ANALYSIS QUICKBIRD IMAGERY USING SUPERVISED AND UNSUPERVISED CLASSIFICATION
Latifa Ulfah Undergraduate Program, Information Systems Gunadarma University http://www.gunadarma.ac.id
Keywords : Quickbird Imagery, Supervised Classification, Unsupervised Classification, Erdas Imagine.
ABSTRACT
Remote sensing is a science or technology to obtain information or a natural phenomenon through an analysis of data obtained from the recording object, area or phenomenon being observed. Digital image result of the remote sensing imagery such as Quickbird, IKONOS, Landsat TM, SPOT, NOAA and others. Quickbird satellite imagery is an excellent resource to meet the needs analysis in the field of land use change, agriculture, forestry, mining and others. Digital image classification aim to produce thematic maps. Digital image classification consists of two methods that is Supervised classification and Unsupervised classification. The resulting thematic maps using Supervised and Unsupervised methods can be used in the utilization of land use, urban spatial planning and land cover. Based on research results using Supervised and Unsupervised methods can be concluded that the Supervised classification method has higher accuracy than Unsupervised methods. The highest accuracy in Supervised method that is the area Surabaya 1 with the value 99.33% and the accuracy of the lowest in the area Surabaya 2 with the value 73.33%. Whereas the highest accuracy in Unsupervised method that is the area Surabaya 1 with the value 86.67% and the accuracy of the lowest in the Meulaboh area with the value of 60.00%.
ANALYSIS QUICKBIRD IMAGERY USING SUPERVISED AND UNSUPERVISED CLASSIFICATION
Latifa Ulfah (10106805) Information System Major, Faculty of Computer and Technology Information Science, University of Gunadarma Email :
[email protected]
Abstract Remote sensing is a science or technology to obtain information or a natural phenomenon through an analysis of data obtained from the recording object, area or phenomenon being observed. Digital image result of the remote sensing imagery such as Quickbird, IKONOS, Landsat TM, SPOT, NOAA and others. Quickbird satellite imagery is an excellent resource to meet the needs analysis in the field of land use change, agriculture, forestry, mining and others. Digital image classification aim to produce thematic maps. Digital image classification consists of two methods that is Supervised classification and Unsupervised classification. The resulting thematic maps using Supervised and Unsupervised methods can be used in the utilization of land use, urban spatial planning and land cover. Based on research results using Supervised and Unsupervised methods can be concluded that the Supervised classification method has higher accuracy than Unsupervised methods. The highest accuracy in Supervised method that is the area Surabaya 1 with the value 99.33% and the accuracy of the lowest in the area Surabaya 2 with the value 73.33%. Whereas the highest accuracy in Unsupervised method that is the area Surabaya 1 with the value 86.67% and the accuracy of the lowest in the Meulaboh area with the value of 60.00%. Keywords : Quickbird Imagery, Supervised Classification, Unsupervised Classification, Erdas Imagine.
Abstraksi Penginderaan jauh merupakan suatu ilmu atau teknologi untuk memperoleh informasi atau fenomena alam melalui analisis suatu data yang diperoleh dari hasil rekaman obyek, daerah atau fenomena yang dikaji. Citra digital hasil penginderaan jauh antara lain citra Quickbird, IKONOS, Landsat TM, SPOT, NOAA dan lain-lain. Citra satelit Quickbird merupakan sumber daya yang sangat baik untuk memenuhi kebutuhan-kebutuhan dibidang analisis perubahan lahan, pertanian, kehutanan, pertambangan dan lain-lain. Klasifikasi citra digital bertujuan untuk menghasilkan peta tematik. Klasifikasi citra digital terdiri dari dua metode yaitu klasifikasi Supervised dan klasifikasi Unsupervised. Peta
tematik yang dihasilkan menggunakan metode Supervised dan Unsupervised dapat digunakan dalam pemanfaatan tata guna lahan, perencanaan tata ruang kota dan penutupan lahan. Berdasarkan hasil penelitian menggunakan metode Supervised dan Unsupervised dapat disimpulkan bahwa klasifikasi menggunakan metode Supervised memiliki keakuratan yang lebih tinggi dibandingkan dengan metode Unsupervised. Keakuratan tertinggi pada metode Supervised yaitu pada daerah Surabaya 1 dengan nilai 99.33% dan keakuratan terendah pada daerah Surabaya 2 dengan nilai 73.33%. Sedangkan Keakuratan tertinggi pada metode Unsupervised yaitu pada daerah Surabaya 1 dengan nilai 86.67% dan keakuratan terendah pada daerah Meulaboh dengan nilai 60.00%. Kata kunci : Citra Quickbird, Klasifikasi Supervised, Klasifikasi Unsupervised, Erdas Imagine.
1.
Pendahuluan
1.1
Latar Belakang Penginderaan jauh merupakan suatu
Klasifikasi citra digital merupakan
teknik pengukuran atau perolehan informasi
suatu proses penyusunan, pengurutan, atau
dari beberapa sifat objek atau fenomena
pengelompokkan semua piksel kedalam
dengan menggunakan alat perekam yang
beberapa kelas (kelompok) berdasarkan
secara fisik tidak terjadi kontak langsung
suatu kriteria atau kategori objek yang
atau bersinggungan dengan objek atau
bertujuan
fenomena yang dikaji.
tematik” (Prahasta, 2008).
untuk
menghasilkan
“peta
Pada saat ini ketersediaan citra-citra
Setiap piksel yang terdapat di dalam
digital untuk sebagian besar wilayah di
setiap kelas hasil klasifikasi diasumsikan
permukaan bumi semakin banyak. Citra-
memiliki
citra ini merupakan hasil perekaman sensor-
Tujuan proses ini adalah untuk mengekstrak
sensor yang dibawa oleh satelit maupun
pola-pola respon spektral (terutama yang
pesawat terbang (airbone), antara lain yaitu
dominan) yang terdapat didalam citra itu
citra satelit Quickbird. Citra satelit quickbird
sendiri, pada umumnya berupa kelas-kelas
merupakan sumberdaya yang sangat baik
penutup lahan (land cover) dan tata guna
untuk
lahan (land use).
dibidang
memenuhi analisis
kebutuhan-kebutuhan perubahan
lahan,
karakteristik
yang
homogen.
Tata guna lahan (land use) adalah
pertanian, kehutanan dan lain-lain (Prahasta,
suatu
2008).
penggunaan lahan dalam suatu kawasan
upaya
dalam
merencanakan
yang meliputi pembagian wilayah untuk
fungsi-fungsi khusus tertentu, misalnya
adalah citra Quickbird. Pengklasifikasian
fungsi pemukiman, perdagangan, industri,
dilakukan berdasarkan kesamaan warna
dan lain-lain.
atau kedekatan nilai piksel-piksel. Penulis
Peta
tematik
adalah
peta
yang
menggunakan
perangkat
lunak
Erdas
menggambarkan suatu wilayah yang terdiri
Imagine versi 2010 dan pada tahap
atas satu atau beberapa objek atau tema yang
perbaikan
detail. Setiap objek pada peta tersebut
Enhancement)
mempunyai simbol yang unik yang dapat
perangkat lunak Matlab 7.6.
kualitas
citra
penulis
(Image
menggunakan
dinyatakan dengan warna atau pola tertentu. Contoh
objek
yang
berkaitan
dengan
1.3
permukaan bumi antara lain air, hutan, sawah, kota, jalan dan lain-lain.
Tujuan Penelitian Tujuan penelitian tugas akhir ini
adalah untuk membandingkan keakuratan
Didalam proses pengklasifikasian citra
klasifikasi Supervised dan Unsupervised .
digital ini, secara umum dikenal dua
Menghasilkan peta tematik yang dapat
kelompok metode yaitu klasifikasi tidak
digunakan untuk pemanfaatan tata guna
terawasi (unsupervised classification) dan
lahan (land use).
klasifikasi
terawasi
(supervised
classification). Pada metode klasifikasi tidak
2.
Landasan Teori
terawasi proses klasifikasi digunakan untuk
2.1
Penginderaan
mengelompokkan berdasarkan semata,
piksel-piksel
citra
aspek statistik (matematis)
tanpa
Sensing) Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang
pengguna
suatu objek, daerah, atau fenomena melalui
(training sites/areas). Sedangkan klasifikasi
analisis data yang diperoleh dengan suatu
terawasi merujuk pada keberadaan kelas-
alat tanpa kontak langsung dengan objek,
kelas yang didefinisikan oleh pengguna
daerah,
(Prahasta, 2008).
(Lilesand, 2004).
sendiri
kelas-kelas
(Remote
yang
didefinisikan
ada
Jauh
oleh
atau
fenomena
yang
dikaji
Penginderaan jauh merupakan teknik 1.2
Batasan Masalah
yang dikembangkan untuk memperoleh dan
Dalam penulisan tugas akhir ini,
menganalisis
penulis
menggunakan
Citra
Quickbird
Informasi
informasi itu
tahun 2004. Dalam uji ketelitian/kebenaran
elektromagnetik
hasil
dipancarkan
klasifikasi
Supervised
dan
Unsupervised data yang dijadikan referensi
berbentuk yang
dari
(Lindgren, 1985).
tentang
dipantulkan permukaan
bumi. radiasi atau bumi
menit, sun-synchronous pada ketinggian 450 km, sudut inklinasi 97.2°, revisit time 1 hingga 4 hari, dan menghasilkan scene dengan ukuran sekitar 16 km x 16 km (Prahasta, 2008). Quickbird
menggunakan
sensor
BGIS-2000 dengan resolusi 0.61 meter. Gambar 2.1 Skema Umum Penginderaan Jauh
Data memiliki
spasial
adalah
referensi
data
ruang
yang
Satelit Quickbird merupakan beberapa band citra dengan spesifikasi berikut :
kebumian Tabel 2.1 Spesifikasi Band Citra Satelit
(georeference) dimana berbagai data atribut terletak
dalam
berbagai
unit
Quickbird
spasial
(Wikipedia.org). Data spasial yang pada umumnya diwujudkan baik sebagai peta analog (dicetak di atas media kertas) maupun digital merupakan salah satu sumber daya yang termasuk langka dan mahal pada saat ini. Karena peta analog
2.3
atau peta digital merupakan gambaran atau potret
bentang
alam
yang
Klasifikasi Citra Digital Tujuan dari proses klasifikasi citra
sangat
adalah untuk mendapatkan gambar atau
komprehensif, jujur, dan yang terdekat
peta tematik. Gambar tematik adalah suatu
dengan realitas (Prahasta, 2008).
gambar yang terdiri dari bagian-bagian
Citra digital hasil penginderaan jauh antara lain citra Quickbird, IKONOS,
yang menyatakan suatu objek atau tema tertentu.
Landsat TM, SPOT, NOAA dan lain-lain.
Proses klasifikasi citra ada dua jenis, yaitu
2.2
Citra Quickbird Quickbird
Supervised
(Klasifikasi
Citra
Terawasi) dan Unsupervised (Klasifikasi
adalah
satelit
resolusi
Citra Tak Terawasi).
tinggi yang diluncurkan pada tanggal 18 Oktober 2001 di Vanderberg Air Force
2.3.1 Klasifikasi
Citra
Terawasi
Base (California). Satelit yang dimiliki dan
(Supervised)
dioperasikan
ini
Penggunaan istilah terawasi disini
diluncurkan dengan periode orbit 93.5
mempunyai arti berdasarkan suatu referensi
oleh
DigitalGlobe
penunjang, dimana kategori objek-objek
Data yang akan di olah merupakan Citra
yang terkandung pada citra telah dapat
satelit Quickbird. Sebelum data di olah lebih
diidentifikasi. Klasifikasi ini memasukkan
lanjut, data terlebih
setiap piksel citra tersebut kedalam suatu
kualitas
kategori objek yang sudah diketahui.
seperti
citranya
dahulu diperbaiki
(image
pengubahan
enhancement)
kecerahan
gambar
(Brightness), penajaman, dan lain-lain. Setelah
2.3.2 Klasifikasi Citra Tak Terawasi
terawasi,
klasifikasi
bila
dalam
tidak
menggunakan software Erdas Imagine versi
prosesnya
tidak
2010 dengan metode Supervised dan Unsupervised.
apapun. Hal ini berarti bahwa proses
Estimasi
hanya
diperbaiki
disebut
menggunakan suatu referensi penunjang
tersebut
citra
kualitasnya, data akan di klasifikasikan
(Unsupervised) Proses
data
dilakukan
tingkat
ketelitian
hasil
berdasarkan
analisis dilakukan secara statistik (random
perbedaan tingkat keabuan setiap piksel
sampling). Berdasarkan hasil uji ketelitian,
pada citra.
maka dapat dibandingkan keakuratan hasil
Klasifikasi citra tak terawasi mencari
metode Supervised dan Unsupervised.
kelompok-kelompok (cluster) piksel-piksel, kemudian menandai setiap piksel kedalam sebuah
kelas
parameter
berdasarkan
pengelompokkan
3.1
Diagram Alir Klasifikasi Citra
parameterawal
yang
Citra Quickbird
didefinisikan oleh penggunanya.
3.
Perbaikan Kualitas Citra
Training Area (Daerah Sample)
Klasifikasi Unsupervised
Klasifikasi Supervised
Metode Penelitian Pada penelitian tugas akhir ini terbagi
menjadi empat tahap proses pengolahan data, yaitu tahap perbaikan kualitas citra (image
enhancement),
klasifikasi
menggunakan
metode
klasifikasi
menggunakan
citra
Unsupervised terhadap
dan
metode
tahap
citra
Peta Tematik
Supervised,
uji
metode
Uji Ketelitian/ Kebenaran
ketelitian
Supervised
dan
Unsupervised.
Perbandingan Metode Supervised dan Unsupervised
Diagram alir pada penelitian tugas akhir ini, seperti terlihat pada Gambar 3.1.
Gambar 3.1 Diagram Alir Klasifikasi Citra
4.
Hasil Penelitian Pada
penelitian
tugas
akhir
ini
Hasil
klasifikasi
digunakan 3 (tiga) citra quickbird yaitu dua
metode
daerah Surabaya dan satu daerah Meulaboh.
adalah sebagai berikut :
(a) Citra Quickbird Daerah Surabaya 1
(b) Citra Quickbird Daerah Surabaya 2
(c) Citra Quickbird Daerah Meulaboh
Supervised
dan
menggunakan Unsupervised
(a) Citra Quickbird Awal Daerah Surabaya 1
(b) Citra Quickbird Metode Supervised
(c) Citra Quickbird Metode Unsupervised
Gambar 4.1 Citra Quickbird yang digunakan
Gambar 4.2 Citra Hasil Pengklasifikasian
dalam penelitian
Daerah Surabaya 1
4.1
4.1.1 Uji Ketelitian Metode Supervised dan
Hasil Penelitian Daerah Surabaya 1
Unsupervised Pada Daerah Surabaya 1 Tabel 4.1 Deskripsi Pengklasifikasian Kelas Daerah Surabaya 1 No. 1. 2. 3. 4.
Deskripsi Kelas Pohon, Rumput Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
Pengujian ketelitian/kebenaran hasil klasifikasi
Warna
menggunakan
metode
Supervised dan Unsupervised dilakukan dengan cara random sampling (acak). Tabel 4.2 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Surabaya 1 Kelas Vegetasi Hijau (VH) Urban (U) Aspal (A) Asbes, Beton (AsB)
Deskripsi Pohon, Rumput Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
Tabel 4.3 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Surabaya 1 Reference Data VH1 Classified Data
A1
A2
AsB
VH1
2
VH2 0
U 0
0
0
0
Total 2
VH2
1
2
0
0
0
0
3
66.67%
U
0
0
6
0
0
0
6
100.00%
A1
0
0
0
3
0
0
3
100.00%
A2
0
0
0
0
0
0
0
-
AsB
0
0
0
0
0
1
1
100.00%
Total
Users Accuracy 100.00%
15
Overall Accuracy={(2+2+6+3+0+1)/15} x 100 = 93.33 %
Tabel 4.4 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Surabaya 1 Reference Data V V A A U A U A U A A U U A U A U A U A U U A U A
Classified Data
H H 1
2
1
3
2
4
3
5
6
4
5
7
6
8
7
9
8
1
9
0
1
1
1
s
Total
User Accuracy
1
2
0
1
1
B
VH1
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
VH2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
A2
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
U1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
A3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A4
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
U3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A5
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
A6
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
100.00%
U4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U5
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
A7
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
2
50.00%
U6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
100.00%
U7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
100.00%
A9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
-
100.00%
U8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A11
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U11
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
AsB
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
Total Overall Accuracy={(2+1+1+1+1+1+2+1+1+1+1)/15} x 100 = 86.67 %
15
4.2
Hasil Penelitian Daerah Surabaya 2
4.2.1 Uji Ketelitian Metode Supervised dan Unsupervised Pada Daerah Surabaya 2
Tabel 4.5 Deskripsi Pengklasifikasian Kelas Tabel 4.6 Deskripsi Kelas Hasil
Daerah Surabaya 2 No.
Deskripsi Kelas
1.
Pohon, Lahan Terbuka, Vegetasi Hijau Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
2. 3. 4.
Hasil
Klasifikasi Pada Daerah Surabaya 2
Warna
klasifikasi
Kelas Vegetasi Hijau (VH) Urban (U) Aspal (A) Asbes, Beton (AsB)
menggunakan
Deskripsi Pohon, Lahan Terbuka, Vegetasi Hijau Pemukiman, Bangunan, Tanah Aspal, Jalan Raya Asbes, Beton
Tabel 4.7 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Surabaya 2
metode Supervised dan Unsupervised adalah sebagai berikut :
Classified Data
Reference Data
(a) Citra Quickbird Awal Daerah Surabaya 2
V
V
H
H
1
2
VH1
3
0
1
0
0
0
4
75.00%
VH2
0
0
0
0
0
0
0
-
U
1
1
6
0
0
0
8
75.00%
A1
0
0
0
1
0
0
1
100.00%
A2
0
0
0
1
1
0
2
50.00%
AsB
0
0
0
0
0
0
0
-
U
A
A
1
2
A
Total
s
Users Accuracy
B
Total
15
Overall Accuracy={(3+0+6+1+1+0)/15} x 100 = 73.33 %
(b) Citra Quickbird Metode Supervised
(c) Citra Quickbird Metode Unsupervised
Gambar 4.3 Citra Hasil Pengklasifikasian Daerah Surabaya 2
Tabel 4.8 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Surabaya 2
Classified Data
Reference Data V
V V V U V U V A U V U A A U U A U U A U A U U A
To
User
H
H H H 1
H 2
H 1
tal
Accuracy
5
6
3
H 4
2
3
5
6
4
7
8
5
9
6
7
1
1
s
1
2
3
4
0
1
B
VH1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
VH2
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
100.00%
VH3
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
VH4
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
U1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
VH5
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
U2
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
VH6
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
100.00%
A1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
VH7
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
U4
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
100.00%
A2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
100.00%
U6
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
-
A4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
100.00%
A6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U11
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
-
AsB
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
-
Total
15
Overall Accuracy={(2+1+1+1+1+2+1+1+1+1)/15} x 100 = 80.00 %
4.3
Hasil Penelitian Daerah Meulaboh
Tabel 4.9 Deskripsi Pengklasifikasian Kelas Daerah Meulaboh
(Aceh) No.
Deskripsi Kelas
Meulaboh (Aceh) dibagi menjadi 4 (empat)
1.
kelas.
2. 3. 4.
Pohon, Rumput, Lahan Terbuka Aspal, Jalan Raya Pemukiman, Tanah Asbes, Bangunan
Pada penelitian ketiga yaitu daerah
Warna
Tabel 4.11 Uji Ketelitian/Kebenaran Klasifikasi Supervised Pada Daerah Meulaboh
(a) Citra Quickbird Awal Daerah Meulaboh
Classified Data
Reference Data V
V
U
U
A
H
H A
1
2
s
Total
Users
1
2
VH1
1
1
0
0
0
0
2
50.00%
VH2
0
2
0
0
0
0
2
100.00%
A
0
0
3
0
0
0
3
100.00%
U1
0
0
0
2
0
0
2
100.00%
U2
0
0
0
0
4
0
4
50.00%
AsB
0
0
0
0
1
1
2
-
Accuracy
B
Total
15
Overall Accuracy={(1+2+3+2+4+1)/15} x 100 = 86.67 %
(b) Citra Quickbird Metode Supervised
(c) Citra Quickbird MetodeUnsupervised
Gambar 4.4 Citra Hasil Pengklasifikasian Daerah Meulaboh
4.3.1 Uji Ketelitian Metode Supervised Dan Unsupervised Pada Daerah Meulaboh
Tabel 4.10 Deskripsi Kelas Hasil Klasifikasi Pada Daerah Meulaboh Kelas Vegetasi Hijau (VH) Urban (U) Aspal (A) Asbes, Bangunan (AsB)
Deskripsi Pohon, Rumput, Lahan Terbuka Pemukiman, Tanah Aspal, Jalan Raya Asbes, Bangunan
Classified Data
Tabel 4.12 Uji Ketelitian/Kebenaran Klasifikasi Unsupervised Pada Daerah Meulaboh
VH1 VH2 VH3
V H 1 0 0 0
V H 2 0 2 0
V H 3 0 0 0
V H 4 0 0 0
V H 5 0 0 0
V H 6 0 0 0
Reference Data U U U U U U U V V 1 2 3 4 5 6 7 H H 7 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
U U U 8 9 1 0 0 0 0 0 0 0 0 0 0
A A A A A A A 1 2 3 4 5 6 s B 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
VH4
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
VH5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
VH6
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
U1
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
U2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
U3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
U4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
U5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
U6
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
U7
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
VH7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
VH8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
U8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
To tal
User Accuracy
0 2 0
100.00% -
0
1
100.00%
0
0
0
-
0
0
1
100.00%
0
0
0
2
100.00%
0
0
0
0
-
0
0
0
0
0
-
0
0
0
0
0
0
-
0
0
0
0
0
0
-
0
0
0
0
0
0
1
-
0
0
0
0
0
0
1
-
0
0
0
0
0
0
0
0
-
0
0
0
0
0
0
0
0
0
-
0
0
0
0
0
0
0
0
0
-
U9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
U10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
100.00%
A1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
100.00%
A3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
1
0
0
0
3
33.33%
A5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-
A6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0.00%
AsB
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
-
Total
15
Overall Accuracy={(2+1+1+2+1+1+1)/15} x 100 = 60.00 %
4.4
Perbandingan Metode Supervised dan
Unsupervised Unsupervised dapat disimpulkan bahwa Tabel 4.13 Tabel Perbandingan Klasifikasi
klasifikasi menggunakan metode Supervised
Supervised dan Unsupervised
memiliki keakuratan yang lebih tinggi
Penelitian
Supervised
Unsupervised
Daerah Surabaya 1
93.33 %
86.67 %
Daerah Surabaya 2
73.33 %
80.00 %
Daerah Meulaboh
86.67 %
60.00 %
dibandingkan dengan metode Unsupervised. Keakuratan tertinggi pada metode Supervised yaitu pada daerah Surabaya 1 dengan
Berdasarkan menggunakan
hasil
metode
penelitian
Supervised
dan
nilai
99.33%
dan
keakuratan
terendah pada daerah Surabaya 2 dengan nilai
73.33%.
Sedangkan
Keakuratan
tertinggi pada metode Unsupervised yaitu
and
pada daerah Surabaya 1 dengan nilai
Mapping Land Use/Cover in Ajloun Area.
86.67% dan keakuratan terendah pada
Jourdan Journal of Agricultural Sciences,
daerah Meulaboh dengan nilai 60.00%.
Volume , No 1, 2005. [2]
Unsupervised
Classifications
for
Campbell, James, 2001. Digital Image Classification Geography 4354- Remote
5.
Penutup
5.1
Kesimpulan
Sensing. [3]
Berdasarkan hasil penelitian klasifikasi
Products (Product Guide). DigitalGlobe,
Supervised dan Unsupervised pada citra Quickbird perekaman tahun 2004, dua
DigitalGlobe. 2010. Quickbird Imagery
Inc., Longmont. [4]
Lillesand, Kiefer, 1998. Penginderaan
daerah Surabaya dan satu daerah Meulaboh
Jauh dan Interpretasi Citra, Gajah Mada
(Aceh) dapat disimpulkan bahwa keakuratan
University Press.
klasifikasi
Supervised
dibandingkan
lebih
klasifikasi
tinggi
[4]
and Interpretation (Fifth Edition). John
Unsupervised.
Wiley & Sons, Inc., New York.
Penelitian ini dapat menghasilkan peta tematik
yang
dapat
digunakan
dalam
Lillesand, Kiefer, 2004. Remote Sensing
[5]
Lindgren, D.T, 1985. Land use Planning and Remote Sensing, Doldrecht: Martinus
pemanfaatan tata guna lahan, perencanaan
Nijhoff Publisher.
tata ruang kota dan penutupan lahan.
[6]
Munir, Rinaldi, 2004. Pengolahan CITRA DIGITAL dengan Pendekatan Algoritmik,
5.2
Saran
Bandung: Penerbit INFORMATIKA.
Saran untuk perbaikan penelitian ini
[7]
Prahasta,
Eddy,
2008.
REMOTE
adalah dengan menggunakan ruang lingkup
SENSING Praktis Penginderaan Jauh &
penelitian yang lebih luas, misalnya satu
Pengolahan
kecamatan.
Perangkat Lunak ER Mapper, Bandung:
mampu
Pada
penelitian
mengklasifikasikan
ini
hanya
suatu
kelas
berdasarkan warna atau kedekatan pikselpikselnya,
untuk
pengembangan
dilakukan
pengklasifikasian
[8]
Data
Daftar Pustaka
[1]
Al-Tamini, Salam dan Al-Bakri, J. T. 2005. Comparison Between Supervised
untuk
Keperluan
Bisnis Teori & Aplikasi, Yogyakarta : Penerbit Graha Ilmu. [9]
Sugiharto, Aris, 2006. Pemrograman GUI dengan Matlab, Yogyakarta: Penerbit Andi.
6.
dengan
Santosa, Budi, 2007. Data Mining Teknik Pemanfaatan
berdasarkan
objek suatu kelas secara lebih rinci.
Digital
Penerbit INFORMATIKA.
dapat
warna dan bentuk sehingga dapat mengenali
Citra
[10] http://www.erdas.com/
