LAPORAN PRAKTIKUM PENGINDERAAN JAUH
ACARA V KLASIFIKASI CITRA MULTI SPEKTRAL SUPERVISED DAN UNSUPERVISED
Oleh: RAHMAWATI SRI P 120721435402 Yang dibimbing oleh bapak Alfi Nur Rusydi, S.Si.,M.Sc.
PENDIDIKAN GEOGRAFI FAKULTAS ILMU SOSIAL UNIVERSITAS NEGERI MALANG 2014 KLASIFIKASI CITRA MULTI SPEKTRAL SUPERVISED DAN UNSUPERVISED
1
A. Tujuan : mahasiswa dapat mengetahui klasifikasi citra supervised dan unsupervised serta mengetahui perbedaan hasil klasifikasi tersebut. B. Alat dan Bahan: 1. Laptop 2. Software ENVI 4.5 3. Hasil foto citra Landsat daerah Semarang C. Dasar Teori 1. Penginderaan Jauh Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang objek, daerah, gejala dengan menganalisis data dengan alat tanpa kontak langsung. Informasi yang didapatkan dari penginderaan jauh ,yaitu : pola pemukiman, mengidentifikasi vegetasi, identifikasi gunung berapi, perubahan lahan, dan kandungan kimia.Komponen dasar dari penginderaan jauh adalah sumber energi, rona, wahana, dan sensor. Sumber energi terbesar adalah matahari. Matahari memancarkan energi elektromagnetik dan kemudian dipantulkan menuju sensor yang berguna untuk mencatat dan mengumpulkan gelombang EM dan setelah itu dikirim ke stasiun penerima dan diaplikasikan menjadi citra. Karakteristik Penginderaan Jauh : 1. Sensor Terdapat dua sistem, yaitu pasif ( energi matahari) dan aktif ( radar). 2. Resolusi Kemampuan suatu sistem elektronik untuk membedakan informasi secara spektral yang mempunyai kemiripan. Ada empat jenis resolusiyang sering digunakan. Resolusi spasial,spektral,temporal,dan radiometrik. 3. Lebar Sapuan Lebar permukaan bumi yang dapat direkam oleh satelit, biasanya tergantung tinggi orbit. 4. Sistem Orbit
2
Terdapat beberapa orbit yang dikenal dalam penginderaan jauh, yaitu orbit polar,ekuatorial,dan tetap. 2. Pengertian Citra 2.1 Interpretasi Citra Interpretasi citra adalah kegiatan menafsirkan, mengkaji,mengidentifikasi, dan mengenali obyek pada citra, selanjutnya menilai arti penting obyek tersebut, misalnya berdasarkan ukuran, bentuk, letak dan sebagainya. Langkah – langkah intepretasi citra yaitu Deteksi, Identifikasi, Pengenalan, Analisis, Deduksi, Klasifikasi, dan Idealisasi. Setelah melalui tahapan tersebut, citra dapat diterjemahkan dan digunakan ke dalam berbagai kepentingan seperti dalam: geografi, geologi, lingkungan hidup dan sebagainya. Pada dasarnya kegiatan interpretasi citra terdiri dari 2 proses, yaitu: 1. Pengenalan objek melalui proses deteksi, yaitu pengamatan atas adanya suatu objek. Berarti penentuan ada atau tidaknya sesuatu pada citra atau upaya untuk mengetahui benda dan gejala di sekitar kita dengan menggunakan alat pengindera (sensor). Untuk mendeteksi benda dan gejala di sekitar kita, penginderaan tidak dilakukan secara langsung atas benda, melainkan dengan mengkaji hasil reklamasi dari foto udara atau satelit. Dalam identifikasi ada tiga ciri utama benda yang tergambar pada citra berdasarkan cirri yang terekam oleh sensor yaitu sebagai berikut: a. Spektoral, ciri yang dihasilkan oleh interaksi antara tenaga elektromagnetik dan benda yang dinyatakan dengan rona dan warna. b. Spatial, ciri yang terkait dengan ruang yang meliputi bentuk, ukuran, bayangan, pola, tekstur, situs dan asosiasi. c. Temporal, ciri yang terkait dengan umur benda atau saat perekaman. 2.Penilaian
atas
fungsi
objek
dankaitan
antar
objek
dengan
cara
menginterpretasi dan menganalisis citra yang hasilnya berupa klasifikasi yang menuju kea rah terorisasi dan akhirnya dapat ditarik kesimpulan dari penilaian tersebut. Pada tahapan ini interpretasi dilakukan oleh seorang yang
3
sangat ahli pada bidangnya, karena hasilnya sangat tergantung pada kemampuan penafsir citra. 2.1.1 Kunci Interpretasi Dalam proses intepretasi terdapat kunci intepretasi, yaitu : 1. Rona dan warna Tingkat kegelapan atau kecerahan sebuah objek.Rona berhubungan dengan banyaknya cahaya yang pada suatu interval panjang gelombang. Rona dibedakan menjadi 5 tingkatan putih, kelabu-putih, kelabu, kelabu-hitam, dan hitam. Contoh : air tampak gelap, perbukitan kapur tampak terang. Permukaan kasar cenderung menimbulkan rona gelap pada citra karena sinar yang datang karena sinar yang datang mengalami hamburan hingga mengurangi pantulan. Faktor yang mempengaruhi : -
Bahan yang digunakan Cuaca Letak obyek waktu pemotretan 2. Ukuran Meliputi jarak, luas, volume,ketinggian tempat,dan kemiringan lereng. Contoh : ukuran rumah berbeda dengan ukuran perkantoran, biasanya rumah
berukuran
lebih
kecil
dibandingkan
dengan
bangunan
perkantoran. 3. Bentuk Bentuk merupakan atribut yang jelas sehingga banyak sekali obyek yang dikenali dengan melihat bentuknya saja.Contoh Bangunan Gedung: berbentuk I, L, U, tajuk pohon alma: berbentuk bintang, Gunung berapi: berbentuk kerucut, dsb. 4. Bayangan
4
Merupakan kunci pengenalan objek yang penting untuk beberpa jenis objek. Bayaangan bersifat menyembunyikan obyek yang berada di daerah gelap. Misalnya, untuk membedakan antara pabrik dan pergudangan, dimana pabrik akan terlihat adanya bayangan cerobong asap sedangkan gudang tidak ada. 5. Tekstur Frekuensi perubahan rona pada citra atau pengulangan rona kelompok obyek yang terlalu kecil untuk dibedakan secara individual. Tekstur dinyatakan dengan kasar, halus, dan sedang. Misalanya pemukiman (berkelompok); hutan(kasar) ; belukar (sedang) ; padi (halus). 6. Pola Susunan keruangna merupakan ciri yang menandai bagi banyak objek bentukan manusia dan bagi beberapa objek bentukan alamiah, contoh; pola teratur (tanaman perkebunan.Permukiman transmigrasi), pola tidak teratur: tanaman di hutan, jalan berpola teratur dan lurus berbeda dengan sungai yang berpola tidak teratur atau perumahan (dibangun oleh pengembang) berpola lebih teratur jika dibandingkan dengan perumahan diperkampungan. 7. Situs Menjelaskan letak objek terhadap objek lain disekitarnya, contoh pohon kopi di tanah miring, pohon nipah di daerah payau, sekolah dekat lapangan olahraga, pemukiman akan memanjang di sekitar jalan utama. 8. Asosiasi Diartikan sebagai keterkaitan antara objek yang satu dengan objek yang lain. Sehingga asosiasi ini dapat dikenali 2 objek atau lebih secara
5
langsung. Contohnya stasiun KA, terdapat jalur rel KA, lapangan sepak bola, terdapat gawang. 2.2. Klasifikasi Citra Klasifikasi citra merupakan proses yang berusaha mengelompokkan seluruh pixel pada suatu citra ke dalam sejumlah class (kelas), sedemikian hingga tiap class merepresentasikan suatu entitas dengan properti yang spesifik (Chein-I Chang dan H.Ren, 2000). Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification). Pemilihannya bergantung pada ketersediaan data awal pada citra itu. Proses pengklasifikasian klasifikasi terbimbing dilakukan dengan prosedur pengenalan pola spektral dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas (training area) yang mewakili setiap kelompok, kemudian dilakukan perhitungan statistik terhadap contoh-contoh kelas yang digunakan sebagai dasar klasifikasi. Klasifikasi unsupervised digunakan ketika kita hanya mempunyai sedikit informasi tentang dataset kita. Pada klasifikasi tidak terbimbing, pengklasifikasian dimulai dengan pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas berdasarkan pada pengelompokkan nilai-nilai citra seperti apa adanya. Prosedur umumnya mengasumsikan bahwa citra dari area geografis tertentu adalah di kumpulkan
pada
multiregion
dari
spektrum
elektromagnetik.
Dengan
menggunakan metode ini, program klasifikasi mencari pengelompokan secara natural atau clustering berdasarkan sifat spektral dari setiap pixel. Analisa cluster merupakan suatu bentuk pengenalan pola yang berkaitan dengan pembelajaran secara unsupervised, dimana jumlah pola kelas tidak diketahui (James J. Simpson, Timothy J. McIntire, dan Matthew Sienko, 2000). Proses clustering melakukan pembagian data set dengan mengelompokkan seluruh pixel pada feature space (ruang ciri) ke dalam sejumlah cluster secara alami. Klasifikasi unsupersived secara sendiri akan mengkategorikan semua pixel
6
menjadi kelas-kelas dengan menampakan spektral atau karakteristik spektral yang sama namun belum diketahui identitasnya, karena didasarkan hanya pada pengelompokan secara natural. Pengguna harus membandingkan dengan data referensi, misalnya dengan data penggunaan lahan. Dengan demikian kelas-kelas spektral tersebut dapat diberikan identitasnya. Setelah itu informasi ini kita bisa memutuskan untuk mengkombinasikan atau menghapus kelas-kelas yang diinginkan. Kita juga perlu untuk memberi warna dan nama untuk masing-masing kelas. Setelah setiap piksel dikelompokkan lalu masing-masing rata-rata kelas spectral dihitung. Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spectral yang memiliki jarak terdekat. Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi kelas spectral yaitu: 1. Standar deviasi maksimum, nilai standari deviasi maksimum yang sering digunakan berkisar antara 4,5 sampai 7 2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam persen (%). 3. Nilai pemisahan pusat kelas yang dipecah 4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9. Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan: 1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan kebutuhan 2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam %). Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antara obyek dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori objek tertentu. Pengidentifikasian kelas spektral menjadi obyek tertentu dapat dilakukan menggunakan suatu data acuan atau referensi penunjang. Setelah semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan untuk menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan 7
perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil klasifikasi dapat ditunjukkan dari gradasi warna yang terbentuk yang menunjukkan jenis kelas yang dikelompokkan oleh komputer. Secara umum tingkat keakuratan klasifikasi tergantung pada; 1) Class Separability (pemisahan kelas), 2) ukuran training sample (sampel latihan), 3) jumlah spektral band, dan 4) jenis klasifikasi atau fungsi pemisah. Tingkat keakuratan klasifikasi akan semakin tinggi jika penggunaan nilai parameter kelas semakin tepat, penggunaan class separability semakin bertambah, perbandingan antara ukuran training sample dengan jumlah spektral band semakin besar dan pemilihan jenis klasifikasi yang tepat.
2.2.1 Klasifikasi Citra Terawasi (Supervised) Pada metode supervised ini, analis terlebih dulu menetapkan beberapa training area (daerah contoh) pada citra sebagai kelas lahan tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam citra mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukan kedalam kelas lahan yang telah ditetapkan sebelumnya. Jadi dalam metode supervised ini analis mengidentifikasi kelas informasi terlebih dulu yang kemudian digunakan untuk menentukan kelas spectral yang mewakili kelas informasi tersebut. (Indriasari, 2009)
8
Gambar 1 Cara Kerja Metode Supervised Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini diantaranya adalah minimun distance dan parallelepiped. Penggunaan istilah terawasi disini mempunyai arti berdasarkan suatu referensi penunjang, dimana kategori objek-objek yang terkandung pada citra telah dapat diidentifikasi. Klasifikasi ini memasukkan setiap piksel citra tersebut kedalam suatu kategori objek yang sudah diketahui.Sebelum klasifikasi dilakukan, maka kita harus memasukkan inputan sebagai dasar pengklasifikasian yang akan dilakukan. Dengan klasifikasi ini, kita lebih bebas untuk memilah data citra sesuai dengan kebutuhan. Misalnya dalam suatu kawasan kita hanya akan melakukan klasifikasi terbatas pada jenis jenis kenampakan secara umum semisal jalan, pemukiman, sawah, hutan, dan perairan. Hal tersebut dapat kita lakukan dengan klasifikasi ini. Proses input sampel juga cukup mudah, hanya saja perlu ketelitian dan pengalaman agar sampel yang kita ambil dapat mewakili jenis klasifikasi. Baik buruknya sampel, Diwujudkan dalam nilai indeks keterpisahan. Proses klasifikasi dengan pemilihan kategori informasi yang diinginkan dan memilih training area untuk tiap ketegori penutup lahan yang mewakili 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, yaitu: 1. Tahap training sample: analisis menyusun kunci interpretasi dan mengembangkan secara numeric spectral untuk setiap kenampakan dengan memeriksa batas daerah (training area). 2. Tahapan klasifikasi: setiap pixel pada 9
serangkaian data citra dibandingkan steiap 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 dikerjakan 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. 3. Tahapan keluaran: hasil matrik didenileasi sehingga terbentuk peta penutupan lahan, dan dibuat tabel matrik luas berbagai jenis tutupan lahan pada citra. 2.2.2. Klasifikasi Citra Tak Terawasi (Unsupervised) Cara kerja metode unsupervised ini merupakan kebalikkan dari metode supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer kedalam kelas-kelas spektral menggunakan algoritma klusterisasi (Indriasari, 2009). Dalam metode ini, diawal proses biasanya analis akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas lahan terhadap kelas-kelas spektral yang telah dikelompokkan oleh komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas. Misal class 1, class 2 dan class 3 masingmasing adalah sawah, perkebunan dan hutan maka analis bisa mengelompokkan kelas-kelas tersebut menjadi satu kelas, yaitu kelas vegetasi. Jadi pada metode unsupervised tidak sepenuhnya tanpa campur tangan manusia. Beberapa algoritma yang bisa digunakan untuk menyelesaikan metode unsupervised ini diantaranya adalah K-Means dan ISODATA.
10
Gambar 2 : Cara Kerja Metode Unsupervised Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya tidak menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa proses tersebut hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel pada citra. Klasifikasi citra tak terawasi mencari kelompok-kelompok (cluster) piksel-piksel, kemudian menandai setiap piksel kedalam sebuah kelas berdasarkan parameter-parameter pengelompokkan awal yang didefinisikan oleh penggunanya. Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara berulang-ulang dengan computer. Sumbu horizontal menunjukkan nilai piksel pada band2 dan sumbu vertical menunjukkan nilai kecerahan piksel pada band1. Pengelompokan piksel menjadi kelas spectral diawali dengan menentukan jumlah kelas spectral 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 spectral ini ditentukan kemudian dipilih pusat-pusat kelas spectral terhadap setiap pusat kelas spectral. Berdasarkan hasil pengukran jarak ini setiap piksel dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat. Setelah setiap piksel 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 spectral yang memiliki
jarak
terdekat.
Parameter
yang
menentukan
pemisahan
dan
pengelompokan piksel-piksel menjadi kelas spectral yaitu: 1. Standar deviasi
11
maksimum, nilai standari deviasi maksimum yang sering digunakan berkisar antara 4,5 sampai 7 2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam persen (%). 3. Nilai pemisahan pusat kelas yang dipecah 4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9. Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan: 1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan kebutuhan 2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam persentase, %). Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antaa obyek dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori obyek tertentu. Pengidentifikasian kelas spectral menjadi obyek tertentu dapat dilakukan menggunakan suatu data acuan atau referensi penunjang. Setelah semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan untuk menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil klasifikasi dapat ditunjukka dari gradasi warna yang terbentuk yang menunjukkan jenis kelas yang dikelompokkan oleh komputer. D. Langkah Kerja a. Unsupervised Classification : 1. Buka Software ENVI 4.5 > pilih file > open image file > pilih smg.raw 2. Pilih Classification pada menu bar > Unsupervised > IsoData> pilih multispektral image > ok
12
3. Masukkan data parameter dengan maximum literations sebesar 3 dan minimum # Pixel in Class sebesar 9.
4. Tampilkan gambar pada display dengan Load Display dan cek kelas yang terbentuk. Lakukan juga,pada gambar yang telah ditampilkan klik overlay > Annotation. 5. Pada Jendela annotation, pilih object> Map Key, klik edit map key item.
6. Coba lakukan
dengan menggunan
metode K-
means dengan
menggunakan
gambar dan parameter
yang sama, Klik
Classification >
Unsupervised >
K-means.
7. Bandingkan
hasilnya dengan metode
Isodata tadi. b. Supervised
Classification
Pada supervised classification, terlebih dahulu menetapkan daerah contoh ( training areas). Daerah contoh ini dipilih berdasarkan pola dari obyek setiap band. 1. Tampilkan gambar komposit. 2. Pada display klik overlay > Region of Interest 3. Pada #1 ROI tool, pilih radio button Window Zoom. Klik ROI_Type > Polygon. Klik Region#1 (Red) ) points, kemudia klik edit. Ganti nama dan warna ( jika dibutuhkan), contoh biru untuk air. Klik OK. 13
4. Pilih daerah yang masih tergolong dalam air. 5. Lakukan langkah ketiga tersebut pada obyek yang lainnya. Setelah itu simpan ROI, klik File> Save ROI,klik select all item. Dan simpan 6. Kemudian klik option>compute roi separabilty>>smg_raw 7. Akan muncul hasil roi separability report.print sreen 8. Setelah itu jangan tutp roi tool, klik classification>supervised>pilih metode yang digunakan parallelepiped,mahalanobis, maximum likelihood, dan minimum distance. Print screen hasil klasifikasi. Kemudian bandingkan. 9. Setelah itu lakukan post clasification operation dengan memilih klasifikasi citra yang terbaik,klik classification>Majority/Minority Analysis. Sellect all items. Ok
E. Hasil
14
(a)
(b)
(a). Citra menggunakan band 321 yang belum terklasifikasi (b) sudah terklasifikasi menggunakan Isodata.
(a)
(b)
a) Sebelum terklasifikasi menggunakan band 3-2-1. (b) sesudah terklasifikasi menggunakan metode K-means (kanan)
(a)
(b) 15
a) Klasifikasi unsupervised menggunakan Isodata. (b) Klasifikasi Unsupervised menggunakan K-means. 2. Supervised
(a)
(b)
a. ROI window b.ROI Separability
a. Parallelepiped Parameter
b. Maximum Likelihood
16
c.Mahalonobis Distance
d. Minimum Distance
F. Pembahasan a. Unsupervised Dari Praktikum acara lima ini dapat diketahui bagaimana hasil dari klasifikasi citra unsupervised menggunakan metode IsoData dan K-means. Dari melakukan klasifikasi dengan dua metode ini tentunya menghasilkan tampilan yang berbeda. Dari tampilan yang berbeda ini tentunya memiliki kelebihan, kekurangan, danpenggunaannya yang berbeda – beda. Komposit yang digunakan adalah komposit 3-2-1 karena komposit ini memudahkan untuk mengidentifikasi obyek pada display isoData dan Kmeans. Pa 1. Pembagian Kelas Setelah melakukan klasifikasi unsupervised menggunakan metode isoData didapatkan 5 kelas yaitu perairan (laut dalam, laut dangkal,sungai), vegetasi (VKT, VKS, VKR,)Pemukiman, Tanah, dan Lahan Kosong. Penentuan kelas ini berdasarkan hasil kenampakan citra pada komposit 3-2-1. Pembagian kelas ini yaitu: Klasifikasi menggunakan Isodata ini menggunkan kelas minimal sebanyak 5 kelas dan maksimal 10 kelas. Tetapi disini memilih untuk menggunakan 9 kelas saja untuk keakuratan. N O
Warna
Klasifikasi
17
1.
Berdasarkan gambar dengan komposit true color, warna merah pada klasifikasi isodata adalah obyek Laut Dalam Untuk warna ungu pada iso data diidentifikasikan dengan laut dangkal. Warna hijau ini diidentifikasikan dengan Vegetasi Kerapatan Tinggi. Pada citra warna biru ini diidentifikasi dengan Vegetasi Kerapatan Sedang. Ini terlihat dari pada citra warna ini mendominasi. Warna kuning ini diidentifikasikan dengan vegetasi kerapatan rendah. Karena pada citra warna ini terlihat diantara VKS dan juga terlihat di sebagian wilayah yang berbeda warna . Warna ini diidentifikasikan dengan sungai. Pengklasifikasian ini didasarkan pada bentuknya yang berkelok dan memanjang dan ujungnya berakhir menuju perairan. Warna ini diidentifikasikan dengan pemukiman, ini dilihat dari asosiasinya dengan jalan dan sungai.
2. 3. 4. 5.
6.
7. 8.
Diidentifikasikan sebagai obyek tanah. Karena warna ini terlihat pada vegetasi kerapatan rendah dan sekitar pemukiman
9.
Lahan kosong ini sangat jelas terlihat
Klasifikasi menggunakankmeans ini menggunkan kelas sebanyak 5 kelas. Dan hasil dari klasifikasi kmeansdapat dilihat pada tabel No 1.
Warna Warna ini mengidentifikasikan periran yang terdiri dari Laut dalam dan laut dangkal
2.
Warna ini didentifikasikan dengan vegetasi kerapatan tinggi
3.
Warna ini diidentifikasikan dengan vegetasi yang terdiri dari vegetasi kerapatan tinggi dan sedang.
4.
Warna ini diidentifikasikan sebagai lahan terbangun dan lahan kosong
5.
Tanah
Dari tabel diatas dapat diketahui hasil klasifikasi isodata dan kmeans. Dalam klasifikasi isodata pembagian kelas ini berdasarkan pengembangan dari metode 18
kmeans. Sebagai contohnya pada klasifikasi kmean identifikasi badan air hanya berwana merah, sedangkan pada klasifikasi dengan menggunakan metode isodata kelas periran dibagi lagi menjadi dua warna. Yaitu warna merah untuk laut dalam dan warna ungu untuk laut dangkal. Pada metode isodata nilai pixel yang terlalu kecil akan dihilangkan berbeda dengan kmeans yang nilai pixel kecil dimasukkan dalam obyek terdekatnya.Sehingga dapat diektahui bahwa metode kmeans ini memiliki kekurangan dalam pembagian kelasnya karena pembagian kelas ini tidak dilakukan secara rinci. Isodata ini sangat efetif untuk digunakan dalam identifikasi kelas – kelas spektral pada data. b. Supervised Dari klasifikasi citra supervised menggunakan metode Parallelepiped, Mahalanobis Distance, Maximum Likelihood, dan Minimum Distance. Dari melakukan klasifikasi dengan empat metode ini tentunya menghasilkan tampilan yang berbeda. Dari tampilan yang berbeda ini tentunya memiliki kelebihan, kekurangan, danpenggunaannya yang berbeda – beda. Tabel Hasil Klasifikasi Supervised : N o 1
Warna
Pertimbangan Objek Laut Sangat Dalam
2
Laut Dalam
3
Laut Dangkal
4
Pemukiman
5
Tanah
6
Vegetasi Kerapatan Tinggi
7
Vegetasi kerapatan Sedang
8
Vegetasi kerapatan Rendah
9
Tambak
Pada Klasifikasi supervised ini kelemahanya adalah kemungkinan terjadi kesalahan interpretasi itu sangat besar. Karena Pada saat melakukan pemilihan region – region itu ada obyek yang salah klasifikasi. Selain itu untuk mengubah obyek yang tidak terklasifikasi itu perlu mengulang – ulang kembali pemilihan kelas – kelasnya.
19
Penjebaran kelas – kelas tiap obyek a. Mahalonobis Distance Pada metode mahalobis distance ini ada klas obyek yang tidak sesuai.Bisa dilihat pada penjelasan gambar. Pada citra komposit 321 ini adalah objek vegetasi tetapi pada hasil mahalobis objek vegetasi ini bewarna biru yang tergolong dalam badan air.Dan yang seharusnya teridentifikasi lahan kosong bewarna hitam karena tidak dimasukkan dalam training region, terlihat bewarna seperti tanah.
20
