03-klasifikasi citra

8/12/2019 03-KLASIFIKASI CITRA

1/13

III-1

III. KLASIFIKASI CITRA (Image Classification)

Klasfikasi/Interpretasi citra bertujuan untuk pengelompokkan atau membuat

segmentasi mengenai\ kenampakan-kenampakan yang homogen.

Untuk dapat melakukan interpretasi, penafsir memerlukan unsur-unsur pengenal

pada obyek atau gejala yang terekam pada citra. Unsur-unsur pengenal ini secara

individual maupun secara kolektif mampu membimbing penafsir ke arah pengenalan yang

benar. Unsur-unsur ini disebut unsur-unsur interpretasi, dan bayangan, tekstur, pola,

situs, dan asosiasi.

Rona (tone) mengacu pada kecerahan relatif obyek pada citra. Rona biasanya

dinyatakan dalam derajat keabuan meliputi 8 (delapan) hal, yaitu rona/warna, bentuk,

ukuran, (grey scale), misalnya hitam/sangat gelap, agak gelap, cerah, sangat cerah/putih.

Apabila citra yang digunakan itu berwarna, maka unsur interpretasi yang digunakan ialah

warna (color), meskipun penyebutannya masih terkombinasi dengan rona, misalnya

merah, hijau, coklat kekuningan, biru kehijauan agak gelap, dan sebagainya.

Bentuk (shape) sebagai unsur interpretasi mengacu ke bentuk secara umum,

konfigurasi, atau garis besar wujud obyek secara individual. Bentuk beberapa obyek

kadang-kadang begitu berbeda daripada yang lain, sehingga obyek tersebut dapat

dikenali semata-mata dari unsur bentuknya saja.

Ukuran (size) obyek pada foto harus dipertimbangkan dalam konteks skala yang

ada. Penyebutan ukuran juga tidak selalu dapat dilakukan untuk semua jenis obyek.

Pola(pattern) terkait dengan susunan keruangan obyek. Pola biasanya terkait pula

dengan adanya pengulangan bentuk umum suatu atau sekelompok obyek dalam ruang.

Istilah-istilah yang digunakan untuk menyatakan pola misalnya adalah teratur, tidak

teratur, kurang teratur, kadang-kadang pula perlu digunakan istilah yang lebih ekspresif,

misalnya melingkar, memanjang terputus-putus, konsentris dan sebagainya.

Bayangan (shadow) sangat penting bagi penafsir karena, dapat memberikan dua

macam efek yang berlawanan. Pertama bayangan mampu menegaskan bentuk obyek

pada citra, karena outline obyek menjadi lebih tajam/jelas, begitu pula kesan

ketinggiannnya. Kedua bayangan justru kurang memberikan pantulan obyek ke sensor,

sehingga obyek yang teramati menjadi tidak jelas.

Tekstur (texture) merupakan ukuran frekuensi perubahan rona pada gambar

obyek. Tekstur dapat dihasilkan oleh agregasi /pengelompokan satuan kenampakan

pohon dan bayangannya, gerombolan satwa liar di bebatuan yang terserak diatas

permukaaan tanah. Kesan tekstur juga bersifat relatif, tergantung pada skala dan resolusi

citra yang digunakan.


2/13

III-2

Situs(site) atau letak merupakan penjelasan tentang lokasi obyek relatif terhadap

obyek atau kenampakan lain yang lebih mudah untuk dikenali, dan dipandang dapat

dijadikan dasar untuk identifikasi obyek yang dikaji. Obyek dengan rona cerah, berbentuk

silinder, ada bayangannya, dan tersusun dalam pola yang teratur dapat dikenali sebagai

kilang minyak, apabila terletak didekat perairan pantai.

Asosiasi (assosiation) merupakan unsur yang memperhatikan keterkaitan antara

suatu obyek atau fenomena dengan obyek atau fenomena lain, yang digunakan sebagai

dasar untuk mengenali obyek yang dikaji.

Perlu diperhatikan bahwa dalam mengenali obyek, tidak semua unsur perlu

digunakan secara bersama-sama. Ada beberapa jenis fenomena atau obyek yang

langsung dapat dikenali hanya berdasarkan satu jenis unsur interpretasi saja. Ada pula

yang membutuhkan keseluruhan unsur tersebut. Ada kecenderungan pengenalan obyek

penutup/penggunaan lahan pada citra membutuhkan lebih banyak unsur interpretasi

seperti pada diskripsi.

Dalam praktikum kali ini, kita menggunakan data citra landsat hasil cropping pada

praktikum sebelumnya.

3.1. Kalkulasi Statistik

1. Lakukan perhitungan statistik dengan mengaktifkan menu Process pada Window

utama ER Mapper dan lakukan pilihan pada menu Calculate Statistics

kemudian Window Calculate Statistics akan tampil pada layer komputer. Lakukan

pengesetan input data file dalam multiband image (*.ers), pilihan Subsampling Interval

adalah 1 dan jangan lupa untuk mencheck list pilihan pada . Tekan

tombol OK kemudian Window Calculate Statistics Statusakan tampil pada

layer komputer. Proses perhitungan akan dilakukan dan pada saatnya akan tampil

Calculate Statistic Attentionsebagai tanda perhitungan telah selesai. Tekan tombol OK

dan tombol exit pada Window Calculate Statistic(Gambar).

Gambar 3.1. Perhitungan Statistik Image

2. Aktifkan menu View dari Window ER Mapper interface. Lakukan pilihan pada menu

Statistics dan menu Show Statistics untuk melihat hasil perhitungan

statistik. Window Statistics Reportakan tampil pada layer komputer. Pastikan Input file

dalam multiband (*.ers) dan lakukan pilihan serta semua dalam daftar Band (All). Tekan


3/13

III-3

tombol OK kemudian penyajian Window hasil perhitungan statistik (Display

Dataset Statistics) akan tampil pada layer komputer (Gambar).

Gambar 3.2. Laporan Statistik untuk Multiband Image

3. Lakukan penyimpanan laporan data statistik (Saving statistic report) dalam file dengan

menekan tombol Print , Window Print Dataset Statistics akan tampil secara

otomatis. Lakukan pilihan untuk File Only: ; tekan tombol Open output file

kemudian tetapkan nama file baru (stat) sebagai file statisik.

3.2. Klasifikasi Tak Terbimbing (Unsupervised Classification)

1. Aktifkan menu Process dan pilih menu Classification serta menu ISOCLASS

Unsupervised Classification pada Window utama ER

Mapper; kemudian Window Unsupervised Classificationakan tampil pada layer komputer.

Lakukakan pengisian data informasi yang dibutuhkan seperti input dataset, output dataset,

maximum iterasi dan maximum banyaknya kelas.2. Dari Window Unsupervised Classification, bukalah original multiband image dengan

menekan tombol Input Dataset sehingga Window Open Dataset tampil pada layer

komputer. Pilihlah file original raster image (.ers) kemudian tekanlah tombol OK

. Buatlah output dataset baru dengan mengaktifkan tombol Open Dataset

sehingga Window Open Datasettampil pada layer komputer. Tulislah sebagai nama file

baru pada menu Save As (*.ers) kemudian tekanlah tombol OK untukkonfirmasi proses. Abaikan menu Band to Usedalam All.

3. Berikan informasi tambahan yang diperlukan pada Window Unsupervised Classification

seperti:

Maksimum iterasi sebanyak 20 (mengindikasikan banyaknya langkah iterasi statistik

yang dilakukan),

Desired percent unchanged as 95 (indikasi kesalahan sebesar 5% dalam proses

statistik),

Maximum number of classesas 10(indikasi banyaknya kelas klasifikasi),


4/13


5/13

III-5

Buatlah kombinasi warna dari tiga band dengan menekan tombol Open ; set Red Band

untuk Band 5, Green Band untuk Band 4 dan Blue Band untuk Band 2. Beri tanda check

listpada menu Full Saturation . Tekan tombol Auto-gen untuk

memulai proses kalkulasi dan tekan tombol Close untuk menutup Window.

Gambar 3.5. Window Auto Generate Colors

8. Setelah langkah auto generate colordilakukan, simpanlah komposisi warna baru tersbut

dengan menekan tombol Save pada Window Edit Class/Region Details

kemudian tombol Close .

9. Display hasil editing kelas dengan menekan tombol Edit pada Window

Algorithm. Aktifkan menu Add Raster Layer dan pilih menu Class Display

sehingga Class Display layer tampil pada menu View Layar. Pilihlah Class

Display layer tersebut dan loading dataset dengan menekan tombol Load Dataset

(Unsupervised_class.ers) dan tampilkan image dengan menekan tombol Run Algorithm

.

10. Lakukan edit warna dan nama kelas berdasarkan nilai DN Value untuk setiap kelas

klasifikasi, sepanjang pembedaan warna dapat memberikan perbedaan yang berarti.

Lakukan seperti pada langkah sebelumnya.

Gambar 3.6. Edit Class/Region Details Window

11. Formulasi dapat digunakan untuk mengurangi ketidak jelasan agregat kelas. Berdasarkan

hasil editing untuk warna dan nama pada setiap kelas file unsupervised dataset


6/13


7/13

III-7

tombol Close . Hasil dari proses dideskripsikan pada Window View Image

sebagaimana telah dijelaskan pada langkah 10-13 (drawing mask on image). Buatlah

kombinasi band (RGB: 541) pada AlgorithmWindow.

5. Lakukan pengclusteran pada image dengan mengaktifkan menu Edit dan pilih menu

Edit/Create Regions sehingga New Map Composition Window tampil

pada layar komputer. Beri tanda cheklist pada menu Raster Region dan

loading file dalam original multiband (*.ers) kemudian tekan tombol OK

sehingga ToolsWindow tampil pada layar komputer.

6. Lakukan penyimpanan data dengan menekan tombol Save As pada ToolsWindow.

MessageWindow akan tampil pada layar komputer, sebagai tanda penyimpanan data telah

sukses dilakukan pada file multiband (*.ers) image.

Gambar 3.8. Region Message Window

7. Hasil pengclusteran dapat dilihat setelah menekan tombol Close pada Tools

Window. Lakukan pengeditan region atas warna dan title untuk semua objek dengan

mengaktifkan menu Edit Class/Region Color and Name .

8. Lakukan penghitungan statistik untuk image tersebut di atas dengan mengaktifkan menu

pada ER Mapper 5.5 interface Window dengan standard toolbar. Pilih menu

Calculate Statistic sehingga Calculate StatisticsWindow tampil pada layar

komputer. Lakukan loading dataset dalam multiband image (l71126060_b123457.ers), beri

tanda checklist pada menu Force Recalculate stats dan masukkan

nilai: 1 (satu) pada menu Subsampling Interval. Tekan tombol OK untuk

memulai proses perhitungan statistik. Attention Window akan tampil saat proses

perhitungan telah selesai dan sukses dilakukan. Tekan tombol OK untuk

mengkonfirmasi penyelesaian proses perhitungan (Gambar).


8/13

III-8

Gambar 3.9. Proses Perhitungan Statistik

9. Pilihlah salah satu metode supervisi klasifikasi dan tetapkan metode yang dipilih pada

metode supervisi klasifikasi jarak terdekat (minimum distance). Lakukan klasifikasi dengan

mengaktifkan menu Process dan pilihlah menu Classification dari ER

Mapper 7.0 interface Window dengan standard toolbar. Pilih menu Supervised

Classification sehingga Supervised ClassificationWindow tampil pada

layar komputer (Gambar).

Gambar 3.10. Jendela Supervised Classification

10. Lakukan pemenuhan kriteria yang dibutuhkan pada Supervised Classification Window,

seperti kriteria untuk menu Input Dataset dalam original multiband image (*.ers), setting

Input Band untuk semua (All)band, penetapan menu Output Datasetdalam file image

baru (Supervised_class_mindist.ers) dan metode klasikasi Classification Type dalam

Minimum Distance. Tekan tombol OK sehingga jendela Supervised

Classification Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan

sukses dilakukan sejalan dengan tampilan jendela AttentionWindow pada layar komputer.

Tekan tombol OK untuk konfirmasi penyelesaian proses klasifikasi (Gambar).

Gambar 3.11. Jendela Proses Supervisi Classification




9/13

III-9


12. Representasikan hasil supervisi klasifikasi untuk metode minimum distance dengan

menekan tombol Edit pada AlgorithmWindow dan pilihlah menu Add Raster

Layar . Aktifkan menu Class Display sehingga Class Display

Layer akan tampil pada menu Algorithm Layar. Lakukan loading untuk file image dataset

(Supervised_class_mindist.ers) dengan menekan tombol Load Dataset dan tombol

Run Algorithm (GO) .

13. Pilihlah salah satu metode untuk tipe supervisi klasifikasi, dan tetapkan klasifikasi pada

metode maximum likelihood. Aktifkan menu Process dan pilihlah menu

Classification dari jendela ER Mapper 7.0 interface Window. Lakukan pilihan

pada menu Supervised Classification dan jendela Supervised

ClassificationWindow akan tampil pada layar computer.

Gambar 3.13.Jendela Supervised Classification




baru (*.ers) dan penetapan tipe metode klasikasi Classification Type dalam Maximum

Likelihood Standard. Tekan tombol OK sehingga jendela Supervised

Classification Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan




10/13

III-10









(*.ers) dengan menekan tombol Load Dataset dan tombol Run Algorithm (GO) .

Gunakan majority filteringsebagai mana yang disebutkan pada langkah 65 dan lakukan

proses post classification. Lakukan penyimpanan hasil filtering

(Supervised_maxlikestd_filter.ers) dengan mengaktifkan menu Save As Dataset .

Bandingkan hasil filtering image dengan image supervisi standar maximum likelihood

standard.


metode maximum likelihood. Aktifkan menu Process dan pilihlah menu

Classification dari jendela ER Mapper interface Window. Lakukan pilihan pada

menu Supervised Classification dan jendela Supervised Classification

Window akan tampil pada layar komputer.

Gambar 3.16. Supervised Classification Window


11/13

III-11



Input Band untuk semua ( All) band, penetapan menu Output Dataset dalam file image

baru (*.ers) dan penetapan tipe metode klasikasi Classification Type dalam

Parallelepiped. Tekan tombol OK sehingga jendela SupervisedClassification Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan






Lakukan seperti pada langkah ke-46 sampai 48 dan tampilkan hasil.






(*.ers) dengan menekan tombol Load Dataset dan tombol Run Algorithm (GO) .


metode mahalanobis. Aktifkan menu Process dan pilihlah menu Classification

dari jendela ER Mapper 7.0 interface Window. Lakukan pilihan pada menu

Supervised Classification dan jendela Supervised Classification

Window akan tampil pada layar komputer.


12/13

III-12

Gambar 3.19. Supervised Classification Window




baru (*.ers) dan penetapan tipe metode klasikasi Classification Type dalam

Mahalanobis. Tekan tombol OK sehingga jendela Supervised Classification

Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan sukses

dilakukan sejalan dengan tampilan jendela AttentionWindow pada layar komputer. Tekan

tombol OK untuk konfirmasi penyelesaian proses klasifikasi.

Gambar 3.20. Supervised Classification Process Window



Lakukan seperti pada langkah ke-46 sampai 48 dan tampilkan hasil


24. Representasikan hasil supervisi klasifikasi untuk metode mahalanobis dengan menekan

tombol Edit pada Algorithm Window dan pilihlah menu Add Raster Layar

. Aktifkan menu Class Display sehingga Class Display Layer

akan tampil pada menu Algorithm Layar. Lakukan loading untuk file image dataset

(Supervised_class_ mahalanobis.ers) dengan menekan tombol Load Dataset dan

tombol Run Algorithm (GO) .


13/13

III-13

REFERENSI

ER Mapper 5.5, 1997. Level One Training Workbook. (Change Detection: page 333-346).Goodchild, M. F., Parks, B.O., Steyaert, L., 1993. Remote Sensing Digital Image Analysis; an

Introduction. Oxford University Press. New York. p146..Lillesand, T.M., and R.W. Kiefer. 1994. Remote Sensing and Image Interpretation. John

Wiley and Sons, New York.

Murai, S. 1994. Remote sensing Note. Japan Association on Remote Sensing (JARS).Japan.

03-klasifikasi citra

Documents