indraja terapan final project

8/15/2019 Indraja Terapan Final Project

1/42

LAPORAN PRAKTEK INDERAJA

TERAPAN “Klasifikasi Supervised, Unsupervised, dan Penerapan

Inderaja dalam Mendeteksi Garis Pantai”

Disusun Oleh:

au!an "atikusuma

#$%$'($%S)%'*#+(

PROGRAM STUDI DIPLOMA III TEKNIK GEOMATIKA

FAKULTAS SKOLAH VOKASI

UNIVERSITAS GADJAH MADA

YOGYAKARTA2015


2/42

I M-./0I

Klasifikasi supervised, klasifikasi unsupervised, dan penerapan inderaja dalam

mendeteksi 1aris pantai

II .U"U-2

# Mahasis3a mampu melakukan klasifikasi supervised men11unakan s4ft3are

/2)I

den1an tahapan 5an1 len1kap dan 6enar

+ Mahasis3a mampu melakukan klasifikasi unsupervised men11unakan s4ft3are

/2)I

den1an tahapan 5an1 len1kap dan 6ernar

$ Mahasis3a mampu menerapkan inderaja dalam mendeteksi 1aris

pantai

III 7-K.U D-2 ./MP-.

7aktu : Kamis, '$ 8 #' Desem6er +'#&

.empat : 9a64rat4rium 4t41rametri .eknik Ge4desi dan Ge4matika,

akultas

.eknik, Universitas Gadjah Mada

I) 9-2D-S-2 ./O0I

Citra Lan!at "

itra 9andsat merupakan 1am6aran permukaan 6umi 5an1 diam6il dari

luar an1kasa den1an ketin11ian kuran1 le6ih (#( km dari permukaan 6umi, den1an

skala # :

+&'''' Dalam setiap perekaman ;itra landsat mempun5ai ;akupan area #(& km < #(&

km sehin11a aspek dari 46jek tertentu 5an1 ;ukup luas dapat diidentifikasi tanpa

menjelajah seluruh daerah 5an1 disurvei atau 5an1 diteliti itra landsat merupakan

;itra 5an1 dihasilkan dari 6e6erapa spe;trum den1an panjan1 1el4m6an1 5an1 6er6eda,

5aitu:

= Saluran * den1an panjan1 1el4m6an1 ',& > ',? m pada daerah spektrum 6iru,

6aik untuk mendeteksi muatan sedimen ditu6uh perairan, 14s4n1, endapan

suspensi dan terum6u

= Saluran & den1an panjan1 1el4m6an1 ',? > ',@ m pada daerah spektrumhijau,

6aik untukmendeteksi ve1etasi, 6uda5a, dll


3/42

= Saluran ? den1an panjan1 1el4m6an1 ',@ > ',( m pada daerah spektrummerah,

6aik untuk mendeteksi relief permukaan 6umi, 6atas air dan daratan

= Saluran @ den1an panjan1 1el4m6an1 ',( > #,#, m pada daerah den1an infra

merah, 5an1 le6ih ke;il untuk mendeteksi relief permukaan 6umi 6ila di6andin1kan

den1an saluran ?


4/42

Setiap 3arna dalam ;itra satelit mem6erikan makna tertentu ,7arna pada

;itramerupakan nilai refleksi dari ve1etasi, tu6uh perairan dan atau tu6uh 6atuan

permukaan 6umiOleh karena itu, interpretasi 1e4l41i melalui ;itra landsat le6ih

didasarkan pada per6edaan nilai refleksi terse6ut

9andsat ( merupakan kelanjutan dari misi 9andsat 5an1 untuk pertama kali

menjadi satelit pen1amat 6umi sejak #A@+ B9andsat #C 9andsat # 5an1 a3aln5a

6ernama /arth 0es4ur;es .e;hn4l415 Satellite # dilun;urkan +$ "uli #A@+ dan mulai

6er4perasi sampai ? "anuari #A@( Generasi penerusn5a, 9andsat + dilun;urkan ++

"anuari #A@& 5an1 6er4perasi sampai ++ "anuari #A(# 9andsat $ dilun;urkan & Maret

#A@( 6erakhir

$# Maret #A($ 9andsat * dilun;urkan #? "uli #A(+, dihentikan #AA$ 9andsat &

dilun;urkan # Maret #A(* masih 6erfun1si sampai den1an saat ini namun men1alami

1an11uan 6erat sejak 24vem6er +'##, aki6at 1an11uan ini, pada tan11al +?

Desem6er

+'#+, USGS men1umumkan 6ah3a 9andsat & akan din4naktifkan Eer6eda den1an &

1enerasi pendahulun5a, 9andsat ? 5an1 telah dilun;urkan & Okt46er #AA$ 1a1al

men;apai 4r6it Sementara 9andsat @ 5an1 dilun;urkan -pril #& Desem6er #AAA, masih

6erfun1si 3alau men1alami kerusakan sejak Mei +''$

Se6enarn5a landsat ( le6ih ;4;4k dise6ut se6a1ai satelit den1an misi

melanjutkan landsat @ dari pada dise6ut se6a1ai satelit 6aru den1an spesifikasi 5an1

6aru pula Ini terlihat dari karakterist ikn5a 5an1 mirip den1an landsat @, 6aik

res4lusin5a Bspasial, temp4ral, spektralC, met4de k4reksi, ketin11ian ter6an1

maupun karakteristik sens4r 5an1 di6a3a Fan5a saja ada 6e6erapa tam6ahan 5an1

menjadi titik pen5empurnaan dari landsat @ seperti jumlah 6and, rentan1 spektrum

1el4m6an1 elektr4ma1netik terendah 5an1 dapat ditan1kap sens4r serta nilai 6it

Brentan1 nilai Di1ital 2um6erC dari tiap piksel ;itra

Seperti dipu6likasikan 4leh USGS, satelit landsat ( ter6an1 den1an ketin11ian

@'& km dari permukaan 6umi dan memiliki area s;an seluas #@' km < #($ km Bmirip

den1an landsat versi se6elumn5aC 2-S- sendiri menar1etkan satelit landsat versi

ter6arun5a ini men1em6an misi selama & tahun 6er4perasi Bsens4r O9I diran;an1 &

tahun dan sens4r .I0S $ tahunC .idak menutup kemun1kinan umur pr4duktif landsat (

dapat le6ih panjan1 dari umur 5an1 di;anan1kan se6a1aimana terjadi pada landsat &

B.MC 5an1 a3aln5a ditar1etkan han5a 6er4perasi $ tahun namun tern5ata sampai tahun+'#+ masih 6isa 6erfun1si


5/42

Satelit landsat ( memiliki sens4rOn64ard Operati4nal 9and Ima1er BO9IC dan

.hermal Infrared Sens4r B.I0SC den1an jumlah kanal se6an5ak ## 6uah

Diantara


6/42

kanal=kanal terse6ut, A kanal B6and #=AC 6erada pada O9I dan + lainn5a B6and #' dan

##C pada .I0S Se6a1ian 6esar kanal memiliki spesifikasi mirip den1an landsat @

"enis kanal, panjan1 1el4m6an1 dan res4lusi spasial setiap 6and pada landsat (

di6andin1kan den1an landsat @ seperti tertera pada ta6el di 6a3ah ini :

K#a!i$i%a!i Citra

Klasifikasi adalah teknik 5an1 di1unakan untuk men1hilan1kan inf4rmasi rin;i

dari data input untuk menampilkan p4la=p4la pentin1 atau distri6usi spasial untuk

mempermudah interpretasi dan analisis ;itra sehin11a dari ;itra terse6ut diper4lehinf4rmasi 5an1 6ermanfaat Untuk pemetaan tutupan lahan, hasiln5a 6isa diper4leh dari

pr4ses klasifikasi multispektral ;itra satelit Klasifikasi multispektral sendiri adalah

al14ritma 5an1 diran;an1 untuk men5ajikan inf4rmasi tematik den1an ;ara

men1el4mp4kkan fen4mena 6erdasarkan satu kriteria 5aitu nilai spektral

Klasifikasi multispektral dia3ali den1an menentukan nilai piksel t iap 46jek

se6a1ai sampel Selanjutn5a nilai piksel dari tiap sampel terse6ut di1unakan se6a1ai

masukkan dalam pr4ses klasifikasi Per4lehan inf4rmasi tutupan lahan diper4leh

6erdasarkan 3arna pada ;itra, analisis statik dan analisis 1rafis -nalisis statik di1unakan

untuk memperhatikan nilai rata=rata, standar deviasi dan varian dari tiap kelas sampel

5an1 diam6il 1una menentukan per6edaan sampel -nalisis 1rafis di1unakan untuk

melihat se6aran=se6aran piksel dalam suatu kelas


7/42

# Klasifikasi Supervised

Pada met4de supervised ini, analis terle6ih dulu menetapkan 6e6erapa

trainin1 area Bdaerah ;4nt4hC pada ;itra se6a1ai kelas lahan tertentu Penetapan ini

6erdasarkan pen1etahuan analis terhadap 3ila5ah dalam ;itra men1enai daerah=

daerah tutupan lahan 2ilai=nilai piksel dalam daerah ;4nt4h kemudian di1unakan

4leh k4mputer se6a1ai kun;i untuk men1enali piksel lain Daerah 5an1 memiliki

nilai=nilai piksel sejenis akan dimasukan kedalam kelas lahan 5an1 telah ditetapkan

se6elumn5a "adi dalam met4de supervised ini analis men1identifikasi kelas

inf4rmasi terle6ih dulu 5an1 kemudian di1unakan untuk menentukan kelas spe;tral

5an1me3akili kelas inf4rmasi terse6ut

-l14ritma 5an1 6isa di1unakan untuk men5elesaikan met4de supervised inidiantaran5a adalah minimun distance dan parallelepiped.

+ Klasifikasi Unsupervised

ara kerja met4de unsupervised ini merupakan ke6alikkan dari met4de

supervised, dimana nilai=nilai piksel dikel4mp4kkan terle6ih dahulu 4leh k4mputer

kedalam kelas=kelas spektral men11unakan al14ritma klusterisasi Dalam met4de ini,

dia3al pr4ses 6iasan5a analis akan menentukan jumlah kelas B;lusterC 5an1

akan di6uat Kemudian setelah mendapatkan hasil, analis menetapkan kelas=kelas

lahan terhadap kelas=kelas spektral 5an1 telah dikel4mp4kkan 4leh k4mputer Dari

kelas= kelas B;lusterC 5an1 dihasilkan, analis 6isa men11a6un1kan 6e6erapa kelas

5an1 dian11ap memiliki inf4rmasi 5an1 sama menjadi satu kelas Misal ;lass #, ;lass

+ dan ;lass $ masin1=masin1 adalah sa3ah, perke6unan dan hutan maka analis 6isa

men1el4mp4kkan kelas=kelas terse6ut menjadi satu kelas, 5aitu kelas ve1etasi "adi

pada met4de unsupervised tidak sepenuhn5a tanpa ;ampur tan1an manusia


8/42

Ee6erapa al14ritma 5an1 6isa di1unakan untuk men5elesaikan

met4de unsupervised ini diantaran5a adalah K=Means dan ISOD-.-

P&n&ra'an In&ra(a

Pen1inderaan "auh 6isa dikatakan se6a1ai Ilmu karena memiliki 6er6a1ai

karakteristik 5an1 jelas Karakteristik 5an1 jelas itu antara lain terdapat pada lin1kup

studin5a, k4nsepsi dasar5a, met4d4l41i, serta fil4s4fin5a Eila Penin1inderaan jauh

di1unakan di1unakan 4leh pakar lain untuk men4pan1 penelitian atau

pekerjaann5a, maka pen1inderaan jauh merupakan teknik 6a1i mereka Misaln5a

se4ran1 pakar lin1kun1an hidup 5an1 men11unakan 6antuan ;itra satelit untuk

men1etahui kerusakan hutan, mendeteksi 1aris pantai dan lai se6a1ain5a

Pen1inderaan jauh didefinisikan se6a1ai pr4ses per4lehan inf4rmasi tentan1

suatu 465ek tanpa adan5a k4ntak fisik se;ara lan1sun1 den1an 465ek terse6ut B0ees,

+''# /la;hi, +''?C Pen1inderaan "auh atau 6iasa 5an1 dikenal den1an nama 0em4te

Sensin1 memiliki 6an5ak manfaat, khususn5a di 6idan1 Pen1el4laan dan Pemanfaatan

Pesisir Ee6erapa ;4nt4h manfaat pen1inderaan jauh di 6idan1 kelautan antara lain:

pen1amatan sifat fisis air laut, pen1amatan pasan1 surut air laut dan 1el4m6an1

laut, pemetaan dinamika pesisir Bperu6ahan pantai, a6rasi, sedimentasiC, l4kasi

penan1kapan ikan dan lainn5aPeru6ahan 1aris pantai merupakan peru6ahan 5an1 ditunjukkan 4leh peru6ahan

kedudukann5a, tidak saja ditentukan 4leh suatu fakt4r tun11al tapi 4leh sejumlah fakt4r

6eserta interaksin5a -dapun fakt4r=fakt4r 5an1 men5e6a6kan peru6ahan 1aris

pantai ini, antara lain:

= akt4r Fidr4=4sean41rafi

= at4r -ntr4p41enik


9/42

Dalam deteksi peru6ahan 1aris pantai suatu 3ila5ah pesisir tertentu dapat

di1unakan ;itra multitemp4ral -rtin5a ;itra 5an1 di1unakan merupakan ;itra

pada


10/42

3ila5ah 5an1 sama den1an rentan1 3aktu 5an1 6er6eda Per6edaan rentan1 3aktu

minimal & hin11a #' tahun a1ar dapat men1interpretasi peru6ahan 1aris pantai 5an1

;ukup si1nifikan

) 9-2GK-F K/0"-

- Klasifikasi Supervised

= Mem6uka s4ft3are /2)I

= Menampilkan ;itra 9andsat ( pada -vaila6le Eand 9ist

= Melakukan pen11a6un1an ;itra, den1an lan1kah seperti di6a3ah ini

• Melakukan sta;kin1 den1an klik Easi; .44ls 9a5er Sta;kin1


11/42

• Klik Imp4rt ile, kemudian masukkan semua 6and dari

9andsat (

• Melakukan pen1aturan sistem pr45eksi, !4na, 4utput file ran1e, ukuran

pi


12/42

• Melihat nilai statistik dari hasil pen11a6un1an

6and 5an1 telah dikerjakan den1an klik kanan pada la5er, kemudian Hui;k

Stats Maka hasil5a seperti di6a3ah ini .ulislah 6and 5an1 mempun5ai nilai

standar deviasi 5an1 6esar Pada ta6el statistik ini, 6and 5an1 menunjukkan

nilai standar deviasi 6esar 5aitu 6and A dan 6and #'

= Melakukan ;r4ppin1 ;itra, den1an lan1kah seperti di 6a3ah ini

• Klik Easi; .44ls 0esi!e Data

• Memilih data 5an1 akan di;r4p, kemudian klik Spatial Su6set


13/42

• Klik Ima1e, maka akan mun;ul ;itra 5an1 akan di;r4p Masukkan nilai line dan

sampel Dikarenakan ;itra akan di;r4p den1an ukuran #' km < #' km

maka nilai dari line dan sampeln5a adalah $$* < $$*

• Klik Spe;tral Su6set, kemudian pilih semua 6andn5a

• Menentukan tempat pen5impanann5a


14/42

• Sehin11a akan tampil pada -vaila6le Eand 9ist seperti di6a3ah ini

• Melihat nilai statistik dari hasil ;r4ppin1 ;itra 5an1 telah dikerjakan

den1an klik kanan pada la5er, kemudian Hui;k Stats Maka hasil5a seperti

di6a3ah ini .ulislah 6and 5an1 mempun5ai nilai standar deviasi 5an1

6esar Pada ta6el statist ik ini, 6and 5an1 menunjukkan nilai standar deviasi

6esar 5aitu 6and $, 6and *, dan 6and &


15/42

= Melakukan k4reksi radi4metrik, den1an lan1kah seperti di 6a3ah ini

• Klik Easi; .44ls Stret;h Data

• Kemudian pilih data 5an1 akan dik4reksi

•

Melakukan pen1aturan data stret;hin1 untuk stret;h t5pe, stret;h ran1e,men1isikan nilai min 5aitu ' dan nilai ma< 5aitu ?&&$&, data t5pe, dan tempat

pen5impanan seperti di6a3ah ini 2ilai ma< se6esar ?&&$& karena ;itra 5an1

di1unakan adalah ;itra 9andsat ( den1an #?6it B+#?

?&&$?C


16/42

• Sehin11a akan tampil pada -vaila6le Eand 9ist seperti di6a3ah ini

• Melihat nilai statistik dari hasil ;r4ppin1 ;itra 5an1 telah dikerjakan

den1an klik kanan pada la5er, kemudian Hui;k Stats Maka hasil5a seperti

di6a3ah ini .ulislah 6and 5an1 mempun5ai nilai standar deviasi 5an1

6esar Pada ta6el statistik ini, 6and 5an1 menunjukkan nilai standar deviasi

6esar 5aitu 6and * dan 6and &


17/42

= Melakukan klasifikasi supervised, den1an lan1kah seperti di 6a3ah ini

• Klik Easi; .44ls 0e1i4n 4f Interest 0OI .44l

• Mem6uat kelas=kelas sesuai den1an kenampakan pada ;itra

• Melakukan pen1am6ilan sampel atau 0OI untuk setiap kelas seperti

di6a3ah ini

.anah k4s4n1

)e1etasi


18/42

Perairan

• Men5impan hasil 0OI den1an ;ara klik ile Save 0OIs

• Memilih semua kelas 0OI kemudian tentukan tempat pen5impanan

• Untuk men1etahui distri6usi nilai 0OI maka klik ile /


19/42

• Pilih semua kelasn5a

• Pilih nilai 6andn5a, maka hasiln5a seperti 6erikut ini -kan mun;ul 0OI 5an1

telah di6uat, apa6ila tidak ada 5an1 6ertampalan maka artin5a tidak ada

pen1am6ilan sampel 5an1 4verlap

• Klik lassifi;ati4n Supervised Ma


20/42

• Pilih semua 0OI dan tentukan tempat pen5impanann5a

• Maka hasiln5a seperti 6erikut ini

E Klasifikasi Unsupervised

9an1kah pertama melakukan klasifikasi unsupervised 5aitu sama den1an

melakukan klasifikasi supervised, diantaran5a melakukan pen11a6un1an ;itra

Bsta;kin1C, melakukan mem4t4n1 ;itra B;r4ppin1C, dan melakukan k4reksi

radi4metrik Bstret;hin1C Setelah itu dilakukan klasifikasi unsupervised Karena pada

saat melakukan klasifikasi supervised keti1a lan1kah terse6ut telah dilakukan maka

data 5an1 ada dapat di1unakan untuk melakukan klasifikasi unsupervised

Maka lan1kah selanjutn5a 5aitu :


21/42

= Menampilkan hasil Stret;hin1

• Mem6uka hasil stret;hin1 pada lem6ar kerja /2)I

• Maka hasiln5a seperti 6erikut

= Melihat nilai statist ik ;itra, den1an lan1kah seperti di6a3ah ini

• Klik Easi; .44ls Statisti;s 4mpute Statisti;s


22/42

• Maka akan mun;ul k4tak dial41 4mpute

Statisti;s Input ile, maka pilih file 5an1 akan dilihat nilai statistikn5a 5aitu

file hasil Stret;hin1, kemudian klik Ok

• Maka akan mun;ul k4tak dial41 4mpute Statisti;s Parameters Klik

4varian;e karena nilai statistik 5an1 akan dilihat adalah 6erdasarkan

nilai k4varian, kemudian klik Ok

• Maka hasiln5a seperti 6erikut Kemudian perhatikan pada 6a1ian ;4rrelati4n,

;arilah nilai terke;il 5an1 ada maka 6and 5an1 memiliki nilai terke;il

itulah 5an1 akan di1unakan pada tahap S;atter Pl4t Eand 5an1 memiliki nilai

terke;il 5aitu 6and ? dan 6and #


23/42

= Melakukan pemilihan kelas melalui S;atter Pl4t, den1an lan1kah seperti

di6a3ah ini

• Klik .44ls +D S;atter Pl4ts

• Maka akan mun;ul k4tak dial41 S;atter Pl4t Eand h4i;e Kemudian pilih 6adn

? dan 6and # karena 6and terse6utlah 5an1 nilai k4relasin5a palin1

ke;il diantara 5an1 lainn5a

• Maka akan mun;ul S;atter Pl4tn5a, seperti di6a3ah ini


24/42

• Kemudian melakukan pemilihan kelas melalui

S;atter Pl4t terse6ut, den1an ;ara mem6a1i=6a1i setiap 6a1ian 5an1

mem6entuk elips 5an1 terlihat 4leh mata kita Setiap elips terse6ut

menunjukkan satu kelas Pada S;atter Pl4t terse6ut dapat dilihat terdapat $

6uah elips Maka 6edakan S;atter Pl4t terse6ut kedalam $ 3arna 5an1 6er6eda

seperti di6a3ah ini Maka pada ;itra akan 4t4matis 6eru6ah 3arnan5a sesuai

den1an kelas 5an1 diklasifikasikan pada S;atter Pl4t

• Melakukan hal 5an1 sama untuk kelas 5an1 lainn5a, maka hasiln5a

seperi 6erikut

Kelas ke +

Kelas ke $


25/42

= Melakukan klasifikasi unsupervised Klasifikasi unsupervised dilakukan se6an5ak

+ kali den1an met4de 5an1 6er6eda, diantaran5a K=Means dan Is4Data

Den1an lan1kah seperti di6a3ah ini

K=Means

• Klik lassifi;ati4n Unsupervised K=Means

• Maka akan mun;ul k4tak dial41 lassifi;ati4n Input ile Pilih file 5an1 akan

dilakukan klasifikasi, 5aitu file hasil stret;hin1 Kemudian klik Spatial Su6set

• Pilihlah 6and 5an1 sama seperti pada saat melakukan pr4ses klasifikasi

supervised, 5aitu 6and 5an1 mempun5ai nilai standar deviasi 6esar Kemudian

klik OK


26/42

• Maka akan mun;ul k4tak dial41 K=Means Parameters Isikan num6er 4f

;lasses se6an5ak kelas 5an1 telah dipilih pada S;atter Pl4t, 5aitu $ kelas

Kemudian tentukan tempat pen5impanann5a


Is4Data

•

Klik lassifi;ati4n Unsupervised Is4Data


27/42

• Maka akan mun;ul k4tak dial41

lassifi;ati4n Input ile Pilih file 5an1 akan dilakukan klasifikasi, 5aitu file

hasil stret;hin1 Kemudian klik Spatial Su6set

• Pilihlah 6and 5an1 sama seperti pada saat melakukan pr4ses klasifikasi

supervised, 5aitu 6and 5an1 mempun5ai nilai standar deviasi 6esar Kemudian

klik Ok

• Maka akan mun;ul k4tak dial41 Is4Data Parameter Isikan num6er 4f lasses

den1an Min $ dan Ma< * Maksudn5a nilai Min itu sesuai den1an kelas 5an1

telah kita pilih pada S;atter Pl4t, sedan1kan nilai Ma< itu diisikan 6er6eda

den1an nilai Min apa6ila kita merasa masih ada kelas 5an1 6elum terkelaskan

pada S;atter Pl4t, tetapi apa6ila kita merasa tidak ada kelas lain selain

5an1 telah kita kelaskan maka nimai Min dan Ma< disamakan .entukan

tempat pen5impanann5a, kemudian klik Ok


28/42


Deteksi Garis Pantai

.hresh4ldin1 adalah pr4ses men1u6ah ;itra 6erderajat kea6uan menjadi ;itra 6iner

atau hitam putih sehin11a dapat diketahui daerah mana 5an1 termasuk 465ek dan

6a;k1r4und dari ;itra se;ara jelas .hresh4ldin1 mampu memisahkan antara

tanah dan air, tetapi dalam 6e6erapa kasus terdapat kekhususan, sehin11a

pen11unaan rasi4 6and + per 6and * dan rasi4 6and + per 6and & 5an1 masin1=

masin1 le6ih dari satu, mampu menajamkan pendeteksian dalam 6e6erapa kasus 6ias

terse6ut Karena dalam deteksi pantai rumus 5an1 di1unakan 6erhu6un1an den1an

6and +, 6and *, dan 6and

& maka 6and=6and terse6utlah 5an1 akan di1unakan dalam pr4ses deteksi 1aris

pantai ini 9an1kah melakukan deteksi 1aris pantaipun sama seperti se6elumn5a

5aitu dilakukan pen11a6un1an 6and Bsta;kin1C sampai den1an k4reksi radi4metrik Bstret;hin1C Eerhu6un1 pada saat melakukan klasifikasi supervised dan

unsupervised diatas daerah 5an1 di1unakan tidak ada pantain5a, maka data

5an1 di1unakan 6er6eda namun masih pada 9andsat 5an1 sama, sehin11a pr4ses

k4reksi radi4metrik Bstret;hin1C harus diulan1, sedan1kan pr4ses pen11a6un1an

6and Bsta;kin1C tidak perlu Maka lan1kah selanjutn5a 5aitu


29/42

= Melakukan k4reksi radi4metrik untuk 6and=6and 5an1 diperlukan Den1an

lan1kah seperti di6a3ah ini

Eand +


• Maka akan mun;ul k4tak dial41 Data Stret;h Input ile Maka pilihlah 6and +,

kemudian klik Ok

• Maka akan mun;ul k4tak dial41 Data Stret;hin1, kemudian isikan nilai Min

dan Ma


30/42

Eand *


• Maka akan mun;ul k4tak dial41 Data Stret;h Input ile Maka pilihlah 6and *,

kemudian klik Ok


dan Ma


31/42

Eand &


• Maka akan mun;ul k4tak dial41 Data Stret;h Input ile Maka pilihlah 6and *,

kemudian klik Ok


dan Ma


32/42

= Men1u6ah nilai di1ital num6er ke refl;tan;e untuk masin1=masin1 6and

5an1 di1unakan, 5aitu 6and +, 6and *, dan 6and & Den1an lan1kah seperti di

6a3ah ini Eand +

• Klik Easi; .44ls Eand Math

• Mem6uka metadata 9andsat 5an1 di1unakan, kemudian lihatlah nilai

refle;tan;e mult 6and + dan nilai refle;tan;e add 6and +

• Men1u6ah nilai di1ital num6er menjadi nilai refle;tan;e den1an

men11unakan rumus seperti di6a3ah ini Kemudian klik -dd t4 list a1ar

rumus masuk ke

previ4us 6and math e


33/42

• Men1isikan 6and + 5an1 dituliskan pada rumus menjadi varia6el 6and +

5an1 se6enarn5a, kemudian tentukan tempat pen5impanann5a

Eand *


• Mem6uka metadata 9andsat 5an1 di1unakan, kemudian lihatlah nilai

refle;tan;e mult 6and * dan nilai refle;tan;e add 6and *


34/42

• Men1u6ah nilai di1ital num6er menjadi

nilai refle;tan;e den1an men11unakan rumus seperti di6a3ah ini Kemudian

klik -dd t4 list a1ar rumus masuk ke



35/42

• Mem6uka metadata 9andsat 5an1 di1unakan, kemudian

lihatlah nilai refle;tan;e mult 6and & dan nilai refle;tan;e add 6and &

•

Men1u6ah nilai di1ital num6er menjadi nilai refle;tan;e den1anmen11unakan rumus seperti di6a3ah ini Kemudian klik -dd t4 list a1ar

rumus masuk ke



36/42

= Memasukkan rumus deteksi 1aris pantai Den1an lan1kah seperti di 6a3ah ini


• Mendeteksi 1aris pantai den1an men11unakan rumus seperti di6a3ah ini

Kemudian klik -dd t4 list a1ar rumus masuk ke previ4us 6and

math

e


37/42

• Maka hasiln5a akan tampil pada -vaila6le Eand 9ist, seperti 6erikut ini

• Untuk melihat hasiln5a maka tampilkan den1an ;ara klik hasiln5a

kemudian klik 94ad Eand pada k4tak dial41 -vaila6le Eand 9ist Maka

hasiln5a seperti 6erikut .erlihat per6edaan antara daratan den1an lautan,

sehin11a den1an jelas dapat di6edakan dan dilihat 6atas 1aris pantain5a


38/42

= Mem6edakan antara daratan dan lautan dapat dilakukan den1an lan1kah seperti

di 6a3ah ini

• Pada k4tak dial41 -vaila6le Eand 9ist masukkan 6and &, 6and *, dan 6and

+ hasil pen1u6ahan nilai di1ital num6er ke refle;tan;e, kemudian klik 94ad

0GE



39/42

)I F-SI9 D-2 P/ME-F-S-2

Klasifikasi adalah teknik 5an1 di1unakan untuk men1hilan1kan inf4rmasi rin;i

dari data input untuk menampilkan p4la=p4la pentin1 atau distri6usi spasial untuk

mempermudah interpretasi dan analisis ;itra sehin11a dari ;itra terse6ut diper4leh

inf4rmasi 5an1 6ermanfaat Klasifikasi di6a1i menjadi + ma;am, 5aitu klasifiksi

supervised dan klasifikasi unsupervised

# Klasifikasi Supervised

Pada met4de supervised ini, analis terle6ih dulu menetapkan 6e6erapa

trainin1 area Bdaerah ;4nt4hC pada ;itra se6a1ai kelas lahan tertentu Penetapan ini

6erdasarkan pen1etahuan analis terhadap 3ila5ah dalam ;itra men1enai daerah=

daerah tutupan lahan 2ilai=nilai piksel dalam daerah ;4nt4h kemudian di1unakan

4leh k4mputer se6a1ai kun;i untuk men1enali piksel lain Daerah 5an1memiliki nilai=nilai piksel sejenis akan dimasukan kedalam kelas lahan 5an1 telah

ditetapkan se6elumn5a

Met4de Ma


40/42

+ Klasifikasi Unsupervised

ara kerja met4de unsupervised ini merupakan ke6alikkan dari met4de

supervised, dimana nilai=nilai piksel dikel4mp4kkan terle6ih dahulu 4leh k4mputer

kedalam kelas=kelas spektral men11unakan al14ritma klusterisasi Dalam met4de

ini, dia3al pr4ses 6iasan5a analis akan menentukan jumlah kelas B;lusterC 5an1 akan

di6uat Kemudian setelah mendapatkan hasil, analis menetapkan kelas=kelas lahan

terhadap kelas=kelas spektral 5an1 telah dikel4mp4kkan 4leh k4mputer Dari kelas=

kelas B;lusterC 5an1 dihasilkan, analis 6isa men11a6un1kan 6e6erapa kelas5an1 dian11ap memiliki inf4rmasi 5an1 sama menjadi satu kelas

K=Means adalah suatu met4de pen1analisaan data atau met4de Data Minin1

5an1 melakukan pr4ses pem4delan tanpa supervisi BunsupervisedC dan merupakan

salah satu met4de 5an1 melakukan pen1el4mp4kan data den1an sistem partisi

Met4de k=means 6erusaha men1el4mp4kkan data 5an1 ada ke dalam 6e6erapa

kel4mp4k, dimana data dalam satu kel4mp4k mempun5ai karakteristik 5an1

sama satu sama lainn5a dan mempun5ai karakteristik 5an1 6er6eda den1an data

5an1 ada di dalam kel4mp4k 5an1 lain Den1an kata lain, met4de ini 6erusaha

untuk meminimalkan variasi antar data 5an1 ada di dalam suatu ;luster

dan memaksimalkan variasi den1an data 5an1 ada di ;luster lainn5a

Is4Data klasifikasi tak tera3asi men1hitun1 kelas 6erarti merata di

ruan1 data dan kemudian iteratif ;luster pi


41/42

$ Deteksi Garis Pantai

Peru6ahan 1aris pantai merupakan peru6ahan 5an1 ditunjukkan 4leh

peru6ahan kedudukann5a, tidak saja ditentukan 4leh suatu fakt4r tun11al tapi 4leh

sejumlah fakt4r 6eserta interaksin5a Dalam deteksi peru6ahan 1aris pantai suatu

3ila5ah pesisir tertentu dapat di1unakan ;itra multitemp4ral -rtin5a ;itra 5an1

di1unakan merupakan ;itra pada 3ila5ah 5an1 sama den1an rentan1 3aktu 5an1

6er6eda Per6edaan rentan1 3aktu minimal & hin11a #' tahun a1ar dapat

men1interpretasi peru6ahan 1aris pantai 5an1 ;ukup si1nifikan

K4m6inasi 6and 5an1 di1unakan dalam mendeteksi 1aris pantai adalah 6and

+, 6and *, dan 6and & -dapun rumus 5an1 di1unakan dalam melakukan deteksi

1aris pantai 5aitu

( *% + L # and &% + L #C

Dari rumus diatas akan men1hasilkan 1am6ar 5an1 menunjukan per6edaan

antara daratan dan lautan sehin11a akan den1an mudah kita melakukan deteksi 1aris

pantai


42/42

)II K/SIMPU9-2

Setelah melakukan praktikum Inderaja .erapan men1enai klasifikasi supervised,

klasifikasi unsupervised, dan deteksi peru6ahan 1aris pantai maka dapat disimpulkan

6ah3a den1an men11unakan s4ft3are /2)I kita dapat melakukan + ma;am klasifikasi,5aitu klasifikasi supervised dan klasifikasi unsupervised Dimana klasifikasi supervised

itu merupakan klasifikasi 5an1 dilakukan se;ara lan1sun1 4leh 5an1 men1analisa,

sedan1kan klasifikasi unsupervised itu merupakan klasifikasi 5an1 dilakukan 4leh

k4mputer 2amun, meskipun klasifikasi unsupervised merupakan klasifikasi 5an1 t idak

ter6im6in1 Blan1sun1 4leh k4mputerC, tetap saja didalamn5a ada ;ampur tan1an

pen1analisa untuk menentukan 6erapa 6an5ak kelas 5an1 akan diklasifikasikan

Selain itu, den1an s4ft3are /2)I kita ju1a dapat melakukan penerapan inderaja 5aitu

mendeteksi 1aris pantai Den1an men11unakan k4m6inasi 6and +, 6and *, dan 6and

& kita dapat melihat 1aris pantai atau melihat per6edaan antara daratan dan lautan

den1an

jelas, den1an rumus

( *% + L # and &% + L #C

)III D-.-0 PUS.-K-

h tt p s :% %33 3 a;a d e mi a e du%&?($'?A % - n a lis a . u t u p a n 9 a h a n m e n 11 u n a k a n K la s if ik

a s i S up e r v is e dd a n U n s up e r v is e d

h tt p: %%1e 4 d = * = u s 6 l4 1 s p4 t ; 4 id%+'#+ % 'A% k la s if ik a s i = ; it r a h t m l

h tt p: %%a e n 5 s u 1 ia n t4 6 l4 1 s p4t ; 4 id%+'#& % '&%p e n 1 in d e r aa n = ja u h = u n t uk =

p e s is ir h t m l h tt p: %%6 l4 1 s p a t ia l; h a p t e r ; 4 m %+'## %#'%de t e k s i= 1 a r is = p a n t a i=

d e n 1 a n h t m l
https://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_Klasifikasi_Supervised_dan_Unsupervisedhttps://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_Klasifikasi_Supervised_dan_Unsupervisedhttps://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_Klasifikasi_Supervised_dan_Unsupervisedhttp://geod-4-us.blogspot.co.id/2012/09/klasifikasi-citra.htmlhttp://aenysugianto.blogspot.co.id/2015/05/penginderaan-jauh-untuk-pesisir.htmlhttp://aenysugianto.blogspot.co.id/2015/05/penginderaan-jauh-untuk-pesisir.htmlhttp://aenysugianto.blogspot.co.id/2015/05/penginderaan-jauh-untuk-pesisir.htmlhttp://blog.spatialchapter.com/2011/10/deteksi-garis-pantai-dengan.htmlhttp://blog.spatialchapter.com/2011/10/deteksi-garis-pantai-dengan.htmlhttp://blog.spatialchapter.com/2011/10/deteksi-garis-pantai-dengan.htmlhttps://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_Klasifikasi_Supervised_dan_Unsupervisedhttp://geod-4-us.blogspot.co.id/2012/09/klasifikasi-citra.htmlhttp://aenysugianto.blogspot.co.id/2015/05/penginderaan-jauh-untuk-pesisir.htmlhttp://aenysugianto.blogspot.co.id/2015/05/penginderaan-jauh-untuk-pesisir.htmlhttp://blog.spatialchapter.com/2011/10/deteksi-garis-pantai-dengan.htmlhttp://blog.spatialchapter.com/2011/10/deteksi-garis-pantai-dengan.htmlhttps://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_Klasifikasi_Supervised_dan_Unsupervisedhttps://www.academia.edu/5683069/Analisa_Tutupan_Lahan_menggunakan_Klasifikasi_Supervised_dan_Unsupervised

indraja terapan final project

Documents