0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
25 tayangan13 halaman
Dokumen tersebut memberikan ringkasan tentang klasifikasi multispektral, termasuk tujuan, jenis, dan metode klasifikasi serta pengambilan data contoh yang dipengaruhi oleh pengetahuan lokal.
Dokumen tersebut memberikan ringkasan tentang klasifikasi multispektral, termasuk tujuan, jenis, dan metode klasifikasi serta pengambilan data contoh yang dipengaruhi oleh pengetahuan lokal.
Dokumen tersebut memberikan ringkasan tentang klasifikasi multispektral, termasuk tujuan, jenis, dan metode klasifikasi serta pengambilan data contoh yang dipengaruhi oleh pengetahuan lokal.
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