Anda di halaman 1dari 42

LAPORAN RESMI PRAKTIKUM

PENGINDERAAN JAUH
MODUL II : KOREKSI RADIOMETRI

Disusun Oleh:
RACHMAT AFRIYANTO
26020114140104
ILMU KELAUTAN A

Koordinator Mata Kuliah Penginderaan Jauh :


Ir. Petrus Subardjo, Msi
NIP. 19561020 198703 1 001
Tim Asisten
Rinto Setyawan
Riandi Teguh W
Hana Farah Frida Firismanda
Rayana Dwiari Armanto
Muhammad Salahudin
Dhea Isnainiya
M. Danie Al Malik
Dodik Setiyo Wicaksono

26020213140036
26020213190089
26020213140045
26020213140083
26020213120007
26020113140104
26020113140096
26020113120029

JURUSAN ILMU KELAUTAN


FAKULTAS PERIKANAN DAN ILMU KELAUTAN
UNIVERSITAS DIPONEGORO
SEMARANG
2016

Shift: 2
Tgl Praktikum : 20 Maret 2016
Tgl Pengumpulan : 26 Maret 2016

LEMBAR PENILAIAN
MODUL II : KOREKSI RADIOMETRI

Nama : RACHMAT AFRIYANTO

NO.
1.
2.
3.
4.
5.
6.

NIM: 26020114140104

KETERANGAN

Ttd: ...................................

NILAI

Pendahuluan
Tinjauan Pustaka
Materi dan Metode
Hasil dan Pembahasan
Penutup
Daftar Pustaka
TOTAL

Mengetahui,
Koordinator Praktikum

Asisten

Rinto Setyawan
26020213140036

Rayana Dwiari Armanto


26020213140083

I.

PENDAHULUAN

1.1. Latar Belakang


Dewasa ini, kemajuan teknologi diberbagai bidang berkembang dengan
sangat pesat. Remote Sensing atau teknologi penginderaan jauh merupakan suatu
pengembangan dari teknologi pemotretan udara yang mulai diperkenalkan pada
akhir abad ke 19 sebagai suatu pengembangan pemetaan melalui satelit. Manfaat
potret udara dirasa sangat besar dalam perang dunia pertama dan kedua, sehingga
cara ini dipakai dalam eksplorasi ruang angkasa. Sejak saat itu istilah penginderaan
jauh dikenal dan menjadi populer dalam dunia pemetaan. Peta yang dihasilkan oleh
perekaman jarak jauh ini dikenal dengan nama citra pengindraan jauh. Namun pada
dasarnya citra satelit dengan peta mempunyai perbedaan yang mencolok dan tidak
bisa dikatakan sama.
Dalam praktikum ini akan dibahas mengenai koreksi radiometri dimana
koreksi radiometri (satelite Imagecallibration) merupakan sistem penginderaan
jauh yang digunakan untuk mengurangi pengaruh hamburan atmosfer pada citra
satelit terutama pada saluran tampak (visible light). Hamburan atmosfer disebabkan
oleh adanya partikel-partikel di atmosfer yang memberikan efek hamburan pada
energi elektromagnetik matahari yang berpengaruh pada nilai spektral citra.
Pengaruh hamburan (scattering) pada citra yang menyebabkan nilai spektral
citra menjadi lebih tinggi daripada nilai sebenarnya. Metode koreksi radiometri
yang digunakan pada praktikum ini adalah Metode Penyesuaian Histogram
(Histogram Adjustment).
Penginderaan

jauh

fotografik

menguraikan

tentang

karakteristik

interpretative dan geometric dasar foto udara. Karakteristk radiometrik digunakan


untuk mengoreksi citra dengan penghafoto udara menentukan bagaimana film
tertentu yang dipotretkan dan diproses pada kondisi tertentu menanggapi tenaga
dengan berbagai intensitas. Pengetahuan tentangg karakteristik ini berguna dan
kadang-kadang sangat penting bagi proses analisis citra fotografik terutama dalam
supaya menampilkan hubungan kuantitatif antara nilai rona pada suatu citra dan
beberapa fenomena medan.

1.2. Tujuan
Adapun tujuan praktikum Inderaja modul 2 Koreksi Radiometri ini adalah:
1.

Mahasiswa diharapkan mampu melakukan koreksi radiometri

2.

Mahasiswa diharapkan mampu memeriksa atmospheric bias citra

3.

Mahasiswa diharapkan dapat menggunakan metode penyesuaian


histogram

4.

Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram


Dark Pixel Correction

5.

Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram


Enchanced Dark Pixel

6.

Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram


Cut Off Scattergram

1.3. Manfaat
Adapun manfaat praktikum Inderaja modul 2 Koreksi Radiometri ini adalah:
1.

Praktikan dapat melakukan koreksi radiometri

2.

Praktikan dapat mengetahui nilai atmospheric bias citra dari suatu citra

3.

Praktikan dapat mengkoreksi efek atmosfer bias dengan cara


mengidentifikasi bayangan pixel

II.

TINJAUAN PUSTAKA

2.1 Koreksi Radiometri


2.1.1 Definisi Koreksi Radiometri
Citra yang digunakan untuk pengolahan data penginderaan jauh memiki
beberapa kekurangan, seperti terdapatnya hamburan atau bias yang diakibatkan
oleh beberapa efek atmosfer. Untuk mengurangi efek tersebut maka
dilakukanlah koreksi radiometri (satelite Image callibration) yang merupakan
suatu metode yang digunakan untuk mengurangi pengaruh hamburan atmosfer
pada citra satelit terutama pada saluran tampak (visible light). Hamburan
atmosfer disebabkan oleh adanya partikel partikel di atmosfer yang
memberikan efek hamburan pada energi elektromagnetik matahari yang
berpengaruh pada nilai spektral citra. Pengaruh hamburan (scattering) pada
citra yang menyebabkan nilai spektral citra menjadi lebih tinggi daripada nilai
sebenarnya. Atmosfer dapat menyerap, memantulkan, atau menstransmisikan
gelombang elektromagnetik yang menyebabkan cacat radiometrik pada citra,
yaitu nilai pixel jauh lebih tinggi atau jauh lebih rendah dari pancaran yang
sebenarnya. Koreksi radiometri ini mengkonversi data sehingga dapat
digunakan secara akurat oleh sensor (Sumaryono, 1999).
Koreksi radiometri digunakan untuk memperbaiki nilai pixel agar
sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor
gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer
menyebabkan nilai pantulan objek dipermukaan bumi yang terekam oleh
sensor menjadi bukan merupakan nilai aslinya, tetapi menjadi lebih besar oleh
karena adanya hamburan atau lebih kecil karena proses serapan. Metode
metode yang sering digunakan untuk menghilangkan efek atmosfer antara lain
metode pergeseran histogram (histogram adjustment), metode regresi dan
metode kalibrasi bayangan (Danoedoro, 1996).
Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang
terdapat dalam data citra dapat dengan jelas dibaca dan diinterpretasikan.
Kegiatan yang dilakukan dapat berupa:

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.

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.

Penajaman kontras. Yaitu memperbaiki tampilan citra dengan


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

Filtering. Yaitu memperbaiki tampilan citra dengan mentransformasikan


nilai-nilai digital citra, seperti mempertajam batas area yang mempunyai
nilai digital yang sama (Enhance Edge), menghaluskan citra dari noise
(Smooth Noise), dan lainnya.

Formula. Yaitu membuat suatu operasi matematika dan memasukan


nilai-nilai digital citra pada operasi matematika tersebut, misalnya
Principal Component Analysis (PCA).
(Dwi Ardi, 2012)

2.1.2 Kegunaan Koreksi Radiometri


Satelite Image Callibration atau Koreksi radiometri merupakan
suatu metode untuk memperbaiki kualitas citra dengan cara mengurangi
kesalahan-kesalahan yang disebabkan oleh sistem perekaman serta
kesalahan yang diakibatkan oleh perjalanan sinar matahari dan suatu objek
ke kamera perekam melalui media atmosfer (Sukojo dan Kustarto dalam
Khasanah, 2013).
Menurut Samsuri (2004), koreksi radiometri diperlukan pada analisa
data penginderaan jauh
karena pada saat perekaman, tenaga radiometri yang sampai ke sensor
banyak mengalami gangguan atmosfir.

Menurut Murti (2012), koreksi radiometri

bertujuan untuk

memperbaiki kualitas visual citra dan sekaligus memperbaiki nilai nilai


pixel yang tidak sesuai dengan nilai pantulan objek atau pancaran spektral
objek yang sebenarnya. Kegunaan koreksi radiometri dalam penelitian
dibagi menjadi 2 macam, yaitu:
1. Koreksi radiometri untuk mengurangi pengaruh atmosfer
2. Koreksi radiometri untuk mengurangi pengaruh topografi
Menurut Annas (2009), koreksi radiometri memberikan skala pada
nilai pixel, sebagai
contoh skala monokromatik 0 sampai 255 akan diubah menjadi nilai radian
sebenarnya.

2.1.3 Kelebihan dan Kekurangan Koreksi Radiometri


Koreksi radiometri memiliki beberapa kelebihan yang diantaranya
adalah pada kemampuannya untuk memperbaiki gangguan atmosfer
seperti kabut tipis, asap, dan lain-lain sehingga dapat meminimalisir
bias atau hamburan citra yang digunakan (Ekadinata et al., 2008).
Kelemahan koreksi raidometri adalah hasil interpretasi sangat
tergantung kepada pendigit (interpreter), sehingga hasilnya bersifat
subjektif (Kartika et al., 2012).
2.2 Penyesuaian Histogram
Metode penyesuaian histogram adalah metode yang cukup sederhana,
dengan waktu yang digunakan untuk pemrosesan singkat dan tidak
memerlukan perhitungan matematis yang rumit. Asumsi dari metode ini adalah
dalam proses koding digital oleh sensor, objek yang memberikan respon
spektral yang paling rendah seharusnya bernilai nol. Apabila nilai ini ternyata
melebihi angka nol maka nilai tersebut dihitung sebagai offset dan koreksi
dilakukan dengan mengurangi seluruh nilai pada saluran tersebut dengan
offset-nya (Danoedoro, 1996).
Penyesuaian histogram ini melewati beberapa tahap, dan hasilnya tidak
selalu naik. Hal ini disebabkan karena tidak setiap citra mempunyai nilai objek
yang ideal untuk dikoreksi, seperti air jernih atau bayangan awan.
Dibandingkan dengan teknik penyesuaian histogram hasilnya tidak jauh
berbeda (Sutanto, 1986).
Penyesuaian histogram (histogram adjusment) meliputi evaluasi
histogram pada setiap band dari data penginderaan jauh. Biasanya data pada
panjang gelombang tampak (TM saluran 1-3) mempunyai nilai minimum yang
lebih tinggi karena dipengaruhi oleh hamburan atmosfir.

Sebaliknya

penyerapan atau absorbs pada atmosfer akan mengurangi kecerahan pada data
yang direkam dalam interval panjang gelombang yang lebih besar seperti TM
4,5,7. Sehingga data pada band ini nilai minimumnya mendekati nilai nol.
Algoritma yang dipergunakan untuk koreksi radiometri mengikuti formula
sebagai berikut :

Dimana :

Input

: input pixel pada baris I dan kolom j dari band k

Output

: nilai pixel yang dikoreksi pada lokasi yang sama

Bias

: Selisih nilai minimal dan nilai nol pada saluran k

BV

: brightness value atau nilai kecerahan

Pada prinsipnya algoritma ini mengurangi nilai bias dengan nilai bias
nilai kecerahan pada band tertentu-nya (Ningrum, 2012).

2.3 Penyesuaian Regresi


Penyesuaian regresi diterapakan dengan memplot nilai-nilai pixel hasil
pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila ada
saluran rujukan (yang relative bebas gangguan) yang menyajikan nilai nol
untuk obyek terteklntu. Kemudian tiap saluran di pixel angkanya dengan yang
saluran rujukan tersebut untuk membentuk diagram pancar nilai yang diamati.
Cara ini secara teoristis mudah namun secara prakteknya sulit. Pengambilan
pixel-pixel pengamatan harus berupa obyek yang secara gradual berubah naik
nilainya, pada kedua saluran sekaligus dan bukan hanya pada salah satu
saluran. (Denoedoro,1996).
Penyesuaian

regresi

(regression

adjusment)

pada

prinsipnya

menghendaki analisis untuk mengidentifikasi objek bayangan atau air jernih


pada citra yang akan dikoreksi. Nilai kecerahan pada objek dari setiap saluran
di-plot dalam sumbu koordinat secara berlawanan arah antara saluran tampak
(seperti TM saluran 1, 2, 3) dan saluran infra merah (seperti TM 4,5,7). Pada
diagram ini

garis lurus dibuat menggunakan teori least square,

perpotongannya dengan sumbu X akan menunjukkan besarnya nilai bias


demikian seterusnya untuk saluran yang lain. Penyesuaian histogram ini
melewati beberapa tahap, dan hasilnya tidak selalu naik. Hal ini disebabkan
karena tidak setiap citra mempunyai nilai objek yang ideal untuk dikoreksi,
seperti air jernih atau bayangan awan. Dibandingkan

dengan teknik

penyesuaian histogram hasilnya tidaklah jauh berbeda (Danoedoro, 1996).

2.3.1 DPC (Dark Pixel Correction)


Dark Pixel Correction merupakan metode sederhana yang
digunakan untuk menghilangkan efek gelap yang ditimbulkan oleh
atmosfer pada citra (Indarto, 2009).
Kalibrasi dengan Dark Pixel Correction dilakukan sebelum citracitra tersebut digabung. Dark Pixel Correction adalah koreksi sederhana
untuk menghilangkan pengaruh atmosfer yang cenderung memperbesar
nilai pixel dan menjadi sumber utama perbedaan nilai pixel masing-masing
citra (Susiati, 2008).
Pada keadaan aslinya, jika tidak ada atmosfer maka bayangan pada
semua permukaan bumi akan sepenuhnya hitam baik itu darat ataupun laut,
sehingga kita sulit untuk membedakannya. Oleh karena itu jika bayangan
memiliki nilai diatas 0, itu menandakan bahwa hamburan dari atmosfer
memiliki kontribusi untuk bayangan. Hal inilah yang menjadi wilayah
koreksi Dark Pixel Correction. Salah satu cara untuk mengkoreksi efek
atmosfer adalah mengidentifikasi bayangan pixel, menemukan nilai DN
(Digital Number) dan mengubahnya menjadi 0 dan atur semua
pixel lainnya (Anonim, 2012).
2.3.2 EDPC (Enchanched Dark Pixel Correction)
Enhanced Dark Pixel Correction merupakan bagian dari metode
penyesuaian regresi yang digunakan untuk menghilangkan efek dari
atmosfer untuk image enhancement (penajaman citra). Pada metode ini
sistem kerjanya hampir mirip dengan metode DPC, yaitu dengan harus
memasukkan nilai range yang tercantum dalam actual input limits. Pada
Enhanced Dark Pixel Correction terdapat dua layer yang berbeda, dimana
layer kedua lebih terang dibandingkan layer pertama dan gambar layer-nya
lebih tajam (Indarto, 2009).
Jika Dark Pixel Correction dilakukan untuk mengkoreksi kesalahan
radiometrik dari suatu citra, maka hasil Enhanced Dark Pixel Correction
lebih digunakan untuk aplikasi tertentu. Dengan mengurangkan masing
masing band dengan minimum digital number value-nya, maka setiap band
akan memiliki minimal digital number dari nol (Ningrum, 2013).

2.3.3 Cut off Scattergram


Cara lain untuk mengkoreksi citra dari efek atmosfer adalah dengan
menggunakan informasi cut-off yang ditentukan dari scattergram antara
panjang gelombang (TM 7) yang lebih panjang dan panjang gelombang
(salah satu dari TM 1-5) yang lebih pendek. Panjang gelombang yang lebih
panjang berada di gelombang infrared pendek yang mempunyai nilai
hamburan atmosfer minimum, di lain pihak panjang gelombang yang lebih
pendek berada di batas cahaya tampak yang berdekatan dengan batas
infrared dan batas gelombang infrared pendek yang mempunyai efek lebih
besar. Garis terbaik digambarkan menembus distribusi antara dua band
yang dihalangi poros panjang gelombang lebih pendek pada pendekatan
digital number komponen penghambur. Penyelesaian hal semacam ini
menggunakan cut-off (Ningrum, 2012).
Fungsi ini untuk membantu menganalisis data yang bekerja pada
data dalam mode spektral, scattegram juga berguna untuk klasifikasi tanah,
membuat raster daerah,dan membuat poligon vektor. Scattering terjadi bila
partikel atau molekul gas yang besar yang ada di atmosfer berinteraksi dan
menyebabkan arah radiasi elektromagnetik melenceng dari jalur
sebenarnya. Besarnya penyimpangan ini tergantung pada beberapa faktor
termasuk panjang gelombang radiasi, kelimpahan partikel dan gas dan
jarak perjalanan radiasi (Anonim, 2013).

DAFTAR PUSTAKA
Anonim.
2012.
Koreksi
Radiometri.
http://tugaspratikumsip.blogspot.com/2012/05/koreksi-radiometrik-dankoreksi.html. Diunduh Senin, 21 Maret 2016 : 21.50.
Anonim.
2013.
Koreksi
Radiometri.
http://ocean076.blogspot.com/2012/05/koreksi-radiometri-koreksiradiometri.html. Diunduh Senin, 21 Maret 2016 pukul 21.50 WIB.
Danoedoro, Projo. 1996. Pengolahan Citra Digital, Teori dan Aplikasinya Dalam
Bidang Penginderaan Jauh. Yogyakarta: Fakultas Geografi Universitas
Gadjah Mada.
Dwi Ardi, Robbinov. Koreksi Radiometrik dan Koreksi Geometrik.
http://tugaspratikumsip.blogspot.com/2012/05/koreksi-radiometrik-dankoreksi.html (22 Maret 2016).
Ekadinata, Andree et al., 2008. Sistem Informasi Geografis untuk Pengelolaan
Bentang Lahan Berbasis Sumber Daya Alam. Bogor: World Agroforestry
Center.
Indarto. 2009. Identifikasi dan Klasifikasi Peruntukan Lahan Menggunakan Citra
Aster. Jurnal Media Teknik Sipil. Vol. IX (1): 1-8.
Kartika, Tatik., I Made Parsa., Sri Harini. 2012. Analisis Perubahan Penutup Lahan
di Daerah Tangkapan Air Sub DAS Tondano terhadap Kualitas Danau
Tondano Menggunakan Data Satelit Penginderaan Jauh. Limnologi.
Murti, Sigit Heru. 2012. Pengaruh Resolusi Spasial pada Citra Penginderaan Jauh
terhadap Ketelitian Pemetaan Pengunaan Lahan Pertanian di Kabupaten
Wonosobo. Ilmiah Geomatika.
Samsuri. 2004. Aplikasi Penginderaan Jauh dalam Pengelolaan Sumberdaya
Hutan. Medan: USU
Sumaryono. 1999. Pemanfaatan Penginderaan Jauh Untuk Pemantauan Reboisasi
Di Sub DAS Roraya-Kendari dalam Prosiding Pertemuan Ilmiah Tahun Ke8 MAPIN (Masyarakat Penginderaan Jauh Indonesia). Jakarta.
Susiati, Heni. 2008. Studi Awal Pemanfaatan Citra Satelit untuk Identifikasi
Distribusi Sedimen di Perairan Semenanjung Muria. Prosiding Seminar
Nasional ke-14 Teknologi dan Keselamatan PLTN serta Fasilitas Nuklir
Tanggal 5 November 2008. Bandung, pp. 357 265.

III.

MATERI DAN METODE

3.1. Waktu dan Tempat Praktikum


Praktkum penginderaan jauh modul 2 tentang Koreksi Radiometri ini
dilaksanakan pada:
Hari / Tanggal

: Jumat, 18 Maret 2016

Waktu

: 16.40 WIB selesai

Tempat

: Lab. Komputasi Ilmu Kelautan, Gedung E Lantai 2,


Jurusan Ilmu Kelautan, Fakultas Perikanan dan
Ilmu Kelautan, Universitas Diponegoro, Semarang.

3.2. Materi
3.2.1 Koreksi Radiometri

3.3

1.

Pemeriksaan Nilai Atmospheric Bias Citra

2.

Penyesuaian Histogram

3.

Pengecekan Data dan Penyesuaian Histogram

4.

Regresi

DPC

EDPC

Cut Off Scattergram

Metode
3.3.1 Pemeriksaan Atmospheric Bias Citra dan Penyesuaian Histogram
Untuk memeriksa nilai Atmospheric Bias Citra dapat dilakukan
dengan cara:
1.

Buka ER Mapper 7.0 dengan klik 2x pada icon ER Mapper 7.0

2. Buka file citra dengan klik icon edit algorithm


Mapper

7.0,

lalu

klik

icon

load

C:\ERMapper70\examples\Shared_Data

pada active window ER

dataset

lalu

buka
pilih

direktori

file

citra

Landsat_TM_23Apr85.ers

3.

Gandakan pseudo layer dengan cara klik icon duplicate

sebanyak

6 layer. Ganti pseudo layer menjadi Band 1, Band 2, Band 3, Band 4,


Band 5, dan Band 7. Dan masukkan Band sesuai dengan Band nya. Ubah
description menjadi Nama_NIM.

4.

Pada setiap band, contohnya B1: band 1, klik icon edit transform limits
. Maka akan muncul window Transform. Kemudian cek nilai
atmospheric pada setiap band, yaitu nilai yang berada dibawah kiri
window yang bertuliskan Actual Input Limits.

5.

Untuk mengoreksi bias citra dari atmosfer dapat dilakukan dengan cara
pilih band 1, klik icon formula editor

, maka akan muncul Window

formula editor. Pada dialog box terdapat tulisan INPUT1, ketik (nilai
atmospheric biasnya), contoh INPUT1-67 klik apply changes

6.

Maka nilai Actual Input Limits akan berubah dari 67 to 255 menjadi 0 to
255. Lakukan hal yang sama pada setiap band sehingga setiap citra
memiliki bias atmomsfer yang minimal

7.

Untuk menghapus transform limit dapat dilakukan dengan cara klik icon
edit transform limit

pada active window, klik edit delete this

transform. Lakukan pada setiap band.

8.

Klik File lalu Save as untuk menyimpan data. Simpan file histogram
dengan nama file HISTOGRAM_NAMA_NIM.ers pada file type pilih
ER Mapper Raster Dataset(.ers). klik Ok

3.3.2 Pengecekan Data dan Penyesuaian Histogram


1.

Tutup semua window, kemudian klik icon edit algorithm


window ER Mapper, lalu klik icon load dataset

pada active
buka file citra

Histogram_Rachmat Afriyanto_26020114140104.ers. Lalu klik Ok This


Layer Only

9.

Klik icon duplicate

untuk menduplikat pseudo layer 5 kali. Ganti

pseudo layer menjadi Band 1, Band 2, Band 3, Band 4, Band 5, dan Band
7. Dan masukkan Band sesuai dengan Band nya. Ubah description
menjadi Nama_NIM.

2.

Kemudian klik icon edit transform limit

Lalu cek nilai atmospheric

bias setiap band. Nilainya harus diantara -3 sampai 3.

3.3.2 Regresi DPC (Dark Pixel Correction)


1.

Untuk koreksi DPC dapat digunakan diggunakan data yang sama, dengan
cara klik icon land application wizard

2.

Pada window land application wizard, lalu klik next

3.

Pilih process TM Imagenary, lalu klik next

4.

Pilih atmospheric effect correction, lalu klik next

5.

Pilih dark pixel correction, lalu klik next

6.

Pada dialog box specify an input TM dataset, masukan citra yang akan
dikoreksi berupa citra landsat_TM_23Apr85

7.

Pada dialog box specify an output filename, masukan nama file outputnya
DPC_BelumKoreksi_RachmatAfriyanto_26020114140104.ers
kemudian klik finish.

8.

Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon
edit algorithm

pada active window ER Mapper, lalu Cut pada Band

DPC_TM6. Ubah description menjadi Nama_NIM.

9.

Kemudian icon edit transform limits

dan cek nilai atmospheric bias

pada window transform di setiap band. Kemudian pada window


transform klik edit, delete this transform. Lakukan pada setiap band

10. Simpan file dengan format .ers (ER Mapper Raster Dataset) Klik File
lalu Save as untuk menyimpan data. Simpan file histogram dengan nama
file

DPC_SudahDikoreksi_RachmatAfriyanto_26020114140104.ers).

klik Ok

10. Tutup semua window, kemudian klik icon edit algorithm


window ER Mapper, lalu klik icon load dataset

pada active

buka file citra yang

telah dikoreksi tadi.

11. Kemudian klik icon edit transform limit


bias setiap band.

Lalu cek nilai atmospheric

3.3.3 Enhanched Dark Pixel Correction


1.

Lakukan proses yang sama dengan teknik DPC hingga langkah ke-4

2.

Pada window processing TM Imagery Atmospheric, pilih enhanced dark


pixel correction, lalu klik next

3.

Masukan file citra yang akan dikoreksi, Landsat_TM_23apr85.ers. klik


next

4.

Pilih use TM1 as initial band dan masukan nilai atmospheric biasnya.
Nilai atmospheric bias dapat dilihat pada windows transform, lalu klik
next

5.

Pada select an option pilih sesuai dengan nilai atmospheric biasnya dan tuliskan
nama

file

outputnya

yaitu

EDPC_BelumDikoresi_RachmatAfriyanto

_26020114140104.ers. Klik finish.

6.

Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon
edit algorithm

pada active window ER Mapper, lalu Cut pada Band

TM6. Ubah description menjadi Nama_NIM.

7.

Kemudian icon edit transform limits

dan cek nilai atmospheric bias

pada window transform di setiap band. Kemudian pada window


transform klik edit, delete this transform. Lakukan pada setiap band

8.

Klik File lalu Save as untuk menyimpan data. Simpan file histogram
dengan

nama

file

EDPC_SudahDikoreksi_RachmatAfriyanto

_26020114140104.ers pada file type pilih ER Mapper Raster


Dataset(.ers). klik OK

9.

Tutup semua window, kemudian klik icon edit algorithm


window ER Mapper, lalu klik icon load dataset
telah dikoreksi tadi.

pada active

buka file citra yang

10. Kemudian klik icon edit transform limit cek nilai atmospheric bias setiap
band.

3.3.4 Cut off (Scattergram)


1.

Lakukan proses yang sama dengan teknik EDPC hingga langkah ke-4

2.

Pada window processing TM Imagery Atmospheric, pilih cut off, lalu klik
next.

3.

Pada dialog box specify an input TM dataset, masukan citra yang akan
dikoreksi berupa citra landsat_TM_23Apr85

4.

Pada dialog box specify an output filename, masukan nama file outputnya.
Cutoff_BelumKoreksi_RachmatAfriyanto_26020114140104.ers kemudian klik
next

5.

Maka akan tampak pada window

6.

Pada window new map composition, klik cancel

7.

Pada window processing TM imagery-atmospheric effect correction (cut


off value), masukan nilai atmospheric bias masing-masing band. Nilai
atmospheric bias dapat dilihat pada window scattergram. Untuk melihat
nilai-nilai atmospheric bias lainnya klik set up, ubah X Axis dan Y Axis
nya. Lalu Klik Finish.

11. Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon
edit algorithm

pada active window ER Mapper, lalu Cut pada TM6.

Ubah description menjadi Nama_NIM.

8.

Kemudian icon edit transform limits

dan cek nilai atmospheric bias

pada window transform di setiap band. Kemudian pada window


transform klik edit, delete this transform. Lakukan pada setiap band

9.

Klik File lalu Save as untuk menyimpan data. Simpan file histogram
dengan

nama

file

Cutoff_SudahKoreksi_RachmatAfriyanto_

26020114140104.ers pada file type pilih ER Mapper Raster


Dataset(.ers). klik OK

10. Tutup semua window, kemudian klik icon edit algorithm


window ER Mapper, lalu klik icon load dataset

pada active

buka file citra yang

telah dikoreksi tadi.

11. Kemudian klik icon edit transform limit cek nilai atmospheric bias setiap
band.

IV. HASIL DAN PEMBAHASAN


4.1

Hasil
4.1.1 Penyesuaian Histogram
A.

Sebelum Dikoreksi
No

Band

Min

Max

1.

Band 1

67

255

2.

Band 2

21

216

3.

Band 3

15

254

4.

Band 4

210

5.

Band 5

255

6.

Band 6

247

Band 1

Band 2

Band 3

Band 4

Band 5

Band 7

Setelah Dikoreksi
Max

Band 1

187

2.

Band 2

184

3.

Band 3

238

4.

Band 4

192

5.

Band 5

253

6.

Band 6

249

Band 4
Band 7

1.

Band 1

Min

Band 3

Band

Band 5

No

Band 2

B.

4.1.2 Dark Pixel Correction (DPC)


A.

Sebelum Dikoreksi

No

Band

Min

Max

1.

Band 1

188

2.

Band 2

196

3.

Band 3

239

4.

Band 4

-2

205

5.

Band 5

-1

253

6.

Band 6

246

Band 1

Band 2

Band 3

Band 4

Band 5

Band 7

Sudah Dikoreksi
Band

Min

Max

1.

Band 1

188

2.

Band 2

203

3.

Band 3

239

4.

Band 4

215

5.

Band 5

253

6.

Band 6

234

Band 3

Band 4

Band 5

Band 7

Band 1

No

Band 2

B.

4.1.3 Enhanched Dark Pixel Correction (EDPC)


A.

Sebelum Dikoreksi

No

Band

Min

Max

1.

Band 1

188

2.

Band 2

-6.08065

188.91935

3.

Band 3

-9.887156

229.112844

4.

Band 4

-14.1118316

192.8881684

5.

Band 5

-29.1111868

224.8888132

6.

Band 6

-30.2289312

215.7710688

Band 1

Band 2

Band 3

Band 4

Band 5

Band 7

Sesudah Dikoreksi
Band

Min

Max

1.

Band 1

188

2.

Band 2

210

3.

Band 3

240

4.

Band 4

221

5.

Band 5

225

6.

Band 7

254

Band 3

Band 4

Band 5

Band 7

Band 1

No

Band 2

B.

4.1.4 Cut Off


A.

Sebelum Dikoreksi

No

Band

Min

Max

1.

Band 1

188

2.

Band 2

195

3.

Band 3

239

4.

Band 4

207

5.

Band 5

254

6.

Band 6

246

Band 1

Band 2

Band 3

Band 4

Band 5

Band 7

Sesudah Dikoreksi
Band

Min

Max

1.

Band 1

188

2.

Band 2

202

3.

Band 3

239

4.

Band 4

217

5.

Band 5

254

6.

Band 6

234

Band 3

Band 4

Band 5

Band 7

Band 1

No

Band 2

B.

4.2

Pembahasan
4.2.1 Memeriksa Nilai Atmospheric Bias Cahaya
Berdasarkan praktikum yang telah dilaksanakan, pada modul kedua
Koreksi Radiometri ini, pemeriksaan nilai bias atmospheric citra dilakukan
guna mengetahui nilai bias yang terdapat pada citra yang akan selanjutnya
dikoreksi dengan menggunakan metode penyesuaian histogram. Untuk
melihat nilai bias citranya dapat menggunakan tools : Edit Transform Limit
yang sebelumnya diolah menggunakan Land Application Wizard.

4.2.2 Penyesuain Histogram


Penyesuaian histogram adalah penyesuaian terhadap bias atmosferik
yang dilakukan dengan menambahkan atau mengurangi nilai terendah pada
window Formula Editor. Jika nilai terendah pada Band 1 adalah 67 maka kita
tuliskan INPUT1-67. Setelah dilakukan koreksi dengan penyesuaian
histogram didapatkan nilai band adalah 0.
Penyesuaian histogram digunakan untuk mengevaluasi atau memeriksa
kembali histogram pada setiap band dari data citra. Data pada panjang
gelombang tampak (saluran 13) mempunyai nilai minimum yang lebih
tinggi karena dipengaruhi oleh hamburan dari atmosfer. Penyerapan atau
absorbansi pada atmosfer akan mengurangi ketajaman pada data yang
direkam dalam interval panjang gelombang yang lebih besar seperti saluran
4, 5, 7. Sehingga data pada band ini nilai minimum yang baik adalah
mendekati nilai nol.

4.2.3 DPC (Dark Pixel Correction)


Penyesuaian regresi DPC (Dark Pixel Correction) adalah metode lain
untuk menyesuaikan histogram dari suatu citra yang diolah. untuk membuka
Dark Pixel Correction, dapat dilakukan dengan cara klik icon Land
Application Wizard Process TM Imagery Atmospheric Effect
Correction lalu pilih DPC. Koreksi akan dilakukan secara otomatis, saat kita
memasukkan

file

citra

Landsat_TM_23_Apr85.ers.

yang

akan

dikoreksi,

yaitu

Melalui histogram yang dicek tiap saluran secara independen, maka


dapat diketahui nilai piksel terendah saluran tersebut, asumsi yang melandasi
metode ini adalah bahwa dalam proses pemotretan digital oleh sensor, obyek
yang memberikan respon spektral paling lemah atau tidak memberikan
respon sama sekali seharusnya bernilai nol. Apabila nilai ini ternyata > 0
maka nilai terserbut dihitung sebagai offset, dan koreksi dilakukan dengan
mengurangi keseluruhan nilai pada saluran tersebut dengan offsetnya.

4.2.4 EDPC (Enhanched Dark Pixel Correction)


EDPC (Enhanched Dark Pixel Correction) atau koreksi piksel gelap
merupakan metode yang dilakukan untuk menyesuaikan Histogram. Nilai
TM yang digunakan sebagai inisial Band adalah TM 1. Hal ini dikarenakan
TM 1 dianggap telah mewakili nilai TM yang lain dan nilai TM 1 sudah
merupakan acuan atau standar. Kemudian kita memakai kita menggunakan
metode koreksi Clear dengan syarat TM2 < =55.
Kita

mengenai

Enhanched

Dark

Pixel

Correction

dengan

menggunakan nilai TM yang paling kecil terdapat pilihan untuk pembersihan


yang dilakukan yaitu Very Clear, Clear, Moderate, Hazy, dan Very Hazy
dalam hal ini kita menggunakan metode koreksi Clear dengan syarat TM2
adalah >55<=75.
Berdasarkan pada koreksi Dark Pixel Correction maka dapat di
ketahui, bahwa nilai minimal atmosfer bias citra pada seluruh band nilainya
adalah 1. Ini menandakan bahwa proses koreksi menggunakan metode
Enhanched Dark Pixel Correction sudah sesuai dengan syarat toleransi untuk
nilai atmosfer bias citra pada setiap band yang nilainya berkisar dari -3
sampai 3.

4.2.5 Cut-off Scattergram


Cut-off merupakan cara ketiga dalam koreksi atmosfer yang
menggunakan dua variasi scattergram. Fungsi ini dilakukan untuk
menganalisa data yang bekerja pada data modus spektral. Dengan
memasukkan nilai terendah tiap tiap band pada window Scattergram. Pada

kerja Cut-off ini spesifik value dari Cut-off adalah TM 1 sampai dengan TM
5 dan TM 7. Setelah nilai TM yang ada dimasukkan, pada layer Cut layer TM
6 yang tidak digunakan pada koresi kali ini.
Dari hasil koreksi Cut-Off Scattergram praktikan mendapat nilai
minimum atmosfer bias citra pada band 1 bernilai 1, begitu juga dengan band
2, 3, 4, 5, dan 7. Hal ini menunjukan bahwa koreksi dengan metode ini juga
sudah sesuai dalam batas toleransi nilai atmosfer bias citra.
Cahaya-cahaya yang berasal dari sinar matahari memiliki panjang
gelombang yang berbeda-beda. Semakin besar panjang gelombangnya, maka
semakin besar pula

kemampuannya untuk menembus gangguan. Dari

praktikum ini dapat diketahui bahwa panjang gelombang yang paling besar
kemampuannya dalam menembus gangguan adalah Band 7 sebab
atmospheric biasnya adalah satu.

V.
5.1

PENUTUP

Kesimpulan
Berdasarkan pada praktikum modul Inderaja Modul 2 Koreksi Radiometri

ini, maka dapat disimpulkan bahwa :


1.

Koreksi Radiometri bias citra digunakan untuk mengetahui nilai bias


citra yang terdapat pada citra

2.

Koreksi atmospheric bias citra digunakan untuk mengetahui nilai bias


citra yang dipengaruhi oleh atmosfer yang terdapat pada citra

3.

Penyesuaian histogram digunakan untuk evaluasi histogram pada setiap


band dari data citra. Hasil akhir pada penyesuaian histogram didapatkan
nilai band yang dimulai dari 1 hingga maksimal 3.

4.

Koreksi DPC merupakan salah satu cara untuk mengkoreksi efek


atmosfer dengan cara mengidentifikasi bayangan pixel, menemukan nilai
DN (Digital Number), mengubahnya menjadi nol, dan mengatur semua
pixel lainnya.

5.

Koreksi EDPC dilakukan dengan menentukan salah satu band yang


memiliki indeks bias minimum yang paling tinggi.

6.

Cut-Off Value (Scattergram) merupakan sebuah metode untuk


mengoreksi bias citra yang dilakukan dengan memilih semua band
dengan nilai indeks biasnya yang paling kecil (minimum).

5.2

Saran
Saran untuk praktikum selanjutnya adalah sebaiknya praktikan lebih teliti

dalam melakukan setiap langkah praktikum, sehingga hasil olah citra memiliki
kualitas dan kecermatan yang baik yang baik.