Makalah Penginderaan Jauh

Berikut ini adalah hasil makalah saya bersama teman kuliah saya yang berjudul "Makalah Penginderaan Jauh".

KATA PENGANTAR

Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha Panyayang, kami panjatkan puja dan puji syukur atas kehadirat-Nya, yang telah melimpahkan rahmat, hidayah, dan inayah-Nya kepada kami, sehingga kami dapat menyelesaikan makalah penginderaan jauh tentang klasifikasi terbimbing (Supervised classification) dengan baik. 

Adapun makalah klasifikasi terbimbing (Supervised classification) ini telah kami usahakan semaksimal mungkin dan tentunya dengan bantuan berbagai pihak, sehingga dapat memperlancar pembuatan makalah ini. Untuk itu kami tidak lupa menyampaikan banyak terima kasih kepada semua pihak yang telah membantu kami dalam pembuatan makalah ini.

Namun tidak lepas dari semua itu, kami menyadar sepenuhnya bahwa ada kekurangan baik dari segi penyusun bahasanya maupun segi lainnya. Oleh karena itu dengan lapang dada dan tangan terbuka kami membuka selebar-lebarnya bagi pembaca yang ingin member saran dan kritik kepada kami sehingga kami dapat memperbaiki makalah penginderaan jauh ini.

Akhirnya penyusun mengharapkan semoga dari makalah ini tentang klasifikasi terbimbing (Supervised classification) ini dapat diambil hikmah dan manfaatnya sehingga dapat memberikan inpirasi terhadap pembaca.

.
   

                                                                                    Banda Aceh,  Desember 2016
   
                                                                                              Penyusun

DAFTAR ISI

 Halaman

HALAMAN JUDUL.................................................................................................. i

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

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

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

1.1     Latar Belakang................................................................................       1  1.2     Tujuan                                            1

BAB II   PEMBAHASAN............................................................................... ...... 2

          2.1     Klasifikasi Citra..................................................................................... 2

2.2     Defenisi Klasifikasi Terbimbing............................................................... 3

2.3      Kriteria Sampel.....................................................................            4

2.4       Sistem atau Skema Klasifikasi..................................................              4

BAB III PENUTUP................................................................................................ 6

3.1     Kesimpulan............................................................................................ 6

3.2    Saran...................................................................................................... 6

DAFTAR PUSTAKA.............................................................................................. 7

I.       PENDAHULUAN

1.1  Latar Belakang

Dalam penginderaan jauh dikenal adanya klasifikasi citra. Klasifikasi secara kuantitatif dalam konteks multispektral dapat diartikan sebagai suatu proses mengelompokkan piksel ke dalam kelas-kelas yang ditetapkan berdasarkan peubah-peubah yang digunakan atau biasa disebut segmentasi (segmentation) (Surati Jaya, 2010).

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup lahan ( vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah, lahan terbangun dan lainnya).

            Klasifikasi citra merupakan proses yang berusaha mengelompokkan seluruh pixel pada suatu citra ke dalam sejumlah class (kelas), sedemikian hingga tiap class merepresentasikan suatu entitas dengan properti yang spesifik. Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification).

1.2  Tujuan

           Penulisan makalah ini selain bertujuan untuk memenuhi tugas mata kuliah penginderaan jauh, juga diharapkan dapat menambah pengetahuan mengenai penginderaan jauh khususnya tentang klasifikasi terbimbing (supervised classification) serta manfaatnya yang diperlukan dalam berbagai bidang.

II.       PEMBAHASAN

2.1  Klasifikasi Citra

            Klasifikasi citra merupakan tahap terakhir dalam pengolahan citra. Proses ini bertujuan untuk membagi daerah cakupan berdasarkan jenis objeknya dengan cara menginterpretasi kenampakannya di atas citra dan menyatakannya dengan simbol tertentu. Dari proses ini dapat dihasilkan suatu peta tematik yang sangat berarti bagi keperluan perencanaan selanjutnya (Soenarmo,2009).

            Proses pengklasifikasian citra satelit biasa dilakukan secara terawasi (Supervised classification) dan tak terawasi (unsupervised classification). Pada metode yang pertama, identitas dan lokasi dari suatu liputin lahan seperti lahan seperti lahan pertanian, hutan dan perkotaan telah diketahui melalui pemeriksaan lapangan atau interpretasi dari foto udara. Analisa diarahkan untuk melokalisasikan tempat spesifiknya di citra dengan mencari sampel areanya (training site). Pemilihan metode yang cocok untuk penentuan kelas dari piksel tergantung pada sifat dari masukan data dan keluaran yang diharapkan. Metode yang umum digunakan adalah :

a.       Paralel – Epipedum

Metode ini merupakan metode yang sering diigunakan. Harga rata-rata nilai numerik piksel dari suatu training site dan harga titik tengahnya merupakan informasi yang sangat penting. Harga ini didapatkan dari setiap training site pada setiap band yang disertakan.

b.      Jarak terdekat

Keputusan mengenai kelas setiap piksel didasarkan pada selisih nilai pikselnya (jarak) terhadap nilai piksel rata-rata kelas yang diketahui. Jarak cukup dihitung dengan rumus phytagoras.

c.       Kemiripan maksimum

Cara ini membandingkan nilai piksel dengan nilai traning site dengan asumsi bahwa sebaran pikselnya terdistribusi secara normal. Bila kemiripan nilai maksimum, maka piksel tersebut akan dikelompokkan pada kelas tersebut.

2.2  Pengertian Klasifikasi Terbimbing / Klasifikasi Terseliab (Supervised Classification)

Proses klasifikasi citra merupakan tahap terakhir dalam pengolahan citra. Proses ini bertujuan untuk membagi daerah cakupan berdasarkan jenis objeknya dengan cara menginterpretasikan kenampakannnya di atas citra dan menyatukannya dengan simbol tertentu. Dari proses ini dapat dihasilkan suatu peta tematik yang sangat berarti bagi keperluan perencanaan selanjutnya (Soenarmo, 2009).

Proses klasifikasi multispectral dengan bantuan komputer masih dapat dibedakan menjadi dua berdasaarkan tingkat otomatisnya. Salah satunya ialah klasifiaksi terselia (supervised classification, atau klasifikasi terawasi, atau klasifikasi terkontrol). Klasifikasi terselia meliputi sekumpulan alogaritma yang didasari pemasukan contoh objek (berupa nilai spektral) oleh operator. Contoh ini disebut sampel dan lokasi geografis kelompok piksel sampel ini disebutsebagai daerah kontrol (trainig area). Sebelum sampel diambilm operator, analis atau pengguna harus mempersiapkan sistem klasifikasi yang akan diterapkan, seperti halnya klasifikasi manual. Dua hal penting yang harus dipertimbangkan dalam klasifikasi ialah sistem klasifikasi dan kriteria sampel. Di samping itu, alogaritma klasifikasi juga sangat menentukan. Pengambilan sampel secara digital oleh analis pada dasarnya meerupakan cara melatih komputer untuk mengenali  objek berdasarkan kecenderungan spektralnya (Danoedoro, 2012).

Perlu juga dipahami di sini bahwa sebenarnya terdapat kesenjangan persepsi mengenai sampel di antara analis dan komputer (perangkat lunak pengolahan citra). Ketika analis melihat kelompok piksel paada citra yang ditampilkan pada layar monitor maka analisi mengenalinya suatu objek – objek yang sudah diakrabinya, misalnya sungai, laut, pemukiman, lapangan sepak bola, dan kompeks perumahan. Akan tetapi, perangkat lunak tidak dapat mengenalinyasecara demikian karena analis mampu mengenaliu objek tersebut dengan bantuan pengamatan empiris termasuk pengetahuan lokal mengenai wilayah yang terekam pada citra. Di sisi lain, perangkat lunak hanya dapat diajari untuk mengenalinya sebagai kumpulan piksel dengan julat nilai tertentu, kemudian melakukan komputasi statistik seperti misalnya rerata, simpangan baku, variansi, probabilitas, dan sebagainya. Oleh karena itu, diperlukan kemampuan untuk menerjemahkan persepsi umum pengguna supaya lebih mendekati “ persepsi” yang dimiliki oleh perangkat lunak, yaitu sekedar nilai piksel. Di sinilah arti penting pemahaman konseptual dalam melakukan pengambilan sampel (Danoedoro, 2012).

2.3  Kriteria Sampel

Sama dengan metode penelitian ataupun survei yang lain, sampel haruslah homogen. Homogenitas sampel dalam klasifikasi digital menunjukkan oleh homogenitas nilai piksel pada tiap kelompok piksel yang dipilih. Artinya, nilai simpangan baku kelompok piksel tiap sampel haruslah rendah untuk setiap saluran. Cara termudah untuk mengambil piksel – piksel murni (pure pixel). Pada luasan yang homogen, pengambilan piksel murni dapat secara mudah dilakukan dengan memilih piksel dibagian tengah kenampakan objek. Melalui penampilan citra komposit warna yang baik, homogenitas objek dicerminkan oleh warna yang seragam (Danoedoro, 2012).

2.4 Sistem atau Skema Klasifikasi

Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk pemetaan penutup lahan (land cover), bukan penggunaan lahan. Aspek penggunaan lahan secara dedukif dapat diturunkan dari informasi penutup lahannya, atau dengan cara lain melalui pemasukan informasi bantu atau ancirally data (rotasi tanaman, citra multitemporal, faktor bentuk lahan, dan sebagainya). Oleh karen itu, skema klasifikasi yang disiapkan harus berisi kelas – kelas penutup lahan (misalnya padi, jagung, hutan campuran, semak, padang rumput, lahan terbuka, dan sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung) karena aspekfungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel, kecuali untuk kasus – kasus khusus (Danoedoro, 2012).

            Berikut ini diagram alur proses klasifikasi secara terselia (supervised classification) :

Gambar 2.1 Diagram alur proses klasifikasi secara terselia (supervised classification) (Modifikasi dari Gao, 2010)

III.    PENUTUP

3.1  Kesimpulan

            Dari pembahasan di atas dapat disimpulkan bahwa  :

1.     Klasifikasi citra merupakan kegiatan membuat hasil kenampakan citra terlihat lebih sederhana, mudah dipahami dengan mengelompokkan suatu merupakan pixel pada suatu citra ke dalam sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu.

2.     Metode klasifikasi citra dibagi menjadi dua jenis yaitu kalsifikasi terbimbing dan klasifikasi tak terbimbing.

3.     Metode klasifikasi terbimbing yang mana melalui hasil pengolahan data yang dilakukkan diperoleh nilai akurasi yang sempurna hal ini menunjukkan tidak ada keterpisahan antara kelas satu dan lainnya.

4.     Dalam melakukan pengambilan sampel sangat penting pemahaman konseptual yaitu sampel haruslah homogen. Homogenitas sampel dalam klasifikasi digital menunjukkan oleh homogenitas nilai piksel pada tiap kelompok piksel yang dipilih.

5.     Klasifikasi multispektral secara langsung hanya dapat diterapkan untuk pemetaan penutup lahan (land cover), bukan penggunaan lahan.

6.     Skema klasifikasi yang disiapkan harus berisi kelas – kelas penutup lahan (misalnya padi, jagung, hutan campuran, semak, padang rumput, lahan terbuka, dan sebagainya); bukan penggunaan lahan (sawah, tegalan, hutan lindung) karena aspekfungsi ini tidak dapat dipresentasikan secara langsung melalui nilai piksel, kecuali untuk kasus – kasus khusus.

3.2 Saran

            Saran yang dapat diberikan adalah dalam pengklasifikasian terbimbing ini harus terhindar dari kesalahan sehingga  tingkat akurasi akan  tinggi.

DAFTAR PUSTAKA

Danoedoro, P. 2012 Pengantar Pengunderaan Jauh Digital. ANDI, Yogyakarta

Gao, J. 2010. Digital Analysis of Remotely Sensed Imagery. McGrawHill, New York

Sirait, A.O. 2011. Tinjauan Pustaka. [terhubung berkala] http://repository.usu.ac.id. (20 Desember 2016).

Soenarmo,Sri., H. 2009. Penginderaan Jauh dan Pengenalan Sistem Informasi Geografis Untuk Bidang Ilmu Kebumian. ITB, Bandung

Surati Jaya, I.N. 2010. ANALISIS CITRA DIGITAL: Teori dan Praktik Menggunakan ERDAS Imagine. Laboratorium Fisik Remote Sensing dan GIS. Fakultas Kehutanan, Institut Pertanian Bogor.

Jika ingin lengkapnya kamu bisa langsung kemari.

Makalah Penginderaan Jauh by Zakiyah on Scribd

Semoga postingan saya bermanfaat, jika kamu ingin menggunakan nya jangan lupa meninggalkan komentar dibawah. -Terimakasih

Share this post