Laporan Praktikum

Penginderaan Jauh I
Modul Ke-5 : Klasifikasi Citra

Disusun Oleh:

Apreliana Anjas Desilawati Sujarwo

23116045

Program Studi Teknik Geomatika

Jurusan Teknologi Infrastruktur dan Kewilayahan
Institut Teknologi Suamtera
2019
 LEMBAR PENILAIAN

LAPORAN PRAKTIKUM PENGINDERAAN JAUH

MODUL KE-5

Nama Mahasiswa : Apreliana Anjas Desilawati Sujarwo

NIM : 23116045
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

I.1 Latar Belakang

Salah satu fungsi satelit adalah merekam objek dipermukaan bumi. Citra yang terekam
oleh sensor dinamakan citra satelit. Praktikum mata kuliah Penginderaan Jauh ini
mengaplikasikan bagaimanakah cara mengklasifikasikan citra satelit dengan data citra
Landsat 7. Adanya klasifikasi citra bertujuan untuk menetukan objek area pemukiman,
vegetasi dan lain-lain. Klasifikasi multispectral adalah salah satu bagian dari pengolahan citra
penginderaan jauh. Hasil klasifikasi multispectral penginderaan jauh berupa peta tematik
umumnya digunakan sebagai input dalam lingkungan system informasi geografis (SIG).
Klasifikasi multispectral dapat dilakukan secara manual dengan bantuan perangkat lunak.
Klasifikasi dengan bantuan perangkat lunak dapat dibedakan menjadi klasifikasi terbimbing
(supervised) dan klasifikasi tidak terbimbing (unsupervised). Pada laporan ini akan dibahas
beberapa algoritma dari masing-masing jenis klasifikasi dengan menggunakan bantuan
perangkat lunak Envi 5.1.

1.2 Tujuan
1. Praktikan dapat mengetahui langkah-langkah dalam mengklasifikasikan citra
satelit dengan menggunakan software Envi.
2. Praktikan dapat mengetahui hasil citra yang terklasifikasi dan menentukan objek
yang terklasifikasi.
3. Praktikan dapat membedakan metode unsupervised dan supervised.

1.3 Waktu dan Tempat

Praktikum Kali ini dilaksanakan pada
Waktu : 07.00 – 10.00
Tempat : Ruang kelas GK311, Gedung GKU lantai 3
 BAB II

DASAR TEORI

 Klasifikasi Citra Multispektral

Klasifikasi digunakan untuk mengelompokkan kenampakan-kenampakan tertentu

yang memiliki kesamaan nilai spektral atau feature lain, misal berdasarkan asosiasi,
ukuran, dan lain-lain. Secara umum, klasifikasi citra dibagi menjadi 2, yaitu klasifikasi
tak terbimbing (unsupervised classification) dan klasifikasi terbimbing (supervised
classification). Klasifikasi citra merupakan teknik yang digunakan untuk
menghilangkan informasi rinci dari data input untuk menampilkan pola-pola penting
atau distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari
citra tersebut diperoleh informasi yang bermanfaat atau sesuai dengan keperluan. Untuk
pemetaan penutup lahan, hasilnya bisa diperoleh dari proses klasifikasi multispektral
citra satelit. Klasifikasi multispektral sendiri andalah algoritma yang dirancang untuk
menyajikan informasi tematik dengancara mengelompokkan fenomena berdasarkan
satu kriteria yaitu nilai spektral.

Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai
sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan
dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan
warna pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk
memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang
diambil guna menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat
sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra
terdapat dua cara umum yang sering digunakan yaitu supervised dan unsupervised.

1. Supervised (dengan bimbingan)

Pada metode ini, analis terlebih dahulu menentukan beberapara training
area (daerah contoh) pada citra sebagai kelas kenampakan objek tertentu.
Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam cita
mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh
kemudian digunakan oleh perangkat lunak komputer sebagai kunci untuk
mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan
dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode
ini, nails mengidentifikasi kelas infomasi terlebih dahulu yang kemudian
digunakan untuk menenyukan kelas spektral yang mewakili kelas informasi
tersebut. Algoritma yang bisa digunakan untuk menyelesaikan metode supervised
ini antara lain :
1. Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral. Batas-batas keputusan merupakan
 parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan
berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.
2. Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-
masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh
vektor rata-rata untuk masing-masing kelas. Beberapa piksel memiliki
kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.
3. Mahalanobis Distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan
klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas
adalah sama dan karenanya merupakan metode yang lebih cepat. Semua piksel
yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan
ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika
mereka tidak memenuhi ambang batas.
4. Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band
biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel
diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua
piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki
probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi
lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi.

2. Unsupervised (tanpa bimbingan)

Cara kerja metode ini merupakan kebalikan dari metode supervised,
dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer ke dalam
kelas-kelas spektral menggunakan algoritma klusterisasi. Dalam metode ini, di
awal proses biasanya analis akan menentukan jumlah kelas (cluster) yang akan
dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas objek
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. Misal class 1, class 2,
dan class 3 misalnya adalah hutan, perkebunan, sawah maka analis bisa
mengelompokkan kelas-kelas tersebut menjadi satu kelas yaitu kelas vegetasi. Jadi,
pada metode ini tidak terdapat campur tangan manusia. Algoritma yang bisa
digunakan untuk menyelesaikan metode ini adalah :
1. Isodata
Mengklasifikasikan kelas secara merata. Piksel-piksel diklasifikasikan ke
kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan mereklasifikasi piksel
sehubungan dengan cara baru. Iteratif membelah kelas, penggabungan, dan
menghapus dilakukan berdasarkan parameter input threshold. Semua piksel
diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas
jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika
mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah
 piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang
dipilih atau jumlah maksimum iterasi tercapai.

2. K-means
Menggunakan pendekatan analisis kelas yang mengharuskan analis untuk
memilih jumlah kelas yang berlokasi di data, sewenang-wenang ini
menempatkan sejumlah pusat klaster, kemudian iteratif repositions mereka
sampai keterpisahan spektral yang optimal dicapai. Klasifikasi ini juga
menggunaka teknik jarak minimum. Setiap iterasi kalkulasi ulang berarti kelas
dan mereklasifikasi piksel sehubungan dengan cara baru. Semua piksel
diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas
jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika
mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah
piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang
dipilih atau jumlah maksimum iterasi tercapai.
 BAB III

PEMBAHASAN

3.1 Alat dan Bahan

 Software pengolahan citra Envi

 Citra satelit yang sudah terkoreksi

3.2 Langkah Kerja

 Buat ROI menggunakan citra yang sudah terkoreksi. Dengan cara klik file>> open
image file>> pilih citra >> open >> pilih RGB dengan band 432 >> load band >>
akan muncul citranya

 Klik Basic Tools >> Region Of Interest >> ROI Tools >> akan muncul jendela ROI
>> pilih zoom >> mulai mendigit objek

 Save ROI dengan cara klik file pada jendela ROI >> save ROI >> beri nama sampel
(misal vegetasi) >>open. Lakukan langkah ini untuk sampel yang lainnya.
ISODATA

 Classification >> Unsupervised >> Isodata >> pilih klasifikasi citra >> ok >> pilih tempat
menyimpan filenya >> beri nama (isodata) >> ok >> tunggu loadingnya>> akan muncul
hasilnya

K-MEANS

 Classification >> Unsupervised >> K-means >> pilih klasifikasi citra >> ok >> pilih tempat
menyimpan filenya >> beri nama (K-means) >> ok >> tunggu loadingnya>> akan muncul
hasilnya

PARALLEPIPED

 Classification >> supervised >> Parallelepiped >> pilih klasifikasi citra >> ok >> pilih tempat
menyimpan filenya >> beri nama (parallelepiped) >> select all >> ok >> tunggu loadingnya>>
akan muncul hasilnya
MINIMUM DISTANCE

 Classification >> supervised >> minimum distance >> pilih klasifikasi citra >> ok >> pilih
tempat menyimpan filenya >> beri nama (minimum distance) >> select all >> ok >> tunggu
loadingnya>> akan muncul hasilnya

MALAHANOBIS

 Classification >> supervised >> maahalanobis >> pilih klasifikasi citra >> ok >> pilih tempat
menyimpan filenya >> beri nama (mahalanobis) >> select all >> ok >> tunggu loadingnya>>
akan muncul hasilnya
MAXIMUM

 Classification >> supervised >> maximum likehood >> pilih klasifikasi citra >> ok >> pilih
tempat menyimpan filenya >> beri nama (maximum likehood) >> select all >> ok >> tunggu
loadingnya>> akan muncul hasilnya

MAJORITY

 Classification >> post classification >> majority parameters >> pilih mahalanobis distance >>
ok >> pilih tempat menyimpan filenya >> beri nama (majority) >> select all >> ok >> tunggu
loadingnya>> akan muncul hasilnya
 BAB IV

HASIL DAN ANALISIS

1. Citra Komposit terlampir.

2. Citra Unsupervised ISOData, terlampir.

3. Citra Unsupervised K-Means, terlampir.

4. ROI window, terlampir.

5. ROI Separability, terlampir.

6. Citra Supervised Parallelpiped, terlampir.

7. Citra Supervised Minimum Distance, terlampir.

8. Citra Supervised Mahalonobis Distance, terlampir.

9. Citra Supervised Maximum Likelihood, terlampir.

10. Citra Majority salah satu metode Supervised Classification, terlampir.

11. Majority dan Mahalanobis

PEMBAHASAN

Klasifikasi terkontrol(supervised) melakukan klasifikasi berdasarkan pemasukan

contoh objek/sampel oleh operator. Sedangkan klasifikasi tidak terkontrol (unssepvised)
secara otomatis diputuskan oleh komputer.

Citra Komposit RGB 432

komposit false color seperti di foto udara. Saluran 4 mendeteksi puncak pantulan
dari vegetasi, juga membedakan tipe vegetasi, selain itu membedakan tanah dan
perairan. Komposit ini menampilkan vegetasi berwarna merah, merah yang lebih terang
menandakan vegetasi yang lebih dewasa. Tanah dengan sedikit atau tanpa vegetasi
antara putih (pasir atau garam) sampai hijau atau coklat tergantung kelembapan dan
kandungan organik. Air nampak biru, perairan jernih akan terlihat biru gelap atau hitam
sedangkan perairan dangkal atau air dengan konsentrasi sedimen tinggi akan nampak
biru muda. Area permukiman berwarna biru kecoklatan.

Roi Window

Roi window merupakan suatu jendela yang digunakan untuk mengklasifikasikan

kelas-kelas kedalam berbagai jenis warna, tiap warna mengambil sampel pada berbagai
lokasi yang berbeda dan digunakan untuk menampilkan sampel sampel yang telah
didigit.

Roi Separability Report

Roi separability report merupakan suatu laporan berupa point-point terkait

dengan hasil sebaran sampel warna pada tiap-tiap lokasi tempat yang diletakkan, point
yang ditunjukan minimal berangka 1,9 bila point salah satu warna tersebut berangka
dibawah 1,9 maka dalam pengambilan sampel tiap lokasi terjadi kekeliruan atau
kesalahan.

Citra Unsupervise_Isodata

Mengklasifikasikan kelas secara merata sehingga piksel-piksel diklasifikasikan ke

kelas terdekat.Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar
atau ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin
unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut
sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan
piksel yang dipilih atau jumlah maksimum iterasi tercapai.

Citra Unsupervise_K-means

Menggunakan pendekatan analisis kelas yang mengharuskan analis untuk

memilih jumlah kelas yang berlokasi di data. Klasifikasi ini juga menggunakan teknik
jarak minimum. Setiap iterasi kalkulasi ulang berarti kelas dan mereklasifikasi piksel
sehubungan dengan cara baru. Semua piksel diklasifikasikan ke kelas terdekat kecuali
ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel
mungkin unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses ini
berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang
perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.

Perbedaan algoritma K-Means dan isodata adalah jumlah kelas yang akan
diklasifikasi. K-Means diasumsikan jumlah kelas telah diketahui sebelumnya
sedangkan isodata menggunakan nilai minimal dan maksimal kelas dalam
mengelompokkan piksel citra yang sama. Hasil klasifikasi tidak terbimbing hanya
mengelompokkan objek yang dianggap sama tetapi belum diketahui jenis dari objeknya
sehingga harus dilakukan proses penamaan kelas.

Citra Supervise_Parallelepiped

Citra supervise_parallepiped merupakan hasil yang didapat setelah melakukan

pengklasifikasian kelas-kelas warna pada ROI window, warna yang dihasilkan baik,
apabila sebaran sampel yang diletakkan tiap lokasi merata dan tidak mengelompok.
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral. Batas-batas keputusan merupakan parallelepiped
n-dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi
standar dari rata-rata setiap kelas yang dipilih. Klasifikasi citra dengan algoritma
parallelepiped bergantung pada koefisien pengali yang dimasukkan. Semakin besar
koefisien pengali maka semakin besar ukuran box sampel sehingga semakin kecil
kemungkinan piksel yang tidak terklasifikasi. Namun hasilnya tidak teliti karena
semakin banyak dilakukan generalisasi. Proses parallelepiped lebih cepat daripada
minimum distance dan maximum likehood.

Minimum Distance

Teknik jarak minimal menggunakan vektor rata-rata masing-masing dan menghitung

jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-
masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika
tidak memenuhi kriteria yang dipilih. Klasifikasi citra dengan algoritma minimum
distance tidak mempertimbangkan perbedaan/variasi kelas, misalnya suatu
objejk/penutup lahan memiliki piksel dengan variasi yang tinggi sehingga hal tersebut
dapat menyebabkan kesalahan pengklasifikasian piksel. Pada citra yang diklasifikasi
ada beberapa objek yang memiliki nilai pixel yang bervariasi sehingga dapat salah
terklasifikasi. Keuntungan dari lagoritma ini adalah proses klasifikasi lebih cepat
daripada maximum likehood.

Mahalanobis Distance

Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang

menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi
Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan
karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke
kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini
beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas.

Maximum Likehood

Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya
didistribusikan dan menghitung probabilitas disuatu piksel diberikan milik kelas
tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap
piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum
likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan,
piksel tetap tidak terklasifikasi. Klasifikasi dengan algoritma maximum likehood
merupakan algoritma klasifikasi citra yang paling bagus dibandingkan minimum
distance dan parallelepiped. Prinsip dari algoritma ini adalah objek yang sama selalu
menampilkan histogram yang terdistribusi normal. Hasil klasifikasi citra dengan
algoritma ini secara umum menunjukkan objek atau penutup lahan yang sama dengan
sampel yang dimasukkan.

BAB V
KESIMPULAN
 Dalam praktikum kali ini dilakukan klasifikasi citra dengan menggunakan beberapa
algoritma, yaitu terbimbing dan tidak terbimbing. Beberapa algoritma yang digunakkan
dalam klasifikasi tak terbimbing adalah k-means dan isodata sedangkan algoritma yang
digunakan dalam klasifikasi terbimbing adalah parallelelpiped, maximum likehood,
minimum distance dan mahalanobis distance. Algoritma terbaik yang digunakan dalam
klasifikasi multispketral penginderaan jauh adalah salah satu dari algoritma supervised
yaitu maximum likehood. Kelebihan dari algoritma ini adalah penggunaan dasar
perhitungna probabilitas terhadap tiap piksel sehingga tiap piksel dikatakan sebagai
pemilik suatu kelas tertentu. Kekurangan dari algoritma ini adalah probabilitas untuk
semua kelas dianggap sama padahal tidak semua kelas memiliki probabilitas yang
sama.

DAFTAR PUSTAKA

Lilliesand dan Kiefer, 1997. Penginderaan Jauh dan Intepretasi Citra. Dulbahri
(Penerjemah). Yogyakarta. Gadjah Mada University Press.
Thoha, A.S. (2008). Karakteristik Citra Satelit. Medan. Universitas Sumatera Utara
Press.
Nur, Rusydi Alfi. 2014. Mata Kuliah Penginderaan Jauh Intepretasi Citra
Multispektral. Malang. Universitas Negeri Malang.

Budiyanto, Eko.2012. Praktikum Penginderaan Jauh Terapan, [pdf],

(http://geo.fis.unesa.ac.id/berkas/kuliah/PJ/ENVI5.pdf, Diakses tanggal 15
April 2015).