LAPORAN AKHIR PRAKTIKUM

PENGINDERAAN JAUH

OLEH :
DARWIS GIDION 1606122626
FAHMI HAMID 1606110580
JEPRI HANDA SITOMPUL 1606116206
MUHAMMAD IVANALDI 1606116154
M. NAFIS ARSYADA 1606123122
SARI AYU 1606110622

JURUSAN KEHUTANAN
FAKULTAS PERTANIAN UNIVERSITAS RIAU
PEKANBARU
2017
 KATA PENGANTAR

Puji dan syukur penulis ucapkan atas kehadirat Allah SWT, karena atas
rahmat dan karunia-Nya penulis dapat menyelesaikan Laporan Akhir Praktikum
Penginderaan Jauh. Tidak lupa shalawat beriring salam penulis kirimkan kepada
Nabi Muhammad SAW yang telah membawa kita dari zaman kebodohan sampai
ke zaman yang berilmu pengetahuan seperti yang kita rasakan pada saat ini.
Selesainya laporan ini tidak terlepas dari bimbingan dan bantuan dari
dosen dan asisten Penginderaan Jauh serta bantuan moral dan doa dari keluarga
serta partisipasi dari teman-teman praktikan lainnya. Atas semuanya penulis
ucapkan terima kasih.
Penulis juga berharap laporan ini dapat bermanfaat bagi penulis terutama
dan bagi para pembaca nantinya. Jika terdapat kesalahan dan kekurangan yang
ada pada Laporan Akhir Praktikum Penginderaan Jauh ini, penulis mohon maaf
yang sebesar-besarnya. Dari itu semua, penulis meminta kepada pembaca atas
kritik dan sarannya agar laporan ini dapat mencapai kesempurnaan. Atas kritik
dan sarannya penulis ucapkan terima kasih.

Pekanbaru, 20 November 2017

Penulis

2
 DAFTAR ISI

KATA PENGANTAR .................................................................................. i

DAFTAR ISI ................................................................................................. ii

DAFTAR GAMBAR

BAB 1. PENDAHULUAN ........................................................................... 1

1.1. Latar Belakang ................................................................................... 1

1.2. Tujuan ................................................................................................ 2

BAB 2. PROSES PENGERJAAN ................................................................ 3

2.1. Membuat Data Set ............................................................................. 3

2.1.1. Waktu dan Tempat ....................................................................... 3

2.1.2. Alat dan Bahan ............................................................................. 3

2.1.3. Tahapan Pengerjaan ..................................................................... 3

2.1.4. Hasil dan Pembahasan .................................................................. 7

2.2. Koreksi Radiometrik .......................................................................... 9

2.2.1. Waktu dan Tempat ....................................................................... 9

2.2.2. Alat dan Bahan ............................................................................. 9

2.2.3. Tahapan Pengerjaan ..................................................................... 9

2.2.4. Hasil dan Pembahasan .................................................................. 12

2.3. Koreksi Geometrik ............................................................................ 14

2.3.1. Waktu dan Tempat ....................................................................... 14

2.3.2. Alat dan Bahan ............................................................................. 14

2.3.3. Tahapan Pengerjaan ..................................................................... 14

2.3.4. Hasil dan Pembahasan .................................................................. 17

2.4. Klasifikasi Terbimbing ...................................................................... 18

2.4.1. Waktu dan Tempat ....................................................................... 18

3
 2.4.2. Alat dan Bahan ............................................................................. 18

2.4.3. Tahapan Pengerjaan ..................................................................... 18

2.4.4. Hasil dan Pembahasan .................................................................. 21

2.5. Klasifikasi Tidak Terbimbing ............................................................ 22

2.5.1. Waktu dan Tempat ....................................................................... 22

2.5.2. Alat dan Bahan ............................................................................. 22

2.5.3. Tahapan Pengerjaan ..................................................................... 22

2.5.4. Hasil dan Pembahasan .................................................................. 24

BAB III. KESIMPULAN DAN SARAN ...................................................... 26

3.1. Kesimpulan ........................................................................................ 26

3.2. Saran ................................................................................................. 26

DAFTAR PUSTAKA .................................................................................... 27

4
 BAB I. PENDAHULUAN

1.1. Latar Belakang

Indraja adalah singkatan dari pengindraan jauh atau remote senseing.

Menurut Lindgreen, pengindraan jauh berarti teknik yang dikembangkan untuk
memperoleh dan menganalisis informasi tentang bumi.
Adapun menurut Lillesand dan Kiefer (1979), pengindraan jauh berarti
ilmu, seni, dan teknik untuk memperoleh informasi tentang objek, area, atau
gejala dengan jalan menggunakan alat tanpa kontak langsung dengan objek, area,
atau gejala yang dikaji..
Penginderaan jauh telah menjadi teknik yang dipandang sangat penting
untuk dikuasai oleh para pengelola sumber daya alam. Ilmu-ilmu terapan seperti
pertanian, perkebunan, kehutanan, perikanan, pertambangan, tata kota, dan lain-
lain akan lebih mudah jika dalam pengelolaannya menggunakan data
penginderaan jauh. Bahkan menjadi sangattidak efisien jika melakukan
inventarisasi, survei penggunaan lahan, survei bangunanmengunakan cara
pengukuran langsung di lapangan secara keseluruhan. Namun bukan halyang
bijaksana pula jika hanya mengandalkan data penginderaan jauh tanpa melakukan
checking lapangan.
Sekarang telah dikenal berbagai aplikasi yang menggambarkan kondisi
permukaan bumi pada berbagai lokasi di belahan dunia. Aplikasi untuk kegiatan
pertanian, kehutanan, perkebunan, pertambangan, dan lain-lain sangat tergantung
pada data penginderaan jauh.Aplikasi sehari-hari yang digunakan seperti Google
Earth, Google Maps, Yahoo Maps,Bhuvan, ArcGIS Explorer dan aplikasi lainnya
yang bersifat menampilkan data permukaan bumi pada dasarnya juga sangat
bergantung dari pengolahan data penginderaan jauh citrasatelit.
Data penginderaan jauh memerlukan pengolahan untuk dapat digunakan
sebagaisumber informasi suatu wilayah. Pengolahan data penginderaan jauh
meliputi image preprocessing/ prapengolahan citra (misalnya impor data,
koreksi radiometrik, koreksi geometrik, klasifikasi terbimbing, mosaik citra,
pemotongan citra), processing/ pengoahan citra (misalnya pembuatan training
area, klasifikasi citra, matrikskonfusi),post processing / pasca pengolahan citra
program GIS (Geographic Information System), raster to vector, ekspor data,
danlain-lain). Urutan pemrosesan tidak berlaku mutlak, artinya bisa jadi
kebutuhan pengolahandata hanya sampai pada tahapan mosaic citra dan kemudian
dilanjutkan dengan on screendigitizing menggunakan program GIS seperti
Arcview, ArcGIS, MapWindow, MapInfo, dan lain-lain atau tanpa klasifikasi citra
sama sekali di program pengolahan citra. Namun sebelum data diolah oleh
program GIS, data citra satelit harus diolah terlebih dahulu menggunakan program
pengolah citra. Program pengolahan data citra satelit diantaranya ER Mapper.

1.2. Tujuan

1. Mahasiswa dapat memahami proses kerja aplikasi Er Mapper

2. Mahasiswa dapat mengaplikasikan aplikasi Er Mapper

 BAB 2. PROSES PENGERJAAN

2.1 Membuat Dataset

2.1.1 Waktu dan Tempat

Praktikum ini di lakukan pada tanggal 2 Oktober 2017 pukul 15:00 WIB di

ruangan E5.

2.1.2 Alat dan Bahan

Alat yang di gunakan pada praktikum ini yaitu perangkat keras (hardware)

laptop.dan bahan yang di gunakan adalah perangkat lunak (software) ER Mapper

2.1.3 Tahapan Pengerjaan

File data citra sumber tersimpan dalam file yang terpisah-pisah berdasarkan

band-nya masing-masing. Sebelum diolah, file-file tersebut harus digabungkan

menjadi satu dataset yang tercirikan dengan penggabungan beberapa file tersebut

menjadi satu. Langkah-langkahnya adalah sebagai berikut:

Klik Load Dataset

Gambar 1. Jendela untuk membuat Dataset

Duplikasikan layer menjadi 7 (atau sesuai dengan jumlah band yang akan

digabungkan).

Kemudian rename (dengan men-double klik) tiap layer menjadi

nama/nomer band-nya masing-masing.

Gambar 2. Jendela untuk duplikasi layer

Contoh:

B1,B2,B3 dan seterusnya.

Gambar 3. Pengisian file band pada tiap layer

Kemudian isikan tiap layer dengan file band nya masing-masing

dengan men-klik LOAD DATASET.

Catatan :

- Untuk mengganti jenis layer klik kanan pada layer yang akan diganti.

- Untuk menduplikasi layer klik Duplicate atau copy layer kemudian

paste layer

- Untuk menghilangkan layer klik cut layer

- Untuk Menonaktifkan layer, klik kanan kemudian pilih Turn Off

atau klik

- Gambar dan untuk menaikan dan menurunkan layer setingkat

Selanjutnya akan muncul jendela FILE REPOSITORY yang berisikan file

citra yang akan diolah. Pada data mentah citra (data asli yang belum

dilakukan analisa atau pengolahan apapun), pilihlah file Band 1. Lalu klik

tombol OK this layer only. Langkah serupa berlaku juga untuk band-band

yang lainnya.
Gambar 4. Jendela file repository citra yang akan diolah

Bila telah lengkap terisi untuk seluruh band yang akan digabungkan,

tampilan jendela algoritm akan tampak seperti gambar disamping. Dalam

jendela ini, lakukanlah pengecekan ulang, apakah tiap layer band telah

berisi file band yang sesuai.

Gambar 5. Jendela algoritma

 Selanjutnya pada menu utama, klik SAVE AS pada pulldown menu FILE.

Buat nama baru untuk dataset yang akan dibuat, tipe file yang dipilih

adalah ER Mapper Raster Dataset (.ers).

Gambar 6. Menu utama

2.1.4 Pembahasan

Dalam ER Mapper dikenal tiga bentuk format data yaitu :

1. Format Raster Dataset dan Header File (.ers)
Sebuah data raster dalam ER Mapper terdiri dari dua bagian :
Bagian pertama berupa Dataset Header File, yang merupakan sebuah file
ASCII yang menerangkan data raster yang ada dalam file data.

Bagian kedua berupa Data File, yang berisi data raster itu sendiri.
Dataset Header File memiliki nama yang sama dengan nama file
datanya. Misalnya Bogor.ers merupakan nama Dataset Header File dari
Data File Bogor.

2. Format Vector Dataset dan Header File (.erv)

Sebuah data vector dalam ER Mapper terdiri dari dua bagian :
Bagian pertama berupa Dataset Header File, yang merupakan sebuah file
ASCII yang menerangkan data vector yang ada dalam file data.

Bagian kedua berupa Data File, yang berisi data vector itu sendiri.
 3. Format Algorithms File (.alg)
File Algoritma menerangkan mengenai dataset dan proses- proses
yang kita lakukan terhadap suatu citra tertentu, sehingga kita bisa
menampilkan secara langsung citra hasil pengolahan.
2.2 Koreksi Radiometrik

2.2.1 Waktu dan Tempat

Praktikum di lakukan pada hari jumat tanggal 10 November 2017 pukul

10:00 WIB di ruangan A3

2.2.2 Alat dan Bahan

Alat yang di gunakan pada praktikum ini yaitu perangkat keras (hardware)

laptop.dan bahan yang di gunakan adalah perangkat lunak (software) ER Mapper

2.2.3 Tahapan Pengerjaan

Klik Edit Algorithm

Gambar 7.

Kombinasikan Band. Kali ini akan digunakan 5 kombinasi band, yaitu 7-4-

5, 4-5-3, 5-4-1, 1- 3-5, dan 4-5-7. Yang dilakukan hanayalah mengubah

box yang menunjukkan Band yang digunakan. Citra akan menunjukkan

 perubahan warna yang berbeda pada setiap kombinasi yang dilakukan

seperti gambar di bawah.

Gambar 8.

Lakukan koreksi pada warna agar warna yang ditampilkan citra menjadi lebih

tajam. Edit Transform Limit (icon kurva) Lihat Actual Input

Limits.Lakukan koreksi pada warna agar warna yang ditampilkan citra

menjadi lebih tajam. Edit Transform Limit (icon kurva) Lihat Actual Input

Limits.Limit berkisar antara 0 255. Jika tidak menujukkan angka 0 (nol)

maka ubah formulanya. Edit Formula Kurangi INPUT1 agar limit menjadi

0 (nol) Apply Changes.Misal, limit adalah 19 255 maka kurangi

INPUT1 dengan 19. Lakukan langkah koreksi ini pada layer Red, Green,

Blue pada kelima kombinasi band. Lihat gambar di bawah.

Gambar 9.
 2.2.4 Pembahasan

Kombinasi ini tidak melibatkan saluran visibel, memberikan kita penetrasi

atmosfer yang terbaik. Pesisir dan garis pantai terdefinisikan dengan baik. Dapat

digunakan untuk mencari karakteristik tekstural dan kelembapan tanah. Vegetasi

terlihat hijau. Kombinasi ini dapat berguna untuk studi geologi. Hasil koreksi

radiometrik pada kombinasi band ini memperjelas warna air yang awalnya agak

merah menjadi hitam sehingga garis pantai terlihat lebih jelas. Berikut merupakan

hasil citra sebelum koreksi dan setelah dilakukan koreksi.

Pada komposit band 4,5,3 lahan terbangun ditandai dengan warna biru

mudah dengan rona cerah. Kelebihan dari komposit band 4,5,3 untuk interpetasi

lahan terbangun adalah dari ronanya. Semakin cerah rona dari warna biru maka

lahan terbangun yang ada semakin padat, sedangkan semakin gelap rona dari

warna biru maka lahan terbangun yang ada semakin jarang. Kenampakan objek

garis berupa jalan terlihat cukup jelas dan dapat dibedakan dengan kenampakan

objek area berupa lahan terbangun. Jalan ditunjukan dengan sebuah garis

melintang dengan warna biru berona gelap. Tutupan vegetasi dtandai dengan

warna jingga. Komposit band 4,5,3 merupakan komposit warna yang bukan

sebenarnya/false color composite dimana cocok untuk mengidentifikasi objek

lahan terbangun dan objek jalan. Setelah dilakukan koreksi radiometrik, warna

yang dihasilkan menjadi lebih tajam sehingga perbedaan antar warna terlihat lebih

jelas. Berikut merupakan hasil citra sebelum koreksi dan setelah dilakukan

koreksi.

Komposit band 1, 3, 5 ini biasa digunakan untuk mendeteksi tutupan

awan. Dalam gambar terlihat awan ditandai dengan warna putih, daratan berwarna
biru, dan perairan ditandai degan warna hijau untuk peairan dangkal dan hitam

untuk perairan dalam. Dalam koreksi radiometril yang dilakukan, terlihat jelas

perbedaan kontras yang terjadi. Lahan daratan yang tadinya ditandai dengan

warna ungu berubah menjadi biru dan terlihat lebih kontras. Komposit and 1, 3, 5

menujukkan perbedaan warna yang kontras sehingga objek awan dapat dideteksi

dengan mudah.

Komposit band 5, 4, 1 ini digunakan untuk mendeteksi tutupan vegetasi.

Kombinasi tersebut akan menampakkan warna hijau sebagai daerah vegetasi.

Perairan diwakilioleh warna biru dan lahan terbangun diwakili oeh warna ungu.

Namun, saat koreksi radiometrik dilakukan, terdapat perbedaan pada kenampakan

warna. Visualisasi citra terlihat lebih kontras dan nyata. Perairan diwakili oleh

warna hitam, lahan terbangun diwakili oleh warna coklat, sedangkan vegetasi

tetap berwarna hijau.

Komposit band 4, 5, 7 ini biasa digunakan untuk mendeteksi perairan.

Saluran 5 sensitif akan variasi kandungan air, vegetasi berdaun banyak dan

kelembapan tanah. Saluran ini mencirikan tingkat penyerapan air yang tinggi,

sehingga memungkinkan deteksi lapisan air yang tipis (kurang dari 1 cm).

Perubahan warna yang dihasilkan dari koreksi radiometrik untuk komposit band

ini tidak begitu signifikan. Perubahan terjadi pada daerah perairan yang terlihat

lebih jelas dan kontras.

2.3 Geometric correction (Koreksi geometrik)

2.3.1 Waktu dan Tempat

Prakuikum ini di lakukan pada tanggal 2 Oktober 2017 pukul 15:00 WIB

di ruangan E5.

2.3.2 Alat dan Bahan

Alat yang di gunakan pada praktikum ini yaitu perangkat keras (hardware)

laptop atau perangkat lunak (software) ER Mapper.dan bahan yang di gunakan

adalah dataset (algoritma).

2.3.3 Tahapan Pengerjaan

Langkah dalam pengerjaan koreksi geometri adalah:

1. Klik load algoritm or dataset pada input file setelah mengaktifkan opsi tipe

geocoding polinomial.

2. Setelah muncul jendela file input, masukkan dataset atau algoritma yang

telah dibuat sebelumnya. Tentukan datasetnya dan klik OK.

Gambar 10. Jendela geocoding polinomial.

3. Selanjutnya beranjak dari langkah 2 , yaitu polinomial setup dalam

langkah ketiga ini terdapat 3 order polinomial yang ditawarkan oleh sistem

yaitu linear, quadratic dan qubic. Untuk linear diperlukan minimal 3 GCP,

untuk quadratic diperlukan minimal 6 GCP dan Cubic minimal 10 GCP.

Pemilihan metode yang ingin digunakan dapat mengacu pada kondisi

daerah yang akan dikoreksi citranya. Untuk daerah yang relatif datar

pemilihan metode linear sudah cukup baik dengan 3 GCP atau lebih.

Untuk daerah yang berbukit atau bergelombang pemilihan metode

quadratic, untuk daerah yang bergunung dengan beda tinggi sangat

bervariasi lebih disarankan untuk menggunakan polinomial orde 3 dengan

10 atau lebih GCP.

Gambar 11. Set up polinomial.

4. Pada tutorial ini, akan dipilih median dari ketiganya yaitu order

polinomial quadratic. Aktifkan opsinya, kemudian langsung beralih ke

langkah ke-3, yaitu GCP setup.

5. Aktifkan (cek-list) pilihan geocoded image, vector, or algorithm bila

sumber acuan merupakan peta dasar atau citra yang telah terkoreksi

sebelumnya. Pilihan kedua, Select GCP from Digitizer diaktifkan bila GCP

yang digunakan langsung diambil dari peta dasar melalui digitizer tablet.

6. Masukkkan file acuan, sebagai contoh kasus file acuan yang diambil

adalah data vektor sungai. Informasi mengenai sistem koordinat file akan

langsung terbaca dalam Output Coordinate Space.

Gambar 12. Memasukkan file acuan dalam geocoding polinomial.

7. Langkah selajutnya adalah GCP edit. Tombol digunakan untuk membuka

file GCP edit sebelumnya. Tombol digunakan untuk menyimpan GCP

edit yang dilakukan. Tombol digunakan untuk menambah titik kontrol.

Tombol digunakan untuk menghapus titik kontrol yang telah dibuat

sebelunmnya. Tombol digunakan untuk men-zoom-ing titik kontrol yang

ada. Tombol digunakan untuk menghapus semua titik kontrol yang telah

dibuat sebelumnya. Tombol digunakan untuk menghitung titik

kontrol yang tidak akurat.

2.3.4 Pembahasan
 Perbedaan antara mengkoreksi geometri ordo satu dan ordo dua. Pada ordo

satu, ditentukan minimal empat titik koordinat dalam koreksi geometri. Hasil ordo

satu kurang spesifik. Pada ordo dua, ditentukan minimal enam titik koordinat

dalam koreksi geometri. Hasil ordo dua akan terlihat spesifik. Semakin banyak

titik koordinat yang ditentukan dalam koreksi geometrim maka hasil citra yang

dikoreksi akan detail dan spesifik. Metode interpolasi memiliki tiga kalsifikasi

yaitu Nearest Neighbor, Bilinear Interpolation, dan Cubic Convolution. Nearest

Neighbor yaitu metode untuk mengklasifikasi sebuah data baru berdasarkan

similaritas dengan label data

Dalam metode ini similaritas biasanya menggunakan matriks jarak dan

satuanjarak umumnya menggunakan euclidian. konsepnya adalah mencari jarak

terdekat antara data yang akan di evaluasi dalam data pelatihan. Perhitungan jarak

dilakukan dengan konsep euclidian. Jumlah kelas yang paling banyak dengan

jarak terdekat tersebut akan menjadi kelas dimana data evaluasi tersebut berada.

Nearest Neighbor, Bilinear Interpolation dan Cubic convolution termasuk dalam

metode interpolasi yang digunakan untuk menentukan nilai piksel untuk citra

yang dikoreksi. Pada Nearest Neighbor itu nilai pikses dihitung berdasarkan nilai

piksel yang terdekat dari citra aslinya. Bilinear Interpolation itu nilai piksel

dihitung berdasarkan rata rata dari empat piksel terdekat dari citra aslinya. Cubic

Convolution itu nilai piksel citra output didasarkan dari enam belas piksel di

sekitarnya. Penentuan metode interpolasi yang akan digunakan diantaranya adalah

dengan ukuran piksel antara piksel input dengan piksel output uang diharapkan

serta tujuan dari proses resample citra itu sendiri.

2.4 Klasifikasi Terbimbing

2.4.1 Waktu dan Tempat

Praktikum di laksanankan pada tanggal 17 November 2017 pukul 10:00

WIB di ruangan A2

2.4.2 Alat dan Bahan

Alat yang di gunakan adalah laptop dan bahn yang di gunankan adalah ER

Mapper

2.4.3 Langkah Pengerjaan

Prosedur yang perlu dilakukan pada metode ini adalah sebagai berikut:

1. Pembuatan Training Area.

Buka file yang akan dibuat training area.

Training area dibuat dengan memilih Edit/Create Region pada menu Edit.

Kemudian akan muncul dialog box berikut :

 Klik OK pada dialog box tersebut. Lalu akan muncul

Annotation Tool seperti pada gambar berikut :

o Tombol Polygon adalah untuk menggambar dalam bentuk poligon.

o Tombol Rectangle adalah untuk menggambar region dalam

bentuk bujur sangkar.

o Tombol Select/Edit Points Mode adalah untuk menunjuk region.

o Tombol Delete Object adalah untuk menghilangkan region yang kita

buat
o Tombol Display/Edit Object Attributes adalah untuk memberi

nama region. (Ingat setelah kita membuat region pastikan region telah diberi

nama.)

o Tombol Save As adalah untuk menyimpan region yang kita buat

dalam file baru.

o Tombol Save adalah untuk menyimpan region yang kita buat dalam

file yang aktif.

2. Memulai proses klasifikasi terbimbing

Setelah training area dibuat dan disimpan, kita dapat memulai proses

klasifikasi. Pilih Classification pada menu Process. Lalu pilih Supervised

Classification. Setelah itu akan muncul dialog box berikut :

Klik Setup untuk menampilkan region yang kita buat. Disini kita dapat

memilh kelas yang akan dihilangkan atau ditambahkan seperti pada gambar

berikut :
 Klik Close untuk kembali ke dialog box awal.

Pilih Classification Type yang kita inginkan.

Klik OK untuk memulai proses klasifikasi.

3. Memberi nama dan warna region. (Tahapan ini sama halnya dengan

metode Unsupervised Classification)

4. Menampilkan warna pada citra terklasifikasi di Image Window. (Tahapan

ini sama dengan metode Unsupervised Classification)

2.4.5 Pembahasan

Klasifikasi terbimbing merupakan metode yang dipandu dan

dikendalikan sebagian besar atau sepenuhnya oleh pengguna dalam proses

pengklasifikasiannya. Intervensi pengguna dimulai sejak penentuan training

area hingga tahap pengklasterannya. Klasifikasi terbimbing dalam hal ini

mensyaratkan kemampuan pengguna dalam penguasaan informasi lahan

terhadap areal kajian.

2.5 Klasifikasi tidak Terbimbing

2.5.1 Waktu dan Tempat

Praktikum ini di lalukan pada tanggal 17 November 2017 pukul 10:00

WIB di ruangan A2

2.5.2 Alat dan Bahan

Alat yang di gunakan adalah laptop dan bahannya adalah ER Mapper

2.5.3 Langkah pengerjaan

Dalam klasifikasi tak terbimbing langkah kerjanya adalah sebagai berikut :

1. Menentukan jumlah kelas, ulangan, dan jumlah band yang digunakan.

Pada menu Proccess pilih Classification kemudian pilih ISOClass

Unsupervised Classification. Kemudian muncul dialog box berikut :

Input Dataset adalah data yang akan kita proses unuk klasifikasi. Ingat dataset

dalam format .ers.

Band to use adalah pilihan band yang diinginkan dalam proses klasifikasi.

Output Dataset adalah nama dataset yang kita buat sebagai identitas data hasil

klasifikasi.

Maximum iteration adalah banyaknya ulangan yang kita inginkan dalam

proses klasifikasi. Tampilan pertama adalah 99999 untuk mempersingkat

proses kita dapat mengubah jumlah ulangan.

 Desired percent unchanged adalah untuk menentukan berapa persen kelas

yang tak berubah.

Maximum number classes adalah banyaknya kelas yang kita inginkan.

Klik OK untuk mulai proses.

2. Menentukan warna dan nama kelas yang kita inginkan.

Pada menu Edit pilih Edit Class/Region Color and Name. Kemudian

muncul dialog box berikut :

Isi nama kelas dan pilih warna kelas yang kita inginkan.

Klik Save pada dialog box setelah kita menentukan warna dan nama kelas.
 3. Menampilkan warna pada citra terklasifikasi di Image

Window.

Tampilkan Algorithm dialog box.

Kemudian klik Edit pada Algorithm Dialog Box lalu pilih Add Raster

Layer.

Klik Class Display.

Sorot Class Display pada layer kemudian klik tombol Load Dataset

untuk memilih file citra terklasifikasi unsupervised dan klik OK.

Setelah itu klik GO untuk mendisplay citra terklasifikasi unsupervised sesuai

dengan warna yang kita inginkan.

2.4.5 Pembahasan

Klasifikasi tidak terbimbing merupakan metode yang memberikan

mandat sepenuhnya kepada sistem/komputer untuk mengelompokkan data

raster berdasarkan nilai digitalnya masing-masing, intervensi pengguna dalam

hal ini diminimalisasi. Jenis metode ini digunakan bila kualitas citra sangat

tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun,

dalam banyak kasus, terlepas dari kondisi citra yang bersangkutan, metode ini

banyak digunakan untuk memberikan gambaran kasar/ informasi awal.

Mengacu pada proses dan hasil klasifikasi yang telah dilakukan

nampak bahwa metode klasifikasi tidak terbimbing kerap kali melakukan

generalisasi yang tidak sesuai dengan harapan pengguna. Dari contoh di atas

dapat dilihat bahwa beberapa kelompok data piksel yang teridentifikasi

sebagai bayangan awan dikelompokkan sama dengan badan air. Kondisi ini

merupakan pengaruh dari jumlah pembagian kelas yang kurang detil atau

karena sebaran kualitas atmosferik data pada citra yang tidak seragam. Kasus

tersebut dalam metode klasifikasi terbimbing tidak akan terjadi, karena

pengguna akan menuntun sistem identifikasi pada kelompok-kelompok

piksel sehingga masuk kelompok kelas tertentu dalam suatu training area.
 BAB III. KESIMPULAN DAN SARAN

3.1. Kesimpulan

Mahasiswa dapat memahami kegunaan dan mengetahui tentang aplikasi Er

Mapper serta bagaimana aplikasi Ep Mepper ini bekerja. Mahasiswa dapat

mengaplikasikan atau mengimplementasikan aplikasi Er mapper untuk

memetakan suatu area.

3.2 Saran

Sebaiknya saat memakai aplikasi di haruskan hati-hati saat memasukaan

data agar tidak terjadi eror.

 DAFTAR PUSTAKA

2012. ERMapper. Dalam www.oocities.org diakses pada tanggal 20 November

2017

2013. Manfaat Citra Satelit di Bidang Perencanaan dan Pembangunan Wilayah.

Dalam www.wordpress.com diakses pada tanggal 20 November 2017

Fadilah. 2012. Komposit Band dalam Citra Satelit. Dalam www.blogspot.com

diakses pada tanggal 20 November 2017

Ridwana, Riki. 2012. Koreksi Geometrik. Dalam www.blogspot.com diakses

pada tanggal 20 November 2017

Saribu, Ridwan. 2008. Koreksi Radiometrik. Dalam www.blogspot.com diakses

pada tanggal 20 November 2017