LAPORAN PRAKTIKUM PENGINDERAAN JAUH

KLASIFIKASI CITRA

Tanggal Penyerahan : 9 Mei 2023

Disusun Oleh:
Ai Siti Rohmah (23-2021-033)
Kelas A / Kelompok: A / 6

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

Asisten Dosen : 1. Feny Valentine 23-2019-047
: 2. Muhammad Dion Suratman 23-2020-022
: 3. Rivan Rivanna 23-2020-027
: 4. Muhammad Rhaihan Daffa N. 23-2020-029

LABORATORIUM FOTOGRAMETRI
PROGRAM STUDI TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2023
 Laporan Praktikum Penginderaan Jauh

DAFTAR ISI
DAFTAR ISI ........................................................................................................... i
DAFTAR GAMBAR ............................................................................................. ii
DAFTAR TABEL................................................................................................. iii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Maksud dan Tujuan ....................................................................................... 1

1.2 Tempat dan Waktu Pelaksanaan Praktikum .................................................. 1

BAB II DASAR TEORI ........................................................................................ 2

2.1 Klasifikasi Citra ............................................................................................. 2

2.2 Klasifikasi Supervised ................................................................................... 4

2.3 Klasifikasi Unsupervised ............................................................................... 5

BAB III PELAKSANAAN PRAKTIKUM ......................................................... 6

3.1 Tahapan Klasifikasi Supervised .................................................................... 6

3.2 Tahapan Klasifikasi Unsupervised .............................................................. 11

BAB IV HASIL DAN ANALISIS ...................................................................... 14

4.1 Hasil ............................................................................................................. 14

4.2 Analisis ........................................................................................................ 14

BAB V PENUTUP ............................................................................................... 16

5.1 Kesimpulan .................................................................................................. 16

5.2 Saran ............................................................................................................ 16

DAFTAR PUSTAKA .......................................................................................... 17

Ai Siti Rohmah / 232021033 / A / 6 i

 Laporan Praktikum Penginderaan Jauh

DAFTAR GAMBAR

Gambar 2. 1 Klasifikasi Citra Berdasarkan Nomor dari Outputs pada Setiap Unit
Spasial ..................................................................................................................... 3
Gambar 2. 2 Per-Pixel Classification dan Object Oriented Classification ........... 3
Gambar 2. 3 Tahapan Digital Image ..................................................................... 4
Gambar 2. 4 Tahapan Klasifikasi Supervised ........................................................ 4
Gambar 2. 5 Tahapan Klasifikasi Unsupervised ................................................... 5
Gambar 4. 1 Hasil Supervised ............................................................................. 14
Gambar 4. 2 Hasil Unsupervised ......................................................................... 14

Ai Siti Rohmah / 232021033 / A / 6 ii

 Laporan Praktikum Penginderaan Jauh

DAFTAR TABEL

Tabel 3. 1 Tahapan Klasifikasi Supervised ............................................................ 6

Tabel 3. 2 Tahapan Klasifikasi Unsupervised ...................................................... 11

Ai Siti Rohmah / 232021033 / A / 6 iii

 Laporan Praktikum Penginderaan Jauh

BAB I
PENDAHULUAN
1.1 Maksud dan Tujuan
Maksud dari praktikum ini yaitu mengetahui mengenai klasifikasi citra dan
macam-macam klasifikasi citra berdasarkan citra multispektral.
Adapun tujuan diadakannya praktikum ini, yaitu:
• Mahasiswa/i dapat mengetahui mengenai klasifikasi citra.
• Mahasiswa/i dapat mengetahui klasifikasi citra supervised dan unsupervised.
• Mahasiswa/i dapat mengetahui tahapan klasifikasi citra supervised dan
unsupervised pada software ENVI 5.3.

1.2 Tempat dan Waktu Pelaksanaan Praktikum

Adapun waktu dan tempat pelaksanaan praktikum yaitu:
Hari, tanggal : 2 Mei 2023
Waktu : 16.00 WIB – selesai.
Tempat : Ruang 18201 Gedung 18 Institut Teknologi Nasional Bandung.

Ai Siti Rohmah / 232021033 / A / 6 1

 Laporan Praktikum Penginderaan Jauh

BAB II
DASAR TEORI

2.1 Klasifikasi Citra

Klasifikasi citra merupakan proses pengelompokan pixel ke dalam sejumlah
kelas pada suatu citra sehingga kelas tersebut dapat menggambarkan suatu entitas
dengan ciri-ciri tertentu (Arifin & Kurniati, 2002). Tujuan klasifikasi citra pada
penginderaan jauh yaitu untuk menghasilkan peta tematik, di mana suatu warna
mewakili suatu objek tertentu. Contohnya, warna biru merepresentasikan perairan.
Contoh objek yang berkaitan dengan permukaan bumi, antara lain hutan, sawah,
permukiman, jalan, dll. Sedangkan pada citra meteorology, klasifikasi dapat
menghasilkan peta awan yang memperlihatkan distribusi awan di atas suatu
wilayah.

Metode klasifikasi citra yang digunakan sangat berpengaruh terhadap hasil dari
klasifikasi citra nantinya (Septiani, Citra, & Nugraha, 2019). Pemetaan
menggunakan data penginderaan jauh digital merupakan pemilihan metode
klasifikasi yang akan digunakan dalam klasifikasi citra. Prosedur klasifikasi citra
secara umum adalah sebagai berikut (Al-doski, Mansor, & Shafri, 2013):

• Akuisisi data serta interpretasi citra, pada tahap ini dilakukan survey lapangan
dan mengumpulkan informasi serta data pendukung lainnya di lapangan pada
wilayah studi.
• Pemrosesan awal gambar, meliputi koreksi radiometrik, koreksi atmosfer,
koreksi geometrik. dan koreksi topografi.
• Tentukan area yang merepresentasikan dari hampir keseluruhan citra kemudian
lakukan analisis dari hasil pengelompokkan kelas.
• Algoritma klasifikasi citra berlangsung.
• Pasca-pemrosesan, di mana sudah dilakukannya koreksi geometri dan
penyaringan dari koreksi geometri.
• Penilaian akurasi, membandingkan hasil klasifikasi citra dengan studi
lapangan.

Ai Siti Rohmah / 232021033 / A / 6 2

 Laporan Praktikum Penginderaan Jauh

Klasifikasi citra berdasarkan diferensiasi spektral, radiometrik, dan spasial

(Gupta). Diferensiasi spektral didasarkan pada perbedaan komposisi atau kondisi
suatu objek sehingga menghasilkan warna yang berbeda pada citra multispektral
atau hiperspektral. Contohnya, warna tanaman yang sehat akan berbeda dengan
warna tanaman yang terserang hama atau terkena dampak kekeringan, warna
tanaman jagung berbeda dengan warna gandum, warna ladang jagung yang baru
ditanam akan berbeda dengan ladang jagung yang sudah dipanen. Diferensiasi
radiometrik mengacu pada deteksi dari perbedaan kecerahan, hal ini dapat
digunakan untuk menginformasikan analisis citra mengenai sifat atau kondisi objek
penginderaan jauh. Kemudian, diferensiasi spasial berkaitan dengan resolusi
spasial. Resolusi spasial ini dapat menentukan apakah suatu kenampakan tersebut
homogen atau heterogen (Schuckman & Dutton, 2020).

Menurut (Al-doski, Mansor, & Shafri, 2013), metode klasifikasi citra dapat
dikategorikan menjadi 3 kategori, yaitu:
1. Berdasarkan tipe pembelajaran, dibedakan menjadi dua yaitu supervised
classification dan unsupervised classification.
2. Berdasarkan nomor dari outputs pada setiap unit spasial, dibedakan menjadi
per-pixel classification dan object oriented classification.

Gambar 2. 1 Klasifikasi Citra Berdasarkan Nomor dari Outputs pada Setiap Unit Spasial

Gambar 2. 2 Per-Pixel Classification dan Object Oriented Classification

Ai Siti Rohmah / 232021033 / A / 6 3

 Laporan Praktikum Penginderaan Jauh

3. Berdasarkan asumsi penyebaran data, dibedakan menjadi parametric

classification, non-parametric classification.

Adapun tahapan dalam proses digital image dan hasil dari proses tersebut
adalah sebagai berikut:

Gambar 2. 3 Tahapan Digital Image

2.2 Klasifikasi Supervised

Klasifikasi supervised (terbimbing) merupakan klasifikasi yang di mana
dilakukan training area terlebih dahulu. Training area ini diperoleh setelah
mengindentifikasi informasi pada setiap kelas yang akan digunakan untuk
menentukan kelas spektral yang mewakilinya (Anonim, 2013). Pengetahuan
mengenai jenis tutupan lahan antara citra dan di lapangan, area geografi yang
dipetakan, merupakan pendekatan yang digunakan untuk menganalisis kemiripan
antar kelasnya. Setelah dilakukan training area, program akan melakukan
klasifikasi citra berdasarkan informasi numerik (Digital Number) yang serupa
secara spektral untuk setiap kelas.

Gambar 2. 4 Tahapan Klasifikasi Supervised

Metode yang dapat digunakan pada klasifikasi supervised, diantaranya:

• Parallelpiped or box classifier, berdasarkan rentang atau varian Digital
Number (DN) kelas.
• Minimum Distance, berdasarkan Digital Number (DN) kelas rata-rata.
• Maximum Likelihood, berdasarkan probabilitas kelas.
• Spectral Angle Mapper, berdasarkan perbedaan minimum dari vektor spektral
n-dimensi kelasnya.

Ai Siti Rohmah / 232021033 / A / 6 4

 Laporan Praktikum Penginderaan Jauh

2.3 Klasifikasi Unsupervised

Klasifikasi unsupervised merupakan klasifikasi citra di mana kelas spektral
dengan informasi numerik yang mirip akan dijadikan satu kelas yang sama.
Klasifikasi ini menggunakan algoritma clustering, biasanya klasifikasi ini
digunakan jika sudah diketahui berapa banyak jumlah kelas pada citra tersebut dan
juga sudah ditentukan parameter terkait jarak antara cluster dan variasinya pada
setiap cluster (Anonim, 2013). Klasifikasi ini tidak melibatkan manusia dalam
pengelompokkannya. Tahapan dalam klasifikasi unsupervised adalah sebagai
berikut:

Gambar 2. 5 Tahapan Klasifikasi Unsupervised

Klasifikasi unsupervised mengelompokkan citra berdasarkan sifat-sifat serupa

dari data itu sendiri. Algoritma yang digunakan yaitu mengasumsikan bahwa
tutupan lahan tertentu akan membentuk suatu cluster. Klasifikasi ini melibatkan
penggunaan nearest neighbour dan analisis cluster (Gupta). Klasifikasi ini tidak
akan dapat digunakan jika terdapat perubahan banyaknya kelas dari suatu citra
(Schuckman & Dutton, 2020).
Metode yang ada pada klasifikasi citra unsupervised dibedakan menjadi
beberapa macam, diantaranya metode klasifikasi K-means, Support Vector
Machine (SVM), dan ISODATA parameter.

Ai Siti Rohmah / 232021033 / A / 6 5

 Laporan Praktikum Penginderaan Jauh

BAB III
PELAKSANAAN PRAKTIKUM

3.1 Tahapan Klasifikasi Supervised

Tabel 3. 1 Tahapan Klasifikasi Supervised

NO GAMBAR KETERANGAN
1 Buka software NVI 5.3.
Kemudian pada menu bar
pilih file kemudian open.

2 Pilih file pan sharpening.

3 Pada menu toolbox search

“Classification Workflow”.

Ai Siti Rohmah / 232021033 / A / 6 6

 Laporan Praktikum Penginderaan Jauh

4 Pada tampilan file selection

select an input file, pada
input raster masukkan file
pan sharpening.tiff.
Kemudian, klik next.

5 Pada tampilan classification

type select a method, pilih
use training data.
Kemudian, klik next.

6 Pada tampilan supervised

classification define
training data, bagian
properties. Ubah nama kelas
menjadi “Persawahan”.

Ai Siti Rohmah / 232021033 / A / 6 7

 Laporan Praktikum Penginderaan Jauh

7 Klik Add Class untuk

menambah kelas.

8 Ubah nama kelas menjadi

“Perairan”. Klik Add Class
untuk menambah kelas
kembali.

9 Ubah nama kelas menjadi

“Vegetasi”.

Ai Siti Rohmah / 232021033 / A / 6 8

 Laporan Praktikum Penginderaan Jauh

10 Lakukan digitasi pada

objek-objek persawahan
sebanyak 20 objek.

11 Lakukan digitasi pada

objek-objek perairan.
Kemudian, lakukan digitasi
juga pada objek-objek
vegetasi. Sebanyak 20 objek
pada setiap kelas.
12 Jika digitasi sudah selesai,
simpan hasil digitasi dalam
bentuk shapefile. Kemudian
klik OK.

13 Pada tampilan supervised

classification define
training data, bagian
algorithm pilih “Maximum
Likehood” dan pada
probability threshold pilih
“Single Value”. Klik next.

Ai Siti Rohmah / 232021033 / A / 6 9

 Laporan Praktikum Penginderaan Jauh

14 Pada tampilan cleanup

refine results, centang
enable smoothing dan
enable aggregation.
Kemudian pada smooth
kernel size, tuliskan 3. Pada
bagian aggregate minimum
size, tuliskan 9. Klik next.
Tunggu proses supervised
sampai selesai.
15 Pada menu export save
results, pilih tempat
penyimpanan klasifikasi
citra dan vektor dari
klasifikasi citra. Format
klasifikasi citra yaitu ENVI
dan format klasifikasi
vektor yaitu shapefile. Klik
finish.

Ai Siti Rohmah / 232021033 / A / 6 10

 Laporan Praktikum Penginderaan Jauh

3.2 Tahapan Klasifikasi Unsupervised

Tabel 3. 2 Tahapan Klasifikasi Unsupervised

NO GAMBAR KETERANGAN
1 Buka software NVI 5.3.
Kemudian pada menu bar
pilih file kemudian open.

2 Pilih file pan sharpening.

3 Pada menu toolbox search

“Classification Workflow”.

Ai Siti Rohmah / 232021033 / A / 6 11

 Laporan Praktikum Penginderaan Jauh

4 Pada tampilan file selection

select an input file, pada
input raster masukkan file
pan sharpening.tiff.
Kemudian, klik next.

5 Pada tampilan classification

type select a method, pilih
no training data. Kemudian,
klik next.

6 Pada tampilan unsupervised

classification ISODATA
parameters, pada requested
number of classes tuliskan 3
(Sesuai jumlah kelas pada
metode klasifikasi
supervised). Klik next.

Ai Siti Rohmah / 232021033 / A / 6 12

 Laporan Praktikum Penginderaan Jauh

7 Pada tampilan cleanup

refine results, centang
enable smoothing dan
enable aggregation.
Kemudian pada smooth
kernel size, tuliskan 3. Pada
bagian aggregate minimum
size, tuliskan 9. Klik next.

8 Pada menu export save

results, pilih tempat
penyimpanan klasifikasi
citra dan vektor dari
klasifikasi citra. Format
klasifikasi citra yaitu ENVI
dan format klasifikasi vektor
yaitu shapefile. Klik finish.

9 Berikut tampilan klasifikasi

unsupervised.

Ai Siti Rohmah / 232021033 / A / 6 13

 Laporan Praktikum Penginderaan Jauh

BAB IV
HASIL DAN ANALISIS
4.1 Hasil
Adapun hasil dari klasifikasi supervised dan unsupervised adalah sebagai
berikut:

Gambar 4. 1 Hasil Supervised

Gambar 4. 2 Hasil Unsupervised

4.2 Analisis
Metode klasifikasi citra berdasarkan tipe pembelajarnya dibedakan menjadi
supervised dan unsupervised. Klasifikasi supervised dilakukan training data
terlebih dahulu sehingga hasil klasifikasi citra akhirnya bergantung pada
interpretasi dari orang yang menganalisis citra tersebut, sedangkan klasifikasi
unsupervised tidak melibatkan manusia dalam proses interpretasi citranya.
Hasil dari klasifikasi supervised dan unsupervised memiliki perbedaan dalam
pengelompokkan datanya. Warna hijau untuk merepresentasikan persawahan,
warna biru untuk merepresentasikan perairan, dan warna merah untuk

Ai Siti Rohmah / 232021033 / A / 6 14

 Laporan Praktikum Penginderaan Jauh

merepresentasikan vegetasi. Pada klasifikasi supervised, pengelompokkan kelas

sesuai dengan data yang sudah didigitasi pada training data. Sedangkan pada hasil
klasifikasi citra metode klasifikasi unsupervised, warna hijau merepresentasikan
perairan, sedangkan warna biru merepresentasikan vegetasi.

Ai Siti Rohmah / 232021033 / A / 6 15

 Laporan Praktikum Penginderaan Jauh

BAB V
PENUTUP

5.1 Kesimpulan
Klasifikasi citra merupakan proses pengelompokan pixel ke dalam sejumlah
kelas pada suatu citra sehingga kelas tersebut dapat menggambarkan suatu entitas
dengan ciri-ciri tertentu. Satu warna menggambarkan suatu objek tertentu pada
citra. Klasifikasi citra dibedakan menjadi tiga, berdasarkan type of learning, number
of outputs for each spatial unit, dan assumptions on data distribution.
Klasifikasi supervised dan unsupervised termasuk ke dalam metode type of
learning. Klasifikasi supervised memerlukan training data yaitu contoh digitasi
kelas yang akan dikelompokkan. Klasifikasi unsupervised dilakukan oleh program
sehingga tidak melibatkan manusia dalam proses pengelompokkan kelas datanya.

5.2 Saran
Tenggat dari laporan praktikum suatu materi sebaiknya diberikan setelah
materi praktikum tersebut sudah diberikan dan dijelaskan oleh asisten praktikum
kepada praktikan. Hal ini agar praktikan mencoba terlebih dahulu dan dapat
bertanya pada waktu praktikum kepada asisten praktikum saat kelas berlangsung,
terutama apabila praktikan mengalami kendala dalam proses pengolahannya. Selain
itu, tenggat waktu dari laporan praktikum disesuaikan dengan pemberian format
laporan praktikumnya itu sendiri.

Ai Siti Rohmah / 232021033 / A / 6 16

 Laporan Praktikum Penginderaan Jauh

DAFTAR PUSTAKA

Al-doski, J., Mansor, S. B., & Shafri, H. Z. (2013). Image Classification in Remote
Sensing. Journal of Environment and Earth Science, 141-147. Retrieved
from https://core.ac.uk/download/pdf/234663192.pdf

Anonim. (2013, 11 18). Image Interpretation and Analysis. Retrieved from

Government of Canada: https://natural-resources.canada.ca/maps-tools-
and-publications/satellite-imagery-and-air-photos/tutorial-fundamentals-
remote-sensing/image-interpretation-analysis/image-classification-and-
analysis/9361

Arifin, A. Z., & Kurniati, W. D. (2002). Penggunaan Analisa Faktor untuk

Klasifikasi Citra Penginderaan Jauh Multispektral. 12-19.

Gupta, D. (n.d.). Digital Image Classification Technique. New Delhi: University of

Delhi. Retrieved from
https://www.bhattadevuniversity.ac.in/docs/studyMaterial/Dr.BharatiGogo
i_Geography/PG_4thSem_Geoinformatics_Image_Classification_Process
_by_Dr._Bharati_Gogoi.pdf

Schuckman, K., & Dutton, J. A. (2020). Digital Image Classification. Retrieved

from Department of Geography, College of Earth and Mineral Sciences,
The Pennsylvania State University: https://www.e-
education.psu.edu/node/496

Septiani, R., Citra, I. A., & Nugraha, A. S. (2019). Perbandingan Metode

Supervised Classification dan Unsupervised Classification terhadap
Penutup Lahan di Kabupaten Buleleng. Jurnal Geografi, 90-96.

Ai Siti Rohmah / 232021033 / A / 6 17