Kegiatan ini merupakan pengolahan data citra guna mengelompokan kedalam kelas-kelas tertentu. Data tersebut akan di kaji berdasarkan kenampakanya dalam tampilan data citra, seperti halnya mengidentifikasi laut, mangrove, daratan, dst.
Langkah pertama adalah pilih menu Process > Classifikation > Isoclass Unsupervised Classification.
Tool box baru akan muncul, dalam tool box tersebut masukan data citra yang akan diklasifikasikan melalui pilihan Input Dataset. Selanjutnya beri nama file hasil klasifikasi tersebut pada pilihan Output Dataset. Sekarang kita beranjak pada menu Option. Masukan nilai maximum iterasinya, (misalkan 20), kemudian masukan maxsimum number of classes (misalkan 50), masukan maksimum standar deviasi (misalkan 2), dan terakhir masukan nilai Min. distance between class means (misalkan 1).
Langkah selanjutnya klik Process > Calculate Statistics, masukan file output, sehingga data kan di prosses sebagai berikut
Setelah prosses Calculate Statistics sukses dilakukan, sekarang pilih menu Edit > Edit Class > Region Color and Name. Dari klasifikasi akan kita dapatkan jumlah kelas sebanyak 50, kemudian 50 kelas tersebut akan di identifikasi berdasarkan kenampakannya dalam data citra dengan memberikan lebel pada setiap kelas tersebut .
Langkah labelling dimulai dengan menampilkan file hasil klasifikasi yang telah dilakukan sebelumnya, caranya pilih Edit Algorithm dan load file hasil klasifikasi tersebut. Pada window Algoritm sorot Pseudo Layer dan klik kanan, pilih Class Display, sehingga data citra menjadi hitam dan putih sebagai berikut
Untuk memudahkan melakukan labeling, muculkan kembali data citra awal sebelum di klasifikasikan, munculkan data citra tersebut dengan komposit 541. Sorot pointer pada data citra yang telah diklasifikasikan, klik kanan dan pilih Cell Values Profile, hal ini untuk melihat nila pixel citra tersebut. Ganti nama sesuai dengan obyeknya pada kotak Name, pada tool box Edit Classs/Region Detail sampai ke-50 kelas terlabel semua.
Setelah semua terlabel klik Save dan kini semua nilai pixel yang ada pada tersebut telah memiliki keterangan. Untuk melihat hasilnya buka kembali file data citra yang telah diklasifikan, jangan lupa untuk merubah Pesudo Layer ke dalam Class Display. Berikut ini adalah hasil dari pengklasifikasian dengan menggunakan 50 kelas.
Dari klasifikasi tersebut kita dapatkan jumlah kelas sebanyak 50 kelas, kemudian ke-50 kelas tersebut akan kita jadikan kedalam kelas yang lebih kecil lagi, misalnya menjadi 5 kelas. Maka langkah awal yang mesti dilakukan adalah ganti kembali Class Display ke dalam bentuk Pseudo Layer lagi. Selanjutnya klik E-mc2 pada window Algoritm.
Untuk mebagi kelas ini menjadi kelas yang lebih kecil kita perlu membuat suatu formula / logika proses dengna menggunakan kalimat iInput “if i1…and … i1 then else…”. Dalam hal ini formula tersebut adalah sebagai berikut :
if i1 >=1 and i1 < 11 then 1 else
if i1 >=11 and i1 < 14 then 2 else
if i1 >=14 and i1 < 22 then 3 else
if i1 >=22 and i1 < 27 then 4 else
if i1 >=27 and i1 < 51 then 5 else null
Setelah selesai memasuka formula / logika proses klik Apply chage, kemudian save file citra tersebut pada menu utama, File > Save As. Selanjutnya buka file yang disimpan tersebut (berekstensi *.ers) di notepad. Hapus bagian-bagian data yang tidak diperlukan dan save kembali file tersebut. Sekarang buka kembali file tersebut, pilih Edit > Edit Class > Region Color and Name. Dari klasifikasi sekarang akan kita dapatkan jumlah kelas sebanyak 5, kemudian 5 kelas tersebut akan di identifikasi berdasarkan kenampakannya dalam data citra dengan memberikan lebel pada setiap kelas tersebut , misalnya laut, rawa, mangrove, permukiman, dan vegetasi daratan. Ganti kembali Pseudo Layer ke dalam bentuk Class Display lagi. Maka hasilnya akan Nampak sebagai berikut
0 comments:
Poskan Komentar