LAPORAN SISTEM INFORMASI GEOGRAFIS KLASIFIKASI MULTISPEKTRAL

MENGGUNAKAN ILWIS

Disusun oleh :

Evan Setiawan – 71130060

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Duta Wacana Yogyakarta

2015

I. PENDAHULUAN

1.1 Latar Belakang

Dewasa ini kemajuan teknologi sangat pesat sehingga juga berpengaruh pada

perkembangan ilmu pengetahuan. Ilmu perpetaan adalah salah satu ilmu yang sangat besar di

pengaruhi oleh kemajuan teknologi tersebut ditandai dengan proses perekaman jarak jauh

yang perekamannya melalui satelit. Peta yang dihasilkan oleh perekaman jarak jauh ini

dikenal dengan nama citra pengindraan jauh. Namun pada dasarnya citra satelit dengan peta

mempunyai perbedaan yang mencolok dan tidak bisa dikatakan sama.

Perkembangan teknologi yang sangat pesat ini membawa dampak positif bagi manusia,

karena dengan penginderaan jarak jauh tersebut manusia dapat melakukan penelitian tanpa

terjun langsung kelapangan melainkan hanya melihat pada citra tersebut.

Dengan menggunakan data pengindraan jarak jauh tersebut, secara langsung kita dalam

mengkaji objek permukaan bumi yang tergambar pada citra tersebut secara langsung

menunjukan pendekatan kewilayahan, kelingkungan dalam konteks keruangan. Hal ini

didasarkan bahwa sifat dan karakteristik objek di permukaan bumi terjadi relasi, interaksi dan

interpedensi antara suatu faktor dengan faktor lainnya dalam suatu ruang maupun faktor-

faktor antar ruang.

Citra penginderaan jauh mengandung ketidaktelitian dalam hal ukuran planimetriknya,

terutama foto udara yang mempunyai proyeksi sentral. Walaupun hal ini tidak mengganggu

interorentasi, namun dalam memplotkan hasil interpretasi pada peta akan mengalami

kesulitan. Hal ini karena skala di berbagai bagian tidak sama. Teknik-teknik memindahkan

hasil interpretasi ke dalam peta memerlukan yang mahal seperti camera, stereo, analog,

optical photograph, rectifier, zoom transfercope dan plotter analytical.

Dalam menganalisis atau mengidentifikasi suatu citra, pengenalan objek dan unsur-

unsur interpretasi sangatlah penting karena jika kita tidak menguasai unsur-unsur interpretasi

tersebut kita tidak mungkin bisa dalam memperoleh data dengan cara interpretasi tersebut.

Ini juga berlaku untuk menentukan karakteristik-karakteristik suatu objek di dalam citra

tersebut.

Penginderaan jauh sudah semakin berkembang hari demi hari serta semakin dibutuhkan

untuk kepentingan yang lebih luas. Guna mendapatkan hasil dari data penginderaan jauh

yang sesuai dengan yang diharapkan, tentu kita harus mengetahui pula cara menggunakan

software untuk memproses data tersebut. Software yang ada saat ini cukup banyak

danberagam, diantaranya adalah Ilwis, Erdas Imagine, Arcgis, ER Mapper dan lain-lain.

Masing-masing software bersaing menawarkan kemudahan penggunaan (user friendly) dan

keunggulanlainnya, serta juga bersaing dalam penawaran harga.

1.2 Tujuan dan Kegunaan

Tujuan dari kegiatan ini adalah untuk dapat memberikan pengalaman dan pengetahuan

dalam melakukan proses klasifikasi multispektral menggunakan software ILWIS (Integrated

Land and Water Information System).

Kegunaan dari kegiatan ini adalah kita dapat mengetahui proses dari klasifikasi

multispectral menggunakan software ILWIS.

II. TINJAUAN PUSTAKA

2.1 Pengertian Klasifikasi Multispektral

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk

memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek

berdasarkan kriteria tertentu. Asumsi awal yang harus diperhatikan sebelum melakukan

klasifikasi multispektral adalah bahwa tiap obyek dapat dikenali dan dibedakan berdasarkan

nilai spektralnya. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan

yang memberikan informasi mengenai jenis penutup lahan (vegetasi kerapatan tinggi yang

berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah, lahan

terbangun dan lainnya).

Pengklasifikasian citra merupakan salah satu bagian terpenting pada analisis citra

digital. Tujuan dari klasifikasi citra adalah untuk mengindentifikasi dan kemudian

mengelompokan pola ciri citra dalam satu atau sejumlah kelas atau katagori obyek.

Pengertian dasar dari klasifikasi multispektral adalah konsep tangga spektral obyek sebagai

fungsi spektrum panjang gelombang dan radiasi elektomagnetik.

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

benar atau relatif kurang benar.

Klasifikasi citra merupakan teknik yang digunakan untuk menghilangkan informasi

rinci dari data input untuk menampilkan pola-pola penting atau distribusi spasial untuk

mempermudah interpretasi dan analisis citra sehingga dari citra tersebut diperoleh informasi

yang bermanfaat atau sesuai dengan keperluan. Untuk pemetaan penutup lahan, hasilnya

bisa diperoleh dari proses klasifikasi multispektral citra satelit. Klasifikasi multispektral

sendiri andalah algoritma yang dirancang untuk menyajikan informasi tematik dengancara

mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral.

Ada algoritma matematis yang cukup sederhana untuk menentukan keanggotaan setiap

piksel ke dalam klas-klas penutup lahan yang tersedia. Algoritma itu adalah jarak minimum

terhadap rerata (minimum distance to mean). Caranya adalah sebagai berikut (a)

menentukan nilai rerata setiap klas penutup obyek, berdasarkan observasi atas sampel atau

histogram seluruh citra, (b) mem-plot posisi (vektor) setiap piksel pada sistem koordinat

kartesian (x,y,z, sebagai ruang spektral), dimana saluran 1 terletak pada sumbu x, saluran 2

pada sumbu y, dan saluran 3 pada sumbu z, (c) menentukan jarak maksimum (ambang) dari

suatu nilai piksel untuk dapat dimasukan kedalam klas tertentu, (d) menghitung jarak setiap

piksel ke setiap nilai rerata sebagai wakil tiap klas penutup lahan pada ruang spektral,

dimana penutup lahan yang diwakili oleh nilai rerata dengan jarak terdekat ke piksel yang

dihitung akan menjadi label penutup lahan untuk piksel tersebut.

Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai

sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan

dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna

pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk

memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang

diambil guna menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat

sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra terdapat

dua cara umum yang sering digunakan yaitu supervised dan unsupervised.

Metode supervised (dengan bimbingan), pada metode ini, analis terlebih dahulu

menentukan beberapara training area (daerah contoh) pada citra sebagai kelas kenampakan

objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam cita

mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian

digunakan oleh perangkat lunak komputer sebagai kunci untuk mengenali piksel lain.

Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah

ditentukan sebelumnya. Jadi dalam metode ini, nails mengidentifikasi kelas infomasi

terlebih dahulu yang kemudian digunakan untuk menenyukan kelas spektral yang mewakili

kelas informasi tersebut. Algoritma yang bisa digunakan untuk menyelesaikan metode

supervised ini antara lain:

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.

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.

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.

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

5. Spektral Angle Mapper

Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk

mencocokkan piksel untuk spektra acuan.

6. Spectral Information Divergence

Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang

menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum referensi.

Semakin kecil divergensi, semakin besar kemungkinan piksel serupa. Piksel dengan

pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan tidak

diklasifikasikan.

7. Binary Encoding

Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir anggota

menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di atas rata-rata

spektrum, masing-masing. Dapat membandingkan setiap spektrum referensi yang dikodekan

dengan spektrum data yang disandikan dan menghasilkan klasifikasi citra. Semua piksel

diklasifikasikan ke endmember dengan jumlah terbesar dari band yang cocok, kecuali jika

ditentukan batas minimum pertandingan, dalam hal ini beberapa piksel mungkin tidak

terklasifikasi jika tidak memenuhi kriteria.

8. Neural Net

Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural.

9. Support Vector Machine

Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas dengan

permukaan keputusan yang memaksimalkan margin antara kelas.

III. METODE PELAKSANAAN

3.1 Teknik Pelaksanaan

- Bagian 1

Langkah pertama adalah membuat Domain, dimana di dalam Domain ini nantinya berisi

kategori kelas penutup lahan yang akan kita gunakan dalam proses klasifikasi

Caranya klik File > Create > Domain

Maka akan muncul box “Create Domain”. Kemudian isikan nama domainnya, lalu pilih

“Class” pada pilihan radiobutton Type dan 30 (atau bebas, sesuai kebutuhan) pada kolom

Width.

Kemudian klik “OK” maka akan muncul box “Domain Class”

Kemudian pilih Add Item (tanda “+”) untuk mulai mengisi kelas penutup lahan yang akan digunakan. Setelah klik icon Add Item maka akan muncul Box “Add Domain Item”. Isikan nama klas penutup lahan pada kolom Name dan kodenya pada kolom Code, kemudian klik OK untuk kembali ke “Domain Class”

Langakh berikutnya setelah menentukan Domain adalah mengambil sampel pada citra sesuai dengan Domain yang telah kita buat. Klik Operation > Image Processing > Sample

Maka akan muncul box “Sampling”. Kemudian klik tombol dengan ikon “matahari terbit” untuk membuat sampel set yang baru.

Akan muncul box “Create Sample Set”

Isikan nama sampel pada kolom Sample Set Name, kemudian pilih file domain yang telah kita buat sebelumnya pada kolom Domain dan untuk MapList pilih citra yang akan

kita gunakan (hasil import atau iput data). Klik OK untuk kembali ke box “Sampling”. Klik OK di box “Sampling”Maka akan muncul box “Display Option.”, dalam box ini kita dapat menentukan komposit citra yang akan kita gunakan pada saat pengambilan sampel, pilih komposit sesuai kebutuhan kemudian klik OK.

Muncul jendela “Sample set Editor”, disinlah kita akan memilih piksel sampel yang akan digunakan dalam klasifikasi.

Klik ikon “Normal” untuk memilih lokasi sampel, dengan cara drag mouse membentuk persegi pada sampel yang dipilih, kemudian klik kanan pilih Edit.

Muncul dialog box “Edit”, dalam box ini terlihat jumlah piksel yang kita ambil dan kita harus menentukan kelas penutup lahannya pada kolom “Class Name”, pilih salah satu klas penutup lahan kemudian klik OK, lalu mulai lagi langkah yang sama untuk klas penutup lahan yang lain.

Setelah selasai memilih semua sampel, klik ikon “Exit Editor” untuk keluar dari proses sampling dan mulai klasifikasi multispektral.Pilih Operation > Image Processing > Classify

Akan muncul box “Classification”, pilih file sample yang telah dibuat pada langkah sebelumnya pada kolom Sample Set. Pilih salah satu (sesuai kebutuhan pengguna) metode klasifikasi dalam radio button Classification Method, dan jangan lupa tuliskan nama file untuk Output-nya dalam kolom Output Raster Map, kemudian klik Show.

Hasil klasifikasi menggunakan metode Minimum Distance.

Sumber :

- http://tugaspratikumsip.blogspot.co.id/2012/06/klasifikasi-citra.html- http://www.guntara.com/2013/05/klasifikasi-multispektral-2.html- http://blog.ub.ac.id/mastertommy/files/2013/11/Klasifikasi-Multispektral-pake-ILWIS.pdf