Di dunia Penginderaan Jauh, thresholding merupakan istilah yang sudah sangat familiar. Tidak ada praktisi Penginderaan Jauh yang tidak pernah mendengar kata thresholding. Thresholding atau proses penentuan ambang/batas nilai pixel pada citra digital, merupakan salah satu teknik utama dalam clustering atau klasifikasi citra digital, khususnya untuk citra digital saluran tunggal.
Thresholding pada umumnya diterapkan pada citra digital hasil proses transformasi tertentu, seperti citra hasil proses transformasi Normalized Difference Vegetation Index (NDVI) (Rouse et al., 1973), Normalized Difference Water Index (NDWI) (McFeeters, 1996), Urban Index (UI) (Kawamura et al., 1996), dan sebagainya.
Di dalam karya limiah, baik itu skripsi, tesis, atau disertasi, thresholding ini sering menjadi sumber masalah. Masalahnya adalah ketika dalam sidang skripsi/tesis/disertasi dosen penguji mempertanyakan, “Atas dasar apa Anda menyatakan bahwa nilai NDVI 0,7 ke atas itu adalah hutan?”
Meskipun beberapa literatur sudah memberikan rekomendasi nilai threshold tertentu untuk memisahkan fitur spesifik dari citra hasil transformasi, akan tetapi, nilai threshold ini kadang sifatnya kondisional. Tergantung kondisi citra dan kondisi wilayah setempat. NDWI misalnya memberikan nilai threshold >0 untuk fitur air. Akan tetapi, pada beberapa kasus, dengan menggunakan nilai threhold >0 untuk NDWI, jalan beraspal dapat terbaca sebagai air. Mengutip penjelasan Ji et al. (2009), “…the NDWI threshold is not a constant value, an appropriate NDWI threshold needs to be determined”. Hal ini tentu juga berlaku untuk NDVI, UI, dan sebagainya.
Dikarenakan nilai threshold untuk beberapa citra hasil transformasi seperti NDVI bukan lah sebuah nilai konstan, maka kita memerlukan metode yang dapat dipertanggungjawabkan secara ilmiah, untuk memberikan batas nilai pixel pada fitur-fitur tertentu.
Salah satu metode automatic thresholding yang paling terkenal, dan menjadi favorit kami juga dalam riset kami selama 3 tahun terakhir, adalah Otsu Thresholding (Otsu, 1979). Metode ini dikembangkan oleh Prof. Nobuyuki Otsu dari Electro-Technical Laboratory, Tokyo University, pada tahun 1979. Otsu thresholding berfungsi untuk memisahkan (clustering) data univariat (one dimensional) menjadi dua kelompok. Seperti halnya memisahkan antara fitur vegetasi dan non-vegetasi menggunakan nilai NDVI, atau air dan non-air menggunakan nilai NDWI.
Algoritma Otsu thresholding memiliki asumsi dasar bahwa data terdistribusi Univariate Gaussian Bimodal. Yaitu distribusi normal dengan dua puncak (“dua lonceng”). Kedua “lonceng” ini mewakili distribusi nilai dari kedua cluster. Sehingga setelah dipisahkan nantinya, kedua cluster data masing-masing akan memiliki distribusi normal Gaussian Unimodal, sebagaimana data terdistribusi normal pada umumnya.
Di dalam proses kalkulasinya, algoritma Otsu thresholding bekerja dengan cara menemukan variasi terbesar antar kelas. Sebagai contoh, untuk memisahkan objek water dan non-water pada citra NDWI, algoritma Otsu thresholding dijelaskan melalui persamaan-persamaan berikut (Otsu, 1979):
Komputasi nilai threshold (t*) pada persamaan di atas merupakan proses iteratif, dengan menguji coba sejumlah nilai threshold, sampai ditemukan nilai variasi yang maksimum. Tentu saja proses ini sangat memakan waktu, mengingat nilai pixel pada citra penginderaan jauh pada umumnya jumlahnya jutaan. Akan tetapi dalam praktiknya, implementasi Otsu thresholding pada citra satelit dapat dilakukan secara otomatis menggunakan perangkat lunak pengolah citra digital.
Software favorit kami dalam melakukan Otsu thresholding adalah Fiji/ImageJ (Schneider et al., 2012; Schindelin et al., 2015). Software ini sifatnya free, open source, dan portable (tidak memerlukan instalasi). Anda dapat mendownload sendiri software Fiji/ImageJ di laman https://fiji.sc. Hal yang harus diperhatikan, dan tentu saja harus ditaati adalah, software ini memberlakukan kebijakan sitasi (kutipan) atas literatur mereka dalam jumlah yang cukup banyak. Silahkan Anda cek sendiri di laman https://imagej.net/Citing, terkait literatur apa saja yang harus Anda kutip dan cantumkan di dalam Daftar Pustaka Anda, ketika Anda menggunakan Fiji/ImageJ.
Dan jangan pernah lupa juga mencantumkan kutipan “Otsu, N.. 1979. A Threshold Selection Method from Gray-level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9, pp. 62–69.” di dalam Daftar Pustaka, jika karya ilmiah Anda menggunakan Otsu thresholding.
Pada gambar di atas, kami memberikan contoh penerapan Otsu thresholding pada citra hasil transformasi Urban Index (UI), pada Citra Sentinel-2B, wilayah Kota Banjarbaru. Sebagaimana NDVI dan NDWI, nilai pixel UI berada pada kisaran -1 hingga 1. Dengan asumsi bahwa nilai pixel lebih dari 0 (nol) adalah urban. Urban di sini dapat berarti permukiman/bangunan, lahan terbuka, jaringan jalan, termasuk lahan-lahan pertambangan. Setelah dilakukan Otsu thresholding menggunakan Fiji/ImageJ, ternyata nilai Otsu threshold-nya adalah -0,29. Sebagaimana terlihat pada gambar di bawah.
Dari gambar nilai ambang hasil Otsu thresholding di atas, kita dapat menyatakan bahwa, nilai pixel >= -0,29 pada Citra Urban Index Kota Banjarbaru di atas merupakan fitur urban. Sementara nilai pixel < -0,29 adalah fitur selain urban, seperti vegetasi, tubuh air, dan yang lainnya.
Dalam praktiknya, Otsu thresholding juga digunakan dalam teknik foto editing. Misalnya ketika memisahkan antara objek utama pada foto dengan latar belakangnya.
Dan juga bidang biometrik dan forensik. Yaitu untuk analisis sidik jari (fingerprint).
Termasuk bidang-bidang lainnya, seperti Biologi, Mikrobiologi, Kimia, Kedokteran, dan sebagainya. Silahkan Anda googling sendiri untuk mencari contoh-contoh lain tentang pemanfaatan Otsu thresholding.
Anda dapat mengikuti kuliah singkat tentang Otsu thresholding di laman Youtube https://www.youtube.com/watch?v=mnmjZOLjoBA.
Ini adalah tautan contoh hasil penelitian kami yang menggunakan Otsu thresholding, klik di sini . Atau hasil penelitian milik rekan kami dari Fakultas Geografi, UGM, klik di sini, dan penelitian milik rekan kami dari Universitas Trunojoyo, Madura, klik di sini.
Mungkin muncul pertanyaan, bagaimana jika kelas yang ingin kita pisahkan lebih dari 2 (dua) kelas? Pada NDVI misalnya, kita tidak hanya ingin memisahkan antara fitur vegetasi dan non-vegetasi, tetapi juga ingin memisahkan antara vegetasi hutan dan non-hutan.
Solusi untuk masalah seperti ini adalah penerapan Otsu thresholding lebih dari satu kali, sebagaimana contoh hasil penelitian kami pada tahun 2016 di atas. Maksudnya, kita threshold dulu NDVI untuk memisahkan antara vegetasi dan non-vegetasi. Selanjutnya dengan menggunakan nilai Otsu threshold itu, katakan lah misalnya nilai thresholdnya >=0,1 untuk fitur vegetasi, kita pisahkan citra NDVI (diambil yang nilai pixel-nya >=0,1 saja). Sehingga terbentuk citra NDVI yang hanya berisi khusus fitur vegetasi. Selanjutnya citra NDVI yang hanya berisi fitur vegetasi ini di-Otsu-threshold lagi, sehingga fitur vegetasinya terpisah menjadi dua kelas. Demikian seterusnya, hingga berapa kelas pun yang kita inginkan.
Sebagaimana sudah disebutkan sebelumnya, bahwa Otsu thresholding hanya dapat diterapkan untuk data univariat. Kalau citra satelit, data univariat itu berarti citra yang hanya 1 (satu) band, sebagaimana citra output dari transformasi NDVI, NDWI, dan sebagainya. Kalau datanya multivariat, seperti citra multispektral yang memiliki banyak band, maka Otsu thresholding tidak dapat diterapkan sekaligus untuk keseluruhan band. Untuk proses automatic clustering citra multispektral seperti ini, kita dapat memilih algoritma lain, seperti K-means Clustering (MacQueen, 1967).
Sebagai penutup, beberapa hari terakhir ini kami membaca beberapa artikel di laman web, yang menyatakan bahwa Otsu thresholding memiliki relasi dengan Natural Breaks (Jenks) raster classification, yang biasa kita temukan pada software GIS seperti ArcGIS. Sayangnya, sampai hari ini kami belum menemukan jurnal/buku/prosidingnya, termasuk penjelasan detail tentang relasi seperti apa yang dimaksud. Apakah Natural Breaks itu di dalamnya adalah Otsu juga? Atau justru bentuk lain (modifikasi) dari Otsu? Semoga Anda yang menemukan jawabannya.
Referensi:
- Ji, L., Zhang, L., and Wylie, B.. 2009. Analysis of Dynamic Thresholds for the Normalized Difference Water Index, Photogrammetric Engineering and Remote Sensing. 75, (11), pp. 1307-1317.
- Kawamura, M., Jayamana, S., Tsujiko, Y.. 1996. Relation between social and environmental conditions in Colombo Sri Lanka and the urban index estimated by satellite remote sensing data. Int. Arch. Photogrametric Remote Sensing, 1996, 31 Pt B7, pp. 321–326.
- MacQueen, J.B.. 1967. Some Methods for Classification and Analysis of Multivariate Observations. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1, pp. 281-297.
- McFeeters, S.K.. 1996. The Use of the Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features. International Journal of Remote Sensing, 17 (7), pp. 1425-1432.
- Otsu, N.. 1979. A Threshold Selection Method from Gray-level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9, pp. 62–69.
- Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D. W.. 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351 I, pp. 309-317.
- Schneider, C.A.; Rasband, W.S. and Eliceiri, K.W.. 2012. NIH Image to ImageJ: 25 Years of Image Analysis. Nature Methods, 9(7), pp. 671-675, PMID 22930834.
- Schindelin, J., Rueden, C.T., and Hiner, M.C. et al.. 2015. The ImageJ Ecosystem: An open Platform for Biomedical Image Analysis. Molecular Reproduction and Development, PMID 26153368.