MODUL PENGOLAHAN DATA

PENGINDERAAN JAUH

MODUL 3 : KLASIFIKASI CITRA

PUSAT PENELITIAN PENGINDERAAN JAUH DAN

INFORMASI GEOSPASIAL
INSTITUT TEKNOLOGI SUMATERA

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)

B. Alat dan Bahan

1. Software Envi 5.1
2. Citra Landsat 7 ETM+
3. Citra Landsat 8 OLI

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:

✓ Penggambaran grafik pola tanggapan spektral yaitu menanyangkan pola

tanggapan spektral dan training sampel dalam bentuk grafik (histogram) setiap
saluran.
✓ Ekspresi (pernyatan) kuantitatif pemisahan kategori, yaitu pengukuran statistic
bagi pemisahan antara pola tanggapan spektral setiap kategori penutup lahan,
yang dihitung dalam matriks devergensi.
✓ Klasifikasi sendiri (khusus) data training area, yaitu pengukuran atau evaluasi
daya pisah spektral dengan menggunakan matriks error atau matriks
kesalahanan, dimana penyimpangan klasifikasi berupa kelebihan jumlah piksel
dari kelas lain (komisi) atau kekurangan jumlah piksel lain atau omisi.

43 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

✓ Interaktif klasifikasi pendahuluan merupakan suatu interaktif antara training area

dengan data asal atau citra keseluruhan.
✓ Klasifikasi potongan citra yang dapat mewakili.

Kelas training merupakan grup-grup piksel (ROIs = Regions of Interest) atau

spektral individual. Pilih kelas tersebut sebagai area yang representative atau materi-
materi yang ingin dipetakan sebagai output. ROIs sebaiknya homogen.Separabilitydari
ROIs dapat diuji dengan mengeksporkan n-D Visualizer dan melihat distribusi dari titik-
titik dalam tiap ROI (seharusnya mengelompok dan rapat) dan melihat overlap antara
kelas (seharusnya tidak overlap).
Teknik klasifikasi supervised (terselia) termasuk Parallelepiped, Minimum
Distance,Mahalanobis Distance, Maximum Likelihood, Spectral Angle Mapper (SAM),
dan Binary Encoding, serta termasuk juga Neural Net.

Langkah-langkah klasifikasi Supervised:

1. Menetapkan Region of Interest (ROI)
Regions of interest (ROIs) merupakan bagian dari citra, area grafis yang dipilih atau
dengan cara lain seperti thresholding. Regions dapat berupa bentuk irregular dan
secara khusus digunakan untuk ekstraksi statistic untuk klasifikasi, masking, dan
operasi lainnya. ENVI mengijinkan untuk memilih kombinasi dari poligon, titik atau
vektor sebagai sebuah region of interest. Multiple region of interest dapat ditetapkan
dan digambarkan pada jendela Image, Scroll, atau Zoom. Regions of interest dapat
juga dikembangkan dari pixel yang berdekatan yang masuk dalam nilai threshold
pada pixel tertentu.
a. Pilih dari salah satu berikut ini:
• dari menu pada Image Window, tambahkan ROIs dengan memilih
Overlay Region of Interest or Tools Region of Interest ROI Tool
• buat group tampilan citra dimanaakan ditambahkan ROIs dan pilih Basic
Tools Region of Interest ROI Tooldari menu bar utama ENVI.
b. Dialog ROI Tool muncul.

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)

2. Menguji ROI dengan2D Scatter plot

Tools → 2D Scatter plot

X = Band Merah; Y = Band Inframerah

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

• dari menu bar utama ENVI, pilihBasic Tools Region of

Interest Compute ROI Separability.
b. Ketika dilog pemilihan file muncul, pilih input file dan lakukan spectral
subsetting jika diperlukan.
c. Pada dialog, pilih ROIs untuk perhitungan separability.
d. KlikOK. Separability dihitung dan dilaporkan dalam dialog report. Nilai
Jeffries-Matusita dan Transformed Divergence dilaporkan setiap pasangan
ROI. Pada bagian akhir laporan menunjukkan nilai separability pasangan ROI
dari yang paling rendah separability-nya sampai dengan yang paling tinggi
separability-nya.
e. Untuk menyimpan laporan pada sebuah file ASCII, pilih File Save Text to
ASCII.

4. Melakukan proses klasifikasi

a. Tetapkan kelas training menggunakan dialog Region of Interest atau End
member Collection.
b. Pilih Classification Supervised metode yang diinginkan.
c. Ketika dialog Classification Input File muncul, pilih input file dan subsetting
atau making (jikadiperlukan). Dialog Classification Parameter muncul. Variasi
pilihan dialog tergantung pada jenis klasifika siapa yang dipilih.

Bandingkan 4 macam klasifikasi yaitu minimum distance to mean, paralel piped,

maximum likelihood, dan mahalanobis classifier

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

Inilah hasil citra setelah di-subset.

Isodata Classification

d) Setelah disubset, klik Toolbox – Classification – kita akan melakukan klasifikasi

Unsupervised Classification terlebih dahulu – klik IsoData Classification- lalu pada
window Classification Input File klik file yang telah di subset – Ok.

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

f) Pada klasifikasi Unsupervised – dibawah Isodata Classification – ada K-Means

Classification – double click – klik data hasil subset – klik Ok.

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

Gambar 2. K-Means Classification

Klasifikasi Supervised

Klasifikasi selanjutnya adalah Supervised Classification. Pada klasifikasi ini, citra dasar
yang digunakan adalah citra hasil subset pertama kali. Metode yang digunakan adalah:

1. Mahalanobis Distance Classification

2. Maximum Likelihood Classification
3. Minimum Likelihood Classification
4. Parallelepiped Classification

52 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Sebelum masuk ke Mahalanobis Distance Classification, lakukan terlebih dahulu

pengklasifikasian seperti, klasifikasi:

✓ 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

Gambar 3. Mahalanobis Distance Classification

d) Metode selanjutnya adalah Maximum Likelihood Classification – double click metode

tersebut - klik data hasil subset – klik Ok – pilih data hasil subset yang sudah
diklasifikasikan – klik Ok.

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

Gambar 4. Maximum Likelihood Classification

57 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

f) Metode selanjutnya adalah Minimum Likelihood Classification– double click metode

tersebut - klik data hasil subset – klik Ok – pilih data hasil subset yang sudah
diklasifikasikan – klik Ok.

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

Gambar 5. Minimum Likelihood Classification

h) Metode terakhir adalah Parallelepiped Classification– double click metode tersebut -

klik data hasil subset – klik Ok – pilih data hasil subset yang sudah diklasifikasikan –
klik Ok.

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

Gambar 6. Parallelepiped Classification

60 | P a g e