Klasifikasi Citra dengan ER Mapper

TUTORIAL DIGITAL PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFI

PEMROSESAN CITRA DIGITAL

ACARA 4 KLASIFIKASI CITRA DENGAN ER M APPER  APPER 

Disusun oleh :  Nama

: Ilham Guntara, A.Md.

Website

: www.guntara.com

(Bebas diakses dengan menyertakan sumber)

GUNTARA INDONESIA CORPORATION DAERAH ISTIMEWA YOGYAKARTA 2015

2

I. JUDUL

Klasifikasi Citra

II. TUJUAN

1. Melatih klasifikasi citra menggunakan perangkat lunak ( software)  software) ER Mapper. 2. Memahami konsep klasifikasi citra secara digital. 3. Melatih klasifikasi citra secara digital metode supervised. 4. Melatih klasifikasi citra secara digital metode unsupervised. unsupervised.

III. ALAT DAN BAHAN

1. Alat tulis 2. Kertas HVS 3. Flashdisk Drive 4. Data Digital Citra Landsat Sebagian Yogyakarta 5. Seperangkat komputer dengan software ER Mapper 6. Pedoman Praktikum Pemrosesan Citra Digital

IV. TINJAUAN PUSTAKA

Klasifikasi citra penginderaan jauh (inderaja) bertu juan untuk menghasilkan  peta tematik, dimana tiap warna mewakili sebuah objek, misalkan hutan laut, sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni 2007). Klasifikasi dapat diartikan sebagai kegiatan pengelompokan gejala kedalam kategori-kategori, dimana setiap kategori dapat dipandang homogen atas dasar kriteria tertentu. Misalnya, suatu wilayah kota dapat dikelompokan menjadi kawasan permukiman, kawasan perkantoran, dan kawasan perdagangan. Wilayah yang sama dapat dikelompokkan menjadi wilayah yang status tanahnya merupakan milik pribadi dan milik negara. Hasil dari pengelompokan atau klasifikasi ini  berupa peta yang sajian distribusi gejalanya berbeda. Pengelompokan pertama didasari oleh kriteria fungsi penggunaan lahan, dan kriteria kedua didasari oleh

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

3

status tanah. Kedua macam hasil tidak dapat dibandingkan, mana yang lebih benar atau relatif kurang benar. Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas tertentu. Hal ini sesuai s esuai dengan asumsi yang digunakan dalam klasifikasi multispektral ialah bahwa setiap objek dapat dibedakan dari yang lainnya  berdasarkan nilai spektralnya (Projo Danoedoro,1996). Pada umumnya umumnya Klasifikasi citra digital yang digunakan adalah klasifikasi terselia (supervised). Menurut Projo Danoedoro (1996) klasifikasi supervised (terselia) ini melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training area). Sehingga  pengambilan sampel perlu dilakukan dengan mempertimbangkan pola spektral  pada setiap panjang gelombang tertentu, sehingga sehingga diperoleh diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu. Klasifikasi terselia secara s ecara otomatis diputuskan oleh computer, tanpa campur tangan operator (kalaupun ada, proses interaksi ini sangat terbatas). Proses ini sendiri adalah suatu proses iterasi, sampai menghasilkan pengelompokan akhir gugus-gugus spektral. Campur tangan operator terutama setelah gugusan-gugusan spektral terbentuk yaitu dengan menandai tiap gugus sebagai objek tertentu. Oleh karena itu teknik klasifikasi semacam ini disebut klasifikasi a-posterior (setelah fakta) sebagai lawan dari klasifikasi a-priori (mendahului fakta) (Robinove, 1981, dalam Jensen, 1986). Klasifikasi terselia diawali dengan pengambilan daerah acuan (training (training area). area). Pengambilan daerah acuan dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu, sehingga didapatkan daerah acuan yang baik untuk mewakili suatu objek tertentu.Sampel yang telah didapatkan tersebut kemudian dijadikan sebagai masukan dalam proses klasifikasi untuk seluruh citra dengan menggunakan perhitungan tertentu. Klasifikasi tidak terselia (unsupervised  (unsupervised ) meliputi sekumpulan alogaritma yang didasarkan pemasukkan contoh objek (berupa nilai spektral) oleh operator. Contoh ini disebut sampel dan lokasi geografis kelompok piksel sampel ini disebut sebagai daerah contoh (training area). Sebelum sampel diambil, operator (atau

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

4

 pengguna) harus mempersiapkan sistem klasifikasi yang akan diterapkan seperti halnya klasifikasi manual. Dua hal penting yang harus dipertimbangkan dalam klasifikasi ialah system klasifikasi dan criteria sampel. Pengambilan sampel secara digital oleh operator pada dasarnya merupkan cara melatih komputer untuk mengenali objek berdasarkan kecenderungan spektralnya. Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk  pemetaan penutup lahan (land cover ), ), dan bukan penggunaan lahan. Aspek  penggunaan lahan secara deduktif dapat diturunkan dari informasi informasi penutup lahannya, atau dengan cara lain melalui pemasukkan informasi temporal (rotasi tanaman, citra multitemporal, faktor bentuklahan, dan sebagainya). Oleh karena itu, sistem

klasifikasi yang yang disiapkan harus berisi berisi klas-klas penutup lahan

(misalnya padi, jagung, hutan campuran, semak, padang rumput, lahan terbuka, dan sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung), karena aspek fungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel. Bila kerangka klasifikasi yang tersedia ternyata hanya system klasifikasi untuk penggunaan lahan, maka system ini perlu diterjemahkan dulu menjadi klasfikasi penutup lahan. Untuk konversi semacam ini, pengetahuan pengguna atau operator mengenai karakteristik penggunaan lahan dalam kaitannya dengan  penutup lahan sangatlah penting. Disamping itu pengetahuan mengenai kondisi daerah yang diamati (local (local knowledge) knowledge) juga sangat menunjang (Bronsveld et al. 1994). Sistem klasifikasi yang secara langsung mengacu pada kategori-kategori  penggunaan lahan, atau yang mencampur-adukkan aspek penutup lahan dengan  penggunaan lahan sebaiknya tidak digunakan pada klasifikasi awal, mengingatkan  bahwa fungsi penggunaan lahan tidak secara langsung direpresentasikan oleh nilai  piksel (Projo Danoedoro, 1994). Sama dengan metode penelitian ataupun survei yang lain, sampel haruslah homogen. Homogenitas sampel. Artinya nilai simpangan baku kelompok piksel tiap sampel haruslah rendah untuk tiap saluran. Cara termudah untuk mengambil sampel yang memenuhi kriterium ini ialah dengan mengambil piksel-piksel murni ( pure pixel ). ). Pada luasan yang homogen,  pengambilan piksel murni dapat dapat secara mudah dilakukan dengan memilih piksel di  bagian tengah kenampakan objek. Melalui M elalui penampilan citra citr a komposit warna yang

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

5

 baik, homogenitas objek dicerminkan oleh warna yang seragam. se ragam. Di samping itu, criteria statistic pun diperlukan untuk menilai sampel. Sampel yang baik tentunya mempunyai homogenitas niali piksel yang tinggi yang ditunjukkan oleh kecilnya simpangan baku, bentuk histogramnya dan tentu saja juga bentuk gugusnya yang mengelompok pada feature pada feature space. space. Beberapa alogaritma klasifikasi tersedia: a. Jarak minimum terhadap rerata ( Minimum distance to mean alogarithm alogarithm))  b. Alogaritma Parallelepiped ( Box  Box Classification alogarithm) alogarithm) c. Alogaritma kemiripan maksimum ( Maximum Likelihood Likelihood Alogarithm) Alogarithm ) d. Alogaritma Tetangga Terdekat ( K-Nearest Algorithm) Algorithm) Salah satu alternatif bagi pendekatan bagi klasifikas i data penginderaan jauh dapat dilakukan dengan menggunakan klasifikasi tak terselia. Klasifikasi ini menggunakan algoritma untuk mengkaji atau mnganalisis sejumlah besar piksel yang tidak dikenal dan membaginya dalam sejumlah kelas berdasarkan  pengelompokkan nilai digital citra. Kelas yang dihasilkan dari klasifikasi tak terselia adalah kelas spektral. Oleh karena itu, pengelompokkan kelas didasarkan  pada nilai natural spektra citra, dan identitas nilai spektral tidak dapat diketahui secara dini. Hal itu disebabkan analisisnya belum menggunakan data rujukan seperti citra skala besar untuk menentukan identitas dan nilai informasi setia p kelas spektral. Data citra yang lebih dari satu saluran sulit untuk menggambarkan nilai citra untuk identifikasi secara visual dan untuk pengelompokkan spektral secara natural. Oleh karena itu, tersedia teknik statistik yang dapat digunakan untuk  pengelompokkan secara otomatik rangkaian n dimensional hasil pengamatan ke kelas spektral natural.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

6

V. METODE

A. Klasifikasi Tak Terselia (Unsupervised  (Unsupervised ) 1. Menyiapkan alat dan bahan praktikum. 2. Menekan tombol “On” pada CPU dan monitor. 3. Menunggu hingga tampil layar desktop. 4. Menunggu hingga pointer berwujud panah mucnul (artinya sistem sudah siap untuk menerima perintah). 5. Memilih dan double click  pada  pada program bernama “ER Mapper” yang ada di layar desktop atau bisa mencarinya di Start Menu. 6. Memilih menu toolbar File lalu Open pada ER Mapper.

7. Memilih file yang dibuka yaitu ‘citraolahh.ers’ lalu memilih OK.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

7

8. Memilih menu Process > klik Classification > klik Isoclass Unsupervised

Classification,

kemudian

muncul

kotak

dialog

Unsupervised Classification pada ER Mapper.

9. Membuka data melalui Input Dataset kemudian klik volumes E:/→ pilih PCD

 pilih regu 1

→

  klik

→

 pilih citraolahh.ers → klik Ok maka

→

Input Dataset terisi.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

8

10. Memilih ‘Bands to use’ use’ kemudian memilih Band 1,5,dan 7 dengan cara ‘ctrl+klik pada band’  band’  pada kotak dialog Band Selection lalu memilih Ok.

11. Memilih ‘Output Dataset’  Dataset’  kemudian pada Save S ave as ketik nama citra dengan nama ‘unsupervised’ unsupervised’ lalu klik Ok maka Output Dataset terisi.

12. Memilih Memilih ‘Autogenerate ‘Autogenerate’’  menjadi 20 classes kemudian mengisi ‘Maximum iterations’ iterations’  dengan angka 100 dan mengisi ‘Maximum number of classes’ classes’ dengan angka 20 lalu memilih OK.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

9

13. Menunggu sampai proses klasifikasi berhasil dan selesai.

14. Memilih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

15. Memilih ‘Class Display’ dengan cara mengklik mengklik kanan pada ‘pseudo layer’.

16. Memilih load data set lalu memilih Unsupervised.ers pada jendela raster data set dan mengklik OK.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

10

17. Memilih Edit pada menu bar lalu memilih dan mengklik Edit Class/Region Color and Name, maka munculah jendela Edit Class/Region.

18. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikan secara unsupervised   lalu memberi warna pada masing-masing masing-masing objek supaya mudah dikenali.

19. Mengganti nama objek 1 menjadi Tubuh air dengan cara mengetik tubuh air pada nomor 1 kemudian menggati warnanya dengan cara mengklik set color kemudian akan muncul pilihan warna maka memilih warna biru. 20. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra. 21. Mengganti nama objek 2-4 menjadi Vegetasi dengan cara mengetik tubuh air pada nomor 2-4 kemudian menggati warnanya dengan cara

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

11

mengklik set color kemudian akan muncul pilihan warna maka memilih warna hijau (gradasi dari hijau tua ke hijau muda). 22. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra. 23. Mengganti nama objek 5-7 menjadi Tanah dengan cara mengetik tubuh air pada nomor 5-7 kemudian menggati warnanya dengan cara mengklik set color kemudian akan muncul pilihan warna maka memilih warna kuning (gradasi dari kuning tua ke kuning muda). 24. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra. 25. Mengganti nama objek 8-10 menjadi Gumuk Pasir dengan cara mengetik tubuh air pada nomor 8-10 kemudian menggati warnanya dengan cara mengklik set color kemudian akan muncul pilihan warna maka memilih warna merah (gradasi (gradasi dari merah tua ke merah muda). muda). 26. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra. 27. Mengganti nama objek 11-20 menjadi Awan dengan cara mengetik tubuh air pada nomor 11-20 kemudian menggati warnanya dengan cara mengklik set color kemudian akan muncul pilihan warna maka memilih warna putih (gradasi dari abu-abu ke putih). 28. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra. 29. Menampilkan citra hasil klasifikasi unsupervised   beserta tabel identifikasi warna objeknya kemudian menutup semua jendela pada ER Mapper kecuali menu utama.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

12

B. Klasifikasi Terselia (Supervised  (Supervised ) 1. Memilih menu utama Edit

→

klik Edit/Create Regions kemudian

muncul kotak dialog ‘ New  New Map Composition’ Composition’ pilih ‘Raster Region’ Region’.

2. Memilih ‘Load From File’ File ’  pilih regu 1

 klik volumes

→

 klik E:/ → pilih PCD

→

→

 pilih citraolahh.ers → klik Ok kemudian Ok maka akan

→

muncul icon-ikon Tools

3. Memilih ikon tool polygon

pada kotak dialog Tools kemudian

mendeliniasi (mengambil sampel) objek tubuh air dengan tool tersebut  pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

13

4. Memilih ikon Display/Edit Object Attributes

pada kotak dialog

Tools kemudian mengetik nama objek yang sudah dideliniasi yaitu objek tubuh air klik Apply kemudian klik close.

5. Memilih ikon tool ‘ polygon’  polygon’  pada kotak dialog Tools kemudian mendeliniasi (mengambil sampel) objek tanah terbuka dengan tool tersebut pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi. 6. Memilih ikon ‘Display/Edit Object Attributes’ Attributes’ pada kotak kotak dialog Tools kemudian mengetik nama objek yang sudah dideliniasi yaitu objek tanah terbuka klik Apply kemudian klik close.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

14

7. Memilih ikon tool ‘ polygon’  polygon’  pada kotak dialog Tools kemudian mendeliniasi (mengambil sampel) objek vegetasi dengan tool tersebut  pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi. 8. Memilih ikon ‘Display/Edit Object Attributes’ Attributes’ pada kotak kotak dialog Tools kemudian mengetik nama objek yang sudah dideliniasi yaitu objek vegetasi klik Apply kemudian klik close.

9. Memilih ikon ‘save’ ‘save’  pada jendela tools, maka delineasi poligon otomatis tersimpan.

10. Memilih menu utama Process lalu memilih ‘Classification’ Classification’  klik ‘Supervised Classification’ Classification’.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

15

11. Memilih ‘Input Dataset’ Dataset’ kemudian klik volumes → klik E:/→ pilih PCD  pilih regu 1

→

 pilih citraolah.ers → memilih OK.

→

12. Memilih ‘Bands to use’ use’ kemudian memilih Band 1,5,dan 7 dengan cara ‘ctrl+klik pada band’ pada band’  pada kotak dialog Band Selection lalu memilih memil ih OK.

13. Memilih ‘Output Dataset’  Dataset’  kemudian pada Save as ketik nama citra dengan nama ‘supervised’ supervised’ lalu klik Ok maka Output Dataset terisi.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

16

14. Memilih ‘classification type’ yaitu ‘Maximum Likelihood Enhanced’. Enhanced ’.

15. Memilih OK pada jendela ‘supervised classification’ classification’ lalu  lalu  menunggu hingga proses klasifikasi selesai.

16. Memilih Memilih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

17

17. Memilih ‘Class Display’ dengan cara mengklik kanan pada ‘pseudo layer’.

18. Memilih load data set lalu memilih ‘supervise ‘supervised.ers d.ers’’ pada jendela raster data set dan mengklik OK.

19. Memilih Edit pada menu bar lalu memilih dan mengklik Edit Class/Region Color and Name, maka munculah jendela Edit Class/Region.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

18

20. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikan secara  supervised   lalu memberi warna pada masing-masing objek supaya mudah dikenali.

21. Mengganti warna objek 1 yaitu tanah terbuka menjadi warna jingga atau sesuai keinginan. 22. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra. 23. Mengganti warna objek 2 yaitu vegetasi menjadi warna jingga atau sesuai keinginan. 24. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra. 25. Mengganti warna objek 2 yaitu tubuh air menjadi warna jingga atau sesuai keinginan.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

19

26. Memilih

save>Yes,

lalu

Mengklik

ikon

‘Refresh’ Refresh’

untuk

menyempurnakan tampilan citra.

27. Menampilkan citra hasil klasifikasi supervised  klasifikasi supervised  beserta  beserta tabel identifikasi warna objeknya. 28. Menutup semua jendela ER Mapper dan aplikasi lainnya pada komputer kemudian mematikan komputer secara baik dan benar.

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

20

VI. HASIL PRAKTIKUM

1. Tampilan Citra Hasil Klasifikasi Unsupervised  beserta Tabel Identifikasi Warna Objeknya

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

21

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com

22

2. Tampilan Citra Hasil Klasifikasi  Klasifikasi  Supervised   beserta Tabel Identifikasi Warna Objeknya

Tutorial PJSIG –  PJSIG –  Ilham  Ilham Guntara, A.Md. –  A.Md.  – www.guntara.com www.guntara.com