LAPORAN PRAKTIKUM PRAKTEK INDERAJA TERAPAN

Ukuran: px

Mulai penontonan dengan halaman:

Download "LAPORAN PRAKTIKUM PRAKTEK INDERAJA TERAPAN"

Benny Sudirman
6 tahun lalu
Tontonan:

1 LAPORAN PRAKTIKUM PRAKTEK INDERAJA TERAPAN Dosen Pengampu : Bambang Kun Cahyono S.T, M. Sc Dibuat oleh : Rahmat Muslih Febriyanto 12/336762/SV/01770 PROGRAM STUDI DIPLOMA III TEKNIK GEOMATIKA SEKOLAH VOKASI UNIVERSITAS GADJAH MADA 2014/2015

2 A. Judul Klasifikasi Terbimbing ( Supervised ) B. Tujuan 1. Mahasiswa dapat melakukan georeferencing Citra. 2. Mahasiswa dapat melakukan cropping Citra. 3. Mahasiswa dapat melakukan klasifikasi supervised. 4. Mahasiswa dapat melakukan perhitungan luas. 5. Mahasiswa dapat melakukan membuat layout peta. C. Waktu dan Tempat Pelaksanaan Hari, tanggal : Kamis, 27 November 2014 Tempat : Laboratorium Fotogrametri D. Alat dan Bahan 1. Perangkat keras 1.1 Komputer 2. Perangkat lunak 2.1 Software ENVI 2.2 Software Google Earth 2.3 Software ArcGIS E. LANDASAN TEORI Klasifikasi digital pada suatu citra adalah suatu proses dimana piksel-piksel dengan karakteristik spektral yang sama diasumsikan sebagai kelas yang sama, diidentifikasi dan ditetapkan dalam suatu warna (Gibson dan Power, 2000). Klasifikasi supervised merupakan suatu metode klasifikasi yang menggunakan area sampling. Ketelitian ditentukan oleh kualitas sampling dan jumlah sampel. Area sampel dibuat dengan menggunakan Region Of Interest (ROI). ROI harus terlebih dahulu dibuat sebelum melakukan proses klasifikasi supervised ini. Region Of Interest adalah area sampling yang dibentuk sebagai trainning area pada klasifikasi supervised. klasifikasi supervised dapat diartikan sebagai teknik klasifikasi yang diawasi. Menurut Projo Danoedoro (1996) klasifikasi supervised ini melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training area). Sehingga pengambilan sampel perlu dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu, sehingga diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu.

3 F. Langkah Kerja Diagram alir praktikum : SUPERVISED CLASSIFICATION CITRA LANDSAT 8 KOMPOSIT CROP 15 X 15 KM GEOREFERENCING GCP GOOGLE EARTH RMS < 1 PIXEL PEMBUATAN KELAS TRAINING AREA KLASIFIKASI PETA PENUTUP LAHAN 1. Membuka data citra Landsat 8 yang akan diklasifikasikan, yaitu Citra Landsat 8 untuk daerah Jawa Tengah 1.1 Membuka software Envi 4.8 terlebih dahulu dengan meng-klik icon. Kemudian akan muncul tools pada Envi seperti berikut:

1.2 Membuka data citra dengan langkah File

citra dengan band-band yang akan digunakan

2 sehingga pada kotak Available Bands List

4 1.2 Membuka data citra dengan langkah File Open Image File: Kemudian memilih data citra dengan band-band yang akan digunakan dalam melakukan komposit Natural Band 1.3 Membuka citra dengan komposit Natural band, yaitu R: band 4; G: band 3 ; B: band 2 sehingga pada kotak Available Bands List akan terlihat seperti berikut: Kemudian klik Load RGB :

Spatial Subset kemudian pada kotak dialog

5 2. Melakukan cropping 2.1 Menentukan lokasi yang akan digunakan untuk klasifikasi penutup lahan: 2.2 Mulai men-crop citra dengan langkah File Save Image As Image File Setelah muncul kotak dialog pilih tab Spatial Subset kemudian pada kotak dialog berikutnya memilih tab Image Isikan seperti berikut untuk mendapatkan luas citra 15 km x 15 km

6 Kemudian klik OK. 2.4 Setelah itu kembali ke kotak dialog Output Display to Image File. Klik Ok 2.5 Membuka citra hasil crop, maka hasil akan terlihat seperti berikut: 3. Melakukan Georeferencing 3.1 Membuka Google Earth sebagai acuan melihat koordinat yang akan digunakan untuk Georeferencing dengan menggunakan metode Georeferencing Image to Map. 3.2 Menentukan daerah yang menonjol sebegai GCP pada Google Earth.

3.3 Melihat koordinat nya pada masing-masing GCP tersebut

4 Memulai untuk proses Georeferencing dengan langkah Map

dialog, maka mengatur seperti berikut: 3.

7 3.3 Melihat koordinat nya pada masing-masing GCP tersebut kemudian menuliskanya untuk rektifikasi image to image. 3.4 Memulai untuk proses Georeferencing dengan langkah Map Registration Select GCPs: Image to Map Setelah muncul kotak dialog, maka mengatur seperti berikut: 3.5 Mengisi koordinat sesuai dengan koordinat acuan yang telah didapat dari Google Earth sebelumnya.

Selection Berikut hasil RMS: Menyimpan data RMS Error dalam bentuk *.txt dengan langkah klik File Save Table to ASCII.

8 Kemudian dengan melihat daerah yang merupakan tanda GCP dengan kotak Zoom, kemudian klik Add Point sehingga GCP terekam/tersimpan: 3.6 Kemudian cek RMS untuk melihat kesalahan, jika lebih dari 1 maka ulangi proses Georeferencing dengan klik tab Show List pada kotak dialog Ground Control Points Selection Berikut hasil RMS: Menyimpan data RMS Error dalam bentuk *.txt dengan langkah klik File Save Table to ASCII... Kemudian menentukan lokasi penyimpanan klik OK. 3.7 Menyimpan hasil Georeferencing dengan langkah berikut: a. Menyimpan hasil GCP dengan klik File Save GCPs w/ map coords... Memberi nama file pada kotak dialog Output Registration Points.

b. Kemudian klik Map Registration Warp from GCPs : Image to Map Kemudian

Kemudian mengatur Sistem proyeksi yang sesuai, Proyeksi UTM, Datum WGS 84

9 b. Kemudian klik Map Registration Warp from GCPs : Image to Map Kemudian memilih file yang telah disimpan sebelumnya c. Kemudian mengatur Sistem proyeksi yang sesuai, Proyeksi UTM, Datum WGS 84 zone 49 S dan klik OK. d. Ketika kotak dialog Input Warp Image kemudian memilih citra yang sebelumnya dijadikan acuan dalam proses Georeferencing, setelah itu klik OK. e. Kemudian memberi nama file citra yang telah dilakukan proses georeferencing.

10 3.8 Kemudian membuka citra dengan klik Load RGB pada kotak dialog Available Band List. 4. Melakukan Enhance 4.1 Melakukan Enhance dengan langkah klik Enhance Interactive Strectching 4.2 Kemudian mengatur histogram pada kotak dialog berikut:

klasifikasi yang diinginkan. Berikut contoh pembuatan klasifikasi: 6. Membuat Training 6.

11 5. Membuat klasifikasi 5.1 Membuka ROI Tool untuk membuak klasifikasi penutup lahan dengan langkah memilih menu Tools Region Of Interest ROI Tool Setelah keluar kotak dialog ROI Tool isikan pada ROI Name dan Color sesuai dengan hasil klasifikasi yang diinginkan. Berikut contoh pembuatan klasifikasi: 6. Membuat Training 6.1 Membuat training dengan langkah memilih ROI yang akan dibuat training kemudian memilih terlebih dahulu untuk jenis digitasi dengan klik ROI Type kemudian pilih Polygon, Polyline, atau point. 6.2 Kemudian pilih jendela yang akan digunakan untuk mendigitasi:

6.3 Berikut hasil training pada citra: 7.

1 Simpan terlebih dahulu hasil training dengan klik File Save ROIs... 7.

12 6.3 Berikut hasil training pada citra: 7. Melakukan Klasifikasi Supevised 7.1 Simpan terlebih dahulu hasil training dengan klik File Save ROIs Setelah kotak dialog Save ROIs to File muncul kemudian atur tempat penyimpanannya kemudian klik OK. 7.3 Langkah berikutnya memilih menu Classification Supervised Parallelepiped 7.4 Setelah itu muncul kotak dialog Classification Input File, maka pilih Citra yang dijadikan acuan saat klasifikasi:

7.5 Kemudian mengatur parameter dan tempat

melihat citra hasil klasifikasi klik Load

classification kemudian Post classification

13 7.5 Kemudian mengatur parameter dan tempat penyimpanan seperti berikut: Kemudian untuk melihat citra hasil klasifikasi klik Load RGB. 8. Melakukan Perhitungan Luas 8.1 Setelah proses klasifikasi selesai, menghitung luas dengan cara klik classification kemudian Post classification pilih class statistis. 8.2 Kemudian pilih statistics input file, sebanyak 2 kali pada file yang sama. 8.3 Kemudian pilih select all. Klik histogram. Klik ok.

14 G. HASIL a. RMS b. PETA Terlampir c. Pembahasan Metode Klasifikasi 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.

Minimum Distance Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang

Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.

15 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. Maximum Likelihood Klasifikasi supervised maximum likelihood merupakan klasifikasi yang berpedoman pada nilai piksel yang sudah dikategorikan obyeknya atau dibuat dalam training sampel untuk masing-masing obyek penutup lahan. Pemilihan training sampel yang kurang baik dapat menghasilkan klasifikasi yang kurang

16 optimal sehingga akurasi yang diperoleh rendah. Dengan demikian diperlukan analisis secara statistik atau uji akurasi dari training sampel tersebut. d. Luas masing-masing Metode Klasifikasi a. Statistik Luas dengan Metode paralelpiped sebagai berikut : b. Luas menggunakan metode Minimum Distance sebagai berikut :

17 c. Luas menggunakan metode Maximum Likelihood, sebagai berikut : H. KESIMPULAN Dari Praktikum kali ini mahasiswa dapat mengerjakan tahapan klasifikasi secara digital, meliputi dari doping Citra, georeferencing kemudian proses klasifikasi serta perhitungan luasnya.

dokumen-dokumen yang mirip

LAPORAN PRAKTIKUM MATA KULIAH PENGOLAHAN CITRA DIGITAL

LAPORAN PRAKTIKUM MATA KULIAH PENGOLAHAN CITRA DIGITAL Georeferencing dan Resizing Enggar Budhi Suryo Hutomo 10301628/TK/37078 JURUSAN S1 TEKNIK GEODESI FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA 2015 BAB