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

20. Urutkan jarak antar kelas yang terdekat sampai yang terjauh

21. Kemudian buat dendrogram22. Lalu lakukan labeling (penamaan kelas) dengan mengisi

kolom Class Names pada tabel Raster Attribute Editor.