BAB I

PENDAHULUAN
1.1

Latar Belakang

Penginderaan jauh kini menjadi salah satu ilmu dan teknologi yang dapat diandalkan
dalam berbagai disiplin keilmuan baik untuk penelitian maupun pembangunan yang bertujuan
untuk kesejahteraan bangsa. Seiring dengan berkembangnya ilmu pengetahuan dan teknologi,
penginderaan jauh tidak hanya digunakan dalam lingkup geografi semata karena diyakini
bahwa informasi geografi sangat penting dalam menunjukan sumberdaya alam dan fenomena
spasial, sehingga kebutuhan terhadap citra sebagai salah satu komponen penting dalam
penginderaan jauh semakin meningkat. Citra dari resolusi rendah, menengah, hingga tinggi
semakin dibutuhkan sesuai dengan peruntukannya masing-masing. Dari memiliki spektral
yang sedikit sampai memiliki spektral yang sangat banyak.
Hiperspektral digunakan untuk mengidentifikasi dan mencirikan materi yang unik serta
memiliki informasi yang lebih akurat dan detail dibandingkan citra multispektral. Citra
hiperspektral sudah digunakan untuk mengumpulkan banyak variabel biofisika dan geofisika
seperti kandungan air pada daun, klorofil dan pigmen, mineral dan jenis tanah.
AVIRIS adalah salah satu citra Hiperspektral milik NASA yang diambil melalui
pesawat udara. AVIRIS memiliki tinggi terbang sekitar 20 km sehingga memiliki
kemungkinan mengalami gangguan data akibat Troposfer. Hal inilah yang membuat
pentingnya dilakukan koreksi atmosfer pada citra AVIRIS. Adapun Koreksi atmosfer yang
akan digunakan adalah FLAASH Atmospheric Correction.
1.2

Maksud dan Tujuan Praktikum

Adapun maksud dan tujuan dari praktikum kali ini adalah:

Mahasiswa bisa lebih mengenal citra AVIRIS

Mahasiswa bisa memahami dan melakukan proses koreksi atmosfer dengan

menggunakan FLAASH Atmospheric Correction

BAB II
DASAR TEORI
2.1

Hiperspektal
Pengertian hiperspektral adalah banyaknya jumlah band panjang gelombang yang
terukur antara 100-500, dengan perbedaan panjang gelombang 10<<100. Hiperspektral
dapat digunakan untuk mengidentifikasi dan mencirikan materi yang unik serta memiliki
potensi ekstraksi informasi lebih akurat dan detail dibanding dengan jenis multispektral.
Dikatakan kontinu dan disebut data hiperspektral bila perbedaan panjang
gelombangnya 10 nm, aplikasinya materi yang sejenis secara spektral dapat dibedakan dan
informasi berskala sub piksel dapat diekstraksi, hal ini perlu dikembangkan teknik
pengolahan citra yang baru. Berkaitan dengan sistim pengolahan citra hiperspektral, hal yang
perlu diperhatikan adalah membangun model sistim yang optimum dengan fokus konten
informasinya.
Untuk menjawab dalam penyelesaian pembangunan pengolahan citra hiperspektral
perlu dilengkapi 3 (tiga) dasar yaitu ruang spasial (image space), spectral (spectral space),
dan ruang ciri (feature space). Ruang Spasial yaitu hubungan geometrik antar piksel atau
hubungan antara spectral dengan posisi geografi, ruang spektral adalah kuantifikasi isi piksel
sebagai fungsi dari panjang gelombang atau spectral respon dihubungkan ke jenis materi ,
ruang ciri adalah penyajian piksel sebagai titik di ruang N- dimensi. Terminologi objektifitas
dari sistem pengolahan citra dijital adalah dihasilkannya peta tematik untuk berbagai aplikasi
, melalui pengelompokkan piksel yang sejenis menjadi suatu kelas dan selanjutkan diberikan
label. Persoalannya, dalam suatu ruang ciri data hiperspektral memungkinkan suatu piksel
terasosiasi dalam suatu konten kelas, ini berarti pendekatannya yang dapat dilakukan dengan
melakukan partisi ruang ciri atau delineasi sehingga dapat dihasilkan kelas yang unik, ini
semua mendorong dapat dihasilkannya suatu citra tematik berlabel multiskala.
Sebagaimana dengan konsep statistik terhadap suatu kumpulan data, tuntutannya adalah
optimalisasi kinerja terhadap vektor rata-rata, kovarians, model probabilitas, dan kualitas
kelas. Pernyataan sebelumnya selalu dikaitkan dengan jumlah sampel terhadap jumlah band
yang dimiliki data penginderaan jauh, sehingga akan mereprenstasikan harapan akurasi
klasifikasi. Seperti
yangterlihat pada gambar 2.1 dibawah ini, merupakan fenomena
Hughes.

Gambar 2.1 Fenomena Hughes

Dapat dijelaskan sebagai berikut : dengan jumlah sampel yang sama, maka pemisahan
5

kelas terhadap n band selalu meningkat, pada titik tertentu terjadi kejenuhan dan bahkan
menurun probabilitas hasil klasifikasinya, maka ini terjadi efek counterbalancing. Dalam
menerapkan proses pengkelasan dan pelabelan objek itu dikehendaki adanya exhaustive,
separable dan information value, agar ketiga momen itu secara simultan dapat terjadi perlu
dilakukan pemilihan model klasifikasi yang memenuhi kondisi tersebut. Diharapkan dengan
model seperti ini memberi keuntungan yaitu proses cenderung membuat training sampel
semakin robust dan berlaku untuk keseluruhan data, sehingga meningkatkan generalisasi data
yang melebihi training sampel, proses mencegah fenomena Hughes (menggeser puncak
akurat vs jumlah training, juga meningkatkan akurasi yang lebih tinggi dengan jumlah yang
training sampel yang terbatas), proses diharapkan juga menaksir probabilitas kelas objek lain,
yang tidak dapat dilakukan oleh training sampel, sehingga citra tematik yang dihasilkan
bukan sebagai hasil akhir.
Karakteristik dari data hiperspektral, bila disajikan probabilitas densitasnya berlawanan
dengan fungsi Gauss, gambar 2.2 dibawah ini. Meningkatnya dimensi, magnitudenya
mendekati nol.

Gambar 2.2 Probabilitas Densitas VS Rata-Rata Kelas

Dengan adanya sifat citra hiperspektral yang khusus, citra hiperspektral memiliki
kelebihan-kelebihan jika dibandingkan' dengan citra multispektral. Adapun kelebihan dari
citra hiperspektral adalah sebagai berikut: dapat mengatasi kekurangan-kekurangan
penggunaan citra hiperspektral pada, penginderaan jauh, tidak semua spektrum
elektromagnetik ditampilkan dalam citra multispektral, dalam beberapa kasus penginderaan
jarak jauh, dibutuhkan spektrum yang kontinu dan beresolusi tinggi untuk
mengidentifikasikan spesies vegetasi; terdapat ciri atau informasi yang mirip pada saluran
spektium yang, ditampilkan dalam citra multispektral sehingga penyajian informasi
cenderung berkurang, citra hiperspektral lebih mampu menunjukkan keberagaman mineral
sehingga dapat memperlihatkan keberagaman objek dalam suatu wilayah, citra hiperspektral
dapat mensimulasikan citra multispektral.
Menurut Hughes juga mengemukakan bahwa selain memiliki kelebihan- kelebihan
dikarenakan sifat khusus citra hiperspektral, sifat-sifat khusus yang dimiliki citra
hiperspektral mengakibatkan timbulnya kesulitan-kesulitan dalam analisa dan penggunaan
citra hiperspektral. Adapun kesulitan-kesulitan tersebut meliputi: Citra hiperspektral
biasanya berukuran besar dan mengandung ratusan frame data, hal ini dikarenakan jumlah
spektrum yang banyak dan kontinyu, sehingga perlu adanya algoritma kompresi data yang
efek-tif guna menyimpan data citra hiperspektral, diperlukan algoritma yang cukup efektif
6

untuk memproses dan menganalisa data citra hiperspektral yang besar. Selain itu juga
diperlukan algoritma untuk menghilangkan noise dari setiap saluran spektrum citra
hiperspektral.
Proses pemilihan ciri yang dilakukan memakan waktu komputasi yang cukup besar,
sehingga perlu adanya kriteria dan pellliosesan khusus untuk pemilihan citra. . Dikarenakan
jumlah spektrum yang besar dan jumlah set data latihan yang sedikit mengakibatkan
terjadinya "kutukan dimensi".
2.2

AVIRIS
AVIRIS adalah warisan dari AIS (Airbone Imaing Spectrometer) yang dikembangkan
oleh NASA/JPL dan dioperasikan oleh NASA/JPL menggunakan berbagai macam pesawat
udara. Alat ini mengukur energi matahari yang ditransmisikan, dipantulkan dan yang tersebar
dari permukaan bumi dan atmosfer menggunakan 224 kanal dengan resolusi spasial yang
tinggi dan juga resolusi spektral. AVIRIS dapat dikatakan sebagai instrumen hiperspektral
yang pertama kali beroperasi.
Spektrum Radian AVIRS digunakan untuk mengidentifikasi, mengukur dan mengawasi
konstituen dari permukaan bumi dan atmosfer berdasarkan pada absorsi molekul dan
pesebaran partikel. Daerah penelitian termasuk ; ekologi, oseanogrfi, geologi, hidrologi,
pembelajaran tentang awan dan atmosfer. Data AVIRIS juga digunakan untuk kalibrasi
satelit, pemodelan dan pengembangan serta validasi algoritma. Penelitian menggunakan
AVIRIS secara dominan diarahkan untuk memahami proses yang terkait dengan lingkungan
global dan perubahan iklim.
Latar belakang dibuatnya AVIRIS adalah saat Alexander F. H. Goetz dan temannya di
JPL memulai pengembangan instrumen AVIRIS pada 1980an. Tujuannya adalah untuk
mengenalkan teknologi baru pendeteksi tingkat kepadatan kedalam aplikasi penginderaan
jauh dan juga untuk mendapatkan pengukuran detil dari spektrum Visible dan SWIR.
AVIRIS diterbangkan pertama kali pada 1986, pengambilan data pertama pada 1987,
dan beroperasi secara penuh pada 1989. Pada Juli 1991 intrumen ini sudah terbang
dibeberapa tempat tes di Eropa yang merupakan kerangka dari EMAC (European MultiSensor Airbone Champaign). AVIRIS menggunakan scanning optic dan kkumpulan dari
empat spektrometer untuk menggambarkan petak dengan lebar 677 pixel secara serentak
didalam 224 kanal spektral. Gambar spasial dibangun melalui pergerakan scanner, yang
mendefiniskan garis gambar 677 piksel tegak lurus terhadap arah pesawat, dan melalui
pergerakan dari pesawat udara, didaptlah panjang dari gambar. Jarak Spektral AVIRIS adalah
antara 360-2500nm dengan total 224 kanal.
AVIRIS sekarang adalah instrumen dengan kalibrasi radiometrik dan spektral yang
dapat dipercaya. AVIRIS biasanya mengambil gambar dengan ukuran pixel 20 m dari peswat
udara NASA ER-2 pada ketinggian 20 km. Lebar petak di permukaan adalah 12 km.
AVIRIS juga dapat mengambil data pada ketinggian pesawat udara yang rendah pada resolusi
spasial sebesar 1-4 m untuk mngurangi lebar petak.

Gambar 2.3 Diagram Penggunaan AVIRIS

Semua data AVIRIS diarsipkan di JPL. Sejak 1989 sudah lebih dari 4000 scene
(sebagian besar TB) yang sudah didapatkan.

Gambar 2.4 Parameter AVIRIS

Gambar 2.5 Parameter AVIRIS

2.3

FLAASH Atmospheric Correction

FLAASH adalah tool untuk melakukan Koreksi Atmosfer yang akan mengoreksi
pajang gelombang dari kanal Visible hingga Near Infrared dan SWIR, hingga lebih dari 3
mikrometer. FLAASH biasanya digunakan untu sensor hiperspektral dan multispektral.
Perhitungan uap air dan pengambilan aerosol hanya mungkin bila gambar berisi band dengan
panjang gelombang yang sesuai. FLAASH dapat memperbaiki gambar baik secara vertikal
(nadir) ataupun miring, tergantung geometri.
FLAASH juga memiliki beberapa fungsi sebagai berikut :
- Koreksi pendekatan (pencampuran pixel karena hamburan pemantulan radian di
permuakaan)
- Pilihan untuk menghitung visibiltas rata-rata scene
- Klasifikasi Cirrus dan awan tebal
- Penggunan spektral yang sesuai

BAB III
PELAKSANAAN
3.1

3.2
1.

Alat dan Bahan

Adapun alat dan bahan yang diperlukan dalam melakukan praktikum ini adalah :
- Laptop Lenovo G40
- ENVI 5.1
- Citra AVIRIS f090427t01p00r06rdn_b_ort_img.
Daerah
: Dairy Sites, CA (Samples : 582, Lines : 773)
Tanggal
: 27 April 2009
Pixel Size
: 15,8 m
Langkah Pengerjaan
Langkah pertama yang perlu dilakukan adalah dengan membuka software ENVI 5.1
terlebih dahulu.

Gambar 3.1 Icon ENVI 5.1

Gambar 3.2 Software ENVI 5.1

Setelah software terbuka, pilih File -> Open. Pilih File yang akan digunakan pada
praktikum kali ini, yaitu citra AVIRIS f090427t01p00r06rdn_b_ort_img.

Gambar 3.3 Proses Membuka File

10

Apabila citra yang dibuka tidak meload secara otomatis, klik menu
(Data
Manager) agar kotak dialog Data Manager muncul. Klik Kanan pada file lalu pilih
pilihan Load True Color.

Gambar 3.4 Load data dalam bentuk True Color

Tampilan yang muncul adalah sebagai berikut :

Gambar 3.5 Tampilan True Color Citra

2.

Untuk melihat nilai pixel pada kanal red, blue dan green, klik kanan pada Status Bar
(terletak pada sisi bawah) lalu pilih Raster Data Value.

Gambar 3.6 Cara melihat Raster Data Value

11

Gambar 3.7 Raster Data Value terlihat di bagian Status Bar

3. Untuk melakukan pemrosesan FLAASH Atmospheric Correction, cari menu
FLAASH Atmospheric Correction pada Toolbox, lalu double click.

Gambar 3.8 FLAASH Atmospheric Correction pada Toolbox

Gambar 3.9 Kotak Dialog FLAASH Atsmopheric Correction Model Input Parameters
12

4.

Hal pertama yang dilakukan adalah memilih data radian yang sudah dimiliki, klik Input
Radiance Image -> pada kotak dialog FLAASH Input File pilih file yang ada -> pilih
OK. Pada Kotak Dialog Radiance Scale Factors yang muncul, pilih Read array of
scale factor (1 per band) from ASCII file.

Gambar 3.10 Proses memasukkan Radian kedalam FLAASH

Pada dasarnya AVIRIS sudah memiliki file yang berisi nilai gain, yang pada citra
AVIRIS ini diberi nama f090427t01p00r06rdn_b_gain. Pilih
f090427t01p00r06rdn_b_gain -> Open. Pada Kotak Dialog Input ASCII File, ubah
nilai pada Scale Coloumn menjadi 1 -> pilih OK.

13

Gambar 3.11 Proses Input nilai gain citra

5.

Selanjutnya pada kolom Output Reflectance File, isi tempat dimana File Reflectance
mau disimpan dan pada Output Directory for FLAASH File isi tempat dimana file
FLAASH mau disimpan. Untuk kolom Rootname for FLAASH File, tulis nama file
yang diinginkan untuk disimpan. Secara otomatis akan muncul Nilai Latitude dan
Longitude dari cita. Tapi selain itu ada beberapa hal yang juga wajib untuk diisi, yaitu :
- Sensor Type
: AVIRIS
- Sensor Altitude
: 20 km (sudah ketentuan)
- Groumd Elevation
: 0.6 (sudah ketentuan)
- Pixel Size
: 15.8 m
- Flight Date
: 27 April 2009 (bisa dilihat pada file INFO
f090427t01p00r06 yang juga telah disediakan oleh citra)
- Flight Time GMT
: 19.36 (bisa dilihat pada file INFO f090427t01p00r06
yang juga telah disediakan oleh citra)
- Atmospheric Model
: US Standard
- Water Revival
: Yes
- Aerosol Model
: Rural

Secara otomatis
akan diisi oleh
program

Isi sesuai dengan

ketentuan diatas dan
juga sesuai metadata

Gambar 3.12 Cara Mengisi Kotak Dialog FLAASH Atmospheric

14

Apabila semua yang ditulis diatas sudah sesuai, pilih Apply. Tunggu sampai proses
selesai berjalan. Tampilan seperti dibawah akan muncul apabila proses berhasil
dilakukan.

Gambar 3.12 Kotak Dialog FLAASH Atmospheric Correction Result

6.

Untuk melihat hasil koreksi dan membandingkan dengan data sebelum dilakukannya
koreksi, pilih
(Data Manager). Setelah Kotak Dialog Data Manager muncul, bisa
dilihat ada data yang sudah kita laukan koreksi yang bernama FLAASH_1. Apabila
ingin melihat data ini tanpa menghilangkan tampilan dari data sebelumnya, checklist
pada kolom Load in New View. Klik kanan pada data -> pilih Load True Color.

Gambar 3.13 Load True Color

Tampilan yang akan muncul adalah sebagai berikut :

15

Gambar 3.14 Tampilan 2 View

7.

Lakukan Link pada kedua layar tampilan, agar memudahkan dalam mellihat titik yang
sama. Untuk melakukan Link, pilih Menu Views -> Link Views. Pada kotak dialog
Link View klik View 1 dan View 2 yang akan dihubungkan, lalu pilih OK.

Gambar 3.15 Proses Melakukan Link pada kedua layar tampilan

Tampilan yang akan muncul apabila kedua layar tampilan sudah dihubungkan.

Gambar 3.16 Tampilan setelah dilakukan Link.

16

Untuk melihat nilai pixel pada FLAASH_1, pilih icon Cursor Value pada Menu Bar
lalu arahkan kursor pada View 2. Adapun hasil yang didapatkan adalah sebagai berikut
:

Gambar 3.17 Nilai Pixel pada View 2 yang sudah dilakukan koreksi
Perlu diketahui sebelumnya apabila FLAASH akan secara otomatis mengatur nilai
reflektance dikalikan dengan 10,000. Jadi apabila nilai reflectance yang tertera 1472,
nilai tersebut dibagikan dengan 10,000 dan menjadi 0,147 atau mungkin dilakukan
pembulatan menjadi 0,15.
8.

Untuk melihat perbandingan nilai spektral dari sesudah dan sebelumnya dilakukan
koreksi, pertama masukkan posisi lokasi yang diinginkan pada kolom Go to yang
terdapat di Menu Bar. Misalkan dalam praktikum ini, masukkan koordinat pixel yang
diinginkan yaitu 233, 233. Secara otomatis kedua layar tampilan akan menunjukan
koordinat pixel tersebut. Setelah itu, untuk melihat nilai spektral gambar View 1, klik
pada View 1 lalu pilih
. Kotak Dialog Spectral Profil untuk View 1 akan muncul.
Lakukan langkah yang sama pada View 2.

Gambar 3.18 Spectral Profile dari Citra yang belum terkoreksi

17

Gambar 3.19 Spectral Profile dari Citra yang sudah dikoreksi

9.

Simpan Spectral Profile ke dalam bentuk Spectral Library dengan cara Export ->
Spectral Library. Beri nama sesuai yang diinginkan, pilih OK. Lakukan langkah yang
sama ke Spectral Profile FLAASH_1.

Gambar 3.20 Proses menyimpan Spectral Library

Tampilkan Spectral Library dengan cara pilih Menu Display -> Spectral Library
Viewer. Pilih Open Spectral pada kotak dialog Spectral Library Viewer. Pilih file .sli
yang sudah dibuat sebelumnya.

18

Gambar 3.21 Proses menampilkan Spectral Library

Hasil yang akan muncul adalah sebagai berikut :

Gambar 3.22 Tampilan Spectral kedua citra

Perlu diingat kembali apabila nilai dalam FLAASH sudah secara otomatis dikalikan
dengan 10,000. Untuk melihat Data Value dari setiap spectral pilih Edit Data Value...

Gambar 3.23 Edit Data Value

10.

Data Value dari kedua data :

19

Gambar 3.24 Data Value citra yang belum terkoreksi (kanan) dan yang sudah dikoreksi (kiri).

20

BAB IV
PENUTUP
4.1

Hasil
Adapun hasil yang didapatkan dari praktikum ini adalah :
1.
Spectral Profile (TOA_radiance) pada koordinat pixel 233,233

2.

Spectral Profile (BOA_reflektance) pada koordinat pixel 233,233

3.

Perbandingan Spectral Library

21

4.

4.2

Data Value

Analisa
Analisa yang bisa dilakukan pada praktikum kali ini adalah :
Nilai reflektan yang didapatkan dengan menggunakan FLAASH akan secara
otomatis dikalikan 10,000, sehinggan apabila nilai pixel yang didapat sebesar
4444 maka nilai reflektan sebenarnya adalah 0.4
Terdapat perubahan drastis dari spectral profil yang ditunjukan oleh radian dan
reflektan. Hal ini terjadi karena FLAASH mendeteksi adanya kanal yang
memiliki kekuatan sinyal refektan yang buruk dan secara otomatis mengeluarkan
kanal tersebut sehingga pada beberapa tempat terjadi pemutusan sinyal. Pada
Data Value bisa dilihat band berapa saja yang dihilangkan yaitu:

Band 107-114

Band 153-168
Konversi dari data radian ke reflektan menggunakan FLAASH dapat
mengakibatkan artefak kedalam spektrum. Artefak dapat terjadi akibat beberapa
faktor :

Ketidaksamaan dari kalibrasi spektral dari kumpulan data hiperspektral dan

perhitungan perpindahan radiasi spektral

Kesalahan di kalibrasi radiometrik absolut

Kesalahan di perhitungan perpindahan radiasi

22