MODUL PELATIHAN PEMBANGUNAN INDEKS KERENTANAN PANTAI

PENGENALAN PENGINDERAAN JAUH

Di susun oleh : Risti E. Arhatin

2010

I. Pendahuluan Penginderaan Jauh adalah ilmu dan seni untuk mendapatkan data/informasi dari objek atau fenomena tanpa melakukan kontak langsung dengan objek tersebut. Dalam sistem penginderaan jauh (inderaja) terdapat 4 komponen utama yaitu: (1) sumber

energi, (2) interaksi energi dengan atmosfer, (3) sensor sebagai alat mendeteksi informasi dan (4) objek yang menjadi sasaran pengamatan. 1. Sumber Energi Sumber utama enegi dalam inderaja adalah radiasi gelombang elektromagnetik (REM). REM adalah suatu bentuk dari energi yang hanya dapat diamati melalui

interaksinya dengan objek. Wujud dari energi ini dikenal sebagi sinar X, sinar tampak, inframerah dan gelombang mikro. REM merupakan bagian dari spektrum yang kontinu. REM dibentuk sekaligus dalam dua komponen yaitu, komponen listrik dan komponen magnetik (Gambar 1) dan dipengaruhi oleh sifat elektrik dan magnetik dari objek yang berinterkasi dengan REM tersebut.

Gambar 1. Radiasi gelombang elektromagnetik dengan komponenya.

Ada dua hipotesa yang umum digunakan untuk menjelaskan sifat dari REM yakni model gelombang dan model partikel (photon/kuanta). Model gelombang dipergunakan untuk menjelaskan bagaimana perjalanan REM di ruang angkasa. REM sebagai gelombang bergerak dengan kecepatan tertentu yang bergantung kepada panjang gelombang (l). Pada setiap gelombang elektromagnetik berlaku persamaan berikut: C=f.l C= kecepatan gelombang elektromagnetik (m/det) = 3 x 108 m/det l = panjang gelombang (m) f = frekuensi (1/det)

Bagaian spektrum REM yang digunakan dalam inderaja tertera pada Gambar 2.

Gambar 2. Spektrum REM yang digunakan dalam inderaja (JARS, 1985)

Model partikel dipergunakan untuk menjelaskan besarnya energi yang dikandung oleh REM. REM dipancarkan dalam bentuk diskrit yang disebut quanta atau photon. Besarnya energi dari REM memenuhi hukum Plank sebagai berikut: E=h.f dimana: E = energi kuantum dalam satuan joule h = konstanta Plancks senilai 6,624 x 10 -24 joule.detik f = frekuensi pancaran (Hz) Hubungan antara model teori gelombang dan teori kuantum dari REM dituliskan sebagai berikut:

E=

hC l

Dengan demikian, kita lihat bahwa tenaga quatum secara proporsional berbanding terbalik dengan panjang gelombangnya, makin panjang, panjang gelombang yang digunakan, makin rendah kandungan tenaganya. Sifat ini penting implikasinya didalam penginderaan jauh karena radiasi panjang gelombang yang panjang yang dipancarkan secara alamiah seperti pancaran gelombang mikro, lebih sulit diindera dari pada radiasi dari panjang gelombang yang lebih pendek, seperti misalnya tenaga yang dipancarkan dari panjang gelombang inframerah termal.

2 Interaksi REM dengan Atmosfer Sebelum REM berinteraksi dengan objek dipermukaan bumi, REM melewati atmosfer dimana terdapat molekul-molekul atmosferik dan aerosol. Jenis jenis molekul atmosferik adalah seperti CO2, Ozon, gas nitrogen, dll sedangankan aerosol seperti uap air, kabut, asap, abu, dll. REM berinteraksi dengan molekul dan aerosol sehingga terjadi proses hamburan (scattering) atau absorbsi yang mempengaruhi intensitas REM yang ditransmisikan melalui atmofer. Interaksi ini dapat dijelaskan pada Gambar 3.

Sensor

Atmosfer

pantulan

scattering awan
si rb so ab

Objek/perairan

Gambar 3. Interaksi REM dengan Atmosfer.

Proses scattering (hamburan) merupakan penyebaran REM oleh partikelpartikel di atmosfer ke segala arah. Ada 3 jenis scattering yakni (a) Raleigh scattering, (b) Mie scattering dan (c) Non selective scattering. Raleigh scattering disebabkan oleh molekul atmosfer yang ukurannya lebih besar dari panjang REM yang dipengaruhi gelombang tersebut. Mie scattering disebabkan oleh molekul yang ukurannya sama atau lebih besar dari panjang gelombang REM yang dipengaruhi molekul. Non slectif scattering disebakan aerosol yang ukurannya jauh lebih besar dari panjang gelombang REM yang dipengaruhinya. Absorbsi adalah proses dimana energi REM diserap oleh partikel atmosfer. Peristiwa ini umumnya terjadi pada pada panjang gelombang inframerah. Bersarnya pengaruh atmosfer terhadap REM bergantung pada panjang gelombang REM. Akibat adanya pengaruh atmosfer terhadap pancaran REM maka tidak seluruhnya energi dari REM dapat diteruskan ke permukaan bumi.

3 Interaksi Objek dengan REM Interaksi terrestrial dengan REM lebih mudah untuk dipelajari dibanding dengan lautan. Pada lingkungan laut, REM pada panjang gelombang tertentu mengalami

transmisi, sehingga energi yang diterima sensor dapat berasal dari; permukaan, material pada kolom air dan material dasar. REM yang datang pada objek akan berinteraksi dalam bentuk pantulan, absorbsi dan ditransmisi (Gambar 4). Besarnya energi yang dipantulkan, diabsorbsi dan ditransimikian memenuhi hukum kekekalan energi dirumuskan sebagai berikut: EI (l) = ER (l) + EA (l) + ET (l) ER (l) = EI (l) - EA (l) - ET (l) EI = energi yang mengenai objek ER = energi yang dipantulkan (yang direkam oleh sensor) EA = energi yang diserap ET = energi yang ditransmisikan (l) = panjang gelombang

E I (l )

E R (l ) E T (l ) E A (l )

Gambar 4. Interaksi REM dengan Objek.

Reflectance (R) adalah rasio insiden flux dan flux yang dipantulkan objek (Gambar 5):

R=
I = Incidence

I Rs
Rs = Reflection

permukaan objek

permukaan objek

Gambar 5. Energi yang datang ke permukaan dan yang dipantulkan.

Besarnya REM yang dipantulkan kembali oleh objek bergantung kepada jenis dan kondisi objek. Demikian juga halnya jika panjang gelombang yang berbeda

mengenai objek yang sama, akan memberikan pantulan yang berbeda. menjadi dasar pengenalan objek dengan inderaja. diterima disebut spectrum reflectance (Gambar 6).

Sifat-sifat ini

Jumlah energi yang dipantulkan

suatu objek pada panjang gelombang yang berbeda-beda relatif terhadap energi yang

Reflectance (%)

Tanah Vegetasi Air

60

40

20

Panjang Gelombang (um)

Gambar 6. Spektrum reflectance dari vegetasi, air dan tanah.

Dari Gambar 6 di atas jelas terlihat bahwa objek yang sama mempunyai nilai pantulan yang berbeda pada panjang gelombang yang berbeda. Misalnya untuk

vegetasi, pada panjang gelombang 0.4 - 0.7 mm (visible) nilai pantulannya adalah sekitar 10 %, namum pada panjang gelombang 0.8 1.3 (inframerah), pantulannya sekitar 50 %. Pada panjang gelombang yang sama, objek yang berbeda akan Adanya perbedaan pantulan disebabkan materi

memantulkan energi yang berbeda.

yang dikandung masing-masing objek berbeda sehingga, daya pantulnya berbeda. Adanya interaksi REM dengan objek sehingga keberadan objek dapat di deteksi dengan sensor satelit. Beberapa parameter dan turunannya yang da[pat dideteksi dari sensor satelit tertera pada Tabel 1.

Tabel 1. Parameter kelautan yang dapat dideteksi/dipelajari dengan inderaja. No Sensor Visible Parameter dan turunannya Land use di pantai, perubahan garis pantai, ekosistem terumbu karang, lamun, mangrove, klorofil, muatan padatan terlarut, batimetri perairan dangkal, oil spill. Thermal Suhu Permukaan Laut, upwelling, front, eddy, pencemaran panas, daerah penangkapan ikan Microwave Oil spill, arus, salinitas,. tinggi muka laut, gelombang, angin, batimetri perairan dangkal, perubahan garis pantai

4. Sensor Sensor adalah alat untuk mendeteksi REM yang diemisi atau dipancarkan oleh objek. Berdasarkan sumber sumber energi yang dideteksi, sensor dapat dibedakan menjadi sensor pasif dan sensor aktif. Sensor Pasif adalah sensor yang mendeteksi pantulan atau emisi REM dari sumber alami. Sensor Aktif adalah sensor yang

mendeteksi respon REM dari objek yang dipancarkan dari sumber energi buatan yang biasanya dirancang dalam wahana yang membawa sensor. Berdasarkan panjang Sensor Infra

gelombang, sensor dibedakan menjadi Sensor Visible (0,4 0,7) mm,

merah (1 10) mm dan Sensor gelombang mikro (1 mm 1 m) seperti tertera pada Tabel 2. Pada Tabel 3 tertera perbandingan beberapa sensor satelit yang bekerja pada panjang gelombang visible. Tabel 2. Klasifikasi Radiasi Elektromagnetik Jenis Sensor Visible Infrared Near infrared Shortwave infrared Intermediate infrared Thermal infrared Far infrared Microwave Millimeter (EHF) Centimeter (SHF) Decimeter (UHF) Panjang Gelombang 0,4 ~ 0,7 mm 0,7 ~ 1,3 mm 1,3 ~ 3 mm 3 ~ 8 mm 8 ~ 14 mm 14mm ~ 1 mm 1 ~ 10 mm 1 ~ 10 cm 0,1 ~ 1 m

Tabel 3. SeaWiFS
Kanal/band

Perbandingan kanal/band SeaWiFS, CZCS dan Landsat-TM CZCS

Kisaran Spektral (nm) Kanal/band Kisaran Spektral (nm)

Landsat-TM
Kanal/band Kisaran Spektral (nm)

1 2 3 4 5 6 7 8

402 - 422 433 - 453 480 500 500 520 545 565 660 680 745-785 845 - 885

1 2 3 4 5 6

430-450 510-530 540-560 660-680 700-800 1050-1250

1 2 3 4 5 6 7

450 - 520 520 - 600 630 - 690 750 - 900 1550 - 1750 10400 - 12500 2 080 - 2 350

Hal penting diperhatikan untuk karakteristik spasial.

sensor adalah

karakteristik spektral dan

Karakteristk spektral berhubungan dengan lebar band. Suatu

sensor mempunyai lebar band yang lebih kecil dari sensor yang lain maka sensor itu dikatakan mempunyai resolusi spektral yang lebih tinggi. Sebagai contoh sensor

Landsat TM band 1 (biru) mempunyai kisaran panjang gelombang (0,45 0,52) mm, sedangkan sensor SeaWiFS band biru mempunyai kisaran antara (0.402-0.422) mm, maka resolusi spektral sensor SeaWIFS lebih tinggi dari Landsat TM. Karakteristik geometri berhubungan dengan Angular Field of View (AFOV) dan Instantaneous Field of View (IFOV). IFOV adalah sudut pandang sesaat yang

berhubungan dengan unit sampling yang menentukan besarnya elemen gambar/pixel atau area terkecil yang dapat dideteksi sensor (ground resolution/resolusi spasial/pixel) (Gambar 7). Ukuran pixel bergantung pada IFOV dan ketinggian sensor. Sebagai

contoh, IFOV sebesar 2.5 milli radians, maka luas area terkecil yang dideteksi sensor adalah 2,5 x 2,5 m pada ketinggian sensor 1000 m. besarnya luas sapuan (swath width) (Gambar 7). AFOV (sudut scanning) adalah

sudut pandang maksimum sensor yang efektif mendeteksi REM. AFOV menentukan

Gambar 7. IFOV dan AFOV

II.

Prinsip Pengolahan Data Citra Beberapa tahapan yang dilakukan terhadap raw data antara lain pemulihan citra,

penajaman citra dan klasifikasi citra (Gambar 8).

Pemulihan Citra Koreksi Radiometrik

Penajaman Citra Penajaman Kontras Komposit Filter

Klasifikasi Citra Klasifikasi Unsupervised Klasifikasi Supervised Gambar 8. Tahap Pemrosesan Data Citra.

1.

Pemulihan Citra (Image Restoration) Pemulihan citra dilakukan untuk mengembalikan citra sesuai dengan kenampakan aslinya di muka bumi. Langkah yang dilakukan meliputi koreksi radiometrik dan koreksi geometrik. a. Koreksi Radiometrik Koreksi radiometrik dilakukan untuk memperbaiki kualitas visual dan sekaligus memperbaiki nilai-nilai pixel yang tidak sesuai dengan nilai pantulan atau pancaran spektral objek yang sebenarnya. Kesalahan radiometrik ini dapat

disebabkan oleh dua hal, yaitu instrumen sensor dan gangguan atmosfer. Instrumen sensor ini disebabkan oleh ketidak konsistenan detektor dalam menangkap informasi. akan Atmosfer menyerap, sebagai media atau radiasi gelombang

elektromagnetik

memantulkan

menstransmisikan

gelombang elektromagnetik tersebut, hal ini menyebabkan cacat radiometrik pada citra, yaitu nilai pixel yang jauh lebih tinggi atau jauh lebih rendah dari pancaran spektral obyek yang sebenarnya.

Cacat radiometrik ini dapat diatasi dengan koreksi radiometrik, sehingga data terkoreksi dapat dianggap sebagai nilai yang berasal dari respon spektral obyek di permukaan bumi. Beberapa contoh metode yang dapat dipakai dalam

koreksi radiometrik ini, diantaranya adalah: metode penyesuaian histogram, dan metode penyesuaian regresi. b. Koreksi Geometrik Tujuan koreksi geometri adalah untuk melakukan rektifikasi (pembetulan) atau restorasi (pemulihan) citra agar koordinatnya sesuai dengan koordinat geografi. Jenis gangguan yang bersifat geometris dapat berbentuk perubahan ukuran citra dan perubahan orientasi koordinat citra. Distorsi geometrik dapat disebabkan oleh beberapa hal, yaitu 1) Pembelokan arah penyinaran menyebabkan distorsi panoramic (look engle), 2) Perubahan tinggi wahana dan kecepatan wahana menyebabkan perubahan cakupan (coverage), 3) Perubahan posisi wahana terhadap objek karena gerakan berputar (roll), berbelok (yow), menggelinding (pith), yang menyebabkan distorsi, 4) Rotasi bumi dari barat ke timur menyebabkan objek di permukaan bumi terekam miring ke arah barat, dan 5) Kelengkungan bumi, menyebabkan ukuran pixel berubah (besar pengaruhnya untuk sensor resolusi rendah. Berdasarkan faktor-faktor penyebab kesalahan geometris tersebut maka kesalahan dapat dibedakan menjadi kesalahan sistematis dan non sistematis. Distorsi/kesalahan sistematis adalah distorsi yang dapat diperkirakan sebelum peluncuran satelit, dikoreksi dengan menerapkan rumus yang diturunkan dengan membuat model sistematik atas sumber distorsi. Distorsi/kesalahan

non sistematis adalah distorsi yang tidak dapat diduga sebelum peluncuran satelit. Distorsi ini dikoreksi dengan menggunakan analisis titik kontrol tanah (Ground Control Point/GCP). Analisis GCP dilakukan dengan cara penentuan fungsi transformasi, kemudian dilanjutkan dengan resampling. Dalam pengambilan GCP diperlukan acuan

atau referensi, acuan tersebut bisa berupa peta, citra yang telah terkoreksi geometrik atau pengambilan posisi geografis langsung ke lapangan dengan GPS. Dalam pengambilan titik GCP diusahakan menyebar ke semua lokasi dan sebaiknya diambil bangunan yang permanent seperti perpotongan jalan, dll (Gambar 9).

u
Y 1 V 2 3 4 Koordinat citra (raw; colom)

1 2 3 4 Koordinat geografis (lintang bujur)

Gambar 9. Transformasi koordinat citra ke koordinat peta

Transformasi koordinat (Transformasi Geometrik) Dengan menggunakan hubungan antar lokasi koordinat titik kontrol yang berada pada citra dengan lokasi koordinat titik kontrol pada peta (referensi) sehingga, dapat ditentukan persamaan transformasi dalam registrasi citra adalah: X = f (u,v) Y = g (u,v) Dimana: (x,y) = koordinat citra (u,v) = koordinat peta (referensi) f,g adalah fungsi transformasi Ada beberapa orde polynomial dalam fungsi tranformasi, yaitu: A. Linear X = A0 + A1U + A2V Y = B0 + B1U + B2V B. Kuadratik X = A0 + A1U + A2V + A3UV + A4U2 + A5V2 Y = B0 + B1U + B2V + B3UV + B4U2 + B5V2 C. Kubik X = A0 + A1U + A2V + A3UV + A4U2 + A5V2 + A6U2 + A7V2 Y = B0 + B1U + B2V + B3UV + B4U2 + B5V2 + B6U2 + B7V2

10

Resampling Resampling adalah penentuan nilai digital pixel citra setelah mengalami perubahan posisi hasil koreksi. Selain itu resampling ini juga berfungsi dalam menyesuaikan ukuran atau resolusi spasial pixel. Ada tiga macam teknik resampling, yaitu nearest neighbour (tetangga terdekat), bilinear dan cubic convolution. Teknik resampling dengan nearest neighbour hanya memerlukan satu titik terdekat.. Teknik bilinear memerlukan 4 titik terdekat

disekitarnya dan nilai pixel baru ditentukan oleh hasil rata-rata 4 buah pixel lama yang mengelilinginya Sedangkan teknik cubic convolution memerlukan 16 titik di

sekitarnya dan nilai pixel baru ditentukan oleh hasil rata-rata 16 buah pixel lama yang mengelilinginya. Ketelitian hasil koreksi bergantung pada ketelitian menentukan posisi titik GCP berhubungan dengan koordinat peta. Metoda yang digunakan untuk menguji ketelitian hasil koreksi dapat dilakukan dengan penghitungan Root Mean Square (RMSerror) dari titik-titik GCP yang diambil dengan formula berikut:

RMS error =
Dimana:

2 2 (x - u ) + (y - v )

x adalah lintang pada peta dan y adalah bujur pada peta u adalah raw pada citra dan v adalah colom pada citra

Idealnya nilai RMS adalah 0 yang berarti tidak ada kesalahan posisi, tetapi peluang nilai RMS = 0 sulit terjadi, dan biasanya diusahakan lebih kecil dari 1. Nilai RMS 1

berarti kesalahan geometri sama dengan 1 x ukuran pixel citra. Jika citra Landsat-TM yang dikoreksi berarti kesalahannya 30 meter (ukuran pixelnya). Jika RMS = 0.5, kesalahan posisi 0.5 x 30 meter = 15 meter. Akurasi citra output hasil koreksi geometri tergantung pada, 1) Jumlah titik kontrol yang digunakan, 2) Akurasi koordinat titik kontrol, 3) Letak sebaran titik-titik kontrol pada citra, 4) Jenis persamaan polinomial yang digunakan dan 5) Model resampling yang digunakan. 2. Penajaman Citra Penajaman citra dilakukan untuk mendapatkan tampakan yang kontras pada citra sehingga memudahkan dalam proses interpretasi serta meningkatkan informasi yang diperoleh. Ada beberapa macam metode penajaman citra, contohnya Contrast Enhancement (Linear Contrast Enhancement, Nonlinear Contrast Enhancement), Rationing, Spatial Filtering (Low Frequency Filtering, High Frequency Filtering), Edge

11

Enhancement

(Linear

Edge

Enhancement,

Nonlinear

Edge

Enhancement).

Composite (False Color Composite, True Color Composite), Special Transformation (Principal Componen Analisis, Vegetation Index, Texture Tansformation, dll).

3. Klasifikasi Citra (Image Classification) Klasifikasi data digital ini berangkat dari asumsi bahwa variasi pola peubah ganda (multivariate) dari digital number pada suatu areal mempunyai hubungan yang sangat erat dengan kondisi penutupan tanahnya. Diasumsikan juga bahwa penutupan lahan yang sama akan mempunyai sifat-sifat reflektansi (nilai digital number) yang sama pula. Sehingga karakteristik statistika dari sekumpulan pixel pada suatu citra akan mampu membedakan antara penutupan lahan satu dengan lahan yang lainnya. Klasifikasi dibedakan menjadi 2 macam, yaitu klasifikasi unsupervised/tak

beracuan/tak terbimbing/tak terselia dan klasifikasi supervised/beracuan/ terbimbing/ terselia. Klasifikasi unsupervised dilakukan tanpa menggunakan daerah acuan

(obyek yang akan dikelompokkan tidak dikenal), sehingga klasifikasi ini secara otomatis diputuskan oleh komputer. Sedangkan klasifikasi supervised didasari

dengan pemasukan contoh obyek (daerah acuan/training area). Training area harus dapat mewakili dari tiap informasi yang diperlukan. Penentuan

jumlah dan jenis kelas penutupan lahan didasarkan pada variasi warna yang ditampilkan citra komposit yang didukung oleh data hasil lapangan dan peta yang tersedia. Dalam pembuatan training area ini diusahakan mendelineasi warna yang homogen dan mengambil sebanyak mungkin kelas contoh sehingga seluruh warna pada citra terwakili. Metode klasifikasi supervised dibagi menjadi 3 macam, yaitu paralleliped, minimum distance dan maximum likelihood. Paralleliped adalah metode klasifikasi berdasarkan decision region masing-masing pixel dilihat dari kesamaan nilai reflektansinya pada suatu citra. Minimum distance adalah metode klasifikasi berdasarkan jarak terdekat dari nilai spektral rerata tiap-tiap pixel dalam suatu citra. Maximum likelihood adalah metode klasifikasi berdasarkan kemiripan pixel dengan sekelompok pixel lainnya dalam suatu citra. Setelah dilakukan klasifikasi maka langkah selanjutnya adalah memeriksa ketelitian atau ketepatan hasil klasifikasi tersebut, yaitu mencocokannya dengan peta data lapangan serta perhitungan luas areal tiap kelas. Uji Ketelitian Matrik Kontingensi Matric contingency lebih sering disebut matrik kesalahan (confussion matrix). Persentase ketelitian suatu kelas diperoleh dari perbandingan jumlah pixel yang

12

benar masuk pada training area dengan jumlah pixel pada training area suatu kelas dalam matrik kontingensi antar kelas. Persentase ketelitian klasifikasi secara

keseluruhan dihitung dari perbandingan antara jumlah pixel yang benar setiap kelas dengan total jumlah pixel training area keseluruhan. Uji ketelitian yang dapat dihitung adalah overall accuracy, producers accuracy dan users accuracy. Secara matematis ukuran akurasi tersebut diformulasikan sebagai berikut:

Overall accuracy =

X
N

kk

100%

Producer' s accuracy =

X kk 100% X k+

Users' s accuracy =

X kk 100% X +k

III. Prosedur Pengolahan Data Citra Menggunakan ER Mapper 6.4 Sampai saat ini telah banyak software pengolah citra, diantaranya: ER Mapper, ERDAS Imagine, Idrisi Kilimanjaro, ENVI, CVIP tools, PCI, ELWIS, dll. Masingmasing software tersebut memiliki kelebihan dan kekurangan. Kelebihan ER

Mapper yaitu kemampuannya menghemat tempat pada hard disk dan setiap hasil proses dapat langsung dilihat tampilannya pada layar monitor. Selain dua hal

tersebut kelebihan ER Mapper adalah dalam fungsi koreksi geometrik, dimana terdapat fasilitas image to image rectification yang memudahkan kita dalam mengambil titik control bumi (GCP). ER Mapper dapat dijalankan pada work station dengan sistem operasi unix atau PC dengan sistem operasi windows NT atau window 95 ke atas.

Cara Memulai Ermapper Dari menu Start , click All Program, click ER Mapper, kemudian click ER

Mapper 6.4 sehingga akan muncul toolbox seperti di bawah: Title bar Menu bar Toolbar Tombol

13

Menu bar, tempat pilihan perintah yang akan digunakan pada pengolahan citra, dalam bentuk memanjang ke bawah, untuk perintah pada menu bar click nama pada menu bar, kemudian pilih perintah yang akan dijalankan

Tool bar, tempat menampilkan pilihan perintah umum secara cepat, dengan menggunakan icon-icon, untuk menjalankannya hanya click pada tombol perintah yang diinginkan.

Tool tips, untuk mengetahui fungsi dari suatu icon, letakkan pointer di atas icon yang ingin diketahui, kemudian akan muncul kalimat (tool tips) yang akan memberitahukan fungsi dari icon tersebut

Cara Menampilkan Citra - Pada menu bar click File/New (atau icon )

2 Kemudian click View/Algoritm pada menu utama atau icon Click icon pada toolbox algorithm, akan muncul kotak raster dataset, pilih

direktori dimana data disimpan dan pilih file yang akan ditampilkan Pilih data yang akan ditampilkan Click OK Apabila akan mengubah band yang akan ditampilkan click pada toolbox algorithm

Mengubah Warna Tampilan Citra Tampilkan citra Pada toolbox algorithm click Surface, Pada Color Table click , pilih warna (Misal: rainbow2)

14

Mengubah Ukuran Tampilan Click icon pada menu utama, drag mouse diatas citra sesuai luas daerah yang

akan diperbesar - Untuk mengembalikan tampilan citra seluruhnya, dari menu utama click View/Quick Zoom/Zoom to All Dataset atau click kanan mouse di atas citra kemudian click Quick Zoom/Zoom to All Dataset Menampilkan Nilai Pixel - Click View/Cell Values Profile atau click kanan mouse di atas citra kemudian click Cell Values Profile Click pointer Click kiri mouse di atas citra, sehingga akan ditampilkan nilai pixel seperti gambar di bawah

Menampilkan Posisi Koordinat Click View/Cell Coordinate atau click kanan mouse di atas citra kemudian click Cell Coordinate Click pointer Click di atas citra sehingga akan ditampilkan posisi koordinat dari pixel, seperti tertera pada gambar di bawah

15

Menampilkan Histogram - Click View/Algorithm - Click Layer pada Toolbox algorithm - Kemudian click

Cropping Data Citra Dalam proses pengolahan citra, biasanya tidak keseluruhan scene dari citra kita gunakan, unruk mendapatkan daerah yang kita inginkan kita dapat memotong/cropping citra tersebut. Pemotongan citra dapat kita lakukan berdasarkan koordinat, jumlah pixel atau hasil zooming daerah. Urutan dalam proses cropping citra adalah: Dari menu utama pilih File/ New (atau icon Kemudian click icon Click icon )

atau View/Algoritm pada menu utama

pada kotak algorithm, pilih direktori dimana data disimpan dan pilih

file yang akan ditampilkan Click OK dengan cara drag mouse di

- Pilih lokasi yang akan dicrop, dengan menggunakan atas citra

atau kita juga bisa melakukan dengan cara click View/ Geoposition

(apabila sudah diketahui posisi latitude-longitude, easting-northing, atau cell x-cell y), click Extents pada kotak dialog Algorithm Geopisition Extents - Ketik posisi yang diinginkan pada latitude-longitude, easting-northing, atau cell x-cell y Click OK, maka pada tampilan akan diubah sesuai posisi tersebut

16

- Setelah tampilan sesuai dengan posisi yang kita kehendaki, aktifkan mouse pada toolbox algorithm Copy paste pseudolayer pada menu algoruthm, sejumlah band yang ada, dengan cara click pada menu algoruthm (misalkan disini dibutuhkan 9 band, yaitu untuk

band 1, band 2, band 3, band 4, band 5, band 6_1, band 6_2, band 7, dan band 8) Ubah nama pseudolayer tersebut sesuai dengan band yang akan diisikan, dengan cara double click pada pesudolayer Isikan band sesuai dengan urutan layer dengan cara click tanda panah ke bawah pada pada menu algorithm

Select semua layer pada menu algorithm tersebut dengan cara click Shift dan mouse pada layer B1 sampai B8

Langkah selanjutnya Click File/Save as Berikan nama output Pilih type filenya ER Mapper Raster Dataset (.ers) Click OK Pilih tipe output : Multilayer Pilih tipe data : Unsigned8BitInteger Click OK

Koreksi Geometrik Click Process/Geocoding Wizard Click Start Click Input File : Masukkan citra yang akan dikoreksi Click Polynomial setup, pilih polynomial order: linear Click GCP Setup, checklist geocoded image, vectors or algorithm, lalu Click masukkan file referensi Click digunakan kemuduan ubah datum, proyeksi dan system koordinat yang akan

Click OK

17

Click GCP Edit Jendela/window Uncorrected Gcp (Overview Roam Geolink) dan Corrected Gcp (Overview Roam Geolink) dikecilkan dengan mengklik tombol minimize yang ada pada sudut kanan atas jendela. Kemudian letakkan jendela Uncorrected GCP zoom dan Corrected GCP zoom berdampingan, serta ubah ukuran jendela supaya mempermudah dalam mencari objek yang akan dijadikan titik GCP.

Tampilkan kedua citra (Uncorrected GCP zoom dan Corrected GCP zoom) dengan kombinasi komposit yang sama (RGB542) (lihat bab selanjutnya menampilkan citra komposit)

Kemudian cari GCP, dengan cara click pada citra yang belum terkoreksi (window Uncorrected GCP zoom), maka akan mengisi kolom pada cell x dan cell y, kemudian click pada lokasi yang sama pada citra yang telah terkoreksi (window Corrected GCP zoom), maka akan mengisi kolom raw y dan raw y

Kemudian click

untuk menambah titik GCP

Apabila akan menghapus salah satu pasangan GCP, select pasangan titik yang akan dihapus kemudian click

Cari GCP sebanyak-banyaknya dan menyebar ke semua lokasi, karena hal ini akan mempengaruhi keakuratan dalam proses koreksi geometrik.

Apabila telah mendapatkan sejumlah titik yang mewakili kemudian click icon (Save) pada toolbox geocoding wizard

Beri nama file gcp (misal: GCP.gcp) Click OK Click OK

18

Click rectify pada toolbox Geocoding Wizard, sehingga muncul gambar seperti di bawah:

Click

pada geocoding wizard

Kemudian masukkan nama file output hasil koreksi geometrik Click OK Ubah cell size x = 30 meter Ubah cell size y = 30 meter (sesuai dengan resolusi spasial citra yang kita olah, apabila Landsat = 30 meter)

Kemudian click

Penajaman Kontras (Contrast Enhancement) Click untuk mengkontraskan citra dengan menghilangkan 1% informasi sehingga

Pengkontrasan secara manual dapat dilakukan dengan cara click akan keluar tampilan sebagai berikut:

Kesembilan icon tersebut adalah berbagai strect yang dapat digunakan, click salah satu icon strecth

Pengkontrasan juga bisa dilakukan dengan cara mengubah garis transformasi yang terletak di dalam kotak

Grafik

yang

gelap

adalah

histogram

sebelum distrecth, sedangkan grafik yang transparan adalah histogram citra setelah distrecth

19

Filtering Data Citra Click icon pada toolbox algorithm

Click icon

, pilih filter yang dikehendaki

Click OK, maka secara otomatis citra yang kita tampilkan telah terfilter Filter ini dapat juga dilakukan secara manual yaitu dengan mengisi jumlah row dan kolom, masukkan nilai-nilai pada kernel, secara otomatis citra akan terfilter

Apabila ingin menyimpan hasil filter yang telah kita buat click lalu click Save as

Tampilan Komposit Pada menu bar click File/New (atau icon ) , sehingga akan

Kemudian click View/Algoritm pada menu utama atau icon muncul toolbox algorithm

Click icon

(Load Dataset) pada toolbox algorithm, akan muncul kotak raster

dataset, pilih direktori dimana data disimpan dan pilih file yang akan ditampilkan Pilih data yang akan ditampilkan

20

Click OK Kemudian Click sebanyak 3 layer

Ubah kombinasi band, masukkan band 4 pada Red Layer, band 5 pada Green Layer dan band 3 pada Blue Layer dengan cara click

Kemudian Click

Klasifikasi Unsupervised Dari menu Process/Classification/Isoclass Unsupervised Classification Sehingga akan muncul toolbox sebagai berikut:

Click Click Click OK

pada input dataset, pilih file yang akan diklasifikasi pada output dataset, beri nama file hasil klasifikasi

Masukkan nilai maksimum iterasinya (misal:20) Masukkan maksimum jumlah kelasnya (misalnya 40) Masukkan maksimum standart deviasi (misal:2) Masukkan Min. distance between class mean (misal:1) Click OK Click Edit/Edit Class/Region Color and Name Dari klasifikasi akan kita dapatkan jumlah kelas sebanyak 40 atau kurang, kemudian 40 kelas tersebut akan kita jadikan kecil yang lebih kecil lagi(misal menjadi 6 kelas)

Click

pada toolbox Edit Class/Region Details

Pada toolbox Edit Class/Region Details click Auto-gen color Click Click Click pada Red band, pilih B4, OK pada Green band, pilih B5, OK pada Blue band, pilih B3, OK

Click Auto-gen

21

Save Click pada toolbox algorithm, maka warna citra hasil klasifikasi unsupervised

akan diubah seperti pada Click Edit/Edit Class/Region Color and Name Langkah selanjutnya kita harus melakukan labelling, caranya yaitu: ganti nama sesuai dengan obyeknya pada kotak Name, pada toolbox Edit Class/Region Details sampai ke 40 kelas terlabeli semua Click save pada toolbox Edit Class/Region Details Kemudian kita harus mengedit ke-40 kelas tersebut menjadi hanya 6 kelas, dengan menggunakan Edit Formula (icon Click Apply change Click Pada menu utama, File/Save as Berikan nama output Pilih type filenya ER Mapper Raster Dataset (.ers) Click OK Pilih tipe output : Multilayer Pilih tipe data : Unsigned8BitInteger OK ), yang ada pada toolbox algorithm

Klasifikasi Supervised Tampilkan citra komposit 453 (RGB) (cara seperti pada materi sebelumnya) Click Edit/Edit Create Region Click Mode Raster region pada toolbox New Map Composition Click OK, akan muncul tools Click Buat poligon, dengan cara click kiri diakhiri dg click kanan Click

22

Beri nama atribut sesuai dengan obyeknya Click Apply Buat Traning Area dari beberapa kelas (Tabel 1) Click Save , pilih save as dalam Raster region

Save to file: masukkan nama citra yang didigitasi Click OK Click OK Click Close Click Process/Calculate Statistic Dataset: masukkan citra yang telah ditraining area Click OK Click OK Click Close Click Process, Classification, Supervised classification

Input dataset: masukkan citra yang telah ditraining area Output dataset: masukkan nama hasil klasifikasi Pilih Classification Tipe Maximum likelihood standar OK Click Edit/Edit Class/Region Color and Name Dataset: masukkan nama file hasil klasifikasi Click OK Click Set color, pilih warna, OK (semua kelas lakukan yang sama) Save Yes

Menampilkan Citra Hasil Klasifikasi Pada menu bar click File/New (atau icon ) , sehingga akan

Kemudian click View/Algoritm pada menu utama atau icon muncul kotak dialog sebagai berikut:

23

Click kanan pada pseudolayer ubah menjadi class display Click icon pada toolbox algorithm, akan muncul kotak raster dataset, pilih

direktori dimana data disimpan dan pilih file yang akan ditampilkan Click OK

Menghitung Luasan Hasil Klasifikasi Click View/Statistic/Area Summary Report Input Dataset: masukkan citra hasil klasifikasi Click OK

Tabel 4. Kriteria (Deskripsi) Kelas Tutupan Lahan

Kelas Hutan lahan kering primer / Primary Dry Land Forest Simbol Hp Kode 2001

Gambar

Hutan lahan kering sekunder / Secondary Dry Land Forest

Hs

2002

Hutan mangrove primer / Primary Mangrove Forest

Hmp

2004

Semak/belukar / Shrubland

2007

Perkebunan / Crop Plantation

Pk

2010

Sawah / Rice land

Sw

20093

Tambak / Fish Pond Tanah terbuka / Bare land

Tm T

20094 2014

24

Lahan Terbangun / Built-up Area / Housing

Pm

2012

Tubuh air / Water Body

5001

Rawa / Swamp

Rw

50011

Awan / Cloud

Aw

2500

Sumber: Baplan Dep Hut, 2001

BIODATA INSTRUKTUR Nama Email : Risti E. Arhatin : ristyend@yahoo.com

No telp : 08129697142 Instansi : Institut Pertanian Bogor

25