Image Classification

using Machine
Learning in ArcGIS Pro

Muhammad Zayyanul Afwani

 Machine Learning

Contents
1 Lisensi Dan Ekstensi Arcgis Pro........................................................................................................ 2
1.1 ArcGIS Pro Named User License.............................................................................................. 2
1.2 Project......................................................................................................................................2
2 ArcGIS Pro Classification Tools........................................................................................................ 4
2.1 Classification Schema...............................................................................................................4
3 Supervised Classification................................................................................................................. 6
3.1 Pixel Based............................................................................................................................... 6
3.2 Object Based.......................................................................................................................... 12
4 Unsupervised Classification........................................................................................................... 17

Image Classification
Page 1 of 21
 Machine Learning

1 Lisensi Dan Ekstensi Arcgis Pro

1.1 ArcGIS Pro Named User License
1. ArcGIS Desktop memiliki tiga tipe lisensi yaitu Single Use, Named User License, dan
Concurrent Use License. Untuk license yang akan digunakan pada ArcGIS Pro yaitu Named
User License. Kemudian terdapat tiga tingkatan lisensi yaitu Basic, Standard, dan Advanced.
Untuk dapat menjalankan Machine Learning di ArcGIS Pro anda perlu menggunakan lisensi
Advanced. Lisensi Advanced memungkinkan User untuk mengaktifkan beberapa lisensi
seperti Image Analyst dan Spatial Analyst yang akan digunakan pada Machine Learning
untuk klasifikasi Citra Satelit.

1.2 Project
1. Create New Project
- Pada menu awal setelah membuka ArcGIS Pro pilih icon “Map”
- Buat project baru seperti pada gambar berikut

Image Classification
Page 2 of 21
 Machine Learning

2. Add Data
1. Tambahkan data citra satelit dengan menggunakan tools Add Data
- Pada tab Map pilih Add Data kemudian pilih Data Citra Satelit Digital_Globe_Palu.tif
- Apabila muncul pop-up “Build Pyramids Layers” maka klik Yes

2. Data citra satelit tersebut akan seperti berikut:

Image Classification
Page 3 of 21
 Machine Learning

2 ArcGIS Pro Classification Tools

2.1 Classification Schema
1. Klik citra yang akan anda olah kemudian pilih tab Imagery
- Imagery -> Classification Tools -> Training Sample Manager
- Pada tab sebelah kanan akan muncul tab seperti gambar berikut. Secara default
kelas tutupan lahan pada ArcGIS Pro akan seperti pada gambar.

2. Buatlah skema kelas penutup lahan

- Klik “Create New Schema” pada icon
- Klik kanan pada “New Schema”

Image Classification
Page 4 of 21
 Machine Learning

3. Buatlah kelas penutup lahan sesuai dengan kenampakan pada citra satelit
- Contoh kelas yang dibaut pada Latihan ini sebanyak 5 kelas dan tidak mengacu
klasifikasi penutup lahan SNI. Sehingga Latihan ini merupakan contoh saja

4. Data latih dibuat dengan melakukan digitasi

- Klik Schema (Contoh: Vegetasi) -> digit area vegetasi. Lakukan pada kelas penutup
lahan lainnya

5. Simpan schema dan training sample yang telah Anda buat

Image Classification
Page 5 of 21
 Machine Learning

3 Supervised Classification
Supervised Classification atau klasifikasi terbimbing merupakan klasifikasi yang memerlukan data
latih dan skema klasifikasi. Sehingga sebelumnya user diharapkan sudah membuat skema klasifikasi
berdasarkan ketentuan tertentu
3.1 Pixel Based
Karakteristik spektral dari piksel individu menentukan kelas yang ditetapkan. Karakteristik piksel
tetangga tidak dipertimbangkan dalam pendekatan berbasis piksel. Klasifikasi ini akan menghasilkan
efek salt-and-pepper pada gambar yang diklasifikasikan.
- Imagery -> Classification Wizard
- Classification Method : Supervised
- Classification Type : Pixel Based
- Classification Schema : Schema Penutup Lahan yang sudah dibuat pada Image
Classification *.ecs
- Output Location : Didalam geodatabase
- Training Sample : Data latih yang sudah didigitasi pada Image Classification
*.ecs
- Reference Dataset :-

Image Classification
Page 6 of 21
 Machine Learning

1. Skema klasifikasi Penutup Lahan dan Data Latih Anda akan muncul otomatis pada tab
berikutnya. Kemudian klik next

2. Maximum Likelihood Classification

Klasifikasi ini merupakan klasifikasi yang memperhitungkan probabilitias nilai piksel dari data
latih yang Anda buat. Klasifikasi ini tergolong klasifikasi yang sederhana disbanding dengan
model klasifikasi Random Tree dan Support Vector Machine.
- Classifier : Maximum Likelihood
- Klik Run, kemudian klik Next >
- Maka tampilam citra Anda akan seperti gambar berikut:

Image Classification
Page 7 of 21
 Machine Learning

3. Classifier
Proses ini akan menyimpan data yang sudah anda jalankan sebelumnya
- Output Classification Dataset : Classified_Maximum_Likelihood
- Klik Next
- Kemudian akan muncul “Merged Class” kita lewati saja tahap ini karena kita tidak
akan menggabungkan kelas Penutup Lahan, sehingga klik Next lagi

4. Reclassify
Tools ini berguna untuk merubah kelas penutup lahan yang dihasilkan kedalam kelas
penutup lahan yang Anda kehendaki. Contohnya kelas Penutup Lahan “Lahan Terbangun”
akan diubah menjadi “Lahan dengan peruntukkan lain”
- Gunakan tools “Reclassify within a region”
- Current Class : Lahan terbangun
- New Class : Lahan dengan peruntukkan lain
- Klik Run
- Klik Finish

Image Classification
Page 8 of 21
 Machine Learning

5. Random Trees Classification

- Klasifikasi ini merupakan klasifikasi tingkat lanjut yang dapat meminimalisir
overfitting, dan dapat bekerja pada data raster serta citra multispektral. Untuk input
klasifikasi ini dapat menggunakan citra dengan kedalaman bit berapa pun, dan akan
melakukan klasifikasi berdasarkan data latih.

- Jika Anda memilih untuk melakukan klasifikasi berbasis Objek, Anda dapat memilih
salah satu atau semua Atribut Segmen yang akan digunakan dalam melatih
pengklasifikasi.
- Classifier : Random Trees
- Maximum Number of Trees : 50
- Maximum Tree Depth : 30
- Maximum Number of Sample per Class : 1000
- Klil Run -> Klik Next
- Anda juga dapat merubah threshold diatas sesuai dengan kebutuhan Anda

Image Classification
Page 9 of 21
 Machine Learning

6. Tampilan Klasifikasi menggunakan Random Trees akan seperti berikut

- Simpan klasifikasi anda pada tab berikut, Klik Run
- Hasil klasifikasi dengan Random Trees akan menghasilkan kelas Penutup Lahan yang
berbeda apabila anda merubah threshold tiap parameter (Maximum Number of
Trees, Maximum Tree Depth, Maximum Number of Sample per Class)
- Klik Next
- Kita lewati lagi proses merged

Image Classification
Page 10 of 21
 Machine Learning

7. Reclassifier
- Anda dapat melakukan klasifikasi seperti tahap klasifikasi Maximum Likelihood
- Current Class : Any
- New Class : Lahan dengan peruntukkan lain

8. Support Vector Machine Classification

Klasifikasi ini mampu memproses masukan raster tersegmentasi atau gambar standar. Itu
kurang rentan terhadap kebisingan, pita berkorelasi, dan jumlah atau ukuran tempat
pelatihan yang tidak seimbang dalam setiap kelas. Metode klasifikasi ini banyak digunakan.
- Classifier : Support Vector Machine
- Maximum Number of Sample per Class : 500
- Klik Run -> Klik Next

Image Classification
Page 11 of 21
 Machine Learning

9. Classifier
Proses ini akan menyimpan data yang sudah anda jalankan sebelumnya
- Output Classification Dataset : Classified_SVM
- Klik Next
- Kemudian akan muncul “Merged Class” kita lewati saja tahap ini karena kita tidak
akan menggabungkan kelas Penutup Lahan, sehingga klik Next lagi
- Proses selanjutnya akan sama dengan klasifikasi sebelumnya.

3.2 Object Based

Klasifikasi dilakukan pada kelompok piksel dengan berbasis segmentasi. Segmentasi
mempertimbangkan karakteristik warna dan bentuk saat mengelompokkan piksel ke dalam objek.
Objek yang dihasilkan dari segmentasi lebih menyerupai fitur dunia nyata dan menghasilkan hasil
klasifikasi yang lebih rapi.
- Imagery -> Classification Wizard
- Classification Method : Supervised
- Classification Type : Object Based
- Classification Schema : Schema Penutup Lahan yang sudah dibuat pada Image
Classification *.ecs
- Output Location : Didalam geodatabase
- Segmented Image :-
- Training Sample : Data latih yang sudah didigitasi pada Image Classification
*.ecs
- Reference Dataset :-

Image Classification
Page 12 of 21
 Machine Learning

1. Segmentation, tahap ini yang membedakan klasifikai berbasis piksel (Pixel Based) dan
klasifikasi berbasis objek (Object Based). Pada klasifikasi berbasis objek, parameter yang
menentukan hasil klasiikasi ada tiga yaitu:
- Spectral detail : Mempertahankan aspek spectral atau nilai
piksel citra, sehingga objek akan diklasifikasikan dengan memperhitungkan statistic
nilai digital
- Spatial detail : Mempertahankan aspek spasial, objek
akan diklasifikasikan dengan memperhitungkan hubungan spasial atau kedekatan
objek satu dengan yang lain
- Minimum segment size in pixels : Menggabungkan objek terkecil pada kelas
yang akan Anda klasifikasi, hal ini juga memperhitungkan Minimum Mapping Unit
pada proyek Anda
Anda dapat merubah nilai tiap parameter tersebut sesuai dengan kebutuhan Anda. Pada
contoh tersebut merupakan nilai default.

Image Classification
Page 13 of 21
 Machine Learning

2. Skema klasifikasi Penutup Lahan dan Data Latih Anda juga akan muncul otomatis pada tab
berikutnya, sama seperti klasifikasi berbasis piksel.

3. Pada tahap ini “Train” data latih yang Anda buat akan belajar mengklasifikasikan objek
berdasarkan skema klasifikasi dan “Segment Attributers”. Skema klasifikasi berbasis objek
menggunakan ArcGIS Pro juga memiliki tiga schema yaitu: Support Vector Machine,
Maximum Likelihood, dan Random Trees
- Klik Run -> Klik Next

Image Classification
Page 14 of 21
Machine Learning

Image Classification
Page 15 of 21
 Machine Learning

4. Simpan object pada tab “Classify”

- Output Classified Dataset : Classified_Random_Trees
- Tab selanjutnya yaitu merged class, karena tidak ad akelas yang digabungkan maka
kita lewati tahap ini

5. Reclassify, sama seperti tahap klasifikasi berbasis piksel. Apabila tidak ad akelas yang akan
dirubah maka Anda dapat melewati tahap ini dengan Klik “Next” dan “Finish”

Image Classification
Page 16 of 21
 Machine Learning

4 Unsupervised Classification
Unsupervised Classification atau klasifikasi tak terbimbing merupakan klasifikasi yang ditentukan
tanpa sampel pelatihan. Piksel atau segmen secara statistik ditetapkan berdasarkan pengklasifikasi
ISO Cluster. Piksel dikelompokkan ke dalam kelas-kelas berdasarkan karakteristik spektral dan spasial.
Yang diperlukan hanya jumlah kelas yang akan dihitung. Pada Unsupervised Classification
menggunakan ArcGIS Pro hanya terdapat satu metode yaitu ISO Cluster pada klasifikasi berbasis
Piksel maupun Berbasis Objek.
- Imagery -> Classification Wizard
- Classification Method : Unsupervised
- Classification Type : Object Based
- Classification Schema : Schema Penutup Lahan yang sudah dibuat pada Image
Classification *.ecs
- Output Location : Didalam geodatabase
- Reference Dataset :-

Image Classification
Page 17 of 21
 Machine Learning

1. Segmentation
- Segmentasi ini sama halnya dengan Supervised Classification ditujukan untuk
mengklasifikasikan objek

2. Pada tahap ini “Train” data latih yang Anda buat akan belajar mengklasifikasikan objek
berdasarkan parameter seperti berikut:
- Classification : ISO Cluster (Hanya satu pilihan saja)
- Maximum Number of Classes : Kelas Penutup Lahan yang akan dihasilkan
- Maximum Number of Iterations : Jumlah perulangan setiap kali data dilatih untuk
melakukan klasifikasi pada satu objek
- Maximum Number of Cluster Merged per Iterations : Kelas yang digabungkan
setiap kali iterasi
- Maximum Merge Distance : Jarak objek/kelas yang akan digabungkan kedalam
satu kelas
- Minimum Samples per Cluster : Sampel tiap klister yang digunakan (ditentukan
oleh mesin/komputer)
- Skip Factor : Jumlah piksel yang dilewati

Image Classification
Page 18 of 21
 Machine Learning

3. Hasil dari ISO Cluster akan seprerti gambar berikut:

- Classify
o Tahap ini digunakan untuk menyimpan data, Klik Run

Image Classification
Page 19 of 21
 Machine Learning

4. Assign Class digunakan untuk memasukkan hasil klasifikasi ke skema yang telah Anda buat
apabila Anda menghendakinya.
- Klik salah satu skema penutup lahan (Contoh: Vegetasi) -> klik icon -> kemudian
arahkan ke salah satu kelas penutup lahan pada hasil klasifikasi
- Tabel New Class akan berganti dengan kelas penutup lahan yang sudah Anda
masukkan di awal.
- Klik Next -> Masuk Tab Reclassify -> Next -> Finish

Sekian dan Terimakasih

Image Classification
Page 20 of 21