BAB I

PENDAHULUAN

A. Latar Belakang

Kartografi sebagai pembuatan data spasial yang dapat diakses, menekankan

visualisasinya dan memungkinkan berinteraksi dengannya, serta berhubungan

dengan masalah-masalah geospasial. Tujuan dari kartografi adalah mengumpulkan

dan menganalisa data dari lapangan yang berupa unsur-unsur permukaan bumi dan

menyajikan unsur-unsur tersebut secara grafis dengan skala tertentu, sehingga dapat

terlihat jelas, mudah dimengerti dan dipahami.

Citra adalah gambaran obyek yang terekam oleh kamera atau sensor lainnya.

Citra penginderaan jauh memiliki beberapa bentuk yaitu foto udara ataupun citra

satelit. Citra satelit adalah gambaran permukaan bumi hasil perekaman satelit yang

berada di luar angkasa berjarak ratusan kilometer dari paras bumi. Citra satelit

berdasarkan resolusi spasialnya terdiri atas citra Landsat TM dan MSS, citra SPOT,

citra IKONOS, citra QuickBird, dan citra OrbView 3. Citra satelit Landsat 8 yang

memiliki sensor Operational Land Imager (OLI) dan Thermal Infrared Sensor

(TIRS). Landsat ini memiliki 11 band, 9 band diantaranya berada di OLI dan 2 band

lainnya berada di TIRS. Sebagian band pada Landsat ini memiliki kesamaan dengan

citra satelit Landsat 7. Landsat 8 ini dapat digunakan untuk mengetahui tingkat

kerapatan dan luasan vegetasi.

Penggunaan lahan adalah segala campur tangan manusia, baik secara

permanen maupun secara siklus terhadap suatu kelompok sumberdaya alam dan

20
sumber daya buatan secara keseluruhan disebut lahan, dengan tujuan untuk

mencukupi kebutuhan-

21
 22

kebutuhannya baik secara kebendaan maupun spiritual ataupun dua-duanya.

Penggunaan lahan merupakan hasil akhir dari setiap bentuk campur tangan kegiatan

(intervensi) manusia terhadap lahan di permukaan bumi yang bersifat dinamis dan

berfungsi untuk memenuhi kebutuhan hidup baik material maupun spiritual. Lahan

yang sebelumnya merupakan lahan kosong atau lahan tidak terbangun, banyak

mengalami perubahan fungsi menjadi lahan terbangun dengan berbagai macam

bentuk penggunaan dan pemanfaatan lahan.

Pada praktikum ini akan melakukan analisis penggunaan lahan dengan

menggunakan software ENVI yang akan menghasilkan sembilan penggunaan lahan

yaitu tutupan awan, bayangan awan, permukiman, tubuh air, hutan, semak belukar,

lahan terbuka, pertanian, dan tambak.

B. Tujuan Praktikum

Adapun tujuan dari praktikum ini adalah sebagai berikut.

1. Untuk mengetahui dan memahami penjelasan dan jenis-jenis penggunaan

lahan.

2. Untuk mengetahui dan memahami proses klasifikasi penggunaan lahan

dengan menggunakan metode Minimum Distance dan Maximum Likelihood.

C. Manfaat Praktikum

Adapun manfaat dari praktikum ini adalah sebagai berikut.

1. Manfaat Praktis

Sebagai tambahan ilmu pengetahuan dalam mengamalkan ilmu yang

telah dipelajari dalam beberapa waktu. Bagi mahasiswa Fakultas Ilmu dan Teknologi

Kebumian diharapkan bisa tersalurkan ke pembaca lainnya.

 23

2. Manfaat Teoritis

Praktikum ini bermanfaat untuk mengetahui analisis penggunaan lahan

dengan menggunakan metode supervised.

D. Batasan Masalah

Adapun batasan masalah dari praktikum ini adalah sebagai berikut.

1. Wilayah kajian praktikum berada di Kabupaten Buton

2. Citra yang digunakan yaitu citra landsat 8

3. Metode klasifikasi citra yaitu klasifikasi terbimbing (supervised).

 BAB II
TINJAUAN PUSTAKA

A. ENVI

Software ENVI (The Environment for Visualizing Images) merupakan salah

satu software pengolahan data citra yang paling populer yang diproduksi oleh

Research System, Inc (RSI). ENVI ditulis dalam IDL berbasis teks dan

memungkinkan serangkaian antarmuka pengguna grafis yang berspesialisasi dalam

analisis citra penginderaan jauh (Prayogo, 2020).

Proses pengolahan data secara digital menggunakan Software ENVI 4.5 yang

terdiri dari komposit band, masking citra, klasifikasi, serta overlay citra (overlay

antara citra hasil klasifikasi dan citra hasil formulasi NDVI). Proses Penggabungan

(komposit) band dapat dilakukan untuk proses klasifikasi. Pemilihan band yang

digunakan harus disesuaikan dengan tujuan klasifikasi (Simanjuntak dkk., 2016).

Dari mendeteksi bagaimana suatu area telah berubah selama periode waktu

tertentu untuk menemukan dan mengidentifikasi fitur-fitur yang menarik dalam

sebuah adegan berskala besar. ENVI dapat menghasilkan pandangan dunia nyata

yang komprehensif dari suatu situasi dalam sekejap. Teknologi ini terintegrasi secara

mulus dengan ArcGIS, dan juga dapat diperkuat dengan solusi Harris komplementer

(ESRI Indonesia, 2018).

Satu dari kekuatan ENVI adalah pendekataan yang unik dalam pengolahan

citra, mengkombinasikan teknik file-based dan band-based dengan fungsi yang

interaktif. Ketika file data input dibuka, band (saluran) dari citra disimpan dalam

sebuah daftar, dimana semua saluran bisa diakses oleh semua fungsi sistem. Jika

24
 25

multiple files dibuka, saluran dalam tipe data yang terpisah dapat diproses sebagai

sebuah grup. ENVI menampilkan saluran tersebut dalam 8 atau 24 bit. Grup tampilan

ENVI terdiri dari Image window, Zoom window, dan Scroll window, semuanya bisa

diubah ukurannya (Purwanto, 2016).

Secara umum untuk melakukan klasifikasi dilakukan dengan beberapa tahap,

yaitu: pra-pengolahan citra, interpretasi visual citra, membuat penciri kelas

klasifikasi citra, groundchek dan uji akurasi. Tahap pra-pengolahan yang dilakukan

adalah penyiapan alat dan bahan. Citra Landsat 8 OLI untuk area penelitian

didownload dari website United States Geological Survey (USGS)

(http://earthexplorer.usgs.gov/). Data tersebut diolah menggunakan ENVI (Derajat

dkk., 2020).

B. Penggunaan Lahan

Penggunaan lahan adalah segala campur tangan manusia, baik secara

permanen maupun secara siklus terhadap suatu kelompok sumberdaya alam dan

sumber daya buatan, yang secara keseluruhan disebut lahan, dengan tujuan untuk

mencukupi kebutuhan-kebutuhannya baik secara kebendaan maupun spiritual

ataupun kedua-duanya (Mokodompit dkk., 2019).

Data-data penggunaan lahan merupakan data yang dibutuhkan sebagai

variable independen dalam pengujian. Data penggunaan lahan terdiri data

penggunaan lahan tahun 2010 dan tahun 2015, jumlah fasilitas pelayanan pendidikan

dan kesehatan, dan jaringan jalan. Sedangkan data harga lahan adalah data yang

dibutuhkan sebagai variable dependen. Data harga laham terdiri dari satu komponen

utama yaitu harga lahan NJOP tahun 2010 dan tahun 2015 (Ghifariansyah, 2017).
 26

Sistem penggunaan lahan dikelompokkan menjadi dua kelompok besar, yaitu

penggunaan lahan pertanian dan penggunaan lahan non-pertanian. Penggunaan lahan

pertanian antara lain tegalan, sawah, lading, kebun, padang rumput, hutan produksi,

hutan lindung, dan sebagainya. Penggunaan lahan non-pertanian antara lain

penggunaan lahan perkotaan atau pedesaan, industri, rekreasi, pertambangan, dan

sebagainya (Lestari dan Arsyad, 2018).

Perubahan penggunaan lahan dari lahan pertanian dan lahan yang dibangun

menjadi daerah perkotaan memerlukan perencanaan secara aktif. Perubahan

penggunaan lahan tidak dapat dihindari dalam suatu proses pelaksanaan

pembangunan wilayah. Perubahan tersebut terjadi karena adanya keperluan untuk

memenuhi kebutuhan penduduk yang semakinmeningkat terhadap penggunaan tanah

(Kusumaningrat dkk., 2017).

Hampir setiap aktivitas manusia melibatkan penggunaan lahan dan karena

jumlah aktivitas manusia bertambah dengan cepat, maka lahan menjadi sumber daya

yang langka. Keputusan untuk mengubah pola penggunaan lahan dapat memberikan

keuntungan dan kerugian yang besar, baik ditinjau dari pengertian ekonomis,

maupun terhadap perubahan lingkungan. Dengan demikian membuat keputusan

tentang penggunaan lahan merupakan aktivitas politik dan sangat dipengaruhi

keadaan sosial dan ekonomi (Nuraeni dkk., 2017).

C. Metode Unsupervised

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
 27

dikelompokkannya piksel-piksel berdasarkan kesamaan atau kemiripan spektralnya

(Purwanto dan Lukiawan, 2019).

Keunggulan unsupervised classification adalah kesalahan operator

diminimalisir dan unique classes dianggap sebagai distinct units. Kekurangannya

adalah korespondensi yang tidak jelas terhadap informational classes, kontrol yang

terbatas terhadap classes, dan spectral classes tidak konstan. K-means memiliki

keunggulan dalam proses pengklasifikasian karakteristik objek dan tidak terpengaruh

terhadap urutan objek yang digunakan. ISODATA memiliki keunggulan dalam proses

iterasinya (Septiani dkk., 2019).

Algoritma Iso Data adalah mengklasifikasikan kelas secara merata. Piksel-

piksel diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan

mereklasifikasi piksel sehubungan dengan cara baru iteratif membelah kelas,

penggabungan, dan menghapus dilakukan berdasarkan parameter include threshold

(Rahmawan dkk.,2020).

Proses akreditasi untuk meningkatkan kualitas suatu perguruan tinggi. Data

Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan

(unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses

pengelompokan data yaitu hierarchical (hirarki) data clustering dan nonhierarchical

(non hirarki) data clustering. K-Means merupakan salah satu metode

clustering/pengelompokan non hirarki. Teknik pengelompokan datanya sederhana

dan cepat (Rosmini dkk., 2018).

Clustering merupakan salah satu metode data mining yang bersifat tanpa

arahan (unsupervised), maksudnya metode ini diterapkan tanpa adanya latihan

 28

(training) dan tanpa ada guru serta tidak memerlukan target output. Dalam data

mining ada dua jenis metode clustering yang digunakan dalam pengelompokan data,

yaitu hierarchical clustering dan non-hierarchical clustering (Bastian dkk., 2017).

 BAB III
PROSEDUR KERJA

1. Membuka software Envi 4.5

2. Membuka file kemudian mengklik open image file untuk memasukkan kombinasi

band 4,3,2 pada citra landsat 8 kemudian mengklik ok.

3. Kemudian memunculkan display band dengan cara mengklik load RGB

29
 30

4. Kemudian membuat layer stacking dengan mengklik menu basic tools dan klik

layer stacking

5. Mengatur penyimpanan dan mengatur datum berdasarkan gambar berikut

6. Setetelah proses loading selesai, selanjutnya memilih menu basic tools dan pilih

Region Of Interest kemudian mengklik ROI Tool.

 31

7. Memasukkan nama kelas klasifikasi penggunaan lahan dengan menambah region

baru seperti pada gambar

8. Setelah itu mengklik menu ROI Type dan pilih polygon

9. Kemudian mulai memberikan klasifikasi penggunaan lahan sesuai dengan kelas

klasifikasi yang digunakan

10. Setelah itu, menyimpan data klasifikasi dengan mengklik menu file kemudian

save ROYS
 32

11. Memberi nama “klasifikasi lahan” sesuai pada gambar kemudian mengklik ok

12. Setelah itu mengklik menu classification, kemudian mengklik supervised dan

pilih Maximum likelihood.

13. Memilih citra yang telah di layer stacking dan mengklik Ok.
 33

14. Setelah itu, menselect seluruh kelas penggunaan lahandan pada set probablity

ubah menjadi none kemudian atur tempat penyimpanan dengan mengklik choose

dan selanjutnya mengklik Ok.

15. Setelah itu select hasil klasifikasi maximum likelihood dan mengklik Load band

untuk memuncukannya di display.

 BAB IV
METODOLOGI

A. Waktu dan Lokasi Praktikum

Praktikum Kartografi Tematik acara 2 penggunaan lahan dilaksanakan pada

hari Sabtu, 8 Januari 2022 pada pukul 10.00 sampai 14.00 WITA. Praktikum ini

dilaksanakan di Laboratorium Fakultas Ilmu dan Teknologi Kebumian, Universitas

Halu Oleo.

Secara astronomis Kabupaten Buton terletak pada 4,96o LS - 6,25o LS dan

120o BT - 123,34o BT. Secara geografis Kabupaten Buton disebelah barat berbatasan

dengan Kota Bau-Bau, dan disebelah utara berbatasan dengan Kabupaten Muna.

Kabupaten Buton memiliki luas wilayah daratan 2.488,71 km 2 dan wilayah perairan

laut 21.054,69 km2

34
 35

B. Alat Praktikum

Adapun alat yang digunakan pada acara 2 tentang Penggunaan Lahan adalah

sebagai berikut.

Tabel 3. Alat Praktikum dan Kegunaan

No. Alat Kegunaan
1. Komputer/Pc Sebagai tempat mengolah data
2. Flashdisk Untuk menyalin data praktikum
3. AplikasiArcMap 10.8 Sebagai aplikasi pengolah data
4. ENVI 4.5 Sebagai aplikasi pengolah data

C. Bahan Praktikum

Adapun bahan yang digunakan pada acara 2 tentang Penggunaan Lahan

adalah sebagai berikut.

Tabel 4. Bahan Praktikum dan Kegunaan

No. Bahan Kegunaan
1. Citra landsat 8 OLI TIRS Kabupaten Buton Sebagai data yang diolah
2. Shapefile administrasi Kabupaten Buton Sebagai data yang diolah

D. Data Praktikum

1. Data Primer

Data primer adalah sumber data penelitian yang diperoleh secara

langsung dari sumber aslinya yang berupa wawancara dari individu atau kelompok

(orang) maupun hasil observasi dari suatu objek, kejadian atau hasil pengujian

(benda).

2. Data Sekunder

Data sekunder adalah sumber data penelitian yang diperoleh melalui

media perantara atau secara tidak langsung yang berupa buku, catatan, bukti yang

telah ada, atau arsip baik yang dipublikasikan maupun yang tidak dipublikasikan

secara umum. Data sekunder yang digunakan pada acara 2 tentang Penggunaan lahan

adalah Citra landsat 8 OLI TIRS Kabupaten Buton

 36

E. Tahapan Praktikum

1. Tahapan Persiapan

Tahapan persiapan yang dilakukan adalah menyiapkan alat dan bahan

praktikum yang terdapat pada Tabel 1. Alat praktikum dan kegunaan dan pada Tabel

2. Bahan praktikum dan kegunaan.

2. Pengumpulan Literatur

Tahapan selanjutnya yaitu mengumpulkan literature untuk menyusun

laporan. Pencarian dan pengumpulan literature dilakukan dari berbagai sumber,

baikitu internet maupundari media sosial. Literatur yang dicari pada laporan ini yaitu

berupa jurnal penelitian. Pengumpulan literature dilakukan dengan mencari di

Perpustakaan Nasional Republik Indonesia pada situs https://scholar.google.co.id.

3. Tahapan Pengolahan

a. Maximum Likelihood

Tahapan ini dilakukan untuk mengklasifikasikan kelas-kelas penggunaan

lahan yang sebelumnya telah diambil sampelnya yang kemudian akan di proses

menggunakan supervised algoritma maximum likelihood.

b. Minimum distance

Tahapan ini dilakukan untuk mengklasifikasikan kelas-kelas penggunaan

lahan yang sebelumnya telah diambil sampelnya yang kemudian akan di proses

menggunakan supervised algoritma minimum distance.

4. Tahapan Layout
 37

Tahapan layout ini dilakukan agar keterangan serta informasi pada peta

dapat dilihat dengan jelas hasil beserta keterangan lainnya, mulai dari nama peta

beserta wilayahnya, skala, peta orientasi, dan juga legendanya sehingga hasil yang

telah diolah sebelumnya dapat tersampaikan informasinya dengan jelas.

 BAB V
HASIL

Gambar 3. Peta Klasifikasi Multispektral Minimum Distance Kabupaten Buton

38
Gambar 4. Peta Klasifikasi Multispektral Maximum Likelihood Kabupaten Buton
39
 BAB VI
PEMBAHASAN

Secara umum klasifikasi digital dibedakan dalam 2 kelas besar, yakni

klasifikasi terbimbing (Supervised) dan klasifikasi tidak terbimbing (Unsupervised).

Teknik klasifikasi supervised dapat diartikan sebagai teknik klasifikasi yang

diawasi. Klasifikasi supervised ini melibatkan interaksi analis secara intensif,

dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra

(training area). Sedangkan Klasifikasi unsupervised yang berarti klasifikasi tak

terawasi merupakan pengklasifikasian hasil akhirnya (pengelompokkan pixel-pixel

dengan karakteristik umum) didasarkan pada analisis perangkat lunak (software

analysis) suatu citra tanpa pengguna menyediakan contoh-contoh kelas-kelas

terlebih dahulu.

Pada praktikum ini dapat diketahui bahwa, klasifikasi supervised ada 2

teknik yakni minimum distance dan maximum likelihood. Kedua jenis klasifikasi ini

digunakan untuk mengetahui klasifikasi pengunaan lahan berbasis piksel

menggunakan citra landsat 8 Kabupaten Buton.

Pada klasifikasi supervised, metode yang pertama yakni minimum distance.

Klasifikasi supervised minimum distance merupakan merupakan metode klasifikasi

terbimbing yang cara klasifikasinya berdasarkan dengan melihat jarak terpendek

antara nilai kecerahan suatu piksel dengan rata-rata kelas yang ingin diklasifikasikan.

Nilai kecerahan suatu piksel didapat dengan cara menghitung nilai dari spektral rata-

rata untuk setiap kategori yang dipilih, kemudian dapat dilihat jarak piksel yang ingin

ditentukan kelasnya, dengan kata lain jarak yang terdekat terhadap nilai rata-rata

40
tersebut akan menjadi kelas yang sama. Jumlah sampel yang diambil untuk

melakukan

41
 42

klasifikasi ini yaitu sebanyak 9 jenis sampel sesuai dengan klasifikasi penggunaan

lahan sesuai SNI 7645 tahun 2010. Dengan jumlah pengambilan sampel masing kelas

yaitu, tambak 8/111, tutupan awan 2/137, bayangan awan 3/121, pertanian 6/116,

permukiman 13/121, lahan terbuka 12/104, semak belukar 12/116, hutan 3/242 dan

tubuh air 5/335. Nilai di depan merupakan jumlah sampel yang diambil dan nilai

yang di belakang merupakan jumlah pixelnya. Kemudian didapatkan hasil luas

wilayah masing-masing kelas penggunaan lahan dimana semak belukar merupakan

jenis kelas penggunaan lahan yang memiliki luas terbesar yaitu 37.013 Ha dengan

persentase dalam total luas wilayah Kota Bau - Bau yaitu sebear 46 %. Sedangkan

untuk kelas penggunaan lahan terkecil yaitu lahan terbuka dengan luas sebesar 796

Ha dengan persentase sebesar 1 %. Setelah itu melakukan analisis klasifikasi yaitu

analisis majority dan minority.

Pada klasifikasi supervised, metode yang kedua yakni maximum likelihood.

Klasifikasi supervised maximum likelihood merupakan klasifikasi yang berpedoman

pada nilai piksel yang sudah dikategori obyeknya atau dibuat dalam training sampel

untuk masing-masing obyek penutup lahan. Jumlah sampel yang diambil untuk

melakukan klasifikasi ini yaitu sebanyak 9 jenis sampel sesuai dengan klasifikasi

penggunaan lahan sesuai SNI 7645 tahun 2010. Dengan jumlah pengambilan sampel

masing kelas yaitu, tambak 8/111, tutupan awan 2/137, bayangan awan 3/121,

pertanian 6/116, permukiman 13/121, lahan terbuka 12/104, semak belukar 12/116,

hutan 3/242 dan tubuh air 5/335. Nilai di depan merupakan jumlah sampel yang

diambil dan nilai yang di belakang merupakan jumlah pixelnya. Kemudian

didapatkan hasil luas wilayah masing-masing kelas penggunaan lahan dimana semak
 43

belukar merupakan jenis kelas penggunaan lahan yang memiliki luas terbesar yaitu

35.089 Ha dengan persentase dalam total luas wilayah Kabupaten Buton yaitu sebear

44 %. Sedangkan untuk kelas penggunaan lahan terkecil yaitu tubuh air dengan luas

sebesar 611 Ha dengan persentase sebesar 0,7 %. Setelah itu melakukan analisis

klasifikasi yaitu analisis majority dan minority.

 BAB VI
PENUTUP

A. Kesimpulan

Adapun kesimpulan yang terdapat dalam praktikum ini adalah sebagai

berikut.

1. Untuk mengklasifikasikan jenis penggunaan lahan pada citra menggunakan

metode klasifikasi supervised. Pada klasifikasi supervised menggunakan 2

metode yaitu klasifikasi maximum likelihood, klasifikasi minimum distance.

Perbandingan hasil klasifikasi supervised dengan unsupervised yaitu dimana

Kelas penggunaan lahan berdasarkan metode supervised classification

ditentukan pada pengambilan training area. Sedangkan kelas penutup lahan

berdasarkan metode unsupervised classification baik untuk k-means dan

ISODATA ditentukan dengan memberikan nilai range statistik sebagai acuan

untuk mengklasifikasikan kelas penutup lahan. Sehingga pada klasifikasi

unsupervised terdapat beberapa kelas penggunaan lahan yang tidak

terklasifikasi dan kelas tersebut bergabung pada kelas yang lain sedangkan

pada klasifikasi supervised dikarenakan terlebih dahulu membuat sampel

sehingga hasil klasifikasi yang terbentuk sesuai dengan jumlah kelas yang

sudah kita tentukan.

B. Saran

Adapun saran dari praktikum ini adalah sebagai berikut.

1. Saran untuk Dosen

44
 Untuk dosen terima kasih atas segala materi yang telah diberi sehingga

praktikan lebih bisa menguasai materi dan mendapatkan ilmu yang bermanfaat.

45
 46

2. Saran untuk Asisten

Saran untuk asisten diharapkan kedepannya dalam menjelaskan

agar lebih jelas dan tidak terburu-buru.

3. Saran untuk Praktikan

Untuk praktikan sebaiknya tidak telat dan tepat waktu saat konsul. Selain itu,

sebaiknya praktikan agar lebih menguasai teori dan tidak hanya sekedar lancar di

praktikum saja.
47