LAPORAN PRAKTIKUM

PRAKTEK INDERAJA TERAPAN

Dosen Pengampu :

Bambang Kun Cahyono S.T, M. Sc

Dibuat oleh :

Rahmat Muslih Febriyanto

12/336762/SV/01770

PROGRAM STUDI DIPLOMA III TEKNIK GEOMATIKA

SEKOLAH VOKASI UNIVERSITAS GADJAH MADA

2014/2015

A. Judul

“Klasifikasi Terbimbing ( Supervised )”

B. Tujuan

1. Mahasiswa dapat melakukan georeferencing Citra.

2. Mahasiswa dapat melakukan cropping Citra.

3. Mahasiswa dapat melakukan klasifikasi supervised.

4. Mahasiswa dapat melakukan perhitungan luas.

5. Mahasiswa dapat melakukan membuat layout peta.

C. Waktu dan Tempat Pelaksanaan

Hari, tanggal : Kamis, 27 November 2014

Tempat : Laboratorium Fotogrametri

D. Alat dan Bahan

1. Perangkat keras

1.1 Komputer

2. Perangkat lunak

2.1 Software ENVI

2.2 Software Google Earth

2.3 Software ArcGIS

E. LANDASAN TEORI

Klasifikasi digital pada suatu citra adalah suatu proses dimana piksel-piksel dengan

karakteristik spektral yang sama diasumsikan sebagai kelas yang sama, diidentifikasi dan

ditetapkan dalam suatu warna (Gibson dan Power, 2000).

Klasifikasi supervised merupakan suatu metode klasifikasi yang menggunakan area

sampling. Ketelitian ditentukan oleh kualitas sampling dan jumlah sampel. Area sampel

dibuat dengan menggunakan Region Of Interest (ROI). ROI harus terlebih dahulu dibuat

sebelum melakukan proses klasifikasi supervised ini. Region Of Interest adalah area

sampling yang dibentuk sebagai trainning area pada klasifikasi supervised.

klasifikasi supervised dapat diartikan sebagai teknik klasifikasi yang diawasi.

Menurut Projo Danoedoro (1996) klasifikasi supervised ini melibatkan interaksi analis

secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada

citra (training area). Sehingga pengambilan sampel perlu dilakukan dengan

mempertimbangkan pola spektral pada setiap panjang gelombang tertentu, sehingga

diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu.

F. Langkah Kerja

Diagram alir praktikum :

1. Membuka data citra Landsat 8 yang akan diklasifikasikan, yaitu Citra Landsat 8 untuk

daerah Jawa Tengah

1.1 Membuka software Envi 4.8 terlebih dahulu dengan meng-klik icon .

Kemudian akan muncul tools pada Envi seperti berikut:

SUPERVISED

CLASSIFICATION

CITRA

LANDSAT 8

SUPERVISE

D

CLASSIFICA

TION KOMPOSIT CROP 15 X 15 KM

GEOREFERENCING GCP GOOGLE EARTH

RMS < 1

PIXEL

PEMBUATAN KELAS

TRAINING AREA

KLASIFIKASI

PETA PENUTUP LAHAN

1.2 Membuka data citra dengan langkah File Open Image File:

Kemudian memilih data citra dengan band-band yang akan digunakan dalam

melakukan komposit Natural Band

1.3 Membuka citra dengan komposit Natural band, yaitu R: band 4; G: band 3 ; B:

band 2 sehingga pada kotak Available Bands List akan terlihat seperti berikut:

Kemudian klik Load RGB :

2. Melakukan cropping

2.1 Menentukan lokasi yang akan digunakan untuk klasifikasi penutup lahan:

2.2 Mulai men-crop citra dengan langkah File Save Image As Image File...

2.3 Setelah muncul kotak dialog pilih tab Spatial Subset

kemudian pada kotak dialog berikutnya memilih tab Image

Isikan seperti berikut untuk mendapatkan luas citra 15 km x 15 km

Kemudian klik OK.

2.4 Setelah itu kembali ke kotak dialog Output

Display to Image File. Klik Ok

2.5 Membuka citra hasil crop, maka hasil akan terlihat seperti berikut:

3. Melakukan Georeferencing

3.1 Membuka Google Earth sebagai acuan melihat koordinat yang akan digunakan

untuk Georeferencing dengan menggunakan metode Georeferencing Image to

Map.

3.2 Menentukan daerah yang menonjol sebegai GCP pada Google Earth.

3.3 Melihat koordinat nya pada masing-masing GCP tersebut kemudian menuliskanya

untuk rektifikasi image to image.

3.4 Memulai untuk proses Georeferencing dengan langkah Map Registration

Select GCPs: Image to Map

Setelah muncul kotak dialog, maka mengatur seperti berikut:

3.5 Mengisi koordinat sesuai dengan koordinat acuan yang telah didapat dari Google

Earth sebelumnya.

Kemudian dengan melihat daerah yang merupakan tanda GCP dengan kotak

Zoom, kemudian klik Add Point sehingga GCP terekam/tersimpan:

3.6 Kemudian cek RMS untuk melihat kesalahan, jika lebih dari 1 maka ulangi proses

Georeferencing dengan klik tab Show List pada kotak dialog Ground Control

Points Selection

Berikut hasil RMS:

Menyimpan data RMS Error dalam bentuk *.txt dengan langkah klik File Save

Table to ASCII...

Kemudian menentukan lokasi penyimpanan klik OK.

3.7 Menyimpan hasil Georeferencing dengan langkah berikut:

a. Menyimpan hasil GCP dengan klik File Save GCPs w/ map coords...

Memberi nama file pada kotak dialog Output Registration Points.

b. Kemudian klik Map Registration Warp from GCPs : Image to Map

Kemudian memilih file yang telah disimpan sebelumnya

c. Kemudian mengatur Sistem proyeksi yang sesuai, Proyeksi UTM, Datum

WGS 84 zone 49 S dan klik OK.

d. Ketika kotak dialog Input Warp Image kemudian memilih citra yang

sebelumnya dijadikan acuan dalam proses Georeferencing, setelah itu klik

OK.

e. Kemudian memberi nama file citra yang telah dilakukan proses

georeferencing.

3.8 Kemudian membuka citra dengan klik Load RGB pada kotak dialog Available

Band List.

4. Melakukan Enhance

4.1 Melakukan Enhance dengan langkah klik Enhance

Interactive Strectching

4.2 Kemudian mengatur histogram pada kotak dialog berikut:

5. Membuat klasifikasi

5.1 Membuka ROI Tool untuk membuak klasifikasi penutup lahan dengan langkah

memilih menu Tools Region Of Interest ROI Tool...

5.2 Setelah keluar kotak dialog ROI Tool isikan pada ROI Name dan Color sesuai

dengan hasil klasifikasi yang diinginkan.

Berikut contoh pembuatan klasifikasi:

6. Membuat Training

6.1 Membuat training dengan langkah memilih ROI yang akan dibuat training

kemudian memilih terlebih dahulu untuk jenis digitasi dengan klik ROI Type

kemudian pilih Polygon, Polyline, atau point.

6.2 Kemudian pilih jendela yang akan digunakan untuk mendigitasi:

6.3 Berikut hasil training pada citra:

7. Melakukan Klasifikasi Supevised

7.1 Simpan terlebih dahulu hasil training dengan klik File Save ROIs...

7.2 Setelah kotak dialog Save ROIs to File muncul kemudian atur tempat

penyimpanannya kemudian klik OK.

7.3 Langkah berikutnya memilih menu Classification Supervised

Parallelepiped

7.4 Setelah itu muncul kotak dialog Classification Input File, maka pilih Citra yang

dijadikan acuan saat klasifikasi:

7.5 Kemudian mengatur parameter dan tempat penyimpanan seperti berikut:

Kemudian untuk melihat citra hasil klasifikasi klik Load RGB.

8. Melakukan Perhitungan Luas

8.1 Setelah proses klasifikasi selesai, menghitung luas dengan cara klik classification

kemudian Post classification pilih class statistis.

8.2 Kemudian pilih statistics input file, sebanyak 2 kali pada file yang sama.

8.3 Kemudian pilih select all.

Klik histogram. Klik ok.

G. HASIL

a. RMS

b. PETA

Terlampir

c. Pembahasan Metode Klasifikasi

Parallelepiped

Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk

mengklasifikasikan data multispektral. Batas-batas keputusan merupakan

parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan

berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.

Minimum Distance

Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing

dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor

rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan

tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.

Maximum Likelihood

Klasifikasi supervised maximum likelihood merupakan klasifikasi yang

berpedoman pada nilai piksel yang sudah dikategorikan obyeknya atau dibuat

dalam training sampel untuk masing-masing obyek penutup lahan. Pemilihan

training sampel yang kurang baik dapat menghasilkan klasifikasi yang kurang

optimal sehingga akurasi yang diperoleh rendah. Dengan demikian diperlukan

analisis secara statistik atau uji akurasi dari training sampel tersebut.

d. Luas masing-masing Metode Klasifikasi

a. Statistik Luas dengan Metode paralelpiped sebagai berikut :

b. Luas menggunakan metode Minimum Distance sebagai berikut :

c. Luas menggunakan metode Maximum Likelihood, sebagai berikut :

H. KESIMPULAN

Dari Praktikum kali ini mahasiswa dapat mengerjakan tahapan klasifikasi secara

digital, meliputi dari doping Citra, georeferencing kemudian proses klasifikasi

serta perhitungan luasnya.