Anda di halaman 1dari 11

KLASIFIKASI TIDAK TERBIMBING

(UNSUPERVISED CLASSIFICATION)

OLEH :
RAHMAN KURNIADI
E.161130061/IPH 2013

SEKOLAH PASCA SARJANA


INSTITUT PERTANIAN BOGOR
2014

ABSTRAK
Praktikum ini bertujuan melakukan klasifikasi secara tidak terbimbing terhadap citra Spot
yang berlokasi di Dramaga. Metode klasifikasi yang dilakukan adalah Jarak Euclidean
terdekat. Hasil Praktikum menunjukan bahwa

beberapa metode dapat digunakan untuk

melakukan klasifikasi tidak terbimbing.


Kata Kunci : unsupervised classification, dendogram, piksel
I. PENDAHULUAN
A.LATAR BELAKANG
Citra satelit dapat dimanfaatkan dengan baik apabila citra tersebut telah diklasifikasi
sehingga mempermudah pengguna memahaminya. Klasifikasi dapat dilakukan secara visual
maupun secara digital. Proses klasifikasi dapat dilakukan secara visual dan secara

digital. Klasifikasi visual dilakukan

oleh tenaga ahli dengan memanfaatkan

penampakan citra pada layar komputer.Sedangkan klasifikasi digital dilakukan


dengan

memanfaatkan

nilai

digital

dari

suatu

piksel

yang

kemudian

ditransformasikan menjadi kelas-kelas penggunaan lahan. Klasifikasi secara visual


dan secara digital mempunyai kelemahan dan kelebihan masing-masing.
Terdapat dua proses klasifikasi citra secara digital yaitu klasifikasi secara
terbimbing (supervised classification) dan kalisifikasi tidak terbimbing (unsupervised
classification). Klasifikasi citra yang berdasarkan data awal dari lapangan dinamakan
klasifikasi terbimbing. Sedangkan apabila tidak mempunyai data awal dari lapangan
dilakukan klasifikasi tidak terbimbing (unsupervised classification). Praktikum ini
menitik beratkan pda proses klasifikasi tidak terbimbing.
B.TUJUAN
Tujuan praktikum ini seebagai berikut :
1. Melakukan klasifikasi tidak terbimbing
2. Membuat Dendogram

II.METODE

A. Tempat dan Waktu Praktikum


Praktikum dilakukan di Laboratorium fisik Remote Sensing dan GIS, Fakultas Kehutanan,
Institut Pertanian Bogor. Praktikum dilaksanakan tanggal 28 April 2014.
B. langkah Praktikum
1. Membuat citra klasifikasi citra tidak terbimbing 16 kelas initial
Langkah yang dilakukan sebagai berikut :
BUKA ERDASS>Clssifier>unsupervised clasification

Gambar 1. Proses kalsifikasi tidak terbimbing


2. Pembuatan Matrik Jarak
Langkah yang dilakukan sebagai berikut .
Classifier>Signature Editor >Open>spot_unsuper.sig>View>Statistic>copy mean> Paste ke
excel >buatlah matrik jarak dengan menggunakan rumus jarak minimum>Save as dalam
bentuk file TXT.

Gambar 2. Proses pengambilan nilai rata-rata piksel dari tiap kelas

Data tersebut merupakan data untuk perhitungan jarak piksel dan dendogram. Adapun rumus
yang digunakan untuk perhitungan jarak adalah :
Djk = (Xij-Xik)2
Contoh formula exel yang digunakan adalah :
E6=(E$2-$A6)^2+(E$3-$B6)^2+(E$4-$C6)^2+(E$5-$D6)^2

Gambar 3. Pembuatan matrik jarak


3. Pembuatan dendogram
Pembuatan Dendogram dilaksanakan dengan menggunakan program ARCVIEW yang telah
diprogram. Adapun langkah langkahnya sebagai berikut.
Buka arcview yang telah diisi program perhitungan Dendogram>New>view> Klik simbol
Dendogram>
Buka file Untuk_dendogram.dbf>Single _linkkage>OK

Gambar 4. Proses pembuatan dendogram dengan ArcView

Gambar 5. Penampilan Arcview yang telah dilengkapi perhitungan Dendogram dan Nilai
Kappa.
III. HASIL DAN PEMBAHASAN

A. Hasil
1. Citra hasilInitial classification
Berikut ini citra hasil initial classification yang terdiri dari 16 kelas. Klsifikasi menggunakan
metode jarak terdekat.

Gambar 6. Citra hasil klasifikasi tidak terbimbing 16 Kelas

2. Dendogram

Berikut ini hasil perhitungan dendogram dengan menggunakan ArcView.

Gambar 7. Dendogram yang dihasilkan dengan Arcview.

Dari perhitungan dendogram tersebut maka dapat dibuat peta dendogram sebagai berikut :

Gambar 8. Dendogram untuk pembuatan klasifikasi.

B. Pembahasan

Klasifikasi tidak terbimbing merupakan proses klasifikasi yang dilakukan secara komputer.
Hampir semua proses dilakukan oleh komputer. Dengan cara ini dapat diperoleh sejumlah
kelas sesuai dengan keinginan pengguna. Beberapa macam algoritma dapat digunakan untuk
melakukan klasifikasi tidak terbimbing. Salah satu algoritma yang sering digunakan adalah
Jarak terdekat euclidean. Dengan algoritma ini pengelompokan berdasarkan jarak terdekat.
Kelas-kelas yang memiliki jarak terdekat dpat dikelmpokan ke dalam satu kelas. Dengan
menggunakan algoritma tersebut pada praktikum ini citra kampus dibagi ke dalam 16 kelas
initial. Display citra hasil klasifikasi dapat dilihat pada gambar 6.

Untuk memperjelas

perbedaan antar kelas, warna tiap kelas dpat diubah.


Menurut Jaya (2010)
dibedakan atas

Berdasarkan teknik pendekatannya klasifikasi kuantitatif

klasifikasi tidak terbimbing (unsupervised classification) dan klasifikasi

terbimbing (supervised clasification ). Klasifikasi tidak terbimbing adalah klasifikasi yang


proses pembentukan kelas-kelasnya sebagian besar dikerjakan oleh komputer. Kelas-kelas
atau kluster yang terbentuk dalam klasifikasi ini sangat tergantung kepada data itui sendiri.
Dalam prosesnya, kalsifikasi ini mengelompokan piksel-piksel berdasarkan kesamaan atau
kemiripan spektralnya. Kelas-kelas itu tidak berhubungan secara langsung dengan watak
tertentu dari pitur atau objek yang ada pada citra.
Langkah berikutnya yang dilakukan setelah

memperoleh

memberi label untuk setiap kelas yang terbentuk. Label

kelas initial adalah

dapat dibuat berdasarkan

penampakan yang ada. Dari hasil praktikum beberapa kelas dapat dikenali dengan mudah.
Misalnya awan dan badan air dapat mudah dikenali. Selanjutnya dilakukan recode untuk
memperjelas kelas yang ada. Dalam praktikum recode dilakukan dengan cara menamakan
tiap kelas dan memberi warna.
Kelas-kelas initial yang telah terbentuk dapat dikelompokan lagi berdasarkan
kemiripannya.

Pada praktikum ini digunakan metode jarak terdekat untuk membuat

dendogram. Jumlah kelas yang terbentuk berkurang setelah penggabungan. Misalkan untuk
awan, awalnya terdapat dua kelas. Kedua kelas tersebut dapat digabungkan menjadi satu
kelas.

Pembuatan dendogram dapat dilakukan secara manual dengan menggunakan

mocrosoft excell. Namun demikian pembuatan dendogram dapat juga dilakukan dengan
menggunakan bantuan program Arcview. Pada praktikum ini pembuatan dendogram
dilakukan dengan bantuan program Arcview.
Klasifikasi tidak terbimbing telah banyak digunakan untuk penelitian. Misalnya
Nasrul (2009) melakukan klasifikasi untuk penampakan citra agroforestri. Dengan cara ini

10

dapat dipisahkan antara lahan yang digunakan untuk agroforestri dengan lahan yang bukan
agoforestri. Sementara itu Sulistyawati (1993) melakukan klasifikasi tidak terbimbing untuk
melakukan identifikasi penutupan lahan.
Praktikum ini tidak disertai dengan uji di lapangan. Oleh karena itu hasil klasifikasi
tidak dapat dikonfirmasi. Untuk penggunaan yang lebih luas hasil klasifikasi perlu diuji di
lapangan agar hasil klasifikasi tersebut akurat dan dapat digunakan untuk mengetahui luas
dari setiap kelas yang teridentifikasi.
IV. KESIMPULAN
Dari hasil praktikum dapat disimupulkan bahwa dengan menggunakan algoritma jarak
terdekat dapat dilakukan klasifikasi tidak terbimbing. Hasil klasifikasi dapat dikelompokan
lagi

membentuk suatu dendogram.

Kelas-kelas yang memiliki jarak terdeka dapat

dikelompokan ke dalam satu Kelas.


DAFTAR PUSTAKA

Jaya, I.N. Analysis Citra Digital. Perspektif Penginderaan Jauh Untuk Pengelolaan
Sumberdaya Alam. Teori dan Praktik Menggunakan ERDAS IMAGINE. Tidak
diterbitkan.
Nasrul, B., Anthony Hamzah, dan Idwar. Analisis Digital Landsat Etm+ untuk
mengidentifikasi Sistem Agroforestri Daerah Riau. J. Tanah Trop., Vol. 14, No. 1,
2009: 81-87 ISSN 0852-257X.
Sulistyawati,T.S. 1993. Identifikasi Pola Penutupan Lahan Melalui Analisis Dijital Citra SAR
Star -1 Studi Kasus Daerah Gemar Baru Muara Ancalong Kalimantan Timur. Tidak
Diterbitkan.