Nama : Yesica Tumim Siburian

NIM : 119230089

Kelas :A

1. Index Parabilitas merupakan sebuah penggambaran dari ukuran data seperti

(Range,Mean,Standar Deviasi dan Nilai Standar. Index Parabalitas juga berfungsi sebagai
derajat penyebaran suatu nilai-nilai variable dari suatu tendensi sentral dalam suatu
distribusi.Range mempunyai kelemahan yaitu dengan tidak memenuhi definisi penyebaran
nilai-nilai atau tidak menunjukan bentuk distribusi.

2.

 Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral. Batas-batas keputusan merupakan
parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan
berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih. (Hamli,
2015)
 Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing
dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-
rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak
terklasifikasi jika tidak memenuhi kriteria yang dipilih. (Hamli, 2015)
 Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya
didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik
kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan.
Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu,
"maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas
yang ditentukan, piksel tetap tidak terklasifikasi. (Hamli, 2015)
3.

Isodata K-means
Kelebihan Keunggulan
Kesalahan operator diminimalisir dan Dalam proses pengklasifikasian
unique class dianggap sebagai distinct units karakteristik objek dan tidak terpengaruh
(Cahyono, Febriawan, & Nugroho, 2019; terhadap urutan objek yang digunakan dan
Septiani, Citra, & Nugraha, 2019. metode ISODATA memiliki keunggulan
dalam proses iterasinya.
Kekurangan
Korespondensi yang tidak jelas terhadap Kekurangan
informational classes, kontrol terbatas - Bila jumlah data tidak terlalu
terhadap classes, dan spatial classes tidak banyak, mudah untuk menentukan
konstan. cluster awal.
- Jumlah cluster, sebanyak K, harus
ditentukan sebelum dilakukan
perhitungan
- Tidak pernah mengetahui real cluster
dengan menggunakan data yang
sama, namun jika dimasukkan
dengan cara yang berbeda mungkin
dapat memproduksi cluster yang
berbeda jika jumlah datanya sedikit