Anda di halaman 1dari 30

LAPORAN PRAKTIKUM

KLASIFIKASI TUTUPAN LAHAN CITRA LANDSAT 8 DENGAN


SOFTWARE ENVI 5.3
Mata Kuliah :
PENGINDERAAN JAUH

Dosen :
Prof. Dr. Ir. Bangun Muljo Sukojo, DEA, DESS
Asisten Dosen:
Husnul Hidayat, S.T., M.T.

Disusun oleh :
Friska Margareta Tobing (03311640000025)

TEKNIK GEOMATIKA
FAKULTAS TEKNIK SIPIL, LINGKUNGAN, DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2018
KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa, atas berkah dan rahmatnya laporan
tentang “KLASIFIKASI TUTUPAN LAHAN CITRA LANDSAT 8 DENGAN
SOFTWARE ENVI 5.3” ini dapat terselesaikan. Dalam laporan kali ini dibahas
mengenai bagaimana mengaplikasikan ilmu yang di dapatkan di bangku kuliah
maupun di PT Aerogeosurvey untuk mengetahui pengembangan teknik akusisi data
yang kemudian disajikan dalam bentuk 3 dimensi. Dalam penyajian data 3 dimensi
dan penyusunan laporan ini penulis dibantu oleh beberapa pihak. Oleh karena itu,
pada kesempatan kali ini penulis ingin mengucapkan terimakasih kepada :
1. Orangtua yang senantiasa mendoakan penulis sehingga dapat berjalan
dengan lancar dalam program magang.
2. Bapak Prof. Dr. Ir. Bangun Muljo Sukojo, DEA, DESS selaku dosen
pembimbing yang telah memberikan ilmunya kepada penulis.
3. Bapak Husnul Hidayat S.T., M.T. selaku dosen pembimbing yang telah
memberikan ilmunya kepada penulis.
4. Teman-teman Teknik Geomatika ITS angkatan 2016 yang telah memberi
masukan dalam penyajian dan penyusunan laporan ini.
Penulis menyadari bahwa dalam penyusunan laporan ini masih jauh dari sempurna,
baik dari segi penyusunan, bahasan, ataupun penulisannya. Oleh karena itu penulis
mengharapkan kritik dan saran yang sifatnya membangun, khususnya dari dosen
pengajar dan responsi mata kuliah guna menjadi acuan dalam bekal pengalaman
bagi penulis untuk lebih baik di masa yang akan datang. Semoga laporan ini dapat
bermanfaat bagi pembaca dan pengembangan ilmu pengetahuan.
.

Penulis,

FRISKA MARGARETA TOBING

i
DAFTAR ISI

KATA PENGANTAR ............................................................................................. i


DAFTAR ISI ........................................................................................................... ii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang .............................................................................................. 1
1.2 Tujuan ............................................................................................................ 1
1.4 Ruang Lingkup .............................................................................................. 1
BAB II LANDASAN TEORI ................................................................................ 2
2.1 Klasifikasi Citra ............................................................................................. 2
2.1. Klasifikasi Terselia ....................................................................................... 2
2.2. Klasifikasi Tidak Terselia ............................................................................ 3
2.3. Jenis Klasifikasi Terselia .............................................................................. 3
2.4. Jenis Klasifikasi Tidak Terselia.................................................................... 5
2.5. Region of Interest ......................................................................................... 5
BAB III METODOLOGI PRAKTIKUM .............................................................. 6
3.1 Alat dan Bahan .............................................................................................. 6
3.2 Tempat dan Waktu Praktikum ....................................................................... 6
3.3 Petunjuk Praktikum ....................................................................................... 6
3.3.1. Proses Penentuan Region of Interest ..................................................... 9
3.3.2. Proses Klasifikasi Terselia Metode Paraleid Parameter ...................... 11
3.3.3. Proses Klasifikasi Terselia Metode Minimum Distance...................... 12
3.3.4. Proses Penentuan Confusion Matrix .................................................... 14
3.3.5. Proses Klasifikasi Tidak Terselia menggunakan Metode KMeans ..... 17
BAB IV HASIL DAN ANALISA ....................................................................... 22
4.1 Hasil............................................................................................................. 22
4.2 Analisa ......................................................................................................... 23
BAB V PENUTUP ............................................................................................... 25
5.1 Kesimpulan .................................................................................................. 25
5.2 Saran ............................................................................................................ 25
LAMPIRAN .......................................................................................................... 27

ii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Penginderaan jauh adalah ilmu atau seni untuk memperoleh informasi
tentang objek, daerah atau gejala, dengan jalan menganalisis data yang diperoleh
dengan menggunakan alat, tanpa kontak langsung dengan objek, daerah atau gejala
yang akan dikaji (Lillesand dan Kiefer, 1990). Dengan kata lain dapat dinyatakan
bahwa penginderaan jauh merupakan upaya untuk memperoleh data dari jarak jauh
dengan menggunakan peralatan tertentu. Data yang diperoleh itu kemudian
dianalisis dan dimanfaatkan untuk berbagai keperluan. Data yang diperoleh dari
penginderaan jauh dapat berbentuk hasil dari variasi daya, gelombang bunyi atau
energi elektromagnetik. Penginderaan jauh mempunyai peran yang sangat penting
dalam hal pemetaan, cakupannya yang luas karena menggunakkan citra satelit
sehingga dapat melihat luasan daerah yang cukup luas secara berkala. Dalam
penginderaan jauh didapat masukan data atau hasil observasi yang disebut citra.
Interpretasi citra merupakan kegiatan mengkaji foto udara dan atau citra dengan
maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut
(Estes dan Simonett, 1975). Sebelum proses analisa citra dilakukan maka
diperlukan beberapa koreksi terlebih dahulu yaitu koreksi geometrik. Setelah
adanya koreksi geometrik, maka citra siap di analisis dengan klasifikasi citra.
Salah satu program aplikasi pengolah citra untuk klasifikasi ialah Envi,
menggunakan suatu konsep pengolahan data yang dinamakan algoritma, dimana
algoritma memisahkan data citra dari tahapan pengolahan citra (image processing).
Tahapan pengolahan citra dapat disimpan dan diedit di dalam suatu file algoritma
yang dapat digunakan untuk tahapan pengolahan data citra lainnya. Oleh karena itu,
sangat penting untuk bisa melakukan proses pengolahan dan pemrosesan citra
dalam program aplikasi pengolah citra tersebut.
1.2 Tujuan
a. Mahasiswa mengetahui dan paham cara klasifikasi citra satelit menggunakan
ENVI
b. Dapat melakukan analisa hasil klasifikasi citra satelit pada ENVI
1.3 Manfaat
a. Mahasiswa dapat memahami langkah-langkah klasifikasi citra satelit
b. Mahasiswa dapat memahami perbedaan klasifikasi dengan beberapa metode
algoritma yang disediakan ENVI
1.4 Ruang Lingkup
a. Citra landsat
b. Klasifikai citra landsat dengan aplikasi Envi 5.3

1
BAB II
LANDASAN TEORI
2.1 Klasifikasi Citra
Klasifikasi data adalah suatu proses dimana semua pixel dari suatu citra yang
mempunyai penampakan spektral yang sama akan diidentifikasikan. Sebagai
contoh suatu citra Landsat TM dengan tujuh buah informasi band dapat
diklasifikasi untuk mengidentifikasi lingkupan hutan atau tata guna lahan. Kita
mempunyai sejumlah pilihan untuk membuat suatu klasifikasi, kita dapat
memilih jenis keluaran yang diinginkan dan juga pengolahan data yang
diinginkan. Dalam proses klasifikasi kita akan membuat suatu data set
klasifikasi atau suatu algoritma dari tiap-tiap baris yang mempresentasikan
suatu kelas. Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke
dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification)
dan klasifikasi tidak terbimbing (unsupervised classification). Pemilihannya
bergantung pada ketersediaan data awal pada citra itu. Proses pengklasifikasian
klasifikasi terbimbing dilakukan dengan prosedur pengenalan pola spektral
dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan
selanjutnya memilih contoh-contoh kelas (training area) yang mewakili setiap
kelompok, kemudian dilakukan perhitungan statistik terhadap contoh-contoh
kelas yang digunakan sebagai dasar klasifikasi. Dalam melakukan proses
klasifikasi citra terdapat dua cara umum yang sering digunakan yaitu
supervised dan unsupervised.
2.1. Klasifikasi Terselia
Klasifikasi terselia adalah klasifikasi yang analisisnya mempunyai sejumlah
pixel yang mewakili masing - masing kelas atau kategori yang diinginkan (Jaya
2007). Menurut Marini (2014) Klasifikasi terselia merupakan metode yang
diperlukan untuk mentransformasikan data citra multispektral ke dalam kelas-
kelas unsur spasial dalam bentuk informasi tematis. Kriteria pengelompokan
kelas ditetapkan berdasarkan penciri kelas yang diperoleh melalui pembuatan
training area. Penentuan training area biasanya dilakukan berdasarkan hasil
pengamatan lapangan atau berdasarkan penyesuaian dengan peta rupa bumi.
Training area yang telah didapatkan kemudian dijadikan sebagai masukkan
dalam proses klasifikasi untuk keseluruhan citra (Jaya 2007). Pada klasifikasi
terselia, identitas dan lokasi kelas-kelas unsur atau tipe penutup lahan
(seperti halnya perkotaan, tubuh air, lahan basah, dan lain sebagainya) telah
diketahui sebelumnya melalui kunjungan ke lapangan (survei), analisis foto
udara (atau citra satelit sebelumnya), maupun cara-cara yang lain (Marini
2014).

2
2.2. Klasifikasi Tidak Terselia
Sistem kerja metode tidak terselia 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.

2.3. Jenis Klasifikasi Terselia


Metode terselia 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

3
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 spektru 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 spektru m 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.

4
2.4. Jenis Klasifikasi Tidak Terselia
Metode tidak terselia 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.

2.5. Region of Interest


Region of Interest adalah suatu bagian dari citra yang dipilih untuk kemudian
diproses. Daerah tersebut dibedakan dengan menggunakan klasifikasi dan
masking. Jika piksel pada mask tidak nol, maka pemrosesan citra dilakukan.
Sebaliknya jika piksel pada mask sama dengan nol, proses tidak dijalankan.
Setelah daerah yang diinginkan ditemukan, daerah tersebut ditandai dengan
kotak untuk membatasi daerah yang akan dikenali. Proses Region of Interest
(ROI) berbeda dengan block processing yang mana memilih bagian citra yang
akan diambil untuk diproses. Bagian dari citra dalam block processing
merupak:an bagian citra utuh yang digunakan dalam pengolahan citra. Dalam
Region of Interest, citra dapat didefinisikan lebih dari satu region (bagian).
Bagian tersebut dapat berbentuk polygon yang berupa piksel yang contiguous
atau berupa range dari intensitas. Dengan kata lain, piksel tidak harus selalu
contiguous. Region of Interest sangat membantu untuk segmentasi dalam
pemrosesan citra karena dengan menggunakan teknik ini citra atau obyek dapat
lebih mudah dikenali. Karena obyek sudah akan dibagi dalam region-region
tertentu sesuai dengan citra obyeknya (Anonim).

5
BAB III
METODOLOGI PRAKTIKUM
3.1 Alat dan Bahan
Alat dan bahan yang diperlukan dalam Pelaksanaan Pratikum adalah :
Alat :
1. Perangkat Personal Computer(PC Dekstop) / Laptop
Bahan :
1. Software ENVI 4.6.1
2. Citra MODIS
3.2 Tempat dan Waktu Praktikum
Hari : Kamis
Tanggal : 06 Desember 2018
Waktu : 14.00 – 15.00 WIB
Tempat : Laboratorium Geospasial, Teknik Geomatika ITS
3.3 Petunjuk Praktikum
Pemotongan citra (subset by ROI)
1. Buka aplikasi ENVI 5.3, maka akan muncul tampilan sebagai berikut.

2. Buka citra yang akan dikoreksi dengan klik menu File -> Open

3. Lalu pilih file metadata (.MTL) citra Landsat 8 yang telah didownload,
maka akan tampilan seperti ini

6
4. Buka shp Indonesia untuk mendapatkan shp batas kota yang akan
dipotong dengan klik menu file -> open -> pilih indonesia.shp

5. Klik kanan pada shp Indonesia, pilih view/edit atributte

7
6. Pilih kota Surabaya, kemudian klik kanan -> save selected record to new
shapefile

7. Pada toolbox ketik subset -> subset data by ROI , kemudian input file
dan pilih citra nya.

8. Berikut hasil subset citra landsat kota Surabaya

8
3.3.1. Proses Penentuan Region of Interest
Langkah-langkah penentuan ROI untuk klasifikasi adalah sebagai berikut:

9. Klik File→New→Region of Interest untuk memulai proses klasifikasi


ROI.

10. Mengubah informasi pada kotak dialog ROI tool sesuai dengan
kebutuhan pengguna.

11. Proses digitasi

12. Menyimpan hasil digitasi.


Setelah dilakukan digitasi, klik kanan → Accept Rectangle Part →
Accept Multi Part.

9
Simpan hasil digitasi dengan klik File pada jendela ROI Tool → Save As
→ Tentukan Output File → OK.

13. Melakukan Digitasi Untuk Objek Lainnya

10
3.3.2. Proses Klasifikasi Terselia MetodE Paraleid Parameter
Langkah-langkah Klasifikasi Terselia Metode Paraleid Parameter:
1. Pada toolbox search Classification → Supervised Classification →
Paraleid Parameter Classification.

2. Muncul jendela Classification Input File. Kemudian Input file dengan


Spectral Subset 7/7 Bands → OK.

3. Memilih kelas klasifikasi pada kotak dialog Paralellid Parameter


Parameters dan menyimpan keluarannya → OK → Tunggu proses selesai.

11
Berikut Hasil Klasifikasi Paralellid Parameter

3.3.3. Proses Klasifikasi Terselia Metode Minimum Distance


Langkah-langkah Klasifikasi Terselia Metode Minimum Distance:
1. Pada toolbox search Classification → Supervised Classification →
Minimum Distance Classification.

12
2. Muncul jendela Classification Input File. Kemudian Input file dengan
Spectral Subset 7/7 Bands → OK.

3. Memilih kelas klasifikasi pada kotak dialog Minimum Distance


Parameters dan menyimpan keluarannya → OK → Tunggu proses selesai.

13
Berikut Hasil Klasifikasi Minimum Distance

3.3.4. Proses Penentuan Confusion Matrix


Langkah-langkah penentuan confusion matrix adalah sebagai berikut:
1. Mencari menu Confusion Matrix using Ground Truth ROIs pada toolbox
dengan mengetik “Matrix”

14
Muncul jendela Classification Input File. Kemudian Input file yang telah
terklasifikasi dengan format description “Classification dengan Metode
Paralellid Parameter” → OK.

2. Pada kotak dialog Match Classes Parameters untuk Menyamakan Kelas


Ground Truth dan Hasil Klasifikasi, pada Select Classification Image klik
Unclassified → OK.

3. Kemudian muncul kotak dialog Confusion Matrix Parameters → OK.

15
Berikut hasil Confusion Matrix yang menunjukan nilai akurasi dan
koefisien kappa pada metode Paralellid Parameter

4. Lakukan kembali langkah 1 sampai 5 pada klasifikasi Minimum Distance


Berikut hasil Confusion Matrix yang menunjukan nilai akurasi dan
koefisien kappa pada metode Minimum Distance.

16
3.3.5. Proses Klasifikasi Tidak Terselia menggunakan Metode KMeans
Langkah-langkah Klasifikasi Tidak Terselia menggunakan Metode KMeans
sebagai berikut:
1. Pada toolbox search Classification → Unsupervised Classification →
KMeans Classification.

17
2. Muncul jendela Classification Input File. Kemudian Input file dengan
Spectral Subset 7/7 Bands → OK.

3. Pada kotak dialog K-Means Parameters tentukan jumlah kelas klasifikasi


dan tentukan tempat penyimpanan output file → OK.

18
Proses klasifikasi akan berjalan seperti gambar dibawah ini

4. Hasil Klasifikasi Metode K-Means dengan sepuluh kelas

19
5. Mengetahui nilai statistic semua kelas dengan klik pada icon CLasses→
statistic for all classes

6. Pilih file yang diinginkan → klik OK.

7. Proses dan Hasil dari Statistik

20
Confusion Matrix kmeans

21
BAB IV
HASIL DAN ANALISA
4.1 Hasil
Hasil dari pratikum penginderaan jauh dengan menggunakan perangkat
lunak Envi ini adalah Citra Landsat yang terklasifikasi dengan klasifikasi
minimum distance, paralleid Parameter, dan kmeans.
Berikut hasil klasifikasi minimum distance :

Hasil klasifikasi paralleid parameter :

Hasil untuk klasifikasi Kmeans :

22
4.2 Analisa
Paralellid Parameter

Confusion matrix dari Parelleid Parameter didapatkan overall accuracy senilai


84.7222% dan kappa coeficient sebesar 0.7758
Minimum Distance.

Confusion matrix dari Minimum distance didapatkan overall accuracy senilai


49.3056% dan kappa coeficient sebesar 0.3791. Klasifikasi ini perlu dicoba

23
ulang karena nilai overall accuracy kurang dari batas minimum (80%) dan
nilai kappa coeficient terlalu kecil.
Kmeans

Confusion matrix Kmeans lebih baik dari parelleid parameter dan minimum distance
karena pengklasifikasian ini bekerja secara otomatis, sehingga nilai overall accuracy
100% dan kappa coeficient mencapai nilai optimum yaitu 1.0

24
BAB V
PENUTUP
5.1 Kesimpulan
Dari penjelasan-penjelasan yang telah di jabarkan pada laporan praktikum
diatas, maka dapat ditarik sebuah kesimpulan.
bahwa:
1) Pengenalan ini sangat perlu dilakukan karena merupakan awal kita
mengetahui cara mengoperasikan ENVI 5.3
2) Aplikasi ENVI dapat membantu dalam klasifikasi suatu citra satelit
3) Pemotongan citra satelit dapat dilakukan pada aplikasi ENVI
4) Klasifikasi paralleid parameter dan minimum distance merupakan
klasifikasi supervisied yang dimana klasifikasinya mendigit ROI
guna sebagai sampel dalam pengklasifikasiannya
5) Klasifikasi Kmeans merupakan klasifikasi unsupervisied,
pengklasifikasian ini diklasifikasi secara automatis tergantung
banyak kelas yang diinginkan tanpa menggunakan ROI
5.2 Saran
Dari penjelasan-penjelasan yang telah di jabarkan di atas, maka untuk
evaluasi kegiatan mendatang :
1) Mencoba fitur klasifikasi supervisied dan unsupervisied lainnya
2) Saat mendigit ROI untuk klasifikasi supervisied perlu di zoom in
agar lebih detail
3) Mendigit ROI untuk sampel klasifikasi supervisied baiknya lebih
dari satu
4) Persiapkan perangkat grafis yang mumpuni,agar visualisasi dan
processing lebih baik.

25
DAFTAR PUSTAKA

Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Dijital. Yogyakarta,


RISP, 2001, Spatial Resolution,
http://www.crisp.nus.edu.sg/~research/tutorial/image.htm diakses pada 14
November 2018, pukul 23.01 WIB
Somantri, Lili. Teknologi Penginderaan Jauh (Remote Sensing) dalam Makalah
Guru.

26
LAMPIRAN

27