I.

PENDAHULUAN
A. Latar belakang

Sistem Informasi Geografis (SIG) adalah sebuah alat bantu manajemen

berupa informasi berbantuan komputer yang berkait erat dengan sistem pemetaan
dan analisis terhadap segala sesuatu serta peristiwa-peristiwa yang terjadi di muka
bumi. (Dulbahri, 1993)
Teknologi SIG mengintegrasikan operasi pengolahan data berbasis
database yang biasa digunakan saat ini, seperti pengambilan data berdasarkan
kebutuhan, serta analisis statistik dengan menggunakan visualisasi yang khas serta
berbagai keuntungan yang mampu ditawarkan melalui analisis geografis melalui
gambar-gambar petanya.
Menurut (Este dan Simonett, 1975) Interpretasi citra adalah kegiatan
mengkaji foto udara atau citra dengan maksud untuk mengidentifikasi objek dan
menilai arti pentingnya objek tersebut. Jadi di dalam interpretasi citra merupakan
penafsiran atau mengkaji citra dan berupaya mengenali objek melalui tahapan
kegiatan, yaitu:

Deteksi
Identifikasi
Analisis

B. Tujuan Praktikum
1. Mengetahui jenis dan kegunaan menu utama program ER Mapper serta
ArcView.
2. Mengetahui informasi dasar citra.
3. Menginterpretasikan beberapa objek dalam citra.

4. Mengklasifikasikan objek pada citra dengan kunci interpretasi serta teknik

supervised classification.

II. TINJAUAN PUSTAKA

Interpretasi citra adalah perbuatan mengkaji foto udara dan atau citra
dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek
tersebut. (Estes dan Simonett dalam Sutanto, 1994:7). Menurut Lintz Jr. dan
Simonett dalam Sutanto (1994:7), ada tiga rangkaian kegiatan yang diperlukan
dalam pengenalan obyek yang tergambar pada citra, yaitu:
1. Deteksi, adalah pengamatan adanya suatu objek, misalnya pada gambaran
sungai terdapat obyek yang bukan air.
2. Identifikasi, adalah upaya mencirikan obyek yang telah dideteksi dengan
menggunakan keterangan yang cukup. Misalnya berdasarkan bentuk,

ukuran, dan letaknya, obyek yang tampak pada sungai tersebut disimpulkan
sebagai perahu motor.
3. Analisis, yaitu pengumpulan keterangan lebih lanjut. Misalnya dengan
mengamati jumlah penumpangnya, sehingga dapat disimpulkan bahwa
perahu tersebut perahu motor yang berisi dua belas orang.
Pada proses pelaksanaan interpretasi citra, pengenalan objek merupakan
bagian yang sangat penting, karena tanpa pengenalan identitas dan jenis objek,
maka objek yang tergambar pada citra tidak mungkin dianalisis. Prinsip
pengenalan objek pada citra didasarkan pada penyelidikan karakteristiknya pada
citra. Karakteristik yang tergambar pada citra dan digunakan untuk mengenali
objek disebut unsur interpretasi citra. Ada tujuh kunci interpretasi citra, yaitu :

1. Rona dan Warna

Rona : Tingkat Kecerahan/kegelapan objek pada citra.
Warna : Wujud yang tampak oleh mata dengan menggunakan spektrum
sempit.
Contoh : Putih pada air sungai, menunjukkan sungai tersebut dangkal &
keruh. Warna Gelap, sungai tersebut dalam.
2. Bentuk : konfigurasi umum atau kerangka suatu objek.
Contoh : Gedung Sekolah umumnya berbentuk U, L, terkadang melingkar.
Gunung api bentuknya cembung.
3. Ukuran : Atribut objek yang berupa jarak, luas, tinggi, volume, dan
kelerengan (kemiringan).
Contoh : Rumah lebih kecil dari Gedung, Pabrik, Sekolah, dll.

4. Pola : Hubungan susunan keruangan dari suatu objek.

Contoh : Sawah polanya teratur, pemukiman teratur.
5. Tekstur : Frekwensi perubahan rona pada citra fotografi. Sering dinyatakan
dengan kasar, halus, teratur, seragam.
Contoh : Makam teksturnya lebih halus dibanding dengan pemukiman. Padi
dengan jagung lebih halus padi.
6. Bayangan : Dapat digunakan untuk menafsirkan objek, menunjukkan arah
angin, arah hadap foto. Jatuhnya kalau tidak barat timur.
Contoh : Cerobong asap pabrik akan lebih jelas kalau ada bayangannya.
7. Situs dan Asosiasi
Situs : Keadaan lingkungan yang melatar belakangi adanya objek tersebut.
Contoh : Surabaya berada di delta Brantas. Persawahan banyak terdapat di

dataran rendah.
Asosiasi : Keterkaitan antara objek yang satu dengan objek yang lain.
Contoh : Padi adanya pematang sawah & gubuk, padang rumput adanya

binatang ternak
(Santoso, 2012).

III.

METODE PRAKTIKUM
A. Alat dan Bahan
Alat dan bahan yang digunakan dalam praktikum ini adalah seperangkat
komputer yang dilengkapi dengan CD Room dan USB Mass Storage Device
Manager atau laptop, citra multispektral, program ER Mapper (versi 7.0 atau versi
7.1) dan ArcView (versi 3.2 atau versi 3.3).
B. Prosedur Kerja
1. Informasi Dasar Citra
a. Perangkat lunak ER Mapper dibuka dengan klik dua kali ikon ER
Mapper pada desktop. Dicatat menu dan kegunaannya yang ada pada
perangkat lunak tersebut dalam bentuk tabel hasil pengamatan.
b. Dibuka perangkat lunak ArcView dengan klik dua kali ikon ArcView
pada desktop. Dicatat menu dan kegunaannya yang ada pada perangkat
c.
d.
e.
f.
g.

lunak tersebut dalam bentuk tabel hasil pengamatan.

Citra multi spektral dipanggil pada perangkat lunak ER Mapper.
Dilakukan kalkulasi statistik pada citra.
Kotak algoritma pada tool bar diaktifkan.
Dipilih menu edit pada kotak algoritma untuk melihat informasi data.
Dipilih menu View pada menubar dan submenu Geoposition untuk
melihat informasi citra.

2. Membuat Citra Komposit 751 dan Interpretasi Objek pada Citra

a. Perangkat lunak ER Mapper dijalankan dengan mengklik ikon pada
desktop.
b. Dipanggil citra landsat yang akan diolah dan diaktifkan kotak dialog
algoritma
c. Dilakukan kalkulasi statistic

d. Diaktifkan mode tampilan RGB dan akan muncul 3 lapis saluran yang
bisa diubah
e. Saluran merah, hijau dan biru diubah inputnya secara berurut menjadi
saluran 7, saluran 5 dan saluran 1
f. Dilakukan pemilihan dan pemotongan citra dengan mengatur ukuran
kotak peta serta menarik krusor pada lokasi yang diinginkan
g. Digunakan klik kanan pada kotak citra untuk memanggil menu tambahan
h. Diaktifkan menu Cell Value Profile untuk mengetahui rona objek yang
disorot pointer.
i. Diaktifkan menu Cell Coordinate untuk mengetahui kordinat objek yang
disorot pointer
j. Disorot berbagai macam objek yang berbeda penampakannya pada citra
k. Disimpan citra yang telah diolah sebagai citra baru
3. Membuat Kunci Interpretasi dengan ER Mapper
a. Dipanggil citra komposit yang telah dibuat sebelumnya
b. Dilakukan kalkulasi statistik pada citra
c. Pembuatan lapisan vector dilakukan dengan mengklik tombol open map
composition pada kotak algoritma
d. Pembuatan kunci interpretasi dilakukan dengan menggambar sebuah
bidang pada satu daerah di citra yang mewakili klasifikasi tertentu
e. Penggambaran bidang dapat dilakukan dengan Polygon pada kotak
perangkat
f. Bidang yang telah digambar disimpan sebagai Raster Region pada citra
yang akan diklasifikasikan.
4. Klasifikasi Citra dengan Teknik Supervised Classification
a. Dipanggil kembali citra komposit yang telah dibuat kunci interpretasinya
b. Dilakukan kalkulasi statistic pada citra
c. Pengklasifikasian peta dilakukan dengan mengaktifkan menu Supervised
Classification di sub menu Process di menu bar
d. Kotak output diisi dengan nama file baru

e. Digunakan tipe klasifikasi Maximum Classification Standard lalu klik

OK untuk memulai klasifikasi
f. Dipanggil citra yang telah diklasifikasikan
g. Diaktifkan mode Classification pada kotak lapisan
h. Warna untuk setiap kelas pada citra bias diubah melalui menu Edit pada
menu Bar
i. Citra disimpan dengan format BIL atau TIFF.

IV.

I.

HASIL DAN PEMBAHASAN

A. Hasil

LANSAT

Tabel 1. Informasi Dasar Citra

Nama File

LandsatTM6Band.ers

Jenis File

.ers

Alamat File

D:\IMAM\Bahan

Tipe Citra

2015\LandsatTM6Band.ers
Landsat

Tipe Data Citra

raster

Resolusi Citra

1322px X 1323px

Resolusi Spasial

30m X 30m

Jumlah Kanal

7
0,45 m - 0,52 m
0,52 m - 0,60 m
0,63 m - 0,69 m

Resolusi Spektrum

0,76 m - 0,900 m
1,55 m - 1,75 m
10,4 m - 12,5 m
2,08 m - 2,35 m

Praktik

SIG

Kiri atas

7:27:30.27S

108:46:56.62E
Kiri bawah

7:48:11.16S

108:46:43.46E
Koordinat

Kanan atas

7:27:29.36S

109:8:0.36E
Kanan bawah

7:48:17.25S

109:7:41.41E
Datum

WGS84

Proyeksi

SUTM49

Tabel 2. Interpretasi Citra

Jenis
Obyek

Lokasi
Rumah
7:44:8.49S

Warna
R 86
; G 33

109:0:49.72E
Pohon

B 41
R 68

7:31:50.22S

G 29

108:57:17.66E
Perahu

B 23
R 127

7:45:15.49S

G 51

109:4:49E
Pabrik

B 60
R 93

7:42:0.14S

G 41

108:59:56.52E

B 54

Tekstur

Kesimpulan
Halus

86
=1.058
78+79+80+88
4

68
=1.038
67+69+62+64
4

127
Halus
=1.233
102+ 97+111+84
4

93
Kasar
=0.992
87+99+ 81+ 108
4

Halus

Area

Masjid

R 82

7:43:7.65S

G 29

109:0:10.82E
Laut

B 40
R 87

7:44:37.17S

G 32

109:3:5.44E
Pemukiman

B 24
R 103

7:43:42.33S

G 45

109:0:20.4E
Hutan

B 60
R 64

7:45:16.39S

G 22

108:59:53.77E
Manggroove

B 16
R 82

7:43:28.44S

G 29

108:57:54.98

B 40

Halus

82
=1.054
76+80+79+76
4

Halus

86
=1.058
78+79+80+88
4

Kasar

87
=0.95
97+89+ 91+ 89
4

Halus

103
=1.078
80+95+ 99+89
4

Kasar

64
=0.992
63+65+65+65
4

)
)

Tabel 3. Klasifikasi Citra

Kelas
Manggroove
Hutan
Pemukiman
Laut

Jumlah Sel
41403
51973
90615
58990

Luas Area Kelas

3726.270
4677.570
8155.350
5309.100

II.

Foto Udara

Tabel 1. Informasi Dasar Citra

Nama File
Jenis File
Alamat File

FU_Clp_01.ers
.ers
D:\IMAM\Bahan

Tipe Citra
Tipe Data Citra
Resolusi Citra
Resolusi Spasial
Jumlah Kanal

2015\FU_Clp_01.ers
Foto Udara
Raster
1941px X 1700px
1m X 1m
3

Praktik

Resolusi Spektrum

Koordinat

Datum
Proyeksi

Kiri atas

5.08 ; 96.54

Kiri bawah

20.34; 1915.56

Kanan atas

1676.78 ; 66.05

Kanan bawah

1646.29 ; 1849.54

RAW
RAW

10

SIG

Tabel 2. Interpretasi Citra

Jenis

Obyek

Area

Lokasi
Kilang minyak

Warna
R 183

X : 1037.70

G 180

Y : 1052.46
Pipa

B 152
R 158

X: 1008.17

G 152

Y: 955.02
Rumah

B 106
R 93

X: 1110.54

G 89

Y: 1019.00
Padi

B 48
R 37

X: 1198.30

G 65

Y: 631.96
Pohon

B 47
R 34

X: 697.50

G 62

Y: 584.33
Sungai

B 58
R 131

X: 630.06

G 125

Y: 584.33
Pabrik

B 79
R 140

X: 960.34

G 129

Y: 1061.96
Pemukiman

B 78
R 59

X: 1468.45

G 65

Y: 1625.97
Sawah

B 34
R 69

X: 1026.39

G 98

Y: 497.95

B 59

Tekstur

Kesimpulan
Kasar

183
=0.997
180+87+183+84
4

158
=1.006 Halus
170+160+157+141
4
Halus

93
=1.002
117+ 93+ 87+74
4

Kasar

37
=0.954
33+35+41+ 46
4

Halus

34
=1.038
34+34 +30+33
4

131
Kasar
=0.998
126+128+136+135
4

140
Halus
=1.035
130+139+133+139
4
Kasar

59
=0.991
72+52+ 63+ 51
4

Halus

69
=1.057
66+68+68+59
4

Tabel 3. Klasifikasi Citra

Kelas
Lading
Sawah
Sungai

Jumlah Sel
461882
208751
160278

11

Luas Area Kelas

46.188
20.875
16.028

Pemukiman

912389

12

91.239

III.

SPOT

Tabel 1. Informasi Dasar Citra

Nama File
Jenis File
Alamat File

SPOT5PanCLP.ers
.ers
D:\IMAM\Bahan

Tipe Citra
Tipe Data Citra
Resolusi Citra
Resolusi Spasial

2015\SPOT5PanCLP.ers
spot
Raster
6477px X 6477px
2.500018355749658m

Jumlah Kanal

2.500018355749658m
3

Praktik

Resolusi Spektrum

Koordinat

Datum
Proyeksi

Kiri atas

16.91 ; 50.73

Kiri bawah

33.82 ; 6409.36

Kanan atas

6392.44 ; 67.64

Kanan bawah

6392.44 ; 6409.36

WGS84
GEODETIC

13

SIG

Tabel 2. Interpretasi Citra

Jenis

Obyek

Area

Lokasi
Kilang

Warna
R 195

minyak

G 255

X: 340.05

B 238

Y: 1492.06
Pabrik

R 70

X: 480.05

G 84

Y; 1253.14
Rumah

B 86
R 97

X: 345.67

G 79

Y: 1590.20
Pohon

B 69
R 58

X: 410.22

G 63

Y: 1079.49
Air

B 69
R 25

X: 364.87

G 51

Y: 1127.16
Sungai

B 66
R 23

X: 377.66

G 46

Y: 1151.58
Pabrik

B 62
R 204

X: 320.69

G 229

Y: 1456.26
Ladang

B 227
R 102

X: 569.61

G 93

Y: 1368.90
Sawah

B 70
R 54

X: 677.39

G 53

Y: 1337.11
Tabel 3. Klasifikasi Citra
Kelas
Pemukiman
Industry
Laut

B 59

Tekstur

Kesimpulan
195
Halus
=1.012
217+176+203+174
4

Kasar

70
=0.982
78+70+72+65
4

Halus

97
=1.051
95+90+ 93+91
4

Halus

58
=1.026
55+58+57+56
4

Sangat halus

25
=1
25+25+25+25
4

Kasar

23
=0.989
23+24+23+ 23
4

204
Halus
=1.133
134+228+138+220
4

104
Kasar
=0.997
111+106+ 104+96
4

54
=1.038
50+56+50+52
4

Jumlah Sel
91680
76560
664688

14

)
)
)
)

Halus

Luas Area Kelas

573084145845.438
478570268389.253
4154910064721.995

Kebun

57744

360952998666.001

B. Pembahasan
Interpretasi citra merupakan suatu kegiatan untuk menentukan bentuk dan
sifat obyek yang tampak pada citra, berikut deskripsinya.interpretasi citra dan
fotogrametri berhubungan erat, meskipun keduanya tidak sama. Bedanya,
fotogrametri berkepentingan dengan geometri obyek, sedangkan interpretasi citra
berurusan dengan manfaat, penggunaan, asal-usul, ataupun identitas obyek yang
bersangkutan.
Interpretasi dilakukan melalui pengamatan pada foto/citra yang telah
dipotong. Adapun keterangan dari pengamatan yang dicatat dari hasil interpretasi
yaitu jenis citra/foto udara, luas liputan (ha) dan jumlah piksel, jenis objek, posisi
lokasi geografi, hasil interpretasi (rona, bentuk, ukuran, tekstur) dan simpulan.
Dalam penerapan interpretasi ruang ini menggunakan landasan teori
interpretasi citra visual. Perencanaan wilayah dan kota memerlukan data-data
yang berkesinambungan, untuk memeroleh data yang berkesinambungan tersebut
diperlukan beberapa alat pendukung, seperti arcgis. Arcgis merupakan software
yang dirancang khusus untuk mengolah peta.Untuk mengolah peta, diperlukan
citra. Didalam citra terdapat Sembilan kunci interpretasi, yaitu (Bennema dan
Gelens, 1969) :

Rona dan Warna

Ukuran
Tekstur
Bentuk

15

Pola
Tinggi
Bayangan
Situs.
Asosiasi.
Nama objek
ER Mapper merupakan salah satu software (perangkat lunak) yang

digunakan untuk mengolah data citra. Beberapa perangkat lunak serupa yang juga
memiliki fungsi yang sama antara lain ERDAS Imagine, PCI, dan lain-lain.
Masing-masing software memilki keunggulan dan kekekurangannya masingmasing.

Gambar 1. Tampilan menu dalam perangkat lunak ER Mapper.c

Secara umum ada dua tipe tombol operasi pada ER Mapper, yaitu tombol
menu pulldown dan toolbar. Sebagian besar perintah operasional telah terfasilitasi
dalam menu pulldown, namun dalam kasus-kasus tertentu, menu toolbar sangat
efisien dan relatif lebih mudah digunakan.

16

Dalam memulai bekerja dalam ER Mapper Klik Open dari menu pulldown
Selanjutnya akan muncul dua jendela secara bersamaan, jendela VIEW dan FILE
REPOSITORY. Langkah pertama dalam pengolahan citra adalah mengimpor data
citra satelit yang akan digunakan ke dalam format ER Mapper. Pada umumnya
data disimpan dalam magnetic tape, CD-ROM atau media penyimpanan yang
lain. Bentuk data utama yang di-import adalah data raster dan vector
1. Mebuat data set
File data citra sumber tersimpan dalam file yang terpisah-pisah berdasarkan
band-nya masing-masing. Sebelum diolah, file-file tersebut harus digabungkan
menjadi satu dataset yang tercirikan dengan penggabungan beberapa file tersebut
menjadi satu. Langkah-langkahnya adalah sebagai berikut:
a. Klik load data set
b. Duplikasikan layer menjadi 7 (atau sesuai dengan jumlah band yang akan
digabungkan).
c. Kemudian isikan tiap layer dengan file band nya masing-masing dengan
men-klik LOAD DATASET.
Catatan :
- Untuk mengganti jenis layer klik kanan pada layer yang akan diganti.
- Untuk menduplikasi layer klik Duplicate atau copy layer
kemudian paste layer
- Untuk menghilangkan layer klik cut layer
- Untuk Menonaktifkan layer, klik kanan kemudian pilih Turn Off atau klik

d.

Bila telah lengkap terisi untuk seluruh band yang akan digabungkan,
tampilan jendela algoritm akan tampak seperti gambar disamping. Dalam

17

jendela ini, lakukanlah pengecekan ulang, apakah tiap layer band telah
berisi file band yang sesuai.
e. Selanjutnya pada menu utama, klik SAVE AS pada pulldown menu
FILE. Buat nama baru untuk dataset yang akan dibuat, tipe file yang
dipilih adalah ER Mapper Raster Dataset (.ers).

Gambar 2. Menu utama

2. Image pre-processing (Pra-pemrosesan citra)
Image pre-processing merupakan kegiatan pra-analisa data citra satelit.
Tujuan dari pengolahan data citra adalah mempertajam data geografis dalam
bentuk digital menjadi suatu tampilan yang lebih berarti bagi pengguna, dapat
memberikan informasi kuantitatif suatu obyek, serta dapat memecahkan masalah.
Data citra yang terekam sensor sangat dipengaruhi oleh kondisi atmosfer,
sudut pengambilan data dari sensor, dan waktu pengambilan data. Kondisi

18

tersebut menyebabkan data citra satelit memiliki bias nilai informasi yang harus
dikoreksi. Tahapan dalam pengolahan citra akan mengkoreksi/mereduksi bias
yang ditimbulkan tadi.
Kegiatan dalam pengolahan citra meliputi:

a. Radiometric correction (koreksi radiometric)

b. Geometric correction (koreksi geometric)
3. Radiometric correction (Koreksi radiometrik)
Koreksi radiometrik perlu dilakukan pada data citra dengan berbagai alasan:

a. Stripping atau banding seringkali terjadi pada data citra yang diakibatkan oleh
ketidakstabilan detektor. Striping atau banding merupakan fenomena ketidak
konsistenan perekaman detektor untuk band dan areal perekaman yang sama.

b. Line dropout kadang terjadi sebagai akibat dari detektor yang gagal
berfungsi dengan tiba-tiba. Jangka waktu kerusakan pada kasus ini
biasanya bersifat sementara.
c. Efek atmosferik merupakan fenomena yang disebabkan oleh debu, kabut,
atau asap seringkali menyebabkan efek bias dan pantul pada detektor,
sehingga fenomena yang berada di bawahnya tidak dapat terekam secara
normal.
Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang terdapat
dalam data citra dapat dengan jelas dibaca dan diinterpretasikan. Kegiatan yang dilakukan
dapat berupa:

a. Penggabungan data (data fusion). Yaitu menggabungkan citra dari sumber yang
berbeda pada area yang sama untuk membantu di dalam interpretasi. Sebagai
contoh adalah menggabungkan data Landsat-TM dengan data SPOT.

19

b. Colodraping. Yaitu menempelkan satu jenis data citra di atas data yang lainya
untuk membuat suatu kombinasi tampilan sehingga memudahkan untuk
menganalisa dua atau lebih variabel. Sebagai contoh adalah citra vegetasi dari
satelit ditempelkan di atas citra foto udara pada area yang sama.

c. Penajaman kontras. Yaitu memperbaiki tampilan citra dengan memaksimumkan

kontras antara pencahayaan dan penggelapan atau menaikan dan merendahkan
harga data suatu citra.

d. Filtering. Yaitu memperbaiki tampilan citra dengan mentransformasikan nilainilai digital citra, seperti mempertajam batas area yang mempunyai nilai digital
yang sama (enhance edge), menghaluskan citra dari noise (smooth noise), dan
lainnya.

e. Formula. Yaitu membuat suatu operasi matematika dan memasukan nilainilai digital citra pada operasi matematika tersebut, misalnya Principal
Component Analysis (PCA).
4. Penajaman kontras citra (Transformasi)
Transformasi digunakan dalam meningkatkan kontras warna dan cahaya
pada suatu citra. Proses ini dilakukan guna mempermudah dalam proses
interpretasi dan analisis citra. Histogram adalah suatu tampilan grafik dari
distribusi frekuensi relatif dalam suatu dataset. Suatu kotak dialog transformasi
akan menampilkan histogram data masukan dan data keluaran setelah
ditransformasi, dan garis transformasi
Langkah-langkah pengkontrasan adalah :
a. Untuk mengkontraskan data dengan menghilangkan 1 % informasi klik
pada jendela algoritma.

20

b. Untuk mengkontraskan data secara manual klik akan keluar tampilan

sebagai berikut.

c. Kesembilan icon di sebelah kanan adalah berbagai jenis stretch yang

umum digunakan antara lain transformasi linier, histogram equalisasi,
gausian, dll. Untuk mengetahui jenis transformasi untuk setiap icon
letakkan cursor beberapa saat di atas icon.
d. Untuk mengganti layer yang akan diubah kontrasnya klik R ,G , dan B .
5. Filtering
Filtering merupakan proses perubahan nilai piksel dalam dataset sesuai
dengan nilai piksel disekelilingnya. Filtering merupakan operasi lokal dalam
pengolahan citra yang dilakukan guna memudahkan interpretasi visual.
Filter spasial yang digunakandibagi menjadi tiga katagori umum, yaitu :

a. Filter lolos rendah (low pass filter) adalah filter yang digunakan untuk
memperhalus kenampakan (smoothing and averaging) dengan meratakan noise
dan menghilangkan spike pada cittra.

b. Filter lolos tinggi (high pass filter) adalah filter yang digunakan untuk
menajamkan penampakan pada citra seperti jalan, patahan lingkungan air dan
tanah dengan menekan frekuensi tinggi tanpa mempengaruhi bagian dari
frekuensi rendah citra.

21

c. Filter deteksi sisi (edge detection filter) adalah filter yang digunakan untuk
menampakkan sisi disekitar suatu obyek untuk memudahkan kegiatan
analisis.
Beberapa jenis filter yang dapat digunakan dari kumpulan filter yang ada di
ER Mapper, seperti filter untuk averaging, edge enhancement, laplacian, noise
removal, sharpening, threshold, median, dan gradient. Kita juga dapat
mendefinisikan dan memasukkan filter-filter khusus yang kita buat sendiri. Filter
dapat digunakan untuk meningkatkan tampilan citra, menajamkam citra,
meratakan dan menghilangkan noise atau bising.
6. Geometric correction (Koreksi geometrik)
Sebelum data citra dapat diolah, sistem proyeksi/koordinat peta harus
didefinisikan dan disesuaikan terlebih dahulu dengan areal kerja atau dengan data
spasial yang telah ada sebelumnya. Dalam koreksi geometrik, istilah rektifikasi
digunakan bila data citra dikoreksi dengan peta dasar sebagai acuannya.
Sedangkan untuk data citra yang dikoreksi dengan acuan citra lain yang telah
terkoreksi digunakan istilah registrasi.
Koreksi geometrik atau rektifikasi merupakan tahapan agar data citra dapat
diproyeksikan sesuai dengan sistem koordinat yang digunakan. Acuan dari koreksi
geometrik ini dapat berupa peta dasar ataupun data citra sebelumnya yang telah
terkoreksi. Secara umum, dalam ER Mapper sendiri terdapat empat tipe
pengoperasian rektifikasi:
a. Image to map rectification,

22

b. Image to image rectification,

c. Map to map transformation, yaitu mentrasformasikan data yang terkoreksi
menjadi datum/map projection yang baru.

d. Image rotation, memutar citra menjadi beberapa derajat

Koreksi geometrik dilakukan dengan menggunakan acuan titik kontrol yang
dikenal dengan Ground Control Point (GCP). Titik kontrol yang ditentukan
merupakan titik-titik dari obyek yang bersifat permanen dan dapat diidentifikasi di
atas citra dan peta dasar/rujukan. GCP dapat berupa persilangan jalan,
percabangan sungai, persilangan antara jalan dengan sungai (jembatan) atau objek
lain.

7. Penentuan Titik Kontrol (GCP)

Penetuan titik kontrol dalam koreksi geometrik dilakukan bersamaan
dengan proses geo-coding. Langkah awalnya adalah mengaktifkan Geocoding
Wizards yang dibuka melalui menu pulldown PROCESS.

Gambar 3. Pengaktifan Geocoding Wizards melalui pulldown process.

23

Secara prinsip perbedaan dari berbagai metode geocoding adalah sebagai berikut:

a. Metode Triangulasi (Triangulation method) dilakukan dalam proses rektifikasi

untuk mereduksi pergeseran (distorsi) lokal. Biasanya dilakukan pada data foto
udara untuk memperbaiki pergeseran data akibat pergerakan sensor yang yang
tidak stabil.

b. Metode Polinomial (Polynomial method) dilakukan bila koreksi yang dilakukan

meliputi keseluruhan areal data citra (tidak bersifat lokal) seperti halnya metode
yang pertama.

c. Metode Ortorektifikasi dengan menggunakan GCP (Ortorectify using GCP)

memperbaiki foto udara akibat distors pergerakan sensor foto udara pada pesawat
dan pergeseran data ketinggian. Dalam proses rektifkasinya, metode ini
membutuhkan foto udara, GCP sampai dengan informasi ketinggiannya, dan file
Digital Elevation Model (DEM).

d. Metode Ortorektifikasi dengan menggunakan eksterior orientation hampir mirip

dengan metode ortorektifikasi sebelumnya, hanya tidak perlu mengunakan GCP,
selama eksterior orientasinya telah diketahui.

e. Metode Map to map reprojection dilakukan untuk merubah proyeksi peta satu ke
proyeksi peta lainnya.

f. Metode Known point registration dilakukan pada citra yang sudah

berkesesuaian

dengan

poyeksi

data

acuan.

Penentuan

dilakukan

berdasarkan atas titik sudut koordinat citra acuan yang telah diketahui.
g. Metode Rotasi (Rotation method) dilakukan untuk memutar data citra
berlawanan dengan arah jarum jam. Informasi yang dibutuhkan adalah
sudut perputaran dalam derajat menit dan detik atau dalam desimal.
8. Klasifikasi multispektral (Image classification)

24

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan

untuk memperoleh informasi thematik dengan cara mengelompokkan suatu
fenomena/ obyek berdasarkan kriteria tertentu. Asumsi awal yang harus
diperhatikan sebelum melakukan klasifikasi multispektral adalah bahwa tiap
obyek dapat dikenali dan dibedakan berdasarkan nilai spektralnya. Salah satu
contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan
informasi mengenai jenis penutup lahan ( vegetasi kerapatan tinggi yang
berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah,
lahan terbangun dan lainnya
Secara umum, metode klasifikasi terbagi menjadi dua:

1. Klasifikasi tidak terbimbing (unsupervised classification)

2. Klasifikasi terbimbing (supervised classification)
A. Klasifikasi tidak terbimbing
Klasifikasi tidak terbimbing merupakan metode yang memberikan mandat
sepenuhnya kepada sistem/komputer untuk mengelompokkan data raster
berdasarkan nilai digitalnya masing-masing, intervensi pengguna dalam hal ini
diminimalisasi. Jenis metode ini digunakan bila kualitas citra sangat tinggi dengan
distorsi atmosferik dan tutupan awan yang rendah. Namun, dalam banyak kasus,
terlepas dari kondisi citra yang bersangkutan, metode ini banyak digunakan untuk
memberikan gambaran kasar/ informasi awal.
Beberapa tahapan proses klasifikasi tidak terbimbing adalah sebagai berikut:

25

a. Dalam menu pulldown PROCESS terdapat beberapa pilihan metode

CLASSIFICATION, dalam hal ini pilihlah ISOCLASS UNSUPERVISED
CLASSIFICATION
b. Isilah menu yang disajikan, masukkan file citra yang telah terkoreksi
secara geometrik pada kolom Input Dataset.
c. Pilihlah band-band yang akan digunakan dalam proses klasifikasi ini pada
kolom Band to use. Dalam hal ini suatu band sangat spesifik untuk
mengidentifikasi suatu fenomena permukaan tertentu.
d. Dalam kolom Output Dataset buatlah nama file baru untuk hasil
klasifikasi yang akan dilakukan.
e. Pada menu option Starting Classes, pilihlah autogenerate dengan nilai 1
untuk mengenarisasi tiap piksel data.
f. Iterasi merupakan pengulangan tiap proses yang dilakukan sistem, nilai
pada kolom maksimum iteration mengindikasikan jumlah pengulangan
yang pengguna inginkan pada setiap langkah proses generate yang
dilakukan sistem. Tentunya semakin tinggi nilai iterasinya maka semakin
baik kualitas yang dihasilkan
g. Masukan jumlah kelas yang diinginkan pada kolom maksimum number
of class.
h. Selanjutnya untuk pilihan yang lainnya dapat diisi berdasarkan kebutuhan
dan tingkat keakuratan yang diiginkan.

26

Gambar 4. Tampilan hasil berdasarkan contoh pengisian untuk pemilihan

kelas, iterasi atau pengulangan serta tingkat keakuratan
i. Klik OK untuk menjalankan proses klasifikasi
j. Selanjutnya akan muncul processing status yang akan menginformasikan
tahapan iterasi yang sedang berjalan, sampling, dan kelompok kelas yang
sedang dikerjakan.
k. Bila information box yang menginformasikan bahwa proses sudah selesai
telah muncul, maka klik OK.
l. Tutup processing status dengan mengklik tombol CLOSE. Tutup jendela
dialog Unsupervise Classification dengan mengklik tombol CANCEL.
m. Dalam menu puldown Process pilihlah Recalculate Statistic.
n. Klik OK bila notifikasi yang menginformasikan bahwa perhitungan
statistik telah selesai.
o. Selanjutnya editlah nama region dan komposisi warna citra hasil
klasifikasi. Fasilitas pengeditan dapat dibuka di menu puldown Edit. -->
Edit Class/Color region and Name.
p. Selanjutnya pilihlah file kelas hasil klasifikasi yang dilakukkan.
Pengeditan dilakukan terhadap nama kelas serta identitas warnanya
q. Buka kembali file kelas yang telah diedit, contoh tampilan nya akan
berupa sebagai berikut

27

Gambar 40. Tampilan pada hasil editing dengan menggunakan klasifikasi

tidak terbimbing
Mengacu pada proses dan hasil klasifikasi yang telah dilakukan nampak
bahwa metode klasifikasi tidak terbimbing kerap kali melakukan generalisasi yang
tidak sesuai dengan harapan pengguna. Dari contoh di atas dapat dilihat bahwa
beberapa kelompok data piksel yang teridentifikasi sebagai bayangan awan
dikelompokkan sama dengan badan air. Kondisi ini merupakan pengaruh dari
jumlah pembagian kelas yang kurang detil atau karena sebaran kualitas atmosferik
data pada citra yang tidak seragam. Kasus tersebut dalam metode klasifikasi
terbimbing tidak akan terjadi, karena pengguna akan menuntun sistem identifikasi
pada kelompok-kelompok piksel sehingga masuk kelompok kelas tertentu dalam
suatu training area.

B. Klasifikasi terbimbing
Klasifikasi terbimbing merupakan metode yang dipandu dan dikendalikan
sebagian

besar

atau

sepenuhnya

oleh

pengguna

dalam

proses

pengklasifikasiannya. Intervensi pengguna dimulai sejak penentuan training area

28

hingga

tahap

pengklasterannya.

Klasifikasi

terbimbing

dalam

hal

ini

mensyaratkan kemampuan pengguna dalam penguasaan informasi lahan terhadap

areal kajian.
Langkah-langkah dalam melakukan klasifikasi terbimbing adalah:
a. Bukalah file citra yang telah terkoreksi secara geometrik dan radiometrik,
melalui menu puldown FILE --> OPEN
b. Bukalah jendela algoritm dialog dengan membuka menu puldown VIEW
--> ALGORITHM
c. Editlah komposisi band nya sesuai kebutuhan pengguna, sebagai contoh
751
d. Tutuplah jendela Annotate vector layer, selanjutnya akan muncul
training area yang telah dideliniasi sebelumnya
e. Langkah selanjutya adalah membuat training area. Pada jendela algorithm,
klik EDIT --> Add Vector Layer --> Region layer.
f. Klik Annotate vektor layer untuk membuka jendela properties dalam
menggambar training area pada citra.

29

Gambar 5. Membuka jendela properties untuk menggambar training area

dalam citra.
g. Mulailah membuat training area, sebagai contoh berikut poligon yang
mendeliniasi training area untuk badan air

Gambar 6. Membuat training area untuk badan air.

h. Klik ABC untuk memberi nama region yang dibuat,
i. Klik save untuk men- save
j. Tutuplah jendela Annotate vector layer, selanjutnya akan muncul
training area yang telah dideliniasi sebelumnya

Gambar 6. Tampilan training area yang telah di deliniasi.

k. Klik PROCESS --> SUPERVISED CLASSIFICATION untuk memulai
klasifikasi

30

l. Masukkan file citra yang telah diberi training area, tentukan band-band
yang digunakan, tentukan nama file output, tentukan tipe klasifikasinya,
dan klik OK, dan selanjutnya akan muncul status bar berikut.
m. Bila telah muncul notifikasi berikut Prose lasifikasi telah selesai dan klik
close
n. Buka file hasil klasifikasi, dengan cara yang sama pada klasifikasi tidak
terbimbing, klik recalculate statistic pada menu puldown VIEW, edit
pewarnaan dan nama kelas nya pada EDIT --> Edit Class/ Region Colour
and Name

Gambar 7. Contoh hasil klasifikasi terbimbing

Warna hijau mewakili kondisi umum hutan, kuning untuk perkebunan, merah
untuk tanah terbuka, putih untuk awan, dan hitam untuk bayangan awan.

31

V.

KESIMPULAN DAN SARAN

A. Kesimpulan
1. Sistem Informasi Geografis (SIG) adalah suatu sistem yang dibangun untuk
mengumpulkan, mengolah, dan menginformasikan data-data yang berkaitan
dengan goegrafis. Sekarang ini SIG telah terintegrasi dengan penggunaan
computer untuk penginderaan jauh.
2. ER Mapper menggunakan suatu konsep pengolahan data yang dinamakan
algoritma, dimana algoritma ini membuat semacam tahapan-tahapan mandiri
dalam proses pengolahan citra.
3. ArcView merupakan salah satu perangkat lunak desktop Sistem Informasi
Geografis dan pemetaan yang telah dikembangkan oleh ESRI. ArcView
memiliki

kemampuan

untuk

melakukan

visualisasi,

meng-eksplore,

menjawab query (baik basis data spasial maupun non-spasial), menganalisis

data secara geografis, dan sebagainya.
4. Interpretasi citra adalah perbuatan mengkaji foto udara dan atau citra dengan
maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek
tersebut. Penginderaan jauh merupakan aktivitas penyadapan informasi

32

tentang obyek atau gejala di permukaan bumi (atau permukaan bumi) tanpa
melalui kontak langsung.

B. Saran
Asisten dapat lebih jelas dalam menyampaikan setiap langkah yang
dijalankan dan juga tidak terburu-buru sehingga praktikan dapat memahami
semua acara dengan baik.

33

DAFTAR PUSTAKA

Bennema J., and H.F. Gelens, 1969, Aerial Photointerpre-tation for Soil
Surveys.International Institute for Aerial Survey and Earth Sciences, ITC.,
Netherlands
Dulbahri. 1993. Sistem Informasi Geografis. Jakarta : Gramedia
Santoso, A. 2012. SIG. (On line)http://geografisekolah.blogspot.com/p/sigpenginderaan-jauh.html. diakses 10 juni 2015
Sutanto. 1986. Penginderaan Jauh Jilid 1 dan 2. Gadjah Mada University
Press.Yogyakarta.

34