Klasifikasi Penutup Lahan pada Citra Landsat 8 Daerah

Banyuwangi dan sekitarnya dengan Menggunakan Software

Envi 5.0

Retno Agus Pratiwi

Abstract

Earth is a natural object that dynamic and continues to change, as well as topography. This fact makes

the maps that created by people need to be updated from time to time, because a variety of activities both

industries, the economy, tourism, etc. are performed on the surface of the earth and requires the latest

geospatial information that can support those activities. That's why do update of the map becomes

important. One way that quite efficient to updating the map is the remote sensing. By remote sensing,

newest image interpretation and classification capable of producing the desired map in a relatively short

time. Classification can be done with supervision and unsupervise. In this paper, the author will describe

the classification of Landsat imagery 8 both supervision and unsupervise to generate an image map that

describes the land cover in Banyuwangi, East Java, Indonesia.

Keywords: klasifikasi, citra, supervised, unsupervise.

1. Pendahuluan

Klasifikasi menurut Kamus Besar Bahasa

Indonesia merupakan penyusunan bersistem

dalam kelompok atau golongan menurut kaidah

atau standar yg ditetapkan. Sedangkan penutupan

lahan merupakan istilah yang berkaitan dengan

jenis kenampakan yang ada di permukaan bumi

(Lillesand and Kiefer, 1990). Ada juga yang

menyebutkan bahwa penutupan lahan

menggambarkan konstruksi vegetasi dan buatan

yang menutup permukaan lahan. Konstruksi

tersebut seluruhnya tampak secara langsung dari

citra penginderaan jauh (Burley, 1961 dalam Lo,

1995). Sehingga dapat diambil garis besar dari

keduanya bahwa klasfikasi penutup lahan

merupakan penyusunan/pengelompokkan jenis

kenampakan konstruksi yang menutup permukaan

lahan.

Dalam hal ini, klasifikasi penutup lahan

merupakan salah satu klasifikasi yang dapat

dilakukan untuk menginterpretasi tutupan lahan

permukaan bumi dengan media citra. Klasifikasi

ini dilakukan dengan melihat unsur tutupan lahan

permukaan bumi. Menurut Lo (1995) satu faktor

penting untuk menentukan kesuksesan pemetaan

penutupan lahan terletak pada pemilihan skema

klasifikasi yang tepat dirancang untuk suatu

tujuan tertentu. Skema klasifikasi yang baik harus

sederhana di dalam menjelaskan setiap kategori

penutupan lahan.

Dalam paper kali ini akan dibahas tentang

klasifikasi penutup lahan pada citra satelit hasil

Tahap Pengumpulan

Data

Identifikasi MasalahKlasifikasi Penutup Lahan pada Citra Resolusi Rendah dengan Metode Klasifikasi Digtal

Studi LiteraturCitra Landsat 8Klasifikasi DigitalKlasifikasi Penutup Lahan

Pengumpulan DataCitra Landsat 8 daerah Banyuwangi dan sekitarnya akuisisi September 2014Ground Control Point dari Google EarthPenelitian Terdahulu

Tahap Persiapan

perekaman sensor Satelit Landsat 8, citra ini

dipilih karena sensor Satelit Landsat 8 merupakan

sensor yang terbaru yang dimiliki oleh Satelit

Landsat sehingga citra yang dihasilkan adalah

citra terbaru. Selain itu kondisi sensor yang masih

baik membuat citra hasil perekaman memiliki

kualitas yang baik pula yakni tidak memiliki bad

strip seperti yang ada pada citra hasil perekaman

sensor Landsat 7. Daerah yang menjadi objek

klasifikasi adalah daerah Jawa Timur, lebih

spesifiknya yaitu Kabupaten Banyuwangi dan

sekitarnya.

Penelitian pada paper ini bertujuan untuk

menemukan metode klasifikasi yang paling tepat

bagi citra satelit Landsat 8 di daerah Kabupaten

Banyuwangi dan sekitarnya sehingga dapat

menghasilkan peta penutup lahan yang akurat,

sesuai dengan keadaan sebenarnya di lapangan.

Dalam paper ini akan dibandingkan hasil

klasifikasi digital metode Supervised dan metode

Unsupervised.

Gambar 1. Raw Data Wilayah Kajian

2. Metodologi

A. Tahapan Penelitian

Tahapan Penelitian yang akan dilaksanakan

dalam rangka menyusun paper ini adalah

seperti pada diagram alir berikut :

Gambar 2. Tahapan Penelitian

B. Tahapan Pengolahan Data

Metodologi yang digunakan dan dibahas

dalam paper ini adalah metode klasifikasi

penutup lahan dengan klasifikasi digital.

Klasifikasi citra digital merupakan proses

pengelompokan piksel ke dalam kelas-kelas

tertentu. Hal ini sesuai dengan asumsi yang

digunakan dalam klasifikasi multispektral,

yakni bahwa setiap objek dapat dibedakan

dari yang lainnya berdasarkan nilai

spektralnya (Projo Danoedoro,1996).

Metode klasifikasi digital dipilih karena

input citra yang digunakan memiliki

karakteristik resolusi spasial yang sedang

atau rendahh, sehingga tidak memungkinkan

untuk diklasifikasi secara visual.

Sebelum melakukan proses klasifikasi,

terlebih dahulu dilakukan proses pra-

pengolahan citra sebagai berikut:

1. Input Data

Analisa Data

Tidak

Ya

Koreksi Radiometrik

Citra Terkoreksi Geometrik dan Radiometrik

Pemotongan Citra

Citra Landsat 8 tahun 2014 daerah Banyuwangi dan sekitarnya

Koreksi Geometrik

Mulai

Citra Landsat 8 tahun 2014

RMS Error ≤ 1 Piksel

Citra Terkoreksi Geometrik

GCP

Data yang digunakan dalam pembahasan

paper ini adalah citra landsat 8 tahun

2014 akuisisi September 2014 daerah

Kabupaten Banyuwangi Provinsi Jawa

Timur dan sekitarnya. Adapun kombinasi

band yang digunakan adalah Natural

Color karena lebih mudah untuk

dibandingkan dengan hasil klasifikasi

nantinya. Kombinasi Natural Color

(RGB) pada citra landsat 8 memiiki

formasi band-4 pada saluran Red, band-3

pada saluran Green, dan band-2 pada

saluran Blue.

2. Koreksi Geometrik.

Koreksi geometrik bertujuan untuk

mengoreksi data spasial citra/posisi citra.

Dengan adanya koreksi geometrik atau

yang sering disebut georeferencing maka

citra akan memiliki sistem koordinat dan

sistem proyeksi tertentu. Adapun metode

koreksi geometrik yang digunakan kali

ini adalah metode non-parametrik yaitu

dengan menggunakan sejumlah Ground

Control Points (GCP) yang diperoleh

dari Google Earth. Dari beberapa GCP

tersebut nantinya akan diperoleh nilai

Root Mean Square (RMS) Error setelah

diregistrasikan pada citra. Apabila nilai

RMS Errornya ≤ 1 maka citra dapat di

proses rektifikasi.

3. Koreksi Radiometrik

Koreksi radiometrik bertujuan untuk

mengoreksi nilai spektral citra yang

berhubungan dengan atribut/jenis objek.

Dengan koreksi radiometrik kualitas citra

secara visual menjadi lebih baik. Metode

koreksi radiometrik yang digunakan kali

ini adalah metode Histogram Stretching

yaitu dengan mengoreksi histogram dari

masing-masing band penyusun citra agar

didapatkan visualisasi citra yang lebih

jelas.

4. Pemotongan Citra

Pemotongan citra bertujuan untuk

mengambil cakupan/luasan area yang

lebih spesifik dan sesuai dengan fokus

area yang akan diklasifikasikan.

Pemotongan citra ini dilakukan karena

citra hasil perekaman dari Landsat-8

yang diunduh dari situs USGS masih

terlalu luas sehingga perlu dilakukan

pemotongan citra untuk mengambil fokus

area Kabupaten Banyuwangi Provinsi

Jawa Timur dan sekitarnya.

Dari hasil pra-pengolahan citra akan diperoleh

hasil akhir berupa citra yang siap untuk

diklasifikasi. Tahap pra-pengolahan citra

secara garis besar digambarkan seperti

diagram alir dibawah ini :

Gambar 3. Tahap Pra-pengolahan Citra

Setelah melalui tahap pra-pengolahan citra,

citra siap untuk diklasifikasi secara digital.

Klasifikasi digital sendiri dibagi menjadi 2,

yaitu Supervised dan Unsupervised.

Klasifikasi Supervised menurut Projo

Danoedoro (1996) merupakan klasifikasi yang

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, dan diperoleh daerah acuan yang baik

untuk mewakili suatu objek tertentu.

Penentuan training area dapat mempengaruhi

kualitas hasil klasifikasi pada metode ini.

Training area harus dipilih secara spesifik dan

teliti agar nantinya setelah melalui proses tidak

akan terjadi kesalahan dalam

pengklasifikasian. Selain itu jumlah piksel

dalam Training Area juga harus mencukupi,

jangan terlalu sedikit, agar hasil klasifikasi

juga semakin baik.

Sedangkan metode klasifikasi digital yang lain

yaitu klasifikasi Unsupervised adalah

pengklasifikasian hasil akhirnya

(pengelompokkan pixel-pixel dengan

karakteristik umum) didasarkan pada analisis

perangkat lunak (software anaysis) suatu citra

tanpa pengguna menyediakan contoh-contoh

kelas-kelas terlebih dahulu (Chein-I Chang

and H.Ren, 2000). Komputer menggunakan

teknik-teknik tertentu untuk menentukan pixel

mana yang mempunyai kemiripan dan

bergabung dalam satu kelas tertentu secara

bersamaan.

Kemudian akan dilakukan analisis secara

menyeluruh pada masing-masing metode

untuk selanjutnya dibandingkan dan dipilih

metode mana yang paling sesuai digunakan

pada klasifikasi penutup lahan citra satelit

Landsat 8 di daerah Kabupaten Banyuwangi

dan sekitarnya. Berikut ini merupakan diagram

alir dari proses klasifikasi Supervised dan

Unsupervised yang akan dilakukan. Adapun

skema klasifikasi yang digunakan adalah

vegetasi, non-vegetasi, air, dan awan.

Gambar 4. Tahap klasifikasi terkontrol (Supervised)

Ya

Tidak

Jumlah KelasIterasi maksimumMinimum piksel dalam 1 kelasdst.

Klasifikasi Supervised

Hasil Klasifikasi Sementara

Mulai

Citra Landsat 8 tahun 2014 daerah Banyuwangi dan sekitarnya yang telah Terkoreksi

Uji Ketelitian

Hasil Klasifikasi Penutup Lahan Citra Landsat 8 daerah Kabupaten Banyuwangi dan sekitarnya

Penentuan Skema Klasifikasi

Penentuan Isoparameter

Gambar 5. Tahap klasifikasi tidak terkontrol

(Unsupervised)

3. Hasil dan Pembahasan

Pada bagian ini akan ditampilkan hasil

pengolahan citra yang telah dilakukan.

A. Hasil perhitungan RMS Error

Berikut adalah tabel RMS Error tiap titik :

Gambar 6. Tabel nilai RMS Error

Dari proses koreksi geometrik didapatkan

nilai RMS Error rata-rata sebesar 0,119762

piksel sehingga masih memenuhi toleransi

untuk koreksi geometrik.

RMS Error didapatkan dari hasil registrasi

GCP pada citra dengan persebaran sebagai

berikut.

Gambar 7. Persebaran GCP di citra

B. Hasil koreksi histogram.

Berikut adalah hasil dari koreksi histogram

pada citra.

Gambar 8. Output histogram

Koreksi histogram dilakukan dengan

memilih operator Linear dan sumber

histogramnya merupakan display scroll.

Pemilihan display scroll dilakukan karena

display ini menampilkan keseluruhan citra

sedangkan operator linear dipilih karena

operator ini menggunakan nilai spektral

minimum dan maksimum untuk membentuk

kurva kontras yang linear (tanpa adanya

clipping). Operator ini tidak mengubah

geometrik dari citra itu sendiri

C. Hasil pemotongan area

Berikut merupakan hasil pemotongan citra

untuk mengambil fokus wilayah Kabupaten

Banyuwangi Provinsi Jawa Timur dan

sekitarnya. Citra setelah pemotongan

memiliki dimensi 1074 x 1119 (Byte) [BSQ].

Gambar 9. Hasil citra setelah dipotong.

D. Hasil perhitungan statistik Training Area.

Diambil sejumlah sample sebagai Training

Area dari citra yang telah terkoreksi, dan

berikut merupakan hasil perhitungan statistik

Training Area tersebut.

Gambar 10.Statistik Training Area

E. Hasil Scatter Plot

Scatter plot digunakan untuk

membandingkan nilai spektral antara 2 band

dan untuk mengetahui distribusi spasial

mereka dalam citra. Untuk Scatter Plot yang

ditampilkan berikut ini merupakan

kombinasi antara 2 dari 3 band penyusun

citra Natural Color yang diklasifikasi pada

paper kali ini. Kombinasi 2 band tersebut

merupakan band merah untuk sumbu-Y dan

band biru untuk sumbu-X. Dari hasil scatter

plot terlihat bahwa antar kelasnya tidak

saling berpotongan, adapun 1 kelas lain yaitu

awan, jumlahnya sangat sedikit hingga

hampir tak terlihat di scatter plot.

Gambar 11. Scatter Plot

F. Hasil klasifikasi supervised

Dari beberapa algoritma yang terdapat dalam

klasifikasi Supervised akhirnya setelah

dilakukan percobaan klasifikasi didapatkan

hasil terbaik dengan menggunakan algoritma

maximum likelihood untuk mengklasifikasi

tutupan lahan daerah Kabupaten

Banyuwangi dan sekitarnya. Algoritma

maximum likelihood merupakan kegiatan

evaluasi, baik secara kuantitatif, varian,

maupun korelasi pola tanggapan spektral

kategori ketika mengklasifikasi piksel tak

kenal dengan suatu asumsi bahwa distribusi

titik (piksel) yang berbentuk data sampel

mempunyai kategori bersifat ditribusi

normal (Gaussian). Untuk memutuskan

klasifikasi, dibutuhkan informasi statistik

berupa rerata dan simpangan baku tiap

sampel, serta variasi dan kovarian. Pada

algoritma ini, diasumikan bahwa probabilitas

semua kelas dianggap sama.

Gambar 11. Hasil klasifikasi Supervised dengan

algoritma Maximum Likelihood

Berikut ditampilkan statistik setiap kelas dari

hasil klasifikasi Supervised dengan algoritma

Maximum Likelihood.

Gambar 12. Statistik kelas hasil klasifikasi Supervised

Dari hasil tersebut juga terlihat bahwa semua

piksel citra terklasifikasi dalam kelas-kelas

tertentu. Ketika dilakukan perbandingan

dengan citra asli dengan kombinasi natural

color, terdapat banyak kesamaan dengan

hasil klasifikasi metode ini. Sehingga

metode ini cukup bisa dipercaya sebagai

metode yang mampu merepresentasikan

kondisi tutupan lahan di daerah Kabupaten

Banyuwangi Provinsi Jawa Timur dan

sekitarnya. Statistik tersebut juga

menyatakan bahwa komposisi penutup lahan

terbesar dari citra adalah unsur air, kemudian

yang kedua adalah unsur non-vegetasi, lalu

ada unsur vegetasi, dan sedikit awan.

G. Hasil klasifikasi unsupervised

Selain mencoba klasifikasi dengan metode

Supervised, dilakukan juga metode

klasifikasi digital Unsupervised. Beberapa

isoparameter yang diperhatikan adalah

jumlah kelas, iterasi maksimum, dan

minimum banyaknya piksel dalam 1 kelas.

Kemudian dirumuskan isoparameter sebagai

berikut.

Gambar 13. Isoparameter untuk klasifikasi

Unsupervised

Dari hasil isoparameter seperti diatas

akhirnya didapatkan hasil klasifikasi sebagai

berikut.

Gambar 14. Hasil klasifikasi Unsupervised

Bisa dilihat secara visual bahwa hasil dari

klasifikasi banyak yang kurang tepat, seperti

yang cukup ekstrem adalah unsur air yang

berada di citra bagian bawah ternyata

diklasifikasikan sebagai unsur vegetasi,

begitu juga selat bali yang juga

diklasifikasikan sebagai vegetasi. Untuk

lebih jelasnya selanjutnya ditampilkan juga

statistik kelas hasil klasifikasi Unsupervised

sebagai berikut.

Gambar 15. Statistik kelas hasil klasifikasi

Unsupervised

Dari hasil klasifikasi metode Unsupervised

ini ditemukan banyak kesalahan klasifikasi

ketika dibandingkan dengan citra asli yang

kombinasinya Natural Color, karena hal

itulah metode ini dianggap kurang

kompatibel untuk diterapkan dalam kegiatan

klasifikasi penutup lahan di daerah

Kabupaten Banyuwangi Provinsi Jawa

Timur dan sekitarnya.

4. Kesimpulan dan Saran

Berdasarkan hasil pengolahan citra digital yang

telah dilakukan dalam paper ini, maka didapatkan

beberapa kesimpulan akhir yaitu:

a) Klasifikasi digital metode supervised pada

citra landsat 8 untuk daerah Kabupaten

Banyuwangi Provinsi Jawa Timur dan

sekitarnya menghasilkan hasil klasifikasi

yang lebih akurat dibanding klasifikasi

metode unsupervised.

b) Algoritma yang tepat untuk melakukan

klasifikasi Supervised pada citra landsat 8

untuk daerah Kabupaten Banyuwangi

Provinsi Jawa Timur dan sekitarnya adalah

algoritma Maximum Likelihood.

c) Dari hasil klasifikasi digital metode

Unsupervised diperoleh keterangan bahwa

dari citra landsat 8 untuk daerah Kabupaten

Banyuwangi Provinsi Jawa Timur dan

sekitarnya, luasan yang merupakan vegetasi

adalah sebesar 21.870%, non-vegetasi

sebesar 29.877%, air sebesar 33.877%, dan

awan sebesar 14.366%. Sehingga jumlah

keseluruhan adalah 100% dan tidak ada

daerah yang tidak terklasifikasi.

Lampiran

Peta citra penutup lahan daerah Kabupaten

Banyuwangi Provinsi Jawa Timur dan sekitarnya.

Ucapan Terimakasih

Penulis mengucapkan terima kasih kepada seluruh

pihak yang telah membantu penulis baik dalam

penyediaan data maupun pemberian bimbingan

dan motivasi sehingga penulis mampu

menyelesaikan penelitiannya dengan baik.

Daftar Pustaka

Chein-I Chang dan H.Ren. 2000. An Experiment-

Based Quantitative and Comparative Analysis

of Target Detection and Image Classification

Algorithms for Hyperspectral Imagery. IEEE

Trans. on Geoscience and Remote Sensing

James J. Simpson, Timothy J. McIntire, dan

Matthew Sienko. 2000. An Improved Hybrid

Clustering Algorithm for Natural Scenes. IEEE

Trans. on Geoscience and Remote Sensing.

Lillesand and Kiefer, 1998. Penginderaan Jauh

dan Interpretasi Citra Penginderaan Jauh.

Yogyakarta: Gadjah mada University Press.