LAPORAN

PENGOLAHAN DAN INTERPRETASI DATA CITRA

KLASIFIKASI TERBIMBING DAN KLASIFIKASI TAK TERBIMBING

TERNATE

DI SUSUN OLEH :

NAMA : FEBBY LAWRENCE SINAGA

NIM : 201964025

PRODI : ILMU KELAUTAN

FAKULTAS PERIKANAN DAN ILMU KELAUTAN

UNIVERSITAS PATTIMURA

AMBON

2021
 DAFTAR ISI
BAB I ......................................................................................................................................... 3
PENDAHULUAN ..................................................................................................................... 3
1.1 Latar Belakang ................................................................................................................. 3
1.2 Tujuan............................................................................................................................... 3
1.3 Manfaat............................................................................................................................. 3
BAB II ........................................................................................................................................ 4
TINJAUAN PUSTAKA ............................................................................................................ 4
2.1 Kalasifikasi Tak Terbimbing ............................................................................................ 4
2.2 Klasifikasi Terbimbing ..................................................................................................... 4
BAB III ...................................................................................................................................... 5
METODELOGI ......................................................................................................................... 5
3.1 Alat Dan Bahan ................................................................................................................ 5
BAB IV ...................................................................................................................................... 6
HASIL DAN PEMBAHASAN.................................................................................................. 6
4.1 Klasifikasi Tak Terbimbing ............................................................................................. 6
A. Slicing.......................................................................................................................... 6
B. Cluster ......................................................................................................................... 8
4.2 Klasifikasi Terbimbing ................................................................................................... 10
A. Membuat sampel set .................................................................................................. 10
B. Minimum Distance .................................................................................................... 13
C. Maksimum Likehood ................................................................................................ 14
D. Menghitung luas tutupan lahan ................................................................................. 16
BAB V ..................................................................................................................................... 18
PENUTUP................................................................................................................................ 18
5.1 Kesimpulan..................................................................................................................... 18
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua
klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak
terbimbing (unsupervised classification). Menurut Lillesand and Kiefer (1990d), analisis
citra terbimbing merupakan proses pemilihan kategori informasi atau kelas yang
diinginkan dan kemudian memilih daerah latihan yang mewakili tiap kategori. klasifikasi
terbimbing membutuhkan pengetahuan tentang kelas kelas ( objek-objek ) apa saja yang
terdapat dalam target serta lokasinya ( Dalam klasifikasi tidak terbimbing setiap pixel
diperbandingkan dengan kluster diskret untuk melihat untuk pixel-pixel mana yang
memiliki kemiripan yang tinggi dan dikelompokkan dalam klaster klaster. Kemudian
diperbandingkan dengan kenampakan objek yang sebenarnya bila hasil klaster masih
kurang memuaskan, maka perlakuan-perlakuan itu diulangi lagi untuk mencari kombinasi
klaster yang lebih sesuai. Menurut Chein-I Chang dan Ren (2000) Klasifikasi citra
merupakan suatu proses pengelompokan seluruh pixel pada suatu citra kedalam dalam
kelompok sehingga dapat diinterpretasikan sebagai suatu property yang spesifik. Suatu
citra dapat diklasifikasikan ke dalam cluster-cluster tertentu berdasarkan kemiripan antar
citranya secara visual, yaitu karakteristik warna. Klasifikasi citra secara otomatis, yaitu
proses penggolongan suatu citra ke dalam suatu kategori yang semakin dibutuhkan untuk
melakukan analisis citra. Klasifikasi adalah proses pencarian sekumpulan model atau
fungsi yang menggambarkan dan membedakan kelas data dengan tujuan agar model
tersebut dapat digunakan untuk memprediksi kelas dari suatu obyek yang belum diketahui
kelasnya (Sutan 2008).

1.2 Tujuan

a) Mengetahui klasifikasi tak terbimbing (Slicing dan Cluster)

b) Mengetahui klasifikasi terbimbing (Sampel Set)

1.3 Manfaat
Adapun manfaat yang ingin dicapai dari praktikum ini adalah dapat diinterpretasikan data
citra satelit landsat untuk mengidentifikasi tutupan lahan pada pulau Kelang, Seram Bagian
Barat.
 BAB II

TINJAUAN PUSTAKA

2.1 Kalasifikasi Tak Terbimbing

Dalam mendefinisikan area contoh untuk pelatihan klasifikasi, analis tidak perlu mencari
area yang homogen, bahkan seringkali dicari daerah yang sangat beragam untuk memastikan
bahwa semua kelas yang memungkinkan dan variabilitas di dalamnya terbentuk. Piksel-
piksel contoh tersebut kemudian akan dimasukkan dalam algoritma gerombol yang akan
menentukan pengelompokan alami dalam ruang feature berdimensi jamak. Setiap gerombol
diasumsikan merepresentasikan distribusi peluang (probability distribution) untuk setiap
kelas. Pelabelan (penamaan) kelas dapat dilakukan setelah penggerombolan contoh ataupun
setelah penggerombolan semua piksel dalam citra.

2.2 Klasifikasi Terbimbing

Pada klasifikasi terbimbing, analis menggunakan pengetahuan yang telah didapatkan

sebelumnya yang dapat berasal dari hasil ekstraksi informasi/interpretasi foto udara, peta dan
lain-lain. Pengetahuan ini akan digunakan untuk mengidentifikasi piksel-piksel contoh dan
menetapkan kelas ciri yang bersesuaian. Parameter-parameter statistika yang 19 penting
diturunkan dari contoh kelas tersebut dan digunakan untuk mengkelaskan ciri yang mirip dari
sebuah piksel. Pemilihan kumpulan contoh yang representatif sangat penting pada klasifikasi
terbimbing. Pencarian daerah yang homogen dan memiliki kisaran variabilitas yang baik akan
menentukan keberhasilan klasifikasi. Aspek statistika lain yang penting adalah jumlah piksel
yang digunakan untuk mengestimasi ciri kelas. Jika pengklasifikasi Bayes maximum
likelihood dan asumsi distribusi normal (normal class distribution) yang digunakan, vektor
rataan kelas dan matriks kovarian harus dihitung (Schowengerdt, 1983). Swain (1978)
menyatakan bahwa untuk mendapatkan statistik kelas yang memenuhi syarat, piksel contoh
yang diperlukan berkisar antara 10 – 100.
 BAB III

METODELOGI

3.1 Alat Dan Bahan

ALAT KETERANGAN
Laptop/computer Mengolah data
Softwer ILWIS 3.6 Mengolah data lebih akurat

BAHAN KETERANGAN
Citra Landsat TM Bahan mentah yang di pakai
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Klasifikasi Tak Terbimbing

Klik operations image processing klik slicing setelah itu pilih NDVI yang di
pakai untuk membuat slicing masukan nama pada output raster map klik domain dan
buat domain baru berikan nama pada domainnya cek list grup dan klik oke klik
show.

A. Slicing
Hasilnya :

Kalsifikasi ini merupakan teknik yang mengelompokan piksel berdasarkan rentang

bilai spectral yang di miliki. Dimana dari teknik ini menunjukan perbedaan kelas tutupan
lahan vegetasi dan non vegetasi. Dari hasil tersebut dapat di lihat jelas yang mana vegetasi
dan non vegetasi di gambar citra tersebut di mulai dari rendah sekali sampai dengan tinggi
sekali.
 Hasil Peta Tutupan Lahan Vegetasi

B. Cluster
Klik operations imange processing pilih cluster setelah itu pada number of input
maps pilih nomor 4 masukan band yang ingin kita buwat masukan nama klik
show
Hasilnya :

Kalsifikasi ini sama juga dengan slicing tetapi di lihat lebih jelas merupakan teknik
yang mengelompokan piksel berdasarkan rentang bilai spectral yang di miliki. Dimana dari
teknik ini menunjukan perbedaan kelas tutupan lahan vegetasi dan non vegetasi. Dari hasil
tersebut dapat di lihat jelas yang mana vegetasi dan non vegetasi di gambar citra tersebut.
 Hasil Peta Clustering Tutupan Lahan Vegetasi

4.2 Klasifikasi Terbimbing

Sebagaimana dijelaskan sebelumnya, klasifikasi terbimbing dilakukan dengan menentukkan
sampel untuk tiap – tiap tutupan lahan yang akan diklasiifikasikan. Oleh karena itu terdapat
dua langkah dalam proses ini yaitu : Pembuatan sampel dan klasifikasi.

A. Membuat sampel set

Bukalah salah satu data citra satelit dengan menggunakan citra komposit. Pada jendela
Map Windows, pilih File -> Create -> Sample set.
  Jendela Create Sample Set akan terbuka. Beri nama Sample set ini, kemudian klik
tombol untuk membuat domain kelas penutupan lahan. Pilih salah satu maplist
pada kolom MapList, maplist yang dipilih akan menjadi sumber data untuk proses
klasifikasi. Klik ok, toolbar akan muncul pada MapWindow

Proses sample set

 Buat polygon atau titik pada salah satu bagian citra satelit yang dapat dikenali tutupan
lahannya. Klik kanan pada polygon yang telah dibuat. Menu edit dengan nama tutupan
lahan yang telah dibuat pada domain akan muncul. Pilih salah satu tipe tutupan lahan
sebagimana terlihat pada contoh dibawah, klik ok. Lakukan hal yang sama untuk
membuat sampel tipe tutupan lahan lainnya. Sampel haruslah diambil dengan jumlah
yang mencukupi untuk semua kelas tutupan lahan.

 Untuk memeriksa kualitas sampel yang telah diambil,dapat digunakan fungsi Feature
space. Feature space akan menampilkan semua sampel yang telah dibuat pada
 diagram yang memuat nilai piksel pada dua kanal yang berbeda. Feature space dibuat
dengan menekan tombol pada Map Window

Menjalankan Fungsi Feature Space

 Feature space akan tampil sebagaimana dicontohkan pada gambar berikut

Hasilnya :

Dari klasifikasi ini merupakan klasifikasi yang terbimbing dimana dilakukan dengan
menentukan sampel untuk tiap-tiap tipe tutupan lahan yang akan diklasifikasi. Dapat di lihat
pada gambar dibawah merupakan hasil yang dimana telah di tentukan penutup lahan
berdasarkan lokasinya.
Klik operations pilih image processing klik classify masukan band sampel setnya
dan pilih minimum distance masukan nama dan klik show. Dan untuk maksimum
likehood cara-caranya sama dengan minimum distance.

B. Minimum Distance
C. Maksimum Likehood
Dari hasil maksimum likehood dan minimum like merupakan hasil dari tutupan lahan yang
sudah terlihat secara jelas, dimana dari gambar tersebut kita dapat bisa melihat lahan vegetasi
dan non vegetasi dengan jelas sehingga lebih akurat.

 Hasil Klasifikasi Pembuatan Peta Tutupan Lahan

 D. Menghitung luas tutupan lahan
Salah satu analisa yang paling sederhana dalam proses pengolahan data pasca
klasifikasi adalah perhitungan luasan masing – masing kelas tutupan lahan dari peta yang
dihasilkan. Informasi ini sangat penting untuk memperoleh gambaran tentang distribusi dan
proporsi tutupan lahan di suatu daerah. Luasan sebuah tipe tutupan lahan dihitung
berdasarkan jumlah piksel yang terklasifikasi sebagai tutupan lahan tersebut dikalikan
resolusi spatialnya.

Langkah – langkah perhitungan luas kelas tutupan lahan adalah sebagai berikut :

1. Pilih salah satu data hasil klasifikasi yang telah dibuat, klik kanan, pilih statistics ->
histogram. Perintah ini akan menghasilkan tabel data yang memuat luasan kelas
tutupan lahan dalam unit meter persegi.

2. Jendela histogram sebagaimana terlihat pada gambar dibawah akan muncul. Pada bagian
sebelah kiri terlihat histogram berupa grafik batang dari masing – masing tipe tutupan
lahan. Sedangkan pada bagian luas sebelah kanan, terdapat tabel area yang memuat
informasi luasan tipe tutupan lahan. Pada contoh digambar luas vegetasi adalah
464,145,300 meter persegi atau 46.415 hektar atau 19.58% dari total area.
3. KlikView Histogram -> View -> Graph management. Kolom baru akan muncul di
sebelah kiri histogram. Klik kanan pada menu Tabelhistogram

4. Klik Export. Perintah ini akan menghasilkan tabel luasan tutupan lahan permanen. Tabel
ini dapat dibuka dengan program – program non GIS seperti Microsoft Excel untuk
proses analisa atau pelaporan lebih lanjut.
 BAB V

PENUTUP

5.1 Kesimpulan
1) Dari kalsifikasi tak terbimbing merupakan analis tidak perlu mencari area yang
homogen, bahkan seringkali dicari daerah yang sangat beragam untuk memastikan
bahwa semua kelas yang memungkinkan dan variabilitas di dalamnya terbentuk. Dimana
dari hasil kalsifikasi ini hanya di lakukan untuk menentukan lahan vegetasi dan non
vegetasinya.
2) Sedangkan untuk klasifikasi terbimbing merupakan analisa yang telah didapatkan
sebelumnya yang dapat berasal dari hasil ekstraksi informasi/interpretasi foto udara, peta
dan lain-lain. Dimana dari klasifikasi ini merupakan tutupan lahan yang lebih jelas dan
nampak jelas vegetasinya dan non vegetasinya di daerah tersebut.