Sistem Informasi Sumber Daya Lahan

DATA SISDL DARI CITRA SATELIT

DENGAN ERMapper
I. Pendahuluan
Teknologi penginderaan jauh telah mengalami perkembangan yang sangat
pesat sejalan dengan perkembangan teknologi informasi, komunikasi dan
komputer.

Penginderaan jauh saat ini berorientasi pada teknologi satelit

sebagai wahana

pembawa sensor penginderaan jauh tersebut. Sebagai

sarana pengindera, sensor satelit pada masa sekarang ini juga telah
berkembangan dengan kemampuan yang jauh di atas kemampuan mata
manusia.
Citra satelit saat ini tersedia secara komersial dari berbagai satelit seperti dari
Landast-5, Landsat-7, SPOT-4, SPOT-5, Ikonos, Modis (Aster), Quickbird dan
lain-lain.

Wahana satelit ini membawa kamera atau alat sensor.

Sensor

tersebut digunakan untuk inventarisasi dan pemetaan sumberdaya alam di

permukaan bumi. Teknologi penginderaan jauh tersebut akan memberikan
efisiensi pada banyak segi seperti perolehan data yang cepat, akurat dengan
biaya dan tenaga operasional yang jauh lebih kecil di bandingkan dengan
teknologi konvensional.
Peta Citra Satelit merupakan gambaran suatu wilayah dari citra/foto rekaman
satelit yang sudah dikoreksi dan direktifikasi sesuai dengan posisi geometri dan
koordinat geografis (lintang dan bujur). Peta citra satelit dapat dibuat dengan
single band (saluran tunggal) atau komposit dengan saluran banyak
(multispektral bands).
Pada praktikum ini akan di perkenalkan mengenai teknologi penginderaan jauh
mutakhir sistem satelit untuk melakukan eksplorasi, pemetaan dan pengelolaan
sumberdaya alam. Praktikum ini juga akan memberikan pengalaman kepada
peserta untuk melakukan pengolahan data penginderaan jauh satelit untuk
perolehan informasi penting di permukaan bumi. Secara umum praktikum ini
akan memberikan wawasan dan kemampuan praktis pada setiap peserta untuk
memahami beberapa hal di bawah ini.

62

Sistem Informasi Sumber Daya Lahan

Agar supaya informasi citra satelit dapat bermanfaat secara optimal sebelum
dilakukan

analisis,

perlu

digunakan

teknik

pemrosesan

citra.

Proses

pengolahan citra secara digital dapat dikelompokan atas beberapa bagian

sebagai berikut :
1. Pemulihan Citra (Image restoration).
Citra akan mengalami perubahan karena adanya distorsi radiometrik dan
geometrik, sehingga perlu dikorek terhadap kesalahan tersebut..
2. Penajaman Citra (Image enhancement)
Sebelum melakukan analisis data citra, secara visual perlu dilakukan teknik
penajaman, sehingga kekontrasan obyek akan nampak. Langkah ini dilakukan
untuk membantu interpretasi secara visual agar dapat meningkatkan jumlah
informasi . Hal ini merupakan langkah awal pada pemrosesan citra secara
digital.
3. Klasifikasi citra (Image classification)II. Tujuan Kuliah
A.

Mengenalkan salah satu perangkat lunak (software) sistem

informasi geografis untuk pengolahan citra satelit

B.

Memberikan pengetahuan manangani data SIG (spasial dan nonspasial)

III. JENIS DAN TIPE SATELIT

1.

Landsat 5

LANDSAT-5
diluncurkan
ke
orbitnya
diatas
permukaan bumi pada tanggal 1 Maret, 1984 oleh
McDonald Douglas Delta 3920 dari pangkalan udara
Vandenberg, California.
Bentuk satelit ini yang
mengambang di angkasa luar dapat dilihat di Gambar
sebelah kiri.

LANDSAT-5
Sensor LANDSAT-5 MSS Bands

63

Sistem Informasi Sumber Daya Lahan

Band
1
2
3
4

Panjang gelombang Kisaran Spektra

warna
(microns)
Biru - Hijau
0.5-0.6
Merah
0.6-0.7
Near Infrared
0.7-0.8
Near Infrared
0.8-1.1

Resolusi (Meter)
80
80
80
80

Karakteristik LANDSAT-5
Diameter
Berat
Ketinggian Orbit
Orbit
Sudut Kemiringan
Waktu Melintas di Khatulistiwa
Lama berevolusi
Orbit/hari

1.8 Meter
2,000 Kg
705 Km
Sun synchronous
98.2 Degree
9:30 AM
99 Min
14.5 Orbits

Siklus Perjalanan

16 hari

Sensor
Resolusi (Ketajaman)
Lebar Cakupan Citra
Umur Satelit

MSS (Multispectral Scanner), TM (Thermatic

Mapper)
80, 30 M
185 Km
5 Tahun

TM Bands

Band
1
2
3
4
5
6
7

Panjang
Kisaran
gelombang
Spektra
warna
(microns)
Biru - Hijau
0.45-0.53
Hijau
0.52-0.60
Merah
0.63-0.69
Near Infrared
0.76-0.90
Short Wave
1.55-1.75
Infrared
Thermal Infrared 10.40-12.50
Short Wave
2.08-2.35
Infrared

Resolusi (Meter)
30
30
30
30
30
120
30

64

Sistem Informasi Sumber Daya Lahan

2. Landsat 7
LANDSAT-7
LANDSAT-7 dikelola secara bersama oleh
NASA, NOAA and USGS
NASA : bertanggungjawab merancang dan
membangun pesawat ruangkasa dan
seluruh peralatannya.
NOAA : bertugas mengoperasikan satelit.
USGS : melakukan proses data,
pengarsipan dan distribusi data
LANDSAT-7 diluncutkan ke orbitnya
pada tanggal 15 of April, 1999 oleh
McDonald Douglas Delta II dari
Vandenberg Air Force Base, California.
LANDSAT-7 Characteristics
Panjang
Diameter
Ukuran Antena
Berat
Ketinggian Jelajah
Orbit
Sudut Kemiringan
Waktu Melintas
Khatulistiwa

159 Inches
108 Inches
89 Inches x 296 Inches
2,150 Kg (4,730 Pound)
705 Km
Sun synchronous
98.2 derjat

Lama berevolusi

98.9 Min

Orbit/hari

14.56 Orbit

Siklus Perjalanan

16 hari

Sensor
Resolusi (Ketajaman)
Lebar Cakupan Citra
Umur Satelit

10:00 AM

ETM+ (Enhanced Thermatic Mapper

Plus)
30, 60, 15 Meter
185 Km
5 tahun

65

Sistem Informasi Sumber Daya Lahan

3. IKONOS
IKONOS, a high resolution satellite, owned by
Space Imaging Co. Ltd., was launched into space
by the Athena II on September 24, 1999 from
Vandenberg Air Force Base in California.
Spacecraft manufactured by Lockheed Martin,
investors in the IKONOS system include Lockheed
Martin Corporation, Raytheon Company, Japans
Mitsubishi Corporation, Singapores Van Der Horst
Ltd., Koreas Hyundai Space & Aircraft, Europes
Remote Sensing Affiliates, Swedish Space
Corporation, and Thailands Loxley Public
Company Ltd.
IKONOS is derived from the Greek word
for image. IKONOS satellite is the first of its kind
with the capability to simultaneously collect 1-meter
resolution panchromatic (black & white) images
and 4-meter resolution multispectral (color)
images. DeSILned to take digital images of the
Earth from 680 kilometers up and moving at a
speed of about seven kilometers per second, the
satellite camera can distinguish objects on the
Earths surface as small as one square meter. The
IKONOS satellite revolves around the Earth in a
sun-synchronous orbit once every 98 minutes in 14
revolutions total, passes a given longitude at about
the same local time of 10:30 a.m. daily, and can
produce 1-meter imagery of the same geography
every three days. Image collection can be taken in
a swath of 700 kilometers at the minimum
collection area of 100 square kilometers, and a
maximum of 10,000 square kilometers per pass.
The satellite is expected to have an operational life
of more than seven years.

IKONOS Characteristics
Launch Date

September 24, 1999 at 11:21:08 a.m. PDT

Launch Vehicle

Athena II

Manufacturer

Lockheed Martin

Launch Location

Vandenberg Air Force Base, California, U.S.A.

Viewing Angle

Agile spacecraft in-track and cross-track pointing

Weight

725 kg.

Orbit
Altitude

423 miles or 681 km.

Inclination

98.1 degrees

Speed

4 miles/sec. (17,500 miles/hr.) or 7 km. /sec. (26,000 km. /hr.)

Descending Nodal
Crossing Time

10:30 a.m.

66

Sistem Informasi Sumber Daya Lahan

4. Quickbird
The QuickBird satellite is the first in a

constellation of spacecraft that DigitalGlobe

is developing that offers highly accurate,
commercial high-resolution imagery of Earth.
QuickBird's global collection of panchromatic
and multispectral imagery is deSILned to
support applications ranging from map
publishing to land and asset management to
insurance risk assessment.
QuickBird was deSILned and built by
our strategic partners, Ball Aerospace &
Technologies Corp., Kodak, and Fokker
Space, all leaders in their fields. By utilizing
proven technology from each supplier, we
have developed a state-of-the-art, satellite
system built from space-qualified
components. This system successfully
meets DigitalGlobe's demanding
performance requirements for high image
quality, robust image collection, and long
mission life.
Desain dan Spesifikasi

Launch Information

Orbit

Per Orbit Collection

Swath Width & Area

Size

Metric Accuracy

Date: October 18, 2001

Launch Window: 1851-1906 GMT (1451-1506 EDT)
Launch Vehicle: Delta II
Launch Site: SLC-2W, Vandenberg Air Force Base, California
Altitude: 450 km - 98 degree, sun-synchronous inclination
Revisit frequency: 1 to 3.5 days depending on latitude at 70centimeter resolution
Viewing angle: Agile spacecraft - in-track and cross-track pointing
Period: 93.4 minutes
~128 gigabits (approximately 57 single area images)
Nominal swath width: 16.5-kilometers at nadir
Accessible ground swath: 544-km centered on the satellite ground
track (to ~30 degree off nadir)
Areas of interest:

Single Area - 16.5 km x 16.5 km

Strip - 16.5 km x 165 km

23-meter circular error, 17-meter linear error (without ground

control)
Panchromatic

Sensor Resolution &

Spectral Bandwidth

61-centimeter GSD
(Ground Sample Distance)
at nadir
Black & White: 445 to 900

Multispectral

2.44-meter GSD at
nadir
Blue: 450 to 520
nanometers

67

Sistem Informasi Sumber Daya Lahan

nanometers

Dynamic Range

Green: 520 to 600

nanometers
Red: 630 to 690
nanometers
Near-IR: 760 to 900
nanometers

11-bits per pixel

Housekeeping
Payload Data

Communications

ADCS Approach
Pointing and Agility
Onboard Storage
Spacecraft

320 Mbps X-band

X-band from 4, 16
and 256 Kbps
2 Kbps S-band
uplink

3-axis stabilized, star tracker/IRU/reaction wheels, GPS

Accuracy: less than 0.5 milliradians absolute per axis
Knowledge: less than 15 microradians per axis
Stability: less than 10 microradians per second
128 Gbits capacity
Fueled for 7 years
2100 pounds, 3.04-meters (10-ft) in length

68

Sistem Informasi Sumber Daya Lahan

5. Terra (Modis)

Terra (MODIS)
The Moderate Resolution Imaging
Spectroradiometer (MODIS) is the keystone
instrument on the Terra mission. MODIS is an
imaging radiometer employing multiple in-track
detectors and a cross-track scan mirror and collecting
optics, and a set of individual detector elements
which will provide imagery of the Earth's surface and
cloud cover in 36 discrete spectral bands. Contiguous
scan swaths of 2330km in cross-track by 10km intrack are acquired to provide 2-day repeat
observations of the Earth. Its task is to develop a
detailed understanding of the Earth and the dynamics
of global change.
.More information please contact
mailtto:info@userservice.gistda.or.th
or MODIS catalog at
Data Services of GISTDA
http://www.acrors.ait.ac.th/modis/%20Documents/MO
DIS_catalogue.htm

Terra Characteristics
Diameter
Length
Weight
Altitude
Orbit
Inclination
Equatorial crossing
time
Period of revolution
Repeat Coverage
Interval

Instruments

Mission life

3.5 Metres
6.8 Metres
5,190 Kg
705 Km
Sun synchronous
98.2 Degree
10:30 AM descending
98.88 Min
16 Days
ASTER (Advanced Spaceborne Thermal Emission and
Reflection Radiometer)
CERES (Clouds and the Earth's Radiant Energy System)
MISR (Multi-angle Imaging Spectroradiometer)
MODIS (Moderate-Resolution Imaging Spectroradiometer)
MOPITT (Measurements of Pollution in the Troposphere)
5 Years

MODIS
Orbit
Scan Rate
Swath
Dimensions

705 km, 10:30 AM descending node (AM-1) or 1:30 PM

ascending node (PM-1), sun-synchronous, near-polar
20.3 rpm, cross track
2330 km (across track) by 10 km (along track at nadir)

69

Sistem Informasi Sumber Daya Lahan

Telescope
Size
Mass
Power
Data Rate
Quantization
Spatial
Resolution
DeSILn Life
Primary Use
Land/Cloud
Boundaries

Land/cloud/Aerosol
Properties

17.78 cm diam. off-axis, afocal (collimated), with

intermediate field stop
1.0 x 1.6 x 1.0 m
250 kg
162.5 W (orbital average)
10.8 Mbps(peak daytime); 6.2 Mbps (orbital average)
12 bits
250 m (bands 1-2)
500 m (bands 3-7)
1000 m (bands 8-36)
6 years
Band Bandwidth ** Saturation * Required SNR #
1
620-670
1.5555
128
2

841-876

1.0490

201

459-479

1.0696

243

545-565

1.0130

228

5
6
7

1230-1250
1628-1652
2105-2155

0.8420
1.0338
0.3249

74
275
110

70

Sistem Informasi Sumber Daya Lahan

II. KOREKSI GEOMETRIS

Data mentah penginderaan jauh pada umumnya mempunyai kesalahan
geometris. Oleh sebab itu sebelum kita mengolah data tersebut kita harus
melakukan koreksi. Karakteristik geometrik harus benar-benar dipertimbangkan
pada saat data citra akan digunakan untuk :
1. Menurunkan informasi koordinat 2 Dimensi (x, y) dan 3 D (x, y, z).
Diskripsi 2D dapat diturunkan dari foto maupun citra tunggal. Untuk 3D
dapat diturunkan dari foto stereo maupun citra, Untuk mendapatkan
informasi 3D dibutuhkan proses orientasi.
2. 2. Menggabungkan 2 data citra untuk tujuan analisis dan proses
integrasi. Sebagai contoh, : apabila kita maumelakukan analisis dengan
menggunakan data SPOT dan Landsat, kedua data tersebut harus
mempunyai sistem koordinat yang sama.
3. Menggabungkan data citra (raster) dengan data vektor untuk keperluan
Sistim Informasi Lahan (SIL) dengan cara overlay, kedua data tersebut
harus mempunyai koordinat yang sama.
Tujuan dari koreksi geometris tersebut adalah melakukan koreksi citra terhadap
peta yang telah mempunyai koordinat yang benar. Sehingga diperlukan suatu
Titik Kontrol tanah (Ground Control Point(GCP)) dengan distribusi penyebaran
titik harus merata.
Ada beberapa hal yang harus dipertimbangkan dalam pemilihan Titik Kontrol
Tanah,
yaitu :
Titik tersebut harus jelas kenampakannya antara citra dan peta.
Titik harus terletak pada lokasi yang relatif stabil, tidak berubah
(persimpangan jalan, pojok bangunan, dsb). Diusahakan jangan pada
sungai atau garis pantai yang mempunyai perubahan tinggi.
Diusahakan distribusi titik harus merata dan mewakili cakupan citra
Kesalahan geometris data penginderaan jauh dapat dibedakan menjadi
2, yaitu :

71

Sistem Informasi Sumber Daya Lahan

2.1 Kesalahan sistematis

Kesalahan sistematis ini disebabkan oleh beberapa faktor antara lain :
a. Distorsi Panoramik (Panoramic Distortion)
b. Rotasi bumi (Earth Rotation)
c. Kecepatan Platform (Velocity Platform)
d. Relief Displacement
Kesalahan tersebut dapat dihilangkan dengan menurunkan formula-formula
yang
dapat dihitung secara matematis. Dan hal ini biasanya telah dikoreksi sebelum
data
tersebut digunakan oleh pemakai secara langsung.
2.2 Kesalahan Non Sistematis
Kesalahan ini disebabkan oleh attitude dan altitude, sehingga dapat merubah
skala citra. Untuk mengkoreksi citra tersebut dilakukan dengan cara melakukan.
transformasi koordinat dengan menggunakan Titik Kontrol Tanah (Ground
Control Point).
III. PENAJAMAN CITRA (ENHANCEMENT)
Penajaman citra dapat didefinisikan sebagai pemilihan penampakan suatu citra
sehingga informasi tersebut dapat lebih mudah diinterpretasikan untuk suatu
tujuan tertentu. Sebagai contoh seperti gambar 1. dibawah ini terlihat kabur
karena adanya hamburan (scaterring) dari cahaya matahari oleh atmosfer
kedalam obyek dilapangan terhadap sensor. Efek ini juga menurunkan
kekontrasan citra, akibatnya gambar 1.,
kenampakan penutupan lahannya sulit dibedakan.

72

Sistem Informasi Sumber Daya Lahan

Gambar 1. Citra SPOT karena adanya kenampakan hazy

Setelah dilakukan proses penajaman citra akan perbedaan kontras secara

visual dapat terlihat pada Gambar 2.

Gambar 2. Citra SPOT hasil penajaman citra dengan menggunakan linier

streching.

73

Sistem Informasi Sumber Daya Lahan

Dapat dikatakan bahwa suatu metode penajaman citra tidak dapat digunakan
untuk berbagai macam kepentingan atau suatu teknik penajaman hanya cocok
untuk interpretasi tertentu (sebagai contoh untuk penelitian terumbu karang
berbeda dengan penelitian tentang plankton). Namun demikian ada beberapa
ketentuan umum yang dapat dipertimbangkan dalam pemilihan panajaman
citra, meskipun apabila ditinjau kembali ke definisi di atas ada pembedaan yang
sangat subyektif sifatnya. Dalam hal ini kita bedakan beberapa teknik
penajaman citra, antara lain :
1. Penajaman kontras
2. Pembuatan warna semu (pseudocolour)
3. Penapisan (filtering)
3.1 Penajamaman kontras
Sensor yang digunakan dalam sistem penginderaan jauh telah di desain untuk
dapat menangkap radiasi baik tingkat yang rendah maupun yang tinggi. Ada
beberapa cara untuk dapat melakukan peningkatan kekontrasan citra, antara
lain adalah :
1. Linear Contrast Stretching
Secara sederhana teknik Linear Contrast Strech dapat dijelaskan sebagai
perenggangan dari nilai pixel yang dinyatakan dalam Digital Number (DN)
minimum sampai dengan maksimum dengan nilai 0 255. Teknik linear
contrast strech secara grafis dapat digambarkan dalam Look Up Table (LUT)
2. Histogram Equalization
Histogram Equalization dengan menggunakan histogram citra sebagai dasar
untuk mentransformasikan nilai pixel dari DN minimum dan DN maksimum
menjadi skala penuh 0 255.
3. Gaussian Strech
Cara

ini

menggunakan

konsep

distribusi

normal

Gauss

untuk

mentransformasikan skala nilai pixel DN minmum DN maksimum menjadi

skala penuh 0 255, dengan memperhatikan histogram citra.

74

Sistem Informasi Sumber Daya Lahan

3.2 Pembuatan warna semu (pseudocolour)

Pembuatan warna semu adalah penggabungan 3 saluran (red, green, blue)
dengan masing masing band. Untuk praktikum ini digunakan Band 5 (Red),
Band 4(Green) dan Band 2 (Blue). Masing band pada komposit warna tersebut
adalah untuk membedakan waran vegetasi atau obyek yang ada pada
kenampakan citra. Selain itu digunakan Band 3, 2, 1 untuk membedakan jalan
serta sungai. Sehingga dalam hal ini
dilakukan 2 komposit warna untuk tujuan yang berbeda :
1. Komposit warna Band 5, 4 dan 2 untuk klasifikasi citra
2. Komposit warna Band 3, 2 dan 1 untuk menentukan posisi titik control di
lapang (Ground Control Point) pada persimpangan jalan.

Gambar 3. Citra False colour composite multispectral SPOT : Red:

XS3; Green: XS2; Blue: XS1
3.3 Filtering
Tujuan filtering ini adalah untuk mrnghilangkan pengaruh noise akibat ketidak
seimbangan detector, seperti yang sering dijumpai pada citra Landsat TM dan
MSS. Secara garis besar tujuan penapisan tersebut dapat dilakukan untuk
ekstraksi informasi yang dibentuk oleh radiasi frekwensi rendah (low-pass filter),
yang akan berakibat terbentuknya citra baru yang lebih halus, dan ekstraksi

75

Sistem Informasi Sumber Daya Lahan

informasi yang dibentuk oleh radiasi frekwensi tinggi (high-pass filter) yang
menghasilkan citra yang lebih tajam.

IV. KLASIFIKASI CITRA SATELIT

1. PENDAHULUAN
Citra penginderaan jauh dapat berupa analog dan digital. Dalam melakukan
analisis dan klasifikasi terdapat 2 cara, yaitu dengan melakukan interpretasi citra
secara visual dan melakukan proses klasifikasi secara digital. Pengenalan obyek
dalam interpretasi manual adalah merupakan kunci interpretasi dan perolehan
informasi. Pengamatan perbedaan obyek dan latar belakang dari analisis tersebut
berkaitan dengan perbandingan perbedaan obyek dengan yang lain. Dalam
interpretasi secara visual atau manual, manusia mempunyai pengaruh besar
terhadap pengelompokan suatu obyek dengan mempertimbangkan beberapa
parameter sebagai berikut : tone, bentuk, tekstur, pola, lokasi, asossiasi dan
ukuran. Dalam klasifikasi secara digital, operator memerintahkan komputer untuk
melakukan interpretasi citra secara digital secara otomatis. Teknik lain termasuk
pengenalan obyek secara otomatis (sebagai contoh, pendeteksian jalan, sungai,
dan sebagainya) dan melakukan rekonstruksi pandangan, seperti pembuatan
pandangan 3 Dimensi, Digital terrain Model dsb.
Antara teknik interpretasi secara digital dan manual keduanya mempunyai
keuntungan dan kelemahan.yang akan dijelaskan sebagai berikut :
1.1. Interpretasi secara manual :
Keuntungan : Membutuhkan peralatan yang sederhana dan lebih mudah
untuk dipelajari.
Kelemahan : Dalam melakukan analisis ada keterbatasan, karena hanya
dapat melakukan interpretasi 1 chanel atau 1 data citra, oleh karena itu sulit
untuk membentuk interpretsi dengan menggunakan beberapa citra secara
bersamaan. (multiple images).
1.2. Interpretasi/klasifikasi digital :
Keuntungan : Analisa digital lebih bermanfaat untuk analisis secara simultan
dengan menggunakan beberapa beberapa channel ataupun data citra yang
berbeda waktu (multi dates). Disamping itu, analisis citra secara digital

76

Sistem Informasi Sumber Daya Lahan

dapat dilakukan dengan lebih cepat, walaupun dengan data citra yang
cukup besar, hal ini tergantung dari kemampuan komputer yang akan
digunakan. Analisis digital berdasarkan manipulasi nilai digital pada
komputer dan selanjutnya lebih obyektif, sehingga secara umum hasilnya
lebih konsisten.
Kelemahan : Membutuhkan peralatan yang harus dipelajari secara khusus
dan relatif mahal Sebelum melakukan klasifikasi atau interpretasi harus
dilakukan pemrosesan awal, agar supaya memperoleh informasi yang
bermanfaat.. Terdapat beberapa teknik analisis dan metode yang digunakan
dalam klasifikasi. Penggunaan teknik dan metode tersebut tergantung dari
aplikasi yang akan diterapkan. Segmentasi citra dan algoritma klasifikasi
digunakan dengan cara mendeliniasi area yang berbeda menjadi beberapa
kelas tematik dan hasilnya berupa peta tematik. Dari hasil klasifikasi dapat
dikombinasikan dengan basisdata lainnya untuk melakukan analisis lebih
lanjut.

2. KLASIFIKASI CITRA
2.1. Konsep Klasifikasi citra
Klasifikasi citra dilakukan dengan tujuan untuk mengelompokan nilai spektral citra
yang homogen sesuai dengan variasi fenomena kenampakan sumberdaya alam
yang kita perlukan. Pengelompokan tersebut dilakukan dengan suatu teknik
spesifik

sesuai

dengan

kebutuhan

analisa,

Sebagai

contoh

gambar

1.,

pengelompokan obyek secara visual berdasarkan kenampakan yang ada.

77

Sistem Informasi Sumber Daya Lahan

Gambar 1. Pengelompokan kelas atau tema berdasarkan kenampakan yang ada

Berdasarkan metode yang digunakan, secara umum klasifikasi citra terbagi

menjadi 2, yaitu : klasifikasi supervised (gambar 2) dan klasifikasi unsupervised
(gambar 3) sesuai dengan parameter acuan yang kita berikan.

Gambar 2. Proses Klasifikasi supervised

78

Sistem Informasi Sumber Daya Lahan

Gambar 3. Proses Klasifikasi unsupervised.

2.2. Proses Klasifikasi citra secara digital
Klasifikasi citra secara digital (gambar menggunakan informasi spektral yang
diwakili dalam nilai digital dari 1 atau beberapa channel/band dan mencoba untuk
membuat klasifikasi tiap pixel secara individu berdasarkan pada informasi spektral.
Klasifikasi tipe ini dikenal sebagai pengenalan pola spektral. Dalam kasus lain,
sasarannya adalah menetapkan seluruh pixel dalam citra menjadi beberapa kelas
atau tema ( sebagai contoh : sungai, hutan, perkebunan, persawahan, dsb). Hasil
dari klasifikasi ini terdiri dari mosaik pixel, yang mana masuk dalam bagian tema
dan dan merupakan peta tematik dari citra asli. Ketika kita berbicara tentang kelas
maupun tema, kita perlu membedakan antara kelas berdasarkan informasi dengan
kelas berdasarkan spektral. Kelas berdasarkan informasi adalah meng-katagorikan
informasi dengan tujuan untuk membedakan obyek, sebagai contoh membedakan
tipe hutan atau tanaman, membedakan batuan berdasarkan unit geologi,
membedakan berbagai macam kebun. Kelas berdasarkan spektral adalah mengelompokan pixel berdasarkan nilai spektral yang seragam yang berkenaan dengan
nilai kecerahannya pada spektral channel yang berbeda. Tujuannya adalah
mencocokkan kelas
berdasarkan data spektral ke dalam kelas berdasarkan informasi dalam
kepentingan tertentu. Hal tersebut agak sulit dilakukan, karena adanya variasi nilai
spectral. Pada umumnya, untuk mengatasinya, kita membuat sub kelas. Dan
selanjutnya kita dapat menentukan kelas sesuai dengan tujuan analisis.

79

Sistem Informasi Sumber Daya Lahan

Gambar 4. Konsep klasifikasi citra digital.

2.2.1. Klasifikasi supervised
Dalam Klasifikasi supervised, operator mengidentifikasi obyek citra berdasarkan
sample dari perbedaan kenampakan permukaan. Sample tersebut ditunjukkan
pada training area. Pemilihan training area ditentukan oleh operator berdasarkan
pengalaman dan pengetahuan terhadap lokasi dilapangan untuk diterapkan ke
dalam citra. Selanjutnya operator melakukan pengecekan atau supervisi kebenaran
sample tersebut. Berdasarkan nilai spektral yang sama, dengan menggunakan
program khusus atau algoritma, komputer akan menentukan kelas berdasarkan
pada sampel yang telah kita tentukan sebelumnya. Gambaran tentang porsedur
klasifikasi supervised dapat dilihat pada gambar 2.
2.2.2. Klasifikasi unsupervised
secara informasi dilakukan oleh komputer secara otomatis dan sebaliknya pada
klasifikasi unsupervised. Kedua model klasifikasi tersebut akan dilakukan secara
terarah pada telah diksanakan praktikum.

80

Sistem Informasi Sumber Daya Lahan

Gambar 5. Citra komposit warna sebelum klasifikasi (kiri) dan citra hasil Klasifikasi
(kanan)

3. KLASIFIKASI CITRA MENGGUNAKAN ERMAPPER

Klasifikasi data adalah suatu proses dimana semua pixel dari suatu citra yang
mempunyai penampakan spektral yang sama akan diidentifikasikan. Sebagai
contoh suatu citra Landsat TM dengan tujuh buah informasi band dapat
diklasifikasikan untuk diidentifikasikan lingkupan hutan atau tata guna lahan.
Kita mempunyai sejumlah pilihan untuk membuat klasifikasi, kita dapat memilih
jenis keluaran yang diinginkan dan juga pengolahan data yang diinginkan.
Dalam proses klasifikasi kita akan membuat suatu data set klasifikasi atau
suatu algoritma dari tiap-tiap baris yang mempresentasikan suatu kelas.
Klasifikasi

supervised

mengklasifikasikan

dan

seluruh

unsupervised
suatu

dataset

biasanya

digunakan

untuk

menjadi

kelas-kelas

dapat

mengidentifikasi area perkebunan, mineral, urban. Suatu tampilan baris

klasifikasi dalam algoritma. Tampilan baris klasifikasi dalam algoritma. Tampilan
baris klasifikasi dapat menampilkan banyak kelas dengan warna yang berbedabeda untuk masing- masing kelas.

1.1. Klasifikasi Terbimbing (Supervised Classification)

Kita menggunakan klasifikasi supervised apabila kita mempunyai pengetahuan
yang cukup dari dataset dan pada posisi atau area mana suatu wilayah atau
kelas-kelas tersebut berada di lapangan. Klasifikasi supervised memerlukan
kelas-kelas yang menspesifikasikan wilayah-wilayah yang diinginkan. Kita
dapat mendefinisikan suatu wilayah dengan menggambarkan suatu wilayah
dengan menggunakan sistem anotasi dan menyimpannya dalam dataset raster.
Untuk contoh kita bisa mendefinisikan wilayah-wilayah untuk kelas air, vegetasi,
urban, dangan menggambar wilayah latihannya, dengan menggambarkan
poligon-poligon pada area dengan karakteristik-karekteristik spektral tertentu.
Klasifikasi

supervised

kemudian

akan

mencari

semua

piksel

dengan

karakteristik-karakteristik spektral yang sama, sesuai dengan yang telah kita

definisikan.

81

Sistem Informasi Sumber Daya Lahan

- Buka file yang akan diklasifikasikan, buat komposit warnanya supaya

memudahkan dalam membedakan objek yang akan dikelaskan. Komposit yang
umumnya digunakan adalah RGB 542
- Kemudian dari menubars pilih Edit kemudian pilih Edit/Create Regions

- Akan muncul kotak New Map Composisition

- Kemudian klik OK.
- Kemudian akan muncul kotak. Pada kotak Algorithm akan muncul Region
Layer(Outline)

Dari kotak Tools ini kemudian kita membuat polygon training area yang
mewakili

objek-objek

yang

akan

dikelaskan

klik

untuk

memulai

pengambilan polygon training area.

-

Kursor akan berubah, kemudian kita membuat polygon dengan mengklik

kiri untuk memulai polygon dan seterusnya lalu diakhiri dengan mengklik
kiri dua kali, maka polygon akan menutup. Misalnya kelas pertama adalah
Laut, maka buat polygon pada daerah Laut.

Kemudian klik akan muncul kotak Map Composisition Attribute.

Ketikan nama kelasnya, misalnya : Laut. Kemudian klik

Setelah itu save region ke dalam file.

82

Sistem Informasi Sumber Daya Lahan

Akan muncul massage yang menandakan polygon tersebut telah

tersimpan dalam file.

Lakukan proses yang sama untuk objek-objek yang lain setelah semua
objek terwakili melalui polygon training area. Kemudian klik Close pada
kotak Tools.

Kemudian pada menubars Process lalu pilih Calculate Statistics

Akan muncul kotak dialog baru.

Klik

Isikan nilai 1 pada Subsamping interval, kemudian pada kotak di

pada Dataset, kemudian pilih file yang tadi telah kita training area.

samping Force Recalculate stats klik sehingga seperti contoh diatas.

Kemudian klik OK.
-

Pada menubars pilih Procces kemudian pilih Classification, kemudian

pilih Supervised Classification.

Klik Pada Input Dataset, pilih file yang telah di calc ulate statistics.

Input Band pilih Band 1-5,7 dengan mengabaikan bando.

83

Sistem Informasi Sumber Daya Lahan

Output Dataset biasanya sudah memberi nama secara otomatis dengan

menambahkan akhiran _class pada nama file input. Kemudian klik OK.

Untuk menampilkan hasil klasifikasi, klik

atau dari menubars klik View

lalu pilih Algorithm..

-

Hasil klasifikasi ditampilkan dengan mengklik

kemudian ubah Pseudo

Layer dengan mengklik kanan menjadi Class Display Layer.

-

Kemudian klik

GO.

Akan muncul kotak image berwarna putih, karena kelas-kelas tersbut

belum diberi warna.

Untuk memberi warna, pada menubars pilih edit kemudian Pilih Edit
Class/Region Color and Name

Ganti warna dengan mengklik sesusai dengan warna yang diinginkan.

Kemudian Save lalu Cancel untuk menutup kotak.

Klik Load kembali pada file yang sama pada kota Algorithm. Kemudian
klik GO

1.2. Klasifikasi Tidak Terbimbing (Unsupervised Classification)

Kita menggunakan klasifikasi unsupervised ketika kita mempunyai sedikit
informasi tentang dataset kita. Klasifikasi data unsupervised memulai
mengklasifikasi dari kelas-kelas atau wilayah-wilayah yang kita spesifikasikan
atau dari jumlah nominal kelas. Klasifikasi unsupersived secara sendiri akan
mengatagorikan semua pixel menjadi kelas-kelas dengan menampakan
spektral atau karakteristik spektal yang sama. Hasil kalsifikasi dipengaruhi oleh
parameter-parameter yang kita tentukan dalam kotak dialog klasifikasi
unsupervised. Klasifikasi unsupersived akan menghitung secara statistik untuk

84

Sistem Informasi Sumber Daya Lahan

membagi dataset menjadi kelas-kelas sesuai dengan jumlah kelas yang kita
inginkan.
Biasanya hasil- hasil klasifikasi unsupervised harus diinterpretasi dengan
menggunakan data yang sebenarnya di lapangan untuk menentukan kelaskelas yang mempresentasikan area atau wilayah sebenarnya di lapangan. Dari
informasi ini mungkin kita bisa memutuskan untuk mengkombinasikan atau
menghapus kelas-kelas yang diinginkan./ kita perlu juga untuk memberi warna
dan nama untuk masing- masing kelas.

Pada menubars pilih Process kemudian pilih Classification, kemudian

pilih ISOCLASS Unsupervised Classification.

Klik Pada Input Dataset, pilih file yang akan diklasifikasikan

Input Band pilih Band 1-5,7 dengan mengabaikan band 6.

Klik pada Output Dataset, masukan nama file baru sebagai file hasil
klasifikasi unsupervised.

Masukkan nilai maxsimum Iterations. Nilai tertinggi yang bisa

dimasukkan 9999, disini diberikan nilai 15.

Masukan nilai Maxsimum numvber of classes, nilai tertinggi yang bisa

dimasukkan adalah 255, disini diberikan 30.

Masukan Nilai Maxsimum standart deviavitions, disini diberikan 2

Klik OK

85

Sistem Informasi Sumber Daya Lahan

Hasil klasifikasi ditampilkan dengan mengklik kemudian ubah Pseudo

Layer dengan mengklik kanan menjadi Class Display Layer.

Kemudian klik GO.

Akan muncul image dengan warna greyscale (keabua n). Image atau
gambar tersebut belum dapat memberikan informasi tentang kelas-kelas
objek yang ada, keemudian pada menubars pilih Edit kemudian pilih Edit
Class/Region Color and Name

Akan mucul kotak Edit Class/Region Detail, dimana jumlah kelas akan
sama dengan Maxsimum number of classes yang kita berikan atau
kurang dari nilai tersebut. Dalam contoh ini , dari 30 menjadi 26 kelas.

Kemudian ke 26 kelas ini harus kita gabung lagi menjadi jumlah kelas
yang lebih kecil yang sesuai dengan yang kita inginkan. Misalnya dari 26
kelas ini akan diperkecil menjadi 6 kelas (Laut, Mangrove, Tambak,
Sawah,Laha Kosong dan Pemukiman).

Pada kotak Edit Class/Region Details klik kemudian akan muncul kota
Auto-generate colors.

Kotak ini membantu kita untuk memberikan warna pada kelas-kelas yang
ada dengan memberikan warna yang menyerupai warna komposit,
warna, dalam contoh diats diberikan warna RGB 542. Kemudian klik

Full Saturation menjadi Seperti contoh diatas. Klik autogen lalu klik
Close.

Warga image akan berubah dari greyscale menjadi warna yang

menyerupai komposit warga RGB 542

Save perubahan warna

Klik . Load kembali pada file yang sama pada kota Algorithm kemudian
klik GO.

Ubah unlabelled name menjadi nama kelas yang kita inginkan, kemudian
samakan warnanya, Misalnya kelas unlabelled 1 s/d 3 menadi kelas laut,
dan warnanya dirubah menjadi biru. Proses ini diulang- ulang sambil

86

Sistem Informasi Sumber Daya Lahan

mensave dan meload hasilnya sehingga dapat terlibat perubahan

warnanya pada kotak image.

Untuk melihat perubahan warnanya dapat juga denga n cara mensave

image menjadi Algorithm. Dengan mengklik lalu simpan namanya. Klik
OK

Kemudian klik untuk membuka Algorithm. Pilih file algorithm yang baru
saja ditulis. Biarkan kotak Open algorithm tebuka terus.

Setiap selesai merubah warna pada kotak Edit Class/Region Details

kemudian di save, lalu klik Apply pada kotak Open Lagoritma, maka
perubahan warnaakan segera terlihat pada image.

Setelah itu cara kelas perubahannya, misalnya.

o Kelas Laut diwakili oleh kelas unlabelled 1,3-7
o Kelas Tambak diwakili oleh kelas unlabelled 2,8,11,12
o Kelas Mangrove diwakili oleh kelas unlabelled 14,15,22,23
o Kelas Sawah diwakili oleh kelas unlabelled 9,10,13,16-21
o Kelas Permukiman diwakili oleh kelas unlabelled 24,25
o Kelas Lahan Kosong diwakili oleh kelas unlabelled 26
o Kemudian kita harus mengdit ke 26 kelas tersebut menjadi hanya
6 kelas saja, yaitu dengan menggunakan Edit Formula.
o Klik akan mucul kotak Formula Editor

87

Sistem Informasi Sumber Daya Lahan

Kemudian kita harus membuat suatu logika proses dengan menggunakan

kalimat If Input 1 Then. Else..,

Setelah itu klik kemudian klik GO.

Warna image akan berubah sesuai warna ke 26 dari kelas 1 sampai

dengan kelas 6. Apabila kelas 1 s/d 6 pada 26 kelas warnanya biru, maka
image akan menjad warna biru semua. Untuk itu kita harus merubah
kembali warnanya pada menubars pilih Edit kemudian pilih Edit
Class/Region Color and Name

Ubah warna kelas ke 1 s/d 6, kemudian ubah pula nama kelas 1 s/d 6
sesuai dengan nama 6 kelas yang dimaksud (contoh : 1. Laut/Biru, 2.
Tambak/Biru muda, 3. Mangrove/Hijau Tua, 4. Sawah/Kuning, 5.
Permukiman/Abu-abu, 6. Lahan Kosong/Coklat).

Klik Load kembali pada file yang sama pada kotak Algorithm. Kemudian
klik GO.

88

Sistem Informasi Sumber Daya Lahan

Kemudian pada menubars pilih File kemudian pilih Save As Datasets

untuk menyimpan tampilan baru menjadi nama baru untuk klasifikasi 6
kelas.

Walaupun kelasnya sudah menjadi 6 kelas tetapi dokumen yang ada pada
file .ers -nya tetap 26 kelas. Hal tersebut kadang-kadang mempersulit
pada saat pembuatan annotasi peta.

Untuk merubahnya buka file hasil penyimpanan tadi yang berakhiran .ers .
Misalnya tadi disimpan dengan nama Bogor_uns.ers .

Kemudian open/buka file Bogor_uns.ers tersebut menggunakan software

WordPad.

Pilih Files of Type : All Documents (*.*)..Klasifikasi Citra 12

Klik open, kemudian sorot Region Info Begin dari ClassNumber 7 sampai
dengan Region Info End dari ClassNumber = 26. Lalu Delete.

Kemudian klik Save.

1.3. Menghitung Luasan dari Setiap Kelas

Pertama-tama file yang berisikan kelas-kelas yang akan kita hitung

luasannya kita Calculate Statistics terlebih dahulu.

Kemudian dari menubars pilih View kemudian Statistics, lalu pilih

AreaSummary Repport.

Pilih file yang akan kita hitung luasannya, kemudian klik OK.

89

Sistem Informasi Sumber Daya Lahan

Maka akan muncul luasan pada setiap kelas dalam satuan Hectare,
Kilometerpersegi, Acre, dan Mil persegi.

1.4. Anotasi/Komposisi Peta

Komposisi peta memungkinkan kita untuk mempresentasikan citra-citra secara
profesional dan penuh arti. Kualitas kartografik peta pada ER Mapper dapat
membuat grid, bar skala, blok titel, panah arah utara, logo perusahaan,
legenda, legenda klasifikasi. Kita dapat menggunakan fasilitas anotasi dan
komposisi peta ER Mapper untuk membuat peta citra yang berkualitas yang
mengandung dara raster, vektor dan tabular. Anotasi memungkinkan untuk
menggambar secara langsung dilayar komputer dengan menggunakan fasilitas
teks, garsi, poligon, dan lain- lain.

Dari menu File, pilih Page Setup. Maka akan muncul kotak sebagai
berikut :

Set Background Color dengan warna putih.

Pilih Constrains : Auto Vary Borders , pilihan ini memungkinkan kita

untuk membuat skala peta yang cukup dengan kertas.

90

Sistem Informasi Sumber Daya Lahan

Pilih Size kertas A4 Lanscape, pilihan size beragam kita bebas

memilih kertas yang akan digunakan.

Set Scale 1:200000, skala tidak bisa lebih kecil dari default/nilai aslinya,
tetapi dapat lebih besar dari nilai aslinya.

Posisikan image (warna biru/kotak dalam) sesuai dengan posisi kertas

(warna merah/kotak luar), dengan mengatur Borders kita dapat
menempatkan image dimana saja.

Klik Apply dan OK bila sudah sesuai dengan yang kita inginkan.

Dari dialog box Algorithm pilih Edit pilih Add Vector Layer dan pilih
Annotation/Map Composition. Maka di Algorithm akan bertambah 1
layer yaitu Annotation Layer.

Klik icon Annotation dengan Annotation Layer disorot dan akan

muncul kotak New Map Composition, kemudian klik OK akan muncul
Annotation Tools box seperti gambar berikut ini :

91

Sistem Informasi Sumber Daya Lahan

KlikMap Rectangle untuk memulai komposisi peta, kemudian akan

muncul kotak Map Object Select seperti diatas.

Kemudian pilih Category : Grid, pilih gambar dengan huruf LL (Latitude

Longitude/Lintang Bujur), EN (Easting Northing/UTM).

Drag gambar LL ke dalam citra yang akan kita beri anotasi.

Pada kotak Map Object Attributes, klik Fit Grid supaya grid masuk
kedalam citra. Kemudian atur Grid Spacing X dan Y nya supaya tulisan
posisi Lahannya terlihat.

Ubah Left Labels Orientation menjadi Vertical Up, sedangkan Top

Labels Orientation menjadi Horizontal Right.

Kemudian pilih Category : Legend_Item, untuk memasukkan legenda

pilih Clasification Legend atau gambar.

Pada kotak Map Object Attributes, Load data pada Classified Raster
File, kemudian klik Fast Preview menjadi Hapus tulisan pada kolom
Label dan tekan Enter

Kemudian masukkan panah utara dan scale bar, dengan mencari pada
Category.

92

Sistem Informasi Sumber Daya Lahan

Untuk menuliskan judul serta keterangan-keterangan lain, klik, kemudian

buat kotak pada peta dimana tulisan tersebut akan ditempatkan. Size
tulisan dapat dirubah dengan merubah angkanya.

Untuk membawa tulisan atau gambar, klik kemudian klik pada objek
yang akan dipindahkan, klik dengan mouse kiri dan drag objek ke tempat
yang diinginkan.

Save Anotasi yang kita buat tadi dengan mengklik tanda disket pada
Tools Box, pilih vector dan beri nama.

Latihan 5.
1. Jelaskan apa kegunaan dari citra satelit dalam membuat suatu SIL
2. Uraikan tipe-tipe satelit yang anda ketahui.
3. Untuk satelit Landsat diketahui ada beberapa band warna, coba anda
jelaskan band-band apa saja yang terdapat pada landsat.
4. Apakah peredaan antara satelit dengan resolusi tinggi dan rendah ?
5. Apa yang dimaksud dengan pengolahan data citra sateli usupervised and
supervised ?

DAFTAR PUSTAKA
Lillesand and Kiefer, Penginderaan Jauh dan Interpretasi Citra Penginderaan
Jauh. Gadjah mada University Press, Yogyakarta, 1998
Lucas L. F. Jessen & Wim H. Bakker. 2000. Principles of Remote Sensing. ITC
Educational Textbook Series. The International Institute for AerospaceSurvey and
Earth Sciences (ITC), Enschede The Netherlands. Canada Centre for Remote
Sensing, 2002. Fundamentals of Remote Sensing Tutorial.
www.netdev.gistda.or.th.

93