Pedoman Penggunaan Envi
Pedoman Penggunaan Envi
Disiapkan Oleh :
Muhammad Kamal
MODUL 1
DISPLAY CITRA, PEMBACAAN NILAI PIKSEL,
DAN PENYUSUNAN CITRA KOMPOSIT WARNA
A. KONVERSI FORMAT DATA
Langkah pertama dalam pengolahan citra digital adalah melakukan konversi data sehingga data tersebut dapat
dibaca dan dikenali oleh software yang digunakan. Dalam praktikum ini data yang dimaksud adalah data citra
pengideraan jauh, yaitu citra Landsat 7 ETM+. Keterangan data sebagai berikut :
Citra
Daerah
Dimensi
Saluran
Format
: Landsat 7 ETM+
1.
Jalankan program ENVI 4.0, Start > All Programs > RSI ENVI 4.0 > ENVI
2.
Klik Menu File > Open External File > IP Software > ERDAS 7.5 (.lan)
3.
Pada jendela Enter ERDAS (.lan) Filenames, tentukan file yang akan digunakan (dalam hal ini file smg_raw.lan),
klik Open untuk membuka file.
Tipe file penyimpanan pada format standar ENVI adalah BSQ, sedangkan pada
format *.lan adalah BIL. Sehingga diperlukan proses konversi untuk dapat
membaca file tersebut.
4.
Muncul jendela Available Bands List, perhatikan jumlah saluran. Ada 6 saluran
yang muncul, namun Anda harus jeli, saluran 6 yang terlihat pada jendela
tersebut sebenarnya adalah saluran ETM7 (Inframerah Tengah II). Saluran
ETM6 tidak disertakan karena berupa saluran Inframerah Termal dengan ukuran
piksel yang berbeda.
B. MENAMPILKAN CITRA
Setelah mengimpor data citra, langkah selanjutnya adalah menampilkan citra di layar komputer untuk mengetahui
kondisi liputan citra, baik dari segi sebaran pola obyek secara geografis maupun kualitas citra itu sendiri. Cara display
citra digital yang pertama adalah dalam mode Gray Scale atau berdasar tingkat keabuan yang merepresentasikan
intensitas pantulan spektral obyek pada saluran tertentu (single band).
1.
Pada jendela Available Bands List, klik radio button Gray Scale
2.
3.
Jendela Image : perbesaran dari jendela Scroll, sekaligus memuat beberapa menu informasi citra dan
pengolahan sederhana, dan
Jendela Zoom : perbesaran dari jendela Image, dimana kenampakan per-piksel dapat dengan mudah
diamati.
4.
Amati seluruh citra, geserlah box merah baik pada jendela Scroll maupun Image. Pada jendela Zoom, Anda bisa
melakukan zoom-in atau zoom-out dengan klik tanda + atau di sebelah kiri bawah kotak jendela Zoom. Angka
perbesaran akan muncul di bar jendela Zoom.
5.
6.
Jika Anda ingin menampilkan saluran lain pada jendela display citra yang sama, klik saluran yang diinginkan
kemudian klik Load Band.
7.
Jika Anda ingin menampilkan saluran yang lain pada jendela display citra baru, klik button Display #.... (di sebelah
kanan button Load Band) > New Display, sehingga muncul jendela display baru yang kosong.
8.
C. LINK DISPLAY
Salah satu kelebihan software ENVI adalah adanya fungsi linkage antar saluran citra (bahkan antar citra). Basis
hubungan berdasarkan posisi piksel atau koordinat geografis.
1.
Tampilkan 2 jendela display citra dengan saluran yang berbeda, atur sehingga Anda nyaman.
2.
Pada salah satu jendela Image, klik menu Tools > Link > Link Displays.
3.
Pada jendela Link Displays, tentukan Display #1 Yes, Display #2 Yes, Link Size/Position pilih salah satu,
Dynamic Overlay on, Transparency 0, klik OK.
4.
Perhatikan kenampakan display citra akan sama antara kedua jendela display.
5.
Klik kiri mouse dan tahan pada citra di jendela Image untuk mengetahui perbedaan respon spektral obyek
terhadap saluran yang berbeda. Lepas klik untuk kembali ke semula.
6.
Lakukan untuk semua variasi saluran. Anda bisa menambahkan jendela menjadi 3 atau 4 sesuai kebutuhan.
7.
Jika display citra lebih dari 2, pada jendela Link Displays Anda bisa mengatur Display # yang akan diaktifkan.
8.
Untuk menghilangkan Link, pada jendela Image klik menu Tools > Link > Unlink Display.
Perhatikan perbedaan respon spektral pada obyek air, lahan terbuka, vegetasi kerapatan tinggi, dan vegetasi
kerapatan rendah.
2.
Pilih titik-titik pengamatan yang ekstrim (misalnya laut atau danau untuk obyek air, daerah pegunungan untuk
vegetasi kerapatan tinggi, dsb) dan posisinya tetap untuk setiap saluran (gunakan koordinat posisi piksel sebagai
panduan pengamatan nilai piksel tiap saluran).
3.
Untuk membaca posisi dan nilai piksel, klik menu Tools > Cursor Location/ Value.
4.
Pada jendela Cursor Location/ Value muncul angka posisi dan nilai piksel yang mengikuti kemanapun cursor Anda
arahkan pada citra. Jika kedua jendela masih dalam kondisi Link, maka nilai piksel kedua saluran akan muncul
seperti gambar di bawah ini.
Posisi piksel
Nilai Piksel Saluran #1
Nilai Piksel Saluran #2
5.
Amati minimal 9 piksel untuk setiap obyek per-saluran. Catat koordinat, nilai piksel, dan rerata nilai piksel untuk
satu obyek pada saluran tertentu dianggap mewakili nilai pantulan spektral obyek tersebut pada saluran yang
digunakan.
6.
Buat tabel catatan nilai piksel untuk obyek-obyek di atas pada semua saluran, sehingga Anda memiliki nilai piksel
pantulan spektral obyek yang diukur pada semua saluran.
Tabel pembacaan nilai piksel
Saluran
1
2
3
4
5
7
Koordinat pusat
NPair
rNPair
NPltbk
rNPltbk
NPvkt
2,1,2,3,1,2,2,3,2
rNPvkt
2
NPvkr
rNPvkr
TUGAS : Plot nilai piksel rerata dari tabel di atas pada diagram pencar. Dimana sumbu x adalah panjang gelombang
saluran dan y adalah nilai piksel. Beri notasi yang berbeda (atau warna yang berbeda) untuk obyek yang
berbeda. Amati pola pantulan yang terjadi, bandingkan dengan kurva pantulan spektral. Apa yang dapat
Anda simpulkan dari diagram pencar tersebut?
E.
Pada jendela Available Bands List, pilih radio button RGB, jendela Selected Band berubah menjadi 3 saluran
dengan urutan pewarnaan RGB.
2.
Untuk pertama kali, buatlah komposit warna semu standar. Masukkan saluran input komposit, perhatikan radio
button warna (RGB) yang aktif, dan klik saluran untuk input. Jika ketiga saluran sudah Anda masukkan, cek sekali
lagi agar tidak terjadi kesalahan.
3.
Klik Load RGB untuk menampilkan citra komposit pada jendela display image.
4.
Amati kenampakan yang terjadi pada citra komposit, catat warna yang terjadi pada ke-empat obyek yang
sebelumnya Anda teliti. Lihat posisi koordinatnya pada tabel.
5.
6.
Buat jendela display image baru, buat komposit R: ETM3, G: ETM2, dan B: ETM1, amati warna yang terbentuk.
7.
Link-kan dengan komposit 432, amati dan catat warna juga nilai piksel ke-empat obyek yang sama pada citra
komposit 321.
8.
Cobalah untuk membuat komposisi saluran yang lain (452, 457, 352, dsb). Pilih salah satu yang Anda anggap
menyajikan obyek secara visual terbaik. Amati dan catat juga nilai piksel untuk ke-empat obyek di atas.
Apa yang disebut dengan komposit warna asli (true color composite), dan bagaimana cara memperolehnya? Apa
bedanya dengan komposit warna semu (false color composite)?
2.
Berdasarkan catatan nilai piksel Anda untuk tiap obyek pada 3 komposit yang berbeda.
Jelaskan mengapa warna vegetasi kerapatan tinggi pada citra komposit 432 berwarna merah pekat, sedangkan
pada citra komposit 321 berwarna hijau kehitaman? Jelaskan pula untuk warna yang terbentuk pada citra
komposit non-standar yang Anda pilih.
3.
Perbandingkan ketiga citra komposit, buat tabel tingkat kemudahan pengenalan ke-empat obyek dari sangat
mudah, mudah, agak sulit, sulit, dan sulit sekali. Buatlah kesimpulan.
4.
F.
Bagaimana prinsip membuat citra komposit yang lebih menonjolkan obyek tanah?
2.
Pada menu jendela image display klik Overlay > Region of Interest.
3.
Pada jendela #1 ROI Tool, pilih radio button Window Zoom. Klik ROI_Type
> Polygon. Klik Region #1 (Red) 0 points, kemudian klik Edit. Ubah nama
dan warna (jika perlu), misalnya tubuh air (biru). Klik OK jika sudah.
4.
Arahkan cursor ke jendela Scroll atau image, arahkan box ke obyek air yang
sebelumnya diamati, pastikan posisinya tepat.
5.
Arahkan cursor ke jendela Zoom, perbesar hingga Anda bisa melihat jelas per piksel. Tentukan kelompok piksel
yang cenderung homogen untuk obyek air. Ambil sampelnya dengan membuat poligon, klik kanan untuk menutup
poligon, dan klik kanan sekali lagi untuk memunculkan warna.
6.
Lakukan prosedur serupa untuk obyek yang lain. Simpan ROI, klik File > Save ROIs, klik Select All Items,
masukkan direktori penyimpanan dan nama file ROI.
Pada jendela Image, klik File > Preferences, Set Image Window Xsize = 700 dan Ysize = 1000, klik OK. Ini
dimaksudkan untuk menampilkan keseluruhan potongan citra pada diagram pencar.
2.
Pada menu Image klik Tools > 2-D Scatter Plots, tentukan saluran untuk sumbu x dan y, klik OK. Muncul
diagram pencar, kemudian atur sehingga jendela diagram pencar berada di luar jendela Image.
3.
Pada jendela Scatter Plot klik File > Import ROIs, klik Select All Items, OK. Warna obyek akan muncul baik di
citra maupun di diagram pencar. Amati kecenderungan pengelompokan obyek pada diagram pencar.
4.
Cobalah untuk variasi sumbu x dan y yang lain, pada jendela scatter plot klik Options > Change Bands, tentukan
saluran yang dibutuhkan. Amati juga pola spektral untuk obyek-obyek di atas.
5.
Untuk lebih memperjelas dimana obyek pada scatter plot, klik kiri pada citra dan gerakkan, maka pada scatter plot
akan mengikuti gerakan cursor Anda dimana spektral obyek berada.
6.
Simpan salah satu diagram pencar dengan pola pengelompokan obyek, beri notasi untuk pengelompokan
spektralnya. Analisis pengelompokan obyek yang terjadi dan sertakan dalam laporan.
Vegetasi rapat
Tanah kosong
Vegetasi jarang
Tubuh air
Gambar pola pengelompokan spektral obyek air, tanah kosong, vegetasi rapat,
dan vegetasi jarang pada saluran 3 vs 4.
MODUL 2
KOREKSI RADIOMETRIK DAN GEOMETRIK
A. KOREKSI RADIOMETRIK
Nilai piksel merupakan hasil bit-coding informasi spektral dari obyek di permukaan bumi. Informasi spektral ini
mencapai detektor pada sensor dalam bentuk radiansi spektral (spectral radiance) dengan satuan miliWatt cm-2 sr-1
m-1. Secara teoritik, pada suatu sistem penginderaan jauh ideal, nilai pantulan spektral obyek di permukaan bumi
sama dengan nilai radiansi spektral yang terekam di detektor. Namun pada spektrum tampak dan perluasannya (0,36
sekitar 0,9 m), informasi spektral obyek di permukaan bumi biasanya mengalami bias, karena ada hamburan dari
obyek lain di atmosfer, khususnya partikel debu, uap air, dan gas triatomik lainnya. Dengan adanya bias tersebut maka
diperlukan koreksi untuk memperbaiki nilai piksel supaya sesuai dengan yang seharusnya. Rumus umum koreksi nilai
piksel pada setiap scene adalah dengan mengurangi setiap nilai pada citra yang akan dikoreksi dengan nilai bias :
BVtekoreksi = BVasli - bias
Pencarian nilai bias dapat dilakukan dengan beberapa cara, antara lain; penyesuaian histogram (histogram
adjustment), penyesuaian regresi, kalibrasi bayangan (shadow callibration), dan metode diagram pencar (metode
Bronsveld) (Projo Danoedoro, 1996). Metode koreksi radiometrik yang digunakan dalam praktikum ini adalah
penyesuaian histogram. Metode ini dipilih karena relatif sederhana, waktu pemrosesan singkat, dan tidak melibatkan
perhitungan matematis yang rumit. Metode ini dilandasi oleh asumsi bahwa dalam proses koding digital oleh sensor,
obyek yang memberikan respon spektral paling lemah atau tidak memberikan respon sama sekali seharusnya
bernilai 0. Apabila nilai minimal > 0, maka nilai tersebut dihitung sebagai offset, dan koreksi dapat dilakukan dengan
mengurangi keseluruhan nilai dengan offset. Namun demikian dalam kenyataan belum tentu nilai minimum piksel
adalah 0 pada setiap saluran, sehingga penggunaan metode ini juga harus hati-hati. Untuk alasan praktis
praktikum, metode ini digunakan, namun sekali lagi bukan satu-satunya metode koreksi radiometrik.
PEMBACAAN NILAI MINIMUM DAN MAKSIMUM SALURAN
1.
2.
Hitung statistik citra, pada bar menu klik Basic Tools > Statistics > Compute Statistics, muncul jendela
Calculate Statistics Input File.
3.
Pilih file citra yang akan dihitung statistiknya, dengan kondisi sebagai berikut :
4.
5.
Aktifkan tanda chek Text Report, Min/Max/Mean Plot, Calculate Histogram Statistic, Histogram Plots, dan
Histogram plots per window = 1.
6.
Masukkan nama dan direktori file statistik output. Tentukan pada folder Anda, beri nama radiometrik.sta.
7.
Aktifkan juga Report untuk Screen dan File, tentukan direktori save-in dan beri nama smg_minmax.txt.
8.
Klik OK, muncul text report statistik citra, histogram citra persaluran, dan grafik min-max nilai piksel.
9.
10. Tentukan saluran yang akan Anda koreksi, cari histogramnya. Untuk mengetahui saluran histogram klik kanan
pada plot histogram > Plot Key.
11. Simpan gambar histogram saluran yang akan dikoreksi.
Pada jendela histogram klik File > Save Plot As > Image File. Output File Type: JPEG dan tentukan nama serta
direktori save-in, klik OK. (Histogram ini digunakan untuk memperbandingkan dengan histogram setelah koreksi).
PROSES KOREKSI RADIOMETRIK
1.
2.
3.
4.
Lakukan untuk saluran yang lain. Meskipun nilai minimum 0 lakukan juga Band
Math dengan bias 0, sehingga akan terbentuk file saluran secara terpisah.
5.
Tampilkan citra salah satu saluran sebelum dikoreksi dan tampilkan juga citra
saluran tersebut setelah dikoreksi radiometrik-nya.
6.
7.
Cek nilai pikselnya. Apakah nilai piksel citra terkoreksi sesuai dengan pengurangan bias?
8.
Tampillkan statistik citra terkoreksi beserta histogramnya, catat perubahannya, simpan juga histogramnya.
Perbandingkan dengan histogram sebelum koreksi, beri komentar dan sertakan dalam laporan.
B. KOREKSI GEOMETRIK
Koreksi geometrik (sering disebut rektifikasi) pada citra dimaksudkan untuk mengembalikan posisi piksel
sedemikian rupa, sehingga sesuai dengan posisi sebenarnya di permukaan bumi. Menurut Jensen (1996), ada dua
proses dasar dalam rektifikasi geometri, yaitu interpolasi spasial dan interpolasi intensitas. Interpolasi spasial adalah
penentuan hubungan geometrik antara lokasi piksel pada citra masukan dan peta. Pada proses ini dibutuhkan
beberapa titik kontrol medan (Ground Control Point/ GCP) yang dapat diidentifikasi pada citra dan peta. Apabila
persamaan transformasi koordinat diterapkan pada titik-titik kontrol maka diperoleh residual x dan residual y. Residual
adalah penyimpangan posisi titik yang bersangkutan terhadap posisi yang diperoleh melalui transformasi koordinat
yang kemudian dinyatakan sebagai nilai Residual Means Square Error atau RMS(error).
Tingkat keberhasilan dalam tahap ini biasanya ditentukan dengan besarnya nilai ambang RMS(error) total, atau
yang dikenal dengan istilah sigma. Menurut ketelitian baku peta nasional Amerika Serikat (US National Map Standard),
nilai sigma citra harus lebih kecil daripada setengah resolusi spasial citra yang bersangkutan (Eastman, 1997, dalam
Like Indrawati, 2001), sehingga rata-rata pergeseran posisi yang dapat diterima dari hasil koreksi ini nantinya adalah
0,5 x ukuran piksel.
Dalam melakukan transformasi koordinat, terdapat beberapa macam transfromasi polinomial yang satu dengan
yang lain memberikan ketelitian yang berbeda-beda (Jensen, 1996) yaitu :
Transformasi affine, yaitu memerlukan minimal 4 titik kontrol untuk mengubah posisi geometrik citra sama dengan
posisi geometerik referensi (peta). Transformasi ini lebih sesuai untuk daerah yang bertopografi relatif datar atau
landai.
Transformasi orde dua, yang dapat dijalankan minimal dengan 6 titik kontrol (atau 12 parameter), dengan ketelitian
yang pada umumnya lebih akurat dibandingkan dengan transformasi affine.
Transformasi orde tiga, yang dapat dijalankan minimal dengan 10 titik kontrol (20 parameter), dan lebih tepat untuk
daerah dengan variasi topografi yang besar.
Interpolasi nearest neighbor, dimana nilai baru untuk piksel dengan posisi baru diambil dari nilai piksel lama pada
posisi lama yang terdekat.
Interpolasi bilinear, dimana nilai piksel baru pada posisi baru dihitung dengan mempertimbangkan 4 nilai piksel
lama pada posisi lama yang terdekat.
Interpolasi cubic-convolution, yang memperhitungkan 16 nilai piksel lama pada posisi lama terdekat.
2.
Pada bar menu, klik Map > Registration > Select GCPs : Image to Map
3.
Pada jendela Image to Map Registration tentukan parameter sistem koordinat UTM,
datum WGS 84, unit meter, zona 49 S, klik OK.
4.
Perhatikan kenampakan obyek pada citra dan peta. Analisis daerah liputan citra, dan
tentukan berapa banyak GCP yang akan Anda gunakan, serta di mana saja.
Diskusikan dengan asisten jika perlu.
5.
Pada jendela GCP Selection, masukkan koordinat peta suatu titik pada box yang
kosong, perhatikan easting dan northing-nya.
6.
Untuk
memasukkan
koordinat
tersebut
7.
8.
9.
Jika jumlah GCP telah sesuai dengan rencana dan RMS kecil, simpan GCP Anda. Pada jendela GCP Selection,
klik File > Save GCPs w/ map coords. Tentukan direktori dan beri nama.
PROSES REKTIFIKASI
1.
Pada jendela GCP Selection, klik Option > Warp File, tentukan file yang akan
direktifikasi, klik OK.
2.
3.
Pada jendela Available Bands List muncul file hasil rektifikasi dengan tambahan
header citra berupa Map Info yang menyimpan informasi seputar sistem proyeksi
dan koordinat citra.
4.
Tampilkan citra hasil rektifikasi pada jendela image yang baru, amati
perubahannya. Cek koordinatnya dengan Cursor Location/Value.
5.
Untuk melakukan rektifikasi terhadap saluran yang lain pada bar menu utama klik
Map > Registration > Warp from GCPs : Image to Map
6.
Panggil file GCP Anda. Cek parameter Image to Map Registration. Tentukan file
saluran lain yang akan di rektifikasi.
7.
Sumber kesalahan pada citra dapat dibagi menjadi kesalahan sistematik dan non-sistematik. Apa yang dimaksud
dengan kesalahan sistematik dan non-sistematik? Bagaimana hal tersebut bisa terjadi?
2.
Proses resampling nilai piksel dapat menggunakan teknik nearest neighbor, bilinear, dan cubic-convolution. Jika
Anda akan menggunakan citra hasil koreksi geometrik untuk analisis berbasis nilai spektral (misalnya klasifikasi
multispektral), maka teknik mana yang akan Anda gunakan untuk resampling? Jelaskan mengapa Anda pilih
teknik tersebut!
MODUL 3
PENAJAMAN CITRA DAN PEMFILTERAN SPASIAL
A. PENAJAMAN CITRA
Penajaman citra (image enhancement) meliputi semua operasi yang menghasilkan citra baru dengan
kenampakan visual dan karakteristik spektral yang berbeda dengan citra asli. Tujuannya adalah untuk memperoleh
kesan kontras citra yang lebih tinggi, dan semata-mata hanya untuk analisis visual. Hal ini dapat dilakukan dengan
mentransformasikan seluruh nilai kecerahan citra. Sehingga sangat tidak direkomendasikan untuk menggunakan
citra hasil transformasi ini untuk analisis lebih lanjut yang berbasis nilai piksel. Ada 2 algoritma utama untuk
penajaman kontras, yaitu perentangan kontras (contrast stretching) dan ekualisasi histogram (histogram equalization).
PERENTANGAN KONTRAS
Ada tiga cara yang dapat digunakan dalam perentangan kontras, sesuai dengan range nilai piksel suatu citra (Projo
Danoedoro, 1996):
Perkalian nilai piksel, misalnya suatu citra memiliki range nilai piksel 0 25, bila dikalikan faktor pengali 3, maka
range akan berubah menjadi 0 75. Perubahan lebar julat nilai piksel menjadikan citra lebih tajam kontrasnya.
Pengkondisian, misalnya suatu citra dengan range 0 25 akan direntang menjadi 0 255. Transformasinya
sebgai berikut :
BVoutput =
BVinput - BVmin
BVmaks - BVmin
* 255
Pemampatan kontras, citra dengan range nilai piksel lebar dimampatkan sehingga range-nya sempit.
1.
Cek range nilai piksel citra, cara yang akan digunakan adalah perentangan linier dengan pemotongan ekor
histogram.
2.
3.
Pada jendela display image, klik Enhance, muncul sub-menu tipe stretching default yang dapat langsung Anda
pilih. Untuk pemakaian advance pilih Interactive Stretching sehingga muncul jendela histogram saluran.
4.
Pada jendela histogram pilih menu Histogram_Source > Band, dan Stretch_Type > Linear.
5.
Pada box Stretch Anda dapat memasukkan nilai piksel pemotongan cut-off dan saturation atau persentase
kumulatif-nya, kemudian tekan Enter sehingga Stretch Bar bergeser sesuai angka yang dimasukkan. Bisa juga
nilai tersebut Anda peroleh dengan menggeser Stretch Bar sesuai dengan kebutuhan. Perhatikan perubahan pada
output histogram.
6.
7.
8.
10
EQUALISASI HISTOGRAM
1.
2.
Langkahnya sama seperti pada perentangan kontras, namun pada jendela histogram pilih menu
Histogram_Source > Band, dan Stretch_Type > Equalization.
3.
4.
Bandingkan dengan citra hasil penajaman antara linear contrast stretching dengan histogram equalization.
5.
Anda dapat eksplorasi untuk tipe perentangan kontras yang lain, seperti Piecewise Linear, Gaussian, atau Square
Root. Bandingkan hasilnya.
B. PEMFILTERAN SPASIAL
Pemfilteran spasial adalah suatu cara untuk ekstraksi bagian data tertentu dari suatu himpunan data, dengan
menghilangkan bagian data yang tidak diinginkan. Atau secara sederhana merupakan cara untuk menyaring informasi
sehingga menghasilkan informasi yang selektif yang tidak dapat dilihat pada kondisi biasa. Operasi ini diterapkan
dengan menggunakan algoritma moving window dan mempertimbangkan nilai piksel tetangga (sering disebut local
operation), sehingga hasilnya berupa citra baru dengan variasi nilai spektral yang berbeda dari citra asli. Ada banyak
jenis filter digital, tetapi dalam konteks penajaman kontras citra ada 2 macam filter utama, yaitu filter high-pass dan filter
low-pass. Filter high-pass menghasilkan citra dengan variasi nilai kecerahan yang besar, sedangkan filter low-pass
berfungsi sebaliknya.
1.
2.
3.
Pertama, dari jendela display klik Enhance > Filter, pilih filter sharpen,
smooth, atau median. Secara otomatis citra akan terfilter. Bandingkan
dengan citra asli tanpa filter.
4.
5.
Pada jendela Convolutions and Morphology Tool, klik Convolutions > pilih tipe filter. Tentukan jumlah kernel dan
perhatikan nilai pada kernel.
6.
TUGAS :
Cobalah dengan jenis filter yang lain, catat filter yang digunakan dan perubahan yang terjadi. Analisis fungsi dari
penggunaan jenis filter tersebut.
7.
Untuk membuat filter sesuai dengan kebutuhan, klik Convolutions > User Defined, gunakan ukuran kernel 3x3,
masukkan nilai kernel sebagai berikut :
8.
-2
-2
-1
-1
-1
-1
-2
-2
-1
-1
16
-1
-2
-1
-1
-1
Quick Apply, dan amati yang terjadi pada citra. Analisis hubungan antara angka-angka pada kernel dengan citra
hasil pemfilterannya.
11
MODUL 4
TRANSFORMASI CITRA
A.
FUSI CITRA
Fusi citra merupakan proses penggabungan beberapa citra ke dalam suatu komposit citra. Biasanya proses ini
dilakukan untuk mempertinggi/mempertajam resolusi spasial citra multispektral menggunakan citra pankromatik yang
memiliki resolusi spasial lebih tinggi. Untuk dapat melakukan proses ini, data harus georeferenced, atau jika tidak
georeferenced maka data harus meliput daerah yang sama, dengan ukuran piksel yang sama, ukuran citra yang sama,
dan orientasi yang sama pula. Alur proses ini dapat digambarkan sebagai berikut :
Landsat ETM
Band 2
Landsat ETM
Band 4
Landsat ETM
Pankromatik
Contrast
Stretch
Landsat ETM
Band 3
Red
Green
Red
Hue
RGB
to HSI
Blue
Saturation
HSI to
RGB
Intensity
Green
Color
Composite
Blue
Intensity
Buka file smg_raw.lan (citra multispektral, 30m) dan smgp_raw (citra pankromatik, 15m), keduanya belum
georeferenced.
2.
3.
Muncul jendela Resize Data Parameters, pada Output File Dimensions ganti xfac = 2, dan yfac = 2. Angka
tersebut merupakan faktor perbesaran dari dimensi 700 x 1000 ke 1400 x 2000, mengapa dimensi diubah?
4.
Tentukan metode resampling dan simpan file output. File otomatis berada pada jendela Available Bands List.
5.
6.
Simpan file hasil transformasi atau biarkan hanya sebagai memory. OK.
7.
Stretch data pankromatik untuk menggantikan posisi intensity value citra komposit
Klik Basic Tools > Stretch Data, masukkan data pankromatik, OK.
8.
Pada jendela Data Stretching, masukkan pada box Output Data Range min = 0 dan max = 1.0. Simpan hasil
stretch sebagai file atau memory, OK.
9.
12
Buka citra yang telah terkoreksi geometrik, dan juga file smgp.
2.
3.
4.
5.
Pilih metode resampling dan simpan output sebagai file atau memory, OK. Load RGB.
6.
Anda juga bisa mencoba fusi dengan metode normalisasi warna Brovey.
Buat jendela display baru, tampilkan komposit yang sama dengan tampilan di atas.
7.
8.
Masukkan jendela input (Display #2), masukkan citra resolusi tinggi, OK. Pilih metode resampling dan simpan
output sebagai file atau memory. OK.
9.
B.
PENISBAHAN SALURAN
Penisbahan saluran (Band Ratios) digunakan untuk menonjolkan perbedaan spektral antar saluran dan
mengurangi efek topografi. Pembagian satu saluran spektral dengan yang lain menghasilkan citra yang memberikan
intensitas relatif saluran. Citra tersebut memperjelas perbedaan spektral antar saluran, juga menonjolkan aspek
informasi tertentu yang tidak muncul pada citra biasa. Untuk menonjolkan beberapa aspek hasil penisbahan saluran
secara simultan, maka bisa disusun suatu citra komposit yang lebih dikenal dengan Color-Ratio-Composite (CRC).
Pada praktikum ini Anda akan mencoba membuat penisbahan saluran pada citra Landsat 7 ETM sebagai berikut :
1.
Panggil file citra yang sudah terkoreksi baik radiometrik maupun geometrik.
2.
Pada menu utama klik Transform > Band Ratios, masukkan saluran sebagai pembilang (numerator) dan
penyebut (denominator).
3.
Klik Enter Pair, dan OK. Simpan citra sebagai file atau memory. Tampilkan citra hasil.
4.
5.
Kemudian buatlah komposit warna citra penisbahan (CRC) 5/7, 3/1, 2/4 (RGB), tampilkan dan pertajam dengan
equalisasi histogram default pada jendela display image.
6.
Perhatikan kenampakan di citra komposit, tanah lempung atau karbonat berwarna magenta, oksida besi
berwarna hijau, dan vegetasi berwarna merah. Anda dapat mengembangkan sendiri komposisi warnanya untuk
menonjolkan aspek yang lain.
13
C.
NIR + Red
Buka file citra yang telah terkoreksi baik radiometrik maupun geometrik, dalam hal ini file smg.
2.
Pada menu utama klik Transform > NDVI (Vegetation Index), pilih file di atas.
3.
Tentukan saluran inframerah dekat dan saluran merah, simpan file atau sebagai memory. OK.
4.
2.
3.
Pada jendela density slice, klik Option > Apply Default Ranges.
4.
Edit Range untuk mengedit range dan warna jika perlu. Jika
sudah klik Apply, citra dengan 5 level kerapatan vegetasi
terbentuk. Simpan citra terklasifikasi.
TM1
TM2
TM3
TM4
TM5
TM7
Brightness
0,33183
0,33121
0,55177
0,42514
0,48087
0,25252
Greenness
-0,24717
-0,16263
-0,40639
0,85468
0,05493
-0,11749
Wetness
0,13929
0,22490
0,40359
0,25178
-0,70133
-0,45732
14
Untuk data Landsat TM, tasseled cap vegetation index terdiri dari: Brightness, Greenness, dan Third. Brightness
(sumbu kecerahan) dan Greenness (sumbu kehijauan) ekuivalen dengan SBI dan GVI Landsat MSS, dan sumbu ketiga berhubungan dengan obyek tanah, termasuk status kelembaban tanah. Untuk data Landsat 7 ETM, transformasi
tasseled cap menghasilkan 6 saluran output: Brightness, Greenness, Wetness, Fourth (Haze), Fifth, Sixth. Buka
website http://landcover.usgs.gov/pdf/tasseled.pdf untuk lebih jelasnya.
1.
2.
Pada menu utama klik Transform > Tasseled Cap, masukkan file, OK.
3.
Pada Input File Type pastikan Landsat 7 ETM, simpan file, dan klik OK.
4.
Tampilkan masing-masing citra baru yang terbentuk. Bandingkan juga antara citra greeness dengan citra NDVI.
5.
Buat citra komposit dari citra baru tersebut R : citra brightness, G : citra greeness, dan B : citra wetness. Citra
komposit ini merupakan penajaman dari obyek tanah kering, vegetasi rapat, dan air atau tanah lembab. Amati dan
analisis warna yang terjadi.
Dede dan Carolita (1996) mengemukakan algoritma untuk menentukan Indeks Kelangasan Tanah sebagai berikut :
IKL =
1.
Coba Anda aplikasikan algoritma di atas pada citra transformasi tasseled cap.
Gunakan Band math atau Band Ratios.
2.
15
MODUL 5
KLASIFIKASI MULTISPEKTRAL
Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas tertentu. Biasanya tiap piksel
diproses sebagai unit individual yang tersusun dari beberapa saluran spektral. Dengan cara membandingkan piksel satu
dengan yang lainnya, dan dengan piksel yang diketahui identitasnya, maka sangat memungkinkan untuk mengelompokkan
piksel dengan karakteristik yang sama ke dalam suatu kelas. Kelas-kelas tersebut membentuk area pada peta atau citra,
sehingga setelah terklasifikasi citra digital direpresentasikan sebagai mosaik dari unit-unit pemetaan yang seragam dengan
simbol atau warna yang spesifik. Secara teoritik, kelas-kelas tersebut tersusun dari piksel-piksel yang homogen, namun
secara praktis hal tersebut sulit ditemui, kebanyakan piksel dalam suatu kelas adalah bervariasi.
Asumsi yang digunakan dalam klasifikasi multispektral ialah bahwa setiap obyek dapat dibedakan dari yang lainnya
berdasarkan nilai spektralnya. Dari beberapa penelitian eksperimental diperoleh hasil bahwa tiap obyek cenderung
memberikan pola respon spektral yang spesifik. Ada beberapa metode klasifikasi multispektral, yaitu: unsupervised
classification, supervised classification, dan hybrid classification. Klasifikasi unsupervised memproses pengelompokan alami
piksel dalam citra dengan interaksi analis yang minimal. Lain halnya dengan prosedur klasifikasi supervised yang melibatkan
interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi obyek pada citra (training
area). Sedangkan klasifikasi hybrid, merupakan jembatan diantara keduanya, atau gabungan prosedur keduanya.
A. KLASIFIKASI TAK TERSELIA (UNSUPERVISED CLASSIFICATION)
Dalam klasifikasi citra secara digital, informasi yang dapat disadap dari piksel adalah penutup lahan.
1.
2.
Pada menu utama klik Classification > Unsupervised > IsoData, pilih citra multispektral, OK.
3.
Masukkan parameter yang dibutuhkan, masukkan Maximum Iteration = 3, Minimum # Pixel in Class = 9. Simpan
citra sebagai file. Klik OK untuk eksekusi.
4.
Tampilkan citra, cek jumlah kelas yang terbentuk, pada image display klik Overlay > Annotation, pada jendela
Annotation pilih Object > Map Key, klik box Edit Map Key Items, hitung berapa kelas yang ada.
5.
Tampilkan juga citra komposit, bandingkan kenampakan keduanya, gunakan Link. Analisis hasil klasifikasinya.
6.
Coba juga untuk metode K-Means, klik Classification > Unsupervised > K-Means. Pilih citra dan masukkan
parameter yang dibutuhkan, masukkan jumlah kelas sejumlah kelas Iso Data. Simpan sebagai file dan klik OK
untuk eksekusi.
7.
2.
Ambil training area atau sampel (Region of Interest/ ROI) tiap obyek penutup
lahan.
Lihat caranya di Pengambilan Sampel Obyek (Modul 1 point F).
16
Beberapa hal yang harus diperhatikan dalam pengambilan sampel sebagai berikut :
Sampel harus homogen, dengan jumlah + 100 piksel. Homogenitas sampel dapat terlihat dari warna yang
sama pada citra komposit.
Beri nama sampel sesuai analisis Anda dan beri warna tertentu, buat catatan yang sistematis. Untuk alasan
praktis, suatu obyek dapat Anda bagi menjadi beberapa kelas (misal vegetasi1, vegetasi2, dsb.) asalkan
Anda punya catatan karakteristik obyek tiap kelas.
Lengkapi training area sehingga sebagian besar obyek tersampel dengan baik.
Simpan ROI, beri nama yang spesifik sehingga Anda mudah mengakses. Jendela ROI jangan ditutup.
4.
Pada menu utama klik Classification > Supervised > pilih salah satu metode, coba pilih Parallelepiped.
5.
Masukkan file input. Pada jendela Parallelepiped Parameter jika Anda belum menutup jendela ROI, training area
secara otomatis sudah masuk. Klik Select All Items. Simpan file output dan rule-nya. Klik OK untuk eksekusi.
6.
Tampilkan citra terklasifikasi, jika masih ada piksel yang berwarna hitam berarti belum terklasifikasi. Sempurnakan
klasifikasi dengan cara menambah kelas pada ROI yang Anda buat, identifikasi piksel tak terklasifikasi bisa Anda
lakukan dengan me-link-kan citra terklasifikasi dengan citra komposit warna. Amati daerah-daerah tak
terklasifikasi. Selanjutnya ulangi proses klasifikasi, hingga jumlah piksel tak terklasifikasi minimal.
7.
Jika piksel tak terklasifikasi sedikit. Coba Anda pakai ROI yang sama untuk proses klasifikasi dengan metode yang
lain (Minimum Distance, Mahalanobis Distance, dan Maximum Likelihood). Kemudian bandingkan hasilnya.
17
1.
Pilih salah satu citra hasil klasifikasi yang Anda anggap paling baik, tampilkan.
2.
pada menu utama klik Classification > Post Classification > Majority/Minority Analysis.
3.
4.
Select All Items untuk memilih semua kelas, pada Analysis Method klik radio button Majority, simpan sebagai file
majority1. Klik OK untuk eksekusi.
5.
Tampilkan citra hasil majority dan link-kan dengan citra klasifikasi. Amati perubahan distribusi kelas klasifikasi.
6.
Jika untuk tujuan tertentu Anda rasa masih terlalu banyak piksel terisolir, lakukan sekali lagi pemfilteran majority
untuk file citra majority1, kemudian beri nama majority2.
Anda harus bijak dalam melakukan proses filter mayoritas, ingat 1 piksel pada citra Landsat 7 ETM mewakili
luasan berukuran 30 x 30 meter.
2.
Pada jendela display image klik Overlay > Grid Lines, grid koordinat akan muncul, sekaligus background dengan
warna putih.
3.
Atur lebar background untuk menempatkan keterangan tepi citra. Pada jendela Grid Line Parameters, klik Option
> Set Display Borders. Masukkan 200 untuk atas dan 100 untuk bawah dan kiri, dan 400 untuk kanan.
4.
Atur grid peta pada Option > Edit Map Grid Attributes, dan grid geografis pada Option > Edit Geographic Grid
Attributes. Klik Apply untuk menampilkan perubahan. Jangan tutup jendela Grid.
5.
Untuk melakukan penambahan judul peta, skala peta, orientasi, legenda, dsb, klik Overlay > Annotation.
6.
Pada jendela Annotation klik Object > Text, tentukan Window: Scroll, warna teks, tipe huruf dan ukurannya,
kemudian ketik teks yang berkaitan dengan peta (judul peta, keterangan pendukung, pembuat, dll).
7.
Klik kiri pada jendela scroll, drag hingga menempati posisi yang diinginkan, jika sudah sesuai klik kanan untuk
fiksasi posisi teks.
8.
Lanjutkan untuk keterangan yang lain, ikuti prosedur yang sama. Jika diperlukan untuk melakukan editing posisi
terhadap obyek yang telah difiksasi, klik Object > Selection/Edit, kemudian drag pada obyek yang akan diedit
posisinya. Tempatkan pada posisi yang diinginkan.
9.
10. Jangan lupa save annotation, File > Save Annotation, beri nama. File ini menyimpan annotasi bukan image-nya.
11. Untuk menyimpan file image, pada jendela display image klik File > Save Image As > Image File, pada Output
Type File pilih JPEG, tentukan direktori dan nama file, OK untuk menyimpan.
18
DAFTAR PUSTAKA
Campbell, James. B. 2002. Introduction to Remote Sensing (3rd edition). New York : The Guilford Press
Dirgahayu, Dede dan Carolita, Ita, 1996, Aplikasi Inderaja Untuk Mendeteksi Sebaran Kelengasan Lahan Secara Kuantitatif,
Majalah LAPAN edisi Januari no. 80 hal 8 18 th 1997
Janssen, L.L.F (ed.). 2000. Principles of Remote Sensing (An introductory textbook). The Netherlands : ITC
Jensen, J.R. 1996. Introductory to Digital Image Processing ; a Remote Sensing Perspective. New Jersey : Prentice Hall
Indrawati, Like. 2001, Karakteristik Pantulan Spektral Kandungan Kelembaban Tanah Permukaan pada Data Digital
Multispektral Landsat TM di Sebagian Propinsi Daerah Istimewa Yogyakarta. Skripsi S-1. Yogyakarta : Fakultas
Geografi UGM
Kamal, Muhammad. 2004, Kajian Kerentanan Banjir Menggunakan Data Digital Landsat ETM+ (Studi Kasus di Sebagian
Lahan Rendah Kabupaten Demak dan Grobogan, Jawa Tengah). Skripsi S-1. Yogyakarta : Fakultas Geografi
UGM
Mather, P.M. 1987. Computer Processing of Remotely Sensed Data. London : John Willey & Sons
Danoedoro, Projo. 1996. Pengolahan Citra Digital; Teori dan Aplikasinya dalam Bidang Penginderaan Jauh. Yogyakarta :
Fakultas Geografi UGM
Sutanto. 1992. Penginderaan Jauh Jilid I. Yogyakarta : Gadjah Mada University Press 2006
Laboratorium Penginderaan Jauh Dasar Fakultas Geografi UGM_____________________________________________________
19