net/publication/346398303
CITATION READS
1 5,382
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Luhur Moekti Prayogo on 26 November 2020.
ISBN: 978-623-278-093-4
Penulis:
Merupakan software
ENVI 4.8 dengan versi
yang lebih baru
daripada ENVI versi
sebelumnya. Mirip
ENVI Versi 4.8
dengan ENVI Classis,
software ini dapat di
install di windows 64
bit
Merupakan software
ENVI versi 5.2 yang
ENVI 5.2 (64 bit)
merupakan ENVI versi
terbaru. Disarankan
untuk di install pada
windows 64 bit
Sumber:
https://bentangalamhutantropis.fkt.ugm.ac.id/2016/10/10/en
vi/
Sumber: http://www.info-
geospasial.com/2017/02/mengenal-metode-klasifikasi-tidak-
terbimbing-dan-metode-terbimbing-di-envi.html
(Muhsoni F, 2014)
b. Indeks Separability
Ø Pada jendela ROI Tool > Options > Compute ROI
Separability
Ø Kemudian pilih citra yang digunakan untuk training
area > klik OK
Ø Pada jendela ROI Separability Calculation > pilih ROI
yang akan diuji > klik OK
Ø Berikut tampilan hasil uji dengan nilai
Keterangan:
- Nilai Jeffries-Matusita, Transformed Divergence
- Nilai tersebut mempunyai rentang dari 0 s.d 2
- Mendekati 2, keterpisahan objek semakin baik
- Sebaliknya jika nilai mendekati 0, keterpisah objek
tidak baik
- Nilai rata” yang dihasilkan mendekati 2 (keterpisahan
sangat baik)
B. Minimum Distance
Ø Menu bar > Classification > Supervised > Minimum
Distance
Ø Pada jendela classification input file > pilih citra yang
akan diklasifikasi
Ø Klik Spatial subset jika ingin crooping citra > klik OK
Ø Pada jendela Minimum Distance Parameters > pilih
ROI > mengatur standart deviasinya (None/ Single
Value/ Multiple Values) dan max stdev à lebih jelas
lihat pada ENVI Help
Ø Kemudian tentukan output file dan rule (File/
memory) dan
Ø Klik OK
Hasil Klasifikasi Metode Minimum Distance
C. Mahalonobis Distance
Ø Menu bar > Classification > Supervised > Mahalonobis
Distance
Ø Pada jendela classification input file > pilih citra yang
akan diklasifikasi
Ø Klik Spatial subset jika ingin crooping citra > klik OK
Ø Pada jendela Mahalonobis Distance Parameters > pilih
ROI > mengatur standart deviasinya (None/ Single
Value/ Multiple Values) dan max stdev à lebih jelas
lihat pada ENVI Help
Ø Kemudian tentukan output file dan rule (File/
memory) dan
Ø Klik OK
Hasil Klasifikasi Metode Mahalonobis Distance
D. Maximum Likelihood
Ø Menu bar > Classification > Supervised > Maximum
Likelihood
Ø Pada jendela classification input file > pilih citra yang
akan diklasifikasi
Ø Klik Spatial subset jika ingin crooping citra > klik OK
Ø Pada jendela Maximum Likelihood Parameters > pilih
ROI > mengatur standart deviasinya (None/ Single
Value/ Multiple Values) dan max stdev à lebih jelas
lihat pada ENVI Help
Ø Kemudian tentukan output file dan rule (File/
memory) dan
Ø Klik OK
Hasil Klasifikasi Metode Maximum Likelihood
ANN-1
Akurasi: 98.07%
Kappa: 0.95
ANN-2
Akurasi: 99.17%
Kappa: 0.98
ANN-3
Akurasi: 99.17%
Kappa: 0.98
ANN-4
Akurasi: 97.24%
Kappa: 0.94
ANN-5
Akurasi: 86.22%
Kappa: 0.68
ANN-6
Akurasi: 86.50%
Kappa: 0.69
3.2 Klasifikasi Tidak Terbimbing (Unsupervised)
Klasifikasi tidak terbimbing (Unsupervised) adalah
klasifikasi dimana seluruh pekerjaan pengkelasan tanpa
campur tangan user. Unsupervised menyerahkan seluruh
pekerjaan pada algoritma pengkelasan pada PC.
Sumber: http://www.info-geospasial.com/2017/02/mengenal-
metode-klasifikasi-tidak-terbimbing-dan-metode-terbimbing-
di-envi.html
ISODATA Parameters
K-Means Parameters
Hasil klasifikasi
Unsupervised metode K- Hasil Distribusi Kelas
Means
Kelas Vegetasi
Kelas Bangunan
Kelas Campuran
4. Kemudian membuat rule setiap kelas dengan melihat
nilai band statistik Band 1 sampai Band 3 setiap kelas.
Berikut contoh rule setiap kelas yang dibuat dari
histogram diatas:
Campuran
Band Laut Vegetasi Bangunan (Tambak,
Kolam)
Band 4 7252- 6693- 7793- 12741-
(Red) 9017 9061 10975 26078
Band 3 8970- 8023- 8543- 12268-
(Green) 9900 9919 10620 22377
Band 2 9738- 8595- 9324- 11604-
(Blue) 10459 9865 11125 20068
Kelas Rule
b1 gt 7252 and b2 gt 8970 and b3 gt 9738 and b1 lt
Laut
9017 and b2 lt 9900 and b3 lt 10459
b1 gt 6693 and b2 gt 8023 and b3 gt 8595 and b1 lt
Vegetasi
9061 and b2 lt 9919 and b3 lt 9865
b1 gt 7793 and b2 gt 8543 and b3 gt 9324 and b1 lt
Bangunan
10975 and b2 lt 10620 and b3 lt 11125
Campuran b1 gt 12741 and b2 gt 12268 and b3 gt 11604 and
(Tambak, b1 lt 26078 and b2 lt 22377 and b3 lt 11604
Kolam)
𝑃 − 𝐼𝑊 ∗ 𝐼
𝐷𝑁𝐹 =
𝑅𝑊 ∗ 𝑅 + 𝐺𝑊 ∗ 𝐺 + 𝐵𝑊 ∗ 𝐵
Keterangan :
P = Panchromatic Image
R = Red band
G = Green band
B = Blue band
I = Near infrared
W = weight
𝐶𝑁/01234546789:
𝐼𝑛𝑝𝑢𝑡𝐵𝑎𝑛𝑑 𝑆ℎ𝑎𝑟𝑝𝑒𝑛𝑖𝑛𝑔𝐵𝑎𝑛𝑑 − 𝑁𝑢𝑚 𝐵𝑎𝑛𝑑𝑠 𝐼𝑛_𝑆𝑒𝑔𝑚𝑒𝑛𝑡
=
𝐼𝑛𝑝𝑢𝑡𝐵𝑎𝑛𝑑 𝑆ℎ𝑎𝑟𝑝𝑒𝑛𝑖𝑛𝑔𝐵𝑎𝑛𝑑 + 𝑁𝑢𝑚 𝐵𝑎𝑛𝑑𝑠 𝐼𝑛_𝑆𝑒𝑔𝑚𝑒𝑛𝑡
−1 −1 −1
(𝑖) = M−1 8 −1P … . . S = 0
−1 −1 −1
0 −1 0
(𝑖𝑖) = M−1 5 −1P … . . S = 1
0 −1 0
1 2 1
(𝑖𝑖𝑖) = M−2 5 −2P … . . S = 1
1 −2 1
Berikut tampilan citra High Pass kernel 3x3 dan 7x7 dengan
Image Add Back 35:
Kernel 3x3 - Image Add Back Kernel 7x7 - Image Add Back
35 35
Kernel 3x3 - Image Add Back Kernel 7x7 - Image Add Back
35 35
Terlihat bahwa LPF dengan kernel 7x7, citra yang dihasilkan
lebih blur dibandingkan kernel 3x3.
Kernel 3x3 - Image Add Back Kernel 5x5 - Image Add Back
40 40
Berikut tampilan citra hasi High Pass Gaussian kernel 7x7 dan
11x11 dengan Image Add Back 50:
Kernel 7x7 - Image Add Back Kernel 11x11 - Image Add
50 Back 50
Berikut tampilan citra hasi Low Pass Gaussian kernel 3x3 dan
11x11 dengan Image Add Back 50:
Kernel 3x3 - Image Add Back
Kernel 11x11 - Image Add Back 50
50
Berikut tampilan citra hasi Median Filter kernel 3x3 dan 17x17
dengan Image Add Back 50:
Kernel 3x3 - Image Add Back Kernel 17x17 - Image Add
50 Back 50
Berikut tampilan citra hasil Sobel Filter 3x3 dengan Image Add
Back 30 dan 1:
Kernel 3x3 - Image Add Back Kernel 3x3 - Image Add Back
30 1
Skewness
Homogeneity Contrast
Dissimilarity Entropy
Second Moment Correlation
a. Lee
b. Enhanced Lee
c. Frost
d. Enhanced Frost
e. Gamma
f. Kuan
g. Local Sigma
h. Bit Errors
5.3.1 Lee
Lee filtering adalah filter berdasarkan standar deviasi
(sigma) yang memfilter data berdasarkan statistik yang
dihitung dalam jendela filter individual. Berikut langkah-
langkah dalam melakukan filterisasi dengan menggunakan
metode Lee Filter:
0.523 2
𝐶Z = 𝑑𝑎𝑛 𝐶^1_ `1 +
√𝐿 𝐿
(IG: @luhur.moekti.prayogo)