Fusi Citra
Mosaicking
Koreksi Radiometrik
Cropping Area
Segmentasi
Klasifikasi
1. Preprocessing Data
a. Data yang digunakan
Pada tahapan ini Citra Satelit SPOT 6 dan SPOT 7 memiliki 5 band yaitu 4 band
pada citra multispektral yang terdiri dari Red, Green, Blue dan Near-Infrared serta 1
band citra pankromatik, Citra Satelit SPOT 7 Multispketral sendiri memiliki resolusi
spasial 6 meter sedangkan Citra Satelit SPOT 7 Pankromatik memiliki resolusi
spasial 1.5 meter.
IMG_SPOT7_P_201503090246032_ORT_SPOT7_20150309_0725471euosgtffld
0r_1_R2C1.JP2
IMG_SPOT7_P_201503090246032_ORT_SPOT7_20150309_0725471euosgtffld
0r_1_R3C1.JP2
IMG_SPOT7_P_201503090247071_ORT_SPOT7_20150310_0732121d351jjajp
dfd_1_R1C3.JP2
IMG_SPOT7_P_201503090247071_ORT_SPOT7_20150310_0732121d351jjajp
dfd_1_R1C4
b. Fusi Citra
Fusi citra merupakan proses penggabungan dua data citra (pankromatik dan
multispektral) dengan tanggal perekaman yang sama untuk memperoleh citra
berwarna dengan resolusi spasial yang sama dengan kanal pankromatiknya
(Rudianto, 2010). Tujuan dari fusi citra adalah penajaman citra, meningkatkan
ketelitian registrasi citra, klasifikasi dan menutupi informasi yang hilang. Namun,
fusi pada citra SPOT 7 ini menggunakan Metode Gram Schimdt Spectral Sharpening
yaitu Mensimulasikan gelombang pankromatik dari band spektrum resolusi spasial
yang lebih rendah serta transformasi Gram-Schmidt pada band simulasi pankromatik
dan band-band spektral, menggunakan band simulasi pankromatik sebagai band
pertama. Menukar gelombang resolusi spasial tinggi dengan band Gram-Schmidt
pertama. Menerapkan transformasi Gram-Schmidt terbalik untuk membentuk band-
band spektral pan-sharpened. pertama buka data citra multispektral, pada tab
pertama pilih File > Open Image File
Setelah dibuka citra multispektral, lalu input data citra pankromatik dengan langkah
yang sama.
Setelah dibuka dua citra tersebut langkah selanjutnya klik pada tab Transform >
Image Sharpening > Gram Schmidt Spetral Sharpening
Lalu akan ada windows yang menyatakan untuk memilih citra yang beresolusi
rendah, pilih pada citra multispektral dan klik pada spatial subset
Pilih 3 Band yaitu Red, Green, dan Blue, setelah itu klik pada ok, dan akan muncul
windows yang menyatakan untuk memilih citra yang memiliki resolusi citra tinggi
Klik Ok lalu akan ada window untuk proses penyimpanan data yang akan di fusi
c. Mosaik Citra
Pada proses mosaik citra dilakukan proses penggabungan dua buah citra atau lebih
yang nantinya citra yang digabungkan tersebut menjadi satu citra satelit yang utuh.
pada tahapan mosaik ini digunakan software ENVI 5.1, pertama buka semua scene
citra yang sudah di fusi
Setelah dimasukkan semua scene citranya lalu pilih pada tab Mosaicking > Seamless
Mosaic
Setelah itu akan ada tampilan window seperti dibawah pilih Add Scene dan Select All
pada semua scene
Selanjutnya akan dilakukan penyamaan warna setiap scene dari satu scene yang
menjadi referensi, langkah pertama aktifkan histogram matching untuk menentukan
scene yang akan menjadi referensi
Lalu tentukan referensi scene yang akan menjadikan satu warna untuk semua scene
Lalu setelah dilakukan penyamaan warna export data hasil penyamaannya warna dan
mosaik scene, tentukan format yang akan di export dan penyimpanannya
Gambar dibawah ini merupakan hasil dari mosaik dan penyamaan warna scene
d. Koreksi Geometrik
Pada tahapan ini dilakukan proses memposisikan citra yang tidak bergeorefernsi
menjadi citra yang bergeoreferensi sehingga koordinat cocok dengan koordinat peta
dunia yang sesungguhnya. Pada praktikum kali ini, koreksi geometrik dilakukan
menggunakan metode image to map, merupakan proses pemberian koordinat pada
citra berdasarkan koordinat yang ada pada suatu peta yang mencakup area yang
sama. Bisa dilakukan dengan input GCP atau rectification image to map dan
diperlukan peta (dengan sistem koordinat tertentu) atau kumpulan GCP untuk objek
yang sudah diketahui pada citra proses koreksi geometrik dilakukan pada software
ENVI 4.5, pertama buka data hasil mosaik citra
Selanjutnya buka data citra vector atau .shp Batas Administrasi Kota Bandung yang
akan dijadikan base untuk koreksi geometrik
Lalu pilih tab Map > Registration > Select GCP : Image to map
Lalu pilih .shp yang menjadi base dan citra hasil mosaik yang menjadi warp, setelah
itu lakukan proses GCP dari data Batas Administrasi Kota Bandung
Lalukan hal sama pada setiap daerah, gambar dibawah merupakan sebaran titik GCP
image to map
e. Koreksi Radiometrik
Pada tahapan ini dilakukan proses koreksi radiometrik, menurut Sukartono dan
Supriatna pada tahun 2002, koreksi radiometrik merupakan teknik perbaikan citra
satelit untuk menghilangkan efek atmosferik yang mengakibatkan kenampakan bumi
tidak selalu tajam. Koreksi radiometrik merupakan tahap awal pengolahan data
sebelum analisis dilakukan untuk suatu tujuan. Proses koreksi radiometrik mencakup
koreksi efek-efek yang berhubungan dengan sensor untuk meningkatkan kontras
(enhancement) setiap piksel (picture element) dari citra, sehingga objek yang
terekam mudah diinterpretasikan atau dianalisis untuk menghasilkan data/informasi
yang benar sesuai dengan keadaan lapangan. Proses koreksi radiometrik ini
dilakukan pada software ENVI 5.1, Langkah pertama buka data citra hasil koreksi
geomerik
Langkah selanjutnya klik pada Radiometric Calibration lalu pilih pada Radiometric
Calibration
Lalu atur Calibration type, Output Interleave, Output Data Type, Scale Factor. Lalu
klik Ok
f. Cropping Area
Setelah dilakukan proses koreksi geometrik dan radiometrik langkah selanjutnya
cropping area sesuai batas adminitrasi, langkah pertama buka data citranya
Lalu klik pada tab vector dan pilih open vector file
Lalu pada window available vector list klik tab File lalu pilih Export Layers to ROI
Pilih data yang akan di Crop, lalu convert all records lalu klik OK
Lalu klik tab File pilih pada Region Of Interest dan pilih ROI Tool
Akan ada window seperti di bawah, lalu klik File klik subset data via ROIs
Lalu pilih datanya akan keluar window seperti dibawah pilih data yang akan
dijadikan data crop citranya lalu mask pixelnya pilih yes dan tentukan ruang
penyimpananya
Gambar dibawah merupakan hasil dari cropping area SPOT 6 dan SPOT 7 Kota
Bandung Tahun 2015
2. Processing Data
2.1. Klasifikasi OBIA
Klasifikasi ini merupakan proses klasifikasi pada citra tetapi bukan hanya
mempertimbangkan aspek spektral atau warna akan tetapi mempertimbangkan juga
aspek spasialnya atau tekstur objeknya. Menurut Wibowo, dkk tahun 2009 secara
garis besar klasifikasi OBIA dilakukan dengan 2 tahapan, yaitu segmentasi citra dan
klasifikasi setiap segmen.
a. Segmentasi
Pada tahapan ini dilakukan proses pengelompokan piksel yang memiliki kesamaan
tekstur, bertujuan untuk membuat setiap tesktur individual menjadi satu wilayah.
Pada dasarnya proses segmentasi dilakukan untuk membentuk objek-objek homogen
berupa area yang dibentuk dari sekumpulan piksel yang memiliki kesamaan atau
kemiripan nilai spectral. Pada tahapan ini juga digunakan Multiresolution
Segmentation dengan mendefinisikan setiap piksel sebagai suatu objek yang
terpisah. Segmentasi ini dilakukan dengan algoritma multiresolution segmentation
dengan mengatur parameter-parameter untuk menghasilkan segmentasi yang sesuai
dengan citra yang digunakan.
Berdasarkan konsep segmentasi dalam klasfikasi berbasis objek, untuk mendapatkan
hasil segmentasi menggunakan algoritma segmentasi multiresolusi tergantung dari
tiga parameter yaitu parameter skala, bentuk dan kekompakkan. Ketiga parameter
tersebut diisi dengan nilai-nilai yang bervariasi untuk mendapatkan hasil segmentasi
yang sesuai untuk klasifikasi citra. Secara internal tiga kriteria yang dihitung antara
lain : warna, smoothness dan compactness. Ketiga kriteria homogenitas ini bisa
digunakan dengan beranekaragam kombinasi. Untuk sebagian besar kasus, kriteria
warna merupakan yang terpenting dalam menghasilkan objek tertentu.
Pada proses segmentasi akan dilakukan pada software Ecognition Developer 64,
langkah pertama buka aplikasi ecognition
Lalu pilih pada simbol ini untuk memulai project baru, akan ada window seperti
dibawah lalu pilih citra yang akan dilakukan proses segmentasi
Lalu klik pada subset selection, klik pada use for geocoding subset dan klik OK
Dan inilah tampilan awal saat membuka data citra yang akan di segmentasi
Lalu akan ada blank window di samping kanan, klik kanan pilih Append New untuk
memulai algoritma segmentasinya
Lalu akan ada window seperti di gambar, beri nama algoritma tersebut dengan “
Segmentasi” lalu pilih algoritmanya dengan “Multiresolution Segmentasi” lalu atur
pula Scale Parameter, Shape value dan Compactness value sesuai dengan keinginan
atau kebutuhan.
karena dalam pemilihan nilai dari 3 parameter ini masih mix and match serta masih
trial error, maka disarankan untuk dilakukan uji coba pada setiap 3 paramater
tersebut, lalu klik Execute untuk memulai process segmentasi
b. Klasifikasi
Klasifikasi citra merupakan proses pengelompokan pikselpada suatu citra ke dalam
sejumlah class(kelas), sehingga setiap kelas dapat menggambarkan suatu entitas
dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah
untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu.
Contoh objek yang berkaitan dengan permukaan bumi antara lain air, hutan, sawah,
kota, jalan, dan lain-lain, langkah pertama klik pada tab Classfication lalu pilih Class
Hierarchy, lalu klik kanan pada window tersebut lalu pilih insert class
Lalu akan ada window seperti pada disamping, beri nama pada kelas yang dibuat dan
tentukan warnanya, lalu klik OK lalukan hal sama pada kelas yang lainnya atau kelas
yang dibutuhkan
Setelah dilakukan pembuatan kelas, langkah selanjutnya klik pada tab Classification
lalu pilih tab Samples lalu pilih Select Samples
Setelah itu klik kelas yang akan dicari sample nya dalam citra tersebut
Lalu pilih sample sawah sesuai dengan citra yang ada dan lalukan hal sama pada
kelas yang lainnya, diusahakan proses training sample ini dilakukan 80% dari citra
yang ada agar pada saat klasifikasi tidak terjadi blunder data atau ketidaksesuaian
klasifikasi
Setelah dilakukan proses training sample pada semua kelas, langkah selanjutnya
yaitu proses klasifikasi pertama klik pada tab Classification lalu pilih tab Nearest
Neighbor lalu pilih Edit Standard NN Feature Space
Lalu tentukan parameter klasifikasinya sesuai dengan kebutuhan, setelah itu klik OK
Langkah selanjutnya yaitu proses klasifikasi pertama klik pada tab Classification
lalu pilih tab Nearest Neighbor lalu pilih Apply Standard NN to Classes
Setelah itu kembali lagi pada tab Process tree klik kanan pada window kanan pilih
Append New
Lalu akan ada window seperti di gambar, beri nama algoritma tersebut dengan “
Klasifikasi” lalu pilih algoritmanya dengan “Classification” lalu klik pada Active
Class pilih semua kelas, lalu pada pilihan Erase Old Classification pilih Yes setelah
itu klik Execute, tunggu hingga selesai proses segmentasi
Gambar dibawah merupakan hasil dari proses klasifikasi dalam satu sub wilayah
kota
Gambar dibawah merupakan hasil dari proses klasifikasi dalam satu Kota Bandung
Dapat dilihat bahwa NDVI memanfaatkan band NIR atau band nir-inframerah dan
band merah. Hal ini karena vegetasi yang sehat menyerap hampir semua spektrum
visible light dan memantulkan sebagian besar NIR atau spektrum nir-inframerah.
Kedua band ini dapat menjadi parameter untuk menentukan kesehatan vegetasi.
Selain itu, NDVI dapat pula digunakan untuk menentukan kerapatan vegetasi dari
suatu daerah. Sehingga, dapat dilakukan langkah antisipatif lainnya yang berkaitan
dengan bencana alam atau bencana kekeringan dan kebakaran hutan.
Langkah pertama pada proses analisis NDVI ini Open pada citra multispektral SPOT
6 dan 7 karena pada Citra multispektral SPOT 6 dan 7 ini memiliki Band 4 yaitu
NIR (Near Infrared)
Langkah selanjtunya pilih pada Transform lalu pilih pada tab NDVI
Lalu setelah itu pilih tab basic tools lalu pilih pada Band Math
Lalu tentukan Band 1 dan 4 untuk di generate NDV, lalu tentukan penyimpanannya