Laporan Klasifikasi Tak Terbimbing

KLASIFIKASI TAK TERBIMBING

Oleh :

Anita Silviana Dewi

A14090064

I.              PENDAHULUAN

A.   LATAR BELAKANG

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.

Prosedur klasifikasi citra bertujuan untuk melakukan kategorisasi secara otomatis dari semua pixel citra ke dalam kelas penutupan lahan atau semua tema tertentu. Secara umum data multispectral boleh dikatakan menggunakan bentuk klasifikasi pola spektral data untuk ketegorisasi setiap pixel berbasis numerik. Perbedaan tipe kenampakan menunjukkan perbedaan kombinasi dasar nilai digital pixel pada sifat pantulan (reflektansi) dan pancaran (emisi) spektral yang dimilikinya, Bentuk pola cukup berhubungan dengan ukuran radian yang diperoleh dari setiap pixel berdasarkan jenis saluran atau panjang gelombang yang merekamnya. Pengenalan pola spektral (spectral pattern recognition) merupakan prosedur klasifikasi yang menggunakan informasi spectral setiap pixel untuk mengenal kelas-kelas penutupan lahan secara otomatis.

Pengenalan pola spasial (spatial pattern recognition) meliputi kategorisasi pixel citra dengan basis hubungan spasia antara pixel tersebut. Pola spasial dapat dievaluasi pada skema interpretasi secara otomatis. Klasifikasi spasial mencakup beberapa aspek seperti tekstur citra atau pengulangan rona, bentuk dan ukuran obyek, arah, hubungan, serta posisi pixel yang berdekatan. Tipe klasifikasi spasial mudah dideteksi oleh akal manusia dalam proses interpretasi visual, namun merupakan tugas yang rumit bagi komputer, karena informasinya sangat komplek. Sebaliknya, komputer dengan mudah menganalisis pola spektral dalam sejumlah saluran. Oleh Karena itu atribut spasial dapat dikaitkan dengan proses pengenalan spectral, dengan cara membuat asumsi bahwa pixel yang berbedakan akan menajdi satu kelas tutupan yang sama.

Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster secara otomatis dan menghitung kembali rata-rata kelas (class mean) secara berulang-ulang dengan komputer (ER Mapper Help). Sumbu horizontal menunjukkan nilai piksel pada band 2 dan sumbu vertikal menunjukkan nilai kecerahan piksel pada band 1. Pengelompokan piksel menjadi kelas spektral diawali dengan menentukan jumlah kelas spektral yang akan dibuat. Penentuan jumlah kelas ini dapat dilakukan dengan memperhatikan jumlah puncak histogram sehingga diperoleh jumlah kelas spectral yang akan dibentuk. Setelah jumlah kelas spektral ini ditentukan kemudian dipilih pusat-pusat kelas spektral terhadap setiap pusat kelas spektral. Berdasarkan hasil pengukuran jarak ini setiap piksel dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat.

Setelah setiap pixel dikelompokkan lalu masing-masing rata-rata kelas spectral dihitung kembali. Kemudian dilakukan lagi pengukuran jarak setiap piksel terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke dalam kelas spektral yang memiliki jarak terdekat.

B.   TUJUAN

1.    Melakukan kategorisasi secara otomatis dari semua pixel citra ke dalam kelas penutupan lahan atau semua tema tertentu.

2.    Memudahkan pembedaan objek atau lokasi dengan menggunakan warna-warna yang berbeda.

II.            TINJAUAN PUSTAKA

Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification). Proses pengklasifikasian klasifikasi terbimbing dilakukan dengan prosedur pengenalan pola spektral dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas (training area) yang mewakili setiap kelompok, kemudian dilakukan perhitungan statistik terhadap contoh-contoh kelas yang digunakan sebagai dasar klasifikasi. Pada klasifikasi tidak terbimbing, pengklasifikasian dimulai dengan pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas berdasarkan pada pengelompokkan nilai-nilai citra seperti apa adanya. Hasil dari pengklasifikasian ini disebut kelas-kelas spektral. Kelas-kelas spektral tersebut kemudian dibandingkan dengan kelas-kelas data referensi untuk menentukan identitas dan nilai informasi kelas spektral tersebut.

Klasifikasi tak terbimbing (unsupervised classification) tidak menggunakan data latihan yang ditetapkan oleh analisis. Klasifikasi tak terbimbing lebih banyak menggunakan algoritma yang mengkaji seumlah besar pixel tidak dikenal dan membaginya ke dalam sejumlah kelas berdasarkan pengelompokan biasa nilai citra yang ada. Angapan dasarnya ialah bahwa nilai di dalam suatu jenis tutupan tertentu seharusnya saling berdekatan pada ruang pengukuran, sedangkan data pada kelas yang berbeda harus dapat dipisahkan dengan baik secara komparatif.

Kelas yang dihasilkan dari klasifikasi tak terbimbing adalah kelas spectral.kelas tersebut didasarkan pada pengelompokkan natural nilai spektral citra, ientitas kelas spektral tidak aka diketahui sejak awal. Analisis harus membandingkan data hasil klasifikasi terhadap beberapa bentuk data rujukan untuk menentukan identitas dan nilai informasi kelas spekral tersebut. Pada klasifikasi tak terbimbing awalnya menentukan kelas yang dapat dipisahkan secara spectral lalu menentukan manfaat informasinya.

III.           METODE PRAKTIKUM

KLASIFIKASI TIDAK TERBIMBING

1. Klik icon DataPrep pada icon panel ERDAS IMAGINE

2. Pilih Unsupervised Classification… dari menú Data Preparation untuk menjalankan klasifikasi tidak terbimbing berdasarkan algoritma ISODATA

3. Klik Close pada menu Data Preparation untuk menutup fungsi ini dari layar monitor

4. Di dialog Unsupervised Classification pada Input Raster File: (*.img) pilih crop_spot5_bogor_180603.img. Ini adalah citra yang akan dikenakan proses klasifikasi.

5. Pada Output File: (*.img) pilih spot_bgr_isodata.img

6. Di bawah Clustering Options: Tulis 10 pada Number of Classes

7. Tulis 24 pada Maximum Iterations : di bawah Processing Options

8. Konfirmasi Covergence Threshold sama dengan 0.950

9. Klik OK pada dialog Unsupervised Classification untuk memulai proses klasifikasi.

10. Pada dialog Job Status klik OK jika proses 100% selesai

11. Lanjutkan dengan Evaluasi Klasifikasi untuk menganalisis kelas, sehingga ia dapat diidentifikasi dan diberi nama-nama kelas dan warna.

Evaluasi Klasifikasi

1. Pilih File|Open|Raster Layer … dari menu Viewer untuk menampilkan crop_spot5_bogor_180603.img

2. Pada Select Layer to Add di bawah Filename: (*.img) pilih crop_spot5_bogor_180603.img

3. Tentukan Layers to Color 2, 1, dan 3 berurutan

4. Klik OK pada Select Layer to Add to menampilkan file citra yang dipilih

5. Pilih File|Open|Raster Layer … dari menu Viewer untuk menampilkan layer raster tematik spot_bgr_isodata.img di atas crop_spot5_bogor_180603.img

6. Pilih spot_bgr_isodata.img dari daftar file di direktori yang dibuka.

7. Klik Tab Raster Options pada bagian atas Select Layer to Add

8. Klik Clear Display untuk mematikan check box ini

9. Klik OK pada Select Layer to Add to menampilkan file citra yang dipilih

10. Pilih Raster|Attributes … dari menu Viewer

11. Pada dialog Raster Attributes pilih Edit|Colomn Properties … untuk mengatur kolom pada CellArray sehingga melihatnya lebih mudah

12. Pada dialog Colomn Properties di bawah Colomn : pilih Opacity kemudian Klik Up untuk memindahkan Opacity sehingga ia berada di bawah Histogram

13. Pilih Class_Names dan klik Up untuk memindahkan Class_Names sehingga ia berada di bawah Color

14. Pilih Value dan klik Bottom untuk memindahkan Value sehingga ia berada paling bawah

15. Klik OK pada dialog Colomn Properties untuk mengatur kembali kolom pada Raster Attribute Editor

16. Pada Raster Attribute Editor klik kata Opacity pada bagian teratas kolom Opacity untuk memilih semua kelas.

17. Klik kanan mouse pada kata Opacity dan pilih Formula … dari menu Colomn Options. Dialog Formula terbuka

18. Pada dialog Formula klik tombol 0, selanjutnya klik Apply untuk merubah nilai pada kolom Opacity menjadi 0 dan kemudian klik Close

19. Pada Raster Attribute Editor klik kanan mouse pada Color untuk Class 1 dan rubah warna menjadi Yellow. Kenampakan pada Viewer menjadi lebih baik

20. Ubah Opacity dari Class 1 menjadi 1 dan tekan Return pada keyboard

21. Pada menu Viewer pilih Utility|Flicker... untuk menganalisis pixel mana yang ditempatkan pada kelas ini

22. Aktifkan Auto Mode dengan mengklik check box. Pixel-pixel berwarna hitam dari file spot_bgr_isodata.img berkedip-kedip adalah pixel dari kelas ini. Ini misalnya adalah area tubuh air.

23. Pada Raster Attribute Editor klik didalam kolom Class_Name untuk Class 1 dan rubahlah nama ini menjadi Air dan tekan Return pada keyboard

24. Pada Raster Attribute Editor klik kanan mouse pada Color untuk Air dan rubah warna menjadi Blue

25. Setelah selesai menganalisis kelas ini, klik Cancel pada dialog Viewer Flicker dan ketik Opacity dari Air menjadi 0 dan tekan Return pada keyboard

26. Ubah Color dari Class 2 menjadi Yellow

27. Ubah Opacity dari Class 2 menjadi 1 dan tekan Return pada keyboard

28. Pada menu Viewer pilih Utility|Flicker... untuk menganalisis pixel mana yang ditempatkan pada kelas ini

29. Aktifkan Auto Mode pada dialog Viewer Flicker. Pixel-pixel berwarna merah dari file spot_bgr_isodata.img berkedip-kedip adalah pixel dari kelas ini. Ini misalnya adalah area hutan

30. Pada Raster Attribute Editor klik didalam kolom Class_Name untuk Class 2 dan rubahlah nama ini menjadi Hutan dan tekan Return pada keyboard

31. Pada Raster Attribute Editor klik kanan mouse pada Color untuk Hutan dan rubah warna menjadi Pink

32. Setelah selesai menganalisis kelas ini, klik Cancel pada dialog Viewer Flicker dan ketik Opacity dari Hutan menjadi 0 dan tekan Return pada keyboard

33. Ulangi tahap ini pada kelas-kelas yang belum dianalisis sehingga dapat dilihat pixel mana yang dikelompokkan ke setiap kelas.

34. Bila sudah selesai pilih File|Save pada dialog Raster Attribute Editor untuk menyimpan data

35. Pilih File|Close dari menu dialog Raster Attribute Editor

36. Pilih File|Clear dari menu Viewer.

IV.          HASIL DAN PEMBAHASAN

A.   HASIL PENGAMATAN

·         Citra crop­_spot_5_bgr

·         Klasifikasi dengan 10 kelas

·         Klasifikasi 10 kelas Setelah Recode

·         Klasifikasi dengan 25 kelas

·         Klasifikasi 25 kelas setelah recode

B.   PEMBAHASAN

Klasifikasi citra merupakan proses yang berusaha mengelompokkan seluruh pixel pada suatu citra ke dalam sejumlah class (kelas), sedemikian hingga tiap class merepresentasikan suatu entitas dengan properti yang spesifik. Satelit yang dapat menghasilkan peta citra diantaranya adalah Lansat TM. Data Landsat TM diolah dengan menggunakan software ERDAS Imagine versi 8.5. Tahapan kegiatan yang dilakukan dalam klasifikasi tak terbimbing mengggunakan software Erdas Imagine 8.5, diantaranya menentukan jumlah kelas warna citra yang akan diklasifikasi (number of classes), mengatur kombinasi bandage yang digunakan dalam pengklasifikasian, dala penelitian ini digunakan kombinasi bandage 5 4 3, mengidentifikasi tiap-tiap kelas warna yang dihasilkan oleh proses klasifikasi sesuai dengan tipe-tipe penutupan lahan yang telah ditetapkan, menggabungkan kelas warna (recode) yang memiliki tipe penutupan lahan yang sama, pemberian nama dan warna tipe-tipe penutupan lahan (attributing) hasil proses
recode.

Pada praktikum digunakan citra crop_spot_5_bgr dan menggunakan 10 kelas dan 25 kelas untuk pengklasifikasian secara tidak terbimbing. Pada 10 kelas didapatkan objek yang berbeda-beda dan dengan warna yang berbeda. Kelas pertama yaitu bayangan dengan warna black. Kelas kedua dan ketiga yaitu hutan dengan warna darkgreen. Kelas keempat, enam dan delapan yaitu tegalan dengan warna green. Kelas kelima dan tujuh yaitu pemukiman dengan warna red. Kelas kesembilan yaitu rumput dengan warna brown. Dan kelas kesepuluh yaitu awan dengan warna putih. Setelah dilakukan recode, maka untuk kelas pertama hutan, kedua sawah, ketiga pemukiman, keempat tegalan, kelima, rumput, keenam kebun campuran, ketujuh tubuh air, kedelapan bayangan, dan kesembilan awan.

Untuk 25 kelas didapatkan beberapa objek dengan warna yang berbeda-beda pula. Kelas pertama yaitu objek bayangan dengan warna black. Kelas kedua, tiga, empat, lima, dan delapan yaitu objek kebun campuran dengan warna chartreuse. Kelas keenam yaitu hutan dengan warna darkgreen. Kelas ketujuh, sepuluh, tiga belas, lima belas, sembilan belas, dua puluh satu, dan dua puluh empat yaitu tegalan dengan warna green. Kelas kesembilan, dua belas, enam belas, dan dua puluh tiga yaitu rumput dengan warna brown. Kelas kesebelas dan ketujuh belas yaitu tubuh air dengan warna blue. Kelas keempat belas, dua puluh dan dua puluh dua yaitu sawah dengan warna gold. Kelas kedelapan belas yaitu pemukiman dengan warna red. Dan kelas kedua puluh lima yaitu awan dengan warna white. Setelah dilakukan recode, pertama yaitu hutan, kedua sawah, ketiga pemukiman, keempat tegalan, kelima rumput, keenam kebun campuran, ketujuh tubuh air, kedelapan bayangan, kesembilan awan.

Filtering majority digunakan untuk menghaluskan citra. Citra yang telah dikelompokkan kedalam sepuluh kelas dan dua pluh kelas selanjutnya akan direcode, sehingga pembagian warnanya akan semakin jelas sesuai dengan apa yang diinterpretasikan atau objek-objek yang telah diklasifikasikan. Bayangan bersifat menyembunyikan detail atau obyek yang berada di daerah gelap. Meskipun demikian, bayangan juga dapat merupakan kunci pengenalan yang penting bagi beberapa obyek yang justru dengan adanya bayangan dapat menjadi lebih jelas. Pada praktikum ini, ada kendala dalam menginterpretasikan obyek-obyek.

Data citra digital yang diperoleh seringkali tidak sesuai dengan kualitas citra yang diharapkan atau belum sesuai dengan keinginan. Adakalanya citra tersebut diperoleh dari pemotretan yang kelebihan cahaya atau foto yang diperoleh tidak fokus. Interpretasi digital dapat melakukan analisis yang kompleks terhadap beberapa saluran citra secara multi spektral, multi spasial, dan multi temporal,. Interpretasi digital melakukan analisis terhadap nilai digital citra yang terkandung pada tiap larik piksel sehingga interpretasi citra ini relatif obyektif dan konsisten.

V.            Kesimpulan

Pada praktikum ini, melakukan kegiatan pengklasifikasian secara tak terbimbing. Klasifikasi tak terbimbing ini dibagi menjadi 10 kelas dan 25 kelas. Untuk 10 kelas didapatkan enam objek yang berbeda dan dengan warna yang berbeda. Dan untuk 25 kelas didapatkan Sembilan objek yang berbeda dan dengan warna yang berbeda. Dilakukan pemfilteran untuk menghaluskan citra. Objek terbanyak ditemukan pada klasifikasi tak terbimbing dengan 25 kelas daripada 10 kelas.