Mata Kuliah
Dasar Sistem Informasi Geografi dan Lingkungan [PSL640] Dosen : Prof.Dr.Ir. Lilik B. Prasetyo
Laporan Praktikum III KLASIFIKASI CITRA SATELIT MENGGUNAKAN ERDAS IMAGINE
Oleh : Muhammad Ramdhan
Program Studi : Pengelolaan Sumber Daya Alam dan Lingkungan (PSL) Fakultas : Multidisplin Institut Pertanian Bogor (IPB) Mei 2015
| Halaman 0
Klasifikasi Citra Satelit Studi Kasus: Kab. Kubu Raya Provinsi Kalimantan Barat Suatu Modul Pelatihan
Alat dan Bahan: -
-
Landsat 8 path/raw : 121/060 tahun 2013, dengan layer1: band2, layer2: band3, layer3: band4, layer4: band5, layer5: band6 dan layer6: band7 yang telah di stacking dalam format file lc8120602013.img; Batas kabupaten kubu raya dalam format *.shp; Data titik hasil ground check dalam format *.shp; Data titik Validasi dalam format *.txt. Software Erdas Imagine, ArcGis, Notepad
Gambar 1. Citra Landsat 8 yang digunakan dalam praktikum
| Halaman 1
Gambar 2. data vektor yang digunakan dalam praktikum
Langkah melakukan pemotongan Citra: 1. Bukalah file lc8120602013.img pada viewer Erdas Imagine. 2. Buka juga file batas kabupaten kubu raya yang telah disiapkan.
3. Setelah terbuka kedua file tersebut akan menghasilkan pertampalan antara batas kabupaten dengan data citra. Kemudian klik pada menu bar AOI, dan munculkan tools AOI.
| Halaman 2
4. Dengan tanda panah klik pada layer batas kabupaten, kemudian pilih Add selected vector to specified AOI Layer. 5. Pada menu bar Erdas Image data preparation, pilih subset image, kemudian pilih file lc8120602013.img yang akan kita potong, lalu isikan nama file baru hasil pemotongan nantinya. Klik pada tombol AOI di bawah untuk memilih mode pemotongan menggunakan Area batas kabuaten yang telah dipilih sebelumnya di viewer. Setelah itu akan muncul windows pemilihan AOI, checklist pada viewer untuk memilih area AOI yang ada di viewer yang sedang kita buka sebagai pemotong citra lalu klik OK untuk memproses pemotongan citra.
| Halaman 3
6. Buka file hasil pemotongan citra pada viewer Erdas Imagine
| Halaman 4
Langkah melakukan training site pada Citra: 1. Buka file hasil pemotongan citra pada viewer Erdas Imagine 2. Bukalah file titik ground check untuk ditampalkan pada citra. 3. Untuk menampilkan keterangan titik pada viewer, klik pada menu vector, kemudian pilih viewing properties
4. Checklist pada atribut dan pilihlah kolom ket. Sebagai atribut yang ingin ditampilkan. Apply lalu close. 5. Dengan bantuan titik-titik ground check, buatlah polygon trainingsite pada lokasi. Caranya adalah dengan membuat tabel signature. Klik pada menu Classifier, lalu pilih signature editor, buatlah poligon AOI yang mewakili suatu objek tutupan lahan pada viewer, selanjutnya beri nama objek kelas sesuai bantuan dari titik ground check, lalu klik tombol crate new signature untuk membuat trainingsite lainnya. 6. Pada kasus kali ini akan dibuat 10 kelas yaitu : 1. Awan, 2. Bayangan Awan, 3. badan air, 4. hutan gambut, 5. Mangrove, 6. semak belukar, 7. kebun campuran, 8. Sawit, 9. lahan terbuka dan 10. hutan sekunder. 7. Masing-masing kelas diwakili oleh 5 trainingsite. Kemudian simpanlah hasil trainingsite tersebut dalam format *.sig. 8. Selanjutnya lakukanlah proses klasifikasi supervisised
| Halaman 5
Langkah melakukan klasifikasi supervised pada Citra: 1. Klik menu classifier pada erdas imagine menu. 2. Pilih tab supervised classification 3. Buka input file yang akan di klasifikasi, dan pilih juga file signature (trainingsite) yang telah disusun sebelumnya. Tentukan juga nama file baru hasil klasifikasi citranya. Lalu klik OK.
| Halaman 6
4. Buka file hasil klasifikasi pada viewer erdas imagine. Pada raster attribut editor akan terlihat bahwa citra tersebut telah memiliki kelas-kelas sesuai training site yang telah disusun.
5. Lakukan recode, untuk mengelompokkan kelas yang sama menjadi satu bilangan tertentu. Sehingga terciptalah 10 kelas.
| Halaman 7
6. Tampilan hasil klasifikasi secara supervised dapat diubah-ubah warnanya menggunakan raster atribut editor. Hasilnya adalah sebagai berikut:
Langkah melakukan validasi hasil klasifikasi Citra: 1. Pada menu bar Classifier pilih Accuracy Assessment
| Halaman 8
2. Bukalah file citra yang telah terklasifikasi 3. Import file kondisi riil lapangan dalam bentuk txt .
| Halaman 9
4. Masukkan nilai kelas referensi sebenarnya pada kolom reference. Nilai ini harus mengikuti penomoran kelas yang ada pada citra terklasifikasi.
| Halaman 10
5. Setelah titik validasi diisi, klik pada menu report, pilih Accuracy report;
6. Hasil tingkat akurasi klasifikasi citra akan tampil dalam bentuk Error matriks dan nilai Kappa Index.
| Halaman 11
7. Nilai akuarasi keseluruhan dari praktikum klasifikasi citra ini adalah 81,45%. Adapun Nilai kappa keseluruhan adalah: 0,7749. Hutan sekunder, lahan terbuka dan semak belukar menunjukkan hasil nilai kappa yang paling tinggi (1.0000) hal ini menunjukkan bahwa objekobjek tersebut telah dikelaskan secara akurat pada citra ini. Sedangkan kebun campuran memiliki nilai kappa paling rendah yaitu 0,6006. Hal ini menunjukkan bahwa Citra ini tidak terlalu baik dalam memisahkan objek kebun campuran dengan objek lainnya.
--- Semoga Bermanfaat ---
| Halaman 12
