Penginderaan Jauh I
Modul Ke-5 : Klasifikasi Citra
Disusun Oleh:
23116045
MODUL KE-5
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
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.
DASAR TEORI
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.
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
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
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
Citra Unsupervise_Isodata
Citra Unsupervise_K-means
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
Minimum Distance
Mahalanobis Distance
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.