TESIS
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister
Teknik Informatika
TESIS
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap : MEYMAN SOKHI ZILIWU
Tempat dan Tanggal Lahir : LAHEWA, 29 MEI 1982
Alamat Rumah : JL. KI HAJAR DEWANTARA NO. 21
DESA MARAFALA KEC. LAHEWA, KAB.
NIAS UTARA
Telepon/Faks/HP : 0812 6082 0480
Email : meymansokhizil@gmail.com
Instansi Tempat Bekerja : Akademi Komunitas Negeri Nias Utara
Alamat Kantor : Lotu, Kab. Nias Utara
DATA PENDIDIKAN
SD : NEGERI NO. 071149 LAHEWA TAMAT : 1994.
SMP : SWT. ST.THERESIA LAHEWA TAMAT : 1997.
SMA : SWT. ST. XAVERIUS GUNUNG SITOLI TAMAT : 2000.
S1 : STMIK LOGIKA MEDAN TAMAT : 2006
S2 : Teknik Informatika Universitas Sumatera Utara TAMAT : 2018
Puji syukur kehadirat Yesus Kristus yang telah memberikan kepada kita berkat yang
luar biasa sehingga penulis dapat menyelesaikan tesis yang berjudul “ANALISIS
PENGOLAHAN CITRA DATA LANDSAT DENGAN METODE OPTIMUM
INDEKS FAKTOR DAN REMOVAL CLOUD”, Tesis ini merupakan salah satu
syarat untuk memperoleh gelar Magister Teknik Informatika pada program studi S-2
Teknik Informatika Universitas Sumatera Utara.
Pada kesempatan ini penulis mengucapkan terima kasih kepada semua pihak
yang telah membantu penulis dalam menyelesaikan tesis ini, antara lain:
1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum., selaku Rektor Universitas
Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc., selaku Dekan Fakultas Ilmu
Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Pemerintah Daerah Kab. Nias Utara (Bapak Bupati Nias Utara) yang telah
memberikan kesempatan dan moril serta materi kepada penulis untuk melanjutkan
kuliah pada Program Studi S2 Teknik Informatika Universitas Sumatera Utara.
4. Bapak Prof. Dr. Muhammad Zarlis, M.Kom, selaku Ketua Program Studi
Pascasarjana (S-2) Teknik Informatika Fakultas Ilmu Komputer dan Teknologi
Informasi Universitas Sumatera Utara sekaligus juga selaku Dosen
Pembanding/Penguji 2 yang selama ini telah memberikan banyak saran, serta
pembelajaran yang berharga bagi penulis sebagai arahan untuk menyelesaikan
penulisan tesis ini.
5. Bapak Dr. Syahril Efendi, S.Si., M.IT., selaku Sekretaris Program Studi
Pascasarjana (S-2) Teknik Informatika Fakultas Ilmu Komputer dan Teknologi
Informasi Universitas Sumatera Utara.
6. Bapak Prof. Dr. Tulus, Vor.Dipl.Math. M.Si., selaku Pembimbing I yang telah
memberikan banyak pelajaran yang berharga dan motivasi kepada penulis dalam
penyusunan tesis ini.
7. Bapak Dr. Sutarman, M.Sc., selaku Pembimbing 2 yang telah memberikan arahan
dan motivasi yang berharga bagi penulis dalam menyelesaikan penulisan tesis ini.
Terkhusus untuk Elirosa br. Sitepu (Istri tercinta), Bremana Melifati Ziliwu, Seri
Ulina Fatilin Ziliwu, Alfredo Bualania Tafaeri Ziliwu (anak-anak) dan orang tua di
Nias, Timbang Lawan (bapa/nande), Tj. Marolan (mama/mami) atas dukungan doa
dan semangat juga moril dan materil sehingga penulis sangat bersemangat untuk
menyelesaikan tesis ini.
Penulis tetap menyadari banyaknya kekurangan dalam penulisan tesis ini. Oleh
sebab itu saran dan kritik sangat dinantikan dan diterima dengan sikap terbuka. Dan
pada akhirnya penulis berharap karya tulis ini dapat digunakan sebagai referensi dan
dimanfaatkan dengan baik.
ABSTRAK
Telah dilakukan penelitian menggunakan data citra landsat yang merupakan teknologi
pengamatan dan perekaman citra jarak jauh yang dilengkapi dengan sensor Enhanced
Thematic Mapper Plus (ETM+). Landsat-7 memiliki sensor yang menghasilkan citra
dengan 7 band yaitu band 1, 2, 3, 4, 5, dan 7 dengan resolusi spasial 30x30 m dan
band 6 dengan resolusi spasial 120x120 m. Pengolahan data citra landsat dengan band
yang telah ada membutuhkan waktu yang lama dan kurang efisien untuk itu
diperlukan satu metode yang digunakan untuk mendapatkan kombinasi yang terbaik
sehingga pengolahan citra data landsat dapat menghasilkan informasi yang lebih
akurat dan cepat dalam prosesnya. Optimum Index Factor (OIF) merupakan salah satu
metode yang digunakan untuk mendapatkan kombinasi yang tepat, yaitu dengan
melakukan evaluasi antara korelasi masing-masing band dengan standar deviasi yang
dapat menghasilkan perengkingan tertinggi sehingga menjadi kombinasi yang terbaik.
Citra data landsat juga terdapat tutupan awan yang dapat mengganggu dan
menghambat dalam proses mendapatkan informasi data citra landsat yang lebih
akurat. Removal cloud dengan menggunakan proses metode K-Means Clustering
ternyata dapat memisahkan dan melakukan klaster pada masing-masing objek dalam
citra berdasarkan warna dan jarak terdekat sehingga awan dan tutupan lahan lainnya
dapat diklasterisasi dan terbebas dari awan secara visual dengan tingkat akurasi 81%
terdeksi data proses.
Keyword : Citra data landsat, Optimum Index Factor (OIF), Removal Cloud, K-
Means Clustering.
ABSTRACT
The research by using landsat imagery data which is a remote observation and
recording technology equipped with Enhanced Thematic Mapper Plus (ETM +) sensor
has been conducted. Landsat-7 has a sensor that produces images with 7 bands of 1, 2,
3, 4, 5, and 7 with spatial resolution of 30x30 m and band 6 with a spatial resolution
of 120x120 m. The image processing begins with obtaining the best combination of
Optimum Index Factor (OIF) is one of the methods used to get the proper
combination. Landsat data imagery also contains cloud cover which can interfere and
hamper in the process of obtaining more accurate landsat image data. Cloud removal
by using K-Means Clustering process can separate and clusterize each object in the
image based on the closest color and distance so that clouds and other land cover can
be clustered and freed from the cloud visually. Landsat data images also have cloud
cover which can interfere and inhibit the process of obtaining more accurate landsat
image data. Cloud removal by using the process of the K-Means Clustering method
turns out to be able to separate and cluster each object in an image based on the
nearest color and distance so that clouds and other land cover can be clustered and
visually free from clouds with 81% accuracy in the process data .
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
Salah satu satelit yang mempunyai kegiatan untuk pengamatan dan perekaman
citra jarak jauh adalah Landsat. Landsat-1, Landsat-2, diteruskan 3,4,5,6 dan terakhir
Landsat-7 merupakan seri dari Landsat. Pada Landsat-7 yang dilengkapi dengan sensor
Enhanced Thematic Mapper Plus (ETM+) merupakan teknologi pengamatan dan
perekaman citra jarak jauh yang merupakan lanjutan dari program Thematic Mapper
(TM) yang telah diterbitkan setelah Landsat-5. Landsat-7 yang dilengkapi sensor ETM+
mempunyai kelebihan yaitu dengan menggunakan saluran atau band dalam Pengamatan
dan perekaman citra jarak jauh. Landsat-7 memiliki Band 1,2,3,4,5,7 dengan dan band 6
dengan resolusi spasial 120 x 120 m. Pada ketinggian orbit 705 km Landsat meliput
data citra suatu daerah yang sama setiap 16 hari. (Sitanggang 2008)
Hasil pengamatan dan perekaman oleh landsat atau juga disebut sebagai citra data
landsat merupakan sarana yang sangat penting untuk pendeteksian perubahan penutupan
lahan hutan yang terjadi, karena mampu memberikan informasi secara lengkap, cepat
dan relative akurat. Citra data landsat memiliki keunggulan dibandingkan dengan data
lain yaitu dalam hal perolehan datanya karena mampu memberikan data yang unik yang
tidak bisa diperoleh dengan menggunakan sarana lainnya. Kelebihan lain dari teknik
citra data landsat yaitu dapat menghasilkan data digital yang selanjutnya dapat diolah
secara kuantitatif dengan bantuan komputer sehingga dapat dihasilkan informasi secara
cepat dan lebih akurat (Richards and Jia 2006)
(OIF). Nilai OIF dihitung melalui rumus sederhana yang menggunakan standar deviasi
dari band dan koefisien korelasi antara pasangan band. Dengan menggunakan tiga band,
nilai tertinggi OIF akan membuat kombinasi band terbaik. Nilai OIF tertinggi akan
memberikan beragam informasi terbanyak dengan duplikasi terkecil, sehingga
memberikan informasi yang lebih banyak (Chavez, et all 1982). Penelitian sebelumnya
menggunakan OIF untuk pemetaan geologi pada sebuah daerah timur laut hajjah di
Negara Yaman dengan menggunakan 56 kombinasi band dari citra data landsat ETM.
Melalui perengkingan menggunakan modus turun menghasilkan kombinasi antara 5,6
dan 7 sebagai urutan pertama (Qaid and Basavarajappa 2008). Penelitian lain
pengolahan citra data landsat dengan citra uji sebuah daerah di Kalimantan Indonesia
menggunakan 20 kombinasi band sebagai data sampel. Dari penelitian tersebut ini
menyimpulkan bahwa kombinasi band data Landsat TM yang paling optimal yaitu band
3, 4 dan 5. (Sirait and Arymurthy 2010).
Citra data landsat sering menghasilkan citra objek yang kurang jelas atau tidak
tampak oleh karena adanya gangguan atau noise. Salah satu noise yang sering ada
adalah citra yang tertutupi oleh awan. sehingga citra objek yang sebenarnya samar-
samar atau tidak tampak. Untuk menghilangkan awan pada citra dapat digunakan
metode penghilangan awan (removal cloud). Menentukan awan dan bukan awan tentu
akan menjadi permasalahan tersendiri dalam melaksanakan metode removal cloud.
Dalam melaksanaan proses removal cloud, K-Means Clustering diharapkan dapat
mengklasterisasi awan dan bukan awan berdasarkan tingkatan warna citra. (Ap and
Basheer 2016) meneliti tentang penerapan salah satu pendekatan cloud removal pada
citra multitemporal dengan multiple reference sesuai dengan standar SSIM, peak signal
to noise ratio, Root Mean Square Error. (Wang et al. 1999) meneliti tentang
mendeteksi awan dan menghilangkannya dari bayangan awan citra data landsat dengan
menggunakan pendekatan fusion method .
Berdasarkan hasil dari beberapa penelitian yang telah dirujuk pada penelitian ini
terdapat kombinasi band citra yang berbeda-beda dan pendekatan cloud removal dengan
menggunakan sampel citra data landsat. Untuk itu diperlukan analisis penelitian
lanjutan untuk mendapatkan kombinasi citra dengan data sampel lokasi yang berbeda
dan pendekatan lainnya untuk menghilangkan atau mengurangi awan pada citra data
landsat.
Nilai kombinasi band yang paling tinggi dapat memberikan informasi yang paling
banyak dengan jumlah duplikasi yang terkecil terdapat metode yang dapat digunakan
yaitu dengan metode Optimum Index Factor (OIF). Pendekatan metode Cloud removal
juga menggunakan metode multiple reference, teknik fusion dan K-means Clustering.
Oleh karena itu rumusan masalah yang pada penelitian ini adalah
a. Bagaimanakah kombinasi band yang paling baik sehingga mendapatkan informasi
yang lebih optimal dari citra data landsat?
b. Dapatkah awan yang ada pada citra data landsat dapat dihilangkan atau dikurangi?
Batasan masalah pada penelitian ini yaitu dengan mencari kombinasi terbaik dari
masing-masing band citra sehingga dapat menghasilkan informasi yang lebih optimal
dari citra data landsat dan menghilangkan atau mengurangi awan yang ada pada citra.
2.1. Landsat
Salah satu program perangkat untuk melakukan observasi bumi adalah Land
Satelite (Landsat). Tahun 1972 dimulai dengan Earth Resources Technology Satellite
(ERTS-1) merupakan nama Landsat pertama sekali. Sejak diluncurkan pada tahun 1972
teknologi landsat telah banyak dimanfaatkan dengan baik, dan sukses dalam kegiatan
pemantauan sumber daya alam. Selain itu juga kemampuan yang sangat penting adalah
mampu dalam menyediakan input data dan informasi untuk pengelolaan sumber daya
alam di bumi (Skidmore, et all 2003). Setelah Landsat 6 yang telah dibuat ternyata
gagal melakukan orbit, bentuk baru segera diterbitkan yaitu landsat-7. Band
Pankromatik merupakan band tambahan yang diperluas pada landsat-7. Melakukan
perekaman dan pengamatan suatu citra yang berkualitas dan tepat waktu sehingga
tampak visible dengan infra merah dengan objek daratan serta kawasan yang ada dibumi
serta berkelanjutan dalam pembaharuan database merupakan misi dari landsat-7
(Hamzah, 2004). Salah satu Land Satelite-7 yang berada diluar bumi seperti ditujukan
pada Gambar 2.1 dibawah ini:
Selain Landsat sebagai salah satu alat untuk melakukan pengamatan dan
perekaman jarak jauh, terdapat juga alat yang lain yang melakukan hal yang sama akan
tetapi memiliki karakteristik yang berbeda-beda. IKONOS yang diluncurkan pada tahun
1999 yang menyediakan citra yang memilki tingkat akurasi yang tinggi yang
diprioritaskan untuk data satelit komersial dengan resolusi yang tinggi. Produk yang
dihasilkan oleh IKONOS yaitu citra 1 meter hitam dan pankromatik (putih) dan citra 4
meter dengan citra multispectral (green, blue, red dan near-infrared), dengan berbagai
cara dapat dikombinasikan dalam mengakomodasi berbagai aplikasi yang mempunyai
resolusi tinggi (space imaging, 2004). Data IKONOS banyak digunakan dalam
memetakan topografi mulai dari skala yang kecil hingga skala menengah, berfungsi juga
untuk menghasilkan peta yang baru dan juga mengupdate topografi peta yang telah ada
sebelumnya. Selain itu juga pada tahun 2000 juga oleh Digital Globe meluncurkan
satelit Quickbird akan tetapi mengalami kegagalan pada saat itu. Tahun 2002 kembali
dirilis Quickbird yang kedua dan berhasil diluncurkan dengan karakter yang berbeda.
Tingginya resolusi spasial dari yang sebelumnya dengan 2,4 meter (multispectral) dan
60 centimeter (pankromatik) menyebabkan citra yang dihasilkan Quickbird lebih tinggi
spasialnya dibandingkan dengan citra satelit lainnya. Karakteristik yang unik dimiliki
oleh Quickbird oleh karena adanya integrase dukungan dalam pengenalan objek
pemukiman, perluasan daerah yang terbangun serta perkembangannya. Pan-shared
image yang dihasilkan dari perpaduan resolusi 60 cm dengan band multispektralnya,
mampu menunjukkan variasi objek sampai pada batas suatu jalan, para pedagang di
kaki lima, pengendara sepeda motor bahkan majalah atau koran yang berserakan dijalan
(Danoedoro 2003).
2.2. Citra
yang berarti (Mulyanto 2009). Salah satu bentuk dari sebuah data adalah Citra (image)
(Yakub 2014). Keluaran dari suatu perekaman data dapat mempunyai sifat analog yang
berupa video atau bersifat digital yang dapat tersimpan pada suatu media (Mulyanto
2009).
Citra secara umum terbagi dua bagian, yaitu analog dan digital. Citra yang dapat
bersifat berkelanjutan merupakan citra analog misalnya gambar pada televisi dan lain-
lain sedangkan Citra digital adalah gambaran suatu citra yang diaplikasikan dalam dua
dimensi sehingga terdapat suatu nilai digital yang disebut piksel atau elemen gambar.
Kecerahan dari suatu warna yang ada pada suatu titik yang diwakili oleh sejumlah nilai
dengan satuan terkecil adalah piksel.
5. Pola
Susunan bagian dari suatu ruang atau pola merupakan ditandai dengan ciri objek
bentukan manusia ataupun yang alamiah.
6. Situs
Situs merupakan letak sebuah objek terhadap objek lainnya yang ada disekitarnya.
7. Asosiasi
Asosiasi merupakan adanya hubungan keterkaitan diantara dua buah objek dan juga
objek disekitarnya.
8. Bayangan
Mempunyai sifat menyembunyikan bagian unik atau suatu objek yang berada di
daerah yang tidak terang (gelap) merupakan bayangan. Namun oleh karena adanya
bayangan, merupakan ciri unik yang penting dalam proses mengenali objek lebih jelas.
Menggunakan kombinasi yang ada pada bagian interpretasi citra atau sering disebut
dengan konvergensi, berfungsi untuk memilah dan mengumpulkan serta menyimpulkan
suatu objek pada citra. Semakin banyak menggunakan kombinasi bagian interpretasi
citra maka semakin meminimalkan ruang lingkup kesuatu arah titik simpul tertentu.
Sehingga konvergensi juga dapat dikatakan sebagai fakta-fakta yang mengarah pada
suatu simpul tertentu (Sutanto 1999).
Mendapatkan informasi dari suatu citra data Landsat dapat dilakukan dengan
mendapatkan kombinasi dari band yang dihasilkan. citra yang terdiri dari 7 band
dikombinasikan secara acak. Untuk menilai kombinasi band yang paling terbaik dan
tepat dapat dilakukan dengan menggunakan metode Optimum Index Factor (OIF),
dengan melaksanakan evaluasi enam band (1, 2, 3, 4, 5, 6 dan 7) dari Landsat TM+
untuk menentukan kombinasi yang paling optimal dari tiga-band sebagai konten
informasi (Qaid and Basavarajappa 2008). Metode OIF akan temukan kombinasi tiga
band berbeda dengan memaksimalkan data minimum di antara band tersebut. OIF
menunjukkan kombinasi band yang terbaik boleh berbeda tergantung pada perekaman
waktu dan area gambar yang terpilih (Sirait and Arymurthy 2010).
Oleh karena itu proses penelitian akan menggunakan 20 kombinasi dari tiga
band yang berbeda. Nilai OIF diperoleh dengan mengevaluasi setiap kombinasi tiga
band, menggunakan Persamaan (2.1) di bawah ini.
S h
OIF 3
h 1
(2.1)
abs( f , g )
h 1
Keterangan:
Sh : Standar deviasi dari band h
(f, g) : Koefisien korelasi antara band f dan band g dimana f ≠ g
dan koefisien korelasi (f, g) = (g, f).
Nilai terbesar dari OIF merupakan kombinasi yang paling optimal dari tiga band.
Nilai indeks akan semakin besar jika evaluasi standar deviasi lebih besar (dihitung
dengan varians) dengan jumlah yang lebih kecil dari duplikasi antara band (dihitung
dengan korelasi).
Jika kita menganggap bahwa terlalu banyak jumlah band yang akan dievaluasi
(L=6), maka algoritma OIF dapat diatur dalam tiga tahap:
1. Menghitung standar deviasi untuk setiap band;
2. Menghitung korelasi antara dua band yang berbeda (yang membentuk matriks
segitiga atas atau bawah);
3. Menghitung OIF untuk 20 kombinasi dari tiga band yang berbeda menggunakan
standar deviasi dan koefisien korelasi tabel yang telah dihitung sebelumnya.
Dengan mempertimbangkan tiga tahap di atas, algoritma OIF dapat dirumuskan
sebagai berikut:
X hi
h i 1
(2.2)
n
dan 1 ≤ h ≤ L
Keterangan:
h : Rata-rata setiap band
(X )
2
hi
Var h (2.3)
h n 1
dan 1 ≤ h ≤ L
Keterangan:
Var : Varians dari masing-masing band
h
c. Standar deviasi untuk setiap band (Sh) dengan Persamaan (2.4) di bawah ini:
S h Var 12 (2.4)
h
dan 1 ≤ h ≤ L
Keterangan:
Sh : Standar deviasi setiap band
2. Menghitung koefisien korelasi untuk setiap band (f, g), dimana f ≠ g dan (f, g) =
(g, f),
dengan langkah-langkah berikut:
a. Menghitung kovarians antara dua band yang berbeda (Qfg) dari L-band, sesuai
dengan Persamaan (2.5) sebagai berikut:
1 n
Q fg ( X fi f )( X gi g ) (2.5)
(n 1) i 1
sehingga matriks kovarians menjadi L oleh L matriks sesuai dengan
Persamaan (2.6) sebagai berikut:
Q11 Q12 .. Q1L
Q Q 22 .. Q2 L
Q 21 (2.6)
.. .. .. ..
Q .. QLL
L1 QL 2
Keterangan:
Qfg : Kovarian antara band f and g
Qff : Matrik diagonal utama Q yang nilainya memadai adalah sama
dengan varian band f (Varf), karena f = 1,2, ..., L
Sehingga kovarian Qfg = Qgf, kemudian kovarian matriks Q adalah
simetris.
b. Menghitung koefisien korelasi matrik antara band f and g (Rfg) sesuai dengan
Persamaan (2.7) :
Rfg = Corr (f,g)
Cov ( f , g )
S f .S g
(2.7)
Q fg
S f .S g
Sehingga koefisien korelasi matrik dapat diperoleh sesuai dengan Persamaan
(2.8) sebagai berikut :
Keterangan:
Rfg : koefisien pada korelasi antara band f dan g dan Rfg = Rgf.
Kemudian, koefisien korelasi dihasilkan dalam sebuah table pada tinggi atau
rendahnya segitiga matriks.
3. OIF menghitung Persamaan yang sesuai dengan tahapan pertama diatas, dengan
mengevaluasi tabel deviasi dan koefisien korelasi standar, untuk setiap
kombinasi dari tiga band yang dievaluasi, dan kemudian yang diurutkan
berdasarkan modus turun.
2.5. Noise
Meskipun hasil citra data landsat dapat memberikan informasi yang baik namun
dapat juga tidak juga terhindarkan dari menurunnya mutu sebuah informasi, derau
(noise) tampak terlalau sangat kontras, terlalu tajam, kurang jelas dan sebagainya
merupakan hal-hal yang dapat memberikan kesulitan menyampaikan informasi dari
citra tersebut. Permasalahan yang sering muncul dalam pengolahan citra satelit adalah
adanya gangguan (noise). Berdasarkan bentuk dan karakteristiknya, noise pada citra
dibedakan menjadi beberapa macam yaitu (1). salt and papper noise yaitu adanya
kenampakan pada citra berupa citik-tik piksel hitam atu putih yang tersebar pada citra.
(2). Gaussian noise merupakan bentuk ideal dari noise putih karena mempunyai
distribusi normal. (3). Speckle noise atau sering juga disebut noise multiplikatif yang
sering dijumpai pada aplikasi radar. (4). Periodic noise yang sifatnya periodik (bukan
acak) tampak terdapat garis-garis pada citra. Tutupan awan tipis dapat mempengaruhi
nilai digital dari piksel dibawah dan disekitar awan, sedangkan tutupan awan yang tebal
dapat menghilangkan seluruh informasi objek permukaan bumi yang terletak dibawah
awan (Trisakti, dkk., 2011).
Metode untuk menghilangkan awan dan bayangan awan (cloud removal) telah
banyak dikembangkan. Pada umumnya, tahap awal metode cloud removal yang
digunakan adalah melakukan deteksi awan dan bayangan awan. Tingkat kesulitan untuk
menentukan awan dan bayangan sangat tinggi, yang menunjukkan bahwa awan dan
bayangan yang terdeteksi menghasilkan kesalahan 30-40% dari reflektansi yang diamati
untuk piksel yang terkena dampak (Simpson and Stitt 1998).
2.7. Awan
Salah satu hal yang paling menarik ketika sedang berada di angkasa adalah
adanya sebaran awan yang selalu berubah baik dari segi bentuk, ukuran dari awan
tersebut. Awan terjadi dari proses alami yang memperngaruhi sebagian besar terhadap
keseimbangan energi, iklim, dan cuaca Bumi. Awan merupakan hasil dari penguapan air
yang berasal dari laut, sungai ataupun danau ke langit sehingga terjadi suatu kumpulan
uap air. Suatu saat tertentu awan ini dapat menyebabkan terjadinya hujan. Namun awan
bila berada di tempat yang sangat tinggi akan menjadi beku dan jatuh ke Bumi kembali
dalam bentuk salju. Pada tahun 1803 oleh Luke Howard seorang ahli meterologi
inggris, mengelompokkan awan dalam 3 bagian yaitu Stratus, Cumulus dan Cirrus.
Pengelompokkan ini dapat dilihat pada Gambar 2.2.
Dalam melakukan proses pengolahan citra terutama pada citra yang tertutup oleh
awan tentu akan menggangu keakuratan informasi yang dapat diperoleh. Para ahli telah
banyak melakukan penelitian tentang bagaimana metode yang tepat untuk mengurangi
atau menghilangkan awan yang menutupi citra. Berbagai penemuan tersebut yaitu
dengan metode Cloud removal. Dalam proses cloud removal digunakan metode K-
means clustering sehingga diharapkan terjadinya adanya pengklasteran atau
pengklasifikasian citra data landsat berdasarkan pada warna perbedaan warna.
Objek data yang dibagi baik dalam bentuk, contoh, entitas, ketaatan, atau unit
dalam beberapa jumlah group, bagian, kategori atau kelompok merupakan Clustering
(Xu and Wunsch II 2009). Kemiripan dari suatu objek sebagai bahan penelitian yang
akan dilakukan pengelompokkan data serta observasi merupakan acuan dari Clustering.
Suatu cluster merupakan grup data yang telah dikelompokkan atas dasar kemiripan atau
ketidak miripan dengan kelompok lainnya (Larose 2008).
Partitional clustering dan Hierarchical clustering merupakan kelompok besar
dalam Clustering. Beberapa objek yang dikelompokkan dalam kelompok yang tidak
saling terkait atau berbenturan sehingga data tetap berada di dalam satu cluster disebut
dengan Partitional Clustering sedangkan Hierarchical clustering merupakan
pengelompokkan cluster yang membentuk suatu kumpulan seperti pohon hirarkhi atau
berjenjang (Tan, at all 2006).
Beberapa kelompok besar Algoritma clustering (Day and Edelsbrunner 1984)
seperti berikut:
1. Partitioning algorithms: pembentukan bermacam-macam partisi terlebih dahulu
serta kemudian mengevaluasinya dengan dasar beberapa kriteria.
2. Hierarchy algorithms: dari kumpulan data yang terdiri dari beberapa kriteria
dibentuk dekomposisi jenjang atau hirarki.
3. Grid-based: membentuk suatu cluster yang didasarkan pada multiple-level
granularity structure.
4. Model-based: sebuah model yang terbaik yang dipilih dari beberapa percobaan
pada masing-masing cluster.
5. Density-based: berdasarkan keterkaitan dan densitas yang terjadi merupakan dasar
pembentukan suatu cluster.
3. Menghitung jarak antara setiap pixel g dalam gambar dengan pusat-pusat cluster
Ci
4. Klasifikasikan warna g ke cluster Ci terdekat (jarak minimum)
5. Dari hasil proses 3 langkah, satu set pusat klaster baru diproduksi, yang
ditentukan sesuai dengan Persamaan berikut:
1
Cin
Ni
g
g Ci
(2.9)
dimana:
N = jumlah piksel dalam gugus Ci. jika C i( n 1) C i( n ) (ε adalah toleransi kecil),
yang mana dalam penelitian ini ε = 10-4 * K), maka prosedur diakhiri, jika tidak dan
kembali ke langkah ke 3 untuk iterasi berikutnya.
(2.7)
dimana :
OC : Overall Accuracy
Pada penelitian ini, digunakan citra data landsat untuk wilayah Indonesia. Sebagai
studi kasus yaitu daerah salah satu wilayah kota yang berada di Pulau Nias disesuaikan
dengan waktu pengamatan dan perekaman citra oleh Landsat. Jarak dan luas wilayah
penelitian ini hingga seluas 500 ha. Untuk keperluan pengolahan data digunakan
Personal Computer (PC) yang mempunyai spesifikasi terbaik dan mampu beroperasi
pada Microsoft Windows dan perangkat lunak yang relevan.
Contoh sampel citra dapat dilihat pada Gambar 3.1
Mengidentifikasi Masalah
Mengumpulkan Data
Rancangan Penelitian
Mulai
Data Citra
Landsat
Menghitung
Koefisien korelasi standar
Optimum Index Factor
Citra multitemporal
(Cloud Removal)
K-Means Clustering
Cloud Removal
Hasil
Data Citra
Akhiri
Sebelum ketahapan pelaksanaan metode OIF, data citra yang didapatkan dari
sumber data yaitu Landsat terlebih dahulu dilakukan pra-pengolahan citra. Pada tahapan
ini pra pengolahan citra yang dilakukan adalah mengidentifikasi data citra masing-
masing band. Tahapan-tahapan pra-pengolahan citra ini dapat dilihat pada Gambar 3.4
Klasifikasi Citra
Data Citra Berdasarkan panjang Lapisan
gelombang band
Lapisan band yang dimaksud disini adalah citra yang dihasilkan dari klasifikasi yang
dilakukan pada sebuah citra seperti terlihat pada Tabel 3.1:
Tabel 3.1. Band-band pada Landsat-TM (Lillesand dan Kiefer, 1997)
Panjang
Band Gelombang Spektral Fungsi
(µm)
Memetakan pantai, air, tanah, hutan, tumbuhan
1 0.45 – 0.52 Biru serta identifikasi terhadap budidaya manusia.
Mengukur nilai pantulan dari warna hijau semua
2 0.52 – 0.60 Hijau pucuk tumbuhan dan memberi tafsiran aktifitas
serta identifikasi penampakan budidaya manusia.
Selain dimanfaatkan untuk mengamati budidaya
manusia, membantu dalam mengelompokkan dan
3 0.63 – 0.69 Merah
pemisahan spesies tanaman yang didasarkan pada
suatu daerah yang terserap klorofil.
Infra Memetakan berbagai jenis tumbuhan, gerakan dan
4 0.76 – 0.90 merah kandungan biomas serta mengidentifikasi
dekat kelembaban tanah.
Infra Mengklasifikasi dan menunjukkan perbedaan awan
5 1.55 - 1.75 merah dan salju serta menunjukkan kandungan
sedang kelembaban tumbuhan ataupun tanah.
Infra Memberikan analisis pada posisi tumbuhan,
6 10.4 - 12.5 Merah memetakan panas dan juga memisahkan
Termal kelembaban tanah.
Infra Mengidentifikasi jenis batuan dan juga mineral
7 2.08 – 2.35 merah serta juga sensitif pada nilai kelembaban
sedang tumbuhan.
Mulai
Band Citra
N
Hitung Standar
Deviasi
N
Hitung Koefisien
korelasi standar
citra A
N
Hitung kombinasi
band terbaik
Hasil Komposit
band
Akhiri
Setelah kombinasi terbaik citra data landsat didapatkan maka selanjutnya akan
dilaksanakan metode untuk menghasilkan citra data landsat yang bebas dari tutupan
awan. Metode yang digunakan adalah metode Metode cloud removal. Proses
pelaksanaan metode ini dilakukan beberapa hal yaitu menggunakan K-Means Clustering
dalam proses klaster awan dan bukan awan. Alur kerja implementasi metode cloud
removal dapat dilihat pada Gambar 3.6.
Mulai
RGB ke Grayscale
K-Means Clustering
Citra hasil
klaster
Y
C = Citra bebas
Awan
Y
Gabung Citra Bebas Awan
Akhiri
Mulai
Y
N
Mencari jarak terdekat
Akhiri
Untuk melaksanakan penelitian pada laporan tesis ini, terlebih dahulu citra yang
digunakan merupakan produk landsat yang telah diverifikasi oleh sumber yang valid.
Data citra yang digunakan adalah data landsat yang diambil pada tahun 2013. Data citra
landsat yang ukurannya adalah 445x512 pixel. Citra data landsat yang diperoleh dapat
dilihat pada Gambar 4.1.
Band 7
Gambar 4.1 Citra Data Landsat band 1-7
Sesuai dengan Tabel 3.1 bahwa citra data landsat terdiri dari beberapa band
dengan panjang gelombang yang berbeda-beda. Dari beberapa band tersebut range
panjang gelombang tidak jauh berbeda terkecuali dengan band 6. Band 6 mempunyai
jarak panjang gelombang jauh berbeda dengan band lainnya. Oleh karena itu band 6
tidak digunakan sebagai data dalam penelitian ini yang dapat dilihat pada Gambar 4.2.
Untuk memperoleh kombinasi terbaik dari band-band citra data landsat sesuai
dengan metode (OIF) dengan mengevaluasi hasil dari standar deviasi dari setiap band
dengan koefisien korelasi antar band sesuai dengan Persamaan 2.1, band yang akan
dievaluasi ada sebanyak 6 band, masing-masing band dilakukan pemetaan untuk
menghitung standar deviasi untuk setiap band. Kemudian menentukan korelasi antara
dua band yang berbeda sehingga terbentuk matrik segitiga atas atau bawah.
Untuk mendapatkan hasil standar deviasi masing-masing band terlebih dahulu
dihitung rata-rata masing-masing band dengan menghitung tingkat keabuan dari setiap
band dibagikan dengan jumlah pixel masing-masing band. Setelah diketahui rata-rata
masing-masing band, dilanjutkan dengan menghitung varian masing-masing band
dengan jumlah dari tingkat keabuan band dikurangi dengan rata-rata dibagi dengan
jumlah band dikurangi satu band. Standar deviasi didapatkan dari hasil akar kuadrat dari
jumlah varian masing-masing band.
Hasil dari perhitungan rata-rata, varian dan standar deviasi masing-masing band dapat
dilihat pada Tabel 4.1.
Tabel 4.1 Rata-rata, Varian dan Standar Deviasi masing-masing band
Keteranga
Band 1 Band 2 Band 3 Band 4 Band 5 Band 7
n
Xhi 14,424,656 10,187,480 8,830,985 5,604,163 5,766,946 4,194,589
N 227,840 227,840 227,840 227,840 227,840 227,840
Rata-rata 63,310 44,713 38,760 24,597 25,311 18,410
Var 2961,830 2214,181 2207,544 1380,241 1567,796 803,112
Std Dev 54,423 47,055 46,985 37,152 39,595 28,339
Citra data landsat dikenal dengan multispektral untuk menghasilkan citra daerah
yang sama dari kombinasi beberapa band. Perbedaan informasi spektral dengan objek
yang sama dari band yang berbeda akan memperkuat kemampuan sistem dalam
membedakan objek satu dengan lainnya. Kombinasi dari band yang menggunakan
metode OIF menyajikan paling banyak informasi spektral yang diukur dengan adanya
variansi dan dengan paling sedikit duplikasi yang diukur dengan koefisien korelasi
(Danoedoro 2003).
Tingkat keterikatan antara 2 peubah atau lebih menunjukkan gambaran koefisien
korelasi. Kondisi adanya hubungan sebab akibat yang terjadi pada 2 peubah atau lebih
tidak menunjukkan besaran nilai dari koefisien korelasi tetapi hanya menunjukkan
adanya hubungan linier antara peubah (Mattjik and Sumertajaya 2006).
Menghitung koefisien korelasi untuk setiap band langkah yang dilakukan adalah
menghitung kovarian antara band yang terbentuk dalam sebuah matrik. Citra data
landsat terdiri dari band 1-5 dan 7 sehingga matrik akan terdiri dari 6 kolom dan 6 baris.
Matrik diagonal utama Q yang nilainya memadai adalah sama dengan varian band oleh
karena f=1,2,….L sehingga kovarian Qfg = Qgf, kemudian kovarian matriks Q adalah
simetris, sesuai dengan Tabel 4.2.
Hasil kovarian matriks yang dihasilkan sesuai dengan varian data dapat dilihat dari
Tabel 4.3.
Dari Tabel 4.3 diatas dari band 1-5 dan 7 terdiri dari matrik dengan baris 6 dan kolom 6
dan diagonal karena kovarian band 1 dan band 2 sama dengan band 2 dan band 1.
Setelah kovarian setiap band dihasilkan selanjutnya dihitung koefisien korelasi matrik
sesuai dengan Persamaan 2.8. Struktur matrik kovarian sama dengan matrik koefisien
korelasi yang terdiri dari 6 baris dan 6 kolom membentuk garis diagonal setiap band
sehingga memiliki korelasi yang sempurna karena berkorelasi dengan band yang sama
yaitu 1 dimana korelasi band 1 dan band 2 sama dengan band 2 dan band 1. Matriks
koefisien korelasi dinyatakan dalam Tabel 4.3.
Berdasarkan tabel matriks koefisien korelasi diatas, hasil dari koefisien korelasi sesuai
dengan data yang diuji dilihat pada Tabel 4.5.
OIF mengevaluasi standar deviasi berdasarkan nilai varian dan jumlah yang lebih
kecil dari duplikasi antara band yang berdasarkan koefisien korelasi standar untuk setiap
kombinasi band serta diurutkan berdasarkan modus turun. Evaluasi jumlah standar
deviasi 3 band dengan 20 kombinasi disesuaikan dengan data Tabel 4.1. dimana standar
deviasi masing-masing band yaitu band1 (54,423), band2 (47,055), band3 (46,985),
band4 (37,152), band5 (39,595) dan band7 (28,339).
457 105.086
357 114.919
σ Standar deviasi
347 112.475
345 123.732
257 114.990
247 112.546
Kombinasi band
245 123.802
237 122.379
235 133.635
234 131.191
157 122.357
147 119.914
145 131.170
137 129.746
135 141.003
134 138.559
127 129.817
125 141.073
124 138.629
123 148.462
Gambar 4.2 hasil dari evaluasi dengan menjumlahkan masing-masing band sesuai
kombinasi masing-masing band. Dari Gambar 4.2 Menunjukkan bahwa standar deviasi
masing-masing kombinasi band berbeda-beda. Kombinasi band 4,5 dan 7 dengan
jumlah 105.086 merupakan hasil terkecil untuk standar deviasi dan kombinasi band 1, 2
dan 3 dengan jumlah 148.462 merupakan hasil terbesar untuk standar deviasi. Evaluasi
untuk koefisien korelasi 3 band dengan 20 kombinasi yang diuji pada data Tabel 4.4,
dengan menjumlahkan koefisien korelasi masing-masing band dimana band1 (1,000),
band2 (0,011), band3 (0,011), band4 (0,009), band5 (0,009) dan band7 (0,007).
Hasil koefisien korelasi dari kombinasi band dapat ditujukan pada Gambar 4.3.
237 0.021
235 0.026
234 0.025
157 0.021
147 0.020
145 0.025
137 0.024
135 0.028
134 0.028
127 0.024
125 0.029
124 0.028
123 0.032
0.000 0.005 0.010 0.015 0.020 0.025 0.030 0.035
Dari Gambar 4.3 menunjukkan bahwa kombinasi band yang paling sedikit jumlah
koefisien korelasi terdapat pada kombinasi 4, 5 dan 7 dengan jumlah 0.016 sedangkan
paling banyak jumlah koefisien korelasi terdapat pada kombinasi 1, 2 dan 3.
Setelah mendapatkan hasil dari kombinasi band dengan standar deviasi dan koefisien
kombinasi band selanjutnya akan di uji dalam mengimplementasikan kedalam OIF.
Standar deviasi dibagikan dengan koefisien korelasi sesuai dengan kombinasi band.
Dari 20 kombinasi band terdapat nilai sesuai dengan Gambar 4.4 dibawah ini.
457 6566.882
357 6069.354
347 6205.055
345 5552.714
257 6066.339
247 6202.007
Kombinasi band
245 5549.960
237 5718.501 𝑆ℎ
OIF=
235 5130.643 𝑟
234 5239.731
157 5784.623
147 5917.429
145 5291.532
137 5443.241
135 5117.410
134 4991.585
127 5440.351
125 4885.601
124 4989.030
123 4615.454
0.000 1000.000 2000.000 3000.000 4000.000 5000.000 6000.000 7000.000
Angka dalam Pixel
Gambar 4.4 Grafik hasil nilai kombinasi band dengan metode OIF
Dari Gambar 4.4 menunjukkan bahwa hasil jumlah terbesar dari hasil kombinasi adalah
kombinasi band 4, 5 dan 7 dengan 6566.882 sedangkan yang terkecil kombinasi band 1,
2 dan 3 dengan 4615.454. Dari hasil uji metode OIF ini menunjukkan bahwa nilai
semakin rendah nilai korelasi antar band dengan menghasilkan OIF yang yang semakin
baik tinggi maka semakin baik kualitas citra kombinasi yang dihasilkan. Sehingga pada
hasil penelitian ini kombinasi OIF diurutkan mulai dari hasil yang terbesar hingga hasil
yang terkecil dengan modus turun sehingga menghasilkan kombinasi band 4, 5 dan 7
dapat dilihat pada Gambar 4.5.
Ilmu dan seni untuk mengidentifikasi dan memperoleh informasi berbagai objek,
fenomena atau area melalui proses menggunakan media atau alat yang tidak langsung
berhubungan atau kontak adalah merupakan penginderaan jauh (Lillesand et al. 2004).
Pengenalan objek atau interpretasi data penginderaan jauh pada dasarnya untuk
mengetahui karakteristik spektral objek. Akan tetapi ada juga beberapa jenis benda yang
berbeda sulit untuk pengenalannya oleh karena mempunyai karakteristik dengan
spektral sama sehingga dilakukan pengenalan objek dengan menggunakan karakteristik
yang lain dengan melihat karakteristik spasialnya (keruangan). Karakteristik spasial
dalam interpretasi citra digital dikenal dengan pengenalan pola dalam klasifikasi dengan
pendekatan tekstur (Purwadhi 2001). Didasarkan pada segmen-segmen suatu objek hasil
dari segmentasi yang menjadi kelompok-kelompok tutupan lahan merupakan teknik
klasifikasi yang berorientasi pada objek (Li et al. 2014). Nama lainnya yaitu Object
based Image Analysis (OBIA) yang lebih spesifik. Penentuan suatu objek yang akan
dijadikan suatu kelas oleh karena setiap objek merupakan suatu unit individu (mori,
dkk, 2014). Suatu perbandingan sebuah objek yang satu dengan lainnya memungkinkan
untuk melakukan penggabungan kelompok objek yang sama dalam suatu kelas sehingga
menjadi acuan dasar. Melalui identifikasi yang didasarkan pada warna atau symbol akan
dilakukan klasifikasi citra namun sebelum hal tersebut dilakukan terlebih dahulu
terbentuk region pada citra. Salah satu metode yang dapat diimplentasikan dalam cloud
removal adalah K-Means clustering. Clustering mempunyai fungsi untuk membagi
berbagai data kedalam kelompok-ke
mempersiapkan citra dalam tingkat warna yang terklasifikasi dalam RGB sehingga
memudahkan dalam penetapan jumlah klaster. Setelah dikonversi kedalam RGB
selanjutnya citra akan dikonversi kembali kedalam tingkat warna Lab sehingga
menghasilkan kekerapatan warna yang lebih banyak. Menentukan banyaknya klaster K
dari citra merupakan hal yang perlu dilaksanakan pertama sekali sehingga menjadi
acuan pada warna yang akan dibagi dalam hal ini digunakan 3 Klaster berdasarkan
warna RGB. Pusat klaster yang menjadi nilai awal ditetapkan secara random (acak) data
K sehingga menjadi acuan dalam proses penetapan jarak masing-masing yang dihitung
dengan menggunakan euclidian distance. Untuk meningkatan nilai variasi dalam tiap-
tiap klaster Algoritma K-means berjalan dengan iterasi sehingga memudahkan dalam
penempatan pada kelompok terdekat yang dihitung dari titik tengah klaster. Bila semua
sudah ditempatkan dalam klaster yang terdekat maka terjadi pengulangan kembali
hingga semua klaster yang terbentuk tidak berubah lagi. Dari rangkaian algoritma K-
means clustering yang diuji citra data landsat pada penelitian ini dihasilkan citra yang
telah terklasterisasi. Citra landsat hasil dari kombinasi OIF yang sesuai dengan Gambar
4.7 dikonversi dalam warna Lab.
Jumlah klaster yang ditentukan pada penelitian ini adalah 10 klaster yang menggunakan
warna RGB sebagai index acuan untuk melakukan pengklasteran yang ditunjukkan pada
Gambar 4.8.
Setelah jumlah klaster ditentukan sesuai dengan klaster index berdasarkan warna
selanjutnya akan ditentukan pusat klaster yang ditentukan secara random (acak). Hasil
dari penghitungan pusat klaster bergantung pada jumlah iterasi untuk mendapatkan
varian sehingga perhitungan akan menjadi berubah. Jumlah iterasi adalah sebanyak 20
iterasi sehingga menampilkan hasil sesuai dengan Tabel 4.6 dan Gambar 4.9 dibawah
ini.
5 121.5837 127.1555
6 96.9980 147.5756
7 85.3108 158.5493
8 105.4959 135.2791
9 98.1466 117.8723
10 91.1912 152.8437
Tabel 4.6 menunjukkan bahwa citra data landsat menunjukkan perhitungan titik
pusat klaster berdasarkan jumlah pixel yang ada dalam kolom dan baris yang dievaluasi.
Hubungan antara sumbu x dan sumbu y merupakan titik pusat klaster. Tabel 4.6
diimplementasikan dalam sebuah Gambar 4.9.
Titik pusat klaster menunjukkan jarak antara titik pusat klaster dalam
melaksanakan proses pengklasteran. Setelah semua iterasi telah dilaksanakan dan
diproses sehingga jarak yang terdekat dengan titik pusat klaster akan terklasterisasi
hingga mencapai jumlah klaster yang telah ditentukan dan titik pusat klaster tidak lagi
berubah. Hasil klasterisasi tersebut dapat dilihat Gambar 4.10 pada Gambar dibawah
ini.
1 2
3 4
5 6
7 8
9 10
a b
K7 89,090,341 22,289,881
K8 91,534,733 19,845,489
K9 89,784,519 21,595,703
K10 91,503,796 19,876,426
Jumlah total citra asli 111,380,222
Rata-rata Total Klaster 90,546,641 20,833,581
Porsentasi rata-rata 81.3% 18.7%
Jumlah total rata-rata
Klaster 111,380,222
Dari Tabel 4.7 menunjukkan bahwa proses klaster telah berlangsung dengan
menghasilkan 81.3% dari keseluruhan klaster dapat terklaster sedangkan 18.7%
menunjukkan masih ada data yang belum terklasterisasi.
5.1. Kesimpulan
Berdasarkan hasil penelitian ini dapat disimpulkan:
1. Hasil kombinasi band citra data landsat menggunakan metode Optimum Index
Factor (OIF) dengan membandingkan hasil standar deviasi dan koefisien korelasi
menghasilkan peringkat pertama sesuai urutan perengkingan dengan nilai 6566.882
yaitu kombinasi band 4,5,7.
2. Hasil dari kombinasi OIF diatas kemudian diolah kembali karena adanya noise
(tutupan awan), ternyata dapat dihasilkan citra data landsat yang bebas dari awan
(removal cloud) dengan metode K-Means Clustering yang ditunjukkan dengan hasil
perhitungan rata-rata tiap klaster terhadap citra asli, terdapat tingkat akurasi
menggunakan metode overall accuracy sebesar 81% sebagai data citra landsat
yang terproses dan citra data landsat dapat dilihat secara visualisasi citra data
landsat terbebas dari awan.
5.2 Saran
Penulis menyadari dalam melaksanakan penelitian ini masih banyak kekurangan dan
kelemahan sehingga kedepannya masih dibutuhkan penelitian lanjutan sehingga
pengolahan citra data landsat dapat memberikan data yang valid dan menuju
kesempurnaan.
DAFTAR PUSTAKA
Ap, Jasna and Ramzan Basheer. 2016. “A Multitemporal Approach for Cloud Removal
from Satellite Images.” 2(5):224–32.
Chavez, P. S., Graydon L. Berlin, and Lynda B. Sowers. 1982. “Statistical Method for
Selecting Landsat MSS Ratios.” Journal of Applied Photographic Engineering
8(1):23–30.
Garcia-Molina, H. 2013. “Using Crowdsourcing for Data Analytics.” Big Data, 2013
IEEE International Conference on (2007):4.
Li, Miao, Shuying Zang, Bing Zhang, Shanshan Li, and Changshan Wu. 2014. “A
Review of Remote Sensing Image Classification Techniques: The Role of Spatio-
Lillesand, Thomas Martin, Ralph W. Kiefer, and Jonathan W. Chipman. 2004. Remote
Sensing and Image Interpretation. Retrieved
(http://www.osti.gov/energycitations/product.biblio.jsp?osti_id=6028047).
Mulyanto, Agus. 2009. “Sistem Informasi Konsep Dan Aplikasi.” Yogyakarta: Pustaka
Pelajar (1):1–5.
Purwadhi, F.Sri Hardiyanti. 2001. Interpretasi Citra Digital. Jakarta: Gramedia Pustaka
Utama.
Richards, John a and Xiuping Jia. 2006. Remote Sensing Digital Image Analysis: An
Introduction. Retrieved (http://books.google.com/books?id=4PB5vhPBdJ4C).
Simpson, James J. and James R. Stitt. 1998. “A Procedure for the Detection and
Removal of Cloud Shadow from AVHRR Data over Land.” IEEE Transactions on
Geoscience and Remote Sensing 36(3):880–97.
Sirait, Kamson, Tulus, and Erna Budhiarti Nababan. 2017. “K-Means Algorithm
Performance Analysis With Determining The Value Of Starting Centroid With
Random And KD-Tree Method.” Journal of Physics: Conference Series
930(1):12016. Retrieved July 6, 2018 (http://stacks.iop.org/1742-
6596/930/i=1/a=012016?key=crossref.8bafb33dff3caaa04a16efadf7f516d0).
Sutanto. 1999. Penginderaan Jauh Jilid 2 (3ed). 3rd ed. Yogyakarta: Gadjah Mada
University Press.
Tan, Pang-Ning, Michael Steinbach, and Vipin Kumar. 2006. “Cluster Analysis: Basic
Concepts and Algorithms.” Pp. 487–568 in Introduction to Data Mining. Retrieved
(http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Cluster+analysi
s:+basic+concepts+and+algorithms#0).
Wang, B., A. Ono, K. Muramatsu, and N. Fujiwara. 1999. “Automated Detection and
Removal of Clouds and Their Shadows from Landsat TM Images.” Ieice
Transactions on Information and Systems E82D(2):453–60.