03-KLASIFIKASI CITRA
-
Upload
syafiq-muhammad -
Category
Documents
-
view
237 -
download
0
Transcript of 03-KLASIFIKASI CITRA
-
8/12/2019 03-KLASIFIKASI CITRA
1/13
III-1
III. KLASIFIKASI CITRA (Image Classification)
Klasfikasi/Interpretasi citra bertujuan untuk pengelompokkan atau membuat
segmentasi mengenai\ kenampakan-kenampakan yang homogen.
Untuk dapat melakukan interpretasi, penafsir memerlukan unsur-unsur pengenal
pada obyek atau gejala yang terekam pada citra. Unsur-unsur pengenal ini secara
individual maupun secara kolektif mampu membimbing penafsir ke arah pengenalan yang
benar. Unsur-unsur ini disebut unsur-unsur interpretasi, dan bayangan, tekstur, pola,
situs, dan asosiasi.
Rona (tone) mengacu pada kecerahan relatif obyek pada citra. Rona biasanya
dinyatakan dalam derajat keabuan meliputi 8 (delapan) hal, yaitu rona/warna, bentuk,
ukuran, (grey scale), misalnya hitam/sangat gelap, agak gelap, cerah, sangat cerah/putih.
Apabila citra yang digunakan itu berwarna, maka unsur interpretasi yang digunakan ialah
warna (color), meskipun penyebutannya masih terkombinasi dengan rona, misalnya
merah, hijau, coklat kekuningan, biru kehijauan agak gelap, dan sebagainya.
Bentuk (shape) sebagai unsur interpretasi mengacu ke bentuk secara umum,
konfigurasi, atau garis besar wujud obyek secara individual. Bentuk beberapa obyek
kadang-kadang begitu berbeda daripada yang lain, sehingga obyek tersebut dapat
dikenali semata-mata dari unsur bentuknya saja.
Ukuran (size) obyek pada foto harus dipertimbangkan dalam konteks skala yang
ada. Penyebutan ukuran juga tidak selalu dapat dilakukan untuk semua jenis obyek.
Pola(pattern) terkait dengan susunan keruangan obyek. Pola biasanya terkait pula
dengan adanya pengulangan bentuk umum suatu atau sekelompok obyek dalam ruang.
Istilah-istilah yang digunakan untuk menyatakan pola misalnya adalah teratur, tidak
teratur, kurang teratur, kadang-kadang pula perlu digunakan istilah yang lebih ekspresif,
misalnya melingkar, memanjang terputus-putus, konsentris dan sebagainya.
Bayangan (shadow) sangat penting bagi penafsir karena, dapat memberikan dua
macam efek yang berlawanan. Pertama bayangan mampu menegaskan bentuk obyek
pada citra, karena outline obyek menjadi lebih tajam/jelas, begitu pula kesan
ketinggiannnya. Kedua bayangan justru kurang memberikan pantulan obyek ke sensor,
sehingga obyek yang teramati menjadi tidak jelas.
Tekstur (texture) merupakan ukuran frekuensi perubahan rona pada gambar
obyek. Tekstur dapat dihasilkan oleh agregasi /pengelompokan satuan kenampakan
pohon dan bayangannya, gerombolan satwa liar di bebatuan yang terserak diatas
permukaaan tanah. Kesan tekstur juga bersifat relatif, tergantung pada skala dan resolusi
citra yang digunakan.
-
8/12/2019 03-KLASIFIKASI CITRA
2/13
III-2
Situs(site) atau letak merupakan penjelasan tentang lokasi obyek relatif terhadap
obyek atau kenampakan lain yang lebih mudah untuk dikenali, dan dipandang dapat
dijadikan dasar untuk identifikasi obyek yang dikaji. Obyek dengan rona cerah, berbentuk
silinder, ada bayangannya, dan tersusun dalam pola yang teratur dapat dikenali sebagai
kilang minyak, apabila terletak didekat perairan pantai.
Asosiasi (assosiation) merupakan unsur yang memperhatikan keterkaitan antara
suatu obyek atau fenomena dengan obyek atau fenomena lain, yang digunakan sebagai
dasar untuk mengenali obyek yang dikaji.
Perlu diperhatikan bahwa dalam mengenali obyek, tidak semua unsur perlu
digunakan secara bersama-sama. Ada beberapa jenis fenomena atau obyek yang
langsung dapat dikenali hanya berdasarkan satu jenis unsur interpretasi saja. Ada pula
yang membutuhkan keseluruhan unsur tersebut. Ada kecenderungan pengenalan obyek
penutup/penggunaan lahan pada citra membutuhkan lebih banyak unsur interpretasi
seperti pada diskripsi.
Dalam praktikum kali ini, kita menggunakan data citra landsat hasil cropping pada
praktikum sebelumnya.
3.1. Kalkulasi Statistik
1. Lakukan perhitungan statistik dengan mengaktifkan menu Process pada Window
utama ER Mapper dan lakukan pilihan pada menu Calculate Statistics
kemudian Window Calculate Statistics akan tampil pada layer komputer. Lakukan
pengesetan input data file dalam multiband image (*.ers), pilihan Subsampling Interval
adalah 1 dan jangan lupa untuk mencheck list pilihan pada . Tekan
tombol OK kemudian Window Calculate Statistics Statusakan tampil pada
layer komputer. Proses perhitungan akan dilakukan dan pada saatnya akan tampil
Calculate Statistic Attentionsebagai tanda perhitungan telah selesai. Tekan tombol OK
dan tombol exit pada Window Calculate Statistic(Gambar).
Gambar 3.1. Perhitungan Statistik Image
2. Aktifkan menu View dari Window ER Mapper interface. Lakukan pilihan pada menu
Statistics dan menu Show Statistics untuk melihat hasil perhitungan
statistik. Window Statistics Reportakan tampil pada layer komputer. Pastikan Input file
dalam multiband (*.ers) dan lakukan pilihan serta semua dalam daftar Band (All). Tekan
-
8/12/2019 03-KLASIFIKASI CITRA
3/13
III-3
tombol OK kemudian penyajian Window hasil perhitungan statistik (Display
Dataset Statistics) akan tampil pada layer komputer (Gambar).
Gambar 3.2. Laporan Statistik untuk Multiband Image
3. Lakukan penyimpanan laporan data statistik (Saving statistic report) dalam file dengan
menekan tombol Print , Window Print Dataset Statistics akan tampil secara
otomatis. Lakukan pilihan untuk File Only: ; tekan tombol Open output file
kemudian tetapkan nama file baru (stat) sebagai file statisik.
3.2. Klasifikasi Tak Terbimbing (Unsupervised Classification)
1. Aktifkan menu Process dan pilih menu Classification serta menu ISOCLASS
Unsupervised Classification pada Window utama ER
Mapper; kemudian Window Unsupervised Classificationakan tampil pada layer komputer.
Lakukakan pengisian data informasi yang dibutuhkan seperti input dataset, output dataset,
maximum iterasi dan maximum banyaknya kelas.2. Dari Window Unsupervised Classification, bukalah original multiband image dengan
menekan tombol Input Dataset sehingga Window Open Dataset tampil pada layer
komputer. Pilihlah file original raster image (.ers) kemudian tekanlah tombol OK
. Buatlah output dataset baru dengan mengaktifkan tombol Open Dataset
sehingga Window Open Datasettampil pada layer komputer. Tulislah sebagai nama file
baru pada menu Save As (*.ers) kemudian tekanlah tombol OK untukkonfirmasi proses. Abaikan menu Band to Usedalam All.
3. Berikan informasi tambahan yang diperlukan pada Window Unsupervised Classification
seperti:
Maksimum iterasi sebanyak 20 (mengindikasikan banyaknya langkah iterasi statistik
yang dilakukan),
Desired percent unchanged as 95 (indikasi kesalahan sebesar 5% dalam proses
statistik),
Maximum number of classesas 10(indikasi banyaknya kelas klasifikasi),
-
8/12/2019 03-KLASIFIKASI CITRA
4/13
-
8/12/2019 03-KLASIFIKASI CITRA
5/13
III-5
Buatlah kombinasi warna dari tiga band dengan menekan tombol Open ; set Red Band
untuk Band 5, Green Band untuk Band 4 dan Blue Band untuk Band 2. Beri tanda check
listpada menu Full Saturation . Tekan tombol Auto-gen untuk
memulai proses kalkulasi dan tekan tombol Close untuk menutup Window.
Gambar 3.5. Window Auto Generate Colors
8. Setelah langkah auto generate colordilakukan, simpanlah komposisi warna baru tersbut
dengan menekan tombol Save pada Window Edit Class/Region Details
kemudian tombol Close .
9. Display hasil editing kelas dengan menekan tombol Edit pada Window
Algorithm. Aktifkan menu Add Raster Layer dan pilih menu Class Display
sehingga Class Display layer tampil pada menu View Layar. Pilihlah Class
Display layer tersebut dan loading dataset dengan menekan tombol Load Dataset
(Unsupervised_class.ers) dan tampilkan image dengan menekan tombol Run Algorithm
.
10. Lakukan edit warna dan nama kelas berdasarkan nilai DN Value untuk setiap kelas
klasifikasi, sepanjang pembedaan warna dapat memberikan perbedaan yang berarti.
Lakukan seperti pada langkah sebelumnya.
Gambar 3.6. Edit Class/Region Details Window
11. Formulasi dapat digunakan untuk mengurangi ketidak jelasan agregat kelas. Berdasarkan
hasil editing untuk warna dan nama pada setiap kelas file unsupervised dataset
-
8/12/2019 03-KLASIFIKASI CITRA
6/13
-
8/12/2019 03-KLASIFIKASI CITRA
7/13
III-7
tombol Close . Hasil dari proses dideskripsikan pada Window View Image
sebagaimana telah dijelaskan pada langkah 10-13 (drawing mask on image). Buatlah
kombinasi band (RGB: 541) pada AlgorithmWindow.
5. Lakukan pengclusteran pada image dengan mengaktifkan menu Edit dan pilih menu
Edit/Create Regions sehingga New Map Composition Window tampil
pada layar komputer. Beri tanda cheklist pada menu Raster Region dan
loading file dalam original multiband (*.ers) kemudian tekan tombol OK
sehingga ToolsWindow tampil pada layar komputer.
6. Lakukan penyimpanan data dengan menekan tombol Save As pada ToolsWindow.
MessageWindow akan tampil pada layar komputer, sebagai tanda penyimpanan data telah
sukses dilakukan pada file multiband (*.ers) image.
Gambar 3.8. Region Message Window
7. Hasil pengclusteran dapat dilihat setelah menekan tombol Close pada Tools
Window. Lakukan pengeditan region atas warna dan title untuk semua objek dengan
mengaktifkan menu Edit Class/Region Color and Name .
8. Lakukan penghitungan statistik untuk image tersebut di atas dengan mengaktifkan menu
pada ER Mapper 5.5 interface Window dengan standard toolbar. Pilih menu
Calculate Statistic sehingga Calculate StatisticsWindow tampil pada layar
komputer. Lakukan loading dataset dalam multiband image (l71126060_b123457.ers), beri
tanda checklist pada menu Force Recalculate stats dan masukkan
nilai: 1 (satu) pada menu Subsampling Interval. Tekan tombol OK untuk
memulai proses perhitungan statistik. Attention Window akan tampil saat proses
perhitungan telah selesai dan sukses dilakukan. Tekan tombol OK untuk
mengkonfirmasi penyelesaian proses perhitungan (Gambar).
-
8/12/2019 03-KLASIFIKASI CITRA
8/13
III-8
Gambar 3.9. Proses Perhitungan Statistik
9. Pilihlah salah satu metode supervisi klasifikasi dan tetapkan metode yang dipilih pada
metode supervisi klasifikasi jarak terdekat (minimum distance). Lakukan klasifikasi dengan
mengaktifkan menu Process dan pilihlah menu Classification dari ER
Mapper 7.0 interface Window dengan standard toolbar. Pilih menu Supervised
Classification sehingga Supervised ClassificationWindow tampil pada
layar komputer (Gambar).
Gambar 3.10. Jendela Supervised Classification
10. Lakukan pemenuhan kriteria yang dibutuhkan pada Supervised Classification Window,
seperti kriteria untuk menu Input Dataset dalam original multiband image (*.ers), setting
Input Band untuk semua (All)band, penetapan menu Output Datasetdalam file image
baru (Supervised_class_mindist.ers) dan metode klasikasi Classification Type dalam
Minimum Distance. Tekan tombol OK sehingga jendela Supervised
Classification Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan
sukses dilakukan sejalan dengan tampilan jendela AttentionWindow pada layar komputer.
Tekan tombol OK untuk konfirmasi penyelesaian proses klasifikasi (Gambar).
Gambar 3.11. Jendela Proses Supervisi Classification
11. Lakukan edit warna dan nama kelas berdasarkan nilai DN Value untuk setiap kelas
klasifikasi, sepanjang pembedaan warna dapat memberikan perbedaan yang berarti.
-
8/12/2019 03-KLASIFIKASI CITRA
9/13
III-9
Gambar 3.12. Edit Class/Region Details Window
12. Representasikan hasil supervisi klasifikasi untuk metode minimum distance dengan
menekan tombol Edit pada AlgorithmWindow dan pilihlah menu Add Raster
Layar . Aktifkan menu Class Display sehingga Class Display
Layer akan tampil pada menu Algorithm Layar. Lakukan loading untuk file image dataset
(Supervised_class_mindist.ers) dengan menekan tombol Load Dataset dan tombol
Run Algorithm (GO) .
13. Pilihlah salah satu metode untuk tipe supervisi klasifikasi, dan tetapkan klasifikasi pada
metode maximum likelihood. Aktifkan menu Process dan pilihlah menu
Classification dari jendela ER Mapper 7.0 interface Window. Lakukan pilihan
pada menu Supervised Classification dan jendela Supervised
ClassificationWindow akan tampil pada layar computer.
Gambar 3.13.Jendela Supervised Classification
14. Lakukan pemenuhan kriteria yang dibutuhkan pada Supervised Classification Window,
seperti kriteria untuk menu Input Dataset dalam original multiband image (*.ers), setting
Input Band untuk semua (All)band, penetapan menu Output Datasetdalam file image
baru (*.ers) dan penetapan tipe metode klasikasi Classification Type dalam Maximum
Likelihood Standard. Tekan tombol OK sehingga jendela Supervised
Classification Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan
sukses dilakukan sejalan dengan tampilan jendela AttentionWindow pada layar komputer.
Tekan tombol OK untuk konfirmasi penyelesaian proses klasifikasi (Gambar).
-
8/12/2019 03-KLASIFIKASI CITRA
10/13
III-10
Gambar 3.14. Jendela Proses Supervisi Classification
15. Lakukan edit warna dan nama kelas berdasarkan nilai DN Value untuk setiap kelas
klasifikasi, sepanjang pembedaan warna dapat memberikan perbedaan yang berarti.
Gambar 3.15. Edit Class/Region Details Window
16. Representasikan hasil supervisi klasifikasi untuk metode minimum distance dengan
menekan tombol Edit pada AlgorithmWindow dan pilihlah menu Add Raster
Layar . Aktifkan menu Class Display sehingga Class Display
Layer akan tampil pada menu Algorithm Layar. Lakukan loading untuk file image dataset
(*.ers) dengan menekan tombol Load Dataset dan tombol Run Algorithm (GO) .
Gunakan majority filteringsebagai mana yang disebutkan pada langkah 65 dan lakukan
proses post classification. Lakukan penyimpanan hasil filtering
(Supervised_maxlikestd_filter.ers) dengan mengaktifkan menu Save As Dataset .
Bandingkan hasil filtering image dengan image supervisi standar maximum likelihood
standard.
17. Pilihlah salah satu metode untuk tipe supervisi klasifikasi, dan tetapkan klasifikasi pada
metode maximum likelihood. Aktifkan menu Process dan pilihlah menu
Classification dari jendela ER Mapper interface Window. Lakukan pilihan pada
menu Supervised Classification dan jendela Supervised Classification
Window akan tampil pada layar komputer.
Gambar 3.16. Supervised Classification Window
-
8/12/2019 03-KLASIFIKASI CITRA
11/13
III-11
18. Lakukan pemenuhan kriteria yang dibutuhkan pada Supervised Classification Window,
seperti kriteria untuk menu Input Dataset dalam original multiband image (*.ers), setting
Input Band untuk semua ( All) band, penetapan menu Output Dataset dalam file image
baru (*.ers) dan penetapan tipe metode klasikasi Classification Type dalam
Parallelepiped. Tekan tombol OK sehingga jendela SupervisedClassification Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan
sukses dilakukan sejalan dengan tampilan jendela AttentionWindow pada layar komputer.
Tekan tombol OK untuk konfirmasi penyelesaian proses klasifikasi (Gambar).
Gambar 3.17. Jendela Proses Supervisi Classification
19. Lakukan edit warna dan nama kelas berdasarkan nilai DN Value untuk setiap kelas
klasifikasi, sepanjang pembedaan warna dapat memberikan perbedaan yang berarti.
Lakukan seperti pada langkah ke-46 sampai 48 dan tampilkan hasil.
Gambar 3.18. Edit Class/Region Details Window
20. Representasikan hasil supervisi klasifikasi untuk metode minimum distance dengan
menekan tombol Edit pada AlgorithmWindow dan pilihlah menu Add Raster
Layar . Aktifkan menu Class Display sehingga Class Display
Layer akan tampil pada menu Algorithm Layar. Lakukan loading untuk file image dataset
(*.ers) dengan menekan tombol Load Dataset dan tombol Run Algorithm (GO) .
21. Pilihlah salah satu metode untuk tipe supervisi klasifikasi, dan tetapkan klasifikasi pada
metode mahalanobis. Aktifkan menu Process dan pilihlah menu Classification
dari jendela ER Mapper 7.0 interface Window. Lakukan pilihan pada menu
Supervised Classification dan jendela Supervised Classification
Window akan tampil pada layar komputer.
-
8/12/2019 03-KLASIFIKASI CITRA
12/13
III-12
Gambar 3.19. Supervised Classification Window
22. Lakukan pemenuhan kriteria yang dibutuhkan pada Supervised Classification Window,
seperti kriteria untuk menu Input Dataset dalam original multiband image (*.ers), setting
Input Band untuk semua (All)band, penetapan menu Output Datasetdalam file image
baru (*.ers) dan penetapan tipe metode klasikasi Classification Type dalam
Mahalanobis. Tekan tombol OK sehingga jendela Supervised Classification
Process tampil dalam layar komputer. Proses klasifikasi akan selesai dan sukses
dilakukan sejalan dengan tampilan jendela AttentionWindow pada layar komputer. Tekan
tombol OK untuk konfirmasi penyelesaian proses klasifikasi.
Gambar 3.20. Supervised Classification Process Window
23. Lakukan edit warna dan nama kelas berdasarkan nilai DN Value untuk setiap kelas
klasifikasi, sepanjang pembedaan warna dapat memberikan perbedaan yang berarti.
Lakukan seperti pada langkah ke-46 sampai 48 dan tampilkan hasil
Gambar 3.21. Edit Class/Region Details Window
24. Representasikan hasil supervisi klasifikasi untuk metode mahalanobis dengan menekan
tombol Edit pada Algorithm Window dan pilihlah menu Add Raster Layar
. Aktifkan menu Class Display sehingga Class Display Layer
akan tampil pada menu Algorithm Layar. Lakukan loading untuk file image dataset
(Supervised_class_ mahalanobis.ers) dengan menekan tombol Load Dataset dan
tombol Run Algorithm (GO) .
-
8/12/2019 03-KLASIFIKASI CITRA
13/13
III-13
REFERENSI
ER Mapper 5.5, 1997. Level One Training Workbook. (Change Detection: page 333-346).Goodchild, M. F., Parks, B.O., Steyaert, L., 1993. Remote Sensing Digital Image Analysis; an
Introduction. Oxford University Press. New York. p146..Lillesand, T.M., and R.W. Kiefer. 1994. Remote Sensing and Image Interpretation. John
Wiley and Sons, New York.
Murai, S. 1994. Remote sensing Note. Japan Association on Remote Sensing (JARS).Japan.