LAPORAN PRAKTIKUM Nilai praktikum

GKP 0205 PENGINDERAAN JAUH

SISTEM PASIF NON-FOTOGRAFI
Laboratorium Penginderaan Jauh
Fakultas Geografi Universitas Gadjah Mada

ACARA VI : ANALISIS PIKSEL MURNI CITRA HIPERSPEKTRAL

KELOMPOK HARI: SENIN PUKUL: 07.00-09.00

FARIS SEIVA QINTHARA 18/426857/GE/08793

ASISTEN:
1. Khuzna Dwi Medianti
2. Eriko Prawunda D
.

1. PEMBAHASAN DAN HASIL PRAKTIKUM

Minimum Noise Fraction (MNF) adalah sebuah teknik untuk mengubah suatu data kubus
menjadi gambar saluran yang tingkat kerumitan nya selalu bertambah, artinya MNF ini
menghasilkan kualitas gambar yang selalu menurun (julzarika, 2018). MNF bisa digunakan
untuk menghilangkan noise pada citra dan mereduksi dimensionalitas data citra. Hal tersebut
dapat dilakukan dengan mengidentifikasi noise dengan menggunakan kovariansi pada citra lalu
dengan menggunakan principal component analysis untuk mempertahankan variansi paling
optimal pada citra. Hasil transformasi MNF citra pada kenampakan citra hyperion, citra yang
dihasilkan lebih baik dengan berkurangnya noise yang ada, karena hal ini informasi yang akan
didapat dari citra tranformasi ini akan lebih maksimal.
1. Citra hasil transformasi MNF
 Metode interpretasi visual dapat dilakukan seacara langsung, caranya dengan melakukan
pengamatan pada endmember citra hyperspectral. Paling mudah dinterpretasi adalah objek air,
objek air sangat jelas pikselnya karna objek langsung terlihat berwarna biru, lain halnya dengan
objek vegetasi, tanah dan bangunan. Pada objek tersebut sering dijumpai mixel (piksel yang
memuat banyak objek dalam satuan pikselnya). Karna objek tanah, vegetasi, dan bangunan
kadang terlihat saling berasosiasi. Namun objek vegetasi masih dapat dikatakan lebih baik
dibandingkan dengan objek tanah dan bangunan. Karna sulit untuk dapatkan endmember yang
benar-benar murni diantara objek tersebut karena biasanya objek tanah dan bangunan saling
berkaitan.
2. Distribusi piksel murni hasil interpretasi visual

Indeks Kemurnian Piksel dihitung dengan memproyeksikan scatter-plot n-dimensional

ke dalam unit vektor random secara berulang, piksel ekstrim pada setiap proyeksi direkam dan
jumlah setiap kali piksel dikatakan ekstrim dicatat. PPI adalah piksel murni yang hanya berisi
kenampakan suatu objek(Rijal, 2015). Citra PPI (Pixel Purity Index) dibuat dimana DN dari
setiap piksel berhubungan dengan berapa kali sebuah piksel direkam sebagai ekstrim. Fungsi PPI
dapat membuat band output baru atau meneruskan iterasinya dan menambahkan pada band output
yang telah ada. PPI biasanya dijalankan pada hasil transformasi MNF (Minimum Noise Fraction)
yang mengkesampingkan noise band. Hasil dari PPI biasanya digunakan sebagai input n-D
Visualizer. Beberapa variabel yang perlu di set pada pemrosesan PPI adalah :Nomor Iterasi
menunjukkan berapa kali data akan diproyeksikan ke dalam vektor random, semakin banyak
jumlah iterasi, semakin baik hasil datanya tetapi semakin lama prosesnya, Faktor Batas
(Threshold factor) Sebagai contoh jika faktor batas di set menjadi 2, maka akan menandai semua
piksel yang lebih besar dua kali dari nomor digital piksel ekstrim (baik atas maupun bawah)
sebagai ekstrim. batas ini menyeleksi piksel di akhir proses vektor yang terproyeksi. batas ini
haruslah 2 – 3 kali lebih besar dari level data noise.
 3. Distribusi piksel murni hasil analisis PPI

PPI 5.0 (AIR-VEG-TANAH-BANGUNAN)

PPI 2.5 (AIR-VEG-TANAH-BANGUNAN)

PPI 0.5 (AIR-VEG-TANAH-BANGUNAN)

Hasil kolerasi antara piksel murni hasil interpretasi visual dengan hasil analsisi PPI pada
objek yang sama sangat berbeda. Bisa dilihat dari diagram yang ada. Diagram air terlihat berbeda
sendiri. dimana kurva pada citra asli lebih menyebar dibandingkan dengan kurva lainnya. Ini
menandakan bahwa pada objek air banyak terdapat pure pixel. Dan yang paling sedikit
mengandung pure pixel adalah objek vegetasi, karna dapat dilihat kurvanya tidak terlalu
menyebar dibandingkan dengan objek lainnya.

4. Korelasi antara piksel murni hasil interpretasi visual dengan hasil analisis PPI pada objek
yang sama
 AIR
1.2
1 f(x) = − 0 x + 2.8
0.8 R² = 0.06
Axis Title 0.6 B1
Linea
0.4 r
(B1)
0.2
0
920 930 940 950 960 970 980 990 1000 1010
Axis Title

VEGETASI
1.2
1
0.8
Axis Title

0.6
Linear ()
0.4
0.2
0 f(x) = 0 x − 0.17
1100 1150 1200 1250 1300 1350 1400 1450 1500
R² = 0.01
Axis Title

TANAH
1.2
1
0.8
Axis Title

0.6
Linear ()
0.4
0.2
0 f(x) = − 0 x + 0.33
1600 1800 R² =2000
0.04 2200 2400 2600 2800 3000
Axis Title

BANGUNAN
1.2
1
0.8
Axis Title

0.6
Linear ()
0.4
0.2
0 f(x) = 0 x − 0.38
R² =2600
2000 2200 2400 0.06 2800 3000 3200 3400 3600

Axis Title
2. KESIMPULAN

Indeks Kemurnian Piksel dihitung dengan memproyeksikan scatter-plot n-dimensional ke

dalam unit vektor random secara berulang, PPI dapat membuat band output baru atau meneruskan
iterasinya dan menambahkan pada band output yang telah ada. PPI biasanya dijalankan pada hasil
transformasi MNF (Minimum Noise Fraction) yang mengkesampingkan noise band.

3. DAFTAR PUSTAKA
Julzarika, Atriyon. 2018. Deteksi Potensi Dan Aktivitas Lahan Pertambangan Dengan
Penginderaan Jauh. Prosiding Pit Ke-5 Riset Kebencanaan Iabi Universitas Andalas, Padang

Rijal, Setiawan Samsu. 2015. Pengaruh Perbedaan Endmember Pada Hasil Klasifikasi Spectral
Angle Mapper Untuk Pemetaan Material. Seminar Nasional Sains Geoinformasi.
Universitas Gadjah Mada
TUGAS

1. Mengapa ada perbedaan lokasi piksel murni antara hasil interpretasi visual dan PPI
2. Manfaat pemilihan piksel murni dalam aplikasi penginderaan jauh

Jawab
1. Pada proses interpretasi visual secara langsung citranya belum melakukan proses
MNF, atau noise nya belum direduksi sehingga terdapat perbedaan dimana citra PPI
sudah dilakukakn MNF dan diterapkan penggunaan treshold pada prosesnya.
2. Dengan diketahuinya piksel murni dalam penginderaan jauh, dapat dilakukan dengan
mudah pengklasifikasian antar objek, dimana jika suatu objek sudah jelas
klasifikasinya, maka analasis lanjutan dari tujuan penerapan penginderaan jauh
tersebut menjadi lebih mudah.