LAPORAN PRAKTIKUM

ACARA 7
KLASIFIKASI CITRA TAK TERBIMBING MULTISPEKTRAL
PENUTUP LAHAN MENGGUNAKAN ISODATA DAN K-MEANS

Diajukan untuk memenuhi salah satu tugas Mata Kuliah Praktik Interpretasi Citra
yang diampu oleh:
Riki Ridwana, S. Pd., M.Sc.
Shafira Himayah, S. Pd., M.Sc.

Oleh:
Satrio Indra Maulana

2109688

JURUSAN SURVEI PEMETAAN DAN INFORMASI GEOGRAFIS

FAKULTAS PENDIDIKAN ILMU PENGETAHUAN SOSIAL
UNIVERSITAS PENDIDIKAN INDONESIA
BANDUNG
2022
 BAB I
PEMBAHASAN

A. Latar Belakang

Penutup lahan menurut Lillesand dan Kiefer (1994) adalah obyek vegetasi dan
konstruksi artifisial yang menutupi permukaan bumi yang berkaitan dengan jenis
kenampakan di permukaan bumi, seperti bangunan kekotaan, danau dan vegetasi. Istilah
penutup lahan berbeda dengan penggunaan lahan. Istilah penutup lahan berkaitan dengan
jenis kenamapakan objek yang menutupi permukaan bumi, sedangkan penggunaan lahan
berkaitan dengan kegiatan manusia pada bidang lahan tertentu. Interpretasi dilakukan
sesuai dengan merujuk pada klasifikasi SNI 7645-1:2014. Klasifikasi digunakan untuk
mengelompokkan kenampakan-kenampakan tertentu yang memiliki kesamaan nilai
spektral atau feature lain, misal berdasarkan asosiasi, ukuran, dan lain-lain. Secara umum
klasifikasi citra dibagi menjadi dua, yaitu klasifikasi tak terbimbing (unsupervised
classification) dan klasifikasi terbimbing (supervised classification).
Unsupervised Classification (Klasifikasi Tak Terbimbing) merupakan Cara kerja
metode ini merupakan kebalikan dari metode supervised, dimana nilai-nilai piksel
dikelompokkan terlebih dahulu oleh komputer ke dalam kelas-kelas spektral menggunakan
algoritma klusterisasi. Dalam metode ini, di awal proses biasanya analis akan menentukan
jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis
menetapkan kelas-kelas objek terhadap kelas-kelas spektral yang telah dikelompokkan
oleh komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan
beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas. Misal
class 1, class 2, dan class 3 misalnya adalah hutan, perkebunan, sawah maka analis bisa
mengelompokkan kelas-kelas tersebut menjadi satu kelas yaitu kelas vegetasi. Jadi, pada
metode ini tidak terdapat campur tangan manusia. Algoritma yang bisa digunakan untuk
menyelesaikan metode ini adalah:
1) IsoData
Mengklasifikasikan kelas secara merata. Piksel-piksel diklasifikasikan ke kelas
terdekat. Setiap iterasi kalkulasi ulang sarana dan mereklasifikasi piksel sehubungan
dengan cara baru. Iteratif membelah kelas, penggabungan, dan menghapus dilakukan
berdasarkan parameter input threshold. Semua piksel diklasifikasikan ke kelas terdekat
1
 kecuali deviasi standar atau ambang batas jarak yang ditentukan, dalam hal ini beberapa
piksel mungkin unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses
ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang
perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai
2) K-Means
Menggunakan pendekatan analisis kelas yang mengharuskan analis untuk memilih
jumlah kelas yang berlokasi di data, sewenang-wenang ini menempatkan sejumlah
pusat klaster, kemudian iteratif repositions mereka sampai keterpisahan spektral yang
optimal dicapai. Klasifikasi ini juga menggunakan teknik jarak minimum. Setiap iterasi
kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara baru.
Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang
batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika
mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel
dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau
jumlah maksimum iterasi tercapai.
B. Tujuan
Pada praktikum kali ini memiliki tujuan, yaitu:
1. Praktikan dapat melakukan unsupervised classification IsoData.
2. Praktikan dapat melakukan unsupervised classification K-Means.
3. Praktikan dapat me-Layout hasil citra yang telah di-unsupervised classification
IsoData dan unsupervised classification K-Means.

2
 BAB II
PEMBAHASAN

A. Alat dan Bahan

1. Data citra Landsat 8 Kota Sumedang.

2. Aplikasi Envi Classic.
B. Tata Cara Kerja

1. Unsupervised Classification (IsoData)

a. Buka aplikasi Envi Classic > File > Open Image File.

3
b. Open File > Lalu masukkan data yang sudah di Resize data

c. Klik Classification > Unsupervised > IsoData.

4
d. Klik data resize tersebut > Ok

e. Ubah Number of Classes menjadi “Min 10 & Max 15”.

5
f. Tampilkan citra IsoData dengan cara klik Display > New Display > pilih citra >
Load Band.

g. Untuk mangklasifikasikan penutup lahan, klik Overlay > Classification

6
h. Dan akan Muncul kelas 1-12. Untuk menamakan setiap penutup lahan (sesuai dengan
standar nasionalIndonesia), klik Options pada Display 1 > Edit class colors/names.

i. Beri nama sesuai standar nasional Indonesia dan beri awarna yang pas

7
j. Setelah memberikan nama dan warna yang sesuai dengan standar nasionalIndonesia
lakukanlah penyimpanan, klik file > Save Changes to File.

k. Lanjut membuat Unsupervised k-Means. Dengan Mengulang tata cara seperti sebelumnya.
Dan berikut hasil k-means. Dan ini hasil K-means dan juga telah diatur warnanya.

8
l. Lalu Drag file isodata dan K-means ke Arcgis untuk dibuat layout

9
C. Hasil, Pembahasan Kesimpulan
1. Unsupervised Classification IsoData.

2. Unsupervised Classification K-Means.

Pembahasan
Pada praktikum kali ini praktikan ditugaskan untuk Melakukan Unsupervised Classification
IsoData dan K-Means melalui ENVI, dan melayout hasil dari Classification Tugas ini berisikan
tentang mengklasifikasikan warna, setelah itu data yang sudah jadi, kita buat Layout pada Aplikasi
Arcgis dengan menggunakan kaida peta seperti pada umum nya.

Pertama-tama kita harus melakukan Resize Data yang gunanya untuk memotong citra yang akan
kita klasifikasi, pilih wilayah penutup lahan dengan memperhatikan daerah masing-masing saya
memilih di daerah utara kota cirebon, agar cakupan petanya lebih kecil. Lalu kita klik ke
Classification>Unsupervised>IsoData. Setelah itu kita gunakan resize data dan muncul file data
tersebut, setelah itu kita lakukan klasifikasi warna, begitu juga pada K-Means.

Analisis praktikan pada Unsupervised IsoData memunculkan warna lebih sedikit pada klasifikasi
penutup lahan sedangkan K-Means lebih banyak memunculkan warna sehingga lebih banyak
mencakup klasifikasi penutup lahan. Kesulitan yang praktikan alami yaitu saat klasifikasi warna,
dikarenakan ada beberapa tempat yang membuat praktikan kebingungan saat mengklasifikasikan
penutup lahan.

Pada hasil akhir di bagian Isodata warna yang dihasilkan tidak banyak namun dari segi kerapihan
warnanya lebih baik, namun dengan bagian K-means itu banyak warna yang di hasilkan karna dari
klarifikasinya ada 15 data tabel yang harus di isi namun dalam segi kerapihan kurang karena terlalu
banyak warna

Kesimpulan
Pada praktikum kali ini dapat disimpulkan bahwa:
3. Mahasiswa dapat melakukan unsupervised classification IsoData dengan baik.
4. Mahasiswa dapat melakukan unsupervised classification K-Means dengan baik.
5. Mahasiswa dapat me-Layout hasil citra yang telah di-unsupervised classification
IsoData dan unsupervised classification K-Means dengan baik.