Laporan AKhir Indraja

Laporan Akhir Praktikum Penginderaan Jauh I
LAPORAN AKHIR
PRAKTIKUM PENGINDERAAN JAUH I
Tanggal Penyerahan : 21 Mei 2018

Disusun Oleh :
Baharudin Alwi 23-2016-113
Kelompok : 4 / C
Dosen : Dr. Dewi Kania Sari, Ir., M.T.

Asisten Dosen : 1. Novita Dewi 23-2015-045
2. Anisa Maulidina 23-2015-034
LABORATORIUM FOTOGRAMETRI
JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2018
Baharudin Alwi/ 232016113 1

DAFTAR ISI
BAB I PENDAHULAUN.......................................................................................1
1.1 Maksud dan Tujuan Praktikum...................................................................1
1.2 Tempat dan Waktu Pelaksanaan Praktikum................................................1
BAB II DASAR TEORI..........................................................................................2
2.1 Citra Landsat 8............................................................................................2
2.2 Citra MODIS ............................................................................................3
2.3 Koreksi Geometrik......................................................................................5
2.4 Koreksi Radiometrik...................................................................................6
2.5 Ground Control Point (GCP)......................................................................7
2.6 Komposit Citra............................................................................................8
2.7 Cropping Citra............................................................................................9
2.8 Klasifikasi Terbimbing...............................................................................10
2.9 Klasifikasi Tak Terbimbing.........................................................................13
2.10 Ground Truth............................................................................................14
2.11 Confusion Matrix......................................................................................15
BAB III PELAKSANAAN PRAKTIKUM..........................................................16
3.1 Tahapan Download Citra Landsat 8............................................................16
3.2 Tahapan Download Citra MODIS..............................................................19
3.3 Tahapan Koreksi Geometrik.......................................................................22
3.4 Tahapan Koreksi Radiometrik....................................................................28
3.5 Tahapan Komposit Citra.............................................................................35
3.6 Tahapan Cropping Citra..............................................................................37
3.7 Tahapan Klasifikasi Terbimbing.................................................................43
3.8 Tahapan Klasifikasi Tak Terbimbing..........................................................49
3.9 Tahapan Confusion Matrix..........................................................................53

BAB IV HASIL DAN ANALISIS..........................................................................63

4.1 Hasil dan Analisis Download Citra Landsat 8............................................63
4.2 Hasil dan Analisis Download Citra MODIS...............................................63
4.3 Hasil dan Analisis Koreksi Geometrik.......................................................64
4.4 Hasil dan Analisis Koreksi Radiometrik.....................................................64
4.5 Hasil dan Analisis Komposit Citra.............................................................65
4.6 Hasil dan Analisis Cropping Citra..............................................................67
4.7 Hasil dan Analisis Klasifikasi Terbimbing ................................................68
4.8 Hasil dan Analisis Klasifikasi Tak Terbimbing...........................................68
4.9 Hasil dan Analisis Confusion Matrix..........................................................69
BAB V PENUTUP..................................................................................................70
5.1 Kesimpulan.................................................................................................70
5.2 Saran...........................................................................................................70
DAFTAR PUSTAKA................................................................................................71
LAMPIRAN A PETA KLASIFIKASI TERBIMBING
LAMPIRAN B DOKUMENTASI GROUND TRUTH
LAMPIRAN C HASIL CONFUSION MATRIX

BAB I
PENDAHULUAN
1.1 Maksud dan Tujuan Praktikum
Maksud dari praktikum penginderaan jauh yaitu untuk membuat peta hasil
dari klasifikasi terbimbing yang telah kita olah dari citra landsat 8.
Tujuan dari praktikum antara lain :
 Untuk melakukan koreksi geometrik dan radiometric pada citra landsat

 Untuk melakukan cropping wilayah citra (wilayah padang)
 Untuk melakukan klasifikasi tak terbimbing dan terbimbing
 Membuat peta dari klasifikasi terbimbing
1.2 Waktu dan Tempat Pelaksanaan Praktikum
 Waktu : - Praktikum 1 : Jum’at, 9 Maret 2018

- Praktikum 2 : Jum’at, 16 Maret 2018
- Praktikum 5 : Jum,at, 20 April 2018
 Tempat : Laboratorium Sistem Informasi Geospasial
BAB II
DASAR TEORI

2.1 Citra Landsat 8
Sensor pencitra OLI (Operational Land Imager) pada Landsat-8 yang

mempunyai 1 kanal inframerah dekat dan 7 kanal tampak reflektif akan meliput
panjang gelombang elektromagnetik yang direfleksikan oleh objek pada
permukaan Bumi dengan resolusi spasial 30 meter.
Sensor pencitra OLI mempunyai kemampuan resolusi spasial dan resolusi
spektral yang menyerupai sensor ETM+ (Enchanced Thermal Mapper plus) dari
Landsat-7 yang memastikan kontinuitas data untuk deteksi dan pemantauan
perubahan objek-objek pada permukaan Bumi. Akan tetapi sensor pencitra OLI
tidak mempunyai kanal termal. Namun demikian, sensor pencitra OLI ini
mempunyai kanal-kanal yang baru yaitu : kanal-1 (443 nm, untuk deteksi aerosol
garis pantai) dan kanal 9 (1375 nm, untuk deteksi cirrus).
Pada tahun 2008, program LDCM (Landsat-8) menetapkan sensor pencitra
TIRS (Thermal Infrared Sensor) ditetapkan sebagai pilihan, yang dapat
menghasilkan kontinuitas data untuk kanal-kanal inframerah termal yang tidak
dicitrakan oleh OLI.
Penggabungan kanal-kanal spektral menjadi citra-citra berwarna, membuat
pengguna mampu mengidentifikasi dan membedakan karakteristik dan kondisi
penutup lahan, bahkan yang paling halus kanal-kanal multispektral data satelit seri
Landsat dengan resolusi spasial 30 meter ideal untuk pendeteksian, pengukuran,
dan untuk menganalisis perubahan objek pada permukaan Bumi pada level yang
rinci, dimana pengaruh alamiah dan aktivitas yang diakibatkan manusia dapat
diidentifikasi dan dinilai secara akurat.
2.2 Citra MODIS
MODIS (Moderate Resolution Imaging Spectroradiometer) merupakan sensor

multispektral yang memiliki jumlah 36 band yang mempunyai resolusi spasial
yang berbeda-beda mulai dari 250 m (band 1-2), 500 m (band 3-7), 1000 m (band

8-36) dengan panjang gelombang mulai dari 0,620-14,385 µm. Sensor ini
mengorbit bumi secara polar pada ketinggian 705 km, lebar cakupan lahan pada
permukaan bumi setiap putarannya sekitar 2330 km.

Resolusi
Band λ (µm) Kegunaan Utama
Spasial (m)
Saluran Reflektan (Pantulan)
1 0,620 - 0,670 250

Aerosol, Awan, Lahan
2 0,841 - 0,876 250
3 0,459 - 0,479 500
4 0,545 - 0,565 500

Aerosol, Awan, Ketebalan
5 1,230 - 1,250 500 Optis,Bentuk Awan, Masking
Awan, Salju, Lahan/Tanah
6 1,628 - 1,652 500
7 2,105 - 2,155 500
8 0,405 - 0,420 1000
9 0,438 - 0,448 1000 Warna Laut,

Klorofil, Fitoplankton,Biogeo-
10 0,483 - 0,493 1000 kimiawi
11 0,526 - 0,536 1000
12 0,546 - 0,556 1000

Sedimen, Atmosfer
13 0,662 - 0,672 1000
14 0,673 - 0,683 1000 Flouresense
15 0,743 - 0,753 1000

Aerosol Atmosfer
16 0,862 - 0,877 1000
17 0,890 - 0,920 1000
18 0,931 - 0,941 1000 Uap Air, Awan
19 0,915 - 0,965 1000
26 1,360 - 1,390 1000 Awan Sirus
Saluran Radian (Pancaran)
20 3,660 - 3,840 1000
Permukaan dan Awan, Suhu, Api dan

21 3,929 - 3,989 1000
Vulkanik,
22 3,929 - 3,989 1000
Suhu Muka Laut
23 4,020 - 4,080 1000

2.3 Koreksi Geometrik
Koreksi geometrik merupakan proses memposisikan citra sehingga cocok

dengan koordinat peta dunia yang sesungguhnya. Posisi geografis citra pada saat
pengambilan data dapat menimbulkan distorsi karena perubahan posisi dan juga
ketinggian sensor. Dalam akusisi citra satelit, distorsi ini akan bertambah seiring
dengan perbedaan waktu pembuatan peta dan akusisi citra serta kualitas dari peta
dasar yang kurang baik. Akibat dari kesalahan geometrik ini, maka posisi piksel
dari citra satelit tersebut tidak sesuai dengan posisi yang sebenarnya.
Koreksi geometrik ini berfungsi untuk mengurangi kesalahan yang disebabkan
oleh gerak sapuan penjelajah dan satelit, gerak perputaran bumi, dan faktor
kelengkungan bumi yang mengakibatkan pergeseran posisi terhadap sistem
koordinat referensi. Dalam hal ini proses koreksi geometrik dilakukan dengan
mentransformasikan posisi setiap piksel yang ada di citra terhadap posisi obyek
yang sama dipermukaan bumi dengan memakai beberapa titik kontrol tanah.
( Sukojo dan Kustarto, 2002 )
Besar kesalahan dalam koreksi geometrik diwakili dengan nilai Root Mean
Square Error (RMSe) yang didapatkan setelah melakukan kegiatan koreksi
geometrik. Nilai RMSe yang baik adalah dibawah 0,5 piksel sehingga kesalahan
tidak lebih dari setengah dari resolusi spasial suatu citra. ( Jaya, 2015 )
Sumber : Danodoro, P. 1996. Pengolahan Citra Digital : Teori dan Aplikasinya
dalam Bidang Penginderaan Jauh. Yogyakarta : Fakultas Geografi UGM
2.4 Koreksi Radiometrik
Koreksi radiometrik ditujukan untuk memperbaiki nilai piksel supaya sesuai

dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan
atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai
pantulan obyek dipermukaan bumi yang terekam oleh sensor menjadi bukan
merupakan nilai aslinya, tetapi menjadi lebih besar oleh karena adanya hamburan
atau lebih kecil karena proses serapan. Metode-metode yang sering digunakan
untuk menghilangkan efek atmosfer antara lain metode pergeseran histogram

(histogram adjustment), metode regresi dan metode kalibrasi bayangan. (Projo

Danoedoro, 1996).
Koreksi Radiometrik merupakan proses untuk memperbaiki kualitas visual
citra, dalam hal memperbaiki nilai piksel yang tidak sesuai dengan nilai pantulan
atau pancaran spektral objek yang sebenarnya. Koreksi yang bertumpu pada
informasi dalam citra antara lain : Koreksi histrogram, penyesuaian regresi,
koreksi berbasis diagram pancar, kalibrasi bayangan dan kenampakan gelap.
Koreksi yang bertumpu pada data diluar citra, menurut Mather (2004), dipengaruhi
oleh lima faktor yakni : pantulan atau reflektansi objek, bentuk dan besaran
interaksi atmosfer, kemiringan dan arah hadap lereng, sudut pandang sensor, dan
sudut ketinggian matahari. Koreksi pengaruh posisi matahari dapat dilakukan
dengan persamaan 4, dimana L'λ menunjukkan radiasi spektral terkoreksi, Lλ
menunjukkan radiasi spectral sebelum terkoreksi, x menunjukkan sudut pandang
sensor dan θ menunjukkan sudut zenith matahari.
Proses koreksi radiometrik mencakup koreksi- koreksi efek- efek yang
berhubungan dengan sensor untuk meningkatkan (enhancement) setiap piksel
(picture element) dari citra, sehingga objek yang terekam mudah diinterpretasikan
atau dianalisis untuk menghasilkan data yang benar dan sesuai dengan keadaan di
lapangan. Menurut Andree Ekadinata et al (2008: 48- 49) mengatakan bahwa
koreksi radiometrik adalah proses untuk meniadakan gangguan (noise) yang
terjadi akibat pengaruh atmosferik maupun karena pengaruh sistematik perekaman
citra.
2.5 Ground Control Point (GCP)
Ground Control Point (GCP) atau titik kontrol tanah merupakan objek di
permukaan bumi yang dapat diidentifikasi dan memiliki informasi spasial sesuai
dengan sistem referensi pemetaan. Informasi spasial dalam bentuk koordinat X, Y,
Z atau Lintang Bujur dan ketinggian dari setiap GCP diukur dengan menggunakan
GPS geodetik berketelitian sub-meter. Keperluan GCP yang paling utama adalah
proses georeferensi hasil pengolahan foto sehingga memiliki sistem referensi

sesuai dengan yang dibutuhkan pada hasil pemetaan. GCP ini juga digunakan pada
saat data processing untuk membantu proses koreksi geometri pada mosaic
orthophoto, sehingga akurasi dari peta yang dihasilkan akan tinggi. Secara khusus
GCP berfungsi pula sebagai:
1) Faktor penentu ketelitian geometris hasil olah foto (ortofoto, DSM, DTM),
semakin teliti GCP maka semakin baik pula ketelitian geometris output
(dengan kaidah-kaidah peletakan GCP yang dipenuhi).
2) Faktor yang mempermudah proses orientasi relatif antar foto sehingga
keberadaan GCP bisa meningkatkan akurasi geometrik dari peta foto.
3) Faktor koreksi hasil olah foto yang berupa ball effect atau kesalahan yang
mengakibatkan model 3D akan berbentuk cembung ditengah area yang
diukur.
4) Faktor yang mempermudah dalam proses penyatuan hasil olah data yang
terpisah, misal olah data area A dan area B dengan lebih cepat dan efektif,
daripada proses penyatuan berdasar seluruh pointcloud (jumlahnya jutaan)
yang akan memakan banyak waktu.
Ground Control Point (GCP) merupakan proses koreksi geometrik citra
dengan cara membandingkan posisi yang berada pada citra, dengan posisi yang
ada di lapangan/ peta yang sudah tersedia sebelumnya. GCP adalah suatu lokasi
pada permukaan bumi yang dapat diidentifikasi pada citra dan sekaligus dikenali
posisinya pada peta.( Jensen, 2005)
2.6 Komposit Citra
Komposit citra adalah citra baru hasil dari penggabungan 3 saluran yang
mampu menampilkan keunggulan dari saluran-saluran penyusunnya (Sigit,2011).
Digunakan komposit citra ini dikarenakan oleh keterbatasan mata yang kurang
mampu dalam membedakan gradasi warna dan lebih mudah memahami dengan
pemberian warna.
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 adalah berdasarkan :
 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.
 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 :
 Komposit warna asli yaitu gabungan dari warna merah-hijau-biru. Citra

yang dapat menghasilkan komposit warna asli yaitu Landsat, ALOS dll
 Komposit warna tidak asli, terbagi 2 :
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. (Sigit Heru.2011)
2.7 Cropping Citra
Pemotongan citra (cropping citra) merupakan cara pengambilan area tertentu

yang akan diamati (area of interest) dalam citra, yang bertujuan untuk
mempermudah penganalisaan citra dan memperkecil ukuran penyimpanan citra.
Dalam proses pengolahan citra, biasanya tidak secara keseluruhan Scence dari
citra yang kita gunakan. Untuk mendapatkan daerah yang kita inginkan kita dapat
memotong (cropping) citra tersebut. (Risti Arhatin, 2010: 17).
Cropping citra dapat digunakan untuk data spasial maupun data spektral.
Pemotongan citra dapat dilakukan berdasarkan titik koordinat, jumlah pixel atau
hasil zooming daerah tertentu.
Pemotongan atau cropping citra dilakukan untuk mendapatkan daerah
penelitian dengan maksud untuk dapat melakukan pengolahan data yang lebih
terfokus, terinci dan teroptimal. Dengan ekspetasi menghasilkan citra yang
representatif dan kontinu. Pemotongan citra memiliki nilai utilitas lainnya, yaitu
memperkecil daerah yang akan dikaji sesuai dengan area of interest. Pemotongan
citra dapat dilakukan sesuai dengan bentuk poligon yang diinginkan seperi
pembatasan wilayah kabupaten, kecamatan atau desa. Pemotongan citra
merupakan pemotongan yang telah diolah secara kontinu agar dapat mereduksi
kesalahan di dalam proses pengolahan data penginderaan jauh di software ENVI.
Bahkan, teknik pemotongan atau cropping citra dapat menyederhanakan area
penelitian para pengguna data hasil penginderaan jauh. Sehingga, cropping citra
(pemotongan citra) dapat bermanfaat untuk mempermudah kinerja seseorang
ketika sedang melakukan pengamatan citra, terutama dalam membatasi region atau
wilayah tertentu.
2.8 Klasifikasi Terbimbing

Pada sistem kerja metode terbimbing (Supervised), analis terlebih dahulu

diharuskan menetapkan beberapa training area (daerah contoh) pada citra sebagai
kelas lahan tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap
wilayah dalam citra mengenai daerah-daerah penelitian. NIlai-nilai pixel dalam
daerah contoh tersebut kemudian digunakan oleh komputer sebagai kunci untuk
mengenai pixel yang lain. Dearah yang memiliki nilai pixel sejenis akan
dimasukan kedalam kelas lahan yang telah ditetapkan sebelumnya. Jadi dalam
metode ini analis mengidentifikasi kelas informasi terlebih dulu yang kemudian
akan digunakan untuk menentukan kelas spectral yang mewakili kelas informasi
tersebut.
Metode terbimbing terdiri dari beberapa jenis yaitu :
1. Parallelepiped : Kelasifikasi dengan mengunakan aturan keputusan sederhana

untuk mengklasifikasikan data multispektral. Batas-batas keputusan
merupakan dimensi dalam ruang data gambar. Dimensi ini ditentukan
berdasarkan batas diviasi standar dari rata-rata setiap kelas yang dipilih.
2. Minimum Distance : Teknik jarak ninimum menggunakan vektor rata-rata dan

menghitung jarak dari setiap pixel yang diketahui oleh vektor rata-rata untuk
masing-masing kelas. Beberapa pixel memiliki kemungkinan tidak
terklasifikasi jika tidak memenuhi kriteria yang dipilih.
3. Maximum Likehood : Mengasumsikan bahwa statistik untuk setiap kelas di

masing-masing band yang terdistribusi secara normal dan menghitung
probabilitas bahwa setiap pixel yang diberikan milik kelas tertentu. Kecuali
jika analis memilih ambang probabilitas, semua pixel diklasifikasikan. Setiap
pixel ditugaskan untuk kelas yang memiliki probabilitas tertinggi. Jika
probabiitas tertinggi lebih kecil dari ambang batas yang ditentukan maka pixel
tidak akan diklasifikasi.

4. Mahalanobis Distance : Jarak arah pengklasifikasi sensitif yang menggunakan

statisktik untuk masing-masing kelas. Mirip dengan metode Minimum
Likehood tetapi mengasumsikan semua coveriences kelas yang sama dan
kerena itu metode ini bekerja lebih cepat. Semua pixel diklasifikasikan ke
kelas ROI terdekat kecuali analis menentukan ambang batas jarak.
5. Spectral Angel Mapper : Klasifikasi spectral berbasis fisik yang mengunakan

sudut n-D untuk mencocokkan pixel untuk spektrum referensi. Algoritma
menentukan kesamaan spectral antara dua spektrum dengan mengitung sudut
antara spektrum dan memperlakukannya sebagai vektor dalam ruang dimensi
yang sama dengan jumlah band. Teknik ini bila digunakan pada data
reflektansi dikalibrasi, relatif tidak sensitif terhadap pencahayaan.
Endmember spektur yang digunakan dapat berasal dari file ASCII atau
perpustakaan spektral. Atau analis dapat mengambil langsung dari gambar
(seperti ROI). Metode ini membandingkan sudut antara vektor spektrum
endmember dan setiap vektor pixel di n-D. Sudut kecil merupakan
perbandingan lebih dekat dengan spektur referensi. Pixel lebih jauh dari batas
sudut maksimum yang ditentukan dalam radian tidak diklasifikasikan.
Klasifikasi ini mengasumsikan data refletansi, namun jika analis
menggunakan data cahaya, kesalahan umumnya tidak signifikan karena data
asal masih mendekati nol.
6. Spektral Informasi Divergence : Metode klasifikasi spektral yang

menggunakan ukuran divergensi untuk mencocokkan pixel untuk spektrum
referensi. Semakin kecil perbedaan itu, semakin besar kemungkinan pixel
serupa. Pixel dengan ukuran yang lebih besar dari ambang batas perbedaan
maksimum yang ditentukan tidak diklasifikasikan. Endmember spektrum yang
digunakan oleh metode ini bisa berasal dari file ASCII atau perpustakaan
spektral, atau analis dapat mengambil langsung dari gambar (seperti ROI).

7. Binary Encoding : Klasifikasi pengkodean biner dengan cara mengkodekan

data dan spektrum endmember ke nol dan satu, berdasarkan apakan sebuah
band jatuh di bawah atau di atas spektrum mean, masing-masing fungsi
eksklusif OR membandingkan masing-masing spektrum referensi dikodekan
dengan spektrum data dikodekan dan menghasilkan gambar
klasifikasi. Semua piksel diklasifikasikan ke endmember dengan jumlah
terbesar dari band yang cocok, kecuali jika analis menentukan minimum
match threshold, dalam hal ini beberapa piksel mungkin tidak diklasifikasikan
jika tidak memenuhi kriteria.
Gambar 2.2 Cara Kerja Supervised Classification
2.9 Klasifikasi Tak Terbimbing
Sistem kerja metode tidak terbimbing adalah melakukan pengelompokan

nilai-nilai pixel suatu citra oleh komputer kedalam kelas-kelas spektral dengan
menggunakan algoritma klusterisasi. Dalam metode ini, diawal proses biasanya
analis (orang yang melakukan analisis) akan menentukan jumlah kelas (cluster)
yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-
kelas lahan terdapat kelas-kelas spektral yang telah dikelompokan oleh komputer.

Dari kelas yang dihasilkan, analis bisa menggabungkan beberapa kelas yang
dianggap memiliki informasi yang sama menjadi satu kelas. Misal class 1, class 2,
dan class 3 masing-masing adalah sawah, perkebunan dan hutan maka bisa
dikelompokkan menjadi satu kelas yaitu kelas vegetasi.
Metode tidak terbimbing terdiri dari dua jenis yaitu :
1. Iso Data : 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, dalam hal ini beberapa pixel mungkin tidak
diklasifikasikan jika tidak memenuhi kriteria yang ditentukan. Proses ini
berlanjut sampai jumlah pixel dalam setiap perubahan kelas kurang dari
ambang perubahan pixel yang dipilih atau jumlah maksimum interasi tercapai.
2. 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.

Gambar 2.3 Cara kerja metode Unsupervised
2.10 Ground Truth
Dalam penginderaan jauh, ground truth hanyalah istilah jargon untuk

pengamatan permukaan dekat. Seperti yang diterapkan pada tubuh planet, ini
mengacu pada pengumpulan data referensi dan informasi yang berasal dari situs
yang secara tepat mengkarakterisasi keadaan, kondisi, dan parameter yang terkait
dengan permukaan (dan dengan sensor yang sesuai, aspek bawah permukaan) dan
setiap partikel gas (atmosfer) di atasnya. Tujuan dalam memperoleh ground truth
pada akhirnya adalah untuk membantu dalam kalibrasi dan interpretasi dari survei
yang direkam secara jarak jauh dengan memeriksa realitas dari dalam TKP. Karena
penafsir manusia biasanya mengalami Bumi sebagai penghuni tanah, pandangan
mereka tentang dunia dari panorama horizontal atau sudut-rendah adalah kerangka
acuan umum. Bahkan, baik spesialis penginderaan jauh dan pemula harus
mempertahankan perspektif berbasis permukaan selama semua fase pengumpulan
data, analisis, dan aplikasi sejauh sebagian besar interpretasi dan keputusan yang
berhubungan dengan sumber daya alam dan penggunaan lahan pada akhirnya akan
diimplementasikan di permukaan tanah (Nicholas, 2015 ).

2.11 Confusion Matrix
Pengukuran terhadap kinerja suatu sistem klasifikasi merupakan hal yang

penting. Kinerja sistem klasifikasi menggambarkan seberapa baik sistem dalam
mengklasifikasikan data. Confusion matrixmerupakan salah satu metode yang
dapat digunakan untuk mengukur kinerja suatu metode klasifikasi. Pada
dasarnya confusion matrix mengandung informasi yang membandingkan hasil
klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi yang seharusnya
( Prasetyo, 2012 ).
Berdasarkan jumlah keluaran kelasnya, sistem klasifikasi dapat dibagi
menjadi 4 (empat) jenis yaitu klasifikasi binary, multi-class, multi-
label dan hierarchical . Pada klasifikasi binary, data masukan dikelompokkan
ke dalam salah satu dari dua kelas. Jenis klasifikasi ini merupakan bentuk
klasifikasi yang paling sederhana dan banyak digunakan. Contoh
penggunaannya antara lain dalam sistem yang melakukan deteksi orang atau
bukan, sistem deteksi kendaraan atau bukan, dan sistem deteksi pergerakan
atau bukan. Pada pengukuran kinerja menggunakan confusion matrix, terdapat
4 (empat) istilah sebagai representasi hasil proses klasifikasi. Keempat istilah
tersebut adalah True Positive (TP), True Negative (TN), False Positive(FP)
dan False Negative (FN). Nilai True Negative (TN) merupakan jumlah data
negatif yang terdeteksi dengan benar, sedangkan False Positive (FP)
merupakan data negatif namun terdeteksi sebagai data positif. Sementara
itu, True Positive (TP) merupakan data positif yang terdeteksi benar. False
Negative (FN) merupakan kebalikan dari True Positive, sehingga data posifit,
namun terdeteksi sebagai data negative ( Achmad, 2017 ).
BAB III
PELAKSANAAN PRAKTIKUM

3.1 Tahapan Download Citra Landsat 8

No Tahapan Download Citra Landsat 8 Keterangan
1. Masukan alamat
Laporan Akhir Praktikum“earthexplorer”
Penginderaan Jauh I
pada pencarian
google
2. Maka akan muncul

tampilan USGS
Masukan wilayah
yang akan diambil
citra pada kotak
“adress/place”
3. Kemudian klik show

Maka akan muncul
Link wilayah
tersebut
Kemudian klik Link
tersebut
4. Pada Date range/

rentang waktu citra,
isikan sesuai
kebutuhan
Pada praktikum kali
ini kita
menggunakan
rentang waktu
1/01/2017 hingga
31/12/2017 (1
Tahun)
5. Pilih satelit Landsat
Klik landsat
collection 1 level 1
Baharudin Alwi/ 232016113 Ceklis landsat 8 17
Klik Result
3.2 Tahapan Download Citra MODIS
No Tahapan Download Citra MODIS Keterangan

1.  Masuk ke alamat
website
“ladsweb.modaps.
eosdis.nasa.go”
2.  Maka akan muncul

tampilan berikut
 Klik Find Data

3.  Pilih satelit
 Pada praktikum ini
“Satelit Modis
Terra” yang
digunakan
4.  Kemudian klik
MOD02QKM
(level 1B
Calibrated
Radiance – 250 m
 Pilih level 0/level
7
 Klik Next (pojok
kanan atas)
5.  Atur rentang waktu
peremakam
 Sama seperti
Landsat-8 rentang
waktu yang
digunakan 1 tahun
 Klik Next


tampilan berikut
 Pindahkan kursor
ke lokasi yang
akan diambil
citranya
7.  Klik Tiles
 Karena wilayah
kita adalah “Kota
Padang”
 Bagian dari
wilayah kota
padang
8.  Maka akan mucul
daftar citra yang
akan di download
 Klik “Image
Viewer” yang
berada di kiri
9.  Kemudian ceklis
file yang akan di
download

10.  Klik Save image

(berada di bawah)
3.3 Tahapan Koreksi Geometrik
No Tahapan Membuat Koreksi Geometrik Keterangan

1.  Setting RGB pada
kondisi Natural
 Pilih Map
 Pilih Registration
 Klik Select Image
to Map
2.  Output Map
Projection 
Geographic
Lat/Lan
 Klik OK

3.  Pilih File
 Klik Open Vektor
File
4.  Masukan data
vektor (SHP kota
padang) ke project
ENVI
 Klik Open
 Klik Load Selected
5.  Klik Display #1
 Klik OK
6.  Klik Load Selected

 Klik New Vektor
Window
 Klik OK

7.  Klik Map 
Registration 
Select GPS :
Image to Map
8.  Select Registration
Project
“Geographic
Lat/Lan”
 Klik OK
9.  Maka mulai
melakukan
penempatan GCP
sebanyak 10 titik
 Cari posisi yang
tepat untuk
menempatkan titik
GCP
 Baik pada citra
maupun pada data
shp
 Jika sudah pas klik
kanan pada shp
klik “Export Map
Location”

10.  Klik Add Point

 Kemudian Klik
Show List
11.  Hasil koreksi

Geometrik-nya
 RMS masih 0,000
 RMS toleransi
(0,25)
12.  Lakukan koreksi

geometrik dengan
10 titik GCP
13.  Save koreksi RMS

 Klik Save GCP
“Save GCP w/map
coods”

14  Berinama Koreksi
Geometrik
15  Klik File  Klik

Save Table to
ASCII
16  Klik Choose
 OK
17.  Klik Map

Registration 
Warp from GCPs :
Image to Map

18.  Klik file Koreksi

Geometris
 Klik Open
19.  Untuk Select

Registration
Project Pilih
Geographic
Lat/Lan
20.  Klik Padang

 Klik OK
21.  file nya berinama

koor geo
 Klik Open

22.  Tunggu hingga

proses 100%
selesai
3.4 Tahapan Koreksi Radiometrik
No Tahapan Koreksi Radiometrik Keterangan

1.  Buka Software
ERMAPPER
2.  Klik File  Klik

Open
 Buka citra yang
akan dikoreksi

3.  Jika yang pertama

kali muncul hanya
C:\\
 Klik Volumes,
dimana letak citra
tersebut
 Klik citra band 4
 Klik Open
citra seperti
gambar 4
 (Citra disini masih
buram dikarena
oleh faktor
atmsofer)
5.  Klik Edit Algoritm
6.  Klik Kanan
Pseudoco-lour
 Ganti dengan Red
Green Blue

7.  Klik kanan Pseudo

Layer
 Ganti dengan Red
8.  Copy Red Layer

 Klik Red Layer 
Klik Duplicate
(Sebanyak 2x)
9.  Klik Kanan Red

Layer yang kedua,
ganti dengan
Green
 Dan pada Red
Layer yang ketiga
ganti dengan Blue
10.  Mulai komposit
band citra (untuk
kali ini citra
natural yaitu 4,3,2)
 Klik Green Layer
 Klik Load Dataset

11.  Cari band citra 3

untuk Green Layer
 Klik Aplly This
Layer Only
 Klik OK
 Lakukan langkah
yang sama pada
Blue Layer dengan
mengguna-kan
band citra 2
12.  Save Data
 Klik File  Save
As
13.  Letakkan file

dengan nama
“koreksi
radiometrik”
 Untuk format file
“UDF.ers”
 Klik OK


proses selesai
 Maka akan muncul
pemberitahuan
 Klik OK
15.  Klik File  Open
16.  Cari data yang

telah disimpan tadi
dengan format
“.ers”

citra (terdapat
sedikit perubahan
dari citra
sebelumnya)

18.  Klik Edit Algoritm
19.  Klik Red Layer

 Klik Edit
Transform Limits

tampilan baru
 Klik Creat default
linear transform
21.  Klik Autoclip

transform

22.  Klik Limits  Set

Output Limits to
Input Limits
 Lakukan pada
Green Layer, dan
Blue Layer
23.  Simpan data

koreksi
As
 Nama file
“Koreksi_radiomet
rik_padang”
 Format file
“UDF.ers”
 Klik OK
proses selesai

25.  Hasil citra yang

telah dikoreksi
 Koreksi
Radiometrik
3.5 Tahapan Komposit Citra

No Tahapan Komposit Citra Keterangan
1. Untuk komposit
Citra Landsat 8,
hanya mengubah
Band dari RGB
saja
2. Natural (4,3,2)
2. Vegetasi (5,4,3)
3. Urban (7,6,4)
4. Agricultue (6,5,2)

5. Atmosfer (7,6,5)
3.6 Tahapan Cropping Citra
No Tahapan Cropping Citra Keterangan

ENVI 4.5
 Klik File  Open
Image File
2.  Buka band citra

4,3,2
 Klik Open
3.  Klik RGB Color

 Tempatkan
masing-masing
band
 R (4), G(3), B(2)
 Klik Load RGB

4.  Klik Basic Tool 

Layer Stacking
5.  Klik Import File

 pilih semua
band
 Untuk Output Map
Projection pilih
ÚTM”
 Zone 47 S (kota
padang)
 Klik Choose
6.  Tempatkan File
 Beri nama “Layer
Stacking”
 Klik Open

7.  Klik Overlay 
Vektors..
8.  Pada Vektor
Parameter
 Klik Open Vektor
File
9.  Buka file kota

padang .shp
 Jika belum
berformat shp,
rubah formatnya
terlebih dulu
 Klik Open
10.  Klik .shp kota
padang
 Klik Choose

11.  Tempatkan file

Cropping
 Beri nama
“Cropping”
 Klik Open
12.  Untuk Native file

projection 
Geographic
Lat/Lan
 Klik OK
13.  Pada Vektor

Parameter..
 Klik “Export
Active Layer to
ROIs..”
14.  Klik “Convert all

records an EVF
Layer to one
ROI..”
 Klik OK

15.  Klik Basic Tools

 Subset Data via
ROIs
16.  Klik Layer

Stacking
 Klik OK
17.  Klik
“EVF:Layer.kotap
adang.shp..”
 Klik Choose
 Berinama file
“ROIS”
18.  Klik Display #1

 Tambahkan
Display baru yaitu
Display #2
 Klik Load RGB


perbandingan citra
sebelum di
cropping dan
sesudah di
cropping
3.7 Tahapan Klasifikasi Terbimbing
No Tahapan Klasifikasi Terbimbing Keterangan

1.  Untuk Klasifikasi
terbimbing
 Klik Basic Tools
 Region Of
Interest  ROI
Tool


tampilan Region#1
 Kemudian
tambahkan 3 lagi
 New Region
hingga Region#4
3.  Hasil dari semua

Region
 Ubah nama dari
ROI Name
4.  Untuk mengubah
warnanya
 Klik kanan warna
 Pilih Colors 1-20
 pilih warna
yang di inginkan
5.  Mulai
mengklasifikasi
kelas tutupan lahan
 Klik zoom
 Pilih pixel yang
brightnes nya
mendekati Red
 Klik kiri pada

tepian pixel hingga

membuat
Rectangel
6.  Double klik kanan
di dalam rectangel
7.  Ini untuk
klasifikasi Vegetasi
8.  Ini untuk
klasifikasi Lahan
Kosong

9.  Dan ini untuk

klasifikasi perairan
atau sungai
10.  Hasil dari semua

klasifikasi yang
telah di tentukan
brightnes nya
sebanyak 5 sample
11.  Kemudian Save

data hasil
klasifikasi
 Klik file  Save
ROIs..
12.  Berinama Paralel

 Klik Open

13.  Klik Select All

Items
 Klik Choose
 Berinama Padang
14.  Klik Supervised 

Parallelepied
15.  Klik rois hasil 2x
16.  Klik Select All

Items
 Klik Choose

17.  Berinama
Supervised
18.  Klik Memory

 Klik OK
19.  Klik Memory

 Klik OK
20.  Klik New Display

 Klik Paralel (Rois
Hasil)

21.  Load RGB

 Hasil dari
Supervised
22.  Save Image

Image As 
Image File ..
23.  Output File Type :

TIFF/ Geo TIFF
 Klik Choose
 Berinama padang
 Klik OK
3.8 Tahapan Klasifikasi Tak Terbimbing
No Tahapan Klasifikasi Tak Terbimbing Keterangan

1.  Buka software
ENVI 4.5
 Klik File  Klik
Open Image File

2.  Pilih file hasil

croping hdr.
 Pada kali ini nama
file hasil rois.hdr
3.  Klik RGB masing-

masing RGB
(4,3,2)
 Klik Load RGB
4.  Hasil komposit
rois natural
5.  Klik Classifi-
cation Unsuper-
vised  Klik
IsoData

6.  Klik rois data

 Double klik rois
data
7.  Number Of
Classes, Min : 5 ,
Max : 5
 Max Interations 1
 Klik Choose
8.  Isikan IsoData
 Klik Open
9.  Klik OK

10.  Klik New Display
11.  Klik isoData

 Klik Load RGB
12.  Hasil Klasifikasi

Tak Terbimbing
13.  Save hasil

Klasifikasinya
Image As 
Image file …

14.  Isikan
Unsupervised
 Klik Open
15.  Output File Type :

TIFF/Geo TIFF
 Klik Choose
 Tempatkan file 
OK
3.9 Tahapan Confusion Matrix
No Tahapan Confusion Matrix Keterangan

ENVI

2.  Klik file  open

vektor file
3.  Pilih citra bandung

dengan format tiff.
4.  Klik Load RGB
5.  Klik Basic Tools

 Reogion of
Interest  Roi
Tools

6.  Buat 9 kelas,
dengan masing-
masing kelas
berbeda warnanya
7.  Klik Overlay 
Vektor pada TGB
Bandung
8.  Pada Vektor
Parameters Klik
file  Open
Vektor file
9.  Pilih shp batas

administrasi
bandung

10.  Klik Memory

 Coordynat system
Geographic
Lat/lan
 Datum WGS 84
 Klik OK
11.  Klik Classification

 suvervised 
Maximum
Likehood
12.  Klik Bandung

 Klik Mask Options
 Build Mask
13.  Pada Mask

Options, klik
Options  Import
EVF’s

14.  Pilih 1 shp batas

administrsi
bandung
 Klik OK
15.  Klik Bandung 2x

 Klik Layer batas
administrsi shp 
Memory
 Klik OK
16.  Klik Bandung

 Klik OK
17.  Pilih 9 kelas yang

tadi telah di
klasifikasi
 Pilih Memory 
Memory
 Klik OK

18.  Pilih memory 

pilih file
 Klik OK
19.  Berinama file

klasifikasi “ Hasil
klasifikasi
bandung”
 Tunggu hingga
proses selesai
20.  Klik Max Like

 Tambahkan
Display Baru
 Klik Load RGB
21.  Hasil Klasifikasi

22.  Untuk mengetahui

confusion matrix
 Klik Post
Classification 
Confution matrix
 Usig Ground
Truth Rois
23.  Klik Memory yang
telah disimpan tadi
 Klik OK
24.  Klik OK
25.  Klik OK

26.  Hasil Confusion

Matriks
27.  Untuk
menyimpannya
Text to ASCII
28.  Klik Choose
29.  Beri nama “

Consfusion
Matriks”
 Klik OK
 Maka dia akan
berformat txt.

30.  Untuk menyimpan

hasil peta
klasifikasi
file as  Tiff/ Geo
Tiff
31.  Klik Memory 6

 Klik OK
32.  Klik Choose

 Pilih penyimpanan
 Untuk menginport
peta klasifikasi
 Buka ArcGIS
 Input data
Koordinat 1-5 ,
Batas Administrasi
dan tiff

 Klik Batas
Administrasi
 Convert to
Graphic
 Ungrup Batas
Administrasi
 Klik Layers 
Propertise
 Ubah warna
kesepuluh jadi no
color

 Hapus warna
selain ke 9 warna
klasifikasi
BAB IV
HASIL DAN ANALISIS
4.1 Hasil dan Analisis Download Citra Landsat 8
Gambar 4.1 Citra Modis Terra

Analisis dari download citra modis terra, user tidak perlu membuat akun
sebelum mendownloadnya, namun dalam mendowload citra satelit terra ini tidak
dapat di review terlebih dulu.
4.2 Hasil dan Analisis Download Citra MODIS

Gambar 4.2 Citra Landsat 8

Analisis dari download citra landsat 8 yaitu sebelum melakukan download
citra, user harus memiliki akun USGS. Dan dalam mendownload citra kita
mestinya melihat atau me-review terlebih dahulu citra tersebut, untuk menghindari
citra yang berawan.
4.3 Hasil dan Analisis Koreksi Geometrik
Gambar 4.3 Hasil dari 10 Titik Koreksi Geometrik
Dalam koreksi Geometrik semakin sedikit titik biasanya kesalahan masih

dalam toleran (0,2) atau malah 0, sedangkan semakin banyak titik (biasanya >5
titik) biasanya semakin besar kesalahan geometriknya.
Dan untuk mengurangi kesalahan geometrik tersebut zoom citra untuk
komposit citra dan data shp, agar titik GCP tersebut tepat di kedua nya.
4.4 Hasil dan Analisis Koreksi Radiometrik

Gambar 4.4 Hasil Koreksi Radiometrik

Dari proses koreksi radiometrik kami menganalisis :
 koreksi radiometrik merupakan koreksi yang disebabkan oleh interaksi atmosfer,
sehingga citra sebelum dilakukannya koreksi akan berwarna gelap sedangkan citra
yang telah dikoreksi berwarna lebih terang, sehingga memudahkan untuk interpretasi
citra.
 Dalam proses koreksi radiometrik pada praktikum ini menggunakan band (4,3,2) selain
band itu kita juga bisa mengkombinasikan dengan band lain, hanya saja, untuk melihat
perbedaan mungkin akan kurang baik
4.5 Hasil dan Analisis Komposit Citra
Gambar 4.5.a Komposit Citra Natural

Gambar 4.5.b Komposit Citra Vegetasi

Citra Natural dihasilkan dari kombinasi band (4,3,2) dan Citra Vegetasi yang
dihasilkan dari kombinasi band (5,4,3) digunakan untuk analisis vegetasi.
Kombinasi ini digunakan untuk melihat kerapatan, relief ketinggian, dan dominasi
vegetasi.
Gambar 4.5.c Komposit Citra Urban

Komposit Citra Urban yang dihasilkan dari kombinasi band (7,6,4) Berupa
citra populasi padat penduduk / berupa bangunan perkotaan.
Gambar 4.5.d Komposit Citra Aglikulture

Komposit Citra Aglikulture dihasilkan dari kombinasi band (6,5,2) Berupa
citra populasi tanaman panganan, dan kebutuhan lain disektor pertanian.
Gambar 4.5.e Citra Komposit Atmosfer

Komposit Cita Atmosfer dihasilkan dari kombinasi band (7,6,5) Merupakan
citra untuk mengamati persebaran gas-gas atmosfer seperti oksigen, nitrogen dll.

Gambar 4.5.f Citra Komposit Land and Water

Komposit Citra Land and Water dihasilkan dari kombinasi band (5,6,4)
Merupakan Citra untuk mengamati aliran sungai, dan aliran-aliran air lainnya
seperti saluran irigasi.
Komposit Citra dihasilkan dari kombinasi band-band. Yang ditunjukkan untuk
mengkomposit citra setiap satelitnya berbeda-beda, dan untuk mengkomposit
setiap jenisnya kombinasi RGB juga berbeda-beda.
4.6 Hasil dan Analisis Cropping Citra
Gambar 4.6 Hasil Cropping Citra

Dari proses Cropping Citra kami menganalisis :
Citra yang sebelum dilakukannya cropping tampilan citra lebih luas,
sedangkan setelah dilakukannya cropping citra lebih khusus (untuk kota padang)
karena setting zona nya sudah zona kota padang.
Selain itu citra yang dihasilkan setelah dilakukannya proses cropping awan-
awan yang menutupi sedikit hilang, sehingga permukaan bumi terlihat jelas, ini
juga memudahkan untuk interpretasi citra
4.7 Hasil dan Analisis Klasifikasi Terbimbing

Gambar 4.2 Hasil Klasifikasi Supervised

Dari proses klasifikasi terbimbing (Supervised) kami menganalisis :
 Hasil darikalsifikasi terbimbing lebih mudah di interpretasi oleh kita karena kita
yang menentukan warna tingkat kecerahan dari kelas-kelas dari tutupan
lahannya
 Karena kelas-kelas tutupan lahan kita yang menentukan, maka persebaran
warnanyapun sesuai yang ditentukan. Contoh : 5 warna kelas, maka dalam citra
tersebutpun akan ada 5 warna kelas yang diambil dari sampel.
 Klasisikasi terbimbing cocok digunakan untuk mengamati tutupan lahan di
daerah yang pernah disurvey oleh operatotor
4.8 Hasil dan Analisis Klasifikasi Tak Terbimbing
Gambar 4.2 Hasil Kalsifikasi Unsupervised

Dari proses Klasifikasi tak Terbimbing (Unsupervised) kami menganalisis :
 Unsupervised kurang mempresentasikan keadaan dilapangan, karena sistem
penentuan kelas-kelas tutupan lahannya di tentukan oleh komputer bukan oleh
operator
 Kelas-kelas dalam klasisifikasi tak terbimbing lebih banyak di bandingnya
kelas pada klasifikasi terbimbing

 Klasifikasi tak terbimbing ini lebih cocok digunakan untuk mengamati tutupan
lahan yang belum pernah dikunjungi atau disurvey oleh operator.
4.9 Hasil dan Analisis Confussion Matrix
Gambar 4.9 Hasil Confusion Matrix
Dari hasil confusion matriks tingkat akurasi yang didapat sebesar 80 %

BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Praktikum penginderaan jauh I bertujuan untuk membuat peta klasifikasi

tutupan lahan, metode yang digunakan yaitu klasifikasi terbimbing. Dalam
pembuatan diperlukan data-data antara lain : citra wilayah, shp wilayah, dan data-
data pendukung lainnya. Adapun prosesnya meliputi, download citra, koreksi
geometrik (proses memposisikan citra sehingga cocok dengan koordinat peta
dunia yang sesungguhnya), koreksi radiometrik (ditujukan untuk memperbaiki
nilai piksel supaya sesuai dengan yang seharusnya yang biasanya
mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama)
croping citra, dan proses klasifikasi itu sendiri.
Setalah melakukan klasifikasi maka dilakukanlah grund truth yaitu

pengumpulan sampel lapangan untuk dijadikan dasar pemodelan, apakah wilayah
tersebut memang sesuai kelas yang diklasifikasi atau bukan.
5.2 Saran
 Pada saat melakukan ground truth peta kerja harus lebih jelas, lokasi mana
yan terdekat, sehingga dalam melakukan ground truth tidak bolak-balik

DAFTAR PUSTAKA
Danoedoro, Projo. (1996). Pengolahan Citra Digital: Teori dan Aplikasinya Dalam
Bidang Penginderaan Jauh. Yogyakarta. Fakultas Geografi UGM.
Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Dijital. Yogyakarta
Gispedia. (2016). Karakteristik Citra Modis.
http://www.gispedia.com/2016/04/Karakteristik-citra-modis.html. Di akses
Pada Tanggal 13 Maret 2018
Lillesand TM, Kiefer RW. 1997. Penginderaan Jauh dan Interpretasi Citra;
diterjemahkan oleh Dulbahri et al. Yogyakarta (ID): Gadjah Mada University
Press.
R. Bernstein, 1983: Image Geometry and Rectification. In R. N. Colwell (Ed.)
Manual of Remote Sensing, 2e, Chapter 21, Falls Crunch, Va. American
Society of Photogrammetry.
Septiana Egi. (2015). Komposit Band Citra Landsat di ArcGIS.
http://www.info-geospasial.com/2015/07/composite-band-citra-landsat-di-
arcgis.html. Diakses pada Tanggal 1 April 2018.
Septiana, E. 2015. Mengenal Klasifikasi Terbimbing dan Tak Terbimbing.
http://www.info-geospasial.com/2017/02/mengenal-metode-klasifikasi-tidak-
terbimbing-dan-metode-terbimbing-di-envi.html (Dakses 15 April 2018)
Wawan. (2015). Mengenal Komposit Band Pada Landsat 8.
http://www.wawanhn.com/2015/05/mengenal-komposit-band-pada-l
andsat-8.html . Di akses Pada Tanggal 13 Maret 2018.

Laporan AKhir Indraja

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan AKhir Indraja

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan Akhir Praktikum Penginderaan Jauh I

Tanggal Penyerahan : 21 Mei 2018

Dosen : Dr. Dewi Kania Sari, Ir., M.T.

Baharudin Alwi/ 232016113 1

Baharudin Alwi/ 232016113 1

BAB IV HASIL DAN ANALISIS..........................................................................63

Baharudin Alwi/ 232016113 2

1.1 Maksud dan Tujuan Praktikum

Tujuan dari praktikum antara lain :

 Untuk melakukan koreksi geometrik dan radiometric pada citra landsat

1.2 Waktu dan Tempat Pelaksanaan Praktikum

 Waktu : - Praktikum 1 : Jum’at, 9 Maret 2018

Baharudin Alwi/ 232016113 1

2.1 Citra Landsat 8

Sensor pencitra OLI (Operational Land Imager) pada Landsat-8 yang

2.2 Citra MODIS

MODIS (Moderate Resolution Imaging Spectroradiometer) merupakan sensor

Baharudin Alwi/ 232016113 2

Baharudin Alwi/ 232016113 3

1 0,620 - 0,670 250

3 0,459 - 0,479 500

4 0,545 - 0,565 500

7 2,105 - 2,155 500

8 0,405 - 0,420 1000

9 0,438 - 0,448 1000 Warna Laut,

11 0,526 - 0,536 1000

12 0,546 - 0,556 1000

14 0,673 - 0,683 1000 Flouresense

15 0,743 - 0,753 1000

17 0,890 - 0,920 1000

18 0,931 - 0,941 1000 Uap Air, Awan

19 0,915 - 0,965 1000

26 1,360 - 1,390 1000 Awan Sirus

Saluran Radian (Pancaran)

20 3,660 - 3,840 1000

Permukaan dan Awan, Suhu, Api dan

23 4,020 - 4,080 1000

2.3 Koreksi Geometrik

Koreksi geometrik merupakan proses memposisikan citra sehingga cocok

Koreksi radiometrik ditujukan untuk memperbaiki nilai piksel supaya sesuai

Baharudin Alwi/ 232016113 5

(histogram adjustment), metode regresi dan metode kalibrasi bayangan. (Projo

Baharudin Alwi/ 232016113 6

Baharudin Alwi/ 232016113 7

Dasar dari pembuatan komposit citra adalah berdasarkan :

 Tujuan penelitian yaitu keunggulan di setiap saluran. Contoh, apabila dalam

Komposit citra dapat dibagi menjadi 2, yaitu :

 Komposit warna asli yaitu gabungan dari warna merah-hijau-biru. Citra

Baharudin Alwi/ 232016113 8

2.7 Cropping Citra

Pemotongan citra (cropping citra) merupakan cara pengambilan area tertentu

Baharudin Alwi/ 232016113 9

Pada sistem kerja metode terbimbing (Supervised), analis terlebih dahulu

1. Parallelepiped : Kelasifikasi dengan mengunakan aturan keputusan sederhana

2. Minimum Distance : Teknik jarak ninimum menggunakan vektor rata-rata dan

3. Maximum Likehood : Mengasumsikan bahwa statistik untuk setiap kelas di

Baharudin Alwi/ 232016113 10

4. Mahalanobis Distance : Jarak arah pengklasifikasi sensitif yang menggunakan

5. Spectral Angel Mapper : Klasifikasi spectral berbasis fisik yang mengunakan

6. Spektral Informasi Divergence : Metode klasifikasi spektral yang

Baharudin Alwi/ 232016113 11

7. Binary Encoding : Klasifikasi pengkodean biner dengan cara mengkodekan

Gambar 2.2 Cara Kerja Supervised Classification

2.9 Klasifikasi Tak Terbimbing