TUGAS AKHIR PRAKTIKUM PENGINDERAAN JAUH

APLIKASI MENGGUNAKAN SOFTWARE ARCGIS

Disusun Guna Memenuhi Tugas
Praktikum Penginderaan Jauh Aplikasi Semester V
Pengampu: Zaid Ali Wardana, S.Pd.

Oleh:

ROSA DWI PRAMITA

A 610150066

PROGRAM STUDI PENDIDIKAN GEOGRAFI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2018
 KATA PENGANTAR

Alhamdulillah segala puji syukur kami haturkan kepada Allah Subhanahu Wa

Ta’ala karena telah melimpahkan segala rahmat dan hidayah-Nya, sehingga kami
dapat menyelesaikan tugas akhir atau laporan pada mata kuliah Praktikum
Pengindraan Jauh Aplikasi. Ucapan terimakasih kepada kedua orang tua serta
keluarga yang tidak hentinya memberikan dukungan dan motivasi kepada kami
untuk menyelesaikan tugas-tugas yang di berikan dosen dalam proses
pembelajaran, kepada bapak dan ibu dosen sebagai pembimbing kami
mengucapkan terima kasih karena telah memberikan arahan untuk memudahkan
kami dalam menyelesaikan tugas. Serta ucapkan terima kasih pada teman-teman
dan semua pihak yang telah membantu kami dalam menyelesaikan tugas ini.
Kami menyadari banyak kekurangan baik dari segi materi, maupun sistematika
penulisan dalam menyelesaikan tugas ini. Oleh karena itu, kritik dan saran dari para
pembaca sangat kami perlukan sebagai motivasi kami untuk terus belajar. Harapan
kami dengan tugas ini kami dapat menambah pengetahuan tentang interpretasi citra
serta,menambah ilmu kami tentang pengindraan jauh aplikasi menggunakan
Software Arcgis.

Surakarta, 13 Januari 2018

 ACARA VI
KLASIFIKASI SUPERVISED DAN UNSUPERVISED
MENGGUNAKAN ARCGIS

A. Landasan Teori
Menurut Somantri (2008), citra menggambarkan objek, daerah, dan gejala
di permukaan bumi dengan wujud dan letaknya yang mirip dengan di
permukaan bumi. Citra menggambarkan objek, daerah, dan gejala yang relative
lengkap,meliputi daerah yang luas dan permanen. Hasil dari cakupan citra yang
luas menggambarkan objek kecil namun cakupan wilayahnya luas, namun hasil
dari cakupan citra yang kecil akan menggambarkan objek yang lebih jelas
namun cakupan wilayahnya kecil. Citra yang akan diolah memerlukan
perbaikan kualitas visual citra.
Menurut Chein-I Chang dan Ren (2000), kalsifikasi citra merupakan suatu
proses pengelompokkan seluruh piksel pada suatu citra dalam kelompok
sehingga dapat diinterpretasikan sebagai suatu property yang spesifik.
Klasifikasi citra memiliki tujuan untuk melabel atau mengkategorikan setiap
piksel yang ada dalam sebuah citra digital ke dalam tipe tutupan lahan atau
kelas jenis lahan tertentu.
Interpretasi citra penginderaan jauh dapat dilakukan dengan dua cara, yaitu
interpretasi secara manual dan interpretasi secara digital. Dalam interpretasi
secara manual, dikenal beberapa kunci interpretasi sebagai acuan interpretasi
bagi para pengguna/analis sebagaimana terdapat pada pengertian citra
sebelumnya. Klasifikasi secara digital yang menempatkan piksel ke dalam
kelas-kelas secara umum dapat dilakukan dalam dua cara, yaitu : Klasifikasi
Terawasi (Supervised Classification), Klasifikasi Tak Terawasi (Unsupervised
Classification), penelasannya sebagai berikut :
1. Klasifikasi terawasi (supervised)
Klasifikasi terawasi (supervised) didasarkan pada ide bahwa
pengguna (user) dapat memilih sampel pixel – pixel dalam suatu citra yang
merepresentasikan kelas-kelas khusus dan kemudian mengarahkan
perangkat lunak pengolahan citra (image processing software) untuk
menggunakan pilihan-pilihan tersebut sebagai dasar referensi untuk
pengelompokkan pixel-pixel lainnya dalam citra tersebut. Wilayah
pelatihan ( training area) dipilih berdasarkan pada pengetahuan dari
pengguna ( the knowledge of the user). Pengguna dapat menentukan batas
untuk menyatakan seberapa dekat hasil yang ingin dicapai. Batas ini
seringkali ditentukan berdasarkan pada karakteristik spektral dari wilayah
pelatihan yang ada. Pengguna juga dapat merancang hasil keluarannya
(output). Menurut Wibowo, dkk (2013) Klasifikasi terbimbing merupakan
proses pengelompokan pixel-pixel berdasarkan hasil survey. Tahap ini
merupakan identifikasi dan klasifikasi pixel - pixel melalui training area,
selanjutnya tata guna lahan lebih didetailkan lagi berdasarkan survey
kondisi lapangan.
2. Klasifikasi Citra Tak Terawasi (Unsupervised)
Klasifikasi tak terawasi (unsupervised classifications) merupakan
pengklasifikasian hasil akhirnya (pengelompkkan pixel-pixel dengan
karakteristik umum) didasarkan pada analisis perangkat lunak (software
anaysis) suatu citra tanpa pengguna menyediakan contoh-contoh kelas-
kelas terlebih dahulu. Komputer menggunakan teknik-teknik tertentu
untuk menentukan pixel mana yang mempunyai kemiripan dan bergabung
dalam satu kelas tertentu secara bersamaan. Pengguna dapat menentukan
seberapa banyak data yang dapat dianalisis dan dapat menginginkan
seberapa banyak jumlah kelas-kelas yang dihasilkan, tetapi di lain sisi
pengguna tidak dapat mempengaruhi proses pengklasifikasian. Meskipun
begitu, pengguna harus mempunyai pengetahuan tentang wilayah yang
akan diklasifikasikan pada saat mengelompokkan pixel-pixel dengan
karakteristik umum yang dihasilkan oleh komputer harus direlasikan
dengan fitur aslinya. Menurut Wibowo, dkk (2013) Klasifikasi tidak
terbimbing merupakan proses pengelompokan pixel-pixel pada citra
menjadi beberapa kelas menggunakan analisa cluster (cluster analysis)
menggunakan metode Iso Data. Sampai disini peta citra dapat
 diinterpretasikan menjadi beberapa tata guna lahan misalkan, lahan
terbuka, lahan tertutup vegetasi, dan lahan hutan.

B. Tujuan
Tujuan dari praktikum ini :
1. Untuk mengetahui langkah – langkah klasifikasi supervised dan
unsupervised
2. Untuk perbedaan hasil klasifikasi supervised dan unsupervised

C. Alat dan Bahan

Alat yang digunakan yaitu:
1. Komputer atau laptop
2. Citra Landsat 8 Kabupaten Grobogan
3. Buku pendukung
4. Software Arcgis 10.2

D. Langkah Kerja
1. Langkah kerja untuk unpervised sebagai berikut:
a. Buka Arcmp 10.2 lalu add data band 4 citra grobogan dan klik add
b. Akan muncul seperti gambar dibawah

c. Piih “Customize lalu klik Toolbar kemudian klik “Image

Classification”

d. Pilih “Classification” lalu klik “Iso Cluster Unsupervised

Classification”
e. Isi “Number of Classes” dengan angka 10 dan klik “ok”

f. Tunggu kotak biru dengan tanda (√) muncul dan citra akan berubah
seperti dibawah.
g. Klik kanan pada “isocluster4” pilih data lalu klik” export data” akan
muncul seperti gambar dibawah. Pilih location sesuai folder anda
kemudian ganti nama menjadi “unsuper” dan klik save.

h. Klik kanan pada unsuper.tif kemudian klik “Open Atribute Table”

i. Klik Add Field

j. Isi name dengan “kls_lahan”, type dengan “text” lalu klik “ok
k. Klik Add Field lagi dan isi name dengan “luas_lahan”, type dengan
“double” lalu klik “ok

l. Klik kanan pada kolom “Count dibagian atas kemudian pilih

“Statistics”

m. Kemudian copy angka yang ada pada Sum.

n. Klik kanan pada bagian atas tabel luas_lahan kemudian pilih “Field
Calculator”

o. Klik “Count” dibagi (/) Sum yang telah di copy dikali (*) 100 kemudian
klik ok”.
p. Klik kanan lagi pada bagian atas tabel luas_lahan dan klik “propesties”

q. Klik kotak yg ada disamping Numeric

r. Ganti angka menjadi 2 kemudian klik “ok”

s. Lihat angka pada tabel luas_lahan berubah

2. Langkah kerja untuk “Supervised” sebagai berikut:
a. Klik “Training Sample Manager”

b. Akan muncul kotak seperti dibawah dan klik “draw circle”

c. Buatlah lingkaran menggunakan draw circle untuk menunjukkan
penggunaan lahan disetiap bagian wilayah Kabupaten Grobogan.

d. Klik “Create a signature file”.

e. Isi file name dengan “kelassuper” dan pastikan file akan disimpan pada
folder yang dituju. Lalu klik save.

f. Klik “Classification” dan pilih “Maximum Likelihood Classification”

g. Klik “Input signature file” dan pilih kelassuper.gsg yang tadi dibuat.
Dan klik “ok”.

h. Tunggu sampai kotak biru dengan tanda (√) muncul.

 i. Jadilah sesuai klasifikasi yg kita buat tadi.

E. Hasil dan Pembahasan

Berdasarkan hasil unsupervised dan supervised dapat diketahui bahwa

penggunaan lahan di Kabupaten Grobogan dapat diketahui keakuratan
supervised lebih akurat dibandingkan unsupervised.

F. Daftar Pustaka
Chen-I Chang dan H. Ren. 2000. An Experiment-Based Quantitative and
Comparative Analysis of Target Detection and Image Classification
 Algorithms for Hyperspectral Imagery. IEEE Trans. On Geoscience and
Remote Sensing.

Somantri, Lili. 2008. “Pemanfaatan Tehnik Penginderaan Jauh Untuk

Mengidentifikasi Kerentanan Dan Risiko Banjir.” Jurnal Gea Vol.8
No. 2
 ACARA VII
CITRA LANDSAT 8 NORMALIZED DIFFERENCE
VEGETATION INDEX (NDVI) DAN NORMALIZED
DIFFERENCE BUILD-UP INDEX (NDBI)
DI KABUPATEN GROBOGAN

A. Landasan Teori
Menurut Putra (2011), indeks vegetasi adalah salah satu parameter yang
digunakan untuk menganalisa keadaan vegetasi dari suatu wilayah. Indeks
tersebut mempunyai berbagai macam variasi algoritma. Indeks vegetasi
merupakan metode transformasi citra berbasis data spektral yang banyak
dimanfaatkan tidak hanya untuk pengamatan tumbuhan, tetapi juga telah
dimodifikasi untuk berbagai keperluan seperti efek soil background dalam
analisis vegetasi. Tingkat kerapatan vegetasi dapat dikaji melalui penggunaan
teknologi yang saat ini terus berkembang. Tinggi rendahnya suatu kerapatan
vegetasi dapat diketahui dengan menggunakan teknik NDVI (Normalized
Difference Vegetation Index), yang merupakan sebuah transformasi citra
penajaman spektral untuk menganalisa hal-hal yang berkaitan dengan vegetasi.
Menurut Chen (2005) Normalized Difference Buit-up Index (NDBI) juga
telah dikembangkan untuk lahan terbangun dan/atau lahan terbuka. Kedua
indeks ini telah umum digunakan di berbagai daerah untuk mendeliniasi tutupan
lahan. Oleh karena itu, penggunaan NDVI dan NDBI dapat mewakili tipe
tutupan lahan secara kuantitatif sehingga hubungan antara indeks-indeks
tersebut dengan suhu dapat dilakukan dalam penelitian-penelitian UHI.

B. Tujuan
Tujuan pratikum ini yaitu mengetahui bagaimana kerapatan vegetasi di
Kabupaten Grobogan dengan memanfaatkan citra landsat-8.

C. Alat dan Bahan

Alat yang digunakan yaitu:
 5. Komputer atau laptop
6. Citra Landsat 8 Kabupaten Grobogan
7. Buku pendukung
8. Software Arcgis 10.2

D. Langkah Kerja
Langkah-langkahnya sebagai berikut:
1. Buka software Arcgis 10.2 lalu klik Add data. Kemudian klik
“GROBOGAN_B4, GROBOGAN_B5, GROBOGAN_B6” dan klik Add.

2. Setelah di klik add akan muncul seperti gambar dibawah.

3. Buka kalkulator kemudian copy sun elevation dan paste di kalkulator
lalu klik sin.

4. Klik “ArcToolbox” lalu “Spatial Analysis Tools” kemudian “Map

Algebra” dan klik “Rastre Calculator”.

5. Masukkan rumus seperti dibawah ini.

0.7794832847628208069294975726012 berasal dari hitungan sun
elevation diubah menjadi sin. 0.0002 berasal dari
“Reflentance_Mult_Band_4 dan -0.100000 berasal dari
“Reflectance_Add_Band_4. Lalu klik ok.
6. Tunggu kotak biru dengan tanda (√) seperti dibawah.

7. Klik kanan pada “reff_red1” pilih data lalu klik “data” lalu “export
data” akan muncul seperti gambar dibawah.
8. Pilih location sesuai folder anda kemudian ganti nama menjadi
“reff_red11” dan klik save.

9. Buka kembali “Raster Calculator”. Masukkan rumus seperti dibawah

ini. 0.7794832847628208069294975726012 berasal dari hitungan sun
elevation diubah menjadi sin. 0.0002 berasal dari
“Reflentance_Mult_Band_5 dan -0.100000 berasal dari
“Reflectance_Add_Band_5. Lalu klik ok.
10. Tunggu kotak biru dengan tanda (√) seperti dibawah.

11. Klik kanan pada “reff_nir” pilih data lalu klik “data” lalu “export data”
akan muncul seperti gambar dibawah.
12. Pilih location sesuai folder anda, kemudian ganti nama menjadi
“reff_nir2” dan klik save.

13. Buka kembali “Raster Calculator”. Masukkan rumus seperti dibawah

ini. 0.7794832847628208069294975726012 berasal dari hitungan sun
elevation diubah menjadi sin. 0.0002 berasal dari
“Reflentance_Mult_Band_6” dan -0.100000 berasal dari
“Reflectance_Add_Band_6”. Lalu klik ok.
14. Tunggu kotak biru dengan tanda (√) seperti dibawah.

15. Klik kanan pada “reff_swir” pilih data lalu klik “data” lalu “export
data” akan muncul seperti gambar dibawah.
16. Pilih location sesuai folder anda, kemudian ganti nama menjadi
“reff_swir1” dan klik save.

17. Klik “ArcToolbox” klik “Data Management Tools” kemudian “Raster”

klik lagi “Raster Processing dan klik “Composite Bands”.
18. Akan muncul kotak Composite Bands seperti dibawah. Lalu klik”ok”.

19. Tunggu kotak biru dengan tanda (√) seperti dibawah.

20. Klik kanan pada “composite1” pilih data lalu klik “data” lalu “export
data” akan muncul seperti gambar dibawah.

21. Pilih location sesuai folder anda dan klik save.

22. Klik “ArcToolbox” lalu “Spatial Analysis Tools” kemudian “Map
Algebra” dan klik “Rastre Calculator”.

23. Klik float dua kali lalu masukkan rumus seperti dibawah. Lalu klik
“ok”.
24. Tunggu kotak biru dengan tanda (√) seperti dibawah.

25. Klik kanan pada “rastercalc8” pilih data lalu klik “data” lalu “export
data” akan muncul seperti gambar dibawah.
26. Pilih location sesuai folder anda, kemudian ganti nama menjadi
“NDVI” dan klik save.
27. Ini merupakan hasil NDVI citra Landsat 8 Kabupaten Grobogan.

28. Buka kembali raster calculator dan masuk rumus seperti dibawah untuk
membuat “NDBI”.
29. Tunggu kotak biru dengan tanda (√) seperti dibawah.

30. Klik kanan pada “rastercal6” pilih data lalu klik “data” lalu “export
data” akan muncul seperti gambar dibawah.

31. Pilih location sesuai folder anda, kemudian ganti nama menjadi
“NDBI” dan klik save.
32. Ini merupakan hasil NDBI.
E. Hasil dan Pembahasan
1. Hasil NDVI

Berdasarkan hasil pengolahan data dari landsat 8 tentang tingkat kerapatan

vegetasi di Kabupaten Grobogan diketahui bahwa penggunaan lahan di
dominasi oleh warna hijau yang agak tua dibandingkan warna hijau yang lain.
Tingkat kehijauan yang agak tua menunjukkan bahwa wilayah tersebut masih
mempunyai vegetasi yang banyak,arena indeks vegetasi sendiri sebenarnya
menggambarkan tingkat kehijauan tanaman. Indeks inilah yang merupakan
kombinasi matematis antara antara band merah (Red) dan NIR (Near Infrared
Radiation).

2. Hasil NDBI

Berdasarkan hasil pengolahan data dari landsat 8 lebih dominan dengan

warna kuning agak kehijauan. Hampir 60% kabupaten Grobogan menurut hasil
 NDBI berwarna kuning agak kehijauan yang artinya masih banyak daerah non
pemukiman. Sedangkan untuk warna biru berarti daerah pemukiman jarang
dan orange berarti daerah yang rapat.
F. Daftar Pustaka

Chen, Xiao-Ling;dkk. 2005. Remote sensing image-based analysis of the

relationship between urban heat island and land use/cover changes.
University of San Diego. San Diego. USA.
Putra H, Erwin, 2011. Penginderaan Jauh dengan Er Mapper. Yogyakarta:
Gadjah Mada University Press.
 ACARA VIII
LAND SURFACE TEMPERATURE CITRA LANDSAT 8
DI KABUPATEN GROBOGAN

A. Landasan Teori
Menurut Somantri (2008), citra menggambarkan objek, daerah, dan gejala
di permukaan bumi dengan wujud dan letaknya yang mirip dengan di
permukaan bumi. Citra menggambarkan objek, daerah, dan gejala yang
relative lengkap,meliputi daerah yang luas dan permanen. Hasil dari cakupan
citra yang luas menggambarkan objek kecil namun cakupan wilayahnya luas,
namun hasil dari cakupan citra yang kecil akan menggambarkan objek yang
lebih jelas namun cakupan wilayahnya kecil. Citra yang akan diolah
memerlukan perbaikan kualitas visual citra.
Menurut Delarizka (2016), temperatur permukaan tanah atau Land Surface
Temperature (LST) merupakan keadaan yang dikendalikan oleh
keseimbangan energi permukaan, atmosfer, sifat termal dari permukaan, dan
media bawah permukaan tanah. Temperature permukaan suatu wilayah dapat
diidentifikasikan dari citra satelit Landsat yang diekstrak dari band thermal.
B. Tujuan
Tujuan dari praktikum ini yaitu mengetahui hubungan antara land surface
temperature dengan kelas tutupan lahan di Kabupaten Grobogan.

C. Alat dan Bahan

Alat yang digunakan yaitu:
9. Komputer atau laptop
10. Citra Landsat 8 Kabupaten Grobogan
11. Buku pendukung
12. Software Arcgis 10.2

D. Langkah Kerja

1. Add data band 10 dan 11. Composite, NDVI

2. Di raster calculate
3. Lalu lakukan hal yang sama
4. Masukkan rumus untuk TEMP B_10

5. Lalu, lakukan hal yang sama

6. Lalu, cell statistik
7. Klik dan isi Temp 10 dan 11

8. Lalu OK

9. Raster calculate kembali

10. Lalu, masukkan rumus untuk menjadi LST_B10
11. Lalu lakukan hal yang sama
12. Lalu, klik Cell Statistic

13. Lalu masukkan rumus

14. Hasil akhir LST
E. Hasil dan Pembahasan

Dapat disimpulkan antara band 10 da band 11 memiliki nilai maksimum

dan nilai minimum yang berbeda saatu sama lain. Selain itu juga memiliki
suhu temperatur yang berbeda juga, antara 26°C - 27°C. Sedangkan untuk
band 11 memiliki kisaran suhu <25°. Hal ini dapat dipengaruhi oleh iklim dan
topografi Kabupaten Grobogan sendiri.

F. Daftar Pustaka

Somantri, Lili. 2008. “Pemanfaatan Tehnik Penginderaan Jauh Untuk

Mengidentifikasi Kerentanan Dan Risiko Banjir.” Jurnal Gea Vol.8 No.
2.
Delarizka, Almira; dkk. 2016. “Analisis Fenomena Pulau Bahang (Urban
Heat Island) Di Kota Semarang Berdasarkan Hubungan Antara
Perubahan Tutupan Lahan Dengan Suhu Permukaan Menggunakan Citra
Multi Temporal Landsat”. Jurnal Geodesi Undip. Vol. 5 No. 4.