Klasifikasi Citra dengan ER Mapper

TUTORIAL DIGITAL

PENGINDERAAN JAUH DAN

SISTEM INFORMASI GEOGRAFI

PEMROSESAN CITRA DIGITAL

ACARA 4

KLASIFIKASI CITRA

DENGAN ER MAPPER

Disusun oleh :

Nama : Ilham Guntara, A.Md.

Website : www.guntara.com

(Bebas diakses dengan menyertakan sumber)

GUNTARA INDONESIA CORPORATION

DAERAH ISTIMEWA YOGYAKARTA

2015

2

Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

I. JUDUL

Klasifikasi Citra

II. TUJUAN

1. Melatih klasifikasi citra menggunakan perangkat lunak (software) ER

Mapper.

2. Memahami konsep klasifikasi citra secara digital.

3. Melatih klasifikasi citra secara digital metode supervised.

4. Melatih klasifikasi citra secara digital metode unsupervised.

III. ALAT DAN BAHAN

1. Alat tulis

2. Kertas HVS

3. Flashdisk Drive

4. Data Digital Citra Landsat Sebagian Yogyakarta

5. Seperangkat komputer dengan software ER Mapper

6. Pedoman Praktikum Pemrosesan Citra Digital

IV. TINJAUAN PUSTAKA

Klasifikasi citra penginderaan jauh (inderaja) bertujuan untuk menghasilkan

peta tematik, dimana tiap warna mewakili sebuah objek, misalkan hutan laut,

sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni 2007).

Klasifikasi dapat diartikan sebagai kegiatan pengelompokan gejala kedalam

kategori-kategori, dimana setiap kategori dapat dipandang homogen atas dasar

kriteria tertentu. Misalnya, suatu wilayah kota dapat dikelompokan menjadi

kawasan permukiman, kawasan perkantoran, dan kawasan perdagangan. Wilayah

yang sama dapat dikelompokkan menjadi wilayah yang status tanahnya merupakan

milik pribadi dan milik negara. Hasil dari pengelompokan atau klasifikasi ini

berupa peta yang sajian distribusi gejalanya berbeda. Pengelompokan pertama

didasari oleh kriteria fungsi penggunaan lahan, dan kriteria kedua didasari oleh

3


status tanah. Kedua macam hasil tidak dapat dibandingkan, mana yang lebih benar

atau relatif kurang benar.

Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam

kelas-kelas tertentu. Hal ini sesuai dengan asumsi yang digunakan dalam klasifikasi

multispektral ialah bahwa setiap objek dapat dibedakan dari yang lainnya

berdasarkan nilai spektralnya (Projo Danoedoro,1996). Pada umumnya Klasifikasi

citra digital yang digunakan adalah klasifikasi terselia (supervised).

Menurut Projo Danoedoro (1996) klasifikasi supervised (terselia) 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.

Klasifikasi terselia secara otomatis diputuskan oleh computer, tanpa campur

tangan operator (kalaupun ada, proses interaksi ini sangat terbatas). Proses ini

sendiri adalah suatu proses iterasi, sampai menghasilkan pengelompokan akhir

gugus-gugus spektral. Campur tangan operator terutama setelah gugusan-gugusan

spektral terbentuk yaitu dengan menandai tiap gugus sebagai objek tertentu. Oleh

karena itu teknik klasifikasi semacam ini disebut klasifikasi a-posterior (setelah

fakta) sebagai lawan dari klasifikasi a-priori (mendahului fakta) (Robinove, 1981,

dalam Jensen, 1986).

Klasifikasi terselia diawali dengan pengambilan daerah acuan (training

area). Pengambilan daerah acuan dilakukan dengan mempertimbangkan pola

spektral pada setiap panjang gelombang tertentu, sehingga didapatkan daerah acuan

yang baik untuk mewakili suatu objek tertentu.Sampel yang telah didapatkan

tersebut kemudian dijadikan sebagai masukan dalam proses klasifikasi untuk

seluruh citra dengan menggunakan perhitungan tertentu.

Klasifikasi tidak terselia (unsupervised) meliputi sekumpulan alogaritma

yang didasarkan pemasukkan contoh objek (berupa nilai spektral) oleh operator.

Contoh ini disebut sampel dan lokasi geografis kelompok piksel sampel ini disebut

sebagai daerah contoh (training area). Sebelum sampel diambil, operator (atau

4


pengguna) harus mempersiapkan sistem klasifikasi yang akan diterapkan seperti

halnya klasifikasi manual. Dua hal penting yang harus dipertimbangkan dalam

klasifikasi ialah system klasifikasi dan criteria sampel. Pengambilan sampel secara

digital oleh operator pada dasarnya merupkan cara melatih komputer untuk

mengenali objek berdasarkan kecenderungan spektralnya.

Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk

pemetaan penutup lahan (land cover), dan bukan penggunaan lahan. Aspek

penggunaan lahan secara deduktif dapat diturunkan dari informasi penutup

lahannya, atau dengan cara lain melalui pemasukkan informasi temporal (rotasi

tanaman, citra multitemporal, faktor bentuklahan, dan sebagainya). Oleh karena

itu, sistem klasifikasi yang disiapkan harus berisi klas-klas penutup lahan

(misalnya padi, jagung, hutan campuran, semak, padang rumput, lahan terbuka, dan

sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung), karena

aspek fungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel.

Bila kerangka klasifikasi yang tersedia ternyata hanya system klasifikasi

untuk penggunaan lahan, maka system ini perlu diterjemahkan dulu menjadi

klasfikasi penutup lahan. Untuk konversi semacam ini, pengetahuan pengguna atau

operator mengenai karakteristik penggunaan lahan dalam kaitannya dengan

penutup lahan sangatlah penting. Disamping itu pengetahuan mengenai kondisi

daerah yang diamati (local knowledge) juga sangat menunjang (Bronsveld et al.

1994). Sistem klasifikasi yang secara langsung mengacu pada kategori-kategori

penggunaan lahan, atau yang mencampur-adukkan aspek penutup lahan dengan

penggunaan lahan sebaiknya tidak digunakan pada klasifikasi awal, mengingatkan

bahwa fungsi penggunaan lahan tidak secara langsung direpresentasikan oleh nilai

piksel (Projo Danoedoro, 1994). Sama dengan metode penelitian ataupun survei

yang lain, sampel haruslah homogen. Homogenitas sampel. Artinya nilai

simpangan baku kelompok piksel tiap sampel haruslah rendah untuk tiap saluran.

Cara termudah untuk mengambil sampel yang memenuhi kriterium ini ialah

dengan mengambil piksel-piksel murni (pure pixel). Pada luasan yang homogen,

pengambilan piksel murni dapat secara mudah dilakukan dengan memilih piksel di

bagian tengah kenampakan objek. Melalui penampilan citra komposit warna yang

5


baik, homogenitas objek dicerminkan oleh warna yang seragam. Di samping itu,

criteria statistic pun diperlukan untuk menilai sampel. Sampel yang baik tentunya

mempunyai homogenitas niali piksel yang tinggi yang ditunjukkan oleh kecilnya

simpangan baku, bentuk histogramnya dan tentu saja juga bentuk gugusnya yang

mengelompok pada feature space. Beberapa alogaritma klasifikasi tersedia:

a. Jarak minimum terhadap rerata (Minimum distance to mean alogarithm)

b. Alogaritma Parallelepiped (Box Classification alogarithm)

c. Alogaritma kemiripan maksimum (Maximum Likelihood Alogarithm)

d. Alogaritma Tetangga Terdekat (K-Nearest Algorithm)

Salah satu alternatif bagi pendekatan bagi klasifikasi data penginderaan jauh

dapat dilakukan dengan menggunakan klasifikasi tak terselia. Klasifikasi ini

menggunakan algoritma untuk mengkaji atau mnganalisis sejumlah besar piksel

yang tidak dikenal dan membaginya dalam sejumlah kelas berdasarkan

pengelompokkan nilai digital citra. Kelas yang dihasilkan dari klasifikasi tak

terselia adalah kelas spektral. Oleh karena itu, pengelompokkan kelas didasarkan

pada nilai natural spektra citra, dan identitas nilai spektral tidak dapat diketahui

secara dini. Hal itu disebabkan analisisnya belum menggunakan data rujukan

seperti citra skala besar untuk menentukan identitas dan nilai informasi setiap kelas

spektral. Data citra yang lebih dari satu saluran sulit untuk menggambarkan nilai

citra untuk identifikasi secara visual dan untuk pengelompokkan spektral secara

natural. Oleh karena itu, tersedia teknik statistik yang dapat digunakan untuk

pengelompokkan secara otomatik rangkaian n dimensional hasil pengamatan ke

kelas spektral natural.

6


V. METODE

A. Klasifikasi Tak Terselia (Unsupervised)

1. Menyiapkan alat dan bahan praktikum.

2. Menekan tombol On pada CPU dan monitor.

3. Menunggu hingga tampil layar desktop.

4. Menunggu hingga pointer berwujud panah mucnul (artinya sistem

sudah siap untuk menerima perintah).

5. Memilih dan double click pada program bernama ER Mapper yang

ada di layar desktop atau bisa mencarinya di Start Menu.

6. Memilih menu toolbar File lalu Open pada ER Mapper.

7. Memilih file yang dibuka yaitu citraolahh.ers lalu memilih OK.

7


8. Memilih menu Process > klik Classification > klik Isoclass

Unsupervised Classification, kemudian muncul kotak dialog

Unsupervised Classification pada ER Mapper.

9. Membuka data melalui Input Dataset kemudian klik volumes klik

E:/ pilih PCD pilih regu 1 pilih citraolahh.ers klik Ok maka

Input Dataset terisi.

8


10. Memilih Bands to use kemudian memilih Band 1,5,dan 7 dengan cara

ctrl+klik pada band pada kotak dialog Band Selection lalu memilih

Ok.

11. Memilih Output Dataset kemudian pada Save as ketik nama citra

dengan nama unsupervised lalu klik Ok maka Output Dataset terisi.

12. Memilih Autogenerate menjadi 20 classes kemudian mengisi

Maximum iterations dengan angka 100 dan mengisi Maximum

number of classes dengan angka 20 lalu memilih OK.

9


13. Menunggu sampai proses klasifikasi berhasil dan selesai.

14. Memilih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

15. Memilih Class Display dengan cara mengklik kanan pada pseudo

layer.

16. Memilih load data set lalu memilih Unsupervised.ers pada jendela

raster data set dan mengklik OK.

10


17. Memilih Edit pada menu bar lalu memilih dan mengklik Edit

Class/Region Color and Name, maka munculah jendela Edit

Class/Region.

18. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikan

secara unsupervised lalu memberi warna pada masing-masing objek

supaya mudah dikenali.

19. Mengganti nama objek 1 menjadi Tubuh air dengan cara mengetik

tubuh air pada nomor 1 kemudian menggati warnanya dengan cara

mengklik set color kemudian akan muncul pilihan warna maka memilih

warna biru.

20. Memilih save>Yes, lalu Mengklik ikon Refresh untuk

menyempurnakan tampilan citra.

21. Mengganti nama objek 2-4 menjadi Vegetasi dengan cara mengetik

tubuh air pada nomor 2-4 kemudian menggati warnanya dengan cara

11



warna hijau (gradasi dari hijau tua ke hijau muda).



23. Mengganti nama objek 5-7 menjadi Tanah dengan cara mengetik tubuh

air pada nomor 5-7 kemudian menggati warnanya dengan cara


warna kuning (gradasi dari kuning tua ke kuning muda).



25. Mengganti nama objek 8-10 menjadi Gumuk Pasir dengan cara

mengetik tubuh air pada nomor 8-10 kemudian menggati warnanya

dengan cara mengklik set color kemudian akan muncul pilihan warna

maka memilih warna merah (gradasi dari merah tua ke merah muda).



27. Mengganti nama objek 11-20 menjadi Awan dengan cara mengetik

tubuh air pada nomor 11-20 kemudian menggati warnanya dengan cara


warna putih (gradasi dari abu-abu ke putih).



29. Menampilkan citra hasil klasifikasi unsupervised beserta tabel

identifikasi warna objeknya kemudian menutup semua jendela pada ER

Mapper kecuali menu utama.

12


B. Klasifikasi Terselia (Supervised)

1. Memilih menu utama Edit klik Edit/Create Regions kemudian

muncul kotak dialog New Map Composition pilih Raster Region.

2. Memilih Load From File klik volumes klik E:/ pilih PCD

pilih regu 1 pilih citraolahh.ers klik Ok kemudian Ok maka akan

muncul icon-ikon Tools

3. Memilih ikon tool polygon pada kotak dialog Tools kemudian

mendeliniasi (mengambil sampel) objek tubuh air dengan tool tersebut

pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi.

13


4. Memilih ikon Display/Edit Object Attributes pada kotak dialog

Tools kemudian mengetik nama objek yang sudah dideliniasi yaitu

objek tubuh air klik Apply kemudian klik close.


mendeliniasi (mengambil sampel) objek tanah terbuka dengan tool

tersebut pada citra dan klik sebanyak dua kali untuk mengakhiri

deliniasi.

6. Memilih ikon Display/Edit Object Attributes pada kotak dialog Tools

kemudian mengetik nama objek yang sudah dideliniasi yaitu objek

tanah terbuka klik Apply kemudian klik close.

14



mendeliniasi (mengambil sampel) objek vegetasi dengan tool tersebut

pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi.

8. Memilih ikon Display/Edit Object Attributes pada kotak dialog Tools

kemudian mengetik nama objek yang sudah dideliniasi yaitu objek

vegetasi klik Apply kemudian klik close.

9. Memilih ikon save pada jendela tools, maka delineasi poligon

otomatis tersimpan.

10. Memilih menu utama Process lalu memilih Classification klik

Supervised Classification.

15


11. Memilih Input Dataset kemudian klik volumes klik E:/ pilih PCD

pilih regu 1 pilih citraolah.ers memilih OK.

12. Memilih Bands to use kemudian memilih Band 1,5,dan 7 dengan cara

ctrl+klik pada band pada kotak dialog Band Selection lalu memilih

OK.

13. Memilih Output Dataset kemudian pada Save as ketik nama citra

dengan nama supervised lalu klik Ok maka Output Dataset terisi.

16


14. Memilih classification type yaitu Maximum Likelihood Enhanced.

15. Memilih OK pada jendela supervised classification lalu menunggu

hingga proses klasifikasi selesai.

16. Memilih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

17


17. Memilih Class Display dengan cara mengklik kanan pada pseudo

layer.

18. Memilih load data set lalu memilih supervised.ers pada jendela raster

data set dan mengklik OK.

19. Memilih Edit pada menu bar lalu memilih dan mengklik Edit

Class/Region Color and Name, maka munculah jendela Edit

Class/Region.

18


20. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikan

secara supervised lalu memberi warna pada masing-masing objek

supaya mudah dikenali.

21. Mengganti warna objek 1 yaitu tanah terbuka menjadi warna jingga

atau sesuai keinginan.



23. Mengganti warna objek 2 yaitu vegetasi menjadi warna jingga atau

sesuai keinginan.



25. Mengganti warna objek 2 yaitu tubuh air menjadi warna jingga atau

sesuai keinginan.

19




27. Menampilkan citra hasil klasifikasi supervised beserta tabel identifikasi

warna objeknya.

28. Menutup semua jendela ER Mapper dan aplikasi lainnya pada komputer

kemudian mematikan komputer secara baik dan benar.

20


VI. HASIL PRAKTIKUM

1. Tampilan Citra Hasil Klasifikasi Unsupervised beserta Tabel Identifikasi

Warna Objeknya

21


22


2. Tampilan Citra Hasil Klasifikasi Supervised beserta Tabel Identifikasi

Warna Objeknya

Klasifikasi Citra dengan ER Mapper

Documents

Transcript of Klasifikasi Citra dengan ER Mapper