OLEH
03311540000104
PENGINDRAAN JAUH
KELAS B
DOSEN PENGAMPU
DOSEN ASISTENSI
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.
Penulis
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
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.
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.
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.
5
BAB II
TINJAUAN PUSTAKA
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.
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 (%).
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, %).
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.
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.
7
2.2 Jenis Klasifikasi Tidak Terselia
8
BAB III
METODOLOGI
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.
Diagram Alir
MULAI
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
- 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).
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
- 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.
18
BAB IV
ANALISA HASIL
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.
20
4.3 Peta Klasifikasi
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
http://www.gispedia.com/2016/04/Karakteristik-citra-modis.html#ixzz4LTceOQi5
http://www.rastermaps.com/2014/02/modis-download_19.html
24