Klasifikasi Multispektral
-
Upload
ali-atur-rodiansyah -
Category
Documents
-
view
47 -
download
13
description
Transcript of Klasifikasi Multispektral
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