Ekstraksi Data dari Citra Satelit

Data dari Citra Satelit

Data penginderaan jauh dapat memberikan berbagai informasi yang dapat digunakan untuk
ekstraksi informasi mulai dari penggunaan lahan, indeks vegetasi, indeks kebahasan, indeks
tanah, urban indeks dan sebagainya. Model ekstrasi ini berkembang sangat pesat baik pada
visualisasinya berupa rosulusi yang lebih besar dan data digital yang lebih variatif untuk
diolah menjadi berbagai informasi yang berguna.
Pemrosesan data secara digital dilakukan dengan menggunakan perangkat lunak (software)
yang khusus dibuat untuk keperluan tersebut. Berbagai algoritma tersedia di dalam perangkat
lunak tersebut yang memungkinkan data penginderaan jauh diproses secara otomatik. Salah
satu contoh misalnya adalah menggabungkan data (3 -4 band) dalam citra gabungan dengan
menggunakan filter merah, hijau dan biru (RGB) yang menghasilkan citra komposit (color
composite image). Masing-masing band diberi filter yang berbeda dan menghasilkan
berbagai tampilan.
Selain untuk mengubah tampilan citra pemrosesan digital dapat pula dipakai untuk
memperoleh data secara otomatik (ekstraksi data). Ekstraksi ini antara lain dapat dipakai
untuk memetakan tanaman hijau (NDVI), klasifikasi (supervise dan unsupervise) seperti
dalam memetakan tutupan lahan (landcover), memetakan badan air dan sebagainya.
Pengolahan pada citra contohnya ALOS AVNIR-2 diawali dengan melakukan koreksi
radiometrik dan koreksi geometrik. Koreksi radiometrik dilakukan untuk menghilangkan efek
atmosfer sehingga nilai piksel menunjukkan nilai pantulan objek dipermukaan bumi. Koreksi
geometrik dilakukan dengan metode image to map berdasarkan peta Rupa Bumi Indonesia
skala 1 : 25.000 yang dibuat oleh Bakosurtanal. Koreksi geometrik meliputi dua tahap yaitu
Interpolasi spasial metode polinomial orde 1 dan resampling dengan nearest neighbor.
Interpolasi spasial metode polinomial orde 1 mengoreksi posisi piksel sehingga setelah
dikoreksi mendekati posisi sebenarnya di permukaan bumi menggunakan Ground Control
Point (GCP). Resampling dengan nearest neighbor untuk mengembalikan nilai piksel citra
akibat adanya perubahan nilai piksel yang dikarenakan perubahan posisinya. Hasil dari
koreksi ini adalah citra yang siap digunakan untuk analisis.
Contohnya digunakan untuk transformasi indeks vegetasi. Transformasi indeks vegetasi
NDVI dijalankan pada citra yang sudah terkoreksi. Hasil dari transformasi NDVI merupakan
nilai indeks dengan rentang -1 sampai 1. Nilai indeks vegetasi selanjutnya digunakan untuk
pembuatan model untuk mendapatkan nilai kerapatan vegetasi.
Nilai NDVI mencerminkan keberadaan vegetasi. Dari analisis nilai NDVI terhadap penutup
lahan diperoleh hubungan bahwa nilai indeks yang rendah terdapat pada lahan terbangun.
Nilai indeks dalam rentang 0-1 merupakan daerah dengan tutupan vegetasi dengan kerapatan
yang berbeda-beda. Nilai indeks ini tidak bisa langsung diturunkan menjadi nilai kerapatan
vegetasi, namun hal ini bisa ditempuh melalui sebuah model dengan mengetahui hubungan
antara nilai indeks dengan kerapatan vegetasi.
Berdasarkan Instruksi Presiden No, 6 Tahun 2012; bahwa Lembaga Penerbangan dan
Antariksa Nasional, sesuai degan fungsi melakukan kegiatan-kegiatan yaitu. a. menyediakan
data satelit penginderaan jauh resolusi tinggi dengan lisensi Pemerintah Indonesia; b.

meningkatkan kapasitas dan operasi sistem akuisisi data satelit penginderaan jauh resolusi
tinggi; c. melaksanakan penyediaan data satelit penginderaan jauh resolusi tinggi sesuai
dengan ketentuan peraturan perundang-undangan; d. melakukan pengolahan data satelit
penginderaan jaug resolusi tinggi berupa koreksi radiometrik dan spektral; e. membuat
metadata atas data satelit penginderaan jauh resolusi tinggi sesuai dengan Standar Nasional
Indonesia; f. melakukan penyimpanan data satelit penginderaan jauh resolusi tinggi; dan g.
bersama dengan Badan Informasi Geospasial melakukan pengendalian kualitas terhadap data
satelit penginderaan jauh resolusi tinggi. Badan Informasi Geospasial (BIG) melakuakan
kegiatan-kegiatan sebagai berikut; a.meningkatkan kapasitas dan operasi sistem pengolahan
data satelit penginderaan jauh resolusi tinggi untuk keperluan survei dan pemetaan nasional;
b. membuat citra tegak satelit penginderaan jauh resolusi tinggi untuk keperluan survei dan
pemetaan berdasarkan hasil pengolahan atas data satelit penginderaan jaug resolusi tinggi
berupa koreksi radiometrik dan spektral yang dilakukan oleh Lembaga Penerbangan dan
Antariksa Nasional; c.melaksanakan penyimpanan dan pengamanan citra tegak satelit
penginderaan jauh resolusi tinggi; d. melaksanakan penyebarluasan citra tegak satelit
penginderaan jauh resolusi tinggi melalui Infrastruktur Data Spasial Nasional.
Digital Elevation Model, selain dapat dibuat dari data kontur atau titik ketinggian melalui
proses interpolasi, dapat juga dibuat dari citra satelit stereo melalui proses ekstraksi dem
stereoskopis. DEM sendiri dapat dimanfaatkan untuk berbagai kepentingan seperti
pembuatan peta lereng, peta aspek, menghitung volume galian, perencanaan BTS, pembuatan
kontur dan lain lain. Untuk membuat DEM dari citra stereo, diperlukan software yang
mendukung fungsi tersebut. Beberapa software yang sudah mendukung untuk pembuatan
DEM dari citra stereo antara lain ENVI, ERDAS IMAGINE, PCI Geomatica, dan SOCET
SET.
Pemrosesan data secara digital dilakukan dengan menggunakan perangkat lunak (software)
yang khusus dibuat untuk keperluan tersebut. Berbagai algoritma tersedia di dalam perangkat
lunak tersebut yang memungkinkan data penginderaan jauh diproses secara otomatik. Salah
satu contoh misalnya adalah menggabungkan data (3 -4 band) dalam citra gabungan dengan
menggunakan filter merah, hijau dan biru (RGB) yang menghasilkan citra komposit (color
composite image). Masing-masing band diberi filter yang berbeda dan menghasilkan
berbagai tampilan
Adapun jenis sensor citra satelit yang sudah mendukung pencitraan stereo antara lain ALOS
PRISM, ASTER, CARTOSAT-1, FORMOSAT-2, GeoEye-1, IKONOS, KOMPSAT-2,
OrbView-3, Quickbird, WorldView-1, dan SPOT 1-7. Mekanisme perekaman stereo-nya bisa
along track stereo viewing atau across track stereo viewing. Along track merupakan
mekanisme perekaman stereo spontan sepanjang track satelit. Perekaman along track
biasanya dilakukan oleh satelit yang mempunyai dua atau lebih sensor stereo yang merekam
permukaan bumi dari berbagai sudut. Contoh sensor yang menerapkan along track stereo
viewing antara lain ASTER, ALOS PRISM, SPOT HRS, CARTOSAT-1, FORMOSAT-2.
Adapun perekaman across track merupakan mekanisme perekaman stereo lintas track.
Perekaman across track dilakukan menggunakan satu sensor tapi dari lintasan orbit yang
berbeda dan pada waktu yang berbeda. Contoh sensor yang mendukung across track stereo
viewing antara lain IKONOS, Quickbird, SPOT 5 HRG, OrbView, dan GeoEye.
Proses ekstraksi DEM memerlukan sebuah pasangan citra stereo, informasi hubungan
pasangan citra stereo dan informasi hubungan geometris sensor dan permukaan bumi.

Informasi ini disimpan dalah sebuah file yang disebut RPC (Rational Polynomial Coefficient)
file. RPC ini digunakan untuk menurunkan Tie Points dan menghitung hubungan geometris
pasangan citra stereo. Untuk citra yang menggunakan format HDF seperti ASTER dan
LANDSAT, informasi RPC tersimpan dalam File HDF. Sedangkan untuk format lain
biasanya disimpan dalam file terpisah.
Koreksi Data Sebelum Ekstraksi
Distorsi geometrik merupakan distorsi spatial, yaitu terjadi pergeseran posisi spatial citra
yang ditangkap. Distorsi geometrik ini disebabkan oleh kesalahan yang terjadi seperti
kerusakan sensor (internal), platform (external) dan gerakan bumi. Koreksi yang dilakukan
bila terjadi distorsi bersifat sederhana, seperti centering (translasi), size (skala), skew (rotasi).
Gambar dibawah menggambarkan matriks transformasi. Koreksi geometrik bila terdapat
distorsiyang bersifat kompleks adalah image registration/rectification, misal dengan bilinear
transformation dan least square method.
Koreksi Radiometrik muncul dalam bentuk distribusi intensitas yang tidaktepat. Sumber
distorsi ini adalah kamera (internal) dalam bentuk shading effect, atmosfer (external) dalam
bentuk besarnya intensitas yang tidak sama walaupun untuk obyek yang kategorinya sama,
akibat adanya kabut, posisi matahari atau substansi atmosfir lainnya. Koreksi yang dilakukan
untuk jenis distorsi ini adalah dengan teknik filtering.
Koreksi topografi (topographic correction) disebabkan oleh pengaruh sudut elevasi matahari,
sehingga menyebabkan perubahan pencahayaan pada permukaan bumi karena sifat dan
kepekaan objek menerima tenaga dari luar tidak sama serta perubahan radiasi permukaan
objek disebabkan oleh perubahan sudut pengamatan sensor. Perubahan radiasi permukaan
objek menyebabkan perubahan kecerahan citra. Perubahan sudut penyinaran matahari
terhadap zenit dan jarak matahari ke bumi mempengaruhi irradiasi matahari yang sampai ke
objek di permukaan bumi, sehingga menyebabkan perubahan pada nilai piksel pada rekaman
gambar di permukaan bumi. Oleh karena itu, koreksi topografi bertujuan untuk
mengembalikan nilai keabuan elemen gambar (piksel) pada nilai yang sebenarnya (Purwadhi,
2008). Ada beberapa metode yang digunakan dalam koreksi topografi, yaitu Cosine
Correction, Minnaert Correction, dan Normalization Method (Law and Nichol, 2007).
Contoh Ekstraksi Data Menggunakan ArcGIS
A. NDVI
1. Buka Image Analysis Toolbar Options dari Image Analysis Toolbar (bagian yang
dilingkari merah) kemudian di Tab NDVI set Red channel ke angka 3 dan Near
Infrared Channel ke angka 4, kemudian centang juga scientific output.

2. Untuk membuat NDVI, klik nama layer landsat_purworejo.tif di image analysis

window, kemudian klik tool NDVI (bagian yang dilingkari merah). Layer NDVI
secara otomatis akan dibuat.

3. Simpan layer NDVI yang dihasilkan dengan cara klik tombol save, simpan
sebagai nama NDVI dengan format Tiff dan compression NONE.

B. NDBI
1. Buka kembali Image Analysis Toolbar Options dari Image Analysis Toolbar
(bagian yang dilingkari merah) kemudian di Tab NDVI set Red channel ke angka
4 dan Near Infrared Channel ke angka 5, kemudian centang juga scientific output.

2. Untuk membuat NDBI layer, ulangi persis langkah kedua pada pembuatan NDVI.
3. Simpan hasil dengan mengklik tombol save, format keluaran TIFF dan
Compression NONE.

C. REKLASIFIKASI
Hasil dari NDVI dan NDBI adalah sebuah layer dengan rentang nilai piksel mulai dari -1
sampai +1. Nilai -1 sampai 0 pada NDVI mencirikan obyek tanah dan lahan terbangung, nilai
0 mencirikan air, dan nilai 0 sampai 1 mencirikan vegetasi. Sedangkan pada NDBI adalah

sebaliknya. Reklasifikasi dilakukan untuk mengelompokkan piksel piksel dari kedua layer
(NDBI dan NDVI) ke dalam dua kelas, kelas nilai negatif dan nilai positif.
1. Buka ArcToolbox, lalu buka spatial analyst tools>Reclass>Reclassify. Setelah
menu reclassify terbuka, pilih layer NDVI sebagai input, kemudian reclass fieldnya adalah VALUE, kemudian klik tombol classify.

2. Di menu classification, pilih MANUAL, kemudia jumlah kelas 2, dan break value
diisi 0 dan 1 (artinya cuman ada dua kelas, dari -1 sampai 0 dan 0 sampai +1).
Kemudian klik OK.

3. Kemudian setelah kembali ke menu Reclassify, di kolom New Values berikan

angka 0 untuk kelas -1 sampai 0 dan 254 untuk kelas 0 sampai +1. Kemudian
tentukan juga lokasi penyimpanan (lihat gambar di bawah).

4. Lakukan langkah yang sama untuk layer NDBI.

5. Hasil NDVI dan NDBI Reclass ditunjukkan di gambar di bawah

6. Hasil nilai negative sampai 0 pada NDVI menunjukkan obyek air dan lahan
terbangun, sedangkan nilai 254 menunjukkan vegetasi. Untuk NDBI nilai 254
menunjukkan obyek lahan terbangun, sedangkan nilai 0 menunjukkan obyek air
dan vegetasi. Dengan demikian maka apabila NDBI dikurangkan dengan NDVI,
maka akan didapat matriks sebagaimana tabel di bawah.

Lahan terbangun

Air

Vegetasi

NDVI
NDBI
NDBI - NDVI

0
254
254

0
0
0

254
0
-254

7. Langkah berikut ini adalah untuk mengurangkan NDBI dengan NDVI sehingga
didapat layer baru dimana obyek vegetasi, air, dan lahan terbangun mempunyai
nilai berbeda (di NDBI dan NDVI masih ada obyek yang bernilai sama). Buka
ArcToolbox>Spatial Analyst Tools>Math>Minus. Masukkan NDBI hasil reclass
sebagai input 1 dan NDVI hasil reclass sebagai input 2. Tentukan lokasi
penyimpanan kemudian klik OK.

8. Hasil akhir nampak seperti gambar di bawah.

Daftar Pustaka
Lillesand dan Keifer . 1990. Penginderaan Jauh dan Interpretasi Citra (terjemahan). Gajah
Mada University Press. Yogyakarta.

Sutanto. 1986. Penginderaan Jauh Jilid I. Gadjah Mada University Press. Yogyakarta.