1.

Data yang dibutuhkan saat rektifikasi image to image pada software Envi
 Dua buah citra dengan daerah yang sama (multispectral dan panchromatic)
2. Tools yang digunakan saat rektifikasi image to image pada software Envi
 Map  Registration  Select GCPs: Image to Image
3. Data yang dibutuhkan saat rektifikasi image to map pada software Er Mapper
 Satu buah citra multispectral
 Koordinat yang sudah terektifikasi dapat diambil dari map (google earth dll)
4. Tools yang digunakan saat rektifikasi image to map pada software Er Mapper
 Process  Geocoding Wizard
5. Data yang dibutuhkan saat klasifikasi obyek citra unsupervised pada software Envi
 Citra yang telah terektifikasi
6. Tools yang digunakan saat klasifikasi unsupervised pada software Envi
 Classification  unsupervised
7. Data yang dibutuhkan saat klasifikasi supervised software Envi
 Citra yang telah terektifikasi
8. Tools yang digunakan saat klasifikasi supervised software Envi
 Classification  supervised

9. Perbedaan klasifikasi supervised dan unsupervised

 Klasifikasi supervised ini melibatkan interaksi analis secara intensif, dimana analis
menuntun proses klasifikasi dengan identifikasi objek pada citra (training area).
Sehingga pengambilan sampel perlu dilakukan dengan mempertimbangkan pola
spektral pada setiap panjang gelombang tertentu, sehingga diperoleh daerah acuan
yang baik untuk mewakili suatu objek tertentu.

 Sedangkan Klasifikasi unsupervised yang berarti klasifikasi tak terawasi merupakan

pengklasifikasian hasil akhirnya (pengelompokkan pixel-pixel dengan karakteristik
umum) didasarkan pada analisis perangkat lunak (software analysis) suatu citra tanpa
pengguna menyediakan contoh-contoh kelas-kelas terlebih dahulu.

10. Pengertian unsupervised isodata dan unsupervised k-means

 IsoData
Mengklasifikasikan kelas secara merata, setiap pixel diklasifikasikan ke kelas
terdekat. Setiap interaksi akan dikalkulasi ulang dan mereklasifikasi pixel ke bentuk
baru. Memisah kelas, menggabungkan dan menghapus dilakukan berdasarkan
 parameter input. Semua pixel diklasifikasikan ke kelas terdekat kecuali deviasi
standar atau ambang batas jarak yang telah ditentukan.
 K-Means
Hampir sama dengan metode IsoData, bedanya dengan menggunakan metode ini
analis mengharuskan untuk memilih jumlah kelas yang berlokasi di data, kemudian
sistem akan mengelompokkan data ke dalam kelas kelompok yang telah ditentukan.
Pada setiap kelas akan terdapat titik tengah (centroid) yang mempresentasikan kelas
tersebut.
11. Perbedaan jenis klasifikasi pada supervised yang telah digunakan
 Parallelepiped
Klasifikasi ini menggunakan aturan keputusan sederhana dalam mengklasifikasikan
data multispektral. Batas-batas keputusan ditentukan berdasarkan batas deviasi
standar dari rata-rata setiap kelas yang dipilih.
 Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata end member masing-masing
dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-
rata untuk masing-masing kelas.
 Mahalanobis Distance
Klasifikasi Jarak Mahalanobis adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Semua kovarian kelas dianggap
sama. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali jika
ditentukan ambang batas jarak.
 Maximum Likelihood
Klasifikasi supervised maximum likelihood merupakan klasifikasi yang
berpedoman pada nilai piksel yang sudah dikategorikan obyeknya atau dibuat
dalam training sampel untuk masing-masing obyek penutup lahan.