Upload
ririn-indahyani
View
247
Download
2
Embed Size (px)
Citation preview
LAPORAN PRAKTIKUM 3
MATA KULIAH PENGINDERAAN JAUH
Klasifikasi Multispektral
Oleh:
Kania Permata Sari 15112002
Ririn Indahyani 15112010
Ressy Fitria 15112028
Eka Fitriani 15112093
Michele Natasa Ganap 15112094
PRODI TEKNIK GEODESI DAN GEOMATIKA
FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
INSTITUT TEKNOLOGI BANDUNG
BANDUNG
2015
ABSTRAK
Klasifikasi multispektral adalah salah satu bagian dari pengolahan citra penginderaan jauh. Hasil
klasifikasi multispektral penginderaan jauh berupa peta tematik umumnya digunakan sebagai
input dalam lingkungan sistem informasi geografis (SIG). Klasifikasi multispektral dapat
dilakukan secara manual maupun dengan bantuan piranti lunak. Klasifikasi dengan bantuan
piranti lunak dapat dibedakan menjadi klasifikasi terkontrol (supervised) dan klasifikasi tak-
terkontrol (unsupervised). Pada laporan ini akan dibahas beberapa algoritma dari masing-masing
jenis klasifikasi dengan menggunakan bantuan piranti lunak Envi 5.1.
BAB I
PENDAHULUAN
A. Latar Belakang
Salah satu fungsi satelit adalah merekam objek dipermukaan bumi. Citra yang terekam oleh
sensor dinamakan citra satelit. Praktikum mata kuliah Inderaja ini mengaplikasikan
bagaimanakah cara mengklasifikasi citra satelit digital dengan data citra Landsat 7. Adanya
klasifikasi citra bertujuan untuk menentukan objek area yang terekam pada data citra dengan
mengetahui luasan kelas objek tersebut, misalnya area permukiman, vegetasi dan lain-lain.
Dalam klasifikasi citra ini, metode klasifikasi terbagi menjadi 2 yaitu supervised dan
unsupervised classification. Metode supervised merupakan metode dimana citra yang digunakan
memiliki cakupan wilayah yang telah diketahui bentuk tutupan lahannya. Sedangkan metode
unsupervised merupakan metode klasifikasi citra yang belum jelas bentuk tutupan lahannya.
B. Tujuan
a. Praktikan dapat mengetahui langkah-langkah dalam mengklasifikasi citra satelit digital
Landsat 7 dengan menggunakan software Envi.
b. Praktikan dapat mengetahui hasil citra yang terklasifikasi dan menentukan objek yang
terklasifikasi.
c. Praktikan dapat membedakan metode unsupervised dan supervised classification.
C. Metodologi
1. Data yang dibutuhkan adalah data citra LANDSAT 7 daerah Jawa Barat.
2. Pengolahan data meliputi:
Penajaman citra metode Gram-Schmidt Pan Sharpening
Unsupervised Classification ( Isodata dan K-Means)
Pembuatan Region of Interest
Supervised Classification (Maximum Likehood, Minimum Distance, dan
Parallelepiped)
BAB II
HASIL DAN PEMBAHASAN
A. Gram-Schmidt Pan Sharpening
Berikut adalah langkah pengerjaan penajaman citra menggunakan metode gram Schmidt.
1.Buka hasil citra yang telah di koreksi atmosferik.
2. Masukkan citra Landsat 7 dengan open as Geotiff with metadata.
3. Pilih file metadata dari citra landsat dengan format file .MTL
4.Pilih metode gram Schmidt pada toolbox. Pilih citra yang telah dikorekdi atmosferik
5. Pilih band pankromatik dari citra
6. Pilih jenis sensor : Landsat ETM, Resampling : Nearest neighbor, output format : ENVI, dan
buat nama output file-nya.
Berikut hasil citra yang telah diproses dengan gram Schmidt Pan sharpening
B. Unsupervised classification
a. Isodata Classification
1. Pilih unsupervised classification pada toolbox, kemudian pilih isodata classification. Pilih citra
yang telah disharpening sebelumnya pada jendela classification input file.
2. Pilih banyak kelas ( pada praktikum ini banyak kelas minimal 5 dan maksimal 10). Buat nama
output file.
3. Berikut hasil klasifikasi menggunakan metode isodata.
b. K-Means Classification
1. Pilih K-means Classification pada toolbox. Pilih citra yang telah di- sharpening.
2. Pilih banyak kelas (kelas dipilih sebanyak 7 kelas, agar banyak kelas sama dengan hasil
klasifikasi dengan isodata). Buat nama output file.
3. Berikut hasil klasifikasi dengan metode K-Means.
C. Region of Interest
1. Sebelum melakukan klasifikasi, terlebih dahulu dibuat Region of Interest (ROI). Pilih menu
file > new > Region of Interest.
2. Buat nama ROI sesuai dengan objek yang ada pada citra. Pilih sample objek pada citra
(minimal 5)
(a) Laut
(b) Hutan
(c) Awan
(d) Vegetasi
(e) Permukiman
(f) Sawah
(g) Batas citra
D. Supervised Classification
a. Maximum Likehood
1. Pilih maximum likehood pada toolbox, ( Classification > Supervised Classification >
Maximum Likehood). Pilih citra yang telah di sharpening.
2. Pilih kelas ROI yang ada pada citra. Buat nama output file. Non-aktifkan output rule image.
3. Berikut adalah hasil klasifikasi dengan maximum likehood.
b. Minimum Distance
1. Pilih Minimum Distance pada toolbox, ( Classification > Supervised Classification >
Minimum Distance). Pilih citra yang telah di sharpening.
2. Pilih kelas ROI yang ada pada citra. Buat nama output file. Non-aktifkan output rule image.
3. Berikut adalah hasil klasifikasi dengan Minimum Distance.
c. Parallelepiped classification
1. Pilih Parallelepiped classification pada toolbox, ( Classification > Supervised Classification >
Parallelepiped classification ). Pilih citra yang telah di sharpening.
2. Pilih kelas ROI yang ada pada citra. Buat nama output file. Non-aktifkan output rule image.
3. Berikut adalah hasil klasifikasi dengan Parallelepiped.
E. Analisis
Klasifikasi terkontrol (supervised classification) melakukan klasifikasi berdasarkan pemasukan
contoh objek/sampel oleh operator. Sedangkan klasifikasi tidak terkontrol (unsupervised
classification) secara otomatis diputuskan oleh komputer.
Klasifikasi citra 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 kenampakkan awan, diklasifikasikan 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. Namu, 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 masukkan.
Perbedaan algoritma K-Means dan isodata adalahjumlah kelas yang akan diklasifikasi. K-Means
diasumsikan jumlah kelas telah diketahui sebelumnya sedangkan isodata menggunakan nilai
minimal dan maksimal kelas dalam mengelompokkan piksel citra yang homogen.
Hasil klasifikasi tidak terkontrol hanya mengelompukkan objek yang dianggap sama tetapi
belum diketahui jenis dari objeknya sehingga harus dilakukan proses penamaan/pendefinisian
kelas. Hasil klasifikasi piksel pada citra secara digital masih sangat bervariatif sehingga untuk
kenyamanan penglihatan dan pemahaman user perlu dilakukan filter dan generalisasi.
BAB III
KESIMPULAN DAN SARAN
A. KESIMPULAN
Beberapa algoritma yang digunakan dalam klasifikasi tak-terselia adalah k-means dan ISO data
sedangkan algoritma yang digunakan dalam klasifikasi terselia adalah parallelpiped, minimum
distance to mean, dan maximum likelihood. Algoritma terbaik yang digunakan dalam klasifikasi
multispektral penginderaan jauh adalah salah satu dari algoritma klasifikasi supervised yaitu
maximum likelihood. Kelebihan dari algoritma ini adalah penggunaan dasar perhitungan
probabilitas terhadap tiap pixel sehingga tiap pixel dikatakan sebagai milik suatu kelas tertentu.
Kekurangan dari algoritma ini adalah probabilitas untuk semua kelasdianggap sama (terdistribusi
normal) padahal tidak semua kelas memiliki probabilitas yang sama.
B. SARAN
Algoritma maximum likelihood adalah algoritma yang secara statistik paling mapan dalam
klasifikasi citra penginderaan jauh. Namun untuk keperluan praktis dalam hal kecepatan prosesi
klasifikasi, sebaiknya menggunakan algoritma minimum distance to mean sebagai algoritma
klasifikasi supervised yang paling sederhana atau parallelpiped yang sedikit lebih lama dari
algoritma minimum distance to mean namun tetap memperhatikan variabilitas kelas.
DAFTAR PUSTAKA
Danoedoro, Projo. 2012. “Pengantar Penginderaan Jauh Digital”. ANDI :Yogyakarta
http://geoexpose.blogspot.com/2011/12/klasifikasi-citra-satelit.html