LAPORAN PRAKTIKUM PENGINDERAAN JAUH

Modul Ke – IV, V, VI

Klasifikasi Citra

Disusun oleh :

Nama : Antonius Tambunan

NIM : 118230016

PROGRAM STUDI TEKNIK GEOMATIKA

JURUSAN TEKNOLOGI INFRASTRUKTUR DAN KEWILAYAHAN

INSTITUT TEKNOLOGI SUMATERA

2020
 Daftar Isi

Daftar Isi............................................................................................................................i
BAB 1. Pendahuluan........................................................................................................1
1.1 Latar Belakang.................................................................................................1
1.2 Tujuan...............................................................................................................1
BAB 2. Tinjauan Pustaka................................................................................................2
2.1 Klasifikasi Citra Multi Spektral......................................................................2
2.1.1 Klasifikasi supervised...............................................................................2
2.1.2 Klasifikasi unsupervised..........................................................................4
BAB 3. Metodologi Penelitian.........................................................................................6
3.1 Alat dan Bahan.................................................................................................6
3.2 Waktu dan Tempat Praktikum.......................................................................6
3.3 Langkah Kerja.................................................................................................6
BAB 4. Hasil dan Pembahasan......................................................................................16
4.1 Hasil dan Pembahasan...................................................................................16
BAB 5. Penutup..............................................................................................................18
5.1 Kesimpulan.....................................................................................................18
5.2 Saran...............................................................................................................18
DAFTAR PUSTAKA.....................................................................................................19

i
 BAB 1. Pendahuluan
1.1 Latar Belakang
Di bidang keilmuan geomatika memang difokuskan di bidang pemetaan.
berbagai macam teknik digunakan untuk menghasilkan peta suatu daerah yang
dikehendaki. Mulai dari metode yang sederhana sampai teknologi yang sangat
canggih pun digunakan untuk mendapatkan gambaran suatu daerah sesuai
keperluan. Salah satunya yaitu dengan memperoleh peta dengan menggunakan
citra satelit maupun foto udara.
Maka dari itu digunakan beberapa software untuk mengolah peta yang
didapatkan sesuai kebutuhan. Dalam praktikum kali ini, kami melakukan
pengolahan citra hasil satelit agar mudah untuk di analisa dan di
interpretasikan. Maka dari itu dalam pengolahan data kali ini software yang
digunakan adalah adalah ENVI yang merupakan software yang digunakan
untuk pengolahan data citra satelit karena dalam pengoperasiannya cukup
sederhana.
Klasifikasi citra merupakan proses pengelompokan nilai piksel keladam
kelas tertentu., kalsifikasi citra dapat dibedakan dengan melihat perbedaan
pada nilai warna. Semakin banyak gradasi warna maka semakin banyak
klasifikasi citra.Pada umumnya klasivikasi citra dibagi menjadi 2 bagian yaitu
klasifikasi Supervised dan Unsupervised. Klasifikasi supervised dapat
diartikan sebagai pegenelompokan nilai dari warna yang telah terintegrasi oleh
data survei secara primer seperti vegetasi, permukiman, perairan. Dll

1.2 Tujuan
Tujuan dari praktikum ini adalah
1. Praktikan mampu untuk melakukan klasifikasi citra penutup lahan
2. Praktikan mampu untuk melakukan klasifikasi penggunaan lahan

1
 BAB 2. Tinjauan Pustaka
2.1 Klasifikasi Citra Multi Spektral
Klasifikasi Citra dapat digunakan untuk mengelompokkan kenampakan
tertentu yang memiliki kesamaan dalam nilai spectral atau feature lain, seperti
berdasarkan ukuran atau lainnya.

Klasifikasi citra merupakan teknik yang digunakan untuk menghilangkan

informasi rinci dari data input untuk menampilkan pola-pola penting atau
distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga
dari citra tersebut diperoleh informasi yang bermanfaat atau sesuai dengan
keperluan. Untuk pemetaan penutup lahan, hasilnya bisa diperoleh dari proses
klasifikasi multispektral citra satelit. Klasifikasi multispektral sendiri andalah
algoritma yang dirancang untuk menyajikan informasi tematik dengancara
mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral.
[ CITATION Rob19 \l 1033 ]

Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap

objek sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersebut
digunakan sebagai masukkan dalam proses klasifikasi. Perolehan informasi
tutupan lahan diperoleh berdasarkan warna pada citra, analisis statik dan
analisis grafis. Analisis static digunakan untuk memeperhatikan nilai rata-rata,
standar deviasi dan varian dari tiap kelas sampel yang diambil guna
menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat
sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi
citra terdapat dua cara umum yang sering digunakan yaitu supervised dan
unsupervised . [ CITATION Rog16 \l 1033 ]

2.1.1 Klasifikasi supervised

Klasifikasi supervised merupakan suatu metode klasifikasi yang
menggunakan area sampling. Ketelitian ditentukan oleh kualitas sampling
dan jumlah sampel. Area sampel dibuat dengan menggunakan Region Of
Interest (ROI). ROI harus terlebih dahulu dibuat sebelum melakukan proses
klasifikasi supervised ini. Region Of Interest adalah area sampling yang

2
dibentuk sebagai trainning area pada klasifikasi supervised. klasifikasi
supervised dapat diartikan sebagai teknik klasifikasi yang diawasi.
Klasifikasi supervised ini melibatkan interaksi analis secara intensif, dimana
analis menuntun proses klasifikasi dengan identifikasi objek pada citra
(training area). Sehingga pengambilan sampel perlu dilakukan dengan
mempertimbangkan pola spektral pada setiap panjang gelombang tertentu,
sehingga diperoleh daerah acuan yang baik untuk mewakili suatu objek
tertentu. [ CITATION Pro96 \l 1033 ]
Adapun metode yang digunakan untuk supervised antara lain
2.1.1.1 Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan
sederhana untuk mengklasifikasikan data multispektral. Batas-batas
keputusan merupakan parallelepiped n-dimensi dalam ruang data
gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar
dari rata-rata setiap kelas yang dipilih.

2.1.1.2 Minimum Distance

Teknik jarak minimal menggunakan vektor rata-rata endmember
masing-masing dan menghitung jarak Euclidean dari setiap piksel
yang diketahui oleh vektor rata-rata untuk masing-masing kelas.
Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak
memenuhi kriteria yang dipilih.

2.1.1.3 Maximum Likehood

Mengasumsikan bahwa statistik untuk setiap kelas dalam
setiap band biasanya didistribusikan dan menghitung probabilitas
bahwa suatu piksel diberikan milik kelas tertentu. Kecuali ambang
probabilitas dipilih, semua piksel diklasifikasikan. Setiap piksel
ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu,
"maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari
ambang batas yang ditentukan, piksel tetap tidak terklasifikasi.

2.1.1.3 Mahalanobis Distance

Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi
sensitif yang menggunakan statistik untuk masing-masing kelas. Hal

3
 ini mirip dengan klasifikasi Maximum Likehood, tetapi menganggap
semua kovarian kelas adalah sama dan karenanya merupakan metode
yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI
terdekat kecuali pengguna menentukan ambang batas jarak, dalam
hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak
memenuhi ambang batas.

2.1.2 Klasifikasi unsupervised

Pada klasifikasi Unsupervised, pengklasifikasian dimulai dengan
pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas
berdasarkan pada pengelompokkan nilai-nilai citra seperti apa adanya.
Dengan menggunakan metode ini, program klasifikasi mencari
pengelompokkan secara natural atau clustering berdasarkan sifat spectral
dari setiap pixel. Jenis metode ini akan digunakan bila kualitas citra
sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah.
Namun dalam banyak kasus, terlepas dari kondisicitra yang
bersangkutan, metode ini banyak digunakan untuk memberikan
gambaran kasar/informasi awal.
Klasifikasi tak terbimbing memiliki kelemahan karena pencirian
spectral selalu berubah sepanjang waktu, hal ini menyebabkan hubungan
antar respon spectral dengan kelas informasi menjadi tidak konstan, oleh
karena itu pengetahuan tentang spectral permukaan harus lebih dipahami
. Klasifikasi tidak terbimbing digunakan apabila kualitas citra sangat
tinggi dengan distorsi atmosferik 8 dan tutupan awan yang rendah.
Namun, terlepas dari kondisi citra yang demikian, metode ini banyak
digunakan untuk memberikan gambaran kasar/informasi awal.k Berbeda
dengan klasifikasi terbimbing yang pencirian spektralnya tidak akan
berubah karena adanya pemberian sampel dalam menghasilkan kelas
informasi yang mana sampel tersebut ditentukan terlebih dahulu.
Klasifikasi terbimbing sendiri terbagi menjadi beraneka ragam.
[ CITATION Joh96 \l 1033 ]
Metode yang dapat digunakan untuk Unsupervised yaitu
2.1.2.1 Isodata

4
 Mengklasifikasikan kelas secara merata. Piksel-piksel
diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang
sarana dan mereklasifikasi piksel sehubungan dengan cara baru.
Iteratif membelah kelas, penggabungan, dan menghapus dilakukan
berdasarkan parameter input threshold. Semua piksel
diklasifikasikan ke kelas terdekat kecuali deviasi standar atau
ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel
mungkin unclassified jika mereka tidak memenuhi kriteria yang
dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap
perubahan kelas kurang dari ambang perubahan piksel yang dipilih
atau jumlah maksimum iterasi tercapai.
2.1.2.2 K-means
Menggunakan pendekatan analisis kelas yang mengharuskan
analis untuk memilih jumlah kelas yang berlokasi di data, sewenang-
wenang ini menempatkan sejumlah pusat klaster, kemudian iteratif
repositions mereka sampai keterpisahan spektral yang optimal dicapai.
Klasifikasi ini juga menggunaka teknik jarak minimum. Setiap iterasi
kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan
dengan cara baru. Semua piksel diklasifikasikan ke kelas terdekat
kecuali deviasi standar atau ambang batas jarak yang ditentukan, dalam
hal ini beberapa piksel mungkin unclassified jika mereka tidak
memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah
piksel dalam setiap perubahan kelas kurang dari ambang perubahan
piksel yang dipilih atau jumlah maksimum iterasi tercapai

5
 BAB 3. Metodologi Penelitian
3.1 Alat dan Bahan
Alat dan bahan yang digunakan pada praktikum ini adalah :
 Laptop dan Mouse
 Software ENVI 5.1
 Citra satelit landsat-8 Bandar Lampung
 Modul praktikum IV, V dan VI
 Format laporan praktikum

3.2 Waktu dan Tempat Praktikum

Praktikum III Penginderaan jauh dilaksanakan pada hari.Sabtu
13Desember 2020 Pukul 19:30 – 21:00 WIB Dilaksanakan di ruang meet dengan
link https://meet.google.com/ckx-atpo-vou.

3.3 Langkah Kerja

Langkah – Langkah yang dilakukan pada praktikum ini yaitu :

1. Klasifikasi Supervised
Klasifikasi Supervised menggunakan beberapa tahapah yaitu yang
pertama yaitu menmbuat kelas training yaitu grup (ROIs= Regions of
Interest) atau yang disebut spectral individual. Teknik klasifikasi
Unsupervised termasuk Parallelepiped, Minimum Distance, Mahaanobis
Distance, dan Maximum Likelihood

a. Menetapkan Region of Interest

 Masukkan data citra yang sudah dilakukan proses layer stacking

terlebih dahulu. Lalu plih RGB

6
 Tentukan kelas dari citra yang digunakan dengan carapilih Tools
lalu pilih Region of intereset Lalu pilih ROI Tool

 Pada catalog ROI tool pilih zoom lalu lakukan penitikan atau buat
polygon pada gambar citra yang muncul
 Lakukan penitikan untuk masing masing objek yaitu objek air,
pemukiman, vegetasi, lahan kosong, sungai dan tutupan awan

 Lakukan pengujian ROI dengan 2D scatter plot . Pilih menu Tools

lalu pilih 2D Scatter Plot

7
 Lalu pada dialog sctter plot pilih Band 4 menjadi X dan Band 5
menjadi Y

 Lalu akan muncul grafiik dari 2D grafik scatter plot

b. Untuk menghitung separability ROI

 Pada menu Tools pilih Region of interest lalu pilih compute ROI
separability

8
 Lalu pada menu bar Utama Envi , pilih Basic Tools lalu pilih
Region Of Interset
 Pada kotak dialog ROI Separability pilih layer stacking lalu klik
OK

 Lalu akan muncul nilai dari ROIs Separability. Untuk Nilai yang
berkisar antara 1800 – 2000 sudah termasuk dalam nilai yang baik

9
 c. Untuk mekaukan proses klasifikasi Supervised menggunakan 4
metode
 Menggunakan metode Malahanobis yaitu pada menu utama envi
pilih Clasification lalu pilih Supervised lalu pillih Malahanobis
distance

 Tunggu Proses klasifikasi citra

 Menggunakan metode Malahanobis yaitu pada menu utama envi

pilih Clasification lalu pilih Supervised lalu pillih Malahanobis
distance
 Lakukan langkah yang sama untuk proses klasifikasi menggunakan
metode yang lain
2. Klasifikasi Unsupervised
Pada klasifikasi unsupervised klasifikasi citra digunakan
menggunakan 2 metode yaitu metide Isodata dan K-Means

10
 Untuk metode Isodata pillih classification pada menu utama
ENVI lalu pilih classification dan pilih Isodata.
 Isi Isodata Parameter dengan nilai minimum Number of classes
yaitu 5 dan nilai Max 20 dengan Iterasi 3

 Lalu tunggu proses dari klasifikas citra

 Untuk metode K-meams pillih classification pada menu utama

ENVI lalu pilih classification dan pilih K-means.

 Isi Prameter K-means dan pilih number of classes 20 lalu klik Ok

11
3. Raster to Vektor
 Pada menu utama ENVI pilih classification lalu pilih Post
Classification dan pilih Majority/Minority Analysis

 Pada catalog raster to vector band pilih Majority Analsis lalu

pilih semua objek yang sudah diklasifikasikan dan klik Ok

 Tunggu proses majority

12
  Setelah kotak dialog Vektor list mucul klik RTV (Majority) lalu
pilih Pada ROI Tool Pilih menu file lalu pilih Export ROIs to
Shapefile .

 Pada kotak dialog Export ROIs pilih semua objek klasifikasi citra
lalu pilih lokasi penyimpan lalu klik Ok dan Shapefile akan
tersimpan pada document

4. Analisis Menggunakan ArcGis

 Buka Software ArcMap

 Masukkan data SHP yang sudah dibuat pada Software Envi

dengan cara Add data ArcMap dan pilih file SHP tersebut llau
klik Open , maka akan mucul SHp yang sudah dibuat

13
 Masukkan batas administrasi bandar lampung untuk
mempermudah dalam proses klasifikasi citra yang akan
digunakan

 Potong bagian SHP hasil dari klasifikasi citra menggunakan

ENVI sehingga mengikuti batas administras bandar lampung
yaitu pada menu Geoprocessing lalu pilih Clip

 Ubah tampilan data vector bandar lampung sehingga klasifikasi

pada objek air, Pemukiman, Vegetasi, Lahan Kosong dan juga
tutupan awan dapat terlihat berdasarkan perbedaan dari warna

14
  Untuk memastikan apakah klasifikasi objek yang sudah dibuat
sama dengan objek kenyataan di lapangan yaitu dengan cara,
zoom pada satu objek di ArcMap lalu klik kanan dan pilif
Identify

 Copy koordinat yang diberikan pada ArcMap

5. Pencocokan Objek di Lapangna dengan hasil klasifikasi citra

menggunakan Google earth
 Buka Software Google Earth

15
 Masukkan data koordinat yang sudah di Copy kedalam Google
earth Untuk dilakukan pencocokan objek dipermukaan bumi

 Maka akan muncul daerah atau titik, Pada percobaan ini

dilakukan pada objek pemukiman dan hasil yang deadapt sesuai
dengan obejk aslinya

 Lakukan Pencocokan Obejk tersebut pada objek Air,

Pemukiman, Vegetasi, Lahan Kosong, dan Awan

16
 BAB 4. Hasil dan Pembahasan
4.1 Hasil dan Pembahasan

BAB 5. Penutup
5.1 Kesimpulan
Kesimpulan yang dapat diambil dari praktikum ini adalah

1. Praktikum ini dilakuakn proses koreksi radiometik yaitu mengubah nilai

digital number menjadi nilai TOA radiance dan TOA reflectance

17
 menggunakan software ENVI 5.1. Dari hasil yang di dapat bahwa terjadi
perbedaan rentang nilai yang sangat jauh antara digital number dan nilai
TOA radiance dan TOA reflectance. Terjadi pengecilan rentang nilai , hal
ini menunjukkan bahwa band 1 samapi dengan band 9 megalami proses
penyerapan bukan penghamburan.
2. Permaslahan utama yang terjadi dari praktikum ini adalah proses Ketika
memasukkan persamaan untuk konversi nilai digital number ke TOA
radiance maupun TOA reflectance. Ketika persamaan yang dimasukkan
salah maka akan terjadi kesalahan nilai konversi. Hal ini dapat diatasi
dengan meningkatkan ketelitian dalam memasukkan persamaan dan
Ketika mengkorelasikan antara persamaan dengan band yang akan di
koreksi
3. Nilai radian dan nilai reflektan pada citra satelit dipengaruhi oleh nilai
hamburan ataupun nilai serapan yang disebabkan oleh bebrapa factor
seperti efek atmosfer, efek topografi, efek posisi matahari Ketika
melakukan pengamatan serta efek atmosfer.

5.2 Saran
Saran untuk praktikum modul 2 ini yaitu memahami konsep dari
judul atau modul praktikum yang akan dilaksanakan agar ketika praktikum
para peserta dapat memahami pengerjaan praktikum

DAFTAR PUSTAKA

18
Ardiansyah. (2015). PENGOLAHAN CITRA PENGINDERAAN JAUH
MENGGUNAKAN ENVI 5.1 dan ENVI Lidar (TEORI DAN PRAKTEK).
Jakarta: Lasbig Inderaja Islim. doi:ISBN : 978-602-71527-0-0
Kustlyo, Ratih, D., & inggit, S. l. (2014). A TWO-STEPS RADIOMETRIC
CORRECTION OF SPOT-4 MULTISPECTRAL AND
MULTITEMPORAL FOR SEAMLESS MOSAIC IN CENTRAL
KALIMANTAN. International Journal of Remote Sensing and Earth
Sciences, 11(2). doi:http://dx.doi.org/10.30536/j.ijreses.2014.v11.a2607
Lilik, K., arwan, W. P., & Abdi, S. (2016). ANALISIS PENGARUH KOREKSI
ATMOSFER TERHADAP ESTIMASI KANDUNGAN KLOROFIL-A
MENGGUNAKAN CITRA LANDSAT 8. Jurnal Geodesi Undip, 5(4).
doi:ISSN : 2337-845X
Projo, D. (2012). Pengantar penginderaan Jauh Digital. Yogykarta: Universitas
Gajah Mada.
Robert, M., & Jan, L. J. (2019). Radiometric and Atmospheric Corrections of
Multispectral µMCA Camera for UAV Spectroscopy. Remote Sensing,
11(20). doi:10.3390/rs11202428
Roger, F. A. (2016). Radiometric correction technuques and accuracy assessment
for Lansat TM data in remote forested regions. Canadian Journal of
Remote Sensing, 32(5). doi: 10.5589/m06-028

19