Download to read offline
KLASIFIKASI CITRA SISTEM TERBIMBING DAN TIDAK TERBIMBING.pptx
- 1.
- 2. 2 PRESENTATION TITLE AGENDA KONSEP KLASIFIKASI CITRA DIGITAL JENISKLASIFIKASI CITRA DIGITAL
- 3. 3 PRESENTATION TITLE KONSEP Klasifikasi (dalam inderaja)adalah proses mengelompokkan piksel-piksel ke dalam kelas kelas atau kategori-kategori yang telah ditentukan berdasarkan nilai kecerahan (brightness value/BV atau digital number/DN) piksel yang bersangkutan. Tujuan : untuk mendapatkan gambaran atau peta tematik yang berisikan bagian-bagian yang menyatakan suatu objek atau tema.
- 4.
- 5. 5 PRESENTATION TITLE “KLASIFIKASI DIGITAL PADASUATU CITRA ADALAH SUATU PROSES DIMANA PIKSEL-PIKSEL DENGAN KARAKTERISTIK SPEKTRAL YANG SAMA, YANG OLEH KARENANYA DIASUMSIKAN SEBAGAI KELAS YANG SAMA, DIIDENTIFIKASI DAN DITETAPKAN DALAM SUATU WARNA YANG SAMA ..”
- 6. 6 PRESENTATION TITLE • Klasifikasi secaradigital yang menempatkan piksel ke dalam kelas-kelas secara umum dapat dilakukan dalam dua cara, yaitu klasifikasi tidak terbimbing (Unsupervised Classification) dan klasifikasi terbimbing (Supervised Classification) Terbimbi ng • klasifikasi yang dilakukan dengan arahan analisis (supervised), dimana kriteria pengelompokkan kelas ditetapkan berdasarkan penciri kelas (class signature) yang diperoleh melalui pembuatan area contoh (training area) Tidak Terbimbi ng • Klasifikasi dengan pembentukan kelasnya sebagian besar dikerjakan oleh komputer. Kelas-kelas atau klaster yang terbentuk dalam klasifikasi ini sangat bergantung kepada data itu sendiri, yaitu dikelompokkannya piksel- piksel berdasarkan kesamaan atau kemiripan spektralnya
- 7. 7 PRESENTATION TITLE KLASIFIKASI TERBIMBING 1. Pembuatan Daerahcontoh, untuk menentukan penciri kelas “suatu kegiatan mengidentifikasi prototipe (cluster) dari sejumlah piksel yang mewakili masing-masing kelas atau kategori yang diinginkan dengan menentukan posisi contoh dilapangan dengan bantuan peta tutupan lahan sebagai referensi untuk setiap kelasnya” 2. Komputer menggunakan daerah contoh sebagai kunci untuk mengenali pixel lainnya yang sejenis “ Daerah yang memilik nilai piksel sejenis akan dimasukan kedalam kelas lahan yang telah ditetapkan sebelumnya”
- 8. 8 PRESENTATION TITLE KLASIFIKASI TIDAK TERBIMBING • Analis akanmenentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas lahan terdapat kelas-kelas spektral yang telah dikelompokan oleh computer • Analis bisa menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas, contoh Pemukiman dan Perkantoran
- 9. 9 PRESENTATION TITLE SUPERVISED METHOD Maximum LikeHoodm: Mengasumsikan bahwastatistik untuk setiap kelas di masing- masing band yang terdistribusi secara normal dan menghitung probabilitas bahwa setiap pixel yang diberikan milik kelas tertentu Minimum Distance: klasifikasinya berdasarkan dengan melihat jarak terpendek antara nilai kecerahan suatu piksel UNSUPERVISED METHOD IsoData : pengelompokkan berdasarkan standar deviasi atau ambang batas dari nilai tiap pixel K-means: Berdasarkan nilai titik tengah