Abstrak: Data informasi dari penginderaan jauh seperti foto udara dianggap paling baik sampai
saat ini karena mempunyai tingkat resolusi yang tinggi dan sifat stereoskopis yang sangat baik.
Informasi penting dari alam dapat dianalisis dengan menggunakan citra satelitnya. Beberapa
satelit seperti LANDSAT dan Envisat memiliki sensor yang berbeda, maka dari itu praktikum ini
bertujuan mempelajari dan memahami cara pengolahan data satelit khususnya satelit LANDSAT
dan satelit Envisat dengan sensor yang dibawa oleh masing-masing satelit tersebut. Selain itu,
praktikum ini juga bertujuan untuk mempelajari kombinasi bands yang terdapat pada sensor guna
melakukan analisa pada permukaan bumi yang akan diamati. Data citra satelit LANDSAT dan
Envisat diolah dengan beberapa metode untuk menghasilkan gambar yang lebih baik. Metode yang
digunakan adalah dengan mencoba dan mengkombinasikan beberapa bands, memakai fitur K-
Means, dan mengolah citra satelit Envisat dengan sensor MERIS. Praktikum diawali dengan
pengolahan citra satelit LANDSAT dengan kombinasi bands swir_2, green dan blue. Kombinasi
kedua adalah dengan menggunakan band math, yakni band red dibagi (/) dengan band near-
infrared. Hasil citra dengan band math tersebut kemudian dianalisis dengan menggunakan fitur K-
Means. Warna yang digunakan pada pengturan K-Means adalah biru, merah dan hijau.
Selanjutnya, data citra satelit Envisat dengan sensor MERIS diolah dengan metode band water
vapour dan band reflec_1. Hasil citra kedua band tersebut berbeda, dimana hasil citra Envisat
dengan band reflec_1 menunjukkan gambar yang lebih terang dibandingkan hasil citra Envisat
dengan band water vapour.
Kata Kunci: band, citra, Envisat, LANDSAT, MERIS
Abstract: Information data from remote sensing such as aerial photography is considered the best
to date because it has a high level of resolution and excellent stereoscopic properties. Important
information from nature can be analyzed using satellite imagery. Some satellites such as LANDSAT
and Envisat have different sensors, so this practicum aims to study and understand how to process
satellite data especially LANDSAT satellites and Envisat satellites with sensors carried by each of
these satellites. In addition, this practicum also aims to study the combination of bands contained in
the sensor to analyze the surface of the earth to be observed. LANDSAT and Envisat satellite image
data are processed with several methods to produce better images. The method used is to try and
combine several bands, use the K-Means feature, and process Envisat satellite images with MERIS
sensors. Practicum begins with processing LANDSAT satellite images with a combination of
swir_2, green and blue bands. The second combination is to use the math band, which is red band
divided (/) with a near-infrared band. The image results with the math band are then analyzed using
the K-Means feature. The colors used in the K-Means arrangement are blue, red and green.
Furthermore, Envisat satellite image data with MERIS sensors are processed using the band water
vapor method and reflec_1 band. The image results of the two bands are different, where the results
of the Envisat image with the band reflec_1 show a brighter picture than the Envisat image with the
band water vapor.
Keywords: band, Envisat, image, LANDSAT, MERIS
PENDAHULUAN
Indonesia telah memanfaatkan citra penginderaan jauh, berbasis citra optic untuk
melakukan klasifikasi lahan. Wilayah Indonesia yang berada pada daerah tropis
menjadi salah satu kendala dalam menggunakan data citra optik. Indonesia
memiliki dua musim tiap tahunnya, yaitumusim hujan dan musim kemarau. Pada
musim hujan, awan menjadi kendala dalam menggunakan data citra optik.
Sedangkan pada musim kemarau, yang menjadi kendala adalah asap yang
disebabkan oleh kebakaran hutan dan lahan. Adanya awan dan asap sangat
mengganggu dalam proses identifikasi dan pemantauan obyek di permukaan bumi,
hal ini seringkali membuat informasi terbaru di bawah awan atau asap tidak
tersedia. Untuk mengatasi kelemahan dari citra optik maka saat ini telah tersedia
suatu sistem penginderaan jauh aktif berbasis radar. Salah satu sarana untuk
menyediakan data klasifikasi lahan adalah dengan memanfaatkan teknologi
penginderaan jarak jauh(Sarjani et al. 2017).
Penginderaan jauh sebagai sumber data spasial memberikan kemudahan baik
dari segi waktu, tenaga, dan biaya bagi penggunanya. Apalagi jika data yang
dibutuhkan mencakup wilayah yang luas, penginderaan jauh menjadi alternatif
pilihan terbaik untuk penyediaan data. Saat ini teknologi penginderaan jauh sudah
berkembang pesat dan banyak digunakan oleh pemerintah, peneliti, kalangan
akademik, sampai komersil. Dengan menggunakan satelit, maka memungkinkan
untuk memonitor daerah yang sulit dijangkau dengan metode dan wahana yang
lain. Satelit dengan orbit tertentu dapat memonitor seluruh permukaan bumi.
Satelit-satelit yang digunakan dalam penginderaan jauh terdiri dari satelit
lingkungan, cuaca, dan sumber daya alam (Sarjani et al. 2017). Keunggulan
teknologi penginderaan jauh ini sudah berkembang diantaranya: perangkat
pengumpul data, perangkat penyaji data, memberikan gambaran unsur- unsur
spasial yang komprehensif dengan bentuk geometri dan hubungan ketetanggaan
yang benar, periode pengukuran yang relatif singkat dan dapat diulang dengan
cepat dan konsisten skala yang dapat bervariasi, kecenderungan mendapatkan data
terbaru, dan biaya surey keseluruhannya (waktu, personil, dan biaya) terhitung
relatif murah (Prahasta 2008).
Tutupan lahan biasa digambarkan sebagai kenampakan material fisik permukaan
bumi. Tutupan lahan dapat menggambarkan keterkaitan antara proses alami dan
proses sosial. Tutupan lahan dapat menyediakan informasi yang sangat penting
untuk keperluan pemodelan serta untuk memahami fenomena alam yang terjadi di
permukaan bumi. Data tutupan lahan juga digunakan dalam mempelajari perubahan
iklim dan memahami keterkaitan antara aktivitas manusia dan perubahan global.
Informasi tutupan lahan yang akurat merupakan salah satu faktor penentu dalam
meningkatkan kinerja dari model-model ekosistem, hidrologi, dan atmosfer.
Tutupan lahan , informasi dasar dalam kajian geoscience dan perubahan global dan
informasi yang sangat penting dalam sektor pertanian. Misalnya dalam kajian
perluasan sawah baru. Perluasan sawah baru bertujuan untuk meningkatkan
produksi padi guna meningkatkan ketahanan pangan. Sebelum melaksanakan
kegiatan perluasan sawah, terlebih dahulu diperlukan upaya mengetahui kelayakan
potensi lahan hasil identifikasi Calon Petani dan Calon Lokasi (CPCL) untuk
dijadikan sawah baru dengan melakukan survei dan investigasi calon lokasi yang
layak untuk dijadikan sawah baru. Oleh karena itu, informasi tutupan lahan
membantu dalam identifikasi calon lokasi perluasan sawah baru. Informasi tutupan
lahan terbaru berupa peta dapat diperoleh melalui teknik penginderaan jauh
(Sampurno dan Thoriq 2016).
Data penginderaan jauh satelit dengan berbagai spesifikasi resolusi dapat
menampilkan objek- objek di permukaan bumi secara spesifik. Saat ini teknologi
penginderaan jauh banyak digunakan dalam kegiatan pengumpulan data kondisi
tutupan lahan. Salah satu dari jenis tutupan lahan atau vegetasi, yaitu terlihatnya
badan air. Upaya untuk mengetahui kondisi penutupan lahan pada suatu daerah
dapat dilakukan secara lengkap, cepat, dan relatif akurat melalui teknologi
penginderaan jauh. Salah satu yang dapat dimanfaatkan citra dari satelit. Oleh
karena pentingnya pengetahuan tentang pengolahan citra satelit dikuasai oleh calon
sarjana teknik sipil maka praktikum ini memiliki beberapa tujuan. Tujuan tersebut
adalah mampu mengoperasikan landsat 8, membedakan fungsi setiap band,
mengklasifikasikan lahan berdasarkan kombinasi
band dan perbandingan band , dan merubah data k-means dan MERIS.
METODOLOGI
Praktikum dilaksanakan pada hari Senin, 3 Februari 2020 pada pukul 13.00 –
16.00 WIB di Laboratorium Komputer Teknik Sipil dan Lingkungan. Pada
praktikum ini digunakan data yang sebelumnya sudah diberikan oleh asisten
praktikum. Langkah – langkah praktikum dilakukan pertama-tama aplikasi SNAP
dijalankan. Gambar citra di-input dengan cara menu File dipilih, pilih Import
kemudian Optical Sensors. Pilih Landsat, lalu pilih Landsat8 in 30m (GeoTIFF)
seperti yang terlihat pada Gambar 1. Kemudian, pada jendela baru Import Product
(Gambar 2), file citra satelit Landsat yang akan di-input, dicari lokasinya. File citra
satelit yang digunakan yaitu bernama LC81240622015033LGN00_MTL. Nama
file dipilih lalu Tombol Import Product diklik terlihat pada Gambar 2.
Gambar 1 Langkah-langkah meng-input citra satelit Landsat
Gambar 4 Tampilan tab yang memunculkan citra satelit dalam bentuk gambar
RGB
Selanjutnya, citra satelit hasil kombinasi RGB diklik kanan dibagian gambarnya
lalu pilih spatial subset from view seperti Gambar 6. Kemudian akan muncul tab
baru Specify Product Subset lalu Sceen start x, Sceen start y, Sceen end x, dan
Sceen end y diubah menjadi 2202, 1317, 6822, dan 4436 seperti Gambar 7. Lalu
Ok ditekan. Kemudian akan muncul tab baru tab product explorer.
Gambar 6 Tampilan menuju tab specify product subset
Gambar 7 Tab baru specify product subset
Tampilan citra satelit yang telah di subset dapat dibuka pada open RGB image
Window. Ketika tab baru seperti Gambar 8 muncul, band red menjadi red, green
menjadi green, blue menjadi blue. Setelah ok di klik maka akan muncul tampilan
data citra satelit landsat yang telah di subset seperti Gambar 9.
Langkah selanjutnya adalah citra satelit yang dibuka dengan perintah band math, hal pertama
yang dilakukan adalah menu raster yang ada pada toolbar di klik seperti Gambar 10. Lalu name
diubah menjadi “ Praktikum 3 ”, kemudian masuk ke pilihan edit expression seperti Gambar 11.
Jika sudah masuk ke Bands Math Expression Editor pada bagian expression, perbandingan band
red dengan band infrared dimasukkan seperti Gambar 12. Setelah expression pada band math
diubah maka ok di klik seperti Gambar 13, setelah itu hasil dari band math akan muncul seperti
Gambar 14.
Setelah itu, hasil data citra landsat tersebut ditampilkan dengan k-means
cluster analysis yang ada pada menu raster-classification seperti Gambar 15.
Setelah menu k-means cluster analysis terlihat selanjutnya pilih band red,
blue,dan green dengan menekan tombol shift , setelah memilih ketiga band,
ok di klik seperti Gambar 16. Setelah itu akan muncul tab baru seperti
Gambar 17 , lalu ok di klik. Data citra hasil k-means cluster analysis akan
muncul pada tab Product Explorer. Kemudian band class index di klik pada
data tersebut seperti Gambar 18. Hasil k-means cluster analysis akan muncul
seperti tampilan Gambar 19.
Pengelompokan objek (objek clustering) adalah salah satu proses dari objek
mining yang bertujuan untuk mempartisi objek yang ada kedalam satu atau lebih
cluster objek berdasarkan karakteristiknya. Objek dengan karakteristik yang sama
dikelompokkan dalam satu cluster dan objek dengan karakteristik berbeda
dikelompokkan kedalam cluster yang lain. Algoritma K- Means Cluster Analysis
termasuk dalam kelompok metode cluster analysis non hirarki, dimana jumlah
kelompok yang akan dibentuk sudah terlebih dahulu diketahui atau ditetapkan
jumlahnya. Algoritma K-Means Cluster Analysis menggunakan metode
perhitungan jarak (distance) untuk mengukur tingkat kedekatan antara objek
dengan titik tengah (centroid). Cluster Analysis merupakan salah satu metode
objek mining yang bersifat tanpa latihan (unsupervised analysis), sedangkan K-
Means Cluster Analysis merupakan salah satu metode cluster analysis non
hirarki yang berusaha untuk mempartisi objek yang ada kedalam satu atau
lebih cluster atau kelompok objek berdasarkan karakteristiknya, sehingga objek
yang mempunyai karakteristik yang sama dikelompokan dalam satu cluster yang
sama dan objek yang mempunyai karakteristik yang berbeda dikelompokan
kedalam cluster yang lain (Ediyanto et al. 2013).
Gambar 28 Tampilan citra satelit Landsat 8 dengan menggunakan K-Means
Tampilan dari citra satelit yang menggunakan k-means yang ditunjukkan oleh
Gambar 28 memiliki banyajk perbedaan dari dua gambar sebelumnya yang
menggunakan RGB dan band math. Gambar citra satelit yang menggunakan k-
means memiliki warna yang tampak lebih kontras dan mendetail. Hal ini disebabkan
oleh adanya perbedaan kontras warna pada setiap pengelompokan unsur tutupan
lahan yang berupa vegetasi, danau,sawah dan bangunan konstruksi lainnya yang
menutup permukaan tanah. Kenampakan jenis tutupan lahan padat citra ditampilkan
dengan warna yang berbeda-beda terlihat seperti Gambar 29. Misalnya badan air
diwakili dengan warna biru. Warna biru juga digunakan untuk menampilkan sawah
baru tanam. Sawah baru tanam biasnya memiliki banyak air. Vegetasi diwakili
dengan warna hijau terang sampai gelap. Derajat kecerahan warna hijau ini biasanya
mewakili kerapatan vegetasinya. Hutan dengan kerapatan tinggi akan tampak
dengan hijau gelap bila dibandingkan dengan hutan berkerapatan rendah atau hutan
campuran. Lahan terbangun dan lahan terbuka diwakili dengan warna merah
(Sampurno dan Thoriq 2016).
SIMPULAN
Pengolahan citra satelit pada praktikum kali ini dilakukan dengan beberapa metode
yaitu dengan open RGB landsat dengan mengubah band red menjadi swir_2.
Metode lainnya adalah dengan menggunakan band math, k-means cluster analysis,
dan MERIS. Masing-masing dari hasil pengolahan data memiliki perbedaan dan
memiliki kegunaan yang berbeda-beda. Landsat 8 memiliki 2 sensor yaitu sensor
Operasional Land Imager (OLI) terdiri dari 9 saluran (band) termasuk band
pankromatik beresolusi tinggi, dan Thermal Infra Red Sensor (TIRS) dengan 2
band termal. Hasil pengolahan citra Landsat akan menghasilkan citra yang
mengidentifikasi tutupan lahan untuk membedakan formasi batuan, untuk
pemetaan hidrotermal dan diskriminasi vegetasi. Math Band digunakan untuk
menerapkan operasi matematika, fungsi IDL, atau fungsi kustom ke satu atau
beberapa band dalam sebuah gambar. Algoritma K-Means Cluster Analysis
termasuk dalam kelompok metode cluster analysis non hirarki, dimana jumlah
kelompok yang akan dibentuk sudah terlebih dahulu diketahui atau ditetapkan
jumlahnya. Algoritma K-Means Cluster Analysis menggunakan metode
perhitungan jarak (distance) untuk mengukur tingkat kedekatan antara objek
dengan titik tengah (centroid). Citra satelit yang diambil menggunakan sensor
MERIS menunjukkan suatu areal lautan. Data seperti hasil citra tersebut umumnya
digunakan dan dirancang untuk mengukur warna laut dan menunjukkan
pengamatan samudra dan zona pantai.
DAFTAR PUSTAKA
Ediyanto, Mara M, Satyahadewi N. 2013. Pengklasifikasian karakteristik dengan
metode K- Means cluster analysis. Buletin Ilmiah Matematika Statistika
dan Terapannya. 2(2): 133- 136.
Lulla K, Duane Nellis M, Rundquist B. 2013. The Landsat 8 is ready for
geospatial science and technology researchers and practitioners. Geocarto
International. 28: 191-191.
Prahasta. 2008. Praktis Penginderaan Jauh dan Pengolahan Citra Digital dengan
Perangkat Lunak ER Mapper. Bandung (ID): Informatika Bandung.
Purwanto A. 2015. Pemanfaatan citra landsat 8 untuk identifikasi Normalized
difference vegetation index (NDVI) Di Kecamatan Silat Hilir Kabupaten
Kapuas Hulu.Jurnal Edukasi. 13(1): 30-31.
Rachmawati A. 2017. Pemprosesan citra menggunakan formula pada softfile
ENVI 5.1 [Tugas Akhir]. Surabaya(ID): Institut Teknologi Sepuluh
November.
Sarjani F, Sumantyo J, Yohandri. 2017. Pengolahan citra satelit alos palsar
menggunakan metode polarimetri untuk klasifikasi lahan wilayah Kota
Padang. Jurnal Eksakta. 18(1): 69-71.
Sampurno R, Thoriq A. 2016. Klasifikasi tutupan lahan menggunakan citra landsat 8
operational land imager (OLI) di Kabupaten Sumedang. Jurnal Teknotan.
10(2):63-64.
Suwargana N.2014. Analisis citra alos avnir-2 untuk pemetaan terumbu karang
(studi kasus: Banyuputih, Kabupaten Situbondo).Seminar Nasional
Penginderaan Jauh.
USGS. 2016. Landsat 8 (L8) Data Users Handbook. Department of the Interior U.S.
Geological Survey.
Wiliyanto N. 2016. Studi persebaran klorofil-A menggunakan citra MERIS
(Medium Resolution Imaging Spectrometer) dan citra aqua MODIS
(Moderate Resolution Imaging Spectroradiometer) di Wilayah Perairan
Pantai Banyuwangi. [Tugas Akhir]. Institut Teknologi Surabaya: 14-18.
LAMPIRAN
Lampiran 1
Tabel 2 penggunaan kombinasi band untuk studi citra landsat 8