LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL

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

LABORATORIUM SIG DAN PCD

FAKULTAS GEOGRAFI
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2020
 ACARA VI
KLASIFIKASI CITRA DAN PENILAIAN AKURASI

I. TUJUAN
1. Mahasiswa mampu mengklasifikasikan citra menggunakan teknik
terbimbing dan tidak terbimbing
2. Mahasiswa mampu menghitung tingkat akurasi hasil klasifikasi

II. ALAT DAN BAHAN

1. ALAT
a. Laptop/PC
b. ENVI 5.1 Software
c. Microsoft Office 2016
d. Kalkulator
2. BAHAN
a. Citra Landsat 8 TIRS

III. DASAR TEORI

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:

a. Klasifikasi Supervised (Terbimbing)

Teknik ini dilakukan dengan prosedur pengambilan sampel beberapa piksel
untuk masing-masing kelas/objek. Sampel atau region of interest digunakan untuk
mendapatkan karakteristik nilai piksel di masing-masing objek/kelas. Kemudian
seluruh piksel yang bukan sebagai sampel akan dikelompokkan dengan mengacu
pada karakteristik nilai piksel sampel yang telah diambil dengan menerapkan
perhitungan statistik. 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.
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.

b. Klasifikasi Unsupervised (Tidak Terbimbing)

Pada klasifikasi tidak terbimbing, pengklasifikasian dimulai dengan
pemeriksaan statistik seluruh piksel dan membanginya kedalam kelas-kelas yang
jumlahnya telah ditentukan. Teknik ini, pengelompokan piksel tidak berdasarkan
pengambilan sampel akan tetapi atas dasar perhitungan statistik citra
menggunakan algoritma klusterisasi. Metode ini diawali dengan penentuan jumlah
kelas (cluster) yang akan dibuat. Kemudian setelah kelas-kelas tersebut dihasilkan
lalu didefinisikan sesuai dengan objek yang ingin diidentifikasi.
Penentuan skala pada citra dapat menggunakan rumus/aturan yaitu aturan
Tobler. Aturan ini menekankan pada ukuran objek terkecil yang mampu
ditampilkan dalam peta.

Skala peta = Resolusi spasial citra (m) *2*1000

Tata cara pengambilan sampel/ROI pada citra:

1. Jumlah lokasi sampel yang diambil menurut jenis citra

∑ N = (n + 1)

Keterangan:

∑ N = jumlah lokasi sampel

n = jumlah saluran yang dimiliki citra

2. Jumlah piksel yang diambil untuk tiap sampel

Citra resolusi menengah = (100.n)/ ∑ N

Citra resolusi tinggi= (10.n)/ ∑ N

A. PENILAIAN AKURASI

Penilaian akurasi atau uji akurasi digunakan untuk mendapatkan tingkat

kepercayaan atau untuk melihat kesalahan-kesalahan klasifikasi sehingga
diketahui presentasi ketepatan (akurasi) dari hasil klasifikasi penginderaan jauh.
Salah satu cara umum yang digunakan untuk menggambarkan tingkat akurasi
hasil klasifikasi adalah dengan menggunakan matriks kontingensi atau biasa
disebut matriks kesalahan (error matrix) (Bashit, dkk., 2019).

Akurasi ditentukan secara empiris dengan memilih sampel pada setiap

piksel dari hasil klasifikasi dan memeriksa label terhadap kelas yang ditentukan
dari data referensi (dikumpulkan selama survei di lapangan). Data referensi
merupakan informasi objek yang sebenarnya, sedangkan objek yang dipilih untuk
menilai akurasi disebut pengujian objek. Penilaian mengenai persentase objek dari
masing-masing kelas pada setiap objek yang tergambar pada citra dapat
diperkirakan bersama dengan proporsi objek dari masing-masing
kelas yang tidak sesuai dengan objek sebenarnya dalam memberikan label ke
setiap kelas lainnya. Hasil dari pemberian label terhadap objek yang tidak sesuai
disajikan dalam bentuk tabel, sering disebut sebagai matrix error. Nilai-nilai yang
tercantum dalam tabel merupakan jumlah objek yang sebenarnya di lapangan pada
setiap objek yang benar dan salah (Richards, 2006 dalam Bashith, dkk., 2019)
Akurasi Kappa dalam memiliki persamaan sebagai berikut :

Keterangan :

K = akurasi
N = jumlah semua sampel

= Total benar

= Jumlah perkalian antara total baris dan total kolom

Klasifikasi koefisien kappa :

Nilai Akurasi Keterangan

> 0,8 Akurasi Tinggi
0,4 – 0,8 Akurasi Sedang
< 0,4 Akurasi Rendah
Sumber : Landish dan Koch, 1977
IV. LANGKAH KERJA
A. Klasifikasi Supervised
1. Membuka aplikasi ENVI

2. Klik open dan memasukkan pilih

TOA_reflectance1_Sun_Elevation.hdr dan klik open

3. Klik icon Region of interest (ROI) Tool, membuat ROI/sampel

(laut, laut dangkal, bangunan, vegetasi, dan tanah kering). Setelah
muncul kotak Region of interest (ROI) Tool, selanjutnya klik new
ROI dan membuat kelas-kelas dan mendigitasi setiap sampel
penggunaan lahan dengan menggunakan polygon. Setiap
penggunaan lahan terdapat 5 sampel
4. Setelah selesai membuat 5 ROI penggunaan lahan, kemudian
simpan dengan cara klik file dan pilih save as. Simpan dengan
nama ROI_SUPERVISED, lalu klik ok

5. Cek statistik sampel-sampel yang dibuat dengan cara klik option

dan pilih Compute Statistics from ROIs

6. Menunggu hampai hasil statistik muncul tabel seperti pada gambar

dan klik comute statistik
7. Selanjutnya akan menampilkan ROI statistik salah satu objek

8. Klik Maximun Likelikehood Classification pada Toolbox, lalu klik

TOA_reflectance1_Sun_Elevation dan klik ok

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

3. Menunggu sampai proses selesai, dan akan muncul hasil seperti

pada gambar

4. Selanjutnya klik classification, pilih Unsupervised, klik K-

Means Classification pada Toolbox, klik
TOA_reflectance1_Sun_Elevation dan klik ok
 5. Muncul kotak K-Means Parameter tentukan banyaknya kelas
(Number of Classes)=15, (Maximum iterations)=7. Klik choose
untuk menyimpan, dan simpan dengan nama K-Means, lalu klik
ok

6. Menunggu sampai proses selesai, dan akan muncul hasil seperti

pada gambar

C. Penilaian Akurasi
1. Buatlah tabel confussion matrix
2. Isikan sesuai dengan bahan yang diberikan
3. Hitung N (Jumlah sampel)

4. Hitung (jumlah sampel yang benar dari hasil klasifikasi

digital dan cek lapangan)

5. Hitung (jumlah total kolom cek lapangan dikali

baris hasil klasifikasi)
6. Hitung K (koefisien kappa)
V. HASIL
1. Printscreen citra TRUE COLOR dengan persebaran ROI

2. Printscreen citra hasil klasifikasi Supervised metode Maximum

Likelihood dan Minimum Distance
a. Maximum Likelihood

b. Minimum Distance
3. Printscreen ROI Statistics (pilih satu objek)

4. Printscreen citra hasil klasifikasi Unsupervised metode K-Means

dan ISODATA
a. Isodata

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 :

SW : Sawah SG : Sungai LK : Lahan Kosong

BG : Bangunan VG : Vegetasi

5. Tabel confusion matrix

 Cek Lapangan Total Benar
Klasifikasi SW BG VG SG LK
SW 20 1 2 6 2 31 20
BG 5 20 0 0 0 25 20
VG 0 2 10 0 1 13 10
SG 0 0 0 12 0 12 12
LK 0 1 0 0 18 19 18
25 24 12 18 21 100 80
Overall Accuracy (%) 80%
Kappa 0,745

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

Ardiansyah. (2015). Pengolahan Citra Penginderaan Jauh Menggunakan

 ENVI 5.1 dan ENVI LiDAR. Jakarta Selatan: LABSIG INDERAJA
ISLIM.
Anonim. (2012). Modul Praktikum Pemrosesan Citra Digital. Surakarta:
Fakultas Geografi Universitas Muhammadiyah Surakarta.

Basith, Nurhadi., Prasetyo, Yudo., Suprayogi, Andri. (2019). Klasifikasi

Berbasis Objek untuk Pemetaan Penggunaan Lahan menggunakan
Citra SPOT 5 di Kecamatan Ngaglik. Jurnal teknik volume 4 nomor
2. ISSN : 240-9919. dari: http://ejournal.undip.ac.id/