PERBANDINGAN METODE BROVEY DAN PCA

DALAM FUSI CITRA PANKROMATIK DAN MULTISPEKTRAL

Oleh:

ARUM WANDAYANI
G64103077

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2007
 PERBANDINGAN METODE BROVEY DAN PCA
DALAM FUSI CITRA PANKROMATIK DAN MULTISPEKTRAL

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Oleh:

ARUM WANDAYANI
G64103077

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2007
Judul : Perbandingan Metode Brovey dan PCA dalam Fusi Citra
Pankromatik dan Multispektral
Nama : Arum Wandayani
NIM : G64103077

Menyetujui:

Pembimbing I Pembimbing II

Rindang Karyadin, S.T., M.Kom. Hari Agung A., S.Kom., M.Si.

NIP 132 311 915 NIP 132 311 918

Mengetahui:

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Prof. Dr. Ir. Yonny Koesmaryono, MS

NIP 131 473 999

Tanggal Lulus:
 ABSTRAK

ARUM WANDAYANI. Perbandingan Metode Brovey dan PCA dalam Fusi Citra Pankromatik
dan Multispektral. Dibimbing oleh RINDANG KARYADIN dan HARI AGUNG ADRIANTO.
Citra multispektral dengan resolusi spasial dan spektral yang tinggi sangat berguna untuk
mempermudah kegiatan analisis dalam bidang penginderaan jauh. Akan tetapi terdapat
keterbatasan sensor satelit penginderaan bumi dalam menyediakan citra multispektral resolusi
tinggi tersebut secara langsung. Pada umumnya satelit penginderaan dalam sekali perekaman
hanya mampu menghasilkan sepasang citra resolusi berbeda untuk suatu area pengamatan, yaitu
sebuah citra pankromatik (hitam putih) resolusi tinggi dan sebuah citra multispektral dengan
resolusi lebih rendah. Agar didapatkan citra multispektral dengan resolusi lebih tinggi
dilakukanlah penggabungan pasangan citra pankromatik dan multispektral awal, atau biasa disebut
teknik fusi citra (image fusion).
Penelitian ini bertujuan mengimplementasikan teknik fusi citra pada citra satelit dengan
resolusi berbeda. Selain itu melakukan perbandingan antara metode fusi dengan menggunakan
kriteria spasial dalam menghitung kesamaan informasi spasial citra hasil fusi dengan citra
pankromatik awal dan kriteria fidelitas dalam menghitung hilangnya informasi spektral citra awal.
Data yang digunakan adalah pasangan citra QuickBird dengan resolusi spasial citra pankromatik
dan resolusi citra multispektral awal sebesar 0.6 meter dan 2.4 meter, serta citra Landsat dengan
resolusi citra sebesar 15 meter dan 30 meter. Teknik fusi yang dilakukan adalah transformasi
Brovey dan transformasi PCA.
Penelitian menunjukkan bahwa metode Brovey mampu memberikan penambahan informasi
spasial yang hampir menyamai informasi spasial yang terkandung pada citra pankromatik awal,
akan tetapi kurang memberikan fidelitas secara spektral. Hal sebaliknya ditunjukkan oleh citra
hasil metode PCA yang kurang memberikan penambahan informasi spasial akan tetapi mampu
memberikan fidelitas spektral yang tinggi. Pemilihan antara kedua teknik fusi ini didasarkan pada
keperluan analisis, secara spasial atau secara spektral. Penelitian selanjutnya dapat difokuskan
untuk melihat sejauh mana citra hasil fusi mampu memberikan keakuratan secara spasial baik
dalam hal klasifikasi tak terbimbing maupun terbimbing, ataupun dalam hal pengekstraksian objek
spasial.

Kata kunci: Fusi Citra Satelit, Image Fusion, Analisis Multispektral, Pankromatik, Brovey
Transform, PCA Transform.
 ABSTRACT

ARUM WANDAYANI. Comparison of Brovey and PCA Transform in Fusing Panchromatic and
Multispectral Images. Under the direction of RINDANG KARYADIN and HARI AGUNG
ADRIANTO.
Multispectral image with high spatial and spectral resolution facilitates a remote sensing
analysis. But the sensor of existing earth resource satellite has a limitation in providing this high
resolution multispectral image (HRMI) directly. In general, for a single take of an area, satellite
sensor can only produce a bundle of images with different resolution which consist of a high
resolution panchromatic image and a multispectral image in lower resolution. In order to obtain
high resolution multispectral image, the panchromatic and multispectral images are being
integrated with a technique called image fusion.
The objective of this research is to implement the image satellite fusion method with
different resolution. Other goal is to make comparisons between fusion methods by using the
spatial criterion in measuring the likeness of spatial information between the resulted image and
the initial high resolution panchromatic image (HRPI) and using the fidelity criterion in measuring
spectral information’s loss from the initial low resolution multispectral image (LRMI). Data that
being used are QuickBird’s imagery with HRPI’s and LRMI’s resolution reach 0.6 meters and 2.4
meters, and also Landsat’s imagery with image resolution of 15 meters and 30 meters each. The
fusion method that being applied are the Brovey and the PCA Transform.
This research shows that Brovey method adds more spatial information of the HRPI, but
this method fails to give good result in the domain of spectral fidelity. The opposite thing happens
with PCA method which poorly increases the spatial information but gives higher spectral fidelity.
The choice between the two methods depends on the objective of the remote sensed analysis,
whether spatial or spectral analysis. Further research can be focused on evaluating the capability of
fused image to give the spatially accuracy in unsupervised or supervised classification, or even in
subtracting the spatial object.

Keywords: Satellite Imagery Fusion, Image Fusion, Multispectral Analysis, Panchromatic, Brovey
Transform, PCA Transform.
 KATA PENGANTAR

Puji dan syukur dipanjatkan kepada Allah SWT atas segala rahmat dan karunia-Nya
sehingga tugas akhir ini dapat diselesaikan. Dalam penelitian ini, diambil judul Perbandingan
Metode Brovey dan PCA dalam Fusi Citra Pankromatik dan Multispektral.
Terima kasih ditujukan kepada Bapak Rindang Karyadin, S.T., M.Kom. dan Bapak Hari
Agung Adrianto, S.Kom, M.Si. selaku pembimbing, serta kepada Ibu Yeni Herdiyeni, S.Si.,
M.Kom. selaku penguji, atas bantuan dan masukan yang diberikan guna penyelesaian penelitian
ini. Terima kasih juga ditujukan kepada Bapak Sayudiyanta S.Si. selaku pembimbing praktik kerja
lapangan yang telah memberikan saran dan memperkenalkan topik penelitian ini serta Bapak
Bambang Trisasongko yang telah banyak memberi masukan dan nasehat. Tak lupa pula terima
kasih diperuntukkan kepada Maryam Dehghani, Mr. Armenakis Costas, Mr. Bruno Aiazzi, Mr.
Victor JD. Tsai, Ibu Sri Nurdiati, Bapak Ahmad Ridha, staf Tata Usaha Departemen Ilmu
Komputer, Bapak Soleh, Bapak Pendi dan Mas Irvan yang telah memberikan bantuan dan
masukan dalam pengerjaan tugas akhir ini. Ungkapan terima kasih juga disampaikan kepada kedua
orang tua tercinta, Mbak Yayuk, Aryo, Mas Aul, rekan-rekan ilmu komputer angkatan 40 serta
pihak-pihak yang tidak dapat seluruhnya disebutkan, atas perhatian, doa, nasehat, dan dukungan
yang telah diberikan. Terima kasih banyak.
Penulisan tugas akhir ini masih jauh dari sempurna. Namun demikian diharapkan tugas
akhir ini dapat bermanfaat bagi yang membutuhkannya.

Bogor, Agustus 2007

Arum Wandayani
 RIWAYAT HIDUP

Penulis dilahirkan di Bogor pada tanggal 11 Desember 1981, putri pertama dari dua
bersaudara, dari pasangan Kuswantoro S.Sos., M.Sc. dan Sri Suyani. Tahun 2000 penulis
menyelesaikan pendidikan lanjutan tingkat atas di SMUN 1 Bogor dan diterima di Institut
Pertanian Bogor melalui jalur USMI (Undangan Seleksi Masuk IPB) dengan program studi pilihan
Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam. Akan tetapi karena satu dan
lain hal penulis tidak meneruskan studinya di IPB pada tahun yang sama.
Tahun 2003 penulis melanjutkan studinya kembali di Departemen Ilmu Komputer Fakultas
Matematika dan Ilmu Pengetahuan Alam IPB sebagai mahasiswa angkatan ke-40. Penulis
menyukai membaca buku dan menggemari film Korea dan Jepang. Dalam kehidupan kampus,
terutama pada tahun pertama dan kedua, penulis pun aktif menjadi anggota kepanitiaan kegiatan
Himpro HIMALKOM (Himpunan Mahasiswa Ilmu Komputer).
 DAFTAR ISI

Halaman

DAFTAR TABEL ...............................................................................................................................iv

DAFTAR GAMBAR ...........................................................................................................................v

DAFTAR LAMPIRAN.......................................................................................................................vi

PENDAHULUAN................................................................................................................................1
Latar Belakang................................................................................................................................1
Tujuan Penelitian............................................................................................................................1
Ruang Lingkup ...............................................................................................................................1
Manfaat Penelitian..........................................................................................................................1

TINJAUAN PUSTAKA.......................................................................................................................1
Fusi Citra (Image Fusion) ..............................................................................................................1
Pemulihan Citra ..............................................................................................................................2
Metode Interpolasi..........................................................................................................................2
Metode Interleave...........................................................................................................................2
Transformasi Brovey ......................................................................................................................3
Principal Component Analysis (PCA) ...........................................................................................3
Analisis Kinerja Kuantitatif Hasil Fusi..........................................................................................3

METODE PENELITIAN.....................................................................................................................4
Metode Penelitian...........................................................................................................................4
Lingkungan Pengembangan ...........................................................................................................5

HASIL DAN PEMBAHASAN............................................................................................................5

Persiapan Data ................................................................................................................................5
Registrasi, Crop, dan Resampling..................................................................................................6
Metode Fusi ....................................................................................................................................6
Perbandingan Visualisasi ...............................................................................................................7
Perbandingan Kriteria Kuantitatif ..................................................................................................8

KESIMPULAN DAN SARAN............................................................................................................9

Kesimpulan .....................................................................................................................................9
Saran ...............................................................................................................................................9

DAFTAR PUSTAKA ..........................................................................................................................9

LAMPIRAN .......................................................................................................................................11
 iv

DAFTAR TABEL

Halaman

1 Ukuran dan dimensi data...................................................................................................................7

2 Perbandingan proses fusi...................................................................................................................7
3 Koefisien korelasi antara citra multispektral hasil fusi dengan citra pankromatik awal .................8
4 Nilai RMSE antara citra multispektral hasil fusi dengan citra multispektral awal..........................8
 v

DAFTAR GAMBAR

Halaman

1 Representasi citra multispektral......................................................................................................2

2 Diagram alir penelitian. ..................................................................................................................4
3 Diagram alir metode fusi PCA. ......................................................................................................4
4 Subset citra QuickBird (uint16). .....................................................................................................5
5 Subset citra Landsat (uint8). ...........................................................................................................5
6 Proses penentuan GCP....................................................................................................................6
7 Citra hasil fusi Brovey. ...................................................................................................................6
8 Citra hasil fusi PCA. .......................................................................................................................7
9 Subset citra pankromatik dan multispektral QuickBird awal. .......................................................8
10 Area zoom (a) citra Pan, (b) hasil fusi PCA, (c) hasil fusi Brovey. ...............................................8
 vi

DAFTAR LAMPIRAN

Halaman

1 Visualisasi dan karakteristik data awal QuickBird.........................................................................12

2 Visualisasi dan karakteristik data awal Landsat .............................................................................14
3 Hasil metode fusi citra ....................................................................................................................17
4 Perbandingan visual citra hasil fusi Brovey dan PCA ...................................................................19

PENDAHULUAN
Latar Belakang
Pada sistem sensor satelit penginderaan
jauh (inderaja), resolusi spasial dan resolusi
spektral citra merupakan hal yang saling
bertolak belakang. Beberapa satelit penginde-
raan mampu memberikan citra dengan
informasi multispektral yang dapat
membedakan fitur secara spektral tetapi tidak
secara spasial, begitu pula sebaliknya (Wang
et al. 2005). Bahkan sebuah sensor satelit
penginderaan yang mampu memberikan
rekaman citra pankromatik (hitam putih)
dengan resolusi spasial tertinggi, hanya
mampu merekam citra multispektral dengan
resolusi spasial seperempat kali lebih rendah.
Pada dasarnya sebuah citra pankromatik
(hitam putih) mempunyai rentang spektrum
gelombang yang lebih besar daripada kanal
(band) multispektral (berwarna). Dengan
demikian untuk menerima sejumlah energi
yang sama, ukuran sensor pankromatik dapat
lebih kecil dibandingkan sensor multispektral.
Oleh karena itu dalam sekali perekaman,
sensor pankromatik dengan ukuran yang sama
dapat memberikan lebih banyak informasi
spasial. Selain itu volume data sepasang citra
pankromatik resolusi tinggi dan citra
multispektral resolusi rendah akan jauh lebih
kecil bila dibandingkan dengan volume
sebuah citra multispektral resolusi tinggi
(Zhang 2004).
Keterbatasan pada penyediaan citra
multispektral beresolusi tinggi ini
menyebabkan diperlukannya solusi untuk
menghasilkan citra multispektral yang kaya
akan informasi spasial maupun informasi
warna. Image fusion (fusi citra) atau pan-
sharpening adalah teknik untuk
menggabungkan detail geometri (spasial) dan
detail warna (spektral) pada pasangan citra
awal sehingga didapatkan citra multispektral
baru dengan informasi spasial dan spektral
setajam mungkin. Proses fusi citra pada
bidang penginderaan jauh bertujuan
mempermudah langkah analisis citra satelit,
terutama pada analisis yang memerlukan
ekstraksi objek citra secara detail, antara lain
pada analisis penggunaan lahan (land use),
analisis tata ruang kota, analisis tren
perkembangan wilayah ataupun aplikasi
prediksi bencana alam. Pada dasarnya
penelitian yang dilakukan ini mengacu pada
jurnal penelitian Dehghani 2003, Tsai 2004,
dan Wang et al. 2005.
1
Tujuan Penelitian
Penelitian yang dilakukan bertujuan
mengaplikasikan teknik fusi citra (image
fusion) pada suatu citra satelit. Tujuan lain
yang ingin dicapai adalah mengevaluasi dan
membandingkan sejauh mana metode
transformasi Brovey dan Principal
Component Analysis (PCA) mampu
memberikan kedetailan informasi warna dan
informasi spasial. Ukuran perbandingan yang
ingin diamati adalah nilai penambahan
informasi spasial dan nilai kesalahan
informasi warna antara citra hasil fusi dan
pasangan citra awal.
Ruang Lingkup
Metode fusi citra yang diaplikasikan dan
dibandingkan adalah metode transformasi
Brovey dan Principal Component Analysis.
Dalam pengujian aplikasi digunakan citra
subset yang lebih kecil dari pasangan citra
awal. Adapun citra multipektral hasil fusi
merupakan citra GEOTIFF/TIFF yang hanya
dapat menampung sebatas informasi dari 4
kanal spektral.
Manfaat Penelitian
Dari penelitian ini diharapkan dapat
memberikan suatu gambaran akan manfaat
teknik fusi citra satelit. Gambaran ini berupa
peningkatan informasi spasial dan informasi
warna pada citra hasil fusi.
TINJAUAN PUSTAKA
Fusi Citra (Image Fusion)
Pada bidang penginderaan jauh dikenal
definisi dari fusi data (data fusion), yaitu
sebuah format kerja formal tentang cara dan
alat bantu untuk menggabungkan data yang
didapatkan dari sumber yang berbeda. Data
fusion bertujuan mendapatkan informasi
dengan kualitas yang lebih baik. Definisi
’kualitas yang lebih baik’ akan bergantung
kepada aplikasinya (Wald 1999).
Data citra yang sering dipakai dalam
analisis penginderaan jauh antara lain adalah
citra pankromatik (pan) dengan informasi
keabu-abuan, yang umumnya memiliki
informasi spasial tinggi sehingga dapat
membantu melokasikan suatu objek di muka
bumi. Selain itu terdapat pula citra
multispektral berwarna dengan saluran
multispektrum (infra merah, cahaya tampak,
 2

maupun ultra ungu) yang lebih memberikan dekat terbebas dari distorsi tersebut.
informasi warna berdasarkan pantulan dan Penyesuaian histogram (histogram
penyerapan sinar elektromagnetik oleh objek adjustment) dengan mengurangi nilai kanal
yang ditangkap oleh sensor. Pada umumnya terdistorsi ke arah kiri, sehingga nilai
citra multispektral yang ada beresolusi rendah, minimum kanal menjadi nol, akan dapat
dalam arti memiliki informasi spasial yang memperbaiki citra secara radiometris
rendah meskipun mampu memberi informasi (Lillesand & Kiefer 1990).
warna yang tinggi.
Kedua citra pankromatik dan multispektral Metode Interpolasi
ini, terlebih lagi penggabungannya, memiliki
Interpolasi digunakan untuk memperkira-
andil yang besar dalam aplikasi inderaja.
kan nilai antar piksel yang tidak diketahui,
Proses penggabungan citra pankromatik dan
akibat proses perubahan geometris citra,
citra multispektral ini umum dikenal sebagai
seperti proses resize, ataupun proses
image fusion atau pan-sharpening. Fusi citra
transformasi. Tiga metode umum yang
(image fusion) secara umum diartikan sebagai
digunakan adalah nearest-neighbor, bilinear,
teknik untuk mengintegrasikan detail geometri
dan bicubic. Nearest-neighbor memberikan
atau spasial dari suatu citra pankromatik
nilai piksel keluaran sesuai dengan nilai pada
(hitam putih) beresolusi tinggi dengan citra
titik acuan, sehingga memberikan kecepatan
multispektral beresolusi rendah. Tujuan yang
proses yang tinggi. Bilinear memberikan nilai
hendak dicapai dalam tahapan ini adalah
keluaran yang mempertimbangkan nilai 2x2
didapatkannya tepian objek (edge) yang
piksel tetangga terdekat dari titik acuan,
semakin jelas serta didapatkannya informasi
umumnya digunakan karena ketepatan dan
warna yang paling tajam dan representatif
kecepatannya. Adapun bicubic mempertim-
dengan mengacu pada citra multispektral
bangkan nilai keluaran dari informasi 4x4
awal.
tetangga terdekat (Matlab 2004).

Pemulihan Citra
Metode Interleave
Pada umumnya citra mengalami distorsi
Interleave menspesifikasikan bagaimana
yang menyebabkan ketidaksesuaian dengan
sebuah data disimpan. Pada umumnya kanal
keadaan aslinya. Pemulihan distorsi citra
(band) citra multispektral didefinisikan
dilaksanakan baik dengan koreksi geometrik
sebagai dimensi ketiga dalam array 3D,
maupun koreksi radiometrik. Distorsi
sebagaimana dijelaskan Gambar 1 berikut ini.
geometrik terjadi karena adanya pergeseran
Metode interleave ini terbagi menjadi tiga
piksel dari letak yang sebenarnya. Hal ini
format yaitu BSQ, BIL, dan BIP.
disebabkan oleh ketidakstabilan sensor
ataupun kurang sempurnanya sistem kerja
pemindai. Distorsi secara geometrik pada data
asli dapat diperbaiki dengan cara melakukan
registrasi koordinat dengan bantuan titik
kontrol tanah (ground control point atau GCP)
yang lokasinya diketahui dengan tepat (geo-
rectification). Selain itu distorsi geometrik
dapat pula diperbaiki dengan teknik
resampling. Perbaikan dengan teknik
resampling umumnya digunakan dengan
menggunakan teknik nearest neighbor, Gambar 1 Representasi citra multispektral.
bilinear, dan cubic interpolation.
Pada format BSQ (Band Sequential), tiap
Distorsi radiometrik antara lain keseluruhan kanal diikuti oleh keseluruhan
diakibatkan oleh adanya pengaruh atmosfer kanal berikutnya. Pada format BIL (Band
berupa penghamburan dan penyerapan, noise Interleaved by Line) baris pertama dari kanal
pada waktu transmisi data, perubahan cahaya, pertama kemudian diikuti dengan baris
radiasi dan buramnya bagian optik pada pertama kanal kedua dan selanjutnya untuk
sistem pencitraan. Pada umumnya distorsi setiap kanal. Lalu pada format BIP (Band
radiometrik mempengaruhi kanal spektrum Interleaved by Pixel), piksel pertama dari tiap
visible (panjang gelombang 0.4-0.7 µm), kanal diikuti oleh piksel kedua dari setiap
sedangkan sebagian besar kanal infra merah kanal dan seterusnya (ENVI 2003).
 3

Transformasi Brovey  PC 1   v11 v 21 l

L vn1   DN MS 
 1
Transformasi Brovey merupakan metode  PC 2   v12 v 22 
L vn 2  DN l .
 =  MS 2 
mudah untuk mengkombinasikan data dari  L  L L L L  M 
sensor berbeda, hanya saja terbatas untuk     
 PCn   v1n v 2n L vnn   DN l 
komposisi tiga kanal spektral. Metode Brovey  MSn 
bertujuan untuk menormalisasikan 3 kanal (2)
spektral yang digunakan untuk display RGB Vektor eigen yang memiliki nilai eigen
(Red Green Blue). Kemudian hasil tertinggi merupakan komponen penting
normalisasi dikalikan dengan informasi data pertama ( PC 1 ). PC 1 ini yang akan
yang diinginkan, dalam hal ini citra digantikan oleh data citra pankromatik
pankromatik (Pan), untuk menambah beresolusi spasial tinggi, yang sebelumnya
komponen intensitas dan kecerahan citra. direntangkan agar memiliki rataan (mean)
Formula yang digunakan dijelaskan pada yang menyamai PC 1 . Secara matematis
persamaan (1) berikut (Dehghani 2003): transformasi backward dari metode fusi citra
Red=Band3/(Band1+Band2+Band3)×Pan menggunakan PCA dijelaskan pada
persamaan (3), dengan DN h adalah citra
Green=Band2/(Band1+Band2+Band3)×Pan MS
multispektral hasil yang memiliki resolusi
Blue=Band1/(Band1+Band2+Band3)×Pan, (1) spasial lebih tinggi dan DN h ' adalah citra
PAN
dengan Pan adalah citra Pankromatik, Band1 pankromatik yang telah direntangkan agar
adalah kanal merah, Band2 adalah kanal hijau, menyamai rataan dari PC 1 .
dan Band3 adalah kanal biru.
 DNMSh 
 v11 v12 h' 
L v1n   DN PAN
Transformasi ini dapat meningkatkan 
1
h  v 21 v 22 
L v2n  PC 2  .

tingkat kekontrasan citra hasil. Dengan  DNMS 2  =  
demikian akan dihasilkan citra yang lebih  M  L L L L  M 
terang dari segi spektral warna. Akan tetapi  h   vn1 vn2  
 DN MSn   L vnn  PCn 
transformasi ini tidak cocok jika ingin tetap
mempertahankan nilai radiometri (spektral) (3)
dari citra multispektral awal. Jika digabungkan maka akan didapat
persamaan (4) berikut:
Principal Component Analysis (PCA)  DNMS
h
1
  DNMS
l
1
 v11
 h   l  v21
Transformasi PCA bertujuan mereduksi
informasi dari komponen yang saling  M   M 
(
DNMS2  = DNMS2  + DNh' − DNl
PAN PAN )  
 M 
berkorelasi menjadi komponen tereduksi baru  h   l   
yang saling tidak berkorelasi. Dalam teknik  DNMSn  DNMSn vn1
fusi citra, PCA digunakan untuk (4)
menransformasi citra multispektral beresolusi dengan DN l h'
= PC 1 dan DN PAN adalah
rendah untuk mendapatkan komponen penting PAN
(principal component) representatif baru yang h , yang telah direntangkan agar
DN PAN
saling tidak berkorelasi. Komponen penting
memiliki nilai rataan dan ragam
berisi informasi umum dari keseluruhan kanal
menyerupai PC 1 (Wang et al. 2005).
spektral, yang direpresentasikan dalam vektor-
vektor nilai eigen.
Analisis Kinerja Kuantitatif Hasil Fusi
Proses untuk mendapatkan komponen
penting ini disebut sebagai transformasi Analisis kinerja kuantitatif citra hasil fusi
forward. Secara matematis dijelaskan pada terdiri dari dua kriteria, yaitu kriteria spasial
persamaan (2) dengan DN l adalah digital dan kriteria fidelitas.
MS
number (DN) dari citra input multispektral ¾ Kriteria Spasial (Spatial Criterion)
resolusi spasial rendah, PC 1 adalah principal Kriteria ini bertujuan memaksimalkan
component pertama, dan matriks transformasi detail spasial dengan cara memaksimalkan
ν terdiri dari vektor-vektor eigen yang koefisien korelasi antara komponen spasial/
diurutkan berdasarkan nilai eigennya. frekuensi tinggi dari citra hasil fusi dengan
citra pankromatik awal, sebagaimana
dijelaskan pada persamaan (5) berikut.
 4

MN∑ XY − (∑ X )(∑Y )
corΧ, Υ =
[MN∑ X 2
][
− (∑ X )2 MN∑Y 2 − (∑Y )2 ] C itra
P ank rom atik
(5) C itra Teregis tras i
M ultis pek tral
dengan X adalah citra multispektral hasil fusi, T eregis tras i
Y adalah citra pankromatik, dan M×N adalah
ukuran citra (Tsai 2004).
R egis tras i, C rop , R es am pling

¾ Kriteria Fidelitas (Fidelity Criterion) P e rh itu n g a n S ta tistik (m e a n,P D F)

Kriteria ini bertujuan meminimalkan M etode F us i M etode F us i

hilangnya informasi dari citra hasil fusi B rov ey B rov ey
dengan berpedoman pada citra multispektral
P e rh itu n g a n S ta tistik (m e a n,P D F)
awal. Kriteria fidelitas dapat didefinisikan
dengan meminimalkan nilai root mean square R es haping dan Im age W rite
error (RMSE) pada persamaan (6) berikut.
C itra H as il F us i
M −1 N −1
1
RMSE (k ) = ∑∑ (g (x, y, k ) − f (x, y, k ))
2

MN x=0 y =0 P enghitungan K riteria K uantitatif

dan P erbandingan
(6)
dengan f (x, y,k) adalah citra multispektral D is play C itra H as il dan N ilai P erbandingan

awal dari kanal k yang telah di-resampling

sebesar ukuran citra pankromatik, dan Gambar 2 Diagram alir penelitian.
g ( x, y , k ) adalah citra hasil fusi dengan Penjabaran dari metode fusi dengan
ukuran M×N (Tsai 2004). menggunakan transformasi PCA digambarkan
oleh Gambar 3 berikut ini.

METODE PENELITIAN Citra

Pankromatik
Metode Penelitian Multispektral Teregistrasi
Metode penelitian yang dilakukan Teregistrasi
menggunakan data pasangan citra
pankromatik dan multispektral satelit
QuickBird pencitraan area Taman Nasional Concatenating dan Vectorizing
Kerinci Semblat serta citra pankromatik dan 6
citra spektral satelit Landsat pencitraan area PCA Forward Transform
Singkawang. Secara garis besar metode
penelitian yang dilakukan adalah sebagai Perhitungan PDF Citra Pan (Input)
Perentangan Histogram

berikut: dan PC1 (Citra Referensi)

1 Dilakukan persiapan data citra dengan Perhitungan Fungsi Citra Pan

bantuan perangkat lunak pemrosesan citra (Input) dan PC1 (Citra Referensi)
satelit, ENVI, guna mendapatkan citra
dengan ukuran lebih kecil dari citra awal Perhitungan Fungsi Inversi
untuk memudahkan komputasi dengan Citra Pan resolusi rendah
Matlab. dgn mean seperti PC1
2 Dilakukan pengimplementasian teknik fusi Penggantian PC1 dgn
citra menggunakan bahasa pemrograman Pan resolusi rendah
Matlab dengan alur seperti yang
ditunjukkan pada Gambar 2. PCA Backward Transform

Gambar 3 Diagram alir metode fusi PCA.


Lingkungan Pengembangan
Perangkat lunak yang digunakan pada
penelitian ini adalah compiler Matlab versi
7.0.1. dengan sistem operasi Microsoft
Window XP. Langkah persiapan citra
menggunakan perangkat lunak pemrosesan
citra satelit, ENVI versi 4.0., sedangkan
spesifikasi perangkat keras yang digunakan
adalah PC dengan prosesor Pentium IV 2GHz,
memori sebesar 512MB, dan kapasitas
penyimpanan sebesar 40GB.
HASIL DAN PEMBAHASAN
Data sumber pertama adalah pasangan
citra pankromatik hitam putih beresolusi
spasial 0.6 meter dan citra multispektral
beresolusi spasial 2.4 meter dari wilayah
Taman Nasional Kerinci Semblat. Citra
pankromatik awal berdimensi 7762×9350×1
[BSQ] dan berukuran 141.821 kb. Pasangan-
nya adalah citra multispektral berdimensi
1941×2338×4 dan berukuran 35.528 kb.
Keduanya bertipe kelas unsigned int16
(uint16) dengan ukuran digital number (DN)
piksel berada pada rentang [0 65536].
Pasangan citra awal merupakan file GeoTIFF
yang merupakan citra standar hasil foto udara
satelit observasi bumi QuickBird.
Data sumber kedua merupakan citra
standar hasil pencitraan dari satelit Landsat.
Data citra terdiri dari sebuah citra
pankromatik hitam putih beresolusi spasial 15
meter dan 6 citra spektral beresolusi spasial
30 meter dari wilayah Singkawang. Citra
pankromatik awal berdimensi 15721 x 13921
x 1 [BSQ] dan berukuran 213.832 kb. Citra
penyertanya adalah 6 citra spektral dari kanal
sensor satelit Landsat, yang masing-masing
memiliki dimensi 7861 x 6961 x 1 [BSQ] dan
berukuran 53.493 kb. Ketujuh citra Landsat
ini bertipe kelas unsigned int8 (uint8) dengan
rentang nilai [0 256].
Pasangan data citra QuickBird dan
Landsat ini dipilih karena data tersedia untuk
penelitian dan telah mengalami proses geo-
rectification, yaitu telah disesuaikan dengan
informasi geografis di lapangan. Visualisasi
dan karakteristik pasangan citra QuickBird
awal ditunjukkan pada Lampiran 1. Adapun
visualisasi dan karakteristik citra Landsat
ditunjukkan pada Lampiran 2.
5
Persiapan Data
Ukuran data yang besar menjadi masalah
yang signifikan dalam usaha pembacaan citra
dengan menggunakan Matlab. Oleh karena itu
dilakukan pengambilan sampel kecil dari
kedua pasangan citra dengan cara melakukan
resize data menggunakan perangkat lunak
pemrosesan citra, ENVI versi 4.0. Proses yang
dilakukan dalam resizing adalah dengan
memilih sub bagian citra yang akan diambil
(subsetting) dengan sedapat mungkin tidak
mengubah informasi registrasi citra awal.
Citra yang di-resize terlebih dahulu adalah
citra pankromatik. Kemudian resizing citra
multispektral dilakukan dengan berpedoman
dari file citra pankromatik yang telah didapat
sebelumnya agar memiliki daerah yang sama.
Setelah dilakukan resizing, file subset diubah
ke dalam bentuk TIFF/GeoTIFF dan dibentuk
file header-nya. Pada umumnya setelah proses
ini ENVI akan menghasilkan file .tfw (TIFF
world files) dan .hdr sebagai penyerta tiap file
.tif.
Subset citra pankromatik Landsat yang
digunakan berukuran 631 kb dengan dimensi
800 × 800×1, sedangkan keenam subset citra
spektral Landsat yang digunakan berukuran
masing-masing 160 kb dan berdimensi
400×400×1. Pada citra QuickBird diambil
subset citra pankromatik berukuran 709 kb
dengan dimensi 600×600×1, dan subset citra
multispektral berukuran 181 kb dengan
dimensi 150×150×1. Gambar 4 merupakan
subset citra QuickBird yang diambil untuk
input penelitian, sedangkan Gambar 5
merupakan subset citra Landsat.
Gambar 4 Subset citra QuickBird (uint16).
Gambar 5 Subset citra Landsat (uint8).

Registrasi, Crop, dan Resampling
Di dalam Matlab, pembacaan kanal citra
multispektral yang memiliki lebih dari 3 kanal
memerlukan perlakuan yang berbeda.
Pertama-tama citra multispektral yang telah
diregistrasi dibaca dengan menggunakan
fungsi imread untuk mendapatkan informasi 3
kanal display (Red Green Blue) pertama.
Kemudian dilakukan pembacaan sisa kanal
spektral dengan menggunakan fungsi
multibandread. Pada penelitian ini pembacaan
dengan menggunakan fungsi multibandread
hanya diberlakukan pada citra QuickBird yang
memiliki informasi 4 kanal spektral. Pada
citra Landsat tidak perlu diberlakukan hal
yang sama karena data keenam kanal
spektralnya telah tersimpan dalam file yang
terpisah.
Dalam pembacaan sisa kanal spektral
QuickBird, didapatkan bahwa sisa kanal yang
dibaca dengan fungsi multibandread akan
mengalami distorsi berupa pergeseran letak
titik pojok kiri atas kanal. Oleh karena itu
diberlakukan proses registrasi dengan
mendefinisikan terlebih dahulu GCP dari data
masukan (input) dan GCP dari data basis
(salah satu dari ketiga kanal yang telah terbaca
sebelumnya). Proses ini dilakukan dengan
menggunakan control point tool pada Matlab.
Proses penentuan GCP dari kanal referensi
(kanal basis) dan kanal yang akan diregistrasi
(kanal input) ditunjukkan pada Gambar 6.
Selanjutnya dengan berbasis data GCP input
dan data GCP basis dilakukan pemotongan
(cropping) pada kanal yang telah diregistrasi
untuk menghilangkan piksel-piksel yang tidak
bersesuaian.
Gambar 6 Proses penentuan GCP.
Dari proses pemilihan GCP dengan
bantuan tool Matlab didapatkan variabel GCP
6
input dan GCP basis dari kedua pasangan
citra. Titik GCP input untuk citra
multispektral QuickBird adalah [1 1;1 26;35
1;35 26]. Adapun titik GCP basisnya adalah
[9 9;9 34;43 9;43 34].
Setelah dilakukan proses registrasi
diberlakukanlah proses cropping. Titik (9, 9)
diambil sebagai titik kiri atas baru untuk citra
multispektral QuickBird. Kemudian untuk
mendapatkan ukuran sampel yang sama
dengan kanal display (Red Green Blue)
diberlakukan proses resize. Kanal yang
teregistrasi dan telah diberlakukan proses
cropping di-resize dengan menggunakan
metode interpolasi bilinear.
Metode Fusi
Metode transformasi Brovey dan metode
PCA sama-sama menggunakan kombinasi
linear dari pasangan citra awal untuk
mendapatkan citra multispektral baru dengan
resolusi spasial menyamai resolusi citra
pankromatik awal. Metode Brovey merupakan
komposisi dari rasio ketiga nilai kanal
multispektral untuk keperluan display, dalam
hal ini kanal RGB yang dipadukan dengan
nilai spasial dari citra pankromatik awal.
Adapun perhitungan nilai kanal infra merah
dekat (NIR) dilakukan dengan melakukan
kombinasi dari rasio kanal NIR, Red dan
Green (Wang et al. 2005). Hasil tampilan
RGB untuk subset citra QuickBird dan citra
Landsat hasil fusi Brovey diperlihatkan pada
Gambar 7 berikut.
Gambar 7 Citra hasil fusi Brovey.
Pada metode fusi Principal Component
Analysis, sebelum diberlakukan transformasi
forward PCA, data citra dibentuk menjadi
vektor. Kemudian diberlakukan transformasi
forward PCA untuk mencari principal
component dari citra multispektral awal. Hasil
dari proses ini adalah matriks vektor-vektor
eigen yang terurut. Setelah itu vektor eigen
dengan nilai terbesar diambil sebagai vektor
PC1, dan definisikan DN l = PC1 .
PAN
Langkah selanjutnya adalah langkah
perentangan histogram yang berfungsi untuk
mendapatkan citra pankromatik baru,
 7

h ' , dengan rataan yang sama dengan

DN PAN 725.166 kb 185.182 kb PCA :
2904.284 kb
PC1. Proses ini dilakukan untuk mengurangi Brovey :
distorsi warna pada citra hasil fusi akibat 2904.262 kb
jauhnya perbedaan rentang citra pankromatik
800x800x4
dan citra multispektral. Langkah perentangan
400x400x6 (uint8)
histogram adalah sebagai berikut: 800x800x1
(uint8) Res:15 m
(uint8)
1 Nilai PDF dari vektor PC1 dan citra Land- Res:30 m
Res:15 m
pankromatik dihitung dahulu untuk sat PCA :
mendapatkan fungsi yang merepresenta- 979.566 kb 2583.456 kb
646.754 kb
sikannya. Brovey :
2584.592 kb
2 Dari kedua fungsi yang diperoleh dari
langkah 1 dihitung suatu fungsi inversi. Adapun dalam hal lama waktu
pemrosesan, metode Brovey membutuhkan
3 Citra pankromatik dipetakan dengan
waktu proses yang jauh lebih singkat bila
bantuan fungsi inversi. Hasilnya adalah
dibandingkan dengan metode PCA. Lama
citra pankromatik baru dengan resolusi
waktu pemrosesan pada metode PCA
spasial lebih rendah, namun lebih
disebabkan oleh proses perentangan
mendekati karakteristik kanal PC1.
histogram. Pada citra yang memiliki kelas
Setelah proses perentangan histogram, uint16 harus dilakukan pemetaan dari rentang
dilakukan transformasi backward PCA nilai [0 65536] untuk menemukan fungsi
dengan terlebih dahulu menggantikan kanal inversi. Waktu yang dibutuhkan dapat dilihat
PC1 dengan citra pankromatik baru hasil pada Tabel 2.
perentangan ( DN h' ) dan mendefinisikan Tabel 2 Perbandingan proses fusi
PAN
l
DN PAN = PC 1 . Kanal-kanal multispektral Waktu proses fusi
Brovey PCA
baru hasil transformasi backward inilah yang Brovey PCA
(Quick- (Quick-
dibentuk menjadi citra multispektral baru. (Landsat) (Landsat)
Bird) Bird)
Hasil tampilan RGB untuk subset citra
Waktu
QuickBird dan citra Landsat hasil fusi PCA 11.4840 15.2340 511.8130 26.6090
(detik)
diperlihatkan pada Gambar 8 berikut. Adapun
perbandingan setiap citra hasil metode fusi
ditunjukkan pada Lampiran 3. Perbandingan Visualisasi
Secara visual dapat diamati bahwa citra
fusi hasil transformasi Brovey memiliki
informasi spasial dengan ketajaman tinggi.
Akan tetapi dari segi warna, citra hasil
transformasi ini memberikan informasi yang
jauh berbeda dengan informasi warna pada
citra multispektral awal. Citra hasil fusi
Gambar 8 Citra hasil fusi PCA.
cenderung berwarna lebih terang kebiruan.
Pada dasarnya file citra hasil fusi Hal ini disebabkan karena metode
mempunyai ukuran yang lebih besar daripada transformasi Brovey hanya menggunakan
kedua file citra awal. Hal ini disebabkan oleh rasio dari 3 kanal spektral dan tidak
penggabungan informasi spasial dan informasi memperhitungkan perbedaan rentang nilai
warna dari pasangan citra awal. Perbandingan gelombang antara kanal pankromatik maupun
ukuran sebelum dan sesudah proses fusi kanal multispektral.
antara kedua metode dinyatakan pada Tabel 1.
Pada citra hasil metode fusi PCA, terdapat
Tabel 1 Ukuran dan dimensi data distorsi berupa titik-titik hitam dan kurang
Ukuran (bytes) dan dimensi data subset tajamnya informasi tepian objek yang
Citra Pan- Citra Multi- Citra Hasil diperoleh. Akan tetapi warna citra hasil fusi
kromatik spektral Fusi PCA memperlihatkan kedekatan dengan
600x600x1 150x150x4 600x600x4 warna citra multispektral awal. Kedekatan
Quick- (uint16) (uint16) (uint16) warna ini dikarenakan PCA melakukan
Bird Res:0.6 m Res:2.4 m Res:0.6 m perentangan histogram sebelum proses
perhitungan kanal multispektral baru. Dengan

demikian metode PCA menghasilkan
histogram kanal spektral baru yang lebih
menyebar dan menyerupai karakteristik citra
multispektral awal.
Perbedaan hasil kedua metode ini dapat
diamati secara visual melalui Gambar 9 dan
10 berikut. Gambar 9 menunjukkan citra
pankromatik QuickBird resolusi 0.6 meter dan
citra multispektral QuickBird resolusi 2.4
meter. Kemudian zoom area di dalam persegi
merah ditunjukkan oleh Gambar 10. Terurut
dari kiri ke kanan bawah, adalah area zoom
citra pankromatik resolusi 0.6 meter, citra
hasil fusi PCA resolusi 0.6 meter, dan citra
hasil Brovey resolusi 0.6 meter. Adapun
perbandingan citra hasil kedua metode fusi
secara visual ditunjukkan pada Lampiran 4.
Gambar 9 Subset citra pankromatik dan
multispektral QuickBird awal.
(a) (b)
(c)
Gambar 10 Area zoom (a) citra Pan, (b) hasil
fusi PCA, (c) hasil fusi Brovey.
Perbandingan Kriteria Kuantitatif
Perbandingan kriteria kuantitatif yang
dilakukan adalah perbandingan nilai koefisien
korelasi dan nilai root mean square error
(RMSE). Nilai koefisien korelasi mengukur
kesamaan informasi spasial antara citra hasil
fusi dengan citra pankromatik awal yang
ditunjukkan pada Tabel 3. Nilai ini berada
pada rentang [-1 1]. Nilai mendekati 1
menyatakan semakin tingginya nilai informasi
spasial yang terkandung pada citra hasil fusi.
8
Tabel 3 Koefisien korelasi antara citra multi-
spektral hasil fusi dengan citra
pankromatik awal
Koefisien Korelasi Citra Hasil Fusi
Band1 Band2 Band3 Band4
Pan Brovey
0.95545 0.98656 0.88220 0.83130
(QuickBird)
Pan Brovey
0.90588 0.86050 0.75164 0.95656
(Landsat)
Pan PCA
0.23383 0.42907 0.22611 0.32744
(QuickBird)
Pan PCA
0.42467 0.38026 0.21460 0.88567
(Landsat)
Metode Brovey memberikan nilai
koefisien korelasi yang tinggi. Nilai korelasi
yang tinggi menandakan bahwa citra hasil
transformasi fusi Brovey memiliki informasi
spasial yang mendekati informasi spasial citra
pankromatik awal. Hal ini mendukung
pengamatan visual bahwa pada citra hasil
Brovey informasi tepi objek dapat dikenali
lebih mudah.
Nilai koefisien korelasi yang dihasilkan
pada metode PCA sangat kecil bila
dibandingkan dengan metode Brovey. Pada
dasarnya karakteristik kanal NIR mendekati
karakteristik citra pankromatik, sehingga nilai
korelasi kanal 4 (NIR) akan lebih mendekati
nilai 1. Akan tetapi pada perbandingan kanal
NIR QuickBird dengan citra pankromatik
diperoleh nilai yang sangat kecil. Nilai yang
kecil ini disebabkan kerusakan kanal NIR
citra multispektral QuickBird awal akibat
proses pembacaan dengan multibandread.
Lain halnya dengan perhitungan koefisien
korelasi, perhitungan kriteria RMSE bertujuan
untuk melihat tingkat perubahan informasi
warna dari perbandingan antara citra hasil fusi
dengan citra multispektral awal. Nilai RMSE
yang baik adalah nilai seminimal mungkin.
Nilai RMSE dari data citra percobaan
ditunjukkan pada Tabel 4.
Tabel 4 Nilai RMSE antara citra multispektral
hasil fusi dengan citra multispektral
awal
RMSE Citra Hasil Fusi
Band1 Band2 Band3 Band4
Brovey
72.724 102.49 63.496 352.01
(QuickBird)
Brovey
75.954 61.304 53.116 74.340
(Landsat)
PCA
0.85599 0.34977 1.8992 27.132
(QuickBird)
PCA
2.9979 2.7319 2.3585 17.998
(Landsat)

Bila dibandingkan dengan nilai RMSE
metode Brovey, nilai RMSE hasil metode fusi
PCA menunjukkan nilai yang lebih kecil.
Rendahnya nilai RMSE metode PCA ini
menunjukkan rendahnya informasi warna citra
multispektral awal yang hilang pada proses
fusi PCA. Dengan demikian dapat
disimpulkan bahwa metode PCA mampu
mempertahankan informasi warna lebih baik
daripada metode Brovey. Hal ini dapat dilihat
dari representasi visual kanal RGB. Secara
visual, informasi warna citra hasil metode
PCA terlihat hampir menyerupai informasi
warna citra multispektral awal.
KESIMPULAN DAN SARAN
Kesimpulan
Dari hasil penelitian didapat bahwa nilai
koefisien korelasi antara citra multispektral
hasil metode Brovey dan citra pankromatik
awal memberikan nilai korelasi tertinggi. Hal
ini menunjukkan penambahan informasi
spasial yang tinggi. Akan tetapi metode
Brovey kurang meminimalkan nilai RMSE
pada perbandingan informasi warna antara
citra hasil dan citra multispektral awal.
Hal sebaliknya terjadi pada citra hasil fusi
dengan menggunakan metode PCA. Metode
PCA mampu memberikan informasi warna
yang baik dengan nilai RMSE hasil fusi yang
lebih rendah. Akan tetapi metode PCA kurang
dapat menyumbangkan penambahan informasi
spasial. Hal ini dapat dilihat dari nilai
koefisien korelasi citra hasil metode PCA
yang nilainya jauh lebih rendah daripada nilai
koefisien korelasi metode Brovey.
Pada dasarnya metode Brovey dan PCA
memiliki kelebihan dan kekurangan masing-
masing. Terlepas dari kekurangannya, kedua
metode mampu memberikan citra
multispektral hasil fusi baru yang memiliki
penambahan informasi spasial dan informasi
warna dari pasangan citra awal. Pemilihan
metode fusi yang cocok bergantung pada
keperluan analisis citra, untuk pengamatan
spektral atau untuk pengamatan tepian objek.
Saran
Penelitian ini masih belum sempurna
dilakukan. Beberapa hal dapat dilakukan
untuk pengembangan topik penelitian ini lebih
lanjut, antara lain:
9
1 Dilakukannya penggabungan metode fusi
Brovey dan PCA untuk mendapatkan hasil
yang lebih baik secara spasial maupun
warna.
2 Diterapkannya pemrosesan paralel dengan
menggunakan block processing guna
mengakomodasi data citra satelit yang
berukuran besar.
3 Dilakukannya pengukuran keakuratan
spasial dengan menggunakan proses
klasifikasi pada citra hasil fusi.
4 Dilakukannya proses enhancement yang
mendukung pendeteksian tepi objek, guna
melihat kinerja fusi citra dalam
pengekstraksian objek-objek penting pada
citra hasil fusi, seperti jalan atau objek-
objek penting lainnya.
DAFTAR PUSTAKA
Aiazzi B, et al. 2004. Spectral Information
Extraction by means of MS+PAN Fusion.
Di dalam: ESA Special Publication no.
553, Theory and Applications of
Knowledge driven Image Information
Mining, with focus on Earth Observation,
in press.
Dehghani M. 2003. Wavelet-based Image
Fusion Using “A trous” Algorithm.
http://www.gisdevelopment.net/technolog
y/ip/pdf/53.pdf [30 Oktober 2006]
ENVI. 2003 ENVI 4.0 Online Help. Research
Systems Inc.
Gonzalez RC, Woods RE, Eddins SL. 2004.
Digital Image Processing Using MATLAB.
New Jersey: Pearson Prentice Hall.
Lillesand TM, Kiefer RW. 1990.
Penginderaan Jauh dan Interpretasi Citra.
Dulbahri, Suharsono P, Hartono,
Suharyadi, penerjemah; Sutanto,
penyunting; Yogyakarta: Gajah Mada
University Press.
Matlab. 2004. Matlab’s Manual Release 7.0.1.
MathWorks Inc.
Tsai VJD. 2004. Evaluation of Multiresolution
Image Fusion Algorithms. IEEE Trans.
Geosci. Remote Sens., no. 0-7803-8742-2,
2004. hlm 621-624.
Wald L. 1999. Some terms of reference in
data fusion. IEEE Trans. Geosci. Remote
Sens., vol. 37, no. 3, Mei 1999. hlm 1190-
1193.
 10

Wang Z, et al. 2005. A Comparative

Analysis of Image Fusion Methods. IEEE
Trans. Geosci. Remote Sens., vol. 43, no.
6, Juni 2005. hlm 1391-1402.
Zhang Y. 2004. Understanding Image
Fusion. Photogramm. Eng. Remote Sens.,
vol. 70, no. 6, Juni 2004. hlm 657-661.
Zhang Y, Wang R. 2004. Multi-resolution and
Multi-spectral Image Fusion for Urban
Object Extraction. Di dalam: Proceed-
ings of XXth ISPRS Congress, Commission
III, 12-24 July 2004, Istanbul, Turkey. hlm
960-966.
LAMPIRAN
 12

Lampiran 1 Visualisasi dan karakteristik data awal QuickBird

Panjang Gelombang Sensor Satelit QuickBird

Band Number Wavelength Interval Spectral Response Resolution
1 0.45-0.52 µm Blue 2.4 meter
2 0.52-0.60 µm Green 2.4 meter
3 0.63-0.69 µm Red 2.4 meter
4 0.76-0.90 µm Near IR 2.4 meter
0.45-0.90 µm Panchromatic 0.6 meter

Visualisasi data QuickBird (dari kiri ke kanan adalah citra pankromatik dan display RGB citra
multispektral)

Karakteristik citra pankromatik (hitam putih) QuickBird:

File: C:\MATLAB701\work\JPG-TIF\TN_pan.tif
Dims: 7762 x 9350 x 1 [BSQ]
Size: [Unsigned Int] 145,224,566 bytes.
File Type : TIFF
Sensor Type: Unknown
Byte Order : Host (Intel)
Projection : UTM, Zone 47 South
Pixel : 0.6 Meters
Datum : WGS-84
Wavelength : Panchromatic : 450 - 900 nm
Upper Left Corner: 1,1
Description: GEO-TIFF File Imported into ENVI [Sat Dec 30 11:33:52 2006]

Band Min Max Mean Stdev

1 0.000000 2047.000000 292.331432 92.578677

Karakteristik citra multispektral (berwarna) QuickBird:

File: C:\MATLAB701\work\JPG-TIF\TN_xs.tif
Dims: 1941 x 2338 x 4 [BSQ]
Size: [Unsigned Int] 36,379,662 bytes.
File Type : TIFF
 13

Lampiran 1 Lanjutan

Sensor Type: Unknown

Byte Order : Host (Intel)
Projection : UTM, Zone 47 South
Pixel : 2.4 Meters
Datum : WGS-84
Wavelength : Blue : 450 - 520 nm (1st band)
Green :520 - 600 nm (2nd band)
Red : 630 - 690 nm (3rd band)
Near IR: 760 - 900 nm (4th band)
Upper Left Corner: 1,1
Description: GEO-TIFF File Imported into ENVI [Sat Dec 30 11:33:43 2006]

Band Min Max Mean Stdev

1 0.000000 755.000000 148.301443 14.939142
2 0.000000 1189.000000 197.109739 35.420139
3 0.000000 796.000000 94.238888 25.930675
4 0.000000 1269.000000 520.509057 165.687005

Num Eigenvalue
1 28274.501610
2 1240.226462
3 54.861461
4 32.758117

Histogram data QuickBird (dari atas ke bawah adalah histogram citra pankromatik dan histogram
citra multispektral)
 14

Lampiran 2 Visualisasi dan karakteristik data awal Landsat

Panjang Gelombang Sensor Satelit Landsat :

Band Number Wavelength Interval Spectral Response Resolution
1 0.45-0.52 µm Blue-Green 30 meter
2 0.52-0.60 µm Green 30 meter
3 0.63-0.69 µm Red 30 meter
4 0.76-0.90 µm Near IR 30 meter
5 1.55-1.75 µm Mid-IR 30 meter
6 10.40-12.50 µm Thermal IR 120 (TM) 60 (ETM+)
7 2.08-2.35 µm Mid-IR 30 meter
0.50-0.90 µm Panchromatic 15 meter

Visualisasi data pankromatik Lansat resolusi 15 meter (dari kiri ke kanan adalah citra pankromatik
dan perbesaran areanya)

Visualisasi data multispektral Lansat resolusi 30 meter (dari kiri ke kanan adalah display RGB
citra multispektral dan perbesarannya)
 15

Lampiran 2 Lanjutan

Karakteristik citra pankromatik (hitam putih) Landsat:

File: C:\MATLAB701\work\JPG-TIF\LB8.TIF
Dims: 15721 x 13921 x 1 [BSQ]
Size: [Byte] 218,963,786 bytes.
File Type : TIFF
Sensor Type: Unknown
Byte Order : Host (Intel)
Projection : UTM, Zone 47 South
Pixel : 15 Meters
Datum : WGS-84
Wavelength : Panchromatic 0.50-0.90 µm
Upper Left Corner: 1,1
Description: GEO-TIFF File Imported into ENVI [Mon Jul 16 12:27:44 2007]

Band Min Max Mean Stdev

1 0 255 53.079025 47.703822

Karakteristik citra multispektral (berwarna) Landsat:

File: C:\RSI\IDL60\LB_xs.tif
Dims: 7902 x 7001 x 6 [BSQ]
Size: [Byte] 332,267,826 bytes.
File Type : TIFF
Sensor Type: Unknown
Byte Order : Host (Intel)
Projection : UTM, Zone 47 South
Pixel : 30 Meters
Datum : WGS-84
Wavelength : Band 1 0.45-0.52 µm Blue-Green
Band 2 0.52-0.60 µm Green
Band 3 0.63-0.69 µm Red
Band 4 0.76-0.90 µm Near IR
Band 5 1.55-1.75 µm Mid-IR
Band 7 2.08-2.35 µm Mid-IR
Upper Left Corner: 1,1
Description: GEO-TIFF File Imported into ENVI [Mon Jul 16 12:50:51 2007]

Band Min Max Mean Stdev

1 0 255 81.295229 67.547918
2 0 255 64.732265 60.500488
3 0 255 57.159061 61.280270
4 0 255 90.279063 72.015382
5 0 255 60.992681 58.849396
6 0 255 35.370546 42.822187

Num Eigenvalue
1 20123.014237
2 1447.848666
3 669.793117
4 143.684261
5 43.967970
6 33.199943
 16

Lampiran 2 Lanjutan

Histogram data pankromatik Landsat

Histogram data multispektral Landsat

 17

Lampiran 3 Hasil metode fusi citra

Hasil fusi citra dengan metode Brovey (data QuickBird)

Hasil fusi citra dengan metode Brovey (data Landsat)

 18

Lampiran 3 Lanjutan

Hasil fusi citra dengan metode PCA (data QuickBird)

Hasil fusi citra dengan metode PCA (data Landsat)

 19

Lampiran 4 Perbandingan visual citra hasil fusi Brovey dan PCA

Perbandingan citra QuickBird hasil fusi metode Brovey dan PCA:

Perbandingan citra Landsat hasil fusi metode Brovey dan PCA: