LAPORAN PRAKTIKUM PENGINDERAAN JAUH KELAS B
“UNSUPERVISED CLASSIFICATION MENGGUNAKAN SOFTWARE ENVI 5.1”
CITRA
LANDSAT
8
Oleh: Aulia Rachmawati
NRP. 03311340000035
Dosen: Lalu Muhammad Jaelani, S.T., M.Sc.,Ph.D. Cherie Bhekti Pribadi, S.T., M.T.
LABORATORIUM GEOSPASIAL DEPARTEMEN TEKNIK GEOMATIKA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017
i
KATA PENGANTAR Puji syukur kehadirat Tuhan Yang Maha Esa yang telah melimpahkan Rahmat dan Hidayah-Nya kepada penulis, sehingga dapat menyelesaikan laporan Penginderaan Jauh dengan judul “Unsupervised Classification Citra Landsat 8 Menggunakan software ENVI 5.1” dengan tepat waktu. Dalam pembuatan laporan ini, penulis mendapatkan bantuan dari berbagai pihak. Terima kasih penulis ucapkan kepada : 1. Orang tua yang telah memberikan bantuan serta doanya. 2. Lalu Muhammad Jaelani, S.T., M.Sc.,Ph.D. dan Cherie Bhekti Pribadi, S.T., M.T. selaku Dosen Mata Kuliah Penginderaan Jauh Kelas B Semoga dengan adanya laporan ini dapat memberikan manfaat kepada pembaca pada umumnya dan penulis pada khususnya. Saran dan kritik yang bersifat membangun sangat diperlukan penulis untuk perbaikan ke depannya.
Surabaya, 11 Desember 2017 Penulis
ii
DAFTAR ISI HALAMAN JUDUL ................................................................................................................... i KATA PENGANTAR ................................................................................................................ ii DAFTAR ISI .............................................................................................................................iii DAFTAR GAMBAR ................................................................................................................. iv BAB I PENDAHULUAN ......................................................................................................... 1 1.1.
Latar Belakang ............................................................................................................. 1
1.2.
Maksud dan Tujuan ..................................................................................................... 1
BAB II LANDASAN TEORI..................................................................................................... 2 2.1.
Klasifikasi Tidak Terselia (Unsupervised Classification) ........................................... 2
2.2.
Jenis Klasifikasi Tidak Terselia (Unsupervised Classification) .................................. 3
BAB III PELAKSANAAN ........................................................................................................ 4 3.1.
Alat dan Bahan ............................................................................................................. 4
3.2.
Tempat dan Waktu Praktikum ..................................................................................... 4
3.3.
Petunjuk Praktikum...................................................................................................... 4
3.3.1.
Proses Klasifikasi Tidak Terselia Menggunakan Metode K-Means .................... 5
3.3.2.
Proses Klasifikasi Tidak Terselia Menggunakan Metode IsoData ..................... 11
3.3.3.
Proses Pemotongan Sesuai Batas Kabupaten/ Kota ........................................... 15
BAB IV HASIL DAN ANALISA ............................................................................................ 18 4.1
Proses Klasifikasi Tidak Terselia Menggunakan Metode K-Means ......................... 18
4.2
Proses Klasifikasi Tidak Terselia Menggunakan Metode IsoData ............................ 20
4.3
Proses Pemotongan Sesuai Batas Kabupaten/ Kota................................................... 22
4.5 Peta Klasifikasi ............................................................................................................... 23 BAB V PENUTUP ................................................................................................................... 25 5.1.
Kesimpulan ................................................................................................................ 25
DAFTAR PUSTAKA ............................................................................................................... 26
iii
DAFTAR GAMBAR Gambar 2. 1 Hasil Klasifikasi Tidak Terselia pada Citra Satelit ............................................... 2 Gambar 2. 2 Cara kerja Metode Unsupervised........................................................................... 2 Gambar 3. 1 Software ENVI 5.1 ................................................................................................ 4 Gambar 3. 2 Menu Open File ..................................................................................................... 4 Gambar 3. 3 Citra Landsat (*.MTL)........................................................................................... 5 Gambar 3. 4 Tampilan Metadata Citra Landsat 8 Pada ENVI ................................................... 5 Gambar 3. 5 Menu K-Means ...................................................................................................... 5 Gambar 3. 6 Input File ................................................................................................................ 6 Gambar 3. 7 K-Means Parameters .............................................................................................. 6 Gambar 3. 8 Proses Klasifikasi................................................................................................... 6 Gambar 3. 9 Hasil Klasifikasi Metode K-Means ....................................................................... 7 Gambar 3. 10 Mengetahui Nilai Statistik Kelas K-Mean ........................................................... 7 Gambar 3. 11 Memilih File K-Mean .......................................................................................... 7 Gambar 3. 12 Proses Perhitungan Statistik ................................................................................ 8 Gambar 3. 13 Hasil Statistik K-Mean ........................................................................................ 8 Gambar 3. 14 Overlay Classification ......................................................................................... 8 Gambar 3. 15 Memilih File ........................................................................................................ 9 Gambar 3. 16 Mengedit Nama ................................................................................................... 9 Gambar 3. 17 Editing ................................................................................................................ 9 Gambar 3. 18 Kelas K-Mean .................................................................................................... 10 Gambar 3. 19 Menu Combine Class......................................................................................... 10 Gambar 3. 20 Combine Class Parameters ................................................................................ 10 Gambar 3. 21 Hasil K-Mean COmbine Class ......................................................................... 11 Gambar 3. 22 Menu IsoData Classification ............................................................................. 11 Gambar 3. 23 ISODATA Parameter......................................................................................... 12 Gambar 3. 24 Proses Klasifikasi Menggunakan Metode IsoData ............................................ 12 Gambar 3. 25 Hasil Dari Klasifikasi Tidak Terselia Menggunakan Metode Isodata............... 13 Gambar 3. 26 Mengetahui Nilai Statistik Kelas K-Mean ......................................................... 13 Gambar 3. 27Memilih File IsoData .......................................................................................... 13 Gambar 3. 28 Proses Perhitungan Statistik .............................................................................. 14 Gambar 3. 29 Hasil Statistik Iso Data ...................................................................................... 14 Gambar 3. 30 Kelas IsoData ..................................................................................................... 14 Gambar 3. 31 Hasil IsoData Combine Class ............................................................................ 15 Gambar 3. 32 Memilih File Subset File Kabupaten ................................................................. 15 Gambar 3. 33 Load Vector ....................................................................................................... 15 Gambar 3. 34 Export Layers to ROI ........................................................................................ 16 Gambar 3. 35 Export EVF layers to ROI ................................................................................. 16 Gambar 3. 36 Subset Data Via ROIs ........................................................................................ 16 Gambar 3. 37 Spasial Subset .................................................................................................... 17 Gambar 3. 38 Hasil Pemotongan Citra Metode K-Mean dan IsoData Kabupaten Jombang ... 17 Gambar 4. 1 Citra Hasil Unsupervised Classification Metode K-Mean ................................. 18 Gambar 4. 2 Kelas Pada Metode K-Mean ................................................................................ 18 Gambar 4. 3 Hasil Perhitungan Statistik K-Mean .................................................................... 19 iv
Gambar 4. 4 Hasil Combine Class K-Mean ............................................................................. 20 Gambar 4. 5 Citra Hasil Unsupervised Classification Metode IsoData ................................... 20 Gambar 4. 6 Pengaturan Jumlah Kelas IsoData ....................................................................... 20 Gambar 4. 7 Detail Kelas Pada Metode IsoData ...................................................................... 21 Gambar 4. 8 Hasil Perhitungan Statistik IsoData ..................................................................... 21 Gambar 4. 9 Hasil Combine Class IsoData .............................................................................. 22 Gambar 4. 10 Hasil Pemotongan Citra Metode K-Mean dan IsoData Kabupaten Jombang ... 22 Gambar 4. 11 Peta Klasifikasi Tidak Terselia Metode K-Mean .............................................. 23 Gambar 4. 12 Peta Klasifikasi Tidak Terselia Metode IsoData ............................................... 24
v
BAB I PENDAHULUAN 1.1. Latar Belakang Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke dalam sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciriciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Contoh objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah, kota, jalan, dan lain-lain. Sedangkan pada citra satelit meteorologi, proses klasifikasi dapat menghasilkan peta awan yang memperlihatkan distribusi awan di atas suatu wilayah. Prosedur klasifikasi citra bertujuan untuk melakukan kategorisasi secara otomatis dari semua pixel citra ke dalam kelas penutupan lahan atau semua tema tertentu. Secara umum data multispectral boleh dikatakan menggunakan bentuk klasifikasi pola spektral data untuk ketegorisasi setiap pixel berbasis numerik. Perbedaan tipe kenampakan menunjukkan perbedaan kombinasi dasar nilai digital pixel pada sifat pantulan (reflektansi) dan pancaran (emisi) spektral yang dimilikinya, Bentuk pola cukup berhubungan dengan ukuran radian yang diperoleh dari setiap pixel berdasarkan jenis saluran atau panjang gelombang yang merekamnya. Pengenalan pola spektral (spectral pattern recognition) merupakan prosedur klasifikasi yang menggunakan informasi spectral setiap pixel untuk mengenal kelas-kelas penutupan lahan secara otomatis. Pengenalan pola spasial (spatial pattern recognition) meliputi kategorisasi pixel citra dengan basis hubungan spasia antara pixel tersebut. Pola spasial dapat dievaluasi pada skema interpretasi secara otomatis. Klasifikasi spasial mencakup beberapa aspek seperti tekstur citra atau pengulangan rona, bentuk dan ukuran obyek, arah, hubungan, serta posisi pixel yang berdekatan. Tipe klasifikasi spasial mudah dideteksi oleh akal manusia dalam proses interpretasi visual, namun merupakan tugas yang rumit bagi komputer, karena informasinya sangat komplek. Sebaliknya, komputer dengan mudah menganalisis pola spektral dalam sejumlah saluran. Oleh Karena itu atribut spasial dapat dikaitkan dengan proses pengenalan spectral, dengan cara membuat asumsi bahwa pixel yang berbedakan akan menajdi satu kelas tutupan yang sama. Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster secara otomatis dan menghitung kembali rata-rata kelas (class mean) secara berulang-ulang dengan komputer (ER Mapper Help).Sumbu horizontal menunjukkan nilai piksel pada band 2 dan sumbu vertikal menunjukkan nilai kecerahan piksel pada band 1. Pengelompokan piksel menjadi kelas spektral diawali dengan menentukan jumlah kelas spektral 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 spektral ini ditentukan kemudian dipilih pusat-pusat kelas spektral terhadap setiap pusat kelas spektral. 1.2. Maksud dan Tujuan Adapun maksud dan tujuan diadakannya praktikum ini adalah : 1. Memahami cara melakukan klasifikasi tidak terselia 2. Mengetahui perbedaan klasifikasi tak terselia metode K-Mean dan IsoData
1
BAB II LANDASAN TEORI 2.1. Klasifikasi Tidak Terselia (Unsupervised Classification)
Gambar 2. 1 Hasil Klasifikasi Tidak Terselia pada Citra Satelit Sistem kerja metode tidak terbimbing adalah melakukan pengelompokan nilai-nilai pixel suatu citra oleh komputer kedalam kelas-kelas spektral dengan menggunakan algoritma klusterisasi. Metode ini tidak memerlukan training sample, sehingga proses klasifikasi dilakukan berdasarkan jumlah kelas yang diminta. Di awal proses biasanya analis (orang yang melakukan analisis) akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas lahan terdapat kelas-kelas spektral yang telah dikelompokan oleh komputer. Dari kelas yang dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas. Misal class 1, class 2, dan class 3 masing-masing adalah sawah, perkebunan dan hutan maka bisa dikelompokkan menjadi satu kelas yaitu kelas vegetasi.
Gambar 2. 2 Cara kerja Metode Unsupervised
Kelemahan pada metode unsupervised adalah apabila ada nilai pixel yang serupa namun berbeda objeknya maka hasil klasifikasi akan salah dalam melakukan interpretasi. Misalnya atap pemukiman yang berwarna coklat akan mirip nilai pixelnya dengan lahan terbuka sehingga pemukiman akan diklasifikasikan sebagai lahan terbuka atau sebaliknya.
2
2.2. Jenis Klasifikasi Tidak Terselia (Unsupervised Classification) Metode tidak terbimbing terdiri dari dua jenis yaitu : 1. IsoData = Mengklasifikasikan kelas secara merata, setiap pixel diklasifikasikan ke kelas terdekat. Setiap interaksi akan dikalkulasi ulang dan mereklasifikasi pixel ke bentuk baru. Memisah kelas, menggabungkan dan menghapus dilakukan berdasarkan parameter input. Semua pixel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarak yang telah ditentukan, dalam hal ini beberapa pixel mungkin tidak diklasifikasikan jika tidak memenuhi kriteria yang ditentukan. Proses ini berlanjut sampai jumlah pixel dalam setiap perubahan kelas kurang dari ambang perubahan pixel yang dipilih atau jumlah maksimum interasi tercapai. 2. K-Means = Hampir sama dengan metode IsoData, bedanya dengan menggunakan metode ini analis mengharuskan untuk memilih jumlah kelas yang berlokasi di data, kemudian sistem akan mengelompokkan data ke dalam kelas kelompok yang telah ditentukan. Pada setiap kelas akan terdapat titik tengah (centroid) yang mempresentasikan kelas tersebut.
3
BAB III PELAKSANAAN 3.1. Alat dan Bahan Adapun alat dan bahan yang dibutuhkan dalam praktikum registrasi geometrik citra adalah: Citra Landsat 8 Software Envi classic 5.1 Microsoft Word 2013 Hardware Laptop Lenovo Z470 Mouse 3.2. Tempat dan Waktu Praktikum Praktikum registrasi radiometrik citra diadakan di : Tempat : Ruang GM-103 Departemen Teknik Geomatika ITS Waktu : 28 November 2017 3.3. Petunjuk Praktikum Proses Klasifikasi tidak terselia dilakukan dengan menggunakan software ENVI 5.1. Berikut adalah proses-proses yang dilakukan dalam mengklasifikasikan Tersedia citra Landsat-8 : 1) Insert Data a) Langkah pertama adalah membuka Envi 5.1, maka akan muncul tampilan sebagai berikut.
Gambar 3. 1 Software ENVI 5.1 b) Buka citra yang akan dikoreksi dengan klik menu File -> Open
Gambar 3. 2 Menu Open File c) Lalu pilih file metadata (.MTL) citra Landsat 8 yang telah didownload, maka akan tampilan seperti ini
4
Gambar 3. 3 Citra Landsat (*.MTL)
Gambar 3. 4 Tampilan Metadata Citra Landsat 8 Pada ENVI 3.3.1. Proses Klasifikasi Tidak Terselia Menggunakan Metode K-Means 1) Memilih Metode Dalam Melakukan Klasifikasi Tersedia Pada toolbox pilih unsupervised Classification→K-Means Classification
Gambar 3. 5 Menu K-Means 2) Pada kotak dialog input file pilih file citra yang memiliki spectral subset 7/7 bands.
5
Gambar 3. 6 Input File 3) Pada kotak dialog K-Means Parameters tentukan jumlah kelas klasifikasi dan tentukan tempat penyimpanan output file
Gambar 3. 7 K-Means Parameters 4) Proses klasifikasi akan berjalan seperti gambar dibawah ini
Gambar 3. 8 Proses Klasifikasi 5) Berikut adalah hasil dari klasifikasi tidak terselia menggunakan metode K-Means dengan jumlah kelas adalah sepuluh
6
Gambar 3. 9 Hasil Klasifikasi Metode K-Means 6) Mengetahui nilai statistic semua kelas dengan klik pada icon CLasses→ statistic for all classes
Gambar 3. 10 Mengetahui Nilai Statistik Kelas K-Mean 7) Pilih file yang diinginkan lalu klik ok
Gambar 3. 11 Memilih File K-Mean 7
8) Proses dan Hasil dari Statistik
Gambar 3. 12 Proses Perhitungan Statistik
Gambar 3. 13 Hasil Statistik K-Mean 9) Mengganti Nama dan warna Kelas Menggunakan Envi Classic Overlay→Classification
Gambar 3. 14 Overlay Classification 10) Memilih file yang diinginkan
8
Gambar 3. 15 Memilih File 11) Maka akan tampil kotak dialog interactive class, klik options→Edit class colors/names
Gambar 3. 16 Mengedit Nama 12) Maka akan muncul kotak dialog editing, ubah nama dan warna sesuai dengan visualisasi pada citra
Gambar 3. 17 Editing 13) Hasil Editing Nama Kelas K-Mean
9
Gambar 3. 18 Kelas K-Mean 14) Melakukan Post Classification dengan klik Post Classification →Combine Class
Gambar 3. 19 Menu Combine Class 15) Maka akan muncul kotak dialog Combine Class Parameter untuk Memasangkan kelas yang sama di kotak kanan dan kiri lalu tekan add combination, setelah kelas yang terdefinisi dipasangkan selanjutnya tekan ok
Gambar 3. 20 Combine Class Parameters 16) Hasil Combine Class
10
Gambar 3. 21 Hasil K-Mean COmbine Class
3.3.2. Proses Klasifikasi Tidak Terselia Menggunakan Metode IsoData 1) Memilih Metode Dalam Melakukan Klasifikasi Tersedia Pada toolbox pilih unsupervised Classification→IsoData Classification
Gambar 3. 22 Menu IsoData Classification 2) Maka akan muncul kotak dialog ISODATA Parameter uuntuk menentukan minimum dan maximum kelas klasifikasi lalu menyimpannya file keluaran pada tempat yang diinginkan lalu tekan OK
11
Gambar 3. 23 ISODATA Parameter 3) Proses klasifkasi
Gambar 3. 24 Proses Klasifikasi Menggunakan Metode IsoData 4) Berikut adalah hasil dari klasifikasi tidak terselia menggunakan metode IsoData
12
Gambar 3. 25 Hasil Dari Klasifikasi Tidak Terselia Menggunakan Metode Isodata 5) Mengetahui nilai statistic semua kelas dengan klik pada icon CLasses→ statistic for all classes
Gambar 3. 26 Mengetahui Nilai Statistik Kelas K-Mean 6) Pilih file yang diinginkan lalu klik ok
Gambar 3. 27Memilih File IsoData 7) Proses dan Hasil dari Statistik 13
Gambar 3. 28 Proses Perhitungan Statistik
Gambar 3. 29 Hasil Statistik Iso Data 8) Hasil Editing Nama Kelas
Gambar 3. 30 Kelas IsoData 9) Hasil Combine Class IsoData
14
Gambar 3. 31 Hasil IsoData Combine Class 3.3.3. Proses Pemotongan Sesuai Batas Kabupaten/ Kota 1) Overlay data vektor Kabupaten/ Kota yang sebelumnya telah dipotong dengan format file (*.evf)
Gambar 3. 32 Memilih File Subset File Kabupaten 2) Select file vector dan load di window baru
Gambar 3. 33 Load Vector 3) Selanjutnya klik File→Export layers to ROI dan klik file input yang diinginkan 15
Gambar 3. 34 Export Layers to ROI 4) Kemudian akan muncul kotak dialog Export EVF layers to ROI, pilih convert all records
Gambar 3. 35 Export EVF layers to ROI 5) Klik basic tools → Subset data via ROIs dan input file yang diinginkan
Gambar 3. 36 Subset Data Via ROIs 6) Masking vektor dan citra dengan klik inout ROI EVF , ubah mask point menjadi yes dan pilih penempatan file output
16
Gambar 3. 37 Spasial Subset 7) Proses tersebut dilakukan pada metode K-Mean dan IsoData agar bisa dilihat perbedaan hasilnya.
Gambar 3. 38 Hasil Pemotongan Citra Metode K-Mean dan IsoData Kabupaten Jombang
17
BAB IV HASIL DAN ANALISA 4.1 Proses Klasifikasi Tidak Terselia Menggunakan Metode K-Means Berikut adalah klasifikasi tak terselia menggunakan K-Mean a) Hasil Citra Menggunakan Metode K-Mean Proses dilakukan dengan mencari Unsupervised Classification pada toolbox lalu pilih metode K-Mean maka dihasilkan citra seperti gambar berikut
Gambar 4. 1 Citra Hasil Unsupervised Classification Metode K-Mean b) Kelas Klasifikasi Pada metode K-Mean jumlah kelas ditentukan oleh Pengguna dengan jumlah spesifik, dalam tugas ini digunakan kelas sejumlah 10 dengan detail seperti dibawah ini
Gambar 4. 2 Kelas Pada Metode K-Mean 18
c) Perhitungan Statistik Semua Kelas Dengan mengetahui hasil perhitungan statistic maka akan diketahui jumlah objek yang dominan beserta jumlahnya seperti pada gambar berikut
Gambar 4. 3 Hasil Perhitungan Statistik K-Mean d) Combine Class Combine Class dilakukan untuk mengeksekusi klasifikasi yang tidak terdefinisi sehingga akan dihasilkan citra seperti gambar berikut
19
Gambar 4. 4 Hasil Combine Class K-Mean 4.2 Proses Klasifikasi Tidak Terselia Menggunakan Metode IsoData Berikut adalah klasifikasi tak terselia menggunakan IsoData a) Hasil Citra Menggunakan Metode IsoData Proses dilakukan dengan mencari Unsupervised Classification pada toolbox lalu pilih metode IsoData maka dihasilkan citra seperti gambar berikut
Gambar 4. 5 Citra Hasil Unsupervised Classification Metode IsoData b) Kelas Klasifikasi Pada metode IsoData jumlah kelas diberkan rentang yaitu mibimum dan maximum oleh Pengguna dalam tugas ini digunakan kelas minimum 5 dan maximum 10 dengan detail seperti dibawah ini
Gambar 4. 6 Pengaturan Jumlah Kelas IsoData Setelah proses rendering, dihasilkan 8 kelas seperti dibawah ini 20
Gambar 4. 7 Detail Kelas Pada Metode IsoData c) Perhitungan Statistik Semua Kelas Dengan mengetahui hasil perhitungan statistic maka akan diketahui jumlah objek yang dominan beserta jumlahnya seperti pada gambar berikut
Gambar 4. 8 Hasil Perhitungan Statistik IsoData d) Combine Class Combine Class dilakukan untuk mengeksekusi klasifikasi yang tidak terdefinisi sehingga akan dihasilkan citra seperti gambar berikut
21
Gambar 4. 9 Hasil Combine Class IsoData 4.3 Proses Pemotongan Sesuai Batas Kabupaten/ Kota Proses Pemotongan dilakukan dengan menggunakan ROI, dan daerah yang dipilih pada tugas ini adalah kabupaten Jombang yang dilakukan pada kedua metode yaitu pada K-Mean dan IsoData.
Gambar 4. 10 Hasil Pemotongan Citra Metode K-Mean dan IsoData Kabupaten Jombang
22
4.5 Peta Klasifikasi Berikut adalah peta hasil klasifikasi Tidak Terselia Metode K-Mean
Gambar 4. 11 Peta Klasifikasi Tidak Terselia Metode K-Mean
23
Berikut adalah peta hasil klasifikasi Tidak Terselia Metode IsoData
Gambar 4. 12 Peta Klasifikasi Tidak Terselia Metode IsoData
24
BAB V PENUTUP 5.1. Kesimpulan Berikut kesimpulan yang dapat ditarik dari praktikum Unsupervised classification ini adalah: 1. Klasifikasi tidak terselia dapat dilakukan dengan mencari “ unsupervised classification” pada toolbox yang tersedia dan memilih metode yang digunakan yaitu K-Mean atau IsoData 2. Perbedaan klasifikasi tak terselia metode K-Mean dan IsoData adalah pengaturan jumlah kelas yang diberikan, pada K-Mean akan diberikan jumlah spesifik kelas yang diinginkan dan hasil akan sesuai dengan jumlah kelas yang telah ditentukn, namun pada metode KMean ada rentang jumlah kelas yang diberikan dan hasilnya adalah diantara jumlah minimum dan maximum kelas yang ditentukan.
25
DAFTAR PUSTAKA Mengenal Metode Klasifikasi Tidak Terbimbing Dan Metode Terbimbing Di Envi. http://www.info-geospasial.com/2017/02/mengenal-metode-klasifikasi-tidakterbimbing-dan-metode-terbimbing-di-envi.html(diakses pada 11 Desember 2017) 6d
Making the Final Geologic Map Using ENVI Classic QuickMap. https://www.youtube.com/watch?v=PzkMQtW1tx4&t=34s (diakses pada 11 Desember 2017)
26
