Oleh:
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
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
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.
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
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”
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.
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.
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.
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.
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.
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.
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
2. Hasil NDBI
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.
D. Langkah Kerja
8. Lalu OK
F. Daftar Pustaka