TUGAS LAPORAN

GT-4110 PENGINDERAAN JAUH II

Image Classification

Dosen Pengampu : Dr. Ir. Bambang Edhi Leksono, M.Sc.

Nirmawana Simarmata, S.Pd., M.Sc.

Oleh :

Retno Triyani (23115041)

TEKNIK GEOMATIKA
FAKULTAS TEKNOLOGI INFRASTRUKTUR DAN KEWILAYAHAN
INSTITUT TEKNOLOGI SUMATERA
LAMPUNG SELATAN
2018
 KATA PENGANTAR

Pertama dan yang paling patut kita panjatkan puja dan puji syukur kehadirat
Tuhan Yang Maha Esa karena atas limpahan rahmat, taufik, hidayah serta inayah-
Nya kami dapat menyelesaikan tugas laporan mata kuliah Penginderaan Jauh II ini
tanpa menemui hambatan yang berarti. Tidak lupa pula kami ucapkan terima kasih
kepada:
1. Dr. Ir. Bambang Edhi Leksono, M.Sc. selaku dosen pengampu
Penginderaan Jauh II di Institut Teknologi Sumatera sekaligus sebagai
dosen tamu yang telah membimbing kami dalam memberikan ilmu
untuk penyusunan laporan ini.
2. Nirmawana Simarmata, S.Pd., M.Sc.. selaku dosen pengampu
Penginderaan Jauh II Institut Teknologi Sumatera yang telah
memberikan ilmu dalam penyusunan laporan ini.
Adapun tujuan pembuatan laporan ini untuk memenuhi tugas mata kuliah GT-
4110 Penginderaan Jauh serta menjadikannya sebagai suatu media pembelajaran
bagi kita semua yang membaca.
Penulis sadar bahwa laporan yang disusun masih sangat jauh dari
kesempurnaan, oleh karena itu masukan saran dan kritik yang bersifat membangun
sangat kami harapkan sebagai acuan agar menjadi lebih baik lagi. Terima kasih
kami sampaikan.

Lampung Selatan, 31 Oktober 2018

Penyusun

i
 DAFTAR ISI

HALAMAN JUDUL
KATA PENGANTAR ............................................................................... i
DAFTAR ISI ............................................................................................. ii
BAB I PENDAHULUAN
1.1 Latar Belakang ........................................................................1
1.2 Maksud dan Tujuan .................................................................1
1.3 Waktu dan Tempat ..................................................................2
BAB II TEORI DASAR
2.1 Citra Landsat-8 .......................................................................3
2.2 Interpretasi Citra .....................................................................4
2.3.1 Interpretasi Manual .......................................................5
2.3.2 Interpretasi Digital ........................................................5
2.3 Klasifikasi Citra .....................................................................5
2.3.1 Klasifikasi Citra Terbimbing (Supervised) ....................5
2.3.2 Klasifikasi Citra Tidak Terbimbing (Unsupervised) .....6
BAB III METODE PELAKSANAAN
3.1 Alat dan Bahan ......................................................................7
3.2 Diagram Alir Klasifikasi .......................................................7
BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil Klasifikasi Citra ...........................................................9
4.2 Tabel Hasil Uji Akurasi ......................................................32
BAB V PENUTUP
5.1 Kesimpulan ..........................................................................35
2.3.1 Klasifikasi Manual .......................................................35
2.3.2 Klasifikasi Digital ........................................................35
DAFTAR PUSTAKA

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

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. Prosedur klasifikasi citra bertujuan untuk
melakukan kategorisasi secara otomatis dari semua pixel citra ke dalam kelas
penutupan lahan atau semua tema tertentu. Perbedaan tipe kenampakan
menunjukkan perbedaan kombinasi dasar nilai digital pixel pada sifat pantulan
(reflektansi) dan pancaran (emisi) spektral yang dimilikinya.

Klasifikasi terbimbing (supervised) merupakan psengenalan pola spektral

(spectral pattern recognition) merupakan prosedur klasifikasi yang menggunakan
informasi spectral setiap pixel untuk mengenal kelas-kelas penutupan lahan secara
otomatis. Oleh Karena itu atribut spasial dapat dikaitkan dengan proses pengenalan
spektral, dengan cara membuat asumsi bahwa pixel yang berbeda akan menjadi satu
kelas tutupan yang sama.
Setelah setiap pixel dikelompokkan lalu masing-masing rata-rata kelas
spectral dihitung kembali. Kemudian dilakukan lagi pengukuran jarak setiap piksel
terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke dalam kelas
spektral yang memiliki jarak terdekat.

1.2 Maksud dan Tujuan

Maksud dari pembuatan laporan tugas praktikum inderaja ini adalah untuk
memenuhi mata kuliah GT-4110 Penginderaan Jauh II.

1
 Tujuan dari pembuatan laporan praktikum inderaja, yaitu :
1. Mahasiswa mampu mengklasifikasikan citra Sentinel kedalam beberapa
kelas tutupan lahan menggunakan perangkat lunak QGIS 2.18.
2. Mahasiswa memahami dan dapat melakukan klasifikasi supervised pada
citra Sentinel.
3. Mahasiswa memahami ketelitian dan melakukan perbandingan hasil
klasifikasi manual menggunakan tabel uji akurasi dan digital.

1.3 Waktu dan Tempat

Adapun waktu dan tempat pelaksanaan tugas inderja ini, yaitu :

Hari/Tanggal : Kamis, 4 Oktober 2018
Waktu : Pukul 12.00 s.d. selesai
Tempat : Ruang C.103

2
 BAB II
TEORI DASAR

2.1 Citra Landsat-8

Satelit landsat 8 memiliki sensor Onboard Operational Land Imager (OLI) dan
Thermal Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11 buah. Diantara
kanal-kanal tersebut, 9 kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10
dan 11) pada TIRS. Jenis kanal, panjang gelombang dan resolusi spasial setiap band
pada landsat 8 dibandingkan dengan landsat 7 seperti tertera pada tabel dibalik
halaman ini:

Tabel 1. Spesifikasi Kanal Spektral Sensor Pencitra LDCM (Landsat-8)

Kisaran Radiance
Kanal Penggunaan GSD (resolusi (W/m2srµm), SNR
Kanal spektral
No Data spasial) typical (typical)
(nm)
1 Biru 433-453 Aerosol/coastal 30 m 40 130
zone
2 Biru 450-515 Pigments/scatter 40 130
/coastal
3 Hijau 525-600 Pigments/coastal 30 100
4 Merah 630-680 Pigments/coastal 30 m 22 90
5 Infra 845-885 Foliage/coastal (Kanalkanal 14 90
merah wari- san TM)
dekat
(NIR)
6 SWIR 2 1560-1660 Foliage 4.0 100
7 SWIR 3 2100-2300 Minerals/litter/no 1.7 100
scatter
8 PAN 500-680 Image sharpening 15 m 23 80
9 SWIR 1360-1390 Cirruscloud 30 m 6.0 130
detection

3
 Tabel 2. Perbandingan Parameter-Parameter Spektral Sensor Citra
OLI/LDCM (Landsat-8)
OLI (LDCM) ETM+ (Landsat-7)
No. Kanal Panjang No. Kanal Panjang Gel GSD
GSD (m) (m)
Spektral Gelombang (µm) Spektral (µm)
8 (PAN) 0.500 - 0.680 15 8 (PAN) 0.52 - 0.90 15
1 0.433 - 0.453 30
2 0.450 - 0.515 30 1 0.45 - 0.52 30
3 0.525 - 0.600 30 2 0.53 - 0.61 30
4 0.630 - 0.680 30 3 0.63 - 0.69 30
4 0.78 - 0.90 30
5 0.845 - 0.885 30
9 1.360 - 1.390 30
6 1.560 - 1.660 30 5 1.55 - 1.75 30
7 2.100 - 2.300 30 7 2.09 - 2.35 30
Kemampuan pencitraan OLI tidak termasuk 6 (TIR) 60
10.40 - 12.50
thermal

2.2 Interpretasi Citra

Pengenalan objek merupakan bagian penting dalam interpretasi citra. Tanap
mengnali identitas dan objek yang tergambar pada citra. Demikian pentingnya
pengenalan objek itu sendiri sehingga ada satu periode perkembangan penginderaan
jauh. Interpretasi citra merupakan kegiatan mengidentifikasi objek melalui citra
inderaja. Kegiatan interpretasi citra merupakan bagian terpenting dalam inderaja,
karena tanpa diketahui objek yang ada di citra, maka tidak dapat melakukan
pengolahan apapun terhadap citra tersebut untuk dapat mengidentifikasi objek
melalui citra perlu dibantu dengan unsur-unsur interpretasi yang terdiri dari: rona
dan warna, bentuk, ukuran, tektur, pola, bayangan, situs, asosiasi.
Teknik interpretasi citra dapat dilakukan dengan dua cara, yaitu interpretasi
secara manual dan interpretasi secara digital sebagai berikut:

4
 2.2.1 Interpretasi Manual
Interpretasi citra secara manual adalah interpretasi data penginderaan jauh yang
mendasarkan pada pengenalan ciri (karakteristik) objek secara keruangan
(spasial). Karakterisitk objek yang tergambar pada citra dapat diketahui
berdasarkan unsur-unsur interpretasi. Interpretasi ini dilakukan pada citra yang
dikonversi dalam bentuk foto.
2.2.2 Interpretasi Digital
Interpretasi citra secara digital merupakan evaluasi kuantitatif tentang
informasi spectral yang disajikan pada citra. Analisis digital yang dapat
dilakukan melalui pengenalan pola spectral dengan bantuan computer
(Lillesand dan Kiefer dalam Purwadhi, 2001: 26). Dasar interpretasi ini berupa
klasifikasi pixel berdasarkan nilai spectral dan dapat dilakukan dengan cara
statistik.

2.3 Klasifikasi Citra

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. Adapun klasifikasi citra terbagi atas dua metode,
yaitu:
2.3.1 Klasifikasi Citra Terbimbing (Supervised)
Metode supervised ini, analis terlebih dulu menetapkan beberapa training area
(daerah contoh) pada citra sebagai kelas lahan tertentu. Penetapan ini
berdasarkan pengetahuan analis terhadap wilayah dalam citra mengenai
daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian
digunakan oleh komputer sebagai kunci untuk mengenali piksel lainnya.
Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukan kedalam kelas
lahan yang telah ditetapkan sebelumnya. Jadi dalam metode supervised ini
analis mengidentifikasi kelas informasi terlebih dulu yang kemudian
digunakan untuk menentukan kelas spectral yang mewakili kelas informasi
tersebut. (Indriasari, 2009)

5
 Gambar 1. Cara Kerja Metode Supervised

Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini

diantaranya adalah minimun distance dan parallelepiped.

2.3.2 Klasifikasi Citra Tidak Terbimbing (Unsupervised)

Cara kerja metode unsupervised ini merupakan kebalikkan dari metode

supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh
komputer kedalam kelas-kelas spektral menggunakan algoritma klusterisasi
(Indriasari, 2009). Dalam metode ini, diawal proses biasanya analis akan
menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah
mendapatkan hasil, analis menetapkan kelas-kelas lahan terhadap kelas-kelas
spektral yang telah dikelompokkan oleh komputer. Dari kelas-kelas (cluster)
yang dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap
memiliki informasi yang sama menjadi satu kelas. Beberapa algoritma yang
bisa digunakan untuk menyelesaikan metode unsupervised ini diantaranya
adalah K-Means dan ISODATA.

Gambar 2. Cara Kerja Metode Unsupervised

6
 BAB III
METODE PELAKSANAAN

3.1 Alat dan Bahan

No. Alat Bahan

1 Laptop Citra Landsat-8 Lampung Selatan
2 Software QGIS 2.18

Keterangan :
1. Laptop, untuk mengoprasikan software ENVI 4.5.
2. Software software QGIS 2.18, sebagai aplikasi untuk interpretasi manual
dan klasifikasi supervised.
3. Citra Landsat 8, sebagai obyek analisis citra.

3.2 Diagram Alir Klasifikasi Citra

a. Klasifikasi Manual

Mulai: 4 Kelas Makro: Terbangun,

Download Citra Tidak terbangun, Vegetasi,
Tubuh Air

Pilih ROI Validasi

Lapangan

Pan Sharpening
Tabel Uji Akurasi

Komposit Band

Persentase
Klasifikasi Manual
Interpretasi
Manual

Selesai

7
b. Klasifikais Digital

Mulai: Klasifikasi
Manual

Interpretasi
Digital QGIS

Klasifikasi Supervised:
Training Area

Setting Kelas
Makro dan Mikro

Terklasifikasi

Selesai

8
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Hasil Klasifikasi Citra

a. Klasifikasi Manual
Hasil dari klasifikasi manual diperoleh dari validasi lapangan menggunakan
tabel uji akurasi yang akan dibahas pada sub bab 4.2 selanjutnya. Klasifikasi
manual pada tugas ini memproleh hasil yang dapat dikatakan baik dari nilai
overall accuracy sendiri yaitu +/- 81%. Klasifikasi manual memperoleh
nilai yang baik salah satunya karena faktor pemilihan ROI di daerah yang
sudah dikenal sehingga untuk validasi lapangan tersebut hanya sedikit
kesalahan yang didapatkan.
Klasifikasi manual juga memiliki nilai klasifikasi per objek yang dapat
terlihat pada tabel, yaitu user accuracy sebagai penilaian dari orang lain
yang akan melihat hasil dari klasifikasi yang telah dibuat, dan producer
accuracy sebagai penilaian terhadap pembuat klasifikasi tersebut. Nilai
yang diperoleh untuk keduanya juga +/- 81% dengan nilai interpretasi
rendah yaitu lahan terbangun, karena klasifikai manual sendiri menuntut
kemampuan interpreter untuk memahami jenis objek berdasarkan
visualisasi dari tujuh kunci interpretasi.

b. Klasifikasi Digital
Hasil klasifikasi digital adalah klasifikasi yang dilakukan oleh program
QGIS langsung, dengan hanya memasukkan jenis klasifikasi terbimbing
(supervised) dan training area yang akan menjadi kelas-kelas layer
pengklasifikasian. Oleh karena itu, resolusi citra berpengaruh terhadap hasil
klasifikasi, karena pada klasifikasi digital tersebut deteksi objek berbasis
pengenalan pixel.

9
Diakses 2018/8/13

10
11
Processing radiometric correction without FLAASH METHOD

12
13
14
Display before radiometric calibration

Display after radiometric calibration

15
The Result

16
17
Geometric correction: image to image

18
19
20
21
Supervised Classification using ROI

22
23
24
25
26
27
28
29
30
31
 4.2 Tabel Uji Akurasi
Tabel 3. Uji Akurasi Klasifikasi Manual: Tutupan Lahan Kecamatan
Sukarame, Bandar Lampung

Data Referensi Pixel

Total User Error
Data Klasifikasi Tubuh Lahan Lahan
Lapangan Vegetasi Jalan Baris Accuracy Comission
Air Terbangun Kosong
Lapangan 1 0 1 0 0 0 2 50% 50%
Tubuh Air 0 3 0 0 0 0 3 100% 0%
Lahan Terbangun 0 0 7 0 0 0 7 100% 0%
Lahan Kosong 0 0 1 3 0 0 4 75% 25%
Vegetasi 0 0 0 2 5 0 7 71% 29%
Jalan 0 1 0 0 0 3 4 75% 25%
Total Kolom 1 4 9 5 5 3 27
Producer Accuracy 100% 75% 78% 60% 100% 100% Total Klasifikasi Benar 22
Error Commision 0% 25% 22% 40% 0% 0% Overall Accuracy 81%

32
Keterangan:

Berikut adalah keterangan rumus untuk mendapatkan tiap nilai akurasi yang
muncul pada tabel diatas.

Overall Accuracy (%) =

jumlah piksel yang terklasifikasi secara benar
× 100
jumlah sampel uji akurasi

Nilai overall accuracy (akurasi keseluruhan) menunjukkan banyaknya jumlah piksel

yang terklasifikasi secara benar pada tiap kelas dibanding jumlah sampel yang digunakan untuk
uji akurasi pada semua kelas. Pada tabel diatas, akurasi keseluruhan menunjukkan nilai 81%
yang berarti 81% piksel yang ada pada hasil klasifikasi tersebut telah terklasifikasi dengan benar.
Kelemahan metode ini adalah tidak mempertimbangkan aspek kesalahan dari tiap kelas yang
ada, untuk itu biasanya overall accuracy untuk tiap kelas.

Producer Accuracy (%) =

jumlah sampel uji akurasi suatu kelas yang terklasifikasi benar
× 100
jumlah sampel uji akurasi pada suatu kelas

Error Omission (%) =

100% - Producer Accuracy

Nilai dari user dan producer accuracy dihitung untuk tiap kelas yang ada
dalam klasifikasi. Begitu halnya juga dengan nilai error comission yang merupakan
residual dari producer dan user accuracy.
Pada tabel diatas, diambil kelas sebagai contoh. Nilai user accuracy pada
kelas lahan kosong adalah sebesar 75% yang berarti 75% peluang bahwa piksel
yang terklasifikasi pada citra sebagai lahan kosong adalah benar-benar lahan
kosong pada kenyataan di lapangan. Dengan kata lain hanya ada 25% (error
commision) kemungkinan bahwa piksel yang di citra terklasifikasi sebagai lahan
kosong adalah bukan lahan kosong di lapangan. Nilai user accuracy ini mampu
memberikan estimasi dan gambaran dari kondisi sebenarnya di lapangan.

33
User accuracy (%) =
jumlah sampel uji akurasi suatu kelas yang terklasifikasi benar
×100
jumlah sampel uji akurasi yang terklasifikasi sebagai kelas tersebut

Error comission (%) =

100% - User accuracy

Nilai producer accuracy pada kelas lahan kosong adalah 60% yang berarti
ada 60% lahan kosong di lapangan pada area riset diklasifikasikan secara benar.
Artinya 40% (error commision) lahan kosong di lapangan tidak terklasifikasi
sebagai lahan kosong. Nilai producer accuracy ini mampu menunjukkan
banyaknya objek dipermukaan bumi yang direpresentasikan dengan benar pada
peta atau hasil klasifikasi.

34
 BAB V
PENUTUP

5.1 Kesimpulan
Berdasarkan hasil yang telah diperoleh, maka dapat ditarik kesimpulan bahwa
klasifikasi manual menghasilkan interpretasi objek citra yang lebih dibandingkan
hasil yang diperoleh klasifikasi digital. Parameter yang dilihat untuk menarik
kesimpulan tersebut yaitu:
5.1.1 Klasifikasi Manual
Klasifikasi manual lebih mudah untuk diinterpretasikan karena salah satu
faktor yang memperngaruhinya yaitu pemilihan lokasi. Lokasi yang
dipilih agar dapat mudah dilakukan validasi lapangan, dipilih lokasi
terdekat yang sudah diketahui. Oleh sebab itu, tidak banyak objek dengan
tingkat interpretasi cukup rendah. Hasil range tabel akurasi untuk setiap
persenan yang diberikan yaitu:
≥ 80% = Baik
70% - 60% = Cukup
≤ 50% = Rendah
Adapun kelebihan yang dihasilkan melalui klasifikasi manual ini, yaitu
melatih kemampuan interpretasi dengan menerapkan tujuh kunci
interpretasi, sehingga diperoleh interpretasi yang lebih teliti.
Sedangkan kelemahan yang dihasilkan yaitu memerlukan waktu yang
lebih lama dibandingkan klasifikasi digital, karena memerlukan
kemampuan panca indera manusia agar dapat mendukung klasifikasi
yang akan dikelompokkan menjadi beberapa kelas.
5.1.2 Klasifikasi Digital
Klasifikasi digital dihasilkan melalui algoritma otomatis software QGIS
melaui training area atau sampel ROI dari beberapa objek untuk satu
kelas. Karena citra yang dipakai tidak memiliki resolusi piksel yang
tinggi, maka kemungkinan untuk kesalahan dalam interpretasi digital

35
semakin besar, karena pada klasifikasi digital merupakan pengenalan
berbasis piksel pada citra tersebut. Dapat terlihat dari hasil visualisasi
klasifikasi digital masih harus dikoreksi dengan mengelompokkan
kedalam kelas makro agar kelas-kelas kecil yang terlalu banyak dapat
dipersempit. Begitupula jika ingin memecah menjadi kelas mikro dari
kelas makro yang terlalu banyak.

36
 DAFTAR PUSTAKA

[1] M. L. Zalukhu, “scribd,” Institut Teknologi Sepuluh Nopember, 01 Oktober

2012. [Online]. Available: https://www.scribd.com/doc/108601093/Laporan-
Utuh-Klasifikasi-Citra. [Accessed 02 Desember 2018].