Anda di halaman 1dari 7

TUGAS II

PENGOLAHAN CITRA DIGITAL

Dosen Pengampu :

Dr. Sigit Heru Murti B.S., M.Si

Nama Kelompok :

Damayanti Triyastuti E100150135

Retno Wahyu Ning Tyas E100150139

Putri Rindyantika E100150174

FAKULTAS GEOGRAFI

UNIVERSITAS MUHAMMADIYAH SURAKARTA

2018
1. Citra Asli

Mengklasifikasikan lahan terbangun disimbolkan dengan warna abu-abu keunguan,


hutan berwarna hijau, laut berwarna biru tua, lahan kosong berwarna putih, sawah
berwarna biru muda, dan tubuh air berwarna ungu.
2. Supervised Maximum Likelihood Classification

Klasifikasi Supervised Maximum Likelihood merupakan klasifikasi yang dilakukan


dengan cara membuat training area terlebih dahulu pada obyek dicitra. Semakin
banyak training area semakin detail klasifikasi yang dihasilkan, klasifikasi dihasilkan
dari objek yang memiliki nilai piksel tertinggi yang sama kemudian dikelompokkan.
Klasifikasi supervised digunakan jika mengenal daerah dengan baik. Pada citra hasil
maximum likelihood warna hijau menunjukkan hutan, ungu menunjukkan tubuh air,
sawah disimbolkan dengan warna biru muda, lahan kosong putih, laut berwarna biru
tua serta lahan terbangun berwarna abu-abu keunguan. Warna biru tua seperti pada
warna laut yang dihasilkan didaratan terjadi karena nilai piksel yang dihasilkan laut
dengan objek yang ada diratan sama, sehingga terkelompok menjadi objek yang sama
pula. Pada citra mayoritas objek yaitu lahan terbangun, karena banyak objek yang
memiliki nilai tertinggi yang sama dengan lahan terbangun. Sehingga hanya sedikit
yang dapat diklasifikasikan. Tetapi karena tidak mengenali daerah citra tersebut,
klasifikasi menjadi kurang detail dan kurang tepat. Serta terdapat eror pada citra.
3. Supervised Parallelepiped

Klasifikasi supervised parallelepiped menggunakan aturan keputusan sederhana untuk


mengklasifikasikan data multispectral. Batas-batas keputusan merupakan
parallelepiped n-dimensi dalam ruang data gambar. Pada klasifikasi parallelepiped
terdapat warna hitam pada citra, berarti objek pada citra tersebut tidak diketahui
klelasnya. Objek tidak diketahui atau tidak dapat diklasifikasikan karena beberapa
factor yaitu, terdapat eror pada citra sehingga sulit menentukan ketika membuat ROI,
objek memiliki nilai piksel yang berbeda dengan objek yang lain yang sudah
terklasifikasi atau karena pengaruh awan. Lahan kosong yang disimbolkan dengan
warna putih pada klasifikasi supervised parallelepiped tidak dapat terlihat
klasifikasinya serta sawah yang notabenenya pada citra asli sangat luas pada
klasifikasi parallelepiped hana terklasifikasi sedikit saja, hal ini dikarenakan batas
deviasi standar dari rata-rata setiap kelas yang dipilih tidak terlihat. Klasifikasi objek
yang paling besar yaitu lahan terbangun sama seperti pada klasifikasi minimum
likelihood classification hanya saja luasan hutan dan lahan terbangun hampir sama,
hal itu karena klasifikasi menurut ROI yang sudah didigit pada objek dicitra dan
menghasilkan nilai sama. Klasifikasi supervised digunakan jika mengenal daerah
yang akan diklasifikasikan penutup lahannya.
4. Klasifikasi Supervised Minimum Distance Classification

Klasifikasi supervised minimum distance classification, teknik jarak minimal


menggnakan vector endmember masing-masing dan menghitung jarak Euclidean dari
setiap piksel yang diketahui oleh vector rata-rata untuk masing-masing kelas.
Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi
kriteria yang dipilih. Pada hasil klasifikasi sebagian besar piksel memenuhi kriteria
sehingga didapat hasil seperti pada gambar diatas. Tetapi terdapat piksel yang
nilainya sama dengan laut pada tengah daratan sehingga didapat warna biru tua yang
berasosiasi dekat hutan serta lahan kosong. Hal tersebut terjadi karena beberapa
piksel tidak memenuhi kriteria. Pada ketiga metode klasifikasi supervised hasil
klasifikasi yang mendekati atau hampir sama dengan citra asli yaitu pada metode
minimum supervised distance, klasifikasi lebih mendetail dan mendekati citra aslinya
sehingga memudahkan analisis. Sedangkan padacitra maximum likelihood
classification didapatkan hasil klasifikasi yang berbeda dengan citra asli karena pada
citra asli lahan terbangun yang disimbolkan dengan warna abu-abu keunguan hanya
sedikit pikselnya tetapi pada maximum likelihood distance piksel didominasi oleh
lahan terbangun. Begitu juga parallelepiped yang mendominasi piksel adalah lahan
terbangun.
5. Klasifikasi Unsupervised K-Means

Klasifikasi unsupervised digunakan pada daerah yang kita tidak mengenalnya


sehingga klasifikasi akan dilakukan oleh computer. Pada klasifikasi unsupervised
computer mempelajari histogram kemudian mengelompokkan atau
mengklasifikasikan tiap piksel dari histogram. Pada metode K-means menggunakan
pendekatan analisis kelas yang mengharuskan memilih jumlah kelas yang berlokasi
didata, kemudian sistem akan mengelompokkan data kedalam kelas kelompok yang
telah ditentukan. Pada setiap kelas akan terdapat titik tengah (centroid) yang
mempresentasikan kelas tersebut. Semua piksel diklasifikasikan ke kelas terdekat,
beberapa piksel mungkin tidak dapat diklasifikasikan jika tidak memenuhi kriteria
pada kelas terdekatnya. Pada K-means menggunakan 7 kelas dengan warna hitam
untuk yang tidak dapat terindentifikasi, merah untuk kelas 1, hijau untuk kelas 2, biru
tua untuk kelas 3, kuning untuk kelas 4, biru muda untuk kelas 5, violet untuk kelas 6
dan ungu untuk kelas 7. Tetapi pada metode K-means hasil klasifikasi yang didapat
hanya 4 kelas yaitu kelas 4 kuning, kelas 5 biru muda, kelas 6 violet dan kelas 7
ungu. Hal ini terjadi karena pada kelas 1, 2, 3 piksel tidak memenuhi kriteria dan
mendekati kelas 4, 5, 6, dan 7. Terlalu banyak kelas yang dibuat sehingga kurang
bervariasi klasifikasi piksel yang dihasilkan. Akibatnya sulit untuk melakukan
analisis pada hasil klasifikasi dengan metode K-means karena tidak mengetahui
daerahnya serta klasifikasi dilakukan oleh sistem.
6. Klasifikasi Unsupervised Iso Data

Klasifikasi Unsupervised Iso Data dengan mengklasifikasikan kelas secara merata,


setiap piksel diklasifikasikan ke kelas terdekat. Beberapa piksel mungkin tidak
diklasifikasikan jika tidak memenuhi kriteria yang ditentukan. Pada Iso Data kelas
minimal yang digunakan 5 sedangkan kelas maksimal yang digunakan 10 serta iterasi
maksimal yang digunakan 5. Pada Iso data hanya terdapat 5 kelas, kelas 1 berwarna
merah, kelas 2 berwarna hijau, kelas 3 berwarna biru tua, kelas 4 berwarna kuning
serta kelas 5 berwarna biru muda. Hasil klasifikasi menggunakan Iso Data terdapat 3
kelas yang berhasil diklasifikasi, yaitu pada kelas 3, 4 dan kelas 5. Klasifikasi terlihat
lebih jelas dibandingan dengan menggunakan K-Means, laut serta tubuh air
disimbolkan dengan warna biru tua masuk ke kelas 3 dan terlihat dengan jelas
batasnya. Tetapi untuk sawah, lahan terbangun, serta lahan kosong sulit untuk
dibedakan karena variable tersebut masuk dalam 2 kelas yaitu kelas 4 dan kelas 5. Ini
terjadi karena ambang batas piksel sulit untuk diidentifikasi. Dibandingkan dengan
K-means, Iso Data lebih dapat memudahkan untuk analisis daerah yang tidak dikenal,
karena batas terlihat lebih jelas dan tegas, hanya saja untuk beberapa piksel susah
untuk diidentifikasi dan dianalisis karena kelas yang masuk pada piksel tersebut.