BAB I

PENGINDERAAN JAUH

1.1. Pengertian Penginderaan Jauh

Penginderaan jauh merupakan ilmu dan seni dalam memperoleh informasi mengenai sutau
obyek, area, atau fenomena melalui analisis data yang diperoleh dengan alat tanpa suatu kontak
langsung (Lillesand et al 2008). Sementara menurut American Society of Photogrammetry
penginderaan jauh merupakan pengukuran atau perolehan informasi dari beberapa sifat obyek
atau fenomena dengan menggunakan alat tertentu untuk menghindari kontak fisik dengan
obyek atau fenomena yang diteliti. Campbell menyatakan bahwa penginderaan jauh adalah
ilmu untuk mendapatkan informasi tentang permukaan bumi seperti tanah dan air dari gambar
yang diperoleh dari kejauhan. Sistem Informasi Geografi merupakan suatu sistem pada
umumnya berbasis komputer yang digunakan untuk menyimpan, mengelola, menganalisis dan
mengaktifkan kembali data yang mempunyai referensi keruangan untuk berbagai tujuan yang
berkaitan dengan pemetaan dan perencanaan. Teknologi penginderaan jauh dengan Sistem
Informasi Geografi pada perkembangannya memiliki keterkaitkan yang sangat kuat dalam
melakukan analisis dan pengolahan terhadap data-data spasial. Integrasi antara teknologi
penginderaan jauh dengan SIG bermanfaat dalam meningkatkan efisiensi perolehan data serta
akurasi hasil pemetaan sebagai masukan dalam proses perencanaan dan pengelolaan wilayah.
Keunggulan pemanfaatan teknologi penginderaan jauh dibandingkan dengan pemotretan foto
udara diantaranya dari segi harga, periode ulang terhadap perekaman daerah yang sama,
pemilihan spectrum panjang gelombang untuk mengatasi hambatan atmosfer, serta kombinasi
saluran spectral (spectral band) yang dapat diatur sesuai dengan tujuan pengguna (Danoedoro
2012). Lebih lanjut Danoedoro menyampaikan bahwa dengan keberadaan penginderaan jauh
dan juga Sistem Informasi Geografi telah berhasil meningkatkan eksistensi geografi terkait
permasalahan keruangan, lingkungan, kewilayahan dan juga bermanfaat terhadap penyediaan
datadata keruangan untuk merumuskan berbagai kebijakan.
1.2.Konsep Penginderaan Jauh
a. Sistem penginderaan jauh mempunyai empat komponen dasar untuk mengukur dan
merekam data mengenai sebuah wilayah dari jauh. Komponen ini adalah: sumber energi,
target, sensor, dan wilayah transmisi. Sumber energi disini yang terpenting adalah energi
elektromagnetik, dimana merupakan medium penting yang diperlukan untuk
mentransmisikan informasi dari objek ke sensor. Penginderaan jauh menyediakan bentuk
tutupan lahan yang penting yaitu luasan, pemetaan dan klasifikasi seperti vegetasi, tanah
air dan hutan.

Gambar 1. Sistem dan Mekanisme Penginderaan Jauh

Citra digital yang diperoleh dari perekaman oleh sensor pada dasarnya tidak lepas dari
kesalahan, karena kondisi topografi permukaan bumi yang bervariasi serta luasan
permukaan bumi. Sementara wahana dan system penginderaan jauh mempunyai
keterbatasan dalam resolusi spasial, spektral, temporal maupun radiometri. Kesalahan-
kesalahan tersebut diakibatkan oleh mekanisme perekaman sensor, gerakan serta kondisi
atmosfer pada saat perekaman, sehingga citra digital tidak bisa digunakan untuk analisis.
Kesalahan- kesalahan tersebut perlu dihilangkan terlebih dahulu sebelum dilakukan
analisis.
Campbell (2011) Sebenarnya, sebuah realistis pada gamabr ilustrasi ini pada sensor data
yang sama bisa diuji dari alternative prespetif untuk hasil Interpretasi. Dimana, single
image bisa di Interpretasi untuk menyediakan informasi tanah, penggunaan lahan, atau
hidrologi sebagai contoh, dikemukakan atas spesifikasi citra dan tujuan analisis. Pada
akirnya, kita memproses untuk aplikasi, yang mana analisis data penginderaan jauh bisa
dikombinasikan dengan data lokasi spesifik persil permasalahan, sebagai perencanaan
penggunaan lahan, eksplorasi mineral, pemetaan kualitas air. Ketika data penginderaan
jauh digital dikombinasikan dengan data geospasial, penerapan ini diimplementasikan pada
konteks SIG. Sebagai contoh, data penginderaan jauh bisa menyediakan data akurat
 mengenai penggunaan lahan informasi ini bisa dikombinasikan dengan tanah, geologi,
transportasi, dan informasi lain untuk memandu pemahaman atas pembaharuan pengisian
lahan. Walaupun sepesifikasi dari proses nya sangat besar melebihi dari cakupannya.
Munculnya satelit-satelit antariksa dan pesawat tanpa awak sesuai dengan misi
penerbangan, menyediakan informasi spasial data hasil perekaman objek. Dewasa ini di
negara negara maju yang memiliki satelit milikik dari negara negara tersebut dan begitu
juga negara berkembang, sudah banyak mengaplikasikan data penginderaan jauh untuk
berbagai kajian sesuai kebutuhan informasi, diantaranya:
1. Identifikasi penutupan lahan (landcover)
2. Identifikasi penggunaan lahan (Landuse)
3. Identifikasi dan monitoring pola perubahan lahan.
4. Manajemen dan perencanaan wilayah
5. Identifikasi Ekologi (Biodiversity dan Ekosistem)
6. Indentifikasi Geophysis (Geomorfologi, Geologi)
7. Manajemen sumber daya hutan
8. Kebencanaan (Distribusi cuaca, Hotspot Kebakaran Hutan)
9. Eksplorasi mineral
10. Pertanian dan perkebunan
11. Manajemen sumber daya air
12. Manajemen sumber daya laut

1.3. Citra Satelit

Citra merupakan salah satu dari beragam hasil proses penginderaan jauh. Definisi citra
banyak dikemukakan oleh para ahli, salah satu di antaranya pengertian tentang citra menurut
(Hornby, 1974) dalam (Sutanto, 1992) yang dapat ditelaah menjadi lima, berikut ini tiga di
antaranya:
1) Likeness or copy of someone or something, especially one made in wood, stone, etc.
2) Mental pictures or idea, concept of something or someone.
3) Reflection seen in a mirror or through the lens of a camera.
Citra penginderaan jauh termasuk dalam pengertian yang ke-tiga menurut Hornby. Citra
merupakan gambaran yang terekam oleh kamera atau sensor lainnya dan dipasang pada
 wahana satelit ruang angkasa dengan ketinggian lebih dari 400 km dari permukaan bumi.
Sensor dalam kaitannya dengan penginderaan jauh merekam tenaga yang dipantulkan atau
dipancarkan oleh obyek di permukaan bumi. Rekaman tenaga ini setelah diproses
membuahkan data penginderaan jauh. Data penginderaan jauh dapat berupa data digital atau
data numerik untuk keperluan analisis menggunakan komputer. Satelit penginderaan jauh
dibedakan menjadi dua macam, yaitu satelit sumber daya alam dan satelit cuaca
(kompasiana.com, 2013) :
1. Citra satelit alam terbagi menjadi 2, yaitu citra satelit resolusi rendah, (SPOT, Landsat, dan
ASTER) dan citra satelit resolusi tinggi (IKONOS, Worldview, Quickbird dan Pléiades).
2. Citra satelit cuaca terdiri dari MODIS, ATS-1, TIROS-1, AVHRR, GOES, DMSP, NOAA.
Karena citra satelit memiliki sifat resolusi tinggi dan multispektral, citra satelit awalnya
digunakan di bidang militer dan lingkungan. Tetapi semakin banyak digunakan dalam bidang
produksi peta, pertanian, kehutanan, perencanaan tanah nasional, perencanaan kota dll.
Kemungkinan akuisisi data berkala citra satelit yang beragam antara citra satelit hiperspektral
dan resolusi tinggi menjadikan citra satelit sumber daya penting untuk pencatatan tanah
nasional. Ketersediaan citra satelit dikalangan masyarakat umum sekarang memungkinkan
semua orang untuk menggunakan gambar satelit lebih banyak sepenuhnya (Upadhyay, 2012).
1.4. Spektrum dan Panjang Gelombang
Sistem penginderaan jauh memiliki domain elektromagnetik dan domain ruang. Pada dasarnya
setiap benda memiliki dan memancarkan gelombang elektromagnetik. Keberadaan setiap
benda dapat dideteksi berdasarkan pantulan atau pancaran elektromagnetik yang dilakukan
oleh benda asalakan karakteristik pantulan ataupun pancarannya diketahui. Alat yang mampu
mengukur respon spectral di laboratorium ataupun di lapangan dapat digunakan alat berupa
spektroradiometer. Cara benda memberikan respons terhadap gelombang elektromagnetik
yang mengenanya berbeda-beda. Setiap obyek ternyata mempunyai respon yang relatif serupa
pada tiap spektrum, maka respon elektromagnetik obyek sering disebut sebagai respon
spektral. Penggunaan beberapa spektral sangat membantu proses pengenalan obyek melalui
proses pembandingan kenampakan antar saluran. Mata manusia merupakan salah satu sensor
yang cukup responsif dan memiliki sensor alami. Kondisi mata manusia mampu beroperasi
pada rentang panjang gelombang 0,32 – 0,72 µm yakni termasuk di dalamnya panjang
gelombang tampak atau Red, Green and Blue (RGB). Pengenalan pola spektral sangatlah
 penting di dalam penginderaan jauh dikarenakan dengan memahami pantulan spektral suatu
obyek dapat memberikan kemudahan bagi user untuk memahami konsep dan analisis dalam
penginderaan jauh. Sebagai contohnya adalah vegetasi memiliki pantulan dengan nilai yang
cukup rendah pada spektrum biru sementara di sisi lain vegetasi memiliki pantulan spektrum
sangat tinggi pada spektrum hijau, kondisi inilah yang menyebabkan vegetasi memiliki nilai
pantulan tinggi pada panjang gelombang hijau sehingga yang tampak pada manusia vegetasi
memiliki warna hijau. Sementara nilai pantulan dari obyek vegetasi akan mengalami
penurunan pada sprektrum merah dan kembali mengalami kenaikan yang signifikan pada
panjang gelombang inframerah dekat.
1.5. Prinsip Pengenalan Objek Citra
Prinsip pengenalan objek pada citra secara visual bergantung pada karakteristik atau atribut
yang tergambar pada citra. Karakteristik objek pada citra digunakan sebagai unsur pengenalan
objek yang disebut unsur-unsur interpretasi. Menurut Sutanto (1999) unsur-unsur interpretasi
meliputi sebagai berikut:
1. Rona atau warna (tone/color). Rona adalah tingkat kegelapan atau kecerahan objek pada
citra, sedangkan warna adalah wujud yang tampak oleh mata. Rona ditunjukkan dengan
gelap-putih. Pantulan rendah, ronanya gelap, pantulan tinggi ronanya putih.
2. Bentuk (shape) adalah variabel kualitatif yang memberikan konfigurasi atau kerangka
suatu objek. Bentuk merupakan atribut yang jelas sehingga banyak objek yang dapat
dikenali berdasarkan bentuknya saja, seperti bentuk memanjang, lingkaran, dan segi
empat.
3. Ukuran (size) adalah atribut objek yang antara lain berupa jarak, luas, tinggi, kemiringan
lereng, dan volume.
4. Kekasaran (texture) adalah frekwensi perubahan rona pada citra atau pengulangan rona
terhadap objek yang terlalu kecil untuk dibedakan secara individual.
5. Pola (pattern) adalah hubungan susunan spasial objek. Pola merupakan ciri yang menandai
objek bentukan manusia ataupun alamiah.
6. Bayangan (shadow) adalah aspek yang menyembunyikan detail objek yang berada di
daerah gelap.
7. Situs (site) adalah letak suatu objek terhadap objek lain di sekitarnya.
8. Asosiasi (association) adalah keterkaitan antara objek yang satu dan objek lainnya.
Lo (1976) mengemukakan bahwa pada dasarnya kegiatan penafsiran citra terdiri atas dua
tingkat, yaitu tingkat pertama yang berupa pengenalan objek melalui proses deteksi dan
identifikasi. Tingkat kedua yang berupa penilaian atas pentingnya objek yang telah dikenali
tersebut. Tingkat pertama berarti perolehan data, sedangkan tingkat kedua berupa interpretasi
atau analisis data. Sutanto (1999) mengemukakan bahwa interpretasi citra pada dasarnya
terdiri atas dua kegiatan utama, yaitu penyadapan data dari citra dan penggunaan data tersebut
untuk tujuan tertentu. Penyadapan data dari citra berupa pengenalan objek yang tergambar
pada citra serta penyajiannya ke tabel, grafik, dan peta tematik. Urutan pekerjaannya dimulai
dari menguraikan atau memisahkan objek yang rona atau warnanya berbeda, diikuti oleh
delineasi atau penarikan garis batas bagi objek yang memiliki rona atau warna sama. Objek
yang telah dikenali jenisnya kemudian diklasifikasikan sesuai dengan tujuan interpretasi dan
digambarkan pada peta.
 BAB II
PRAKTEK PENGOLAHAN CITRA
2.1. Download Citra Satelit
Pada kesempatan praktek remote sensing dasar ini kita akan menggunakan citra Landsat 8,
citra ini bisa didapatkan secara gratis melalui Website USGS https://earthexplorer.usgs.gov/ .
Earthexplorer merupakan salah satu situs milik United States Geological Survey (USGS) yang
menyediakan layanan citra gratis. Salah satu citra yang dapat didownload adalah Citra Landsat 8.
Sebelum proses download, sebaiknya di komputer kita telah diinstal program Java. Hasil dari
download Citra Landsat memiliki file-file band yang masih terpisah. Berikut ini langkah-langkah
yang dapat dilakukan:
1. Buka situs http://earthexplorer.usgs.gov/ dan lakukan pendaftaran dengan mengklik
‘Register’. Lakukan pengisian username, password dan isian lainnya sampai selesai.
2. Lakukan Login, masukkan username dan passwort dan sign in

3. Klik tombol ‘Search Kriteria, Geocoder, Adress’ lalu masukkan alamat dan lokasi citra.
Klik tombol ‘Show’ untuk menunjukkan lokasi yang dimasukkan koordinatnya.
4. Pilih “Data Sets” kemudian klik Landsat Archive, lalu berikan check listpada kotak sebelah
kiri Landsat Collection 2 Level-1, L8 OLI/TIRS.

5. Beberapa gambar akan muncul dan pilihlah gambar yang tutupan awannya minim.

maka akan muncul tab pilihan download dan pilih product option
 6. Lakukan ekstrak file kompres (compress) sehingga terbentuk folder dimana ukuran
memori data ini mencapai hampir 2 GB. Di dalam folder terdapat 13 file, terdiri atas 11
file band (kanal), 1 file BQA dan 1 file

2.2. Stacking Citra Satelit

Pembuatan satu file data gabungan dari 11 band penyusun citra Landsat 8 dapat dilakukan
dengan proses stacking dengan software remote sensing yaitu ENVI. Namun, sebelumnya pastikan
dulu file citra yang diunduh sudah benar. maka Cara melakukan proses stacking dengan ENVI
adalah sebagai berikut:
a. Buka perangkat lunak Envi, yang telah terinstall

b. Klik menu file lalu klik open image file

c. Lalu pilih band 1 Sampai 11 pada gambar citra landsat yang telah diekstrak tadi, lalu klik
open
d. Setelah di open, maka akan muncul tampilan sebagai berikut, lalu lakukan layer stacking,
dengan cara, klik basic tools – layer stacking

e. Memasukkan data citra dengan pilih Import File – blocking band citra yang akan di
stacking layer
f. Beri nama “Stacking_Citra”

g. Ganti Nama Band

Data yang sudah disimpan pada awalnya memiliki nama yang panjang, seperti gambar
diatas, Layer(Band8-LT81270602004168....) karena nama awal data masing masing Band
Landsat cukup panjang, dilakukan editing atribut, untuk mempermudah pengolahan, klik
kanan pada layer yang sudah tergabung, pilih Edit Header> Atribut
File, > Band Name
 Ganti nama band sesuai kebutuhan user, yang dapat mempermudah user dalam pengolahan
data, contoh Layer (Band 8:LT81270602004168BKT01_B5.TIF) diganti dengan nama
Band 8 atau B8. Contoh gambar kiri bawah proses penggantian nama band, gambar kanan
hasil penggantian nama band.

2.3. Koreksi Citra Satelit

Koreksi citra merupakan proses pengkoreksian kesalahan citra baik akibat gangguan
atmosfera maupun gangguan efek topografi permukaan bumi yang tidak merata, koreksi
ini terbagi atas koreksi radiometrik dan koreksi geometrik bumi.
Untuk citra satelit Landsat, dari informasi yang dipublikasikan oleh situs resmis USGS
http://landsat.usgs.gov/landsat_processing_details.php bahwasanya citra satelit Landsat
sudah memenuhi “standar terrain correction” yang sudah dikoreksi akibat kesalahan sensor
satelit, dan bumi. Proses yang diterapkan produk ini adalah koreksi geometrik (GCP) selain
itu koreksi terhadap efek topografi juga sudah diterapkan dengan memanfaatkan data
digital elevation mode (DEM). Akurasi/presisi citra dari produk ini tergantung dengan
ground control point serta resolusi yang digunakan. Untuk pengguna data citra satelit
Landsat, dalam pembahasan ini, dijelaskan, langkah melakukan koreksi radiometrik dan
geometrik, sebagai contoh aplikasi dan penerapannya.
a. Koreksi Geometrik
Geometrik merupakan posisi geografis yang berhubungan dengan distribusi keruangan
(spatial distribution). Geometrik memuat informasi data yang mengacu bumi (geo-
referenced data), baik posisi (sistem koordinat lintang dan bujur) maupun informasi
yang terkandung didalamnya.
Menurut Mather (1987), koreksi geometrik adalah transformasi citra hasil
penginderaan jauh sehingga citra tersebut mempunyai sifat-sifat peta dalam bentuk,
skala dan proyeksi. Transformasi geometrik yang paling mendasar adalah penempatan
kembali posisi pixel sedemikian rupa, sehingga pada citra digital yang tertransformasi
dapat dilihat gambaran objek di permukaan bumi yang terekam sensor. Pengubahan
bentuk kerangka liputan dari bujur sangkar menjadi jajaran genjang merupakan hasil
transformasi ini. Tahap ini diterapkan pada citra digital mentah (langsung hasil
perekaman satelit), dan merupakan koreksi kesalahan geometrik sistematik.
Geometrik citra penginderaan jauh mengalami pergeseran, karena orbit satelit sangat
tinggi dan medan pandangya kecil, maka terjadi distorsi geometrik. Kesalahan
geometrik citra dapat tejadi karena posisi dan orbit maupun sikap sensor pada saat
satelit mengindera bumi, kelengkungan dan putaran bumi yang diindera. Akibat dari
kesalahan geometrik ini maka posisi pixel dari data inderaja satelit tersebut tidak sesuai
dengan posisi (lintang dan bujur) yang sebenarnya.
Berdasarkan sumbernya kesalahan geometrik pada citra penginderaan jauh dapat
dikelompokkan menjadi dua tipe kesalahan, yaitu kesalahan internal (internal
distorsion), dan kesalahan eksternal (external distorsion). Kesalahan geometrik
menurut sifatnya dapat dibedakan menjadi dua jenis yaitu kesalahan sistematik dan
kesalahan random. Kesalahan sistematik merupakan kesalahan yang dapat
diperkirakan sebelumnya, dan besar kesalahannya pada umumnya konstan, oleh karena
itu dapat dibuat perangkat lunak koreksi geometrik secara sitematik. Kesalahan
geometri yang bersifat random (acak) tidak dapat diperkirakan terjadinya, maka
koreksinya harus ada data referensi tambahan yang diketahui. Koreksi geometrik yang
biasa dilakukan adalah koreksi geometrik sistemik dan koreksi geometrik presisi.
Kesalahan geometrik internal disebabkan oleh konfigurasi sensornya, akibat
pembelokan arah penyinaran menyebabkan distorsi panoramik (look angle), yang
terjadi saat cermin scan melakukan penyiaman (scanning). Besarnya sudut pengamatan
(field of view) satelit pada proses penyiaman akan mengakibatkan perubahan luas
cakupan objek. Distorsi panoramik sangat besar pengaruhnya pada sensor satelit
resolusi rendah seperti NOAA-AVHRR dan MODIS, namun citra resolusi tinggi
seperti Landsat, SPOT, IKONOS, Quickbird, dan ALOS bebas dari distorsi panoramik,
karena orbitnya yang tinggi dengan medan pandang kecil hampir tidak terjadi
pergeseran letak oleh relief pada data satelit tersebut. Distorsi yang disebabkan
perubahan atau pembelokan arah penyiaman bersifat sistematik, dapat dikoreksi secara
sistematik. Kesalahan geometrik menyebabkan perubahan bentuk citra.
Koreksi geometrik dilakukan sesuai dengan jenis atau penyebab kesalahannya, yaitu
kesalahan sistematik dan kesalahan random, dengan sifat distorsi geometrik pada citra.
Koreksi geometrik mempunyai tiga tujuan, yaitu:
1. Melakukan rektifikasi (pembetulan) atau restorasi (pemulihan) citra agar koordinat
citra sesuai dengan koordinat geografis.
2. Meregistrasi (mencocokan) posisi citra dengan citra lain yang sudah terkoreksi
(image to image rectification) atau mentransformasikan sistem koordinat citra
multispectral dan multi temporal.
3. Meregistrasi citra ke peta atau transformasi sistem koordinat citra ke koordinat peta
(image to map rectification), sehingga menghasilkan citra dengan sistem proyeksi
tertentu.
Koreksi geometrik yang biasa dilakukan adalah koreksi geometrik sistematik dan
koreksi geometrik presisi. Masing-masing sebagai berikut.
1. Koreksi geometrik sistematik melakukan koreksi geomertri dengan menggunakan
informasi karakteristik sensor yaitu orientasi internal (internal orientation) berisi
informasi panjang fokus sistem optiknya dan koordinat titik utama (primary point)
dalam bidang citra (image space) sedangkan distorsi lensa dan difraksi atmosfer
 dianggap kecil pada sensor inderaja satelit, serta orientasi eksternal (external
orientation) berisi koordinat titik utama pada bidang bumi (ground space) serta tiga
sudut relatif antara bidang citra dan bidang bumi.
2. Koreksi geometrik presisi pada dasarnya adalah meningkatkan ketelitian geometrik
dengan menggunakan titik kendali / kontrol tanah (Ground Kontrol Point biasa
disingkat GCP). GCP dimaksud adalah titik yang diketahui koordinatnya secara
tepat dan dapat terlihat pada citra inderaja satelit seperti perempatan jalan dan lain-
lain.
Koreksi geometrik citra dapat dilakukan dalam empat tahap yang mencakup sebagai
berikut:
a) Memilih metode setelah mengetahui karakteristik kesalahan geometrik dan
tersedianya data referensi. Pemilihan metode tergantung pada jenis data (resolusi
spasial), dan jenis kesalahan geometrik (skew, yaw, roll, pitch) data.
b) Penentuan parameter tidak diketahui dari persamaan matematika antara sistem
koordinat citra dan sistem koordinat geografis, untuk menentukan menggunakan
parameter kalibarasi data atau titik kontrol tanah.
c) Cek akurasi dengan verifikasi atau validasi sesuai dengan kriteria, metode, dan
data citra, maka perlu dicari solusinya agar diperoleh tingkat ketelitian yang
lebih baik. Solusinya dapat dilakukan dengan menggunakan metode lain, atau
bila data referensi yang digunakan tidak akurat atau perlu diganti.
b. Koreksi Radiometrik
Koreksi radiometri ditujukan untuk memperbaiki nilai piksel supaya sesuai dengan
yang seharusnya yang biasanya mempertimbangkan faktor gangguan atmosfer sebagai
sumber kesalahan utama. 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. Metode-metode yang sering digunakan untuk menghilangkan efek atmosfer
antara lain metode pergeseran histogram (histogram adjustment), metode regresi dan
metode kalibrasi bayangan. (Projo Danoedoro, 1996).
Kecerahan dari permukaan citra di atas bisa disebabkan oleh :
a. Kondisi atmosfir
b. Sudut sinar matahari
c. Sensitifitas sensor
Dari gambar di atas dapat disimpulkan bahwa perbedaan dari koreksi citra yang
dilakukan antara tahun 1985 hasilnya dari koreksi radiometrik adalah area yang masih
ditutupi oleh vegetasi, sedangkan pada tahun 1992 dilakukan koreksi citra kembali
yang hasilnya berkurangnya daerah yang ditutupi vegetasi alami, dan pada tahun 2003
hasil dari koreksi citra mendapatkan area yang kembali ditutupi vegetasi alami. Koreksi
radiometrik perlu dilakukan pada data citra dengan berbagai alasan:
1. Stripping atau banding seringkali terjadi pada data citra yang diakibatkan oleh
ketidakstabilan detektor. Striping atau banding merupakan fenomena ketidak
konsistenan perekaman detektor untuk band dan areal perekaman yang sama.
2. Line dropout kadang terjadi sebagai akibat dari detektor yang gagal berfungsi dengan
tiba-tiba. Jangka waktu kerusakan pada kasus ini biasanya bersifat sementara.
3. Efek atmosferik merupakan fenomena yang disebabkan oleh debu, kabut, atau asap
seringkali menyebabkan efek bias dan pantul pada detektor, sehingga fenomena yang
berada di bawahnya tidak dapat terekam secara normal.
Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang terdapat dalam
data citra dapat dengan jelas dibaca dan diinterpretasikan. Kegiatan yang dilakukan
dapat berupa:
1. Penggabungan data (data fusion), yaitu menggabungkan citra dari sumber yang
berbeda pada area yang sama untuk membantu di dalam interpretasi. Sebagai contoh
adalah menggabungkan data Landsat-TM dengan data SPOT.
2. Colodraping, yaitu menempelkan satu jenis data citra di atas data yang lainnya untuk
membuat suatu kombinasi tampilan sehingga memudahkan untuk menganalisis dua
atau lebih variabel. Sebagai contoh adalah citra vegetasi dari satelit ditempelkan di atas
citra foto udara pada area yang sama.
3. Penajaman kontras, yaitu memperbaiki tampilan citra dengan memaksimumkan
kontras antara pencahayaan dan penggelapan atau menaikan dan merendahkan harga
data suatu citra.
4. Filtering, yaitu memperbaiki tampilan citra dengan mentransformasikan nilainilai
digital citra, seperti mempertajam batas area yang mempunyai nilai digital yang sama
(enhance edge), menghaluskan citra dari noise (smooth noise), dan lainnya.
Koreksi radiometrik dilakukan untuk memperbaiki nilai radiometric citra akibat
gangguan, koreksi yang dilakukan dalam pembahasan ini adalah koreksi radiometri
relative dengan rumus yaitu:
DN Koreksi= DN-Offset
DN Koreksi ; Nilai digital number citra yang sudah terkoreksi
Offset ; Nilai digital number minimum citra (lihat pada tabel statistik)
Sumber: Frananda, 2015
Lagkah yang dilakukan adalah, klik kanan kursor pada layer citra citra
yang sudah disatukan, pilih Quick Statistik,

setelah proses quick status akan muncul grafik berikut

Pada gambar tabel statistic diatas, dapat dilihat nilai Offset citra, yaitu nilai minimum
 citra yang lebih dari 0. Tugas dalam operasi koreksi radiometrik menjadikan nilai
minimum setiap masing masing gelombang. Maka nilai inilah yang akan dikoreksi agar
menjadi nilai 0.
Gunakan Tools band Math, Masukan rumus: sebagai contoh untuk data statistik di tabel
berikut
B1-33
B2-6
B3-0
B4-6
Dan seterus nya, pengkoreksian dilakukan secara satu persatu, yaitu tiap tiap lembar
band citra.
Pilih Basic Tools, Band Math, masukan rumus, OK, pilih band yang akan
dikoreksi, atur penyimpanan data , OK.
2.4. Komposit Citra Satelit
Penyusunan citra komposit warna adalah cara yang paling umum untukmenonjolkan masing-
masing keunggulan saluran secara serentak dalam suatu display, sehingga memudahkan
pengguna dalam interpretasi citra secara visual. Citra ini merupakan perpaduan 3 saluran,
dengan masing masing saluran diberi warna dasar, yaitu merah, hijau, dan biru (RGB).Warna
yang terjadi adalah kombinasi dari tingkat kecerahan pada suatu obyek di setiap saluran. Citra
komposit standar merupakan paduan tiga saluran dengan rujukan foto udara inframerah dekat.
Pada umumnya saluran ETM4 (inframerah dekat) diberi warna merah, saluran ETM3 (merah)
diberi warna hijau, dan saluran ETM2 (hijau) diberi warna biru. Citra warna yang terbentuk
disebut dengan citra warna semu standar (standar false color composite). Meskipun demikian
bukan berarti citra komposit ini tidak dapat digunakan dalam proses pengenalan obyek.
Kadang-kadang justru citra komposit tak standar lebih ekspresif dalam menyajikan
kenampakkan obyek yang dijadikan pusat perhatian (misal tubuh air di sela-sela hutan lahan
basah). Ketersediaan citra multispektral dengan jumlah saluran yang lebih banyak, termasuk
saluran biru dan dan inframerah tengah, memberikan kemungkinan yang lebih banyak dalam
membuat kombinasi citra komposit (Abdurahman, 2011).
Band Landsat 8

Kombinasi band Landsat 8

Contoh Kombinasi band

2.5. Memotong Citra Satelit Berdasarkan Batas Administrasi
langkah yang harus diikuti dalam memotong citra adalah
1. Masukan citra yang akan di potong, Open image File,
2. Masukan data vector/shp untuk pemotong citra, Open vector File

3. Buka folder penyimpanan, data akan ditemukan kosong seperti berikut, kemudian ganti
format data yang akan dibuka pada pojok kanan bawah menjadi Shapefile (*Shp)
4. Kemudian muncul pilihan menu seperti dibawah ini, atu saja penyimpanannyamemori
atau file sesuai kebutuhan, jika data sudah memili proyeksi langsungsaja ok jika telah
di atur penyimpanan data.

5. Kemudian akan muncul pilihan seperti berikut ini, list ketersediaan data vector, select
data vektor tersebut, kemudian klik load selected
6. Maka akan muncul pilihan seperti dibawah ini, Kemudian pilih #Display1 , karena
citra yang akan kita potong telah kita tampilkan pada Display 1

Maka Hasil nya akan seperti ini

7. kemudian Pilih basic tool, masking, build masking

8. Pilih #Display 1, karena pada display ini citra yang akan dipotong.

9. Pilih Options, Import EVFs

10. Pilh data shp yang sudah diimput sebelumnya

11. Kemudian anda pilih, basic tool, masking, applay masking

12. Pilih citra yang akan dipotong, disini saya pilih Stacking Citra 2
13. Kemduian anda pilih spatial subset, tujuannya untuk menyeting luas area yang akan
menjadi tampilan selanjutnya. Anda pilih Image

14. kemudiaan pilih ROI/EVF, dan pilih data vector yang sudah di imput sebelumnya

15. Jika sudah selesai, pilih OK. Selanjutnya pilih Select Mask band, akan muncul
tampilan seperti gambar kanan, select mask yang sudah dibangun sebelumnya.
16. Jika sudah selesai, pilih ok. Akan muncul pada Available band list, citra yang sudah
dipotong, silahkan set RGB/ komposit citra pada Display 2
2.6. Klasifikasi Citra
Klasifikasi citra merupakan proses Interpretasi/ ekstraksi informasi citra berupa kelas-kelas
informasi yang dikelompokkan berdasrkan kesamaan bentuk, atau nilai digital number data.
Dalam analisis citra penginderaan jauh secara digital klasifikasi citra secara umum terbagi
atas dua, yakni a) klasifikasi citra supervised/ terbimbing, dan b) Unsupervised/ tidak
terbimbing.
Klasifikasi citra terbimbing terdiri dari berbagai algoritma logika statistic estimasi yang di
implementasikan dalam perangkat penginderaan jauh, diantaranya, (Parallepiped, Minimun
Distance, Mahalanobis Distance, Maximum Likelihood, Spectral Angle mapper, Binary
Encoding, dll. Klasifikasi supervised dikatakan sebagai klasifikasi terbimbing karena dalam
proses klasifikasi, interpret harus menentukan lokasi-lokasi atau kelas-kelas objek sebagai
dasar acuan dari perangkat lunak untuk mengklasifikasikan citra yang disebut sebagai training
area. Pengkelasan biasanya dilakukan dalam aplikasi pemetaan tutupan lahan, penggunaan
lahan, hingga informasi lain yang bisa di ekstrak dari sebuah lembar citra. Klasifikasi tidak
terbimbing, yaitu klasifikasi yang dilakukan perangkat lunak dengan sendiri tampa menentuka
training area.

a. Klasifikasi Terbimbing (Superviced Classification)

Pada tahap ini dijelaskan tahap klasifikasi terbimbing dengan algoritma statistik
MaximumLikelihood, sebelumnya user harus memahami komposit citra untuk
mempermudah memahami lokasi yang akan dijadikan training area, komposit citra
dilakukan dengan memadukan berbagai gelombang citra dalam penyusunan RGB dalam
satu tampilan citra. Tujuan penyusunan komposit citra agar Interpret lebih mudah
memahami objek berdasarkan karakteristik kepekaan pada masing masing gelombang:
Contoh: Komposit RGB 4,3,2 untuk warna alami/natural, RGB 5,4,3, kenampakan
Inframerah dominan Vegetasi akan Lebih terlihat, dan sebagainya.
Semakin banyak jendela yang ditampilkan dengan komposit citra yang bervariasi maka
informasi objek yang ditampilkan juga akan lebih banyakdan semakin ditel. Tergantung
kemampuan interpret dalam memahamiobjek berdasarkan kepekaan gelombang dan
kedekatan interpret dengan objek, kemudian lakukan klasifikasi dengan pilih. Bassic
Tools>Region of Interes> ROI Tool Setelah Tool klasifikasi muncul, pilih Zoom sebagai
window delineasi sampel.

Mulailah lakukan penentuan kelas penutup lahan, seperti dibawah ini, klik kiri pada layer
zoom, drau lokasi yang dijadika sampel, jika sudah cukup double klik kanan. Red
merupakan kelas objek hutan, dan lakukan pengelompokan kelas Tutupan Lahan atau
Penggunaan lahan sesaui Standar SNI Indoenesia untuk kita di Indonesia, atau standar
 internasional USGS. Setelah kelas tutupan lahan selesai dibentuk seperti dibawah ini,
kemudian

Pilih Clasification>Supervised>MaximumLikelihood

Pilih citra yang akan diklasifikasikan.

Pilih semua kelas yang sudah ditentukan dalam training area sebelumnya.

Setelah tahap ini selesai aka akan muncul hasil klasifikasi seperti dibawah ini:
2.7. Analisis NDVI
Normalized Difference Vegetation Index (NDVI) merupakan indeks ini merupakan
kenampakan ukuran yang sehat pada tanaman, vegetasi hijau. Kombinasi formulasi NDVI
diperoleh dari tingginya penyerapan dan pantulan daerah klorofil membuatnya kuat atas
berbagai kondisi. Hal ini dapat, bagaimanapun, jenuh dalam kondisi vegetasi yang lebat ketika
LAI menjadi tinggi.
NDVI = (NIR – Red)
(NIR + Red)
Nilai indeks ini berkisar dari -1 sampai 1. Kisaran umum untuk vegetasi hijau 0,2-0,8. Reference:
Rouse, J., R. Haas, J. Schell, and D. Deering. Monitoring Vegetation Systems in the Great Plains
with ERTS. Third ERTS Symposium, NASA (1973): 309-317.
Langkah yang dilakukan dalam pengoperasian Indeks Vegetasi NDVI menggunakan tool Band
Math adalah sebagai berikut: Pilih Basic Tools > band math
Saat tampilan band math muncul, maka masukan rumus formula NDVI sesuai dengan rumus
yang telah ada dengan format pengetikan: (float(b4)-b3)/(float(b4)+b3) lihat contoh dibawah
ini:

Jika rumus sudah dimasukkan, pilih OK. Setelah rumus dimasukan akan muncul option b3 atau
b4 undefened pada jendela Variable to Bands Parings, artinya b3 atau band 3 belum ditentukan

data raster citranya. Lihat contoh berikut tampilan formula undefened dan yang sudah di tentukan
lembar band citra nya.
Jika sudah ditentukan defened band sesuai dengan formula kemudian atur lokasi folder
penyimpanan data, seelah itu pilih OK.

Lihat hasil dibawah ini, nilai hasil transformasi NDVI dalam tampilan gray scale/ tingkat keabuan.
Semakin cerah kenampakan pada citra NDVI tersebut menujukkan tingginya densitas vegetasi,
semakin gelap kenampakan pada NDVI menjukkan objek tersebut minimnya vegetasi hingga non
vegetasi/ air dan tanah terbuka atau bangunan.