Nama Asisten :
1. Panji Pradhikta Wahyudi
2. Anjar Hermawan
23-2013-152
23-2013-118
DAFTAR ISI
BAB I PENDAHULUAN ...................................................................................... 1
1.1
1.2
Klasifikasi ................................................................................................. 2
2.2
2.2.1 Parallelepiped............................................................................................ 2
2.2.2 Maksimum Likelihood .............................................................................. 2
2.2.3 Minimum Distance ................................................................................... 3
2.3
BAB I
PENDAHULUAN
1.1 Maksud dan Tujuan Praktikum
Maksud dan tujuan dari praktikum ini diantaranya :
1) Dapat melakukan klasifikasi terbimbing dan tak terbimbing menggunakan
Envi.
2) Dapat mengetahui perbedaan metode Parallelepiped, Maksimum Likelihood,
dan Minimum Distance dalam klasifikasi supervised.
3) Dapat menganalisis hasil dari klasifikasi Supervised.
1.2 Tempat dan Waktu Pelaksanaan Praktikum
Praktikum ini dilaksanakan pada:
Hari/Tanggal : Kamis, 24 November 2016
Pukul
Tempat
BAB II
DASAR TEORI
2.1 Klasifikasi
Menurut Chein-I Chang dan Ren (2000) Klasifikasi citra merupakan suatu proses
pengelompokan seluruh pixel pada suatu citra kedalam dalam kelompok sehingga
dapat diinterpretasikan sebagai suatu property yang spesifik. Suatu citra dapat
diklasifikasikan ke dalam cluster-cluster tertentu berdasarkan kemiripan antar
citranya secara visual, yaitu karakteristik warna. Klasifikasi citra secara otomatis,
yaitu proses penggolongan suatu citra ke dalam suatu kategori yang semakin
dibutuhkan untuk melakukan analisis citra.
Klasifikasi adalah proses pencarian sekumpulan model atau fungsi yang
menggambarkan dan membedakan kelas data dengan tujuan agar model tersebut
dapat digunakan untuk memprediksi kelas dari suatu obyek yang belum diketahui
kelasnya (Sutan 2008).
2.2 Klasifikasi Terbimbing (Supervised)
Menurut Lillesand and Kiefer (1990d), analisis citra terbimbing merupakan proses
pemilihan kategori informasi atau kelas yang diinginkan dan kemudian memilih
daerah latihan yang mewakili tiap kategori. Klasifikasi terbimbing membutuhkan
pengetahuan tentang kelas kelas (objek-objek ) apa saja yang terdapat dalam target
serta lokasinya (Dalam klasifikasi tidak terbimbing setiap piksel diperbandingkan
dengan klaster diskret untuk melihat untuk piksel-piksel mana yang memiliki
kemiripan yang tinggi dan dikelompokkan dalam klaster-klaster. Kemudian
diperbandingkan dengan kenampakan objek yang sebenarnya bila hasil klaster masih
kurang memuaskan, maka perlakuan-perlakuan itu diulangi lagi untuk mencari
kombinasi klaster yang lebih sesuai.
2.2.1 Parallelepiped
Proses ini dimulai dari piksel baris 1 kolom 1, sampai baris terakhir kolom
terakhir. Piksel yang bersangkutan masuk ke salah satu kotak sampel maka piksel ini
diklasifikasikan sebagai kelas yang menandai kotak tersebut. Itulah sebabnya
klasifikasi parallepiped disebut klasifikasi box.
2.2.2 Maksimum Likelihood
Merupakan algoritma yang secara statistik paling mapan. Kalau algoritma lain
didasari oleh pengukuran jarak antara koordinat gugus sampel dengan koordinat
Achmad Faisal Marasabessy / 23-2013-052 / Kelas B
BAB III
PELAKSANAAN PRAKTIKUM
3.1 Langkah Pelaksanaan Klasifikasi Metode Supervised
No.
Gambar
Keterangan
1.
2.
3.
5.
6.
7.
9.
10.
11.
BAB IV
HASIL DAN ANALISIS
4.1 Hasil Klasifikasi Supervised
A. Parallelepiped
BAB V
KESIMPULAN
mengetahui
perbedaan
metode
Parallelepiped,
Maximum
10
DAFTAR PUSTAKA
Permana A. (2014), Klasifikasi Citra. Diakses pada tanggal 30 November 2016 di:
http://www.academia.edu/10154126/Klasifikasi_citra
Budi Suryo, A. (2013), Studi Perubahan Tutupan Lahan Das Ciliwung Dengan Metode
Klasifikasi Terbimbing Citra Landsat ETM 7+ Multi Temporal Tahun 2001 &
2008. Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut
Teknologi Sepuluh Nopember, Surabaya.
Nur Hidayah, A. (2009), Rekayasa Perangkat Lunak Pengolahan Citra Dan Analisis
Perilaku Intensitas Pixel ROI (Region of Interest) Citra Radiografi Sinar-X.
Universitas Diponegoro, Semarang.
11