OLEH :
ARDIANSYAH
___________________________________________________________
1
PENGOLAHAN CITRA PENGINDERAAN JAUH
MENGGUNAKAN ENVI 5.1 dan ENVI LiDAR
Penyusun : Ardiansyah
Penerbit : PT. LABSIG INDERAJA ISLIM
Alamat : Epicentrum Walk South 529 A, Jl. HR. Rasuna Said
Kuningan, Kelurahan Karet, Kecamatan Setiabudi,
Jakarta Selatan
Cetakan Pertama : Februari 2015
ISBN : 978-602-71527-0-0
____________________________________________________________
2
KATA PENGANTAR
Dengan menyebut nama Allah SWT dan dengan memanjatkan rasa syukur yang
sebesar-besarnya, akhirnya tercapailah sudah salah satu obsesi penulis. Tujuan
buku ini disusun adalah penulis ingin berpartisipasi dalam memperkaya
khasanah ilmu pengetahuan negeri khususnya dibidang penginderaan jauh
melalui media buku. Penulis berkeinginan, bidang penginderaan jauh dalam
negeri harus terus berkembang mengingat betapa luas negeri ini serta
pentingnya suatu informasi spasial sebagai data dalam suatu analisis
perencanaan. Saat ini, melakukan pengolahan data citra satelit tidak sesulit masa
lalu. Kini teknologi semakin canggih dan murah, dimana dalam sisi hardware,
laptop dan pc dengan spesifikasi standar pun dapat mengolah data citra satelit.
Selain itu, beberapa citra satelit dapat diakses dengan mudah secara online dan
gratis. Oleh karena itu, kini pengolahan data satelit, tidaklah perlu harus
dilakukan didalam laboratorium komputer.
Target buku ini adalah mereka yang masih awam di bidang penginderaan jauh
dan berkeinginan untuk mendalaminya dalam sisi teknis. Buku ini dirancang
dengan sedemikian detail, sehingga bagi para pembaca yang memang tidak
bergerak dibidang penginderaan jauh, dapat memahami serta mengikuti
langkah-langkahnya dengan sangat mudah. Buku ini lebih menjelaskan
mengenai langkah-langkah pengolahan citra satelit secara teknis, sedangkan
teori yang berada didalamnya tidak terlalu lengkap, oleh karena itu penulis
menyarankan agar para pembaca juga menambah wawasan dan informasi
melalui pustaka-pustaka lainnya. Penulis menyadari sepenuhnya bahwa isi buku
ini masih jauh dari sempurna. oleh karena itu penulis mengharapkan saran
perbaikan dari para pembaca. Akhir kata, penulis memiliki harapan agar semoga
buku ini dapat bermanfaat bagi penulis dan juga para pembaca.
Penulis
___________________________________________________________
i
DAFTAR ISI
1. DASAR REMOTE SENSING 1
1.1. Gelombang Elektromagnetik 2
1.2. Sensor dan Band pada Citra 6
1.3. Resolusi dalam Penginderaan Jauh 8
2. INTERFACE ENVI 5.1 10
2.1. Memulai ENVI 10
2.2. Membuka Data 11
2.3. Tools Navigasi dalam ENVI 15
2.4. Layer Stacking 16
2.5. Edit ENVI Header 20
3. PIXEL VALUE PADA CITRA 25
3.1. Identifikasi Nilai Piksel (Pixel Value) 26
3.2. Komposit RGB 33
3.3. Z Profile Citra Multiband 39
3.4. Statistik Citra 42
3.5. Mosaic Citra 47
4. PREPROCESSING (LANDSAT) 59
4.1. Kalibrasi Radiometrik 59
4.1.1. Konversi DN OLI menjadi reflektan lapisan
atas atmosfer (TOA Reflectance) 61
4.1.2. Konversi DN OLI menjadi radians
lapisan atas atmosfer (TOA Radiance) 68
4.2. Koreksi Radiometrik 78
4.2.1. TOA reflektan terkoreksi sudut matahari (Sun angle
correction) 78
4.2.2. Dark Piksel Correction 83
4.2.3. Koreksi Awan Tipis 89
4.3. Koreksi Gometrik 96
5. MEMOTONG CITRA 114
5.1. Resize data dengan cara menggambar rectangle 114
5.2. Memotong menggunakan data raster 117
5.3. Memotong menggunakan ROI dari vektor polygon 120
____________________________________________________________
ii
6. PENAJAMAN CITRA 127
6.1. Penajaman Spasial (Pansharpening) 127
6.2. Penajaman Spektral 132
7. KLASIFIKASI CITRA 138
7.1. Klasifikasi Supervised 140
7.2. Klasifikasi Unsupervised 160
7.2.1. Metode K-Means 168
7.2.2. Metode ISODATA 172
7.2.3. Reklasifikasi 175
7.3. Post Processing (Majority/Minority Analysis) 182
8. UJI AKURASI HASIL KLASIFIKASI 187
9. EXPORT RASTER (CLASS IMAGE) TO VEKTOR 198
10. APLIKASI BAND MATH 202
10.1. Aplikasi NDVI 202
10.2. Identifikasi Suhu Permukaan Darat 208
11. LIDAR 218
12. PENGOLAHAN DATA LIDAR 225
12.1. Membuka ENVI LiDAR 226
12.2. Membuat Project Baru 228
12.3. Pengenalan Tools Dasar ENVI LiDAR 231
12.4. Mendefinisikan DTM dan DSM 237
13. FEATURE EXTRACTION DATA LIDAR 244
13.1. Obyek Pohon 246
13.2. Obyek Bangunan 250
13.3. Obyek Line (Kabel) 254
13.4. Konversi Kedalam Data GIS 256
___________________________________________________________
iii
BAB 1.
DASAR REMOTE SENSING
___________________________________________________________
1
mengidentifikasi sebaran nilai penurunan muka tanah di suatu area secara time
series, dll.
Saat ini, melakukan proses pengolahan citra satelit sudah semakin mudah.
Komputer serta laptop yang tersedia kini telah memiliki spesifikasi yang
cukup tinggi untuk mampu mengolah data citra satelit. Selain itu, beberapa
citra satelit juga tersedia secara gratis, seperti Landsat, Modis, dan NOAA.
Sedangkan apabila membutuhkan citra reslusi tinggi, kita dapat
memaanfaatkan aplikasi google maps atau google earth yang menyediakan
citra-citra resolusi tinggi secara time series. Dengan kata lain, mengolah citra
satelit kini tidak sesulit dulu yang harus dilakukan didalam lab dengan
peralatan komputer yang mahal. Kini anda dapat melakukannya di rumah
dengan menggunakan laptop atau PC sebagai hardware dan koneksi internet
untuk mendownload perangkat lunak serta untuk mengakses data satelit.
Dalam buku ini, anda akan belajar bagaimana cara mengolah data citra
penginderaan jauh, khususnya data Landsat 8. Sebelum melakukan proses
pengolahannya, sebaiknya anda memahami terlebih dahulu mengenai dasar-
dasar remote sensing yang diulas pada sub-bab berikut ini.
Pasif Aktif
Gambar 1.1 Jenis sensor berdasarkan sumber energinya.
(Canadian Center of Remote Sensing, 1986)
____________________________________________________________
2
dengan obyek. Kemudian hasil interaksi tersebut direkam oleh sensor
penginderaan jauh dan menghasilkan gambar atau foto atau citra.
Berbeda dengan sistem pasif, penginderaan jauh aktif menggunakan
sensor buatan dalam memancarkan gelombang elektromagnetik,
kemudian interaksi gelombang dari muka bumi direkam kembali oleh
sensornya.
Sedangkan jumlah gelombang yang melalui suatu titik dalam satuan waktu
diistilahkan sebagai frekuensi. Frekuensi ini memiliki satuan Hertz (Hz) yang
ekuivalen dengan satu siklus per detik. Hubungan antara frekuensi dan panjang
gelombang dapat terlihat pada rumus berikut.
C=λ.v
C = kecepatan cahaya (m/s), λ = panjang gelombang (m), v = frekuensi
(Hz)
____________________________________________________________
4
Tabel 1. Jenis spektrum beserta panjang gelombangnya
Ketiga interaksi tersebut terjadi akibat keberadaan berbagai jenis gas yang
terdapat di atmosfer seperti oksigen, karbondioksida, nitrogen, hidrogen dan
helium. Molekul-molekul gas tersebut dapat menyerap (absorbsi),
memantulkan (refleksi) serta meneruskan (transmisi) radiasi elektromagnetik.
Gelombang elektromagnetik yang mampu menembus bumi itulah yang dapat
dimanfaatkan di dalam bidang penginderaan jauh, sehingga istilah tersebut
dikenal sebagai jendela atmosfer. Jendela atmosfer didefinisikan sebagai
bagian dari spektrum elektromagnetik yang dapat melalui atmosfer dan
mencapai permukaan bumi. Berikut adalah gambaran spektrum yang termasuk
kedalam jendela atmosfer beserta gas-gas penghambatnya.
____________________________________________________________
6
image. Gambaran muka bumi hasil perekaman satelit inilah yang disebut
sebagai data citra satelit.
Band pada citra satelit merupakan saluran pada sensor yang menerima
gelombang elektromagnetik balik pada panjang gelombang tertentu. Panjang
gelombang dimasing-masing saluran band tersebut ditentukan sesuai dengan
aplikasi serta misi dari satelit yang membawa sensor tersebut. Selain itu,
pemilihan interval panjang gelombang juga harus memperhitungkan jendela
atmosfer sehingga gelombang elektromagnetik yang digunakan tidak
terhambat oleh atmosfer.
Saluran/Band Aplikasi
- Tanggap peningkatan penetrasi air.
Band 1 (0,45 - 0,51 µm) - Mendukung analisis sifat khas lahan, tanah,
vegetasi.
- Mengindera puncak pantulan vegetasi.
Band 2 (0,53 - 0,61 µm) - Menekankan perbedaan vegetasi dan nilai
kesuburan.
- Memisahkan vegetasi
Band 3 (0,63 – 0,69 µm)
- Klorofil dan kontras vegetasi
- Tanggap biomass vegetasi
Band 4 (0,78 – 0,90 µm)
- Identifikasi dan kontras tanaman, tanah, air
- Menentukan jenis vegetasi dan kandungan
Band 5 (1,55 – 1,75 µm) airnya
- Kelembapan tanah
- Deteksi suhu obyek
Band 6 (10,4 – 12,5 µm) - Analisis gangguan vegetasi
- Kelembapan tanah
- Pemisahan formasi batuan
Band 7 (2,09 – 2,35 µm)
- Analisis bentuk lahan
- Pemetaan planimetrik
- Identifikasi permukiman
Band 8 (0,50 – 0,90 µm)
- Bentang alam dan budaya
- Identifikasi geologi
(Sumber: Landsat Handbook, 1986 dan Program Landsat 7, 1989)
___________________________________________________________
7
1.3. Resolusi dalam Penginderaan Jauh
Gambar 1.6. Contoh visualisasi obyek pada beberapa macam tingkat resolusi
spasial
____________________________________________________________
8
Resolusi Temporal yakni periode waktu ulang satelit kembali merekam
di area yang sama. Contoh citra satelit yang tergolong memiliki reosolusi
temporal tinggi, yakni NOAA (4 kali dalam sehari), Modis (1 hari),
TRMM (1 hari), dll. Sedangkan citra satelit yang tergolong memiliki
resolusi temporal rendah antara lain ALOS (46 hari), Landsat 8 (31 hari),
SPOT (26 hari), dll. Biasanya citra satelit yang memiliki resolusi
temporal tinggi tersebut adalah satelit yang digunakan untuk
mengidentifikasi kondisi atmosfer dan cuaca. Hal tersebut tentu
dimaksudkan karena kondisi atmosfer dan cuaca sangat dinamis
perubahannya. Satelit yang memiliki resolusi temporal tinggi umumnya
memiliki resolusi spasial yang sangat rendah.
___________________________________________________________
9
BAB 2.
INTERFACE ENVI 5.1
Sebagai suatu software pengolah data citra, ENVI memiliki tools lengkap yang
mampu memenuhi kebutuhan dalam setiap proses pengolahan data citra
penginderaan jauh. Perangkat lunak ini telah didesain dengan sedemikian
rupa, menyesuaikan perkembangan ilmu pengetahuan di bidang penginderaan
jauh, dimana fungsi-fungsi serta algoritma yang digunakan mengikuti
perkembangan metode-metode terbaru. ENVI telah mendukung berbagai
macam format data satelit. Pada software ENVI versi 5.1 atau yang saat ini
adalah versi terbaru, ENVI menyediakan aplikasi khusus untuk pengolahan
data lidar dan data radar.
Software ENVI ini merupakan software berlisensi, dan dapat didownload pada
link berikut (belum terdapat lisensinya):
http://www.exelisvis.com/login.aspx?ReturnUrl=%2fMyAccount%2fDownl
oads.aspx
____________________________________________________________
10
Setelah itu, akan muncul tampilan awal ENVI seperti gambar dibawah ini.
Untuk membuka data didalam software ENVI, langkahnya yakni klik menu
File, lalu pilih open, atau pada iconbar, anda dapat secara langsung meng-
Selanjutnya, carilah file citra satelitnya. Pada praktikum ini, sampel data yang
digunakan adalah data Landsat 8 yang didownload dari situs USGS Glovis.
Berikut adalah tampilan file data Landsat 8. Umumnya, data Landsat ber-
format tiff dengan disertai file metadatanya (*_MTL.txt).
___________________________________________________________
11
Gambar 2.3. File dari raw data Landsat 8
Landsat 8 memiliki 2 sensor, yakni sensor Onboard Operational Land Imager
(OLI) dan Thermal Infrared Sensor (TIRS) dengan jumlah 11 band.
Sensor OLI merekam efek pantulan obyek muka bumi dengan menggunakan
gelombang tampak (visible), inframerah dekat (NIR), dan inframerah jauh
(SWIR). Adapun band-band pada Landsat 8 yang termasuk TIRS beserta
spesifikasinya adalah sebagai berikut:
Tabel 2.1. Spesifikasi Band Landsat 8
____________________________________________________________
12
Terlihat dari penamaanya, file tiff (image) yang penamaannya diakhiri dengan
“_B1”, adalah image band 1, sedangkan file yang diakhiri dengan “_B2”,
adalah image band 2, dan seterusnya hingga band 11 (“_B11”).
Sedangkan file metadata (.txt) berisi tentang deskripsi dan spesifikasi sebuah
data dalam suatu scene image. Informasi yang terdapat didalamnya meliputi
tanggal perekaman, kondisi perekaman seperti tutupan awan, sudut matahari
dll; serta konstanta kalibrasi radiometrik untuk seluruh band.
___________________________________________________________
13
Atau anda juga dapat men-select lebih dari satu layer, dengan menahan
tombol CTRL.
Maka akan muncul layer band 1, hingga band 7 pada kotak Layer Manager
(kotak sebelah kiri).
Beberapa data satelit, tidak selalu berformat tiff. Cara untuk membuka
format data yang tidak umum/non-generic adalah dengan cara:
____________________________________________________________
14
Klik menu File Pilih Open As kemudian pilih jenis sensor satelitnya.
Gambar 2.7. Cara membuka data dengan format data non - generik
2.3. Tools Navigasi Dalam ENVI
Seperti umumnya perangkat lunak GIS, ENVI selalu memiliki tombol
Navigasi yang digunakan untuk menggeser, memperbesar dan memperkecil
tampilan citra satelit. Berikut ini adalah tombol-tombol navigasi beserta
fungsinya yang terdapat didalam sofware ENVI.
Fixed Zoom out : Untuk memperkecil tampilan citra satelit tanpa harus
klik display-nya.
____________________________________________________________
16
Berikut adalah langkah-langkah untuk melakukan proses layer stacking.
___________________________________________________________
17
Maka akan muncul kotak Layer Stacking Parameters
Gambar 2.11. Pengaturan sistem koordinat dari output proses layer stacking
___________________________________________________________
19
Maka hasil proses layer stacking ini muncul didalam kotak Layer Manager
dengan nama layer ALL_BAND
____________________________________________________________
20
Maka, akan muncul kotak seperti di bawah ini. Langkah awal adalah
mengubah nama/rename dari masing-masing band. Langkahnya adalah
sebagai berikut:
___________________________________________________________
21
Selanjutnya adalah mendefinisikan batas panjang gelombang dari masing-
masing band. Langkahnya adalah sebagai berikut:
Gambar 2.15. Pengaturan panjang gelombang untuk setiap band data landsat
Selanjutnya isilah batas panjang gelombang di masing-masing band sesuai
spesifikasinya. Sebagai contoh, karena sampel data menggunakan Landsat 8,
maka isilah/definisikanlah panjang gelombang dimasing-masing band sesuai
spesifikasi berikut ini.
Tabel 2.2. Spesifikasi Band Landsat 8
Sumber : http://landsat.usgs.gov/band_designations_landsat_satellites.php
___________________________________________________________
22
Tabel diatas ini adalah spesifikasi sensor pada Landsat 8 yang diambil dari
situs USGS. Tabel ini menunjukkan panjang gelombang yang diakomodir dari
setiap band-nya. Dengan acuan tabel ini, isilah panjang gelombang
(wavelenght) pada kotak Edit Wavelenght Values, misalkan band 1 diisi
dengan 0,45 (0,43-0,45), kemudian band 2 diisi dengan nilai 0,51 (0,45—
0,51), dst.
Perlu diingat, pengisiannya harus sesuai dengan spesifikasi citranya, sebagai
contoh jika kita menggunakan Landsat 7, maka nilai panjang gelombang di
setiap band-nya tentu akan berbeda dengan Landsat 8. Carilah spesifikasi
panjang gelombang tiap band dari sensor yang anda gunakan di berbagai
macam literatur.
___________________________________________________________
23
Setelah semua selesai, maka klik OK.
Setelah selesai melakukan kegiatan ini, tutuplah software ENVI lalu bukalah
kembali software ENVI.
____________________________________________________________
24
BAB 3.
PIXEL VALUE PADA CITRA
3.Klik Open
____________________________________________________________
26
Gambar 3.3. Tampilan data citra yang telah dibuka di software Envi. _
Kita akan mengidentifikasi nilai piksel citra namun dalam single band terlebih
dahulu. Langkah-langkah untuk menampilkan single band dalam mode
greyscale pada citra yang telah ter-layer stacking adalah sebagai berikut.
___________________________________________________________
27
Tampilkan band 6 dalam mode Greyscale.
5.klik band 6
6.Klik Load
Greyscale
Maka akan tampil layer baru (band 6) pada kotak Layer Manager
7. Un-check
layer ALL_Band
10.Kemudian, catatlah
nilai pixel yang terdapat di
kolom, Data : .......
___________________________________________________________
29
Nilai piksel pada obyek air umumnya rendah, hal ini dikarenakan sifat air yang
mampu menyerap sebagian besar gelombang elektromagnetik dari matahari
dan hanya sedikit yang memantulkannya. Sehingga dapat dikatakan tingkat
reflektan air sangatlah rendah. Hal berbeda dengan pemukiman yang memiliki
tingkat reflektan yang lebih tinggi dibandingkan air. Sehingga, nilai piksel
permukiman lebih tinggi, dan rona piksel permukiman juga lebih terang
dibandingkan rona piksel air yang gelap.
Tingkat reflektan pada air pun sebenarnya dapat berbeda tergantung material
yang terkandung di dalamnya. Kemudian, bila dilihat berdasarkan panjang
gelombang yang merekamnya, nilai spektral air pun berbeda. Misalkan pada
band 6 Landsat 8 (gelombang NIR), air akan terlihat gelap, daratan akan
terlihat terang. Hal ini dikarenakan tingkat reflektan pada panjang gelombang
ini sangat rendah, berbeda bila kita menggunakan band hijau (band 3 pada
Landsat 8) maka obyek air akan tersegmentasi ronanya. Rona yang lebih cerah
adalah air yang mengandung sedimen. Oleh karena itu, dengan menggunakan
algoritma tertentu, kita dapat mengetahui dan mengukur tingkat sedimen
dalam air.
Daratan
Lau
Lau
Sedi
Sedi
t ta
t ta
npa
Laut
men
men
npa
sed
sed
ime
i
me
n
n
Gambar 3.8. Visualisasi Laut pada spektrum Hijau, Merah, dan Inframerah Dekat
____________________________________________________________
30
0
Bila kita ingin menarik garis pantai, band apa sebaiknya yang digunakan?
Band 2 Band 6
Gambar 3.12. Visualisasi citra band 2 dan band 6
___________________________________________________________
33
kanal Red, band hijau pada kanal Green, dan band biru pada kanal
Blue.
2. False Color Composite (Warna semu)
False Color merupakan kombinasi RGB yang memberikan
kenampakan warna obyek yang bukan sebenarnya. Biasanya komposit
ini digunakan untuk penajaman visual, dengan menggunakan
komposit yang tepat, maka obyek dapat terlihat lebih jelas dan
kontras.
Berikut adalah cara mengubah tampilan RGB dari layer yang telah ter-layer
stacking.
G
AN
Klik kanan pada layer
D
D b k
All_Band, kemudian pilih
N
G it.
U ne ya
U-
change RGB Bands
H /pe an
N r
AN
LE lis erb
I O nu p
G pe em
D iz u
Maka akan muncul kotak Change Bands seperti gambar di bawah ini. Klik
IN se ata
m
masing-masing berurutan dari mulai Band 5 (Red), lalu diikuti band 4 (Green),
ai a : ini
D np opy
TA i t gc
N isen
IL a
IP in n
C e n m e
a
l:
1. Band 5 (Red)
AK m g
2. Band 4 (Green)
H ku ran
3. Band 3 (Blue)
do ila
*D
Klik OK
Gambar 3.16. Tampilan komposit Citra Landsat 8 dalam kombinasi RGB 543
Mata manusia sama halnya dengan sensor dalam satelit. Bedanya, mata
manusia didesain hanya untuk menangkap gelombang tampak (visible),
yakni dalam rentang 0,4 - 0,7 µm. Itulah sebabnya, kenampakan yang dilihat
oleh mata kita sama seperti kenampakan True Color Composite pada citra
satelit.
___________________________________________________________
35
Gambar 3.17. Kurva Reflektan air dan vegetasi beserta panjang gelombang di
band Landsat 8 (Richards & Jia, 1999)
Oleh karena itu, warna air dengan darat akan terlihat kontras seperti gambar
di bawah ini.
___________________________________________________________
1.Klik Data
manager
___________________________________________________________
37
Maka akan muncul layer baru, sebenarnya dengan data yang sama
“ALL_BAND”, namun dalam layer yang berbeda kompositnya.
____________________________________________________________
38
3.3. Z Profile Citra Multiband
Profile
3.Lalu aktifkan
tools Select
___________________________________________________________
39
Gambar disamping adalah contoh pola reflektan
vegetasi, hasil identifikasi menggunakan tools z
profile.
X axis, adalah panjang gelombang, dimana
nilainya diwakili oleh sejumlah band yang
digunakan (Band 1-7), sedangkan
Y axis, adalah pixel value dari pixel yang
dipilih/ter-selected yang mana
merepresentasikan tingkat reflektan.
Terlihat pada grafik tersebut, obyek vegetasi
memiliki reflektan tertinggi pada gelombang
inframerah dekat (0,7-1 µm). Kemudian
reflektan terendah berada pada kisaran
gelombang merah (0,6 – 0,7 µm).
Cobalah, catat pola spektral dari obyek lainnya, seperti lahan basah, lahan
kering, awan, laut dalam, sedimen laut, dll. Kemudian pada obyek yang sama,
bandingkan grafik tersebut dengan kedua grafik reflektan seperti gambar di
bawah ini. Apakah ada kemiripan?
____________________________________________________________
40
Pola reflektan object sebenarnya dapat diukur menggunakan suatu alat yang
bernama spektrometer/spectroradiometers. Alat ini dapat mengukur reflektan
objek pada panjang gelombang tertentu dari sumber energi matahari. Waktu
pengukuran paling optimal adalah sekitar jam 11 pagi hingga jam 2 siang,
karena pada selang waktu tersebut, intensitas gelombang elektromagnetik
matahari sangat tinggi, dengan syarat cuaca tidak mendung.
Obyek diletakkan tepat di depan sensor, lalu sensor diarahkan tepat mengenai
obyek agar pantulannya dapat terekam. Kemudian, alat tersebut tersambung
dengan PC/laptop yang kemudian digunakan untuk menyimpan spectra
library hasil pengukurannya.
Sensor optis
Obyek yang
akan diukur
Gambar 3.7. Spektrometer
Berikut adalah contoh hasil rekaman reflektan vegetasi menggunakan alat
spektometer (kiri), kemudian bandingkan dengan hasil pola reflektan vegetasi
yang diambil pada citra Landsat 8 (kanan) dengan menggunkan z profil.
2.Pilih Compute
Statistik
3.Klik citranya,
misalkan
ALL_BAND
4.Klik OK
____________________________________________________________
42
Maka akan muncul kotak Compute Statistik Parameters seperti gambar
dibawah ini.
Kita dapat memunculkan beberapa informasi seperti nilai Covariance,
dengan cara mencentang kolomnya.
6. Klik OK
Maka proses akan berjalan.
___________________________________________________________
43
Lalu akan muncul kotak Statistic Results seperti gambar di bawah ini.
Dalam kolom Basic Stats, anda akan mendapatkan nilai min, max, mean dan
standard deviasi nilai piksel dimasing-masing band. Terlihat bahwa nilai
minimum untuk seluruh band adalah 0. Sebenarnya, Nilai 0 tersebut
bukanlah nilai minimum asli dari masing-masing band, nilai tersebut
adalah nilai piksel region luar scenes yang biasanya berwarna hitam.
____________________________________________________________
44
Oleh karena itu, untuk mencari nilai minimum sebenarnya dari scene citra,
maka anda harus mencari didalam histogram pada masing-masing band.
Berikut adalah langkahnya:
Misalkan anda pilih histogram band 1, kemudian ceklah nilai minimum piksel
(DN) dengan melihat dalam kolom jumlah piksel (Npts). DN yang memiliki
npts = 0, maka sebenarnya piksel dengan nilai DN tersebut tidak terdapat di
dalam scenes citra, atau jumlahnya sama dengan 0. Untuk mengetahui nilai
minimum, maka anda harus mencari DN paling rendah hingga tinggi yang
pertama kali memiliki npts lebih dari sama dengan 1 (≥1).
___________________________________________________________
45
Untuk lebih memahaminya, anda dapat melihat penjelasan berikut ini.
Gambar disamping
menunjukkan DN = 8988
merupakan DN minimum
band 1.
Anda dapat juga melihat distribusi sebaran data melalui kurva. Langkahnya
adalah seperti berikut.
____________________________________________________________
46
Grafik ini menunjukkan
distribusi pixel citra pada
band 1.
X Axix : Nilai Pixel
Y Axix : jumlah Pixel.
Dari grafik disamping terlihat,
nilai pixel yang mendominasi
terdapat pada rentang
10.000 – 12.500 .
___________________________________________________________
47
Pastikan scene-scene citra yang akan dimosaic memiliki posisi yang
berdampingan.
Sebaiknya, tanggal perekaman antar scenes yang akan diproses tidak
terlampau jauh lamanya.
Berikut ini akan dicontoh cara melakukan proses mosaik menggunakan data
Landsat 8. Terlihat file di bawah ini adalah 2 scenes yang memiliki path-row
berdampingan, yakni Path 122 Row 64 (LC8122064...), dan Path 122 Row 65
(LC8122065..).
Untuk posisi kedua scene tersebut dapat dilihat pada gambar di bawah ini
____________________________________________________________
48
Data Landsat 8 yang diunduh dari situs USGS sudah terigestrasi dan telah
memiliki sistem koordinat. Gambar dibawah ini menunjukkan citra scenes
Landsat 8 (band 8 pankromatik-15 meter) memiliki posisi yang sama dengan
data jaringan jalan dari Rupa Bumi Indonesia skala 1:25.000.
Karena telah memiliki koordinat, maka scenes Citra Landsat dapat secara
langsung diproses mosaik secara otomatis.
Langkah awal, pastikan Citra Landsat untuk kedua scenes tersebut telah
terlayer-stacking, sehingga satu file scene memiliki 7 band (band 1 hingga
7).
Inputlah 2 scenes citra tersebut ke dalam ENVI.
___________________________________________________________
49
Berikut adalah langkah-langkah untuk melakukan proses mosaik:
1.Buka Menu
Mosaicking
____________________________________________________________
50
3. Klik tombol add +
5.Klik OK
Kemudian, hilangkan piksel terluar yang dapat menutupi scenes lainnya.
Untuk dapat menghilangkan (masking) piksel terluar tersebut, kita harus
mengidentifikasi nilai piksel tersebut.
___________________________________________________________
51
Gunakan tombol cursor value untuk mengidentifikasi piksel terluar di
masing-masing scenes. Bila anda belum melakukan transformasi apapun pada
citra, maka biasanya nilai piksel terluar ini bernilai 0. Contoh di bawah ini,
cara untuk masking atau menghilangkan piksel terluar.
____________________________________________________________
52
7. Isikan nilai pixel terluar,
misakan = 0.
Terlihat dipreview pada display citra, piksel terluar dari kedua scenes akan
hilang dan tidak lagi saling menutup.
___________________________________________________________
53
Dalam struktur Path-Row scenes Landsat, antar scenes yang saling
bersebelahan, pasti memiliki area yang saling tumpang tindih (overlaping).
Dalam kasus berikut, scene path 122 row 64 memiliki kuantitas awan lebih
rendah di zona overlap, maka naikkan posisinya ke layer paling atas (bring
to front).
____________________________________________________________
54
8.Pilih/Select layer path
122 row 64
Contoh perbandingan gambar di bawah ini, dimana posisi scene path 122 row
64 berada di atas (gambar kiri) dengan posisinya apabila diletakkan di bawah
(gambar kanan).
___________________________________________________________
55
Kemudian untuk proses penyetaraan warna antara scene yang akan di mosaic,
dapat diaktifkan di tab Color Correction. Penyetaraan histogram dapat dipilih
beradasarkan area yang teroverlap saja, atau seluruh scenes.
11.Centang Histogram
Matching, lalu pilih
tipenya.
____________________________________________________________
56
Langkah terakhir adalah menyimpan output mosaic.
17.Klik Open
18.Klik Finish
___________________________________________________________
57
Berikut adalah hasil proses mosaik.
____________________________________________________________
58
BAB 4.
PREPROCESING (LANDSAT)
Sebelum citra dianalisis, tahap awal yang harus dilakukan adalah proses
preprocessing. Tahap preprocessing yang dibahas pada bab ini yakni adalah
kalibrasi dan koreksi. Proses kalibrasi lebih kepada transformasi nilai piksel
untuk mendapatkan nilai spektral radian dan reflektan. Citra hasil perekaman
satelit yang masih original atau bersifat data mentah (Raw Data), dimana
piksel-pikselnya masih memiliki nilai digital number (DN) atau nilai piksel
(Pixel Value). Digital number (DN) dalam piksel dapat dikatakan indeks
angka yang merepresentasikan tingkat pantulan gelombang Elektromagnetik
dari obyek dimuka bumi yang diterima/direkam oleh sensor. Sedangkan dalam
visualisasinya, Digital Number merepresentasikan tingkat kecerahan pada
citra. Untuk mendapatkan nilai spektral radian obyek sebenarnya, maka citra
satelit haruslah dikalibrasi.
Tahap selanjutnya adalah koreksi. Proses ini sangat penting dilakukan karena
saat satelit merekam bumi, terjadi distorsi sehingga menurunkan kualitas citra.
Distorsi yang terjadi kecenderungan diakibatkan karena jarak antara satelit
yang berada di ruang angkasa dengan permukaan bumi yang sangat jauh,
sehingga distorsi yang muncul biasanya mempengaruhi radiometrik citra
(kemampuan sensor merekam reflektan obyek muka bumi) yang salah satunya
adalah akibat gangguan atmosfer. Selain itu, dinamika posisi satelit dan juga
pergerakan satelit pada orbitnya mampu memunculkan distorsi yang
mengakibatkan posisi geometris citra yang tidak sesuai dengan posisi yang
sebenarnya. Oleh karena itu, proses preprocessing ini bertujuan untuk
perbaikan/koreksi citra baik secara radiometrik dan juga geometrik.
Selain itu, proses lainnya dalam konteks preprocessing yang dibahas pada bab
ini adalah mosaic dan juga penajaman citra. Kedua proses ini sebenarnya
bukan bertujuan untuk memperbaiki citra akibat distorsi, namun lebih kepada
persiapan awal citra sebelum proses pengolahan digital dilakukan.
Proses kalibrasi ini bersifat optional, artinya tidak selalu harus dilakukan.
Proses kalibrasi ini sangat penting apabila user menginginkan transformasi
___________________________________________________________
59
nilai piksel dalam bentuk nilai spektral radians dan nilai reflektan sebenarnya.
Aplikasi dari penerapan kalibrasi ini misalkan kebutuhan suatu algoritma
dimana input citra harus memiliki nilai piksel dalam satuan nilai spektral
radians, contohnya adalah algoritma yang dikembangkan oleh Budiman
(2005) untuk menghitung kandungan sedimen dalam air:
____________________________________________________________
60
Dalam pengolahan data Landsat 8, kedua nilai ini dapat dihitung dengan
rumus sebagai berikut:
Reflektan ρλ' = Mρ*Qcal + Aρ
Dimana : Mp = faktor skala sedangkan Ap = faktor penambah
Dalam menghitung reflektan, tidak semua band dapat digunakan. Band
yang memiliki gelombang thermal (TIRS) tidak dapat dikonversi ke satuan
reflektan, karena band ini hanya merekam radiasi saja.
Spektral Radian (Radiance) Lλ = ML*Qcal + AL
Dimana : Mp = faktor skala sedangkan AL = faktor penambah
Band reflektan (OLI) maupun thermal (TIRS) dapat dikonversi kedalam
satuan nilai reflektan radian ini.
http://landsat.usgs.gov/Landsat8_Using_Product.php
ρλ' = MρQcal + Aρ
___________________________________________________________
61
Dimana:
ρλ' = Reflektan TOA yang belum terkoreksi sudut matahari.
Mρ = faktor skala (Band-specific multiplicative rescaling factor )
Aρ = faktor penambah (Band-specific additive rescaling factor)
Qcal = Nilai piksel (DN)
Untuk nilai faktor Mρ dan Aρ, dapat dilihat pada metadata citra. Dalam file
citra Landsat, selalu tersedia file metadata-nya, dimana metadata ini biasanya
berformat Text (*.txt). Dalam Landsat 8, penamaan file metadata ini selalu
diakhiri dengan “_MTL”. Berikut adalah contoh tampilan metadata dalam
folder hasil unduhan Citra Landsat dari situs GLOVIS USGS.
Terlihat, untuk seluruh Band (band 1 hingga band 9), memiliki nilai faktor Mρ
(0,00002) dan Aρ (-0,1) yang sama, sehingga ini memudahkan dalam hal
penulisan rumus, karena rumus yang digunakan adalah sama untuk seluruh
band (band 1 hingga band 9).
Band 10 dan 11 tidak memiliki nilai faktor Mρ dan Aρ, karena kedua band
tersebut adalah band thermal. Band thermal tidak merekam reflektan obyek
melainkan radiasi obyek, oleh karena itu kedua band tersebut tidak dapat
dikonversi menjadi nilai Reflektan TOA.
ρλ' = (Mρ*Qcal) + Aρ
(0.00002*B1)-0.1
Untuk penulisan variabel tidak terpengaruhi oleh besar kecilny
a huruf B,
baik penulisan “B1” maupun “b1” tetap bisa diinputkan ke dalam bandmath.
Lalu, dalam kolom Toolbox, pilih folder band ratio, kemudian double click
Band Math.
.
1.Klik Band Math
____________________________________________________________
64
Kemudian, masukkan rumus berikut ke dalam kolom Enter an Expression.
2.Ketik-lah rumus-nya
Karena semua rumus dapat diterapkan di seluruh band, maka anda cukup klik
“Map Variabel to Input File”, seperti yang ditunjukkan pada gambar di
bawah ini.
4.Klik variabel B1
7.Klik OK
___________________________________________________________
65
Maka, seluruh band akan ter-selected biru seperti gambar di bawah ini.
8.Klik
Choose
10.Klik
11.Klik OK Open
____________________________________________________________
66
Secara visual, tampilan citra terlihat lebih cerah. Namun yang paling penting
adalah nilai piksel telah berubah menjadi nilai reflektan. Ceklah nilai piksel
dari layer “TOA_SPEKTRAL” dengan tools cursor value , kemudian
bandingkan nilai pikselnya dengan layer “ALL_BAND”.
Terlihat pada gambar di atas, nilai piksel pada layer “ALL_BAND” masih
dalam nilai digital mumber, dengan angka ribuan, sedangkan pada layer
TOA_SPEKTRAL, nilai piksel RGB, sudah berubah menjadi reflektan.
Lλ = ML*Qcal + AL
Dimana :
Mp = faktor skala
AL = faktor penambah
Keduan faktor tersebut dapat dilihat pada file metadata citra, di mana dalam
format tulisan metadata tersebut, Mp adalah
“RADIANCE_MULT_BAND_...”, sedangkan AL adalah
“RADIANCE_ADD_BAND_...”.
___________________________________________________________
67
Berikut adalah tampilan metadatanya.
Nilai faktor Mp dan AL tidak memiliki nilai yang sama antar setiap band-nya,
hal ini berbeda dengan faktor skala spektral radian. Oleh karena itu, penulisan
rumus antar band akan berbeda:
Rumus untuk band 1 =(0.0126*b1)-63.02
Rumus untuk band 2 =(0.0129*b2)-64.53
Rumus untuk band 3 = (0.01003*b3)-59.47
Rumus untuk band 4 = (0.01003*b4)-50.15
Rumus untuk band 5 = (0.00613*b5)-30.689
Rumus untuk band 6 = (0.00152*b6)-7.632
Rumus untuk band 7 = (0.0000514*b7)-2.57
____________________________________________________________
68
1.Klik Band Math
Kemudian, ketiklah rumus untuk setiap band, lalu klik Add to list hingga
seluruh rumus masuk dalam kolom Previous Band Math Expressions.
2.Ketik rumus band 1,
lalu klik Add to list,
hingga rumus tersebut
tersimpan dalam kolom
Previoues Band Math
Expressions
Kemudian, lanjutkan
dengan rumus band 2,
hingga band 7.
Dalam proses konversi ini, data input adalah layer ALL_Band. Nilai piksel
dalam layer inilah yang diubah dari DN menjadi nilai radian
(Watts/m2*srad*µm).
Untuk melakukan proses konversi, tidak bisa secara sekaligus, karena rumus
yang diproses berbeda setiap bandnya, oleh karena proses kalkulasi atau
konversi nilai piksel harus dilakukan satu-persatu.
___________________________________________________________
69
Mulailah dengan band 1 terlebih dahulu, caranya adalah sebagai berikut:
3.Select rumus
untuk band 1
4.Klik ok
6.Klik Choose
7.Simpan dengan
nama
“RADIAN_BAND_1”
8.Klik Open
9.Klik ok
____________________________________________________________
70
Maka layer RADIAN_BAND_1 akan muncul, tentunya dalam kondisi single
layer atau band tunggal. Ceklah nilai piksel pada layer tersebut dengan
menggunakan tools cursor value ,
10.klik kembali
bandmath
11.Klik /Select
untuk rumus
band 2
12.Klik OK
___________________________________________________________
71
13.Klik b2 (band2) di layer
ALL_BAND
14.Klik Choose
16.Klik Open
17.Klik OK
Setelah band 1 hingga band 7 berhasil dikonversi kedalam nilai radian, lalu
gabungkanlah kembali dengan menggunakan tool layer stacking, sehingga
menjadi satu file multilayer atau multiband,
____________________________________________________________
72
18.Dalam toolbox,
buka folder Raster
management
Layer Stacking
___________________________________________________________
73
20.Klik Reorder Files 21. Urutkan posisi band
dengan cara drag and drop,
kemudian klik OK
22.Klik Choose
24.Klik OK
____________________________________________________________
74
Tampilkan layer pertama kali muncul masih dalam greyscale, maka
tampilkanlah layer tersebut dalam mode RGB.
Klik Data
manager
Carilah layer
ALL_RADIAN_BAND.
Kemudian buatlah
komposit, dengan cara
memilih band-nya.
___________________________________________________________
75
Nilai spektral radian dapat dikonversi menjadi nilai suhu permukaan
menggunakan rumus berikut:
Sedangkan untuk mengukur suhu yang lebih tinggi, seperti yang dilakukan
Flynn, et al. (2001) yang mendeteksi lava (± 868 Kelvin atau 596 Celcius),
dapat dideteksi dengan menggunakan band inframerah (kisaran ± 1 µm).
Berikut adalah kurva yang menunjukkan hubungan antara suhu, panjang
gelombang, dan energi (radians spektral) yang dipancarkan.
____________________________________________________________
76
4.2. Koreksi Radiometrik
Oleh karenanya, nilai reflektan pada citra harus dikoreksi dengan sudut elevasi
matahari yang dihitung berdasarkan waktu/musim perekaman data citra.
Adapun rumus dari koreksi sudut matahari ini adalah sebagai berikut:
ρλ' ρλ'
ρλ = Atau
cos(θSZ) sin(θSE)
___________________________________________________________
77
Dimana :
ρλ = Reflektan TOA terkoreksi sudut matahari
ρλ' = Reflektan TOA tanpa korekasi sudut matahari
θSE = Sudut elevasi matahari (Local sun elevation angle).
θSZ = Local solar zenith angle; θSZ = 90° - θSE
Bila menggunakan kedua rumus tersebut pun akan menghasilkan hasil yang
sama.
____________________________________________________________
78
Rumus ini berlaku untuk seluruh band, dimana band yang digunakan
haruslah piksel yang telah dikonversi kedalam nilai reflektan TOA.
1.Klik
Bandmath
2.Masukkan
rumus, lalu klik
Add to list
3.klik OK
___________________________________________________________
79
Karena rumus tersebut bisa diterapkan sekaligus untuk seluruh band yang
ada di layer TOA_SPEKTRAL, maka kita bisa gunakan Map Variable to
Input File.
6.Klik OK
____________________________________________________________
80
Simpan output file dengan cara klik tombol Choose.
7.Klik
Choose
9.Klik Open
10.Klik OK
___________________________________________________________
81
Maka, perbedaan apakah yang muncul antara citra yang belum terkoreksi
sudut matahari dengan citra yang telah terkoreksi?
Secara visual, tidak ada perbedaan antara data yang belum dikoreksi dengan
data yang telah dikoreksi. Namun, perbedaan yang nyata terletak pada
perbedaan nilai piksel antara keduannya. Gunakan tool cursor value , lalu
bandingkan nilai piksel antara kedua data tersebut (sebelum dan sesudah
terkoreksi)
____________________________________________________________
82
4.2.2. Dark Piksel Correction
Pergeseran nilai inilah yang disebut sebagai bias akibat efek atmosfer. Nilai
bias ini kemudian digunakan sebagai angka pengurang untuk seluruh piksel
yang terdapat dalam scenes citra di masing-masing band sehingga nilai piksel
akhir yang didapat adalah nilai piksel tanpa efek atmosfer.
___________________________________________________________
83
Rumus dark piksel correction adalah sebagai berikut:
Nilai bias didapat dari nilai minimum dimasing-masing band. Nilai minimum
tersebut dapat dilihat pada proses perhitungan statistik citra yang telah
dijelaskan pada bab sebelumnya.
Layer yang digunakan adalah layer yang masih berupa nilai digital number
(layer ALL_BAND). Kemudian hitunglah nilai minimum (bias) di masing-
masing band.
____________________________________________________________
84
*kenapa bias pada gelombang tampak lebih besar dibandingkan
gelombang inframerah?
___________________________________________________________
85
Proses koreksi dengan metode dark piksel correction ini dapat diterapkan di
software ENVI secara otomatis, yakni dengan cara sebagai berikut.
Bukalah citra yang akan dikoreksi, yakni layer ALL_BAND.
____________________________________________________________
86
Kemudian, isi nilai minimum (bias) pada masing-masing band didalam
kolom Current Subtraction Values.
Maka akan muncul layer baru “RADIOMETRIK” yang merupakan hasil dari
proses koreksi radiometrik. Secara visual memang tidak ada perubahan rona
dengan layer sebelumnya “ALL_BAND”, namun nilai piksel (digital
number) lah yang sebenarnya telah berubah.
Gunakan cursor value untuk mengecek perbandingan nilai piksel dari
layer yang belum dikoreksi (ALL_BAND) dengan layer yang telah dikoreksi
(RADIOMETRIK).
___________________________________________________________
87
Mengapa langit berwarna biru?
Pada siang hari, perjalanan sinar matahari ke bumi melalui atmosfir lebih
dekat. Dalam situasi ini, pantulan Rayleigh menyebabkan scattering langit
lebih terang untuk dilihat dan berwarna biru, ini disebabkan karena panjang
gelombang terpendek yang dapat ditangkap oleh mata manusia adalah
gelombang biru.
Sedangkan pada malam hari, langit terlihat gelap, hal ini karena ketidak
hadiran partikel dan pantulan pada atmosfer
____________________________________________________________
88
4.2.3. Koreksi Awan Tipis
___________________________________________________________
89
awan cirrus haruslah memiliki nilai piksel 0. Nilai piksel terendah
kecenderungan berada diatas 1000, oleh karena itu, nilai piksel harus
dikurangi DN terendah-nya, sehingga nilai terendah menjadi bernilai
0.
Kemudian, DN piksel pada band 1 hingga 7 dikurangi dengan DN
piksel band 9 yang nilai pikselnya telah termodifikasi. Hasilnya,
nilai piksel band 1-7 yang terliput cirrus akan berkurang, sedangkan
nilai piksel yang tidak terliput awan cirrus tentu akan tetap nilai-nya,
atau berkurang sedikit tergantung faktor skala yang digunakan.
Beberapa metode lain yang bisa anda terapkan adalah melakukan modelling
regresi linear. Namun untuk praktikum kali ini, rumus yang digunakan
adalah rumus matematis sederhana yang sebelumnya telah dijelaskan.
____________________________________________________________
90
Langkah selanjutnya adalah mendapatkan nilai minimum dari
layer band 9
2.Pilih Band 9
3.Klik OK
4.Scrool kebawah
untuk dapatkan
DN minimum
5.Catat-lah DN
minimum-nya
6.Tutup tabel
statistik
___________________________________________________________
91
Langkah selanjutnya adalah mendapatkan nilai minimum dari layer band 9.
8.Ketik rumusnya,
kemudian klik Add to list
9.Klik OK
____________________________________________________________
92
Langkahnya adalah sebagai berikut:
12.Klik
RADIOMETRIK
13.Klik OK
___________________________________________________________
93
Kemudian, definisikan variabel b9, yakni layer band 9.
14.Klik/select B9
16.Klik Choose
18.Klik Open
19.Klik OK
Maka, hasilnya akan muncul sebagai layer baru.
____________________________________________________________
94
Perhatikan perbedaan antara layer yang belum terkoreksi, terkoreksi
dengan nilai a=1 dan dengan nilai a=1,5.
Pada scenes landsat di atas, terlihat bahwa nilai faktor a=1,5 lebih baik dalam
meminimalisir awan cirrus dibandingkan faktor lainnya. Nilai faktor
___________________________________________________________
95
tersebut belum selalu baik dan digunakan untuk seluruh kondisi. Sebagai
contoh apabila awan cirrus berada di wilayah laut, hasil dari algoritma
tersebut terkadang memberikan efek menggelapkan piksel laut yang tertutup
awan cirrus, sehinga ronanya lebih gelap dibandingkan obyek laut sekitarnya
yang tidak tertutup awan cirrus. Sehingga sebaiknya nilai faktor yang
digunakan pada kondisi tersebut adalah nilai faktor yang lebih rendah.
Penggunaan faktor ini tentu akan berbeda bila anda menggunakan scenes
lainnya, karena kualitas hasil ditentukan juga dengan kondisi ketebalan awan
cirrus. Oleh karena itu sangat disarankan untuk mencoba mempergunakan
beberapa nilai faktor, kemudian bandingkan hasilnya, dan pilihlah yang
memberikan kualitas visual paling baik.
Citra satelit merekam obyek muka bumi dan menyajikannya dalam suatu
gambar/foto. Foto tersebut tidak hanya menampilkan gambaran (visual)
obyek, namun juga posisi sebenarnya obyek tersebut di muka bumi. Posisi
yang direkam oleh satelit, tidak selalu akurat. Ketidakakuratan ini terlihat
dari adanya distorsi atau pergeseran lokasi suatu obyek pada citra dari lokasi
sebenarnya dimuka bumi.
Sebagai contoh, daerah yang bergunung akan terlihat datar, atau puncak
gunung yang bergeser (terdistorsi) karena faktor sudut pengambilan gambar
pada obyek yang memiliki ketinggian.
Sumber:http://www.geog.ucsb.edu/~jeff/115a/lectures/geometry_of_aerial_
photographs_notes.html
____________________________________________________________
96
(NASA Earth Observatory images by Robert Simmon, based on the
USGS National Elevation Dataset.)
Oleh karena itu, suatu citra satelit sebelum diproses lebih lanjut harus
melewati tahap koreksi geometrik. Koreksi geometrik ini bertujuan untuk
memperbaiki posisi obyek dalam citra akibat distorsi ke posisi yang
sebenarnya di muka bumi.
Berdasarkan jenisnya, Kesalahan geometri ini terbagi dalam 2 jenis, yakni:
___________________________________________________________
97
Kesalahan Acak (non-systematic geometric errors), disebabkan oleh
orbit,perilaku satelit, efek rotasi bumi, dan efek bentuk muka bumi. Untuk
mengoreksinya diperlukan sebuah proses yang dikenal dengan istilah
image to map rectification. Proses ini memerlukan Titik Kontrol Tanah
(Ground Control Points, GCP) untuk menyesuaikan koordinat piksel
pada citra dengan koordinat objek yang sama di bidang datar peta (bumi).
Contoh perubahan bentuk citra akibat kesalahan acak adalah sebagai
berikut (Purwadhi, 2001):
Berdasarkan publikasi yang diambil dari situs USGS, data landsat yang
tersedia untuk diunduh, merupakan produk Standard Terrain
Correction (L1 T) yang telah terkoreksi dan terbebas dari kesalahan
akibat sensor, satelit dan bumi.
Proses yang telah diterapkan pada produk ini adalah koreksi geometrik
dengan menggunakan Titik Kontrol Tanah (GCP). Selain itu, koreksi
terhadap efek topografi juga telah dilakukan dengan memanfaatkan data
digital elevation model (DEM). Akurasi/presisi citra dari produk ini
____________________________________________________________
98
tergantung dari akurasi ground control point serta resolusi dem yang
digunakan.
Sumber : http://landsat.usgs.gov/Landsat_Processing_Details.php
___________________________________________________________
99
Gambar di bawah ini adalah tampilan awal ENVI classic yang berupa kotak
berisi deretan menu
Dalam latihan koreksi geometrik ini, data yang akan dikoreksi adalah data
yang didownload dari google (google imagery). Data tersebut akan dikoreksi
terhadap citra landsat 8, artinya dalam hal ini, landsat 8 digunakan sebagai
referensi karena landsat 8 dianggap sudah memiliki posisi geometrik yang
baik.
3.Klik Open
Maka akan muncul kotak Available Bands List. Kotak ini berfungsi untuk
menunjukkan data/layer apa saja yang telah diinputkan. Kemudian,
tampilkan-lah citra tersebut dalam komposit RGB berwarna agar
memudahkan dalam proses interpretsi.
____________________________________________________________
100
Maka akan muncul 1 Display dengan 3 jendela (Image, Scrool, dan Zoom)
yang berisi tampilan citra. Inilah karakteristik tampilan ENVI Classic yang
dapat menampilkan dengan banyak jendela (multi windows).
___________________________________________________________
101
Maka akan muncul layer google_imagery yang berformat TIFF. Citra ini
hanya terdiri dari 3 komponen Band, yakni band Red, Green, dan Blue.
Langkah selanjutnya, tampilkan citra tersebut dalam display yang baru.
11.Buatlah kombinasi
sesuai dengan bandnya.
____________________________________________________________
102
Koordinat sistem dari citra yang akan di koreksi harus sama dengan
koordinat sistem dari citra referensinya. Untuk mengecek koordinat sistem
dari suatu layer, bukalah Map info seperti yang ditunjukkan pada gambar di
bawah ini.
Terlihat, bahwa
Klik (+) pada Map info di masing-masing layer
koordinat
sistem dari layer
google_imagery
adalah
Mercator,
berbeda dengan
layer All_BAND
yang memiliki
sistem UTM.
13.Klik
menu Map
14.Pilih Convert
15.Pilih/select citra Map Projection
yang akan diubah
koodinatnya, yakni
google_imagery
________
16.Klik OK
________________ ___________________________________
103
Kemudian lakukan pengaturan sistem koordinat pada citra google imagery
tersebut agar sesuai dengan sistem koordinat dari layer ALL_BAND.
____________________________________________________________
104
Maka. Display 1 (#1) berisi layer ALL_BAND yang digunakan sebagai
referensi (base), sedangkan Display 2 (#2) berisi layer google_48s yang
akan dikoreksi (warp).
___________________________________________________________
105
30.Base image
berisi citra yang 31.Warp
digunakan sebagai image berisi
referensi, maka citra yang
pilih Display 1 akan
dikoreksi,
maka pilih
32.Klik OK
Display 2
Maka akan muncuk kotak Ground Control Point Selection. Tahap ini adalah
proses pengumpulan titik GCP, dimana titik-titik yang diambil harus
merupakan obyek yang sama pada kedua citra tersebut.
31.Carilah obyek
yang sama di
kedua
display/layers
32.Kemudian
simpan GCP
tersebut dengan
cara klik Add Point
____________________________________________________________
106
33.Ambilah GCP minimal 5 titik dengan 34.RMS error akan
distribusi menyebar di seluruh scenes muncul secara
layer yang dikoreksi. otomatis bila GCP
telah terkumpul
lebih dari 4 titik.
Nilai RMS ini tidak
boleh lebih dari 1.
Apabila nilai RMS >1,
maka hasil koreksi
menjadi kurang
presisi.
___________________________________________________________
107
Setelah GCP terkumpul dengan catatan RMS <1, selanjutnya simpan lah
GCP tersebut dengan cara sebagai berikut.
36.Klik menu
FilePilih Save GCPs
to ASCII
37.Klik Choose
39.Klik Open
40.Klik OK
____________________________________________________________
108
41.Klik menu Options, pilih Warp File
43.Klik OK
___________________________________________________________
109
44.Pilih metodenya,
misalkan Polynomial
48.Klik Open
49.Klik OK
____________________________________________________________
110
Maka didalam kotak Available
Bands List muncul layer
GOOGLE_KOREKSI_GEOMETRIK.
Inputkanlah layer
GOOGLE_KOREKSI_GEOMETRIK,
dan bandingkanlah dengan layer
ALL_BAND untuk melihat presisi
geomterik secara visual.
Koreksi Geometrik
Dalam penentuan titik GCP, obyek yang diambil sebaiknya adalah obyek
yang tidak berubah bentuknya dalam kurun waktu perbedaan perekaman
antara citra yang dijadikan sebagai referensi dengan citra yang akan
dikoreksi. Contoh obyek yang baik diambil sebagai GCP yakni perpotongan
jalan, bangunan besar, dan obyek lainnya selama tidak berubah bentuk
maupun berpindah lokasinya.
Pengambilan GCP juga harus memperhatikan kondisi topografi wilayah
yang diliput. Jumlah GCP pada wilayah yang bergelombang sebaiknya
diambil lebih banyak dibandingkan wilayah yang datar. Hal tersebut
dikarenakan pada wilayah yang memiliki topografi yang tinggi dan berbukit,
kemungkinan distorsi terjadi cukup besar.
Rumus untuk mengestimasi nilai distorsi maksimum yang disebabkan oleh
ketinggian dijabarkan pada rumus berikut:
___________________________________________________________
111
Dimana Lmax = Nilai distorsi maksimum
Hmax = ketinggian maksimum obyek
ξ = Sudut terhadap nadir. (derajat)
Apabila minimal GCP telah ter-input sebanyak 4 titik, maka secara otomatis
nilai RMS akan muncul. Root Mean Square (RMS) error merupakan metode
yang digunakan untuk menguji ketelitian hasil koreksi dari titik-titik GCP
yang telah diambil.
Formulanya adalah sebagai berikut:
___________________________________________________________
113
BAB 5.
MEMOTONG CITRA
2.Pilih Resize
Data
3.Klik/Select citranya
4.Pilih Spatial
Subset
____________________________________________________________
114
Maka akan muncul kotak Select Spatial Subset seperti gambar di bawah ini.
7.Klik OK
8.Klik OK
9.Klik OK
___________________________________________________________
115
10.Klik Choose
untuk
menyimpan
12.Klik Open
13.Klik OK
____________________________________________________________
116
5.2. Memotong Menggunakan Data Raster
Apabila terdapat 2 citra yang kita ingin potong dengan cara menggambar
kotak (rectangle), seperti langkah yang sebelumnya, maka hasil potongan
antara kedua citra tersebut belum tentu sama cakupan areanya
(penggambaran batasnya). Cara yang mudah dilakukan, yakni memotong 1
citra terlebih dahulu dengan menggambar rectangle. Lalu hasil potongannya
digunakan sebagai referensi untuk memotong citra berikutnya. Hal ini dapat
menghasilkan 2 potongan citra dengan luas/cakupan yang sama.
Dalam sub-bab ini, Layer citra yang akan dipotong adalah band 8, namun
luas potongannya harus sama persis dengan hasil potongan dari layer
“CROP_RECTANGLE_JAKARTA”. Teknik yang akan digunakan adalah
resize data berdasarkan file citra, atau dalam hal ini layer
“CROP_RECTANGLE_JAKARTA” akan digunakan sebagai referensi
pemotong untuk band 8, sehingga luas/cakupan area hasil cropping akan
sama.
’
Band 1 hingga band 7 Band 8
G
AN
Berikut ini adalah langkah-langkah untuk melakukan proses pemotongan
D
menggunakan file citra sebagai referensinya.
N r k
N
U ne ya
-U
AN t.
1.Buka folder Raster Management,
D bi
H /pe an
G
yang terdapat dalam Toolbox
LE lis erb
I O nu p
G pe em
U in m
:
ilik
D iz u
IN se ata
m
ai a : ini
3.Pilih/select citra
D np opy
2.Pilih Resize
yang akan dipotong,
Em am si
N
TA i t gc
N isen
Data
IL a
yakni band 8
IP in n
C en me
l:
L
a
AK m g
H ku ran
do ila
*D
____________________________________________________________
118
5.Pilih File
6.Pilih layer
CROP_RECTANGLE_JAKARTA
sebagai referensi
pemotongnya
7.Klik OK
8.Klik OK
9.Klik Choose
10.Simpan output dan
berinama, misalkan
“CROP_PANKROMATIK
_JAKARTA”
11.Klik Open
12.Klik OK
___________________________________________________________
119
Maka hasil potongan band 8 (pankromatik) akan memiliki cakupan area
yang sama dengan layer yang digunakan sebagai referensinya.
____________________________________________________________
120
Potonglah citra Landsat yang telah di-layer stacking dan terkoreksi
radiometrik dengan vektor poligon administrasi Jakarta, sehingga area data
Landsat yang dimiliki nanti, hanya meliput wilayah DKI Jakarta saja. Data
poligon yang telah disiapkan berformat shapefile ESRI. Poligon ini
dihasilkan dari proses digitasi yang bereferensi dari citra satelit atau peta
batas administrasi yang dikeluarkan oleh Badan Informasi Geospasial (BIG).
1.Klik Open
3.Klik tipe
filenya,shapefile
___________________________________________________________
121
5.Select datanya
6.Klik Open
Maka akan muncul batas administrasi vektor pada map display di ENVI
____________________________________________________________
122
Langkah selanjutnya adalah melakukan konversi data vektor kedalam ROI
8.Klik Vektor to
ROI
9.Select/Klik data
vektor jakarta
10.Klik OK
12.Klik OK
___________________________________________________________
123
Maka, ROI akan muncul sebagai poligon, seperti gambar di bawah ini.
15.Klik OK
____________________________________________________________
124
16.Klik Vektor ROI-nya
18.Klik Choose
20.Klik Open
___________________________________________________________
125
Maka hasinya adalah citra akan terpotong seluas wilayah DKI jakarta,
seperti gambar dibawah ini.
____________________________________________________________
126
BAB 6.
PENAJAMAN CITRA
Didalam software ENVI, anda dapat dengan mudah melakukan kedua proses
penajaman tersebut, baik spasial maupun spektral. Seluruh tools dengan
berbagai macam metode algoritmanya telah tersedia didalam ENVI. Berikut
adalah penjelasan lebih lanjut serta langkah-langkah untuk melakukan proses
penajaman tersebut.
Faktor resolusi atau kedetailan citra adalah kunci dalam proses interpretasi
visual. Tentu, usaha interpretasi atau mengenali dan mengidentifikasi suatu
obyek akan menjadi lebih mudah bila citra yang tersedia memiliki resolusi
yang lebih tinggi.
Saat ini, beberapa satelit telah menyediakan citra resolusi tinggi namun tidak
selalu dalam mode multispectral atau berwarna. Beberapa satelit memiliki
band monochrome dan multispektral, contohnya antara lain:
Data Landsat pun termasuk pada jenis satelit yang menyediakan data
pankromatik dan multispektral. Pada Landsat 8, band pankromatik terdapat
pada band 8 memiliki resolusi 15 meter, lebih tinggi dibandingkan band
multispektral lainnya yang memiliki resolusi 30 m.
____________________________________________________________
128
2. Kedua citra yang akan di fuzi (multispektral dan pankromatik) harus
memiliki geometri yang sama. Oleh karena itu, biasanya kedua citra
beda sensor yang akan difusi harus melalui tahap koreksi geometrik
terlebih dahulu.
3. Tanggal perekaman kedua citra yang akan d fuzi haruslah dalam
tempo yang berdekatan. Hal ini dimaksudkan agar potensi
perubahan obyek yang terdapat didalam scenes citra tidak terlampau
besar.
1.klik Open
___________________________________________________________
129
Bila anda ingin melakukan perbandingan secara visual antara layer
pankromatik dan multispektral, anda dapat lakukan proses swipe seperti
contoh di bawah ini.
Swipe
2.Pilih folder
Image
Sharpening
3.Pilih
metodenya,
misalkan
Gram Schmit
____________________________________________________________
130
6.Kemudian pilih citra sebagai
resolusi tingginya, yakni
CROP_PANKROMATIK_JAKARTA
10.Klik OPEN
___________________________________________________________
131
Berikut perbandingan antara citra multispektral dengan citra hasil
pansharpening :
Bukalah citra yang akan digunakan untuk penajaman, misalkan citra yang
merupakan hasil penajaman spasial yakni
PANSHARPEN_GRAM_SCHMIT.
____________________________________________________________
132
Di dalam ENVI, fungsi penajaman telah tersedia di bagian menubar. Anda
dapat memilih beberapa tipe penajaman, kemudian secara otomatis, tampilan
citra akan berubah sesuai dengan jenis penajaman yang digunakan. Jenis
penajaman yang telah tersedia di ENVI meliputi penajaman Linear,
Equalization, Gaussian, Square Root, Logarithmic, dan Optimized Linear.
Jenis-jenis penajaman tersebut memiliki metode perentangan histogram
yang telah disetting secara baku. Namun, anda juga dapat mengatur
histogram secara manual dengan menggeser kurva pada masing-masing
kanal Red, Green, dan Blue sehingga menghasilkan kenampakan visual yang
anda inginkan.
Anda dapat mengatur tingkat kecerahan dan kekontrasan pada citra dengan
langkah sebagai berikut.
___________________________________________________________
133
Tipe pelebaran kontras (Stretch) yang terdapat didalam menubar ENVI
ditunjukkan pada gambar di bawah ini.
3.Pilih Costum
4.Pilih Kanal-nya.
Misalkan Kanal
Merah terlebih
dahulu
Klik
____________________________________________________________
134
Maka anda akan melihat
distribusi histogram kanal
merah, dimana kanal merah
ini diisi dengan band 4 (RGB
432).
Pada pixel-pixel yang memiliki nilai DN pada rentang tersebut yang rata-rata
adalah obyek lahan terbangun, akan berubah menjadi lebih berwarna merah.
Hal ini karena pada rentang DN tersebut, kontras histogram merah (RED) di
mampatkan sehingga warna merah menjadi lebih menonjol.
___________________________________________________________
135
Dalam melakukan proses penajaman spektal untuk meningkatkan kualitas
visual citra, ada baiknya dimulailah dengan penentuan komposit RGB
terlebih dahulu. Dengan menggunakan Komposit RGB yang tepat, dapat
memberikan visualisasi yang lebih baik. Contoh dalam mendeteksi
mangrove, tampilan RGB 564 (False Color) memberikan visualisasi yang
lebih baik dibandingkan dengan tampilan RGB 432 (True Color) dimana
mangrove lebih kontras berwarna coklat dibandingkan obyek vegetasi lain
di sekitarnya.
____________________________________________________________
136
Selain itu, anda juga dapat mengatur tingkat ketajaman (sharpen) image
sehingga tekstur citra akan berubah.
___________________________________________________________
137
BAB 7.
KLASIFIKASI CITRA
Gambar A Gambar B
____________________________________________________________
138
Dari kedua gambar tersebut, sama-sama memberikan visualisasi
kenampakan tutupan lahan DKI Jakarta. Namun, bila dibandingkan dengan
gambar A, gambar B memberikan tampilan/visualisasi yang lebih mudah
diinterpretasi dan dipahami dalam memberikan informasi tutupan lahan.
Sedangkan pada gambar A, untuk mendapatkan informasi tutupan lahan
maka perlu ada usaha interpretasi terlebih dahulu, tentu ini menjadi lebih
sulit. Perbedaan dari kedua data tersebut, Gambar B merupakan data hasil
klasifikasi dimana seluruh pikselnya telah terklasifikasi menjadi 5
kelas/obyek tutupan lahan. Sedangkan gambar A merupakan data mentah
dimana piksel-piksel belum memiliki atribut apapun.
Menurut Lillesand dan Kiefer (1990), klasifikasi dibagi ke dalam dua jenis
teknik yaitu
a. Klasifikasi Supervised (Terbimbing)
Teknik ini dilakukan dengan prosedur pengambilan sampel
beberapa piksel untuk masing-masing kelas/obyek. Sampel atau
Region Of Interest ini digunakan untuk mendapatkan karakteristik
nilai piksel di masing-masing obyek/kelas. Kemudian seluruh piksel
yang bukan sebagai sampel akan dikelompokkan dengan mengacu
pada karakteristik nilai piksel sampel yang telah diambil dengan
menerapkan perhitungan statistik.
b. Klasifikasi Unsupervised (Tidak Terbimbing)
Pada klasifikasi tidak terbimbing, pengklasifikasian dimulai dengan
pemeriksaan statistik seluruh piksel dan membaginya kedalam
kelas-kelas yang jumlahnya telah ditentukan. Dalam teknik ini,
piksel dikelompokkan bukan atas dasar pengambilan sampel, namun
atas dasar perhitungan statistik citra menggunakan algoritma
klusterisasi. Dalam metode ini diawali dengan penentuan jumlah
kelas (cluster) yang akan dibuat. Kemudian setelah kelas-kelas
tersebut dihasilkan, lalu didefinsikan sesuau dengan obyek yang
ingin diidentifikasi.
____________________________________________________________
140
Kemudian gunakan tools Data Manager untuk menampilkan data tersebut
dalam layer komposit yang berbeda, misalkan komposit False Color RGB
654.
___________________________________________________________
141
Rename kedua layer tersebut, agar mempermudah dalam mengenali dan
membedakan antar layer.
Maka, kedua layer tersebut telah berganti nama sesuai dengan kompositnya.
8.Klik/Select, hingga
terblok warna biru
pada layer tersebut
Maka akan muncul kotak Region of Interest. Dalam hal ini, ROI yang akan
dibuat telah terintegrasi dengan layer False Color. Sedangkan layer True
Color dapat anda gunakan sebagai referensi pembanding untuk mengenali
obyek. Langkah selanjutnya, buatlah kelas-kelas penutupan lahan terlebih
___________________________________________________________
143
10.Klik New ROI
11.Rename kelas
pertama, misalkan
“lahan terbangun”
12.Kemudian pilih
warnanya
Maka kelas pertama tadi muncul dalam direktori layer FALSE COLOR.
Langkah selanjutnya, buatlah kelas tutupan lahan lainnya.
14.Rename Kelas
berikutnya
kemudian pilih
warnanya.
____________________________________________________________
144
15.Klik New ROI
16.Rename Kelas
selanjutnya,
kemudian pilih
warnanya. 18.Rename
Kelasnya,
kemudian
17.Klik kembali
pilih
New ROI
warnanya.
___________________________________________________________
145
Kemudian, mulailah menggambar sampel poligon di masing-masing ROI.
Misalkan dimulai dari kelas lahan terbangun. Carilah obyek lahan terbangun,
semisal pemukiman, industri, perkantoran,dll.
Tampilan Lahan terbangun di True Color (kiri) dan False Color (kanan).
Setelah menemukan target obyek, selanjutnya aktifkan ROI untuk kelas
Lahan Terbangun, lalu gambarlah poligon di area yang akan dijadikan
sampel.
19.Double-Click Kelas
Lahan Terbangun. 20.Klik icon Polygon.
____________________________________________________________
146
22.Deliniasi line polygon
hingga menuju titik awal,
sehingga membentuk garis
yang menyambung, lalu
sambungkan hingga kursor
berbentuk lingkaran
Carilah obyek permukiman lainnya untuk menambah ROI pada kelas Lahan
terbangun, sehingga semua jenis kriteria lahan terbangun terwakili.
klik
___________________________________________________________
147
Setelah selesai mengambil ROI untuk kelas lahan terbangun, Lanjutkan lah
dengan membuat poligon-poligon sampel ROI di masing-masing kelas
tutupan lahan lainnya.
26.Klik OK
___________________________________________________________
149
Anda juga dapat
melihat
distribusi pixel
per masing-
masing kelas
ROI. Pertama
tentukan kelas
ROI terlebih
dahulu.
Lalu nilai
statistic dari
sampel kelas
ROI terpilih
akan muncul.
____________________________________________________________
150
27.Klik menu File
28.Pilih Save As
29.Klik Select
All Item
31.Klik Open
32.Klik OK
___________________________________________________________
151
Setelah ROI tersimpan, kemudian mulai-lah untuk melakukan proses
klasifikasi. Caranya adalah sebagai berikut.
33.Bukalah folder
Classification
____________________________________________________________
152
37.Klik Select All Items
38.Klik Choose
40.Klik Open
41.Klik OK
Maka akan muncul layer baru hasil proses klasifikasi dengan metode
supervised. Warna dari kelas tersebut me-representasi-kan dari obyek
tutupan lahan. Hasil ini muncul dari proses perhitungan statistik dari sampel-
sampel ROI yang telah dibuat. Sampel-sampel ROI dianalsis secara statistik
kemudian diinterpolasi ke seluruh area. Baik-buruknya hasil klasifikasi,
tentu tergantung dari kualitas sampel ROI yang diambil. Apabila sampel
___________________________________________________________
153
tidak representatif, maka kesalahan hasil klasifikasi dapat terjadi. Hal ini
dicontohkan seperti gambar di bawah ini.
Area yang dilingkari warna merah, harusnya merupakan laut (biru). Namun
dari hasil klasifikasi ini terlihat obyek tersebut adalah lahan basah (warna
ungu). Hal ini terjadi karena tidak ada sampel ROI badan air yang dibuat di
area tersebut. Karena ketidak-adaan ROI yang digunakan sebagai acuan,
maka piksel-piksel di area tersebut mengambil kriteria sampel yang lebih
mendekati, yakni sampel lahan basah. Oleh karena itulah, piksel-piksel
tersebut terklasifikasikan menjadi lahan basah.
Untuk dapat memperbaiki hasil klasifikasi, tidak perlu anda lakukan dengan
membuat ROI dari awal. Anda dapat menambahkan atau mengurangi sampel
ROI yang telah anda buat dan simpan. Hasil pembaharuan ROI tersebut,
dapat anda proses kembali sehingga menghasilkan layer klasifikasi yang
baru.
____________________________________________________________
154
Double click pada
kelas ROI yang
ingin diedit .
Kemudian
editlah
sampel ROI,
misalkan
menambahka
n sampel
lebih banyak
lagi.
___________________________________________________________
155
Hasil editing,
bisa anda
simpan dengan
file yang sama
(Save), atau
membuat file
yang baru (Save
As)
Select/Pilih input
citra-nya
Klik OK
____________________________________________________________
156
Select kelas ROI
Klik Open
Klik OK
Setelah hasil dari proses klasifikasi selesai, anda dapat membandingkan hasil
klasifikasi sebelumnya, dengan hasil klasifikasi yang telah mengalami
proses editing pada sampel ROI.
___________________________________________________________
157
Contoh di bawah ini, dengan hanya menambahkan sampel ROI badan air
pada area yang salah, hasilnya terlihat berubah.
Bila anda telah terlanjur menutup ENVI, anda dapat menginputkan kembali
ROI yang telah anda simpan, yakni dengan cara sebagai berikut
____________________________________________________________
158
Kemudian, carilah file
ROI (xml) yang telah
disimpan sebelumnya.
___________________________________________________________
159
7.2. Klasifikasi Unsupervised
Sama seperti pada proses klasifikasi sebelumnya (Supervised), anda harus
input datanya terlebih dahulu. Kemudian, buatlah 2 layer dengan komposit
berbeda dari data tersebut.
Bukalah data CROP_RECTANGLE_JAKARTA.
____________________________________________________________
160
Sehingga, kini terdapat data CROP_RECTANGLE_JAKARTA, ditampilkan
dalam 2 layer komposit yang berbeda, satu layer dalam True color (RGB
432), layer lainnya dalam komposit False color (RGB 654).
___________________________________________________________
161
Maka, kedua layer tersebut telah berganti nama sesuai dengan kompositnya.
____________________________________________________________
162
2.Pilih Menu Display pilih 2D Scatter Plot
___________________________________________________________
163
7.Agar warna dibedakkan,
8.Kemudian digit-lah scatter pada
pilihlah warna lain untuk
area yang ditunjukkan pada
pemilihan scatter selanjutnya.
lingkaran di bawah ini. Lalu akhiri
dengan klik kanan.
Dari percobaan di atas, maka kita dapat mengetahui pola scatter lahan
terbangun dan badan air pada band 5 dan band 6 dan mampu mengklusterkan
atau mengelompokkannya.
Band 5
Kluster dari scater pixel lahan
terbangun, memiliki
karakteristik nilai pixel tinggi
pada band 5 maupun band 6
Band 6
ITERASI 1
___________________________________________________________
165
ITERASI 2
____________________________________________________________
166
ITERASI 3
___________________________________________________________
167
Dalam penerapannya nanti, band yang digunakan tidak hanya berjumlah 2
band, namun dapat dilakukan untuk seluruh band multispektral Landsat 8
(band 1-7). Sehingga karakteristik scatter akan semakin variatif.
1.Buka folder
Classification
Unsupervised
2.Pilih metodE K-
means
3.Select/Pilih
citranya
4.Klik OK
____________________________________________________________
168
5.Tentukan banyaknya kelas, misalkan
30 kelas.
7.Klik Choose
untuk menyimpan
9.Klik Open
10.Klik OK
___________________________________________________________
169
Bila proses telah selesai, maka akan muncul layer class image
(UNSUPERVISED_JAKARTA) yang merupakan hasil dari proses
klasifikasi Unsupervised dengan parameter yang telah ditentukan.
____________________________________________________________
170
Mulailah mengidentifikasi setiap kelas tersebut dengan membandingkannya
dengan layer True Color dan False Color.
___________________________________________________________
171
7.2.2. Metode ISODATA
Berikut adalah langkah-langkah untuk melakukan proses unsupervised
menggunakan algoritma ISODATA.
1.Buka folder
Classification
Unsupervised
2.Pilih metode
ISODATA
3.Select/Pilih
citranya
4.Klik OK
____________________________________________________________
172
5.Tentukan jumlah kelas minimal dan 6.Tentukan jumlah proses iterasi,
maksimal,misalkan min=5 dan misalkan 5.
max=30 kelas. Semakin banyak maksimum iterasi,
Semakin banyak kelas, semakin semakin baik hasil klasifikasi,
banyak objek yang mampu namun akan semakin lama proses
diidentfikasi loading-nya
7.Klik Choose
untuk menyimpan
9.Klik Open
10.Klik OK
___________________________________________________________
173
Mulailah mengidentifikasi setiap kelas tersebut dengan membandingkannya
dengan layer True Color dan False Color.
____________________________________________________________
174
selanjutnya, akan dijelaskan cara untuk menggabungkan kelas-kelas yang
sama.
7.2.3. Reklasifikasi
Langkah ini dilakukan setelah seluruh kelas terdefinisi. Lalu ceklah kelas-
kelas yang sama, kemudian tentukan kelas referensinya.
Misalkan pada contoh diatas, kelas 1 sebagai referensi badan air dengan
anggotanya kelas 1, kelas 2, kelas 3, kelas 25 dan kelas 26.
___________________________________________________________
175
Kemudian kelas 4 sebagai referensi kelas lahan basah, dengan anggotanya
kelas 4, kelas 5, kelas 6, kelas 7 dan kelas 8.
Kemudian lakukan hal yang serupa dengan kelas lainya (lahan terbangun,
Vegetasi, Rumput, Lahan Terbuka, Lahan Pertanian Kering, Awan,
Bayangan Awan).
3.Klik OK
____________________________________________________________
176
4.Klik Edit Attributes Pilih
Classification Info
5.Klik OK
6.Klik OK
___________________________________________________________
177
7.Rename masing-masing kelas
sesuai dengan tutupan obyek. Anda
juga dapat mengatur warna-nya.
9.Klik OK
____________________________________________________________
178
10.Klik Open
11.Pilih/Select file
citranya
12.Klik Open
Maka layer tersebut akan muncul dengan penamaan kelas yang telah
berubah sesuai dengan obyek tutupan lahan. Apabila saat proses rename
juga melibatkan pengaturan warna kelas, maka hasil dari layer klasifikasi
akan memiliki warna sesuai dengan pengaturannya seperti contoh di bawah
ini.
___________________________________________________________
179
Sedangkan untuk proses penggabungannya (merge), dapat dilihat pada
langkah-langkah berikut ini.
Kemudian, akan muncul kotak Combine Classes Parameters. Pada kotak ini,
anda harus menggabungkan kelas-kelas yang sama dengan cara:
- Output Class = pilih salah satu dari kelas yang sama sebagai
Reference/Ketua Grup.
- Input Class = pilihlah seluruh member/anggota kelas yang sama. Seluruh
kelas pada kolom ini nantinya akan habis terinput.
Untuk mempermudah pemahaman, berikut adalah ilustrasinya:
____________________________________________________________
180
Berikut adalah langkah-langkah untuk menggabungkan kelas, sebagai
contoh awal yakni menggabungkan kelas-kelas badan air.
___________________________________________________________
181
Maka akan muncul layer baru, dimana layer tersebut adalah hasil proses
reklasifikasi yang hanya memiliki sejumlah kelas sesuai jumlah jenis tutupan
lahan yang terdapat di wilayah tersebut.
____________________________________________________________
182
Bukalah citra yang merupakan hasil klasifikasi.
___________________________________________________________
183
4.Pilih kleas yang akan di
smooth-kan
6.Klik Choose
8.Klik Open
9.Klik OK
Anda dapat mencoba proses tersebut dengan ukuran kernel yang berbeda
dan bandingkan hasilnya.
Terkadang proses ini hanya untuk memperbaiki tampilan, namun tidak selalu
memperbaiki presisi atau akurasinya. Nilai piksel yang sebenarnya akan
____________________________________________________________
184
diubah sesuai dengan piksel-piksel disekitarnya dalam radius ukuran kernel
yang digunakan. Misalkan ukuran 3 x 3 seperti contoh berikut:
___________________________________________________________
185
____________________________________________________________
186
BAB 8.
UJI AKURASI HASIL KLASIFIKASI
Hasil klasifikasi citra dapat dikatakan masih bersifat tentatif apabila belum
melakukan tahap proses uji akurasi. Terkadang dalam suatu proses
klasifikasi, baik atau buruknya hasil klasifikasi tergantung dari ketepatan
teknik interpretasi yang digunakan oleh sang interpreter. Uji akurasi dalam
suatu alur proses klasifikasi citra bertujuan untuk mengetahui seberapa besar
tingkat kebenaran dari model klasifikasi yang telah dibuat. Data hasil
klasifikasi yang diolah di lab komputer dibandingkan dengan data di
lapangan untuk melihat sejauh mana tingkat kebenaran model klasifikasi
tersebut. Apabila akurasi tinggi maka model klasifikasi dapat dikatakan valid
dan berkualitas sehingga dapat digunakan sebagai data spasial untuk
keperluan analisis lebih lanjut. Sedangkan apabila akurasi model klasifikasi
adalah rendah, maka hasil klasifikasi tersebut tidak layak digunakan sebagai
data spasial untuk keperluan analisis, yang artinya bahwa perlu dilakukan
proses klasifikasi ulang.
Software ENVI memiliki tools yang berfungsi untuk melakukan proses uji
validasi. Data yang diinputkan berupa data raster maupun vektor poligon.
Bab ini akan menjelaskan cara melakukan uji akurasi dimana sampel data
sebagai data lapangan adalah data vektor poligon. Data vektor ini didapat
dari survei serta dari interpretasi citra resolusi tinggi. Didalam lampiran buku
ini, anda dapat mempelajari bagaimana cara membuat vektor poligon
memanfaatkan software Google Earth. Software Google Earth merupakan
software GIS opensource yang mampu menampilkan citra-citra resolusi
tinggi dengan waktu perekaman time series. Dengan memanfaatkan Google
Earth, anda dapat mendeliniasi poligon sampel.
Deliniasi poligon
lahan terbangu
(merah), badan air
(biru) dan rumput
(hijau) yang dijadikan
sampel untuk proses
uji validasi.
___________________________________________________________
189
Langkah pertama adalah bukalah citra hasil klasifikasi yang ingin diuji
akurasinya.
Dalam ENVI, format data vektor yang dapat digunakan sebagai data input
adalah shapefile (*.shp). Oleh karena itu, bila anda melakukan digitasi
didalam Google earth dimana output vektornya berformat kml, maka anda
harus konversi data tersebut kedalam format shapefile. Proses konversi data
vektor dapat dilakukan di software GIS seperti Arc Gis maupun Quantum
GIS.
Inputlah data vektor poligon yang dijadikan sampel untuk melakukan uji
validasi.
4.Klik Open
____________________________________________________________
190
5.Klik file yang ingin
dijadikan ROI.
6.Klik OK
___________________________________________________________
191
Oleh karena itu, untuk mempertahankan informasi kelas
tutupanlahan terebut, pada langkah di bawah ini pilihlah Unique
records of an attributes to separate ROIs.
7.Ceklis, kemudian
pada kolom
Attribute, pilihlah
Field Keterangan.
____________________________________________________________
192
Setelah proses konversi vektor poligon menjadi ROI selesai, langkah
selanjutnya adalah melakukan proses pembuatan Confussion Matrix.
Langkahnya adalah sebagai berikut.
9.Buka folder
ClassificationPost
Clasification Pilih Confussion
Matrix Using Ground Truth
ROI
11.Klik OK
___________________________________________________________
193
Selanjutnya akan muncul kotak Match Classes Parameters. Pada kotak ini,
anda harus mencocokkan kelas yang ada didalam Ground Truth ROI dengan
kelas yang terdapat di citra klasifikasi.
13.Klik Add
Combination
16.Klik OK
____________________________________________________________
194
Maka akan muncul informasi seperti pada gambar di bawah ini.
Dalam satuan
pixel
Dalam satuan
persen
___________________________________________________________
195
Perhitungan akurasi secara manual adalah sebagai berikut:
Sampel Total
1 2 3 4 5 6
1 480 0 5 0 0 0 485
2 0 52 0 20 0 0 72
Class 3 0 0 313 40 0 0 353
Image 4 0 16 0 126 0 0 142
5 0 0 0 38 342 79 459
6 0 0 38 24 60 359 481
Total 480 68 336 248 402 438 1992
= Piksel error = Piksel benar
____________________________________________________________
196
Kategorian tingkat akurasi berdasarkan nilai Kappa Menurut Landis dan
Koch (1977, dalam Congalton dan Green, 2008), adalah sebagai berikut:
0 – 0,4 = rendah
0,4 – 0,8 = sedang
0,8 – 1 = tinggi
User’s Accuracy:
1 = 480/485 = 99%
2 = 52/72 = 72%
3 = 313/353 =87%
4 = 126/142 = 89%
5 = 342/459 = 74%
6 = 359/481 = 75%
___________________________________________________________
197
BAB 9.
EXPORT RASTER (CLASS IMAGE) TO VEKTOR
Software ENVI memiliki tool yang dapat melakukan proses konversi data
raster menjadi data vektor. Input data raster yang dapat dikonversi haruslah
merupakan citra hasil klasifikasi (class image). Tahapan prosesnya adalah:
Tahap awal adalah melakukan konversi data Raster menjadi data vektor
dengan format ENVI Vektor Format (evf). EVF ini adalah format data vektor
milik ENVI dan tentu format ini tidak terlalu generik atau umum. Agar data
vektor bisa dibuka di berbagai macam software GIS yang umum digunakan,
maka anda harus meng-konversinya menjadi format shapefile.
____________________________________________________________
198
2.Pilih/klik citra hasil
klasifikasi yang ingin di
konversi kedalam format
vektor
3.Klik OK
7.Klik Open
8.Klik OK
___________________________________________________________
199
Tunggulah hingga proses selesai.
Anda dapat mengeksport format evf ini kedalam format shapefile agar data
vektor ini dapat dibuka di software GIS seperti Arcgis atau Quantum GIS.
9.Buka folder
Vector, pilih Classic
EVF to Shapefile
11.Klik Open
____________________________________________________________
200
12.Klik Choose
13.Simpan output
shapefile, dan berinama
misalkan
“vektor_class_shapefile”
14.Klik Open
15.Klik Ok
Maka anda dapat membuka output tersebut didalam software Arc Gis
seperti contoh di bawah ini.
___________________________________________________________
201
BAB 10.
APLIKASI BAND MATH
Bab ini akan menjelaskan mengenai cara melakukan transformasi citra atau
aplikasi band ratio. Tahap ini anda akan banyak bermain dengan rumus-
rumus algoritma yang nanti digunakan untuk memanipulasi/transformasi
nilai piksel. Pada contoh di bawah ini, anda akan berlatih menggunakan
beberapa rumus algoritma untuk melakukan transformasi nilai piksel pada
citra sehingga nilai piksel tersebut menghasilkan informasi seperti angka
indeks vegetasi dan nilai suhu permukaan darat.
____________________________________________________________
202
yang mampu ditangkap oleh mata manusia. Itulah mengapa vegetasi
memiliki warna hijau.
Dimana:
NIR = Band yang memiliki panjang gelombang Inframerah Dekat.
Red = Band yang memiliki panjang gelombang merah.
___________________________________________________________
203
Dalam sensor OLI pada Landsat 8, NIR adalah band 5 sedangkan Red adalah
Band 4. Hal berbeda bila menggunakan Landsat 7, dimana NIR adalah band
4 dan Red adalah Band 3.
Nilai NDVI ini berkisar antara -1 hingga 1. Apabila nilai NDVI mendekati
nilai 1, maka obyek tersebut memiliki indeks kehijauan yang tinggi.
Sebaliknya, bilai NDVI mendekati nilai -1, maka obyek tersebut memiliki
indeks kehijauan yang rendah atau bukan merupakan obyek vegetasi.
____________________________________________________________
204
Kemudian aktifkan tools Band math dan masukkan rumus NDVI
kedalamnya.
2.Masukkan rumusnya,
yakni :
(B5-B4)/(B5+B4)
Namun, untuk
mempertahankan nilai
decimal, maka penulisan
pada bandmath harus
menggunakan format
floating. Sehingga
penulisan pada
bandmath adalah:
(float(b5)-float(b4)) /
3.Klik OK (float(b5)+float(b4))
4.Klik B4
5.Klik Band 4
6.Klik B5
7.Klik Band 5
____________________________________________________________
206
9.Simpan output, dab berinama
misalkan “NDVI”
10.Klik Open
11.Klik OK
___________________________________________________________
207
Maka hasilnya adalah sebagai berikut.
____________________________________________________________
208
Secara teknis, band 10 merupakan band yang biasa digunakan dalam proses
pengolahan suhu permukaan darat. Sedangkan band 11, berdasarkan
beberapa publikasi jurnal yang ada, band ini kurang memiliki akurasi yang
tinggi dalam mengestimasi nilau suhu permukaan dibandingkan band 10.
Resolusi spasial dari kedua band ini adalah 30 meter, hal ini merupakan suatu
perbaikan pada band thermal pada versi Landsat generasi sebelumnya yang
hanya memiliki resolusi 60 meter saja.
___________________________________________________________
209
a. DN to Spektral Radian
Tahap awal adalah melakukan kalibrasi radiometrik pada citra band 10.
Nilai suhu permukaan dihitung dari nilai spektra radian citra, oleh karena itu
citra band 10 yang pikselnya masih berupa DN harus dikalibrasi kedalam
nilai spektra radian.
Rumusnya adalah sebagai berikut:
Lλ = ML*Qcal + AL
Dimana :
Mp = faktor skala
AL = faktor penambah
Qcal = Digital Number (DN)
Keduan faktor tersebut dapat dilihat pada file metadata citra, dimana dalam
format tulisan metadata tersebut, Mp adalah
“RADIANCE_MULT_BAND_...”, Sedangkan AL adalah
“RADIANCE_ADD_BAND_...”.
Berikut adalah tampilan metadatanya.
= ((0.0003342)*B1)+0.1
____________________________________________________________
210
Kemudian tuliskan rumus dalam band, seperti contoh di bawah ini.
1.Klik Band Math
2.Ketik rumus
algoritmannya
7.Klik Choose
9.Klik Open
10.Klik OK
___________________________________________________________
211
Maka layer “RADIANS_BAND10” akan muncul pada kotak Layer
Manager.
____________________________________________________________
212
Nilai K1 dan K2 dapat dilihat pada metadata seperti yang terdapat pada
gambar di bawah ini.
T = K2 / ln ((K1/CV) +1)
= 1321.08 /alog((774.89/B1)+1)
Kemudian, tulislah rumus tersebut didalam bandmath.
1.Klik Bandmath
2.Masukkan
rumusnya
5.Klik OK
___________________________________________________________
213
6.Klik Variabel B1
8Klik Choose
10.Klik Open
11.Klik OK
____________________________________________________________
214
Maka layer “KELVIN_BAND10” akan muncul pada kotak Layer
Manager.
c. Kelvin to Celcius
Langkah selanjutnya adalah mengkonversi nilai suhu yang masih dalam
satuan Kelvin kedalam satuan Celcius. Rumusnya adalah sebagai berikut:
CELCIUS = KELVIN - 272.15
Rumus dalam band math = B1 – 272.15
1.Klik Bandmath
2.Masukkan rumusnya
5.Klik OK
___________________________________________________________
215
6.Klik Variabel B1
8.Klik Choose
10.Klik Open
11.Klik OK
____________________________________________________________
216
Maka layer “CELCIUS” akan muncul pada kotak Layer Manager.
___________________________________________________________
217
BAB 11.
LIDAR
Output dari sistem ini adalah kumpulan titik-titik atau biasa diistilahkan
sebagai Point Cloud, yang memiliki informasi X, Y, dan Z. Nilai X, Y dan
Z dari point cloud ini mampu memberikan gambaran obyek permukaan bumi
secara 3 dimensi.
Secara umum, prinsip dari sistem LiDAR adalah menembakkan gelombang
ke permukaan bumi, kemudian setelahnya sensor lidar merekam pantulan
balik gelombang tersebut. Waktu antara menembakan cahaya hingga
diterima kembali pantulannya diukur lalu dikonversikan menjadi jarak.
____________________________________________________________
218
Jarak yang dimaksud dalam hal ini adalah jarak antara pesawat terhadap
obyek. Setelah itu, GPS yang terpasang didalam pesawat juga merekam nilai
altitude dan posisi geografis pesawat terhadap permukaan bumi. Nilai
altitude inilah yang digunakan untuk meng-kalibrasi jarak obyek menjadi
nilai ketinggian.
1. Laser
Kurva dibawah ini menunjukkan tingkat reflektan vegetasi dan air pada
keseluruhan panjang gelombang Terlihat bahwa tingkat reflektan
vegetasi paling kuat pada spektrum inframerah dekat (0,7 – 1 um)
3. Diferential GPS
___________________________________________________________
221
Pemetaan LiDAR ini akan sangat optimal dan presisi bila Jarak
maksimum pesawat dari base station GPS tidak boleh lebih dari 10 km.
(Cramer, 1997; Behan dkk., 2000; Kozmus dan Stopar, 2003; Turton,
2006).
Secara teknis, sensor lidar menembakkan gelombang laser dan setiap 1 kali
penembakan, beberapa spot terpantulkan karena terhalang seresah tajuk,
namun beberapa spot diteruskan hingga mengenai beberapa objek
dibawahnya, hingga mengenai ground. Sehingga setiap dalam 1 tembakkan,
sistem lidar mampu menangkap beberapa gelombang balik (pantulan) atau
multiple wave.
____________________________________________________________
222
Multiple wave pada LiDAR
Kelebihan Lidar:
Kekurangan Lidar:
___________________________________________________________
223
Pemanfaatan data LiDAR antara lain:
1. Pertambangan
2. Perencanaan Sistem Drainase (Mikro Hidrologi)
3. Perencanaan Infrastruktur (Jalan tol, sutet, jalan kereta api, dll)
4. Perencanaan Kota
5. Monitoring Hutan
6. Perkebunan
7. Militer
____________________________________________________________
224
BAB 12.
Data LiDAR ini berupa sebaran titik-titik yang sangat rapat bahkan
kerapatannya hingga 9 titik per meter persegi; artinya ukuran datanya
berbanding lurus dengan luas area yang diolah. Semakin luas area yang
diproses maka semakin besar ukuran datanya. Oleh karenanya, untuk
mengolah data LiDAR yang men-cakup area luas membutuhkan spesifikasi
komputer/PC yang tinggi. Spesifikasi yang dimaksud berupa prosesor dan
RAM serta didukung kapasitas hardisk yang besar untuk menyimpan output
hasil pengolahan.
___________________________________________________________
225
12.1. Membuka ENVI LIDAR
Bukalah Software ENVI Lidar, klik Start All Program ENVI
LiDAR
Maka akan muncul tampilan Awal ENVI LiDAR seperti pada gambar
dibawah ini.
____________________________________________________________
226
c
b d
___________________________________________________________
227
12.2. Membuat Project Baru
Dalam proses pengolahan data menggunakan software ini, user harus
membuat suatu file project baru. Untuk membuat sebuah project baru, klik
menu File New Project.
____________________________________________________________
228
Maka akan muncuk kotak notifikasi seperti pada gambar di bawah ini
dimana user harus menginputkan suatu data Lidar; Klik saja OK.
Kemudian, inputkan lah data lidar yang akan diproses. Format umum data
lidar adalah berupa Laz, namun anda dapat menginputkan format data
lainnya. Sebagai contoh, bukalah sampel data lidar yang terdapat pada
direktori instalasi software ENVI, yang berlokasi di:
C:\Program Files\Exelis\ENVILiDAR51\DataSample
Ambillah salah satu file Laz, misalkan Avon. Select file tersebut, kemudian
klik Open.
___________________________________________________________
229
Kemudian akan muncul notifikasi sebagai berikut: Bila tidak ada lagi data
yang ingin diinputkan, maka klik-lah No, pada notifikasi tersebut.
Pilihlah sistem UTM agar unit/satuan ukuran dalam meter. Klik saja Yes,
apabila muncul notifikasi seperti di bawah ini.
Maka ENVI LiDAR akan melakukan proses inputting data, termasuk meng-
copy data kedalam direktori data dimana tempat kita menyimpan project.
____________________________________________________________
230
Bila selesai, maka didalam kotak layer, akan muncul data lidar yang telah
diinput, serta gambar 3 dimensi dari point cloud data tersebut didalam Data
Display.
Cek lah Direktori folder tempat anda menyimpan output project. Didalam
direktori tempat file project disimpan, akan muncul folder Product dan
Folder Raw Data. Folder Product berisi data-data hasil proses pengolahan,
baik data vektor maupun raster.
___________________________________________________________
231
12.3.1. Merubah Warna
Klik Height Palette Editor pada toolbar, hingga muncul kotak Height
Palette Editor seperti gambar di bawah ini.
____________________________________________________________
232
Berikut adalah contoh penggunaan warna palette “Earthstones”.
___________________________________________________________
233
Kemudian untuk melakukan proses pengukuran, gunakan
Measurement Tools. Kemudian klik titik awal dan titik akhir untuk
menghitung kedua jarak titik tersebut. Hasilnya akan muncul anotasi didalam
Data Display seperti gambar di bawah ini.
____________________________________________________________
234
Berikut adalah contoh ilustrasi gambarnya:
____________________________________________________________
236
12.4. Mendefinisikan DTM and DSM
Data LiDAR adalah data yang hanya memiliki informasi X,Y, dan Z,
dimana X dan Y adalah koordinat geografis, sedangkan Z adalah
ketinggian. Sehingga data LiDAR ini tak lebih adalah data yang
menginformasikan ketinggian yang berupa point cloud, sehingga dalam
suatu proses lebih lanjut, point cloud data Lidar ini diinterpolasi menjadi
suatu data raster Digital Elevation Model DEM.
DEM dikategorikan menjadi 2 jenis, yakni DSM dan DTM. DSM merupakan
data raster yang memiliki informasi ketinggian yang dihitung dari
permukaan atas suatu obyek. Sedangkan DTM merupakan data raster yang
memiliki informasi ketinggian yang dihitung berdasarkan permukaan
dasarnya suatu obyek.
___________________________________________________________
237
Sebagai ilustrasi, berikut adalah penggambarannya.
Hal terpenting dalam proses pengolahan data Lidar adalah bahwa user harus
mampu memisahkan point cloud DTM dan DSM. Software ENVI LiDAR
memiliki kemampuan dalam memisahkan point cloud DSM dan DTM serta
mampu menginterpolasikannya menjadi sebuah data raster/vektor.
Inti dari proses yang dilakukan oleh softwre tersebut adalah dengan
algoritma-nya, ENVI mampu mengklasfikasi setiap point cloud.
____________________________________________________________
238
Maka akan muncul kotak dialog seperti gambar di bawah ini.
Centang-lah kolom pada Produce Ortho, Produce DSM dan Produce DEM.
Kita juga dapat mengatur format dari output proses tersebut.
Pada kotak ini, user diminta untuk mendefinisikan area dari keseluruhan
data yang akan diproses. User cukup membuat kotak dengan melakukan
drag (klik-tahan dan geser) pada mouse untuk membuat poligon kotak
areanya.
Selain itu user juga dapat me-load boundary dari data suatu data vektor,
dengan cara klik Load New Layer.
Atau user dapat memilih mengolah keseluruhan area pada data dengan
memilih Entire Area.
___________________________________________________________
239
Kemudian klik-lah Pada Tab Production Parameters. Pada tab
ini, user dapat melakukan pengaturan misalkan mengatur resolusi
piksel dari output raster dem, interval kontur, metode filter, dll.
\
____________________________________________________________
240
Bila pengaturan telah selesai, maka lanjutkan untuk memilih Start
Processing. Tunggulah hingga proses pengolahan selesai.
Maka didalam kotak layer, akan muncul beberapa layer, diantaranya, layer
Terrain, DSM, dan DEM Countours yang berada pada Grup Layer Vektor,
Sedangkan dibawahnya adalah Grup Point yang terdiri dari layer Terrain
dan Unclassified.
___________________________________________________________
241
Gambar di bawah ini adalah merupakan DEM DSM dimana titik tertinggi
dihitung dari puncak/tajuk pohon.
____________________________________________________________
242
Output dari data-data tersebut, tersimpan dalam direktori folder project,
yakni berada di dalam folder Products.
___________________________________________________________
243
BAB 13.
Ciri point cloud vegetasi memiliki pola acak tidak bersimetri, tidak
seperti buatan manusia. Aloritma akan secara otomatis mengenali pola
ini menjadi suatu pepohonan.
Hasil akhir dari proses ini adalah point cloud yang telah terklasifikasi,
beserta fitur-fitur dari ketiga obyek tersebut dalam format data vektor.
Adapun langkah prosesnya adalah sebagai berikut:
___________________________________________________________
245
13.1. Obyek Pohon
Klik icon Process Data pada toolbar, atau pada menubar pilih
Process Process Data. Ceklis pada kolom Produce Trees
(Sebaiknya diikuti dengan Produce DSM, DEM, dan DEM
Countours).
____________________________________________________________
246
Langkah selanjutnya adalah Klik Start Processing, untuk menjalankan
proses.
___________________________________________________________
247
Didalam Group Vectors, terdapat beberapa layer, salah satunya adalah
layer Tree, bila diceklis tersendiri, tampilannya seperti kerucut terbalik
berwarna hijau. Layer tersebut menggambarkan pohon-pohon yang
berhasil terdefinisi dari proses klasifikasi sebelumnya.
____________________________________________________________
248
yang diproses, Gunakan Isometric View untuk menampilkan
perspektif kenampakan dari atas. Terlihat setiap pohon memiliki
lingkaran berbeda-beda. Lingkaran tersebut adalah diameter tajuk
pohom yang nilainya diekstrak dari proses clustering berdasarkan
parameter yang telah ditentukan.
Selain diameter, data vektor dari layer Trees ini memiliki tinggi disetiap
batangnya dan ketinggian tersebut adalah merepresentasikan tinggi
pohon sebenarnya.
___________________________________________________________
249
Berikut tampilan 3 Dimensi Viewernya.
Klik icon Process Data pada toolbar, atau pada menubar pilih
Process Process Data. Centang pada kolom Produce Buildings.
____________________________________________________________
250
Sertakan juga data DEM dan DSM, dan bila terdapat obyek pohon,
masukkan juga sebagai data input.
___________________________________________________________
251
Kemudian lakukan proses pengaturan parameter.
____________________________________________________________
252
Berikut adalah tampilan hasil proses.
___________________________________________________________
253
13.3. Obyek Line (Kabel)
Klik icon Process Data pada toolbar, atau pada menubar pilih
Process Process Data. Ceklis pada kolom Produce Power Lines,
sertakan juga data DEM dan DSM, dan bila terdapat obyek pohon,
masukkan juga sebagai data input.
____________________________________________________________
254
Definisikan area, terutama area yang terdapat obyek bangunannya.
___________________________________________________________
255
Berikut adalah tampilan hasil proses.
Hasil dari proses pengolahan data didalam software ENVI dapat anda buka
didalam software GIS, misalkan Quantum GIS atau Arc GIS.
Hasil output dari pengolahan ENVI LiDAR dapat anda lihat didalam folder
Product, dimana lokasinya berada bersamaan dengan lokasi file tempat anda
menyimpan project.
____________________________________________________________
256
Berikut contoh input data hasil pengolahan ENVI LiDAR yang dibuka di
Software Arc GIS.
Titik-titik tersebut adalah titik tengah (center point) dari setiap batang pohon.
___________________________________________________________
257
Dengan melakukan proses analisis GIS, misalkan analisis buffer, maka kita
akan mendapatkan area tajuk-tajuk setiap pohonnya.
___________________________________________________________
259
DAFTAR PUSTAKA
Anderson, J. H., E., Roach J.T., & R. Wittmer,. (1976). A Land Use And
Land Cover Classification System For Use With Remote Sensor
Data.Geological Survey Professional Paper 964. Washington : United
States Government Printing Office.
Canberra. Richards, J.A. and Jia, X. (1999). ‘Remote Sensing Digital Image
Analysis’, Third edition, 363 pp. (Springer-Verlag).
Elachi, C., Jakob van Zyl. 2006. Introduction to the Physics and
Techniques of Remote Sensing, John Wiley & Sons, New Jersey.
____________________________________________________________
260
Purwadhi Sri Hardiyanti, Sanjoto Tjaturahono. 2009. Pengantar
Interpretasi Citra Penginderaan Jauh. Semarang. Pusat Data Penginderaan
Jauh LAPAN dan Jurusan Geografi UNS.
___________________________________________________________
261