KLASIFIKASI CITRA SATELIT

KLASIFIKASI CITRA SATELIT

Klasifikasi citra merupakan suatu proses pengelompokan seluruh pixel pada suatu citra kedalam dalam kelompok sehingga dapat diinterpretasikan sebagai suatu property yang spesifik (Chein-I Chang dan H.Ren, 2000). Ada dua metode umum dalam mengidentifikasi dan mengklasifikasikan citraan satelit yaitu klasifikasi takterbimbing dan klasifikasi terbimbing yang berkaitan dengan paendekatan dalam pengenalan pola.

Proses klasifikasi ini merupakan tahap terkahir dalam pengolahan citra. Proses ini bertujuan untuk membagi daerah cakupan berdasarkan jenis objeknya dengan cara menginterpretasikan kenampakannya di atas citra dan menyatakannya dengan symbol tertentu. Dari proses ini dapat di hasilkan suatu peta tematik yang digunakan atau dibutuhkan bagi keperluan perencanaan selanjutnya.

·         Klasifikasi terbimbing (supervised)

Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis (supervised), dimana kriteria pengelompokkan kelas ditetapkan berdasarkan penciri kelas (class signature) yang diperoleh melalui pembuatan area contoh (training area). Sedangkan, klasifikasi tidak terbimbing merupakan klasifikasi dengan pembentukan kelasnya sebagian besar dikerjakan oleh komputer. Kelas-kelas atau klaster yang terbentuk dalam klasifikasi ini sangat bergantung kepada data itu sendiri, yaitu dikelompokkannya piksel-piksel berdasarkan kesamaan atau kemiripan spektralnya (Riswanto 2009).

·         Klasifikasi Tidak terbimbing (Unsupervised)

Klasifikasi tidak terbimbing dalam prosesnya hanya sedikit hal yang ditetapkan atau diatur oleh seorang analis, misalnya jumlah kelas atau klaster yang akan dibuat, teknik yang akan digunakan, jumlah iterasi dan band-band atau kanal yang akan digunakan. Klasifikasi ini disebut juga dengan klastering, dimana klastering adalah suatu teknik klasifikasi atau identifikasi yang merupakan serangkaian proses untuk mengelompokan observasi (dalam hal ini piksel) ke dalam suatu kelas atau klaster yang benar dalam suatu set kategori yang disusun.

(Langkah-Langkah Klasifikasi Citra Satelit Unsupervised dan Supervised)

a.    Klasifikasi Unsupervised

            Tahapan  pengklasifikasian  dengan  menggunakan  metode  unsupervised ini yaitu:

1. Sebelum analisis dilakukan. Siapkan data yang akan di olah dan Buat iso cluster untuk mendapatkan data signature dalam menentukan klasifikasi. pilih Spatial Analyst Tools – Multivariate – “Iso Cluster”.

            Pada tahap ini, Input data raster Hasil Extract By Mask kedalam kolom “Input raster bands”, lalu pilih folder yang diinginkan untuk menyimpan hasil output dari tahap ini. Dan pada kolom “Number of Classes” diisi dengan angka, angka tersebut ditentukan berdasarkan kelas yang diinginkan. Pada kasus ini kelas yang diinginkan yaitu 5 Kelas. Sisa kolom lain dibiarkan dalam settingan default. Lalu tekan OK. Maka hasil Iso Cluster berupa data signature (.GSG) akan langsung tersimpan di folder yang telah di tentukan dan tidak muncul pada Table Of Contents.

2. Untuk menentukan Klasifikasi kita menggunakan tools Spatial Analyst Tools pada Arctoolbox – Multivariate – “Maximum Likelihood Classification”.

Lalu inputkan Input data raster Hasil Extract By Mask ke kolom “Input Raster Bands”, dan input data signature yang telah di proses sebelumnya ke kolom “Input Signature File”

  

3. Maka hasilnya akan diperoleh seperti dibawah ini :

b.      Klasifikasi Supervised

Pada Klasifikasi Supervised, klasifikasi menggunakan area sampel, menggunakan klasifikasi Maximum Likehood sebelum proses klasifikasi perlu dilakukan pengambilan sampel :

1.   Untuk sampel yang akan digunakan adalah data hasil plotting yang dirubah kedalam bentuk digitasi Polygon dengan format SHP. Input data yang akan dimasukan dalam proses ini adalah data polygon, maka dari itu digitasi ulang menggunakan image Clasification pada menu tollbar. Apabila tidak bias perlu di lakukan penceklisan pada Customize - Extensionst.

2. Selanjutnya buat signature file dengan cara membuka Arctoolbox – Spatial Analyst Tools – Multivariate – “Create Signature” kemudian masukkan Citra Satellit ke dalam – Input Raster Bands, serta masukkan hasil digitasi polygon – Input raster or feature sample data, kemudian setelah itu klik ok.

3. Pada tahap selanjutnya setelah berhasil membuat hasil create signature, maka pilih “Maximum Likelihood Classifiation” dalam toolbox multivariate. Kemudian masukkan Citra landasat kedalam – Input raster bands, kemudian masukkan file signature yang telah dibuat kedalam – Input signature file. Kemudian klik “Ok” dan tunggu prosesnya selesai.

4. Setelah selesai maka pada data view akan mucul citra yang sudah terkalsifikasi secara supervised. Hasil yang didapat adalah sebagai berikut.

c.      Vektorisasi

     

Untuk mempermudah dalam proses penganalisisan data, setelah melakukan proses klasifikasi 

dengan cara klasifikasi unsupervised maupun supervised, maka langkah selanjutnya adalah 

merubah data raster menjadi data vector. Perubahan data raster menjadi vector ini dimaksudkan 

agar kita dapat melakukan perhitungan seperti luas, keliling ataupun dapat melakukan proses 

analisis overlay maupun intersect. Adapun tahapan-tahapan proses melakukan vektorisasi 

Supervised maupun Unsupervised yaitu:

1.    Siapkan data hasil pengklasifikasian yang telah dibuat (Unsupervised dan Supervised)
2.    Aktifkan Arctoolbox setelah menambahkan data hasil pengklasifikasian. Klik Conversion Tools – From Raster – Raster To Polygon

    3.  Inputkan data raster yang sudah di ubah menjadi vector, Cheklis “Simplify polygon” kemudian klik “Ok”

  4. Maka hasilnya adalah sebuah vector yang berisikan atribut table FID, Value, Count, dan Classname.

    5.  Classname merupakan kelas dalam pengklasifikasian dalam contoh ini ada 7 Classname.

    6.  Kemudian tahap selanjutnya yaitu melakukan dissolve dari hasil vector yang sudah di lakukan, proses dissolve merupakan pemisahan menggabungkan sample attribute yang memiliki kesamaan menjadi 1 sample. diantaranya dengan tahapan yaitu Geoprocessing – Dissolve, kemudian masukkan vector Supervised/Unsupervised – “Input Features”, serta beri centang pada “GRIDCODE/CLASSNAME”, kemudian klik “Ok”.

   7.  Setelah diproses maka akan didapatkan salah satunya terdapat 7 kelas.

  8. Lakukan proses tersebut menggunakan Klasifikasi (Supervised dan Unsupervised).

D.  Kesimpulan Pengolahan Citra Satelit (Composite Band – Klasifikasi Citra) Komposite Band

Komposite band merupakan cara dalam pengolahan citra satelit yang menggabungkan data raster multiple bands menjadi single raster dataset (RGB Composite), karena pada dasarnya citra satelit memiliki beberapa sensor yang masing – masing mempunyai panjang gelombang yang berbeda – beda sesuai dengan jenis satelitnya, contoh Citra Landsat 8 diketahui memiliki 11 band. Band Combination atau sering disebut sebagai citra komposit karena dalam prosesnya kita akan melakukan komposit (penggabungan) 3 kanal (band) untuk mendapatkan warna merah (Red), hijau (green) dan biru (blue). Dalam software SAGA GIS proses komposit ini dinamakan sebagai “RGB composite”. Sebagai contoh, proses komposit band 4,3,2 pada citra Landsat 8 OLI akan menghasilkan citra dengan warna alami (natural color).

Kombinasi band merupakan fitur dimana mempermudah dalam analisis citra selanjutnya dengan

melakukan penggabungan 3 raster/band menjadi satu RGB (Red,Green,Blue) Composite, berikut

kombinasi band beserta kegunaannya.

Setiap Kombinasi dapat digunakan dalam analisis, sesuai dengan kebutuhan. Dalam hal ini karena penggunaan dari citra satelit yang tidak berbayar dan bebas diakses siapa saja yang membutuhkannya, maka terdapat kekurangan seperti permukaan bumi yang tertutup awan mengganggu interpretasi dari suatu lahan, selain itu juga adanya keterbatasan dalam kedetailan yang disebabkan oleh resolusi rendah yang didapatkan tidak mampu merepresentasikan lahan secara maksimal.

•   Klasifikasi Unsupervised

            Identifikasi lahan melalui Klasifikasi Unsupervised (Tidak Terawasi) merupakan salah satu cara dalam pengolahan citra satelit dari suatu lokasi/wilayah yang mana seluruhnya diserahkan kepada software dalam melakukan identifikasi tanpa membuat sampel/plotting terlebih dahulu. Output yang dihasilkan dari klasifikasi ini Tidak akurat, hal ini disebabkan software mendeteksi warna yang mendominasi sesuai pembagian class. Hal tersebut berpengaruh juga terhadap kondisi Citra yang mana tingkat resolusinya kecil serta kualitas gambar yang kurang mempengaruhi terhadap pengklasifikasian.

•  Klasifikasi Supervised

            Identifikasi lahan melalui Klasifikasi Supervised (Terawasi) merupakan salah satu cara dalam pengolahan citra satelit dimana dari suatu lokasi/wilayah telah diketahui terlebih dahulu penggunaan lahannya baik secara survey lapangan ataupun interpretasi dari hasil Citra satelit. Lalu pengambilan sampel-sampel warna berdasarkan fungsi penggunaan lahan yang telah di plotting kemudian nantinya klasifikasi tersebut diambil berdasarkan kesamaan warna pixel dan kedekatan warna dari sampel yang telah di digitasi.

DAFTAR PUSTAKA

https://profilanakangin.wordpress.com/2011/04/14/%EF%BB%BFklasifikasi-citra/

https://foresteract.com/klasifikasi-terbimbing-dan-klasifikasi-tidak-terbimbing/