Data Siefsefgit
-
Upload
adewibowo47 -
Category
Documents
-
view
219 -
download
1
description
Transcript of Data Siefsefgit
Materi praktikum Ke : 4 (empat)
klasifikasi unsupervised
Kelompok : 15 ( Lima Belas ) (Hari : MNH selasa Pagi)
1. Sigit Eko. S E141200412. M. Fadly alhadad E14120043
Koordinator :Uus saeful Mukarom, S.Hut
Asisten :
1. Edwin S.P, MSc2. Finitya Arlini Citra, SHut
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR
2015
BAB I
PENDAHULUAN
1.1 Latar Belakang
Penginderaan jauh merupakan suatu ilmu atau teknologi untuk memperoleh informasi atau fenomena alam melalui analisis suatu data yang diperoleh dari hasil rekaman obyek, daerah atau fenomena yang dikaji. Citra digital hasil penginderaan jauh antara lain citra Quickbird, IKONOS, Landsat TM, SPOT, NOAA dan lain-lain. Citra satelit Quickbird merupakan sumber daya yang sangat baik untuk memenuhi kebutuhan-kebutuhan dibidang analisis perubahan lahan, pertanian, kehutanan, pertambangan dan lain-lain.
Teknik klasifikasi supervised dapat diartikan sebagai teknik klasifikasi yang diawasi. Menurut Projo Danoedoro (1996) klasifikasi supervised ini melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training area). Sehingga pengambilan sampel perlu dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu, sehingga diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu sedangkan Klasifikasi unsupervised yang berarti klasifikasi tak terawasi merupakan pengklasifikasian hasil akhirnya (pengelompokkan pixel-pixel dengan karakteristik umum) didasarkan pada analisis perangkat lunak (software analysis) suatu citra tanpa pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu. lasifikasi supervised dan unsupervised biasanya digunakan untuk mengklasifikasi keseluruhan suatu dataset menjadi kelas-kelas. Kelas-kelas dapat mengidentifikasi area hutan, perkebunan, mineral, urban.
1.2 Tujuan
1. Melakukan kategorisasi secara otomatis dari semua pixel citra ke dalam kelas penutupan lahan atau semua tema tertentu.
2. Memudahkan pembedaan objek atau lokasi dengan menggunakan warna-warna yang berbeda.
BAB IIMETODOLOGI
Waktu dan TempatPraktikum Geometika dan Inderaja Kehutanan dengan judul
materi Klasifikasi Tidak Terbimbing ini dilaksanakan pada hari Selasa tanggal 03 Maret 2015 mulai pukul 07.00-10.00 WIB yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, IPB.
Alat dan BahanAdapun alat yang digunakan pada praktikum ini adalah:
1. Laptop2. Software ERDAS IMAGINE 9.13. Microsoft word dan excel
Sedangkan bahan yang digunakan pada praktikum ini adalah:1. Alat tulis2. Data citra satelit Jakarta Utara
Langkah Kerja
Adapun cara kerja dari praktikum ini adalah :1. Buka software ERDAS IMAGINE 9.1 pada layar komputer.2. Untuk analisis pertama, buka citra jakarta utara dan tentukan
rasternya secara bebas.
3. Pilih menu “Classifier”
4. Lalu klik “Unsupervised Classification” sampai muncul tabel Unsupervised Classification
5.
Masukkan citra yang ingin diklasifikasikan pada Input Raster File
6. Ketikan nama file hasil klasifikasi yang diinginkan pada kolom Output Cluster Layer
7.8. Pilih jumlah kelas yang diinginkan
9. Kemudian beri tanda checklist pada “Classify zeroes”
10. Lalu klik OK 11. Pilih menu raster, lalu klik “Raster Attribute Editor” samapi
muncul tabel Raster Attribute Editor
12. Ubah warna pada setiap kelas secara bebas
13. Pilih menu pada citra awal, arahkan ke area yang diinginkan pada citra
14. Klik kanan, lalu lalu pilih Geo. Link/Unlik, klik pada citra hasil klasifikasi
15. Pilih menu Classifier
16. Lalu klik “Signature Editor” sampai muncul tabel Signature Editor
17. Kemudian pilih menu View dan klik Statistics sampai memunculkan tabel Covariance
18. Lalu copy kolom Mean pada setiap kelas ( 1 sampai 10) ke Ms. Excel
19. Buat tabel baru untuk menghitung ukuran kesamaan dengan menggunakan rumus Squared Euclidean Distance :
D jk=∑i=1
i=n
(x ij−x ik)2