Nama : Jecika Desmarinda

NIM : 08051382227078
Kelas : B
M.K : Dasar-dasar Penginderaan Jauh

RESUME VIDEO

Resume Materi Klasifikasi Citra Satelit

Klasifikasi citra satelit adalah proses pengelompokan piksel atau objek
dalam citra satelit ke dalam kategori atau kelas yang berbeda. Terdapat dua teknik
utama yang digunakan dalam klasifikasi citra satelit:
1. Klasifikasi Berbasis Pixel: Klasifikasi berbasis pixel adalah teknik yang
memproses setiap piksel dalam citra satelit secara independen, dan
mengkategorikan setiap piksel ke dalam kelas yang sesuai. Terdapat dua jenis
utama klasifikasi berbasis pixel:
 Klasifikasi Berbasis Pixel Terbimbing: Dalam metode ini, algoritma
klasifikasi memerlukan data pelatihan yang berisi contoh piksel dengan
label kelas yang sudah diketahui. Algoritma menggunakan data pelatihan
ini untuk belajar mengenali pola-pola dan karakteristik piksel yang
berkaitan dengan kelas tertentu. Beberapa algoritma terkenal yang
digunakan dalam klasifikasi berbasis pixel terbimbing adalah k-Nearest
Neighbors, Random Forest, dan Support Vector Machines.
 Klasifikasi Berbasis Pixel Tidak Terbimbing: Teknik ini tidak
memerlukan data pelatihan dengan label. Algoritma yang digunakan
cenderung membagi piksel menjadi kelas berdasarkan pola yang ada di
dalam citra tersebut. Salah satu pendekatan populer dalam klasifikasi
berbasis pixel tidak terbimbing adalah clustering menggunakan algoritma
seperti K-Means atau Hierarchical Clustering.
2. Klasifikasi Berbasis Objek: Klasifikasi berbasis objek berfokus pada
pengelompokan objek yang lebih besar dalam citra satelit, bukan setiap piksel
secara individu. Dalam metode ini, citra dibagi menjadi objek, dan karakteristik
objek tersebut digunakan untuk klasifikasi. Pendekatan berbasis objek umumnya
melibatkan langkah-langkah berikut:
  Segmentasi Objek: Citra dibagi menjadi objek dengan menggunakan
teknik segmentasi seperti region growing atau watershed segmentation.
Hasilnya adalah objek yang terdiri dari beberapa piksel yang mirip satu
sama lain.
 Ekstraksi Fitur: Dari setiap objek yang telah di-segmentasi, fitur-fitur
penting seperti bentuk, ukuran, tekstur, dan spektral diekstrak. Fitur-fitur
ini kemudian digunakan untuk mengidentifikasi objek dan
mengklasifikasikannya ke dalam kelas yang sesuai.
 Klasifikasi Objek: Berdasarkan fitur-fitur yang diekstrak, algoritma
klasifikasi seperti decision tree, neural networks, atau support vector
machines dapat digunakan untuk mengklasifikasikan objek ke dalam kelas
yang berbeda.
Kedua teknik klasifikasi ini memiliki kelebihan dan kekurangan masing-
masing, dan pemilihan teknik tergantung pada tujuan aplikasi dan karakteristik
citra satelit yang digunakan.

Resume Materi Klasifikasi Gambar

Klasifikasi gambar adalah proses menetapkan piksel ke kelas berdasarkan
nilai reflektansi. Ada beberapa metode yang berbeda untuk klasifikasi, termasuk
klasifikasi tanpa pengawasan, klasifikasi berdasarkan pengetahuan lapangan, dan
klasifikasi berbasis objek.
Klasifikasi berbasis objek menghasilkan keluaran vektor daripada keluaran
raster, yang berbeda dari pendekatan tradisional. Dalam semua jenis klasifikasi
ini, konsep tanda spektral sangat penting. Setiap objek di dunia memiliki tanda
spektral, yaitu representasi dari seberapa banyak cahaya dipantulkan pada panjang
gelombang yang berbeda dalam spektrum tampak atau inframerah dekat. Tanda
spektral ini membantu dalam memahami jenis objek yang ada di lokasi tertentu
dan bagaimana objek tersebut berbeda dari yang lain.
Selain itu, konsep ruang fitur adalah kunci dalam analisis ini. Ruang fitur
adalah representasi dua dimensi dari nilai reflektansi pada dua pita spektral yang
memungkinkan kita untuk memvisualisasikan dan membandingkan karakteristik
piksel dalam gambar. Ini memungkinkan kita untuk mengelompokkan piksel
dengan nilai serupa dalam dua pita spektral dan mengidentifikasi pola atau
perbedaan yang penting. Dengan pemahaman tentang konsep-konsep ini, kita
dapat lebih efektif menganalisis gambar satelit dan mengklasifikasikan objek atau
area berdasarkan tanda spektral dan ruang fitur. Teknik klasifikasi ini menjadi
penting dalam mengungkapkan informasi yang terkandung dalam gambar satelit.
Klasifikasi data raster dalam analisis citra satelit adalah langkah penting
untuk memahami dan menginterpretasi konten gambar. Dalam konteks ini, ada
beberapa metode yang digunakan untuk memisahkan piksel menjadi kelas
berdasarkan karakteristik reflektansi. Konsep kunci dalam klasifikasi ini adalah
tanda spektral, yang menggambarkan bagaimana benda mencerminkan cahaya
pada berbagai panjang gelombang dalam spektrum tampak dan inframerah dekat.
Klasifikasi seringkali melibatkan tiga pita spektral, dan untuk
memvisualisasinya, kita menggunakan ruang fitur tiga dimensi. Dengan tiga pita
ini, kita dapat membuat grafik tiga dimensi yang menggambarkan karakteristik
piksel dalam ruang fitur. Ini memungkinkan kita untuk mengelompokkan piksel
yang memiliki nilai serupa dalam ketiga pita, yang akan terlihat sebagai kelompok
dalam ruang fitur tiga dimensi.
Ada beberapa jenis klasifikasi yang dapat diterapkan. Salah satu yang
pertama adalah klasifikasi tanpa pengawasan, yang melibatkan penggunaan
algoritma komputer untuk memisahkan gambar menjadi kelas-kelas tanpa
intervensi pengguna. Ini berguna untuk memulai analisis dan memahami data.
Namun, hasilnya berupa kelas dengan label numerik, dan pengguna harus
menganalisis dan mengidentifikasi kelas tersebut sesuai dengan konteks lapangan.
Sebagai contoh, menggunakan indeks vegetasi seperti NDVI dalam
algoritma klasifikasi tanpa pengawasan dapat menghasilkan kelas dengan nomor,
dan kemudian pengguna harus menafsirkan apa yang masing-masing kelas
tersebut wakili dalam lingkungan nyata. Sebagai contoh, ArcGIS menggunakan
algoritma analisis klaster iso untuk melakukan klasifikasi tanpa pengawasan.
Klasifikasi tanpa pengawasan adalah langkah awal dalam menginterpretasi
gambar satelit, dan hasilnya sering menjadi landasan untuk analisis lebih lanjut.
Klasifikasi tanpa pengawasan dan Klasifikasi terawasi. Klasifikasi tanpa
pengawasan melibatkan pembuatan klaster iso yang merupakan klaster nilai
serupa dalam ruang fitur citra. Proses ini melibatkan iterasi di mana komputer
membentuk klaster berdasarkan nilai rata-rata dan mengklasifikasikan data.
Pembaruan terus berlanjut hingga konfigurasi optimal dari kelas-kelas ini
ditemukan. Beberapa klaster mungkin digabungkan atau dihilangkan berdasarkan
karakteristik spektral.
Pengklasifikasi terawasi memanfaatkan situs pelatihan yang mencerminkan
kelas-kelas yang diketahui dengan karakteristik yang diukur melalui penginderaan
jarak jauh. Berbagai algoritme digunakan untuk mengklasifikasikan sel
berdasarkan file tanda tangan yang mencerminkan karakteristik kelas. Klasifikasi
berbasis objek adalah pendekatan lain di mana sel dibentuk menjadi objek dengan
karakteristik seperti ukuran dan bentuk. Alat-alat seperti segmentasi gambar,
pengklasifikasi berbasis objek, dan filter digunakan dalam proses ini. Pentingnya
penggunaan teknik klasifikasi yang sesuai dengan jenis data dan analisis yang
diinginkan ditekankan.