Kegiatan klasifikasi tutupan lahan pada citra satelit dapat dilakukan dengan metode klasifikasi terbimbing (Suppervised Classification) dan klasifikasi tidak terbimbing (Unsuppervised Classification). Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis (supervised), dimana kriteria pengelompokkan kelas ditetapkan berdasarkan penciri kelas (class signature) yang diperoleh melalui pembuatan area contoh (training area). Sedangkan, klasifikasi tidak terbimbing merupakan klasifikasi dengan pembentukan kelasnya sebagian besar dikerjakan oleh komputer. Kelas-kelas atau klaster yang terbentuk dalam klasifikasi ini sangat bergantung kepada data itu sendiri, yaitu dikelompokkannya piksel-piksel berdasarkan kesamaan atau kemiripan spektralnya (Riswanto 2009).

Klasifikasi CItra

Klasifikasi Terbimbing (Supervised Classification)

Metode Klasifikasi Terbimbing diawali dengan pembuatan daerah contoh untuk menentukan penciri kelas. Kegiatan tersebut merupakan suatu kegiatan mengidentifikasi prototife (cluster) dari sejumlah piksel yang mewakili masing-masing kelas atau kategori yang diinginkan  dengan menentukan posisi contoh dilapangan dengan bantuan peta tutupan lahan sebagai referensi untuk setiap kelasnya. Jumlah kelas yang diambil disesuaikan dengan masing-masing luas penampakan. Secara teoritis, jumlah piksel yang diambil untuk mewakili setiap kelas yaitu sebanyak N+1, dimana N adalah jumlah band yang digunakan. Hal tersebut dilakukan untuk menhindari matrik ragam-peragam yang singular, dimana piksel per kelasnya tidak bisa dihitung (Jaya 2007).

Data yang dihasilkan dari kegiatan pengklasifikasian secara terbimbing didaptkan dua tabel yaitu tabel Separabilitas dan tabel Kontingensi. Nilai pada tabel Separabilitas untuk keenam tutupan lahan didominasi oleh nilai 2000 atau berkisar antara 1900 sampai 2000. Hal tersebut menunjukkan bahwa keenam lahan memiliki kriteria baik (good) dan sempurna (excellent). Hanya hubungan antara vegatasi rapat dengan vegetasi jarang dan rumput dengan vegetasi jarang yang memiliki nilai baik, selain itu nilai separabilitasnya sempurna, maka dapat dikatakan bahwa hasil klasifikasi masing-masing tutupan lahan dapat dibedakan secara spektral (Jaya 2005). Seperti dapat dilihat pada tabel berikut:


Nilai Transformasi Keterpisahan Keterangan
2000 Sempurna (excellent)
1900 – 2000 Baik (good)
1800 – 1900 Cukup (fair)
1600 – 1800 Kurang (poor)
< 1600 Tidak terpisahkan (insperable)

Klasifikasi Tidak Terbimbing (Unsupervised Classification)

Klasifikasi tidak terbimbing dalam prosesnya hanya sedikit hal yang ditetapkan atau diatur oleh seorang analis, misalnya jumlah kelas atau klaster yang akan dibuat, teknik yang akan digunakan, jumlah iterasi dan band-band atau kanal yang akan digunakan. Klasifikasi ini disebut juga dengan klastering, dimana klastering adalah suatu teknik klasifikasi atau identifikasi yang merupakan serangkaian proses untuk mengelompokan observasi (dalam hal ini piksel) ke dalam suatu kelas atau klaster yang benar dalam suatu set kategori yang disusun (Jaya 2015).

Menurut Lillesand dan Kiefer (1997), klasifikasi tidak terbimbing bisa saja menjumpai beberapa kelas spektral yang dihasilkan berkaitan dengan lebih dari satu jenis kategori informasi, hal ini berarti bahwa janis kategori informasi tersebut secara spektral serupa dan tidak dapat dibedakan pada rangkaian data tertentu.

Klasifikasi lahan dengan metode tidak terbimbing akan mendapatkan berbagai klasifikasi lahan yang berasal dari kelas nilai spektral piksel. Simplifikasi kelas ini dilakukan agar tidak terlalu banyak kelas yang dipakai. Simplifikasi kelas ini dilakukan menggunakan diagram dendrogram berdasarkan matrik jarak euclidean dari masing-masing kelas. Penggambaran dendrogam ini dapat menggunakan tiga metode, yaitu metode single linkage, complete linkage, dan unweighted group average (Radityo 2010).

Metode klasifikasi lahan menggunakan metode klasifikasi terbimbing maupun tidak terbimbing memiliki kekurangan dan kelebihan. Metode klasifikasi terbimbing baik digunakan untuk kawasan yang sudah diketahui dan akses mudah dijangkau untuk keperluan pengenalan tutupan lahan secara terestris. Metode klasifikasi tidak terbimbing baik digunakan untuk pembuatan klasfikasi lahan di kawasan yang belum terlalu dikenali dan akses yang susah untuk dimasuki secara terestris.

Sumber: Forester Act!

Referensi:

Jaya INS. 2005. Tehnik mendeteksi lahan longsor menggunakan Citra Spot Multiwaktu: Studi kasus di Teradomari, Tochio, dan Shidata Mura, Niigata, Jepang. Jurnal Manajemen Hutan Tropika. 10 (1): 31 – 48.

Jaya INS. 2007. Analisis Citra Dijital: Perspektif Pengindeaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor (ID): Institut Pertnaian Bogor.

Jaya INS. 2015. Analisis Citra Digital Prespektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor (ID): Fakultas Kehutanan Institut Pertanian Bogor.

Lillesand TM, Kiefer RW. 1997. Penginderaan Jauh dan Interpretasi Citra; diterjemahkan oleh Dulbahri et al. Yogyakarta (ID): Gadjah Mada University Press.

Radityo G. 2010. Kajian Pemanfaatan Citra ALOS PALSAR Resolusi Sedang untuk Klasifikasi Penutupan Lahan di Pulau Kalimantan Indonesia [Skripsi]. Bogor (ID): Fakultas Kehutanan Institut Pertanian Bogor.

Riswanto E. 2009. Evaluasi akurasi klasifikasi penutupan lahan menggunakan citra Alos Palsar resolusi rendah, Studi kasus di Pulau Kalimantan [Skripsi]. Bogor (ID): Institut Pertnaian Bogor.