Laporan PJ Acara 6, Print [PDF]

Citation preview

LAPORAN PRAKTIKUM PENGINDERAAN JAUH



ACARA VI KLASIFIKASI MULTISPEKTRAL LANDSAT 8 OLI



Dosen Pengampu: Purwanto, S.Pd, M.Si



Disusun Oleh: Nama



: Selvi Nanda Oktavia



NIM



: 150721606736



Offering



:B



Angkatan



: 2015



Mata Kuliah



: Penginderaan Jauh



Tanggal Praktikum



: 2 November 2017



Asisten Praktikum



: Hetty Rahmawati Sucahyo M. Irvan Aditya



UNIVERSITAS NEGERI MALANG FAKULTAS ILMUSOSIAL JURUSAN GEOGRAFI PROGRAM STUDI PENDIDIKAN GEOGRAFI 2017



1



ACARA VI KLASIFIKASI MULTISPEKTRAL LANDSAT 8 OLI



I.



TUJUAN 1.1 Mampu melakukan klasifikasi unsupervised dan supervised data 1.2 Mampu memahami dan membandingkan antara klasifikasi unsupervised dan supervised data



II.



ALAT DAN BAHAN a. ALAT -



Notebook



b. BAHAN



III.



-



Software ENVI 4.5



-



Citra Landsat 8 OLI (L8DOS/Sub Dark)



-



Ms. Word 2007



DASAR TEORI 3.1 Citra Landsat 8 OLI Landsat 8 adalah generasi terbaru menggantikan Landsat 7 yang memiliki sensor Onboard Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11 dimana kanal 1-9 berada pada OLI dan kanal 10 dan 11 pada TIRS. Data citra satelit Landsat 8 memiliki resolusi spasial 30 m untuk kanal 1, 2, 3, 4, 5, 6,7, dan kanal 9 sedangkan kanal panchromatic memiliki resolusi spasial 15 m. Selain beresolusi spasial 30 m dan 15 m, pada kanal 10 dan 11 yang merupakan kanal TIR-1 dan TIR-2 memiliki resolusi spasial 100 m. Kelebihan data Landsat 8 adalah adanya kanal Near Infra Red (NIR-Kanal 5). 3.2 Klasifikasi Multispektral klasifikasi



multispektral



merupakan



metode



yang



dirancang



untuk



memperoleh informasi tematik dengan cara mengelompokkan fenomena berdasarkan kriteria tertentu, Asumsi awal yang harus diperhatikan sebelum melakukan klasifikasi multispektral adalah bahwa tiap obyek dapat dikenali dan dibedakan berdasarkan nilai spektralnya. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup lahan (vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan 2



rendah, lahan terbangun dan lainnya). piksel ke dalam klas-klas penutup lahan yang tersedia. Algoritma itu adalah jarak minimum terhadap rerata (minimum distance to mean). Caranya adalah sebagai berikut (a) menentukan nilai rerata setiap klas penutup obyek, berdasarkan observasi atas sampel atau histogram seluruh citra, (b) mem-plot posisi (vektor) setiap piksel pada sistem koordinat kartesian (x,y,z, sebagai ruang spektral), dimana saluran 1 terletak pada sumbu x, saluran 2 pada sumbu y, dan saluran 3 pada sumbu z, (c) menentukan jarak maksimum (ambang) dari suatu nilai piksel untuk dapat dimasukan kedalam klas tertentu, (d) menghitung jarak setiap piksel ke setiap nilai rerata sebagai wakil tiap klas penutup lahan pada ruang spektral, dimana penutup lahan yang diwakili oleh nilai rerata dengan jarak terdekat ke piksel yang dihitung akan menjadi label penutup lahan untuk piksel tersebut. Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang diambil guna menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra terdapat dua cara umum yang sering digunakan yaitu supervised dan unsupervised. 3.3 Metode Supervised (Terbimbing) Metode supervised (Terbimbing), pada metode ini, analis terlebih dahulu menentukan beberapara training area (daerah contoh) pada citra sebagai kelas kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam cita mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode ini, nails mengidentifikasi kelas infomasi terlebih dahulu yang kemudian digunakan untuk menenyukan kelas spektral yang mewakili kelas informasi tersebut. Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini antara lain:



3



1. Parallelepiped Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan



data



multispektral.



Batas-batas



keputusan



merupakan



parallelepiped dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih. 2. Minimum Distance Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor ratarata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih. 3. Mahalanobis Distance Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas. 4. Maximum Likehood Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi.



3.4 Metode Unsupervised (Tidak Terbimbing) 1. IsoData Isodata adalah mengklasifikasikan kelas secara merata, setiap pixel diklasifikasikan ke kelas terdekat. Setiap interaksi akan dikalkulasi ulang dan mereklasifikasi pixel ke bentuk baru. Memisah kelas, menggabungkan dan menghapus



dilakukan



berdasarkan



parameter



input.



Semua



pixel



diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarak yang telah ditentukan, dalam hal ini beberapa pixel mungkin tidak 4



diklasifikasikan jika tidak memenuhi kriteria yang ditentukan. Proses ini berlanjut sampai jumlah pixel dalam setiap perubahan kelas kurang dari ambang perubahan pixel yang dipilih atau jumlah maksimum interasi tercapai. 2. K-Means K-means hampir sama dengan metode IsoData, bedanya dengan menggunakan metode ini analis mengharuskan untuk memilih jumlah kelas yang berlokasi di data, kemudian sistem akan mengelompokkan data ke dalam kelas kelompok yang telah ditentukan. Pada setiap kelas akan terdapat titik tengah (centroid) yang mempresentasikan kelas tersebut.



IV.



LANGKAH KERJA



Langkah kerja multispektral dibedakan menjadi 2 yaitu Unsupervised dan Supervised, berikut adalah langkah Unsupervised:



4.1 Unsupervised 1. Seperti biasa buka file > Open Image file > buka “L8DOS” > open > muncul Available Band List >> RGB 4,3,2 > Load Band > Basic Tools > Resize Data > Pilih L8DOS > Spatial Subset > Image > muncul kotak merah kemudian ditarik dicekungan kanan utaranya wilayah Semarang > Ok > Choose > beri nama “ Resize” > Ok



5



6



7



2. Kemudian pilih Classification > Unsupervised > Isodata > pilih Resize > Ok > Muncul Tabel Isodata Parameters> Number Of Class, min 20 max 30. Maximum literations 3. Minimum Pixel In Class 20 > Choose “Isodata” > Ok > Klik Isodata > Load Band > Klik RGB 4,3,2 > New Display > Load Band > Tools > Link > link display > Ok > Overlay > Density Slice > Isodata > Ok > Options > set number of default ranges diisi 11 > Ok > options > apply default ranges > apply > overlay > annontation > object > mapkey > edit mapkey > sesuaikan dengan intepretasi peta contoh red mewakili perairan dalam > edit hingga 10 kelas > beri legenda > beri judul > Object > text > beri nama “Unsupervised isodata sebagian wilayah semarang” > Ok



8



9



10



11



12



3. Untuk K-Means langkahnya hampir sama dengan Isodata > buka Resize RGB 4,3,2 >



Classification > Unsupervised > K-Means > Resize > Ok > muncul K-Means Parameters > Number Of Class 10 > Maximum literations 3 > Choose beri nama “ KMeans” > Ok > Klik K-Means > Load Band > Klik RGB 4,3,2 > New Display > Load Band > Tools > Link > link display > Ok > Overlay > Density Slice > K-Means > Ok > Options > set number of default ranges diisi 11 > Ok > options > apply default ranges > apply > overlay > annontation > object > mapkey > edit mapkey > sesuaikan dengan intepretasi peta contoh red mewakili perairan dalam > edit hingga 10 kelas > beri legenda > beri judul > Object > text > beri nama “Unsupervised KMeans sebagian wilayah semarang” > Ok



13



14



15



16



17



4.2



Supervised



1. Buka Open Image File > Resize > Open > RGB 4,3,2 > Load band > basic tools > region of interest > roi tool > ganti region 1 buat setting area contohnya perairan dalam > klik image > klik kiri window image ditarik > klik kanan > tiap sampling area adalah min 1000 (10000) pixel lebih banyak lebih baik > gunakan pada penggunaan lahan yang lain dengan new region > file > save roi’s > select all items > choose beri nama roi > ok 2. classification > supervised > Parallelepiped > pilih resize > ok > select all item > choose atas beri nama klasifikasi Parallelepiped > choose bawah beri nama Parallelepiped > ok > Load band klasifikasi Parallelepiped 3. overlay > anontation > object > text > beri judul klasifikasi multispektral metode parallelepiped > object > beri mapkey - edit - pada nama hapus pointnya 4. save image as > output > tiff > beri nama klasifikasi parallelepiped > ok 5. untuk yang Minimum Distance, Mahalanobis distance, Maximum Likelihood langkahnya sama dengan parallelepiped dengan cara buka resize data > buka Roi > citra basic tool > roi > roi tool > file > restore roi > Classification > Pilih supervised > minimum distance > resize > ok > select all item > choose atas beri nama klasifikasi minimum distance > choose bawah beri nama minimum distance > ok > Load band klasifikasi minimum distance > dan di overlay, kemudian seterusnya untuk Mahalanobis distance dan Maximum Likelihood langkahnya sama.



18



19



20



21



22



23



24



25



26



27



28



29



30



31



32



V. HASIL PRAKTIKUM 5.1 Unsupervised - ISODATA



- K-MEANS



5.2 Supervised - Parallelepiped



- Minimum Distance



33



-



Mahalanobis Distance



- Maximum Likelihood



34



VI.



PEMBAHASAN 4.1 Unsupervised Pada praktikum acara ini dapat diketahui bahwa hasil dari klasifikasi citra unsupervised menggunakan metode isodata dan k-means, dari kedua klasifikasi tersebut walaupun langkah pembuatan datanya sama namun terdapat perbedaan dari segi hasil tampilannya. Klasifikasi isodata ini menggunakan kelas minimal sebanyak 20 dan maksimal 30, namun data yang disediakan sebanyak 10 yaitu terdiri dari (perairan dalam, perairan dangkal, vegetasi rapat, vegetasi renggang, semak/rumput, sawah, tambak, hutan mangrove, lahan kosong, pemukiman. Dalam klasifikasi isodata pembagian kelas berdasarkan pengembangan dari metode k-means, sebagai contohnya pada klasifikasi isodata identifikasi penggunaan lahan lebih rinci dibaandingkan dengan k-means yang telihat dari warna, maka isodata sangat efektif untuk digunakan dalam identifikasi kelas spektral. 4.2 Supervised Pada klasifikasi citra supervised menggunakan metode parallelepiped, minimum distance, mahanalobis distance, maximum likelihood, dari klasifikasi metode tersebut terdapat menghasilkan tampilan yang berbeda karena adanya digitasi setiap penggunaan lahan, untuk yang parallelepiped keputusan sederhana mengklasifikasikan



data



multispektral.



Batas-batas



keputusan



merupakan



parallelepiped dimensi dalam ruang data gambar, klasifikasi berdasar data yang di digitasi,



kemudian



yang



minimum



distance



beberapa



piksel



memiliki



kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih, apabila mahalanobis distance beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas dan maximum likelihood jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi.



35



VII.



KESIMPULAN Kesimpulan yang dapat di ambil dari penjelasan diatas yaitu: (1) klasifikasi multispektral merupakan metode yang dirancang untuk memperoleh informasi tematik yang dibedakan menjadi unsupervised dan supervised; (2) unsupervised terdiri dari isodata dan k-means, supervised terdiri dari parallelepiped, minimum distance, mahalanobis distance dan maximum likelihood; (3) klasifikasi citra unsupervised menggunakan metode isodata dan k-means, dari kedua klasifikasi tersebut walaupun langkah pembuatan datanya sama namun terdapat perbedaan dari segi hasil tampilannya; (4) klasifikasi citra supervised menggunakan metode parallelepiped, minimum distance, mahanalobis distance, maximum likelihood, dari klasifikasi metode tersebut terdapat menghasilkan tampilan yang berbeda karena adanya digitasi setiap penggunaan lahan.



VIII.



DAFTAR PUSTAKA -



Ichsan,Muhammad. 2016. Geologi Citra Penginderaan Jauh. Universitas Islam Riau



-



Anonim. diploma-2014-289643-chapter1 (Online) di akses tanggal 08 November 2017



-



Rahmawati, Sri P. 2014. Klasifikasi Citra Multispektral Supervised dan Unsupervised. Universitas Negeri Malang



-



Setiawan, Evan. 2015. Klasifikasi Multispektral. Universitas Kristen Duta Wacana Yogyakarta.



-



Septiana, Egi. Mengenal Klasifikasi Terbimbing dan Tidak Terbimbing di ENVI (Online) (http://www.info-geospasial.com/2017/02/mengenal-metodeklasifikasi-tidak-terbimbing-dan-metode-terbimbing-di-envi.html) tanggal 08 November 2017



36



diakses



IX.



LAMPIRAN



37