Tugas Matakuliah Ekstraksi Informasi Citra Oleh : Luhur Moekti Prayogo (19/449597/PTK/12856) Magister Teknik Geomatika, Universitas Gadjah Mada

1. ESTRAKSI INFORMASI CITRA
SUPERVISED & UNSUPERVISED
Luhur Moekti Prayogo
19/449597/PTK/12856
Dosen Pengampu:
Bpk Abdul Basith, ST., M.Si., Ph.D

2. Citra yang digunakan
Citra Landsat-7 wilayah Sampang-
Madura
Citra Google Earth wilayah Sampang-
Madura (Training Area)

3. Metadata Landsat-7
Informasi header pada citra
Landsat-7 wilayah Sampang

4. Contoh Koreksi Radiometrik (Radiance)
• Koreksi radiometrik adalah proses untuk
memperbaiki kualitas visual citra yaitu nilai piksel
yang tidak sesuai dengan nilai pantulan spektral
objek yang sebenarnya (Danoedoro, 2012).
• Koreksi ini ditujukan untuk memperbaiki kualitas
tampilan citra berupa pengisian kembali baris yang
kosong karena drop-out baris maupun kesalahan
awal dalam pemindaian/ perekaman.
Contoh
Koreksi Radiometrik Band 1 – Nilai Radiance

5. Unsupervised Classification
ISO DATA
• Pengelompokkan piksel didasarkan pada analisis
software
• Tanpa intervensi operator
• Kesalahan operator diminimalisir
• Korespondensi yang tidak jelas terhadap
informational classes
• Kontrol yang terbatas terhadap classes,
dan spectral classes tidak konstan.

6. Region of Interest (ROI)
• Kelas training merupakan grup-grup piksel
(ROIs = Regions of Interest) atau spektral
individual
• ROIs sebaiknya homogeny

7. Uji ROIs (n-D Visualizer)
• Separability dari ROIs dapat diuji dengan
mengekspor ke n-D Visualizer dan melihat
distribusi dari titik-titik
• Dalam tiap ROI (seharusnya mengelompok dan
rapat) serta antara kelas (seharusnya tidak
overlap)
• Hasil dari nilai separability antara pasangan ROI
juga dapat dilihat pada Computing ROI
Separability.
• Terlihat titik-titik tiap ROI tidak rapat (khususnya yang
berwarna ungu)
• Pada titik ROI warna merah overlap dengan titik berwarna
kuning
Kurang baik
Baik

8. Uji ROIs (Indexs Separibility)
• Nilai tersebut 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
Untuk pasangan ROI dengan nilai
separability lebih rendah, sebaiknya
diubah separability dengan
mengedit ROIs atau memilih ROIs
baru.

9. Supervised Classification
• Sebagai teknik klasifikasi termbimbing
• Menurut Danoedoro (1996) klasifikasi supervised ini
melibatkan interaksi analis secara intensif, dimana analis
menuntun proses klasifikasi dengan identifikasi objek pada
citra (training area).
• Sehingga pengambilan sampel perlu dilakukan dengan
mempertimbangkan pola spektral pada setiap panjang
gelombang tertentu, sehingga diperoleh daerah acuan yang
baik untuk mewakili suatu objek tertentu.

10. Definisi Klasifikasi
• Parallelepiped = Kelasifikasi dengan mengunakan aturan keputusan sederhana untuk mengklasifikasikan data
multispektral. Prinsip klasifikasi ini ditentukan berdasarkan batas diviasi standar dari rata-rata setiap kelas yang dipilih
• Minimum Distance = Teknik jarak ninimum menggunakan vektor rata-rata dan menghitung jarak dari setiap pixel
yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa pixel memiliki kemungkinan tidak
terklasifikasi jika tidak memenuhi kriteria yang dipilih
• Maximum Likehood = Mengasumsikan bahwa statistik untuk setiap kelas di masing-masing band yang terdistribusi
secara normal dan menghitung probabilitas bahwa setiap pixel yang diberikan milik kelas tertentu. Kecuali jika analis
memilih ambang probabilitas, semua pixel diklasifikasikan. Setiap pixel ditugaskan untuk kelas yang memiliki
probabilitas tertinggi. Jika probabiitas tertinggi lebih kecil dari ambang batas yang ditentukan maka pixel tidak akan
diklasifikasi.
• Mahalanobis Distance = Jarak arah pengklasifikasi sensitif yang menggunakan statisktik untuk masing-masing kelas.
Mirip dengan metode Minimum Likehood tetapi mengasumsikan semua coveriences kelas yang sama dan kerena itu
metode ini bekerja lebih cepat. Semua pixel diklasifikasikan ke kelas ROI terdekat kecuali analis menentukan ambang
batas jarak

11. Supervised Result
Parralellepiped
Minimum
Distance
Max. Likelihood Mahalonobis
Distance

12. Classification Distribution
Parralellepiped Minimum
Distance
Max. Likelihood
Mahalonobis
Distance

13. Statistics Result
• Parrallelepiped: 1,54
• Manimum Distance: 2,17
• Maximum Likelihood: 1,44
• Mahalanobis Distance: 1,42
Nilai tersebut menunjukkan besarnya
penyimpangan sampel dengan nilai
rata-ratanya
Semaikin kecil nilainya, semakin kecil
penyimpangannya
Parralellepiped
Minimum
Distance
Max. Likelihood
Mahalonobis
Distance

14. Class Confusion Matrix
• Mahalonobis= 93.00 %
• Max. Likelihood= 85.43%

15. Class Confusion Matrix
• Paralepiped= 78.02%
• Minimum Distance= 74,38%

16. Class Confusion Matrix
No Ranking Classification Overall Accuracy
(%)
Kappa Coeficient
1 Mahalonobis Distance 93.00 0.9040
2 Max. Likelihood 85.43 0.8119
3 Parralellepiped 78.02 0.7114
4 Minimum Distance 74.38 0.6746
Keterangan: Nilai pada tabel diatas didapatkan dari perhitungan matrik konfusion

17. Refrensi
• Danoedoro, Projo, 1996, Pengolahan Citra digital Teori dan Aplikasinya dalam Bidang
Penginderaan Jauh, Fakultas Geografi Universitas Gadjah Mada
• Danoedoro. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit Andi.
• Harris Geospatial Solutions. ISO DATA-
https://www.harrisgeospatial.com/docs/ISODATAClassification.html
• Info Geospasial, 2020. Mengenal Metode Klasifikasi Tidak Terbimbing dan Terbimbing.
http://www.info-geospasial.com/2017/02/mengenal-metode-klasifikasi-tidak-terbimbing-
dan-metode-terbimbing-di-envi.html
• Muhsoni F, 2014. Praktikum Penginderaan Jauh Menggunakan ENVI. Universitas Trunojoyo
Madura
• Supervised and Unsupervised Classification.
https://titisari04.wordpress.com/2016/11/04/unsupervised-and-supervised-classification/