LAPORAN PRAKTIKUM

PENGINDERAAN JAUH
(GKP0202)

Disusun oleh:

Nama : Bima Oktavian

NIM : 19/441751/GE/09090
Hari, Waktu : Senin, 11.15 – 13.00
Asisten : 1. Muslih Biladi
2. Widiya Setyaningrum

LABORATORIUM PENGINDERAAN JAUH

DEPARTEMEN SAINS INFORMASI GEOGRAFI
FAKULTAS GEOGRAFI
UNIVERSITAS GADJAH MADA
2020
Acara III&IV Waktu Praktikum Nilai :
Penggunaan/Penutup Lahan & Uji Akurasi 11.15 – 13.00
Disusun oleh Asisten Praktikum Tanggal Praktikum
Bima Oktavian 1. Muslih Biladi Senin, 12 April 2020
19/441751/GE/09090 2. Widiya Senin, 19 April 2020
Setyaningrum
Tujuan
1. Melakukan interpretasi citra secara visual untuk tema penutup/penggunaan lahan.
2. Membangun kunci interpretasi dalam interpretasi objek penutup/pnggunaan lahan.
3. Mahasiswa mampu melakukan uji akurasi (accuracy assessment) hasil interpretasi dari foto
udara maupun citra penginderaan jauh secara sederhana namun efektif.
Bahan dan Alat
1. Citra Quickbird Blok A1 Sebagian Wilayah Sleman
2. Tabel Isian Interpretasi
3. Tabel confusion matrix
4. Data ground truth
5. Microsoft Excel
6. Corel Draw

Hasil Praktikum
1. Hasil Deliniasi Citra Quickbird Blok A1 Sebagian Wilayah Sleman (Lampiran 3.1)
2. Tabel Isian Interpretasi Citra (Lampiran 3.2)
3. Isian Grid (Lampiran 4.1)
4. Tabel confusion matrix (Lampiran 4.2)
5. Perhitungan overall accuracy, producer accuracy, omission error, user accuracy, commision
error dan index kappa (Lampiran 4.3)

Langkah Kerja

Citra Quickbird Blok A1 Sebagian Wilayah

Sleman, Tabel Confusion Matrix, Data ground
truth, Grid 1x1

Delinasi Identifikasi unsur

Penutup/Penggunaan lahan interpretasi citra
Citra penginderaan jauh

Tabel identifikasi
Hasil delinasi unsur interpretasi citra
Penutup/Penggunaan
lahan Citra
penginderaan jauh
 Pencocokan
Memasukkan delinasi citra ke penutup/penggunaan lahan
dalam grid pada Citra Satelit dengan
data ground truth

Pengisian grid sesuai

Pengisian grid sesuai
dengan
dengan
penutup/penggunaan lahan
penutup/penggunaan lahan
pada citra Quickbird
pada data ground truth

Pemberian judul dan Pengujian akurasi hasil

informasi tepi peta interpretasi dengan
confusion matrix

Grid Interpretasi Penghitungan Overall

Penutup/Penggunaan Accuracy dan Indeks Kappa
Lahan

Tabel Confussion
Matrix
Perhitungan Overall
Accuracy dan Nilai
Kappa

Pembahasan

Citra penginderaan jauh merupakan gambaran suatu gejala di permukaan bumi sebagai hasil
pemotretan dengan menggunakan kamera (Santosa & Muta’ali, 2014). Informasi yang terdapat di
dalam citra penginderaan jauh dapat diperoleh dari proses interpretasi. Citra penginderaan jauh
merupakan salah satu sumber data utama bagi kegiatan survey pemetaan baik untuk pengelolaan
lingkungan, evaluasi lahan, perencanaan wilayah, hingga penanganan bencana (Danoedoro,
2012). Interpretasi dapat dilakukan dengan dua metode, yaitu interpretasi visual dan interpretasi
digital. Perbedaan keduanya terletak pada metode yang dipakai, interpretasi visual akan
bergantung pada ilmu pengetahuan dan pengalaman yang dimiliki oleh interpreter, sedangkan
interpretasi digital menggunakan cara identifikasi berdsarkan nilai pixel objek. Untuk dapat
menginterpretasi citra penginderaan jauh secara visual, interpreter harus memahami unsur-unsur
interpretasi yang ada, yaitu warna/rona, bentuk, ukuran, bayangan, tekstur, pola, situs, dan
asosiasi.
Peta penutup/penggunaan lahan dapat dibuat dengan memanfaatkan citra penginderaan
jauh dari objek wilayah yang dikaji untuk selanjutnya dilakukan proses interpretasi. Terdapat dua
pembagian kelas besar dalam penutup lahan, yaitu daerah bervegetasi dan daerah tak bervegetasi
(SNI, 2010). Untuk daerah bervegetasi, klasifikasi yang digunakan dapat melalui struktur fisik
tumbuhan, bentuk dari tutupan, tinggi tumbuhan, serta distribusi spasialnya. Sedangkan untuk
daerah tak bervegetasi klasifikasi yang digunakan adalah aspek permukaan dari tutupan, distribusi,
kepadatan, ketinggian, dan kedalam dari objek tersebut.
Unsur interpretasi yang digunakan untuk memperoleh informasi penutup/penggunaan lahan
dari citra Quickbird Blok A1 sebagian wilayah Sleman yang digunakan sebagai objek kajian adalah
warna, rona, bentuk, pola, tekstur, dan asosiasi. Seluruh unsur interpretasi di atas sudah cukup
mumpuni untuk memperoleh informasi yang dibutuhkan dari citra penginderaan jauh. Unsur
interpretasi warna dapat digunakan untuk membedakan antara objek vegetasi dan non-vegetasi.
Objek vegetasi seperti semak belukar, hutan, sawah, kebun, dan lading yang mayoritas berwarna
hijau dan coklat membuat interpreter dapat dengan mudah membedakannya dengan objek non-
vegetasi seperti pemukiman warga, gedung, pabrik, lahan kosong, dan jalan. Sementara rona
dapat digunakan untuk membedakan sebuah objek dengan klasifikasi yang sama, contohnya untuk
membedakan antara hutan dan semak belukar. Objek dengan klasifikasi yang sama masih terbagi
menjadi berbagai macam kenampakan yang bervariasi. Fungsi rona adalah untuk membedakan
objek kenampakan dari pantulan cahaya yang diterima dengan mengidentifikasi gelap terang
objek tersebut. Contohnya objek seperti semak belukar, pemukiman warga, pabrik, lahan kosong,
ladang, memliki rona terang karena memiliki permukaan yang mudah memantulkan cahaya atau
memiliki kerapatan yang renggang. Sedangkan objek-objek seperti hutan, gedung, sawah, kebun,
dan jalan memiliki rona gelap karena memliki permukaan yang menyerap cahaya atau memiliki
kerapatan yang tinggi. Lalu, bentuk merupakan salah satu unsur interpretasi yang paling mudah
untuk dilakukan. Beberapa objek kenampakan yang terdapat di dalam citra memiliki bentuk yang
sangat khas dan dapat dibedakan secara langsung begitu interpreter melihat citra tersebut.
Namun, pada umumnya bangunan seperti gedung, pabrik, pemukiman, dan objek tertentu buatan
manusia seperti sawah, kebun, dan lahan kosong memiliki bentuk-bentuk geometris seperti
persegi dan persegi panjang, sementara hutan, semak belukar, dan tanah lapang akan memiliki
bentuk yang abstrak dan tidak memiliki bentuk spesifik tertentu karena tumbuh secara alami.
Selanjutnya adalah unsur interpretasi pola, pola dapat digunakan untuk membedakan antara
objek buatan manusia dan objek yang muncul secara alami. Contohnya objek gedung, pabrik,
pemukiman, sawah memiiki pola yang teratur untuk memaksimalkan penggunaan lahan.
Sedangkan objek kenampakan objek yang muncul secara alami seperti hutan, dan semak belukar
memiliki pola yang tidak teratur karena muncul secara alamiah. Lalu, unsur interpretasi tekstur
yang dapat digunakan untuk identifikasi tingkat kekasaran objek seperti objek vegetasi seperti
hutan, semak belukar, dan kebun memiliki tekstur sedang-agak kasar karena tutupannya terdiri
dari tanaman-tanaman yang rapat. Objek lain seperti gedung, pemukiman, dan pabrik memiliki
tekstur agak kasar karena permukaannya terbuat dari atap bertekstur yang berguna untuk aliran
air jika terjadi hujan serta memperkuat struktur bangunan. Sedangkan objek seperti lahan kosong,
aspal, dan sawah memiliki tekstur agak halus-halus karena tidak memiliki permukaan yang kasar
maupun tutupan yang rapat. Yang terakhir adalah unsur asosiasi, yaitu mengasosiasikan suatu
objek dengan objek kenampakan lain yang berada di sekitarnya. Contoh paling mudah adalah
asosiasi dari pabrik, gedung, dan pemukiman warga yang terletak di dekat jalan raya, terutama
jalan besar untuk gedung dan pabrik besar.
Setiap metode interpretasi memiliki kelebihan dan kekurangan, terutama interpretasi visual
citra penginderaan jauh yang melibatkan indera penglihatan manusia. Kemampuan mata manusia
yang terbatas menyebabkan adanya kemungkinan salah interpretasi oleh interpreter. Kekurangan
dari interpretasi visual citra penginderaan jauh adalah resolusi dan kualitas citra yang rendah
menyebabkan interpretasi sulit dilakukan karena gambar akan terlihat pecah. Gambar yang pecah
akan menyebabkan interpretasi objek tidak sesuai letak aslinya dan rentan mengalami pergeseran.
Selain itu, kekurangan lainnya adalah interpretasi penginderaan jauh secara visual membutuhkan
waktu yang lama, sehingga mengurangi efisiensi waktu. Sedangkan kelebihan dari interpretasi
citra penginderaan jauh secara visual adalah semakin seorang interpreter mengenali objek wilayah
yang dikaji, kesalahan penafsiran dapat diminimalisir, metode yang digunakan lebih mudah karena
interpreter tidak perlu mengoperasikan perangkat lunak dengan metode yang rumit, dan
interpretasi visual lebih unggul dalam menganalisis citra penginderaan jauh dengan resolusi yang
tinggi dan intensitas gangguan yang lebih banyak. Mayoritas interpreter saat ini menggabungkan
metode visual dan digital untuk mendapatkan kelebihan dari kedua metode tersebut.
Uji akurasi citra penginderaan jauh digunakan untuk mengetahui kualitas dari klasifikasi dan
interpretasi citra yang dilakukan di laboratorium dan di lapangan. Selain itu, uji akurasi dapat
digunakan untuk menilai metode penginderaan jauh yang efektif untuk direkomendasikan kembali
dengan mempertimbangkan keterbatasan serta karakteristik data. Identifikasi faktor yang
berpengaruh terhadap akurasi dari metode penginderaan jauh akan meningkatkan manfaat dari
metode tersebut (Danoedoro, Tanpa tahun). Informasi pada citra penginderaan jauh yang diwakili
oleh piksel akan berjumlah sangat banyak dan sulit dilakukan untuk dilakukan pengecekan secara
keseluruhan, sehingga evaluasi hasil klasifikasi dapat dilakukan dengan pengambilan sampel pada
citra. Menurut Jensen (2005) dan juga Tso dan Mather (2009), beberapa sampel yang dapat
digunakan diantaranya adalah matriks kesalahan (confusion matrix/error matrix). Metode ini
dianggap efektif karena mampu mengetahui mengidentifikasi semua kesalahan dalam satu
kategori sekaligus kesalahan antar kelas dan kategori.
Grid digunakan untuk mencocokan penutup lahan pada hasil delinasi dengan data lapangan,
yaitu data ground truth. Grid mempermudah pemberian titik sesuai dengan penutup lahan karena
setiap grid bertindak seperti piksel dalam foto.
Citra penginderaan jauh yang digunakan untuk uji akurasi adalah Citra Quickbird Blok A1
Sebagian Wilayah Sleman. pada hasil uji akurasi didapatkan hasil producer accuracy secara
berurutan dari semak belukar, gedung, hutan, jalan, kebun, pabrik, pemukiman, sawah, tanah
kosong, ladang adalah 20%, 80%, 100%,100%, 100%, 100%,86%, 75%, 100%, 80% dan user
accuracy 100%, 100, 86%, 81%, 57%, 92%, 100%, 100%, 100%, 100%. Pada lampiran 4.2, tabel
menunjukkan hasil overall accuracy mencapai 89% dengan jumlah indeks kappa mencapai 0,87,
jumlah tersebut menunjukan interpretasi penutup/penggunaan lahan memiliki tingkat akurasi
yang cukup tinggi dan dapat digunakan sebagai sumber informasi yang valid.
Penggunaan perangkat lunak memiliki kelebihan dalam efisiensi waktu pengolahan data baik
pengisian grid maupun confusion matrix, sehingga dapat mengerjakan data yang lebih banyak dan
kompleks, selain itu akurasi dari penghitungan juga minim mengalami kesalahan karena proses
penghitungan dilakukan oleh komputer. Namun, kekurangannya adalah penggunaan yang rumit
bagi sebagian orang.
Kesimpulan
1. Interpretasi citra secara visual penutup/penggunaan lahan dilakukan untuk mendapatkan
informasi yang berkaitan tentang penutup/penggunaan lahan dan dapat menjadi sumber data
utama bagi kegiatan survey penginderaan jauh.
2. Interpretasi citra penginderaan jauh dapat dilakukan dengan metode interpertasi visual
dengan memahami unsur-unsur interpretasi yang meliputi warna/rona, bentuk, ukuran,
bayangan, tekstur, pola, situs, dan asosiasi.
3. Uji akurasi dapat secara sederhana dan efisien dapat dilakukan menggunakan metode
confusion matrix
Daftar Pustaka
Santosa, Langgeng Wahyu dan Muta’ali, Luthfi. 2014.Bentang Alam dan Bentang
Budaya.Yogyakarta:BPFG UGM Press.
Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit Andi.
SNI 7645:2010. 2010. Klasifikasi Penutup Lahan. Badan Standarisasi Nasional. Jakarta
Lili Somantri. Tanpa tahun. Teknologi Penginderaan Jauh (Remote Sensing). Makalah.
http://www.academia.edu/download/45469008/makalah_Guru.pdf. Diakses pada 29 April pukul
15.00 WIB.
Projo Danoedoro. Tanpa Tahun. Pengaruh Jumlah dan Metode Pengambilan Titik Sampel Penguji
Terhadap Tingkat Akurasi Klasifikasi Citra Digital Penginderaan Jauh. Makalah.
https://www.researchgate.net/profile/Projo_Danoedoro/publication/302583188_KAJIAN_PERU
BAHAN_PENGGUNAAN_LAHAN_BERBASIS_CITRA_PENGINDERAAN_JAUH_RESOLUSI_MENENGA
H_DENGAN_METODE_MULTI_LAYER_PERCEPTRON_DAN_MARKOV_CHAIN_DI_SEBAGIAN_KABU
PATEN_BANTUL/links/5731948308ae6cca19a26bda/KAJIAN-PERUBAHAN-PENGGUNAAN-
LAHAN-BERBASIS-CITRA-PENGINDERAAN-JAUH-RESOLUSI-MENENGAH-DENGAN-METODE-
MULTI-LAYER-PERCEPTRON-DAN-MARKOV-CHAIN-DI-SEBAGIAN-KABUPATEN-BANTUL.pdf.
Diakses pada 30 April pukul 07.00 WIB.
Lampiran 3.1

Lampiran 3.2
No Objek Kunci Interpretasi
1 Semak Belukar Warna : Hijau
Rona : Cerah
Pola : Tidak teratur
Tekstur : Agak kasar
2 Pemukiman Warna : Coklat
Rona : Cerah
Bentuk : Persegi & Persegi Panjang
Pola : Teratur
Tekstur : Agak kasar
Asosiasi : Jalan dan fasilitas umum
3 Hutan Warna : Hijau
Rona : Gelap
Pola : Tidak teratur
Tekstur : Kasar
4 Gedung Warna : Abu-abu
Rona : Gelap
Bentuk : Persegi
Pola : Teratur
Tekstur : Agak kasar
Asosiasi : Jalan besar
5 Pabrik Warna : Putih kecoklatan
Rona : Cerah
Bentuk : Persegi panjang
Pola : Teratur
Tekstur : Agak kasar
Asosiasi : Jalan besar
6 Sawah Warna : Hijau
Rona : Gelap
Bentuk : Persegi panjang
Pola : Teratur
Tekstur : Agak halus
7 Lahan Kosong Warna : Putih kecoklatan
Rona : Cerah
Bentuk : Persegi panjang
Pola : Tidak teratur
Tekstur : Halus
8 Kebun Warna : Hijau tua
Rona : Gelap
Bentuk :Persegi & Persegi panjang
Pola :Tidak Teratur
Tekstur : Sedang
9 Ladang/Tegalan Warna : Coklat muda
Rona : Cerah
Pola : Teratur
Tekstur :Agak kasar
10 Jalan Warna : Abu-abu
Rona : Gelap
Bentuk : Garis memanjang
Pola : Agak teratur
Tekstur : Agak halus
Lampiran 4.1

H H H H J P H H

H H H H J P P P H

J P P S S

J S

B L K

B B K

k k k

G G G G k k k

B B J

J J J B

J J J L L L L

J J

R R R R P

R R R R

R R R J J J J J J J G

P H H H

P O O O H H H S B B

P P P P O O O H H H H H

O O O O P P P P O O O H H H H P P P

H=Hutan
J=Jalan
G=Gedung
P=Pemukiman
S=Sawah
K=Kebun
L=Ladang
O=Lahan Kosong
R=Pabrik
B=Semak Belukar
Lampiran 4.2
Lampiran 4.3
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑝𝑖𝑘𝑠𝑒𝑙 𝑦𝑎𝑛𝑔 𝑡𝑒𝑟𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
Overall Accuracy :
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑝𝑖𝑘𝑠𝑒𝑙 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑠𝑖
110
124
= 89%
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑝𝑖𝑘𝑠𝑒𝑙 𝑦𝑎𝑛𝑔 𝑡𝑒𝑟𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
Producer Accuracy : 𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑝𝑎𝑑𝑎 𝑠𝑒𝑡𝑖𝑎𝑝 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 𝑠𝑒𝑡

Rumus yang digunakan di Excel : =C3/C13

𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑝𝑖𝑘𝑠𝑒𝑙 𝑦𝑎𝑛𝑔 𝑡𝑒𝑟𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
User Accuracy : 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑝𝑖𝑘𝑠𝑒𝑙 𝑦𝑎𝑛𝑔 𝑑𝑖𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑝𝑎𝑑𝑎 𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖 𝑡𝑠𝑏

Rumus yang digunakan di Excel : =C3/M3

Omission Error : =1-C14
Commision error : =1-N6
𝑁 ∑𝑟𝑖=1 𝑋𝑖𝑖 −∑𝑟𝑖=1(𝑋𝑖+ ∗ 𝑋+𝑖 )
̂=
Indeks Kappa : K 𝑁2 −∑𝑟𝑖=1(𝑋𝑖+ ∗ 𝑋+𝑖 )

∑1_(𝑖=1)^𝑟▒= Penjumlahan

r = jumlah kategori dalam tabel confusion matrix 2

N = jumlah total observasi yang masuk di tabel A+B+C+D
Xii = jumlah sel yang ada di baris i dan kolom i A, D
Xi+ = jumlah total sel pada baris i A+B, C+D
X+i = jumlah total sel pada kolom i A+C, B+D
Rumus yang digunakan dalam excel : =N17*N18-N20/ =N19-N20