Laporan Praktikum 8 [PDF]

Citation preview

PRAKTIKUM 8



LAPORAN PRAKTIKUM PENGINDERAAN JAUH DAN INTERPRETASI CITRA



Mata Kuliah



: Pengindraan Jauh



Dosen Pengampu



: Listumbinang Halengkara, S.Si, M.Sc.



Semester



: Genap



Disusun oleh : Eni Ayu Lestari (1613034006)



PROGRAM STUDI PENDIDIKAN GEOGRAFI JURUSAN PENDIDIKAN ILMU PENGETAHUAN SOSIAL FAKULTAS KEGURUAN ILMU PENDIDIKAN UNIVERSITAS LAMPUNG 2018



PRAKTIKUM 8 KLASIFIKASI CITRA DIGITAL UNTUK IDENTIFIKASI PENUTUP LAHAN I. Tujuan 1. Melakukan klasifikasi citra dengan metode terselia/terkontrol (supervised classification) dan metode tidak terselia/tidak terkontrol (unsupervised classification) menggunakan citra Landsat 8 II. Alat dan Bahan Alat yang digunakan meliputi antara lain : a. Komputer / Laptop b. Sofware ENVI 5.0



: 1 perangkat : 1 buah



Bahan Yang Digunakan -Citra Satelit Landsat 8



III. Tinjauan Pustaka Identifikasi adalah kegiatan yang mencari, menemukan, mengumpulkan, meneliti, mendaftarkan, mencatat data dan informasi dari “kebutuhan” lapangan. Secara intensitas kebutuhan dapat dikategorikan (dua) macam yakni kebutuhan terasa yang sifatnya mendesak dan kebutuhan terduga yang sifatnya tidak mendesak. Lahan adalah lingkungan fisik dan biotik yang berkaitan dengan daya dukungnya terhadap kehidupan dan kesejahteraan hidup manusia. Lingkungan fisik berupa relief atau topografi, iklim, tanah dan air, sedangkan lingkungan biotik adalah manusia, hewan, dan tumbuhan. Sumberdaya lahan merupakan sumberdaya alam yang sangat penting untuk kelangsungan hidup manusia karena diperlukan dalam setiap kegiatan manusia, seperti untuk pertanian, daerah industri, daerah pemukiman, jalan untuk transportasi, daerah rekreasi atau daerah-daerah yang dipelihara kondisi alamnya



untuk tujuan ilmiah. Sitorus (2001) mendefinsikan sumberdaya lahan (land resources) sebagai lingkungan fisik terdiri dari iklim, relief, tanah, air dan vegetasi serta benda yang ada di atasnya sepanjang ada pengaruhnya terhadap penggunaan lahan. Oleh karena itu sumberdaya lahan dapat dikatakan sebagai ekosistem karena adanya hubungan yang dinamis antara organisme yang ada di atas lahan tersebut dengan lingkungannya (Mather, 1986). Berbagai tipe penutupan lahan dijumpai di permukaan bumi, masing-masing tipe mempunyai kekhususan tersendiri. Badan Pertanahan Nasional mengelompokkan jenis penutupan lahan sebagai berikut : (1) pemukiman, berupa kombinasi antara jalan, bangunan, tegalan/pekarangan, dan bangunan itu sendiri (kampung dan emplasemen); (2) kebun, meliputi kebun campuran dan kebun sayuran merupakan daerah yang ditumbuhi vegetasi tahunan satu jenis maupun campuran, baik dengan pola acak maupun teratur sebagai pembatas tegalan; (3) tegalan merupakan daerah yang ditanami umumnya tanaman semusim, namun pada sebagian lahan tak ditanami dimana vegetasi yang umum dijumpai adalah padi gogo,singkong, jagung, kentang, kedelai dan kacang tanah; (4) sawah merupakan daerah pertanian yang ditanami padi sebagai tanaman utama dengan rotasi tertentu yang biasanya diairi sejak penanaman hingga beberapa hari sebelum panen; (5) hutan merupakan wilayah yang ditutupi oleh vegetasi pepohonan, baik alami maupun dikelola manusia dengan tajuk yang rimbun, besar serta lebat; (6) lahan terbuka, merupakan daerah yang tidak terdapat vegetasi maupun penggunaan lain akibat aktivitas manusia; (7) semak belukar adalah daerah yang ditutupi oleh pohon baik alami maupun yang dikelola dengan tajuk yang relative kurang rimbun (Heikal, 2004 dalam Sinaga, 2007:13 dalam Widyaningsih, 2008). Perubahan penutupan lahan merupakan keadaan suatu lahan yang mengalami perubahan kondisi pada waktu yang berbeda disebabkan oleh manusia (Lillesand dkk, 2003). Menurut Darmawan (2002), salah satu faktor yang menyebabkan terjadinya perubahan lahan adalah faktor sosial ekonomi masyarakat yang berhubungan dengan kebutuhan hidup manusia terutama masyarakat sekitar kawasan.



Penggunaan lahan berkaitan dengan kegiatan manusia pada bidang lahan tertentu. Informasi penutupan lahan dapat dikenali secara langsung dengan menggunakan penginderaan jauh yang tepat. Sedangkan informasi tentang kegiatan manusia pada lahan (penggunaan lahan) tidak selalu dapat ditafsir secara langsung dari penutupan lahannya (Lillesand dkk, 2003). Faktor penting untuk menentukan kesuksesan pemetaan penggunaan lahan dan penutupan lahan terletak pada pemilihan skema klasifikasi yang tepat dirancang untuk suatu tujuan tertentu. Skema klasifikasi yang baik harus sederhana di dalam menjelaskan setiap kategori penggunaan dan penutupan lahan (Lo, 1995). Metode Klasifikasi Terbimbing (Supervised) Pada metode supervised ini, analis terlebih dulu menetapkan beberapa training area (daerah contoh) pada citra sebagai kelas lahan tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam citra mengenai daerahdaerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukan kedalam kelas lahan yang telah ditetapkan sebelumnya. Jadi dalam metode supervised ini analis mengidentifikasi kelas informasi terlebih dulu yang kemudian digunakan untuk menentukan kelas spectral yang mewakili kelas informasi tersebut. (Indriasari, 2009)



Gambar 2.1 Cara Kerja Metode Supervised



Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini antara lain : 1. 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. 2. Mahalanobis Klasifikasi Mahalanobis 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. 3. 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 4. Spektral Angle Mapper Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk mencocokkan piksel untuk spektra acuan. Metode Klasifikasi Tak Terbimbing (Unsupervised) Cara kerja metode unsupervised ini merupakan kebalikkan dari metode supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer kedalam kelas-kelas spektral menggunakan algoritma klusterisasi



(Indriasari, 2009). Dalam metode ini, diawal proses biasanya analis akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas lahan terhadap kelas-kelas spektral yang telah dikelompokkan oleh komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas. Misal class 1, class 2 dan class 3 masing-masing adalah sawah, perkebunan dan hutan maka analis bisa mengelompokkan kelas-kelas tersebut menjadi satu kelas, yaitu kelas vegetasi. Jadi pada metode unsupervised tidak sepenuhnya tanpa campur tangan manusia.



Gambar 2. Cara Kerja Metode Unsupervised IV. Langkah Kerja Praktikum Kita dapat melakukan langkah kerja praktikum dengan baik dan sistematis, antara lain : Unsupervised Classification 1. Buka program ENVI 5.0 2. Buka file citra resolusi tinggi yang akan diklasifikasikan dengan cara File > Open 3. File citra yang digunakan adalah file hasil penggabungan band 2,3 dan 4



4. Pada toolbox pilih Classification > Classification Workflow. Akan muncul File Selection Panel



5. Klik Browse. Akan muncul dialog Select Input File.



6. Klik Open File.



Pilih file citra yang akan diklasifikasi (contoh:



Phoenix_AZ.tif) klik Open. Citra yang digunakan sebagai contoh adalah Citra QuickBird true-color. 7. Klik Next sehingga muncul Classification Type Panel.



8. Pilih No Training Data, yang akan mengarahkan kita pada klasifikasi dengan metode unsupervised classification.



9. Klik Next. Kemudian masukkan angka 7 sebagai angka untuk Requested Number of Classes to define. Klik Next tanpa mengubah parameter yang lainnya.



10. Setelah proses klasifikasi selesai, akan muncul view baru yang memperlihatkan citra hasil klasifikasi yang sudah dilakukan



Supervised Classification 1. Pada Data Manager, klik citra Phoenix_AZ.tif dan drag to toolbox bagian Classification hingga muncul File Selection Panel, dengan Phoenix_AZ.tif sebagai input data raster yang akan digunakan. 2. Klik Next pada File Selection Panel untuk memulai proses. Berikutnya akan muncul Classification Type Panel. 3. Pilih Used Training Data, yang akan memandu kita menuju supervised classification workflow steps. 4. Klik Next sehingga muncul Supervised Classification Panel. 5. Pada bagian tab Algorithm, pilih Spectral Angle Mapper. 6. Kita dapat menentukan training data dari file vector (.shp) yang kita miliki, namun untuk praktikum kali ini, kita akan menggunakan Polygon Annotation Tool milik ENVI untuk membuat polygon training data yang akan kita gunakan secara interaktif. 7. Ketika kita menggunakan Training Data, tombol Polygon Annotation akan muncul dan layar baru yang bernama Training Data akan di tambahkan di Layar Manager. Kita akan membuat dua kelas dengan paling tidak satu area/region pada tiap kelas tersebut. Ini adalah



jumlah kelas minimal yang dibutuhkan untuk memproses Supervised Classification. 8. Pada Supervised Classification Panel, klik Popertles tab dan ubah nama kelas dari Class 1 menjadi Lahan Kosong. Biarkan warna tersebut tetap merah. 9. Geser citra ke bagian penutup lahan berpa lahan kosong atau area yang tidak terbangun. Buatlah tiga buah polygon pada tiga area lahan kosong yang terdapat pada citra. Untuk membuat polygon, kelik dan tahan mouse pada saat membuat polygon Doubel-Click mouse setelah kita mencapai titik awal untuk menutup polygon. 10. Anotasi polygon akan muncul di Layar Manager di bagian bawah training data layar. 11. Klik tombol Add Class untuk membuat kelas penutup lahan yang kedua. 12. Ganti nama kelas dari Class 2 menjadi Vegetasi. Beri warna hijau pada kelas tersebut. 13. Carilah kenampakan tutupan vegetasi yang baik pada citra seperti lapangan golf, pepohonan yang rapat, dan lain sebagainya. Buatlah polygon pada tiga kenampakan tutupan vegetasi berbeda yang tampak pada citra. 14. Klik tombol Add Class untuk membuat penutupan lahan yang ketiga. 15. Ubah nama kelas dari Class 3 menjadi Bangunan. Beri warna biru pada kelas tersebut. 16. Cari kenampakan bangunan-bangunan yang memiliki atap yang tampak pada citra. Buatlah polygon pada tiga bangunan berbeda yang terdapat pada citra. Usahakan untuk memiliki tiga bangunan yang memiliki tingkat kecerahan berbeda-beda pada atapnya. 17. Berikutnya kita akan melihat hasil klasifikasi berdasarkan training data yang kita buat. 18. Enable preview option untuk membuat portak preview yang memperlihatkan hasil klasifikasi menggunakan training data yang telah kita buat.



19. preview portal menunjukan bahwa jalan masuk kedalam kelas bangunan. Oleh karena itu kita perlu menambahkan kelas penutup lahan yang keempat berupa jalan. 20. Disable terlebih dahulu preview option. 21. klik tombol Add Class. 22. Ganti nama kelas dari Class 4 menjadi Jalan. Beri warna kuning untuk jalan. 23. Buat tiga polygon dengan cara yang sama seperti sebelumnya pada tiga kenampakan jalan yang tampak pada citra. Usahakan memiliki tiga jalan dengan tipe yang berbeda. 24. Eneble kembali perview option. 25. sekarang hasil klasifikasi akan menunjukan kelas penutupan lahan berupa jalan. Akan tetapi hasil klasifikasi ini juga menyebabkan terjadinya pengkelasan kembali pada beberapa bangunan yang masuk kekelas penutup lahan berupa jalan khususnya pada bangunan yang memiliki atap yang menyerupai kenampakan jalan. 26. Dengan menggunakan fasilitas preview option, cobalah beberapa metode klasifikasi yang berada di bagian Algorithm. 27. Dari beberapa metode klasifikasi yang di coba, terlihat bahwa metode Maximum



Likelihood



atau



SAM



merupakan



metode



yang



memberikan hasil klasifikasi penutup lahan paling baik pada citra yang di gunakan dalam prasktikum ini. Oleh karena itu pilih algoritma SAM kemudian kelik Next. 28. Ketika proses klasifikasi selesai, citra hasil klasifikasi akan ditampilkan pada lanjutan yang dapat di lakukan atau tidak (optional), tapi dalam praktikum



ini



perlu dilakukan



agar



kita lebih



memahamidan mengetahui perubahan yang terjadi bila proses cleanup ditrapkan pada hasil klasifikasi yang telah kita lakukan. Proses cleanup ini bertujuan untuk menghaluskan, dan membuang polygonpolygon kecil agar kenampakan hasil klasifikasi lebih baik.



29. Pada panel cleanup, ubah enable menjadi disable pada smoothing option. Pilih dan jangan ubah default setting pada Enable Aggregation. 30. Portal preview harus tetap terbuka agar kita bisa melihat perubahan yang terjadi pada hasil cleanup sesuai denganprameter yang kita masukan. Klik pada preview portal, dan drag pada sekeliling citra untuk melihat efek cleanup yang terjadi pada tiap bagian citra. 31. Klik Next jika proses klasifikasi telah selesai. Kemudian akan muncul exprot panel. 32. Simpan hasil klasifikasi dalam bentuk citra digital (ENDVI standar image file), polygon penutup lahan menjadi vector shapefile (shp), dan statistik dalam bentuk text file.



V. Hasil Praktikum File citra digital dibagi atas 2 (dua) bagian : 1. Citra hasil klasifikasi dengan model unsupervised classification



2. Citra hasil klasifikasi dengan model supervised classification a. Maximum Likelihold



b. Minimum Distance



c. Mahalanobis



d.



Spectral Angle Mapper



e.



Hasil Gabungan Antara Maximum Likelihold, Minimum Distance, Mahalanobis dan Spectral Angle Mapper



VI. Pembahasan Interpretasi citra merupakan pekerjaan yang menjawab pertanyaan bagaimana cara mempergunakan atau cara menganalisi data pengindraan jauh, agar dapat digunakan untuk keperluan daerah. Interpretasi citra telah diungkapkan dalam batasan merupakan kegiatan mengidentifikasi obyek melalui citra pengindraan jauh. Kegiatan ini merupakan bagian terpenting bagian terpenting didalam pengindraan jauh karena tanpa dikenali obyek yang tergambar pada citra pengindraan jauh, maka kita tidak dapat melakukan kegiatan apa-apa terhadap citra tersebut. Interpretasi citra pengindraan jauh dapat dilakukan dengan dua cara, yaitu interpretasi secara manual dan digital. Pnggunaan intrespretasi citra tutupan lahan dengan menggunakan aplikasi Envi 5.0. klasifikasi digital yang di lakukan secara otomatis dari semua pixel citra ke dalam kelas tutupan lahan (purwadhi, 2001). Tutupan lahan yang di hasilkan oleh citra dengan menggunakan Unsurpervised Classification merupakan klasifikasi tutupan lahan yang pasrah terhadap aplikasi tersebut karena dalam proses pengklasikasi tidak dilakukan dengan klasifikasi secara pribadi tetapi dengan menggunakan aplikasi (system). Hasil yang di hasilkan oleh citra dengan menggunakan metode Unsurpervised Classification



terdapat berbagai macam



warna yang di tampilkan dengan berbagai macam tutupan lahan yang ada. Tutupan lahan yang di gambarkan oleh warna, warna biru muda mewakili derah pesisir, warna ungu muda mewakili awan yang terletak di bagian selatan citra tersebut, warna merah mewakili lahan terbuka, warna hijau mewakili vegetasi, warna biru tua mewakili sungai atau peraira semacam danau, warna kuning mewakili jalan. Tutupan lahan yang terdapat di dalam metode Unsurpervised Classification merupakan tutupan lahan yang bervariasi dan persebaran tutupan lahan yang terdapat di dalam metode Unsurpervised Classificationter sebar di seluruh bagian citra tersebut. Tutupan lahan yang di lakukan dengan menggunakan metode supervised classification klasifikasi yang di lakukan dengan menggunakan metone tersebut dengan cara mengklasifikasi dengan sendiri masing-masing pixel yang di gunakan. Kalsifikasi yang di lakukan dengan mencari contoh pixel untuk tutupan



lahan yang di gunakan dari berbaai macam kelas. Kelas yang pertama dengan warna merah menggambarkan lahan kosong, kelas ke dua berwarna hijau menggambarkan vegetasi, kelas ke tiga berwarna biru tua megggambarkan Lahan Terbangun dan warna kuning menggambarkan jalan. Alogaritma dalam klasifikasi tutupan lahan antara lain: Maximum Likelihood, Minimum Distance, Mahalanobis dan



Spectral Angel Mapper. Berdasarkan analisis yang dilakukan bahwa



klasifikasi yang paling baik dalam analisis tutupan lahan adalaha analisis Spectral Angel Mapper. Analisis pada Spectral Angel Mapper memiliki hasil yang lebih detail dan pengklasifikasiannya lebih teliti terhadap penggunaan lahan. Dalam klasifikasi yang di lakukan dengan menggunakan citra digital metode supervised classification hasil yang di tampakkan kurang detail karena hasil analisis yang di lakukan secara visual. Klasifikasi yang di lakukan dengan menggunakan metode supervised classification yang di lakukan oleh penulis laporan pengindraan jauh ini banyak yang kurang maksimal karena dalam pengkalsifikasian kurang detail. Kalsifikasi yang di hasilkan oleh penulis sebagian besar di dominasi dengan warna hijau karena daerah yang penulis klasifikasi adalah daerah Lampung Barat yang sebagia besar merupakan daerah pegunungan.



VII. Kesimpulan Klasifikasi tutupan lahan merupakan identikasi penggunaan lahan yang terdapat di dalam citra. Klasifikasi yang di lakukan dengan menggunakan citra digital dengan aplikasi Envi 5.0. klasifikasi yang di lakukan dengan menggunakan 2 metode yaitu



metode



Unsurpervised



Classificationter



dan



Metode



supervised



classification. Klasifikasi yang di lakukan dengan menggunakan metode Unsurpervised Classificationter adalah klasifikasi yang dilakuka tanpa campur tangan hanya mengandalkan aplikasi dan warna yang di hasilkan bervariasi. Kalsifikasi yang di



lakukan dengan menggunakan supervised classification



menggunakan analisis visual yang di lakukan pemilihan pixel sendiri manghasilkan klasifikasi yang bervariasi, hal ini menunjukkan hasil yang di lakukan terdapat 4 kelas. Hasil dominan berwarna hijau karena daerah penelitian merupakan wilayah Lampung Barat sebagian besar Perkebunan.



VIII. Daftar Pustaka Abdullah Yahya, 2015 Analisis Tutupan Dan Penggunaan Lahan, Bogor https://www.academia.edu/16751584/ANALISIS_TUTUPAN_DAN_PEN GGUNAAN_LAHAN Jurnal Tutupan Lahan tahun 2016 http://digilib.unila.ac.id/6068/15/BAB%20II.pdf ( di akses pada tanggal 22 juni 2018 Pukul 11.00 WIB) Purwadhi, Sri Hardiyanti. 2007. Pengantar interpretasi citra pengindraan jauh.Semarang. Universitas Negeri Malang.