laporan utuh klasifikasi citra
Post on 02-Aug-2015
758 Views
Preview:
TRANSCRIPT
PENDAHULUAN
Latar Belakang
Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra
ke dalam sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan
suatu entitas dengan ciri-ciri 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
1
spectral, dengan cara membuat asumsi bahwa pixel yang berbedakan akan
menajdi satu kelas tutupan yang sama.
Klasifikasi tidak terbimbing (unsupervised) melakukan pengelompokan
data dengan menganalisa cluster secara otomatis dan menghitung kembali rata-
rata kelas (class mean) secara berulang-ulang dengan komputer. 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. Berdasarkan hasil pengukuran jarak ini setiap piksel
dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat.
Setelah setiap pixel dikelompokkan lalu masing-masing rata-rata kelas
spectral dihitung kembali. Kemudian dilakukan lagi pengukuran jarak setiap
piksel terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke
dalam kelas spektral yang memiliki jarak terdekat.
Tujuan
Tujuan dari lapororan yang berjudul “Klasifikasi Terbimbing” adalah
untuk mengklasifikasikan citra kedalam 5 tutupan lahannya.
2
TINJAUAN PUSTAKA
Pemetaan penggunaan lahan dan penutupan lahan sangat berhubungan
dengan studi vegetasi, tanaman pertanian dan tanah dari biosfer. Karena data
penggunaan lahan dan penutupan lahan paling penting untuk planner yang harus
membuat keputusan yang berhubungan dengan pengelolaan sumberdaya lahan,
maka data ini sangat bersifat ekonomi (Lo, 1995).
Penggunaan lahan merupakan aktivitas manusia dan kaitannya dengan
lahan, yang biasanya tidak secara langsung tampak dari citra. Penggunaan lahan
telah dikaji dari beberapa sudut pandang yang berlainan, sehingga tidak ada satu
defenisi yang benar-benar tepat (Purbowaseso, 1995). Penggunaan lahan
berhubungan dengan kegiatan manusia pada sebidang lahan, sedangkan penutup
lahan lebih merupakan perwujudan fisik obyek-obyek yang menutupi lahan tanpa
mempersoalkan kegiatan manusia terhadap obyek-obyek tersebut. Satu-satuan
penutup lahan kadang-kadang juga bersifat penutup lahan alami (Lillesand and
Kiefer,1990).
Agar dapat dimanfaatkan maka citra tersebut harus diinterpretasikan atau
diterjemahkan/ ditafsirkan terlebih dahulu. Interpretasi citra merupakan kegiatan
mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek
dan menilai arti pentingnya objek tersebut. Singkatnya interpretasi citra
merupakan suatu proses pengenalan objek yang berupa gambar (citra) untuk
digunakan dalam disiplin ilmu tertentu seperti Geologi, Geografi, Ekologi,
Geodesi dan disiplin ilmu lainnya. Dalam menginterpretasikan citra dibagi
menjadi beberapa tahapan, yaitu:
Deteksi ialah pengenalan objek yang mempunyai karakteristik tertentu oleh
sensor.
Identifikasi ialah mencirikan objek dengan menggunakan data rujukan.
Analisis ialah mengumpulkan keterangan lebih lanjut secara terinci
(Estes and Simonett, 1975).
Beberapa satelit pengindraan jauh berikut bisa digunakan sebagai
peneteksian LANDSAT, SPOT, IRS, NOA-AVHRR, RADARSAT, ERS, JERS,
AVIRIS dan MODIS. Setiap satelit tersebut mempunyai karateristik pendeteksian
3
tertentu. Secara umum terdapat dua karateristik resolution yaitu spatial resolution
(resolusi spasial) dan spectra resolution (resolusi spectra). Resolusi spatial
mengacu pada ukuran wilayah pengamatan atau mencari nilai data dalam satu
citra yang disebut instantaneous field of view (IFOV). Resolusi spectral mengacu
pada angka dan lebar pita gelombang atau kemampuan sensor untuk dapat
mengukur gelombang energi yang dipancarkan. Hal lain yang perlu menjadi
pertimbangan adalah biaya untuk mendapatkan data citra tersebut (Lillesand and
Kiefer,1990).
Gelombang elektromagnetik yang terpantul akan ditangkap oleh suatu alat
deteksi yang disebut sensor. Gelombang energi terefleksi dan tertransmisi dari
permukaan bumi akan melalui atmosfir bumi yang selanjutnya diterima sesnsor.
Energi yang kembali ke atmosfer akan mengalami penyebaran sehingga saat
menuju sensor akan menambah noise. Sensor dibedakan atas dua kelompok besar
yaitu sensor pasif dan sensor aktif. Sensor pasif akan menerima gelombang energi
yang dipancarkan dari bumi. Sedangkan sensor aktiv adapat memancarkan
gelombang energi dari satelit sendiri kemudian hasil refleksinya ditangkap sensor.
Setiap sensor memiliki kepekaan gelombang spectrum terbatas dan tidak aka satu
sensor pun yang peka terhadap seluruh panjang gelombang (Aprian, 2007).
Pengindraan jarak jauh juga sering digunakan untuk mendukung kegitan-
kegiatan ilmu lain ataupun penelitian-penelitian yang bermacam-macam.
Pengindraan jarak jauh tersebut untuk wilayah Indonesia dilakukan oleh LAPAN
dan data-data adan gambaran hasil pengindraan tersebut dapat diakses di internet
dan dapat dimiliki secara bebas digunakan untuk berbagai keperluan. Gambar-
gambar tersebut biasanya dimanfaatkan dengan bantuan-bantuan berbagai macam
alat baik yang masih bersifat simpel sampai yang sudah moderen. Alat-alat
tersebut kebanyakan menggunakan bantuan lensa dan kaca dalam penggunaanya.
Penggunaan alat tersebut akan membuat gambar-gambar tersebut tampak seperti
nyata atau dalam keadaan 3D (Lillesand and Kiefer,1990).
4
METODOLOGI PRAKTIKUM
Waktu dan Tempat
Praktikum Penginderaan Jarak Jauh yang berjudul “Klasifikasi
Terbimbing” dilaksanakan pada hari Kamis, 1 Desember 2011, pukul 14.00 WIB
sampai dengan selesai. Praktikum ini dilaksanakan di Laboratorium Inventarisasi
Hutan, Departemen Kehutanan, Fakultas Pertanian, Universitas Sumatera Utara,
Medan.
Alat dan Bahan
Alat yang digunakan dalam praktikum ini adalah laptop. Sedangkan bahan
yang digunakan dalam kegiatan praktikum ini adalah software ERDAS 8.5, citra
satelit medan correction, dan monogram tutupan lahan.
Prosedur
1. Dibuka software ERDAS, pada viewer 1 masukkan data citra satelit
medan_correction. Kemudian atur band combination citra dengan tipe 5,4,3.
Gambar 1. Memasukkan citra satelit ke viewer 1. Gambar 2. Teknik Perubahan Band
combination.
Gambar 3. Pengaturan Band Combination tipe 5,4,3.
5
2. Diklik classifier, kemudian pilih signature editor. Maka akan muncul
tampilan untuk pengaturan signature editor.
Gambar 4. Pilihan dari menu Classifier. Gambar 5. Jendela dari signature editor.
3. Klik AOI yang terdapat pada viewer 1, kemudian dipilih sub-menu tools.
Pilih tool Polygon AOI ( ), yang digunakan untuk mengambil sampel.
Gambar 6. Pilihan dari sub-menu Tools dari Gambar 7. Pemilihan tool create polygon
menu AOI. AOI.
4. Kelas tutupan lahan yang diambil pertama adalah badan air, dimana sampel
diambil sebanyak 2 buah dengan menggunakan tool create polygon yang
ditentukan berdasarkan monogram yang ada.
6
Gambar 8. Sampel badan air yang pertama. Gambar 9. Sampel badan air yang kedua.
5. Selanjutnya kedua sampel yang telah diambil diblok dengan menggunakan
tool box selected ( )dilanjutkan dengan memilih tool group selected object
( ).
Gambar 10. Penggabungan dua sampel badan air.
6. Lakukan tindakan penyimpanan dengan klik save lalu pilih AOI layer as, dan
simpan di folder P8 dengan nama badan_air_kel1.
Gambar 11. Teknik penyimpanan hasil kerja. Gambar 12. Penyimpanan hasil kerja.
7
7. Diklik create signature, maka akan muncul class. Ganti class dengan nama
bada air. Lalu save di folder P8 dengan nama klasifikasi_terbimbing.
(Penyimpanan dilakukan untuk menjaga hasil kerja apabila terjadi padam
lisrik).
Gambar 13. Pemilihan Create Signature Gambar 14. Pengubahan nama kelas menjadi badan
untuk mengasilkan kelas. air.
Gambar 15. Penyimpanan hasil kerja. Gambar 16. Pemngubahan nama file.
8. Lalu hilangkan sampel yang sudah digabung yang terdapat pada viewer 1
dengan cara mengklik cut all raster ( ). Hal ini dimaksudkan agar dapat
dilakukan kembali pengambilan sampel untuk jenis tutupan lahan lainnya.
9. Lakukan kegiatan pengambilan sampel untuk tutupan lahan lainnya, yakni
tutupan lahan mangrove, lahan terbuka, pemukiman, dan semak, dengan
teknik yang sama seperti di atas.
8
10. Setelah semua tutupan lahan telah diambil sampelnya, lakukan penyimpanan,
dengan cara klik menu file dan pilih save dari signature editor.
11. Untuk memudahkan pengamatan, tutupa lahan yang telah diklasifikasikan
dapat diubah warnanya dengan cara diklik sekali di warna yang akan diubah.
Gambar 17. Teknik pengubahan warna.
12. Pilih evaluate, lalu klik separability. Ubah distance Measure ke Transformed
Divergence dan output ke Cellaray, lalu pilih OK, maka akan muncul
matriks.
Gambar 18. Pemilihan separability dari Gambar 19. Pengaturan Signature menu
evaluate. Separability.
9
Gambar 20. Matriks dari hasil pengaturan separability.
13. Pilih evaluate, lalu klik contingency, lalu klik OK. Maka akan muncul editor.
Lakukan penyimpanan dengan tipe file ASCll dat, kemudian pilih OK.
Gambar 21. Pemilihan submenu contingency. Gambar 22. Tampilan dari contigency matriks.
14. Klik File lalu save as kontengensi data exel.
Gambar 23. Data kontingensi dibuka dengan media exel.
10
15. Dilakukan perhitungan di exel dengan ketentuan sebagai berikut:
Overall Accuracy =
Producer’s Accuracy =
User’s Accuracy =
Kappa Accuracy (K) =
16. Klik supervised, lalu simpan data dengan nama tertentu. Lakukan perbandingan antara citra hasil klasifikasi dengan citra medan_correction.
11
HASIL DAN PEMBAHASAN
Hasil
Tabel 1. Hasil perhitungan dengan menggunakan Microsoft Exel.
Gambar 24. Perbandingan citra hasil kalsifikasi dengan citra awal (medan_correction).
12
Overall Accuracy = = = 93,60 %
Producer’s Accuracy mangrove = = = 95,23%
Producer’s Accuracy Lahan terbuka = = = 89,65%
Producer’s Accuracy pemukiman = = = 95,58 %
Producer’s Accuracy semak = = = 92,59 %
User’s Accuracy mangrove = = = 100 %
User’s Accuracy Lahan Terbuka = = = 92,85 %
User’s Accuracy pemukiman = = = 95,58 %
User’s Accuracy semak = = = 100 %
Kappa Accuracy (K) =
= = 91 %
Pembahasan
13
Dari kegiatan praktikum yang telah dilakukan dapat diketahui bahwa
overal accurancy mempunyai nilai yang baik, yakni 93,60 % dan nilai Kappa
Accurancy sebesar 921 %. Hal ini menandakan bahwa tindakan klasifikasi
terbimbing untuk tutupan lahan dilakukan dengan baik (cukup akurat).
Klasifikasi citra satelit menjadi peta tutupan lahan merupakan aplikasi
penginderaan jauh yang paling banyak digunakan. Klasifikasi tutupan lahan
adalah proses interpretasi dan pemberian label kelas tutupan lahan untuk tiap-tiap
piksel yang ada pada citra satelit. Hasil dari proses klasifikasi adalah peta tutupan
lahan. Peta tutupan lahan memuat informasi kelas tutupan lahan yang ada di suatu
unit area. Tingkat kedetailan informasi peta tutupan lahan yang bisa dihasilkan
dari klasifikasi citra satelit amat tergantung pada tujuan utama pembuatan peta,
resolusi citra, pengenalan lapang, hardware, dan keterampilan pengguna. Sebagai
contoh, untuk beberapa organisasi, peta tutupan lahan dengan kelas hutan dan
non-hutan sudah dirasa memadai. Akan tetapi untuk penggunaan lain, misalnya
mengukur cadangan karbon, dibutuhkan lebih dari sekedar hutan-non hutan.
Sebelum melakukan klasifikasi, hendaknya dipahami dengan benar tujuan
pembuatan peta tutupan lahan, sumber daya serta kendala-kendala yang ada.
Dari segi metodologi, klasifikasi dapat dilakukan secara manual dan
digital. Klasifikasi digital umumnya terbagi menjadi dua jenis, yakni klasifikasi
tidak terbimbing (unsupervised classification) dan klasifikasi terbimbing
(supervised classification). Klasifikasi tidak terbimbing atau disebut juga
clustering, adalah klasifikasi yang dilakukan tanpa adanya contoh (sample)
tutupan lahan. Sebaliknya, klasifikasi terbimbing adalah klasifikasi yang
dilakukan dengan terlebih dahulu membuat contoh (trining sample). Selain dua
metode tersebut, klasifikasi dapat juga dilakukan secara manual dengan cara
digitasi layar.
Dalam laporan ini digunakan teknik klasifikasi terbimbing dalam
menentukan tutupan lahan. Pendekatan dengan teknik ini, pertama-tama obyek
dipilih menurut tujuan studi, informasi dari pengetahuan yang dimiliki untuk
daerah tersebut. Informasi tersebut meliputi peta topografi dan peta planimetri,
mosaik foto udara dan foto udara berpasangan. Beberapa daerah contoh kecil-
kecil dipilih pada suatu bagian citra, dibatasi dan dikaji untuk setiap obyek yang
14
dipilih. Deleniasi kelas setiap daerah contoh yang homogen, tergantung kondisi
medan dan sesuai dengan kenampakan pada foto udara. Dalam menentukan
daerah contoh kecil (sampel) digunakan tool AOI (Area Of Interest), dimana tool
ini adalah alat dalam menentukan titik pada citra yang akan diklasifikasikan atau
untuk membuat spesifikasi terhadap areal-areal tertentu yang akan
diklasifikasikan tutupan lahannya.
Sedangkan pada klasifikasi tak terbimbing, pada dasarnya tidak
memerlukan perintah-perintah bertahap dari analisis citra, tetapi mengikuti
program memeriksa piksel-piksel belum terklasifikasi dan memasukkan piksel-
piksel tersebut ke dalam kelompoknya menurut kondisi bentang alamnya. Pada
prakteknya, peranan analisis citra sering terbatas dan hal tersebut lebih baik dalam
memanfaatkan teknik ini sebagai teknik gabungan. Diutarakan oleh Lillesand dan
Kiefer (1979), bahwa pendekatan klasifikasi tak tersedia ditentukan pemisahan
kelas-kelas secara spektral dan kemudian ditetapkan atributnya (yakni label
kelas).
Gambar 24. Perbandingan citra hasil kalsifikasi dengan citra awal (medan_correction).
Dari kedua citra di atas, dapat diperoleh perbedaannya, dimana pada citra
pertama yang belum diklasifikasi terlihat lebih banyak warna. Sedangkan pada
citra kedua yang telah diklasifikasikan, warnanya lebih spesifik. Hanya terdapat
lima warna untuk masing-masing tutupan lahan, yakni:
Badan Air berwarna biru tua.
Hutan mangrove berwarna coklat.
15
Lahan terbuka berwarna merah marun.
Pemukiman berwarna merah tua.
Semak berwarna merah jambu (pink)
Dari hasil klasifikasi dapat diketahui bahwa tutupan lahan yang paling
banyak adalah semak dan pemukiman.
KESIMPULAN DAN SARAN
Kesimpulan
1. Klasifikasi citra satelit menjadi peta tutupan lahan merupakan aplikasi
penginderaan jauh yang paling banyak digunakan.
2. Overal accurancy mempunyai nilai yang baik, yakni 93,60 % dan nilai Kappa
Accurancy sebesar 921 %. Hal ini menandakan bahwa tindakan klasifikasi
terbimbing untuk tutupan lahan dilakukan dengan baik (cukup akurat).
3. Dalam menentukan daerah contoh kecil (sampel) digunakan tool AOI (Area
Of Interest), dimana tool ini adalah alat dalam menentukan titik pada citra
yang akan diklasifikasikan atau untuk membuat spesifikasi terhadap areal-
areal tertentu yang akan diklasifikasikan tutupan lahannya.
4. Dari kedua citra (yang belum diklasifikasikan dan yang belum), dapat
diperoleh perbedaannya, dimana pada citra pertama yang belum diklasifikasi
terlihat lebih banyak warna. Sedangkan pada citra kedua yang telah
diklasifikasikan, warnanya lebih spesifik.
5. Dari hasil klasifikasi dapat diketahui bahwa tutupan lahan yang paling banyak
adalah semak dan pemukiman.
Saran
Dalam pengambilan sampel harus dilakukan lebih teliti agar tindakan
klasifikasi dapat menghasilkan data yang akurat.
16
17
top related