Image Classification
Oleh :
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.
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
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.
2
BAB II
TEORI DASAR
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
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.
5
Gambar 1. Cara Kerja Metode Supervised
6
BAB III
METODE PELAKSANAAN
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.
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
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
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
32
Keterangan:
Berikut adalah keterangan rumus untuk mendapatkan tiap nilai akurasi yang
muncul pada tabel diatas.
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
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