konsep penginderaan jauh

1. PENGINDERAAN JAUH
(REMOTE SENSING)
SISTEM INFORMASI GEOGRAFIS

2. KONSEP PENGINDERAAN JAUH
PENGINDERAAN JAUH
DEFINISI
SISTEM

3. DEFINISI
• Berbagai teknik yang dikembangkan untuk memperoleh dan
menganalisis informasi tentang bumi(David T.lindgren)
• Ilmu dan seni untuk memperoleh informasi tentang suatu objek,
daerah atau fenomena yang dikaji melalui analisis data, yang
diperoleh dengan alat tanpa kontak langsung dengan objek, daerah
atau fenomena yang dikaji(Lillesand-Kieffer)
Intepretasi definisi 1:
Penginderaan Jauh adalah ilmu seni dan
teknik untuk merekam suatu benda, gejala
dan area muka bumu dari jarak jauh tanpa
kontak langsung dengan objek tersebut.
Intepretasi definisi 2:
Penginderaan Jauh adalah ilmu dan seni (teknologi) untuk memperoleh informasi
tentang objek, daerah atau gejala, dengan jalan menganalisis data yang diperoleh
dengan menggunakan alat tanpa kontak langsung terhadap objek, daerah atau
gejala yang dikaji.
Intepretasi definisi 3:
Penginderaan Jauh(Remote Sensing) adalah ilmu untuk memperoleh informasi
tentang permukaan bumi tanpa melakukan kontak langsung dengan obyek.

4. Nama lain
• Penginderaan Jauh
• Inderaja
• PJ
• Remote Sensing

5. Ilustrasi Penginderaan Jauh
Apa yang dapat anda
lihat?

6. Ilustrasi Penginderaan jauh

7. Komponen dan Sistem
Penginderaan Jauh
A. Sumber Energi
B. Radiasi dan Atmosfer
C. Interaksi dengan Target
D. Perekaman energi oleh Sensor
E. Transmisi, Prosessing
F. Interpretasi dan Analisis
G. Aplikasi

8. Sistem Penginderaan Jauh

9. Ilustrasi Sistem Penginderaan Jauh

11. Sumber Tenaga
Sumber Tenaga
Aktif
Pasif
Sumber tenaga digunakan agar kenampakan bumi
dapat direkam dengan baik yang kemudian akan
ditangkap oleh sensor dalam sistem perekaman
Penginderaan jauh. Sumber tenaga merupakan
energi untuk mendapatkan gambaram muka bumi.
Sistem Pasif bersumber dari tenaga elektromagnetik
yang berasal dari sinar matahari – kelemahan tidak
dapat merekam pada malam hari
Sistem Aktif bersumber dari gelombang
elektromagnetik buatan yang digunakan untuk
memancarkan cahaya (berupa gelombang mikro)

12. PENGIDERAAN SISTEM AKTIF DAN SISTEM PASIF
Inderaja Sistem Pasif Inderaja Sistem Aktif

13. Atmosfer
Fungsi Armosfer adalah menyerap, memantulkan dan
melewatkan radiasi elektromagnetik
Dalam Inderaja terdapat istilah Jendela Atmosfer, yaitu
bagian spektrum elektromagnetik yang dapat mencapai
Bumi
Secara sederhana, Atmosfer adalah perantara sinar
matahari ke bumi, ketika sinar matahari mencapai
permukaan bumi dikatakan dengan Jendela Atmosfer.

14. Spektrum: Rentetan susunan gelombang cahaya

15. SPEKTRUM ELEKTROMAGNETIK

16. SPEKTRUM ELEKTROMAGNETIK

17. RADIASI ELEKTROMAGNETIK
Karakteristik radiasi
elektromagnetik
merupakan hal yang sangat
penting untuk memahami
remote sensing, yaitu :
- Panjang Gelombang
- Frekuensi
Panjang Gelombang (),
merupakan panjang satu
siklus dengan satuan meter, dan
Frekuensi () merupakan
jumlah siklus panjang gelombang
yang melalui titik tertentu per
unit waktu, dengan satuan hertz

18. Perambatan Gelombang
Contoh nya benda padat Contoh nya air

19. INTERAKSI DENGAN ATMOSFIR
Perambatan gelombang elektromagnetik
dari matahari ke bumi mengalami penyebaran
(scattering), yang disebabkan oleh partikel-
partikel dalam atmosfir.
Perhatikan pada siang hari langit menjadi
biru dan pada matahari terbit atau tenggelam,
langit menjadi kemerahan. Hal ini disebabkan
adanya scattering yang disebabkan oleh
partikel-partikel dalam atmosfir

20. INTERAKSI DENGAN ATMOSFIR
Scattering yang lain yang
disebabkan oleh awan atau
asap, dan disebut dengan
non selective scattering

21. INTERAKSI DENGAN ATMOSFIR
Selain terjadi penyebaran oleh
partikel dalam atmosfir, terjadi
pula penyerapan (absorbtion)
oleh partikel-partikel dalam atmosfir
Ozon, Carbon Dioxida dan Uap Air
merupakan tiga komponen utama dalam
penyerapan radiasi elektromagnetik

22. INTERAKSI DENGAN TARGET
Energi yang tidak terserap dan tersebar
pada atmosfir dapat mencapai permukaan
bumi
Energi yang mencapai target (I) akan terbagi
lagi menjadi energi yang ditransmisikan (T)
diserap target (A)) dan energi yang
dipantulkan (R).
Energi yang
dipantulkan
merupakan perhatian
yang utama
dalam remote sensing
Pantulan Sempurna
(Specular)
Pantulan segala arah
(Diffuse)

23. Klorofil, menyerap radiasi gelombang
merah dan biru, tetapi memantulkan
gelombang hijau dan inframerah dekat.
Bilamana kandungan klorofil berkurang
(misalnya tumbuhan tidak sehat) maka
penyerapan gelombang merah menjadi
sedikit dan lebih banyak memantulkan
gelombang merah
Air, lebih banyak menyerap gelombang
inframerah dekat dan gelombang merah,
tetapi lebih banyak memantulkan
gelombang biru dan hijau, sehingga air
nampak biru atau biru kehijauan.
Adanya sedimen terlarut akan memantul-
kan gelombang yang lebih panjang, sehingga
nampak lebih terang.
Sedangkan adanya klorofil dalam algae akan
menyebabkan pantulan gelombang hijau,
sehingga air akan nampak lebih hijau
INTERAKSI DENGAN TARGET

24. Pada panjang gelombang ini
(inframerah dekat)
vegetasi dan air bisa dibedakan
Pada panjang gelombang
tampak mata, air dan vegetasi
susah dibedakan
INTERAKSI DENGAN TARGET

26. WAHANA

27. SATELIT : ORBIT SATELIT

28. Orbit Satelit

29. SATELIT : CAKUPAN PEREKAMAN

30. DATA ANALISIS

31. KARAKTERISTIK CITRA
Apa perbedaan foto udara dan citra satelit ?

32. Dalam citra satelit, obyek direkam dengan angka,
atau numerik
95
58
106
76
76
75
56 62 82

33. Foto Udara merupakan
image dimana obyek
direkam dalam suatu film
fotografis.

34. Dalam Citra satelit, munculnya warna dibangun dengan
mengkombinasikan obyek yang direkam pada panjang gelombang
yang berbeda (band) yang diletakkan pada warna dasar yang
berbeda pula, yakni saluran merah (Red) saluran Hijau (Green) dan
saluran Biru (Blue). Bila kombinasi pada saluran RGB menggunakan
panjang gelombang yang sama, maka tidak akan muncul warna,
karena intensitas datanya sama

37. https://earthexplorer.usgs.gov/
Description
Band
combination
Natural Color 4 3 2
False Color (urban) 7 6 4
Color Infrared (vegetation) 5 4 3
Agriculture 6 5 2
Atmospheric Penetration 7 6 5
Healthy Vegetation 5 6 2
Land/Water 5 6 4

38. RESOLUSI SPASIAL, UKURAN PIXEL DAN SKALA

39. RESOLUSI SPASIAL,
Mendefinisikan luas liputan di permukaan bumi yang diwakili
oleh satu pixel
Satu sel mewakili
30 meter x 30 meter

40. A
B
Pada Citra dengan
resolusi spasial A,
lobang akan terdeteksi.
Sedangkan bila
menggunakan citra
dengan resolusi spasial B,
maka lubang sulit
untuk dikenali.
Resolusi Citra A,
lebih besar dari
Citra B

41. Citra SPOT PAN
Resolusi Spasial
10m x 10 m

42. Citra NOAA AVHRR,
dengan resolusi spasial
4 km x 4 km

43. Perbedaan resolusi spasial akan membedakan detail informasi yang diperoleh

44. RESOLUSI SPEKTRAL
Resolusi spektral mendefinisikan
kemampuan sensor untuk mende-
finisikan kehalusan interval
panjang gelombang
Resolusi spektral yang lebih
halus, maka interval panjang
gelombang lebih dekat

45. RESOLUSI RADIOMETRIK

46. RESOLUSI RADIOMETRIK
Dapat didefinisikan sebagai rentang dinamis, atau jumlah
kemungkinan nilai data pada masing masing band
Contoh :
Band 1 landsat TM dengan resolusi spektral 0,45 - 0,52 m. Energi yang
direkam pada panjang gelombang ini adalah :
256 tingkat keabuan, pada data 8 bit
128 tingkat keabuan pada data 7 bit
0 1 2 3 4 244 255
0,45 m 0,52 m
0 1 2 127
0,45 m 0,52 m
8 bit
7 bit

47. RESOLUSI TEMPORAL
Resolusi Temporal dapat didefinisikan, seberapa sering atau kapan
sensor dapat melakukan pengamatan pada lokasi yang sama
Landsat TM mempunyai resolusi temporal 16 hari
SPOT, mempunyai resolusi temporal 26 hari
Sampai lokasi yang sama
pada x hari

48. KAMERA DAN FOTO UDARA
A, Area
B, Lensa
C, Focal Plane
Film fotografi adalah film yang sensitif
pada panjang gelombang 0.3 m - 0.9 m
Film fotografi ini sering disebut dengan film
pankromatik.
UV fotografi juga menggunakan film pankromatik,
tetapi menggunakan filter untuk mencegah
gelombang tampak mata mencapai film.
Untuk film berwarna normal, layer sensitif terhadap
gelombang merah, hijau dan biru (tampak mata)
Untuk foto Color Infrared, layer sensitif terhadap
gelombang biru, hijau dan inframerah dekat
Untuk foto berwarna semu , target yang sensitif
inframerah dekat berwarna merah, sensitif merah
warna hijau dan sensitif hijau warna biru

49. Foto Color Foto False Color

50. INTERPRETASI DAN ANALISIS
Untuk dapat memanfaatkan data penginderaan jauh, kita harus
mampu mengekstrak informasi dari citra. Langkah ekstraksi
informasi ini disebut dengan interpretasi dan analisis.
Analisis dan interpretasi meliputi kegiatan identifikasi dan atau
pengukuran target dalam image, untuk memperoleh informasi.
Target dapat berbentuk fenomena titik, garis ataupun area.
Target haruslah dapat dibedakan, dalam pengertian target
haruslah kontras terhadap obyek di sekelilingnya.

51. ANALISIS DAN INTERPRETASI MANUAL VS
ANALISIS DIGITAL
Analisis manual dan analisis dijital, mempunyai kelebihan dan kekurangan.
Dalam analisis manual, biasanya terbatas pada satu band atau satu image,
artinya tidak dapat melakukan analisis beberapa image secara bersamaan.
Sedangkan dalam anaisis dijital dapat dilakukan secara bersamaan
Dalam analisis manual, biasanya kurang konsisten hasilnya karena
bersifat subyektif, yakni sangat tergantung pada interpreter.
Sedangkan dalam analisis dijital lebih konsisten, karena anaisisnya didasarkan
pada nilai dijital (density number) dalam komputer, sehingga lebih obyektif.
Meskipun demikian, untuk menentukan tingkat validitas dan akurasi dari
analisis dijital adalah sangat sulit. Kenapa ?

52. INTERPRETASI SECARA MANUAL
Pengenalan target atau obyek merupakan kunci interpretasi dan
ekstraksi informasi.
Pengenalan perbedaan antara target dan latar belakangnya berdasarkan
pada perbedaan elemen visual yakni :
• tone/rona
• bentuk
• ukuran
• pola
• tekstur
• bayangan
• asosiasi

53. INTERPRETASI SECARA MANUAL
TONE/RONA:
Tone/rona mengacu pada kecerahan atau warna relatif suatu
obyek dalam image. Secara umum, rona merupakan elemen
yang mendasar dalam pembedaan target.
Rona akan lebih mudah
diinterpretasikan bila bervariasi
dengan elemen bentuk, tekstur,
dan pola obyek
Tanaman tua
Tanaman muda

54. INTERPRETASI SECARA MANUAL
Bentuk, mengacu pada struktur
dan outline obyek individu
BENTUK :
?

55. INTERPRETASI SECARA MANUAL
UKURAN :
Ukuran obyek dalam image
merupakan fungsi skala.
Contoh :
Ukuran antara bangunan sebagai
tempat tinggal dengan bangunan
sebagai bangunan komersial.
?
?

56. INTERPRETASI SECARA MANUAL
POLA :
Pola, mengacu pada susunan
kenampakan spasial obyek.
Pola perkebunan yang dikembangkan
Oleh perusahaan akan terlihat
teratur dibandingkan dengan pola
pertanian yang alami
?
?

57. INTERPRETASI SECARA MANUAL
TEKSTUR :
Tekstur, mengacu pada susunan
dan frekuensi rona suatu obyek,
yang nampak pada kenampakan
kasar atau halusnya permukaan
obyek.
Contoh yang jelas adalah dalam
membedakan hutan alam dengan
hutan tanaman industri, yang relatif
punya keseragaman dalam kanopi.
?
?

58. INTERPRETASI SECARA MANUAL
BAYANGAN/SHADOW :
Bayangan memberikan ide dalam
membedakan profil atau ketinggian suatu
obyek
tanpa bayangan
dengan bayangan

59. INTERPRETASI SECARA MANUAL
ASOSIASI :
Asosiasi berkaitan dengan hubungan
antara obyek terhadap obyek yang
lain.
Sebagai misal daerah pantai dimana
di situ terdapat vegetasi pada wilayah
muara sungai, mungkin dapat diaso-
siasikan dengan mangrove
mangrove

60. CITRA DIJITAL
• Citra dijital adalah penyajian obyek dalam format dijital.
. Citra dijital terdiri dari pixel atau picture element
95
58
106
76
76
75
56 62 82
• Digital Number (DN) digunakan untuk menandai pixel
• Nilai DN menyatakan pantulan energi yang diterima oleh sensor

61. • Pixel Value (Digital Number) penyajian pantulan energi semua
Obyek dalam area tertentu pada permukaan bumi (resolusi spasial)
SATELLITE SPASIAL RESOLUTION
LANDSAT-TM Non Thermal 30 meter X 30 meter
Thermal 120 meter X 120 meter
SPOT Multi Spektral 20 meter X 20 meter
Panchromatic 10 meter X 10 meter
IKONOS Multi Spektral 4 meter X 4 meter
Panchromatic 1 meter X 1 meter
95
58
106
76
76
75
56 62 82
CITRA DIJITAL

62. Pixel = picture element mempunyai karakteristik spasial dan spektral
Columns/Kolom/Pixels
Rows/Baris/Lines
Spatial Properties :
• Pixel Position didefinisikan dengan
lokasi kolom dan baris
1 2 3 4 5 6 7 8
1
2
3
4
5
6
7
8
9
10
11
12
pixel location = (5,6)
• Format Data Citra Dijital yang dibangun
dalam grid sel yang teratur disebut dengan
format raster
• Computer System : menyajikan DN dalam warna
Spectral Properties :
• Berkaitan dengan nilai DN
CITRA DIJITAL

63. • Citra Multispektral merupakan data inderaja dengan dua atau lebih
saluran spektral
• Masing masing band dihasilkan oleh sensor dengan resolusi spasial tertentu
• Landsat-TM Image mempunyai 7 Bands
Band-1
Band-2
Band-3
Band-4
Band-5
Band-6
Band-7
CITRA DIJITAL

64. Citra diperbesar
Citra Asli
CITRA DIJITAL

65. FORMAT DATA DIJITAL
1 2 3 4 Pixel 1 2
Pixel ke :
1 2 3 4 Band : 1 2 3 1 2 3
BIL
1
1
1
2
2
2
1,1 1,2
1,1 1,2
1,1 1,2
2,1 2,2
2,1 2,2 2,3 2,4
2,1 2,2
Band 1
Band 2
Band 3
BIP
1
2
3
4
5
6
1,1 1,1 1,1 1,2 1,2 1,2
2,1 2,1 2,1 2,2 2,2 2,2
3,1 3,1 3,1 3,2 3,2 3,2
BSQ
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
Band 1
Band 2
Band 3
1,1 1,2 1,3 1,4
5,1 5,2 i,j 5,4
2,1
2,1
i,j
3,1
3,1
i,j
Band 1
Note :
Band 2 Band 3
Pixel :
L
i
n
e
1.
L
i
n
e

66. DIGITAL IMAGE FILE :
1. Band Tunggal dalam satu file
2. Multi Bands dalam satu file
FILE FORMAT DATA SYSTEM :
1. BAND SEQUENTIAL (BSQ) :
2. BAND INTERLEAVED BY LINE (BIL) :
3. BAND INTERLEAVED BY PIXEL (BIP) :
FORMAT DATA DIJITAL

67. DISPLAY CITRA DIJITAL
Band-1
Band-2
Band-3
Band-4
Band-5
Band-6
Band-7
BAND 444
BAND 542
BAND 432
M U L T I S P E C T R A L I M A G E C O M P U T E R G U N
C O L O R S
Red
Green
Blue
D I S P L A Y
O N M O N I T O R

68. PENGOLAHAN CITRA DIJITAL
Pengolahan citra dijital mencakup berbagai aspek, yakni :
- Koreksi data, yakni koreksi geometrik, untuk menyesuaikan
dengan sistem koordinat peta, koreksi radiometrik untuk mengko-
reksi pengaruh haze
- Penajaman/Enhancement, yakni digunakan untuk mempertajam
image sehingga mudah untuk diinterpretasi
- Klasifikasi untuk ekstraksi informasi secara otomatis dengan
menggunakan nilai dijital

69. PENGOLAHAN CITRA
Preprocessing :
Radiometri Correction/Koreksi Radiometrik
Geometri Correction/Koreksi Geometrik
Display dan Enhancement/Penajaman :
Diplay (B/W dan Color Composite
Contrast Enhancement (Stretching)
Spatial Enhancement (Filtering)
Classification/Klasifikasi :
Unsupervised Classification
Supervised Classification
Integration ke GIS:
Generalisasi
Konversi Raster ke Vektor
Konversi Vektor ke Raster

70. Koreksi Geometrik, dari koordinat file ke koordinat peta atau
dari satu sistem koordinat ke sistem koordinat yang lain
KOREKSI GEOMETRI

71. Penajaman image, sehingga image mudah dikenali
PENAJAMAN CITRA

74. Klasifikasi Citra
Klasifikasi adalah proses pemilihan pixel ke dalam kelas tertentu
Berdasarkan nilai DN

75. Landsat-TM Band-542

76. Original Satellite Image Classified Image

77. Klasifikasi image dari berbagai saluran menjadi satu peta tematik

78. Spectral Responses of Typical
Targets
0,3 1 3 10
SOIL
VEGETATION
WATER
 m

79. Landsat & SPOT-HVR
LANDSAT SPOT
Sensor : Tematic 705 KM ALTITUDE 822 KM Sensor : HRV (X2)
Mapper – TM 99 min PERIOD 101.4 min Modes: Multispectral
6 bands- 30 x 30 m 98 INCLINATION 99 3 bands 20 x 20 m
1 band- 120 x 120 m NUMBER of PATH 269
16 days EARTH COVERAGE 26 days Panchromatic
Multi Spektral 185 km SWATH 60km/imager 1 bands 10 x 10 m
Scanner - MSS
4 bands 60 x 80 m
09:45 EQUATOR
CROSSING
10:30
MSS1 0.5 ~ 0.6 G
MSS1 0.6 ~ 0.7 R
MSS1 0.7 ~ 0.8 N-IR
MSS1 0.8 ~ 1.1 N-IR
TM1 0.45 ~ 0.53 B
TM2 0.52 ~ 0.57 G
TM3 0.63 ~ 0.69 R
TM4 0.76 ~ 0.90 N-IR
TM5 1.55 ~ 1.75 SWIR
TM7 2.08 ~ 2.35 SWIR
TM6 10.8 ~ 12.5 TIR
HRV/ PADPCM 0.51 ~ 0.73 Panchro.
HRV/MLA
HRV1 0.50 ~ 0.59 G
HRV2 0.61 ~ 0.68 R
HRV3 0.79 ~ 0.89 N-IR
233

80. Band-1 Band-2
Band-3 Band-4

81. Band-7
Band-6
Band-5

82. Band-1
Band-2

83. Band-3
Band-4

84. Band-5
Band-7

85. Landsat-TM Band-321 Landsat-TM Band-342
Landsat-TM Band-247 Landsat-TM Band-432

86. KLASIFIKASI CITRA
Klasifikasi dapat dilakukan dengan :
- Band Tunggal : Density Slicing
- Multi Bands : Multispectral Classification

87. Density Slicing :
Nilai Dijital (Digital values) didistribusikan sepanjang
Sumbu horisontal histogram citra dan dibagi dalam
Interval
KLASIFIKASI CITRA

89. 30 60 90 140 190
A B C D E F
255
SLICING PROCEDURE

91. Klasifikasi Multispektral :
Untuk mengekstrak informasi yang dikumpulkan dari
berbagai spektrum elektromagnetik
Band-1
Band-2
Band-3
Band-4
Band-5
Band-6
Band-7
Band Combination 542
KLASIFIKASI CITRA

92. Metoda dalam klasifikasi multispektral :
1. UNSUPERVISED
2. SUPERVISED
KLASIFIKASI CITRA

93. Unsupervised Classification/Tak Terselia :
-Klasifikasi tanpa memerlukan/membangun sampel
- Operasi dibangun berdasarkan pengelompokan pixel
secara natural
- Pengenalan pola menggunakan proses komputer
KLASIFIKASI CITRA

94. Unsupervised Classification dengan metoda CLUSTERING:
Ploting pixel dalam fitur ruang, yang kemudian dikelompokkan
berdasarkan vektor ruang
KLASIFIKASI CITRA

96. Fitur Ruang

97. Beberapa parameter harus ditentukan :
1. Jumlah Cluster
2. Ukuran Cluster
3. Jarak antar Cluster
10 20 30 40
10
20
50
30
0
R=15
10 20 30 40
10
20
50
30
0
New mean of cluster-1
Cluster-2
CLUSTERING :

98. 10 20 30 40
10
20
50
30
0
1
2
n 1
2
n
Moving Average (migration) Procedure :

99. Pixels
Image Band-1
Pixels
Image Band-2

101. Muhammad Amir Solihin, SP., MT.

102. KLASIFIKASI TERSELIA/SUPERVISED
• Klasifikasi multispektral dengan sampel terpilih yang homogen
• Prosedur ini memerlukan pengetahuan tentang obyek
• Klasifikasi menggunakan karakteristik spektral (minimum,
maximum, mean/average, variance, covariance, correlation, dll.)
tentang training/sample area untuk menggambarkan algoritma
klasifikasi keseluruhan

103. Langkah Penting dalam Klasifikasi Terselia :
1. Training sampel yang terpilih harus representatif.
2. Statistik karakteristik training sampel harus dianalisis
untuk memilih fitur yang sesuai
3. Algoritma klasifikasi yang sesuai harus dipilih.
4. Pengkelasan image dalam n kelas.
5. Tingkat akurasi klasifikasi harus dievaluasi secara statistik.

104. SUPERVISED CLASSIFICATION
MEMERLUKAN TRAINING SAMPLE/AREA
Vegetation
Grass
Water
Building

105. Statistical Characteristics for Water
Band: 1 2 3 4 5 7
Mean 61.5 23.2 18.3 9.3 5.2 2.7
Std. Dev. 1.3 0.7 0.7 0.6 0.7 1.0
Variance 1.7 0.4 0.5 0.3 0.5 1
Minimum 58 22 17 8 4 0
Maximum 65 25 20 10 7 5
Band-1 1.72
Band-2 0.06 0.43
Band-3 0.12 0.19 0.51
Band-4 0.09 0.05 0.05 0.32
Band-5 -0.2 -0.05 -0.11 -0.07 0.51
Band-7 -0.21 -0.05 -0.03 -0.07 0.05 1.03
Variance – Covariance Matrix
Band: 1 2 3 4 5 7

106. Digital Numbers of Training Area

110. SUPERVISED CLASSIFICATION
METHOD TO DERIVE DECISION REGION :
1. Parallelpiped
2. Minimum Distance to Mean
3. Mahalanobis Distance
4. Maximum Likelihood

111. Metoda parallelpiped menggunakan nilai minimum dan maksimum
Untuk masing masing fitur, pada masing-masing kluster.
1. Parallelpiped :

114. • Minimum distance menghitung jarak dari masing-masing
pixel yang tidak diketahui kelasnya ke rata-rata nilai kelas
yang ada
• Jarak dihitung dengan metoda Eucledian Distance berdasarkan
teori pitagoras
Pixel X akan menjadi kelas Y jika dan hanya jika
Jarak ke kelas Y lebih kecil daripada jarak ke kelas yang lain
2. Minimum Distance :
Dist-j = (Pi - ij )2
Pi = Pixel Value from Band-i
ij = Mean Value for Class-j from Band-i

116. • Maximum Likelihood menandai pixel-pixel yang tak
diketahui kelasnya ke dalam suatu kelas berdasarkan
kemungkinan nilai pixel masuk dalam suatu kelas
• Maximum Likelihood menggunakan asumsi bahwa
data sampel untuk masing-masing kelas mempunyai
distribusi normal (Gaussian Distribution)
The unkonwn pixel –X belong to Class-C, If and Only If :
Pc  Pi
Where i = 1, 2, 3, …, n possible classes
Pc = Probability Value to be class C
Pi = Probability Value to be class i
2. Maximum Likelihood :

117. The unkonwn pixel –X belong to Class-C, If and Only If :
Pc  Pi
Pc = [ -0.5 loge (det(Vc ))] – [0.5 (X-Mc )T (Vc
-1)(X-Mc )]
Where :
det(Vc ) = determinant of covariance matrix Vc
Mc = mean vectors for class C
X = Vector X of an unknown pixel
T = Transpose Sign
Maximum Likelihood Formula :

119. When a feature vector is being classified using two
decision regions C1 and C2 there are four possible
outcomes :
(1). Accepting X belongs to C1 when this is true
(2). Accepting X belongs to C2 when it actually belongs to C1
(3). Accepting X belongs to C1 when it actually belongs to C2
(4). Accepting X belongs to C2 when this is true
(2) and (3) are errors, with respect to decision region C1 :
• Error (2) is called Ommission Error
• Error (3) is called Commission Error

120. Ommission Error dan Commission Error

121. MAXIMUM LIKELIHOOD OUTPUT

122. Actual
Landcover Class
Classified Landcover
1 2 3 4 5 Total
Ommission Commission Accuracy
Error (%) Error (%) (%)
1. Resiential
2. Commercial
3. Wetland
4. Forest
5. Water
Total
70 5 0 13 0 88
3 55 0 0 0 58
0 0 99 0 0 99
1 0 4 37 0 42
0 0 0 0 121 121
74 60 103 50 121 408
20.5 (18/88) 4.5 (4/88) 79.5 (70/88)
5.2 (3/58) 8.6 (5/58) 94.8 (55/58)
0.0 (0/99) 4.0 (4/99) 100.0 (99/99)
11.9 (5/42) 30.9 (13/42) 88.0 (37/42)
0.0 (0/121) 0.0 (0/121) 100.0 (121/121)
ACCURACY ASSESSMENT
CONFUSION MATRIX
OVERALL ACCURACY = 382/408 pixels X 100% = 93.6 %
382 = 70 + 55 + 99 + 37 + 121

123. POST KLASIFIKASI
Untuk menghilangkan area yang tak dikenali atau
Area yang sangat kecil dalam citra yang diklasifikasikan,
dapat menggunakan
MOJORITY FILTERING

124. ANALISA KOMPONEN UTAMA
PRINCIPAL COMPONENT ANALYSIS (PCA)
Target :
1. Mengurangi jumlah variabel
2. Tidak ada korelasi antara variabel-variabel baru
3. Variabel baru dipilih berdasarkan heterogenitas

125. ANALISA KOMPONEN UTAMA
PRINCIPAL COMPONENT ANALYSIS (PCA)

126. ANALISA KOMPONEN UTAMA
PRINCIPAL COMPONENT ANALYSIS (PCA)

127. PCA-1 PCA-2
PCA-3 PCA-4

128. PCA-5 PCA-6
PCA-7