LAPORAN PRAKTIKUM KE-5

KLASIFIKASI TERBIMBING DAN UJI AKURASI

MNH RABU SORE

Serly Wijayanti E1401201092

Dosen Praktikum :
1. Dr. Nining Puspaningsih, M.Si
2. Uus Saepul Mukarom, S.Hut

Asisten :
Khairunnisa Apriliani E14190016
Ricky Ferdinand E14190032
Manisyah E14190076

LABORATORIUM FISIK REMOTE SENSING DAN GIS

DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN DAN LINGKUNGAN
INSTITUT PERTANIAN BOGOR
2022
 KATA PENGANTAR

Puji syukur kami ucapkan kepada Tuhan Yang Maha Esa karena berkat rahmat dan
hidayahnya saya dapat menyelesaikan laporan yang berjudul “KLASIFIKASI
TERBIMBNG DAN UJI AKURASI” tepat pada waktunya. Terima kasih kamiucapkan
kepada Bapak Uus Saepul Mukarom, S.Hut dan Ibu Dr. Nining Puspaningsih, M.Si
Sebagai dosen praktikum dan asisten praktikum yang telah membantu.
Adapun tujuan dari penulisan laporan ini yaitu untuk memenuhi tugas praktikum mata
kuliah Penginderaan Jauh untuk Pengelolaan Sumberdaya hutan. Saya berharap laporan
ini dapat berguna dan menambah ilmu pengetahuan bagi masyarakat khususnya civitas
akademik IPB. Saya menyadari bahwa masih banyak kekurangan, oleh karena itu kritik
dan saran yang sifatnya membangun sangat saya harapkan
Akhir kata saya berharap semoga laporan praktikum “KLASIFIKASI TERBIMBNG
DAN UJI AKURASI ini bermanfaat bagi kita semua.

Bogor, 28 September 2022

Serly Wijayanti

i
 DAFTAR ISI
KATA PENGANTAR I
DAFTAR ISI II
DAFTAR GAMBAR III
BAB I PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Tujuan 1
BAB II METODE 2
2.1 Waktu dan Tempat 2
2.1 Alat dan Bahan 2
2.3 Prosedur Kerja 2
BAB III HASIL DAN PEMBAHASAN 11
3.1 Hasil 11
3.2 Pembahasan 12
BAB IV PENUTUP 15
4.1 Simpulan 15
4.2 Saran 15
DAFTAR PUSTAKA 15
LAMPIRAN 16

ii
 DAFTAR TABEL

Tabel 1 Data Separabilitas 11

Tabel 2 Kontingensi Hasil Nilai Akurasi yang dicari 11

Tabel 3 Nilai Perhitungan Uji Kesalahan Matriks 12

iii
 DAFTAR GAMBAR

Gambar 1 Tampilan citra Sebelum Klasifikasi 12

Gambar 2Tampilan cutra Sesudah Klasifikasi 13

iv
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Penginderaan jauh dapat didefinisikan sebagai suatu seni dalam mengolah
dan menafsirkan citra untuk mendapatkan suatu informasi. Teknologi penginderaan
jauh adalah suatu kegiatan pengamatan obyek atau suatu daerah tanpa melalui
kontak langsung dengan obyek tersebut. Perkembangan teknologi penginderaan jauh
kini hadir sebagai solusi pemantauan hutan yang sangat luas,menggunakan teknologi
satelit. Dengan satelit, pemantauan hutan di seluruh Indonesia dapat dilakukan
secara cepat dan efisien. Ilmu penginderaan jauh telah berkembang sangat pesat dari
masa ke masa. Teknologi sistem sensor satelit dan algoritma pemrosesan sinyal
digital memudahkan pengambilan informasi keadaan bumi secara lebih cepat, detail
dan akurat (Sudiana dan Diasmara 2008). Data tutupan lahan 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).
Klasifkasi citra yaitu untuk mendapatkan gambaran mengenai bagian-bagian
yang menyatakan suatu objek atau tema. Klasifikasi citra satelitterdidiri dari 3 janis,
yaitu klasifikasi terbimbing (supervised classification), klasifikasi tak terawasi
(unspervised classification) dan klasifikasi gabungan (hybride classification). fikasi
Gabungan (hybride classification) diharapkan dapat menghasilkan hasil olah data
indera jauh yang seragam mengacu pada Standar Nasional Indonesia yang selaras
dengan standar internasional (Purwanto dan Lukiawan 2019).

2.1 Tujuan

Praktikum bertujuan memahami tahap-tahap yang benar dalam melakukan

klasifikasi secara kuantitatif terbimbing, melakukan evaluasi separabilitas, dan
menghitung akurasi dari klasifikasi.

1
 BAB II

METODE

3.1 Waktu dan Tempat

Praktikum Penginderaan Jauh untuk Pengelolaan Sumberdaya Hutan
mengenai Indeks Vegetasi Dan Pengolahan Citra Radar dilakukan pada hari Rabu, 21
September 2022 pukul 15.40 hingga 17.30 di Laboratorium Remote Sensing.

3.2 Alat dan Bahan

a. Laptop
b. Software Erdas Imagine 15
c. Software Microsoft Office Word
d. Data citra digital Landsat 8 dan data citra radar
3.3 Prosedur Kerja
• Indeks Vegetasi
a. Buka software Erdas Imagine 2015 dan pilih file yang akan dibuat klasifikasi
terbimbing

2
b. Buka citra yang akan dibuat klasifikasi terbimbing (Supervised)
gunakan komposit Band 6-5-4.

c. Buat secara langsung pada citra, dengan Tools AOI, dengan cara
pilih 2D View #1 kemudian klik kanan dan pilih New AOI Layer.

d. Lakukan pembuatan training area dengan AOI untuk kelas Tutupan

lahan “Vegetasi Lebat”. Cari lokasi vegetasi lebat dan masukan skala
1:2000, danbuat AOI dengan type polygon, seperti berikut ini.

3
e. Setelah semua polygon AOI menyebar, Langkah selanjutnya adalah
melihat tampilan citra agar terlihat semuanya dengan pilih menu
Home → Fit to Frame. Kemudian selanjutnya pilih semua AOI
dengan cara select box.

f. Langkah selanjutnya adalah menggabungkan semua titik AOI

dengan cara pilih menu format dalam AOI → Group.

4
g. Pilih menu Raster → Supervised → Signature editor

h. Setelah memilih Signature editor maka pilih ikon Create signature new.

i. Signature name dirubah menjadi Vegetasi rapat sesuai tutupan

lahan dandiberi warna hijau

5
j. Simpan AOI untuk kelas vegetasi rapat dengan cara klik kanan pada
view AOI kemudian save layer as.

k. Simpan AOI dengan nama sesuai tutupan lahan yaitu veg_lebat.

l. Setelah AOI untuk kelas vegetasi rapat, maka selanjutnya AOI

dihapus dengan cara pilih ikon cut. Kemudian membuat AOI untuk
kelas vegetasi jarang dengan cara yang sama seperti pembuatan AOI
vegetasi lebat.

6
m. Langkah selanjutnya adalah grouping untuk membuat AOI menjadi satu.

n. Setelah di lakukan grouping maka selanjutnya pilih menu Signature

editor dan rubah Signature name menjadi Veg_Jarang dengan
keterangan warna hijau muda.

7
o. Simpan AOI untuk kelas vegetasi jarang dengan cara klik kanan
pada viewAOI kemudian save layer as

p. Simpan AOI dengan nama sesuai tutupan lahan yaitu veg_jarang

q. Setelah AOI untuk kelas vegetasi jarang, maka selanjutnya AOI

dihapusdengan cara pilih ikon cut.

8
 r. Selanjutnya membuat AOI untuk kelas Lahan Terbangun dengan
Langkahyang sama seperti langkah untuk membuat AOI Vegetasi
Rapat.

s. Setelah di lakukan grouping maka pilih menu Signature editor dan rubah

Signature name menjadi Lahan Terbangun dengan warna ungu tua.

t. Selanjutnya membuat AOI untuk kelas lahan terbuka, badan air,

awan, danbayangan awan.

9
u. Setelah selesai semua dibuat AOI kelas tutupan lahan maka langkah
selanjutnya adalah melihat nilai Separabilitas Keterpisahan Tutupan
lahan dengan pilih menu Evaluate → Separability

v. Pilih layer perkombinasi sebanyak 7 dengan mode transformed divergence.

10
 w. Selanjutnya adalah membuat matriks kontingensi dengan cara buka menu
Contingency kemudian klik OK.

x. Langkah selanjutnya simpan Signature editor dengan nama LC08_Jabar

11
y. Berikut merupakan hasil dari klasifikasi terbimbing

z. Selanjutnya lakukan perhitungan pendugaan

akurasi klasifikasi yang terdiri atas
Procedur’s accuracy, User’s accuracy,
Overall accuracy, dan Kappa accuracy
menggunakan Microsoft Excel.

12
 BAB III
HASIL DAN PEMBAHASAN

3.1 Hasil

Tabel 1 Data Separability

Referensi
Data Hasil Vegetasi Vegetasi Lahan Lahan Badan Bayangan
Klasifikasi Rapat Jarang Terbangun Terbuka Air Awan Awan Total
Veg Rapat 1021 28 0 0 0 0 5 1054
Veg Jarang 15 965 4 0 0 0 0 984
Lhn Terban 4 3 1026 10 2 2 12 1059
Lhn Terbuk 0 1 2 1135 0 0 0 1138
Badan Air 0 0 0 0 588 0 0 588
Awan 0 0 1 1 0 695 0 697
Bayangan A 0 0 0 0 63 0 474 537
Total 1040 997 1033 1146 653 697 491 6057
 Tabel 2 Kontingensi Hasil Nilai Akurasi

Referensi User’s UA% Rata-rata

Data Hasil Vegetasi Vegetasi Lahan Lahan Badan Bayangan Accuracy
Klasifikasi Rapat Jarang Terbangun Terbuka Air Awan Awan Total
Veg Rapat 1021 28 0 0 0 0 5 1054 0.969 96.869 97.077
Veg Jarang 15 965 4 0 0 0 0 984 0.981 98.069
Lhn Terban 4 3 1026 10 2 2 12 1059 0.969 96.884
Lhn Terbuk 0 1 2 1135 0 0 0 1138 0.997 99.736
Badan Air 0 0 0 0 588 0 0 588 1.000 100.000
Awan 0 0 1 1 0 695 0 697 0.997 99.713
Bayangan A 0 0 0 0 63 0 474 537 0.883 88.268
Total 1040 997 1033 1146 653 697 491 6057 0.969 96.869 97.077
 Tabel 3 Nilai Perhitungan Uji Kesalahan Matriks

Referensi
Vegetasi Vegetasi Lahan Lahan Badan Bayangan
Data Hasil Klasifikasi Rapat Jarang Terbangun Terbuka Air Awan Awan Total
Veg Rapat 1021 28 0 0 0 0 5 1054
Veg Jarang 15 965 4 0 0 0 0 984
Lhn Terban 4 3 1026 10 2 2 12 1059
Lhn Terbuk 0 1 2 1135 0 0 0 1138
Badan Air 0 0 0 0 588 0 0 588
Awan 0 0 1 1 0 695 0 697
Bayangan Awan 0 0 0 0 63 0 474 537
Total 1040 997 1033 1146 653 697 491 6057
Procedur’s Accuracy 0,982 0,968 0,993 0,990 0,900 0,997 0,965
PA % 98,173 96,790 99,322 99,040 90,046 99,713 96,538
Rata-rata PA 97,089
N 6057
Xii 5904
Xi +*X+i 6912891
N*Xii 35760528
N^2 36687249
 Gambar 1 Tampilan Citra Sebelum Klasifikasi

Gambar 2 Tampilan Citra Sesudah Klasifikasi

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 (Sampurno dan Thoriq 2016). Klasifikasi tutupan lahan citra
dapat dilakukan dengan teknik klasifikasi Supervised dan klasifikasi

16
Unsupervised. penggunaan citra hasil penginderaan jauh kelas rendah dan
menengah adalah ditujukan untuk menganalisis dan menginventarisasi suatu
luasan objek yang menutupi suatu lahan (land cover) sebagai upaya
perencanaan, pelaksanaan, pengawasan dan evaluasi pembangunan di sektor
objek kelas yang diamati. Adapun penggunaan citra hasil penginderaan jauh
kelas tinggi adalah ditujukan untuk menganalisis dan menginventarisasi suatu
“penggunaan lahan” (land use) sebagai upaya perencanaan, pelaksanaan,
pengawasan dan evaluasi pembangunan di sektor objek kelas yang diamati
(BSN 2010).
Klasifikasi merupakan proses pengelompokkan piksel-piksel ke dalam
kelas-kelas atau kategori-kategori yang telah ditentukan berdasarkan nilai
kecerahan yang sudah ditentukan. Klasifikasi citra bertujuan untuk
mendapatkan gambaran atau peta tematik yang berisikan bagian-bagian yang
menyatakan suatu objek atau tema. untuk mendapatkan gambaran atau peta
tematik yang berisikan bagian-bagian yang menyatakan suatu objek atau tema.
klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis
(supervised) dimana kriteria pengelompokkan kelas ditetapkan berdasarkan
penciri kelas (class signature) yang diperoleh melalui area contoh (training
area). Data yang dihasilkan dari kegiatan pengklasifikasian secara terbimbing
didapatkan dua tabel yaitu tabel separabilitas dan tabel kontingensi (Purwanto
dan Lukiawan 2019). Training area merupakan areal contoh yang akan
digunakan dalam melakukan klasifikasi terbimbing. Training area diperlukan
untuk menentukan kelas-kelas yang diinginkan sebagai penciri yang diambil
berdasarkan areal yang cukup homogen (Septiani et al. 2019).
Analisis separabilitas merupakan analisis kuantitatif yang memberikan
informasi mengenai evaluasi keterpisahan training area dari setiap kelas. si
keterpisahan training area dari setiap kelas. Evaluasi keterpisahan ini
menentukan apakah suatu kelas layak digabung atau tidak. Metode ini
digunakan untuk mengukur tingkat keterpisahan antar kelas (Sampurno dan
Thoriq 2016). Analisis separabilitas ini untuk membuat kelas-kelas penutupan
lahan yang benar-benar terpisahkan satu sama lainnya. Semakin besar nilai
keterpisahan antar kelas tersebut berarti semakin baik pula hasil klasifikasi
tersebut. Separabilitas dari penciri kelas adalah ukuran stastistik antar dua kelas.
Separabilitas ini dapat dihitung untuk setiap kombinasi band. Ukuran ini
17
sekaligus digunakan untuk mengetahui kombinasi band mana saja yang
memberikan separabilitas terbaik (Riswanto 2009).
Evaluasi akurasi digunakan untuk melihat tingkat kesalahan yang terjadi
pada klasifikasi area contoh sehingga dapat ditentukan besarnya persentase
ketelitian pemetaan. Evaluasi ini menguji tingkat keakuratan secara visual dari
klasifikasi terbimbing. Akurasi yang dihitung adalah User accuracy, Producer
accuracy, Overall accurary dan Kappa accuracy. Producer’s accuracy berkaitan
dengan omission error. User accuracy berguna untuk pengelompokkan citra
yang mempunyai kualitas presisi yang tidak sama pada tiap kelompoknya.
Producer accuracy adalah peluang data sesungguhnya dikelompokkan dengan
tepat didalam citra satelit. Kappa accuracy adalah barometer kesesuaian pada
kelompok yang ditafsirkan pada gambar satelit (Nugroho et al. 2021). Omission
error adalah kesalahan omisi yang diperoleh ketika membagi piksel dengan
tidak benar (Riswanto 2009). Overall accurary menyajikan prosentase
keakuratan hasil klasifikasi yang dihitung berdasarkan kesesuaian pixeldata di
lapangan dengan hasil klasifikasi. Hasil proses klasifikasi yang dapat diterima
adalah proses klasifikasi yang memiliki nilai akurasi kappa lebih atau sama
dengan 85% atau koefisien 0,85 (Simamora et al. 2015). Saat ini akurasi yang
dianjurkan adalah akurasi kappa, karena overral accuracy secara umum masih
over estimate (Jaya 2010).
Berdasarkan interpretasi menggunakan band 6-5-4 kenampakan jenis
tutupan lahan pada citra ditampilkan dengan warna yang berbeda-beda.
Vegetasi lebat ditandai dengan warna hijau tua, vegetasi jarang warna hijau
muda, lahan, lahan terbangun warna maroon, lahan terbuka warna merah muda,
badan air warna biru, awan warna putih, dan bayangan awan warna abu. Derajat
kecerahan warna hijau mewakili kerapatan vegetasinya. Hutan dengan
kerapatan yang tinggi akan tempak berwarna hijau gelap bila dibandingngkan
dengan vegetasi berkerapatan rendah (Sampurno dan Thoriq 2016).
Analisis separabilitas hampir semua tutupan lahan bernilai 2000. Nilai
tersebut berarti bahwa pengekalasan pada klasifikasi dapat dibedakan dengan
cukup jelas antara satu dengan kelas lainnya. Dari tabel 3, producers accuracy
terbesar yaitu terdapat pada awan sebesar 99,71% dan yang terkecil yaitu pada
badan air yaitu 90,05%. Pada tabel 2, users accuracy terbesar terdapat pada
badan air sebesar 100% dan terkecil pada bayangan awan yaitu 88,27%.
18
Besarnya akurasi umum pada klasifikasi terbimbing yaitu sebesar 97,47%. Hal
tersebut berarti bahwa kelas penutupan lahan yang dibuat dapat digunakan
karena memiliki hasil lebih dari 85%. Menurut Simamora et al. (2015), uji
akurasi akan semakin baik jika memiliki persentase lebih 85%. Karena hasil
perhitungan akurasi umum (overall accuracy) cenderung over estimate maka
perlu dilakukan perhitungan besarnya tingkat akurasi klasifikasi dengan
menggunakan akurasi Kappa. Akurasi Kappa ini sangat dianjurkan karena
dalam perhitungannya akurasinya menggunakan semua elemen dalam matriks.
Besarnya nilai akurasi Kappa pada hasil klasifikasi ini adalah sebesar 97,02%.
Berdasarkan perhitungan akurasi Kappa tersebut maka hasil klasifikasi ini
sudah dapat diterima (Riswanto 2009).

19
 BAB IV
PENUTUP
4.1 Simpulan
Klasifikasi tutupan lahan dilakukan melalui klasifikasi terbimbing (supervised)
dengan menggunakan training area. Analisis separabilitas antar tutupan lahan dapat dibedakan
secara jelas antar satu dengan kelas lainnya. Hasil uji akurasi menunjukkan antar klasifikasi
tutupan lahan memiliki keakuratan yang tinggi dan bisa digunakan.

4.2 Saran
Dalam melakukan praktikum klasifikasi terbimbing sudah cukup mudah dimengerti,
namun tetap diperlukan ketelitian saat mengerjakan pengolahan data uji akurasi

20
 Daftar Pustaka

Jaya INS. 2010. Analisis Citra Digital Perspektif Penginderaan Jauh untuk Pengelolaan Sumber
Daya Alam. Bogor: IPB Press.
Jia K, Xiangqin W, Xingfa G, Yunjun Y, Xianhong X, Bin L. 2014. Land cover classification using
Landsat 8 Operational Land Imager data in Beijing, China. Geocarto International. 29: 941-951.
Nugroho NAA, Sudarsono B, Sabri LM. 2021. Analisis kesesuaian penggunaan lahan terhadap
rtrw menggunakan sistem informasi geografis(Studi kasus : Kec.Pedurungan dan
Kec.Tembalang,Kota Semarang). Jurnal Geodesi Undip. 10(1): 133-141.
Miller SN, Phillip Guertin D, Goodrich DC. 2007. Hydrologic modeling uncertainty resulting
from land cover misclassification. Journal of the American Water Resources Association.
43:1065-1075
Purwanto EH, Lukiawan R. 2019. Parameter teknis dalam usulan standar pengolahan
penginderaan jauh: metode klasifikasi terbimbing. Jurnal Standarisasi. 1(1): 67-78.
Riswanto E. 2009. Evaluasi akurasi klasifikasi penutupan lahan menggunakan citraalos palsar
resolusi rendah studi kasus di Pulau Kalimantan [skripsi]. Bogor: Institut Pertanian
Bogor.
Sampurno RM, Thoriq A. 2016. Klasifikasi tutupan lahan menggunakan citra landsat 8
Operational Land Imager (OLI) di Kabupaten Sumedang. Jurnal Teknotan. 10(2): 61-
70.
Septiani R, Citra PA, Nugraha A. 2019. Perbandingan metode supervised classification dan
unsupervised classification terhadap penutup lahan di Kabupaten Buleleng. Jurnal
Geografi. 16 (2): 90 – 96.
Simamora FB, Sasmito B, Hani’ah. 2015. Kajian metode segmentasi untuk identifikasi tutupan
lahan dan luas bidang tanah menggunakan citra pada google earth (Studi Kasus :
Kecamatan Tembalang, Semarang). Jurnal Geodesi Undip. 4(4): 43-51.
Sudiana D, Diasmara E. 2008. Analisis indeks vegetasi menggunakan data satelit NOAA/AVHRR
dan TERRA/AQUA-MODIS. Depok: Universitas Indonesia.

21
Lampiran

22
23