LAPORAN RESMI PRAKTIKUM

PENGINDERAAN JAUH
MODUL 2
KOREKSI RADIOMETRI

Disusun Oleh:
Salsabila Auliya Putri
26050120120025
Oseanografi A

Koordinator Mata Kuliah Penginderaan Jauh :

Ir. Petrus Subardjo, M.Si
NIP. 19561020 198703 1 001

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

Nama : Salsabila Auliya Putri NIM : 26050120120025 Ttd :

NO. KETERANGAN NILAI

1. Pendahuluan
2. Tinjauan Pustaka
3. Materi dan Metode
4. Hasil dan Pembahasan
5. Penutup
6. Daftar Pustaka
TOTAL

Mengetahui,
Koordinator Praktikum Asisten

Warisatul Anbiya Selkofa M. Muhammad Farhan

26050117120018 26050118140101
 BAB I

PENDAHULUAN

1.1 Latar Belakang

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

2.1 Koreksi Radiometri

2.1.1 Definisi Koreksi Radiometri
Koreksi radiometri adalah koreksi yang dilakukan karena hasil rekaman
satelit mengalami kesalahan yang disebabkan oleh gangguan atmosfer (Daim
et al., 2015). Gangguan atmosfer bisa berupa partikel-partikel yang
menyebabkan hamburan pada hasil rekaman citra. Gangguan atmosfer
menyebabkan nilai pantulan yang diterima oleh sensor mengalami
penyimpangan. Efek atmosfer menyebabkan nilai pantulan objek dipermukaan
bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya, tetapi
menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena
proses serapan. Besarnya penyimpangan yang diterima oleh sensor ditentukan
oleh besar kecilnya gangguan atmosfer pada saat waktu perekaman.
Koreksi radiometri ditujukan untuk menyusun kembali nilai pantulan
yang direkam sensor mendekati atau memiliki pola seperti pantulan objek yang
sebenarnya sesuai dengan panjang gelombang perekamannya (Daim et al.,
2015). Koreksi radiometri merupakan teknik perbaikan citra satelit untuk
menghilangkan efek atmosferik yang mengakibatkan kenampakan bumi tidak
selalu tajam. Koreksi radiometri sangat bermanfaat untuk menganalisis data
mutitemporal dan multisensor yang digunakan untuk interpretasi dan
mendeteksi perubahan secara kontinu (Kustiyo et al., 2014). Dalam
pengerjaannya, koreksi radiometri memiliki dua metode untuk mengolah data
citra yang telah diambil untuk diteliti dan dianalisis. Dua metode tersebut, yaitu
metode penyesuaian histogram dan metode penyesuaian regresi.

2.1.2 Kegunaan Koreksi Radiometri

Koreksi radiometri memiliki banyak manfaat dalam bidang
penginderaan jauh. Kegunaan utama koreksi radiometri adalah untuk
menghilangkan kesalahan radiometri yang disebabkan oleh aspek eksternal
berupa gangguan atmosfer pada saat perekaman citra (Utomowati, 2012).
Kegunaan lainnya yaitu untuk memperbaiki nilai piksel supaya sesuai dengan
seharusnya, biasanya mempertimbangkan faktor gangguan atmosfer sebagai
gangguan utamanya. Gangguan atmosfer dapat berupa serapan, hamburan, dan
pantulan. Gangguan tersebut yang menyebabkan nilai piksel pada citra hasil
perekaman tidak sesuai dengan nilai piksel objek sebenarnya di lapangan.
Pada koreksi ini, diasumsikan bahwa nilai piksel terendah pada suatu
kerangka liputan (scene) seharusnya nol (Daim et al., 2015). Apabila nilai
terendah piksel pada kerangka liputan tersebut bukan nol, maka nilai penambah
(offset) tersebut dipandang sebagai hasil dari hamburan atmosfer. Kesalahan
radiometrik pada citra dapat menyebabkan kesalahan interpretasi, terutama jika
interpretasi dilakukan secara digital yang mendasarkan pada nilai piksel.
Sehingga, koreksi radiometri ini sangat penting untuk dilakukan agar hasil
yang diperoleh sesuai dengan yang diinginkan. Menurut Utomowati (2012),
koreksi radiometri dapat dilakukan dengan berbagai cara, diantaranya adalah
penyesuaian regresi, penyesuaian histogram, dan kalibrasi bayangan.

2.1.3 Kelebihan dan Kekurangan Koreksi Radiometri

Koreksi radiometri memiliki beberapa kelebihan dan kekurangan.
Koreksi radiometri dapat mengukur nilai radiasi elektromagnetik pada panjang
gelombang tertentu. Panjang gelombang tersebut, antara lain sinar ultraviolet,
sinar tampak, inframerah, hingga radiasi gelombang mikro yang digunakan
untuk mendeteksi objek pada setiap kanal spektral (Kustiyo et al., 2014). Selain
itu, koreksi radiometri memberikan informasi akurat mengenai citra karena
gangguan yang terdapat di dalam citra telah diperbaiki. Jadi, kualitas citra yang
semula kurang akurat karena adanya gangguan atmosfer, seperti pantulan
permukaan atmosfer, kondisi cuaca, arah sinar matahari, kondisi atmosfer, dan
kondisi lainnya menjadi lebih akurat dengan koreksi radiometri. Adapun
kelebihan lainnya, koreksi radiometri dapat menganalisis data multitemporal
dan multisensor yang digunakan untuk interpretasi dan mendeteksi perubahan
secara kontinu.
Akan tetapi metode koreksi radiometri juga tidak luput dari kelemahan
atau kekurangan. Kekurangan dalam metode ini adalah dalam proses coding
 digital oleh sensor. Objek yang memberikan respon spektral yang paling
rendah seharusnya bernilai 0. Apabila nilai ini ternyata melebihi angka 0 maka
nilai tersebut dihitung sebagai offset. Menurut Biday dan Udhav (2012),
koreksi dilakukan dengan mengurangi seluruh nilai pada saluran tersebut
dengan offset-nya.

2.2 Penyesuaian Histogram

Menurut Maria et al. (2018), histogram adalah representasi grafis untuk
distribusi warna dari citra digital atau menggambarkan penyebaran nilai-nilai
intensitas piksel dari suatu citra atau bagian tertentu dalam citra. Histogram
merupakan suatu bagan yang menampilkan distribusi intensitas dalam indeks atau
intensitas warna citra. Sedangkan, menurut Aji (2019), histogram adalah grafik
yang menunjukkan distribusi piksel pada citra. Histogram citra menunjukkan pada
histogram dari nilai intensitas piksel. Histogram menampilkan banyaknya piksel
dalam suatu citra yang dikelompokkan berdasarkan level nilai intensitas piksel yang
berbeda.
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). Hasil
yang diberikan oleh metode penyesuaian histogram dapat meningkatkan kualitas
citra, sehingga informasi yang ada pada citra lebih jelas terlihat. Penyesuaian
histogram bergantung pada beberapa faktor yang mempengaruhi suatu citra
diharuskan untuk melakukan suatu koreksi dengan menggunakan metode
penyesuaian histogram maupun metode penyesuaian regresi. Menurut Ihlas et al.
(2018), faktor tersebut antara lain, pantulan objek, bentuk dan besaran interaksi
atmosfer, kemiringan dan arah hadap lereng, sudut pandang sensor, dan sudut
ketinggian matahari.
2.3 Penyesuaian Regresi
2.3.1 DPC (Dark Pixel Correction)
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). Meski demikian, energi yang terekam sensor dari objek
merupakan hasil hamburan atmosfer yang harus dihilangkan. Dark Pixel
Correction merupakan metode sederhana untuk menghilangkan pengaruh
atmosfer yang cenderung memperbesar nilai piksel. Penggunaan Dark pixel
Correction merupakan metode sederhana untuk menghilangkan efek atmosfer
yang menjadi sumber utama dari perbedaan nilai piksel masing masing citra
yang akan di mosaik. Salah satu cara untuk mengkoreksi efek atmosfer adalah
mengidentifikasi bayangan piksel, menemukan nilai DN (Digital Number), lalu
mengubahnya menjadi 0 dan mengatur semua piksel lainnya.
Dark Pixel Correction adalah metode sederhana yang digunakan untuk
menghilangkan efek atmosfer saat image radiance. Efek ini terkait dengan
kontribusi hamburan aditif (additive scaterring) dari atmosfer dan efek dari
transmisi multiplikatif energi melalui atmosfer. Dark Pixel Correction
memiliki prinsip pendekatan yaitu sinyal yang paling banyak ditangkap oleh
sensor satelit dari objek gelap yang kemudian di distribusikan oleh atmosfer
pada panjang gelombang yang terlihat. Oleh karena itu, target dari Dark Pixel
Correction adalah indikator jumlah pancaran upwelling pada suatu band.
Menurut Arief et al. (2017), pancaran permukaan DPC diperkirakan memiliki
pancaran permukaan nol atau reflektansi.

2.3.2 EDPC (Enhanced Dark Pixel Correction)

EDPC atau Enhanced Dark Pixel Correction merupakan bagian dari
metode penyesuaian regresi, Enhanced Dark Pixel Correction digunakan
untuk menghilangkan efek dari atmosfer untuk penajaman citra (Image
Enhancement) demi menghasilkan citra yang lebih tajam. Pada metode ini,
sistem kerjanya hampir mirip dengan metode DPC. Pada metode ini, harus
memasukkan nilai range yang tercantum dalam Actual Input Limits. Menurut
Frananda et al. (2015), Enhanced Dark Pixel Correction terdapat dua layer
yang berbeda, yang dimana pada layer kedua lebih terang dibandingkan layer
pertama dan gambar layernya lebih tajam.
Enhanced Dark Pixel Correction ditampilkan untuk mengkoreksi
kesalahan radiometrik dari suatu citra. Jadi, hasil pengolahan citra Enhanced
Dark Pixel Correction menghasilkan citra lebih diinterpretasikan untuk
aplikasi tertentu. Penyesuaian regresi dengan EDP ini mirip pengaplikasiannya
dengan DPC. EDPC dilakukan dengan cara mengurangi nilai minimum
masing-masing band dengan minimum digital number value-nya. Setelah
diedit dan diolah nilai digital minimumnya dari yang semula lebih dari nol
menjadi nol nilai digital minimumnya.

2.3.3 Cut Off Scattergram

Selain menggunakan DPC dan EDPC, terdapat cara lain untuk
mengkoreksi citra dari efek atmosfer yaitu dengan menggunakan informasi cut-
off yang ditentukan dari scattergram. Cut Off Scattergram merupakan salah
satu menu untuk mengoreksi data citra yang terkena gangguan atmosfer baik
hamburan, serapan, pantulan, maupun lainnya. Koreksi scattergram dapat
digunakan untuk mengetahui klasifikasi data, penyimpangan data citra, dan
korelasi satu citra ke citra lainnya (Dyatmika dan Fibriawati, 2016).
Scattergram merupakan koreksi citra penyesuaian regresi dimana area yang
dikoreksi memiliki nilai piksel yang tidak berubah. Area tersebut direkam oleh
citra menggunakan panjang gelombang inframerah. Panjang gelombang
inframerah digunakan karena gelombang tersebut dapat mendeteksi secara
jelas area daratan dan perairan.
Data yang dihasilkan dari scattergram ditampilkan dalam bentuk
visual. Scattergram digunakan untuk memilih adegan citra sebagai alternatif
lain selain menggunakan cloud untuk melaporkan metadata atau secara visual.
Scattergram bertujuan untuk mengamati data yang nantinya akan dilakukan
perbandingan mozaik. Scattergram memberi lebih banyak informasi detail
dibandingkan menggunakan cloud laporan. Scattergram memberi informasi
yang konsisten dari radiometri dan lebih kuantitatif dibandingkan visual
penilaian. Menurut Dyatmika dan Liana (2016), sedikit perubahan histogram
antara data dan mendekati garis 45 derajat distribusi data scattergram, itu
artinya lebih mirip dengan citra radiometrinya.
 BAB II
MATERI DAN METODE

3.1 Waktu dan Tempat

Hari, tanggal : Jumat, 23 Oktober 2020
Waktu : 18.30 – 20.00 WIB.
Tempat : Jalan Abimanyu, Slerok, Tegal Timur, Kota Tegal.

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.

3. Buka Dataset dan pilih data yang akan diolah yaitu

Landsat_TM_23Apr85.ers.

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.

6. Lakukan dari band 1 sampai band 7 kecuali band 6.

3.3.2 Penyesuaian Histogram

1. Klik Edit Transform Limit. Lalu klik Edit Formula.
2. Ubah tulisan INPUT1 menjadi INPUT1-(Angka Actual Input Limit)
sesuai angka yang tertera pada Transform masing-masing band.

3. Lalu, klik Apply Change dan Delete This Transform. Langkah ini
diteruskan sampai band 7.

4. Klik File lalu tekan Save As.

5. Simpan file dengan format Koreksi_Nama_NIM dan files of type ER
Mapper Raster Dataset (.ers). Lalu, klik OK.

6. Tunggu beberapa saat dan dataset sudah tersimpan.

7. Untuk mengecek hasil koreksi citra, klik ikon Open pada aplikasi ER
Mapper 7.1.

8. Pilih file yang akan dicek dan lihat hasilnya.

9. Untuk mengecek nilai minimum pada citra, buka Edit Algorithm,
buka dataset, dan pilih koreksi citra yang telah disimpan.

10. Jika proses pengerjaan benar, maka nilai Actual Input Limit adalah
1 to (…) pada masing-masing band-nya.

11. Proses koreksi histogram citra selesai.

3.3.3 Penyesuaian Regresi
3.3.3.1 DPC (Dark Pixel Correctin)
1. Buka ER Mapper dan klik ikon Land Application Wizard.

2. Klik Next untuk setiap notifikasi yang muncul. Pilih

Process TM Imagery, Next, pilih Atmospheric Effect
Correction, Next, pilih Dark Pixel Correction, Next.
3. Pilih data untuk dimasukkan ke input. Data yang
dimasukkan yaitu file Landsat_TM_23Apr85.ers dengan
files of type (.ers), kemudian klik OK.

4. Lalu pilih data output dengan data yang sama, yaitu

Landsat_TM_23Apr85.ers, tetapi diganti nama dengan
DPC_BelumKoreksi_Nama_NIM_Kelas.ers praktikan,
lalu klik OK.
5. Setelah selesai memasukkan data, klik Finish dan lanjut
untuk pengolahan data citra DPC.

6. Lalu, klik Edit Algorithm dan ubah description menjadi

Nama_NIM_Kelas praktikan. Setelah itu, cut layer
DPC_TM6.
7. Lalu, klik DPC_TM1 dan klik Edit Transform. Setelah
muncul grafik, klik Edit dan klik Delete this Transform.

8. Lakukan hal yang sama pada semua layer DPC_TM.

9. Setelah selesai mengedit transform, klik File lalu klik
Save As.

10. Simpan file dengan format

DPC_SudahKoreksi_Nama_NIM_Kelas.ers praktikan
dan files of type ER Mapper Raster Dataset (.ers). Lalu
klik OK.
 11. Selanjutnya, akan muncul halaman baru. Lalu, klik pilihan
Default dan klik OK.

12. File Koreksi DPC sudah tersimpan.

3.3.3.2 EDPC (Enhanced Dark Pixel Correction)

1. Buka ER Mapper dan klik ikon Land Application Wizard.
2. Lalu klik Next seperti langkah-langkah pengolahan Dark
Pixel Correction.
3. Pada Processing TM Imagery, pilih Enhanced Dark Pixel
Correction.

4. Lalu, akan muncul halaman untuk memasukkan data.

Input tersebut diisi dengan Landsat_TM_23Apr85.ers dan
klik OK.
5. Secara otomatis akan muncul halaman transform yang
berisi grafik dan nilai actual input limit. Sebelum itu, pilih
TM1 dan ubah nilai menjadi 67 sesuai nilai actual input
limit.

6. Setelah itu klik Next dan akan muncul halaman berisi

pilihan dan masukkan data untuk output. Pilih opsi Clear
dan output data Landsat_TM_23Apr85.ers kemudian
diganti format nama menjadi
EDPC_BelumKoreksi_Nama_NIM_Kelas.ers. Lalu, klik
OK.
7. Selajutnya, klik ikon Edit Algorithm dan ubah description.
Seperti biasa, cut layer 6 dan klik Edit Transform.
8. Lalu akan muncul grafik beserta keterangan Actual Input
Limit. Klik Edit dan pilih Delete this Transform.

9. Lakukan kegiatan yang sama dari layer 1 sampai layer 7.

10. Setelah selesai koreksi EDPC, klik File dan klik Save As.
11. Ubah format file dengan
EDPC_SudahKoreksi_Nama_NIM_Kelas.ers dan files of
type ER Mapper Raster Dataset (.ers), lalu klik OK.

12. Lalu, akan muncul halaman baru. Klik Default dan isi
Value dengan angka 0, kemudian klik OK.

13. File berhasil disimpan.

3.3.3.3 Cut Off Scattergram
1. Buka ER Mapper dan klik ikon Land Application Wizard.

2. Lalu, klik Next pada setiap halaman seperti langkah-

langkah DPC dan EDPC.
3. Pada Processing TM Imagery, pilih opsi Cut Off
Scattergram.
4. Lalu, muncul halaman untuk memasukkan input dan
output citra. Input diisi dengan data
Landsat_TM_23Apr85.ers dan Output juga diisi dengan
data citra tersebut, tetapi diganti format Namanya dengan
CutOff_BelumKoreksi_Nama_NIM_Kelas.ers praktikan.
Kemudian, klik OK dan klik Next.
5. Setelah itu, akan muncul halaman baru yang berisi data
Cut Off Value, Scattergram, dan New Map Composition.
Untuk New Map Composition diclose tab.

6. Untuk mengisi Cut Off Value, X Axis dan Y Axis diubah

sesuai dengan urutan band dan harus sama antara X dan
Y Axisnya agar mendapatkan Actual X Axis dan Y Axis
Input Limit.
7. Lakukan langkah di atas sampai semua band terisi. Lalu,
klik Finish.

8. Lalu, akan muncul hasil citra sesuai dengan Cut Off

Valuenya.
9. Klik ikon Copy Window dan Edit Algorithm untuk
melanjutkan proses Cut Off Scattergram. Setelah muncul,
cut layer 6.

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.

13. Ganti format nama menjadi

CutOff_SudahKoreksi_Nama_NIM_Kelas.ers dengan
files of type ER Mapper Dataset Raster (.ers). Lalu, klik
OK.
14. Setelah itu, akan muncul halaman baru untuk
penyimpanan data citra. Klik Default dan isi Value dengan
angka 0, lalu klik OK.

15. File citra telah tersimpan.

 BAB IV

HASIL DAN PEMBAHASAN

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

Gambar 1. Nilai Atmospheric Bias Band 1

Gambar 2. Nilai Atmospheric Bias Band 2

Gambar 3. Nilai Atmospheric Bias Band 3

Gambar 4. Nilai Atmospheric Bias Band 4

 Gambar 5. Nilai Atmospheric Bias Band 5

Gambar 6. Nilai Atmospheric Bias Band 7

4.1.2 Penyesuaian Histogram

Tabel 1. Nilai Bias Histogram Setelah Dikoreksi
Band Minimum Maksimum
Band 1 1 187
Band 2 1 202
Band 3 1 239
Band 4 1 216
Band 5 1 253
Band 7 1 246
Gambar 1. Citra Setelah Koreksi Band 1

Gambar 2. Citra Setelah Koreksi Band 2

Gambar 3. Citra Setelah Koreksi Band 3

Gambar 4. Citra Setelah Koreksi Band 4

Gambar 5. Citra Setelah Koreksi Band 5

Gambar 6. Citra Setelah Koreksi Band 7

4.1.3 Penyesuaian Regresi
4.1.3.1 DPC (Dark Pixel Correction)
Tabel 1. Nilai DPC Sebelum Koreksi.
Band Minimum Maksimum
Band 1 0 188
Band 2 1 196
Band 3 0 239
Band 4 -2 205
Band 5 -1 253
Band 7 0 246

Tabel 2. Nilai DPC Setelah Koreksi.

Band Minimum Maksimum
Band 1 1 188
Band 2 1 203
Band 3 1 239
Band 4 1 215
Band 5 1 253
Band 7 1 246

Gambar 1. Citra Setelah Koreksi DPC Band 1

Gambar 2. Citra Setelah Koreksi DPC Band 2

Gambar 3. Citra Setelah Koreksi DPC Band 3

Gambar 4. Citra Setelah Koreksi DPC Band 4

Gambar 5. Citra Setelah Koreksi DPC Band 5

Gambar 6. Citra Setelah Koreksi DPC Band 7

4.1.3.2 EDPC (Enhanced Dark Pixel Correction)
Tabel 1. Nilai EDPC Sebelum Koreksi.
Band Minimum Maksimum
Band 1 0 188
Band 2 -6.08065 188.91935
Band 3 -9.887156 229.112844
Band 4 -14.1118316 192.8881684
Band 5 -29.1111868 224.8888132
Band 7 -30.2289312 215.7710688

Tabel 2. Nilai EDPC Setelah Koreksi.

Band Minimum Maksimum
Band 1 1 188
Band 2 1 196
Band 3 1 229
Band 4 1 203
Band 5 1 225
Band 7 1 216

Gambar 1. Citra Setelah Koreksi EDPC Band 1

Gambar 2. Citra Setelah Koreksi EDPC Band 2

Gambar 3. Citra Setelah Koreksi EDPC Band 3

Gambar 4. Citra Setelah Koreksi EDPC Band 4

Gambar 5. Citra Setelah Koreksi EDPC Band 5

Gambar 6. Citra Setelah Koreksi EDPC Band 7

4.1.3.3 Cut Off Scattergram
Tabel 1. Nilai Cut Off Scattergram Sebelum Koreksi.
Band Minimum Maksimum
Band 1 -1 187
Band 2 0 195
Band 3 0 239
Band 4 -2 205
Band 5 0 254
Band 7 0 246

Tabel 2. Nilai Cut Off Scattergram

Band Minimum Maksimum
Band 1 1 187
Band 2 1 202
Band 3 1 239
Band 4 1 215
Band 5 1 254
Band 7 1 246

Gambar 1. Cutra Setelah Koreksi Cut Off Band 1

Gambar 2. Cutra Setelah Koreksi Cut Off Band 2

Gambar 3. Cutra Setelah Koreksi Cut Off Band 3

Gambar 4. Cutra Setelah Koreksi Cut Off Band 4

 Gambar 5. Cutra Setelah Koreksi Cut Off Band 5

Gambar 6. Cutra Setelah Koreksi Cut Off Band 7

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.

4.2.3 Penyesuaian Regresi

4.2.3.1 DPC (Dark Pixel Correction)
Dark Pixel Correction digunakan untuk mengoreksi kesalahan
radiometri. Dimulai dengan membuka aplikasi ER Mapper dan pilih
menu Land Application Wizard, lalu akan muncul halaman dengan
berbagai opsi yang akan dilakukan oleh praktikan. Pada halaman
Processing TM Imagery, praktikan memilih opsi Dark Pixel Correction
untuk melanjutkan proses pengolahan data. Sebelum melakukan proses
Edit Transform Limit, praktikan memasukkan atau input data citra yang
sama seperti koreksi histogram, yaitu Landsat_TM_23Apr85.ers.
Setelah masuk ke halaman utama, proses DPC dapat dimulai
dengan memilih ikon Edit Transform Limit. Setelah itu, hapus
transform saat ini agar memiliki hasil minimum nol. Lakukan cara ini
sampai band 7. Lalu, untuk mengecek apakah hasil akhir nilai minimum
adalah nol, maka buka dataset dan mulai mengecek Actual Input Limit.
Setelah melakukan proses DPC, didapatkan nilai minimum untuk
semua band adalah 1. Untuk nilai maksimumnya berbeda-beda. Lebih
jelasnya bisa dilihat dalam tabel hasil di atas.

4.2.3.2 EDPC (Enhanced Dark Pixel Correction)

Enhanced Dark Pixel Correction (EDPC) digunakan untuk
mengkoreksi kesalahan radiometri dari suatu citra dengan enchance
sebagai hasilnya lebih diinterpretasi untuk aplikasi tertentu. Metode ini
dilakukan dengan mengurangkan masing-masing band dengan
minimum digital number value-nya, sehingga semua band akan
memiliki minimal digital number nol. Sama seperti DPC, EDPC
diawali dengan meng-klik ikon Land Application Wizard untuk koreksi
citra. Kemudian akan muncul halaman baru dan pilih saja Enhanced
Dark Pixel Correction. Untuk langkah kerja EDPC mirip dengan DPC.
Nilai minimum sebelum dilakukan koreksi EDPC berkisar
antara -30 sampai 0. Setelah dilakukan koreksi, EDPC memiliki nilai
minimum 1 untuk semua band. Untuk nilai maksimum, masing-masing
band memiliki nilai yang berbeda, yaitu band 1 bernilai 188, band 2
bernilai 196, band 3 bernilai 229, band 4 bernilai 203, band 5 bernilai
225, dan band 7 bernilai 216.

4.2.3.3 Cut Off Scattergram

Cut Off Scattergram merupakan koreksi citra penyesuaian
regresi yang terakhir. Cut Off Scattergram merupakan salah satu menu
untuk mengoreksi data citra yang terkena gangguan atmosfer baik
hamburan, serapan, pantulan, maupun lainnya. Langkah untuk
mengakses scattergram sama dengan DPC dan EDPC. Yang menjadi
pembeda hanyalah halaman awal saat menentukan value dari masing-
masing band citra. Pada awal sebelum dilakukan koreksi, citra
Landsat_TM_23Apr85.ers memiliki nilai minimum dan maksimum
yang beragam, berkisar antara -2 sampai dengan 0 untuk nilai minimum
dan 187 sampai 256 untuk nilai maksimumnya. Setelah dilakukan
koreksi Cut Off Scattergram pada citra, nilai minimum pada masing-
masing band adalah 1. Sedangkan, nilai maksimumnya beragam. Untuk
band 1 bernilai 187, band 2 bernilai 202, band 3 bernilai 239, band 4
bernilai 215, band 5 bernilai 254, dan band 7 bernilai 246.
 BAB V
PENUTUP

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

Ahmad, N., dan A. Hadinegoro. 2012. Metode Histogram Equalization untuk

Perbaikan Citra Digital. Dalam: Seminar Nasional Teknologi Informasi &
Komunikasi Terapan di Semarang, 23 Juni 2012. 439-445 hlm.
Aji, B. B. 2019. Sistem Lampu Lalu Lintas Cerdas Menggunakan Ekstrasi Fitur
Histogram dengan Klasifikasi Jaringan Saraf Tiruan (JST). Electric
Engineering. [Skripsi]. Sekolah Sarjana, Universitas Islam Indonesia,
Yogyakarta.
Arief, M., S. W. Adawiah, E. Parwati, dan S. Marpaung. 2017. Metode Dual Kanal
untuk Estimasi Kedalaman di Perairan Dangkal Menggunakan Data SPOT 6
Studi Kasus: Teluk Lampung. Jurnal Penginderaan Jauh., 14(1): 37-50.
Biday, S. G., U. Bhosle. 2012. Relative Radiometric Correction of Multitemporal
Satellite Imagery Using Fourier and Wavelet Transform. J Indian Soe Remote
Sens., 40(2): 201-213.
Daim, H., Mudjiatko, dan S. Sutikno. 2015. Laju Perubahan Morfologi Sungai
Kampar Menggunakan Data Penginderaan Jauh Segmen Rantau Berangin-
Bangkinang. Jurnal Online Mahasiswa Fakultas Teknik Universitas Riau.,
2(2): 1-10.
Dyatmika, H. S., L. Fibriawati. 2016. Analysis of Scene Compabilities for Mosaic
of Landsat 8 Multitemporal Images Based on Radiometric Parameter.
International Journal of Remote Sensing and Earth Sciences., 13(1): 9-18.
Fadilah, S, D., M. D. M. Manessa, dan R. R. Atmawidjaja. 2018. Ekstraksi Data
Kedalaman Menggunakan Data Citra Landsat 8. Jurnal Online Mahasiswa
Teknik Geodesi Universitas Pakuan., 1(1): 1-11.
Frananda, H., Hartono, dan R. H. Jatmiko. 2015. Komparasi Indeks Vegetasi untuk
Estimasi Stok Karbon Hutan Mangrove Kawasan Segoro Anak pada
Kawasan Taman Nasional Alas Purwo Banyuwangi, Jawa Timur. Majalah
Ilmiah Globe., 17(2): 113-123.
Ihlas, G. Winarso, A. I. Santoso, dan J. Setiyadi. 2018. Akuisisi Data Batimetri
Menggunakan Citra Satelit SPOT-7 di Perairan Teluk Halong, Kota Ambon.
Jurnal Hidropilar., 4(1): 9-17.
Kustiyo, R. Dewanti, dan I. Lolitasari. 2014. Pengembangan Metoda Koreksi
Radiometrik Citra SPOT 4 Multispektral dan Multitemporal Mosaik Citra.
Dalam: Seminar Nasional Penginderaan Jauh 2014. 79-87 hlm.
Maria, E., Yulianto, Y. A. Arinda, Jumiaty, dan P. Nobel. 2018. Segmentasi Citra
Digital Bentuk Daun pada Tanaman di Politani Samarinda Menggunakan
Metode Thresholding. JURTI., 2(1): 37-46.
Murti, S. H., P. D. R. Syam, dan W. Widyatmanti. 2015. Kajian Terhadap
Pemanfaatan Kalibrasi Radiometri Gamma Naught Alos Palsar untuk
Aplikasi Pemetaan Penutup Lahan. Dalam: Seminar Nasional Teknologi
Terapan. 1-9 hlm.
Sudarsono, B. 2011. Inventarisasi Perubahan Wilayah Pantai dengan Metode
Penginderaan Jauh (Studi Kasus Kota Semarang). TEKNIK., 32(2): 162-169.
Utomowati, R. 2012. Pemanfaatan Citra Landsat 7 Enhanced Thematic Mapper
untuk Penentuan Wilayah Prioritas Penanganan Banjir Berbasis Sistem
Informasi Geografis (SIG). Dalam: Seminar Nasional Penginderaan Jauh dan
Sistem Informasi Geografis 2012.