PENDAHULUAN

Latar Belakang

Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra

ke dalam sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan

suatu entitas dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan

jauh adalah untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu

objek tertentu. Contoh objek yang berkaitan dengan permukaan bumi antara lain

air, hutan, sawah, kota, jalan, dan lain-lain. Sedangkan pada citra satelit

meteorologi, proses klasifikasi dapat menghasilkan peta awan yang

memperlihatkan distribusi awan di atas suatu wilayah.

Prosedur klasifikasi citra bertujuan untuk melakukan kategorisasi secara

otomatis dari semua pixel citra ke dalam kelas penutupan lahan atau semua tema

tertentu. Secara umum data multispectral boleh dikatakan menggunakan bentuk

klasifikasi pola spektral data untuk ketegorisasi setiap pixel berbasis numerik.

Perbedaan tipe kenampakan menunjukkan perbedaan kombinasi dasar nilai digital

pixel pada sifat pantulan (reflektansi) dan pancaran (emisi) spektral yang

dimilikinya, Bentuk pola cukup berhubungan dengan ukuran radian yang

diperoleh dari setiap pixel berdasarkan jenis saluran atau panjang gelombang yang

merekamnya. Pengenalan pola spektral (spectral pattern recognition) merupakan

prosedur klasifikasi yang menggunakan informasi spectral setiap pixel untuk

mengenal kelas-kelas penutupan lahan secara otomatis.

Pengenalan pola spasial (spatial pattern recognition) meliputi kategorisasi

pixel citra dengan basis hubungan spasia antara pixel tersebut. Pola spasial dapat

dievaluasi pada skema interpretasi secara otomatis. Klasifikasi spasial mencakup

beberapa aspek seperti tekstur citra atau pengulangan rona, bentuk dan ukuran

obyek, arah, hubungan, serta posisi pixel yang berdekatan. Tipe klasifikasi spasial

mudah dideteksi oleh akal manusia dalam proses interpretasi visual, namun

merupakan tugas yang rumit bagi komputer, karena informasinya sangat komplek.

Sebaliknya, komputer dengan mudah menganalisis pola spektral dalam sejumlah

saluran. Oleh Karena itu atribut spasial dapat dikaitkan dengan proses pengenalan

1

spectral, dengan cara membuat asumsi bahwa pixel yang berbedakan akan

menajdi satu kelas tutupan yang sama.

Klasifikasi tidak terbimbing (unsupervised) melakukan pengelompokan

data dengan menganalisa cluster secara otomatis dan menghitung kembali rata-

rata kelas (class mean) secara berulang-ulang dengan komputer. Sumbu horizontal

menunjukkan nilai piksel pada band 2 dan sumbu vertikal menunjukkan nilai

kecerahan piksel pada band 1. Pengelompokan piksel menjadi kelas spektral

diawali dengan menentukan jumlah kelas spektral yang akan dibuat. Penentuan

jumlah kelas ini dapat dilakukan dengan memperhatikan jumlah puncak histogram

sehingga diperoleh jumlah kelas spectral yang akan dibentuk. Setelah jumlah

kelas spektral ini ditentukan kemudian dipilih pusat-pusat kelas spektral terhadap

setiap pusat kelas spektral. Berdasarkan hasil pengukuran jarak ini setiap piksel

dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat.

Setelah setiap pixel dikelompokkan lalu masing-masing rata-rata kelas

spectral dihitung kembali. Kemudian dilakukan lagi pengukuran jarak setiap

piksel terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke

dalam kelas spektral yang memiliki jarak terdekat.

Tujuan

Tujuan dari lapororan yang berjudul “Klasifikasi Terbimbing” adalah

untuk mengklasifikasikan citra kedalam 5 tutupan lahannya.

2

TINJAUAN PUSTAKA

Pemetaan penggunaan lahan dan penutupan lahan sangat berhubungan

dengan studi vegetasi, tanaman pertanian dan tanah dari biosfer. Karena data

penggunaan lahan dan penutupan lahan paling penting untuk planner yang harus

membuat keputusan yang berhubungan dengan pengelolaan sumberdaya lahan,

maka data ini sangat bersifat ekonomi (Lo, 1995).

Penggunaan lahan merupakan aktivitas manusia dan kaitannya dengan

lahan, yang biasanya tidak secara langsung tampak dari citra. Penggunaan lahan

telah dikaji dari beberapa sudut pandang yang berlainan, sehingga tidak ada satu

defenisi yang benar-benar tepat (Purbowaseso, 1995). Penggunaan lahan

berhubungan dengan kegiatan manusia pada sebidang lahan, sedangkan penutup

lahan lebih merupakan perwujudan fisik obyek-obyek yang menutupi lahan tanpa

mempersoalkan kegiatan manusia terhadap obyek-obyek tersebut. Satu-satuan

penutup lahan kadang-kadang juga bersifat penutup lahan alami (Lillesand and

Kiefer,1990).

Agar dapat dimanfaatkan maka citra tersebut harus diinterpretasikan atau

diterjemahkan/ ditafsirkan terlebih dahulu. Interpretasi citra merupakan kegiatan

mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek

dan menilai arti pentingnya objek tersebut. Singkatnya interpretasi citra

merupakan suatu proses pengenalan objek yang berupa gambar (citra) untuk

digunakan dalam disiplin ilmu tertentu seperti Geologi, Geografi, Ekologi,

Geodesi dan disiplin ilmu lainnya. Dalam menginterpretasikan citra dibagi

menjadi beberapa tahapan, yaitu:

Deteksi ialah pengenalan objek yang mempunyai karakteristik tertentu oleh

sensor.

Identifikasi ialah mencirikan objek dengan menggunakan data rujukan.

Analisis ialah mengumpulkan keterangan lebih lanjut secara terinci

(Estes and Simonett, 1975).

Beberapa satelit pengindraan jauh berikut bisa digunakan sebagai

peneteksian LANDSAT, SPOT, IRS, NOA-AVHRR, RADARSAT, ERS, JERS,

AVIRIS dan MODIS. Setiap satelit tersebut mempunyai karateristik pendeteksian

3

tertentu. Secara umum terdapat dua karateristik resolution yaitu spatial resolution

(resolusi spasial) dan spectra resolution (resolusi spectra). Resolusi spatial

mengacu pada ukuran wilayah pengamatan atau mencari nilai data dalam satu

citra yang disebut instantaneous field of view (IFOV). Resolusi spectral mengacu

pada angka dan lebar pita gelombang atau kemampuan sensor untuk dapat

mengukur gelombang energi yang dipancarkan. Hal lain yang perlu menjadi

pertimbangan adalah biaya untuk mendapatkan data citra tersebut (Lillesand and

Kiefer,1990).

Gelombang elektromagnetik yang terpantul akan ditangkap oleh suatu alat

deteksi yang disebut sensor. Gelombang energi terefleksi dan tertransmisi dari

permukaan bumi akan melalui atmosfir bumi yang selanjutnya diterima sesnsor.

Energi yang kembali ke atmosfer akan mengalami penyebaran sehingga saat

menuju sensor akan menambah noise. Sensor dibedakan atas dua kelompok besar

yaitu sensor pasif dan sensor aktif. Sensor pasif akan menerima gelombang energi

yang dipancarkan dari bumi. Sedangkan sensor aktiv adapat memancarkan

gelombang energi dari satelit sendiri kemudian hasil refleksinya ditangkap sensor.

Setiap sensor memiliki kepekaan gelombang spectrum terbatas dan tidak aka satu

sensor pun yang peka terhadap seluruh panjang gelombang (Aprian, 2007).

Pengindraan jarak jauh juga sering digunakan untuk mendukung kegitan-

kegiatan ilmu lain ataupun penelitian-penelitian yang bermacam-macam.

Pengindraan jarak jauh tersebut untuk wilayah Indonesia dilakukan oleh LAPAN

dan data-data adan gambaran hasil pengindraan tersebut dapat diakses di internet

dan dapat dimiliki secara bebas digunakan untuk berbagai keperluan. Gambar-

gambar tersebut biasanya dimanfaatkan dengan bantuan-bantuan berbagai macam

alat baik yang masih bersifat simpel sampai yang sudah moderen. Alat-alat

tersebut kebanyakan menggunakan bantuan lensa dan kaca dalam penggunaanya.

Penggunaan alat tersebut akan membuat gambar-gambar tersebut tampak seperti

nyata atau dalam keadaan 3D (Lillesand and Kiefer,1990).

4

METODOLOGI PRAKTIKUM

Waktu dan Tempat

Praktikum Penginderaan Jarak Jauh yang berjudul “Klasifikasi

Terbimbing” dilaksanakan pada hari Kamis, 1 Desember 2011, pukul 14.00 WIB

sampai dengan selesai. Praktikum ini dilaksanakan di Laboratorium Inventarisasi

Hutan, Departemen Kehutanan, Fakultas Pertanian, Universitas Sumatera Utara,

Medan.

Alat dan Bahan

Alat yang digunakan dalam praktikum ini adalah laptop. Sedangkan bahan

yang digunakan dalam kegiatan praktikum ini adalah software ERDAS 8.5, citra

satelit medan correction, dan monogram tutupan lahan.

Prosedur

1. Dibuka software ERDAS, pada viewer 1 masukkan data citra satelit

medan_correction. Kemudian atur band combination citra dengan tipe 5,4,3.

Gambar 1. Memasukkan citra satelit ke viewer 1. Gambar 2. Teknik Perubahan Band

combination.

Gambar 3. Pengaturan Band Combination tipe 5,4,3.

5

2. Diklik classifier, kemudian pilih signature editor. Maka akan muncul

tampilan untuk pengaturan signature editor.

Gambar 4. Pilihan dari menu Classifier. Gambar 5. Jendela dari signature editor.

3. Klik AOI yang terdapat pada viewer 1, kemudian dipilih sub-menu tools.

Pilih tool Polygon AOI ( ), yang digunakan untuk mengambil sampel.

Gambar 6. Pilihan dari sub-menu Tools dari Gambar 7. Pemilihan tool create polygon

menu AOI. AOI.

4. Kelas tutupan lahan yang diambil pertama adalah badan air, dimana sampel

diambil sebanyak 2 buah dengan menggunakan tool create polygon yang

ditentukan berdasarkan monogram yang ada.

6

Gambar 8. Sampel badan air yang pertama. Gambar 9. Sampel badan air yang kedua.

5. Selanjutnya kedua sampel yang telah diambil diblok dengan menggunakan

tool box selected ( )dilanjutkan dengan memilih tool group selected object

( ).

Gambar 10. Penggabungan dua sampel badan air.

6. Lakukan tindakan penyimpanan dengan klik save lalu pilih AOI layer as, dan

simpan di folder P8 dengan nama badan_air_kel1.

Gambar 11. Teknik penyimpanan hasil kerja. Gambar 12. Penyimpanan hasil kerja.

7

7. Diklik create signature, maka akan muncul class. Ganti class dengan nama

bada air. Lalu save di folder P8 dengan nama klasifikasi_terbimbing.

(Penyimpanan dilakukan untuk menjaga hasil kerja apabila terjadi padam

lisrik).

Gambar 13. Pemilihan Create Signature Gambar 14. Pengubahan nama kelas menjadi badan

untuk mengasilkan kelas. air.

Gambar 15. Penyimpanan hasil kerja. Gambar 16. Pemngubahan nama file.

8. Lalu hilangkan sampel yang sudah digabung yang terdapat pada viewer 1

dengan cara mengklik cut all raster ( ). Hal ini dimaksudkan agar dapat

dilakukan kembali pengambilan sampel untuk jenis tutupan lahan lainnya.

9. Lakukan kegiatan pengambilan sampel untuk tutupan lahan lainnya, yakni

tutupan lahan mangrove, lahan terbuka, pemukiman, dan semak, dengan

teknik yang sama seperti di atas.

8

10. Setelah semua tutupan lahan telah diambil sampelnya, lakukan penyimpanan,

dengan cara klik menu file dan pilih save dari signature editor.

11. Untuk memudahkan pengamatan, tutupa lahan yang telah diklasifikasikan

dapat diubah warnanya dengan cara diklik sekali di warna yang akan diubah.

Gambar 17. Teknik pengubahan warna.

12. Pilih evaluate, lalu klik separability. Ubah distance Measure ke Transformed

Divergence dan output ke Cellaray, lalu pilih OK, maka akan muncul

matriks.

Gambar 18. Pemilihan separability dari Gambar 19. Pengaturan Signature menu

evaluate. Separability.

9

Gambar 20. Matriks dari hasil pengaturan separability.

13. Pilih evaluate, lalu klik contingency, lalu klik OK. Maka akan muncul editor.

Lakukan penyimpanan dengan tipe file ASCll dat, kemudian pilih OK.

Gambar 21. Pemilihan submenu contingency. Gambar 22. Tampilan dari contigency matriks.

14. Klik File lalu save as kontengensi data exel.

Gambar 23. Data kontingensi dibuka dengan media exel.

10

15. Dilakukan perhitungan di exel dengan ketentuan sebagai berikut:

Overall Accuracy =

Producer’s Accuracy =

User’s Accuracy =

Kappa Accuracy (K) =

16. Klik supervised, lalu simpan data dengan nama tertentu. Lakukan perbandingan antara citra hasil klasifikasi dengan citra medan_correction.

11

HASIL DAN PEMBAHASAN

Hasil

Tabel 1. Hasil perhitungan dengan menggunakan Microsoft Exel.

Gambar 24. Perbandingan citra hasil kalsifikasi dengan citra awal (medan_correction).

12

Overall Accuracy = = = 93,60 %

Producer’s Accuracy mangrove = = = 95,23%

Producer’s Accuracy Lahan terbuka = = = 89,65%

Producer’s Accuracy pemukiman = = = 95,58 %

Producer’s Accuracy semak = = = 92,59 %

User’s Accuracy mangrove = = = 100 %

User’s Accuracy Lahan Terbuka = = = 92,85 %

User’s Accuracy pemukiman = = = 95,58 %

User’s Accuracy semak = = = 100 %

Kappa Accuracy (K) =

= = 91 %

Pembahasan

13

Dari kegiatan praktikum yang telah dilakukan dapat diketahui bahwa

overal accurancy mempunyai nilai yang baik, yakni 93,60 % dan nilai Kappa

Accurancy sebesar 921 %. Hal ini menandakan bahwa tindakan klasifikasi

terbimbing untuk tutupan lahan dilakukan dengan baik (cukup akurat).

Klasifikasi citra satelit menjadi peta tutupan lahan merupakan aplikasi

penginderaan jauh yang paling banyak digunakan. Klasifikasi tutupan lahan

adalah proses interpretasi dan pemberian label kelas tutupan lahan untuk tiap-tiap

piksel yang ada pada citra satelit. Hasil dari proses klasifikasi adalah peta tutupan

lahan. Peta tutupan lahan memuat informasi kelas tutupan lahan yang ada di suatu

unit area. Tingkat kedetailan informasi peta tutupan lahan yang bisa dihasilkan

dari klasifikasi citra satelit amat tergantung pada tujuan utama pembuatan peta,

resolusi citra, pengenalan lapang, hardware, dan keterampilan pengguna. Sebagai

contoh, untuk beberapa organisasi, peta tutupan lahan dengan kelas hutan dan

non-hutan sudah dirasa memadai. Akan tetapi untuk penggunaan lain, misalnya

mengukur cadangan karbon, dibutuhkan lebih dari sekedar hutan-non hutan.

Sebelum melakukan klasifikasi, hendaknya dipahami dengan benar tujuan

pembuatan peta tutupan lahan, sumber daya serta kendala-kendala yang ada.

Dari segi metodologi, klasifikasi dapat dilakukan secara manual dan

digital. Klasifikasi digital umumnya terbagi menjadi dua jenis, yakni klasifikasi

tidak terbimbing (unsupervised classification) dan klasifikasi terbimbing

(supervised classification). Klasifikasi tidak terbimbing atau disebut juga

clustering, adalah klasifikasi yang dilakukan tanpa adanya contoh (sample)

tutupan lahan. Sebaliknya, klasifikasi terbimbing adalah klasifikasi yang

dilakukan dengan terlebih dahulu membuat contoh (trining sample). Selain dua

metode tersebut, klasifikasi dapat juga dilakukan secara manual dengan cara

digitasi layar.

Dalam laporan ini digunakan teknik klasifikasi terbimbing dalam

menentukan tutupan lahan. Pendekatan dengan teknik ini, pertama-tama obyek

dipilih menurut tujuan studi, informasi dari pengetahuan yang dimiliki untuk

daerah tersebut. Informasi tersebut meliputi peta topografi dan peta planimetri,

mosaik foto udara dan foto udara berpasangan. Beberapa daerah contoh kecil-

kecil dipilih pada suatu bagian citra, dibatasi dan dikaji untuk setiap obyek yang

14

dipilih. Deleniasi kelas setiap daerah contoh yang homogen, tergantung kondisi

medan dan sesuai dengan kenampakan pada foto udara. Dalam menentukan

daerah contoh kecil (sampel) digunakan tool AOI (Area Of Interest), dimana tool

ini adalah alat dalam menentukan titik pada citra yang akan diklasifikasikan atau

untuk membuat spesifikasi terhadap areal-areal tertentu yang akan

diklasifikasikan tutupan lahannya.

Sedangkan pada klasifikasi tak terbimbing, pada dasarnya tidak

memerlukan perintah-perintah bertahap dari analisis citra, tetapi mengikuti

program memeriksa piksel-piksel belum terklasifikasi dan memasukkan piksel-

piksel tersebut ke dalam kelompoknya menurut kondisi bentang alamnya. Pada

prakteknya, peranan analisis citra sering terbatas dan hal tersebut lebih baik dalam

memanfaatkan teknik ini sebagai teknik gabungan. Diutarakan oleh Lillesand dan

Kiefer (1979), bahwa pendekatan klasifikasi tak tersedia ditentukan pemisahan

kelas-kelas secara spektral dan kemudian ditetapkan atributnya (yakni label

kelas).

Gambar 24. Perbandingan citra hasil kalsifikasi dengan citra awal (medan_correction).

Dari kedua citra di atas, dapat diperoleh perbedaannya, dimana pada citra

pertama yang belum diklasifikasi terlihat lebih banyak warna. Sedangkan pada

citra kedua yang telah diklasifikasikan, warnanya lebih spesifik. Hanya terdapat

lima warna untuk masing-masing tutupan lahan, yakni:

Badan Air berwarna biru tua.

Hutan mangrove berwarna coklat.

15

Lahan terbuka berwarna merah marun.

Pemukiman berwarna merah tua.

Semak berwarna merah jambu (pink)

Dari hasil klasifikasi dapat diketahui bahwa tutupan lahan yang paling

banyak adalah semak dan pemukiman.

KESIMPULAN DAN SARAN

Kesimpulan

1. Klasifikasi citra satelit menjadi peta tutupan lahan merupakan aplikasi

penginderaan jauh yang paling banyak digunakan.

2. Overal accurancy mempunyai nilai yang baik, yakni 93,60 % dan nilai Kappa

Accurancy sebesar 921 %. Hal ini menandakan bahwa tindakan klasifikasi

terbimbing untuk tutupan lahan dilakukan dengan baik (cukup akurat).

3. Dalam menentukan daerah contoh kecil (sampel) digunakan tool AOI (Area

Of Interest), dimana tool ini adalah alat dalam menentukan titik pada citra

yang akan diklasifikasikan atau untuk membuat spesifikasi terhadap areal-

areal tertentu yang akan diklasifikasikan tutupan lahannya.

4. Dari kedua citra (yang belum diklasifikasikan dan yang belum), dapat

diperoleh perbedaannya, dimana pada citra pertama yang belum diklasifikasi

terlihat lebih banyak warna. Sedangkan pada citra kedua yang telah

diklasifikasikan, warnanya lebih spesifik.

5. Dari hasil klasifikasi dapat diketahui bahwa tutupan lahan yang paling banyak

adalah semak dan pemukiman.

Saran

Dalam pengambilan sampel harus dilakukan lebih teliti agar tindakan

klasifikasi dapat menghasilkan data yang akurat.

16

17