ACARA IV

KOMPOSIT CITRA DAN KLASIFIKASI PENGGUNAAN LAHAN

LANDSAT 8

Nama : Yanti
NIM : 140721603386
Offering :L
Dosen Pengampu : Bapak Purwanto, S. Pd M. Si

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL
JURUSAN GEOGRAFI
PROGRAM STUDI S1 PENDIDIKAN GEOGRAFI
November 2016
 ACARA IV
KOMPOSIT CITRA DAN KLASIFIKASI PENGGUNAAN LAHAN
LANDSAT 8

A. Tujuan
1. Mahasiswa mampu melakukan komposit citra Landsat 8 mengunakan
software ENVI 4.5
2. Mahasiswa melakukan komposit citra Landsat 8 dan membandingkan 4
komposit citra untuk menentukan tingkat kemudahan identifikasi objek
berdasarkan komposit 432, 543, 562, dan 564
3. Mahasiswamelakukanklasifikasiunsupervised dansupervised data
4. Mahasiswamelakukanperbandinganantara unsupervised dan supervised data

B. Alat dan Bahan

1. Notebook
2. Citra Landsat 8
3. Software ENVI 4.5
4. Microsoft Excel

C. Dasar Teori
Komposit Citra
Komposit citra adalah citra baru hasil dari penggabungan 3 saluran yang
mampu menampilkan keunggulan dari saluran-saluran penyusunnya.Digunakan
komposit citra ini dikarenakan oleh keterbatasan mata yang kurang mampu dalam
membedakan gradasi warna dan lebih mudah memahami dengan pemberian
warna.
Dalam menampilkan gambar komposit warna, tiga warna primer (merah,
hijau, dan biru) yang digunkan.Ketika ketiga warna digabungkan dalam berbagai
proporsi, mereka menghasilkan warna yang berbeda dalam spectrum terlihat
(Nurlaela, 2014).
Sumber:
http://www.academia.edu/9724823/PRAKTIKUM_INTERPRETASI_CITRA_M
ULTISPEKTRAL_MENGGUNAKAN_ENVI_4.5
Pada citra multispektral yang terdiri dari banyak saluran, apabila hanya
menampilkan satu saluran saja maka citra yang dihasilkan merupakan gradasi
rona. Dan mata manusia hanya bisa membedakan objek yang menonjol pada suatu
saluran, objek yg lain maka kita sulit untuk mengidentifikasinya. Oleh sebab itu
pada citra komposit ini, hasilnya kita akan lebih mudah mengidentifikasi suatu
objek pada citra.
Dasar dari pembuatan komposit citra berdasarkan:
1. Tujuan penelitian, yaitu keunggulan di setiap saluran. Contoh, apabila dalam
penelitian, kita lebih fokus pada objek air, maka saluran yang kita gunakan
adalah band 1, band 2 dan band 3. Selain dari band tersebut air memiliki nilai
0 dalam pemantulannya. Jadi komposit citra yang bisa dibuat adalah citra
komposit 123, sehingga air akan berwarna merah.
2. OIF (Optimum Index Factor), yaitu kemampuan citra untuk menampilkan
suatu objek. OIF semakin tinggi maka semakin banyak objek berbeda yang
dapat ditampilkan pada citra komposit tersebut. OIF ini digunakan apabila
kita ingin menonjolkan pengguanaan lahan dari suatu daerah jika
diidentifikasi dari citra.
Komposit citra dapat dibagi menjadi 2, yaitu:
1. Komposit warna asli yaitu gabungan dari warna merah-hijau-biru. Citra yang
dapat menghasilkan komposit warna asli yaitu Landsat, ALOS dll.
2. Komposit warna tidak asli, terbagi menjadi 2 yaitu:
a. Standar yaitu gabungan dari infrared dekat-merah-hijau. Dianggap
standar karena pada awalnya penginderaan jauh lebih banyak digunakan
 dalam bidang kehutanan jadi komposit warna ini dianggap standar karena
citra kompositnya lebih menonjolakan objek vegetasi
b. Tidak standar yaitu dapat dilakukan penggabungan dengan bebas.
Dalam konsepnya, citra komposit dibuat oleh 3 saluran, dimana nilai
piksel pada saluran-saluran tersebut akan direduksi terlebih dahulu yang pada
awalnya nilai piksel berkisar antara 0 – 255 menjadi nilai piksel yang berkisar
antara 0 – 5 yang selanjutnya baru bisa dilakukan komposit. Nilai piksel pada citra
komposit berkisar antara nilai 0 (hitam) – 215 (putih). Untuk penyajian citra
komposit, nilai piksel citra komposit yang didapatkan dapat mengikuti colour
pallet atau Look-up table (Marzuki, 2016).
Karakteristik band Landsat 8
Panjang Resolusi
Band Spektral Gelombang Spasial Kegunaan dalam pemetaan
(µ) (meter)
Band 1 – Coastal
0,43 – 0,45 30 Penelitian Coastal dan Aerosol
Aerosol
Bathymetric mapping,
distinguishing soil from
Band 2 – Blue 0,45 – 0,51 30
vegetation and deciduous from
coniferous vegetation
Emphasizes peak vegetation,
Band 3 – Green 0,53 – 0,59 30 which is useful for assessing
plant vigor

Band 4 – Red 0,64 – 0,67 30 Discriminates vegetation slopes

Band 5 – Near Emphasizes biomass content and

0,85 – 0,88 30
InfraRed shorelines
Band 6 – Short Discriminates moisture content
Wavelength 1,57 – 165 30 of soil and vegetation; penetrates
InfraRed thin clouds
Band 7 – Short Improved moisture content of
Wavelength 2,11 – 2,29 30 soil and vegetation and thin
InfraRed cloud penetration
Band 8 – 15 meter resolution, sharper
0,50 – 0,68 15
Panchromatic image definition

Improved detection of cirrus

Band 9 – Cirrus 1,36 – 1,38 30
cloud contamination
Band 10 – Long 100 meter resolution, thermal
Wavelength 10,60 – 11,19 100 mapping and estimated soil
InfraRed moisture
Band 11 – Long 100 meter resolution, Improved
Wavelength 11,50 – 12,51 100 thermal mapping and estimated
InfraRed soil moisture
Sumber: http://landsat.usgs.gov/best_spectral_bands_to_use.php

Komposit band Landsat 8

Aplikasi Komposit Band
Natural Color 432
False Color (urban) 764
Color Infrared (vegetation) 543
Agriculture 652
Atmospheric Penetration 765
Healthy Vegetation 562
Land/Water 564
Natural With Atmospheric Removal 753
Shortwave Infrared 754
Vegetation Analysis 654
Sumber: https://www.scribd.com/doc/290011654/Laporan-Penginderaan-Jauh-
Kombinasi-Band-Citra-Landsat-8

Pengunaan Lahan
Klasifikasi Multispektral
Klasifikasi multispektral sendiri adalah algoritma yang dirancang untuk
menyajikan informasi tematik dengan cara mengelompokkan fenomena
berdasarkan satu kriteria yaitu nilai spektral.Klasifikasi multispektral diawali
dengan menentukan nilai piksel tiap objek sebagai sampel.Selanjutnya nilai piksel
dari tiap sampel tersebut digunakan sebagai masukkan dalam proses klasifikasi.
Perolehan informasi tutupan lahan diperoleh berdasarkan warna pada citra, analisis statik dan
analisis grafis. Analisis statik digunakan untuk memperhatikan nilai rata-rata,
standar deviasi dan varian dari tiap kelas sampel yang diambil guna menentukan perbedaan
sampel. Analisis grafis digunakan untuk melihat sebaran-sebaran piksel dalam suatu
kelas. Ada 2 klasifikasi, yaitu:
1. Klasifikasitidakterbimbing (Unsupervised classification)
Pada metode supervised ini, analis terlebih dulu menetapkan beberapa
training area(daerah contoh) pada citra sebagai kelas lahan tertentu. Penetapan ini berdasarkan
pengetahuan analis terhadap wilayah dalam citra mengenai daerah-daerah tutupan
lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh komputer sebagai
kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukan
kedalam kelas lahan yang telah ditetapkan sebelumnya. Jadi dalam metode
supervised ini analis mengidentifikasi kelas informasi terlebih dulu yang
kemudian digunakan untuk menentukan kelas spectral yang mewakili kelas
informasi tersebut. Algoritma yang bisa digunakan untuk menyelesaikan
metode supervised ini di antaranya adalah minimun distance dan parallelepiped.
2. Klasifikasi terbimbing (Supervised classification)
Cara kerja metode unsupervised ini merupakan kebalikkan dari metode
supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer
kedalam kelas-kelas spektral menggunakan algoritma klusterisasi. Dalam metode
ini, diawal proses biasanya analis akan menentukan jumlah kelas (cluster) yang akan
dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas lahan
terhadap kelas-kelas spektral yang telah dikelompokkan oleh komputer. Dari
kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan beberapa kelas yang
dianggap memiliki informasi yang sama menjadi satu kelas. Misalclass 1, class 2 dan
class 3 masing-masing adalah sawah, perkebunan dan hutan maka analis bisa mengelompokkan
kelas-kelas tersebut menjadi satu kelas, yaitu kelas vegetasi. Jadi pada metode
unsupervised tidak sepenuhnya tanpa campur tangan manusia. Beberapa algoritma yang bisa
digunakan untuk menyelesaikan metode unsupervised ini diantaranya adalah K-Means dan
ISODATA (Ayuindra, 2016).

D. Langkah Kerja
Komposit Citra
1. Buka software ENVI 4.5 dan tampilkan citra Landsat 8 wilayah Malang dari
menu File> Open Image File. Pada bagian Available Bands List pilih RGB
Color. Kemudian klik Band 432 dan Load RGB. Maka akan muncul
Display#1 yang memuat tampilan true color wilayah Malang.

2. Buat display baru lagi, yakni komposit band 543dengan mengklik tombol
Displaypada kotak dialog Available Band List > New Display. Pilih band 543.
Klik Load RGB maka akan muncul tampilan citrafalse color.

3. Buat juga display dengan komposit 562, dan 564 dengan prosedur seperti
langkah 2, jika sudah lakukan proses Linkdengan cara klik menu Tools >
Link > Link Display.
4. Setelah semua display terhubung, lakukan identifikasi nilai piksel dari ketiga
komposit band. Idenifikasi dilakukan dengan mencatat nilai piksel dengan
menggunakan Cursor Location/Value, Nilai piksel yang nampak pada citra
memiliki hubungan dengan saluran band citra.
5. Buat tabel hasil identifikasi nilai spektral komposit 432, 543, 562, dan 564
dengan menggunakan Microsoft Excel. Masukkan pula gambar objek yang
diidentifikasi, yaitu air keruh, air jernih, vegetasi rapat, vegetasi jarang, lahan
terbangun, dan lahan kosong.
Penggunaan Lahan
Klasifikasi Multispektral
1. Klasifikasi Unsupervised
a. Buka software ENVI 4.5, kemudianklik File > Open image > komposit
citrakemudian Load Band.
b. Pada menu bar utama ENVI 4.5klikClassification > Unsupervised
>IsoData, kemudianpilihcitra multispectral >klik OK
c. Setelahmunculkotak dialog isoData Parameters, padabagian Maximum
number of classes masukkanangka 8, padabagian maximum iterations
masukkan angka 2. Simpancitrasebagai file, kemudianklik OK.
d. Tampilkancitradankelas yang sudahdibuat. Untuklebihlanjutnyalakukan
overlay padapetadengancaramengklik Overlay pada display >Anotation,
padakotak dialog Annotation pilih Object > Map Key, kemudianklik Edit
Map Key Item, hitungdanlakukanpengubahan label darikelas yang
dihasilkan.
e. Kemudiantampilkancitrakompositpada display #1
danbandingkandengancitrahasilunsupervised isoData.
Untuklebihmemudahkandalammembandingkancitrasebelumdansesudahpe
mrosesan, lakukan link display darikedua display yang dibuat.

f. Kemudiancobametode K-Means denganmengklikmetodeClassification >

Unsupervised > K-Means. Gunakancitra yang samadanparameternya,
kemudiansimpanhasiltersebutdalambentuk file.

g. Kemudianlakukanpembandinganantarakeduametodeklasifikasitersebut.
2. Klasifikasi Supervised
Klasifikasi supervised, area yang training sebelumnyatelahdipelajari/
dikenaliselama proses klasifikasi. Area training yang dipilih,
didasarkanpolapantulanobjekpadatiapsaluran.
a. Tampilkan citra satelit dalam bentuk komposit

b. Pilih area yang training atau sampelnya (Region of Interest/ROI) untuk

setiap tutupan lahan objek. Yang harus di ingat ketika memilih area
training adalah sebagai berikut :
 Area training haruslah homogen, dengan sekitar +5000 piksel pada
tiap kelas. Homogenitas area training dapat diidentifikasi dengan
menggunakan warna objek yang familiar pada citra komposit.
 Berikan nama pada area training berdasarakan interpretasi yang telah
dilakukan dan berikan warna yang spesifik.
 Pilih area trining selengkap mungkin jika memungkinkan; semua
kelas tutupan lahan harus disampelkan.
 Gunakan kurva pantulan spektral untuk membantu proses identifikasi
objek.
 c. Simpan ROI, berikan nama yang unik sehingga mudah untuk diingat.
Jangan tutup jendela ROI dulu.
1. Performing Supervised Classification
a. Pada menu utama ENVI 4.5 klik Classification>Supervised> pilih salah
satu metode yang ada, yang pertama coba pilih Mahalanobis Distance.
b. Pilih input file. Jika jendela ROI belum ditutup, wilayah training akan
otomatis muncul pada jendela Mahalanobis Distance. Klik Select All
Items. Simpan output file dan aturannya, kemudian klik OK untuk
melakukan eksekusi klasifikasi.

c. Pilih New Display > klik data Mahalanobis yang sudah kita simpan, kemudian
Load band.
d. Kemudian pilih Overlay > Grid Lines > pilih ON pada Map grid.

e. Klik Options > set display borders > ketik angka 200 pada bottom, left,
dan top, untuk right ketikkan angka 3500 (semisalnya) > kemudian klik
OK. Angka 3500 ini berfungsi untuk tempat legenda layout.

f. Tampilkan hasil klasifikasi, jika ditemukan piksel dengan warna hitam hal
tersebut menunjukkan bahwa piksel tersebut belum teridentifikasi dalam
salah satu ROI yang dibuat. Kita dapat mengidentifikasi piksel tersebut
 berdasarkan nilai komposit citra dengan menggunakan dasilitas link,
tambahkan kelas ROI jika dibutuhkan. Kemudian ulang klasifikasi sampai
piksel yang belum terklasifikasi menjadi berkurang.
g. Kemudian coba metode klasifikasi yang lainnya.

h. Untuk klasifikasi penggunaan lahan buat 10 penggunaan lahan

berdasarkan SNI
i. Kemudian menggunakan metode Maximum Likelihood dengan cara pilih
classification > supervised > maximum likelihood > pilih data awal >
select all items > choose 2x
j. Setelah itu klik new display > data Max Like > load band
 k. Pilih Overlay > grid lines > On kan Map grid > Options > set display
borders > kemudian lanjutkan seperti dengan metode Mahalanobis
Distance.

E. Hasil Praktikum
Komposit Citra
1. Print Screen komposit band 432, 543, 562, dan 564 citra Landsat 8
 Komposit band 432 Komposit band 543

Komposit band 562 Komposit band 564

2. Tabel hasil identifikasi kenampakan objek berdasarkan komposit. Objek yang
diamati adalah air jernih, air keruh, lahan terbangun, lahan kosong, vegetasi
rapat, dan vegetasi jarang (Terlampir).
Penggunaan Lahan
1. Unsupervised IsoData (PS + anotasi)

Air : Kuning
Awan : Magenta
Vegetasi : Cyan
2. Unsupervised K-Means (PS + anotasi)

Cyan : Air
Magenta : Awan Tipis
Maroon : Vegetasi
Sea green : Awan Tebal
3. Supervised Maximum Likelihood (PS + anotasi)
4. Supervised Mahalanobis Distance (PS + anotasi)

Sawah [Green] 31112 points [polygons 11/31112]

Sawah Irigasi [Blue] 6695 points [polygons 4/6695]
Pemukiman [Red] 21754 points [polygons 13/21754]
Bangunan Industri [Yellow] 5059 points [polygons 48/5059]
Perairan [Cyan] 14550132 points [polygons 2/14550132]
Ladang [Magenta] 17002 points [polygons 13/17002]
Jaringan Jalan [Maroon] 12300 points [polygons 21/12300]
Hutan Lahan Kering [Sea Green] 329142 points [polygons 7/329142]
Lahan Tidak Terbangun [Purple] 6354 points [polygons 6/6354]
Beting Pantai [Coral] 152988 points [polygons 16/152988]
5. Layout Unsupervised (Pilih salah satu)

Layout Unsupervised isoData

6. Layout Supervised (Pilih salah satu)

F. Pembahasan
Komposit Citra
1. Bagaimanakah pengaruh citra satelit hasil komposit terhadap kenampakan
informasi objek? Komposit:432, 543, 562, dan 564 Jelaskan Alasannya
a. Vegetasi rapat, dan jarang
Pada komposit band 432, vegetasi jarang dan rapat sangat jelas diamati.
Hal ini karena komposit band 432 menonjolkan kenampakan objek
dengan sinar tampak, sehingga objek yang diamati nampak seperti
gambar asli di lapangan. Komposit ini digunakan untuk melihat
kerapatan, beda tinggi, dan dominasi vegetasi. Sedangkan pada komposit
band 543, vegetasi juga mudah dikenali karena pada komposit band ini
menggunakan warna inframerah. Band 5 untuk pembedaan jenis
tanaman, kandungan air pada tanaman, kondisi kelembapan tanah. Band
4 untuk identifikasi jenis tanaman. Memudahkan pembedaan tanah dan
tanaman serta lahan dan air. Band 3 untuk membedakan jenis vegetasi.
Jadi dapat disimpulkan bahwa komposit band 543 dengan warna
infrarednya unggul dalam vegetasi. Kemudian untuk komposit band 562
mampu mengidentifikasi kenampakan healthy tanaman, artinya komposit
ini mampu mengamati dominasi vegetasi yang subur dan tidak subur..
Sedangkan pada komposit band 564, vegetasi rapat dan jarang sulit untuk
diamati. Meskipun bisa, namun tidak terlalu jelas, karena pada komposit
ini hanya cocok untuk mengidentifikasi tanah atau air saja.
b. Lahan terbuka, lahan terbangun
Pada komposit band 432, vegetasi jarang dan rapat sangat jelas diamati.
Hal ini karena komposit band 432 menonjolkan kenampakan objek
dengan sinar tampak, sehingga objek yang diamati nampak seperti
gambar asli di lapangan. Kemudian untuk komposit band 543 tidak
terlalu jelas untuk mengamati objek lahan terbuka dan lahan terbangun.
Hal ini karena sinar infrared tidak cocok untuk mengamati objek ini.
Sedangkan untuk komposit band 562 juga tidak terlalu jelas untuk
mengamati objek ini. Komposit 562 digunakan untuk mengamati subur
tidaknya vegetasi. Sedangkan untuk komposit 564 cocok untuk
mengamati objek ini karena dapat memperjelas daratan dengan perairan.
Komposit ini digunakan untuk menganalisa DAS dan daerah sepanjang
garis pantai.
c. Tubuh air: air keruh, air jernih
 Komposit band 432 dapat mengidentifikasi tubuh air karena
menggunakan spectrum tampak. Sedangkan untuk komposit 543, dan
562 tidak cocok jika untuk mengamati tubuh perairan. Hal ini
dikarenakan sulit untuk mengenali air jika spectrum yang digunakan
adalah komposit tersebut. Kita bisa mengenali tubuh air jika kita bisa
berasosiasi dengan garis pantai misalnya. Namun jika tubuh air seperti
sungai akan sulit dikenali karena akan terlihat sama dengan objek jalan.
Selain itu, warna dan teksturnya juga tidak jelas. Kemudian dengan
komposit band 564 mudah untuk mengamati tubuh air karena komposit
ini cocok untuk menganalisis daratan dan perairan.

2. Jelaskan perbedaan masing-masing komposit citra yang saudara hasilkan!

Komposit band 432, menggunakan warna tampak. Digunakan untuk analisis
vegetasi. Kombinasi ini juga digunakan untuk melihat kerapatan, beda tinggi,
dan dominasi vegetasi.
Komposit band 543, menggunakan warna infrared. Digunakan untuk melihat
biomassa, kerapatan, dan dominasi vegetasi. Efektif untuk analisis vegetasi
kehutanan atau pertanian dalam skala besar.
Komposit band 562, untuk healthy tanaman. Komposit ini cocok untuk
menganalisa dominasi vegetasi yang subur maupun yang tidak subur pada
suatu daerah.
Komposit band 564, untuk tanah dan air. Komposit ini memperjelas daratan
dengan perairan. Digunakan untuk menganalisa DAS dan daerah sepanjang
garis pantai.

Penggunaan Lahan
1. Bandingkan hasil klasifikasi unsupervised dan supervised yang telah saudara
lakukan!
Klasifikasi supervised memiliki keunggulan dalam menganalisis citra.
Dengan adanya ROI, maka pengklasifikasian kelas-kelas akan lebih detail
dan memperjelas analis. Sedangkan klasifikasi unsupervised dirasa kurang
jelas dalam menganalisis citra. Hal ini karena pada klasifikasi ini yang
 diklasifikasi hanyalah secara umum saja dari objek yang ada. Jadi tidak
secara detail.
2. Jelaskan yang dimaksud klasifikasi unsupervised IsoData dan K-Means serta
apa perbedaannya
IsoData
Mengklasifikasikan kelas secara merata. Piksel-piksel diklasifikasikan
ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan mereklasifikasi
piksel sehubungan dengan cara baru. Iterative membelah kelas,
penggabungan, dan menghapus diakukan berdasarkan parameter input
threshold. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi
standard atau ambang batas jarak yang ditentukan, dalam hal ini beberapa
piksel mungkin unclassified jika mereka tidak memenuhi criteria yang
dipilih. Proses ini berlanjut sampai jumlah piksel dlam setiap perubahan kelas
kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum
iterasi tercapai.
K-Means
Menggunakan pendekatan analisis kelas yang mengharuskan analisis
untuk memilih jumlah kelas yang berlokasi di data, sewenang-wenang ini
menempatkan sejumlah pusat klaster, kemudian iteratif repositions mereka
sampai keterpisahan spektral yang optimis dicapai. Klasifikasi ini juga
menggunakan teknik jarak minimum. Setiap iterasi kalkulasi ulang berarti
kelas dan mereklasifikasi piksel sehubungan dengan cara baru. Semua piksel
diklasifikasikan ke kelas terdekat kecuali deviasi standard.
Perbedaan: citra menggunakan isoData lebih jelas layout citranya karena
isoData mengidentifikasi kelas secara keseluruhan. Sedangkan untuk K-
Means layoutnya sangat banyak sehingga sulit untuk diidentifikasi.

3. Jelaskan yang dimaksud klasifikasi supervised Maximum Likelihood dan

Mahalanobis Distance serta apa perbedaannya
Maximum Likelihood
Mengasumsikan bahwa statistic untuk setiap kelas dalam setiap band
biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel
 diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua
piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi
(Maximum Likelihood). Jika probabilitas tertinggi lebih kecil dari ambang
batas yang ditentukan, piksel tetap tidak terklasifikasi.
Mahalanobis distance
Adalah jarak arah pengklasifikasi sensitif yang menggunakan statistic
untuk masing-masing kelas. Hal ini merip dengan klasifikasi Maximum
Likelihood, tetapi menganggap semua kovarian kelas adalah sama dan
karenanya merupakan metode yang lebih cepat. Semua piksel yang
diklasifikasi ke kelas ROI terdekat kecuali pengguna menentukan ambang
batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka
tidak memenuhi ambang batas.
Perbedaan: jika menggunakan Maximum Likelihood, data yang diberikan
kurang akurat. Perairan misalnya, tidak ada perbedaan warna antara perairan
dengan background citra yaitu sama-sama berwarna cyan dan tidak ada batas
garisnya. Sedangkan untuk Mahalanobis Distance, objek nya mudah untuk
dianalisis, dan terdapat batas serta perbedaan warna antara citra dengan
background citra.

G. Kesimpulan
Berdasarkan praktikum komposit citra dapat disimpulkan bahwa Citra
komposit sendiri bertujuan untuk memperoleh gambaran visual yang lebih baik.
Sehingga pengamatan objek, pemilihan sampel, dan aspek estetika citra di
perbaiki.Dengan melakukan citra komposit atau menggabungkan atau
mengkompositkan saluran-saluran citra satelit akan terdapat perbedaan citra
komposit dapat terlihat dari adanya warna yang berbeda pula dari masing-masing
komposit. Hal tersebut akan lebih mudah dalam proses pengidentifikasian suatu
objek dalam citra satelit tersebut. Karena pada setiap saluran yang telah
terkompositkan akan memiliki warna masing-masing.
H. Daftar Rujukan
: http://landsat.usgs.gov/best_spectral_bands_to_use.php
Rosyida, Deasy. 2015. Komposit Band Citra Landsat dengan ENVI. (Online),
(https://www.scribd.com/doc/290011654/Laporan-Penginderaan-Jauh-
Kombinasi-Band-Citra-Landsat-8), diakses pada 9 November 2016
Nurlaela. 2014. Praktikum Interpretasi Citra Multispektral Menggunakan ENVI
4.5. (Online),
(http://www.academia.edu/9724823/PRAKTIKUM_INTERPRETASI_CITR
A_MULTISPEKTRAL_MENGGUNAKAN_ENVI_4.5), diakses pada 9
November 2016
Marzuki.2016. Komposit Citra Baru Hasil Dari Penggabungan 3 Saluran Yang
Mampu Menampilkan Keunggulan Dari Saluran, (Online),
(https://www.scribd.com/doc/317043796/Komposit-Citra-Adalah-Citra-Baru-
Hasil-Dari-Penggabungan-3-Saluran-Yang-Mampu-Menampilkan-
Keunggulan-Dari-Saluran), diakses pada 9 November 2016
Ayuindra, Meylia. 2016. Analisa Tutupan Lahan Menggunakan Klasifikasi
Supervised dan Unsupervised. (Online),
(http://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_
Klasifikasi_Supervised_dan_Unsupervised), diakses pada 9 November 2016