ACARA VIII

INTERPRETASI PENUTUP DAN PENGGUNAAN LAHAN DENGAN

KLASIFIKASI CITRA SATELIT

A. TUJUAN

1. Mahasiswa mampu melakukan proses klasifikasi citra satelit secara digital

2. Mahasiswa mampu melakukan proses interpretasi citra digital

B. ALAT DAN BAHAN

1. Software ENVI 4.5

2. Citra digital Landsat 8 daerah Malang

C. DASAR TEORI

Pengenalan pola spectral merupakan satu bentuk pengenalan pola spectral secara

otomatik. Pengenalan pola spectral secara otomatik telah diterapkan untuk berbagai

terapan pada berbagai bidang yang berbeda, seperti pengawasan kualitas hasil,

pengenalan objek skala detil, dan identifikasi arus hangat. Beberapa pendekatan

klasifikasi digambarkan dengan suatu sub bab rangkaian diantara beberapa rangkaian data

satelit (misalnya Landsat 7 ETM+: 8 saluran). Klasifikasi digunakan untuk

mengelompokan kenampakan-kenampakan tertentu yang memiliki kekesamaan nilai

spectral atau feature lain, misalnya: berdasarkan asosiasi, ukuran dan lain-lain. Klasifikasi

diperlukan untuk memudahkan dalam analisis lanjutan, misalnya: pengambilan sampel,

penghitungan luasan tiap kelas, dan lain-lain. Secara umum klasifikasi citra dibagi

menjadi dua yaitu klasifikasi tak terselia (unsupervised classification) dan klasifikasi

terselia (supervised classification).

a. Supervised Classification (Klasifikasi Terselia)

Klasifikasi terselia diawali dengan pengambilan daerah acuan (training area).

Pengambilan daerah acuan dilakukan dengan mempertimbangkan pola spectral pada

setiap panjang tertentu, sehingga didapatkan daerah acuan yang baik untuk mewakili

suatu objek tertentu. Samel yang telah didapatkan tersebut kemudian dijadikan sebagai

masukan dalam proses klasifikasi untuk seluruh citra dengan menggunakan perhitungan

tertentu. Beberapa jenis klasifikasi terselia diantaranya adalah : maximum likelihood,

parallelepiped, minimum distance dan binary encoding. Berikut akan dijabarkan

klasifikasi dengan maximum likelihood dan parallelepiped yang sering digunakan dalam

klasifikasi citra.

1. Maksimum likelihood

Pengkelasan berdasarkan kemiripan maksimum (maximum likelihood)

mengevaluasi secara kuantitatif varian maupun korelasi pola tanggapan spectral kategori

ketika mengklasifikasikan piksel yang tidak dikenal. Untuk melakukan hal ini, dibuat

suatu asumsi bahwa agihan mega titiknya membentuk data latihan kategori bersifat

normal (agihan normal). Asumsi normalitasnya wajar bagi agihan spectral yang lazim.

Dengan asumsi ini, agihan suatu pola tanggapan kategori dapat diuraikan secara lengkap

dengan vector rerata dan kovarian matrik (yang memberikan varian dan koreksi). Dengan

diketahuinya parameter ini, dapat digunakan untuk menghitung probabilitas statistik suatu

nilai piksel tertentu sebagai suatu warga kelas kategori tutupan lahan tertentu.

Secara intutif maka semakin banyak jumlah saluran yang dapat digunakan pada

pengkelas kemungkinan maksimum akan membuahkan hasil klasifikasi yang lebih baik.

Walaupun penggunaan sejumlah besar saluran sering menaikan ketelitian klasifikasi,

peningkatan tersebut tidak selalu diimbangi dengan waktu pemrosesan computer yang

lebih lama untuk penghitungan. Lebih lanjut pada pengenalan pola spectral maka kata

lebih tidak selalu berarti lebih banyak karena saluran spectral mempunyai tingkat

kepentingan yang bervariasi. Kandungan informasi pada suatu saluran penting dapat

diperlemah dengan data yang tidak berarti pada saluran yang lain. Masalah ini akan

parah terutama bila digunakan banyak saluran spectral yang banyak batas korelasinya.

Pada kenyataanya, telah terbukti pada beberapa kasus bahwa ketelitian pengkelas

kemungkinan maksimum mulai menurun apabila digunakan lebih dari empat atau lima

saluran spectral, disamping meningkatnya informasi dapat diperoleh dengan

bertambahnya jumlah saluran. Ketika melakukan analisis citra yang terdiri atas beberapa

saluran, maka dari itu akan sangat bermanfaat apabila memperhatikan suatu sub bagian

data pada saluran yang paling berarti. Penentuan tentang saluran mana yang harus

digunakna didasarkan pada proses yang disebut pilihan kenampakan (feture selection).

Pada proses ini sejumlah sub bagian saluran dievaluasi untuk menentukan sub bagian

mana yang paling berguna untuk memisahkan kategori yang dipilih, dan dianalisis

klasifikasinya dibatasi pada rangkaian saluran tersebut.

2. Parallelepiped

Cara ini dapat memberikan suatu kepekaan terhadap varian kategori dengan

memperhitungkan julat nilai rangkaian latihan kategori. Julat ini dapat ditentukan dengan

nilai digital tertinggi dan terendah pada setiap saluran yang tampak sebagai suatu daerah

empat segi panjang pada diagram pancar dua saluran. Suatu piksel tak dikenal dikelaskan

menurut julat kategori atau wilayah ketetapan (decisionregion) dimana piksel tersebut

berada, atau sebagai piksel tak dikenal bila terletak diluar seluruh julat. Bentuk dialog

multidimensional bidang segi empat ini disebut parallelepipeds dan strategi/siasat

klasifikasinya dinamakan menurut istilah tersebut. Pengkelas parallelepipeds juga sangat

cepat dan efesien serta diterapkan pada beberapa sistem analisis citra.

b. Unsupervised Classification (Klasifikasi Tak Terselia)

Prosedur pengenalan pola spectral pada bagian ini adalah klasifikasi terselia

(supervised classification). Artinya analisis citra menyelia. Proses pemilihan kategori

informasi atau kelas yang diinginkan dan kemudian memilih daerah latihan yang

mewakili tiap kategori. Statistik yang diperoleh dari data latihan untuk tiap kategori

kemudian digunakan sebagai dasar untuk klasifikasi. Apabila kelas yang dipilih oleh

analis dapat dipisahkan spectral dan bila daerah latihan yang dipilih benar-benar

mewakili seluruh rangkaian data, proses klasifikasi yang dilakukan biasanya akan

berhasil baik. Kunci keberhasilan ini adalah perincian kategori tutupan lahan yang dapat

dipisahkan secara spectral.

Suatu alternative bagi pendekatan terselia adalah klasifikasi tak terselia

(unsupervised classification) yang tidak menggunakan data latihan yang ditetapkan oleh

analis. Klasifikasi tak terselia lebih banyak menggunakan algoritma yang mengkaji

sejumlah besar piksel tidak dikenal dan membaginya kedalam sejumlah kelas berdasarkan

pengelompokan biasa nilai citra yang ada. Anggapan dasarnya adalah bahwa nilai di

dalam suatu jenis tutupan tertentu seharusnya saling berdekatan pada ruang pengukuran,

sedang data pada kelas yang berbeda dipidahkan dengan baik secara komparatif.

Kelas yang dihasilkan dari klasifikasi tak terselia adalah kelas spectral. Oleh

karena kelas tersebut didasarkan pada pengelompokan natural nilai spectral citra,

identitas kelas spectral tidak akan diketahui secara dini. Analis harus membandingkan

data hasil klasifikasi terhadap beberapa bentuk data rujukan (seperti citra berskala dasar)

untuk menentukan identitas dan nilai informasi kelas spectral tersebut. Jadi pada

pendekatan terselia kita menentukan kategori informasi yang berguna dan menguji

tingkat daya pisah spektralnya, sedang pada pendekatan tak terselia ditentukan kelas yang

dapat dipisahkan secara spectral dan kemudian baru menentukan manfaat informasinya.

LANGKAH-LANGKAH KLASIFIKASI TERSELIA (Supervised Classification)

1. Panggilah salah satu citra hasil komposit

2. Pilih menu image pilih Tools Region Of Interest ROI Tool, sehingga

muncul kotak dialog ROI Tools sebagaimana gambar berikut.

3. Pada kotak dialog tersebut pilih salah satu button (Image, Scroll, Zoom, dan off).

Pemilihan button tersebut menunjukkan bahwa data jendela kerja yang kita pilih

pada menu ENVI 4.5

4. Proses selanjutnya Double klick pada ROI Name pada keterangan region #1

dengan nama objek yang akan saudara jadikan sampel misalnya Awan dengan

Color ada keterangan red maksudnya objek yang diklasifikasikan sebagai

awan akan diberi warna merah.

5. Untuk membuat nama baru silahkan Klick pada menu New region dank lick 2x

untuk memberi nama. Lakukan langkah tersebut secara berulang-ulang untuk

memberikan nama sampel objek baru.

6. Setelah keterangan diganti dengan awan, saudara pilih menu Image pada

tampilan ENVI, kemudian plot objek yang saudara identifikasi sebagai awan

dengan cara Digitasi membentuk polygon/area dan diakhiri dengan klick kanan 2

kali, sehingga objek sampel awan akan berwarna merah.

Gambar .. Menunjukkan sebaran sampel objek awan dan Vegetasi

7. Untuk melakukan deliniasi sampel yang lainnya silahkan pilih objek di ROI

Tools, kemudian dicari lokasi sampel objek yang dimaksu. Untuk menggeser

silahkan pilih button Off, supaya menu delinisi tidak aktif, dan pindah kebali

button ke image ketika akan digitasi sampel. Lakukan secara beruang-ulang

untuk melanjutkan ke sampel berikutnya langkah pada point 6 dan 7.

8. Setelah semua sampel selesai terwakili proses berikutnya yaitu eksekusi

klasifikasi Supervised dengan cara Select Sampel File Save ROI Select

All Items. Selanjutnya pilih Choose berikan nama dan simpan datanya sesuai

dengan folder masing-masing dan Klick Oke.

9. Selanjutnya tampilkan menu utama ENVI 4.5, kemudian pilih menu

Classification Supervised Minimum Distance, sehingga muncul kotak

dialog Clasification Input File.

10. Pada kotak dialog Clasification Input File select file citra kemudian Klick

Oke, dan berikutnya muncul kotak dialog Minimum Distance Parameters.

11. Pada kotak dialog minimum distance parameters, klick Select All items

kemudian pada Output Result to yang atas pilih button File dank lick Choose

tuliskan nama file. Selanjutnya pada yang di bawah pilih output result to pilih

Memory dan selanjutnya Klick Oke.

12. Setelah selesai Kick Oke, sehingga muncul kota dialog ENVI Output to

Memory Warning pilih Choose dan tuliskan nama File Akhiri dengan tekan

Oke. Tunggu sampai proses klasifikasi selesai, lama tidaknya tergantung pada

cakupan area yang di kerjakan. Semakin luas dan kompleks maka akan semakin

lama.

13. Gambar proses klasifikasi sedang bekerja