Laporan Praktikum

Penginderaan Jauh I
Modul ke- 5 : Klasifikasi Citra

Disusun Oleh :

Antonius R Carlos
23116072

Program Studi Teknik Geomatika

Jurusan Teknologi Infrastruktur dan Kewilayahan
Institut Teknologi Sumatera
2019
 FORMAT PENILAIAN
LAPORAN PRAKTIKUM PENGINDERAAN JAUH I
MODUL KE-5

Nama Mahasiswa : Antonius R Carlos

NIM : 23116072

No Unsur yang Dinilai SKOR

1. BAB I

2. BAB II

3. BAB III

4. BAB IV
5. BAB V

Asisten Praktikum

...................................
NIM.
 BAB I
PENDAHULUAN

1.1 Latar belakang

Penginderaan jauh merupakan sebuah ilmu dalam memperoleh informasi tentang

obyek, daerah, atau gejala dengan alat tanpa kontak langsung berupa satelit yang
memiliki sensor/ indera terhadap obyek, daerah atau gejala yang dikaji. Penginderaan
jauh bermanfaat dalam sebuah proses baik itu penelitian, pengukuran dengan
menggunakan konsep interpretasi foto udara, fotogeometri, interpretasi citra dari sensor
non-fotografi baik secara visual maupun menggunakan teknik pemrosesan citra digital.
Hal ini dapat mempermudah dalam pengumpulan data dari jarak jauh yang dapat
dianalisis untuk mendapatkan informasi tentang objek, daerah maupun fenomena yang
diinginkan / dikaji. Salah satu citra dari sensor non-fotografi yang banyak digunakan
adalah citra Landsat. Citra ini memiliki 11 band yang terdiri dari citra multi spektral
resolusi 30 m, pankromatik resolusi 15 m, dan termal resolusi 100 m. Citra pankromatik
resolusi 15 m ini biasanya digunakan untuk penajaman citra.

Pada praktikum kali ini merupakan praktikum mengenai Klasifikasi Citra dimana
proses klasifikasi citra sendiri ditujukan untuk pengelompokan objek pada citra yang
sama menjadi satu. Pada klasifikasi citra sendiri bisa menggunakan klasifikasi supervised
dengan unsupervised dimana tujuan dari masing-masing klasifikasinya berbeda satu sama
lain. Sebelum pelaksanaan klasifikasi citra pastinya dilakukan terlebih dahulu pembuatan
Region of Interest untuk mengambil data sample yang akan dilanjutkan untuk Klasifikasi.
1.2 Tujuan
Tujuan dilakukannya Praktikum ini adalah sebagai berikut:
1. Mahasiswa dapat mengetahui proses pengolahan citra satelit
2. Mahasiswa dapat mengetahui pengertian dan jenis-jenis klasifikasi
3. Mahasiswa dapat mengetahui fungsi dari klasifikasi
4. Mahasiswa dapat mengetahui cara melakukan melakukan klasifikasi pada aplikasi
envi.

1.3 Waktu dan tempat

Praktikum ini dilakukan pada :
Waktu : 8.00-11.00 WIB
Hari, Tanggal : Senin, 22 April 2019
Tempat : GK313 Gedung Kuliah Umum, Itera
 BAB II DASAR TEORI

2.1 Penginderaan jauh

Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek,

daerah, atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat
tanpa kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan Kiefer,
1979). Sedangkan menurut Lindgren (1985), penginderaan jauh adalah variasi teknik
yang dikembangkan untuk perolehan dan analisis informasi tentang bumi dalam bentuk
radiasi elektromagnetik yang dipantulkan dan dipancarkan dari permukaan bumi.
Data penginderaan jauh dapat diperoleh melalui hasil rekaman sensor yang dipasang
baik pada pesawat terbang, satelit, pesawat ulang alik, atau wahana lainnya. Sensor
tersebut akan menghasilkan data yang berbeda-beda sesuai dengan letak ketinggian
sensor maupun karakteristik obyek yang dikaji (Sutanto, 1986). Penginderaan jauh
mencakup semua metode untuk mendapatkan gambar atau bentuk lain dari rekaman
elektromagnetik dari permukaan bumi dari kejauhan, termasuk pengerjaan dan
pengolahan data (White, 1977).

2.2 Klasifikasi Citra

Klasifikasi citra digital terdiri dari banyak metode alternatif yang menghasilkan
tingkat akurasi berbeda-beda. Akurasi ini sangat tergantung pada beberapa hal seperti training
sample dan keragaman kenampakan lahan pada daerah citra yang dikaji. Penelitian ini
bertujuan untuk membandingkan 4 metode klasifikasi citra digital yang diterapkan pada
daerah dengan tingkat keragaman kenampakan lahan yang berbeda yaitu Kecamatan Ciomas,
Kecamatan Dramaga dan Kecamatan Cibungbulang. Metode klasifikasi citra digital yang
digunakan pada penelitian ini adalah kemungkinan maksimum, jarak Mahalanobis, jaringan
syaraf tiruan dan support vector machine. Hasil penelitian ini menyimpulkan bahwa
kemungkinan maksimum merupakan metode klasifikasi citra yang paling baik pada citra di
tiga kecamatan terpilih dengan nilai rata-rata akurasi keseluruhan sebesar 91.99% dan nilai
rata-rata koefisien kappa sebesar 0.8772. Selain itu, metode support vector machine dan
jaringan syaraf tiruan juga memberikan hasil yang cukup baik.

2.3 Region of Interest

Regions of Interest (ROI) adalah sampel raster yang dipilih, seperti area air, yang
diidentifikasi untuk tujuan tertentu. Anda dapat menggunakan ROI untuk diproses di
beberapa tools pada aplikasi ENVI, seperti untuk mengekstrak statistik untuk klasifikasi.
Untuk membuat dan mengelola ROI, klik Tools Regions of Interest (ROI) pada toolbar. Saat
Anda menentukan ROI, Anda menentukan piksel dari suatu gambar yang akan masuk atau
keluar dari ROI.
 Ketika ROI berbasis geometri dirasterisasi, ENVI menggunakan aturan untuk
menentukan apakah suatu piksel akan dimasukkan dalam ROI. Di mana geometri terletak
dalam kaitannya dengan garis tengah piksel menentukan apakah piksel itu masuk atau keluar
dari ROI.ROI yang dibuat dalam ENVI mungkin tidak mengandung jumlah piksel yang sama
dengan yang dibuat dalam ENVI Classic. ENVI Classic menggunakan metode yang berbeda
untuk memilih piksel yang didasarkan pada rutin POLYFILLV di IDL. Metode ENVI untuk
rasterisasi ROI berbasis geometri.Sebelum ENVI menerapkan aturan inklusi piksel, ia
menyesuaikan simpul dari geometri sebagai berikut:Jika sebuah titik berada di dalam piksel,
lokasinya akan disesuaikan ke tengah piksel.Jika banyak titik terletak di dalam piksel yang
sama, mereka akan direduksi menjadi satu titik yang terletak di tengah piksel.Jika titik
terletak di sudut piksel, itu tidak disesuaikan.Jika sebuah titik berada di tepi kiri, kanan, atas,
atau bawah piksel (tetapi tidak di sudut), ia berada di tengah tepi piksel.Inklusi piksel
ditentukan oleh yang berikut:Jika bagian tengah tepi kiri, kanan, atas, atau bawah piksel
berada di dalam geometri, piksel tersebut akan dimasukkan dalam ROI.Jika sebuah simpul
geometri berada dalam batas piksel, piksel tersebut akan dimasukkan dalam
ROI.Menggunakan piksel tunggal dalam contoh di bawah ini, geometri di gambar kiri tidak
melewati garis tengah pada piksel; oleh karena itu, piksel tersebut tidak akan dimasukkan
dalam ROI. Gambar tengah memiliki geometri yang melintasi garis tengah atas piksel,
sehingga piksel tersebut akan dimasukkan dalam ROI. Pixel pada gambar kanan juga akan
dimasukkan, karena mengandung simpul dalam luasan piksel.
2.4 Perbedaan antar klasifikasi
Supervised :
Parallelpiped
Mendeskripsikan fungsi keanggotaan setiap kelas berbentuk trapezium dan direpresentasikan
oleh nilai minimum dan nilai maksimum spectral signature dari ROI. Nilai fungsi
keanggotaan pixel pada metode ini dibandingkan pada seluruh band. Nilai keanggotaan
akhirnya ditentukan dengan perhitungan t-norm.
Mahalanobis
Mahalanobis merupakan suatu metode statistika yang digunakan untuk mendapatkan suatu
data dengan jarak tertentu terhadap mean data tersebut sehingga diperoleh suatu penyebaran
data yang memiliki pola terhadap nilai mean.
Minimum distance to mean
Pada metode ini digunakan proses mengukur jarak dari nilai tengah atau mean pada training
region. Semakin besar jaraknya dari nilai tengah semakin sedikit kemiripan pixel yang ada
pada kelas tersebut. Metode ini cukup baik untuk citra satelit dengan kualitas rendah.
Maximum likehood
Maximum Likehood merupakan metode yang paling umum digunakan pada klasifikasi data
remote sensing. Dimana maximum likehood ini mempertimbangkan faktor peluang dari satu
pixel untuk dikelaskan kedalam suatu kelas yang dinamakan prior probability yang dapat
dihitung dengan menghitung persentase tutupan pada citra yang akan diklasifikasi. Jika
peluangnya tidak diketahui maka peluangnya dinyatakan sama untuk semua kelas.
maximum likelihood merupakan metode yang memiliki akurasi paling tinggi dan yang paling
banyak digunakan dibandingkan metode parallelpiped yang memiliki akurasi tinggi namun
banyak piksel yang tidak terklasifikasi dan tumpang tindih, dan minimum distance yang
memliki akurasi paling rendah.
Unsupervised :
K means
K-Means adalah sebuah metode pengelompokkan dimana satu karakteristik yang sama
dikelompokkan pada satu kelompok. Dimana terdapat nilai dititik tengah (centroid) yang
mempresentasikan kelas tersebut.
Isodata
Pada Isodata tejadi pengaturan jumlah cluster fleksibel dan mengontrol kepadatan suatu
cluster. Dalam algoritmanya sendiri terdapat proses pembagian,penggabungan dan
penghapusan cluster. Pada klasifikasi ini, setiap pixel akan diklasifikasikan ke kelas terdekat

BAB III PEMBAHASAN

Buka Envi Classic > Open

Image File > Pilih file yang
memiliki hasil reflektan >
Input RGB band 4,3,2 >
Load Band
Pilih Basic Tool > Regions
of Interest > ROI tool.
Akan muncul window
seperti disamping, Pada
window pilih zoom, pada
ROI_Type centang bagian
poligon > Ganti nama
Region sesuai kategori yang
ingin kita klasifikasikan.

Buat polygon sebanyak

maksimal 85 poligon dan
maksimal 100 pixel untuk
semua objek. Klik band
pada citra dan pada window
zoom ke-3, klik tombol (+)
sebanyak 10 kali secara
spontan untuk semua objek
untuk membuat poligon.

Klik Tools > 2D Scatter

Plots > Pilih X, untuk warna
merah, Band 4 dan Y,untuk
inframerah, pada band 5 >
OK.
Lalu akan muncul grafik
hasil dari scatter plots.
 Klik Options > Computer
ROI Separability.
Setelah muncul seperti
gambar pilih data hasil layer
stacking yang telah ada nilai
reflektan > OK > Klik
Select all untuk
memasukkan semua objek>
OK.
Lalu akan muncul nilai ROI
Separability nya.
Klasifikasi Citra
Classification > Supervised
jika ingin melakukan
klasifikasi dengan sistem
Terbimbing. Jika tidak pilih
Unsupervised > Pilih sistem
klasifikasi sesuai yang
ditentukan
(Parallelpiped,Minimum
Distance to Mean,dll)

Pilih data citra Reflektan >

Select All Items >
Masukkan penyimpanan>
OK.
Lakukan metode yang sama
dengan menggunakan
Minimum Distance to Mean,
Mahalanobis dan Maximum
Likelihood pada supervised.
Juga pada Unsupervised
dengan Isodata dan KMeans
nya.
Setelah dilakukan
klasifikasi, Klik
Classification > Post
Classification >
Majority/Minority Analysis

Pilih sesuai klasifikasi yang

ingin dilakukan
majority/minority analysis
nya > OK > Pilih Lokasi
penyimpanan dan tulis nama
file > OK.

Selanjutnya kita convert

data raster menjadi data
vector dengan cara klik
vector > Raster to Vector
Setelah muncul seperti
disamping, Pilih data yang
akan dilakukan Raster to
Vector yang sudah
dilakukan Majority/Minority
Analysis > OK

Select semua item pada box

yang akan dilakukan Raster
to Vector kecuali item
Unclassified > Pilih
penyimpanan dan masukkan
nama file nya > OK

Setelah di lakukan raster to

vector ada muncul window
baru yang ada RTV. Klik
File > Export Layer to
Shapefile > Pilih data RTV
nya > Tentukan tempat
penyimpanan dan nama file
nya > OK
Buka ArcMAP > Masukkan
data yang telah kita jadikan
SHP

Klik kanan pada SHP >

Properties > Symbology >
Categories > Pilih warna
pada Color Ramp > Add All
Values > OK

Masukkan data SHP Bandar

Lampung > Pilih
ArcToolBox > Analysis
Tools > Extract > Clip
Pada window ini, Input
Features isi dengan SHP
parallelpiped, Clip Features
isi dengan Batas Kecamatan
> Output pilih sesuai dengan
folder yang diinginkan >
Klik OK
 BAB IV HASIL DAN ANALISIS

4.1 Hasil
 Citra Komposit (Natural Color)

SUPERVISED
 Parallelpiped

 Minimum Distance to Mean

 Mahalanobis

 Maximum Likelihood
UNSUPERVISED
 Isodata

 K Means
ROI window

ROI Separability
4.2 Analisis
Pada Praktikum Kali ini dilakukan sebuah proses dalam klasifikasi sebuah citra.
Dimana Pada klasifikasi citra sendiri perlu dilkukan Pembentukan ROI. Pada pembentukan
ROI sendiri dilakukan sesuai standar dan rumus yang berlaku. Pada pengambilan ROI,
dilakukan sesuai daerah yang akan diklasifikasikan seperti, jalan, vegetasi,sungai, lahan
terbuka, dll. Pada Pembentukan ROI, wilayah dari citra yang memiliki penginterpretasian
yang mirip seperti jalan/ sungai perlu diperhatikan dengan baik sehingga tidak terjadi
kesalahan klasifikasi.
Setelah dilakukan ROI, klasifikasi bisa dilakukan. Klasifikasi dilakukan sesuai
dengan jenis klasifikasi yang ada. Yaitu Klasifikasi Terbimbing dan tidak terbimbing. Dilihat
dari hasil pengolahan, klasifikasi terbimbing menghasilkan data yang lebih baik dibanding
klasifikasi tidak terbimbing (Unsupervised). Pada 2 metode tersebut terdapat jenis nya lagi
sesuai dengan namanya. Dari semua perlakuan klasifikasi, menurut saya yang bagus adalah
klasifikasi Supervised dengan menggunakan Likelihood. Hal ini dikarenakan hasil klasifikasi
yang didapat lebih jelas dan lebih mendekati sempurna (Minim Kesalahan) dibanding yang
lain. Tetapi hal ini juga didapatkan sebanding dengan pengolahan/ Iterasi nya yang lebih
lama dari yang lain.

BAB V KESIMPULAN

1. Sebelum klasifikasi Citra Perlu dilakukan pembuatan ROI terlebih dahulu untuk
mengetahui apa saja yang akan diklasifikasikan
2. Klasifikasi Citra Dibagi Menjadi 2 yaitu Supervised dan Unsupervised. Dimana 2
hal tersebut memiliki perbedaan dan metode yang berbeda
3. Klasifikasi sendiri digunakan untuk membedakan objek yang ditangkap citra yang
berdasarkn pada ROI yang dibuat

DAFTAR PUSTAKA

Interprestasi Citra Digital oleh F Sri Hardiyanti

Lillesand dan Kiefer, 1979
Sutanto, 1986
Purwadhi, 2001
Indarto. 2014. Teori dan Praktek Pengideraan Jauh. Yogyakarta: Penerbit ANDI
Fuerder, P. 2010.
Topographic Correction of Satellite Images for Improved LULCClassification in alpine
areas.
Grazer Schriften der Geographie und Raumforschug : Austria
https://rosegislabs.com/tag/klasifikasi-citra/
https://www.harrisgeospatial.com/docs/RegionOfInterestTool.html