PRAKTIKUM 8

LAPORAN PRAKTIKUM

PENGINDERAAN JAUH DAN INTERPRETASI CITRA

Mata Kuliah : Pengindraan Jauh

Dosen Pengampu : Listumbinang Halengkara, S.Si, M.Sc.

Semester : Genap

Disusun oleh :

Eni Ayu Lestari (1613034006)

PROGRAM STUDI PENDIDIKAN GEOGRAFI

JURUSAN PENDIDIKAN ILMU PENGETAHUAN SOSIAL
FAKULTAS KEGURUAN ILMU PENDIDIKAN
UNIVERSITAS LAMPUNG
2018
 PRAKTIKUM 8

KLASIFIKASI CITRA DIGITAL UNTUK IDENTIFIKASI

PENUTUP LAHAN

I. Tujuan

1. Melakukan klasifikasi citra dengan metode terselia/terkontrol (supervised

classification) dan metode tidak terselia/tidak terkontrol (unsupervised
classification) menggunakan citra Landsat 8

II. Alat dan Bahan

Alat yang digunakan meliputi antara lain :

a. Komputer / Laptop : 1 perangkat

b. Sofware ENVI 5.0 : 1 buah

Bahan Yang Digunakan

-Citra Satelit Landsat 8

III. Tinjauan Pustaka

Identifikasi adalah kegiatan yang mencari, menemukan, mengumpulkan, meneliti,

mendaftarkan, mencatat data dan informasi dari “kebutuhan” lapangan. Secara
intensitas kebutuhan dapat dikategorikan (dua) macam yakni kebutuhan terasa
yang sifatnya mendesak dan kebutuhan terduga yang sifatnya tidak mendesak.

Lahan adalah lingkungan fisik dan biotik yang berkaitan dengan daya dukungnya
terhadap kehidupan dan kesejahteraan hidup manusia. Lingkungan fisik berupa
relief atau topografi, iklim, tanah dan air, sedangkan lingkungan biotik adalah
manusia, hewan, dan tumbuhan.

Sumberdaya lahan merupakan sumberdaya alam yang sangat penting untuk

kelangsungan hidup manusia karena diperlukan dalam setiap kegiatan manusia,
seperti untuk pertanian, daerah industri, daerah pemukiman, jalan untuk
transportasi, daerah rekreasi atau daerah-daerah yang dipelihara kondisi alamnya
untuk tujuan ilmiah. Sitorus (2001) mendefinsikan sumberdaya lahan (land
resources) sebagai lingkungan fisik terdiri dari iklim, relief, tanah, air dan vegetasi
serta benda yang ada di atasnya sepanjang ada pengaruhnya terhadap penggunaan
lahan. Oleh karena itu sumberdaya lahan dapat dikatakan sebagai ekosistem
karena adanya hubungan yang dinamis antara organisme yang ada di atas lahan
tersebut dengan lingkungannya (Mather, 1986).

Berbagai tipe penutupan lahan dijumpai di permukaan bumi, masing-masing tipe

mempunyai kekhususan tersendiri. Badan Pertanahan Nasional mengelompokkan
jenis penutupan lahan sebagai berikut : (1) pemukiman, berupa kombinasi antara
jalan, bangunan, tegalan/pekarangan, dan bangunan itu sendiri (kampung dan
emplasemen); (2) kebun, meliputi kebun campuran dan kebun sayuran merupakan
daerah yang ditumbuhi vegetasi tahunan satu jenis maupun campuran, baik
dengan pola acak maupun teratur sebagai pembatas tegalan; (3) tegalan
merupakan daerah yang ditanami umumnya tanaman semusim, namun pada
sebagian lahan tak ditanami dimana vegetasi yang umum dijumpai adalah padi
gogo,singkong, jagung, kentang, kedelai dan kacang tanah; (4) sawah merupakan
daerah pertanian yang ditanami padi sebagai tanaman utama dengan rotasi tertentu
yang biasanya diairi sejak penanaman hingga beberapa hari sebelum panen; (5)
hutan merupakan wilayah yang ditutupi oleh vegetasi pepohonan, baik alami
maupun dikelola manusia dengan tajuk yang rimbun, besar serta lebat; (6) lahan
terbuka, merupakan daerah yang tidak terdapat vegetasi maupun penggunaan lain
akibat aktivitas manusia; (7) semak belukar adalah daerah yang ditutupi oleh
pohon baik alami maupun yang dikelola dengan tajuk yang relative kurang
rimbun (Heikal, 2004 dalam Sinaga, 2007:13 dalam Widyaningsih, 2008).

Perubahan penutupan lahan merupakan keadaan suatu lahan yang mengalami

perubahan kondisi pada waktu yang berbeda disebabkan oleh manusia (Lillesand
dkk, 2003).

Menurut Darmawan (2002), salah satu faktor yang menyebabkan terjadinya

perubahan lahan adalah faktor sosial ekonomi masyarakat yang berhubungan
dengan kebutuhan hidup manusia terutama masyarakat sekitar kawasan.
Penggunaan lahan berkaitan dengan kegiatan manusia pada bidang lahan tertentu.
Informasi penutupan lahan dapat dikenali secara langsung dengan menggunakan
penginderaan jauh yang tepat. Sedangkan informasi tentang kegiatan manusia
pada lahan (penggunaan lahan) tidak selalu dapat ditafsir secara langsung dari
penutupan lahannya (Lillesand dkk, 2003).

Faktor penting untuk menentukan kesuksesan pemetaan penggunaan lahan

dan penutupan lahan terletak pada pemilihan skema klasifikasi yang tepat
dirancang untuk suatu tujuan tertentu. Skema klasifikasi yang baik harus
sederhana di dalam menjelaskan setiap kategori penggunaan dan penutupan lahan
(Lo, 1995).

Metode Klasifikasi Terbimbing (Supervised)

Pada metode supervised ini, analis terlebih dulu menetapkan beberapa training
area (daerah contoh) pada citra sebagai kelas lahan tertentu. Penetapan ini
berdasarkan pengetahuan analis terhadap wilayah dalam citra mengenai daerah-
daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan
oleh komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki
nilai-nilai piksel sejenis akan dimasukan kedalam kelas lahan yang telah
ditetapkan sebelumnya. Jadi dalam metode supervised ini analis mengidentifikasi
kelas informasi terlebih dulu yang kemudian digunakan untuk menentukan kelas
spectral yang mewakili kelas informasi tersebut. (Indriasari, 2009)

Gambar 2.1 Cara Kerja Metode Supervised

Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini antara
lain :

1. Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing
dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor
rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan
tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.

2. Mahalanobis
Klasifikasi Mahalanobis adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan
klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas adalah
sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang
diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang
batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka
tidak memenuhi ambang batas.

3. Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya
didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik
kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel
diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas
tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi lebih kecil
dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi

4. Spektral Angle Mapper

Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk
mencocokkan piksel untuk spektra acuan.

Metode Klasifikasi Tak Terbimbing (Unsupervised)

Cara kerja metode unsupervised ini merupakan kebalikkan dari metode

supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh
komputer kedalam kelas-kelas spektral menggunakan algoritma klusterisasi
(Indriasari, 2009). Dalam metode ini, diawal proses biasanya analis akan
menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah
mendapatkan hasil, analis menetapkan kelas-kelas lahan terhadap kelas-kelas
spektral yang telah dikelompokkan oleh komputer.

Dari kelas-kelas (cluster) 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 analis bisa mengelompokkan kelas-kelas tersebut menjadi satu kelas, yaitu
kelas vegetasi. Jadi pada metode unsupervised tidak sepenuhnya tanpa campur
tangan manusia.

Gambar 2. Cara Kerja Metode Unsupervised

IV. Langkah Kerja Praktikum

Kita dapat melakukan langkah kerja praktikum dengan baik dan sistematis,
antara lain :

Unsupervised Classification

1. Buka program ENVI 5.0

2. Buka file citra resolusi tinggi yang akan diklasifikasikan dengan cara
File > Open
3. File citra yang digunakan adalah file hasil penggabungan band 2,3 dan
4
4. Pada toolbox pilih Classification > Classification Workflow. Akan
muncul File Selection Panel

5. Klik Browse. Akan muncul dialog Select Input File.

6. Klik Open File. Pilih file citra yang akan diklasifikasi (contoh:
Phoenix_AZ.tif) klik Open. Citra yang digunakan sebagai contoh
adalah Citra QuickBird true-color.
7. Klik Next sehingga muncul Classification Type Panel.

8. Pilih No Training Data, yang akan mengarahkan kita pada klasifikasi

dengan metode unsupervised classification.

9. Klik Next. Kemudian masukkan angka 7 sebagai angka untuk

Requested Number of Classes to define. Klik Next tanpa mengubah
parameter yang lainnya.
 10. Setelah proses klasifikasi selesai, akan muncul view baru yang
memperlihatkan citra hasil klasifikasi yang sudah dilakukan

Supervised Classification

1. Pada Data Manager, klik citra Phoenix_AZ.tif dan drag to toolbox

bagian Classification hingga muncul File Selection Panel, dengan
Phoenix_AZ.tif sebagai input data raster yang akan digunakan.
2. Klik Next pada File Selection Panel untuk memulai proses.
Berikutnya akan muncul Classification Type Panel.
3. Pilih Used Training Data, yang akan memandu kita menuju
supervised classification workflow steps.
4. Klik Next sehingga muncul Supervised Classification Panel.
5. Pada bagian tab Algorithm, pilih Spectral Angle Mapper.
6. Kita dapat menentukan training data dari file vector (.shp) yang kita
miliki, namun untuk praktikum kali ini, kita akan menggunakan
Polygon Annotation Tool milik ENVI untuk membuat polygon
training data yang akan kita gunakan secara interaktif.
7. Ketika kita menggunakan Training Data, tombol Polygon Annotation
akan muncul dan layar baru yang bernama Training Data akan di
tambahkan di Layar Manager. Kita akan membuat dua kelas dengan
paling tidak satu area/region pada tiap kelas tersebut. Ini adalah
 jumlah kelas minimal yang dibutuhkan untuk memproses Supervised
Classification.
8. Pada Supervised Classification Panel, klik Popertles tab dan ubah
nama kelas dari Class 1 menjadi Lahan Kosong. Biarkan warna
tersebut tetap merah.
9. Geser citra ke bagian penutup lahan berpa lahan kosong atau area
yang tidak terbangun. Buatlah tiga buah polygon pada tiga area lahan
kosong yang terdapat pada citra. Untuk membuat polygon, kelik dan
tahan mouse pada saat membuat polygon Doubel-Click mouse setelah
kita mencapai titik awal untuk menutup polygon.
10. Anotasi polygon akan muncul di Layar Manager di bagian bawah
training data layar.
11. Klik tombol Add Class untuk membuat kelas penutup lahan yang
kedua.
12. Ganti nama kelas dari Class 2 menjadi Vegetasi. Beri warna hijau
pada kelas tersebut.
13. Carilah kenampakan tutupan vegetasi yang baik pada citra seperti
lapangan golf, pepohonan yang rapat, dan lain sebagainya. Buatlah
polygon pada tiga kenampakan tutupan vegetasi berbeda yang tampak
pada citra.
14. Klik tombol Add Class untuk membuat penutupan lahan yang ketiga.
15. Ubah nama kelas dari Class 3 menjadi Bangunan. Beri warna biru
pada kelas tersebut.
16. Cari kenampakan bangunan-bangunan yang memiliki atap yang
tampak pada citra. Buatlah polygon pada tiga bangunan berbeda yang
terdapat pada citra. Usahakan untuk memiliki tiga bangunan yang
memiliki tingkat kecerahan berbeda-beda pada atapnya.
17. Berikutnya kita akan melihat hasil klasifikasi berdasarkan training
data yang kita buat.
18. Enable preview option untuk membuat portak preview yang
memperlihatkan hasil klasifikasi menggunakan training data yang
telah kita buat.
19. preview portal menunjukan bahwa jalan masuk kedalam kelas
bangunan. Oleh karena itu kita perlu menambahkan kelas penutup
lahan yang keempat berupa jalan.
20. Disable terlebih dahulu preview option.
21. klik tombol Add Class.
22. Ganti nama kelas dari Class 4 menjadi Jalan. Beri warna kuning
untuk jalan.
23. Buat tiga polygon dengan cara yang sama seperti sebelumnya pada
tiga kenampakan jalan yang tampak pada citra. Usahakan memiliki
tiga jalan dengan tipe yang berbeda.
24. Eneble kembali perview option.
25. sekarang hasil klasifikasi akan menunjukan kelas penutupan lahan
berupa jalan. Akan tetapi hasil klasifikasi ini juga menyebabkan
terjadinya pengkelasan kembali pada beberapa bangunan yang masuk
kekelas penutup lahan berupa jalan khususnya pada bangunan yang
memiliki atap yang menyerupai kenampakan jalan.
26. Dengan menggunakan fasilitas preview option, cobalah beberapa
metode klasifikasi yang berada di bagian Algorithm.
27. Dari beberapa metode klasifikasi yang di coba, terlihat bahwa metode
Maximum Likelihood atau SAM merupakan metode yang
memberikan hasil klasifikasi penutup lahan paling baik pada citra
yang di gunakan dalam prasktikum ini. Oleh karena itu pilih algoritma
SAM kemudian kelik Next.
28. Ketika proses klasifikasi selesai, citra hasil klasifikasi akan
ditampilkan pada lanjutan yang dapat di lakukan atau tidak (optional),
tapi dalam praktikum ini perlu dilakukan agar kita lebih
memahamidan mengetahui perubahan yang terjadi bila proses cleanup
ditrapkan pada hasil klasifikasi yang telah kita lakukan. Proses
cleanup ini bertujuan untuk menghaluskan, dan membuang polygon-
polygon kecil agar kenampakan hasil klasifikasi lebih baik.
 29. Pada panel cleanup, ubah enable menjadi disable pada smoothing
option. Pilih dan jangan ubah default setting pada Enable
Aggregation.
30. Portal preview harus tetap terbuka agar kita bisa melihat perubahan
yang terjadi pada hasil cleanup sesuai denganprameter yang kita
masukan. Klik pada preview portal, dan drag pada sekeliling citra
untuk melihat efek cleanup yang terjadi pada tiap bagian citra.
31. Klik Next jika proses klasifikasi telah selesai. Kemudian akan muncul
exprot panel.
32. Simpan hasil klasifikasi dalam bentuk citra digital (ENDVI standar
image file), polygon penutup lahan menjadi vector shapefile (shp),
dan statistik dalam bentuk text file.

V. Hasil Praktikum

File citra digital dibagi atas 2 (dua) bagian :

1. Citra hasil klasifikasi dengan model unsupervised classification

 2. Citra hasil klasifikasi dengan model supervised classification
a. Maximum Likelihold

b. Minimum Distance

c. Mahalanobis
d. Spectral Angle Mapper

e. Hasil Gabungan Antara Maximum Likelihold, Minimum Distance,

Mahalanobis dan Spectral Angle Mapper
VI. Pembahasan

Interpretasi citra merupakan pekerjaan yang menjawab pertanyaan bagaimana

cara mempergunakan atau cara menganalisi data pengindraan jauh, agar dapat
digunakan untuk keperluan daerah. Interpretasi citra telah diungkapkan dalam
batasan merupakan kegiatan mengidentifikasi obyek melalui citra pengindraan
jauh. Kegiatan ini merupakan bagian terpenting bagian terpenting didalam
pengindraan jauh karena tanpa dikenali obyek yang tergambar pada citra
pengindraan jauh, maka kita tidak dapat melakukan kegiatan apa-apa terhadap
citra tersebut. Interpretasi citra pengindraan jauh dapat dilakukan dengan dua cara,
yaitu interpretasi secara manual dan digital.

Pnggunaan intrespretasi citra tutupan lahan dengan menggunakan aplikasi Envi

5.0. klasifikasi digital yang di lakukan secara otomatis dari semua pixel citra ke
dalam kelas tutupan lahan (purwadhi, 2001). Tutupan lahan yang di hasilkan oleh
citra dengan menggunakan Unsurpervised Classification merupakan klasifikasi
tutupan lahan yang pasrah terhadap aplikasi tersebut karena dalam proses
pengklasikasi tidak dilakukan dengan klasifikasi secara pribadi tetapi dengan
menggunakan aplikasi (system). Hasil yang di hasilkan oleh citra dengan
menggunakan metode Unsurpervised Classification terdapat berbagai macam
warna yang di tampilkan dengan berbagai macam tutupan lahan yang ada.
Tutupan lahan yang di gambarkan oleh warna, warna biru muda mewakili derah
pesisir, warna ungu muda mewakili awan yang terletak di bagian selatan citra
tersebut, warna merah mewakili lahan terbuka, warna hijau mewakili vegetasi,
warna biru tua mewakili sungai atau peraira semacam danau, warna kuning
mewakili jalan. Tutupan lahan yang terdapat di dalam metode Unsurpervised
Classification merupakan tutupan lahan yang bervariasi dan persebaran tutupan
lahan yang terdapat di dalam metode Unsurpervised Classificationter sebar di
seluruh bagian citra tersebut.

Tutupan lahan yang di lakukan dengan menggunakan metode supervised

classification klasifikasi yang di lakukan dengan menggunakan metone tersebut
dengan cara mengklasifikasi dengan sendiri masing-masing pixel yang di
gunakan. Kalsifikasi yang di lakukan dengan mencari contoh pixel untuk tutupan
lahan yang di gunakan dari berbaai macam kelas. Kelas yang pertama dengan
warna merah menggambarkan lahan kosong, kelas ke dua berwarna hijau
menggambarkan vegetasi, kelas ke tiga berwarna biru tua megggambarkan Lahan
Terbangun dan warna kuning menggambarkan jalan. Alogaritma dalam klasifikasi
tutupan lahan antara lain: Maximum Likelihood, Minimum Distance, Mahalanobis
dan Spectral Angel Mapper. Berdasarkan analisis yang dilakukan bahwa
klasifikasi yang paling baik dalam analisis tutupan lahan adalaha analisis Spectral
Angel Mapper. Analisis pada Spectral Angel Mapper memiliki hasil yang lebih
detail dan pengklasifikasiannya lebih teliti terhadap penggunaan lahan.

Dalam klasifikasi yang di lakukan dengan menggunakan citra digital metode

supervised classification hasil yang di tampakkan kurang detail karena hasil
analisis yang di lakukan secara visual. Klasifikasi yang di lakukan dengan
menggunakan metode supervised classification yang di lakukan oleh penulis
laporan pengindraan jauh ini banyak yang kurang maksimal karena dalam
pengkalsifikasian kurang detail. Kalsifikasi yang di hasilkan oleh penulis sebagian
besar di dominasi dengan warna hijau karena daerah yang penulis klasifikasi
adalah daerah Lampung Barat yang sebagia besar merupakan daerah pegunungan.

VII. Kesimpulan

Klasifikasi tutupan lahan merupakan identikasi penggunaan lahan yang terdapat di

dalam citra. Klasifikasi yang di lakukan dengan menggunakan citra digital dengan
aplikasi Envi 5.0. klasifikasi yang di lakukan dengan menggunakan 2 metode
yaitu metode Unsurpervised Classificationter dan Metode supervised
classification. Klasifikasi yang di lakukan dengan menggunakan metode
Unsurpervised Classificationter adalah klasifikasi yang dilakuka tanpa campur
tangan hanya mengandalkan aplikasi dan warna yang di hasilkan bervariasi.
Kalsifikasi yang di lakukan dengan menggunakan supervised classification
menggunakan analisis visual yang di lakukan pemilihan pixel sendiri
manghasilkan klasifikasi yang bervariasi, hal ini menunjukkan hasil yang di
lakukan terdapat 4 kelas. Hasil dominan berwarna hijau karena daerah penelitian
merupakan wilayah Lampung Barat sebagian besar Perkebunan.
VIII. Daftar Pustaka

Abdullah Yahya, 2015 Analisis Tutupan Dan Penggunaan Lahan, Bogor

https://www.academia.edu/16751584/ANALISIS_TUTUPAN_DAN_PEN
GGUNAAN_LAHAN

Jurnal Tutupan Lahan tahun 2016

http://digilib.unila.ac.id/6068/15/BAB%20II.pdf ( di akses pada tanggal 22

juni 2018 Pukul 11.00 WIB)

Purwadhi, Sri Hardiyanti. 2007. Pengantar interpretasi citra pengindraan

jauh.Semarang. Universitas Negeri Malang.