ACARA IX

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. ALAT DAN BAHAN

a. Laptop
b. Citra Landsat 8 OLI/TIRS daerah Bromo.
c. Software ENVI Classic

III. 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 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.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 2

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).

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 3

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.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 4

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.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 5

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.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 7

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.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 8

V. HASIL
a. Klasifikasi Multispektral Unsupervised
1. Metode IsoData

2. Metode K-Means

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 9

b. Klasifikasi Multispektral Supervised
1. Metode Parallelepiped

2. Metode Minimum Distance

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 10

 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 Parallelepiped, 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, 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. 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 Parallelepiped, Minimum Distance,
Mahalanobis Distance dan Maximum Likelihood. Masing-masing metode memiliki
karakteristik tersendiri dalam mengolah data citra.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 13

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.

Praktikum Penginderaan Jauh Dasar: Klasifikasi Multispektral | 14