Klasifikasi Servis Citra Landsat Untuk Membuat Peta Penutup Lahan

Proses klasifikasi citra melibatkan konversi citra dengan banyak saluran menjadi satu file raster dengan sejumlah kelas kategori yang terkait dengan berbagai jenis penutup lahan.

Terdapat dua cara untuk mengklasifikasikan citra dengan beberapa saluran, klasifikasi tersupervisi atau tanpa supervisi. Metode klasifikasi tersupervisi mengkelaskan citra berdasarkan pengenalan spektral (nilai reflektan) yang didapatkan dari sample piksel ( poligon yang merepresentasikan sampel area untuk setiap jenis tutupan lahan yang berbeda). Sampel ini dikoleksi secara manual dan analisa citra digunakan untuk menghitung klasifikasi citra. Dengan metode klasifikasi tanpa supervisi, software secara langsung menghitung kelas spektral tanpa intervensi dari si analis. Ketika kluster atau kelompok ditemukan, langkah selanjutnya adalah identifikasi.

Pada kesempatan ini akan dijelaskan bagaimana menggunakan servis citra Landsat dengan metode klasifikasi tersupervisi untuk membuat penutup lahan.  download data ini.

Untuk memulai, buka Landsat_SupervisedClassification.mxd di dalam file zip. Didalamnya terdapat servis citra TM_Multispectral_2000 (kombinasi saluran 4, 3, 2) dan poligon area of interest (AOI) yang ditambahkan di Table of Contents. Karena servis citra ini meliputi seluruh dunia, kita batasi pada area tertentu, sehingga ditambahkan poligon AOI.

Gambar 1. Citra LandsatGLSTM_Multispectral_2000 saluran 4,3,2

Setelah mengaktifkan ekstensi Spatial Analyst, tambahkan toolbar Image Classification ke dalam interface ArcMap. Toolbar ini mempunyai fitur membuat sampel daerah dan file penanda. File penanda ini menyimpan tanda spektral untuk setiap jenis kelas penutup lahan. Selain itu juga berfungsi sebagai pusat untuk melakukan klasifikasi tersupervisi dan tidak tersupervisi.

Gambar 2. Toolbar Klasifikasi Citra

Pada toolbar ini, pada menu dropdown sebelah kanan terdapat icon Training Sample Manager . Ketika di klik akan memunculkan Training Sample Manager (gambar 3). Ini adalah mekanisme dari manajemen sampel kelas untuk merubah nama atau nilai kelas, menggabung atau memisah kelas, menghapus kelas, merubah warna tampilan, membuka atau menyimpan sampel, evaluasi sampel dan membuat file tanda.

Gambar 3. Training Sample Manager

Untuk mengumpulkan sampel pada AOI dapat menggunakan Training sample drawing tools (gambar 1).

Menambahkan poligon area of interest (AOI) ke dalam ArcMap dapat membantu untuk fokus pada area di dalam citra yang akan diklasifikasikan.

Gambar 4. Dalam contoh diambil 5 sampel yang representatif mewakili Hutan (A). Tiap sampel tampil sebagai kelas terpisah (B) tetapi semuanya termasuk kelas hutan sehingga harus dilakukan proses penggabungan. Proses yang sama dapat dilakukan untuk kelas penutup lahan lainnya. (C).

Kumpulkan sampel untuk setiap kelas yang diinginkan kemudian gunakan tool Merge  untuk menggabungkan sampel untuk setiap kelas. Gunakan nama kelas dan pilih warna yang diinginkan seperti gambar 5.

Gambar 5. Kelas yang dibuat dengan sampel

Setelah selesai membuat sampel piksel, klik pada Create Signature File  di Training Sample Manager untuk menyimpan file tanda. Nantinya akan digunakan pada klasifikasi terkendali. Untuk lebih yakin bahwa sampel telah merepresentasikan kelas dengan sebenarnya, karakteristik spektral perlu dicek.

Untuk membandingkan berbagai sampel piksel untuk setiap kombinasi saluran yang berbeda dari citra digunakan scatterplot (pada contoh digunakan kombinasi 4-3-2). scatterplot akan menampilkan tingkat keterpisahan dan distibusi dari sampel piksel. Jika sampel merepresentasikan kelas yang benar-benar berbeda, scatterplot tidak akan ttumpang tindih. Untuk melihat scatterplot di ArcGIS, gunakan jendela scatterplot. Pilih semua kelas di Training Sample Manager window dan kemudian klik pada simbol scatterplot  pada toolbar Training Manager (gambar 6).

Gambar 6. Scatterplot memperlihatkan distribusi sampel piksel dari kelas yang ada. 

Menggunakan scatterplot, analisis kualitas sampel dapat menentukan bahwa sampel yang kita buat merepresentasikan kelas yang benar – benar berbeda jika tidak tumpang tindih.

Jika sampel yang benar-benar berbeda telah terpilih, dapat dilanjutkan dengan klasifikasi. Pada contoh kali ini digunakan metode Maximum Likelihood untuk klasifikasi tersuperfisi. Berdasarkan teori probabilitas maximum likelihood, metode ini mengelompokkan piksel ke kelas tertentu berdasarkan rata-rata dan varian dari file tanda. Alat ini dapat diakses dari toolbar Image Classification dan juga dari toolset Multivariate pada toolboks Spatial Analyst. (gambar 7).

Gambar 7. Tool klasifikasi Maximum Likelihood dapat diakses dari toolbar Image Classification.

Parameter yang digunakan dapat dilihat pada gambar 8. Karena menggunakan servis Landsat dengan cakupan seluruh dunia sangat penting untuk mengisi parameter processing extent pada langkah ini. ini dapat dilakukan dengan mengklik tombol Environment pada bagian bawah menu.

Gambar 8. Tool Klasifikasi Maximum Likelihood dan tombol Environments pada bagian bawah untuk menentukan area pemrosesan. 

Klik pada tombol anak panah ke bawah pada Processing Extent. Tentukan untuk sama dengan AOI atau Area Of Interest.

Gambar 9. Setting The Environment yang dapat disesuaikan untuk pemrosesan hanya pada area AOI saja. 

Setelah semua parameter diisi, jalankan tool. Akan dihasilkan citra klasifikasi yang dapat dilihat pada gambar 10. Citra tutupan lahan berdasarkan pemilihan sampel piksel dan menggunakan metode maximum likelihood.

Gambar 10. Citra klasifikasi yang dihasilkan dari metode Maximum Likelihood.

Hasil klasifikasi terkadang masih mengandung piksel yang belum terklasifikasi. Untuk meningkatkan klasifikasi, perlu dilakukan klasifikasi ulang piksel-piksel ini ke dalam kelas atau kluster yang mengelilinginya. Salah satu metode untuk membersihkan citra klasifikasi adalah menggunakan filter, penghalusan, dan menghapus area yang terisolasi.

sumber : ESRI Blog