3B

KLASIFIKASI UNSUPERVISED, SUPERVISED, DAN BERBASIS OBJEK
(Disusun untuk memenuhi tugas mata kuliah Penginderaan Jauh Lingkungan)
Disusun Oleh :
Kelompok III B
Ilham Ulinnuha NIM. 21110115130056

Enggar Stefan Simamora NIM. 21110115140069
Innong Pratikina Akbarudin NIM. 21110115130073
Risqi Fadly Robby NIM. 21110115140081
Hanum Fadhil Baihaqi NIM. 21110115140085
PROGRAM STUDI TEKNIK GEODESI

FAKULTAS TEKNIK – UNIVERSITAS DIPONEGORO
Jl. Prof. Sudarto SH, Tembalang Semarang Telp. (024) 76480785, 76480788
email : geodesi@undip.ac.id
2018
Laporan Praktikum Penginderaan Jauh Lingkungan
HALAMAN PENGESAHAN
Laporan Praktikum Penginderaan Jauh II ini telah disetujui dan disahkan
oleh Dosen Pembimbing Mata Kuliah Penginderaan Jauh II, Program Studi Teknik
Geodesi, Fakultas Teknik Universitas Diponegoro.
Disusun Oleh :
Kelompok III B
Ilham Ulinnuha NIM. 21110115130056

Enggar Stefan Simamora NIM. 21110115140069
Innong Pratikina Akbarudin NIM. 21110115130073
Risqi Fadly Robby NIM. 21110115140081
Hanum Fadhil Baihaqi NIM. 21110115140085
Semarang, Maret 2018
Mengetahui,
Dosen Pengampu Mata Kuliah
Nurhadi Bashit,. S.T,M.Eng

NIP 19891122011701193
Kelompok III-B i
KATA PENGANTAR
Assalamu’alaikum warahmatullahi wabarakatuh
Alhamdulillah, segala puji syukur penulis panjatkan kehadirat Allah SWT
atas segala karunia dan ridho-NYA, sehingga Laporan Praktikum Penginderaan
Jauh ini dapat diselesaikan. Laporan ini disusun untuk memenuhi tugas mata kuliah
Penginderaan Jauh II. Tidak lupa pula kami ucapkan terima kasih kepada :
1. Bapak Dr. Yudo Prasetyo, S.T., M.T.. selaku ketua jurusan Teknik
Geodesi Fakultas Teknik Universitas Diponegoro.
2. Bapak Nurhadi Bashit, S.T., M.T. , Bapak Abdi Sukmono, S.T., M.T., dan
Bapak Dr. Yudho Prasetyo, S.T., M.T. selaku dosen pengampu mata kuliah
Penginderaan Jauh Lingkungan yang telah membimbing kami dalam
penyusunan laporan ini.
3. Seluruh pihak yang telah membantu kami dalam menyusun Laporan
Praktikum Penginderaan Jauh Lingkungan yang tidak dapat kami sebutkan
namanya satu persatu.
Adapun tujuan pembuatan laporan ini adalah untuk memenuhi tugas mata
kuliah Penginderaan Jauh Lingkungan serta menjadikannya sebagai suatu media
pembelajaran bagi kita semua.
Kami sadar bahwa laporan yang kami susun masih sangat jauh dari
kesempurnaan, oleh karena itu masukan dan kritikan yang bersifat membangun
sangat kami harapkan sebagai acuan agar menjadi lebih baik lagi. Terima kasih
kami sampaikan.
Semarang, Maret 2018
Penyusun
Kelompok III-B ii
DAFTAR ISI
HALAMAN PENGESAHAN .................................................................................. i
KATA PENGANTAR ............................................................................................ ii
DAFTAR ISI .......................................................................................................... iii
DAFTAR GAMBAR .............................................................................................. v
DAFTAR TABEL .................................................................................................. vi
BAB I PENDAHULUAN .................................................................................. I-1
I.1 Latar Belakang ....................................................................................... I-1
I.2 Maksud dan Tujuan ................................................................................ I-2
I.3 Rumusan Masalah .................................................................................. I-2
I.3.1 Batasan Masalah.............................................................................. I-2
I.4 Sistematika Laporan ............................................................................... I-2
BAB II DASAR TEORI ................................................................................ II-1
II.1 Penginderaan Jauh ................................................................................ II-1
II.1.1 Pengertian Penginderaan Jauh....................................................... II-1
II.1.2 Tujuan Penginderaan Jauh ............................................................ II-2
II.2 Sistem Penginderaan Jauh .................................................................... II-2
II.3 Sensor Citra .......................................................................................... II-4
II.3.1 Sensor Pasif ................................................................................... II-4
II.4 ESRI Landsat Imagery ......................................................................... II-4
II.5 Segmentasi ............................................................................................ II-5
II.5.1 Konsep Segmentasi ....................................................................... II-5
II.5.2 Implementasi Segmentasi ............................................................. II-5
II.6 ENVI EX .............................................................................................. II-6
BAB III .............................................................................................................. III-8
METODE PENGOLAHAN ............................................................................... III-8
Kelompok III-B iii

III.1 Alat dan Bahan Pengolahan Data .................................................... III-8
III.2 Diagram Alir .................................................................................... III-8
III.2.1 Proses Klasifikasi Berbasis Piksel ............................................... III-8
III.1.2. Proses Klasifikasi Object Based ............................................. III-11
III.2 Prosedur ......................................................................................... III-11
III.2.1. Proses Klasifikasi Unsupervised ............................................ III-11
III.2.2. Proses Klasifikasi Supervised ................................................. III-14
III.3 Proses Klasifikasi Object Based .................................................... III-17
BAB IV HASIL DAN PEMBAHASAN ....................................................... IV-1
IV.1 Hasil Klasifikasi ............................................................................... IV-1
IV.1.1 Hasil Klasifikasi Unsupervised .................................................... IV-1
IV.1.2 Klasifikasi Supervised .................................................................. IV-3
IV.1.3 Klasifikasi Berbasis Objek ........................................................... IV-3
IV.1.4 Matrik Konfusi Klasifikasi Berbasis Objek ................................. IV-6
IV.2 Analisis ............................................................................................ IV-7
IV.2.1 Klasifikasi Unsupervised ............................................................. IV-7
IV.2.2 Klasifikasi Supervised ................................................................. IV-8
IV.2.3 Klasifikasi berbasi Objek ............................................................. IV-8
IV.2.4 Matrik Konfusi pada klasifikasi Berbasis Objek ......................... IV-8
BAB V PENUTUP ...................................................................................... V-10
V.1 Kesimpulan ......................................................................................... V-10
V.2 Saran ................................................................................................... V-10
Kelompok III-B iv
DAFTAR GAMBAR
Gambar II-1 Sistem Penginderaan Jauh .............................................................. II-2
Gambar II-2 Komponen Penginderaan Jauh ....................................................... II-3
Gambar II-4 Ilustrasi Sensor Pasif ...................................................................... II-4
Gambar III-6 Diagram alir proses klasifikasi unsupervised .............................. III-9
Gambar III-7 Diagram alir proses klasifikasi supervised ................................ III-10
Gambar III-8 Diagram alir klasifikasi object based ......................................... III-11
Kelompok III-B v
DAFTAR TABEL
Tabel IV-1 Tabel Matrik Konfusi IV-6
Tabel IV-2 User Akurasi IV-6
Tabel IV-3 Producer Akurasi IV-7
Tabel IV-4 Object Based IV-7
Kelompok III-B vi
BAB I
PENDAHULUAN
I.1 Latar Belakang

Pengindraan jauh merupakan seni dan ilmu untuk memperoleh informasi
mengenai suatu objek, daerah, ataupun gejala dengan cara menganalisis data yang
diperoleh menggunakan alat tanpa kontak langsung terhadap objek, daerah, ataupun
gejala yang akan dikaji. Misalnya pesawat udara, pesawat ulang-alik dan satelit.
Data berupa citra ini dapat diproses secara visual maupun digital. Proses analisis
dan pemodelannya melibatkan teknologi yang erat kaitannya, yaitu Penginderaan
Jauh.
Citra penginderaan jauh adalah gambaran suatu gejala atau objek sebagai
hasil rekaman dari sebuah sensor, baik dengan cara optik, elektro optik, maupun
elektronik. Dengan mengolah citra, maka akan didapatkan informasi visual tentang
citra. Pengolahan data pada citra dapat dilakukan dengan berbagai macam
perangkat lunak (software) antara lain: Idrisi, Erdas Imagine, PCI, ENVI dan lain-
lain.
Pengolahan data citra merupakan suatu cara memanipulasi data citra atau
mengolah satu data citra dengan menggunakan komputer agar menjadi suatu
keluaran (output) yang sesuai dengan yang kita harapkan. Pengolahan citra dapat
dikelompokkan menjadi 2 kegiatan yaitu memperbaiki kualitas suatu gambar,
sehingga dapat lebih mudah diinterpretasi oleh mata manusia dan mengolah
informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek
secara otomatis.
Adapun pengolahan data citra tersebut melalui beberapa tahapan, sampai
menjadi suatu keluaran yang diharapkan. Tujuan dari pengolahan citra adalah
mempertajam data geografis dalam bentuk digital menjadi suatu tampilan yang
lebih berarati bagi pengguna, dapat memberikan informasi kuantitatif suatu objek,
serta dapat memecahkan masalah. Kegiatan praktikum ini antara lain citra pasif
berupa citra yang diunduh menggunakan software SAS Planet dan pengolahan citra
ESRI Landsat Imagery menggunakan software ENVI EX.
Kelompok III-B I-1

I.2 Maksud dan Tujuan

Maksud dan tujuan dilakukan praktikum penginderaan jauh ini yaitu:
1. Maksud Praktikum
Maksud dilakukan praktikum ini yaitu untuk mengetahui kemampuan dan
pemahaman praktikan dalam melakukan pengolahan citra penginderaan
jauh menggunakan perangkat lunak penginderaan jauh yang sesuai dengan
keperluan.
2. Tujuan Praktikum
Tujuan dilakukan praktikum penginderaan jauh ini antara lain:
a. Mahasiswa dapat mengolah citra pasif dengan metode klasifikasi
supervice dan unsupervice menggunakan perangkat lunak ENVI EX.
b. Mahasiswa dapat melakukan analisis hasil dari pengolahan citra
penginderaan jauh.
I.3 Rumusan Masalah

Rumusan masalah yang timbul dalam praktikum ini adalah:
1. Bagaimana cara pengolahan supervice pasif ESRI Imagery di Padangsari?
2. Bagaimana cara pengolahan unsupervice pasif ESRI Imagery di
Padangsari?
3. Bagaimana anilisis hasil pengolahan citra di Padangsari?
I.3.1 Batasan Masalah
Dalam praktikum ini mempunyai ruang lingkup yang meliputi Supervised
Classification, Unsupervised Classification, segmentasi hingga menjadi produk
peta yang siap. Kelompok III-B menggunakan software ENVI EX serta
menganalisis hasil dari citra tersebut.
I.4 Sistematika Laporan

BAB I PENDAHULUAN
Berisi tentang latar belakang, maksud dan tujuan dibuatnya laporan,
rumusan dan batasan masalah serta sistematika dalam pembuatan laporan.
BAB II DASAR TEORI
Berisikan teori dasar tentang penginderaan jauh, sistem penginderaan jauh,
sensor citra, ESRI Landsat Imagery, software ENVI EX.
Kelompok III-B I-2

BAB III PELAKSANAAN PRAKTIKUM

Menjelaskan pelaksanaan praktikum dari Penginderaan Jauh yang berupa
alat dan bahan yang digunakan, metode, langkah-langkah dan proses
praktikum dilaksanakan.
BAB IV HASIL DAN PEMBAHASAN
Menjelaskan hasil praktikum Penginderaan Jauh yang sudah dilakukan
dan analisa tentang hasil praktikum.
BAB V PENUTUP
Berisikan tentang kesimpulan hasil praktikum Penginderaan Jauh Kelompok
III-B serta saran-saran untuk praktikum selanjutnya.
Kelompok III-B I-3

BAB II
DASAR TEORI
II.1 Penginderaan Jauh

II.1.1 Pengertian Penginderaan Jauh
Penginderaan jauh atau biasa disingkat penginderaan jauh adalah
pengukuran atau akuisisi data dari sebuah objek atau fenomena oleh sebuah alat
yang tidak secara fisik melakukan kontak dengan objek tersebut atau pengukuran
atau akuisisi data dari sebuah objek atau fenomena oleh sebuah alat dari jarak jauh,
(misalnya dari pesawat, pesawat luar angkasa, satelit, kapal atau alat lain). Contoh
dari penginderaan jauh antara lain satelit pengamatan bumi, satelit cuaca,
memonitor janin dengan ultrasonik dan wahana luar angkasa yang memantau planet
dari orbit.Penginderaan jauh berasal dari bahasa Inggris remote sensing, bahasa
Perancis télédétection, bahasa Jerman fernerkundung, pahasa Portugis
sensoriamento remota, bahasa Spanyol percepcion. Pengambilan data dari jarak
jauh biasanya dengan menggunakan sensor buatan.
Data penggunaan lahan dan penutup lahan merupakan data penting bagi
seorang perencana keputusan mengenai pengelolaan sumberdaya lahan. Lahan
merupakan material dasar dari suatu lingkungan (situs), yang diartikan berkaitan
dengan sejumlah karakteristik alami yakni iklim, geologi, tanah, topografi,
hidrologi, dan biologi. Penggunaan lahan merupakan aktivitas manusia pada dan
dalam kaitannya dengan lahan, yang biasanya tidak secara langsung tampak dari
citra. Sementara, penutup lahan menggambarkan konstruksi vegetasi dan buatan
manusia yang menutup permukaan bumi. Konstruksi tersebut seluruhnya dapat
tampak secara langsung dari citra penginderaan jauh. Hubungan dalam sistem
penginderaan jauh dapat dilihat di Gambar II-1.
Kelompok III-B II-1

Gambar II-1 Sistem Penginderaan Jauh

II.1.2 Tujuan Penginderaan Jauh
Tujuan utama dari penginderaan jauh adalah mengumpulkan data sumber
daya alam dan lingkungan. Penginderaan jauh makin banyak dimanfaatkan karena
berbagai macam alasan sebagai berikut:
1. Citra dapat dibuat secara cepat meskipun pada daerah yang sulit ditempuh
melalui daratan, contohnya hutan, rawa dan pegunungan. Citra
menggambarkan objek dipermukaan bumi dengan wujud dan letak objek
mirip dengan sebenarnya, gambar relatif lengkap, liputan daerah yang luas
dan sifat gambar yang permanen.
2. Citra tertentu dapat memberikan gambar tiga dimensi jika dilihat dengan
menggunakan stereoskop. Gambar tiga dimensi itu sangat menguntungkan
karena menyajikan model objek yang jelas, relief lebih jelas,
memungkinkan pengukuran beda tinggi, pengukuran lereng dan
pengukuran volume.
3. Citra dapat menggambarkan benda yang tidak tampak sehingga
dimungkinkan pengenalan objeknya. Sebagai contoh adalah terjadinya
kebocoran pipa bawah tanah.
4. Citra sebagai satu-satunya cara untuk pemetaan daerah bencana.
II.2 Sistem Penginderaan Jauh

Berdasarkan sumber tenaga yang digunakan, sistem penginderaan jauh
dibedakan sebagai berikut:
Kelompok III-B II-2

1. Sistem pasif adalah sistem yang menggunakan sumber tenaga dari sinar
matahari.
2. Sistem aktif adalah sistem yang menggunakan tenaga buatan seperti
gelombang mikro dan lampu blitz kamera.
Jumlah tenaga yang diterima oleh objek di setiap tempat berbeda-beda, hal ini
dipengaruhi oleh beberapa faktor, antara lain:
1. Waktu penyinaran
Jumlah energi yang diterima oleh objek pada saat matahari tegak lurus
(siang hari) lebih besar dari pada saat posisi miring (sore hari). Makin
banyak energi yang diterima objek, makin cerah warna objek tersebut.
2. Bentuk permukaan bumi
Permukaan bumi yang bertopografi halus dan memiliki warna cerah pada
permukaannya lebih banyak memantulkan sinar matahari dibandingkan
permukaan yang bertopografi kasar dan berwarna gelap. Sehingga daerah
bertopografi halus dan cerah terlihat lebih terang dan jelas.
3. Keadaan cuaca
Kondisi cuaca pada saat pemotretan mempengaruhi kemampuan sumber
tenaga dalam memancarkan dan memantulkan. Misalnya kondisi udara
yang berkabut menyebabkan hasil penginderaan jauh menjadi tidak begitu
jelas atau bahkan tidak terlihat.
Gambar II-2 Komponen Penginderaan Jauh
Kelompok III-B II-3

II.3 Sensor Citra

II.3.1 Sensor Pasif
Sensor pasif mengukur energi yang secara alami tersedia dari matahari (atau
re-dipancarkan oleh bumi). Tercermin energi selama siang hari saja. IR-Thermal
dapat dideteksi dimalam hari juga. Jika ada awan bisa menimbulkan masalah.
Gambar II-3 Ilustrasi Sensor Pasif
II.4 ESRI Landsat Imagery

Pada tahun 2008, sekretaris Departemen Dalam Negeri AS (DOI), Dirk
Kempthorne, berbicara kepada audiensi di Konferensi Pengguna Internasional Esri
dan mengumumkan bahwa sebagai bagian dari inisiatif pemerintah AS yang lebih
besar untuk membuat datanya semakin tersedia, semua scene Landsat di arsipnya
akan tersedia secara gratis. Ini termasuk kumpulan data Landsat Global Land
Survey (GLS), yang menyediakan data citra terbaik di seluruh dunia untuk
bagaimana bumi kita berubah. Tahun lalu, Esri mengumumkan bahwa hal itu akan
membuat data citra ini dapat diakses secara gratis di ArcGIS Online.
Layanan tersedia dalam berbagai kombinasi band standar. Kombinasi band
ini meliputi warna palsu (band 4,3,2) - berguna untuk studi vegetasi dan
pemantauan pertumbuhan tanaman, warna alami dengan penetrasi atmosfir (band
7,4,2) - paling sesuai untuk analisis studi perkotaan, dan analisis vegetasi ( band
5,4,3) - memberikan informasi paling banyak untuk pertanian dan pengelolaan
hutan. Karena layanan ini juga multitemporal, pengguna dapat memutar mundur
Kelompok III-B II-4

waktu dan dengan mudah menganalisis bagaimana keadaan berubah di wilayah

mereka selama 30 tahun terakhir.
Penampil Landsat berisi alat deteksi perubahan yang cepat dan mudah
digunakan. Bila terjadi perubahan, mudah untuk memvisualisasikan perbedaan
dengan melihat citra secara spektral selama periode waktu yang berbeda. Alat
deteksi perubahan memungkinkan pengguna melakukan analisis citra
multitemporal untuk perubahan melalui diferensiasi gambar. Penampil Landsat
secara otomatis menghitung informasi ini berdasarkan pilihan pengguna dan
menampilkan informasi yang dihasilkan pada peta deteksi perubahan. Pengguna
dapat dengan cepat memahami perubahan yang telah terjadi dengan
memvisualisasikan dan berinteraksi dengannya di peta deteksi perubahan
II.5 Segmentasi
II.5.1 Konsep Segmentasi
Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang
homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan
suatu piksel dengan tingkat keabuan piksel-piksel tetangganya. Proses segmentasi
memiliki tujuan yang hampir sama dengan proses klasifikasi tidak terpandu.
Segmentasi sering dideskripsikan sebagai proses analogi terhadap proses
pemisahan latar depan latar belakang. Tujuan segmentasi citra adalah menemukan
area yang merepresentasikan objek atau bagian objek yang memiliki arti. Masalah
umum pada segmentasi citra adalah noise yang ada pada citra.
II.5.2 Implementasi Segmentasi
1. Segmentasi Citra berdasarkan Pendekatan Wilayah dan Klasterisasi
Ide utama dalam teknik segmentasi berdasar wilayah adalah
mengidentifikasi beberapa wilayah dalam suatu citra yang memiliki
kesamaan corak. Teknik klasterisasi yang ditemui dalam literature
pengenalan pola memiliki kesamaan objek dan dapat diterapkan untuk
segmentasi citra. Citra dibagi dalam wilayah-wilayah kecil yang nilai aras
keabuannya seragam. Untuk segmentasi citra berdasarkan klasterisasi akan
dibahas lebih rinci pada bagian selanjutnya.
2. Teknik Pemetaan Warna (ColourMapping)
Kelompok III-B II-5

Teknik pemetaan warna merupakan bagian salah satu teknik segmentasi

citra menggunakan metode klasterisasi. Hal ini disebabkan dalam
memetakan warna dari citra masukan akan dikelompokan sesuai dengan
kesamaan- kesamaan warna yang dimiliki. Sehingga tahap-tahap yang akan
digunakan mempunyai kesamaan dengan metodeklasterisasi.
3. Region Growing
Metode sederhana untuk menyegmentasi citra adalah memulai dengan
beberapa piksel (biasa juga disebut seed) yang merepresentasikan region-
region citra yang berbeda dan “menumbuhkannya”, sampai memenuhi
seluruh citra. Untuk metode ini, kita memerlukan aturan yang mengatur
mekanisme tumbuhnya seed dan suatu aturan lain yang menguji
kehomogenan dari region setelah satu tahap tumbuh selesai.
II.6 ENVI EX
ENVI EX adalah penampil yang kuat dengan tampilan dinamis yang
memungkinkan tampilan dan manipulasi gambar, vektor, dan anotasi jarak jauh.
ENVI EX menyediakan akses antarmuka cepat ke alat tampilan umum seperti
kontras, kecerahan, penajaman, dan transparansi. ENVI EX dapat bekerja dengan
banyak lapisan data sekaligus dan dalam satu jendela, gunakan Manajer Data dan
Manajer Lapang untuk melacak beberapa kumpulan data, dan "menembus" lapisan
untuk melihat dan bekerja dengan lapisan atau lapisan lain di jendela yang sama.
Sebagai tambahan, ENVI EX akan memasang ulang dan membuat ulang gambar
dan vektor on-the-fly. ENVI EX bekerja secara mulus dengan lapisan ESRI dan
kelas fitur, dan ini memungkinkan membuat presentasi peta profesional.
ENVI EX juga berisi alat deteksi Anomali RX, Penajam, dan Vegetasi yang
kuat. Alat Deteksi Anomali RX mendeteksi perbedaan spektral atau warna antara
lapisan dan ekstrak yang diketahui target yang berbeda secara spektral dari latar
belakang gambar. Gunakan Pan Sharpening untuk mempertajam data multispektral
resolusi spasial yang rendah dengan menggunakan data pankromatik resolusi
spasial yang tinggi. Alat Supresi Vegetasi memungkinkan untuk menghapus tanda
spektral vegetasi dari citra multispektral dan hiperspektral.
Kelompok III-B II-6

ENVI EX menyertakan alat manipulasi gambar tingkat lanjut untuk

pengguna GIS yang memungkinkan untuk memvisualisasikan data secara
interaktif. Dengan ENVI EX, dapat melakukan tugas pemrosesan gambar dengan
cepat dan mudah dari Toolbox. Aliran analisis gambar otomatis ENVI EX
mengambil kompleksitas dari pemrosesan gambar. Mereka menyediakan prosedur
dan petunjuk langkah demi langkah untuk memandu melalui gambar
ortorektifikasi, mendeteksi perubahan tematik atau perbedaan gambar di suatu
daerah dari waktu ke waktu, menemukan fitur yang diminati di area yang luas, dan
mengklasifikasikan penutup lahan. Semua alat pemrosesan dan analisis di ENVI
EX didasarkan pada algoritma dan metode ilmiah ENVI.
Kelompok III-B II-7

BAB III
METODE PENGOLAHAN
III.1 Alat dan Bahan Pengolahan Data
1. Alat
a. Perangkat Keras
Perangkat keras yang digunakan untuk pengolahan data tugas ini
adalah satu unit laptop dengan spesifikasi sebagai berikut:
Tipe Komputer : Dell Inspiron 15 7557
Sistem Operasi : Microsoft Windows 10 Home Edition
Tipe Sistem : 64-bit operating system
Tipe Processor : Intel CORE i5
RAM : 12 GB
b. Perangkat Lunak
Perangkat lunak yang digunakan untuk pengolahan data tugas ini
adalah software ENVI EX serta di ArcGIS 10.3.
2. Bahan
Bahan yang digunakan dalam tugas ini adalah citra pasif Google
Earth, data shapefile Ina-Geoporrtal untuk Kelurahan Gedawang,
serta data hasil ground sampling untuk Kelurahan Padangsari,
Kecamatan Banyumanik, Semarang.
III.2 Diagram Alir

III.2.1 Proses Klasifikasi Berbasis Piksel
Proses klasifikasi berdasarkan piksel dibagi menjadi dua, yaitu
klasifikasi supervised dan klasifikasi unsupervised.
Kelompok III-B III-8

III.2.1.1 Proses Klasifikasi Unsupervised

Diagram alir klasifikasi unsupervised adalah sebagai berikut.
Gambar III-1 Diagram alir proses klasifikasi unsupervised

III.1.1.1. Proses Klasifikasi Supervised
Gambar III-2 Diagram alir proses klasifikasi supervised

III.1.2. Proses Klasifikasi Object Based
Gambar III-3 Diagram alir klasifikasi object based
III.2 Prosedur
III.2.1. Proses Klasifikasi Unsupervised
Langkah- langkah untuk proses klasifikasi unsupervised adalah sebagai
berikut.

1. Input citra terektifikasi yang telah dipotong.
Gambar III-4 Open

2. Untuk memulai proses klasifikasi unsupervised, pada toolbox klik
workflow classification.
Gambar III-5 Classification

3. Pada jendela classification, masukkan citra yang akan diklasifikasi pada
kolom raster file. Kemudian klik next.
Gambar III-6 Memasukkan citra

4. Kemudian pilih no training data, karena ini adalah proses unsupervised
yang tidak membutuhkan sampel. Lalu klik next.

Gambar III-7 No training data

5. Pada classes masukkan jumlah kelasnya.
Gambar III-8 Jumlah kelas

6. Kemudian klik advanced. Masukkan jumlah iterasi pada maximum
iterations dan masukkan threshold pada change thresholds. Lalu klik next.
Gambar III-9 Jumlah iterasi dan threshold

7. Selanjutnya pada cleanup refine results centang pada enable smoothing
dan enable aggregation. Tentukan jumlah seperti pada gambar dibawah
ini. Lalu klik next.

Gambar III-10 Clean up

8. Kemudian pada export save results, centang export classification image
dan export classification vectors. Lalu atur data keluaran. Untuk tipe
gambar, pilih data keluaran ENVI dan untuk vector, pilih data keluaran
shp. Kemudian klik finish. Setelah proses selesai, maka hasil dari proses
klasifikasi unsupervised akan ditampilkan pada layar.
Gambar III-11 Menyimpan hasil

III.2.2. Proses Klasifikasi Supervised
Langkah- langkah proses klasifikasi citra secara supervised adalah sebagai
berikut.
1. Untuk membuka citra, pada menu file klik open.

Gambar III-12 Open

2. Pada jendela open, pilih citra yang akan diklasifikasi. Kemudian klik
open.
Gambar III-13 Membuka Citra

3. Maka citra akan ditampilkan pada layar. Setelah itu, pada toolbox klik
workflow classification.
Gambar III-14 Classification

4. Kemudian masukkan citra pada kolom raster file. Lalu klik next.
Gambar III-15 Memasukkan citra

5. Pada select a method, pilih use training data. Kemudian klik next.
Gambar III-16 Memilih metode klasifikasi

6. Tentukan jumlah kelas pada training data dengan cara klik add data.
Kemudian pilih sampel yang sesuai dengan klasifikasi. Setelah itu, pilih
minimum distance pada algorithm. Lalu klik next.
Gambar III-17 Membuat kelas dan menentukan sampel
Gambar III-18 Pengambilan sample

7. Pada refine results pilih semua dan tentukan jumlah seperti pada
gambar dibawah ini, kemudian klik next.

Gambar III-19 Refine results

8. Kemudian pada export save results, centang export classification image
dan export classification vectors. Lalu atur data keluaran. Untuk tipe
gambar, pilih data keluaran ENVI dan untuk vector, pilih data keluaran
shp. Kemudian klik finish. Setelah proses selesai, maka hasil dari proses
klasifikasi unsupervised akan ditampilkan pada layar.
Gambar III-20 Menentukan tempat penyimpanan

III.3 Proses Klasifikasi Object Based
Proses klasifikasi object based dalam praktikum ini yaitu :
1. Langkah pertama adalah input data citra yang akan diklasifikasi, caranya
adalah klik file – open – pilih file yang akan diklasifikasi – OK..

Gambar III-21 Open

2. Setelah input file, klik workflows – Feature Extraction.
Gambar III-22 Feature Extraction

3. Pilih file yang akan klasifikasi – klik OK.
Gambar III-23 Select fx Input Files

4. Atur Scale Level sesuai kebutuhan. Pada pengolahan ini kami menggunakan
level 30, kemudian klik Next.

Gambar III-24 Scale Level

5. Atur Merge Level sesuai kebutuhan. Pada pengolahan ini kami menggunakan
level 90, kemudian klik Next.
Gambar III-25 Merge Level

6. Setelah itu pilih No Thresholding.
Gambar III-26 Refine

7. Atributes yang dipilih adalah Spatial, Spectral dan Texture.

Gambar III-27 Compute Attribute

8. Pilih Choose by Selecting Example, karena pengolahan ini adalah klasifikasi
rule based, maka kita membutuhkan sampel.
Gambar III-28 Classify or Export

9. Setelah itu membuat kelas-kelas tutupan lahan. Pada pengolahan ini ada 5
kelas yaitu, pemukiman, vegetasi, lahan terbuka, sawah dan jalan. Kemudian
untuk membuat sampel klik salah satu kelas yang telah dibuat, klik objek pada
citra sesuai dengan kelasnya.
Gambar III-29 Membuat Sampel

10. Setelah membuat sampel, export file. Atur Export Vector Results dan
Smoothing seperti dibawah ini, kemudian klik Next.
Gambar III-30 Export Feature

BAB IV
HASIL DAN PEMBAHASAN
IV.1 Hasil Klasifikasi
IV.1.1 Hasil Klasifikasi Unsupervised
Pada klasifikasi dengan metode Unsupervised dapat dilihat pada gambar
IV.1. Pada klasifikasi ini kami membagi menjadi 5 kelas dimana setiap kelas
memiliki warna yang berbeda-beda. Pada klasifikasi ini tidak memerlukan sampel
sehingga pada proses tidak dimasukkan sampel.
Gambar IV-1 Hasil Unsupervised
Tabel IV-1 Matrik Konfusi

Jenis Lahan No
Vegetasi Sungai Pemukiman Jumlah
Terbuka data
Vegetasi 10 0 0 0 10
Lahan 10
0 2 0 7 1
Terbuka
Kelompok III-B IV-1

Sungai 5 0 0 6 0 11
Pemukiman 3 0 0 5 1 9
No data 0 0 0 0 0 0
Jumlah 18 2 0 18 2 40
Dari hasil matrik konfusi dapat dibuat presentase user akurasi dan produk
akurasi yaitu pada tabel IV-2 dan tabel IV-3.
Tabel IV-2 User Akurasi

Vegetasi =10:10*100 100
Lahan Terbuka =10:11*100 90,909
Sungai =8:8*100 100
Pemukiman =8:8*100 100
No data =
Tabel IV-3 Producer Akurasi

Vegetasi =10:10*100 100
Lahan Terbuka =10:10*100 100
Sungai =0:11*100 0
Pemukiman =5:9*100 55.5
Sawah - -
Kelompok III-B IV-2

Kelas Komisi(px) Omisi(px) Komisi(%) omisi(%)
Vegetasi 0/10 8/18 0 44.4
Lahan Terbuka 8/10 0/2 80 0
Sungai 11/11 0/0 100 0
Pemukiman 4/9 13/18 44.4 72.2
Sawah - -
IV.1.2 Klasifikasi Supervised

Pada klasifikasi dengan metode Supervised dapat dilihat pada gambar IV.2.
Pada klasifikasi ini kami membagi menjadi 4 kelas dimana setiap kelas memiliki
warna yang berbeda-beda. Pada klasifikasi ini memerlukan sampel untuk
mengkelaskan objek-objek. Klasifikasi terdapat 4 kelas yaitu sawah,
bangunan,sungai dan lahan terbuka.
Gambar IV-2 Hasil Supervised

IV.1.3 Klasifikasi Berbasis Objek
Pada klasifikasi dengan metode Supervised dapat dilihat pada gambar IV-3.
Pada klasifikasi ini kami membagi menjadi 4 kelas dimana setiap kelas memiliki
Kelompok III-B IV-3

warna yang berbeda-beda. Pada klasifikasi ini memerlukan sampel untuk

mengkelaskan objek-objek. Klasifikasi ini terdapat 4 kelas.
Gambar IV-3 Hasil Klasifikasi Berbasis Objek

Tabel IV-1 Tabel Matrik Konfusi
Jenis Lahan No
Vegetasi Sungai Pemukiman Jumlah
Terbuka data
Vegetasi 10 0 0 0 10
Lahan 10
0 2 0 7 1
Terbuka
Sungai 5 0 0 6 0 11
No data 0 0 0 0 0 0
Jumlah 18 2 0 18 2 40
akurasi yaitu pada tabel IV-2 dan tabel IV-3.
Kelompok III-B IV-4


Vegetasi =10:10*100 100
Sungai =0:11*100 0
Pemukiman =5:9*100 55.5
No data =

Vegetasi =10:18*100 55.5
Sungai =0:0*100 0
Pemukiman =5:18*100 27.7
Sawah - -
Kemudian, dari data tabel diatas dapat ditarik suatu data berupa tabel yang
dilakukan untuk mengetahui komisi dan omisi pada suatu pengklasifikasian
Tabel 4 Object Based
Vegetasi 0/10 8/18 0 44.4
Sungai 11/11 0/0 100 0
Pemukiman 4/9 13/18 44.4 72.2
Kelompok III-B IV-5

Sawah - -
IV.1.4 Matrik Konfusi Klasifikasi Berbasis Objek

Hasil pengklasifikasian maka dilakukan matrik konfusi yang
digunakan untuk menggetahui kesalahan dalam pengklasifikasian.
Tabel IV-5 Tabel Matrik Konfusi

Jenis Lahan
Vegetasi Sungai Pemukiman Sawah Jumlah
Terbuka
Vegetasi 10 0 1 2 0 13
Lahan 11
0 10 1 0 0
Terbuka
Sungai 0 0 8 0 0 8
Sawah 0 0 0 0 0 0
Jumlah 10 10 10 10 10 40
akurasi yaitu pada Tabel IV-2 dan Tabel IV-3.

Vegetasi =10:13*100 76,92
Lahan Terbuka =10:11*100 90,909
Sungai =8:8*100 100
Kelompok III-B IV-6

Sawah - -

Vegetasi =10:10*100 100
Sungai =8:10*100 80
Sawah - -
Kemudian, dari data tabel diatas dapat ditarik suatu data berupa tabel yang
dilakukan untuk mengetahui komisi dan omisi pada suatu pengklasifikasian
Tabel IV-8 Object Based
Vegetasi 3/13 0/10 10 100
Sungai 0/8 2/10 100 20
Pemukiman 0/8 2/10 100 20
Sawah - -
IV.2 Analisis
IV.2.1 Klasifikasi Unsupervised
Pada klasifikasi dengan metode Unsupervised tidak memerlukan
sampel. Pada klasifikasi ini menggunakan 4 kelas yang akan dibuat. Pada
klasifikasi ini proses pengklasfikasian tidak memasukkan sampel jadi
Kelompok III-B IV-7

setalah citra diproses pengklasifikasian dengan unsupervised maka

komputer secara otomatis melakukan proses klasifikasi. Namun hasil
klasifikasi masih kurang sesuai dengan kenyataan di lapangan. Terlihat dari
klasifikasi pada jalan yang masih tercampur dengan klasifikasi lainnya. Hal
ini disebabkan karena komputer secara otomatis melakukan
pengklasifikasian berdasarkan kelas yang kami buat. Hasilnya bisa dilihat
pada Gambar IV-1.
IV.2.2 Klasifikasi Supervised

Pada proses pengklasifikasian ini menggunakan sampel dimana total
sampel yang digunakan ada 40 sampel yang terdiri dari 10 sampel
bangunan, 10 sampel vegetasi, dan 10 sampel lahan terbuka yang diambil
langsung koordinatnya dilapangan. Hasil dari klasifikasi supervised
hasilnya tidak terlalu bagus karena masih banyak klasifikasi yang salah,
contohnya pada objek sungai dan tumbuhan masih terdapat klasifikasi yang
salah. Hal ini terjadi karena kekurangan sampel dan citra yang digunakan
resolusinya kurang bagus sehingga terjadi kesalahan dalam
pengklasifikasian.
IV.2.3 Klasifikasi berbasi Objek

Perhatikan peta klasifikasi Object Based pada Gambar IV-3.
Klasifikasi ini menggunakan sampel untuk menentukan kelas yang kita
inginkan. Pada klasifikasi ini menggunakan 10 sampel pada masing-masing
kelasnya. Hasil klasifikasi masih terdapat kesalahan yang terjadi slah satu
contoh ada klasifikasi yang masih salah. Hal itu disebabkan karena dalam
satu objek tidak hanya memiliki 1 DN saja, sehingga ketika komputer
melakukan pengklasifikasian DN yang berbeda tersebut dianggap sebagai
satu kesatuan objek.
IV.2.4 Matrik Konfusi pada klasifikasi Berbasis Objek

Hasil dari perhitungan matrik mendapatakan nilai yang kurang dari 80%
pada vegetasi dari dapat dianalisis dalam pengklasifikasian belum memenuhi syarat
karena masih terdapat kelas yag kurang dari 80%. Hal ini disebabkan karena citra
yang digunakan belum resolusi tinggi sehingga ada nilai DN yang hampir sama
Kelompok III-B IV-8

tetapi berbeda kelas yang dikelaskan menjadi satu kelas sehingga terdapat
kesalahan. Pada klasifikasi perhitungan matrik mendekati benar karena hanya satu
kelas yang kurang dari 80%.
Kelompok III-B IV-9

BAB V
PENUTUP
V.1 Kesimpulan
1. Pada klasifikasi unsupervised ini kami membagi menjadi 5 kelas dimana
setiap kelas memiliki warna yang berbeda-beda. Pada klasifikasi ini tidak
memerlukan sampel sehingga pada proses tidak dimasukkan sampel.
2. Pada klasifikasi supervised ini kami membagi menjadi 4 kelas dimana setiap
kelas memiliki warna yang berbeda-beda. Pada klasifikasi ini memerlukan
sampel untuk mengkelaskan objek-objek. Klasifikasi terdapat 4 kelas yaitu
sawah, bangunan,sungai dan lahan terbuka.
3. Hasil klasifikasi unsupervised masih kurang sesuai dengan kenyataan di
lapangan. Terlihat dari klasifikasi pada jalan yang masih tercampur dengan
klasifikasi lainnya. Hal ini disebabkan karena komputer secara otomatis
melakukan pengklasifikasian berdasarkan kelas yang kami buat
4. Hasil dari klasifikasi supervised hasilnya tidak terlalu bagus karena masih
banyak klasifikasi yang salah, contohnya pada objek sungai dan tumbuhan
masih terdapat klasifikasi yang salah. Hal ini terjadi karena kekurangan
sampel dan citra yang digunakan resolusinya kurang bagus sehingga terjadi
kesalahan dalam pengklasifikasian.
5. Hasil klasifikasi berbasis objek masih terdapat kesalahan yang terjadi slah
satu contoh ada klasifikasi yang masih salah. Hal itu disebabkan karena
dalam satu objek tidak hanya memiliki 1 DN saja, sehingga ketika
komputer melakukan pengklasifikasian DN yang berbeda tersebut dianggap
sebagai satu kesatuan objek.
V.2 Saran
Setelah melakasanakan praktikum ada beberapa saran yang dapat
disampaikan:
Kelompok III-B V-10

1. Informasi praktikum sebaiknya diinformasikan di awal praktikum secara

jelas dang lengkap agar dalam pelaksanaan tidak ada permasalahan yang
diakibatkan karena kurangnya komunikasi.
2. Waktu praktikum sebaiknya dimulai lebih awal lagi, sehingga ketika dalam
pelaksanaan praktimum terdapat suatu kendala, dapat diatasi dengan adanya
waktu senggang.
3. Perlu adanya asistensi atau follow up hasil pengerjaan baik melalui asisten
dosen maupun dosen pengampu itu sendiri.
Kelompok III-B V-11

LAMPIRAN
Kelompok III-B V-1

Kelompok III-B V-2

3B

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

3B

Загружено:

Авторское право:

Доступные форматы

KLASIFIKASI UNSUPERVISED, SUPERVISED, DAN BERBASIS OBJEK

(Disusun untuk memenuhi tugas mata kuliah Penginderaan Jauh Lingkungan)

Ilham Ulinnuha NIM. 21110115130056

PROGRAM STUDI TEKNIK GEODESI

Ilham Ulinnuha NIM. 21110115130056

Semarang, Maret 2018

Dosen Pengampu Mata Kuliah

Nurhadi Bashit,. S.T,M.Eng

Semarang, Maret 2018

KATA PENGANTAR ............................................................................................ ii

DAFTAR ISI .......................................................................................................... iii

DAFTAR GAMBAR .............................................................................................. v

DAFTAR TABEL .................................................................................................. vi

BAB I PENDAHULUAN .................................................................................. I-1

I.1 Latar Belakang ....................................................................................... I-1

I.2 Maksud dan Tujuan ................................................................................ I-2

I.3 Rumusan Masalah .................................................................................. I-2

I.3.1 Batasan Masalah.............................................................................. I-2

I.4 Sistematika Laporan ............................................................................... I-2

BAB II DASAR TEORI ................................................................................ II-1

II.1 Penginderaan Jauh ................................................................................ II-1

II.1.1 Pengertian Penginderaan Jauh....................................................... II-1

II.1.2 Tujuan Penginderaan Jauh ............................................................ II-2

II.2 Sistem Penginderaan Jauh .................................................................... II-2

II.3 Sensor Citra .......................................................................................... II-4

II.3.1 Sensor Pasif ................................................................................... II-4

II.4 ESRI Landsat Imagery ......................................................................... II-4

II.5 Segmentasi ............................................................................................ II-5

II.5.1 Konsep Segmentasi ....................................................................... II-5

II.5.2 Implementasi Segmentasi ............................................................. II-5

II.6 ENVI EX .............................................................................................. II-6

BAB III .............................................................................................................. III-8

METODE PENGOLAHAN ............................................................................... III-8

Kelompok III-B iii

III.1 Alat dan Bahan Pengolahan Data .................................................... III-8

III.2 Diagram Alir .................................................................................... III-8

III.2.1 Proses Klasifikasi Berbasis Piksel ............................................... III-8

III.1.2. Proses Klasifikasi Object Based ............................................. III-11

III.2 Prosedur ......................................................................................... III-11

III.2.1. Proses Klasifikasi Unsupervised ............................................ III-11

III.2.2. Proses Klasifikasi Supervised ................................................. III-14

III.3 Proses Klasifikasi Object Based .................................................... III-17

BAB IV HASIL DAN PEMBAHASAN ....................................................... IV-1

IV.1 Hasil Klasifikasi ............................................................................... IV-1

IV.1.1 Hasil Klasifikasi Unsupervised .................................................... IV-1

IV.1.2 Klasifikasi Supervised .................................................................. IV-3

IV.1.3 Klasifikasi Berbasis Objek ........................................................... IV-3

IV.1.4 Matrik Konfusi Klasifikasi Berbasis Objek ................................. IV-6

IV.2 Analisis ............................................................................................ IV-7

IV.2.1 Klasifikasi Unsupervised ............................................................. IV-7

IV.2.2 Klasifikasi Supervised ................................................................. IV-8

IV.2.3 Klasifikasi berbasi Objek ............................................................. IV-8

IV.2.4 Matrik Konfusi pada klasifikasi Berbasis Objek ......................... IV-8

BAB V PENUTUP ...................................................................................... V-10

V.1 Kesimpulan ......................................................................................... V-10

V.2 Saran ................................................................................................... V-10

I.1 Latar Belakang

Kelompok III-B I-1

I.2 Maksud dan Tujuan

I.3 Rumusan Masalah

I.4 Sistematika Laporan

Kelompok III-B I-2

BAB III PELAKSANAAN PRAKTIKUM

Kelompok III-B I-3