Disusun oleh :
Nama
Website
: www.guntara.com
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.
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
(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
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.
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.
Classification,
kemudian
muncul
kotak
dialog
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.
14. Memilih menu File > New > mengklik kanan pada jendela
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.
10
17. Memilih Edit pada menu bar lalu memilih dan mengklik Edit
Class/Region Color and Name, maka munculah jendela Edit
Class/Region.
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
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
save>Yes,
lalu
Mengklik
ikon
Refresh
untuk
save>Yes,
lalu
Mengklik
ikon
Refresh
untuk
save>Yes,
lalu
Mengklik
ikon
Refresh
untuk
12
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
13
14
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.
16
16. Memilih menu File > New > mengklik kanan pada jendela
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.
18
21. Mengganti warna objek 1 yaitu tanah terbuka menjadi warna jingga
atau sesuai keinginan.
22. Memilih
save>Yes,
lalu
Mengklik
ikon
Refresh
untuk
save>Yes,
lalu
Mengklik
ikon
Refresh
untuk
19
26. Memilih
save>Yes,
lalu
Mengklik
ikon
Refresh
untuk
20
21
22