Klasifikasi Terbimbing dan Tak Terbimbing (Supervised & Unsupervised)

Author : Rinanda
         
            Klasifikasi yang dilakukan untuk citra pada penginderaan  jauh, secara umum terbagi dalam 2 tipe yaitu klasifikasi secara visual dan klasifikasi digital. Klasifikasi visual dilakukan dengan deliniasi dan interpretasi citra secara langsung. Klasifikasi digital (terbimbing/tak terbimbing) mempertimbangkan nilai Digital Number (DN) tiap pixel yang memiliki karakteristik spektral sama dan diasumsikan sebagai kelas yang sama. Klasifikasi terbimbing (supervised) membutuhkan sampel DN pada tiap polygon yang sudah diketahui kelasnya, kemudian aplikasi mencari daerah yang memiliki kesamaan dengan sampel. Klasifikasi tak terbimbing (unsupervised) mengklasifikasikan secara otomatis dengan menentukan jumlah kelas yang diinginkan tanpa menggunakan sampel DN sehingga perangkat akan mengelompokkan pixel yang sama kedalam jumlah kelas yang ditentukan.

         Data citra satelit yang digunakan untuk melakukan klasifikasi adalah citra dengan resolusi cukup tinggi karena untuk analisis wilayah berskala kecil. Citra Landsat biasa digunakan untuk klasifikasi dengan resolusi spasial 30 x 30 m. Salah satu aplikasi pengolahan data geospasial yang digunakan adalah ArcMap versi 10.3. Sebelum melakukan pengolahan data citra, perlu dilakukan penyamaan sistem koordinat semua data yang digunakan. Hal ini untuk menghindari error saat pengolahan data. Ada 2 type sistem koordinat yang biasa digunakan yaitu Geographic coordinate system dan projected coordinate system (UTM).

            Langkah awal dalam melakukan klasifikasi, pastikan toolbar image classification dan extensions sudah diaktifkan. Customize - Toolbar - Image Classification

Klasifikasi Terbimbing

Tentukan wilayah yang akan diklasifikasi. Lakukan pemotongan (cropping) menggunakan data vektor (polygon) untuk mengambil area wilayah yang spesifik. Hal ini dapat mempermudah dalam analisis data dan memeperkecil ukuran penyimpanan citra Pengambilan training sample dilakukan untuk mengambil contoh nilai DN pada pixel polygon kelas yang sudah diketahui identitasnya oleh interpreter. Gunakan polygon untuk membentuk area digitasi.

          Poligon-poligon yang termasuk kelas yang sama dikelompokkan (merge) sehingga terbentuk kelompok besar kelas klasifikasi. Save hasil training sample dalam bentuk file .gsg (signature file).

       Setelah dilakukan pengambilan sample, kemudian lakukan klasifikasi supervised maximum likelihood. Klasifikasi ini berdasarkan training sample masing-masing objek yang sudah dikategorikan. Pemilihan training sample yang tidak tepat akan menghasilkan klasifikasi yang kurang optimal dan tingkat akurasi yang rendah. Hasil klasifikasi yang diperoleh berupa data raster, dapat di konversi dalam bentuk vektor (.shp). Arctoolbox - Conversion  -From raster - raster to polygon.

Supervised                                        Citra Satelit

Klasifikasi Tak Terbimbing

             Metode ini tidak memerlukan training sample, sehingga proses klasifikasi dilakukan berdasarkan jumlah kelas yang diminta. Gunakan iso cluster unsupervised classification. 

Unsupervised                                    Citra Satelit

Kelemahan dari metode supervised, ketidakakuratan hasil klasifikasi ditentukan berdasarkan kemampuan interpreter dalam menginterpretasi objek yang digunakan saat pengambilan training sample. Pengelompokkan nilai DN tiap pixel sample yang salah akan menyebabkan kesalahan pada hasil klasifikasi. Sedangkan pada metode unsupervised, kelemahannya adalah apabila ada nilai pixel yang serupa namun berbeda objeknya maka hasil klasifikasi akan salah dalam melakukan interpretasi. Misalnya atap pemukiman yang berwarna coklat akan mirip nilai pixelnya dengan lahan terbuka sehingga pemukiman akan diklasifikasikan sebagai lahan terbuka atau sebaliknya.