KLASIFIKASI TERBIMBING
Oleh :
Anita Silviana Dewi
A14090064
I. PENDAHULUAN
A. LATAR BELAKANG
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. Klasifikasi citra penginderaan jauh (inderaja) bertujuan untuk menghasilkan peta tematik, dimana tiap warna mewakili sebuah objek, misalkan hutan laut, sungai, sawah dan lain-lain. Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas tertentu. Hal ini sesuai dengan asumsi yang digunakan dalam klasifikasi multispektral ialah bahwa setiap objek dapat dibedakan dari yang lainnya berdasarkan nilai spektralnya. 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.
Proses klasifikasi dengan pemilihan kategori informasi yang diinginkan dan memilih training area untuk tiap ketegori penutup lahan yang mewakili sebagai kunci interpretasi merupakan klasifikasi terbimbing. Klasifikasi terbimbing digunakan data penginderaan jauh multispektral yang berbasis numerik, maka pengenalan polanya merupakan proses otomatik dengan bantuan komputer. Klasifikasi terbimbing yang didasarkan pada pengenalan pola spectral terdiri atas tiga tahapan, yaitu: tahap training sample, tahapan klasifikasi, tahapan keluaran.
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
yang berbeda
II. TINJAUAN PUSTAKA
Menurut Lillesand and Kiefer (1990), analisis citra terbimbing merupakan proses pemilihan kategori informasi atau kelas yang diinginkan dan kemudian memilih daerah latihan yang mewakili tiap kategori. Statistik yang diperoleh dari data latihan untuk tiap kategori kemudian digunakan sebagai dasar untuk klasifikasi. Apabila kelas yang dipilih oleh analis secara dapat dipisahkan spektral dan bila daerah latihan yang dipilih benar-benar mewakili seluruh rangkaian data, proses klasifikasi yang dilakukan biasanya akan berhasil baik. Kunci keberhasilan ini ialah perincian kategori tutupan lahan yang dapat dipisahkan secara spektral.
Suatu ukuran bagi pemisahan secara statistik antara pola tanggapan kategori dapat dihitung bagi semua pasangan kelas dan disajikan dalam bentuk matrik. Suatu pernyataan yang biasa dilakukan disebut divergensi, yakni suatu jarak kovarian tertimbang antara rerata kategori. Pada umumnya semakin besar divergensi, semakin besar pula jarak statistical antara sifat khas latihan dan semakin tinggi probabilitas kebenaran klasifikasi tiap kelas.
Evaluasi lain daya pisah spektral diberikan dengan suatu matrik pembauran. Matrik pembauran secara sederhana menyatakan seberapa baik pengkelas dapat mengklasifikasikan daerah latihan dan tidak lebih dari itu. Oleh karena daerah latihan biasanya baik, contoh seragam untuk tiap jenis tutupan, maka dapatdiharapkan bahwa daerah latihan tersebut dapat diklasifikasikan secara lebih teliti daripada daerah lain yang kurang contohnya yang terdapat pada citra.
Ketelitian keseluruhan dapat dievaluasi hanya dengan mempertimbangkan daerah yang berbeda dan lebih luas daripada daerah latihan. Evaluasi ini biasanya dilakukan setelah proses klasifikasi dan tahap keluaran, tetapi yang ideal merupakan suatu bagian evaluasi latihan. Pada analisis semacam ini maka kategori pixel pada daerah uji medan (diluar daerah latihan) dibandingkan terhadap suatu peta atau sumber lain yang diketahui tutupan lahannya dengan menggunakan siasat pengambilan sampel secara statistik. Hasilnya lagi disajikan dalam bentuk matrik pembauran dan dievaluasi oleh analis citra
III. METODE
Persiapan
ERDAS IMAGINE sudah harus dijalankan.
1. Pilih File|Open|Raster Layer … dari menu Viewer atau klik icon Open pada tool bar Viewer untuk menampilkan file *.img yang akan diklasfikasi
2. Pada Select Layer to Add di bawah Filename: (*.img) pilih crop_spot5_bogor_180603.img
3. Klik Tab Raster Options pada bagian atas Select Layer to Add dan tentukan Layers to Color 2, 1, dan 3 berurutan
4. Klik Fit to Frame dengan mengaktifkan check box
5. Klik OK pada Select Layer to Add to menampilkan file citra crop_spot5_bogor_180603.img pada Viewer
Buka Signature Editor
6. Klik icon Classifier pada icon panel ERDAS IMAGINE untuk menjalankan Classification Utility. Menu Classification terbuka.
7. Pilih Signature Editor … dari menu Classification untuk menjalankan Signature Editor. Signature Editor terbuka.
8. Klik Close pada menu Classification untuk menghilangkan menu ini dari layer monitor
9. Pilih View|Colomn… pada Signature Editor. Dialog View Signature Colomns terbuka
10. Pada dialog View Signature Colomns pilih semua baris di Colomn 1 dengan menekan mouse kanan dan memilih select all. Kemudian shift-click Red, Green, dan Blue pada Colomn 1 untuk tidak memilih baris ini. Untuk sementara baris ini dihilangkan guna memudahkan pekerjaan dan bila diperlukan dapat dikembalikan
11. Klik Apply pada dialog View Signature Colomns
12. Klik Close pada View Signature Colomns
Menggunakan AOI|Tool untuk mengumpulkan penciri
13. Pilih AOI|Tool … pada menu Viewer
14. Gunakan Zoom In Tool pada tool bar Viewer untuk memperbesar bagian dari citra yang berwarna hijau muda
15. Klik icon Polygon pada AOI tool
16. Pada Viewer gambarlah polygon di bagian area berwarna hijau yang telah diperbesar. Drag untuk menggambar poligon dan klik untuk membuat vertex. Klik 2x untuk mengakhiri atau menutup poligon
17. Pada Signature Editor klik icon Add Siganture untuk menambah AOI sebagai penciri
18. Pada Signature Editor klik kolom Signature Name dan rubah namanya menjadi Area Pertanian_1 dan tekan tombol return
19. Pada Signature Editor klik mouse kanan pada kolom Color Area Pertanian_1 untuk dan pilih Green
20. Perbesar pada area biru muda/cyan dan buat pologonnya
21. Klik icon Add Siganture pada Signature Editor untuk menambah AOI sebagai penciri
22. Pada Signature Editor klik kolom Signature Name dan rubah namanya menjadi Area Pertanian_2 dan tekan tombol return
23. Pada Signature Editor klik mouse kanan pada kolom Color Area Pertanian_2 dan pilih Cyan
24. Pada Signature Editor pilih semua paramter penciri dengan klik kanan mouse pada kolom Class# dan pilih select all
25. Pilih Evaluate|Separability
26. Tentukan Layers per Combination: 3
27. Klik Transformed Divergence di bawah Distance Measure
28. Pastikan bahwa Summary Report check box diaktifkan di bawah Report Type:
29. Klik OK pada dialog Signature Separability untuk memulai proses. Luaran menunjukan layer (band) terbaik untuk identfikasi kenampakan.
30. Pilih File|Close untuk menutup editor
31. Klik Close pada dialog Signature Separability
Tahap Klasifikasi
32. Pada Signature Editor pilih semua paramter penciri dengan klik kanan mouse pada kolom Class# dan pilih select all
33. Pilih Classify|Supervised... pada Signature Editor untuk menjalankan klasifikasi terbimbing
34. Di bawah Output File: (*.img) ketik spot5_bgr_superclass.img
35. Aktifkan check box Ouput Distance File (membuat file jarak yang digunakan untuk men threshold citra terklasifikasi)
36. Di bawah Filename: (*.img) tulis spot5_bgr_distance.img
37. Klik Attribute Options ... dan klik Minimum, Maximum, Mean dan Std. Dev pada dialog Attribute Option yang terbuka
38. Konfirmasi check box Layer diaktifkan, dan selanjutnya klik Close untuk menutup dialog Attribute Option
39. Pada dialog Supervised Classification klik popup list Non-Parametric Rule: dan pilih Feature Space
40. Klik OK pada dialog Supervised Classification untuk memulai proses klasifikasi
41. Bila telah selesai, klik OK pada Job Status
42. Pilih File|Close dari menu Signature Editor dan dari menu Viewer#2. Klik Yes untuk konfirmasi bila ada pertanyaan untuk menyimpan perubahan-perubahan pada Signature Editor.
43. Klik Close pada Raster pallete
44. Pilih File|Clear dari menu Viewer#1
Recoding Data Hasil Klasifikasi
1. Klik icon , kemudian muncul dialog box lalu pilih GIS Analysis | Recode sehingga keluar tampilan berikut. Isi input file dan output filenya.
2. Klik Setup Recode untuk mengelompokan baris-baris (row) atribut yang memiliki kelas klasifikasi yang sama.
3. Klik OK setelah selesai dan tunggu prosesnya.
4. Klik pada viewer untuk menampilkan data recode yang telah kita buat. Lalu klik menu bar Raster | Attribute , edit atributnya sesuai dengan nomor pengelompokannya.
IV. HASIL DAN PEMBAHASAN
A. HASIL
v Citra yang digunakan : darmaga_spot5_180603
v Klasifikasi terbimbing sebelum recode
v Klasifikasi terbimbing setelah recode
v Filtering klasifikasi terbimbing setelah recode
ERROR MATRIX
| No. | OBJEK | NILAI | KESALAHAN KLASIFIKASI | ||||||
| HUTAN | SAWAH | PEMUKIMAN | TEGALAN | RUMPUT | KEBUN CAMPURAN | TUBUH AIR | |||
| 1 | HUTAN 1 | 85,18 | - | - | - | - | - | 11,11 | - |
| 2 | HUTAN 2 | 83,83 | - | - | - | - | - | - | - |
| 3 | PEMUKIMAN 1 | 50,66 | - | 43,00 | - | - | 1,00 | - | 5,33 |
| 4 | PEMUKIMAN 2 | 80,00 | - | 18,34 | - | - | | - | 1,67 |
| 5 | PEMUKIMAN 3 | 82,27 | 0,4 | 14,77 | - | - | 1,48 | - | 0,49 |
| 7 | TUBUH AIR 1 | 87,28 | 1,04 | 2,6 | 7,8 | 0,52 | 0,78 | - | - |
| 8 | TUBUH AIR 2 | 81,25 | - | 6,25 | 10,42 | - | - | 2,08 | - |
ERROR MATRIX
-------------
Reference Data
--------------
Classified
Data Tubuh air Hutan 1 Tubuh air Tubuh air
---------- ---------- ---------- ---------- ----------
Tubuh air 72.73 0.00 6.25 0.00
Hutan 1 0.26 62.96 0.00 0.00
Tubuh air 14.29 0.00 75.00 3.85
Tubuh air 0.26 0.00 0.00 96.15
Hutan 2 0.78 22.22 0.00 0.00
Rumput 1 0.78 3.70 0.00 0.00
Rumput 2 0.00 0.00 0.00 0.00
Rumput 3 0.00 0.00 0.00 0.00
Sawah 1 0.52 0.00 2.08 0.00
Sawah 2 0.26 0.00 0.00 0.00
Sawah 3 1.82 0.00 4.17 0.00
Kebun Camp 0.00 7.41 0.00 0.00
Kebun Camp 0.00 0.00 2.08 0.00
Kebun Camp 0.00 3.70 0.00 0.00
Pemukiman 3.12 0.00 6.25 0.00
Pemukiman 2.08 0.00 0.00 0.00
Pemukiman 2.60 0.00 4.17 0.00
Tegalan 1 0.00 0.00 0.00 0.00
Tegalan 2 0.00 0.00 0.00 0.00
Tegalan 3 0.52 0.00 0.00 0.00
Column Total 385 27 48 26
Reference Data
--------------
Classified
Data Hutan 2 Rumput 1 Rumput 2 Rumput 3
---------- ---------- ---------- ---------- ----------
Tubuh air 0.00 0.00 0.00 0.00
Hutan 1 19.12 2.91 0.00 0.00
Tubuh air 0.00 0.00 0.00 0.00
Tubuh air 0.00 0.00 0.00 0.00
Hutan 2 64.71 12.14 0.00 0.00
Rumput 1 5.88 34.95 0.81 5.13
Rumput 2 0.00 3.88 95.97 43.59
Rumput 3 0.00 19.42 0.81 51.28
Sawah 1 0.00 0.00 0.00 0.00
Sawah 2 0.00 0.00 0.00 0.00
Sawah 3 0.00 0.00 0.00 0.00
Kebun Camp 10.29 5.83 0.00 0.00
Kebun Camp 0.00 1.46 0.00 0.00
Kebun Camp 0.00 0.00 0.00 0.00
Pemukiman 0.00 0.00 0.00 0.00
Pemukiman 0.00 0.49 0.00 0.00
Pemukiman 0.00 0.97 0.00 0.00
Tegalan 1 0.00 2.91 0.00 0.00
Tegalan 2 0.00 6.31 1.61 0.00
Tegalan 3 0.00 8.74 0.81 0.00
Column Total 68 206 124 39
Reference Data
--------------
Classified
Data Sawah 1 Sawah 2 Sawah 3 Kebun Camp
---------- ---------- ---------- ---------- ----------
Tubuh air 0.00 0.00 1.20 0.00
Hutan 1 0.00 0.00 0.00 4.35
Tubuh air 1.33 0.00 7.78 0.00
Tubuh air 0.00 0.00 0.00 0.00
Hutan 2 0.00 0.00 0.00 4.35
Rumput 1 0.22 0.00 0.00 4.35
Rumput 2 0.00 0.00 0.00 0.00
Rumput 3 0.00 0.00 0.00 0.00
Sawah 1 17.11 3.23 8.98 0.00
Sawah 2 14.44 87.90 2.99 0.00
Sawah 3 39.33 3.23 54.49 0.00
Kebun Camp 0.00 0.00 0.00 78.26
Kebun Camp 0.00 0.00 0.00 4.35
Kebun Camp 0.00 0.00 0.00 4.35
Pemukiman 6.44 0.81 14.97 0.00
Pemukiman 17.56 1.61 8.98 0.00
Pemukiman 3.56 3.23 0.60 0.00
Tegalan 1 0.00 0.00 0.00 0.00
Tegalan 2 0.00 0.00 0.00 0.00
Tegalan 3 0.00 0.00 0.00 0.00
Column Total 450 124 167 23
Reference Data
--------------
Classified
Data Kebun Camp Kebun Camp Pemukiman Pemukiman
---------- ---------- ---------- ---------- ----------
Tubuh air 0.00 0.00 0.00 0.00
Hutan 1 0.00 0.00 0.00 0.00
Tubuh air 0.00 0.00 5.33 1.67
Tubuh air 0.00 0.00 0.00 0.00
Hutan 2 0.00 4.76 0.00 0.00
Rumput 1 0.00 0.00 1.00 0.00
Rumput 2 0.00 0.00 0.00 0.00
Rumput 3 0.00 0.00 0.00 0.00
Sawah 1 0.00 0.00 5.00 9.17
Sawah 2 0.00 0.00 0.00 0.00
Sawah 3 0.00 0.00 38.00 9.17
Kebun Camp 3.85 0.00 0.00 0.00
Kebun Camp 92.31 19.05 0.00 0.00
Kebun Camp 3.85 76.19 0.00 0.00
Pemukiman 0.00 0.00 25.33 7.50
Pemukiman 0.00 0.00 18.33 62.50
Pemukiman 0.00 0.00 7.00 10.00
Tegalan 1 0.00 0.00 0.00 0.00
Tegalan 2 0.00 0.00 0.00 0.00
Tegalan 3 0.00 0.00 0.00 0.00
Column Total 26 21 300 120
Reference Data
--------------
Classified
Data Pemukiman Tegalan 1 Tegalan 2 Tegalan 3
---------- ---------- ---------- ---------- ----------
Tubuh air 0.00 0.00 0.00 0.00
Hutan 1 0.00 0.00 0.00 0.00
Tubuh air 0.49 0.00 0.00 0.00
Tubuh air 0.00 0.00 0.00 0.00
Hutan 2 0.49 0.00 0.00 0.00
Rumput 1 1.48 0.00 8.00 10.00
Rumput 2 0.00 0.00 0.00 10.00
Rumput 3 0.00 0.00 4.00 10.00
Sawah 1 6.40 0.00 0.00 0.00
Sawah 2 1.97 0.00 0.00 0.00
Sawah 3 6.40 0.00 0.00 0.00
Kebun Camp 0.00 0.00 0.00 0.00
Kebun Camp 0.00 0.00 0.00 0.00
Kebun Camp 0.00 0.00 0.00 0.00
Pemukiman 16.26 0.00 0.00 0.00
Pemukiman 41.38 0.00 0.00 0.00
Pemukiman 24.63 0.00 0.00 0.00
Tegalan 1 0.00 81.82 12.00 0.00
Tegalan 2 0.00 9.09 72.00 50.00
Tegalan 3 0.49 9.09 4.00 20.00
Column Total 203 22 25 10
----- End of Error Matrix -----
A.2. PEMBAHASAN
Pada praktikum ini melakukan kegiatan klasifikasi terbimbing pada citra darmaga_spot_5_180603. Klasifikasi terbimbing lebih banyak dikontrol oleh praktikan dibandingkan dengan klasifikasi tidak terbimbing. Pada proses ini praktikan memilih area-area representative pada citra yang diketahui kategorinya atau yang dapat diidentifikasi dengan bantuan informasi lain, misalnya peta. Tahapan proses klasifikasi terbimbing dibagi menjadi tiga, diantaranya tahap training sample yaitu analisis menyusun kunci interpretasi dan mengembangkan secara numeric spectral untuk setiap kenampakan dengan memeriksa batas daerah (training area). Tahapan klasifikasi yaitu setiap pixel pada serangkaian data citra dibandingkan setiap kategori pada kunci interpretasi numerik, yaitu menentukan nilai pixel yang tak dikenal dan paling mirip dengan kategori yang sama. Perbandingan tiap pixel citra dengan kategori pada kunci interpretasi dikerjakan secara numeric dengan menggunakan berbagai strategi klasifikasi (dapat dipilih salah satu dari jarak minimum rata-rata kelas, parallelepiped, kemiripan maksimum). Setiap pixel kemudian diberi nama sehingga diperoleh matrik multi dimensi untuk menentukan jenis kategori penutupan lahan yang diinterpretasi. Tahapan keluaran yaitu hasil matrik didenileasi sehingga terbentuk peta penutupan lahan, dan dibuat tabel matrik luas berbagai jenis tutupan lahan pada citra.
Untuk melakukan interpretasi citra maupun foto udara digunakan kreteria/unsur interpretasi yaitu terdiri atas rona atau warna, ukuran, bentuk, tekstur, pola, bayangan, situs dan asosiasi. Adapun penjelasan masing-masing unsur menurut Lillesand dan Kiefer (1979), yaitu rona atau warna adalah tingkat kegelapan atau tingkat kecerahan obyek pada citra. Rona merupakan tingkatan dari hitam ke putih atau sebaliknya. Sedangkan warna adalah ujud yang tampak oleh mata dengan menggunakan spektrum sempit, lebih sempit dari spektrum tampak. Permukaan yang menyerap cahaya seperti permukaan air akan berwarna gelap, sedangkan tanah yang kering akan berwarna cerah karena memantulkan cahaya ke kamera atau satelit penangkap sinyal/gelombang cahaya. Bentuk merupakan konfigurasi atau kerangka suatu objek, sehingga dapat mencirikan suatu penampakan yang ada pada citra dapat di identifikasi dan dapat dibedakan antar objek. UkuranUkuran ialah atribut obyek yang antara lain berupa jarak, luas, tinggi, lereng dan volume. Ukuran obyek pada citra maupun foto udara merupakan fungsi skala sehingga dalam memanfaatkan ukuran sebagai unsur interpretasi citra harus selalu memperhatikan skala citranya. Dengan kata lain ukuran merupakan perbandingan yang nyata dari obyek-obyek dalam citra maupun foto udara, yang mengambarkan kondisi di lapangan. TeksturTekstur adalah frekuensi perubahan rona pada citra atau pengulangan rona kelompok obyek yang terlalu kecil untuk dibedakan secara individual. Tekstur sering dinyatakan dari kasar sampai halus. Tekstur merupakan hasil gabungan dari bentuk, ukuran, pola, bayangan serta rona. Dengan melihat tekstur dapat di kelompokkan penggunaan lahan atau fungsi dari kawasan-kawasan tertentu. Pola atau susunan keruangan merupakan ciri yang menandai bagi banyak obyek bentukan manusia dan bagi beberapa obyek alamiah lainnya. Pengulangan bentuk tertentu dalam hubungan merupakan karakteristik bagi obyek alamiah maupun bangunandan akan memberikan suatu pola yang membantu dalam interpretasi citra maupun foto udara dalam mengenali obyek tertentu. BayanganBayangan sering merupakan kunci pengenalan yang penting bagi beberapa obyek yang justru lebih tampak dari bayangannya. Akan tetapi di sisi lain keberadaan bayangan merupakan suatu kondisi yang bertentangan, pada satu sisi bentuk dan kerangka bayangan dapat memberikan gambaran profil suatu obyek. Tetapi pada lain sisi jika ada suatu obyek yang berada di bawah bayangan, maka hanya sedikit memantulkan sedikit cahayadan sulit untuk diamati pada citra atau foto udara. Dengan bantuan unsur bayangan ini juga dapat menentukan arah mata angin serta pengenalan terhadap suatu obyek yang kemungkinan sulit diamati sebelumnya. SitusSitus atau lokasi suatu obyek dalam hubungannya dengan obyek lain dapat membantu dalam menginterpretasi foto udara ataupun citra ikonos. Situs ini sering dikaitkan antara obyek dengan melihat obyek yang lain. Asosiasi dapat diartikan sebagai keterkaitan antara obyek yang satu dengan obyek yang lain, dengan kata lain asosiasi ini hampir sama dengan situs. Adanya keterkaitan ini maka terlihatnya suatu obyek pada citra sering menjadi petunjuk adanya obyek yang lain.
Objek yang diklasifikasikan diantaranya adalah hutan (darkgreen), sawah (gold), pemukiman (red), tegalan (green), rumput (brown), kebun campuran (chartreuse), tubuh air (blue). Pada saat diklasifikasikan didapatkan tiga tubuh air, dua hutan, tiga rumput, tiga sawah, tiga kebun campuran, tiga pemukiman, dan tiga tegalan. Didapatkan data error matrix, nilai keberhasilan untuk hutan 1 sebesar 85.18, kesalahan terdapat pada kebun campuran sebesar 11.11. Nilai keberhasilan hutan 2 sebesar 83.83, kesalahan terdapat pada . Nilai keberhasilan pemukiman 1 sebesar 50.66, kesalahan terdapat pada sawah sebesar 43.00, rumput sebesar 1.00, dan tubuh air sebesar 5.33 . Nilai keberhasilan pemukiman 2 sebesar 80.00, kesalahan terdapat pada sawah sebesar 18.34 dan tubuh air sebesar 1.67. Nilai keberhasilan pemukiman 3 sebesar 82.27, kesalahan terdapat pada hutan sebesar 0.4, sawah sebesar 14.77, rumput sebesar 1.48 dan tubuh air sebesar 0.49. Nilai keberhasilan tubuh air 1 sebesar 87.28, kesalahan terdapat pada hutan sebesar 1.24, sawah sebesar 2.6, pemukiman sebesar 7.8, tegalan sebesar 0.52 dan rumput sebesar 0.78. Nilai keberhasilan tubuh air 2 sebesar 81.25, kesalahan terdapat pada sawah sebesar 6.25, pemukiman sebesar 10.42 dan kebun campuran sebesar 2.08 . untuk objek yang lainnya, nilai keberhasilan mencapai 100. Nilai kontingensi atau keberhasilan dalam mengklasifikasikan objek sudah mencapai 85, maka pengklasifikasian sudah bagus.
Pada klasifikasi terbimbing, saat melakukan pengklasifikasian, agak sulit dalam membedakan objek dan terdapat beberapa kendala lain. Pada sawah tentu saja terdapat air dan rumput, sehingga tubuh air dan rumput pun masuk kedalam pengklasifikasian. Pada pemukiman juga terdapat rumput dan air, sehingga kedua objek tersebut juga masuk ke dalam pengklasifikasian. Jadi pada saat mengklasifikasikan objek-objek terdapat beberapa kesalahan. Kesalahan interpreter dalam mengklasifikasikan objek-objek juga menjadi hal yang penting. Dalam membedakan warna, tekstur, bentuk, pola, ataupun kunci interpretasi yang lainnya terkadang interpreter salah yang dapat menjadikan objek salah diklasifikasikan.
V. Kesimpulan
Pada praktikum ini dilakukan klasifikasi terbimbing pada citra darmaga dengan mengklasifikasikan tujuh objek. Objek-objek tersebut diantaranya adalah hutan, sawah, pemukiman, tegalan, rumput, kebun campuran dan tubuh air. Tiga tahapan dalam klasifikasi terbimbing yaitu definisi penciri, evaluasi penciri, dan klasifikasi. Apabila nilai evaluasi kontingensi sudah mencapai 85, maka pengklasifikasian terhadap objek dikatakan bagus. Kesalahan tersebut dapat dihasilkan dari kesalahan paralaks, belum terbiasanya interpreter terhadap objek-objek yang diklasifikasikan, dan ada beberapa objek seperti rumput seringkali terdapat di pemukiman.
0 komentar:
Posting Komentar