PENGINDERAAN JAUH
MODUL 2
KOREKSI RADIOMETRI
Disusun Oleh:
Salsabila Auliya Putri
26050120120025
Oseanografi A
Tim Asisten
Warisatul Anbiya Selkofa M. 26050117120018
Muhammad Farras Ayasy 26050117140023
Riefchi Wicaksono Haris 26040117140065
Octa Firta 26040117140070
Rahmat Yolansyah Putra 26050117120026
Tiara Anggita 26050118130051
Zahra Sadza Salma 26050118120009
Ferdian Agung Baskoro 26050118120025
Maryam S. Taib 26050118140091
Danang Imaddudin Mahardika 26050118140076
Muhammad Farhan 26050118140101
Rofiatul Mutmainah 26050118120030
DEPARTEMEN OSEANOGRAFI
FAKULTAS PERIKANAN DAN ILMU KELAUTAN
UNIVERSITAS DIPONEGORO
SEMARANG
2020
Tgl Praktikum : 23 Oktober 2020
Tgl Pengumpulan : 29 Oktober 2020
LEMBAR PENILAIAN
MODUL 2
KOREKSI RADIOMETRI
Mengetahui,
Koordinator Praktikum Asisten
PENDAHULUAN
Menurut Sudarsono (2011), penginderaan jauh (inderaja) adalah ilmu atau seni
untuk memperoleh informasi tentang objek, daerah, atau gejala dengan
menggunakan alat tanpa kontak langsung terhadap objek, daerah atau gejala yang
dikaji. Alat yang dimaksud dalam batasan ini alat pengindera atau sensor.
Penginderaan jauh bermanfaat dalam proses pengukuran, penelitian, dan
pengolahan suatu sumberdaya bumi dengan menggunakan konsep foto udara,
fotogrametri, interpretasi citra dari sensor non-fotografi baik secara visual maupun
dengan menggunakan teknik pengolahan data citra digital. Pengindaraan jauh
mempunyai keunggulan dibandingkan dengan survei terrestrial secara langsung.
Kemudahan lain dari Pengindaraan Jauh yaitu pada saat pengambilan sampel
dilapangan berupa data-data yang belum dapat disadap oleh citra dengan cara melihat
gambaran wilayah secara umum dengan citra dan membuat zona-zona tertentu yang
mempunyai karakteristik yang sama.
Citra merupakan salah satu sumber data utama dalam informasi geospasial dan
penginderaan jauh. Kualitas sumber data menjadi parameter utama karena berbagai
informasi dapat diturunkan dari citra. Kualitas yang tidak memenuhi standar dapat
menyajikan informasi yang salah. Namun, semua citra yang diperoleh dari
perekaman sensor tidak lepas dari kesalahan wujud geometri, konfigurasi
permukaan bumi, dan kondisi atmosfer saat perekaman. Menurut Murni et al.
(2015). Kesalahan yang terjadi dalam proses pembentukan citra ini perlu dikoreksi
supaya aspek geometri dan radiometri yang terkandung di dalam citra tersebut
benar-benar dapat mendukung pemanfaatan untuk aplikasi yang berkaitan dengan
pemetaan, sumberdaya, dan kajian lingkungan, atau kewilayahan lainnya.
Teknologi penginderaan jauh merupakan salah satu alternatif yang dapat
membantu penyadapan informasi fisik daerah. Hal tersebut dikarenakan citra
penginderaan jauh dapat menyajikan gambaran objek, daerah, dan gejala di
permukaan bumi secara lengkap dengan wujud dan letak objek yang mirip dengan
keadaan sebenarnya di medan (Utomowati, 2012). Dalam Pengideraan Jauh
terdapat dua koreksi yang dilakukan untuk mengurangi kesalahan pada hasil
perekaman, baik foto udara maupun citra satelit. Koreksi tersebut adalah koreksi
radiometri dan koreksi geometri. Koreksi radiometri merupakan koreksi yang
dilakukan untuk memperbaiki kualitas sekaligus nilai piksel hasil perekaman agar
sesuai dengan nilai pantulan objek yang sebenarnya. Terdapat dua metode yang
digunakan dalam koreksi radiometri, yaitu metode penyesuaian histogram dan
metode penyesuaian regresi.
1.2 Tujuan
1. Mahasiswa mampu melakukan koreksi radiometri.
2. Mahasiswa mampu memeriksa atmospheric bias citra.
3. Mahasiswa dapat menggunakan metode penyesuaian histogram.
4. Mahasiswa mampu melakukan teknik penyesuaian histogram Dark Pixel
Correction.
5. Mahasiswa mampu melakukan teknik penyesuaian histogram Enhanced
Dark Pixel Correction.
6. Mahasiswa mampu melakukan teknik penyesuaian histogram Cut Off
Scattergram.
1.3 Manfaat
1. Mahasiswa dapat mengetahui cara melakukan koreksi radiometri
menggunakan aplikasi ER Mapper.
2. Mahasiswa dapat memeriksa dan mengubah Actual Input Limit suatu citra.
3. Mahasiswa dapat melakukan teknik penyesuaian histogram Dark Pixel
Correction.
4. Mahasiswa dapat melakukan teknik penyesuaian histogram Enhanced
Dark Pixel Correction.
5. Mahasiswa dapat melakukan Teknik penyesuaian histogram Cut Off
Scattergram.
BAB II
TINJAUAN PUSTAKA
3.2 Materi
1. Memeriksa nilai atmospheric bias citra.
2. Penyesuaian histogram.
3. Pengecekan data penyesuaian histogram.
4. Regresi
a. DPC (Dark Pixel Correction).
b. EDPC (Enhanced Dark Pixel Correction).
c. Cut Off Scattergram.
3.3 Metode
3.3.1 Memeriksa Nilai Atmospheric Bias Citra
1. Buka aplikasi ER Mapper 7.1
2. Klik Edit Algorithm dan ubah description.
4. Duplicate Layer menjadi 6 dan ubah nama Band dari Band 1-7
kecuali Band 6.
5. Ubah file dataset sesuai dengan urutan nama band.
3. Lalu, klik Apply Change dan Delete This Transform. Langkah ini
diteruskan sampai band 7.
10. Jika proses pengerjaan benar, maka nilai Actual Input Limit adalah
1 to (…) pada masing-masing band-nya.
12. Lalu, akan muncul halaman baru. Klik Default dan isi
Value dengan angka 0, kemudian klik OK.
10. Klik ikon Edit Transfrm. Lalu, klik Edit dan pilih Delete
this Transform.
11. Lakukan langkah-langkah tersebut dari band 1 sampai
band 7.
12. Setelah semua selesai, simpan file dengan mengeklik File
lalu pilih Save As.
4.1 Hasil
4.1.1 Memeriksa Nilai Atmospheric Bias Citra
Tabel 1. Nilai Atmospheric Bias Citra Sebelum Koreksi
Band Minimum Maksimum
Band 1 68 255
Band 2 21 223
Band 3 15 254
Band 4 4 220
Band 5 0 253
Band 7 1 247
4.2 Pembahasan
4.2.1 Memeriksa Nilai Atmospheric Bias Citra
Tujuan dari memeriksa nilai atmospheric bias adalah untuk mengetahui
bias yang terjadi pada citra akibat adanya hamburan awan. Pemeriksaan ini
dilakukan dengan menggunakan Edit Transform Limit dimana hasil yang
dilihat adalah gambar kurva. Citra yang diperiksa adalah
Landsat_TM_23Apr85.ers dimana nilai yang didapat untuk band 1 yaitu
minimal 68 dan maksimal 255; band 2 minimal 21 dan maksimal 223; band 3
minimal 15 dan maksimal 254; band 4 minimal 4 dan maksimal 220; band 5
minimal 0 dan maksimal 253; band 7 minimal 1 dan maksimal 247.
4.2.2 Penyesuaian Histogram
Penyesuaian histogram merupakan koreksi untuk nilai bias yang sudah
diperiksa dari metode sebelumnya. Penyesuaian histogram ini bertujuan untuk
menghilangkan nilai bias pada citra sehingga data citra bebas dari error yang
didapat dari gangguan atmosfer. Penyeseuaian histogram menggunakan salah
satu menu di ER Mapper, yaitu menu Edit Transform Limit lalu menghapus
transform default. Setelah diaplikasikan ke semua band, simpan data citra yang
sudah dikoreksi secara histogram dan buka kembali file yang telah disimpan
untuk mengecek nilai Actual Limit Inputnya sesuai atau tidak. Hasil dari
koreksi histogram didapatkan nilai 1 untuk seluruh nilai minimum band. Untuk
nilai maksimum, setiap band berbeda-beda, yaitu band 1 bernilai 187, band 2
bernilai 202, band 3 bernilai 239, band 4 bernilai 216, band 5 bernilai 253, dan
band 7 bernilai 246.
5.1 Kesimpulan
1. Koreksi radiometri adalah koreksi yang dilakukan karena hasil rekaman
satelit mengalami kesalahan yang disebabkan oleh gangguan atmosfer
(Daim et al., 2015).
2. Memeriksa nilai bias atmospheric bias citra dapat dilakukan dengan
menggunakan aplikasi ER-Mapper. Pemeriksaan nilai atmospheric bias
pada citra dilakukan dengan tujuan untuk pengecekan noise yang ada pada
citra.
3. Penyesuaian histogram adalah teknik kompensasi fitur populer yang telah
diteliti dengan baik dan dipraktikkan di bidang pengolahan citra.
Pengolahan citra tersebut berguna untuk normalisasi fitur visual digital
gambar, seperti kecerahan, gray-level skala, kontras, dan sebagainya
(Ahmad dan Hadinegoro, 2012).
4. DPC atau Dark Pixel Correction merupakan koreksi dimana nilai reflektan
atau pantulan pada satelit dikonversikan menjadi nilai permukaan
reflektan dengan asumsi terdapat objek dengan nilai pantulan mendekati
nol (Fadilah et al., 2018).
5. EDPC atau Enhanced Dark Pixel Correction merupakan bagian dari
metode penyesuaian regresi yang digunakan untuk menghilangkan efek
dari atmosfer untuk penajaman citra (Image Enhancement) demi
menghasilkan citra yang lebih tajam.
6. Koreksi scattergram dapat digunakan untuk mengetahui klasifikasi data,
penyimpangan data citra, dan korelasi satu citra ke citra lainnya (Dyatmika
dan Fibriawati, 2016).
5.2 Saran
1. Praktikan diharap hadir tepat waktu.
2. Praktikan diharap memakai pakaian rapi dan sopan.
3. Pada saat praktikum dimohon untuk mendengarkan penjelasan asisten
praktikum.
4. Pada saat asisten menjelaskan format laporan, praktikan dimohon
mendengarkan agar tidak terjadi kerancuan format laporan.
DAFTAR PUSTAKA