Anda di halaman 1dari 5

Praktikum ke-5 M. K.

Meteorologi Satelit

Hari/Tgl : Senin / 25 Maret 2013 Asisten : 1. Fauzan Nurrahman (G24080033) 2. Winda Aryani (G24090003) 3. Nurul Fahmi (G24090030) 4. Tommy Sepadinata (G24090032) 5. Nurjaman (G44090046) 6. Eko Suryanto (G24090054)

KLASIFIKASI TIDAK TERBIMBING (UNSUPERVISED CLASSIFICATION) (Daerah Kajian: Cilincing, Jawa Barat)

Iftah Rizkie Vidian G24100031

DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2013

I.

Pendahuluan 1.1 Latar Belakang Manusia mampu membedakan citra dengan kelas-kelas. Kemampuan manusia tersebut apabila diterapkan ke dalam suatu sistem yang berupa perangkat lunak maupun perangkat keras, akan sangat berguna dalam banyak hal. Contoh aplikasinya adalah automatisasi dalam mengklasifikasikan objek atau barang dalam proses industri, analisis citra satelit, pencarian data citra di dalam halaman web atau basis data, peninjauan kualitas barang, dan lain-lain. Dalam tugas akhir ini akan dibuat suatu sistem berupa perangkat lunak yang mampu mengklasifikasikan citra biji-bijian ke dalam kelas-kelas tertentu secara automatis, sehingga mampu menyerupai kemampuan manusia untuk mengklasifikasikan citra (Ardisasmita 2000). Biji-bijian yang digunakan diambil dari lima kelas biji-bijian yang berbeda, yaitu : beras, jagung, kacang hijau, kacang tanah, dan kedelai. Kelima jenis biji-bijian tersebut secara fisik memiliki bentuk yang khas yang mampu dibedakan secara baik oleh penglihatan manusia. Namun perlu dilakukan penelitian, sejauh mana suatu sistem yang dalam hal ini berupa perangkat lunak, mampu mengenali kelas biji-bijian tersebut dengan menggunakan metode analisis tekstur matriks ko-okurensi dan metode klasifikasi kNearest Neighbor (XiongFei 2008) 1.1 Tujuan Mengklasifikasikan citra menjadi tiga kelas (badan air, lahan terbangun, dan vegetasi) dengan metode klasifikasi tidak terbimbing (Unsupervised Classification). Tinjauan Pustaka Klasifikasi tidak terbimbing (unsupervised classification) merupakan metode yang memberikan mandat sepenuhnya kepada sistem/computer untuk mengelompokkan data raster berdasarkan nilai digitalnya masing masing, intervensi pengguna dalam hal ini diminimalisasi. Jenis metode ini digunakan bila kualitas citra sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun, dalam banyak kasus, terlepas dari kondisi citra yang bersangkutan, metode ini banyak digunakan untuk memberi gambaran kasar /informasi awal. Mengacu pada proses dan hasil klasifikasi yang telah dilakukan Nampak bahwa metode klasifikasi tidak terbimbing kerap kali melakukan generalisasi yang tidak sesuai dengan harapan pengguna. Dari gambar diatas dapat dilihat bahwa beberapa kelompok data piksel yang teridentifikasi sebagai bayangan awan dikelompokkan sama dengan badan air. Kondisi ini merupakan pengaruh dari jumlah pembagian kelas yang kurang detail atau karena sebaran kualitas atmosferik data peta pada citra yang tidak seragam. Kasus tersebut dalam metode klasifikasi terbimbing tidak akan terjadi karena pengguna akan menuntun system identifikasi pada kelompok kelompok piksel sehingga masuk kelompok kelas tertentu dalam suatu training area. Kelemahan dari klasifikasi citra tidak terbimbing adalah karena analisis hanya memiliki sedikit kontrol terhadap kelas citra yang menyebabkan kesulitan dalam perbandingan antar data. Selain itu, penciri spektral selalu berubah sepanjang waktu, sehingga hubungan antara respon spektral dengan kelas informasi tidak konstan. Hal itu menyebabkan diperlukan pengetahuan sedetail mungkin mengenai spektral permukaan. Komposit yang biasa digunakan pada klasifikasi tidak terbimbing diantaranya komposit 543, 542 dan 321. Nilai optimum index faktor pada band 543 sebesar 77.36, band 542 sebesar 68.53 dan band 321 sebesar 67.68. Semakin tinggi nilai optimum index faktor, maka kombinasi band menghasilkan tampilan mendekati warna sebenarnya, sehingga hasil citra dapat dibedakan dengan mudah (Wijayanto 2006). Ruang Terbuka Hijau (RTH) kota adalah bagian dari ruang-ruang terbuka (open spaces) suatu wilayah perkotaan yang diisi oleh tumbuhan, tanaman, dan vegetasi (endemik, introduksi) guna mendukung manfaat langsung dan/atau tidak langsung yang dihasilkan oleh RTH dalam kota tersebut yaitu keamanan, kenyamanan, kesejahteraan, dan keindahan wilayah perkotaan tersebut. Berdasarkan bobot kealamiannya, bentuk RTH dapat diklasifikasi menjadi (a) bentuk RTH alami (habitat liar/alami, kawasan lindung) dan (b) bentuk RTH non alami atau RTH binaan (pertanian kota, pertamanan kota, lapangan olah raga, pemakaman, berdasarkan sifat dan karakter ekologisnya diklasi-fikasi menjadi (a) bentuk RTH kawasan (areal, non linear), dan (b) bentuk RTH jalur (koridor, linear), berdasarkan penggunaan lahan atau kawasan fungsionalnya diklasifikasi menjadi (a) RTH

II.

kawasan perdagangan, (b) RTH kawasan perindustrian, (c) RTH kawasan permukiman, (d) RTH kawasan per-tanian, dan (e) RTH kawasan-kawasan khusus, seperti pemakaman, hankam, olah raga, alamiah. Status kepemilikan RTH diklasifikasikan menjadi (a) RTH publik, yaitu RTH yang berlokasi pada lahan-lahan publik atau lahan yang dimiliki oleh peme-rintah (pusat, daerah), dan (b) RTH privat atau non publik, yaitu RTH yang berlokasi pada lahan-lahan milik privat.

III. Metodologi 3.1 Alat dan bahan : 1. Komputer dan Ms. Office, software ER Mapper 7.0 dan Arc GIS 9.3. 2. Data citra Landsat 7 ETM+ 1 Oktober 2006 Path/Row 122/64 3. peta wilayah Indo_kab.shp 4. peta wilayah kajian.shp 2. Waktu dan Tempat ~ Hari Senin, 25 Maret 2013 ~ Laboratorium Komputer Departemen Geofisika dan Meteorologi 3.2 Langkah Kerja

Buka ermapper, data citra Landsat terkoreksi band 542 dan 321

Calculate Statistics data dengan subsampling interval 1, klasifikasikan secara ISOCLASS Unsupervised Classification, edit Class/Region Color

save as hasil sebagai *.ers, dan close ermapper, buka arc GIS

data hasil Unsupervised Classification pembandingan penutupan lahan asli dengan data, reclass sesuai klasifikasi citra yaitu Cilincing

Buat layout, dan save as,dan export map .

IV. Hasil dan Pembahasan

Gambar 1 Hasil klasifikasi citra sebelum reclass 321 dan 542

Gambar 2 Hasil klasifikasi citra sesudah reclass Praktikum ini melakukan pengklasifikasian citra dengan menggunakan klasifikasi tak terbimbing. Masing-masing band dalam Landsat memiliki kemampuan mendeteksi yang berbeda sesuai kebutuhan, namun band tersebut tidak bisa digunakan secara terpisah. Seharusnya suatu band bisa dikumpulkan/digabung menjadi warna supaya bisa dibaca dan diinterpretasi oleh manusia, untuk itu diperlukan band lain agar bisa dikomposisikan dalam kanal RGB. Praktikum ini menggunakan band 321 dan 542 sebagai bahan. Komposit band 3,2,1 merupakan true color composite atau warna sebenarnya yang ada di permukaan bumi (natural color). Sedangkan untuk band 5,4,2 yaitu biasa digunakan untuk identifikasi vegetasi, karena band 5 digunakan untuk pembatasan fenomena tanah, tumbuhan dan pemetaan wilayah pemukiman, band 4 untuk spesies vegetasi, biomassa, dan kelembaban tanah, sementara band 2 untuk pemetaan vegetasi dan identifikasi reflektansi klorofil. Umumnya band 542 digunakan untuk penghitungan luas lahan, luas kebakaran dan lain lain. (Widi 2000). Terdapat perbedaan yang sangat mencolok antara band 321 dengan 542, Komposit band 3,2,1 merupakan komposit untuk melihat kenampakan citra sesuai dengan warna aslinya/ true color composite, sedangkan komposit band 542 merupakan komposit warna yang bukan sebenarnya/false color composite dimana cocok untuk mengidentifikasi objek lahan terbangun dan objek jalan. Dari hal tersebut dapat diketahui bahwa komposit band 321 lebih baik dari komposit band 542. Bagian bagian dari vegetasi, penutupan lahan serta badan air terlihat mencolok seperti yang ditunjukkan pada gambar diatas. seperti contoh yaitu lahan vegetasi yang warna hijaunya sama seperti yang aslinya. Sedangkan lahan

terbangun ditandai sesuai dengan keadaan yang ada di lapangan, begitu juga dengan badan air. Pada wilayah kajian Cilincing perbandingan badan air , vegetasi dan lahan terbangun dapat terlihat jelas, luas lahan vegetasinya tidak begitu luas, hanya sekitar 10% dari total luasan wilayah kajian, sedangkan yang lebih besar yaitu lahan terbangun, dimana lahan terbangun ini adalah hal yang menyebabkan adanya polusi dan berkurangnya vegetasi. Wilayah ini berkisar antara 40-50% dari luas total wilayah kajian, sedangkan badan air yang terdapat pada daerah Cilincing juga menjangkau wilayah yang luas. Luasan badan air yang menutup wilayah kajian sebanding dengan jumlah luasan lahan terbangun. V. Simpulan Klasifikasi terbimbing merupakan proses klasifikasi dengan pemilihan kategori informasi yang diinginkan dan memilih training area untuk setiap kategori penutupan lahan yang mewakili sebagai kunci interpretasi. Hasil yang diperoleh dari pengolahan citra satelit dengan klasifikasi tidak terbimbing bahwa wilayah pebayuran yang terletak di kota bekasi lahan vegetasinya luas, dan lebih luas lagi yaitu lahan terbangun dimana dapat diketahui bahwa kota bekasi juga salah satu kota industri, begitu juga dengan badan air yang dilalui oleh 5 kali.

VI. Daftar Pustaka Ardisasmita, M.Syamsa, 2000. Pengolahan Citra Digital dan Analisis Kuantitatif dalam Karakteristik Citra Mikroskopik. Pusbangtek Informatika dan Komputasi . Batan. Serpong. Widi .R, Ika et all. 2000. Analisa integrasi citra IFSAR dan LANSAT untuk pembuatan peta geologi daerah Takalar-Sapaya, Provinsi Sulawesi Selatan. Jurusan Teknik Geomatika. Teknik Sipil dan Perencanaan. Institut Teknologi Sepuluh November Surabaya. Surabaya Wijayanto, Dani, Ahmad Hidayatno dan Imam Santoso, 2006. Aplikasi Pengolahan Citra untuk Identifikasi Produk bersadarkan Label Kemasannya. Jurusan Teknik Elektro, Fakultas Teknik, Universitas Dipenogoro, Indonesia Xiongfei Wen. 2008. A New Prompt Algorithm For Removing The Bowtie Effect of MODIS L1B Data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B3b.