Anda di halaman 1dari 16

KLASIFIKASI MULTISPEKTRAL PENUTUP LAHAN CITRA ALOS AV-NIR 2

August 10, 2011 1 Comment KLASIFIKASI MULTISPEKTRAL PENUTUP LAHAN CITRA ALOS AV-NIR 2 Oleh: Asgan Riza N (1), Bayu Raharja (2), M. Fauzi (2) Balai Hidrologi dan Tata Air Pusat Litbang SDA 1) 2) Staff Kementerian Energi dan Sumber Daya Mineral Staff Balai Hidrologi dan Tata Air, Calon Peneliti Hidrologi dan Konservasi Tata Air

1. PENDAHULUAN LATAR BELAKANG


Perlunya data penggunaan lahan secara multitemporal untuk kegiatan penelitian Experimental Basin Cimanuk sebagai salah satu parameter dalam analisis banjir. Sejauh ini belum ada peta penggunaan lahan yang up-to date baik dari segi sumber data pembuatan, maupun tahun pembuatan.

MAKSUD DAN TUJUAN

Maksud dari kegiatan ini adalah memperoleh informasi yang up-to date dari citra satelit untuk mendapatkan peta penggunaan lahan sedetail mungkin sebagai salah satu paramater dalam analisis banjir. Tujuan dari kegiatan ini diperolehnya peta penggunaan lahan yang up-to date.

2. METODE Alat dan Bahan :


Alat yang digunakan komputer, software image processing dan GIS, GPS untuk survey lapangan Bahan yang digunakan Citra ALOS AV-NIR, peta RBI, dan peta DAS Cimanuk

Metode yang digunakan: Klasifikasi Multispektral

3. KETERSEDIAAN DATA Spesifikasi citra ALOS AV-NIR yang didapat dari Working Group adalah sebagai berikut:

Area liputan DAS Cimanuk yang terdiri dari 4 scene citra: scene 108-3730, scene 1083740, scene 109-3730, dan scene 109-3740 dengan tanggal perekaman yang berbeda. Sudah terkoreksi geometrik dan radiometrik, namun belum dilakukan kontrol kalibrasi multitemporal.

4. CITRA ALOS Satelit ALOS (Advanced Land Observing Satelite) adalah satelit milik Jepang yang merupakan satelit generasi lanjutan dari JERS-1 dan ADEOS yang dlengkapi dengan teknologi yang lebih maju, untuk memberikan kontribusi bagi dunia penginderaan jauh, terutama bidang pemetaan, pengamatan tutupan lahan secara lebih presisi dan akurat. Satelit ALOS memiliki 3 Sensor Yaitu :

Panchromatic Remote Sensing Instrument for Stereo Mapping (PRISM) dengan resolusi 2,5 meter Advanced Visible and Near Infrared Radiometer type-2 (AVNIR-2) resolusi 10 meter Phased Array type L-band Synthetic Aperture Radar (PALSAR) resolusi 10 meter dan 100 meter.

ALOS AVNIR-2 Sensor AVNIR-2 (Advanced Visible and Near Infrared Radiometer type-2) dilengkapi dengan kemampuan khusus yang memungkinkan satelit dapat melakukan observasi tidak hanya pada arah tegak lurus lintasan satelit , tetapi juga mode operasi dengan sudut observasi (Pointing Angle) hingga sebesar + 44o. Kemampuan itu diharapkan dapat membantu dalam pemantauan kondisi suatu area yang diinginkan. Sensor ini dapat dimanfaatkan dalam penyusunan peta penggunaan lahan atau peta vegetasi terutama dengan menggunakan band cahaya tampak (visible) dan inframerah dekat (near infrared).

Karakteristik citra ALOS AVNIR Jumlah Band Panjang Gelombang 4 Band 1 : 0.42 to 0.50 micrometers (blue) Band 2 : 0.52 to 0.60 micrometers (green)

Band 3 : 0.61 to 0.69 micrometers (red) Band 4 : 0.76 to 0.89 micrometers (NIR) Resolusi Spasial 10 meter

4. KLASIFIKASI MULTISPEKTRAL a. Klasifikasi: Pengelompokan objek berdasarkan kesamaan sifat b. Klasifikasi Multispektral

Klasifikasi piksel citra Pengelompokan piksel yang secara spektral sama/mirip. Inputnya adalah nilai piksel citra pada tiap band.

c. Asumsi yang digunakan dalam klasifikasi multispektral adalah bahwa setiap obyek dapat dibedakan dari yang lainnya berdasarkan nilai spaktralnya. Dari beberapa penelitian eksperimental diperoleh hasil bahwa tiap obyek cenderung memberikan pola respon spektral yang spesifik Kurva pantulan Spektral

Jenis Klasifikasi Multispektral

5. SUPERVISED CLASSIFICATION Klasifikasi terselia (supervised) diawali dengan pengambilan daerah sampel/ acuan (training area). Pengambilan sampel tersebut dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu, sehingga diperoleh daerah acuan yang baik untuk mewakili

suatu obyek tertentu. Sampel yang telah diambil tersebut selanjutnya dijadikan sebagai masukkan dalam proses klasifikasi unuk seluruh citra dengan menggunakan algoritma tertentu. Maximum Likelihood Adalah Metode Parameter yang menggunakan fungsi Distribusi kemungkinan Normal untuk menentukan distribusi dan sejumlah set training pixel yang telah diketahui kelasnya. Pixel pixel lain yang belum diketahui kelasnya ditetapkan termasuk kedalam salah satu kelas kelas training sampel berdasarkan kemungkinan terbesar

6. CEK LAPANGAN Dilakukan untuk checking penampakan visual yang mirip karena masih ada keragu-raguan dalam menggolongkan jenis penggunaan lahan.

Tabel Uji Ketelitian Interpretasi

Keterangan : A : Sawah Irigasi B : Hutan C : Pemukiman D : Lahan Terbuka E : Tegalan

F : Ladang G : Kebun Ketelitian interpretasi masing-masing jenis penggunaan lahan : Sawah Irigasi Hutan Pemukiman Lahan Terbuka Tegalan Ladang Kebun : (15/18) x 100% = 83.33% : (3/4) x 100% = 75 % : (8/9) x 100 % = 88.89% : (4/6) x 100% = 66.67% : (5/6) x 100% = 83.3% : (2/2) x 100% = 100% : (4/5) x 100% = 80%

Ketelitian interpretasi keseluruhan = 82.45% 7. HASIL

Resolusi citra ALOS 10 meter, dengan kemampuan itu, penggunaan lahan yang dibuat dibedakan berdasarkan 14 kelas penggunaan lahan : 1.Air tawar 2.Belukar 3.Gedung 4. Hutan 5.Kebun 6.Pasir Darat 7.Pasir Pantai 8.Pemukiman 9.Rawa 10.Rumput 11.Sawah Irigasi 12.Sawah Tadah Hujan 13.Tanah Terbuka 14.Ladang/ tegalan 8. KESIMPULAN DAN SARAN KESIMPULAN: 1.Berdasar Citra ALOS-AVNIR diperoleh peta penggunaan lahan dengan 14 kelas penggunaan lahan 2.Metode interpretasi Multispektral dibutuhkan Ketelitian dan juga training area yang cukup banyak untuk mendapatkan hasil klasifikasi yang baik 3.Setiap ekstraksi informasi dari citra satelit dibutuhkan checking lapangan karena banyak mix piksel yang mungkin terjadi SARAN 1.Updating peta penggunaan lahan perlu dilakukan untuk kebutuhan penelitian di berbagai bidang 2.Kerjasama dengan instansi diluar PU perlu dibangun untuk meningkatkan kualitas SDM dibidang remote sensing

umat, 01 Juni 2012


Klasifikasi Citra (Supervised & Unsupervised)

Pada praktikum pengolahan citra digital seminggu yang lalu, diajarkan klasifikasi tema citra yang terbagi kedalam dua teknik yaitu teknik supervised classification dan teknik unsupervised classification. Klasifikasi supervised dan unsupervised biasanya digunakan untuk mengklasifikasi keseluruhan suatu dataset menjadi kelas-kelas. Kelas-kelas dapat mengidentifikasi area hutan, perkebunan, mineral, urban.

Teknik klasifikasi supervised dapat diartikan sebagai teknik klasifikasi yang diawasi. Menurut Projo Danoedoro (1996) klasifikasi supervised ini melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training area). Sehingga pengambilan sampel perlu dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu, sehingga diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu. (Klasifikasi citra by authori Arfie; http://sekerasbatu.blogspot.com/2009/08/klasifikasi-citra.html)

Sedangkan Klasifikasi unsupervised yang berarti klasifikasi tak terawasi merupakan pengklasifikasian hasil akhirnya (pengelompokkan pixel-pixel dengan karakteristik umum) didasarkan pada analisis perangkat lunak (software analysis) suatu citra tanpa pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu. (Difference Unsupervised and Supervised Image Clustering by Murinto Kusno http://blog.uad.ac.id/murintokusno/2009/01/19/difference-unsupervised-dan-supervised-imageclustering/)

Yang akan dijelaskan dibawah ini adalah proses klasifikasi citra menggunakan software arcGIS 9.3.

1. Pertama, add data berupa band pada citra yang dimiliki. Lalu kompositkan semua band yang dimiliki dengan menggunakan salah satu fungsi dari ArcTool > Data Management Tools > Raster > Raster Processing > Composite Band. Maka akan muncul display dari fungsi Composite Band Seperti pada gambar dibawah ini.

1. 2. Masukkan seluruh band kepada input raster, dan tempatkan outpunya daalm bentuk .tif pada suatu folder. Maka komposit band akan muncul pada layer. Atur komposit band pada layer menjadi band 3,2,1 untuk menampilkan warna asli dari citra. Pengaturan komposit band dilakukan dengan cara klik kanan pada layer landsat > properties > Simbology.

1. 3. Dalam klasifikasi unsupervised fungsi ArcTool pertama yang dibutuhkan adalah fungsi Iso Cluster yang terdapat pada Spatial Analyst Tool > Multivariate > Iso Cluster. Maka akan muncul display dari Iso Cluster

4. Masukan landsat hasil komposit band sebelumnya dalam input raster dan tempatkan outputnya pada suatu folder. Lalu tentukan jumlah klasifikasinya pada kolom number of class.

1. 5. Setelah proses ini selesai, maka proses kedua yang perlu dilakukan adalah dengan menggunakan fungsi Maximum Likelihood Classification. Lokasi fungsi ini sama dengan lokasi fungsi Iso Cluster pada ArcTool.

1. 6. Pada display Maximum Likelihood Classification masukkan data landsat.tif pada kolom input raster bands. Lalu masukkan data .gsg hasil analisis pada fungsi Iso Cluster sebelumnya. Masukkan data .gsg ini pada kolom input signature file. Terakhir tempatkan outpu pada suatu folder.

1. 7. Maka hasil dari klasifikasi ini adalah pengelompokkan informasi citra dengan warna tertentu yang selanjutnya perlu dianalisis lebih lanjut untuk mengetahui secara pasti setiap kelas yang telah ditentukan. Angka yang terdapat pada setiap warna kelas dapat dirubah sesuai dengan informasi yang terdapat dalam citra apabila kita sudah memastikannya.