2.

1 Citra Landsat 8
Satelit landsat merupakan salah satu satelit sumber daya yang menghasilkan
citra multispectral. Satelit ini milik Amerika Serikat yang diluncurkan pada
tahun 1972 dan paling akhir landsat 8, diluncurkan pada 13 Februari 2013. Citra
Landsat OLI/TIRS merupakan salah satu jenis citra satelit penginderaan jauh
yang dihasilkan dari sistem penginderaan jauh pasif. Pada Landsat 8, terdapat
11 saluran dimana tiap saluran menggunakan panjang gelombang tertentu.
Satelit landsat merupakan satelit dengan jenis orbit sunsynkron. Mengorbit
bumi dengan hampir melewati kutub, memotong arah rotasi bumi dengan sudut
inklinasi 98,2 derajat dan ketinggian orbitnya 705 km dari permukaan bumi.
Seperti dipublikasikan oleh USGS, satelit landsat 8 terbang dengan ketinggian
705 km dan memiliki area 185 km x 185 km dengan resolusi spasial 30x30
meter. Satelit landsat 8 memiliki sensor Onboard Operational Land Imager
(OLI) dan Thermal Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11
buah. Diantara kanal-kanal tersebut, 9 kanal (band 1-9) berada pada OLI dan 2
lainnya (band 10 dan 11) pada TIRS. Untuk sensor OLI yang dibuat oleh Ball
Aerospace, terdapat 2 band yang baru terdapat pada satelit Program Landsat
yaitu Deep Blue Coastal/Aerosol Band (0.433–0.453 mikrometer) untuk deteksi
wilayah pesisir serta Shortwave- InfraRed Cirrus Band (1.360–1.390
mikrometer) untuk deteksi awan cirrus. Sedangkan sisa 7 band lainnya
merupakan band yang sebelumnya juga telah terdapat pada sensor satelit
Landsat generasi sebelumnya. Dan untuk lebih detailnya, berikut ini daftar 9
band yang terdapat pada Sensor OLI :
 Tabel 2.1 Daftar 9 Band Pada Sensor OLI
Sedangkan untuk sensor TIRS yang dibuat oleh NASA Goddard Space
Flight
Center, akan terdapat dua band pada region thermal yang mempunyai resolusi
spasial 100 meter.

Tabel 2.2 Daftar 2 Band Pada Sensor TIRS

Dibandingkan versi-versi sebelumnya, landsat 8 memiliki beberapa
keunggulan khususnya terkait spesifikasi band-band yang dimiliki maupun
panjang rentang spektrum gelombang elektromagnetik yang ditangkap.
Sebagaimana telah diketahui, warna objek pada citra tersusun atas 3 warna
dasar, yaitu Red, Green dan Blue (RGB). Dengan makin banyaknya band
sebagai penyusun RGB komposit, maka warna-warna obyek menjadi lebih
bervariasi. Ada beberapa spesifikasi baru yang terpasang pada band landsat ini
khususnya pada band 1, 9, 10, dan 11. Band 1 (ultra blue) dapat menangkap
 panjang gelombang elektromagnetik lebih rendah dari pada band yang sama
pada landsat 7, sehingga lebih sensitif terhadap perbedaan reflektan air laut atau
aerosol. Band ini unggul dalam membedakan konsentrasi aerosol di atmosfer
dan mengidentifikasi karakteristik tampilan air laut pada kedalaman berbeda.
http://eprints.itn.ac.id/1631/1/skripsi%20jundri.pdf

2.2 Klasifikasi Metode Supervised

Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan
analis (supervised), dimana kriteria pengelompokkan kelas ditetapkan
berdasarkan penciri kelas (class signature) yang diperoleh melalui pembuatan
area contoh (training area). Sedangkan, klasifikasi tidak terbimbing merupakan
klasifikasi dengan pembentukan kelasnya sebagian besar dikerjakan oleh
komputer. Kelas-kelas atau klaster yang terbentuk dalam klasifikasi ini sangat
bergantung kepada data itu sendiri, yaitu dikelompokkannya piksel-piksel
berdasarkan kesamaan atau kemiripan spektralnya (Riswanto 2009).
Keunggulan supervised classification adalah memiliki kontrol terhadap
informational classes berdasarkan training sampel, dan adanya kontrol terhadap
keakuratan klasifikasi. Kekurangannya adalah interpretasi data dipaksakan,
pemilihan training sampel belum tentu representatif, dan adanya kelas spektral
yang tidak teridentifikasi.
Metode Klasifikasi Terbimbing diawali dengan pembuatan daerah contoh
untuk menentukan penciri kelas. Kegiatan tersebut merupakan suatu kegiatan
mengidentifikasi prototife (cluster) dari sejumlah piksel yang mewakili masing-
masing kelas atau kategori yang diinginkan dengan menentukan posisi contoh
dilapangan dengan bantuan peta tutupan lahan sebagai referensi untuk setiap
kelasnya.
Jumlah kelas yang diambil disesuaikan dengan masing-masing luas
penampakan. Secara teoritis, jumlah piksel yang diambil untuk mewakili setiap
kelas yaitu sebanyak N+1, dimana N adalah jumlah band yang digunakan. Hal
 tersebut dilakukan untuk menhindari matrik ragam-peragam yang singular,
dimana piksel per kelasnya tidak bisa dihitung (Jaya 2007).
Data yang dihasilkan dari kegiatan pengklasifikasian secara terbimbing
didaptkan dua tabel yaitu tabel Separabilitas dan tabel Kontingensi. Nilai pada
tabel Separabilitas untuk keenam tutupan lahan didominasi oleh nilai 2000 atau
berkisar antara 1900 sampai 2000. Hal tersebut menunjukkan bahwa keenam
lahan memiliki kriteria baik (good) dan sempurna (excellent). Hanya hubungan
antara vegatasi rapat dengan vegetasi jarang dan rumput dengan vegetasi jarang
yang memiliki nilai baik, selain itu nilai separabilitasnya sempurna, maka dapat
dikatakan bahwa hasil klasifikasi masing-masing tutupan lahan dapat dibedakan
secara spektral (Jaya 2005).
https://foresteract.com/klasifikasi-terbimbing-dan-klasifikasi-tidak-terbimbing/

2.3 Klasifikasi Metode Unsupervised

Klasifikasi tidak terbimbing dalam prosesnya hanya sedikit hal yang
ditetapkan atau diatur oleh seorang analis, misalnya jumlah kelas atau klaster
yang akan dibuat, teknik yang akan digunakan, jumlah iterasi dan band-band
atau kanal yang akan digunakan. Klasifikasi ini disebut juga dengan klastering,
dimana klastering adalah suatu teknik klasifikasi atau identifikasi yang
merupakan serangkaian proses untuk mengelompokan observasi (dalam hal ini
piksel) ke dalam suatu kelas atau klaster yang benar dalam suatu set kategori
yang disusun (Jaya 2015).
Menurut Lillesand dan Kiefer (1997), klasifikasi tidak terbimbing bisa saja
menjumpai beberapa kelas spektral yang dihasilkan berkaitan dengan lebih dari
satu jenis kategori informasi, hal ini berarti bahwa janis kategori informasi
tersebut secara spektral serupa dan tidak dapat dibedakan pada rangkaian data
tertentu.
Klasifikasi lahan dengan metode tidak terbimbing akan mendapatkan
berbagai klasifikasi lahan yang berasal dari kelas nilai spektral piksel.
Simplifikasi kelas ini dilakukan agar tidak terlalu banyak kelas yang dipakai.
 Simplifikasi kelas ini dilakukan menggunakan diagram dendrogram
berdasarkan matrik jarak euclidean dari masing-masing kelas. Penggambaran
dendrogam ini dapat menggunakan tiga metode, yaitu metode single linkage,
complete linkage, dan unweighted group average (Radityo 2010).
Metode tidak terbimbing terdiri dari dua jenis yaitu :
 IsoData = Mengklasifikasikan kelas secara merata, setiap pixel
diklasifikasikan ke kelas terdekat. Setiap interaksi akan dikalkulasi
ulang dan mereklasifikasi pixel ke bentuk baru. Memisah kelas,
menggabungkan dan menghapus dilakukan berdasarkan parameter input.
Semua pixel diklasifikasikan ke kelas terdekat kecuali deviasi standar
atau ambang batas jarak yang telah ditentukan, dalam hal ini beberapa
pixel mungkin tidak diklasifikasikan jika tidak memenuhi kriteria yang
ditentukan. Proses ini berlanjut sampai jumlah pixel dalam setiap
perubahan kelas kurang dari ambang perubahan pixel yang dipilih atau
jumlah maksimum interasi tercapai.
 K-Means = Hampir sama dengan metode IsoData, bedanya dengan
menggunakan metode ini analis mengharuskan untuk memilih jumlah
kelas yang berlokasi di data, kemudian sistem akan mengelompokkan
data ke dalam kelas kelompok yang telah ditentukan. Pada setiap kelas
akan terdapat titik tengah (centroid) yang mempresentasikan kelas
tersebut.
https://foresteract.com/klasifikasi-terbimbing-dan-klasifikasi-tidak-terbimbing/

2.4 Tutupan Lahan

Tutupan lahan adalah kenampakan material fisik permukaan bumi. Tutupan
lahan dapat menggambarkan keterkaitan antara proses alami dan proses sosial.
Tutupan lahan dapat menyediakan informasi yang sangat penting untuk
keperluan pemodelan serta untuk memahami fenomena alam yang terjadi di
permukaan bumi (Liang, 2008). Data tutupan lahan juga digunakan dalam
mempelajari perubahan iklim dan memahami keterkaitan antara aktivitas
manusia dan perubahan global (Running, 2008; Gong et al., 2013; Jia et al.,
2014). Informasi tutupan lahan yang akurat merupakan salah satu faktor
penentu dalam meningkatkan kinerja dari model-model ekosistem, hidrologi,
dan atmosfer. (Bounoua et al., 2002; Jung et al., 2006; Miller et al., 2007).
Tutupan lahan merupakan informasi dasar dalam kajian geoscience dan
perubahan global (Jia et al. 2014).
Tutupan lahan merupakan informasi yang sangat penting dalam sektor
pertanian. Misalnya dalam kajian perluasan sawah baru. Perluasan sawah baru
bertujuan untuk meningkatkan produksi padi guna meningkatkan ketahanan
pangan. Menurut Dinas Pertanian dan Tanaman Pangan Provinsi Jawa Barat
(2015), peningkatan produksi padi melalui perluasan sawah masih
dimungkinkan karena potensi lahan yang sesuai untuk perluasan sawah di Jawa
Barat masih cukup luas. Sebelum melaksanakan kegiatan perluasan sawah,
terlebih dahulu diperlukan upaya mengetahui kelayakan potensi lahan hasil
identifikasi Calon Petani dan Calon Lokasi (CPCL) untuk dijadikan sawah baru
dengan melakukan survei dan investigasi calon lokasi yang layak untuk
dijadikan sawah baru. Oleh karena itu, informasi tutupan lahan membantu
dalam identifikasi calon lokasi perluasan sawah baru.
http://jurnal.unpad.ac.id/teknotan/article/download/9941/pdf
 Tabel 2.3 Sistem Klasifikasi Penutup Lahan Berbasis Penginderaan Jauh
2.4.1 Pemotongan Citra (Cropping)
Pemotongan citra (Cropping), suatu cara pengambilan area tertentu
yang akan diamati (area of interest) dalam citra, yang bertujuan untuk
mempermudah penganalisaan citra dan memperkecil ukuran
penyimpanan citra. Dalam proses pengolahan citra, biasanya tidak secara
keseluruhan Scence dari citra yang kita gunakan. Untuk mendapatkan
daerah yang kita inginkan kita dapat memotong (cropping) citra tersebut.
(Risti Arhatin, 2010: 17). Cropping citra dapat digunakan untuk data
spasial maupun data spektral. Pemotongan citra dapat dilakukan
berdasarkan titik koordinat, jumlah pixel atau hasil zooming daerah
tertentu. Dalam proses pemotongan citra digunakan metode pemotongan
ROI dari Vektor Poligon dengan menggunakan ENVI 5.1 dan ENVI
Classic. Tools yang terdapat dalam ENVI memiliki berbagai metode
untuk melakukan teknik pemotongan dengan berdasarkan kebutuhan
analisis tertentu.
Pemotongan atau cropping citra dilakukan untuk mendapatkan daerah
penelitian dengan maksud untuk dapat melakukan pengolahan data yang
 lebih terfokus, terinci dan teroptimal. Dengan ekspetasi menghasilkan
citra yang representatif dan kontinu. Pemotongan citra memiliki nilai
utilitas lainnya, yaitu memperkecil daerah yang akan dikaji sesuai dengan
area of interest. Pemotongan citra merupakan pemotongan yang telah
diolah secara kontinu agar dapat mereduksi kesalahan di dalam proses
pengolahan data penginderaan jauh di software ENVI. Bahkan, teknik
pemotongan atau cropping citra dapat menyederhanakan area penelitian
para pengguna data hasil penginderaan jauh. Sehingga, cropping citra
(pemotongan citra) dapat bermanfaat untuk mempermudah kinerja
seseorang ketika sedang melakukan pengamatan citra, terutama dalam
membatasi region atau wilayah tertentu.
http://melatindahss.blogspot.com/2017/12/penginderaan-jauh-
inderaja.html

2.4.2 Interpretasi Citra

Interpretasi citra merupakan suatu kegiatan untuk menentukan bentuk
dan sifat obyek yang tampak pada citra, berikut deskripsinya.interpretasi
citra dan fotogrametri berhubungan erat, meskipun keduanya tidak sama.
Bedanya, fotogrametri berkepentingan dengan geometri obyek,
sedangkan interpretasi citra berurusan dengan manfaat, penggunaan, asal-
usul, ataupun identitas obyek yang bersangkutan (Glossary of the
Mapping Science, 1994).
Lillesand dan Kiefer (1994) dan juga Sutanto (1986) menyebutkan 8
unsur interpretasi yang di gunakan secara konvergen untuk dapat
mengenali suatu obyek yang ada pada citra, kedelapan unsur tersebut
ialah warna/rona, bentuk, ukuran, bayangan, tekstur, pola, situs dan
asosiasi. Diantara ke delapan unsur tersebut, warna/rona merupakan hal
yang paling dominan dan langsung mempengaruhi pengguna citra dalam
memulai interpretasi. Sebenarnya seluruh unsur interpretasi ini dapat di
kelompokkan ke dalam 3 jenjang dalam piramida unsur-unsur
 interpretasi. Pada jenjang paling bawah terdapat unsur-unsur elementer
yang dengan mudah dapat dikenali pada citra, yaitu warna/rona, bentuk,
dan bayangan. Pada jenjang berikutnya terletak ukuran, tekstur dan pola,
yang membutuhkan pemahaman lebih mendalam tentang konfigurasi
obyek dalam ruang. Pada jenjang paling atas terdapat situs dan asosiasi,
yang merupakan unsur-unsur pengenal utama dan seringkali menjadi
faktor kunci dalam interpretasi, namun sekaligus paling sulit untuk
dideskripsikan.
Interpretasi citra merupakan suatu kegiatan untuk menentukan bentuk
dan sifat obyek yang tampak pada citra, berikut deskripsinya. Interpretasi
citra dapat dilakukan secara manual atau visual, dan dapat pula secara
digital. Interpretasi citra secara visual sering di sebut dengan interpretasi
fotografik, sekalipun citra yang di gunakan bukan citra foto, melainkan
citra non foto yang telah tercetak (hard copy). Sebutan interpretasi
fotografik sering di berikan pada Interpretasi visual citra non foto, karena
banyak produk tercetak citra non foto di masa lalu (bahkan sampai
sekarang) di wujudkan dalam bentuk film ataupun citra tercetak di atas
kertas foto, dengan proses reproduksi fotografik. Hal ini dapat dilakukan
karena proses pencetakan oleh komputer pengolahan citra non foto
dilakukan dengan printer khusus yang disebut film writer, dan hasil
cetakanya menyerupai slide (diapositif) berukuran besar (lebih kurang
hingga ukuran karto). Istilah Interpretasi fotografik juga diberikan pada
berbagai kegiatan interpretasi visual citra-citra non foto, karena prinsip-
prinsip interpretasi yang digunakan tidak jauh berbeda dari prinsip-
prinsip interpretasi foto udara.
https://hmit.lk.ipb.ac.id/2010/06/23/penginderaan-jauh-dan-interpretasi-
citra/
2.4.3 Klasifikasi Citra
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.
Secara umum, algoritma klasifikasi dapat dibagi menjadi supervised
(terawasi) dan unsupervised (tak terawasi). Pemilihannya bergantung
pada ketersediaan data awal pada citra itu. Analisa cluster merupakan
suatu bentuk pengenalan pola yang berkaitan dengan pembelajaran secara
unsupervised, dimana jumlah pola kelas tidak diketahui. Proses clustering
melakukan pembagian data set dengan mengelompokkan seluruh pixel
pada feature space (ruang ciri) ke dalam sejumlah cluster secara alami.
Metode supervised mengharuskan adanya training set Akan tetapi
training set untuk tiap kelas ini seringkali belum diketahui. Salah satu
penyebabnya adalah sulitnya menentukan jumlah kelas yang sebenarnya
terdapat pada citra itu disamping kesulitan untuk mencari lokasi-lokasi
mana yang bisa dianggap paling mewakilinya. Fenomena ini mendorong
para peneliti dalam bidang pengenalan pola (pattern recognition) untuk
terus berusaha menghasilkan algoritma yang mampu mendeteksi jumlah
cluster ini secara otomatis.
https://media.neliti.com/media/publications/142748-ID-none.pdf
2.5 Kobinasi Band
Berikut adalah daftar urutan R G B kombinasi band yang tersedia:
 Natural Color – 4 3 2
Digunakan untuk menghasilkan citra dengan warna sebenarnya.
 False Color (urban) – 7 6 4
Digunakan untuk menghasilkan citra dengan perbedaan yang jelas pada
daerah perkotaan/urban.
 Color Infrared (vegetation) – 5 4 3
Kombinasi ini digunakan untuk melihat masa, kerapatan, dan dominasi
vegetasi. Kontras antara dominasi vegetasi akan terlihat dalam infrared,
sehingga efektif bagi analisis vegetasi kehutanan atau pertanian skala
besar.
 Agriculture – 6 5 2
Digunakan untuk menghasilkan citra dengan perbedaan tumbuh-
tumbuhan yang jelas ditunjukkan dengan warna kehijauan.
 Atmospheric Penetration – 7 6 5
Berguna untuk memperjelas citra dari ketebalan awan, memperjelas
garis pantai, dan tutupan vegetasi. Kombinasi ini dapat memperjelas
citra dari gangguan cuaca.
 Healthy Vegetation – 5 6 2
Digunakan untuk menghasilkan citra yang menampakkan tumbuhan
yang sehat.
 Land/Water – 5 6 4
Digunakan untuk menghasilkan citra dengan perbedaan yang jelas pad
air dan daratan.
 Natural With Atmospheric Removal – 7 5 3
Digunakan untuk menghasilkan citra dengan warna natural dan
mengurangi kenampakan awan.
 Shortwave Infrared – 7 5 4
Digunakan untuk mendapatkan biomass dengan kontras yang jelas dan
citra yang lebih bersih dari tutupan awan.
 Vegetation Analysis – 6 5 4
Digunakan untuk menganalisa tumbuh-tumbuhan.