KLASIFIKASI MULTISPEKTRAL CITRA LANDSAT 8 OLI/TIRS

ACARA IX KLASIFIKASI KLASIFIKASI MULTISPEKTRAL CITRA LANDSAT 8 OLI/TIRS

I.

TUJUAN

a. Mahasiswa melakukan klasifikasi unsupervised dan supervised data. b. Mahasiswa memahami dan membandingkan klasifikasi unsupervised dan supervised data.

II.

III.

ALAT DAN BAHAN

a.

Laptop

b.

Citra Landsat 8 OLI/TIRS daerah Bromo.

c.

Software ENVI Classic

DASAR TEORI

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. Asumsi awal yang harus diperhatikan sebelum melakukan klasifikasi multispektral adalah bahwa tiap obyek dapat dikenali dan dibedakan berdasarkan nilai spektralnya. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup lahan. Secara umum, klasifikasi citra multispectral dibagi menjadi 2, yaitu unsupervised classification dan supervised classification (Purwanto, 2016). Menurut Lillesand and Kiefer (1990), supervised classification (klasifikasi terbimbing) merupakan proses pemilihan kategori informasi atau kelas yang diinginkan dan kemudian memilih daerah latihan yang mewakili tiap kategori. klasifikasi terbimbing membutuhkan pengetahuan tentang kelas kelas (objek-objek) apa saja yang terdapat dalam target serta lokasinya. Sedangkan, dalam unsupervised classification (klasifikasi tidak terbimbing) setiap piksel diperbandingkan dengan kluster diskret untuk melihat untuk piksel-piksel mana yang memiliki kemiripan yang tinggi dan dikelompokkan dalam klaster klaster. Kemudian diperbandingkan dengan kenampakan objek yang sebenarnya bila hasil klaster masih mas ih kurang memuaskan, maka perlakuan-perlakuan itu diulangi lagi untuk mencari kombinasi klaster yang lebih sesuai.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 1

IV.

LANGKAH KERJA

1. Buka software ENVI Classic 5.1 2. Buka citra landsat 8 kawasan Bromo-Tengger (nama file citra pada praktikum ini adalah acara 8) dengan cara klik File > Open Image File. Setelah itu, buka citra tersebut pada display 1 dengan cara klik RGB > pilih band 432 > Load RGB.

3. Melakukan klasifikasi unsupervised IsoData dengan cara klik Classification > Unsupervised > IsoData. Setelah itu, pada jendela Classification Input File pilih file Acara 8, lalu klik Open.

4. Pada jendela ISODATA Parameters atur jumlah kelas minimumnya 6 dan maksimumnya 10. Selain itu, atur jumlah max iterationnya menjadi 3. Setelah itu, klik “Choose” lalu pilih tempat penyimpanan dan nama file. Kemudian klik “Ok”.


5. Membuka file Isodata dengan cara klik File isodata > Load Band di jendela Available Band List.

6. Mengklasifikasikan setiap warna yang ada pada citra, kemudian melakukan pemberian anotasi seperti skala, judul peta dan legenda dengan cara klik Overlay > Annotation > Object > Text (untuk judul), Scale Bar (untuk skala), dan Map Key (untuk legenda).


7. Melakukan klasifikasi unsupersived K-Means dengan cara klik Classification > Unsupervised > K-Means. Setelah itu, pada jendela Classification Input File pilih file Acara 8, lalu klik Open.

8. Pada jendela K-Means Parameter atur jumlah kelasnya menjadi 6 dan iterationnya 3. Setelah itu, klik “Choose” pilih tempat penyimpanan dan nama file lalu klik “Ok”.

9. Membuka citra hasil K-Means dengan cara klik File K-Means/Load RGB. Kemudian mengulangi langkah 6.


10. Mengambil sampel setiap objek dengan cara klik Basic Tools > Region Of Interest > ROI Tool. Setelah semua objek diambil sampelnya,minimize ROI Tool.

11. Melakukan klasifikasi supervised metode parallelepiped dengan cara klik Classification > Supervised > Parallelepiped. Kemudian pada jendela Classificaton Input File pilih file Acara 8 lalu klik OK.


12. Pada jendela Parallelepiped Parameters pilih semua ROIs, lalu klik Choose untuk memilih tempat penyimpanan dan nama file. Setelah itu klik OK.

13. Membuka file hasil klasifikasi Parallelepiped dengan cara klik Load Band pada jendela Available Band List. Setelah itu, memberi layout dan anotasi pada citra dengan cara mengulangi langkah seperti pada langkah 6.

14. Melakukan klasifikasi supervised metode minimum distance dengan cara klik Classification > Supervised > Minimum Distance. Kemudian melakukan langkah Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 6

yang hampir sama dengan langkah metode parallelepiped, hingga memberikan layout dan anotasinya.

15. Melakukan klasifikasi supervised metode mahalanobis distance dengan cara klik Classification > Supervised > Mahalanobis Distance. Kemudian melakukan langkah yang hampir sama dengan langkah metode parallelepiped, hingga citra layout dan anotasinya.


16. Melakukan klasifikasi supervised metode maximum likehood dengan cara klik Classification > Supervised > Maximum Likehood. Kemudian melakukan langkah yang hampir sama dengan langkah metode parallelepiped, hingga citra ada layout dan anotasinya.


V.

HASIL a. Klasifikasi Multispektral Unsupervised

1. Metode IsoData

2. Metode K-Means


b. Klasifikasi Multispektral Supervised

1. Metode Parallelepiped

2. Metode Minimum Distance


3. Metode Mahalanobis Distance

4. Metode Maximum Likelihood

VI.

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 Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 11

pengklasifikasian citra, mahasiswa diarahkan pada pengolahan band citra menggunakan software ENVI. Klasifikasi citra multispektral dibagi menjadi 2 klasifikasi

yakni

unsupervised (tidak terbimbing) dan supervised (terbimbing). Dalam klasifikasi unsupervised, dalam envi terdapat 2 metode yakni IsoData dan K-means. Sedangkan dalam klasifikasi supervised terdapat 4 metode yaitu Parallele piped, Minimum Distance, Mahalanobis Distance dan Maximum Likelihood. Klasifikasi terkontrol (supervised classification) melakukan klasifikasi berdasarkan pemasukan contoh objek/sampel oleh operator. Sedangkan klasifikasi tidak terkontrol (unsupervised classification) secara otomatis diputuskan oleh komputer Pada hasil metode Unsupervised IsoData, ketika menentukan objek yang dari citra yang telah diolah menjadi IsoData, disarankan untuk membuka display baru dengan perpaduan komposit 432 (true color) agar penentuan objeknya lebih mudah dan tidak memerlukan waktu yang cukup lama. Kendala ketika menggunakan metode IsoData ini adalah ketika melakukan interpretasi pada objek yang disajikan, karena terdapat banyak sekali warna yang akan mempersulit penulisan keterangan tutupan lahan. 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 klasifikasi unsupervised yang ketdua adalah pengolahan citra menjadi data citra K-Means. Citra yang diolah ke dalam bentuk data K-Means memiliki tingkat keakuratan objek yang detail namun tidak sedetail Unsupervised Isodata. Keuntungan dari metode K-Means ini adalah lebih mudah dalam menganalisis objek/kenampakan yang ada pada citra yang telah ditentukan tersebut. Sebelum melangkah ke tahap klasifikasi supervise, langkah yang harus dilakukan adalah menentukan ROI (Range of Interest) yang digunakan untuk membedakan objek satu dengan objek lainnya. Data ROI dibuat dengan cara memberi batasan antara objek satu dengan objek yang lainnya. Misalnya pada komposit 543. 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. Semakin banyak bulatan yang melewati batas, maka semakin rendah pula poin yang didapatnya. Poin piksel ROI dari tiap objek yang harus didapatkan agar memperoleh hasil yang baik dan akurat adalah diatas 1000 piksel. Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 12

Klasifikasi Supervised melakukan klasifikasi berdasarkan pemasukan contoh objek/sampel yang dilakukan oleh user. Klasifikasi supervised 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 kenampakan hutan, diklasifi kasikan 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. Namun, 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 dimasukkan.

VII. KESIMPULAN

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. Klasifikasi citra multispektral dibagi menjadi 2 klasifikasi yakni unsupervised (tidak terbimbing) dan supervised (terbimbing). Dalam klasifikasi unsupervised, dalam envi terdapat 2 metode yakni IsoData dan K-means. Sedangkan dalam klasifikasi supervised terdapat 4 metode yaitu Parallele piped, Minimum Distance, Mahalanobis Distance dan Maximum Likelihood. Masing-masing metode memiliki karakteristik tersendiri dalam mengolah data citra.


VIII. DAFTAR RUJUKAN

Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital . Yogyakarta: Penerbit Andi. Lillesand dan Kiefer, 1990. Penginderaan Jauh dan Interpretasi Citra. Yogyakarta: Gadjah Mada University Press Purwanto. 2016. Modul Praktikum Penginderaan Jauh Dasar . Malang: Universitas Negeri Malang. Rusydi, Alfi Nur. 2015. Petunjuk Praktikum Penginderaan Jauh. Malang: Universitas Negeri Malang.


KLASIFIKASI MULTISPEKTRAL CITRA LANDSAT 8 OLI/TIRS

Recommend Documents