Anda di halaman 1dari 22

ACARA IV

KLASIFIKASI MULTISPEKRAL

OLEH:

NAMA : AFIS AFANDI (R1B115001)


ASISTEN : HARIYANTO ARIF
KELOMPOK : X ( SEPULUH)

JURUSAN GEOGRAFI
FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
UNIVERSITAS HALU OLEO
KENDARI
2017
ACARA IV

1. Judul:

Klasifikasi Citra Multi Spektral

2. Dasar Teori

Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke dalam
sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas
dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk
menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Contoh
objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah, kota, jalan,
dan lain lain Sedangkan pada citra satelit meteorologi, proses klasifikasi dapat
menghasilkan peta awan yang memperlihatkan distribusiawan di atas suatu wilayah
(Arifin, 2012).

Klasifikasi tidak terbimbing merupakan prose pengelompokan pikselpiksel pada


citra menjadi beberapa kelas menggunakan analisa cluster.-Sedangkan klasifikasi
terbimbing merupakan proses pengelompokan pikselpiksel. Tahap ini merupakan
identifikasi dan klasifikasi piksel-piksel yang terdapat pada melalui training area
(Indarto, 2009).

Klasifikasi supervised maximum likelihood merupakan klasifikasi yang berpedoman


pada nilai piksel yang sudah dikategori obyeknya atau dibuat dalam training sampel
untuk masing-masing obyek penutup lahan. Pemilihan training sampel yang kurang baik
dapat menghasilkan klasifikasi yang kurang optimal sehingga akurasi yang diperoleh
rendah. Dengan demikian diperlukan analisis secara statistik atau uji akurasi dari
training sampel tersebut (Yennie, 2014).

Prosedur klasifikasi digital dengan metode Maximum Likelihood.Klasifikasi Digital


Supervised tersebut merupakan salah satu metode yangdigunakan untuk
mentransformasikan citra multispektral menjadi informasitematik kelas penutup lahan.
Proses klasifikasi didasarkan pada penentuantraining area secara interpretasi visual
maupun berdasarkan data sekunder ataupun fieldwork (Suprajaka, 2009).

Klasifikasi tak terbimbing data satelit inderaja adalah metoda klasifikasi pixel
(picture element) di dalam citra digital ke dalam sejumlah kelas penutup/penggunaan
lahan dengan tanpa pengajaran pola/ciri kelas penutup/penggunaan lahan terlebih
dahulu kepada computer pemroses dan klasifikasi didasarkan pada pengelompokkan
pola/ciri yang mirip secara alami ke dalam sejumlah kelas tertentu (clustering).
Klasifikasi tak terbimbing dilaksanakan dengan pengelompokkan pola pada data
inderaja dilakukan ke sejumlah kelas yang diinginkan, kemudian dari hasil
pengelompokkan dilakukan pelabelan kelas (pemberian nama kelompok) yang
didasarkan data referensi seperti peta atau hasil cek lapangan (ground truth data)
(Mukhiyar,2010).

Algoritma yang bisa digunakan untuk menyelesaikan klasifikasi terawasi antara lain
Parallelepiped, Minimum Distance, Mahalanobis Distance, Maximum Likelihood Naive
Bayesian, K-Nearest Neighbor. Algortima yang bisa digunakan untuk menyelesaikan
klasifikasi tak terawasi antara lain Isodata, K-Means, Improved Split and Merge
Classification (ISMC), dan Clustering Adaptif (CA). Algoritma K-Means Clustering ini
digunakan karena mudah diterapkan, dan dalam penelitian, algoritma K-Means cukup
efektif diterapkan dalam proses pengklasifikasian karakteristik objek, dan tidak
terpengaruh terhadap urutan objek yang digunakan. karakteristik K-Means yaitu, proses
klasterisasi sangat cepat, sangat sensitif pada pembangkitan centroids awal secara
random, dan memungkinkan suatu klaster tidak mempunyai anggota ( Apriyanti , 2015)
3 .Tujuan

Tujuan dari praktikum ini adalah untuk memudahkan objek dengan mengguakan
warna yang berbeda.
4. Alat dan Bahan

Tujuan dari praktikum ini yaitu untuk memudahkan objek atau lokasi dengan
menggunakan warna yang berbeda

NO Alat dan Bahan Kegunaan

Sebagai alat untuk mengolah, menganalisis dan


1. Laptop menyimpan data.

2. Software envi 4.5 Sebagai alat untuk mengolah data.

3. Pulpen Sebagai alat untuk menulis.

Citra Landsat 8 Citra yang digunakan untuk klasifikasi


4 Kota KDI multispectral.

5 Kertas Sebagai bahan untuk menulis.

5. Hasil dan pembahasan


5.1 Prosedur Kerja
5.1.1 Prosedur Kerja Supervised

- Bika aplikasi envi 4.5 lalu pilih file, klik open image untuk membuka file

- Bika aplikasi envi 4.5 lalu pilih file, klik open image untuk
membuka file
Cari file landst 8 yang telah disimpan

- Pilih warna asli citra dengan mengklik RGB lalu pilh ban 4-3-2.
Lalu klik load RGB.

- Arahkan kursor pada citra lalu klik kanan. Pilih ROI data.

Pilih tombol zoom, klik new display untuk menambah objek yang akan
- Arah kan kursor pada kotak zoom lalu mulai menandai objek yang
ingin ditandai. Usahkan pixel objek yang ditandai minimal 100
pixel.

- Setalah itu pilih toolbar clasification lalu pilih suvervesid dan pilih
parallepiped.

- Pilih citra landsat 8 lalu klik ok.


- Pilih tombol select all tems lalu klik file jika ingin menyimpan file
atau klik memory untuk tidak menyimpan file.

- Pada tabel analysis band pilih data yang telah disimpan lalu klika
kanan pilih laod new display.

- Lalu akan muncul classification parallepied, lalukan langkah yang


sama untuk memunculkan clasifiacation Minimum Distance,
Mahalonobis Distance Dan Maximum Likelihood.
5.1.2 Prosedur Kerja Klasifikasi Unsupervised

a. Buka aplikasi envi 4.5, setelah itu buka toolbar classification dan pilih
unsuver vised , klik isodata.

b. Akan muncul kotak classification input file kemudian pilih citra


landsat 8, lalu klik ok.
c. Di kotak isodata parameters isi number of classs minimal 9 dan
maximal 10 serta minimum distance sebanyak 5. Lalu pilih tombol
choose untuk menyimpannya. Setalah itu klik ok.

d. Pada tabel analysis band pilih isodata yg telah disimpan lalu klika
kanan pilih laod new display. Setelah itu klik tombol overlay dan
pilih clasifikasion.
e. Pilih file isodata yang telah disimpan, lalu kilik ok.

f. Setelah itu pilih tombol option lalu klik edit classification

g. Setelah itu rubahlah nama calsifikasi sesuai objek yang


diclsifikasikan.
h. Setelah merubah nam data yang telh diklsifikasikan maka pilih
tombl close, kemudian pilih tombol yes.

i. Pilih tombol clasiication lalu klik tombol post classification. Lalu


pilih major/minority analysis.

j. Pilih isodata yang telah disimpan, lalu klik ok.

k. Klik select all tems lalu pilih kanal sizenya 3 X 3 lalu klik file jika
ingin menyimpan data atau klik memory untuk tidak menyimpan
data. Setelah itu klik ok.
l. Ada tabel analysis band pilih major/minority analysis lalu klik
kanan pilih load band to new display.

m. Untuk kanal size 5X5 silahkan lakukan langkah yang sama dari
langkah 10 ,11 dan 12. Akan tetapi pada langkah ke sebelas rubah
kanal sizenya menjadi 5X5.

n. Untuk K-Means lakukan langkah keja yang sama dari langkah A


sampai L
5.2 Hasil

5.2.1 Klasifikasi Suvervised

5.2.1.1 Parallelepied

Gambar 5.1.1.1. Tampilan Klasifikasi Citra Multispektral Dengan Metode


Parallelepied

5.2.1.2 Minimun Distance

Gambar 5.2.1.2. Tampilan Klasifikasi Citra Multispektral Dengan Metode


Minimun Distance
5.2.1.3 Mahalanobis Distance

Gambar 5.2.1.3. Tampilan Klasifikasi Citra Multispektral Dengan Metode


Mahalanobis Distance

5.2.1.4 Maximun Likehood

Gambar 5.2.1.4. Tampilan Klasifikasi Citra Multispektral Dengan Metode


Maximun Likehood

5.2.1.5 Parallelepied Dan Minimun Distance


Gambar 5.2.1.5 Tampilan Perbandingan Klasifikasi Citra Multispektral
Dengan Metode Parallelepied Dan Minimun Distance

5.2.1.6 Mahalanobis Distance Dan Maximun Likehood

Gambar 5.2 .1.6. Tampilan Perbandingan Klasifikasi Citra Multispektral


Dengan Mahalanobis Distance Dan Maximun Likehoo

5.2.1.7 Tabel Data Rois


Gambar 5.1.1 7. Tabel Data RoiS Citra Landsat 8

5.2.2 Unsuvervised
5.2.2.1 Isodata Luasan 3 X 3 Dan 5 X 5

Gambar 5.1.2.1 Tampilan Perbandingan Isodata Dengan Luasan 3 X 3 Dan


5x5

5.2.2.2 K-Mens Luasan 3 X 3 Dan 5 X 5


Gambar 5.1.2.2 Tampilan Perbandingan K-mens dengan Luasan
3 X 3 Dan 5 x 5
5.3 Pembahasan

Klasifikasi citra merupakan proses pengelompokan pixel pada


suatucitra ke dalam sejumlah kelas, sehingga setiap kelas dapat
menggambarkansuatu entitas dengan ciri-ciri tertentu. Teknik klasifikasi
untuk citrapengindraan jauh secara umum di bedakan menjadi dua yaitu
klasifikasi visualdan klasivikasi digital. Klasivikasi visual di lakukan dengan
interpretasi dandelineasi citra secara langsung, sedangkan klasifikasi digital
di lakukan dengan metode supervised/unsupervised (didasarkan nilai digital
citra) menggunakan perangkat lunak tertentu. Tujuan utama klasifikasi citra
penginderaan jauh adalah untuk menghasilkan peta tematik, dimana suatu
warna mewakili suatu objek tertentu. Contoh objek yang berkaitan dengan
permukaan bumi antara lain perairan dangkal, perairan dalam, vegetasi
kerapatan tinggi, vegetasi kerapatan rendah,daerah kota,daerah pedesaan
jalan, dan lain lain. vegetasi kerapatan tinggi, vegetasi kerapatan rendah,
perairan dangkal, perairan dalam, lahan terbuka basah, pemukiman desa,
pemukiman kota, pasir kering, jaringan jalan ,daerah terumbu karang. Lahan
terbuka dan perairan tersedimentasi. Klasifikasi multispektral diawali
dengan menentukan nilai piksel tiap objek sebagai sampel. Selanjutnya nilai
piksel dari tiap sampel tersebut digunakan sebagai masukkan dalam proses
klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna
pada citra, analisis statik dan analisis grafis. Klasifikasi supervised meliputi
metode yang sederhana seperti parallelpiped, minimum distance, maximum
likelihood, dan mahalonibis dan.

klasifikasi unsupervised meliputi isodata dan k-means. Klasifikasi


supervised maximum likelihood merupakan klasifikasi yang berpedoman
pada nilai piksel yang sudah di kategori obyeknya atau di buat dalam training
area. Pemilihan training sampel yang kurang baik dapat menghasilkan
klasifikasi yang kurang optimal sehingga akurasi yang di peroleh rendah. 67
Metode mengklasifikasikan citra bergantung pada ketersediaan data awal
pada citra. Analisa cluster merupakan suatu bentuk pengenalan pola yang
berkaitan dengan pembelajaran secara unsupervised, dimana jumlah pola
kelas tidak diketahui. Proses clustering melakukan pembagian data set
dengan mengelompokkan seluruh pixel pada feature space (ruang ciri) ke
dalam sejumlah cluster secara alami. Metode supervised mengharuskan
adanya training set Akan tetapi training set untuk tiap kelas ini seringkali
belum diketahui. Salah satu penyebabnya adalah sulitnya menentukan jumlah
kelas yang sebenarnya terdapat pada citra itu disamping kesulitan untuk
mencari lokasi-lokasi mana yang bisa dianggap paling mewakilinya.
Klasifikasi multispektral yang dilakukan pada citra landsat 8 dilakukan
dengan metode supervised dan unsupervised, langkah yang pertama dengan
metode supervised. Pada klasifikasi supervised terbagi atas 2
pengklasifiksian yaitu klasifikasi minimum dan klasifikasi maximum, sama
halnya dengan klasifikasi supervised, klasifikasi unsupervised terbagi pula
atas 2 pengklasifikasian yaitu klasifikasi ISO data dan K-Means. Dalam hal ini
pengklasifikasian dilakukan dengan pengenalan objek dari citra dan
membuat plygon pada area yang dikenali dengan syarat poin dari polygon
minimal dari seratus, agar perbandingan 1,5 sampai dengan 2. Cara kerja
metode unsupervised ini merupakan kebalikan dari metode supervised,
dimana nilai-nilai piksel dikelompokkan terlebih dahulu .

komputer ke dalam kelas-kelas spektral menggunakan algoritma


klusterisasi. Kemudian setelah mendapatkan hasil, analis menetapkan
kelaskelas objek terhadap kelas-kelas spektral yang telah dikelompokkan
oleh komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bias
menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama
menjadi satu kelas. Jadi, pada metode ini tidak terdapat dikendalikan lansung
oleh operator atau secara otomatis. 68 Praktikum yang dilakukan pada
klasifikasi multispectral menggunakan Landsat 8 dengan komposit 432 yang
terdiri dari 12 kelas yaitu objek Vegetasi Kerapatan Tinggi, Vegetasi
Kerapatan Rendah, Pemukiman Kota, Pemukiman Desa, Lahan Terbuka,
Perairan Dangkal, Perairan Dalam, Perairan Tersedimentasi, Jaringan Jalan,
Tanah Terbuka Basah, Pasir Kering Dan Daerah Terumbu. Pada klasifikasi
supevised menggunakan Basic Tools kemudian mengklik Region of interest
setelah itu mengklik ROI Tool,

kemudian muncul kotak dialog lalu mengklik Zoom. Dari kotak dialog
itu sehingga pengklasifikasian kelas-kelas objek dimulai yaitu mulai dari
pengklasifikasian objek Vegetasi Kerapatan Tinggi, Vegetasi Kerapatan
Rendah, Pemukiman Kota, Pemukiman Desa, Lahan Terbuka, Perairan
Dangkal, Perairan Dalam, Perairan Tersedimentasi, Jaringan Jalan, Tanah
Terbuka Basah, Pasir Kering Dan Daerah Terumbu. Setelah pengklasifikasian
objek-objek selesai maka selanjutnya mengklik Classification, lalu mengklik
Supervised. Supervised terdiri dari beberapa bagian diantaranya yaitu
parallelepiped. Minimum Distance, Mahalonobis Distance, Maksimum
Likelihood, Spectral Angle Mapper, Sectral information divergence, Binary
encoding, Neurat Net, Support Vector Mechine. Didalam praktikum ini hanya.

menggunakan dua bagian supervised yaitu Minimum Distance dan


maksimum likelihood.dimana saat mengklik Minimum Distance, maka akan
muncul lagi kotak dialog lalu mengklik Landsat 8 KDI Resize, kemudian
mengklik select All itmems lalu disimpan failnya. Kemudian mengklik Min
dist Landsat 8 KDI, lalu mengklik Load Band To new display, maka akan
muncul gambar yang sudah diklasifikasi citrany, kemudian setelah itu
melakukan pengklasifikasian menggunakan maksimum likelihood, caranya
hampir sama dengan minimum distance, yang memebedakannya di
maksimum distance mengklik Landsat 8 KDI. 69 Hasil pengklasifikasian kelas
citra tersebut maka diketahui bahwa warna dari objek vegetasi kerapatan
tinggi berwarna merah dengan nilai piksel 101, objek vegetasi kerapatan
rendah berwarna hijau dengan nilai piksel 103, pemukiman kota berwarna
biru tua dengan nilai piksel 102, pemukiman desa berwana kuning dengan
nilai piksel 127, lahan terbuka berwarna berwana biru kehijauan dengan nilai
piksel 911, perairan dangkal berwarna merah keunguan dengan nilai piksel
144, peraiaran dalam berwarna merah tua dengan nilai piksel 213, perairan
tersedimentasi berwarna hijau tua dengan nilai piksel 108, jaringan jalan
berwarna ungu dengan nilai piksel 116, tanah basah terbuka berwarna
merah kekuning-kuningan dengan nilai piksel 120, pasir kering berwarna
biru laut dengan nilai piksel 101 dan daerah terumbu berwarna ungu muda
dengan nilai piksel 114. Proses klasifikasi multispektral dilakukan dengan
Training Area dalam menentukan objek yang akan diklasifikasi dan setiap
objek yang akan diklasifikasi ditentukan area poligon berdasarkan nilai
piksel. Setiap objek yang diklasifikasi multispektral memiliki nilai piksel yang
berbeda-beda tergantung dari banyaknya area objek yang diklsifikasi. Objek
denga
6. Kesimpulan

Adapun kesimpulan dari praktikum ini adalah, citra yang telah


diklasifikasi supervised dan unsupervised akan menghasilkan
perubahan dari segi warna dan rona, dan dapat dilihat perbedaan citra
sebelum di klasifikasi dan sesudah diklasifikasi, sesudah diklasifikasi
warna citra nya sangat cerah. Berdasarkan praktikum ini dapat dilihat
bahwa klasifikasi supervised harus dilakukan dengan menentukan
kelas kelas objek terlebih dahulu dengan menggunakan region of
interest dimana pengguna dapat membedakan objek dengan warna
yang berbeda dari warna citra aslinya, sedangkan untuk citra yang
diklasifikasi unsupervised kenampakan objek sangat sulit untuk
dibedakan karena klasifikasi unsupervised tidak dilakukan training
area (penentuan kelas) objek terlebih dahulu.

DAFTAR PUSTAKA

Arifin. 2009. Kajian Kriteria standar Pengolahan Klasivikasi Visual bebasisi


Data Inderaja Multispektral Untuk Informasi spasial penutup Lahan.
Seminar Nasional Penginderaan Jauh. Vol 1.
Indiarto. 2012. Klasifikasi Penggunaan Lahan dari Data Remote Sensing.
Jurnal Teknologi Informasi dan Pendidikan ISSN : 2086 4981 VOL.
2 NO. 1.
Mukhiyar Yennie. 20114. Penggunaan Analisa Faktor untuk klasifikasi Citra
Penginderaan Jauh Multispektral. Vol 2
Suparjak. 2010. Kompresi Citra Penginderaan Jauh Multispektral Berbasis
Clustering dan Reduksi Spektral. Vol 2.
Yennie. 2009. Perbandingan Identifikasi Objek Pada Citra Multispektral
berbasis Clustering dan Berbasis reduksi Spektral (Studi Kasus
Penginderaan jauh-lapan). Tugas Akhir