KLASIFIKASI CITRA MULTISPEKTRAL

LAPORAN PRAKTIKUMUNTUK MEMENUHI TUGAS MATAKULIAH

Penginderaan Jauh Terapan untuk Sumber Daya LahanYang dibina oleh Alfu Nur Rusydi S.Si, M.Sc

OlehAli Atul Rodiansyah

120722420605

UNIVERSITAS NEGERI MALANGFAKULTAS ILMU SOSIAL

JURUSAN GEOGRAFIPROGRAM STUDI S1 GEOGRAFI

Maret 2015

Klasifikasi Citra Multispektral

A. TUJUAN

1. Mahasiswa mampu memahami menganai jenis-jenis klasifikasi citra multispektral

2. Mahasiswa mampu memahami jenis dan penggunaan klasifikasi Unsupervised

3. Mahasiswa mampu memahami jenis dan penggunaan klasifikasi Supervised

B. DASAR TEORI

Klasifikasi citra multispektral adalah proses pengelompokan piksel kedalam kelas

tertentu, proses klasifikasi terdiri dari dua tahap, yang pertama adalah pengenalan

terhadap obyek nyata. dalam konteks penginderaan jauh dari permukaan tanah kategori

ini dapat mencakup seperti, hutan, tubuh air, padang rumput dan jenis tutypan lahan

lainya, tergantung pada skala geografis dan lokasi penelitian. tahap kedua dalam proses

klasifikasi adalah pelabelan entitas (misalnya seperti piksel) harus di klasifikasikan.

dalam klasifikasi citra digital label ini numerik, sehingga piksel yang di akui sebagai

milik kelas ‘air’dapat do beri label ‘1’, ‘hutan’ dapat di beri label ‘2’ dan sebagainya.

Proses klasifikasi citra mengharuskan pengguna untuk melakukan langkah-

langkah berikut: (i) menentukan apriori jumlah dan sifat kategori dalam hal mana tutupan

lahan yang akan dijelaskan dan, (ii) menetapkan label numerik untuk piksel pada dasar

sifat mereka menggunakan prosedur pegambilan keputusan, biasanya di sebut aturan

klasifikasi atau aturan keputusan. kadang-kadang langkah ini disebut klasifikasi dan

identifikasi (atau label), masing-masing. ada tiga jenis mentode klasifikasi, yaitu

unsupervised classification, supervised classification, and hybrid classification. dalam

unsupervised classification, identitas jenis tutupan lahan yang akan di tetapkan sebagai

kelas-kelas dalam sebuah kejadian yang tidak di ketahui secara umum karena apriori

informasi referensi tanah kurang atau fitur permukaan dalam kejadian tidak di definisikan

dengan baik. disisi lain dalam klasifikasi Supervised, identitas dan lokasi dari beberapa

jenis tutupan lahan dikenal apriori melalui kombinsai lapangan, interpretesi, analisis peta

dan pengalaman pribadi. sementara klaifikasi Hybrid adalah kombinasi antara klasifikasi

Unsupervised dan klasifikasi Supervised.

C. ALAT dan BAHAN

Adapun alat dn bahan yang di gunakan adalah:

1. Pc Laptop 3. Software ENVI 5.0

2. Citra landsat ETM7 4. Alat tulis

1

D. LANGKAH KERJA

a. Klasifikasi Unsupervised

1. Buka file citra yang akan di klasifikasikan, di sini menggunakan citra Landsat

Semarang.

2. Pada menu bar klik Classification > Unsupervised > IsoData, pilih multi-spectral

image, OK

3. Masukan parameter yang di butuhkan, isikan Maximum Iteration = 3, Minimum #

Pixel, di Class = 9. simpan citra dalam format file maupun memory, lalu klik OK.

4. Tampilkan citra yang telah di klasifikasikan. lalu lakukan anotasi untuk memberi

label di setiap kenampakan hasil klasifikasi, dengan cara pada manu tampilan citra

klik Overlay > Annotation, pada jendela anotasi, klik Object > Map Key, klik menu

Edit Map Key Items, dan hitunglah anotasi hasil klasifikasi.

5. Tampilkan komposit citra di jendela lainya ini bertujuan untuk membandingkan

hasil klasifikasi dengan citra aslinya. Gunakan link Image untuk mempermudah

klasifikasi dan analisis hasilnya.

6. Untuk menggunakan metode K-Means, klik Classification > Unsupervised > K-

Means. Gunakan parameter dan langkah kerja seperti metode Isodata, kemudian

simpanlah hasilnya.

7. bandingkan hasil kedua metode di atas, kemudian lakukan analisis.

b. Klasifikasi Supervised

Dalam klasifikasi ini langkah pertama harus menentukan ROI atau daerah sebagai

sample dari tutupan lahan yang berada pada citra.

1. buatlah ROI dengan cara buka komposit citra, disini saya menggunakan komposit

321. lalu klik Basic Tool pada menu bar, pilih ROI, kemudian ROI Tool.

2. Kemudian akan muncul jendela ROI Tool > klik Image > Kemudian delinasi

wilayah yang akan di gunakan sebagai sample untuk suatu tutupan lahan di jendela

citra > beri nama lahan tersebut > untuk membuat wilayah sample tutupan lahan

klik menu New Region.

3. Bila sudah selesai simpan ROI tersebut dengan cara, klik menu File pada jendela

ROI, pilih Save ROI, tentukan file direktori dan simpanlah.

4. Untuk mengetahi persebaran nilai ROI, klik menu option kemudian klik Compute

ROI Separability > kemudian akan muncul jendela nilai ROI kemudian simpan

dalam format .txt dengan cara file > save taxt to ASII.

2

5. Untuk mulai melakukan klasifikasi Supervised, pilih menu pada menu bar

Classification > Supervised > Parallelepiped.

6. Pilih input file. makan file ROI hasil deliniasi tadi akan otomatis muncul di

Parallelepiped Parameter window. klik Select All Items. simpan hasilnya beserta

Rule-nya, kemudian klik OK.

7. Kemudian tampilkan hasil dari klasifikasi metode tersebut.

8. Untuk melakukan metode lainya, yaitu dengan melakukan langkah yang sama

dengan cara melakukan metode Paralleliped di atas.

9. Lakukan dengan menggunakan metode Minimum distance, Mahalonobis distance

dan Maximum Likehold.

E. HASIL PRAKTIKUM

Terlampir

F. PEMBAHASAN

Klasifikasi citra multispektral bertujuan untuk menghasilkan peta tematik, dimana

tiap warna mewakili sebuah objek, misalkan hutan laut, sungai, sawah dan lain-lain.

Klasifikasi citra multispektral ini 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 yang terkandung dalam setiap pikselnya.

Ada dua macam klassifikasi yaitu klassifikasi Unsupervised dan klasifikasi

Supervised. di mana Klasifikasi unsupervised merupakan metode yang memberikan tugas

sepenuhnya kepada sistem/komputer untuk mengelompokkan data raster berdasarkan

nilai digitalnya masing-masing, pengaruh pengguna dalam hal ini tidak ada maupun

sangat sedikit. Jenis metode ini digunakan bila kualitas citra sangat tinggi dengan distorsi

atmosferik dan tutupan awan yang rendah. Namun, dalam banyak kasus, terlepas dari

kondisi citra yang bersangkutan, metode ini banyak digunakan untuk memberikan

gambaran kasar/ informasi awal.

sedangkan klasifikasi supervised ini melibatkan interaksi analis secara intensif,

dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training

area atau ROI region of interest). 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.

3

Dalam praktikum klasifikasi cira multispektral ini di lakukan dengan

menggunakan dua metode di atas, metode Unsupervised dan Supervised, dimana tujuanya

untuk mencari hasil analisis yang terbaik dari kedua metode di atas. Metode

Unsupervised di lakukan dengan mengunakan metode Isodata dan K-means sedangkan

Supervised menggunakan 4 cara dari 7 cari yang ada, yaitu Parallelepiped, Minimum

Distance, Mahalanobis Distance, dan Maximum Likehood, dimana hasil dari analisisnya

adalah sebagai berikut:

a. Unsupervised

1. Isodata

Pada praktikum ini klasifikasi Isodata menggunakan 9 kelas,

Mengklasifikasikan di lakukan kepada kelas secara merata. Piksel-piksel

diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan

mereklasifikasi piksel sehubungan dengan cara baru. Iteratif membelah kelas,

penggabungan, dan menghapus dilakukan berdasarkan parameter input threshold.

Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau

ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin

unclassified jika mereka tidak memenuhi kriteria yang dipilih.

Obyek-obyek terkelaskan scara matematisn oleh software, sehingga kita

hanya bisa mengklasifikasikan berdasarkan kenampakan yang ada, obyek-obyek

yang terlihat tidak semuanya datail dan dapat mewakilkan kenampakan obyek.

tetapi untuk beberapa kenampakan dapat terklasifikasikan dengan baik, Untuk

obyek laut, dapat di bedakan menjadi laut dalam dan laut dangkal yang di tunjuan

dengan warna yang berbeda, tetapi untuk obyek di darat seperti tanah kosong dan

beberapa karakterbangunan terlihat mempunyai warna yang sama, hal ini berarti

tidak teridentifikasi dengan baik, dan ada beberapa kenampakan alam yang

sebenarnya bereda, di sini terlihat sama, hal ini karena kamampuan klasifikasi di

lihat secara dalam pembacaan nilai pikselnya oleh software.

2. K-Means

Klasifikasi ini juga menggunaka teknik jarak minimum. Setiap iterasi

kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara

baru. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau

ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin

unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut

4

sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang

perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.

Kenampakan beberapa obyek terklasifikasi dengan baik, tetapi ada

beberapa obyek yang sebenarnya berbeda, di tampilkan dalam warnay yang sama,

obyek berupa laut di tampilkan secara sama antara laut dalam dan dangkal. Untuk

vegetasi hasil dari identifikasi terklasifikasikan menjadi 4 obyek, yaitu Rapat,

Sedang, jarang, dan terlihat juga vegetasi dengan lahan yang basah seperti sawah

terklasifiksikan secara tersendiri. untuk lahan kosong sudah bisa di lihat secara

mudah, tetapi untuk lahan terbangun disini di temukan ada tiga kelas yang

nampak.

b. Supervised

1. Parallelepiped Klasifikasi parallelepiped menggunakan aturan keputusan

sederhana untuk mengklasifikasikan 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. hasilnya ada beberapa wilayah yang tidak terklasifikasi, hal ini karena

metode yang di gunakan sangat sederhana. tetapi untuk beberapa obyek yang telah

di tetntukan dapat di identifikasi.

2. Minimum Distance Teknik jarak minimal menggunakan vektor rata-rata

endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel

yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa piksel

memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang

dipilih. hasilnya hampir sama dengan menggunakan metode Mahalanobis

Distance, dimana haslinya dapat di klasifikasi dan di tampilkan secara baik.

3. Mahalanobis Distance Klasifikasi Mahalanobis Jarak adalah jarak arah

pengklasifikasi sensitif yang menggunakan statistik untuk masing-masing kelas.

Hal ini mirip dengan klasifikasi Maximum Likehood, tetapi menganggap semua

kovarian kelas adalah sama dan karenanya merupakan metode yang lebih cepat.

Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna

menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak

ditandai jika mereka tidak memenuhi ambang batas. Menurut saya metode ini

merupakan yang terbaik, dimana semua kelas yang ada dapat terwakilkan dan

5

terklasifiksi dengan baik, semua klasifikasi yang yang saya lakukan dan di

terapkan dalam citra nampak secara datail dan baik.

4. Maximum Likehood Mengasumsikan bahwa statistik untuk setiap kelas dalam

setiap band biasanya didistribusikan dan menghitung probabilitas bahwa suatu

piksel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua

piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki

probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi

lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi.

hasil dari klasifikasi menggunakan metode ini kurang baik, karena batasan-

batasan nilai piksel yang di gunakan sangat lebar, sehingga obyek seperti

pemukiman sanggat banya di temukan padahal tidak sebanyak ini, ada beberapa

obyek yang teridentifiaksi sebagai obyek lainya, seperti vegetasi rapat dan

pemukiman, yang sebenarnya terpisah, disini terlihat menjadi satu.

G. SIMPULAN

Dari hasil praktikum ini dapat di simpulkan bahwa dari kedua metode klasisifikasi

citra multispektral tersebut, yaitu Unsupervised dan Supervised masing-masing

mempunyai keunggulan. dari metode Unsupervised terlihat Isodata merupakan yang

terbaik karena tutupan lahan yang berbeda dapat teridentifikasi dengan baik, sedangkan

untuk metode Supervised metode Mahalanobis mempunyai hasil yang baik, dan semua

obyek terklasifikasikan dengan baik.

H. DAFTAR RUJUKAN

Arfie.2009. Klasifikasi Citra. (Online).

(http://sekerasbatu.blogspot.com/2009/08/klasifikasi-citra.html). Di akses pada 22

Maret 2015

Dwi, Robinov. 2012. klasifikasi Citra. (Online),

(http://tugaspratikumsip.blogspot.com/2012/06/klasifikasi-citra.html) Di akses

pada 22 Maret 2015

Guntara, Ilham. 2013. klasifikasi Multispektral, (Online), (

http://www.guntara.com/2013/05/klasifikasi-multispektral-2.htm) Di akses pada

22 Maret 2015l

6

Viraswana, 2013. Klasifikasi Citra Digiatal Envi 45. (Online),

(http://vyraswana.blogspot.com/2013/03/klasifikasi-citra-digital-envi-45.html) Di

akses pada 22 Maret 2015

7