Академический Документы
Профессиональный Документы
Культура Документы
Disusun Oleh :
Kelompok III B
HALAMAN PENGESAHAN
Laporan Praktikum Penginderaan Jauh II ini telah disetujui dan disahkan
oleh Dosen Pembimbing Mata Kuliah Penginderaan Jauh II, Program Studi Teknik
Geodesi, Fakultas Teknik Universitas Diponegoro.
Disusun Oleh :
Kelompok III B
Mengetahui,
Kelompok III-B i
Laporan Praktikum Penginderaan Jauh Lingkungan
KATA PENGANTAR
Assalamu’alaikum warahmatullahi wabarakatuh
Alhamdulillah, segala puji syukur penulis panjatkan kehadirat Allah SWT
atas segala karunia dan ridho-NYA, sehingga Laporan Praktikum Penginderaan
Jauh ini dapat diselesaikan. Laporan ini disusun untuk memenuhi tugas mata kuliah
Penginderaan Jauh II. Tidak lupa pula kami ucapkan terima kasih kepada :
1. Bapak Dr. Yudo Prasetyo, S.T., M.T.. selaku ketua jurusan Teknik
Geodesi Fakultas Teknik Universitas Diponegoro.
2. Bapak Nurhadi Bashit, S.T., M.T. , Bapak Abdi Sukmono, S.T., M.T., dan
Bapak Dr. Yudho Prasetyo, S.T., M.T. selaku dosen pengampu mata kuliah
Penginderaan Jauh Lingkungan yang telah membimbing kami dalam
penyusunan laporan ini.
3. Seluruh pihak yang telah membantu kami dalam menyusun Laporan
Praktikum Penginderaan Jauh Lingkungan yang tidak dapat kami sebutkan
namanya satu persatu.
Adapun tujuan pembuatan laporan ini adalah untuk memenuhi tugas mata
kuliah Penginderaan Jauh Lingkungan serta menjadikannya sebagai suatu media
pembelajaran bagi kita semua.
Kami sadar bahwa laporan yang kami susun masih sangat jauh dari
kesempurnaan, oleh karena itu masukan dan kritikan yang bersifat membangun
sangat kami harapkan sebagai acuan agar menjadi lebih baik lagi. Terima kasih
kami sampaikan.
Penyusun
Kelompok III-B ii
Laporan Praktikum Penginderaan Jauh Lingkungan
DAFTAR ISI
HALAMAN PENGESAHAN .................................................................................. i
Kelompok III-B iv
Laporan Praktikum Penginderaan Jauh Lingkungan
DAFTAR GAMBAR
Gambar II-1 Sistem Penginderaan Jauh .............................................................. II-2
Gambar II-2 Komponen Penginderaan Jauh ....................................................... II-3
Gambar II-4 Ilustrasi Sensor Pasif ...................................................................... II-4
Gambar III-6 Diagram alir proses klasifikasi unsupervised .............................. III-9
Gambar III-7 Diagram alir proses klasifikasi supervised ................................ III-10
Gambar III-8 Diagram alir klasifikasi object based ......................................... III-11
Kelompok III-B v
Laporan Praktikum Penginderaan Jauh Lingkungan
DAFTAR TABEL
Tabel IV-1 Tabel Matrik Konfusi IV-6
Tabel IV-2 User Akurasi IV-6
Tabel IV-3 Producer Akurasi IV-7
Tabel IV-4 Object Based IV-7
Kelompok III-B vi
Laporan Praktikum Penginderaan Jauh Lingkungan
BAB I
PENDAHULUAN
BAB II
DASAR TEORI
Data penggunaan lahan dan penutup lahan merupakan data penting bagi
seorang perencana keputusan mengenai pengelolaan sumberdaya lahan. Lahan
merupakan material dasar dari suatu lingkungan (situs), yang diartikan berkaitan
dengan sejumlah karakteristik alami yakni iklim, geologi, tanah, topografi,
hidrologi, dan biologi. Penggunaan lahan merupakan aktivitas manusia pada dan
dalam kaitannya dengan lahan, yang biasanya tidak secara langsung tampak dari
citra. Sementara, penutup lahan menggambarkan konstruksi vegetasi dan buatan
manusia yang menutup permukaan bumi. Konstruksi tersebut seluruhnya dapat
tampak secara langsung dari citra penginderaan jauh. Hubungan dalam sistem
penginderaan jauh dapat dilihat di Gambar II-1.
1. Sistem pasif adalah sistem yang menggunakan sumber tenaga dari sinar
matahari.
2. Sistem aktif adalah sistem yang menggunakan tenaga buatan seperti
gelombang mikro dan lampu blitz kamera.
Jumlah tenaga yang diterima oleh objek di setiap tempat berbeda-beda, hal ini
dipengaruhi oleh beberapa faktor, antara lain:
1. Waktu penyinaran
Jumlah energi yang diterima oleh objek pada saat matahari tegak lurus
(siang hari) lebih besar dari pada saat posisi miring (sore hari). Makin
banyak energi yang diterima objek, makin cerah warna objek tersebut.
2. Bentuk permukaan bumi
Permukaan bumi yang bertopografi halus dan memiliki warna cerah pada
permukaannya lebih banyak memantulkan sinar matahari dibandingkan
permukaan yang bertopografi kasar dan berwarna gelap. Sehingga daerah
bertopografi halus dan cerah terlihat lebih terang dan jelas.
3. Keadaan cuaca
Kondisi cuaca pada saat pemotretan mempengaruhi kemampuan sumber
tenaga dalam memancarkan dan memantulkan. Misalnya kondisi udara
yang berkabut menyebabkan hasil penginderaan jauh menjadi tidak begitu
jelas atau bahkan tidak terlihat.
II.5 Segmentasi
II.5.1 Konsep Segmentasi
Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang
homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan
suatu piksel dengan tingkat keabuan piksel-piksel tetangganya. Proses segmentasi
memiliki tujuan yang hampir sama dengan proses klasifikasi tidak terpandu.
Segmentasi sering dideskripsikan sebagai proses analogi terhadap proses
pemisahan latar depan latar belakang. Tujuan segmentasi citra adalah menemukan
area yang merepresentasikan objek atau bagian objek yang memiliki arti. Masalah
umum pada segmentasi citra adalah noise yang ada pada citra.
II.5.2 Implementasi Segmentasi
1. Segmentasi Citra berdasarkan Pendekatan Wilayah dan Klasterisasi
Ide utama dalam teknik segmentasi berdasar wilayah adalah
mengidentifikasi beberapa wilayah dalam suatu citra yang memiliki
kesamaan corak. Teknik klasterisasi yang ditemui dalam literature
pengenalan pola memiliki kesamaan objek dan dapat diterapkan untuk
segmentasi citra. Citra dibagi dalam wilayah-wilayah kecil yang nilai aras
keabuannya seragam. Untuk segmentasi citra berdasarkan klasterisasi akan
dibahas lebih rinci pada bagian selanjutnya.
2. Teknik Pemetaan Warna (ColourMapping)
II.6 ENVI EX
ENVI EX adalah penampil yang kuat dengan tampilan dinamis yang
memungkinkan tampilan dan manipulasi gambar, vektor, dan anotasi jarak jauh.
ENVI EX menyediakan akses antarmuka cepat ke alat tampilan umum seperti
kontras, kecerahan, penajaman, dan transparansi. ENVI EX dapat bekerja dengan
banyak lapisan data sekaligus dan dalam satu jendela, gunakan Manajer Data dan
Manajer Lapang untuk melacak beberapa kumpulan data, dan "menembus" lapisan
untuk melihat dan bekerja dengan lapisan atau lapisan lain di jendela yang sama.
Sebagai tambahan, ENVI EX akan memasang ulang dan membuat ulang gambar
dan vektor on-the-fly. ENVI EX bekerja secara mulus dengan lapisan ESRI dan
kelas fitur, dan ini memungkinkan membuat presentasi peta profesional.
ENVI EX juga berisi alat deteksi Anomali RX, Penajam, dan Vegetasi yang
kuat. Alat Deteksi Anomali RX mendeteksi perbedaan spektral atau warna antara
lapisan dan ekstrak yang diketahui target yang berbeda secara spektral dari latar
belakang gambar. Gunakan Pan Sharpening untuk mempertajam data multispektral
resolusi spasial yang rendah dengan menggunakan data pankromatik resolusi
spasial yang tinggi. Alat Supresi Vegetasi memungkinkan untuk menghapus tanda
spektral vegetasi dari citra multispektral dan hiperspektral.
BAB III
METODE PENGOLAHAN
III.1 Alat dan Bahan Pengolahan Data
1. Alat
a. Perangkat Keras
Perangkat keras yang digunakan untuk pengolahan data tugas ini
adalah satu unit laptop dengan spesifikasi sebagai berikut:
Tipe Komputer : Dell Inspiron 15 7557
Sistem Operasi : Microsoft Windows 10 Home Edition
Tipe Sistem : 64-bit operating system
Tipe Processor : Intel CORE i5
RAM : 12 GB
b. Perangkat Lunak
Perangkat lunak yang digunakan untuk pengolahan data tugas ini
adalah software ENVI EX serta di ArcGIS 10.3.
2. Bahan
Bahan yang digunakan dalam tugas ini adalah citra pasif Google
Earth, data shapefile Ina-Geoporrtal untuk Kelurahan Gedawang,
serta data hasil ground sampling untuk Kelurahan Padangsari,
Kecamatan Banyumanik, Semarang.
III.2 Prosedur
III.2.1. Proses Klasifikasi Unsupervised
Langkah- langkah untuk proses klasifikasi unsupervised adalah sebagai
berikut.
5. Pada select a method, pilih use training data. Kemudian klik next.
1. Langkah pertama adalah input data citra yang akan diklasifikasi, caranya
adalah klik file – open – pilih file yang akan diklasifikasi – OK..
10. Setelah membuat sampel, export file. Atur Export Vector Results dan
Smoothing seperti dibawah ini, kemudian klik Next.
BAB IV
HASIL DAN PEMBAHASAN
IV.1 Hasil Klasifikasi
IV.1.1 Hasil Klasifikasi Unsupervised
Pada klasifikasi dengan metode Unsupervised dapat dilihat pada gambar
IV.1. Pada klasifikasi ini kami membagi menjadi 5 kelas dimana setiap kelas
memiliki warna yang berbeda-beda. Pada klasifikasi ini tidak memerlukan sampel
sehingga pada proses tidak dimasukkan sampel.
Vegetasi 10 0 0 0 10
Lahan 10
0 2 0 7 1
Terbuka
Sungai 5 0 0 6 0 11
Pemukiman 3 0 0 5 1 9
No data 0 0 0 0 0 0
Jumlah 18 2 0 18 2 40
Dari hasil matrik konfusi dapat dibuat presentase user akurasi dan produk
akurasi yaitu pada tabel IV-2 dan tabel IV-3.
No data =
Sungai =0:11*100 0
Sawah - -
Sawah - -
Vegetasi 10 0 0 0 10
Lahan 10
0 2 0 7 1
Terbuka
Sungai 5 0 0 6 0 11
Pemukiman 3 0 0 5 1 9
No data 0 0 0 0 0 0
Jumlah 18 2 0 18 2 40
Dari hasil matrik konfusi dapat dibuat presentase user akurasi dan produk
akurasi yaitu pada tabel IV-2 dan tabel IV-3.
Sungai =0:11*100 0
No data =
Sungai =0:0*100 0
Sawah - -
Kemudian, dari data tabel diatas dapat ditarik suatu data berupa tabel yang
dilakukan untuk mengetahui komisi dan omisi pada suatu pengklasifikasian
Sawah - -
Vegetasi 10 0 1 2 0 13
Lahan 11
0 10 1 0 0
Terbuka
Sungai 0 0 8 0 0 8
Pemukiman 0 0 0 8 0 8
Sawah 0 0 0 0 0 0
Jumlah 10 10 10 10 10 40
Dari hasil matrik konfusi dapat dibuat presentase user akurasi dan produk
akurasi yaitu pada Tabel IV-2 dan Tabel IV-3.
Sawah - -
Sungai =8:10*100 80
Pemukiman =8:10*100 80
Sawah - -
Kemudian, dari data tabel diatas dapat ditarik suatu data berupa tabel yang
dilakukan untuk mengetahui komisi dan omisi pada suatu pengklasifikasian
Sawah - -
IV.2 Analisis
IV.2.1 Klasifikasi Unsupervised
Pada klasifikasi dengan metode Unsupervised tidak memerlukan
sampel. Pada klasifikasi ini menggunakan 4 kelas yang akan dibuat. Pada
klasifikasi ini proses pengklasfikasian tidak memasukkan sampel jadi
tetapi berbeda kelas yang dikelaskan menjadi satu kelas sehingga terdapat
kesalahan. Pada klasifikasi perhitungan matrik mendekati benar karena hanya satu
kelas yang kurang dari 80%.
BAB V
PENUTUP
V.1 Kesimpulan
1. Pada klasifikasi unsupervised ini kami membagi menjadi 5 kelas dimana
setiap kelas memiliki warna yang berbeda-beda. Pada klasifikasi ini tidak
memerlukan sampel sehingga pada proses tidak dimasukkan sampel.
2. Pada klasifikasi supervised ini kami membagi menjadi 4 kelas dimana setiap
kelas memiliki warna yang berbeda-beda. Pada klasifikasi ini memerlukan
sampel untuk mengkelaskan objek-objek. Klasifikasi terdapat 4 kelas yaitu
sawah, bangunan,sungai dan lahan terbuka.
3. Hasil klasifikasi unsupervised masih kurang sesuai dengan kenyataan di
lapangan. Terlihat dari klasifikasi pada jalan yang masih tercampur dengan
klasifikasi lainnya. Hal ini disebabkan karena komputer secara otomatis
melakukan pengklasifikasian berdasarkan kelas yang kami buat
4. Hasil dari klasifikasi supervised hasilnya tidak terlalu bagus karena masih
banyak klasifikasi yang salah, contohnya pada objek sungai dan tumbuhan
masih terdapat klasifikasi yang salah. Hal ini terjadi karena kekurangan
sampel dan citra yang digunakan resolusinya kurang bagus sehingga terjadi
kesalahan dalam pengklasifikasian.
5. Hasil klasifikasi berbasis objek masih terdapat kesalahan yang terjadi slah
satu contoh ada klasifikasi yang masih salah. Hal itu disebabkan karena
dalam satu objek tidak hanya memiliki 1 DN saja, sehingga ketika
komputer melakukan pengklasifikasian DN yang berbeda tersebut dianggap
sebagai satu kesatuan objek.
V.2 Saran
Setelah melakasanakan praktikum ada beberapa saran yang dapat
disampaikan:
LAMPIRAN