1243P RAB10 PNT4401201032

PENGKLASIFIKASIAN LAHAN BERDASARKAN SUSUNAN

KOMBINASI DAN PERBANDINGAN BAND, SERTA K-
MEANS CLUSTER ANALYSIS
Classification of Land Based On The Composition and Band
Comparison, and K-Means Cluster Analysis
Putri Nadia Teja Sukmana1)

Rabu

Departemen Teknik Sipil dan Lingkungan, Fakultas Teknologi Pertanian, Institut Pertanian Bogor,
Jln. Kamper, Kampus IPB Dramaga, Bogor, 16680, Indonesia

putrinadia@apps.ipb.ac.id

Abstrak : Indonesia mengalami konversi dan konsesi lahan yang pesat setiap tahunnya. Hal ini
disebabkan adanya pembangunan fisik yang cukup signifikan. Kecenderungan tersebut
mengindikasikan ketersediaan lahan menjadi permasalahan yang penting bagi pembangunan di
Indonesia. Bertambahnya jumlah sarana dan prasarana berdampak terhadap berkurangnya
RTH,lahan pertanian, dan hutan kota yang secara otomatis berkurangnya tingkat kerapatan
vegetasi. Hal ini tentunya juga akan berpengaruh terhadap keseimbangan ekologi yang ada di
wilayah tersebut . Teknologi penginderaan jauh merupakan teknologi yang dapat mengikuti
perkembangan kebutuhan masyarakat akan data yang spasial, faktual dan actual. Data
penginderaan jauh satelit dengan berbagai spesifikasi resolusi dapat menampilkan objek- objek di
permukaan bumi secara spesifik. Saat ini teknologi penginderaan jauh banyak digunakan dalam
kegiatan pengumpulan data kondisi tutupan lahan. Salah satu dari jenis tutupan lahan atau
vegetasi, yaitu terlihatnya badan air. Upaya untuk mengetahui kondisi penutupan lahan pada suatu
daerah dapat dilakukan secara lengkap, cepat, dan relatif akurat melalui teknologi penginderaan
jauh. Salah satu yang dapat dimanfaatkan citra dari satelit. Oleh karena pentingnya pengetahuan
tentang pengolahan citra satelit dikuasai oleh calon sarjana teknik sipil maka praktikum ini
memiliki beberapa tujuan. Tujuan tersebut adalah mampu mengoperasikan landsat 8, membedakan
fungsi setiap band, mengklasifikasikan lahan berdasarkan kombinasi band dan perbandingan band
, dan merubah data k-means dan MERIS.
Kata Kunci : Band, lansat , k-mean Cluster, tutupan lahan

Abstract : Indonesia experiences rapid land conversion and concessions every year. This is due to
the significant physical development. This trend indicates that land availability is an important issue
for development in Indonesia. The increasing number of facilities and infrastructure has an impact
on reducing green open space, agricultural land, and urban forests which automatically reduce the
level of vegetation density. This of course will also affect the ecological balance in the area. The
ability to provide dynamic earth data and information is useful in development in the era of Regional
Autonomy. Satellite remote sensing data with various resolution specifications can display objects
on the earth's surface specifically. Currently remote sensing technology is widely used in data
collection activities on land cover conditions. One of the types of land cover or vegetation, namely
the visible body of water. Efforts to determine the condition of land cover in an area can be done
completely, quickly, and relatively accurately through remote sensing technology. One that can be
utilized is imagery from satellites. Because of the importance of knowledge about satellite image
processing mastered by prospective civil engineering graduates, this practicum has several
objectives. The goal is to be able to operate Landsat 8, differentiate the function of each band,
classify land based on band combinations and band comparisons, and change k-means and MERIS
data.
Keywords: Band, lansat, k-mean cluster, land cover

1
 1243P RAB10 PNT4401201032

PENDAHULUAN
Indonesia mengalami konversi dan konsesi lahan yang pesat setiap tahunnya.
Hal ini disebabkan adanya pembangunan fisik yang cukup signifikan.
Kecenderungan tersebut mengindikasikan ketersediaan lahan menjadi
permasalahan yang penting bagi pembangunan di Indonesia. Selain itu,
pembangunan tersebut dilakukan karena lebih memberikan keuntungan secara
ekonomis dibandingkan dengan keberadaan vegetasi. Bertambahnya jumlah sarana
dan prasarana berdampak terhadap berkurangnya RTH, lahan pertanian, dan hutan
kota yang secara otomatis berkurangnya tingkat kerapatan vegetasi. Hal ini
tentunya juga akan berpengaruh terhadap keseimbangan ekologi yang ada di
wilayah tersebut (Lufilah et al. 2017). Teknologi penginderaan jauh mempunyai
kemampuan untuk mengidentifikasi serta melakukan monitoring terhadap
perubahan keseimbangan ekologi dan lingkungan.
Penginderaan jauh sebagai sumber data spasial memberikan kemudahan baik
dari segi waktu, tenaga, dan biaya bagi penggunanya. Apalagi jika data yang
dibutuhkan mencakup wilayah yang luas, penginderaan jauh menjadi alternatif
pilihan terbaik untuk penyediaan data. Saat ini teknologi penginderaan jauh sudah
berkembang pesat dan banyak digunakan oleh pemerintah, peneliti, kalangan
akademik, sampai komersil. Dengan menggunakan satelit, maka memungkinkan
untuk memonitor daerah yang sulit dijangkau dengan metode dan wahana yang lain.
Satelit dengan orbit tertentu dapat memonitor seluruh permukaan bumi. Satelit-
satelit yang digunakan dalam penginderaan jauh terdiri dari satelit lingkungan,
cuaca, dan sumber daya alam (Sarjani et al. 2017). Keunggulan teknologi
penginderaan jauh ini sudah berkembang diantaranya: perangkat pengumpul data,
perangkat penyaji data, memberikan gambaran unsur- unsur spasial yang
komprehensif dengan bentuk geometri dan hubungan ketetanggaan yang benar,
periode pengukuran yang relatif singkat dan dapat diulang dengan cepat dan
konsisten skala yang dapat bervariasi, kecenderungan mendapatkan data terbaru,
dan biaya surey keseluruhannya (waktu, personil, dan biaya) terhitung relatif murah
(Prahasta 2008).
Tutupan lahan biasa digambarkan sebagai 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. Data tutupan lahan juga digunakan dalam mempelajari perubahan
iklim dan memahami keterkaitan antara aktivitas manusia dan perubahan global.
Informasi tutupan lahan yang akurat merupakan salah satu faktor penentu dalam
meningkatkan kinerja dari model-model ekosistem, hidrologi, dan atmosfer.
Tutupan lahan , informasi dasar dalam kajian geoscience dan perubahan global dan
informasi yang sangat penting dalam sektor pertanian. Misalnya dalam kajian
perluasan sawah baru. Perluasan sawah baru bertujuan untuk meningkatkan
produksi padi guna meningkatkan ketahanan pangan. Sebelum melaksanakan
kegiatan perluasan sawah, terlebih dahulu diperlukan upaya mengetahui kelayakan
potensi lahan hasil identifikasi Calon Petani dan Calon Lokasi (CPCL) untuk

2
 1243P RAB10 PNT4401201032

dijadikan sawah baru dengan melakukan survei dan investigasi calon lokasi yang
layak untuk dijadikan sawah baru. Oleh karena itu, informasi tutupan lahan
membantu dalam identifikasi calon lokasi perluasan sawah baru. Informasi tutupan
lahan terbaru berupa peta dapat diperoleh melalui teknik penginderaan jauh
(Sampurno dan Thoriq 2016).
Data penginderaan jauh satelit dengan berbagai spesifikasi resolusi dapat
menampilkan objek- objek di permukaan bumi secara spesifik. Saat ini teknologi
penginderaan jauh banyak digunakan dalam kegiatan pengumpulan data kondisi
tutupan lahan. Salah satu dari jenis tutupan lahan atau vegetasi, yaitu terlihatnya
badan air. Upaya untuk mengetahui kondisi penutupan lahan pada suatu daerah
dapat dilakukan secara lengkap, cepat, dan relatif akurat melalui teknologi
penginderaan jauh. Salah satu yang dapat dimanfaatkan citra dari satelit. Oleh
karena pentingnya pengetahuan tentang pengolahan citra satelit dikuasai oleh calon
sarjana teknik sipil maka praktikum ini memiliki beberapa tujuan. Tujuan tersebut
adalah mampu mengoperasikan landsat 8, membedakan fungsi setiap band,
mengklasifikasikan lahan berdasarkan kombinasi band dan perbandingan band ,
dan merubah data K-means dan MERIS.

METODE
Pratikum “Pengklasifikasian Lahan Berdasarkan Susunan Kombinasi dan
Perbandingan Band, serta K-Means Cluster Analysis” dilakukan pada hari Rabu, 21
April 2022 secara daring. Sebelum memulai praktikum, asisten praktikum
memaparkan penjelasan menganai materi praktikum yang akan dilakukan.
Praktikum dilakukan menggunakan bahan praktikum sebelumnya, yaitu data optik
citra LANDSAT. Selanjutnya dilakukan pengolahan data optik dari citra satelit
untuk membedakan fungsi band, mengklasifikasikan lahan, dan mengubah data.
Berikut adalah langkah-langkah pengolahan data optik dari citra LANDSAT dan
MERIS.
Langkah pertama yang dilakukan, yaitu program SNAP dibuka. Data optik dari
citra LANDSAT yang akan diolah terlebih dahulu dibuka dengan kursor diarahkan
ke menu File, lalu kotak dialog seperti Gambar 1 akan muncul. Pilih Import,
selanjutnya klik Optical Sensors, kemudian klik Landsat, dan pilih opsi Landsat in
30m (GeoTIFF). Cari file data optik citra LANDSAT dengan format file TXT, lalu
klik Import Product.

3
 1243P RAB10 PNT4401201032

Gambar 1. Import file untuk membuka data optik citra satelit LANDSAT

Gambar 2. Proses input file data optik citra satelit LANDSAT

File data optik yang telah dipilih sebelumnya akan muncul pada Product
Explorer. Klik kanan pada nama file tersebut, lalu pilih Open RGB Image Window
untuk menampilkan data optik satelit yang berwarna. Lalu akan muncul kotak
dialog Select RGB Image Channels yang diisikan red yaitu swir_2, green yaitu
green, dan blue yaitu blue, klik OK, dan hasil data optik satelit dengan kombinasi
warna RGB akan dimunculkan.

4
 1243P RAB10 PNT4401201032

Gambar 3. Klik kanan nama file dan pilih Open RGB Image Window untuk
menampilkan data optik satelit yang berwarna

Gambar 4. RGB Image Channels diatur untuk kombinasi band

5
 1243P RAB10 PNT4401201032

Gambar 5. Tampilan data optik citra LANDSAT dengan kombinasi warna RGB

Tampilan data optik satelit belum memperjelas pengklasifikasian, agar

klasifikasi lebih mudah hasil gambar diubah menjadi potongan kecil dengan cara
klik kanan pada gambar yang ingin diperjelas, lalu pilih Spatial Subset from View
dan kotak dialog seperti Gambar 7. akan muncul. Klik OK pada kotak dialog Specify
Product Subset.

Gambar 6. Proses saat hasil gambar dipotong kecil untuk memperjelas

pengklasifikasian

6
 1243P RAB10 PNT4401201032

Gambar 7. Specify Product Subset diatur untuk memotong gambar

Klasifikasi daerah dari hasil potongan gambar dapat dilakukan menggunakan K-

Means Classification. Proses yang dilakukan, yaitu kursor diarahkan ke menu
Raster, lalu pilih Classification. Kemudian klik Unsupervised Classification dan
pilih K-Means Cluster Analysis. Lalu akan muncul kotak dialog K-Means Cluster
Analysis yang diisikan dengan blok band RGB, yaitu blue, green, dan red, Run
dipilih, tunggu hingga proses Writing Target Product selesai, klik OK, dan hasil
data optik satelit dengan analisis K-Means akan muncul dengan cara file data optik
satelit diexpand, lalu folder Bands diexpand, dan klik dua kali pada class_indices
untuk menampilkan hasil gambar.

Gambar 8. Langkah untuk klasifikasi daerah dari potongan gambar

7
 1243P RAB10 PNT4401201032

Gambar 9. K-Means Cluster Analysis diatur untuk menampilkan klasifikasi daerah

Gambar 10. Proses Writing Target Product

8
 1243P RAB10 PNT4401201032

Gambar 11. Proses expand file data optik citra LANDSAT dengan analisis K-
Means

Gambar 12. Tampilan hasil analisis klasifikasi daerah untuk data optik
LANDSAT

Setelah klasifikasi daerah telah dilakukan, klik file LANDSAT untuk dilakukan
perbandingan band. Arahkan kursor ke menu Raster. Band Maths diklik dan kotak
dialog seperti Gambar 17 akan muncul. Pilih Edit Expression, klik @ / @, dan pilih
band yang akan diedit, yaitu red dan near_infrared. Jika sudah dipilih, klik OK
pada kotak dialog yang muncul.

9
 1243P RAB10 PNT4401201032

Gambar 13. Langkah perbandingan band

Gambar 14. Band Maths Expression Editor untuk mengatur perbandingan band

10
 1243P RAB10 PNT4401201032

Gambar 15. Potret rasio band red / near_infrared

Langkah berikutnya, data optik dari citra MERIS dibuka terlebih dahulu dengan
kursor diarahkan ke menu File. Pilih Import, selanjutnya klik Optical Sensors,
kemudian pilih opsi ENVISAT MERIS, AATSR. Cari file data optik citra MERIS
dengan format file TXT yang akan dibuka, lalu klik Import Product..

Gambar 16. Langkah saat Import File

11
 1243P RAB10 PNT4401201032

Gambar 17. Pilih file data optik citra MERIS

Gambar 18. RGB-Image Channels diatur sesuai komposisi band

12
 1243P RAB10 PNT4401201032

Gambar 19. Tampilan hasil gambar dengan komposisi band yang telah diatur

PEMBAHASAN
SNAP adalah salah satu software yang digunakan untuk mengolah data Sentinel
yang dibuat oleh Brockmann Consult. SNAP memiliki kepanjangan Sentinel
Application Platform. Dengan perkembangan zaman, Citra Sentinel dapat diproses
dengan menggunakan Google Earth Engine. Namun untuk pemula yang belum
terbiasa mengolah data dengan melakukan pemrograman, SNAP dapat menjadi
salah satu aplikasi untuk mengolah dan menganalisis Data SAR. Aplikasi ini
memiliki kelebihan interface yang mudah untuk dipelajari, menampilkan dan
menavigasikan citra dengan cepat walaupu dengan data citra yang berat hingga ber-
giga-pixel ( Manivasagam et al. 2021).
Teknologi penginderaan jauh satelit dipelopori oleh NASA Amerika Serikat
dengan diluncurkannya satelit sumberdaya alam yang pertama, yang disebut ERTS-
1 (Earth Resources Technology Satellite) pada tanggal 23 Juli 1972, menyusul
ERTS-2 pada tahun 1975, satelit ini membawa sensor RBV (Return Beam Vidicon)
dan MSS (Multi Spectral Scanner) yang mempunyai resolusi spasial 80 x 80 m.
Satelit ERTS-1, ERTS-2 yang kemudian setelah diluncurkan berganti nama
menjadi Landsat 1, Landsat 2, diteruskan dengan seriseri berikutnya, yaitu Landsat
3, 4, 5, 6, 7 dan terakhir adalah Landsat 8 yang diorbitkan bulan Februari 2013.
Citra Landsat bisa didapatkan dengan gratis melalui situs resmi USGS, sehingga
banyak sekali penelitian mengenai vegetasi ataupun tutupan lahan menggunakan
citra Landsat (Amliana et al. 2016). Landsat 8 memiliki dua sensor yaitu sensor
Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS). Kedua
sensor ini menyediakan resolusi spasial 30 meter (visible, NIR, SWIR), 100 meter
(thermal), dan 15 meter (pankromatik).

13
 1243P RAB10 PNT4401201032

Citra Landsat 8 OLI/TIRS mampu mendeteksi terhadap awan cirrus juga lebih
baik dengan dipasangnya kanal 9 pada sensor OLI, sedangkan band thermal (kanal
10 dan 11) sangat bermanfaat untuk mendeteksi perbedaan suhu permukaan bumi
dengan resolusi spasial 100 m. Pemanfaatan sensor ini dapat membedakan bagian
permukaan bumi yang memiliki suhu lebih panas dibandingkan area sekitarnya
(Purwanto 2015). Pemilihan kombinasi band terbaik untuk klasifikasi tutupan lahan
dapat dilakukan melalui evaluasi optimum index factor (OIF). ). Nilai OIF
merupakan ukuran banyaknya informasi yang dimuat pada suatu citra komposit.
Rentang nilai spektral Landsat 8 OLI menurut USGS adalah Band 1
Coastal/Aerosol (0.435 – 0.451 µm), resolusi 30 m, Band 2 Blue (0.452 – 0.512
µm) resolusi 30 m, Band 3 Green (0.533 – 0.590 µm) resolusi 30 m, Band 4 Red
(0.636 – 0.673 µm) resolusi 30 m, Band 5 Near-Infrared (0.851 – 0.879 µm)
resolusi 30 m, Band 6 SWIR-1 (1.566 – 1.651 µm) resolusi 30 m, Band 7 SWIR-2
(2.107 – 2.294 µm), resolusi 30 m, Band Pankromatik, (0.503 – 0.676 µm) resolusi
15 m, dan Band Cirrus, (1.363 – 1.384 µm) resolusi 30 m (USGS 2016). Kombinasi
band terbaik menggunakan nilai OIF untuk klasifikasi tutupan lahan citra Landsat
8 adalah kombinasi band 754 dimana band 7 adalah spektrum SWIR-2, band 5
adalah spektrum NIR, dan band 4 adalah spektrum red (Sampurno dan Thoriq
2016).
Berdasarkan interpretasi citra Landsat 8 menggunakan kombinasi band warna
yang diubah yaitu band red diubah jadi swir-2, band green tetap green, band blue
tetap blue akan dihasilkan citra gambar seeperti Gambar 5. Interpretasi visual citra
dilakukan berdasarkan pada pengenalan ciri obyek secara spasial. Karakteristik
obyek dapat dikenali berdasarkan unsur-unsur interpretasi seperti warna, bentuk,
ukuran, pola, tekstur, bayangan, letak dan asosiasi kenampakan obyek. Citra yang
diinterpretasi ditampilkan dalam format RGB (Red Green Blue) dalam bentuk citra
komposit. Berdasarkan citra tersebut dapat diidentifikasi tutupan lahan untuk
membedakan formasi batuan, untuk pemetaan hidrotermal dan diskriminasi
vegetasi.
Band Math adalah alat Math Band untuk menerapkan operasi matematika,
fungsi IDL, atau fungsi kustom ke satu atau beberapa band dalam sebuah gambar.
Gambar 26 menggambarkan proses Matematika Band yang menambahkan tiga
band. Setiap band dalam ekspresi dipetakan ke band gambar input, dijumlahkan,
dan output sebagai data gambar yang dihasilkan (Rachmawati 2017). Setiap band
dalam ekspresi dipetakan ke band gambar input, dioperasikan dan output sebagai
data gambar yang dihasilkan. Band math berupa kombinasi band secara matematis
sederhana yaitu di tambah, kurang, kali, dan bagi. Gambar 15 menunjukkan hasil
dari pengolahan data citra satelit landsat 8 dengan band math. Perbedaan antara
Gambar 5 dan Gambar 15 sangat terlihat jelas mulai dari warna, bentuk dan
tampak vegetasinya. Dari hasil olahan citra band math, dihasilkan gambar dengan
kombinasi band sesuai operasi matematika sederhana yang telah di- input. Gambar

14
 1243P RAB10 PNT4401201032

citra dengan band maths (red / near_infrared) yang menampilkan badan air
berwarna terang. Pada non-badan air yang terdapat dalam citra berwarna gelap.
Pengelompokan objek (objek clustering) adalah salah satu proses dari objek
mining yang bertujuan untuk mempartisi objek yang ada kedalam satu atau lebih
cluster objek berdasarkan karakteristiknya. Objek dengan karakteristik yang sama
dikelompokkan dalam satu cluster dan objek dengan karakteristik berbeda
dikelompokkan kedalam cluster yang lain. Algoritma K- Means Cluster Analysis
termasuk dalam kelompok metode cluster analysis non hirarki, dimana jumlah
kelompok yang akan dibentuk sudah terlebih dahulu diketahui atau ditetapkan
jumlahnya. Algoritma K-Means Cluster Analysis menggunakan metode
perhitungan jarak (distance) untuk mengukur tingkat kedekatan antara objek
dengan titik tengah (centroid). Cluster Analysis merupakan salah satu metode objek
mining yang bersifat tanpa latihan (unsupervised analysis), sedangkan K- Means
Cluster Analysis merupakan salah satu metode cluster analysis non hirarki yang
berusaha untuk mempartisi objek yang ada kedalam satu atau lebih cluster atau
kelompok objek berdasarkan karakteristiknya, sehingga objek yang mempunyai
karakteristik yang sama dikelompokan dalam satu cluster yang sama dan objek
yang mempunyai karakteristik yang berbeda dikelompokan kedalam cluster yang
lain (Ediyanto et al. 2013).
Tampilan dari citra satelit yang menggunakan k-means yang ditunjukkan oleh
Gambar 12 memiliki banyak perbedaan dari dua gambar sebelumnya yang
menggunakan RGB dan band math. Gambar citra satelit yang menggunakan k-
means memiliki warna yang tampak lebih kontras dan mendetail. Hal ini
disebabkan oleh adanya perbedaan kontras warna pada setiap pengelompokan unsur
tutupan lahan yang berupa vegetasi, danau,sawah dan bangunan konstruksi lainnya
yang menutup permukaan tanah. Kenampakan jenis tutupan lahan padat citra
ditampilkan dengan warna yang berbeda-beda. Misalnya badan air diwakili dengan
warna biru. Warna biru juga digunakan untuk menampilkan sawah baru tanam.
Sawah baru tanam biasnya memiliki banyak air. Vegetasi diwakili dengan warna
hijau terang sampai gelap. Derajat kecerahan warna hijau ini biasanya mewakili
kerapatan vegetasinya. Hutan dengan kerapatan tinggi akan tampak dengan hijau
gelap bila dibandingkan dengan hutan berkerapatan rendah atau hutan campuran.
Lahan terbangun dan lahan terbuka diwakili dengan warna merah (Sampurno dan
Thoriq 2016).
Satelit MERIS dan Aqua MODIS merupakan jenis-jenis satelit penginderaan
jauh yang khusus mengindera ke bumi untuk tujuan pengelolaan sumber daya bumi
di perairan. Beberapa kegunaan dari teknologi satelit MODIS dan MERIS di
antaranya adalah kemampuan untuk mendeteksi klorofil-a yang terdapat di perairan
dan dapat digunakan untuk melakukan penelitian secara temporal. MODIS
memiliki band 9,10 dan 12 untuk mendeteksi klorofil. Sedangkan MERIS pada
radian 3-6. Keunggulan teknologi ini dibandingkan penginderaan jarak dekat yaitu
area cakupan yang luas, lebih efektif, cepat, dan tidak membutuhkan biaya yang

15
 1243P RAB10 PNT4401201032

besar (Wiliyanto 2016). Sesuai dengan penjelasan diatas, hasil dari pengolahan citra
satelit akan terlihat seperti Gambar 30. Gambar hasil citra terlihat berbeda dari hasil
citra satelit yang sebelumnya, citra satelit yang diambil menggunakan sensor
MERIS diatas menunjukkan suatu areal lautan. Data seperti hasil citra tersebut
umumnya digunakan dan dirancang untuk mengukur warna laut dan menunjukkan
pengamatan samudra dan zona pantai.

SIMPULAN
Pengolahan citra satelit pada praktikum kali ini dilakukan dengan beberapa
metode yaitu dengan open RGB landsat dengan mengubah band red menjadi
swir_2. Metode lainnya adalah dengan menggunakan band math, k-means cluster
analysis, dan MERIS. Masing-masing dari hasil pengolahan data memiliki
perbedaan dan memiliki kegunaan yang berbeda-beda. Hasil pengolahan citra
Landsat akan menghasilkan citra yang mengidentifikasi tutupan lahan untuk
membedakan formasi batuan, untuk pemetaan hidrotermal dan diskriminasi
vegetasi. Math Band digunakan untuk menerapkan operasi matematika, fungsi IDL,
atau fungsi kustom ke satu atau beberapa band dalam sebuah gambar. Algoritma K-
Means Cluster Analysis termasuk dalam kelompok metode cluster analysis non
hirarki, dimana jumlah kelompok yang akan dibentuk sudah terlebih dahulu
diketahui atau ditetapkan jumlahnya. Algoritma K-Means Cluster Analysis
menggunakan metode perhitungan jarak (distance) untuk mengukur tingkat
kedekatan antara objek dengan titik tengah (centroid). Citra satelit yang diambil
menggunakan sensor MERIS menunjukkan suatu areal lautan. Data seperti hasil
citra tersebut umumnya digunakan dan dirancang untuk mengukur warna laut dan
menunjukkan pengamatan samudra dan zona pantai.

SARAN
Praktikum Pengolahan Data Optik Mengggunakan Citra LANDSAT dan AVNIR-
2 menggunakan SNAP ini yang tergolong baru dalam hal penggunaanya sehingga
butuh waktu untuk mempelajari dan membiasakan dalam penggunaan aplikasi
SNAP ini. Selain itu, perlu diperhatikan langkah-langkah dalam pengoperasian
aplikasi SNAP agar tidak terjadi kesalahan. Perlu juga pendalaman literatur yang
lebih karena literatur mengenai aplikasi SNAP tidak banyak tersedia.

DAFTAR PUSTAKA
Amliana DT, Prasetyo Y, Sukmono A. 2016. Analisis perbandingan nilai NDVI
Landsat 7 dan Landsat 8 pada kelas tutupan lahan. Jurnal Geodesi Undip.
5(1): 264-272.
Ediyanto, Mara M, Satyahadewi N. 2013. Pengklasifikasian karakteristik dengan
metode K- Means cluster analysis. Buletin Ilmiah Matematika Statistika dan
Terapannya. 2(2): 133- 136.
Lufilah, Makalew, Sulistyantara. 2017. Pemanfaatan Citra Landsat 8 untuk analisis
indeks vegetasi di DKI Jakarta. Jurnal Lanskap Indonesia. 9(1): 73-79.

16
 1243P RAB10 PNT4401201032

Lulla K, Duane Nellis M, Rundquist B. 2013. The Landsat 8 is ready for geospatial
science and technology researchers and practitioners. Geocarto
International. 28: 191-191.
Manivasagam VS, Sadeh Y, Kaplan G, Bonfil, D J. and Rozenstein, O. 2021.
Studying the Feasibility of Assimilating Sentinel-2 and Planet Scope Imagery
into the SAFY Crop Model to Predict Within-Field Wheat Yield. Remote
Sensing, 13(12), p.2395.
Prahasta. 2008. Praktis Penginderaan Jauh dan Pengolahan Citra Digital dengan
Perangkat Lunak ER Mapper. Bandung (ID): Informatika Bandung.
Purwanto A. 2015. Pemanfaatan citra landsat 8 untuk identifikasi Normalized
difference vegetation index (NDVI) Di Kecamatan Silat Hilir Kabupaten Kapuas
Hulu.Jurnal Edukasi. 13(1): 30-31.
Rachmawati A. 2017. Pemprosesan citra menggunakan formula pada softfile ENVI
5.1 [Tugas Akhir]. Surabaya(ID): Institut Teknologi Sepuluh November.
Sarjani F, Sumantyo J, Yohandri. 2017. Pengolahan citra satelit alos palsar
menggunakan metode polarimetri untuk klasifikasi lahan wilayah Kota
Padang. Jurnal Eksakta. 18(1): 69-71.
Sampurno R, Thoriq A. 2016. Klasifikasi tutupan lahan menggunakan citra landsat
8 operational land imager (OLI) di Kabupaten Sumedang. Jurnal Teknotan.
10(2):63-64.
Suwargana N.2014. Analisis citra alos avnir-2 untuk pemetaan terumbu karang
(studi kasus: Banyuputih, Kabupaten Situbondo).Seminar Nasional
Penginderaan Jauh.
USGS. 2016. Landsat 8 (L8) Data Users Handbook. Department of the Interior
U.S. Geological Survey.
Wiliyanto N. 2016. Studi persebaran klorofil-A menggunakan citra MERIS
(Medium Resolution Imaging Spectrometer) dan citra aqua MODIS
(Moderate Resolution Imaging Spectroradiometer) di Wilayah Perairan
Pantai Banyuwangi. [Tugas Akhir]. Institut Teknologi Surabaya: 14-18.

LAMPIRAN

Gambar 20. Laptop

17
 1243P RAB10 PNT4401201032

Gambar 21. Software SNAP

18