Laporan Praktek SPJ Sidig

8/16/2019 Laporan Praktek SPJ Sidig

1/11

LAPORAN PRAKTIKUM

SISTEM PENGINDERAAN JAUH

Klasifikasi Citra Berbasis Objek Me!!"aka EN#I E$

Dis"s" Ole% &

SIDIG LUHUR SRIBUANA

'()*+,*(-)PTK)'-./-

PROGRAM PASCASARJANA 0AKULTAS TEKNIK

UNI#ERSITAS GADJAH MADA

1OG1AKARTA

2-'(

A3 C%44se b5 Sele6ti! E7a89les

Proses klasifikasi berbasis objek menggunakan sampel (training area), langkah – langkahyang dilakukan adalah sebagai berikut :

1. Membuka data citra yang akan diproses dengan cara klik Toolbox Feature Selection →

Open File → pilih citra yang akan diproses OK .


2/11

!ambar 1. "itra #ighres lokasi $emarang

%. $elanjutnya akan muncul kotak dialog Feature Extraction Segment tentukan nilai Scale

Level (nilai skala) yang ideal untuk segmentasi satu set citra, misalnya &'.

!ambar %. otak dialog Scale Level

3. emudian muncul kotak dialog Feature Extraction Merge, tentukan nilai Merge

(penggabungan segmen) sehingga didapat nilai Merge yang ideal, misalnya '.


3/11

!ambar &. otak dialog Merge Level

*. emudian muncul kotak dialog Feature Extraction Refine, pilih No Threhol!ing atau

Threhol!ing untuk mengetahui nilai ambang batas objek dengan backgroun! klik Next .

!ambar *. otak dialog No Threhol!ing atau Threhol!ing

+. $elanjutnya muncul kotak dialog Feature Extraction "ompute #ttribute pilih semua tipe

data atribut yaiyu Spatial , Spectral , dan Texture. emudian klik Next .


4/11

!ambar +. otak dialog Feature Extraction "ompute #ttribute

. emudian muncul kotak dialog Feature Extraction$ Extract Feature pilih klasifikasi

dengan metode "hooe b% Selecting Example klik Next .

!ambar . otak dialog -eature /traction: "hooe b% Selecting Example

0. $elanjutnya muncul kotak dialog Feature Extraction$ Supervie! "laification, pada tahap

ini dilakukan pembuatan kelas bjek yang diambil antara lain pemukiman (kuning),

2egetasi (hijau), sungai (biru), gedung (merah), jalan (hitam), dan lapangan (coklat), lahan

kosong (abu3abu) klik Next .


5/11

!ambar 0. otak dialog Feature Selection (pemilihan sampel objek)

0. $elanjutnya setelah proses klasifikasi selesai berdasarkan training area (sampel), maka

hasilnya akan seperti gambar berikut ini :

!ambar . !ambar #asil training area


6/11

. emudian hasil klasifikasi dikon2ersi ke 2ektor (.shp). Pilihan e/port untuk data kelas dapat

digabung maupun dipisah 4anda bah5a proses kon2ersi telah berhasil maka akan muncul

laporan dan statistiknya seperti gambar di ba5ah ini :

!ambar 6. otak dialog Export &ector Reult dan Report an! Statitic

Maka hasilnya seperti gambar diba5ah ini :

!ambar 1'. !ambar hasil Export nya

6. 7ika hasil kon2ersi ditampilkan dalam 8rcMap maka hasilnya seperti berikut ini.


7/11

!ambar 11. #asil ekport pada #rc'(S

B3 C%44se b5 Creati! R"les

1'. Melakukan langkah – langkah yang sama pada nomer 1 sampai +, kemudian pilih "hooe b%

"reating Rule klik Next .

!ambar 1%. otak dialog Extract Feature: "lait% or Export

11. $elanjutnya muncul kotak dialog Extract Feature $ Rule)*ae! "laification, pada tahap

ini dilakukan pembuatan kelas bjek dan memasukkan rule berdasarkan objeknya agar

dapat dipisahkan dari backgroun! 3nya, yang diambil antara lain pemukiman (kuning),


8/11

2egetasi (hijau), sungai (biru), gedung (merah), jalan (hitam), dan lapangan (coklat), lahan

kosong (abu3abu) klik Next .

!ambar 1&. otak dialog Extract Feature: Rule)*ae! "laification

1%. $elanjutnya setelah proses klasifikasi selesai berdasarkan training area (sampel), maka

hasilnya akan seperti gambar berikut ini :

!ambar 1*. !ambar #asil training area

1&. emudian hasil klasifikasi dikon2ersi ke 2ektor (.shp). Pilihan e/port untuk data kelas

dapat digabung maupun dipisah 4anda bah5a proses kon2ersi telah berhasil maka

akan muncul laporan dan statistiknya seperti gambar di ba5ah ini :


9/11

!ambar 1+. otak dialog Export &ector Reult dan Report an! Statitic

Maka hasilnya seperti gambar diba5ah ini :


10/11

!ambar 1. !ambar hasil Export nya

1*. 7ika hasil kon2ersi ditampilkan dalam 8rcMap maka hasilnya seperti berikut ini.


11/11

!ambar 10. !ambar hasil Export nya di 8rcMap

C3 Aalisis Hasil

9ari kedua metode yaitu Selection b% Example dan Rule *ae didapatkan hasil klasifikasi

berbasis objek. #asil yang didapatkan lebih mudah menggunakan lasifikasi berbasis objek

menggunakan Selection b% Example, karena klasifikasi ini dilakukan cenderung ke arah

upervie! claification yang dibantu dengan pembuatan training area. $edangkan pada

klasifikasi berbasis objek menggunakan Rule bae, dimana harus mendefinisikan rule yang akan

digunakan,untuk menentukan jenis – jenis objeknya berdasarkan nilai spectral, luasan, bentuk

spasial, tekstur objek.

D3 Kelebi%a :a Kek"ra!a

elebihan dan kekurangan Selection b% example :

3 4idak membutuhkan rule untuk pendefinisian objek

3 lasifikasi secara 2isual

elebihan dan kekurangan Selection b% creating rule :3 Membutuhkan rule untuk mendefinisikan objek

3 lasifikasi menggunakan nilai spektral

E3 Kesi89"la

9ari kedua metode yaitu Selection b% Example dan Rule *ae. lasifikasi berbasis objek

hasilnya lebih baik dengan menggunakan Rule *ae+ arena objek – objek diklasifikan

berdasarkan nilai spectral, tekstur objek, bentuk spasial dari objek tersebut sehingga klasifikasi

yang dihasilkan cenderung lebih baik.

Documents

Laporan Praktek SPJ Sidig