Disusun Oleh :
Windi Anastasia Rumapea
185080601111028
I03
DAFTAR ISI.........................................................................................................i
DAFTAR GAMBAR.............................................................................................iii
DAFTAR TABEL/GRAFIK....................................................................................iv
BAB I. PENDAHULUAN.......................................................................................5
1.1 Latar Belakang..................................................................................................5
1.2 Tujuan...............................................................................................................6
BAB V. PENUTUP.............................................................................................21
5.1 Kesimpulan....................................................................................................21
5.2 Saran..............................................................................................................21
DAFTAR PUSTAKA...........................................................................................22
DAFTAR GAMBAR
Gambar 1. Alur Pengolahan Data......................................................................11
Gambar 2. Masukkan file MTL dengan format .txt..............................................12
Gambar 3. Cropping Wilayah..............................................................................12
Gambar 4. Memasukkan Output Filename : Radiometrik...................................13
Gambar 5. Panchromatic....................................................................................13
Gambar 6. Proses Unsupervised Classification..................................................13
Gambar 7. setelah melakukan unsupervised classification, simpan file..............14
Gambar 8. Uji Nilai Akurasi.................................................................................14
Gambar 9. Proses Klasifikasi Supervised...........................................................15
Gambar 10. Buat Class sesuai daerah yang ada di citra yang ditampilkan.........15
Gambar 11. Simpan file supervised....................................................................15
Gambar 12. melakukan proses menuju layouting pada ArcGIS..........................16
Gambar 13. Peta Penggunaan Lahan Metode Unsupervised Classification.......17
Gambar 14. Peta Metode Supervised Classification...........................................19
DAFTAR TABEL/GRAFIK
Pilih warna
Hasil
3. Selanjutnya setelah muncul Crop pada Layer Manager > centang bagian
Crop, selain itu uncentang. Pada Toolbox > ketik Radiometric >
Radiometric Calibration > pada File Selection > pilih Crop > OK. Pada
menu Radiometric Calibration > Apply Flash Settings > Output Filename :
Radiometrik > Open > OK.
Gambar 4. Memasukkan Output Filename : Radiometrik
Gambar 5. Panchromatic
7. Selanjutnya lakukan metode uji nilai akurasi sesuai pada class yang
ditentukan. Cara melakukan uji akurasi yaitu pada Software Envi 5.1 > pilih
Tools Crosshairs > Arahkan Crosshairs pada wilayah yang akan diuji >
salin koordinat > lalu buka Software Google Earth Pro > masukkan
koordinat dari Software Envi 5.1 menuju Google Earth Pro > lihat daerah
tersebut apakah sesuai dengan yang diklasifikasikan oleh proses
Unsupervised Classification. Buat minimal 10 titik koordinat uji akurasi dari
masing-masing Class yang ada.
8. Ketik “Classification” pada Toolbox > pilih “Classification Workflow” > pada
menu Save ROI “NO” > Input Raster > Browse > pilih data yang
telah diolah pada proses “Panchromatic” > Next > Use Training Data.
Gambar 9. Proses Klasifikasi Supervised
9. Selanjutnya pada menu Classification > Training Data > buat Class sesuai
dengan area yang ada ada citra yang ditampilkan > pada Class Name
ubah sesuai dengan kebutuhan yang diperlukan > pilih Polygon
Annotation untuk membuat sebuah area pada masing-masing Class yang
ada.
Gambar 10. Buat Class sesuai daerah yang ada di citra yang ditampilkan
10. Selanjutnya buat Regions sebanyak yang diperlukan > Next > pada menu
Classification > centang Enable Smoothing : 5 dan Enable Aggregator : 9 >
Next > pada Export Files > centang keduanya > Browse > simpan file
dengan nama yang diinginkan > Finish.
(3)
No Class (1) Perairan (2) Lahan Kosong Tambak (4) Pemukiman Total
Class 1 Merah 6 4 0 0 10
Class 2 Hijau 0 3 7 0 10
Class 3 Biru 3 1 6 0 10
Class 4 Kuning 0 6 0 4 10
Total 9 14 13 4 40
Presentase : 32% 40
NO KELAS LUAS
1 Pemukiman 260.44 Ha
2 Lahan Kosong 799.99 Ha
3 Tambak 299.52 Ha
4 Perairan 341.06 Ha
4.2 Supervised Classification
4.2.1 Peta Metode Supervised Classification
NO KELAS LUAS
1 Pemukiman 88.16 Ha
2 Lahan Kosong 201.02 Ha
3 Tambak 1081.96 Ha
4 Perairan 329.87 Ha
5.1 Kesimpulan
5.2 Saran
Dimasa Pandemi ini, untuk saran kepada asisten diharapkan adanya
video tutorial untuk mendukung project ini dimengerti oleh praktikan. Dikarenakan
dari buku panduan saja, banyak dari praktikan kurang mengerti dan pada saat
praktikum, banyak juga praktikan yang tidak dapat mengikuti praktikum dari awal
hingga akhir dikarenakan masalah jaringan.
DAFTAR PUSTAKA
Wulansari, H. (2017). Uji Akurasi Klasifikasi Penggunaan Lahan dengan Menggunakan
Metode Defuzzifikasi Maximum Likelihood Berbasis Citra Alos Avnir-2. BHUMI:
Jurnal Agraria dan Pertanahan , 3 (1).
Yunita, i. (2014). LAHAN PERTANIAN ABADI (LPA) DI KABUPATEN TANGERANG.
Journal The Winners , 12 (1), 71-81.
Arveti, N., Balaji, E., & Padmanava , D. (2016). Land Use/ Land Cover Analysis Based
on Various Compherensive Geospatial Datasets : A Case Study Form Tirupati
Area, South India. Advances in Remote Sensing , V, 73-82.
Brahmantara, R. P., & Kustiyo. (2018). Analisis Misalignment Citra Multispektral
Terhadap Citra Pankromatik Pada Data WORLDVIEW-2. Jurnal Penginderaan
Jauh , 15 (1), 47-53.
Egoroy, A. V., M, C. H., D, P. R., A, K., & P, V. P. (2015). Image interpretation-guided
supervised classification using nested segmentation. Remote Sensing of
Environment , 165, 135-147.
Kumar, P. J., X, L., & Y, Y. (2018). Panchromatic and Multispektral Remote Sensing
Image Fusion Using Machine Learning for Clasifying Bucolic and Farming
Region. Journal of Computional Science and Egineering , 15 (6).
Kaira, K., A, K. G., & R, G. (2014). A Comparative Study of Supervised Image
Classificatiob Algorithms for Satellite Images. International Journal of Electrical
Electronic and Data Communication , 1 (10).
Loekman, H. Y. (2015). Pemanfaatan Citra Landsat Dalam Pemetaan Perubahan
Penggunaan Lahan Di Kabupaten Pati. Jurnal Bumi Indonesia , IV (3).
Mohammady, M., H, R. M., H, Z., & A. J, A. T. (2015). A Comparison of Supervised,
Unsupervised and Synthetic Land-use Classification Methods in The North of
Iran. J. Environ. Sei. Technol , 12, 1515-1526.
Susiati, H., & H, S. (2016). Aplikasi Penginderaan Jauh Dalam Pemetaan Penggunaan
Lahan Detil Tapak RDE, PUSPIPTEK, Serpong. Jurnal Pengembangan Energi
Nukril , 18 (2), 101-112.
Sampurno, R. M., A, B., & T, H. (2017). Estimasi Perubahan Lahan Sawah Dengan
Klasifikasi Tidak Terbimbing Citra MODIS EVI Di Provinsi Jawa Barat. Jurnal
Teknotan , 11 (2), ISSN : 2528-6285.
Schmitz, C., H, V. M., P, K., G, C. N., S, F., A, G., et al. (2014). Land-use Change
Trajectories Up Tp 2050 : Insights Form a Global Agro-economic Model
Comparison. Agricultural Economics , 45, 1-16.
Septiani, R., I. P, A. C., & A. S, A. N. (2019). Perbandingan Metode Supervised
Classification dan Unsupervised Classification terhadap Penutup Lahan di
Kabupaten Buleleng. Jurnal Geografi , 16 (2), 90-96.