LAPORAN PRAKTIKUM PENGINDERAAN JAUH I

“KLASIFIKASI CITRA dan GROUND TRUTH AND ASSESMENT”

Tanggal Penyerahan : 19 Mei 2021

Disusun Oleh :

Raihan Naufal Umar (23-2019-072)

Kelas / Kelompok :B/4

Dosen : Dr. Dewi Kania Sari, Ir., M.T.

Asisten Dosen : 1. Febri Hariandi 23-2018-051

2. Georgdy Mathew S. 23-2018-054

LABORATORIUM FOTOGRAMETRI
PROGRAM STUDI TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2021
 Laporan Praktikum Penginderaan Jauh I

DAFTAR ISI

DAFTAR ISI .................................................................................................................... i

BAB I PENDAHULUAN .............................................................................................. 2

1.1. Maksud dan Tujuan Praktikum................................................................................. 2

1.2. Tempat dan Waktu Pelaksanaan Praktikum ............................................................. 2

BAB II DASAR TEORI ................................................................................................ 3

2.1. Klasifikasi Citra ........................................................................................................ 3

2.2. Klasifikasi Supervise ................................................................................................ 5

2.3. Klasifikasi Unsupervise ............................................................................................ 8

2.4. Ground Truth and Accuracy Assessment .................................................................. 9

BAB III PELAKSANAAN PRAKTIKUM................................................................ 12

3.1. Tahapan Klasifikasi Supervised.............................................................................. 12

3.2. Tahapan Klasifikasi Unsupervised ......................................................................... 16

BAB IV HASIL DAN ANALISIS............................................................................... 18

4.1. Hasil dan Analisis Klasifikasi Supervised .............................................................. 18

4.2 Hasil dan Analisis Klasifikasi Unsupervised ........................................................... 19

4.3. Analisis Ground Truth and Accuracy Assessment ................................................... 19

BAB V PENUTUP ....................................................................................................... 20

5.1. Kesimpulan ............................................................................................................. 20

5.2. Saran ........................................................................................................................ 20

DAFTAR PUSTAKA

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4

i
 Laporan Praktikum Penginderaan Jauh I

BAB I
PENDAHULUAN

1.1 Maksud dan Tujuan Praktikum

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 :

1. Klasifikasi citra menggunakan software ENVI

2. Mengetahui teori dasar mengenai klasifikasi citra dan ground truth and assessment
3. Mengolah citra menggunakan software ENVI dan ArcGis
4. Menguasai proses dari ground truth and assessment

1.2 Tempat dan Waktu Pelaksanaan Praktikum

Hari/tanggal : Kamis, 6 Mei 2021
Waktu : 11.15 – 11.45 WIB
Tempat pelaksaan : Rumah masing-masing (melalui Google Meet)

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4

2
 Laporan Praktikum Penginderaan Jauh I

BAB II
DASAR TEORI

2.1 Klasifikasi Citra

Aktifitas klasifikasi dan analisa citra dilakukan untuk mengidentifikasi secara

digital dan mengklasifikasi piksel dalam data. Klasifikasi biasanya dilakukan pada
dataset multi-saluran dan proses ini menandai masing-masing piksel dalam citra
menjadi kelas-kelas didasarkan pada karakyteristik static dari nilai kecerahan piksel
(Lillesand dan Kiefer 1986).
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. Contoh objek yang berkaitan dengan permukaan bumi antara lain air, hutan,
sawah, kota, jalan, dan lain-lain. Sedangkan pada citra satelit meteorologi, proses
klasifikasi dapat menghasilkan peta awan yang memperlihatkan distribusi awan di
atas suatu wilayah.
Secara umum, algoritma klasifikasi dapat dibagi menjadi supervised (terawasi)
dan unsupervised (tak terawasi). Pemilihannya bergantung pada ketersediaan data
awal pada citra itu. Analisa cluster merupakan suatu bentuk pengenalan pola yang
berkaitan dengan pembelajaran secara unsupervised, dimana jumlah pola kelas tidak
diketahui. Proses clustering melakukan pembagian data set dengan mengelompokkan
seluruh pixel pada feature space (ruang ciri) ke dalam sejumlah cluster secara alami.
Klasifikasi adalah teknik yang digunakan untuk menampilkan pola penting
atau distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari
citra tersebut diperoleh informasi yang bermanfaat. Untuk pemetaan tutupan lahan,
hasilnya bisa diperoleh dari proses klasifikasi multispektral citra satelit. Klasifikasi
multispektral sendiri adalah algoritma yang dirancang untuk menyajikan informasi
tematik dengan cara mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai
spektral. (Sekretariat FWI Simpul Bogor, 2003) Klasifikasi multispektral diawali
dengan menentukan nilai piksel tiap objek sebagai sampel.
Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan
dalam proses klasifikasi. Klasifikasi multispectral merupakan algoritma yang

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4

3
 Laporan Praktikum Penginderaan Jauh I

dirancang untuk menurunkan informasi sistematik dengan mengelompokkan

fenomena berdasar kriteria tertentu: klasifikasi multispectral adalah proses
pengumpulan informasi dari citra digital berdasarkan nilai spectral kemudian
mengelompokkan informasi tersebut menjadi kategori baru berdasarkan kesamaan
nilai spektralnya. Asumsi paling awal dalam klasifikasi multispectral adalah bahwa
tiap objek dapat dibedakan dari yang lain berdasarkan nilai spektralnya. Semakin
sempit dan banyak saluran yang digunakan semakin detail atau teliti hasil klasifikasi
multispectral ini. Klasifiasi multispectral ini membutuhkan informasi statistic citra
pada tiap salurannya. Semakin banyak informasi statistic dibutuhkan maka semakin
rumit algoritmanya dan semakin lama proses eksekusi klasifikasinya.
Cara kerja algoritma klasifikasi multispectral intinya adalah menandai tiap
jenis objek hingga terlihat berbeda dari satu dan yang lainnya berdasarkan nilai
spektralnya sekaligus pada beberapa saluran. Dan menerjemahkan kenampakan visual
tersebut menjadi parameter – parameter statistic yang dimengerti oleh komputer
kemudian dieksekusi. Dengan mengetahui karakteristik nilai, pembagian kelas dapat
dilakukan. Karakteristik spectral merupakan gambaran sifat dasar interaksi objek dan
spectral yang bekerja padanya (Dulbahri, 1984). Secara garis besar klasifikasi dapat
dibedakan menjadi dua yaitu: klasifikasi terselia (supervised classification) dan
klasifikasi tak terselia (unsupervised classification).
Pada klasifikasi terselia dilaksanakan berdasarkan pada karakteristi data atau
piksel yang dipilih sebagai acuan. Pemilihan piksel – piksel sebagai sampel dalam
klasifikasi harus memperhatikan homogenitasnya. DIsamping itu kriteria statistic
diperlukan untuk menilai sampel. Semakin tinggi homogenitasnya maka akan
memberikan hasil klasifiaksi yang semakin baik pula.
Berbeda pada klasifikasi terselia, pada klasifikasi tak terselia secara otomatis
diputuskan oleh komputer, tanpa campur tangan operator (kalaupun ada proses ini
sangat terbatas). Proses ini sendiri adalah suatu proses iterasi sampai menghasilkan
pengelompokan akhir gugus gugus spectral. Pada klasifikasi tak terselia ini tidak
diperlukan data atau piksel sebagai acuan. Hal ini didasarkan asumsi bahwa objek yang
sama akan menghasilkan atau memberikan nilai spectral yang sama atau hampir sama
sehingga piksel yang berbeda akan saling terpisah.
Hasil klasifikasi multispectral, baik secara terselia maupun tidak adalah suatu
peta yang menyatakan distribusi spasial objek pada daerah penelitian. Tiap object

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4

4
 Laporan Praktikum Penginderaan Jauh I

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.

2.2 Klasifikasi Supervised

Menurut Prahasta (2008) klasifikasi terbimbing (supervised classification)

merupakan suatu metode tahapan yang diperlukan guna mentransformasikan data
citra satelit multispektral ke dalam kelas-kelas unsur 10 spasial. Ada dua klasifikasi
terbimbing yang akan digunakan pada penelitian ini, yaitu metode Maximum
Likelihood Classification (MLC) dan Minimum Distance Classification (MDC)
Menurut Projo Danoedoro (1996) klasifikasi supervised ini melibatkan interaksi
analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi
objek pada citra (training area). Sehingga pengambilan sampel perlu dilakukan
dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu,
sehingga diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu.
Metode supervised mengharuskan adanya training set Akan tetapi training set untuk
tiap kelas ini seringkali belum diketahui. Salah satu penyebabnya adalah sulitnya
menentukan jumlah kelas yang sebenarnya terdapat pada citra itu disamping
kesulitan untuk mencari lokasi-lokasi mana yang bisa dianggap paling mewakilinya.
Fenomena ini mendorong para peneliti dalam bidang pengenalan pola (pattern
recognition) untuk terus berusaha menghasilkan algoritma yang mampu mendeteksi
jumlah cluster ini secara otomatis.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4

5
 Laporan Praktikum Penginderaan Jauh I

Keunggulan supervised classification :

 Lebih akurat karena telah didasari oleh data survei primer

 Dilakukan secara otomatis

 Klasifikasi sesuai dengan masukan data dalam daftar fungsi

Kekurangan supervised classification :

 Membutuhkan kemampuan tenaga survei untuk identifikasi secara langsung

ke lapangan

 Biaya yang sangat mahal

 Besar kemungkinan terjadi human error

 Membutuhkan pengetahuan awal pada wilayah survei

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

rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak

terklasifikasi jika tidak memenuhi kriteria yang dipilih.

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.

5. Spektral Angle Mapper

Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk
mencocokkan piksel untuk spektra acuan.

6. Spectral Information Divergence

Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang
menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum referensi.
Semakin kecil divergensi, semakin besar kemungkinan piksel serupa. Piksel dengan
pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan tidak
diklasifikasikan.

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

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4

7
 Laporan Praktikum Penginderaan Jauh I

atas rata-rata spektrum, masing-masing. Dapat membandingkan setiap spektrum

referensi yang dikodekan dengan spektrum data yang disandikan dan menghasilkan
klasifikasi citra. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar
dari band yang cocok, kecuali jika ditentukan batas minimum pertandingan, dalam hal
ini beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.

8. Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis
neural.

9. Support Vector Machine

Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan
kelas dengan permukaan keputusan yang memaksimalkan margin antara kelas.

2.3 Klasifikasi Unsupervised

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.
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 :
Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4
8
 Laporan Praktikum Penginderaan Jauh I

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.

2.4 Ground Truth and Accuracy Assessment

“Ground truth” adalah process pengumpulan data lapangan sebagai

komplementer (pelengkap) data remote sensing yang diperoleh dari data foto udara atau
satelit. Informasi yang diperoleh dari Ground truth dijadikan sebagai data acuan
(“reference data”) yang dapat dimanfaatkan oleh berbagai pihak untuk keperluan
interpretasi, analisis dan validasi data penginderaan jauh khususnya data penginderaan
jauh satelit. Ground truth dapat meliputi serangkaian kegiatan pengumpulan data
dengan pengukuran atau pengamatan tentang objek atau fenomena yang diamati. Para
petugas lapangan mengumpulkan data. Dari ground truth tersebut dapat dilakukan
identifikasi posisi dan lokasi tataguna dan tutupan lahan dan membandingkannya
dengan apa yang tampak pada citra. Ground truth juga dapat memberikan informasi

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4

9
 Laporan Praktikum Penginderaan Jauh I

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.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 10

 Laporan Praktikum Penginderaan Jauh I

 Equalized Stratified Random — Menghasilkan satu set poin penilaian

akurasi di mana setiap kelas memiliki jumlah poin yang sama.
Sebuah tabel dibuat dengan mencantumkan setiap titik acak sebagai catatan
bersama dengan bidang untuk kebenaran dasar dan bidang untuk gambar rahasia. Bidang
Kebenaran Dasar diisi dengan nilainya sementara bidang Diklasifikasikan diisi dengan
nilai null (-1).
3. Buka alat Perbarui Poin Penilaian Akurasi.
4. Tetapkan data Input Raster atau Kelas Fitur sebagai kumpulan data rahasia.
5. Gunakan output dari alat Create Accuracy Assessment Points sebagai Input
Accuracy Assessment Points.
6. Atur Target Field menjadi Classified.
Tabel diperbarui untuk memasukkan nilai setiap poin berdasarkan data rahasia.
Sekarang kedua kolom telah terisi dan siap digunakan untuk menghitung matriks konfusi.
7. Buka alat geoprosesing Compute Confusion Matrix dan gunakan tabel yang
dihasilkan pada langkah sebelumnya sebagai input.

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 .

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 11

 Laporan Praktikum Penginderaan Jauh I

BAB III
PELAKSANAAN PRAKTIKUM

3.1 Tahapan Klasifikasi Supervised

Tabel 3.1
Tahapan Klasifikasi Supervised
No. Gambar Keterangan

1. Buka software ENVI

Classic 5.3 (64-Bit)

2. Klik file lalu pilih Open

Image File, lalu pilih citra
yang sudah dilakukan
cropping

3. Lalu klik RGB Color dan

sesuaikan bandnya, lalu
klik load RGB.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 12

 Laporan Praktikum Penginderaan Jauh I

4. Lalu akan muncul tampilan

seperti ini.

5. Klik Basic Tools, pilih

Region of Interest lalu klik
ROI Tool.

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.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 13

 Laporan Praktikum Penginderaan Jauh I

7. Klik ROI_Type – Point,

karena digitasi yang akan
dilakukan berupa point.
Pada ROI Tool klik pada
nama pertama yaitu
Vegatasi kemudian pilih
zoom sebagai tempat yang
akan kita lakukan digitasi.
Untuk mendigitasinya
disini minimal 5 pixel.
Pilih wilayah yang
menurut kita itu adalah
wilayah Vegetasi, lakukan
zoom terus sampai
keliahatam pixel-pixelnya,
lakukan hal yang sama
kepada Lahan Kosong dan
Pemungkiman

8. Jika sudah akan seperti ini

tampilannya. Lalu pada
window ROI Tool klik File
lalu klik save ROIs.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 14

 Laporan Praktikum Penginderaan Jauh I

9. Pada window ENVI

Classic klik Classification
lalu pilih Supervised dan
klik Parallelepiped.

10. Klik citra yang sudah

dilakukan cropping lalku
klik Ok.

11. Klik Select All Items, lalu

No pada Output Rule
Images dan pilih
penyimpanan lalu Ok.

12. Pilih band Supervised lalu

klik New Display lalu
Load Band.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 15

 Laporan Praktikum Penginderaan Jauh I

13. Berikut adalah hasil dari

Supervised. Lalu untuk
menyimpan file kita klik
File lalu Save Image As
klik Image File. Pilih
Output File Type menjadi
TIFF/GeoTIFF lalu pilih
penyimpanan dan klik Ok.

3.2 Tahapan Klasifikasi Unsupervised

Tabel 3.1
Tahapan Klasifikasi Unsupervised
No. Gambar Keterangan

1. Pada window ENVI

Classic klik Classification
lalu pilih Unsupervised
lalu klik IsoData.

2. Klik citra yang sudah

dilakukan cropping, lalu
klik Ok.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 16

 Laporan Praktikum Penginderaan Jauh I

3. Pilih penyimpanan lalu

klik Ok.

4. Klik band Unsupervised

lalu klik New Display dan
klik Load Band.

5. Berikut adalah hasil dari

Unsupervised. Lalu untuk
menyimpan file kita klik
File lalu Save Image As
klik Image File. Pilih
Output File Type menjadi
TIFF/GeoTIFF lalu pilih
penyimpanan dan klik Ok.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 17

 Laporan Praktikum Penginderaan Jauh I

BAB IV
HASIL DAN ANALISIS

4.1 Hasil dan Analisis Klasifikasi Supervised

Pada sistem kerja klasifikasi Supervised terlebih dahulu diharuskan menetapkan

beberapa training area (daerah contoh) pada citra sebagai kelas lahan tertentu. Nilai-nilai
pixel dalam daerah contoh tersebut kemudian digunakan oleh komputer sebagai kunci
untuk mengenai pixel yang lain. Dearah yang memiliki nilai pixel sejenis akan
dimasukan kedalam kelas lahan yang telah ditetapkan sebelumnya. Seperti vegetasi,
penggunaan lahan dan lain-lain. Dengan jenis parallelepiped maka meggunakan aturan
sederhana mengklasifikasi data multispectral.
Gambar diatas adalah hasil dari Klasifikasi Supevised daerah Langkat, Sumatra
Utara yang telah kita lakukan cropping terlebih dahulu. Lalu dilakukan digitasi vegetasi,
lahan kosong dan pemungkiman. Pada saat pendigitasian minimal menggunakan 5 pixel
dan disini saya menggunakan 9 pixel. Bisa dilihat hasil saya disini kurang maksimal karena
pada saat pendigitasian, citra yang saya miliki hamper tidak ada bedanya antara lahan
kosong dengan vegetasi karena itu hasil dari supervisednya seperti gambar diatas.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 18

 Laporan Praktikum Penginderaan Jauh I

4.2 Hasil dan Analisis Klasifikasi Unsupervised

Pada unsupervised melakukan pengelompokan nilai-nilai pixel citra oleh

komputer kedalam kelas-kelas spektral dengan menggunakan algoritma klusterisasi.
Dengan menggunakan ISOdata maka mengklasifikasi kelas secara merata. Memisah
kelas, menggabungkan dan menghapus dilakukan berdasarkan parameter input.
Gambar diatas adalah hasil dari Klasifikasi Unsupervised yang telah terbentuk
secara otomatis oleh program yang ada disoftware ENVI.
Kelebihan dari klasifikasi Unsupervised adalah efektivitas dalam mengklasifikasi
dimana analis hanya menentukkan kluster sedangkan yang mengerjakan klasifikasi
langsung dilakukan oleh Komputer.

4.3 Analisis Ground Truth and Accuracy Assessment

Untuk analisis dari hasil ground truth and accuracy assessment adalah disini
hasilnya kurang maksimal karena digitasi vegetasi dan pemungkiman kurang tepat dan
menyeluruh.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 19

 Laporan Praktikum Penginderaan Jauh I

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.

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 20

 Laporan Praktikum Penginderaan Jauh I

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)

Raihan Naufal Umar / 23-2019-072 / Kelas B / Kelompok 4 21