Anda di halaman 1dari 6

PENDAHULUAN

1. 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). Klasifikasi tidak terbimbing
(unsupervised) melakukan pengelompokan data dengan menganalisa cluster secara
otomatis dan menghitung kembali rata- rata kelas (class mean) secara berulang-
ulang dengan komputer. Pengelompokan piksel menjadi kelas spektral diawali
dengan menentukan jumlah kelas spektral yang akan dibuat. Penentuan jumlah
kelas ini dapat dilakukan dengan memperhatikan jumlah puncak histogram sehingga
diperoleh jumlah kelas spectral yang akan dibentuk. Setelah jumlah kelas spektral ini
ditentukan kemudian dipilih pusat-pusat kelas spektral terhadap setiap pusat kelas
spektral. Berdasarkan hasil pengukuran jarak ini setiap piksel dikelompokkan ke
dalam suatu kelas spectral yang memiliki jarak terdekat. Oleh karena itu, pada
praktikum akan dilakukan klasifikasi citra dengan menggunakan klasifikasi tidak
terbimbing.

2. Tujuan
Adapun tujuan praktikum adalah
HASIL

Gambar 1. Display citra

Tabel 1. Euclidean distance single linkage

BAND/CLAS
S 1 2 3 4 5 6 7 8
C1 0 19777 23718 23345 25342 28172 28007 55818
C2 19777 0 4081 5993 9840 11775 13241 37565
C3 23718 4081 0 4475 8285 9416 11393 33697
C4 23345 5993 4475 0 4056 6165 7404 32975
C5 25342 9840 8285 4056 0 4121 3432 31367
C6 28172 11775 9416 6165 4121 0 4598 28196
C7 28007 13241 11393 7404 3432 4598 0 29522
C8 55818 37565 33697 32975 31367 28196 29522 0

Gambar 2. Dendogram euclidean distance single linkage

Tabel 2. Euclidean distance complete linkage

BAND/CLAS
S 1 2 3 4 5 6 7 8
C1 0 19777 23718 23345 25342 28172 28007 55818
C2 19777 0 4081 5993 9840 11775 13241 37565
C3 23718 4081 0 4475 8285 9416 11393 33697
C4 23345 5993 4475 0 4056 6165 7404 32975
C5 25342 9840 8285 4056 0 4121 3432 31367
C6 28172 11775 9416 6165 4121 0 4598 28196
C7 28007 13241 11393 7404 3432 4598 0 29522
C8 55818 37565 33697 32975 31367 28196 29522 0

Gambar 3. Dendogram euclidean distance complete linkage

Tabel 3. Square euclidean distance single linkage

BAND/C
LASS 1 2 3 4 5 6 7 8
391135 562553 544971 64222 79363 78439 311567
C1 0 224 111 438 8647 5032 8830 4255
391135 166582 359167 96824 13865 175326 1411151
C2 224 0 75 64 099 5214 821 859
56255 16658 20023 68634 88669 12980 113549
C3 3111 275 0 418 009 935 8788 8038
544971 35916 20023 16454 38008 54813 108734
C4 438 764 418 0 433 770 931 8739
64222 96824 68634 164544 16986 117765 983875
C5 8647 099 009 33 0 673 70 146
79363 13865 88669 38008 16986 211370 794991
C6 5032 5214 935 770 673 0 35 591
78439 17532 129808 548139 117765 211370 871557
C7 8830 6821 788 31 70 35 0 747
311567 141115 113549 108734 98387 79499 871557
C8 4255 1859 8038 8739 5146 1591 747 0
Gambar 4. Dendogram square euclidean distance single linkage

Tabel 4. Square euclidean distance complete linkage

BAND/C
LASS 1 2 3 4 5 6 7 8
391135 562553 544971 64222 79363 78439 311567
C1 0 224 111 438 8647 5032 8830 4255
391135 166582 359167 96824 13865 175326 1411151
C2 224 0 75 64 099 5214 821 859
56255 16658 20023 68634 88669 12980 113549
C3 3111 275 0 418 009 935 8788 8038
544971 35916 20023 16454 38008 54813 108734
C4 438 764 418 0 433 770 931 8739
64222 96824 68634 164544 16986 117765 983875
C5 8647 099 009 33 0 673 70 146
79363 13865 88669 38008 16986 211370 794991
C6 5032 5214 935 770 673 0 35 591
78439 17532 129808 548139 117765 211370 871557
C7 8830 6821 788 31 70 35 0 747
311567 141115 113549 108734 98387 79499 871557
C8 4255 1859 8038 8739 5146 1591 747 0

Gambar 5. Dendogram square euclidean distance complete linkage

PEMBAHASAN
Berdasarkan hasil praktikum dihasilkan display citra berwarna ungu yang
menunjukkan badan air, hitam menunjukkan awan, dan kuning-biru menunjukkan
daratan (misalnya biru menunjukkan vegetasi rapat, coklat menunjukkan vegetasi
jarang, dan abu-abu menunjukkan tanah kosong). Pada praktikum ada dua tabel
yaitu euclidean distance dan square euclidean distance. Pada kedua tabel tersebut
dilakukan pembuatan dendrogram yaitu single linkage dan complete linkage. Pada
single linkage dicari jarak minimum atau tetangga terdekat sedangkan complete
linkage dicari jarak maksimum atau tetangga terjauh.

Euclidean distance single linkage dimulai dari data yang nilainya paling kecil
yaitu 3432 yang menghubungkan band C5 dengan C7. Nilai selanjutnya akan dicari
nilai terkecil pada setiap jarak terdekat diantara band C1-C8 tanpa ada pengulangan
dari setiap bandnya. Pada akhirnya didapatkan nilai tetangga terdekat yang terbesar
yaitu 28196. Euclidean distance complete linkage dimulai dari data yang nilainya
paling kecil yaitu 3432 yang menghubungkan C5 dengan C7, yang membedakan
dengan single linkage yaitu nilai selanjutnya dicari dari jarak maksimum atau
tetangga terjauh. Data yang diambil yaitu nilai paling besar dan diurutkan sampai
nilai paling kecil dari band C1-C8 tanpa ada pengulangan dari kedelapan band
tersebut. Nilai terbesar dari Euclidean distance complete linkage yaitu 55818.
Setelah didapatkan hasil dari euclidean distance single linkage dan complete
linkage, dibuat dendogramnya yang menggambarkan jarak terdekat dan jarak
terjauh. Simplifikasi kelas dilakukan agar tidak terlalu banyak kelas yang dipakai.
Simplifikasi kelas ini dilakukan menggunakan diagram dendrogram berdasarkan
matrik jarak euclidean dari masing-masing kelas. Penggambaran dendrogam ini
dapat menggunakan tiga metode, yaitu metode single linkage, complete linkage, dan
unweighted group average (Radityo 2010).

Pada square euclidean distance yang membedakannya dengan euclidean


distance yaitu pada rumus square euclidean distance tidak dikalikan dengan
pangkat 0,5 seperti pada euclidean distance. Square euclidean distance juga dibuat
dendrogram single linkage dan complete linkage seperti pada euclidean distance.
Square euclidean distance single linkage dimulai dari nilai paling kecil yaitu
11776570 yang menghubungkan band C7 dengan C5. Nilai tetangga terdekat yang
terbesar yaitu 794991591. Square euclidean distance complete linkage dimulai dari
nilai terkecil yaitu 11776570 yang menghubungkan band C7 dengan C5 dan nilai
paling besarnya yaitu 3115674255. Nilai-nilai tersebut yang akan menunjukkan
bentuk dendogramnya, baik itu berbentuk anak tangga maupun tidak beraturan
karena pada klasifikasi tidak terbimbing pengolahan datanya yang paling berperan
yaitu komputer (Maksum et al. 2016).

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.

Maksum ZU, Yudo P, Haniah. 2016. Perbandingan klasifikasi tutupan lahan


menggunakan metode klasifikasi berbasis objek dan klasifikasi berbasis piksel pada
citra resolusi tinggi dan menengah. Jurnal Geodesi Undip 2(5): 97-107.

Radityo G. 2010. Kajian pemanfaatan citra ALOS PALSAR resolusi sedang untuk
klasifikasi penutupan lahan di pulau Kalimantan Indonesia [skripsi]. Bogor(ID):
Fakultas Kehutanan Institut Pertanian Bogor.