LAPORAN PRAKTIKUM IV

GD 319 PENGOLAHAN CITRA DIGITAL

KLASIFIKASI CITRA TERBIMBING

Tanggal Penyerahan : 30 November 2016

Disusun Oleh :

Kelompok : 7 (Tujuh)

Achmad Faisal Marasabessy / 23-2013-052

Kelas : B

Nama Asisten :

1. Panji Pradhikta Wahyudi 23-2013-152

2. Anjar Hermawan 23-2013-118

LABORATORIUM SISTEM INFORMASI SPASIAL

JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2016
 DAFTAR ISI

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Maksud dan Tujuan Praktikum ................................................................. 1

1.2 Tempat dan Waktu Pelaksanaan Praktikum ............................................. 1

BAB II DASAR TEORI ........................................................................................ 2

2.1 Klasifikasi ................................................................................................. 2

2.2 Klasifikasi Terbimbing (Supervised) ........................................................ 2

2.2.1 Parallelepiped............................................................................................ 2

2.2.2 Maksimum Likelihood .............................................................................. 2

2.2.3 Minimum Distance ................................................................................... 3

2.3 Region of Interest (ROI) ........................................................................... 3

BAB III PELAKSANAAN PRAKTIKUM ......................................................... 4

3.1 Langkah Pelaksanaan Klasifikasi Metode Supervised ............................. 4

BAB IV HASIL DAN ANALISIS ........................................................................ 8

4.1 Hasil Klasifikasi Supervised ..................................................................... 8

BAB V KESIMPULAN ....................................................................................... 10

DAFTAR PUSTAKA
 Pengolahan Citra Digital: Klasifikasi Citra Supervised

BAB I
PENDAHULUAN
1.1 Maksud dan Tujuan Praktikum
Maksud dan tujuan dari praktikum ini diantaranya :
1) Dapat melakukan klasifikasi terbimbing dan tak terbimbing menggunakan
Envi.
2) Dapat mengetahui perbedaan metode Parallelepiped, Maksimum Likelihood,
dan Minimum Distance dalam klasifikasi supervised.
3) Dapat menganalisis hasil dari klasifikasi Supervised.

1.2 Tempat dan Waktu Pelaksanaan Praktikum

Praktikum ini dilaksanakan pada:
Hari/Tanggal : Kamis, 24 November 2016
Pukul : 15.00 WIB - Selesai
Tempat : Laboratorium Sistem Informasi Spasial ITENAS

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 1

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

BAB II
DASAR TEORI
2.1 Klasifikasi
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).

2.2 Klasifikasi Terbimbing (Supervised)

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 piksel diperbandingkan
dengan klaster diskret untuk melihat untuk piksel-piksel 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.

2.2.1 Parallelepiped
Proses ini dimulai dari piksel baris 1 kolom 1, sampai baris terakhir kolom
terakhir. Piksel yang bersangkutan masuk ke salah satu kotak sampel maka piksel ini
diklasifikasikan sebagai kelas yang menandai kotak tersebut. Itulah sebabnya
klasifikasi parallepiped disebut klasifikasi box.

2.2.2 Maksimum Likelihood

Merupakan algoritma yang secara statistik paling mapan. Kalau algoritma lain
didasari oleh pengukuran jarak antara koordinat gugus sampel dengan koordinat
Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 2
 Pengolahan Citra Digital: Klasifikasi Citra Supervised

piksel kandidat, maka algoritma kemungkinan maksimum menggunakan dasar

perhitungan probabilitas.

2.2.3 Minimum Distance

Algoritma Minimum Distance membutuhkan suatu nilai ambang sehingga bila
semua jarak yang dihitung ternyata tidak ada yang memenuhinya, piksel yang
bersangkutan akan dianggap tak terklasifikasi. Kelemahan cara ini tidak
mempertimbangkan variabilitas kelas.

2.3 Region of Interest (ROI)

Pengolahan ROI (Region Of Interest) diperlukan untuk mengetahui nilai
kuantitatif densitas optik dari ROI, misalkan untuk mengetahui BMD nya citra
sehingga dapat dimanfaatkan untuk diagnosa osteoporosis. Sebuah ”Region Of
Interest” adalah bagian dari citra yang ingin disaring (filter) untuk membentuk
beberapa operasi terhadapnya (Wijaya, 2007).

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 3

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

BAB III
PELAKSANAAN PRAKTIKUM
3.1 Langkah Pelaksanaan Klasifikasi Metode Supervised

No. Gambar Keterangan

1. Buka ENVI lalu pilih
citra satelit tahun 2004.

2. Tampilkan citra dengan

cara klik Load RGB

3. Kemudian buka lagi citra

satelit tahun 2010.

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 4

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

4. Buat display baru lalu

klik Load RGB.

5. Pada menu bar, pilih

Basic Tools  Region
of Interest  ROI Tool.

6. Pada menu ini, kita akan

memulai mengklasifikasi
dengan membuat ROI
pertama-tama, tentukan
nama dan warna.

7. Dijit pada citra tahun

2010. Jika semua telah
terdijitasi sesuai dengan
karakteristik, maka klik
File  Save ROIs.

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 5

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

8. Klik Select All Items

kemudian pilih lokasi
penyimpanan dan nama
file ROI, lalu klik OK.

9. Setelah itu kita akan

mengklasifikasi dengan
beberapa metode, antara
lain yang akan dilakukan
adalah metode Minimum
Distance, dengan cara
pilih Classification 
Supervised 
Minimum Distance.
10. Kemudian pilih semua
item, tentukan lokasi
penyimpanan dan nama
file, kemudian klik OK.

11. Tunggu hingga proses

klasifikasi selesai.

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 6

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

12. Jika proses tadi telah

selesai, buat Display baru
lalu klik Load RGB
untuk menampilkan citra
hasil klasifikasi tadi.
Lakukan klasifikasi
dengan cara yang sama
pada metode-metode
klasifikasi yang tersedia.

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 7

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

BAB IV
HASIL DAN ANALISIS
4.1 Hasil Klasifikasi Supervised
A. Parallelepiped

Gambar 1. Klasifikasi Citra Terbimbing Metode Parallelepiped

B. Maksimum Likelihood

Gambar 2. Klasifikasi Citra Terbimbing Metode Maximum Likelihood

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 8

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

C. Minimum Distance

Gambar 3. Klasifikasi Citra Terbimbing Metode Minimum Distance

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 9

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

BAB V
KESIMPULAN

Dari praktikum ini, saya dapat menyimpulkan bahwa:

1. Dapat melakukan klasifikasi terbimbing menggunakan software ENVI.
2. Dapat mengetahui perbedaan metode Parallelepiped, Maximum
Likelihood, dan Minimum Distance dalam klasifikasi terbimbing
(Supervised).
3. Dapat menganalisis hasil dari klasifikasi menggunakan beberapa metode
dari supervised.

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 10

 Pengolahan Citra Digital: Klasifikasi Citra Supervised

DAFTAR PUSTAKA

Permana A. (2014), Klasifikasi Citra. Diakses pada tanggal 30 November 2016 di:
http://www.academia.edu/10154126/Klasifikasi_citra

Budi Suryo, A. (2013), Studi Perubahan Tutupan Lahan Das Ciliwung Dengan Metode
Klasifikasi Terbimbing Citra Landsat ETM 7+ Multi Temporal Tahun 2001 &
2008. Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut
Teknologi Sepuluh Nopember, Surabaya.

Nur Hidayah, A. (2009), Rekayasa Perangkat Lunak Pengolahan Citra Dan Analisis
Perilaku Intensitas Pixel ROI (Region of Interest) Citra Radiografi Sinar-X.
Universitas Diponegoro, Semarang.

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B 11