LAPORAN PRAKTIKUM

Penginderaan Jauh Terapan Untuk Sumberdaya Lahan

ACARA IX
Transformasi Minimum Noise Fraction (MNF)

Oleh :
Dodik Prasetyo Prabowo
120722420629

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL
JURUSAN GEOGRAFI
PROGRAM STUDI S1 GEOGRAFI
APRIL 2015

I. Tujuan
a. mahasiswa dapat melakukan transformasi minimum noise fraction pada citra
hiperspektral
b. mahasiswa dapat menghilangkan gangguan yang ada pada tiap saluran pada citra
hiperspektral
II. Alat dan bahan
a. Citra hiperspektral CASI (Compact Airborne Spectrographic Imager)
b. Laptop/PC
c. ENVI 4.5
d. Alat tulis lengkap
III.

Dasar teori
Transformasi MNF adalah transformasi linear yang terdiri dari dua bagian
analisis komponen utama yang berbeda, yaitu :
a. Rotasi pertama menggunakan komponen utama matriks kovarian dari
noise data untuk mengubah dan mengukur kembali gangguan yang ada
pada data (proses ini dikenal dengan nama Noise whitening), yang
menghasilkan data yang telah tertransformasi dan gangguan pada data
tersebut mempunyai varians dan tidak ada hubungan antar saluran.
b. Rotasi kedua menggunakan komponen utama yang diturunkan dari
data citra yang telah diproses noise whitening dan diukur kembali
dengan standar deviasi gangguan/noise

IV.

Langkah kerja
1. Buka ENVI 4.5 dan citra CASI yang ada

2. Pada main menu, klik Transform > MNF Rotation > Forward MNF >
Estimate Noise Statistic from Data > pilih POP 1 > OK

3. Pada kotak dialog Forward MNF Transform Parameter, isikan output noise
stats, Output MNF stats dan nama file Output, dan number output MNF
Bands, Klik OK

4. Setelah proses selesai, hasil transformasi MNF berupa grafik MNF

Eigenvalues dan citra CASI ter-MNF

V.

VI.

Hasil Praktikum
1. Citra CASI hasil proses MNF (Terlampir)
2. Grafik Eigenvalues Citra CASI hasil proses MNF (Terlampir)

Pembahasan
Transformasi MNF adalah transformasi yang digunakan untuk
menyederhanakan dimensi data citra hiperspektral dengan cara memisahkan
gangguan/noise pada data. Citra yang digunakan adalah citra pewarnaan
greyscale/keabuan. Pada transformasi ini, terdapat dua tahap yaitu pemisahan
dan pengukuran kembali noise pada data yang menghasilkan data yang telah
tertransformasi yang mana gangguan tersebut memiliki varians dan tidak
terdapat korelasi/hubungan antar saluran, sedangkan tahap kedua adalah analisis
Komponen Utama (PCA) pada gangguang yang telah diputihkan (noise
whitening).
Dari proses transformasi MNF dihasilkan citra yang dikurangi
gangguannya, serta grafik plot hubungan antara nilai MNF dan saluran citra,
dalam praktikum ini digunakan citra CASI.

Grafik MNF Eigenvalues citra CASI

dari grafik diatas, didapat indormasi bahwa sisi kiri yaitu saluran nomor rendah 1
memiliki nilai eigenvalue paling besar yaitu 110.12, sedangkan sisi paling kanan
yaitu saluran nomor tinggi (15) memiliki nilai eigevalue paling kecil, yaitu 1.24.
Sehingga pada saluran 1, jumlah noise yang dihilingkan paling banyak, sedangkan
pada saluran 15, jumlah noise yang dihilangkan paling sedikit. Hal ini berdampak
pada tampilan kedua saluran, pada saluran 1 objek pada citra terlihat jelas, sedangkan
pada saluran 15 objek sama sekali tak terlihat dan sulit dikenali.
Dari grafik tersebut juga didapatkan informasi semakin pendek panjang
gelombang pada suatu saluran, maka nilai eigenvalue semakin besar dan begitu pula
sebaliknya. Pada saluran 1 dengan panjang gelombang 445-457 nm mempunyai nilai
eigenvalue 110,12. sedangkan pada saluran 15 dengan panjang 844, 3 nm
mempunyai nilai eigenvalues 1.24. faktor yang mempengaruhi nilai eigenvalues
adalah band number, panjang gelombang tiap saluran dan banyak saluran dalam
suatu citra satelit. Band number dan Panjang gelombang memengaruhi besaran
eigenvalue, semakin kecil band number, maka panjang gelombang akan semakin
pendek, sehingga eigenvalues semakin besar. Sedangkan pada jumlah saluran
semakin sedikit jumlah saluran, maka grafik eigenvalues semakin ekstrim.
Manfaat dari transformasi MNF ini adalah untuk menghilangkan
noise/gangguan pada data yang diakibatkan komplesitas data, gangguan atmosferik,
dan gangguan sensor sehingga didapatkan citra yang baik untuk proses spektral
berikutnya, seperti PPI dan n-Dimensional
VII.

Kesimpulan

dari praktikum ini dapat disimpulkan bahwa transformasi MNF merupakan

transformasi yang berfungsi untuk menghilangkan gangguan yang ada pada citra
khususnya pada citra hiperspektral ( dalam praktikum ini menggunakan CASI)
yang diakibatkan komplesitas data. Nilai eigenvalues pada saluran 1 (445-457 nm)
paling besar yaitu 110.12 sedangkan eigenvalues pada saluran 15 yaitu (844, 3 nm)
sebesar 1.24. Semakin kecil nilai eigenvalues semakin besar noise-nya yang
menyebabkan objek pada citra yang nilai MNF-nya rendah sulit untuk dikenali.

VIII. Daftar Pustaka

http://www.csr.utexas.edu/projects/rs/hrs/process.html
http://www.exelisvis.com/docs/MinimumNoiseFractionTransform.html

IX.

Lampiran

Gambar : CASI hasil MNF Band 1

Gambar : CASI hasil MNF Band 4

Gambar : CASI hasil MNF Band 2

Gambar : CASI hasil MNF Band 5

Gambar : CASI hasil MNF Band 3

Gambar : CASI hasil MNF Band 6

Gambar : CASI hasil MNF Band 7

Gambar : CASI hasil MNF Band 8

Gambar : CASI hasil MNF Band 9

Gambar : CASI hasil MNF Band 10

Gambar : CASI hasil MNF Band 11

Gambar : CASI hasil MNF Band 12

Gambar : CASI hasil MNF Band 13

Gambar : CASI hasil MNF Band 14

Gambar : Grafik MNF Eigenvalues citra CASI

Gambar : CASI hasil MNF Band 15