Dibuat oleh:
Ahmad Riyo Kunang (NPM: 1915013019)
1
A. klasifikasi tak terbimbing
klasifikasi tidak terbimbing merupakan klasifikasi dengan
pembentukan kelasnya sebagian besar dikerjakan oleh
komputer. Kelas-kelas atau klaster yang terbentuk dalam
klasifikasi ini sangat bergantung kepada data itu sendiri, yaitu
dikelompokkannya piksel-piksel berdasarkan kesamaan atau
kemiripan spektralnya (Riswanto 2009).
B. klasifikasi terbimbing
Klasifikasi terbimbing adalah klasifikasi yang dilakukan
dengan arahan analis (supervised), dimana kriteria
pengelompokkan kelas ditetapkan berdasarkan penciri kelas
(class signature) yang diperoleh melalui pembuatan area
contoh (training area) (Riswanto 2009).
1.4 Pembahasan
Pada tugas ini penulis melakukan sedikit analisis terhadap
gambar/citra yg saya olah dengan cukup sederhana, metode
yg saya gunakan adalah klasifikasi terbimbing dan klasifikasi
tak terbimbing sebelum malakukan klasifikasi citra dilakukan
filter majority agar citra dapat lebih halus secara visual, pada
tugas ini saya mengunakan aplikasi arcgis berikut tahapan yg
saya lakukan :
Filter majority : masukan gambar ke lembar kerja
search tool ketik majority filter olah citra yg ingin di
lakukan majority filter tekan oke selesai
2
Gambar 1.1 Hasil majority filter
3
Gambar 1.3 Klasifikasi yg di buat untuk Unsuppervised Classification
klasifikasi terbimbing : aktifkan analisis tool pada
customize polygon buat klasifikasi pilih
Suppervised Classification pada image Classification
4
Gambar 1.3 Gambar original
1.5 Kesimpulan
Secara sekilas hasil pada metode Suppervised
Classification dan Unsuppervised Classification terlihat hanya
memiliki perbedaan yg tak jauh beda pada klasifikasi
terdapat jumlah yg sama ya itu 8 klasifikasi namun pada
klasifikasi terbimbing hasil yg di miunculkan cukup akuraty
sesuai banyaknya klasifikasi yg di buat pada tugas ini hanya
dengan 8 klasifikasi tida terlalu akurat banyak objek gambar
yg menjadi berubah bahkan menyatu berbeda pada
klasifikasi tak terbimbing objek terlihat cukup terlihat
klasifikasi yg di hasilkan namun sangat kurang akurat
terutama pada warnayg hamper sama pada objek yg
berbeda.
5
Role of Spatio- contextual Information. European Journal
of Remote Sensing - 2014, 47: 389-411
Tugas ke-5
PENGOLAHAN CITRA DIGITAL (TGG616302)
Dibuat oleh:
Duwi Utari (NPM: 1915013001)
1.1 Segmentasi Objek
Segmentasi objek adalah pemisahan objek yang satu
dengan objek yang lain dalam suatu gambar. Metode
segmentasi ini menghasilkan tingkat efektifitas dan
akurasi yang tinggi didukung oleh resolusi spasial citra
yang baik. Metode dalam mengidentifikasi objek
mengarah pada metode klasifikasi berbasis objek, salah
satunya adalah metode segmentasi.
6
karena memiliki kemampuan dalam mempertajam tepi
dari masing-masing objek, dengan demikian akan
diperoleh hasil yang jelas.
7
Gambar 2 Gambar 2 Skala 10, Shape 0.1, Compactness 0.5
Polygon
segmentasi
8
memberikan keuntungan lebih bagi metode ini dalam
menghasilkan hasil yang lebih akurat. Elemen yang
berhasil dideteksi dengan teknik OBIA, yaitu: jalan,
bangunan, vegetasi, sungai dll.
1.4 Kesimpulan
9
Segmentasi dapat dengan mudah dilakukan dengan
software dan dengan sebuah citra, dari pembahasan
yang di dapat dan praktik yang dilakukan segmentasi
memiliki kelemahan dan kelebihan yaitu:
Kelebihan:
1. Segmentasi dapat mendeteksi objek dari citra
2. Segmentasi objek dapat mempermudah dan
mempercepat pengolahan atau pemanipulasian citra
digital.
Kelemahan:
1. Kelemahan dari metode segmentasi ini adalah sulit
diaplikasikan untuk memisahkan land use berdasarkan
kegunaan seperti sawah, hutan lindung, dan sebagainya,
sehingga objek tersebut biasanya masuk dalam region
vegetasi.
2. Faktor subyektifitas yang tinggi, percampuran antara
lahan terbuka dan pemukiman dalam satu
region(Arisondang et al., 2015).
1.5 DaftarPustaka
Arisondang, V., Sudarsono, B., & Prasetyo, Y.
(2015). Klasifikasi Tutupan Lahan Menggunakan
Metode Segmentasi Berbasis Algoritma Multiresolusi
(Studi Kasus Kabupaten Purwakarta, Jawa Barat).
Jurnal Geodesi Undip, 4(1), 9–19.
Masanori Onishi, T. I. (2021). Explainable
Identification and mapping of trees using UAV RGB
image and deep learning. Scientific Reports, 11(1), 1–
15.
Nasution, T. (2012). Segmentasi Citra Digital
Berbasis Clustering Menggunakan Deteksi Tepi Sobel.
Sains Dan Teknologi Informasi, 1(2), 15–27.
10
Sutanto, D. (2014). Perbandingan Klasifikasi
Berbasis Objek dan Klasifikasi Berbasis Piksel Pada
Data Citra Satelit Synthetic Aperture Radar Untuk
Pemetaan Lahan (Comparison Of Object Based and
Pixel Based Classification On Synthetic Aperture
Radar Satellite Image Data For L. Lembaga Antariksa
Dan Penerbangan, 11(1), 63–75.
Tugas ke-5
PENGOLAHAN CITRA DIGITAL (TGG616302)
Dibuat oleh:
Reza Amalia (NPM: 1915013007)
Lutfi Nur Umami (NPM: 1915013005)
1.1 Pengertian
Pengolahan data citra digital adalah sebuah proses
mengelompokkan suatu citra digital multispectral ke dalam
beberapa kelas berdasarkan kategori objek (Jayanti, 2017).
Klasifikasi terbimbing terbagi menjadi beraneka ragam, salah
satu pendekatan yang paling sering digunakan adalah
klasifikasi maximum likelihood (Rusdi, 2005).
11
Dimana:
D = Bobot kemiripan
X = Vektor yang belum terklasifikasi
Mc = Kelas yang sudah diketahui
Suatu vektor yang belum terklasifikasikan tersebut
dimasukan dalam suatu kelas yang mempunyai tingkat
kemiripan maksimum.
Uji akurasi
12
Uji akurasi dilakukan untuk melihat tingkat ketelitian dari
berbagai citra hasil klasifikasi yang telah dilakukan dengan
data training area sehingga dapat mengetahui persentase
ketelitian pemetaan tutupan lahan yang telah dilakukan.
13
mengklasifikasi dan uji akurasi. Berikut merupakan langkah-
langkah dalam melakukan klasifikasi Maximum Likelihood
dan uji akurasi terhadap hasil dari klasifikasi.
1. Membuka software QGIS dan memasukkan data citra
terkoreksi dan shp daerah dengan mengklik menu Layer
Add Layer Add Vector Layer / Raster Layer.
2. Clip data terkoreksi dengan shp daerah dengan cara klik
menu Raster Extraction Clip Raster by Mask Layer.
3. Kemudian klik menu SCP Bandset, lalu masukkan data
yang telah diclip. Jika belum terdapat menu SCP maka
instal Plugin terlebih dahulu pada menu Plugins.
4. Setelah itu pada menu SCP klik Training Input kemudian
save data dan dilanjutkan dengan mendigitasi.
5. Selanjutnya setelah selesai mendigitasi kembali klik menu
SCP Band Processing Classification dengan memilih
algoritma Maximum Likelihood Classification untuk
mendapatkan hasil klasifikasi Maximum Likelihood
6. Setelah mendapat hasil klasifikasi, klik menu SCP
Postprocessing Accuracy untuk mendapatkan uji
akurasi
14
Gambar 1.4.3 Klasifikasi citra Gambar 1.4.4 Hasil klasifikasi citra
dengan data spasial dengan data spasial
Total akurasi dari klasifikasi maximum likelihood pada
gambar 1.4.4 adalah sebesar 92%. Sesuai dengan
kesepakatan yang dikeluarkan oleh Badan Survei Geologi
Amerika Serikat (USGS) dimana telah memberikan syarat
untuk tingkat ketelitian sebagai kriteria utama bagi sistem
klasifikasi penutupan lahan yang disusun. Tingkat ketelitian
klasifikasi minimum dengan menggunakan penginderaan
jauh harus tidak kurang dari 85%
1.5 Kesimpulan
Dengan menggunakan metode klasifikasi Maximum
Likelihood dinilai lebih unggul dibandingkan metode
klasifikasi lainnya, karena klasifikasi maximum Likelihood
merupakan klasifikasi yang melihat penggolongan parameter
dengan mengasumsikan distribusi spektral normal atau
mendekati normal untuk masing-masing karakteristik yang
menarik yang sama di antara kelas yang diasumsikan. Dari
hasil uji akurasi pada gambar 1.4.4 yang lebih dari 85%
dikatakan sudah bisa mengidentifikasi tutupan lahan dengan
baik.
15
Metode Klasifikasi Terbimbing Maximum Likelihood
Pada Citra Landsat 8. Majalah Globe, 17(1), 9–15.
Jayanti, I. (2017). Perbandingan Metode Klasifikasi Maximum
Likelihood dan Minimum DIstance Pada Pemetaan
Tutupan Lahan di Kota Langsa.
Prahasta. (2008). REMOTE SENSING : Praktis Pengindraan
Jauh & Pengolahan Citra Dijital Dengan Perangkat
Lunak ER Mapper.
Rusdi, M. (2005). Perbandingan Klasifikasi Maximum
Likelihood dan Object Oriented Pada Pemetaan
Penutup/Penggunaan Lahan Studi Kasus Kabupaten
Gayo Lues, NAD HTI PT Wirakarya Sakti Jambi dan
Taman Nasional Lore Lindu Sulawesi Tengah.
16
17
18
19
20
Tugas ke-5
PENGOLAHAN CITRA DIGITAL (TGG616302)
Dibuat oleh:
Femmi Aulia Azzahra (NPM : 1915013013)
Armanda Akhmal Aerlangga (NPM : 1915013015)
1.1 Klasifikasi Terbimbing Paralelpiped
Klasifikasi citra terbimbing (supervised) merupakan
klasifikasi dengan memilih kelas-kelas yang diinginkan dan
memilih daerah latihan yang mewakili tiap kategori.
Klasifikasi parallelepiped merupakan klasifikasi yang
didasarkan pada nilai standar deviasi dari nilai rata-rata
untuk setiap kelas (Region 0ff Interest/ROI) pada setiap
kanalnya (Jensen, 1996). Adapun rumus yang digunakan
untuk menentukan batas kelas ialah :
µck−Std ck ≤BV ijk ≤ µ ck +Std ck … … …… …… …… …… … …… …… …… …
21
tinggi dan lebih mudah dipakai, sedangkan kelemahannya
ialah pada uji akurasi berbasis ROI dengan tingkat akurasi
paling rendah ialah hasil dari klasifikasi berbasis paralelpiped.
22
menggunakan SAGA versi 2.3.2 yang sudah didownload pada
website :
http://www.saga-gis.org
23
Gambar 1.2 Hasil citra sesudah cropping dan sebelum di cropping.
24
Gambar 1.5 Hasil klasifikasi paralelpiped Landsat 8
1.4 Kesimpulan
Berdasarkan pemaparan diatas, maka dapat disimpulkan
bahwa banyaknya pemanfaatan dari data spasial yang diolah
dan diproses pada berbagai bidang membantu dalam
melakukan analisis terutama pada pengolahan citra digital,
yang mana salah satunya ialah klasifikasi. Pada klasifikasi
terbimbing menggunakan algoritma parallelepiped
dimanfaatkan untuk tutupan lahan dalam mengidentifikasi
permukaan bumi yang diimplementasikan dalam bentuk peta
Pada metode klasifikasi ini dilakukan dengan training sample
dan uji akurasi untuk mengakuratkan hasil citra dari
klasifikasi.
25
Tugas ke-5
PENGOLAHAN CITRA DIGITAL (TGG616302)
Dibuat oleh:
Christas Gracia (NPM: 1915013023)
Muhammad Zaki Alfarizi (NPM: 1915013019)
1.1 Pendahuluan
Pengolahan Citra Digital merupakan ilmu yang
mempelajari teknik-teknik pengolahan citra (Kusumanto &
Tompunu, 2011). Pengolahan data secara digital umum
digunakan untuk analisis citra satelit dimana hasilnya dapat
dibandingkan dengan kenampakan asli citra tersebut secara
langsung (Apriyanti et al., 2016). Sebelum suatu citra dapat
digunakan, perlu dilakukan pengolahan citra digital dengan
melakukan klasifikasi citra yang memiliki beberapa cara juga
algoritma khusus yang umum diaplikasikan dengan
memanfaatkan perangkat lunak tertentu seperti QGIS atau
ArcGIS.
26
Metode klasifikasi citra yang digunakan dalam proses
pengolahan data sangat menentukan hasil dari klasifikasi
citra, oleh karena itu metode klasifikasi yang digunakan harus
sesuai dengan citra yang akan diolah. Metode pengumpulan
informasi data inderaja yang dewasa ini kerap digunakan
ialah metode multispectral. Klasifikasi multispectral memiliki
2 metode klasifikasi yaitu klasifikasi terbimbing (supervised)
serta klasifikasi tidak terbimbing (unsupervised).
27
dengan perhitungan nilai rata-rata dari data yang ada pada
centroid yang sama, terakhir ulangi langkah-langkah tersebut
hingga kondisi konvergen tercapai dimana perubahan fungsi
objektif sudah dibawah ambang batas yang diinginkan dan
tidak ada data yang berpindah cluster serta posisi centroid
sudah di bawah ambang batas yang ditentukan pada langkah
awal (Putra, 2018).
28
klasifikasi. Selanjutnya proses clustering dijalankan dengan
menggunakan menu Clustering pada Semi-Automatic
Classification Plugin (SCP) lalu pilih band processing,
kemudian set kelas pengkelompokan dari K-means clustering
dengan cara buka menu “clustering” pada menu band
processing, dan setting “number of classes”, “max number of
iterations”, dan “ISODATA minimum class size in pixels”
sesuai kelas yang diinginkan, kemudian klik “run” (Gambar
1.2). Kemudian hasil clustering diperoleh dan dilakukan
layout dengan memperhatikan kaidah-kaidah kartografi
(Gambar 1.3).
29
Pengolahan Citra Digital Landsat. KLIK Kumpulan JurnaL
Ilmu Komputer, 2(2), 110–122.
Bastian, A., Sujadi, H., & Febrianto, G. (n.d.). Penerapan
Algoritma K-Means Clustering Analysis Pada Penyakit
Menular Manusia (Studi Kasus Kabupaten Majalengka).
1, 26–32.
Dhuhita, W. (2015). Clustering Menggunakan Metode K-
Mean Untuk Menentukan Status Gizi Balita. Jurnal
Informatika Darmajaya, 15(2), 160–174.
Kusumanto, R. D., & Tompunu, A. N. (2011). PENGOLAHAN
CITRA DIGITAL UNTUK MENDETEKSI OBYEK
MENGGUNAKAN PENGOLAHAN WARNA MODEL
NORMALISASI RGB. 2011(Semantik).
MURTI, M. A. W. K. (2017). Penerapan Metode K-Means
Clustering Untuk Mengelompokan Potensi Produksi
Buah – Buahan Di Provinsi Daerah Istimewa Yogyakarta.
Skripsi.
Nasari, F., & Darma, S. (2015). Seminar Nasional Teknologi
Informasi dan Multimedia 2015 PENERAPAN K-MEANS
CLUSTERING PADA DATA PENERIMAAN MAHASISWA
BARU (STUDI KASUS : UNIVERSITAS POTENSI UTAMA).
6–8.
Putra, I. M. A. W. (2018). Klasifikasi Citra Satelit Dengan
Menggunakan Algoritma K-Means. Proceeding Seminar
Nasional Sistem …, 881–884.
http://sisfotenika.stmikpontianak.ac.id/index.php/sensi
tek/article/view/913
Saputra, T. I., & Arianty, R. (2019). Implementasi Algoritma K-
Means Clustering Pada Analisis Sentimen Keluhan
Pengguna Indosat. Jurnal Ilmiah Informatika Komputer,
24(3), 191–198.
https://doi.org/10.35760/ik.2019.v24i3.2361
30
Tugas ke-5
PENGOLAHAN CITRA DIGITAL (TGG616302)
Dibuat oleh:
Fabil Al Barru Romadhon Mu’an (NPM: 1915013027)
M. Surya Dwi Anugrah (NPM: 19150103025)
31
1.2 Klasifikasi Tidak Terbimbing (Unsupervised
Classification)
Cara kerja metode ini adalah mengelompokkan nilai-nilai
piksel dengan komputer ke dalam kelas
spektralmenggunakan algoritma klusterisasi. Dalam metode
ini, di awal proses analisis biasanya akan menentukan jumlah
kelas (cluster) yang akan dibuat. Kemudian, setelah
mendapatkan hasil, analisis menetapkan kelas-kelas objek
terhadap kelas-kelas spektral yang telah dikelompokkan oleh
komputer. Dari kelas-kelas (cluster) yang dihasilkan, analisis
bisa menggabungkan beberapa kelas yang dianggap memiliki
informasi sama menjadi satu kelas.
32
tidak diklasifikasikan jika tidak memenuhi kriteria yang
ditentukan.
1.4 Hasil Praktikum
Contoh penggunaan algortima Isodata Clustering dalam
mengolah citra secara digital ialah dalam pengklasifikasian
citra landsat. Hasil dari klasifikasi citra ini dapat
dimanfaatkan untuk klasifikasi lahan yang merupaka proses
pengelompokkan lahan berdasarkan kesamaan karakteristik
tertentu. Dengan memanfaatkan data Citra Landsat 8 tahun
2018 yang diunduh dari website USGS, yang kemudian
diklasifikasi dengan Isodata dengan aplikasi Qgis.
Digunakannya data spasial dan tidak non-spasial dikarenakan
pada proses klasifikasi baik terbimbing maupun tidak
terbimbing, merupakan klasifikasi citra jadi hanya bekerja
pada data citra.
33
Gambar 1.1 Hasil Clip Gambar 1.2 Proses Isodata Clustering
Landsat 8 tahun 2018
34
Gambar 1.5 Cluster 15, Iterasi 15 Gambar 1.6 Cluster 20, Iterasi 20
1.5 Kesimpulan
Dapat kita lihat perbandingan dari hasil klasifikasi dengan
metode isodata tersebut, bahwa semakin banyak kelas yang
akan diklasifikasi maka akan semakin jelas penggunaan citra
tersebut, seperti kita lihat pada gambar Cluster 5 Iterasi 5
tidak terlalu banyak objek yang teridentifikasi, sedangkan
semakin bertambahnya Cluster dan Iterasi maka objek yang
teridentifikasi semakin banya, seperti kita lihat pada gambar
Cluster 20 Iterasi 20, tetapi karna maksimal iterasi dari citra
yang saya klasifikasi tersebut adalah 17 walaupun kita
menambah diatas iterasi diatas 20 maka tetap tidak akan
terjadi perubahan apapun pada hasil klasifikasi.
35
Undiksha, 8(1), 01.
https://doi.org/10.23887/jjpg.v8i1.22752
Septiani, R., Citra, I. P. A., & Nugraha, A. S. A. (2019).
Perbandingan Metode Supervised Classification dan
Unsupervised Classification terhadap Penutup Lahan di
Kabupaten Buleleng. Jurnal Geografi : Media Informasi
Pengembangan Dan Profesi Kegeografian, 16(2), 90–96.
https://doi.org/10.15294/jg.v16i2.19777
Sirat, E. F., Setiawan, B. D., & Ramdani, F. (2018). Analisis
Perbandingan Algoritme K-Means dan Isodata untuk
Klasterisasi Data Kejadian Titik Api di Wilayah Sumatera
pada Tahun 2001 hingga 2014. Jurnal Pengembangan
Teknologi Informasi Dan Ilmu Komputer, 2(11), 5105–
5112.
Wardani, R. W., Setiawan, B. D., & Dewi, C. (2019).
Perbandingan Kualitas Hasil Klaster Algoritme K-Means
dan Isodata pada Data Komposisi Bahan Makanan.
3(7), 6712–6720.
36