243P_SEN03_ZNK44190081

PENGKLASIFIKASIAN LAHAN BERDASARKAN SUSUNAN

KOMBINASI DAN PERBANDINGAN BANDS, SERTA K-
MEANS CLUSTER ANALYSIS

Land classification based on combination and comparison of bands,

also K-Means Cluster Analysis

Zayyaan Nabiila Khairunnisa1)

Senin
1)
Departemen Teknik Sipil dan Lingkungan, Institut Pertanian Bogor, Jalan Raya Dramaga,
Kampus IPB Dramaga, Bogor 16680
Email: zzyyaan.kzayyaan@apps.ipb.ac.id

Abstrak: Indonesia adalah negara kepulauan yang sangat luas dengan jumlah pulau mencapai
17.508 pulau. Luasnya wilayah darat dan laut memerlukan startegi yang baik dalam pembangunan
dan pengelolaan sumber-sumber daya yang dimiliki. Pengelolaan wilayah Indonesia yang sangat
luas tentu membutuhkan teknologi seperti penginderaan jauh (Inderaja) untuk mempermudah
pekerjaan. Pada pembangunan diperlukan pula Inderaja untuk mengklasifikasi lahan untuk agar
dalam pendayagunaan lahan yang digunakan sesuai dengan kemampuannya dan bagaimana
menerapkan teknik konservasi tanah dan air yang sesuai dengan kemampuan lahan tersebut.
Praktikum bertujuan mengolah data Landsat 8, mengetahui sensor pada Landsat 8, membedakan
fungsi setiap band, mengklasifikasikan lahan berdasarkan kombinasi band dan perbandingan band,
dan mengubah data K-Means dan MERIS. Praktikum dilakukan pukul 13.00 – 16.00 yang bertempat
di ZOOM Meeting. Alat dan bahan yang digunakan pada praktikum ini adalah laptop/komputer,
aplikasi SNAP, dan data optik Landsat dan MERIS. Praktikum diawali dengan mengolah gambar
RGB Landsat 8, dilanjutkan dengan subset gambar dan K-Means Analysis, lalu dilanjutkan dengan
pengoperasian band math, dan diakhiri dengan pengolahan data MERIS. Hasil yang didapatkan
menunjukkan bahwa klasifikasi lahan daratan dapat dilakukan dengan K-Means dan band math. K-
Means membutuhkan waktu yang lebih lama daripada band maths sehingga gambar perlu di-subset
sebelum dianalisis dengan K-Means. Klasifikasi wilayah perairan dapat dilakukan dengan MERIS.
Kata Kunci: band math, K-Means, Landsat, MERIS

Abstract: Indonesia is a very large archipelago with 17,508 islands. The extent of land and sea
areas requires a good strategy in the development and management of its resources. Management
of Indonesia's vast territory certainly requires technology such as remote sensing to facilitate work.
In development, it is also necessary for Sensors to classify land so that the utilization of land is used
according to its capabilities and how to apply soil and water conservation techniques that are in
accordance with the capabilities of the land. The practicum aims to process Landsat 8 data, identify
sensors on Landsat 8, distinguish the function of each band, classify land based on band
combinations and band comparisons, and change K-Means and MERIS data. The practicum was
held at 13.00 - 16.00 at the ZOOM Meeting. The tools and materials used in this practicum were
laptops / computers, SNAP applications, and Landsat and MERIS optical data. The practicum
begins with processing Landsat 8 RGB images, followed by a subset of images and K-Means
Analysis, then continues with band math operations, and ends with MERIS data processing. The
results obtained indicate that the land classification can be done with K-Means and band math. K-
Means take longer than the band maths so the image needs to be subset before analysis with K-
Means. Classification of water areas can be done by MERIS.
Keywords: band maths, K-Means, Landsat, MERIS

1
 243P_SEN03_ZNK44190081

Pendahuluan
Indonesia adalah negara kepulauan yang sangat luas dengan jumlah pulau
mencapai 17.508 pulau. Luasnya wilayah darat dan laut memerlukan startegi yang
baik dalam pembangunan dan pengelolaan sumber-sumber daya yang dimiliki.
Pembangunan dan pengelolaan itu sendiri ditujukan untuk meningkatkan
kesejahteraan masyarakat sebagai tujuan berdirinya negara dapat terwujud sesegera
mungkin dan merubah kualitas hidup masyarakatnya (Saksono 2013).
Pengelolaan wilayah Indonesia yang sangat luas tentu membutuhkan teknologi
seperti penginderaan jauh (Inderaja) untuk mempermudah pekerjaan. Ada 10 aspek
untuk mendeteksi perubahan obyek (Sutanto 1994), yaitu (1) tutupan dan
penggunaan lahan, (2) perubahan hutan atau vegetasi, (3) penilaian kerusakan hutan
dan defoliasi, (5) perubahan lahan basah atau wetland, (6) kebakaran hutan, (7)
perubahan lanskap, (8) perubahan daerah Kota, (9) perubahan lingkungan, (10)
perubahan lainnya seperti monitoring tanaman, monitoring perladangan perpindah
dan segmentasi jalan. Pada pembangunan diperlukan pula Inderaja untuk
mengklasifikasi lahan untuk agar dalam pendayagunaan lahan yang digunakan
sesuai dengan kemampuannya dan bagaimana menerapkan teknik konservasi tanah
dan air yang sesuai dengan kemampuan lahan tersebut (Sefle et al. 2013)
Klasifikasi lahan dilakukan menggunakan aplikas SNAP. Fitur yang digunakan
adalah K-Means dan band math. Praktikum bertujuan mengolah data Landsat 8,
mengetahui sensor pada Landsat 8, membedakan fungsi setiap band,
mengklasifikasikan lahan berdasarkan kombinasi band dan perbandingan band, dan
mengubah data K-Means dan MERIS.

Metodologi
Praktikum kali ini berjudul “Pengklasifikasian Lahan Berdasarkan Susunan
Kombinasi dan Perbandingan Bands, serta K-Means Cluster Analysis” yang
dilakukan pada hari Senin, 22 Februari 2021. Praktikum dilakukan pukul 13.00 –
16.00 yang bertempat di ZOOM Meeting. Alat dan bahan yang digunakan pada
praktikum ini adalah laptop/komputer, aplikasi SNAP, dan data optik Landsat dan
MERIS. Praktikum diawali dengan penjelasan dari dosen, lalu dilanjutkan dengan
pembukaan data Landsat melalui menu File – Import – Optical Sensors – Landsat
– Landsat in 30m (Gambar 1a). Pilih file dengan nama
“LC81240622015033LGN00_MTL.txt”, lalu klik Import Product (Gambar 1b).

Gambar 1 (a) Menu Landsat in 30m (b) Import product

Pada produk yang sudah ter-import, klik kanan lalu pilih menu Open RGB
window (Gambar 2a). Pilih “swir_2” untuk band red, “green” untuk band green,

2
 243P_SEN03_ZNK44190081

dan “blue” untuk band blue (Gambar 2b). Lalu klik OK, tunggu sampai hasil RGB
muncul (Gambar 3).

Gambar 2 (a) Open RGB Window (b) Select RGB-image Channels

Gambar 3 Hasil RGB Landsat

Ambil sebagian kecil gambar untuk mempermudah pengklasifikasian. Klik kanan
pada gambar, lalu pilih Spatial Subset from View (Gambar 4a). Pada kotak dialog
Specify Product Subset ubah angka pada scene start X menjadi 1433, scene start Y
2384, scene end X 6157, dan scene end Y 5376 (Gambar 4b). Lalu klik OK dan
tunggu subset muncul pada layar bagian kiri.

Gambar 4 (a) Spatial Subset from View (b) Specify Product Subset
Pengklasifikasian lahan dimulai dengan mengeklik nama file subset dari
pengambilan gambar sebelumnya, lali pilih menu Raster – Classification –
Unsupervised Classification – K-Means Cluster Analysis (Gambar 5a). Pada kotak
dialog K-Means Cluster Analysis yang muncul pilih bagian processing parameters,
lalu pilih blue, green, dan red pada source band names (Gambar 5b). Tunggu proses
pengklasifikasian sekitar 5 – 10 menit (Gambar 6a). Lalu untuk melihat hasil
pengklasifikasian data, klik tanda (+) pada file subset kmeans, lalu klik tanda (+)
pada Bands, lalu klik dua kali class indices (Gambar 6b).

3
 243P_SEN03_ZNK44190081

Gambar 5 (a) K-Means Cluster Analysis (b) Source band names

Gambar 6 (a) Proses pengklasifikasian K-Means (b) Hasil pengklasifikasian K-

Means
Praktikum dilanjutkan dengan pengkombinasian bands. File import Landsat
yang awal diklik kanan, lalu pilih Band Maths (Gambar 7a). Klik Edit Expression
pada kotak dialog yang muncul (Gambar 7b). Lalu, pada Band Maths Expression
Editor, pilih “@ / @” lalu pilih “red” dan “near_infrared” atau langsung ketik “red
/ near_infrared” pada bagian Expression (Gambar 8a). Lalu klik OK, tunggu sampai
hasil band maths muncul (Gambar 8b).

Gambar 7 (a) Band Maths (b) Edit Expression

Gambar 8 (a) Band Maths Expression Editor (b) Hasil Band Maths

4
 243P_SEN03_ZNK44190081

Praktikum dilanjutkan dengan analisis permukaan bumi pada daerah perairan

dengan sensor MERIS. Buka data ENVISAT melalui menu File – Import – Optical
Sensors – ENVISAT MERIS AATSR (Gambar 9a). Pilih file
“MER_RR__2PNPDK20020802_184536_000002702008_00156_02214_3739.N
1” lali klik import product (Gambar 9b).

Gambar 9 (a) ENVISAT MERIS AATSR (b) Import product

Setelah file ter-import, klik kanan pada file, lalu pilih Open RGB Window
(Gambar 10a). Pilih “reflec_13” untuk band red, “reflec_5” untuk band green, dan
“reflec_1” untuk band blue (Gambar 10b). Lalu klik OK, tunggu sampai hasil RGB
muncul (Gambar 11).

Gambar 10 (a) Open RGB Window (b) Select RGB-Image Channels

Gambar 11 Hasil RGB MERIS

Pembahasan
Pada awalnya, satelit Landsat 4 dan 5 membawa sensor-sensor pencitra yang
dinamakan Thematic Mapper (TM) yang mengumpulkan data multispektral 7
kanal: 3 kanal tampak (RGB), 3 kanal inframerah, dan 1 kanal inframerah termal.
Semua data Landsat 4 dan 5 diakuisisi dalam resolusi spasial 30m kecuali kanal
inframerah termal yaitu 120m. Pada tahun 1993, satelit Landsat 6 hilang saat
diluncurkan sehingga satelit terbaru yaitu Landsat 7 diluncurkan pada tahun 1999.

5
 243P_SEN03_ZNK44190081

Landsat 7 membawa sensor Enhanced Thematic Mapper Plus (ETM+) yang

dikembangkan dengan kemampuan spektral dan spasial yang mendekati identik
dengan TM, hanya saja ditambahkan sebuah kanal pankromatik pada resolusi 15m
dan kanal-kanal yang lebih tajam 60m. Landsat 7 tidak berfungsi dengan baik lagi
sejak tahun 2003 karena adanya kerusakan pada Scan Line Corrector yang
menyebabkan hilangnya 24% data sepanjang sisi-sisi luar dari masing-masing citra,
sehingga diluncurkanlah Landsat 8 sebagai penerus Landsat 7 pada tahun 2008.
Landsat 8 membawa sensor pencitraan Operational Land Imager (OLI) yang
memiliki 8 kanal: 1 kanal inframerah dekat dan 7 kanal tampak reflektif dengan
resolusi spasial 30m. Sensor OLI memiliki kanal-kanal spektral yan menyerupai
sensor ETM+, namun sensor OLI memiliki kanal-kanal baru, yaitu kanal 1: 443 nm
untuk aerosol dan kanal 9: 1375 nm untuk deteksi cirrus, dan tidak memiliki kanal
inframerah termal. Kontinuitas kanal inframerah termal yang tidak dihasilkan oleh
OLI dilanjutkan dengan pengembangan Landsat 8 yang ditambahkan sensor
pencitra Thermal Infrared Senor (TIRS) (Sitanggang 2010). Berikut adalah
spesifikasi bands dari satelit Landsat 8.

Tabel 1 Spesifikasi bands sensor OLI dan TIRS

Hasil gambar RGB Landsat dengan kombinasi band swir_2, green, dan blue
memiliki warna yang lebih kemerahan daripada gambar non-RGB. Warna merah
tersebut menandakan sebaran vegetasi yang ada. Semakin pekat warna merahnya
maka semakin rimbun pula vegetasi pada lahan tersebut. Warna kemerahan ini
muncul karena band swir_2 memiliki kisaran spektral 1560 -1660 yang digunkan
untuk melihat tumbuhan hijau.
Band maths adalah fitur dalam SNAP yang berfungsi mengomposisikan band-
band yang dimiliki oleh satelit kedalam sebuah kombinasi matematik. Kombinasi
band berupa pembagian, pengalian, penambahan, penjumlahan, ataupun
pengurangan band. Kombinasi band disesuaikan dengan klasifikasi citra yang
dibutuhkan oleh pengguna (Utomo 2017).
Hasil gambar yang dihasilkan setelah diterapkan band maths terlihat lebih jelas
perbedaan dari vegetasi dengan perairannya. Sungai-sungai terlihat berwarna putih
dengankan vegetasi berwarna hitam. Meskipun terlihat jelas perbedaannya, masih
terlihat awan-awan dengan intensitas yang lebih kecil daripada gambar yang belum
diterapkan band math. Fungsi red/near_infrared yang digunakan pada band math
praktikum ini adalah mendeteksi reflektansi band red/near_infrared menjadi
vegetasi (Bargen et al. 1993).

6
 243P_SEN03_ZNK44190081

K-Means adalah suatu algoritma yang digunakan untuk mengelompokkan

secara partisi yang memisahkan data kedalam kelompok-kelompok yang berbeda-
beda. Algoritma ini mampu meminimalkan jarak antara data ke cluster-nya.
Kelebihan dari K-Means adalah implementasi yang sederhana, komputasi yang
rendah kompleksitas, dan kecepatan eksekusi yang tinggi (Xia et al. 2019).
Hasil gambar setelah dilakukan analisis K-Means terlihat membedakan area
yang telah di-subset dengan warna yang bermacam-macam sesuai dengan
karakteristiknya. Area dengan karakteristik yang sama akan memiliki warna yang
sama. Klasifikasi area dapat dilihat dari perbedaan warna yang ada. Warna hijau
bermakna vegetasi, sedangkan warna ungu sampai biru bermakna adanya perairan.
Sensor MERIS adalah salah satu satelit yang digunakan untuk perairan laut lepas
yang memiliki resolusi spektral lebih tinggi dibandingkan sensor pada Landsat,
tetapi memiliki resolusi spasial lebih rendah. Sedangkan untuk perairan pesisir
diperlukan sensor yang memiliki resolusi spasial tiggi dan juga resolusi spektral
yang tinggi. Perbedaan resolusi spektral ini akan berdampak pada hasil analisa
parameter kualitas air yang didapat (Budhiman 2012). Satelit MERIS cukup akurat
dalam pendeteksian berbasis warna lautan (ocean color) (Patissier et al. 2014)
Hasil gambar yang dihasilkan oleh MERIS adalah klasifikasi lahan perairan.
Terlihat bahwa pada hasil gambar, perairan yang gelap menunjukkan perairan yang
memantulkan gelombang dengan minimum atau dalam arti kata lain, perairan
tersebut adalah perairan yang sangat dalam. Bagian-bagian putih yang terlihat tak
beraturan adalah gelombang yang tertangkap satelit dari awan-awan yang berada di
atas perairan.

Simpulan
Klasifikasi lahan dapat dilakukan dengan dua cara yaitu K-Means dan band
maths. Kedua cara ini dapat digunakan untuk mendeteksi vegetasi yang ada di suatu
lahan. Namun, K-Means membutuhkan waktu yang lebih lama daripada band
maths sehingga gambar perlu di-subset sebelum dianalisis. Klasifikasi wilayah
perairan dapat dilakukan dengan MERIS.
Saran
Pemahaman dan kemampuan untuk menggunakan aplikasi SNAP untuk
mengklasifikasikan lahan tetap ditingkatkan meskipun praktikum dilaksanakan
secara daring. Kedepannya SNAP bisa dimanfaatkan secara maksimal untuk
membantu dalam pengolahan data citra satelit yang digunakan untuk riset ataupun
penelitian yang dilakukan oleh mahasiswa Teknik Sipil dan Lingkungan mengingat
SNAP memiliki banyak fitur yang sangat berguna seperti K-Means dan band maths.

7
 243P_SEN03_ZNK44190081

Daftar Pustaka
Bargen KV, Meyer GE, Mortensen DA, Merritt SJ, Woebbecke DM. 1993.
Red/near-infrared reflectance sensor system for detecting plants: Di dalam
Optics in Agriculture and Forestry. Proceedings SPIE 1992; 1993 Mei 12;
Lincoln, Nebraska: Na
Budhiman S. 2012. Perbandingan karakteristik spektral (spectral signature)
parameter kualitas perairan pada kanal Landsat ETM+ dan ENVISAT MERIS.
Jurnal Penginderaan Jauh. 9(2): 76 – 89.
Patissier DB, Schroeder T, Brando V, Maier S, Dekker A, Phinn S. 2014. ESA-
MERIS 10 years mission reveals contrasting phytoplankton bloom dynamics in
two tropical regions of northern australia. Remote Sensing. 6(4): 2963 – 2988.
Saksono H. 2013. Ekonomi biru: solusi pembangunan daerah berciri kepulauan
studi kasus Kabupaten Kepulauan Anambas. Jurnal Bina Praja. 5(1): 1 – 12.
Sefle L, Pakasi SE, Kamagi YEB, Kawulusan R. 2013. Klasifikasi kemampuan
lahan dengan menggunakan sistem informasi geografis di Kecamatan Lolak
Kabupaten Bolaang Mongondow. Jurnal COCOS. 2(4): 1 – 14.
Sitanggang G. 2010. Kajian pemanfaatan satelit masa depan: sistem penginderaan
jauh satelit LDCM (Landsat-8). Berita Dirgantara. 11(2): 47 – 58.
Sutanto. 1994. Penginderaan Jauh Jilid 1. Yogyakarta (ID): Gajah Mada
University Press.
Utomo AW. 2017. Analisis Hubungan Variasi Land Surface Temperature Dengan
Kelas Tutupan Lahan Menggunakan Data Citra Satelit Landsat [skripsi].
Surabaya (ID): Institut Teknologi Sepuluh November.
Xia D, Ning F, He W. 2019. Research on parallel adaptive canopy-K-Means
clustering algorithm for big data mining based on cloud platform. Journal of
Grid Computing. 18(1): 263 – 273.

8
 243P_SEN03_ZNK44190081

Lampiran

Gambar 12 Lapto dan Aplikasi SNAP yang digunakan