LAPORAN ER MAPPER ILMU UUR WILAYAH

I. PENDAHULUAN

1.1    Latar Belakang

Informasi mengenai permukaaan bumi dapat diketahui dengan metode penginderaan jauh (remote sensing). Penginderaan jauh berorientasi pada teknologi satelit sebagai wahana pembawa sensor penginderaan jauh tersebut. Salah satu jenis satelit yang membantu dalam proses penginderaan jauh yaitu  landsat.

Data penginderaan jauh dapat berupa data digital atau data numerik untuk dianalisis dengan menggunakan komputer. Selain itu, data yang diperoleh dapat berupa data visual yang dibedakan lagi menjadi citra foto (photographic image) atau foto udara dan citra nonfoto (nonphotographic image). Citra foto adalah gambaran yang dihasilkan dengan menggunakan sensor kamera sedangkan citra non-foto adalah gambaran yang dihasilkan dengan menggunakan sensor bukan kamera. Data penginderaan jauh selanjutnya akan diolah guna memperoleh informasi yang diinginkan, seperti luas suatu lahan perkebunan.

Peningkatan kebutuhan terhadap aplikasi citra yang demikian pesat harus pula didukung oleh suatu pengolahan data citra. Pengolahan data citra bertujuan untuk kepentingan analisis citra, seperti untuk membedakan kategori lahan dalam suatu wilayah. Oleh karena itu, dibutuhkan software pengolah data citra, salah satunya adalah ER Mapper.

ER Mapper berfungsi sebagai pengolah citra, termasuk citra satelit penginderaan jauh. Pada tahap prosedur kerja dalam ER Mapper, dikenal istilah klasifikasi terpantau (supervised classification) dan juga klasifikasi tidak terbimbing (unsupervised classification). Klasifikasi terbimbing mengidentifikasi dan mengklasifikasi piksel-piksel melalui training area sedangkan pada klasifikasi tidak terbimbing pengelompokan piksel-piksel melalui analisa cluster.

Cara pengoperasian ER Mapper penting untuk dipelajari guna memperoleh informasi yang diinginkan. Berdasarkan hal tersebut, praktikum mengenai ER Mapper dilakukan guna mengetahui cara pengoperasian ER Mapper untuk mengetahui luas suatu lahan berdasarkan proses klasifikasi terbimbing  menggunakan data citra satelit Landsat TM 5.

1.2    T ujuan dan Kegunaan

Tujuan dari praktikum ini adalah untuk mengetahui peta yang terbentuk dari kombinasi warna band 543, mampu mengoperasikan ER Mapper dalam proses pengklasifikasian terbimbing, dan mengetahui ciri Kecamatan Biringkanaya berdasarkan jenis penutupan lahan yang terdapat di kecamatan tersebut.

Sedangkan kegunaan dalam praktikum ini adalah diharapkan dapat dijadikan sebagai pelengkap dan sebagai koleksi perbedaharaan luas penutupan dan peta rujukan tata guna lahan.

II. TINJAUAN PUSTAKA

2.1    Penginderaan Jauh (Remote Sensing)

Penginderaan jauh (remote sensing) adalah seni dan ilmu untuk mendapatkan informasi tentang objek, area atau fenomena melalui analisa terhadap data yang diperoleh dengan menggunakan alat tanpa kontak langsung dengan objek, daerah ataupun fenomena yang dikaji. Metode penginderaan jauh merupakan pengukuran dan pengambilan data spasial berdasarkan perekaman sensor pada perangkat kamera udara, scanner, atau radar. Contoh hasil perekaman yang dimaksud adalah citra (Imron, 2013).

Prinsip perekaman oleh sensor dalam pengambilan data melalui metode penginderaan jauh dilakukan berdasarkan perbedaan daya reflektansi energi elektromagnetik masing-masing objek di permukaan bumi. Daya reflektansi yang berbeda-beda oleh sensor akan direkam dan didefinisikan sebagai objek yang berbeda yang dipresentasikan dalam sebuah citra (Imron, 2013).

Gambar 1. Proses Perekaman Permukaan Bumi oleh Sensor Penginderaan Jauh

Sumber: Imron, 2013.

Gelombang elektromagnetik yang dipantulkan permukaan bumi akan melewati atmosfer sebelum direkam oleh sensor. Awan, debu, atau partikel-partikel lain yang berada di atmosfer akan membiaskan pantulan gelombang ini. Atas dasar pembiasan yang terjadi, sebelum dilakukan analisa terhadap citra diperlukan kegiatan koreksi radiometrik (Imron, 2013).

Telah dijelaskan sebelumnya bahwa daya reflektansi yang berbeda-beda oleh sensor akan direkam dan didefinisikan sebagai objek yang berbeda yang dipresentasikan dalam sebuah citra. Citra memiliki defenisi yaitu berupa gambaran yang terekam oleh kamera atau sensor lainnya. Defenisi lain dari citra adalah gambaran objek yang dibuahkan oleh pantulan atau pembiasan sinar yang difokuskan dari sebuah lensa atau cermin (Imron, 2013).

Menurut Kurniawan, Apriani, & Heptani (2010), data penginderaan jauh berdasarkan jenis produk datanya dapat dibagi menjadi:

a.             Citra foto, adalah gambaran yang dihasilkan dengan menggunakan sensor kamera. Citra foto dapat dibedakan berdasarkan atas spektrum elektromagnetik, sumber sensor, dan sistem wahana yang digunakan. Berdasarkan sistem wahana yang digunakan yaitu foto udara adalah foto yang dibuat dari pesawat udara atau balon dan foto satelit atau foto orbital adalah foto yang dibuat dari satelit.

b.            Citra non-foto, adalah gambaran yang dihasilkan dengan menggunakan sensor bukan kamera.

Teknologi penginderaan jauh memiliki manfaat yang luas di beberapa aspek. Beberapa contoh manfaat dalam aplikasi penginderaan jauh adalah sebagai identifikasi penutupan lahan (landcover). Selain itu, penginderan jauh juga berfungsi dalam identifikasi dan monitoring pola perubahan lahan, serta manajemen dan perencanaan wilayah (Kurniawan, Apriani, & Heptani, 2010).

2.2    Landsat 5 TM

Satelit landsat 5 diluncurkan pada 1 Maret 1984, sekarang ini masih beroperasi pada orbit kutub yang mempunyai resolusi spasial 30 m x 30 m. Landsat 5 mempunyai kemampuan untuk meliput daerah yang sama pada permukaan bumi pada setiap 16 hari. Landsat dilengkapi dengan peralatan pemindai MSS (multi spectral scanner) dan TM (thematic mapper). MSS adalah sebuah sensor yang dirancang untuk mengamati radiasi matahari, yang tercermin dari permukaan bumi dalam empat band spektral yang berbeda, menggunakan kombinasi dari sistem optik dan sensor. TM mengamati permukaan bumi dalam tujuh band spektral yang berkisar dari sinar tampak sampai ke daerah inframerah termal. TM dirancang untuk mendapatkan citra dengan resolusi yang tinggi, pemisahan spektral yang tegas, meningkatkan konsistensi geometrik, ketepatan radiometrik dan resolusi yang lebih tinggi dari sensor MSS (Papilaya, 2013).

Tabel 1. Karakteristik Band pada Landsat 5TM

Sumber: Papilaya, 2013.

Citra khususnya landsat, tersusun atas beberapa saluran (band), dengan basis warna dasar (merah, hijau, biru). Warna tersebut dapat dikombinasikan pada saluran warna dasar, yang nantinya akan menonjolkan informasi tertentu diinginkan. Kombinasi band digunakan untuk mewakili gambar dalam warna alami dan oleh karena itu pendekatan terbaik penampilan dari lanskap dalam kenyataan (Papilaya, 2013).

Menurut Papilaya (2013), kombinasi-kombinasi citra yaitu sebagai berikut:

a.             Kombinasi 321

Kombinasi ini merupakan warna alami sehingga merupakan pendekatan terbaik untuk melihat realitas lanskap. Saluran 3 mendeteksi penyerapan klorofil, saluran 2 mendeteksi reflektan hijau dari vegetasi dan saluran 1 cocok untuk penetrasi air, pada perairan jernih bisa masuk sekitar 25 meter, dengan kata lain juga dapat mendeteksi transportasi sedimen di perairan. Saluran 1 juga membedakan tanah dan vegetasi serta tipe hutan.

b.            Kombinasi 432

Tipikal kombinasi komposit false color seperti di foto udara. Saluran 4 mendeteksi puncak pantulan dari vegetasi, juga membedakan tipe vegetasi, selain membedakan tanah dan perairan. Kombinasi ini menampilkan vegetasi berwarna merah, merah yang lebih terang menandakan vegetasi yang lebih dewasa. Tanah dengan sedikit atau tanpa vegetasi antara putih (pasir atau garam) sampai hijau atau coklat tergantung kelembapan dan kandungan organik. Air nampak biru, perairan jernih akan terlihat biru gelap atau hitam sedangkan perairan dangkal atau air dengan konsentrasi sedimen tinggi akan nampak biru muda. Area permukiman berwarna biru kecoklatan .

c.             Kombinasi 453

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).  Pada kombinasi ini, vegetasi berwarna kemerahan, ketika tanaman mempunyai kondisi kelembapan yang sedikit rendah, tingkat pantulan saluran 5 relatif tinggi, yang berarti semakin banyak warna hijau, sehingga menghasilkan warna oranye.

d.            Kombinasi 742

Vegetasi memperlihatkan variasi kehijauan dikarenakan saluran 4 direpresentasikan dengan warna hijau. Saluran 7 sensitif terhadap variasi kelembapan dan khususnya mendeteksi mineral hidro pada setting geologi, contohnya lempung. Saluran ini dapat membedakan berbagai macam batuan dan tipe mineral. Perbedaan asal usul dari berbagai tipe batuan direpresentasikan dengan warna merah menuju oranye dan juga warna yang lebih terang pada warna biru dapat memberikan informasi kepada kita mengenai tanah. Dibandingkan saluran inframerah lainnya. Titik hijau terang mengindikasikan vegetasi dan perairan nampak berwarna biru gelap atau hitam. Daerah permukiman berwarna biru gelap atau merah muda.

e.             Kombinasi 451

Vegetasi sehat terlihat kemerahan, coklat, oranye dan kuning. Tanah mungkin hijau dan coklat, pemukiman putih, cyan, dan abu-abu, biru terang merepresentasikan area yang dibersihkan dari vegetasi dan area kemerahan merupakan vegetasi yang baru tumbuh, atau padang rumput yang jarang. Perairan yang jernih dan dalam akan berwarna hitam, jika perairan dangkal atau mengandung sedimen maka akan terlihat kebiruan atau biru terang. Saluran 4 dan 5 menunjukkan pantulan tinggi untuk area vegetasi sehat. Kombinasi ini sangat berguna untuk membandingkan area terendam dan area bervegetasi merah dengan warna yang berkaitan di saluran 321 untuk menjamin interpretasi yang benar.

f.              Kombinasi 753

Kombinasi ini memberikan pembawaan warna seperti alami dan juga kemampuan penetrasi partikel atmosfer, asap dan kabut. Vegetasi tampak kehitaman dan hijau muda ketika musim tumbuh, permukiman berwarna putih, abu-abu, cyan, atau ungu,  pasir, tanah dan mineral terlihat dalam berbagai variasi warna.

g.            Kombinasi 543

Kombinasi ini memberikan pengguna banyak informasi dan kontras warna. Vegetasi sehat berwarna hijau terang, dan tanah berwarna ungu muda. Kombinasi ini menggunakan saluran 5 yang memberikan kita informasi pertanian. Kombinasi ini memberikan kita informasi berguna mengenai vegetasi, dan banyak digunakan pada aplikasi manajemen kayu dan serangan hama.

h.            Kombinasi 541

Mirp dengan kombinasi 742, vegetasi sehat akan berwarna hijau terang, kecuali kombinasi 541 yang lebih baik untuk studi pertanian.

i.              Kombinasi 754

Kombinasi ini tidak melibatkan saluran tampak, memberikan kita penetrasi atmosfer yang terbaik. Kombinasi ini dapat berguna untuk studi geologi. Pesisir dan garis pantai terdefinisikan dengan baik. Dapat digunakan untuk mencari karakteristik tekstural dan kelembapan tanah. Vegetasi terlihat biru.

j.              Kombinasi 351

Kombinasi ini memperlihatkan tekstur topografi sedangkan kombinasi 731 dapat membedakan jenis batuan.

Tabel 2. Tipe Penutup Lahan dan Kombinasi Saluran Spektral

Sumber: Papilaya, 2013.

2.3 Klasifikasi Terbimbing (Supervised Classification)

Klasifikasi citra merupakan proses yang berusaha mengelompokkan seluruh piksel pada suatu citra ke dalam sejumlah kelas. Jadi tiap kelas merepresentasikan suatu identitas dengan properti yang spesifik. Klasifikasi citra dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification) (Imron, 2013).

Klasifikasi terbimbing merupakan proses pengelompokan piksel-piksel. Tahap ini merupakan tahap pengidentifikasi dan pengklasifikasi piksel-piksel. Pengklasifikasian piksel melalui training area (Indarto & Faisol, 2010).

Klasifikasi terbimbing, objek citra diidentifikasi berdasarkan sampel dari perbedaan kenampakan permukaan. Sampel tersebut ditunjukkan pada training area. Pemilihan training area ditentukan berdasarkan pengetahuan terhadap lokasi dilapangan untuk diterapkan ke dalam citra (Imron, 2013).

Tujuan dari proses klasifikasi citra adalah untuk mendapatkan gambar atau peta tematik. Gambar tematik adalah suatu gambar yang terdiri dari bagian-bagian yang menyatakan suatu objek atau tema tertentu. Pemilihannya bergantung pada ketersediaan data awal pada citra itu. Proses pengklasifikasian klasifikasi terbimbing dilakukan dengan prosedur pengenalan pola spektral dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas (training area) yang mewakili setiap kelompok, kemudian dilakukan perhitungan statistik terhadap contoh-contoh kelas yang digunakan sebagai dasar klasifikasi (Imron, 2013).

2.4    ER Mapper

ER Mapper merupakan perangkat lunak pengolah citra, termasuk citra satelit penginderaan jauh (geographic image processing products). Konsep pengolahan data pada ER Mapper adalah algoritma, yang memisahkan data citra dari tahapan-tahapan pengolahan citra (image processing). Tahapan-tahap pengolahan citra dapat disimpan dan diedit di dalam suatu file algoritma (Rohman, 2012).

ER Mapper didesain khusus untuk pengolahan data kebumian, meliputi bidang kebumian (geografi, geologi, geodesi, geofisika), bidang industri, kehutanan dan lingkungan. Keunggulan utama software ER Mapper adalah kemampuannya untuk menghemat tempat pada harddisk komputer serta metode pengolahan data yang interaktif dimana  setiap hasil proses dapat langsung dilihat tampilannya pada monitor. ER Mapper bermanfaat dalam bidang pemantauan lingkungan, manajemen dan perencanaan kota dan daerah, manajemen sumber daya hutan, layanan informasi dan manajemen pemanfaatan lahan, sumber daya eksplorasi mineral, pertanian dan perkebunan, manajemen sumber daya air, manajemen sumber daya pantai dan laut, oseanografi fisik, serta eksplorasi dan produksi minyak dan gas bumi (Rohman, 2012).

III. METODE PRAKTIKUM

3.1    Waktu dan Tempat

Praktikum ER Mapper dilaksanakan pada hari Senin, 20 April 2015 pukul 13.00 WITA – selesai, bertempat di Laboratorium Mekanika Fluida dan               Hidrologi, Program Studi Teknik Pertanian, Jurusan Teknologi                     Pertanian, Fakultas Pertanian, Universitas Hasanuddin, Makassar.

3.2    Alat dan Software

Alat yang digunakan pada praktikum ER Mapper adalah laptop. Sedangkan software yang digunakan pada praktikum ER Mapper adalah ER Mapper 6.4.

3.3    Prosedur Kerja

Prosedur kerja dari praktikum ER Mapper yaitu sebagai berikut:

1.      Membuka software ER Mapper sehingga muncul tampilan dibawah ini.

2.      Memilih tombol Ok untuk melanjutkan ke proses selanjutnya.

3.      Memilih simbol New untuk menampilkan lembar kerja baru.

4.      Memilih simbol Edit Algorithm.

5.      Memilih Load Dataset > Volumes > 14 Februari 2010 > Band 5.tif  > Apply this layer only sehingga tampilan Algorithm Not Yet Saved berubah menjadi tampilan dibawah ini.

6.      Membuat dua Pseudo Layer tambahan dengan memilih simbol Duplicate.

7.      Mengganti nama band pada masing-masing Pseudo Layer, yaitu 5, 4, dan 3.

8.      Memasukkan data citra band 5, 4, dan 3 sesuai dengan nama layer dengan menggunakan Load Dataset  > band sesuai dengan nama layer > Apply this layer only.

9.      Mengatur jenis layer dengan mengklik kanan layer kemudian menjadi red untuk layer 5, green untuk layer 4, dan blue untuk layer 3 (RGB).

10.  Mengatur Default Surface, dengan mengklik kanan Default Surface > Red Green Blue sehingga tampilan Algorithm Not Yet Saved berubah menjadi tampilan dibawah ini.

11.  Memilih perintah Edit > Add Vector Layer > Tabular Data > Table of Data > Table of data shown as Circle yang  terdapat pada kotak Dialog Algorithm.

12.  Menduplikat Table of Data as Circle sebanyak 3 kali dengan memilih perintah Duplicate dan mengubah menjadi nama-nama file citra yang akan digunakan, yaitu sawah, pemukiman, lahan kering, dan rawa dengan mengklik dua kali Table of Data as Cirlce.

13.  Mengambil data koordinat dari masing-masing layer dengan memilih perintah Dynamic Link Chooser > File Koordinat kemudian mengubah files of type yaitu All Files > memilih jenis file yang sesuai dengan layer, lalu klik Apply.

14.  Mengatur projection pada bagian coordinate system menjadi SUTM50 dengan cara Coordinat System > Select Datum > SUTM 50 karena Makassar berada pada zona SUTM 50.

15.  Sehingga tampilan Algorithm Not Yet Saved seperti dibawah ini.

16.  Mengatur warna dari masing-masing layer dengan perintah Edit Layer Color untuk membedakan warna dari masing-masing area, yaitu sawah berwarna hijau, pemukiman berwarna merah, lahan kering berwarna kuning, dan rawa berwarna biru.

17.  Sehingga tampilan Algorithm Not Yet Saved seperti berikut.

18.  Memilih Edit > New/Create Regions > Raster Region > Load from File > 14 Februari 2010.ers.

19.  Memperbesar gambar yang telah ditandai dengan perintah Zoom Box Mode > Polygon, pada titik terakhir klik dua kali sehingga polygon menjadi tertutup.

20.  Memilih Display/Edit Object Atribute, mengetik nama sesuai dengan data yang dimasukkan sebelumnya (sawah, pemukiman, lahan kering, dan rawa). Kemudian pilih Apply  > Save as > Ok. Mengulangi kegiatan serupa pada setiap region.

21.  Menghitung statistik dengan mengklik Process > Calculate Statistic dengan mengatur Subsampling interval = 1 dan mencentang Force recalculate stats > Ok.

22.  Kotak dialog Calculating Successfully akan muncul.

23.  Mengklik Process  > Classification  > Supervised  Classification.

24.  Memasukkan data pada Input Data Set dengan memilih data dengan nama file.ers dan untuk output memilih data dengan menambahkan class.ers, serta mengatur tipe klasifikasi pada Classification Types menjadi Maximum Likelihood Standard lalu mengklik Ok.

25.  Maka akan tampil kotak dialog Supervised Classification Finished Succesfully.

26.  Mengklik Edit > Edit Class/Region Name kemudian pilih 14 Februari 2010_class.ers sehingga muncul tampilan dibawah ini.

27.  Mengubah nama sesuai dengan warna data Region yang telah diklasifikasi lalu klik Save.

28.  Menampilkan peta klasifikasi.

29.  Mengklik View > Statistics > Show Statistics untuk menampilkan luas area.

30.  Mengklik Display pada kotak dialog Statistics Report untuk menampilkan data luas area.

31.  Maka akan tampil Display Dataset Statistics yang berisi data luas masing-masing area.

IV. HASIL DAN PEMBAHASAN

4.1 Hasil

4.1.1  Data Citra Sebelum Klasifikasi

Gambar 2. Peta Kecamatan Biringkanaya pada Komposisi Band 543

4.1.2 Data Citra Setelah Klasifikasi

Gambar 3. Peta Klasifikasi Kecamatan Biringkanaya

4.1.3 Tabel Luas Area

Tabel 3. Luas Area

No	Jenis Penutupan Lahan	Luas (Ha)
1	No Data	5878.530
2	Sawah	515.610
3	Pemukiman	1229.310
4	Lahan Kering	903.420
5	Rawa	3230.190

Sumber: Data primer setelah diolah, 2015.

4.2    Pembahasan   

Praktikum ER Mapper ini mengolah data citra sehingga memberi informasi tentang kebumian. Oleh karenanya ER Mapper didesain khusus untuk pengolahan data kebumian. Hal ini sesuai dengan pernyataan Rohman (2012), bahwa ER Mapper didesain khusus untuk pengolahan data kebumian seperti geografi, geologi, geodesi, geofisika, bidang industri, kehutanan dan lingkungan.

Data yang digunakan dalam praktikum ini adalah data citra satelit landsat 5 TM Kecamatan Biringkanaya yang diambil pada tanggal 14 Februari 2010. Landsat ini memiliki warna dasar yaitu merah, hijau, dan biru (red, green, blue/RGB). Warna dasar ini dapat dikombinasikan sehingga akan menunjukkan informasi yang diinginkan. Hal ini sesuai dengan pernyataan Papilaya (2013), bahwa citra khususnya landsat, tersusun atas beberapa saluran (band), dengan basis warna dasar (merah, hijau, biru) dapat dikombinasikan saluran tersebut pada saluran warna dasar, yang nantinya akan menonjolkan informasi tertentu  diinginkan.

Kombinasi band yang digunakan dalam praktikum ini adalah kombinasi 543. Kombinasi ini memberikan pengguna banyak informasi berupa kontras warna yang terbentuk. Kombinasi ini menggunakan saluran 5 yang memberikan kita informasi pertanian. Hal ini sesuai dengan pernyataan Papilaya (2013), bahwa kombinasi 543 ini memberikan pengguna banyak informasi berupa kontras warna yang menggunakan saluran 5 yang memberikan kita informasi pertanian serta informasi mengenai vegetasi.

ER Mapper mengolah data berdasarkan konsep algoritma, yang memisahkan data citra dari tahapan-tahapan pengolahan citra (image processing). Hal ini sesuai dengan pernyataan Rohman (2012), bahwa konsep pengolahan data pada ER Mapper adalah algoritma, yang memisahkan data citra dari tahapan-tahapan pengolahan citra (image processing). Dalam tahapan pengolahan citra, dikenal dengan unsupervised classification (klasifikasi tidak terbimbing) dan supervised classification (klasifikasi terbimbing). Pada praktikum ini, data diproses dengan klasifikasi terbimbing.

Klasifikasi terbimbing mengelompokkan piksel-piksel yang diperoleh melalui training area. Training area dilakukan pada titik-titik yang diketahui koordinatnya yang dapat mewakili daerah lain yang sejenis. Jadi, training area dilakukan terlebih dahulu agar memperoleh sampel dari perbedaan kenampakan permukaan yang berupa piksel. Hal ini sesuai dengan pernyataan Indarto & Faisol (2010), bahwa klasifikasi terbimbing merupakan proses pengelompokan piksel-piksel yang diperoleh melalui training area. Sebuah piksel memiliki digital number. Pada saat diolah di ER Mapper, piksel yang memiliki digital number yang sama dikelompokkan sehingga mewakili satu kelompok.

Peta yang dihasilkan dari proses klasifikasi terbimbing di ER Mapper menunjukkan empat jenis area, yaitu sawah, rawa, pemukiman, dan lahan kering. Peta tersebut memperlihatkan bahwa area lahan kering cukup luas dan tersebar di seluruh area kecamatan. Lahan kering paling luas berada di tengah kecamatan berupa lapangan golf. Pemukiman pada peta ditunjukkan dengan warna merah muda. Pemukiman tersebar di seluruh wilayah kecamatan tersebut. Sawah ditunjukkan oleh warna hijau. Sawah di kecamatan tersebut tidak terlalu luas dan sebagian besar berada di dekat daerah perairan atau rawa. Rawa ditunjukkan oleh daerah berwarna biru pada peta dan berada di daerah atas pada peta.

Klasifikasi ini menunjukkan bahwa Kecamatan Biringkanaya memiliki daerah penutupan lahan yang cukup beragam. Hal ini menunjukkan bahwa Kecamatan Biringkanaya termasuk dalam wilayah pinggiran kota (sub urban) di Makassar. Hal ini sesuai dengan posisi dari Kecamatan Biringkanaya yang merupakan pinggiran kota (sub urban), sehingga masih memiliki lahan yang kosong dan daerah persawahan.

V. PENUTUP

5.1    Kesimpulan

Berdasarkan praktikum ER Mapper yang telah dilakukan, maka dapat disimpulkan:

1.      Kombinasi 543 memberikan pengguna banyak informasi berupa kontras warna yang terbentuk. Kombinasi ini menggunakan saluran 5 yang memberikan kita informasi pertanian dan vegetasi.

2.      Klasifikasi terbimbing mengelompokkan piksel-piksel yang diperoleh melalui training area. Training area dilakukan pada titik-titik yang diketahui koordinatnya yang dapat mewakili daerah lain yang sejenis.

3.      Kecamatan Biringkanaya memiliki daerah penutupan lahan yang cukup beragam. Hal ini menunjukkan bahwa Kecamatan Biringkanaya termasuk dalam wilayah pinggiran kota (sub urban) di Makassar.

5.2    Saran    

Sebaiknya data yang digunakan dalam praktikum ini beragam dalam segi lokasi pengambilan data, yaitu pengambilan data di wilayah padat penduduk (kota) dan wilayah pinggiran kota, agar perbedaan antara wilayah kota dan pinggiran kota dapat dilihat secara jelas.

DAFTAR PUSTAKA

Imron, Mohammad. 2013. Pengolahan Citra. Jakarta: Universitas Indraprasta PGRI.

Indarto & Faisol. A. 2010. Identifikasi dan Klasifikasi Peruntukan Lahan Menggunakan Citra ASTER. Media Teknik Sipil , 1-8.

Kurniawan, H., Apriani, N., & Heptani, J. 2010. Remote Sensing and Satellite Imaging. Medan: Universitas Sumatera Utara.

Papilaya, P. P. 2013. Pemilihan Kombinasi Band Citra Komposit Landsat 5 TM. Ekosains , 77-89.

Rohman, A. S. 2012. Materi Pelatihan GIS. Yogyakarta: Grafika Gilang Permata.