LAPORAN PRAKTIKUM 3

MATA KULIAH PENGINDERAAN JAUH

Klasifikasi Multispektral

Oleh:

Kania Permata Sari 15112002

Ririn Indahyani 15112010

Ressy Fitria 15112028

Eka Fitriani 15112093

Michele Natasa Ganap 15112094

PRODI TEKNIK GEODESI DAN GEOMATIKA

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN

INSTITUT TEKNOLOGI BANDUNG

BANDUNG

2015

ABSTRAK

Klasifikasi multispektral adalah salah satu bagian dari pengolahan citra penginderaan jauh. Hasil

klasifikasi multispektral penginderaan jauh berupa peta tematik umumnya digunakan sebagai

input dalam lingkungan sistem informasi geografis (SIG). Klasifikasi multispektral dapat

dilakukan secara manual maupun dengan bantuan piranti lunak. Klasifikasi dengan bantuan

piranti lunak dapat dibedakan menjadi klasifikasi terkontrol (supervised) dan klasifikasi tak-

terkontrol (unsupervised). Pada laporan ini akan dibahas beberapa algoritma dari masing-masing

jenis klasifikasi dengan menggunakan bantuan piranti lunak Envi 5.1.

BAB I

PENDAHULUAN

A. Latar Belakang

Salah satu fungsi satelit adalah merekam objek dipermukaan bumi. Citra yang terekam oleh

sensor dinamakan citra satelit. Praktikum mata kuliah Inderaja ini mengaplikasikan

bagaimanakah cara mengklasifikasi citra satelit digital dengan data citra Landsat 7. Adanya

klasifikasi citra bertujuan untuk menentukan objek area yang terekam pada data citra dengan

mengetahui luasan kelas objek tersebut, misalnya area permukiman, vegetasi dan lain-lain.

Dalam klasifikasi citra ini, metode klasifikasi terbagi menjadi 2 yaitu supervised dan

unsupervised classification. Metode supervised merupakan metode dimana citra yang digunakan

memiliki cakupan wilayah yang telah diketahui bentuk tutupan lahannya. Sedangkan metode

unsupervised merupakan metode klasifikasi citra yang belum jelas bentuk tutupan lahannya.

B. Tujuan

a. Praktikan dapat mengetahui langkah-langkah dalam mengklasifikasi citra satelit digital

Landsat 7 dengan menggunakan software Envi.

b. Praktikan dapat mengetahui hasil citra yang terklasifikasi dan menentukan objek yang

terklasifikasi.

c. Praktikan dapat membedakan metode unsupervised dan supervised classification.

C. Metodologi

1. Data yang dibutuhkan adalah data citra LANDSAT 7 daerah Jawa Barat.

2. Pengolahan data meliputi:

Penajaman citra metode Gram-Schmidt Pan Sharpening

Unsupervised Classification ( Isodata dan K-Means)

Pembuatan Region of Interest

Supervised Classification (Maximum Likehood, Minimum Distance, dan

Parallelepiped)

BAB II

HASIL DAN PEMBAHASAN

A. Gram-Schmidt Pan Sharpening

Berikut adalah langkah pengerjaan penajaman citra menggunakan metode gram Schmidt.

1.Buka hasil citra yang telah di koreksi atmosferik.

2. Masukkan citra Landsat 7 dengan open as Geotiff with metadata.

3. Pilih file metadata dari citra landsat dengan format file .MTL

4.Pilih metode gram Schmidt pada toolbox. Pilih citra yang telah dikorekdi atmosferik

5. Pilih band pankromatik dari citra

6. Pilih jenis sensor : Landsat ETM, Resampling : Nearest neighbor, output format : ENVI, dan

buat nama output file-nya.

Berikut hasil citra yang telah diproses dengan gram Schmidt Pan sharpening

B. Unsupervised classification

a. Isodata Classification

1. Pilih unsupervised classification pada toolbox, kemudian pilih isodata classification. Pilih citra

yang telah disharpening sebelumnya pada jendela classification input file.

2. Pilih banyak kelas ( pada praktikum ini banyak kelas minimal 5 dan maksimal 10). Buat nama

output file.

3. Berikut hasil klasifikasi menggunakan metode isodata.

b. K-Means Classification

1. Pilih K-means Classification pada toolbox. Pilih citra yang telah di- sharpening.

2. Pilih banyak kelas (kelas dipilih sebanyak 7 kelas, agar banyak kelas sama dengan hasil

klasifikasi dengan isodata). Buat nama output file.

3. Berikut hasil klasifikasi dengan metode K-Means.

C. Region of Interest

1. Sebelum melakukan klasifikasi, terlebih dahulu dibuat Region of Interest (ROI). Pilih menu

file > new > Region of Interest.

2. Buat nama ROI sesuai dengan objek yang ada pada citra. Pilih sample objek pada citra

(minimal 5)

(a) Laut

(b) Hutan

(c) Awan

(d) Vegetasi

(e) Permukiman

(f) Sawah

(g) Batas citra

D. Supervised Classification

a. Maximum Likehood

1. Pilih maximum likehood pada toolbox, ( Classification > Supervised Classification >

Maximum Likehood). Pilih citra yang telah di sharpening.

2. Pilih kelas ROI yang ada pada citra. Buat nama output file. Non-aktifkan output rule image.

3. Berikut adalah hasil klasifikasi dengan maximum likehood.

b. Minimum Distance

1. Pilih Minimum Distance pada toolbox, ( Classification > Supervised Classification >

Minimum Distance). Pilih citra yang telah di sharpening.

2. Pilih kelas ROI yang ada pada citra. Buat nama output file. Non-aktifkan output rule image.

3. Berikut adalah hasil klasifikasi dengan Minimum Distance.

c. Parallelepiped classification

1. Pilih Parallelepiped classification pada toolbox, ( Classification > Supervised Classification >

Parallelepiped classification ). Pilih citra yang telah di sharpening.

2. Pilih kelas ROI yang ada pada citra. Buat nama output file. Non-aktifkan output rule image.

3. Berikut adalah hasil klasifikasi dengan Parallelepiped.

E. Analisis

Klasifikasi terkontrol (supervised classification) melakukan klasifikasi berdasarkan pemasukan

contoh objek/sampel oleh operator. Sedangkan klasifikasi tidak terkontrol (unsupervised

classification) secara otomatis diputuskan oleh komputer.

Klasifikasi citra dengan algoritma minimum distance tidak mempertimbangkan perbedaan/

variasi kelas, misalnya suatu objek/ penutup lahan memiliki piksel dengan variasi yang tinggi

sehingga hal tersebut dapat menyebabkan kesalahan pengklasifikasian piksel. Pada citra yang

diklasifikasi, lahan sawah yang memiliki nilai piksel yang bervariasi sehingga dapat salah

terklasifikasi. Objek yang seharusnya berupa kenampakkan awan, diklasifikasikan sebagai

sawah. Keuntungan dari algoritma ini adalah proses klasifikasinya lebih cepat daripada

maximum likehood.

Klasifikasi dengan algoritma parallelepiped bergantung pada koefisien pengali yang dimasukkan.

Semakin besar koefisien pengali maka semakin besar ukuran box sampel sehingga semakin kecil

kemungkinan piksel yang tidak terklasifikasi. Namu, hasilnya tidak teliti karena semakin banyak

dilakukan generalisasi. Proses parallelepiped lebih cepat daripada minimum distance dam

maximum likehood.

Klasifikasi dengan algoritma maximum likehood merupakan algoritma klasifikasi citra yang

paling bagus dibandingkan minimum distance dan parallelepiped. Prinsip dari algoritma ini

adalah objek yang sama selalu menampilkan histogram yang terdistribusi normal. Hasil

klasifikasi citra dengan algoritma ini secara umum menunjukkan objek atau penutup lahan yang

sama dengan sample yang masukkan.

Perbedaan algoritma K-Means dan isodata adalahjumlah kelas yang akan diklasifikasi. K-Means

diasumsikan jumlah kelas telah diketahui sebelumnya sedangkan isodata menggunakan nilai

minimal dan maksimal kelas dalam mengelompokkan piksel citra yang homogen.

Hasil klasifikasi tidak terkontrol hanya mengelompukkan objek yang dianggap sama tetapi

belum diketahui jenis dari objeknya sehingga harus dilakukan proses penamaan/pendefinisian

kelas. Hasil klasifikasi piksel pada citra secara digital masih sangat bervariatif sehingga untuk

kenyamanan penglihatan dan pemahaman user perlu dilakukan filter dan generalisasi.

BAB III

KESIMPULAN DAN SARAN

A. KESIMPULAN

Beberapa algoritma yang digunakan dalam klasifikasi tak-terselia adalah k-means dan ISO data

sedangkan algoritma yang digunakan dalam klasifikasi terselia adalah parallelpiped, minimum

distance to mean, dan maximum likelihood. Algoritma terbaik yang digunakan dalam klasifikasi

multispektral penginderaan jauh adalah salah satu dari algoritma klasifikasi supervised yaitu

maximum likelihood. Kelebihan dari algoritma ini adalah penggunaan dasar perhitungan

probabilitas terhadap tiap pixel sehingga tiap pixel dikatakan sebagai milik suatu kelas tertentu.

Kekurangan dari algoritma ini adalah probabilitas untuk semua kelasdianggap sama (terdistribusi

normal) padahal tidak semua kelas memiliki probabilitas yang sama.

B. SARAN

Algoritma maximum likelihood adalah algoritma yang secara statistik paling mapan dalam

klasifikasi citra penginderaan jauh. Namun untuk keperluan praktis dalam hal kecepatan prosesi

klasifikasi, sebaiknya menggunakan algoritma minimum distance to mean sebagai algoritma

klasifikasi supervised yang paling sederhana atau parallelpiped yang sedikit lebih lama dari

algoritma minimum distance to mean namun tetap memperhatikan variabilitas kelas.

DAFTAR PUSTAKA

Danoedoro, Projo. 2012. “Pengantar Penginderaan Jauh Digital”. ANDI :Yogyakarta

http://geoexpose.blogspot.com/2011/12/klasifikasi-citra-satelit.html