Hari/tanggal

: Rabu/5 Oktober 2016

Nama
: Irma Amalia Oktaviana
NRP
: G24140050
Laporan ke- 4

Asisten :
Desra Arriyadi
Aryo Adhi Condro
Sherly Gustia Nivo
M. Faruq Ardiansyah
Ilham Tresna
Irfi Panrepi

G24130002
G24130007
G24130017
G24130025
G24130036
G24130076

Klasifikasi Tutupan Lahan

Tujuan
Mahasiswa mampu melakukan klasifikasi terbimbing dan tak terbimbing serta
melakukan uji akurasi.
Metodologi
Alat dan bahan yang digunakan pada praktikum kali ini adalah Laptop, Software
ArcMap, Erdas, data grountruthing. Praktikum ini dilaksanakan pada tanggal 5 Oktober
2016, pukul 15.30 selesai di Lab.Komputer GFM Institut Pertanian Bogor.

Membuka image
bogorstac.img
pada ERDAS

Melakukan
klasifikasi tak
terbimbing

Mengubah
composite band
menjadi 543

Membuat layout
dengan menggunakan
arcMap

Menyimpan file
tersebut dengan
format JPEG

Melakukan
klasifikasi
terbimbing

Melakukan uji kappa statistik untuk

mengetahui apakah klasifikasi yang
dilakukan sudah baik atau belum

Melakukan digitasi sesuai

dengan kelas yang telah
ditentukan (vegetasi, non
vegetasi, awan)

Menentukan titik
koordinat dari hasil
groundtruthing

Melakukan
klasifikasi tak
terbimbing

Membuka imagine
bogorstack yang
sudah diubah
composite bandnya
menjadi 543

Membuat layout
dengan
menggunakan
arcMap

Menyimpan file
tersebut dengan
format JPEG.

Gambar 1 Diagram alir klasifikasi tutupan lahan dengan klasifikasi terbimbing dan tak
terbimbing

Hasil dan Pembahasan

Klasifikasi citra merupakan proses yang berusaha mengelompokkan
seluruh pixel pada suatu citra ke dalam sejumlah kelas. 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.

Gambar 1 Peta klasifikasi tak terbimbing kota Bogor composite band 543
Berdasarkan praktikum yang telah dilaksanakan, metode klasifikasi tak
terbimbing adalah menentukan composite band sendiri yang dinilai cocok untuk
pengklasifikasian berbagai jenis kelas. 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 (Indarto 2009). Klasifikasi citra metode tak terbimbing sepenuhnya dikendalikan
oleh komputer dalam pengelompokan data raster, user atau manusia hanya berperan
sebagai pengoperasi dalam klasifikasi yang dilakukan. Klasifikasi tak terbimbing meliputi
pembagian kelas vegetasi, non vegetasi, badan air, dan awan.

Gambar 2 Peta klasifikassi terbimbing kota Bogor composite band 543

Metode klasifikasi terbimbing (supervised) membutuhkan pengetahuan tentang
kelas-kelas apa saja yang terdapat dalam target serta lokasinya. Berdasarkan praktikum
yang dilakukan, klasifikasi terbimbing dilakukan dengan cara mendigitasi kelas-kelas
yang ada. Hasil dari digitasi tersebut kemudian di uji keakurasiannya dengan
menggunakan metode Kappa statistik. Kelas yang digunakan hanya mencangkup tiga
bagian yaitu vegetasi, non vegetaasi, dan awan.
Perbedaan dari kedua jenis klasifikasi tersebut adalah, pada klasifikasi terbimbing
(supervised classification) menerapkan metode yang dipandu dan dikendalikan sebagian
besar atau sepenuhnya oleh pengguna dalam proses pengklasifikasiannya. Intervensi
pengguna dimulai sejak penentuan training area hingga tahap pengklasterannya.. Berbeda
dengan klasifikasi tak terbimbing (unsupervised classification) lebih menerapkan metode
yang memberikan mandat sepenuhnya kepada sistem atau komputer untuk
mengelompokkan data raster berdasarkan nilai digitalnya masing-masing, intervensi
pengguna dalam hal ini diminimalisasi. Klasifikasi tak terbimbing memiliki kelemahan
yaitu pencirian spektral selalu berubah sepanjang waktu, yang menyebabkan hubungan
antar respon spektral dengan kelas informasi menjadi tidak konstan, oleh karena itu
pengetahuan tentang spektral permukaan harus lebih dipahami. Berbeda dengan
klasifikasi terbimbing yang pencirian spektralnya tidak akan berubah karena adanya
pemberian sampel dalam menghasilkan kelas informasi yang mana sampel tersebut
ditentukan terlebih dahulu oleh produsen. Oleh karena itu metode terbimbing dapat
dikatakan lebih akurat daripada tidak terbimbing karena pada metode terbimbing
digunakan training area untuk tiap kategori (Indarto 2009).
Menurut Nurmalasari (2013), tipikal kombinasi band 543 (color infrared)
merupakan composite band yang dapat menggambarkan secara jelas antara vegetasi dan
non vegetasi. Saluran 4 mendeteksi puncak pantulan dari vegetasi, juga membedakan tipe
vegetasi, selain itu membedakan tanah dan perairan. Kombinasi ini menampilkan vegetasi
berwarna merah, merah yang lebih terang menandakan vegetasi yang lebih dewasa.
Tanah dengan sedikit atau tanpa vegetasi antara putih (pasir atau garam) sampai hijau
atau coklat tergantung kelembapan dan kandungan organik. Air nampak biru, perairan
jernih akan terlihat biru gelap atau hitam sedangkan perairan dangkal atau air dengan
konsentrasi sedimen tinggi akan nampak biru muda. Area permukiman berwarna biru
kecoklatan.
Tahapan uji akurasi dilakukan dengan metode uji akurasi menggunakan metode
koefisien kappa, yaitu membandingkan hasil klasifikasi pada masing-masing citra dengan

kondisi sebenarnya di lapangan. Nilai koefisien Kappa mempunyai rentang 0 hingga +1.
Kategori kesesuaian Nilai kappa statistik menurut Viera dan Garet (2005) adalah, jika
nilai kappa statistic kurang dari 0 maka dikatakan (Less than change agreement), 0.01
0.20 (Slight agreement), 0.21 0.40 (Fair agreement), 0.41 0.60 (Moderate
agreement), 0.61 0.80 (Substantial agreement), 0.81 0.99 (Almost perfect agreement
). Berdasarkan data diatas maka dapat disimpulkan bahwa nilai kappa statistik yang baik
berada pada nilai di atas 0,61. Klasifikasi citra terbimbing yng praktikan lakukan dengan
menggunakan composite band 543, menghasilkan nilai kappa sebesar 0,7855 dapat
dikatakan bahwa klasifikasi yang telah dilakukan tergolong baik. Hal ini menunjukkan
bahwa jumlah piksel terklasifikasi dengan baik walaupun masih ada beberapa pixel yang
terklasifikasi dari dan ke kelas lain.
Penentuan tingkat akurasi dalam klasifikasi tutupan lahan dapat dilakukan
dengan uji akurasi metode tabel confusion matrix. Metode tabel confusion matrix adalah
tabel yang digunakan untu mengukur hubungan antara dua variabel kategorik dimana
tabel tersebut merangkum frekuensi bersama dari observasi pada setiap kategori variabel.
Nilai akurasi pada tabel kontingensi dapat dibagi menjadi dua yaitu akurasi secara
keseluruhan sebagai total kelas yang diklasifikasikan dibagi dengan total kelas referensi
dan nilai akurasi individu. Nilai akurasi individu juga dibagi lagi menjadi dua yaitu
producers accuracy dan user accuracy (Catur U dkk, 2015).
Kesimpulan
Klasifikasi tutupan lahan dilakukan dengan dua metode, yaitu klasifikasi
terbimbing yang merupakan metode yang dipandu dan dikendalikan sebagian besar atau
sepenuhnya oleh pengguna dalam proses pengklasifikasiannya. Berbeda dengan
klasifikasi tidak terbimbing, lebih memberikan mandat sepenuhnya kepada sistem atau
komputer untuk mengelompokkan data raster berdasarkan nilai digitalnya masingmasing, intervensi pengguna dalam hal ini diminimalisasi. Oleh karena itu, klasifikasi
terbimbing dapat dikatakan lebih akurat daripada klasifikasi tak terbimbing. Uji akurasi
yang digunakan adalah dengan nilai kappa statistik. Nilai kappa statistik yang berhasil
diperoleh adlah 0,7855 dan dapat dikatakan bahwa klasifikasi yang dilakukan sudah baik
karena berada di atas nilai 0,61.

Daftar Pustaka
Catur U, Susanto, Dipo Y dan Mukhoriyah. 2015. Identifikasi lahan tambang timah
menggunakan metode klasifikasi terbimbing maximum likelihood pada citra
landsat 8. Jurnal Majalah Ilmiah Globe. 17(1):9-15
Indarto. 2009. Identifikasi dak klasifikasi peruntukan lahan menggunakan citra ASTER.
Jurnal Teknik Sipil. 9(1):1-8.
Lillesand and Kiefer, 1998. Penginderaan Jauh dan Interpretasi Citra Penginderaan
Jauh. Yogyakarta (ID): Gadjah mada University Press.
Nurmalasari A.2013. Analisis Penggunaan Lahan Bagian Hulu Sungai Ciliwung dalam
Mengurangi Volume Banjir Jakarta dengan Integrasi Citra Satelit DEM
SRTM [Skripsi].Semarang (ID): Universitas Diponegoro.
Rizcanofana R, Hapsari H, Deviantari U. 2013. Metode klasifikasi digital untuk citra
satelit beresolusi tonggi WorldView-2 pada unit pengembangan Kertajaya dan
Dharmahusada Surabaya. Jurnal Teknik Pomits. 10(10):2337-3539.
Viera AJ, Garret JM. 2005. Understanding Interobserver Agreement: The Kappa
Statistic. Family Medicine.

Lampiran

Gambar 3 Nilai kappa statistik klasifikasi terbimbing composite band 543