendeteksi bangunan yang

hancur, dan kemudian membuat suatu sistem pemetaan untuk menampilkan data

geospasial dari gempa tersebut (Eguchi et al., 1999, 2000a,b; Huyck and Adams, 2002).

Dengan adanya sistem tersebut diharapkan dapat memberikan respon secara cepat

terhadap penyediaan informasi kerusakan kawasan pemukiman dalam bentuk informasi

spasial makroseismik. Informasi ini sangat dibutuhkan pada pembuatan skala prioritas

kegiatan evakuasi dan proses perencanaan pembangunan kembali (Adam dkk,2003).

1.2. Permasalahan

Kurang reliable, kurang up to date, kurang tersedianya data geospasial yang

qualified adalah merupakan salah satu dari permasalahan yang ditemukan untuk

mendapatkan respon yang lebih baik terhadap kejadian bencana alam. Disisi lain,

kompleksitas dari suatu fenomena gempa dilihat dari segi waktu, posisi dan intensitas,

membuat sulit untuk diakses. Disamping itu, belum terdapat tool yang komprehensif

untuk melakukan analisis spasial yang dapat mendukung pengambilan keputusan terkait

bencana tersebut.

)

1.3. Tujuan

Adapun tujuan dari penyusunan laporan ini adalah :

1. Mempelajari serta memberi ulasan terhadap paper yang ditulis oleh para peneliti,

khususnya dalam topik change detection.

2. Menganalisis paper-paper tersebut, ditinjau dari segi isi / materi maupun

penulisan paper itu sendiri.

3. Melakukan komparasi terhadap paper-paper tersebut, terkait dengan persamaan

dan perbedaannya terutama dari segi isi / materi dan penerapan metode maupun

teknik-teknik yang digunakan/dilakukan.

)

BAB II

PEMBAHASAN

2.1. Paper Review

Paper I : The Comparative Study of Three Methods of Remote Sensing Change

Detection

Pada tahun 1980-an, change detection mulai dipelajari oleh beberapa orang.

Dalam change detection, multi-band remote sensing images biasanya digunakan untuk

dapat menyediakan informasi yang cukup. Metode ini dapat dibagi kedalam image

substraction method dan method of change detection after classification.

Dalam pembahasan paper ini, pertama adalah membahas tentang metode

eliminasi dari faktor-faktor yang mempengaruhi terhadap change detection. Kedua,

memperkenalkan prinsip dasar dari tiga metode tersebut serta bagaimana percobaan

mengenai metode-metode tersebut yang dilakukan dengan menggunakan software Erdas.

Ketiga, melakukan analisa perbandingan terhadap manfaat serta ruang lingkup yang

ditunjukkan dari ketiga metode tersebut diatas.

Didalam penerapannya, banyak terdapat metode change detection untuk data

multi-spectral image. Metode ini dapat diklasifikasikan kedalam tiga kategori, yaitu :

1). Analisis karakteristik dari tipe spektral

Tujuan dari analisis ini adalah untuk memastikan distribusi serta karakteristik

perubahan berdasarkan klasifikasi spektral dan lalu kemudian menghitung fase dalam

remote sensing images yang berbeda.

2). Analisis vektor dari perubahan spectral

Analisis ini dilakukan untuk memastikan kekuatan serta arah karakteristik dari suatu

perubahan berdasarkan pada radikalisasi perubahan images dari waktu yang berbeda,

terutama menganalisis perbedaan dari tiap-tiap band.

3). Analisis time series.

Tujuannya adalah untuk menganalisis proses dan tren perubahan dari pemantauan

ground objects berdasarkan data observasi remote sensing secara kontinu.

)

Secara garis besar, paper ini membahas tentang 3 metode yang terdapat dalam

change detection. Metode-metode tersebut adalah :

1. Image Substraction Method

Metode ini merupakan sebuah metode change detection terhadap aplikasi yang

paling luas. Hal ini dapat diterapkan untuk berbagai jenis image dan lingkungan

geografis.

2. Image Ratio Method

Image Ratio Method adalah merupakan sebuah metode yang membandingkan nilai

sebuah pixel dari sebuah gambar yang sesuai dengan gambar lain diwaktu yang

berbeda. Pada metode ini rasio pixel yang sesuai pada tiap-tiap band pada dua

image dari periode yang berbeda setelah perhitungan image registration.

3. The Method of Change Detection AfterClassification

Metode ini adalah merupakan yang paling sederhana, dimana teknik analisisnya

hanya berdasarkan pada klasifikasi. Metode ini dapat digunakan untuk dua atau

lebih image after registration, termasuk langkah didalam klasifikasi serta

pembandingan.

Hasil Eksperimen dan Analisis

Sebagaimana yang telah disebutkan diatas, bahwa penelitian ini menggunakan

software ERDAS. Dengan menggunakan Panchromatic band dari remote sensing images

pada 10 Mei 2001, 1 April 2002 di Beijing dimana data digunakan dalam Image

Subtraction Method dan Image Ratio Method. Kemudian 3-bands remote sensing images

di Wuhan pada 1995 dan 2000 dimana data digunakan pada metode change detection

after classification.

Setelah melalui image preprocessing, didapati bahwa objek dari remote sensing

change detection adalah images yang berada pada region yang sama dalam periode yang

berbeda. Latar belakang dari lingkungan tercermin melalui remote sensing image yang

diperoleh berbeda secara cepat. Perbedaan ini dipengaruhi oleh beberapa faktor yang

terjadi dalam proses akuisisi. Adapun faktor-faktor tersebut dapat dibagi kedalam dua

kategori, yaitu :

)

a. Remote sensing system factors

Merupakan dampak dari resolusi temporal, resolusi spasial, resolusi spektral dan

resolusi radiasi.

b. Environmental factors

Merupakan dampak dari kondisi atmosfir, kelembaban tanah dan karakteristik dari

phenological.

Dampak pada waktu yang berbeda dan akibat pengaruh dari faktor-faktor pada images

harus sepenuhnya diperhitungkan dalam change detection. Pengaruh ini dapat

dihilangkan sebanyak mungkin dengan melakukan registrasi geometris dan koreksi

radiometris pada remote sensing images. Dengan demikian dapat membuat eksperimen

ini dibangun secara terpadu dan dapat diperoleh hasil yang lebih objektif.

Gambar 1. Hasil dari Image Subtraction Method Gambar 2. Hasil dari Image Ratio Method

Gambar 3. Hasil dari Method of Change Detection After Classification

)

Tabel 1. Keuntungan dan kerugian dari hasil eksperimen ketiga metode change detection

Methods Advantages Disadvantages

Image Subtraction

Method

- Konsepnya sederhana dan mudah

- Mudah dipahami serta mudah

untuk digunakan

- Dapat mengurangi kemungkinan

terjadinya error (dibandingkan

dengan metode change detection

after classification)

- Tidak refleks terhadap perubahan

yang terjadi pada setiap kategori

- Metodenya sangat sederhana pada

proses change detection dari natural

images

- Tidak cocok digunakan untuk change

detection di daerah perkotaan.

Image Ratio

Methods

- Sangat berguna untuk

mengekstraksi vegetasi dan

tekstur.

- Memiliki fitur kemiringan yang

berbeda antara band

- Sangat tepat dan akurat, serta

dapat digunakan dalam penelitian

tentang change detection

diperkotaan.

- Masih terdapat beberapa informasi

perubahan yang tidak terdeteksi.

- Jenis perubahan dari fitur tidak dapat

tercermin.

- Pemilihan nilai threshold sangat sulit.

- Perbedaan fitur pada kemiringan yang

sama dapat membingungkan, dan ratio

synthesized image sering membuat

kompensasi dalam analisisnya.

The Method of

Change Detection

After Classification

- Dapat memastikan rentang ruang

dari perubahan.

- Menyediakan formasi mengenai

karakter perubahan, misalnya

jenis apa yang berubah dan

sebagainya.

- Membutuhkan requirement cukup

besar terhadap klasifikasi ketegori.

- Kurangnya isolasi terhadap langkah

klasifikasi dan langkah dari change

detection

- Kesalahan dalam klasifikasi sangat

sensitif dalam metode ini.

Dari hasil eksperimen yang telah dilakukan, perbedaan dari masing-masing

metode change detection diatas dapat dijabarkan dalam beberapa perspektif, yaitu :

- Dari perspektif sudut pandang, didapati bahwa perubahan wilayah dalam image

ratio method sangat akurat, kemudian diikuti oleh image subtraction method, dan

terakhir adalah change detection after classification method.

)

- Dari prespektif operasional, image subtraction method dan image ratio method

memiliki operasi yang relatif sederhana dan waktu yang sedikit. Sedangkan change

detection after classification method sangat komplikasi dan memakan waktu.

- Dari perspektif aplikasi, image subtraction method dan change detection after

classification method tidak berlaku untuk change detection secara datail dala

perkotaan. Sedangkan image ratio method dapat digunakan untuk change detection

dalam kota, terutama analisis mengenai vegetasi dan tanah.

Melihat dari hasil citra, image subtraction method dan image ratio method hanya dapat

mendeteksi cakupan serta tingkat perubahan tetapi tidak bisa memberikan sifat dan

penyebab perubahan. Dalam hal ini, change detection after classification method dapt

memberikan informasi ini.

Paper II : A SDSS-Based EarthQuake Damage Assessment for Emergency

Response: Case Study in Bam

Saat ini, penelitian-penelitian yang dilakukan untuk menilai kerusakan yang

diakibatkan oleh gempa bumi difokuskan pada beberapa aspek yang termasuk dalam

deteksi kerusakan, termasuk mengembangkan algoritma untuk mendeteksi kerusakan

pasca gempa tersebut dengan menggunakan optik dan SAR data untuk menemukan

bangunan yang runtuh, dan sistem pemetaan untuk menampilkan serta menyebarkan

informasi gempa yang terkait dengan data multimodal geospasial (Eguchi et al., 1999,

2000a,b; Huyck and Adams, 2002).

Secara umum, paper ini membahas tentang sebuah metodologi untuk

mengestimasi nilai kerusakan akibat gempa bumi menggunakan Spatial Decision Support

System (SDSS). Metodologi ini berdasarkan pada perhitungan jumlah bangunan yang

hancur akibat gempa bumi dengan menggunakan high resolution remotely sensed images

dan data spasial lainnya untuk dapat diintegrasikan kedalam SDSS.

Adapun yang menjadi objek dalam penelitian ini dan diestimasi nilai

kerusakannya adalah kerusakan yang disebabkan oleh gempa dengan kekuatan 6.6 skala

richter yang terjadi di kota Bam, yang terletak disebelah tenggara dari propinsi Iran.

Dicatat dari korban yang meninggal, gempa di kota Bam ini tercatat merupakan gempa

terburuk yang terjadi dala sejarah di Iran. Dilaporkan bahwa jumlah korban meninggal

)

sebanyak 26.200 orang dan 75.600 orang kehilangan tempat tinggal. Dan juga dilaporkan

dari organisasi bantuan bahwa diestimasi antara 70-95% bangunan hancur.

SDSS adalah sebuah sistem interaktif yang berbasis komputer yang dirancang

untuk mendukung pengguna atau kelompok pengguna dalam mencapai efektivitas yang

lebih tinggi dalam pengambilan keputusan pada saat memecahkan masalah pada semi

struktur spasial. (Sprague and Carlson 1982). Perancangan ini untuk membantu

perencana spasial dengan panduan dalam membuat keputusan mengenai penggunaan

lahan. Dengan demikian tercipta sebuah sistem yang memiliki model keputusan yang

dapat digunakan untuk membantu mengidentifikasi pemilihan keputusan yang efektif.

Untuk langkah-langkah didalam metodologinya dapat dilihat pada diagram dibawah ini.

Diagram : Langkah-langkah dalam membangun sebuah SDSS

berbasis pada penilaian kerusakan akibat gempa untuk kebutuhan tanggap darurat

)

Untuk gempa bumi yang tergolong cukup kuat seperti yang terjadi di kota Bam

dapat menyebabkan kerusakan yang sangat parah bagi bangunan. Mengevaluasi

bangunan-bangunan yang rusak akibat gempa adalah sangat penting untuk

mengalokasikan regu penyelamat ke daerah-daerah yang mengalami kerusakan sekaligus

dapat mengestimasi kerusakan tersebut.

Salah satu cara tercepat untuk mendapatkan informasi tentang tempat-tempat

yang rusak dan untuk menghitung jumlah yang rusak terutama di daerah perkotaan

dengan menggunakan gambar satelit untuk membandingkan gambar sebelum dan

sesudah terjadinya gempa bumi. Untuk perkembangan terkini dari teknik remote sensing

adalah dengan melakukan ekstraksi secara otomatis dari informasi citra satelit secara

mungkin. Disebutkan dalam paper ini menggunakan citra satelit Quickbird yang

merupakan produk standar yang high resolution.

Gambar 1: Citra satelit Quickbird dari kota Bam,

diperoleh sebelum terjadinya gempa bumi pada 26 Desember 2003

Gambar 2: Citra satelit Quickbird dari kota Bam,

diperoleh setelah terjadinya gempa bumi pada 26 Desember 2003

)

Untuk memaksimalkan korespondensi spasial antara multi-temporal scenes

"setelah" image telah didaftarkan ke image "sebelum", menggunakan serangkaian titik

kontrol dengan transformasi polinomial orde pertama. Hasil dari analisis tersebut adalah

sebuah raster layer, dengan nilai pixel 0, 1, 2 sesuai dengan non-parcel pixels, pasrcels

damaged pixel dan parcels undamaged pixels.

Dalam paper ini metode untuk mengekstrak informasi adalah dengan

menggunakan geostatistik dan artificial neural network. Klasifikasi dilakukan pada sifat

tekstur dari image. Secara statistik, tekstur dari sebuah image memiliki dua komponen :

variabel lokal dan korelasi spasial. Dimana variabel lokal dapat lebih jelas dengan

menggunakan variansi akan tetapi tidak menunjukkan korelasi spasial dari variabel.

Namun secara geostatistik mengukur bahwa kedua variabel ini menggunakan parameter

utama dari geostatistik yang semivarian.

Dimana : t = Nilai numerik dari pixel yang digunakan untuk klasifikasi

h = Jarak antara masing-masing dua pixel

N = Jumlah pixel yang berada dalam jarak h dari satu sama lain

= Perhitungan semivarians untuk nilai yang berbeda dan arah yang berbeda

semivarians untuk nilai yang berbeda dan arah yang berbeda disimpulkan menggunakan

semivariogram

Sebuah Image klasifikasi dan sebuah parcels vector layer dibuatkan dalam

sebuah skala 1 : 2000 yang merupakan input data untuk kode ArcObjects. parcels vector

layer dari Bam diperoleh dari survey tanah. Pada images ini, nilai dari 0, 1, 2 sesuai

dengan non-parcel pixels, parcels damaged pixel dan parcels undamaged pixels.

)

Gambar 3: Image bagian sebelah kiri adalah merupakan klasifikasi image.

Sebelah kanan adalah merupakan parcels vector layer dari Bam.

Dalam paper ini juga diterangkan mengenai metode statistik klasifikasi, yang

secara spesifik menentukan kerusakan bagian pada tiap parcel dengan memperhatikan

jumlah pixel dengan nilai 0, 1, 2. dengan demikian dapat mengidentifikasi bangunan

yang runtuh dari segi karakteristik statistik yang beda dari struktur bangunan yang utuh

pada waktu sesudah terjadinya gempa, daripada tingkat peruahan antara images

sebelum dan sesudah kejadian (Gusella et. al., 2005). Diasumsikan tiga kriteria sebagai

berikut :

Parcels tidak mengalami kerusakan ketika jumlah pixel dengan nilai relatif 1

terhadap total pixel dari parcel adalah lebih kecil dari 0,3.

Parcels menagalami semi kerusakan apabila ketika jumlah pixel dengan nilai relatif 1

terhadap total pixel dari parcel adalah lebih besar atau sama dengan 0,3 atau lebih

kecil atau sama dengan 0,6.

Parcels mengalami kerusakan yang cukup komplit apabila ketika jumlah pixel

dengan nilai relatif 1 terhadap total pixel dari parcel adalah lebih besar atau sama

dengan 0,6.

Implementasi dari hasil penelitian ini mendapatkan dua status yang berbeda dari

proses yang terjadi didalam format vektor dan raster. Output dari sebelumnya adalah

sebuah vektor berbasis kerusakan yang digambarkan pada peta dan Output yang

)

dihasilkan setelah itu adalah sebuah format raster yang berbasis kerusakan yang

digambarkan pada peta.

Gambar 4: Output raster layer dari kerusakan Gambar 5: Output vector layer dari kerusakan

bangunan pada gempa Bam bangunan pada gempa Bam

Adapun hasil dari penelitian ini dapat membawa manfaat yang signifikan dalam

melakukan tindakan tanggap darurat terhadap pasca terjadinya bencana. Teknik deteksi

kerusakan akan memberikan akan memberikan tanggapan bagi pejabat pemerintah,

lembaga-lembaga bantuan internasional dan pemulihan bencana agar secara cepat dapat

melihat sehingga dapat mengestimasi kerusakan secara regional dan mendapatkan rincian

terhadap total kerusakan yang terjadi pada bangunan. Tools ini akan memungkinkan

upaya prioritas dan koordinasi dalam hal bantuan dan kunjungan ke lokasi gempa

sehingga dapat mendukung operasi pemulihan secara cepat. Berdasarkan hal tersebut,

berhasil dibangun sebuah objek berbasis klasifikasi dan metode segmentasi yang sukses

digunakan pada gempa di Bam tersebut. Didapatkan informasi bahwa terdapat 18872

bangunan yang terdapat di kota Bam, 6473 bangunan (34%) hancur akibat gempa. Hasil

dari kesimpulan awal mengindikasikan akurasi secara keseluruhan dari klasifikasi

kerusakan adalah 80.5%.

)

Paper III : Extraction of Damaged Buildings Using High-Resolution Satellite

Images in The 2006 Central Java EarthQuake

Gempa bumi terjadi di Jawa Tengah dengan kekuatan 6.3 skala richter yang

terjadi pada tanggal 27 Mei 2006. Akibat gempa ini, dicatat sekitar 5.800 orang korban

yang meninggal duniadan sekitar 38.000 orang menderita luka parah. Dengan

menggunakan QuickBird images, diperoleh image sebelum dan sesudah terjadinya

gempa. Dalam penelitian ini dicoba untuk mengekstrak area dari bangunan yang

mengalami kerusakan dengan berdasarkan klasifikasi objek.

Pada tahap awal, sangat penting untuk memahami suatu tingkat kerusakan yang

terjadi setelah terjadinya bencana alam. Dengan kemajuan teknologi remote sensing kita

akan bisa mendapatkan citra satelit dengan resolusi tinggi, seperti misalnya QuickBird

dan Ikonos, dimana kita dapat mengidentifikasi rumah atau mobil serta gambar satelit

dengan resolusi moderat tidak lama setelah bencana terjadi.

Dijelaskan dalam paper ini mengenai kegunaan dari klasifikasi objek yang

menjadi penelitian lebih lanjut dalam mendeteksi kerusakan bangunan dari citra satelit

dengan resolusi tinggi yang diperoleh sebelum dan sesudah gempa Jawa Tengah pada

tahun 2006. Dalam hal ini area bangunan diekstrak untuk gambar yang sebelum dan

sesudah dengan berbasis pixel dan klasifikasi objek. Kemudian hasil dari dua metode

tersebut dibandingkan dan kemudian dengan mengambil perbedaan area bangunan dari

gambar sebelum dan sesudah,. Area yang mengalami kerusakan bangunan diidentifikasi

dan hasilnya dibandingkan dengan menggunakan inspeksi visual.

Meskipun pemeriksaan kerusakan secara visual memberikan informasi yang

sangat berguna akan tetapi cukup memakan waktu. Oleh karena itu, metode image

processing digunakan untuk meningkatkan performa interpretasi. Sejauh ini pendekatan

yang dilakukan adalah klasifikasi land cover berbasis pixel, misalnya metode maximum

likelihood. Disamping itu, untuk images dengan resolusi tinggi, pendekatan pixel-based

dapat menimbulkan banyak noise pada hasilnya nanti karena resolusi yang terlalu tinggi.

Untuk mengatasi masalah noise yang terdapat pada images dengan resolusi

tinggi, dalam paper ini diperkenalkan pula klasifikasi berbasis objek. Pada gempa yang

terjadi di Boumerdes, Algeria tahun 2003, Kouchi et. al. (2005) membandingkan hasil

)

yang didapat dari klasifikasi berbasis pixel dengan berbasis objek untuk deteksi puing-

puing menggunakan QuickBird images.

Klasifikasi Berbasis Pixel

Secara konvensional, klasifikasi berbasis pixel dilakukan berdasarkan metode

maksimum likelihood. Pada proses klasifikasi, digunakan 8 bit data dari biru, hijau, merah

dan band inframerah. Lalu kemudian diikuti dengan 8 kelas : atap bangunan yang

berwarna hitam, berwarna abu-abu, berwarna merah, puing, jalan, vegetasi dan bayangan

yang ditandai. Adapun atap bangunan yang berwarna putih dan kelas tanah tidak

digunakan untuk post-even image karena kesulitan dalam pemilihan data training dan

juga sangat mendekati kelas puing-puing. Area bangunan yang diperoleh melalui

klasifikasi berbasis pixel ditunjukkan pada gambar dibawah ini. Pada gambar tersebut,

bangunan yang memiliki warna atap yang berbeda-beda ditampilkan dalam warna yang

sama, hal tersebut agar mudah dipahami.

Klasifikasi Berbasis Objek

Klasifikasi ini menggunakan software e-Cognition. Pertama, segmentasi citra

dilakukan untuk membuat objek dengan menggunakan citra sebelum dan sesudah

kejadian. Dijelaskan dalam paper ini bahwa proses segmentasi dalam e-Cognition

ditentukan oleh 5 parameter, yaitu : Layer Weight, Compact Weight, Smooth Weight,

)

Shape Factor dan Scale Parameter (Baatz et. al., 2004). Adapun parameter yang paling

penting adalah Scale Parameter, yang menentukan ukuran objek. Sedangkan Shape

Factor untuk menentukan level penting dari spektral heterogeneity atau shape

heterogeneity dalam segmentasi. Lebih rinci dikatakan bahwa spektral heterogeneity

ditentukan juga oleh Layer Weight, yang memberi bobot pada masing-masing band.

Disamping itu pula, untuk shape heterogeneity ditentukan Compact Weight dan Smooth

Weight.

Gambar 3: Bagian dari area bangunan yang terdeteksi sebelum terjadi gempa

Gambar 4: Bagian dari area bangunan yang terdeteksi setelah terjadi gempa

(area yang sama seperti gambar diatas)

Membandingkan hasil dari klasifikasi berbasis pixel dan klasifikasi berbasis objek

dengan inspeksi visual, noise cukup terlihat dalam klasifikasi berbasis pixel. Oleh karena

itu dapat disimpulkan bahwa dalam resolusi dan ukuran dari objek target ini, hasil yang

terbaik dapat diperoleh melalui klasifikasi berbasis objek. Akan tetapi, dalam objek

)

berbasis klasifikasi beberapa seperti jalan dan area yang berbayang mengalami kesalahan

pada kelas bangunan karena nilai spektral dari area yang menjadi sampel mempunyai

kemiripan dengan kelas bangunan.oleh karena itu, hal seperti ini dalam klasifikasi

berbasis objek perlu untuk dibuang dengan menggunakan indeks fitur objek, seperti

panjang, atau hubungan spasial.

Dengan perbandingan hasil oleh image processing yang dikemukakan diatas

tersebut, tingkat akurasi yang wajar diperoleh produser akurasi 67.4% dan user akurasi

adalah 51.5%.

Gambar 5. Bagian dari deteksi vegetasi Gambar 6. Bagian dari area bangunan

dan area bayangan (area yang sama yang terdeteksi mengalami kerusakan

dengan gambar 3) (area yang sama dengan gambar 3)

Gambar 7. Area Bangunan yang mengalami kerusakan Gambar 8. Konsep produser

akurasi dan user akurasi

)

2.2. Paper Analysis

Paper I : The Comparative Study of Three Methods of Remote Sensing Change

Detection

Dalam paper yang ditulis oleh Zhang Shaoqing dan Xu Lu ini terdapat beberapa

hal yang belum dibahas secara jelas. Hal tersebut antara lain adalah sebagai berikut :

1. Proses yang dilakukan pada preprocessing tidak dijelaskan secara detail

menyangkut registrasi geometrik maupun koreksi radiometrik, dimana agar secara

geometrik mendapatkan lokasi yang akurat dan secara radiometrik agar intensitas

pixel untuk objek yang sama mempunyai relatif intensitas yang sama.

2. Untuk penjelasan pada image ratio method diperlukan suatu nilai treshold, hal ini

terutama apabila tidak tersedianya ratio feature library.

3. Pada daerah perkotaan jenis objek cukup banyak (jalan, taman, bangunan, sungai,

dll) sehingga warna/intensitas tidak homogen. Hal ini dalam paper tidak

digambarkan mengenai kemampuan dari ketiga metode change detection dalam

kondisi tersebut.

Paper II : A SDSS-Based EarthQuake Damage Assessment for Emergency

Response: Case Study in Bam

Dalam paper yang ditulis oleh Teimouri,M dkk ini terdapat beberapa hal yang

belum dibahas secara jelas. Hal tersebut antara lain adalah sebagai berikut :

1. Dalam paper ini dikatakan bahwa untuk melakukan klasifikasi dari informasi yang

telah diekstrak dalam hal ini yang merupakan nilai dari semivarian digunakan analisis

artificial neural network (ANN), tetapi tidak dijelaskan tentang sedikit proses

didalam ANN itu sendiri.

2. Demikian juga, penggunaan dari ArcObjects code untuk suatu klasifikasi image dan

sebuah parcels vector layer dengan skala 1:2000 tidak digambarkan secara rinci.

3. Secara metode klasifikasi statistik yang dilakukan, didapatkan tiga kriteria : non-

collapsed, semi-collapsed dan completely-collapsed. Akan tetapi untuk penentuan

nilai yang menjadi acuan dari mendapatkan tiga kriteria tersebut tidak dijelaskan.

)

Paper III : Extraction of Damaged Buildings Using High-Resolution Satellite

Images in The 2006 Central Java Earthquake

Dalam paper yang ditulis oleh Kazuki Matsumoto dkk ini terdapat beberapa hal

yang belum dibahas secara jelas. Hal tersebut antara lain adalah sebagai berikut :

1. Dikatakan dalam paper ini bahwa dengan menggunakan QuickBird image langkah

pertama yang dilakukan adalah menghasilkan pan-sharpened image dari resolusi

0.6m yang dihasilkan melalui penggabungan panchromatic images dan multi-spectral

images. Kemudian, langkah selanjutnya melakukan registrasi antara images sebelum

dan sesudah terjadinya gempa menggunakan metode RST transformation dan Nearest

Neighbour resampling. Adapun penggunaan kedua metode tersebut tidak dijelaskan

didalam paper ini.

2. Dalam membangun klasifikasi berbasis pixel secara konvensional berdasarkan pada

Metode maximum likelihood. Dalam paper ini penjabaran tentang metode maximum

likelihood tidak dijelaskan.

3. Secara detail juga, penggambaran tentang noise yang didapat pada perbandingan hasil

dari klasifikasi berbasis pixel dengan berbasis objek melalui inspeksi visual tidak

diperlihatkan dengan jelas.

)

2.3. Paper Comparison

Paper Objective Approach Features Results

Zhang Shaoqing *,

Xu Lu (2009)

The Comparative Study of Three

Methods of Remote

Sensing Image

Change Detection

Discusses three main

methods of change

detection

1. Image Subtraction Method

2. Image Ratio Method 3. Change Detection

after Classification

Method

Introduced and the

experiments of the

methods are carried

on ERDAS

software

Panchromatic

band of remote

sensing images

on April 1,

2002, May 10,

2001 in Beijing

Three bands

remote sensing

images in

Wuhan in 1995

and 2000

image subtraction method

and image ratio method

can only detect the scope

and degree of changes and

can not give the nature

and causes of changes,

namely the transformed

information of the types.

The method of change

detection after

classification can provide

this information.

Teimouri,M, et. al.

(2008)

A SDSS-Based Earthquake Damage

Assessment for

Emergency

Response:

Case Study In Bam

a methodology to assess

damage estimation due

to an earthquake using

spatial decision support

system (SDSS)

use optical and

SAR data to locate

buildings collapsed,

and a mapping

system to display

and disseminate

earthquake-related

multimodal

geospatial data

Classification

texture of an

image : local

variable and

spatial

correlation

The results of this paper

can assist decision makers

to allocate rescue forces to

the damaged areas based

on their degree of

destruction

Kazuki Matsumoto,

et. al. (2006)

Extraction of Damaged Buildings

Using High-

Resolution Satellite

Images in The 2006

Central Java

Earthquake

- Building areas were extracted for the pre-

event image and the

post-event image by

pixel-based

classification

- Taking the difference of the building areas for

the pre- and post-event

images by the object-

based approach

result was

compared with that

by visual inspection

pixel-based

classification

and object-

based

classification

the object-based classifi-

cation is considered to be

more suitable to identify

the areas covered by

buildings in high-

resolution satellite images

Because salt-and pepper

noises were seen in the

pixel-based classification

result

)

BAB III

PENUTUP

3.1. Kesimpulan

Change Detection adalah sebuah aplikasi penting didalam teknologi remote

sensing, yang merupakan sebuah teknologi yang dapat memastikan perubahan fitur

tertentu dalam suatu interval waktu tertentu. Change detection menyediakan distribusi

spasial dari fitur, serta informasi kualitatif dan kuantitatif dari perubahan fitur tersebut.

Metode change detection untuk data image yang multi spektral terdiri dari banyak

jenis. Dapat diklasifikasikan kedalam tiga kategori, yaitu : analisis karakteristik dari tipe

spektral, analisis vektor dari perubahan spektral serta analisis time series.

Sehubungan dengan metode-metode tersebut, ditinjau dari permasalahan bencana

alam, banyak penelitian dilakukan terkait dengan penilaian kerusakan akibat gempa. Dari

penelitian-penelitian yang dilakukan memang untuk mendapatkan respon yang lebih baik

terhadap terjadinya bencana alam masih terdapat banyak kekurangan, hal ini disebabkan

karena kurang reliable, informasi kurang up to date, dan kurang tersedianya data

geospasial yang qualified.

Disisi lain, kompleksitas dari suatu fenomena gempa dilihat dari segi waktu,

posisi dan intensitas, membuat sulit untuk diakses. Disamping itu, belum terdapat tool

yang komprehensif untuk melakukan analisis spasial yang dapat mendukung

pengambilan keputusan terkait bencana tersebut.

Untuk itu, pada tahap awal, sangat penting untuk memahami suatu tingkat

kerusakan yang terjadi setelah terjadinya bencana alam. Apalagi, dengan kemajuan

teknologi remote sensing kita akan bisa mendapatkan citra satelit dengan resolusi tinggi,

seperti misalnya QuickBird dan Ikonos, dimana kita dapat mengidentifikasi rumah atau

mobil serta gambar satelit dengan resolusi moderat tidak lama setelah bencana terjadi.

Dengan demikian diharapkan dengan membangun metode dan sistem tersebut

diatas dapat memberikan respon secara cepat terhadap penyediaan informasi kerusakan

kawasan pemukiman dalam bentuk informasi spasial makroseismik. Sehingga informasi

tersebut dapat segera digunakan dalam mendukung keputusan terkait dengan gempa.

)

3.2. Saran

1. Penjelasan terhadap metode-metode yang digunakan sebaiknya disertai dengan

contoh secara konkrit sehingga memudahkan untuk pemahaman serta analisis.

2. Didalam melakukan analisis terhadap hasil eksperimen agar lebih jelas, bukan hanya

disebutkan akan tetapi diberi penjelasan secara rinci.

3. Untuk perhitungan nilai, akurasi atau tingkat error dari hasil eksperimen yang

dilakukan sebaiknya digambarkan secara rinci, sehingga dapat diketahui performa

dari parameter-parameter yang diukur.

)

DAFTAR PUSTAKA

Kazuki Matsumoto, et. al., Extraction of Damaged Buildings Using High-Resolution

Satellite Images in the 2006 Central Java Earthquake, Proceedings of the

Conference of the Remote Sensing Society of Japan. 2006

Teimouri, M, et. al., A SDSS-Based Earthquake Damage Assessment For Emergency

Response: Case Study In Bam, The International Archives of the Photogrammetry,

Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B8. Beijing.

2008

Zhang Shaoqing *, Xu Lu, The Comparative Study of Three Methods of Remote

Sensing Image Change Detection, Geoinformatics, 2009 17th International

Cenference