Analisis Tutupan

dan Kelerengan
Lahan dengan
ArcGIS
Klasifikasi Tutupan Lahan
dengan Unsupervised &
Supervised Classification
Table of Content
1. Pengertian Klasifikasi
Tutupan Lahan
2. Pengenalan Tool di ArcGIS
untuk Analisis Klasifikasi
Tutupan Lahan
3. Melakukan Analisis Klasifikasi
Tutupan Lahan
Menggunakan ArcGIS
Pengertian Klasifikasi
Tutupan Lahan
Pengertian Klasifikasi Penutup Lahan
Menurut Badan Standarisasi Nasional berikut pengertiannya :
Klasifikasi
Penggolongan objek ke dalam kelas-kelas menurut kriteria-kriteria tertentu.

Penutup Lahan

Tutupan biofisik pada permukaan bumi yang dapat diamati merupakan suatu hasil
pengaturan, aktivitas, dan perlakuan manusia yang dilakukan pada jenis penutup lahan
tertentu untuk melakukan kegiatan produksi, perubahan, ataupun perawatan pada
penutup lahan tersebut.
Pengertian Klasifikasi Penutup Lahan

Sehingga dapat disimpulkan bahwa :

Klasifikasi Penutupan Lahan adalah penggolongan objek penutupan lahan ke dalam
kelas-kelas menurut batasan dan kriteria tertentu. Penutupan Lahan adalah penutupan
biofisik pada permukaan bumi yang dapat diamati, merupakan hasil interpretasi dari
citra penginderaan jauh.
Pengertian Unsupervised
Classification
Unsupervised Classification (Klasifikasi
Tidak Terbimbing)
Sistem kerja metode tidak terbimbing adalah melakukan
pengelompokan nilai-nilai pixel suatu citra oleh komputer ke
dalam kelas-kelas spektral dengan menggunakan algoritma
klasterisasi.
Unsupervised Classification (Klasifikasi
Tidak Terbimbing)
Metode tidak terbimbing terdiri dari dua jenis yaitu :
1. IsoData, yaitu mengklasifikasikan kelas secara merata, setiap
pixel diklasifikasikan ke kelas terdekat.
2. K-Means, hampir sama dengan metode IsoData, bedanya
dengan menggunakan metode ini analis mengharuskan
untuk memilih jumlah kelas yang berlokasi di data,
kemudian sistem akan mengelompokkan data ke dalam
kelas kelompok yang telah ditentukan.
Pengertian Supervised
Classification
Supervised Classification (Klasifikasi
Terbimbing)
Pada sistem kerja metode terbimbing (Supervised), analis
terlebih dahulu diharuskan menetapkan beberapa training
area(daerah contoh) pada citra sebagai kelas lahan tertentu.
Supervised Classification (Klasifikasi
Terbimbing)
Metode terbimbing terdiri dari beberapa jenis yaitu :
1. Parallelepiped, yaitu klasifikasi dengan menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral.
2. Minimum Distance, yaitu teknik jarak minimum menggunakan vektor rata-rata dan menghitung
jarak dari setiap pixel yang diketahui oleh vektor rata-rata untuk masing-masing kelas.
3. Maximum Likehood, yaitu mengasumsikan bahwa statistik untuk setiap kelas di masing-masing
band yang terdistribusi secara normal dan menghitung probabilitas bahwa setiap pixel yang
diberikan milik kelas tertentu.
4. Mahalanobis Distance, yaitu Jarak arah pengklasifikasi sensitif yang menggunakan statistik untuk
masing-masing kelas.
5. Spectral Angel Mapper, yaitu Klasifikasi spectral berbasis fisik yang menggunakan sudut n-D
untuk mencocokkan pixel untuk spektrum referensi.
6. Spektral Informasi Divergence, yaitu metode klasifikasi spektral yang menggunakan ukuran
divergensi untuk mencocokkan pixel untuk spektrum referensi.
7. Binary Encoding, yaitu Klasifikasi pengkodean biner dengan cara mengkodekan data dan
spektrum endmember ke nol dan satu, berdasarkan apakan sebuah band jatuh di bawah atau di
atas spektrum mean, masing-masing fungsi eksklusif OR membandingkan masing-masing
spektrum referensi dikodekan dengan spektrum data dikodekan dan menghasilkan gambar
klasifikasi.
Tahapan Supervised Classification

Ada 3 tahapan dalam metode Supervised Classification ini :

1. Memilih Sample Area sebagai bahan training
2. Membuat Signature File
3. Menjalankan Klasifikasi
Perbedaan Supervised dan
Unsupervised Classification
Supervised Classification (Klasifikasi terbimbing) adalah klasifikasi yang
dilakukan dengan arahan analis (supervised), dimana kriteria
pengelompokkan kelas ditetapkan berdasarkan penciri kelas (class
signature) yang diperoleh melalui pembuatan area contoh (training area).
Sedangkan, Unsupervised Classification (klasifikasi tidak terbimbing)
merupakan klasifikasi dengan pembentukan kelasnya sebagian besar
dikerjakan oleh komputer. Kelas-kelas atau klaster yang terbentuk dalam
klasifikasi ini sangat bergantung kepada data itu sendiri, yaitu
dikelompokkannya piksel-piksel berdasarkan kesamaan atau kemiripan
spektralnya (Riswanto 2009).
YT : DEB Solution
(@debsolutionbluecheck)
IG : @the.way.ndro
TikTok : @thewayndro