Klasifikasi yang dilakukan untuk citra pada penginderaan jauh, secara umum terbagi dalam 2

type yaitu klasifikasi secara visual dan klasifikasi digital. Klasifikasi visual dilakukan dengan
deliniasi dan interpretasi citra secara langsung. Klasifikasi digital (terbimbing/tak terbimbing)
mempertimbangkan nilai Digital Number (DN) tiap pixel yang memiliki karakteristik spektral
sama dan diasumsikan sebagai kelas yang sama. Klasifikasi terbimbing (supervised)
membutuhkan sampel DN pada tiap polygon yang sudah diketahui kelasnya, kemudian aplikasi
mencari daerah yang memiliki kesamaan dengan sampel. Klasifikasi tak terbimbing
(unsupervised) mengklasifikasikan secara otomatis dengan menentukan jumlah kelas yang
diinginkan tanpa menggunakan sampel DN sehingga perangkat akan mengelompokkan pixel
yang sama kedalam jumlah kelas yang ditentukan.

Data citra satelit yang digunakan untuk melakukan klasifikasi adalah citra dengan
resolusi cukup tinggi karena untuk analisis wilayah berskala kecil. Citra Landsat biasa
digunakan untuk klasifikasi dengan resolusi spasial 30 x 30 m. Salah satu aplikasi pengolahan
data geospasial yang digunakan adalah ArcMap versi 10.3. Sebelum melakukan pengolahan
data citra, perlu dilakukan penyamaan sistem koordinat semua data yang digunakan. Hal ini
untuk menghindari error saat pengolahan data. Ada 2 type sistem koordinat yaitu Geographic
coordinate system dan projected coordinate system.

Klasifikasi Terbimbing

Tentukan wilayah yang akan diklasifikasi. Lakukan pemotongan (cropping)

menggunakan data vektor (poligon) untuk mengambil area wilayah yang spesifik. Hal ini dapat
mempermudah dalam analisis data dan memeperkecil ukuran penyimpanan citra Pengambilan
training sample dilakukan untuk mengambil contoh nilai DN pada pixel polygon kelas yang
sudah diketahui identitasnya oleh interpreter. Gunakan polygon untuk membentuk area
digitasi.

Poligon-poligon yang termasuk kelas yang sama dikelompokkan (merge) sehingga

terbentuk kelompok besar kelas klasifikasi. Save hasil training sample dalam bentuk file .gsg
(signature file).
 Setelah dilakukan pengambilan sample, kemudian lakukan klasifikasi supervised
maximum likelihood. Klasifikasi ini berdasarkan training sample masing-masing objek yang
sudah dikategorikan. Pemilihan training sample yang tidak tepat akan menghasilkan klasifikasi
yang kurang optimal dan tingkat akurasi yang rendah. Hasil klasifikasi yang diperoleh berupa
data raster, dapat di konversi dalam bentuk vektor (.shp). Arctoolbox Conversion From
raster raster to polygon.

Supervised Citra
Satelit

Klasifikasi Tak Terbimbing

Metode ini tidak memerlukan training sample, sehingga proses klasifikasi dilakukan
berdasarkan jumlah kelas yang diminta. Gunakan iso cluster unsupervised classification.

Unsupervised Citra Satelit

Kelemahan dari metode supervised, ketidakakuratan hasil klasifikasi ditentukan berdasarkan

kemampuan interpreter dalam menginterpretasi objek yang digunakan saat pengambilan
training sample. Pengelompokkan nilai DN tiap pixel sample yang salah akan menyebabkan
kesalahan pada hasil klasifikasi. Sedangkan pada metode unsupervised, kelemahannya adalah
apabila ada nilai pixel yang serupa namun berbeda objeknya maka hasil klasifikasi akan salah
dalam melakukan interpretasi. Misalnya atap pemukiman yang berwarna coklat akan mirip
nilai pixelnya dengan lahan terbuka sehingga pemukiman akan diklasifikasikan sebagai lahan
terbuka atau sebaliknya.
Berbagi