Dokumentasi » Galerigis Pro

Dokumentasi Galerigis Pro

Panduan instalasi, impor data, styling peta, basemap offline, dan modul lanjutan.

Klasifikasi Tutupan Lahan

Galerigis Pro V4 menyediakan dua metode klasifikasi tutupan lahan otomatis yang berjalan 100% offline di laptop Anda — tanpa perlu upload data ke cloud atau menggunakan software tambahan.

🔵 1. Unsupervised — K-Means Clustering

Klasifikasi otomatis tanpa perlu training data. Sistem mengelompokkan piksel berdasarkan kemiripan spektral.

Cara Menggunakan

  1. Load citra satelit multispektral ke peta.
  2. Buka tab Toolbox di sidebar kiri, pilih Klasifikasi Machine Learning, lalu klik Klasifikasi Unsupervised (K-Means).
  3. Pilih citra raster sumber.
  4. Tentukan jumlah kelas (2–23 kelas).
  5. Klik Klasifikasi.
  6. Hasil berupa raster terklasifikasi dengan warna per kelas.

Unsupervised Classification
(Tampilan Klasifikasi Unsupervised K-Means)

Template Warna KLHK

Galerigis Pro menyediakan template warna standar KLHK 23 Kelas untuk klasifikasi tutupan lahan Indonesia. Pilih template ini agar warna kelas sesuai dengan standar nasional yang digunakan oleh Kementerian Lingkungan Hidup dan Kehutanan.

Pelabelan Manual

Setelah klasifikasi selesai, Anda bisa memberi label nama pada setiap cluster:

  • Cluster 1 → "Hutan Primer"
  • Cluster 2 → "Sawah"
  • Cluster 3 → "Pemukiman"
  • dst.

🟢 2. Supervised — Random Forest

Klasifikasi presisi tinggi menggunakan training data yang Anda buat sendiri. Sistem melatih model machine learning dan mengklasifikasi seluruh citra.

Cara Menggunakan

  1. Load citra satelit multispektral ke peta.
  2. Buka tab Toolbox di sidebar kiri, pilih Klasifikasi Machine Learning, lalu klik Klasifikasi Supervised (Random Forest).
  3. Pilih citra raster sumber.

Supervised Classification
(Tampilan Klasifikasi Supervised Random Forest)
4. Buat Training Area:

  • Gambar polygon di peta untuk setiap kelas tutupan lahan.
  • Beri label pada setiap polygon (misal: "Hutan", "Air", "Pemukiman").
  • Buat minimal 3–5 polygon per kelas untuk hasil optimal.
  1. Klik Jalankan.
  2. Sistem akan:
    • Melatih model Random Forest dari training area.
    • Mengklasifikasi seluruh citra berdasarkan model.
    • Menampilkan hasil di peta.

Laporan Akurasi

Setelah klasifikasi selesai, sistem menghasilkan Confusion Matrix yang menunjukkan:

  • Overall Accuracy — Persentase piksel yang terklasifikasi benar.
  • Akurasi per kelas — Seberapa baik model mengenali setiap kelas.
  • Kappa Index — Ukuran kesesuaian klasifikasi.

Hasil Akurasi
(Tampilan laporan akurasi Supervised Classification)

Lokasi Hasil Output

Hasil klasifikasi otomatis tersimpan di folder proyek (WebGISData):

  • K-Means → WebGISData/_kmeans_tmp/
  • Random Forest → WebGISData/_rf_tmp/

Output berupa file GeoTIFF (.tif) yang bisa langsung dibuka di QGIS, ArcGIS, atau software GIS lainnya.

🆚 Kapan Menggunakan K-Means vs Random Forest?

Aspek K-Means (Unsupervised) Random Forest (Supervised)
Training data Tidak perlu Perlu (Anda gambar polygon)
Kecepatan Cepat Lebih lambat (proses training)
Akurasi Sedang Tinggi
Cocok untuk Eksplorasi awal, area baru Laporan resmi, analisis detail
Jumlah kelas 2–23 (ditentukan manual) Sesuai training area

💡 Tips: Mulai dengan K-Means untuk eksplorasi cepat, lalu gunakan Random Forest untuk hasil akhir yang lebih akurat.

❓ FAQ

Citra apa yang cocok untuk klasifikasi?

Citra multispektral (Sentinel-2, Landsat 8/9) memberikan hasil terbaik. Citra RGB biasa (drone) bisa digunakan tapi akurasinya lebih rendah.

Berapa lama proses klasifikasi?

Tergantung ukuran citra. Untuk area kabupaten (Sentinel-2), biasanya 1–5 menit.

Hasil klasifikasi bisa diedit?

Hasil berupa raster GeoTIFF. Untuk editing per-piksel, gunakan software seperti QGIS.