LAPORAN PRAKTIKUM

PENGINDERAAN JAUH
MODUL VIII

Disusun Oleh:
SYAFIAH WARDAH ANDENI
22314081

KELAS C

SEKOLAH TINGGI PERTANAHAN NASIONAL

YOGYAKARTA
2023
 ACARA VIII
KLASIFIKASI TERSELIA ( SUPERVISED CLASSIFICATION)

I. TUJUAN
• Taruna mampu melakukan pembuatan daerah contoh (training area)
• Taruna mampu melakukan klasifikasi terselia (supervised classification)

II. ALAT DAN BAHAN

1. Citra Satelit
2. Komputer Personal
3. APK ENVI

III. DASAR TEORI

A. Klasifikasi Terselia
Penggunaan istilah terawasi disini mempunyai arti berdasarkan suatureferensi penunjang,
dimana kategori objek-objek yang terkandung pada citra telahdapat diidentifikasi. Klasifikasi ini
memasukkan setiap piksel citra tersebut kedalamsuatu kategori objek yang sudah
diketahui.Sebelum klasifikasi dilakukan, maka kita harusmemasukkan inputan sebagai dasar
pengklasifikasian yang akan dilakukan. Dengan klasifikasiini, kita lebih bebas untuk memilah data
citra sesuai dengan kebutuhan. Misalnya dalam suatukawasan kita hanya akan melakukan
klasifikasi terbatas pada jenis jenis kenampakan secaraumum semisal jalan, pemukiman, sawah,
hutan, dan perairan.
B. Algoritma Klasifikasi Terselia
Algoritma yang bisa digunakan untuk menyelesaikan metode

supervised
ini antaralain :1.

Parallelepiped
Klasifikasi
parallelepiped
menggunakan aturan keputusan sederhana untukmengklasifikasikan data multispektral. Batas-batas
keputusan merupakan parallelepiped n-
dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata
setiap kelas yang dipilih.2.

Minimum Distance
 Teknik jarak minimal menggunakan vektor rata-rata
endmember
masing-masing danmenghitung jarak
Euclidean
dari setiap piksel yang diketahui oleh vektor rata-ratauntuk masing-masing kelas. Beberapa piksel
memiliki kemungkinan tidakterklasifikasi jika tidak memenuhi kriteria yang dipilih.3.

Mahalanobis Distance
Klasifikasi
Mahalanobis
Jarak adalah jarak arah pengklasifikasi sensitif yangmenggunakan statistik untuk masing-masing kelas.
Hal ini mirip dengan klasifikasi
Maximum Likehood
, tetapi menganggap semua kovarian kelas adalah sama dankarenanya merupakan metode yang lebih
cepat. Semua piksel yang diklasifikasikan kekelas ROI terdekat kecuali pengguna menentukan ambang
batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang
batas.4.

Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanyadidistribusikan dan
menghitung probabilitas bahwa suatu piksel diberikan milik kelastertentu. Kecuali ambang probabilitas
dipilih, semua piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas
tertinggi (yaitu, "
maksimumlikelihood
"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak
terklasifikasi5.

Spektral Angle Mapper

Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untukmencocokkan piksel untuk
spektra acuan.6.

Spectral Information Divergence

Informasi Divergence Spectral

(SID) adalah metode klasifikasi spektral yangmenggunakan ukuran divergensi untuk mencocokkan
piksel untuk spektrum referensi.Semakin kecil divergensi, semakin besar kemungkinan piksel serupa.
Piksel dengan 4
pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan tidakdiklasifikasikan.
7.

Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir anggotamenjadi nol dan satu,
berdasarkan apakah sebuah band jatuh di bawah atau di atas rata-rata spektrum, masing-masing. Dapat
membandingkan setiap spektrum referensi yangdikodekan dengan spektrum data yang disandikan dan
menghasilkan klasifikasi citra.Semua piksel diklasifikasikan ke
endmember
dengan jumlah terbesar dari band yangcocok, kecuali jika ditentukan batas minimum pertandingan, dalam
hal ini beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.8.

Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural.9.
 Support Vector Machine
Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas dengan permukaan
keputusan yang memaksimalkan margin antara kelas.

C. Uji separabilitas
Uji separabilitas dilakukan terhadap sampel yang telah diambil sebagai daerah
contoh atau training area. Hal ini dilakukan agar diperoleh gambaran tentang keterpisahan
suatu kelas dengan kelas lain sebelum eksekusi klasifikasi. Uji separabilitas dihitung
dengan menggunakan algoritma transformed divergence (TD). Menurut Jensen (2005),
nilai transformed divergence (TD) 1900-2000 berarti memiliki keterpisahan yang baik,
sedangkan dibawah 1700 merupakan hasil keterpisahan yang kurang baik (poor). Menurut
Jeffries-Matusita (JM) disebutkan bahwa keterpisahan terbaik antara dua kelas spektral
dengan akurasi 100% yaitu bernilai 2 (Richards,1993).

IV. LANGKAH KERJA

A. Membuat daerah contoh (training area)
1. Menentukan sistem klasifikasi penutup lahan, misal akan mengacu pada sistem
klasifikasi penutup lahan menurut USGS versi Anderson et.al (1976 dalam Danoedoro
P., 2012)
1) Air
2) Lahan terbangun
3) Lahan pertanian
4) Lahan hutan
5) Lahan basah
6) Lahan terbuka
7) Rangeland
8) Tundra
9) Liputan salju atau es abadi

2. Buka citra satelit yang akan diolah untuk proses klasifikasi

3. Untuk memudahkan dalam mengidentifikasi penutup lahan dapat dibuka dua tampilan
citra dalam true color dan false color yang di-link-kan atau bisa juga dengan
mengunakan mengidentifikasi dengan bantuan citra resolusi tinggi
4. Untuk membuat daerah contoh (training area) atau ROI (Region of Interest) pada
software ENVI pilih Basic Tools → Region of Interest → ROI Tools

Klik button zoom ketika kita ingin mendigitasi ROI pada display zoom
Mulai melakukan digitasi sesuai dengan kriteria klasifikasi yang telah disusun
sebelumnya, misal kita ingin mendigit ROI air maka :
- kita klik sebelah kiri Region #1 kemudian ROI Name di-rename menjadi air
- color bisa berbagai macam pilihan dengan cara klik kanan
- mulai digitasi pada display zoom → klik kanan dua kali
- dicek pada table pixels : minimal 100 piksel menurut Campbell (2002) (digitasi
tidak hanya satu area saja tapi bisa dibeberapa tempat), berikut tampilannya :
- jika sudah minimal 100 piksel maka buatlah kriteria klasifikasi penutup lahan
lainnya misal lahan pertanian, klik New Region , lakukan hal yang sama seperti
penutup lahan air dan seterusnya. Berikut contoh tampilannya :
Untuk melakukan uji separabilitas maka pilih pada menu bar: option → Compute
ROI Separability → pilih citranya → Select All Item
maka diperoleh ROI Separability Report sebagai beikut :
 Uji separabilitas objek:
Indeks keterpisahan objek paling baik : 1,9 – 2,0
Indeks keterpisahan objek sedang : 1,8 – 1,9
Indeks keterpisahan objek tidak baik : 1,7 – 1,8

Jika Indeks keterpisahan objek tidak baik maka lakukan digitasi sampel ulang agar
didapat hasil yang maksimal.

Cara menyimpan ROI yaitu pilih : File → Save ROIs

Untuk menampilkan kembali ROI yang sudah dibuat pilih : File→Restore ROIs

B. Eksekusi algoritma Klasifikasi Terselia

1. Pilih : Classification → Supervised → misal : Maximum Likelihood → Select citranya
Select all item untuk memilih semua kriteria klasifikasi
Berikut tampilannya :

Setelah di OK, maka di-load hasil klasifikasi pada new display:

maka berikut contoh tampilan hasil klasifikasi :
 V. HASIL DAN PEMBAHASAN
VI. DAFTAR PUSTAKA

Danoedoro, P., 2012, Pengantar Penginderaan Jauh Digital, Penerbit Andi, Yogyakarta.
Jensen, J.R., 2005, Introductory Digital Image Processing : A Remote Sensing Perspective, Third
Edition, Pearson Education, Inc., United States of America.
Richards, J.A., 1993, Remote Sensing Digital Image AnalysisAn Introduction, Second, Revised and
Enlarged Edition, Springer-Verlag Berlin Heidelberg, Germany.