LAPORAN PRAKTIKUM PENGINDRAAN JAUH

KLASIFIKASI TIDAK TERSELIA DENGAN MENGGUNAKAN APLIKASI ENVI 5.1

OLEH

YAASMIIN PRATITA APSARI

03311540000104

PENGINDRAAN JAUH

KELAS B

DOSEN PENGAMPU

LALU MUHAMMAD JAELANI ST, M.Sc, Ph.D

DOSEN ASISTENSI

CHERIE BEKTI PRIBADI, ST, MT.

DEPARTEMEN TEKNIK GEOMATIKA

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

2017

1
 KATA PENGANTAR

Dengan memanjatkan puji syukur kehadirat Tuhan Yang Maha Esa, atas segala
limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas mengenai
Laporan Praktikum Mata Kuliah Penginderaan Jauh ini dengan baik. Diharapkan dengan
disusunnya tugas ini dapat memberikan informasi yang bermanfaat baik bagi penulis maupun
kepada pembaca.

Tugas ini disusun sebagai penunjang untuk menambah wawasan ilmu pengetahuan
kepada para pembaca, dari materi yang di sampaikan dalam makalah ini yaitu mengenai
klasifikasi tidak terselia pada citra landsat melalui aplikasi ENVI 5.1.

Dalam menyelesaikan laporan ini, kami mendapat banyak bimbingan dan bantuan
dari berbagai pihak. Oleh karena itu, kami mengucapkan terima kasih kepada:

1. Lalu Muhammad Jaelani ST., MSc., PhD selaku Dosen Pengampu mata kuliah
Penginderaan Jauh.

2. Cherie Bekti Pribadi, ST, MT. selaku Dosen Responsi mata kuliah Penginderaan
Jauh.

3. Serta semua pihak yang ikut berperan dan membantu sehingga laporan ini dapat
tercapai dan terlaksana.

Penulis memohon maaf jika dalam laporan ini masih banyak terdapat kekurangan,
maka dari itu penulis mengharapkan agar pembaca dapat memberikan saran serta kritik untuk
perbaikan bagi pelaksanaan praktikum sebelumnya.

Semoga Laporan Praktikum Penginderaan Jauh ini memberikan informasi yang

berguna bagi pembaca serta bermanfaat untuk pengembangan wawasan dan peningkatan ilmu
pengetahuan bagi kita semua.

Penulis

Surabaya, 07 Desember 2017

2
 DAFTAR ISI
BAB I PENDAHULUAN .......................................................................................................... 4
1.1 Latar Belakang ................................................................................................................. 4
1.2 Maksud danTujuan........................................................................................................... 5
BAB II TINJAUAN PUSTAKA ............................................................................................... 6
2.1 Klasifikasi Tidak Terselia ................................................................................................ 6
2.2 Jenis Klasifikasi Tidak Terselia ....................................................................................... 8
BAB III METODOLOGI ........................................................................................................... 9
3.1 Alat Bahan ....................................................................................................................... 9
3.2 Tempat dan Waktu Praktikum ....................................................................................... 11
3.3 Petunjuk Praktikum........................................................................................................ 11
3.3.1 Proses Klasifikasi Tidak Terselia menggunakan metode K-Means ....................... 11
3.3.2 Proses Klasifikasi Tidak Terselia menggunakan metode ISO Data ....................... 14
3.3.3 Proses Pemotongan Sesuai batas Kabupaten / Kota ............................................... 17
BAB IV ANALISA HASIL ..................................................................................................... 19
4.1 Proses Klasifikasi Tidak Terselia menggunakan metode K-Means .......................... 19
4.2 Proses Klasifikasi Tidak Terselia menggunakan metode ISO Data .......................... 20
4.3 Proses Pemotongan Sesuai batas Kabupaten / Kota .................................................. 20
4.3 Peta Klasifikasi .......................................................................................................... 21
BAB V PENUTUP .................................................................................................................. 23
5.1 Kesimpulan .................................................................................................................... 23
5.2 Saran .............................................................................................................................. 23
DAFTAR PUSTAKA .............................................................................................................. 24

3
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Penginderaan jauh adalah pengumpulan informasi tentang suatu objek atau daerah
dari kejauhan, biasanya menggunakan data yang diambil dari satelit, pesawat, atau kendaraan
bawah air. Pada sistem penginderaan jauh, metode yang digunakan kebanyakan meliputi
fotografi, radar, spektroskopi, dan magnet.

Penginderaan jauh biasa disingkat dengan "inderaja" dan dalam bahasa Inggris biasa
disebut "remote sensing". Menurut American Society of Photogrammetry, penginderaan jauh
merupakan pengukuran/perolehan informasi berupa data dari beberapa sifat objek atau
fenomena, dengan menggunakan alat perekam dan tidak terjadi kontak langsung dengan
objek atau fenomena yang dikaji. Pengambilan data dari jarak jauh biasanya dengan
menggunakan sensor buatan.

Klasifikasi citra penginderaan jauh (inderaja) bertujuan untuk menghasilkan peta

tematik, dimana tiap warna mewakili sebuah objek, misalkan hutan laut, sungai, sawah dan
lain-lain (Agus Zainal Arifin dan Aniati Murni 2007).

Menurut Projo Danoedoro (1996) 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.

Seiring dengan perkembangan teknologi muncul metode klasifikasi baru yaitu

klasifikasi berbasis objek. Kemampuannya dalam mengkelaskan informasi tidak tergantung
hanya pada satu aspek pada tiap piksel saja akan tetapi klasifikasi ini mempertimbangkan
beberapa aspek seperti tekstur, scale, color, selain itu metode ini menggunakan kluster piksel
atau segmen bukan perpiksel dalam mengkelaskan informasi.

Karakteristik yang berbeda antara klasifikasi berbasis objek dengan piksel

memungkinkan untuk menghasilkan akurasi yang berbeda dalam hasil pengklasifikasiannya.
Klasifikasi berbasis objek sendiri juga tidak sempurna menurut Jyothi (2008) klasifikasi
berbasis objek masih memiliki kesulitan dalam memproses data yang sangat besar. Bahkan
jika klasifikasi berbasis objek lebih efektif daripada klasifikasi berbasis piksel, proses
segmentasi pada citra multispektral yang dilakukan klasifikasi berbasis piksel merupakan
proses yang terlalu berat

Waktu proses dan tingkat kesulitan yang berbeda menjadi hal yang dipertimbangkan
dalam pemilihan metode klasifikasi, apakah nantinya akurasi yang dihasilkan jauh lebih
signifikan atau tidak, dibandingkan dengan waktu dan tingkat kesulitan dialami. Sehingga,

4
nantinya salah satu metode tersebut dapat dinyatakan efektif sebagai salah satu pemetaan
untuk kajian tertentu menggunakan citra resolusi spasial tinggi.

1.2 Maksud danTujuan

Adapun tujuan dilakukannya praktikum ini adalah sebagai berikut:

Mahasiswa mampu memahami tata cara melakukan klasifikasi tidak terselia

menggunakan aplikasi ENVI 5.1 ataupun spesifikasi yang lebih baru dari ENVI.

Mahasiswa mampu memahami cara dalam melakukan klasifikasi tidak terselia pada
citra Landsat 8.

Mahasiswa mampu memahami cara menampilkan klasifikasi tidak terselia pada citra
Landsat 8.

Mahasiswa mampu memahami proses serta tahapan dalam dalam mengklasifikasi

tidak terselia khususnya dengan aplikasi ENVI 5.1.

Melalui Praktikum ini dapat dijadikan sarana pembelajaran langsung dengan

menggunakan aplikasi, salah satunya ENVI 5.1

Adanya praktikum dan pembuatan laporan membuat mahasiswa mampu menerapkan

teori – teori dari dosen serta dosen asistensi yang sebelumnya disampaikan dalam
kelas ataupun lab.
Dengan melakukan praktikum ini, menjadi pembekalan bagi mahasiswa yang akan
digunakan dalam bidang pekerjaan ataupun kerja praktik.

5
 BAB II

TINJAUAN PUSTAKA

2.1 Klasifikasi Tidak Terselia

Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya

tidak menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa proses tersebut
hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel pada citra. Klasifikasi
citra tak terawasi mencari kelompok-kelompok (cluster) piksel-piksel, kemudian menandai
setiap piksel kedalam sebuah kelas berdasarkan parameter-parameter pengelompokkan awal
yang didefinisikan oleh penggunanya.

Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster

secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara berulang-ulang
dengan computer. Sumbu horizontal menunjukkan nilai piksel pada band2 dan sumbu vertical
menunjukkan nilai kecerahan piksel pada band1. Pengelompokan piksel menjadi kelas
spectral diawali dengan menentukan jumlah kelas spectral yang akan dibuat.

Penentuan jumlah kelas ini dapat dilakukan dengan memperhatikan jumlah puncak
histogram sehingga diperoleh jumlah kelas spectral yang akan dibentuk. Setelah jumlah kelas
spectral ini ditentukan kemudian dipilih pusat-pusat kelas spectral terhadap setiap pusat kelas
spectral.

Berdasarkan hasil pengukran jarak ini setiap piksel dikelompokkan ke dalam suatu
kelas spectral yang memiliki jarak terdekat. Setelah setiap piksel dikelompokkan lalu masing-
masing rata-rata kelas spectral dihitung kembali. Kemudian dilakukan lagi pengukuran jarak
setiap piksel terhadap rata-rata kelas baru ini dan akhirnya piksel dikelompokkan ke dalam
kelas spectral yang memiliki jarak terdekat.

Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi kelas

spectral yaitu:

1. Standar deviasi maksimum, nilai standari deviasi maksimum yang sering digunakan
berkisar antara 4,5 sampai 7

2. Jumlah piksel minimum dalam sebuah kelas spectral dinyatakan dalam persen (%).

3. Nilai pemisahan pusat kelas yang dipecah

4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9.

6
 Proses pemisahan dan pengelompokkan piksel-piksel menjadi kelas-kelas spectral
terus diulangi dan akan dihentikan bila telah memenuhi salah satu ketentuan:

1. Jumlah iteasi maksimum, jumlah iterasi dapat ditentukan sesuai dengan kebutuhan

2. Jumlah piksel yang kelas spektralnya tidak berubah antara iterasi (dalam persentase, %).

Gambar 1. Cara Kerja Metode Unsupervised

Setelah kelas spectral terbentuk umumnya dilakukan proses asosiasi antaa obyek dan
kelas spectral terbentuk untuk mengidentifikasi kelas spectral menjadi kategori obyek
tertentu. Pengidentifikasian kelas spectral menjadi obyek tertentu dapat dilakukan
menggunakan suatu data acuan atau referensi penunjang.

Setelah semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan

untuk menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan
perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil klasifikasi
dapat ditunjukka dari gradasi warna yang terbentuk yang menunjukkan jenis kelas yang
dikelompokkan oleh komputer.

Cara kerja metode unsupervised ini merupakan kebalikkan dari metode supervised,
dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer kedalam kelas-kelas
spektralmenggunakan algoritma klusterisasi (Indriasari, 2009). Dalam metode ini, diawal
proses biasanyaanalis akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian
setelah mendapatkanhasil, analis menetapkan kelas-kelas lahan terhadap kelas-kelas spektral
yang telahdikelompokkan oleh komputer.

Dari kelas-kelas (cluster) yang dihasilkan, analis bisamenggabungkan beberapa kelas

yang dianggap memiliki informasi yang sama menjadi satukelas. Misal class 1, class 2 dan
class 3 masing-masing adalah sawah, perkebunan dan hutanmaka 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.

7
2.2 Jenis Klasifikasi Tidak Terselia

Metode tidak terbimbing terdiri dari dua jenis yaitu :

1. 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, 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.

8
 BAB III

METODOLOGI

3.1 Alat Bahan

Peralatan yang digunakan dalam praktikum kali ini adalah :

1. Laptop
Laptop merupakan perangkat yang digunakan untuk mengolah data citra
(manipulasi data) serta penyusunan laporan akhir.

Gambar 2. Laptop

2. Mouse
Mouse sebagai perangkat pendukung dalam proses pengolahan data citra dan
pembuatan laporan.

Gambar 3. Mouse

9
 3. Software ENVI 5.1 Classics
Software ini digunakan dalam pemrosesan manipulasi data citra sesuai dengan
ketentuan dan kebutuhan yang diperlukan.

Gambar 4. Software ENVI 5.1Classics

Diagram Alir
MULAI

Input Data Citra

Proses Klasifikasi ISOData pada ENVI

Menentukan Jumlah dan Nama Kelas

Proses Klasifikasi KMeans pada ENVI

Menentukan Jumlah dan Nama Kelas

Atur ulang kelas (Reclass) TIDAK

YA
Simpan & Analisa Perbedaan
antara hasil data

SELESAI

10
3.2 Tempat dan Waktu Praktikum

Hari : Senin
Tanggal : 04 Desember 2017
Jam : 10.00 – 12.00 WIB
Tempat : Laboratorium Geospasial Teknik Geomatika-ITS

3.3 Petunjuk Praktikum

3.3.1 Proses Klasifikasi Tidak Terselia menggunakan metode K-Means

- Buka aplikasi ENVI 5.1 dengan melakukan double klik atau melalui start menu

- Kemudian pilih FILE lalu klik open. Buka file citra yang berformat .MTL pada tempat
penyimpanan

11
- Lalu buka file pemotongan wilayah yang berbasis .evf dengan memilih FILE lalu
klik Open dan pilih file format .evf seperti diatas (Surabaya.evf).

- Setelah citra ditampilkan pilih classification pada bagian unsupervised

classification, pilih k-means classification.

12
 - Kemudian pilih data dengan multispectral band, berisikan 7 band, lalu klik OK.

- Lalu pada kotak dialog K-MEANS Parameters, masukan nama file dan tempat
penyimpanan file pada bagian Enter Output Filename, lalu klik OK.

- Tunggu proses klasifikasi selesai seperti gambar dibawah akan ditampilkan hasil klasifikasi
beserta kelas – kelas yang dihasilkan.

13
 3.3.2 Proses Klasifikasi Tidak Terselia menggunakan metode ISO Data

- Buka aplikasi ENVI 5.1 dengan melakukan double klik atau melalui start menu

- Kemudian pilih FILE lalu klik open. Buka file citra yang berformat .MTL pada tempat
penyimpanan

- Lalu buka file pemotongan wilayah yang berbasis .evf dengan memilih FILE lalu
klik Open dan pilih file format .evf seperti diatas (Surabaya.evf).

14
- Setelah citra ditampilkan pilih classification pada bagian unsupervised
classification, pilih ISOData classification.

- Kemudian pilih data dengan multispectral band, berisikan 7 band, lalu klik OK.

15
- Ubah minimal dan maksimal kelas, serta jumlah iterasi yang disesuaikan dengan
kebutuhan dan ketentuan.
- Setelah itu pada bagian enter output filename pilih nama dan tempat
penyimpanan file dengan mengklik choose, lalu klik OK.

16
 3.3.3 Proses Pemotongan Sesuai batas Kabupaten / Kota

- File akan diproses seperti gambar diatas.

- Setelah selesai, klik simbol ROI, pilih wiayah yang akan dipotong menggunakan
polygon.
- Pilih Resize data pada toolbox, lalu pilih file yang akan dipotong
- Setelah itu pilih spasial subset lalu klik ROI/EVF seperti gambar diatas.

17
 - Pilih semua file yang dilakukan di tahap sebelumnya misal ROI1 lalu klik OK.
- Buat nama dan tentukan tempat penyimpanan file, lalu akan ditampilkan hasil
pemotongan wilayah seperti gambar dibawah ini.

KLASIFIKASI KMEANS KLASIFIKASI ISODATA

18
 BAB IV

ANALISA HASIL

4.1 Proses Klasifikasi Tidak Terselia menggunakan metode K-Means

Pada hasil klasifikasi KMEANS dapat terlihat data yang diklasifikan keberapa kelas
banyak yang tidak muncul seperti pada keadaan yang seharusnya, seperti pada kelas 2 yaitu
perairan, banyak wilayah yang diklasifikasikan ke dalam kelas bangunan

Keterangan dari masing masing kelas yaitu pada kelas 1 merupakan area tidak
teridentifikasi, kelas 2 vegetasi, kelas 3 lautan kelas 4 bangunan dan kelas 5 pemukiman.

Dari hasil klasifikasi diatas dapat diketahui bahwa kelas vegetasi, pemukiman dan
lautan merupakan kelas yang mendominasi pada citra Surabaya. Setiap citra dengan wilayah
yang berbeda – beda akan menghasilkan kelas – kelas yang dominan sesuai dengan keadaan
pada wilayah tersebut menyesuaikan dengan keadaan dan saat proses selesai dilakukan.

19
4.2 Proses Klasifikasi Tidak Terselia menggunakan metode ISO Data

Pada proses klasifikasi ISO DATA hasil kelas yang ditampilkan lebih detail
dibandingkan dengan klasifikasi pada metode KMEANS, hal ini dikarenakan kelas – kelas
yang dihasilkan lebih detail dan banyak pada proses ISO DATA, sehingga data spasial yang
terdapat pada citra lebih sesuai dengan kenampakan aslinya.

4.3 Proses Pemotongan Sesuai batas Kabupaten / Kota

Klasifikasi KMEANS Klasifikasi IsoData

20
4.3 Peta Klasifikasi

PETA KLASIFIKASI TIDAK TERSELIA METODE KMEANS

21
PETA KLASIFIKASI TIDAK TERSELIA METODE ISODATA

22
 BAB V

PENUTUP

5.1 Kesimpulan
Dari hasil praktikum dapat disimpulkan, bahwa saat ingin melakukan klasifikasi
terselia dilakukan dengan hati – hati dan teliti, kemudian saat melakukan penentuan sampel
dari setiap kelas – kelas sebaiknya disesuaikan dengan keadaan dari wilayah sesungguhnya
agar hasil kelas klasifikasi memenuhi syarat dan sesuai dari keadaan seharusnya.

Pada klasifikasi tidak terselia, kelas – kelas yang dihasilkan tidak seakurat
menggunakan klasifikasi terselia, hal ini dikarenakan proses klasifikasi langsung dilakukan
oleh program tanpa melakukan pengambilan sampel terlebih dahulu.

Agar hasil klasifikasi semakin baik dan bagus saat menuju proses klasifikasi, pilih
maksimal kelas diatas 5 kelas agar semakin detail hasil klasifikasinya serta jumlah iterasi
yang akan dilakukan prosesnya, semakin banyak jumlah iterasi yang dilakukan akan semakin
baik data klasifikasi yang dihasilkan.

Oleh karena itu, proses selanjutnya seperti pemotongnan citra dan pembuatan layout
dapat dilakukan seperti gambar yang ditampilkan pada bab 4 berupa hasil dan analisa.

5.2 Saran
Adapun saran-saran dari praktikum ini adalah sebagai berikut:

- Gunakan softcopy / data citra yang jelas sebelum melakukan proses klasifikasi data
agar perbedaan dapat terlihat jelas.
- Lakukan analisa pada hasil data citra secara hati-hati dan teliti
- Sebaiknya menggunakan data citra yang bersumber dari halaman resmi seperti earth
explorer.
- Gunakan computer/laptop dengan processor yang mumpuni agar dalam pengolahan
data citra dapat berjalan lancar.

23
 DAFTAR PUSTAKA

Anonim. 2017. PENGELOLAAN DATA SPASIAL,

http://www.cifor.org/publications/pdf_files/Books/SIGeografis/SIG-part-2.pdf .(diakses pada
04 Oktober 2017 pukul 08.00 WIB)

http://www.gispedia.com/2016/04/Karakteristik-citra-modis.html#ixzz4LTceOQi5

http://www.rastermaps.com/2014/02/modis-download_19.html

Jaelani, Muhamad Lalu. 2017. Pemrosesan Citra Menggunakan Formula. Penggunaan

formula.pdf.

Shofiyanti, Rizatus. 2010. INTEGRASI MULTI RESOLUSI CITRA SATELIT

DENGAN METODE SEDERHANA UNTUK MEMONITOR KONDISI LAHAN.
http://www.litbang.pertanian.go.id/warta-ip/pdf-file/6.rizatus_vol19-2-10.pdf. (diakses pada
tanggal 04 Oktober 2017 pukul 20.24 WIB)

Sitanggang,Gokmaria.2010. KAJIAN PEMANFAATAN SATELIRT MASA DEPAN

:SISTEM PENGINDERAAN JAUH SATELIT LDCM (LANDSAT 8).
http://jurnal.lapan.go.id/index.php/berita_dirgantara/article/viewFile/1173/1051. (diakses
pada tanggal 04 Oktober 2017 pukul 20.24 WIB)

Surwagana,Nana.2013. RESOLUSI SPASIAL, TEMPORAL DAN SPEKTRAL PADA

CITRA SATELIT LANDSAT, SPOT DAN IKONOS.http://e-
journal.jurwidyakop3.com/index.php/jurnal-ilmiah/article/viewFile/118/104. (diakses pada
tanggal 04 Oktober 2017).

24