Disusun Oleh :
LABORATORIUM FOTOGRAMETRI
PROGRAM STUDI TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2021
Laporan Praktikum Penginderaan Jauh I
DAFTAR ISI
DAFTAR PUSTAKA
BAB I
PENDAHULUAN
Pada praktikum klasifikasi citra dan ground truth and assessment untuk
mengklasifikasi citra antara supervised dan unsupervised. Sebagai process
pengumpulan data lapangan. Adapun tujuan pada praktikum ini yaitu :
BAB II
DASAR TEORI
diwakili oleh suatu nilai dan ditampilkan sebagai warna tertentu. Nilai disini
merupakan urutan pembelian label/ tanda pada waktu pengambilan sampel. Perlu
diperhatikan bahwa hasil langsung klasifikasi multispectral adalah kelas kelas spectral
yang berhubungan dengan penutup lahan. Hasil multispectral yang berupa peta
penutup lahan ataupun penggunaan lahan mempunyai tingkat ketelitian (akurasi)
tertentu yang dapat diukur secara kuantitatif.
Pada metode maximum likelihood mengasumsikan bahwa statistic 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 untuk kelas yang memiliki probabilitas tertinggi (yaitu
maximum likelihood), jika probabilitas tertinggi lebih kecil dari ambang batas yang
ditentukan, piksel tetap tidak terklasifikasi.
Pada metode ini, analis terlebih dahulu menentukan beberapara training area
(daerah contoh) pada citra sebagai kelas kenampakan objek tertentu. Penetapan ini
berdasarkan pengetahuan analis terhadap wilayah dalam cita mengenai daerah-daerah
tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh
perangkat lunak komputer sebagai kunci untuk mengenali piksel lain. Daerah yang
memiliki nilai-nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah
ditentukan sebelumnya. Jadi dalam metode ini, nails mengidentifikasi kelas infomasi
terlebih dahulu yang kemudian digunakan untuk menenyukan kelas spektral yang
mewakili kelas informasi tersebut. Algoritma yang bisa digunakan untuk
menyelesaikan metode supervised ini antara lain :
1. 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.
2. Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-
masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor
Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4
6
Laporan Praktikum Penginderaan Jauh I
3. Mahalanobis Distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi
Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan
karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke
kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini
beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas.
4. 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.
7. Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir
anggota menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di
8. Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis
neural.
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
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 menggunaka 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.
dinamika kegiatan ekonomi dan sosial masyarakat atas terjadinya perubahan terkini
dari tutupan lahan sebagai akibat kegiatan tersebut. Data ground truth tersebut dapat
mem “verifikasi” atau memvalidasi objek pada citra sehingga hasil ground truth
dipakai untuk membantu dalam interpretasi, analisis dan validasi data penginderaan
jauh dan sekaligus dapat mengupdate (meremajakan) informasi objek pada citra
tersebut termasuk untuk peremajaan peta. Namun hasil ground truth “tidak selalu
akurat”.
Penilaian akurasi adalah bagian penting dari setiap proyek klasifikasi. Ini
membandingkan gambar yang diklasifikasikan dengan sumber data lain yang dianggap
akurat atau data kebenaran dasar. Kebenaran dasar dapat dikumpulkan di lapangan;
namun, ini memakan waktu dan mahal. Data kebenaran dasar juga dapat diperoleh dari
interpretasi citra resolusi tinggi, citra rahasia yang ada, atau lapisan data GIS.
Cara paling umum untuk menilai keakuratan peta rahasia adalah dengan membuat
sekumpulan titik acak dari data kebenaran dasar dan membandingkannya dengan data
rahasia dalam matriks kebingungan. Meskipun ini merupakan proses dua langkah, Anda
mungkin perlu membandingkan hasil dari metode klasifikasi atau situs pelatihan yang
berbeda, atau Anda mungkin tidak memiliki data kebenaran dasar dan mengandalkan citra
yang sama dengan yang Anda gunakan untuk membuat klasifikasi. Untuk mengakomodasi
alur kerja lainnya ini, proses ini menggunakan tiga alat geoprocessing: Buat Titik Penilaian
Akurasi , Perbarui Titik Penilaian Akurasi , dan Matriks Kerancuan Hitung .
Alur kerja yang paling umum adalah saat Anda mengklasifikasikan citra dan ingin
membandingkannya dengan data kebenaran dasar. Rangkaian langkah pertama membuat
serangkaian titik acak.
1. Buka alat Buat Poin Penilaian Akurasi dan setel Bidang Target ke Ground
Truth.
Lapisan kebenaran dasar menentukan jumlah dan penempatan titik acak menurut
strategi pengambilan sampel.
2. Pilih strategi pengambilan sampel.
Acak — Menghasilkan poin penilaian akurasi acak di seluruh set data
masukan.
Stratified Random — Menghasilkan satu set poin penilaian akurasi
yang jumlahnya proporsional dengan luas kelas untuk setiap kelas.
Setelah melihat hasil penilaian akurasi, Anda mungkin perlu menyesuaikan sampel
pelatihan atau parameter klasifikasi, atau memilih pengklasifikasi yang berbeda untuk
mendapatkan hasil yang lebih baik. Jika demikian, gunakan data rahasia baru sebagai input
ke alat Update Accuracy Assessment Points dan setel Target Field ke Classified dan
jalankan Compute Confusion Matrix menggunakan output ini.
Jika Anda telah memperbarui data kebenaran dasar dan perlu menjalankan
penilaian lagi, ada dua opsi. Salah satunya adalah dengan menggunakan data ground truth
baru sebagai masukan ke alat Update Accuracy Assessment Points dan menyetel Target
Field ke Ground Truth . Ini akan mempertahankan kumpulan poin yang sama yang dibuat
saat pertama kali Anda melakukan analisis. Sebagai alternatif, Anda dapat memulai dari
awal dan menggunakan alat Buat Poin Penilaian Akurasi untuk menghasilkan satu set poin
baru.
Opsi lainnya adalah membuat poin dari kumpulan data rahasia dan secara manual
mengidentifikasi setiap poin untuk mengisi bidang kebenaran dasar. Dalam 3cenario ini,
Anda akan menggunakan Create Accuracy Assessment Points , mengedit Ground Truth
Field, dan menjalankan alat Compute Confusion Matrix .
BAB III
PELAKSANAAN PRAKTIKUM
6. Lakukan penambahan
Region dengan klik New
Region, lalu lakukan
perubahan nama pada ROI
Name sesuai dengan
kebutuhan. Disini saya
menggunakan 3 nama
yaitu Pemungkiman,
Vegetasi dan Lahan
Kosong.
BAB IV
HASIL DAN ANALISIS
BAB V
PENUTUP
5.1 Kesimpulan
Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke
dalam sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas
dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk
menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Klasifikasi
terbimbing (supervised classification) merupakan suatu metode tahapan yang diperlukan
guna mentransformasikan data citra satelit multispektral ke dalam kelas-kelas unsur 10
spasial. Unsupervised merupakan pengelompokan warna yang belum terintegrasi.
Unsupervised dapat dijadikan sebagai data sementara atau awal untuk keperluan tertentu
semisal studi., selanjutnya untuk meningkatkan keakuratannya perlu dilakukan
pengecekan di lapangan (ground check) apakah yang telah terklasifikasi sesuai atau tidak
Salah satu software yang banyak digunakan dalam pengolahan data citra satelit ialah
ENVI.
5.2 Saran
Saat mengolah data tersebut diharapkan memperhatikan dengan baik agar tidak
terjadi kesalahan ataupun error. Banyak mempelajari dengan seksama mengenai
praktikum ini.
DAFTAR PUSTAKA
Mutia Kamalia Mukhtar. 2016. Surabaya. (DOC) Praktikum Penginderaan Jauh - Klasifikasi
Citra | Mutia Kamalia Mukhtar - Academia.edu (Diakses pada Rabu, 19 Mei
2021)
Nuria Kusuma Ilmawati BAB 2 Nuria Kusuma Ilmawati.pdf (binus.ac.id) (Diakses pada Rabu,
19 Mei 2021)
Indrayani Jayanti. 2017. Banda Aceh. Tugas-Akhir_Indrayani-Jayanti_1308107010010.pdf
(unsyiah.ac.id) (Diakses pada Rabu, 19 Mei 2021)
https://desktop.arcgis.com/en/arcmap/latest/manage-data/raster-and-images/accuracy-
assessment-for-image-classification.htm (Diakses pada Rabu, 19 Mei 2021)