TUGAS VIII PENGINDERAAN JAUH

Transkripsi

1 TUGAS VIII PENGINDERAAN JAUH GD3205 PENGINDERAAN JAUH Dosen : Dr.Ir. Agung Budi Harto, M.Sc. Oleh : Bagus Indrajatmoko NIM Institut Teknologi Bandung Fakultas Ilmu dan Teknologi Kebumian Teknik Geodesi dan Geomatika 2017

2 Latar Belakang Penginderaan jauh adalah suatu ilmu, seni, dan teknik dalam usaha mengetahui benda, dan gejala dengan cara menganalisis objek dan arah tanpa adanya kontak langsung dengan benda, gejala, dan objek yang dikaji. Foto atau citra yang dihasilkan dari proses inderaja meliputi semua aspek yang ada di muka Bumi dalam bentuk tiga dimensi sehingga panjang, lebar, dan tinggi dari objek di muka Bumi, baik objek alami (natural) maupun objek budaya (cultural) akan tercitrakan dengan jelas dan akurat. Objek-objek seperti pepohonan, jalan bangunan, binatang kendaraan, dan sebagainya akan tercitrakan sebagaimana aslinya. Klasifikasi citra merupakan teknik yang digunakan untuk menghilangkan informasi rinci dari data input untuk menampilkan pola-pola penting atau distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari citra tersebut diperoleh informasi yang bermanfaat atau sesuai dengan keperluan. Untuk pemetaan penutup lahan, hasilnya bisa diperoleh dari proses klasifikasi multispektral citra satelit. Klasifikasi multispektral sendiri andalah algoritma yang dirancang untuk menyajikan informasi tematik dengancara mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral. Tujuan Melakukan klasisfikasi citra dengan metode supervised dan unsuervised Manfaat Mahasiswa mampu melakukan klasisfikasi citra dengan metode supervised dan unsuervised Studi Literatur Klasifikasi citra merupakan teknik yang digunakan untuk menghilangkan informasi rinci dari data input untuk menampilkan pola-pola penting atau distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari citra tersebut diperoleh informasi yang bermanfaat atau sesuai dengan keperluan.

3 1. Parallelepiped Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan data multispektral. Batas-batas keputusan merupakan parallelepiped n- dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih. 2. Minimum Distance Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih. 3. Mahalanobis Distance Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas. 4. Maximum Likehood Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi. Metodologi Data yang digunakan pada praktikum ini adalah data Landsat 8 path/row 123/64 pada tanggal perekaman 16 Agustus Band yang dipilih adalah band 1 hingga 11 dengan sensor OLI Tirs.

4 Hal yang perlu diperhatikan dalam melakukan klasifikasi citra antaralain: 1. Membuat ROI dengan daerah yang mencakup objek-objek yang beragam (awan, laut, pesisir, pemukiman, dan vegetasi) 2. Melakukan subset ROI 3. Mengklasifikasikan ROI secara unsupervised dengan metode isodata dan k-means 4. Melakukan ROI sampling pada tiap-tiap objek (awan, laut, pesisir, pemukiman, dan vegetasi).sampling dilakukan untuk memberikan gambran/menandai tiap objek yang akan diklasisfikasi. 5. Melakukan klasisfikasi secara supervised dengan metode Mahalanobis Distance, Maksimum Likelihood, Minimum Distance, dan Parallelepiped. 6. Amati pebedaan/peribahan pada citra. Hasil Citra awal

5 Isodata dengan 7 klasifikasi K-means dengan 5 klasifikasi Mahalanobis Max Likelihood Minimum distance Parallelepiped

6 Analisis Unsupervised isodata Mengklasifikasikan kelas secara merata. Piksel-piksel diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan mereklasifikasi piksel sehubungan dengan cara baru. Iteratif membelah kelas, penggabungan, dan menghapus dilakukan berdasarkan parameter input threshold. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarakyang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai. K-means Menggunakan pendekatan analisis kelas yang mengharuskan analis untuk memilih jumlah kelas yang berlokasi di data, seolah-olah ini menempatkan sejumlah pusat klaster, kemudian iteratif repositions mereka sampai keterpisahan spektral yang optimal dicapai. Klasifikasi ini juga menggunakan teknik jarak minimum.setiap iterasi kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara baru. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasistan dar atau ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai. Supervised Parallelepiped Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan data multispektral. Batas-batas keputusan merupakan parallelepiped n- dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.

7 Minimum Distance Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih. Mahalanobis Distance Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasimaximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas. Maximum Likehood Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probabilitas disuatu piksel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi Hasil klasifikasi citra yang paling representatif dan jelas adalah hasil klasifikasi dengan metode Minimum Distane. Kesimpulan Dari praktikum yang telah dilakukan, dapat ditarik beberapa kesimpulan yaitu: 1. Klasifikasi citra secara supervisd dan unsupervised dpata dilakukan pada program ENVI. 2. Output citra hasil klasifikasi bergantung pada banyaknya kelas yang digunakan. 3. Metode yang paling sesuai adalah supervised dengan klasifikasi minimum distance.

8 Referensi MENGGUNAKAN_APLIKASI_ENVI?auto=download (diakses pada 19 April 2017) (diakses pada 19 April 2017) (diakses pada 19 April 2017)