Anda di halaman 1dari 38

LAPORAN PRAKTIKUM

PENGOLAHAN DAN ANALISIS CITRA DIGITAL PEGINDERAAN JAUH


(GEP 640)
Tugas 5
Topik: Klasifikasi dan Analisis Perubahan Wilayah Kota Semarang Tahun 2002 dan 2015
Menggunakan Citra Landsat 7 dan 8

Dibuat oleh:
MUHAMMAD MUHAIMIN
15/387554/PGE/08245

PROGRAM PASCASARJANA PENGINDERAAN JAUH


FAKULTAS GEOGRAFI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2015
1

DAFTAR ISI
Halaman
Cover
i
----------------------------------------------------------------------------------------------------------------------Daftar
Isi
ii
------------------------------------------------------------------------------------------------------------------Daftar Tabel --------------------------------------------------------------------------------------------------------------- iii
Daftar
Gambar
iv
-----------------------------------------------------------------------------------------------------------Bab I Pendahuluan ------------------------------------------------------------------------------------------------------1
1.1. Latar
Belakang
1
--------------------------------------------------------------------------------------------1.2. Tujuan
Praktikum
1
-----------------------------------------------------------------------------------------1.3. Alat
dan
Bahan
Praktikum
2
-------------------------------------------------------------------------------Bab II Tinjauan Pustaka ------------------------------------------------------------------------------------------------3
Bab
III
Metodologi
10
------------------------------------------------------------------------------------------------------3.1.
Langkah
Kerja
10
--------------------------------------------------------------------------------------------3.2.
Cara
Kerja
11
-------------------------------------------------------------------------------------------------Bab
IV
Pembahasan
15
-----------------------------------------------------------------------------------------------------Kesimpulan
31
--------------------------------------------------------------------------------------------------------------Daftar Pustaka ------------------------------------------------------------------------------------------------------------ 32

DAFTAR TABEL
Tabel 1
Tabel 2
Tabel 3

Halaman
Luas Wilayah Kota Semarang
3
Pertimbangan pemilihan kelas pada klasifikasi Landsat 7 tahun 2002 dan Landsat 8 1
tahun 2015 wilayah Semarang Provinsi Jawa Tengah
8
Perubahan area Pada Citra Landsat 7 Tahun 2002 dan Landsat 8 Tahun 2015 Wilayah 3
Jawa Tengah
0

DAFTAR GAMBAR

Gambar 1

Gambar 2

Gambar 3
Gambar 4
Gambar 5
Gambar 6
Gambar 7
Gambar 8
Gambar 9
Gambar 10
Gambar 11
Gambar 12
Gambar 13
Gambar 14
Gambar 15
Gambar 16
Gambar 17
Gambar 18
Gambar 19
Gambar 20
Gambar 21
Gambar 22

Halaman
Model kurva bimodal yang menggunakan dua objek dengan nilai spektral yang
bertampalan (sumber: Swain dan Davis, 1978)
Prinsip klasifikasi multispetral. Histogram setiap saluran menunjukkan
kecenderungan yang berbeda dalam merepresentasikan pertampalan nilai pikselpikselnya. Satu kurva yang seharusnya mewakili satu objek bias merupakan
perwujudan dua objek atau lebih karena kesamaan respon spektral penggunaan
seluruh saluran dalam koordinat kartesius (x, y dan z) mempermudah pembedaan
gugus-gugus piksel (Danoedoro P., 2012).
Konsep klasifikasi Maximum Likelihood (Gabriel, 2005)
Diagram alir proses klasifikasi secara terselia (supervised classification) (Gao,
2010)
Tampilan ROI Tool
Maximum Likelihood Parameters
Hasil klasifikasi supervised Landsat 7 tahun 2002 wilayah Semarang Provinsi
Jawa Tengah dengan metode Maximum Likelihood
Hasil klasifikasi supervised Landsat 8 tahun 2015 wilayah Semarang Provinsi
Jawa Tengah dengan metode Maximum Likelihood
Citra Landsat 7 tahun 2002 wilayah Semarang Provinsi Jawa Tengah komposit
standar False Color
Citra Landsat 7 tahun 2002 wilayah Semarang Provinsi Jawa Tengah hasil
klasifikasi supervised menggunakan metode Maximum Likelihood
Citra Landsat 8 tahun 2015 wilayah Semarang Provinsi Jawa Tengah komposit
standar False Color
Citra Landsat 8 tahun 2015 wilayah Semarang Provinsi Jawa Tengah hasil
klasifikasi supervised menggunakan metode Maximum Likelihood
nD Visualiser klasifikasi citra Landsat 7 tahun 2002 wilayah Semarang
nD Visualiser klasifikasi citra Landsat 8 tahun 2015 wilayah Semarang
Komparasi dua citra yang wilayahnya sama (Semarang) dengan rentang waktu
dari tahun 2002 sampai 2015
Hasil Change Detection Perairan Dalam
Hasil Change Detection Perairan Dangkal
Hasil Change Detection Lahan Terbuka
Hasil Change Detection Lahan Terbangun
Hasil Change Detection Vegetasi Kerapatan Tinggi
Hasil Change Detection Vegetasi Kerapatan Rendah

9
10
12
14
15
16
19
19
20
20
21
22
25
26
26
27
27
28
28

BAB I
PENDAHULUAN
1.1. Latar Belakang
Semakin pesatnya pertumbuhan penduduk dan pembangunan yang telah
dilaksanakan akan berpengaruh cukup besar terhadap perubahan tatanan lingkungan berupa
menurunnya kualitas lingkungan, degradasi lingkungan/ kerusakan lingkungan serta
berkurangnya sumberdaya alam atau perubahan tata guna lahan. Kerja praktek ini berjudul
Klasifikasi dan Analisis Perubahan Wilayah Kota Semarang Tahun 2002 dan 2015
Menggunakan Citra Landsat 7 dan 8. Pelaksanaan analisis perubahan penutup lahan
dilakukan menggunakan metode penginderaan jauh (inderaja). Identifikasi peta perubahan
penutup lahan dilakukan dengan menggunakan citra Landsat 7 tahun 2002 dan citra
Landsat 8 tahun 2015. Metode Maximum Likelihood Classification (Supervised
Classification) merupakan metode yang digunakan dalam penelitian ini. Proses melakukan
klasifikasi menggunakan software Envi 5.1
1.2. Tujuan Praktikum dan Manfaat Praktikum
Tujuan dan manfaat dalam praktikum Pengolahan dan Analisis Citra Digital
Penginderaan Jauh tentang klasifikasi dan Analisis Perubahan Wilayah Kota Semarang
Tahun 2002 dan 2015 Menggunakan Citra Landsat 7 dan 8 ini antara lain:
a. Tujuan dari kerja praktek ini adalah
1) Memahami konsep Land Cover dan Land Use
2) Mengerti dan memahami langkah-langkah dalam proses menganalisis
perubahan Land Use/ Land Cover menggunakan citra satelit
b. Manfaat kerja praktek ini adalah
1) Mengetahui perubahan tutupan lahan daerah Kota Semarang dari tahun 2002
sampai dengan tahun 2015
2) Mengerti dan memahami langkah dalam melakukan proses klasifikasi
terbimbing pada suatu citra

1.3. Alat dan Bahan Praktikum


1

Alat dan bahan yang dibutuhkan dalam praktikum Pengolahan dan Analisis
Citra Digital Penginderaan Jauh tentang klasifikasi dan Analisis Perubahan Wilayah
Kota Semarang Tahun 2002 dan 2015 Menggunakan Citra Landsat 7 dan 8 ini antara
lain:
a. PC ASUS X555
b. Printer dan Kertas A4
c. Citra Landsat 7 (pada tahun 2002) dan 8 (pada tahun 2015) wilayah Kota
Semarang
d. Software ENVI 5.1
e. Acrgis 10.2

BAB II
TINJAUAN PUSTAKA
2.1. Perkembangan Kota Semarang
Luas Kota Semarang adalah 373,70 Km2. Secara administratif Kota Semarang terbagi menjadi 16
Kecamatan dan 177 Kelurahan dari 16 Kecamatan yang ada, terdapat 2 Kecamatan yang mempunyai wilayah
terluas yaitu Kecamatan Mijen, dengan luas wilayah 57,55 Km2 dan Kecamatan Gunungpati, dengan luas
wilayah 54,11 Km2. Kedua kecamatan terletak di bagian selatan yang merupakan wilayah perbukitan yang
sebagian besar wilayahnya masih memiliki potensi pertanian dan perkebunan, sedangkan kecamatan yang
mempunyai luas terkecil adalah Kecamatan Semarang Selatan, dengan luas wilayah 5,93 Km 2 dan
Kecamatan Semarang Tengah, dengan luas wilayah 6,14 Km 2 (Peraturan Walikota Semarang, 2014 dan
Badan Pusat Statistik Kota Semarang, 2012).
Tabel 1. Luas Wilayah Kota Semarang
No
Kecamatan
1
Mijen
2
Gunungpati
3
Banyumanik
4
Gajahmungkur
5
Semarang Selatan
6
Candisari
7
Tembalang
8
Pedurungan
9
Genuk
10
Gayamsari
11
Semarang Timur
12
Semarang Utara
13
Semarang Tengah
14
Semarang Barat
15
Tugu
16
Ngaliyan
Total

Luas (Km2)

Jumlah Kelurahan
14
16
11
8
10
7
12
12
13
7
10
9
15
16
7
10
177

57,55
54,11
25,69
9,07
5,93
6,54
44,20
20,72
27,39
6,18
7,70
10,97
6,14
21,74
31,78
37,99
373,70

Sumber: Semarang Dalam Angka 2012. BPS Kota Semarang

Batas wilayah administratif Kota Semarang sebelah barat adalah Kabupaten Kendal, sebelah timur
dengan Kabupaten Demak, sebelah selatan dengan Kabupaten Semarang dan sebelah utara dibatasi oleh Laut
Jawa dengan panjang garis pantai mencapai 13,6 kilometer. Letak dan kondisi geografis, Kota Semarang
memiliki posisi astronomi di antara garis 6 o50 7o10 Lintang Selatan dan garis 109 o35 110 o50 Bujur
Timur. Kota Semarang memiliki posisi geostrategis karena berada pada jalur lalu lintas ekonomi pulau Jawa
dan merupakan koridor pembangunan Jawa Tengah yang terdiri dari empat simpul pintu gerbang yaitu
3

koridor pantai Utara, koridor Selatan ke arah kota-kota dinamis seperti Kabupaten Magelang, Surakarta yang
dikenal dengan koridor Merapi-Merbabu, koridor Timur ke arah Kabupaten Demak/ Grobogan dan Barat
menuju Kabupaten Kendal. Perkembangan dan pertumbuhan Jawa Tengah, Semarang sangat berperan
terutama dengan adanya pelabuhan, jaringan transport darat (jalur kereta api dan jalan) serta transport udara
yang merupakan potensi bagi simpul transportasi Regional Jawa Tengah dan Kota Transit Regional Jawa
Tengah (Peraturan Walikota Semarang, 2014 dan Badan Pusat Statistik Kota Semarang, 2012).
Perkembangan Kota Semarang berkembang menjadi kota yang memfokuskan pada perdagangan dan
jasa. Berdasarkan lokasinya, kawasan perdagangan dan jasa di Kota Semarang terletak menyebar dan pada
umumnya berada di sepanjang jalan-jalan utama. Kawasan perdagangan modern, terutama terdapat di
Kawasan Simpanglima yang merupakan urat nadi perekonomian Kota Semarang. Kawasan itu terdapat tiga
pusat perbelanjaan, yaitu Matahari, Living Plaza (ex-Ramayana) dan Mall Ciputra, serta PKL-PKL yang
berada di sepanjang trotoar. Kawasan perdagangan jasa terdapat di sepanjang Jl. Pandanaran dengan adanya
kawasan pusat oleh-oleh khas Semarang dan pertokoan lainnya serta di sepanjang Jl. Gajahmada. Kawasan
perdagangan jasa dapat dijumpai di Jl. Pemuda dengan adanya DP mall, Paragon City dan Sri Ratu serta
kawasan perkantoran. Kawasan perdagangan terdapat di sepanjang Jl. MT Haryono dengan adanya Java
Supermall, Sri Ratu, ruko dan pertokoan. Kawasan jasa dan perkantoran dapat dijumpai di sepanjang Jl.
Pahlawan dengan adanya kantor-kantor dan bank-bank. Pasar-pasar tradisional seperti Pasar Johar di
kawasan Kota Lama semakin menambah aktivitas perdagangan di Kota Semarang (Peraturan Walikota
Semarang, 2014 dan Badan Pusat Statistik Kota Semarang, 2012).
Penggunaan lahan di Kota Semarang meliputi penggunaan lahan sawah, lahan non sawah dan lahan
kering. Penggunaan lahan sawah terdiri dari irigasi teknis (198 Km 2), setengah teknis (530 Km2), irigasi
sederhana/ irigasi desa/ non PU (45 Km2), tadah hujan (2,031 Km2), dan yang tidak diusahakan (267 Km2).
Penggunaan lahan sawah dan lahan non sawah meliputi lahan pekarangan (38%), ladang (21%), tegalan
(14%), lainnya (11%), perkebunan (5%), tambak dan kayu-kayuan (4%), padang rumput (2%), tidak
diusahakan (1%). Sedangkan lahan kering meliputi pekarangan dan bangunan (42%), padang gembala (5%),
tambak/ rawa, tegalan dan kebun (27%), tambak/kolam, lainnya/ tanah kering (26%). Penggunaan lahan,
sebagaimana ditetapkan dalam Peraturan Daerah Kota Semarang Nomor 14 Tahun 2011 tentang Rencana
Tata Ruang Wilayah, rencana pola pemanfaatan ruang meliputi: Kawasan lindung yakni kawasan yang
ditetapkan dengan fungsi utama melindungi kelestarian lingkungan hidup yang mencakup sumberdaya alam
dan sumberdaya buatan dan Kawasan Budidaya yaitu kawasan yang ditetapkan dengan fungsi utama untuk
dibudidayakan atas dasar kondisi dan potensi sumber daya alam, sumber daya manusia dan sumber daya
buatan (Peraturan Walikota Semarang, 2014 dan Badan Pusat Statistik Kota Semarang, 2012).
4

2.2. Klasifikasi Citra


Asumsi paling awal dalam klasifikasi multispektral adalah bahwa setiap objek dapat dibedakan dari
yang lain berdasarkan nilai spektralnya. Klasifikasi multispektral mengasumsikan:
a) resolusi spasial tinggi, di mana setiap piksel merupakun piksel murni yang tersusun atas satu macam
objek penutup lahan,
b) piksel-piksel yang menyusun satu jenis penutup lahan mempunyai kesamaan spektral,
c) setiap penutup lahan yang berbeda juga mempunyai perbedaan spektral yang signifikan

Fakta yang diperoleh melalui penelitian eksperimental menunjukkan bahwa setiap objek cenderung
memberikan pola respons spektral yang spesifik. Semakin sempit dan banyak saluran yang digunakan,
semakin teliti hasil klasifikasi multispektral. Seperti halnya operasi lain dalam pengolahan Citra, klasifikasi
multispektral membutuhkan informasi statistik citra setiap saluran. Semakin banyak informasi statistik yang
dibutuhkan, semakin rumit algoritmanya dan semakin lama proses eksekusi klasifikasinya. Algoritma yang
lebih rumit akan memberikan hasil yang lebih teliti (Danoedoro P., 2012).
Mempermudah pemahaman konsep mengenai klasifikasi multispektral, sebagai contoh berikut.
Misalkan ada suatu kelompok yang terdiri atas 26 mahasiswa dalam kelas, dimana masing-masing
mahasiswa bernama A, B, C, D, Z. Kelompok mahasiswa ini dapat dikelompokkan lagi menjadi grup-grup
yang lebih kecil berdasarkan kriteria tertentu. Apabila pengelompokan itu atas dasar umur (misalnya <20
tahun, 20-23 tahun, 23-26 tahun, >26 tahun) maka setiap grup hanya terisi oleh beberapa anggota, bisa jadi
A, B, dan C mengelompok menjadi satu pada grup <26 tahun. Apabila kriteria berat badan yang digunakan,
ada kemungkinan A dan F mengelompok menjadi satu, sedangkan B, C, G dan X masuk ke grup yang lain.
Begitu seterusnya sehingga apabila kriteria lain yang diterapkan, para mahasiswa terkelompokkan dengan
cara yang berbeda. Apabila beberapa macam kriteria diterapkan sekaligus maka pengelompokan akhir
dihasilkan, dimana setiap grup terdiri atas anggota yang benar-benar sejenis ditinjau dari berbagai kriteria itu
(Danoedoro P., 2012).

Contoh di atas dapat diterapkan pada sistem multispektral, di mana suatu wilayah terekam pada
beberapa saluran spektral sekaligus. Apabila masing-masing saluran dievaluasi histogramnya maka setiap
histogram bersifat multimodal, yang merupakan gabungan dari berbagai objek pada wilayah itu dan masingmasing objek membentuk kurva normal. "Pemotongan" (slicing) histogram setiap saluran berdasarkan
interval-interval nilai piksel akan menghasilkan beberapa kelas objek. Jumlah kelas objek yang terbentuk dan
jenis objek yang termasuk anggota (kalau beberapa objek mempunyai nilai piksel sama) pada setiap interval
tidak sama pada semua saluran. Penggunaan nilai spektral pada beberapa saluran sekaligus dapat membantu
pengelompokan objek secara lebih baik. Nilai piksel pada berbagai saluran itu menggantikan kriteria umur,
berat badan dan kriteria lainnya pada contoh di atas (Danoedoro P., 2012).
Pada Gambar 1 menyajikan kurva bimodal. Objek homogen cenderung membentuk satu kurva
normal. Gambar itu menyajikan dua objek yang mempunyai pertampalan (overlap) nilai spektral. Pada
gambar itu terlihat bahwa ada bagian kurva yang murni milik objek A, murni milik objek B dan bagian
pertampalan, yaitu A yang diinterpretasikan sebagai B atau justru sebaliknya. Melalui teknik pemilahan
tingkat kecerahan A dan B dapat dipilah (dan diberi warna yang berbeda) dengan cara tepat membagi kedua
kurva pada perpotongan keduanya. Dapat dilakukan dengan mengambil wilayah yang murni A atau yang
murni B dan 'menyerahkan' sisanya kepada kelas yang lain (kelas 'peralihan', misalnya). Masalah-masalah
seperti inilah yang umum dijumpai pada klasifikasi multispektral. Pada kenyataannya, kurva histogram objek
tidak bimodal, melainkan multimodal. Begitu banyak objek dengan nilai spektral yang bermacam-macam.
Satu sama lain saling bertampalan, bahkan kadang-kadang berimpit. Hanya saja, susunan pertampalan dan
perimpitan mereka berbeda dari satu saluran ke saluran lain (Danoedoro P., 2012).

Gambar 1. Model kurva bimodal yang menggunakan dua objek dengan nilai spektral yang bertampalan
(sumber: Swain dan Davis, 1978)
Cara kerja algoritma klasifikasi multispetral pada prinsipnya adalah menandai setiap jenis objek
hingga terlihat berbeda satu dari yang lain. Berdasarkan ciri-ciri nilai spektralnya sekaligus pada beberapa
saluran. Melalui feature space, pengelompokan objek ini dapat dilihat secara visual. Cara kerja algoritma
6

klasifikasi adalah menerjemahkan kenampakan visual menjadi parameter-parameter statistik yang dimengerti
oleh komputer dan kemudian diekskusi (Danoedoro P., 2012).

Gambar 2. Prinsip klasifikasi multispetral. Histogram setiap saluran menunjukkan kecenderungan yang
berbeda dalam merepresentasikan pertampalan nilai piksel-pikselnya. Satu kurva yang
seharusnya mewakili satu objek bias merupakan perwujudan dua objek atau lebih karena
kesamaan respon spektral penggunaan seluruh saluran dalam koordinat kartesius (x, y dan z)
mempermudah pembedaan gugus-gugus piksel (Danoedoro P., 2012).

Secara ringkas, algoritma klasifikasi sederhana memuat langkah-langkah sebagai berikut.


a) menentukan nilai spektral representatif setiap objek dengan cara sampling. Nilai rerata setiap sampel
akan dijadikan pegangan untuk pengenalan objek,
b) menempatkan nilai representatif objek (sampel) pada diagram multidimensional,
c) menentukan batas toleransi berupa jarak spektral dari nilai representatif. Artinya, vektor piksel yang
terhitung pada posisi di luar jarak ini akan dikelaskan sebagai bukan objek yang dimaksud,
d) pengambilan keputusan berupa penghitungan seluruh nilai piksel dan memasukkan ke kelas yang
tersedia, selama mereka lebih pendek atau sama dengan jarak toleransi masing-masing objek dan
mengkelaskan. Sebagai 'tak terklasifikasi' selama mereka tidak masuk kelas manapun. Piksel yang
bersangkutan akan ditandai sebagai kelas A, apabila jarak spektral piksel adalah yang terdekat
dibandingkan jarak spektral ke kelas lain.
Klasifikasi citra merupakan proses pengelompokan piksel pada suatu citra ke dalam sejumlah class
(kelas), sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu. Klasifikasi citra
7

bertujuan untuk mendapatkan gambaran atau peta tematik yang berisikan bagian-bagian yang menyatakan
suatu obyek atau tema, dimana suatu warna mewakili suatu objek tertentu. Contoh objek yang berkaitan
dengan permukaan bumi antara lain air, hutan, sawah, kota, jalan, dan lain-lain. Sedangkan pada citra satelit
meteorologi, proses klasifikasi dapat menghasilkan peta awan yang memperlihatkan distribusi awan di atas
suatu wilayah setiap obyek pada gambar memiliki simbol yang unik yang dapat dinyatakan dengan warna
atau pola tertentu. Klasifikasi citra, pada awalnya dimulai dengan interpretasi visual atau interpretasi citra
secara manual untuk mengidentifikasi kelompok piksel yang homogen yang mewakili beragam bentuk atau
kelas liputan lahan yang diinginkan. Interpretasi citra penginderaan jauh dapat dilakukan dengan dua cara,
yaitu interpretasi secara manual dan interpretasi secara digital (Mukhaiyar R., 2010, Richards J. A., 1986 dan
Arifin A. Z., 2001-2002).
Secara umum, algoritma klasifikasi dapat dibagi menjadi supervised (terawasi) dan unsupervised (tak
terawasi). Pemilihannya bergantung pada ketersediaan data awal pada citra itu. Analisa cluster merupakan
suatu bentuk pengenalan pola yang berkaitan dengan pembelajaran secara unsupervised, dimana jumlah pola
kelas tidak diketahui. Proses clustering melakukan pembagian data set dengan mengelompokkan seluruh
piksel pada feature space (ruang ciri) ke dalam sejumlah cluster secara alami (Richards J. A., 1986 dan Arifin
A. Z., 2001-2002).
Metode supervised mengharuskan adanya training set, tetapi training set untuk setiap kelas ini sering
belum diketahui. Salah satu penyebabnya adalah sulitnya menentukan jumlah kelas yang sebenarnya terdapat
pada citra itu disamping kesulitan untuk mencari lokasi-lokasi mana yang dapat dianggap paling
mewakilinya. Fenomena ini mendorong para peneliti dalam bidang pengenalan pola (pattern recognition)
untuk terus berusaha menghasilkan algoritma yang mampu mendeteksi jumlah cluster ini secara otomatis
(James, et al. 2000 dan Arifin A. Z., 2001 dan 2002).
2.3. Klasifikasi Maximum Likelihood
Klasifikasi maksimum likelihood (klasifikasi kemungkinan maksimum) merupakan klasifikasi
terbimbing secara parametik paling populer saat ini untuk klasifikasi penutup/ penggunaan lahan dengan data
satelit inderaja (Mukhaiyar R., 2010). Pengkelas kemiripan maksimum (maximum likelihood) mengevaluasi
secara kuantitatif varian atau korelasi pola tanggapan spektral kategori ketika mengklasifikasi piksel yang
tidak dikenal. Melakukan hal ini, dibuat suatu asumsi bahwa agihan mega titiknya yang membentuk data
latihan kategori bersifat normal (agihan normal). Asumsi normalitasnya wajar bagi agihan spektral yang
lazim. Agihan suatu pola tanggapan kategori dapat diuraikan secara lengkap dengan vektor rerata dan
kovarian matrik (yang memberikan varian dan koreksi). Diketahuinya parameter ini, dapat menghitung
probabilitas statistik suatu nilai piksel tertentu sebagai suatu warga kelas kategori tutupan lahan tertentu.
8

Konsep klasifikasi maximum likelihood ditampilkan pada Gambar 3. Likelihood Lk didefinisikan sebagai
kemungkinan sebuah pixel masuk kelas k (Arhatin, 2007)
Lk = P(k/X) = P(k)*(X/k) iP(i)*P(X/i)
Keterangan:
P(k) : prior probability pada kelas k
P(X/k) : probability density function nilai x dari kelas k

Pada kasus data terdistribusi normal, metode maximum likelihood dapat dirumuskan sebgai berikut:

Keterangan:
n
X
Lk(X)
k
k
k
t

: jumlah kanal
: nilai pixel pada sejumlah kanal
: kemungkinan X masuk ke kelas k
: mean faktor pada kelas k
: variance-covariance matrix pada kelas k
: determinan pada k
: transpose matrix

Gambar 3. Konsep klasifikasi Maximum Likelihood (Gabriel, 2005)

10

BAB III
METODOLOGI
3.1. Langkah Kerja
Langkah kerja yang dilakukan sebagai berikut :

Gambar 4. Diagram alir proses klasifikasi secara terselia (supervised classification) (Gao, 2010)
3.2. Cara Kerja
10

Klasifikasi Supervised digunakan untuk mengelompokkan piksel dalam data set menjadi
kelas-kelas yang berkorespondensi dengan kelas training yang telah didefinisikan oleh
pengguna. Kelas training merupakan grup-grup piksel (ROIs = Regions of Interest) atau spektral
individual. Memilih kelas sebagai area yang representatif atau materi-materi yang ingin
dipetakan sebagai output. ROIs sebaiknya homogen. Separability dari ROIs dapat diuji dengan
mengekspor ke n-D Visualizer dan melihat distribusi dari titik-titik dalam setiap ROI
(seharusnya mengelompok dan rapat) dan melihat overlap antara kelas (seharusnya tidak
overlap).
Instruksi lebih detil dapat dilihat pada Exporting ROIs to the n-D Visualizer. Hasil dari
nilai separability antara pasangan ROI dapat dilihat pada Computing ROI Separability. Teknik
klasifikasi supervised (terbimbing) termasuk Parallelepiped, Minimum Distance, Mahalanobis
Distance, Maximum Likelihood, Spectral Angle Mapper (SAM) dan Binary Encoding, serta
termasuk Neural Net.
Langkah-langkah klasifikasi Supervised:
1.

Menetapkan Region of Interest (ROI)


Regions of interest (ROIs) merupakan bagian dari citra, area grafis yang dipilih atau

dengan cara lain seperti thresholding. Regions dapat berupa bentuk irregular dan secara khusus
digunakan untuk ekstraksi statistic untuk klasifikasi, masking dan operasi lainnya. ENVI
mengijinkan untuk memilih kombinasi dari poligon, titik atau vektor sebagai sebuah region of
interest. Multiple region of interest dapat ditetapkan dan digambarkan pada jendela Image, Scroll
atau Zoom. Regions of interest dapat dikembangkan dari pixel yang berdekatan yang masuk
dalam nilai threshold pada pixel tertentu.

11

a.

Memilih dari salah satu berikut ini:

menu pada Image Window, tambahkan ROIs dengan memilih Overlay


Region of Interest or Tools Region of Interest ROI Tool

buat group tampilan citra dimana akan ditambahkan ROIs dan memilih Basic
Tools Region of Interest ROI Tool dari menu bar utama ENVI.
c. Dialog ROI Tool muncul.

Gambar 5. Tampilan ROI Tool


c.
d.

2.

Memilih dan tetapkan, apakah ROI akan ditempatkan pada Image Window, Scroll
Window, atau Zoom Window. Pada dialog ROI Tool pilih toggle button Image,
Scroll, atau Zoom. Meng-off-kan pemilihan ROI pilih toggle button Off.
Gambarlah ROIs sebagai training area.
Berikut ini tipe ROI yang tersedia dalam ENVI:

Polygon

Polyline

Point

Rectangle

Ellipse

Multi-Part (donut)

Menguji ROI dengan n-D Visualizer


Gunakan Export ROIs to n-D Visualizer untuk mengekspor ROI terpilih, sehingga

dapat dilihat distribusi titik-titik dalam ROIs dan antar ROIs. Pilihan ini sangat berguna untuk
mengetahui separability kelas-kelas dimana ROIs digunakan sebagai masukan klasifikasi
supervised.
a.

b.
c.

Memilih satu dari langkah berikut ini:

pada dialog ROI Tools, memilih File Export ROIs to n-D Visualizer.

dari menu bar utama ENVI, pilih Basic Tools Regions of Interest
Export ROIs to n-D Visualizer.
Ketika dialog Select Input Data File muncul, pilih input file yang berasosiasi
dengan ROIs dan klik OK. Dialog n-D Visualizer Input ROIs muncul.
Memilih ROI yang akan diekspor dengan klik pada nama ROI. Memilih semua
ROIs, klik Select All Items.
12

d.
e.
f.
g.

3.

Klik OK. Jendela n-D Visualizer dan dialog n-D Controls muncul.
Klik pada nomor saluran untuk memilih saluran yang diinginkan.
Klik Start. Piksel-piksel pada ROIs terpilih akan muncul pada jendela n-D
Visualizer dengan warna yang sama dengan ROIs.
Memilih Options Export Class or Export All untuk mengekspor kembali pikselpiksel berwarna pada dialog ROI Tool sehingga dapat diimpor kedalam klasifikasi.

Menghitung separability ROI


Pilihan Compute ROI Separability akan menghitung spectral separability antara

pasangan ROI terpilih untuk input file yang diberikan. Laporan separability yang akan
dihasilkan adalah separability Jeffries-Matusita. Nilai tersebut mempunyai rentang dari 0
sampai dengan 2 dan mengindikasikan sebaik apa pasangan ROI terpilih terpisahkan secara
statistik. Nilai lebih dari 1,9 mengindikasikan bahwa pasangan ROI mempunyai separability
yang baik. Pasangan ROI dengan nilai separability lebih rendah, sebaiknya diubah separability
dengan mengedit ROIs atau memilih ROIs baru. Pasangan ROI dengan nilai separability yang
sangat rendah (kurang dari 1), sebaiknya digabungkan dalam satu ROI.
a.

4.

Memilih salah satu berikut ini :

pada dialog ROI Tools, pilih Options Compute ROI Separability, atau

dari menu bar Image Window, pilih Tools Regions of Interest Compute
ROI Separability.

dari menu bar utama ENVI, pilih Basic Tools Region of Interest Compute
ROI Separability.
b. Ketika dilog pemilihan file muncul, pilih input file dan melakukan spectral
subsetting jika diperlukan.
c. Pada dialog, memilih ROIs untuk perhitungan separability.
d. Klik OK. Separability dihitung dan dilaporkan dalam dialog report. Nilai
Jeffries-Matusita dilaporkan setiap pasangan ROI. Pada bagian akhir laporan
menunjukkan nilai separability pasangan ROI dari yang paling rendah
separability-nya sampai dengan yang paling tinggi separability-nya.

Melakukan proses klasifikasi


a. Menetapkan kelas training menggunakan dialog Region of Interest atau
13

Endmember Collection.
b. Memilih Classification Supervised metode yang diinginkan.
c. Ketika dialog Classification Input File muncul, memilih input file dan subsetting
atau masking (jika diperlukan). Dialog Classification Parameter muncul. Variasi
pilihan dialog tergantung pada jenis klasifikasi apa yang dipilih.

Gambar 6. Maximum Likelihood Parameters

14

BAB IV
PEMBAHASAN
Klasifikasi supervised Landsat 7 tahun 2002 wilayah Semarang Provinsi Jawa Tengah
Setelah melakukan proses klasifikasi supervised dengan metode Maximum Likelihood
diperoleh hasil klasifikasi yang disajikan pada Gambar

LEGENDA
PERAIRAN DALAM
PERAIRAN DANGKAL
LAHAN TERBUKA
LAHAN TERBANGUN
VEGETASI KERAPATAN TINGGI
VEGETASI KERAPATAN RENDAH
Gambar 7. Hasil klasifikasi supervised Landsat 7 tahun 2002 wilayah Semarang Provinsi Jawa
Tengah dengan metode Maximum Likelihood
Pada klasifikasi ini dibagi menjadi 6 kelas yaitu: Perairan dalam, Perairan dangkal, Lahan
terbuka, Lahan terbangun, Vegetasi kerapatan tinggi dan Vegetasi kerapatan rendah

Klasifikasi supervised Landsat 8 tahun 2015 wilayah Semarang Provinsi Jawa Tengah
15

Setelah melakukan proses klasifikasi supervised dengan metode Maximum Likelihood


diperoleh hasil klasifikasi yang disajikan pada Gambar

LEGENDA
PERAIRAN DALAM
PERAIRAN DANGKAL
LAHAN TERBUKA
LAHAN TERBANGUN
VEGETASI KERAPATAN TINGGI
VEGETASI KERAPATAN RENDAH
Gambar 8. Hasil klasifikasi supervised Landsat 8 tahun 2015 wilayah Semarang Provinsi Jawa
Tengah dengan metode Maximum Likelihood
Pada klasifikasi ini dibagi menjadi 6 kelas yaitu: Perairan dalam, Perairan dangkal, Lahan
terbuka, Lahan terbangun, Vegetasi kerapatan tinggi dan Vegetasi kerapatan rendah

Pertimbangan Pemilihan Kelas


16

Secara umum pertimbangan dalam pemilihan kelas untuk klasifikasi supervised


berdasarkan hasil kenampakan tutupan lahan citra landsat 7 dan 8 dengan komposit band standar
false color. Selain itu pemilihan kelas berdasarkan kenampakan tutupan lahan di citra.
Pertimbangan pemilihan kelas di tiap klasifikasi yaitu:
1. Resolusi spasial landsat yang rendah sehingga setiap piksel banyak yang tergeneralisasi
dengan objek lain sehingga pemberian kelas kategori klasifikasi bersifat umum tidak
spesifik
2. Variasi objek yang terekam pada citra
Pada klasifikasi supervised menggunakan Landsat 7 tahun 2002 dan Landsat 8 tahun
2015 pada wilayah Semarang Provinsi Jawa Tengah, pertama kali proses klasifikasi membagi
menjadi 6 kategori yaitu perairan dalam, perairan dangkal, lahan terbuka, lahan terbangun,
vegetasi kerapatan tinggi dan vegetasi kerapatan rendah. Pada proses peng-klasifikasi interpreter
menggunakan citra komposit standar false color.

Tabel 2. Pertimbangan pemilihan kelas pada klasifikasi Landsat 7 tahun 2002 dan Landsat 8
tahun 2015 wilayah Semarang Provinsi Jawa Tengah
17

No

Nama Kelas

PERAIRAN
DALAM

PERAIRAN
DANGKAL

LAHAN
TERBUKA

LAHAN
TERBANGU
N

VEGETASI
KERAPATAN
TINGGI

VEGETASI
KERAPATAN
RENDAH

Warna

Pertimbangan Pemilihan kelas


Pada kelas perairan dalam ini yang termasuk didalamnya
adalah laut dalam, hal ini dikarenakan kenampakan objek
perairan dalam pada citra terlihat biru tua dan terletak jauh
dari daratan (asosiasi, semakin jauh dari daratan kedalaman
laut bertambah dan material suspensi sedikit).
Pada kelas peairan dangkal dalam hal ini yang termasuk
didalamnya adalah laut dangkal, perairan dekat pantai, sungai
dan tambak, hal ini dikarenakan kenampakan objek perairan
dangkal pada citra terlihat biru muda dan terletak dekat
dengan daratan sedangkan tambak terlihat bentuknya kotakkotak (asosia, semakin dekat dengan daratan maka laut
semakin dangkal dan material suspensi semakin banyak)
Meskipun area lahan kosong tidak banyak, namun
kenampakannya sangat jelas. Sehingga mudah diinterpretasi
dan masuk dalam kelas klasifikasi.
Kelas lahan terbangun mayoritas terdapat di pinggir laut dan
beberapa di tengah, sehingga kelas lahan terbangun ini
dipertimbangkan untuk menjadi satu kelas. Kategori dari
lahan terbangun terdiri dari perumahan, industri dan jalan
Pada daerah Semarang terdapat area vegetasi kerapatan tinggi,
meski tidak mendominasi. Cukup sulit untuk diidentifikasi,
hal yang dapat menunjukkan yaitu asosiasi dekat dengan
gunung, tekstur yang rapat, rona dan warna yang pekat
Kelas vegetasi kerapatan rendah dipilih dikarenakan masih
cukup banyak dijumpai objek vegetasi yang jarang dan
berasosiasi dengan lahan terbuka pada daerah citra ini.

18

LEGENDA
PERAIRAN DALAM
PERAIRAN DANGKAL
LAHAN TERBUKA
LAHAN TERBANGUN
VEGETASI KERAPATAN TINGGI
VEGETASI KERAPATAN RENDAH
Gambar 9. Citra Landsat 7 tahun 2002 Gambar 10. Citra Landsat 7 tahun 2002
wilayah Semarang Provinsi Jawa
wilayah Semarang Provinsi
Tengah komposit standar False
Jawa Tengah hasil klasifikasi
Color
supervised
menggunakan
metode Maximum Likelihood

19

LEGENDA
PERAIRAN DALAM
PERAIRAN DANGKAL
LAHAN TERBUKA
LAHAN TERBANGUN
VEGETASI KERAPATAN TINGGI
VEGETASI KERAPATAN RENDAH
Gambar 11. Citra Landsat 8 tahun 2015 Gambar 12. Citra Landsat 8 tahun 2015
wilayah Semarang Provinsi
wilayah Semarang Provinsi
Jawa Tengah komposit standar
Jawa Tengah hasil klasifikasi
False Color
supervised
menggunakan
metode Maximum Likelihood
n-D Visualiser memvisualisasikan dalam
hal pengambilan objek. Pengambilan sampel
untuk Kota Semarang pada tahun 2002 dapat
dilihat persebaran titik-titik nilai piksel. Titik
rona yellow (lahan terbangun) dan white (lahan
terbuka) lebih bersifat menyebar dan saling
Gambar 13. nD Visualiser klasifikasi citra
Landsat 7 tahun 2002 wilayah bersinggungan, artinya bahwa nilai spektral
Semarang
yellow (lahan terbangun) hampir sama dengan
20

white (lahan terbuka), sedangkan vegetasi


kerapatan tinggi (green 3), vegetasi kerapatan
rendah (green 1), perairan dalam (blue 3) dan
perairan dangkal (blue 1) bersifat mengelompok
dan tidak bersinggungan
ROI Name: (Jeffries-Matusita, Transformed Divergence)
PERAIRAN DALAM [Blue3] 1095 points:
PERAIRAN DANGKAL [Blue1] 1153 points: (1.99903611 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 1261 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 732 points: (2.00000000 2.00000000)
LAHAN TERBUKA [White] 879 points: (2.00000000 2.00000000)
LAHAN TERBANGUN [Yellow] 973 points: (1.99999944 2.00000000)
PERAIRAN DANGKAL [Blue1] 1153 points:
PERAIRAN DALAM [Blue3] 1095 points: (1.99903611 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 1261 points: (1.99996320 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 732 points: (1.99908522 2.00000000)
LAHAN TERBUKA [White] 879 points: (1.99987861 2.00000000)
LAHAN TERBANGUN [Yellow] 973 points: (1.99585722 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 1261 points:
PERAIRAN DALAM [Blue3] 1095 points: (2.00000000 2.00000000)
PERAIRAN DANGKAL [Blue1] 1153 points: (1.99996320 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 732 points: (1.94385160 2.00000000)
LAHAN TERBUKA [White] 879 points: (1.99999952 2.00000000)
LAHAN TERBANGUN [Yellow] 973 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 732 points:
PERAIRAN DALAM [Blue3] 1095 points: (2.00000000 2.00000000)
PERAIRAN DANGKAL [Blue1] 1153 points: (1.99908522 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 1261 points: (1.94385160 2.00000000)
LAHAN TERBUKA [White] 879 points: (1.99726188 2.00000000)
LAHAN TERBANGUN [Yellow] 973 points: (1.99974750 2.00000000)
LAHAN TERBUKA [White] 879 points:
PERAIRAN DALAM [Blue3] 1095 points: (2.00000000 2.00000000)
PERAIRAN DANGKAL [Blue1] 1153 points: (1.99987861 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 1261 points: (1.99999952 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 732 points: (1.99726188 2.00000000)
LAHAN TERBANGUN [Yellow] 973 points: (1.92557332 2.00000000)
LAHAN TERBANGUN [Yellow] 973 points:
21

PERAIRAN DALAM [Blue3] 1095 points: (1.99999944 2.00000000)


PERAIRAN DANGKAL [Blue1] 1153 points: (1.99585722 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 1261 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 732 points: (1.99974750 2.00000000)
LAHAN TERBUKA [White] 879 points: (1.92557332 2.00000000)

separability Jeffries-Matusita, nilai tersebut mempunyai rentang dari 0 sampai


dengan 2 dan mengindikasikan sebaik apa pasangan ROI terpilih terpisahkan secara statistik.
Nilai lebih dari 1,9 mengindikasikan bahwa pasangan ROI mempunyai separability yang baik
n-D Visualiser memvisualisasikan dalam hal
pengambilan objek. Pengambilan sampel untuk
Kota Semarang pada tahun 2015 dapat dilihat
persebaran titik-titik nilai piksel. Titik rona
lahan terbangun (yellow), lahan terbuka (white)
Gambar 14. nD Visualiser klasifikasi citra vegetasi kerapatan tinggi (green 3), vegetasi
Landsat 8 tahun 2015 wilayah kerapatan rendah (green 1), perairan dalam
Semarang
(blue 3) dan perairan dangkal (blue 1) bersifat
mengelompok dan bersinggungan
PERAIRAN DALAM [Blue3] 942 points:
PERAIRAN DANGKAL [Blue1] 958 points: (1.98328139 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 853 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 850 points: (2.00000000 2.00000000)
LAHAN TERBUKA [White] 655 points: (2.00000000 2.00000000)
LAHAN TERBANGUN [Yellow] 633 points: (1.99995628 2.00000000)
PERAIRAN DANGKAL [Blue1] 958 points:
PERAIRAN DALAM [Blue3] 942 points: (1.98328139 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 853 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 850 points: (2.00000000 2.00000000)
LAHAN TERBUKA [White] 655 points: (2.00000000 2.00000000)
LAHAN TERBANGUN [Yellow] 633 points: (1.99717001 2.00000000)

VEGETASI KERAPATAN TINGGI [Green3] 853 points:


PERAIRAN DALAM [Blue3] 942 points: (2.00000000 2.00000000)
PERAIRAN DANGKAL [Blue1] 958 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 850 points: (1.96103639 1.99995681)
LAHAN TERBUKA [White] 655 points: (1.99999998 2.00000000)
LAHAN TERBANGUN [Yellow] 633 points: (1.99987026 2.00000000)
22

VEGETASI KERAPATAN RENDAH [Green1] 850 points:


PERAIRAN DALAM [Blue3] 942 points: (2.00000000 2.00000000)
PERAIRAN DANGKAL [Blue1] 958 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 853 points: (1.96103639 1.99995681)
LAHAN TERBUKA [White] 655 points: (1.99998951 2.00000000)
LAHAN TERBANGUN [Yellow] 633 points: (1.99996126 2.00000000)
LAHAN TERBUKA [White] 655 points:
PERAIRAN DALAM [Blue3] 942 points: (2.00000000 2.00000000)
PERAIRAN DANGKAL [Blue1] 958 points: (2.00000000 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 853 points: (1.99999998 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 850 points: (1.99998951 2.00000000)
LAHAN TERBANGUN [Yellow] 633 points: (1.98149624 2.00000000)
LAHAN TERBANGUN [Yellow] 633 points:
PERAIRAN DALAM [Blue3] 942 points: (1.99995628 2.00000000)
PERAIRAN DANGKAL [Blue1] 958 points: (1.99717001 2.00000000)
VEGETASI KERAPATAN TINGGI [Green3] 853 points: (1.99987026 2.00000000)
VEGETASI KERAPATAN RENDAH [Green1] 850 points: (1.99996126 2.00000000)
LAHAN TERBUKA [White] 655 points: (1.98149624 2.00000000)

separability Jeffries-Matusita, nilai tersebut mempunyai rentang dari 0 sampai


dengan 2 dan mengindikasikan sebaik apa pasangan ROI terpilih terpisahkan secara statistik.
Nilai lebih dari 1,9 mengindikasikan bahwa pasangan ROI mempunyai separability yang baik

22

Change Detection Pada Citra Landsat 7 Tahun 20012 dan Citra Landsat 8 Tahun 2015
Pada Wilayah Semarang Provinsi Jawa Tengah
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.
Change detection adalah proses mengidentifikasi perbedaan keadaan suatu objek atau
fenomena dengan mengamati pada waktu yang berbeda. Pada dasarnya, melibatkan kemampuan
untuk mengukur efek sementara menggunakan set-data multi temporal. Salah satu aplikasi utama
data diperoleh dari peginderaan jauh dari objek bumi yang mengorbit secara berulang pada
interval pendek dan kualitas gambar yang konsisten (Anderson, 1977, Ingram et al., 1981,
Nelson, 1983, Singh, 1984). Change detection berfungsi dalam aplikasi yang beragam seperti
analisis perubahan penggunaan lahan, pemantauan ladang berpindah, penilaian deforestasi, studi
perubahan fenologi vegetasi, perubahan musiman dalam produksi padang rumput, penilaian
kerusakan, deteksi stress tanaman, pemantauan dan pengukuran bencana salju meleleh analisis
termal dan perubahan lingkungan (Adeniyi, 1980).

24

Hasil perub
- Perairan

wilayah S
-

kapal
Bagian gu

Semarang

Hasil peruba

Lahan ter

dan menja
Vegetasi
vegetasi

pertumbu

(13 tahun)

Gambar 15. Komparasi dua citra yang wilayahnya sama (Semarang) dengan rentang waktu
dari tahun 2002 sampai 2015
LEGENDA
PERAIRAN DALAM
PERAIRAN DANGKAL
LAHAN TERBUKA
LAHAN TERBANGUN
VEGETASI KERAPATAN TINGGI
VEGETASI KERAPATAN RENDAH

25

Pada Gambar 16 hasil change detection perairan dalam


terjadi perubahan dari tahun 2002 sampai di tahun 2015. Pada
tahun 2002 merupakan perairan dalam menjadi perairan
dangkal pada tahun 2015 dan ada objek kapal pada tahun 2015
yang terekam pada citra pada tahun 2015

Gambar 16. Hasil Change Detection Perairan Dalam


Pada Gambar 17 hasil change detection perairan
dangkal terjadi perubahan dari tahun 2002 sampai di tahun
2015. Pada tahun 2002 merupakan perairan dangkal menjadi
lahan terbangun dan vegetasi kerapatan rendah pada tahun
2015. Asumsi interpreter pada vegetasi kerapatan rendah adalah
mangrove atau alga.

Gambar 17. Hasil Change Detection Perairan Dangkal

26

Pada Gambar 18 hasil change detection lahan terbuka


terjadi perubahan dari tahun 2002 sampai di tahun 2015. Pada
tahun 2002 merupakan lahan terbuka dan terjadi perubahan
pada citra di tahun 2015 yaitu lahan terbangun, vegetasi
kerapatan rendah dan perairan dangkal. Asumsi interpreter pada
perubahan lahan terbuka menjadi lahan terbangun adalah
perkembangan dari kota yang pesat dan dengan jangka waktu
yang panjang 13 tahun. Pada perubahan lahan terbuka menjadi
vegetasi kerapatan rendah adalah sifat vegetasi yang selalu
tumbuh. Pada perubahan lahan terbuka menjadi perairan
dangkal asumsi interpreter adalah tambak karena pola dari citra
standar false color terlihat berbentuk persegi dan mengelompok
dan berasosiasi dengan laut.
Gambar 18. Hasil Change Detection Lahan Terbuka
Pada Gambar 19 hasil change detection perairan dalam
terjadi perubahan dari tahun 2002 sampai di tahun 2015. Pada
tahun 2002 merupakan lahan terbangun menjadi lahan
terbuka, vegetasi kerapatan rendah dan perairan dangkal pada
tahun 2015. Perubahan ini terjadi karena lahan terbangun
berdekatan dengan vegetasi pada tahun 2002 vegetasi belum
ada atau masih kecil dan pada tahun 2015 sudah mulai besar
dan menutupi bagian lahan yang terbangun (nilai spectral
vegetasi kerapatan rendah lebih dominan sehingga klasifikasi
dikenali sebagai objek vegetasi kerapatan rendah. Pada objek
lahan terbangun yang berubah menjadi lahan terbuka adanya
alih fungsi lahan dan kesamaan nilai spectral dengan lahan
terbangun, hal ini dapat terjadi. Pada perubahan lahan
terbangun menjadi perairan dangkal hal ini mendasari bahwa
letaknya berasosiasi dengan laut dan objek tersebut adalah
tambak
Gambar 19. Hasil Change Detection Lahan Terbangun

27

Pada Gambar 20 hasil change detection vegetasi


kerapatan tinggi terjadi perubahan dari tahun 2002 sampai di
tahun 2015. Pada tahun 2002 merupakan vegetasi kerapatan
tinggi menjadi lahan terbangun dan terbuka asumsinya ada alih
fungsi lahan dan pembukaan lahan, tetapi pada wilayah yang
dilingkari merah merupakan awan dan bayangan yang ikut
terklasifikasi sebagai lahan terbangun, karena kedekatan nilai
spectral dengan lahan terbagun

Gambar 20. Hasil Change Detection Vegetasi Kerapatan Tinggi


Pada Gambar 21 hasil change detection perairan dalam
terjadi perubahan dari tahun 2002 sampai di tahun 2015. Pada
tahun 2002 merupakan vegetasi kerapatan rendah terjadi
perubahan pada tahun 2015 menjadi lahan terbuka, terbangun
dan vegetasi kerapatan tinggi serta perairan dangkal. Pada
perubahan vegetasi kerapatan rendah menjadi lahan terbuka
merupakan hasil dari perubahan lahan persawahan yang sudah
di panen. Pada perubahan dari vegetasi kerapatan rendah
menjadi lahan terbangun merupakan hasil dari perkembangan
kota. Pada perubahan vegetasi kerapatan rendah menjadi
kerapatan tinggi karena proses pertumbuhan vegetasi. Pada
perubahan vegetasi kerapatan rendah menjadi perairan dangkal
asumsi interpreter adalah lahan difungsikan sebagai tambak.
Gambar 21. Hasil Change Detection Vegetasi Kerapatan Rendah

28

Hasil praktikum change detection dapat mendeteksi perubahan pada suatu area dan
luasan hasil klasifikasi yang berubah pada wilayah Semarang Provinsi Jawa Tengah tahun 2002
dengan tahun 2015 terjadi perubahan sebagai berikut:
1.
Perairan dalam sebenarnya memiliki luas 37.164.600 m2 dari hasil
perubahan yang didapat, terjadi perubahan total seluas 46.078.200 m2
2.
Perairan dangkal memiliki luas 58.635.900 m2 dari hasil perubahan
yang didapat, terjadi perubahan total seluas 58.114.800 m2
3.
Vegetasi kerapatan tinggi memiliki luas 86.427.900 m2 dari hasil
perubahan total seluas 24.109.200 m2
4.
Vegetasi kerapatan rendah memiliki luas 167.308.200 m2 dari hasil
perubahan total seluas 187.348.500 m2
5.
Lahan terbuka memiliki luas 38934000 m2 dari hasil perubahan
total seluas 207.936.900 m2
6.
Lahan terbangun memiliki luas 241167600 m2 dari hasil perubahan
total seluas 106.050.600 m2
Perubahan area Pada Citra Landsat 7 Tahun 2002 dan Landsat 8 Tahun 2015 Wilayah
Jawa Tengah disajikan pada Tabel 3

Tabel 3. Perubahan area Pada Citra Landsat 7 Tahun 2002 dan Landsat 8 Tahun 2015 Wilayah
Jawa Tengah
N
Penutup
2002
Perair Peraira Vegetas Vegetasi Lahan Lahan
Row
Class
o
Lahan
an
n
i
kerapata terbuka terbang total
total
2
2
2
dalam dangk kerapat n rendah
(m )
un (m )
(m )
(m2)
(m2) al (m2)
an
(m2)
29

tinggi
(m2)
Perairan
dalam
(m2)
Perairan
2
dangkal
(m2)
Vegetasi
kerapatan
3
tinggi
(m2)
Vegetasi
kerapatan
4
rendah
(m2)
2
Lahan
5
terbuka
(m2)
Lahan
6
terbangun
(m2)
Class total
7
(m2)
Class
8
changes
(m2)
Image
9
difference
(m2)
1

35343
900

18198
00

900

37164
600

37164
600

10536
300

41518
800

610200

454050
0

143010
0

58635
900

58635
900

19080
0

191466 5464080 117036


00
0
00

746100

86427
900

86427
900

15795
00

165330 7518150 783144


0
0
00

105795
00

16730
8200

16730
8200

83700

537300

1582560 203427
0
00

214470
0

38934
000

38934
000

19800
0

12922
200

277200 4109040 930357


0
0
00

911493
00

24116
7600

24116
760

46078
200

58114
800

241092 1873485 207936


00
00
900

106050
600

10734
300

16596
000

496260 1121670 187594


0
00
200

149013
00

89136
00

52110
0

623187
2004030 169002
00
0
900

135117
000

Tabel 4. Equivalent class pairings


NO

PENUTUP LAHAN

1
2
3
4
5
6

Perairan Dalam
Perairan Dangkal
Vegetasi Kerapatan Tinggi
Vegetasi Kerapatan Rendah
Lahan Terbuka
Lahan Terbangun

30

POIN
2002
2015
1095
942
1153
958
1261
853
732
850
879
655
973
633

KESIMPULAN
1. Klasifikasi multispektral adalah metode mengelompokkan informasi yang ada dalam
citra dengan parameter-parameter tetentu.
2. Terdapat 2 jenis umum klasifikasi multispektral, terkontrol (tersselia) dan tidak
terbimbing hasil yang didapatkan akan berbeda satu sama lain
3. Klasifikasi terbimbing dikontrol oleh ruang sampel yang membentuk suatu fungsi
dan range nilai kelas
4. Klasifikasi tidak terbimbing dibuat berdasarkan pengelompokan data dalam gugusgugus yang memiliki kesamaan karakter berupa nilai piksel.
5. Klasifikasi memberikan tampilan yang baik tentang perbedaan nilai sehingga
memudahkan dalam ekstraksi informasi yang berdasarkan interpretasi visual
6. Syarat kebaikan sampel adalah homogenitas mewakili setiap kondisi serta kuantitas
yang mewadahi
7. Klasifikasi tidak terbimbing memiliki kekurangan dimana tampilan visual kurang
memberikan kemudahan interpretasi karena tidak ada kontrol secara logis.
8. Change detection adalah proses mengidentifikasi perbedaan keadaan suatu objek
atau fenomena dengan mengamati pada waktu yang berbeda. Pada dasarnya,
melibatkan kemampuan untuk mengukur efek sementara menggunakan set-data multi
temporal

31

DAFTAR PUSTAKA
Adeniyi, P. O., 1980, Land-use change analysis using sequential aerial photography and
computer technique. Photogrammetric Enginering and Remote Sensing, 46, 1447-1464.
Anderson, J. R., 1977, Land use and land cover changes. A framework for monitoring. Journal
of Research by the Geological Survey, 5, 143-153.
Arifin A.Z. 2001. Algoritma Clustering Fuzzy Hibrida untuk Klasifikasi Citra Penginderaan jauh,
Pra-Proseding Seminar Nasional Penginderaan Jauh dan Sistem Informasi Geografis,
Universitas Gadjah Mada, 7 April 2001.
Arifin A.Z., & Murni A., 2001. Algoritma Clustering Adaptif untuk Klasifikasi Citra
Penginderaan Jauh Multispektral, Proseding Seminar Nasional Kecerdasan
Komputasional
II ICIS, Vol. 2, No. 1, Universitas Indonesia, 16 Oktober 2001.
Arifin A.Z., & Murni A., 2002, Disain dan Implementasi Perangkat Lunak Klasifikasi Citra
Inderaja Multispektral secara Unsupervised, Jurnal Ilmu Komputer dan Teknologi
Informasi, Vol. 2, No. 1, Universitas Indonesia, Mei 2002.
Danoedoro P. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta
Danoedoro, P. 1996. Pengolahan Citra Digital: Teori dan Aplikasinya dalam Bidang
Penginderaan Jauh. Yogyakarta: Fakultas Geografi UGM.
Farda, Noor Muhammad. 2009. Petunjuk Praktikum Digital Pemrosesan Citra Digital.
Yogyakarta: Fakultas Geografi UGM.
Ingram, K., Knapp, E., & Robinson, J. W., 1981, Change detection technique development for
improved urbanized area delineation, technical memorandum CSCITM81/6087,Computer Sciences Corporation, Silver Springs, Maryland, U.S.A.
James J. Simpson, Timothy J McIntire, dan Matthew Sienko, An Improved Hybrid Clustering
Algorithm for Natural Scenes, IEEE Transactions on Geoscience and Remote Sensing,
Vol. 38, No.2, Maret 2000.
John. A. Richards, Remote Sensing Digital Image Analysis, An Introduction, Springer-Verlag
Berlin Heidelberg, 1986.
Mukhaiyar R. Jurnal Teknologi Informasi & Pendidikan Issn: 2086 4981 Vol. 2 No. 1
September 2010. Klasifikasi Penggunaan Lahan dari Data Remote Sensing. Jurusan
Teknik
Elektro Fakultas Teknik Universitas Negeri Padang
Nelson, R. F., 1983, Detecting forest canopy change due to insect activity using Landsat MSS.
Photogrammetric Engineering and Remote Sensing, 49, 1303-1 3 14.
Peraturan Walikota Semarang Nomor 18 Tahun 2014, Rencana Kerja Pembangunan Daerah Kota
Semarang 2015 dan Badan Pusat Statistik Kota Semarang, 2012
Singh, A,, 1984, Tropical forest monitoring using digital Landsat data in northeastern India.
Ph.D. thesis, University of Reading, Reading, England.
Thomas M Lillesand and Ralph W Kiefer. 1979. Penginderaan Jauh dan Interpretasi Citra.
Yogyakarta: Gadjah Mada University Press.

32

33