03 - 019 - Zakky Nurshidiq - Klasifikasi Unsupervised

KEGIATAN – IV
KLASIFIKASI UNSUPERVISED
LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL
Disusun Oleh:
Nama : Zakky Nurshidiq

NIM : 117.200.019
Plug : 03
PROGRAM STUDI TEKNIK GEOMATIKA

JURUSAN TEKNIK GEOLOGI
FAKULTAS TEKNOLOGI MINERAL
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2023/2024
LABORATORIUM FOTOGRAMETRI DAN PENGINDERAAN JAUH
TEKNIK GEOMATIKA
UPN “VETERAN” YOGYAKARTA 2023/2024
BAB I
PENDAHULUAN
1.1 Latar Belakang

Penginderaan Jauh merupakan rekaman pola pantulan energi
elektromagnetik dan emisi yang ditampilkan di citra menyerupai gambar dan
mempunyai sifat yang sangat bervariasi. Untuk mendapatkan informasi penting
dari data tersebut kita harus melakukan tahap deteksi terlebih dahulu. Deteksi
dibantu oleh karakteristik spasial, spectral, radiometric dan temporal data.
Resolusi spasial ialah kemampuan system perekam dalam membedakan objek
yang terletak berdekatan. Resolusi spectral merupakan perekaman gambaran
yang sama pada interval spectral yang berbeda. Resolusi radiometric untuk
menghasilkan kontras yang lebih baik sehingga dapat dicapai jumlah tingkat
keabuan antara batas hitam dan putih yang mudah dibedakan. Akhirnya resolusi
temporal menjelaskan kegunaan citra yang direkam pada interval waktu tertentu
(musim) untuk mendeteksi perubahaan yang telah terjadi (Purwadhi, 2001).
Tujuan utama penginderaan jauh adalah untuk mengumpulkan data
sumberdaya alam dan lingkungan. Teknik ini menghasilkan beberapa bentuk
citra yang selanjutya diproses dan diinterpretasi guna membuahkan data yang
bermanfaat untuk aplikasi di bidang pertanian, arkeologi, kehutanan, geografi,
geologi, perencanaan, dan bidang-bidang lainnya (Lo, 1995).
Pada praktium ini akan belajar dan mempraktikan proses klasifikasi
unsupervised dengan menggunakan citra Landsat 8 yang sudah terkoreksi
atmosferik (surface reflectace). Proses kalsifikasi unsupervised yang dilakukan
menggunakan dua metode, yaitu klasifikasi k-means dan kalsifikasi isodata.
Klasifikasi k-means dan isodata adalah metode dalam klasifikasi unsupervised
yang digunakan dalam pengolahan citra digital. Metode k-means bekerja
dengan mengelompokkan piksel-piksel citra ke dalam kategori atau kelas
tertentu berdasarkan kesamaan karakteristik spektral. Algoritma K-means
beroperasi dengan cara menginisialisasi pusat-pusat kelompok secara acak dan
mengoptimalkan posisi pusat-pusat tersebut hingga mencapai konvergensi,
menghasilkan kelompok piksel yang serupa. Sedangan, metode Isodata
2 | Praktikum Pengolahan Citra Digital

TEKNIK GEOMATIKA
memanfaatkan akan mengkelompokkan di mana pusat-pusat kelompok

ditempatkan secara acak awalnya dan kemudian disesuaikan secara iteratif
hingga mencapai konvergensi. Algoritma Isodata berfokus pada klasifikasi
kelas secara merata dengan mengalokasikan piksel-piksel ke kelas terdekat.
Perbedaan antara kedua metode yaitu pada metode isodata menggunakan
standar deviasi, sehingga lebih baik dalam klasifikasi tutupan lahan karena
menghasilkan hasil tutupan lahan yang lebih tepat dan akurat.
1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka dapat dirumuskan
permasalahan sebagai berikut:
1. Apa yang dimaksud dengan klasifikasi unsupervised?
2. Apa yang dimaksud dengan klasifikasi unsupervised metode k-means
dan isodata?
3. Bagimana tahapan-tahapan dalam melakukan proses klasifikasi
unsupervised metode k-means dan isodata?
4. Apa perbedaan karakteristik hasil klasifikasi unsupervised metode k-
means dan isodata?
1.3 Tujuan
Adapun tujuan pelaksanaan dari kegiatan ini adalah sebagai berikut:
1. Praktikan mengetahui apa itu klasifikasi unsupervised.
2. Praktikan mengetahui apa itu klasifikasi unsupervised k-means dan
isodata.
3. Praktikan mengetahui tahapan-tahapan dalam melakukan proses
klasifikasi unsupervised k-means dan isodata.
4. Praktikan mengetahui karakteristik hasil klasifikasi unsupervised k-
means dan isodata.

TEKNIK GEOMATIKA
BAB II
DASAR TEORI
2.1. Penginderaan Jauh

Pengindraan jauh adalah ilmu dan seni pengumpulan informasi tentang
objek, area, atau fenomena tanpa memiliki kontak fisik dengan objek, area, atau
fenomena tersebut, melalui pengukuran karakteristik yang ada dalam radiasi
yang dipantulkan atau dipancarkan oleh objek, area, atau fenomena tersebut
(Kiefer et al, 2014). Metode ini menggunakan sensor atau alat pengindraan yang
mampu mendeteksi, mengukur, dan merekam karakteristik radiasi
elektromagnetik yang dipantulkan atau dipancarkan oleh objek, area, atau
fenomena yang diamati. Pengindraan jauh memiliki beragam aplikasi dalam
berbagai bidang, termasuk ilmu lingkungan, geografi, geologi, pertanian,
pemetaan, pemantauan cuaca, pemantauan bencana alam, dan banyak lagi.
2.2. Citra Satelit

Citra satelit merupakan alat dalam penginderaan jauh yang memberikan
representasi visual dari permukaan bumi (Kiefer et al, 2014). Citra satelit
menjadi salah satu elemen kunci dalam penginderaan jauh, dan kemampuannya
untuk memperoleh data dari jarak jauh memungkinkan penggunaannya dalam
berbagai aplikasi ilmiah dan praktis. Citra satelit dapat menggambarkan
permukaan bumi atau objek tertentu di berbagai panjang gelombang spektrum
elektromagnetik, seperti cahaya tampak, inframerah, atau mikrogelombang.
Citra satelit digunakan untuk berbagai tujuan, termasuk pemetaian, pemantauan
lingkungan, analisis tanah, pemantauan cuaca, dan pemahaman perubahan di
permukaan bumi.
2.2.1. Citra Landsat 8

Citra satelit Landsat 8 adalah gambar atau visualisasi yang diperoleh
dari satelit Landsat 8 yang dioperasikan oleh NASA dan USGS. Citra ini
digunakan untuk berbagai aplikasi, termasuk pemetaan lahan, pemantauan
lingkungan, analisis cuaca, dan penelitian ilmiah. Landsat 8 memiliki
kemampuan untuk menghasilkan citra multispektral dengan resolusi tinggi yang

TEKNIK GEOMATIKA
memungkinkan analisis detail tentang berbagai fenomena permukaan Bumi

(Jensen, J.R., 2015). Citra ini memiliki kemampuan untuk menghasilkan data
dengan resolusi tinggi dan dalam berbagai panjang gelombang spektrum
elektromagnetik. Data ini sangat penting dalam pemahaman dan pemantauan
lingkungan dan sumber daya alam di seluruh dunia. Berikut ini merupakan band
dan pajang gelombang pada citra Landsat 8.
Gambar 4. 1 Band dan Panjang Gelombang Landsat 8 (Sumber:

https://www.usgs.gov)
2.3. Band
Band adalah bagian khusus dari spektrum elektromagnetik, sering
didefinisikan berdasarkan panjang gelombang pusat dan lebar pita. Sensor
penginderaan jauh dirancang dengan berbagai band untuk menangkap informasi
yang berbeda tentang permukaan Bumi (Jensen, J.R., 2015). Penggunaan
berbagai band atau saluran spektral memungkinkan para ilmuwan dan pengamat
untuk memperoleh informasi yang berbeda tentang objek atau area yang
diamati. Sebagai contoh, band inframerah dekat (NIR) digunakan untuk
menganalisis kesehatan vegetasi, sementara band termal dapat digunakan untuk
mengukur suhu permukaan. Konsep ini menjadi dasar dalam pemrosesan data
penginderaan jauh untuk berbagai aplikasi seperti pemantauan lingkungan,
pemetaan sumber daya alam, dan analisis bumi.
2.4. Klasifikasi Multispektral

Klasifikasi multispektral adalah suatu proses dalam pengolahan citra
digital yang melibatkan identifikasi dan penentuan kategori atau kelas berbeda
di dalam citra. Citra multispektral ini biasanya terdiri dari beberapa saluran
warna atau band yang merekam reflektansi dari berbagai panjang gelombang

TEKNIK GEOMATIKA
cahaya. Klasifikasi citra multispektral dirancang untuk menurunkan informasi

dengan cara mengelompokkan piksel citra ke kategori tertentu berdasarkan
karakteristik spektralnya (Jensen, J.R., 2005). Klasifikasi multispektral dibagi
menjadi dua jenis yaitu, klasifikasi terbimbing (supervised classification) atau
disebut juga klasifikasi terkontrol dan klasifikasi tak-terbimbing (unsupervised
classification) atau klasifikasi tidak terkontrol. Klasifikasi multispektral
menjadi kunci dalam menganalisis citra digital, memungkinkan identifikasi dan
ekstraksi informasi yang lebih mendalam untuk aplikasi seperti pemetaan lahan,
identifikasi tutupan tanah, dan pemantauan lingkungan.
2.5. Klasifikasi Unsupervised

Klasifikasi unsupervised adalah suatu pendekatan dalam pengolahan
citra digital di mana algoritma secara otomatis mengelompokkan piksel-piksel
dalam citra ke dalam kategori atau kelas tanpa adanya panduan atau informasi
sebelumnya. Dalam klasifikasi unsupervised, algoritma mengelompokkan
piksel berdasarkan kesamaan karakteristik spektral, memungkinkan penemuan
pola atau kelas dalam data. Metode ini banyak digunakan untuk eksplorasi awal
data citra dan pembentukan hipotesis awal ((Kiefer et al, 2015). Klasifikasi
unsupervised memberikan fleksibilitas dalam mengidentifikasi pola dalam citra
tanpa memerlukan pengetahuan kelas sebelumnya. Metode ini berperan penting
dalam analisis data citra digital, terutama ketika tujuan utamanya adalah untuk
menjelajahi struktur data dan menemukan pola yang mungkin tidak terlihat
dengan metode klasifikasi yang berbasis pada informasi kelas sebelumnya.
2.5.1. Klasifikasi K-Means

Klasifikasi K-means adalah salah satu metode klasifikasi
unsupervised yang digunakan dalam pengolahan citra digital. Metode ini
bekerja dengan mengelompokkan piksel-piksel citra ke dalam kategori
atau kelas tertentu berdasarkan kesamaan karakteristik spektral.
Pendekatan ini tidak memerlukan informasi kelas sebelumnya dan
secara otomatis menemukan pola dalam data citra. Algoritma K-means
beroperasi dengan cara menginisialisasi pusat-pusat kelompok secara
acak dan mengoptimalkan posisi pusat-pusat tersebut hingga mencapai

TEKNIK GEOMATIKA
konvergensi, menghasilkan kelompok piksel yang serupa. Algoritma

tersebut bertujuan untuk meminimalkan varians dalam setiap klaster dan
memaksimalkan varians antar klaster. Proses optimasi ini menghasilkan
klaster yang mewakili karakteristik spektral serupa dalam data citra
(Jensen, J.R., 2005).
2.5.2. Klasifikasi ISOData

Klasifikasi ISOData merupakan salah satu pendekatan
klasifikasi unsupervised dalam pengolahan citra digital. Klasifikasi
ISOData memanfaatkan konsep pengelompokan K-means di mana
pusat-pusat kelompok ditempatkan secara acak awalnya dan kemudian
disesuaikan secara iteratif hingga mencapai konvergensi. Proses ini
memungkinkan citra diklasifikasikan tanpa memerlukan informasi kelas
sebelumnya. Algoritma Isodata berfokus pada klasifikasi kelas secara
merata dengan mengalokasikan piksel-piksel ke kelas terdekat. Pada
setiap iterasi, kalkulasi akan dihitung ulang, dan piksel-piksel
direklasifikasi dengan mempertimbangkan cara baru iteratif, yang
melibatkan pembelahan, penggabungan, dan penghapusan kelas
berdasarkan parameter ambang inklusi. Seluruh piksel diklasifikasikan
ke kelas terdekat, kecuali jika deviasi standar atau ambang batas jarak
yang telah ditentukan tidak terpenuhi. Beberapa piksel mungkin tetap
tidak terklasifikasi jika tidak memenuhi kriteria tertentu. Proses ini
berlanjut hingga jumlah piksel dalam setiap perubahan kelas kurang dari
ambang batas perubahan piksel yang telah ditentukan atau jumlah
maksimum iterasi tercapai.

TEKNIK GEOMATIKA
BAB III
METODOLOGI
3.1. Lokasi
Kegiatan praktikum ini dilaksanakan secara daring di Kontrakan
GeoFunny, Jl. Beringin Raya 2 No 66, Maguwoharjo, Sleman, Daerah stimewa
Yogyakarta pada hari Jum’at, 29 Sepetember 2023.
3.2. Alat dan Bahan

Pada kegiatan praktikum pengolahan citra digital ini terdapat perangkat dan
data, diantaranya sebagai berikut :
1. Perangkat Keras (Hardware) yang dibutuhkan:
a. Laptop Acer Nitro 5
2. Perangkat Lunak (Software) yang dibutuhkan:
a. Software ENVI 5.3.
3. Data yang dibutuhkan:
a. Citra Landsat 8 area Jawa Barat Tahun 2021 yang sudah terkoreksi
atmosferik.
b. SNI 7645-1-2014-Klasifikasi penutup lahan.

TEKNIK GEOMATIKA
3.3. Diagram Alir
Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

TEKNIK GEOMATIKA
3.4. Langkah Kerja

Adapun langkah kerja yang dilakukan untuk melakukan Komposit Band
terbagi menjadi dua, meliputi mempersipkan citra satelit dan melakukan
klasifikasi unsupervised (k-means dan isodata).
3..4.1. Mempersiapkan Citra Satelit

1. Melakukan koreksi radiometrik pada citra Landsat 8 hingga diperoleh data
citra berupa surface reflectance (bottom of atmospheric). Dan Mengecek
nilai hasil koreksi radiometrik dengan melakukan compute statistic. Nilai
minimum = 0 dan Maximum = 1 yang mereresentasikan bahwa citra pada
kondisi surface reflectance.
2. Mempersiapkan raw data Citra Landsat 8 yang masih berformat .mtl.
3..4.2. Klasifikasi K-Means

1. Membuka software ENVI 5.3.

TEKNIK GEOMATIKA
2. Memasukkan citra Landsat 8 yang sudah terkoreksi atmosferik (kondisi

surface reflectance) dengan cara klik File c Open → pilih citra Landsat 8
terkoreksi atmosferiik (L8_Statistic R) → Open.
3. Melakukan klasifikasi unsupervised K-Means. Mencari tools “K-Menas

Classification” pada Toolbox → Klik dua kali.

TEKNIK GEOMATIKA
4. Muncul display Classifiction Input File” → Memilih data pilih citra

Landsat 8 terkoreksi atmosferiik (L8_Statistic R) → Klik spatial subset
untuk cropping area pada citra agar klasifikasi berfokus pada area yang
lebih kecil. Muncul display “Select Spatial Sibset” → Pilih “Image” →
Pada display “Subset by Image” → Mengganti ukuran sample menjadi
2000 x 2000 → Klik Oke.

TEKNIK GEOMATIKA
5. Muncul display “K-Means Parameters” → Memasukkan parameter

Number of Classes dan Maximum (untuk parameter lain biarkan default) →
Mengatur Output Filename → Klik Oke.

TEKNIK GEOMATIKA
6. Maka hasil klasifikasi K-Means
3..4.2. Klasifikasi ISOData

1. Melakukan klasifikasi unsupervised ISOData. Mencari tools “K-Menas
Classification” pada Toolbox → Klik dua kali.
2. Muncul display Classifiction Input File” → Memilih data pilih citra

Landsat 8 terkoreksi atmosferiik (L8_Statistic R) → Klik spatial subset
untuk cropping area pada citra agar klasifikasi berfokus pada area yang
lebih kecil. Muncul display “Select Spatial Sibset” → Pilih “Image” →
Pada display “Subset by Image” → Mengganti ukuran sample menjadi
2000 x 2000 → Klik Oke.

TEKNIK GEOMATIKA
3. Muncul display “ISODATA Parameters” → Memasukkan parameter

Number of Classes dan Maximum (untuk parameter lain biarkan default)
→ Mengatur Output Filename → Klik Oke.

TEKNIK GEOMATIKA
4. Maka hasil klasifikasi ISOData sebagai berikut ini:
3..4.2. Identifikasi Tutupan Lahan dan Kombinasi Kelas

1. Mencari tools “Combine Classes” pada Toolbox → Klik dua kali.

TEKNIK GEOMATIKA
2. Muncul display “Combine Classes Inut File” → Memilih hasil klasifikasi

unsupervised K-Menas. Muncul display “Combine Classes Parameters”
→ Memasukkan dua kelas yang akan dilakukan kombinasi/penggabungan
dengan cara memasukkannya pada Input dan Output Class → Klik Ok.

TEKNIK GEOMATIKA
3. Melakukan langkah 1 dan 2 terhadap klasifikasi Unsupervised ISOData

TEKNIK GEOMATIKA
BAB IV
HASIL DAN PEMBAHASAN
4.1. Hasil
4.1.1. Hasil Tampilan Klasifikasi K-Means
1. Citra sebelum dilakukan klasifikasi K-Means
Gambar 4. 1 Citra Landsat 8 Surfece Reflectance (sebelum dikenai proses

klasifikasi K-Means)
2. Citra setelah dilakukan klasifikasi K-Means
Gambar 4. 2 Citra Landsat 8 setelah dikenai proses dikenai proses

klasifikasi K-Means

TEKNIK GEOMATIKA
4.1.2. Hasil Tampilan Klasifikasi ISOData

1. Citra sebelum dilakukan klasifikasi ISOData
Gambar 4. 3 Citra Landsat 8 Surfece Reflectance (sebelum dikenai proses

klasifikasi ISOData)
2. Citra setelah dilakukan klasifikasi ISOData
Gambar 4. 4 Citra Landsat 8 setelah dikenai proses dikenai proses

klasifikasi ISOData

TEKNIK GEOMATIKA
4.1.3. Hasil Kombinasi Kelas (Class Combination)
Tabel 4. 1 Hasil Kombinasi Kelas pada Hasil Klasifikasi Unsupervised K-

Means dan ISOData
Kombinasi Kelas pada Unsupervised K-Means

Keterangan
Sebelum Setelah
Kombinasi kelas
dilakukan pada
class 4 dengan
class 5 (pada bagian
urban)
Kombinasi Kelas pada Unsupervised ISOData

Keterangan
Sebelum Setelah
Kombinasi kelas
dilakukan pada
class 4 dengan
class 5 (pada bagian
urban)

TEKNIK GEOMATIKA
4.1.4. Hasil Akhir Klasifikasi Unsupervised
Gambar 4. 5 Hasil Akhir Klasifiaksi Unsupervised Metode K-Means
Gambar 4. 6 Hasil Akhir Klasifiaksi Unsupervised Metode ISOData

TEKNIK GEOMATIKA
4.2. Pembahasan
Klasifikasi unsupervised adalah suatu pendekatan dalam pengolahan
citra digital di mana algoritma secara otomatis mengelompokkan piksel-piksel
dalam citra ke dalam kategori atau kelas tanpa adanya panduan atau informasi
sebelumnya. Dalam metode ini, algoritma mencari pola atau struktur dalam data
citra dan mengelompokkan piksel yang serupa ke dalam kategori yang sama.
Pendekatan ini sangat berguna ketika tidak ada informasi kelas yang tersedia
atau ketika pengguna ingin menjelajahi struktur data tanpa memiliki
pengetahuan sebelumnya tentang kelompok yang mungkin ada.
Pada praktikum kali ini, menggunakan citra Landsat 8 yang sudah
terkoreksi atmosferik (surface reflectace). Proses klasifikasi unsuervised yang
dilakukan menggunakan dua metode, yaitu klasifikasi K-Means dan klasifikasi
ISOData.
4.2.1. Perbandingan Hasil Sebelum dan Sesudah Proses Klasifikasi

Unsupervised Metode K-Means dan ISOData
Tabel 4. 2 Perbandingan Hasil Citra L8 Atmosferik, Klasifikasii K-Means,

dan Klasifikasi ISOData
Hasil Akhir Hasil Akhir

Citra L8 Atmosferik
Klasifikasi K-Means Klasifikasi ISOData
Citra Landsat 8 adalah citra satelit multispektral yang mengumpulkan

informasi dari berbagai panjang gelombang, termasuk pita pankromatik,
biru, hijau, merah, inframerah dekat, dan inframerah termal. Citra ini
menyediakan data spektral yang luas untuk analisis di berbagai bidang,

TEKNIK GEOMATIKA
seperti pemetaan lahan, pengelolaan sumber daya alam, dan pemantauan

lingkungan.
Klasifikasi unsupervised metode k-means adalah metode klasifikasi
unsupervised yang mengelompokkan piksel citra berdasarkan kesamaan
karakteristik spektral mereka. Algoritma ini mencoba membagi citra
menjadi k kelompok di mana setiap kelompok memiliki karakteristik
spektral yang serupa. Hasil klasifikasi ini bergantung pada inisialisasi pusat
kelompok dan jumlah kelompok yang ditentukan sebelumnya.
Klasifikasi unsupervised metode ISODATA (Iterative Self-Organizing
Data Analysis Technique) adalah pendekatan klasifikasi unsupervised yang
mengadaptasi jumlah dan lokasi pusat kluster secara dinamis selama iterasi.
Algoritma ini melakukan iterasi berulang kali, memperbarui pusat kluster,
dan memperbarui kluster piksel citra. ISODATA dapat memadukan atau
memisahkan kluster berdasarkan nilai ambang tertentu.
Kedua metode k-means dan ISODATA digunakan untuk
mengelompokkan piksel citra tanpa memerlukan informasi kelas
sebelumnya. Metode k-means akan mengelompokkan piksel dalam citra ke
dalam kelas yang sesuai dengan piksel terdekat dan berfokus pada
pencarian piksel yang optimal untuk setiap kelompok. ISOData juga
merupakan metode klasifikasi unsupervised yang menggunakan algoritma
iteratif. ISOData menggunakan pendekatan iteratif untuk membagi,
menggabungkan, dan menghapus kelas berdasarkan parameter tertentu,
seperti threshold inklusi. Keduanya memiliki kelebihan dan kekurangan
masing-masing. K-means cenderung lebih sederhana dengan jumlah
kelompok yang tetap, sementara ISODATA lebih fleksibel dengan dinamika
pusat kluster yang dapat berubah selama iterasi.
Dapat dilihat pada Tabel 4.2 terdapat citra Landsat 8 yang sudah
dilakukan proses koreksi armosferik (sudah dalam kondisi surface
reflectance), hasil klasifikasi unsupervised k-means dan telah dilakukan
kombinasi kelas, dan hasil klasifikasi unsupervised isodata dan telah
dilakukan kombinasi kelas. Secara visual, pada citra Landsat 8 terlihat
kenampakan berbagai klasifikasi tutupan lahan yang beragam, namun sukar

TEKNIK GEOMATIKA
untuk diinterpretasikan karena kualitas citra yang kurang tinggi (bukan

termasuk citra satelit resolusi tinggi). Secara visual pada hasil klasifikasi
unsupervised metode k-means maupun isodata akan lebih mudah untuk di
interpretasikan karena sudah terkelaskan menjadi beberapa kelas tutupan
lahan.
Hasil klasifikasi unsupervised metode k-means dan isodata
menghasilkan 4 kelas tutupan lahan, meliputi perairan laut, vegetasi,
jaringan jalan, dan bangunan. Perbedaanya yaitu, pada hasil klasifikasi
unsupervised metode isodata lebih detail, seperti terlihat pada Tabel 4.2
atau Gambar 4.5 dan Gambar 4.6. Hal tersebut dikarenakan algoritma
metode isodata lebih mengklasifikasikan kelas secara merata untuk
mempertahankan kelas terdekatnya dan juga pada metode ini memakai
parameter standar deviasi. Standar deviasi tersebut berfungsi untuk
memberikan perintah untuk mengatur jarak pengekelasan antar piksel-
piksel yang ada pada citra untuk masuk pada rata-rata yang telah
diklasterkan. Sedangkan klasifikasi unsuervised metode k-means hanya
mengkelaskan piksel berdasarkan beberapa kelas saja dan perhitungan
statistik tanpa menentukan sampel (training) piksel. Secara spasial
unsupervised metode k-means memiliki kemungkinan meghasilkan klaster
yang lebih ompak dan seragam secara spasial, sedangkan unsupervised
metode isodata dapat mengatasi variasi sapasial yang lebh kompleks karena
kemampuannya untuk membagi dan menggabungkan kalster selama iterasi.
Secara spektral unsupervised metode k-means cenderung memproses
semua dimensi spektral secara merata, sedangkan unsupervised metode
isodata akan menyesuaikan terhadap variasi spektral dengan
mempertimbangkan parameter tambahan seperti ambang batas inklusi.
Dari penjelasan singkat diatas, dapat diambil kesimpulan bahwa
klasifikasi unsupervised metode isodata akan lebih baik digunakan dalam
pekerjaan interprestasi citra dalam identifikasi dan analisa tutupan lahan
daripada klasifikasi unsupervised metode k-means.

TEKNIK GEOMATIKA
BAB V
KESIMPULAN
5.1. Kesimpulan
Dari kegiatan praktikum analisis spektral yang telah dilakukan, maka dapat
diambil kesimpulan sebagai berikut:
1. Klasifikasi unsupervised adalah suatu pendekatan dalam pengolahan citra
digital di mana algoritma secara otomatis akan mengelompokkan piksel-
piksel dalam citra ke dalam kategori/kelas tanpa adanya panduan atau
informasi sebelumnya. Dalam klasifikasi unsupervised, algoritma
mengelompokkan piksel berdasarkan kesamaan karakteristik spektral,
memungkinkan penemuan pola atau kelas dalam data. Klasifikasi
unsupervised memberikan fleksibilitas dalam mengidentifikasi pola dalam
citra tanpa memerlukan pengetahuan kelas sebelumnya. Metode ini
berperan penting dalam analisis data citra digital, terutama ketika tujuan
utamanya adalah untuk menjelajahi struktur data dan menemukan pola
yang mungkin tidak terlihat dengan metode klasifikasi yang berbasis pada
informasi kelas sebelumnya. Manfaat dari klasifikasi unsupervised
meliputi, penemuan pola, segmentasi, pemantauan perubahan tutupan
lahan, penelitian ilmiah, pemantauan lingkungan, pemahaman wilayah
luas, dan sebagai dasar pengambilan keputusan dalam suatu kebijakan
pemerintah.
2. Berikut ini merupakan kesimpulan dari metode-metode klasifikasi
unsupervised yang telah dikalukan:
a. Klasifikasi K-means adalah salah satu metode dalam klasifikasi
unsupervised yang digunakan dalam pengolahan citra digital. Metode
ini bekerja dengan mengelompokkan piksel-piksel citra ke dalam
kategori atau kelas tertentu berdasarkan kesamaan karakteristik
spektral. Pendekatan ini tidak memerlukan informasi kelas sebelumnya
dan secara otomatis menemukan pola dalam data citra. Algoritma K-
means beroperasi dengan cara menginisialisasi pusat-pusat kelompok
secara acak dan mengoptimalkan posisi pusat-pusat tersebut hingga

TEKNIK GEOMATIKA
mencapai konvergensi, menghasilkan kelompok piksel yang serupa.

Algoritma tersebut bertujuan untuk meminimalkan varians dalam
setiap klaster dan memaksimalkan varians antar klaster.
b. Klasifikasi IsoData merupakan salah satu metode dalamklasifikasi
unsupervised dalam pengolahan citra digital. Klasifikasi IsoData
memanfaatkan konsep pengelompokan k-means di mana pusat-pusat
kelompok ditempatkan secara acak awalnya dan kemudian disesuaikan
secara iteratif hingga mencapai konvergensi. Algoritma Isodata
berfokus pada klasifikasi kelas secara merata dengan mengalokasikan
piksel-piksel ke kelas terdekat. Pada setiap iterasi, kalkulasi akan
dihitung ulang, dan piksel-piksel direklasifikasi dengan
mempertimbangkan cara baru iteratif, yang melibatkan pembelahan,
penggabungan, dan penghapusan kelas berdasarkan parameter ambang
inklusi. Seluruh piksel diklasifikasikan ke kelas terdekat, kecuali jika
deviasi standar atau ambang batas jarak yang telah ditentukan tidak
terpenuhi. Beberapa piksel mungkin tetap tidak terklasifikasi jika tidak
memenuhi kriteria tertentu. Proses ini berlanjut hingga jumlah piksel
dalam setiap perubahan kelas kurang dari ambang batas perubahan
piksel yang telah ditentukan atau jumlah maksimum iterasi tercapai..
3. Pada prose klasifikasi unsupervised metode k-means dan isodata,
menggunakan citra Landsat 8 yang sudah terkoreksi atmosferik (surface
reflectace). Citra Landsat 8 akan dibagi dalam pengkelasan seuai objek
(tutupan lahan) berdasarkan SNI 7645-1-2014-Klasifikasi penutup lahan.
Proses dimulai dari input citra Landsat 8 pada software ENVI 5.3 yang
selajutnya dilakukan proses kalsifikasi unsupervised metode k-means dan
isodata. Terdapat penentuan parameter pada proses tersebut yaitu maximum
iteration dan parameter standar deviasi (hanya pada metode isodata). Hasil
dari kedua klasifikasi unsupervised tersebut tidak langsung sepenuhnya
berhasil sesuai tutupan lahan pada citra aslinya, akan tetapi terkadang masih
ada objek/tutupan lahan yang amsi terkelaskan menjadi dua (misalnya
tutupan lahan bangunan pemukima/perkotaan). Sehigga, harus dilakukan
kombinasi agar kelas ada citra sesuai dengan SNI 7645-1-2014-Klasifikasi

TEKNIK GEOMATIKA
penutup lahan. Kombinasi pada kelas-kelas difungsikan juga agar

intepretasi citra akurat dan tepat.
4. Pada hasil klasifikasi unsupervised metode paling baik yaitu pada metode
isodata. Hal tersebut dikarenakan algoritma metode isodata lebih
mengklasifikasikan kelas secara merata untuk mempertahankan kelas
terdekatnya dan memakai parameter standar deviasi. Sedangkan klasifikasi
unsuervised metode k-means hanya mengkelaskan piksel berdasarkan
beberapa kelas saja dan perhitungan statistik tanpa menentukan sampel
(training) piksel. Secara spasial unsupervised metode k-means memiliki
kemungkinan meghasilkan klaster yang lebih kompak dan, sedangkan
unsupervised metode isodata dapat mengatasi variasi sapasial yang lebih
kompleks karena kemampuannya untuk membagi dan menggabungkan
kalster selama iterasi. Secara spektral unsupervised metode k-means
cenderung memproses semua dimensi spektral secara merata, sedangkan
unsupervised metode isodata akan menyesuaikan terhadap variasi spektral
dengan mempertimbangkan parameter tambahan seperti ambang batas
inklusi.

TEKNIK GEOMATIKA
DAFTAR PUSTAKA
Jensen, J.R. (2005). "Introductory Digital Image Processing: A Remote Sensing

Perspective." Upper Saddle River, NJ: Prentice-Hall.
Jensen, J. R. (2009). Remote sensing of the environment: An earth resource perspective
2/e. Pearson Education India.
Richards, J.A., & Jia, X. (2006). "Remote Sensing Digital Image Analysis: An
Introduction." Berlin: Springer.
Richards, J. A. (2009). Remote sensing with imaging radar (Vol. 1, pp. 172-173).
Berlin/Heidelberg, Germany: Springer.
Lillesand, T.M., Kiefer, R.W., & Chipman, J.W. (2015). "Remote Sensing and Image
Interpretation." Wiley.
Badan Standardisasi Nasional. (2014). SNI 7645-1:2014 Klasifikasi Penutup Lahan -
Bagian 1: Skala kecil dan menengah. Jakarta.
Cahyono, B. E., Febriawan, E. B., & Nugroho, A. T. (2019). Analisis Tutupan Lahan
Menggunakan Metode Klasifikasi Tidak Terbimbing Citra Landsat di
Sawahlunto, Sumatera Barat. Teknotan: Jurnal Industri Teknologi Pertanian,
13(1), 8–14

03 - 019 - Zakky Nurshidiq - Klasifikasi Unsupervised

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

03 - 019 - Zakky Nurshidiq - Klasifikasi Unsupervised

Diunggah oleh

Hak Cipta:

Format Tersedia

KEGIATAN – IV

LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL

Nama : Zakky Nurshidiq

PROGRAM STUDI TEKNIK GEOMATIKA

1.1 Latar Belakang

2 | Praktikum Pengolahan Citra Digital

memanfaatkan akan mengkelompokkan di mana pusat-pusat kelompok

1.2 Rumusan Masalah

3 | Praktikum Pengolahan Citra Digital

2.1. Penginderaan Jauh

2.2. Citra Satelit

2.2.1. Citra Landsat 8

4 | Praktikum Pengolahan Citra Digital

memungkinkan analisis detail tentang berbagai fenomena permukaan Bumi

Gambar 4. 1 Band dan Panjang Gelombang Landsat 8 (Sumber:

2.4. Klasifikasi Multispektral

5 | Praktikum Pengolahan Citra Digital

cahaya. Klasifikasi citra multispektral dirancang untuk menurunkan informasi

2.5. Klasifikasi Unsupervised

2.5.1. Klasifikasi K-Means

6 | Praktikum Pengolahan Citra Digital

konvergensi, menghasilkan kelompok piksel yang serupa. Algoritma

2.5.2. Klasifikasi ISOData

7 | Praktikum Pengolahan Citra Digital

3.2. Alat dan Bahan

8 | Praktikum Pengolahan Citra Digital

3.3. Diagram Alir

Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

9 | Praktikum Pengolahan Citra Digital

3.4. Langkah Kerja

3..4.1. Mempersiapkan Citra Satelit

2. Mempersiapkan raw data Citra Landsat 8 yang masih berformat .mtl.

3..4.2. Klasifikasi K-Means

10 | Praktikum Pengolahan Citra Digital

2. Memasukkan citra Landsat 8 yang sudah terkoreksi atmosferik (kondisi

3. Melakukan klasifikasi unsupervised K-Means. Mencari tools “K-Menas

11 | Praktikum Pengolahan Citra Digital

4. Muncul display Classifiction Input File” → Memilih data pilih citra

12 | Praktikum Pengolahan Citra Digital

5. Muncul display “K-Means Parameters” → Memasukkan parameter

13 | Praktikum Pengolahan Citra Digital

6. Maka hasil klasifikasi K-Means

3..4.2. Klasifikasi ISOData

2. Muncul display Classifiction Input File” → Memilih data pilih citra

14 | Praktikum Pengolahan Citra Digital

3. Muncul display “ISODATA Parameters” → Memasukkan parameter

15 | Praktikum Pengolahan Citra Digital

4. Maka hasil klasifikasi ISOData sebagai berikut ini:

3..4.2. Identifikasi Tutupan Lahan dan Kombinasi Kelas

16 | Praktikum Pengolahan Citra Digital

2. Muncul display “Combine Classes Inut File” → Memilih hasil klasifikasi

17 | Praktikum Pengolahan Citra Digital

3. Melakukan langkah 1 dan 2 terhadap klasifikasi Unsupervised ISOData

18 | Praktikum Pengolahan Citra Digital

Gambar 4. 1 Citra Landsat 8 Surfece Reflectance (sebelum dikenai proses

Gambar 4. 2 Citra Landsat 8 setelah dikenai proses dikenai proses

19 | Praktikum Pengolahan Citra Digital

4.1.2. Hasil Tampilan Klasifikasi ISOData

Gambar 4. 3 Citra Landsat 8 Surfece Reflectance (sebelum dikenai proses

Gambar 4. 4 Citra Landsat 8 setelah dikenai proses dikenai proses

20 | Praktikum Pengolahan Citra Digital

4.1.3. Hasil Kombinasi Kelas (Class Combination)

Tabel 4. 1 Hasil Kombinasi Kelas pada Hasil Klasifikasi Unsupervised K-