LAPORAN PRAKTIKUM

SAPSIAL DATA MINNING

(GKP 0108)
ACARA I
Deteksi Obyek Tutupan Lahan Terbangun dengan Pemrosesan PCA dan CTA

dibuat oleh:
Nama

: Angga Setyawan

NIM

: 12/336390/GE/07480

Hari/Jam : Rabu, 09.00-10.00 WIB

Asisten

: 1. Labib Malik
2. Sri Lestari
3. Carolina Ajeng

LABORATORIUM SISTEM INFORMASI GEOGRAFI

FAKULTAS GEOGRAFI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2014

Spasial Data Minning

Pembahasan
Acara pertama spasial data minning menjelaskan tentang teknis pemrosesan citra
penginderaan jauh sampai tahap CTA (Classification Tree Analysis).Pada dasarnya CTA
merupakan algoritma yang digunakan untuk klasifikasi dengan data tambahan. Data tambahan
tersebut merupakan terdapat dicision tree, yang merupakan penjelasan tentang arah setiap
keputusan kalsifikasi yang didasarkan pada nilai pixel termasuk dalam band apa sesuai nilainya.
Data yang digunakan merupakan citra Landsat ETM temporal pada tahyn 2002 dan pada tahun
2006. Karena satu scene citra Landsat sangat besar, maka untuk mengurangi premosesan, maka
citra tersebut dispasial subset, agar pemotongan citra bsarannya sama, maka satu citra yang telah
dipotong tadi, didigit batasannya, dan digunakan sebagai dasran pemotongan raster citra pada
software envi mengguanakan tool ROI. Sebelum diproses kedalam CTA, maka citra
penginderaan jauh harus diproses dan ditransformasi kedalam PCA (Principal Component
Analysis). Sebelum citra diproses kedalam PCA, maka citra harus dikoreksi readiometrik dahulu
yaitu dari digital number diubah menjadi nilai radian, radian diubah menjadi TOA reflectan, dan
diubah lagi menjadi surface refelectan atau dark substrat. Koreksi pda tahap radian bertujuan
untuk kalibrasi sensor saat perekaman, sedangkan pada nilai TOA reflectan dilakukan karena
pada proses penerimaan energy pantulan tersebut, melewati atmosfer, sedangkan pada keadaan
tertentu atmosfer mengalami hamburan, yaitu reyleght (hamburan panjang gelombang ultraviolet
dan biru), sdan hamburan mie (jendela atmosfer meloloskan panjang gelombang merah),
sehingga dalam penerimaan energy pantulan dari objek ke sensor dalam perjalanannya akan
terganggu oleh proses hamburan tersebut. Sehingga dilakukan koreksi reflektan bertujuan untuk
meminimalisir gangguan hamburan tersebut. Dan koreksi radiometric yang terakhir merupakan
koreksi ke nilai drak substrat, pada koreksi ini dilakukan karena nilai TOA reflectan terdapat
nilai pixel yang minus (-) sehingga koreksi ini dugunakan utnuk menggeser histogram agara nilai
akhirnya berubah menjadi nilai aslinya yaitu nilai 0. PCA merupakan slah satu transformasi
spectral yang bertujuan untuk mengurangi noise yang terdapat pada citra. Pada dasarnya PCA
merupakan transformasi salra spectral yang bertujuan untuk mengurangi data. Input dari PCA
merupakan data statistic citra seperti rata-rata, standart deviasi, variansi, dan korelansi dari input

antar band. Data stastistik tersebut digunakan untuk merotasikan data asli yang menghasilkan
band-band PC baru yang mempunyai inforasi baru. Hasil-hasil PC band tersebut mempunyai
informasi yang tidak berkorelasi, sehingga setiap hasil PC band mempunyai informasi efektif
yang berbeda-beda, dengan kata lain informasi PC band 1 tidak akan terulang pada hasil PC band
2, dan informasi PC band 2 tidak akan dimuat pada hasil PC band 1 maupun3 . kelebihan
menggunakan PCA ini adalah mampu menenkan noise yang ada pada input band, biasanya
penekanan noise dilakukan pada hasil PCA kisaran PC band akhir, misalkan pada proses
praktikum ini menggunakan Landsat band 1,2,3,4,5, dan 7 dan dihasilkan PC band 1,2,3,4,5 dan
6. Umumya jumlah saluran masukan, hanya tiga atau empat band pertama yang efektif berisi
informasi, sedangkan PC band 5 dan 6 mempunyai kenampakan yang mempunyai banyak noise.
Setlah itu, dilakukan invers PCA / pengembalian informasi data pixel kedalam band semula
setelah dihilangkan noise pada citra awal, Invers PCA ini merupakan pengembalian dari hasil PC
band yang dihasilkan dikembalikan menjadi band-band awal. Dalam konsepnya invers PCA
merupakan kebalikan dari PCA. Hal yang menarik dalam melakukan invers PCA, yaitu input
band PCA, yaitu hanya band 1,2 dan 3. Hal tersebut karena PC badn 4,5 dan 6 mengandung
banyak noise, sehingga hanya band-band awal yang dimasukkan dalam input invers PCA. Hasil
dari invers PCA ini seharusnya berbeda dengan input dari PCA bahkan lebih baik. Karena noise
yang terdapat pada band awal (input PCA) tidak dimasukkan dalam input invers PCA. Tetpi
pada hasil invers PCA kebanyakan mempunyai kenampakan yang sama dengan band awal (input
PCA), dan juga perbedaan pada beberapa rona objek pada band tertentu.
CTA (Classification Tree Analysis), pada klasifikasinya saya menggunakan ROI (Region
of Interest), dengan klasifikasi sampel 4 kelas, yaitu tubuh air, tanah, vegetasi kerapatan sedang,
dan vegetasi kerapatan tinggi. Pada klasifikasi CTA citra Landsat dibagi lagi, dengan dasaran
nilai leaves with proportion yaitu pada nilai1% dengan 10%. Pada citra Landsat tahun 2002
dengan nilai leaves with proportion 1%, dengan nilai 10% mempunyai kenamapakan klasifikasi
yang hamper sama, tetapi hal yang membedakan dalam tampilan infomrasinya yaitu
pengambilan keputusan decision tree. Decision tree pada nilai leaves with proportion 1%
mempunyai tahap pengambilan keputusan yang lebih banyak dibanding decision tree 10%.
Misalkan pada decision tree 10% Landsat tahun 2002 cara membacanya antara lain

Jika pada band 2 mempunyai memiliki nilai kurang dari 19.397 maka akan masuk
kedalam kelas pertama yaitu tubuh air sedangkan jika nilainya lebih dari 19.397 akan masuk
kedalam internode kedua yaitu jika nilainya lebih besar dari 19.39 dan lebih kecil dari 59.981
maka klasifikasinya termasuk kedalam kelas 4 yaitu kelas vegetasi kerapatan tinggi, jika nilai
lebih dari 58.91 akan masuk kedalam internode ketiga yaitu jika nilainya antara 58.98 sampai
84.55 akan masuk kedalam kelas ketiga yaitu vegetasi kerapatan rendah sedangkan jika nilainya
lebih besar dari 84.55 akan masuk dalam klasifikasi kelas kedua yaitu kenampakan objek tanah.
Sedangkan nilai purity menjalaskan nilai dimana pixel asli dalam citra yang terklasifikasikan
kedalam kelas tersebut, seperti pada kelas empat nilai pixel aslinya 99.10%.

Tahun 2002

Tahun 2006

Pada perbandingan kedua citra temporal yang telah diklasifikasikan CTA, terlihat bahwa
pemotongan kedua citra tersebut belum sama, kenampakan pada tahun 2002 mempunyai
kenampakan cakupan yang lebih luas dibendingkan dengan kenampakan pada tahun 2006.Dilihat
dari klasifikasinya bahwa kenampakan kelas ketiga yaitu kenampakan vegetasi kerapatan rendah,
pada tahun 2002 masih banyak sedangkan pada tahu 2006 mempunyai kenampakan yang
berubah menjadi objek tanah, hal ini dalam analisisnya, bnyak terjadi alihfungsi lahan kedalam
pemukiman atau perkotaan dari kenampakan vegetasitersebut, tetapi kenampakan vegetasi tinggi
mayoritas masih tetap sama, karena kanampakan vegetasi kerapatan tinggi terdapat pada daerah
pegunungan, selain karena daerah konservasi, daerah ini juga sangat bahaya jika dibuat
pemukiman secara besar-besaran.

Landsat 2002
Leaves with proportion 1%

Leaves with proportion 10%

Landsat 2006
Leaves with proportion 1%

Leaves with proportion 10%