Anda di halaman 1dari 80

LAPORAN RESMI PRAKTIKUM PENGINDERAAN JAUH MODUL II KOREKSI RADIOMETRI

MUHAMMAD SULAIMAN 26020212140030 Shift II

PROGRAM STUDI OSEANOGRAFI JURUSAN ILMU KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN UNIVERSITAS DIPONEGORO SEMARANG 2013

Shift Tanggal Praktikum

: 2 (Dua) : 24 September 2013

Tanggal Pengumpulan : 30 September 2013

LEMBAR PENILAIAN MODUL II : KOREKSI RADIOMETRI

Nama : Muhammad Sulaiman

NIM : 26020212140030

Ttd : .

NO 1. 2. 3. 4. 5. 6.

KETERANGAN Pendahuluan Tinjauan Pustaka Materi dan Metode Hasil dan Pembahasan Kesimpulan Daftar Pustaka JUMLAH

NILAI

Semarang, 30 September 2013 Mengetahui, Koordinator Praktikum Asisten

Jasmine Khairani Zainal K2D 009 036

Oscar Agustino K2E 009 058

I.
1.1. Latar Belakang

PENDAHULUAN

Pada zaman sekarang ini khususnya di Indonesia informasi mengenai permukaan bumi menyebabkan kegiatan survey pemetaan di Indonesia semakin meningkat. Pelaksanaan kegiatan survey pemetaan dapat dibedakan melalui dua macam teknologi, yaitu Penginderaan Jauh (PJ) dan Sistem Informasi Geografi (SIG). Penginderaan Jauh merupakan seni dan dalam ekstraksi informasi

mengenai suatu objek, wilayah atau fenomena yang dikaji (Lillesand dan Kiefer, 1987). Sedangkan Sistem Informasi Geografi merupakan seperangkat sistem

yang digunakan untuk melakukan pengelolaan, analisis dan manipulasi informasi yang mempunyai rujukan keruangan dalam suatu sistem pemecahan masalah (Projo Danoedoro, 1996). Dalam penggunaan teknologi citra satelit lama kita memerlukan koreksi radiometri. Koreksi radiometri bertujuan untuk mengurangi pengaruh hamburan atmosfer (yang disebabkan adanya partikel-partikel di atmosfer yang memberikan efek hamburan pada energi elektromagnet matahari yang berpengaruh pada nilai spektral citra, sehingga nilainya akan lebih tinggi daripada sebenarnya) pada citra satelit, terutama pada saluran tampak. Sejalan dengan berjalannya waktu, citra satelit terbaru tidak perlu dilakukan lagi koreksi radiometri karena begitu citra tersebut diperoleh maka secara otomotis citra satelit tersebut sudah terkoreksi. Praktikum penginderaan jauh modul 2 membahas tentang koreksi radiometri dimana terdiri dari metode Penyesuaian Histogram, Dark Pixel Correction, Enhanced Dark Pixel Correction, dan Cut Off Scattergram (Anonim, 2012). Koreksi radiometri digunakan untuk mengurangi pengaruh hamburan atmosfer (yang disebabkan ada partikel-partikel di atmosfer yang memberikan efek hamburan pada energy elektromagnet matahari yang berpengaruh pada nilai spectral citra, sehingga nilainya akan lebih tinggi daripada sebenarnya) pada citra satelit, terutama pada saluran tampak (visible light). Jensen (1986)

mengungkapkan dua metode untuk memperbaiki kualitas citra, yaitu dengan penyesuaian histogram dan penyesuaian regresi (Anonim, 2012). 1.2. Tujuan 1. Mahasiswa diharapkan mampu melakukan koreksi radiometri. 2. Mahasiswa diharapkan mampu memeriksa atmosferic bias citra. 3. Mahasiswa diharapkan dapat menggunakan metode penyesuaian histogram. 4. Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram Dark Pixel Correction (DPC). 5. Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram Enhanced Dark Pixel Correction (EDPC). 6. Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram Cut Off Scattergram.

II.
2.1 Koreksi Radiometri

TINJAUAN PUSTAKA

Koreksi radiometri (satelite Image callibration) merupakan sistem penginderaan jauh yang digunakan untuk mengurangi pengaruh hamburan atmosfer pada citra satelit terutama pada saluran tampak (visible light). Hamburan atmosfer disebabkan oleh adanya partikel-partikel di atmosfer yang memberikan efek hamburan pada energi elektromagnetik matahari yang berpengaruh pada nilai spektral citra. Pengaruh hamburan (scattering) pada citra yang menyebabkan nilai spektral citra menjadi lebih tinggi daripada nilai sebenarnya (Sumaryono, 1999). Koreksi radiometri ditujukan untuk memperbaiki nilai pixel supaya sesuai dengan yang seharusnya, kesalahan radiometrik ini dapat disebabkan oleh dua hal, yaitu instrumen sensor dan gangguan atmosfer. Instrumen sensor ini disebabkan oleh ketidak konsistenan detektor dalam menangkap informasi. Atmosfer yang biasanya sebagai sumber kesalahan utama, sebagai media radiasi gelombang elektromagnetik akan menyerap, memantulkan atau menstransmisikan gelombang elektromagnetik tersebut, hal ini menyebabkan cacat radiometrik pada citra, yaitu nilai pixel yang jauh lebih tinggi atau jauh lebih rendah dari pancaran spektral obyek yang sebenarnya (Konturgeo, 2008). Efek atmosfer menyebabkan nilai pantulan obyek dipermukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya, tetapi menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan. Metode-metode yang sering digunakan untuk menghilangkan efek atmosfer antara lain metode pergeseran histogram (histogram adjustment), metode regresi dan metode kalibrasi bayangan (Projo Danoedoro, 1996). Koreksi radiometrik dilakukan pada kesalahan oleh sensor dan sistem sensor terhadap respon detektor dan pengaruh atmosfer yang stasioner. Koreksi radiometrik dilakukan untuk memperbaiki kesalahan atau distorsi yang diakibatkan oleh tidak sempurnanya operasi dan sensor, adanya atenuasi

gelombang elektromagnetik oleh atmosfer, variasi sudut pengambilan data, variasi sudut eliminasi, sudut pantul dan lain-lain yang dapat terjadi selama pengambilan, pengiriman serta perekaman data. Spesifikasi kesalahan radiometric adalah : Kesalahan sapuan akibat pemakaian Multi Detektor dalam mengindra garis citra Memperkecil kesalahan pengamatan detektor yang berubah sesuai perubahan waktu Kesalahan berbentuk nilai digital yang mempunyai hubungan linier dengan tingkat radiasi dan panjang gelomang elektromagnetik Koreksi dilakukan sebelum data didistribusi Koreksi dilakukan dengan kalibrasi cahaya yang keluar dari detektor dengan mengarahkan scanner pada filter yang disinari secara elektronikuntuk setiap sapuan Kesalahan yang dapat dikoreksi otomatis adalah kesalahan sistematik dan tetap, yang tetap diperkirakan sebelumnya Kesalahan garis scan dapat dikoreksi dengan penyesuaian histogram tiap detector pada daerah-daerah homogeny misalnya diatas badan air, apabila ada penyimpangan dapat diperbaiki Kesalahan bias atau pengaturan kembali detektor apabila mean dan median detektor berbeda. (Rahmiariani, 2009) Koreksi radiometrik oleh respon detektor dipengaruhi oleh jumlah detektor yang digunakan dalam penginderaan jauh adalah untuk merubah radiasi yang ditangkap sensor menjadi harga voltage dan kecerahan. 1. Koreksi Akibat Ketidak-sempurnaan Sistem Sensor : a. Line Dropout Terjadi kesalahan hilangnya garis terjadi karena salah satu detektor tidak berfungsi atau mati selama proses penyiaman sehingga pixel dalam salah satu garis bernilai nol (hitam). Masalah ini sangat serius karena tidak mungkin memperbaiki data yang tidak pernah diambil. Namun, agar

kemampuan tafsiran secara visual atas data tersebut dapat ditingkatkan, dapat dimasukkan nilai kecerahan estimasi pada setiap garis rusak tersebut (Rahmiariani, 2009). Untuk menentukan lokasi garis rusak itu dibuat suatu algoritma ambang sederhana untuk menandai setiap garis yang mempunyai nilai kecerahan rata-rata bernilai nol atau mendekati nol. Jika

telah teridentifikasi, koreksi diberikan dengan memasukkan nilai kecerahan rata-rata bulat dari nilai pixel garis tetangga-tetangga sebelahnya pada garis rusak itu. Citra dengan data hasil interpolasi

tersebut lebih mudah ditafsirkan daripada citra yang mempunyai garisgaris hitam yang tersebar di seluruh bagiannya (Rahmiariani, 2009). b. Stripping atau bounding Terjadi karena salah satu detektor tidak terkoreksi secara benar sehingga data hasil rekamannya berbeda dengan detektor lainnya. Misalnya, pembacaannya menjadi dua kali lebih besar daripada detektor lainnya pada band yang sama. Data tersebut sah tapi harus dikoreksi agar memiliki kontras yang sama dengan detektor lainnya untuk setiap penyiaman. Untuk itu, garis yang salah dapat diidentifikasi dengan menghitung histogram nilai setiap detektor pada daerah yang homogen, misalnya pada badan air. Jika rata-rata atau mediannya sangat berbeda dari lainnya, diperkirakan detektor tersebut belum terkoreksi. Untuk itu, diberi koreksi bias (menambah atau mengurangi) atau koreksi multiplikasi (perkalian) (Rahmiariani, 2009). Beberapa sistem penyiam, seperti Landsat TM, terkadang menimbulkan jenis derau garis-penyiaman yang unik, yang merupakan fungsi dari (1) perbedaan relatif hasil dan/atau offset (ketidak-tepatan posisi detektor) di antara ke 16 detektor dalam suatu band (menyebabkan striping) dan/atau (2) adanya variasi (ketidak-samaan gerakan) antara

proses penyiaman saat maju dan saat mundur (menyebabkan kesalahan yang disebut banding). Koreksi diberikan dengan metode filtering atau transformasi Fourier (Rahmiariani, 2009).

c. Line start Kesalahan line-start terjadi karena sistem penyiam gagal merekam data pada awal baris. Atau, dapat juga sebuah detektor tiba-tiba berhenti merekam data di suatu tempat sepanjang penyiaman sehingga hasilnya mirip hilangnya garis. Idealnya, jika data tidak terekam, sistem sensor diprogram untuk mengingat apa saja yang tidak terrekam lalu menempatkan setiap data yang baik pada lokasi yang tepat selama penyiaman (Rahmiariani, 2009). Namun, hal itu tidak selalu terjadi. Misalnya, dapat terjadi pixel pertama (kolom 1) pada garis ke 3 secara tidak benar ditempatkan pada kolom 50 pada garis ke 3. Jika lokasi pergeseran awal garis selalu sama, misalnya mudah. bergeser Namun, 50 jika kolom, koreksi awal dapat garis

dilakukan

dengan

pergeseran

terjadi secara acak, restorasi data sulit dilakukan tanpa interaksi manusia secara ekstensif dalam koreksi basis garis-per-garis (Rahmiariani, 2009). 2. Koreksi Akibat Gangguan Alam a. Pengaruh atmosfer Terjadinya pelemahan atmospheric karena penghamburan dan penyerapan gelombang cahaya menyebabkan energi yang terrekam sensor lebih kecil daripada yang dipancarkan atau dipantulkan permukaan bumi. Koreksi yang diberikan meliputi koreksi radiometrik absolut dan relative (Sri Hartanti, 1994). b. Pengaruh topografi Pengaruh topografi berupa slope dan aspek akan menimbulkan perbedaan nilai kecerahan pixel pada obyek sama, sehingga menimbulkan distorsi radiometrik. Empat metode koreksi slope-aspek topografi adalah koreksi kosinus, dua metode semi empiris (metode Minnaert dan koreksi C), dan koreksi empirik-statistik (Sri Hartanti, 1994).

2.2 Penyesuaian Histogram Dengan histogram kita bisa mengetahui nilai piksel terendah saluran tersebut, asumsi yang melandasi metode ini adalah bahwa dalam proses coding digital oleh sensor, obyek yang memberikan respon spektral paling lemah atau tidak memberikan respon sama sekali seharusnya bernilai nol. Apabila nilai ini ternyata > 0 maka nilai terserbut dihitung sebagai offset, dan koreksi dilakukan dengan mengurangi keseluruhan nilai pada saluran tersebut dengan offset-nya. Metode ini paling sederhana, hanya dengan melihat histogram tiap saluran secara independen ( F. Sabins, 1996). Penyesuaian histogram ini melewati beberapa tahap, dan hasilnya tidak selalu naik. Hal ini disebabkan karena tidak setiap citra mempunyai nilai objek yang ideal untuk dikoreksi, seperti air jernih atau bayangan awan. Dibandingkan dengan teknik penyesuaian histogram hasilnya tidak jauh berbeda (Sutanto, 1987).

2.3 Penyesuaian Regresi Penyesuaian regresi diterapkan dengan memplot nilai-nilai piksel hasil pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila ada saluran rujukan (yang relatif bebas gangguan) yang menyajikan nilai nol untuk obyek tertentu. Kemudian tiap saluran dipasangkan dengan saluran rujukan tersebut untuk membentuk diagram pancar nilai piksel yang diamati. Cara ini secara teoritis mudah namun secara prakteknya sulit, karena gangguan atmosfer terjadi hampir pada semua spektra tampak dan saluran. Pengambilan pixel-pixel pengamatan harus berupa obyek yang secara gradual berubah naik nilainya, pada kedua saluran sekaligus dan bukan hanya pada salah satu saluran.( Sutanto, 1987) Penyesuaian regresi (regression adjusment) pada prinsipnya

menghendaki analisis untuk mengidentifikasi objek bayangan atau air jernih pada citra yang akan dikoreksi. Nilai kecerahan pada objek dari setiap

saluran di plotkan dalam sumbu koordinat secara berlawanan arah antara saluran tampak (seperti TM saluran 1, 2, 3) dan saluran infra merah (seperti

TM 4,5,7).

Pada diagram ini garis lurus dibuat menggunakan teori

least.square. perpotongannya dengan sumbu X akan menunjukkan besarnya nilai bias demikian seterusnya untuk saluran yang lain (Anonim, 2012). 2.3.1. DPC (Dark Pixel Correction) Koreksi piksel gelap merupakan metode sederhana yang digunakan untuk menghilangkan efek atmosfer saat image radiance. Efek ini terkait dengan kontribusi hamburan aditif (additive scaterring) dari atmosfer dan efek dari transmisi multiplikatif energi melalui atmosfer (Anonim, 2012). 2.3.2. EDPC (Enhanced Dark Pixel Correction) Enhanced Dark Pixel Correction merupakan bagian dari metode penyesuaian regresi yang digunakan untuk menghilangkan efek dari atmosfer untuk Image Enhancement (Penajaman Citra). Pada metode ini system kerjanya hampir mirip dengan metode DPC. Pada metode ini, harus memasukkan nilai range yang tercantum dalam actual input limits. Pada Enhanced Dark Pixel Correction terdapat dua layer yang berbeda, yang dimanan pada layer kedua lebih terang dibandingkan layer pertama dan gambar layernya lebih tajam (Anonim, 2012). 2.3.3. Cut Off (Scattergram) Fungsi ini untuk membantu menganalisis data yang bekerja pada data dalam mode spektral, scattegram juga berguna untuk klasifikasi tanah,membuat raster daerah,dan membuat poligon vektor. Scattering terjadi bila partikel atau molekul gas yang besar yang ada di atmosfer berinteraksi dan menyebabkan arah radiasi elektromagnetik melenceng dari jalur sebenarnya. Besarnya penyimpangan ini tergantung pada beberapa faktor termasuk panjang gelombang radiasi, kelimpahan pertikel dan gas dan jarak perjalanan radiasi (Anonim, 2012).

III.
3.1 Waktu dan Tempat Hari / Tanggal Waktu Tempat

MATERI DAN METODE

: Selasa, 24 September 2013. : 14.40 WIB Selesai. : Laboratorium Komputasi, Gedung E, Lantai 2, Jurusan Ilmu Kelautan, FPIK, UNDIP, Semarang.

3.2 Materi Materi praktikum inderaja yang disampaikan adalah : 1. Memeriksa nilai atmosfer bias citra. 2. Penyesuaian histogram 3. Pengecekan data, penyesuaian histogram 4. Regresi DPC ( Dark Pixel Correction ) EDPC ( Enhanched Dark Pixel Correction ) Cut Off ( Scattergram )

3.3 Metode

3.3.1 Memeriksa Nilai Atmosphere Bias Citra 1. Buka aplikasi ER Mapper, lalu klik icon Edit Algorithm

2. Klik klik ok.

Load Dataset , buka file citra Landsat_TM_23Apr85.ers , lalu

3.

Lalu Duplicate

pseudo layer menjadi 6. Ganti namanya dengan

band 1 hingga band 7 (tanpa mengikuti Band 6).

4.

Ganti Band sesuai dengan namanya, klik pada bagian pilih B1 ; Band 1 dan seterusnya sampai Band 7

5.

Untuk melihat nilai transform bias , klik icon nilai atmosfer bias masing masing Band.

Edit Transform

Limits dan pilih Band 1 sampai dengan Band 7. Maka akan muncul

3.3.2 Penyesuaian Histogram 1. Pada aplikasi ER Mapper, lalu klik icon Edit Algorithm

2. Klik klik ok.

Load Dataset , buka file citra Landsat_TM_23Apr85.ers, lalu

3. Lalu Duplicate

pseudo layer menjadi 6. Ganti namanya dengan band

1 hingga band 7 (tanpa mengikuti Band 6)

4. Ganti Band sesuai dengan namanya, klik pada bagian pilih B1 ; Band 1 dan seterusnya sampai Band 7

5. Untuk melihat nilai transfor bias, klik icon Edit Transform Limits dan pilih Band 1 sampai dengan Band 7. Maka akan muncul nilai atmosfer bias masing masing Band. Pilih band 1, klik icon Formula Editor, maka akan muncul Window Formula Editor. Pada dialog box dimana terdapat tulisan INPUT1, ketik nilai nilai atmospheric biasnya. Contoh pada Band 1, INPUT1-68. klik apply changes.

6. Lakukan hal yang sama seperti di atas pada pada setiap band mulai dari band 1 sampai dengan band 7. 7. Klik icon edit transform limits, pada active windows klik Edit, Delete this Transform. Lakukan hingga pada setiap band.

8. Lalu simpan dengan nama file Koreksi_Histogram_MuhammadSulaiman_26020212140030.ers. Pada file types pilih ER Mapper Raster Dataset(.ers). klik OK.

3.3.3

Pengecekan Data Tutup semua windows, Pada aplikasi ER Mapper, lalu klik icon Algorithm, kemudian klik icon Edit

load dataset untuk membuka file

Koreksi_Histogram_MuhammadSulaiman_26020212140030.ers, Kemudian klik icon edit transform limits dan cek nilai atmospheric Amati nilai Actual Input Limits, pastikan bernilai 1 dari band 1 sampai band 7, Lakukan pada setiap Band ..

3.3.4

Penyesuaian Regresi

3.3.4.1 Dark Pixel Correction (DPC) 1. Klik icon Land Application Wizard pada aplikasi Er-Mapper

2.

Pada Window Land Aplication Wizard, klik next

3.

Pilih Process TM Imagenary, lalu klik next

4.

Pilih Athmospheric Effect Correction, lalu klik next.

5.

Pilih Dark Pixel Correction, lalu klik next

6.

Pada dialog box specify an input TM dataset, masukkan citra yang akan dikoreksi berupa citra Landsat_TM_23Apr85.ers , lalu klik ok/

7.

Pada dialog box specify an output filename, masukkan nama file output-nya. BelumKoreksi_DPC_MuhammadSulaiman_26020212140030.ers. Kemudian klik Finish.

8.

Akan muncul citra dengan 7 band yang belum terkoreksi

9.

Cut pada band DPC_TM6

10.

Kemudian klik icon edit transform limits dan cek nilai atmosferik biasnya pada window Transform.

11.

Pada window Transform klik edit dan pilih Delete this Transform, lakukan hingga pada setiap band.

12.

Lalu simpan dengan nama file SudahKoreksi_DPC_MuhammadSulaiman_26020212140030.ers. Pada file types pilih ER Mapper Raster Dataset(.ers). klik OK

13.

Tutup semua windows, kemudian klik , kemudian klik Edit Algorithm , lalu klik icon load dataset untuk membuka baru file yang telah dikoreksi

14.

Kemudian klik icon edit transform limits dan cek nilai atmospheric, Amati nilai Actual Input Limits, pastikan bernilai 1 dari band 1 sampai band 7, Lakukan pada setiap Band

3.3.4.2 Enchanched Dark Pixel Correction (EDPC) 1. Klik icon Land Application Wizard pada aplikasi Er-Mapper

2.

Pada window Land Application Wizard , klik next

3.

Pilih Process TM Imagery , klik next

4.

Pilih Atmospheric Effect Corecction , klik next

5.

Pada window Processing TM Imagery Atmospheric, pilih Enchanced Dark Pixel Correction. Lalu klik next

6.

Masukkan file citra yang akan dikoreksi, citra Landsat_TM_23Aprr85.ers. klik next

7.

Pilih Use TM1 as Initial Band dan masukkan nilai atmospheric biasnya. Nilai atmospheric bias dapat dilihat pada windows transform, klik next.

8.

Pada select an option pilih sesuai dengan nilai atmospheric biasnya dan tuliskan nama file outputnya yaitu BelumKoreksi_EDPC_MuhammadSulaiman_26020212140030.ers. Lalu Klik Finish

9.

Akan muncul citra dengan 7 band yang belum terkoreksi, Cut pada band TM6

10.

Pilih icon Edit Transform Limit

pada Algorithm, pilih Edit pada

menu Transform, lalu Delete This Transform. Lakukan tahap ini pada band 1 sampai band 7.

11.

Lalu klik Save As dengan nama file SudahKoreksi_EDPC_MuhammadSulaiman_26020212140030.ers. Pada file types pilih ER Mapper Raster Dataset(.ers). klik OK

12.

Tutup semua windows, kemudian klik

Edit Algorithm , lalu

load

dataset untuk membuka baru file yang telah dikoreksi.

13.

Pilih icon Edit Transform Limit

pada Algorithm, Amati nilai Actual

Input Limits, pastikan bernilai 1 dari band 1 sampai band 7, Lakukan pada setiap Band .

3.3.4.3 Cut Off Scattergram 1. Klik icon Land Application Wizard pada aplikasi ER MAPPER

2.

Pada Window Land Aplication Wizard, klik next

3.

Pilih Process TM Imagenary, lalu klik next

4.

Pilih Athmospheric Effect Correction, lalu klik next

5.

Pilih Cut-Off Values ( Scattergram ). Lalu klik next

6.

Pada dialog box specify an input TM dataset, masukkan citra yang akan dikoreksi berupa citra Landsat_TM_23Apr85.

7.

Pada dialog box specify an output filename, masukkan nama file output-nya. BelumKoreksi_CutOff_MuhammadSulaiman_26020212140030.ers, Kemudian klik next

8.

Pada window New Map Composition, klik close

9.

Isi kolom Specity Cut-Off Value for TM1 sampai TM7 (kecuali TM6) dengan nilai Actual X Axis (B1) Input limits dan Actual Y Axis (B2). Isilah sesuai dengan nama masing-masing band. Untuk mengganti nilai X Axis atau Y Axis, pilih Setup pada menu Scattergram. Hal ini dilakukan untuk mengisi kolom Specity Cut-Off Value for TM3 sampai TM7.
1. Actual X Axis (B1) Input limits dan Actual Y Axis (B2)

2. Actual X Axis (B3) Input limits dan Actual Y Axis (B4)

3. Actual X Axis (B5) Input limits dan Actual Y Axis (B7)

10.

Setelah semua kolom terisi, klik Finish

11.

Akan muncul citra dengan 7 band yang belum terkoreksi, Cut pada band TM6

12.

Pilih icon Edit Transform Limit

pada Algorithm, pilih Edit pada

menu Transform, lalu Delete This Transform. Lakukan tahap ini pada band 1 sampai band 7. Band 1 :

13. Save as citra tersebut dengan nama yang kita inginkan


SudahKoreksi_Cutoff_MuhammadSulaiman_26020211130025.ers, klik OK.

14.

Tutup semua windows, kemudian klik Edit Algorithm

, Load Dataset

untuk membuka baru file yang telah dikoreksi Pilih icon Edit Transform Limit pada Algorithm, Amati nilai Actual Input Limits,

pastikan bernilai 1dari band 1 sampai band 7.

Band 1 dst.

IV.
4.1 Hasil

HASIL DAN PEMBAHASAN

4.1.1 Pemeriksaan Nilai Atmosfer Bias

Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

Nilai Minimum 68 21 15 4 2 1

Nilai Maximum 255 223 254 220 255 247

Band 1 :

Band 2 :

Band 3:

Band 4:

Band 5 :

Band 7 :

4.1.2 Penyesuaian Histogram


a. Sebelum Koreksi

Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

Nilai Minimum 68 21 15 4 2 1

Nilai Maximum 255 223 254 220 255 247

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

b. Setelah Dikoreksi

Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

Nilai Minimum 1 1 1 1 1 1

Nilai Maximum 187 202 239 216 253 246

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

4.1.3 Penyesuaian Regresi 4.1.3.1 Dark Pixel Correction (DPC) a. Sebelum dikoreksi Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 7 Nilai Minimum 1 1 0 -2 -1 0 Nilai Maximum 188 191 237 205 253 240

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

b. Setelah dikoreksi Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Nilai Minimum 1 1 1 1 1 1 Nilai Maximum 188 196 240 202 253 250

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

4.1.3.2 Enchanched Dark Pixel Correction (EDPC)


a.

Sebelum Koreksi Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Nilai Minimum 0 -6.08065 -9.887156 -14.1118316 -29.1111868 -30.2289312 Nilai Maximum 188 188.91935 229.112844 192.8881684 224.8888132 215.7710688

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

b.

Setelah Koreksi Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Nilai Minimum 1 1 1 1 1 1 Nilai Maximum 188 196 229 203 225 216

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

4.1.3.3 Cut-Off Values (Scattergram) a. Sebelum Koreksi Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Nilai Minimum -1 0 0 -3 0 0 Nilai Maximum 187 195 239 204 254 246

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

b.

Setelah Koreksi Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Nilai Minimum 1 1 1 1 1 1 Nilai Maximum 187 202 239 214 254 246

Band 1 :

Band 2 :

Band 3 :

Band 4 :

Band 5 :

Band 7 :

4.2 Pembahasan 4.2.1 Koreksi Radiometri Pada praktikum inderaja modul 2 ini masih menggunakan software ER Mapper yang fungsinya untuk mengolah data citra atau satelit. Di dalam software ER Mapper ini koreksi radiometri ditujukan untuk memperbaiki nilai pixel supaya sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Koreksi radiometri dilakukan menggunakan metode yang paling sederhana, yaitu penyesuaian histogram dan penyesuaian regresi.

4.2.2 Penyesuaian Histogram Penyesuaian histogram dilakukan dengan menambahkan nilai terendah pada window Formula Editor. Misal nilai terendah pada Band 1 adalah 68 maka kita tuliskan INPUT1 68.Kata INPUT1 sudah ada pada Formula Editor sehingga kita hanya menuliskan nilai terendahnya saja. Pengurangan angka dilakukan tanpa memperhatikan nilai positif (+) dan negatif (-) masingmasing nilai tersebut. Setelah dilakukan koreksi dengan penyesuaian histogram didapatkan nilai band yang dimulai dari 1.

4.2.3 Penyesuaian Regresi Metode yang digunakan dalam praktikum ini adalah metode regresi. Penyesuaian regresi diterapkan dengan memplot nilai-nilai pixel hasil pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila ada saluran rujukan (yang relatif bebas gangguan) yang menyajikan nilai nol untuk obyek tertentu. Kemudian tiap saluran di pixel angkanya dengan saluran rujukan tersebut untuk membentuk diagram pancar nilai yang diamati. Pengambilan pixelpixel pengamatan harus berupa obyek yang secara gradual berubah naik nilainya, pada kedua saluran sekaligus dan bukan hanya pada salah satu saluran.

4.2.3.1

Dark Pixel Correction (DPC) Fungsi Dark Pixel Correction terdapat pada window Land Application Wizard toolbar Remote Sensing. Setelah muncul window Dark Pixel Correction maka kita memasukkan file input dan band-nya. Kemudian Koreksi telah dilakukan secara otomatis oleh ER Mapper berdasarkan Dark Pixel Correction yang kita pilih.

4.2.3.2

Enhanched Dark Pixel Correction (EDPC) Nilai TM yang digunakan kali ini adalah TM 3 yang memiliki nilai terbesar dari pada nilai TM yang lain. Kemudian setelah memasukkan nilai TM yang paling kecil terdapat pilihan untuk pembersihan yang dilakukan yaitu Very Clear, Clear, Moderate, Hazy, dan Very Hazy. Pada praktikum kali ini kita menggunakan metode koreksi Clear dengan syarat TM1 >55<=75.

4.2.3.3

Cut-Off ( Scattegram ) Cara Cut Off merupakan cara ketiga dalam koreksi atmosfer yang menggunakan dua variasi Scattergram. Dengan memasukkan nilai terendah tiap tiap Band pada window Scattergram. Pada kerja Cut Off ini spesifik value dari cut off adalah TM1 sampai TM5 dan TM7. Setelah nilai TM yang ada dimasukkan, pada layer Cut layer TM6 yang tidak digunakan pada koresi kali ini.

V.
1.

KESIMPULAN

Koreksi radiometri ditujukan untuk memperbaiki nilai pixel supaya sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama.

2.

Penyesuaian histogram dilakukan dengan menambahkan nilai terendah pada window Formula Editor. Misal nilai terendah pada Band 1 adalah 68 maka kita tuliskan INPUT1 68.Kata INPUT1 sudah ada pada Formula Editor sehingga kita hanya menuliskan nilai terendahnya saja.

3.

Penyesuaian regresi diterapkan dengan memplot nilai-nilai pixel hasil pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila ada saluran rujukan (yang relatif bebas gangguan) yang menyajikan nilai nol untuk obyek tertentu.

4.

Fungsi Dark Pixel Correction terdapat pada window Land Application Wizard toolbar Remote Sensing.

5.

Enhanched Dark Pixel Correction metode pembersihan yang dilakukan yaitu Very Clear, Clear, Moderate, Hazy, dan Very Hazy. Pada praktikum kali ini kita menggunakan metode koreksi Clear dengan syarat TM1 >55<=75.

6.

Cara Cut Off merupakan cara ketiga dalam koreksi atmosfer yang menggunakan dua variasi Scattergram. Dengan memasukkan nilai terendah tiap tiap Band pada window Scattergram.

DAFTAR PUSTAKA

Anonim.2012.http://inderaja-edit_transform_limit.com, diakses pada 28 September 2013 pukul 19:22 WIB. Anonim.2012. http://anjar.web.ugm.ac.id, diakses pada 28 September 2013 pukul 19:25 WIB. Anonim.2012. www.geocities.com/yaslinus/citra.html, diakses pada 28 September 2013 pukul 23:00 WIB. Anonim.2012. http://library.usu.ac.id, diakses pada 28 September 2013 pukul 19:44 WIB. Danoedoro, P. 1990. Beberapa Teknik Operasi dalam Sistem Informasi Geografis. Puspics UGM - Bakosurtanal. Yogyakarta. Janssen, L. F. Lucas, H. Middlekoop.1986. International Journal of Remote Sensing Vol. 13, No. 15, (1986) 2827-2837. Konturgeo.2008.http://konturgeo.blogspot.com/2008/09/koreksi-radiometrik.html, diakses pada 28 September 2013 pukul 19.30 WIB. Lillesand dan Kiefer.1987. Penginderaan Jauh dan Interpretasi Citra. Gadjah Mada University Press, Yogyakarta. Rahmiariani. 2009. http://rahmiariani.blogspot.com/2009/04/koreksi-citra.html , diakses pada 28 September 2013 pukul 19.55 WIB. Sabins, Floyd F. 1996. W. Remote Sensing. Principles and Interpretation. Soenarmo, Sri Hartanti. 1994. Pengindraan Jauh dan Pengenalan Sistem Informasi Geografi untuk Bidang ilmu Kebumian. Bandung : ITB.

Sumaryono. 1999. Pemanfaatan Penginderaan Jauh Untuk Pemantauan Reboisasi Di Sub DAS Roraya-Kendari dalam Prosiding Pertemuan Ilmiah Tahun Ke-8 MAPIN (Masyarakat Penginderaan Jauh Indonesia). Jakarta. Sutanto, 1987. Penginderaan Jauh I, Gajah Mada University Press, Yogyakarta.