Klasifikasi MultiSpektral Menggunakan ENVI 4.

Oleh :

Yan Andika 1101564_2011

Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam

kelas-kelas tertentu. Hal ini sesuai dengan asumsi yang digunakan dalam
klasifikasi multispektral ialah bahwa setiap objek dapat dibedakan dari yang
lainnya berdasarkan nilai spektralnya (Projo Danoedoro,1996) Bertujuan untuk
menghasilkan peta tematik, dimana tiap warna mewakili sebuah objek, misalkan
hutan laut, sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni
2007). Hasil dari proses klasifikasi adalah peta tutupan lahan Peta penutup lahan
memuat informasi kelas tutupan lahan yang ada disuatu unit area Tingkat
kedetailan informasi peta tutupan lahan yang biasa dihasilkan dari klasifikasi citra
satelit amat tergantung pada tujuan utama pembuatan peta, resolusi citra,
pengenalan lapang, hardware dan keterampilan pengguna.

Ada 2 Metode dalam klasifikasi yaitu KlasifikasiTerbimbing (Supervised

Classification) dan Klasifikasi Tidak Terbimbing (Unsupervised Classification).

A. Klasifikasi Terbimbing (Supervised Classification)

Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan terlebih dahulu

membuat contoh ( training sample ) yang merupakan area yang kita tahu tutupan
lahannya dilapangan.

Dalam klasifikasi terbimbing ada beberapa metode yang digunakan

diantaranyanyaParallelepiped, Minimum Distance, Mahalanobis Distance,
Maximum Likehood, Spektral Angle Mapper, Spectral Information Divergence,
Binary Encoding, Neural Net, Support Vector Machine.

Langkah-langkahnya :

1. Buka file citra yang ingin diklasifikasikan, pilih File > Open Image File >
pilih file yang diinginkan

2. Buat ROI untuk klasifikasi, Basic Tools > Region Of Interest > ROI Tool,
maka jendela ROI Tool akan muncul, pilih window yang akan diidentifikasi, dan
klik new region untuk pemberian kelas-kelas.

Yan Andika(1101564/2011)_Geografi
3. Setelah selesai membuat ROI, kita lakukan proses klasifikasi, dengan memilih
Classification > Supervixed >Maximum Likelihood (metode/algoritma
maximum likelihood), pilih file yang akan diklasifikasikan, klik OK, Kemudian
pilih pengkelasan hasil pembuatan ROI tadi,dan untuk set probability ambil
none, pilih penyimpanan dan OK.

Yan Andika(1101564/2011)_Geografi
4. Setelah proses klasifikasi selesai, maka hasil klasifikasi kita lakukan
generalisasi, dengan cara Classification > Post Classification >
Majority/Minority Analysis. Setelah itu pilih hasil klasifikasi yang ingin di
generalisasi. Pilih pengkelasan yang dibuat tadi, pilih metode generalisasinya
major/minor, kemudian klik OK.

Yan Andika(1101564/2011)_Geografi
5. Setalah digeneralisasi, untuk menjadi basis data sig maka filenya harus diekspor
kedalam format vector, adapun caranya sebagai berikut : ambil Vector > Raster
to Vector, maka jendela Rater to Vector akan muncul, pilih hasil yang akan
dikonvert kedalam vector, setelah itu klik OK. Pilih pengkelasan yang kita buat
tadi, kemudian pilih folder penyimpanan, klik OK, maka proses konversi akan
berjalan.

6. Setelah proses konversi selesai maka, akan

muncul jendela Available Vectors List, dan
hasil konversi muncul pada jendela tersebut,
untuk memunculkan file vector tersebut pilih file
tersebut kemudian klik Load Selected, dan
kemudian pilih pada layer mana akan
ditampilkan.

Namun, file format vector tersebut masih berupa

format vector dari ENVI yaitu evf, maka agar

Yan Andika(1101564/2011)_Geografi
mudah untuk digunakan, kita harus mengkonvert kembali file tersebut kedalam
format vector yang sering dipakai yaitu shapefile (shp), adapun langkah-
langkahnya ialah :

Pilih File pada jendela Available Vectors List, kemudian klik Export Layers to
Shapefile, lalu pilih dimana file akan disimpan, kemudian klik OK.

Setelah proses konversi ke shapefile, file dapat digunakan untuk analisis lebih
lanjut.

Yan Andika(1101564/2011)_Geografi
Hasil Klasifikasi Terbimbing denganberbdagai metode/algoritma

Metode/Algoritma Hasil

Parallelepiped

Minimum Distance

Mahalanobis
Distance

Yan Andika(1101564/2011)_Geografi
 Maximum
Likehood

Binary Encoding

Neural Net

Yan Andika(1101564/2011)_Geografi
B. Klasifikasi Tidak Terbimbing (Unsupervised Classification).

Ada 2 metode klasifikasi yang digunakan pada klasifikasi tidak terbimbing, yaitu
ISODATA dan K-Means.

ISODATA atau Iterative Self-Organizing Data Analysis Technique merupakan

metode yang sering digunakan dalam klasifikasi tidak terbimbing. ISODATA
akan melakukan proses pengklasteran dan pengelasan awal (initial classes)
berdasarkan perhitungan statistic yang dilakukan computer, kemudian
mengklasifikasi piksel dan memodifikasi kriteria untuk setiap kelas. Proses ini
dilakukan secara berulang-ulang sampai interval (range) spectral antar kelas
menjadi maksimum.

Metode K-Means hampir sama dengan ISODATA. Hanya saja pada metode K-
Means digunakan asumsi bahwa jumlah klaster telah diketahui.

Langkah-langkahnya :

1. Pilih Classification > Unsupervixed > ISODATA, pilih file yang akan
diklassfikasikan, klik OK, Kemudian akan muncul jendela ISODATA
Parameters, isi number of Classes sesuai yang diinginkan, dan jumlah maximum
iterations. Kemudian klik OK

Yan Andika(1101564/2011)_Geografi
2. Setelah proses klasifikasi selesai, jika ingin digeneralisasi dan kemudian di
convert menjadi format data vector, langkahnya sama seperti pada proses
generalisasi dan convert pada klasifikasi terbimbing.

Hasil Klasifikasi Tak Terbimbing dengan berbagai metode/algoritma

Metode/Algoritma Hasil

ISODATA

K-Means

Yan Andika(1101564/2011)_Geografi