See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/295073376

Pengolahan Citra Digital dengan ER Mapper ver

7.0

Research · February 2016

CITATIONS READS

0 2,608

1 author:

Abdul Malik
Universitas Negeri Makassar
4 PUBLICATIONS 7 CITATIONS

SEE PROFILE

All content following this page was uploaded by Abdul Malik on 14 September 2016.

The user has requested enhancement of the downloaded file.

 i

Oleh :
Abd. Malik, S.T., M.Si.

Jurusan Geografi
Universitas Negeri Makassar
2008
 ii

DAFTAR ISI

I. PENDAHULUAN 1
1.1. Penginderaan Jauh 1
1.2. Pengolahan Citra Digital Multispektral 4
1.3. Software ER Mapper Versi 7.0 8
1.4. Menginstal ER Mapper Versi 7.0 10
II. MEMULAI ER MAPPER VERSI 7.0 11
2.1. Mengaktifkan Program ER Mapper 7.0 11
2.2. Loading Data Citra 11
2.3. Menampilkan Data Citra 14
2.4. Mosaik Citra 21
III. KOREKSI GEOMETRIK/REKTIFIKASI CITRA 25
3.1. Menentukan Metode Geocoding 25
3.2. Menentukan Titik Kontrol (Ground Control Point = GCP) 26
3.3. Proses Rektifikasi 33
IV. KUALITAS CITRA 35
4.1. Pembuatan Citra Komposit (RGB = Red-Green-Blue) 35
4.2. Pemotongan Citra (Cropping) 37
4.3. Penajaman Kontras Citra (Transformation) 46
4.3.1. Penajaman Citra 46
4.3.2. Filtering 47
4.3.3. Transformasi Khusus (NDVI = Normalized Difference
Vegetation Index) 50
V. KLASIFIKASI MULTISPEKTRAL CITRA 53
5.1. Klasifikasi Unsupervised (Tak Terbimbing) 53
5.2. Klasifikasi Supervised (Terbimbing) 63
 iii

VI. UJI LAPANGAN DAN KETELITIAN 69

6.1. Uji Lapangan 69
6.2. Uji Ketelitian 70
VII. RE KLASIFIKASI DAN LUASAN LAHAN 71
7.1. Re-Klasifikasi 71
7.2. Menghitung Luasan Lahan Hasil Klasifikasi 72
VIII. ANNOTASI DAN PENCETAKAN 73
8.1. Annotasi 73
8.2. Pencetakan 78
DAFTAR PUSTAKA
 KATA PENGANTAR

Puji dan Syukur kami panjatkan kehadirat Allah SWT karena berkat rahmat
dan hidayah-Nya, penulisan buku panduan Pengolahan Citra Digital Dengan ER
Mapper Versi 7.0 ini dapat diselesaikan.
Kehadiran buku panduan ini akan sangat membantu dalam memberikan
pengetahuan, pemahaman dan keterampilan yang mendalam tentang pengolahan
citra digital khusususnya bagi mahasiswa yang memprogram mata kuliah
Penginderaan Jauh Dasar, Interpretasi Foto Udara, Penginderaan Jauh Terapan, dan
Sistem Informasi Geografi (SIG) Jurusan Geografi FMIPA-UNM.
Secara keseluruhan buku panduan ini terdiri atas 8 (delapan) pokok bahasan
yang membahas secara ringkas, padat, namun mudah dipahami tentang teknik
pengolahan citra digital, selain itu yang menarik karena contoh citra digital yang
diolah dalam buku panduan ini, langkah-langkah kerjanya dikerjakan secara penuh
dari awal hingga akhir yakni sampai pada annotasi dan pencetakan, sehingga bagi
para pengguna buku panduan ini akan sangat mudah memahami dan terampil dalam
melakukan pengolahan citra digital.
Penulis menyadari buku panduan ini masih jauh dari kesempurnaan, karena
itu saran dan kritikan dari berbagai pihak yang bersifat membangun guna
penyempurnaannya ke depan senantiasa kami tunggu.
Terima Kasih.

Makassar, 08 Oktober 2008

Penulis
 1

I. PENDAHULUAN

1.1. Penginderaan Jauh

Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi
tentang obyek, daerah atau fenomena melalui analisis data yang diperoleh dengan
alat tanpa kontak langsung dengan obyek, daerah atau fenomena yang dikaji
(Lillesand dan Kiefer, 1997)
Menurut Curran (1985), penginderaan jauh adalah suatu pengukuran atau
perolehan data pada obyek di permukaan bumi dari satelit atau instrumen lain dari
atas atau jauh dari obyek yang diindera dengan menggunakan sensor radiasi
elektromagnetik untuk merekam gambaran lingkungan yang dapat diinterpretasikan
sehingga menghasilkan informasi yang berguna. Obyek yang diamati adalah obyek
yang berada di permukaan bumi. Informasi tentang obyek, daerah atau fenomena
yang diteliti didapatkan dari analisis data yang dikumpulkan oleh sensor dari jarak
jauh . Sensor ini memperoleh data tentang kenampakan di muka bumi melalui energi
elektromagnetik yang dipancarkan dan dipantulkan.
Lindgren (1985) dalam Sutanto (1992), menyatakan bahwa penginderaan
jauh adalah berbagai teknik yang dikembangkan untuk perolehan dan analsis
informasi tentang bumi. Informasi tersebut khusus berbentuk radiasi elektromagnetik
yang dipantulkan atau dipancarkan dari permukaan bumi.

A = Sumber energi (matahari atau pemancar

radar di satelit)
B = Perjalanan energy (gel. Elektromagnetik)
melalui atmosfer dari sumber energy ke
obyek dan kembali ke sensor di satelit
C = Interaksi energy dengan obyek bisa
berbentuk pantulan, emisi, atau
hamburan.
D = Sensor yang berada di satelit menangkap
energy yang dipantulkan, diemisikan atau
dihamburkan oleh obyek C
E = Data yang diterima sensor (D) disatelit
dikirim ke stasiun bumi, lalu di olah.
F = Proses pengolahan, interpretasi dan
analisa data untuk menghasilkan informasi
G = Pemanfaatan dari informasi tersebut.
 2

Menurut Curran (1985), bahwa sebuah sistem penginderaan jauh yang

menggunakan radiasi elektromagnetik pada umumnya mempunyai empat komponen
yaitu :
1. Sumber radiasi elektromagnetik dapat merupakan sumber alami, seperti
matahari atau panas emisi bumi dan dapat juga merupakan sumber artifisial
seperti gelombang mikro.
2. Interaksi dengan bumi yakni jumlah dan karakteristik dari radiasi yang diemisikan
atau dipantulkan dari permukaan bumi tergantung dari karakteristik obyek
permukaan bumi.
3. Interaksi dengan permukaan atmosfer yakni energi elektromagnetik yang melalui
atmosfer akan mengalami gangguan dan hamburan.
4. Sensor yakni interaksi radiasi elektromagnetik dengan permukaan bumi dan
atmosfer akan direkam oleh sensor.
Lillesand dan Kiefer (1997), menyatakan bahwa prinsip dasar dalam
penginderaaan dengan energi gelombang elektromagnetik untuk sumber daya alam
ada 2 yaitu pengumpulan dan analisis data.
Elemen proses pengumpulan data meliputi sumber energi, perjalanan energi
melalui atmosfir, interaksi antara energi dengan kenampakan di muka bumi, sensor
wahana satelit atau pesawat terbang dan hasil pembentukan data dalam bentuk
piktoral dan atau numerik. Proses analisis data meliputi pengujian data dengan
menggunakan alat interpretasi dan alat pengamatan analisis data piktoral dan atau
komputer untuk menganalisis data sensor numerik.
Keunggulan yang ditawarkan oleh teknik ini jika dibandingkan dengan
metode konvesional survei lapangan antara lain :
• Memberikan gambaran yang sinoptik (Synoptik Value) : sebuah citra Landsat
misalnya, dapat memberikan informasi detail mengenai ciri dan pola suatu lahan
atau obyek di muka bumi seluas 185 x 185 km, dimana hal ini tidak dapat
diberikan oleh teknik lain. Citra juga dapat memberikan gambaran pendahuluan
suatu areal sehingga merupakan saringan dalam memilih daerah yang akan
diteliti secara lebih rinci. Hal ini akan menghemat waktu dan biaya karena dapat
 3

mengurangi penelusuran data besar yang diperlukan sebelum suatu penelitian

yang meliputi suatu areal dilakukan.
• Peliputannya bersifat global (Worldwide Coverage) : daratan dan perairan
dangkal di bumi dapat dipantau.
• Peliputan yang berulang (Repetitive Coverage) : informasi peliputan global
tersebut dapat diperoleh setiap 16 hari, sehingga dapat digunakan pula sebagai
alat monitoring.
• Keseragaman waktu (Uniformity Over Time) : satelit melewati suatu titik di
permukaan bumi hampir selalu tepat pada waktu lokal yang sama. Hal ini
menyebabkan kita dapat melakukan pemantauan suatu target dengan iluminasi
cahaya yang relatif sama.
• Analisis berbagai panjang gelombang (Multispectral Analisys) : data yang
diperoleh serentak dalam beberapa panjang gelombang melalui sistem optik
yang sama. Hal ini menyebabkan kita dapat membuat tumpang tindih (Overlay)
beberapa saluran/band sehingga membentuk suatu citra komposit (Lillesand dan
Kiefer, 1997).
Lebih lanjut dijelaskan oleh Lillesand dan Kiefer (1997), bahwa secara
konsepsual, semua rancangan untuk keberhasilan penginderaan jauh paling tidak
harus memenuhi :
1. Perumusan yang jelas masalah yang dihadapi.
2. Evaluasi potensi untuk menyesuaikan permasalahan dengan teknik
penginderaan jauh.
3. Identifikasi prosedur perolehan data penginderaan jauh yang sesuai dengan
tujuan.
4. Penentuan prosedur interpretasi data yang akan diterapkan dan pemilihan data
rujukan.
5. Identifikasi kriteria yang digunakan untuk menilai kualitas informasi yang
dikumpulkan.
 4

1.2. Pengolahan Citra Digital Multispektral

Dalam melakukan pengolahan citra digital multispektral, meliputi beberapa

tahapan sebagai berikut :
1. Koreksi Geometrik (Geometric Correction); bertujuan untuk mengoreksi data
citra terhadap sistem koordinat bumi, supaya informasi data citra telah sesuai
dengan keberadaanya di bumi. Ada dua istilah koreksi geometrik:
• Registrasi; proses koreksi geometrik dari citra belum terkoreksi dengan citra
yang sudah terkoreksi.
• Rektifikasi; proses koreksi geometrik antara citra belum terkoreksi dengan
peta.
2. Koreksi Radiometrik (Radiometric Correction); bertujuan untuk memperbaiki
kualitas visual citra dan sekaligus memperbaiki nilai-nilai piksel yang tidak sesuai
dengan pantulan dan pancaran spektral obyek yang sebenarnya.
3. Penajaman Citra (Image Enhancement); bertujuan untuk memperjelas
kenampakan citra dengan memanipulasi nilai spektral pada citra sehingga
memudahkan dalam melakukakan interpretasi. Teknik penajaman ini terbagi
atas dua :
• Penajaman Titik (spectral enhancement); mengubah nilai kecerahan tiap
piksel pada citra secara terpisah untuk menonjolkan kecerahan obyek
tertentu. Metodenya melalui perentangan nilai spectral secara linear (linear
stretching).
• Penajaman Lokal (spatial enhancement); pengubahan nilai poksel yang
berkaitan dengan nilai piksel sekelilingnya untuk mengubah tekstur citra
secara keseluruhan. Metodenya melalui penyaringan nilai citra terhadap nilai
sekelilingnya (filtering).
4. Pemotongan Citra (Image Cropping); bertujuan untuk mendapatkan batasan
wilayah/kawasan yang hendak dikaji. Pemotongan dilakukan karena umumnya
data satu scene citra mencakup wilayah yang luas, misalnya path/row 114/64
mencakup wilayah Sulawesi Selatan yang sebagian besar daerah bagian
Selatan. Kadang tidak semua data yang tercakup dalam scene tersebut kita
dibutuhkan. Selain itu dengan pemotongan citra bertujuan untuk memperkecil
 5

besar file (kapasitas file) yang kita gunakan dan mempercepat proses-proses
pengolahan citra.
5. Komposit Citra (Image Composit); merupakan modifikasi saluran/kanal/band
citra untuk menonjolkan beberapa aspek. Pemilihan band didasarkan atas
kebutuhan pengolahan data. Misalnya untuk memperlihatkan penutup lahan
kawasan pesisir dan laut, maka disarankan menggunakan komposit citra 321,
maksudnya band 3 diberi warna merah, band 2 diberi warna hijau, dan band 1
diberi warna biru, yang biasa disebut dengan Red, Green, Blue (RGB).

X–Peta Y–Peta
No X–Citra Y–Citra Keterangan
(mU) (mT)
1 1213,29 2134,89 9552150 791700 Jembatan menuju Sumpangminangae

2 1200,61 1978,47 9557200 791050 Ujung sabang

3 1221,75 1838,96 9560900 792550 Jembatan Labilibili

4 1134,47 1943,59 9557750 789300 Ujung Timur Pulau Kamerang

5 1171,02 1526,13 9570405 790300 Jembatan Labalakang

6 1306,30 1280,93 9577600 794350 Jembatan Rubae

7 1124,51 1424,67 9573200 788900 Simpang Empat Benrange

8 1306,30 1137,20 9581600 794300 Jembatan dari Ibukota Pinrang ke Paleteang

Jembatan pada Sungai Bitoeng menuju

9 930,05 769,41 9592800 783150
Pekkabata

10 794,77 784,27 9593550 779100 Simpang Tiga menuju Paria

11 887,77 528,44 9600100 781850 Jembatan pada Sungai Data

 6

Hasil Cropping dan

Composite RGB 321
Citra Landsat TM

5. Klasifikasi (Classification)
Klasifikasi Terbimbing (Supervised Classification) adalah klasifikasi nilai
pixel didasarkan pada contoh daerah yang diketahui jenis objek dan nilai
spektralnya. Klasifikasi terselia digunakan data penginderaan jauh multispektral
yang berbasis numerik, maka pengenalan polanya merupakan proses otomatik
dengan bantuan komputer dengan tahapan sebagai berikut :
 7

• Tahap training sample : analisis menyusun “kunci interpretasi” dan

mengembangkan secara numerik spektral untuk setiap kenampakan. Dengan
memeriksa batas daerah (training areas).
• Tahap klasifikasi : setiap pixel pada serangkaian data citra dibandingakan setiap
kategori pada kunci interpretasi numerik, yaitu menentukan nilai pixel yang tak
dikenal dan paling mirip dengan kategori yang sama.
• Tahap keluaran : hasil matrik didelineasi sehingga terbentuk peta penutup lahan,
dan dibuat tabel matrik luas berbagai jenis tutupan lahan pada citra.
Perbandingan tiap pixel citra dengan kategori pada kunci interpretasi
dikerjakan secara numerik dengan menggunakan berbagai strategi klasifikasi (dapat
dipilih salah satu dari jarak minimum rata-rata kelas, parallelepiped, kemiripan
maksimum). Setiap pixel kemudian diberi nama sehingga diperoleh matrik
multidemensi untuk menentukan jenis kategori penutup lahan yang diinterpretasi.
Klasifikasi Tak Terbimibing (Unsupervised Classification) adalah
klasifikasi tanpa daerah contoh yang diketahui jenis objek dan nilai spektralnya.
Klasifikasi tak teracu menggunakan algoritma untuk mengkaji atau menganalisis
sejumlah besar pixel yang tidak dikenal dan membaginya dalam sejumlah kelas
berdasarkan pengelompokan nilai digital citra.

Citra setelah
Proses klasifikasi

Citra sebelum Proses klasifikasi

 8

6. Orientasi Medan (Ground Truth) dan Uji Ketelitian

Orientasi Medan (Ground Truth); dilakukan guna menyakinkan kebenaran hasil
interpretasi dan membetulkannya jika terjadi kekeliruan atau kesalahan dalam
menginterpretasi. Selain itu dalam orientasi medan ini dilakukan penambahan
data yang diperlukan dan yang tidak disadap dari citra.
Uji Ketelitian; dilakukan untuk menguji kebenaran hasil interpretasi citra digital
atau peta tentatif dengan kondisi sebenarnya di lapangan

7. Interpretasi ulang/akhir (Re-Interpretation); dilakukan setelah orientasi

medan.
8. Annotasi dan Pencetakan; Annotasi dilakukan untuk membuat lay out atau
tampilan citra yang akan dicetak/print agar sesuai dengan kaidah-kaidah
kartografi. Pencetakan dapat dilakukan dengan dua cara, yakni secara langsung
mencetak di kertas maupun dalam bentuk file.

1.3. Software ER Mapper Versi 7.0

ER Mapper Versi 7.0 merupakan salah satu software atau perangkat lunak
dalam pengolahan data citra satelit yang termasuk banyak digunakan saat ini,
walaupun masih banyak software-software yang lain seperti Ilwis, ERDAS, maupun
Idrisi For Windows. ER Mapper Versi 7.0 merupakan penyempurnaan dari versi
 9

sebelumnya yakni, versi 6.4., walaupun saat ini sebenarnya telah ada muncul untuk
versi 7.1.
Untuk mengoperasikan software ini tentunya harus didukung oleh komputer
baik itu komputer dengan spesifikasi berikut :
- Sistem Operasi (Operating System atau OS): Windows NT, Windows 2000,
Windows XP, Windows Vista
- Perangkat Keras (Hardware): Standard PC/Laptop minimal Pentium 4, Memory
256MB, Free Space Hard Disk 607 MB, VGA Card 4MB.
ER Mapper yang merupakan salah perangkat lunak utama dalam
pengolahan data seperti :
- Data Satellite images (Landsat, SPOT, Ikonos, Quicbird, dan lain-lain)
- Data Foto Udara hasil scan
- Data Seismic 3D
- Data Geofisika seperti data airborne magnetics
- Data raster lainnya yang berbasis imagery
- Data Vector
Selain itu ER Mapper juga mendukung untuk data ARC/INFO, DXF, .Shp, dan dan
pembuatan DEM (Digital Elevation Model).
Beberapa aplikasi kajian/bidang yang dapat dilakukan dengan ER Mapper,
antara lain :
- Kehutanan ; Pemetaan Hutan dan Perubahannya, Deteksi Kebakaran Hutan,
Penempatan Akses Jalan dan Produksi Peta-peta
- Pengguna SIG ; Integrasi Data Raster dan Vektor
- Penggunaan Lahan; Klasfikasi Penggunaan Lahan dari Data Satelit dan
Deteksi Perubahan Penggunaan Lahan Setiap Saat
- Perhubungan (Jalan); Deteksi jalan-jalan baru dan perubahannya,
Menemukan/penempatan area sebagai jalanan, dan Menghasilkan peta-peta
yang menunjukkan perubahan jalan
- Eksporasi Mineral; Interpretasi aplikasi-aplikasi Geologi dan Peta-peta Kawasan
Eksplorasi
 10

- Minyak dan Gas; Mengetahui struktur seismic horizon dalam 2D dan 3D, Peta
Dasar untuk daerah yang mengandung minyak atau gas, Penajaman dan
Pengolahan data perekaman satelit SAR.
- Telekomunikasi; Pemetaan lokasi untuk Transimisi Selular
- Sumberdaya Air; Pemetaan perubahan vegetasi didaerah tangkapan air,
Memetakan daerah aliran permukaan, dan Pengukuran daerah tangkapan air
yang berpotensi tercemar

1.4. Menginstal ER Mapper Versi 7.0

Untuk menginstal software ER Mapper 7.0 dilakukan dengan cara sebagai
berikut :

1. Klik file ERMInstall.exe untuk install

2. Setelah terinstall, kopi file license.dat yang terdapat di direktori
ER.MAPPER.V7.0-RiSE\RiSE ke C:\flexlm (buat direktori/foldernya jika belum
ada)
3. Jalankan program tersebut dengan mengklik icon ERErMapper
Mapper7.0.lnk
7.0 pada
desktop Anda. Tampilan layar pertama (license screen) klik: Floating Point
License. Selanjutnya computer Anda akan melakukan configuration system
dengan program yang telah terinstal tersebut.
4. Jalankan kembali program ER Mapper versi 7.0. (Sumber : Earth Resource
Mapping Ltd)
 11

II. MEMULAI ER MAPPER

2.1. Mengaktifkan Program ER Mapper 7.0

Dari desktop computer klik 2x shortcut icon :

ERErMapper
Mapper7.0.lnk
7.0

atau dari menu Start pilih All Program kemudian Pilih Earth Resource
Mapping lalu Klik ER Mapper 7.0 sehingga muncul window main menu sebagai
berikut :

Buka window baru Buka Hand tool/ Refresh image

algoritma paning

Menu Bar

Tools Bar

Copy window Save/ Edit Zoom tool

Save As Algoritma
Stop Processing

2.2. Loading Data Citra

Untuk melakukan loading data dalam pengolahan citra, yang pertama
dilakukan yakni mengimport data satelit yang digunakan ke dalam format Er Mapper.
Umumnya data citra disimpan dalam media magnetic tape, CD ROM atau media
penyimpan lainnya. Jenis data yang bisa diload ke dalam Er Mapper yakni data raster
dan data vektor
 12

Data raster adalah tipe data yang menjadi bahan utama kegiatan pengolahan
citra. Data raster adalah citra digital yang dibentuk dari elemen-elemen gambar (pixel
= picture element) dan dinyatakan dalam tingkat keabuan. Contoh data raster adalah
citra satelit dan foto udara. Secara defenitif citra penginderaan jauh adalah gambaran
suatu obyek dari pantulan atau pancaran radiasi elektromagenetik obyek, yang
direkam dengan cara optic, elektro-optik, optic-mekanik, atau elektronik. Citra
penginderaan jauh merupakan gambaran dari wujud aslinya atau paling tidak berupa
gambaran planimetriknya, sehingga citra merupakan keluaran suatu system
perekaman data dapat bersifat optic, analog, dan digital. Pada saat membuaka data
raster, Er Mapper akan membuat dua file : (1) File data binary yang berisikan data
raster dalam format BIL, tanpa file extension; dan (2) File header dalam format
ASCII dengan extension .ers.
Data vektor adalah data yang tersimpan dalam bentuk titik, garis, dan polygon
(area). Contoh data vector adalah data yang dihasilkan dari hasil digitasi Sistem
Informasi Geografis (SIG) seperti lokasi pengambilan sampel, jalan atau penggunaan
lahan. Er Mapper juga akan membuat dua file hasil dari mengimport data vector : (1)
File data dalam format ASCII berisikan data vector; dan (2) File header dalam format
ASCII dengan extension .erv.
Er Mapper memiliki banyak fasilitas import yang dapat digunakan untuk
mengimport antara lain data raster dan vector dalam berbagai format. Untuk
melalukan import data dapat dilakukan sebagai berikut :
 13

• Dari menu bar pilih Utilities yang akan menampilkan berbagai jenis data yang
dapat diimport dengan Er Mapper.
• Untuk mengimport data Landsat TM, pilih Import Satellite Imagery kemudian klik
Landsat TM BSQ/BIL CCT (Common LTWG CCT Format), lalu klik Import.
 14

• Klik Import File/Device Name untuk memilih file yang akan diimport dengan
mengklik akan muncul kotak dialog yakni Input File Selection, lalu pilih
direktori dimana file yang akan diimport.
• Klik Output Dataset Name memberikan nama baru file hasil import dan
menempatkan file tersebut didirektori yang diinginkan dengan mengklik
Er Mapper 7.0 memiliki kemampuan membuka langsung data dalam berbagai format
extension sebagai berikut : .ers, .alg, .hdr, .bmp, .doq, .ecw, .fst, .tif, .tiff, .l1g, .l1r,
.met, .hdf, .jpg, tanpa harus melakukan proses import.

2.3. Menampilkan Data Citra

• Dari menubar pilih File / New untuk membuat tampilan kosong atau klik .

• D ari menubar pilih View / Algorithm, atau dari toolbar klik untuk
menampilkan isi dari algorithm dari Window atau Tampilan yang dibuat
sebelumnya.
• Akan muncul tampilan kotak Algorithm dan kotak window baru sebagai berikut
:
 15

• Pada kotak window image ada tulisan

Pada kotak tersebut belum ada image karena belum ada file image yang
dimasukkan. Tanda
*** menunjukkan window/kotak tersebut sedang aktif atau sedang
dipilih, angka 1 menunjukkan bahwa kotak window tersebut adalah kotak
pertama yang dibuka, angka ini akan bertambah sebanyak jumlah kotak
window yang dibuka sehingga bila kita membuka kotak ke 15 maka akan
muncul angka 15 pada tampilan tersebut. Tulisan Algorithm Not Yet
Saved berarti tampilan window yang kita buka belum disimpan dalam file
algoritma (.alg).

• Dari menu Algorithm klik dibawah kata No Dataset untuk meload Data
yang akan ditampilkan.
• Akan keluar tampilan baru, kotak Raster Dataset
 16

• Kemudian pilih data citra yang akan ditampilkan, misalnya

L5114064_050897_B1234567.ers yang terdapat dalam folder D:\Praktek
PJT\114064_1997, lalu klik OK
 17

berarti kita memilih file yang di highli ght dan kotak Raster
Dataset akan menutup berarti kita memilih file yang di highlight
dan kotak Raster Dataset tidak akan menutup. Kalimat this layer only
yang mengikuti kata OK dan Apply menunjukkan bahwa perintah tersebut
hanya berpengaruh pada layer yang dipilih saja tetapi tidak untuk semua
layer.
adalah perintah untuk memperlihatkan informasi dari file
dataset yang akan kita pilih, akan tampil kotak seperti berikut :

• Bila data tersebut adalah data asli, maka cell size x dan y akan bernilai 1
meters. Nilai ini harus kita ubah terlebih dahulu sesuai dengan resolusi spasial
Landsat-TM yaitu 30 meters, yaitu dengan mengklik . Kemudian akan
tampil:
 18

Kemudian klik akan muncul kotak baru

Kemudian klik akan muncul kotak baru

Isikan nilai 30 pada pilihan Xdimension dan Ydimension seperti contoh diatas,
 19

lalu klik OK.

• Klik Yes bila ada pertanyaan Save changes before closing editor?
• Nilai cell size x dan y akan berubah menjadi 30 meters, kemudian klik Cancel.
• Setelah data file kita pilih, kemudian kita menentukan layer apa yang akan
menampilkan data tersebut. Bila sudah terpilih, maka nama file akan terlihat
pada kotak Algorithm

Menunjukkan layer pada file terpilih yang aktif dan akan ditampilkan pada
layer tersebut (contoh diatas menunjukan band 1 sebagai layer terpilih). Dengan
mengklik tombol panah kebawah disamping tulisan B1:Band1 maka akan tampak
seluruh layer yang ada pada file tersebut (dalam hal ini adalah 7 band dari
Landsat-TM) seperti contoh diatas.
• Set jenis layer yang akan digunakan untuk menampilkan data yang telah
diload, beberapa pilihan layer yang disediakan adalah Pseudo, Red, Green,
Blue, Intensity, Height , dll. Untuk mengetahui jenis layer dapat dengan
mengklik kanan pada kalimat Pseudo Layer dan akan muncul :
 20

• Tanda • menunjukkan jenis layer yang dipilih.

• Untuk menampilkan kombinasi kanal 453 misalnya, maka buat 3 layer yaitu
Red, Green, dan Blue
• Untuk menampilkan hasil klasifikasi, maka buat layer Class Display
• Untuk menampilkan Pseudo Color, maka buat layer Pseudo
• Dari toolbar Klik Refresh untuk menampilkan citra

Catatan :
• Untuk mengganti jenis layer klik kanan pada layer yang akan diganti.

• Untuk menduplikasi layer klik Duplicate atau copy layer kemudian

paste layer

• Untuk menghilangkan layer klik cut layer

• Untuk Menonaktifkan layer, klik kanan kemudian pilih Turn Off atau klik

• Gambar dan untuk menaikan dan menurunkan layer setingkat

 21

2.4. Mosaik Citra

Mosaik citra adalah proses menggabungkan/menempelkan dua atau lebih
citra yang tumpang tindih (overlapping) sehingga menghasilkan citra yang
representatif dan kontinyu. Dalam Er Mapper proses ini dapat dilakukan tanpa
membuat file yang besar (disimpan dalam bentuk Virtual) kecuali bila diinginkan
menyimpan file tersendiri (disimpan dalam bentuk Dataset). Adapun langkah-langkah
dalam melakukan mosaik citra sebagai berikut :
• Dari menubar pilih File-New untuk membuat tampilan kosong atau klik
atau klik lalu arahkan folder ke file D:\Praktek PJT\ 114064_1997\
L5114064_050897_B1234567_makassar.ers (Default Surface 1) atau disingkat
DS 1 lalu klik untuk menampilkan window algorithm, kemudian dari window
algorithm klik sebanyak 5x, klik kiri pada untuk mengganti
nama layer menjadi Band 1 sampai Band 7.
• Klik 1x di kemudian klik pilih file di kotak
dialog Raster Dataset, yakni L5114064_050897_B1234567_maros.ers (Default
Surface 2) atau disingkat juga DS 2, tampilan proses ini sebagai berikut :

Default
Surface 1

Default
Surface 2
 22

Citra masih ditampilkan dalam mode pseudo color, untuk dapat melihat citra
dalam warna true color, kita buat dengan kombinasi band RGB 453. Sebelum itu, jika
pada perbatasan scene ada bagian citra yang tidak tampak, lakukan edit Null Cell
Value pada kedua citra. Caranya dimulai menempatkan cursor pada DS yang ke 1.
Klik untuk membuka kotak dialog Raster Dataset. Selanjutnya klik info, klik Edit
(a) pada window Dataset Information, klik Raster Info (b) pada window Dataset
Header Editor, lalu ganti Null Cell Value : None dengan “0” (nol) pada window
Dataset Header Editor (c) : Raster Information, Klik OK pada window Dataset
Header Editor : Raster Information, klik Apply (d) pada window Dataset Header
Editor, klik Yes pada window Er Mapper Status, klik OK pada window Dataset Header
Editor, klik Close pada window Dataset Information.

b
c

Pada View Window akan tampak kedua citra yang telah tersambung, tetapi
belum tahu apakah di perbatasan kedua citra tersebut sudah representatif dan
kontinyu, seperti gambar berikut :
 23

Selanjutnya hasil mosaik citra tersebut di buat dalam bentuk color composite
true color, misalnya RGB 453, dengan langkah sebagai berikut :
• Delete dengan icon pada window layer-layer selain band 4,5, dan 3 pada DS
1 dan DS 2 sehingga yang tersisa hanya band 4,5 dan 3.
• Ganti dengan surface Red Green Blue.
• Ganti juga pada masing-masing DS dengan layer Red, Green
dan Blue sesuai urutan band 4, 5, dan 3 (tidak boleh tertukar urutannya).
 24

• Setelah citra telah termosaik dan tidak ada pergeseran, proses selanjutnya
menyimpan 2 dataset citra tersebut kedalam satu dataset. Dimulai dengan
membuka kembali semua band pada DS 1 dan DS 2 kedalam mode pseudo
layer. Sehingga pada window algorithm tersusun urut seperti gambar di bawah
sebelah kiri. Pada view window, kondisi citra “harus” kedalam keadaan Zoom to
All Datasets.
• Lakukan drag layer-layer pada DS 2 ke DS 1.
• Dari menubar pilih File-Save as untuk menyimpan algoritma-nya misalnya D:\
PraktekPJT\ 114064_1997\ L5114064_050897_B1234567.alg untuk menyimpan
hasilnya, dapat dilakukan dalam dua bentuk:
1. Disimpan dalam bentuk Virtual.
• Dari menubar pilih File-Save as akan muncul window baru yakni Save as.
Pada Files of Types, pilih ER Mapper Virtual Dataset (.ers) isikan nama
file baru di bawah kata Save as, misal D:\PraktekPJT\
114064_1997\L5114064_050897_B1234567_Mosaik_Virt.ers lalu Klik
OK.
2. Disimpan dalam bentuk Dataset.
• Dari menubar pilih File-Save as akan. Pada Files of Types, pilih ER
Mapper Raster Dataset (.ers) isikan nama file baru di bawah kata Save
as, misal D:\PraktekPJT\ 114064_1997\L5114064_ 050897_ B1234567_
Mosaik.ers lalu Klik OK.
• Klik Apply
• Pada window save as ER Mapper Raster Dataset klik Default, output
type : Multy Layer, klik output dataset type pilih Unsigned8bitinteger,
kemudian pixel heignt dan Pixel width masing masing 30. Maintain
aspect ratio d an Delete Output Transform di ceklist
• Klik OK, tunggu sampai window ER mapper status mencapai 100% dan
dan muncul pesan complete.
 25

III. KOREKSI GEOMETRIK/REKTIFIKASI CITRA

Koreksi geometrik citra terhadap koordinat bumi dilakukan agar semua

informasi data citra sesuai keberadaanya di bumi. Dalam proses ini terdapat dua
istilah yakni registerasi dan rektifikasi.
Regiterasi adalah proses mendaftarkan/menempatkan titik-titik referensi peta
atau titik-titik referensi bumi terhadap citra yang belum terkoreksi. Rektifikasi adalah
proses koreksi/perbaikan geometric citra yang belum terkoreksi yang sudah memiliki
titik-titik referensi.

3.1. Menentukan Metode Geocoding

Dalam melakukan koreksi geometrik, perlu ditentukan terlebih dahulu
metode yang akan digunakan untuk melakukan koreksi. Metode yang akan
digunakan tergantung pada jenis data (resolusi spasial) dan jenis kesalahan
geometris (skew, yaw, roll, dan pitch).
1. Triangulation, metode ini biasanya digunakan untuk data citra yang mengalami
banyak pergesaran/distorsi skew dan yaw, dan untuk data yang tidak sama
ukuran pixelnya pada satu data set.
2. Polynomial, metode ini biasanya digunakan untuk data citra yang mengalami
pergeseran linear, ukuran pixel sama dalam satu set, dan untuk data resolusi
spasial tinggi maupun rendah.
3. Orthorectify, metode ini biasanya digunakan untuk mengkoreksi data citra
secara geometris, juga mengkoreksi citra berdasarkan ketinggian geografisnya.
Jika tidak menggunakan metode ini, maka puncak gunung akan bergeser
letaknya dari posisi sebenarnya, walaupun sudah dikoreksi secara geometris.
4. Rotation, metode ini biasanya digunakan untuk mengkoreksi data citra karena
terjadi pergeseran yang terlihat berputar, baik searah jarum jam maupun
berlawanan jarum jam.
5. Map to Map Reprojection, metode ini digunakan untuk mengkoreksi data citra
dengan transformasi geografi, tetapi tidak memperbaiki distorsi geometrik.
 26

6. Known Point Registration, metode ini mengatur/memberikan titik registerasi

dan informasi koordinat pada data citra, tetapi tidak melakukan koreksi.
Untuk lebih jelasnya, dapat dilihat pada tabel berikut tentang beberapa
data citra dan metode koreksi yang digunakannya:
Image Orthorectify Polynomial Triangulation
Satelit Optikal (Landsat, x
SPOT)
Satelit Radar
Foto Udara x x x
Airborne Optical Scanner x x
Sumber : Earth Resource Mapping Ltd.

3.2. Menentukan Titik Kontrol (Ground Control Point = GCP)

Dalam penentuan titik control dalam proses koreksi geometric dilakukan

langkah-langkah sebagai berikut :
• Dari menu bar klik Proses, lalu pilih Geocoding Wizard
• Pada window Geocoding Wizard pilih 1)Start, lalu kilik untuk membuka
data citra yang akan dikoreksi, misalnya : L5114064_050807_B1234567.ers
• Pilih Polynomial pada Geocoding Type, lalu klik langkah kedua 2)Polynomial
Setup dan pilih linear pada Polynomial Order
27
 28

• Klik langkah 3)GCP Setup, lalu ceklist pada Geocoded image, vectors or
algorithm. Klik untuk membuka file referensi yang menjadi acuan untuk
mengoreksi data citra (misalnya Peta Rupa Bumi Digital Sulawesi Selatan
yang sudah geocoded) dalam format file .ers
• Pada kotak dialog Output Coordinate Space klik Change untuk menentukan
To geodetic datum : (misalnya = WGS84), To geodetic projection:
(misalnya = SUTM50) dan To coordinate type: (misalnya :
Eastings/Northings).

• Selanjutnya klik 4) GCP Edit, akan muncul 4 window view, yakni :

(a) UNCORRECTED GCP ZOOM; (b) CORRECTED GCP ZOOM; (c)
UNCORRECTED GCP (OVERVIEW ROAM geolink); dan (d) CORRECTED
GCP (OVERVIEW ROAM geolink). Selain itu akan tampil pula bersamaan
Window Geocoding Wizard Step-4 of 5, yang mana siap untuk memulai
pengambilan titik control.
 29

• Untuk memudahkan pengambilan titik-titik control Close saja dua window

view yakni UNCORRECTED GCP (OVERVIEW ROAM geolink) dan
CORRECTED GCP (OVERVIEW ROAM geolink) tersebut, sehingga yang
tersisa hanya window view UNCORRECTED GCP ZOOM dan CORRECTED
GCP ZOOM serta Window Geocoding Wizard-Step 4 of 5, lalu lakulan
geolink terhadap kedua window view UNCORRECTED GCP ZOOM dan
CORRECTED GCP ZOOM tersebut dengan mengklik kanan pada citra dan
peta lalu pilih Quick Zoom dan pilih Set Geolink to Window.
 30

• Gunakan icon dari menu bar untuk menunjuk titik-titik referensi pada
citra dan peta. Gunakan juga icon-icon zooming dan panning
dari menu bar untuk memperbesar, memperkecil dan menggeser
citra dan peta.
• Klik dengan icon pada window view UNCORRECTED GCP ZOOM
untuk mengambil titik X dan Y, lalu klik pada window view CORRECTED
GCP ZOOM untuk mengambil koordinat Eastings dan Northings. Lalu
klik “Edit” hingga berubah menjadi “No” pada window Geocoding Wizard-
Step 4 of 5 agar titik yang telah dipilih terkunci (tidak akan mengalami
pergeseran)
• Klik icon pada window Geocoding Wizard-Step 4 of 5 untuk menambah
titik referensi baru lalu (lakukan langkah-langkah tersebut untuk titik-titik yang
lain)
 31

• Dalam pengambilan titik GCP tersebut, minimal sebanyak 4 titik dan

maksimal tidak terbatas, dengan pertimbangan pada saat memilih titik GCP,
sebaiknya memilih terlebih dahulu pada setiap sudut jendela citra, tetapi bila
tidak bisa (misalnya data daerah pesisir/lautan atau ada awan), maka dicari
titik terdekat dengan sudut tersebut. Hal tersebut untuk menjaga supaya titik
GCP menyebar pada citra sehingga perhitungan statistic rektifikasi tidak
bertumpuk pada salah satu sudut saja.
• Pemillihan obyek yang akan dijadikan GCP sebaiknya obyek yang tidak
berubah dalam rentang waktu perbedaan data citra tersebut, misalnya
perpotongan jalan, tetapi bila tidak memungkinkan maka dapat dipilih daerah
aliran sungai, perpotongan sungai dan lainnya selama obyek tersebut tidak
berubah bentuknya dan berpindah tempat.
• Setelah 4 titik GCP diambil, kita bisa melihat nilai RMS (Root Mean Square),
nilai tersebut menunjukkan sebarapa besar kesalahan titik yang kita ambil
terhadap sebenarnya dipeta, nilai RMS sebaiknya tidak lebih dari 1. (Sumber:
Earth Resource Mapping Ltd).
32
 33

• Jika telah mengambil minimal 4 titik GCP, save untuk menyimpan file GCP ke
dalam file header citra. Klik juga icon untuk menyimpan file GCP ke
dalam file tersendiri yang berextensi gcp (.gcp).
• Untuk melihat ke arah mana salahnya pergeseran titik referensi, aktifkan Grid
dan Errors pada window.

3.3. Proses Rektifikasi

• Dalam koreksi geometrik, proses rektifikasi (Rectify) merupakan langkah

terakhir
• Klik untuk menyimpan file hasil koreksi di D:\Praktek
PJT\114064_1997\L5114064_050897_B1234567_rec.ers.
• Untuk Cell Attributes: Cell size X : 30 dan Cell size Y : 30, Null cell value : 0,
Resampling : Nearest Neighbor. Lalu klik
untuk memulai rektifikasi.
 34

• Tunggu sampai rektifikasi file mencapai 100%.

• lalu klik OK jika rektifikasi berakhir sukses

 35

IV. KUALITAS CITRA

4.1. Pembuatan Citra Komposit (RGB = Red-Green-Blue)

Pembuatan Citra Komposit merupakan modifikasi saluran/kanal/band citra

untuk menonjolkan beberapa aspek. Pemilihan band didasarkan atas kebutuhan
pengolahan data. Misalnya untuk memperlihatkan penutup lahan kawasan muara
Sungai Tallo Makassar maka disarankan menggunakan komposit citra 453,
maksudnya band 4 diberi warna merah, band 5 diberi warna hijau, dan band 3 diberi
warna biru, yang biasa disebut dengan Red, Green, Blue (RGB). Cara untuk
membuat komposit citra sebagai berikut :

• Dari tool bar klik lalu klik untuk memilih file citra yang akan
dikompositkan, misalnya L5114064_050897_B1234567_rec.ers yang terdapat
pada folder : D:\Praktek PJT\114064_1997\ , lalu klik OK.
 36

• Klik icon 2 kali, lalu klik kanan pada dan pilih Red
Green Blue, lalu ubah dengan menklik kanan menjadi Red
untuk yang pertama 1, Green kedua dan Blue ketiga, bersamaan itu pula ubah
band-nya untuk Red: Band 4; Green: Band 5; dan Blue: Band 3, sehingga
nampak citra dengan komposit RGB 453, seperti gambar berikut :

• Simpan file citra hasil komposit tersebut dengan memilih File-Save as dengan
menyimpannya pada folder : D:\Praktek PJT\114064_1997\ , dengan memilih
Er Mapper Raster Dataset pada Files of Type untuk menempatkan dataset
hasil save as. Isikan nama file baru dengan nama
L5114064_050897_B1234567_B453.ers lalu klik OK.
• Pada window Save as Er Mapper Raster Dataset klik Default, Output Type :
Multi Layer, Data Type : Unsigned8bitInteger, lalu pixel height dan pixel
√)
width masing-masing 30. Maintain aspect ration di ceklist (√
• Klik OK dan tunggu sampai window Er Mapper Status mencapai 100% dan
pesan yang menyatakan complete.
 37

4.2. Pemotongan Citra (Cropping)

Pemotongan citra dilakukan guna memperkecil daerah yang dikaji dan ukuran (size)
data, dimana diketahui ukuran satu scene citra Landsat adalah 185 x 185 km dan untuk satu
band size-nya ± 54.173 kb dan untuk data yang telah di mosaik yang disimpan dalam dataset
size-nya bisa mencapai 375.824 kb. Langkah-langkah dalam melakukan pemotongan citra
(cropping) ada beberapa cara :
1. Dengan memasukkan koordinat geografis (lintang/bujur) atau Universal
Transverse Mercator (UTM)

• Dari toolbar klik lalu klik pilih citra yang akan dipotong, misalnya
D:\Praktek PJT\114064_1997\L5114064_050897_B1234567_rec.ers, lalu
tampil-kan semua band pada file tersebut, jangan lupa ganti

dengan nama-nama band-nya, seperti berikut :

• Dari menu bar View-Geoposition atau klik , lalu pilih Extens akan muncul
kotak dialog seperti berikut :
 38

• Masukan nilai koordinatnya, bisa dalam bentuk Latitude/Longitude atau

Easting/Northing, kemudian klik Apply
• Dari menubar pilih File-Save as Dataset

2. Memotong sesuai bentuk yang diinginkan, seperti batas admnistrasi

kabupaten/kota :
Jika data berasal dari data GIS (seperti ArcView) yang memiliki extension
.shp, seperti Makassar.shp, lakukan konversi ke .erv (vector Er Mapper), dengan
langkah sebagai berikut :
• Dari menu bar klik pilih Utilities, lalu pilih Import Vector and GIS Formats –
ESRI Shape File – Import
• Muncul window Import Shape File, pada baris Input-File Name: arahkan ke
folder D:\Praktek PJT\Batas Administrasi\makassar.shp
• Pada baris Output File Name: arahkan ke folder D:\Praktek PJT\Batas
Administrasi\makassar.erv
• Ganti Map projection dengan SUTM50 dan Geodetic datum : WGS84, dan
seterusnya seperti pada gambar. Warna garis bisa dipilih sesuai selera yang
penting terlihat jelas di citra.
 39

• Pada window algorithm, klik Edit - Add Vector Layer - Annottion/Map

Composition, untuk mengeluarkn layer khusus vektor.

• Setelah dibuka dengan mengklik icon untuk memunculkan window tools

lalu pada window tools klik akan muncul vector polygon kota Makassar di
 40

atas citra dengan mengarahkan pada folder D:\Praktek PJT\Batas

Administrasi\makassar.erv lalu klik Ok.

Klik untuk memunculkan

vektor polygon
 41

Vektor batas administrasi

Kota Makassar

• Setelah itu beri nama region vector polygon dengn cara klik pada window
tools, jangan lupa garis vector tersebut harus dalam keadaan terselect, seperti
gambar berikut, lalu ketikkan kata “Makassar” pawa window yang tersedia, lalu
klik Apply.
 42

• Save file vector tersebut dengan dan save as ke dalam Raster Region
dengan
• Pindahkan dot selection pada vektor file ke Raster Region. Pada baris Save to
File, filenya harus sama dengan yang dibuka di window algorithm, yakni
L5114064_050997_B1234567_rec.ers, seperti gambar berikut :

(Hingga langkah ini, file citra siap di cropping, dengan memberikan

formula untuk memotong citra tersebut).
• Selanjutnya untuk memberikan formula klik pada algorithm. Pada window
formula editor klik Standart – isikan pada INPUT : B1: Band1; Region1:
makassar
• Lakukan hal yang sama untuk yang lainnya hingga INPUT1:B7: Band7;
Region1: Makassar, seperti gambar berikut :
 43

INPUT1: B1: Band 1

INPUT1: B2: Band 2
INPUT1: B3: Band 3
INPUT1: B4: Band 4
INPUT1: B5: Band 5
INPUT1: B6: Band 6
INPUT1: B7: Band 7

REGION1: makassar
 44

• Sehingga dihasilkan citra hasil cropping sebagai berikut :

• Untuk mengganti background color citra yang berwarna hitam menjadi putih,
lalu dari menu bar klik File-Page Setup, lalu ubah Set Color menjadi White,
lalu klik OK, sehingga dihasilkan gambar berikut :
 45

• Untuk menyimpan citra hasil cropping tersebut dalam File Dataset, dari
menu bar klik File-Save As, dan simpan dalam folder :
D:\ Praktek PJT\114064_1997\ dengan nama
L5114064_050897_B1234567_rec_makassar.ers

Catatan :
• Jika menggunakan citra Landsat 7 ETM, yang memiliki tambahan band 8,
lakukan hal yang sama untuk band 8 tersebut, mulai dari overlay annotation
layer makassar.erv dengan citra band 8, lalu simpan dalam raster region pada
file band 8, kemudian beri formula. File misalnya disimpan dengan nama
L7114064_050802_B8_rec_makassar.ers
• Pada saat di Save As...., layer vector bisa di cut , agar tidak terbawa
dalam dataset baru.
 46

4.3. Penajaman Kontras Citra (Transformation)

4.3.1. Penajaman Citra
Transformasi adalah teknik peningkatan kontras warna dan cahaya dari suatu
citra sehingga memudahkan untuk interpretasi dan analisis citra. Histogram adalah
suatu tampilan grafik dari distribusi frekuensi relatif dalam suatu dataset. Suatu kotak
dialog transformasi akan menampilkan histogram data masukan dan data keluaran
setelah ditransformasi, dan garis transformasi.
• Untuk mengkontraskan data dengan menghilangkan 1 % informasi klik
• Untuk mengkontraskan data secara manual klik akan keluar tampilan
sebagai berikut :

• Kesembilan icon disebelah kanan adalah berbagai jenis stretch yang umum
digunakan antara lain transformasi linier, histogram equalisasi, gausian, dll. Untuk
mengetahui jenis transformasi untuk setiap icon letakkan cursor beberapa saat
diatas icon.
• Untuk mengganti layer yang akan diubah kontrasnya klik , , atau
 47

• Anda dapat juga membuat kontras citra secara manual dengan mendrag garis
lurus pada kotak histogram dengan mouse kiri, seperti contoh:

Drag to
transform

• Untuk menyimpan hasil transformasi maka tampilan citra perlu disimpan, bisa
sebagai algoritma ataupun sebagai raster dataset dengan mengklik File-Save As
dan simpan di folder D:\ Praktek PJT\114064_1997\ dengan nama
L5114064_050897_B1234567_rec_trans.alg

4.3.2. Filtering
Filter spasial adalah suatu aplikasi umum yang diterapkan pada citra untuk
penajaman guna memuddahkan interprestasi visual. Filter spasial disebut juga
sebagai operasi lokal dalam pengolahan citra, sebab filter spasial merubah harga
setiap pixel dalam dataset sesuai dengan harga-harga pixel di sekitarnya.
Filter spasial dapat dibagi menjadi tiga kategori utama, yaitu :
1. Low pass filter atau filter lolos rendah, adalah filter yang menekan frekuensi
rendah meratakan keluaran noise pada citra atau menghilangkan spike pada
citra. Filter lolos rendah terkadang disebut juga sebagai filter smoothing atau filter
averaging.
 48

2. High pass filter atau filter lolos tinggi, adalah filter yang menekan frekuensi tinggi
untuk mmenajamkan penampakan liner pada citra seperti jalan, patahan
lingkungan air dan tanah. Filter lolos tinggi terkadang disebut juga sebagai filter
sharpening karena secara umum digunakan untuk menajamkan citra secara detail
tanpa mempengaruhi bagian dari frkuensi rendah citra.
3. Edge detection filter, adalah filter yang menekan pinggir-pinggir disekeliling
suatu obyek atau penampakkan dalam suatu citra untuk memudahkan dalam
analisis. Filter edge detection biasanya membuat suatu citra dengan latar
belakang abu-abu dan hitam, dan garis putih yang mengelilingi pinggir obyek atau
penampakan dalam suatu citra.
Kita dapat memilih jenis-jenis filter yang ingin digunakan dari kumpulan filter
yang ada di ER Mapper, sepertim filter untuk averaging, edge enhancement,
laplacian, noise removal, sharpening, threshold, median, gradient. Kita juga dapat
mendefinisikan dan memasukkan filter-filter khusus yang kita buat sendiri. Filter dapat
digunakan untuk meningkatkan tampilan citra, menajamkam citra, meratakan dan
menghilangkan noise atau bising.
Untuk melakukan filtering, terlebih dahulu buka file raster dataset
L5114064_050897_B1234567_B453.ers pada folder D:\ Praktek PJT\114064_1997\
lalu klik akan muncul window filter. Dari window filter klik untuk meload jenis
filter yang akan digunakan, akan banyak pilihan jenis filter pada ER Mapper.
 49

Pada direktori ER Mapper/Kernel banyak direktori dari filter yang dapat

digunakan. Misalnya mengambil jenis filter/ file filter Sharpen11x11.ker pada
direktori filters_high_pass, lalu klik OK

• Untuk memberi filter pada layer lain klik , , atau .

• Kemudian klik
• Untuk mendelete filter klik pada kotak filter kemudian klik lalu pilih
Delete this filter.
 50

• Kemudian klik , lalu save hasil filtering pada dengan mengklik File-Save As
dan simpan di folder D:\ Praktek PJT\114064_1997\ dengan nama
L5114064_050897_B1234567_B453_filter.alg

4.3.3. Transformasi Khusus (NDVI = Normalized Difference Vegetation

Index)

NDVI adalah kombinasi antara teknik penisbahan dan teknik pengurangan

saluran. Dengan formula sebagai berikut :

Untuk memulai pembuatan algoritma NDV terlebih dahulu anda harus membuka file
citra yang akan di proses yakni L5114064_050897_B1234567_B453.ers dengan

mengklik , setelah terbuka citra dilanjutkan dengan mengklik icon Edit Formula
hingga akan muncul kotak dialog seperti dibawah ini :
 51

• Selanjutnya klik File - Open seperti pada gambar berikut :

Anda akan langsung masuk pada direktori formula algoritma yang telah di
patentkan, kemudian pilih algolitrma yang anda kan buat seperti dibawah ini, misalnya
menggunakan citra Landsat TM, lalu klik OK, seperti gambar berikut :
 52

• Kemudian muncul window seperti di bawah ini :

• Lalu klik , selanjutnya simpan file hasil transformasi NDVI dengan mengklik
File-Save As dan simpan di folder D:\ Praktek PJT\114064_1997\ dengan nama
L5114064_050897_B1234567_B453_NDVI.alg
 53

V. KLASIFIKASI MULTISPEKTRAL

Klasifikasi multispektral adalah suatu proses dimana semua pixel dari suatu
citra yang mempunyai penampakan spektral yang sama akan diidentifikasikan.
Sebagai contoh suatu citra Landsat TM dengan tujuh buah informasi band dapat
diklasifikasi untuk mengidentifikasi lingkupan kawasan atau lahan di pesisir atau tata
guna lahan. Kita mempunyai sejumlah pilihan untuk membuat suatu klasifikasi, kita
dapat memilih jenis keluaran yang diinginkan dan juga pengolahan data yang
diinginkan. Dalam proses klasifikasi kita akan membuat suatu data set klasifikasi atau
suatu algoritma dari tiap-tiap baris yang mempresentasikan suatu kelas.
Klasifikasi unsupervised (tak terbimbing) dan supervised (terbimbing)
biasanya digunakan untuk mengklasifikasi keseluruhan suatu dataset menjadi kelas-
kelas. Kelas-kelas dapat mengidentifikasi misalnya area air (laut, sungai, maupun
danau), vegetasi (hutan dan tanaman, tanaman hijau lainnya), tambak, permukiman,
lahan kosong, dan lain-lain. Suatu dataset klasifikasi biasanya diperlihatkan dengan
menggunakan suatu tampilan baris klasifikasi dalam algoritma. Tampilan baris
klasifikasi dapat menampilkan banyak kelas, dengan warna yang berbeda-beda untuk
masing-masing kelas.

5.1. Klasfikasi Unsupervised (Tak Terbimbing)

Kita menggunakan klasifikasi unsupervised ketika kita mempunyai sedikit
informasi tentang dataset kita. Klasifikasi data unsupervised memulai mengklarifikasi
dari kelas-kelas atau wilayah-wilayah yang kita spesifikasikan atau dari jumlah
nominal kelas. Klasifikasi unsupervised secara sendiri akan mengatagorikan semua
pixel menjadi kelas-kelas dengan menampakan spektral atau karateristik spektral
yang sama. Hasil klasifikasi dipengaruhi oleh parameter-parameter yang kita tentukan
dalam kotak dialog klasifikasi unsupervised. Klasifikasi unsupervised akan
menghitung secara statistik untuk membagi dataset menjadi kelas-kelas sesuai
dengan jumlah kelas yang kita inginkan.
 54

Biasanya hasil-hasil klasifikasi unsupervised harus diinterpretasi dengan

menggunakan data yang sebenarnya di lapangan untuk menentukan kelas-kelas
yang mempresentasikan area atau wilayah sebenarnya di lapangan. Dari informasi ini
mungkin kita bisa memutuskan untuk mengkombinasikan atau menghapus kelas-
kelas yang diinginkan. Kita perlu juga untuk memberi warna dan nama untuk masing-
masing kelas.
Adapun proses dalam klasifikasi unsupervised sebagai berikut :
• Pilih Process pada menu bar, lalu pilih Classification dan pilih ISOCLASS
Unsupervised Classification sehingga muncul window Unsupervised
Classification berikut :
 55

• Klik pada Input Dataset untuk file yang akan diklasifikasi, misalnya
D:\Praktek PJT\114064_1997\L5114064_050897_B1234567_makassar_ rec.ers
• Masukkan band yang akan digunakan dengan mengklik pada Band to Use.
Karena band RGB yang digunakan 453, maka masukkan 3-5
• Klik pada Output Dataset untuk memasukkan nama file yang baru hasil dari
klasifikasi, misalnya D:\Praktek PJT\114064_1997\ L5114064_
050897_B1234567_ makassar_ rec_unclass.ers.
• Masukkan nilai Maximum iterations, nilai tertinggi yang bisa dimasukkan 9999,
disini diberikan nilai 15.
• Masukkan nilai Maximum number of classes, nilai tertinggi yang bisa
dimasukkan adalah 255, disini diberikan 30.
• Masukkan nilai Maximum standard deviation, disini diberikan 2.
• Lalu Klik OK, sehingga munculnya pesan Unsupervised Classification complete
successfully sebagai berikut :

• Close semua window yang ada kecuali window ER Mapper.

 56

• Untuk menampilkan hasil klasifikasi tersebut, klik lalu ubah Pseudo layer
dengan mengklik kanan menjadi Class Display Layer, lalu klik pada
window Algorithm tersebut untuk menampilkan citra hasil klasifikasi dalam bentuk
grayscale (keabuan) yang belum dapat memberikan informasi kelas-kelas tentang
obyek yang ada seperti gambar berikut :

• Untuk menampilkan klas-klas obyek tersebut, lakukan pengeditan kelas, dengan

mengklik Edit pada menu bar lalu pilih Edit Class/Region Color and Name
sehingga muncul window Edit Class/Region Details, yang akan menampilkan
jumlah kelas yang sama dengan nilai Maximum number of classes yang kita
berikan, yang mana pada contoh ini jumlahnya sebanyak 30, lalu klik untuk
memasukkan nama file datasetnya seperti gambar berikut :
 57

• Pada window Edit Class/Region Details klik Auto-gen colors sehingga muncul
untuk menampilkan secara otomatis kelas yang sama
berdasarkan warna komposit warna yang diberikan dalam hal ini RGB 453, lalu
berikan tanda centang pada kotak kecil Full Saturation lalu klik
seperti gambar berikut:
 58

• Sehingga warna klasnya pada window Edit Class/Region Details akan berubah
dari grey scale menjadi warna yang menyerupai komposit warna RGB 453 seperti
gambar berikut:

• Save perubahan warna tersebut lalu klik pada menu bar sehingga citra juga
akan berubah sesuai komposit warna RGB 453
 59

• Lakukan perubahan pada unlabelled name pada window Edit Class/Region

Details menjadi nama kelas yang kita inginkan, kemudian samakan warnanya,
Untuk contohnya : kelas unlabelled 1 s/d 3 menjadi kelas air (laut dan sungai), dan
warnanya diubah menjadi hitam. Langkah ini diulang-ulang untuk yang lainnya
sambil mensave dan mengklik pada menu bar sehingga dapat terlihat
perubahan warnanya pada citra tersebut.
• Setelah itu catat kelas perubahannya, untuk contoh ini :
- Kelas Air (Laut dan Sungai) diwakili oleh kelas unlabelled 1-3
- Kelas Tambak diwakili oleh kelas unlabelled 4-6
- Kelas Permukiman diwakili oleh kelas unlabelled 7-8, 17, 21-22 dan 27
- Kelas Vegetasi darat diwakili oleh kelas unlabelled 9-16, 18-20, dan 23-26
- Kelas Lahan Kosong diwakili oleh kelas unlabelled 28-30
• Selanjutnya gabungkan kelas-kelas tersebut menjadi lebih kecil sesuai dengan
yang kita inginkan, yakni dari 30 kelas menjadi misalnya 5 kelas seperti di atas
dengan menggunakan Edit Formula dengan mengklik pada menu bar
sehingga muncul window Formula Editor, lalu buat logika proses dengan
menggunakan kalimat if Input … then…else… guna merubah 30 kelas menjadi 5
kelas lalu klik seperti contoh di bawah ini:
 60

• Kemudian dari window Formula Editor klik File lalu pilih Save. Untuk contoh ini di
save pada C:\ERMapper70\Formula\Vegetation dengan nama makassar.frm

• Selanjutnya klik File dan Save as file hasil klasifikasi yakni L5114064_
050897_B1234567_ makassar_ rec_unclass.ers yang ada di D:\Praktek
PJT\114064_1997\ menjadi nama baru untuk klasifikasi 5 kelas. Untuk contoh ini
save dengan nama L5114064_ 050897_B1234567_ makassar_
rec_unclass1.ers.
• Buka program WordPad dengan mengklik Start lalu pilih All Programs, lalu pilih
Accessories, lalu pilih WordPad. Lalu tampilkan file L5114064_
050897_B1234567_ makassar_ rec_unclass1.ers dengan mengklik File lalu pilih
Open. Jangan lupa Files of type adalah All Documents (*.*)
• Kemudian Klik Open, lalu sorot Region Info Begin dari Class Number = 6 sampai
dengan Region Info End dari Class Number = 30, lalu klik atau tekan tombol
Delete di keyboard untuk menghapusnya, lalu klik untuk mensave. (Hal ini
dilakukan karena walaupun kelasnya sudah menjadi 5 kelas, namun dokumen
yang ada pada file .ers-nya masih 30 kelas).
61
 62

• Untuk menampilkan hasil klasifikasi 5 kelas tersebut, klik lalu ubah Pseudo
layer dengan mengklik kanan menjadi Class Display Layer, lalu klik
pada window Algorithm tersebut untuk menampilkan citra hasil klasifikasi
tersebut, untuk contoh ini L5114064_ 050897_B1234567_ makassar_
rec_unclass1.ers , lalu Klik Edit pada menu bar lalu pilih Edit Class/Region
Color and Name sehingga muncul window Edit Class/Region Details, yang akan
menampilkan 5 kelas.
• Untuk memudahkan mengenali obyek pada 5 kelas tersebut, Lakukan perubahan
warna sesuai dengan keinginan Anda dengan mengklik . Untuk contoh
ini :
1. Kelas air (Laut dan Sungai) : hitam
2. Kelas tambak : abu-abu (128,128,128)
3. Kelas permukiman : orange (255,128,0)
4. Kelas vegetasi darat : hijau
5. Kelas lahan kosong : kuning

• Lalu Save dan Cancel untuk menutup window tersebut

 63

5.2. Klasfikasi Supervised (Terbimbing)

Klasifikasi Supervised adalah merupakan metode klasifikasi yang lebih
memuaskan, Untuk analisis harus menggunakan data lapangan untuk
memutuskan/mengontrol tipe penutupan lahan yang benar untuk areal citra.
Klasifikasi ini dilakukan dengan menggambar training area untuk masing-masing tipe
penutupan lahan yang harus dipisahkan pada klasifikasi dan menggunakan
karakteristik spektral masing-masing area untuk mengklasifikasi citra.
Kita menggunakan klasifikasi supervised apabila kita mempunyai pengetahuan
yang cukup dari dataset dan pada posisi atau area mana suatu wilayah atau kelas-
kelas tersebut berada di lapangan. Klasifikasi supervised memerlukan kelas-kelas
yang menspesifikasikan wilayah-wilayah yang diinginkan. Klasifikasi supervised
kemudian akan mencari semua pixel dengan karakteristik-karakteristik spektral yang
sama, sesuai dengan yang telah kita definisikan. Kita dapat mendefinisikan suatu
wilayah dengan menggambarkan suatu wilayah latihan dengan menggunakan sistem
anotasi dan menyimpannya dalam dataset raster.
Adapun proses dalam klasifikasi Supervised sebagai berikut :
• Klik pada menu bar untuk menampilkan window Algorithm, lalu klik untuk
menampilkan citra yang akan diklasifikasi, misalnya D:\Praktek PJT\
114064_1997\ L5114064_050897_B1234567_makassar_ rec.ers. Buat komposit
warnanya supaya memudahkan dalam membedakan obyeknya yang akan
dikelaskan. Untuk contoh ini kita menggunakan RGB 453.
• Kemudian dari menubars pilih Edit kemudian pilih Edit/Create Regions…
 64

• Akan muncul kotak New Map Composition

• Lalu klik OK.

• Kemudian akan muncul kotak Tools. Pada kotak Algorithm akan muncul Region
Layer (Outline).
 65

• Dari kotak Tools ini kemudian kita membuat polygon training area yang mewakili
obyek-obyek yang akan kita kelaskan. Klik untuk memulai pengambilan
polygon training area.
• Kursor akan berubah menjadi , lalu kita membuat polygon dengan mengklik
kiri untuk memulai polygon dan seterusnya lalu diakhiri dengan mengklik kiri dua
kali, maka polygon akan menutup. Misalnya kelas pertama adalah Sungai, maka
buat polygon pada daerah Sungai

• Kemudian klik akan muncul kotak Map Composition Attribute.

 66

• Ketikan nama kelasnya, misalnya: Sungai. Lalu klik

• Kemudian save region ke dalam file, hingga akan muncul massage yang
menandakan polygon tersebut telah tersimpan dalam file.

• Lakukan proses yang sama untuk obyek-obyek yang lain.Setelah semua obyek
terwakili melalui polygon training area, kemudian klik pada kotak Tools.
• Kemudian pada menubars pilih Process lalu pilih Calculate Statistics….

• Klik pada Dataset, kemudian pilih file yang tadi telah kita training area.
• Isikan nilai 1 pada Subsampling interval, kemudian pada kotak di samping
Force Recalculate stats klik sehingga seperti contoh diatas. Kemudian klik OK.
 67

• Pada menubars pilih Process kemudian pilih Classification, kemudian pilih

Supervised Classification….

• Klik pada Input Dataset, pilih file yang telah di calculate statistics.
• Input Band pilih Band 3-5
• Output Dataset biasanya sudah memberi nama secara otomatis dengan
menambahakan akhiran _class pada nama file input. Kemudian klik OK.
• Untuk menampilkan hasil klasifikasi tersebut, klik lalu ubah Pseudo layer
dengan mengklik kanan menjadi Class Display Layer, lalu klik pada
window Algorithm tersebut untuk menampilkan citra hasil klasifikasi tersebut,
yakni L5114064_050897_B1234567_makassar_ rec_class.ers
• Lalu Klik Refresh
• Untuk menampilkan hasil klasifikasi 7 kelas tersebut, klik lalu ubah Pseudo
layer dengan mengklik kanan menjadi Class Display Layer, lalu klik
pada window Algorithm tersebut untuk menampilkan citra hasil klasifikasi
tersebut, untuk contoh ini L5114064_050897_B1234567_makassar_
rec_class.ers , lalu Klik Edit pada menu bar lalu pilih Edit Class/Region Color
 68

and Name sehingga muncul window Edit Class/Region Details, yang akan
menampilkan 7 kelas tersebut.
• Untuk memudahkan mengenali obyek pada 5 kelas tersebut, Lakukan perubahan
warna sesuai dengan keinginan Anda dengan mengklik . Untuk contoh
ini :
1. Kelas tanah terbuka : kuning
2. Kelas Permukiman : orange (255,128,0)
3. Kelas vegetasi darat : hijau
4. Kelas tambak : abu-abu (128,128,128)
5. Kelas mangrove : merah
6. Kelas Sungai : coklat (128,64,0)
7. Kelas Laut : biru muda (0,128,255)

• Lalu Save dan Cancel untuk menutup window tersebut

 69

VI. UJI LAPANGAN DAN KETELITIAN

6.1. Uji Lapangan

Uji Lapangan adalah penilaian kondisi riil dilapangan yang didasarkan dari
kenampakan tutupan lahan yang dinterpretasi dari kenampakan di lapangan. Dalam
uji lapangan, ada beberapa hal yang perlu dikerjakan antara lain :
1. Pencocokan, yakni mencocokkan antara kenampakan di citra hasil klasifikasi
dengan kondisi dilapangan
2. Mengukur, pada kegiatan cek lapangan skala detil kadang diperlukan suatu
pengukuran, misalnya pengukuran kerapatan mangrove. Hingga bias
dibandingkan antara kerapatan dari citra dengan kondisi lapangan
3. Sampling, yakni mengambil contoh sampel dari lapangan, pengambilan sampel
dilakukan jika ada obyek tidak bias diidentifikasi dari lapangan, misalnya jenis
tanah.
Dalam uji lapangan kita menggunakan data hasil klasifikasi atau peta
tentative, tabel uji lapangan dan Global Positioning System (GPS). Lakukan
pencatatan posisi sampling Anda, lalu sesuaikan system proyeksi GPS yang akan
Anda gunakan, misalnya data citra anda menggunakan Proyeksi UTM, dan Datum
WGS 84, maka GPS yang akan digunakan disetup pada sistem yang sama. Cari
posisi sampling anda, yang pencarian dengan menggunakan GPS, yang mana
ototmatis harus didasari atas kenampakan visual citra, kemudian catat hasilnya dalam
tabel. Contoh tabel uji lapangan yang dapat digunakan sebagai berikut :
Tabel 1. Contoh Tabel Uji Lapangan

NO. POSISI
PENUTUP LAHAN KETERANGAN
X Y

Sumber : Faizal dan Hanafia, 2003

 70

6.2. Uji Ketelitian

Uji ketelitian adalah menguji kebenaran hasil interpretasi citra digital atau peta
tentatif dengan kondisi sebenarnya di lapangan. Uji keteltian dilaksanakan dengan
metode Short yang dimodifikasi oleh Sutanto (1986). Dari hasil uji ditentukan apa
layak atau tidak hasil interpretasi citra satelit diterima. Ketelitian interpretasi dapat
diterima tergantung berapa persen hasil keteltian yang kita dapatkan, misalnya untuk
penutup lahan minimal 85 %, dan untuk geologi minimal 60 %. Artinya jika dalam uji
ketelitian hasilnya kurang dari 85% untuk tutupan lahan, maka hasil interpretasi
tersebut perlu diklasifikasi kembali (Re-interpretasi).
Untuk melakukan uji ketelitian, gunakan data hasil pengamatan lapangan
dengan hasil pengolahan citra yang di input kedalam tabulasi perhitungan keteltian
seperti di bawah ini, lalu hitung besarnya kesalahan pengolahan citra digital dan
hitung pula besarnya kebenaran pengolahan citra digital dengan begitu akan
didapatkan berapa besar tingkat keteltiannya dan apa yang harus di klasifikasi ulang.
Tabel 2. Contoh Tabel Uji Ketelitian
NO. HASIL PENGUJIAN TOTAL TOTAL
UJI LAP.
LAPANGAN INTERPRETASI SALAH
Air Tmb Pkm Veg LK JUMLAH JUMLAH
INTERPRETASI
1 Air (Laut/ Sungai)
2 Tambak (Tmb)
3 Permukiman
(Pkm)
4 Vegetasi Darat
(Veg)
5 Lahan Kosong
(LK)
Total Lapangan
% Benar
% Salah
Sumber : Deels dan Antrop dalam Faizal 2001
 71

VII. RE KLASIFIKASI DAN LUASAN LAHAN

7.1. Re-Klasifikasi

Re-klasifikasi merupakan proses pengklasifikasian ulang terhadap data citra

satelit yang telah diklasifikasi dan ditinjau kebenarannya di lapangan sebelumnya,
yang mana tingkat ketelitiannya kurang atau tidak mencapai target, misalnya untuk
tutupan lahan kurang dari 85% kebenarannya. Dengan melakukan re-klasifikasi
diharapkan data yang dihasilkan nantinya valid dan dapat dipertanggungjawabkan.
Dalam melakukan re-klasifikasi, dilakukan langkah-langkah sebagai berikut :
• Dari menu bar menu bar lalu pilih Edit Class/Region Color and Name sehingga
muncul window Edit Class/Region Details, yang akan menampilkan 7 kelas
tersebut hasil klasifikasi sebelumnya.
 72

• Ganti nama penggunaan lahan sesuai hasil pengamatan Anda. Kemudian klik
lalu untuk menutup kotak.
• Untuk menampilkan hasil klasifikasi tersebut, klik lalu ubah Pseudo layer
dengan mengklik kanan menjadi Class Display Layer, lalu klik pada
window Algorithm tersebut untuk menampilkan citra hasil re-klasifikasi tersebut,
lalu klik Refresh

7.2. Menghitung Luasan Lahan Hasil Klasifikasi

• Lakukan proses Calculate Statistic terlebih dahulu terhadap file hasil klasifikasi.
• Kemudian dari menu bar pilih View lalu Statistics, lalu pilih Area Summary
Report….
• Pilih file yang akan Anda hitung luasannya pada Input Dataset, kemudian klik
OK, Maka akan muncul luasan pada setiap kelas dalam satuan Hectare, Kilometer
persegi, Acre dan Mil persegi
 73

VIII. ANNOTASI DAN PENCETAKAN

8.1. Annotasi

• Dari menu bar pilih File lalu Page Setup, maka akan muncul window sebagai
berikut :
 74

• Set Background Color dengan warna putih

• Ubah Constrains menjadi Auto Vary Borders guna memungkinkan Anda untuk
membuat skala peta yang cukup dengan kertas.
• Pilih Size kertas ( misalnya A4 – landscape). Pilihan size ini beragam dan Anda
bebas untuk memilih jenis kertas yang akan digunakan.
• Set Scale (disini tergantung skala kebutuhan), namun skala ini tidak bisa lebih
kecil dari default/nilai aslinya, tetapi dapat lebih besar dari nilai aslinya.
• Posisikan image (warna biru/kotak dalam) sesuai dengan posisi kertas (warna
merah/kotak luar), dengan mengatur Borders kita dapat menempatkan image
dimana saja.
• Lalu Klik Apply dan OK.

• Selanjutnya klik untuk membuka window Algorithm dan klik Edit lalu pilih
Add Vector Layer dan pilih Annotation/Map Composition. Maka di Algorithm
akan bertambah 1 layer yakni Annotation Layer.

• Klik Icon Annotation dengan Annotation Layer disorot dan akan muncul
kotak New Map Composition, kemudian klik OK akan muncul Annotation Tools
box.
 75

• Kemudian Klik Map Rectangle untuk memulai komposisi peta, kemudian

akan muncul window Map Object Select dan Map Object Attributes.
• Pilih Category: Grid pada Map Object Select
• Kursor akan berubah menjadi , buat kotak pada window citra yang
akan kita buat attributnya (setiap attibut harus dibuatkan seperti ini). Misalnya
untuk attribute gridnya, maka buat kotak pada citranya atau diluar citra.
• Lalu pada window Map Object Select tadi, pilih gambar dengan huruf LL
(Latitude Longitude/Lintang Bujur) atau EN (Easting Northing/UTM). Misalnya
pilihan Anda LL, maka Drag gambar LL ke dalam window Map Object Attributes.

Drag
 76

• Lalu pada kotak Map Object Attributes, klik Fit Grid supaya grid masuk
kedalam citra, lalu ubah Grid Style menjadi Full Grid dan atur Grid Spacing X
dan Y nya untuk ukuran gridnya.
• Kemudian Ubah juga Left Labels Orientation menjadi Vertical Up dan Top
Labels Orientation menjadi Horizontal Right untuk tulisan posisi geografisnya.
• Selanjutnya untuk membuat attibut lain, misalnya Legend_Item, terlebih dahulu
buat kembali kotak pada window citra sebagai tempat attibut tersebut seperti
sebelumnya, lalu ubah Category-nya pada window Map Object Select menjadi
Legend_Item, lalu pilih Classification Legend dan drag kembali ke Window Map
Attributes.
 77

Drag
 78

• Pada window Map Object Attributes, Load data pada Classified Raster File,
dengan mengklik , lalu klik menjadi . Hapus
tulisan pada kolom Label: dan tekan Enter. Jika pada citra, ada kelas yang
berwarna hitam, maka pada Reject Black Classes pilih No.
• Kemudian masukkan North_Arrow (panah utara) dan Scale_Bar, dengan mencari
pada Category.
• Untuk menuliskan judul serta keterangan lain, klik , lalu buat kotak pada peta
dimana tulisan tersebut akan ditempatkan. Size tulisan dapat dirubah dengan
merubah angkanya.
• Untuk membawa tulisan atau gambar, klik , lalu klik pada objek yang akan di
pindahkan, klik dengan mouse kiri dan drag objek ketempat yang diinginkan.
• Save Annotasi yang Anda buat dengan mengklik lalu ketik nama filenya dan
untuk Files of Type : Vector Map (.erv). Jangan lupa untuk men-save juga dalam
tipe file .alg dengan mengklik pada menu bar File lalu pilih Save as… dan simpan
dengan nama dan folder yang diinginkan. Hal ini akan memudahkan Anda untuk
sewaktu-waktu melakukan pencetakan tanpa harus masuk pada pengaturan
annotasi.

8.2. Pencetakan

Dalam melakukan pencetakan, Anda dapat mencetak langsung pada kertas

(PC Printing) dan mencetak dalam bentuk file .bmp (Hardcopy Control Files).
Selain itu, untuk pencetakan Anda dapat langsung melakukannya setelah melakukan
annotasi dan bisa juga ketika sewaktu-waktu dibutuhkan, dengan langkah-langkah
sebagai berikut :
• Dari menu bar pilih File, lalu pilih Print… sehingga muncul window Print.
• Jika Anda ingin langsung mencetak klik Print. (jika dalam pencetakan menjadi 2
halaman, Anda dapat merubah menjadi 1 halaman dengan memberi tanda
centang pada , tetapi Image Size-nya akan berubah).
 79

• Untuk pencetakan dalam bentuk file .bmp beri tanda centang pada
lalu klik pada Hardcopy Control Files sehingga secara
otomatis akan muncul Output Name.
 80

• Lalu klik Setup… sehingga muncul window Hardcopy Setup

• Ubah Orientation menjadi Landscape.
• Ubah $ERMTMP/ermhe.bmp pada Filter Program menjadi direktori dan nama file
baru Anda tetapi jangan menghilangkan tulisan hetobmp, misalnya:
hetobmp D:\PraktekPJT\114064_1997\Peta_Citra_ Mks.bmp
• Lalu klik OK sehingga window Hardcopy Setup tertutup dengan sendirinya
• Kemudian klik Print pada window Print untuk memulai pencetakan

• Jika pencetakan berhasil akan muncul window Print Status dan pesan Hardcopy
finished successfully, lalu klik OK dan Close untuk menutupnya.
 DAFTAR PUSTAKA

Anonim . 2005. ER Mapper User Guide 7.0. West Perth. Western Australia.

Danoedore P., 1996. Pengolahan Citra Digital; Teori dan Aplikasinya

dalam Bidang Penginderaan Jauh. Fakultas Geografi UGM, Yogyakarta.

Enggman dan Gurney. 1991. Remote Sensing in Hydrology. Cambridge University

Press. UK.

Faizal, A. 2001. Aplikasi Teknik Penginderaan Jauh dan Sistem Informasi Geografis
untuk Penyusunan Tata Ruang Ekosistem Terumbu Karang di Pulau
Tanakeke Sulawesi Selatan. Tesis (Tidak dipublikasi). Universitas Gajah
Mada. Yogyakarta.

Faizal A. 2004. Penuntun Praktikum Pengolahan Citra Digital (Tidak dipublikasikan).

Laboratorium Penginderaan Jauh dan Sistem Informasi Kelautan, Jurusan
Ilmu Kelautan-FIKP, Universitas Hasanuddin.

Faizal, 2005. Bahan Ajar Penginderaan Jauh (Tidak dipublikasikan). Jurusan

Ilmu Kelautan, Universitas Hasanuddin, Makassar.

Lillesand dan Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra. Gajah Mada
University Press, Yogyakarta.

Lo C.P., 1996. Penginderaan Jauh Terapan. Penerbit Universitas Indonesia

Press, Jakarta.

Malik A. 2007. Modul Penginderaan Jauh Dasar (Tidak dipublikasikan). Jurusan

Geografi, Universitas Negeri Makassar, Makassar.

Muslimin I. 2002. Pola Sebaran Muatan Padatan Tersuspensi di Sekitar Muara

Sungai Saddang Kabupaten Pinrang Melalui Analisis Citra Landsat-TM.
Skripsi Jurusan Ilmu Kelautan (Tidak dipublikasikan), Universitas
Hasanuddin, Makassar.

Prasetyo L.B. 2005. Kapita Selekta Sistem Informasi Geografis (SIG ) dan
Penginderaan Jauh. Jurusan Konservasi Sumberdaya Hutan, Fakultas
Kehutanan, Institut Pertanian Bogor, Bogor.

Sutanto, 1986. Penginderaan Jauh Jilid I. Penerbit Gajah Mada University Press,
Yogyakarta.

Sutanto, 1987. Penginderaan Jauh Jilid II. Penerbit Gajah Mada University Press,
Yogyakarta.

View publication stats