TutorialPraktisENVI5 2

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/346398303
Tutorial Praktis ENVI Versi 5.2 - [Classic]
Book · November 2020
CITATION READS
1 5,382
1 author:
Luhur Moekti Prayogo

Universitas PGRI Ronggolawe
155 PUBLICATIONS 70 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
MIYANG Journal View project
Lecturer View project
All content following this page was uploaded by Luhur Moekti Prayogo on 26 November 2020.
The user has requested enhancement of the downloaded file.

Tutorial Praktis ENVI Versi 5.2
[Classic]
Penerbit: Farha Pustaka
ISBN: 978-623-278-093-4
Penulis:
Luhur Moekti Prayogo, S.Si

KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Allah Subhanahu
wa Ta'ala, karena berkat limpahan karunia-Nya, penulis dapat
menyelesaikan penulisan buku yang berjudul “TUTORIAL
PRAKTIS ENVI Versi 5.2 [Classic]”. Didalam penyusunan buku
ini penulis telah berusaha semaksimal mungkin sesuai dengan
kemampuan penulis. Tetapi sebagai manusia biasa, penulis tak
luput dari kesalahan ataupun kekhilafan baik pada segi teknik
penulisan ataupun tata bahasa itu sendiri.
Kami menyadari tanpa suatu arahan dari guru
pembimbing serta masukan – masukan dari berbagai pihak
yang telah membantu, Mungkin kami tidak bisa
menyelesaikan TUTORIAL PRAKTIS ENVI Versi 5.2 [Classic] ini
tepat waktu. TUTORIAL PRAKTIS ENVI Versi 5.2 [Classic] ini
dibuat sedemikian rupa semata-mata hanya untuk
membangkitkan kembali minat baca para akademisi maupun
umum serta sebagai motivasi dalam berkarya khususnya pada
karya tulis. Maka dengan kerendahan hati penulis hanya bisa
menyampaikan ucapan terima kasih kepada semua pihak yang
terlibat dalam proses penyelesaian ini.
Sekian semoga tulisan ini dapat bermanfaat dan mudah
dipahami bagi penulis khususnya serta para pembaca pada
umumnya.
Ponorogo, 7 Mei 2020
Luhur Moekti Prayogo, S.Si

DAFTAR ISI
KATA PENGANTAR ............................................................................. 2

DAFTAR ISI ......................................................................................... 3
DAFTAR GAMBAR .............................................................................. 6
DAFTAR TABEL ................................................................................... 7
BAB I PENDAHULUAN ........................................................................ 8
1.1 Sejarah ENVI ............................................................................ 8
1.2 Fungsi ENVI .................................................................... 10
1.3 Cara Penggunaan Buku .......................................................... 10
1.4 Struktur Isi Buku ............................................................. 11
BAB II MENGGUNAKAN ENVI .......................................................... 12
2. 1 Membuka dan Menampilkan Citra ................................ 12
2.2 Menyimpan Citra ........................................................... 14
2.3 Menggabungkan Band dan Memotong Citra ................. 14
2.4 Resampling Citra (Konsep BIT) ....................................... 16
2.5 Compute Statistic ........................................................... 19
BAB III KLASIFIKASI CITRA ................................................................ 20
3.1 Klasifikasi Terbimbing (Supervised)................................ 20
3.1.1 Membuat Training Area (ROI).................................... 20
3.1.2 Menguji ROI ............................................................... 22
3.1.3 Melakukan Klasifikasi Supervised .............................. 24
3.1.4 Melakukan Uji Klasifikasi ........................................... 49
3.2 Klasifikasi Tidak Terbimbing (Unsupervised) .................. 51
3.3 Decision Tree (DT) .......................................................... 54
BAB IV TRANSFORMASI CITRA ......................................................... 65
4.1 Image Sharpening (Image Fusion/ Pansharp) .................... 65
4.1.1 Color Normalized (Brovey) ............................................. 66
4.1.2 HSV (Hue Saturation Value) ............................................ 69
4.1.3 Gram-Schimudt Spectral Sharpening ............................. 71
4.1.4 PC Spectral Sharpening................................................... 74
4.1.5 CN Spectral Sharpening .................................................. 76
4.2 Menghitung Ratio Band...................................................... 78
4.3 Color Transform ................................................................. 79
4.3.1 Transforming HSV, HLS, or USGS Munsell HSV to RGB
80
4.3.2 Transforming RGB to HSV, HLS, or USGS Munsell HSV
80
BAB V FILTERISASI CITRA ................................................................. 82
5.1 Convolution and Morphology Filters ............................. 82
5.1.1 High Pass Filter (HPF) ................................................. 83
5.1.2 Low Pass Filter (LPF) .................................................. 85
5.1.3 Laplacian Filter ........................................................... 88
5.1.4 Directional Filter ........................................................ 90
5.1.5 High Pass Gaussian .................................................... 92
5.1.6 Low Pass Gaussian ..................................................... 94
5.1.7 Median Filter ............................................................. 96
5.1.8 Sobel Edge Detector .................................................. 98
5.1.9 Roberts Edge Detector............................................. 100
5.1.10 User-Defined Convolution ................................... 102
5.2 Texture Filters .............................................................. 104
5.2.1 Occurrence Measures .............................................. 104
5.2.2 Co-Occurrence Measures ........................................ 107
5.3 Adaptive Filters ............................................................ 113
5.3.1 Lee ........................................................................... 114
5.3.2 Enhanced Lee (Radar) .............................................. 116
5.3.3 Frost (Radar) ............................................................ 117
5.3.4 Enhanced Frost (Radar) ........................................... 118
5.3.5 Gamma (Radar) ........................................................ 119
5.3.6 Kuan (Radar) ............................................................ 120
5.3.7 Local Sigma .............................................................. 121
5.3.8 Bit Errors .................................................................. 123
DAFTAR PUSTAKA .......................................................................... 126
TENTANG PENULIS ........................................................................ 131
DAFTAR GAMBAR
Gambar 1. Cara kerja klasifikasi supervised ................................... 20
Gambar 2. Prinsip Klasifikasi ANN/ Neural Net (ESA, 2009) ........... 40
Gambar 3. Konsep klasifikasi unsupervised ................................... 51
Gambar 4. Prinsip Metode HSV (Hue Saturation Value) ................ 69
Gambar 5. Prinsip Filter Laplacian (Yasiran dkk, 2012) .................. 88
Gambar 6. Konsep filter Co-Occurrence ....................................... 108
Gambar 7. Simulasi Kernel 3x3 pada filter Co-Occurrence........... 109
Gambar 8. Co-Occurrence Matrix................................................. 109
DAFTAR TABEL
Tabel 1. Versi ENVI saat ini ............................................................... 9
Tabel 2. Format data yang didukung .............................................. 13
Tabel 3. Hubungan BIT dengan nilai DN (Digital Number) ............. 16
Tabel 4. Uji Klasifikasi Confusion Matrix......................................... 49
Tabel 5. Nilai band 1, 2, 3 setiap kelas............................................ 58
Tabel 6. Rule untuk klasifikasi Decision Tree .................................. 58
Tabel 7. Deskripsi Band Citra Landsat-8 OLI ................................... 65
BAB I PENDAHULUAN
1.1 Sejarah ENVI
Software ENVI (The Environment for Visualizing Images)
merupakan salah satu software pengolahan data citra yang
paling populer yang diproduksi oleh Research System, Inc
(RSI). Pada tahun 1977, David Stern, yang bekerja di University
of Colorado mengembangkan bahasa pemrograman yang
disebut Mariner Mars Spectral Editor, yang kemudian
berevolusi menjadi IDL, (Interactive Data Language), untuk
melengkapi FORTRAN, khusus untuk analisis dan visualisasi
data pada waktu itu. Ketika visinya berkembang, Stern
meninggalkan bangku kuliahnya dan mulai bekerja sendiri di
rumahnya untuk meningkatkan bahasa pemograman tersebut.
Dia menggabungkan RSI dan merilis IDL sebagai bahasa
pemrograman untuk memvisualisasikan data. NASA adalah
salah satu pelanggan awal ketika itu.
Pada tahun 1994, ENVI ditulis dalam IDL berbasis teks
dan memungkinkan serangkaian antarmuka pengguna grafis
yang berspesialisasi dalam analisis citra penginderaan jauh.
RSI diakuisisi oleh Eastman Kodak sebagai anak perusahaan
yang sepenuhnya dimiliki pada tahun 2000. Empat tahun
kemudian, RSI bersama dengan divisi Sistem Penginderaan
Jauh Eastman Kodak, dijual ke ITT Corporation dan berganti
nama menjadi ITT Visual Information Solutions. Pada tahun
2011, ITT Corporation dibagi menjadi tiga perusahaan mandiri,
dan ITT Visual Information Solutions menjadi bagian dari Exelis
Inc. bersama dengan ITT Defense and Information Solutions.
Pada 2015 Exelis Visual Information Solutions dibeli oleh
Harris Corporation, menjadi Harris Geospatial Solutions.
Tabel 1. Versi ENVI saat ini
Versi Software Ikon Keterangan

Merupakan ENVI versi
lama yaitu 4.8 atau
yang disebut juga
ENVI Classic 32 dengan ENVI Classic.
bit (5.2) Software versi ini dapat
di install di windows 32
bit maupun 64 bit
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/
1.2 Fungsi ENVI

a. Pengolahan citra,
b. Klasifikasi citra,
c. Pengolahan data hiperspektral,
d. Pengolahan data citra radar,
e. Pemetaan
f. Display management,
g. Spectral tools,
h. Filters,
i. Topographic tools, dan
j. Radar Tool
1.3 Cara Penggunaan Buku

Bagi para pengguna software ENVI Classic harap
memperhatikan cara penggunaan buku ini, karena
keberhasilan para pengguna dalam menggunakan buku ini
tergantung pada pengguna sendiri serta arahan dari penulis.
Buku ini berisi mengenai pengenalan tools dan dasar
pengolahan citra digital. Meski pengguna menggunakan ENVI
versi dibawahnya atau diatasnya, maka sebagian besar fungsi
tools hampir mirip, hanya saja tata letak tempat yang berbeda
serta penambahan beberapa tool yang mungkin belum ada di
ENVI versi dibawah 5.2. Pengenalan tools beserta fungsinya
harus dipahami terlebih dahulu, agar para pengguna tidak
kebingungan dalam menggunakan software ini dan bisa
mengikuti tutorial ENVI selanjutnya. Buku ini ditujukan untuk
pemula.
1.4 Struktur Isi Buku

Buku ini memuat informasi mengenai dasar-dasar dalam
penggunaan software ENVI Classic 5.2 yang meliputi
pengenalan tools dan dasar pengolahan citra digital. Proses ini
mencangkup beberapa analisa antara lain: high-pass filter,
low-pass filter, penajaman spasial, layer stacking, croping citra
dan lain-lain. Buku ini diharapkan menjadi buku refrensi bagi
pembaca yang ingin mendalami cara penggunaan software
ENVI Classic ini.
BAB II MENGGUNAKAN ENVI
2. 1 Membuka dan Menampilkan Citra
Pertama yang harus dilakukan sebelum melakukan
pengolahan citra, yaitu dapat membuka dan menampilkan
data yang akan kita olah nantinya.
Ø Dapat memilih salah satu opsi dibawah ini:
Ø Opsi 1: Menu Bar, kemudian pilih File > Open
Image File
Ø Opsi 2: Available Files List pada Menu Bar, pilih File
> Open New File
Ø Opsi 3: Available Bands List pada Menu Bar, pilih
File > Open Image File
Ø Dari Dialog Input File, Klik Open > New File
Ø Pilih Citra yang akan ditampilkan
Ø Klik Open. Citra akan tertampil pada Available bands
list
Menu Bar Available Tampilan Citra Landsat-8 OLI
Bands List wilayah Surabaya Utara
ENVI membatasi format data dalam penggunaannya. Berikut

adalah tipe-tipe format data yang dapat didukung oleh
software ini:
Tabel 2. Format data yang didukung
Format Keterangan Detil

.txt dan .met à
pada Citra Landsat,
*_.metadata.txt à
MRLC (.dda) -
pada Citra GeoEye-
1,
*_.metadata.xml à
pada Citra
RapidEye)
GeoTIFF MAS-50 TIFF
BMP JPEG NLAPS
AVHRR HDF SeaWIFS MrSID
2.2 Menyimpan Citra

Menggunakan Save File As untuk membuat file standart
ENVI Classic atau metafile dari band yang tersedia pada
Available Band List. Pengguna juga dapat menyimpan citra
dalam format ASCII (.txt) file. Catatan: Pengguna hanya bisa
membuat file baru yang memiliki dimensi/ resolusi yang sama.
Pada ENVI Help dijelaskan dengan detail bagaimana
menyimpan data kedalam format standart ENVI.
2.3 Menggabungkan Band dan Memotong Citra

Penggabungan band (Layer Stacking) penting untuk
dilakukan karena untuk memudahkan pengguna dalam analisis
citra serta beberapa citra yang memiliki band-band terpisah
misalnya Landsat. Dalam beberapa kasus Indraja,
menggabungkan band dalam satu file wajib untuk dilakukan.
Berikut cara menggabungkan band pada citra Landsat-8 OLI
wilayah Surabaya Utara:
Ø Menu Bar Basic Tools > Layer Stacking
Ø Klik Import File > Masukkan band-band yang akan
digabung
Ø Catatan: Klik Spatial Subset > Image > Drag > klik OK,
jika ingin crooping/ memotong citra hasil stacking
Ø Kemudian klik OK pada jendela Layer Stacking Input
File
Ø Pada Output Result, jika citra ingin disimpan dalam
sistem pilih memory. Selanjutnya jika citra ingin
disimpan dalam bentuk file pilih File > Choose > pilih
lokasi penyimpanan dan memberi nama file > klik OK
Ø Pada jendela Output Map Projection pilih sistem
proyeksi yang digunakan, misalnya UTM > Datum WGS
84 > Unit Meters
Ø Selanjutnya pilih nomor Zona dan letak Zona (N atau S)
à sesuai citra yang digunakan
Ø Pilih salah metode resampling, misalnya Nearest
Neighbor (konsep ketetanggan). Ada Tiga metode
resampling (Nearest Neighbor, Bilinear, dan Cubic
Convolutin). Penjelasan terkait ini terdapat pada ENVI
Help
Ø Klik OK untuk proses stacking
Jendela Layer Stacking Parameters
Hasil Stacking pada Available Bands List
2.4 Resampling Citra (Konsep BIT)

BIT merupakan nilai derajat keabuan suatu citra.
Semakin tinggi nilai bit maka derajat keabuannya semakin
rapat. Pada umumnya citra yang kita peroleh/ download
berukuran 8 sampai 12 bit. Untuk lebih jelasnya berikut
konsep BIT pada citra:
Tabel 3. Hubungan BIT dengan nilai DN (Digital Number)
Nilai Rentang Nilai Contoh Derajat

Bit
(2n) DN Keabuan
8 28 0 - 255
7 27 0 - 127
6 26 0 – 63
5 25 0 – 31
4 24 0 - 15
3 23 0-7
2 22 0-3
0 = mati (hitam)
1 21 0 dan 1
1 = hidup (putih)
Sumber: Gispedia, 2016
Sebagai contoh citra Worldview 3 yang sudah dirubah
menjadi 4 bit yang berarti memiliki 16 tingkat kecerahan (0-
15). Nilai 0 untuk warna hitam yang merupakan sinyal
terlemah dan 15 untuk warna putih yang merupakan sinyal
terkuat. Bit dalam citra satelit dapat dikatakan sebagai derajat
keabuan yang dimiliki suatu citra.
Berikut langkah-langkah mengubah nilai bit pada citra:
Ø Menu Bar Basic Tools > Stretch Data
Ø Pada jendela Data Strect Input File, pilih citra yang
akan diubah nilai bit nya
Ø Catatan: Klik Spatial Subset untuk Memotong/
Crooping Citra > OK
Ø Kemudian pada jendela Data Stretching pilih metode/
Type Stretchingnya (Linear/ Equalize/ Gaussian/
Square Root)
Ø Pilih Strect Range (By Percent/ By Value)
Ø Kemudian pada output data range isi Min=0 dan Max
= sesuai bit citra yang diinginkan (2n)
Ø Selanjutnya tentukan lokasi penyimpanan (file/
memory), kemudian klik OK
Parameter pada jendela Data Streching
Hasil Stretching Citra 2, 4, dan 8 bit

2.5 Compute Statistic
Berikut beberapa langkah melihat nilai statistik citra:
Ø Pada layer citra, klik kanan > quick stats
Ø Menu bar > Basis Tools > Statistics > Compute
Statistics
Ø Pada jendela Compute Statistics Input File > pilih
citra yang akan dihitung nilai statistiknya > klik OK
Ø Pada jendela Compute Statistics Parameter > pilih
parameter yang akan ditampilkan (Basic Stats/
Histograms/ Covariance/ Covariance Image)
Ø Kemudian pilih hasil keluaran yaitu berupa file atau
hanya informasi yang tidak tersimpan > klik OK
Compute Statistics Hasil Nilai Statistics pada

Parameters Sampel Citra
BAB III KLASIFIKASI CITRA
3.1 Klasifikasi Terbimbing (Supervised)
Klasifikasi terbimbing (supervised) merupakan klasifikasi
berdasarkan training dari user yang biasanya berupa ROIs
(Region of Interest).
Gambar 1. Cara kerja klasifikasi supervised
Sumber: http://www.info-
geospasial.com/2017/02/mengenal-metode-klasifikasi-tidak-
terbimbing-dan-metode-terbimbing-di-envi.html
3.1.1 Membuat Training Area (ROI)

ROIs merupakan training yang dibuat pada citra untuk
memudahkan dalam klasifikasi. Biasanya ROIs dibuat setelah
proses masking atau klasifikasi tidak terbimbing.
Ø Tampilkan citra yang akan digunakan untuk training
area (Terkoreksi Radiometrik à akan dibahas di bab
selanjutnya)
Ø Cara 1: Menu bar > Basic Tools > Region of Interest
> ROI Tool
Ø Cara 2: Menu Overlay pada citra > Region of
Interest
Ø Pada jendela ROI Tool > tentukan Window yang akan
digunakan untuk lokasi penanda. Tips: Gunakan
Zoom agar mudah dalam membedakan objek
Ø Beri nama objek > lakukan training area (lebih
banyak sampel dengan ketelitian yang baik semakin
akurat ROI yang didapatkan)
Training Area – 5 kelas

Tampilan ROI pada citra Landsat-8
3.1.2 Menguji ROI
a. Menggunakan n-D Visualizer
Ø Exsport ROI dengan cara File > Exsport ROIs to
n-D Visualizer
Ø Pada select input data file > pilih citra training
area > klik OK
Ø Select all items (semua ROIs yang dibuat) > klik
OK
Ø Pada jendela n-D Control > pilih band
Ø Berikut dua contoh hasil uji n-D Visualizer
kategori baik dan kurang baik
Baik Kurang Baik
(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)
3.1.3 Melakukan Klasifikasi Supervised

A. Parallelepiped
Ø Menu bar > Classification > Supervised > Parallelpiped
Ø Pada jendela classification input file > pilih citra yang
akan diklasifikasi
Ø Klik Spatial subset jika ingin crooping citra > klik OK
Ø Pada jendela parallelepiped 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 Parallelepiped
Melihat distribusi kelas:

Ø Pilih overlay > classification > pada jendela baru pilih
citra hasil klasifikasi proses sebelumnya > klik OK
Ø Kemudian checklist kelas yang akan ditampilkan
distribusinya
Ø Kemudian pilih options > class distrbution
Jendela Interactive Class Tool
Hasil distribusi kelas metode klasifikasi parallepiped

Statistik Citra Hasil Klasifikasi Parallelepiped
Kemudian untuk menguji hasil klasifikasi dapat dilakukan

dengan cara:
Ø Menu bar > classification > post classification >
Confusion matrix > Using Ground Truth ROIs
Ø Kemudian pilih citra hasil klasifikasi > klik OK
Ø Kemudian pada jendela match classes parameters >
sesuaikan kelas pada citra dengan ROIs yang digunakan
> klik OK
Ø Pilih output matrix yang diinginkan (pixel/ percet)
Ø Kemudian tentukan report hasil perhitungan (file/
memory) > klik OK
Hasil Confusion Matrix Metode Parallelepiped menunjukkan
tingkat akurasi 78,0266 %
B. Minimum Distance
Ø Menu bar > Classification > Supervised > Minimum
Distance
akan diklasifikasi
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
memory) dan
Ø Klik OK
Hasil Klasifikasi Metode Minimum Distance
Melihat distribusi kelas :

distribusinya
Hasil distribusi kelas metode klasifikasi

Minimum Distance
Statistik Citra Hasil Klasifikasi Minimum Distance

dengan cara:
> klik OK
memory) > klik OK
Hasil Confusion Matrix Metode Minimum Distance
menunjukkan tingkat akurasi 74,3882 %
C. Mahalonobis Distance
Ø Menu bar > Classification > Supervised > Mahalonobis
Distance
akan diklasifikasi
Ø Pada jendela Mahalonobis Distance Parameters > pilih
memory) dan
Ø Klik OK
Hasil Klasifikasi Metode Mahalonobis Distance

distribusinya

Mahalonobis Distance
Statistik Citra Hasil Klasifikasi Mahalonobis Distance

dengan cara:
> klik OK
memory) > klik OK
Hasil Confusion Matrix Metode Minimum Distance
D. Maximum Likelihood
Ø Menu bar > Classification > Supervised > Maximum
Likelihood
akan diklasifikasi
Ø Pada jendela Maximum Likelihood Parameters > pilih
memory) dan
Ø Klik OK
Hasil Klasifikasi Metode Maximum Likelihood

distribusinya

Maximum Likelihood
Statistik Citra Hasil Klasifikasi Maximum Likelihood

dengan cara:
> klik OK
memory) > klik OK
Hasil Confusion Matrix Metode Maximum Likelihood
E. Neural Net/ Artificial Neural Networks Classification

ANN (Artificial Neural Networks) Dikembangkan oleh
McCulloch dan Pitts (1943).
Gambar 2. Prinsip Klasifikasi ANN/ Neural Net (ESA, 2009)
ANN adalah bentuk kecerdasan buatan yang meniru beberapa

fungsi otak manusia (ESA, 2009) yang terdiri dari input,
hidden, output yang berupa kelas-kelas (klasifikasi). Berikut
cara melakukan klasifikasi citra dengan metode ANN:
Ø Citra yang digunakan merupakan wilayah Sampang

(Terkoreksi Radiometrik) dan ROInya
Ø Menu bar > Classification > Supervised > Neural Net
akan diklasifikasi
Ø Pada jendela Neural Net Parameters > pilih ROI >
mengatur activation (Logistic/ Hyperbolic)
Ø Masukkan nilai Training Threshold Contributin,
Training Rate, dan Training Momentum
Ø Selanjutnya masukkan nilai Number of Hidden Layers,
Number of Training Intertions, Min Output Activation
Threshold (Point 5-7 à lebih jelasnya tentang
penggunaannya dapat dilihat di ENVI Help)
Ø Kemudian tentukan lokasi penyimpan (file/ memory)
dan Output Rule Imagesnya (file/ memory) > klik OK
Parameters Neural Net
Ø Berkut hasil percobaan dengan nilai parameter yang

berbeda dan akan dilakukan uji keakurasian hasil
(matrix confusion)
a. Parameters 1
Neural Net Parameters (1)

-
Hasil klasifikasi Neural Net (4

kelas) dengan parameter Hasil Distribusi Kelas dengan
diatas parameter diatas
b. Parameters 2

Hasil Distribusi Kelas dengan
kelas) dengan parameter
parameter diatas
diatas
c. Parameters 3

parameter diatas
diatas
d. Parameters 4

parameter diatas
diatas
e. Parameters 5

parameter diatas
diatas
f. Parameters 6
Hasil klasifikasi Neural Net

(4 kelas) dengan parameter
parameter diatas
diatas
3.1.4 Melakukan Uji Klasifikasi
Kemudian setelah melakukan klasifikasi, langkah
selanjutnya adalah uji klasifikasi dengan confusion matrix.
Berikut cara melakukan uji tersebut:
Ø Uji dilakukan untuk hasil Neural Net enam klasifikasi
diatas (dapat dipraktekkan dengan hasil klasifikasi yang
lain)
> klik OK
memory) > klik OK
Tabel 4. Uji Klasifikasi Confusion Matrix
Confusion Matrix Hasil Akurasi
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.
Gambar 3. Konsep klasifikasi unsupervised
Sumber: http://www.info-geospasial.com/2017/02/mengenal-
metode-klasifikasi-tidak-terbimbing-dan-metode-terbimbing-
di-envi.html
Terdapat dua cara klasifikasi unsupervised yaitu teknik ISO

Data dan K-Means.
Ø Menu bar > classification > unsupervised > ISO Data
Ø Kemudian pada jendela baru, masukkan citra yang
akan dianalisis
Ø Kemudian tentukan banyak kelas pada menu number
of classes
Ø Memasukkan nilai maximum Iterations > Change
Threshold > Minimum # pixsel in Class > maximum
Class Stdv > Maximum Class Distance > Maximum #
Merge Pairs > Maximum Stdv from Mean >
Maximum Distance Error
Ø Kemudian tentukan lokasi penyimpanannya (file/
memory) > klik OK
ISODATA Parameters
Hasil klasifikasi Unsupervised

Hasil Distribusi Kelas
metode ISO Data
Ø Menu bar > classification > unsupervised > K-Means
Ø Kemudian pada jendela baru, masukkan citra yang
akan dianalisis
Ø Kemudian tentukan banyak kelas pada menu number
of classes
Ø Memasukkan nilai change threshold > Maximum
Iterations > Maximum Stdev From Mean > Maximum
Distance Error
memory) > klik OK
K-Means Parameters
Hasil klasifikasi
Unsupervised metode K- Hasil Distribusi Kelas
Means
Dari klasifikasi Unsupervised diatas menunjukkan bahwa

metode ISO Data dan K-Means memiliki hasil yang sama.
3.3 Decision Tree (DT)

Decision Tree adalah teknik pengkelasan yang mirip
dengan bentuk pohon. Dimana setiap bagiannya memiliki
node yang menggambarkan nilai atribut.
Konsep Decision Tree
Sumber:
http://www.harrisgeospatial.com/portals/0/pdfs/envi/Decisio
n_Tree.pdf
Ø Decision Tree untuk klasifikasi citra digital di bangun

menggunakan kode biner untuk menentukan kategori
yang tepat untuk tiap piksel citra
Ø Citra diklasifikasikan dari obyek yang paling umum
hingga yang paling khusus dengan mengidentifikasikan
tiap piksel citra
Ø Data yang telah diinput diproses dengan peraturan
(rules) yang pengguna tentukan sendiri
Ø Peraturan tersebut diekspersikan dengan kata-kata
seperti greater than, equal, less than dan sebagainya.
Berikut adalah langkah klasifikasi menggunakan Decision Tree:

1. Menyiapkan citra (koreksi radiometrik atau non
radiometrik)
2. Menyiapkan ROI citra tersebut (misal 3, 4, 5 kelas)
3. Melihat histogram setiap kelas dengan cara klik kanan
pada citra tersebut atau pada citra di menu available
bands list. Berikut contoh histogram yang telah dibuat:
Kelas Laut
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:
Tabel 5. Nilai band 1, 2, 3 setiap kelas
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
Tabel 6. Rule untuk klasifikasi Decision Tree
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
Vegetasi
9061 and b2 lt 9919 and b3 lt 9865
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)
5. Selanjutnya mengakses Menu bar > classification >

Decision Tree > Build New Decision Tree
Node 1 = Isi dengan rule kelas Laut
Jendela variable/ file pairings
Ø Kemudian pada jendela variable/ file pairings isi

dengan band citra yang digunakan (B1 = red, B2 =
green, B3 = blue)
Ø Kemudian untuk menambah node, klik kanan pada
kelas sebelah kiri > add childreen
Ø Kemudian isi node 2 dengan rule vegetasi
Ø Nude 3 dengan rule bangunan sebelah kanan dan rule
kelas campuran sebelah kiri
Ø Berikut model decision tree yang dihasilkan
Model decision tree yang digunakan
Ø Kemudian ke menu bar > classification > decision tree

> execute existing decision tree
Ø Berikut hasil klasifikasi decision tree diatas
Hasil klasifikasi decision tree
distribusinya

Maximum Likelihood

dengan cara:
> klik OK
memory) > klik OK
Jendela Match Classes Parameters (Matching kelas Decision
Tree dengan ROI)
Hasil Confusion Matrix Metode Decision Tree menunjukkan
tingkat akurasi 90,4822 %
BAB IV TRANSFORMASI CITRA
4.1 Image Sharpening (Image Fusion/ Pansharp)
Penajaman citra bertujuan untuk meningkatkan kualitas
visual citra sehingga mempermudah user dalam proses
interpretasi. Untuk lebih jelasnya berikut resolusi setiap band
pada citra Landsat 8 OLI yang digunakan dalam tulisan ini:
Tabel 7. Deskripsi Band Citra Landsat-8 OLI
Panjang Resolusi Spasial

Band Spektral
Gelombang (µm) (m)
Band 1 – Coastal/
0.443 - 0.453 30
Aerosol
Band 2 – Blue 0.450 – 0.515 30
Band 3 – Green 0.525 – 0.600 30
Band 4 – Red 0.630 – 0.680 30
Band 5 – Near
0.845 – 0.885 30
InfraRed
Band 6 – Short
Wavelength 1.560 – 1.660 30
Infrared
Band 7 – Short
Wavelength 2.100 – 2.300 30
Infrared
Band –
0.500 – 0.680 15
Pankromatik
Band 9 - Cirrus 1.360 – 1.390 30
Band 10 – Long 10.30-11.30 100
Wavelength
InfraRed
Band 11 – Long
Wavelength 11.50-12.50 100
InfraRed
4.1.1 Color Normalized (Brovey)

Mengutip dari Istiqomah (2015) “ Metode ini
berdasarkan pemodelan spektral dan dikembangkan untuk
meningkatkan kontras visual di ujung tinggi dan rendah data
histogram”. Rumus yang digunakan :
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
Berikut adalah langkah Image Sharpening menggunakan

metode Color Normalized (Brovey):
Ø Pertama yaitu gabungkan band resolusi 30 meter
dengan menu layer stacking (True Color = B4, B3, B2)
pada Landsat -8 OLI
Ø Masukkan Band citra hasil stacking dengan band
pankromatik (B8) ke available band list
Ø ke Menu bar > Transforms > Image Sharpening > Color
Normalized
Ø pada jendela select input RGB input band list,
masukkan band resolusi 30 meter (True Color = B4, B3,
B2) pada Landsat -8 OLI > klik OK
Ø kemudian pada jendela high resolution input file
masukkan B8 dengan resolusi spasial 15 meter. Berikut
tampilan pada input band pankromatik
Ø kemudian pilih spastial subset untuk memilih wilayah

pada citra yang akan di pansharp (fusi)
Ø klik Image > drag kotak berwarna merah untuk
memilih lokasi > klik OK
Ø klik OK pada jendela high resolution input file
Ø selanjutnya pada jendela Color Normalized Sharpening
Parameters > pilih metode resamplingnya misalnya
disini menggunakan Nearest Neighbor
Ø Terakhir tentukan lokasi penyimpanannya (file/
memory) lalu kemudian klik OK
Ø Berikut tampilan pada jendela Color Normalized
Sharpening Parameters
Berikut hasil Image Sharpening/ Fusion citra Landsat 8 wilayah

Surabaya Utara - Jawa Timur:
Sebelum dilakukan Image Sesudah dilakukan Image
Sharpening Sharpening
Terlihat bahwa hasil citra menjadi lebih jelas dengan resolusi
15 meter true-color.
4.1.2 HSV (Hue Saturation Value)

Dikutip dari Shidqi (2018) menyatakan bahwa
“Penajaman citra dengan metode HSV dilakukan dengan
mentransformasikan suatu citra dalam ruang warna Merah-
Hijau–Biru (Red-Green-Blue) menjadi citra dalam ruang warna
HSV (Hue-Saturation-Value)”. Berikut konsep/ cara kerja
metode HSV dalam Image Sharphening:
Gambar 4. Prinsip Metode HSV (Hue Saturation Value)

Sumber: https://uzishidqi.wordpress.com/2018/08/28/pos-
blog-pertama/

metode HSV:
pada Landsat -8 OLI
Ø ke Menu bar > Transforms > Image Sharpening > HSV
Ø pada jendela select input RGB input band list,
B2) pada Landsat -8 OLI > klik OK
Ø kemudian pada jendela high resolution input file
masukkan B8 dengan resolusi spasial 15 meter
Ø Selesai
Berikut hasil Image Sharpening/ Fusion citra Landsat 8

Sampang – Madura:

15 meter.
4.1.3 Gram-Schimudt Spectral Sharpening

Dikutip dari Shidqi (2018) menyatakan bahwa “Metode
Gram-Schmidt merupakan metode yang memiliki nama lain
(smoothing-filter-based intensity modulation, SFIM)”.

metode Gram-Schimudt Spectral Sharpening:
pada Landsat -8 OLI
Ø ke Menu bar > Transforms > Image Sharpening >
Gram-Schimudt Spectral Sharpening
Ø pada jendela Low Spatial Resoluition Input File,
B2) pada Landsat -8 OLI (band yang sudah di stacking
atau input 1 band) > klik OK
Ø kemudian pada jendela High Spatial Resolution Pan
Input Band, masukkan band 8 citra Landsat-8 resolusi
15 meter > OK
Ø kemudian pada jendela Gram-Schidt Spectral Sharpen

Parameters, pada menu Select Method for Low
Resolution Pan > pilih salah satu metode yang
disediakan misalnya Average of Low Resolution
Multispectral File
Ø Pada menu metode resampling > pilih salah satu
samplingnya misalnya Nearest Neighbor
Ø Selesai

Sampang – Madura:


15 meter.
4.1.4 PC Spectral Sharpening
PC Spectral Sharpening merupakan salah satu metode
untuk mempertajamkan citra spektral dengan input data
berupa band dengan resolusi spasial yang lebih tinggi.
metode PC Spectral Sharpening:
pada Landsat -8 OLI
Ø ke Menu bar > Transforms > Image Sharpening > PC
Spectral Sharpening
Ø Pada jendela Low Spatial Resoluition Multiband Input
File, masukkan band resolusi 30 meter (True Color =
B4, B3, B2) pada Landsat -8 OLI (band yang sudah di
stacking atau input 1 band)
Ø kemudian pada jendela High Spatial Resolution Pan
Input Band, masukkan band 8 citra Landsat-8 resolusi
15 meter > OK
Ø Terakhir, pada jendela PC Spectral Sharpen
Parameters, pilih metode resampaling (misalnya
Nearest Neighbor) dan tentukan lokasi
penyimpanannya (file/ memory) > klik OK
Ø Selesai

Sampang – Madura:


15 meter.
4.1.5 CN Spectral Sharpening
Penajaman spektral dengan metode normalisasi warna
merupakan perluasan dari metode Brovey. Berikut persamaan
pada teknik ini:
𝐶𝑁/01234546789:
𝐼𝑛𝑝𝑢𝑡𝐵𝑎𝑛𝑑 𝑆ℎ𝑎𝑟𝑝𝑒𝑛𝑖𝑛𝑔𝐵𝑎𝑛𝑑 − 𝑁𝑢𝑚 𝐵𝑎𝑛𝑑𝑠 𝐼𝑛_𝑆𝑒𝑔𝑚𝑒𝑛𝑡
=
𝐼𝑛𝑝𝑢𝑡𝐵𝑎𝑛𝑑 𝑆ℎ𝑎𝑟𝑝𝑒𝑛𝑖𝑛𝑔𝐵𝑎𝑛𝑑 + 𝑁𝑢𝑚 𝐵𝑎𝑛𝑑𝑠 𝐼𝑛_𝑆𝑒𝑔𝑚𝑒𝑛𝑡

metode PC Spectral Sharpening:
pada Landsat -8 OLI
Ø ke Menu bar > Transforms > Image Sharpening > CN
Spectral Sharpening
Ø Pada jendela Low Spatial Resoluition Image to be
Sharpened, masukkan band resolusi 30 meter (True
Color = B4, B3, B2) pada Landsat -8 OLI (band yang
sudah di stacking atau input 1 band)
Ø Sertakan faktor skala untuk penajaman gambar pada
Sharpening Image Multiplicative Scale
Ø Gambar harus memiliki faktor skala yang sama dengan
gambar input
Ø Misalnya, jika gambar input adalah file hiperspektral
integer yang dikalibrasi ke dalam satuan (pantulan *
10000), tetapi gambar penajaman adalah file
multispektral yang dikalibrasi menjadi pantulan (nol ke
satu), kemudian masukkan faktor skala 10.000
Ø Jika gambar input dalam satuan cahaya [μW / (cm2 *
nm * sr)], tetapi gambar yang pansharp adalah dalam
satuan cahaya [μW / (cm2 * m * sr)], masukkan faktor
skala skala 0,001
Ø Kemudian pilih lokasi penyimpanan (file/ memory) >
klik OK
Ø Selesai

Sampang – Madura:

15 meter.
4.2 Menghitung Ratio Band

Dikutip dari ENVI Help, Tujuan menghitung band ratio
adalah untuk meningkatkan perbedaan spektral antara pita
dan untuk mengurangi efek topografi. ENVI Classic
memungkinkan untuk menghitung beberapa rasio dan
menampilkannya sebagai beberapa band dalam satu file.
Berikut adalah langkah dalam menghitung ratio band:
Ø Pada menu bar > Transform > Band Ratios
Ø Pilih Numerator (Band pertama) dan Denominator
(Band Kedua) dari The List of Available Bands
Ø Klik Enter Pair > Select Ratio Pairs
Ø Kemudian pada jendela Band Ratios Parameters > klik
Spatial Subset untuk memilih wilayah yang dihitung
memory) dan Tipe Keluaran Data (Misalnya Floating
Point) > klik OK
Berikut tampilan band setelah dihitung rationya:
Statistik Band Ratio

Band Ratio (min.0.646445 – max.
1.360677)
4.3 Color Transform

Dikutip dari ENVI Help, Color Transform (Transformasi
Warna) berfungsi untuk mengubah gambar tiga-band merah,
hijau, biru (Red, Green, Blue) menjadi salah satu dari beberapa
warna tertentu (RGB).
4.3.1 Transforming HSV, HLS, or USGS Munsell HSV to RGB
Berikut langkah-langkah analisis Color Transform pada ENVI
Classic:
Ø Menu bar > Transform > Color Transforms > HSV to
RGB
Ø Menu bar > Transform > Color Transforms > HLS to
RGB
Ø Menu bar > Transform > Color Transforms > HSV to
RGB (USGS Munsell)
Ø Memasukkan band-band yang akan dilakukan
transformasi dari Available Bands List
Ø Nama yang akan muncul adalah H, S, dan V atau H, L,
dan S
Ø Kemudian pilih spatial subset untuk memilih lokasi/
wilayah yang akan ditransformasikan > klik OK
memory) > klik OK
Ø Selesai
4.3.2 Transforming RGB to HSV, HLS, or USGS Munsell

HSV
Berikut langkah-langkah analisis Color Transform pada ENVI
Classic:
Ø Menu bar > Transform > Color Transforms > RGB to
HSV
HLS
HSV (USGS Munsell)
Ø Memasukkan band-band yang akan dilakukan
transformasi dari Available Bands List
Ø Nama yang akan muncul adalah H, S, dan V atau H, L,
dan S
Ø Kemudian pilih spatial subset untuk memilih lokasi/
wilayah yang akan ditransformasikan > klik OK
memory) > klik OK
Ø Selesai
BAB V FILTERISASI CITRA
Dikutip dari Smart Solution (2015), “Filter pada dasarnya
adalah sebuah metode untuk meredamkan atau
menghilangkan noise pada citra digital atau image”. Jenis filter
bermacam-macam dan fungsi serta efeknya juga berbeda-
beda pula. Berikut kegunaan setiap filter yang ada pada
software ENVI Classic:
a. Filter Konvolusi à citra pada wilayah spasial,
b. Filter Morfologis à citra berdasarkan bentuk,
c. Filter Tekstur à mengekstrak informasi tentang
tekstur pada citra,
d. Filter Adaptif à mengurangi noise dengan
menghaluskan dan mempertahankan tepi citra,
e. Filter Fourier à memfilter pada wilayah frekuensinya.
5.1 Convolution and Morphology Filters

Dikutip dari ENVI Help, Filter konvolusi menghasilkan
gambar output di mana nilai kecerahan pada piksel yang
diberikan adalah nilai rata-rata piksel tetangganya. Terdapat
banyak jenis filter khususnya pada jenis Convolution and
Morphology antara lain sebagai berikut:
a. High Pass
b. Low Pass
c. Laplacian: Directional
d. Gaussian Low Pass
e. Gaussian High Pass
f. Median
g. Sobel
h. Roberts
i. User-Defined Convolution
5.1.1 High Pass Filter (HPF)

Dikutip dari website Pemograman Matlab (2017)
menyatakan bahwa “High Pass Filter adalah proses filter yang
melewatkan komponen citra dengan nilai intensitas yang
tinggi dan meredam komponen citra dengan nilai intensitas
yang rendah”. Berikut aturan kernel untuk high-pass filter:
a. Koefisien kernel boleh positif, negative, atau nol
b. Jumlah semua koefisien kernel adalah 0 atau 1
−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 langkah-langkah melakukan filterisasi citra

menggunakan metode High Pass pada software ENVI Classic:
Ø Menu bar > Filter > Convolution and Morphology
Ø Pada jendela Convolution and Morphology > pilih
menu Convolutions > High Pass
Ø Kemudian mengatur kernel size yang diinginkan,
misalnya 3x3, 5x5, dan seterusnya. Semakin besar
kernel maka citra yang dihasilkan semakin tajam
Ø Kemudian mengatur image add-back (0-100%)
Ø Kemudian pilih menu quick apply/ apply to file. Jika
ingin hasilnya dapat langsung disimpan dalam bentuk
file, maka dapat memilih menu apply to file
Berikut tampilan jendela High Pass kernel 7x7 dengan Image
Add Back 35
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
Terlihat bahwa HPF dengan kernel 7x7, citra yang dihasilkan

lebih tajam dibandingkan kernel 3x3.
5.1.2 Low Pass Filter (LPF)

Dikutip dari website Pemograman Matlab (2017)
menyatakan bahwa “Low-pass filtering adalah proses filter
yang melewatkan komponen citra dengan nilai intensitas yang
rendah dan meredam komponen citra dengan nilai intensitas
yang tinggi”. Aturan kernel untuk low-pass filter adalah:
a. Semua koefisien kernel harus positif
b. Jumlah semua koefisien kernel harus sama dengan 1
Contoh kernel yang dapat digunakan pada low-pass filtering

adalah
1/16 1/8 1/16
(𝑖) = M 1/8 1/4 1/8 P … . . S = 1
1/16 1/8 1/16
1/10 1/10 1/10

(𝑖𝑖) = M1/10 1/5 1/10P … . . S = 1
1/10 1/10 1/10
1/9 1/9 1/9

(𝑖𝑖𝑖) = M1/9 1/9 1/9P … . . S = 1
1/9 1/9 1/9

menggunakan metode Low Pass pada software ENVI Classic:
menu Convolutions > Low Pass
misalnya 3x3, 5x5, 7x7 dan seterusnya. Semakin besar
kernel maka citra yang dihasilkan semakin blur
Berikut tampilan jendela Low Pass kernel 5x5 dengan Image
Add Back 35
Berikut tampilan citra Low Pass kernel 3x3 dan 7x7 dengan
Image Add Back 35:
35 35
Terlihat bahwa LPF dengan kernel 7x7, citra yang dihasilkan
lebih blur dibandingkan kernel 3x3.
5.1.3 Laplacian Filter

Filter Laplacian beroperasi tanpa memperhatikan arah
tepi. Semua filter Laplacian harus memiliki ukuran kernel
ganjil.
Gambar 5. Prinsip Filter Laplacian (Yasiran dkk, 2012)

menggunakan metode Laplacian pada software ENVI Classic:
menu Convolutions > Laplacian
kernel maka citra yang dihasilkan memiliki tingkat
keabu-abuan yang tinggi
Berikut tampilan jendela Laplacian kernel 3x3 dengan Image

Add Back 40:
Berikut tampilan citra hasi Laplacian kernel 3x3 dan 5x5

dengan Image Add Back 40:
40 40
Terlihat bahwa Laplacian dengan kernel 5x5, citra yang

dihasilkan memiliki warna keabu-abuan yang tinggi
dibandingkan kernel 3x3.
5.1.4 Directional Filter

menggunakan metode Directional pada software ENVI Classic:
menu Convolutions > Directional
Ø Kemudian pada jendela Directional Filter Angle,
masukkan nilainya misalnya 5.
Berikut tampilan jendela Directional kernel 3x3 dengan Image

Add Back 40:
Berikut tampilan citra hasi Directional kernel 3x3 dan 5x5
40 40
Terlihat bahwa Directional dengan kernel 5x5, citra yang

dihasilkan memiliki warna keabu-abuan yang tinggi dan
cenderung buram dibandingkan kernel 3x3. Pada kernel 3x3
citra yang dihasilkan lebih tajam.
5.1.5 High Pass Gaussian

Filter ini beroperasi dengan mengurangi versi low pass
(Low Pass Gaussian) dari citra untuk meningkatkan nilai pada
frekuensi tertingginya. Berikut langkah-langkah melakukan
filterisasi citra menggunakan metode High Pass Gaussian pada
menu Convolutions > Gaussian High Pass
Berikut tampilan jendela High Pass Gaussian kernel 7x7

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
Terlihat sedikit perbedaan secara visual dari kedua citra yang

dihasilkan dengan metode High Pass Gaussian diatas. Kernel
11x11 menghasilkan gambar/ citra lebih tajam dibandingkan
dengan kernel 7x7.
5.1.6 Low Pass Gaussian

Digunakan untuk perataan gambar. Filter ini
menggunakan kernel yang didefinisikan oleh fungsi Gaussian
2-D dengan standar deviasi N/ 8. Berikut langkah-langkah
melakukan filterisasi citra menggunakan metode Low Pass
Gaussian pada software ENVI Classic:
menu Convolutions > Gaussian Low Pass
misalnya 3x3, 5x5, 7x7, 11x11 dan seterusnya. Semakin
besar kernel maka citra yang dihasilkan semakin blur
Berikut tampilan jendela Gaussian Low Pass kernel 11x11

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
Terlihat sedikit perbedaan secara visual dari kedua citra yang

dihasilkan dengan metode Low Pass Gaussian diatas. Kernel
11x11 menghasilkan gambar/ citra lebih blur dibandingkan
dengan kernel 7x7.
5.1.7 Median Filter

Filter ini bertujuan untuk menghaluskan gambar, dengan
tetap menjaga dimensi kernel (untuk menghilangkan noise
berupa dot). Berikut langkah-langkah melakukan filterisasi
citra menggunakan metode Median pada software ENVI
Classic:
menu Convolutions > Median
misalnya 3x3, 5x5, 7x7, 11x11 dan seterusnya. Semakin
besar kernel maka citra yang dihasilkan semakin blur
Berikut tampilan jendela Median Filter kernel 17x17 dengan

Image Add Back 50:
Berikut tampilan citra hasi Median Filter kernel 3x3 dan 17x17
Kernel 3x3 - Image Add Back Kernel 17x17 - Image Add
50 Back 50
Terlihat perbedaan secara visual dari kedua citra yang

dihasilkan dengan metode Median Filter diatas. Kernel 17x17
menghasilkan gambar/ citra lebih blur dibandingkan dengan
kernel 3x3. Semakin kecil kernel maka citra yang dihasilkan
semakin tajam.
5.1.8 Sobel Edge Detector

Penyempurnaan tepi non-linier, Sobel merupakan filter
peningkatan tepi non-linier 3x3. Berikut langkah-langkah
melakukan filterisasi citra menggunakan metode Median pada

menu Convolutions > Sobel
Ø Kernel pada filter ini tidak dapat diatur (default 3x3)
Berikut tampilan jendela Sobel kernel 3x3 dengan Image Add

Back 30:
Berikut tampilan citra hasil Sobel Filter 3x3 dengan Image Add
Back 30 dan 1:
30 1

dihasilkan dengan metode Sobel Filter. Jika nilai pada Image
Add Back semakin kecil, maka gambar/ citra yang dihasilkan
semakin tajam.
5.1.9 Roberts Edge Detector

Filter ini merupakan pendeteksi tepi non-linear yang
mirip dengan Sobe Filter. Berikut langkah-langkah melakukan
filterisasi citra menggunakan metode Median pada software
ENVI Classic:
menu Convolutions > Roberts
Ø Kernel pada filter ini tidak dapat diatur (default 3x3)
Berikut tampilan jendela Roberts kernel 2x2 dengan Image

Add Back 1:
Berikut tampilan citra hasil Roberts Filter 2x2 dengan Image

Add Back 20 dan 1:
20 1

dihasilkan dengan metode Roberts Filter. Jika nilai pada Image
Add Back semakin kecil, maka gambar/ citra yang dihasilkan
semakin tajam.
5.1.10 User-Defined Convolution

Pada filter ini kita memungkinkan untuk mengcustom
sesuai keinginan, baik kernelnya maupun nilai dari kernel
tersebut.

menggunakan metode Median pada software ENVI Classic:
menu Convolutions > User-Defined Convolution
Ø Pada jendela yang keluar, kita dapat memasukkan
dimensi kernel, misalnya 3x3, 5x5, dan seterusnya
Ø Selanjutnya mengatur nilai pada kernel yang telah
dibuat (kustomisasi)
Berikut tampilan jendela User-Defined Convolution kernel 3x3

dengan Image Add Back 15 dan nilai kernel yang di kustom:
Berikut tampilan citra hasil User-Defined Convolution Filter

3x3 dengan Image Add Back 15 yang telah di kustom:
Kernel 3x3 - Image Add Back 15 yang telah
dikustomisasi
5.2 Texture Filters

Tekstur mengacu pada variasi spasial citra sebagai fungsi
skala. ENVI Classic mendukung beberapa filter tekstur ini.
5.2.1 Occurrence Measures

Filter ini menggunakan jumlah kemunculan setiap
tingkat abu-abu dalam jendela pemrosesan untuk perhitungan
tekstur. Yang dihitung dari filter ini adalah rentang data,
rerata, ragam, entropi, dan skewness. Berikut langkah-langkah
dalam melakukan filterisasi dengan menggunakan metode
Occurrence Measures:
Ø Menu bar > Filter > Texture > Occurrence Measures

Ø Pada jendela Texture Input File > pilih citra yang akan
difilter
Ø Pilih menu Spatial Subset untuk memilih lokasi/
wilayah yang akan di filter > Klik OK
Ø Pada jendela Occurrence Texture Parameters pilih
menu output keluaran yang akan dihitung dari filter ini
(Data Range – Mean – Variance – Entropy –
Skewness)
Ø Kemudian pada menu Processing Window Rows > pilih
kernel misalnya 3x3, 5x5, dan seterusnya
Ø Terakhir pilih lokasi penyimpanan citra (file/ memory)
> klik OK
Ø Selesai
Berikut output dari teknik filter Occurrence Measures:

Berikut tampilan citra 1 band dari setiap parameter yang
dihitung menggunakan teknik filter Occurrence Measures :
Data Range Mean

Variance Entropy
Skewness
5.2.2 Co-Occurrence Measures

Filter Co-Occurrence digunakan untuk menerapkan filter
tekstur yang didasarkan pada matriks kejadian bersama (co-
occurrence matrix). Filter ini bergerak salah satu dari kenaikan
[x, y] berikut:
Gambar 6. Konsep filter Co-Occurrence
Sumber: ENVI Help
Asumsikan jika menggunakan jendela pemrosesan/ kernel 3 x

3 di atas gambar yang nilai skala abu-abu (DN) berkisar dari 2
hingga 6. Memindahkannya satu piksel ke kanan
menggesernya dengan 1 pada arah X dan 0 pada arah Y
sebagai berikut:
Gambar 7. Simulasi Kernel 3x3 pada filter Co-Occurrence
Sumber: ENVI Help
Sehingga co-occurrence matrix dalam contoh ini adalah

sebagai berikut:
Gambar 8. Co-Occurrence Matrix
Sumber: ENVI Help
Berikut langkah-langkah dalam melakukan filterisasi dengan

menggunakan metode Co-Occurrence Measures:
Ø Menu bar > Filter > Texture > Co-Occurrence

Measures
Ø Pada jendela Texture Input File > pilih citra yang akan
difilter
Ø Pilih menu Spatial Subset untuk memilih lokasi/
wilayah yang akan di filter > Klik OK
Ø Pada jendela Co-Occurrence Texture Parameters pilih
menu output keluaran yang akan dihitung dari filter ini
(Mean – Variance – Homogeneity – Contrast –
Dissimilarity - Entropy – Second Moment -
Correlation)
Ø Kemudian pada menu Processing Window Rows > pilih
kernel misalnya 3x3, 5x5, dan seterusnya
Ø Masukkan nilai Co-occurrence Shift (X,Y)
Ø Selanjutnya masukkan nilai Greyscale Quantization
Levels (64, 32, 16)
Ø Terakhir pilih lokasi penyimpanan citra (file/ memory)
> klik OK
Ø Selesai
Berikut output dari teknik filter Co-Occurrence Measures:
Berikut tampilan citra 1 band dari setiap parameter yang

dihitung menggunakan teknik filter Co-Occurrence Measures :
Mean Variance
Homogeneity Contrast
Dissimilarity Entropy
Second Moment Correlation
5.3 Adaptive Filters

Pemfilteran adaptif menggunakan deviasi standar piksel
dalam kotak lokal yang mengelilingi setiap piksel untuk
menghitung nilai piksel baru. Terdapat berbagai metode
dalam pemfilteran adaptif pada ENVI Classic ini antara lain:
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:
Ø Menu bar > Filter > Adaptive > Lee

Ø Pada jendela LEE Filter input file > masukkan citra/
gambar yang akan diproses
Ø Pilih menu spatial subset untuk memilih lokasi/
wiilayah yang akan di proses
Ø Drag kotak berwarna merah > klik OK
Ø Kemudian pada jendela Lee Filters Parameters,
masukkan nilai/ ukuran kernel pada menu Filter Size
(NxN)
Ø Kemudian pilih noise model (Multiplicative, Adaptive,
Both)
Ø Pada menu Additive Noise Mean > masukkan nilai
yang diinginkan (tergantung metode yang digunakan
pada Noise Model)
Ø Pada menu Multiplicative Noise Mean masukkan nilai
yang diinginkan (tergantung metode yang digunakan
pada Noise Model)
Ø Pada menu Noise Variance masukkan nilainya
misalnya 0.25
memory) > klik OK
Ø Selesai
Berikut tampilan citra sebelum dan sesudah dilakukan
pemfilteran dengan metode Lee:
Origin Hasil Filter

Hasil filter Lee menunjukkan citra menjadi lebih smooth dan
blur.
5.3.2 Enhanced Lee (Radar)

Filter Enhanced Lee adalah adaptasi dari filter Lee dan
juga menggunakan statistik lokal (koefisien variasi) dalam
jendela filter individual. Perkirakan nilai cutoff berdasarkan
jumlah band tampak (L) dari gambar/ citra radar.
0.523 2
𝐶Z = 𝑑𝑎𝑛 𝐶^1_ `1 +
√𝐿 𝐿
Berikut langkah-langkah dalam melakukan filterisasi dengan

menggunakan metode Enhanced Lee Filter:
Ø Menu bar > Filter > Adaptive > Enhanced Lee

Ø Kemudian masukkan citra radar yang akan di filter dan
tentukan wilayahnya dengan klik spatial subset
Ø Pada jendela Enhanced Lee Filter Parameters
masukkan dimensi kernel pada menu Filter Size (NxN)
misalnya 3
Ø Kemudian masukkan nilai Damping Factor misalnya 1
Ø Pada menu Coefficient of Variation Cutoffs masukkan
nilai Homogeneous Area (Cu) dan Heterogenous Areas
(Cmax)
Ø Kemudian pilih output penyimpanannya (File/
Memory) > Klik OK
Ø Selesai
5.3.3 Frost (Radar)
Filter Frost adalah filter simetris yang menggunakan
statistik lokal. Berikut langkah-langkah dalam melakukan
filterisasi dengan menggunakan metode Frost:
Ø Menu bar > Filter > Adaptive > Frost

Ø Pada jendela Frost Filter Parameters masukkan
dimensi kernel pada menu Filter Size (NxN) misalnya 3
Ø Kemudian tentukan nilai Damping Factornya
memory) > klik OK
Ø Selesai
5.3.4 Enhanced Frost (Radar)
Filter Frost yang disempurnakan untuk mengurangi
noise (dot) pada citra radar serta secara bersamaan menjaga
informasi tekstur. Berikut langkah-langkah dalam melakukan
filterisasi dengan menggunakan metode Enhanced Frost:
Ø Menu bar > Filter > Adaptive > Enhanced Frost

Ø Pada jendela Enhanced Frost Filter Parameters
misalnya 3
Ø Kemudian tentukan nilai Damping Factornya
Ø Pada menu Coefficient of Variation Cutoffs masukkan
nilai Homogeneous Area (Cu) dan Heterogenous Areas
(Cmax)
memory) > klik OK
Ø Selesai
5.3.5 Gamma (Radar)

Filter Gamma digunakan untuk mengurangi spekel serta
mempertahankan tepian gambar/ citra radar. Berikut langkah-
metode Gamma:
Ø Menu bar > Filter > Adaptive > Gamma

Ø Pada jendela Gamma Filter Parameters masukkan
Ø Kemudian tentukan nilai Number of Looks
memory) > klik OK
Ø Selesai
5.3.6 Kuan (Radar)

Kuan digunakan mengurangi spekel dengan
mempertahankan tepian dalam gambar/ citra radar. Berikut
langkah-langkah dalam melakukan filterisasi dengan
menggunakan metode Kuan:
Ø Menu bar > Filter > Adaptive > Kuan

Ø Pada jendela Kuan Filter Parameters masukkan
Ø Kemudian tentukan nilai Number of Looks
memory) > klik OK
Ø Selesai
5.3.7 Local Sigma

Filter Sigma lokal digunakan untuk menjaga detail halus
(bahkan di daerah dengan kontras rendah) dan untuk
mengurangi spekel secara signifikan. Berikut langkah-langkah
dalam melakukan filterisasi dengan menggunakan metode
Local Sigma:
Ø Menu bar > Filter > Adaptive > Local Sigma

Ø Pada jendela Localized Sigma Filter Parameters
misalnya 9
Ø Kemudian tentukan nilai Sigma Factor
memory) > klik OK
Ø Selesai

pemfilteran dengan metode Local Sigma:
Origin Hasil Filter
Hasil filter Local Sigma menunjukkan citra menjadi lebih

smooth.
5.3.8 Bit Errors

Filter Bit Error digunakan untuk menghilangkan noise
bit-error, yang biasanya hasil dari lonjakan data yang
disebabkan oleh piksel yang terisolasi dan memiliki nilai
ekstrem yang tidak terkait dengan gambar. Berikut langkah-
metode Bit Errors:
Ø Menu bar > Filter > Adaptive > Bit Errors

Ø Pada jendela Bit Error Removal Parameters masukkan
Ø Kemudian tentukan nilai Sigma Factor
Ø Selanjutnya masukkan nilai Tolerance
Ø Pada menu Zero Bit Error, jika citra memiliki nilai bit
yang error/ nilai tinggi dibandingkan nilai piksel
tetangganya maka pilih No
Ø Kemudian pada menu Valid data min/max masukkan
nilai bit yang benar, misalnya jika citra 8 bit berarti
nilainya adalah 0 - 255 (2n)
memory) > klik OK
Ø Selesai

pemfilteran dengan metode Bit Errors:
Origin Hasil Filter

Tidak ada perbedaan tampilan citra sebelum dan sesudah di
filter (tidak ada bit yang error pada citra yang digunakan).
DAFTAR PUSTAKA
Anys, H., A. Bannari, D. C. He, and D. Morin, 1994. “Texture
analysis for the mapping of urban areas using airborne
MEIS-II images,” Proceedings of the First International
Airborne Remote Sensing Conference and Exhibition,
Strasbourg, France, Vol. 3, pp. 231-245.
Anys, H., A. Bannari, D. C. He, and D. Morin. “Texture analysis
for the mapping of urban areas using airborne MEIS-II
images.” Proceedings of the First International Airborne
Remote Sensing Conference and Exhibition 3 (1994):
231-245.
Ardiansyah, 2017. Klasifikasi Terbimbing dan Klasifikasi Tidak
Terbimbing. https://foresteract.com/klasifikasi
terbimbing-dan-klasifikasi-tidak-terbimbing/. (Diakses
3 Maret 2020).
Buton S, 2017. Bab IV Statistik dan Aljabar Citra Untuk
Visualisasi dan Analisis Data Penginderaan Jauh.
http://sumarni2014.blogspot.com/2017/04/bab-iv
statistik-dan-aljabar-citra.html. (Diakses 4 Maret
2020).
Danoedoro, 1996, Pengolahan Citra digital Teori dan
Aplikasinya dalam Bidang Penginderaan Jauh, Fakultas
Geografi Universitas Gadjah Mada.
Danoedoro, Projo. 2012. Penginderaan Jauh Digital.
Yogyakarta: Fakultas Geografi Universitas Gadjah
Mada.
Eliason, Eric M. and McEwen, Alfred S., “Adaptive Box Filters
for Removal of Random Noise from Digital
Images,” Photogrammetric Engineering & Remote
Sensing, April, 1990, V56 No. 4, p. 453.
ENVI Classic Help.
ESA, 2009. ESA Advanced Training Course on Land Remote
Sensing.
Febriyanto, 2014. Supervised Classification. Laporan
Praktikum- Praktek Inderaja Terapan.
https://rahmatmuslih.wordpress.com/2014/12/12/pe
a-tematik/. (Diakses 10 Maret 2020).
Gispedia, 2015. Sistem Informasi Geografis, SIG, Geographic
Information System, GIS, Penginderaan Jauh, Remote
Sensing, Citra Satelit, Satellite Imagery.
http://www.gispedia.com/2016/03/Arti-bit
atauBilangan Binerpada-Citra-Digital.html. (Diakses
12 Maret 2020).
Haralick, R., Shanmugan, K., and Dinstein, I. “Textural Features
for Image Classification.” IEEE Transactions on Systems,
Man, and Cybernetics 3, no. 6 (1973): 610-621.
Haralick, Sternberg, and Zhuang, Image Analysis Using
Mathematical Morphology, IEEE Transactions on
Pattern Analysis and Machine Intelligence, Vol. PAMI-9,
No. 4, July 1987, pp. 532-550.
Harris Geospatial Solutions. ENVI-Decission Tree.
http://www.harrisgeospatial.com/portals/0/pdfs/env
Decision_Tree.pdf. (Diakses 2 Maret 2020).
Harris Geospatial Solutions. Neural Net
https://www.harrisgeospatial.com/docs/NeuralNet.h
ml . (Diakses 23 Maret 2020).
Info-Geospasial, 2016. Mengenal Metode Klasifikasi Tidak
Terbimbing (Unsupervised) dan Terbimbing
(Supervised) Di Envi. http://www.info
geospasial.com/2017/02/mengenal-metode-klasifikasi
tidak-terbimbing-dan-metode-terbimbing-di-envi.html.
(Diakses 14 April 2020).
Istiqomah, 2015. Image Sharpening.
https://istiqomahgeo15.wordpress.com/pansharpeni
g/. (Diakses 18 April 2020).
Kruse and Raines, A technique for enhancing digital color
images by contrast stretching in Munsell color space, in
Proceedings of the ERIM Third Thematic Conference,
Environmental Research Institute of Michigan, Ann
Arbor, MI, 1994: pp. 755-760.
Lee, Jong-Sen, “Digital Image Enhancement and Noise Filtering
by Use of Local Statistics,” IEEE Transactions on Pattern
Analysis and Machine Intelligence, Vol PAMI-2, No.2,
March 1980, pp. 165-168.
Lopes, A., R. Touzi, and E. Nezry, 1990. “Adaptive Speckle
Filters and Scene Heterogeneity,” IEEE Transactions on
Geoscience and Remote Sensing, Vol. 28, No. 6, pp.
992-1000.
Macam-macam Filter Image/Citra pada Matlab.
https://hwsmartsolution.com/blog/2015/07/23/mac
m-macam-filter-imagecitra-pada-matlab/. (Diakses 7
Maret 2020).
Muhsoni F, 2014. Pedoman Praktikum Penginderaan Jauh.
Ilmu Kelautan: Universitas Trunojoyo.
Pemograman Matlab, 2017.
https://pemrogramanmatlab.com/pengolahan-citra
digital/perbaikan-kualitas-citra/. (Diakses 25 Maret
2020).
Penginderaan Jauh (Image Sharpening).
http://melatindahss.blogspot.com/2017/12/penginde
aan-jauh-image-sharpening.html. (Diakses 19 Maret
2020).
Ramadanthy, 2016. Praktikum Penginderaan Jauh Dasar
Perbedaan Lima Metode Image Sharpening.
Rumelhart, D. E., Hinton, G, and Williams, R. J. 1986. Learning
representations by back-propagating errors. (online)
(http://www.nature.com/nature/journal/v323/n6088
abs/323533a0.html. (Diakses 19 Maret 2020).
Sejarah ENVI. https://bentangalam
hutantropis.fkt.ugm.ac.id/2016/10/10/envi/. (Diakses
1 Maret 2020).
Shidqi, 2018. Pansharpening Citra Satelit.
https://uzishidqi.wordpress.com/2018/08/28/pos
blog-pertama/. (Diakses 20 Maret 2020).
Smart solution, 2015. Macam-macam Filter Image/Citra pada
Matlab.https://hwsmartsolution.com/blog/2015/07/
3/macam-macam-filter-imagecitra-pada-matlab/.
(Diakses 23 Maret 2020).
Unsupervised and Supervised Classification.
https://titisari04.wordpress.com/2016/11/04/unsupe
vised-and-supervised-classification/. (Diakses 13
Maret 2020).
Vrabel, J., Doraiswamy, P., and Stern, A. (2002). “Application
of Hyperspectral Imagery Resolution Improvement for
Site-Specific Farming,” ASPRS 2002 Conference
Proceedings.
Vrabel, J., Doraiswamy, P., McMurtrey, J., and Stern, A (2002).
“Demonstration of the Accuracy of Improved
Resolution Hyperspectral Imagery,” SPIE
Symposium Proceedings.
Yasiran dkk, 2012. Microcalcifications segmentation using
three edge detection techniques. Conference:
Electronics Design, Systems and Applications
(ICEDSA), 2012 IEEE International.
Zhenghao Shi and Ko B. Fung, “A Comparison of Digital Speckle
Filters,” Proceedings of IGARSS 94, August 8-12, 1994,
pp. 2129-2133.
Zhenghao Shi and Ko B. Fung, “A Comparison of Digital Speckle
Filters,” Proceedings of IGRASS 94, August 8-12, 1994,
pp. 2129-2133.
TENTANG PENULIS
LUHUR MOEKTI PRAYOGO, S.Si
(IG: @luhur.moekti.prayogo)
Penulis lahir di Ponorogo - Jawa Timur pada 1993.

Memperoleh gelar Sarjana Sains (S.Si) di Universitas Trunojoyo
Madura (UTM) jurusan Ilmu Kelautan dengan minat Sistem
Informasi Geografi (SIG) dan Penginderaan Jauh. Saat ini
penulis sedang menempuh studi pendidikan di Universitas
Gadjah Mada (UGM) jurusan Magister Teknik Geomatika
Departemen Teknik Geodesi dengan minat utama yang sama
dengan S1. Seluruh pendidikan penulis, Alhamdulillah atas
bantuan beasiswa dari negara baik Kementerian Pendidikan
dan Kebudayaan (KEMENDIKBUD) serta Kementerian
Keuangan (KEMENKEU) Republik Indonesia (LPDP).
Buku yang pernah penulis tulis:
a. Ocean Remote Sensing : Pengindraan Jauh dan

Aplikasinya dalam Bidang Kelautan (xii + 204 - ISBN:
978-623-7795-18-6)
b. Introduction of Digital Image Processing with ENVI (vi +
118 - ISBN: 978-623-7795-25-4)
c. Image Processing Systems Using ENVI (vi + 108 - ISBN:
978-623-7795-33-9)
d. Mahir ArcGIS 10 [Untuk Pemula] – (xvi + 104 - ISBN:
978-623-6502-88-4)
e. Quantum GIS 3.14 : Basic Tutorials [Volume 1] – (ISBN:
978-623-6565-68-1)
View publication stats

TutorialPraktisENVI5 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

TutorialPraktisENVI5 2

Diunggah oleh

Hak Cipta:

Format Tersedia

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Tutorial Praktis ENVI Versi 5.2 - [Classic]

Book · November 2020

Luhur Moekti Prayogo

MIYANG Journal View project

Lecturer View project

The user has requested enhancement of the downloaded file.

Penerbit: Farha Pustaka

Luhur Moekti Prayogo, S.Si

Luhur Moekti Prayogo, S.Si

KATA PENGANTAR ............................................................................. 2

Tabel 1. Versi ENVI saat ini

Versi Software Ikon Keterangan

1.2 Fungsi ENVI

1.3 Cara Penggunaan Buku

1.4 Struktur Isi Buku

ENVI membatasi format data dalam penggunaannya. Berikut

Tabel 2. Format data yang didukung

Format Keterangan Detil

2.2 Menyimpan Citra

2.3 Menggabungkan Band dan Memotong Citra

Hasil Stacking pada Available Bands List

2.4 Resampling Citra (Konsep BIT)

Nilai Rentang Nilai Contoh Derajat

Hasil Stretching Citra 2, 4, dan 8 bit

Compute Statistics Hasil Nilai Statistics pada

Gambar 1. Cara kerja klasifikasi supervised

3.1.1 Membuat Training Area (ROI)

Training Area – 5 kelas

3.1.3 Melakukan Klasifikasi Supervised

Hasil Klasifikasi Metode Parallelepiped

Melihat distribusi kelas:

Hasil distribusi kelas metode klasifikasi parallepiped

Kemudian untuk menguji hasil klasifikasi dapat dilakukan

Melihat distribusi kelas :

Hasil distribusi kelas metode klasifikasi

Kemudian untuk menguji hasil klasifikasi dapat dilakukan

Melihat distribusi kelas :

Hasil distribusi kelas metode klasifikasi

Kemudian untuk menguji hasil klasifikasi dapat dilakukan

Melihat distribusi kelas :

Hasil distribusi kelas metode klasifikasi

Kemudian untuk menguji hasil klasifikasi dapat dilakukan

E. Neural Net/ Artificial Neural Networks Classification

Gambar 2. Prinsip Klasifikasi ANN/ Neural Net (ESA, 2009)

ANN adalah bentuk kecerdasan buatan yang meniru beberapa

Ø Citra yang digunakan merupakan wilayah Sampang

Ø Berkut hasil percobaan dengan nilai parameter yang

Neural Net Parameters (1)

Hasil klasifikasi Neural Net (4

Neural Net Parameters (2)

Hasil klasifikasi Neural Net (4

Neural Net Parameters (3)

Hasil klasifikasi Neural Net (4

Neural Net Parameters (4)

Hasil klasifikasi Neural Net (4

Neural Net Parameters (5)

Hasil klasifikasi Neural Net (4

Neural Net Parameters (6)

Hasil klasifikasi Neural Net

Tabel 4. Uji Klasifikasi Confusion Matrix

Confusion Matrix Hasil Akurasi

Gambar 3. Konsep klasifikasi unsupervised