ACARA VIII

INTERPRETASI PENUTUP DAN PENGGUNAAN LAHAN DENGAN

KLASIFIKASI CITRA SATELIT

A. TUJUAN
1. Mahasiswa mampu melakukan proses klasifikasi citra satelit secara digital
2. Mahasiswa mampu melakukan proses interpretasi citra digital

B. ALAT DAN BAHAN

1. Software ENVI 4.5
2. Citra digital Landsat 8 daerah Malang

C. DASAR TEORI
Pengenalan pola spectral merupakan satu bentuk pengenalan pola spectral secara
otomatik. Pengenalan pola spectral secara otomatik telah diterapkan untuk berbagai
terapan pada berbagai bidang yang berbeda, seperti pengawasan kualitas hasil,
pengenalan objek skala detil, dan identifikasi arus hangat. Beberapa pendekatan
klasifikasi digambarkan dengan suatu sub bab rangkaian diantara beberapa rangkaian data
satelit (misalnya Landsat 7 ETM+: 8 saluran). Klasifikasi digunakan untuk
mengelompokan kenampakan-kenampakan tertentu yang memiliki kekesamaan nilai
spectral atau feature lain, misalnya: berdasarkan asosiasi, ukuran dan lain-lain. Klasifikasi
diperlukan untuk memudahkan dalam analisis lanjutan, misalnya: pengambilan sampel,
penghitungan luasan tiap kelas, dan lain-lain. Secara umum klasifikasi citra dibagi
menjadi dua yaitu klasifikasi tak terselia (unsupervised classification) dan klasifikasi
terselia (supervised classification).

a. Supervised Classification (Klasifikasi Terselia)

Klasifikasi terselia diawali dengan pengambilan daerah acuan (training area).
Pengambilan daerah acuan dilakukan dengan mempertimbangkan pola spectral pada
setiap panjang tertentu, sehingga didapatkan daerah acuan yang baik untuk mewakili
suatu objek tertentu. Samel yang telah didapatkan tersebut kemudian dijadikan sebagai
masukan dalam proses klasifikasi untuk seluruh citra dengan menggunakan perhitungan
tertentu. Beberapa jenis klasifikasi terselia diantaranya adalah : maximum likelihood,
parallelepiped, minimum distance dan binary encoding. Berikut akan dijabarkan
klasifikasi dengan maximum likelihood dan parallelepiped yang sering digunakan dalam
klasifikasi citra.
1. Maksimum likelihood
Pengkelasan berdasarkan kemiripan maksimum (maximum likelihood)
mengevaluasi secara kuantitatif varian maupun korelasi pola tanggapan spectral kategori
ketika mengklasifikasikan piksel yang tidak dikenal. Untuk melakukan hal ini, dibuat
suatu asumsi bahwa agihan mega titiknya membentuk data latihan kategori bersifat
normal (agihan normal). Asumsi normalitasnya wajar bagi agihan spectral yang lazim.
Dengan asumsi ini, agihan suatu pola tanggapan kategori dapat diuraikan secara lengkap
dengan vector rerata dan kovarian matrik (yang memberikan varian dan koreksi). Dengan
diketahuinya parameter ini, dapat digunakan untuk menghitung probabilitas statistik suatu
nilai piksel tertentu sebagai suatu warga kelas kategori tutupan lahan tertentu.
Secara intutif maka semakin banyak jumlah saluran yang dapat digunakan pada
pengkelas kemungkinan maksimum akan membuahkan hasil klasifikasi yang lebih baik.
Walaupun penggunaan sejumlah besar saluran sering menaikan ketelitian klasifikasi,
peningkatan tersebut tidak selalu diimbangi dengan waktu pemrosesan computer yang
lebih lama untuk penghitungan. Lebih lanjut pada pengenalan pola spectral maka kata
lebih tidak selalu berarti lebih banyak karena saluran spectral mempunyai tingkat
kepentingan yang bervariasi. Kandungan informasi pada suatu saluran penting dapat
diperlemah dengan data yang tidak berarti pada saluran yang lain. Masalah ini akan
parah terutama bila digunakan banyak saluran spectral yang banyak batas korelasinya.
Pada kenyataanya, telah terbukti pada beberapa kasus bahwa ketelitian pengkelas
kemungkinan maksimum mulai menurun apabila digunakan lebih dari empat atau lima
saluran spectral, disamping meningkatnya informasi dapat diperoleh dengan
bertambahnya jumlah saluran. Ketika melakukan analisis citra yang terdiri atas beberapa
saluran, maka dari itu akan sangat bermanfaat apabila memperhatikan suatu sub bagian
data pada saluran yang paling berarti. Penentuan tentang saluran mana yang harus
digunakna didasarkan pada proses yang disebut pilihan kenampakan (feture selection).
Pada proses ini sejumlah sub bagian saluran dievaluasi untuk menentukan sub bagian
mana yang paling berguna untuk memisahkan kategori yang dipilih, dan dianalisis
klasifikasinya dibatasi pada rangkaian saluran tersebut.

2. Parallelepiped
 Cara ini dapat memberikan suatu kepekaan terhadap varian kategori dengan
memperhitungkan julat nilai rangkaian latihan kategori. Julat ini dapat ditentukan dengan
nilai digital tertinggi dan terendah pada setiap saluran yang tampak sebagai suatu daerah
empat segi panjang pada diagram pancar dua saluran. Suatu piksel tak dikenal dikelaskan
menurut julat kategori atau wilayah ketetapan (decisionregion) dimana piksel tersebut
berada, atau sebagai piksel tak dikenal bila terletak diluar seluruh julat. Bentuk dialog
multidimensional bidang segi empat ini disebut parallelepipeds dan strategi/siasat
klasifikasinya dinamakan menurut istilah tersebut. Pengkelas parallelepipeds juga sangat
cepat dan efesien serta diterapkan pada beberapa sistem analisis citra.

b. Unsupervised Classification (Klasifikasi Tak Terselia)

Prosedur pengenalan pola spectral pada bagian ini adalah klasifikasi terselia
(supervised classification). Artinya analisis citra menyelia. Proses pemilihan kategori
informasi atau kelas yang diinginkan dan kemudian memilih daerah latihan yang
mewakili tiap kategori. Statistik yang diperoleh dari data latihan untuk tiap kategori
kemudian digunakan sebagai dasar untuk klasifikasi. Apabila kelas yang dipilih oleh
analis dapat dipisahkan spectral dan bila daerah latihan yang dipilih benar-benar
mewakili seluruh rangkaian data, proses klasifikasi yang dilakukan biasanya akan
berhasil baik. Kunci keberhasilan ini adalah perincian kategori tutupan lahan yang dapat
dipisahkan secara spectral.
Suatu alternative bagi pendekatan terselia adalah klasifikasi tak terselia
(unsupervised classification) yang tidak menggunakan data latihan yang ditetapkan oleh
analis. Klasifikasi tak terselia lebih banyak menggunakan algoritma yang mengkaji
sejumlah besar piksel tidak dikenal dan membaginya kedalam sejumlah kelas berdasarkan
pengelompokan biasa nilai citra yang ada. Anggapan dasarnya adalah bahwa nilai di
dalam suatu jenis tutupan tertentu seharusnya saling berdekatan pada ruang pengukuran,
sedang data pada kelas yang berbeda dipidahkan dengan baik secara komparatif.
Kelas yang dihasilkan dari klasifikasi tak terselia adalah kelas spectral. Oleh
karena kelas tersebut didasarkan pada pengelompokan natural nilai spectral citra,
identitas kelas spectral tidak akan diketahui secara dini. Analis harus membandingkan
data hasil klasifikasi terhadap beberapa bentuk data rujukan (seperti citra berskala dasar)
untuk menentukan identitas dan nilai informasi kelas spectral tersebut. Jadi pada
pendekatan terselia kita menentukan kategori informasi yang berguna dan menguji
tingkat daya pisah spektralnya, sedang pada pendekatan tak terselia ditentukan kelas yang
dapat dipisahkan secara spectral dan kemudian baru menentukan manfaat informasinya.
LANGKAH-LANGKAH KLASIFIKASI TERSELIA (Supervised Classification)
1. Panggilah salah satu citra hasil komposit
2. Pilih menu image pilih Tools Region Of Interest ROI Tool, sehingga
muncul kotak dialog ROI Tools sebagaimana gambar berikut.

3. Pada kotak dialog tersebut pilih salah satu button (Image, Scroll, Zoom, dan off).
Pemilihan button tersebut menunjukkan bahwa data jendela kerja yang kita pilih
pada menu ENVI 4.5

4. Proses selanjutnya Double klick pada ROI Name pada keterangan region #1
dengan nama objek yang akan saudara jadikan sampel misalnya Awan dengan
Color ada keterangan red maksudnya objek yang diklasifikasikan sebagai
awan akan diberi warna merah.
5. Untuk membuat nama baru silahkan Klick pada menu New region dank lick 2x
untuk memberi nama. Lakukan langkah tersebut secara berulang-ulang untuk
memberikan nama sampel objek baru.
6. Setelah keterangan diganti dengan awan, saudara pilih menu Image pada
tampilan ENVI, kemudian plot objek yang saudara identifikasi sebagai awan
dengan cara Digitasi membentuk polygon/area dan diakhiri dengan klick kanan 2
kali, sehingga objek sampel awan akan berwarna merah.
 Gambar .. Menunjukkan sebaran sampel objek awan dan Vegetasi

7. Untuk melakukan deliniasi sampel yang lainnya silahkan pilih objek di ROI
Tools, kemudian dicari lokasi sampel objek yang dimaksu. Untuk menggeser
silahkan pilih button Off, supaya menu delinisi tidak aktif, dan pindah kebali
button ke image ketika akan digitasi sampel. Lakukan secara beruang-ulang
untuk melanjutkan ke sampel berikutnya langkah pada point 6 dan 7.
8. Setelah semua sampel selesai terwakili proses berikutnya yaitu eksekusi
klasifikasi Supervised dengan cara Select Sampel File Save ROI Select
All Items. Selanjutnya pilih Choose berikan nama dan simpan datanya sesuai
dengan folder masing-masing dan Klick Oke.

9. Selanjutnya tampilkan menu utama ENVI 4.5, kemudian pilih menu

Classification Supervised Minimum Distance, sehingga muncul kotak
dialog Clasification Input File.
10. Pada kotak dialog Clasification Input File select file citra kemudian Klick
Oke, dan berikutnya muncul kotak dialog Minimum Distance Parameters.

11. Pada kotak dialog minimum distance parameters, klick Select All items
kemudian pada Output Result to yang atas pilih button File dank lick Choose
tuliskan nama file. Selanjutnya pada yang di bawah pilih output result to pilih
Memory dan selanjutnya Klick Oke.
12. Setelah selesai Kick Oke, sehingga muncul kota dialog ENVI Output to
Memory Warning pilih Choose dan tuliskan nama File Akhiri dengan tekan
Oke. Tunggu sampai proses klasifikasi selesai, lama tidaknya tergantung pada
cakupan area yang di kerjakan. Semakin luas dan kompleks maka akan semakin
lama.

13. Gambar proses klasifikasi sedang bekerja