Laporan Praktikum

Peta Deteksi Perubahan Penggunaan Lahan (Area Non-Pesisir)

Jawa Tengah
Dosen Pembimbing:
Bambang Kub Cahyono,ST,M.Eng

Dibuat Oleh:
Apriliani Wiji Astuti
12/336733/SV/01748

PROGRAM STUDI
DIPLOMA III TEKNIK GEOMATIKA
SEKOLAH VOKASI
UNIVERSITAS GADJAH MADA
2014

Daftar Isi
Daftar Isi..............................................................................................................................
I. Pendahuluan
Tujuan ........................................................................................................................
Landasan Teori...........................................................................................................
II. Pelaksanaan
Waktu dan Tempat Pelaksanaan ................................................................................
Alat dan Bahan...........................................................................................................
Langkah Kerja............................................................................................................
III.Pembahasan
Hasil Praktikum..........................................................................................................
IV. Kesimpulan....................................................................................................................

I. PENDAHULUAN
Tujuan :
1. Mahasiswa dapat melakukan komposit citra
2. Mahasiswa dapat melakukan rektifikasi image to map dan image to image
3. Mahasiswa dapat melakukan klasifikasi citra
Apriliani Wiji Astuti ( 12/336733/SV/01748 )

2
3
3
5
5
5
14
17

4. Mahasiswa dapat melakukan proses change detection antara 2 citra

5. Mahasiswa dapat membuat peta penggunaan lahan

Landasan Teori
Teknis klasifikasi untuk citra penginderaan jauh secara umum dibedakan menjadi dua yaitu :
klasifikasi visual dan klasifikasi digital. Kalsifikasi visual dilakukan dengan interpretasi dan
delianiasi citra secara langsung, sedangkan klasifikasi digital dilakukan dengan metode supervised /
unsupervised. Klasifikasi digital pada suatu citra adalah suatu proses dimana piksel piksel dengan
karakteristik spectral yang sama diasumsikan sebagai kelas yang sama, diidentifikasikan dan
ditetapkan dalam suatu warna ( Gibson and Power,2000 )
Dalam hal ini kita menggunakan klasifikasi digital dengan metode supervised type Maximum
Likelihood. Klasifikasi supervised maximum likelihood merupakan klasifikasi yang berpedoman
pada nilai pixel yang sudah dikategori obyeknya atau dibuat dalam training sampel untuk masingmasing obyek penutup lahan.
Setelah dilakukan klasifikasi dilakukan Change detection antara 2 citra untuk megetahui
perubahan area dan dalam perubahan menggunakan citra satelit dilakukan untuk menentukan laju
atau tingkat perubahan lahan setiap waktu. Deteksi perubahan adalah suatu teknik menggunakan
teknologi penginderaan jauh dalam menentukan deteksi perubahan pada obyek diantara dua atau lebih
periode waktu. Deteksi perubahan merupakan sebuah proses penting untuk monitoring dan mengelola
sumber daya alam dan pembangunan daerah karena teknik ini mampu menyediakan analisis distribusi
spasial secara kualitatif di wilayah tertentu.

Gb. Diagram alir Tahapan Change Detection

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

II. PELAKSANAAN
1. Waktu dan Tempat
Apriliani Wiji Astuti ( 12/336733/SV/01748 )

Hari/Tanggal
: Kamis, 4 Desember 2014 selesai
Waktu
: 20.00 selesai
Tempat
: Kos - kosan
2. Alat dan Bahan
a. Citra landsat 7 Jawa Tengah
b. Citra Landsat 8 jawa Tengah
c. Aplikasi Google Earth
d. Aplikasi Envi 4.8
e. Aplikasi ArcGIS 10
f. Seperangkat PC
g. Dan Koneksi Internet
3. Langkah Kerja
1. Melakukan komposit citra Landsat 8 ( 4,3,2 ) dan Landsat 7 ( 3,2,1), kemudian simpan dengan
nama ( L8_432 ) untuk Landsat 8 dan ( L7_321 ) untuk Landsat 7
2. a. Melakukan croping pada citra hasil komposit ( L8_432 ) pada range 21km x 15 km
Klik kanan pada display image Save Image As Spatial Subset Image Isi kolom
samples pilih area yg akan di crop ( non pesisir ) OK OK OK

b. melakukan cropping pada citra hasil komposit ( L7_321 ), dengan langkah yang sama pada
croping L8_432, namun pada display Select Spatial Subset pilih File kemudian pilih hasil
croping citra Landsat 8 OKOKOK

3. Melakukan pencarian koordinat ( GCP ) pada google earth pada area hasil cropping, dan
simpanlah gambar google earth tsb untuk membantu proses georeferencing mengenai dimana
letak titik koordinatnya.
4. a. Melakukan proses Georeferencing citra Landsat 8 hasil cropping dengan metode Image to Map
Dengan cara klik MapRegistration Select GCPs : Image to Map

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

Mengatur proyeksi peta seperti di bawah

Pada display GCP Selection, Add koordinat google earth dan
letakkan kursor pada titiknya, kemudian klik add Point, lakukan
langkah yg sama untuk ke-5 titik lainnya. Untuk melihat hasil Add
Point tadi, klik Show List, pastikan RMS <1

Hasil RMS

Setelah didapat RMS <1, simpan hasil georeferencing pada display GCP Selection =
GCPrecord.pts
b. Melakukan Warp GCP Image to Map
klik Map Registration Warp from GCPs:Image to Map
Input GCPs hasil georeferencing ( GCPrecord.pts )
Atur sistem proyeksinya
Input image yang akan di warp ( yaitu citra crop L8 yang sudah dilakukan proses
geoferencing ) kemudian Pilih tempat penyimpanan

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

5. Melakukan proses Georeferencing Image to Image citra Landsat 7 hasil cropping dengan Landsat
8 yang sudah tergeoreferencing (Image to Map)
a. Dengan cara klik MapRegistration Select GCPs : Image to Image
berada pada display #1, dan warp image adalah crop L7 pada display#2

Berilah 5 titik persamaan yang ada pada display#1 dan display#2, dimana display#1 sebagai
base imagenya.
Jika sudah klik Add Point, lakukan hal yang sama untuk ke-4 titik lainnya, dan pastikan
RMS<1, dimana jika dilakukan editing pemindahan titik tsb hanya pada display#2 yang bisa
dipindah. Setelah didapat RMS <1, simpan hasil georeferencing pada display GCP Selection
= GCPrecord L7.pts

RMS <1

b. Melakukan Warp GCP Image to Image

klik Map Registration Warp from GCPs:Image to Image
Input GCPs hasil georeferencing ( GCPrecord L7.pts )
Input Warp Image ( Crop L7.tiff )
Input Base Image ( Crop L8 yg sudah tergeoreferencing = Warp )

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

6. Pembuatan Kelas dan Training Area

Pada crop L8 yang sudah tergeoreferencing
a. Membuka citra crop L8 yang sudah tergeoreferencing
b. Melakukan penajaman citra untuk mempermudah klasifikasi dengan cara klik Enhance
Interactive Strecting

Atau bisa dengan klik Enhance, pilih metode penajaman citra yang sesuai agar bisa
memudahkan proses klasifikasi
c. Membuat ROI dengan cara klik ToolsRegion Of InterestROI Tools
buatlah ROI Name sesuai dengan nama apa saja yang akan dilakukan klasifikasi.
d. Aktifkan ROI yg akan di digitasi, pilih window yang akan dilakukan digitasi misal pada
image. Untuk mengakhiri digitasi pada titik awal klik kanan, kemudian klik kanan lagi.

e. Simpan ROI dengan cara klik File Save ROIs, kemudian akan muncul jendela Save
ROIs to File, Select All items, kemudian Pilih Tempat Penyimpanan. OK

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

Melakukan klasifikasi Pada crop L7 yang sudah tergeoreferencing

a. Melakukan langkah yang sama pada klasifikasi crop L8 tergeoreferencing
Hasil ROI : kemudian simpan ROI

7. Melakukan klasifikasi Supervised

( dalam hal ini saya memilih klasifikasi Supervised Maximum Likelihood )
Pada crop Landsat 8 yang telah dibuat kelasnya
a. Membuka citra crop L8 tergeoreferencing dan hasil ROI
b. klik Classification supervised maximum Likelihood
c. Akan Muncul jendela Classification Input File, kemudian pilih image tergeoprocessing yang
telah dilakukan digitasi.OK.. Kemudian akan muncul jendela maximum Likelihood
parameters, select All items dan simpan

Pada crop Landsat 7 yang telah dibuat kelasnya

Membuka citra crop L7 tergeoreferencing dan hasil ROI
Melakukan langkah yang sama seperti melakukan klasifikasi pada Landsat 8
8. Melakukan proses change detection pada ke dua citra

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

a. Membuka citra landsat 7 dan landsat 8 yang sudah dilakukan klasifikasi supervised maximum
likelihood
Landsat 8
Landsat 7

b. Melakukan change detection dengan klik Basic Tools Change Detection Change
Detection Statics
Akan muncul jendela Select Initial State Image, pilih band pada landsat 7 kemudian klik
OK

Akan muncul jendela Select Final StateImage pilih band pada landsat 7 kemudian klik OK

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

10

Dalam hal ini melakukan deteksi perubahan dari landsat 7 ke landsat 8

Akan muncul jendela seperti dibawah, kemudian cocokkan kelas yang sama.
Kemudian klik Add Pair, lakukan untuk semua kelas. Kemudian OK

Pilih tempat penyimpanan

kemudian simpan hasil change detection berikut : File Save to Text File

c. Melakukan change detection pada setiap kelasnya

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

11

1. Membuka citra landsat 7 dan landsat 8 yang sudah dilakukan klasifikasi supervised
maximum likelihood
2. Melakukan langkah yang sama pada langkah change detection diatas
3. Pada jendela Define Equivalent Classes cocokkan 1 kelas yang sama. Kemudian klik
Add Pair, lakukan untuk semua kelas. Kemudian OK
4. Simpan kedalam format .tiff

Hasil Change Detection Pemukiman

Hasil Change Detection Sawah

Hasil Change Detection Sungai

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

12

Hasil Change Detection Tanah Kosong

Hasil Change Detection Vegetasi

9. Melakukan Layouting pada aplikasi ArcGIS

III. Pembahasan
Apriliani Wiji Astuti ( 12/336733/SV/01748 )

13

Hasil Praktikum
1. Hasil komposit Citra
Landsat 8

Landsat 7

2. Hasil Croping
Landsat 8

Landsat 7

3. GCP Google Earth

Titik
Koordinat X
Koordinat Y
1
461318.55
9257545.33
2
462876.21
9253266.97
3
461117.24
9250318.15
4
467548.45
9260421.81
5
468779.65
9256195.18
6
469388.58
9250698.96
4. Hasil Georeferencing Image to Map Landsat 8

5. Hasil Georeferencing Image to Image hasil(4) dengan Landsat 7

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

14

6. A. Pembuatan Kelas
Landsat 8

Landsat 7

a. Training Area
Landsat 8

Landsat 7

7. Hasil Klasifikasi Supervised Maximum Likelihood

Landsat 8
Apriliani Wiji Astuti ( 12/336733/SV/01748 )

15

landsat 7

8. Hasil Change Detection Semua Kelas

9. Hasil Layouting ( Terlampir )

IV. Kesimpulan
Dari hasil Praktikum diatas kita dapat menyimpulkan deteksi perubahan pada suatua area,
missal pada hasil change detection area pemukiman.
Pemukiman sebenarnya memiliki luas 97.30 km2, dari hasil perubahan yg di dapat, terjadi
alih fungsi lahan untuk pemukiman,sawah, sungai, tanah kosong, dan vegetasi. Dan total alih
Apriliani Wiji Astuti ( 12/336733/SV/01748 )

16

fungsi lahan seluas 67.13km2 dengan 35.68 km2 masih dalam kelas yang sama yaitu pemukiman.
Jadi dapat dilihat pada table bahwa daerah yang mengalami perubahan sebesar 31.45 km2.
Sedangkan maksud Image Difference adalah Luas pemukiman luas alih fungsi lahan, dengan
kata lain luas pemukiman sebenarnya dikurangi total alih fungsi lahan untuk pemukiman, sawah,
sungai, tanah kosong, dan vegetasi. Yaitu 97.30km2 67.13 km2 = 30.17 km2.

Dan pada area yang lain memiliki deteksi perubahan yang berbeda dengan perhitungan
dan penjelasan yang sama seperti di atas.

Apriliani Wiji Astuti ( 12/336733/SV/01748 )

17