Professional Documents
Culture Documents
03 - 019 - Zakky Nurshidiq - Supervised
03 - 019 - Zakky Nurshidiq - Supervised
KLASIFIKASI SUPERVISED
Disusun Oleh:
BAB I
PENDAHULUAN
1.3 Tujuan
Adapun tujuan pelaksanaan dari kegiatan ini adalah sebagai berikut:
1. Praktikan mengetahui apa itu klasifikasi supervised.
2. Praktikan mengetahui apa itu klasifikasi supervised metode
parallelepiped, minimum distance, mahalanobis distance, dan maximum
likelihood
3. Praktikan mengetahui tahapan-tahapan dalam melakukan proses
klasifikasi supervised metode parallelepiped, minimum distance,
mahalanobis distance, dan maximum likelihood.
4. Praktikan mengetahui karakteristik hasil klasifikasi supervised metode
parallelepiped, minimum distance, mahalanobis distance, dan maximum
likelihood.
BAB II
DASAR TEORI
BAB III
METODOLOGI
3.1. Lokasi
Kegiatan praktikum ini dilaksanakan secara daring di Kontrakan
GeoFunny, Jl. Beringin Raya 2 No 66, Maguwoharjo, Sleman, Daerah stimewa
Yogyakarta pada hari Jum’at, 06 Oktober 2023.
3. Melakukan Input data .shp tutupan lahan. Klik “Add Data” → Input
Agrikebun, Agriladang, Agrisawah, Nonagri Semakbelukar, Pemukiman,
Sungai, dan Jalan menjadi UTM 49 S → “Add”.
4. Mengatur pewarnaan ada setiap objek tutupan lahan. Klik simbol warna
pada objek yang ingin dirubah warnanya → Memilih warna yang
diinginkan → Klik Oke.
5. Membuat shp kavling untuk area yang akan digunakan sebagai peta
penggunaan lahan. Klik “Catalog” → Memilih tempat penyimpanan →
Klik Kanan → “New” → “Shapefile” → Mengatur sistem koordinat UTM
49 S → Memberi nama shapefile “Kavling_Zakky” → Freature Type
“Polygon” → Ok.
6. Memotong peta shp berdasarkan kavling. Klik kanan pada layer kavling →
“Edit Features” → “Start Editing” → “Continue” → “Create Features”
→ Memilih layer kavling → “Rectangle” → Mengatur penentuan kavling
→ Mengatur Horizontal → Mengaturr Width 11000 dan Length 11000 →
“Save Editing” → “Stop Editing”.
2. Menginput citra Landsat 8 yang telah terkoreksi atmosferik dan juga peta
penggunaan lahan dengan cara klik File → Open Image File → memilih
data citra ataupun peta penggunaan lahan yang akan ditampilkan.
8. Untuk melihat hasil crop pada landsat 8 klik band 4,3,2 → Load RGB.
9. Tampilkan citra yang sudah di cropping menjadi dua display dengan cara
klik new display → Load RGB.
10. Kemudian ubah tampilan pada salah satu layers menjadi Gaussian yang
sudah dilakukan cropping dengan cara klik enhance → [Image] Gaussian.
11. Aktifkan Geographic Link pada layers citra landsat 8 cropping klik kanan
→ Geographic Link.
12. Pada display citra landsat 8 terkoreksi klik tools → Region Of Interest →
ROI Tool.
13. Lalu untuk membuat ROI baru klik New Region → Beri nama sesuai objek
→ Lakukan digitasi. Untuk ROI Sungai dan Jalan gunakan type Polyline
dengan cara klik ROI Type → Polyline.
14. Lanjutkan membuat ROI baru dan lakukan digitasi pada setiap objek yang
ada pada peta penggunaan lahan.
15. Kemudian save hasil ROI dengan cara klik File → Save ROI → Input objek
yang telah di digitasi → Choose tempat penyimpanan → OK.
BAB IV
HASIL DAN PEMBAHASAN
4.1. Hasil
4.1.1. Hasil Citra Landsat 8 (Surface Reflectance)
1 Pemukiman
2 Sawah
3 Ladang
4 Kebun
Semak
5
Belukar
6 Jalan
7 Sungai
4.2. Pembahasan
Klasifikasi supervised merupakan jenis klasifikasi digital yang
melibatkan interaksi analis secara intensif, dimana analis menuntun proses
klasifikasi dengan identifikasi objek pada citra atau training area. Algoritma
supervised akan mengidentifikasi pola dan karakterisitik pada setiap kelas
berdasarkan training data, sehigga menghasilkan pemetaan yang akurat dan
sesuai dengan kebutuhan aplikasi tertentu. Terdapat tiga tahapan dalam
klasifikasi supervised meliputi, tahapan training sample, tahapan klasifikasi,
dan tahapan keluaran.
Pada praktikum kali ini, menggunakan citra Landsat 8 yang sudah
terkoreksi atmosferik (surface reflectace) sebagai bahan dasar utama. Praktikan
menggunakan wilayah Kota Semarang, Jawa Tengah. Klasifikasi supervised
yang dilakukan menggunakan empat metode, yaitu klasifikasi Parallelepiped,
klasifikasi minimum distance, klasifiaksi mahalanobis distance, dan kalsifikasi
maximum likelihood.
Pengolahan diawali dengan pengolahan citra Landsat 8 dengan
melakukan koreksi radiometrik (atmosferik) agar cira dalam kondisi surface
reflectance. Kemudian membuat peta penggunaan lahan (Kota Semarang) yang
memiliki jenis tutupan lahan meliputi, agrisawah, agrikebun, agriladang,
nonagei, semakbelukar, pemukiman, jalan, dan sungai. Dari hasil citra Landsat
8 surface reflectance dan peta penggunaan lahan, kemudian di input ke dalam
software ENVI classic 5.3 untuk dilakukan pembuatan sample (training data)
sesuai dengan objek berdasarkan peta penggunaan lahan. Hasil dari pembuatan
sample (training data) berupa ROI (Region of Interest) yang nantinya kan
diinput untuk klasifikasi supervised dengan empat metode yang berbeda
(klasifikasi Parallelepiped, klasifikasi minimum distance, klasifiaksi
mahalanobis distance, dan kalsifikasi maximum likelihood).
Pada Tabel 4.2 merupakan tampilan dari citra Landsat 8 dalam kondisi
surface reflectace, citra Landsat 8 yang sudah dikei proses klasifikasi
supervised metode Parallelepiped, citra Landsat 8 yang sudah dikei proses
klasifikasi supervised metode minimum distance, citra Landsat 8 yang
sudah dikei proses klasifikasi supervised metode mahalanobis distance,
dan citra Landsat 8 yang sudah dikei proses klasifikasi supervised metode
maximum likelihood.
Dapat dilihat pada Tabel 4.2 Objek atau tutupan lahan yang di
identifikasi dan di analisa meliputi agrisawah, agrikebun, agriladang,
nonagei, semakbelukar, pemukiman, jalan, dan sungai. Secara visual, pada
citra Landsat 8 terlihat kenampakan tutupan lahan secara nyata, namun
sukar untuk diinterpretasikan karena kualitas citra yang kurang tinggi
(bukan termasuk citra satelit resolusi tinggi). Berikut ini analisa yang dapat
saya berikan terhadap empat metode pada klasiifikasi supervised yang telah
dilakukan:
1. Secara visual pada hasil klasifikasi supervised metode parallelepiped
menunjukkan kenampakan merah yang merata, karena dalam metode
parallelepipe, kelas-kelas didefinisikan oleh batas spektral atas dan
bawah. Sehingga rentang spektral yang dominan merah atau memiliki
Pada Tabel 4.2 juga terlihat visual warna hitam pada citra hasil
kalsifikasi. Hal tersebut dipengaruhi oleh beberapa faktor yaitu,
ketidakseimbangan kelas karena perbedaan frekuensi piksel yang tidak
seimbang, pengaturan ambang batas klasifikasi atau parameter, kelas yang
dibuat tidak terwakili dengan baik, keterbatasan resolusi dan kontras pada
citra, terdapat masalah teknis saat pemrosesan lasifikasi, dan terdapat kelas
yang tidak diketahui. Sehingga dalam pemrosesan klasifikasi supervised
harus mempertimbangkan faktor kesalahan tersebut agar meminimalisir
kesalahan dna mendapatkan hasil pengolahan yang akurat dan presisi.
1. Kualitas Data
Semakin tinggi resolusi spasial citra, semakin baik kemampuan untuk
membedakan fitur yang halus. Lebar spektral dan jumlah band dapat
memengaruhi kemampuan citra untuk membedakan antara fitur yang
berbeda.
2. Pemilihan Fitur (Freature Selection)
Pemilihan variabel (spektral band) yang signifikan untuk tujuan
klasifikasi tertentu akan sangat penting.
3. Kualitas Training Data
Trainging data yang dibuat harus lengkap dan mewakili objek yang
ada karena akan mempengaruhi kemampuan model untuk
mengeneralisasi pola.
4. Metode Klasifiaksi
Pemilihan algoritma dan pengaturan parameter akan mempengaruhi
toleransi dan permorma klasifikasi
5. Preprocessing Data
Normasilasi nilai piksel dan koreksi atmosferik agar memperbaiki
kualitas citra dan hasil klasifikasi.
6. Heterogen Spasial
Kondisi heterogen sapsial dalam kelas dapat membuat klasifiaksi sukar
karena variasi internal.
Dari penjelasan singkat diatas, dapat diambil kesimpulan bahwa dengan
data citra yang digunakan, metode klasifikasi supervised yang paling baik
digunakan adalah kalsfikasisuervised metode mahalanobis distance. Hal
tersebut dapat dilihat pada kenampakan visual yang lebih sesuai dengan
peta pengunana lahan dan ROI yang ada.
BAB V
KESIMPULAN
5.1. Kesimpulan
Dari kegiatan praktikum analisis spektral yang telah dilakukan, maka dapat
diambil kesimpulan sebagai berikut:
1. Klasifikasi supervised merupakan jenis klasifikasi digital yang melibatkan
interaksi analis secara intensif, dimana analis menuntun proses klasifikasi
dengan identifikasi objek pada citra atau training area. Algoritma
supervised akan mengidentifikasi pola dan karakterisitik pada setiap kelas
berdasarkan training data, sehigga menghasilkan pemetaan yang akurat dan
sesuai dengan kebutuhan aplikasi tertentu. Terdapat tiga tahapan dalam
klasifikasi supervised meliputi, tahapan training sample, tahapan
klasifikasi, dan tahapan keluaran.
2. Metode dalam klasifikasi supervised yang dipakai yaitu yaitu klasifikasi -
Parallelepiped, klasifikasi minimum distance, klasifiaksi mahalanobis
distance, dan kalsifikasi maximum likelihood.
a. Klasifikasi parallelepiped merupakan metode klasifikasi yang
membagi ruang spektral menjadi bentuk parallelepiped (kotak tiga
dimensi) di sekitar pusat klaster.
b. Klasifikasi minimum distance merupaan metode yang Menghitung
jarak piksel ke pusat klaster dan mengklasifikasikannya ke klaster
dengan jarak terpendek.
c. Klasifikasi mahalanobis distance merupaan metode yang Mengukur
jarak antara piksel dan pusat klaster dengan mempertimbangkan
matriks kovariansi, memberikan bobot lebih besar pada dimensi yang
memiliki variasi besar.
d. Klasifikasi maximum likelihood merupakan metode yang
Mengklasifikasikan piksel ke dalam kelas yang paling mungkin
mewakili distribusi statistiknya, berdasarkan asumsi distribusi normal
multivariat.
DAFTAR PUSTAKA