Dokumen ini membahas tentang penerapan decision tree untuk klasifikasi citra digital, menjelaskan cara kerja struktur pohon, pembagian atribut, dan pengujian nilai untuk memprediksi kelas data. Analisis terhadap citra Landsat-8 menunjukkan distribusi kelas laut, vegetasi, bangunan, dan campuran dengan akurasi mencapai 90,48%. Saran diberikan untuk peningkatan jumlah ROIs serta penggunaan citra dengan resolusi lebih tinggi untuk akurasi yang lebih baik.

1. ESTRAKSI INFORMASI
CITRA
Tugas 4 - DECISION TREE
Luhur Moekti Prayogo
19/449597/PTK/12856
Dosen Pengampu:
Bapak Abdul Basith, ST., M.Si., Ph.D

2. Decision Tree
• Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon
merepresentasikan atribut yang telah diuji
• Setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf)
merepresentasikan kelompok kelas tertentu
• Level node teratas dari sebuah Decision Tree adalah node akar (root) yang
biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas
tertentu
• Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji
dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan
kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu.

3. Konsep
• Decision Tree untuk klasifikasi citra digital di
bangun menggunakan kode biner untuk
menentukan kategori yang tepat untuk tiap
piksel citra
• Citra diklasifikasikan dari obyek yang paling
umum hingga yang paling khusus dengan
mengidentifikasikan tiap piksel citra
• Data yang telah diinput diproses dengan
peraturan (rules) yang pengguna tentukan
sendiri
• Peraturan tersebut diekspersikan dengan
kata-kata seperti greater than, equal, less
than dan sebagainya.
Konsep Decision Tree
Sumber:
http://www.harrisgeospatial.com/portals/
0/pdfs/envi/Decision_Tree.pdf

4. Data Landsat-8 OLI (Selat Madura)
Citra Landsat -8 OLI (Selat Madura)
Metadata Citra Landsat -8 OLI (Selat Madura)

5. Uji ROIs
• Indeks Separability mempunyai rentang dari 0 s.d 2
• Mendekati 2, keterpisahan objek semakin baik
• Nilai rata” yang dihasilkan mendekati 2 mengindikasikan bahwa
pasangan ROI mempunyai separability yang baik

6. Histogram Setiap Kelas
Kelas Vegetasi
Kelas Laut

7. Histogram Setiap Kelas
Kelas Bangunan Kelas Campuran

8. Klasifikasi Decision Tree
Band Laut Vegetasi Bangunan
Campuran (Tambak,
Kolam)
Band 4 (Red) 7252-9017 6693-9061 7793-10975 12741-26078
Band 3 (Green) 8970-9900 8023-9919 8543-10620 12268-22377
Band 2 (Blue) 9738-10459 8595-9865 9324-11125 11604-20068
Obyek Rule
Laut b1 gt 7252 and b2 gt 8970 and b3 gt 9738 and b1 lt 9017 and b2 lt 9900 and b3 lt 10459
Vegetasi b1 gt 6693 and b2 gt 8023 and b3 gt 8595 and b1 lt 9061 and b2 lt 9919 and b3 lt 9865
Bangunan b1 gt 7793 and b2 gt 8543 and b3 gt 9324 and b1 lt 10975 and b2 lt 10620 and b3 lt 11125
Campuran (Tambak, Kolam) b1 gt 12741 and b2 gt 12268 and b3 gt 11604 and b1 lt 26078 and b2 lt 22377 and b3 lt 11604
Tahapan Pengklasifikasian Menggunakan Decision Tree

9. Model Decision Tree yang
digunakan
Input Band RGB
B1= Red
B2 = Green
B3 = Blue
Decision Tree Rule

10. Execute Decision Tree Hasil Decision Tree
Input Citra dan Sebaran ROIs
Distribusi Kelas (%)

11. Confussion Matrix Decission Tree
Pencocokan Kelas
Hasil Confussion Matrix

12. Perbandingan Distribusi Kelas
Decission Tree dengan Maximum Likelihood
Metode Laut (%) Vegetasi (%) Bangunan (%)
Campuran (Tambak,
Kolam) (%)
Decission Tree 35.35 35,21 19,14 10,28
Supervises (Maximum
Likelihood)
34,87 45,86 12,60 6,65
Decision Tree Maximum LikeLihood
VS

13. Kesimpulan dan Saran
Kesimpulan:
Berdasarkan analisis Decisin Tree diatas dapat disimpulkan hal-hal sebagai berikut:
1. Distribusi beberapa kelas diperoleh dengan besaran (Laut, 35,35%), (Campuran, 10,28%), (Bangunan,
19,14%), dan (Vegetasi, 25,21%).
2. Nilai akurasi yang dihasilkan dari Confussion Matrix sebesar 90,48 % dengan Nilai Koefisien Kappa 0,87.
3. Perbedaan distribusi kelas metode Decission Tree dengan Maximum Likelihood tidak begitu besar.
Saran
1. ROIs seharusnya dibuat lebih banyak dan merata
2. Citra dengan resolusi lebih tinggi akan mempermudah interpretasi saat training area serta diasumsikan
akan mendapat akurasi yang lebih baik
3. Untuk memperoleh tutupan lahan yang baik, analisis dapat dilakukan satu persatu, misalnya metode
NDVI, SAVI, untuk vegetasi dengan penggunaan band Red dan Near Infrared , penggunaan Algoritma
Lyzenga untuk koreksi kolom air dan lain-lain.

14. Refrensi
• Danoedoro. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit Andi.
• ESA, 2009. ESA Advanced Training Course on Land Remote Sensing.
• Harris Geospatial Solutions. ENVI-Decission Tree.
http://www.harrisgeospatial.com/portals/0/pdfs/envi/Decision_Tree.pdf