KLASIFIKASI

MULTISPEKTRAL
Disiapkan oleh:
Nursida Arif

Pendidikan Geografi, UNY

2020
 Referensi
• Campbell, J. B. 2002. Introduction to Remote Sensing, 3rd Edition.
New York. Guildford Press
• Danoedoro (2012). Pengantar Penginderaan Jauh Digital. Andi
Yogyakarta
• Gonzales, R.E and R.C. Woods (2000). Digital Image Processing.
Addison-Wesley
• Jensen, J.R. (2000) Remote Sensing of the Environment – An Earth
Resource Perspective. Prentice Hall
• Jensen, J.R. (2004) Introductory Digital Image Processing – A Remote
Sensing Perspective. Prentice Hall
• Lillesand, T.M., R.W. Kiefer, and J. Chipman (2004) Remote Sensing
and Image Interpretation. Wiley
• Mather, P.M. (2004). Computer Processing of Remotely Sensed Images –
An Introduction. Wiley
• Richards, J.A (1993) Remote Sensing Digital Image Analysis. Springer-
Verlag
Konsep Klasifikasi
• Data/objek yang akan dikategorikan memiliki
keterkaitan yang mudah diidentifikasi.
• Pelatihan (training) objek oleh komputer adalah
kunci keberhasilan klasifikasi
• Teknik klasifikasi awalnya dikembangkan dari
pengenalan pola
• Klasifikasi Citra penginderaan jauh melibatkan
proses program komputer dalam mempelajari
hubungan antara data dan kelas objek
Tujuan Klasifikasi

• Mengkategorikan
secara otomatis
semua piksel kedalam
kelas-kelas tutupan
lahan melalui teknik
pengenalan pola citra
Jenis Pengenalan Pola

1. Pengenalan pola spektral : Air (band

biru), vegetasi (band hijau, band IR)
2. Pengenalan pola spasial: sungai (lekukan)
3. Pengenalan pola temporal : sawah tadah
hujan
Jenis Klasifikasi

1. Klasifikasi Terbimbing (supervised

classification): berdasarkan area contoh
(training area) yang dimasukkan oleh
operator/user.
ØM e n g a n d a l k a n p e n g e t a h u a n l o k a l
interpreter
ØUkuran dan distribusi spasial sampel
sangat penting untuk representasi total
piksel sampel
ØBeberapa contoh klasifikasi terbimbing
yaitu: Maksimum likelihood, support
vector machine, parallelepiped, Artificial
neural network, fuzzy logic.
 Kriteria Sampel
ØSampel harus homogen --> pure pixel
ØDaerah contoh (training area) harus
menyebar secara merata
ØJumlah daerah contoh disarankan 5-10
buah yang masing-masing memuat 10-40
piksel pe kategori (Campbell, 2002)
Metode mana yang terbaik?
Ø Pada kasus ini SVM lebih
unggul
Ø Namun pada kasus lain akan
sangat tergantung data yang
digunakan
Ø Hal-hal yang mempengaruhi
hasil klasifikasi:
ü Pemilihan sampel
ü Teknik klasifikasi yang
digunakan
ü Hingga saat ini penelitian terus
dilakukan untuk menguji mete
klasifikasi mana yang terbaik.
Pengambilan data contoh sangat dipengaruhi oleh pengetahuan lokal
daerah yang akan diklasifikasi

Sumber: Nursida Arif, 2017

2. K l a s i f i k a s i T i d a k T e r b i m b i n g
(unsupervised classification):
ØKlasifikasi yang dilakukan secara otomatis
oleh komputer tanpa intervensi operator
atau user. Pengenalan pola dilakukan
otomatis oleh program komputer
berdasarkan distribusi data.
ØMengelompokkan nilai-nilai piksel suatu
citra oleh komputer kedalam kelas-kelas
spektral menggunakan algoritma
klusterisasi
ØJenis klasifikasi tidak terbimbing:
1. IsoData: mengklasifikasikan kelas secara
merata berdasarkan kelas terdekat

2. K-Means : prinsipnya sama dengan Iso Data,

bedanya dengan menggunakan metode ini
analis/interpreter mengharuskan untuk
memilih jumlah kelas