LAPORAN PRAKTIKUM (Klasifikasi Citra Satelit)

LAPORAN PRAKTIKUM IV

GD 319 PENGOLAHAN CITRA DIGITAL KLASIFIKASI CITRA TERBIMBING

Tanggal Penyerahan : 30 November 2016 Disusun Oleh : Kelompok : 7 (Tujuh) Achmad Faisal Marasabessy / 23-2013-052 Kelas : B

Nama Asisten : 1. Panji Pradhikta Wahyudi 2. Anjar Hermawan

23-2013-152 23-2013-118

LABORATORIUM SISTEM INFORMASI SPASIAL JURUSAN TEKNIK GEODESI FAKULTAS TEKNIK SIPIL DAN PERENCANAAN INSTITUT TEKNOLOGI NASIONAL BANDUNG 2016

DAFTAR ISI

BAB I PENDAHULUAN ...................................................................................... 1

1.1

Maksud dan Tujuan Praktikum ................................................................. 1

1.2

Tempat dan Waktu Pelaksanaan Praktikum ............................................. 1

BAB II DASAR TEORI ........................................................................................ 2

2.1

Klasifikasi ................................................................................................. 2

2.2

Klasifikasi Terbimbing (Supervised) ........................................................ 2

2.2.1 Parallelepiped............................................................................................ 2 2.2.2 Maksimum Likelihood .............................................................................. 2 2.2.3 Minimum Distance ................................................................................... 3 2.3

Region of Interest (ROI) ........................................................................... 3

BAB III PELAKSANAAN PRAKTIKUM ......................................................... 4

3.1

Langkah Pelaksanaan Klasifikasi Metode Supervised ............................. 4

BAB IV HASIL DAN ANALISIS ........................................................................ 8

4.1

Hasil Klasifikasi Supervised ..................................................................... 8

BAB V KESIMPULAN ....................................................................................... 10 DAFTAR PUSTAKA

Pengolahan Citra Digital: Klasifikasi Citra Supervised

BAB I PENDAHULUAN 1.1 Maksud dan Tujuan Praktikum

Maksud dan tujuan dari praktikum ini diantaranya : 1)

Dapat melakukan klasifikasi terbimbing dan tak terbimbing menggunakan Envi.

2)

Dapat mengetahui perbedaan metode Parallelepiped , Maksimum Likelihood , dan Minimum Distance dalam klasifikasi supervised.

3)

Dapat menganalisis hasil dari klasifikasi Supervised .

1.2 Tempat dan Waktu Pelaksanaan Praktikum

Praktikum ini dilaksanakan pada: Hari/Tanggal : Kamis, 24 November 2016 Pukul

: 15.00 WIB - Selesai

Tempat

: Laboratorium Sistem Informasi Spasial ITENAS

Achmad Faisal Marasabessy / 23-2013-052 / Kelas B

1


BAB II DASAR TEORI 2.1 Klasifikasi

Menurut Chein-I Chang dan Ren (2000) Klasifikasi citra merupakan suatu proses pengelompokan seluruh pixel pada suatu citra kedalam dalam kelompok sehingga dapat diinterpretasikan sebagai suatu property yang spesifik. Suatu citra dapat diklasifikasikan ke dalam cluster-cluster tertentu berdasarkan kemiripan antar citranya secara visual, yaitu karakteristik warna. Klasifikasi citra secara otomatis, yaitu proses penggolongan suatu citra ke dalam suatu kategori yang semakin dibutuhkan untuk melakukan analisis citra. Klasifikasi adalah proses pencarian sekumpulan model atau fungsi yang menggambarkan dan membedakan kelas data dengan tujuan agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu obyek yang belum diketahui kelasnya (Sutan 2008 ). 2.2 Klasifikasi Terbimbing (Supervised )

Menurut Lillesand and Kiefer (1990d), analisis citra 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 (Dalam klasifikasi tidak terbimbing setiap piksel diperbandingkan dengan klaster 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 kurang memuaskan, maka perlakuan-perlakuan itu diulangi lagi untuk mencari kombinasi klaster yang lebih sesuai. 2.2.1 Parallelepiped Proses ini dimulai dari piksel baris 1 kolom 1, sampai baris terakhir kolom terakhir. Piksel yang bersangkutan masuk ke salah satu kotak sampel maka piksel ini diklasifikasikan sebagai kelas yang menandai kotak tersebut. Itulah sebabnya klasifikasi parallepiped disebut klasifikasi box. 2.2.2 Maksimum Likelihood Merupakan algoritma yang secara statistik paling mapan. Kalau algoritma lain didasari oleh pengukuran jarak antara koordinat gugus sampel dengan koordinat Achmad Faisal Marasabessy / 23-2013-052 / Kelas B

2


piksel kandidat, maka algoritma kemungkinan maksimum menggunakan dasar perhitungan probabilitas. 2.2.3 Minimum Distance Algoritma Minimum Distance membutuhkan suatu nilai ambang sehingga bila semua jarak yang dihitung ternyata tidak ada yang memenuhinya, piksel yang bersangkutan akan dianggap tak terklasifikasi.

Kelemahan cara ini tidak

mempertimbangkan variabilitas kelas. 2.3 Region of Interest (ROI)

Pengolahan ROI ( Region Of Interest ) diperlukan untuk mengetahui nilai kuantitatif densitas optik dari ROI, misalkan untuk mengetahui BMD nya citra sehingga dapat dimanfaatkan untuk diagnosa osteoporosis. Sebuah ” Region Of Interest ” adalah bagian dari citra yang ingin disaring ( filter ) untuk membentuk

beberapa operasi terhadapnya (Wijaya, 2007).


3


BAB III PELAKSANAAN PRAKTIKUM 3.1 Langkah Pelaksanaan Klasifikasi Metode Supervised No.

Gambar

Keterangan

1.

Buka ENVI lalu pilih citra satelit tahun 2004.

2.

Tampilkan citra dengan cara klik Load RGB

3.

Kemudian buka lagi citra satelit tahun 2010.


4


4.

Buat display baru lalu klik Load RGB.

5.

Pada menu bar, pilih Basic Tools Region of Interest ROI Tool.

6.

Pada menu ini, kita akan memulai mengklasifikasi dengan membuat ROI pertama-tama, tentukan nama dan warna.

7.

Dijit pada citra tahun 2010. Jika semua telah terdijitasi sesuai dengan karakteristik, maka klik File Save ROIs.


5


8.

Klik Select All Items kemudian pilih lokasi penyimpanan dan nama file ROI, lalu klik OK.

9.

Setelah itu kita akan mengklasifikasi dengan beberapa metode, antara lain yang akan dilakukan adalah metode Minimum Distance, dengan cara pilih Classification Supervised Minimum Distance.

10.

Kemudian pilih semua item, tentukan lokasi penyimpanan dan nama file, kemudian klik OK.

11.

Tunggu hingga proses klasifikasi selesai.


6


12.


Jika proses tadi telah selesai, buat Display baru lalu klik Load RGB untuk menampilkan citra hasil klasifikasi tadi. Lakukan klasifikasi dengan cara yang sama pada metode-metode klasifikasi yang tersedia.

7


BAB IV HASIL DAN ANALISIS 4.1 Hasil Klasifikasi Supervised

A. Parallelepiped

Gambar 1. Klasifikasi Citra Terbimbing Metode Parallelepiped B. Maksimum Likelihood

Gambar 2. Klasifikasi Citra Terbimbing Metode Maximum Likelihood


8


C. Minimum Distance

Gambar 3. Klasifikasi Citra Terbimbing Metode Minimum Distance


9


BAB V KESIMPULAN

Dari praktikum ini, saya dapat menyimpulkan bahwa: 1. Dapat melakukan klasifikasi terbimbing menggunakan software ENVI. 2. Dapat

mengetahui

perbedaan

metode

Parallelepiped , Maximum

Likelihood , dan Minimum Distance dalam klasifikasi terbimbing

(Supervised ). 3. Dapat menganalisis hasil dari klasifikasi menggunakan beberapa metode dari supervised .


10


DAFTAR PUSTAKA Permana A. (2014), Klasifikasi Citra. Diakses pada tanggal 30 November 2016 di: http://www.academia.edu/10154126/Klasifikasi_citra Budi Suryo, A. (2013), Studi Perubahan Tutupan Lahan Das Ciliwung Dengan Metode Klasifikasi Terbimbing Citra Landsat ETM 7+ Multi Temporal Tahun 2001 & 2008. Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut

Teknologi Sepuluh Nopember, Surabaya. Nur Hidayah, A. (2009), Rekayasa Perangkat Lunak Pengolahan Citra Dan Analisis Perilaku Intensitas Pixel ROI (Region of Interest) Citra Radiografi Sinar-X.

Universitas Diponegoro, Semarang.


11

LAPORAN PRAKTIKUM (Klasifikasi Citra Satelit)

Recommend Documents