SUPERVISED CLASSIFICATION

Mata Kuliah: Geomatika dan                          Hari/tanggal: Rabu, 28 Maret 2012

Inderaja Kehutanan                 Waktu         : 14.00-17.00 WIB

KLASIFIKASI TERBIMBING

Oleh:

KELOMPOK 1

1.      Nadya Susetya Ningtyas          (E14090071)

2.      Jajang Roni A. Kholik              (E14090090)

Dosen:

Dr. Nining Puspaningsih, M.Si.

Asisten:

1.      Edwine S.P. S. Hut.

2.      Putu Indra Divayana, S. Hut.

3.      Aditya Sani Sasmita                 (E14070106)

4.      Aditya Pradhana                      (E14070116)

5.      Erry Maulana W                       (E14070122)

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR

2012

I.            PENDAHULUAN

1.1    Latar Belakang

Suatu gambar yang dihasilkan dari pengamatan penginderaan jauh belum tentu menunjukkan suatu areal yang sama dengan keadaan sebenarnya di lapangan. Misalnya: hasil citra menunjukkan areal tersebut adalah badan air, akan tetapi di lapangan belum tentu area tersebut adalah badan air. Untuk itu, perlu adanya suatu pengelompokkan tutupan lahan pada citra yang dihasilkan. Pengelompokkan ini disebut dengan klasifikasi.

Klasifikasi data adalah suatu proses dimana semua pixel dari suatu citra yang mempunyai penampakan spektral yang sama akan diidentifikasi menjadi satu data klas yang sama. Sebagai contoh: suatu citra Landsat TM dengan tujuh band dapat diklasifikasikan untuk mengidentifikasi hutan atau tata guna lahan. Terdapat sejumlah pilihan untuk membuat suatu klasifikasi, dapat dipilih berbagai jenis keluaran dan pengolahan data sesuai yang diinginkan. Dalam proses klasifikasi, dapat dibuat suatu data set klasifikasi atau suatu algoritma dari tiap-tiap baris yang mempresentasikan suatu kelas.

Berdasarkan teknik dari pendekatan klasifikasi secara kuantitatif terbagi atas dua, yaitu: klasifikasi tidak terbimbing (unsepervised classification) dan klasifikasi terbimbing (supervised classification). Pada klasifikasi tidak terbimbing, proses pembentukan kelas–kelas sebagian besar dikerjakan oleh program komputer yang terbentuk berdasarkan data itu sendiri. Klasifikasi tidak terbimbing ini hanya sebagian kecil saja yang ditetapkan atau didesain oleh analis. Klasifikasi ini sering disebut juga dengan klastering (clustering). Sedangkan klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis (supervised). Kriteria pengelompokkan kelas ditetapkan berdasarkan penciri kelas yang diperoleh analis melalui pembuatan “training area”.

1.2    Tujuan

Adapun tujuan dari praktikum ini adalah:

1.      Memahami tahapan-tahapan dalam melakukan klasifikasi kuantitatif secara terbimbing.

2.      Memperkenalkan beberapa metode klasifikasi terbimbing seperti peluang maksimum (maximum likelihood classifier), jarak terdekat (minimum distance: mahalanobis, Euclidean), dan klasifikasi pipaparallel (parallelepiped classification).

3.      Melakukan evaluasi separabilitas dan menghitung akurasi dari klasifikasi

II.       METODOLOGI

1. 

2. 

2.1  Waktu dan Tempat Pelaksanaan

Praktikum Geomatika dan Inderaja Kehutanan dengan judul materi Klasifikasi Terbimbing ini dilaksanakan pada hari Rabu tanggal 28 Maret 2012 mulai pukul 14.00-17.00 WIB yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, IPB.

2.2. Alat dan Bahan

Adapun alat yang digunakan pada praktikum ini adalah:

1.      Laptop

2.      Software ERDAS IMAGINE 9.1

3.      Microsoft word dan excel

Sedangkan bahan yang digunakan pada praktikum ini adalah:

1.      Alat tulis

2.      Data citra satelit Kampus IPB tahun 2000 (tm00_kampus.img)

2.3. Cara Kerja

1.      Buka software ERDAS IMAGINE 9.1 pada layar komputer.

2.      Buka viewer baru dengan memasukan data image citra tm00_kampus.img

3.      Kemudian klik AOI (Areal of Interest) > tools sehingga muncul tools seperti gambar di bawah ini. Untuk membuat titik-titik poligon pada citra, klik tool create polygon pada AOI tersebut.

4.      Setelah itu, tempatkan areal interest yang berupa poligon tadi pada objek yang diinginkan pada citra tm00_kampus.img, misalnya pada objek awan. Namun sebelumnya lakukan perbesaran pada objek yang diinginkan terlebih dahulu.

5.      Buatlah beberapa buah poligon (minimal 3 buah) pada lokasi yang dianggap menunjukkan objek yang sama dengan penyebaran yang merata.

6.      Kemudian klik tool box select AOI seperti pada gambar di bawah ini dan letakkan pada training area yang sudah dibuat dengan melakukan blok/drag pada citra tersebut sampai semua poligon menjadi aktif.

7.      Setelah itu, klik group selected objects untuk membuat grup pada semua poligon yang ada sehingga menjadi satu grup.

8.      Kemudian pilih signature editor pada tool classifier > signature editor.

9.      Setelah di klik, kemudian muncul tabel signature editor seperti di bawah ini. Untuk memunculkan data, klik create new signature (s) from AOI kemudian beri nama objek yang telah dipilih pada signature objek.

10.  Pilih file > save > AOI layer as. Jika muncul tulisan “do you delete it?” maka pilih atau klik “No”.

11.  Masukkan nama pada data misalnya : training_area_air sungai_aoi. Kemudian klik OK.

12.  Kemudian klik close top layer untuk menghilangkan poligon yang sudah dibuat sehingga poligon yang tadi muncul menjadi hilang (tidak ada).

13.  Lakukan tahapan-tahapan diatas pada objek lain, misalnya: bayangan awan, badan air, permukiman, lahan terbuka, vegetasi rapat, vegetasi sedang, dan vegetasi rapat.

14.  Setelah selesai, klik evaluate pada tabel signature editor dan pilih separability sehingga muncul signature separability.

15.  Pada tabel signature separability lakukan pemilihan layer sebanyak 6 layers, kemudian klik transformed divergence distance measure, dan klik output form berupa cellArray, dan report type-nya adalah summary report, lalu klil OK.

16.  Setelah dilakukan pengisian pada signature separability tersebut, maka akan muncul tabel nilai keterpisahan antar kelas tutupan lahan seperti dibawah ini.

17.  Untuk menampilkan nilai perhitungan error matrix yaitu nilai akurasi dari pembuatan kelas tutupan lahan yang sudah dibuat, maka klik evaluate > contingency maka akan muncul tampilan berikut:

      

18.  Langkah terakhir setelah tampil error matrix, maka lakukan perhitungan nilai user’s accuracy, produser’s acc, overall acc, dan kappa accuracy dengan rumus-rumus yang sesuai.

III.  HASIL DAN PEMBAHASAN

3. 1 Hasil

Tabel 1. Penentuan titik-titik yang dibuat untuk training area

Tabel 2. Proses penyimpanan data AOI hasil training area klasifikasi terbimbing

 

Tabel 3. Nilai Signature Editor

Tabel 4. Nilai Separability CellArray

Tabel 5. Nilai Signature Editor

Signature Name	Red	Green	Blue	Value	Order	Count	Prob.	P	I	H	A	FS
Awan	1.000	1.000	1.000	1	1	77	1.000	x	x	x	x
Bayangan Awan	0.000	0.000	0.000	2	2	64	1.000	x	x	x	x
Badan Air	0.000	0.000	1.000	3	3	15	1.000	x	x	x	x
Permukiman	0.627	0.322	0.176	4	4	12	1.000	x	x	x	x
Vegetasi Rapat	0.000	0.392	0.000	5	5	31	1.000	x	x	x	x
Vegetasi Sedang	0.000	1.000	0.000	6	6	21	1.000	x	x	x	x
Vegetasi Jarang	1.000	1.000	0.000	7	7	41	1.000	x	x	x	x
Tanah Kosong	0.860	0.140	0.364	8	8	32	1.000	x	x	x	x

Tabel 6. Nilai Separability CellArray

Signature Name	1	2	3	4	5	6	7	8
Awan	0	2000	2000	2000	2000	2000	2000	2000
Bayangan Awan	2000	0	2000	2000	2000	2000	2000	2000
Badan Air	2000	2000	0	2000	2000	2000	2000	2000
Permukiman	2000	2000	2000	0	2000	2000	2000	2000
Vegetasi R	2000	2000	2000	2000	0	2000	2000	2000
Vegetasi S	2000	2000	2000	2000	2000	0	2000	2000
Vegetasi J	2000	2000	2000	2000	2000	2000	0	2000
Tanah Kosong	2000	2000	2000	2000	2000	2000	2000	0

Tabel 7. Nilai hasil perhitungan Overall accuracy dan Kappa accuracy

Σxii	293	=B7+C8+D9+E10+F11+G12+H13+I14
ΣXi+ X+i	14501	=(J7*B16)+(J8*C16)+(J9*D16)+(J10*E16)+(J11*F16)+    (J12*G16)+(J13*H16)+(J14*I16)
Overall Acc	100%	=(B21/J16)*100
Kappa Acc	100%	=(((B21*J16)-(B22))/(J16^2-B22))*100

      

Gambar 1. Tampilan citra sebelum dan setelah dilakukan training area

3.2  Pembahasan

Klasifikasi citra merupakan pengelompokkan obyek atau fenomena yang ada di permukaan bumi dari jumlah yang sangat besar menjadi beberapa kelas yang dapat disatukan dengan menggunakan data hasil analisis. Suatu citra satelit, akan senantiasa menangkap reflektansi (citra optik reflektif), backscatter (microwave), dan radiasi (termal). Hal yang perlu dilakukan untuk mendapatkan hasil klasifikasi yang akurat adalah dengan membuat skema kelas yang sesuai dan tepat dengan beberapa syarat, yaitu: seorang analis harus mengerti variasi pada tutupan lahan, variasi respon spektral, dan hubungan antara variasi tutupan lahan dan respon spektral pada sebuah data citra. Pada klasifikasi kuantitatif, terdapat dua metode yang dapat digunakan yaitu klasifikasi terbimbing (superviced classification) dan klasifikasi tidak terbimbing (unsuperviced classification). Klasifikasi terbimbing (superviced classification) dapat dibagi menjadi 3 bagian, yakni: maximum likelihood classified, minimum distance classified, dan multilevel slice classified.

Pada praktikum ini, akan dibuat kelas tutupan lahan dengan menggunakan metode klasifikasi terbimbing. Pada tahap awal yang dilakukan adalah membuka viewer citra yang akan dianalisis dengan komposit band bebas atau tidak ditentukan. Pada klasifikasi terbimbing, diharuskan dibuat training area, yaitu pembuatan dan penentuan area-area yang sama untuk dikelaskan ke dalam satu kelas yang sama. Untuk membuat training area yang ingin diklasifikasikan, dapat dibuat dengan menggunakan AOI (Areal of Interest) dengan menggunakan tool pada viewer yang sudah ditampilkan tadi. Pembuatan kelas tidak ada ketentuan, yang terpenting adalah semua luasan citra yang ada dapat terwakili. Berdasarkan hasil pengamatan pada praktikum ini, dihasilkan beberapa kelas tutupan lahan yaitu: awan, bayangan awan, badan air, vegetasi rapat, vegetasi sedang, vegetasi jarang, permukiman, dan tanah kosong. Setiap kelas yang dibuat, ditentukan daerahnya dengan menggunakan tool polygon sebanyak 3 lokasi objek pengamatan yang dianggap sama.

Setelah dilakukan pengelompokan, pada nilai signature editor dapat terlihat perbandingan nilai hasil klasifikasi yaitu berupa nilai perbandingan antara panjang gelombang red, green, dan blue yang dihasilkan pada masing-masing kelas tutupan lahan (vegetasi, badan air, permukiman, dan sebagainya). Selain itu, pada data tersebut terdapat nilai count yang menunjukkan jumlah pixel data yang diklasifikasikan dalam satu kelas, misalnya: pada kelas awan jumlah pixel yang masuk kategori awan adalah berjumlah 77 pixel, kelas vegetasi rapat jumlah pixel yang masuk kategori vegetasi rapat adalah berjumlah 31 pixel, dan seterusnya (lihat tabel 3 dan 5).

Selanjutnya pada tabel 6. terdapat nilai separability cellArray yang menandakan nilai keterpisahan suatu kelas dengan kelas yang lain yang sudah dibuat. Nilai tersebut dapat diketahui dengan melihat hasil evaluate yaitu separability dan contingency. Pada tool tersebut akan muncul angka-angka yang menyatakan nilai keterpisahan antar kelas objek yang sudah dibuat kelasnya dengan tingkat keterpisahan sebagai berikut: 2000 (Sempurna/ Excellent), 1900-<2000 (Baik/ Good), 1800-<1900 (Cukup/ Fair), 1600-<1800 (Kurang/ Poor), dan < 1600 (Tidak dapat terpisahkan/ inseparable). Jika dilihat berdasarkan hasil yang di dapat, maka keterpisahan antara kelas awan dengan bayangan awan adalah bernilai 2000 atau dikatakan dapat dipisahkan secara sempurna (excellent), selanjutnya pada kelas badan air dan permukiman bernilai 2000 maka dapat dikatakan bahwa kedua kelas tersebut juga dapat dipisahkan dengan sempurna, pada vegetasi rapat dan jarang atau vgetasi rapat dengan vegetasi sedang juga menghasilkan nilai keterpisahan sebesar 2000, maka hal tersebut juga dapat dikatakan bahwa kedua kelas tersebut dapat dipisahkan dengan sempurna, begitu pula untuk yang lainnya menghasilkan nilai yang sama sebesar 2000. Selain itu, apabila dilihat berdasarkan nilai best average separability yang menandakan rata-rata keterpisahan antar keseluruhan kelas yang ada, menghasilkan nilai sebesar 2000. Hal tersebut berarti menunjukkan bahwa semua hasil klasifikasi yang sudah dibuat tersebut dapat dipisahkan dengan sempurna.

Dari pernyataan di atas, dapat dijelaskan bahwa apabila nilai keterpisahan objek sebesar 2000, maka sempurna dapat dipisahkan. Akan tetapi jika terdapat satu atau dua kelas yang memiliki nilai keterpisahan rendah (<1800), maka sebenarnya kedua kelas tersebut dapat di gabungkan dengan membuat suatu kelas baru yang mewakili keduanya. Misalnya pada tegakan pinus (Pinus sp.) rapat dan tegakan meranti (Shorea sp.) rapat tidak dapat terlihat perbedaan keduanya dari citra, maka dapat dibuat kelas baru yaitu vegetasi rapat.

Setelah mengetahui nilai keterpisahan suatu kelas objek dengan kelas objek yang lain, maka dapat diketahui juga nilai akurasi pada tiap-tiap klasifikasi tersebut yaitu melalui signature editor, dengan klik tool evaluate > contingency. Pada data tersebut, dapat diketahui nilai hasil perhitungan baik berupa producer’s accuracy (akurasi pembuat), user’s accuracy (akurasi pengguna), overall accuracy, maupun nilai kappa accuracy. Berdasarkan pada tabel 8, hasil perhitungan yang didapat menunjukkan bahwa dari 77 pixel yang dibuat training area sebagai awan, maka hasilnya adalah pixel dapat dikelaskan sebagai awan berjumlah 77 pixel. Pada permukiman, dari 12 pixel yang dibuat training area sebagai objek permukiman, maka pixel yang dapat dikelaskan sebagai objek permukiman adalah 12 pixel. Begitu juga pada vegetasi rapat dan tanah kosong, dari 31 dan 32 pixel yang dibuat training area sebagai objek vegetasi rapat dan tanah kosong, maka pixel yang dapat dikelaskan sebagai vegetasi rapat dan tanah kosong adalah masing-masing 31 dan 32 pixel dan seterusnya.

Jika dilihat dari nilai persentase akurasi yang didapat, semua kelas yang dibuat bernilai akurasi sebesar 100%, baik untuk nilai User’s Accuracy maupun Producer’s Accuracy. Hal tersebut menunjukkan bahwa tingkat akurasi atau ketepatan dalam menentukan dan memisahkan antar kelas tutupan lahan adalah sempurna. Maka dengan melihat nilai tersebut, sudah pasti setiap pixel yang dibuat atau diduga hasil training area sebagai suatu kelas objek tertentu akan dapat dikelaskan menjadi objek tersebut dengan jumlah pixel yang sama. Akan tetapi, pada kasus lain dapat berbeda nilai pixel yang dikelaskan dengan pixel hasil training area, misalnya: pada vegetasi jarang dari 60 pixel yang dibuat training area sebagai vegetasi jarang, maka dapat dikelaskan sebanyak 55 pixel sebagai vegetasi jarang dan 5 pixel/ kelas sisanya sebagai vegetasi sedang. Hal tersebut berarti menunjukkan akurasi kelas yang dibuat rendah dan ketepatan penentuan objek yang sama juga menunjukkan nilai ketepatan yang rendah. Besar atau kecilnya nilai akurasi atau ketepatan sejumlah pixel yang dibuat suatu kelas tertentu tergantung pada beberapa ketentuan, yaitu sebagai berikut: 1) cara pengambilan pixel yang dilakukan pada training area, 2) objek yang menurut Produser’s/ pembuat kelas adalah sama atau berbeda, belum tentu objek tersebut dianggap sama atau berbeda oleh dijital (dijital tidak bisa memisahkannya), dan 3) visual yang dapat dilihat tidak dapat menentukan nilai akurasi, tetapi nilai hasil dijital yang dapat menentukan tingkat akurasi klasifikasi.

Akurasi sering dianalisis menggunakan suatu matrik kontingensi, yaitu suatu matrik bujur sangkar yang memuat jumlah pixel yang diklasifikasi. Matrik ini sering disebut dengan ”error matrix” atau ”confussion matrix”. Pada tabel 7. tersebut juga terdapat nilai Kappa dan Overall Accuracy. Secara konvensional, akurasi klasifikasi biasanya diukur berdasarkan persentase jumlah pixel yang dijelaskan secara benar dibagi dengan jumlah total pixel yang digunakan. Akurasi ini sering disebut Overall accuracy dan Kappa accuracy dihitung dari keseluruhan kelas dan pixel yang ada. Atau dengan kata lain, nilai Kappa Acc. tersebut didapat dari nilai total akurasi kelas yang tepat dan tidak tepat, sedangkan pada Overall Acc. hanya menghitung nilai kelas yang dianggap benar saja.

Hasil praktikum menunjukkan nilai persentase Overall accuracy yang dihasilkan adalah sebesar 100%. Tetapi akurasi Overall ini umumnya jarang digunakan karena sering mengalami ”over estimate”. Hal tersebut karena akurasi ini hanya menggunakan pixel-pixel yang terletak pada diagonal suatu matrik kontingensi, sehingga tidak baik digunakan sebagai indikator keberhasilan suatu klasifikasi. Akurasi yang lebih tepat digunakan adalah akurasi Kappa. Akurasi ini menggunakan semua elemen dalam matrik. Dari hasil perhitungan dapat ditunjukkan bahwa akurasi Kappa adalah sebesar 100%. Ini menunjukkan bahwa klasifikasi yang dibuat dalam menentukan suatu objek tutupan lahan sangat sempurna (berhasil).

IV.  KESMIPULAN

Berdasarkan pada pembahasan yang telah dijelaskan dan menjawab beberapa tujuan yang ada, dapat disimpulkan sebagai berikut:

1.      Pada klasifikasi terbimbing diharuskan dibuat training area, yaitu pembuatan dan penentuan area-area yang sama untuk dikelaskan ke dalam satu kelas yang sama. Pada praktikum ini dihasilkan beberapa kelas tutupan lahan, yaitu: awan, bayangan awan, badan air, vegetasi rapat, vegetasi sedang, vegetasi jarang, permukiman, dan tanah kosong.

2.      Berdasarkan nilai separability dan best average separability yang dihasilkan yaitu sebesar 2000, maka nilai tersebut menunjukkan bahwa semua hasil klasifikasi yang sudah dibuat tersebut dapat dipisahkan dengan sempurna.

3.      Jika dilihat dari nilai persentase akurasi yang didapat, semua kelas yang dibuat bernilai akurasi sebesar 100%, baik untuk nilai User’s Accuracy maupun Producer’s Accuracy. Selain itu, nilai persentase Overall dan Kappa accuracy yang dihasilkan juga sebesar 100%. Hal ini menunjukkan bahwa klasifikasi yang dibuat dalam menentukan suatu objek tutupan lahan sangat sempurna (berhasil).

4.      Nilai yang sering digunakan dalam penentuan akurasi adalah Kappa accuracy, karena nilai tersebut didapat dari nilai total akurasi kelas yang tepat dan tidak tepat, sedangkan pada Overall Acc. hanya menghitung nilai kelas yang dianggap benar saja.

DAFTAR PUSTAKA

Anonim. 2008. Materi kuliah: Supervised Classification. [terhubung berkala] http//:www.kuliahspasial.blogspot.com/2008_04_14_archive.html [diakses pada tanggal 2 Mei 2009].

Wikantika. 2008. Sistem Klasifikasi Land Used dan Land Cover [terhubung berkala] http//:wikantika.wordpress.com/2008/05/02/sekilas-tentang-sistem-klasifikasi-land-useland-cover/ [diakses pada tanggal 2 Mei 2009].