Anda di halaman 1dari 20

LAPORAN PRAKTIKUM

PENGINDERAAN JAUH

ACARA V
KLASIFIKASI CITRA MULTI SPEKTRAL SUPERVISED DAN
UNSUPERVISED

Oleh:
RAHMAWATI SRI P
120721435402
Yang dibimbing oleh bapak Alfi Nur Rusydi, S.Si.,M.Sc.

PENDIDIKAN GEOGRAFI
FAKULTAS ILMU SOSIAL
UNIVERSITAS NEGERI MALANG
2014
KLASIFIKASI CITRA MULTI SPEKTRAL SUPERVISED DAN
UNSUPERVISED

A. Tujuan : mahasiswa dapat mengetahui klasifikasi citra supervised dan


unsupervised serta mengetahui perbedaan hasil klasifikasi
tersebut.
B. Alat dan Bahan:
1. Laptop
2. Software ENVI 4.5
3. Hasil foto citra Landsat daerah Semarang
C. Dasar Teori
1. Penginderaan Jauh
Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi
tentang objek, daerah, gejala dengan menganalisis data dengan alat tanpa kontak
langsung. Informasi yang didapatkan dari penginderaan jauh ,yaitu : pola
pemukiman, mengidentifikasi vegetasi, identifikasi gunung berapi, perubahan
lahan, dan kandungan kimia.Komponen dasar dari penginderaan jauh adalah
sumber energi, rona, wahana, dan sensor. Sumber energi terbesar adalah matahari.
Matahari memancarkan energi elektromagnetik dan kemudian dipantulkan menuju
sensor yang berguna untuk mencatat dan mengumpulkan gelombang EM dan
setelah itu dikirim ke stasiun penerima dan diaplikasikan menjadi citra.
Karakteristik Penginderaan Jauh :
1. Sensor
Terdapat dua sistem, yaitu pasif ( energi matahari) dan aktif ( radar).
2. Resolusi
Kemampuan suatu sistem elektronik untuk membedakan informasi secara
spektral yang mempunyai kemiripan. Ada empat jenis resolusiyang sering
digunakan. Resolusi spasial,spektral,temporal,dan radiometrik.
3. Lebar Sapuan
Lebar permukaan bumi yang dapat direkam oleh satelit, biasanya tergantung
tinggi orbit.
4. Sistem Orbit

Terdapat beberapa orbit yang dikenal dalam penginderaan jauh, yaitu orbit
polar,ekuatorial,dan tetap.
2. Pengertian Citra
2.1 Interpretasi Citra
Interpretasi citra adalah kegiatan menafsirkan, mengkaji,mengidentifikasi,
dan mengenali obyek pada citra, selanjutnya menilai arti penting obyek tersebut,
misalnya berdasarkan ukuran, bentuk, letak dan sebagainya. Langkah langkah
intepretasi citra yaitu Deteksi, Identifikasi, Pengenalan, Analisis, Deduksi,
Klasifikasi, dan Idealisasi. Setelah melalui tahapan tersebut, citra dapat
diterjemahkan dan digunakan ke dalam berbagai kepentingan seperti dalam:
geografi, geologi, lingkungan hidup dan sebagainya. Pada dasarnya kegiatan
interpretasi citra terdiri dari 2 proses, yaitu:
1. Pengenalan objek melalui proses deteksi, yaitu pengamatan atas adanya
suatu objek. Berarti penentuan ada atau tidaknya sesuatu pada citra atau
upaya untuk mengetahui benda dan gejala di sekitar kita dengan
menggunakan alat pengindera (sensor). Untuk mendeteksi benda dan gejala
di sekitar kita, penginderaan tidak dilakukan secara langsung atas benda,
melainkan dengan mengkaji hasil reklamasi dari foto udara atau satelit.
Dalam identifikasi ada tiga ciri utama benda yang tergambar pada citra
berdasarkan cirri yang terekam oleh sensor yaitu sebagai berikut:
a. Spektoral, ciri yang dihasilkan oleh interaksi antara tenaga
elektromagnetik dan benda yang dinyatakan dengan rona dan
warna.
b. Spatial, ciri yang terkait dengan ruang yang meliputi bentuk,
ukuran, bayangan, pola, tekstur, situs dan asosiasi.
c. Temporal, ciri yang terkait dengan umur benda atau saat perekaman.
2.Penilaian

atas

fungsi

objek

dankaitan

antar

objek

dengan

cara

menginterpretasi dan menganalisis citra yang hasilnya berupa klasifikasi


yang menuju kea rah terorisasi dan akhirnya dapat ditarik kesimpulan dari
penilaian tersebut. Pada tahapan ini interpretasi dilakukan oleh seorang yang

sangat ahli pada bidangnya, karena hasilnya sangat tergantung pada


kemampuan penafsir citra.
2.1.1 Kunci Interpretasi
Dalam proses intepretasi terdapat kunci intepretasi, yaitu :
1. Rona dan warna
Tingkat kegelapan atau kecerahan sebuah objek.Rona berhubungan
dengan banyaknya cahaya yang pada suatu interval panjang gelombang.
Rona dibedakan menjadi 5 tingkatan putih, kelabu-putih, kelabu,
kelabu-hitam, dan hitam.
Contoh : air tampak gelap, perbukitan kapur tampak terang.
Permukaan kasar cenderung menimbulkan rona gelap pada citra
karena sinar yang datang karena sinar yang datang mengalami
hamburan hingga mengurangi pantulan.
Faktor yang mempengaruhi :
-

Bahan yang digunakan


Cuaca
Letak obyek waktu pemotretan
2. Ukuran
Meliputi jarak, luas, volume,ketinggian tempat,dan kemiringan
lereng.
Contoh : ukuran rumah berbeda dengan ukuran perkantoran, biasanya
rumah

berukuran

lebih

kecil

dibandingkan

dengan

bangunan

perkantoran.
3. Bentuk
Bentuk merupakan atribut yang jelas sehingga banyak sekali obyek
yang dikenali dengan melihat bentuknya saja.Contoh Bangunan
Gedung: berbentuk I, L, U, tajuk pohon alma: berbentuk bintang,
Gunung berapi: berbentuk kerucut, dsb.
4. Bayangan

Merupakan kunci pengenalan objek yang penting untuk beberpa


jenis objek. Bayaangan bersifat menyembunyikan obyek yang berada di
daerah gelap. Misalnya, untuk membedakan antara pabrik dan
pergudangan, dimana pabrik akan terlihat adanya bayangan cerobong
asap sedangkan gudang tidak ada.
5. Tekstur
Frekuensi perubahan rona pada citra atau pengulangan rona
kelompok obyek yang terlalu kecil untuk dibedakan secara individual.
Tekstur dinyatakan dengan kasar, halus, dan sedang. Misalanya
pemukiman (berkelompok); hutan(kasar) ; belukar (sedang) ; padi
(halus).
6. Pola
Susunan keruangna merupakan ciri yang menandai bagi banyak
objek bentukan manusia dan bagi beberapa objek bentukan alamiah,
contoh; pola teratur (tanaman perkebunan.Permukiman transmigrasi),
pola tidak teratur: tanaman di hutan, jalan berpola teratur dan lurus
berbeda dengan sungai yang berpola tidak teratur atau perumahan
(dibangun oleh pengembang) berpola lebih teratur jika dibandingkan
dengan perumahan diperkampungan.
7. Situs
Menjelaskan letak objek terhadap objek lain disekitarnya,
contoh pohon kopi di tanah miring, pohon nipah di daerah payau,
sekolah dekat lapangan olahraga, pemukiman akan memanjang di
sekitar jalan utama.
8. Asosiasi
Diartikan sebagai keterkaitan antara objek yang satu dengan objek
yang lain. Sehingga asosiasi ini dapat dikenali 2 objek atau lebih secara

langsung. Contohnya stasiun KA, terdapat jalur rel KA, lapangan sepak
bola, terdapat gawang.
2.2. Klasifikasi Citra
Klasifikasi citra merupakan proses yang berusaha mengelompokkan
seluruh pixel pada suatu citra ke dalam sejumlah class (kelas), sedemikian hingga
tiap class merepresentasikan suatu entitas dengan properti yang spesifik (Chein-I
Chang dan H.Ren, 2000). Klasifikasi citra menurut Lillesand dan Kiefer (1990),
dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised
classification) dan klasifikasi tidak terbimbing (unsupervised classification).
Pemilihannya bergantung pada ketersediaan data awal pada citra itu. Proses
pengklasifikasian klasifikasi terbimbing dilakukan dengan prosedur pengenalan
pola spektral dengan memilih kelompok atau kelas-kelas informasi yang
diinginkan dan selanjutnya memilih contoh-contoh kelas (training area) yang
mewakili setiap kelompok, kemudian dilakukan perhitungan statistik terhadap
contoh-contoh kelas yang digunakan sebagai dasar klasifikasi.
Klasifikasi unsupervised digunakan ketika kita hanya mempunyai sedikit
informasi tentang dataset kita. Pada klasifikasi tidak terbimbing, pengklasifikasian
dimulai dengan pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas
berdasarkan pada pengelompokkan nilai-nilai citra seperti apa adanya. Prosedur
umumnya mengasumsikan bahwa citra dari area geografis tertentu adalah di
kumpulkan

pada

multiregion

dari

spektrum

elektromagnetik.

Dengan

menggunakan metode ini, program klasifikasi mencari pengelompokan secara


natural atau clustering berdasarkan sifat spektral dari setiap pixel.
Analisa cluster merupakan suatu bentuk pengenalan pola yang berkaitan
dengan pembelajaran secara unsupervised, dimana jumlah pola kelas tidak
diketahui (James J. Simpson, Timothy J. McIntire, dan Matthew Sienko, 2000).
Proses clustering melakukan pembagian data set dengan mengelompokkan
seluruh pixel pada feature space (ruang ciri) ke dalam sejumlah cluster secara
alami. Klasifikasi unsupersived secara sendiri akan mengkategorikan semua pixel

menjadi kelas-kelas dengan menampakan spektral atau karakteristik spektral yang


sama namun belum diketahui identitasnya, karena didasarkan hanya pada
pengelompokan secara natural. Pengguna harus membandingkan dengan data
referensi, misalnya dengan data penggunaan lahan. Dengan demikian kelas-kelas
spektral tersebut dapat diberikan identitasnya. Setelah itu informasi ini kita bisa
memutuskan untuk mengkombinasikan atau menghapus kelas-kelas yang
diinginkan. Kita juga perlu untuk memberi warna dan nama untuk masing-masing
kelas.
Setelah setiap piksel dikelompokkan lalu masing-masing rata-rata kelas
spectral dihitung. Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap
rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spectral
yang memiliki jarak terdekat.
Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi
kelas spectral yaitu:
1. Standar deviasi maksimum, nilai standari deviasi maksimum yang sering
digunakan berkisar antara 4,5 sampai 7
2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam
persen (%).
3. Nilai pemisahan pusat kelas yang dipecah
4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai
3,9.
Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral
terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan:
1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan
kebutuhan
2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam %).
Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antara
obyek dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi
kategori objek tertentu. Pengidentifikasian kelas spektral menjadi obyek tertentu
dapat dilakukan menggunakan suatu data acuan atau referensi penunjang. Setelah
semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan untuk
menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan
7

perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil


klasifikasi dapat ditunjukkan dari gradasi warna yang terbentuk yang menunjukkan
jenis kelas yang dikelompokkan oleh komputer.
Secara umum tingkat keakuratan klasifikasi tergantung pada; 1) Class
Separability (pemisahan kelas), 2) ukuran training sample (sampel latihan), 3)
jumlah spektral band, dan 4) jenis klasifikasi atau fungsi pemisah. Tingkat
keakuratan klasifikasi akan semakin tinggi jika penggunaan nilai parameter kelas
semakin tepat, penggunaan class separability semakin bertambah, perbandingan
antara ukuran training sample dengan jumlah spektral band semakin besar dan
pemilihan jenis klasifikasi yang tepat.

2.2.1 Klasifikasi Citra Terawasi (Supervised)


Pada metode supervised ini, analis terlebih dulu menetapkan beberapa
training area (daerah contoh) pada citra sebagai kelas lahan tertentu.
Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam citra
mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh
kemudian digunakan oleh komputer sebagai kunci untuk mengenali piksel
lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukan kedalam
kelas lahan yang telah ditetapkan sebelumnya. Jadi dalam metode supervised
ini analis mengidentifikasi kelas informasi terlebih dulu yang kemudian
digunakan untuk menentukan kelas spectral yang mewakili kelas informasi
tersebut. (Indriasari, 2009)

Gambar 1 Cara Kerja Metode Supervised


Algoritma yang bisa digunakan untuk menyelesaikan metode supervised
ini diantaranya adalah minimun distance dan parallelepiped.
Penggunaan istilah terawasi disini mempunyai arti berdasarkan suatu
referensi penunjang, dimana kategori objek-objek yang terkandung pada citra
telah dapat diidentifikasi. Klasifikasi ini memasukkan setiap piksel citra tersebut
kedalam suatu kategori objek yang sudah diketahui.Sebelum klasifikasi dilakukan,
maka kita harus memasukkan inputan sebagai dasar pengklasifikasian yang akan
dilakukan. Dengan klasifikasi ini, kita lebih bebas untuk memilah data citra sesuai
dengan kebutuhan. Misalnya dalam suatu kawasan kita hanya akan melakukan
klasifikasi terbatas pada jenis jenis kenampakan secara umum semisal jalan,
pemukiman, sawah, hutan, dan perairan. Hal tersebut dapat kita lakukan dengan
klasifikasi ini. Proses input sampel juga cukup mudah, hanya saja perlu ketelitian
dan pengalaman agar sampel yang kita ambil dapat mewakili jenis klasifikasi.
Baik buruknya sampel, Diwujudkan dalam nilai indeks keterpisahan. Proses
klasifikasi dengan pemilihan kategori informasi yang diinginkan dan memilih
training area untuk tiap ketegori penutup lahan yang mewakili sebagai kunci
interpretasi merupakan klasifikasi terbimbing. Klasifikasi terbimbing digunakan
data penginderaan jauh multispectral yang berbasis numeric, maka pengenalan
polanya merupakan proses otomatik dengan bantuan komputer. Klasifikasi
terbimbing yang didasarkan pada pengenalan pola spectral terdiri atas tiga
tahapan, yaitu: 1. Tahap training sample: analisis menyusun kunci interpretasi dan
mengembangkan secara numeric spectral untuk setiap kenampakan dengan
memeriksa batas daerah (training area). 2. Tahapan klasifikasi: setiap pixel pada
9

serangkaian data citra dibandingkan steiap kategori pada kunci interpretasi


numeric, yaitu menentukan nilai pixel yang tak dikenal dan paling mirip dengan
kategori yang sama. Perbandingan tiap pixel citra dengan kategori pada kunci
interpretasi dikerjakan secara numeric dengan menggunakan berbagai strategi
klasifikasi (dapat dipilih salah satu dari jarak minimum rata-rata kelas,
parallelepiped, kemiripan maksimum). Setiap pixel kemudian diberi nama
sehingga diperoleh matrik multi dimensi untuk menentukan jenis kategori
penutupan lahan yang diinterpretasi. 3. Tahapan keluaran: hasil matrik didenileasi
sehingga terbentuk peta penutupan lahan, dan dibuat tabel matrik luas berbagai
jenis tutupan lahan pada citra.
2.2.2. Klasifikasi Citra Tak Terawasi (Unsupervised)
Cara kerja metode unsupervised ini merupakan kebalikkan dari metode
supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh
komputer kedalam kelas-kelas spektral menggunakan algoritma klusterisasi
(Indriasari, 2009). Dalam metode ini, diawal proses biasanya analis akan
menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah
mendapatkan hasil, analis menetapkan kelas-kelas lahan terhadap kelas-kelas
spektral yang telah dikelompokkan oleh komputer. Dari kelas-kelas (cluster) yang
dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap memiliki
informasi yang sama menjadi satu kelas. Misal class 1, class 2 dan class 3 masingmasing adalah sawah, perkebunan dan hutan maka analis bisa mengelompokkan
kelas-kelas tersebut menjadi satu kelas, yaitu kelas vegetasi. Jadi pada metode
unsupervised tidak sepenuhnya tanpa campur tangan manusia. Beberapa algoritma
yang bisa digunakan untuk menyelesaikan metode unsupervised ini diantaranya
adalah K-Means dan ISODATA.

10

Gambar 2 : Cara Kerja Metode Unsupervised


Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya tidak
menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa proses
tersebut hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel
pada citra. Klasifikasi citra tak terawasi mencari kelompok-kelompok (cluster)
piksel-piksel, kemudian menandai setiap piksel kedalam sebuah kelas berdasarkan
parameter-parameter pengelompokkan awal yang didefinisikan oleh penggunanya.
Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa
cluster secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara
berulang-ulang dengan computer. Sumbu horizontal menunjukkan nilai piksel
pada band2 dan sumbu vertical menunjukkan nilai kecerahan piksel pada band1.
Pengelompokan piksel menjadi kelas spectral diawali dengan menentukan jumlah
kelas spectral yang akan dibuat. Penentuan jumlah kelas ini dapat dilakukan
dengan memperhatikan jumlah puncak histogram sehingga diperoleh jumlah kelas
spectral yang akan dibentuk. Setelah jumlah kelas spectral ini ditentukan
kemudian dipilih pusat-pusat kelas spectral terhadap setiap pusat kelas spectral.
Berdasarkan hasil pengukran jarak ini setiap piksel dikelompokkan ke dalam
suatu kelas spectral yang memiliki jarak terdekat. Setelah setiap piksel
dikelompokkan lalu masing-masing rata-rata kelas spectral dihitung kembali.
Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap rata-rata kelas
baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spectral yang
memiliki

jarak

terdekat.

Parameter

yang

menentukan

pemisahan

dan

pengelompokan piksel-piksel menjadi kelas spectral yaitu: 1. Standar deviasi

11

maksimum, nilai standari deviasi maksimum yang sering digunakan berkisar


antara 4,5 sampai 7 2. Jumlah piksel minimum dalam sebuah kelas spectral
dinyatakan dalam persen (%). 3. Nilai pemisahan pusat kelas yang dipecah 4.
Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9.
Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral
terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan: 1.
Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan kebutuhan
2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam
persentase, %). Setelah kelas spectral terbentuk umumnya dilakukan proses
asosiasi antaa obyek dan kelas spectral terbentuk untuk mengidentifikasi kelas
spectral menjadi kategori obyek tertentu. Pengidentifikasian kelas spectral
menjadi obyek tertentu dapat dilakukan menggunakan suatu data acuan atau
referensi penunjang. Setelah semua kelas spectral teridentfikasi kemudian dapat
dilakukan penyederhaan untuk menggabungkan kelas-kelas yang tergolong sama,
misalnya pengabungan perkampungan 1 dan perkampungan 2 menjadi satu kelas
perkampungan. Hasil klasifikasi dapat ditunjukka dari gradasi warna yang
terbentuk yang menunjukkan jenis kelas yang dikelompokkan oleh komputer.
D. Langkah Kerja
a. Unsupervised Classification :
1. Buka Software ENVI 4.5 > pilih file > open image file > pilih smg.raw
2. Pilih Classification pada menu bar > Unsupervised > IsoData> pilih
multispektral image > ok

12

3. Masukkan data parameter dengan maximum literations sebesar 3 dan


minimum # Pixel in Class sebesar 9.

4. Tampilkan gambar pada display dengan Load Display dan cek kelas yang
terbentuk. Lakukan juga,pada gambar yang telah ditampilkan klik overlay >
Annotation.
5. Pada Jendela annotation, pilih object> Map Key, klik edit map key item.

6. Coba lakukan

dengan menggunan

metode K-

means dengan

menggunakan

gambar dan parameter

yang sama, Klik

Classification >

Unsupervised >

K-means.

7. Bandingkan

hasilnya dengan metode

Isodata tadi.
b. Supervised

Classification

Pada supervised classification, terlebih dahulu menetapkan daerah


contoh ( training areas). Daerah contoh ini dipilih berdasarkan pola dari obyek
setiap band.
1. Tampilkan gambar komposit.
2. Pada display klik overlay > Region of Interest
3. Pada #1 ROI tool, pilih radio button Window Zoom. Klik ROI_Type >
Polygon. Klik Region#1 (Red) ) points, kemudia klik edit. Ganti nama dan
warna ( jika dibutuhkan), contoh biru untuk air. Klik OK.
13

4. Pilih daerah yang masih tergolong dalam air.


5. Lakukan langkah ketiga tersebut pada obyek yang lainnya. Setelah itu
simpan ROI, klik File> Save ROI,klik select all item. Dan simpan
6. Kemudian klik option>compute roi separabilty>>smg_raw
7. Akan muncul hasil roi separability report.print sreen
8. Setelah itu jangan tutp roi tool, klik classification>supervised>pilih
metode yang digunakan parallelepiped,mahalanobis, maximum likelihood,
dan minimum distance. Print screen hasil klasifikasi. Kemudian
bandingkan.
9. Setelah itu lakukan post clasification operation dengan memilih klasifikasi
citra yang terbaik,klik classification>Majority/Minority Analysis. Sellect
all items. Ok

E. Hasil

14

(a)

(b)

(a). Citra menggunakan band 321 yang belum terklasifikasi


(b) sudah terklasifikasi menggunakan Isodata.

(a)

(b)

a) Sebelum terklasifikasi menggunakan band 3-2-1. (b) sesudah terklasifikasi


menggunakan metode K-means (kanan)

(a)

(b)
15

a) Klasifikasi unsupervised menggunakan Isodata. (b) Klasifikasi Unsupervised


menggunakan K-means.
2. Supervised

(a)

(b)

a. ROI window b.ROI Separability

a. Parallelepiped Parameter

b. Maximum Likelihood

16

c.Mahalonobis Distance

d. Minimum Distance

F. Pembahasan
a. Unsupervised
Dari Praktikum acara lima ini dapat diketahui bagaimana hasil dari
klasifikasi citra unsupervised menggunakan metode IsoData dan K-means. Dari
melakukan klasifikasi dengan dua metode ini tentunya menghasilkan tampilan
yang berbeda. Dari tampilan yang berbeda ini tentunya memiliki kelebihan,
kekurangan, danpenggunaannya yang berbeda beda.
Komposit yang digunakan adalah komposit 3-2-1 karena komposit ini
memudahkan untuk mengidentifikasi obyek pada display isoData dan Kmeans. Pa
1. Pembagian Kelas
Setelah melakukan klasifikasi unsupervised menggunakan metode isoData
didapatkan 5 kelas yaitu perairan (laut dalam, laut dangkal,sungai), vegetasi
(VKT, VKS, VKR,)Pemukiman, Tanah, dan Lahan Kosong. Penentuan kelas ini
berdasarkan hasil kenampakan citra pada komposit 3-2-1. Pembagian kelas ini
yaitu:
Klasifikasi menggunakan Isodata ini menggunkan kelas minimal sebanyak 5
kelas dan maksimal 10 kelas. Tetapi disini memilih untuk menggunakan 9 kelas
saja untuk keakuratan.
N
O

Warna

Klasifikasi

17

1.

Berdasarkan gambar dengan komposit true color, warna merah


pada klasifikasi isodata adalah obyek Laut Dalam
Untuk warna ungu pada iso data diidentifikasikan dengan laut
dangkal.
Warna hijau ini diidentifikasikan dengan Vegetasi Kerapatan
Tinggi.
Pada citra warna biru ini diidentifikasi dengan Vegetasi
Kerapatan Sedang. Ini terlihat dari pada citra warna ini
mendominasi.
Warna kuning ini diidentifikasikan dengan vegetasi kerapatan
rendah. Karena pada citra warna ini terlihat diantara VKS dan
juga terlihat di sebagian wilayah yang berbeda warna .
Warna ini diidentifikasikan dengan sungai. Pengklasifikasian
ini didasarkan pada bentuknya yang berkelok dan memanjang
dan ujungnya berakhir menuju perairan.
Warna ini diidentifikasikan dengan pemukiman, ini dilihat dari
asosiasinya dengan jalan dan sungai.

2.
3.
4.
5.

6.

7.
8.

Diidentifikasikan sebagai obyek tanah. Karena warna ini


terlihat pada vegetasi kerapatan rendah dan sekitar pemukiman

9.

Lahan kosong ini sangat jelas terlihat

Klasifikasi menggunakankmeans ini menggunkan kelas sebanyak 5 kelas.


Dan hasil dari klasifikasi kmeansdapat dilihat pada tabel
No
1.

Warna
Warna ini mengidentifikasikan periran yang terdiri dari Laut
dalam dan laut dangkal

2.

Warna ini didentifikasikan dengan vegetasi kerapatan tinggi

3.

Warna ini diidentifikasikan dengan vegetasi yang terdiri dari


vegetasi kerapatan tinggi dan sedang.

4.

Warna ini diidentifikasikan sebagai lahan terbangun dan lahan


kosong

5.

Tanah

Dari tabel diatas dapat diketahui hasil klasifikasi isodata dan kmeans. Dalam
klasifikasi isodata pembagian kelas ini berdasarkan pengembangan dari metode
18

kmeans. Sebagai contohnya pada klasifikasi kmean identifikasi badan air hanya
berwana merah, sedangkan pada klasifikasi dengan menggunakan metode isodata
kelas periran dibagi lagi menjadi dua warna. Yaitu warna merah untuk laut dalam
dan warna ungu untuk laut dangkal.
Pada metode isodata nilai pixel yang terlalu kecil akan dihilangkan berbeda
dengan kmeans yang nilai pixel kecil dimasukkan dalam obyek
terdekatnya.Sehingga dapat diektahui bahwa metode kmeans ini memiliki
kekurangan dalam pembagian kelasnya karena pembagian kelas ini tidak
dilakukan secara rinci. Isodata ini sangat efetif untuk digunakan dalam identifikasi
kelas kelas spektral pada data.
b. Supervised
Dari klasifikasi citra supervised menggunakan metode Parallelepiped,
Mahalanobis Distance, Maximum Likelihood, dan Minimum Distance. Dari
melakukan klasifikasi dengan empat metode ini tentunya menghasilkan tampilan
yang berbeda. Dari tampilan yang berbeda ini tentunya memiliki kelebihan,
kekurangan, danpenggunaannya yang berbeda beda.
Tabel Hasil Klasifikasi Supervised :
N
o
1

Warna

Pertimbangan Objek
Laut Sangat Dalam

Laut Dalam

Laut Dangkal

Pemukiman

Tanah

Vegetasi Kerapatan Tinggi

Vegetasi kerapatan Sedang

Vegetasi kerapatan Rendah

Tambak

Pada Klasifikasi supervised ini kelemahanya adalah kemungkinan terjadi


kesalahan interpretasi itu sangat besar. Karena Pada saat melakukan pemilihan
region region itu ada obyek yang salah klasifikasi. Selain itu untuk mengubah
obyek yang tidak terklasifikasi itu perlu mengulang ulang kembali pemilihan
kelas kelasnya.

19

Penjebaran kelas kelas tiap obyek


a. Mahalonobis Distance
Pada metode mahalobis distance ini ada klas obyek yang tidak sesuai.Bisa
dilihat pada penjelasan gambar. Pada citra komposit 321 ini adalah objek vegetasi
tetapi pada hasil mahalobis objek vegetasi ini bewarna biru yang tergolong dalam
badan air.Dan yang seharusnya teridentifikasi lahan kosong bewarna hitam karena
tidak dimasukkan dalam training region, terlihat bewarna seperti tanah.

20

Anda mungkin juga menyukai