Anda di halaman 1dari 23

Pertemuan Ke : 11 dan 12 ( Sebelas dan Dua Belas)

Judul Praktikum : 1. Pembuatan Citra Komposit dan Display Citra

2. Pemotongan Citra dan Koreksi Geometrik

3. Unsupervised dan Supervised Classification

Hari / Tanggal : Selasa, 21 November 2017

Selasa, 28 November 2017

Tempat : Laboratorium Survey Ilmu Tanah

Nama : Yosua Erikson Limbong (D1A015038)

I. PRINSIP TEORI

1. Pembuatan Citra Komposit Dan Display Citra

Komposit citra adalah citra baru hasil dari suatu penggabungan 3 saluran yang
mampu menampilkan keunggulan dari saluran-saluran penyusunnya (Sigit, 2011).
Hal ini dilakukan karena keterbatasan mata yang kurang mampu dalam membedakan
gradasi warna dan lebih mudah memahami dengan pemberian warna.

Landsat 8 memiliki kemampuan untuk merekam citra dengan resolusi spasial


yang bervariasi. Variasi resolusi spasial mulai dari 15 – 100 meter serta dilengkapi
oleh 11 saluran (band) dengan resolusi spektral yang bervariasi. Landsat 8 dilengkapi
dua instrumen sensor yaitu OLI dan TIRS. Landsat 8 mampu mengumpulkan 400
scenes citra atau 150 kali lebih banyak dari landsat 7 dalam satu hari perekamannya.

Landsat Data Continuity Mission (LDCM) atau dikenal juga dengan nama
Landsat 8 merupakan satelit generasi terbaru dari Program Landsat. Satelit ini
merupakan project gabungan antara USGS dan NASA beserta NASA Goddard Space
Flight Center dan diluncurkan pada hari Senin, 11 Februari 2013 di Pangkalan
Angkatan Udara Vandeberg, California Amerika Serikat. Satelit Landsat 8 yang
direncanakan mempunyai durasi misi selama 5 – 10 tahun ini, dilengkapi dua sensor
yang merupakan hasil pengembangan dari sensor yang terdapat pada satelit-satelit
pada Program Landsat sebelumnya. Kedua sensor tersebut yaitu Sensor Operational
Land Manager (OLI) yang terdiri dari 9 band serta Sensor Thermal InfraRed Sensors
(TIRS) yang terdiri dari 2 band. Untuk Sensor OLI yang dibuat oleh Ball Aerospace,
terdapat 2 band yang baru terdapat pada satelit Program Landsat yaitu Deep Blue
Coastal/Aerosol Band (0.433 – 0.453 mikrometer) untuk deteksi wilayah pesisir serta
Shortwave-InfraRed Cirrus Band (1.360 –1.390 mikrometer) untuk deteksi awan
cirrus. Sedangkan sisa 7 band lainnya merupakan band yang sebelumnya juga telah
terdapat pada sensor satelit Landsat generasi sebelumnya. Dan untuk lebih detailnya,
berikut ini daftar 9 band yang terdapat pada Sensor OLI.

Tabel 1. 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
Pemetaan batimetri, membedakan
Band 2 – Blue 0,45 – 0,51 30 tanah dari vegetasi dan daun dari
vegetasi konifera
Tekanan puncak vegetasi, yang
Band 3 – Green 0,53 – 0,59 30 berguna untuk menilai kekuatan
tanaman
Band 4 – Red 0,64 – 0,67 30 Mendiskriminasi lereng vegetasi
Band 5 – Near Menekankan kandungan biomassa
0,85 – 0,88 30
InfraRed dan garis pantai
Band 6 – Short Mengungkapkan kadar air tanah
Wavelength 1,57 – 165 30 dan vegetasi; menembus awan
InfraRed tipis
Band 7 – Short
Peningkatan kadar air tanah dan
Wavelength 2,11 – 2,29 30
vegetasi serta penetrasi awan tipis
InfraRed
Band 8 – Mempunyai resolusi 15 meter;
0,50 – 0,68 15
Panchromatic definisi gambar yang lebih tajam
Peningkatan deteksi kontaminasi
Band 9 – Cirrus 1,36 – 1,38 30
awan cirus
Band 10 – Long Mempunyai resolusi 100 meter;
10,60 –
Wavelength 100 pemetaan termal dan perkiraan
11,19
InfraRed kelembapan tanah
Band 11 – Long Mempunyai resolusi 100 meter;
11,50 –
Wavelength 100 peningkatan pemetaan termal dan
12,51
InfraRed perkiraan kelembapan tanah

Dari penjelasan Tabel 1 Karakteristik band Landsat 8, dapat dijelaskan bahwa


kombinasi band Landsat 8 untuk berbagai aplikasi atau penelitian antara lain :

Tabel 2. Penggunaan Kombinasi Band untuk Aplikasi atau Penelitian.

Aplikasi Kombinasi 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 6 54

2. Pemotongan Citra dan Koreksi Geometri

Proses pemotongan citra dilakukan dengan cara penentuan lintang dan bujur.
Hal ini sesuai dengan batas wilayah studi dan dibatasi oleh batas adminitrasi
masing-masing daerah. Pemotongan citra dilakukan agar lebih mudah dalam
pembatasan daerah dan menjadi lebih detail.
Pemotongan citra diperlukan karena terkadang luas wilayah kajian jauh lebih
bila dibandingkan dengan luas scene citra. Pemotongan citra memerlukan batas
polygon wilayah kajian. Akibat pemotongan adalah ukuran citra menjadi lebih kecil
sehingga tidak boros ruang penyimpanan hard disk komputer. Dengan ukuran yang
lebih kecil akan mempermudah dan mempercepat dalam pemrosesan data.

Data asli hasil rekaman sensor pada satelit maupun pesawat terbang
merupakan representasi dari bentuk permukaan bumi yang tidak beraturan.meskipun
kelihatannya merupakan daerah yang datar, tetapi area yang direkam sesungguhnya
mengandung kesalahan (distorsi) yang diakibatkan oleh pengaruh kelengkungan
bumi dan atau oleh sensor itu sendiri.

Koreksi geometrik atau rektifikasi adalah suatu proses melakukan


transformasi data dari satu sistem grid menggunakan suatu transformasi geometrik.
Oleh karena posisi piksel pada citra output tidak sama dengan posisi piksel input
(aslinya), maka piksel-piksel yang digunakan untuk mengisi citra yang baru harus
di-resampling kembali. Resampling adalah suatu proses melakukan ekstrapolasi nilai
data untuk piksel-piksel pada sistem grid yang baru dari nilai piksel citra aslinya.

Tahapan-tahapan yang dilakukan dalam koreksi geometrik diantaranya, yaitu


penentuan titik-titik control tanah (Ground Control Point (GCP)), penentuan sistem
referensi koordinat, datum, dan jenis transformasi, serta penentuan proses rektifikasi.
Ada beberapa alasan mengapa perlu melakukan rektifikasi, diantaranya yaitu untuk
membandingkan dua citra atau lebih untuk lokasi tertentu, membangun SIG dan
melakukan pemodelan spasial, meletakkan lokasi-lokasi pengambilan “training area”
sebelum melakukan klasifikasi, membuat peta dengan skala yang teliti, melakukan
overlay (tumpang susun) citra dengan data-data spasial lainnya, membandingkan
citra dengan data spasial lainnya yang memiliki skala yang berbeda, membuat
mozaik citra, serta melakukan analisis yang memerlukan lokasi geografis dengan
presisi yang tepat. Suatu gambar yang dihasilkan dari pengamatan penginderaan jauh
belum tentu menunjukkan suatu areal yang sama dengan keadaan sebenarnya di
lapangan. Misalnya: hasil citra menunjukkan areal tersebut adalah badan
air, akan tetapi di lapangan belum tentu area tersebut adalah badan air. Untuk itu,
perlu adanya suatu pengelompokkan tutupan lahan pada citra yang dihasilkan.
Pengelompokkan ini disebut dengan klasifikasi.

3. Unsupervised dan Supervised Classification

Suatu gambar yang dihasilkan dari pengamatan penginderaan jauh belum


tentu menunjukkan suatu areal yang sama dengan keadaan sebenarnya di lapangan.
Misalnya: hasil citra menunjukkan areal tersebut adalah badan air, akan tetapi di
lapangan belum tentu area tersebut adalah badan air. Untuk itu, perlu adanya suatu
pengelompokkan tutupan lahan pada citra yang dihasilkan. Pengelompokkan ini
disebut dengan klasifikasi. Berdasarkan teknik dari pendekatan klasifikasi secara
kuantitatif terbagi atas dua, yaitu: klasifikasi tidak terbimbing (unsepervised
classification) dan klasifikasi terbimbing (supervised classification).

Klasifikasi tak terbimbing (unsupervised classification) menggunakan


algoritma untuk mengkaji atau menganalisis sejumlah besar piksel yang tidak dikenal
dan membaginya dalam sejumlah kelas berdasarkan pengelompokkan nilai digital
citra. Kelas yg dihasilkan adalah kelas spectral. Pengelompokkan kelas didasarkan
pada nilai natural spektral citra. Klasifikasi tak terbimbing (unsupervised
classification) dilakukan dengan pengelompokkan objek menurut sifat spectral
naturalnya yang sama sehingga dapat dikelompokkan ke dalam katagori tertentu.
Tahapan ini disebut analisis kelompok (cluster analysis).

Klasifikasi terbimbing (supervised classification) merupakan proses klasifikasi


dengan pemilihan katagori informasi yang diinginkan dan memilih training area
untuk tiap katagori penutup lahan yang mewakili sebagai kunci interpretasi. Pada
klasifikasi ini interpreter membimbing proses pengelompokkan pixel dengan
pemberian deskripsi numerik dari tipe-tipe kenampakan penutupan lahan yang ada
pada citra. Secara teknis, lokasi contoh representatif dari tipe penutup lahan yang
diketahui (training area) digunakan untuk mengkompilasi kunci interpretasi numerik
yang mendeskripsikan atribut spektral untuk setiap tipe kenampakan yang dipilih.
II. TUJUAN PRAKTIKUM

Tujuan dari praktikum ini adalah :

1. Untuk mengetahui cara pembuatan citra komposit dan display citra serta
fungsinya.
2. Untuk mengetahui cara pemotongan citra dan koreksi geometri serta fungsinya.
3. Untuk mengetahui proses klasifikasi tidak terbimbing (unsupervised
classification) dan klasifikasi terbimbing (supervised classification) pada data
raster serta perbedaan klasifikasi tidak terbimbing (unsupervised classification)
dan klasifikasi terbimbing (supervised classification).

III. METODE PELAKSANAAN PRAKTIKUM

a. Alat dan Bahan

1. Pembuatan citra komposit dan display citra


Alat : Komputer dengan software pengolahan data penginderaan jauh dan
alat tulis
Bahan : Citra Landsat-8

2. Pemotongan citra dan koreksi geometri


Alat : Komputer dengan software pengolahan data penginderaan jauh dan
alat tulis
Bahan : Citra Landsat-8

3. Unsupervised classification dan Supervised classification


Alat : Komputer dengan software pengolahan data penginderaan jauh dan
alat tulis
Bahan : Citra Landsat-8

b. Prosedur Kerja

1. Pembuatan citra komposit dan display citra


1. Buka folder tempat penyimpanan citra Landsat 8. Landsat 8 terdiri dari
10 saluran multispectral (10 band) dengan resolusi spasial 30 m, satu
saluran panchromatic (band 8) dengan resolusi spasial 15 meter dan 2
saluran termal (band 10 dan band 11) dengan resolusi 100 meter. Format
citra pada umumnya adalah geotiff yang dapat dibaca oleh kebanyakan
software GIS dan pengolahan citra. Tujuan dari sesi ini adalah membuat
dan menyatukan 8 saluran multispectral.
2. Buka ArcMap melalui menu Start lalu pilih All Programs klik ArcGIS
dan pilih ArcMap.
3. Klik tombol add data untuk menampilkan data citra di folder
penyimpanan. Tampilkan data Landsat 8 saluran (band) 1, 2, 3, 4, 5, 6, 7
dan 9. Jika muncul jendela “ apakah akan membuat pyramid layer atau
tidak, klik yes, karena pyramid layer akan membuat citra dapat
ditampilkan dengan lebih bagus.
4. Setelah citra ditampilkan pada data view, Nampak bawa tampilan citra
adalah gradasi keabuan dari warna hitam-putih. Selanjutnya klik menu
ArcToolBox
5. Untuk menyatukan file-file band citra Landsat 8 yang masih terpisah

menjadi 1 dataset utuh, pada menu ArcToolBox klik menu Data


Management Tools klik Raster plih Raster Processing kemudian klik
Composite Bands. Kemudian klik 2 kali pada menu Composite Bands
hingga muncul jendela Composite Bands.
6. Tambahkan seluruh file saluran Landsat 8 ke dalam menu dropdown
input, urutkan dari band 1 yang paling atas sampai band 7 yang paling
bawah. Pada kolom output raster, simpan output di folder yang sama
dengan nama “Composite_Landsat.tif”, kemudian klik OK. Tunggu
hingga proses selesai.
7. Tampilkan citra hasil proses pada Data View ArcMap dengan hasil citra
berwarna.
8. Anda dapat mencoba berbagai macam variasi kombinasi komposit warna
citra landsat 8 dengan cara klik kanan nama file di “Table of Contents” ,
lalu pilih tab symbology.
9. Untuk mengganti komponen band pada kolom RGB, klik menu
dropdown dan pilih band yang anda kehendaki. Kombinasi band 432
akan menampilkan citra dengan warna seperti warna yang muncul ketika
kita memandang obyek (warna asli), oleh karena itu sering disebut
komposit warna alami. Pada Stretch Type, pilih “Standard Deviations
atau Percent Clip”.
10. Mencari literatur kombinasi band pada citra landsat 8 dan jelaskan apa
aplikasi/kegunaannya! (minimal 10 kombinasi Band RGB)

2. Pemotongan citra dan koreksi geometri


1. Tampilkan citra yang telah dikomposit dari pertemuan sebelumnya
2. Tampilkan data vector batas administrasi KabupatenBungo.shp.
Kabupaten Bungo merupakan wilayah kajian praktikum.
3. Citra hasil composite masih menggunakan Sistem Proyeksi UTM Zone
47N (North). Posisi Kabupaten Bungo berada pada bagian selatan
khatulistiwa, sehingga citra hasil composite ini harus di konversi dulu
menjadi Sistem Proyeksi UTM Zone 47S (South). Pada ArcToolbox,
klik Data Management Tools pilih Projections and Transformations klik
Raster kemudian pilih Project Raster. Selanjutnya akan keluar jendela
Project Raster.
Pada Input Raster, isi file citra yang telah dikomposite.
Pada Output Raster Dataset, isinama file baru
Pada Output Coordinate System, pilih Projected Coordinate Systems
klik UTM Hemisphere pilih WGS 1984 UTM Zone 47S kemudian
Klik OK. Tunggu hingga proses selesai.
4. Remove file composite landsat yang masih dalam Sistem Proyeksi UTM
Zone 47N dengan mengklik kanan nama file lalu pilih Remove.
5. Aktifkan Ekstensi Spatial Analyst dengan mengklik menu Customize
pilih Toolbars dan beri centang pada Spatial Analyst.
6. Klik menu Customize kemudian pilih Extensions dan beri centang pada
Spatial Analyst.
7. Potong citra satelit “Composite-Landsat_47S.tif” dengan shapefile
Kabupaten_Bungo_47, dengan cara:
Pada ArcToolbox klik Spatial Analyst Tools pilih Extraction lalu
klik Extract by Mask. Selanjutnya akan muncul jendela “Extract by
Mask”.

8. Pada jendela “Extract by Mask“ isi:


Input raster = Composite_Landsat_47s.tif
Input raster or feature mask data = Kabupaten_Bungo_47S
(shapefile pemotong)
Output raster = Citra_Kabupaten_Bungo.tif
(nama file barudan folder penyimpanan)

3. Unsupervised classification dan Supervised classification


Unsupervised classification :

1. Pastikan ekstensi Spatial Analyst anda aktif dengan cara : klik Customize
pada Menubar pilih Extensions. Beri tanda centang √ Spatial Analyst.
2. Tampilkan citra yang telah dipotong sesuai dengan Batas Administrasi
Kabupaten Bungo.

3. Pada ArcToolbox klik Spatial Analyst Tools lalu pilih Multivariate


dan klik Iso Cluster Unsupervised Classification
Pada Input Raster Band : isi nama file Citra yang akan diklasifikasi
Pada Number of Classes : isi jumlah kelas tutupan lahan yang diinginkan,
misalnya 20.
Pada output claasified cluster : beri nama baru file hasil kaslifikasi
nantinya.
4. Kemudian klik OK, proses ini sangat lama tergantung kecepatan prosesor
laptop dan jumlah kelas yang anda masukkan, tunggu hingga proses
selesai. Setelah selesai, tampilkan citra hasil klasifikasi tak terbimbing
pada Table of Content.
5. Cermati baik-baik kelas tutupan lahan yang telah anda klasifikasi.
Bandingkan dengan citra yang belum diklasifikasi. Duga tutupan lahan
tiap kelas (Kelas 1 hingga kelas 20). Catat pada lembar catatan anda.
6. Untuk menambah keterangan dengan memberikan kelas tutupan lahan
yang sama di file anda dapat dilakukan dengan cara, pada file hasil
klasifikasi anda, klik kanan pilih Open Attibute Table
7. Selanjutnya, klik pada Table Options lalu klik Add Field
Pada Name : isi “Keterangan”
Pada Type : pilih “ Text”
Pada Field Properties : isi “30” digit
8. Selanjutnya klik OK, dan field baru akan ditampilkan pada Attribute
Table. Untuk menambahkan nama kelas tutupan lahan pada data anda
dapat dikukan dengan meng-klik Menu Editor --> Start Editing. Isi nama
kelas tutupan lahan yang sudah anda deteksi. Apabila telah selesai, klik
Menu Editor pilih Save Edit lalu Ok/Yes.
9. Kemudian Klik Menu Editor dan pilih Stop Edits.
10. Untuk menampilkan data dengan simbol warna yang sama dapat
dilakukan dengan menu Symbology. Symbology pada feature dapat
dilakukan dengan cara klik kanan pada nama file anda klik Properties
masuk ke Tab Symbology klik Unique Value pilih Add All Value lalu
OK.

Supervised classification :

1. Pastikan ekstensi Spatial Analyst anda aktif dengan cara : klik Customize
pada Menubar klik Extensions. Beri tanda centang √ Spatial Analyst.
2. Selanjutnya, pastikan juga menu Image Classification dan Spatial
Analyst anda aktif dengan mengklik Customize pada Menubar klik
Toolbars lalu beri tanda centang √ pada Image Classification dan beri
tanda centang √ pada Spatial Analyst. Menu Image Classification akan
ditampilkan seperti gambar dibawah ini:

3. Tampilkan citra yang telah dipotong sesuai dengan Batas Administrasi


Kabupaten Bungo.
4. Klik icon Training Sample Manager
5. Untuk membuat training area, dapat dilakukan dengan meng-klik icon
Draw Poligon pada Menu Image Classification. Training area yang
dimaksud adalah mengambil sampel pada daerah di citra yang sekiranya
sudah diketahui jenis tutupan lahannya. Hal ini harus dilakukan sebanyak
mungkin dari kelas tutupan lahan yang diketahui, misalnya : Kelas tubuh
air, kelas vegetasi jarang kelas hutan (vegetasi rapat), kelas tanah
terbuka, kelas awan dan kelas bayangan awan. Arahkan icon Draw
Poligon.pada citra dan mulailah membuat training sampel dengan meng-
klik icon Draw Poligon.
6. Lakukan sebanyak mungkin training area (minimal 2 sampel tiap objek)
dan harus dilakukan pada masing-masing objek yang akan dideteksi.
7. Untuk mengganti nama “Class Name” sesuai dengan training sampel,
dapat dilakukan dengan double-klik nama “Class 1” lalu ganti sesuai
nama kelas tutupan lahan.
8. Untuk menggabungkan Training Sample yang sama, dapat dilakukan
dengan mem-blok training area yang sama dan meng-klik icon Merge
Training Samples.
9. Simpan Training sample anda dengan meng-klik icon agar menjadi
sebuah shapefile.
10. Selanjutnya, buat file signature hasil training sampel tersebut yang akan
digunakan dalam mengklasifikasikan citra anda, dengan meng-klik icon
Create a signature file. Tentukan folder penyimpanan dan nama file
signature anda.
11. Tahap selanjutnya adalah melakukan klasifikasi citra yang dimulai
dengan meng-klik Classification pada Image Classification. Ada banyak
pilihan metode klasifikasi terbimbing, pilih saja Maximum Likelihood
Classification.
12. Selanjutnya akan muncul jendela
13. Isikan pada : Input Raster bands yaitu file citra yang akan diklasifikasi,
misal : “Citra_Bungo47S.tif”
14. Input Signature file : nama file signature yang anda simpan sebelumnya,
misal : “citra_bungo47s.gsg”.
15. Output Classified raster : beri nama baru dan tentukan folder
penyimpanan, misal : “Supervised_Bungo.img”
16. Kemudian klik OK, dan tunggu proses hingga selesai.
17. Hasil klasifikasi terbimbing akan ditampilkan pada Data View anda. Atur
warna kelas tutupan lahan sesuai dengan semestinya.

IV. HASIL DAN PEMBAHASAN

1. Pembuatan citra komposit dan display citra

Pada lansat 8 yang merupakan citra multispektral adalah salah satu jenis citra
penginderaan jauh yang menyajikan gambaran permukaan bumi secara sinoptik
melalui dua atau lebih saluran spektral (band) yang direkam secara bersamaan. Citra
multispektral mempunyai banyak kelebihan. Salah satu diantaranya adalah saluran-
salurannya dapat disusun menjadi citra warna 3 saluran (RGB), sehingga sangat
bermanfaat untuk aplikasi yang mengandalkan pada teknik interpretasi visual seperti
aplikasi geologi dan geomorfologi.

Berikut adalah kombinasi band :

Tabel Kombinasi Band pada Landsat 8

Aplikasi Kombinasi 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
1. Natural Color – 4 3 2
Komposit band 4 3 2 dengan warna masing-
masing tiap band merah, hijau dan biru
menghasilkan spektrum tampak dengan panjang
gelombang 0.450-0.680 μm. Misalnya warna hijau
gelap menandakan daerah yang vegetasinya rapat
dan warna yang lebih terang misalnya coklat
menandakan lahan terbuka.

2. False Color (urban) – 7 6 4


Pada komposit 7 6 4 Kombinasi ini
digunakan untuk memperjelas citra dari awan.
Perbedaan antara daratan seperti lahan terbuka dan
vegetasi sangat kontras sehingga dapat dilakukan
analisis guna lahan. Pada gambar disamping untuk
daerah yang vegetasinya lebat akan berwarna
hijau gelap.

3. Color Infrared (vegetation) – 5 4 3


Komposit band 5 4 3 digunakan untuk
melihat masa, kerapatan, dan dominasi vegetasi.
Kontras antara dominasi vegetasi akan terlihat
jelas didalam infrared, sehingga efektif untuk
menganalisis vegetasi hutan atau pertanian dalam
skala besar. Vegertasi yang rapat, biasanya lebih
pekat warna merahnya.
4. Agriculture – 6 5 2
Kombinasi band 6 5 2 digunakan untuk
menghasilkan citra dengan perbedaan tumbuh-
tumbuhan yang jelas ditunjukkan dengan warna
kehijauan. Dengan kombinasi ini terlihat jelas
biomass (kerapatan vegetasi), garis pantai, dan
kelerengan tempat vegetasi hidup. Contohnya
untuk vegetasi hutan, warna hijaunya lebih
pekat dibandingkan dengan vegetasi lain seperti
hanya perkebunan kopi, holtikultura atau sawah.

5. Atmospheric Penetration – 7 6 5
Kombinasi band 7 6 5 digunakan untuk
memperjelas ketebalan awan, memperjelas
garis pantai, dan tutupan vegetasi. Kombinasi
ini dapat memperjelas citra dari gangguan
cuaca. Komposite 7 6 5 seperti pada gambar
disamping terlihat jelas obyek awannya, yaitu
berwarna putih. Awan yang tipis pun dapat
terlihat pada kombinasi band 7 6 5 ini.

6. Healthy Vegetation – 5 6 2
Kombinasi band 5 6 2 berguna untuk
menghasilkan citra yang menampakkan
tumbuhan yang sehat. Komposit band 5 6 2
dengan spektrum masing-masing inframerah
dekat, inframerah gelombang pendek dan
hijau menghasilkan citra dengan spektrum
inframerah modifikasi dengan panjang
gelombang antara 0.525-0.600 μm dan
0.845-1.660 μm
7. Land/Water – 5 6 4
Kombinasi band 5 6 4 digunakan
untuk menghasilkan citra dengan
perbedaan yang jelas pada air dan daratan.
Dapat digunakan untuk mengalisa Daerah
Aliran Sungai dan daerah sepanjang garis
pantai (coastal line). Pada kombinasi ini
terlihat jelas bahwa pada perairan
berwarna biru tua dan pada daratan akan
berwarna coklat kehijauan.

8. Natural With Atmospheric Removal – 7 5 3


Kombinasi band 7 5 3 ini digunakan
untuk menghasilkan citra dengan warna
natural dan mengurangi kenampakan awan.
Kombinasi ini akan membuat citra lebih
jernih dari pengaruh-pengaruh gangguan
cuaca. Pada kombinasi ini lebih berfokus ke
tekanan puncak vegetasi yang berguna
untuk menilai lebat atau tidaknya vegetasi.

9. Shortwave Infrared – 7 5 4
Kombinasi band 7 5 4 digunakan
untuk mendapatkan citra dengan kontras
yang jelas dan citra yang lebih bersih dari
tutupan awan. Sekilas penampakan
kombinasi 7 5 4 sama dengan penampakan
kombinasi 7 4 3, tetapi ada perbedaan di
band terakhir yaitu 4 yang dapat
mendeteksi dan mendiskriminasi lereng
vegetasi. Jadi pada vegetasi yang berada
dilereng dapat diketahui dengan jelas pada kombinasi ini.
10. Vegetation Analysis – 6 5 4
Kombinasi ini digunakan untuk
menganalisa tumbuh-tumbuhan. Kombinasi 6
5 4 dikhususkan untuk analisis vegetasi,
sehingga sangat berguna untuk bidang
kehutana dan pertanian. Analisis yang bisa
dilakukan adalah analisis kerapatan, dominasi
vegetasi, luas tutupan lahan, sehingga sangat
bermanfaat bagi analisis inventarisasi SDA
hutan.

2. Pemotongan citra dan koreksi geometri

Hasil dari pemotongan citra dan koreksi geometri

Citra sebelum dipotong

Setelah dilakukan pemotongan Muaro Bungo


Pada praktikum yang telah kita laksanakan didapatkan hasil pemotongan citra
dan koreksi geometrik. Pada pemotongan citra proses yang dilakukan pertama adalah
memotong landsat dengan polygon shp Kabupaten Muaro Bungo. Kemudian
melakukan penentuan lintang bujur dengan batas wilayah yang dibatasi oleh batas
administrasi masing-masing wilayah. Landsat mempunyai Sistem Proyeksi UTM
Zone 47N (North). Sedangkan Kabupaten Bungo berada pada bagian selatan
khatulistiwa, sehingga citra hasil composite ini harus kita konversi dulu menjadi
Sistem Proyeksi UTM Zone 47S (South).
Pemotongan citra ini dilakukan untuk memperkecil ukuran file dari citra
sehingga pemrosesan data menjadi lebih akurat dan cepat, sesuai dengan kebutuhan
data citra yang akan kita analisa. Proses pemotongan citra dapat kita lakukan dengan
dua cara, yaitu memotong bentuk persegi dan penentuan lintang bujur dengan batas
wilayah studi yang dibatasi oleh batas administrasi masing-masing wilayah
(menggunakan region sesuai dengan batas vektor yang diinginkan).
Koreksi geometrik atau rektifikasi merupakan suatu tahapan dimana data citra
dapat diproyeksikan sesuai dengan sistem koordinat yang kita gunakan seperti yang
ada pada peta. Koreksi geometrik sesungguhnya melibatkan proses georeferensi
karena semua sistem proyeksi sangat terkait dengan koordinat peta. Untuk menguji
apakah suatu hasil koreksi geomterik telah mempunyai koordinat yang benar. Maka,
kita harus mengoreksi geometriknya dengan menggunakan acuan titik kontrol yang
dikenal dengan Ground Control Point (GCP). Titik kontrol yang kita tentukan
merupakan titik-titik dari obyek yang sifatnya permanen dan dapat diidentifikasi di
atas citra dan peta dasar atau rujukan. GCP dapat berupa persilangan jalan,
percabangan sungai, persilangan antara jalan dengan sungai (jembatan) atau objek
lainnya. Koreksi geometrik dilakukan agar informasi yang terdapat dalam data citra
dapat dengan jelas dibaca dan diinterpretasikan. Keakuratan citra hasil geometrik
dapat diterima apabila penyimpangan posisi tidak melebihi satu piksel.
3. Unsupervised classification dan Supervised classification
 Unsupervised classification

Hasil dari Unsupervised classification

Sebelum dilakukan klasifikasi Setelah dilakukan klasifikasi

Klasifikasi tak terbimbing (unsupervised classification) adalah algoritma untuk


mengkaji atau menganalisis sejumlah besar piksel yang tidak kita kenal dan
membaginya dalam sejumlah kelas berdasarkan pengelompokkan nilai-nilai digital
citra. Kelas yang akan dihasilkan adalah kelas spectral. Pengelompokkan kelas-kelas
berdasarkan pada nilai natural spektral citra. Klasifikasi tak terbimbing
(unsupervised classification) dilakukan dengan mengelompokkan objek menurut sifat
spectral naturalnya yang sama sehingga dapat dikelompokkan ke dalam suatu
katagori tertentu dan ini disebut analisis kelompok (cluster analysis).
Pada klasifikasi tidak terbimbing (Unsupervised Classification) kita dapat
memberikan jumlah kelas tutupan lahan yang akan di klasifikasi. Pada praktikum
kali ini, dimasukkan jumlah kelas tutupan yang akan diklasifikasi sebanyak 20 kelas.
Setelah berubah warna citra menjadi 20 kelas kemudian kita lakukan klasifikasi
berdasarkan warna. Pada kelas tutupan lahan ada sebanyak 8 yaitu kelas Awan (awan
tebal dan awan tipis), kelas Bayangan Awan, kelas Vegetasi Rapat, kelas Vegetasi
Sedang, kelas Vegetasi Jarang, kelas Lahan Terbuka, kelas Tubuh Air (Sungai), dan
kelas Rawa.

Klasifikasi tidak terbimbing ini lumayan sulit kita lakukan karena persamaan
spectral warna di citra asli yang menyebabkan 20 kelas klasifikasi ini berbeda
didalam memberikan keterangan warna. Misalnya pada lahan terbuka dan
permukiman pada keadaan asli atau komposit 6 5 4 mempunyai warna yang jelas
berbeda yaitu permukiman umumnya berwarna terang atau putih sedangkan lahan
terbuka berwarna coklat, namun ada lahan terbuka yang mempunyai warna terang
atau putih sehingga pada 20 klasifikasi yang dihasilkan ada warna yang seharusnya
di permukiman, namun terdapat juga di lahan terbuka.

 Supervised classification
Hasil dari supervised clasisfication

Sebelum dilakukan klasifikasi Dilakukan training area


Setelah dilakukan klasifikasi

Klasifikasi terbimbing (unsupervised classification) pertama yang kita


lakukan adalah membuat training area, lakukan dengan meng-klik icon Draw Poligon
pada Menu Image Classification. Training area adalah mengambil sampel pada
daerah citra yang telah diketahui jenis tutupan lahannya. Hal ini dilakukan sebanyak
mungkin dari kelas tutupan lahan yang kita ketahui. Pada praktikum ini ada 6 kelas
tutupan lahan yang diketahui yaitu kelas tubuh air, kelas vegetasi jarang, kelas
vegetasi rapat, kelas tanah terbuka, kelas awan dan kelas bayangan awan.

Berdasarkan kemudahan dalam melihat tutupan lahan, pada klasifikasi


terbimbing (supervised classification) yang paling mudah daripada klasifikasi tidak
terbimbing (unsupervised classification). Karena klasifikasi terbimbing (supervised
classification) hanya menampakkan kelas tutupan lahan secara umum, seperti
vegetasi, tubuh air, dll. Dan klasifikasi terbimbing (supervised classification) dalam
pengenalan polanya merupakan proses otomatik dengan bantuan komputer,
sedangkan klasifikasi tidak terbimbing (unsupervised classification) kebalikan dari
klasifikasi terbimbing (supervised classification). Tetapi jika dilihat dari spesifik data
dalam pengklasifikasian, klasifikasi tidak terbimbing (unsupervised classification)
yang lebih spesifik daripada klasfikasi terbimbing (supervised classification). Karena
klasifikasi tidak terbimbing (unsupervised classification) tidak hanya menampakkan
kelas tutupan lahan secara umum, tetapi menampakkan kelas tutupan lahan secara
detail, seperti rawa yang hanya sedikit tapi dapat ditampakkan, sedangkan klasifikasi
terbimbing (supervised classification) hanya menampakkan kelas tutupan lahan
secara umum.

BAB V

PENUTUP

1. Pembuatan citra komposit dan display citra

Pada pembuatan komposit citra ada 10 komposit band pada landsat 8 yaitu
pada tabel berikut :

Aplikasi Kombinasi 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

2. Pemotongan citra dan koreksi geometri

Pemotongan citra dengan shp Kabupaten Muaro Bungo dilakukan supaya


lebih mudah dalam pembatasan daerah dan membuat menjadi lebih detail.
Pemotongan citra memerlukan batas polygon wilayah kajian. Akibat dari
pemotongan citra adalah ukuran citra menjadi lebih kecil sehingga tidak memakan
ruang penyimpanan yang besar. Dengan ukuran yang lebih kecil akan mempermudah
dan mempercepat dalam pemrosesan data.

3. Unsupervised classification dan Supervised classification

Pada klasifikasi tidak terbimbing (unsupervised classification) dan klasifikasi


terbimbing (supervised classification) memiliki perbedaan pada kelas tutupan lahan
yang dihasilkan. Klasifikasi tidak terbimbing (unsupervised classification) terdapat
kelas tutupan lahan sebanyak 8 kelas yaitu kelas Awan, kelas Bayangan Awan, kelas
Vegetasi Rapat, kelas Vegetasi Sedang, kelas Vegetasi Jarang, kelas Lahan Terbuka,
kelas Tubuh Air, dan kelas Rawa. Sedangkan pada klasifikasi terbimbing terdapat
kelas tutupan lahan sebanyak 6 kelas yaitu kelas Awan, kelas Bayangan Awan, kelas
Vegetasi Rapat, kelas Vegetasi Jarang, kelas Lahan Terbuka, dan kelas Tubuh Air.

DAFTAR PUSTAKA

Anonim, 2005. Modul Praktikum Interpretasi Citra Untuk Penggunaan Lahan Dan
Vegetasi. Yogyakarta: Program Diploma PJ dan SIG

Anonim, 2010. Panduan Aplikasi Penginderaan Jauh Tingkat Dasar. Makassar:


Fakultas Kehutanan, Universitas Hasanuddin

Dewi, Anita. 2012. Laporan Koreksi Geometrik.


http://anisznita.blogspot.co.id/2012/04/laporan-koreksi-geometrik.html
[diakses pada tanggal 11 Desember 2016]

http://blogs.esri.com/esri/arcgis/2013/07/24/band-combinations-for-landsat-8/

https://www.academia.edu/30414558/Laporan_Inderaja_Citra_
https://chaderinsaputra.wordpress.com/2012/06/05/laporan-penginderaan-jauh/

http//:Klasifikasi%20Tak%20Terbimbing/Penginderaan%20Jauh%20dan%20Interpr
etasi%20Citra%20%20%20anitasilvianadewi.html

http://met038.files.wordpress.com/2008/09/interpretasi-citra-dan-foto-udara.pdf.

http://nurnatasyarasyid.blogspot.co.id/2014/06/laporan-praktikum-penginderaan-
jauh.html

https://irfaniadiah.wordpress.com/2013/04/25/kombinasi-band-dalam-citra-landsat-
dan-kegunaannya/

https://tnrawku.wordpress.com/2013/09/24/komposit-band-citra-landsat-8-dengan-
arcgis-10/
https://nafiabiyyu.blogspot.co.id/2016/09/komposit-band-citra-landsat-8.html
https://www.scribd.com/doc/290011654/Laporan-Penginderaan-Jauh-Kombinasi-
Band-Citra-Landsat-8
http://www.info-geospasial.com/2015/07/composite-band-citra-landsat-di-
arcgis.html
http://www.info-geospasial.com/2015/07/kombinasi-band-citra-landsat-8.html
http://www.wawanhn.com/2015/05/mengenal-komposit-band-pada-landsat-8.html
http://vebyrahmadara.blogspot.co.id/2015/02/laporan-praktikum-interpretasi-
citra.htmhttp://nuningk.blogspot.co.id/2016/12/laporan-praktikum-1.htmll