Analisis Pengolahan Citra Data Landsat Dengan Metode Optimum Indeks Faktor Dan Removal Cloud

ANALISIS PENGOLAHAN CITRA DATA LANDSAT DENGAN
METODE OPTIMUM INDEKS FAKTOR DAN REMOVAL

CLOUD
TESIS
MEYMAN SOKHI ZILIWU

157038051
PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
Universitas Sumatera Utara

CLOUD
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister
Teknik Informatika
MEYMAN SOKHI ZILIWU

157038051

MEDAN
2018

i

CLOUD
TESIS
MEYMAN SOKHI ZILIWU

157038051

MEDAN
2018

ii

iii

iv

v
LEMBAR PANITIA PENGUJI TESIS
Telah di uji pada

Tanggal : 10 Agustus 2018
PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Tulus, Vor.Dipl.Math.M.Si
Anggota : 1. Dr. Sutarman, M.Sc
2. Dr. Zakarias Situmorang, M.IT
3. Prof. Dr. Muhammad Zarlis

vi
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

vii
UCAPAN TERIMA KASIH
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.

viii
8. Bapak Dr. Zakarias Situmorang, M.IT., selaku Pembanding/Penguji 1 yang telah

memberikan banyak saran dan nasehat kepada penulis dalam penyusunan tesis ini.
9. Bapak/Ibu Dosen Program Studi Pascasarjana (S-2) Teknik Informatika Fakultas
Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah
memberikan bekal ilmu yang sangat berharga bagi penulis selama menjadi
mahasiswa.
10. Bapak Saharman Gea, PhD., sebagai Koordinator AKNIRA 2013-2016 yang telah
memberikan rekomendasi dan dukungan baik moril maupun materil kepada
penulis.
11. Seluruh Civitas Akademika, Staf, Pegawai, teman-teman, adik-adik, kakak-kakak
di Program Studi Pascasarjana (S-2) Teknik Informatika Fakultas Ilmu Komputer
dan Teknologi Informasi dan Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sumatera Utara, yang telah membantu penulis dalam menyelesaikan
penelitian dan juga telah mewarnai hari-hari indah penulis selama menjalani masa
kuliah.
12. Sahabat-sahabat di MTI KOM B 2015 yang telah sama-sama berjuang semasa
kuliah.
13. Seluruh keluarga yang telah mendukung penulis baik moril dan materil dalam
menyelesaikan 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.

ix

x
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.

xi
ANALYSIS OF LANDSAT DATA IMAGE PROCESSING WITH THE

OPTIMUM INDEX FACTOR AND CLOUD REMOVAL
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 .
Keyword : Landsat, Image, OIF, Cloud Removal, K-Means Clustering

xii
DAFTAR ISI
HALAMAN JUDUL ............................................................................................ i

PERSETUJUAN .................................................................................................. ii
PERNYATAAN ORISINALITAS ..................................................................... iii
PERSETUJUAN PUBLIKASI ........................................................................... iv
PANITIA PENGUJI ............................................................................................ v
RIWAYAT HIDUP .............................................................................................. vi
UCAPAN TERIMA KASIH ............................................................................... vii
ABSTRAK ............................................................................................................ x
ABSTRACT .......................................................................................................... xi
DAFTAR ISI ......................................................................................................... xii
DAFTAR TABEL ................................................................................................ xiv
DAFTAR GAMBAR ............................................................................................ xv
BAB 1 : PENDAHULUAN
1.1. Latar Belakang Masalah ................................................................... 1
1.2. Perumusan Masalah ......................................................................... 3
1.3. Tujuan Penelitian ............................................................................. 3
1.4. Batasan Masalah .............................................................................. 3
BAB 2 : LANDASAN TEORI

2.1. Landsat ............................................................................................. 4
2.2. Citra .................................................................................................. 6
2.3. Interpretasi Citra .............................................................................. 7
2.4. Optimum index factor (OIF) ............................................................ 8
2.5. Noise ................................................................................................. 12
2.6. Tutupan lahan ................................................................................... 13
2.7. Awan ................................................................................................ 13
2.8. Cloud Removal ................................................................................ 16
2.9. K-Means Clustering ......................................................................... 16
2.10. Pengukuran Tingkat Akurasi ......................................................... 18
2.11. Penelitian Terkait ........................................................................... 19

xiii
BAB 3 : METODOLOGI PENELITIAN

3.1. Data dan bahan ................................................................................. 20
3.2. Alur kerja penelitian ......................................................................... 21
3.3. Rancangan penelitian ....................................................................... 22
3.4. Pra pengolahan citra ......................................................................... 23
3.5. Menghitung kombinasi band dengan metode OIF ........................... 24
3.6. Metode Cloud Removal .................................................................... 25
3.7. Metode K-Means Clustering ............................................................ 26
BAB 4 : HASIL DAN PEMBAHASAN

4.1. Pengolahan Citra .............................................................................. 27
4.2. Hasil Optimum index factor (OIF) ................................................... 28
4.3. Hasil Cloud Removal ........................................................................ 34
4.4. Pembahasan Penelitian ..................................................................... 42
BAB 5 : KESIMPULAN DAN SARAN

5.1. Kesimpulan ...................................................................................... 43
5.2. Saran ................................................................................................ 43
DAFTAR PUSTAKA ........................................................................................... 44

xiv
DAFTAR TABEL
Tabel 3.1: Band-band pada Landsat TM ................................................................ 23

Tabel 4.1: Rata-rata, Varian dan Standard Deviasi masing-masing band ............. 28
Tabel 4.2: Matriks Kovarian .................................................................................. 29
Tabel 4.3. Kovarian masing-masing band ............................................................. 30
Tabel 4.4. Matriks koefisien korelasi ..................................................................... 30
Tabel 4.5. Koefisien korelasi masing-masing band ............................................... 31
Tabel 4.6. Titik Pusat Klaster ................................................................................ 37

xv
DAFTAR GAMBAR
Gambar 2.1. Land Satellite 7 ................................................................................ 5

Gambar 2.2. Awan Stratus, Cumulus, Cirrus ......................................................... 14
Gambar 2.3. Gambaran tentang Penyebaran luas awan di atmosfer bumi ............ 15
Gambar 2.4. Ilustrasi Clustering ............................................................................ 18
Gambar 3.1. Citra Satelit SPOT-4 ......................................................................... 20
Gambar 3.2. Alur kerja penelitian secara umum ................................................... 21
Gambar 3.3. Rancangan penelitian ........................................................................ 22
Gambar 3.4. Tahapan pra-pengolahan citra ........................................................... 23
Gambar 3.5. Alur metode OIF ............................................................................... 24
Gambar 3.6. Alur removal cloud ........................................................................... 25
Gambar 3.7. Alur K-Means Clustering .................................................................. 26
Gambar 4.1. Citra Data Landsat Band 1-7 ............................................................. 27
Gambar 4.2. Grafik Standar deviasi hasil kombinasi band ..................................... 31
Gambar 4.3. Grafik Koefisien korelasi kombinasi band......................................... 32
Gambar 4.4. Grafik Hasil nilai kombinasi band dengan metode OIF .................. 33
Gambar 4.5. Citra Data Landsat hasil kombinasi OIF ........................................... 34
Gambar 4.6. Citra hasil gabungan kombinasi OIF ................................................ 35
Gambar 4.7. Citra dengan lab inframerah .............................................................. 36
Gambar 4.8. Citra dengan klaster index ................................................................. 37
Gambar 4.9. Titik Pusat Klaster ............................................................................. 38
Gambar 4.10. Hasil Klaster .................................................................................... 39
Gambar 4.11. a. Citra Asli dan b. Citra bebas awan .............................................. 41

BAB I
PENDAHULUAN
1.1. Latar Belakang
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)
Namun citra data landsat ternyata menghasilkan masih informasi standar

terklasifikasi dalam 7 band sehingga dalam proses pengolahan memerlukan waktu yang
tidak efisien, untuk itu diperlukan suatu kombinasi yang tepat sehingga terjadi efisiensi
waktu dan mendapatkan informasi yang paling optimal. Nilai statistik yang dapat
digunakan untuk memilih kombinasi optimal dari tiga band pada citra landsat. Tingkat
kombinasi band yang dihasilkan dapat dilakukan dengan metode Optimum Index Factor

2
(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

3
dan pendekatan lainnya untuk menghilangkan atau mengurangi awan pada citra data
landsat.
1.2. Rumusan Masalah
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?
1.3. Tujuan Penelitian
Penelitian ini mempunyai tujuan:

1. Mendapatkan kombinasi band yang paling baik sehingga mendapatkan informasi
yang lebih optimal dari citra data landsat.
2. Mempertegas penggunaan metode.
3. Menghilangkan atau mengurangi awan pada citra.
1.4. Batasan Masalah
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.

BAB II
LANDASAN TEORI
Persepsi visual banyak digunakan untuk melakukan proses pengolahan citra.

Dalam istilah yang umum pengolahan citra adalah suatu teknik yang sering digunakan
untuk memanipulasi dan memodifikasi citra dapat digunakan berbagai metode atau cara
(effort 2000). Penggunaan media komputer dalam proses pengolahan citra dapat
memperoleh hasil kualitas yang lebih baik (munir 2004). Citra atau image adalah suatu
objek yang diimplementasikan dengan sebenarnya dalam bidang dua dimensi yang
ditandai dalam koordinat x dan y, dimana sinyal terkecil dari objek merupakan
koordinat sehingga menjadi suatu representasi spasial. Gambaran yang terekam oleh
sensor ataupun kamera adalah merupakan Citra (simonett and joseph 1983). Suatu
sistem yang memerlukan banyak perencanaan manajemen lahan sehingga dapat
memungkinkan dalam melakukan pemodelan dan pemahaman tentang bumi merupakan
suatu bentuk pengetahuan tentang tutupan suatu lahan. (kiefer, et, all 1983).
Ilmu untuk mendapatkan, memproses, mengolah dan melakukan interpretasi citra
dengan cara diamati dan direkam, yang berasal dari suatu interaksi antara suatu objek
dengan gelombang elektromagnetik merupakan pengamatan dan perekaman jarak jauh
(Sabin 1997).
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

5
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:
Gambar 2.1. Land Satellite-7 (Landsat-7)

Sumber. http://www.rastermaps.com/2014/12/landsat.html
Karakteristik Citra Satelit Landsat-7 yaitu

1. Mempunyai Orbit pada 705 km, 98,2o, sunsynchronous, 10:00 AM,
2. Berotasi selama 16 hari,
3. Dilengkapi sensor Enhanced Thematic Mapper plus
4. Swath Width 185 km (FOV=15o)
5. tidak tersedia Off-track viewing
6. selama 16 hari melakukan revisit time.
7. Resolusi spasial yang dimiliki yaitu 30x30 m (Multispectral), 120x120 m (Termal).

6
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
Dalam melaksanakan analisis suatu penelitian selalu bertujuan untuk

menghasilkan sebuah informasi yang bersumber dari data. Angka, symbol, gambar,
teks, bunyi serta kombinasinya, begitu juga dengan objek lainnya seperti hewan,
peristiwa, manusia, konsep, keadaan yang dapat direkam dapat diartikan sebagai suatu
data. Dengan istilah lainnya sesuatu yang belum bermakna atau tidak berpengaruh
dengan siapapun pengguna sehingga diperlukan pengolahan untuk menghasilkan suatu

7
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.
2.3. Interpretasi Citra
Kegiatan melakukan mengidentifikasi, pengkajian, penafsiran dan mengenali

suatu objek pada citra dan kemudian memberikan suatu nilai penting dari sebuah objek
tersebut merupakan interpretasi citra. Pemanfaatan informasi dan juga mengenali suatu
objek merupakan kegiatan dalam melakukan interpretasi citra. Adapun beberapa bagian
untuk melakukan pengenalan suatu objek pada citra, sebagai berikut:
1. Bentuk
Bentuk merupakan kondisi suatu variabel yang kualitatif dengan memberikan
kerangka atau konfigurasi suatu objek.
2. Rona dan Warna
Tingkatan suatu kecerahan objek pada citra merupakan rona sedangkan warna
merupakan wujud yang tampak secara visual oleh mata menggunakan spektrum yang
sempit bahkan lebih sempit dari spektrum tampak.
3. Tekstur
Tekstur merupakan frekuensi perubahan suatu rona pada citra. Tekstur dinyatakan
dengan halus, kasar dan sedang.
4. Ukuran
Ciri suatu objek yang berupa luas, tinggi, jarak serta volume merupakan ukuran.
Ukuran suatu objek dinyatakan dalam skala.

8
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).
2.4. Optimum Index Factor
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).

9
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:
1. Menghitung standar deviasi untuk setiap band dari L-band:

a. Rata-rata setiap band (  h) dengan Persamaan (2.2) di bawah ini:
n
X hi
h  i 1
(2.2)
n

10
dan 1 ≤ h ≤ L
Keterangan:
h : Rata-rata setiap band
Xhi : Tingkat keabuan dari band h pada posisi i
b. Varians dari masing-masing band (Varh) dengan Persamaan (2.3) di bawah

ini:
(X  )
2
hi
Var  h (2.3)
h n 1
dan 1 ≤ h ≤ L
Keterangan:
Var : Varians dari masing-masing band
h
h : Rata-rata setiap band
Xhi : Tingkat keabuan dari band h pada posisi i
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
Var : Varians dari masing-masing band

h
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:

11
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 :
 1 R12 R13 .. R1L 

 
 R21 1 R23 .. R2 L 
R   R31 R32 1 .. R3 L  (2.8)
 
 .. .. .. .. .. 
R RLL 
 L1 RL 2 RL 3 ..
Keterangan:

12
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).

13
2.6. Tutupan lahan

Ada 2 hal gangguan seperti tutupan lahan dapat terjadi yaitu alam dan manusia.
Kebakaran hutan oleh karena adanya petir dan kemarau yang berkepanjangan, gunung
merapi yang meletus, terjadinya gempa bumi, erosi karena hujan deras yang lama,
longsor dan juga awan tebal dan bayangannya merupakan beberapa hal yang
diakibatkan oleh alam sedangkan gangguan yang dilakukan oleh manusia dapat berupa
pernyerobotan lahan, pembakaran lahan, penebangan liar (Lillesand, et all 2004). Faktor
sosial ekonomi dari masyarakat juga merupakan salah satu faktor yang berhubungan
langsung dengan kebutuhan hidup manusia terutama masyarakat yang ada disekitarnya
(Darmawan, 2002). Awan merupakan aspek tutupan lahan yang sering ada ketika
perekaman gambar oleh landsat dilakukan. Awan tebal dan bayangannya akan
memberikan tutupan terhadap objek yang akan direkam sehingga objek tersebut tidak
tampak. Kelemahan citra data landsat terletak pada sensornya yang bekerja dengan sifat
pasif. Ketergantungan terhadap atmosfer saat perekaman sangat menentukan kualitas
data. Kabut, asap, awan dan gangguan lainnya membuat menurunnya kualitas data dari
citra yang dihasilkan. Menurunnya kualitas data terlebih terjadi pada daerah yang tropis
seperti sekitar khatulistiwa yang sepanjang tahun diliputi tutupan awan yang tinggi dan
merata.
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.

14
Gambar 2. 2. a. Awan Stratus, b. Awan Cumulus, c. Awan Cirrus

15
Seiring berjalannya waktu penelitian, (Pedgley 2003) kembali menambahkan

bagian pengelompokkan awan yaitu Nimbus yang termasuk didalamnya Nimbusstratus
dan Comulonimbus. Menurut tata letaknya, awan digolongkan dalam 3 bagian yaitu
Pertama Awan rendah yang terletak diatas permukaan laut mencapai ketinggian (7.000
kaki) kurang lebih 2 km. Kedua awan menengah, terletak diantara (7.000 kaki hingga
20.000 kaki) atau hingga 6 km. Ketiga awan tinggi mencapai ketinggian diatas (20.000
kaki) oleh karena letaknya pada ketinggian tersebut suhu mencapai -24 0C, awan
berubah menjadi salju oleh karena partikel uap air menjadi beku sehingga menyebabkan
salju.
Kontribusi adanya penyebaran awan sangat mempengaruhi keberadaan energy di
Bumi. Pada proses pendinginan awan mencerminkan sebagian energy matahari atau
surya atau radiasi gelombang pendek kembali ke ruang angkasa. Pada proses pemanasan
awan bertindak seperti gempulan dan menjebak sebagian energy yang ada dipermukaan
bumi atmosfer bawah yang disebut energi panas atau radiasi gelombang panjang. Awan
juga membantu menyebarkan energi Matahari secara merata di permukaan Bumi.
Bahkan perubahan kecil dalam kelimpahan atau lokasi awan dapat mengubah iklim
lebih dari perubahan yang diantisipasi yang disebabkan oleh gas rumah kaca, aerosol
yang digerakkan manusia, atau faktor lain yang terkait dengan global perubahan.
Penyebaran awan pada atmosfer bumi dapat dilihat pada Gambar 2.3.
Gambar 2.3. Gambaran tentang penyebaran luas awan di atmosfer Bumi

(sumber : https://www.nasa.gov/)

16
2.8. Cloud removal
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.
2.9. K-means Clustering
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.

17
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.
Pengelompokkan nilai-nilai piksel dalam suatu citra kedalam beberapa kelas

merupakan proses klasifikasi citra, sehingga kelas tersebut memberikan gambaran suatu
entitas yang disertai dengan ciri tertentu. Proses pengelompokan untuk gambar
multispektral berdasarkan vektor warna, dan untuk setiap band akan ada pusat klaster K.
Jika jumlah band adalah L pada citra data landsat, jumlah gugus yang dinyatakan
dengan K dan pusat kluster dinyatakan dengan C.
kemudian C = (C1, C2, ..., CK), Ci, i = 1,2,. .., K, adalah level warna untuk cluster i.
Akhirnya, setiap vektor tingkat warna, diklasifikasikan sebagai Ci berdasarkan Jarak
Euclidean Minimum. Menggunakan uraian di atas, algoritma pengelompokan K-Means
dapat dilakukan dengan langkah-langkah berikut:
1. Tentukan jumlah klaster (K)
2. Menentukan titik K diruang multispektral sebagai pusat klaster awal. Setiap
band memiliki pusat K pusat. Misalkan klaster pusat pada iterasi pertama
ditunjukkan oleh Ci0 , i=1,2,…, K
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 iterasi pada langkah 3

18
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.
Yang paling perlu diperhatikan bahwa hasil algoritma pengelompokan K-Means

dengan pusat kluster yang disebutkan diatas disiapkan untuk tujuan deteksi perubahan,
dimana informasi diperoleh dengan membandingkan setiap piksel posisi spasial citra
sementara. Label klaster yang digunakan dalam citra sementara awal (Sirait and
Arymurthy 2010). Proses penentuan titik pusat klaster awal dapat meminimalkan
ketidakseimbangan dalam melaksanakan klasterisasi (Sirait, dkk 2017)
Gambar 2.4 Ilustrasi Clustering (Xu & Wunsch II, 2009)
2.10. Pengukuran tingkat akurasi

Mengevaluasi hasil suatu klaster perlu dilakukan untuk mengetahui tingkat
akurasi proses pelaksanaan klasterisasi. Overall accuracy merupakan salah satu metode
untuk menguji tingkat akurasi hasil suatu proses klaster. Nilai yang dihasilkan oleh
metode Overall accuracy (akurasi keseluruhan) menunjukan berapa banyak piksel yang
terklasifikasi dengan benar pada tiap klaster yang dibandingkan dengan jumlah data
piksel yang digunakan sehingga dapat digunakan untuk uji akurasi pada semua klaster.
Rumus yang digunakan untuk menguji tingkat akurasi Overall Accuracy dapat dilihat di
Persamaan 2.10.

19
(2.7)
dimana :
OC : Overall Accuracy
2.11. Penelitian terkait.

Penelitian terkait dengan metode Optimum Index Factor (OIF) dan Cloud Removal
telah banyak dilakukan, beberapa penelitian yaitu sebagai berikut:
(Qaid and Basavarajappa 2008), meneliti tentang penggunaan aplikasi OIF data
citra untuk pemetaan geologi pada sebuah daerah di Negara Yaman. Dari data
kombinasi yang digunakan adalah 56 kombinasi band. Penelitian ini juga
menyimpulkan bahwa kombinasi yang optimal dari data yang digunakan adalah band 5,
6 dan 7.
(Sirait and Arymurthy 2010), meneliti tentang pengolahan citra data landsat
dengan meneliti tingkat kombinasi paling optimal dari band data Landsat TM. Dari
data kombinasi terdapat 20 kombinasi sampel yang digunakan. Penelitian ini
menyimpulkan bahwa kombinasi band data Landsat TM yang paling optimal yaitu band
3, 4 dan 5.
(Ap and Basheer 2016) Meneliti tentang penerapan salah satu pendekatan cloud
removal pada citra multitemporal dengan multiple reference sesuai dengan standar Root
Mean Square Error, peak signal to noise ratio dan SSIM. Penelitian ini menyimpulkan
bahwa awan dapat tereduksi dan tingkat akurasi yang tinggi dengan kualitas citra yang
lebih baik.

BAB III
METODE PENELITIAN
3.1. Data dan Bahan
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
Gambar 3.1. Citra Satelit SPOT-4 a. Akuisisi 13 Juni 2010

21
3.2. Alur Kerja Penelitian
Mengingat penelitian yang dilakukan memiliki tingkat kerumitan, peneliti

membuat tahapan-tahapan pelaksanaan penelitian sehingga tahapan-tahapan ini
dijadikan pedoman pada saat melaksanakan penelitian. Juga sangat diperlukan untuk
memudahkan peneliti mendapatkan hasil yang sesuai. Alur kerja penelitian sesuai
dengan Gambar 3.2 dibawah ini :
Mengidentifikasi Masalah
Menentukan Metode Penelitian
Mengumpulkan Data
Rancangan Penelitian
Implementasi dan Hasil Penelitian
Menyimpulkan Hasil Penelitian
Gambar 3.2. Alur kerja penelitian secara umum

22
3.3. Rancangan Penelitian
Rancangan penelitian ini dibuat untuk memudahkan peneliti menentukan hal-hal

yang harus dilakukan dalam mencapai hasil yang diinginkan. Rancangan penelitian ini
dapat diliha pada Gambar 3.3.
Mulai
Data Citra
Landsat
Evaluasi standar deviasi tiap band
Menghitung
Koefisien korelasi standar
Optimum Index Factor
Komposit dari 3 band terbaik
Citra multitemporal
(Cloud Removal)
K-Means Clustering
Cloud Removal
Hasil
Data Citra
Akhiri
Gambar 3.3 Rancangan Penelitian

23
3.4. Pra-pengolahan Citra
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
Gambar 3.4. Tahapan pra-pengolahan citra
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.

24
3.5. Menghitung kombinasi band dengan metode OIF
Band yang sudah dihasilkan pada saat melakukan pra-pengolahan citra

selanjutnya akan dilakukan tahapan-tahapan dalam metode OIF. Sesuai dengan
Persamaan (2.1) tahapan yang pertama dilakukan adalah menghitung standar deviasi
sesuai dengan Persamaan (masing-masing band citra yang ada). Setelah mendapatkan
hasil dari standar deviasi tersebut maka selanjutnya dilakukan perhitungan koefisien
korelasi standar. Alur kerja implementasi metode OIF dapat dilihat pada Gambar 3.5
Mulai
Band Citra
N
Hitung Standar
Deviasi
N
Hitung Koefisien
korelasi standar
citra A
N
Hitung kombinasi
band terbaik
Hasil Komposit
band
Akhiri
Gambar 3.5 Alur Metode OIF

25
3.6. Metode cloud removal
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
Citra Data Landsat

Multitemporal
RGB ke Grayscale
K-Means Clustering
Citra hasil
klaster
Y
C = Citra bebas
Awan
Y
Gabung Citra Bebas Awan
Citra bebas awan
Akhiri
Gambar 3.6. Alur removal cloud

26
3.7. Metode K-Means Clustering
Metode K-means clustering merupakan metode yang digunakan dalam penelitian

ini untuk mengklaster berdasarkan klaster masing-masing pixel, sehingga seluruh pixel
yang telah ada dalam citra data landsat dapat diklasterkan. Dengan adanya klaster maka
dapat awan dan bukan awan dapat dibedakan. Alur kerja implementasi metode cloud
removal dengan menggunakan K-means clustering dapat dilihat pada Gambar 3.7.
Mulai
Citra Data Landsat

Multitemporal/Nilai RGB
Tentukan Jumlah Klaster
Menentukan Pusat Klaster

awal
Y
N
Mencari jarak terdekat
citra berdasarkan jarak

terdekat pusat klaster
Citra tidak ada lagi

yang berpindah cluster
Mencari Titik Pusat

Klaster yang baru
Citra Data Landsat
Multitemporal/Nilai RGB
Akhiri
Gambar 3.7. Alur K-Means Clustering

BAB IV
HASIL DAN PEMBAHASAN
4.1. Pengolahan Citra
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 1 Band 2 Band 3
Band 7
Gambar 4.1 Citra Data Landsat band 1-7

28
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.
4.2. Hasil Optimum Index Factor (OIF)
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

29
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.
Table 4.2 Matriks Kovarian

Band cov band#1 cov band#1 cov band#1 cov band#1 cov band#1
var1
1 dan band#2 dan band#3 dan band#4 dan band#5 dan band#7
var 2
var 3
var 4
var 5
var 6
7 dan band#1 dan band#2 dan band#3 dan band#4 dan band# 5
Hasil kovarian matriks yang dihasilkan sesuai dengan varian data dapat dilihat dari
Tabel 4.3.

30
Tabel 4.3 Kovarian masing-masing band
Keterangan Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

Band 1 2,961,830 28,784 28,697 17,943 20,381 10,440
Band 2 28,784 2,214,181 21,453 13,413 15,236 7,805
Band 3 28,697 21,453 2,207,544 13,373 15,190 7,781
Band 4 17,943 13,413 13,373 1,380,241 9,498 4,865
Band 5 20,381 15,236 15,190 9,498 1,567,796 5,526
Band 7 10,440 7,805 7,781 4,865 5,526 803,112
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.
Table 4.4 Matriks Koefisien korelasi

Band 1 1,00 R 12 R 13 R 14 R 15 R 17
Band 2 R 21 1,00 R 23 R 24 R 25 R 27
Band 3 R 31 R 32 1,00 R 34 R 35 R 37
Band 4 R 41 R 42 R 43 1,00 R 45 R 47
Band 5 R 51 R 52 R 53 R 54 1,00 R 57
Band 7 R 71 R 72 R 73 R 74 R 75 1,00
Berdasarkan tabel matriks koefisien korelasi diatas, hasil dari koefisien korelasi sesuai
dengan data yang diuji dilihat pada Tabel 4.5.

31
Tabel 4.5 Koefisien korelasi masing-masing band
Keterangan Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

Band 1 1,000 0,011 0,011 0,009 0,009 0,007
Band 2 0,011 1,000 0,010 0,008 0,008 0,006
Band 3 0,011 0,010 1,000 0,008 0,008 0,006
Band 4 0,009 0,008 0,008 1,000 0,006 0,005
Band 5 0,009 0,008 0,008 0,006 1,000 0,005
Band 7 0,007 0,006 0,006 0,005 0,005 1,000
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
0.000 20.000 40.000 60.000 80.000 100.000 120.000 140.000 160.000

Angka dalam Pixel
Gambar 4.2 Grafik Standar deviasi hasil kombinasi band

32
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.
457 0.016 Koefisien korelasi

357 0.019
347 0.018
345 0.022
257 0.019
247 0.018
245 0.022
Kombinasi band
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
Angka dalam Pixel
Gambar 4.3 Grafik Koefisien korelasi kombinasi band
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.

33
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.

34

Gambar 4.3 Citra Data Landsat hasil Kombinasi OIF
4.3. Hasil Cloud Removal
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

35
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
lompok yang mempunyai obyek dengan karakteristiknya yang serupa (Berkhin

2006). Menurut (Garcia-Molina 2013) clustering merupakan suatu cara
pengelompokkan beberapa kriteria dari sebuah data ke dalam kelompok kecil sehingga
masing-masing kelompok memiliki persamaan yang sama. Clustering sangat berguna
untuk mengaplikasikan data mining, khususnya dalam melakukan eksplorasi akses
informasi, text mining dan analisis web serta data spasial. Data yang diolah dalam
penelitian ini adalah data citra data landsat yang merupakan hasil dari kombinasi band
melalui metode (OIF).
Gambar 4.6. Citra Landsat hasil gabungan kombinasi OIF

Dari data citra sesuai dengan Gambar 4.6 menunjukkan bahwa secara visual
penampakan tutupan lahan dalam hal ini awan dan bayangan awan. Sesuai dengan citra
data landsat selanjutnya akan diolah dengan menggunakan Metode K-means clustering.
Analisis metode K-means clustering pada penelitian ini diuji dengan menggunakan citra
landsat hasil dari kombinasi OIF. Tahapan dalam prose K-means clustering, dengan

36
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.
Gambar 4.7. Citra dengan Lab Inframerah

37
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.
Gambar 4.8 Citra dengan klaster index
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.
Tabel 4.6 Titik Pusat Klaster

Titik Pusat
X Y
Klaster
1 102.0215 142.4630
2 78.2753 166.3018
3 108.6984 97.92660
4 90.0328 136.6054

38
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.
Gambar 4.9 Titik Pusat Klaster
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

39
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

40
7 8
9 10
Gambar 4.10. Hasil Klaster

Pada Gambar 4.10 menunjukkan bahwa hasil klaster yang dihasilkan dari K-
means clustering merupakan klasterisasi dari citra data landsat kombinasi OIF. Dari 10
citra hasil klaster secara visual dapat dilihat perbedaan masing-masing klasifikasi
tutupan lahan yaitu awan dan bukan awan. Citra dalam klaster 6 menunjukkan secara
visual adalah merupakan awan yang sesuai dengan citra asli, citra 1,2,3,4,5,7,8,10
merupakan citra dengan tingkat vegetasi (lahan hutan) sedangkan citra dalam klaster 3
dan 9 merupakan alur jalan lintas. Setelah citra hasil klaster di gabungkan kembali maka
dapat hasil citra data landsat bebas awan dapat dilihat pada Gambar 4.11.

41
a b
Gambar 4.11. a. Citra Asli dan b. Citra Bebas Awan
Proses penggabungan seluruh klaster yang bukan awan dilakukan untuk

mengetahui secara visual hasil klaster. Gambar 4.11. bagian (a) Citra Asli yang diproses
dengan metode OIF yang sebelumnya merupakan hasil kombinasi terbaik dari seluruh
band data landsat. Citra asli ini digunakan untuk mengetahui dengan penampakkan
secara visual citra yang bebas awan, seperti yang ditunjukkan pada Gambar 4.11 bagian
(b). Gambar tersebut merupakan hasil gabungan seluruh klaster yang bukan awan.
Tingkat akurasi metode k-means clustering menunjukkan proses pendeteksian
jumlah data citra asli dibandingkan dengan jumlah rata-rata masing-masing klaster.
proses ini ditunjukkan pada Tabel 4.7.
Tabel 4.7. Tabel perhitungan tingkat akurasi
Terklaster Tidak Terklaster
Klaster
(pixel) (pixel)
K1 91,214,781 20,165,441
K2 90,391,298 20,988,924
K3 88,743,408 22,636,814
K4 93,115,280 18,264,942
K5 89,541,615 21,838,607
K6 0 0

42
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.
4.4. Pembahasan Penelitian

Berdasarkan hasil penelitian yang telah dilakukan terbukti bahwa metode OIF mampu
memberikan hasil yang berbeda dengan penelitian terkait lainnya. Dengan sampel Data
Landsat dihasilkan band 4, 5 dan 7 merupakan band yang paling terbaik. band yang
terindikasi memiliki awan (noise) mampu dideteksi dengan metode K-Means Clustering
sekaligus dilakukan penghilangan awan tersebut. Penelitian ini masih dalam proses
tahapan penghilangan awan akan tetapi untuk mengganti awan yang telah dihapus
merupakan tahapan selanjutnya yang digunakan sebagai tindaklanjut dari penelitian ini.
Tingkat akurasi pendeteksian proses penggunaan citra data landsat masih 81% sehingga
masih memungkinkan menggunakan metode yang lain untuk peningkatan akurasi yang
lebih baik.

BAB V
KESIMPULAN DAN SARAN
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.

44
DAFTAR PUSTAKA
Ap, Jasna and Ramzan Basheer. 2016. “A Multitemporal Approach for Cloud Removal
from Satellite Images.” 2(5):224–32.
Berkhin, Pavel Parvel. 2006. “A Survey of Clustering Data Mining Techniques.”

Grouping Multidimensional Data 25–71.
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.
Danoedoro, Projo. 2003. “MULTISOURCE CLASSIFICATION FOR LAND-USE

MAPPING BASED ON SPECTRAL , TEXTURAL , AND TERRAIN
INFORMATION USING LANDSAT THEMATIC MAPPER IMAGERY A Case
Study of Semarang-Ungaran Area , Central Java.” Indonesian Journal of
Geography XXXV(2):1–23.
Day, William H. E. and Herbert Edelsbrunner. 1984. “Efficient Algorithms for

Agglomerative Hierarchical Clustering Methods.” Journal of Classification
1(1):7–24.
Garcia-Molina, H. 2013. “Using Crowdsourcing for Data Analytics.” Big Data, 2013
IEEE International Conference on (2007):4.
Larose. 2008. “Data Mining: Methods and Models by D. T. Larose.” Biometrics

64(1):316–316. Retrieved (http://doi.wiley.com/10.1111/j.1541-
0420.2008.00962_9.x).
Li, Miao, Shuying Zang, Bing Zhang, Shanshan Li, and Changshan Wu. 2014. “A
Review of Remote Sensing Image Classification Techniques: The Role of Spatio-

45
Contextual Information.” European Journal of Remote Sensing 47(1):389–411.
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).
Mattjik, A. .. and I. M. Sumertajaya. 2006. “Perancangan Percobaan Dengan Aplikasi

SAS Dan MINITAB.” P. 211 in Perancangan percobaan dengan aplikasi SAS dan
MINITAB.
Mulyanto, Agus. 2009. “Sistem Informasi Konsep Dan Aplikasi.” Yogyakarta: Pustaka
Pelajar (1):1–5.
Pedgley, D. E. 2003. “Luke Howard and His Clouds.” Weather 58(2):51–55.
Purwadhi, F.Sri Hardiyanti. 2001. Interpretasi Citra Digital. Jakarta: Gramedia Pustaka
Utama.
Qaid, Ali M. and H. T. Basavarajappa. 2008. “Application of Otimum Index Factor

Technique to Lansat-7 Data for Geological Mapping of North East of Hajjah,
Yemen.” American-Eurasian Journal Scientific Research 3(1):84–91.
Richards, John a and Xiuping Jia. 2006. Remote Sensing Digital Image Analysis: An
Introduction. Retrieved (http://books.google.com/books?id=4PB5vhPBdJ4C).
Sabin, F. 1997. Remote Sensing: Principles and Interpretation, (Floyd F. Sabins).
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.

46
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).
Sirait, P. and A. M. Arymurthy. 2010. “Cluster Centres Determination Based on KD

Tree in K-Means Clustering for Area Change Detection.” in 2010 International
Conference on Distributed Frameworks for Multimedia Applications, DFmA 2010
Sitanggang, Gokmaria. 2008. “TEKNIK DAN METODE FUSI (PANSHARPENING)

DATA ALOS (AVNIR-2 DAN PRISM) UNTUK IDENTIFIKASI PENUTUP
LAHAN/TANAMAN PERTANIAN SAWAH.” Majalah Sains Dan Teknologi
Dirgantara, 33–49.
Skidmore, A. K., B. O. Oindo, and M. Y. Said. 2003. “Biodiversity Assessment by

Remote Sensing.” Proceedings of the 30th International Symposium on Remote
Sensing of the Environment: Information for Risk Management and Sustainable
Development 1–4.
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.

47
Xu, Rui and Donald C. Wunsch II. 2009. Clustering.

Yakub. 2014. “Pengantar Sistem Informasi.” Igarss 2014 (1):1–5.


Analisis Pengolahan Citra Data Landsat Dengan Metode Optimum Indeks Faktor Dan Removal Cloud

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Pengolahan Citra Data Landsat Dengan Metode Optimum Indeks Faktor Dan Removal Cloud

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS PENGOLAHAN CITRA DATA LANDSAT DENGAN

METODE OPTIMUM INDEKS FAKTOR DAN REMOVAL

MEYMAN SOKHI ZILIWU

PROGRAM STUDI S2 TEKNIK INFORMATIKA

Universitas Sumatera Utara

MEYMAN SOKHI ZILIWU

PROGRAM STUDI S2 TEKNIK INFORMATIKA

Universitas Sumatera Utara