PENDAHULUAN 1. Latar Belakang Dalam penginderaan jauh dikenal adanya klasifikasi citra. Klasifikasi secara kuantitatif dalam konteks multispektral dapat diartikan sebagai suatu proses mengelompokkan piksel ke dalam kelas-kelas yang ditetapkan berdasarkan peubahpeubah yang digunakan atau biasa disebut segmentasi (segmentation (segmentation)) (Jaya 2010). Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup lahan ( vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah, lahan terbangun dan lainnya). Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke dalam sejumlah class class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Contoh objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah, kota, jalan, dan lain-lain. Sedangkan pada citra satelit meteorologi, proses klasifikasi dapat menghasilkan peta awan yang memperlihatkan distribusi awan di atas suatu wilayah Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised ( supervised classification) classification) dan klasifikasi tidak terbimbing (unsupervised (unsupervised classification). classification). Klasifikasi tidak terbimbing (unsupervised ) melakukan pengelompokan data dengan menganalisa cluster secara otomatis dan menghitung kembali rata- rata kelas (class ( class mean) mean) secara berulangulang dengan komputer. Pengelompokan piksel menjadi kelas spektral diawali dengan menentukan jumlah kelas spektral yang akan dibuat. Penentuan jumlah kelas ini dapat dilakukan dengan memperhatikan jumlah puncak histogram sehingga diperoleh jumlah kelas spectral yang akan dibentuk. d ibentuk. Setelah jumlah kelas spektral ini ditentukan kemudian dipilih pusat-pusat kelas spektral terhadap setiap pusat kelas spektral. Berdasarkan hasil pengukuran jarak ini setiap piksel dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat. Oleh karena itu, pada praktikum akan dilakukan klasifikasi citra dengan menggunakan klasifikasi tidak terbimbing. 2. Tujuan Adapun tujuan praktikum praktikum adalah
HASIL
Gambar 1. Display citra Tabel 1. Euclidean distance single linkage BAND/CLAS S C1 C2 C3 C4 C5 C6 C7 C8
1 0 19777 23718 23345 25342 28172 28007 55818
2 19777 0 4081 5993 9840 11775 13241 37565
3 23718 4081 0 4475 8285 9416 11393 33697
4 23345 5993 4475 0 4056 6165 7404 32975
5 25342 9840 8285 4056 0 4121 3432 31367
6 7 28172 28007 11775 13241 9416 11393 6165 7404 4121 3432 0 4598 4598 0 28196 29522
8 55818 37565 33697 32975 31367 28196 29522 0
Gambar 2. Dendogram euclidean distance single linkage Tabel 2. Euclidean distance complete linkage BAND/CLAS S
1
2
3
4
5
6
7
8
C1 C2 C3 C4 C5 C6 C7 C8
0 19777 23718 23345 25342 28172 28007 55818
19777 0 4081 5993 9840 11775 13241 37565
23718 4081 0 4475 8285 9416 11393 33697
23345 5993 4475 0 4056 6165 7404 32975
25342 9840 8285 4056 0 4121 3432 31367
28172 28007 11775 13241 9416 11393 6165 7404 4121 3432 0 4598 4598 0 28196 29522
55818 37565 33697 32975 31367 28196 29522 0
Gambar 3. Dendogram euclidean distance complete linkage Tabel 3. Square euclidean distance single linkage BAND/C LASS C1 C2 C3 C4 C5 C6 C7 C8
1
2 3 391135 562553 0 224 111 391135 166582 224 0 75 56255 16658 3111 275 0 544971 35916 20023 438 764 418 64222 96824 68634 8647 099 009 79363 13865 88669 5032 5214 935 78439 17532 129808 8830 6821 788 311567 141115 113549 4255 1859 8038
4 544971 438 359167 64 20023 418 0 164544 33 38008 770 548139 31 108734 8739
5 64222 8647 96824 099 68634 009 16454 433 0 16986 673 117765 70 98387 5146
6 7 8 79363 78439 311567 5032 8830 4255 13865 175326 1411151 5214 821 859 88669 12980 113549 935 8788 8038 38008 54813 108734 770 931 8739 16986 117765 983875 673 70 146 211370 794991 0 35 591 211370 871557 35 0 747 79499 871557 1591 747 0
Gambar 4. Dendogram square euclidean distance single linkage Tabel 4. Square euclidean distance complete linkage BAND/C LASS
1
2
3
4
5
6
7
8
C1
391135 0 224
562553 111
544971 438
64222 8647
79363 5032
78439 8830
311567 4255
166582 75
359167 64
96824 099
13865 175326 5214 821
1411151 859
20023 418
68634 009
88669 935
12980 8788
113549 8038
16454 433
38008 770
54813 931
108734 8739
16986 673
117765 983875 70 146
C2
391135 224
0
C3
56255 3111
16658 275
0
C4
544971 438
35916 764
20023 418
0
C5
64222 8647
96824 099
68634 009
164544 33
0
C6
79363 5032
13865 5214
88669 935
38008 770
16986 673
C7
78439 8830
17532 129808 6821 788
548139 31
117765 211370 70 35
C8
311567 4255
141115 1859
108734 8739
98387 5146
113549 8038
0
79499 1591
Gambar 5. Dendogram square euclidean distance complete linkage PEMBAHASAN
211370 35
794991 591
0
871557 747
871557 747
0
Berdasarkan hasil praktikum dihasilkan display citra berwarna ungu yang menunjukkan badan air, hitam menunjukkan awan, dan kuning-biru menunjukkan daratan (misalnya biru menunjukkan vegetasi rapat, coklat menunjukkan vegetasi jarang, dan abu-abu menunjukkan tanah kosong). Pada praktikum ada dua tabel yaitu euclidean distance dan square euclidean distance. Pada kedua tabel tersebut dilakukan pembuatan dendrogram yaitu single linkage dan complete linkage. Pada single linkage dicari jarak minimum atau tetangga terdekat sedangkan complete linkage dicari jarak maksimum atau tetangga terjauh. Euclidean distance single linkage dimulai dari data yang nilainya paling kecil yaitu 3432 yang menghubungkan band C5 dengan C7. Nilai selanjutnya akan dicari nilai terkecil pada setiap jarak terdekat diantara band C1-C8 tanpa ada pengulangan dari setiap bandnya. Pada akhirnya didapatkan nilai tetangga terdekat yang terbesar yaitu 28196. Euclidean distance complete linkage dimulai dari data yang nilainya paling kecil yaitu 3432 yang menghubungkan C5 dengan C7, yang membedakan dengan single linkage yaitu nilai selanjutnya dicari dari jarak maksimum atau tetangga terjauh. Data yang diambil yaitu nilai paling besar dan diurutkan sampai nilai paling kecil dari band C1-C8 tanpa ada pengulangan dari kedelapan band tersebut. Nilai terbesar dari Euclidean distance complete linkage yaitu 55818. Setelah didapatkan hasil dari euclidean distance single linkage dan complete linkage, dibuat dendogramnya yang menggambarkan jarak terdekat dan jarak terjauh. Simplifikasi kelas dilakukan agar tidak terlalu banyak kelas yang dipakai. Simplifikasi kelas ini dilakukan menggunakan diagram dendrogram berdasarkan matrik jarak euclidean dari masing-masing kelas. Penggambaran dendrogam ini dapat menggunakan tiga metode, yaitu metode single linkage, complete linkage, dan unweighted group average (Radityo 2010). Pada square euclidean distance yang membedakannya dengan euclidean distance yaitu pada rumus square euclidean distance tidak dikalikan dengan pangkat 0,5 seperti pada euclidean distance. Square euclidean distance juga dibuat dendrogram single linkage dan complete linkage seperti pada euclidean distance. Square euclidean distance single linkage dimulai dari nilai paling kecil yaitu 11776570 yang menghubungkan band C7 dengan C5. Nilai tetangga terdekat yang terbesar yaitu 794991591. Square euclidean distance complete linkage dimulai dari nilai terkecil yaitu 11776570 yang menghubungkan band C7 dengan C5 dan nilai paling besarnya yaitu 3115674255. Nilai-nilai tersebut yang akan menunjukkan bentuk dendogramnya, baik itu berbentuk anak tangga maupun tidak beraturan karena pada klasifikasi tidak terbimbing pengolahan datanya yang paling berperan yaitu komputer (Maksum et al. 2016).
Jaya INS. 2010. Analisis Citra Digital: Teori dan Praktik Menggunakan ERDAS Imagine. Bogor(ID) : Institut Pertanian Bogor.
Lillesand, Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra Penginderaan Jauh. Yogyakarta(ID): Gadjah mada University Press. Maksum ZU, Yudo P, Haniah. 2016. Perbandingan klasifikasi tutupan lahan menggunakan metode klasifikasi berbasis objek dan klasifikasi berbasis piksel pada citra resolusi tinggi dan menengah. Jurnal Geodesi Undip 2(5): 97-107. Radityo G. 2010. Kajian pemanfaatan citra ALOS PALSAR resolusi sedang untuk klasifikasi penutupan lahan di pulau Kalimantan Indonesia [skripsi]. Bogor(ID): Fakultas Kehutanan Institut Pertanian Bogor.