Professional Documents
Culture Documents
PENGINDERAAN JAUH
KELAS B
Oleh:
Dosen:
LABORATORIUM GEOSPASIAL
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 :
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
iii
BAB I
PENDAHULUAN
1
BAB II
LANDASAN TEORI
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
2. Mouse
3. Software ENVI
4
3.3 Petunjuk Praktikum
3.3.1 Klasifikasi Terbimbing Citra Landsat 8
Buka software ENVI Classic, lalu pilih File Open Image File
5
Simpan gambar dengan format TIFF, pertama pilih File Save Image As
Image File
6
Pilih menu Basic Tools Region of Interest
7
Lakukan pada beberapa daerah dan jenis tutupan lahan lainnya
8
Block ROI yang ingun disimpan
9
Pilih File input
Pilih semua ROI dengan klik Select All item atau block semua
10
Tunggu proses beberapa saat
11
Buka file vektor kabupaten yang telah dipotong
12
Pilih menu Basic Tools pilih Subset Data via ROIs
13
Simpan di direktori penyimpanan yang diinginkan
14
Beginilah tampilan citra klasifikasi kabupaten Blora
15
Setelah muncul jendela Classification Input File, pilih citra yang telah di
subset dan telah diklasifikasi
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
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.
18
Tunggu proses penyimpanan beberapa saat
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
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
http://www.4shared.com/postDownload/D2T_WSoo/laporan_geomat_ke_7_klasifikas.html.
(Diakses pada Rabu, 13 November 2016)
https://www.academia.edu/22502616/KLASIFIKASI_CITRA_MULTISPEKTRAL_
November 2016)
25