)

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. I mage 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. I mage 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