DAFTAR ISI DAFTAR ISI DAFTAR
DAFTAR ISI ISI ... ... 11 DAFTAR
DAFTAR TABEL TABEL ... ... 22 PENDAHULUAN PENDAHULUAN Latar Belakang Latar Belakang ... ... 33 Tujuan Tujuan ... 3... 3 METODOLOGI METODOLOGI
Waktu dan Tempa
Waktu dan Tempat t ... ... 44 Alat dan Baha
Alat dan Bahan n ... ... 44 Metode
Metode Praktikum Praktikum ... ... 4-114-11 HASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Hasil Hasil ... ... 12-1312-13 Pembahasan Pembahasan ... 13-16... 13-16 PENUTUPAN PENUTUPAN Simpulan ... Simpulan ... ... 1717 Saran Saran ... 17... 17 DAFTAR
DAFTAR PUSTAKA PUSTAKA ... ... 1818 LAMPIRAN
DAFTAR TABEL DAFTAR TABEL Perbandingan gambar stacking dan
Perbandingan gambar stacking dan supervised……….1supervised……….1 22 Attribute sign
Attribute signatureature ……….……….……….1……….……….……….1 22 Separability Separability ………..……….……….1………..……….……….1 22 Hitung akurasi Hitung akurasi ………...……….……….1………...……….……….1 33 Training Area Training Area……….………. 19-2019-20
PENDAHULUAN Latar Belakang
Dalam penginderaan jauh dikenal adanya klasifikasi citra. Klasifikasi secara kuantitatif dalam konteks multispektral dapat diartikan sebagai suatu proses mengelompokkan piksel ke dalam kelas-kelas yang ditetapkan berdasarkan peubah-peubah yang digunakan atau biasa disebut segmentasi (segmentation) (Jaya 2010). Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. 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 rendah, lahan terbangun dan lainnya).
Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke dalam sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Contoh objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah, kota, jalan, dan lain-lain. Sedangkan pada citra satelit meteorologi, proses klasifikasi dapat menghasilkan peta awan yang memperlihatkan distribusi awan di atas suatu wilayah
Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification). Pada umumnya Klasifikasi citra digital yang digunakan adalah klasifikasi terbimbing (supervised). Klasifikasi terbimbing 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 diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu. Dalam praktikum kali ini metode yang akan digunakan yaitu metode klasifikasi terbimbing ( supervised classification).
Tujuan
Adapun tujuan dari praktikum ini adalah untuk melatih mahasiswa agar memahami tahap-tahap yang benar dalam melakukan klasifikasi secara kualitatif terbimbing, melakukan evaluasi separabilitas, dan menghitung akurasi dari klasifikasi.
METODOLOGI Waktu dan tempat
Praktikum geomatikan dan Inderaja Kehutanan dengan judul Klasifikasi Tidak Terbimbing (Unsupervised) dilaksanakan pada hari Rabu, 7 Maret 2018 pukul 13.00-16.00 WIB yang bertempat di laboratorium remote sensing dan GIS departemen manajemen hutan fakultas kehutanan Institut Pertanian Bogor.
Alat dan bahan
Alat dan bahan yang digunakan dalam praktikum ini yaitu PC,software ERDAS IMAGINE 9.1, Microsoft Excel, data citra satelit landsat 8, dan alat tulis.
Prosedur Kerja 1. Membuka aplikasi ERDAS IMAGINE 9.1
2. Membuka file lc81200652015165_12345679.img > OK. Jika belum muncul citranya pilih Fit Image To Window.
4. Memilih AOI >tools > polygon. Buat polygon pada masing-masing objek. Misalnya objek awan.
6. Lakukan grouping ( jika lebih dari 1 training area).
7. Pilih Classifier > Signature editor > . Count dalam signature editor pada setiap kelas antara 300-500.
8. Ubah nama pada signature name lalu beri nama sesuai training area yang dibuat misalnya awan
9. Klik menu File > Save >AOI Layer As pada viewer yang dibuka. Kemudian akan muncul kotak dialog seperti di bawah. Pilih Open file > ketik nama > OK.
10. Hapus training area dengan klik ikon cut. Kemudian ulangi langkah 5 sampai langkah 9 dengan vegetasi rapat, vegetasi jarang, sawah, lahan kosong, lahan terbangun, bayangan awan, dan badan air.
11. Setelah semua terbuat beri warna pada setiap kelas. Kemudian klik file > save as untuk menyimpan file signature.
12. Pilih Classifier>Supervised Clasification> input raster file( masukkan file kombinasi 8 band) > input signature file ( masukkan file signature yang telah disimpan)>Classified file ( masukkan file name yang akan dibuat)> OK. Tunggu hingga proses berhenti.
13. Pilih Raster > Attributes>Coloumn properties> OK
14. Pada signature editor pilih Evaluate > Separability > Tranformed Divergence > CellArray>Best Average > OK dan Close. Copy ke Ms. Excel.
15. Pada signature editor pilih Evaluate > contingency > Parametric Rule ( Maximum Likelihood> OK. Tunggu hingga proses selesai. Copy ke dalam Ms. Excel.
HASIL DAN PEMBAHASAN Hasil
Tabel 1 Perbandingan gambar stacking dan supervised
Stacking Supervised
Tabel 2 Attribute signature
Tabel 3 Separability Kelas 1 2 3 4 5 6 7 8 Awan 0 2000 2000 2000 200 0 2000 2000 2000 Badan air 2000 0 2000 2000 200 0 2000 2000 2000 Lahan kosong 2000 2000 0 2000 200 0 2000 2000 2000 Bayangan awan 2000 2000 2000 0 200 0 2000 2000 2000 Sawah 2000 2000 2000 2000 0 2000 2000 2000 Lahan 2000 2000 2000 2000 200 0 2000 2000
Tabel 4 Hitung akurasi
Pembahasan
Klasifikasi terbimbing adalah klasifikasi yang analisisnya mempunyai sejumlah pixel yang mewakili masing - masing kelas atau kategori yang diinginkan (Jaya 2007). Menurut Marini (2014) Klasifikasi terbimbing merupakan metode yang diperlukan untuk mentransformasikan data citra multispektral ke dalam kelas-kelas unsur spasial dalam bentuk informasi tematis. Kriteria pengelompokan kelas ditetapkan berdasarkan penciri kelas yang diperoleh melalui pembuatan training area.
Penentuan training area biasanya dilakukan berdasarkan hasil pengamatan lapangan atau berdasarkan penyesuaian dengan peta rupa bumi. Training area yang telah didapatkan kemudian dijadikan sebagai masukkan dalam proses klasifikasi untuk keseluruhan citra (Jaya 2007). Pada klasifikasi terbimbing, identitas dan lokasi kelas-kelas unsur atau tipe penutup lahan (seperti halnya perkotaan, tubuh air, lahan basah, dan lain sebagainya) telah diketahui sebelumnya melalui kunjungan ke lapangan (survei), analisis foto udara (atau citra satelit sebelumnya), maupun cara-cara yang lain (Marini 2014).
Metode klasifikasi terbimbing diawali dengan pembuatan daerah contoh untuk menentukan penciri kelas. Kegiatan tersebut merupakan suatu kegiatan mengidentifikasi prototife (cluster) dari sejumlah piksel yang mewakili masing-masing kelas atau kategori yang diinginkan dengan menentukan posisi contoh dilapangan dengan bantuan peta tutupan lahan sebagai referensi untuk setiap kelasnya. Jumlah kelas yang diambil disesuaikan dengan masing-masing luas penampakan. Secara teoritis, jumlah piksel yang diambil untuk mewakili setiap kelas yaitu sebanyak N+1, dimana N adalah jumlah band yang digunakan. Hal tersebut
dilakukan untuk menhindari matrik ragam-peragam yang singular, dimana piksel per kelasnya tidak bisa dihitung (Jaya 2007).
Separabilitas adalah ukuran statistik antar dua kelas . Separabilitas digunakan untuk mengetahui kombinasi band mana saja yang akan meberikan separabilitas
Data awan badan ailahan koso bayangan awa sawa lahan terbanguvegetasi rap vegetasi jaranrow total producer accur pa%
awan 318 0 0 0 0 0 0 0 318 1 100 badanair 0 367 0 0 0 0 0 0 367 1 100 lahankosong 0 0 348 0 0 6 0 0 354 0.98305085 98.31 bayangan awa 0 0 0 342 0 0 0 0 342 1 100 sawah 0 0 0 0 452 0 0 0 452 1 100 lahanterbangu 1 0 4 0 1 412 1 0 419 0.98329356 98.33 vegetasi rapat 0 0 0 0 0 0 469 1 470 0.99787234 99.79 vegetasi jarang 0 0 0 0 0 0 0 375 375 1 100 Column Total 319 367 352 342 453 418 470 376 3097 0.99552709 99.55 user accuracy 0.99687 1 0.98864 1 0.998 0.98564593 0.997872 0.9973404 0.99552 ua% 99.6865 100 98.8636 100 99.78 98.5645933 99.78723 99.734043 99.5519 xij 3083 xi+ 1219501 over all accura 99.5479 kappa accurac 99.4821
terbaik untuk memperoleh kualitas ketelitian klasifikasi (Riswanto 2009). Nilai yang dicari yaitu comission error, User accuracy, ketelitian akurasi, kappa accuracy dan overall accuracy. Omission dan Comission error adalah kesalahan yang dilakukan oleh user atau pembuat saat menentukan area klasifikasi. Nilai kappa digunakan untuk menentukan bagaimana klasifikasi membandingkan secara acak menempatkan nilai ke setiap pixel (Noviar 2012). Akurasi kappa digunakan untuk menguji kesignifikanan antara dua matrik kesalahan dari metode yang berbeda atau dari kombinasi band yang berbeda ( Jaya 2007). Dari data separability yang diperoleh menunjukan nilai 2000 yang berarti keterpisahan sempurna. Hal ini menunjukkan bahwa semua kelas tutupan dan penggunaan lahan memiliki kriteria tingkat keterpisahan yang sempurna. Nilai keterpisahan ini dapat dipengaruhi ketepatan dalam pembuatan training area seperti penentuan pixel pada warna.
Kekurangan dari klasifikasi terbimbing yaitu ouput yang diperoleh akan tidak sesuai dengan keadaan dilapang apabila melakukan kesalahan saat membuat training area, dimana saat pemilihan training area suatu wilayah dapat berisikian beberapa area yang berbeda kelas. Hal tersebut mengakibatkan training area yang telah dibuat akan memproses data yang kurang tepat. Kelebihan dari klasifikasi terbimbing yaitu dapat membedakan kelas/cluster dengan baik apabila training sample yang diperoleh tepat.
Evaluasi akurasi terhadap besarnya kesalahan klasifikasi area contoh untuk menentukan besarnya persentase ketelitian pemetaan. Evaluasi ketelitian pemetaan meliputi jumlah piksel area contoh yang diklasifikasikan dengan benar atau salah, pemberian nama kelas secara benar, persentase banyaknya piksel dalam masing-masing kelas serta persentase kesalahan total. Akurasi ketelitian pemetaan diuji dengan membuat matriks contingency yang lebih sering disebut dengan matriks kesalahan (confusion matrix ) (Hermawan, 2008).
Akurasi yang bisa dihitung antara lain User’s accuracy, Producer’s Accuracy , Kappa accuracy dan Overall accuracy. Nilai akurasi yang paling banyak digunakan adalah akurasi Kappa, karena nilai ini memperhitungkan semua elemen (kolom) dari matrix. Nilai overall accuracy yang merupakan perbandingan jumlah total area (piksel) yang diklasifikasikan dengan benar terhadap total area (piksel) observasi, menunjukkan tingkat kebenaran citra hasil klasifikasi. Producer’s accuracy dan user’s accuracy menunjukkan tingkat akurasi dari sisi pengamatan yang berbeda.
Berdasarkan hasil praktikum dihasilkan display citra klasifikasi terbimbing (supervised). Display citra dihasilkan dari tabel hasil separability dan akurasi. Hasil yang baik dari tabel separability dan akurasi belum tentu menghasilkan display citra yang baik karena banyak faktor yang mempengaruhi diantaranya cara pengguna dalam menentukan training area, semakin seragam training area yang dipilih maka display citra yang dihasilkan juga akan tidak jauh berbeda dari citra yang sebenarnya dan semakin banyak tempat objek yang dipilih serta jaraknya yang tidak terlalu dekat juga mempengaruhi hasil display citra. Sehingga untuk mendapatkan display citra yang hampir dan menyerupai citra sebenarnya membutuhkan sebuah keahlian dan skill tertentu. Dalam praktikum ini menghasilkan display citra yang tidak terlalu mewakili dan warnanya pun tidak menyerupai citra sebenarnya. Sehingga pemilihan objek dari hasil interpretasi AOI menghasilkan warna dan objek yang tidak pada tempatnya. Seperti pada citra sebenarnya objek yang seharusnya adalah badan air tetapi display citra yang dihasilkan berubah menjadi lahan terbangun dan begitu juga dengan objek yang lain, warna objeknya tidak pada tempatnya yang sebenarnya. Faktor yang menyebabkan hasil dispay citra yang dihasilkan tidak menyerupai citra sebenarnya adalah dalam pemilihan objek yang terlalu berdekatan dan sedikitnya objek yang dipilih serta tidak memperhatikan keseragaman dari warna pixelnya sehingga menghasikan display citra yang objeknya tidak berada pada tempat yang benar pada citra sebenarnya. Display citra berhubungan dengan bagaimana pengguna
melakukan separabilitas dengan baik dan benar (Riswanto 2009).
Hasil selanjutnya yang dihasilkan dalam praktikum klasifikasi terbimbing (supervised) ada 8 parameter diantaranya awan dengan total row 318, vegetasi rapat dengan total row 469, vegetasi jarang dengan total row 375, badan air dengan total row 367, lahan kosong dengan total row 348, lahan terbangun dengan total row 412, sawah dengan total row 452 dan bayangan awan dengan total row 342 dengan total row masing-masing data referency 300-500 tidak boleh lebih dan tidak boleh kurang.
Nilai pada tabel Separabilitas untuk kedelapan tutupan lahan didominasi oleh nilai 2000 atau berkisar antara 1900 sampai 2000. Hal tersebut menunjukkan bahwa kedelapan lahan memiliki kriteria baik (good ) dan sempurna (excellent ). Hanya hubungan antara vegatasi rapat dengan vegetasi jarang dan rumput dengan vegetasi jarang yang memiliki nilai baik, selain itu nilai separabilitasnya sempurna, maka dapat dikatakan bahwa hasil klasifikasi masing-masing tutupan lahan dapat dibedakan secara spektral (Jaya 2005). Dari hasil perhitungan dengan rumus diatas diperoleh hasil User’s accuracy , Producer’s Accuracy , Overall accuracy, dan Kappa acc yaitu mendekati 100 %. Hal ini menunjukkan bahwa piksel-piksel dalam area contoh telah terkelaskan dengan baik, dimana tingkat akurasinya mendekati 100
accuracy sebesar 99,55 %. Ini menunjukkan bahwa pada kelas-kelas tutupan dan penggunaan lahan tersebut terjadi sedikit sekali kesalahan klasifikasi dengan sedikit mengambil piksel dari kelas lain seperti pada lahan terbangun terambil 1 piksel sawah dan vegetasi rapat. Dengan nilai akurasi mendekati 100 % maka piksel-piksel yang digunakan sudah cukup mewakili karakterisik masing-masing kelas. Evaluasi akurasi pada citra menghasilkan Overall accuracy dan Kappa Accuracy sebesar 99,55% dan 99,48%. Hal ini menunjukkan bahwa dari seluruh piksel yang digunakan, keseluruhan dari piksel-piksel tersebut dapat terkelaskan dengan benar. Nilai yang baik dari hasil separability dan akurasi belum tentu bagus pada display citra yang dihasilkan. Omission dan Comission errora dalah kesalahan yang dilakukan oleh user atau pembuat saat menentukan area klasifikasi. Nilai kappa digunakan untuk menentukan bagaimana klasifikasi membandingkan secara acak menempatkan nilai ke setiap pixel (Noviar 2012).
PENUTUP Simpulan
Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa praktikum ini melakukan kegiatan pengklasifikasian secara terbimbing dengan dibagi menjadi 8 kelas. Setiap kelas diberi warna yang berbeda satu sama lainnya agar objek yang satu dengan lainnya dapat dikenali. Nilai pada tabel Separabilitas untuk kedelapan tutupan lahan didominasi oleh nilai 2000 atau berkisar antara 1900 sampai 2000. Hal tersebut menunjukkan bahwa kedelapan lahan memiliki kriteria baik (good ) dan sempurna (excellent ). Dilakukan empat penilaian akurasi yaitu Overall accuracy (OA), Prosedure’s accuracy, User’s accuracy dan Kappa accuracy. Dari keempat nilai akurasi tersebut didapatkan persentasi mendekati 100 %. Nilai yang baik dari hasil separability dan akurasi belum tentu bagus pada display citra yang dihasilkan.
Saran
Saat praktikum sedang berlangsung diharapkan asisten praktikum mendampingi para praktikan yang belum terlalu paham sehingga dapat bertanya dengan mudah dan dapat menyelesaikan praktikum dengan baik. Praktikan diharapkan lebih aktif lagi bertanya jika ada materi yang tidak dipahami baik kepada koordinator praktikum maupun kepada asisten pratikum.
DAFTAR PUSTAKA
Hermawan I. 2008. Deteksi Perubahan Penutupan Lahan Di Taman Nasional
Gunung Halimun Salak Menggunakan Citra LANDSAT Multiwaktu
[terhubung berkala] http://repository.ipb.ac.id. (diakses tanggal 19 Maret 2018)
Jaya INS. 2005. Tehnik mendeteksi lahan longsor menggunakan Citra Spot Multiwaktu: Studi kasus di Teradomari, Tochio, dan Shidata Mura, Niigata, Jepang. Jurnal Manajemen Hutan Tropika 10 (1): 31 – 48.
Jaya INS. 2007. Analisis Citra Digital : Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor (ID) : Institut Pertanian Bogor.
Jaya INS. 2010. Analisis Citra Digital: Teori dan Praktik Menggunakan ERDAS Imagine. Bogor(ID) : Institut Pertanian Bogor.
Lillesand, Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra Penginderaan Jauh. Yogyakarta(ID): Gadjah mada University Press.
Marini Y.2014.Perbandingan Metode Klasifikasi Supervised MaximumLikelihood dengan Klasifikasi Berbasis Objek Untuk Inventarisasi Lahan Tambak di Kabupaten Maros[Seminar]. Bogor(ID):LAPAN.
Noviar H. 2012. Uji akurasi training sampel berbasis objek citra landsat di kawasan hutan Provinsi Kalimantan Tengah. Jurnal Ilmiah Geomatika 18(2):132-134. Riswanto E. 2009. Evaluasi akurasi klasifikasi penutupan lahan menggunakan citra
Alos Palsar resolusi rendah, Studi kasus di Pulau Kalimantan [Skripsi]. Bogor (ID): Institut Pertanian Bogor.
LAMPIRAN Tabel 5 Training Area
No gambar Keterangan
1 Awan
2 Badan air
3 Lahan kosong
5 Sawah
6 Lahan
terbangun
7 Vegetasi rapat
