ACARA VI
KLASIFIKASI CITRA DAN PENILAIAN AKURASI
Pengampu:
Jumadi, P.hD
Hamim Hadibasyir, M.SIG
Asisten :
Abdurrohman A
Aditya Saifuddin
Ahmad Sirath Hadiyansah
Eka Budi Khoirul Umam
Khusna Furoida
Rizky Dwi Chandra
Disusun oleh :
Windhi Febrianingsih/E100170016
Senin, jam ke 3-4
I. TUJUAN
1. Mahasiswa mampu mengklasifikasikan citra menggunakan teknik
terbimbing dan tidak terbimbing
2. Mahasiswa mampu menghitung tingkat akurasi hasil klasifikasi
A. KLASIFIKASI CITRA
Klasifikasi adalah teknik pengolahan pada citra dengan cara
mengelompokkan piksel-piksel ke dalam sejumlah kelas sehingga setiap kelas
memiliki pola-pola atau distribusi spasial yang unik dan spesifik yang
mencerminkan suatu objek atau informasi yang bermanfaat sesuai dengan
keperluan (Chein-i Chang dan H.Ren, 2000). Menurut Lillesand dan Kiefer
(1990) klasifikasi dibagi ke dalam dua jenis teknik yaitu:
1. Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral. Batas-batas keputusan merupakan
parallelepiped n-dimensi dalam ruang data gambar.
2. Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata end member
masingmasing dan menghitung jarak Euclidean dari setiap piksel yang
diketahui oleh vektor rata-rata untuk masing-masing kelas.
3. Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band
biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel
diberikan milik kelas tertentu.
4. 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.
5. Spectral Angle Mapper
Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi
untuk mencocokkan piksel untuk spektra acuan.
6. Spectral Information Divergence
Spectral Information Divergence (SID) adalah metode klasifikasi spektral
yang menggunakan ukuran divergensi untuk mencocokkan piksel untuk
spektrum referensi.
7. Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektral akhir
anggota menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di
bawah atau di atas rata-rata spektrum, masing-masing.
8. Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi
berlapis neural.
9. Support Vector Machine
Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan
kelas dengan permukaan keputusan yang memaksimalkan margin antara
kelas.
∑ N = (n + 1)
Keterangan:
A. PENILAIAN AKURASI
Keterangan :
K = akurasi
N = jumlah semua sampel
= Total benar
9. Klik Select All Items, klik choose dan simpan dengan nama
MAX_SUPERVISED dan klik ok
10. Klik Minimum Distance Classification dan klik
TOA_reflectance1_Sun_Elevation, lalu klik ok
11. Klik Select All Items, klik choose dan simpan dengan nama
Min_SUPERVISED dan klik ok
B. Klasifikasi Unsupervised
1. Klik classification, pilih Unsupervised, klik IsoData
Classification pada Toolbox, klik
TOA_reflectance1_Sun_Elevation dan klik ok
2. Muncul kotak isodata parameter tentukan banyaknya kelas
(Number of Classes)= min 5 dan max 10, pengulangan /iterasi
(Maximum iteration)= 5, simpan dengan nama
ISO_UNSUPERVISED dan klik ok
C. Penilaian Akurasi
1. Buatlah tabel confussion matrix
2. Isikan sesuai dengan bahan yang diberikan
3. Hitung N (Jumlah sampel)
b. Minimum Distance
3. Printscreen ROI Statistics (pilih satu objek)
b. K-Means
BAHAN UJI AKURASI
Hasil Klasifikasi
SW SW SW SG SG SW SW SW LK BG
SW SW SW LK SG LK SW LK LK BG
SW SW BG LK LK SG LK LK LK BG
BG BG BG SW SW BG SG SW SW LK
LK BG LK SW SW BG SG SG SW SW
LK BG LK SW BG BG SG SG SG SG
LK LK BG SW BG SW VG VG SG VG
SW BG LK VG BG SW SW VG BG BG
VG VG BG VG BG SW LK LK VG BG
BG VG BG VG VG VG LK LK VG BG
Cek Lapangan
VG VG VG SG SG SW SW SW LK BG
SW VG SW LK SG LK SW LK LK BG
SW SW BG LK LK SG SW VG LK BG
SW SW BG SW SW BG SG VG SW LK
LK SW LK SW SW BG SG SG SW SW
LK BG LK VG SW BG SG SG SG SG
LK LK BG BG BG SW VG VG SG VG
SW SW LK VG BG SW SW VG BG BG
VG SW BG VG BG SW SW BG BG BG
BG SW BG VG VG VG LK LK BG BG
Keterangan :
BG : Bangunan VG : Vegetasi
6. Perhitungan Kappa
- N = 100
- Sigma (Xii) = (20 + 20 + 10 + 12+18)
= 80
- Sigma (Xi+ *X+i)= (31*25) + (25*24) + (13*12) + (12*18) +
(19*21)
= 2146
100 ( 80 )−2146
- K =
( 1002 ) −2146
5854
= = 0,745
7854
VI. PEMBAHASAN
Klasifikasi citra bertujuan untuk pengelompokkan atau membuat
segmentasi mengenai kenampakan-kenampakan yang homogen.
terbagi menjadi dua yaitu klasifikasi terbimbing (Supervised) dan
klasifikasi tidak terbimbing (Unsupervised).
Operator dalam klasifikasi terbimbing (Supervised) harus
membuat sampel-sampel penggunaan lahan seperti laut, laut dangkal,
bangunan, vegetasi dan tanah kering untuk mengklasifikasikan
bentuklahannya. Alogaritma dalam klasifikasi terbimbing (Supervised)
ada dua yaitu maximum likelihood dan minimum distance. Kelebihan
klasifikasi terbimbing (Supervised) dapat memberikan input dalam
mengenal batasan-batasan nilai spektral antar kelas, sedangkan
kelemahan klasifikasi terbimbing (Supervised) berlangsung lebih lama
karena memerlukan waktu untuk pengambilan training area dan hasil
klasifikasi sangat ditentukan oleh kemahiran.
Alogaritma klasifikasi tidak terbimbing (Unsupervised) yang
populer ada dua yaitu K-Means classification dan ISODATA
classification. Kelebihan dari klasifikasi tidak terbimbing
(Unsupervised) relatif lebih cepat, tidak membutuhkan pengetahuan
awal tentang daerah pengamatan, meminimalisir human error dalam
memilih sampel kelas tematik, dan dapat mengidentifikasi kelas yang
unik secara spectral. Sedangkan, kekurangan dari klasifikasi tidak
terbimbing (Unsupervised) yaitu klasifikasi hanya mengacu pada nilai
spektral.
Penilaian akurasi digunakan untuk mendapatkan tingkat
kepercayaan atau untuk melihat kesalahan-kesalahan klasifikasi
sehingga diketahui presentasi ketepatan (akurasi) dari hasil klasifikasi
penginderaan jauh. Hasil perhitungan kappa di dapat sebesar 0,745.
Semakin tinggi nilai kappa, maka kemungkinan hasil akurasi tersebut
terjadi secara kebetuan akan semakin rendah (Soetanto, 2013).
VII. KESIMPULAN
1. Klasifikasi citra bertujuan untuk pengelompokkan atau membuat
segmentasi mengenai kenampakan-kenampakan yang homogen
2. Operator dalam klasifikasi terbimbing (Supervised) harus membuat
sampel-sampel penggunaan lahan seperti laut, laut dangkal,
bangunan, vegetasi dan tanah kering untuk mengklasifikasikan
bentuklahannya
3. Kelebihan dari klasifikasi tidak terbimbing (Unsupervised) relatif
lebih cepat, tidak membutuhkan pengetahuan awal tentang daerah
pengamatan, meminimalisir human error dalam memilih sampel
kelas tematik, dan dapat mengidentifikasi kelas yang unik secara
spectral
4. Hasil perhitungan kappa di dapat sebesar 0,745.
DAFTAR PUSTAKA