PENGINDERAAN JAUH
41 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
MODUL 3
KLASIFIKASI CITRA
A. Tujuan Pelatihan
1. Melakukan klasifikasi penutup lahan (landcover)
2. Melakukan klasifikasi penggunaan lahan (landuse)
C. Langkah Kerja
1. Klasifikasi Supervised
Klasifikasi Supervised digunakan untuk mengelompokkan piksel dalam data set menjadi
kelas-kelas yang berkorespondensi dengan kelas training yang telah didefinisikan oleh
pengguna.
Pengambilan Training Area
• Training sampel/region of interest/daerahsampel/training area →analisis menyusun
kunci interpretasi dan mengembangkan secara numeric spektral.
• Tahap ini adalah tahap yang sangat PENTING.
• Caranya :
– Pengukuranlangsung di lapangan
– Pengukuran laboratorium yang representative dengan menggunakan citra
sebagai referensi.
• Jumlah lokasi training area:
n + 1 (n = jumlah saluran spektral)
• Landsat = 6 band ➔ masing2 training area harus mengampil 7 lokasi
Jumlah piksel utk satu ROI yang harus kita ambil➔ 100.n = 100.6 = 600 (untuk 7
poligon) ➔setiap ROI utk satu jenis 600/7 = 85 poligon (70-100 piksel)
42 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
• ASTER VNIR = hijau, merah, inframerah (n = 3), jumlah lokasi training area = 4.
Jumlahpikselnya 100.3 = 300 ➔setiap ROI 300/4=75 (70-100 piksel)
• ALOS (biru, hijau, merah, inframerah ..n=4)➔jumlah lokasi 5; piksel 100.5=500;
jumlah piksel 500/4 = 125
Apabila kita menggunakan 3 saluran (n=3), maka lokasi pengambilan sampel
adalah 4 lokasi
• Jumlah piksel pada setiap poligon training adalah 10n (bagi citra beresolusi tinggi
such as IKONOS, Quicbird, Orbview, dll).
• Jumlah piksel yang diambil untuk resolusi menengah (100n) atau disesuaikan.
– Misal : menggunakan landsat TM 6 saluran, pengambilan lokasi sampel n+1
yaitu 7 lokasi, jumlah piksel yang harus diambil adalah 600, dibagi 7 kelas.
Maka masing-masing lokasi diambil 85 piksel.
• Training sampel diambil secara menyebar pada citra sehingga diperoleh besaran
statistic untuk melakukan evaluasi.
• Identifikasi training sampel dilakukan berdasarkan cirri spektral atau nilai keabuan
dari suatu objek pada variasi setiap saluran spektral.
• Piksel yang digunakan harus mengelompok
• Lima cara analisis yang dapat dilakukan untuk mengevaluasi atas kemungkinan
pemisahan dan tingkat kenormalannya:
43 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
44 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
c. Pilih dan tetapkan, apakah ROI akan ditempatkan pada Image Window, Scroll
Window, atau Zoom Window. Pada dialog ROI Tool pilih toggle buttonImage,
Scroll, atau Zoom. Untuk meng-off-kan pemilihan ROI pilih toggle button Off.
d. Gambarlah ROIs sebagai training area.
Berikut ini tipe ROI yang tersedia dalam ENVI:
• Polygon
• Polyline
• Point
• Rectangle
• Ellipse
• Multi-Part (donut)
45 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
File → Import ROI.. Lihat sampel yang kompak atau menyebar. Apabila sampel
menyebar maka silahkan diulangi pengambilan sampelnya.
3. Menghitung separability ROI
Pilihan Compute ROI Separability akan menghitung spectral separability antara
pasangan ROI terpilih untuk input file yang diberikan. Laporan separability yang
akan dihasilkan adalah separability Jeffries-Matusita dan Transformed
Divergence. Nilai tersebut mempunyai rentang dari 0 s.d 2 dan mengindikasikan
sebaik apa pasangan ROI terpilih terpisahkan secara statistik. Nilai lebih dari 1,9
mengindikasikan bahwa pasangan ROI mempunyai separability yang baik. Untuk
pasangan ROI dengan nilai separability lebih rendah, sebaiknya diubah separability
dengan mengedit ROIs atau memilih ROIs baru.Untuk pasangan ROI dengan nilai
separability yang sangat rendah (kurang dari 1), sebaiknya digabungkan dalam satu
ROI.
a. Pilihsalahsatuberikutini:
• pada dialog ROI Tools, pilihOptions Compute ROI Separability, atau
• dari menu bar Image Window, pilihTools Regions of
Interest Compute ROI Separability.
46 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
2. Klasifikasi Unsupervised
Klasifikasi Unsupervised digunakan untuk mengkelaskan piksel dalam sebuah
data set berdasarkan hanya pada nilai statistik, tanpa ada campur tangan atau pun
ketetapan berupa kelas training yang diberikan pengguna. Teknik klasifikasi
unsupervised yang disedikaan pada ENVI ada dua, yaitu: Isodata dan K-Means.
47 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
a) Setelah masuk ke halaman software ENVI, klik File – Open As – Landsat – GeoTIFF
Metadata – add metadata dari file citra Landsat 8
b) Untuk mempermudah prosessing agar tidak lama, maka citra tersebut harus di “potong”
terlebih dahulu atau nama lainnya Subset. Tahap pertama adalah klik ikon Region Of
Interest (ROI) Tool – klik New ROI – gunakan pola Polygon – tempatkan kursor pada
bidang yang akan di subset – klik kanan lalu accept rectangle.
c) Setelah itu klik File – Save as – save hasil subset pada tempat yang diinginkan dengan
cara meng-klik enter output file – klik OK.
48 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
Isodata Classification
49 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
e) Input Number of Classes, min = 5, max = 20, maximum iterations = 3, pilih tempat
untuk menyimpan hasil IsoData Classification – klik Ok – Tunggu Proses sampai
selesai.
50 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
Ga
mbar 1. Isodata Classification
K-Means Classification
Pada Number of Classes = 20 ; pilih tempat save yang diinginkan – klik Ok – tunggu
hingga proses selesai.
51 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
Klasifikasi Supervised
Klasifikasi selanjutnya adalah Supervised Classification. Pada klasifikasi ini, citra dasar
yang digunakan adalah citra hasil subset pertama kali. Metode yang digunakan adalah:
52 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
✓ Hutan
✓ Air
✓ Bangunan
✓ Vegetasi
✓ Bayangan Awan
✓ Awan
a) Dengan langkah awal: klik kanan data hasil subset – klik New Region of Interest -
pada ROI Name – Ubah namanya menjadi Hutan – pilih Geometry Polygon – tandai 5
titik sampel yang jenisnya Hutan.
53 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
Untuk sampel selanjutnya seperti air, vegetasi, awan , bayangan awan dan bangunan,
lakukan kembali langkah point a) diatas (Hutan). Setelah pengklafikasian selesai, masuk ke
metode pertama Supervised.
b) Metode pertama adalah Mahalanobis Distance Classification – double click – klik data
hasil subset – klik Ok – pilih data hasil subset yang sudah diklasifikasikan – klik Ok.
54 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
c) Setelah itu pada select classes from regions - pilih semua kelas yang sudah
diklasifikasikan – pilih tempat untuk menyimpan hasil metode ini – klik Ok – tunggu
proses selesai
55 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
56 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
e) Setelah itu pada select classes from regions - pilih semua kelas yang sudah
diklasifikasikan – pilih tempat untuk menyimpan hasil metode ini – klik Ok – tunggu
proses selesai
57 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
g) Setelah itu pada select classes from regions - pilih semua kelas yang sudah
diklasifikasikan – pilih tempat untuk menyimpan hasil metode ini – klik Ok – tunggu
proses selesai
58 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
i) Setelah itu pada select classes from regions - pilih semua kelas yang sudah
diklasifikasikan – pilih tempat untuk menyimpan hasil metode ini – klik Ok – tunggu
proses selesai
59 | P a g e
MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH
60 | P a g e