Klasifikasi Citra dengan ER Mapper

(1)

PEMROSESAN CITRA DIGITAL PEMROSESAN CITRA DIGITAL

ACARA 4 ACARA 4

KLASIFIKASI CITRA KLASIFIKASI CITRA DENGAN

DENGAN _{ER M}_{ER M APP}_APPER_ER

Disusun oleh : Disusun oleh : Nama

Nama : Ilham Guntara, A.Md.: Ilham Guntara, A.Md. Website :

(2)

I. JUDUL I. JUDUL Klasifikasi Citra Klasifikasi Citra II. TUJUAN II. TUJUAN 1.

1. Melatih klasifikasi citra menggunakan perangkat lunak (Melatih klasifikasi citra menggunakan perangkat lunak ( software software) ER) ER Mapper.

Mapper. 2.

2. Memahami konsep klasifikasi citra secara digital.Memahami konsep klasifikasi citra secara digital. 3.

3. Melatih klasifikasi citra secara digital metode supervised.Melatih klasifikasi citra secara digital metode supervised. 4.

4. Melatih klasifikasi citra secara digital metode unsupeMelatih klasifikasi citra secara digital metode unsupervised.rvised.

III. ALAT DAN BAHAN III. ALAT DAN BAHAN

1.

1. Alat tulisAlat tulis 2.

2. Kertas HVSKertas HVS 3.

3. Flashdisk DriveFlashdisk Drive 4.

4. Data Digital Citra Landsat Sebagian YogyakartaData Digital Citra Landsat Sebagian Yogyakarta 5.

5. Seperangkat komputer dengan software ER MapperSeperangkat komputer dengan software ER Mapper 6.

6. Pedoman Praktikum Pemrosesan Citra DigitalPedoman Praktikum Pemrosesan Citra Digital

IV. TINJAUAN PUSTAKA IV. TINJAUAN PUSTAKA

Klasifikasi citra penginderaan jauh (inderaja) bertu

Klasifikasi citra penginderaan jauh (inderaja) bertujuan untuk menghasilkanjuan untuk menghasilkan peta

peta tematik, tematik, dimana dimana tiap tiap warna warna mewakili mewakili sebuah sebuah objek, objek, misalkan misalkan hutan hutan laut,laut, sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni 2007).

sungai, sawah dan lain-lain (Agus Zainal Arifin dan Aniati Murni 2007).

Klasifikasi dapat diartikan sebagai kegiatan pengelompokan gejala kedalam Klasifikasi dapat diartikan sebagai kegiatan pengelompokan gejala kedalam kategori-kategori, dimana setiap kategori dapat dipandang homogen atas dasar kategori-kategori, dimana setiap kategori dapat dipandang homogen atas dasar kriteria tertentu. Misalnya, suatu wilayah kota dapat dikelompokan menjadi kriteria tertentu. Misalnya, suatu wilayah kota dapat dikelompokan menjadi kawasan permukiman, kawasan perkantoran, dan kawasan perdagangan. Wilayah kawasan permukiman, kawasan perkantoran, dan kawasan perdagangan. Wilayah yang sama dapat dikelompokkan menjadi wilayah yang status

yang sama dapat dikelompokkan menjadi wilayah yang status tanahnya merupakantanahnya merupakan milik pribadi dan milik negara. Hasil dari pengelompokan atau klasifikasi ini milik pribadi dan milik negara. Hasil dari pengelompokan atau klasifikasi ini berupa

berupa peta peta yang yang sajian sajian distribusi distribusi gejalanya gejalanya berbeda. berbeda. Pengelompokan Pengelompokan pertamapertama didasari oleh kriteria fungsi penggunaan lahan, dan kriteria kedua didasari oleh didasari oleh kriteria fungsi penggunaan lahan, dan kriteria kedua didasari oleh

(3)

status tanah. Kedua macam hasil

status tanah. Kedua macam hasil tidak dapat dibandingkan, mana yang lebih benartidak dapat dibandingkan, mana yang lebih benar atau relatif kurang benar.

atau relatif kurang benar.

Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas tertentu. Hal ini s

kelas-kelas tertentu. Hal ini sesuai dengan asumsi yang digunakan dalam klasifikasiesuai dengan asumsi yang digunakan dalam klasifikasi multispektral ialah bahwa setiap objek dapat dibedakan dari yang lainnya multispektral ialah bahwa setiap objek dapat dibedakan dari yang lainnya berdasarkan nilai spektralnya (Projo Danoedoro,1996). Pada umumny

berdasarkan nilai spektralnya (Projo Danoedoro,1996). Pada umumnya Klasifikasia Klasifikasi citra digital yang digunakan adalah klasifikasi terselia (supervised).

citra digital yang digunakan adalah klasifikasi terselia (supervised). Menurut Projo Danoedoro (1996) klasifikasi supervised

Menurut Projo Danoedoro (1996) klasifikasi supervised (terselia) ini(terselia) ini melibatkan interaksi analis secara intensif, dimana analis menuntun proses melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training area). Sehingga klasifikasi dengan identifikasi objek pada citra (training area). Sehingga pengambilan

pengambilan sampel sampel perlu perlu dilakukan dilakukan dengan dengan mempertimbangkan mempertimbangkan pola pola spektralspektral pada

pada setiap panjang setiap panjang gelombang gelombang tertentu, sehinggtertentu, sehingga diperoa diperoleh leh daerah acuan daerah acuan yang yang baikbaik untuk mewakili suatu objek tertentu.

untuk mewakili suatu objek tertentu. Klasifikasi terselia s

Klasifikasi terselia secara otomatis diputuskan oleh computer, tanpa campurecara otomatis diputuskan oleh computer, tanpa campur tangan operator (kalaupun ada, proses interaksi ini sangat terbatas). Proses ini tangan operator (kalaupun ada, proses interaksi ini sangat terbatas). Proses ini sendiri adalah suatu proses iterasi, sampai menghasilkan pengelompokan akhir sendiri adalah suatu proses iterasi, sampai menghasilkan pengelompokan akhir gugus-gugus spektral. Campur tangan operator terutama setelah gugusan-gugusan gugus-gugus spektral. Campur tangan operator terutama setelah gugusan-gugusan spektral terbentuk yaitu dengan menandai tiap gugus sebagai objek tertentu. Oleh spektral terbentuk yaitu dengan menandai tiap gugus sebagai objek tertentu. Oleh karena itu teknik klasifikasi semacam ini disebut klasifikasi a-posterior (setelah karena itu teknik klasifikasi semacam ini disebut klasifikasi a-posterior (setelah fakta) sebagai lawan dari klasifikasi a-priori (mendahului fakta) (Robinove, 1981, fakta) sebagai lawan dari klasifikasi a-priori (mendahului fakta) (Robinove, 1981, dalam Jensen, 1986).

dalam Jensen, 1986).

Klasifikasi terselia diawali dengan pengambilan daerah acuan (

Klasifikasi terselia diawali dengan pengambilan daerah acuan (trainingtraining area

(4)

pengguna)

pengguna) harus harus mempersiapkan mempersiapkan sistem sistem klasifikasi klasifikasi yang yang akan akan diterapkan diterapkan sepertiseperti halnya klasifikasi manual. Dua hal penting yang harus dipertimbangkan dalam halnya klasifikasi manual. Dua hal penting yang harus dipertimbangkan dalam klasifikasi ialah system klasifikasi dan criteria sampel. Pengambilan sampel secara klasifikasi ialah system klasifikasi dan criteria sampel. Pengambilan sampel secara digital oleh operator pada dasarnya merupkan cara melatih komputer untuk digital oleh operator pada dasarnya merupkan cara melatih komputer untuk mengenali objek berdasarkan kecenderungan spektralnya.

mengenali objek berdasarkan kecenderungan spektralnya.

Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk pemetaan

pemetaan penutup penutup lahan lahan ((land cover land cover ), dan bukan penggunaan lahan. Aspek), dan bukan penggunaan lahan. Aspek penggunaan

penggunaan lahan lahan secara secara deduktif deduktif dapat dapat diturunkan diturunkan dari dari infoinformasi penutuprmasi penutup lahannya, atau dengan cara lain melalui pemasukkan informasi temporal (rotasi lahannya, atau dengan cara lain melalui pemasukkan informasi temporal (rotasi tanaman, citra

tanaman, citra multitemporal, faktor multitemporal, faktor bentuklahan, dan bentuklahan, dan sebagainya). Oleh sebagainya). Oleh karenakarena itu,

itu, sistem sistem klasifikasi yang klasifikasi yang disiapkan disiapkan harus bharus berisi klas-klas erisi klas-klas penutup penutup lahanlahan (misalnya padi, jagung, hutan campuran, semak,

(misalnya padi, jagung, hutan campuran, semak, padang rumput, lahan terbuka, danpadang rumput, lahan terbuka, dan sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung), karena sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung), karena aspek fungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel. aspek fungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel.

Bila kerangka klasifikasi yang tersedia ternyata hanya system klasifikasi Bila kerangka klasifikasi yang tersedia ternyata hanya system klasifikasi untuk penggunaan lahan, maka system ini perlu diterjemahkan dulu menjadi untuk penggunaan lahan, maka system ini perlu diterjemahkan dulu menjadi klasfikasi penutup lahan. Untuk konversi semacam ini,

klasfikasi penutup lahan. Untuk konversi semacam ini, pengetahuan pengguna ataupengetahuan pengguna atau operator mengenai karakteristik penggunaan lahan dalam kaitannya dengan operator mengenai karakteristik penggunaan lahan dalam kaitannya dengan penutup

penutup lahan lahan sangatlah sangatlah penting. penting. Disamping Disamping itu itu pengetahuan pengetahuan mengenai mengenai kondisikondisi daerah yang diamati (

daerah yang diamati (local knowledgelocal knowledge) juga sangat menunjang (Bronsveld et al.) juga sangat menunjang (Bronsveld et al. 1994). Sistem klasifikasi yang secara langsung mengacu pada kategori-kategori 1994). Sistem klasifikasi yang secara langsung mengacu pada kategori-kategori penggunaan

penggunaan lahan, lahan, atau atau yang yang mencampur-adukkan mencampur-adukkan aspek aspek penutup penutup lahan lahan dengandengan penggunaan lahan sebaiknya tidak digunakan pada klasifikasi awal, mengingatkan penggunaan lahan sebaiknya tidak digunakan pada klasifikasi awal, mengingatkan bahwa fungsi penggunaan lahan tidak secara langsung direpresentasikan oleh nilai bahwa fungsi penggunaan lahan tidak secara langsung direpresentasikan oleh nilai piksel

piksel (Projo (Projo Danoedoro, Danoedoro, 1994).1994). Sama dengan metode penelitian ataupun surveiSama dengan metode penelitian ataupun survei yang lain, sampel haruslah homogen. Homogenitas sampel. Artinya nilai yang lain, sampel haruslah homogen. Homogenitas sampel. Artinya nilai simpangan baku kelompok piksel tiap sampel haruslah rendah untuk tiap saluran. simpangan baku kelompok piksel tiap sampel haruslah rendah untuk tiap saluran.

Cara termudah untuk mengambil sampel yang memenuhi kriterium

Cara termudah untuk mengambil sampel yang memenuhi kriterium ini ialahini ialah dengan mengambil piksel-piksel murni (

dengan mengambil piksel-piksel murni ( pure pure pixel pixel ). Pada luasan yang homogen,). Pada luasan yang homogen, pengambilan piksel murni d

pengambilan piksel murni dapat secara mudah dilakukan apat secara mudah dilakukan dengan memilih piksel didengan memilih piksel di bagian tengah kenampakan objek. M

(5)

baik,

baik, homogenitas objek homogenitas objek dicerminkan dicerminkan oleh oleh warna warna yang seyang seragam.ragam. Di samping itu,Di samping itu, criteria statistic pun diperlukan untuk menilai sampel. Sampel yang baik tentunya criteria statistic pun diperlukan untuk menilai sampel. Sampel yang baik tentunya mempunyai homogenitas niali piksel yang tinggi yang ditunjukkan oleh kecilnya mempunyai homogenitas niali piksel yang tinggi yang ditunjukkan oleh kecilnya simpangan baku, bentuk histogramnya dan tentu saja juga bentuk gugusnya yang simpangan baku, bentuk histogramnya dan tentu saja juga bentuk gugusnya yang mengelompok pada

mengelompok pada feature space feature space.. Beberapa alogaritma klasifikasi tersedia:Beberapa alogaritma klasifikasi tersedia: a.

a. Jarak minimum terhadap rerata (Jarak minimum terhadap rerata ( Minimum Minimum distance to distance to mean amean alogarithmlogarithm)) b.

b. Alogaritma Parallelepiped (Alogaritma Parallelepiped ( Box Classification alogarithm Box Classification alogarithm)) c.

c. Alogaritma kemiripan maksimum (Alogaritma kemiripan maksimum ( Maximum Likeli Maximum Likelihood Alogarithmhood Alogarithm)) d.

d. Alogaritma Tetangga Terdekat (Alogaritma Tetangga Terdekat ( K-Nearest Algorithm K-Nearest Algorithm)) Salah satu alternatif bagi pendekatan bagi klasifikas

Salah satu alternatif bagi pendekatan bagi klasifikasi data penginderaan jauhi data penginderaan jauh dapat dilakukan dengan menggunakan klasifikasi tak terselia. Klasifikasi ini dapat dilakukan dengan menggunakan klasifikasi tak terselia. Klasifikasi ini menggunakan algoritma untuk mengkaji atau mnganalisis sejumlah besar piksel menggunakan algoritma untuk mengkaji atau mnganalisis sejumlah besar piksel yang tidak dikenal dan membaginya dalam sejumlah kelas berdasarkan yang tidak dikenal dan membaginya dalam sejumlah kelas berdasarkan pengelompokkan

pengelompokkan nilai nilai digital digital citra. citra. Kelas Kelas yang yang dihasilkan dihasilkan dari dari klasifikasi klasifikasi taktak terselia adalah kelas spektral. Oleh karena itu, pengelompokkan kelas didasarkan terselia adalah kelas spektral. Oleh karena itu, pengelompokkan kelas didasarkan pada

pada nilai nilai natural natural spektra spektra citra, citra, dan dan identitas identitas nilai nilai spektral spektral tidak tidak dapat dapat diketahuidiketahui secara dini. Hal itu disebabkan analisisnya belum menggunakan data rujukan secara dini. Hal itu disebabkan analisisnya belum menggunakan data rujukan seperti citra skala besar untuk menentukan identitas dan nilai informasi setia

seperti citra skala besar untuk menentukan identitas dan nilai informasi setia p kelasp kelas spektral. Data citra yang lebih dari satu saluran sulit untuk menggambarkan nilai spektral. Data citra yang lebih dari satu saluran sulit untuk menggambarkan nilai citra untuk identifikasi secara visual dan untuk pengelompokkan spektral secara citra untuk identifikasi secara visual dan untuk pengelompokkan spektral secara natural. Oleh karena itu, tersedia teknik statistik yang dapat digunakan untuk natural. Oleh karena itu, tersedia teknik statistik yang dapat digunakan untuk pengelompokkan

pengelompokkan secara secara otomatik otomatik rangkaian rangkaian n n dimensional dimensional hasil hasil pengamatan pengamatan keke kelas spektral natural.

(6)

V. METODE V. METODE

A.

A. Klasifikasi Tak Terselia (Klasifikasi Tak Terselia (Unsupervised Unsupervised )) 1.

1. Menyiapkan alat dan bahan praktikum.Menyiapkan alat dan bahan praktikum. 2.

2. Menekan tombol “On” pada CPU dan monitor.Menekan tombol “On” pada CPU dan monitor. 3.

3. Menunggu hingga tampil layar desktop.Menunggu hingga tampil layar desktop. 4.

4. Menunggu hingga pointer berwujud panah mucnul (artinya sistemMenunggu hingga pointer berwujud panah mucnul (artinya sistem sudah siap untuk menerima perintah).

sudah siap untuk menerima perintah). 5.

5. Memilih danMemilih dan double click double click pada pada program bernama program bernama “ER“ER Mapper” yangMapper” yang ada di layar desktop atau bisa mencarinya di Start

ada di layar desktop atau bisa mencarinya di Start Menu.Menu. 6.

6. Memilih menu toolbar File lalu Open pada ER Mapper.Memilih menu toolbar File lalu Open pada ER Mapper.

7.

(7)

8.

8. Memilih menu Process > klik Classification > klik IsoclassMemilih menu Process > klik Classification > klik Isoclass Unsupervised Classification, kemudian muncul kotak dialog Unsupervised Classification, kemudian muncul kotak dialog Unsupervised Classification pada ER Mapper.

Unsupervised Classification pada ER Mapper.

9.

9. Membuka data melalui Input Dataset kemudianMembuka data melalui Input Dataset kemudian klik volumesklik volumes →→ klik klik

E:/

E:/→→ pilih PCD pilih PCD →→ pilih regu 1 pilih regu 1 →→ pilih citraolahh.ers pilih citraolahh.ers → → klik Ok maka klik Ok maka

Input Dataset terisi. Input Dataset terisi.

(8)

10.

10. MemilihMemilih ‘‘Bands to useBands to use’’ kemudian memilih Band 1,5,dan 7 dengan cara kemudian memilih Band 1,5,dan 7 dengan cara ‘ctrl+klik pada band’

‘ctrl+klik pada band’ pada pada kotak dialog kotak dialog Band Selection Band Selection lalu memilihlalu memilih Ok.

Ok.

11.

11. MemilihMemilih ‘Output Dataset’‘Output Dataset’ kemudian pada S kemudian pada Save as ketik nama citraave as ketik nama citra dengan nama

dengan nama ‘‘unsupervisedunsupervised’’ lalu klik Ok maka Output Dataset terisi. lalu klik Ok maka Output Dataset terisi.

12.

12. MeMemilih ‘milih ‘AutogenerateAutogenerate’’ menjadi 20 classes kemudian mengisi menjadi 20 classes kemudian mengisi ‘‘Maximum iterationsMaximum iterations’’ dengan angka 100 dan mengisi dengan angka 100 dan mengisi ‘‘MaximumMaximum number of classes

(9)

13.

13. Menunggu sampai proses klasifikasi berhasil dan selesai.Menunggu sampai proses klasifikasi berhasil dan selesai.

14.

Memilih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

15.

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

layer’.

16.

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

(10)

17.

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

Class/Region.

18.

18. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikanMengidentifikasi objek-objek pada citra yang sudah terklasifikasikan secara

secara unsupervised unsupervised lalu memberi warna pada masing lalu memberi warna pada masing-masing objek-masing objek supaya mudah dikenali.

supaya mudah dikenali.

19.

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

warna biru. 20.

20. Memilih Memilih save>Yes, save>Yes, lalu lalu Mengklik Mengklik ikonikon ‘‘RefresRefresh’ h’ untukuntuk menyempurnakan tampilan citra.

menyempurnakan tampilan citra. 21.

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

(11)

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

warna hijau (gradasi dari hijau tua ke hijau muda). 22.

23. Mengganti nama objek 5-7 menjadi Tanah dengan cara Mengganti nama objek 5-7 menjadi Tanah dengan cara mengetik tubuhmengetik tubuh air pada nomor 5-7 kemudian menggati warnanya dengan cara air pada nomor 5-7 kemudian menggati warnanya dengan cara mengklik set color kemudian akan muncul pilihan warna maka memilih mengklik set color kemudian akan muncul pilihan warna maka memilih warna kuning (gradasi dari

warna kuning (gradasi dari kuning tua ke kuning muda).kuning tua ke kuning muda). 24.

25. Mengganti nama objek 8-10 menjadi Gumuk Pasir dengan caraMengganti nama objek 8-10 menjadi Gumuk Pasir dengan cara mengetik tubuh air pada nomor 8-10 kemudian menggati warnanya mengetik tubuh air pada nomor 8-10 kemudian menggati warnanya dengan cara mengklik set color kemudian akan muncul pilihan warna dengan cara mengklik set color kemudian akan muncul pilihan warna maka memilih

maka memilih warna merah (gwarna merah (gradasi dari merah tua radasi dari merah tua ke merah muke merah muda).da). 26.

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

warna putih (gradasi dari abu-abu ke putih). 28.

(12)

B.

B. Klasifikasi Terselia (Klasifikasi Terselia (Supervised Supervised )) 1.

1. Memilih menu utama EditMemilih menu utama Edit →→klik Edit/Create Regions kemudianklik Edit/Create Regions kemudian

muncul kotak dialog

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

2.

2. MemilihMemilih ‘‘Load From FileLoad From File’’ →→ klik klik volumesvolumes →→ klik E:/ klik E:/→→ pilih PCD pilih PCD →→

pilih regu 1

pilih regu 1 →→ pilih citraolahh.ers pilih citraolahh.ers → → klik Ok kemudian Ok maka akan klik Ok kemudian Ok maka akan

muncul icon-ikon Tools muncul icon-ikon Tools

3.

3. Memilih Memilih ikon ikon tool tool polygon polygon pada pada kotak kotak dialog dialog Tools Tools kemudiankemudian mendeliniasi (mengambil sampel) objek tubuh air dengan tool tersebut mendeliniasi (mengambil sampel) objek tubuh air dengan tool tersebut pada citra dan klik sebanyak dua kali untuk

(13)

4.

4. Memilih Memilih ikon ikon Display/Edit Display/Edit Object Object Attributes Attributes pada pada kotak kotak dialogdialog Tools kemudian mengetik nama objek yang sudah dideliniasi yaitu Tools kemudian mengetik nama objek yang sudah dideliniasi yaitu objek tubuh air klik Apply kemudian klik close.

objek tubuh air klik Apply kemudian klik close.

5.

5. Memilih ikon toolMemilih ikon tool ‘‘ polygon polygon’’ pada pada kotak kotak dialog dialog Tools Tools kemudiankemudian mendeliniasi (mengambil sampel) objek tanah terbuka dengan tool mendeliniasi (mengambil sampel) objek tanah terbuka dengan tool tersebut pada citra dan klik sebanyak dua kali untuk mengakhiri tersebut pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi.

deliniasi. 6.

6. Memilih ikonMemilih ikon ‘‘Display/Edit Object AttributesDisplay/Edit Object Attributes’’ pada kpada kotak dialog otak dialog ToolsTools kemudian mengetik nama objek yang sudah dideliniasi yaitu objek kemudian mengetik nama objek yang sudah dideliniasi yaitu objek tanah terbuka klik Apply kemudian klik close.

(14)

7.

7. Memilih ikon toolMemilih ikon tool ‘‘ polygon polygon’’ pada kotak dialog Tools kemudian pada kotak dialog Tools kemudian mendeliniasi (mengambil sampel) objek vegetasi dengan tool tersebut mendeliniasi (mengambil sampel) objek vegetasi dengan tool tersebut pada citra dan klik sebanyak dua kali untuk

pada citra dan klik sebanyak dua kali untuk mengakhiri deliniasi.mengakhiri deliniasi. 8.

8. Memilih ikonMemilih ikon ‘‘Display/Edit Object AttributesDisplay/Edit Object Attributes’’ pada kpada kotak dialog otak dialog ToolsTools kemudian mengetik nama objek yang sudah dideliniasi yaitu objek kemudian mengetik nama objek yang sudah dideliniasi yaitu objek vegetasi klik Apply kemudian klik close.

vegetasi klik Apply kemudian klik close.

9.

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

otomatis tersimpan.

10.

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

(15)

11.

11. MemilihMemilih ‘‘Input DatasetInput Dataset’’ kemudian klik volumeskemudian klik volumes →→ klik E:/ klik E:/→→ pilih PCD pilih PCD →

→ pilih regu 1 pilih regu 1 →→ pilih citraolah.ers pilih citraolah.ers → → memilih OK. memilih OK.

12.

12. MemilihMemilih ‘‘Bands to useBands to use’’ kemudian memilih Band 1,5,dan 7 dengan cara kemudian memilih Band 1,5,dan 7 dengan cara ‘ctrl+klik pada band’

‘ctrl+klik pada band’ pada kotak pada kotak dialog Band dialog Band Selection Selection lalu memillalu memilihih OK.

OK.

13.

13. MemilihMemilih ‘Output‘Output Dataset’Dataset’ kemudian pada Save as ketik nama citra kemudian pada Save as ketik nama citra dengan nama

(16)

14.

14. MemilihMemilih ‘classification type’ yaitu‘classification type’ yaitu ‘‘Maximum Likelihood EnhancedMaximum Likelihood Enhanced’.’.

15.

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

hingga proses klasifikasi selesai.

16.

Me

Memilih menu File > New > mengklik kanan pada jendela

milih menu File > New > mengklik kanan pada jendela

algorithm > pilih algorithm pada ER Mapper.

(17)

17.

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

layer’.

18.

18. Memilih load data setMemilih load data set lalu memilih ‘lalu memilih ‘supervisesupervised.ersd.ers’’ pada jendela raster pada jendela raster data set dan mengklik OK.

data set dan mengklik OK.

19.

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

(18)

20.

20. Mengidentifikasi objek-objek pada citra yang sudah terklasifikasikanMengidentifikasi objek-objek pada citra yang sudah terklasifikasikan secara

secara supervised supervised lalu memberi warna pada masing-masing objek lalu memberi warna pada masing-masing objek supaya mudah dikenali.

supaya mudah dikenali.

21.

21. Mengganti warna objek 1 yaituMengganti warna objek 1 yaitu tanah terbuka menjadi warna jinggatanah terbuka menjadi warna jingga atau sesuai keinginan.

atau sesuai keinginan. 22.

23. Mengganti warna objek 2 yaitu vegetasi menjadi warna jingga atauMengganti warna objek 2 yaitu vegetasi menjadi warna jingga atau sesuai keinginan.

sesuai keinginan. 24.

25. Mengganti warna objek 2 yaitu tubuh air menjadi warna jingga atauMengganti warna objek 2 yaitu tubuh air menjadi warna jingga atau sesuai keinginan.

(19)

26.

menyempurnakan tampilan citra.

27.

27. Menampilkan citra hasil klasifikasiMenampilkan citra hasil klasifikasi supervised supervised beserta tabel identifikasi beserta tabel identifikasi warna objeknya.

warna objeknya. 28.

28. Menutup semua jendela ER Mapper dan aplikasiMenutup semua jendela ER Mapper dan aplikasi lainnya pada komputerlainnya pada komputer kemudian mematikan komputer secara baik dan benar.

(20)

VI. HASIL PRAKTIKUM VI. HASIL PRAKTIKUM

1.

1. Tampilan Citra Hasil KlasifikasiTampilan Citra Hasil Klasifikasi UnsupervisedUnsupervised beserta beserta Tabel Tabel IdentifikasiIdentifikasi Warna Objeknya

(21)

(22)

2.

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