Klasifikasi Citra Multispektral 11
Judul
Klasifikasi Citra Multispektral
Tujuan
1. Mahasiswa mengenal konsep klasifikasi spektral data penginderaan jauh
2. Mahasiswa mengenal teknik klasifikasi data citra satelit menggunakan ENVI
Alat dan Bahan
Leptop
Software ENVI
Dasar Teori
Secara umum, klasifikasi citra dibagi menjadi 2, yaitu unsupervised classification dan supervised classification.
Klasifikasi Unsupervised
Dalam klasifikasi terawasi (unsupervised), identitas jenis tutupan lahan yang akan ditetapkan sebagai kelas-kelas dalam sebuah adegan yang tidak diketahui umum apriori karena informasi referensi tanah adalah kurang atau permukaan fitur dalam adegan tidak didefinisikan dengan baik.
Supervised Clasification
Dalam klasifikasi terbimbing, identitas dan lokasi dari beberapa jenis tanah penutup diketahui apriori melalui kombinasi lapangan, interpretasi, analisis peta, dan pengalaman pribadi.
Unsupervised classification Supervised classification
V. Langkah Kerja
Klasifikasi Unsupervised
Dalam klasifikasi citra digital, informasi yang ditangkap dari setiap pixel adalah tutupan lahan.
Buka gambar smg (ENVI standard format)
Pada menu bar klik Classification > Unsupervised > IsoData, pilih pilih gambar multi-spektral, OK
Maukkan parameter yang diperlukan, beri maximum lteration= 3, Minimum # pixel in class=9. Simpan gambar di file, dan kemudian klik OK
Tampilkan sebuah gambar dan periksa klas yang telah dibuat. Untuk melakukannya, pada jendela tampilan gambar klik Overlay> Annotation, pada jendela annotation pilih Object> Map Key, klik kotak item Edit Map Key, dan menghitung jumlah kelas yang dibuat.
Tampilkan gambar komposit pada jendela lain dan dibandingkan dengan gambar yang dibuat sebelumnya. Menggunakan image link jika diperlukan. Anda kemudian dapat menganalisis hasil klasifikasi.
Coba gunakan metode K-Means, klik Clasification> Unsupervised > K-Means. Gunakan gambar dan parameters yang sama dan simpan hasilnya pada sebuah file.
Bandingkan hasil dua metode klasifikasi yang berbeda.
Klasifikasi Supervised
Dalam klasifikasi terawasi, daerah pelatihan harus ditetapkan sebelum proses klasifikasi.daerah-daerah pelatihan dipilih berdasarkan pola reflektansi spektral objek pada masing-masing band.
Tampilkan gambar komposit yang paling representatif
Pilih daerah pelatihan atau sampel (Region of Interest / ROI) untuk setiap objek tutupan lahan.
Object Sampling
Menampilkan gambar (single band atau komposit).
Pada jendela tampilan gambar klik Overlay> Region of Interest.
Pada #1 ROI Tool, pilih tombol radio Jendela Zoom. Klik ROI_Type> Polygon. Klik Region #1 (Red) 0 points, dan kemudian klik Edit. Ubah nama dan warna (jika diperlukan), misalnya biru unuk air. Klik OK jika selesai.
Letakkan kursor ke Scroll atau jendela gambar dan mengarahkan kotak merah untuk fitur air, pastikan posisi tetap.
Gerakkan kursusor ke jendela zoom dan tampilannya sehingga pola pixel terlihat jelas.Tentukan kelompok homogen pixel air.Pilih sampel dengan membuat poligon di sekitar sampel yang ditargetkan, klik kanan untuk menutup poligon, dan klik kanan satu lagi untuk menarik warna.
Lakukan prosedur yang sama untuk objek lainnya. Simpan ROI, klik file> simpan ROIs, klik Select All items, arahkan ke Save-in directory dan beri nama ROI.
Lihatlah ekstraksi sampel dijelaskan pada MODUL 1 titik F tentang cara untuk memilih ROI.
Hal yang perlu diingat ketika memilih daerah pelatihan;
Wilayah pelatihan harus homogen, jumlah pixel + 100 piksel masing-masing kelas.Homogenitas wilayah pelatihan dapat diidentifikasi dengan menggunakan warna yang sama dari objek pada gambar komposit.
Berikan area pelatihan nama sesuai dengan penafsiran Anda dan memberikan warna tertentu.Untuk alasan praktis, kelas tutupan lahan dapat dibedakan menjadi beberapa sub-kelas, misalnya vegetasi 1, vegetasi 2, dan vegetasi 3 untuk kelas vegetasi.Anda dapat menggabungkan kelas-kelas di kemudian hari.
Pilih area pelatihan selengkap mungkin dari gambar; semua kelas tutupan lahan harus sampel.
Gunakan kurva reflektansi spektral berikut untuk membantu dalam mengidentifikasi objek.
Simpan ROI, dengan memberikan nama yang unik sehingga anda dapat dengan mudah mengingat. Jangan tutup jendela ROI.
Komputasi ROI Separability
ROI Separability merupakan pilihan untuk menghitung keterpisahan spektral antara pasangan ROI yang dipilih untuk file masukan yang diberikan.
Jeffries-Mtusita dan Transformed Divergence kedua persebaran diukur dan dilaporkan. Nilai-nilai ini berkisar 0-2,0 dan menunjukkan seberapa baik pasangan ROI yang dipilih secara statistik terpisah.
Nilai lebih besar dari 1,9 menunjukkan bahwa pasangan ROI memiliki persebaran yang baik.Untuk pasangan ROI dengan nilai-nilai separability lebih rendah, Anda harus berusaha untuk meningkatkan persebarannya dengan mengedit ROI atau dengan memilih ROI baru.
Untuk pasangan ROI dengan nilai-nilai persebaran yang sangat rendah (kurang dari 1), Anda mungkin ingin menggabungkannya ke dalam ROI tunggal.
Dari ROI Tool dialog menu bar, pilih Options>Compute ROI Separability.
Pilih file input dan melakukan opsional spektral subsetting, kemudian klik OK.
Dialog Kalkulasi persebaran ROI muncul
Pada dialog, pilih ROIs untuk perhitungan persebaran dan klik OK. Persebaran (Separability) dihitung dan dilaporkan dalam laporan dialog.Baik Jeffries-Matusita dan nilai-nilai Divergence Ditransformasikan tersebut dilaporkan untuk setiap pasangan ROI.Bagian bawah laporan menunjukkan nilai separability pasangan ROI terdaftar dari sedikitnya dipisahkan pasangan yang paling separable.
Untuk menyimpan laporan ke ASCII file, pilih file> Simpan teks ke ASCII.
Pada main menu klik Classification> Supervised>pilih salah satu metode yang tersedia, coba pilih ke Parallelepiped.
Pilih input file. Jika kamu tidak menutup jendela ROI, area pelatihan akan otomatis akan menampilkan jendela Parallelepiped parameter. Klik Select All Items. Simpan outpute file dan rulenya, kemudian klik OK untuk melakukan klasifikasi.
Tampilkan hasil dari pengklasifikasian, jika kamu menemukan sebuah pixel hitam itu berarti bahwa pixelyang unclassified atau belum diklasifikasikan belum menjadi salah satu ROI.Anda dapat mengidentifikasi piksel berdasarkan gambar komposit warna dengan menggunakan fasilitas Link, menambahkan kelas ROI lebih jika diperlukan.Kemudian jalankan kembali klasifikasi sampai piksel unclassified minimal.
Coba gunakan metode klasifikasi lain seperti Minimum Distance, Mahalanobis Distance, and Maximum Likelihood). Kemudian kamu bisa membandingkan hasil yang lainnya.
POST-CLASSIFICATION OPERATION
Langkah ini juga disebut sebagai Cosmetic Operations, yang bertujuan untuk meningkatkan penampilan kartografi gambar rahasia.
Hasil klasifikasi sering mengandung piksel kecil terisolasi. Untuk menghapus piksel, Anda dapat menggunakan filter mayoritas.Ini adalah logis daripada saringan numerik sejak gambar diklasifikasikan terdiri dari label daripada jumlah terkuantisasi.
Bentuk paling sederhana dari filter mayoritas melibatkan penggunaan jendela filter, biasanya berukuran 3 baris dengan 3 kolom, berpusat pada pixel yang menarik.
jumlah piksel yang dialokasikan untuk masing-masing kelas k dihitung.Jika pixel pusat bukan anggota dari kelas mayoritas (mengandung lima atau lebih piksel dalam jendela) itu diberi label kelas mayoritas.
Efek dari algoritma ini adalah untuk kelancaran gambar diklasifikasikan oleh piksel terisolasi menyiangi-out, yang awalnya diberi label yang berbeda dengan label ditugaskan untuk piksel sekitarnya.
Pilih hasil klasifikasi terbaik, dan menampilkanya.
Pada main menu klik Classification > Post Classification > Majority/Minority Analysis.
Masukkan file gambar klasifikasi yang dipilih.
Pilih All Items untuk memilih semua klasifikasi, pada Metode Analisis klik radio button Majority, simpan file majoriti 1. Klik OK untuk menampilkan.
Tampilkan majority-filtered image dan menghubungkannya dengan gambar diklasifikasikan sebelumnya.Menguji perbedaan distribusi kelasnya.
Jika Anda berpikir ada masih terlalu banyak piksel terisolasi, Anda mungkin lebih menerapkan filter mayoritas bagi mayoritas 1 file, dan kemudian nama itu mayoritas 2.
Anda harus melakukan filter mayoritas dengan bijaksana.Ingat bahwa Landsat 7 ETM + memiliki resolusi spasial 30m, atau 1 pixel mewakili 30 x 30 m daerah di tanah!
Perbandingan gambar rahasia (kiri) dan citra mayoritas disaring (kanan). Kelas poligon lebih kompak.
Hasil Praktikum
Citra Komposit (5 komposit)
Citra Unsupervised ISOData
Citra Unsupervised K-Means
ROI window
ROI Separability
Citra Supervised Parallelpiped
Citra Supervised Minimum Distance
Citra Supervised Maximum Likelihood
Citra Supervised Mahalonobis Distance
Citra Majority salah satu metode Supervised Classification
Pembahasan
Pada praktikum kali ini akan membahas mengenai "klasifikasi citra multispektral". Citra multispektral adalah salah satu bagian dari pengolahan citra dalam penginderaan jauh yang pada umumnya merupakan peta penutup lahan dan penggunaan lahan. Pada pengklasifikasian citra, mahasiswa diarahkan pada pengolahan band citra menggunakan software ENVI.
Pada hasil yang pertama yaitu mengolah citra menggunakan komposit band yang telah ditentukan. Band pertama berwarna merah, band kedua berwarna hijau, band ketiga berwarna biru, band keempat adalah gelombang inframerah dekat dan band yang kelima adalah gelombang inframrah jauh. Komposit tersebut antara lain :
Komposit band 3.2.1 merupakan true color (warna pada peta yang menyerupai kondisi sebenarnya di permukaan bumi) dan mampu mendeteksi adanya kendala ataupun perubahan kondisi pada atmosfer. Penentuan objek pada citra yang menggunakan komposit ini agak sulit untuk mengetahui objeknya karena antara warna yang satu dengan warna yang lainnya memiliki warna yang hampir sama. Misalnya pada penentuan lahan terbangun yang berupa rumah/pemukiman dengan lahan kosong. Ketika proses pengamatan tersebut, lahan kosong dan rumah memiliki warna, rona, tekstur yang hampir mirip. Hal tersebut menyebabkan pengamat mengalami kesulitan dalam proses analisis objek dari citra tersebut.
Komposit band 4.3.2 merupakan komposit yang cocok digunakan untuk menganalisis objek yang berupa tingkat kerapatan vegetasi, perairan dan jenis tanah yang ada dalam suatu wilayah. Pada penggunaan komposit ini, vegetasi memiliki warna yang merah. Semakin pekat warna merahnya berarti semakin rapat pula vegetasi di wilayah tersebut. Sebaliknya, jika pada citra yang nampak adalah warna merah yang memudar, maka tingkat kerapatan vegetasi di wilayah tersebut semakin renggang/sedikit.
Komposit band 4.5.1 merupakan perpaduan band pada citra yang secara umum digunakan sebagai pemetaan penutup lahan pada suatu wilayah.
Pada komposit band 5.4.2 biasanya digunakan oleh orang-orang dalam hal analisis kenampakan vegetasi, namun masih dalam tahap pemula.
Komposit band 4.5.6 merupakan perpaduan komposit band yang cocok digunakan dalam hal menganalisis kenampakan fisik permukaan bumi yang berupa tanah dan batuan. Ketika spektral menyentuh peemukaan tanah atau batuan, maka akan dipantulkan oleh tanah. Hal tersebut mampu mengklasifikasikan kenampakan objek tersebut. Apabila spektral tersebut mengenai daerah perairan, maka air akan menyerap dan meneruskan spektral tersebut sehingga yang nampak pada citra adalah warna hitam. Pada tahap yang ini tidak mengalami kesulitan yang berarti hal dalam pengolahan datanya.
Pada hasil yang kedua mengenai pengolahan data citra Unsupervised Isodata. Pada tahap ini, mahasiswa diarahkan pada penentuan objek yang terdapat pada citra yang telah diolah menjadi data Unsupervised Isodata. Ketika menentukan objeknya, alangkah baiknya kita membuka jendela baru menggunakan perpaduan komposit 3.2.1 (true color) agar penentuan objeknya lebih mudah dan tidak memerlukan waktu yang cukup lama. Citra pada pengolahan tahap ini terdapat banyak sekali warna yang membuat mahasiswa bingung dalam mencantumkan keterangannya. Apabila data yang dimasukkan tidak sesuai dengan kenampakan dilapangan, maka citra tersebut tidak akan dapat digunakan karena berisi data yang tidak valid dan tidak akurat.
Pada hasil yang ketiga adalah pengolahan citar menjadi data citra K-Means. Citra yang diolah ke dalam bentuk data K-Means memiliki tingkat keakuratan objek yang detil namun tidak sedetik Unsupervised Isodata. Hal ini lebih memudahkan penganalisis dalam menganalisis objek/kenampakan yang ada pada citra yang telah ditentukan tersebut.
Pada hasil yang keempat dan kelima adalah menentukan ROI window dan ROI Separability. Data ROI Window sangat berhubungan dengan ROI Separability. Data ROI Window dibuat dengan cara memberi batasan antara objek satu dengan objek yang lainnya. Misalnya pada komposit 4.3.2. pada komposit ini, warna merah pekat adalah vegetasi kerapatan tinggi sedangkan warna merah yang memudar mendekati magenta adalah vegetasi kerapatan rendah, biru tua adalah perairan dalam (laut dalam) dan biru muda adalah perairan dangkal. Ketika pemberian batas berupa bentuk bulatan yang diberi warna berbeda/menyerupai bentuk aslinya tidak boleh melewati batas gradasi warna. Hal ini dapat mempengaruhi hasil dari data ROI Separability. Semakin banyak bulatan yang melewati batas, maka semakin rendah pula poin yang didapatnya. Poin ROI Separability minimal yang harus didapatkan agar memperoleh hasil yang baik dan akurat adalah diatas 1.90000000 point dan point tertinggi adalah 2.00000000 poin.
Pada hasil yang keenam adalah pengolahan citra biasa ke dalam bentuk Citra Supervised Parallelpiped. Pada citra ini yang nampak jelas perubahan data citranya adalah pada bagian perairan. Pada perairan yang dalam (laut dalam), tampak terlihat berwarna merah pekat dan pada daerah perairan dangkal tampak berwarna hitam.
Pada hasil yang ketujuh adalah pengolahan citra kedalam bentuk Citra Supervised Minimum Distance. Pada pengolahan data ini, semua objek yang tampak jelas adalah air yang berada diatas permukaan dengan berwarna merah. Hal ini yang berbeda antara citra dalam bentuk supervised minimum distance dengan citra supervised parallelpiped.
Pada hasil yang selanjutnya adalah pengolahan citra kedalam bentuk citra supervised maximum likelihood. Citra ini memiliki bentuk yang tidak jauh berbeda dengan citra supervised minimum distance dan citra supervised mahalonobis distance, hanya saja tingkat kedetilan resolusi objek yang tampak pada citra supervised minimum distance dan citra supervised mahalonobis distance terlihat lebih detail daripada citra supervised maximum likelihood .
Pada hasil yang terakhir merupakan pengolahan data citra kedalam bentuk majority analysis. Pada pengolahan data ini, apabila setiap objek yang memiliki resolusi spasial yang rendah, maka objek tidak akan terdeteksi dan objeknya tidak tampak pada citra. Seperti halnya kita memperbesar skala pada peta.
Kesimpulan
Pada hasil dan pembahasan praktikum kali ini dapat disimpulkan bahwa :
Komposit band 3.2.1 merupakan true color color (warna pada peta yang menyerupai kondisi sebenarnya di permukaan bumi) dan mampu mendeteksi adanya kendala ataupun perubahan kondisi pada atmosfer.
Komposit band 4.3.2 cocok digunakan untuk menganalisis tingkat kerapatan vegetasi, perairan dan jenis tanah
Komposit band 4.5.1 merupakan perpaduan band pada citra yang secara umum digunakan sebagai pemetaan penutup lahan pada suatu wilayah.
Komposit band 5.4.2 untuk menganalisis kenampakan berupa: vegetasi, namun masih dalam tahap pemula.
Komposit 4.5.6 baik untuk pemetaan tanah dan batu
Poin ROI Separability minimal yang harus didapatkan agar memperoleh hasil yang baik dan akurat adalah diatas 1.90000000 point dan point tertinggi adalah 2.00000000 poin.
Apabila data yang dimasukkan tidak sesuai dengan kenampakan dilapangan, maka citra tersebut tidak akan dapat digunakan karena berisi data yang tidak valid dan tidak akurat.
Daftar Pustaka
Rusydi, Alfi Nur. 2015. Petunjuk Praktikum Penginderaan Jauh. Malang : Universitas Negeri Malang.
Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit Andi.
Indarto. 2013. Teori dan Praktek Penginderaan Jauh. Yogyakarta: Penerbit Andi.
Purwanto. 2012. Penginderaan Jauh Teori dan Aplikasi. Malang: UM.