Disusun Oleh:
1) Sumber Tenaga
Sumber tenaga dibagi menjadi dua, yaitu sumber tenaga aktif
dan sumber tenaga pasif. Sumber tenaga aktif adalah sumber
tenaga alamiah. Sumber tenaga aktif terdiri dari energi matahari,
infra merah, sinar cahaya tampak, ultraviolet, X-rays, sinar
gamma, dan panas radiasi. Sumber tenaga pasif adalah sumber
tenaga buatan manusia. Sumber tenaga pasif terdiri dari pencitraan
microwave, radar, dan profiler laser.
Jumlah tenaga yang diterima oleh obyek di setiap tempat
berbeda-beda, hal ini dipengaruhi oleh beberapa faktor, antara lain:
a) Waktu penyinaran
Jumlah energi yang diterima oleh objek pada saat matahari
tegak lurus (siang hari) lebih besar daripada saat posisi miring
(sore hari). Makin banyak energi yang diterima objek, makin
cerah warna obyek tersebut.
b) Bentuk permukaan bumi
Permukaan bumi yang bertopografi halus dan memiliki
warna cerah pada permukaannya lebih banyak memantulkan
sinar matahari dibandingkan permukaan yang bertopografi
kasar dan berwarna gelap. Sehingga daerah bertopografi halus
dan cerah terlihat lebih terang dan jelas
c) Keadaan cuaca
Kondisi cuaca pada saat pemotretan mempengaruhi
kemampuan sumber tenaga dalam memancarkan dan
memantulkan. Misalnya kondisi udara yang berkabut
menyebabkan hasil inderaja menjadi tidak begitu jelas atau
bahkan tidak terlihat.
2) Atmosfer
Atmosfer dibagi menjadi dua, yaitu jendela atmosfer dan
atmosfer. Atmospheric Window merupakan bagian dari spektrum
elektromagnetik yang dapat mencapai bumi. Terdapat sejumlah
gangguan dalam atmosfer yaitu:
Hambatan Material Gejala dan Dampak
Hamburan Nitrogen, Oksigen, gas Pada Foto hitam putih tampak
Rayleigh Ozon: diameter kecil, langit berkabut dan foto berwarna
tampak kebiruan:, tersebar tampak foto tampak berwarna
pada saluran biru (0,4-0,5 abu kebiruan, sehingga kurang
µm) tajam
Hamburan Debu, kabut dan Asap; Foto Tidak jelas baik pada foto
Mie deamter material hampir hitamputih maupun berwarna
sama dengan spekrum
tampak, Warna langit cerah
keputihan, tersebar pada
saluran hijau (0,5-0,6 µm)
Hamburan Material lebih besar Warna langit tampak gelap
Non daripada spektrum tampak; sehingga dapat menutupi objek
Selektif debu, asap, uap air CO3; dipermukaan bumi
Tabel 1. Gangguan dalam atmosfer
Sifat Pantulan
5) Perolehan Data
Data yang diperoleh dari penginderaan jauh ada 2 jenis:
a) Data manual, didapatkan melalui interpretasi citra. Untuk melakukan
alat yang diperlukan disebut citra stereoscope panduan interpretasi.
Stereoscope dapat digunakan untuk melihat benda-benda tiga dimensi.
b) Data numerik (digital), diperoleh melalui penggunaan perangkat lunak
penginderaan jauh secara khusus diterapkan pada komputer.
6) Pengguna Data
Data pengguna merupakan komponen penting dari sistem
penginderaan akhir, orang atau lembaga yang menggunakan hasil
penginderaan jauh. Jika tidak ada pengguna, maka data
penginderaan tidak ada manfaat.
2. Citra Satelit Landsat
Landsat merupakan satelit tertua di bumi yang diluncurkan oleh
Amerika Serikat. Adanya citra satelit Landsat dimulai pada tahun 1972
dengan meluncurkan satelit generasi pertama yaitu Landsat 1 diluncurkan
23 Juli 1972, Landsat 2 diluncurkan pada tanggal 22 Januari 1975, dan
Landsat 3 pada tanggal 5 Maret 1978 tetapi landsat tersebut berakhir pada
tanggal 22 Januari 1981. Satelit-satelit tersebut dilengkapi sensor MSS
multispectral dan merupakan satelit eksperimen. Kemudian seiring
berjalannya waktu, pada tahun 1982 diluncurkan kembali satelit bumi
generasi kedua yaitu Landsat 4 dan Landsat 5. Landsat terebut merupakan
landsat semioperasional atau dimaksudkan untuk tujuan penelitian dan
pengembangan.
Landsat 4 diluncurkan 16 Juli 1982 dan dihentikan pada tahun 1993,
sedangkan Landsat 5 diluncurkan pada 1 Maret 1984 dengan dilengkapi
sensor TM (Thematic Mapper) dan memiliki 30x30m pada band
1,2,3,4,5,6,7. Sensor yang dimiliki Landsat 5 ini dapat mengamati obyek-
obyek di permukaan bumi dan meliput daerah yang sama setiap 16 hari
dengan ketinggian orbit 705 km. Namun sejak November 2011 Landsat 5
mengalami gangguan, akibatnya pada tahun 2016 USGS mengumumkan
akan menonaktifkan Landsat tersebut. Kemudian diluncurkan kembali
untuk generasi citra satelit selanjutnya yaitu Landsat 6 pada tanggal 5
Oktober 1993 tetapi gagal mencapai orbit.
Setelah diluncurkannya ke lima satelit tersebut, kini mengikuti
perubahan zaman maka diluncurkan satelit generasi berikutnya yaitu citra
satelit Landsat 7 dan Landsat 8 guna menyempurnakan satelit generasi
sebelumnya. Citra satelit Landsat 7 merupakan citra satelit bumi yang
memiliki ETM (Enchnced Thamatic Mapper) dan Scanner yang dapat
membantu untuk pemotretan foto udara. Landsat 7 ini diluncurkan pada
bulan April 1999. Kegunaan citra satelit Landsat 7 ini digunakan untuk
pemetaan penutupan lahan, pemetaan geologi, serta pemetaan suhu
permukaan laut. Berikut merupakan spesifikasi dan karakteristik beberapa
kanal (band) yang dimiliki oleh Landsat 7:
GSD Radiance
Kisaran SNR
No Kanal Penggunaan data (resolusi (W/m2sr μm),
Spektral (typical)
spasial) typical
1 Aerosol/coastal
Biru 433-453 30 m 40 130
zone
2 Pigments/scatter 30 m
Biru 450-515 40 130
/coastal (Kanalkanal
3 Hijau 525-600 Pigments/coastal 30 100
warisan TM
4 Merah 630-680 Pigments/coastal 22 90
5 Infra 845-885 Foliage/coastal 14 90
merah
dekat
(NIR)
6 SWIR 2 1560-1660 Foliage 4.0 100
7 Minerals/litter/n
SWIR 3 2100-2300 1.7 100
o scatter
8 Image
PAN 500-680 15 m 23 80
sharpening
Cirruscloud
9 SWIR 1360-1390 30 m 6.0 130
detection
3. ENVI
ENVI (The Environment for Visualizing Images) merupakan suatu sistem
pengolahan citra digital penginderaan jauh yang revolusioner dibuat oleh
Research System, Inc (RSI). Sekarang ENVI terbaru versi 4.8 memberikan
fitur dan fungsionalitas lebih mempermudah alur kerja dan mengurangi waktu
untuk pengolahan citra digital penginderaan jauh dan analisis. ENVI 4.8
berintegrasi dengan GIS yang dapat mempermudah menyadap informasi
terkini dari citra digital penginderaan jauh dengan memberikan alat analisis
citra digital penginderaan jauh secara langsung dari lingkungan ArcGIS.
Fungsi terbaru ENVI dapat menampilkan data LIDAR dan dapat secara
langsung menggabungkan data penginderaan jauh lain dengan data LIDAR.
Kegunaan lain ENVI dirancang untuk berbagai kebutuhan spesifik yang
menggunakan data penginderaan jauh dari satelit dan pesawat terbang. ENVI
menyediakan data visualisasi yang menyuluruh dan analisa untuk citra dalam
berbagai ukuran dan tipe, semuanya dalam suatu lingkungan yang mudah
dioperasikan dan inovatif untuk digunakan.ENVI memiliki tiga jendela utama:
The Main Display Window untuk menampilkan semua tampilan citra dalam
full resolution yang dibatasi oleh kotak pada scroll, The Scroll Window untuk
menampilkan seluruh citra pada file, dan The Zoom Window untuk
menampilkan perbesaran dari main display window yang dibatasi oleh kontak
pada window. ENVI penginderaan jauh memiliki beberapa menu utama
diantaranya adalah: File Management, Display Management, Interactive
Display Functions, Bsic Tools, Classi fication, Transform, Filters, Spectral
Tools, Map Tools, Vector Tools, TopographicTools, Raar Tools.
Metode klasifikasi pada Envi Classic dapat dilakukan dengan dua cara,
yaitu dengan menggunakan metode unsupervised classification dan supervised
classification. Metode unsupervised classification adalah klasifikasi yang
tidak menggunakan pengetahuan lebih, karena dapat diatur oleh sistem.
Sedangkan supervised classification adalah klasifikasi menggunakan Region
of Interest dimana setiap wilayah yang diberikan klasifikasi sesuai kebutuhan
dan keinginan. Pengecekan dapat dilakukan dengan menggunakan alat
tambahan berupa Google Earth untuk mempermudah dan mencocokkan
klasifikasi supervised yang telah dibuat ROI sebelumnya.
Klasifikasi Unsupervised (tak-terselia) adalah klasifikasi yang
menggunakan algoritma untuk mengkaji sejumlah besar pixel yang tidak
dikenal, kemudian membaginya ke dalam sejumlah kelas berdasarkan
pengelompokan biasa nilai citra yang ada, dengan anggapan bahwa nilai di
dalam suatu jenis tutupan tertentu seharusnya saling berdekatan pada ruang
pengukuran, sedang pada data kelas yang berbeda harus dapat dipisahkan
dengan baik secara komparatif. Kelas yang dihasilkan disini adalah kelas
spektral. Software ENVI menyediakan dua metode dalam klasifikasi tak
terselia, yaitu: ISO-Data dan K-Means. Metode unsupervised classification
menggunakan ISO-Data adalah metode yang menggunakan region range
sedangkan K-Means adalah metode yang menggunakan region secara pasti.
Contoh dari unsupervised classification ISO-Data adalah memasukkan min
region 5 dan max region 10, hasilnya berupa range dari jarak min dan max
tersebut. Sedangkan contoh dari unsupervised classification K-Means adalah
memasukkan jumlah region dan hasilnya berupa jumlah region yang telah
diatur sebelumnya.
Klasifikasi Supervised (terselia) proses pemilihan kategori informasi/klas
yang diinginkan, kemudian memilih daerah latihan (training sample) yang
mewakili tiap kategori pada citra. Statistik yang diperoleh kemudian
digunakan sebagai dasar untuk klasifikasi. Apabila klas yang dipilih dapat
dipisahkan secara spektral & daerah latihan yang dipilih mampu mewakili
seluruh rangkaian data, maka proses klasifikasi akan berhasil dengan baik.
Software ENVI menyediakan beberapa metode untuk klasifikasi terselia,
antara lain: Parallelepiped, Minimum Distance, Mahalanobis Distance,
Maximum Likelihood, Spectral Angle Mapper, Binary Encoding, and Neural
Net. Hal yang harus diperhatikan dalam metode terselia adalah pemilihan
Regions of Interest (ROI).
4. Penggunaan Lahan
Tutupan lahan adalah kenampakan material fisik di permukaan bumi.
Tutupan lahan dapat menggambarkan keterkaitan antara proses alami dan
proses sosial. Tutupan lahan dapat menyediakan informasi yang sangat
penting untuk keperluan pemodelan serta untuk memahami fenomena
alam yang terjadi di permukaan bumi. Data tutupan lahan juga digunakan
dalam mempelajari perubahan iklim dan memahami keterkaitan antara
aktivitas manusia dan perubahan global. Informasi tutupan lahan yang
akurat merupakan salah satu faktor penentu dalam meningkatkan kinerja
dari model-model ekosistem, hidrologi, dan atmosfer.
V. Langkah Kerja
Analisis tutupan lahan menggunakan metode unsupervised classification
pada aplikasi Envi Classic. Metode unsupervised classification pada Envi
Classic terdapat 2 cara, yaitu IsoData dan K-Mean. Langkah-langkah dalam
analisis tutupan lahan menggunakan metode IsoData yaitu:
1. Buka aplikasi Envi Classic
2. Pilih citra landsat sesuai keinginan lalu load RGB
3. Selanjutnya, pilih menu Classification Unsupervised IsoData,
4. Pilih Input File sesuai dengan citra landsat yang akan digunakan Ok
5. Pilih Classification Min dan Max sesuai keinginan dan simpan File Output
6. Setelah itu, Load Band Output ke New Display
7. Selanjutnya, pilih menu Overlay Classification, pilih Input File berupa
hasil Output File sebelumnya Ok
8. Link kedua display dengan klik kanan, Link Display Yes Ok
9. Ganti nama klasifikasi dan warna dengan menu Options Edit Class
Colour/Names
10. Analisis tutupan lahan metode Unsupervised Classification IsoData selesai
Langkah-langkah dalam analisis tutupan lahan menggunakan metode K-
Means yaitu:
1. Buka aplikasi Envi Classic
2. Pilih citra landsat sesuai keinginan lalu load RGB
3. Selanjutnya, pilih menu Classification Unsupervised K-Means
4. Pilih Number of Classes sesuai keinginan dan simpan Output File Ok
5. Setelah itu, Load Band Output ke New Display
6. Link kedua display dengan klik kanan, Link Display Yes Ok
7. Pilih menu Overlay Classification, pilih Input File berupa hasil Output
File sebelumnya Ok
8. Ganti nama klasifikasi dan warna dengan menu Options Edit Class
Colour/Names
9. Analisis tutupan lahan metode Unsupervised Classification K-Means
selesai
Mengidentifikasi hutan dapat menggunakan metode Supervised
Classification Maximum Likelihood pada aplikasi Envi Classic. Langkah-
langkah dari Supervised Classification Maximum Likelihood pada aplikasi
Envi Classic yaitu:
1. Buka Envi Classic
2. Masukkan citra yang ingin di identifikasi. Citra dapat berupa
penggabungan (Layer Stacking) atau tanpa penggabungan, File Open
Image File
3. Load RGB Band dengan urutan Band 5, 4, dan 3 kemudian klik New
Display Load RGB
4. Lakukan klasifikasi menggunakan ROI (Region of Interest) atau Training
Sample, Tool Region of Interest ROI Tool
5. Buat ROI sesuai kebutuhan hingga mewakili seluruh objek
6. ROI diberikan nama dan warna sesuai kebutuhan
7. Selanjutnya yaitu menerapkan hasil Training Sample kedalam Supervised
Classification, pilih menu Classification Supervised Maximum
Likelihood
8. Pilih Input File dengan citra sebelumnya Ok
9. Pilih atau Block seluruh Classes from Regions, simpan Output File dan
Output Rule Images Ok
10. Selanjutnya, klik kanan pada bagian Output File Load Band to New
Display
11. Setelah itu mengkonversikan file Raster ke Vector, Vector Raster to
Vector Pilih Input File dari Output Maximum Likelihood Ok
12. Block seluruh Classes to Vectorize Output berupa one Layer per Class
simpan Output File Ok
13. Hasil Vector tersebut dapat dibuka di aplikasi ArcGis atau software GIS
lainnya
VI. Hasil Praktikum
1. Video rekaman Unsupervised Classification IsoData (terlampir).
2. Video rekaman Unsupervised Classification K-Means (terlampir).
3. Video rekaman Supervised Classification Maximum Likelihood
(terlampir).
VII. Pembahasan
Dari hasil praktikum menggunakan metode unsupervised classification
metode IsoData, terdapat 8 ROI dengan warna yang berbeda-beda. Setelah
dicocokkan menggunakan google earth dan diklasifikasikan ulang, hasilnya 5
interpretasi, yaitu pemukiman yang ditunjukkan oleh warna kuning, air yang
ditunjukkan oleh warna biru, hutan yang ditunjukkan oleh warna hujau tua,
sawah yang ditunjukkan oleh warna hijau muda, dan awan yang ditunjukkan
oleh warna putih. Awan memang bukan merupakan dalam klasifikasi
penggunaan lahan. Namun, awan tersebut menutupi lahan sehingga
mengganggu dan termasuk dalam hasil interpretasi. Sehingga, awan juga
dimasukkan dalam klasifikasi tersebut. Selain itu, terjadi kesalahan interpreasi
pada bagian barat citra. Pada bagian tersebut merupaka awan, namun karena
klasifikasi menggunakan unsupervised, jadi kesalahan tersebut terjadi.
Hampir sama dengan sebelumnya, hasil praktikum menggunakan metode
unsupervised classification metode K-Means, terdapat 9 ROI dengan warna
yang berbeda-beda. Setelah dicocokkan dengan google earth, terdapat 5
interpretasi, yaitu pemukiman yang ditunjukkan oleh warna kuning, air yang
ditunjukkan oleh warna biru, hutan yang ditunjukkan oleh warna hujau tua,
sawah yang ditunjukkan oleh warna hijau muda, dan awan yang ditunjukkan
oleh warna putih. Pada hasil ini, awan kembali menjadi kendala dalam
menunjukkan penggunaan lahan, dimana awan memiliki banyak pengaruh.
Bukan hanya awan, bayangan dari awan yang menutupi lahan di
permukaannya juga menjadi kendala, dimana bayangan awan tersebut dibaca
oleh sistem Envi sebagai klasifikasi tersendiri sehingga mendapatan warnanya
tersendiri juga. Namun, dibandingkan dengan menggunaan metode IsoData,
metode K-Means lebih menunjukkan hasil interpretasi karena ROI yang
dipilih akan sesuai dengan hasil, berbeda dengan IsoData yang mengambil
range dari data min dan max yang telah diinput.
Pada metode supervised classification maximum likelihood, hasil
interpretasi lebih optimal dibandingkan dengan metode unsupervised, karena
data ROI yang diinput merupakan pilihan pengguna yang dapat dicocokkan
menggunaan google earth sehingga hasil interpretasi jauh lebih akurat. Selain
itu, penutupan terhadap awan juga berapa pada titik besar, berbeda dengan
sebelumnya dimana awan yang berada dalam interpretasi menyebar ke
berbagai daerah lainnya. selain itu, metode supervised juga menggunakan
pengetahuan lebih dalam memproses data citra, sehingga hasil interpretasi
jauh lebih maksimal. Namun, metode supervised ini memiliki kelemahan
yaitu memerlukan waktu serta pengetahuan dalam pemrosesannya. Namun,
hasil interpretasi jauh lebih optimal dibandingkan dengan metode
unsupervised mengingat data ROI yang diinput merupakan hasil sendiri yang
diintegrasikan dengan google earth sehingga jauh lebih akurat.
VIII. Kesimpulan
Hasil interpretasi penggunaan lahan di Kota Mataram terdiri dari 5, yaitu
air yang didominasi oleh air laut, pemukiman penduduk, sawah, hutan, dan
awan. Awan bukan merupakan penggunaan lahan di suatu daerah, namun
hasil interpretasi menunjukkan bahwa peran awan dalam menutupi
penggunaan lahan di bawahnya sangat berpengaruh. Awan bukan hanya
menutupi satu klasifikasi penggunaan lahan, melainkan banyak klasifikasi.
Sehingga, jika awan dihapuskan atau tidak dianggap dalam interpretasi
tersebut, tentu data tentang penggunaan lahan tidak akurat. Penggunaan lahan
dengan metode unsupervised memiliki kelebihan dan juga kekurangan.
Kelebihannya adalah tidak perlu memiliki pengetahuan lebih dan proses yang
lebih mudah dan sederhana, namun kekurangannya berupa hasil interpretasi
yang tidak tepat karena sistem hanya memberikan interpretasi terhadap
persamaan warna, sehingga perlu dicocokkan dengan google earth agar lebih
akurat. Selain menggunakan metode unsupervised, penggunaan lahan juga
dapat menggunakan metode supervised dimana kelebihan dari metode ini
adalah hasil interpretasi yang jauh lebih akurat serta dapat disesuaikan dengan
kebutuhan masing-masing. Namun, kekurangan dari metode ini adalah
perlunya pengetahuan lebih dalam memberikan interpretasi dan membutuhkan
waktu yang lama dibandingkan dengan metode unsupervised.
IX. Daftar Pustaka
Bakar, A. 2011. ENVI Pengolah Data Penginderaan Jauh.
http://www.citrasatelit.com/envi-pengolah-data-penginderaan-jauh. Akses
22 November 2020
Somantri, L. 2009. Teknologi Penginderaan Jauh (Remote Sensing).
Universitas Pendidikan Indonesia.
Lapangan, U. P. Pengolahan Citra Digital dengan Envi 4.1.
Amliana, D, R., Prasetyo, Y., & Sukmono, A. 2016. Analisis Perbandingan
Nilai NDVI Landsat 7 dan Landsat 8 Pada Kelas Tutupan Lahan (Studi
Kasus: Kota Semarang, Jawa Tengah). Jurnal Geodesi Undip. 5(1): 264-
274.
Sitanggang, G. 2010. Kajian Pemanfaatan Satelit Masa Depan: Sistem
Penginderaan Jauh Satelit LDCM (Landsat 8). Berita Dirgantara. 11(2)
Kusuma, M. 2016. Perkembangan Landsat.
https://pgsp.big.go.id/perkembangan-landsat. Akses 22 November 2020
X. Lampiran
1. Video rekaman Unsupervised Classification IsoData
https://drive.google.com/file/d/1kEpG2O3Pac42uWbOjQFQGqsBGipRD
Cu/view?usp=drivesdk
2. Video rekaman Unsupervised Classification K-Means
https://drive.google.com/file/d/1hh6irMIQc4naMH0iz4spZm05xcCN916/
view?usp=drivesdk
3. Video rekaman Supervised Classification Maximum Likelihood
https://drive.google.com/file/d/1xjLxfO32nepmlfooGmC9tneA678oSRlxv
iew?usp=drivesdk