LAPORAN PRAKTIKUM

GD3205 PENGINDERAAN JAUH

Modul 8 : Klasifikasi Citra Supervised & Unsupervised

Oleh :

Gina Andryana Hidayat

151 14 054

K-02 Dosen : Bambang Edhi Laksono

TEKNIK GEODESI DAN GEOMATIKA

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN

INSTITUT TEKNOLOGI BANDUNG

2017
PENDAHULUAN

Latar Belakang

Penginderaan Jauh atau Remote Sensing merupakan ilmu dan teknologi perolehan informasi objek atau
fenomena di permukaan bumi tanpa kontak langsung. Untuk mendapatkan informasi tersebut,
diperlukan sensor yang terdapat pada pesawat udara. Sensor dapat berupa kamera fotografik, antenna,
radar, ataupun scanner multispectral. Sensor menghasilkan citra (gambar) untuk dianalisis lanjut sesuai
tema, menjadi peta (Sutanto, 1986). Karena tidak terdapat kontak langsung maka diperlukan suatu
proses yang dilakukan agar citra dapat di interpretasi dengan baik.

Data penginderaan jauh pada umumnya berbentuk data digital yang merekam unit terkecil dari
permukaan bumi dalam sistim perekam data. Unit terkecil ini dikenal dangan nama pixel (picture
element) yang berupa koordinat 3 dimensi (x,y,z). Koordinat x,y menunjukkan lokasi unit tersebut
dalam koordinat geografi x, y dan z menunjukkan nilai intensitas pantul dari tiap pixel dalam tiap selang
panjang gelombang yang dipakai. Nilai intensitas pantul dibagi menjadi 256 tingkat berkisar antara 0
255 dimana 0 merupakan intensitas terrendah (hitam) dan 255 intensitas tertinggi (putih). Dengan data
citra asli (raw data) tidak lain adalah kumpulan dari sejumlah pixel yang bernilai antara 0 -255. Tujuan
dari proses klasifikasi citra adalah untuk mendapatkan gambar atau peta tematik. Gambar tematik
adalah suatu gambar yang terdiri dari bagian-bagian yang menyatakan suatu objek atau tema tertentu.
Dalam klasifikasi citra ada dua metode yang dapat digunakan, yaitu superised classification dan
unsuperised classification.

TUJUAN PRAKTIKUM

1. Melakukan klasifikasi citra landsat 8 menggunakan metode superised classification dan

unsuperised classification dengan software ENVI.
2. Melakukan perbandingan antara citra hasil klasifikasi superised classification dan unsuperised
classification.

MANFAAT PRAKTIKUM

1. Praktikan dapat melakukan klasifikasi citra landsat 8 menggunakan metode superised

classification dan unsuperised classification dengan software ENVI.
2. Praktikan mengetahui perbandingan antara citra hasil klasifikasi superised classification dan
unsuperised classification.
STUDI LITERATUR

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). Dalam pengolahan data citra yang tujuanya
untuk dijadikan data primer sebuah pemetaan atau penelitian. Daerah yang terdapat pada peta harus
terlebih dahulu diketahui wilayahnya apakah wilayah tersebut merupakan daerah pemukiman,
perkebunan atau daerah pantai. Untuk itu perlu lakukannya klasifikasi objek untuk menentukan kelas
objek tersebut. Dalam klasifikasi citra ada dua metode yang dapat digunakan, yaitu metode superised
classification dan unsuperised classification.

Superised classification

Klasifikasi citra terawasi merupakan klasifikasi dimaana 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.

Pada proses klasifikasi setiap pixel pada 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 yaitu :

1. Jarak minimum rata-rata kelas (Minimum Distance)

Tiap piksel didekatkan kepada ROI tertentu. Nilai tengah ROI untuk tiap kelasnya yang akan
didekatkan. Tiap piksel akan didekatkan terhadap kelas terdekat.
2. Parallelepiped
Piksel dikelompokkan terhadap rerata rentang kelas terhadap nilai ambang batas kelasnya. Nilai
ambang batas ditentukan berdasarkan standar deviasi. Bila nilai piksel diantara nilai ambang
batas, maka piksel akan masuk ke kelas tersebut. Bila cocok dibeberapa kelas, kelas pertama
yang dipilih.
3. Kemiripan maksimum (Maximum Likelihood)
 Secara statistik dianggap bahwa tiap kelas pada tiap band terdistribusi secara normal. Untuk
pengkelasan, piksel diuji probabilitasnya terhadap kelas-kelas yang ada. Piksel akan
dimasukkan ke kelas tertentu dengan probabilitas yang tertinggi

4. Mahalanobis Distance
Sistem pengkelaskan jarak yang sensitif terhadap arah. Sistem ini mengasumsikan kovariansi
setiap kelasnya sama. Piksel akan dikelaskan terhadap training data terdekat.
Setiap pixel kemudian diberi nama sehingga diperoleh matrik multi dimensi untuk menentukan jenis
kategori penutupan lahan yang diinterpretasi.

Unsuperised classification

Proses klasifikasi ini tidak terawasi, proses klasifikasi dilakukan hanya berdasarkan 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.

Untuk penentuan citra menjadi beberapa cluster terdapat 2 algoritma yang dapat digunakan, yaitu
algoritma K-Means Clustering dan IsoData Clustering. K-Means Clustering adalah teknik
pengelompokan menggunakan pusat cluster terbaik melalui iterasi. Teknik ini mempartisi data ke dalam
cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang
sama dan data yang mempunyai karateristik yang berbeda di kelompokan ke dalam cluster yang lain.
Pada teknik IsoData akan dibentuk beberapa cluster data. Algoritma yang digunakan akan memisahkan
cluster-cluster tersebut atau menggabungkannya. Data yang berada diluar cluster akan didekatkan
menggunakan jarak terdekat.

METODOLOGI PRAKTIKUM

Alat

Laptop yang sudah terinstall software ENVI yang terdapat data citra landsat 8.

Langkah Kerja

1. Buka software ENVI, lalu input citra landsat 8.

2. Pada citra landsat 8, pilih daerah yang terdapat pemukiman, laut, awan, dan pesisir > buat ROI
3. Buat subset dari ROI yang telah ada
4. Pilh Tool classification > klik Unsuperised classification > pilih > IsoData Classification &
K-means Classification, untuk K-means Classification lakukan iterasi sebanyak 100 kali

5. Buatlah subset baru dari citra landsat 8

6. Bentuk masing-masing 2 ROI dari objek vegetasi, awan, pemukiman, pesisir, dan air.
 7. Pilh Tool classification > klik Superised classification > pilih strategi klasifikasi :
a. Mahalanobis Distance b. Maximum Likelihood

c. Minimum Distance d. Parallrelepiped

HASIL DAN PEMBAHASAN

Hasil klasifikasi citra landsat 8 dengan metode Unsuperised classification

Gambar 1. IsoData Gambar 2. K-Means Gambar 3. K-Means dengan Iterasi 100 kali

Hasil klasifikasi citra landsat 8 dengan metode Superised classification

Gambar 4. Mahalanobis Gambar 5. Maximum Likelihood

Gambar 6. Minimum Distance Gambar 7. Parallrelepiped

ANALISIS

Praktikum kali ini melakukan klasifikasi citra dengan metode supervised dan unsuperised classification.
Dalam superised classification terdapat 4 strategi klasifikasi yaitu jarak minimum rata-rata kelas
(Minimum Distance), parallelepiped, kemiripan maksimum (Maximum Likelihood), dan mahalanobis.
Hasil dari superised classification lebih menampilkan keadaan sebenarnya dari unsuperised
classification. Pada superised classification terdapat beberapa perbedaan pada setiap strategi klasifikasi.
Pada strategi klasifikasi mahalanobis terdapat sedikit wilayah pemukiman dan wilayah pantai yang
salah dalam pengklasifikasian. Strategi klasifikasi maximum likelihood terdapat wilayah pemukiman
yang salah dalam pengklasifikasian sehingga masuk pada klasifikasi wilayah hutan. Klasifikasi
parallelepiped terdapat wilayah hutan yang masuk pada klasifikasi awan. Strategi mahalanobis dengan
strategi minimum distance tidak jauh berbeda tetapi pada klasifikasi mahalanobis masih terdapat sedikt
wilayah pantai yang masuk dalam klasifikasi perairan. Sehingga strategi klasifikasi yang paling baik
adalah minimum distance.

Pada hasil unsupervised classification, terdapat beberapa kelas yang tidak sesuai dengan keadaan
sebenarnya. Pada wilayah lautan banyak yang masuk pada klasifikasi ke kelas daratan padahal
seharusnya masuk pada kelas perairan. Pada unsuperised classification dengan metode IsoData dan K-
means hasilnya tidak menunjukan perbedaan yang signifikan.

KESIMPULAN

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. Metode klasifikasi dapat dibagi menjadi 2 yaitu supervised dan unsuperised
classification. Pada superised classification terdapat 4 strategi klasifikasi yaitu jarak minimum rata-rata
kelas (Minimum Distance), parallelepiped, kemiripan maksimum (Maximum Likelihood), dan
mahalanobis. Pada unsuperised classification ada 2 algoritma clustering yaitu IsoData cluster dan K-
Means clustering. Dari hasil superised classification metoda yang dirasa paling baik adalah medium
distance karena paling menggambarkan keadaan sebenarnya. Pada unsuperised classification hasilnya
tidak menunjukan perbedaan yang signifikan.

DAFTAR REFERENSI
Https://articles.extension.org/pages/40214/whats-the-difference-between-a-supervised-and-
unsupervised-image-classification, diakses pada 19 April 2017
Http://gisgeography.com/image-classification-techniques-remote-sensing/, diakses pada 19 april 2017
Klasifiksi Citra. (2012, September 20). Retrieved from GEOD4US: http://geod-4-
us.blogspot.co.id/2012/09/klasifikasi-citra.html#!/tcmbck