TERNATE
DI SUSUN OLEH :
NIM : 201964025
UNIVERSITAS PATTIMURA
AMBON
2021
DAFTAR ISI
BAB I ......................................................................................................................................... 3
PENDAHULUAN ..................................................................................................................... 3
1.1 Latar Belakang ................................................................................................................. 3
1.2 Tujuan............................................................................................................................... 3
1.3 Manfaat............................................................................................................................. 3
BAB II ........................................................................................................................................ 4
TINJAUAN PUSTAKA ............................................................................................................ 4
2.1 Kalasifikasi Tak Terbimbing ............................................................................................ 4
2.2 Klasifikasi Terbimbing ..................................................................................................... 4
BAB III ...................................................................................................................................... 5
METODELOGI ......................................................................................................................... 5
3.1 Alat Dan Bahan ................................................................................................................ 5
BAB IV ...................................................................................................................................... 6
HASIL DAN PEMBAHASAN.................................................................................................. 6
4.1 Klasifikasi Tak Terbimbing ............................................................................................. 6
A. Slicing.......................................................................................................................... 6
B. Cluster ......................................................................................................................... 8
4.2 Klasifikasi Terbimbing ................................................................................................... 10
A. Membuat sampel set .................................................................................................. 10
B. Minimum Distance .................................................................................................... 13
C. Maksimum Likehood ................................................................................................ 14
D. Menghitung luas tutupan lahan ................................................................................. 16
BAB V ..................................................................................................................................... 18
PENUTUP................................................................................................................................ 18
5.1 Kesimpulan..................................................................................................................... 18
BAB I
PENDAHULUAN
1.2 Tujuan
1.3 Manfaat
Adapun manfaat yang ingin dicapai dari praktikum ini adalah dapat diinterpretasikan data
citra satelit landsat untuk mengidentifikasi tutupan lahan pada pulau Kelang, Seram Bagian
Barat.
BAB II
TINJAUAN PUSTAKA
Dalam mendefinisikan area contoh untuk pelatihan klasifikasi, analis tidak perlu mencari
area yang homogen, bahkan seringkali dicari daerah yang sangat beragam untuk memastikan
bahwa semua kelas yang memungkinkan dan variabilitas di dalamnya terbentuk. Piksel-
piksel contoh tersebut kemudian akan dimasukkan dalam algoritma gerombol yang akan
menentukan pengelompokan alami dalam ruang feature berdimensi jamak. Setiap gerombol
diasumsikan merepresentasikan distribusi peluang (probability distribution) untuk setiap
kelas. Pelabelan (penamaan) kelas dapat dilakukan setelah penggerombolan contoh ataupun
setelah penggerombolan semua piksel dalam citra.
METODELOGI
ALAT KETERANGAN
Laptop/computer Mengolah data
Softwer ILWIS 3.6 Mengolah data lebih akurat
BAHAN KETERANGAN
Citra Landsat TM Bahan mentah yang di pakai
BAB IV
Klik operations image processing klik slicing setelah itu pilih NDVI yang di
pakai untuk membuat slicing masukan nama pada output raster map klik domain dan
buat domain baru berikan nama pada domainnya cek list grup dan klik oke klik
show.
A. Slicing
Hasilnya :
B. Cluster
Klik operations imange processing pilih cluster setelah itu pada number of input
maps pilih nomor 4 masukan band yang ingin kita buwat masukan nama klik
show
Hasilnya :
Kalsifikasi ini sama juga dengan slicing tetapi di lihat lebih jelas merupakan teknik
yang mengelompokan piksel berdasarkan rentang bilai spectral yang di miliki. Dimana dari
teknik ini menunjukan perbedaan kelas tutupan lahan vegetasi dan non vegetasi. Dari hasil
tersebut dapat di lihat jelas yang mana vegetasi dan non vegetasi di gambar citra tersebut.
Hasil Peta Clustering Tutupan Lahan Vegetasi
Buat polygon atau titik pada salah satu bagian citra satelit yang dapat dikenali tutupan
lahannya. Klik kanan pada polygon yang telah dibuat. Menu edit dengan nama tutupan
lahan yang telah dibuat pada domain akan muncul. Pilih salah satu tipe tutupan lahan
sebagimana terlihat pada contoh dibawah, klik ok. Lakukan hal yang sama untuk
membuat sampel tipe tutupan lahan lainnya. Sampel haruslah diambil dengan jumlah
yang mencukupi untuk semua kelas tutupan lahan.
Untuk memeriksa kualitas sampel yang telah diambil,dapat digunakan fungsi Feature
space. Feature space akan menampilkan semua sampel yang telah dibuat pada
diagram yang memuat nilai piksel pada dua kanal yang berbeda. Feature space dibuat
dengan menekan tombol pada Map Window
Hasilnya :
Dari klasifikasi ini merupakan klasifikasi yang terbimbing dimana dilakukan dengan
menentukan sampel untuk tiap-tiap tipe tutupan lahan yang akan diklasifikasi. Dapat di lihat
pada gambar dibawah merupakan hasil yang dimana telah di tentukan penutup lahan
berdasarkan lokasinya.
Klik operations pilih image processing klik classify masukan band sampel setnya
dan pilih minimum distance masukan nama dan klik show. Dan untuk maksimum
likehood cara-caranya sama dengan minimum distance.
B. Minimum Distance
C. Maksimum Likehood
Dari hasil maksimum likehood dan minimum like merupakan hasil dari tutupan lahan yang
sudah terlihat secara jelas, dimana dari gambar tersebut kita dapat bisa melihat lahan vegetasi
dan non vegetasi dengan jelas sehingga lebih akurat.
Langkah – langkah perhitungan luas kelas tutupan lahan adalah sebagai berikut :
1. Pilih salah satu data hasil klasifikasi yang telah dibuat, klik kanan, pilih statistics ->
histogram. Perintah ini akan menghasilkan tabel data yang memuat luasan kelas
tutupan lahan dalam unit meter persegi.
2. Jendela histogram sebagaimana terlihat pada gambar dibawah akan muncul. Pada bagian
sebelah kiri terlihat histogram berupa grafik batang dari masing – masing tipe tutupan
lahan. Sedangkan pada bagian luas sebelah kanan, terdapat tabel area yang memuat
informasi luasan tipe tutupan lahan. Pada contoh digambar luas vegetasi adalah
464,145,300 meter persegi atau 46.415 hektar atau 19.58% dari total area.
3. KlikView Histogram -> View -> Graph management. Kolom baru akan muncul di
sebelah kiri histogram. Klik kanan pada menu Tabelhistogram
4. Klik Export. Perintah ini akan menghasilkan tabel luasan tutupan lahan permanen. Tabel
ini dapat dibuka dengan program – program non GIS seperti Microsoft Excel untuk
proses analisa atau pelaporan lebih lanjut.
BAB V
PENUTUP
5.1 Kesimpulan
1) Dari kalsifikasi tak terbimbing merupakan analis tidak perlu mencari area yang
homogen, bahkan seringkali dicari daerah yang sangat beragam untuk memastikan
bahwa semua kelas yang memungkinkan dan variabilitas di dalamnya terbentuk. Dimana
dari hasil kalsifikasi ini hanya di lakukan untuk menentukan lahan vegetasi dan non
vegetasinya.
2) Sedangkan untuk klasifikasi terbimbing merupakan analisa yang telah didapatkan
sebelumnya yang dapat berasal dari hasil ekstraksi informasi/interpretasi foto udara, peta
dan lain-lain. Dimana dari klasifikasi ini merupakan tutupan lahan yang lebih jelas dan
nampak jelas vegetasinya dan non vegetasinya di daerah tersebut.