Anda di halaman 1dari 20

DAFTAR ISI

DAFTAR ISI ......................................................................................................... 1


DAFTAR TABEL .................................................................................................. 2
PENDAHULUAN
Latar Belakang ............................................................................................ 3
Tujuan .......................................................................................................... 3
METODOLOGI
Waktu dan Tempat ..................................................................................... 4
Alat dan Bahan ........................................................................................... 4
Metode Praktikum ...................................................................................... 4-11
HASIL DAN PEMBAHASAN
Hasil ............................................................................................................ 12-13
Pembahasan ................................................................................................ 13-16
PENUTUPAN
Simpulan ...................................................................................................... 17
Saran ............................................................................................................ 17
DAFTAR PUSTAKA ............................................................................................. 18
LAMPIRAN .......................................................................................................... 19-20

1
DAFTAR TABEL

Perbandingan gambar stacking dan supervised…………………………………………….12


Attribute signature ……………………….………………………….……………………………….12
Separability ……………………………………………..…………………………….………………….12
Hitung akurasi …………………………………...…………………………………….……………….13
Training Area…………………………………………………………………………………………….19-20

2
PENDAHULUAN

Latar Belakang
Dalam penginderaan jauh dikenal adanya klasifikasi citra. Klasifikasi secara
kuantitatif dalam konteks multispektral dapat diartikan sebagai suatu proses
mengelompokkan piksel ke dalam kelas-kelas yang ditetapkan berdasarkan peubah-
peubah yang digunakan atau biasa disebut segmentasi (segmentation) (Jaya 2010).
Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk
memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/
obyek berdasarkan kriteria tertentu. Salah satu contoh hasil klasifikasi multispektral
adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup
lahan ( vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar,
tubuh air, vegetasi kerapatan rendah, lahan terbangun dan lainnya).
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 distribusi awan di
atas suatu wilayah
Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua
klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak
terbimbing (unsupervised classification). Pada umumnya Klasifikasi citra digital yang
digunakan adalah klasifikasi terbimbing (supervised). Klasifikasi terbimbing ini
melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi
dengan identifikasi objek pada citra (training area). Sehingga pengambilan sampel
perlu dilakukan dengan mempertimbangkan pola spektral pada setiap panjang
gelombang tertentu, sehingga diperoleh daerah acuan yang baik untuk mewakili suatu
objek tertentu. Dalam praktikum kali ini metode yang akan digunakan yaitu metode
klasifikasi terbimbing ( supervised classification).

Tujuan

Adapun tujuan dari praktikum ini adalah untuk melatih mahasiswa agar
memahami tahap-tahap yang benar dalam melakukan klasifikasi secara kualitatif
terbimbing, melakukan evaluasi separabilitas, dan menghitung akurasi dari
klasifikasi.

3
METODOLOGI
Waktu dan tempat
Praktikum geomatikan dan Inderaja Kehutanan dengan judul Klasifikasi Tidak
Terbimbing (Unsupervised) dilaksanakan pada hari Rabu, 7 Maret 2018 pukul 13.00-
16.00 WIB yang bertempat di laboratorium remote sensing dan GIS departemen
manajemen hutan fakultas kehutanan Institut Pertanian Bogor.
Alat dan bahan
Alat dan bahan yang digunakan dalam praktikum ini yaitu PC,software ERDAS
IMAGINE 9.1, Microsoft Excel, data citra satelit landsat 8, dan alat tulis.
Prosedur Kerja
1. Membuka aplikasi ERDAS IMAGINE 9.1

2. Membuka file lc81200652015165_12345679.img > OK. Jika belum muncul


citranya pilih Fit Image To Window.

3. Memilih raster >band kombinasi. Setelah muncul kotak dialog ubah RGB dengan
R 6, G5, B4. Kemudian klik OK.

4
4. Memilih AOI >tools > polygon. Buat polygon pada masing-masing objek. Misalnya
objek awan.

5. Melakukan zoom in pada training area yang diinginkan.

5
6. Lakukan grouping ( jika lebih dari 1 training area).

7. Pilih Classifier > Signature editor > . Count dalam signature editor pada setiap
kelas antara 300-500.

6
8. Ubah nama pada signature name lalu beri nama sesuai training area yang dibuat
misalnya awan

9. Klik menu File > Save >AOI Layer As pada viewer yang dibuka. Kemudian akan
muncul kotak dialog seperti di bawah. Pilih Open file > ketik nama > OK.

7
10. Hapus training area dengan klik ikon cut. Kemudian ulangi langkah 5 sampai
langkah 9 dengan vegetasi rapat, vegetasi jarang, sawah, lahan kosong, lahan
terbangun, bayangan awan, dan badan air.
11. Setelah semua terbuat beri warna pada setiap kelas. Kemudian klik file > save as
untuk menyimpan file signature.

12. Pilih Classifier>Supervised Clasification> input raster file( masukkan file


kombinasi 8 band) > input signature file ( masukkan file signature yang telah
disimpan)>Classified file ( masukkan file name yang akan dibuat)> OK. Tunggu
hingga proses berhenti.

8
13. Pilih Raster > Attributes>Coloumn properties> OK

14. Pada signature editor pilih Evaluate > Separability > Tranformed Divergence >
CellArray>Best Average > OK dan Close. Copy ke Ms. Excel.

9
15. Pada signature editor pilih Evaluate > contingency > Parametric Rule ( Maximum
Likelihood> OK. Tunggu hingga proses selesai. Copy ke dalam Ms. Excel.

10
11
HASIL DAN PEMBAHASAN

Hasil

Tabel 1 Perbandingan gambar stacking dan supervised

Stacking Supervised

Tabel 2 Attribute signature

Tabel 3 Separability

Kelas 1 2 3 4 5 6 7 8
Awan 0 2000 2000 2000 200 2000 2000 2000
0
Badan air 2000 0 2000 2000 200 2000 2000 2000
0
Lahan 2000 2000 0 2000 200 2000 2000 2000
kosong 0
Bayangan 2000 2000 2000 0 200 2000 2000 2000
awan 0
Sawah 2000 2000 2000 2000 0 2000 2000 2000
Lahan 2000 2000 2000 2000 200 0 2000 2000
terbangu 0
n
Vegetasi 2000 2000 2000 2000 200 2000 0 1999.999
rapat 0 838
Vegetasi 2000 2000 2000 2000 200 2000 1999.999 0
jarang 0 838

12
Tabel 4 Hitung akurasi
Data awan badan airlahan kosongbayangan awan sawahlahan terbangunvegetasi rapatvegetasi jarangrow total producer accuracy
pa%
awan 318 0 0 0 0 0 0 0 318 1 100
badan air 0 367 0 0 0 0 0 0 367 1 100
lahan kosong 0 0 348 0 0 6 0 0 354 0.98305085 98.31
bayangan awan 0 0 0 342 0 0 0 0 342 1 100
sawah 0 0 0 0 452 0 0 0 452 1 100
lahan terbangun 1 0 4 0 1 412 1 0 419 0.98329356 98.33
vegetasi rapat 0 0 0 0 0 0 469 1 470 0.99787234 99.79
vegetasi jarang 0 0 0 0 0 0 0 375 375 1 100
Column Total 319 367 352 342 453 418 470 376 3097 0.99552709 99.55
user accuracy 0.99687 1 0.98864 1 0.998 0.98564593 0.997872 0.9973404 0.99552
ua% 99.6865 100 98.8636 100 99.78 98.5645933 99.78723 99.734043 99.5519
xij 3083
xi+ 1219501
over all accuracy 99.5479
kappa accuracy 99.4821

Pembahasan

Klasifikasi terbimbing adalah klasifikasi yang analisisnya mempunyai sejumlah


pixel yang mewakili masing - masing kelas atau kategori yang diinginkan (Jaya 2007).
Menurut Marini (2014) Klasifikasi terbimbing merupakan metode yang diperlukan
untuk mentransformasikan data citra multispektral ke dalam kelas-kelas unsur
spasial dalam bentuk informasi tematis. Kriteria pengelompokan kelas ditetapkan
berdasarkan penciri kelas yang diperoleh melalui pembuatan training area.
Penentuan training area biasanya dilakukan berdasarkan hasil pengamatan lapangan
atau berdasarkan penyesuaian dengan peta rupa bumi. Training area yang telah
didapatkan kemudian dijadikan sebagai masukkan dalam proses klasifikasi untuk
keseluruhan citra (Jaya 2007). Pada klasifikasi terbimbing, identitas dan lokasi
kelas-kelas unsur atau tipe penutup lahan (seperti halnya perkotaan, tubuh air,
lahan basah, dan lain sebagainya) telah diketahui sebelumnya melalui kunjungan ke
lapangan (survei), analisis foto udara (atau citra satelit sebelumnya), maupun cara-
cara yang lain (Marini 2014).

Metode klasifikasi terbimbing diawali dengan pembuatan daerah contoh untuk


menentukan penciri kelas. Kegiatan tersebut merupakan suatu kegiatan
mengidentifikasi prototife (cluster) dari sejumlah piksel yang mewakili masing-
masing kelas atau kategori yang diinginkan dengan menentukan posisi contoh
dilapangan dengan bantuan peta tutupan lahan sebagai referensi untuk setiap
kelasnya. Jumlah kelas yang diambil disesuaikan dengan masing-masing luas
penampakan. Secara teoritis, jumlah piksel yang diambil untuk mewakili setiap kelas
yaitu sebanyak N+1, dimana N adalah jumlah band yang digunakan. Hal tersebut
dilakukan untuk menhindari matrik ragam-peragam yang singular, dimana piksel per
kelasnya tidak bisa dihitung (Jaya 2007).

Separabilitas adalah ukuran statistik antar dua kelas . Separabilitas digunakan


untuk mengetahui kombinasi band mana saja yang akan meberikan separabilitas

13
terbaik untuk memperoleh kualitas ketelitian klasifikasi (Riswanto 2009). Nilai yang
dicari yaitu comission error, User accuracy, ketelitian akurasi, kappa accuracy dan
overall accuracy. Omission dan Comission error adalah kesalahan yang dilakukan
oleh user atau pembuat saat menentukan area klasifikasi. Nilai kappa digunakan
untuk menentukan bagaimana klasifikasi membandingkan secara acak menempatkan
nilai ke setiap pixel (Noviar 2012). Akurasi kappa digunakan untuk menguji
kesignifikanan antara dua matrik kesalahan dari metode yang berbeda atau dari
kombinasi band yang berbeda ( Jaya 2007). Dari data separability yang diperoleh
menunjukan nilai 2000 yang berarti keterpisahan sempurna. Hal ini menunjukkan
bahwa semua kelas tutupan dan penggunaan lahan memiliki kriteria tingkat
keterpisahan yang sempurna. Nilai keterpisahan ini dapat dipengaruhi ketepatan
dalam pembuatan training area seperti penentuan pixel pada warna.

Kekurangan dari klasifikasi terbimbing yaitu ouput yang diperoleh akan tidak
sesuai dengan keadaan dilapang apabila melakukan kesalahan saat membuat training
area, dimana saat pemilihan training area suatu wilayah dapat berisikian beberapa
area yang berbeda kelas. Hal tersebut mengakibatkan training area yang telah dibuat
akan memproses data yang kurang tepat. Kelebihan dari klasifikasi terbimbing yaitu
dapat membedakan kelas/cluster dengan baik apabila training sample yang diperoleh
tepat.

Evaluasi akurasi terhadap besarnya kesalahan klasifikasi area contoh untuk


menentukan besarnya persentase ketelitian pemetaan. Evaluasi ketelitian pemetaan
meliputi jumlah piksel area contoh yang diklasifikasikan dengan benar atau salah,
pemberian nama kelas secara benar, persentase banyaknya piksel dalam masing-
masing kelas serta persentase kesalahan total. Akurasi ketelitian pemetaan diuji
dengan membuat matriks contingency yang lebih sering disebut dengan matriks
kesalahan (confusion matrix) (Hermawan, 2008).

Akurasi yang bisa dihitung antara lain User’s accuracy, Producer’s Accuracy ,
Kappa accuracy dan Overall accuracy. Nilai akurasi yang paling banyak digunakan
adalah akurasi Kappa, karena nilai ini memperhitungkan semua elemen (kolom) dari
matrix. Nilai overall accuracy yang merupakan perbandingan jumlah total area
(piksel) yang diklasifikasikan dengan benar terhadap total area (piksel) observasi,
menunjukkan tingkat kebenaran citra hasil klasifikasi. Producer’s accuracy dan
user’s accuracy menunjukkan tingkat akurasi dari sisi pengamatan yang berbeda.
Producer’s accuracy adalah probabilitas/peluang rata-rata (%) suatu piksel akan
diklasifikasikan dengan benar dan secara rata-rata menunjukkan seberapa baik setiap
kelas di lapangan telah diklasifikasi. Sedangkan User’s accuracy adalah
probabilitas/peluang rata-rata (%) suatu piksel dari citra yang telah terklasifikasi,
secara aktual mewakili kelas kelas tersebut di lapangan (Hermawan 2008).

14
Berdasarkan hasil praktikum dihasilkan display citra klasifikasi terbimbing
(supervised). Display citra dihasilkan dari tabel hasil separability dan akurasi. Hasil
yang baik dari tabel separability dan akurasi belum tentu menghasilkan display citra
yang baik karena banyak faktor yang mempengaruhi diantaranya cara pengguna
dalam menentukan training area, semakin seragam training area yang dipilih maka
display citra yang dihasilkan juga akan tidak jauh berbeda dari citra yang sebenarnya
dan semakin banyak tempat objek yang dipilih serta jaraknya yang tidak terlalu dekat
juga mempengaruhi hasil display citra. Sehingga untuk mendapatkan display citra
yang hampir dan menyerupai citra sebenarnya membutuhkan sebuah keahlian dan
skill tertentu. Dalam praktikum ini menghasilkan display citra yang tidak terlalu
mewakili dan warnanya pun tidak menyerupai citra sebenarnya. Sehingga pemilihan
objek dari hasil interpretasi AOI menghasilkan warna dan objek yang tidak pada
tempatnya. Seperti pada citra sebenarnya objek yang seharusnya adalah badan air
tetapi display citra yang dihasilkan berubah menjadi lahan terbangun dan begitu juga
dengan objek yang lain, warna objeknya tidak pada tempatnya yang sebenarnya.
Faktor yang menyebabkan hasil dispay citra yang dihasilkan tidak menyerupai citra
sebenarnya adalah dalam pemilihan objek yang terlalu berdekatan dan sedikitnya
objek yang dipilih serta tidak memperhatikan keseragaman dari warna pixelnya
sehingga menghasikan display citra yang objeknya tidak berada pada tempat yang
benar pada citra sebenarnya. Display citra berhubungan dengan bagaimana pengguna
melakukan separabilitas dengan baik dan benar (Riswanto 2009).

Hasil selanjutnya yang dihasilkan dalam praktikum klasifikasi terbimbing


(supervised) ada 8 parameter diantaranya awan dengan total row 318, vegetasi rapat
dengan total row 469, vegetasi jarang dengan total row 375, badan air dengan total
row 367, lahan kosong dengan total row 348, lahan terbangun dengan total row 412,
sawah dengan total row 452 dan bayangan awan dengan total row 342 dengan total
row masing-masing data referency 300-500 tidak boleh lebih dan tidak boleh
kurang.

Nilai pada tabel Separabilitas untuk kedelapan tutupan lahan didominasi oleh
nilai 2000 atau berkisar antara 1900 sampai 2000. Hal tersebut menunjukkan bahwa
kedelapan lahan memiliki kriteria baik (good) dan sempurna (excellent). Hanya
hubungan antara vegatasi rapat dengan vegetasi jarang dan rumput dengan vegetasi
jarang yang memiliki nilai baik, selain itu nilai separabilitasnya sempurna, maka
dapat dikatakan bahwa hasil klasifikasi masing-masing tutupan lahan dapat
dibedakan secara spektral (Jaya 2005). Dari hasil perhitungan dengan rumus diatas
diperoleh hasil User’s accuracy , Producer’s Accuracy , Overall accuracy, dan
Kappa acc yaitu mendekati 100 %. Hal ini menunjukkan bahwa piksel-piksel dalam
area contoh telah terkelaskan dengan baik, dimana tingkat akurasinya mendekati 100
%. Pada producer’s accuracy, keseluruhan kelas mempunyai nilai producer’s

15
accuracy sebesar 99,55 %. Ini menunjukkan bahwa pada kelas-kelas tutupan dan
penggunaan lahan tersebut terjadi sedikit sekali kesalahan klasifikasi dengan sedikit
mengambil piksel dari kelas lain seperti pada lahan terbangun terambil 1 piksel sawah
dan vegetasi rapat. Dengan nilai akurasi mendekati 100 % maka piksel-piksel yang
digunakan sudah cukup mewakili karakterisik masing-masing kelas. Evaluasi akurasi
pada citra menghasilkan Overall accuracy dan Kappa Accuracy sebesar 99,55% dan
99,48%. Hal ini menunjukkan bahwa dari seluruh piksel yang digunakan,
keseluruhan dari piksel-piksel tersebut dapat terkelaskan dengan benar. Nilai yang
baik dari hasil separability dan akurasi belum tentu bagus pada display citra yang
dihasilkan. Omission dan Comission errora dalah kesalahan yang dilakukan oleh user
atau pembuat saat menentukan area klasifikasi. Nilai kappa digunakan untuk
menentukan bagaimana klasifikasi membandingkan secara acak menempatkan nilai
ke setiap pixel (Noviar 2012).

16
PENUTUP
Simpulan
Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa praktikum ini
melakukan kegiatan pengklasifikasian secara terbimbing dengan dibagi menjadi 8
kelas. Setiap kelas diberi warna yang berbeda satu sama lainnya agar objek yang satu
dengan lainnya dapat dikenali. Nilai pada tabel Separabilitas untuk kedelapan
tutupan lahan didominasi oleh nilai 2000 atau berkisar antara 1900 sampai 2000.
Hal tersebut menunjukkan bahwa kedelapan lahan memiliki kriteria baik (good) dan
sempurna (excellent). Dilakukan empat penilaian akurasi yaitu Overall accuracy
(OA), Prosedure’s accuracy, User’s accuracy dan Kappa accuracy. Dari keempat nilai
akurasi tersebut didapatkan persentasi mendekati 100 %. Nilai yang baik dari hasil
separability dan akurasi belum tentu bagus pada display citra yang dihasilkan.

Saran

Saat praktikum sedang berlangsung diharapkan asisten praktikum


mendampingi para praktikan yang belum terlalu paham sehingga dapat bertanya
dengan mudah dan dapat menyelesaikan praktikum dengan baik. Praktikan
diharapkan lebih aktif lagi bertanya jika ada materi yang tidak dipahami baik kepada
koordinator praktikum maupun kepada asisten pratikum.

17
DAFTAR PUSTAKA

Hermawan I. 2008. Deteksi Perubahan Penutupan Lahan Di Taman Nasional


Gunung Halimun Salak Menggunakan Citra LANDSAT Multiwaktu
[terhubung berkala] http://repository.ipb.ac.id. (diakses tanggal 19 Maret
2018)

Jaya INS. 2005. Tehnik mendeteksi lahan longsor menggunakan Citra Spot
Multiwaktu: Studi kasus di Teradomari, Tochio, dan Shidata Mura, Niigata,
Jepang. Jurnal Manajemen Hutan Tropika 10 (1): 31 – 48.

Jaya INS. 2007. Analisis Citra Digital : Perspektif Penginderaan Jauh untuk
Pengelolaan Sumberdaya Alam. Bogor (ID) : Institut Pertanian Bogor.

Jaya INS. 2010. Analisis Citra Digital: Teori dan Praktik Menggunakan ERDAS
Imagine. Bogor(ID) : Institut Pertanian Bogor.

Lillesand, Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra Penginderaan


Jauh. Yogyakarta(ID): Gadjah mada University Press.

Marini Y.2014.Perbandingan Metode Klasifikasi Supervised MaximumLikelihood


dengan Klasifikasi Berbasis Objek Untuk Inventarisasi Lahan Tambak di
Kabupaten Maros[Seminar]. Bogor(ID):LAPAN.

Noviar H. 2012. Uji akurasi training sampel berbasis objek citra landsat di kawasan
hutan Provinsi Kalimantan Tengah. Jurnal Ilmiah Geomatika 18(2):132-134.

Riswanto E. 2009. Evaluasi akurasi klasifikasi penutupan lahan menggunakan citra


Alos Palsar resolusi rendah, Studi kasus di Pulau Kalimantan [Skripsi]. Bogor
(ID): Institut Pertanian Bogor.

18
LAMPIRAN

Tabel 5 Training Area

No gambar Keterangan
1 Awan

2 Badan air

3 Lahan kosong

4 Bayangan awan

19
5 Sawah

6 Lahan
terbangun

7 Vegetasi rapat

8 Vegetasi jarang

20