PEMBUATAN MODEL PERMUKAAN DIGITAL

DARI SUMBER CITRA ASTER

SECARA SEMI OTOMATIS

SKRIPSI

Oleh :

DANIEL ADI NUGROHO

NIM : 99/129265/TK/24075

JURUSAN TEKNIK GEODESI FAKULTAS TEKNIK

UNIVERSITAS GADJAH MADA
YOGYAKARTA
2003
 PEMBUATAN MODEL PERMUKAAN DIGITAL
DARI SUMBER CITRA ASTER
SECARA SEMI OTOMATIS

SKRIPSI

untuk memenuhi persyaratan dalam

mencapai derajat sarjana teknik
Program Studi Teknik Geodesi-Geomatika

diajukan oleh :

DANIEL ADI NUGROHO

NIM : 99/129265/TK/24075

kepada :

JURUSAN TEKNIK GEODESI FAKULTAS TEKNIK

UNIVERSITAS GADJAH MADA
YOGYAKARTA

i
 SKRIPSI

PEMBUATAN MODEL PERMUKAAN DIGITAL

DARI SUMBER CITRA ASTER
SECARA SEMI OTOMATIS

dipersiapkan dan disusun oleh :

DANIEL ADI NUGROHO

NIM : 99/129265/TK/24075

telah dipertahankan di depan Dewan Penguji

pada tanggal 11 Oktober 2003

Susunan Dewan Penguji :

Ketua/Pembimbing Anggota

1.

Ir. Djurdjani, MS., M.Eng Ir. Hadiman, M.Sc.

2.

Catur Aries Rokhmana, S.T., M.T.

Skripsi ini telah diterima sebagai salah satu persyaratan

untuk mencapai derajat sarjana teknik
Program Studi Teknik Geodesi

Tanggal .........................................

Ir. H. Sumaryo, M.Si.

Ketua Jurusan Teknik Geodesi

ii
 PERNYATAAN

Dengan ini saya menyatakan bahwa dalam skripsi ini tidak terdapat karya yang
pernah diajukan untuk memperoleh gelar kesarjanaan di suatu perguruan tinggi, dan
sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah
ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam
naskah ini dan disebutkan dalam daftar pustaka.

Yogyakarta, 11 Oktober 2003

Daniel Adi Nugroho

iii
I dedicate this to…

…The Lord to whom I belong,

…my parents who care for me,
…the one who lets me print this using her Canon BJC-2100SP.

iv
 KATA PENGANTAR

Puji syukur ke hadirat Tuhan Yang Maha Kuasa yang senantiasa

melimpahkan rahmat dan anugerahnya sehingga penelitian tugas akhir ini dapat
diselesaikan dengan baik dan lancar.
Penelitian ini dilakukan dalam rangka memenuhi persyaratan dalam
mencapai derajat sarjana teknik pada Program Studi Teknik Geodesi-Geomatika.
Dalam penulisan tugas akhir ini telah banyak pihak yang turut memberikan
dukungan, baik berupa bimbingan, saran, maupun bantuan administratif yang sangat
membantu kelancaran penyusunan skripsi ini. Penulis mengucapkan terima kasih
yang tulus kepada:
1. Ir. Sumaryo, M.Si., Ketua Jurusan Teknik Geodesi Fakultas Teknik
Universitas Gadjah Mada.
2. Ir. Waljiyanto, M.Sc., Sekretaris Jurusan Teknik Geodesi Fakultas Teknik
Universitas Gadjah Mada.
3. Ir. Djurdjani, MS., M.Eng., dosen pembimbing tugas akhir atas
bimbingan dan arahannya.
4. Heri Sutanta, S.T., M.Sc., yang telah memberikan motivasi dan masukan
yang sangat berharga pada awal penelitian.
5. Ir. Soeta’at, Dipl., Ph.E., yang telah memberikan saran dan kritik pada
awal penelitian.
6. Harintaka, S.T., M.T., yang telah memberikan beberapa informasi pada
awal penelitian.
7. Dr. Ming-Ying Wei, staf NASA Headquarters, yang telah memberikan
ijin penggunaan data citra ASTER.
8. Ir. T. Aris Sunantyo, M.Sc., atas dukungan moral dan pinjaman buku-
buku teksnya.
9. Inge Wijaya atas dukungan moral, ide awal penelitian serta print-out
buku-buku teks, Hendro Prastowo dan Hermawan Eko S. atas CD-
writernya, I Made Martawan atas bantuan CPU yang bertenaga, Dia’lah
Hokosuja H., atas pertimbangan least squares-nya, Sukamto atas printer

v
 BJC-1000SP-nya, dan juga saudaraku Ardhian Prabawa yang
meminjamkan CPU-nya pada saat-saat akhir penulisan.
10. Chris Triwarseno, Edi Suryanto, WS Andirachman, Laswanto, Adi
Permadi, Fachry Ansori, Yulieta, Niken ZS, Vitriani, Bisri Musthofa,
Bayu Triyogo, serta rekan-rekan lain yang tidak dapat penulis sebutkan
satu demi satu, atas dukungan moral dan persahabatan yang hangat.
11. Bapak Prayoga, Ibu Murwati, serta Kristi Puji Astuti atas semua
bantuannya.

Saran dan kritik yang membangun sangat diharapkan demi sempurnanya

skripsi ini. Penulis berharap bahwa penelitian ini dapat memberikan manfaat bagi
semua pihak, terutama yang berkaitan dengan bidang fotogrametri, penginderaan
jauh maupun pemetaan topografi.

Yogyakarta, 11 Oktober 2003

Penulis

vi
 DAFTAR ISI
Halaman Judul............................................................................................................ i
Halaman Pengesahan.................................................................................................. ii
Halaman Pernyataan................................................................................................... iii
Halaman Persembahan............................................................................................... iv
Kata Pengantar........................................................................................................... v
Daftar Isi..................................................................................................................... vii
Daftar Gambar............................................................................................................ ix
Daftar Tabel................................................................................................................ x
Daftar Lampiran......................................................................................................... xi
Intisari......................................................................................................................... xii
BAB I PENDAHULUAN
I.1. Latar Belakang....................................................................................... 1
I.2. Tujuan.................................................................................................... 2
I.3. Pembatasan Masalah.............................................................................. 2
I.4. Landasan Teori....................................................................................... 3
I.4.1. Sistem Satelit Terra.................................................................... 3
I.4.1.1. Karakteristik Sistem..................................................... 3
I.4.1.2. Sensor-sensor pada Satelit Terra..............................… 3
I.4.2. Sensor ASTER........................................................................... 3
I.4.2.1. Karakteristik Sensor ASTER........................................ 3
I.4.2.2. Sifat Stereoskopik pada Citra ASTER......................... 6
I.4.3. Data Citra ASTER..................................................................... 7
I.4.3.1. Pemrosesan Data Citra ASTER.................................... 7
I.4.3.2. Format Data Citra ASTER........................................... 7
I.4.4. Pembentukan Model Permukaan Digital................................... 7
I.4.4.1. Teknik Korelasi Silang................................................. 7
I.4.4.2. Penghitungan Paralaks dan Elevasi.............................. 11
I.4.4.3. Model Permukaan Digital............................................ 13
I.4.5. Noise filtering.................................... ....................................... 14
I.4.5.1. Simpangan Baku Lokal................................................ 14
I.4.5.2. Filter Median................................................................ 14
I.4.6. Hitung Kuadrat Terkecil............................................................ 15
I.4.7. Transformasi Polinomial............................................................ 17
I.4.8. Teori Kesalahan......................................................................... 18
I.4.9. Acuan Ketelitian Baku............................................................... 21
I.4.9. Perangkat Lunak Komputer....................................................... 21
I.4.9.1. IDL/ENVI..................................................................... 21
I.4.9.2. Delphi 5............................... ........................................ 22

BAB II PELAKSANAAN
II.1. Persiapan.................................... ......................................................... 24
II.2. Materi Penelitian.................................... ............................................. 24
II.3. Alat Penelitian.................................... ................................................ 24
II.4. Alur Penelitian.................................... ................................................ 25

vii
 II.4.1. Pemrograman Komputer........................................................ 26
II.4.1.1. Perancangan Interface............................................. 26
II.4.1.2. Penulisan Kode Program......................................... 27
II.4.1.3. Uji Program dan Debugging.................................... 28
II.4.2. Ekstraksi Band 3N dan 3B..................................................... 29
II.4.3. Pengukuran Koordinat pada Peta Rupabumi......................... 31
II.4.3.1. Titik Kontrol Tanah dan Titik Ikat.......................... 33
II.4.3.2. Titik Cek.................................................................. 33
II.4.4. Pengukuran Koordinat Titik Ikat pada Citra.......................... 33
II.4.5. Pengolahan Data secara Otomatis.......................................... 34
II.4.5.1. Registrasi Band 3B ke 3N secara Otomatis............. 34
II.4.5.2. Korelasi Stereo secara Otomatis.............................. 36
II.4.5.3. Noise filtering Model Permukaan Digital............... 37
II.4.5.4. Koreksi Elevasi secara Otomatis............................. 39
II.4.5.5. Penyimpanan Data Model Permukaan Digital........ 39
II.4.6. Georeferensi Model Permukaan Digital................................ 41
II.4.7. Evaluasi Ketelitian Model Permukaan Digital...................... 43
II.4.8. Visualisasi Model Permukaan Digital................................... 44

BAB III HASIL DAN PEMBAHASAN

III.1. Hasil Penelitian.................................... ............................................... 45
III.2. Registrasi Band 3B ke 3N................................................................... 45
III.3. Korelasi Stereo secara Otomatis.......................................................... 45
III.3.1. Ukuran Daerah Selidik......................................................... 46
III.3.2. Ukuran Daerah Sasaran........................................................ 46
III.4. Noise filtering.................................... ................................................. 47
III.5. Koreksi Elevasi Model Permukaan Digital......................................... 49
III.6. Georeferensi Model Permukaan Digital.............................................. 49
III.6. Ketelitian Model Permukaan Digital................................................... 50

BAB IV KESIMPULAN DAN SARAN

IV.1. Kesimpulan.................................... ..................................................... 52
IV.2. Saran.................................... .......................... .................................... 53
IV.2.1. Pengembangan Program....................................................... 53
IV.2.2. Penelitian pada Daerah dengan Berbagai Variasi Terrain.... 53
IV.2.3. Pengujian dengan Menggunakan MPD Acuan.................... 54
IV.2.4. Penggunaan Komputer dengan Kecepatan Tinggi............... 54

Daftar Pustaka............................................................................................................ 56
Lampiran.................................................................................................................... 57

viii
 DAFTAR GAMBAR
Gambar I.1. Diagram skematik linear array sensor.............................................. 4
Gambar I.2. Subsistem VNIR pada sistem sensor ASTER................................... 6
Gambar I.3. Geometri citra ASTER...................................................................... 6
Gambar I.4. Korelasi silang 2 dimensi.................................................................. 8
Gambar I.5. Estimasi koordinat sub-piksel............................................................ 10
Gambar I.6. Penentuan elevasi berdasarkan paralaks pada citra ASTER............. 12
Gambar I.7. Proses penghitungan median filter.................................................... 15
Gambar I.8. Kurva distribusi normal..................................................................... 19
Gambar II.1. Diagram alir penelitian...................................................................... 25
Gambar II.2. Properties dan Events dalam Object Inspector Delphi..................... 27
Gambar II.3. Code Editor pada Delphi................................................................... 28
Gambar II.4. Ukuran citra ASTER Level-1B full scene......................................... 29
Gambar II.5. Fasilitas New File Builder pada ENVI.............................................. 30
Gambar II.6. Distribusi titik GCP dan titik ikat yang digunakan........................... 32
Gambar II.7. Tampilan awal program DEMCreator 4............................................ 34
Gambar II.8. Bagian pengaturan proses dalam program DEMCreator 4............... 35
Gambar II.9. Daerah tepi yang tidak dapat dihitung nilai korelasi silangnya......... 36
Gambar II.10. Citra dengan noise dan citra yang telah dihilangkan noise-nya........ 37
Gambar II.11. Bagian pengaturan lanjut DEMCreator 4.......................................... 38
Gambar II.12. Pemilihan GCP untuk proses georeferensi........................................ 42
Gambar II.13. Fasilitas Image to Map Registration untuk melakukan georeferensi
model................................................................................................. 43
Gambar III.1. Selisih elevasi titik cek pada model terhadap elevasi titik cek pada
peta rupabumi.................................................................................... 51

ix
 DAFTAR TABEL
Tabel I.1. Parameter orbit satelit Terra.................................................................. 3
Tabel I.2. Karakteristik band Citra ASTER........................................................... 5
Tabel I.3. Faktor pengali σ untuk berbagai tingkat kepercayaan.......................... 20
Tabel I.4. Hubungan antara skala peta, interval kontur, dan syarat tingkat
ketelitian................................................................................................ 21
Tabel III.1. Nilai parameter transformasi polinomial satu dimensi......................... 45
Tabel III.2. Pengaruh ukuran daerah sasaran terhadap ketelitian korelasi
otomatis................................................................................................. 47
Tabel III.3. Pengamatan secara visual hasil filter.................................................... 48
Tabel III.4. Nilai parameter transformasi dalam koreksi elevasi............................. 49

.
.

x
 DAFTAR LAMPIRAN
Lampiran A Visualisasi Model Permukaan Digital................................................. 58
Lampiran B Daftar Koordinat GCP dan Titik Ikat.................................................. 65
Lampiran C Hasil Uji Korelasi Otomatis................................................................ 68
Lampiran D Hasil Uji Noise filtering....................................................................... 81
Lampiran E Hasil Uji Ketelitian Model Permukaan Digital................................... 87
Lampiran F Setting Program untuk Pembuatan Model Permukaan Digital
Daerah Parengan, Tuban...................................................................... 92
Lampiran G Panduan Singkat Penggunaan Program DEMCreator......................... 95
Lampiran H Flowchart Modul Program Korelasi Otomatis dan Filtering............... 113
Lampiran I CD-ROM............................................................................................. -
1. Dokumen Skripsi................................................ folder DOC
2. Data Mentah....................................................... folder RAW
3. Data Hasil Olahan.............................................. folder DEM
4. Paket Program DEMCreator 4........................... folder SOFT

xi
 INTISARI
Perkembangan teknik fotogrametri ke arah sistem digital berjalan dengan
cepat seiring dengan semakin majunya teknologi komputer. Demikian pula dengan
perkembangan teknologi penginderaan jauh yang memberikan banyak inovasi baru
dalam kaitannya dengan kegiatan pemetaan. Salah satunya ditandai dengan
diluncurkannya satelit EOS-AM1/Terra yang memiliki sensor ASTER dengan
kemampuan yang istimewa yaitu mengindera tempat yang sama dari dua posisi
pencitraan dalam satu jalur orbit, sehingga didapatkan citra stereo. Dari pasangan
citra stereo tersebut, dapat dibentuk model tiga dimensi dari permukaan daerah yang
diindera.
Penelitian ini memanfaatkan prinsip paralaks untuk menentukan elevasi titik-
titik pada citra ASTER dalam pembentukan model permukaan digital. Dalam
menentukan elevasi hanya diperhatikan dua faktor, yaitu B/H ratio sebesar 0,6 dan
beda paralaks tiap piksel. Untuk menentukan titik-titik yang bersesuaian pada dua
buah citra, dilakukan proses image-matching secara otomatis dengan teknik korelasi
silang. Untuk melaksanakan korelasi otomatis serta penghitungan model permukaan
digital ini disusun sebuah program komputer dengan menggunakan perangkat lunak
pemrograman Delphi 5.
Hasil utama yang didapat dari penelitian ini adalah sebuah model permukaan
digital tergeoreferensi daerah Parengan, Tuban, Jawa Timur, berukuran 1132 piksel x
1131 piksel dengan resolusi spasial 15 meter secara horisontal dan 1 meter secara
vertikal. Berdasarkan 150 buah titik sampel yang diambil dari titik-titik tinggi pada
peta rupabumi didapatkan root mean square error (RMSE) pada komponen elevasi
sebesar 8,8 meter atau setara dengan tingkat ketelitian sebesar 14,48 meter pada
tingkat kepercayan 90%, sehingga memenuhi persyaratan ketelitian menurut United
States National Map Accuracy Standards untuk keperluan pembuatan peta topografi
dengan skala 1:100.000 atau lebih kecil lagi.

xii
 BAB I
PENDAHULUAN

I.1. Latar Belakang

Pengukuran bentuk fisik dari permukaan bumi adalah pekerjaan yang sangat
penting dalam geodesi dan kartografi. Dapat dikatakan semua penelitian yang
melibatkan permukaan bumi memerlukan data topografi dan produk turunannya,
seperti kemiringan lahan, aspek kemiringan, serta pola drainase. Pada kasus tertentu,
misalnya untuk daerah bergelombang, data model permukaan digital diperlukan
untuk memproduksi citra raster yang terektifikasi dan bergeoreferensi, yang
merupakan suatu keharusan dalam integrasi data citra ke sebuah Sistem Informasi
Geografis. Selain itu, data topografi juga diperlukan untuk melakukan koreksi
geometrik, radiometrik, dan atmosferik terhadap data satelit yang dihasilkan oleh
instrumen optis maupun gelombang mikro (Lang, 1999).
Dalam pekerjaan pembuatan peta topografi, data elevasi permukaan bumi
didapatkan dari berbagai sumber, seperti dari pemetaan terestris maupun dari
pemetaan fotogrametri. Untuk wilayah yang luas, pemetaan secara terestris
membutuhkan waktu dan biaya yang sangat besar, sehingga pemetaan secara
fotogrametri merupakan alternatif menarik sebagai sumber data dalam pemetaan,
terutama pada daerah yang sulit dijangkau. Selaras dengan perkembangan teknologi,
teknik fotogrametri tidak hanya dapat diterapkan pada foto udara, namun juga dapat
diterapkan pada data citra satelit. Citra satelit mempunyai beberapa keuntungan
dibandingkan foto udara konvensional, diantaranya adalah daerah cakupan yang
lebih luas, akuisisi data yang lebih cepat dan murah daripada foto udara, dan
penggunaan spektrum yang lebih luas.
Perkembangan teknik fotogrametri ke arah sistem digital berjalan dengan
cepat seiring dengan semakin majunya teknologi komputer. Banyaknya keuntungan
yang ditawarkan oleh data digital apabila dibandingkan dengan data analog, serta
semakin efisiennya pekerjaan yang dilakukan dengan menggunakan sistem digital
merupakan pendorong utama transisi dari fotogrametri konvensional menuju
fotogrametri digital. Pada pengolahan data citra satelit untuk pembentukan model

1
 2

permukaan digital, proses otomasi mutlak diperlukan karena kuantitas data yang
besar dan kerumitan dalam hitungan matematis yang terlibat di dalamnya.
Salah satu metode yang digunakan untuk menentukan beda tinggi antar titik
dalam fotogrametri adalah penggunaan paralaks, yaitu perubahan kenampakan posisi
suatu objek terhadap kerangka acuan tertentu yang disebabkan oleh perpindahan
posisi pengamat. Selama ini, prinsip paralaks telah diaplikasikan dengan bantuan
stereoskop dan tongkat paralaks. Dari pengukuran beda paralaks dapat dihitung beda
tinggi dengan menggunakan suatu rumusan matematis yang relatif lebih sederhana
daripada penghitungan dengan prinsip kesegarisan dan kesebidangan.
Pembuatan model permukaan digital dari citra satelit telah dilakukan pada
citra-citra satelit yang mempunyai sifat stereoskopis, seperti SPOT, JERS-1, dan
MOMS. Salah satu kelemahan dari citra satelit sebagai sumber data untuk pembuatan
model permukaan digital adalah adanya selang waktu yang relatif lama antara dua
pengambilan gambar pada daerah yang akan dibentuk model permukaan digitalnya.
Adanya selang waktu ini memberikan dampak negatif pada proses pembentukan
model stereo karena daerah yang akan ditinjau akan mengalami berbagai perubahan
kenampakan, yang meliputi perubahan iluminasi, perubahan penutup lahan,
perubahan cuaca, maupun perubahan geomorfologis lainnya. Pada citra ASTER,
kelemahan ini dapat diatasi dengan adanya selang waktu yang singkat antara dua
pengambilan citra stereo, yaitu sekitar 9 detik.

I.2. Tujuan Penelitian

Tujuan penelitian ini adalah membentuk model permukaan digital dengan
memanfaatkan prinsip paralaks. Untuk menentukan titik-titik yang bersesuaian pada
dua buah citra, dilakukan proses image-matching dengan teknik korelasi silang.

I.3. Pembatasan Masalah

Dalam penelitian ini, hanya dua faktor yang diperhitungkan dalam
pembentukan model permukaan digital, yaitu beda paralaks serta perbandingan basis
terhadap tinggi terbang sebesar 0,6. Pengaruh kesalahan orientasi sumbu-sumbu
kamera, pengaruh kelengkungan bumi, pengaruh kesalahan orbit satelit, pengaruh
variasi skala dalam satu scene, serta pengaruh kesalahan radiometris diabaikan.
 3

I.4. Landasan Teori

I.4.1. Sistem Satelit Terra (EOS AM-1)
I.4.1.1. Karakteristik Sistem. Pada bulan Desember 1999, National
Aeronautics and Space Administration (NASA) meluncurkan sebuah satelit bernama
EOS AM-1/Terra sebagai bagian awal dari misi Earth Observing System (EOS).
EOS terdiri dari komponen ilmiah dan sistem informasi data yang memberikan
dukungan kepada sejumlah satelit terkoordinasi dengan orbit kutub dan orbit
berinklinasi rendah untuk observasi global jangka panjang dari permukaan daratan,
biosfer, kerak bumi, atmosfer, dan lautan (Abrams, 2002).

Tabel I.1. Parameter orbit satelit Terra (ASTER Science Team, 2001)
Parameter Keterangan
Orbit Sun synchronous, descending
Sumbu semi-major (rerata) 7078 km
Eksentrisitas 0,0012
Waktu lintas (lokal) 10.30 ± 15 menit.
Kisaran ketinggian 700 - 737 km (705 km pada ekuator)
Inklinasi 98,2° ± 0,15°
Repeat cycle 16 hari (233 revolusi / 16 hari)
Jarak antara orbit yang berdekatan 172 km
Periode orbit 98,9 menit

Satelit Terra berada pada orbit kutub yang bersifat sun-synchronous, 30 menit
dibelakang Landsat ETM+; Terra melintasi ekuator pada sekitar pukul 10.30 pagi
waktu setempat. Parameter orbit satelit Terra ditunjukkan pada Tabel I.1.

I.4.1.2. Sensor-sensor pada Satelit Terra. Selain Advanced Spaceborne

Thermal Emission and Reflection Radiometer (ASTER), instrumen lain yang
terpasang pada satelit Terra adalah Moderate-Resolution Imaging Spectroradiometer
(MODIS), Multi-angle Imaging Spectro-Radiometer (MISR), Clouds and the Earth’s
Radiant Energy System (CERES), dan Measurements of Pollution in the Troposphere
(MOPITT).

I.4.2. Sensor ASTER

I.4.2.1. Karakteristik Sensor ASTER. ASTER (Advanced Spaceborne
 4

Thermal Emission and Reflection Radiometer) adalah sebuah pengindera

multispektral modern yang dipilih oleh NASA untuk dipasang pada satelit EOS AM-
1 (Terra) bersama dengan empat buah sensor yang lain. Konsep dasar dari ASTER
adalah mengumpulkan data spektral kuantitatif dari radiasi yang dipantulkan dan
dipancarkan dari permukaan bumi dalam jangkauan panjang gelombang 0,5 – 2,5 µm
dan 8 – 12 µm.
Tujuan umum dari penyelidikan ilmiah menggunakan ASTER adalah untuk
mempelajari interaksi antara geosfer, hidrosfer, dan atmosfer bumi, dari sudut
pandang geofisika (ASTER Science Team, 2001).
Salah satu kemampuan sensor ASTER pada satelit Terra yang cukup menarik
adalah kemampuan stereoskopisnya pada arah jalur orbit, dimana waktu yang
diperlukan untuk mencitrakan suatu daerah dari dua sudut yang berbeda (arah nadir
dan arah lihat-belakang) relatif singkat, yaitu sekitar 64 detik. Dalam waktu yang
sangat singkat itu, perubahan kenampakan permukaan bumi akibat perubahan cuaca
atau penutup lahan akan dapat diminimalisasi. Selain itu, resolusi spasial yang
ditawarkan cukup tinggi, yaitu 15 meter.

Gambar I.1. Diagram skematik linear array sensor. (JARS, 1993)

Sensor ASTER pada subsistem VNIR termasuk tipe pushbroom dengan 5000
buah detektor CCD (Charge Coupled Device) yang terbuat dari silikon. Pushbroom
 5

scanner atau linear array sensor adalah sebuah sistem penyiam (scanner) yang tidak
menggunakan cermin penyiam mekanis, melainkan menggunakan elemen-elemen
semikonduktor padat yang disusun dalam satu baris sehingga memungkinkan
perekaman satu baris citra secara simultan (JARS, 1993). Diagram skematik linear
array sensor ditunjukkan pada gambar I.1.

Tabel I.2. Karakteristik band Citra ASTER (ASTER Science Team, 2001).
Subsistem Band Kisaran spektral Resolusi Kuantisasi
(µm) Spasial sinyal
1 0.52 - 0.60
2 0.63 - 0.69
VNIR 15 m 8 bit
3N 0.78 - 0.86
3B 0.78 - 0.86
4 1.600 - 1.700
5 2.145 - 2.185
6 2.185 - 2.225
SWIR 30 m 8 bit
7 2.235 - 2.285
8 2.295 - 2.365
9 2.360 - 2.430
10 8.125 - 8.475
11 8.475 - 8.825
TIR 12 8.925 - 9.275 90 m 12 bit
13 10.25 - 10.95
14 10.95 – 11.65

Satu scene penuh dari citra ASTER meliputi daerah berukuran sekitar 60 km
x 60 km. Tabel I.2. menunjukkan karakteristik kisaran spektral, resolusi spasial, dan
kuantisasi sinyal dari semua band yang ada pada citra ASTER.
ASTER terdiri atas tiga buah subsistem, yaitu: Visible and Near-Infrared
Radiometer (VNIR), yang memiliki 3 band (ditambah satu band pandangan ke
belakang yang menggunakan sebuah teleskop lihat-belakang untuk kemampuan
pandangan stereo) dengan resolusi spasial 15 meter; Shortwave Infrared Radiometer
(SWIR) yang memiliki 6 band dengan resolusi spasial 30 meter; dan Thermal
Infrared Radiometer (TIR) yang memiliki 5 band dengan resolusi spasial 90 meter.
Kenampakan fisik dari subsistem VNIR ditunjukkan pada gambar I.2.
 6

Gambar I.2. Subsistem VNIR pada sistem sensor ASTER

I.4.2.2. Sifat Stereoskopik pada Citra ASTER. Citra ASTER memiliki

kemampuan stereoskopis pada arah jalur orbit (along track) karena dimilikinya
sebuah sensor pada arah vertikal (nadir looking) dan sebuah sensor dengan arah
miring ke belakang sebesar 27,6° terhadap vertikal (backward looking).
Perbandingan jarak basis terhadap ketinggian terbang (B/H ratio) sebesar 0,6.

Gambar I.3. Geometri citra ASTER (Lang, 1999).

 7

Sebenarnya, untuk menghasilkan B/H ratio sebesar 0,6 diperlukan sudut

miring sebesar 30,96° terhadap vertikal, namun untuk mengkompensasi pengaruh
kelengkungan bumi, sudut miring diatur pada 27,6° (ASTER Science Team, 2001).
Data yang dihasilkan oleh kedua sensor yang bekerja pada daerah gelombang tampak
dan infra merah dekat (subsistem VNIR) ini direkam dalam band 3 pada tiap citra,
yaitu pada band 3N (band 3 nadir) dan band 3B (band 3 backward). Untuk merekam
satu stereo scene diperlukan waktu selama 64 detik. Kemampuan stereoskopis ini
memungkinkan pembuatan model 3 dimensi dari daerah yang diamat oleh satelit
Terra. Diagram skematik geometri pencitraan disajikan pada gambar I.3.

I.4.3. Data Citra ASTER

I.4.3.1. Pemrosesan Data Citra ASTER. Pada produk citra ASTER dikenal
adanya produk Level 1A dan 1B. Pada level 1A, citra belum dikoreksi secara
geometris maupun radiometris, tetapi parameter-parameter untuk melakukan koreksi-
koreksi tersebut telah disertakan dalam header file citra. Sedangkan pada level 1B,
citra sudah dikoreksi menggunakan data citra dari Level 1A dengan parameter-
parameter koreksi yang juga terdapat pada level 1A.

I.4.3.2. Format Data Citra ASTER. Format standar dari citra ASTER adalah
EOS-HDF, sebuah implementasi khusus dari format HDF (Hierarchical Data
Format), yang dapat dikenali oleh beberapa perangkat lunak seperti PCI Geomatica
OrthoEngine, Matlab, ILWIS, dan IDL/ENVI. Satu scene penuh dari citra ASTER
yang terdiri atas 14 band berukuran sekitar 120 MB. Data ini didistribusikan dalam
berbagai media data, seperti CD-ROM (Compact Disc – Read Only Memory), CCT
(Computer Compatible Tape), maupun transfer data secara langsung melalui Internet
dengan fasilitas FTP (File Transfer Protocol).

I.4.4. Pembentukan Model Permukaan Digital

I.4.4.1. Teknik Korelasi Silang. Untuk mendapatkan koordinat titik yang
bersesuaian pada kedua band, digunakan teknik korelasi silang. Korelasi silang
adalah algoritma untuk menentukan lokasi bagian-bagian dari citra berdasarkan
kesamaan tingkat keabuan. Sebuah titik referensi ditentukan pada citra referensi, dan
 8

titik yang bersesuaian dicari pada citra pencarian. Untuk keperluan itu, citra referensi
digerakkan pada citra pencarian, dan posisi dari kesamaan maksimum dari tingkat
keabuan dapat dicari. Pada setiap posisi dari citra referensi dalam citra pencarian,
sebuah nilai kesamaan, yaitu koefisien korelasi silang dari tingkat-tingkat keabuan,
dihitung. Koefisien korelasi dihitung dengan persamaan I.1. (Rottensteiner, 2001).

Gambar I.4. Korelasi silang 2 dimensi.

Pencarian piksel yang bersesuaian pada kedua band dilakukan dengan

membentuk daerah selidik dan daerah sasaran, seperti yang diilustrasikan pada
gambar I.4.. Pada citra band 3N, piksel yang akan dicari pasangannya dibentuk
sebuah daerah sasaran dengan ukuran tertentu dengan titik tersebut sebagai pusatnya,
misalnya 3 x 3 piksel, 5 x 5 piksel, atau lebih besar lagi.
Pada citra band 3B dibentuk daerah selidik dengan ukuran yang lebih besar
dari daerah sasaran. Untuk tiap piksel pada daerah selidik, dibentuk daerah sasaran
dengan piksel yang bersangkutan sebagai titik pusat. Kemudian, dihitung nilai
korelasi antara daerah sasaran pada citra band 3N dengan daerah sasaran pada citra
band 3B. Proses ini diulang untuk tiap piksel pada daerah selidik, dengan demikian
diperoleh nilai korelasi untuk tiap piksel pada daerah selidik tersebut. Piksel dengan
nilai korelasi paling tinggi merupakan piksel yang bersesuaian pada citra band 3N
dan band 3B.
 9

t t

∑ ∑[g
x =1 y =1
( x, y ) − g m ][h( x , y ) − hm ]
δ= (I.1)
t t t t

∑ ∑[g
x =1 y =1
( x, y ) − g m ] ⋅ ∑ ∑ [ h( x , y ) − h m ]
2

x =1 y =1
2

dalam hal ini :

δ : koefisien korelasi
g(x,y) : derajat keabuan untuk piksel yang mempunyai koordinat (x, y)
pada citra pertama.
h(x,y) : derajat keabuan untuk piksel yang mempunyai koordinat (x, y)
pada citra kedua.
gm, hm : rerata nilai keabuan piksel dalam luasan jendela citra pertama
dan citra kedua.

Untuk mendapatkan ketelitian sub-piksel, maka piksel dengan nilai korelasi

terbesar dijadikan pusat dari sebuah daerah interpolasi berukuran 3 x 3 piksel. Nilai
koordinat piksel dan nilai korelasi untuk tiap piksel pada daerah tersebut digunakan
untuk menghitung parameter dari suatu fungsi permukaan kuadratis.

δ = a 0 + a1 x + a 2 y + a 3 xy + a 4 x 2 + a 5 y 2 (I.2)
dengan
δ : koefisien korelasi
a0 – a5 : koefisien parameter polinomial
x, y : koordinat piksel

Setelah parameter fungsi permukaan kuadratis tersebut dihitung dengan

menggunakan hitung kuadrat terkecil dengan persamaan I.2 sebagai persamaan
observasi, maka dapat dihitung nilai koordinat piksel yang memiliki nilai korelasi
yang maksimum dari derivatif pertama dari fungsi permukaan kuadratis dengan
menggunakan persamaan I.3, dengan demikian, ketelitian sub-piksel dapat diketahui.
 10

Ketelitian metode estimasi sub-piksel ini secara empiris diperoleh sekitar 0,2 – 0,3
piksel (Rottensteiner, 2001).

 ∂δ 
 
 ∂x  =  1  +  4
a 2a a 3   x max   0 
∗ =  (I.3)
 ∂δ   a 2   a 3 2a 5   y max   0 
 ∂y 
 

Gambar I.5. Estimasi koordinat sub-piksel (Rottensteiner, 2001).

Menurut Lang (1999), ketelitian elevasi secara teoritis yang dapat dihasilkan
dari citra satelit stereo dihitung dengan persamaan:
H∆p
∆h = (I.4)
B

dengan
∆h = ketelitian teoritis
∆p = asumsi kesalahan image-matching maksimum
H = tinggi orbit satelit
B = jarak basis

Apabila ketelitian pada proses korelasi silang diasumsikan sebesar 1 piksel (15
meter), maka berdasarkan persamaan I.4 resolusi elevasi model adalah 25 meter.
Sebuah model permukaan digital dengan resolusi elevasi sebesar 25 meter akan
tampak berteras-teras pada daerah yang miring. Efek berteras (terraced effect) ini
 11

akan tampak nyata pada daerah yang landai maupun daerah yang mendekati datar.
Selain kualitas visual yang buruk, model dengan resolusi elevasi 25 meter akan
cenderung menghilangkan detil lokal dari permukaan bumi.
Untuk mengatasi masalah-masalah yang muncul pada model dengan resolusi
elevasi besar tersebut, digunakan proses korelasi silang dengan ketelitian sub-piksel
sehingga resolusi elevasi dari model permukaan digital dapat ditingkatkan.
Proses korelasi silang membutuhkan unjuk kerja komputasi yang handal
karena proses korelasi dilakukan pada tingkat piksel untuk tiap piksel pada citra serta
melibatkan banyak hitungan floating-point. Karena pada penghitungan elevasi
diperlukan nilai beda paralaks pada sumbu y, maka proses korelasi silang dapat
dipercepat dengan membatasi daerah sasaran dan selidik menjadi satu dimensi saja.
Namun demikian, pada kenyataan, diperlukan toleransi sebesar masing-masing satu
piksel ke arah sumbu x positif dan sumbu x negatif untuk mengkompensasi
perubahan ketinggian satelit.
Korelasi silang, sebagai salah satu metode image-matching berdasar area
(area-based image-matching) mempunyai beberapa kelemahan, yaitu:
a. tidak memberikan solusi untuk daerah yang tingkat keabuannya homogen,
misalnya salju, padang rumput, dataran pasir, dan lautan.
b. tidak memberikan solusi untuk daerah yang sangat gelap, maupun sangat
terang, seperti daerah bayang-bayang atau permukaan atas awan.
c. tidak memberikan hasil yang tepat untuk daerah dengan perulangan pola
tertentu (repeated patterns).
d. tidak memberikan hasil yang tepat pada daerah yang sama sekali tidak mirip,
misalnya apabila objek pada salah satu citra tertutup awan.

I.4.4.2. Penghitungan Paralaks dan Elevasi. Besarnya paralaks dari tiap piksel
pada citra dapat ditentukan dengan proses image-matching menggunakan teknik
korelasi silang, dimana untuk tiap piksel pada band 3N dicari piksel yang bersesuaian
pada band 3B. Beda koordinat pada komponen sumbu y adalah beda paralaks pada
sumbu y, sedangkan beda koordinat pada komponen sumbu x adalah beda paralaks
pada sumbu x. Koordinat x dan y adalah dalam koordinat citra, merupakan sistem
koordinat tangan kiri, dengan sumbu y sejajar arah orbit.
 12

Beda tinggi dapat diketahui berdasarkan besar paralaks dan perbandingan

antara basis citra terhadap tinggi terbang (B/H ratio). B/H ratio dari citra ASTER
adalah sebesar 0,6. Hubungan matematis dari paralaks dan beda tinggi ditunjukkan
dalam persamaan berikut:

X1 − X 2
∆h = (I.5)
tan α
∆p
= (I.6)
tan α
H ⋅ ∆p
= (I.7)
B

Gambar I.6. Penentuan elevasi berdasarkan paralaks pada citra ASTER (Lang, 1999).

Beda paralaks pada sumbu x pada citra yang terkoreksi harus sama dengan 0.
Hal ini disebabkan karena sifat stereoskopis dari citra ASTER adalah untuk scene
 13

yang terletak berurutan pada satu jalur terbang (along track), sehingga untuk kondisi
ideal, paralaks yang ada hanyalah paralaks pada sumbu y saja. Namun pada
kenyataannya, kemungkinan terdapat kesalahan geometrik sebesar 1 piksel pada
sumbu x, yang disebabkan karena perubahan tinggi satelit (Lang, 1999). Kesalahan
ini perlu dikompensasi pada saat proses image-matching.

I.4.4.3. Model Permukaan Digital. Pemodelan permukaan merupakan istilah

umum yang digunakan untuk menjelaskan suatu proses menyajikan permukaan nyata
atau tiruan secara matematis. Pemodelan permukaan bumi merupakan kategori
khusus dari pemodelan permukaan yang berkaitan dengan problem khusus untuk
menyajikan bentuk permukaan bumi (Djurdjani, 1999). Model permukaan digital
dapat disimpan dengan berbagai metode:
a. Data berdistribusi teratur. Data disimpan dengan spasi yang teratur antar
titik data sehingga membentuk suatu grid. Bentuk dasar dari grid yang
paling sering digunakan adalah bentuk bujur sangkar. Data elevasi dicatat
pada tiap jarak tertentu, sesuai dengan resolusi spasial dari grid.
b. Data berdistribusi semi teratur. Pada metode ini, keteraturan terdapat pada
salah satu unsur datanya, sedangkan unsur yang lain acak. Misalnya garis-
garis kontur pada peta yang merepresentasikan ketinggian yang sama
pada permukaan bumi dengan interval ketinggian tertentu yang konstan
mempunyai keteraturan pada unsur Z, tetapi pada unsur X dan Y acak.
c. Data berdistribusi acak. Pada metode ini, tidak ada keteraturan pada
setiap unsur datanya. Salah satu bentuk struktur data acak adalah TIN
(Triangulated Irregular Networks) dengan segitiga-segitiga tak beraturan
sebagai satuan datanya.
d. Fungsi permukaan. Permukaan bumi dapat pula disajikan dalam model
matematis tertentu, namun pemodelan ini cenderung hanya memberikan
gambaran umum permukaan (trend surface) serta menghilangkan detil-
detil lokal pada permukaan bumi, mengingat kenampakan fisik dari
permukaan bumi sangat kompleks dan sulit dimodelkan melalui suatu
fungsi matematis secara tepat.
 14

I.4.5. Noise Filtering

Dua tahap yang terlibat dalam proses noise filtering adalah deteksi noise dan
eliminasi noise. Dalam penelitian ini noise dideteksi dengan menggunakan teknik
simpangan baku lokal, sedangkan noise yang telah dideteksi dihilangkan dengan
menggunakan filter median.

I.4.5.1. Simpangan baku lokal. Salah satu cara untuk mendeteksi adanya
noise adalah dengan menggunakan simpangan baku lokal. Simpangan baku lokal
adalah simpangan baku nilai ketinggian pada sebuah daerah window bujur sangkar
berukuran tertentu. Nilai ketinggian yang melebihi ambang batas tertentu dianggap
sebagai noise. Ambang batas dihitung dengan mengalikan simpangan baku dengan
faktor pengali tertentu.

σ=
∑ (x i − x) 2
(I.8)
n

dengan
xi = nilai ketinggian pada piksel ke-i
x = nilai rerata ketinggian pada jendela
n = jumlah piksel pada jendela
σ = simpangan baku

I.4.5.2. Filter Median. Filter median adalah filter yang memeriksa setiap nilai
piksel yang tercakup dalam jendela filter dan mengurutkannya dari nilai terkecil
sampai terbesar. Hasil dari filter median adalah nilai yang tepat berada di tengah
urutan tersebut.
Sebagai contoh, pada gambar I.7 diilustrasikan sebuah jendela filter
berukuran 3 x 3 piksel. Nilai yang dihasilkan filter median pada ilustrasi tersebut
adalah nilai yang berada pada bagian tengah hasil pengurutan, atau dalam hal ini
nilai ke-4, yaitu 23. Nilai-nilai ekstrim akan berada pada awal maupun akhir dari
daftar pengurutan, sehingga dapat disimpulkan bahwa nilai-nilai ekstrim dapat
dihilangkan dengan filter median.
 15

Jendela filter 3 x 3

23 25 24

23 35 22
22 24 23

Hasil pengurutan dari 9 piksel yang ada pada jendela filter

22 22 23 23 23 24 24 25 35

Gambar I.7. Proses penghitungan median filter.

I.4.6. Hitung Kuadrat Terkecil

Kuadrat terkecil adalah prosedur yang dilakukan untuk menghitung nilai yang
paling mungkin dari suatu pengukuran yang mengandung kesalahan acak. Prinsip
dasar yang dipakai dalam penyelesaian kuadrat terkecil adalah meminimumkan
kuadrat residual, yaitu kuadrat selisih antara hasil pengamatan dengan hasil perataan.
Penelitian ini memakai hitungan kuadrat terkecil metode parameter.
Dalam metode parameter, harus dicari sejumlah parameter (besaran yang
independen) sebanyak minimum data yang harus diketahui untuk menyelesaikan
suatu sistem persamaan (u). Setelah parameternya diketahui, dapat disusun
persamaan atau hubungan matematis antara hasil pengamatan dengan masing-masing
parameter tersebut. Jumlah persamaan ini harus sama dengan jumlah pengamatan
(n). Hubungan antara hasil pengamatan, nilai yang paling mungkin (pengamatan
terkoreksi), dan nilai koreksi kesalahan adalah :
l1 + v1 = l a1
l2 + v2 = la2
(I.9)
........
l n + v n = l an
dengan
ln = hasil pengamatan
vn = residual
lan = pengamatan terkoreksi
 16

Hubungan fungsional antara la dan x berbentuk

l a1 = a1,1 x1 + a1, 2 x 2 + ... + a1,u x u + a1, 0
... (I.10)
l an = a n ,1 x1 + a n , 2 x 2 + ... + a n ,u x u + a n , 0

sehingga persamaan I.9 menjadi

l1 + v1 = a1,1 x1 + a1, 2 x 2 + ... + a1,u x u + a1, 0
... (I.11)
l n + v n = a n ,1 x1 + a n , 2 x 2 + ... + a n ,u x u + a n ,0

maka didapat persamaan dalam fungsi v sebagai berikut

v1 = a1,1 x1 + a1, 2 x 2 + ... + a1,u x u + a1,0 − l1
... (I.12)
v n = a n ,1 x1 + a n , 2 x 2 + ... + a n ,u x u + a n ,0 − l n

dalam bentuk matriks dapat dituliskan

V = AX + F (I.13)

dengan

 v1   a1,1 a1, 2 ... a1,u   x1   a1, 0 − l1 

   
V =  ...  A =  ... ... ... ...  X =  ...  F =  ... ... 
v n  a n ,1 an, 2 ... a n ,u   xu  a n, 0 − l n 

V = matriks residual
A = matriks koefisien
X = matriks koefisien parameter
F = matriks vektor sisa

Jumlah kuadrat residual sama dengan transpos matriks V dikalikan matriks V. Supaya
jumlah kuadrat residual minimum, maka turunan pertama dari VTV (jumlah kuadrat
residual) terhadap X harus sama dengan nol.
 17

∂V T V
=0 (I.14)
∂X
Karena
V T V = ( AX + F ) T ( AX + F ) (I.15)
maka
2 X T AT A + 2 F T A = 0 (I.16)
X T AT A + F T A = 0 (I.17)

Apabila persamaan diatas ditranspos maka

AT AX + A T F = 0 (I.18)
Sehingga
X = −( A T A) −1 ( A T F ) (I.19)

Nilai varian posteriori adalah :

V TV
σ 02 = (I.20)
n −u

dengan
σ 2 = varian posteriori
n = jumlah persamaan
u = jumlah parameter

I.4.7 Transformasi Polinomial

Transformasi polinomial dipakai apabila hubungan antara kedua sistem yang
akan ditransformasikan sulit diterangkan secara geometri, sehingga diasumsikan ada
hubungan polinomial antara kedua sistem koordinat (Soeta’at, 1999).
Bentuk umum persamaan polinomial adalah:

X = xT ⋅ A⋅ y (I.21)

Y = xT ⋅ B ⋅ y (I.22)
 18

dengan
a 00 a 01 a 02 ...
a a11 a12 ...
A =  10 (I.23)
a 20 a 21 a 22 ...
 
 ... ... ... ...

b00 b01 b02 ...

b b11 b12 ...
B =  10 (I.24)
b20 b21 b22 ...
 
 ... ... ... ...

dalam hal ini

A, B = matriks koefisien polinomial

[
xT = 1 x x2 x3 ...] (I.25)

yT = [1 y y2 y3 ...] (I.26)

Dalam penelitian ini, transformasi polinomial digunakan pada proses

minimalisasi paralaks-x. Karena yang diperlukan pada proses ini hanya komponen
absis saja, maka hitungan kuadrat terkecil untuk mencari nilai koefisien polinomial
dibatasi pada matriks A (matriks koefisien polinomial untuk komponen absis),
sedangkan matriks B (matriks koefisien polinomial untuk komponen ordinat) tidak
dihitung.

1.4.8. Teori Kesalahan

Kesalahan yang terjadi pada setiap pengukuran dapat digolongkan menjadi
tiga jenis kesalahan, yaitu kesalahan kasar, kesalahan sistematis, dan kesalahan acak.
Kesalahan kasar adalah kesalahan bernilai besar yang melebihi kesalahan maksimum
yang diperbolehkan. Kesalahan sistematis adalah kesalahan yang mengikuti aturan
atau pola tertentu yang diakibatkan oleh kesalahan prosedur atau kesalahan sistem
pengukuran/pengolahan data.
 19

Setelah kesalahan kasar dan kesalahan sistematik dihilangkan dari hasil

pengukuran, masih ada kesalahan yang tersisa, yaitu kesalahan acak. Kesalahan acak
terjadi diluar kendali pengukur, dan biasanya tidak mengikuti pola atau aturan
tertentu. Karena itu, kesalahan acak perlu ditangani menurut hukum probabilitas.
Pada kurva distribusi normal seperti yang diilustrasikan pada gambar I.8,
ditunjukkan distribusi kesalahan untuk suatu pengukuran dengan µ sebagai nilai
sebenarnya. Daerah dibawah kurva yang meliputi –σ sampai +σ mempunyai luas
68% dari keseluruhan luas daerah dibawa kurva, atau dapat dikatakan bahwa 68%
nilai data akan berada diantara –σ dan +σ, dengan σ sebagai kesalahan baku
(standard error).

Gambar I.8. Kurva distribusi normal.

Hal ini juga berarti bahwa untuk tiap kelompok pengukuran, terdapat
kemungkinan sebesar 68% bahwa sebuah pengukuran mempunyai kesalahan diantara
–σ dan σ. Kesalahan baku didefinisikan sebagai akar pangkat dua dari rerata kuadrat
kesalahan (error).

σ=
∑ (x i − µ) 2
(I.27)
n
dengan
σ = kesalahan baku
xi = nilai hasil ukuran
µ = nilai sebenarnya
n = jumlah pengukuran
 20

RMSE (Root Mean Square Error) adalah suatu nilai yang digunakan untuk
menunjukkan ketelitian dengan melibatkan semua faktor kesalahan yang terjadi
selama proses pengukuran atau produksi data. Definisi matematis dari RMSE mirip
dengan kesalahan baku, yaitu akar pangkat dua dari rata-rata kuadrat kesalahan.
Menurut Lang, 1999, nilai RMSE untuk elevasi (RMSEz) dihitung dengan
menggunakan persamaan berikut:

RMSEz =
∑ (Z MAP − Z DEM ) 2
(I.28)
n
dengan
RMSEz = nilai root mean square error elevasi
ZMAP = nilai elevasi pada titik cek, berdasarkan peta rupabumi.
ZDEM = nilai elevasi pada model permukaan digital.
n = banyaknya titik cek.

Ketelitian pengukuran elevasi dengan tingkat kepercayaan 90% menurut

Mauney, 2002, adalah sebagai berikut :
Accuracy = E90 x RMSEz (I.29)
dengan
Accuracy = ketelitian elevasi
E90 = faktor pengali untuk tingkat kepercayaan 90% (Tabel I.3)
RMSEz = root mean square error untuk komponen z (elevasi)

Tabel I.3. Faktor pengali σ untuk berbagai tingkat kepercayaan (Wolf, 1997).
Tingkat kepercayaan Faktor pengali σ
50 % 0,6745
90 % 1,6449
95 % 1,960
99 % 2,576
99,7 % 2,965
99,9 % 3,29
 21

I.4.9. Acuan Ketelitian Baku

Persyaratan ketelitian baku dari peta topografi menurut United States
National Map Accuracy Standards, 1947, adalah sebagai berikut:
1. Komponen horisontal
Untuk peta skala 1 : 20.000 atau lebih kecil lagi, sekurang-kurangnya 90%
dari titik yang diteliti harus mempunyai ketelitian 0,508 mm (1/50 inci) pada
peta. Dengan kata lain, ketelitian horisontal yang disyaratkan adalah sebesar
0,508 mm pada skala peta untuk tingkat kepercayaan 90%.
2. Komponen vertikal
Sekurang-kurangnya 90% dari titik yang diteliti harus mempunyai kesalahan
kurang dari 0,5 kali interval kontur pada peta. Dengan kata lain, ketelitian
vertikal yang disyaratkan adalah sebesar 0,5 kali interval kontur pada peta
untuk tingkat kepercayaan 90%.

Untuk peta skala 1 : 25.000 sampai dengan skala 1 : 500.000, hubungan antara skala
peta, interval kontur dan syarat tingkat ketelitian menurut United States National
Map Accuracy Standards, diringkas dalam tabel III.5.

Tabel I.4. Hubungan antara skala peta, interval kontur, dan syarat tingkat ketelitian.
Skala peta Interval kontur Tingkat ketelitian (m)
(m) horizontal vertikal
1:25.000 12,5 12,7 6,25
1:50.000 25 25,4 12,5
1:100.000 50 50,8 25
1:250.000 125 127 62,5
1:500.000 250 254 125

I.4.10. Perangkat Lunak Komputer

I.4.10.1 IDL/ENVI. Environment for Visualizing Images (ENVI) adalah paket
perangkat lunak pemrosesan citra yang disusun menggunakan bahasa IDL
(Interactive Data Language). ENVI mampu mengenali format HDF yang digunakan
 22

dalam distribusi data citra ASTER dan mengkonversinya kedalam format lain.
Sebagai perangkat lunak pemrosesan citra, ENVI memiliki fasilitas yang cukup
lengkap untuk melakukan berbagai hal yang diperlukan dalam penelitian ini, seperti
pemilihan dan pengukuran GCPs (Ground Control Points), rektifikasi,
registrasi/geocoding citra, contrast-stretching, dan lain-lain. ENVI mampu mengukur
koordinat suatu titik sampai pada ketelitian sub-piksel. Dalam penelitian ini
digunakan ENVI versi 3.1, yang dijalankan dengan menggunakan IDL versi 5.1.1.

I.4.10.2. Delphi 5. Bahasa pemrograman yang dipilih untuk pembuatan model

permukaan digital ini adalah bahasa pemrograman yang dapat memberikan
kecepatan maksimum pada proses hitungan, mengingat proses korelasi otomatis
melibatkan hitungan floating-point dalam jumlah yang sangat besar. Pada citra
ASTER berukuran 1000 piksel x 1000 piksel, dengan resolusi model permukaan
digital 15 meter, maka titik yang harus diproses berjumlah 1.000.000 titik. Oleh
karena itu, bahasa-bahasa pemrograman seperti yang bersifat terinterpretasi, seperti
Matlab, IDL, dan QBasic, bukan merupakan pilihan yang tepat. Pada bahasa
terinterpretasi, program tidak secara langsung dieksekusi oleh komputer, melainkan
melalui proses penerjemahan dahulu. Delphi dipilih karena kemampuannya membuat
sebuah program yang langsung dieksekusi oleh CPU (Central Processing Unit),
sehingga pengolahan data berlangsung lebih cepat.
Delphi adalah salah satu bahasa pemrograman komputer yang merupakan
perkembangan dari bahasa Pascal. Bahasa Pascal terkenal karena terstruktur,
fleksibel, serta mudah dipahami dan dipelajari. Selaras dengan perkembangan
teknologi informasi yang menuntut interaksi yang lebih mudah antara manusia
dengan komputer, maka bahasa Pascal yang semula hanya berjalan pada modus teks
dibawah sistem operasi DOS (Disk Operating System), dikembangkan menjadi
perangkat pemrograman komputer yang dirancang untuk memanfaatkan keunggulan
sistem operasi Windows.
Delphi dirancang sebagai bahasa pemrograman berbasis RAD (Rapid
Application Development) yang memungkinkan pembuatan program komputer
secara cepat dan handal, sehingga pemrogram dapat memfokuskan diri pada
 23

penyelesaian pekerjaan pemrograman, bukan pada detail teknis pemrograman itu

sendiri.
Dalam lingkungan Windows, interaksi antara pengguna dengan komputer
dilakukan melalui tampilan grafis di layar monitor. Lembar kerja utama dimana
komponen-komponen antarmuka seperti button, text box, check box, diletakkan
adalah form. Tiap-tiap komponen mempunyai properties sendiri-sendiri yang
mengatur penampilan maupun sifat dari komponen itu. Pemrograman dalam
Windows bersifat event-driven, artinya kerja program dikendalikan oleh kejadian
(event), seperti peng-klik-an mouse pada komponen button, pemilihan menu,
pengisian text-box, dan lain-lain. Tiap kejadian membangkitkan serangkaian instruksi
yang dikerjakan oleh komputer.
Untuk memecah program menjadi bagian-bagian yang sederhana dapat
dilakukan dengan membuat prosedur dan fungsi. Sebuah fungsi adalah serangkaian
instruksi yang akan mengembalikan suatu nilai setelah fungsi tersebut dipanggil,
sedangkan prosedur hanya melakukan serangkaian instruksi tanpa mengembalikan
nilai apapun.
 BAB II
PELAKSANAAN

II.1. Persiapan
Pada tahap persiapan dilakukan studi pustaka, penentuan daerah penelitian,
pengajuan ijin penggunaan data citra ASTER, pencarian dan pengumpulan data
penelitian yang antara lain berupa citra ASTER dalam format HDF dan peta
rupabumi skala 1:25.000, serta penyiapan perangkat keras dan perangkat lunak
komputer yang akan digunakan.
II.2. Materi Penelitian
Materi yang dipergunakan dalam penelitian ini berupa :
1. Satu scene citra ASTER level 1B (local granule ID : pg-PR1B0000-
2000111402_006_001) dalam format EOS-HDF pada media CD-ROM
yang meliputi daerah Tuban, dicitrakan pada tanggal 9 September 2000.
Citra diperoleh dari LP-DAAC NASA, Amerika Serikat..
2. Peta rupabumi daerah Parengan, Tuban, skala 1:25.000. Peta ini diperoleh
dari Pusat Informasi Kebumian Bakosurtanal.

II.3. Alat Penelitian

Peralatan yang dipergunakan dalam penelitian ini berupa :
1. Satu unit komputer dengan prosesor Intel Pentium III 800 MHz, memori
128 MB, hard disk berkapasitas 20 GB, dan sistem operasi Windows 98,
untuk pembuatan dan eksekusi program.
2. Media penyimpan data berupa CD-ROM, CD-R, dan floppy disk 3½ inci.
3. Printer inkjet Canon BJC-2100SP untuk mencetak laporan penelitian.
4. Perangkat lunak IDL/ENVI 3.1, untuk melakukan proses georeferensi
citra, serta untuk mengkonversi format HDF ke format standar ENVI.
5. Paket bahasa pemrograman Delphi 5, untuk menyusun program
komputer.
6. Paket perangkat lunak Microsoft Office 2000, untuk pengetikan laporan
penelitian serta pengolahan data numeris.

24
 25

II.4. Alur Penelitian

Langkah-langkah yang perlu dilaksanakan dalam penelitian ini dapat
digambarkan dalam diagram alir berikut :

Peta Rupabumi ASTER L-1B

Pemilihan dan Pemilihan dan Ekstraksi band 3N dan 3B

pengukuran titik cek pengukuran GCP

Pemilihan titik ikat pada

Pemrograman band 3N dan 3B
Komputer

Korelasi stereo untuk

Pengujian Program pembuatan MPD

Noise filtering MPD

Paket Program Komputer

Koreksi elevasi pada

MPD

Georeferensi MPD

Evaluasi Ketelitian MPD

Visualisasi MPD
Pengumpulan data
Pengolahan data
Pembuatan program
Proses otomatis MPD : model permukaan digital

Gambar II.1. Diagram alir penelitian.

 26

II.4.1. Pemrograman Komputer

Pengolahan data secara otomatis dengan menggunakan komputer memer-
lukan sebuah program yang harus disusun terlebih dahulu. Sebelum penulisan kode
program, terlebih dahulu disusun dasar logika dan rangkaian tahapan yang perlu
dilakukan. Kerangka logika program ini dituangkan dalam bentuk flow chart atau
diagram alir untuk mempermudah pemahaman atas cara kerja dari program yang
akan disusun. Hal ini sangat membantu dalam memecah program yang kompleks
menjadi modul-modul yang lebih sederhana, misalnya flow chart pada lampiran H.

II.4.1.1. Perancangan Interface. Pada pemrograman visual, interface adalah

bagian yang sangat penting dalam program, karena seolah-olah sebagian besar kode
program “menempel” pada interface. Oleh karena itu perlu dilakukan perancangan
interface terlebih dahulu supaya dapat direncanakan prioritas modul program yang
apa saja yang akan ditulis. Selain harus mudah dimengerti oleh pengguna (user-
friendly), interface juga harus sesuai dengan diagram alir program yang telah
direncanakan.
Delphi adalah bahasa pemrograman visual yang memberikan berbagai
kemudahan dalam merancang tampilan program. Dalam bahasa pemrograman visual
seperti Delphi, form adalah inti dari antarmuka pemakai (user interface) yang
berperan sebagai sarana komunikasi antara pemakai komputer dengan program
komputer. Form merupakan “kanvas” tempat pemrogram dapat meletakkan berbagai
komponen dalam konsep graphical user interface (GUI) yang umum digunakan
dalam berbagai sistem operasi modern, seperti tombol (button), combo-box, text-box,
radio button, check-box, frame, panel, dan lain-lain. Komponen-komponen GUI itu
disebut controls dalam Delphi.
Desain antarmuka pemakai dilakukan dengan melakukan penempatan
controls pada form sedemikian rupa sehingga program menjadi mudah dimengerti
dan digunakan oleh pemakai program. Baik form maupun berbagai controls yang ada
padanya memiliki properties dan methods yang lazim ada dalam pemrograman
berorientasi objek. Properties adalah sekumpulan variabel yang mengatur sifat dari
komponen/controls yang bersangkutan, seperti warna komponen, teks yang muncul
pada komponen, tinggi dan lebar komponen dan sebagainya. Methods adalah
 27

sekumpulan subrutin program yang digunakan untuk mengoperasikan

komponen/controls yang bersangkutan, seperti menampilkan, menyembunyikan, atau
membuang komponen dari memori.

Gambar II.2. Properties dan Events dalam Object Inspector Delphi.

Setiap komponen form akan membangkitkan kejadian (event) tertentu apabila

pemakai melakukan sesuatu terhadap komponen tersebut, seperti meng-klik mouse,
mengetik sesuatu pada keyboard, menyeret mouse (dragging), dan lain-lain. Karena
pemrograman dalam visual umumnya bersifat event-driven, maka untuk event-event
tertentu diberikan event-handler, sehingga misalnya saat pemakai program meng-klik
sebuah tombol, maka serangkaian instruksi tertentu akan dilaksanakan oleh
komputer. Properties dan events dapat dimanipulasi nilai dan cara penanganannya
dengan menggunakan fasilitas Object Inspector pada Delphi (gambar II.2).

II.4.1.2. Penulisan kode program. Penulisan kode dimulai dengan membagi

program menjadi beberapa modul utama berdasarkan logika dari flow chart. Masing-
masing modul tersebut disusun dan diuji secara terpisah untuk memastikan bahwa
tiap modul dapat berfungsi dengan benar. Proses penulisan kode dilakukan
 28

menggunakan window Code Editor (gambar II.3). Melalui proses pengujian program
kemungkinan besar akan timbul berbagai kesalahan yang disebabkan oleh kesalahan
penulisan kode (syntax error) program maupun kesalahan logika program. Untuk
mengatasi masalah tersebut, program perlu diperbaiki dan ditinjau ulang algoritma
serta implementasinya. Setelah diperbaiki, proses pengujian dilakukan lagi sampai
modul program yang bersangkutan dapat dipastikan berjalan dengan baik.

Gambar II.3. Code Editor pada Delphi.

II.4.1.3. Uji Program dan Debugging. Kesalahan penulisan kode program

akan langsung dapat dideteksi pada proses kompilasi, yaitu proses penerjemahan
baris-baris program dalam bahasa tingkat tinggi yang dimengerti manusia menjadi
kode-kode mesin yang dapat dikenali oleh prosesor. Kesalahan syntax sangat mudah
diperbaiki karena mudah dideteksi. Kesalahan logika adalah kesalahan yang terjadi
akibat kesalahan dalam algoritma pemrograman, sehingga program tidak berjalan
sebagaimana yang diharapkan. Kesalahan logika lebih sulit diselesaikan daripada
kesalahan syntax, karena komputer tidak dapat memberikan petunjuk dimana
kesalahan itu terjadi. Proses pelacakan kesalahan logika ini dikenal dengan
 29

debugging. Pada proses debugging, program dapat dijalankan baris demi baris untuk
melihat nilai setiap variabel yang ada, serta dapat dilihat pula ke arah baris mana
program berjalan, dengan demikian dapat diketahui pada modul mana program mulai
berjalan tidak sesuai dengan yang diharapkan.
Setelah semua modul dapat berfungsi dengan benar, maka dilakukan
penulisan program penuh dengan menyatukan semua modul, satu demi satu, menurut
prioritas pemakaiannya. Setelah program dapat berjalan dengan benar, dilakukan
perbaikan-perbaikan kecil untuk mempermudah pemahaman algoritma,
menanggulangi kesalahan run-time, dan lain-lain. Program yang telah berjalan sesuai
yang direncanakan siap digunakan untuk pengolahan data secara otomatis, yaitu pada
tahap korelasi stereo otomatis, noise filtering, dan koreksi elevasi. Panduan singkat
penggunaan program terdapat pada lampiran G.

II.4.2. Ekstraksi band 3N dan 3B

Untuk menghemat tempat di hard disk dan mempercepat waktu pemrosesan,
pengolahan lebih lanjut difokuskan hanya pada band 3N dan 3B. HDF adalah format
data yang kompleks dan berukuran besar, oleh karena itu diperlukan perangkat lunak
khusus untuk mengekstraksi band yang diperlukan.

Gambar II.4. Ukuran citra ASTER Level-1B full scene

(ASTER Science Team, 2001).
 30

Citra ASTER level 1B full-scene berukuran 4980 x 4200 piksel untuk band
3N dan 4980 x 4600 piksel untuk band 3B. Karena daerah yang tercakup pada citra
ASTER full-scene jauh melebihi cakupan daerah penelitian yang hanya seluas 14 km
x 14 km, maka dilakukan pemotongan (cropping) pada citra. Proses pemotongan ini
dilakukan dengan menggunakan ENVI. Ukuran pemotongan pada band 3N adalah
1000 x 1000 piksel atau setara dengan daerah seluas 15 km x 15 km. Sedangkan pada
band 3B ukurannya 1000 x 1400 piksel. Diagram ukuran citra ASTER Level 1B full-
scene disajikan pada gambar II.4.
Daerah yang akan dipotong ditentukan koordinat batasnya (koordinat pojok
kiri atas dan kanan bawah) pada citra band 3N, kemudian untuk memperkirakan
daerah yang bersesuaian (bertampalan 100%) pada band 3B dilakukan penambahan
nilai ordinat pada koordinat pojok kanan bawah pada band 3N sebesar 400 piksel,
sehingga diperoleh nilai pojok kanan bawah yang baru. Nilai 400 piksel adalah besar
selisih posisi y untuk titik dengan elevasi 0, pada bidang referensi elipsoid WGS 84
(World Geodetic System 1984).

Gambar II.5. Fasilitas New File Builder pada ENVI

 31

Dalam penelitian ini digunakan perangkat lunak pengolah citra IDL/ENVI

untuk melakukan ekstraksi dan cropping. Pemotongan dilakukan dengan
menggunakan kotak dialog New File Builder pada ENVI yang dijelankan dengan
perintah UtilitiesÆFile UtilitiesÆCreate New FileÆStandard. Pada New File
Builder pilih Import File, kemudian dipilih citra yang akan dipotong (citra full-scene
harus sudah dimuat di memori). Untuk membuat potongan, dipilih Spatial Subset
untuk menentukan batas pemotongan.
Dalam penelitian ini, untuk band 3N dilakukan subset pada daerah dengan
koordinat piksel bagian kiri atas pada kolom 2569 dan baris 2061, serta bagian kanan
bawah pada kolom 3568 dan baris 3060. Sedangan untuk band 3B dilakukan subset
pada daerah dengan koordinat piksel bagian kiri atas pada kolom 2569 dan baris
2061, serta bagian kanan bawah pada kolom 3568 dan baris 3460. Citra hasil
cropping disimpan dalam format raster standar ENVI dan berekstensi *.img.

II.4.3. Pengukuran Koordinat pada Peta Rupabumi

Pengukuran koordinat serta elevasi titik cek dapat dilakukan secara langsung
pada peta rupabumi dengan menggunakan bantuan mistar ukur. Namun untuk
mempermudah identifikasi dan mempercepat pengukuran koordinat serta elevasi titik
cek, maka pengukuran dilakukan dengan bantuan perangkat lunak komputer.
Untuk melakukan proses pengukuran dengan menggunakan komputer, peta
rupabumi di-scan sehingga diperoleh versi digitalnya. Versi digital peta rupabumi
yang berformat raster ini perlu dikoreksi dengan menggunakan ENVI. Proses koreksi
pada intinya adalah proses rektifikasi citra hasil scanning dengan menggunakan
transformasi affine, sehingga kesalahan geometrik akibat deformasi kertas peta
maupun kesalahan akibat tidak tepatnya orientasi kertas peta saat proses scanning
dapat diminimalisasi.
Citra peta rupabumi yang telah dikoreksi kemudian dimasukkan ke dalam
dokumen pada AutoCAD sebagai raster image object dan koordinatnya diatur
melalui proses penskalaan dan translasi dengan perintah SCALE dan MOVE
sehingga sesuai dengan koordinat UTM yang ada pada peta. yaitu dengan membuat
sebuah objek titik pada titik yang diinginkan dengan perintah POINT, mengatur
elevasi titik tersebut dengan perintah CHANGE, kemudian setelah membuat objek
 32

titik pada semua titik yang akan diukur, diberikan perintah LIST untuk menampilkan
daftar koordinat dari semua objek titik beserta informasi tambahan lain.
Perangkat lunak AutoCAD dipilih karena adanya fasilitas untuk
menampilkan data koordinat, sehingga tidak diperlukan proses key-in data koordinat
UTM secara manual. Transfer data dari tampilan koordinat AutoCAD hasil perintah
LIST dapat dilakukan dengan proses copy dan paste ke file teks ASCII dengan
editing seperlunya (membuang informasi yang tidak diperlukan). Dengan demikian,
proses penentuan koordinat dan elevasi suatu titik dapat dilakukan dengan cepat dan
mudah.

Gambar II.6. Distribusi titik GCP dan titik ikat yang digunakan.
 33

II.4.3.1. Pengukuran Koordinat Titik Kontrol Tanah. Sebelum dilakukan

pengukuran, terlebih dahulu dilakukan identifikasi titik-titik yang dapat dikenali pada
citra serta mencocokkannya dengan kenampakan yang ada pada peta rupabumi.
Titik-titik yang teridentifikasi diukur koordinatnya dalam sistem UTM dengan
menginterpolasi grid pada peta menggunakan AutoCAD. Elevasi titik tinggi
diperoleh dengan cara menginterpolasi garis kontur secara linier. Untuk keperluan
registrasi model permukaan digital, digunakan 11 buah titik kontrol tanah yang
dipilih sedemikian rupa sehingga distribusinya merata di seluruh citra (gambar II.6).
Deskripsi titik kontrol tanah disajikan pada lampiran B.
Selain koordinat tanahnya, sebuah titik kontrol tanah juga harus diketahui
koordinat pikselnya pada citra, oleh karena itu diperlukan pengukuran koordinat
piksel pada citra. Proses input data titik kontrol serta pengukuran koordinat piksel ini
dapat dipermudah dengan menggunakan fasilitas RegisterÆSelect GCPsÆImage to
Map pada ENVI. Data hasil pengukuran disimpan dalam file berkstensi *.pts sesuai
dengan format yang dijelaskan pada lampiran G, bagian III.1.

II.4.3.2. Pengukuran Titik Cek. Titik cek diperlukan dalam tahap evaluasi
ketelitian model permukaan digital. Cara mengukur titik cek mirip dengan cara
mengukur koordinat titik kontrol tanah. Titik-titik yang dipilih adalah titik-titik tinggi
pada peta rupabumi yang tersebar secara merata di seluruh muka peta. Untuk
keperluan titik cek, diukur koordinat dan elevasi 150 buah titik tinggi pada peta
rupabumi. Daftar koordinat dan elevasi titik cek disertakan pada lampiran E.

II.4.4. Pengukuran Koordinat Titik Ikat pada Citra

Titik-titik ikat antara band 3N dan band 3B diukur koordinatnya dengan
menggunakan fasilitas Ground Control Points Selection melalui pilihan menu
RegisterÆSelect GCPsÆImage to Image pada ENVI. Hasil pengukuran ini disimpan
ke dalam file teks berekstensi *.pts dengan format seperti yang dijelaskan pada
lampiran G, bagian III.1. Untuk keperluan registrasi dari band 3B ke band 3N (titik
ikat) digunakan 30 buah titik ikat. Diantara 30 buah titik tersebut, 11 buah titik ikat
adalah titik yang sama dengan titik yang digunakan sebagai titik kontrol tanah. Titik
ikat dipilih sedemikian rupa sehingga distribusinya merata di seluruh citra.
 34

II.4.5. Pengolahan Data secara Otomatis

Setelah data citra band 3N dan 3B, data titik ikat, dan data titik kontrol tanah
didapatkan, maka dilakukan pengolahan data secara otomatis dengan menggunakan
program komputer yang telah disusun (DEMCreator versi 4). Pengolahan secara
otomatis ini meliputi registrasi band 3B ke 3N, korelasi otomatis dengan teknik
korelasi silang, noise filtering, serta koreksi elevasi. Menu utama DEMCreator 4
ditunjukkan pada gambar II.7, sedangkan berbagai menu pengaturan proses dapat
diakses pada bagian DEM Generation Settings yang ditunjukkan pada gambar II.8.
Pilihan pengaturan yang dipakai saat eksekusi program disajikan pada lampiran F.

Gambar II.7. Tampilan awal program DEMCreator 4.

II.4.5.1. Registrasi Band 3B ke 3N secara Otomatis. Secara ideal, beda

paralaks hanya terjadi pada sumbu y saja, sedangkan pada sumbu x tidak ada beda
paralaks sehingga proses korelasi silang dapat dilakukan dalam 1 dimensi saja,
namun kondisi ideal ini tidak dapat tercapai karena proyeksi sentral yang terjadi pada
setiap kolom citra ASTER. Untuk citra ASTER, setiap kolom citra dapat dikatakan
mempunyai proyeksi ortogonal, tetapi untuk setiap barisnya mempunyai proyeksi
 35

sentral. Proyeksi sentral pada arah sejajar sumbu x inilah yang menyebabkan
timbulnya paralaks-x yang tidak diharapkan.
Proses registrasi band 3B ke 3N dilakukan untuk mengurangi adanya
paralaks-x pada citra, sehingga paralaks yang ada hanya paralaks-y yang disebabkan
karena perbedaan elevasi. Pada proses ini tidak dilakukan pengubahan apapun pada
citra, namun dilakukan transformasi untuk memberikan nilai absis dari pusat window
korelasi silang. Jenis transformasi yang digunakan adalah polinom orde 1 mengingat
daerah penelitian secara umum bertopografi datar sampai berbukit, variasi relief
tidak ekstrim dengan tinggi bukit terhadap daerah disekitarnya maksimum kurang
lebih 400 meter.
Parameter transformasi diperoleh dengan perhitungan kuadrat terkecil dari
data koordinat titik-titik ikat. Proses registrasi ini dilakukan secara otomatis di dalam
program komputer apabila disediakan titik-titik ikat antara band 3N dan band 3B
yang dimuat dalam file teks dengan format seperti yang dijelaskan pada lampiran G,
bagian III.1, dengan ekstensi *.pts.

Gambar II.8. Bagian pengaturan proses dalam program DEMCreator 4.

 36

II.4.5.2. Korelasi Stereo secara Otomatis. Untuk mendapatkan koordinat dari

titik-titik yang bersesuaian pada band 3N dan band 3B diperlukan proses korelasi
stereo dengan teknik korelasi silang. Jumlah data yang besar dan proses
penghitungan yang rumit memerlukan proses otomasi dengan menggunakan program
komputer. Dari hasil korelasi stereo dapat dihitung besar paralaks dan elevasi tiap
titik data. Untuk mendapatkan nilai elevasi, maka hanya paralaks-y yang diperlukan,
sedangkan paralaks-x yang ada dapat diminimalisasi dengan proses registrasi band
3B ke 3N.
Pada band 3N ditentukan koordinat piksel-piksel yang akan diproses, sesuai
dengan resolusi model permukaan digital yang diinginkan. Untuk mendapatkan titik
yang bersesuaian pada band 3B dilakukan proses korelasi silang dengan koordinat
(absis) pusat window korelasi silang ditentukan dengan menggunakan transformasi
affine. Sedangkan untuk ordinatnya, ditentukan berdasarkan ordinat titik pada band
3N dikurangkan dengan rerata beda paralaks maksimum dan minimum yang
diharapkan terjadi pada citra. Pengurangan ini secara teknis pemrograman
dimaksudkan untuk meletakkan pusat jendela korelasi di tengah-tengah daerah
pencarian piksel yang bersesuaian.
Sebagaimana yang disajikan pada gambar II.9, daerah pada tepi citra tidak
dapat diproses karena sebagian window korelasi akan terletak diluar citra. Oleh
karena itu, untuk daerah tepi ini elevasinya tidak dihitung. Besarnya daerah tepi
sangat tergantung dari ukuran window korelasi.

Gambar II.9. Daerah tepi yang tidak dapat dihitung nilai korelasi silangnya.
 37

II.4.5.3. Noise Filtering Model Permukaan Digital. Pada saat korelasi

otomatis, seringkali terjadi kesalahan kasar (blunder), yaitu program memilih posisi
yang salah, walaupun koefisien korelasinya cukup besar. Hal ini dapat terjadi pada
daerah-daerah yang memiliki pola berulang (repeated patterns) seperti pada kawasan
perumahan, sawah, maupun pada daerah dengan kontras yang rendah, seperti daerah
pantai, laut, awan, dan lain-lain. Karena nilai koefisien korelasi yang tinggi, maka
kesalahan ini tidak terdeteksi pada saat proses korelasi otomatis berlangsung.
Kesalahan ini menyebabkan timbulnya titik-titik dengan nilai elevasi yang ekstrim
(peaks and spikes) apabila dibandingkan daerah sekitarnya. Karena nilainya yang
ekstrim dan jumlahnya yang cukup banyak serta tersebar seara acak di seluruh model
permukaan digital, maka titik-titik ekstrim ini dapat dianggap sebagai noise pada
citra digital.
a b

Gambar II.10. Citra dengan noise (a), citra yang telah dihilangkan noise-nya (b).

Selain titik-titik ekstrim, pada penelitian ini piksel-piksel yang mempunyai

koefisien korelasi rendah (dengan penentuan ambang batas tertentu, misalnya 0,7)
juga dianggap sebagai noise, karena hanya meliputi daerah yang kecil dan
distribusinya acak diseluruh model. Pada daerah yang nilai kontrasnya rendah atau
bahkan tanpa kontras sama sekali, akan terjadi pengelompokan (clustering) piksel-
piksel dengan koefisien korelasi rendah.
Untuk menghilangkan noise ini, diperlukan proses noise filtering, yang dapat
dibagi menjadi dua pekerjaan utama, yaitu deteksi noise dan eliminasi noise. Cara
 38

mendeteksi piksel-piksel yang merupakan noise adalah dengan menggunakan teknik

simpangan baku lokal. Sebuah jendela dengan ukuran tertentu, sesuai dengan ukuran
filter, dihitung simpangan baku nilai elevasinya, kemudian piksel yang berada tepat
di tengah jendela tersebut dibandingkan nilainya dengan simpangan baku area di
sekitarnya. Apabila beda nilai simpangan baku terhadap nilai elevasi piksel yang
dievaluasi melebihi faktor pembatas (threshold) tertentu, maka piksel tersebut
dianggap sebagai noise.
Faktor pembatas yang diterapkan adalah faktor pengali dari simpangan baku
lokal. Secara statistik, semua nilai yang meliputi 3 kali simpangan baku mempunyai
kemungkinan 99% bahwa nilai rata-rata ada di jangkauan nilai tersebut, sedangkan
nilai diluar jangkauan –3σ sampai +3σ dapat dianggap sebagai outlier. Dengan
demikian dapat disimpulkan bahwa semakin besar jangkauan yang diberikan, maka
semakin sedikit noise yang dapat dideteksi.

Gambar II.11. Bagian pengaturan lanjut DEMCreator 4.

 39

Salah satu metode filtering yang cukup efektif untuk menghilangkan noise
adalah dengan menggunakan filter median, namun filter median cenderung
menghilangkan detil dari model (oversmoothing). Oleh karena itu, filter median tidak
diterapkan pada semua piksel pada model permukaan digital, melainkan hanya pada
piksel-piksel yang dianggap sebagai noise.
Proses deteksi dan eliminasi noise dapat dilakukan beberapa kali (gambar
II.11), sampai diperkirakan sebagian besar noise telah hilang. Namun, perlu
diperhatikan bahwa semakin banyak dilakukan noise filtering, maka akan terjadi
penghalusan permukaan model yang berlebihan sehingga detil model akan
berkurang, yang pada intinya akan menurunkan kualitas model permukaan digital
yang dihasilkan.
Pada tahap akhir filtering noise, pada model dilakukan penghalusan
(smoothing) dengan menggunakan filter rerata berukuran 3 x 3. Penghalusan ini
dilakukan dengan tujuan untuk menghilangkan noise yang masih tersisa dan
mengurangi sifat diskontinuitas model.

II.4.5.4. Koreksi Elevasi secara Otomatis. Koreksi elevasi model permukaan

digital dilakukan menggunakan dengan transformasi linier untuk membawa elevasi
relatif menjadi elevasi absolut pada model yang telah difilter. Karena nilai elevasi
pada suatu titik kontrol tanah diketahui, maka dengan menggunakan minimal 2 titik
kontrol, dua parameter transformasi, yaitu faktor pengali dan penambah, dapat dicari
dengan melakukan hitung kuadrat terkecil. Persamaan transformasinya ditunjukkan
pada persamaan II.1.

H = a⋅h + b (II.1)
dengan
H = elevasi sebenarnya (elevasi absolut)
h = elevasi pada model relatif
a, b = faktor pengali dan penambah.

II.4.5.5. Penyimpanan Data Model Permukaan Digital. Data model

permukaan digital yang dihasilkan oleh proses korelasi otomatis berada di memori
 40

utama komputer. Supaya data tersebut dapat digunakan pada proses pengolahan
selanjutnya maka data pada memori utama harus dipindahkan ke file pada media
penyimpanan karena memori utama komputer bersifat volatile, yaitu data pada
memori akan hilang apabila arus listrik dimatikan.
Format yang digunakan dalam penyimpanan data model permukaan digital
adalah format raster/grid biner dengan tipe bilangan bulat tak bertanda (unsigned
integer) dengan subtipe word, yaitu bilangan bulat antara 0 sampai 65535. Subtipe
word memerlukan memori sebanyak 16 bit atau 2 byte untuk menyimpan sebuah
nilai bilangan. Karena pengolahan data dilakukan pada komputer dengan prosesor
Intel, maka data yang dihasilkan akan mempunyai urutan Least Significant Byte First
(LSB).
Untuk mendeskripsikan dimensi dari data raster, diperlukan sebuah file yang
berisi keterangan tentang data raster yang bersangkutan, yang disebut file header.
Pada ENVI, struktur dari sebuah file header adalah susunan field-field tertentu.
Field-field yang mendasar dapat dijelaskan sebagai berikut :
description – sebuah string karakter yang mendeskripsikan citra atau
pengolahan yang dilakukan.
samples – jumlah piksel tiap baris citra untuk tiap band.
lines – jumlah baris citra untuk tiap band.
bands – jumlah band pada citra.
header offset – menunjukkan jumlah byte embedded header information
yang ada dalam file. Byte ini akan dilompati apabila file dibaca oleh ENVI.
file type – menunjukkan jenis file yang didefinisikan oleh ENVI, seperti
format data dan hasil pemrosesan tertentu.
data type – parameter yang menunjukkan jenis penyajian data, dengan
ketentuan 1=byte, 2=integer, 3=long integer, 4=floating point, 5=double
precision, 6=complex
interleave – menunjukkan apakah data disimpan dalam struktur band
sequential (BSQ), band interleaved by pixel (BIP), atau band interleaved by
line (BIL).
sensor type – menunjukkan jenis instrumen tertentu yang digunakan untuk
memperoleh data, seperti Landsat TM, SPOT, RadarSat, dan sebagainya.
 41

byte order – menunjukkan urutan byte-byte dalam tipe data integer, long
integer, floating point, double precision, dan complex; dengan ketentuan :
- byte order=0 adalah data Least Significant Byte First (LSB), dipakai
pada sistem komputer DEC dan MS-DOS (berbasis prosesor Intel).
- byte order=1 adalah data Most Significant Byte First (MSB), dipakai
pada sistem komputer SUN, SGI, IBM, HP, DG (berbasis prosesor
Motorola).
map info – menyatakan informasi koordinat geografis dalam urutan sebagai
berikut : nama proyeksi, absis dalam koordinat piksel untuk piksel paling kiri
atas, ordinat dalam koordinat piksel untuk piksel paling kiri atas, absis dalam
koordinat tanah untuk piksel paling kiri atas, ordinat dalam koordinat tanah
untuk piksel paling kiri atas, ukuran x dari piksel, ukuran y dari piksel, dan
zona proyeksi.
pixel size – menunjukkan ukuran X dan Y piksel dalam meter.

II.4.6. Georeferensi Model Permukaan Digital

Data citra ASTER level 1A adalah data mentah, oleh karena itu diperlukan
registrasi untuk melakukan koreksi geometrik. Untuk level 1B, koreksi geometrik
telah dilakukan oleh NASA (EOS Data Gateway) dengan menggunakan data
efemeris satelit Terra dan data dari daftar titik kontrol tanah di seluruh dunia (GCP
Library). Pada level 1A maupun 1B, citra ASTER belum tergeoreferensi dan
orientasinya masih searah jalur orbit (path-oriented), bukan ke arah utara peta. Citra
ASTER yang akan diproses tidak perlu digeoreferensikan terlebih dahulu karena
dalam proses korelasi otomatis dan penghitungan paralaks diperlukan citra yang
orientasinya searah jalur orbit, sehingga sesuai dengan geometri pada saat pencitraan
dilakukan.
Data model permukaan digital yang dihasilkan program masih terorientasi ke
arah jalur orbit, bukan ke arah utara sebenarnya. Sehingga untuk membawanya ke
koordinat tanah, diperlukan proses georeferensi. Prosedur khusus untuk menentukan
titik-titik kontrol pada model permukaan digital serta koordinat petanya dilakukan
dengan langkah-langkah sebagai berikut:
 42

a. Melakukan pengukuran posisi titik kontrol tanah pada citra dan

memasukkan koordinat tanahnya. Hal ini dilakukan dengan menggunakan
fasilitas RegisterÆSelect GCPsÆImage to Map pada menu utama ENVI.
b. Nilai koordinat titik kontrol tanah, baik pada citra maupun koordinat
tanahnya, disimpan pada file dengan perintah FileÆSave GCPs with Map
coords pada kotak dialog GCP Selection (gambar II.12).

Gambar II.12. Pemilihan GCP untuk proses georeferensi.

c. Karena ukuran model permukaan digital sama dengan ukuran citra dibagi
dengan spasi grid model permukaan digital, maka nilai koordinat citra
diganti dengan koordinat citra tersebut dibagi dengan spasi grid model
dalam piksel. Misalnya resolusi model permukaan digital adalah 30 meter
maka berarti spasi grid-nya adalah 2 piksel, hal ini disebabkan karena tiap
piksel pada citra ASTER band 3 beresolusi spasial 15 meter. Sehingga
apabila koordinat sebuah GCP pada citra (126, 24), maka koordinat titik
 126 24 
tersebut pada model adalah  ,  atau (63, 12). Proses editing
 2 2 
koordinat ini dilakukan secara otomatis oleh program DEMCreator 4.
 43

d. Hasil editing koordinat ini disimpan pada file secara otomatis dengan
tambahan ekstensi .DEM.PTS.

Gambar II.13. Fasilitas Image to Map Registration untuk melakukan

georeferensi model.

e. Registrasi/geocoding pada model permukaan digital dilakukan dengan

menggunakan data koordinat yang telah diedit melalui fasilitas Image to
Map Registration pada ENVI yang dapat diakses dengan memilih
RegisterÆWarp from Pre-existing GCPsÆImage to Map (gambar II.13).

II.4.7. Evaluasi Ketelitian Model Permukaan Digital

Evaluasi dilakukan dengan cara membandingkan elevasi titik-titik cek pada
peta rupabumi dengan elevasi titik-titik tersebut pada model permukaan digital. Nilai
root mean square error (RMSE) yang diperoleh akan dibandingkan dengan ketelitian
elevasi secara teoritis untuk menentukan tingkat keberhasilan pembentukan model
permukaan digital.
Nilai RMSE untuk elevasi (RMSEz) dihitung dengan menggunakan
persamaan I.28. Apabila tingkat ketelitian elevasi model yang dihitung berdasarkan
persamaan I.29 lebih besar daripada tingkat ketelitian yang disyaratkan pada
spesifikasi baku pembuatan peta dengan suatu skala tertentu, dapat disimpulkan
bahwa ketelitian elevasi model permukaan digital telah memenuhi syarat untuk
dijadikan dasar pembuatan peta pada skala itu.
 44

II.4.8. Visualisasi Model Permukaan Digital

Model permukaan digital yang dihasilkan dalam penelitian ini akan disajikan
secara visual dengan menggunakan perangkat lunak ENVI. Empat metode penyajian
yang diberikan adalah citra raster model, garis kontur, shaded-relief, serta pandangan
perspektif model 3 dimensi. Citra raster model akan tampak jika file model dibuka
menggunakan ENVI dengan memilih FileÆOpen Image File.
Garis kontur dapat ditambahkan pada citra dengan memilih menu
FunctionsÆOverlaysÆContour Lines. Shaded relief dibentuk dengan memilih menu
UtilitiesÆData SpecificÆDEMÆTopographic Modelling. Sedangkan pandangan
perspektif 3 dimensi dilakukan dengan memilih menu Basic ToolsÆ3D Surface.
Adapun hasil visualisasi menggunakan berbagai macam metode, disajikan pada
lampiran A.
 BAB III
HASIL DAN PEMBAHASAN

III.1. Hasil Penelitian

Hasil utama yang diperoleh dari penelitian ini berupa sebuah model
permukaan digital absolut dari daerah Parengan, Tuban, dengan resolusi spasial 15
meter, dalam format raster biner (unsigned 16-bit integer). Dalam pembuatan model
permukaan digital dari citra ASTER, disusun sebuah program komputer untuk
melakukan proses image-matching, penghitungan paralaks dan elevasi, noise
filtering, serta koreksi elevasi secara otomatis.

III.2. Registrasi Band 3B ke 3N

Proses registrasi yang dilakukan dengan menggunakan transformasi
polinomial orde 1 dan melibatkan 30 titik ikat ini dilakukan secara otomatis oleh
program komputer. Parameter transformasi polinomial disajikan pada tabel III.1:

Tabel III.1. Nilai parameter transformasi polinomial satu dimensi

( X = a + bx + cy + dxy )
Parameter Nilai Parameter
a 2.67893803704283
b 1.00060051426216
c 3.2086385708396 x 10-5
d -2.4858105793709 x 10-6

Nilai simpangan baku transformasi polinomial orde satu untuk melakukan

minimalisasi paralaks-x pada citra adalah sebesar 0,326 piksel. Nilai parameter
transformasi ini digunakan untuk menghitung nilai absis pusat jendela korelasi.

III.3. Korelasi Stereo secara Otomatis

Ketelitian korelasi otomatis sangat mempengaruhi ketelitian dari model
permukaan digital yang dihasilkan. Oleh karena itu ketelitian proses korelasi

45
 46

otomatis ini perlu dievaluasi dengan cara membandingkan koordinat hasil proses
korelasi otomatis dengan koordinat yang diperoleh melalui pengukuran secara
manual dengan menggunakan ENVI.

III.4.1. Ukuran daerah selidik. Ukuran daerah selidik sangat bergantung dari
besar elevasi maksimum dan minimum yang diharapkan terjadi. Elevasi minimum
yang diasumsikan adalah 0 meter sedangkan elevasi maksimum 500 meter.
Berdasarkan persamaan I.7, rentang beda elevasi tersebut setara dengan beda
paralaks minimum (pymin) sebesar 0 piksel, dan maksimum (pymax) sebesar 20 piksel.
Karena ukuran jendela korelasi harus ganjil, maka ukuran jendela (dy) yang akan
digunakan dihitung dengan ketentuan berikut :
Apabila pymax – pymin adalah bilangan genap maka
dy = pymax – pymin + 1 (III.1)
sedangkan apabila pymax – pymin adalah bilangan ganjil maka
dy = pymax – pymin (III.2)
Karena pymax = 20 dan pymin = 0, maka dy = 21 piksel. Dengan demikian ukuran
daerah selidik yang digunakan adalah sebesar 3 x 21 piksel.

III.4.2. Ukuran daerah sasaran. Ukuran horisontal daerah selidik maupun

daerah sasaran hanya dibatasi sebesar 3 piksel. Titik yang digunakan untuk
mengevaluasi kaitan antara ukuran daerah sasaran dengan ketelitian korelasi dipilih
pada tempat-tempat yang kenampakannya cukup tegas (distinct features) seperti
perempatan jalan, pojok bidang sawah, pojok bangunan, tikungan tajam pada jalan,
dan lain-lain; sejumlah 30 buah, dan tersebar merata di seluruh citra.
Dari tabel III.2 dapat disimpulkan bahwa daerah sasaran yang terlalu kecil
akan memberikan hasil yang tidak memuaskan karena proses korelasi silang hanya
mengevaluasi daerah yang berukuran kecil sehingga keunikan dari daerah sasaran
akan berkurang. Karena keunikan daerah sasaran berkurang, maka akan terjadi
kecocokan korelasi pada beberapa daerah yang berbeda, terutama pada daerah
dengan pola berulang, akibatnya kemungkinan mismatch akan semakin besar.
 47

Tabel III.2. Pengaruh ukuran daerah sasaran terhadap ketelitian korelasi otomatis.
Ukuran daerah selidik 3 x 21 piksel, jumlah titik uji 30 buah.
No Ukuran daerah sasaran Jumlah
x (piksel) y (piksel) blunder
1 3 3 11
2 3 5 3
3 3 7 1
4 3 9 0
5 3 11 1
6 3 13 1
7 3 15 1
8 3 17 2
9 3 19 2
10 3 21 1

Ukuran daerah sasaran yang terlalu besar akan cenderung menurunkan

kualitas hasil korelasi otomatis karena proses perhitungan terlalu banyak melibatkan
daerah di sekitarnya. Selain menurunkan kualitas hasil korelasi otomatis, ukuran
daerah yang besar akan waktu yang dibutuhkan komputer untuk melakukan
perhitungan akan bertambah. Berdasarkan tabel III.2., ukuran tinggi daerah sasaran
yang optimal adalah 9 piksel. Dengan mempertimbangkan efisiensi waktu
pemrosesan, maka untuk daerah sasaran dipilih ukuran 3 x 9 piksel. Hasil uji korelasi
otomatis untuk berbagai ukuran jendela selengkapnya ditunjukkan pada lampiran C.

III.4. Noise filtering

Untuk membuang atau meminimalisasi adanya noise pada model permukaan
digital, maka diperlukan proses noise filtering. Proses ini dipengaruhi oleh beberapa
faktor berikut:
a. Ukuran jendela filter.
b. Ambang batas (dalam satuan σ) untuk mendeteksi noise.
c. Jumlah perlakuan noise filtering.

Ukuran jendela filter menunjukkan ukuran daerah yang akan dilibatkan dalam
proses evaluasi suatu piksel untuk menentukan apakah piksel tersebut noise atau
bukan. Untuk mengetahui pengaruh ukuran jendela filter serta faktor tingkat
 48

ketidakpastian terhadap tingkat keberhasilan deteksi noise, dilakukan uji coba pada
sebuah citra ber-noise dengan menggunakan berbagai ukuran jendela filter dan
tingkat ambang batas.
Dari tabel III.3 dapat disimpulkan bahwa semakin tinggi tingkat
ketidakpastian maka semakin sedikit noise yang berhasil difilter. Sedangkan ukuran
jendela filter akan mempengaruhi ukuran luas maksimum noise-cluster yang bisa
difilter. Semakin besar ukuran jendela filter, maka semakin besar pula ukuran noise-
cluster yang bisa dieliminasi.
Namun demikian, semakin besar ukuran jendela filter, semakin lama pula
waktu yang diperlukan untuk melakukan proses filtering (berbanding lurus dengan
kuadrat ukuran jendela), serta semakin lebar pula daerah pada tepi model yang tidak
dapat difilter karena sebagian jendela filternya berada di luar model. Oleh karena itu,
ukuran jendela filter, threshold, serta jumlah pengulangan proses sangat tergantung
dari karakteristik masing-masing model permukaan digital.

Tabel III.3. Pengamatan secara visual hasil filter.

No Threshold Ukuran Pengamatan secara visual
(σ) window
1 1 7x7 Noise-cluster masih tersisa*
2 2 7x7 Noise masih tersisa sebagian.
3 3 7x7 Noise masih banyak.
4 1 11 x 11 Noise-cluster tersisa sedikit.*
5 2 11 x 11 Noise masih tersisa sebagian.
6 3 11 x 11 Noise masih banyak
7 1 15 x 15 Noise tersisa sangat sedikit*
8 2 15 x 15 Noise masih tersisa sebagian
9 3 15 x 15 Noise masih tersisa
10 1 19 x 19 Noise dan noise-cluster sudah bersih*
11 2 19 x 19 Noise-cluster masih sedikit tampak
12 3 19 x 19 Noise masih tersisa.
* Terjadi penghalusan permukaan model yang berlebihan/berkurangnya detil permukaan

Berdasarkan kesimpulan diatas dan hasil uji coba (trial and error) secara
langsung pada model yang diteliti, maka untuk kasus noise filtering model
permukaan digital daerah Parengan dengan resolusi model 15 meter, proses
dilakukan dua kali, ukuran jendela filter ditentukan sebesar 19 x 19 piksel, dengan
 49

threshold sebesar 2σ. Noise-cluster yang ada pada model rata-rata berukuran sekitar
15 x 15 piksel. Dengan menggunakan parameter noise filtering tersebut hampir
semua noise yang tampak secara visual dapat dieliminasi, kecuali pada beberapa
daerah yang mempunyai noise cluster. Selain itu, detil permukaan model dapat
dipertahankan. Hasil uji noise filtering secara lengkap disajikan pada lampiran D.

III.5. Koreksi Elevasi Model Permukaan Digital

Koreksi elevasi dilakukan dengan menggunakan elevasi dari 11 GCP. Nilai
parameter-parameter transformasi dalam koreksi elevasi untuk membawa elevasi
model ke elevasi sebenarnya disajikan pada tabel berikut:

Tabel III.4. Nilai parameter transformasi dalam koreksi elevasi

Parameter Nilai
Faktor pengali 0.998311151441823
Faktor penambah 2.82522594364698

Nilai simpangan baku transformasi linier satu dimensi untuk melakukan koreksi
elevasi sebesar 6,254 meter. Faktor pengali yang nilainya mendekati satu
menunjukkan bahwa skala vertikal dari model permukaan digital relatif sudah
hampir benar, sehingga untuk membawa dari elevasi relatif menjadi absolut hanya
diperlukan proses translasi.

III.6. Georeferensi Model Permukaan Digital

Georeferensi model dilakukan dengan menggunakan koordinat UTM dari 11
titik kontrol tanah. Root mean square (RMS) dari transformasi polinomial orde 1
pada proses georeferensi adalah sebesar 1,2842 m. Nilai RMS yang sangat kecil
apabila dibandingkan dengan resolusi spasial model permukaan digital merupakan
indikator bahwa proses georeferensi dapat memberikan hasil yang baik.
Setelah dilakukan proses georeferensi, maka model permukaan digital yang
sebelumnya dalam koordinat piksel dan berorientasi searah orbit satelit, menjadi
 50

dalam koordinat tanah dan berorientasi ke arah utara grid UTM. Model permukaan
digital yang telah tergeoreferensi ini siap digunakan untuk berbagai keperluan.

III.7. Ketelitian Model Permukaan Digital

Model permukaan digital yang dihasilkan oleh program ini berupa raster
biner berformat integer tak bertanda (unsigned 16-bit integer) dengan resolusi spasial
15 meter beserta sebuah file header yang menunjukkan metadata dari model
permukaan digital. Model permukaan digital ini dapat dibaca oleh perangkat lunak
ENVI, sehingga dapat diproses lebih lanjut pada ENVI maupun dikonversi ke format
lain.
Ketelitian dari model permukaan digital ini direpresentasikan dengan
menggunakan kriteria root mean square error pada komponen elevasinya (RMSEz).
Elevasi titik-titik dengan koordinat tertentu pada model permukaan digital
dibandingkan dengan elevasi titik-titik tersebut pada peta rupabumi, sehingga dapat
dihitung besar RMSEz-nya. Dengan menggunakan 150 titik tinggi yang terdapat
pada peta rupabumi daerah Parengan sebagai acuan, besar RMSEz dari model
permukaan digital yang dihasilkan adalah 8,8 meter. Nilai residual pada masing-
masing titik cek disertakan pada lampiran E.
Untuk menentukan tingkat ketelitian horisontal model, komponen vertikal
dari suatu objek pada model harus teridentifikasi secara jelas, yaitu bentuk dari objek
yang diteliti harus dapat dikenali sehingga posisi horisontal dari objek dapat
diperiksa ketelitiannya. Namun dalam kenyataannya, pengenalan suatu objek dan
penentuan posisinya secara tepat berdasarkan bentuk objek tersebut pada model
permukaan digital sangat sulit dilakukan.
Tingkat ketelitian yang dievaluasi dalam penelitian ini hanya komponen
vertikal (elevasi) dari model saja, karena komponen posisi horisontal (koordinat x,y)
telah terdefinisi dengan tepat secara matematis dalam sistem proyeksi UTM. Titik-
titik grid model bersifat tetap di posisinya dan dapat dianggap konstan untuk tujuan
menentukan ketelitian model.
Dengan RMSEz model sebesar 8,8 meter, maka berdasarkan persamaan II.3
dapat ditentukan bahwa pada tingkat kepercayaan 90%, ketelitian elevasi model
adalah sebesar 1,6449 x 8,8 meter, yaitu sama dengan 14,48 meter. Dengan demikian
 51

dapat disimpulkan bahwa model permukaan digital hasil penelitian ini dapat
digunakan untuk pembuatan peta topografi skala 1:100.000 atau lebih kecil lagi,
sesuai dengan persyaratan dari United States National Map Accuracy Standards.

60

50
Frekuensi (titik cek)

40

30

20

10

0
-40 -30 -20 -10 0 10 20 30 40
Selisih elevasi (meter)

Gambar III.1. Selisih elevasi titik cek pada model terhadap elevasi titik cek pada peta
rupabumi.
 BAB IV
KESIMPULAN DAN SARAN

IV.1. Kesimpulan
Dengan menggunakan prinsip beda paralaks, dan hanya melibatkan dua
faktor utama, yaitu:
a. beda paralaks dari titik-titik yang bersesuaian di band 3N dan 3B.
b. perbandingan basis terhadap tinggi terbang sebesar 0,6
dan mengabaikan faktor-faktor berikut:
a. pengaruh kesalahan orientasi sumbu-sumbu kamera
b. pengaruh kelengkungan bumi
c. pengaruh kesalahan orbit satelit
d. pengaruh variasi skala dalam satu scene
e. pengaruh kesalahan radiometris
penelitian ini berhasil memperoleh sebuah model permukaan digital tergeoreferensi
berukuran 1132 piksel x 1131 piksel dengan resolusi spasial 15 meter yang
mempunyai root mean square error pada komponen elevasi sebesar 8,8 meter atau
setara dengan tingkat ketelitian sebesar 14,48 meter pada tingkat kepercayan 90%,
sehingga memenuhi persyaratan ketelitian menurut United States National Map
Accuracy Standards untuk keperluan pembuatan peta topografi dengan skala
1:100.000 atau lebih kecil lagi.
Pengolahan data dilakukan secara semi otomatis, dimana sebagian proses
dilakukan secara manual, dan sebagian lagi dilakukan secara otomatis penuh oleh
komputer. Tahapan pengolahan data yang dilakukan secara otomatis penuh adalah :
a. korelasi otomatis untuk pembuatan model permukaan digital
b. noise filtering
c. koreksi elevasi,
sedangkan intervensi dari operator diperlukan pada tahapan berikut :
a. pengukuran koordinat titik ikat
b. georeferensi model permukaan digital

52
 53

IV.2. Saran
IV.2.1. Pengembangan Program
Beberapa hal yang dapat dilakukan untuk meningkatkan kualitas program
komputer:
1. Pemanfaatan model permukaan digital dengan resolusi rendah, seperti
GTOPO-30, model permukaan digital global beresolusi 30 detik busur
(sekitar 1 km), untuk mempercepat proses korelasi otomatis.
2. Pemanfaatan multi-scale matching untuk mempertinggi kualitas hasil korelasi
otomatis sekaligus mempercepat proses korelasi. Pendekatan multi-scale
dilakukan dengan menggunakan hasil korelasi otomatis pada citra beresolusi
rendah sebagai pendekatan untuk proses korelasi otomatis pada citra
beresolusi lebih tinggi.
3. Penggunaan metode yang umum digunakan untuk melakukan gridding seperti
interpolasi linier, krigging, nearest neighbor, dan lain-lain untuk menyusun
data berdistribusi teratur. Program yang dipakai dalam penelitian ini masih
menggunakan filter median untuk mengganti nilai piksel yang berkualitas
rendah (piksel yang proses korelasinya gagal atau piksel noise) dengan nilai
piksel lain disekitarnya.
4. Penambahan fasilitas untuk melakukan georeferensi model secara otomatis.

IV.2.2. Penelitian pada Daerah dengan Berbagai Variasi Terrain

Daerah penelitian adalah daerah yang medannya relatif datar. Sangat
disarankan untuk menguji kemampuan program pada daerah lain dengan berbagai
kondisi terrain, misalnya daerah pegunungan, daerah pesisir, daerah aliran sungai,
daerah danau, dan lain-lain, untuk mengetahui tingkat keberhasilan pembuatan model
permukaan digital berdasarkan beda paralaks dan korelasi otomatis pada daerah-
daerah tersebut.

IV.2.3. Editing Model Secara Manual

Untuk daerah-daerah dengan noise yang mengumpul, proses noise-filtering
tidak bisa secara efektif menghilangkan noise. Noise yang tersisa biasanya adalah
noise yang mengumpul dan ukurannya lebih besar atau hampir sama dengan ukuran
 54

jendela filtering. Untuk mengatasi hal ini, diperlukan intervensi dari pengguna untuk
membersihkan noise secara manual.
Salah satu fasilitas ENVI untuk mengedit citra secara manual adalah Spatial
Pixel Editor. Fasilitas ini diakses dengan melalui menu FunctionsÆInteractive
AnalysisÆSpatial Pixel Editor, setelah terlebih dahulu Zoom Window ditempatkan di
daerah yang akan diedit. Melalui fasilitas ini, operator dapat mengubah secara
langsung nilai-nilai piksel secara individual maupun menghitung rata-rata dari
sejumlah piksel yang dipilih.

IV.2.3. Pengujian dengan Menggunakan Model Permukaan Digital Acuan

Untuk menunjukkan tingkat ketelitian dengan lebih meyakinkan, disarankan
untuk membandingkan model permukaan digital yang dihasilkan melalui metode
yang dilakukan dalam penelitian ini dengan model permukaan digital yang dianggap
benar dalam berbagai resolusi yang sesuai. Model permukaan digital yang dijadikan
acuan adalah model permukaan digital yang diproduksi oleh badan-badan resmi
pemerintah yang berkaitan dengan pemetaan wilayah, misalnya Badan Koordinasi
Survei dan Pemetaan Nasional (Bakosurtanal) atau United States Geological Survey
(USGS).
Dengan membandingkan model permukaan digital yang dihasilkan melalui
metode yang dibahas dalam penelitian ini dengan model permukaan digital acuan,
diharapkan kualitas pemeriksaan ketelitian akan lebih tinggi dan lebih dapat
dipercaya, karena pembandingan dilakukan pada tiap piksel (grid post) model.

IV.4. Penggunaan Komputer dengan Kecepatan Tinggi

Proses korelasi otomatis untuk menentukan koordinat titik-titik yang
bersesuaian di band 3N dan 3B dilakukan dengan menghitung koefisien korelasi
untuk tiap piksel yang ada pada citra, sesuai dengan resolusi model permukaan
digital yang diharapkan. Karena proses ini melibatkan hitungan matematis floating-
point untuk data yang jumlahnya sangat banyak, maka waktu yang diperlukan untuk
menyelesaikan korelasi otomatis cukup lama. Sebagai gambaran, untuk membuat
sebuah model permukaan digital berukuran 1000 piksel x 1000 piksel dengan kisaran
elevasi 0 – 500 meter pada sebuah komputer dengan prosesor Intel Pentium III
 55

berkecepatan 800 MHz diperlukan waktu sekitar 30 menit untuk proses korelasi
otomatis, dan sekitar 10 menit untuk proses noise-filtering. Oleh karena itu, demi
efisiensi waktu, disarankan untuk menggunakan komputer dengan kecepatan yang
tinggi.
 56

DAFTAR PUSTAKA

Abrams, M., dan Hook, S., 2002, ASTER User Handbook Version 2, NASA Jet
Propulsion Laboratory, Pasadena.

Antony P., 2000, Pemrograman Borland Delphi, Penerbit Andi, Yogyakarta.

ASTER Science Team, 2001, ASTER User’s Guide, Earth Remote Sensing Data
Analysis Center, Sioux Falls.

ASTER Science Team, 1996, Algorithm Theoretical Basis Document for ASTER
Level-1 Data Processing, NASA Jet Propulsion Laboratory, Pasadena.

Bureau of the Budget, 1947, United States National Map Accuracy Standards, U.S.
Bureau of the Budget, Washington, D.C.

Djurdjani, 1999, Model Permukaan Digital, Jurusan Teknik Geodesi FT-UGM,

Yogyakarta.

Hurtado, J.M., Jr., 2002, Extraction of a Digital Elevation Model from ASTER Level
1A stereo imagery using PCI Geomatica OthoEngine v.8.2.0, NASA Jet
Propulsion Laboratory, Pasadena

Japan Associations on Remote Sensing, 1993, Remote Sensing Note, University of

Tokyo, Tokyo.

Lang, H.R., dan Welch, R., 1999, Algorithm Theoretical Basis Document for ASTER
Digital Elevation Models, NASA Jet Propulsion Laboratory, Pasadena.

Mauney, Thad, 2002, GPS Questions & Answers, Earth Observing Magazine
Online, www.eomonline.com.

Rottensteiner, F., 2001, Raster Based Matching Techniques, www.ipf.tuwien.ac.at

Soeta’at, 1994, Fotogrametri Analitik, Jurusan Teknik Geodesi FT-UGM,

Yogyakarta.

Wahyu Heriyadi, 2002, Pembentukan Model Permukaan Digital dari Sumber Foto
Udara secara Semi Otomatis, Skripsi, Jurusan Teknik Geodesi, FT-UGM,
Yogyakarta

Wolf, P.R., dan Ghilani, C.D., 1997, Adjustment Computations, John Willey and
Sons, Inc., New York.
 57

LAMPIRAN
 58

LAMPIRAN A
VISUALISASI MODEL PERMUKAAN DIGITAL
 59

ELEVASI RELATIF PADA MODEL

elevasi rendah elevasi tinggi

 60

BAYANG-BAYANG RELIEF MODEL

(azimut matahari 45°, elevasi 55°)
 61

KONTUR MODEL PERMUKAAN DIGITAL

interval kontur 25 meter
 62

CONTOH OVERLAY CITRA BAND 3N DAN GARIS KONTUR

(sisi utara, interval kontur 25 meter)

62
 63

PANDANGAN PERSPEKTIF MODEL

(dilihat dari sisi timur laut)

63
 64

COLORDRAPE
Parengan, Tuban, Jawa Timur

64
 65

LAMPIRAN B
DAFTAR KOORDINAT GCP DAN TITIK IKAT
 66

DESKRIPSI GROUND CONTROL POINTS

RMS = 1.2842 m (polinom orde 1)

Koordinat Peta (UTM) Elevasi Koordinat Citra
No Deskripsi
Easting Northing (m) X Y
1 583524.2 9223249.8 36 47.67 368 jembatan, pertigaan jalan, daerah Punten

perlintasan KA rel tunggal, daerah

2 588706.2 9219099.1 28 429.33 591.67
Kemlaten
sudut barat laut stasiun KA,
3 592983.4 9216911.2 29 733 695.33
Kedungbanteng
perempatan dekat sekolah dan gereja,
4 590269.2 9220854.1 51 516 461.67
Baturejo
jembatan rel KA, daerah Gempol, 400 m
5 594245.6 9214124.4 20 843.67 867.33
dari sekolah

6 585893.8 9220080.1 36 233.67 553.67 pertigaan desa Keterban, dekat masjid

7 596055 9219758.6 126 908 479 pertigaan desa Pacing, dekat sekolah

8 585013.1 9222765.7 30 151 385 jembatan rel KA, dekat desa Binangun

pertemuan anak sungai kecil

9 587548.7 9218951.2 31 355.67 615.67
Sendangagung, 300 m dari rel KA

10 588322.9 9223426.1 51 361.67 308.67 pertigaan sebelah utara Ngawun

pertigaan sebelah timur Kemantren, dekat
11 592859.9 9224185.6 230 657 218.5
sekolah

66
 67

KOORDINAT TITIK IKAT BAND 3N – 3B

X3N Y3N X3B Y3B

175.75 131.5 178.25 530.25
66 370.25 68.25 769.5
429 591.75 431.25 990.75
588.5 580.75 590.5 980
844 868.5 845 1267
515.5 461.75 518 859.5
213 476.75 215.75 875.75
928.75 133 931.5 522.5
552.5 184 555.25 575.5
751 38.75 753.75 429
509 787.25 511.25 1186.5
350.75 643.5 353.5 1042.75
881.25 657.5 883 1055.5
896.5 461.5 898.75 856.75
116.5 481 119.5 879.75
269.75 939.5 271.75 1338.75
234.25 645 236.25 1043
788.5 526 791.25 923.75
750.75 669.5 752.5 1068.75
247.5 193 250.75 591.25
282.5 856.75 284.5 1251.75
732.75 695 734.75 1093.25
584 929 585.75 1328.5
890.25 296.5 892.75 691.5
657.5 218.25 660.5 609
908.25 478.5 910.75 872.75
88.75 814.75 91.75 1208.75
359.25 483.25 361.5 882
425.5 376.25 427.5 774
287.25 390 290 789
 68

LAMPIRAN C
HASIL UJI KORELASI OTOMATIS
HASIL UJI KORELASI OTOMATIS
DENGAN UKURAN WINDOW DAERAH SELIDIK 3 x 21 PIKSEL

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.00 531.00 0.75 0.98473
2 66 370 68.25 769.5 68.20 768.91 0.59 0.87564
3 429 592 431.25 990.75 431.66 991.37 0.62 0.92839
4 588 581 590.5 980 589.52 981.00 1.00 0.97315
5 844 868 845 1267 846.32 1267.48 0.48 0.97240
6 516 462 518 859.5 517.00 853.00 6.50 0.96771
7 213 477 215.75 875.75 215.00 877.00 1.25 0.93235
8 929 133 931.5 522.5 931.48 522.14 0.36 0.96457
9 552 184 555.25 575.5 555.00 576.00 0.50 0.97292
10 751 39 753.75 429 752.00 444.00 15.00 0.87581
11 509 787 511.25 1186.5 511.36 1186.04 0.46 0.97610
12 351 644 353.5 1042.75 353.01 1042.42 0.33 0.87605
13 881 658 883 1055.5 883.00 1054.00 1.50 0.74576
14 896 462 898.75 856.75 898.39 857.51 0.76 0.96992
15 116 481 119.5 879.75 118.09 880.12 0.37 0.97530
16 270 940 271.75 1338.75 271.00 1330.00 8.75 0.79559
17 234 645 236.25 1043 236.00 1044.00 1.00 0.93751
18 788 526 791.25 923.75 791.07 924.04 0.29 0.87734
19 751 670 752.5 1068.75 753.22 1069.48 0.73 0.88793
20 248 193 250.75 591.25 250.68 591.18 0.07 0.92986
21 282 857 284.5 1251.75 285.00 1253.00 1.25 0.93136
22 733 695 734.75 1093.25 734.66 1085.18 8.07 0.80123
23 584 929 585.75 1328.5 586.09 1329.06 0.56 0.93530
24 890 296 892.75 691.5 892.72 691.66 0.16 0.96354
25 658 218 660.5 609 660.05 625.29 16.29 0.84270
26 908 478 910.75 872.75 910.18 873.60 0.85 0.93665
27 89 815 91.75 1208.75 91.24 1210.12 1.37 0.92925
28 359 483 361.5 882 361.78 882.01 0.01 0.93461
29 426 376 427.5 774 428.00 774.00 0.00 0.88331

69
30 287 390 290 789 288.00 799.00 10.00 0.91201

TargetSizeX = 3
TargetSizeY = 3
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 11 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.28 530.58 0.33 0.94975
2 66 370 68.25 769.5 68.23 768.87 0.63 0.94918
3 429 592 431.25 990.75 431.57 991.31 0.56 0.94423
4 588 581 590.5 980 589.85 980.71 0.71 0.96815
5 844 868 845 1267 846.50 1267.98 0.98 0.97173
6 516 462 518 859.5 518.73 860.43 0.93 0.92453
7 213 477 215.75 875.75 215.00 877.00 1.25 0.79932
8 929 133 931.5 522.5 931.43 522.27 0.23 0.96790
9 552 184 555.25 575.5 555.47 575.79 0.29 0.96700
10 751 39 753.75 429 752.00 444.00 15.00 0.86014
11 509 787 511.25 1186.5 511.39 1186.34 0.16 0.96775
12 351 644 353.5 1042.75 352.97 1042.95 0.20 0.93199
13 881 658 883 1055.5 882.61 1055.28 0.22 0.84272
14 896 462 898.75 856.75 898.45 857.28 0.53 0.96796
15 116 481 119.5 879.75 118.12 879.92 0.17 0.96702
16 270 940 271.75 1338.75 272.42 1339.03 0.28 0.74709
17 234 645 236.25 1043 236.19 1043.45 0.45 0.96564
18 788 526 791.25 923.75 790.60 923.95 0.20 0.92627
19 751 670 752.5 1068.75 753.27 1069.38 0.63 0.92125
20 248 193 250.75 591.25 250.57 591.26 0.01 0.91029
21 282 857 284.5 1251.75 285.00 1253.00 1.25 0.92840
22 733 695 734.75 1093.25 735.33 1093.33 0.08 0.87812
23 584 929 585.75 1328.5 586.27 1328.87 0.37 0.97438
24 890 296 892.75 691.5 892.82 691.57 0.07 0.86476

70
25 658 218 660.5 609 661.00 609.00 0.00 0.88503
26 908 478 910.75 872.75 910.24 872.98 0.23 0.91944
27 89 815 91.75 1208.75 91.00 1209.00 0.25 0.91918
28 359 483 361.5 882 361.64 882.18 0.18 0.93028
29 426 376 427.5 774 427.68 774.01 0.01 0.89340
30 287 390 290 789 289.65 788.65 0.35 0.91721

TargetSizeX = 3
TargetSizeY = 5
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 3 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.58 530.56 0.31 0.94525
2 66 370 68.25 769.5 68.27 768.85 0.65 0.96212
3 429 592 431.25 990.75 431.55 991.16 0.41 0.94517
4 588 581 590.5 980 589.89 980.80 0.80 0.95590
5 844 868 845 1267 846.47 1267.95 0.95 0.97069
6 516 462 518 859.5 518.72 860.36 0.86 0.91016
7 213 477 215.75 875.75 215.04 876.48 0.73 0.77250
8 929 133 931.5 522.5 931.50 522.16 0.34 0.96839
9 552 184 555.25 575.5 555.04 575.91 0.41 0.92290
10 751 39 753.75 429 753.42 429.54 0.54 0.90767
11 509 787 511.25 1186.5 511.25 1186.31 0.19 0.96890
12 351 644 353.5 1042.75 353.02 1042.94 0.19 0.94990
13 881 658 883 1055.5 883.07 1055.18 0.32 0.90026
14 896 462 898.75 856.75 898.59 857.35 0.60 0.94631
15 116 481 119.5 879.75 118.14 879.73 0.02 0.96727
16 270 940 271.75 1338.75 273.00 1339.00 0.25 0.75832
17 234 645 236.25 1043 236.23 1043.30 0.30 0.91125
18 788 526 791.25 923.75 790.45 923.96 0.21 0.95316
19 751 670 752.5 1068.75 753.14 1069.44 0.69 0.92911

71
20 248 193 250.75 591.25 250.68 591.16 0.09 0.90116
21 282 857 284.5 1251.75 285.16 1252.32 0.57 0.94141
22 733 695 734.75 1093.25 735.00 1094.00 0.75 0.92877
23 584 929 585.75 1328.5 586.40 1329.24 0.74 0.96038
24 890 296 892.75 691.5 892.80 691.50 0.00 0.86561
25 658 218 660.5 609 661.00 609.00 0.00 0.88349
26 908 478 910.75 872.75 910.31 873.08 0.33 0.91264
27 89 815 91.75 1208.75 91.05 1209.76 1.01 0.89107
28 359 483 361.5 882 362.03 882.12 0.12 0.93308
29 426 376 427.5 774 427.65 774.36 0.36 0.82352
30 287 390 290 789 289.24 789.04 0.04 0.93986

TargetSizeX = 3
TargetSizeY = 7
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 1 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.38 530.61 0.36 0.92835
2 66 370 68.25 769.5 68.33 768.91 0.59 0.96134
3 429 592 431.25 990.75 431.51 991.13 0.38 0.94159
4 588 581 590.5 980 589.99 980.59 0.59 0.91059
5 844 868 845 1267 846.20 1267.45 0.45 0.96597
6 516 462 518 859.5 518.69 860.32 0.82 0.92981
7 213 477 215.75 875.75 215.09 875.68 0.07 0.79496
8 929 133 931.5 522.5 931.49 522.05 0.45 0.96252
9 552 184 555.25 575.5 555.20 575.75 0.25 0.92837
10 751 39 753.75 429 753.46 429.52 0.52 0.93300
11 509 787 511.25 1186.5 511.22 1186.22 0.28 0.96404
12 351 644 353.5 1042.75 353.12 1042.92 0.17 0.96377
13 881 658 883 1055.5 883.28 1055.35 0.15 0.77731
14 896 462 898.75 856.75 898.56 857.27 0.52 0.92454

72
15 116 481 119.5 879.75 118.22 879.70 0.05 0.96267
16 270 940 271.75 1338.75 273.41 1338.71 0.04 0.83335
17 234 645 236.25 1043 236.18 1043.39 0.39 0.90580
18 788 526 791.25 923.75 790.41 923.79 0.04 0.92558
19 751 670 752.5 1068.75 754.00 1069.00 0.25 0.92902
20 248 193 250.75 591.25 251.08 591.01 0.24 0.93119
21 282 857 284.5 1251.75 284.79 1252.59 0.84 0.94083
22 733 695 734.75 1093.25 735.30 1093.52 0.27 0.95712
23 584 929 585.75 1328.5 586.37 1329.06 0.56 0.95828
24 890 296 892.75 691.5 892.76 691.45 0.05 0.84337
25 658 218 660.5 609 661.00 609.00 0.00 0.90320
26 908 478 910.75 872.75 910.39 873.11 0.36 0.91179
27 89 815 91.75 1208.75 91.27 1208.92 0.17 0.92758
28 359 483 361.5 882 362.05 882.08 0.08 0.92199
29 426 376 427.5 774 427.60 774.30 0.30 0.79972
30 287 390 290 789 289.24 789.08 0.08 0.95026

TargetSizeX = 3
TargetSizeY = 9
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 0 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 178.97 530.60 0.35 0.91234
2 66 370 68.25 769.5 68.36 768.96 0.54 0.93750
3 429 592 431.25 990.75 431.47 991.12 0.37 0.93933
4 588 581 590.5 980 590.00 980.59 0.59 0.89579
5 844 868 845 1267 846.21 1267.53 0.53 0.96455
6 516 462 518 859.5 518.55 860.18 0.68 0.94119
7 213 477 215.75 875.75 215.14 875.62 0.13 0.87953
8 929 133 931.5 522.5 931.58 522.22 0.28 0.97111
9 552 184 555.25 575.5 555.15 575.71 0.21 0.93170

73
10 751 39 753.75 429 753.39 429.47 0.47 0.95550
11 509 787 511.25 1186.5 511.22 1186.15 0.35 0.96066
12 351 644 353.5 1042.75 353.12 1042.91 0.16 0.96632
13 881 658 883 1055.5 883.31 1055.32 0.18 0.74562
14 896 462 898.75 856.75 898.50 857.25 0.50 0.91399
15 116 481 119.5 879.75 118.26 879.71 0.04 0.96364
16 270 940 271.75 1338.75 272.78 1338.96 0.21 0.86543
17 234 645 236.25 1043 236.16 1043.46 0.46 0.90877
18 788 526 791.25 923.75 790.62 923.54 0.21 0.89857
19 751 670 752.5 1068.75 754.00 1069.00 0.25 0.88902
20 248 193 250.75 591.25 251.03 591.02 0.23 0.91577
21 282 857 284.5 1251.75 284.72 1252.85 1.10 0.93962
22 733 695 734.75 1093.25 735.36 1093.92 0.67 0.96436
23 584 929 585.75 1328.5 586.36 1328.78 0.28 0.97364
24 890 296 892.75 691.5 892.64 691.53 0.03 0.83269
25 658 218 660.5 609 661.00 609.00 0.00 0.89718
26 908 478 910.75 872.75 910.37 873.00 0.25 0.91820
27 89 815 91.75 1208.75 91.17 1208.82 0.07 0.81155
28 359 483 361.5 882 361.98 881.80 0.20 0.88679
29 426 376 427.5 774 427.73 774.25 0.25 0.84089
30 287 390 290 789 289.25 789.03 0.03 0.96208

TargetSizeX = 3
TargetSizeY = 11
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 1 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.06 530.59 0.34 0.91355
2 66 370 68.25 769.5 68.33 768.97 0.53 0.92489
3 429 592 431.25 990.75 431.51 991.09 0.34 0.94212
4 588 581 590.5 980 590.05 980.50 0.50 0.86564

74
5 844 868 845 1267 845.97 1267.12 0.12 0.96204
6 516 462 518 859.5 518.47 860.04 0.54 0.95057
7 213 477 215.75 875.75 215.20 875.76 0.01 0.90755
8 929 133 931.5 522.5 931.57 522.15 0.35 0.96333
9 552 184 555.25 575.5 555.10 575.69 0.19 0.93314
10 751 39 753.75 429 753.34 429.50 0.50 0.96801
11 509 787 511.25 1186.5 511.20 1186.11 0.39 0.96209
12 351 644 353.5 1042.75 353.09 1042.94 0.19 0.96514
13 881 658 883 1055.5 883.29 1055.26 0.24 0.71256
14 896 462 898.75 856.75 898.51 857.25 0.50 0.90293
15 116 481 119.5 879.75 118.32 879.64 0.11 0.96086
16 270 940 271.75 1338.75 272.64 1339.12 0.37 0.86761
17 234 645 236.25 1043 236.12 1043.45 0.45 0.91101
18 788 526 791.25 923.75 790.00 924.00 0.25 0.89016
19 751 670 752.5 1068.75 754.00 1069.00 0.25 0.86976
20 248 193 250.75 591.25 250.93 591.08 0.17 0.89542
21 282 857 284.5 1251.75 284.68 1252.90 1.15 0.92069
22 733 695 734.75 1093.25 735.38 1093.93 0.68 0.96451
23 584 929 585.75 1328.5 586.30 1328.81 0.31 0.98567
24 890 296 892.75 691.5 892.58 691.60 0.10 0.81285
25 658 218 660.5 609 661.00 609.00 0.00 0.89176
26 908 478 910.75 872.75 910.30 873.05 0.30 0.91869
27 89 815 91.75 1208.75 91.77 1208.20 0.55 0.81958
28 359 483 361.5 882 361.71 881.81 0.19 0.83627
29 426 376 427.5 774 427.76 774.25 0.25 0.84599
30 287 390 290 789 289.26 788.99 0.01 0.96103

TargetSizeX = 3
TargetSizeY = 13
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 1 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

75
ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.31 530.53 0.28 0.90572
2 66 370 68.25 769.5 68.28 768.93 0.57 0.92409
3 429 592 431.25 990.75 431.51 991.09 0.34 0.93676
4 588 581 590.5 980 590.08 980.49 0.49 0.86803
5 844 868 845 1267 845.87 1266.94 0.06 0.95990
6 516 462 518 859.5 518.48 860.02 0.52 0.95291
7 213 477 215.75 875.75 215.20 875.95 0.20 0.92194
8 929 133 931.5 522.5 932.15 522.63 0.13 0.95378
9 552 184 555.25 575.5 555.40 575.57 0.07 0.93499
10 751 39 753.75 429 753.45 429.34 0.34 0.95434
11 509 787 511.25 1186.5 511.20 1186.02 0.48 0.96126
12 351 644 353.5 1042.75 353.12 1042.99 0.24 0.96704
13 881 658 883 1055.5 883.37 1055.26 0.24 0.68956
14 896 462 898.75 856.75 898.50 857.25 0.50 0.88665
15 116 481 119.5 879.75 118.32 879.61 0.14 0.95316
16 270 940 271.75 1338.75 272.63 1339.09 0.34 0.86052
17 234 645 236.25 1043 236.10 1043.47 0.47 0.90821
18 788 526 791.25 923.75 791.34 923.62 0.13 0.88624
19 751 670 752.5 1068.75 754.00 1069.00 0.25 0.85126
20 248 193 250.75 591.25 250.88 591.09 0.16 0.90633
21 282 857 284.5 1251.75 284.72 1252.89 1.14 0.92131
22 733 695 734.75 1093.25 735.38 1093.90 0.65 0.96387
23 584 929 585.75 1328.5 586.52 1328.79 0.29 0.98913
24 890 296 892.75 691.5 892.55 691.61 0.11 0.79024
25 658 218 660.5 609 661.00 609.00 0.00 0.88953
26 908 478 910.75 872.75 910.24 873.16 0.41 0.91304
27 89 815 91.75 1208.75 91.52 1208.41 0.34 0.83338
28 359 483 361.5 882 361.65 881.85 0.15 0.79369
29 426 376 427.5 774 427.85 774.19 0.19 0.85038
30 287 390 290 789 289.20 789.02 0.02 0.95921

TargetSizeX = 3
TargetSizeY = 15
SearchSizeX = 3
SearchSizeY = 21

76
Mismatched = 1 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.68 530.36 0.11 0.90115
2 66 370 68.25 769.5 68.26 768.89 0.61 0.91571
3 429 592 431.25 990.75 431.45 991.10 0.35 0.93145
4 588 581 590.5 980 590.08 980.49 0.49 0.86646
5 844 868 845 1267 845.95 1267.08 0.08 0.95807
6 516 462 518 859.5 518.45 860.02 0.52 0.94966
7 213 477 215.75 875.75 215.00 877.00 1.25 0.93492
8 929 133 931.5 522.5 932.04 522.72 0.22 0.95741
9 552 184 555.25 575.5 555.85 575.37 0.13 0.93076
10 751 39 753.75 429 753.51 429.25 0.25 0.94528
11 509 787 511.25 1186.5 511.21 1186.04 0.46 0.95639
12 351 644 353.5 1042.75 353.14 1042.97 0.22 0.96803
13 881 658 883 1055.5 883.46 1055.28 0.22 0.67331
14 896 462 898.75 856.75 898.48 857.25 0.50 0.85235
15 116 481 119.5 879.75 118.28 879.70 0.05 0.95188
16 270 940 271.75 1338.75 272.60 1339.12 0.37 0.82132
17 234 645 236.25 1043 236.08 1043.48 0.48 0.90259
18 788 526 791.25 923.75 790.84 923.67 0.08 0.87660
19 751 670 752.5 1068.75 753.31 1069.31 0.56 0.84783
20 248 193 250.75 591.25 250.72 591.10 0.15 0.89846
21 282 857 284.5 1251.75 284.70 1252.86 1.11 0.91415
22 733 695 734.75 1093.25 735.37 1093.90 0.65 0.96255
23 584 929 585.75 1328.5 586.66 1328.74 0.24 0.98984
24 890 296 892.75 691.5 892.60 691.59 0.09 0.78344
25 658 218 660.5 609 661.00 609.00 0.00 0.89146
26 908 478 910.75 872.75 910.21 873.20 0.45 0.91853
27 89 815 91.75 1208.75 91.57 1208.47 0.28 0.84242
28 359 483 361.5 882 361.60 881.99 0.01 0.77432
29 426 376 427.5 774 427.95 774.23 0.23 0.86729
30 287 390 290 789 289.15 789.01 0.01 0.95867

77
TargetSizeX = 3
TargetSizeY = 17
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 2 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.76 530.33 0.08 0.89211
2 66 370 68.25 769.5 68.24 768.84 0.66 0.91019
3 429 592 431.25 990.75 431.43 991.11 0.36 0.93061
4 588 581 590.5 980 590.08 980.49 0.49 0.86820
5 844 868 845 1267 845.78 1266.76 0.24 0.95604
6 516 462 518 859.5 518.40 860.00 0.50 0.94957
7 213 477 215.75 875.75 215.00 877.00 1.25 0.93989
8 929 133 931.5 522.5 931.91 522.72 0.22 0.95676
9 552 184 555.25 575.5 555.00 576.00 0.50 0.92882
10 751 39 753.75 429 753.47 429.25 0.25 0.94550
11 509 787 511.25 1186.5 511.18 1186.01 0.49 0.95641
12 351 644 353.5 1042.75 353.14 1042.96 0.21 0.97025
13 881 658 883 1055.5 883.74 1055.25 0.25 0.66150
14 896 462 898.75 856.75 898.48 857.24 0.49 0.83934
15 116 481 119.5 879.75 118.26 879.71 0.04 0.95234
16 270 940 271.75 1338.75 272.59 1339.16 0.41 0.81773
17 234 645 236.25 1043 236.09 1043.48 0.48 0.89931
18 788 526 791.25 923.75 790.58 923.70 0.05 0.86539
19 751 670 752.5 1068.75 753.13 1069.39 0.64 0.83931
20 248 193 250.75 591.25 250.66 591.08 0.17 0.88880
21 282 857 284.5 1251.75 284.67 1252.85 1.10 0.90980
22 733 695 734.75 1093.25 735.37 1093.87 0.62 0.96374
23 584 929 585.75 1328.5 586.75 1328.73 0.23 0.98651
24 890 296 892.75 691.5 892.54 691.59 0.09 0.76085
25 658 218 660.5 609 661.00 609.00 0.00 0.88785

78
26 908 478 910.75 872.75 910.23 873.03 0.28 0.91966
27 89 815 91.75 1208.75 91.64 1208.50 0.25 0.84522
28 359 483 361.5 882 361.61 882.01 0.01 0.78711
29 426 376 427.5 774 428.03 774.26 0.26 0.87792
30 287 390 290 789 289.16 788.98 0.02 0.95687

TargetSizeX = 3
TargetSizeY = 19
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 2 points.
Total data = 30 points.

AUTOMATIC IMAGE-MATCHING QUALITY TEST RESULT

ID X3N Y3N X3B Y3B X3BM Y3BM DIFFY CORRELATION
1 176 132 178.25 530.25 179.62 530.36 0.11 0.88815
2 66 370 68.25 769.5 68.25 768.81 0.69 0.90482
3 429 592 431.25 990.75 431.44 991.09 0.34 0.93164
4 588 581 590.5 980 590.09 980.48 0.48 0.87014
5 844 868 845 1267 846.16 1267.47 0.47 0.94903
6 516 462 518 859.5 518.32 859.96 0.46 0.95172
7 213 477 215.75 875.75 215.00 877.00 1.25 0.94692
8 929 133 931.5 522.5 931.78 522.68 0.18 0.94582
9 552 184 555.25 575.5 555.00 576.00 0.50 0.92355
10 751 39 753.75 429 753.46 429.26 0.26 0.94138
11 509 787 511.25 1186.5 511.18 1186.06 0.44 0.95636
12 351 644 353.5 1042.75 353.16 1042.94 0.19 0.97052
13 881 658 883 1055.5 883.39 1055.20 0.30 0.65611
14 896 462 898.75 856.75 898.50 857.20 0.45 0.83190
15 116 481 119.5 879.75 118.25 879.71 0.04 0.95239
16 270 940 271.75 1338.75 272.61 1339.09 0.34 0.81522
17 234 645 236.25 1043 236.08 1043.47 0.47 0.89503
18 788 526 791.25 923.75 790.81 923.63 0.12 0.85684
19 751 670 752.5 1068.75 754.00 1069.00 0.25 0.84578
20 248 193 250.75 591.25 250.63 591.08 0.17 0.89201

79
21 282 857 284.5 1251.75 284.57 1252.74 0.99 0.90648
22 733 695 734.75 1093.25 735.36 1093.83 0.58 0.96243
23 584 929 585.75 1328.5 586.64 1328.77 0.27 0.97928
24 890 296 892.75 691.5 892.40 691.58 0.08 0.70794
25 658 218 660.5 609 661.00 609.00 0.00 0.88417
26 908 478 910.75 872.75 910.27 872.99 0.24 0.92731
27 89 815 91.75 1208.75 91.71 1208.48 0.27 0.84923
28 359 483 361.5 882 361.62 881.98 0.02 0.80768
29 426 376 427.5 774 428.04 774.34 0.34 0.88100
30 287 390 290 789 289.17 789.00 0.00 0.95735

TargetSizeX = 3
TargetSizeY = 21
SearchSizeX = 3
SearchSizeY = 21

Mismatched = 1 points.
Total data = 30 points.

80
 81

LAMPIRAN D
HASIL UJI NOISE FILTERING
 82

POTONGAN
CITRA ASLI

No Threshold (σ) Ukuran window Hasil

1 1 7x7

2 2 7x7
 83

3 3 7x7

4 1 11 x 11

5 2 11 x 11
 84

6 3 11 x 11

7 1 15 x 15

8 2 15 x 15
 85

9 3 15 x 15

10 1 19 x 19

11 2 19 x 19
 86

12 3 19 x 19
 87

LAMPIRAN E
HASIL UJI KETELITIAN
MODEL PERMUKAAN DIGITAL
 88

SELISIH ELEVASI PADA TITIK CEK DENGAN ELEVASI PADA MODEL

UTM Coord. (meter) ZMAP Image Coord. (pixel) ZDEM ZDIFF

XMAP YMAP (meter) XDEM YDEM (meter) (meter)
589301.48 9219895.64 24 521 589 30 -6
585003.51 9222000.32 30 235 449 27 3
586169.52 9222520.27 29 313 415 27 2
585370.81 9223138.32 30 259 373 28 2
584470.63 9222808.04 31 199 395 28 3
585812.72 9224096.46 27 289 309 37 -10
587199.96 9219997.01 29 381 583 28 1
583000.19 9222490.84 38 101 416 41 -3
586509.27 9220497.34 33 335 549 33 0
585492.99 9221086.53 33 268 510 30 3
584299.59 9221196.01 34 188 503 31 3
583501.02 9221997.05 38 135 449 34 4
584303 9222095.15 32 188 443 31 1
584022.17 9224864.94 33 169 258 31 2
583302.02 9225692.28 34 121 203 0 34
588201.62 9221095.77 33 448 509 32 1
587524.02 9220673.93 33 403 538 26 7
587606.54 9223893.72 35 408 323 30 5
584502.55 9220194.4 39 202 570 36 3
586487.04 9224380.96 40 334 290 41 -1
588509.31 9220681.71 40 469 537 40 0
587590.17 9223059.84 40 407 379 34 6
587603.27 9224397.31 39 408 289 45 -6
587033.69 9225358.73 51 370 225 56 -5
589468.42 9221419.51 51 533 488 52 -1
588571.51 9222121.31 48 473 441 48 0
589903.78 9221990.51 54 562 450 50 4
588735.86 9222844.01 59 484 393 46 13
588041.22 9225927.2 76 437 187 66 10
588742.41 9224956.5 85 484 252 81 4
589144.35 9224243.09 116 511 300 108 8
590009.21 9223442.44 163 569 353 144 19
589884.82 9224949.96 173 560 253 163 10
592028.22 9219800.81 78 703 596 73 5
594460.35 9221656.43 77 865 472 57 20
593907.15 9222291.36 79 828 430 76 3
591566.67 9220422.13 90 672 554 89 1
595903.92 9221291.98 83 962 496 80 3
593243.04 9221052.27 91 784 512 85 6
596201.8 9221833.54 93 981 460 80 13
594214.84 9219856.4 101 849 592 99 2
595305 9220360.93 106 922 558 134 -28
591180.41 9221820.46 111 647 461 104 7
592162.43 9221206.96 115 712 502 112 3
594807.33 9220860.32 116 889 525 115 1
 89

595229.6 9222693.06 116 917 403 105 11

590604.29 9224089.4 141 608 310 131 10
591030.51 9223435.9 153 637 353 130 23
595410.32 9223099.08 156 929 376 144 12
591652.46 9222467.95 176 678 418 168 8
593733.66 9221504.54 168 817 482 170 -2
592392.24 9222837.47 189 727 393 177 12
595923.56 9220781.84 188 963 530 164 24
593183.72 9221921.84 185 780 454 177 8
592565.05 9222095.15 191 739 443 191 0
590987.96 9222886.52 207 634 390 177 30
590345.69 9225714.64 216 591 202 202 14
596330.14 9223174.29 219 990 371 223 -4
590902.17 9225358.2 238 628 225 242 -4
595033.88 9224534.66 236 904 280 228 8
593907.83 9224492.15 235 829 283 227 8
593403.72 9223831.58 243 795 327 244 -1
592368.65 9224341.2 247 726 293 249 -2
592604.33 9225796.4 250 742 196 231 19
592673.76 9224724.32 257 746 268 248 9
591851.45 9225282.99 252 691 230 227 25
593854.77 9224975.6 254 825 251 251 3
592402.07 9223720.4 266 728 334 259 7
595397.22 9224240.35 262 928 300 251 11
594647.62 9224851.86 267 878 259 263 4
593095.34 9225449.77 267 774 219 259 8
592951.31 9223543.29 274 765 346 269 5
591259.65 9224266.51 276 652 298 276 0
594921.9 9225292.8 274 896 230 266 8
596293.45 9225711.37 284 988 202 277 7
594921.9 9225727.72 289 896 201 277 12
593996.21 9223370.5 308 834 358 294 14
596421.8 9223906.8 352 996 322 338 14
585916.78 9214118.59 24 296 975 27 -3
588898.85 9214602.57 28 495 942 28 0
589471.69 9214867.45 31 533 925 32 -1
587998.66 9219199.11 28 435 636 28 0
586663.12 9218993.09 37 346 650 34 3
589952.88 9214216.69 38 565 968 37 1
588486.4 9214076.08 38 467 977 41 -3
587304.7 9217696.1 37 388 736 41 -4
588100.14 9218091.78 33 441 710 35 -2
589468.42 9218258.55 33 533 699 28 5
587108.3 9216698.71 39 375 803 44 -5
584905.31 9219591.52 41 228 610 43 -2
587867.73 9214713.75 43 426 935 41 2
589110.53 9216268.83 43 509 831 37 6
589568.94 9217430.59 45 539 754 42 3
584721.99 9218980.01 47 216 651 53 -6
 90

587537.12 9215766.73 46 404 865 39 7

588037.95 9216577.72 52 437 811 53 -1
586270.31 9216433.83 59 319 820 60 -1
583875.61 9219006.26 57 160 649 52 5
588286.72 9215165.03 56 454 905 49 7
587687.69 9217153.26 59 414 772 58 1
585370.13 9217660.12 66 259 739 69 -3
583334.07 9217499.89 71 124 749 76 -5
584905.31 9216597.34 70 228 809 75 -5
584826.74 9217450.84 76 223 752 77 -1
584977.32 9214923.04 89 233 921 70 19
586993.73 9214844.55 98 368 926 92 6
583798.9 9216898.19 97 155 789 97 0
584050.95 9215093.08 101 171 910 95 6
583602.49 9215263.13 102 142 898 104 -2
585048.85 9215361.68 151 238 892 166 -15
583792.35 9216093.74 163 154 843 154 9
583386.45 9215779.81 170 127 864 149 21
583055.84 9216116.63 190 105 841 185 5
590486.45 9213647.69 19 600 1006 16 3
592709.08 9215694.79 23 749 870 30 -7
594205.02 9212499.88 16 848 1083 26 -10
593507.79 9214494.65 24 802 950 23 1
593707.47 9216397.86 20 815 823 24 -4
593504.52 9215295.83 21 802 896 23 -2
590705.76 9214700.67 29 615 936 25 4
592309.73 9214700.67 37 722 936 32 5
591707.42 9216397.86 33 682 823 34 -1
591920.19 9218875.36 34 696 657 35 -1
596198.52 9213994.32 37 981 983 30 7
590208.21 9213987.78 39 582 983 33 6
591002.18 9215620.34 41 635 874 41 0
592772.27 9216918.36 41 753 788 42 -1
591363.99 9217329.36 41 659 761 34 7
592293.36 9213739.26 48 721 1000 44 4
596172.34 9212846.51 42 980 1059 29 13
593504.52 9213500.54 44 802 1016 47 -3
594044.63 9213382.81 46 838 1024 53 -7
594915.35 9217395.24 52 896 756 49 3
594264.6 9217614.4 46 852 742 45 1
593923.51 9218068.89 59 830 711 56 3
594601.11 9216139.52 65 875 840 62 3
595635.5 9215626.11 86 944 874 77 9
595154.31 9219496.69 86 912 616 74 12
596502.95 9215894.26 91 1002 856 92 -1
594928.45 9216633.31 91 897 807 89 2
595560.21 9216155.87 101 939 839 97 4
596103.59 9218690.21 104 975 670 104 0
596401.47 9219297.21 119 995 629 118 1
 91

594189.28 9219077.02 117 847 644 102 15

595841.72 9216554.82 122 957 812 118 4
595664.52 9213984.7 37 946 984 32 5
595047.67 9213067 48 905 1045 49 -1
584918.02 9226134.74 35 229 174 32 3
586097.42 9225039.61 32 308 247 28 4
584500.05 9223993.27 31 201 316 31 0

RMSEz = 8.80

DEM spatial resolution = 15

DEM size = 1131 x 1132
 92

LAMPIRAN F
SETTING PROGRAM UNTUK PEMBUATAN
MODEL PERMUKAAN DIGITAL DAERAH
PARENGAN, TUBAN
 93

DEM CREATOR 4 LOG FILE

======================

PERFORMANCE
-----------

Computation started at : 09/09/2003 06:22:29 PM

Computation ended at : 09/09/2003 06:49:25 PM
Time required : 0 hr 26 min 55.91 sec
Pixels processed : 1000000
Pixels matched : 889761
Matching speed : 619 pixels per second.

DEM GENERATION SETTINGS

-----------------------

3N image file : C:\Test_Area\final_release\parengan3n.img

3B image file : C:\Test_Area\final_release\parengan3b.img
Window sizes : automatic
Target window : 3 x 9
Search window : 3 x 21
DEM Resolution : 15
Min. elevation : 0
Max. elevation : 500
Cor. threshold : 0.7
Sub pixel accuracy enabled.

Grid data format : ENVI

Final DEM size : 1000 lines x 1000 samples

Band 3B to 3N registration transformation

Type : First Order Polynomial
a = 2.67893803704058
b = 1.00060051426216
c = 3.20863857096194E-5
d = -2.48581057936627E-6
Standard deviation = 0.32603585976475

FILTERING AND CORRECTION

------------------------

Noise filtering applied 2 times.

Final DEM smoothed by 3 x 3 smoothing kernel.

Noise detection method : Standard deviation

Maximum deviation factor : 2
Noise elimination method : Median
 94

Filter Size : 19 x 19

Elevation Correction enabled.

Elevation Correction transformation coefficients :
a = 0.998311151441823
b = 2.82522594364698
Standard deviation = 6.25449762907036
 95

LAMPIRAN G
PANDUAN SINGKAT PENGGUNAAN
PROGRAM DEMCREATOR
 96

I. PENJELASAN PROGRAM DEMCREATOR

Program DEMCreator merupakan sebuah program yang berfungsi untuk
membuat model permukaan digital dari sumber citra ASTER secara interaktif dan
prosedural, dengan berbagai pilihan pengaturan proses yang dimaksudkan untuk
memberikan kemudahan dalam melakukan penelitian. Selain disertakan pada CD-
ROM yang terlampir pada skrispi, softcopy program ini juga tersedia di laboratorium
fotogrametri Jurusan Teknik Geodesi Fakultas Teknik Universitas Gadjah Mada.
Antarmuka pemakai (user interface) program ini berbasis grafis dengan
menggunakan pendekatan wizard yang terdiri dari 4 buah kotak dialog utama yang
terhubung satu sama lain melalui tombol Next dan Back.
DEMCreator dapat dijalankan pada komputer dengan spesifikasi minimal :
Prosesor : Pentium 90 MHz
Memori : 32 MB
Harddisk : 1 MB untuk program utama
Sistem operasi : Windows 98

II. KEMAMPUAN DAN UNJUK KERJA (PERFORMANCE)

Program ini dirancang untuk memudahkan pembuatan model permukaan
digital dari citra ASTER dengan bantuan IDL/ENVI, sehingga dapat dikatakan
bahwa program ini adalah perluasan kemampuan dari ENVI, walaupun tidak
terintegrasi secara penuh. User interface program didesain dalam bentuk wizard atau
step-by-step approach, sehingga penggunaannya akan lebih mudah dan jalannya
pekerjaan lebih jelas serta mudah dipahami. Berbagai input program seperti daftar
koordinat GCP maupun titik ikat dilakukan menggunakan hasil pengukuran yang
dilakukan dengan ENVI, demikian pula output dari program disajikan dalam format
yang dapat langsung dibaca dan diproses oleh ENVI. Output lain seperti daftar
koordinat hasil automatic image-matching test, image header file, RMSEz checking
report, maupun general report file, disajikan dalam format teks ASCII sehingga
dapat dibaca oleh berbagai macam program aplikasi lain.
Program terdiri dari 4 form utama, yaitu :
a. Form pembuka dan pemilihan aktivitas
b. Form pemuatan citra
c. Form pengaturan proses pembuatan model permukaan digital
d. Form review pengaturan proses dan eksekusi proses.
Form satu dengan yang lain dihubungkan dengan fasilitas tombol Back dan Next
yang ada pada setiap form utama, sehingga pengguna program dapat berpindah dari
form yang berurutan dengan mudah. Sedangkan beberapa form tambahan lain
adalah:
a. Form uji coba automatic image matching.
b. Form penghitungan RMSEz.
c. Form preview band 3N
d. Form preview band 3B
e. Form pengaturan lanjut pembuatan model permukaan digital
f. Form pemilihan file titik ikat dan titik kontrol 3 dimensi.
 97

g. Form pengaturan deteksi noise.

h. Form progress bar, untuk menunjukkan kemajuan kerja berbagai proses.
Form-form tambahan ini akan muncul apabila pengguna program memilih tombol-
tombol tertentu pada form utama.
Untuk menghasilkan sebuah model permukaan digital absolut, program ini
memerlukan beberapa file, yaitu :
b. Citra band 3N. Citra ini dapat berupa citra hasil cropping, maupun citra
full-scene yang disimpan dalam format raster biner 8-bit, beserta
headernya.
c. Citra band 3B beserta headernya.
d. Titik ikat antara band 3N dan 3B. File berformat teks ASCII ini berupa
daftar koordinat titik-titik yang bersesuaian pada band 3N dan 3B.
e. GCP 2 dimensi. File berformat teks ASCII ini berupa daftar koordinat
titik-titik yang digunakan sebagai titik kontrol tanah.
f. GCP 3 dimensi. File ini mirip GCP 2 dimensi, namun tidak tidak seperti
GCP 2 dimensi yang hanya memuat koordinat tanah titik kontrol, GCP 3
dimensi juga memuat elevasi titik kontrol terhadap muka air laut rata-rata.
Pembuatan file GCP 3 dimensi ini dapat dilakukan secara manual dengan
menambahkan informasi elevasi GCP pada file GCP 2 dimensi
menggunakan editor teks ASCII seperti Notepad, UltraEdit, maupun MS-
DOS Editor, atau dengan memanfaatkan fasilitas Build Exterior
Orientation dari ENVI dengan memilih RegisterÆOrtho-
rectificationÆBuild Air Photo Exterior Orientation pada menu utama
ENVI.

File-file yang diciptakan oleh program ini adalah :

a. File raster biner model permukaan digital mentah. File ini merupakan
model permukaan digital yang belum dikoreksi ketinggiannya dan belum
dibersihkan noise-nya.
b. Header file raster biner model permukaan digital mentah.
c. File raster biner model permukaan digital yang telah difilter. File ini
merupakan mode permukaan digital yang telah dikoreksi ketinggiannya
dan sudah dibersihkan noise-nya.
d. Header file raster biner model permukaan digital yang telah difilter.
e. File raster kelas kualitas piksel. File ini merupakan klasifikasi kelas
kualitas dari piksel-piksel yang menyusun model permukaan digital.
Terdapat 4 macam atribut, 0 (piksel normal), 1 (tak terdefinisi), 2 (piksel
gagal korelasi), dan 3 (piksel diluar daerah yang valid).
f. Header file raster kelas kualitas piksel.
g. File laporan pekerjaan. File ini memberikan informasi tentang pilihan
setting pada pekerjaan, unjuk kerja program, dan hasil proses transformasi
affine pada proses registrasi band 3B ke 3N dan hasil transformasi linier
hasil proses koreksi ketinggian.
h. File .PTS untuk melakukan georeferensi model permukaan digital. File ini
digunakan untuk melakukan georeferensi model permukaan digital, dan
hanya diciptakan apabila tersedia file GCP (titik kontrol tanah).
 98

III. LANGKAH PENGOPERASIAN PROGRAM

Sebelum pembuatan model permukaan digital dimulai, pastikan bahwa semua
program selain DEMCreator tidak ada yang dijalankan. Penggunaan sebuah program
aplikasi lain bersamaan dengan proses korelasi otomatis akan sangat memperpanjang
waktu yang diperlukan. Selain itu, pastikan juga bahwa ruang yang tersedia di
harddisk sistem masih tersedia minimal sekitar 200 MB untuk swap-file Windows.
Berikut ini adalah langkah pelaksanaan dari 4 kegiatan utama yang dapat dilakukan
dengan menggunakan program DEMCreator.

III.1. Pembuatan model permukaan digital

Fasilitas ini adalah fasilitas utama program yang berfungsi untuk melakukan
korelasi otomatis pada dua citra stereo, filtering model permukaan digital mentah,
dan koreksi elevasi model permukaan digital.

Langkah pelaksanaan :
1. File yang perlu dipersiapkan yaitu :
a. Citra daerah penelitian band 3N dan 3B (terpisah) dalam format
ENVI. Secara default, program akan mencari file dengan ekstensi
*.img. Citra dapat berupa citra band 3 full scene maupun citra hasil
cropping. Apabila yang dipergunakan adalah citra hasil cropping,
maka perlu diperhatikan bahwa citra kedua band harus sama panjang
dan citra band 3B harus lebih tinggi 400 piksel dari band 3N.
b. Daftar koordinat titik ikat antara band 3N dan 3B dalam format PTS
file ENVI.
c. Daftar koordinat GCP, baik GCP 2 dimensi (X,Y) maupun 3 dimensi
(X,Y,Z) dalam format PTS file ENVI.
d. Daftar koordinat titik cek, dalam format PTS file ENVI.
2. Jalankan program DEMCreator dengan meng-klik ganda icon program atau
melalui perintah Run pada Start Menu Windows.
3. Pada form pembuka, pilih Generate DEM untuk membuat sebuah model
permukaan digital dari citra ASTER, kemudian klik tombol Next.
4. Pada form Setting Band 3N and 3B, klik Load untuk memuat citra untuk
masing-masing band. Jika berhasil dimuat, maka akan muncul nama file citra
beserta ukuran dari masig-masing citra. Setelah itu, klik tombol Next.
5. Pada form DEM Generation Settings, masukkan nama pekerjaan yang akan
dilaksanakan. Nama pekerjaan ini akan digunakan untuk memberi nama file
hasil pengolahan. Elevation range diisi dengan perkiraan rentang ketinggian
pada daerah kerja. Resolusi model dipilih pada bagian DEM Resolution.
Metode deteksi dan eliminasi noise dapat dipilih pada bagian Noise
Detection dan Noise Elimination.
6. Untuk melakukan pengaturan lebih lanjut, klik tombol Advanced Options.
Pada form Advanced Options terdapat beberapa pilihan pengaturan berikut:
a. Ketelitian sub piksel (pada bagian Sub-pixel accuracy). Untuk
memperoleh hasil yang lebih baik, aktifkan pilihan ini.
 99

b. Setting manual ukuran jendela korelasi (pada bagian Override

window sizes). Daerah selidik ditentukan dari asumsi elevasi
maksimum dan minimum daerah yang akan diteliti. Daerah selidik
ditentukan dari hasil uji coba.
c. Ambang batas kualitas korelasi silang (pada bagian Correlation
Threshold). Ambang batas ini digunakan untuk menentukan kelas
kualitas dari piksel-piksel model permukaan digital.
d. Banyaknya proses noise filtering yang akan dilakukan.
e. Penghalusan permukaan model. Aktifkan pilihan ini untuk
mengurangi noise yang tersisa dan memperhalus model permukaan
digital.
f. Format data model permukaan digital. Tersedia dua pilihan : ENVI
dan GTOPO. Pilih ENVI jika data model permukaan digital akan
diproses dengan menggunakan ENVI.
7. Untuk melakukan registrasi model, klik tombol DEM Reg. Options. Pada
form DEM Reg. Options terdapat beberapa kotak masukan sebagai berikut:
a. GCP 2 dimensi.
b. GCP 3 dimensi.
c. Daftar koordinat titik ikat.
Masukkan nama file pada masing-masing kotak isian.
8. Setelah pengaturan selesai, klik Next untuk berpindah ke form DEM
Generation. Periksa ulang setting yang ditampilkan, jika ada kesalahan,
tekan tombol Back untuk kembali ke form sebelumnya, apabila telah sesuai
dengan yang diharapkan, tekan tombol Generate untuk memulai proses
korelasi silang dan pembuatan model permukaan digital.
9. Tunggu beberapa saat. Proses dapat berlangsung beberapa detik saja hingga
berhari-hari, tergantung kecepatan komputer, ukuran citra yang diproses, dan
resolusi model permukaan digital yang diperlukan. Jika karena suatu hal,
proses korelasi silang hendak dibatalkan, tekan Ctrl-Alt-Del secara
bersamaan untuk menampilkan kotak dialog Close Program Windows.
10. Setelah proses korelasi otomatis dan filtering selesai, akan didapatkan
beberapa file sebagai berikut :
a. <projectname>-grd-f.hdr Æ header DEM terfilter
b. <projectname>-grd-f.dem Æ DEM terfilter
c. <projectname>-grd-u.hdr Æ header DEM mentah
d. <projectname>-grd-u.dem Æ DEM mentah
e. <projectname>-qcf.hdr Æ header file kelas kualitas
f. <projectname>-qcf.img Æ file kelas kualitas
g. <gcp2dfilename>.dem.pts Æ GCP untuk georeferensi model

Model permukaan digital yang dihasilkan program masih belum

tergeoreferensi, oleh karena itu, perlu dilakukan georeferensi menggunakan ENVI
dengan daftar GCP yang dihasilkan program.

Format PTS file ENVI adalah daftar koordinat yang tiap nilainya dipisahkan oleh
karakter spasi atau karakter tabulasi (TAB).
 100

Misalnya :
1234,23 232,43 422.12 648.09
9734.25 620.42 600.85 902.94
…
dan seterusnya.
Apabila pada kolom pertama suatu baris terdapat karakter titik koma (semicolon),
maka baris tersebut tidak akan dibaca oleh program karena dianggap sebagai baris
komentar.

Contoh format file :

1. GCP 2D

; contoh file GCP2D

; Easting Northing Ximage Yimage
; ----------- ------------ -------- --------
583524.2000 9223249.8000 47.6700 368.0000
588706.2000 9219099.1000 429.3300 591.6700
592983.4000 9216911.2000 733.0000 695.3300
590269.2000 9220854.1000 516.0000 461.6700

2. GCP 3D

; contoh file GCP3D

; Easting Northing Elevation Ximage Yimage
; ----------- ------------ -- -------- --------
583524.2000 9223249.8000 32 47.6700 368.0000
588706.2000 9219099.1000 14 429.3300 591.6700
592983.4000 9216911.2000 57 733.0000 695.3300
590269.2000 9220854.1000 29 516.0000 461.6700

3. Titik Ikat

; contoh file titik ikat

; X3N Y3N X3B Y3B
; -------- -------- -------- --------
175.7500 131.5000 178.2500 530.2500
66.0000 370.2500 68.2500 769.5000
429.0000 591.7500 431.2500 990.7500
588.5000 580.7500 590.5000 980.0000

4. Titik Cek

; contoh file titik cek

; Easting Northing Elevation
; ----------- ----------- ---
589301.4766 9219895.64 24
585003.5069 9222000.319 30
586169.518 9222520.267 29
585370.8093 9223138.319 30
 101

III.2. Menguji kualitas image-matching dengan teknik korelasi silang

Fasilitas ini digunakan untuk membandingkan hasil penentuan koordinat titik

yang bersesuaian melalui korelasi otomatis dengan hasil pengukuran secara manual
yang tersimpan pada file daftar koordinat titik ikat. Hasil pembandingan ini disimpan
pada file laporan dengan format teks ASCII.

Langkah pelaksanaan :
1. File yang perlu dipersiapkan yaitu :
a. Citra daerah penelitian band 3N dan 3B (terpisah) dalam format
ENVI. Secara default, program akan mencari file dengan ekstensi
*.img. Citra dapat berupa citra band 3 full scene maupun citra hasil
cropping. Apabila yang dipergunakan adalah citra hasil cropping,
maka perlu diperhatikan bahwa citra kedua band harus sama panjang
dan citra band 3B harus lebih tinggi 400 piksel dari band 3N.
b. Daftar koordinat titik ikat antara band 3N dan 3B dalam format PTS
file ENVI.
2. Jalankan program DEMCreator dengan meng-klik ganda icon program atau
melalui perintah Run pada Start Menu Windows.
3. Pada form pembuka, pilih Test Matching Quality, kemudian klik tombol
Next.
4. Isikan nama file citra band 3N, 3B, daftar koordinat titik ikat, serta nama file
tempat hasil laporan akan disimpan.
5. Isikan besar daerah selidik dan daerah sasaran sesuai dengan spesifikasi yang
akan diuji.
6. Klik tombol Match untuk memulai proses korelasi silang pada titik-titik yang
ada pada daftar koordinat titik ikat, sekaligus proses pembandingan.

III.3. Filtering dan Koreksi Elevasi model permukaan digital.

Pada dasarnya fasilitas ini digunakan untuk melompati proses korelasi

otomatis, sehingga dapat dilakukan pengujian kualitas filtering dengan mudah dan
cepat.

Langkah pelaksanaan :
1. File yang perlu dipersiapkan yaitu :
a. Model permukaan digital yang belum difilter dalam format ENVI atau
GTOPO.
b. Daftar koordinat GCP 3 dimensi apabila dilakukan koreksi elevasi.
2. Jalankan program DEMCreator dengan meng-klik ganda icon program atau
melalui perintah Run pada Start Menu Windows.
3. Pada form pembuka, pilih Filter and Correct DEM, kemudian klik tombol
Next.
4. Pada form DEM Filtering Settings lakukan pengaturan berbagai parameter
noise filtering maupun koreksi elevasi.
5. Klik tombol Filter untuk memulai proses filtering dan/atau koreksi elevasi.
 102

III.4. Memeriksa RMSEz model permukaan digital.

Fasilitas ini ditujukan untuk melakukan penghitungan RMSEz pada model

permukaan digital yang telah digeoreferensikan dengan menggunakan koordinat 3
dimensi (XYZ) dari daftar titik cek.

Langkah pelaksanaan :
1. File yang perlu dipersiapkan yaitu :
a. Model permukaan digital yang telah digeoreferensikan dalam format
ENVI atau GTOPO.
b. Daftar koordinat titik cek.
2. Jalankan program DEMCreator dengan meng-klik ganda icon program atau
melalui perintah Run pada Start Menu Windows.
3. Pada form pembuka, pilih Check RMSEz, kemudian klik tombol Next.
4. Isikan nama file model permukaan digital tergeoreferensi, daftar koordinat
titik cek, serta nama file tempat hasil pengukuran RMSEz disimpan.
5. Klik tombol Calculate untuk memulai proses penghitungan.

IV. KELEMAHAN PROGRAM DAN RENCANA PERBAIKAN

Kelemahan program:
1. Belum mampu menangani kesalahan yang mungkin terjadi karena format file
masukan yang tidak benar.
2. Belum mampu menangani kesalahan yang diakibatkan oleh pengisian setting
yang tidak benar oleh pemakai program.
3. Apabila proses korelasi otomatis atau noise-filtering dijalankan, proses
tersebut tidak dapat dibatalkan, padahal proses tersebut sangat lama.
4. Berdasarkan percobaan dengan menggunakan citra daerah pegunungan,
program ini belum mampu memberikan hasil yang baik untuk daerah dengan
jangkauan elevasi lebih dari 1500 meter. Hal ini kemungkinan disebabkan
karena besarnya window daerah selidik korelasi silang untuk daerah dengan
jangkauan elevasi yang besar, sehingga kemungkinan kesalahan pemilihan
titik yang bersesuaian (mismatch) semakin besar.

Rencana perbaikan/penyempurnaan program :

1. Memberikan kemampuan pada program untuk memanfaatkan model
permukaan digital yang beresolusi rendah untuk membantu memprediksi
koordinat pusat window korelasi untuk tiap piksel, sehingga daerah selidik
korelasi silang dapat diperkecil. Diharapkan dengan kemampuan ini, program
dapat memberikan hasil yang lebih baik untuk daerah dengan jangkauan
elevasi yang besar serta mempercepat proses korelasi otomatis.
2. Menyempurnakan prosedur-prosedur penanganan kesalahan yang mungkin
terjadi sehingga program akan lebih stabil dan dapat diandalkan.
 103

D. DESKRIPSI FORM PROGRAM

FORM 1
PEMBUKA PROGRAM DAN PEMILIHAN AKTIVITAS

Pilihan yang tersedia :

1. Generate DEM. Melakukan pembuatan model permukaan digital.
2. Test Matching Quality. Melakukan uji ketelitian korelasi silang.
3. Filter and Correct DEM. Melakukan filter dan koreksi terhadap model
permukaan digital yang belum difilter. Pilihan ini berguna untuk
membandingkan metode-metode filtering.
4. Check RMSEz. Melakukan uji ketelitian model permukaan digital yang telah
digeoreferensikan menggunakan titik-titik cek.

Tombol perintah :
1. Next. Berpindah ke tahap selanjutnya.
2. Close. Menghentikan program.
3. About. Menampilkan kotak dialog yang berisi keterangan program.
 104

FORM 2
PEMUATAN CITRA DIGITAL ASTER LEVEL 1B

Pilihan yang tersedia : tidak ada

Tombol perintah :
1. Next. Berpindah ke tahap berikutnya.
2. Back. Kembali ke tahap sebelumnya.
3. Close. Menghentikan program.
4. Help. Menampilkan penjelasan program.
5. Load. Memilih file dan memuat citra ASTER dalam format ENVI secara
interaktif.
 105

FORM 3
PENGATURAN PROSES PEMBUATAN MODEL PERMUKAAN DIGITAL

Pilihan yang tersedia :

1. Project name. Menentukan nama-nama file yang akan dihasilkan.
2. Elevation range. Menentukan elevasi maksimum dan minimum yang
diharapkan
3. DEM Resolution. Resolusi spasial dari model permukaan digital
4. Noise Detection. Pemilihan metode deteksi noise
5. Noise Elimination. Pemilihan metode eliminasi noise.

Tombol perintah :
1. Next. Berpindah ke tahap selanjutnya.
2. Back. Kembali ke tahap sebelumnya
3. Close. Menghentikan program
4. Help. Menampilkan penjelasan program
5. Advanced Options. Menampilkan kotak dialog pengaturan lanjut
6. Browse. Memilih nama file secara interaktif.
7. DEM Reg. Parameters. Menampilkan kotak dialog registrasi model
8. Options (pada Noise Detection). Menampilkan kotak dialog pengaturan
deteksi noise.
 106

FORM 4
REVIEW PILIHAN PENGATURAN PROSES DAN EKSEKUSI PROGRAM

Pilihan yang tersedia : Tidak ada

Tombol perintah :
1. Generate. Melakukan proses pembuatan model permukaan digital
2. Back. Kembali ke tahap sebelumnya.
3. Close. Menghentikan program
4. Help. Menampilkan penjelasan program.
 107

FORM ADVANCED OPTIONS

PENGATURAN LANJUT PROSES KORELASI SILANG DAN NOISE
FILTERING

Pilihan yang tersedia :

1. Sub pixel accuracy. Mengaktifkan atau menon-aktifkan kemampuan
interpolasi sub-piksel dalam proses korelasi silang.
2. Override window sizes. Mengatur ukuran window daerah selidik dan daerah
sasaran secara manual.
3. Correlation threshold. Ambang batas minimal untuk koefisien korelasi yang
dianggap berhasil.
4. Apply noise filtering … times. Jumlah pengulangan noise filtering.
5. Smooth filtered DEM using 3 x 3 smoothing kernel. Melakukan
penghalusan model permukaan digital dengan menggunakan filter rerata 3 x 3
piksel.
6. Grid data format. Pilihan format data model permukaan digital.

Tombol perintah :
1. OK. Menutup kotak dialog dengan menerapkan pengubahan yang dilakukan.
2. Cancel. Menutup kotak dialog dengan mengabaikan pengubahan yang
dilakukan.
3. Help. Menampilkan penjelasan program.
 108

FORM REGISTRATION PARAMETERS

PENGATURAN REGISTRASI MODEL

Pilihan yang tersedia:

1. Create PTS File for DEM Registration. Mengaktifkan atau menonaktifkan
fasilitas editing file GCP untuk registrasi model permukaan digital.
2. 3N 2D GCPs. Nama file GCP 2 dimensi.
3. Apply Elevation Correction. Mengaktifkan atau menon-aktifkan fasilitas
koreksi elevasi model permukaan digital.
4. 3N 3D GCPs. Nama file GCP 3 dimensi.
5. Use tie points to register Band 3N to 3B. Mengaktifkan atau menon-
aktifkan fasilitas registrasi band 3B ke 3N.
6. 3N-3B Tie Points. Nama file daftar titik ikat.
7. Transformation type. Jenis transformasi yang digunakan dalam registrasi
band 3B ke 3N.

Tombol perintah :
1. OK. Menutup kotak dialog dengan menerapkan pengubahan yang dilakukan.
2. Cancel. Menutup kotak dialog dengan mengabaikan pengubahan yang
dilakukan.
3. Help. Menampilkan penjelasan program.
4. Browse. Melakukan pemilihan nama file secara interaktif.
 109

FORM STANDARD DEVIATION

PENGATURAN DETEKSI NOISE DENGAN SIMPANGAN BAKU LOKAL

Pilihan yang tersedia :

1. Filter window size. Ukuran jendela filter.
2. Deviation factor. Faktor pengali nilai simpangan baku sebagai ambang batas
penentuan noise.

Tombol perintah :
1. OK. Menutup kotak dialog dengan menerapkan pengubahan yang dilakukan.
2. Cancel. Menutup kotak dialog dengan mengabaikan pengubahan yang
dilakukan.
 110

FORM MATCH TEST

UJI KETELITIAN KORELASI OTOMATIS

Pilihan yang tersedia :

1. 3N Image. Nama file citra band 3N.
2. 3B Image. Nama file citra band 3B.
3. Point List. Nama file daftar koordinat titik yang bersesuaian.
4. Report File. Nama file hasil uji ketelitian.
5. Target window. Ukuran window daerah sasaran.
6. Search window. Ukuran window daerah selidik.

Tombol perintah:
1. Match. Melakukan proses korelasi silang secara otomatis.
2. Close. Menutup kotak dialog.
3. Help. Menampilkan penjelasan program.
4. Browse. Memilih nama file secara interaktif.
 111

FORM RMSEZ CHECKING

PENGHITUNGAN RMSEz MODEL MENGGUNAKAN TITIK-TITIK CEK

Pilihan yang tersedia:

1. Geocoded DEM. Nama file model permukaan digital yang telah
tergeoreferensi.
2. Checkpoints list. Nama file daftar titik cek.
3. Report file. Nama file laporan hasil hitungan residual dan RMSEz.

Tombol perintah:
1. Calculate. Menghitung residual dan RMSEz.
2. Close. Menutup kotak dialog.
3. Help. Menampilkan penjelasan program.
4. Browse. Memilih nama file secara interaktif.
 112

DIAGRAM HIERARKI EKSEKUSI FORM

PENGUKURAN
RMSEz

PEMILIHAN TITIK IKAT

DAN GCP3D
1

PEMBUKA DAN PEMUATAN CITRA PENGATURAN PROSES REVIEW DAN

PEMILIHAN AKTIVITAS 2 ASTER PEMBUATAN DEM EKSEKUSI
PROSES

3 PENGATURAN LANJUT
4

UJI KETELITIAN
KORELASI SILANG PENGATURAN
DETEKSI NOISE

1 : Check RMSEz
2 : Generate DEM
3 : Filter and Correct
DEM
4 : Test Matching Quality

112
 113

LAMPIRAN H
FLOWCHART MODUL PROGRAM
KORELASI OTOMATIS DAN FILTERING
 114

FLOWCHART
KORELASI OTOMATIS

START

Hitung rentang paralaks dari

asumsi rentang elevasi yang
diberikan

Tentukan ukuran window daerah

selidik berdasarkan rentang
paralaks

Hitung koordinat pusat daerah

selidik

Hitung koordinat pusat daerah

selidik dengan menggunakan
transformasi registrasi band 3N- Koefisien transformasi
3B untuk mengurangi paralaks x. untuk registrasi band
3B-3N

Hitung koefisien korelasi untuk

tiap daerah sasaran dalam
daerah selidik j = jumlah piksel pada
daerah selidik

Masukkan nilai koefisien ke

dalam matriks untuk diurutkan

1 2
 115

1 2

Tentukan posisi piksel dengan

koefisien korelasi tertinggi

i = jumlah piksel
pada model Interpolasi posisi sub-piksel titik
permukaan dengan koefisien korelasi
digital tertinggi

Hitung paralaks

Hitung beda tinggi

Masukkan ke buffer memory

Tentukan kualitas piksel

berdasarkan nilai ambang batas.

Tulis log-file.

STOP
 116

FLOWCHART
NOISE FILTERING

START

Tentukan ukuran DEM yang

akan difilter

Tentukan ukuran jendela noise

filtering

Hitung Standar Deviasi untuk

nilai piksel dalam jendela filter

Berdasarkan ambang batas,

tentukan piksel yang dianggap
noise

i = jumlah titik tidak

pada window Noise?
filter
ya

Hitung nilai median window filter

Ganti nilai piksel noise dengan

median

3
 117

tidak
Smoothing?

ya

Smoothing menggunakan filter

rerata 3x3

tidak
Koreksi?

ya

Baca koordinat GCP 3D

Hitung koefisien parameter

transformasi linier

Hitung ulang elevasi titik dengan

menggunakan transformasi linier

Tulis DEM terfilter/terkoreksi ke

dalam file data

STOP