TUGAS PRAKTIKUM INDRAJA TERAPAN

Klasifikasi Supervised, Unsupervised Serta Penerapan Inderaja

DIBUAT OLEH :
NAMA : SETYO BUDI
KELAS : A
NIM

: 13/351000/SV/04064

PROGRAM STUDI DIPLOMA III TEKNIK GEOMATIKA

SEKOLAH VOKASI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2015

A. MATERI PRAKTIKUM
Klasifikasi Supervised, Unsupervised Serta Penerapan Inderaja
B. TUJUAN PRAKTIKUM
1.

Klasifikasi Supervised menggunakan Software Envi

2.

Klasfikasi Unsupervised MenggunakanSoftware Envi

3.

Serta melakukan penerapan Indraja ( Deteksi Garis Pantai,Kerapatan

Vegetasi dan Pemukiman)

C. WAKTU DAN TEMPAT PRAKTIKUM

Praktikum Inderaja Terapan ini dilaksanakan pada : 3 Desember 2015, Lab
Fotogrametri Kampus Teknik Geodesi-Geomatika UGM

D. DASAR TEORI
Metode supervised (dengan bimbingan), pada metode ini, analis terlebih
dahulu menentukan beberapara training area (daerah contoh) pada citra sebagai kelas
kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap
wilayah dalam cita mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam
daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci
untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan
dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode ini,
analis mengidentifikasi kelas infomasi terlebih dahulu yang kemudian digunakan
untuk menentukan kelas spektral yang mewakili kelas informasi tersebut. Algoritma
yang bisa digunakan untuk menyelesaikan metode supervised ini antara lain:

1.

Parallelepiped

2.

Minimum Distance

3.

Mahalanobis Distance

4.

Maximum Likehood

5.

Spektral Angle Mapper

6.

Spectral Information Divergence

7.

Binary Encoding

8.

Neural Net

9.

Support Vector Machine

E. LANGKAH PRAKTIKUM
a. Klasifikasi Supervised
1. Bukalah aplikasi Envi untuk memulai praktikum ini
2. Kemudian tampilkan citra Landsat 8 (kelompok masing-masing) disini
memnggunakan Landsat 8 Jawa Timur
3. Lakukan penggabungan citra dengan cara :
Pilih Basic tools Layer Stacking

Pilih Import File masukan 11 band

 Kemudian Atur sistem proyeksinya,aturlah juga jarak landsatnya serta

pilih lokasi tempat penyimpanannya.

Kemudian pilih Ok,tunggulah sampai proses selesai

Hasil penggabungan

Untuk mengetahui nilai statistik nya kita dapat melakukannya dengan

cara klik kanan pada layer stacking kemudian pilih Quick Statics

4. Kemudian lakukan Croping citra dengan cara

Pilih Basic Tools Resize dataPilih data yang akan dilakukan croping

PilihSpatial subset Image

masukan ukuran lines dan samples.Contoh kita akan melakukan croping citra
10 km maka ukuran yang kita masukan untuk lines dan samples sebesar 334.

 Untuk croping selain kita dapat menggunakan ukuran pixel kita juga dapat
croping menggunakan titik koordinat ujung ujung citra.
Kemudian untuk Spectral subset pilih ke 11 band tadi OK

Tentukan tempat penyimpanan dan masukan nama file nya.

5. Kemudian lakukan koreksi radiometrik dengan cara:

Pilih Basic Tools Stretch Data pilih Data

 Untuk Sretch Range pilih By Value masukan nilai Max dan Min landsat 8
pada output data range dan output result to file nya,untuk Landsat 8 nilai Min=
0 dan nilai Max = 65535,Untuk data type nya pilihlah Insigned Int

Simpan hasil koreksi radiometriknya.

6. Lakukan Klasifikasi Supervised dengan cara:

Pilih Tools Region of Interest ROI Tool...
Kemudian lakukan pengambilan sampling,pengambilan sampling dilakukan
untuk tiap layer sample.

 Kemudian simpanlah ROI nya.

Untuk mengetahui Distribusi ROI kita dapat mengetahuinya dengan cara:
Pilih File Export ROI to n-D Visualizer Pilih Citra

Pilihlah semua band Pilih semua Sample lihatlah elips-elips

nya,adakah elips yang bertampalan,jika ada maka terdapat overlap
antara objek.

 Pilih Classification Supervised Pilih metode yang digunakan (misal

maximum likelihood)
Pilih data yang akan dilakukan klasifikasi

Pilih semua kelas ROI nya,tentukan tempat penyimpanan serta nama filenya
OK

Hasil

b. Klasifikasi Unsupervised
1. Melakukan penggabungan dari 11 band tersebut,dengan cara dari menu
basic tools layer stackingpada display layer stacking parameters pilih
import file untuk mengambil citra dan atur sistem proyeksi dari citra
tersebut Pilih choose untuk menyimpan Ok

Hasil stacking:

2. Selanjutnya Cropping citra ,terlebih dahulu buka citra dengan kombinasi

band 4,3,2 Load RGB

Kemudian cropping citra,misal dengan ukuran 10 km x 10 km dengan cara

dari menu basic toolsresize data pada display resize data input file
pilih stackingspatial subsetpada display select spatial subset pilih
image pada display subset by image tulislah ukuran croping yaitu 333 x
333 pixelOkOkOkpilih choose untuk menyimpan Ok

Hasil Cropping :

3. Melihat statistik dari citra yang telah di crop tersebut untuk memastikan
apakah perlu dilakukan koreksi radiometrik apa tidak ,dengan cara klik
kanan file pilih quick stats.

4. Melakukan koreksi radiometri , dengan cara dari menu basic tools stretch
data pada display data stretch input file pilih hasil crop

Pada display data stretching pilih by value (min:0 max:65535) pemilihan

data type harus sama (untuk mengetahui data type dengan cara klik kanan
file edit header )

Hasil koreksi radiometri :

5. Melihat statistik dari citra yang telah di dikoreksi radiometri tersebut untuk
melihat nilai korelasi band yang paling rendah, dengan cara dari menu basic
tools pilih statistics compute statisticspada display compute statistics
input file pilih hasil crop citra pada langkah sebelumnya Ok

Pada display compute statistics parameters centang pada covarian Ok

6. Dari nilai statistik tersebut kita tahu bahwa nilai korelasi terendah adalah
pada band 10 dan band 11. Kemudian dilakukan scatter plot , dengan cara
dari menu tools pilih 2D scatter plot pada display scatter plot band
choice masukkan band 1 dan band 6 Ok

Memberi warna setiap elliprs untuk mengetahui kelas yang akan

diklasifikasi dengan cara di digit dan apabila digitnya akan ganti kelas
dengan pilih classnew class

7. Melihat kembali nilai statistik untuk referensi pemasukan band yang sangat
berpengaruh dalam klasifikasi unsupervise.(band 1,10,11)

8. Selanjutnya klasifikasi unsupervised dengan metode K-Means,dengan cara

dari menu classification pilih unsuperviseK- means pada display
classification input file pilih hasil crop citra spectral band pilih band
2,10,11 Ok Ok

Pada display K-Means parameters isikan jumlah class menurut pandangan

kita pilih choose untuk menyimpanOk

Hasilnya :

9. Klasifikasi Unsupervise metode ISODATA ,dengan cara dari menu

classification pilih unsuperviseK- means pada display classification
input file pilih hasil crop citra spectral band pilih band 1,10,11 Ok
Ok

Pada display ISODATA parameters isikan jumlah class minimal dan

maksimal menurut pandangan kita pilih choose untuk menyimpanOk

Hasilnya :

c. Analisis Suhu Permukaan

1. Bukalah Band 10 dan Band 11
2. Klik kanan Band 10 Quick Statistic

Karena nilai statistik masih dalam Digital Number untuk melakukan proses analisis
suhu permukaan angka tersebut harus dikonversi ke dalam Suhu permukaan,namun
sebelum diubah ke suhu permukaan digital number harus diubah ke Radiance terlebih
dahulu.Adapun cara konversinya sebagai berikut:
1. Digital Number Radiance
Kemudian Bukalah meta Data landsat 8 dan lihatlah nilai
Radiance_Mult_Band 10 dan Radiance_add_Band_10

 MetaData

Kemudian pilih basic tools Band MathKemudian masukkan rumus

(band 10 x Radiance_mult_Band 10) + Radiance_add_Band 10

Kemudian pilih add to list OK Pilih Citra Band 10

 Simpan hasil pada enter output filename OK

Kemudian lihat kolom Variables Used in Expression apakah sudah berubah
atau belum,jika sudah kemudian pilih Ok.

Kemudian untuk melihat hasilnya kita dapat melakukannya dengan cara klik
kanan hasilnya kemudian pilih Quick Statistics.

Karena angka yang dihasilkan masih dalam bentuk radians langkah

selanjutnya ialah mengubah ke dalam Suhu Permukaan,adapun cara
pengerjaannya sebagai berikut:

 Pilih basic tools Band math Masukan rumus berikut

2
((1/ 10+1))

untuk melihat nilai k1 dan k2 kita dapat mencarinya di meta data nya.
Meta Data

Pilih band yang dihasilkan dari hasil konversi tadi,kemudian klik OK.
Untuk melihat hasilnya kita dapat melakukannya dengan cara Klik kanan hasil
Quick Statistics

Nilai yang dihasilkan masih dalam berupa kelvin maka harus diubah ke
celcius.Adapun caranya sebagai berikut:
Pilih Basic tools Band Math Masukan Rumus ( b10-273)Ok

Kemudian pilih band hasil konversi tadi Ok

Bukalah hasilnya dengan cara klik kanan Quick statistics

Karena nilai suhu di Indonesia tidak mungkin bernilai minus (-) maka kita
harus merubah nilai Minimal yang bernilai minus menjadi 0 dengan cara:
Pilih Basic Tools Band Math masukan rumus : (b10>0)

Pilih Band 10 yang sudah dionversi kedalah suhu celcius tadi kemudian beri
nama dan pilih OK.

Untuk melihat hasilnya klik kanan layernya pilih Quick Statistics

3. Buatlah peta Analisis Suhu Permukaannya untuk Band 10.Dengan cara:

Pilih Overlay Density Slice Pilih band suhu celcius tadi Apply
Kemudian buatlah 5 buah range sendiri dengan cara pilih options Add new
range.Range tersebut terdiri dari
Sangat Rendah
Rendah
Sedang
Tinggi
Sangat Tinggi

Hasil

4. Lakukan langkah yang sama ( 1-3) untuk Band 11

Meta Data Band 11

 Digital Number Radiance

Radians Suhu Permukaan (Kelvin)

 Suhu Permukaan (kelvin) Suhu Permukaan ( Celcius)

Karena nilai suhu di Indonesia tidak mungkin bernilai minus (-) maka
kita harus merubah nilai Minimal yang bernilai minus menjadi 0

Buatlah peta Analisis Suhu Permukaannya untuk Band 11 seperti

langkah di band 10

 Peta Analisis Suhu Permukaan Band 11

F. HASIL DAN PEMBAHASAN

a. Klasifikasi Supervised dan Unsupervised

klasifikasi unsupervise yang berarti klasifikasi tak terawasi merupakan

pengklasifikasian hasil akhirnya (pengelompokan pixel-pixel dengan karakteristik
umum) didasarkan pada analisis perangkat lunak (software analysis) atau suatu

citra tanpa pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu.

Sedangkan Teknik klasifikasi supervise dapat diartikan sebagai klasifikasi yang
diawasi. Klasifikasi ini melibatkan interaksi analisis secara intensif, dimana
analisis menuntun proses klasifikasi dengan identifikasi obyek 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 obyek tertentu.
Jadi Untuk Klasifikasi Unsupervise kita tidak perlu mendigit untuk
dijadikan sample, karena komputer akan merekam data yang ada di citra menjadi
kelas-kelas tertentu, sedangkan Klasifikasi Supervise kita harus mendigitasi
terlebih dahulu, sehingga komputer akan mengelompokkan di kelas-kelas
berdasarkan hasil digitasi dan gambar citra nya.
b. Penerapan Penginderaan Jauh
Band 10

Band 11

Untuk mengetahui perbedaan suhu permukaannya kita dapat

mengetahinya dengan cara klik kanan pada salah satu layer kemudian pilih
geographics link, kemudian on kan semua layer,kemudian pilih contoh
daerah kemudian klik kanan pilih cursor location/ value, kemudian arahkan
kursor ke lokasi yang dipilih,dan lihatlah perbedaanya.

c. Hasil Peta setelah di Layouting

Band 10

Band 11

G. KESIMPULAN
Kesimpulan dari hasil praktikum Inderaja Terapan ini adalah Kita dapat
mengklasifikasikan citra secara digital yaitu dengan teknik Unsupervise dan
Supervise, untuk hasil yang lebih bagus maka diperlukannya citra yang berkualitas
bagus, sehingga setelah diklasifikasi maka tidak ada kesalahan karena citra yang
dipakai jelas dan bagus kualitasnya. Dan kita juga perlu survei ke lapangan untuk
meninjau apakah klasifikasi di citra sesuai dengan yang ada di lapangan atau tidak
sehingga data klasifikasi sama dengan data hasil survei di lapangan. Serta dapat
menganalisis suhu permukaan pada suatu citra dengan cara mengklasifikasikan
kelas-kelas suhu permukaannya.