Anda di halaman 1dari 118

Penggunaan ALO8 PAL8AR

Kerjasama :
Japan nternational Cooperation Agency
dan
FakuItas Kehutanan
Institut Pertanian Bogor
2010
dalam Pemetaan Penutupan Lahan/Hutan
Modul Pelatihan

MODULPELATIHAN

PENGGUNAANALOSPALSAR
DALAMPEMETAANPENUTUPANLAHAN/HUTAN









KERJASAMA:
JAPANINTERNATIONALCOOPERATIONAGENCY
DAN
FAKULTASKEHUTANAN
INSTITUTPERTANIANBOGOR

2010

DAFTARISI

1. PERANANDANPROSPEKPENGINDERAANJAUHDANSISTEM
INFORMASIGEOGRAFISDALAMPENGURUSANHUTAN
(INengahSuratiJaya)
2. PENGOLAHANCITRADIJITALDATAPENGINDRAANJAUH
(INengahSuratiJaya)
3. KOREKSIGEOMETRIK
(NiningPuspaningsih)
4. IMAGEENHANCEMENT
(LilikB.Prasetyo)
5. KLASIFIKASICITRA
(LilikB.Prasetyo)
6. CITRALANDSAT
(LilikB.Prasetyo)
7. CITRARADAR
(M.BuceSaleh)

MODUL
PELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Bogor,1525Februari2010

PERANANDANPROSPEKPENGINDERAANJAUH
DANSISTEMINFORMASIGEOGRAFISDALAMPENGURUSANHUTAN
INengahSuratiJaya

Kerjasama:

JAPANINTERNATIONALCOOPERATIONAGENCY FAKULTASKEHUTANANIPB

MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:1dari11
PERANANDANPROSPEKPENGINDERAANJAUH
DANSISTEMINFORMASIGEOGRAFISDALAMPENGURUSANHUTAN
INengahSuratiJaya
GurubesartetapFakultasKehutananIPB,KampusIPBDarmaga,DepartemenManajemenHutan,
Telp02518639106,insjaya@cbn.net.iddansuratijaya@yahoo.com

A. SejarahpengelolaanhutandiIndonesia
Teknologi informasi telah mengalami
perubahanp radigmadih mp semua
bidang, termasuk aplikasinya dalam
bidang pengelolaan hutan. Hal ini
merupakan dampak dari kemajuan
teknologi pendukungnya, dimana
ketersediaan perangkat keras
(hardware), perangkat lunak
(software) serta sumberdata dijital
yang murah semakin mudah diperoleh
sejakawaldekade90an.
a a ir
Saat ini, dengan semakin murahnya
harga citra satelit, ketersediaan
teknologi GPS dan internet, pekerjaan
pekerjaan inventarisasi hutan di
lapangandapatdilakukandenganlebih
mudah dan murah. Dengan teknologi satelit, sebagian pengukuran terestris dapat digantikan
melalui pengukuranpengukuran laboratorium. Penggunaan GPS (Global Positioning System) saat
ini juga memungkinkan dilakukannya pengukuran lokasi geografis dengan ketelitian yang cukup
tinggi dan real time dengan ketelitian dalam kisaran lebih kecil dari 20 m. GPS dapat dengan
mudahdikoneksikandengankomputer(PCmaupunlaptop)dansoftwarepencatatjejak(track)yang
disurvei di lapangan. Dukungan internet yang semakin luas jangkauannya telah juga menumbuh
kembangkanpenyediaansitussitusberbasisweb(www:worldwideweb)untukinventarisasihutan
skala besar. Pada tahap survai, ketersediaan internet dapat digunakan untuk melakukan transfer
datadiseluruhdunia.
Umpan
balik
Penga
wasan
Litbang
Diklatluh
Pengelo-
laan
Skenario
pengelo
laan
Peren
canaan
SIGdan
inderaja
Gambar1.KedudukanSIGdanInderajadalam
pengurusanhutan
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Kemajuanteknologipenginderaanjauh(inderaja)yangdibarengidengankemajuansisteminformasi
geografis (SIG) telah menyebabkannya menjadi bagian yang sangat penting dalam kegiatan
pengurusan hutan, mulai dari perencanaan hutan sampai dengan pengawasan. Pada Gambar 1
disajikan kedudukan inventarisasi hutan dalam melakukan asesmen terhadap sumberdaya,
penyusunan skenario, penyusunan kebijakan dan perencanaan, pelaksanaan serta masukan
(feedback)yangdiperolehterhadapimplementasi.
Teknologipenginderaanjauh(inderaja)telahmengalamikemajuansangatpesat,yangdicirikanoleh
semakin banyaknya satelit sumberdaya alam yang yang merekam permukaan bumi ini. Di sektor
KehutananIndonesia,citrasatelityangtelahdibuktikanmampumemberikaninformasisumberdaya
hutan baik untuk tingkat global maupun tingkat lokal. Inderaja telah digunakan sebagai salah satu
metode dasar untuk mengurangi pekerjaan lapang dalam rangka monitoring dan pendugaan hutan
untuk laporan perubahan iklim yang dikoordinasikan oleh FAO (Holmgren et al, 2007). Beberapa
citrasatelitsumberdayayangpotensialuntukdigunakandalambidangpengelolansumberdayaalam
disajikanpadaTabel1.
Tabel1.Citrasatelitsumberdayaalam
No Namasatelitdan
sensor
Resolusi
spasial
(m)
Revisit
(Resolusi
Temporal)
Skalapeta
thematicyang
dapat
dihasilkan
Aplikasi
1 NOAAAVHRR 1000 12jam 1:5.000.000
2 SPOTVEGETATION 800 1:4.000.000
3 ALOSPALSAR 200 1:1.000.000
Pemantauanbiomasa
vegetasihijaupada
tingkalnasionalatau
regional(pulau)
4 MOSMESSR 100 expired 1:500.000
5 ALOSPALSAR
MOSAICS
50 1:250.000
6 LANDSATMSS 80 expired 1:400.000
7 IRS 75 1:375.000
Pemantauantutupan
hutanataukelas
hutanpadalevel
propinsiatau
kabupaten.
8 LANDSATTM/ETM
MS
30 16hari(slc
off)
expired
1:150.000 Pemantauanvegetasi
hutanpadatingkat
unitpengelolaan.
Saatinisebagian
besardatayang
dihasilkan
mengandung
stripping(banding)
9 LANDSATETM+PAN 15 16hari(SLC
OFF)
expired
1:75.000
10

SPOT24HRVXS 20 26hari 1:100.000


11 SPOT24HRVPAN 10 26hari 1:50.000
Pemantauanvegetasi
hutanataukelaskelas
hutanpadaskalaunit
pengelolaan
Hal:2dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:3dari11
No Namasatelitdan
sensor
Resolusi
spasial
(m)
Revisit
(Resolusi
Temporal)
Skalapeta
thematicyang
dapat
dihasilkan
Aplikasi
12 SPOT5HRVXS 10 26hari 1:50.000
13 SPOT5PAN 5 26hari 1:25.000
14 IRS1C&1DPAN 5,8 24hari 1:30.000
14 SPOT5SUPERMODE 2,5 26hari 1:12.500
15 IKONOSMS 4 23hari 1:20.000
16 IKONOSPAN 1 23hari 1:5.000
17 QUICKBIRDMS 2,4 23hari 1:12.000
18 QUICKBIRDPAN 0,6 23hari 1:3.000
19 Potretudara 6 Tidaktentu 1:30.000
20 ALOSAVNIR 12,5 1:67.500
21 ALOSPRISM 5 1:25.000
Identifikasikelaskelas
tutupahutanskala
detaildanestimasi
potensihutan
Saatinipenginderaanjauhdansisteminformasigeografis(GIS)telahmemberikanprospekyangluar
biasadalaminventarisasihutan,utamanyamelaluipengujianterhadapsampellapanganyangsecara
statistikalebihefisiendibandingkandenganterestris.

B. KebutuhanInformasiKehutanan
Beberapa penelitian menemukan adanya kesenjangan yang cukup signifikan antara ketersediaan
data yang dibutuhkan dalam rangka memperbaiki dan mengimplementasikan kebijakankebijakan
baik untuk tingkat nasional maupun internasional. Oleh karena itu, ada suatu kebutuhan yang
mendesak dalam mengembangkan tehnik inventarisasi hutan pada tingkat nasional. FAO (2000)
mengemukakan bahwa hanya ada sedikit informasi tentang kehutanan tingkat nasional yang
tersedia di Negaranegara berkembang, dan kalaupun tersedia memiliki keragaman yang cukup
kompleks.

C. ProspekpenggunaanPenginderaanJauhdanSIG
Kedatangan sebuah teknologi baru selalu membawa sejumlah peluang dan membangkitkan banyak
harapan.DemikianpuladengankedatanganteknologiSIGyangbanyakbersinergidenganteknologi
inderajaDengansudutpandangyangberbedabeda,makapenggunaanteknologiSIGdaninderajaini
memberikansejumlahprospek,beberapadiantaranyaadalahsebagaiberikut:
1. Prospekteknologi
SIG adalah sebuah sistem yang komponennya di antaranya terdiri atas perangkat lunak
(software) dan perangkat keras (hardware). Oleh karena itu, aplikasi SIG dan inderaja ini
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
melibatkan sejumlah teknologi informasi yang maju yang mencakup analisis spasial, temporal
dan spektral. Dalam hal perangkat lunaknya, SIG memberikan sejumlah peluang untuk
mengembangkan perangkatperangkat lunak yang terkait dengan pengolahan data menjadi
informasi. Algoritmaalgoritma untuk mengolah datadata spasial model vektor dan raster
secara efisien, cepat dan hemat memory akan menjadi sebuah peluang yang menjanjikan.
Dukungan teknologi elektronik (komputer) berkecepatan (processor) tinggi memberikan
kontribusi yang sangat signifikan dalam kajian data baik spasial maupun tabularnya.
Pengembangan teknologi informasi spasial juga memberikan harapan yang sangat prospektif
baik dalam hal teknologi perangkat kerasnya. Di bidang kehutanan dan lingkungan,
perkembangan teknologi SIG ini akan sangat membantu pengembangan Sistem Informasi
Kehutananyangmenjadikebutuhandasaruntukmewujudkanpengelolaanhutanyanglestari.
2. Prospekmetodologi
SIG tidak sematamata sebagai alat pembuat peta tetapi kemampuan dasarnya justru sebagai
sebagaialatanalisis(analyticaltool),baikyangdigunakanuntukmelakukanpenelusuran(query)
maupun untuk membuat suatu peramalan atau pemodelan spasial (spatial modelling). SIG
dapatmenjawabberbagaipertanyaangenerikyangterkaitdenganketerhubungan(connectivity),
posisibersebelahanantarfitur(adjacentcy/contiguity)danluas(areadefinition).Untukbidang
bidangkehutanandanlingkungan,hampirsemuapermasalahanterkaitdenganmalasahmasalah
spasialdanolehkarenaitumaka pemecahannya memerlukankajiankajianspasialmenggunaan
SIG.Dalamhalini,SIGmemberikanprospekpengembanganmetodologipemecahanmasalah.
Pada bidang pengelolaan sumberdaya alam dan lingkungan, pengembangan metodemetode
kajian spasial sangat diperlukan mulai dari bidang perencanaan sampai dengan bidang
pengawasan.
3. ProspekBisnis
Sebagaisebuahsistemyangbaru,SIGdaninderajamembukasebuahpeluangbisnis.Komponen
utama SIG adalah software, hardware, brainware dan basisdata, dimana semua komponen
tersebutmemberikanprospekuntukmenjadisebuahusaha.DisadaribahwabottleneckdariSIG
ini adalah pengadaan atau pembangunan basisdata. Pengadaan data yang dilakukan secara
tersendiri akan menyebabkan biaya tinggi. Oleh karena itu, pembangunan bank data atau
data suplier yang mampu menyediakan data untuk kebutuhan analisis pengguna menjadi
sebuahpeluangbisnisyangsangatmenjanjikan.Usahayangjugadapatdikembangkanmisalnya
pengadaan data dijital penginderaan jauh, peta tematik tutupan lahan multiwaktu, demografi
persatuanwilayahadministratif,penggunaanlahan,sistemlahandansebagainya.Padabidang
Hal:4dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
kehutanan dan sumberdaya alam lainnya, hampir semua bidang penyelenggaraan pekerjaan
membutuhkan data spasial. Tidaklah salah kalau analis SIG sangat percaya pada semboyan
Kapanpun dan dimanapun, informasi spasial sangat dibutuhkan. Bidang lain dalam SIG yang
bisadijadikanbisnisadalahpengadaan/pengembangansoftware,hardware danpelayananjasa
konsultasi kajian spasial. Dengan sentuhan pemrograman spasial yang unik untuk tujuan
tujuantertentu,pengembanganperangkatlunakdapatmenjadibisnisyangsangatpropektif.
4. Prospekprofesi
Sejak awal tahun 2000an, SIG tidak hanya dipandang sebagai sebuah sistem, tetapi telah
berkembang menjadi sebuah sains (Geographical Information Science) untuk menjawab
pertanyaanpertanyaan yang bersifat filosofi (philosophical questins) serta pengembangan
metodepemecahanmasalah(methodsissues).Sejalandenganperkembangantersebut,saatini
perkembangan SIG telah memunculkan sebuah profesi baru. Seorang analis SIG profesional,
memerlukan sebuah pengetahuan (knowledge) tentang prinsipprinsip dasar dan metode SIG,
yang didukung oleh keterampilan (skill) melakukan kajiankajian spasial serta mempunyai sikap
(attitude) yang memadai terutama dalam melakukan langkahlangkah operasional. Beberapa
sebutan yang sering dicantumkan atau sebutkan sebagai profesi adalah akhli SIG dan Remote
Sensing (GIS and Remote Sensing specialist), analis SIG (GIS analyst), analis remote sensing
(Remote Sensing Analyst). Sebagian analis sering juga mencantumkan bidang aplikasinya
misalnyaForestryRemoteSensingAnalyst,GISanalystforforestrydansebagainya.

D. AplikasipenggunaaninderajadanSIGdalampengurusanhutan
Ke depan penggunaan teknologi SIG dan inderaja dalam bidang pengurusan hutan akan banyak
digunakan secara luas. Jika kita cermati Undangundang No 41 Tahun 1999 tentang Kehutanan,
maka hampir semua bidang dalam pengurusan hutan terdiri atas 4 penyelenggaraan hutan
memerlukan teknologi SIG dan inderaja. Adapun bidang aplikasi yang sangat potensial dalam
penyelenggaraanhutantersebutadalahsebagaiberikut:
1. PerencanaanHutan
2. Dengan teknologi SIG dan inderaja, beberapa kegiatan perencanaan hutan dapat diselesaikan
yang mencakup pelaksanaan inventarisasi hutan, penyusunan rencana kerja pengukuhan dan
penatagunaan kawasan hutan, pembentukan wilayah pengelolaan dan penyusunan rencana
kehutanan.

Hal:5dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
3. PengelolaanHutan
a. Tata hutan dan penyusunan rencana pengelolaan hutan. SIG sangat berperan dalam
melakukan pembagian zonasi penggunaan kawasan dengan pertimbangan kondisi
ekosistem, tipe dan fungsi serta rencana pemanfaatan hutan. Pembagian blokblok dapat
berupa petak yang menjadi unit terkecil pengelolaan hutan. Hasil pembagian blokblok
atau petak ini selanjutnya dijadikan sebagai dasar penyusunan rencana pengelolaan hutan
untukjangkawaktutertent
b. Pemanfaatandanpenggunaankawasanhutan.
DenganteknologiGISdapatdilakukanpencarian(query)arealarealyangbisadimanfaatkan
secarapenuh,secaraterbatasmaupunyangperludilindungisepertizoneintidanzonarimba
padatamannasional.SIGjugadigunakandalamrangkapenentuankawasanlindungdan
konservasilainnya.
c. Rehabilitasidanreklamasihutan
Untuk aktifitas rehabilitasi dan reklamasi hutan, SIG mempunyai peranan yang sangat
penting. Teknologi SIG mampu memberikan informasi tentang tingkat kekritisan lahan,
tingkat kerusakan (degradasi ) hutan dan lahan. Teknologi SIG menyediakan fungsifungsi
yang mampu menyajikan informasi spasial yang berkaitan dengankekritisan lahan sehingga
dapat dijadikan sebagai dasar perencanaan dalam menentukan skala proritas rehabilitasi
dan reklamasi hutan. Bersamasama dengan inderaja, dan SIG mampu memberikan
informasitentangkondisitutupanlahansecararealtimedandalambentukpictorial/real
image.AgarrehabilitasihutantepatsasaranmakaKegiatanrehabilitasihutanumumnya
sangat terkait dengan penggunaan datadata spasial dalam rangka (a) inventarisasi lokasi
yang dilakukan dengan proses query, (b) penetapan lokasi yang dilakukan berdasarkan
analisisspasialkesesuaianlahanatautingkatkekritisanarealdan(c)pelaksanaanreklamasi.
d. Pemanfaatandanpenggunaankawasanhutan
Penggunaan kawasan yang mengakibatkan kerusakan hutan dan lahan perlu dilakukan
reklamasi dan atau rehalitasi sebagaimana diatur oleh undangundang. Sebagai contoh,
reklamasi di areal pertambangan wajib dilakukan oleh pemegang ijin pertambangan sesuai
dengantahapankegiatanpertambangannya.
e. Perlindungandankonservasialam.
Untuk mengurangi kejadian pengerusakan serta memperkecil kemungkinan dampak yang
akanterjadi,pengelolahutanumunyamemerlukaninformasispasialyangberkaitandengan
Hal:6dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
arealareal yang rawan atau rentan terhadap kebakaran hutan, rawan banjir/longsor yang
dapatditurunkanmelaluianalisisspasialdenganteknologiSIGdandatapenginderaanjauh.

4. Pendidikan,pelatihan,penelitiandanpengembangan
Setiap profesional rimbawan ataupun praktisi kehutanan dan/ atau lingkungan perlu dibekali
pengetahuan tentang teknologi SIG dan inderaja. Dengan pengetahuan ini maka setiap
rimbawan akan mempunyai pengetahuan keruangan yang dapat menjadi motor untuk
menciptakanideidepemecahanmasalahyangdikaitkandengankeruangan.

5. Pengawasan
Untuk monitoring kegiatan yang dinamis maka sangat diperlukan pengetahuan tentang
penginderaanjauh.Sektorkehutananadalahsektoryangsecaraumummemilikikarakteryang
unik, tidak aksesibel, arealnya luas, sulit dijangkau dan (untuk lahan kering topografinya relatif
berat). Dengan teknologi SIG dan inderaja maka pengawasan akan dapat dilakukan dengan
biayayangrasional.

E. ParadigmaBaruPengelolaanHutanBerbasisTeknologiSIGdanPenginderaanJauh
Sejak diluncurkannya satelit sipil pertama pada 23 Juli, 1972 ERTS (Eearth Resources Technology
Satellite) yang selanjutnya disebut dengan Landsat1, teknologi satelit berkembang sangat pesat
(USGS, 2003). Pada awal peluncurannya citra satelit tersebut hanya memuat sensor yang mampu
merekam obyek dengan resolusi spasial 80 m x 80 m dan 4 band (green, red, NIR). Akan tetapi,
generasi sensor berikutnya sensor tersebut mampu memberikan obyek secara lebih detail dengan
variasi informasi yang lebih banyak. Sebagai contoh, pada tahun 1984, AS meluncurkan generasi
Landsat4yangmembawasensorTMdengankarakteristikresolusispasial30mx30mdanresolusi
spektral 7 band yang mencakup seluruh panjang gelombang kasat mata (visible light), infra merah
dekat, infra merah sedang dan infra merah thermal. Negara lain seperti Perancis, Canada, India,
ChinadanJepangkemudianmenyusullangkahASdalammeluncurkansatelitsumberdayaalamyang
mempunyai karakteristik khusus. Lompatan yang paling dirasakan adalah dengan diluncurkannya
satelit sumberdaya alam resolusi tinggi, seperti IRSD, IKONOS, Quickbird, SPOT 5 Supermode
sehinggamemungkinkandilakukannyadeteksipersatuanpohon.
Lompatan teknologi satelit tersebut menjadi sangat lengkap dengan berkembangnya teknologi SIG
sejak dekade 90an. Pada saat ini, perangkat lunak SIG bukanlah barang mewah lagi. Aplikasi
Hal:7dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
utama dari SIG dan inderaja di bidang kehutanan mencakup semua ilmu pengetahuan yang terkait
denganpemantauan,surveisumberdayadanlingkungan(Gomarasca,2004dalamKohletal,2006),
yaitu (a) inventarisasi hutan, (b) Forest Health and nutrition, (c) forest sustainability dan (d) forest
growth. Kombinasi kemajuan teknologi SIG dan inderaja ini telah menyebabkan terjadinya
perubahankonsep,tatanilaidanmetodeataupraktekpraktekpengurusanhutanberbasisinderaja
dan SIG. Inderaja dan SIG adalah sebuah kebutuhan dan menjadi elemen penting dalam sistem
pengurusan hutan. Beberapa kegiatan rutin penyelenggaraan hutan yang perlu mendapatkan
dukungan data inderaja serta sistem informasi geografis mulai dari perencanaan sampai dengan
pengawasan.
1. Perencanaanhutan
a. Kegiatan Inventarisasi hutan menyeluruh berkala merupakan sebuah keharusan yang perlu
dilakukan oleh setiap pemegang ijin pengusahaan hutan dan dilakukan setiap 10 tahun
sekali. Dalam prakteknya, proses penyusunan proposal sampai dengan laporan akhir
menggunakan teknologi SIG dan inderaja. Selain itu, Howard (1991) mencatat bahwa
aplikasi multistage sampling yang dibantu dengan stratifikasi hutan menggunakan citra
satelitdapatmengurangikesalahansamplingdai30%menjadihanya13%.Jayaetal(2006,
2007a dan 2007b) berhasil menggunakan citra satelit resolusi tinggi SPOT 5 Supermode
untuk menduga sediaan tegakan. Demikian pula Shiver dan Borders (1996) menyatakan
bahwa untuk optimalisasi biaya, maka kombinasi inventarisasi terestris dan penggunakan
inderajamenjadisebuahpenyelesainyangprospektif.
b. Pembuatanpetatutupanhutandanlahanmenjadisebuahkeharusanyangdiperlukandalam
mendukungInventarisasihutandandapatditurunkandariberbagaicitrasumberdayaalam.
Untuk skala pulau, dengan skala sekitar 1.000.000 ~ 1: 1.500.000, peta dapat diturunkan
daricitradenganresolusi200matauyanglebihkecil(misalnya50m,lihatTabel1).Selain
itu, untuk i skala daerah aliran sungai, peta dapat diturunkan dari citra resolusi sedang (20
m ~ 50 m). Selanjutnya, untuk inventarisasi pada tingkat unit manajemen dapat
menggunakan citra resolusi tinggi. Departemen kehutanan telah memanfaatkan citra
LandsatTM(resolusisedang)secararutinuntukmemetakankondisitutupanhutanseluruh
Indonesiasejaktahun1990an.J
c. Pengukuhandanpenatagunaanhutan,perlumenggunakankombinasiSIGdaninderaja
d. Untuk menyusun suatu unit wilayah pengelolaan, melalui evaluasi tentang kondisi biofisik
dansosialekonomididalamdandisekitarkawasanhutanperludukunganteknologiSIGdan
inderaja. Hampir 80% proses identifikasi dan delineasi memerlukan SIG dan inderaja
Hal:8dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
melallui operasi tumpang susun (overlay). Beberapa layer yang sering diperlukan adalah
layer kelas slope, elevasi, batas administrasi, sediaan tegakan, sediaan permudaan, sosial
budaya, ekonomi, kondisi tapak, fungsi hutan, kondisi dan batas DAS, dan lain sebagainya.
Kondisitutupanhutandanlahanterkiniperluditurunkandaridatainderajaresolusisedang
sampaidenganresolusitinggi.
e. Penyusunan rencana kehutanan (RKU) mutlak diturunkan dari hasil inventarisasi yang
mempertimbangkan faktorfaktor lingkungan dan kondisi masyarakat di dalam dan di
sekitar hutan. Oleh karena itu, penggunaan SIG dan inderaja menjadi satu rangkaian
kegiatan dengan inventarisasi hutan. Rencana kehutanan ini biasanya disusun menurut
jangkawaktu,skalageografisdanfungsipokokkawasan.
2. Pengelolaanhutan
Pengelolaan hutan adalah penyelenggaraan kehutanan yang mencakup (a) tata hutan dan
penyusunan rencna pengelolaan, (b) pemanfaatan hutan dan penggunaan kawasan, (c)
Rehabilitasi dan reklamasi hutan dan (d) perlindungan dan konservasi. Semua bidangbidang
tersebut tidak terlepas dari penggunaan teknologi SIG dan inderaja. Dalam kegiatan penataan
hutan, hasil pembagian petak selanjutnya digunakan untuk menyusun rencana pengelolaan
hutan dengan mempertimbangkan aspirasi masyarakat nilai budaya dan kondisi lingkungan.
Proses penyusunan priorias rehabilitasi, reklamasi, perlindungan dan konservasi juga
memerlukan kajiankajian spasial untuk menghasilkan informasi pola sebaran spasial, tingkat
kekritisan dan kelangkaan spesies. Dalam manual penyusunan KPHP (Kesatuan Pengelolaan
Hutan Produksi), penggunaan teknologi SIG sangat dibutuhkan, khususnya dalam proses
identifikasidandelineasibataspengelolaan.
3. Pengawasan
Kegiatan pengawasan merupakan satu proses penting dalam rangka melakukan penilaian
terhadap pelaksanaan pengurusan hutan Pencermatan dan penelusuran yang terkait dengan
informasi spasial dapat dilakukan dengan mudah, murah dan relatif cepat melalui pemanfaatan
teknologi inderaja dan SIG. Pengawasan dapat dilakukan oleh aparat pemerintah yang
ditugaskan maupun oleh anggota masyarakat. Dalam pengurusan hutan, selain pengawasan
juga dilakukan kegiatan pemantauan (monitoring) untuk memberikan informasi tentang kondisi
hutan dalam periode waktu tertentu. Kegiatan monitoring ini adalah suatu cara yang dapat
digunakan untuk melihat sejauh mana implementasi dari pengurusan hutan telah dilaksanakan.
Hasildarimonitoringinidapatdijadikanumpanbalikuntukmengevaluasikegiatan.

Hal:9dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
F. Penutup
Dari uraian terdahulu, maka penulis dapat menyimpulkan dan merekomendasikan beberapa hal
sebagaiberikut:
1. Telah terjadi perubahan paradigma pengurusan hutan dari menggunakan datadata
terestrial semata ke pengurusan hutan berbasis teknologi sistem informasi geografis dan
inderaja.Perubahantersebutdiperkirakanakanterusberlangsungsejalandengankemajuan
teknologiSIGdaninderaja.
2. Hampir semua kegiatan pengurusan hutan, mulai dari perencanaan hutan sampai dengan
pengawasan memerlukan teknologi SIG dan inderaja. Sebagian di antaranya telah
memanfaatkanteknologiinibaikdalamskalaoperasionalrutinmaupunyangbersifatsesaat
(bacaproyek).
3. Guna penerapan teknologi SIG dan inderaja dalam bidang pengurusan hutan, diperlukan
adanya dukungan kelembagaan secara menyeluruh, serta menyelaraskan tata laksana
organisasi sesuai dengan tujuan penggunaan SIG dan inderaja. Perlu menyusun dan atau
mengembangkan prosedur operasi standar pemanfaatan teknologi SIG dan inderaja
sehingga terjadi pertukaran data dan informasi spasial yang diperlukan dalam pengurusan
hutan.
4. Saat ini Pemerintah melalui Departemen Kehutanan telah secara rutin mengadakan citra
satelit guna memetakan hutan di Indonesia menggunakan dana APBN. Agar data tersebut
dapat diberdayakan oleh segenap bangsa Indonesia baik untuk pengurusan hutan di luar
perencanaan maupun di luar sektor kehutanan maka perlu dikembangkan sistem linsensi
ganda (multi user), sehingga citra satelit yang telah dibeli dengan dana pemerintah dapat
dipergunakanolehseluruhinstansipemerintah..
5. Dalam rangka memformulasikan kebijakan dan perencanaan strategis baik yang ada di
tingkat pusat maupun daerah, maka perlu segera mengidentifikasi kebutuhan dasar dan
menentukan skala prioritas kebutuhan informasi pada tingkat nasional/regional, kabupaten
maupunpadatingkatunitpengelolaan.Dalamwaktudekat,prioritasinformasispasialdapat
disusun sebagai berikut: (a) kondisi tutupan hutan dan sebarannya, (b) pemantauan
keberhasilan rehabilitasi, pembangunan hutan tanaman dan laju degradasi hutan (c)
estimasi sediaan tegakan (standing stock) per kelompok jenis dan kelas diameter serta
sebaran spasialnya, (d) penyusunan tabel sediaan tegakan, (e) estimasi pertumbuhan
tegakan (growing stock), (e) pengembangan zonasi kawasan hutan dalam rangka
menentukansistemsilvikulturyangakandirekomendasikan.
Hal:10dari11
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
DAFTARPUSTAKA
Holmgren, P., LG. Marklund, M. Saket and M.L. Wilkie, 2007. Forest Monitoring and
Assessment for Climate Change Reporting: Partnership, Capacity Building and
Delivery. Forestry Department, Food and Agriculture Organization of the United
Nations, Forest Resources Assessment Working Paper.
(ftp://ftp.fao.org/docrep/fao/010/k1276e/k1276e00.pdf)
Kohl, N., S.S Magnussen, and Marco Marchetti, 2006. Sampling Methods, Remote Sensing
danGISmultiresourceForestInventory
Howard, J.A., 1991 Remote sensing ofForest Resources. Theory and Application. London.
ChapmanandHall.420p
Jaya, I N.S, S. Sutarahardja, S. Hardjoprajitno, T. Lastini, L Mulyanto, 2006, Laporan
PenaksiranResolusiTinggiuntukPulauKalimantan.KerjasamaantaraDepartemen
KehutanandenganPTRasiciptaConsultama.Tidakditerbitkan
Jaya,IN.S,S.Sutarahardja,S.Hardjoprajitno,T.Lastini,2007a.LaporanPenaksiranResolusi
TinggiuntukPulauSumatera.KerjasamaantaraDepartemenKehutanandenganPT
RasiciptaConsultama.Tidakditerbitkan
_____________________________________________, 2007b. Laporan Penaksiran
Resolusi Tinggi untuk Pulau Sulawesi. Kerjasama antara Departemen Kehutanan
denganPTBarista.Tidakditerbitkan
UndangundangRepublikIndonesiaNomor41Tahun1991tentangKehutanan.
U.S.GeologicalSurvey(USGS),2003.Landsat:AGlobalLandObservingProgram.FactSheet
02303(March2003).ttp://egsc.usgs.gov/isb/pubs/factsheets/fs02303.html

Hal:11dari11

MODUL
PELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Bogor,1525Februari2010

PENGOLAHANCITRADIJITALDATAPENGINDRAANJAUH
ProfDrINengahSuratiJaya

Kerjasama:

JAPANINTERNATIONALCOOPERATIONAGENCY FAKULTASKEHUTANANIPB

PENGOLAHANCITRADIJITALDATAPENGINDRAANJAUH

Oleh:
ProfDrINengahSuratiJaya

GurubesartetapFakultasKehutananIPB,KampusIPBDarmaga,DepartemenManajemenHutan,
Telp02518639106,insjaya@cbn.net.iddansuratijaya@yahoo.com

MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

A. PENDAHULUAN
Pengolahan citra adalah sebuah proses mengolah pikselpiksel input menjadi pikselpiksel output,
melaluiprosesprosestertentuuntukmencapaitujuantertentu.Dengankatalain,pengolahancitra
merupakan kegiatan memproses citra untuk tujuan mengidentifikasi obyek dan menilai
signifikansinya setelah proses pengolahan dilakukan. Pengolahan citra dapat dilakukan
menggunakan proses operasi aritmatika sederhana sampai dengan operasi yang kompleks
(multivariate analysis/peubah ganda). Dalam penginderaan jauh, pengolahan citra dimaksudkan
untuk mendapatkan informasi akhir atau data antara yang diperlukan sesuai dengan tujuan yang
diharapkan. Analis dapat melalukan pengolahan data melalui proses logis dalam mendeteksi,
mengidentifikasi, mengklasifikasi, mengukur dan menilai signifikansi fisik dan budaya/sifat obyek,
polanyadanhubunganspasialnya.Dalammodulini,diperkenalkanbeberapajenispengolahancitra
yang sering diperlukan dalam pengolahan dan analisis untuk pengelolaan sumberdaya alam dan
lingkungan.

1. CitraDijital:
Citra dijital adalah citra yang secara fisik berbentuk file elektronik, terdiri atas sekumpulan piksel
(pictureelement)yangmempunyainilaitertentuyangdisebutdengandijitalnumber(DN).NilaiDN
ini mempresentasikan nilai kecerahan (brightness value) dari suatu obyek yang direkam. DN
menyatakanratarataradiansdarisuatuluasanyangrelatifkecildalamsuatucitra.KisarannilaiDN
biasanyadinyatakandalambentukbit(2pangkatnilaibit).Secaraumum,nilaiDNbiasanya8bit(2
8
)
yangmempunyaikisaran0~255(256greylevel).

2. ApaituTeknikAnalisisCitraDijital?

Analisis diartikan sebagai kegiatan penguraian dan atau penelaahan data serta hubungan antar
komponendataitusendiri,dalamhaliniadalahnilaikecerahan(brightnessvalue/BV)ataunilaidijital
(Digital Number/DN). Kegiatan analisis ini daat dilakukan setelah dilakukan kegiatan pengolahan
citra (image processing). Citra penginderaan jauh biasanya direkam dalam bentuk data dijital yang
kemudiandiprosesuntuktujuaninterpretasi,tujuanklasifikasiatautujuanlainnya

3. ApaituResolusiCitra?

Resolusi citra merupakan ukuran kemampuan dari suatu sistem pencitraan untuk merekam detail
obyek yang direkam sehingga dapat dibedakan dengan obyek lainnya. Pemahaman resolusi citra
merupakan hal penting dalam penginderaan jauh, baik untuk tujuan praktis maupun konseptual.
Sejalan dengan ketersediaan dan keberagaman spektral, maka merupakan kebutuhan yang sangat
penting untuk menentukan kesesuaian citra satelit tertentu untuk suatu aplikasi tertentu. Pada
umumnyainstrumenpenginderaanjauhbekerjapadarentangpanjanggelombangyangmencakup
spektralkasatmata(visible)daninframerah.

Hal:1dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:2dari42
a. ResolusiSpasial
Resolusi spasial adalah ukuran terkecil dari suatu bentuk (feature) permukaan bumi yang bisa
dibedakan dengan bentuk permukaan di sekitarnya atau yang ukurannya bisa diukur (Gambar 1).
Resolusi spasial pada citra nonfotografik (yang tidak menggunakan film) ditentukan dengan
beberapa cara. Di antaranya yang paling umum digunakan adalah berdasarkan dimensi dari
instantaneousfieldofview(IFOV)yangdiproyeksikankebumi.IFOVinimerupakanfungsidariukuran
detector, tinggi sensor dan optik. Pada sensor digital seperti generasi Landsat dan SPOT, sensor
merekam kecerahan (brightness) semua obyek yang ada di dalam IFOV. Brightness adalah jumlah
radiasiyangdipantulkanataudiemisikandaripermukaanbumi.Dengankatalain,IFOVadalahsuatu
areal pada suatu permukaan bumi dalam mana gabungan/campuran brightness suatu permukaan
diukur.Nilaikecerahan(brightnessvalue)darisuatupikseldiperolehdariBVnyaIFOV.Akantetapi
ukuran piksel bisa lebih kecil atau lebih besar dari ukuran IFOV, tergandung dari bagaimana BV
tersebutdisampel(direkam)olehsensor.Perludiperhatikanbahwaresolusispasialdarisuatusistem
cocok untuk suatu kepentingan sehingga obyek di permukaan bumi tidak hanya bisa dideteksi
(detectable) tapi juga bisa diidentifikasi (recognizable) dan dianalisis. Detectability adalah
kemampuan dari sistem penginderaan jauh untuk merekam keberadaan (eksistensi) suatu obyek
atau feature dalam suatu bentang alam (landscape). Sebagai contoh, jalan aspal yang walaupun
mempunyaiukuranlebihkecildariresolusispasialnya,tetapidapatjugadirekamolehsensorkarena
memberikan kontras (BV) yang tinggi. Recognizability adalah kemampuan dari seorang interpreter
(humaninterpreter)untukmengidentifikasi(memberinama)suatuobyekyangdideteksiolehsensor.
Kemampuaninimerupakanfungsidaripengalamaninterpreterdanskalacitra.

Pada potret udara, resolusi adalah fungsi dari ukuran grain film (jumlah pasangan garis yang bisa
dibedakanpermm)danskala.Skalaadalahfungsidaripanjangfokusdantinggiterbang.Grainfilm
yang halus memberikan detail obyek lebih banyak (resolusi yang lebih tinggi) dibandingkan dengan
grainyangkasar.Demikianpula,skalayanglebihbesarmemberikanresolusiyanglebihtinggi.

Gambar1.Skemaresolusispasial
TM30mx30
SPOT10x
10m
4
x4m
1 m x 1 m (CASI,
IKONOS PAN, Qbird MS)
4 m x 4 m (IKONOS MS)
1 km x 1 km (NOAA) ?
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:3dari42

Gambar2.ContohresolusispasialTM,SPOT,IKONOSdanCASI

Pada Gambar 2 diperlihatkan penampakan citra dari berbagai resolusi. Resolusi yang rendah akan
menampakkanbentukbentukpikselyangjelasjikacitratersebutdiperbesar.

(a)
TMresolusi30mx30(satupiksel)
(b)
SPOT5resolusi10mx10m
(c)
IKONOSresolusi4mx4m
(d)
CASIresolusi1mx1m
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
b. ResolusiSpektral
Resolusi spektral diartikan sebagai dimensi dan jumlah daerah panjang gelombang yang sensitif
terhadapsensor.Sebagaicontoh,potrethitamputihmempunyairesolusiyanglebihrendah(0,4m
0,7m)dibandingkandenganLandsatTMband3(0,63m0,69m).Denganjumlahbandband
sempit yang banyak maka pemakai atau peneliti dapat memilih kombinasi yang terbaik sesuai
dengan tujuan dari analisis untuk mendapatkan hasil yang optimal. TM mempunyai 7 band dengan
lebarsetiapbandnyayangsempittetapirentangbandyangdigunakanlebar(mulaibandbirusampai
dengan band termal), sedangkan SPOT 5 mempunyai 4 band dengan rentang dari band hijau sama
dengan inframerah sedang, ini berarti bahwa TM mempunyai resolusi spektral yang lebih baik
dibandingkandenganSPOT.

c. ResolusiRadiometrik
Resolusiradiometrikadalahukuransensitifitassensoruntukmembedakanaliranradiasi(radiantflux)
yang dipantulkan atau diemisikan dari suatu obyek permukaan bumi. Sebagai contoh, radian pada
panjang gelombang 0,6 0,7 m akan direkam oleh detektor MSS band 5 dalam bentuk voltage.
Kemudian analog voltage ini disampel setiap interval waktu tertentu (contoh untuk MSS adalah
9,958 x 10
6
detik) dan selanjutnya dikonversi menjadi nilai integer yang disebut bit. MSS band 4, 5
dan7dikonversikedalam7bit(2
7
=128),sehinggaakanmenghasilkan128nilaidiskrityangberkisar
dari 0 sampai dengan 127. MSS band 6 mempunyai resolusi radiometrik 6 bit (2
6
=64), atau nilai
integer diskrit antara 0 63. Generasi kedua data satelit seperti TM, SPOT dan MESSR mempunyai
resolusi radiometrik 8 bit (nilai integer 0 255). Citra yang mempunyai resolusi radiometrik yang
lebih tinggi akan memberikan variasi informasi yang lebih tinggi dibandingkan dengan citra yang
mempunyairesolusiradiometrikyanglebihrendah.

d. ResolusiTemporal
Resolusi temporal adalah frekwensi suatu sistem sensor merekam suatu areal yang sama (revisit).
Sebagai contoh, Landsat TM mempunyai ulangan overpass 16 hari, SPOT 26 hari, JERS1 44 hari,
NOAAAVHHR1haridanIRS22hari(Tabel1).Untukarealyangluasdanintervalwaktuyangsingkat,
citra inderaja dapat memberikan informasi yang sangat berharga. Ini sangat bermanfaat dalam
kegiatanpemonitoranjangkapendekmaupunjangkapanjang.

e. KendalaResolusi
Meskipunbenarbahwaresolusiyangtinggiakanmemberikandatayanglebihbanyak,tetapiitutidak
sinonim dengan meningkatnya jumlah informasi yang diperoleh. Dari segi teknis, pemakai
dihadapkan pada pilihan untuk mengoptimalkan resolusi (spasial, temporal, spektral dan
radiometrik),biayauntukmendapatkandata,danpengolahandatatersebut.Meningkatnyaresolusi
membawakonsekuensimeningkatnyajumlahdatayangharusdiperoleh.MSSyangmengkover185
kmx170kmdenganresolusi79mx79m,4banddenganresolusiradiometrik7bituntukband4,5
dan 7 serta 6 bit untuk band 6 membutuhkan ruang 24 MB, sementara TM yang mencakup areal
Hal:4dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
yangsama,denganresolusi30mx30m,7banddan8bitmembutuhkan227MB.Berangkatdarihal
diatas,makapemilihanresolusiperludisesuaikandenganobyekataufenomenayangmasalahyang
dihadapisertabiayayangtersedia.

4. BagaimanaMemperbaikiCitra
Pengolahan citra dijital dapat dilakukan dengan berbagai teknik dan metode pengolahan citra yang
mencakup:
a) Pengolahancitraanalog
b) Pengolahancitradijital
Pengolahan citra analog diaplikasikan pada citra analog seperti potret atau print out. Analisis citra
dalam teknik visual mengadopsi elemen interpretasi visual. Penggunaan elemen interpretasi tidak
hanyatergantungpadaareayangsedangdikaji,tetapijugatergantungpadapengetahuandarianalis
terhadapareayangbersangkutan.

Berikutiniadalahelemenpenafsiranyangseringdigunakandalamanalisiscitraanalog

Elemeninterpretasi
Tone:hitamputih
Warna
ElemenUtama(PrimaryElements)
Paralaksstereoskopis
Ukuran/Size
Bentuk/Shape
Tekstur/Texture
Susunanspasialdaritonedanwarna
(SpatialArrangementofTone&Color)
Pola/Pattern
Tinggi/Height
BerdasarkananalisiselemenUtama
Bayangan/Shadow
Lokasi/Site
Elemenkontekstual
Asosiasi/Association

a) PengolahanCitraDijitaladalahprosesmemanipulasigambardigitalmenggunakankomputer.
Data mentah dihasilkan dari rekaman sensor umumnya mempunyai beberapa keterbatasan
sehingga citra tersebut masih mempunyai beberapa kekurangan. Untuk mengatasi
kelemahan dan kekurangan ini maka diperlukan sebuah pengolahan citra. Secara umum,
pengolahancitramencakup:Prapengolahancitra
b) Penyajiandanpenajaman/perbaikancitra
c) Ekstraksiinformasi

Hal:5dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

5. Prapengolahancitra
Terdiri atas operasi untuk mempersiapkan data untuk analisis berikutnya, yang dilakukan
dengan cara memperbaikiataumemberikankompensasiterhadapkesalahansistematikyangtejadi.
Prapengolahan citra ini dilakukan sebelum proses utama pengolahan citra dilakukan. Data mentah
dari citra dijital pada umumnya memerlukan koreksi geometrik, koreksi radiometrik dan atau
atmosferik. Kesalahankesalahan ini perlu dikoreksi sebelum digunakan lebih lanjut. Saat ini,
beberapa citra telah mendapatkan koreksi geometrik dan atau koreksi radiometrik sebelum dijual.
Para pengguna data tertentu dapat melakukan preprosesing yang relevan dengan tujuan
mendapatkan informasi tertentu dari citra. Dengan kata lain, prapengolahan citra adalah suatu
proses mengisolasi komponenkomponen penting tertentu sebelum melakukan proses lebih lanjut
dan menghilangkan aspekaspek yang kurang berguna misalnya noise, haze, kesalahan posisi
(geometrik)dansebagainya.

Prapengolahan citra ini mencakup berbagai kegiatan, mulai dari proses yang sangat
sederhana sampai dengan proses proses yang kompleks dan abstraksi. Prapengolahan citra
mencakup:

a) Koreksi geometrik: dilakukan guna memperbaiki posisi piksel sehingga sesuai dengan posisi
geometrikyangsebenarnyadibumi.Posisiposisipikselpadacitradijitalseringmempunyai
distorsi yang disebabkan karena pengaruh kelengkungan bumi, gravitasi bumi, pergerakan
platform, relief dan pergerakan scanning yang tidak linear. Distorsi dapat dikelompokkan
atas (a) distorsi tidak sistematik dan (b) distorsi sistematik. Distorsi yang tidak sistematis
dapat disebabkan karena variasi variable peubah luar angkasa. Distorsi ini biasanya
dilakukan secara otomatis karena kesalahankesalahannya terukur pada sensor. Distorsi
sistematikadalahdistorsiyangsudahdapatdiprediksisebelumnyasepertiscanskew,velocity
variation/knownmirror,crosstrackdistortion.
Pada koreksi geometrik ini dikenal dengan istilah (a) rektifikasi dan (b) registrasi. Pada
koreksigeometrikdilakukan2macamkegiatanutamayaitu(a)melakukaninterpolasispasial,
menggunakan persamaan matematis yang dibuat (polinomial orde 1, 2 atau 3) dan (b)
melakukan interpolasi intensitas, yang sering disebut dengan resampling (nearest
neighbour/zeroorder,bilinear/firstorder,cubicconvolution/secondorder).

b) Koreksiatmosferik:kecerahandarisetiappikselyangterdapatpadacitrasangatbergantung
pada energi elektromagnetik yang diterima oleh sensor pada saat melakukan perekaman.
Energi yang sampai ke sensor telah mengalami perjalanan yang panjang melalui atmosfer,
sehingga dalam proses perjalanannya mengalami pengurangan dan atau penambahan
intensitas. Permasalahan akan terjadi jika kita menginginkan untuk mengukur sifatsifat
radiasi atau refleksi sebenarnya dari suatu obyek pada permukaan bumi. Jika ditemukan
adanyagangguanatmosfermakadapatdilakukanbeberapalangkahsebagaiberikut:
(1) Biarkandataapaadanya
(2) Lakukan pengukuran radiasi di lapangangan untuk mengukur suhu dan reflektansi dari
obyekdengansensorlangsungkelapangan
(3) Membuat model absorpsi dan pencaran untuk pengukuran komposisi dan profil suhu
atmosfer
Hal:6dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
(4) Menggunakan informasi tentang atmosfer yang umumnya terjadi pada data
penginderaanjauh.
Caramudahuntukmelakukankoreksiatmosferikadalahdenganmelalukananalisisrasio
antarabandbiru(mudahkenapengaruhhaze)daninframerah(sedikithaze).Besarnya
pergeseranyangtidakmelewatiDN=0umumnyadisebabkankarenapengaruhscattering
atmosfer.

c) Koreksi radiometrik: dilakukan ketika citra mempunyai kesalahan (error) yang terjadi pada
saat sensor melakukan perekaman citra. Kesalahan ini sering disebut dengan kesalahan
radiometrik yang disebabkan karena gangguan (a) sensor pada saat merekam data dan (b
efekatmosfer.
Koreksi radiometrik sederhana yang sering dilakukan adalah (a) Linedropouts, (b) De
striping,(c)startlineerrordan(d)Randomnoise(saltandpepper).

d) Ekstraksi fitur : dapat berupa perbaikan citra yang mencakup perbaikan spektral (seperti
indeks vegetasi, analisis komponen utama dalam rangka mereduksi dimensi, fusi citra),
perbaikan spasial dengan memperjelas tampilan baris atau batas melalui edge or line
detectiondanatauperbaikanradiometrikuntukmeningkatkaninterpretabilitascitra.

6. Perbaikancitra(Imageenhancement)
Perbaikan citra adalah proses yang dilakukan untuk memperbaiki citra dalam rangka meningkatkan
kemampuan citra untuk menyajikan informasi yang akan diturunkan dari citra tersebut atau
menghilangkan fiturfitur tertentu yang mengganggu. Beberapa teknik perbaikan citra yang umum
dilakukanmencakup:

1. Perbaikanradiometrik
a) Densityslicing
b) ContrastStretching(linear,logarithmic,piecewisecontraststrectching)
c) Histogramequalization
d) Gaussianstretch
2. Perbaikanspasial
a) Filterkonvolusi(lowpassdanhighpass)
b) Filterdomainfrekwensi(transformasifourier,pemilihanfungsitransferfilterdanmengalikan
elemendarispektrumfourier,membentukkebalikantransformasifourier)
3. Perbaikanspektral
a) Operasiaritmatikacitra(penjumlahan,pengurangan,pembagiandanperkalian)
b) Analisiskomponenutama
c) Decorrelationstretch
Hal:7dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
d) Canonicalcomponent
e) HIS
f) FourierTransformation

7. KlasifikasiCitra
a. Supervised(MLM,Minimumdistance,paralellepiped)
b. Unsupervised(Mahalanobis,Ecuclidean,Minkowsky)

B.KOREKSIGEOMETRIK

1. Pendahuluan
Data asli hasil rekaman senseor pada satelit maupun pesawat terbang merupakan representasi dari
bentuk permukaan bumi yang tidak beraturan. Meskipun kelihatannya merupakan daerah yang
datar, tetapi area yang direkam sesungguhnya mengandung kesalahan (distorsi) yang diakibatkan
oleh pengaruh kelengkungan bumi dan atau oleh sensor itu sendiri. Pada bagian ini akan diuraikan
secara ringkas tentang bagaimana cara melakukan koreksi geometrik, khususnya menggunakan
perangkatlunakERDAS.

2. Kenapaperlurektifikasi?
Koreksi geometrik merupakan proses yang mutlak dilakukan apabila posisi citra akan disesuaikan
atauditumpangsusunkandenganpetapetaataucitralainnyayangmempunyaisistemproyeksipeta.
Ada beberapa alasan atau pertimbangan, kenapa perlu melakukan rektifikasi, diantaranya adalah
untuk:
1. Membandingkan2citraataulebihuntuklokasitertentu.
2. MembangunSIGdanmelakukanpemodelanspasial
3. Meletakkanlokasilokasipengambilantrainingareasebelummelakukanklasifikasi
4. Membuatpetadenganskalayangteliti
5. Melakukanoverlai(tumpangsusun)citradengandatadataspasiallainnya
6. Membandingkancitradengandataspasiallainnyayangmempunyaiskalayangberbeda.
7. Membuatmozaikcitra
8. Melakukananalisisyangmemerlukanlokasigeografisdenganpresisiyangtepat.

Hal:8dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
3. Proyeksipeta
Sebelum melakukan koreksi geometrik, analis harus memahami terlebih dahulu tentang sistem
proyeksipeta.Untukmenyajikanposisiplanimetrisadasejumlahsistemproyeksi.UntukIndonesia,
sistemproyeksiyangdigunakanadalahsistemproyeksiUTM(UniversalTranverseMercator)dengan
datumDGN95(DatumgeodesiNasional).Untuktingkatinternasional,DGN95sesungguhnyasama
denganWGS84,sehinggapenggunaanWGS84samadenganDGN95.Masingmasingsistemproyeksi
sangatterkaitdengansistemkoordinatpeta.

4. KoreksiGeometrik(Rektifikasi)
Rektifikasi adalah suatu proses melakukan transformasi data dari satu sistem grid menggunakan
suatu transformasi geometrik. Oleh karena posisi piksel pada citra output tidak sama dengan posisi
piksel input (aslinya) maka pikselpiksel yang digunakan untuk mengisi citra yang baru harus di
resmpling kembali. Resampling adalah suatu proses melakukan ekstrapolasi nilai data untuk piksel
pikselpadasistemgridyangbarudarinilaipikselcitraaslinya.

5. Registrasi
Dalam beberapa kasus, yang dibutuhkan adalah penyamaan posisi antara satu citra dengan citra
lainnya dengan mengabaikan sistem koordinat dari citra yang bersangkutan. Penyamaan posisi ini
kebanyakan dimaksudkan agar posisi piksel yang sama dapat dibandingkan. Dalam hal ini
penyamaan posisi citra satu dengan citra lainnya untuk lokasi yang sama sering disebut dengan
registrasi. Dibandingkan dengan rektifikasi, registrasi ini tidak melakukan transformasi ke suatu
koordinat sistem. Dengan kata lain, registrasi adalah suatu proses membuat suatu citra konform
dengancitralainnya,tanpamelibatkanprosespemilihansistemkoordinat.

6. Georeferensi
Georeferensiadalahsuatuprosesmemberikankoordiinatpetapadacitrayangsesungguhnyasudah
planimetris. Sebagai contoh, pemberian sistem koordinat suatu peta hasil dijitasi peta atau hasil
scanningcitra.Hasildijitasiatauhasilscanningtersebutyanglangsungtersebutsesungguhnyasudah
datar(planimetri),hanyasajabelummempunyaikoordinatpetayangbenar.Dalamhalini,koreksi
geometrik sesungguhnya melibatkan proses georeferensi karena semua sistem proyeksi sangat
terkaitdengankoordinatpeta.
Registrasicitrakecitramelibatkanprosesgeoreferensiapabilacitraacuannyasudahdigeoreferensi.
Oleh karena itu, georeferensi sematamata merubah sistem koordinat peta dalam file citra,
sedangkangriddalamcitratidakberubah.

7. TitikKontrolLapangan(GroundControlPoint/GCP)
Titikkontrollapangan(GCP)adalahsuatutitiktitikyangletaknyapadasuatuposisipikselsuatucitra
yangkoordinatpetanya(referensinya)diketahui.GCPterdiriatassepasangkoordinatxdany,yang
Hal:9dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
terdiri atas koordinat sumber dan koordinat referensi. Koordinatkoordinat tersebut tidak dibatasi
olehadanyakoordinatpeta.Secarateoretis,jumlahminimmuGCPyangharusdibuatadalah:

JumlahminimumGCP=(t+1)(t+2)/2

8. Tahaptahapmelakukanrektifikasi
Secaraumum,tahapanmelakukanrektifikasiadalahsebagaiberikut:
1. Memilih titik kontrol lapangan (Ground control point). GCP tersebut sedapat mungkin adalah
titiktitik atau obyek yang tidak mudah berubah dalam jangka waktu lama misalnya belokan
jalan, tugu di persimpangan jalan dan atau sudutsudut gedung (bangunan). Hindari
menggunakan belokan sungai atau delta sungai karena mudah berubah dalam jangka waktu
tertentu.GCPjugaharustersebarmeratapadacitrayangakandikoreksi.

Gambar1.SkemapemilihanGCPyangtampakpadacitradanpeta

2. Membuat persamaan transformasi yang digunakan untuk melakukan interpolasi spasial.


Persamaaniniumumnyaberupapersamaanpolinomialbaikorde1,2maupun3.

OrdeIdisebutjugaAffinetransformation(diperlukanminimal3GCP):
p a a X a Y
l b b X b Y
o
o
'
'
= + +
= + +
1 2
1 2

OrdeII:(memerlukanminimal6GCP)
p a a X a Y a XY a X a Y
l b b X b Y b XY b X b Y
o
o
'
'
= + + + + +
= + + + + +
1 2 3 4
2
5
2
1 2 3 4
2
5
2

OrdeIII:(memerlukanminimal10GCP)
Hal:10dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
p a a X a Y a XY a X a Y a X Y a XY a X a Y
l b b X b Y b XY b X b Y b X Y b XY b X b Y
o
o
'
'
= + + + + + + + + +
= + + + + + + + + +
1 2 3 4
2
5
2
6
2
7
2
8
3
9
3
1 2 3 4
2
5
2
6
2
7
2
8
3
9
3

K
o
o
r
d
i
n
a
t

e
s
t
i
m
a
s
i

p
a
d
a

d
a
t
a

a
c
u
a
n
Koordinat pixel pada citra/data asli/orisinil
Orde I
Orde II
Orde III

Gambar2.DiagrampencarGCPuntukmencariordepolinomial

3. Menghitungkesalahan(RMSE,rootmeansquarederror)dariGCPyangterpilih.Umumnyatidak
bolehlebihbesardari0,5piksel.Kesalahanrataratadarirektifikasiinidihitungsebagaiberikut:

SelanjutnyauntukmasingmasingGCPdapatdihitungsebagaiberikut:

dimana:
R
i
=RMSEuntukGCPkei
XR
i
danYR
i
=kesalahankearahXdanYuntukGCPkei

4. Melakukan interpolasi intensitas (nilai kecerahan) dengan salah satu metode berikut, yaitu,
nearest neighbourhood, bilinear dan convolution, sekaligus membuat citra baru dengan sistem
koordinat yang ditentukan. Dalam proses ini juga menentukan ukuran piksel output, sesuai
dengan resolusi spasial yang dikehendaki, yang umumnya disesuaikan dengan ukuran resolusi
spasial data aslinya. Hanya untuk kasuskasus tertentu saja yang membuat ukuran spasial citra
baru yang berbeda dengan ukuran aslinya, misalnya untuk tujuan melakukan fusi antar
band/kanal.

Pada metode nearest neighbour (tetangga terdekat), nilai pikselnya tidak berubah karena
menggunakan nilai dari piksel yang terdekat, sedangkan metode bilinear dan cubic, nilai piksel yang
barudihitungdenganrataratatertimbangsebagaiberikut:
Hal:11dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
DN
Z D
D
baru
k
k
k
k
k
=
=
=

/
( / )
1
4
2
2
1
4
1

Z
k
= nilai DN dan D
k
= jarak euclidean dari titik posisi hasil interpolasi ke lokasi piksel yang ada di
sekitarnya.
pixel
Citra terkoreksi
Data digital asli (belum
terkoreksi
Pengisian peta dengan nilai
kecerahan (DN)
X
Y
8
9 5
8 4
5 5
9 5
8 4
9
9
8
1
1
1
8 4 4 1
Resampling
Cubic
Convolution
Bilinear
Interpolation
Nearest
neighbor
p'
l'
p'
p'
l'
l'

Gambar3.Skemametoderesamplingdengannearestneighbour,bilinearinterpolationdancubic
convolution.

C.PERBAIKANRADIOMETRIK(RADIOMETRICENHANCEMENT)

1. Pengertian
Perbaikan radiometrik adalah teknik perbaikan atau penajaman kontras citra dengan memperbaiki
nilai dari individuindividu piksel pada citra, ini berbeda dengan perbaikan spasial (spatial
enhancement)yangmemperbaikinilaisuatupikselberdasarkanpikselpikselyangadadisekitarnya.
Perbaikan citra pada suatu band adalah sangat unik dan biasanya tidak cocok dengan band lainnya,
karena sangat tergantung pada nilai statistik dari pikselpiksel yang terdapat pada setiap band.
Perbaikan radiometrik suatu citra komposit (multiband) biasanya dianggap sebagai serangkaian
perbaikanbandbandtunggal,sebanyakbandyangakandiperbaiki.

Hal:12dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar4.Kurvaperbaikankontrasyanglinear,npnlineardanpiswais

Koreksi radiometrik ini tidak otomatis memperbaiki kontras semua piksel, ada kalanya sebagian
pikselbertambahbesarkontrasnya,tetapidibagianlainadayanghilang.

2. PerbaikanKontras
Sudah merupakan prosedur umum pada pengolahan citra bahwa untuk kegiatan interpretasi, citra
yang akan dicetak atau yang langsung diinterpretasi pada layar monitor perlu dilakukan penajaman
kontras. Sebagai contoh Look Up Table (LUT) citra dari nilai 30~40 dirubah menjadi 0 ~ 255 (lihat
Gambar5).

Histogram
setelah perentangan
nilai minimum dan
maksimum ke 0 dan 255
Histogram
setelah
perentangan nilai
sebatas standar
deviasi
Histogram asal

Gambar5.Peningkatankontrascitradenganmetodeperentangan(stretching)
Hal:13dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar6.Penajamankontrassecaralinier

3. Macammacamperbaikankontras
a) Perbaikankontrassecaralinear(Linearcontraststretch)
adalahmetodeperbaikanyangpalingsederhanauntukmemperbaikipenampakanspektraldari
suatucitra.Inidilakukandenganmemperlebarkisarandariyangsempitkekisaran0sampai255.

b) Perbaikankontrasnonlinear(NonlinearContrastStretch)
Perbaikannonlinieradalahperbaikanyangmeningkatkanataumenurunkontrassecaragradual
dalam suatu kisaran nilai tertentu. Kalau pada perbaikan kontras secara linier, peningkatan
kontras secara konstan untuk kisaran tertentu. Pada perbaikan non linier ini umumnya
peningkatan kontras pada kisaran nilai tertentu sementara penurunan kontras pada kisaran
yanglain.

c) Perbaikankontrasdenganpiswais(PiecewiseLinearContrastStretch)
Pada metode ini, perbaikan kontras dilakukan pada bagianbagian kisaran kecerahan tertentu
denganpeningkatanataupenurunankontrasyang tertentu pula.Pada metodeini, penajaman
dapatdibagimenjaditigabagian,yaiturendah,sedangdantinggi.Kontrasdapatdibuatdengan
berbagaimacamtingkatkemiringanslopedandapatdisimulasikanmenjadisuatubentukkurva.
Ini sangat berguna untuk meningkatkan kontras pada wilayah bayangan atau arealareal yang
mempunyai kontrasrendah.Pada perbaikandenganPiecewiseiniumumnya mengikutiaturan
sebagaiberikut:
[1] Nilai data dijitalnya kontinyu, sesungguhnya tidak ada patahan antara bagian yang
mengalamikontrasrendah,sedangmaupunyangtinggi.
Hal:14dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
[2] Nilai data dari setiap range hanya mempunyai slope yang positif (mendaki), tetapi tidak
diperkenankandenganslopeyangmenurun.

Gambar7.Kurvaperbaikankontrasdenganmetodepiswais

d) PenyamaanHistogram(Histogramequalization)
Penyamaan Histogram adalah metode penajaman kontras yang tidak linier sehingga distribusi
histogram dari pikselnya mendekati uniform, atau menghasilkan histogram yang mendekati
datar. Kontras hasil penajaman ini akan menjadi merata di seluruh areal. Kontras meningkat
padapuncakpuncakhistogramdanmenurunpadaujungujunghistogram.

D.PERBAIKANSPEKTRAL

1. Pengertian
Perbaikanspektral(spectralenhancement)adalahteknikperbaikancitramenggunakannilaipikselitu
sendiri serta nilai dari piksel lain dari bandband yang berbeda, tetapi pada koordinat atau lokasi
piksel yang sama. Dengan demikian, perbaikan spektral ini memerlukan lebih dari satu band atau
kanalsaja.

2. Kegunaan
Teknikperbaikanspektralinisangatbergunadalam:
a) Menggabungkan (merge) resolusi. Menggabungkan keunggulan band yang satu dengan band
lainnya. Misalnyamenggabungkanantararesolusispasialtinggi yangumummnyaterdapatpada
citra pankromatik (hitam puth) dengan citra yang mempunyai kemampuan spektral yang tinggi
yaitubandbandmultispektral.
Hal:15dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
b) Melakukan kompresi atau mengurangi dimensi data, khususnya datadata yang mempunyai
kemiripan atau kandungan informasi yag relatif sama. Bandband yang terdapat pada satu
daerahpanjanggelombangmisalnyaTMband1,2dan3padadaerahkasatmata(visibleband),
atauTMband5dan7padainframerahsedang(middleinfrared)umumnyamempunyaikorelasi
yangrelatiftinggi.Korelasiyangtinggiantarbandnyamenunjukkanbahwabandbandtersebut
mempunyaikemiripaninformasiyangrelatiftinggijuga.
c) Untuk membuat band baru yang lebih mudah diinterpretasi atau lebih sensitif terhadap mata
manusiasekaligusmemuatinformasiyanglebihdibutuhkanolehanalis.
d) Dapatdigunakanuntukmenerapkanfungsifungsimatematisdanalgoritma
e) Dapat memberikan informasi yang lebih variatif pada warna komposit yang ditampilkan dengan
RGB.

3. MacammacamTransformasiatauPerbaikanSpektral
Sesuai dengan tujuan penggunaannya, transformasi atau perbaikan spektral ini meliputi mencakup
beberapatransformasi,yaitu:
a) TransformasidariRGBkeIHSataudariIHSkeRGB.Transformasiiniumumnyadigunakanuntuk
melakukan merge atau penggabungan antara citra panromatik dengan achromatic
(multispektral). Kemampuan spasial yang tinggi dari band pankromatik dapat digabungkan
dengan kemampuan spektral yang tinggi pada band spektralnya. Teknik IHS ini hanya
memerlukan 3 input band. Teknik ini menghasilkan citra output yang cocok untuk interpretasi
visualsehinggaakansangatcocokuntukmembuatpetacitra.
b) Transformasi dengan Analisis Komponen Utama (Principal Component Analysis). Analisis ini
sering digunakan sebagai teknik untuk melakukan kompresi data. Teknik ini, citra yang
mempunyai korelasi yang tinggi akan dikompresi menjadi beberapa komponen atau citra baru
saja.Citrabaruyangditurunkanmenggunakannilaivectorciri(eigenvector)darimasingmasing
komponennya.Selanjutnyabesarnyatingkatkandunganinformasinya(yangdilihatdaribesarnya
variancenya) dapat dilihat dari nilai akar ciri (eigenvalue) yang dimiliki oleh masingmasing
komponen yang baru. Selain untuk melakukan kompresi data yang cukup efektif, teknik ini
banyak digunakan untuk melakukan analisis multiwaktu guna mendeteksi perubahan suatu
tutupanlahan.JayadanKobayashi(1996)danJaya(1995,1998)banyakmenggunakanteknikini
untuk melakukan derivasi informasi yang menyatakan perubahan dan kestabilan kehijauan dan
atau kecerahan gambar (delta greenness, delta brightness, stable greenness dan stable
brightness). Untuk tujuan displai, teknik analisis komponen utama ini lebih baik dibandingkan
denganIHSkarenasecarateoritis,jumlahbandinputpadametodeanalisiskompnenutamatidak
terbatas,sedangkanpadametodeIHSmaksimum3bandsaja.
c) Indeks Vegetasi. Dibidang ilmuilmu pertanian teknik ini adalah teknik yang paling banyak
digunakan, misalnya untuk mengetahui kondisi kesehatan vegetasi, menghitung potensi bahan
bakardanataumonitoringkondisitanamanpadiyangsiapdipanen.
d) Transformasi Topi Kuncung (Tasselled Cap Transformasi). Teknik ini didisain oleh KauthThomas
untuk melakukan evaluasi terhadap pertumbuhan tanaman pertanian, mulai dari baru tumbuh,
Hal:16dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
sampai dengan tanaman tersebut dewasa dan berdaun hijau, kemudian menguning sejalan
denganmenurunnyapigmenkehijauanpadadaunvegetasiyangbersangkutan.

4. CitraKomponenUtama
Pada analisis citra dengan komponen utama, sumbu komponen utama kesatu (PC1) dibuat dengan
melakukan proses translasi dan rotasi dari sistem salib sumbu citra aslinya sehingga menghasilkan
keragaman (variance) yang tertinggi. Biasanya PC1 ini memuat informasi yang lebih besar dari 70%
danbahkanuntukkebanyakancitrasatelitmencapailebihdari90%.Komponenutamakedua(PC2)
umumnya mempunyai kandungan informasi (variance) yang terbesar kedua , demikian pula untuk
Komponen Utama yang ketiga (PC3) umumnya jauh dibawah komponen kesatu dan kedua. Secara
kumulatif, keragaman atau variance informasi dari PC1, PC2 dan PC3 dapat mencapai keragaman
yangmendekati98%.PosisiantarPCbiasanyaselaludibuatsalingtegaklurus.

(a) (b)
Gambar8.Diagrampencardaripikselpikselyangmempunyaikorelasiyangtinggidan(b)
komponenutamakesatuyangdbuat.

Gambar9.DiagramsumbuKomponenUtamaKesatudanKeduahasiltransformasi.
Hal:17dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
5. TransformasiTopiKuncung(TasseledCap)
Salah satu transformasi yang umum digunakan dalam evaluasi fasefase pertumbuhan dibidang
pertanian adalah transformasi yang dikembangkan oleh Kauth dan Thomas tahun 1976 (Richards,
1993). Pada awalnya, transformasi ini dibuat menggunakan citra MSS untuk membentuk beberapa
komponen atau citra baru yang menyatakan kecerahan (brightness), kehijauan (greenness),
kekuningan(yellowness)danyanglainnyayangtidakterdefinisikan(nonsuch).KedatangancitraTM
yangmempunyaitambahanbandinframerahsedang(middleinfrared)menyebabkancitrainidapat
membuat citra baru tambahan yang menyatakan tentang tingkat kebasahan (wetness) dan
keberadaanhaze.Citrahazedapatdigunakanuntukmenghilangkanpengaruhhazepadacitra.
KarakteristikTransformasiTasselledCap:
[1] Transformasi ini membangun Indeks vegetasi menggunakan beberapa band (saluran), yang
mengembangkanteknikdeteksipertumbuhanpadabeberapatahappertumbuhan.
[2] Bentuk transformasinya menggunakan diagram berbentuk topi kerucut (tasseled cap), yang
disajikandengan3D.
[3] Transformasi ini adalah suatu teknik untuk melakukan optimisasi data untuk melihat studistudi
vegetasi.
KauthThomasmelihatperkembangantransformasilinearakanbermanfaatdalammengelompokkan
atau mengkelaskan hasil tanaman pertanian. Dari penelitian dihasilkan 3 sumbu struktur data yang
mendefinisikantentangkandunganinformasivegetasi.DenganLandsatMSSdapatdibuatbeberapa
sumbuyaitu:
[1] Kecerahan (brightness), dicirikan oleh bobot yang seragam pada semua band (masingmasing
band mempunyai koefisien yang relatif sama besar). Kecerahan ini didefinisikan pada arah
variasiutamadarireflektansitanah.
[2] Kehijauan (greenness), mempunyai posisi yang tegak lurus dengan sumbu kecerahan, yang
merupakan kontras antara band inframerah dekat dengan sinar tampak. Ini sangat terkait
dengan jumlah vegetasi yang terdapat pada citra dan terkait dengan pertumbuhan vegetasi.
Perkembangan kehijauan terjadi tegak lurus dengan sumbu garis tanah (soil line). Disini akan
terlihat jelas perbedaan kontras antara gelombang merah dengan NIR dan band hijaubiru
(greenblue).
[3] Kekuningan(yellowness),terdapatpadabidanglainnyadarisuatukematanganhasil.Sumbuini
tegak lurus terhadap sumbu kecerahan dan kehijauan (sumbu ketiga). Ini dapat menyatakan
vegetasiyangdaunnyamulaimenguning(senescingvegetation)
[4] Nonsuch,mengandunginformasiyangtidakterkaitdengankehijauandanataukecerahan.

Sebagaimana disebutkan terdahulu, transformasi TC ini pada awalnya didisain menggunakan MSS,
tetapi selanjutnya dapat dimodifikasi menggunakan citra Landsat TM 4, TM 5 dan TM 7. Koefisien
menggunakanLandsatMSSadalahsebagaiberikut(Richards,1993):

Hal:18dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
[1] Brightness=.433G(CH4)+0.632R(CH5)+0.585NIR(CH6)+0.264NIR(CH7)
[2] Greenness=0.290G(CH4)0.562R(CH5)+0.600NIR(CH6)+0.491NIR(CH7)
[3] Wetness=.0.829G(CH4)+0.522R(CH5)+0.039NIR(CH6)+0.194NIR(CH7)
[4] Nonsuch=0.233G(CH4)+0.012R(CH5)0.543NIR(CH6)+0.810NIR(CH7)

KoefisienTCmenggunakanLandsatTMadalahsebagaiberikut:
[1] Brightness=.3037(TM1)+.2793)(TM2)+.4743(TM3)+.5585(TM4)+.5082(TM5)+.1863(TM7)
[2] Greenness=.2848(TM1).2435(TM2).5436(TM3)+.7243(TM4)+.0840(TM5).1800(TM7)
[3] Wetness=.1509(TM1)+.1973(TM2)+.3279(TM3)+.3406(TM4).7112(TM5).4572(TM7)
[4] Haze=.8832(TM1).0819(TM2).4580(TM3).0032(TM4).0563(TM5)+0.0130(TM7)

6. Intensitas,huedansaturasi(Intensity,HuedanSaturation/(IHS)
TeknikdisplaycitrayangumumdigunakanadalahteknikmendisplaidenganRGByangmenggunakan
konsep warna aditif. Akan tetapi, juga memungkinkan untuk mendisplai citra dengan teknik lain
yaituyangdikenaldenganistilahIntensitas,HuedanSaturasi:
[1] Intensitas (intensity) adalah intensitas kecerahan pada suatu citra (mirip dengan PC1 pada
analisiskomponenutama),yangmempunyainilaiantara0(hitam)dan1(cerah/putih).Intensity
jugamenyatakankecerahanataudullnessdarisuatuhue(gelapterang)
[2] Saturasi(saturation)menyatakanderajatkemurnian(purity)darisuatuwarna,yangjugaberkisar
antara0(hitamputih)sampaidengan1(warnapenuh/fullcolor)
[3] Huemenyatakanpanjanggelombangyangdominandarisuatuwarnapiksel.Inibervariasimulai
titik tengah gelombang merah (red) kemudian berputar menuju hijau dan biru dan kembali ke
titiktengahmerahdenganputaran360derajat.
HIS: merumuskan warna secara matematis dengan sistem bola (spherical) atau silindris (cylindrical).
Apabila suatu posisi warna RGB yang digambarkan dalam bentuk kubus diproyeksikan ke suatu
bidang datar, maka akan menghasilkan suatu gradasi warna dalam bentuk hexagonal (hexagone).
Selanjutnya apabila heksagone tersebut mengarah pada suatu titik kerucut di titik nol dengan
intensitasyangmendekatinolmakaakanterbentuksuatukerucutsegienam(hexacone).

KeunggulanIHS
[1] Teknikinimerupakanmetodeyangefektifgunamenggabungkan2setdatayangwarnanyadapat
diatursecaramatematisdenganmudah.
[2] Nilaikecerahandapatdirubahdenganmerubahintensitytanpamerubahwarna(hue).
[3] Warnadenganfullcolor(saturasimaksimum)ataudenganhitamputih(saturasiminimum)dapat
disajikantanpamerubahkombinasiband).

KonsepHIS
Secara skematis, komsep penyajian warna dengan metode HIS ini disajikan pada Gambar 10.
Kombinasi warna RGB yang disajikan dalam bentuk kubus yang diproyeksikan pada suatu bidang
datarakanmenghasilkan kombinasiwarnadalambentuk heksagonal.Apabila ditambahkandengan
Hal:19dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
intensitas(intensity)yangmengarahkesuatutitikdibawahnya,makaakanterbentuklahkerucutsegi
enam (hexacone). Pergeseran vertikal pada sumbu tengah kerucut tersebut menyatakan intansitas
atau kecerahan warna dari suatu citra. Sedangkan pergeseran ke arah tepi (dari sumbu intensitas)
akanmenghasilkanderajatsaturasi.Selanjutnyaderajathue,menyatakanwarnayangdominandari
suatupiksel.Titikawaldapatdimulaidarititiktengahpanjanggelombangmerah,kemudiankehijau
danbirudankembalilagiketitiktengahmerah.

Hue
Saturation
Hue
Saturation:
GP/GP
Intensity
(pergeseran pada
sumbu Z)

Gambar10KonseppenyajianwarnadenganIHS

Hal:20dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
KegunaanIHS:
[1] Melakukanfusicitraachromaticresolusispasialtinggidengan citramultispektralresolusispasial
rendah
[2] IHS ini akan menghasilkan hasil yang baik apabila panjang gelombang achromatic (pankromatik)
yang digunakan mendekati citra multispektral yang digunakan (misal, SPOT Pan (0.510.7 um
denganSPOTXS1(0.50.59um)danXS2(0.610.68um).

7. AljabarCitradanIndeks
Aljabarcitra(imagealgebra)adalahistilahumumyangdimaksudkanuntukmenggambarkanoperasi
matematis yang menggunakan beberapa piksel. Sebagai contoh operasi pengurangan yang
sederhanaDNBandNIRDNbandREDataurasioNIR/REDakanmenghasilkansuatuinformasiyang
bermanfaattentangkeberadaansuatuvegetasi.TasseledCapjugamerupakankombinasimatematis
yanglebihkompleksmenggunakanbanyakband.
Indeks yang dimaksudkan disini adalah suatu nilai yang diperoleh dari operasi matematis
menggunakanpikselpikselyangberasaldaribandbandyangberbeda.Operasimatematistersebut
sering disebut dengan aljabar citra. Indeks ini banyak digunakan untuk mempertajam atau
meningkatkan kontras dari berbagai macam kelas kerapatan tutupan vegetasi dan atau tipetipe
batuan (rock type). Dengan operasi matematis, maka kelaskelas yang tadinya tidak mempunyai
kontrasyangjelasakanmenjadilebihsignifikan.

8. IndeksVegetasi
Indeks vegetasi adalah suatu indeks yang dibentuk menggunakan operasi sederhana yaitu
pengurangan dan rasio antara band inframerah dekat dengan band merahnya. Pada Table berikut
inidijelaskantentangbandbandyangdimilikiolehbeberapacitra.PadaTabeltersebutselanjutnya
dapatdilihatcitraapasajayangdapatdigunakanuntukmembuatindeksvegetasi.
Tabel1.Contohbandinframerahdekat(NIR)danmerah(RED)padabeberapacitrasatelit
Sensor IRBand RBand
LandsatMSS 7 5
SPOTXS 3 2
LandsatTM 4 3
NOAAAVHRR 2 1

Secara matematis indeks vegetasi ini dibuat dengan operasi rasio dan atau gabungan antara
pengurangan, penjumlahan dan rasio. Citra rasio umumnya citra yang diturunkan dari rasio antara
band penyerap dengan band pemantul spektral dari suatu material. Penyerapan biasanya berbasis
pada bahanbahan kimia dari permukaan obyek. Oleh karena itu maka rasio ini akan menghasilkan
informasiyangterkaitdengankomposisivegetasidarisuatuobyek.

Hal:21dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Beberaparumusuntukmendapatkannilaiindeksvegetasiadalahsebagaiberikut:

a) SimpleRatioVegetationIndex(SRVI)
Bentuk indeks vegetasi yang umum adalah menggunakan operasi rasio antara NIR dengan RED.
Dalam nilai rasio, maka rentang nilai akan menjadi sangat tinggi yaitu mulai dari nol sampai
dengantidakterhingga.Olehkarenaitu,dalambeberapapendekatanhasilrasiotersebut(Root
simple ratio vegetation index) dapat juga diakarkan. Jika nilai indeks mendekati nol maka
tutupanlahannyaadalahyangtidakbervegetasi(umumnyabadanbadanair),selanjutnyatanah
kosong,sampaidenganvegetasilebat.
Dalam citra satelit, perekaman biasanya menghindari posisi matahari pada saat jam 12.00 siang
(noon) untuk menghindari adanya efek pantulan cermin (mirror like reflection), sehingga
kebanyakan citra direkam antara jam 10.00 sampai dengan 11.00 siang. Pada areal yang
bertopografi berat, perekaman ini akan menghasilkan suatu perekaman areal yang yang
menghadapmataharidanyangmembelakangimatahari.Kecerahanuntukjenisyangsamadapat
berbeda jika terletak pada posisi lereng yang berbeda. Citra hasil rasio dapat mengurangi
pengaruh topografi (bayangan topografi) sehingga membantu mengurangi kesalahan klasifikasi
dan atau interpretasi. Pada posisi lereng yang berbeda, tutupan yang sama akan memberikan
nilaiDNyangberbedaapabilaterletakpadaaspek(arahlereng)yangberbeda.Yangmenghadap
matahari (sunlit) akan mempunyai nilai DN yang relatif lebih tinggi dibandingkan yang
mendapatkan bayangan topografi lihat skema Gambar 4). Dengan teknik rasio, maka pengaruh
iniakandapatdireduksi(PerhatikanTabel2).
RumusdariSRVIdanRSRVI(RootSimpleRatiovegetationIndex)adalahsebagaiberikut
RED
NIR
SRVI = atau
RED
NIR
RSRVI =

Bayangan
topografi (Shadow)
S
inar
matahari
langsung
(sunlit)
Gambar11Skemabayangantopografi.

Hal:22dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Tabel2. IlustrasiReduksiPengaruhBayanganTopografipadatransformasicitradenganrasio.
Landcover R NIR Rasio
a.Conifers
Sunlit 48 50 0.96
Shadow 18 19 0.95
b.Hardwood
Sunlit 31 45 0.69
Shadow 11 16 0.69

b) SimpleDifferenceVegetationIndex(SDVI).
Indeks ini mempunyai konsep yang sama dengan SRVI, hanya saja disini menggunakan selisih
antara NIR dengan RED. Hasil selisih tidak sesensitif nilai rasio, dengan kisaran nilai yang lebih
sempit. Secara teoretis, kisaran nilai yang mungkin terjadi adalah antara 255 sampai dengan
255.Nilai255menunjukkantutupanairatauyangbukanvegetasilainnyasedangkannilai255
menunjukkantutupanvegetasiyanglebat.RumusdariSDVIadalahsebagaiberikut:

RED NIR SDVI =


c) NormalizedDifferenceVegetationIndex(NDVI)
Indeks ini menggunakan konsep berpikir yang sama, hanya saja dengan formula yang
merupakan penggabungan dari SRVI dan SDVI. Indeks vegetasi dengan pendekatan ini akan
menghasilkan nilai yang berkisar antara 1 dan +1. Tutupan vegetasi lebat cenderung
mempunyai nilai NDVI mendekati satu, sedangkan tutupan badanbadan air umumnya
mempunyai nilai 1. Nilai lahanlahan kosong (tanah kosong) umumnya mempunyai nilai
mendekatinol.BesarnyanilaiNDVIdarisuatukondisitutupanvegetasisangatbergantungpada
tutupan vegetasi itu sendiri serta kondisi permukaan tanah yang ada dibawah vegetasi yang
direkam.Formuladariindeksvegetasiiniadalahsebagaiberikut:
RED NIR
RED NIR
NDVI
+

d) TransformedVegetationindex(TVI)
Indeks ini merupakan turunan dari NDVI. Untuk menghindari bilangan imajiner (akar negatif)
maka nilai NDVI ditambahkan suatu konstanta yang besanya umumnya 0,5. Rumus dari TVI
adalahsebagaiberikut.

2 / 1

+
+

= C
RED NIR
RED NIR
TVI

Hal:23dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
9. IndeksMineral
Dengansatelittertentu,telahpuladiujicobakanmembuatindeksindeksyanglain.LeicaGeosystem
(2003) menyebutkan bahwa salah satu indeks yang sering digunakan oleh geologiawan/wati
(geologist) untuk melakukan interpretasi tentang tipetipe mineral menggunakan citra Landsat.
Adapunindeksyangdigunakanadalahsebagaiberikut:

a) ClaymineralsIndex:TM5/7
7
5
TM
TM
CMI =

b) IronoxideIndex:TM3/1
1
3
TM
TM
IOI =

c) FerrousMineralindex:TM5/4

4
5
TM
TM
FMI =

d) Mineralcompositeindex:TM5/7,5/4,3/1berturutturunadagunmerah,hijaudanbiru.
e) Hydrothermalcompositeindex:TM5/7,3/1,4/3

E.KLASIFIKASITERBIMBING(SupervisedClassification)

1.Pengertian

Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis (supervised). Kriteria
pengelompokkan kelas ditetapkan berdasarkan penciri kelas (kelas signature) yang diperoleh analis
melaluipembuatantrainingarea.Iniberbedadenganklasifikasitidakterbimbing(klastering)yang
tidakperlumembuattrainingarea,danhampirsemuaprosesdiserahkankepadakomputer.
Klasifikasi juga dapat dilakukan dengan cara kombinasi antara unsupervised dengan supervised,
yang sering dikenal dengan istilah hybrid supervisedunsupervised classification. Jumlah klaster
yang terbentuk dapat digunakan sebagai petunjuk dalam menentukan kelaskelas dalam klasifikasi
terbimbing.

2.PenciriKelas(ClassSignature)
Dalamklasifikasidiperlukansuatupencirikelas.Pencirikelasiniadalahsatusetdatayangdiperoleh
dari suatu training area, ruang fitur (feature space) atau klaster. Penciri kelas (signature) ini
Hal:24dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
diperlukan dalam proses klasifikasi. Masingmasing aturan pengambilan keputusan (algoritma)
memerlukansuatuatributsebagaiinputyangumumnyadisimpandalamsuatufilesignature.

a)Pencirikelasdapatberupa:
Yangberlakuuntukparametrikdannonparametrik:
1. Namakelas,yangnantinyaakandigunakansebagainamakelasataukategorihasilakhir.
2. Warna,yangmenyatakanwarnadarisetiapkelasyangdihasilkan.
3. Nilaidarisetiapkelasoutput.Nilaiiniharusdalambentuknilaiintegerpositif.

b)Pencirikelasparametrik
Penciri kelas parametrik didasarkan pada parameterparameter statistik. Berikut ini adalah
atributparametrikyangbaku:
1. Jumlahband/kanaldalamcitrainput
2. Nilai minimum dan maksimum masingmasing band dari suatu sampel training area atau
klaster(vektorminimumdanmaksimum).
3. Nilairataratamasingmasingbandmasingmasingkelasatauklaster
4. Nilairagamperagamdarisuatukelasatauklaster
5. Jumlahpikseldalamsetiapklaster.

c)Pencirikelasnonparametrik
Penciri kelas ini berdasarkan pada AOI yang dibuat pada gambar feature space untuk citra yang
akan diklasifikasi. Metode nonparametrik menggunakan penciri kelas nonparametrik untuk
mengelompokkan pikselnya ke dalam suatu kelas berdasarkan lokasinya, baik di dalam maupun
diluarareafeaturespace.

3.TrainingArea
Dalam klasifikasi terbimbing, analis perlu membuat kelaskelas yang diinginkan dan selanjutnya
membuat signature atau penciri yang sesuai dengan data yang digunakan. Dalam hal ini diperlukan
suatucarauntukmendapatkandatadatayangmewakilisetiapkelasyangingindiekstrak.Klasifikasi
inisangatsesuai,jikainginmembuatkelaskelasyangjelaskitainginkan.Trainingarea(areacontoh)
diperlukan pada setiap kelas yang akan dibuat, dan diambil dari areal yang cukup homogen. Pada
saat pembuatan kelas yang selanjutnya diambil dari training area, analis harus bisa melihat secara
jelas perbedaan yang tampak pada citra. Jika perbedaan yang tampak tidak begitu jelas maka ada
kemungkinan kelaskelas yang dibuat akan mengalami konfusi (kesalahan klasifikasi) dengan kelas
kelas lainnya. Ini sangat berbeda dengan klasifikasi tidak terbimbing, dimana jumlah kelas yang
dibuattidakperluberdasarkanperbedaanperbedaanyangtampakpadacitra,sehinggajumlahkelas
yangdibuatdapatrelatifbesar.
Dalam klasifikasi terbimbing, analisis harus membuat suatu training area guna mendapatkan
penciri kelas (ragamperagam, mean, minimum, dan maximum). Masingmasing atau sekelompok
trainingareamewakilisatukelasataukategoritutupanlahan,misalnyahutan,sawah,badanairdan
atautanahkosong.Secarateoritisjumlahpikselyangharusdiambilperkelasadalahsebanyakjumlah
Hal:25dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
band yang digunakan plus satu (N+1). Akann tetapi pada prakteknya, jumlah piksel yang harus
diambildarisetiapkelasbiasanya10sampai100kalijumlahbandyangdigunakan(10N~100N).

4.PemilihanTrainingArea
Pemilihan training area harus dilakukan secara teliti, kesalahan peletakan training area akan
mnyebabkan kesalahan hasil klasifikasi. Pada ERDAS, pembuatan training area dilakukan
menggunakan:
[1] Layerdarivektor
[2] Membuatsecaralangsungpadacitra,denganToolsAOI
[3] Metodekesamaanspektral(seedpiksel)denganpikselpikselyangadadisekitarnya
[4] Menggunakanbatasanradiustertentu.
[5] Menggunakanhasilklastering

5.EvaluasiTrainingArea
Sebelum melakukan klasifikasi akhir, analis terlebih dahulu melakukan evaluasi terhadap training
area yang dibuat. Evaluasi tersebut dapat dilakukan berdasarkan nilai Separabilitas atau Matrik
kontingensi(Akurasi)nya.

Gambar12EvaluasiSignature

6.PembuatanRuangFiturObyek(FeatureSpaceObject)
Dengan perangkat lunak ERDAS, analis dapat secara mudah membuat ruang fitur (dari AOI) dalam
suatu ruang fitur citra. Ruang fitur citra (feature space image) adalah suatu diagram pencar
sederhanadarisuatubandterhadapbandlainnyayangditampilkandalamgrafik2dimensi.Fiturini
Hal:26dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
mempunyai struktur data raster, sehingga dapat diperbesar atau diperkecil, slicing, pemodelan
spasial dan komposisi peta. Selanjutnya, fitur ini dapat disampling untuk dijadikan sampel dalam
melakukanklasifikasi.

7.Pembuatanpencirinonparametrik
Dengan AOI, analis dapat membuat penciri nonparametrik dari ruang fitur citra. ERDAS dapat
membuatAOIpadafeaturespaceViewer,sehinggadapatmemudahkanmenentukanlokasiAOIpada
feature space dari citra. Training area yang dibuat dari ruang fitur dapat berfungsi sebagai penciri
nonparametrik yang tidak bergantung kepada nilai statistik dari suatu piksel. Ini dapat digunakan
untukmembantuketelitian,khususnyapadatutupanyangtidaknormalmisalnyawilayahperkotaan
ataulahankosongberbatuanyangterbuka.


CitrakompositNIRRG

Faturespacecitra

PembuatanAOI

Gambar13Pembuatanfeaturespace(LeicaGeosystem,2003)

8.MetodeKlasifikasiTerbimbing
Secaragarisbesarnya,metodeyangumumdigunakandalamklasifikasiterbimbingterdiriatas:
[1] MetodeMultilevelslice(Parallelepiped)
[2] MetodeDecisiontree(Knowledgeclassification)
[3] MetodeJarakTerdekat,denganMetodeJarakMahalanobisatauEuclidean)
[4] MetodePeluangMaksimum(MaximumLikelihoodClassifier).
Metode klasifikasi terbimbing dapat dikelompokkan sebagai berikut: Setelah signature dibuat maka
piksel dari seluruh citra dikelompokkan berdasarkan signature menggunakan aturan pengambilan
keputusan dari masingmasing algoritma. Aturan pengambilan keputusan (decision rule) adalah
algoritma matematik menggunakan data yang dalam signature, dan menentukan kelaskelas
pikselnya.
1. Parametricrule: dibuat dengan signature parametrik. Signature ini dibuat dengan rata dan
ragamperagam.Metodeyangmenggunakanaturaniniadalah:

Hal:27dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
a. MetodeklasifikasiMaximumLikelihood
b. MinimumDistance
c. MahalanobisDistance
2. Nonparametric rule: aturan ini tidak berdasarkan pada nilai statistik, ini terbebas dari sifatsifat
data. Jika piksel terdapat dalam batas dari signature nonparametrik, maka signature ini akan
berfungsidanmengkelaskanpikselini.Prinsipnyanonparametrikinihanyamenetapkanapakah
piksel yang diklasifikasi berada di dalam atau di luar wilayah (batas) signature. Metode yang
menggunakanaturaniniadalah:
a. Parallepiped
b. Featurespace.
Padaaturaninipikselyangtidakterklasifikasi(unclassified)dapatdiproseslebihlanjutdengan:
a. Parametricrule
b. TetapsebagaiUnclassified.
Padapikselpikselyangoverlap,dapatdilakukanproseslebihlanjut:
a. Parametricrule
b. Diurutkan(byorder)
c. Unclassified

9.MetodeParallelepiped
Aturan pengambilan keputusan dengan metode ini adalah penentuan piksel yang terletak diantara
ambangbawahdanambangatas(thresholdvalues).Batasambanginidapatberupa:
[1] Nilaiminimumdanmaksimummasingmasingbanddarisetiapkelas
[2] Rataratadikurangiatauditambahproporsisimpanganbakunyadarisetiapband
[3] Nilai yang ditetapkan oleh analis berdasarkan pengetahuannya sendiri atau yang diperoleh
darievaluasisignaturenya

Gambar14.Diagrampengambilankeputusandenganmetodeparallelepiped
Hal:28dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
DaerahOverlap
Bagipikselpikselyangterdapatpadadaerahoverlapmakadapatdilakukanprosessebagaiberikut:
[1] Piksel tersebut dapat diklasifikasi berdasarkan uruturutan letak kelas. Misalnya kelas Air
nomor1danbayanganawannomor2,makajikaoverlapterjadiantarkelasini,makapiksel
dapatdikelaskankedalamkelasair.
[2] Pikseltersebutdiklasifikasidenganaturanparametrikyangdidefinisikan.Pikselyang
terdapatdievaluasidenganparametrik.Jikapikselpikseltersebuttidakadasatupunyang
mengikutikaidahparametrikmakapikseltersebuttetapsebagaiUnclassified(tidak
terklasifikasi).
[3] Pikseltersebuttetapsebagaiunclassified(tidakterklasifikasi)

PikseldiLuarAmbang
Bagi pikselpiksel yang ada di luar ambang, maka akan analis dapat membuat langkah sebagai
berikut:
[1] Tetapsebagaiunclassified
[2] Dievaluasisecaraparametrik. Jika tidaksatupunpenciri kelastermasukparameterik maka,
kelastersebuttetapsebagaikelasunclassified

AturanPengambilanKeputusan
Atas Ambang X dan Bawah Ambang X jika hanya dan jika W X
i i c

JarakTerdekat(MinimumDistance)
Metodeinidilakukandenganmenghitungkemiripanspektralantarpikselyangtidakdikenalidengan
pencirikelasdaritrainingarea.Semakinmiripmakajarakspektralnyasemakindekat.Jarakterdekat
inidapatdihitungmenggunakanmetodeJarakEuclidean.

2 / 1
2
1
) (

=

=
xyi
n
i
ci xyc
X D

Dimana:
n =jumlahbandyangdigunakan
i =nomorbandyangdigunakan
c =nomorkelas(kategori)
X
xyi
=nilaipikseldaribandipadatitikx,y
U
ci
=nilairataratapikselpadabandkeidankelasc
D
xyc
=JarakspektralantarkelascdenganpikselXpadaposisix,y

Pada klasifikasi dengan jarak Euclidean ini, oleh karena aturan pengambilan keputusannya
menggunakan nilai terkecil maka ada kalanya yang digunakan adalah kuadrat jarak, yang sering
disebutdenganSquaredEuclideanDistance

Hal:29dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar15.Diagramklasifikasipikseldenganmetodejarakterdekat

AturanPengambilanKeputusan

terkecil D jika W X
xyc c

JarakMahalanobis
Jarak mahalanobis juga termasuk metode jarak terdekat (jarak minimum), hanya saja dalam
algoritma penghitungan jaraknya memasukkan nilai matrik kebalikan dari ragamperagam setiap
kelas.Rumusmenghitungjarakterdekatnyaadalahsebagaiberikut:

) ( ) (
1
c c
T
c xyc
M X Cov M X D =

D
xyc
=jarakMahalanobis
C =kelas
X =vektorpikselpadaposisix,y
M
c
=Vektorrataratadarisuatusetbanduntukkelasc
Cov
c
1
=Matrikkebalikanragamperagamkelasc
T =Matriktransposisi

10.MetodeKemungkinanMaksimum(MaximumLikelihoodClassifier)
Metode ini adalah metode yang paling umum digunakan, dan ini biasanya merupakan metode
standar. Metode ini mempertimbangkan berbagai faktor, diantaranya adalah peluang dari suatu
piksel untuk dikelaskan ke dalam kelas atau kategori tertentu. Peluang ini sering disebut dengan
Hal:30dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
prior probabilty, dapat dihitung dengan menghitung prosentase tutupan pada citra yang akan
diklasifikasi. Jika peluang ini tidak diketahui maka besarnya peluang dinyatakan sama untuk semua
kelas(satuperjumlahkelasyangdibuat).AturanpengambilankeputusaninidisebutdenganAturan
KeputusanBayes(BayesianDecisionRule).Secaramatematis,fungsikepekatandaripeubahganda
adalahsebagaiberikut:
)} ( ) ( 2 / 1 exp{
) 2 (
1
) (
1
2 / 1
2 /
m x m x
Cov
x P
t
N
=


Rumustersebutdapatdisederhanakanmenjadi:
MD
N
e
Cov
x P
2 / 1
2 / 1
2 /
) 2 (
1
) (

=


MD N
e Cov x P
2 / 1
2 / 1
2 /
) 2 ( ) (

=
Peluangsuatusetpikselmasukkedalamkelas
i
adalah:
) ( ) ( ) / ( x p p x P
i i
=
Jikarumustersebutdijadikanlogaritmanatural,makaakanmenjadi:
) ( ) ( ln ) ( ln ) / ( ln x g x p p x P
i i i
= + =
Fungsidiskriminandarimasingmasingkelasdapatditulissebagaiberikut:
MD Cov p x g
i i i
2 / 1 ln 2 / 1 2 ln 2 / 1 ) ( ln ) ( =
Jika peluang pendahuluannya diasumsikannya sama maka fungsi diskriminan dari masingmasing
kelasi:
) ( ) ( 2 / 1 ln 2 / 1 ) (
1
m x Cov m x Cov x g
i
t
i i
=

Dimana:
P(x/
i
) =peluangsuatusetpikselxmasukkedalamkelasi
Ln(
i
) =logaritmanaturaldaripeluangpendahuluankelasi
x =vektorpikselpadaposisix,y
m
i
=Vektorrataratadarisuatusetbanduntukkelasi
|Cov
i
| =diterminanmatrikragamperagamkelasi
t =Matriktransposisi

Padametodeini,dapatjugadiberikanthresholding.Besarnyathresholdadalahsebagaiberikut:
) ( ln ln 2 / 1 2 / 1
2
i i a i
p T =
AturanPengambilanKeputusan
Thresholding
i i
T x g > ) (
i
t
i i
T m x m x p >

)} ( ) ( 2 / 1 ln 2 / 1 ) ( ln {
1

i i i
T p > } 2 / 1 ln 2 / 1 ) ( ln {
2


} 2 / 1 ln 2 / 1 ) ( ln {
2

=
i i i
p T
Hal:31dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Aturanpengambilankeputusannyaadalah:
c i i c
T x g dan j i semua untuk x g x g jika X > > ) ( ) ( ) ( ,

KlasifikasiAhli(ExpertClassification)
DenganErdasImagine,klasifikasidapatdilakukanpuladenganpendekatanklasifikasiahli.Klasifikasi
ahli ini memberikan pendekatan terhadap klasifikasi multispektral, perbaikan paska klasifikasi,
pemodelan SIG. Pada pokoknya, klasifikasi dengan sistem ahli ini menggunakan sistem hirarki atau
pengambilan keputusan dengan sistem pohon (decision tree). Aturan pengambilan keputusannya
atausejumlahpernyataanyangkondisionaltentangvariabledatadanatauatributyangmenentukan
komponeninformasiatauhipotetis.
Aturan ganda dan hipotesis dapat dikoneksikan kedalam suatu hirarki yang pada akhirnya
menggambarkan satu set final dari suatu target kelas. Nilai kepercayaan (confidence value) yang
terkait dengan masingmasing kondisi juga dikombinasikan untuk memberikan citra yang bisa
dihandalkan yang terkait dengan citra output. Dalam ERDAS terdapat dua bagian, yaitu bagian
Knowledge Engineer dan Knowledge Classifier. Yang pertama khususnya untuk yang sudah ahli,
sedangkanyangkeduauntukpemulayangbukanahli.

KlasifikasiFuzzy
Metodeklasifikasifuzzymempertimbangkanpikselpikselyangbercampur(mixedmakeup),dimana
suatupikseltidakdapatdikelaskansecaradefinitifkesatukelas.Jensen(1986)mengatakanbahwa
diperlukansuatucarauntukmembuatalgoritmayanglebihsensitifterhadapsifatsifatfuzzy(kurang
teliti dari alam). Klasifikasi ini didisain untuk membantu suatu pekerjaan yang kemungkinan tidak
masuksecaratepatkesalahsatukategori(kelas).Klasifikasiinibekerjadengandengansuatufungsi
keanggotaan, dimana piksel tersebut ditentukan apakah lebih dekat ke satu kelas atau ke kelas
lainnya. Metode klasifikasi ini tidak mempunyai batasbatas yang jelas, dan masingmasing piksel
dapatmasukkebeberapakelasyangberbeda(LeicaGeosystem,2003).Samahalnyadenganmetode
yang konvensional, metode dengan fuzzy ini juga memerlukan training area. Akan tetapi
perbedaannya yang besar adalah metode ini dapat juga memperoleh informasi pada berbagai
macam komponen/elemen kelas yang ditemukan dalam piksel yang tercampur (mixed). Dalam
metode ini, training area tidak diharuskan mempunyai pikselpiksel yang persis sama. Sekali analis
sudah menetapkan menggunakan metode fuzzy, maka utilitynya akan membiarkan konfolusi dari
fuzzy akan membentuk suatu konvolusi jendela bergerak pada saat klasifikasi menggunakan
penetapan output berganda. Dengan klasifikasi multilayer dan file jarak, konvolusi akan membuat
klas output yang baru dengan menghitung total bobot (weighted) jarak untuk semua kelas dalam
jendela.

Hal:32dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
KlasifikasidenganERDAS
Klasifikasi dengan ERDAS dapat dilakukan dengan diagram alir sebagaimana disajikan pada Gambar
83. Dalam ERDAS klasifikasi dapat dilakukan tidak hanya dengan satu metode, atau dengan
kombinasi dari beberapa klasifikasi, misalnya dengan metode Parallelepiped selanjutnya dengan
metodeMaximumlikelihoodatauMinimumdistance.

Gambar16.DiagramKlasifikasiNonparametrikdanparametrik(LeicaGeosystem,2003)

AkurasiKlasifikasi
Akurasi sering dianalisis menggunakan suatu matrik kontingensi, yaitu suatu matrik bujur sangkar
yang memuat jumlah piksel yang diklasifikasi. Matrik ini juga sering disebut dengan error matrix
atau confusion matrix. Secara konvensional, akurasi klasifikasi biasanya diukur berdasarkan
persentase jumlah piksel yang dikelaskan secara benar dibagi dengan jumlah total piksel yang
digunakan(jumlahpikselyangterdapatdidalamdiagonalmatrikdenganjumlahseluruhpikselyang
digunakan. Akurasi tersebut sering disebut dengan overall accuracy (akurasi umum). Akan tetapi
akurasi ini umumnya terlalu over estimate sehingga jarang digunakan sebagai indikator yang baik
untuk mengukur kesuksesan suatu klasifikasi karena hanya menggunakan pikselpiksel yang terletak
padadiagonalsuatumatrikkontingensi.
Hal:33dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Saat ini, akurasi yang dianjurkan untuk digunakan adalah akurasi Kappa. Akurasi menggunakan
semua elemen dalam matrik. Secara matematik, akurasi Kappa ini dihitung dengan rumus sebagai
berikut:
% 100
2
1 1


+ +
=
+ +
=

=
i i
r
i
i i
r
i
ii
X X N
X X X N


Dimana:
X
ii
=nilaidiagonaldarimatrikkontingensibarikeidankolomkei
X
+i
=jumlahpikseldalamkolomkei
X
i+
=jumlahpikseldalambariskei
N =banyaknyapikseldalamcontoh

Lebihlanjut,simpanganbakudariKappainidapatdihitungsebagaiberikut:

=
2
2
2
2 4
2
1
3
2
3 2 1 1
2
2
2 1
2
) 1 (
) 4 ( ) 1 (
) 1 (
) 2 )( 1 (
2
) 1 (
) 1 (
/ 1


N

dimana:

=
+ +
=
= =
r
i
i i
r
i
ii
N
X X
N
X
1
2
1
1
;

=
+ +
+
=
r
i
i i ii
N
X X X
1
2 3
) (

=
+ +
+
=
r
i
i j ij
N
X X X
1
2 4
) (


Ujisgnifikansi2nilaiKappadapatdilakukandenganrumussebagaiberikut:
96 . 1
2
2
2
1
2 1
>
+

=


z

MetodedenganakurasiKappalebihdisukaikarenadenganKappaini,perbedaanakurasidapatdiuji
secarastatistik.NilaiakurasiKappaduabuahklasifikasidinyatakanberbedaapabilanilaznyalebih
besardari1,96.
Dalam matrik kontingensi ini, analis dapat juga menghitung besarnya akurasi pembuat (producers
accuracy) dan akurasi pengguna (users accuracy) dari setiap kelas. Akurasi pembuat adalah akurasi
yangdiperolehdenganmembagipikselyangbenardenganjumlahtotalpikseltrainingareaperkelas.
Pada akurasi ini akan terjadi kesalahan omisi, oleh karena itu akurasi pembuat ini juga dikenal
dengan istilah omission error. Sebaliknya, jika jumlah piksel yang benar dibagi dengan total piksel
Hal:34dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:35dari42
dalam kolom akan menghasilkan akurasi pengguna (users accuracy), yang juga dikenal dengan
isitilah commission error (Lihat Gambar 6). Secara matematis, rumus untuk menghitung akurasi
pengguna,pembuatdanakurasiumum(overallaccuracy/OA)adalahsebagaiberikut:

Akurasipengguna=X
ii
/X
+i
(100%)

Akuraspembuat=X
ii
/X
i+
(100%)
% 100
1
N
X
OA
r
i
ii
=
=

Kelas referensi Dikelaskan ke kelas- J umlah


piksel
Akurasi
pembuat
A B C Total piksel
A X
11
X
12
X
13
X
1+
X
11
/ X
1+

B X
21
X
22
X
23
X
2+
X
22
/ X
2+

C X
31
X
32
X
33
X
3+
X
33
/ X
3+

Total piksel X
+1
X
+2
X
+3
N
Akurasi pengguna X
11
/ X
+1
X
22
/ X
+2
X
33
/ X
+3

Gambar7.6.Skemapenghitunganakurasi

Separabilitas
Separabilitas dari penciri kelas adalah ukuran statistik antar dua kelas. Separabilitas ini dapat
dihitunguntuksetiapkombinasiband.Ukuraninisekaligusdigunakanuntukmengetahuikombinasi
band mana saja yang memberikan separabilitas yang terbaik. Ada beberapa ukuran separabilitas
yangumumdigunakan,yaitu:
1. Divergence(D)
2. TransformedDivergence(TD)
3. BattacharyaDistance(BD)
4. JeffriesMatusitaDistance(JM)

Producers accuracy
Producers accuracy
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
F.KLASIFIKASITIDAKTERBIMBING

1.Pengertian
Klasifikasi secara kuantitatif dalam konteks multispektral dapat diartikan sebagai suatu proses
mengelompokkan piksel ke dalam kelaskelas yang ditetapkan berdasarkan peubahpeubah yang
digunakan. Proses ini sering juga disebut dengan segmentasi (segmentation). Kelas yang dapat
berupa sesuatu yang terkait dengan fiturfitur yang telah dikenali di lapangan atau berdasarkan
kemiripan yang dikelompokkan oleh komputer. Citra yang telah dikelompokkan dapat terdiri atas
beberapakelastutupanlahan,sepertivegetasi,tanahkosong,padangrumput,wilayahpermukiman,
wilayahlahanbasah,permukaanlahanterbangun(builtup)dsb.
Berdasarkan teknik pendekatannya klasifikasi kuantitatif dibedakan atas klasifikasi tidak terbimbing
(unsupervised classification) dan terbimbing (supervised classification). Klasifikasi tidak terbimbing
adalahklasifikasiyangprosespembentukankelaskelasnyasebagianbesardikerjakanolehkomputer.
Kelaskelas atau klaster yang terbentuk dalam klasifikasi ini sangat bergantung kepada data itu
sendiri. Dalam prosesnya, klasifikasi ini mengelompokkan pikselpiksel berdasarkan kesamaan atau
kemiripan spektralnya. Kelaskelas ini tidak berhubungan secara langsung dengan watakwatak
tertentudarifituratauobyekyangadapadacitra(scene).
Pada klasifikasi tidak terbimbing ini hanya sebagian kecil saja yang ditetapkan atau didisain oleh
analis, misalnya jumlah kelas atau klaster yang akan dibuat, teknik yang akan digunakan, jumlah
iterasi dan bandband atau kanal yang akan digunakan. Klasifikasi ini sering juga disebut dengan
klastering(clustering).Klasteringdapatdidefinisikansebagaisuatuteknikklasifikasiatauidentifikasi
yang merupakan serangkaian proses untuk mengelompokkan observasi (yang dalam hal ini piksel)
kedalamsuatukelasatauklasteryangbenardalamsuatusetkategoriyangdisusun.
Dalam prosesnya, observasi yang mempunyai kemiripan akan dikelompokkan sebagai satu klaster.
Dalam suatu data yang multivariat, selalu diasumsikan bahwa data tersebut berasal dari populasi
yang homogen. Akan tetapi, faktanya bahwa sebagian pikselpiksel tersebut berasal dari populasi
yang beragam, Klaster yang terbentuk terkadang mengandung gap. Caloncalon klaster yaitu nilai
DN dari setiap band biasanya ditentukan secara acak oleh komputer. Selanjutnya komputer
melakukan iterasi dan menghitung atau mengelompokkan pikselpiksel baru ke dalam kelasnya
berdasarkan kemiripan nilai DNnya. Campur tangan analis yang penting adalah dalam proses
pemberian nama (label) dari setiap kelas atau klaster yang terbentuk, serta mengevaluasi apakah
klastertersebutperludigabungkanataudihilangkan.
Dalam aplikasinya di berbagai bidang ilmu, klastering ini dikenal dengan beberapa terminologi
sebagaiberikut:
1. Taksonomi numerik (Numerical taxonomy), dalam bidang ilmu Life science (botani, biologi
danatauekologi)
2. Tipologi(Typology),Ilmuilmusosial
3. Belajartidakterbimbing(Unsupervisedlearningataulearningwithoutteacher)dalampattern
recognition,cybernetics,electricalegineering
Hal:36dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
4. Klasifikasi tidak terbimbing (Unsupervised classification), dalam bidang ilmu penginderaan
jauhatauearthscience
5. Clumpingdalamilmuinformasiataulinguistik
6. Regionalization,dalambidangilmugeografi(regionalscience)
7. Partition,dalambidangilmugrafik(graphscience)
8. Setiationdalamilmuantropologi.

Elemenelemenanalisisklaster:
Dalamanalisisklasteradabeberapaelemendasaryangharusdiperhatikan,yaitu:
1. Pemilihanunitdata,dalamcitradijitaladalahpiksel
2. Memilih peubah yang akan digunakan: bandband atau kanal yang akan digunakan dalam
analisis
3. Penentuan apa yang akan diklaster, dalam ilmu remote sensing atau citra dijital adalah nilai
kecerahan(brioghtnessvalue)atauyagdikenaldenganistilahDN(digitalnumber)
4. Menghomogenkanpeubah
5. Ukuranukuran kesamaan yang akan digunakan (dissimilarity) dengan jarak: Euclidean,
StandardizedEucludeanDistance,SquaredEuclideanDistance,MinkowskyDistance/Cityblock
danatauMahalanobis(Hotelling)Distance.
6. Menentukankriteriaklastering
7. mengimplementasikanalgoritmadankomputer
8. Menetapkanjumlahklaster.

Ukuranketidakmiripan(Dissimilaritymeasure)
1. EuclideanDistance:

2 / 1
1
2
) (

=

=
n
i
ik ij jk
x x D

dimana:
D=jarakantarklaster
I,j=klasterkeIdankej
k=peubahkek
n=jumlahpeubah

2. SquqredEuclideanDistrance:

=

=
n
i
ik ij jk
x x D
1
2
) (

Hal:37dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
3. StandardizedEuclideanDistance:


=

=
n
i
i
ik ij
jk
S
x x
D
1
2
2
) (

S
i
2
=keragamandaribandkei

4. Minkowsky/Cityblock:
L
n
i
L
ik ij jk
x x D
/ 1
1
) (

=

=

L=konstanta,jikaL=2makaDakansamadenganjarakEuclideansedangkanjikaL=1
akansamadengancityblockatauMinkowskydistance.

5. Mahalanobis(MahalanobisHotelling)Distance:

=

=

n
i
ik ij
t
ik ij jk
x x Cov x x D
1
1
) ( ) (
Cov
1
=matrikkebalikandariragamperagam

AnalisisKlaster
Agar memudahkan melakukan analisis pengkelasan berdasarkan tingkat kemiripan dari masing
masing ukuran klaster yang digunakan, maka diperlukan suatu teknik untuk menyusun urutan
pengelompokkan klaster, dari jumlah yang banyak sampai dengan jumlah yang kecil. Kurva yang
menggambarkan pengelompokkan ini sering disebut dengan dendrogram. Teknik penggambaran
tersebut sering dikenal dengan istilah nested atau hierarchical classification. Metode
penggambarannyaterdiriatas:
1. Metode tetangga terdekat (nearest neighbour method): yaitu metode penggambaran klaster
berdasarkanpadajarakterdekatdariangotaklaster.Metodeiniseringdisebutdenganmetode
Singlelinkage.
2. Metode tetangga terjauh (Furthest neighbour method), metode penggambaran berdasarkan
jarak terjauh dari anggota klasternya. Metode ini disebut juga dengan metode Complete
linkagemethod.

TujuanKlastering
Analisis klaster ini bertujuan untuk menemukan struktur kategori yang sesuai dengan observasi
(finding the natural group). Dengan derajat asosiasi alamiah yang tinggi maka dapat diketahui
tentangstrukturkategoriyangsesuai.

Hal:38dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
KegunaanKlaster:
1. UntukmembuatHipotesistentangstrukturklaster
2. membuat skema klasifikasi. Dalam biologi atau taksonomi ini akan sangat membantu dalam
membentuktaksonomi.
3. Pengembanganteoriteoriuntukmengembangkanteorigeneralisasiinduktif
4. Menemukankelaskelasalami.

2.Isodata
Klaster didefinisikan oleh suatu algoritma. Salah satunya yang terkenal disebut dengan metode
klastering ISODATA (Iterative SelfOrganizing Data Analysis Technique). Metode ini melakukan
klasifikasi secara iteratif berulang, menghitung statistiknya kembali, meredifinisikannya kembali
untukmasingmasingkelas,mengklasifikasikannyakembalisehinggamemperolehjarakantarklaster
yang semakin besar. Selforganizing dimaksudkan adalah suatu metode yang meminimumkan
campurtangananalis.

ParameterKlaster
Parameteryangperludiberikanpadaprosesklasteriniadalah:
1. Jumlah klaster yang akan dibuat (N). Sebaiknya lebih besar dari jumlah kelas tutupan yang
mungkin atau yang ingin dibuat pada citra. Jika ingin membuat 12 kelas, maka dapat dibuat
klaster sebanyak 14 sampai 16 klaster. Klaster yang mempunyai piksel terlalu sedikit dapat
dihilangkan.
2. Besarnya ambang konvergensi (T), yang menyatakan persentase piksel yang nilai kelasnya
diperbolehkantidakberubahpadasaatiterasi.
3. Jumlahiterasimaksimumyangdiperlukan.

Calonklaster
Calon klaster ditentukan pertama secara acak oleh komputer. Setelah melakukan iterasi maka rata
rata baru akan dihitung berdasarkan lokasi aktual piksel dalam klaster. Ratarata baru selanjutnya
digunakan untuk mendefinisikan klaster baru pada iterasi berikutnya. Proses penentuan ratarata
baru secara iteratif ini disebut dengan ratarata bergerak (migrating means) atau dikenal juga
denganistilahKmeansClustering.Spefifikasidarimetodeiniadalahsebagaiberikut:
Membandingkan jarak masingmasing nilai (observasi) vektor ratarata setiap klaster yang
berjumlahkkedalamsampelyangberjumlahN
ObservasiataunilaiNdikelompokkankedalamklasteryangterdekatdengannilaivektorratarata
Apabila ada penambahan anggota klaster, maka vektor ratarata dihitung kembali untuk
mendapatkannilairataratayangbaru(migratingmeans)
Proses ini dilakukan sampai dengan semua observasi ada dalam klaster dengan jarak yang
minimum.
Calonklasterawalbiasanyadipilihsecaraacakmulaidaripikselpertamapadacitraraster,kemudian
bergerak ke kanan bawah sehingga terpilih sejumlah calon klaster. Ratarata baru dari calon klaster
awalkemudiandihitungberdasarkanjarakterdekatnyadenganpikselpikselyangterdekat.
Hal:39dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar6.1.Ilustrasicalonklasterawaldansegmentasinya

Dalam proses iterasi, akan ditampilkan persentase piksel yang dinormalisasi yaitu piksel yang tidak
berubah sejak iterasi terakhir. Jika persentase ini mencapai nilai T (convergence threshold) maka
eksekusi program selesai. Tetapi ada kemungkinan persentase piksel yang tidak berubah tidak
pernah mencapai T. Oleh karena itu ada baiknya memonitor persentase atau menentukan
maksimumiterasidlamprosesklastering,sehinggaprogramdapatberhenti.

KelebihandanKekuranganKlastering
Kelebihan
Oleh karena prosesnya iterasi maka klastering ini tidak berbias secara geografis terhadap nilai
pikselyangteratasdanterbawahdalamfilecitra
Algoritma dengan ISODATA telah terbukti mampu menemukan klaster spektral yang memang
karena sifatsifatnya berbeda. Tidak pernah mempermasalahkan cara pengambilan klaster awal
(initialcluster).
Klasifikasi dengan ISODATA ini akan memberikan layer raster hasil klasifikasi pendahuluan
sebelummelakukanklasifikasiyangsebenarnya.

Kelemahannya:
Klasteringinimemerlukanwaktuyang relatiflebihlamadibanddingakandenganklasifikasibiasa,
karenaadaprosesiterasi
Tidakmempertimbangkankehomogenandaripikselpikselyangdiklasifikasi.

Hal:40dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
BeberapafungsiperbaikancitrayangtersediadalammodulperangkatlunakERDAS

Function Description
SPATIALENHANCEMENT
Thesefunctionsenhancetheimageusingthevaluesofindividualand
surroundingpixels.
Convolution Usesamatrixtoaveragesmallsetsofpixelsacrossanimage.
NondirectionalEdge Averagestheresultsfromtwoorthogonal1stderivativeedgedetectors.
FocalAnalysis
Enablesyoutoperformoneofseveralanalysesonclassvaluesinanimagefileusinga
processsimilartoconvolutionfiltering.
Texture Definestextureasaquantitativecharacteristicinanimage.
AdaptiveFilter
VariesthecontraststretchforeachpixeldependingupontheDNvaluesinthesurrounding
movingwindow.
StatisticalFilter
ProducesthepixeloutputDNbyaveragingpixelswithinamovingwindowthatfallwithina
statisticallydefinedrange.
ResolutionMerge Mergesimageryofdifferingspatialresolutions.
Crisp Sharpenstheoverallsceneluminancewithoutdistortingthethematiccontentoftheimage.
RADIOMETRIC
ENHANCEMENT
Thesefunctionsenhancetheimageusingthevaluesofindividualpixelswithin
eachband.
LUT(LookupTable)
Stretch
Createsanoutputimagethatcontainsthedatavaluesasmodifiedbyalookuptable.
HistogramEqualization
Redistributespixelvalueswithanonlinearcontraststretchsothatthereareapproximately
thesamenumberofpixelswitheachvaluewithinarange.
HistogramMatch
Mathematicallydeterminesalookuptablethatconvertsthehistogramofoneimageto
resemblethehistogramofanother.
BrightnessInversion Allowsbothlinearandnonlinearreversaloftheimageintensityrange.
HazeReduction* DehazesLandsat4and5TMdataandpanchromaticdata.
NoiseReduction* Removesnoiseusinganadaptivefilter.
DestripeTMData RemovesstripingfromarawTM4orTM5datafile.
SPECTRAL
ENHANCEMENT
Thesefunctionsenhancetheimagebytransformingthevaluesofeachpixelona
multibandbasis.
PrincipalComponents
Compressesredundantdatavaluesintofewerbands,whichareoftenmoreinterpretable
thanthesourcedata.
InversePrincipal
Components
Performsaninverseprincipalcomponentsanalysis.
DecorrelationStretch Appliesacontraststretchtotheprincipalcomponentsofanimage.
TasseledCap Rotatesthedatastructureaxestooptimizedataviewingforvegetationstudies.
RGBtoIHS Transformsred,green,bluevaluestointensity,hue,saturationvalues.
Hal:41dari42
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:42dari42
Function Description
IHStoRGB Transformsintensity,hue,saturationvaluestored,green,bluevalues.
Indices Performsbandratiosthatarecommonlyusedinmineralandvegetationstudies.
NaturalColor SimulatesnaturalcolorforTMdata.
FOURIERANALYSIS
ThesefunctionsenhancetheimagebyapplyingaFourierTransformtothedata.
NOTE:Thesefunctionsarecurrentlyviewonlynomanipulationisallowed.
FourierTransform* EnablesyoutoutilizeahighlyefficientversionoftheDiscreteFourierTransform(DFT).
FourierTransformEditor* EnablesyoutoeditFourierimagesusingmanyinteractivetoolsandfilters.
InverseFourier
Transform*
ComputestheinversetwodimensionalFastFourierTransform(FFT)ofthespectrumstored.
FourierMagnitude* ConvertstheFourierTransformimageintothemorefamiliarFourierMagnitudeimage.
PeriodicNoiseRemoval* Automaticallyremovesstripingandotherperiodicnoisefromimages.
HomomorphicFilter* Enhancesimageryusinganillumination/reflectancemodel.

MODUL
PELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Bogor,1525Februari2010

KOREKSIGEOMETRIK
NiningPuspaningsih

Kerjasama:

JAPANINTERNATIONALCOOPERATIONAGENCY FAKULTASKEHUTANANIPB

MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
KOREKSIGEOMETRIK
NiningPuspaningsih

Data penginderaan jauh pada umumnya mengandung distorsi, distorsi ini disebabkan antara lain
oleh pengaruh rotasi bumi pada waktu perekaman, pengaruh kelengkungan bumi, adanya efek
panoramikatausudutpandangpadawaktuperekaman,pengaruhtopografi,danpengaruhgrafitasi
bumi. Beberapa distorsi tersebut menyebabkan data penginderaan jauh mempunyai kesalahan
ukuranatauskaladankesalahanposisigeometris.
Terdapat2macamdistorsigeometrisyaitupertamadistorsiyangdapatdikoreksimenngunakandata
platform pada saat peluncuran dan pengetahuan tentang distorsi sensor internal dan kedua adalah
distorsi yang dapat dikoreksi menggunakan sejumlah titiktitik control lapangan (Ground Control
Point,GCP)yangcukup.GCPadalahsuatutitikdipermukaanbumiyangdiketahuikoordinatnyabaik
padacitra(kolomdanbaris)maupunpadapeta(lintangdanbujur)(Jaya1997).
Distorsi yang dapat dikoreksi menggunakan sejumlah GCP dapat dilakukan dengan cara melakukan
rektifikasi atau registrasi untuk mendapatkan geometri citra sesuai dengan peta planimetris.
Selanjutnyayangdimaksudrektifikasiadalahsuatuprosesmemproyeksikandatapadasuatubidang
datar sehingga mempunyai proyeksi yang sama dengan peta planimetris. Proses rektifikasi ini
memerlukan peta atau citra terkoreksi yang akan digunakan sebagai peta atau citra dasar(base,
master).
Menurut Jaya (1997), dua operasi dasar yang dilakukan untuk merektifikasi data secara geometris
adalahsebagaiberikut:
1. InterpolasiSpasial
Yaitusuatuprosesuntukmerektifikasi,merelokasisetiappixeldalamcitrainputkelokasinya
yang benar pada citra output. Untuk intrpolasi ini digunakan persamaan transformasi
koordinat geometris (affine transformation) orde 1 menggunakan 3 GCP, orde 2
menggunakan6GCP,danorde3menggunakan10GCP.
2. InterpolasiIntensitas
Untuk interpolasi intensitas (resampling) diperlukan satu atau beberapa pixel. Karena pada
saat interpolasi, lokasi pixel tidak persis tepat pada kolom dan baris data input, maka
interpolasi dapat dilakukan dengan beberapa metode metode nearest neighbor (1 pixel),
bilinearinterpolation(4pixel),dancubicconvulation(16pixel).

Hal:1dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:2dari12
Tahapanproseskoreksigeometric
1. Memilih titik control lapangan (GCP). Titik GCP harus menyebar merata mewakili seluruh
pada citra yang akan dikoreksi, titik titik yang dipilih adalah obyek yang tidak berubah
dalamjangkawaktulamadanmudahdikenalidicitramaupundilapangan.
2. Membuat transformasi polynomial untuk melakukan interpolasi spasial. Persamaan yang
palingsederhanaadalahorde1,menggunakan3GCP:
p=a
0
+a
1
X+a
2
Y
l=b
0
+b
1
X+b
2
Y
3. Menghitung kesalahan ( RMSE, root mean square error) dari GCP yang dipilih. Umumnya
nilaiRMSEtidakbolehlebihdari0.5pixel,tetapisemakinkecilsemakinbaik.RMSEdihitung
menggunakanrumus:
RMSE=

SedangkanuntukmasingmasingGCPdihitungmenggunakanrumus:
R
i
=

Keterangan:
R
i
:

RMSEuntukGCPkei

XR
i
+

YR
i

:KesalahankearahXdanYuntukGCPkei
RMSEuntukseluruhGCPdihitungdenganmenggunakanrumus:
R
x
=
R
y

=
T=

MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Atau
T=
Dimana:
Rx =RMSEkearahX
Ry =RMSEkearahY
XRi =kesalahankearahXdariGCPkei
YRi =kesalahankearahYdariGCPkei
T =RMSEkearahXdanY
n =jumlahGCP

Kontribusi(Ei)masingmasingGCPkeIpadatotalRMSEadalah:
E
i
=
4. Melakukaninterpolasiintensitas(nilaikecerahan)untukmembuatcitrabarudengansystem
koordinat yang ditentukan. Dalam proses ini juga menentukan ukuran pixel output, sesuai
dengan resolusi spasial yang dikehendaki, pada umumnya disesuaikan dengan ukuran
resolusispasialdataaslinya.
PraktekKoreksiGeometrik
Pada praktek koreksi geometric ini menggunakan Citra PALSAR asli yang belum dikoreksi resolusi
12.5mdancitraPALSAR50myangsudahdikoreksi.Koreksimenggunakantransformasipolynomial,
menggunakan persamaan affine ( 3 GCP), dan melakukan resampling dengan metode nearest
neighbor(1pixel).SoftwareyangdigunakanadalahERDASIMAGINE9.1.
Tahaptahapmelakukankoreksigeometricadalah:
1. AktifkansoftwareERDASIMAGINE9.1.
AkanmunculgambarsepertiGambar1
Hal:3dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar1.

2. TekanatauklikpadamenuViewer(Gambar2)

Gambar2

3. Buka 2 jendela viewer dan pada jendela 1 pilih file citra yang akan dikoreksi dan pada
jendela2pilihfilecitrayangakandijadikanmaster(citrayangsudahdikoreksi)(Gambar3)

Hal:4dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN


Gambar3

4. Pada jendela 1 Klik pada ikon raster option dan akan muncul jendela Select layer to add.
Pada jendela ini isikan layer yang dipilh pada warna, hijau dan biru. Setelah itu klik ok,
Lakukan hal yang sama pada jendela 2. Tampilan gambar setelah proses ini dapat dilihat
padaGambar4.

Hal:5dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar4.
5. PadajendelasatuKlikikonRaster,kemudianpilihGeometricCorection(Gambar5)

Gambar5.

Hal:6dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
6. SetelahmunculjendelaSetGeometrikModel(Gamabr6)pilihpolynomial.Klikokdanakan
keluarjendelaPolynolialJendelaproperties(Gambar7),isikanpadamenupolynomialorder
dengan1kemudianapply.
Gambar6
Gambar7.

Hal:7dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
7. Setelah itu akan muncul jendela GCP tool reference setup (Gambar 8),dan pilih exiting
viewer,danklikok.AkanmunculGambar9,Letakkankursorpadacitramasterpadajendela
2danklikpadaimagenyadanakankeluarjendelaReferencemapinformation(Gambar10).
Andapelajariinformasipetayangdigunakansebagaireferensi(citramaster),apabilasudah
benarklikokdanakanmunculGambar11.

Gambar8

Gambar9

Hal:8dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar10

8. PelajaripadaGambar11,adabeberapajendelainformasiyangdiberikanyaitu:
a. JendelaZoomcitraBudak
b. IkonGCP
c. Ikonresampling
d. JendelaZoomcitraMaster
e. JendelaInformasiGCP
9. Selanjutnya pilih titiktitik GCP yang akan digunakan untuk koreksi geometric, dengan
caraklik ikon GCP dan pilik titik GCP pada citra Master, dan pada citra budak. Lakukan cara
yangsamauntuktitik2dan3.

Hal:9dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:10dari12

Gambar11

10. LihathasilperhitunganRMSEpertitikdanRMSEtotal,apabilanilaiRMSEmasihcukupbesar,
gantititikGCPyangdigunakan(Gambar12)
11. Apabila RMSE sudah bagus simpan koordinat input dan koordinat reference, dengan cara
pada jendela GCP Tool klik File, klik save input as untuk menyimpan koordinat input, dan
save reference as untuk menyimpan koordinat reference. Simpan dengan nama file dan
padakamaryangdipilih(Gambar13).

JendelaZoom
citraBudak
Ikonresampling
JendelaZoom
citraMaster
Jendela
InformasiGCP
IkonGCP
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar12
RMSEtotal
RMSEpertitik

Gambar13

12. Tahap terakhir dari koreksi geometric adalah melakukan resampling, dengan cara klik ikon
resamplingdanakanmunculjendelaresample(Gambar14).Padajendelaresampleisinama
file citra output hasil , nearest neighbor, masukan ukuran pixel yang diinginkan (sesuaikan
denganresolusispasialcitrayangdikoreksi),danklikok.

Hal:11dari12
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar14

Hal:12dari12

MODUL
PELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Bogor,1525Februari2010

IMAGEENHANCEMENT
LilikB.Prasetyo

Kerjasama:

JAPANINTERNATIONALCOOPERATIONAGENCY FAKULTASKEHUTANANIPB

MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
IMAGEENHANCEMENT
LilikB.Prasetyo
ImageEnhancementdapatdibedakanmenjadiRadiometridanSpatialEnhancement.Perbedaandari
2teknikiniadalah:Radiometricenhancementmerubahnilaiindividualpixeltanpa
memperhitungkannilaipixeldisekitarnya,sedangkanspatialenhancementmemperhitungkannilai
pixeldisekitarnya.
Tujuan:untukmemudahkanmemahamicitradanmelakukananalisisvisual
Mengapaperludilakukanimageenhancement:
Pada saat pengadaan data, sebenarnya citra telah mengalami koreksi radiometri dan
atmosfer,tetapidatacitrabiasanyabelumdioptimumkanuntukinterpretasivisual.

Sensor yang dipasang di satelit biasanya didisain untuk mampu mengambil data dengan
kondisi yang beragam dari kondisi normal ke kondisi sangat ekstrim (misal pada rentang
ekosistem kutub hingga padang pasir) sehingga tidak ada satu metoda enhancement umum
yang bisa diaplikasikan pada seluruh kondisi tersebut. Hal ini menyebabkan setiap data
masihmemerlukanpenyempurnaan.

SENSOROPTIK
A. RadiometricEnhancement
a. HistogramMatch

Perbedaanwaktu,musim,dansudutmataharimenyebabkanterjadiperbedaanluminancedaridata
citra sehingga menimbulkan permasalahan ketika data citra tersebut akan digabung. Untuk
mengatasinyadiperlukanperlakuanHistogramMatch.

Gambar1.SebelumdansesudahHistogrammatch

Hal:1dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
BeberapahalpentingsebelummelakukanHistogramMatchadalah:
Distribusi/keragamanlandcoverdiduaimagerelativesama
Awanakanmenggangguproseshistogrammatch,sehinggaperludihilangkan
b. Dehaze
Haze adalah lapisan tipis partikel/awan yang menghalangi pengambilan data, sehingga data citra
terlihat kabur (blurred). Tampilan data citra yang terganggu akan menyulitkan klasifikasi secara
visual. Teknik image enhancement yang biasa digunakan adalah Haze reduction (Dehaze). Gambar
dibawahmerupakanilustrasidatacitrasebelumdansesudahdehaze(Hazereduction).

Gambar2.Sebelumdansesudahpenguranganefekhaze(dehaze)

Darigambartersebuttampakbahwabagianyangtertutupawanyangcukuptebal(bagiandibawah
awantidakterlihat)tampakmengalamiovercorrected,sehinggamenyulitkanklasifikasi.
c. HistogramEqualization
Histogram Equalization model adalah stretching data (merentangkan data) secara tidak linear.
Hasilnya adalah histogram yang hampir flat di bagian tengah dan meningkatkan kontras di dekat
puncakdanmenguranginilaidiawaldanakhirhistogram.
Gambar3.KonseppenyamaanHistogram(HistogramEqualization)

Hal:2dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
DatacitrahasildariHistogramEqualizationsecaradefaultdisajikanpadaGambardibawah.Setelah
dilakukanHistogramEqualizationdatacitratampaklebihkontras.

Gambar4.DatacitrasebelumdansesudahHistogramEqualization
Di dalam Software ERDAS Histogram Equalization juga dapat diarahkan dengan menggunakan Area
OfInterest(AOI),untukmenentukandaerahyangmenjaditargetuntuklebihditajamkankontrasnya.
Misal untuk image pada gambar di bawah adalah hasil Histogram Equalization dengan meletakkan
AOIpadapenampakanhutan(hijau).

Gambar5.DatacitrasebelumdansesudahHistogramEqualizationdenganAOIpadapenutupan
hutan
Pada proses dengan menggunakan AOI, tampak daerah yang mempunyai kontras tinggi terutama
adalahdaerahyangmempunyainilaiDNsamadenganyangdidalamAOI.ContohberikutadalahHE
dengan meletakkan AOI pada penutupan lahan rumput (pink). Hasilnya adalah kontras warna di
dalam AOI naik namun diluar AOI kontras menurun. Keragaman warna di dalam AOI lebih terlihat
daripadadatacitrasebelumnya.

Hal:3dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar6.DatacitrasebelumdansesudahHistogramEqualizationdenganAOIpadapenutupan
rumputdanair

Histogram Equalization dengan meletakan AOI (dengan menekankan kontras pada daerah tertentu)
biasa disebut juga contextual enhancement. Dalam menentukan AOI bisa juga berdasarkan kelas
kelasnilaiNDVI.

B. SpatialEnhancement
a. Convolution
Convolution adalah teknik membuat image baru dengan cara melakukan filtering, yaitu mengalikan
image asli dengan berbagai matriks dengan berbagai ukuran. Misalnya sebuah image dikalikan
dengan low pass filter berukuran 3 x 3, maka akan didapatkan data citra dengan tingkat kontras
yangmenurun.

Gambar7.Citrasebelumdansesudahconvolution(3x3)

Hal:4dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
b. EdgeEnhancement
AplikasiEdgeenhancementakanmeningkatkankecerahanbatasdariobyekobyek.Aplikasiiniakan
mempermudahdalamidentifikasivisualpatterntertentusepertijalan,sungai,batas2kebundll.

Gambar8.Citrasebelumdansesudahpenejamantepi(edgeenhancement)
c. AdaptiveFilter(WallisAdaptiveFilter)
AdaptiveFilterakanmeningkatkanlocalkontras,namununtuktotalkeseluruhancitraluminance
yangterlaluterangakanberkurangsedangkandaerahyanggelapakandinaikkan.Hasiladaptive
filterakanlebihmudahdiklasifikasikansecaravisual.

Gambar9.CitrasebelumdansesudahAdaptivefilter(wallis)

Hal:5dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
d. NonDirectionalEdgeenhancement
Aplikasiiniakanmeningkatkanketajamanedge.Hasildariteknikfilteriniakanmembantu
mendeleniasijalan,danobyek2linearlain.

Gambar10.Citrasebelumdansesudahpenajamantepi(nondirectionaledgeenhancement)

C. SpectralEnhancement
a. IndexVegetasi(NDVI)
Indexvegetasidilakukanuntukmengetahuitingkatkehijauanatauuntukmembedakan
daerah

Gambar11.Spektranobyekpadaberbagaipanjanggelombang/bandpadalandsat
Hal:6dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:7dari14
bervegetasi dan daerah yang tidak bervegetasi. Vegetasi ketika berfotosintesis
membutuhkan cahaya dengan panjang gelombang berkisar antara 600 700 mikron
(panjang gelombang ini identik dengan Band 3 pada Landsat), sehingga DN pada band 3
vegetasi lebih rendah dari lahan kosong (tanpa vegetasi), karena sebagian besar diabsorbsi
olehchlorophil(Gambar).Namunpadaband4(panjanggelombang0.760.90mikron/
Near Infra Red) vegetasi mempunyai DN yang lebih tinggi. Dengan menggunakan logika
berfikir ini maka dibangun NDVI (Normalized Difference Vegetation Index) dengan formula
sepertidibawah.

Berdasarkan formula tersebut, apabila nilai NDVI lebih dari dari 0 maka merupakan lahan
bervegetasidanapabilalebihkecildari0makanonvegetasi.

b. TasseledCap
Tasseled Cap adalah teknik merotasikan DN dengan memberikan bobot berbeda pada tiap
band nya, sehingga didapatkan data membedakan antara Brightness, Greeness dan
Wetness. Citra baru lebih mudah membedakan antara daerah urban, pertanian, vegetasi
dan air. Nilai pembobot disajikan pada Tabel dibawah. Image hasil tasseled cap disajikan
padaGambar13.
Tabel1.BobotuntukperhitunganTasseledCap,untuktiapBand/Channel

NDVI=(Band4 Band3)/Band4+Band3)
ImageAsliNDVI(Greyscale,1sd1)ThematicNDVI
Gambar12.CitraNDVI(Greyscale&Tematik)
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:8dari14

Band 1 hasil dari Tasseled Cap menunjukkan daerah terbangun/terbuka, Band 2 menunjukkan
tingkatkehijauanvegetasidanBand3menunjukkandaerahdengantingkatwetnessyangtinggi.
c. PrincipleComponent
PCA digunakan untuk mereduksi jumlah variable dengan membentuk variable baru yang
independent. Pada Penginderaan jauh metoda ini digunakan untuk mereduksi jumlah band yang
digunakanpadaanalisiscitraHyperspectral,namun banyakjuga yangdigunakanuntukdatacitra
Landsat.

Brightness
Greeness Wetness
R:G:B=Br:Gre:Wet
Gambar13.DatacitrayangmenggunakanTasselledcap
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

PC1
PC2 PC3
R:G:B=PC1:PC2:PC3
Gambar13.DatacitrayangmenggunakanPrincipleComponent

Hal:9dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:10dari14
SENSORRADAR
(a) KonsepMovingWindows
Pengolahandataradarbanyakmenggunakanmovingwindowuntukmelakukanfilterspatial/
convolution.
Pada gambar adalah contoh moving window
dengan ukuran 3 x 3. Setiap pixel di dalam
window berisi angka sesuai dengan jenis filter
yang dipakai. Window ini bergerak menyiam
keseluruhancitra.
Ukuranwindowberagam 3x3, 5 x5, dan 7 x
7. Semakin besar ukuran matriks semakin lama
waktuyangdigunakan.
Dibagiantengahadalahpixelyangmenjadi
target.Karakteristikpixeltersebut(texture,
edgeenhancement,speckle)ditentukanpilihan
operasi/perhitunganolehuser.

b.BandSintetis
Datacitraradarpadasatadikembangkanuntukpertamakalihanyamemilikisatutipepolarisasi,
sehingga pengolahan Citra Radar hanya mengandalkan satu tipe polarisasi. Pada
perkembangannya Radar (misalnya ALOS PALSAR), memiliki 4 tipe polarisasi (HH, HV, VV,VH),
sehingga pengolahan ALOS PALSAR dapat menggunakan kombinasi tipe polarisasi sebagai
layer/bandyangberbedayangdiperlakukansebagaibandRed,GreendanBlue.Padabeberapa
penelitian, dari band tersebut juga dibuat sintetis band, berdasarkan band yang ada. Algoritme
yang digunakan untuk membuat band sintetis sangat bervariasi, misalnya pengurangan antara
HHdanHV(HHHV),rasioantarabandHHdanHV(HH/HV)atauindexPalsar(HHHV/HH+HV).

R:BandHHG:BandHVB:HHHV/HH+HVR:G:B
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
A. SpeckleSuppression
a. LeeSigmaFilter
LeeSigmafiltermenggunakanasumsibahwamean&variandaripixeltarget(pixelofinterest)
adalahsamadenganmean&varianlokaldidalammovingwindowyangdipilihuser.

NoisesuppressionfilterdenganmenggunakanLeeSigmaakanmenggantipixelofinterest
dengannilairatarataDNdidalammovingwindows.HasildariteknikfilteriniadalahdataRadar
yanglebihhalustexturenya/lebihhomogen.
b. FrostFilter

Hal:11dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
c. MedianFilter

B. EdgeEnhancement
Teknik analisis yang ditujukan untuk mempertajam edge/tepi obyek pada image. Misalnya
PrewitfilterdanRobinsonfilter.Teknikfilterinidapatdigunakanuntukmendeleniasiobyek
yang berbentuk linear. Filter ini banyak digunakan untuk menemukan patahan/sesar yang
merupaka informasi penting yang berkaitan dengan ilmu kebumian (gempa/pertambangan
dll).
a. Prewit

Hal:12dari14
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:13dari14
b. Robinson

C. ImageEnhancement
a. WallisAdaptiveFilter
AplikasiWallisAdaptivefilterdilakukanuntukmerentangkannilaiDN,sehinggacitra
terlihatlebihterangdengankontrasyanglebihbaik.

MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:14dari14
b. LuminanceModification

MODUL
PELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Bogor,1525Februari2010

KLASIFIKASICITRA
LilikB.Prasetyo

Kerjasama:

JAPANINTERNATIONALCOOPERATIONAGENCY FAKULTASKEHUTANANIPB


MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
KLASIFIKASICITRA
LilikB.Prasetyo

Klasifikasi citra pada dasarnya dapat dibagi menjadi 2, yaitu klasifikasi secara dijital dan klasifikasi
secara visual. Lebih jauh klasifikasi secara dijital dapat dibagi menjadi dua yaitu klasifikasi tidak
terbimbingdanterbimbing.
A. KlasifikasiVisual
Klasifikasi data citra secara visual adalah identifikasi berbagai obyek secara visual, obyek tersebut
boleh jadi merupakan obyekobyek alami ataupun buatan yang memiliki beragam bentuk, ukuran,
warna,pattern,danasosiasinya.Kitatidakterbiasamembedaanobyekobyektersebutkarenaharus
dibedakan dalam skala 2 dimensi yang dilihat dari atas (foto udara/satelit). Cara pandang ini tidak
sama dengan bila kita melihat di lapangan dengan mata telanjang secara horizontal. Untuk
keperluantersebutmakadiperlukankunciidentifikasiobyekdanpemahamanmengenailokasiyang
akandiinterpretasi/klasifikasi(ekosistem/lingkungan).
Faktor yang digunakan sebagai pertimbangan untuk klasifikasi visual dapat dibedakan mejadi
beberapaorder/tahapan(Tabel1).
Order Fokusperhatian ElemenInterpretasi Keterangan
Warna Warnafeature/obyek
1 Warna
Tone Tingkatgradasiwarnatsb(gelapterang)
Size
Ukuran obyek : perbandingan relative
antarobyek RangkaianGeometri
(Geometric
arrangement) Shape
Bentuk Obyek : bentuk alami biasanya
tidak beraturan sedangkan buatan
cenderunglurus
Texture PerubahandansusunandariTone
2
Rangkaian(Spatial
Arrangement) Pattern
Pola & bentuk obyek : warna,tone, dan
texture yang berulangulang dapat
digunakansbgpengenalobyek
Site
Letak obyek dalam kaitannya dengan
topografi,tanah,danekosistem
3
Locational
Association
Keterkaitan dengan obyek lain di
sekitarnya(jalan,sungai,laut,danaudll)
Ketinggian(Height) Ketinggian 4
Bayangan(Shadow) Bayangan
Sangat bermanfaat pada interpretasi foto
udara

Hal:1dari5
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Pertanyaan:
a. DimanaMangrove?
b. DimanaHutandataran
rendah?
c. Dimanasawit?
d. DimanaLahanterbuka?
e. DimanaSungai/laut?
f. DimanaJalan?
g. DimanaAwan?
h. DimanaTambak?
i. DimanaSemakbelukar?

ALOSPALSAR(RGB:HH,HV,Index)LANDSATETM(RGB:5,4,3)

Gambar1.ExercisePengenalanobyeksecaraVisual

B. KlasifikasiDijital
a. Klasifikasitidakterbimbing(clustering/UnsupervisedClassification)
Di dalam klasifikasi tidak terbimbing komputer mengelompokkan piksel (berdasarkan nilai DN)
berdasarkan kesamaan spektral menjadi berbagai kelas. Metoda klustering dapat menggunakan
ISODATA(IterativeSelfOrganizingDataAnalysis Technique)atauRGB.PadateknikISODATAsemua
banddiperhitungkandalampenentuanklaster,sedangkanuntukRGBhanya3band.
b. KlasifikasiTerbimbing(Supervisedclassification)
Klasifikasiterbimbingdilakukandenganmemberikanarahan/memilihpikselyangmerepresentasikan
obyek/penutupan lahan yang dikenali (Signature). Kemudian operator memberikan instruksi untuk
memprosesnyaberdasarkansignature2tersebut.

Pada prinsipnya ada dua teknik yang digunakan untuk menentukan signature pada klasifikasi
terbimbing, yaitu Parametrik & Non Parametrik. Teknik Parametrik berdasarkan data statistik dari
pikselyangberadapadaareasample.Sedangkansignaturenonparametrikadalahberdasarkanarea
didalamcitrafeaturespace

Citra Feature space adalah grafik scatterplot nilai piksel dengan sumbu x dan y berupa dua band
yang berbeda yang dipilih. Citra feature space adalah citra raster yang berwarna yang berasosiasi
dengansetiappikseldidalamdatacitra.DidalamsoftwareErdas,posisisetiaptitikdiFeaturespace
dapatdilinkdenganposisinyadicitraaslinya(Gambar2).






Hal:2dari5
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:3dari5














SupervisedClassificationdenganSignatureNonParametrik(featurespace)

Klasifikasi ini dilakukan berdasarkan pada signature yang dibuat berdasarkan citra feature space.
Klasifikasimenjaditematikpenutupanlahandidasarkanpadajarak(distance)didalamfeaturespace.
Sebuahpikselakanmenjadikelasyangsamaapabilaberadadidalamlingkaranyangsamaataupada
jaraktertentuyangdidefinisikan.

Langkah pertama yang dilakukan adalah menentukan training


area(signature)didalamfeaturespace(FS).Halinimemerlukan
ketekunan karena harus tepat menempatkan signature,
sehingga meminimalkan gap dan overlap antar signature.
Gambar 2 dibawah menunjukkan ada beberapa signature yang
overlap (warna merah). Setelah semua signature dibuat maka
dapatdilanjutkandenganklasifikasiterbimbing.

Apabila masih ada piksel yang belum terklasifikasi, dapat dibiarkan menjadi kelas unclassified atau
dikelaskan berdasarkan Maximum Likelihood. Demikian juga piksel yang overlap dapat dikelaskan
sebagaiunclassifiedpikselataudikelaskanberdasarkanMaximumLikelihood.

Lahan
Terbangun
Hutan
Sawit
Air
Band4
Band3
Awan
Gambar2.Linkantarafeaturespace&datacitra
Gap
Overlap
Gambar3.Gap&OverlappadaFS
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:4dari5
SupervisedClassificationdgnSignatureParametrik

Teknik Klasifikasi ini dibuat berdasarkan distribusi nilai piksel/DN menggunakan algoritma
klasifikasi/aturan parametrik yang beragam. Diantaranya aturan parametrik tersebut adalah
maximum likelihood, minimum distance dan parallepiped classification (Gambar 4). Untuk
mengarahkan komputer, dibuat signature training area pada setiap obyek (spektral kelas) yang
berbeda. Semakin banyak diambil signature/sampling area untuk setiap kelas lebih baik. Pedoman
umum yang bisa dipakai adalah bila menggunakan 6 band maka sebaiknya jumlah signature tiap
kelas minimum yang dibuat adalah 6 + 1. Bahkan ada yang menganjurkan jumlah signature adalah
100dikalikanjumlahband,jikadimungkinkan.Halinidilakukanuntukmenghindariterjadinyamatrix
kovarian yang singular, yang menyebabkan matriks kebalikannya dalam perhitungan fungsi
diskriminanttidakbisadihitung.
















MaximumlikelihoodClassification

Maximum likelihood Classification adalah teknik


pengambilan keputusan secara statistik untuk
melakukan klasifikasi piksel berdasarkan nilai DN.
Asumsi dasar dari teknik ini adalah bahwa setiap
piksel pada setiap kelasnya menyebar secara normal
dalam ruang multi dimensi (tergantung dari jumlah
band).

Dibandingkan dengan teknik perhitungan lain, teknik


inirelatiflebihakurat.

Gambar4.Tahapananalisisdijital
Gambar5.IlustrasiMaximumLikelihood
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:5dari5

MinimumdistanceClassification

Apabilaadapermasalahankekurang samplearea/ nature,


dianjurkan untuk memakai metoda Minimum Distance
Classification.MetodainihanyamemperhatikanMean,tanpa
melihat Standard deviasi ataupun covariance. Perhitungan
dengancarainirelatiflebihcepatdariMaximumLikelihood.

an sig
arallelepipedClassification

etoda ini dianjurkan pada kegiatan yang menghandel


elemahan dari metoda ini adalah adanya overlap dan
u ra .

M
datayangbesar.Secarastatistikpikselakandikelompokan
berdasarkan nilai DN dengan jarak tertentu dari standard
deviasinya.

K
gam (daerah yang tidak terklasifikasi), sehingga
memp nyaiaku siyang rendah









Gambar5.IlustrasiKlasifikasiparallepiped
Gambar6.IlustrasiMinimumdistance

MODUL
PELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Bogor,1525Februari2010

CITRALANDSAT
LilikB.Prasetyo

Kerjasama:

JAPANINTERNATIONALCOOPERATIONAGENCY FAKULTASKEHUTANANIPB
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:1dari7
CITRALANDSAT
LilikB.Prasetyo

A. SejarahPeluncuranSatelitLandsat
1. Landsat1
Landsat 1 diluncurkan pada tanggal 23 July 1972, pada waktu itu dikenal
dengan sebutan Earth Resources Technology Satellite (ERTS),yang
merupakan Satelit pertama yang diluncurkan untuk memantau
permukaan bumi. Untuk keperluan tersebut Landsat 1 diperlengkapi
dengan2instrumentyaituReturnBeamVidicon(RBV),danMultispectral
Scanner System (MSS). Pada awalnya RBV yang akan digunakan sebagai
alat perekam utama, namun akhirnya digantikan oleh MSSR yang
sebenarnya waktu itu masih dalam taraf percobaan. RBV, bila
dioperasikanakanmenyebabkanLAndsat1kehilangancontrolposisinya.
SensorMSSmerekamdatadalam4spektralbandyaitu:green,red,and
twoinfraredbands.
Landsat1beroperasihinggajanuari1978,selamaberoperasiLandsat1telahmengumpulkan300000
scene.
2. Landsat2
Landsat2wasdiluncurkanpada22Januari1975.Satelitinijugamasihdalamtahappenelitianyang
dioperasikn oleh NASA. Landsat 2 membawa jenis sensor yang sama dengan Landsat 1. Pada
Februari1982,Landsat2mengakhirioperasinya.
3. Landsat3.
Landsat 3 diluncurkan pada 5 Maret 1978, 3 tahun setelah
Landsat 2. Landsat inipun masih dalam percobaan yang
dioperasikan oleh NASA hingga tahun 1979. Setelah
dinyatakan sukses maka sejak tahun 1979 kendali operasi
dilakukan oleh National Oceanic and Atmospheric
Administration(NOAA).
Landsat3membawasensoryangsamadenganpendahulunya,
yaituRBVdanMSS.BedanyaadalahbahwaRBVdarilandsat3
mempunyai resolusi 30 meter dan mampu mengambil data
dalam satu spectral band yang lebar (0.505 0.750 mikron)
sedangkanpadapendahulunyarekamandatapadaselangtersebutdirekamdi3bandyangterpisah.
MSS mengambil data secara sistimatis menggunakan 4 bands, sebenarnya ada chanel ke 5 yaitu
bandthermal,namunchanelinirusakbeberapasaatsetelahpeluncuran.PadaMaret1983,Landsat
3berakhiroperasinya.
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
4. Landsat4.
Landsat 4 diluncurkan pada 16 July 1982. Landsat 4 selain
mempunyai MSS juga membawa sensor Thematic Mapper yang
mempunyairesolusispatialdanspectralyanglebihbaik.
Instrument Landsat 4 TM mepunyai 7 band spectral ( blue, green,
red, nearinfrared, midinfrared (2 bands) dan thermal). Setahun
setelahpeluncuranLandsat4mangalamigangguanpengirimandata
ke stasiun bumi. Masalah ini dapat diatasi, namun tahun 1987
mengalamipermasalahanyangsama.

5. Landsat5
Pada1Maret1984,NASAmeluncurkanSatelitLandsat5.Satelitini
dibuat bersamaan dengan satelit Landsat 4 dan membawa
instrumentyangsama(theMultispectralScanner System(MSS)and
theThematicMapper(TM)instruments).
Tahun 1987 sistem transmisi Landsat 5 mangalami kerusakan,
sehingga tidak memungkinkan mengirimkan data ke stasiun bumi di
luar Amerika. Tahun 1995, instrument MSS dimatikan, namun TM
masihterusberoperasi.

Tahun 2005, operasi Landsat 5 dihentikan setelah adanya masalah pada pembangkit tenaga
suryanya.MasalahdapatdiatasidanLandsat5beroperasilagipadatanggal30Januari2006.
6. Landsat6
Landsat6gagaldiluncurkan.Landsat6membawaEnhancedThematicMapper(ETM).SensorETM
yang mempunyai resolusi spasial yang sama dengan landsat 4 dan 5 ditambah dengan chanel 8
denganspasialresolusi15m.Bandke8inidisebutbandpanchromatic/sharpeningband.

Hal:2dari7
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
7. Landsat7.
Pada tanggal 15 April 1999, Landsat 7 berhasil diluncurkan. Satelit
inimembawasensorETM+.Selainsensoryangdimuatsamadengan
landsat 5, terdapar penambahan yaitu band panchromatic dengan
resolusi spasial 15 m, dan thermal infra red dengan resolusi 60 m.
Keunggulan Landsat 7 adalah bahwa satelit ini memiliki kalibrasi
yangsangatakurat.
Pada tahun 2003, terdapat permasalahan pada Scan Line Corrector
(SLC) sehingga mengganggu perekaman data. Data landsat 7 yang
direkam setelah tahun 2003 mengalami kerusakan berupa 0 data
pada lajurlajur tertentu. Upaya mengoreksi 0 data tersebut masih
dilakukansampaisekarang.Haliniyangmenyebabkanorangberalih
ke Landsat 5 lagi. Sejak 10 Januari 2010 Landsat 5 kembali beroperasi normal
(http://landsat.gsfc.nasa.gov/news/newsarchive/news_0251.html).

B.KarakterLANDSATTM
1.ResolusiSpektral
JumlahbanddanpanjanggelombangyangdigunakanolehLandsat5danLandsat7hampirsama,
perbedaannyaterletakpadakanalpankromatik.

ETMBands

Hal:3dari7
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
2. ResponObyekpadatiapkanal
Responobyek(tanah,vegetasidanair)padatiapkenaikanpanjanggelombangsecarakontinyu
disajikanpadaGambardibawah(Gambar).

Gambar1.Polareflektansigelombangelektromagnetikpadatanah,vegetasi&air
Berdasarkan gambar tersebut dapat diketahui bahwa air, tanah dan vegetasi mempunyai
perbedaan pola reflektansi. Pola reflektansi ini selain berkaitan dengan sifat fisik obyek juga
berhubungandenganprosesekofisiologivegetasi.
Band 1: 0.45 0.52 m (Blue). Sangat berguna untuk
memetakanbadanair,membedakantanahdanvegetasi
sertaobyakobyekbuatan(jalan&bangunan).

Band2:0.520.60m(Green).
Panjang gelombang ini berada di daerah serapan
chlorophyadanb(Gambar2).Padaselanginiabsorbsi
energy oleh chlorophyl menurun, sehingga kecepatan
fotosintesa juga turun (Gambar 3). Pada selang ini
banyak porsi gelombang hijau yang dipantulkan oleh
vegetasi. Band ini berguna untuk mengenali tipe2
vegetasi,menentukantumbuhanyangsehat.

Gambar2.Polaabsorbsichlorophyl

Hal:4dari7
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar3.Absorbsicahayadankecepatanfotosintesis.

Band 3: 0.63 0.69 m (Red). Selang panjang gelombang pada band ini terletak pada selang
puncak absorbsi baik chlorophyll a dan b (Gambar 2). Pada selang ini kecepatan fotosintesa
tinggi (Gambar 3). Sinar merah tampak merupakan sinar yang paling penting untuk
membedakantipevegetasi
Band 4: 0.76 0.90 m (Near infrared). Band ini responsive terhadap biomasa, sangat baik untuk
identifikasitanaman,membedakanantaratanahdantanaman,sertauntukdelineasibatasbadan
air.
Band 5: 1.55 1.75 m (MidInfrared). Band ini sensitive dengan turgidity (kandungan air dalam
tumbuhan)sehinggabandinisangatpentinguntukstudykekeringandanpenelitiantentangvigor
tumbuhan.
Band 6: 10.4 12.5 m (Thermal infrared). Band ini mengukur flux panas yang dipantulkan oleh
permukaanobyek.Bergunauntukstudikelembabantanah,stressvegetasidansuhupermukaan.
Band7:2.082.35m(Midinfrared).Band7bergunauntukmembedakantipeformasibatuan.
Secara ringkas respon obyek pada berbagai selang panjang gelombang (band/kanal) disajikan
pada Gambar 4. Pemahaman mengenai berbagai pola tersebut sangat penting untuk strategi
untuk membedakan berbagai obyek. Berdasarkan pemahaman tersebut dibangun berbagai
indexvegetasi,yangmerupakanpembagian/penambahan/pengurangandariberbagaikanal.
Diskusikan:
1. Apayangdapatdiidetifikasidenganjelasbilamenggunakanratiokanal3/Kanal4?
2. Apayangdapatdiidentifikasidenganjelasbilamenggunakanrationkanal4dengankanal3?

Hal:5dari7
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar4.Polareflektansiobyekpadaberbagaikanal(selangpanjanggelombang)

Ratioantara? ?Landsat5:4:3

TM3/TM4:Ratiobandiniakanmembedakansangatjelaslahankosong&lahanterbangun,tapitidak
bisa membedakan hutan, perkebunan dan vegetasi yang lain. Badan air dapat dibedakan dengan
menggunakanratioini.
TM4/TM3: Ratio band ini dapat digunakan untuk membedakan vegetasi, badan air dan tanaman.
Ratio band ini akan menonjolkan Hutan dan lahan terbuka. Karena hutan dan vegetasi mempunyai
nilaireflektansidiband4yangtingginamunakanmenyeranpadaband3.
TM5/TM7: Ratio band ini dapat membedakan dengan jelas air dan lahan terbuka, karena lahan
terbukapadaband7mempunyainilaireflektansirendahdanpadaband5tinggi,sedangkanpadaair
nilaireflektansiband5danband7.Lahanterbukaakanterlihatlebihterangdibandingkanbadanair.
Hal:6dari7
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
TM2/TM3: Ratio band ini dapat membedakan dengan jelas antara vegetasi/tanaman dengan lahan
terbuka,namuntidakbisamembedakanhutan,tanamandanbadanair.Ratioinitidakmemperjelas
perkotaan
TM3/TM2: Ratio band ini akan membedakan antara hutan dan tanaman, karena hutan akan
mempunyaitoneyanglebihgelapdibandingkantanaman.
TM4/TM5:Ratioiniakanmemperjelasbadanairyangterlihatlebihgelapdarivegetasi,karenaair
mengabsorbsiband4danmemantulkanlebihbesarpadaband5.
TM5/TM4: mampu membedakan lahan terbuka dengan vegetasi/tanaman, namun tidak bisa
membedakan tipe2 vegetasi, dan antara hutan dan tanaman. Pada ratio ini hutan dan air terlihat
gelap,sedangkanLahanterbukadanlahankeringterlihatlebihterang.
TM4 TM3/TM4 + TM 3 : Ratio ini dikenal dengan NDVI (Normalized Difference Vegetation Index) .
Sangat berguna untuk membedakan vegetasi dan non vegetasi. Vegetasi akan mempunyai nilai di
atas 0 dan non vegetasi (lahan terbuka, badan air, awan, bayangan awan) akan bernilai negative.
Vegetasi yang semakin aktif proses fotosintesisnya akan terlihat lebih terang (nilai NDVI nya lebih
tinggi).

Gambar5.Citraberbagairatiokanal
Hal:7dari7

MODUL
PELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Bogor,1525Februari2010

CITRARADAR
M.BuceSaleh

Kerjasama:

JAPANINTERNATIONALCOOPERATIONAGENCY FAKULTASKEHUTANANIPB

MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
CITRARADAR
M.BuceSaleh

Penginderaan jauh mikrowave menggunakan gelombang elektromagnetik dengan panjang


gelombang antara 1 cm 1 m. Panjang gelombang ini mampu menembus awan bahkan air hujan
sehingga relatif lebih bebas dari gangguan atmosferik. Pada penginderaan jauh mikrowave dapat
dioperasikan dengan menggunakan sensor pasif maupun aktif. Sensor pasif bekerja seperti sensor
thermalyaitumendeteksiemisialamienersimicrowavepermukaanbumi,biasanyadigunakandalam
kajian meteorologi, hidrologi dan oseanografi. Dalam sensor aktif, antenna sensor microwave akan
memancarkan sinyal dan kemudian menangkap kembali pancaran balik dari permukaan bumi.
Sensoraktifmempunyaibeberapakeuntunganseperti:
- Dapatmengambildatasetiapsaatbaiksiangmaupunmalam.
- Karena sinyak dibuat sendiri sehingga karakter sinyal dapat diatur sedemikian rupa (misalnya
panjang gelombang yang digunakan, polarisasi, sudut pandang dan lainlain) dan disesuaikan
dengankebutuhanpenggunaannya.
Sensor aktif dibagi dua menjadi sensor pencitra dan non citra. Radar merupakan sensor mikrowave
pencitraaktifberasaldariaplikasimiliter.
Sistem radar terdiri dari komponen transmitter, receiver, antenna dan recorder. Transmiter
digunakan untuk membangkitkan sinyal, dan ditransmisikan melalui antenna termasuk pancar
baliknyadaripermukaanbumi,kemudiansinyalbaliktersebutditerimaolehreceiverdandatasinyal
pancarbaliknyadicatatolehrecorder.Radarpencitramengambilcitradimanasetiappikselnyaberisi
angkadigitalyangsesuaidengankekuatansinyalpancarbaliknyadaripermukaanbumi.Enersibalik
dari setiap getaran radar dapat dirumuskan sebagai parameter fisik dan geometri iluminasi dengan
rumusradarberikut:

Pr=G
2

2
Pt/4
3
R
4

Dimana:
Pradalahenersiyangditerima
Gadalahbesaranantenna(gain)
adalahpanjanggelombang
Ptadalahenersiyangdipancarkan
adalahradarcrosssectionmerupakanfungsidarikarakterobjekdanukuranluasyangdiiluminasi.
Radalahjarakdariradarkeobjek.
Dari rumus diatas dapat dilihat bahwa terdapat tiga factor utama yang mempengaruhi nilai pancar
balik(backscatter),yaitu:
- Systemradar:panjanggelombang,antenna,dankekuatantransmisi
- Geometri citra radar: membatasi ukuran area yang diiluminasi yang dipengaruhi oleh lebar
sinar,sudutpandangdanjaraknya.
- Karakterobjek:kekasarandankomposisipermukaan,topografi,orientasi
Apasebenarnyayangdiukurolehsystemradar?
Hal:1dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Untuk dapat melakukan penafsiran citra radar dengan benar, penting untuk difahami apa yang
sebenarnya diukur oleh system radar. Transmitter menghasilkan sinyal microwave berupa getaran
yang dipancarkan pada interval tertentu (Pulse Repetition Frequency=PRF) yang difokuskan oleh
antennamenjadisebuahsinar.Sinariniberjalanmelaluiatmosferkemudianmengiluminasisebagian
permukaan bumi, yang kemudian dipancarkan balik melalui atmosfer lagi dan mencapai antenna
dimana intensitas sinyal diterima. Dari interval waktu, sinyal membutuhkan dua kali jarak antara
objek dan antenna, pada kecepatan cahaya, jarak diantara keduanya dapat dihitung. Untuk
membuat citra, sinyal balik sebuah getaran disample dan sample tersebut disimpan dalam sebuah
gariscitra.Sesuaidengangerakansensor,getaranemisi,citraduadimensi(2D)dibuat(satugetaran
menunjukkan satu garis). Oleh karena itu, sensor radar dapat mengukur jarak dan mendeteksi
intensitassinyalpancarbalik.

1.Polarisasi
Polarisasi sebuah gelombang elektromagentik merupakan hal yang penting di bidang penginderaan
jauh radar. Tergantung kepada gelombang transmisi dan yang dterima balik, polarisasi dapat
menghasilkanpenampakancitrayangberbeda.Polarisasidapatdilakukanuntukarahhorizontaldan
vertical secara berlawanan disebut cross polarized (HV, VH) atau arah yang sama disebut polarized
(HH, VV). Penggunaan polarisasi dan panjang gelombang yang berbeda dapat menggali informasi
lebihberagam.

Gambar1.Gelombangelektromagnetikmenurutbidanglistrikdanbidangmagnetik

2.GeometriRadar
Wahana pembawa sensor radar bergerak sepanjang jalur terbangnya. Jalur terbang memanjang
terletak pada nadir, sedangkan iluminasi radar pada permukaan bumi berupa lebar sapuan (swath)
terletak menjauh dari nadir. Arah sepanjang jalur terbang disebut sebagai azimuth, sedangkan arah
tegaklurusnyadisebutRange.
Sensorradarmerupakaninstrumentpenginderamenyamping(sidelooking).Citrayangpalingdekat
denganjalurnadirdisebutnearrange,sedangkanyangterjauhdisebutdenganfarrange.
Sudut pandang didefinisikan sebagai sudut antara sinar radar dengan garis vertical local. Dari near
rangesampaifarrange,sudutpandanginiakanmeningkat.Perludiperhatikanbahwasudutpandang
sensor dengan sudut pandang local, yang merupakan sudut yang terbentuk karena perbedaan
topografi dan kelengkungan bumi yaitu sudut antara sinar radar dengan permukaan normal local.
Sensor radar mengukur jarak antara objek dengan antenna, ini disebut sebagai slant range,
sedangkanposisinyadimukabumidisebutgroundrange.
Hal:2dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar2.SudutpandangsensordansudutpandanglocalpadaSAR.

Gambar3.SlantrangedanGroundrangesertapembentukanforeshortening,layover,bayangan

2.ResolusiSpatial
Dalam penginderaan jauh radar, citra dibentuk dari sinyal transmisi dan backscattered. Apabilia
sebuah getaran tunggal membentuk satu elemen dalam citra disebut Real Aperture Radar (RAR).
Resolusi pada arah slant range dan azimuth didefinisikan oleh panjang gelombang dan lebar
antenna. Karena resolusi spatial pada arah range dan azimuth ditentukan oleh parameter yang
berbeda, maka besaran resolusi spatial pada kedua arah tersebut juga akan berbeda. Untuk
keperluanpengolahancitradanpenafsiranbiasanyadatacitraperludiresamplemenjadipikselyang
sama besarannya di kedua arah tersebut, misalnya menjadi 50 m x 50 m atau 12.5 m x 12.5 m,
tergantungparameteryangdiaturdalamperangkatlunakpengolahannya.

4.ResolusiSlantrange
Resolusi slant range didefinisikan sebagai jarak dua objek di muka bumi yang mempunyai dua
getaranyangberbedadarisinyalbaliknya.Denganperkataanlain,duaobjekdapatdipisahkanpada
arah range apabila mereka terpisah minimum setengah gelombang. Resolusi slant range tidak
tergantungdenganjarakrange,akantetapipadapermukaanbumiresolusigroundrangetergantung
besaransudutpandang.

Hal:3dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
5.ResolusiAzimuth
Resolusiazimuthtergantungpadalebarsinardanjarakrange.Lebarsinarradarproporsionaldengan
panjanggelombangdanberbandingterbalikdenganlebarantena(aperture),denganperkataanlain
makinpanjangantenna,makinfocussinarnyamakamakintinggiresolusiyangdiperoleh.

6.SintetikApertureRadar
Terlihat bahwa panjang antennaaperture akan membatasi sensor radar yang harus dibawa dalam
pesawat atau satelit. Disisi lain memperpendek panjang gelombang yang digunakan juga akan
membatasi penembusan awan. Oleh karena itu digunakan pendekatan memperpanjang aperture
secarasintetikbukanfisiknyadiperpanjang,dikenalsebagaisintetikapertureradar(SAR).Sistemini
membuat sintetik panjang antenna dengan memanfaatkan pergerakan wahananya dan
menggunakan beberapa sinyal backscatter dari objek yang sama untuk membangun seakanakan
antennayangsangatpanjang.

7.Distorsidalamcitraradar
Oleh karena geometri side looking, citra radar mempunyai distorsi geometric dan radiometric yang
besar, seperti adanya variasi skala (karena near range dan far range), foreshortening, layover,
bayangandannoisespeckle.
a.Distorsiskala
Radar mengukur jarak objek pada jarak slant range dan bukan jarak horizontal pada permukaan
bumi. Oleh karena itu, citranya akan memiliki skala yang berlainan dari arah near sampai far range.
Hal ini berarti objek pada daerah near range akan mengerut, sedangkan pada far range akan
mengembang. Untuk kebutuhan penafsiran, hal ini perlu dikoreksi dan ditranformasikan pada
geometrigroundrangedipermukaanbumi.
b.DistorsikarenaTerain
Samasepertihalnyapadasensoryangmelingkuppermukaanbumisecaraoblik,makacitraradarpun
akan sangat dipengaruhi oleh relief displacement. Pada kasus citra radar bahkan sangat berat. Efek
darireliefdisplacementinidalamcitraradarakanberupaforeshortening,layoverdanbayangan.
c.Foreshortening
Radarmengukurjarakpadaarahslantrange.Makaareayangmiring(slope)akanmengkerutdalam
citranya. Tergantung sudut antara slope dengan sudut pandang sensor, makin besar slope makin
pendek objek yang direkam. Distorsi maksimum akan dicapai apabila sinar radar tegak lurus
terhadapslope.Foreshorteningakanterlihatsangatcerahpadacitraradar.
d.Shadow
Apabila slope membelakangi sensor, maka sinar radar tidak dapat mengiluminasi areanya. Oleh
karenaitutidakadaenersiyangdipancarbaliksehinggaareatersebutakanterlihatgelap.Bayangan
dalam radar harus dibedakan dengan bayangan pada citra optic yang terjadi karena perbedaan
iluminasidarisinarmatahari.
e.Distorsiradiometric
Akibatdistorsigeometricsepertidijelaskansebelumnya,makahaltersebutjugaakanmempengaruhi
enersi yang diterima. Enersi pada daerah yang miringslope akan dipadatkan hanya beberapa piksel
sehingga nilaidigitalyang terekamakantinggikarenasebenarnyaberasaldarisekian banyakobjek.
Efek ini sangat sulit dikoreksi, bahkan beberapa menyatakan tdiak dapat dikoreksi. Namun dengan
Hal:4dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
demikian penampakan terrain atau topografi pada citra radar sangat jelas dan sangat membantu
dalammelakukanpenafsiran.
Efeklainadalahberupanoiseatauspeckle,yangpenampakannya serupadengan:saltandpepper.
Specklediakibatkanolehinteraksisinyalpancarbalikyangberagamdariberbagaiobjekyangadadi
areatersebut.Interaksigelombangdisebutdenganinterferensia,yangakanmembuatsinyalpancar
balik tersebut menghilang atau malah diperkuat sehingga akan menghasilkan piksel yang cerah dan
gelap bahkan untuk area yang homogeny sekalipun. Speckle akan menurunkan kualitas citra dan
membuatpenafsirancitraradarlebihsulit.

Gambar4.Citraradardenganspeckledancitraradaryangsudahdifilterspecklenya.

8.PengolahanMultilook
Speckle dapat dikurangi dengan cara pengolahan multilook dan cara filtering spatial. Dalam
pengolahan multilook, sinar radar akan dibagi menjadi sinarsinar yang lebih sempit. Setiap sinar
tersebut berasal dari sebuah objek yang sama. Kemudian dengan menghitung rataratanya, maka
citranya dapat diperoleh. Pengolahan multilook akan mengurangi resolusi spatial yang diperoleh.
Umumnyacitramultilookyangdapatdiperolehadalahcitra3look.

9.Penafsirancitraradar
Kecerahan (brightness) objek dalam citra radar tergantung dari kekuatan sinyal pancar baliknya
(backscattered). Dan jumlah enersi pancar balik sangat tergantung pada beberapa factor,
pemahaman mengenai hal ini akan sangat membantu untuk melakukan penafsiran citra radar
denganbaik.
Jumlah enersi pancar balik tergantung pada sinyal yang mengiluminasi (panjang gelombang,
polarisasi, sudut pandang dan lainlain) dan sifat objek terhadap iluminasi (kekasaran, bentuk,
orientasi,konstantadielektrikdanlainlain).
Faktoryangmempengaruhisinyaliluminasi:
Panjang gelombang radar mempengaruhi kedalaman penetrasi gelombang kedalam permukaan
objek,berartihalinimenentukanukuranobjekyangdapatberinteraksidengangelombang.Sebagai
contoh, panjang gelombang microwave yang pendek mungkin hanya akan penetrasi daun di tajuk
pohon (misalnya Band X=3 cm), sebaliknya panjang gelombang yang panjang (missal Band L=23cm)
akan penetrasi kedalam tajuk. Polarisasi microwave mempunyai peranan penting dalam menafsir
bentuk dan orientasi elemen scattering yang berasal dari permukaan objek. Sehingga penggunaan
polarisasi yang berbeda akan menghasilkan citra dengan penampakan yang berbeda dan mungkin
dapatdigunakanuntukmengidentifikasiobjeknya.

Hal:5dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Faktoryangmempengaruhipermukaanobjek:
Ukuranbackscatterdariobjeksamasepertireflectancedalamsystemopticadalahratioantarasinyal
emisidengansinyalyangditerimadanakanberlainantergantungdarijenisobjeknya.Nilaiinisering
disebut sebagai nilai radar cross section () dan dinyatakan dalam besaran decibel (db). Besarnya
nilai backscatter dari sebuah objek tergantung pada kekasaran permukaan (termasuk didalamnya
pengaruh biomas), konstanta dielektrik (kelembaban), orientasinya, dan bentuknya. Sebagai bagian
dari topografi, kekasaran permukaan adalah sifat terrain yang paling berpengaruh terhadap nilai
pancar balik objek. Tergantung kepada panjang gelombang dan sudut pandang sensor, sebuah
permukaan dapat terlihat kasar apabila perbedaan tinggi mendekati panjang gelombangnya.
Dalam citra radar, permukaan halus akan terlihat gelap sedangkan permukaan kasar akan terlihat
cerah, merupakan hasil perilaku scattering gelombang radar. Faktor lain yang penting adalah
konstanta dielektrik. Objek dengan kelembaban tinggi akan mempunyai sifat mengantar listrik
sehinggakonstantadielektriknyajugatinggi.

10.PolaScattering
Radarmempunyaipolascatteringyangberagamtergantungpadafaktorfaktoryangtelahdijelaskan
sebelumnya. Perubahan dalam sifatsifat kelistrikan objek akan mempengaruhi absorpsi, transmisi
dan refleksi sinyal balik mikrowave. Jika objek itu basah maka akan terjadi surface scattering. Jenis
refleksi dimulai dari spekular sampai dengan difuse dan double bounce, tergantung dari kekasaran
objek,makinlembabmakamakintinggikecerahannya.

a.DataPalsarresolusispatial12.5m:
DataPalsaryangtersediasebenarnyacukupberagam,antaralaindatapolarisasipenuh(LHH;LHV;
LVV;LVH),datadualpolarisasi(LHHdanLHV)padabeberaparesolusispatialtertentu(200m,50m
dan 12.5 m). Data Palsar 12.5 m merupakan data yang memuat informasi cukup detail, namun
biasanyadatainimengandungbanyaknoiseberupaspeckle.Baikuntukmelakukanpenafsiranvisual
maupun digital, speckle sangat mengganggu. Oleh karena itu biasanya perlu dilakukan pra
pengolahan dengan cara filtering atau enhancement spatial. Penampakan citra Palsar 12.5 m dapat
dilihatpadaGambar5.
Dari Gambar itu terlihat bahwa speckle terlihat sangat banyak, sehingga menyulitkan untuk
melakukan penafsiran bahkan untuk hanya identifikasi titik control. Pada band LHH terlihat
perkotaanmempunyaitingkatkecerahanpaling tinggi,danvegetasipadatseperti terdapatdi pulau
kecil di tengah sungai mempunyai tingkat kecerahan lebih rendah. Sedangkan pada band L_HV
perkotaanmaupunvegetasipadatterlihatmempunyaikecerahantertinggi.
Hal:6dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

HH

HV
Gambar5.PenampakanLHHdanLHVPalsarresolusi12.5mdidaerahPerkotaanBanjarmasin
(Sumberdata:JaxaMTI).
Hal:7dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
BerikutinipenampakanPalsarLHHdanLHVdidaerahberhutandanbergunungsepertiditunjukkan
dalamGambar6.DariGambariniterlihatbahwatingkatkecerahanvegetasipadatatauhutanlebih
tinggi pada band LHV dibandingkan dengan band LHH. Namun juga terlihat pada lerenglereng
tertentunilaikecerahandikeduabandjugatinggi.

HH

HV
Gambar6.PenampakanPalsarresolusi12.5mdidaerahberhutandanbergunung
Hal:8dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
DataPalsarresolusi50m:
DataPalsarresolusi50mlebihterlihathalus,bahkantidakterlihatadaspeckledidalamnya.Dataini
diolah dari data multilook atau bahkan multidate, sehingga speckle berkurang bahkan tidak ada,
namun resolusi spatialnya akan berkurang. Penampakan Palsar 50 m untuk dua daerah yang
dijelaskandiatasdapatdilihatdalamGambar7.

HH HV

HH HV
Gambar7.PenampakanPalsar50mdidaerahperkotaandandaerahberhutan.

Hal:9dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
CitraBerwarnaPalsar:
PenampakanbandtunggalLHHmaupunLHVterlihatsulituntukditafsirsecaralebihdetail.bahkan
padaresolusi12.5mkarenaadanyaspeckle.Olehkarenaitudiperlukancitraberwarnakarenamata
dapatmengenaliperbedaanwarnalebihmudahketimbangderajatkeabuan,haliniterutamaapabila
akandilakukanpenafsiransecaravisual.
Untukmembuatcitraberwarnadibutuhkan3setdatayangbisaditempatkanpadabidangwarnaR,
G dan B seperti dijelaskan dalam teori pembentukan warna. Padahal set data Palsar yang dimiliki
hanyadualpolarisasi,LHHdanLHV.
Data radar yang mengandung unsur tone dan tekstur memungkinkan kita bisa membuat band
sintetis, yaitu melalui dekomposisi polarisasi dan membuat karakter tekstur secara statistik.
Pembuatandekomposisidataradardapatdilakukansecarasederhanadenganmenggunakanrumus
aritmatik (penjumlahan dan perkalian) dan teknik principle component analysis (PCA) sebagai
berikut:
1) HH/HV
2) HHHV
3) HH+HV
4) (HHHV)/(HH+HV)
5) PCA.
Dengan demikian akan diperoleh 7 band termasuk 2 band original. Kombinasi citra berwarna yang
dapat dibuat dari 7 band adalah sebanyak 35 buah kombinasi. Sehingga perlu dilakukan pemilihan
kombinasi yang paling sesuai. Untuk melakukan pemilihan kombinasi yang paling sesuai dapat
menggunakan criteria OIF dan kemiripannya dengan citra warna alami Landsat TM band 5 4 3.
Kriteria OIF merupakan ukuran keragaman data, artinya makin tinggi nilai OIF maka makin kaya
warna yang terbentuk. Namun perlu diingat kemampuan visual mata dalam membedakan warna
secara konsisten juga terbatas, sehingga perlu ukuran lain seperti kemiripannya dengan kombinasi
LandsatTM543dimanakitatelahterbiasa.
HasilperhitungannilaiOIFuntuk6lokasiyaituSumateraUtara,Halimun,Jogjakarta,Bali,Kalimantan
Selatan dan Jayapura dapat dilihat dalam Tabel 1. Dari Tabel tersebut terlihat bahwa nilai OIF
tertinggi untuk setiap lokasi terdapat pada kombinasi RGB yang berlainan. Hal ini dapat terjadi
karenanilaiOIFditentukanolehkeragamanpenutupanlahandanjenispenutupanlahannya.
Kombinasi 10 nilai OIF tertinggi kemudian didisplai, namun sekalipun kekayaan warnanya banyak
akantetapipenampakannyakurangdikenal.Sehinggaseluruhkombinasi(35buah)didisplaisatuper
satudandinilaipenampakan,terutamakemiripannyadenganpenampakanLandsatTM543.

Hal:10dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Tabel1.NilaiOIFpadaberbagaikombinasiRGBdibeberapalokasi
Halimun Jogja Papua Kalsel Sumut Bali
RGB OIF RGB OIF RGB OIF RGB OIF RGB OIF RGB OIF
467 5579 146 5387 167 2943 467 3440 367 4866 136 4849
146 5272 467 5336 567 2648 136 3417 136 4849 146 4645
147 4978 136 5068 367 2577 146 3391 356 4774 164 4645
136 4924 367 5027 156 2571 367 3341 467 4663 173 4328
367 4876 147 4950 467 2557 137 3191 146 4645 137 4328
137 4662 456 4750 136 2515 147 3180 456 4562 147 4145
456 4126 356 4742 267 2495 356 2564 137 4328 174 4145
356 4125 137 4651 146 2493 456 2517 147 4145 153 4043
357 3754 457 4226 126 2432 357 2265 357 4130 135 4043
457 3731 357 4224 157 2274 457 2231 135 4043 145 3864
135 3697 135 4191 356 2233 135 2226 457 3947 154 3864
145 3459 145 4190 456 2201 145 2120 145 3864 167 3496
246 2938 346 3297 137 2183 346 1919 167 3496 176 3496
167 2884 246 3161 147 2161 246 1894 567 3224 156 3150
346 2857 167 3149 256 2151 236 1888 156 3150 165 3150
567 2784 236 3005 127 2148 167 1884 236 3149 623 3149
156 2739 134 2956 357 2106 567 1826 246 3022 624 3023
247 2712 567 2954 257 1853 156 1782 267 2949 162 2900
236 2664 156 2901 457 1841 347 1762 126 2900 126 2900
347 2657 347 2897 236 1836 134 1750 157 2814 157 2814
124 2598 124 2802 246 1832 123 1741 237 2691 175 2814
267 2521 247 2796 135 1787 247 1722 256 2664 723 2691
126 2520 267 2656 125 1780 237 1709 123 2647 123 2647
256 2520 123 2655 145 1757 124 1699 346 2638 132 2647
134 2495 237 2654 237 1519 256 1676 127 2591 172 2591
123 2479 126 2629 247 1514 267 1667 247 2581 127 2591
157 2471 157 2617 123 1452 126 1659 124 2537 724 2581
237 2451 256 2483 346 1452 157 1577 235 2354 124 2537
127 2308 127 2379 124 1446 127 1496 257 2328 142 2537
257 2261 235 2328 347 1126 257 1472 125 2261 523 2354
125 2234 245 2327 235 1122 125 1438 245 2248 152 2261
235 2061 257 2203 245 1111 235 1299 347 2160 125 2261
245 2037 125 2159 134 1057 245 1255 134 2120 524 2248
345 1369 345 2094 345 694 345 747 345 1773 134 2120
234 466 234 620 234 414 234 358 234 613 143 2120

Dari penilaian yang dilakukan secara bersama dengan beberapa interpreter diperoleh kesepakatan
bahwa kombinasi yang dianggap memadai adalah kombinasi 1 2 4 (HH, HV, HH/HV). Beberapa
contohpenampakankombinasiwarnaPalsardapatdilihatpadaGambar8,9dan10.
Hal:11dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

HH,HV,HH/HV HH,HV,(HHHV)/(HH+HV)

HH,HV,(HH+HV) HH,HV,(HHHV)

HH,HV,PCA

Gambar8.KombinasiWarnaPalsardidaerahPerkotaan

Hal:12dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

HH,HV,HH/HV HH,HV,(HHHV)/(HH+HV)

HH,HV,(HH+HV) HH,HV,(HHHV)

HH,HV,PCA

Gambar9.KombinasiwarnaPalsardidaerahberhutan.
Hal:13dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN

Gambar10.KombinasiwarnaPalsardidaerahdatar,terbuka,pertanian.

Hal:14dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
BeberapaprinsipyangdapatdigunakandalammenafsirobjekpadacitrawarnaPalsar(HH,HV,
HH/HV)dapatdilihatdalamTabel2.
Tabel2.BeberapaprinsipyangdapatdigunakandalammenafsirCitrawarnaPalsarHH,HVdan
HH/HV.
PenutupanLahan PenampakanpadaCitraPalsar
Badanairmempunyaipermukaanhalusbagiradar,sehingga
yangterjadiumumnyaadalahsurfacescattering.Dengan
perkataanlainnilaibackscatterbaikpadaHHmaupunHV
rendah.Sehinggapenampakanwarnanyaadalahbiru
kebiruan.
Daerahyangdatarumumnyaterjadisepertibadanair,hanya
sajanilainyalebihtinggi.Sehinggapenampakanwarnanya
akanmiripungu
Daerahdatardengankandunganairtinggisepertisawah
yangsedangdibajakakanmempunyainilaibackscatterlebih
tinggikarenakemungkinankonstantadielektriknyabesar.
Sehinggapenampakanwarnanyaakankemerahan
Daerahdenganundulasiakanmemilikinilaibackscatterlebih
tinggi.Sehinggapenampakanwarnanyaakanmerahpink
kuning.
Daerahmiringtergantungorientasinyaterhadapsudut
pandangsensor(PalsarmelihatdariBaratketimur)akan
memilikinilaibackscattertinggikarenadapatterjadidouble
bouncescattering.Sehinggapenampakanwarnanyaakan
kekuningan.
Daerahbervegetasipadatakanmengalamivolume
scattering,nilaibackscatternyaakancukuptinggi.Sehingga
penampakanwarnanyaakankehijauan.
Daerahbervegetasidengandiameterlebihkecildankurang
padatakanmempunyaiwarnahijauyanglebihmuda.
Daerahbervegetasipadatdanlantainyamengandungair
akanmemberikannilaibackscatteryanglebihtinggi,
Penampakanwarnanyaakanhijaupadat.
Daerahbervegetasikurangpadatdanlantainyaberairakan
mempunyaiwarnahijaumuda.

Daerahbervegetasipadatdanmempunyaitopografi
bergelombangakanmempunyainilaibackscatterlebih
tinggi.Penampakanwarnanyahijau.
Hal:15dari16
MODULPELATIHANPENGGUNAANPALSARDALAMPEMETAANPENUTUPANLAHAN/HUTAN
Hal:16dari16
PenutupanLahan PenampakanpadaCitraPalsar
Daerahbervegetasikurangpadatpadadaerah
bergelombangakanmempunyainilaibackscattertinggi.
Penampakanwarnanyahijau
Daerahdengankemiringandanbervegetasipadatakan
mempunyainilaibackscatterlebihtinggi.Tergantung
orientasislopenya,penampakanwarnahijaukuning.
Daerahdengankemiringandanbervegetasikurangpadat
akanmempunyainilaibackscatterlebihtinggi.Tergantung
orientasislopenya,penampakanwarnahijaukuning.

Daerahterbangundidataranakanmemilikibackscatter
tinggiterutamapadabandLHH,karenakemungkinan
terjadidoublebouncescattering.Penampakanwarnanya
kemerahanpink.NamunpadaLHVpunkadangmemiliki
nilaibackscattertinggi.Sehinggadapatjugamempinyai
warnahijaukuning
Daerahterbangundidaerahmiringakanmemiliki
backscattertinggiterutamapadabandLHH,karena
kemungkinanterjadidoublebouncescattering.Penampakan
warnanyakemerahanpink.NamunpadaLHVpunkadang
memilikinilaibackscattertinggi.Sehinggadapatjuga
mempinyaiwarnahijaukuning