LAPORAN PRAKTIKUM PENGINDERAAN JARAK JAUH

ACARA 4

Klasifikasi Multispektral

DISUSUN OLEH :

M. Rafi Al-Furqa’an P. S. (1903016037)

JURUSAN AGROEKOTEKNOLOGI

FAKULTAS PERTANIAN

UNIVERSITAS MULAWARMAN

SAMARINDA

2021
 I. PENDAHULUAN

1.1. Dasar Teori

Klasifikasi multispektral bertujuan untuk mengelompokkan objek yang

memiliki karakteristik spectral yang sama pada suatu area agar lebih mudah
mendapatkan informasi. Metode klasifikasi yang digunakan yaitu metode
klasifikasi terselia (supervised classification) Maximum Likelihood. klasifikasi
supervised yang memiliki dasar klasifikasi pengelompokkan objek yang bentuk,
ukuran dan orientasi sampel pada feature space antara satu dengan yang lain
serupa (Shresta, 1991 dalam Danoedoro, 2012). Minimum distance sebagai
klasifikasi unsupervised memiliki logika pengelompokkan objek atas dasar jarak
vektor rerata terhadap gugus. Apabila gugus tersebut berada pada posisi yang
tidak tepat pada titik pusat maka komputer akan melakukan iterasi (pengulangan)
pembuatan gugus hingga ketepatan titik pusat tercapai. Klasifikasi multispektral
dilakukan pada saluran multispektral dan pankromatik untuk memberikan
informasi mengenai penutup lahan di lokasi penelitian dengan menggunakan citra
Landsat 7 ETM+ dan Landsat 8
Secara umum, klasifikasi citra dapat dibagi menjadi dua yaitu: klasifikasi
terbimbing (Supervised) dan klasifikasi tidak terbimbing (Unsupervised).
1. Klasifikasi Supervised
Klasifikasi terbimbing merupakan metode yang dipandu dan
dikendalikan sebagian besar atau sepenuhnya oleh pengguna dalam proses
pengklasifikasiannya. Intervensi pengguna dimulai sejak penentuan training area
hingga tahap pengklasterannya. Pada klasifikasi ini harus diambil sejumlah pola
data sebagai acuan atau target. Pemetaan dilakukan dengan proses pelatihan
dengan sejumlah sampel pola tertentu sebagai kunci pengenalan untuk
menghasilkan sejumlah atribut kelas.
Kelas yang dihasilkan dalam klasifikasi Supervised telah ditentukan kategori
informasi yang berguna dan kemudian menguji tingkat daya pisah spektralnya.
Klasifikasi terbimbing atau (Supervised) dalam hal ini mensyaratkan kemampuan
pengguna dalam penguasaan informasi lahan atau local knowladge terhadap areal
 kajian.
2. Klasifikasi Unsupervised

Klasifikasi tidak terbimbing merupakan metode yang memberikan

mandat sepenuhnya kepada sistem atau computer untuk mengelompokkan data
raster berdasarkan nilai digitalnya masing-masing, intervensi penggunaan dalam
hal ini diminimalisasi. Proses ini, adalah suatu proses interaksi sampai
menghasilkan pengelompokkan akhir gugus-gugus spectral. Pada klasifikasi tak
terbimbing ini diperlukan data atau piksel sebagai acuan, hal ini didasari pada
asumsi bahwa objek yang sama akan memberikan nilai spectral yang sama atau
hampir sama, sehingga piksel yang berbeda akan saling terpisah.
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.

1.2. Tujuan Praktikum

1. Mahasiswa dapat melakukan klasifikasi multispektral pada citra penginderaan

jauh.
2. Mahasiswa dapat melakukan identifikasi penutup lahan dengan menggunakan
metode klasifikasi terbimbing (supervised classification).
 II. METODE PENELITIAN

2.1. Alat dan Bahan

1. Seperangkat komputer
2. Perangkat lunak ArcGIS 10.7
3. Citra Satelit Landsat 8 OLI/TIRS L1TP pada praktikum sebelumnya

2.2. Langkah Kerja

1. Aktifkan ekstensi Spatial Analyst melalui tab menu Customize

-
Extensions - centang kolom Spatial Analyst - klik Close.

2. Selanjutnya menampilkan Image Classification agar

bisa membuat training sample penutup lahan. Klik
kanan pada bagian toolbar atas dimanapun,
kemudian pilih dan centang Image Classification.
Setelah

muncul Image Classification, lalu pilih data citra

Landsat yang akan di digitasi yaitu Landsat yang
sudah dilakukan penajaman praktikum sebelumnya.
 Klik kanan
disini

3. Aktifkan tabel Training Sample Manager untuk

melihat digitasi kita dalam menentukan sampel.
Selanjutnya aktifkan Draw Polygon untuk kita
menentukan sampel penutup lahan dengan digitasi.

4. Identifikasi setiap jenis penutup lahan yang sama,

gunakan tabel menurut SNI 7645-2010 tentang
Klasifikasi Penutup Lahan dibawah ini
Tingkat 1 Tingkat 2 Tingkat 3
Resolusi Rendah Resolusi Resolusi
Menengah Menengah/Tinggi
1. Air 1.1. Perairan Laut 1.1.1. Air Laut Dalam
1.1.2. Air Laut Dangkal
 1.2. Perairan 1.2.1. Danau
Darat 1.2.2. Waduk
1.2.3. Setu
1.2.4. Rawa
1.2.5. Tambak
1.2.6. Sungai
2. Vegetasi 2.1. Hutan 2.1.1. Hutan Lahan Basah

Tingkat 1 Tingkat 2 Tingkat 3

Resolusi Rendah Resolusi Resolusi
Menengah Menengah/Tinggi
2.1.2. Hutan Lahan Kering
2.1.3. Belukar/Semak
2.2. Perkebunan 2.2.1. Perkebunan Industri
2.2.2. Perkebunan
Campuran
2.3. Pertanian 2.3.1. Sawah
2.3.2. Tegalan/Ladang
3. Tanah 3.1. Lahan 3.1.1. Permukiman Kota
Terbangun 3.1.2. Permukiman Desa
3.1.3. Fasilitas Umum
3.2. Lahan 3.1.1. Pasir
Terbuka 3.1.2. Galian Tambang
3.1.3. Endapan Lahar
3.1.4. Batuan
3.1.5. Gosong
5. Digitasi masing-masing objek dengan menggunakan
klik kiri satu kali dan apabila selesai membuat
polygon dengan klik kiri dua kali. Berikan nama
sesuai dengan Penutup Lahan pada kolom tabel Class
Name

6. Gunakan tools Merge Training Samples untuk

menyatukan tutupan lahan dengan klasifikasi yang
sama dengan menggunakan Shift atau Ctrl dan klik
pada ID. Pembuatan Training Sample diharapkan
harus representatif dan mewakili dari keseluruhan
 objek dan sesuaikan jumlahnya berdasarkan dari
keberagaman objek yang diambil sampelnya, semakin
banyak training sample akan memberikan hasil yang
baik dalam proses klasifikasi.

7. Setelah selesai dalam pembuatan sampel pada

masing-masing objek Penutup Lahan, simpan sampel
tersebut dengan pilih klik Save Training Samples
pada layar kerja Training Sample Manager. Muncul
layar Output feature class selanjutnya tentukan
direktori penyimpanan - tuliskan nama sampel

contoh: SampelPL_Tenggarong.shp - save as

shapefile - klik Save.
8. Selanjutnya membuat sampel sebagai acuan dalam
klasifikasi terbimbing (Supervised Classification)
dalam format (.gsg). Pilih dan klik Create a
Signature File pada layar kerja Training Sample
Manager - tentukan folder penyimpanan (folder
penyimpanan jangan terlalu dalam, misal d:/Data
langsung dan Jangan ada folder lagi dalam
d:/Data agar tidak failed dalam menyimpan
signature file .gsg) - tuliskan nama sampel contoh:
SampelPL_Tenggarong.gsg - save as signature files
- klik Save.

9. Selanjutnya melakukan proses klasifikasi pada layar

kerja Image Classification, pilih dan klik
Classification, kemudian klik Maximum Likelihood
 Classification. Pada layar kerja Maximum
Likelihood Classification, masukkan layer data citra
Landsat hasil komposit band yang sudah dibuat, pada
kolom Input Signature File masukkan file (.gsg)
yang sudah dibuat sebelumnya, tentukan folder
penyimpanan pada Output Classified Raster dan
beri nama contoh: PL_Tenggarong.TIF (Folder
pada direktori jangan terlalu dalam untuk
keberhasilan proses klasifikasi), selanjutnya klik OK.

10. Tunggu proses klasifikasi sampai selesai, apabila

proses sudah selesai dan hasil klasifikasi tidak
muncul secara otomatis pada layer di lembar kerja
Table Of Contents, Lakukan Add Data dimana lokasi
file tersebut disimpan direktori kita. Ganti nama
keterangan dari value menjadi class name pada
penutup lahan sesuai dengan tabel Training Sample
Manager
11. Hasil klasifikasi penutup lahan selesai dilakukan
III. HASIL KEGIATAN
IV. PEMBAHASAN