LAPORAN PRAKTIKUM

Penginderaan Jauh Terapan Untuk Sumberdaya Lahan

ACARA III
Pengolahan Citra Dasar
Citra Komposit Warna, Pengenalan Objek Berdasarkan Nilai Spektral, dan
Koreksi Radiometrik

Oleh :
Dodik Prasetyo Prabowo
120722420629

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL
JURUSAN GEOGRAFI
PROGRAM STUDI S1 GEOGRAFI
JANUARI 2015
I. TUJUAN
Mahasiswa dapat mengkompositkan citra dari beberapa saluran yang ada
Mahasiswa dapat mengenali objek berdasarkan nilai spektral tiap piksel
Mahasiswa dapat melakukan koreksi radiometric dengan metode

II. ALAT dan BAHAN

Data mentah Citra Landsat 7 ETM+, tujuh saluran area sekitar Kota
Semarang
Laptop/PC
Software ENVI 4.5
Alat tulis lengkap
Modul Praktikum

III. DASAR TEORI

a. Komposit citra
Penyusunan citra komposit warna adalah cara yang paling umum untuk
menonjolkan masing-masing keunggulan saluran secara serentak
dalam suatu display, sehingga memudahkan pengguna dalam
interpretasi citra secara visual. Citra ini merupakan paduan dari 3
saluran, dengan masing-masing saluran diberi warna dasar, yaitu
merah, hijau, dan biru (RGB). Warna yang terjadi adalah kombinasi
dari tingkat kecerahan pada suatu obyek di setiap saluran. Citra
komposit standar merupakan paduan tiga saluran dengan rujukan foto
udara inframerah dekat. Pada umumnya saluran ETM4 (inframerah
dekat) diberi warna merah, saluran ETM3 (merah) diberi warna
hijau, dan saluran ETM2 (hijau) diberi warna biru. Citra seperti ini
disebut juga dengan citra warna semu standar (standard false color
composite). Sangat dimungkinkan untuk membuat komposit citra
dari kombinasi yang berlainan sesuai tujuan, citra seperti ini disebut
 komposit warna semu tidak standar.

b. Pengenalan Objek berdasarkan nilai spectral

Penggunaan beberapa spectral sekaligus sangat membantu proses
pengenalan objek melalui proses perbandingan kenampakan antarsaluran.
Mengingat bahwa citra yang dihasilkan adalah citra digital maka proses
analisis selanjutnyapun lebih efesien bila dilakukan secara digital dengan
menggunakan computer. Proses mental (penglihatan manusia) akan
dengan mudah dapat membedakan suatu objek dengan objek yang lainnya,
berdasarkan pola spectral yang terekam sebagai nilai kecerahan, dan juga
berdasarkan pola spasialnya. Namun cara ini kurang efisien, akurat dan
melelahkan khususnya untuk wilayah liputan yang luas. Bantuan computer
untuk melakukan identifikasi objek berdasarkan ciri-ciri spectral pada
beberapa saluran spectral sekaligus sangatlah bermanfaat. Inilah yang
disebut dengan proses klasifikasi otomatis. Pada proses klasifikasi secara
manual, penafsiran berusaha membandingkan kenampakan visual objek
berdasarkan rona dan warna pada citra.

c. Korekis radimetrik
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

IV. LANGKAH KERJA

a. Komposit citra
1. Pada jendela Available Bands List, pilih radio button RGB, jendela
Selected Band berubah menjadi 3 saluran dengan urutan pewarnaan
RGB.
2. Untuk pertama kali, buat komposit warna semu standar. Masukkan
saluran input komposit, perhatikan radio button warna (RGB) yang aktif,
dan klik saluran untuk input. Jika ketiga saluran sudah dimasukkan, 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. Amati juga nilai piksel pada ketiga saluran yang membentuk
warna tersebut, gunakan prosedur point D3.Karena komposit, maka
nilai piksel yang muncul adalah ketiga saluran penyusun komposit dan
Nilai piksel 3 saluran
6. Buat jendela display image baru, buat komposit R: Band 3, G: Band 2,
dan B: Band 1, 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. Buat 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.

b. Pengambilan sampel
1. Tampilkan salah satu saluran citra.
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.

c. Pengamatan Pola dengan scatter plot

1.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

d. Koreksi radiometric
1. Buka citra yang akan dikoreksi radiometrik-nya.
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 : Stats Subset : Full Scene dan Spectral Subset : 6/6 Bands
 4. Klik OK, sehingga muncul jendela Calculate Statistics Parameters.
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 per- saluran,
dan grafik min-max nilai piksel.
9. Catat nilai minimum dan maksimum tiap

V. HASIL PRAKTIKUM
a. Komposit Citra : Terlampir
b. Pengenalan Objek dengan nilai spektral : Terlampir
c. Koreksi radiometric : terlampir

VI. PEMBAHASAN
a. Komposit citra
Pada praktek komposit citra landsat 7 ETM+, dapat disimpukan bahwa
jenis komposit menentukan objek apa yang akan diidentifikasi. Pada komposit
321 atau warna asli, kita dengan mudah mengenali objek pada citra karena
sesuai dengan mental visual kita. Kombinasi ini merupakan warna natural
sehingga merupakan pendekatan terbaik untuk melihat realitas lanskap.
Saluran 3 mendeteksi penyerapan klorofil, saluran 2 mendeteksi reflektan
hijau dari vegetasi dan saluran 1 cocok untuk penetrasi air, pada perairan
jernih bisa masuk sekitar 25 meter, dengan kata lain kita bisa juga mendeteksi
transportasi sedimen di perairan.
Tetapi pada beberapa bagian citra yang membutuhkan interpretasi
visual untuk mengindetifikasinya, sebagai contoh praktikan sedikit kesulitan
dalam mengindentifikasi objek sawah atau tambak pada bagian citra yang
terletak di dekat perairan. Hal ini disebabkan karena pada komposit citra ini
kurang bisa menonjol objek-objek tertentu.
Pada komposit 432, citra terlihat kemerahan pada vegetasi dan biru
pada tubuh air. Pada komposit ini, Saluran 4 mendeteksi puncak pantulan dari
vegetasi, juga membedakan tipe vegetasi, selain itu membedakan tanah dan
perairan. Kombinasi ini menampilkan vegetasi berwarna merah, merah yang
lebih terang menandakan vegetasi yang lebih dewasa. Tanah dengan sedikit
atau tanpa vegetasi antara putih (pasir atau garam) sampai hijau atau coklat
tergantung kelembapan dan kandungan organik. Air nampak biru, perairan
jernih akan terlihat biru gelap atau hitam sedangkan perairan dangkal atau air
dengan konsentrasi sedimen tinggi akan nampak biru muda. Karena demikian
praktikan menjadi lebih mudah dalam mengindentifikasi objek vegetasi.
Pada komposit 456, saluran 5 sensitif akan variasi kandungan air,
vegetasi berdaun banyak dan kelembapan tanah. Saluran ini mencirikan
tingkat penyerapan air yang tinggi, sehingga memungkinkan deteksi lapisan
air yang tipis (kurang dari 1 cm). Variasi dari kandungan Fe2O3 pada batuan
dan tanah dapat dideteksi, pantulan yang tinggi berarti kandungan yang
banyak, sehingga pada komposit ini tubuh air berwarna gelap, sedangkan
vegetasi berwarna oranye kecoklatan. Pada saluran 6, sensitive terhadap
terhadap variasi kelembapan dan khususnya mendeteksi mineral hidro.
Saluran ini dapat membedakan berbagai macam batuan dan tipe mineral.
Perbedaan asal usul dari berbagai tipe batuan direpresentasikan dengan warna
merah menuju oranye dan juga warna yang lebih terang. Sehingga pada
saluran. Atap bangunan terlihat bewarna biru muda, hal ini karena pada objek
tersebut banyak digunakan material berupa lempengan Zinc/seng, yang
memantulkan gelombang inframerah dekat dan menengah dengan intensitas
yang tinggi. Pada komposit ini lebih cocok untuk identifikasi tanah, jenis
batuan dan jenis tanah, serta suhu objek.
b. Pengamatan Pola spectral dengan Scatter Plot
Pada praktikum ini, citra yang dipakai untuk identifikasi objek adalah citra
yang belum terkoreksi, sehingga nilai piksel yang tercatat belum sesuai
dengan yang seharusnya (nilai piksel maksimal = 255). Berikut table nilai
piksel berdasarkan scatter plot :

Lahan Terbuka Vegetasi Rapat

Band Nilai Piksel Band Nilai Piksel
1 Atap bangunan
250-290 1 125-150
2 Band 230-290
Nilai Piksel 2 90-120
31 230-280
200-300 3 130-150
42 130-200
180-290 4 200-250
53 190-240
170-280 5 150-180
64 180-255
80-140 6 80-100
5 180-250
6 190-255

Dari ke lima grafik dan table tersebut dapat disimpulkan bahwa pada Citra
Landsat 7, nilai piksel badan air mempunyai nilai yang berbeda-beda.
Bergantung pada jenis saluran. Pada saluran 1, 2, dan 3, nilai piksel air
berkisar Antara 100 sampai 200 yang masuk pada kategori medium. Hal ini
menyebabkan objek air pada komposit 321 terlihat biru hingga biru muda
tergantung pada kedalaman perairan. Pada objek lahan terbuka, nilai piksel
cenderung tinggi pada semua saluran, yaitu berkisar pada 180-270 pada citra
belum terkoreksi. Sehingga objek ini Nampak terang pada semua komposit
 citra. Objek vegetasi rapat mempunyai kisaran nilai piksel sebesar 100-130
yang masuk pada kategori sedang. Tetapi pada saluran inframerah dekat, nilai
pikselnya cenderung tinggi, sehingga pada komposit 432, vegetasi rapat
bewarna merah terang hingga gelap. Sedangkan pada vegetasi renggang, nilai
pikselnya sedikit lebih tinggi dari vegetasi rapat, yang berkisar Antara 140-
200 yang masuk pada kategori sedang. Pada piksel yang mendekati angka
200, maka kenampakan yang ada terlihat terang. Atap bangunan mempunyai
kenampaka nilai piksel berkisar 160-255, hal ini disebabkan banyak pantulan
pada objek tersebuts, sehingga kenampakan pada citra berona terang.

c. Koreksi radiometric.
Dari perbandingan grafik Antara rata-rata nilai piksel sebelum dan
sesusah dapat dilihat bahwa citra mentah mempunyai nilai yang lebih tinggi.
Dalam proses ekstraksi nilai piksel data mentah bahkan ditemukan nilai piksel
sebesar 317. Hal ini tidak relevan dengan system citra landsat yaitu 8-bit yang
mempunyai nilai minimal 0 dan maksimal 255. Untuk itu dilakukan statistika
citra untuk mendapatkan selisih citra yang sebenarnya untuk keperluan
koreksi radiometric sesuai selisih tiap salurannya. Pada saluran biru,
dilakukan pengurangan nilai piksel sebesar 62, saluran biru sebesar 40,
saluran merah sebesar 29, dan inframerah dekat sebesar 6. Saluran inframerah
menengah tidak mempunyai nilai distorsi karena pada interkasi dengan objek,
saluran ini dapat menembus bias dan halangan lain. Setelah dilakukan
pengurangan nilai piksel, dilakukan komposit citra yang telah terkoreksi.
Secara umum, tidak terlalu ada perbedaan yang mencolok Antara citra yang
belum terkoreksi dan telah terkoreksi. Hal ini mungkin disebabkan oleh
system bit monitor yang belum mampu menampilkan pengaruh sekecil
perubahan kecil pada citra. Tetapi jika kita menggunakan klasifikasi
penggunaan lahan otomatis dengan dasar nilai spectral, maka koreksi
radiometric amatlah penting. Nilai piksel yang tinggi, khususnya pada saluran
merah hijau biru serta inframerah dekat dapat disebabkan oleh bias atmosfer
 yang memantulkan kembali gelombang eletromagnetik, sehingga sensor
satelit menerima 2 gelombang elektromagnetik, yaitu dari bias atmosfer serta
pantulan dari objek yang dicitrakan

VII. KESIMPULAN
Pada praktikum ini yang termasuk pada pengolahan citra dasar, dapat
disimpulkan bahwa nilai tiap piksel mempunyai peranan sangat penting dalam
penyadapan informasi dari citra yagn di indera.
Pada komposit citra, jenis saluran serta objek yang akan ditonjolkan
harus diperhatikan. Komposit 321 dapat mengindentifikasi tubuh air, vegetasi,
lahan terbuka dengan baik karena sesuai dengan mental visual kita. Komposit
432 mengindentifikasi vegetasi dengan baik, bahkan dapat mengidektifikasi
kesehatan serta umur tanaman. Komposit 456 digunakan untuk identifikasi
jenis tanah, jenia batuan, serta identifikasi suhu dari objek
Pada pengenalan objek berdasarkan nilai spectral, dapat disimpulkan
bahwa setiap objek memiliki interaksi khas dengan gelombang yang
digunakan untuk mencitra. Tubuh air secara umum dicitra dengan baik pada
rentang nilai piksel 100-300 pada semua saluran. Lahan kosong mempunyai
rentangan nilai piksel sebesar 180-270, vegetasi rapat sebesar 100-130,
vegetasi renggang sebesar 140-200, sedangan atap banguan sebesar 160-255.
Fungsi lain dari ekstraksi nilai piksel adalah untuk mengetahui apakah
citra tersebut telah dikoreksi radiometric atau belum. Pada praktikum, citra
merupakan data mentah, sehingga rata-rata nilai pikselnya melibihi system bit
dari citra landasat. Maka dari itu koreksi radiometric dilakukan dengan
mengurangi nilai piksel yang berlebih sehingga didapat citra yang relevan.

VIII. TUGAS
A. Task 2
1. Apa yang disebut dengan komposit warna asli (true color composite), dan
bagaimana cara memperolehnya? Apa bedanya dengan komposit warna
 semu (false color composite)?
Jawab : Citra komposit warna asli adalah komposit yang tersusun atas citra
saluran biru, hijau,, dan merah, yang masing-masing diberi warna biru,
hijau, dan merah. Dengan komposisi warna seperti ini maka kenampakan
citra menjadi sama seperti yang kita lihat pada kehidupan sehari-hari. Cara
memperoleh komposit warna asli adalah menggunakan saluran biru, hijau
dan merah dan diberi warna sesuai jenis saluran tersebut. Perbedaan
komposit warna asli dan semu adalah penggunaan saluran inframerah dekat
pada komposit warna semu dan tidak memakai saluran biru pada
kombinasinya.
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.
Jawab : pada komposit 432,
Pada warna merah diisi oleh saluran inframerah yang dapat mendeteksi
puncak pantulan klorofil, umur tanaman, serta dapat membedakan Tanah
dengan sedikit atau tanpa vegetasi antara putih (pasir atau garam) sampai
hijau atau coklat tergantung kelembapan dan kandungan organik. Air
nampak biru, perairan jernih akan terlihat biru gelap atau hitam sedangkan
perairan dangkal atau air dengan konsentrasi sedimen tinggi akan nampak
biru muda. Area permukiman berwarna biru kecoklatan
Sedangkan pada komposit 321, warna hijau diisi oleh saluran hijau,
sehingga objek terlihat bewarna hijau. Dan pada saluran biru, diisi olhe
saluran warna biru. Selain itu, pada komposit 321, nilai piksel saluran hijau
dan biru berskisar pada 100-120, yang masuk pada kategori medium,
sehingga kedua warna ini terlihat dominan, khususnya pada vegetasi rapat.
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.
Dari beberapa komposit yang ada dapat disimpulkan bahwa, komposit
321 atau warna asli dapat dengan mudah mengindentifikasi semua objek
yaitu tubuh air, lahan kosong, vegetasi rapat dan renggang,serta atap
bangunan. Saluran 3 dapat mengindentifikasi penyerapan klorofil, saluran 2
dapat mengindentifikasi pantulan hijau dari vegetasi, dan saluran 1 dapat
mendeteksi sidementasi pada perairan dangkal dan cocok untuk identifikasi
tubuh air.
Pada komposit 432, objek yang menonjol adalah vegetasi, karena
saluran inframerah dapat mendeteksi pantulan klorofil pada tanaman dan
umur pada tanaman. Selain itu, komposit 432 dapat mendeteksi sedimentasi
pada perairan dangkal.
Pada komposit 456, objek yang menonjol adalah atap bangunan, lahan
terbuka dan vegetasi. Atap bangunan ditandai dengan warna biru tua,
sedangkan pada lahan terbuka ditandai dengan biru muda. Pada saluran 4
adalah Saluran yang peka terhadap biomasa vegetasi. Juga untuk identifikasi
jenis tanaman. Memudahkan pembedaan tanah dan tanaman serta lahan dan
air. Sedangkan pada saluran 5, Saluran penting untuk pembedaan jenis
tanaman, kandungan air pada tanaman, kondisi kelembapan tanah. Dan
saluran 6, Untuk membedakan formasi batuan dan untuk pemetaan
hidrotermal. Jadi komposit ini baik untuk membedakan vegetasi, tanah, dan
lahan terbangun

4. Bagaimana prinsip membuat citra komposit yang lebih menonjolkan obyek

tanah?
Jawab : prinsip komposit citra yang menonjolkan tanah adalah dengan
menggunakan saluran inframerah (0,76 0,90 m) dan inframerah tengah
(1,55 1,75 m), karena kedua saluran ini dapat membedakan tanah,
vegetasi, dan air dengan baik. Selain itu, pada saluran inframerah dapat
menembus kabut atau awan sehingga deteksi objek berjalan dengan lebih
 baik

B. Task 3
1. Dengan menggunakan citra terkoreksi, plot nilai rata-rata nilai piksel objek
yang sama dengan task 1 pada grafik, dimana sumbu X merupakan jenis
saluran dan sumbu Y merupakan nilai piksel. Beri warna yang berbeda pada
tiap objek. Evaluasi pola spketral dan bandingkan dengan nilai pantulan
spectral sebelum dan sesudah koreksi radiometric. Sertakan dalam laporan.
Apa yang dapat disimpulkan dari grafik tersebut.
Jawab : dari grafik yang terlampir dapat disimpulkan bahwa rata-rata nilai
piksel sebelum koreksi geometric cenderung lebih besar daripada rata-rata
nilai piksel setelah koreksi radiometric. Sehingga dalam koreksi radiometric
dilakukan pengurangan nilai piksel pada saluran biru, hijau merah dan
inframerah dekat. Nilai yang berlebih pada citra yang belum terkoreksi
dapat disebabkan oleh bias atmosfer yang memantulkan kembali gelombang
eletkromagnetik. Sehingga sensor satelit menerima pantulan gelombang
eletromagnetik dari bias atmosfer selain pantulan gelombang
elektromagnetik dari objek yang di indera.

IX. DAFTAR PUSTAKA

Projo, danoedoro. 2012 Penginderaan jauh digital. Jogjakarta : Penerbit Andi
http://dwyanasetianingtias.blogspot.com/2013/04/kombinasi-band-landsat-pada-
citra_25.html
LAMPIRAN
A. Komposit Citra
Pantulan pada RGB Display Pengenalan Warna
Objek warna objek
Red Gun Green Gun Blue Gun Objek Citra
Air
B3-RED BAND B2-GREEN BAND B1-BLUE BAND
321 Medium Medium Medium Zanah Mudah
(178) (197) (176)

B4-NIF BAND B3-RED BAND B2-GREEN BAND

432 Medium Medium Mediun Gimblet Mudah
(187) (178) (197)

B4-NIF BAND B2-MIF BAND B1-MIF 2 BAND

456 Medium Medium Medium Pale Taupe Mudah
(187) (156) (131)

Lahan Terbuka
 B3-RED BAND B2-GREEN BAND B1-BLUE BAND
Antique
321 High High High Mudah
White
(250) (236) (216)

B4-NIF BAND B2-RED BAND B2-GREEN BAND

432 Medium High High Electric Blue mudah
(129) (250) (236)

B4-NIF BAND B2-MIF BAND B1-MIF 2 BAND

456 Medium High High Electric Blue sedang
(129) (222) (255)

Vegetasi Kerapatan Rendah

B3-RED BAND B2-GREEN BAND B1-BLUE BAND

321 Medium High High Electric Blue Mudah
(139) (250) (250)

B4-NIF BAND B2-RED BAND B2-GREEN BAND

432 Low Medium High Dodger Blue Mudah
(20) (139) (250)
 B4-NIF BAND B2-MIF BAND B1-MIF 2 BAND
456 Low Low Low Seal Brown Sedang
(20) (7) (17)

Vegetasi Keraptan Tinggi

B3-RED BAND B2-GREEN BAND B1-BLUE BAND

Dark Green
321 Low Medium Medium mudah
Copper
75 118 102

B4-NIF BAND B2-RED BAND B2-GREEN BAND

Wild
432 High Low Medium mudah
Watermelom
255 75 118

B4-NIF BAND B2-MIF BAND B1-MIF 2 BAND

Atomic
456 High Medium Low sedang
tangerin
255 156 100

Atap Bangunan

B3-RED BAND B2-GREEN BAND B1-BLUE BAND

Columbian
321 Medium High Hogh Mudah
blue
169 256 243
 B4-NIF BAND B2-RED BAND B2-GREEN BAND
432 Low Medium High Dodger blue Sedang
23 169 256

B4-NIF BAND B2-MIF BAND B1-MIF 2 BAND

456 Low Low Low Seal brown Mudah
23 9 13

b. Scatter Plot

d. Koreksi rediomertrik
 Tabel Nilai Piksel Data Mentah Citra Landsat 7
Saluran
Biru Hijau Merah NIF MIR MIR2 Sample
(450-520) (520-600) (630-690) (760-900) (1550-1750) (2080-2350) objek
Objek
Badan Air 237 223 237 145 145 151 75 71 67 13 13 13 9 11 14 20 13 13
243 203 189 177 145 138 80 67 63 13 17 10 11 9 11 17 13 13
196 230 210 138 204 158 63 88 88 13 13 17 9 9 11 20 13 17
Rata-rata 218.67 155.67 73.56 13.56 10.44 15.44
Lahan Kosong 230 243 216 243 263 197 259 272 216 133 139 116 220 239 196 255 255 235
223 270 203 236 289 217 238 284 220 133 160 119 222 255 203 255 255 242
216 257 210 236 276 223 250 284 242 129 157 129 222 253 203 255 255 249
Rata-rata 229.78 242.22 251.67 135.00 223.67 250.67
Vegetasi 163 176 169 204 204 184 152 165 156 221 235 201 232 246 232 166 172 169
Renggang 149 156 156 158 171 164 135 144 139 174 215 184 175 194 196 121 138 148
142 149 142 151 151 151 135 127 127 170 180 146 184 194 158 138 141 131
Rata-rata 155.78 170.89 142.22 191.78 201.22 147.11
Vegetasi Rapat 62 62 62 66 59 79 46 50 50 150 184 228 73 92 123 41 51 76
102 105 115 118 131 125 71 84 80 228 224 235 144 151 158 89 103 96
109 109 95 112 125 118 71 71 67 245 255 255 151 158 156 93 100 83
Rata-rata 91.22 103.67 65.56 222.67 134.00 81.33
Atap Bangunan 297 284 284 295 289 276 280 272 276 126 126 136 165 201 194 228 255 224
270 264 277 263 263 282 255 267 263 122 139 129 194 213 180 245 255 224
317 277 291 295 276 276 284 250 246 143 122 129 180 187 163 217 235 193
Rata-rata 284.56 279.44 265.89 130.22 186.33 230.67

Tabel Nilai Piksel Data Mentah Citra Landsat 7

 Saluran Blue Green Red
(450-520) (520-600) (630-690) NIF MIR MIR2 Sampel
(760-900) (1550-1750) (2080-2350) Objek
Objek
Badan Air 175 161 175 105 105 111 46 42 38 7 7 7 9 11 14 20 13 13
181 141 127 137 105 98 51 38 34 7 11 4 11 9 11 17 13 13
134 168 148 98 164 118 34 59 59 7 7 11 9 9 11 20 13 17
Rata-rata 156.67 115.67 44.56 7.56 10.44 15.44
168 181 154 203 223 157 230 243 187 127 133 110 220 239 196 255 255 235
Lahan
161 208 141 196 249 177 209 255 191 127 154 113 222 255 203 255 255 242
Kosong
154 195 148 196 236 183 221 255 213 123 151 123 222 253 203 255 255 249
Average 167.78 202.22 222.67 129.00 223.67 250.67
Low 101 114 107 164 164 144 123 136 127 215 229 195 232 246 232 166 172 169
Density 87 94 94 118 131 124 106 115 110 168 209 178 175 194 196 121 138 148
Vegetatioin 80 87 80 111 111 111 106 98 98 164 174 140 184 194 158 138 141 131
Average 93.78 130.89 113.22 185.78 201.22 147.11
high 0 0 0 26 19 39 17 21 21 144 178 222 73 92 123 41 51 76
density 40 53 53 78 91 85 42 55 51 222 215 229 144 151 158 89 103 96
vegetation 47 47 33 72 85 78 42 42 38 239 249 249 151 158 156 93 100 83
average 30.33 63.67 36.56 216.33 134.00 81.33
235 222 222 255 249 236 251 243 247 120 120 130 165 201 194 228 255 224
rooftop 208 202 215 223 223 242 226 238 234 116 133 123 194 213 180 245 255 224
255 215 229 255 236 236 255 221 217 137 116 123 180 187 163 217 235 193
average 222.56 239.44 236.89 124.22 186.33 230.67

Grafik Perbandingan Nilai Piksel Citra Sebelum dan Setelah

Koreksi Radiometrik