LAPORAN PRAKTIKUM

PENGINDERAAN JARAK JAUH

Disusun Oleh :
Ade Irma Suryani
2003016026

PROGRAM STUDI AGROEKOTEKNOLOGI

FAKULTAS PERTANIAN

UNIVERSITAS MULAWARMAN

SAMARINDA

2022
 KATA PENGANTAR

Puji syukur saya panjatkan kehadirat Allah SWT yang telah memberikan
rahmat dan hidayah-Nya sehingga saya dapat menyelesaikan tugas Laporan Praktikum
Penginderaan Jarak Jauh ini tepat pada waktunya. Adapun tujuan dari penulisan dari
laporan ini adalah untuk memenuhi tugas pada mata kuliah Penginderaan Jarak Jauh.

Saya mengucapkan terima kasih kepada selaku Dosen Penginderaan Jarak Jauh
Bapak Yoga Toyibulah yang telah memberikan tugas ini sehingga dapat menambah
pengetahuan dan wawasan sesuai dengan bidang studi yang saya tekuni ini.

Saya juga mengucapkan terima kasih kepada semua pihak yang tidak dapat
saya sebutkan semua, terima kasih atas bantuannya sehingga sehingga saya dapat
menyelesaikan laporan ini.

Saya menyadari, tugas yang saya tulis ini masih jauh dari kata sempurna. Oleh
karena itu, kritik dan saran yang membangun kami butuhkan demi kesempurnaan
laporan ini.

Samarinda, 25 November 2022

Penyusun
 ACARA II

KOMPOSIT CITRA & KOREKSI SISTEM KOORDINAT

BAB I

PENDAHULUAN

A. Latar Belakang

Akibat pengaruh perputaran bumi, arah gerakan satelit dan lengkung permukaan
bumi, informasi posisi koordinat citra satelit harus diperbaiki dan dibetulkan antara lain
dengan menggunakan acuan koordinat peta topografi. Proses ini dikenal dengan koreksi
geometrik. Koreksi geometrik merupakan proses memposisikan citra sehingga cocok dengan
koordinat peta dunia yang sesungguhnya. Ada beberapa cara dalam pengoreksian ini, antara
lain triangulasi, polynomial, orthorektifikasi dengan menggunakan titik - titik kontrol
lapangan ( ground control point ), proyeksi peta ke peta, dan registrasi titik yang telah
diketahui ( known point registration ).
Satelit Landsat 8 memiliki sensor Operational Land Imager (OLI) dan Thermal
Infrared Sensor (TIRS) dengan jumlah band sebanyak 11 buah. Diantara band-band tersebut,
9 kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS.
Dibandingkan versi-versi sebelumnya, landsat 8 memiliki beberapa keunggulan khususnya
terkait spesifikasi band-band yang dimiliki maupun panjang rentang spektrum gelombang
elektromagnetik yang ditangkap. Sebagaimana telah diketahui, warna objek pada citra
tersusun atas 3 warna dasar, yaitu Red, Green dan Blue (RGB). Dengan semakin banyaknya
band sebagai penyusun RGB komposit, maka warna-warna obyek menjadi lebih bervariasi.
Penyusunan citra komposit warna adalah cara yang paling umum untuk menonjolkan masing-
masing keunggulan saluran secara serentak dalam suatu tampilan, sehingga memudahkan
pengguna dalam interpretasi citra secara visual. Warna yang terjadi adalah kombinasi dari
tingkat kecerahan pada suatu obyek di setiap saluran.
Geometrik merupakan posisi geografis yang berhubungan dengan distribusi keruangan
(spatial distribution). Geometrik memuat informasi data yang mengacu bumi (geo-referenced
data), baik posisi (sistem koordinat lintang dan bujur) maupun informasi yang terkandung
didalamnya.
Geometrik citra penginderaan jauh mengalami pergeseran, karena orbit satelit sangat
tinggi dan medan pandangnya kecil, maka terjadi distorsi geometrik. Kesalahan geometrik
citra dapat terjadi karena posisi dan orbit maupun sikap sensor pada saat satelit pengindera
bumi, kelengkungan dan putaran bumi yang diindera. Akibat dari kesalahan geometrik ini
maka posisi pixel dari data inderaja satelit tersebut tidak sesuai dengan posisi (lintang dan
bujur) yang sebenarnya. Berdasarkan sumbernya kesalahan geometrik pada citra
penginderaan jauh dapat dikelompokkan menjadi dua tipe kesalahan, yaitu kesalahan internal
(internal distortion), dan kesalahan eksternal (external distortion). Kesalahan geometrik
menurut sifatnya dapat dibedakan menjadi dua jenis yaitu kesalahan sistematik dan kesalahan
random. Kesalahan sistematik merupakan kesalahan yang dapat diperkirakan sebelumnya,
dan besar kesalahannya pada umumnya konstan, oleh karena itu dapat dibuat perangkat lunak
koreksi geometrik secara sistematik. Kesalahan geometri yang bersifat random (acak) tidak
dapat diperkirakan terjadinya, maka koreksinya harus ada data referensi tambahan yang
diketahui. Koreksi geometrik yang biasa dilakukan adalah koreksi geometrik sistematik dan
koreksi geometrik presisi.

B. Tujuan
1) Mahasiswa dapat menggabungkan saluran citra dengan komposit citra
2) Mahasiswa dapat memperbaiki sistem koordinat citra

C. Alat & Bahan

1) Seperangkat komputer
2) Perangkat lunak ArcGIS 10.7
3) Citra Satelit Landsat 8 OLI/TIRS L1TP
 BAB II

HASIL & PEMBAHASAN

1. Buka file ArcGIS Praktikum 1 yang sebelumnya sudah disimpan pada praktikum 1
2. Setelah muncul lembar kerja ArcGIS pilih ArcToolbox, tunggu beberapa saat hingga
muncul jendela ArcToolbox, pilih Data Management Tool - Raster - Raster
Processing - Composite bands

3. Masukkan band-band yang akan digabung ke dalam Input Raster sesuai dengan
urutan dari Band 1 hingga Band 7. Band 8 tidak digabungkan, karena merupakan citra
pankromatik dengan resolusi spasial 15m x 15m.
4. Pilih dan klik Output Raster dan tentukan folder penyimpanan file komposit dan
berikan nama dengan akhiran .TIF sebagai contoh : Komposit_L820190104.TIF klik
Save dan pilih OK
5. Tunggu beberapa saat hingga proses komposit selesai, perangkat lunak ArcGis sedang
melakukan proses dapat dilihat pada bagian kanan bawah dengan munculnya ikon
bola dunia. Selanjutnya apabila proses sudah selesai akan muncul notifikasi yang
muncul pada kiri bawah.
6. Setelah selesai proses komposit tersebut dan file komposit sudah tersimpan di
direktori penyimpanan, secara otomatis komposit citra akan muncul pada Layers yang
terdapat pada Table Of Contents

7. Ubah kombinasi band dari citra Landsat 8 tersebut dengan cara klik kanan pada file
komposit di Layers selanjutnya pilih dan klik Properties dan muncul Layer Properties

8. Pilih Tab Symbology selanjutnya atur dan pilih Channel Red Green Blue dengan band
yang dipilih misalnya sesuai dengan warna asli atau True Color dengan kombinasi 4 3
2 pada citra Landsat 8, selanjutnya klik OK
9. Tampilan kenampakan warna pada citra akan berubah sesuai dengan kombinasi band
yang sudah kita masukkan. Silahkan mencoba dengan kombinasi band yang berbeda
sesuai dengan tabel dibawah ini

Koreksi Sistem Koordinat

1. Sebelum digunakan lebih lanjut citra Landsat 8 perlu dilakukan koreksi sistem
koordinat dikarenakan masih dengan sistem koordinat WGS 1984 UTM Zone 50N
sehingga kita perlu merubah sistem koordinat tersebut menjadi WGS 1984 UTM
Zone 50S. Diperlukan tools Project Raster yaitu dengan membuka ArcToolBox - Data
Management Tools - Projections and Transformations - Raster - Project Raster
2. Pada layar Project Raster untuk Input Raster pilih citra terkomposit yang sudah kita
buat tadi. Selanjutnya pilih dan klik Output Raster Dataset dan berikan nama baru
pada file citra ter komposit yang akan kita buat misalnya Komposit_L820190104_50S

3. Pada Output Coordinate System Project Coordinate Systems – UTM dan klik dan
pilih WGS 1984 UTM Zone 50S

4. Tunggu beberapa saat hingga proses Project Raster selesai, perangkat lunak ArcGis
sedang melakukan proses dapat dilihat pada bagian kanan bawah dengan munculnya
ikon bola dunia. Selanjutnya apabila proses sudah selesai akan muncul notifikasi yang
muncul pada kiri bawah.
5. Untuk melihat hasil dari koreksi merubah sistem koordinat tersebut klik kanan pada
file komposit yang sudah kita buat pilih dan klik Properties. Muncul Layer Properties
pilih Tab Source scroll kebawah hingga muncul XY Coordinate System dan koordinat
sudah sesuai.
 BAB III
KESIMPULAN
Kesimpulan yang dapat diambil dari praktikum acara 2 adalah perubahan warna komposit
sebelum dan sesudah proses komposit, dan juga sebelum digunakan lebih lanjut citra Landsat
8 perlu dilakukan koreksi sistem koordinat dikarenakan masih dengan sistem koordinat WGS
1984 UTM Zone 50N sehingga kita perlu mengubah sistem koordinat tersebut menjadi WGS
1984 UTM Zone 50S.
 DAFTAR PUSTAKA

Canada Centre for Remote Sensing. 2005. Fundamentals of Remote Sensing. Canada:
Canada Centre for Remote Sensing.

Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Andi

Offset.

Lillesand, & Kiefer. 1979. Remote Sensing and Image Interpretation. New York: John

Willey and sons. Mather, P.M., 1987. Computer Processing of Remotely Sensed
Images: An Introduction. New York: John Wiley & Sons.

Soenarmo, S. H., 2009. Penginderaan Jauh dan Pengenalan Sistem Informasi

Geografis untuk Bidang Ilmu Kebumian. Bandung: Penerbit ITB
Bandung.

Soetanto. 1986. Penginderaan Jauh. Yogyakarta: Universitas Gajah Mada.

https://support.esri.com/en/other-resources/gis-
dictionary/term/b0f538ed8525-413b-9c37-b1619db47eab Diakses pada
September 2022
 ACARA III
PEMOTONGAN CITRA & PENAJAMAN CITRA

BAB I

PENDAHULUAN

Pemotongan citra merupakan pengurangan atau pemilihan area pada satu scene data
penginderaan jauh yang berupa data raster. Pemotongan atau cropping citra dilakukan untuk
mendapatkan daerah penelitian dengan maksud untuk dapat melakukan pengolahan data yang
lebih terfokus, terinci dan teroptimal. Dengan ekspektasi menghasilkan citra yang
representatif dan kontinu. Pemotongan citra memiliki nilai utilitas lainnya, yaitu memperkecil
daerah yang akan dikaji sesuai dengan area of interest. Pemotongan citra dapat dilakukan
sesuai dengan bentuk poligon yang diinginkan seperi pembatasan wilayah kabupaten,
kecamatan atau desa. Hasil dari pemotongan citra menyesuaikan kebutuhan dari
penggunanya karena pada umumnya besaran penelitian tidak mencapai satu scene untuk citra
resolusi rendah. Manfaat pemotongan citra akan menghemat waktu karena pengolahan data
yang besar akan membebani pengguna dan prosesornya. Misalnya, citra satelit landsat 8 yang
berkapasitas 1 Gb akan membutuhkan prosesor tinggi jika mengolah satu scenenya.
Pemotongan citra akan membuat pengguna lebih fokus pada area kajian. Prinsip penajaman
citra yaitu menggunakan citra pankromatik yang beresolusi spasial lebih tinggi untuk
digabungkan dengan citra yang resolusi spasial lebih rendah. Hasilnya berupa raster yang
saling bergabung sempurna dengan tampilan visual serta warna yang lebih jelas. Setiap
metode menggunakan model yang berbeda beberapa memperbaiki tampilan warna dan
beberapa yang lain menggunakan inframerah dekat untuk meningkatkan kualitas visual citra.
Data citra yang sering dipakai dalam analisis penginderaan jauh antara lain adalah citra
pankromatik (pan) dengan informasi keabu-abuan yang umumnya memiliki informasi spasial
tinggi sehingga dapat membantu melokasikan suatu objek di muka Bumi. Citra multispektral
berwarna dengan saluran multispektrum (inframerah, cahaya tampak maupun ultraviolet)
yang lebih memberikan informasi warna berdasarkan pantulan dan penyerapan sinar
elektromagnetik oleh objek yang ditangkap oleh sensor. Umumnya citra multispektral yang
ada memiliki resolusi rendah, dalam artian memiliki informasi spasial yang rendah meskipun
mampu memberi informasi yang tinggi. Citra pankromatik dan multispektral ini, terlebih
penggabungannya, memiliki andil yang besar dalam aplikasi penginderaan jauh. Proses
penggabungan citra pankromatik dan citra multispektral ini umum dikenal dengan istilah
image fusion atau pan sharpening/image sharpening.

A. Tujuan
1) Mahasiswa dapat memotong citra berdasarkan kajian wilayah.
2) Mahasiswa dapat memperbaiki kualitas spektral citra melalui penajaman citra.
B. Alat dan bahan
1) Seperangkat komputer.
2) Perangkat lunak ArcGIS 10.7
3) Citra Satelit Landsat 8 OLI/TIRS L1TP
 BAB II
HASIL & PEMBAHASAN

1. Sebelum memotong citra siapkan file shapefile yang merupakan batas

administrasi wilayah yang ingin kita analisis. Dalam praktikum ini sebagai
contoh yaitu shapefile wilayah Kecamatan Tenggarong yang sudah disiapkan
sebelumnya

2. Masukkan shapefile wilayah tersebut dengan Add Data di ArcMap dan cari
lokasi shapefile (.shp) kemudian pilih dan klik Add
3. Terlihat administrasi Kecamatan Tenggarong sudah nampak dan muncul di
layer kita dan bertampalan dengan citra yang sudah kita komposit pada
praktikum sebelumnya

4. Kemudian langkah memotong data citra sesuai bentuk wilayah administrasi

kecamatan tersebut, dilakukan dengan tools Clip. Klik pada ArcToolBox -
Data Management Tools - Raster - Raster Processing – klik kiri 2 kali pada
Clip. Muncul layar Clip, masukkan Input Raster dengan citra komposit kita
dan Output Extent dengan shapefile Tenggarong. Berikan tanda centang Use
Input Features for Clipping Geometry.
5. Pada Output Raster Dataset cari lokasi file citra yang sudah terpotong ke
direktori komputer kita dan beri nama sebagai contoh:
L820190104_Tenggarong.TIF selanjutnya klik save dan OK

6. Tunggu beberapa saat hingga proses Clip selesai, perangkat lunak ArcGis
sedang melakukan proses dapat dilihat pada bagian kanan bawah dengan
munculnya ikon bola dunia. Selanjutnya apabila proses sudah selesai akan
muncul notifikasi centang yang muncul pada kiri bawah.
7. Apabila sudah selesai hilangkan centang pada layer citra komposit kita dan
shapefile Tenggarong. Hasil citra yang sudah terpotong akan terlihat pada
layar kerja kita

Penajaman Citra
1. Penajaman citra digunakan untuk mendapatkan hasil citra Landsat yang lebih
tajam dan terlihat detail, sehingga kita lebih mudah dalam identifikasi objek di
citra tersebut. Penajaman citra (Pan Sharpening) ini dilakukan dengan
menambahkan band 8 sebagai data pankromatik dengan resolusi 15m x 15m,
yang sebelumnya tidak kita lakukan penggabungan dalam komposit. Langkah
pertama yaitu masukkan band 8 citra Landsat 8 tersebut ke dalam layer dengan
Add Data

2. Penambahan data saluran/band pankromatik ini dilakukan dengan membuka

ArcToolBox - Data Management Tools - Raster - Raster Processing - Create
Pan-sharpened Raster Dataset. Masukkan data citra
L820190104_Tenggarong.TIF pada kolom Input Raster, selanjutnya
masukkan data citra Landsat band 8 ke dalam kolom Panchromatic Image,
Tentukan dan masukkan nama Output Raster Dataset kedalam direktori kita,
sebagai contoh kita beri nama L820190104_Tenggarong_Pan.TIF klik OK.
3. Tunggu proses Pan-sharpened selesai dilakukan. Proses ini membutuhkan
waktu yang sedikit lebih lama. Apabila proses sudah selesai akan muncul
notifikasi centang yang muncul pada kiri bawah.

4. Hasil komposit citra Landsat sebelumnya tanpa proses penajaman

dibandingkan komposit citra landsat dengan penambahan proses Pan
Sharpening dengan saluran pankromatik menunjukkan data citra yang lebih
tajam dan detail

sebelum sesudah

5. Simpan layar kerja tersebut untuk praktikum selanjutnya

 BAB III

KESIMPULAN

Penajaman citra digunakan untuk mendapatkan hasil citra Landsat yang lebih tajam
dan terlihat detail, sehingga kita lebih mudah dalam mengidentifikasi obyek pada citra
tersebut. Penajaman citra (Pan Sharpening) ini dilakukan dengan menambahkan band 8
sebagai data pankromatik dengan resolusi 15m x 15m, yang sebelumnya tidak kita lakukan
penggabungan dalam komposit.

Hasil komposit citra Landsat sebelumnya tanpa proses penajaman dibandingkan

komposit citra Landsat dengan penambahan proses Pan Sharpening dengan saluran
pankromatik menunjukkan data citra yang lebih tajam dan detail.
 DAFTAR PUSTAKA

Campbell, J.B. 1987. Introduction to Remote Sensing. New York: The Guilford Press.

Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta:

Andi Offset Lillesand, & Kiefer. 1979. Remote Sensing and Image
Interpretation. New York: John Willey and sons.
 ACARA IV

KLASIFIKASI MULTISPEKTRAL

BAB I

PENDAHULUAN

A. Latar Belakang
Klasifikasi multispektral bertujuan untuk mengelompokkan objek yang memiliki
karakteristik spektral 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 knowledge terhadap areal
kajian.
 2. Klasifikasi Unsupervised
Klasifikasi tidak terbimbing merupakan metode yang memberikan mandat
sepenuhnya kepada sistem atau komputer 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 didasarkan pada asumsi bahwa
objek yang sama akan memberikan nilai spektral 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
spektral 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 kondisi citra yang bersangkutan, metode ini banyak
digunakan untuk memberikan gambaran kasar/informasi awal.

B. Tujuan
1) Mahasiswa dapat melakukan klasifikasi multispektral pada citra penginderaan jauh.
2) Mahasiswa dapat melakukan identifikasi penutup lahan dengan menggunakan metode
klasifikasi terbimbing (supervised classification)

C. Alat & Bahan

1) Seperangkat komputer.
2) Perangkat lunak ArcGIS 10.7.
3) Citra Satelit Landsat 8 OLI/TIRS L1TP pada praktikum sebelumnya
 BAB II
HASIL & PEMBAHASAN

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.

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
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

 BAB III
KESIMPULAN

Kesimpulan dari praktikum ini yaitu pada Identifikasi setiap jenis penutup lahan yang
sama, menggunakan tabel menurut SNI 7645-2010 tentang Klasifikasi Penutup Lahan.
Selain itu, 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.
 DAFTAR PUSTAKA
Badan Standardisasi Nasional. 2010. SNI 7645:2010 tentang Klasifikasi Penutup Lahan.

Jakarta: Badan Standardisasi Nasional

Lillesand, & Kiefer. 1979. Remote Sensing and Image Interpretation. New York: John Willey
and sons.

Richards, JA. 1993. Remote Sensing Digital Image Analysis: An Introduction. Berlin:

Springer- Verlag..

https://www.usgs.gov/faqs/what-are-band-designations-landsat-satellites. Diakses pada

September 2022

https://www.usgs.gov/core-science-systems/nli/landsat/using-usgs-landsat level-1-data-

product. Diakses pada September 2022

 ACARA V

KOREKSI RADIOMETRIK DENGAN METODE APPARENT REFLECTANCE DAN

TRANSFORMASI NORMALIZED DIFFERENCE VEGETATION INDEX (NDVI)

BAB I

PENDAHULUAN

A. Latar Belakang
Koreksi radiometrik adalah koreksi yang ditujukan untuk memperbaiki nilai piksel
supaya sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor
gangguan atmosfer sebagai sumber kesalahan utama. Koreksi radiometrik diperlukan atas
dua dasar alasan, yaitu untuk memperbaiki kualitas visual citra dan sekaligus
memperbaiki nilai-nilai piksel yang tidak sesuai dengan nilai pantulan atau pancaran
spektral obyek yang sebenarnya. Koreksi radiometrik dengan koreksi atmosfer
menggunakan metode Apparent Reflectance Function digunakan untuk menyesuaikan
pantulan, atau kecerahan, nilai dari beberapa citra satelit berdasarkan pencahayaan adegan
dan pengaturan sensor gain. Apparent Reflectance Function menyesuaikan nilai
kecerahan gambar digital (DN) untuk beberapa sensor satelit. Penyesuaian ini didasarkan
pada ketinggian matahari, tanggal akuisisi, dan properti sensor (pengaturan gain / bias
untuk setiap band). Indeks vegetasi Normalized Difference Vegetation Indeks (NDVI)
adalah indeks yang menggambarkan tingkat kehijauan suatu tanaman. Indeks vegetasi
merupakan kombinasi matematis antara band merah dan band NIR (Near-Infrared
Radiation) yang telah lama digunakan sebagai indikator keberadaan dan kondisi vegetasi
(Lillesand dan Kiefer 1997). Indeks vegetasi atau (NDVI) dapat diketahui dengan
memanfaatkan sifat unik dari tanaman (vegetasi) yakni memancarkan dan menyerap
gelombang untuk kemudian dapat dibedakan dengan obyek lainnya yang tidak memiliki
sifat unik dari tanaman. Metode ini merupakan dasar untuk membedakan obyek vegetasi
dengan obyek lainnya selain vegetasi. Algoritma NDVI didapat dari rasio antara band
merah dan band inframerah dekat dari citra penginderaan jauh, dengan begitu indeks
“kehijauan” vegetasi dapat ditentukan. (NDVI) merupakan indeks rasio yang paling
umum digunakan untuk vegetasi. Banyak faktor yang mempengaruhi nilai NDVI seperti
aktivitas fotosintesis pada tumbuhan, jumlah tutupan tumbuhan, biomassa, kelembaban
tumbuhan dan tanah, dan tanaman yang stress (kurang sehat). Algoritma NDVI yaitu :
NDVI = 𝐵𝑉𝑖𝑛𝑓𝑟𝑎𝑚𝑒𝑟𝑎ℎ – 𝐵𝑉𝑚𝑒𝑟𝑎ℎ𝐵𝑉𝑖𝑛𝑓𝑟𝑎𝑚𝑒𝑟𝑎ℎ + 𝐵𝑉𝑚𝑒𝑟𝑎ℎ
B. Tujuan
1) Mahasiswa dapat melakukan Koreksi Radiometrik dengan Metode Apparent
Reflectance citra penginderaan jauh.
2) Mahasiswa dapat melakukan Transformasi Normalized Difference Vegetation Index
(NDVI).
C. Alat & Bahan
1) Seperangkat komputer.
2) Perangkat lunak ArcGIS 10.7 3. Citra Satelit Landsat 8 OLI/TIRS L1TP pada
praktikum sebelumnya.
 BAB II
HASIL & PEMBAHASAN
Koreksi Radiometrik dengan Metode Apparent Reflectance
1. Membuka perangkat lunak ArcGIS. Add Data dan cari direktori lokasi file citra Landsat 8
yang sudah diekstrak dari (.gz archive) seperti pada praktikum pertemuan 2. Selanjutnya
pilih metadata citra dengan format (.txt) kemudian Add
2. Setelah citra tersebut sudah muncul di Layer layar kerja kita selanjutnya klik kanan pada
nama file citra tersebut kemudian pilih dan klik Properties. Pada Layer Properties kita
bisa cek dan melihat metadata file tersebut dengan memilih pada tab Key Metadata,
terlihat terdapat 8 saluran/band citra Landsat 8
3. Selanjutnya pilih dan klik pada tab Functions. Klik kanan pada tulisan Stretch Function
kemudian pilih dan klik Remove
4. Klik kanan lagi pada tulisan Composite Band Function - Pilih Insert Function - pilih dan
klik Apparent Reflectance Function
5. Pada layar kerja Raster Function Properties di tab Apparent Reflectance klik dan centang
Albedo lalu klik OK
6. Selanjutnya pada menu Layer Properties pilih dan klik Apply lalu OK, maka proses akan
berjalan. Tunggu hingga tampilan citra berwarna hitam saja di layar kita, proses ini tidak
berarti gagal ya.
7. Selanjutnya pada data hasil Apparent Reflectance yang telah dibuat dan masih berwarna
hitam, klik kanan pada nama file citra di Layers - pilih Data - pilih dan klik Export Data
8. Muncul layar kerja Export Raster Data. Tentukan lokasi penyimpanan file citra tersebut
di direktori komputer kita pada kolom Location, selanjutnya berikan nama file pada
kolom Name contoh: Radiometrik_20190104.TIF. Pilih dan klik Save, tunggu hingga
proses penyimpanan selesai. Setelah proses tersebut selesai akan muncul layar Output
Raster untuk menampilkan data pada layar kerja kita pilih dan klik Yes
9. Data file citra yang sudah kita lakukan koreksi radiometrik dengan nama file
Radiometrik_20190104 sudah muncul pada layar kerja kita dan data sebelumnya bisa
dihilangkan dari Layers dengan klik kanan pada nama file pilih dan klik Remove
10. Selanjutnya Add Data dan masukkan Shapefile administrasi Kecamatan Tenggarong. File
ini digunakan untuk memotong citra tersebut sama seperti proses memotong citra pada
praktikum pertemuan 2.
11. Buka ArcToolbox - Data Management Tools - Raster - Raster Processing - Clip. Isikan
Input Raster dengan citra yang sudah dikoreksi radiometrik tadi dan Output Extent
dengan shp Tenggarong, jang lupa berikan centang pada Use Input features for Clipping
Geometri. Pada kolom Output Raster Dataset tentukan lokasi penyimpanan dan nama file
 baru contoh: Radiometrik_Tenggarong.TIF, klik OK. Tunggu sampai proses selesai
dilakukan dan muncul pada Layers kita
12. Setelah data citra hasil yang sudah dilakukan pemotongan citra muncul di Layer, bisa
hilangkan file Tenggarong dan Radiometrik_20190104.TIF, sehingga yang muncul pada
layar kerja hanya data citra Radiometrik_Tenggarong.TIF untuk dilakukan Transformasi
NDVI
13. Berikut perbedaan nilai piksel citra dari sebelum dilakukan koreksi radiometrik masih
dalam digital number dengan nilai piksel yang sudah dilakukan koreksi radiometrik nilai
reflektan
Transformasi Normalized Difference Vegetation Index (NDVI) :
1. Masih dengan layar kerja dengan data citra yang sudah terkoreksi radiometrik dan sudah
terpotong hanya pada wilayah kajian tampilkan citra tersebut dengan kombinasi Channel
R = Near Infrared, G = Red, dan B = Green pada tab Symbology di layar kerja Layer
Properties lalu OK. Tampilan ini merupakan warna dominan inframerah untuk melihat
vegetasi yaitu saluran 5 4 3
2. Selanjutnya aktifkan tool Image Analysis yang berada di menu Windows – pilih dan klik
Image Analysis
3. Setelah muncul layar kerja Image Analisis pilih dan klik pada ikon Image Analysis
Option. Pada tab NDVI sesuaikan Red Band: 4, dan Infrared Band: 5. Selanjutnya klik
kolom centang Scientific Output, OK
4. Klik nama file citra tersebut sehingga berlatar warna biru, selanjutnya ikon NDVI akan
aktif, pilih dan klik ikon NDVI. Tunggu proses hingga data citra baru muncul di Layers
5. Tutup layar kerja Image Analysis. Proses ini akan menghasilkan temporary data citra
pada layer di Table Of Contents dengan nama baru yaitu
NDVI_Radiometrik_Tenggarong.TIF. Simpan dahulu data tersebut dengan klik kanan
pada nama file - pilih Data - pilih dan klik Export Data
6. Tentukan lokasi direktori tersebut disimpan dan berikan nama: NDVI_ Tenggarong.TIF
kemudian Save
7. File citra sebelumnya di Layers dapat dihapus dan tampilkan NDVI_ Tenggarong.TIF di
Layers
8. Lakukan pengkelasan data citra NDVI tersebut berdasarkan tabel yang ditetapkan oleh
USGS
9. Cara pengkelasannya yaitu klik kanan pada file nama NDVI_Tenggarong.TIF - Properties
- pilih tab Symbology - pada kolom Show pilih Classified - tentukan jumlah Classes 4
dan klik pada Classify. Isikan Break Values sesuai dengan tabel USGS
10. Tentukan warna pada Color Ramp atau double klik pada warna symbol tersebut,
selanjutnya masukkan Label sesuai dengan nama daerah pembagian berdasarkan tabel
dari USGS, selanjutnya klik OK
11. Klasifikasi dengan menggunakan Transformasi NDVI berdasarkan USGS sudah berhasil
kita lakukan
12. Kegiatan selanjutnya yaitu mengetahui tingkat kerapatan vegetasi yang ada pada wilayah
tersebut dengan berdasarkan dari tabel kisaran NDVI Departemen Kehutanan tahun 2003
13. Selanjutnya lakukan pengkelasan kembali pada data citra NDVI tersebut sesuai dengan
kelas kerapatan tersebut dengan cara buka ArcToolbox - pilih Spatial Analysis Tools -
Reclass – Reclassify. Masukkan Input Raster yaitu NDVI_Tenggarong.TIF
14. Selanjutnya klik Classify akan muncul layar Classification, pada Classes bagi menjadi 3.
Isikan Break Values yaitu 0,32 | 0,42 dan | 1 sesuai dengan tabel diatas, klik OK
15. Pada Output Raster tentukan lokasi penyimpanan di direktori kita dan beri nama baru
pada file tersebut contoh: Kerapatan_NDVI.TIF klik Save dan OK. Tunggu sampai
proses tersebut berhasil dilakukan
16. Setelah proses tersebut selesai dan tampil di Layers kita sesuaikan warna dan berikan
Label sesuai dengan tingkat kelas kerapatannya
 BAB III
KESIMPULAN
 DAFTAR PUSTAKA

Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Andi Offset

Lillesand, & Kiefer. 1979. Remote Sensing and Image Interpretation. New York: John Willey

and sons.

https://www.usgs.gov/faqs/what-are-band-designations-landsat-satellites. Diakses pada

September 2022

https://www.usgs.gov/core-science-systems/nli/landsat/using-usgs-landsatlevel-1-data-produc

t. Diakses pada September 2022