KLASIFIKASI TERSELIA LANDSAT

LAPORAN PENGINDERAAN JAUH KLASIFIKASI TERSELIA
WACHIDATIN NC 1
LAPORAN PRAKTIKUM
MATA KULIAH PENGINDERAAN JAUH
“KLASIFIKASI TERSELIA (Mahalanobis Distance Classification)
MENGGUNAKAN CITRA LANDSAT KABUPATEN TUBAN”
Dosen Pengampu:
Lalu Muhamad Jaelani ST., MSc., PhD
Dosen Asistensi :
Cherie Bekti Pribadi, S.T., M.T
Oleh :
Wachidatin Nisa’ul C. 03311540000067
Departemen Teknik Geomatika
Fakultas Teknik Sipil Lingkungan dan Kebumian
Institut Teknologi Sepuluh Nopember
Ph. 031-5929486, 5929487
2017

WACHIDATIN NC 2
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa karena dengan rahmat, karunia, serta hidayah-
Nya penulis dapat menyelesaikan laporan praktikum ini dengan baik. Adapun laporan ini yakni
sebagai syarat dalam memenuhi tugas Mata Kuliah Penginderaan Jauh. Maka dari itu, penulis
mengucapkan terima kasih kepada,
1. Lalu Muhamad Jaelani ST., MSc., PhD., selaku Dosen Pengampu Mata Kuliah
Penginderaan Jauh
2. Cherie Bekti Pribadi, S.T., M.T., selaku Dosen Responsi Mata Kuliah Penginderaan Jauh
3. Serta pihak-pihak lain yang ikut membantu dalam menyelasikan laporan ini.
Penulis berharap laporan ini dapat berguna dalam menambah wawasan serta pengetahuan
kita. Penulis sadar bahwasannya masih terdapat banyak kesalahan dalam penulisan laporan ini.
Oleh sebab itu, penulis berharap adanya kritik, saran dan usulan demi perbaikan laporan yang akan
di buat berikutnya.
Semoga laporan ini dapat dipahami bagi siapapun yang membacanya dan juga dapat
berguna bagi penulis. Kritik dan saran yang membangun sangat diperlukan demi perbaikan laporan
ini.
Surabaya, 04 Desember 2017
Penulis

WACHIDATIN NC 3
DAFTAR ISI
KATA PENGANTAR................................................................................................................... 2
DAFTAR ISI.................................................................................................................................. 3
BAB I PENDAHULUAN.............................................................................................................. 4
1.1 Latar Belakang ...................................................................................................................... 4
1.2 Maksud dan Tujuan............................................................................................................... 4
BAB II LANDASAN TEORI ....................................................................................................... 5
2.1 Klasifikasi Terselia................................................................................................................ 5
2.2 Jenis Klasifikasi Terselia....................................................................................................... 5
2.3 Region Of Interest................................................................................................................. 7
BAB III PELAKSANAAN ........................................................................................................... 9
3.1 Alat dan Bahan...................................................................................................................... 9
3.2 Tempat dan Waktu Praktikum............................................................................................. 10
3.3 Petunjuk Praktikum............................................................................................................. 10
3.3.1 Proses Penentuan Region of Interest (ROI).................................................................. 10
3.3.2 Proses Klasifikasi Terselia............................................................................................ 13
3.3.3 Proses Penentuan Confusion Matrix............................................................................. 15
3.3.4 Proses Pemotongan Sesuai Batas Kabupaten / Kota .................................................... 17
BAB IV HASIL DAN ANALISA............................................................................................... 27
4.1 Proses Penentuan Region Of Interest.................................................................................. 27
4.2 Proses Klasifikasi Terselia .................................................................................................. 27
4.3 Proses Penentuan Confusion Matrix ................................................................................... 28
4.4 Proses Pemotongan sesuai Batas Kabupaten / Kota............................................................ 28
4.5 Peta Klasifikasi.................................................................................................................... 29
BAB V PENUTUP....................................................................................................................... 30
5.1 Kesimpulan.......................................................................................................................... 30
DAFTAR PUSTAKA.................................................................................................................. 31

WACHIDATIN NC 4
BAB I PENDAHULUAN
1.1 Latar Belakang
Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas
tertentu, seperti perbedaan pada nilai warna. Perbedaan warna ini dimulai dari 0 – hingga gradasi
warna. Semakin banyak klasifikasi citra, maka semakin banyak warna yang digunakan dan
semakin bagus pula hasilnya. Pada umumnya Klasifikasi citra digital terbagi ke dalam dua jenis,
yaitu supervised dan unsupervised. Namun pada umumnya yang digunakan adalah klasifikasi
terselia supervised karena lebih terpercaya.. Klasifikasi supervised dapat didefinisikan sebagai
pengelompokan nilai warna yang telah terintegrasi oleh data survei secara primer, semisal data
mengenai vegetasi, kawasan, pola lahan terbangun. dan sebagainya.
Menurut Projo Danoedoro (1996) klasifikasi supervised 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. Sedangkan unsupervised merupakan pengelompokan warna yang
belum terintegrasi. Unsupervised dapat dijadikan sebagai data sementara atau awal untuk
keperluan tertentu semisal studi., selanjutnya untuk meningkatkan keakuratannya perlu dilakukan
pengecekan di lapangan (ground check) apakah yang telah terklasifikasi sesuai atau tidak
Salah satu software yang banyak digunakan dalam pengolahan data citra satelit ialah ENVI.
Software ini dilengkapi dengan fitur hingga memberikan manfaat dan dapat digunakan dalam
berbagai macam pengaplikasian. Salah satu hal yang dapat dilakukan yakni digunakan untuk
klasifikasi terselia (supervised classification) pada citra satelit.
1.2 Maksud dan Tujuan
Tujuan dari praktikum kali ini ialah :
1. Mahasiswa mampu mengoperasikan software ENVI
2. Mahasiswa mampu melakukan pendefinisan pada ROI
3. Mahasiswa mampu melakukan proses klasifikasi terselia
4. Mahasiswa mampu membuat peta hasil klasifikasi terselia

WACHIDATIN NC 5
BAB II LANDASAN TEORI
2.1 Klasifikasi Terselia
Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas
tertentu, seperti perbedaan pada nilai warna. Perbedaan warna ini dimulai dari 0 – hingga gradasi
warna. Semakin banyak klasifikasi citra, maka semakin banyak warna yang digunakan dan
semakin bagus pula hasilnya. Pada umumnya Klasifikasi citra digital terbagi ke dalam dua jenis,
yaitu supervised dan unsupervised. Namun pada umumnya yang digunakan adalah klasifikasi
terselia supervised karena lebih terpercaya.. Klasifikasi supervised dapat didefinisikan sebagai
pengelompokan nilai warna yang telah terintegrasi oleh data survei secara primer, semisal data
mengenai vegetasi, kawasan, pola lahan terbangun. dan sebagainya.
Menurut Projo Danoedoro (1996) klasifikasi supervised 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. Sedangkan unsupervised merupakan pengelompokan warna yang
belum terintegrasi. Unsupervised dapat dijadikan sebagai data sementara atau awal untuk
keperluan tertentu semisal studi., selanjutnya untuk meningkatkan keakuratannya perlu dilakukan
pengecekan di lapangan (ground check) apakah yang telah terklasifikasi sesuai atau tidak.
Keunggulan supervised classification :
 Lebih akurat karena telah didasari oleh data survei primer
 Dilakukan secara otomatis
 Klasifikasi sesuai dengan masukan data dalam daftar fungsi
Kekurangan supervised classification :
 Membutuhkan kemampuan tenaga survei untuk identifikasi secara langsung ke lapangan
 Biaya yang sangat mahal
 Besar kemungkinan terjadi human error
 Membutuhkan pengetahuan awal pada wilayah survei
2.2 Jenis Klasifikasi Terselia
Proses klasifikasi dengan pemilihan kategori informasi yang diinginkan dan
memiliki training area untuk tiap ketegori penutup lahan yang memakili sebagai
kunci interpretasi merupakan klasifikasi terbimbing. Klasifikasi terbimbing
digunakan data penginderaan jauh multispectral yang berbasis numeric.
maka pengenalan polanya merupakan proses otomatik dengan bantuan komputer. Klasifikasi
terbimbing yang didasarkan pada pengenalan pola spectral terdiri atas tiga tahapan

WACHIDATIN NC 6
a. Ta h a p t r a i n i n g s a m p l e
a n a l i s i s m e n y u s u n k u n c i i n t e r p r e t a s i d a n mengembangkan
secara numeric spectral untuk setiap kenampakan dengan memeriksa batas daerah
(training area)
b. Tahapan klasifikasi
Setiap pixel pada serangkaian data citra dibandingkan setiap kategori pada kunci
interpretasi numeric, yaitu menentukan nilai pixel yang tak dikenal dan paling mirip
dengan kategori yang sama. Perbandingan tiap pixel citra dengan kategori pada
kunci interpretasi dikerluarkan secara numeric dengan menggunakan berbagai
strategi klasifikasi (dapat dipilih salah satu dari jarak minimum rata -rata
kelas, parallelepiped, kemiripan maksimum). Setiap pixel kemudian diberi
nama sehingga diperoleh matrik multi dimensi untuk menentukan jenis
kategori penutupan lahan yang diinterpretasi
c. T a h a p a n k e l u a r a n
H a s i l m a t r i k d i d e n i l e a s i s e h i n g g a t e r b e n t u k p e t a penutupan
lahan dan dibuat tabel matrik luas berbagai jenis tutupan lahan pada citra
Adapun metode klalsifikasi :
a. 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.
b. 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.
c. Maximum Likelihood
Klasifikasi supervised maximum likelihood merupakan klasifikasi yang berpedoman pada nilai
piksel yang sudah dikategorikan obyeknya atau dibuat dalam training sampel untuk masing-
masing obyek penutup lahan. Pemilihan training sampel yang kurang baik dapat menghasilkan
klasifikasi yang kurang optimal sehingga akurasi yang diperoleh rendah. Dengan demikian
diperlukan analisis secara statistik atau uji akurasi dari training sampel tersebut.

WACHIDATIN NC 7
2.3 Region Of Interest
Dalam pengolahan citra, terkadang kita hanya menginginkan pengolahan hanya pada
daerah/bagian tertentu dari citra. Daerah yang kita inginkan tersebut disebut dengan Region of
Interest (ROI). Proses untuk mendapatkan ROI salah satunya adalah dengan cara melakukan
cropping pada suatu citra.ROI memegang peranan yang sangat penting dengan memfasilitasi
penggambaran daerah yang penting dalam suatu citra. ROI merupakan proses partisi gambar
digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi
gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. Ada beberapa metoda yang
sering digunakan dalam ROI citra antara lain:
A. Thresholding
Metode thresholding didasarkan pada pemisahan pixel ke dalam kelas yang berbeda
tergantung pada tingkat keabuan masing-masing pixel. Intensitas citra medis seperti tumor dan
jaringan pada otak biasanya sangat rumit dan memiliki tingkat keabuan yang sangat dekat sehingga
menyebabkan kesulitan penentuan ambang batas (threshold). Metode thresholding tidak bisa
diterapkan untuk citra dengan tingkat keabuan yang berdekatan sehingga biasanya dikombinasikan
dengan metode lain.
B. Region growing
Metode region growing seperti menggabungan thresholding dengan kondisi konektivitas
atau kriteria daerah homogenitas. Keberhasilan dari metode tersebut bergantung pada kepresisian
informasi anatomi untuk meletakkan baik satu mapun beberapa pixel untuk masing-masing daerah
homogen. Kelemahan lain dari metode region growing adalah metode tersebut hanya dapat bekerja
dengan baik pada daerah yang homogen dan membutuhkan operator untuk menentukan daerah
yang akan diROI.
Metode region growing yang paling umum digunakan adalah watershed. Prinsip dasar dari
watershed adalah merubah gradien tingkat keabuan citra menjadi permukaan topografi. Daerah
minimum dari citra merupakan sumber dimana air meluap dan bentuk-bentuk “kolam”
(“catchment basin”) menggambarkan permukaan air. Algoritma ini akan berhenti bila dua “kolam”
dari dua sumber yang berbeda bertemu. Jika pada citra terdapat banyak pola dan noise, maka akan
terbentuk banyak “kolam” sehingga terjadi ROI yang berlebihan.
C. Shapebased
Metode shapebased juga memberikan pendekatan yang cukup sederhana dalam ROI citra
namun sangat sulit dalam penentuan kontur awal sehingga ketidaktepatan dalam penentuan kontur
awal dapat menyebabkan hasil ROI yang kurang memuaskan.
D. Clustering

WACHIDATIN NC 8
Metode statistik atau clustering didasarkan pada distribusi parameter tertentu. Hal
terpenting dalam metode ini adalah melakukan estimasi definisi awal dari parameter sehingga
bagus tidaknya ROI tergantung pada seberapa baik distribusi yang diasumsikan mendekati
distribusi dari data. Pada kenyataanya, secara umum citra medis mengandung noise dan
ketidakpastian distribusi yang tidak dapat diketahui sebelumnya.

WACHIDATIN NC 9
BAB III PELAKSANAAN
3.1 Alat dan Bahan
Berikut ialah alat dan bahan yang digunakan dalam praktikum klasifikasi terselia :
1. Laptop
2. Mouse
3. ENVI 5.1
4. Citra Landsat

WACHIDATIN NC 10
3.2 Tempat dan Waktu Praktikum
Praktikum deteksi awan dilaksanakan pada :
Hari : Senin
Tanggal : 04 Desember 2017
Waktu : 16.00 – 20.00 WIB
Tempat : Jl. Keputih Tambak XX (BMA) No 14, Surabaya.
3.3 Petunjuk Praktikum
3.3.1 Proses Penentuan Region of Interest (ROI)
a. Buka Software ENVI
b. Input citra Landsat dengan cara. File > Open.

WACHIDATIN NC 11
c. Pilih data Landsat yang MTL, kemudian open
d. Membuat ROI, dengan cara. Pilih Region of Interest (ROI) Tools, yang ada pada toolbar

WACHIDATIN NC 12
e. Beri nama pada ROI, yakni klasifikasi untuk awan, pemukiman, laut, lahan terbuka, dsb. Pilih
warna untuk klasifikasi tersebut. Kemudian digit pada area citra, apabila telah selesai, tekan
enter.

WACHIDATIN NC 13
3.3.2 Proses Klasifikasi Terselia
a. Setelah proses ROI, pada Toolbox pilih Classification > Supervised Classification >
Mahalanobis Distance Classification
b. Pilih yang spectral subset terbanyak, yakni 7/7 band, kemudian oke

WACHIDATIN NC 14
c. Pilih Select All Items > Multiple Values > Pilih tempat penyimpanan Output > Pilih tempat
penyimpanan Rules > ok
d. Proses supervised classification sedang berjalan
e. Hasil dari Supervised Classification, Mahalanobis Distance Classification

WACHIDATIN NC 15
3.3.3 Proses Penentuan Confusion Matrix
a. Dari Hasil Supervised Classification, pada Toolbox cari Confusion Matrix Using Ground
Truth ROIs
b. Pilih file Output, yang tadi di save.

WACHIDATIN NC 16
c. Pilih oke
d. Pilih oke

WACHIDATIN NC 17
e. Hasil dari Confusion Matrix
3.3.4 Proses Pemotongan Sesuai Batas Kabupaten / Kota
a. Dari data yang telah diproses sebelumnya. Buka vector daerah pada citra yang telah terpotong,
vector yang digunakan yakni Kabupaten Tuban, dengan cara. File > Open > Pilih vector kabupaten

WACHIDATIN NC 18
b. Pada Toolbox, cari Subset Data From ROIs
c. Pilih Output > Ok

WACHIDATIN NC 19
d. Select Input ROIs : Pilih layer vector kabupaten tuban. Mask pixels output of ROI : Pilih yes.
Pilih tempat penyimpanan. Kemudian ok
e. Citra telah tersubset.

WACHIDATIN NC 20
f. Matikan semua layer hingga membentuk subset kabupaten tuban
g. Membuat layout dengan ENVI Classic. File > Open Image > Pilih file output yang tadi .hdr

WACHIDATIN NC 21
h. Pilih RGB. Pilih 3 kali
i. Pilih File > QuickMap > New QuickMap

WACHIDATIN NC 22
j. Pilih Ukuran Kertas (A4), Pilih landscape
k. Besarkan scala hingga mencakup seluruh wilayah

WACHIDATIN NC 23
l. Pengaturan layout > Apply
m. Memunculkan legenda dengan cara. Overlay > Annotation

WACHIDATIN NC 24
n. Window : pilih image. Color : pilih hitam. Klik Edit Map Key Items > Ganti dengan Legenda
> Ok
o. Klik pada peta. Moving ke tempat yang diinginkan

WACHIDATIN NC 25
p. Menyimpan peta dengan cara, File > Save Image as > Image File > Output file type ganti
dengan PNG > Pilih tempat penyimpanan > Oke

WACHIDATIN NC 26

WACHIDATIN NC 27
BAB IV HASIL DAN ANALISA
4.1 Proses Penentuan Region Of Interest
4.2 Proses Klasifikasi Terselia

WACHIDATIN NC 28
4.3 Proses Penentuan Confusion Matrix
4.4 Proses Pemotongan sesuai Batas Kabupaten / Kota

WACHIDATIN NC 29
4.5 Peta Klasifikasi

WACHIDATIN NC 30
BAB V PENUTUP
5.1 Kesimpulan
Dari hasil praktikum Supervised Classification kali ini, daerah yang digunakan yaitu
Kabupaten Tuban Jawa Timur. Jenis dari Supervised Classification yang digunakan yakni
Mahalanobis Distance Classification. Adapun jumlah ROI yakni sebanyak 6 buah : Pemukiman,
Laut, Vegetasi, Lahan terbuka, Danau, dan Awan.
Berdasarkan dari hasil Confusion Matrix, nilai koefisien kappa sebesar 0.9978 dengan
nilai akurasi sebesar 99.9866 %, yang berarti bahwa pengklasifikasian citra tersebut dapat
dikatakan baik

WACHIDATIN NC 31
DAFTAR PUSTAKA
Klasifikasi Terselia. Tanggal Akses 04 Desember 2017.
https://www.scribd.com/document/337291044/PRAKTIKUM-ACARA-8
Mustawa Yooga, Aziz Lukman Praja Abdul Azizah Juariah Neneng. 2015 Klasifikasi Citra
(Supervised Dan Unsupervised). Kota Bandung. UNISBA.
Pengertian Resolusi. Tanggal Akses 04 Desember 2017http://www.untukku.com/artikel-
untukku/pengertian-resolusi-untukku.html
Studi Tutupan Lahan. Tanggal Akses 04 Desember 2017. http://digilib.its.ac.id/public/ITS-paper-
32468-3508100022-Presentation.pdf
.

KLASIFIKASI TERSELIA LANDSAT

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie KLASIFIKASI TERSELIA LANDSAT

Ähnlich wie KLASIFIKASI TERSELIA LANDSAT (20)

Mehr von Wachidatin N C

Mehr von Wachidatin N C (12)

Kürzlich hochgeladen

Kürzlich hochgeladen (20)

KLASIFIKASI TERSELIA LANDSAT