Dokumen tersebut membahas tiga teknik utama klasifikasi citra digital yaitu klasifikasi berbasis pixel tanpa referensi (unsupervised), berbasis pixel dengan referensi (supervised), dan berbasis objek. Klasifikasi unsupervised mengelompokkan pixel berdasarkan karakteristiknya tanpa referensi, sedangkan supervised menggunakan area pelatihan. Klasifikasi berbasis objek lebih kompleks karena mempertimbangkan tekstur, konteks, dan geometri objek.
2. Klasifikasi
• Definisi
Pengelompokan pixel citra satelit berdasarkan
kesamaan fiturnya
• Teknik Klasifikasi
– Pixel-based image analysis (Klasifikasi berbasis pixel)
• Unsupervised image classification (Klasifikasi tak-terbimbing)
• Supervised image classification (klasifikasi terbimbing)
– Object-based image analysis (Klasifikasi berbasis
objek)
3. Unsupervised image classification
• Setiap piksel dikelompokkan berdasarkan karakter
(sifat) dari reflektan pixel yang dikenal dengan istilah
Klaster (Cluster)
• Klasifikasi berdasarkan analisis klaster murni dari data
multispectral tanpa menggunakan data tambahan yang
dijadikan referensi (without reference areas)
• Digunakan jika tidak ada data referensi (no sample site)
• Metode Klasifikasi:
– K-means
– ISODATA.
5. Supervised image classification
• Setiap piksel dikelompokkan berdasarakan ciri
reflektan yang dibawa oleh data referensi.
Data referensi ini dikenal dengan istilah
Training Site atau Training Area
• Syarat Klasifikasi: Ada training area
• Metode Klasifikasi:
– maximum likelihood
– minimum-distance classification
7. Object-Based (or Object-Oriented)
Image Analysis Classification
• Dua teknik klasifikasi sebelumnya berbasis piksel
• Klasifikasi ketiga ini berbasis objek
• Proses klasisifikasi dikenal dengan istilah: multi-
resolution segmentation.
• Klasifikasi lebih “bermakna” dari klasifikasi
tradisional yang berbasis piksel, karena teknik ini
melakukan klasifikasi berdasarkan tekstur,
konteks dan geometri dari objek
• Klasisikasi bisa melibatkan data multi-band,
elevasi, atau file SHP secara simultan
8. Tahap Klasifikasi
• Lakukan multiresolution segmentation
• Tambahkan fitur statistik
• Tentukan training area
• Buat Kelas
