Tugas #3
Klasifikasi Data Digital
Pendahuluan
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 spectral data untuk ketegorisasi setiap pixel berbasis numerik. Perbedaan tipe kenampakan menunjukkan perbedaan kombinasi dasar nilai digital pixel pada sifat pantulan (reflektansi) da pancaran (emisi) spectral yang dimilikinya, dan harus diingin pola spectral tidak semuanya sesuai dengan karakteristik geometric. Bentuk pola cukup berhubungan denga ukura radian yang diperoleh dari setiap pixel berdasarkan jenis saluran atau panjang gelombang yang merekamnya. Pengenalan pola spectral (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 spectral dalam sejumlah saluran Oleh Karen aitu atribut spasial dapat dikaitkan dengan proses pengenalan spectral, dengan cara membuat asumsi bahwa pixel yang berbedakan akan menajdi satu kelas tutupan yang sama.
Teknik klasifikasi yang akan dilakukan dalam praktikum ini berorientasi pada klasifikasi penutupan lahan, dengan membahas tentang klasifikasi tidak terbimbing (unsupervised classification) dan terbimbing (supervised classification).
a. Klasifikasi Tidak Terbimbing
Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara berulang-ulang dengan komputer (ER Mapper Help)
Sumbu horizontal menunjukkan nilai piksel pada band2 dan sumbu vertical menunjukkan nilai kecerahan piksel pada band1. Pengelompokan piksel menjadi kelas spectral diawali dengan menentukan jumlah kelas spectral 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 spectral ini ditentukan kemudian dipilih pusat-pusat kelas spectral terhadap setiap pusat kelas spectral. Berdasarkan hasil pengukran jarak ini setiap piksel dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat.
Setelah setiap piksel 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 spectral yang memiliki jarak terdekat.
Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi kelas spectral yaitu:
1. Standar deviasi maksimum, nilai standari deviasi maksimum yang sering digunakan berkisar antara 4,5 sampai 7
2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam persen (%).
3. Nilai pemisahan pusat kelas yang dipecah
4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9.
Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan:
1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan kebutuhan
2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam persentase, %).
Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antaa obyek dan kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori obyek tertentu. Pengidentifikasian kelas spectral menjadi obyek tertentu dapat dilakukan menggunakan suatu data acuan atau referensi penunjang.
Setelah semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan untuk menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil klasifikasi dapat ditunjukka dari gradasi warna yang terbentuk yang menunjukkan jenis kelas yang dikelompokkan oleh komputer.
b. Klasifikasi Terbimbing (supervised classification)
Proses klasifikasi denga 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 multispectral yang berbasis numeric, maka pengenalan polanya merupakan proses otomatik dengan bantuan komputer.
Klasifikasi terbimbing yang didasarkan pada pengenalan pola spectral terdiri atas tiga tahapan, yaitu:
1. Tahap training sample: analisis menyusun kunci interpretasi dan mengembangkan secara numeric spectral untuk setiap kenampakan dengan memeriksa batas daerah (training area).
2. Tahapan klasifikasi: setiap pixel pada serangkaian data citra dibandingkan steiap kategori pada kunci interpretasi numeric, 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.
3. Tahapan keluaran: hasil matrik didenileasi sehingga terbentuk peta penutupan lahan, dan dibuat tabel matrik luas berbagai jenis tutupan lahan pada citra.
Tujuan
Memperkenalkan teknik klasifikasi digital untuk penutupan lahan dengan melalui teknik klasifikasi terbimbing dan tidak terbimbing
Waktu
Praktikum ini dilaksanakan selama 4 (empat) minggu, dimulai tanggal 14 April 2008 hingga 6 Mei 2008, di Laboratorium Komputer, Pusat Komputer, Universitas Riau.
Pengumpulan laporan praktikum pada hari selasa, tanggal 6 mei 2008 jam 12:00 WIB.
Data
Data yang disediakan adalah data Citra Landsat 7 ETM+ tahun 2002, yang meliputi Pulau Bengkalis, Kabupaten Bengkalis Provinsi Riau. Data yang disediakan memiliki referensi spasial, Proyeksi GEODETIK dan Datum WGS84
Kebutuhan Praktikum
Anda diminta untuk melakukan:
1. Teknik klasifikasi tidak terbimbing
2. Teknik klasifikasi terbimbing dengan menggunakan strategi klasifikasi:
a. Maximum likelihood enhanced
b. Maximum distance
c. Maximum distance (Std. Dev)
d. Parallelepiped
e. Mahalanobis
Pelaporan proses pengerjaan dan hasil praktikum mengikuti standarisasi pelaporan yang telah ditetapkan sebelumnya
Lembar Penilaian
Mata Kuliah: Penginderaan Jauh Kelautan
Nama:
NIM:
Jurusan:
Tema: Klasifikasi Data Digital
| No | Penilaian | Bobot Nilai | Nilai Anda |
| 1. | Kelengkapan Penilaian | 5 | |
| 2. | Pendahuluan - Latar Belakang - Tujuan | 5 | |
| 3. | Metode - Piranti - Data - Teknis Pengerjaan | 1 1 30 | |
| 4. | Hasil dan Pembahasan | 38 | |
| 5. | Kepustakaan | 10 | |
| 6. | Kesimpulan dan Saran | 5 | |
| 7. | Lampiran | 5 | |
| | Jumlah | 100 | |
Selamat Bekerja
