acara 3.doc

LAPORAN PRAKTIKUMSISTEM INFORMASI GEOGRAFI II

(TNH 011)

ACARA IIIMEMBANDINGKAN LUAS LAHAN (Ha) DENGAN KLASIFIKASIUN-SUPERVISED DAN KLASIFIKASI SUPERVISED

DISUSUN OLEH :

ARIES MUHAMMAD SYARWANIE

A0B011010

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS JENDERAL SOEDIRMAN

FAKULTAS PERTANIAN

D3-PERENCANANAAN SUMBERDAYA LAHAN

PURWOKERTO

2013

III. METODE PRAKTIKUM

A. ALAT DAN BAHAN

Komputer Citra LandsatTM6Band.ers Program ER Mapper7.0 dan ArcView 3.2 PrinterB. PROSEDUR KERJA

A. Klasifikasi Un-Supervised ( Tidak Terbimbing)

1. Buka Program ER Mapper New /Open LandsatTM6Band.ers

2. Dilakukan Cropping Citra tersebut dengan ukuran Cell X= 400 Cell Y=600, View Geoposition Extent - Ok

3. Ditentukan Daerah Kajian Citra tersebut minimal 6 Penggunaan Lahan digunakan Hand Tools, Klik Kanan pada citra pilih Hand Tools tinggal tarik citra.

Hasil Crooping

4. Klik kanan pada citra, masuk ke menu algorithm, di ganti tampilan R-G-B klik kanan pilih Pseudo Layer , dan Dihapus Band Red-Green-Blue dengan mengklik gambar gunting dan disisakan 1 ganti dengan klik kanan pilih pseudo layer.

5. Dihapus saja semua tranformnya pada setiap band 1 sampai band 7gambar pada menu algorithm klik - edit-delete this transform- close.

6. Pilih tab menu surface-color mode- pilih greyscale close menu algorithm.

7. Klik kanan pada Citra File Save as beri nama CropCitra.ers

9. Buka file save as CropCitra.ers dengan program Er Mapper 7.0 dan di dilakukan Calculate Statistics , Klik Process Calculate Statistics tunggu proses - Ok Close

10. Klik Process Classification ISOCLASS Unsupervised Classifications pada menu di isi Input CropCitra dan Output UnsupCitra , Maximum Iterations = 10 dan Maximum Number of Class = 6 centang auto resampling Ok ,tunggu proses selesai Ok - close.

11. Dibuka citra UnsupCitra.ers, Pilih Edit Edit Class/Region Class and Name Klik Autogen Colors- centang full saturations Auto Gen.

Atau bisa dipilih warna sesuka hati dan berikan nama keterangan 6 kelas berdasarkan analisis yang dilakukan Save,Overwrite - Ok

Menjadi 6 Jenis Penggunaan Lahan berdasarkan warna yang dikehendaki/terbimbing.

12. Masuk ke menu Algorthm, pada pilihan Pseudo klik kanan pilih Class Display

Tampilan Citra setelah Klasifikasi Unsupervised

13. Klik kanan pilih File save as simpan dalm format geotif (.tif)

14. Dicatat luasan analisis dengan membuka calculate statistic, View Statistic -Show Statistic Display-Ok

B. Klasifikasi Supervised

1. Buka file save as CropCitra.ers dengan program Er Mapper 7.0 dan di dilakukan Calculate Statistics , Klik Process Calculate Statistics tunggu proses - Ok Close

2. Masuk pada proses klasifikasi citra Terbimbing. Klik Edit Edit/Create Region

muncul kotak dialog (pastikan yang dipilih raster) klik Ok. Akan muncul tools (polygon di cut)

1

Berikut fungi Tools-nya

=Menambah region baru dalam bentuk polygon

= Memberi nama/karakteristik pada region baru

= Menyimpan nama sekaligus region baru

= Menghapus object region

= Menggabungkan polygon dan line (polyline)

= Memperbaiki polygon atau line pada region baru

3. Region: LAUT DALAM ,Pilih Display/Edit klik ABC akan muncul kotak dialog Map Composition Attribute isi kolom region dengan LAUT DALAM Apply Close Save File 4. Region : HUTAN , Klik ABC Apply Close SaveFile Ok

5. Region : PEMUKIMAN , Klik ABC Apply Close Save File Ok

6. Region : LAUT DANGKAL , Klik ABC Apply Close Save File Ok

7. Region : TANAH LUMPUR , Klik ABC Apply Close Save File Ok

8. Region : TEGALAN , Klik ABC Apply Close Save File Ok

9. Region : SEDIMEN , Klik ABC Apply Close Save File Ok

10. Save (harus ada region: LAUT DALAM, HUTAN, PEMUKIMAN, LAUT DANGKAL, TEGALAN, TANAH LUMPUR, dan SEDIMEN). Save As

Bila tools di close maka akan muncul citra seperti berikut

11. Proses klasifikasi

Klik Procsess Classification Supervised ClassivicationPada menu supervised classification si isi input dataset cropCitra.ers dan output SupCitra.ers Classification Type Maximum Likehood Enhanced Maximum Likehood Standard

maka akan muncul kotak dialog klik ok

12. Klik kanan pada Citra File Save As beri nama SupCitra.ers dan .alg

13. Buka citra hasil metode klasifikasi terbimbing

14. Kemudian edit warnanya lagi. File Edit Class/ Region Color and Name - Edit class display pada algorithm, Klik Auto Gen Color Centang full Saturations Ok Overwrite - Ok

Lalu Refresh , Tampilan Citra setelah di Beri warna

15. Save as beri nama SupCitra.tif (geotif)

16. Dicatat luasan analisis dengan membuka calculate statistic, View Statistic -Show Statistic Display-Ok

IV. HASIL DAN PEMBAHASAN

Klasifikasi tak terbimbing (unsupervised classification) tidak menggunakan data latihan yang ditetapkan oleh analisis. Klasifikasi tak terbimbing lebih banyak menggunakan algoritma yang mengkaji seumlah besar pixel tidak dikenal dan membaginya ke dalam sejumlah kelas berdasarkan pengelompokan biasa nilai citra yang ada. Angapan dasarnya ialah bahwa nilai di dalam suatu jenis tutupan tertentu seharusnya saling berdekatan pada ruang pengukuran, sedangkan data pada kelas yang berbeda harus dapat dipisahkan dengan baik secara komparatif.

Kelas yang dihasilkan dari klasifikasi tak terbimbing adalah kelas spectral.kelas tersebut didasarkan pada pengelompokkan natural nilai spektral citra, ientitas kelas spektral tidak aka diketahui sejak awal.Analisis harus membandingkan data hasil klasifikasi terhadap beberapa bentuk data rujukan untuk menentukan identitas dan nilai informasi kelas spekral tersebut.Selain sistem klasifikasi tidak terbimbing (Un-Supervised) , terdapat pula klasifikasi terbimbing (Supervised) yang membutuhkan pengetahuan tentang kelas kelas( objek-objek ) apa saja yang terdapat dalam target serta lokasinya. Analisis statistik dilakukan pada data multi band untuk masing-masing kelas tersebut akan memperlihatkan cirikhas dari masing masing objek meskipun adakalanya untuk cluster yang sama memiliki definisi objek yang lebih dari satu. Oleh karena itu perlu dilakukan pencitraan dengan menggunakan lebih dari tiga band yang diharapkan untuk objek yang berbeda akan menunjukan respon yang berbeda (unik) sehingga lebih mudah di klasifikasikan pada kelas mana claster tersebut. Berikut hasil statistic per citra :a. DATA STATISTIK DARI CITRA YANG DI KLASIFIKASI TIDAK TERBIMBING

STATISTICS FOR DATASET: CropCitra.ers (using UnsupCitra.ers classes/regions)

REGION: All

Band1

-----

Null Cells 228

Non-Null Cells 308332

Area In Hectares 27749.880

Area In Acres 68571.452

REGION: LAUT

Band1

-----




REGION: SEDIMEN

Band1

-----




REGION: PEMUKIMAN

Band1

-----




REGION: TEGALAN

Band1

-----




REGION: TANAH LUMPUR

Band1

-----




REGION: HUTAN

Band1

-----



Area In Acres 7070.822 b. DATA STATISTIK DARI CITRA YANG DI KLASIFIKASI TERBIMBING

STATISTICS FOR DATASET: CropCitra.ers (using SupCitra.ers classes/regions)

REGION: All

Band1

-----

Null Cells 228




REGION: TANAH LUMPUR

Band1

-----

Non-Null Cells 2841



REGION: TEGALAN

Band1

-----




REGION: LAUT DANGKAL

Band1

-----




REGION: SEDIMEN

Band1

-----




REGION: PEMUKIMAN

Band1

-----




REGION: LAUT DALAM

Band1

-----




REGION: HUTAN

Band1

-----




Perbedaan Luas (Ha) antara Citra Klasifikasi Un-Supervised dan Klasifikasi Supervised disajikan dalam tabel berikut :NO.PENUTUP LAHANLUAS (Ha) pada SUPERVISEDLUAS (Ha) pada UNSUPERVISEDSELISIH LUAS (Ha)

1.LAUT11958.8412282.300-323.460

2.SEDIMEN2765.7001149.0301616.70

3.PEMUKIMAN5186.2503149.8202036.43

4.TEGALAN5983.9203582.5402401.38

5.TANAH LUMPUR255.6904724.730-4469.04

6.HUTAN1599.480861.460738.02

JUMLAH27749.8825749.882000

Berdasarkan hasil yang diperoleh terjadi perbedaan luas antara Klasifikasi Un-supervised dan Klasifikasi Supervised, Dikarenakan komposit warna yang berbeda yang cara mengklasifikasikannya. Contoh Luas Pemukiman : Luas (Ha) pada Supervised ( 5983.920

Luas (Ha) pada Un-Supervised ( 3149.820

Selisih Luas ( 2036.430

Contoh diatas menunjukan bahwa Klasifikasi supervised lebih besar karena saat mengklasifikasi dilakukan oleh user yang mengenal daerah pemukiman, berbeda dengan Un-supervised karena saat mengklasifikasi dilakukan secara otomatis oleh computer sehingga muncul komposit warna berdasarkan pantulan spectral dari Energi Elektromagnetik. Penjumlahan dari semua penutup lahan hasil dapat dilihat bahwa Supervised lebih besar atau luas.

Kelemahan dan Kelebihan Sistem Klasifikasi Un-supervised dan Supervised : Supervised akan lebih teliti bila user sangat memahami daerah kajian dan mudah dilakukan namun bila user tidak memahami daerah tersebut maka klasifikasi susah dilakukan.

Un-supervised sangat mudah dilakukan, cepat akan tetapi akan diklasifikasi secara otomatis berdasarkan pantulan jadi apabila ada objek missal awan secara otomatis akan terklasifikasi menyerupai gedung atau pabrik kurang detail.V.KESIMPULAN

Adapun kesimpulan dari praktikum kali ini :

1. Metode klasifikasi menggunakan ER Mapper ada 2 macam : a.) sistem klasifikasi tidak terbimbing (Un-Supervised) dan b.) klasifikasi terbimbing (Supervised).2. Hasil Penjumlahan dari semua penutup lahan hasil dapat disimpulkan bahwa Supervised lebih besar atau luas dibandingkan Un-supervised.3. Sistem Klasifikasi Supervised dilakukan secara manual dengan mengklasifikasi berdasarkan pengetahuan tentang daerah kajian, sedangkan Sistem klasifikasi Un-supervised dilakukan secara otomatis oleh komputer/program berdasarkan pantulan spectral yang menghasilkan komposit warna secara otomatis.

acara 3.doc

Documents