Disusun Oleh:
BAB I
PENDAHULUAN
BAB II
DASAR TEORI
2.3. Klasifikasi
Menurut Anand (2017) klasifikasi adalah proses penetapan peran kelas
spektral ke dalam kelas – kelas informasi. Kelas spektral adalah kelompok
piksel yang seragam dengan nilai kecerahan dalam saluran spektral yang
berbeda dari data. Kelas – kelas informasi adalah kategori kepentingan yang
diidentifikasi pada citra atas dasar pengetahuan dan pengalaman tentang daerah.
Citra penginderaan jauh berisi identitas spektral fitur yang ada di permukaan
tanah pada nilai piksel yang berbeda, piksel – piksel yang berbeda tersebut
dilakukan identifikasi dan dikelompokkan pada piksel yang homogen.
Pengelompokan piksel – piksel diberi nilai dan label kelompok seperti air,
pertanian, hutan, dan sebagainya saat membuat peta tematik. Ketika informasi
tematik ini diekstraksi dengan bantuan perangkat lunak, hal ini dikenal sebagai
klasifikasi citra digital.
Langkah utama klasifikasi citra dapat mencakup penentuan sistem
klasifikasi yang sesuai, pemilihan sampel, pra pengolahan citra, ekstraksi fitur,
pemilihan pendekatan klasifikasi yang sesuai, pasca pengolahan klasifikasi, dan
penilaian akurasi (Lu & Weng Q, 2007).
Keterangan:
𝑺𝒇 : Fungsi segmentasi
𝑾𝑪𝒐𝒍𝒐𝒓 : Bobot parameter warna
𝒉𝒄𝒐𝒍𝒐𝒓 : Parameter warna
𝑾𝑪𝒐𝒍𝒐𝒓 : Bobot parameter bentuk 𝒉𝒔𝒉𝒂𝒑𝒆 : Parameter bentuk
Keterangan:
r : Nilai matriks band Red
g : Nilai matriks band Green
b : Nilai matriks band Blue
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, 17 November 2023.
2. Membuat project baru pengolahan dengan klik menu File → Create new
Project → Input data citra berformat .tiff → Memilih area yang akan
dilakukan pengolahan dengan cara klik Spatial Subset → Memilih area.
3. Melakukan Process Tree dengan klik Process Tree → Klik kanan pada layer
process tree → Append new.
Scale Parameter = 50
Shape = 0.7
Compactness = 0.5
7. Membuka Google Earth Pro untuk validasi kebenaran objek pada masing-
masing class sampling area agar mempermudah saat digitasi/pengambilan
objek.
10. Menampilkan hasil klasifikasi dengan cara klik kanan pada Process Tree
→ Append New → Pada algoritma pilih Classification → Pada Active Class
pilih semua kelas → OK → Execute.
11. Hasil belum terlihat sehingga harus menampilan hasil klasifikasi dengan
cara klik View Classification.
12. Menampilkan hasil digitasi dengan cara klik Pixel View/Object Mean View
dan Show Hide Outlines.
BAB IV
HASIL DAN PEMBAHASAN
4.1. Hasil
Hasil yang didaptkan dari praktikum Object Based Image Analysis
yaitu sebagai berikut ini:
4.1.1. Tampilan Input Parameter Multiresolution Segmentation (Scale,
Shape dan Compactness)
Parameter Nilai
Scale Parameter 50
Shape 0.7
Compactness 0.5
Setelah proses multiresolution segmentation telah dilakukan, objek yang
telah terbentuk selanjutnya dibangun menjadi suatu hirarki objek ke dalam class
sampling. Hal ini memungkinkan representasi objek pada citra akan lebh
sistematis dan kompeherensif. Pada pengolahan ini dibuat 4 (empat) class
sampling seperti Tabel 4.2.
Tabel 4. 2 Pembagian Class Sampling (Sumber: dokumen pribadi)
Bangunan Pemukiman
Class sampling yang terlah dibuat pada hirarki akan ditentukan sample
untuk menghasilkan kalsifikasi yang mendefinisikan kelas yang telah dibuat
sebelumnya. Hal ini akan mempermudah dalm pengambilan informasi pada
seluruh area yang relevan dengan sample yang ditentukan. Sehingga pemilihan
sampel harus merata karena menjadai hal penting untuk mengindentifikasi objek-
bjek yang diinginkan dan meningkatkan akurasi hasil kasifikasi.
Klasifikasi yang digunakan pada pengolahan ini yaitu Nearest Neighbor
Classification. Metode ini akan mengkasifiaksikan objek-objek ke dalam kategori
yang telah dibuat sebelummnya (class sampling) meliputi hutan tanaman, lahan
terbuka alami, bangunan pemukiman, dan permukaan diperkeras bukan
bangunan. Praktikan dapat melakukan validasi hasil klasifikasi dengan objek-
objek dipermukaan bumi melalui google earth. Jika ditemukan ketidaksesuan
hasil kalsifikasi, pramater dalam segmentasi dan klasifikasi perlu disetting agar
menghasilkan haisl yang akurat dan presisi.
Parmeter-parameter yang telah digunakan mejadi hal penting dalam
menghasilkan hasil yang optimal, shinga sama dengan kondisi permukaan bumi
asli. Penggunaan class sampling pada hirarki objek juga menjadi hal penting
untuk memberikan dasar kerja dalam proses klasifikasi objek-objek yang spesifk.
BAB V
KESIMPULAN
5.1. Kesimpulan
Dari kegiatan praktikum Object Based Image Analysis (OBIA) yang telah
dilakukan, maka dapat diambil kesimpulan sebagai berikut:
1. Pada praktikum ini, pratikan telah melakukan pengolahan Object Based
Analysis (OBIA). OBIA menjadi metode yang efektif dalam proses ekstaksi
informasi objek-objek dari citra satelit. Dimana metode kerja nya dengan
membagi dan mengelompokkan objek atau region, sehingga menghasilkan
analisis yang lebih tepat dibandingkan degan pendekatan piksel.
2. Multiresolution segmentation pada citra satelit menjadi hal penting dalam
membentuk objek permukaan bumi berdasarkan parameter yang sesuai,
sehingga mengahsilkan hasil segementasi yang optimal dan memiliki
kompleksitas yang sesuai. Parameter yang digunakan meliputi, scale
paramaeter, shape parameter, dan compatcness parameter.
3. Pembentukan hirarki pada class sampling memungkinkan representasi
yang lebih konstektual dengan mendefinisikan sesuai kategori objek. Class
sampling yang digunakan meliputi, hutan tanaman, lahan terbuka alami,
bangunan pemukiman, dan permukaan diperkeras bukan gedung.
4. Parameter-parameter yang digunakan dalam pengolahan menjadi faktor
dalam hasil kalsifikasi, sehingga setiap parameter sebaiknya dilakukan tial
and error pada proses pengolahan agar menemukan parameter yang sesuai
dengan keragaman dan kompleksitas citra satelit.
5. Validasi dan evalusi diperlukan guna memastikan hasil yang akurat dan
presisi.
Dari kegiatan praktikum Object Based Image Analysis (OBIA) yang telah
dilakukan, praktikan telah menambah wawasan dan pegalama yang mendalam
dalam pengolahan segmentasi dan klasfikasi citra satelit Thanks, Lopp you All
ASLAB
DAFTAR PUSTAKA