Nama : Elif Ivana Hendastari Praktikum 3 SPSL

NIM : C54170095 Jumat, 03 September 2021

KLASIFIKASI SUPERVISED DAN UNSUPERVISED

A. Lokasi Pengolahan Data

Lokasi pengolahan data pada praktikum ke-3 Survei Pemetaan Lapang Kelautan
(SPSL) kali ini adalah di Gili Petarando, Lombok Timur. Pengolahan data citra dilakukan
untuk memetakan persebaran lamun dan non-lamun di sekitar perairan Gili Petarando
dengan menggunakan klasifikasi supervised dan unsupervised. Gili Petarando (Petagan,
Bidara, dan Kondo) merupakan destinasi wisata bahari yang banyak dikunjungi
wisatawan mancanegara. Gili Petarando merupakan nama singkatan dari Dinas
Pariwisata Kabupaten Lombok Timur untuk Gili Kondo, Gili Bidara, Gili Petagan, Gili
Lendangbelo dan Gili Kapal yang berada di arah timur laut Kabupaten Lombok Timur.
Pada wilayah perairan Gili Kondo dan Gili Petagan terdapat ekosistem pesisir yaitu
mangrove, lamun, dan terumbu karang (Alzahra 2019).

Gambar 1 Lokasi penelitian

B. Algoritma
Klasifikasi citra merupakan proses pengelompokan seluruh piksel pada suatu citra
kedalam kelompok-kelompok sehingga dapat dinterpretasikan sebagai sesuatu yang lebih
spesifik. Klasifikasi citra bertujuan untuk mendapatkan gambaran atau peta tematik yang
berisikan bagian-bagian yang menyatakan suatu objek atau tema (Purwanto dan
Lukiawan 2019). Klasifikasi citra terbagi menjadi dua , yaitu : visual dan digital.
Klasifikasi visual merupakan klasifikasi yang mengelompokkan nilai piksel berdasarkan
kenampakan objek pada citra (contohya digitasi), sedangkan klasifikasi digital
merupakan pengelompokkan nilai piksel pada citra ke dalam beberapa kelas
menggunakan algoritma (contohnya supervised dan unsupervised). Dalam praktikum kali
ini kita menggunakan klasifikasi digital (supervised dan unsupervised).
Klasifikasi terbimbing (supervised) merupakan metode yang diperlukan untuk
mentransformasikan data citra multispektral ke dalam kelas-kelas unsur spasial dalam
 bentuk informasi tematis. Metode klasifikasi terbimbing diawali dengan pembuatan
daerah contoh untuk menentukan penciri kelas (Marini 2014 dalam Purwanto dan
Lukiawan 2019). Keunggulan klasifikasi supervised adalah memiliki kontrol terhadap
informational classes berdasarkan training sampel, dan adanya kontrol terhadap
keakuratan klasifikasi. Kekurangannya adalah interpretasi data dipaksakan, pemilihan
training sampel belum tentu representatif, dan adanya kelas spektral yang tidak
teridentifikasi (Septiani et al. 2019).
Klasifikasi tidak terbimbing (unsupervised) merupakan klasifikasi dengan
pembentukan kelasnya sebagian besar dikerjakan oleh computer (Riswanto 2009 dalam
Purwanto dan Lukiawan 2019). Keunggulan klasifikasi unsupervised adalah kesalahan
operator diminimalisir dan unique classes dianggap sebagai distinct units.
Kekurangannya adalah korespondensi yang tidak jelas terhadap informational classes,
kontrol yang terbatas terhadap classes, dan spectral classes tidak konstan (Septiani et al.
2019).

C. Hasil
Klasifikasi yang digunakan dalam praktikum kali ini adalah klasifikasi digital
supervised dan unsupervised. Dalam klasifikasi supervised digunakan algoritma
maximum likelihood dan minimum distance sedangakan dalam klasifikasi unsupervised
digunakan ISO DATA dan K-means.

Gambar 2 Klasifikasi supervised Gambar 3 Klasifikasi supervised

(maximum likelihood) (minimum distance)

Terlihat perbedaan yang sangat jelas antara maximum likelihood dan minimum
distance. Hasil dari maximum likelihood memiliki warna yang lebih bervariatif
dibandingkan dengan minimum distance. Maximum likelihood memiliki keunggulan
dengan cara mengevaluasi kuantitatif varian maupun korelasi pola tanggapan spektral
pada saat mengklasifikasi piksel yang tidak dikenal (Septiani et al. 2019).
 Gambar 4 Klasifikasi unsupervised Gambar 5 Klasifikasi unsupervised
ISO DATA (iteration 1) ISO DATA (iteration 3)

Gambar 5 Klasifikasi unsupervised Gambar 7 Klasifikasi unsupervised

K-means (iteration 1) K-means (iteration 3)

Pada gambar diatas, kelas dibuat sama yaitu dengan minimum kelas 5 dan
maksimum kelas 10. Terlihat perbedaan yang sangat jelas antara penggunaan algoritma
ISO DATA dan K-means. Pada ISO DATA warna yang dihasilkan lebih bervariatif
dibandingkan dengan K-means. Selain itu pengulangan (iteration) juga dapat
memengaruhi hasil akhir dari klasifikasi. Semakin besar nilai iterasi akan semakin banyak
pula warna atau klasifikasi yang akan dihasilkan atau semakin detail. ISODATA memiliki
keunggulan dalam proses iterasinya, namun K-means memiliki keunggulan dalam proses
pengklasifikasian karakteristik objek dan tidak terpengaruh terhadap urutan objek yang
digunakan (Septiani et al. 2019).

D. Referensi
Alzahra B. 2019. Pemetaan spasial temporal habitat bentik dan perubahan luasan padang
lamun berbasis piksel di perairan gili petarando [skripsi]. Bogor (ID) : Institut
Pertanian Bogor (IPB).
Marini Y. (2014). Perbandingan Metode Klasifikasi Supervised Maximum Likelihood
dengan Klasifikasi Berbasis Objek Untuk Inventarisasi Lahan Tambak di
Kabupaten Maros. Seminar. Bogor: LAPAN.
Purwanto EH, Lukiawan R. 2019. Parameter teknis dalam usulan standard pengolahan
penginderaan jauh : metode klasifikasi terbimbing. Jurnal Standardisasi.
21(1):67-78.
Riswanto E. (2009). Evaluasi akurasi klasifikasi penutupn lahan menggunkan citra alos
palsar resolusi rendah studi kasus di Pulau Kalimantan [skripsi]. Bogor (ID) :
Institut Pertanian Bogor (IPB).
Septiani R, Citra IPA, Nugraha ASA. 2019. Perbandingan metode supervised
classification dan unsupervised classification terhadap penutup lahan di kabupaten
buleleng. Jurnal Geografi. 16(2):90-96.