Anda di halaman 1dari 22

TUTORIAL DIGITAL

PENGINDERAAN JAUH DAN


SISTEM INFORMASI GEOGRAFI
PEMROSESAN CITRA DIGITAL
ACARA 4
KLASIFIKASI CITRA
DENGAN ER MAPPER

Disusun oleh :
Nama

: Ilham Guntara, A.Md.

Website

: www.guntara.com

(Bebas diakses dengan menyertakan sumber)

GUNTARA INDONESIA CORPORATION


DAERAH ISTIMEWA YOGYAKARTA
2015

I. JUDUL
Klasifikasi Citra

II. TUJUAN
1. Melatih klasifikasi citra menggunakan perangkat lunak (software) ER
Mapper.
2. Memahami konsep klasifikasi citra secara digital.
3. Melatih klasifikasi citra secara digital metode supervised.
4. Melatih klasifikasi citra secara digital metode unsupervised.

III. ALAT DAN BAHAN


1. Alat tulis
2. Kertas HVS
3. Flashdisk Drive
4. Data Digital Citra Landsat Sebagian Yogyakarta
5. Seperangkat komputer dengan software ER Mapper
6. Pedoman Praktikum Pemrosesan Citra Digital

IV. TINJAUAN PUSTAKA


Klasifikasi citra penginderaan jauh (inderaja) bertujuan untuk menghasilkan
peta tematik, dimana tiap warna mewakili sebuah objek, misalkan hutan laut,
sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni 2007).
Klasifikasi dapat diartikan sebagai kegiatan pengelompokan gejala kedalam
kategori-kategori, dimana setiap kategori dapat dipandang homogen atas dasar
kriteria tertentu. Misalnya, suatu wilayah kota dapat dikelompokan menjadi
kawasan permukiman, kawasan perkantoran, dan kawasan perdagangan. Wilayah
yang sama dapat dikelompokkan menjadi wilayah yang status tanahnya merupakan
milik pribadi dan milik negara. Hasil dari pengelompokan atau klasifikasi ini
berupa peta yang sajian distribusi gejalanya berbeda. Pengelompokan pertama
didasari oleh kriteria fungsi penggunaan lahan, dan kriteria kedua didasari oleh

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

status tanah. Kedua macam hasil tidak dapat dibandingkan, mana yang lebih benar
atau relatif kurang benar.
Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam
kelas-kelas tertentu. Hal ini sesuai dengan asumsi yang digunakan dalam klasifikasi
multispektral ialah bahwa setiap objek dapat dibedakan dari yang lainnya
berdasarkan nilai spektralnya (Projo Danoedoro,1996). Pada umumnya Klasifikasi
citra digital yang digunakan adalah klasifikasi terselia (supervised).
Menurut Projo Danoedoro (1996) klasifikasi supervised (terselia) 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 terselia secara otomatis diputuskan oleh computer, tanpa campur
tangan operator (kalaupun ada, proses interaksi ini sangat terbatas). Proses ini
sendiri adalah suatu proses iterasi, sampai menghasilkan pengelompokan akhir
gugus-gugus spektral. Campur tangan operator terutama setelah gugusan-gugusan
spektral terbentuk yaitu dengan menandai tiap gugus sebagai objek tertentu. Oleh
karena itu teknik klasifikasi semacam ini disebut klasifikasi a-posterior (setelah
fakta) sebagai lawan dari klasifikasi a-priori (mendahului fakta) (Robinove, 1981,
dalam Jensen, 1986).
Klasifikasi terselia diawali dengan pengambilan daerah acuan (training
area). Pengambilan daerah acuan dilakukan dengan mempertimbangkan pola
spektral pada setiap panjang gelombang tertentu, sehingga didapatkan daerah acuan
yang baik untuk mewakili suatu objek tertentu.Sampel yang telah didapatkan
tersebut kemudian dijadikan sebagai masukan dalam proses klasifikasi untuk
seluruh citra dengan menggunakan perhitungan tertentu.
Klasifikasi tidak terselia (unsupervised) meliputi sekumpulan alogaritma
yang didasarkan pemasukkan contoh objek (berupa nilai spektral) oleh operator.
Contoh ini disebut sampel dan lokasi geografis kelompok piksel sampel ini disebut
sebagai daerah contoh (training area). Sebelum sampel diambil, operator (atau

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

pengguna) harus mempersiapkan sistem klasifikasi yang akan diterapkan seperti


halnya klasifikasi manual. Dua hal penting yang harus dipertimbangkan dalam
klasifikasi ialah system klasifikasi dan criteria sampel. Pengambilan sampel secara
digital oleh operator pada dasarnya merupkan cara melatih komputer untuk
mengenali objek berdasarkan kecenderungan spektralnya.
Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk
pemetaan penutup lahan (land cover), dan bukan penggunaan lahan. Aspek
penggunaan lahan secara deduktif dapat diturunkan dari informasi penutup
lahannya, atau dengan cara lain melalui pemasukkan informasi temporal (rotasi
tanaman, citra multitemporal, faktor bentuklahan, dan sebagainya). Oleh karena
itu, sistem

klasifikasi yang disiapkan harus berisi klas-klas penutup lahan

(misalnya padi, jagung, hutan campuran, semak, padang rumput, lahan terbuka, dan
sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung), karena
aspek fungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel.
Bila kerangka klasifikasi yang tersedia ternyata hanya system klasifikasi
untuk penggunaan lahan, maka system ini perlu diterjemahkan dulu menjadi
klasfikasi penutup lahan. Untuk konversi semacam ini, pengetahuan pengguna atau
operator mengenai karakteristik penggunaan lahan dalam kaitannya dengan
penutup lahan sangatlah penting. Disamping itu pengetahuan mengenai kondisi
daerah yang diamati (local knowledge) juga sangat menunjang (Bronsveld et al.
1994). Sistem klasifikasi yang secara langsung mengacu pada kategori-kategori
penggunaan lahan, atau yang mencampur-adukkan aspek penutup lahan dengan
penggunaan lahan sebaiknya tidak digunakan pada klasifikasi awal, mengingatkan
bahwa fungsi penggunaan lahan tidak secara langsung direpresentasikan oleh nilai
piksel (Projo Danoedoro, 1994). Sama dengan metode penelitian ataupun survei
yang lain, sampel haruslah homogen. Homogenitas sampel. Artinya nilai
simpangan baku kelompok piksel tiap sampel haruslah rendah untuk tiap saluran.
Cara termudah untuk mengambil sampel yang memenuhi kriterium ini ialah
dengan mengambil piksel-piksel murni (pure pixel). Pada luasan yang homogen,
pengambilan piksel murni dapat secara mudah dilakukan dengan memilih piksel di
bagian tengah kenampakan objek. Melalui penampilan citra komposit warna yang

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

baik, homogenitas objek dicerminkan oleh warna yang seragam. Di samping itu,
criteria statistic pun diperlukan untuk menilai sampel. Sampel yang baik tentunya
mempunyai homogenitas niali piksel yang tinggi yang ditunjukkan oleh kecilnya
simpangan baku, bentuk histogramnya dan tentu saja juga bentuk gugusnya yang
mengelompok pada feature space. Beberapa alogaritma klasifikasi tersedia:
a. Jarak minimum terhadap rerata (Minimum distance to mean alogarithm)
b. Alogaritma Parallelepiped (Box Classification alogarithm)
c. Alogaritma kemiripan maksimum (Maximum Likelihood Alogarithm)
d. Alogaritma Tetangga Terdekat (K-Nearest Algorithm)
Salah satu alternatif bagi pendekatan bagi klasifikasi data penginderaan jauh
dapat dilakukan dengan menggunakan klasifikasi tak terselia. Klasifikasi ini
menggunakan algoritma untuk mengkaji atau mnganalisis sejumlah besar piksel
yang tidak dikenal dan membaginya dalam sejumlah kelas berdasarkan
pengelompokkan nilai digital citra. Kelas yang dihasilkan dari klasifikasi tak
terselia adalah kelas spektral. Oleh karena itu, pengelompokkan kelas didasarkan
pada nilai natural spektra citra, dan identitas nilai spektral tidak dapat diketahui
secara dini. Hal itu disebabkan analisisnya belum menggunakan data rujukan
seperti citra skala besar untuk menentukan identitas dan nilai informasi setiap kelas
spektral. Data citra yang lebih dari satu saluran sulit untuk menggambarkan nilai
citra untuk identifikasi secara visual dan untuk pengelompokkan spektral secara
natural. Oleh karena itu, tersedia teknik statistik yang dapat digunakan untuk
pengelompokkan secara otomatik rangkaian n dimensional hasil pengamatan ke
kelas spektral natural.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

V. METODE
A. Klasifikasi Tak Terselia (Unsupervised)
1. Menyiapkan alat dan bahan praktikum.
2. Menekan tombol On pada CPU dan monitor.
3. Menunggu hingga tampil layar desktop.
4. Menunggu hingga pointer berwujud panah mucnul (artinya sistem
sudah siap untuk menerima perintah).
5. Memilih dan double click pada program bernama ER Mapper yang
ada di layar desktop atau bisa mencarinya di Start Menu.
6. Memilih menu toolbar File lalu Open pada ER Mapper.

7. Memilih file yang dibuka yaitu citraolahh.ers lalu memilih OK.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

8. Memilih menu Process > klik Classification > klik Isoclass


Unsupervised

Classification,

kemudian

muncul

kotak

dialog

Unsupervised Classification pada ER Mapper.

9. Membuka data melalui Input Dataset kemudian klik volumes klik


E:/ pilih PCD pilih regu 1 pilih citraolahh.ers klik Ok maka
Input Dataset terisi.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

10. Memilih Bands to use kemudian memilih Band 1,5,dan 7 dengan cara
ctrl+klik pada band pada kotak dialog Band Selection lalu memilih
Ok.

11. Memilih Output Dataset kemudian pada Save as ketik nama citra
dengan nama unsupervised lalu klik Ok maka Output Dataset terisi.

12. Memilih Autogenerate menjadi 20 classes kemudian mengisi


Maximum iterations dengan angka 100 dan mengisi Maximum
number of classes dengan angka 20 lalu memilih OK.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

13. Menunggu sampai proses klasifikasi berhasil dan selesai.

14. Memilih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

15. Memilih Class Display dengan cara mengklik kanan pada pseudo
layer.

16. Memilih load data set lalu memilih Unsupervised.ers pada jendela
raster data set dan mengklik OK.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

10

17. Memilih Edit pada menu bar lalu memilih dan mengklik Edit
Class/Region Color and Name, maka munculah jendela Edit
Class/Region.

18. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikan


secara unsupervised lalu memberi warna pada masing-masing objek
supaya mudah dikenali.

19. Mengganti nama objek 1 menjadi Tubuh air dengan cara mengetik
tubuh air pada nomor 1 kemudian menggati warnanya dengan cara
mengklik set color kemudian akan muncul pilihan warna maka memilih
warna biru.
20. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.


21. Mengganti nama objek 2-4 menjadi Vegetasi dengan cara mengetik
tubuh air pada nomor 2-4 kemudian menggati warnanya dengan cara

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

11

mengklik set color kemudian akan muncul pilihan warna maka memilih
warna hijau (gradasi dari hijau tua ke hijau muda).
22. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.


23. Mengganti nama objek 5-7 menjadi Tanah dengan cara mengetik tubuh
air pada nomor 5-7 kemudian menggati warnanya dengan cara
mengklik set color kemudian akan muncul pilihan warna maka memilih
warna kuning (gradasi dari kuning tua ke kuning muda).
24. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.


25. Mengganti nama objek 8-10 menjadi Gumuk Pasir dengan cara
mengetik tubuh air pada nomor 8-10 kemudian menggati warnanya
dengan cara mengklik set color kemudian akan muncul pilihan warna
maka memilih warna merah (gradasi dari merah tua ke merah muda).
26. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.


27. Mengganti nama objek 11-20 menjadi Awan dengan cara mengetik
tubuh air pada nomor 11-20 kemudian menggati warnanya dengan cara
mengklik set color kemudian akan muncul pilihan warna maka memilih
warna putih (gradasi dari abu-abu ke putih).
28. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.


29. Menampilkan citra hasil klasifikasi unsupervised beserta tabel
identifikasi warna objeknya kemudian menutup semua jendela pada ER
Mapper kecuali menu utama.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

12

B. Klasifikasi Terselia (Supervised)


1. Memilih menu utama Edit klik Edit/Create Regions kemudian
muncul kotak dialog New Map Composition pilih Raster Region.

2. Memilih Load From File klik volumes klik E:/ pilih PCD
pilih regu 1 pilih citraolahh.ers klik Ok kemudian Ok maka akan
muncul icon-ikon Tools

3. Memilih ikon tool polygon

pada kotak dialog Tools kemudian

mendeliniasi (mengambil sampel) objek tubuh air dengan tool tersebut


pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

13

4. Memilih ikon Display/Edit Object Attributes

pada kotak dialog

Tools kemudian mengetik nama objek yang sudah dideliniasi yaitu


objek tubuh air klik Apply kemudian klik close.

5. Memilih ikon tool polygon pada kotak dialog Tools kemudian


mendeliniasi (mengambil sampel) objek tanah terbuka dengan tool
tersebut pada citra dan klik sebanyak dua kali untuk mengakhiri
deliniasi.
6. Memilih ikon Display/Edit Object Attributes pada kotak dialog Tools
kemudian mengetik nama objek yang sudah dideliniasi yaitu objek
tanah terbuka klik Apply kemudian klik close.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

14

7. Memilih ikon tool polygon pada kotak dialog Tools kemudian


mendeliniasi (mengambil sampel) objek vegetasi dengan tool tersebut
pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi.
8. Memilih ikon Display/Edit Object Attributes pada kotak dialog Tools
kemudian mengetik nama objek yang sudah dideliniasi yaitu objek
vegetasi klik Apply kemudian klik close.

9. Memilih ikon save pada jendela tools, maka delineasi poligon


otomatis tersimpan.

10. Memilih menu utama Process lalu memilih Classification klik


Supervised Classification.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

15

11. Memilih Input Dataset kemudian klik volumes klik E:/ pilih PCD
pilih regu 1 pilih citraolah.ers memilih OK.

12. Memilih Bands to use kemudian memilih Band 1,5,dan 7 dengan cara
ctrl+klik pada band pada kotak dialog Band Selection lalu memilih
OK.

13. Memilih Output Dataset kemudian pada Save as ketik nama citra
dengan nama supervised lalu klik Ok maka Output Dataset terisi.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

16

14. Memilih classification type yaitu Maximum Likelihood Enhanced.

15. Memilih OK pada jendela supervised classification lalu menunggu


hingga proses klasifikasi selesai.

16. Memilih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

17

17. Memilih Class Display dengan cara mengklik kanan pada pseudo
layer.

18. Memilih load data set lalu memilih supervised.ers pada jendela raster
data set dan mengklik OK.

19. Memilih Edit pada menu bar lalu memilih dan mengklik Edit
Class/Region Color and Name, maka munculah jendela Edit
Class/Region.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

18

20. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikan


secara supervised lalu memberi warna pada masing-masing objek
supaya mudah dikenali.

21. Mengganti warna objek 1 yaitu tanah terbuka menjadi warna jingga
atau sesuai keinginan.
22. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.


23. Mengganti warna objek 2 yaitu vegetasi menjadi warna jingga atau
sesuai keinginan.
24. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.


25. Mengganti warna objek 2 yaitu tubuh air menjadi warna jingga atau
sesuai keinginan.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

19

26. Memilih

save>Yes,

lalu

Mengklik

ikon

Refresh

untuk

menyempurnakan tampilan citra.

27. Menampilkan citra hasil klasifikasi supervised beserta tabel identifikasi


warna objeknya.
28. Menutup semua jendela ER Mapper dan aplikasi lainnya pada komputer
kemudian mematikan komputer secara baik dan benar.

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

20

VI. HASIL PRAKTIKUM


1. Tampilan Citra Hasil Klasifikasi Unsupervised beserta Tabel Identifikasi
Warna Objeknya

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

21

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

22

2. Tampilan Citra Hasil Klasifikasi Supervised beserta Tabel Identifikasi


Warna Objeknya

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com