Klasifikasi Citra: Unsupervised Tasikmalaya

Daerah Selat Sunda dan Jawa bagian selatan menghadap Lautan India bagian timur. Daerah tersebut membujur sejajar khatulistiwa dan bagian pinggir dari daerah tekanan tinggi subtropik selatan. Pada waktu menjelang akhir musim dingin utara, udara di daerah tersebut diwarnai oleh sifat udara Laut Cina Selatan yang sudah melalui banyak daerah dan udara tropik Lautan India bagian timur. Tetapi pada waktu musim dingin selatan, udara diwarnai oleh sifat udara benua Australia dan udara tropik Lautan India bagian timur. Makin ke timur sifat udara benua tropis lebih terlihat (BMKG 2010).

Klasifikasi tematik citra ASTER dilakukan menggunakan 2 metode, yaitu klasifikasi tidak terbimbing (unsupervised) dan klasifikasi terbimbing (superviserd).

1. Klasifikasi Tidak Terbimbing (Unsupervised Classification)

Klasifikasi tidak terbimbing merupakan proses pengelompokan piksel-piksel pada citra menjadi beberapa kelas menggunakan analisa cluster. Klasifikasi tidak terbimbing dilakukan dengan pengelompokan piksel (cluster analysis) menggunakan metode iso data.

2. Klasifikasi Terbimbing (Supervised Classification)

Klasifikasi terbimbing merupakan proses pengelompokan piksel-piksel. Tahap ini merupakan identifikasi dan klasifikasi piksel-piksel yang terdapat pada melalui training area. klasifikasi terbimbing dilakukan dengan cara identifikasi piksel berdasarkan hasil survey (training area) (Indarto dan Faisal 2009).

Ada berbagai unsur dalam suatu pixel yang dapat diambil atau diolah, seperti mendapatkan unsur warna RGB dan pengelompokkan nilai pixel. Untuk mendapatkan unsur warna gambar dengan ukuran 980×726 pixel akan dikonversi menjadi matrik [980, 726], setiap nilai dalam matrik mengandung nilai R, G, dan B, misal matrik [1,1] dengan nilai pixel (128, 128, 128), matrik [1,2] dengan nilai pixel (128, 128, 128), dan seterusnya hingga matrik [980, 726]. Kemudian dari nilai pixel yang terdapat pada matrik tersebut dibaca satu persatu untuk setiap nilai pixel Red, nilai pixel Green, dan nilai pixel Blue. Dari hasil tersebut dibentuk sebuah array yang memiliki nilai pixel Red, nilai pixel Green, dan nilai pixel Blue dengan jumlah data sebanyak 711.480 pixel untuk masing-masing model warna (Apriyanti et al 2015).

Spektrum elektromagnetik yang bergerak dan masuk ke permukaan bumi tidak semua spektrum masuk , tetapi hanya sebagian kecil spektrum elektromagnetik yang dapat mencapai permukaan bumi. Spektrum yang mampu mencapai permukaan bumi melalui celah-celah atmosfer yang disebut dengan “ Jendela Atmosfer ”. Jendela atmosfer yang sejak dahulu digunakan manusia adalah spektrum nampak. Spektrum ini mempunyai λ 0,4-0,7 μm dan sesuai dengan kepekaan mata manusia. Atas dasar puncak pancaran radiasi matahari dengan menggunakan formula dari Wien, maka puncak pancaran matahari terletak pada λ 0,48 μm (Setiawan 2018).

Gambar 1. Band dalam keadaan nyata

Band 2 berwarna biru memiliki panjang gelombang 0,45 – 0,51 μm resolusi 30 km fungsi dari band 2 ialah untuk penetrasi tubuh air, baik untuk pemetaan pantai, diskriminasi vegetasi dan tanah, pemetaan tipe hutan, idetifikasi permukiman. Band 3 berwarna hijau memiliki panjang gelombang 0,53 – 0,59 μm resolusi 30 km fungsi dari band 3 ialah untuk diskriminasi vegetasi, mengukur reflektansi vegetasi. Band 4 berwarna Merah panjang gelombang 0,64 – 0,67 μm resolusi 30 km fungsi dari band 4 ialah untuk analisis perubahan vegetasi (Syarah 2017). Pemakaian band 432 ini untuk mengetahui keadaan sebenarnya dan juga merupakan spektrum tampak, hal ini dapat dilihat dari panjang gelombang masing-masing band tersebut. Dimana panjang gelombang spektrum tampak sebesar 0,4-0,7 μm.

Gambar 2. Unsupervised Tasikmalaya

Gambar 2 menjelaskan klasifikasi citra unsupervised pada wilayah Tasikmalaya. Pada gambar tersebut klasifikasi dibagi menjadi empat tutupan lahan yaitu lahan terbangun berwarna biru, vegetasi berwarna hijau, keawanan berwarna merah, dan badan air berwarna merah muda. Seperti yang dilihat pada gambar 2 yaitu warna citra sebenarnya bahwa terdapat tutupan awan di sisi kanan dan kiri wilayah Tasikmalaya, sehingga ketika dibuat dalam unsupervised tutupan awan dapat terlihat jelas.Klasifikasi tidak terbimbing atau unsupervised biasanya dimanfaatkan pada proses klasifikasi citra satelit untuk memetakan tutupan lahan pada area yang belum dikenali sebelumnya. Hal ini disebabkan karena data lapang tidak cukup tersedia (Sampurno et al 2017).

Daftara Pustaka

Apriyanti NR, Nugroho RA, Soesanto O. Algoritma k-means clustering dalam pengolahan citra digital landsat. Kumpulan jurnaL Ilmu Komputer (KLIK). 2(2): 1-13.

[BMKG] Badan Meteorologi Klimatologi dan Geofisika. 2010. Iklim Kawasan Indonesia (Dari Aspek Dinamik – Sinoptik). Jakarta (ID): BMKG.

Indarto, Faisal A. 2009. Identifikasi dan klasifikasi peruntukan lahan menggunakan citra aster. Media Teknik Sipil. 9(1): 1-8.

Sampurno RM, Bunyamin A, Herwanto T. 2017. Estimasi perubahan lahan sawah dengan klasifikasi tidak terbimbing citra MODIS EVI di Provinsi Jawa Barat. Jurnal Teknotan. 11(2): 55-66.

Setiawan W. 2018. Citra Penginderaan Jauh: Klasifikasi, Fusi Data, dan Deteksi Perubahan Wilayah. Bandung (ID): UPI PRESS.

Syarah S. 2017. Pemanfaatan sistem informasi geografis dalam mengkaji perubahan penggunaan lahan di Kecamatan Sawangan Depok tahun 2000-2015.[Skripsi]. Jakarta (ID) : Universitas Islam Negri Syarif Hidayatullah.