03 - 019 - Zakky Nurshidiq - Supervised

KEGIATAN – V
KLASIFIKASI SUPERVISED
LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL
Disusun Oleh:
Nama : Zakky Nurshidiq

NIM : 117.200.019
Plug : 03
PROGRAM STUDI TEKNIK GEOMATIKA

JURUSAN TEKNIK GEOLOGI
FAKULTAS TEKNOLOGI MINERAL
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2023/2024
LABORATORIUM FOTOGRAMETRI DAN PENGINDERAAN JAUH
TEKNIK GEOMATIKA
UPN “VETERAN” YOGYAKARTA 2023/2024
BAB I
PENDAHULUAN
1.1 Latar Belakang

Penginderaan Jauh merupakan rekaman pola pantulan energi
elektromagnetik dan emisi yang ditampilkan di citra menyerupai gambar dan
mempunyai sifat yang sangat bervariasi. Untuk mendapatkan informasi penting
dari data tersebut kita harus melakukan tahap deteksi terlebih dahulu. Deteksi
dibantu oleh karakteristik spasial, spectral, radiometric dan temporal data.
Resolusi spasial ialah kemampuan system perekam dalam membedakan objek
yang terletak berdekatan. Resolusi spectral merupakan perekaman gambaran
yang sama pada interval spectral yang berbeda. Resolusi radiometric untuk
menghasilkan kontras yang lebih baik sehingga dapat dicapai jumlah tingkat
keabuan antara batas hitam dan putih yang mudah dibedakan. Akhirnya resolusi
temporal menjelaskan kegunaan citra yang direkam pada interval waktu tertentu
(musim) untuk mendeteksi perubahaan yang telah terjadi (Purwadhi, 2001).
Tujuan utama penginderaan jauh adalah untuk mengumpulkan data
sumberdaya alam dan lingkungan. Teknik ini menghasilkan beberapa bentuk
citra yang selanjutya diproses dan diinterpretasi guna membuahkan data yang
bermanfaat untuk aplikasi di bidang pertanian, arkeologi, kehutanan, geografi,
geologi, perencanaan, dan bidang-bidang lainnya (Lo, 1995).
Pada praktium ini akan belajar dan mempraktikan proses klasifikasi
supervised. Klasifiaksi supervised merupakan klasifikasi digital yang
melibatkan interaksi analis secara intensif, dimana analis menuntun proses
klasifikasi dengan identifikasi objek pada citra berdasarkan sample (training
data), di mana setiap sampel dilabeli dengan informasi kelas. Kalsifikasi
supervised menggunakan citra Landsat 8 yang sudah terkoreksi atmosferik
(surface reflectace). Prose pengolahan diawali dengan pembuatan peta
penggunaan lahan yang aan diguanakn sebagai pembuatan sample (training
data). Kemudian membuat training data atau ROI (Region of Interest).
Kemudian baru dilakukan proses klasifikasi supervised dengan menggunakan
empat metode, yaitu klasifikasi parallelepiped, minimum distance,
2 | Praktikum Pengolahan Citra Digital

TEKNIK GEOMATIKA
mahalanobis distance, dan maximum likelihood. Pada setiap metode tersebeut

memiliki kelebihan dan kekurangan masing-masing tergantung pada
komleksitas data dan tujuan analisa.
1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka dapat dirumuskan
permasalahan sebagai berikut:
1. Apa yang dimaksud dengan klasifikasi supervised?
2. Apa yang dimaksud dengan klasifikasi supervised metode
parallelepiped, minimum distance, mahalanobis distance, dan maximum
likelihood?
3. Bagimana tahapan-tahapan dalam melakukan proses klasifikasi
supervised metode parallelepiped, minimum distance, mahalanobis
distance, dan maximum likelihood?
4. Apa perbedaan karakteristik hasil klasifikasi supervised metode
likelihood
1.3 Tujuan
Adapun tujuan pelaksanaan dari kegiatan ini adalah sebagai berikut:
1. Praktikan mengetahui apa itu klasifikasi supervised.
2. Praktikan mengetahui apa itu klasifikasi supervised metode
likelihood
3. Praktikan mengetahui tahapan-tahapan dalam melakukan proses
klasifikasi supervised metode parallelepiped, minimum distance,
mahalanobis distance, dan maximum likelihood.
4. Praktikan mengetahui karakteristik hasil klasifikasi supervised metode
likelihood.

TEKNIK GEOMATIKA
BAB II
DASAR TEORI
2.1. Penginderaan Jauh

Pengindraan jauh adalah ilmu dan seni pengumpulan informasi tentang
objek, area, atau fenomena tanpa memiliki kontak fisik dengan objek, area, atau
fenomena tersebut, melalui pengukuran karakteristik yang ada dalam radiasi
yang dipantulkan atau dipancarkan oleh objek, area, atau fenomena tersebut
(Kiefer et al, 2014). Metode ini menggunakan sensor atau alat pengindraan yang
mampu mendeteksi, mengukur, dan merekam karakteristik radiasi
elektromagnetik yang dipantulkan atau dipancarkan oleh objek, area, atau
fenomena yang diamati. Pengindraan jauh memiliki beragam aplikasi dalam
berbagai bidang, termasuk ilmu lingkungan, geografi, geologi, pertanian,
pemetaan, pemantauan cuaca, pemantauan bencana alam, dan banyak lagi.
2.2. Citra Satelit

Citra satelit merupakan alat dalam penginderaan jauh yang memberikan
representasi visual dari permukaan bumi (Kiefer et al, 2014). Citra satelit
menjadi salah satu elemen kunci dalam penginderaan jauh, dan kemampuannya
untuk memperoleh data dari jarak jauh memungkinkan penggunaannya dalam
berbagai aplikasi ilmiah dan praktis. Citra satelit dapat menggambarkan
permukaan bumi atau objek tertentu di berbagai panjang gelombang spektrum
elektromagnetik, seperti cahaya tampak, inframerah, atau mikrogelombang.
Citra satelit digunakan untuk berbagai tujuan, termasuk pemetaian, pemantauan
lingkungan, analisis tanah, pemantauan cuaca, dan pemahaman perubahan di
permukaan bumi.
2.2.1. Citra Landsat 8

Citra satelit Landsat 8 adalah gambar atau visualisasi yang diperoleh
dari satelit Landsat 8 yang dioperasikan oleh NASA dan USGS. Citra ini
digunakan untuk berbagai aplikasi, termasuk pemetaan lahan, pemantauan
lingkungan, analisis cuaca, dan penelitian ilmiah. Landsat 8 memiliki
kemampuan untuk menghasilkan citra multispektral dengan resolusi tinggi yang

TEKNIK GEOMATIKA
memungkinkan analisis detail tentang berbagai fenomena permukaan Bumi

(Jensen, J.R., 2015). Citra ini memiliki kemampuan untuk menghasilkan data
dengan resolusi tinggi dan dalam berbagai panjang gelombang spektrum
elektromagnetik. Data ini sangat penting dalam pemahaman dan pemantauan
lingkungan dan sumber daya alam di seluruh dunia. Berikut ini merupakan band
dan pajang gelombang pada citra Landsat 8.
Gambar 2. 1 Band dan Panjang Gelombang Landsat 8 (Sumber:

https://www.usgs.gov)
2.3. Band
Band adalah bagian khusus dari spektrum elektromagnetik, sering
didefinisikan berdasarkan panjang gelombang pusat dan lebar pita. Sensor
penginderaan jauh dirancang dengan berbagai band untuk menangkap informasi
yang berbeda tentang permukaan Bumi (Jensen, J.R., 2015). Penggunaan
berbagai band atau saluran spektral memungkinkan para ilmuwan dan pengamat
untuk memperoleh informasi yang berbeda tentang objek atau area yang
diamati. Sebagai contoh, band inframerah dekat (NIR) digunakan untuk
menganalisis kesehatan vegetasi, sementara band termal dapat digunakan untuk
mengukur suhu permukaan. Konsep ini menjadi dasar dalam pemrosesan data
penginderaan jauh untuk berbagai aplikasi seperti pemantauan lingkungan,
pemetaan sumber daya alam, dan analisis bumi.
2.4. Klasifikasi Multispektral

Klasifikasi multispektral adalah suatu proses dalam pengolahan citra
digital yang melibatkan identifikasi dan penentuan kategori atau kelas berbeda
di dalam citra. Citra multispektral ini biasanya terdiri dari beberapa saluran
warna atau band yang merekam reflektansi dari berbagai panjang gelombang

TEKNIK GEOMATIKA
cahaya. Klasifikasi citra multispektral dirancang untuk menurunkan informasi

dengan cara mengelompokkan piksel citra ke kategori tertentu berdasarkan
karakteristik spektralnya (Jensen, J.R., 2005). Klasifikasi multispektral dibagi
menjadi dua jenis yaitu, klasifikasi terbimbing (supervised classification) atau
disebut juga klasifikasi terkontrol dan klasifikasi tak-terbimbing (unsupervised
classification) atau klasifikasi tidak terkontrol. Klasifikasi multispektral
menjadi kunci dalam menganalisis citra digital, memungkinkan identifikasi dan
ekstraksi informasi yang lebih mendalam untuk aplikasi seperti pemetaan lahan,
identifikasi tutupan tanah, dan pemantauan lingkungan.
2.5. Klasifikasi Supervised

Klasifikasi supervised merupakan jenis klasifikasi digital yang
klasifikasi dengan identifikasi objek pada citra atau training area (Projo
Danoedoro, 1996). Klasifikasi supervised melibatkan penggunaan sampel-
sampel (training data), di mana setiap sampel dilabeli dengan informasi kelas.
Algoritma supervised akan mengidentifikasi pola dan karakterisitik pad asetiap
kelas berdasarkan training data. Dengan memilih sampel-sampel yang
mewakili setiap kelas, algoritma dapat menghasilkan pemetaan yang akurat dan
sesuai dengan kebutuhan aplikasi tertentu, seperti pemantauan lingkungan,
pemetaan lahan, atau survei keanekaragaman hayati. Namun, keberhasilan
klasifikasi sangat tergantung pada kualitas dan representativitas sampel yang
digunakan. Terdapat tiga tahapan dalam klasifikasi supervised dalam
penegnalan pola spektral, yaitu sebagai berikut ini:
1. Tahap training sample
Pada setiap kenampakan akan disusun kunci intepretasi dan dikembangkan
secara numeric spectral dengan memeriksa batas daerah (training area).
2. Tahap klasifikasi
Piksel-piksel dalam setiap kategori pada kunci intepretasi numerik akan
dibandingkan dengan cara menentukan nilai piksel yang tak dikenal dan
paling mirip berdasarkan kategori yang sama. Perbandingan tersebut akan
dikeluarkan secara numerik dengan menggunakan beberapa metode yang

TEKNIK GEOMATIKA
ada pada klasifikasi supervised. Setiap piksel kemudian diberi nama

sehingga diperoleh matrik multi dimensi untuk menentukan jenis kategori
penutupan lahan yang diinterpretasi.
3. Tahap keluaran
Keluaran yang dihasilkan berupa peta tutupan lahan dan tabel matrik luas
pada setiap jenis tutupan lahan yang dihasilkan dari matrik yang di
delineasi.
2.5.1. Klasifikasi Parallelepiped

Klasifikasi parallelepiped adalah salah satu metode klasifikasi
supervised yang memanfaatkan informasi spektral untuk menentukan
batasan-batasan yang bersifat paralel dalam ruang spektral, membentuk
suatu wadah berbentuk parallelepiped di dalamnya piksel-piksel
diklasifikasikan ke kelas tertentu. Namun, kinerjanya dapat menurun
ketika terjadi tumpang tindih spektral antar kelas (Jensen, J.R., 2005).
Gambar 2. 2 Ilustrasi proses pembentukan parallelepiped (sumber:

http://www.50northspatial.org/)
Berikut ini merupakan prinsip kerja dari klasifikasi supervised
metode parallelepiped:
1. Operator mendefinisikan training area.
2. Komputer merekam informasi nilai piksel dari lokasi training area
dan menghitung rata-rata dari setiap kelas hasil training area untuk
menetapkan centroid (titik tengah) dari setiap kelasnya.

TEKNIK GEOMATIKA
3. Operator menetapkan standar deviasi setiap kelas. Hasil dari

penetapan standar deviasi ini akan terbentuk suatu x-axis dan y-axis
1 yang apabila dihubungkan akan membentuk suatu persegi panjang
yang disebut dengan parallelepiped.
4. Piksel yang masuk dalam standar deviasi suatu kelas, maka akan
masuk ke kelas tersebut.
5. Jika nilai piksel berada pada kriteria beberapa kelas, komputer akan
mengkelaskan piksel tersebut ke kriteria kelas pertama. Hal ini terjadi
akibat adanya pertampalan/overlap nilai piksel antar kelas.
6. Jika terdapat piksel yang tidak masuk ke dalam kelas manapun (piksel
terletak di inseparable region) maka komputer akan mendefinisikan
kelas tersebut menjadi undefined class.
7. Sehinga, hasil klasifikasi supervised menggunakan metode
parallelepiped akan sesuai dengan training area apabila tidak ada
overlap nilai piksel antar kelasnya.
Metode kalsifikasi parallelepiped memiliki kelebihan dan
kekurangan, yaitu kelebihannya yang mudah di implementasikan dan
dapat memberikan hasil yang baik jika kelas terpisah secara spektral
dengan baik. Sedangkan kekurangannya yang cenderung memberikan
hasil yang kasar karena membentuk wadah yang cukup besar di ruang
spektral dan kemungkinan tidak efektif jika terdapat overlap spektral
antara kelas.
2.5.2. Klasifikasi Minimum Distance

Klasifikasi minimum distance adalah metode yang umum
digunakan dalam pengolahan citra digital untuk memisahkan piksel-
piksel dalam citra ke dalam kelas yang berbeda berdasarkan jarak
minimumnya ke pusat-pusat kelompok atau nilai rata-rata kelas tersebut.
Metode ini bergantung pada perhitungan jarak antara nilai spektral suatu
piksel dengan nilai rata-rata setiap kelas. Piksel kemudian
diklasifikasikan ke dalam kelas dengan jarak minimum, mengasumsikan
bahwa nilai spektral yang serupa lebih mungkin berasal dari objek atau
fitur yang serupa di lapangan (Richards, 2013)

TEKNIK GEOMATIKA
Metode klasifikasi minimum distance melibatkan perhitungan

jarak Euclidean antara nilai spektral suatu piksel dan nilai spektral rata-
rata setiap kelas. Piksel kemudian ditempatkan ke dalam kelas dengan
jarak terpendek. Ini adalah metode klasifikasi unsupervised yang
sederhana dan banyak digunakan.
Gambar 2. 3 Ilustrasi dari algoritma minimum distance untuk

membedakan kelas (sumber: http://www.tonorthspatial.org/
metode minimum distance:
2. Kemudian komputer merekam informasi nilai piksel dari lokasi
training area dan menghitung rata-rata dari setiap kelas hasil training
area untuk menetapkan centroid (titik tengah) dari setiap kelasnya.
3. Operator dapat menetapkan standar deviasi setiap kelas dan/atau
maksimum jarak euclidean dari piksel ke setiap kelasnya (“jarak”
berarti mengukur seberapa dekat atau jauh suatu piksel dari rata-rata
kelas yang ada). Apabila operator menetapkan kedua parameter
tersebut maka komputer akan menggunakan salah satu parameter 2
yang lebih membatasi pencarian piksel di sekitar pusat kelas tersebut
(rata-rata kelas).
4. Piksel yang masuk dalam standar deviasi suatu kelas dan/atau jarak
euclidean pikselnya paling dekat dengan suatu kelas, maka akan
masuk ke kelas tersebut.
5. Piksel yang tidak masuk dalam kedua parameter akan menjadi tidak
terkelaskan/unclassified atau masuk ke kelas lain yang memenuhi
kedua parameter yang telah ditentukan

TEKNIK GEOMATIKA
Metode klasifikasi minimum distance memiliki kelebihan dan

kekurangan, yaitu pada saat proses klasifikasi terbilang sederhana dan
cepat serta memiliki efektifitas untuk mmenyebar data dan memiliki
sitribusi yang jelas antar kelas-kelasnya. Sedangkan, kelemahannya yang
memiliki erentanan terhadap gangguan oleh piksel outlier atau anomali
spektral. Dan juga asumsi distribusi normal pada kelas dapat membatasi
prosenya jika data tidak mematuhi asumsi tersebut serta tidak mampu
menangani variasi non -linearity.
2.5.3. Klasifikasi Mahalanobis Distance

Klasifikasi mahalanobis distance merupakan metode klasifikasi
yang memanfaatkan jarak Mahalanobis untuk menentukan sejauh mana
suatu objek atau data berada dari pusat kelompok. Jarak mahalanobis
memperhitungkan kovarians dan invers kovarians matriks, yang dapat
memberikan penyesuaian lebih baik terhadap variasi dalam data
(Mahalanobis, 1936).
Gambar 2. 4 Ilustrasi perhitungan mahalanobis distance (sumber:

Yutube Tilstats)
Gambar 2. 5 Ilustrasi perbedaan antara euclidean distance dan

mahalanobis distance. (sumber: James, 207).
metode minimum distance:

TEKNIK GEOMATIKA

2. Komputer merekam informasi nilai piksel dari lokasi training area
dan menghitung rata-rata dari setiap kelas hasil training area untuk
menetapkan centroid (titik tengah) dari setiap kelasnya.
3. Komputer kemudian menghitung dan menyamakan nilai matriks
kovarian dari masing-masing kelas.
4. Operator dapat menetapkan threshold maksimum jarak mahalanobis
dari piksel ke setiap kelasnya.
5. Komputer menghitung jarak mahalanobis setiap piksel menggunakan
perhitungan mahalanobis distance berdasarkan operasi matriks
kovarian dan jarak euclidean.
6. Piksel yang yang memiliki jarak mahalanobis terdekat dari titik
centroid suatu kelas maka akan masuk ke kelas tersebut.
7. Piksel yang tidak berada di threshold maksimum jarak mahalanobis
terdekat dari centroid suatu kelas maka akan menjadi tidak
terkelaskan/unclassified atau masuk ke kelas lain yang memenuhi
threshold maksimum jarak mahalanobis tersebut.
Metode klasifikasi minimum distance memiliki kelebihan dan
kekurangan, yaitu kelebihan mahalanobis yang memungkikan
penskalaan variabilitas sehingga lebih adaptif terhadap variasi.lokal
dalam data. Selain itu, metode ini juga memeiliki kelebihan metode ini
untuk mengatasi korelas antara variabel dalam data. Sedagkan pada
kurangannya metode ini sensitif teradap outlier dalam data. Pada metode
ini juga memerlukan estimasi dan invers konvarians, yang sulit jika data
terbatas.
2.5.4. Klasifikasi Maximum Likelihood

Klasifikasi maximum likelihood (ML) adalah metode klasifikasi
yang berbasis pada prinsip teori probabilitas dan statistika. Metode ini
mencoba untuk mengklasifikasikan setiap piksel citra ke dalam kelas
yang paling mungkin menghasilkan distribusi spektral yang diamati.
Maximum likelihood membandingkan spektrum piksel yang diamati

TEKNIK GEOMATIKA
dengan distribusi spektral yang diharapkan dari kelas tertentu (Jensen,

J.R., 2005).
Gambar 2. 6 Ilustrasi data yang terdistriusi secara normal (sumber:

Youtube StatsQuest)
metode maximum likelihod:
2. Komputer merekam informasi nilai piksel dari lokasi training area.
3. Komputer menghitung probabilitas suatu piksel menggunakan
fungsi matematis diskriminan Gaussian. Perhitungannya dijabarkan
sebagai berikut:
a. Komputer akan menghitung statistik dari setiap kelas untuk
menggambarkan karakteristik distribusi data dalam setiap
kelasnya. Statistik ini mencakup nilai rata-rata dan matriks
Covariance yang akan digunakan sebagai parameter perhitungan
fungsi diskriminan.
b. Komputer kemudian menghitung fungsi diskriminan Gaussian
menggunakan parameter hasil dari perhitungan statistik yang
sebelumnya telah dihitung dengan tujuan mengetahui
probabilitas setiap piksel masuk suatu kelas tertentu.
4. Operator dapat menentukan ambang batas minimum probabilitas
dari suatu piksel ke setiap kelasnya.
5. Piksel akan dihitung probabilitasnya berdasarkan nilai statistiknya
untuk masuk ke kelas yang paling sesuai dengan karakteristik
statistik suatu kelas (ke kelas yang memiliki probabilitas
tertinggi/kemungkinan maksimum).

TEKNIK GEOMATIKA
6. Piksel yang tidak memenuhi ambang batas minimum probabilitas

dengan suatu kelas maka piksel tersebut akan tidak
terklasifikasi/unclassified atau masuk ke kelas lain yang memenuhi
ambang batas minimum probabilitasnya.
Metode klasifikasi Maximum likelihod memiliki kelebihan dan
kekurangan, yaitu kelebihan pada propabilistik dengan meberikan
pendekata yang memungkinkan untuk mengevaluasi sejauh mana piksel
dapat diatribusikan ke dalam suatu kelas. Dan juga pada metode ini
terbilang optimalitas. Sedangkan papda kekurangnya terletak pada
kerentanan terhadap ketidaksempurnaan asumsi distribusi normal,
khusunya ketika terdaoat outlier dalam data.

TEKNIK GEOMATIKA
BAB III
METODOLOGI
3.1. Lokasi
Kegiatan praktikum ini dilaksanakan secara daring di Kontrakan
GeoFunny, Jl. Beringin Raya 2 No 66, Maguwoharjo, Sleman, Daerah stimewa
Yogyakarta pada hari Jum’at, 06 Oktober 2023.
3.2. Alat dan Bahan

Pada kegiatan praktikum pengolahan citra digital ini terdapat perangkat dan
data, diantaranya sebagai berikut :
1. Perangkat Keras (Hardware) yang dibutuhkan:
a. Laptop Acer Nitro 5
2. Perangkat Lunak (Software) yang dibutuhkan:
a. Software ENVI 5.3.
b. Software ArcGIS 10.8
3. Data yang dibutuhkan:
a. Citra Landsat 8 area Jawa Tengah Tahun 2019 yang sudah terkoreksi
atmosferik (dalam kondisi surface reflectace)
b. Data shapefile ttupan lahan Kota Semarang, Jawa Tengah
c. SNI 7645-1-2014-Klasifikasi penutup lahan.

TEKNIK GEOMATIKA
3.3. Diagram Alir
Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

TEKNIK GEOMATIKA
3.4. Langkah Kerja

Adapun langkah kerja yang dilakukan untuk melakukan Komposit Band
terbagi menjadi dua, meliputi mempersipkan citra satelit dan melakukan
klasifikasi supervised pada 4 metode: parallelepiped, minimum distance,
mahalanobis distance, maximum likelihood.
3..4.1. Mempersiapkan Citra Satelit

1. Melakukan koreksi radiometrik pada citra Landsat 8 hingga diperoleh data
citra berupa surface reflectance (bottom of atmospheric). Dan Mengecek
nilai hasil koreksi radiometrik dengan melakukan compute statistic. Nilai
minimum = 0 dan Maximum = 1 yang mereresentasikan bahwa citra pada
kondisi surface reflectance.
3..4.2. Pembuatan Peta Penggunaan Lahan

1. Membuka software ArcGIS 10.8

TEKNIK GEOMATIKA
2. Mengatur sistem referensi koordinat. Wilayah menggunakan area Kota

Semarang, Jawa Tengah (UTM 49 S). Klik “View” → “Data Frame
Properties” “Data Frame” → Mengatur ”Coordinate System” menjadi
UTM 49 S → “Apply” → Klik “Ok”.
3. Melakukan Input data .shp tutupan lahan. Klik “Add Data” → Input
Agrikebun, Agriladang, Agrisawah, Nonagri Semakbelukar, Pemukiman,
Sungai, dan Jalan menjadi UTM 49 S → “Add”.
4. Mengatur pewarnaan ada setiap objek tutupan lahan. Klik simbol warna
pada objek yang ingin dirubah warnanya → Memilih warna yang
diinginkan → Klik Oke.

TEKNIK GEOMATIKA
5. Membuat shp kavling untuk area yang akan digunakan sebagai peta
penggunaan lahan. Klik “Catalog” → Memilih tempat penyimpanan →
Klik Kanan → “New” → “Shapefile” → Mengatur sistem koordinat UTM
49 S → Memberi nama shapefile “Kavling_Zakky” → Freature Type
“Polygon” → Ok.

TEKNIK GEOMATIKA
6. Memotong peta shp berdasarkan kavling. Klik kanan pada layer kavling →
“Edit Features” → “Start Editing” → “Continue” → “Create Features”
→ Memilih layer kavling → “Rectangle” → Mengatur penentuan kavling
→ Mengatur Horizontal → Mengaturr Width 11000 dan Length 11000 →
“Save Editing” → “Stop Editing”.

TEKNIK GEOMATIKA
7. Mengatur warna kavling. Klik kanan pada layer kavling → Merubah

menjadi “No Color” → “Ok”.

TEKNIK GEOMATIKA
8. Kemudian klik “View” → “Data Frame Properties” → “Data Frame” →

“Ceklist Clip to Shape pada Clip Options” → untuk “Specify Shape” pilih
layer Kavling → “OK” → “OK”.
9. Menyimpan hasil dalam format “TIFF”. Klik “File” → “Export Map” →

Mmemberi nama file → Format TIFF → untuk “Resolution” 600 → Ceklist
“White Geo TIFF Tags” → “Save”.

TEKNIK GEOMATIKA
3..4.2. Membuat Sample Objek Tutupan Lahan

1. Membuka softwae ENVI Classic 5.3
2. Menginput citra Landsat 8 yang telah terkoreksi atmosferik dan juga peta
penggunaan lahan dengan cara klik File → Open Image File → memilih
data citra ataupun peta penggunaan lahan yang akan ditampilkan.

TEKNIK GEOMATIKA
3. Menampilkan citra landsat 8 pada display 1, sementara peta penggunaan

lahan pada display 2.
4. Menyalakan geographic link pada display 1 dan display 2 agar kedua

display tersebut saling terhubung dengan cara mengklik kanan →
geographic link → mengubah keduanya menjadi On → klik OK.

TEKNIK GEOMATIKA
5. Melihat koordinat lokasi peta penggunaan lahan yang akan dijadikan

sebagai acuan dengan cara mengklik kanan pada display peta penggunaan
lahan → pixel locator → mencatat koordinat X/Y min dan koordinat X/Y
max.

TEKNIK GEOMATIKA
6. Selanjutnya melakukan cropping area dengan cara klik basic tools →

Resize Data (Spatial/Spectral) → Input L8_Sr → Spatial Subset → Map →
Masukkan nilai koordinat yang sudah dicatat pada notepad → OK → OK
→ OK.

TEKNIK GEOMATIKA
7. Selanjutnya atur Resampling menjadi cubic convolution → Choose → OK

→ Hasil.
8. Untuk melihat hasil crop pada landsat 8 klik band 4,3,2 → Load RGB.

TEKNIK GEOMATIKA
9. Tampilkan citra yang sudah di cropping menjadi dua display dengan cara
klik new display → Load RGB.
10. Kemudian ubah tampilan pada salah satu layers menjadi Gaussian yang
sudah dilakukan cropping dengan cara klik enhance → [Image] Gaussian.

TEKNIK GEOMATIKA
11. Aktifkan Geographic Link pada layers citra landsat 8 cropping klik kanan
→ Geographic Link.
12. Pada display citra landsat 8 terkoreksi klik tools → Region Of Interest →
ROI Tool.

TEKNIK GEOMATIKA
13. Lalu untuk membuat ROI baru klik New Region → Beri nama sesuai objek
→ Lakukan digitasi. Untuk ROI Sungai dan Jalan gunakan type Polyline
dengan cara klik ROI Type → Polyline.
14. Lanjutkan membuat ROI baru dan lakukan digitasi pada setiap objek yang
ada pada peta penggunaan lahan.

TEKNIK GEOMATIKA
15. Kemudian save hasil ROI dengan cara klik File → Save ROI → Input objek
yang telah di digitasi → Choose tempat penyimpanan → OK.

TEKNIK GEOMATIKA
3.4.3. Klasifikasi Paralleleiped

1. Lakukan klasifikasi dengan klik classification → Supervised →
Parallelepiped → Input L8_Crop → Spectral Subset → Input 7 band →
Input objek-objek pada ROI → Choose Pilih Tempat Penyimpanan → OK
→ Hasil.

TEKNIK GEOMATIKA
3.4.4. Klasifikasi Minimum Distance

1. Lakukan klasifikasi dengan klik classification → Supervised → Minimum
Disance → Input L8_Crop → Spectral Subset → Input 7 band → Input
objek-objek pada ROI → Choose Pilih Tempat Penyimpanan → OK →
Hasil.

TEKNIK GEOMATIKA
3.4.5. Klasifikasi Mahalanobis Distance

1. Lakukan klasifikasi dengan klik classification → Supervised →
Mahalanobis Distance → Input L8_Crop → Spectral Subset → Input 7
band → Input objek-objek pada ROI → Choose Pilih Tempat Penyimpanan
→ OK → Hasil.

TEKNIK GEOMATIKA
3.4.6. Klasifikasi Maximum Likelihood

1. Lakukan klasifikasi dengan klik classification → Supervised → Maximum
Likelihood → Input L8_Crop → Spectral Subset → Input 7 band → Input
objek-objek pada ROI → Choose Pilih Tempat Penyimpanan → OK →
Hasil.

TEKNIK GEOMATIKA

TEKNIK GEOMATIKA
BAB IV
HASIL DAN PEMBAHASAN
4.1. Hasil
4.1.1. Hasil Citra Landsat 8 (Surface Reflectance)
Gambar 4. 1 Citra Landsat 8 dalam kondisi surface reflectance
4.1.2. Hasil Peta Peggunaan Lahan

1. Citra sebelum dilakukan klasifikasi ISOData
Gambar 4. 2 Peta Penggunaan Lahan area Kota Semarang

TEKNIK GEOMATIKA
4.1.3. Hasil ROI
Gambar 4. 3 Hasil ROI Objek Agrisawah, Agrikebun, Agriladang,

Nonagri Semakbelukar, Pemukina, Jalan, dan Sungai.
4.1.4. Hasil Klasifikasi Supervised Pada Setiap Metode Klasifikasi

1. Klasifikasi Supervised Metode Parallelepiped
Gambar 4. 4 Hasil Klasifikasi Supervised Metode

Parallelepiped

TEKNIK GEOMATIKA
2. Klasifikasi Supervised Metode Minimum Distance
Gambar 4. 5 Hasil Klasifikasi Supervised Metode Minimum

Distance
3. Klasifikasi Supervised Metode Mahalanobis Distance
Gambar 4. 6 Hasil Klasifikasi Supervised Metode Mahalanobis

Distance
4. Klasifikasi Supervised Metode Maximum Likelihood

TEKNIK GEOMATIKA
Gambar 4. 7 Hasil Klasifikasi Supervised Metode Maximum

Likelihood
4.1.4. Perbandingan Visualisasi Objek-Objek Pada Setiap Metode Hasil

Kalsifikasi Supervised
Tabel 4. 1 Hasil Kombinasi Kelas pada Hasil Klasifikasi Unsupervised K-

Means dan ISOData
Metode Klasifikasi Supervised

Tutupan
No Minimum Mahalanobis Maximum
Lahan Parallelepiped
Distance Distance Distance
1 Pemukiman
2 Sawah

TEKNIK GEOMATIKA
3 Ladang
4 Kebun
Semak
5
Belukar
6 Jalan
7 Sungai

TEKNIK GEOMATIKA
4.2. Pembahasan
Klasifikasi supervised merupakan jenis klasifikasi digital yang
klasifikasi dengan identifikasi objek pada citra atau training area. Algoritma
supervised akan mengidentifikasi pola dan karakterisitik pada setiap kelas
berdasarkan training data, sehigga menghasilkan pemetaan yang akurat dan
sesuai dengan kebutuhan aplikasi tertentu. Terdapat tiga tahapan dalam
klasifikasi supervised meliputi, tahapan training sample, tahapan klasifikasi,
dan tahapan keluaran.
Pada praktikum kali ini, menggunakan citra Landsat 8 yang sudah
terkoreksi atmosferik (surface reflectace) sebagai bahan dasar utama. Praktikan
menggunakan wilayah Kota Semarang, Jawa Tengah. Klasifikasi supervised
yang dilakukan menggunakan empat metode, yaitu klasifikasi Parallelepiped,
klasifikasi minimum distance, klasifiaksi mahalanobis distance, dan kalsifikasi
maximum likelihood.
Pengolahan diawali dengan pengolahan citra Landsat 8 dengan
melakukan koreksi radiometrik (atmosferik) agar cira dalam kondisi surface
reflectance. Kemudian membuat peta penggunaan lahan (Kota Semarang) yang
memiliki jenis tutupan lahan meliputi, agrisawah, agrikebun, agriladang,
nonagei, semakbelukar, pemukiman, jalan, dan sungai. Dari hasil citra Landsat
8 surface reflectance dan peta penggunaan lahan, kemudian di input ke dalam
software ENVI classic 5.3 untuk dilakukan pembuatan sample (training data)
sesuai dengan objek berdasarkan peta penggunaan lahan. Hasil dari pembuatan
sample (training data) berupa ROI (Region of Interest) yang nantinya kan
diinput untuk klasifikasi supervised dengan empat metode yang berbeda
(klasifikasi Parallelepiped, klasifikasi minimum distance, klasifiaksi
mahalanobis distance, dan kalsifikasi maximum likelihood).

TEKNIK GEOMATIKA
4.2.1. Perbandingan Citra Landsat 8 Surface Reflectance dengan Hasil

Klasifikasi Supervised.
Tabel 4. 2 Perbandingan Hasil Citra L8 Atmosferik, Citra Klasifikasi Parallelepiped, Citra

Klasifikasi Minimum Distance, Citra Klasifikasi Mahalanobis Distance, dan Citra Klasifikasi
Maximum Likelihood
Citra L8 Klasifiaksi Citra L8 Klasifiaksi
Citra L8 surface Citra L8 Klasifiaksi Citra L8 Klasifiaksi
Mahalanobis Maximum
Reflectace Parallelepiped Minimum Distance
Distance Likelihood
Pada Tabel 4.2 merupakan tampilan dari citra Landsat 8 dalam kondisi
surface reflectace, citra Landsat 8 yang sudah dikei proses klasifikasi
supervised metode Parallelepiped, citra Landsat 8 yang sudah dikei proses
klasifikasi supervised metode minimum distance, citra Landsat 8 yang
sudah dikei proses klasifikasi supervised metode mahalanobis distance,
dan citra Landsat 8 yang sudah dikei proses klasifikasi supervised metode
maximum likelihood.
Dapat dilihat pada Tabel 4.2 Objek atau tutupan lahan yang di
identifikasi dan di analisa meliputi agrisawah, agrikebun, agriladang,
nonagei, semakbelukar, pemukiman, jalan, dan sungai. Secara visual, pada
citra Landsat 8 terlihat kenampakan tutupan lahan secara nyata, namun
sukar untuk diinterpretasikan karena kualitas citra yang kurang tinggi
(bukan termasuk citra satelit resolusi tinggi). Berikut ini analisa yang dapat
saya berikan terhadap empat metode pada klasiifikasi supervised yang telah
dilakukan:
1. Secara visual pada hasil klasifikasi supervised metode parallelepiped
menunjukkan kenampakan merah yang merata, karena dalam metode
parallelepipe, kelas-kelas didefinisikan oleh batas spektral atas dan
bawah. Sehingga rentang spektral yang dominan merah atau memiliki

TEKNIK GEOMATIKA
intensitas tinggi di wilayah merah, kelas tersebut akan terlihat lebih

merah. Dan juga kemungkinan material atau fitur yang diidentifikasi
oleh suatu kelas memiliki respons spektral yang tinggi di wilayah merah,
seingga akan tercermin dalam visualisasi dan dapat menyebabkan warna
merah yang dominan. Pada metode ini menghasilkan kenampakan visual
yang terlalu sederhana dan batas spektral yang sederhalan juga atau bisa
dikataan kurang bervariasi. Hal tersebut dipengarhui oleh pembatasan
klasifikasi ke dalam bentuk geomateris yang sederhana.
2. Secara visual pada hasil klasifikasi supervised metode minimum
distance menunjukkan kenampakan tujuh objek sesuai dengan sample
(training data) yang telah dibuat sebelumnya. Namun tidak semua objek
terkelaskan secara baik, dapat dilihat jika objek agrisawah pada hsil
klafisikasi ini terbilang sangat kurang (tidak terdeteksi pada saat
klasifikasi). Secara visual menghasilkan kenampakan yang fleksibel
dengan bergantung pada konfgurasi parameter daan secara sektral akan
adaptif terhadap variasi spektral. Hasil pada klasifikasi ini dipengaruhi
oleh jarak minimum antar piksel dan pusat kelompok, sehingga
klasifikasinya terbilang fleksibel.
3. Secara visual pada hasil klasifikasi supervised metode mahalanobis
distance menunjukkan tujuh objek tutupan lahan sesuai dengan sample
(training data). Semua objek sudah terkelaskan dengan baik, namun
pada objek jalan belum terkelaskan secara baik. Klasfisikasi metode
mahalanobis distance ini bekerja dengan menyesuaikan kovariansi antar
band, sehingga memberikan bentuk kluster yang lebh sesuai dngan
distrbusi data seenarnya. Karena proses tersebut hasil dari metode ini
akan menyesuaikan dengan distribusi data (sample), sehinga
menghasilkan kenampakan visual yang lebih baik dari ketiga metode
lainnya.
4. Secara visual pada hasil klasifikasi supervised metode maximum
likelihood menunjukkan tujuh objek tutupan lahan sesuai dengan sample
(training data). Namun, pada tutupan lahan kebun tidak terkelaskan
secara baik. Klasifiaksi metode maximum likelihood bekerja dengan

TEKNIK GEOMATIKA
menyesuaiakn estimasi distribusi probabilitas, sehingga menghasilkan

klaster dengan penyesuaian yang optimasl terhadap metode statistik.
Metode ini menghasilkan kenampakan visual sesuai klaster dengan
penyesuaian optimal.
Pada empat metode diatas memiliki kekurangan dan kelebihan masing-

masing tergantung pada karakteristik data citra dan tujuan analisis. Jika
kelas jelas dan terpisah, akan lebih baik menggunakan metode
parallelepiped atau minimum distance karena lebih sederhana dan cepat.
Jika kelas tumpang tindih dan/atau memiliki variasi spektral yang
kompleks, akan lebh baik menggunakan metode mahalanobis distance atau
maximum likelihood. Jika ketersedian training data terbatas, akan lebih
baik menggunakan metdoe yang sederhana seperti klasifikasi
parallelepiped atau minimum distance. Dalam pengambilan keputusan
untuk pemilihan metode harus melakukan pengujian dan validasi data citra
yang relevan dengan kondisi penggunaan sebenarnya. Tidak ada metode
yang absolut sempurna, karena kesempurnaan hanya milik Tuhan semata :)
Pada Tabel 4.2 juga terlihat visual warna hitam pada citra hasil
kalsifikasi. Hal tersebut dipengaruhi oleh beberapa faktor yaitu,
ketidakseimbangan kelas karena perbedaan frekuensi piksel yang tidak
seimbang, pengaturan ambang batas klasifikasi atau parameter, kelas yang
dibuat tidak terwakili dengan baik, keterbatasan resolusi dan kontras pada
citra, terdapat masalah teknis saat pemrosesan lasifikasi, dan terdapat kelas
yang tidak diketahui. Sehingga dalam pemrosesan klasifikasi supervised
harus mempertimbangkan faktor kesalahan tersebut agar meminimalisir
kesalahan dna mendapatkan hasil pengolahan yang akurat dan presisi.

TEKNIK GEOMATIKA
Selain faktor kesalahan yang membuat warna hitam pada hasil

pemrosesan klasifikasi supervised, terdapat juga faktor yang harus
diperhatikan dalam pemrosesan klasifikasi suervised, yaitu sebagai berikut:
1. Kualitas Data
Semakin tinggi resolusi spasial citra, semakin baik kemampuan untuk
membedakan fitur yang halus. Lebar spektral dan jumlah band dapat
memengaruhi kemampuan citra untuk membedakan antara fitur yang
berbeda.
2. Pemilihan Fitur (Freature Selection)
Pemilihan variabel (spektral band) yang signifikan untuk tujuan
klasifikasi tertentu akan sangat penting.
3. Kualitas Training Data
Trainging data yang dibuat harus lengkap dan mewakili objek yang
ada karena akan mempengaruhi kemampuan model untuk
mengeneralisasi pola.
4. Metode Klasifiaksi
Pemilihan algoritma dan pengaturan parameter akan mempengaruhi
toleransi dan permorma klasifikasi
5. Preprocessing Data
Normasilasi nilai piksel dan koreksi atmosferik agar memperbaiki
kualitas citra dan hasil klasifikasi.
6. Heterogen Spasial
Kondisi heterogen sapsial dalam kelas dapat membuat klasifiaksi sukar
karena variasi internal.
Dari penjelasan singkat diatas, dapat diambil kesimpulan bahwa dengan
data citra yang digunakan, metode klasifikasi supervised yang paling baik
digunakan adalah kalsfikasisuervised metode mahalanobis distance. Hal
tersebut dapat dilihat pada kenampakan visual yang lebih sesuai dengan
peta pengunana lahan dan ROI yang ada.

TEKNIK GEOMATIKA
BAB V
KESIMPULAN
5.1. Kesimpulan
Dari kegiatan praktikum analisis spektral yang telah dilakukan, maka dapat
diambil kesimpulan sebagai berikut:
1. Klasifikasi supervised merupakan jenis klasifikasi digital yang melibatkan
interaksi analis secara intensif, dimana analis menuntun proses klasifikasi
dengan identifikasi objek pada citra atau training area. Algoritma
supervised akan mengidentifikasi pola dan karakterisitik pada setiap kelas
berdasarkan training data, sehigga menghasilkan pemetaan yang akurat dan
sesuai dengan kebutuhan aplikasi tertentu. Terdapat tiga tahapan dalam
klasifikasi supervised meliputi, tahapan training sample, tahapan
klasifikasi, dan tahapan keluaran.
2. Metode dalam klasifikasi supervised yang dipakai yaitu yaitu klasifikasi -
Parallelepiped, klasifikasi minimum distance, klasifiaksi mahalanobis
distance, dan kalsifikasi maximum likelihood.
a. Klasifikasi parallelepiped merupakan metode klasifikasi yang
membagi ruang spektral menjadi bentuk parallelepiped (kotak tiga
dimensi) di sekitar pusat klaster.
b. Klasifikasi minimum distance merupaan metode yang Menghitung
jarak piksel ke pusat klaster dan mengklasifikasikannya ke klaster
dengan jarak terpendek.
c. Klasifikasi mahalanobis distance merupaan metode yang Mengukur
jarak antara piksel dan pusat klaster dengan mempertimbangkan
matriks kovariansi, memberikan bobot lebih besar pada dimensi yang
memiliki variasi besar.
d. Klasifikasi maximum likelihood merupakan metode yang
Mengklasifikasikan piksel ke dalam kelas yang paling mungkin
mewakili distribusi statistiknya, berdasarkan asumsi distribusi normal
multivariat.

TEKNIK GEOMATIKA
3. Pengolahan diawali dengan pengolahan citra Landsat 8 dengan melakukan

koreksi radiometrik (atmosferik) agar cira dalam kondisi surface
reflectance. Kemudian membuat peta penggunaan lahan (Kota Semarang)
yang memiliki jenis tutupan lahan meliputi, agrisawah, agrikebun,
agriladang, nonagri, semakbelukar, pemukiman, jalan, dan sungai. Dari
hasil citra Landsat 8 surface reflectance dan peta penggunaan lahan,
kemudian di input ke dalam software ENVI classic 5.3 untuk dilakukan
pembuatan sample (training data) sesuai dengan objek berdasarkan peta
penggunaan lahan. Hasil dari pembuatan sample (training data) berupa ROI
(Region of Interest) yang nantinya kan diinput untuk klasifikasi supervised
dengan empat metode yang berbeda (klasifikasi ¬Parallelepiped, klasifikasi
minimum distance, klasifiaksi mahalanobis distance, dan kalsifikasi
maximum likelihood).
4. Berikut ini merupakan kesimpulan dari metode-metode klasifikasi
supervised yang telah dilakukan, pada empat metode memiliki kekurangan
dan kelebihan masing-masing tergantung pada karakteristik data citra dan
tujuan analisis. Jika kelas jelas dan terpisah, akan lebih baik menggunakan
metode parallelepiped atau minimum distance karena lebih sederhana dan
cepat. Jika kelas tumpang tindih dan/atau memiliki variasi spektral yang
kompleks, akan lebh baik menggunakan metode mahalanobis distance atau
maximum likelihood. Jika ketersedian training data terbatas, akan lebih
baik menggunakan metdoe yang sederhana seperti klasifikasi
parallelepiped atau minimum distance. Dalam pengambilan keputusan
untuk pemilihan metode harus melakukan pengujian dan validasi data citra
yang relevan dengan kondisi penggunaan sebenarnya. Tidak ada metode
yang absolut sempurna, karena kesempurnaan hanya milik Tuhan semata :)
5. Dapat diambil kesimpulan bahwa dengan data citra yang digunakan,
metode klasifikasi supervised yang paling baik digunakan adalah
kalsfikasisuervised metode mahalanobis distance. Hal tersebut dapat
dilihat pada kenampakan visual yang lebih sesuai dengan peta pengunana
lahan dan ROI yang ada.

TEKNIK GEOMATIKA

TEKNIK GEOMATIKA
DAFTAR PUSTAKA
Jensen, J.R. (2005). "Introductory Digital Image Processing: A Remote Sensing

Perspective." Upper Saddle River, NJ: Prentice-Hall.
Jensen, J. R. (2009). Remote sensing of the environment: An earth resource perspective
2/e. Pearson Education India.
Richards, J.A., & Jia, X. (2006). "Remote Sensing Digital Image Analysis: An
Introduction." Berlin: Springer.
Richards, J. A. (2009). Remote sensing with imaging radar (Vol. 1, pp. 172-173).
Berlin/Heidelberg, Germany: Springer.
Lillesand, T.M., Kiefer, R.W., & Chipman, J.W. (2015). "Remote Sensing and Image
Interpretation." Wiley.

03 - 019 - Zakky Nurshidiq - Supervised

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

03 - 019 - Zakky Nurshidiq - Supervised

Uploaded by

Copyright:

Available Formats

KEGIATAN – V

LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL

Nama : Zakky Nurshidiq

PROGRAM STUDI TEKNIK GEOMATIKA

1.1 Latar Belakang

2 | Praktikum Pengolahan Citra Digital

mahalanobis distance, dan maximum likelihood. Pada setiap metode tersebeut

1.2 Rumusan Masalah

3 | Praktikum Pengolahan Citra Digital

2.1. Penginderaan Jauh

2.2. Citra Satelit

2.2.1. Citra Landsat 8

4 | Praktikum Pengolahan Citra Digital

memungkinkan analisis detail tentang berbagai fenomena permukaan Bumi

Gambar 2. 1 Band dan Panjang Gelombang Landsat 8 (Sumber:

2.4. Klasifikasi Multispektral

5 | Praktikum Pengolahan Citra Digital

cahaya. Klasifikasi citra multispektral dirancang untuk menurunkan informasi

2.5. Klasifikasi Supervised

6 | Praktikum Pengolahan Citra Digital

ada pada klasifikasi supervised. Setiap piksel kemudian diberi nama

2.5.1. Klasifikasi Parallelepiped

Gambar 2. 2 Ilustrasi proses pembentukan parallelepiped (sumber:

7 | Praktikum Pengolahan Citra Digital

3. Operator menetapkan standar deviasi setiap kelas. Hasil dari

2.5.2. Klasifikasi Minimum Distance

8 | Praktikum Pengolahan Citra Digital

Metode klasifikasi minimum distance melibatkan perhitungan

Gambar 2. 3 Ilustrasi dari algoritma minimum distance untuk

9 | Praktikum Pengolahan Citra Digital

Metode klasifikasi minimum distance memiliki kelebihan dan

2.5.3. Klasifikasi Mahalanobis Distance

Gambar 2. 4 Ilustrasi perhitungan mahalanobis distance (sumber:

Gambar 2. 5 Ilustrasi perbedaan antara euclidean distance dan

10 | Praktikum Pengolahan Citra Digital

1. Operator mendefinisikan training area.

2.5.4. Klasifikasi Maximum Likelihood

11 | Praktikum Pengolahan Citra Digital

dengan distribusi spektral yang diharapkan dari kelas tertentu (Jensen,

Gambar 2. 6 Ilustrasi data yang terdistriusi secara normal (sumber:

12 | Praktikum Pengolahan Citra Digital

6. Piksel yang tidak memenuhi ambang batas minimum probabilitas

13 | Praktikum Pengolahan Citra Digital

3.2. Alat dan Bahan

14 | Praktikum Pengolahan Citra Digital

3.3. Diagram Alir

Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

15 | Praktikum Pengolahan Citra Digital

3.4. Langkah Kerja

3..4.1. Mempersiapkan Citra Satelit

3..4.2. Pembuatan Peta Penggunaan Lahan

16 | Praktikum Pengolahan Citra Digital

2. Mengatur sistem referensi koordinat. Wilayah menggunakan area Kota

17 | Praktikum Pengolahan Citra Digital

18 | Praktikum Pengolahan Citra Digital

19 | Praktikum Pengolahan Citra Digital

7. Mengatur warna kavling. Klik kanan pada layer kavling → Merubah

20 | Praktikum Pengolahan Citra Digital

8. Kemudian klik “View” → “Data Frame Properties” → “Data Frame” →

9. Menyimpan hasil dalam format “TIFF”. Klik “File” → “Export Map” →

21 | Praktikum Pengolahan Citra Digital

3..4.2. Membuat Sample Objek Tutupan Lahan

22 | Praktikum Pengolahan Citra Digital