LAPORAN HASIL PRAKTIKUM

INDERAJA DASAR
Klasifikasi Supervised

Dosen Pengampu : Annisa Farida Hayuningsih, S.T., M.Eng

Disusun oleh :

LIA MAULANI (16/396632/SV/10845)

PROGRAM STUDI DIPLOMA III TEKNIK GEOMATIKA

DEPARTEMEN TEKNOLOGI KEBUMIAN
SEKOLAH VOKASI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2017

i|PraktekInderajaDasar
 KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa yang telah
melimpahkan karunia-Nya kepada penulis sehingga dapat menyelesaikan Laporan
Praktikum Inderaja Dasar dengan baik dan lancar.

Praktikum Inderaja Dasar dengan materi “Klasifikasi Supervised” ini disusun guna
memenuhi tugas Praktek Inderaja Dasar pada semester 3 Jurusan D3 Teknik
Geomatika,Sekolah Vokasi. Selain itu,penulis juga ingin memperluas pengetahuan serta
mengukur seberapa jauh kemampuan penulis dalam mengerjakan laporan ini

Penulis menyadari bahwa laporan praktikum yang dibuat ini masih jauh dari
sempurna. Oleh karena itu,penulis sangat mengharapkan kritik dan saran dari
pembaca,sebagai bahan evaluasi .Penulis berharap semoga laporan praktikum ini dapat
bermanfaat bagi para pembaca.

Yogyakarta, 28 November 2017

Penulis

ii | P r a k t e k I n d e r a j a D a s a r
 DAFTAR ISI

HALAMAN JUDUL ..................................................................................................................... i

KATA PENGANTAR ............................................................................................................... ii
DAFTAR ISI................................................................................................................................. iii
BAB I PENDAHULUAN ............................................................................................................. 1
A. Latar Belakang .................................................................................................................... 1
B. Maksud dan Tujuan ............................................................................................................ 2
C. Waktu Pelaksanaan Praktikum ......................................................................................... 2
D. Tempat Pelaksanaan Praktikum ....................................................................................... 2
E. Alat dan Bahan .................................................................................................................... 3

BAB II LANDASAN TEORI ...................................................................................................... 4

A. Klasifikasi Citra .................................................................................................................. 4

B. Klasifikasi Citra Supervised ............................................................................................. 4
C. Software ENVI .................................................................................................................... 7

BAB III LANGKAH KERJA ................................................................................................... 8

BAB IV HASIL DAN PEMBAHASAN................................................................................. 16

A. Hasil dan Pembahasan .................................................................................................... 16

BAB V PENUTUP ...................................................................................................................... 20

A. Kesimpulan ....................................................................................................................... 20
B. Saran .................................................................................................................................. 20
C. Kendala ............................................................................................................................. 20

DAFTAR PUSTAKA................................................................................................................. 21

iii | P r a k t e k I n d e r a j a D a s a r
 BAB I

PENDAHULUAN

A. Latar Belakang

Perkembangan penginderaan jauh dalam bidang wahana dan sensor dapat dirasakan
dengan semakin beraneka ragamnya data penginderaan jauh baik dalam segi resolusi
spektral, resolusi spasial dan resolusi temporal yang dihasilkan. Teknologi penginderaan
jauh ini memudahkan dalam segi perolehan data yang cepat, biaya yang lebih murah,
cakupan yang lebih luas maupun keterjangkaun dan aksesesbilitas pada daerah kajian
berbanding dengan teknologi konvensional atau lapangan. Akan tetapi seiring
berkembangnya teknologi penginderaan jauh tetap akan memiliki keterbatasan sehingga
perlu adanya batasan-batasan yang yang jelas untuk menggunakan berbagai macam produk
teknologi penginderaan jauh ini.
Perkembangan dalam bidang wahana juga diimbangi dengan perkembangan pada
bidang analisis digitalnya. Berbagai macam metode untuk klasifikasi data penginderaan
jauh mulai bermunculan, salah satu contohnya adalah metode berbasis piksel dan metode
berbasis objek. Metode klasifikasi berbasis piksel muncul lebih dulu daripada metode
berbasis objek. Metode berbasis piksel ini lebih banyak dikaji dibandingkan metode
berbasis objek dikarenakan metode tersebut mengelompokan suatu informasi terhadap nilai
spektral atau satu aspek saja, berbeda dengan metode klasifikasi berbasis objek yang
mengelompokan suatu informasi terhadap beberapa aspek seperti spektral, tekstur dan
beberapa aspek lainnya.
Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke dalam
sejumlah class (kelas), sehingga setiap kelas dapat menggambarkan suatu entitas dengan
ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk
menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Contoh
objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah, kota,
jalan, dan lain-lain. Sedangkan pada citra satelit meteorologi, proses klasifikasi
dapat menghasilkan peta awan yang memperlihatkan distribusi awan di atas suatu
wilayah.
Klasifikasi tidak terbimbing (unsupervised) melakukan pengelompokan data
dengan menganalisa cluster secara otomatis dan menghitung kembali rata- rata kelas (class
1|PraktekInderajaDasar
 mean) secara berulang-ulang dengan komputer. Sumbu horizontal menunjukkan nilai piksel
pada band 2 dan sumbu vertikal menunjukkan nilai kecerahan piksel pada band 1.
Pengelompokan piksel menjadi kelas spektral diawali dengan menentukan jumlah kelas
spektral yang akan dibuat. Penentuan jumlah kelas ini dapat dilakukan dengan
memperhatikan jumlah puncak histogram sehingga diperoleh jumlah kelas spectral yang
akan dibentuk. Setelah jumlah kelas spektral ini ditentukan kemudian dipilih pusat-pusat
kelas spektral terhadap setiap pusat kelas spektral. Berdasarkan hasil pengukuran jarak ini
setiap piksel dikelompokkan ke dalam suatu kelas spectral yang memiliki jarak terdekat.
B. Maksud dan Tujuan
Adapun maksud dan tujuan dilaksanakannya praktikum adalah:
1. Mahasiswa dapat mengoperasikan Software ENVI yang merupakan salah satu
software pengolah citra
2. Mahasiwa dapat memahami tentang klasifikasi citra
3. Mahasiswa dapat melakukan klasifikasi citra Supervised dibantu software ENVI.

C. Waktu Pelaksanaan Praktikum

C.1 Praktikum
Praktikum Klasifikasi Supervised dengan Software ENVI dilaksanakan secara
mandiri mulai tanggal 9 November 2017
C.2 Pembuatan Laporan
Pembuatan Laporan Praktikum mengenai Klasifikasi Supervised dengan Software
ENVI dilaksanakan secara mandiri pada tanggal 27 November 2017 – 28 November 2017
D. Tempat Pelaksanaan Praktikum
D.1 Praktikum
Praktikum Klasifikasi Supervised dengan Software ENVI secara mandiri di
Laboratorium Komputasi Teknik Geodesi, Fakultas Teknik,UGM dan di rumah penulis.
D.2 Pembuatan Laporan
Pembuatan laporan Praktikum Klasifikasi Supervised dengan Software ENVI
dilaksanakan secara mandiri di rumah penulis.

2|PraktekInderajaDasar
E. Alat dan Bahan
Adapun alat dan bahan yang diperlukan dalam Praktikum Inderaja Dasar
mengenai Klasifikasi Supervised,antara lain :
1. Personal komputer
2. Software ENVI
3. File citra Landsat 8 yang telah terektifikasi (hasil crop)

3|PraktekInderajaDasar
 BAB II

LANDASAN TEORI

A. Klasifikasi Citra
Klasifikasi citra merupakan proses untuk mengelompokkan seluruh pixel pada suatu
citra ke dalam sejumlah class (kelas), sedemikian hingga tiap class merepresentasikan suatu
entitas dengan properti yang spesifik (Chein-I Chang dan H.Ren, 2000) Dalam pengolahan
data citra yang tujuanya untuk dijadikan data primer sebuah pemetaan atau penelitian. Daerah
yang terdapat pada peta harus terlebih dahulu diketahui wilayahnya apakah wilayah tersebut
merupakan daerah pemukiman, perkebunan atau daerah pantai. Untuk itu perlu lakukannya
klasifikasi objek untuk menentukan kelas objek tersebut.
Data penginderaan jauh pada umumnya berbentuk data digital yang merekam unit
terkecil dari permukaan bumi dalam sistim perekam data. Unit terkecil ini dikenal dangan
nama pixel (picture element) yang berupa koordinat 3 dimensi (x,y,z). Koordinat x,y
menunjukkan lokasi unit tersebut dalam koordinat geografi x, y dan z menunjukkan nilai
intensitas pantul dari tiap pixel dalam tiap selang panjang gelombang yang dipakai. Nilai
intensitas pantul dibagi menjadi 256 tingkat berkisar antara 0 – 255 dimana 0 merupakan
intensitas terendah (hitam) dan 255 intensitas tertinggi (putih). Dengan data citra asli (raw
data) tidak lain adalah kumpulan dari sejumlah pixel yang bernilai antara 0 -255. Tujuan dari
proses klasifikasi citra adalah untuk mendapatkan gambar atau peta tematik. Gambar tematik
adalah suatu gambar yang terdiri dari bagian-bagian yang menyatakan suatu objek atau
tema tertentu. Dalam klasifikasi citra ada dua metode yang dapat digunakan, yaitu :
1. Supervised classification
2. Unsupervised classification
B. Klasifikasi Citra Unsupervised
Proses klasifikasi disebut tidak terawasi (unsupervised), bila dalam prosesnya
tidak menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa proses tersebut
hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel pada citra. Klasifikasi
citra tak terawasi mencari kelompok-kelompok (cluster) piksel-piksel, kemudian menandai
setiap piksel kedalam sebuah kelas berdasarkan parameter-parameter pengelompokkan awal
yang didefinisikan oleh penggunanya.

4|PraktekInderajaDasar
 Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa cluster
secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara berulang-ulang
dengan computer.
Sumbu horizontal menunjukkan nilai piksel pada band2 dan sumbu vertical
menunjukkan nilai kecerahan piksel pada band1. Pengelompokan piksel menjadi kelas
spectral diawali dengan menentukan jumlah kelas spectral yang akan dibuat. 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 pengukuran 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.
Parameter yang menentukan pemisahan dan pengelompokan piksel-piksel menjadi
kelas spectral yaitu:
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 (%).
3. Nilai pemisahan pusat kelas yang dipecah
4. Jarak minimum antara rata-rata kelas spectral, berkisar antara 3,2 sampai 3,9.
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.
Setelah semua kelas spectral teridentfikasi kemudian dapat dilakukan penyederhaan
untuk menggabungkan kelas-kelas yang tergolong sama, misalnya pengabungan
perkampungan 1 dan perkampungan 2 menjadi satu kelas perkampungan. Hasil klasifikasi
5|PraktekInderajaDasar
dapat ditunjukka dari gradasi warna yang terbentuk yang menunjukkan jenis kelas yang
dikelompokkan oleh komputer.
Diagram alir Klasifikasi Unsupervised

Cara kerja metode unsupervised ini merupakan kebalikkan dari metode supervised ,
dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer kedalam kelas-kelas
spectral 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
bias menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama menjadi
satukelas. Misal class1,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.Beberapa algoritma yang bisa digunakan untuk menyelesaikan metode unsupervised
Ini diantaranya adalah K-Means dan ISODATA

6|PraktekInderajaDasar
C. Software ENVI
The Environment For Visualizing Images (ENVI) merupakan salah satu perangkat
lunak (software) pengolah citra. ENVI dapat mengolah citra dari hasil olahan perangkat lunak
pengolah citra yang lain seperti ERDAS dan ER Mapper. ENVI dapat mengolah citra yang
berasal dari format JPEG, TIFF, GEO TIFF, dan lain sebagainya. Fungsi terbaru ENVI dapat
menampilkan data LIDAR dan dapat secara langsung menggabungkan data penginderaan
jauh lain dengan data LIDAR.Kegunaan lain ENVI dirancang untuk berbagai kebutuhan
spesifik yang menggunakan data penginderaan jauh dari satelit dan pesawat terbang. ENVI
menyediakan data visualisasi yang menyuluruh dan analisa untuk citra dalam berbagai ukuran
dan tipe, semuanya dalam suatu lingkungan yang mudah dioperasikan dan inovatif untuk
digunakan.
ENVI menggunakan a Graphical User Interface (GUI). Format data raster dan Ascii
(text) sebagai header file. Data raster disimpan sebagai ‘binary stream of bytes’ berupa format
Band Sequential (BSQ), Band Interleaved by Pixel (BIP) dan Band Interleaved by Line
(BIL). ENVI juga mendukung berbagai tipe format lainnya seperti : byte, interger, long
interger, floating-point, double-precision, complex,dan double-precision complex.
ENVI memiliki tiga jendela utama yaitu The Main Display Window untuk
menampilkan semua tampilan citra dalarn full resolution yang dibatasi oleh kotak pada scroll,
The Scroll Window untuk menampilkan seluruh citra pada file, dan The Zoom Window untuk
menampilkan perbesaran dari main display window yang dibatasi oleh kotak pada window.
ENVI penginderaan jauh memiliki beberapa menu utama diantaranya adalah : File
Management, Display Management, Interactive Display Functions, Basic Tools,
Classification, Transform, Filters, Spectral Tools, Map Tools, Vector Tools, Topographic
Tools, Radar Tools.

7|PraktekInderajaDasar
 BAB III

LANGKAH KERJA

A. Klasifikasi Citra Supervised menggunakan Software ENVI 4.6.1

a. Meng-install Software ENVI 4.6.1 pada komputer/laptop. Software
ENVI yang dipakai yaitu ENVI 4.6.1
b. Membuka software ENVI 4.6.1 dengan cara meng-klik kanan shortcut ENVI
6.4.1→Open

c. Membuka citra Landsat 8 yang telah terektifikasi yang telah di crop ( hasil
praktikum Minggu 10) dengan cara klik Menu File Open Image File

8|PraktekInderajaDasar
 Pilih file citra bernama crop4.tiff Open

d. Menampilkan citra Landsat 8 rektifikasi hasil crop pada Available Bands List
 klik RGB(menampilkan dengan kombinasi Red, Green,Blue dengan
komposisi RGB klik RGB

e. Untuk melakukan klasifikasi,terlebih dahulu memilih Region of interest untuk

memberi acuan pada klasifikasi tersebut. Pemilihan tersebut dengan cara klik
menu Tools →Region of Interest →Roi Tools,maka akan muncul jendela Roi
Tools

9|PraktekInderajaDasar
 f. Menandai daerah-daerah dengan sampel klasifikasi yang sesuai dengan sasaran
klasifikasi. Pada ROI name diganti dengan objek klasifikasi misal vegetasi,
sawah,pemukiman,laut dan sebagainya. Selain itu pilihan Color memberikan
warna-warna yang dapat diatur sesuai yang diinginkan.

Untuk menandai suatu sasaran yaitu dengan mendigitasi sasaran per pixel maka
harus mengubah tampilan dengan cara pada pilihan Window pilih Zoom. Untuk
melakukan digitasi dilakukan menggunakan pointer dengan cara digitasi seperti
biasa kemudian untuk menjadi luasan-luasan maka setelah selesai melakukan
digitasi lalu klik kanan .

10 | P r a k t e k I n d e r a j a D a s a r
 g. Setelah selesai membuat ROI,lalu disimpan dengan cara klik File → Save ROIs
→ Select All Items → pilih directory penyimpanan ROI dan nama hasil
penyimpanan ROI →OK.

h. Melakukan klasifikasi Supervised dengan berbagai logaritma. Yang pertama

adalah klasifikasi menggunakan Parallelpiped dengan cara Klik pada menu
Classification → Supervised → Parallelepiped → Pilih file citra yang akan diklasifikasi
(crop4)→ OK → Select All items (semua ROI) → pilih directory penyimpanan hasil
klasifikasi dan nama file hasil klasifikasi → OK.

11 | P r a k t e k I n d e r a j a D a s a r
 Membuka hasil klasifikasi pada Display baru,maka hasil klasifikasi
menggunakan Parallelpiped seperti di bawah ini

i. Yang kedua adalah klasifikasi menggunakan Minimum Distance dengan cara

Klik pada menu Classification → Supervised → Minimum Distance→ Pilih file citra
yang akan diklasifikasi (crop4)→ OK → Select All items (semua ROI) → pilih
directory penyimpanan hasil klasifikasi dan nama file hasil klasifikasi → OK.

12 | P r a k t e k I n d e r a j a D a s a r
 Membuka hasil klasifikasi pada Display baru,maka hasil klasifikasi
menggunakan Minimum Distance seperti di bawah ini

13 | P r a k t e k I n d e r a j a D a s a r
 j. Yang ketiga adalah klasifikasi menggunakan Mahalanobis Distance dengan
cara Klik pada menu Classification → Supervised → Mahalanobis Distance→ Pilih
file citra yang akan diklasifikasi (crop4)→ OK → Select All items (semua ROI) →
pilih directory penyimpanan hasil klasifikasi dan nama file hasil klasifikasi → OK.

Membuka hasil klasifikasi pada Display baru,maka hasil klasifikasi

menggunakan Mahalanobis Distance seperti di bawah ini

k. Yang keempat adalah klasifikasi menggunakan Maximum Likelihood dengan

cara Klik pada menu Classification → Supervised → Maximum Likelihood→ Pilih file
citra yang akan diklasifikasi (crop4)→ OK → Select All items (semua ROI) → pilih

14 | P r a k t e k I n d e r a j a D a s a r
 directory penyimpanan hasil klasifikasi dan nama file hasil klasifikasi → OK.

Membuka hasil klasifikasi pada Display baru,maka hasil klasifikasi

menggunakan Maximum Likelihood seperti di bawah ini

15 | P r a k t e k I n d e r a j a D a s a r
 BAB IV

HASIL DAN PEMBAHASAN

A. Hasil dan Pembahasan

A.1 Hasil dan Pembahasan
Pembagian kelas pada klasifikasi Supervised dibagi menjadi 5 sampel antara lain :
Objek laut →berwarna biru
Vegetasi →berwarna hijau gelap
Sawah →berwarna hijau
Lahan kosong → berwarna merah
Pemukiman →berwarna kuning

16 | P r a k t e k I n d e r a j a D a s a r
 Klasifikasi diatas merupakan klasifikasi Supervised dimana
pengelompokannya ditentukan oleh masing-masing personal atau secara manual,maka
dari itu berbeda dengan klasifikasi Unsupervised yang ditentukan oleh algoritma dari
software. Hasil klasifikasi Supervised ini sangat bergantung pada pengambilan sampel
objek dengan cara digitasi secara manual. Dalam pengambilan sampel diusahakan
sedetil mungkin dan apabila memungkinkan hingga satu sampel agar hasil klasifikasi
dapat menginterpretasi objek sesuai dengan kenampakan aslinya.
Klasifikasi Supervised menggunakan software ENVI memiliki beberapa
metode antara lain yaitu Parallelepiped , Minimum Distance,Mahalanobis Distance
dan Maximum Likelihood
A.2 Hasil dan Pembahasan Klasifikasi Metode Parallelepiped

Klasifikasi menggunakan metode Parallelepiped memiliki kenampakan diatas

dimana pada klasifikasi objek laut yang seharusnya berwarna biru digambarkan
dengan beberapa warna kuning yang merupakan sampel dari objek pemukiman. Dan
beberapa sawah belum sepenuhnya terklasifikasi.
A.3 Hasil dan Pembahasan Klasifikasi Metode Minimum Distance

Klasifikasi menggunakan metode Minimum Distance memiliki kenampakan

dimana pada klasifikasi objek laut sudah makin banyak terkena sampel objek
pemukiman (warna kuning) akan tetapi objek sawah sudah terlihat sama sesuai dengan
klasifikasinya dan objek lahan kosong sudah tersebar secara merata sesuai dengan
klasifikasinya.

17 | P r a k t e k I n d e r a j a D a s a r
 A.4 Hasil dan Pembahasan Klasifikasi Metode Mahalanobis Distance

Klasifikasi menggunakan metode Mahalanobis Distance menurut saya

merupakan klasifikasi yang paling tidak teratur diantara metode yang lainnya apabila
berdasarkan hasil klasifikasi itu sendiri. Di metode ini memiliki kenampakan dimana
pada klasifikasi objek laut makin banyak terkena sampel objek pemukiman (warna
kuning) ditambah dengan objek sawah.Akan tetapi objek – objek lainnya sudah tersebar
dengan benar berdasarkan pengelompokan sampel masing-masing objek.

18 | P r a k t e k I n d e r a j a D a s a r
 A.5 Hasil dan Pembahasan Klasifikasi Metode Maximum Likelihood

Klasifikasi menggunakan metode Maximum Likelihood menurut saya

merupakan klasifikasi yang paling teratur dan sesuai dengan pengelompokan sampel
diantara metode yang lainnya apabila berdasarkan hasil klasifikasi itu sendiri. Di
metode ini memiliki kenampakan dimana pada klasifikasi objek laut sudah berwarna
biru,dan memang di daerah pantai ada beberapa pemukiman sehingga ada sampel
kuning. Objek vegetasi juga sudah sesuai dengan pengelompokan sampel yaitu
berwarna hijau tua. Dan beberapa lahan kosong(berwarna merah) telah tersebar merata
Objek sawah dan pemukin sudah tepat berdasarkan kelas klasifikasinya yaitu sawah
dengan warna hijau dan pemukiman berwarna kuning. Jadi metode pada klasifikasi
Supervised yang menampilkan hasil klasifikasi yang baik yaitu metode Maximum
Likelihood .

19 | P r a k t e k I n d e r a j a D a s a r
 BAB V

PENUTUP

A. Kesimpulan

Berdasarkan hasil Praktikum Inderaja Dasar “Klasifikasi Citra Supervised dengan

Software ENVI” dapat disimpulkan bahwa :
1. Mahasiswa telah dapat melakukan klasifikasi Supervised dengan digitasi secara
manual dengan membagi menjadi beberapa kelompok kelas menggunakan software
ENVI
2. Mahasiswa dapat membedakan klasifikasi Supervised yang dilakukan personal
secara manual dan klasifikasi Unsupervised yang klasifikasinya ditentukan oleh
algoritma dari software itu sendiri.
3. Klasifikasi yang sesuai dapat mengintrepetasi objek sesuai dengan kenampakan
aslinya
4. Metode pada klasifikasi Supervised yang menampilkan hasil klasifikasi yang baik
yaitu metode Maximum Likelihood .

B. Saran

1. Sebaiknya sangat berhati hati dalam melakukan proses digitasi untuk pengambilan
sampel
2. Sampel sebaiknya diambil sebanyak dan sedetil mungkin dan apabila
memungkinkan hingga satu piksel dikarenakan ada beberapa objek yang memiliki
piksel warna hampir sama satu dengan yang lain
C. Kendala
1. Penjelasan materi sebelum praktikum terlalu singkat sehingga mahasiswa kurang
memahami praktikum yang akan dilakukan

20 | P r a k t e k I n d e r a j a D a s a r
 DAFTAR PUSTAKA
http://geod-4-us.blogspot.co.id/2012/09/klasifikasi-citra.html diakses pada 27 November 2017
pukul 15.08 WIB

https://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_Klasifikasi_Sup
ervised_dan_Unsupervised diakses pada 27 November 2017 pukul 15.20 WIB

https://www.scribd.com/document/187947924/Dasar-Teori-3-docx diakses pada 27 November 2017

pukul 15.58 WIB

21 | P r a k t e k I n d e r a j a D a s a r