PETUNJUK PRAKTIKUM

PENGOLAHAN CITRA DIGITAL

(MENGGUNAKAN SOFTWARE ENVI 4.5)

Disiapkan Oleh :
PUSPICS UGM

LABORATORIUM PENGINDERAAN JAUH DASAR

JURUSAN KARTOGRAFI DAN PENGINDERAAN JAUH
FAKULTAS GEOGRAFI UGM
YOGYAKARTA
2011
 MODUL 1
DISPLAY CITRA, PEMBACAAN NILAI PIKSEL,
DAN PENYUSUNAN CITRA KOMPOSIT WARNA

A. SOFTWARE ENVI
Envi (Environment for Visualizing Images) merupakan salah satu software Image Processing yang mampu
digunakan untuk viisualisai, analisis, pengolahan citra secara digital, transformasi dan masih banyak lagi.
Dalam satu paket software ENVI terdapat tiga program utama, yaitu : ENVI, ENVI + IDL, ENVI Zoom.
Perbedaan antara ENVI dan ENVI Zoom dari segi user interface sama dan fungsi hampir sama, namun
perbedaan terdapat pada kemampuan untuk customisasi program yang mampu dilakukan dengan
menggunakan ENVI + IDL, namun disini syaratnya kita harus dapat menguasai bahasa pemrograman IDL.
Sedangkan fungsi dari ENVI Zoom adalah dapat digunakan untuk klasifikasi berbasis object atau sering
orang menyebutnya dengan Segmentasi citra.

B. MEMBUKA CITRA
Envi dilengkapi kemampuan untuk membaca beberapa format citra dengan cukup baik, baik itu berupa
format asli citra sampai citra yang telah tersimpan dalam format tertentu (hasil pemrosesan software image
processing). Agar suatu citra dapat dibaca di ENVI terdapat beberapa syarat :
1. Ekstensi atau format penyimpanan citra terbaca oleh ENVI, jika tidak terbaca maka harus dilakukan
konfersi format citra. Beberapa contoh format citra yang dapat terbaca di ENVI, yaitu:
Format-format File Input yang didukung ENVI
Flat Binary Files IKONOS Files
- BSQ (Band Sequential) - GeoTIFF
- BIL (Band Interleaved by Line) - NITF
- BIP (Band Interleaved by Pixel) QuickBird Files
Landsat Files - GeoTIFF
- FAST - NITF
- GeoTIFF - QuickBird Tile Products (.TIL)
- HDF OrbView Files
- NLAPS - GeoTIFF
- MRLC - NITF
- ACRES CCRS IRS Files
- ESA CEOS - Fast
SPOT Files - SuperStructured
- SPOT AVHRR
- GEOSPOT - KLMN/Level 1b
- DIMAP - SHARP
- ACRES SPOT - Quorum
- Vegetation SeaWiFS Files
- HDF
- CEOS

1
 EOS Files Miscellaneous Formats
- ASTER - ATSR
- MODIS - DMSP (NOAA)
EROS A Files - LAS LIDAR
- Level 1A Image Processing Software Formats
- Level 1B (GeoTIFF) - ArcView Raster (.bil)
ENVISAT Files - ECW (.ecw)
- AATSR - ERDAS IMAGINE (.bil)
- MERIS - ER Mapper (.ers)
- ASAR - ESRI GRID
Radar Files - PCI (.pix)
- RADARSAT Generic Formats
- ERS - ASCII
- AIRSAR - BMP
- JERS - HDF
- TOPSAR - JPEG
- ASAR - JPEG2000
Military Files - MrSID
- ADRG - PDS
- CADRG - PICT
- CIB - PNG
- NITF - SRF
Thermal Files - TIFF/GeoTIFF
- TIMS - TIFF world files (.tfw)
- MASTER - XWD
- AATSR Vector Files
- ASTER - ARC/INFO Interchange Format
USGS and Digital Elevation Files - ArcView Shapefile (.shp)
- USGS DRG - DXF
- USGS DOQ - ENVI Vector File (.evf)
- USGS DEM - MapInfo Interchange (.tab)
- SDTS DEM - Microstation DGN
- DTED - USGS DLG
- SRTM DEM - USGS DLG in SDTS Format

2. Memiliki metadata atau header, jika tidak ada maka harus membuat.
Header sendiri ada dua jenis, yaitu header pemrosesan dan header perekaman. Header perekeman
berisikan informasi sejarah bagaimana suatu citra direkam, berisikan informasi tanggal perekaman,
ketinggian, jumlah band, level koreksi, kemiringan sudut matahari, kemiringan sensor saat merekam,
dll. Dimana segala informasi ini dari header perekaman sangat dibutuhkan dalam tahap koreksi citra,
terutama koreksi radiometric. Satu lagi adalah header pemrosesan, header ini menunjukan sejarah

1
prmrosesan data. Header pemrosesan beriskan informasi basic seperti berapa jumlah band, keterangan
lebar dan panjang citra dalam susunan piksel, sistem proyeksi yang digunakan. Header pemrosesan
sangat dibutuhkan agar suatu citra dapat terbaca oleh suatu software.
1. Header Perekaman, Citra Landsat ETM+
GROUP = LPGS_METADATA_FILE
GROUP = METADATA_FILE_INFO
REQUEST_ID = "00102090514060001"
PRODUCT_CREATION_TIME = 2002-09-05T08:36:15
STATION_ID = "EDC"
LANDSAT7_XBAND = "1"
GROUND_STATION = "DKI"
LPS_PROCESSOR_NUMBER = 1
DATEHOUR_CONTACT_PERIOD = "0223302"
SUBINTERVAL_NUMBER = "01"
END_GROUP = METADATA_FILE_INFO
GROUP = PRODUCT_METADATA
PRODUCT_TYPE = "L1G" > Level Pemrosesan
EPHEMERIS_TYPE = "PREDICTIVE"
SPACECRAFT_ID = "Landsat7" > Nama Citra
SENSOR_ID = "ETM+" > Sensor
ACQUISITION_DATE = 2002-08-21 > Waktu Perekaman
WRS_PATH = 120 > Posisi Path
STARTING_ROW = 65 > Posisi Row
ENDING_ROW = 65
BAND_COMBINATION = "123456678" > Deskripsi Band
PRODUCT_UL_CORNER_LAT = -6.2826899
PRODUCT_UL_CORNER_LON = 108.9454850
PRODUCT_UR_CORNER_LAT = -6.2867195
PRODUCT_UR_CORNER_LON = 111.0795586
PRODUCT_LL_CORNER_LAT = -8.1783758
PRODUCT_LL_CORNER_LON = 108.9368953
PRODUCT_LR_CORNER_LAT = -8.1836355
PRODUCT_LR_CORNER_LON = 111.0798915
PRODUCT_UL_CORNER_MAPX = 272700.000
PRODUCT_UL_CORNER_MAPY = 9305100.000
PRODUCT_UR_CORNER_MAPX = 508800.000
PRODUCT_UR_CORNER_MAPY = 9305100.000
PRODUCT_LL_CORNER_MAPX = 272700.000
PRODUCT_LL_CORNER_MAPY = 9095400.000
PRODUCT_LR_CORNER_MAPX = 508800.000
PRODUCT_LR_CORNER_MAPY = 9095400.000
PRODUCT_SAMPLES_PAN = 15741
PRODUCT_LINES_PAN = 13981
PRODUCT_SAMPLES_REF = 7871
PRODUCT_LINES_REF = 6991
PRODUCT_SAMPLES_THM = 3936 > Lebar Baris Piksel
PRODUCT_LINES_THM = 3496 > Lebar Baris Kolom
BAND1_FILE_NAME = "L71120065_06520020821_B10.TIF"
BAND2_FILE_NAME = "L71120065_06520020821_B20.TIF"
BAND3_FILE_NAME = "L71120065_06520020821_B30.TIF"
BAND4_FILE_NAME = "L71120065_06520020821_B40.TIF"
BAND5_FILE_NAME = "L71120065_06520020821_B50.TIF"
BAND61_FILE_NAME = "L71120065_06520020821_B61.TIF"
BAND62_FILE_NAME = "L72120065_06520020821_B62.TIF"
BAND7_FILE_NAME = "L72120065_06520020821_B70.TIF"

1
 BAND8_FILE_NAME = "L72120065_06520020821_B80.TIF"
METADATA_LPGS_FILE_NAME = "L71120065_06520020821_MTL.TXT"
END_GROUP = PRODUCT_METADATA
GROUP = MIN_MAX_RADIANCE
MAX_DETECTED_RADIANCE_LEVEL_BAND1 = 191.600
MIN_DETECTED_RADIANCE_LEVEL_BAND1 = -6.200
MAX_DETECTED_RADIANCE_LEVEL_BAND2 = 196.500
MIN_DETECTED_RADIANCE_LEVEL_BAND2 = -6.400
MAX_DETECTED_RADIANCE_LEVEL_BAND3 = 152.900
MIN_DETECTED_RADIANCE_LEVEL_BAND3 = -5.000
MAX_DETECTED_RADIANCE_LEVEL_BAND4 = 241.100
MIN_DETECTED_RADIANCE_LEVEL_BAND4 = -5.100
MAX_DETECTED_RADIANCE_LEVEL_BAND5 = 31.060
MIN_DETECTED_RADIANCE_LEVEL_BAND5 = -1.000
MAX_DETECTED_RADIANCE_LEVEL_BAND61 = 17.040
MIN_DETECTED_RADIANCE_LEVEL_BAND61 = 0.000
MAX_DETECTED_RADIANCE_LEVEL_BAND62 = 12.650
MIN_DETECTED_RADIANCE_LEVEL_BAND62 = 3.200
MAX_DETECTED_RADIANCE_LEVEL_BAND7 = 10.800
MIN_DETECTED_RADIANCE_LEVEL_BAND7 = -0.350
MAX_DETECTED_RADIANCE_LEVEL_BAND8 = 243.100
MIN_DETECTED_RADIANCE_LEVEL_BAND8 = -4.700
END_GROUP = MIN_MAX_RADIANCE
GROUP = MIN_MAX_PIXEL_VALUE
MAX_PIXEL_VALUE_BAND1 = 255.0
MIN_PIXEL_VALUE_BAND1 = 1.0
MAX_PIXEL_VALUE_BAND2 = 255.0
MIN_PIXEL_VALUE_BAND2 = 1.0
MAX_PIXEL_VALUE_BAND3 = 255.0
MIN_PIXEL_VALUE_BAND3 = 1.0
MAX_PIXEL_VALUE_BAND4 = 255.0
MIN_PIXEL_VALUE_BAND4 = 1.0
MAX_PIXEL_VALUE_BAND5 = 255.0
MIN_PIXEL_VALUE_BAND5 = 1.0
MAX_PIXEL_VALUE_BAND61 = 255.0
MIN_PIXEL_VALUE_BAND61 = 1.0
MAX_PIXEL_VALUE_BAND62 = 255.0
MIN_PIXEL_VALUE_BAND62 = 1.0
MAX_PIXEL_VALUE_BAND7 = 255.0
MIN_PIXEL_VALUE_BAND7 = 1.0
MAX_PIXEL_VALUE_BAND8 = 255.0
MIN_PIXEL_VALUE_BAND8 = 1.0
END_GROUP = MIN_MAX_PIXEL_VALUE
GROUP = PRODUCT_PARAMETERS
CORRECTION_METHOD_GAIN_BAND1 = "CPF"
CORRECTION_METHOD_BIAS = "IC"
BAND1_GAIN = "H"
BAND2_GAIN = "H"
BAND3_GAIN = "H"
BAND4_GAIN = "L"
BAND5_GAIN = "H"
BAND6_GAIN1 = "L"
BAND6_GAIN2 = "H"
BAND7_GAIN = "H"
BAND8_GAIN = "L"
SUN_AZIMUTH = 58.5664681 > Azimuth Matahari

2
 SUN_ELEVATION = 52.9279042 > Kemiringan matahari
OUTPUT_FORMAT = "geoTIFF"
END_GROUP = PRODUCT_PARAMETERS
GROUP = CORRECTIONS_APPLIED
STRIPING_BAND1 = "N"
STRIPING_BAND2 = "N"
STRIPING_BAND3 = "N"
STRIPING_BAND4 = "N"
STRIPING_BAND5 = "N"
STRIPING_BAND61 = "N"
STRIPING_BAND62 = "N"
STRIPING_BAND7 = "N"
STRIPING_BAND8 = "N"
BANDING = "N"
COHERENT_NOISE = "N"
MEMORY_EFFECT = "N"
SCAN_CORRELATED_SHIFT = "N"
INOPERABLE_DETECTORS = "Y"
DROPPED_LINES = "Y"
END_GROUP = CORRECTIONS_APPLIED
GROUP = PROJECTION_PARAMETERS
REFERENCE_DATUM = "WGS84"
REFERENCE_ELLIPSOID = "WGS84"
GRID_CELL_SIZE_PAN = 15.000000
GRID_CELL_SIZE_THM = 60.000000
GRID_CELL_SIZE_REF = 30.000000
ORIENTATION = "NUP"
RESAMPLING_OPTION = "CC"
MAP_PROJECTION = "UTM"
END_GROUP = PROJECTION_PARAMETERS
GROUP = UTM_PARAMETERS
ZONE_NUMBER = -49
END_GROUP = UTM_PARAMETERS
END_GROUP = LPGS_METADATA_FILE
END

2. Header Pemrosesan
ENVI > Nama software
description = {
File Resize Result, x resize factor: 1.000000, y resize factor:1.000000.[Wed
Jul 26 12:33:22 2006]} > Waktu pemrosesan awal
samples = 2920 > Lebar kolom
lines = 2736 > Lebar baris
bands = 6 > Jumlah band
header offset = 0
file type = ENVI Standard
data type = 1
interleave = bsq > Type Data digital
sensor type = Unknown
byte order = 0
x start = 3937
y start = 4256
map info = {UTM, 1.000, 1.000, 390780.000, 9177450.000, 3.0000000000e+001,
3.0000000000e+001, 49, South, WGS-84, units=Meters} > Infomasi geometrik
wavelength units = Unknown > Satuan panjang gelombang

3
 band names = { > Nama band
Resize (Band 1:LANDSAT16), Resize (Band 2:LANDSAT16),
Resize (Band 3:LANDSAT16), Resize (Band 4:LANDSAT16),
Resize (Band 5:LANDSAT16), Resize (Band 6:LANDSAT16)}

Secara teknik cara membuaka suatu citra adalah sebagai berikut :

1. Membuka Citra dalam format software,
Misal : *File (format penyimpanan ENVI), *Tif (geotiff), *img (format penyimpanan Erdas Imagine),
*lan (format idrisi), *bil (ArcVIEW Raster), *ers (ER-Mapper), *ecw.
1. Start > All Programs > ENVI 4.5
2. File > Open Image File > pilih direktori dimana file citra tersimpan, rincian citra yang digunakan
adalah sebagai berikut
• Citra : Landsat 7 ETM+
• Perekaman : 21 Agustus 2002
• Daerah : Jawa Tengah dan sekitarnya
• Resolusi spasial : 30 meter
• Sistem proyeksi : UTM
• Datum : WGS – 84
• Zona : 49 South
• Dimensi : 7871 x 6991 piksel
• Saluran : 6 saluran (ETM1, ETM2, ETM3, ETM4, ETM5 dan ETM7)
• Format : *.tif (Geotiff)

3. Pilih seluruh file dengan ekstensi *TIF :

Band/ Panjang Reolusi Spasial
Nama File (*tif) Nama Band
Saluran Gelombang (µm) (Meter)
B1 L71120065_06520020821_B10 0,454 - 0,514 Biru 30
B2 L71120065_06520020821_B20 0,519 - 0,601 Merah 30
B3 L71120065_06520020821_B30 0,631 - 0,692 Hijau 30
B4 L71120065_06520020821_B40 0,772 - 0,898 Inframerah Dekat 30
B5 L71120065_06520020821_B50 1,547 - 1,748 Inframerah Tengah 1 30
B61 L71120065_06520020821_B61 10,31 - 12,36 Thermal High Gain 90
B62 L71120065_06520020821_B62 10,31 - 12,36 Thermal Low Gain 90
B7 L71120065_06520020821_B70 2,065 - 2,346 Inframerah Tengah 2 30
B8 L71120065_06520020821_B80 0,515 - 0,896 Pankromatik 15

4
2. Membuka Citra Format Generic
- Misal : *HDF, *LAS, *NITF, *DAT, 1A*, 1B*, 1T*, dll.
1. Start > All Programs > ENVI 4.5
2. File > Open Exsternal File > Generic Format > HDF, disini terdapat beberapa pilihan format
bawaan dari citra-citra tertentu (IKONOS, ALOS, ASTER, LANDSAT, LIDAR, dll)

Dari hasil proses ini maka citra yang siap di buka akan muncul di
layar Available Bands List.

Tampilan citra yang terbuka dalam ENVI

Image Window

Zoom Window
Scrool Window

Membuka Data Vektor

1. File > Open Vektor File

5
 2, Memilih file fektor, Pada bagian kanan bawah terdapat pilihan tipe data vector, Ubah dari tipe data
*evf menjadi *shp, pilih file Shapefile yang akan dibuka

3, Melakukan seting system koordinat/

2, Memilih file fektor, Pada bagian kanan bawah terdapat pilihan tipe data vector, Ubah dari tipe data
*evf menjadi *shp, pilih file Shapefile yang akan dibuka, > akiri dengan mengkik OK

3. Memilih file SHP, klik Load Display, maka akan muncul data Vektor pada ENVI

C. LAYER STACKING
Dalam sebuah perekaman citra satelit multispektral perekaman dilakukan secara parsial dengan
menggunkan beberapa sensor yang dengan kepekaan terhadaap panjang gelombang yang berbeda-beda
sekaligus. Hasilnya adalah sejumlah citra sesuai dengan jumlah sensor yang digunakan dalam merekam,
misalkan dalam kasus ini citra landsat ETM + memiliki 9 saluran sehingga setiap saluran akan

6
menghasilkan satu citra yang direkam dalam fil, sehingga karena ada sembilan sensor maka akan diperoleh
9 file citra. Namun pada dsarnya daerah yang direkam sama. Layer stacking merupakan sebuah tehnik
untuk menggabungkan beberapa file citra yang masih terpisah menjadi satu file yang tergabung. Syaratnya
adalah daerah perekaman sama. Lebar dimensi citra sama, dan resolusi spasial sama. Dalam citra landsat
yang bisa di proses layer stacking adalah B1, B2, B3, B4, B5, B7, karena karakteristik nya sama. Secara
teknis adalah sebagai berikut :
1. Basic Tools > Layer Stacking

2. Mengimport data dengan cara : Import File, pilih (B1, B2, B3, B4, B5, B7) > OK

7
 3. Melakukan pengaturan urutan susunan band : Reorder Files, drag band 1 yang berada di urutan
bawah menjadi paling atas, lakukan cara sama seperti hasil di bawah ini

Sebelum Sesudah
4. Melakukan pengaturan sistem proyeksi citra sesuai dengan data dasarnya, Pilih UTM > datum : WGS-
84 > Zona : 49 South > X dan Y pixel size : 30 meter.
5. Menyimpan citra : pilih : Choose > atur direktori penyimpanan, berinama file > Ok > OK

D. MENAMPILKAN CITRA
Setelah mengimpor data citra, langkah selanjutnya adalah menampilkan citra di layar komputer untuk
mengetahui kondisi liputan citra, baik dari segi sebaran pola obyek secara geografis maupun kualitas citra
itu sendiri. Cara display citra digital ada dua yaitu single band dan multi band. Single band artinya
menampilkan citra secara tunggal dalam tampilan grey scale (derajat hitam putih). Yang dimaksdu tampilan
multiband adalah visualisasi citra lebih dari 1 input secara sekaligus dalam tampilan ruang warna (RGB,
CMYK, IHS, dll)
TAMPILAN GREY SCALE
1. Pada jendela Available Bands List, klik radio button Gray Scale
2. Pilih salah satu saluran yang akan ditampilkan
3. Klik Load Band, sehingga muncul 3 jendela display citra, dimana :
• Jendela Scroll : display keseluruhan citra sekaligus navigator,
• Jendela Image : perbesaran dari jendela Scroll, sekaligus memuat beberapa menu informasi citra
dan pengolahan sederhana, dan
• Jendela Zoom : perbesaran dari jendela Image, dimana kenampakan per-piksel dapat dengan
mudah diamati.
4. Amati seluruh citra, geserlah box merah baik pada jendela Scroll maupun Image. Pada jendela Zoom,
Anda bisa melakukan zoom-in atau zoom-out dengan klik tanda + atau – di sebelah kiri bawah kotak
jendela Zoom. Angka perbesaran akan muncul di bar jendela Zoom.
5. Tampilkan juga saluran yang lain dan amati perbedaannya.
6. Jika Anda ingin menampilkan saluran lain pada jendela display citra yang sama, klik saluran yang
diinginkan kemudian klik Load Band.
7. Jika Anda ingin menampilkan saluran yang lain pada jendela display citra baru, klik button Display #....
(di sebelah kanan button Load Band) > New Display, sehingga muncul jendela display baru yang
kosong.

8
 8. Pilih saluran yang diinginkan, klik Load Band.
Perhatikan posisi display aktif pada Display #2.
Demikian seterusnya sehingga Anda dapat menampilkan banyak jendela display citra.

TAMPILAN MULTIBAND/ COMPOSIT

1. Pada jendela Available Bands List, klik radio button RGB Color
2. Pilih tiga buah band yang berbeda yang akan ditampilkan, misal B3 pada RED, B2 pada GREEN, B1
pada BLUE
3. Klik Load Band,
4. Dengan membuat citra komosit maka akan muncul warna pada citra yang berbeda-beda setiap penutup
lahan yang ada dimuka bumi. Penggunaan komposit sangat tergantung informasi apa yang akan
ditonjolkan
5. Tampilkan juga kombinasi yang lain dan amati perbedaannya.

Tabel Komposit citra Landsat ETM+

Identifikasi Obyek Warna obyek
Komposit Nama Keunggulan Lahan
Vegetasi Tubuh Air Tanah
terbangun
Merah, putih,
Warna obek di
coklat, hitam,
321 True color citra sesuai Hijau Biru Coklat
tergantung
dilapangan
material atap
False color
432 Studi vegetasi, Merah Biru Cyan Biru tua
standar
Pseudo True
341 Studi Vegetasi Hijau Biru Magenta Biru tua
Color
Interspretasi
morfologi,
Merah
457 False Color pembatasan hitam Hijau muda cyan
keoranya an
obyek air dan
darat
Interpretasi
morfologi, studi
Merah
453 False Color perbedaan Biru tua Hijau muda cyan
keoranyean
material di
dalam air

E. LINK DISPLAY
Salah satu kelebihan software ENVI adalah adanya fungsi linkage antar saluran citra (bahkan antar
citra). Basis hubungan berdasarkan posisi piksel atau koordinat geografis.
1. Tampilkan 2 jendela display citra dengan saluran yang berbeda, atur sehingga Anda nyaman.
2. Pada salah satu jendela Image, klik menu Tools > Link > Link Displays.
3. Pada jendela Link Displays, tentukan Display #1 ‘Yes’, Display #2 ‘Yes’, Link Size/Position ‘pilih
salah satu’, Dynamic Overlay ‘on’, Transparency ‘0’, klik OK.
4. Perhatikan kenampakan display citra akan sama antara kedua jendela display.

9
 5. Klik kiri mouse dan tahan pada citra di jendela Image untuk mengetahui perbedaan respon spektral
obyek terhadap saluran yang berbeda. Lepas klik untuk kembali ke semula.
6. Lakukan untuk semua variasi saluran. Anda bisa menambahkan jendela menjadi 3 atau 4 sesuai
kebutuhan.
7. Jika display citra lebih dari 2, pada jendela Link Displays Anda bisa mengatur Display # yang akan
diaktifkan.
8. Untuk menghilangkan Link, pada jendela Image klik menu Tools > Link > Unlink Display.

F. PEMBACAAN NILAI PIKSEL

1. Perhatikan perbedaan respon spektral pada obyek air, lahan terbuka, vegetasi kerapatan tinggi, dan
vegetasi kerapatan rendah.
2. Pilih titik-titik pengamatan yang ekstrim (misalnya laut atau danau untuk obyek air, daerah pegunungan
untuk vegetasi kerapatan tinggi, dsb) dan posisinya tetap untuk setiap saluran (gunakan koordinat posisi
piksel sebagai panduan pengamatan nilai piksel tiap saluran).
3. Untuk membaca posisi dan nilai piksel, klik menu Tools > Cursor Location/ Value.
4. Pada jendela Cursor Location/ Value muncul angka posisi dan nilai piksel yang mengikuti kemanapun
cursor Anda arahkan pada citra. Jika kedua jendela masih dalam kondisi Link, maka nilai piksel kedua
saluran akan muncul seperti gambar di bawah ini.

Posisi piksel
Nilai Piksel Saluran #1
Nilai Piksel Saluran #2

G. PENCARIAN POSISI
1. Tools > Pixel Locator

Posisi Piksel

Posisi Koordinat UTM

H. PENGAMATAN POLA SPEKTRAL DENGAN SCATTER PLOT

Scatter plot atau diagram pencar menggambarkan hubungan pantulan spektral antara 2 saluran. Bentuk
hubungan digambarkan dalam pola pengelompokan nilai piksel. Diagram pencar ini sangat bermanfaat
untuk pengenalan obyek terkait dengan besar pantulan spektralnya.

PENGAMBILAN SAMPEL OBYEK

10
Sebelum menampilkan scatter plot, ambil sampel beberapa obyek di atas agar dapat diketahui pola
pengelompokan piksel pada scatter plot, caranya sebagai berikut :
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.

MENAMPILKAN 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. Analisis pengelompokan obyek yang terjadi dan sertakan dalam
laporan.
Vegetasi
Tanah
Vegetasi

Tubuh air

Gambar pola pengelompokan spektral obyek air, tanah kosong, vegetasi rapat,
dan vegetasi jarang pada saluran 3 vs 4.

11
 MODUL 2
KOREKSI RADIOMETRIK DAN GEOMETRIK

A. KOREKSI RADIOMETRIK
Koreksi radiometrik data penginderaan jauh dilakukan melalui pemrosesan citra untuk meningkatkan
kebenaran dari magnitude nilai kecerahan tiap piksel pada citra. Menurut Campbell (2002), koreksi ini
digunakan untuk menghilangkan pengaruh‐pengaruh yang mengganggu kenampakan citra yang berasal
dari atmosfer, geometri sensor terhadap matahari, dan kasalahan pada sensor itu sendiri. Biasanya
kesalahan dan inkonsistensi radiometric dinyatakan sebagai “noise”, yang berarti adanya variasi baik
spasial maupun temporal pada nilai kecerahan citra yang tidak diinginkan, yang tidak mewakili variasi
pada obyek permukaan bumi. Ada 2 proses pada bagian koreksi radiometrik ini, yaitu konversi dari
nilai piksel (digital number (DN)) ke ‘at‐sensor radiance’, dan konversi dari ‘at‐sensor radiance’ ke
‘at‐sensor reflectance’. Seluruh proses tersebut terkait dengan tingkat sensitivitas sensor, yang
merekam pantulan sinar (energy elektromagnetik) dari obyek di permukaan bumi.
Garis besar prosedur pre‐processing citra disajikan dalam diagram alir berikut:

(Sources: Schowengerdt RA (2007) & Phinn SR (2007))

1. Proses pertama bertujuan untuk mengembalikan nilai DN tiap piksel ke dalam satuan ‘at‐sensor’
radiance (W/(m2.sr.µm)). Model hubungan antara DN dengan radiance pada tiap band adalah sebagai
berikut:
Radiance = gain * DN + offset, atau
Lλ = gain * QCAL + offset

12
dapat pula diformulasikan sebagai berikut:
Lλ = ((LMAXλ ‐ LMINλ)/(QCALMAX‐‐QCALMIN)) * (QCAL‐‐QCALMIN) + LMINλ
dimana: Lλ = spectral radiance at the sensor’s aperture
gain = rescaled gain
offset = rescaled bias
QCAL = the quantized calibrated pixel value in DN
LMINλ = the spectral radiance that is scaled to QCALMIN
LMAXλ = the spectral radiance that is scaled to QCALMAX
QCALMIN = the minimum quantized calibrated pixel value (1 for LPGS and 0 for
non‐LPGS
QCALMAX = the maximum quantized calibrated pixel value (corresponding o LMAXλ)
in DN = 255 (Sumber: NASA, 2009)
Setiap sensor memiliki nilai pantulan yang khas pada detektor atau radiance (LMIN dan LMAX),
termasuk Landsat 7 ETM+. Citra hasil proses ini akan memiliki nilai kecerahan antara 0 – 255 (8bit).
Nilai radiance dan koefisien koreksi masing‐masing band disajikan dalam tabel berikut:

13
14
 Berikut contoh interpolasi untuk tanggal 14 Maret 2001:
14 Maret 2001 (Julian day = 73), jarak bumi‐matahari:
d = (((73 – 60)/(74 – 60))*( 0.9909 – 0.9945)) + 0.9945
d = 0.9943
d2= 0.9886
Solar zenith atau azimuth dapat diketahui dari header citra. Akan tetapi jika header citra tidak ada, maka
dapat dicari dengan menggunakan file solar.xls yang merupakan kalkulasi solar altitude dan azimuth. Hal
yang perlu diketahui adalah koordinat titik pusat citra utuh, jam perekaman, dan tanggal perekaman.
Berikut contoh perhitungan untuk citra dengan koordinat pusat 16°52’46” S dan 145°43’34” E:

Dengan demikian, sudut zenith matahari pada tanggal 14 Maret 2001 adalah 61.38°.
Contoh perhitungan konversi radiance ke reflectance sensor untuk band 1 adalah:
Sensor reflectance = (3.14 * (L7120065_senrad1) * 0.9886) / (1969 * cos(33.4))

B. KOREKSI RADIOMETRIK
Secara teoritik, pada sistem penginderaan jauh ideal, radiansi spektral yang terekam oleh sensor (detector)
memiliki nilai yang sama dengan nilai pantulan di permukaan bumi. Namun, pantulan spektral pada panjang
gelombang tampak dan sebagian inframerah dekat (0,36 – sekitar 0,9 µm) mengandung bias karena hamburan,
pantulan, dan serapan oleh atmosfer, terutama oleh partikel aerosol, uap air, dan debu. Oleh karena itu, penting
untuk melakukan koreksi dari kesalahan terebut dan mengembalikan nilai spektral citra sesuai atau mendekati
kondisi asli di permukaan bumi. Bagian ini merupakan lanjutan dari koreksi sebelumnya, yang berfungsi untuk
mengkonversi nilai piksel citra dari at‐sensor reflectance ke at‐surface reflectance. Ada dua tipe koreksi
atmosferik:
• Koreksi atmosferik absolut, bertujuan untuk mengubah nilai kecerahan digital yang terekam oleh sensor
ke dalam satuan nilai pantulan permukaan. Pendekatan ini membutuhkan model radiative transfer
atmosfer (atmospheric radiative transfer model, misalnya Modtran, 6‐S, ACORN, ATREM, FLAASH,
ATCOR) dan parameter atmosfer pada saat perekaman.
• Koreksi atmosferik relatif, digunakan untuk normalisasi intensitas antar band yang berbeda pada citra
yang sama, dan/atau untuk normalisasi intensitas band pada citra yang direkam multi waktu ke scene
standar pilihan analis. Beberapa metode yang digunakan pada pendekatan ini adalah:

15
 - histogram adjustment or dark‐pixel subtraction (Jensen 2005, Lillesand et al 2004, Schowengerdt
2007, Danoedoro 1996)
- image‐based regression adjustment (Mather 2004, Danoedoro 1996)
- scatter plot method (Danoedoro 1996)
- shadow calibration (Gastellu‐Etchegorry 1988, Danoedoro 1996)
- empirical line method (Mather 2004, Jensen 2005)
Pada tutorial ini akan digunakan pendekatan koreksi atmosferik relative, yaitu metode histogram adjustment
atau dark‐pixel subtraction, dengan alasan paling mudah dipahami dan secara teknis mudah dilakukan.
Algoritma yang digunakan secara umum dalam koreksi atmosferik adalah sebagai berikut:
BVcorrection = BVoriginal ‐ bias
Hamburan atmosfer mangakibatkan pantulan relatif tinggi pada spektrum tampak (0,4 – 0,7 µm) dan sedikit
berpengaruh pada spektrum inframerah (>0,7 µm). Gambar pada bagian kanan teks (dari Richards & Jia, 2006)
menggambarkan bagaimana hamburan atmosfer memiliki efek yang berbeda menurut panjang gelombang (i.e.
panjang gelombang pendek cenderung memiliki bias lebih besar). Pada kasus ini diasumsikan bahwa tiap band
pada suatu scene selalu memiliki piksel bernilai 0 atau mendekati 0. Akan tetapi efek gangguan atmosfer
mengakibatkan bertambahnya nilai piksel pada suatu band secara konstan. Sehingga, jika band tersebut disajikan
dalam bentuk histogram, maka nilai minimum piksel tidaklah 0 (seperti pada gambar). Metode ini bertujuan
untuk menggeser nilai pantulan minimum tiap band mendekati 0, sehingga efek dari gangguan atmosfer di atas
dapat diminimalkan.

C. KOREKSI GEOMETRIK
Koreksi geometrik (sering disebut rektifikasi) pada citra dimaksudkan untuk mengembalikan posisi
piksel sedemikian rupa, sehingga sesuai dengan posisi sebenarnya di permukaan bumi. Menurut Jensen
(1996), ada dua proses dasar dalam rektifikasi geometri, yaitu interpolasi spasial dan interpolasi intensitas.
Interpolasi spasial adalah penentuan hubungan geometrik antara lokasi piksel pada citra masukan dan peta.
Pada proses ini dibutuhkan beberapa titik kontrol medan (Ground Control Point/ GCP) yang dapat
diidentifikasi pada citra dan peta. Apabila persamaan transformasi koordinat diterapkan pada titik-titik
kontrol maka diperoleh residual x dan residual y. Residual adalah penyimpangan posisi titik yang
bersangkutan terhadap posisi yang diperoleh melalui transformasi koordinat yang kemudian dinyatakan
sebagai nilai Residual Means Square Error atau RMS(error).
Tingkat keberhasilan dalam tahap ini biasanya ditentukan dengan besarnya nilai ambang RMS(error)
total, atau yang dikenal dengan istilah ’sigma’. Menurut ketelitian baku peta nasional Amerika Serikat (US
National Map Standard), nilai sigma citra harus lebih kecil daripada setengah resolusi spasial citra yang
bersangkutan (Eastman, 1997, dalam Like Indrawati, 2001), sehingga rata-rata pergeseran posisi yang dapat
diterima dari hasil koreksi ini nantinya adalah 0,5 x ukuran piksel.
Dalam melakukan transformasi koordinat, terdapat beberapa macam transfromasi polinomial yang satu
dengan yang lain memberikan ketelitian yang berbeda-beda (Jensen, 1996) yaitu :
- Transformasi affine, yaitu memerlukan minimal 4 titik kontrol untuk mengubah posisi geometrik citra
sama dengan posisi geometerik referensi (peta). Transformasi ini lebih sesuai untuk daerah yang
bertopografi relatif datar atau landai.

16
- Transformasi orde dua, yang dapat dijalankan minimal dengan 6 titik kontrol (atau 12 parameter),
dengan ketelitian yang pada umumnya lebih akurat dibandingkan dengan transformasi affine.
- Transformasi orde tiga, yang dapat dijalankan minimal dengan 10 titik kontrol (20 parameter), dan lebih
tepat untuk daerah dengan variasi topografi yang besar.

Ilustrasi proses resampling nilai piksel dari citra asli

(X’,Y’) ke citra terkoreksi (X,Y) (Jensen, 1996).

Interpolasi intensitas dilakukan dengan proses resampling. Resampling merupakan proses penentuan
kembali nilai piksel sehubungan dengan koordinat baru setelah interpolasi spasial (ilustrasi di atas). Secara
umum terdapat tiga macam teknik untuk resampling, yaitu :
- Interpolasi nearest neighbor, dimana nilai baru untuk
piksel dengan posisi baru diambil dari nilai piksel lama
pada posisi lama yang terdekat.
- Interpolasi bilinear, dimana nilai piksel baru pada posisi
baru dihitung dengan mempertimbangkan 4 nilai piksel
lama pada posisi lama yang terdekat.
- Interpolasi cubic-convolution, yang memperhitungkan
16 nilai piksel lama pada posisi lama terdekat.
METODE KOREKSI GEOMETRIK
1. IMAGE TO IMAGE
Metode koreksi geometrik dengan dasar citra yang sudah terkoreksi geometrik, penyamaan posisi
adalah berdasar posisi gemetric yang melekat pada posisi piksel yang menjadi rujukan, syarat dari
metode ini adalah antara citra yang akan dikoreksi dengan citra rujukan memiliki kesamaan
karakteristik (resolusi spasial). Karena hasil dari proses ini resolusi spasial citra baru akan mengikuti
resolusi spasial citra rujukan. Contoh data rujukan citra ALOS (resolusi spasial 10 meter) dan citra yang
akan dikoreksi adalah citra Landsat ETM + (resolusi spasial 30 meter), hasil dari proes koreksi adalah

17
citra Landsat dengan resolusi spasial 10 meter. Syarat lain adalah lebar cakupan citra rujukan harus
lebih besar daripada citra yang akan dikoreksi. Tahap koreksi geometrik ada dua, yaitu proses
pengambilan titik ikat (GCP) dan proses registrasi GCP atau proses Warp

PENENTUAN GROUND CONTROL POINTS

1. Buka citra yang sudah akan dikoreksi dan juga citra yang menjadi rujukan. Sebaiknya komposit,
2. Pada bar menu, klik Map > Registration > Select GCPs : Image to Image, maka akan muncul

• Base Image : Dipilih untuk display citra rujukan

• Warp Image : Dipilih untuk dispay citra yang
akan dikoreksi
*CATATAN : JANGAN SAMPAI TERBALIK
MENENTUKAN MANA CITRA RUJUKAN
DAN CITRA YANG AKAN DIKEREKSI

3. Pengambilan titik GCP, memposisikan dua titika sama pada kedua citra

Citra Rujukan Citra yang akan dikoreksi

Citra Landsat ETM+ 457 Citra Landsat ETM+ 457

Perekaman 28-04-2001 Perekaman 21-08-2002

Menentukan titik ikat dengan mengklik Add

Point, Lakukan cara sama sampai diperoleh
beberapa titik ikat, usahakan letak titik ikat
dibuat menyebar. Disemua lokasi citra.

18
4. Mengetahui akurasi hasil pemilihan GCP, dengan melihat besar RMS, mengklik Show List
RMS total adalah 0,458150
Kesalah dilapangan : RMStotal * Resolusi Spasial
: 0.458150 * 30
: 13.7445 meter
Kelasahan ini masih dapat ditolerir karena batas kesalah
koreksi geometrik adalah 0,5 * resolusi spasial citra

Apabila RMS masih dirasa terlalu besar maka dapat dilihat list GCP, nilai RMS yang besar dapat
dihapus dan diulangi pengambilan GCP baru

5. Menyimpan titik GCP, File > Save GCP to ASCII, pada Window Ground Control Point
Selection

REGISTRASI GROUND CONTROL POINTS IMAGE TO IMAGE

1. Pada bar menu, klik Map > Registration > Warp from Warp GCPs:Image to Image , pilih file
GCP yang telah tersimpan pada langkah sebelumnya
2. Input Warp File : dipilih citra yang akan dikoreksi > OK
3. Input Base File : dipilih citra yang telah terkoreksi > OK
4. Pada Window Registration Parameter, dilakukan pengaturan
level orde koreksi GCP, dilakukan pada input Degree,
5. Menyimpan citra hasil proses, memilih Choose

19
PENENTUAN GROUND CONTROL POINTS
1. Buka citra yang sudah dikoreksi radiometrik. Sebaiknya komposit.
2. Pada bar menu, klik Map > Registration > Select GCPs : Image to
Map
3. Pada jendela Image to Map Registration tentukan parameter sistem
koordinat UTM, datum WGS 84, unit meter, zona 49 S, klik OK.
4. Perhatikan kenampakan obyek pada citra dan peta. Analisis daerah
liputan citra, dan tentukan berapa banyak GCP yang akan Anda
gunakan, serta di mana saja. Diskusikan dengan asisten jika perlu.
5. Pada jendela GCP Selection, masukkan koordinat peta suatu titik pada
box yang kosong, perhatikan easting dan northing-nya.
6. Untuk memasukkan koordinat
tersebut sebagai GCP, arahkan cross
hair cursor pada citra ke posisi titik
yang sama dengan peta (gunakan
zoom agar lebih teliti), jika sudah
yakin klik Add Point, sehingga
Anda memperoleh GCP nomor 1.
7. Lanjutkan untuk GCP yang lain. Jika Anda sudah
memiliki minimal 4 GCP maka nilai RMS akan
muncul.
8. Untuk menampilkan list titik-titik GCP Anda, klik
Show List, untuk mengurangi besarnya RMS, pada
list ini Anda bisa menonaktifkan GCP yang ’bermasalah’, dan/atau melakukan editing.
9. Jika jumlah GCP telah sesuai dengan rencana dan RMS kecil, simpan GCP Anda. Pada jendela
GCP Selection, klik File > Save GCPs w/ map coords. Tentukan direktori dan beri nama.

PROSES REKTIFIKASI
1. Pada jendela GCP Selection, klik Option > Warp File, tentukan file yang
akan direktifikasi, klik OK.
2. Pada jendela Registration Parameters, tentukan parameter interpolasi
spasial, interpolasi intensitas, background (0=hitam, 255=putih), dan file
output. Tentukan direktori dan beri nama smg_rgx (rg = radiometrik dan
geometrik, x = saluran citra). OK untuk eksekusi.
3. Pada jendela Available Bands List muncul file hasil rektifikasi dengan
tambahan header citra berupa Map Info yang menyimpan informasi
seputar sistem proyeksi dan koordinat citra.
4. Tampilkan citra hasil rektifikasi pada jendela image yang baru, amati
perubahannya. Cek koordinatnya dengan Cursor Location/Value.
5. Untuk melakukan rektifikasi terhadap saluran yang lain pada bar menu
utama klik Map > Registration > Warp from GCPs : Image to Map

20
 6. Panggil file GCP Anda. Cek parameter Image to Map Registration. Tentukan file saluran lain yang akan
di rektifikasi.
7. Tentukan Registration Parameters dan output file, klik OK untuk eksekusi. Lakukan hingga semua
saluran ter-rektifikasi.

MODUL 3
PENAJAMAN CITRA DAN PEMFILTERAN SPASIAL

A. PENAJAMAN CITRA
Penajaman citra (image enhancement) meliputi semua operasi yang menghasilkan citra baru dengan
kenampakan visual dan karakteristik spektral yang berbeda dengan citra asli. Tujuannya adalah untuk
memperoleh kesan kontras citra yang lebih tinggi, dan semata-mata hanya untuk analisis visual. Hal ini
dapat dilakukan dengan mentransformasikan seluruh nilai kecerahan citra. Sehingga sangat tidak
direkomendasikan untuk menggunakan citra hasil transformasi ini untuk analisis lebih lanjut yang
berbasis nilai piksel. Ada 2 algoritma utama untuk penajaman kontras, yaitu perentangan kontras (contrast
stretching) dan ekualisasi histogram (histogram equalization).

PERENTANGAN KONTRAS
Ada tiga cara yang dapat digunakan dalam perentangan kontras, sesuai dengan range nilai piksel suatu citra
(Projo Danoedoro, 1996):
• Perkalian nilai piksel, misalnya suatu citra memiliki range nilai piksel 0 – 25, bila dikalikan faktor
pengali 3, maka range akan berubah menjadi 0 – 75. Perubahan lebar julat nilai piksel menjadikan citra
lebih tajam kontrasnya.
• Pengkondisian, misalnya suatu citra dengan range 0 – 25 akan direntang menjadi 0 – 255.
Transformasinya sebgai berikut :
BVinput - BVmin
BVoutput = * 255
BVmaks - BVmin

• Pemampatan kontras, citra dengan range nilai piksel lebar dimampatkan sehingga range-nya sempit.
1. Cek range nilai piksel citra, cara yang akan digunakan adalah perentangan linier dengan pemotongan
ekor histogram.
2. Tampilkan salah satu saluran citra.
3. Pada jendela display image, klik Enhance, muncul sub-menu tipe stretching default yang dapat
langsung Anda pilih. Untuk pemakaian advance pilih Interactive Stretching sehingga muncul jendela
histogram saluran.
4. Pada jendela histogram pilih menu Histogram_Source > Band, dan Stretch_Type > Linear.
5. Pada box Stretch Anda dapat memasukkan nilai piksel pemotongan cut-off dan saturation atau
persentase kumulatif-nya, kemudian tekan Enter sehingga Stretch Bar bergeser sesuai angka yang
dimasukkan. Bisa juga nilai tersebut Anda peroleh dengan menggeser Stretch Bar sesuai dengan
kebutuhan. Perhatikan perubahan pada output histogram.

21
 6. Klik Apply untuk mengeksekusi
perentangan kontras.
7. Buat jendela display baru, tampilkan citra
dengan saluran yang sama. Link-kan
dengan citra hasil stretching, dan amati
perubahannya.
8. Anda juga dapat melakukan prosedur di
atas untuk citra komposit warna. Bedanya
proses dilakukan per-warna R G B dengan
menekan radio button-nya.

EQUALISASI HISTOGRAM
1. Tampilkan saluran yang sama seperti di atas.
2. Langkahnya sama seperti pada perentangan kontras, namun pada jendela histogram pilih menu
Histogram_Source > Band, dan Stretch_Type > Equalization.
3. Tentukan cut-off dan saturation, klik Apply untuk eksekusi.
4. Bandingkan dengan citra hasil penajaman antara linear contrast stretching dengan histogram
equalization.
5. Anda dapat eksplorasi untuk tipe perentangan kontras yang lain, seperti Piecewise Linear, Gaussian,
atau Square Root. Bandingkan hasilnya.

B. PEMFILTERAN SPASIAL
Pemfilteran spasial adalah suatu cara untuk ekstraksi bagian data tertentu dari suatu himpunan data,
dengan menghilangkan bagian data yang tidak diinginkan. Atau secara sederhana merupakan cara untuk
menyaring informasi sehingga menghasilkan informasi yang selektif yang tidak dapat dilihat pada kondisi
biasa. Operasi ini diterapkan dengan menggunakan algoritma moving window dan mempertimbangkan nilai
piksel tetangga (sering disebut local operation), sehingga hasilnya berupa citra baru dengan variasi nilai
spektral yang berbeda dari citra asli. Ada banyak jenis filter digital, tetapi dalam konteks penajaman kontras
citra ada 2 macam filter utama, yaitu filter high-pass dan filter low-pass. Filter high-pass menghasilkan citra
dengan variasi nilai kecerahan yang besar, sedangkan filter low-pass berfungsi sebaliknya.
1. Tampilkan salah satu saluran citra.
2. Ada 2 cara untuk melakukan operasi filter, yaitu menggunakan
menu jendela display atau dari menu utama.
3. Pertama, dari jendela display klik Enhance > Filter, pilih filter
sharpen, smooth, atau median. Secara otomatis citra akan
terfilter. Bandingkan dengan citra asli tanpa filter.
4. Kedua, pada menu utama, klik Filter > Convolutions and
Morphology.
5. Pada jendela Convolutions and Morphology Tool, klik Convolutions > pilih tipe filter. Tentukan
jumlah kernel dan perhatikan nilai pada kernel.
6. Klik Quick Apply untuk eksekusi sekaligus menampilkan citra hasil.

22
 TUGAS :
Cobalah dengan jenis filter yang lain, catat filter yang digunakan dan perubahan yang terjadi. Analisis
fungsi dari penggunaan jenis filter tersebut.

7. Untuk membuat filter sesuai dengan kebutuhan, klik Convolutions > User Defined, gunakan ukuran
kernel 3x3, masukkan nilai kernel sebagai berikut :
2 2 2 1 -2 1 -2 -1 0 -1 -1 -1
2 4 2 -2 5 -2 -1 0 1 -1 16 -1
2 2 2 1 -2 1 0 1 2 -1 -1 -1

8. Quick Apply, dan amati yang terjadi pada citra. Analisis hubungan antara angka-angka pada kernel
dengan citra hasil pemfilterannya.

MODUL 4
TRANSFORMASI CITRA

A. FUSI CITRA
Fusi citra merupakan proses penggabungan beberapa citra ke dalam suatu komposit citra. Biasanya
proses ini dilakukan untuk mempertinggi/mempertajam resolusi spasial citra multispektral menggunakan
citra pankromatik yang memiliki resolusi spasial lebih tinggi. Untuk dapat melakukan proses ini, data harus
georeferenced, atau jika tidak georeferenced maka data harus meliput daerah yang sama, dengan ukuran
piksel yang sama, ukuran citra yang sama, dan orientasi yang sama pula. Alur proses ini dapat digambarkan
sebagai berikut :
Resampling & Contrast Stretch

Landsat ETM
Red Hue Red
Band 4

Landsat ETM Green RGB Saturation HSI to Green Color

Band 3 to HSI RGB Composite

Landsat ETM Blue Intensity Blue

Band 2

Landsat ETM Contrast

Intensity
Pankromatik Stretch

Ilustrasi proses fusi citra Landsat multispektral dengan Landsat pankromatik

membentuk citra komposit dengan resolusi spasial 15 meter (Janssen (ed), 2000).

1. Buka file smg_raw.lan (citra multispektral, 30m) dan smgp_raw (citra pankromatik, 15m), keduanya
belum georeferenced.
2. Ubah ukuran piksel multispektral menjadi ukuran pankromatik.
Klik Basic Tools > Resize Data (Spatial/Spectral), pilih file multispektral, OK.
3. Muncul jendela Resize Data Parameters, pada Output File Dimensions ganti xfac = 2, dan yfac = 2.
Angka tersebut merupakan faktor perbesaran dari dimensi 700 x 1000 ke 1400 x 2000, mengapa
dimensi diubah?

23
 4. Tentukan metode resampling dan simpan file output. File otomatis berada pada jendela Available
Bands List.
5. Ubah suatu komposit RGB ke HSV
Pada menu utama klik Transform > Color Transforms > RGB to HSV. Buat komposit sesuai
keinginan Anda dari citra yang telah di-resize. Klik OK.
6. Simpan file hasil transformasi atau biarkan hanya sebagai memory. OK.
7. Stretch data pankromatik untuk menggantikan posisi intensity value citra komposit
Klik Basic Tools > Stretch Data, masukkan data pankromatik, OK.
8. Pada jendela Data Stretching, masukkan pada box Output Data Range min = 0 dan max = 1.0. Simpan
hasil stretch sebagai file atau memory, OK.
9. Penggantian Intensity value dengan data pankromatik
Klik Transform > Color Transforms > HSV to RGB, masukkan pada box H dan S citra komposit
Hue dan Sat berturut-turut dari citra HSV sebelumnya, dan pada box V masukkan citra pankromatik
yang sudah di-stretch. Jika sudah klik OK, simpan file atau sebagai memory. Otomatis citra komposit
yang baru akan muncul pada jendela Available Bands List.
10. Klik Load RGB untuk menampilkan citra hasil fusi.
11. Buka jendela display baru, tampilkan komposit yang sama dari file smg_raw.lan. Bandingkan
kenampakannya.
Sebenarnya ENVI sudah memiliki fasilitas untuk melakukan
fusi ini secara cepat, namun syaratnya data harus
georeferenced. Langkahnya sebagai berikut :
1. Buka citra yang telah terkoreksi geometrik, dan juga file
smgp.
2. Pada menu utama klik Transform > Image
Sharpening > HSV. Perbandingan resolusi citra asli (kiri) dengan
citra hasil fusi (kanan) pada zoom yang sama
3. Masukkan input RGB sesuai kebutuhan, OK.
4. Masukkan file citra resolusi tinggi. OK.
5. Pilih metode resampling dan simpan output sebagai file atau memory, OK. Load RGB.
6. Anda juga bisa mencoba fusi dengan metode normalisasi warna Brovey.
Buat jendela display baru, tampilkan komposit yang sama dengan tampilan di atas.
7. Klik Transform > Image Sharpening > Color Normalized (Brovey).
8. Masukkan jendela input (Display #2), masukkan citra resolusi tinggi, OK. Pilih metode resampling dan
simpan output sebagai file atau memory. OK.
9. Load RGB, dan bandingkan dengan hasil fusi HSV.

B. PENISBAHAN SALURAN
Penisbahan saluran (Band Ratios) digunakan untuk menonjolkan perbedaan spektral antar saluran dan
mengurangi efek topografi. Pembagian satu saluran spektral dengan yang lain menghasilkan citra yang
memberikan intensitas relatif saluran. Citra tersebut memperjelas perbedaan spektral antar saluran, juga
menonjolkan aspek informasi tertentu yang tidak muncul pada citra biasa. Untuk menonjolkan beberapa

24
 aspek hasil penisbahan saluran secara simultan, maka bisa disusun suatu citra komposit yang lebih dikenal
dengan Color-Ratio-Composite (CRC).
Pada praktikum ini Anda akan mencoba membuat penisbahan saluran pada citra Landsat 7 ETM
sebagai berikut :
• Band-ratio 5/7 untuk menonjolkan tanah lempung, karbonat, dan vegetasi
• Band-ratio 3/1 untuk menonjolkan oksida besi
• Band-ratio 2/4 atau 3/4 untuk menonjolkan vegetasi, dan
• Band-ratio 5/4 juga untuk menonjolkan vegetasi.

1. Panggil file citra yang sudah terkoreksi baik radiometrik maupun geometrik.
2. Pada menu utama klik Transform > Band Ratios, masukkan saluran sebagai pembilang (numerator)
dan penyebut (denominator).
3. Klik Enter Pair, dan OK. Simpan citra sebagai file atau memory. Tampilkan citra hasil.
4. Lakukan untuk semua band-ratio di atas.
5. Kemudian buatlah komposit warna citra penisbahan (CRC) 5/7, 3/1, 2/4 (RGB), tampilkan dan
pertajam dengan equalisasi histogram default pada jendela display image.
6. Perhatikan kenampakan di citra komposit, tanah lempung atau karbonat berwarna magenta, oksida
besi berwarna hijau, dan vegetasi berwarna merah. Anda dapat mengembangkan sendiri komposisi
warnanya untuk menonjolkan aspek yang lain.

C. TRANSFORMASI INDEKS VEGETASI

Beberapa algoritma dikembangkan untuk menonjolkan aspek kerapatan vegetasi dari citra. Secara
praktis indeks vegetasi merupakan suatu transformasi matematis yang melibatkan beberapa saluran
sekaligus, dan menghasilkan citra baru yang lebih menonjolkan fenomena dan distribusi vegetasi.
Salah satu transformasi yang populer dalam studi vegetasi adalah Normalized Difference Vegetation
Index (NDVI), yang merupakan kombinasi antara teknik penisbahan dengan penjumlahan dan pengurangan
saluran citra. Nilai NDVI mengindikasikan jumlah vegetasi hijau yang terdapat pada suatu piksel. Semakin
tinggi nilai NDVI menandakan vegetasi hijau semakin banyak/rapat. NDVI dihitung menggunakan
algoritma :

 NIR - Red 
NDVI =  
 NIR + Red 
Hasil perhitungan algoritma ini berkisar antara -1 hingga +1.

PROSES TRANSFORMASI NDVI

1. Buka file citra yang telah terkoreksi baik radiometrik maupun geometrik, dalam hal ini file smg.
2. Pada menu utama klik Transform > NDVI (Vegetation Index), pilih file di atas.
3. Tentukan saluran inframerah dekat dan saluran merah, simpan file atau sebagai memory. OK.
4. Tampilkan citra, dan cek nilai pikselnya dengan cursor location/value.

25
 PEMILAHAN KECERAHAN CITRA NDVI
1. Pada jendela display image klik Overlay > Density Slice.
Masukkan citra NDVI.
2. Buat 5 level tingkat kecerahan. Pada jendela density slice,
klik Option > Set Number of Defaults Ranges, masukkan
angka 5, OK.
3. Pada jendela density slice, klik Option > Apply Default
Ranges.
4. Edit Range untuk mengedit range dan warna jika perlu. Jika
sudah klik Apply, citra dengan 5 level kerapatan vegetasi
terbentuk. Simpan citra terklasifikasi.
Anda bisa mencoba transformasi vegetasi lain, seperti RVI, TVI, DVI, PVI, VIF, dsb. Gunakan Band
Ratios atau Band Math.

D. TRANSFORMASI KAUTH-THOMAS (TASSELED CAP)

Transformasi tasseled cap (yang dikembangkan oleh Kauth dan Thomas, 1976) adalah transformasi
linear dari data Landsat MSS yang memproyeksikan informasi tanah dan vegetasi ke dalam satu bidang
tunggal dalam ruang data multispektral. Transformasi orthogonal diberlakukan pada data asli sehingga
terbentuk ruang 4 dimensi baru yang terdiri dari the soil brightness index (SBI), the green vegetation index
(GVI), the yellow stuff index (YVI), dan non-such index (NSI) yang berkaitan dengan efek atmosfer. Crist
dan Cicone (1984) meneliti penggunaan transformasi tersebut untuk data Landsat TM, dan diperoleh 3
sumbu baru yaitu :

Sumbu TM1 TM2 TM3 TM4 TM5 TM7

Brightness 0,33183 0,33121 0,55177 0,42514 0,48087 0,25252
Greenness -0,24717 -0,16263 -0,40639 0,85468 0,05493 -0,11749
Wetness 0,13929 0,22490 0,40359 0,25178 -0,70133 -0,45732

Untuk data Landsat TM, tasseled cap vegetation index terdiri dari: Brightness, Greenness, dan Third.
Brightness (sumbu kecerahan) dan Greenness (sumbu kehijauan) ekuivalen dengan SBI dan GVI Landsat
MSS, dan sumbu ke-tiga berhubungan dengan obyek tanah, termasuk status kelembaban tanah. Untuk data
Landsat 7 ETM, transformasi tasseled cap menghasilkan 6 saluran output: Brightness, Greenness, Wetness,
Fourth (Haze), Fifth, Sixth. Buka website http://landcover.usgs.gov/pdf/tasseled.pdf untuk lebih jelasnya.

1. Buka file Smg.

2. Pada menu utama klik Transform > Tasseled Cap, masukkan file, OK.
3. Pada Input File Type pastikan Landsat 7 ETM, simpan file, dan klik OK.
4. Tampilkan masing-masing citra baru yang terbentuk. Bandingkan juga antara citra greeness dengan
citra NDVI.
5. Buat citra komposit dari citra baru tersebut R : citra brightness, G : citra greeness, dan B : citra
wetness. Citra komposit ini merupakan penajaman dari obyek tanah kering, vegetasi rapat, dan air atau
tanah lembab. Amati dan analisis warna yang terjadi.

26
 Dede dan Carolita (1996) mengemukakan algoritma untuk menentukan Indeks Kelangasan Tanah sebagai
berikut :
Indeks Kebasahan + Indeks Vegetasi
IKL =
Indeks Kecerahan
1. Coba Anda aplikasikan algoritma di atas pada citra transformasi tasseled cap.
Gunakan Band math atau Band Ratios.
2. Buat pemilahan kecerahan untuk citra indeks kelengasan tanah.

MODUL 5
KLASIFIKASI MULTISPEKTRAL

Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas tertentu. Biasanya
tiap piksel diproses sebagai unit individual yang tersusun dari beberapa saluran spektral. Dengan cara
membandingkan piksel satu dengan yang lainnya, dan dengan piksel yang diketahui identitasnya, maka sangat
memungkinkan untuk mengelompokkan piksel dengan karakteristik yang sama ke dalam suatu kelas. Kelas-
kelas tersebut membentuk area pada peta atau citra, sehingga setelah terklasifikasi citra digital direpresentasikan
sebagai mosaik dari unit-unit pemetaan yang seragam dengan simbol atau warna yang spesifik. Secara teoritik,
kelas-kelas tersebut tersusun dari piksel-piksel yang homogen, namun secara praktis hal tersebut sulit ditemui,
kebanyakan piksel dalam suatu kelas adalah bervariasi.
Asumsi yang digunakan dalam klasifikasi multispektral ialah bahwa setiap obyek dapat dibedakan dari
yang lainnya berdasarkan nilai spektralnya. Dari beberapa penelitian eksperimental diperoleh hasil bahwa tiap
obyek cenderung memberikan pola respon spektral yang spesifik. Ada beberapa metode klasifikasi multispektral,
yaitu: unsupervised classification, supervised classification, dan hybrid classification. Klasifikasi unsupervised
memproses pengelompokan alami piksel dalam citra dengan interaksi analis yang minimal. Lain halnya dengan
prosedur klasifikasi supervised yang melibatkan interaksi analis secara intensif, dimana analis menuntun proses
klasifikasi dengan identifikasi obyek pada citra (training area). Sedangkan klasifikasi hybrid, merupakan
jembatan diantara keduanya, atau gabungan prosedur keduanya.

A. KLASIFIKASI TAK TERSELIA (UNSUPERVISED CLASSIFICATION)

Dalam klasifikasi citra secara digital, informasi yang dapat disadap dari piksel adalah penutup lahan.
1. Tampilkan citra smg (format ENVI standar).
2. Pada menu utama klik Classification > Unsupervised > IsoData, pilih citra multispektral, OK.
3. Masukkan parameter yang dibutuhkan, masukkan Maximum Iteration = 3, Minimum # Pixel in Class =
9. Simpan citra sebagai file. Klik OK untuk eksekusi.
4. Tampilkan citra, cek jumlah kelas yang terbentuk, pada image display klik Overlay > Annotation,
pada jendela Annotation pilih Object > Map Key, klik box Edit Map Key Items, hitung berapa kelas
yang ada.
5. Tampilkan juga citra komposit, bandingkan kenampakan keduanya, gunakan Link. Analisis hasil
klasifikasinya.

27
 6. Coba juga untuk metode K-Means, klik Classification > Unsupervised > K-Means. Pilih citra dan
masukkan parameter yang dibutuhkan, masukkan jumlah kelas sejumlah kelas Iso Data. Simpan
sebagai file dan klik OK untuk eksekusi.
7. Bandingkan kenampakan kedua metode klasifikasi.

B. KLASIFIKASI TERSELIA (SUPERVISED CLASSIFICATION)

Klasifikasi terselia (supervised) diawali dengan pengambilan daerah sampel/ acuan (training area).
Pengambilan sampel tersebut dilakukan dengan mempertimbangkan pola spektral pada setiap panjang
gelombang tertentu, sehingga diperoleh daerah acuan yang baik untuk
mewakili suatu obyek tertentu. Sampel yang telah diambil tersebut
selanjutnya dijadikan sebagai masukan dalam proses klasifikasi untuk
seluruh citra dengan menggunakan algoritma tertentu.
1. Tampilkan citra komposit warna yang Anda anggap paling
representatif.
2. Ambil training area atau sampel (Region of Interest/ ROI) tiap obyek
penutup lahan.
Lihat caranya di Pengambilan Sampel Obyek (Modul 1 point F).
Beberapa hal yang harus diperhatikan dalam pengambilan sampel sebagai berikut :
• Sampel harus homogen, dengan jumlah + 100 piksel. Homogenitas sampel dapat terlihat dari
warna yang sama pada citra komposit.
• Beri nama sampel sesuai analisis Anda dan beri warna tertentu, buat catatan yang sistematis.
Untuk alasan praktis, suatu obyek dapat Anda bagi menjadi beberapa kelas (misal vegetasi1,
vegetasi2, dsb.) asalkan Anda punya catatan karakteristik obyek tiap kelas.
• Lengkapi training area sehingga sebagian besar obyek tersampel dengan baik.
• Gunakan gambar kurva pantulan spektral untuk membantu pengenalan obyek.

Kurva pantulan relatif obyek air keruh, tanah, dan vegetasi

(Ford, 1979 dalam Sutanto, 1992)

3. Simpan ROI, beri nama yang spesifik sehingga Anda mudah mengakses. Jendela ROI jangan ditutup.
4. Pada menu utama klik Classification > Supervised > pilih salah satu metode, coba pilih
Parallelepiped.

28
 5. Masukkan file input. Pada jendela Parallelepiped Parameter jika Anda belum menutup jendela ROI,
training area secara otomatis sudah masuk. Klik Select All Items. Simpan file output dan rule-nya. Klik
OK untuk eksekusi.
6. Tampilkan citra terklasifikasi, jika masih ada piksel yang berwarna hitam berarti belum terklasifikasi.
Sempurnakan klasifikasi dengan cara menambah kelas pada ROI yang Anda buat, identifikasi piksel tak
terklasifikasi bisa Anda lakukan dengan me-link-kan citra terklasifikasi dengan citra komposit warna.
Amati daerah-daerah tak terklasifikasi. Selanjutnya ulangi proses klasifikasi, hingga jumlah piksel tak
terklasifikasi minimal.
7. Jika piksel tak terklasifikasi sedikit. Coba Anda pakai ROI yang sama untuk proses klasifikasi dengan
metode yang lain (Minimum Distance, Mahalanobis Distance, dan Maximum Likelihood). Kemudian
bandingkan hasilnya.

C. PERAPIAN HASIL KLASIFIKASI

Tahapan ini dikenal juga dengan istilah operasi kosmetik (cosmetic operation) atau post classification,
yang bertujuan agar tampilan citra lebih menarik dan komunikatif. Hasil klasifikasi citra seringkali
meninggalkan piksel-piksel terasing (terisolir). Untuk mengatasi hal ini diberlakukan operasi filter
mayoritas. Filter mayoritas bukan suatu algoritma penajaman dan juga tidak memberikan efek peningkatan
ketajaman pada citra. Namun lebih merupakan operasi logikal yang digunakan terutama untuk memperbaiki
hasil klasifikasi multispektral sehingga piksel-piksel terasing dapat dihilangkan. Mather (1987)
mengungkapkan bahwa filter mayoritas dirancang berdasarkan suatu asumsi bahwa fenomena geografik
bersifat keruangan. Artinya kehadiran suatu obyek atau fenomena tidaklah lepas dari kaitan obyek lain,
sehingga fenomena geografis tidak bersifat acak tapi berupa struktur yang teratur.
1. Pilih salah satu citra hasil klasifikasi yang Anda anggap paling baik, tampilkan.
2. pada menu utama klik Classification > Post Classification > Majority/Minority Analysis.
3. Masukkan file citra terklasifikasi terpilih.
4. Select All Items untuk memilih semua kelas, pada Analysis Method klik radio button Majority,
simpan sebagai file majority1. Klik OK untuk eksekusi.
5. Tampilkan citra hasil majority dan link-kan dengan citra klasifikasi. Amati perubahan distribusi kelas
klasifikasi.
6. Jika untuk tujuan tertentu Anda rasa masih terlalu banyak piksel terisolir, lakukan sekali lagi
pemfilteran majority untuk file citra majority1, kemudian beri nama majority2.
Anda harus bijak dalam melakukan proses filter mayoritas, ingat 1 piksel pada citra Landsat 7 ETM
mewakili luasan berukuran 30 x 30 meter.

Perbandingan citra terklasifikasi (kiri)

dengan citra hasil pemfilteran mayoritas
(kanan). Kenampakan kelas obyek
menjadi solid.

29
D. LAYOUT HASIL KLASIFIKASI
1. Tampilkan citra hasil pemfilteran mayoritas.
2. Pada jendela display image klik Overlay > Grid Lines, grid koordinat akan muncul, sekaligus
background dengan warna putih.
3. Atur lebar background untuk menempatkan keterangan tepi citra. Pada jendela Grid Line Parameters,
klik Option > Set Display Borders. Masukkan 200 untuk atas dan 100 untuk bawah dan kiri, dan 400
untuk kanan.
4. Atur grid peta pada Option > Edit Map Grid Attributes, dan grid geografis pada Option > Edit
Geographic Grid Attributes. Klik Apply untuk menampilkan perubahan. Jangan tutup jendela
Grid.
5. Untuk melakukan penambahan judul peta, skala peta, orientasi, legenda, dsb, klik Overlay >
Annotation.
6. Pada jendela Annotation klik Object > Text, tentukan Window: Scroll, warna teks, tipe huruf dan
ukurannya, kemudian ketik teks yang berkaitan dengan peta (judul peta, keterangan pendukung,
pembuat, dll).
7. Klik kiri pada jendela scroll, drag hingga menempati posisi yang diinginkan, jika sudah sesuai klik
kanan untuk fiksasi posisi teks.
8. Lanjutkan untuk keterangan yang lain, ikuti prosedur yang sama. Jika diperlukan untuk melakukan
editing posisi terhadap obyek yang telah difiksasi, klik Object > Selection/Edit, kemudian drag pada
obyek yang akan diedit posisinya. Tempatkan pada posisi yang diinginkan.
9. Lakukan layouting sesuai dengan kaidah kartografis.
10. Jangan lupa save annotation, File > Save Annotation, beri nama. File ini menyimpan annotasi bukan
image-nya.
11. Untuk menyimpan file image, pada jendela display image klik File > Save Image As > Image File,
pada Output Type File pilih JPEG, tentukan direktori dan nama file, OK untuk menyimpan.

Contoh layout citra hasil klasifikasi multispektral untuk 6 kelas obyek.

30
DAFTAR PUSTAKA
Campbell, James. B. 2002. Introduction to Remote Sensing (3rd edition). New York : The Guilford Press
Danoedoro, Projo. 1996. Pengolahan Citra Digital; Teori dan Aplikasinya dalam Bidang Penginderaan Jauh.
Yogyakarta : Fakultas Geografi UGM
Dirgahayu, Dede dan Carolita, Ita, 1996, Aplikasi Inderaja Untuk Mendeteksi Sebaran Kelengasan Lahan Secara
Kuantitatif, Majalah LAPAN edisi Januari no. 80 hal 8 – 18 th 1997
Janssen, L.L.F (ed.). 2000. Principles of Remote Sensing (An introductory textbook). The Netherlands : ITC
Jensen, J.R. 1996. Introductory to Digital Image Processing ; a Remote Sensing Perspective. New Jersey :
Prentice Hall
Indrawati, Like. 2001, Karakteristik Pantulan Spektral Kandungan Kelembaban Tanah Permukaan pada Data
Digital Multispektral Landsat TM di Sebagian Propinsi Daerah Istimewa Yogyakarta. Skripsi S-1.
Yogyakarta : Fakultas Geografi UGM
Kamal, Muhammad. 2004, Kajian Kerentanan Banjir Menggunakan Data Digital Landsat ETM+ (Studi Kasus
di Sebagian Lahan Rendah Kabupaten Demak dan Grobogan, Jawa Tengah). Skripsi S-1. Yogyakarta :
Fakultas Geografi UGM
Mather, P.M. 1987. Computer Processing of Remotely Sensed Data. London : John Willey & Sons
Sutanto. 1992. Penginderaan Jauh Jilid I. Yogyakarta : Gadjah Mada University Press © 2006

31