Laporan Penginderaan Jauh

ACARA IX
Klasifikasi Unsupervised/Tak Terselia

Dibuat Oleh :

Sukron Citrawana
22314437
Kelas K/40

Prodi D-IV Pertanahan

Sekolah Tinggi Pertanahan Nasional
A. DASAR TEORI
Klasifikasi tak-terselia berbeda dengan klasifikasi terselia, klasifikasi ini secara
otomatis dilakukan oleh komputer tanpa campur tangan operator (kalau pun ada
interaksi ini terbatas). Proses ini adalah proses iterasi sampai menghasilkan
pengelompokan akhir gugus-gugus spektral. Beberapa algoritma klasifikasi tak
terselia yaitu jarak minimum ke pusat gugus (K-Means), penggugusan statistik,
Isodata, dan algoritma campuran (Danoedoro,P 2012,320-324).
Sistem kerja metode unsupervised adalah melakukan pengelompokan nilai-
nilai pixel suatu citra oleh komputer kedalam kelas-kelas spektral dengan
menggunakan algoritma klusterisasi. Dalam metode ini, diawal proses biasanya
analis (orang yang melakukan analisis) akan menentukan jumlah kelas (cluster)
yang akan dibuat (Septiana, 27). Kemudian setelah mendapatkan hasil, analis
menetapkan kelas-kelas lahan terdapat kelas-kelas spektral yang telah
dikelompokan oleh komputer. Dari kelas yang dihasilkan, analis bisa
menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama
menjadi satu kelas. Misal class 1, class 2, dan class 3 masing-masing adalah sawah,
perkebunan dan hutan maka bisa dikelompokkan menjadi satu kelas yaitu kelas
vegetasi.
Metode unsupervised terdiri dari dua jenis yaitu, IsoData merupakan metode
mengklasifikasikan kelas secara merata, setiap pixel diklasifikasikan ke kelas
terdekat. Setiap interaksi akan dikalkulasi ulang dan mereklasifikasi pixel ke bentuk
baru. Memisah kelas, menggabungkan dan menghapus dilakukan berdasarkan
parameter input. Semua pixel diklasifikasikan ke kelas terdekat kecuali deviasi
standar atau ambang batas jarak yang telah ditentukan, dalam hal ini beberapa pixel
mungkin tidak diklasifikasikan jika tidak memenuhi kriteria yang ditentukan.
Proses ini berlanjut sampai jumlah pixel dalam setiap perubahan kelas kurang dari
ambang perubahan pixel yang dipilih atau jumlah maksimum interasi tercapai.
K-Means merupakan metode yang 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. Pada setiap kelas akan terdapat
titik tengah (centroid) yang mempresentasikan kelas tersebut.

B. ALAT DAN BAHAN

1. Komputer/Laptop
2. Aplikasi ENVI 5.0
3. Citra diigital (ALOS Selatanjawa)

C. LANGKAH KERJA
1. Bukalah Aplikasi ENVI Classic
2. Setelah tampil laman aplikasi, masukan file citra wilayah kajian pada laman
envi dengan cara = klik file>open image file>wilayah kajian
3. Setelah mucul laman Display pada layer masukan citra( ben 3,2,1)> klik
RGB color>load bend.
4. Setelah tampil R=Mask nya seperti di bawah lakukan iso data dengan cara
klik classification>unsupervised>IsoData>ok

5. Setelah tampil laman saperti dibawah klik wilayah kajian>ok.

6. Setelah itu Tentukan Maximum Iterations-nya adalah 1 => pilih

File/Memory=>OK.
7. Selanjutnya lakukan IsoData dengan Iterasi 10 pada citra. Langkah-langkah
sama seperti saat melakukan iterasi 1 namun hanya saja pada kotak dialog
IsoData Parameters-nya untuk Maximum Iterations diberikan angka 10.

8. Langkah Selanjutnya lihat data statistik dari load band. Dengan klik kanan
pada window =>quick stats maka akan muncul kotak dialog Statistics Result.
Pada Select plot dipilih “Histogram: band 1”.
9. Lakukan hal yang sama seperti langkah nomor 8 (delapan) untuk iterasi dan
Bandingkan secara visual antara hasil ISOData untuk iterasi 1 dengan
IsoData untuk iterasi 10.
10. Langkah selanjutya adalah klasifikasi K-Means dengan cara klik
Classification Input File> Unsupervised>K-Means>ok

11. Setelah itu akan muncul kotak dialog K-Means Parameters. Isilah Number of
Classes-nya adalah 5 (lima) dan Maximum Iterations-nya adalah 1 (satu).
Pilih File/Memory, kemudian OK.
12. Setelah itu lakukan load band dari operasi K-Means. Dengan cara klik K-
Means (citra) pada kotak dialog Availabel Bands List => klik Display =>
pilih New Display, kemudian Load Band.
13. Lalu lakukan kembali melakukan K-Means perameter ke dua dengan cara
yang sama seperti Langkah sebelumya hanya saja Number Of Classes-nya
diganti menjadi 10 dan iterasi-nya tetap 1, setelah itu laman akan muncul
seperti dibawah:

14. Setelah itu klik Load Bend>ok maka laman akan tampil seperti dibawah:
 15. Selanjutnya lihat data statistik dari load band. Dengan klik kanan pada
window =>quick stats maka akan muncul kotak dialog Statistics Result.
Pada Select plot dipilih “Histogram: band 1”.

16. Setelah tampil hasil di laman aplikasi lakukan perbandingan secara visual
dan histogram antara hasil K-Means untuk klasifikasi 5iterasi 1 dengan hasil
K-Means untuk klasifikasi 10 iterasi 1.
D. HASIL
1. Hasil IsoData

2. Hasil K-Means
E. PEMBAHASAN
Pengindraan jauh saat ini sudah mulai dikembangkan dan dimanfaatkan
untuk berbagai bidang keilmuan salah satunya untuk mengetahui kesesuaian
kerapatan vegetasi dengan hasil interpretasi. Pada praktikum kali ini taruna
Menggunakan citra Landsat 8 dengan metode Unsupervised Classification Iso
Data dan dalam pengolahannya menggunakan softwareEnvi 5.0 dan Arcgis 10.4.
Analisis yang digunakan yaitu analisis spasial dan membandingkan hasil
interpretasi dengan hasil data di lapangan, dan melakukan uji akurasi. Uji
akurasi dilakukan untuk menemukan besaran kesesuaian metode dengan data
yang dilakukan. Maka akan dapat diketahui bahwa metode klasifikasi yang
digunakan kurang tepat untuk mengidentifikasi kerapatan vegetasi karena
memiliki banyak data yang tidak sesuai dengan yang ada di lapangan. Dengan
mengidentifikasi kerapatan vegetasi, maka dapat membantu mengetahui
perencanaan ruang terbuka hijau yang tepat untuk wilayah kecamatan
Pangandara.
F. DAFTAR PUSTAKA
Danoedoro, P 2012, Pengantar Penginderaan Jauh Digital. Yogyakarta: Andi
Offset
Septiana, E. (27, Februari 27). Geosis ID. Retrieved from MENGENAL
METODE KLASIFIKASI TIDAK TERBIMBING (Unsupervised) DAN
TERBIMBING (Supervised) DI ENVI: https://geosis.id/blog/mengenal-metode-
klasifikasi-tidak-terbimbing-unsupervised-dan-terbimbing-supervised-di-envi
Ilmu Geografi. Penginderaan Jauh
http://geod-4-us.blogspot.co.id/2012/09/klasifikasi-citra.html diakses pada
tanggal17 Desember 2017