klasifikasi citra dengan er mapper

Download Klasifikasi Citra dengan ER Mapper

Post on 11-Nov-2015

85 views

Category:

Documents

23 download

Embed Size (px)

DESCRIPTION

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.

TRANSCRIPT

  • TUTORIAL DIGITAL

    PENGINDERAAN JAUH DAN

    SISTEM INFORMASI GEOGRAFI

    PEMROSESAN CITRA DIGITAL

    ACARA 4

    KLASIFIKASI CITRA

    DENGAN ER MAPPER

    Disusun oleh :

    Nama : Ilham Guntara, A.Md.

    Website : www.guntara.com

    (Bebas diakses dengan menyertakan sumber)

    GUNTARA INDONESIA CORPORATION

    DAERAH ISTIMEWA YOGYAKARTA

    2015

  • 2

    Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

    I. JUDUL

    Klasifikasi Citra

    II. TUJUAN

    1. Melatih klasifikasi citra menggunakan perangkat lunak (software) ER

    Mapper.

    2. Memahami konsep klasifikasi citra secara digital.

    3. Melatih klasifikasi citra secara digital metode supervised.

    4. Melatih klasifikasi citra secara digital metode unsupervised.

    III. ALAT DAN BAHAN

    1. Alat tulis

    2. Kertas HVS

    3. Flashdisk Drive

    4. Data Digital Citra Landsat Sebagian Yogyakarta

    5. Seperangkat komputer dengan software ER Mapper

    6. Pedoman Praktikum Pemrosesan Citra Digital

    IV. TINJAUAN PUSTAKA

    Klasifikasi citra penginderaan jauh (inderaja) bertujuan untuk menghasilkan

    peta tematik, dimana tiap warna mewakili sebuah objek, misalkan hutan laut,

    sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni 2007).

    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

  • 3

    Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

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

    atau relatif kurang benar.

    Klasifikasi citra digital 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 (Projo Danoedoro,1996). Pada umumnya Klasifikasi

    citra digital yang digunakan adalah klasifikasi terselia (supervised).

    Menurut Projo Danoedoro (1996) klasifikasi supervised (terselia) ini

    melibatkan interaksi analis secara intensif, dimana analis menuntun proses

    klasifikasi dengan identifikasi objek pada citra (training area). 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.

    Klasifikasi terselia secara otomatis diputuskan oleh computer, tanpa campur

    tangan operator (kalaupun ada, proses interaksi ini sangat terbatas). Proses ini

    sendiri adalah suatu proses iterasi, sampai menghasilkan pengelompokan akhir

    gugus-gugus spektral. Campur tangan operator terutama setelah gugusan-gugusan

    spektral terbentuk yaitu dengan menandai tiap gugus sebagai objek tertentu. Oleh

    karena itu teknik klasifikasi semacam ini disebut klasifikasi a-posterior (setelah

    fakta) sebagai lawan dari klasifikasi a-priori (mendahului fakta) (Robinove, 1981,

    dalam Jensen, 1986).

    Klasifikasi terselia diawali dengan pengambilan daerah acuan (training

    area). Pengambilan daerah acuan dilakukan dengan mempertimbangkan pola

    spektral pada setiap panjang gelombang tertentu, sehingga didapatkan daerah acuan

    yang baik untuk mewakili suatu objek tertentu.Sampel yang telah didapatkan

    tersebut kemudian dijadikan sebagai masukan dalam proses klasifikasi untuk

    seluruh citra dengan menggunakan perhitungan tertentu.

    Klasifikasi tidak terselia (unsupervised) meliputi sekumpulan alogaritma

    yang didasarkan pemasukkan contoh objek (berupa nilai spektral) oleh operator.

    Contoh ini disebut sampel dan lokasi geografis kelompok piksel sampel ini disebut

    sebagai daerah contoh (training area). Sebelum sampel diambil, operator (atau

  • 4

    Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

    pengguna) harus mempersiapkan sistem klasifikasi yang akan diterapkan seperti

    halnya klasifikasi manual. Dua hal penting yang harus dipertimbangkan dalam

    klasifikasi ialah system klasifikasi dan criteria sampel. Pengambilan sampel secara

    digital oleh operator pada dasarnya merupkan cara melatih komputer untuk

    mengenali objek berdasarkan kecenderungan spektralnya.

    Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk

    pemetaan penutup lahan (land cover), dan bukan penggunaan lahan. Aspek

    penggunaan lahan secara deduktif dapat diturunkan dari informasi penutup

    lahannya, atau dengan cara lain melalui pemasukkan informasi temporal (rotasi

    tanaman, citra multitemporal, faktor bentuklahan, dan sebagainya). Oleh karena

    itu, sistem klasifikasi yang disiapkan harus berisi klas-klas penutup lahan

    (misalnya padi, jagung, hutan campuran, semak, padang rumput, lahan terbuka, dan

    sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung), karena

    aspek fungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel.

    Bila kerangka klasifikasi yang tersedia ternyata hanya system klasifikasi

    untuk penggunaan lahan, maka system ini perlu diterjemahkan dulu menjadi

    klasfikasi penutup lahan. Untuk konversi semacam ini, pengetahuan pengguna atau

    operator mengenai karakteristik penggunaan lahan dalam kaitannya dengan

    penutup lahan sangatlah penting. Disamping itu pengetahuan mengenai kondisi

    daerah yang diamati (local knowledge) juga sangat menunjang (Bronsveld et al.

    1994). Sistem klasifikasi yang secara langsung mengacu pada kategori-kategori

    penggunaan lahan, atau yang mencampur-adukkan aspek penutup lahan dengan

    penggunaan lahan sebaiknya tidak digunakan pada klasifikasi awal, mengingatkan

    bahwa fungsi penggunaan lahan tidak secara langsung direpresentasikan oleh nilai

    piksel (Projo Danoedoro, 1994). Sama dengan metode penelitian ataupun survei

    yang lain, sampel haruslah homogen. Homogenitas sampel. Artinya nilai

    simpangan baku kelompok piksel tiap sampel haruslah rendah untuk tiap saluran.

    Cara termudah untuk mengambil sampel yang memenuhi kriterium ini ialah

    dengan mengambil piksel-piksel murni (pure pixel). Pada luasan yang homogen,

    pengambilan piksel murni dapat secara mudah dilakukan dengan memilih piksel di

    bagian tengah kenampakan objek. Melalui penampilan citra komposit warna yang

  • 5

    Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

    baik, homogenitas objek dicerminkan oleh warna yang seragam. Di samping itu,

    criteria statistic pun diperlukan untuk menilai sampel. Sampel yang baik tentunya

    mempunyai homogenitas niali piksel yang tinggi yang ditunjukkan oleh kecilnya

    simpangan baku, bentuk histogramnya dan tentu saja juga bentuk gugusnya yang

    mengelompok pada feature space. Beberapa alogaritma klasifikasi tersedia:

    a. Jarak minimum terhadap rerata (Minimum distance to mean alogarithm)

    b. Alogaritma Parallelepiped (Box Classification alogarithm)

    c. Alogaritma kemiripan maksimum (Maximum Likelihood Alogarithm)

    d. Alogaritma Tetangga Terdekat (K-Nearest Algorithm)

    Salah satu alternatif bagi pendekatan bagi klasifikasi data penginderaan jauh

    dapat dilakukan dengan menggunakan klasifikasi tak terselia. Klasifikasi ini

    menggunakan algoritma untuk mengkaji atau mnganalisis sejumlah besar piksel

    yang tidak dikenal dan membaginya dalam sejumlah kelas berdasarkan

    pengelompokkan nilai digital citra. Kelas yang dihasilkan dari klasifikasi tak

    terselia adalah kelas spektral. Oleh karena itu, pengelompokkan kelas didasarkan

    pada nilai natural spektra citra, dan identitas nilai spektral tidak dapat diketahui

    secara dini. Hal itu disebabkan analisisnya belum menggunakan data rujukan

    seperti citra skala besar untuk menentukan identitas dan nilai informasi setiap kelas

    spektral. Data citra yang lebih dari satu saluran sulit untuk menggambarkan nilai

    citra untuk identifikasi secara visual dan untuk pengelompokkan spektral secara

    natural. Oleh karena itu, tersedia teknik statistik yang dapat digunakan untuk

    pengelompokkan secara otomatik rangkaian n dimensional hasil pengamatan ke

    kelas spektral natural.

  • 6

    Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

    V. METODE

    A. Klasifikasi Tak Terselia (Unsupervised)

    1. Menyiapkan alat dan bahan praktikum.

    2. Menekan tombol On pada CPU dan monitor.

    3. Menunggu hingga tampil layar desktop.

    4. Menunggu hingga pointer berwujud panah mucnul (artinya sistem

    sudah siap untuk menerima perintah).

    5. Memilih dan double click pada program bernama ER Mapper yang

    ada di layar desktop atau bisa mencarinya di Start Menu.

    6. Memilih menu toolbar File lalu Open pada ER Mapper.

    7. Memilih file yang dibuka yaitu citraolahh.ers lalu memilih OK.

  • 7

    Tutorial PJSIG Ilham Guntara, A.Md. www.guntara.com

    8. Memilih menu Process > klik Classification > klik Isoclass

    Unsupervised Classifica