LAPORAN PRAKTIKUM

PENGINDERAAN JAUH

KELAS B

“SUPERVISED CLASSIFICATION CITRA LANDSAT 8 MENGGUNAKAN

SOFTWARE ENVI 5.1”

Oleh:

Dwi Noviyanti NRP. 03311440000026

Dosen:

Lalu Muhammad Jaelani, S.T., M.Sc.,Ph.D.

Cherie Bhekti Pribadi, S.T., M.T.

LABORATORIUM GEOSPASIAL

DEPARTEMEN TEKNIK GEOMATIKA

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

2017

i
 KATA PENGANTAR

Puji syukur Saya panjatkan kepada Allah Yang Maha Esa atas segala karunia yang
diberikan sehingga Laporan Praktikum Penginderaan Jauh yang berjudul Klasifikasi
Terbimbing pada Citra Landsat 8 dengan Menggunakan Software ENVI. Laporan Praktikum
ini disusun sebagai hasil dari pelaksanaan praktikum yang merupakan sarana untuk
mengaplikasikan materi yang disampaikan di kelas.
Selama penyusunan laporan praktikum ini, tentunya tidak lepas dari dukungan dan
bantuan banyak pihak. Oleh karena itu, pada kesempatan ini perkenankan Saya menyampaikan
ucapan terima kasih kepada :

1. Bapak Lalu Muhammad Jaelani., ST.,M.Sc.,Ph.D, selaku dosen mata kuliah

Penginderaan Jauh
2. Ibu Chery Bekti Pribadi, ST, MT, selaku asisten dosen mata kuliah Penginderaan Jauh

Semoga Allah SWT melimpahkan pahala kepada semuanya. Saya menyadari bahwa
laporan Praktikum ini belum sempurna, maka kritik dan saran yang bersifat membangun sangat
Saya harapkan. Akhir kata Saya berharap semoga laporan ini bermanfaat bagi banyak pihak.

ii
 DAFTAR ISI

KATA PENGANTAR ..............................................................................................................ii

DAFTAR ISI........................................................................................................................... iii
BAB I PENDAHULUAN ......................................................................................................... 1
1.1 Latar Belakang ............................................................................................................ 1
1.2 Tujuan dan Manfaat .......................................................................................................... 1
BAB II LANDASAN TEORI .................................................................................................. 2
2.1 Klasifikasi Citra........................................................................................................... 2
2.2 Supervised (dengan bimbingan) .................................................................................. 2
BAB III PELAKSANAAN PRAKTIKUM ............................................................................ 4
3.1 Alat dan Bahan ................................................................................................................. 4
3.2 Tempat dan Waktu Praktikum .......................................................................................... 4
3.3 Petunjuk Praktikum .......................................................................................................... 5
3.3.1 Klasifikasi Terbimbing Citra Landsat 8 ..................................................................... 5
3.3.2 Memotong Citra yang Telah Diklasifikasi ............................................................... 11
3.3.3 Mencari Nilai Confusion Matrix .............................................................................. 15
3.3.4 Mengubah File Raster ke Vektor ............................................................................. 17
BAB IV HASIL DAN ANALISA .......................................................................................... 22
4.1 Hasil ................................................................................................................................ 22
BAB V KESIMPULAN DAN SARAN ................................................................................. 24
5.1 Kesimpulan................................................................................................................ 24
5.2 Saran .......................................................................................................................... 24
DAFTAR PUSTAKA ............................................................................................................. 25

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Geomatika adalah bidang yang berhubungan erat dengan kegiatan pemetaan. Di
dalam geomatika terdapat beberapa bidang keahlian yang harus dikuasai oleh mahasiswa,
salah satunya, yaitu bidang Penginderaan Jauh. Penginderaan jauh merupakan ilmu dan
seni dalam memperoleh informasi mengenai suatu objek, area, atau fenomena melalui
analisis data yang diperoleh dengan alat tanpa suatu kontak langsung. Data yang digunakan
untuk keperluan pengolahan dan pemrosesan praktikum penginderaan jauh adalah data
citra satelit Landsat 8. Dalam pembelajaran Penginderaan Jauh ini akan menghasilkan suatu
informasi yang berhubungan dengan bumi, baik itu cuaca, terrestrial, ataupun berbagai
macam hal yang ada hubungannya dengan satelit.
Klasifikasi citra adalah mengelompokkan objek berdasarkan class (kelas) tertentu.
Sehingga kita dapat dengan mudah mengenali objek apa saja yag ada di permukaan bumi
serta berapa luas areanya. Klasifikasi citra merupakan teknik yang tepat untuk
menghilangkan informasi rinci dari data input untuk menampilkan pola-pola penting atau
distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari citra
tersebut diperoleh informasi yang bermanfaat atau sesuai dengan keperluan.

1.2 Tujuan dan Manfaat

Adapun tujuan dan manfaat praktikum ini antara lain :
1. Mahasiswa mampu melakukan klasifikasi citra (terbimbing) dengan menggunakan
sofware ENVI.
2. Mahasiswa mampu mengetahu Confusion Matrix dari citra yang telah diklasifikasi.
3. Mahasiswa mampu mengubah format file klasifikasi citra dari raster ke vektor

1
 BAB II
LANDASAN TEORI

2.1 Klasifikasi Citra

Klasifikasi digunakan untuk mengelompokkan kenampakan-kenampakan tertentu
yang memiliki kesamaan nilai spektral atau feature lain, misal berdasarkan asosiasi, ukuran,
dan lain-lain. Secara umum, klasifikasi citra dibagi menjadi 2, yaitu klasifikasi tak terselia
(unsupervised classification) dan klasifikasi terselia (supervised classification).
Klasifikasi citra merupakan teknik yang digunakan untuk menghilangkan informasi
rinci dari data input untuk menampilkan pola-pola penting atau distribusi spasial untuk
mempermudah interpretasi dan analisis citra sehingga dari citra tersebut diperoleh
informasi yang bermanfaat atau sesuai dengan keperluan. Untuk pemetaan penutup lahan,
hasilnya bisa diperoleh dari proses klasifikasi multispektral citra satelit. Klasifikasi
multispektral sendiri andalah algoritma yang dirancang untuk menyajikan informasi
tematik dengancara mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai
spektral.
Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai
sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan
dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna
pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk
memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang
diambil guna menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat
sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra
terdapat dua cara umum yang sering digunakan yaitu supervised dan unsupervised.

2.2 Supervised (dengan bimbingan)

Pada metode ini, analis terlebih dahulu menentukan beberapara training area
(daerah contoh) pada citra sebagai kelas kenampakan objek tertentu. Penetapan ini
berdasarkan pengetahuan analis terhadap wilayah dalam cita mengenai daerah-daerah
tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh perangkat
lunak komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-
nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah ditentukan sebelumnya.
Jadi dalam metode ini, nails mengidentifikasi kelas infomasi terlebih dahulu yang
kemudian digunakan untuk menenyukan kelas spektral yang mewakili kelas informasi
tersebut. Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini antara
lain :
1. 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.
2. Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-
masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor

2
 rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak
terklasifikasi jika tidak memenuhi kriteria yang dipilih.
3. Mahalanobis Distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi
Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan
karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke
kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini
beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas.
4. Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya
didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas
tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap
piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum
likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan,
piksel tetap tidak terklasifikasi.
5. Spektral Angle Mapper
Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk
mencocokkan piksel untuk spektra acuan.
6. Spectral Information Divergence
Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang
menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum
referensi. Semakin kecil divergensi, semakin besar kemungkinan piksel serupa. Piksel
dengan pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan
tidak diklasifikasikan.
7. Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir
anggota menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di
atas rata-rata spektrum, masing-masing. Dapat membandingkan setiap spektrum
referensi yang dikodekan dengan spektrum data yang disandikan dan menghasilkan
klasifikasi citra. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar
dari band yang cocok, kecuali jika ditentukan batas minimum pertandingan, dalam hal
ini beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.
8. Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis
neural.
9. Support Vector Machine
Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas
dengan permukaan keputusan yang memaksimalkan margin antara kelas.

3
 BAB III
PELAKSANAAN PRAKTIKUM

3.1 Alat dan Bahan

1. Laptop

2. Mouse

3. Software ENVI

4. Data citra Landsat 8

3.2 Tempat dan Waktu Praktikum

Tempat : Keputih Gang 2C 15A, Keputih, Sukolilo, ITS
Waktu : Kamis, 14 Desember 2017

4
3.3 Petunjuk Praktikum
3.3.1 Klasifikasi Terbimbing Citra Landsat 8
 Buka software ENVI Classic, lalu pilih File  Open Image File

 Pilih Citra Landsat 8, pilih band 4,3,dan 2

 Load RGB seperti biasa

5
 Simpan gambar dengan format TIFF, pertama pilih File  Save Image As
 Image File

 Pilih Output File : TIFF/GeoTIFF

 Pilih lokasi penyimpanan file

6
  Pilih menu Basic Tools  Region of Interest

 Masukkan nama jenis tutupan lahan yang ingin diklasifikasi, misal :

pemukiman

 Pilih zoom jika ingin menggambar sample di jendela zoom

 Ambil sample jenis tutupan lahan di jendela yang dipilih, untuk

menutup poligon klik kiri dua kali.

7
 Lakukan pada beberapa daerah dan jenis tutupan lahan lainnya

 Save ROI dengan cara klik File Save ROI

8
  Block ROI yang ingun disimpan

 Pilih lokasi penyimpanan file

 Pilih menu Classification  Supervised  Maximum Likelihood

9
 Pilih File input

 Pilih semua ROI dengan klik Select All item atau block semua

 Pilih direktori penyimpanan output class dan rule

10
  Tunggu proses beberapa saat

 Load band baru yang terbentuk

3.3.2 Memotong Citra yang Telah Diklasifikasi

 Buka menu file  pilih open vektor file

11
 Buka file vektor kabupaten yang telah dipotong

 Load file vektor

 Load file vektor pada jendela citra yang telah diklasifikasi

12
  Pilih menu Basic Tools pilih Subset Data via ROIs

 Pilih band citra yang sudah diklasifikasi

 Pilih file vektor yang sudah di load sebelumnya

13
 Simpan di direktori penyimpanan yang diinginkan

 Tunggu file beberapa saat

 Load citra klasifikasi kabupaten yang telah di potong

14
  Beginilah tampilan citra klasifikasi kabupaten Blora

3.3.3 Mencari Nilai Confusion Matrix

 Pilih Menu Classification  Post Classification  Confussion Matrix

 Using Ground Truth ROIs

15
 Setelah muncul jendela Classification Input File, pilih citra yang telah di
subset dan telah diklasifikasi

 Pasangkan Ground Truth ROI dan Classification Image sesuai dengan

kelasnya hingga muncul di kolom Matches Classes.

 Setelah semuanya telah dipasangkan seperti contoh dibawah ini, klik OK

16
  Jika muncul jendela seperti dibawah ini, klik OK

 Berikut ini contoh hasi Confussion Matrix, jika nilai Confussion Matrix
kurang dari 85% maka wajib mengulangi proses klasifikasi citra

3.3.4 Mengubah File Raster ke Vektor

 Pilih menu Vektor  Raster to Vector

17
 Pilih citra hasil klasifikasi yang sudah dipotong

 Pilih file vektor jenis tutupan lahan yang sudah dibuat, otput yang dipilih
adalah One Layer per Class. Lalu pilih Choose untuk menyimpan file vektor.

 Tempatkan file pada folder yang diingankan

18
 Tunggu proses penyimpanan beberapa saat

 Beginilah tampilan file vector yang terbentuk

 Selanjutnya, ubah format file vektor menjadi shapefile. Block file vektor jenis
tutupan lahan yang akan dikonvert.

 Pilih menu file pada jendela Available Vectors List  Export Layers to
Shapefile

19
 Setelah itu muncul jendela untuk menyimpan file *shp

 Pilih Choose untuk menempatkan file pada folder yang diinginkan

 File shp yang sudah terbentuk selanjutnya dibuka dengan software ArcGIS

20
21
 BAB IV
HASIL DAN ANALISA

4.1 Hasil

22
4.2. Analisa

Dari hasil klasifikasi citra landsat Kabupaten Blora, menunjukkan bahwa sebagian
besar daerah di Kabupaten Blora didominasi jenis tutupan lahan berupa pemukiman, lalu
disusul dengan vegetasi. Nilai Confussion Matrix sebesar 96,5815% berarti klasifikasi yang
telah dilakukan sudah dapat diterima atau mendekati nilai benar (akurat). Apabila nilai
Confussion Matrix kurang dari 85% maka perlu dilakukan proses klasifikasi kembali.

23
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
1. Klasifikasi citra landsat Kabupaten Blora menghasilkan Confussion Matrix sebesar
96,5615 % dan tergolong memenuhi persyaratan nilai Confussion Matrix yaitu
sebesar 85%
2. Daerah Kabupaten Blora umumnya masih didominasi pemukiman dan vegetasi.

5.2 Saran
1. Gunakan komputer dengan memory yang cukup memadai untuk menghindari jam saat
proses load data.
2. Dalam mendownload citra, pilih tanggal pengambilan data yang paling dekat karena
citra akan lebih bagus.
3. Dalam proses klasifikasi, semakin banyak dan beragam titik sampel yang diambil akan
lebih baik.
4. Untuk memperjelas tampilan citra (meningkatkan pencahayaan) untuk mempermudah
interpretasi dapat digunakan menu Enhance pada jendela Image lalu pilih tipe
pencahayaan yang diinginkan.

24
 DAFTAR PUSTAKA

Indahyani,Ririn. Klasifikasi Multispektral Pada Landsat

http://www.slideshare.net/RirinIndahyani1/klasifikasi-multispektral-pada-landsat-
7?qid=96d6c8e4-13ea-4200-8a4a-062861b98393&v=&b=&from_search=2 (Diakses
pada Rabu, 13 November 2016)

http://www.4shared.com/postDownload/D2T_WSoo/laporan_geomat_ke_7_klasifikas.html.
(Diakses pada Rabu, 13 November 2016)

http://www.tedieka.com/2016/05/klasifikasi-citra.html. (Diakses pada Rabu, 13

November 2016)

Hamli,Nofirly. 2015. Klasifikasi Citra Multispektral dengan Menggunakan Aplikasi Envi.

Universitas Negeri Malang

https://www.academia.edu/22502616/KLASIFIKASI_CITRA_MULTISPEKTRAL_

DENGAN_MENGGUNAKAN_APLIKASI_ENVI. (Diakses pada Rabu, 13

November 2016)

25