LAPORAN PRAKTIKUM

PENGINDERAAN JAUH
MODUL XI

Disusun Oleh:
SYAFIAH WARDAH ANDENI
22314081

KELAS C

SEKOLAH TINGGI PERTANAHAN NASIONAL

YOGYAKARTA
2023
 ACARA IX
KLASIFIKASI TAK TERSELIA (UNSUPERVISED CLASSIFICATION)

I. TUJUAN
1. Mahasiswa mampu memahami konsep klasifikasi citra unsupervised.
2. Mahasiswa mampu mengidentifikasi perbedaan citra sebelum dan sesudah dilakukan
operasi IsoData dan K-Means.
3. Mahasiswa mampu menganalisa perbedaan citra sebelum dan sesudah dilakukan
operasi IsoData dan K-Means.

II. ALAT DAN BAHAN

1. Citra diigital (Landsat_AC8)
2. Komputer/Laptop
3. Aplikasi ENVI 5.3 (64-bit)
4. Mouse

III. DASAR TEORI

Klasifikasi tak-terselia berbeda dengan klasifikasi terselia, klasifikasi ini secara
otomatis dilakukan oleh komputer tanpa campur tangan operator (kalau pun ada interaksi
ini terbatas). Proses ini adalah proses iterasi sampai menghasilkan pengelompokan akhir
gugus-gugus spektral. Beberapa algoritma klasifikasi tak-terselia yaitu jarak minimum ke
pusat gugus (K-Means), penggugusan statistik, Isodata, dan algoritma campuran
(Danoedoro, P 2012,320-324).

IV. LANGKAH KERJA

A. IsoData
1. Buka ENVI 5.3 terlebih dahulu yaitu dengan klik windows pilih ENVI =>ENVI
Classic. Atau klik ikon ENVI Classic pada Desktop.
2. Kemudian buka citra yang akan dilakukan klasifikasi. Klik File =>Open image
file, pilih citra =>Open.
3. Pilih RGB Color dengan band 321 lalu Load RGB

4. Setelah itu pada toolbar klik Classification, pilih Unsupervised kemudian pilih
IsoData.
5. Kemudian akan muncul kotak dialog Classification Input File. Klik citra yang
akan dilakukan operasi pada Select Input File kemudian akan muncul informasi
mengenai citra tersebut pada kotak File Information. Kemudian klik OK.

6. Kemudian akan muncul kotak dialog IsoData Parameters. Tentukan Number of

Classes Min : 5 dan Max : 10, Maximum Iterations : 1 => pilih File klik Choose
dan simpan file =>OK.

7. Kemudian pada kotak dialog Available Bands List klik IsoData (citranya)=> klik
kanan =>Load Band to New Display, kemudian Load Band.
 8. Selanjutnya lakukan IsoData dengan Iterasi 10 pada citra. Langkah-langkah sama
seperti saat melakukan iterasi 1 (langkah nomor 3 sampai nomor 6)

Tentukan Number of Classes Min : 5 dan Max : 10, Maximum Iterations : 10.
9. Selanjutnya lihat data statistik dari load band. Dengan klik kanan pada window
=>quick stats maka akan muncul kotak dialog Statistics Result. Pada Select plot
dipilih “Histogram: band 1”. Seperti ditunjukkan pada gambar dibawah ini:

10. Lakukan hal yang sama seperti langkah nomor 8 (delapan) untuk iterasi 10.
11. Bandingkan secara visual antara hasil ISOData untuk iterasi 1 dengan IsoData
untuk iterasi 10.
12. Bandingkan nilai statistik antara hasil IsoData untuk iterasi 1 dengan IsoData untuk
iterasi 10.
B. K-Means
1. Buka ENVI 5.3 terlebih dahulu yaitu dengan klik windows pilih ENVI =>ENVI
Classic. Atau klik ikon ENVI Classic pada Desktop.
2. Kemudian buka citra yang akan dilakukan klasifikasi. Klik File =>Open image
file, pilih citra =>Open.
3. Setelah itu pada toolbar klik Classification, pilih Unsupervised kemudian pilih K-
Means.

4. Kemudian akan muncul kotak dialog Classification Input File.Klik citra yang akan
dilakukan operasi pada Select Input File kemudian akan muncul informasi
mengenai citra tersebut pada kotak File Information. Kemudian klik OK.

5. Setelah itu akan muncul kotak dialog K-Means Parameters. Isilah Number of
Classes-nya adalah 10 dan Maximum Iterations-nya adalah 1 . Pilih File klik
Choose dan simpan file, kemudian OK.

6. Setelah itu lakukan load band dari operasi K-Means. Dengan cara klik K-Means
(citra) pada kotak dialog Availabel Bands List => klik Display => pilih New
Display, kemudian Load Band.
7. Selanjutnya lihat data statistik dari load band. Dengan klik kanan pada window
=>quick stats maka akan muncul kotak dialog Statistics Result. Pada Select plot
dipilih “Histogram: band 1”.

8. Selanjutnya lakukan K-Means dengan klasifikasi 10 (sepuluh) dan iterasi 1 (satu)

pada citra. Langkah-langkah sama seperti saat melakukan klasifikasi 5 (lima) dan
iterasi 1 (langkah nomor 3 sampai nomor 5) hanya saja pengisian pada kotak dialog
K-Means Parameters-nya: untuk Nomber of Classes diisikan angka 5 dan pada
Maximum Iterations diisikan angka 1 (satu).
 9. Lakukan hal yang sama seperti langkah nomor 6 (enam) pada load band klasifikasi
10 (sepuluh) dan iterasi 1 (satu).
10. Bandingkan secara visual antara hasil K-Means untuk klasifikasi 5 iterasi 1 dengan
hasil K-Means untuk klasifikasi 10 iterasi 1.
11. Bandingkan secara histogram antara hasil K-Means untuk klasifikasi 5 iterasi 1
dengan hasil K-Means untuk klasifikasi 10 iterasi 1.

V. HASIL DAN PEMBAHASAN

A. Hasil ISOData untuk iterasi 1
B. Hasil ISOData untuk iterasi 10
C. Nilai statistik hasil IsoData untuk iterasi 1

Dari klasifikasi tak terselia metode isodatadengan rentang kelas 5 – 10 dan maksimal
literasi 1. Dapat dilihat di histogram bahwanilai piksel minimum yaitu 2365 dan
maximal yaitu 48628.
 D. Nilai statistik hasil IsoData untuk iterasi 10

Dari klasifikasi tak terselia metode isodata dengan rentang kelas 5 – 10 dan maksimal
literasi 10. Dapat dilihat di histogram bahwa nilai piksel minimum yaitu 4016 dan maximal yaitu
38180.Citra yang diklasifasikan dengan isodata kelas 5-10 dan maksimal literasi 10 lebih tepat,
akurat, dan mengasilkan hasil lebih detail.
E. Hasil K-Means untuk klasifikasi 5 iterasi 1
F. Hasil K-Means untuk klasifikasi 10 literasi 1
 G. Histogram hasil K-Means untuk klasifikasi 5 literasi 1

Hasil dari klasifikasi citra tak terselia metode K-Means dengan banyaknya kelas
5 dan maksimal literasi 1 maenyatakan bahwa nilai piksel minimum yaitu 4616dan maksimal
yaitu 64396.
 H. Histogram hasil K-Means untuk klasifikasi 10 literasi 1

Hasil dari klasifikasi citra tak terselia metode K-Means dengan banyaknya kelas10 dan
maksimal literasi 1. Dapat dilihat di histogram, nilai piksel minimum yaitu 1526 dan maksimal
yaitu 35167.
Jika dibandingkan klasifikasi citra tak terselia metode K-Means dengan banyaknya kelas 10
lebih detail dan informatif, karena kelas yang diklasifikasikan lebih banyak yaitu 10 kelas.
VI. DAFTAR PUSTAKA
Danoedoro, P 2012, Pengantar Penginderaan Jauh Digital. Yogyakarta: Andi Offset
Pamungkas, Adi. 2017. Algoritma k-means clustering dan Naive Bayes classifier untuk
Pengenalan Pola Tesktur. Dalam web
https://pemrogramanmatlab.com/tag/pengolahan-citra-menggunakan-kmeans-
clustering/ diakses pada tanggal 17 Desember 2017.
Arfie 2009. Klasifikasi Citra. Dalam web
http://sekerasbatu.blogspot.co.id/2009/08/klasifikasi-citra.html diakses pada
tanggal 17 Desember 2017.
Ilmu Geografi. Penginderaan Jauh
http://geod-4-us.blogspot.co.id/2012/09/klasifikasi-citra.html diakses pada tanggal 17
Desember 2017