LAPORAN PENGINDERAAN JAUH DIGITAL

Dosen Pembimbing:

Dr. Tjaturahono Budisanjoto, M.Si

Wahid Akhsin Budi Nur Sidiq, S.Pd, M.Sc

Disusun Oleh :
Muhammad Lutfi Wirawan (3211417015)

JURUSAN GEOGRAFI

FAKULTAS ILMU SOSIAL

UNIVERSITAS NEGERI SEMARANG

2019
 DAFTAR ISI

DAFTAR ISI............................................................................................................................. 1
PEMBAHASAN ....................................................................................................................... 2
1. Komposit Citra ............................................................................................................... 2
2. Layer Stacking ................................................................................................................ 4
3. Croping ............................................................................................................................ 7
4. Koreksi Radiometrik .................................................................................................... 16
a. DOS .......................................................................................................................... 16
b. ToA .......................................................................................................................... 20
5. Klasifikasi Multispektral ............................................................................................. 23
a. Superfised ................................................................................................................ 24
b. Unsuperfised ........................................................................................................... 27
6. Uji Akurasi .................................................................................................................... 31
7. Koreksi Geometrik ....................................................................................................... 41
DAFTAR PUSTAKA ............................................................................................................. 48

1
 PEMBAHASAN

1. Komposit Citra
Band Combination atau sering disebut sebagai citra komposit karena dalam
prosesnya kita akan melakukan komposit atau penggabungan 3 kanal (band) untuk
mendapatkan warna merah (Red), hijau (green) dan biru (blue). Dalam software ENVI
proses komposit ini dinamakan sebagai “RGB composite”. Sebagai contoh, proses
komposit band 4,3,2 pada citra Landsat 8 OLI (Operational Land Imager) akan
menghasilkan citra dengan warna alami (natural color).
a. Buka Envi Classic pada PC, yang dapat dilakukan dengan mengetik pada kolom
pencarian, dan pilih envi classic.

b. Setelah muncul jendela ENVI, pilih menu “file” pada widget. Kemudian pilih Open
Image File.

c. Kemudian buka pada direktori file tempat penyimpanan citra satelit yang akan di
kompositkan, kemudian pilih semua band yang ada. Di sini saya akan menggunakan
citra satelit Landsat 8 yang dapat diunduh di situs USGS (United States Geologycal
Survey).

2
d. Setelah itu akan muncul jendela “Available Band List” yang menampilkan list band.

e. Setelah itu kita pilih mode “RGB Color” untuk menggabungkan beberapa band /
multi band.

f. Setelah itu, kita akan menggabungkan beberapa band. Di sini saya akan
menggunakan band yaitu “4-3-2”, dimana band tersebut pada Landsat 8 akan
menghasilkan warna asli atau True Color. Pastikan band nya harus sesuai urutan,
dimana band 4 merupakan band merah, band 3 merupakan band hijau, dan band 2
merupakan band biru. Sehingga hasilnya akan ditampilkan pada jendela Display.

3
 g. Untuk membuka jendela display baru , dapat dilakukan dengan memilih menu “new
display”,

h. Kemudian buat komposisi baru sesuai kebutuhan, disini saya mencoba untuk
membuat komposisi band 7-6-4 , sehingga menghasilkan tampilan seperti berikut.

2. Layer Stacking
Layer stacking merupakan metode yang digunakan untuk mengurutkan citra sesuai
band nya, bertujuan untuk memudahkan saat kita akan mengolahnya.
Adapun caranya yaitu :
a. Pertama-tama seperti sebelumnya kita membuka envi dan file citra yang akan di
stacking. Kemudian pilih “basic tool” pada widget, kemudian pilih “Layer
Stacking”.

b. Kemudian akan muncul jendela “Layer Stacking Parameters”.

4
c. Kemudian lakukan import file band yang akan di stacking, dengan cara memilih
menu “import”, kemudian akan mucul jendela “layer stacking input file” block
semua band yang akan di stacking. Kemudian klik “OK”.

d. Kemudian pada menu “Output map projection” atur sistem koordinatnya, disini
saya akan menggunakan sistem koordinat Universal Transverse Mercator (UTM)
WGS 84.

e. Kemudian atur zona wilayah sesuai dengan citra yang digunakan, disini saya
menggunakan citra Landsat 8 Path 120, dan ROW 65, sehingga berada pada zona
49 S (South). Untuk mengetahui Path dan ROW nya kita dapat melihat pada file
metadata MTL yang berekstensi .txt. Untuk memudahkan membaca file metadata

5
 sebaiknya buka menggunakan Ms Word atau Text Editor seperti Sublime Text, VS
Code, dan sebagainya.

f. Kemudian pada bagian output layernya pilih direktori yang akan kita jadikan lokasi
penyimpanan file stacking yang kita buat, jika tidak ingin disimpan maka pilih
menu “memory”, sedangkan jika ingin menyimpan pilih “file” dan sesuaikan
lokasinya.

g. Tunggu prosesnya hingga selesai

h. Ini dia hasilnya, band sudah berhasil diurutkan, dan siap digunakan.

6
 i. Jika kita ingin memanggil file stackingnya lagi, maka cukup cari pada direktori
tempat kita menyimpannya tadi, kemudian input file lagi pada ENVI kemudian pilih
pada file dengan ekstensi .hdr yang sudah kita buat.

3. Cropping
Croping atau memotong citra satelit bertujuan untuk memudahkan kita untuk
mengoptimalisasi sampling, karena kita hanya mengambil sample pada daerah yang
kita butuhkan saja. Metode cropping ada dua, yang pertama dapat dilakukan
menggunakan ENVI , yang kedua dapat kita lakukan menggunakan ArcGIS,
metodenya hampir sama dimana kita menggunakan file shp atau vektor file yang
diumpamakan sebagai cetakannya.

Langkah pertamama yang perlu dilakukan sebelum kita akan melakukan cropping yaitu
menyiapkan shapefilenya terlebih dahulu.
a.) Buka aplikasi ArcGIS terlebih dahulu

b.) Kemudian masukkan (import file) shp sesuai kebutuhan, sebagai contoh saya
menggunakan shp kabupaten, dan akan mengambil wilayah Purworejo. Caranya
dengan melakukan add data shp.

7
c.) Setelah data dipanggil, maka langkah selanjutnya yaitu melakukan definition query
sesuai kabupaten yang akan kita gunakan.

d.) Setelah data di Query maka langkah selanjutnya yaitu melakukan exporting data.
Karena yang kita butuhkan hanyalah data shp wilayah Purworejo, saat melakukan
definition query data shp wilayah lain masih ada pada file shp, hanya saja yang
ditampilkan / di load(eksekusi) hanya shp kita saja, sedangkan data shp wilayah lain
masih tersimpan rapi di dalam struktur data querynya. Sehingga jika kita tidak
melakukan export akan terjadi error saat kita melakukan cropping.

e.) Caranya klik kanan pada layer shp kita, kemudian klik kanan dan pilih data, export
data. Kemudian simpan pada direktori yang diinginkan.

8
f.) Data sudah siap digunakan untuk melakukan cropping.

1.) Cropping Menggunakan ENVI

a. Pertama-tama kita panggil file citra pada envi, kemudian langsung kita load.

b. Kemudian pada display window kita pilih menu widget “overlay” dan pilih
“vectors”

9
c. Setelah muncul jendela “vector parameters” kita pilih menu “file” dan pilih
“Open vector file..”

d. Setelah itu cari file shp yang sudah kita export pada tahap sebelumnya.
Pastikan sebelum memilih file kita harus mengatur format file yg akan dicari
menjadi “shp”.

e. Kemudian akan muncul jendela “Import Vector Files Parameters”, dan

sesuaikan datumnya. Kemudian klik OK.

f. Jika berhasil, maka pada jendela display akan terlihat shp daerah kita.
Berupa garis/batas daerah.

10
g. Kemudian kita pilih menu “basic tool”dan pilih menu subset data via ROIs

h. Kemudian akan muncul jendela “Select Input File to Subset via ROIs”, dan
pilih band yang akan kita cropping, pada metode ini kita hanya bisa
melakukan cropping pada satu band saja, sehingga harus dilakukan satu per
satu. Adapun cara lain untuk mengatasinya yaitu dengan melakukan
composit citra terlebih dahulu kemudian dijadikan satu band seperti yang
telah saya gunakan, dimana saya menggabungkan band 4-3-2 menjadi satu
band.

11
 Jika dilihat pada gambar diatas dapat dilihat band yang digunakan
merupakan gabungan dari 3 band.

i. Kemudian akan muncul jendela “Spatial Subset via ROIs Parameters”, dan
simpan filenya. Jangan lupa pada bagian Spatial Subset via ROIs
Parameters “mask pixel” diubah menjadi “Yes”.

j. Tunggu Prosesnya, dan citra sudah berhasil di crop.

k. Jika ingin membuka file citra yang sudah di crop dapat di panggil lagi
filenya melalui import image file di ENVI sesuai dengan lokasi kita
menyimpannya.
2.) Cropping Menggunakan ArcGIS
a. Pertama-tama buka ArcGIS dan panggil data raster (citra) yang akan kita
cropping. Sama seperti di ENVI, kita hanya bisa memotong satu band saja,
tidak bisa banyak sekaligus. Sehingga harus dilakukan satu per satu, atau
dapat dilakukan dengan mengkompositkan citra terlebih dahulu baru kita
cropping.

12
b. Kemudian kita import data Shp daerah yang akan kita ambil.

c. Kemudian kita cari tool “Clip (Data Management )” melalui kolom

pencarian di ArcGIS.

d. Atau dapat kita cari secara manual pada “Arc ToolBox”. Pada Data
Management - Raster – Raster Processing – Clip

13
e. Kemudian akan muncul jendela Clip, langkah selanjutnya yaitu
memasukkan memasukkan data raster kita pada “Input Raster” , dan Shp
pada “Output Extend”.

f. Selanjutnya simpan file pada lokasi yang diinginkan.

g. Tunggu prosesnya, terkadang memakan waktu yang cukup lama.

14
h. Data raster sudah berhasil di Crop. Namun metode ini dirasa masih kurang
memuaskan karena citra yang dicrop bentuknya tidak sesuai dengan daerah
yang diinginkan, namun masih berbentuk persegi hanya saja luasnya lebih
kecil menyesuaikan degan piksel terluar dari daerah yang di crop.

Metode lain yang dapat digunakan yaitu dengan tool “Extract by Mask”.
Adapun caranya yaitu :
a. Pertama-tama kita input data rasternya (citra landsat), dan data vektor
(shp daerah yang sudah di extract pada langkah pertama).

b. Lalu ketikan pada kolom pencarian “extract by mask” , atau pada

arctoolbox - spatial analyst tool - extraction - extract by mask.

c. Kemudian akan muncul jendela extract by mask, dan isikan input raster
dengan layer citra landsat, dan input or feature mask data dengan data
vektor kita. Lalu klik ok.

15
 d. Data raster telah berhasil di crop.

4. Koreksi Radiometrik
Koreksi Radiometrik merupakan proses untuk memperbaiki kualitas visual citra,
dalam hal memperbaiki nilai piksel yang tidak sesuai dengan nilai pantulan atau
pancaran spektral objek yang sebenarnya.
a. Metode DOS ((Dark Object Substraction)
 Pertama buka ENVI dan panggil semua band yang akan dikoreksi radiometrik

 Setelah itu klik kanan pada band yang akan kita koreksi, dan pilih menu “quick
stats”.

16
 Kemudian akan muncul jendela statistik dari band kita.

 Kemudian kita menuju “basic tool” dan pilih “band math”

 Setelah jendela band math muncul, kita akan menggunakan rumus algoritma
yaitu (‘band’ – ‘Npts setelah 0’).
Sebagai contoh: (band 1 – 41)

17
 Untuk mengetahui nilai Npts nya kita dapat melihat pada jendela statistik. Dan
nilainya yaitu “41”.

 Setelah dimasukkan rumusnya, kemudian klik “add list”, dan ok.

 Kemudian kita pilih band yang akan dikoreksi, dan simpan filenya pada lokasi
yang diinginkan.

18
 Kita dapat melihat hasilnya dari jendela “statistik’ dimana nilai DN dan Npts
nya berubah. Selain itu kita juga dapat membandingkan hasilnya dengan me-
load band yang belum dikoreksi pada layar display.

(Kiri sudah di koreksi, kanan sebelum dikoreksi)

(Kiri sudah di koreksi, kanan sebelum dikoreksi)

19
  Lakukan hal serupa pada band yang lainnya. Sebagai catatatn, untuk membuka
band yang sudah dikoreksi kita cukup memanggil datanya melalui ENVI.

b. Metode ToA (Top of Atmospheric)

ToA merupakan perbaikan akibat distorsi radiometrik yang disebabkan oleh posisi
matahari. Koreksi ToA dilakukan dengan cara mengubah nilai digital number (DN)
ke nilai Reflektansi.

 Pertama-tama kita buka program ArcGIS dan import citra yang akan kita
koreksi dengan melakukan add data. Di sini saya menggunakan band 1.

 Kemudian kita akan menggunakan tool Raster Calculator, caranya kita cari
pada kolom pencarian dengan mengetik Raster Calculator atau pada arctoolbox
– Spatial Analyst tool – Algebra map - Raster Calculator.

 Kemudian akan muncul jendela Raster Calculator.

20
 Langkah selanjutnya yaitu dengan memasukkan Algoritma pada kolom, adapun
rumus algoritma yang digunakan yaitu :

𝜌𝜆΄ = 𝑀𝑝 ∗ 𝑄𝑐𝑎𝑙 + 𝐴𝑝
𝜌𝜆 = 𝜌𝜆΄/(sin 𝜃)

Dimana :
𝜌𝜆΄ : Refaktor TOA Planetary Spectral tanpa koreksi sudut matahari
𝜌𝜆 : Refaktor TOA Planetary Spectral yang telah dikoreksi dengan
memperhitungkan sudut matahari.
𝑀𝑝 : Refaktor penskalaan multiplikasi untuk band (band yang akan
dikoreksi) di sini saya menggunakan band 1 dengan nama band
nya"LC08_L1TP_120065_20170518_20170525_01_T1_B1.TI
F"
𝑄𝑐𝑎𝑙 : “QUANTIZE_CAL” yaitu piksel level 1 pada Digital Number
Value. Artinya kita menggunakan “Quantize_Call_Minimum”.
𝐴𝑝 : Reflectance additive band yang digunakan.
sin 𝜃) : Sun Elevation * 3.1459/1800 (3,1459 merupakan nilai π)
 Kemudian untuk mendapatkan semua data tersebut, kita buka file metadata
Landsat8 MTL.txt yang pasti kita peroleh saat mendownload citra. (Untuk
memudahkan membaca file metadata jangan buka dengan NotePad, buka
dengan WordPad, Ms.Word, atau text editor seperti SublimeText,
VisualStudioCode,dll)

21
- Pertama kita akan mencari Qcall-nya. Pada band 1 nilai QCall berada pada
baris ke 143, dan nilainya adalah 1.

- Setelah itu kita cari nilai Ap, Pada band 1 nilai Ap berada pada baris ke 197.
Dengan nilai -0.100000.

- Kemudian kita akan mencari Sun Elevation atau sudut matahari, berada
pada baris ke 77, dengan nilai 52,12760285.

Sehingga jika dimasukkan kedalam algoritma maka akan menjadi seperti

berikut:
(("LC08_L1TP_120065_20170518_20170525_01_T1_B1.TIF" * 2.0000E-
05)-0.100000)/(Sin(52,12760285 * 3.1459/180))

22
 Catatan : Karena ArcGIS menggunakan bahasa Python maka perhatikan
spasinya, karena akan terjadi “syntax error” jika kelebihan spasi atau typo. Jika
terjadi Syntax error perhatikan kembali script algoritma yang kita masukkan,
jangan ada typo atau overspace.

Kemudian masukkan algoritma tadi kedalam Raster Calculator.

 Setelah itu, untuk output rasternya jika hasil koreksi ingin disimpan maka
sesuaikan lokasinya pada folder yang diinginkan, jika tidak ingin disimpan
biarkan kolom output raster seperti default. kemudian klik OK dan tunggu
hasilnya.

(Kiri sudah di koreksi, kanan belum terkoreksi)

 Kemudian lakukan hal yang sama pada band lainnya.

5. Klasifikasi Multispektral
Klasifikasi adalah teknik pengolahan pada citra dengan cara mengelompokkan
piksel-piksel kedalam sejumlah kelas, sehingga setiap kelas memiliki pola-pola atau
distribusi spasial yang unik dan spesifikasinya mencerminkan suatu objek atau
informasi yang bersifat sesuai dengan keperluan.
Pada klasifikasi multispektral kita menggunakan dua metode, yaitu Klasifikasi
terkontrol (Superfised Classification) yaitu melakukan klasifikasi berdasarkan
pemasukan contoh objek atau sampel oleh operator. Sedangkan klasifikasi tidak
terkontrol (Unsuperfised classification) secara otomastis diputuskan oleh komputer.

23
 Klasifikasi citra dengan alogaritma kemungkinan maksimum (Maximum Likelihood
Algorythm) merupakan alogaritma yang secara statistik paling mapan. Kalau alogaritma
lain didasari oleh pengukuran jarak antara koordinat gugus sampel dengan koordinat
piksel kandidat (yang akan dikelaskan atau diberi label) maka alogaritma kemungkinan
maksimum menggunakan dasar perhitungan probabilitas. Asumsi dari alogaritma ini
ialah bahwa objek homogen selalu menampilkan histogram yang terdistribusi normal
(Bayesian). Pada alogaritma ini, piksel dikelaskan sebagai objek tertentu bukan karena
jarak euklidiannya, melainkan oleh bentuk, ukuran dan orientasi sampel pada feature
space (yang berupa elipsoida)” (Shresta, 1991).

a. Supervised
Pertama buka ArcGIS dan panggil datanya, pastikan data yang kita gunakan
memiliki informasi RGB (Red Green Blue). Dan disini saya akan menggunakan
data raster berekstensi JPEG file. Hasil komposit dari citra Landsat 8.

(Red, Green, Blue)

 Sebelum itu, kita harus memunculkan Tool Image Classification terlebih dahulu
dengan memilih menu Custumize , pilih Toolbar dan Checklist pada Image
Classification.

24
 Sehingga nantinya akan muncul tool baru pada antar muka ArcGIS seperti
berikut

Namun kita masih belum bisa menggunkaan tool Image Classification.

Cara mengatasinya yaitu dengan memilih menu Customize, dan pilih Extension.
Kemudian checklist semuanya.

Sekarang tool Image Classification sudah dapat digunakan.

 Kemudian kita akan membuat training sample menggunakan draw polygon

pada menu Image Classification.

 Sebelum kita membuat training sample pada setiap kelas(vegetasi, perairan,

permukiman, dll), sebelum itu kita harus memahami syaratnya. Pengambilan
sample minimal yaitu 15 sampai dengan 20 sample. Sedangkan luas setiap
training sample yaitu (n x 10 s/d n x 100 ) , dimana “n” merupakan jumlah band.
Dimana pada data raster yang saya gunakan memiliki 3 band, dehingga luas
setiap training sample minimal 30, dan maksimal 300.

25
 Untuk melihat data dari sampel yang kita buat, dapat dilihat pada Training
Sample Manager.
 Kemudian setelah dilakukan pengambilan sampe, langkah selanjutnya yaitu kita
akan me-merge datanya menjadi satu. Kemudian pilih menu merge, setelah itu
kita ubah namanya sesuai dengan kelasnya (perairan, vegetasi, atau
permukiman). Lakukan hal yang sama pada kelas lainnya.

(sebelum – sesudah di merge)

 Setelah selesai membuat training sample, kemudian kita save pada menu Create
Signature File. Pada jendela Training Sample Manager.

 Kemudian kita buka menu “Maximum Likelihood” pada tool Image

Classification.

 Kemudian akan muncul jendela Maximum Likelihood Classification, pada

kolom input raster kita pilih data raster kita, Sedangkan pada kolom input
signature file, kita pilih file signature yang telah kita save sebelumnya, file
signature memiliki format .gsg

26
  Kemudian klik “OK” dan tunggu hasilnya.

 Jika berhasil maka akan menjadi seperti berikut.

b. Unsupervised
 Pertama-tama kita buka ArcGIS dan masukkan data raster yang akan kita
klasifikasikan. Kita dapat menggunakan file ArcGIS yang telah kita gunakan
untuk klasifikasi Supervised karena data rasternya sama.

27
 Kemudian kita akan menggunakan tool “ISO Cluster Unsupervised
Classification” yang dapat kita temukan pada kolom pencarian atau “Search”.

Atau kita juga bisa mencarinya secara manual pada Arctoolbox, pada Spatial
Analyst Tool – Multivariate – ISO Cluster Unsupervised Classification.

 Kemudian akan muncul jendela ISO Cluster Unsupervised Classification, pada

kolom input raster dengan data raster kita (.Jpeg file). Dan isi kolom number of
classes dengan 30.

28
 Tunggu prosesnya, jika berhasil maka hasilnya akan seperti berikut.

 Kemudian kita akan menggunakan tool Reclassify yang dapat kita cari pada
kolom Search. Yang berlokasi pada ArcToolbox di 3D Analyst Tool – Raster
reclass – Reclassify.

 Maka akan muncul jendela baru, pada kolom input raster kita pilih layer hasil
Unsuperfised yang telah kita lakukan sebelumnya (isocluster).

29
 Classification

Kemudian kita pilih menu Classification, sehingga akan muncul tampilan

berikut. Kemudian pada kolom classes ubah angkanya menjadi 3.

Sehingga pada jendela Classification akan berubah menjadi seperti berikut.

Kemudian klik OK.

 Tunggu prosesnya, jika berhasil maka hasilnya akan seperti berikut.

30
6. Uji Akurasi

Uji akurasi dilakukan untuk mengetahui seberapa akurat hasil dari klasifikasi
yang telah dilakukan, hasil uji menentukan citra yang telah diklasifikasi dapat
digunakan atau tidak. Dimana hasil klasifikasi citra dapat dikatakan masih bersifat
tentatif apabila belum dilakukan tahap proses uji akurasi.

 Pertama-tama buka ArcGIS dan input data raster berupa citra satelit
landsat(True Color) dan hasil klasifikasi multi spektral yang telah dilakukan
sebelumnya, disini saya akan menggunakan hasil klasifikasi multispekktral
Superfised.

 Setelah itu kita akan membuat shapefile, caranya buka ArcCatalog dan klik
kanan pada folder yang akan dijadikan lokasi penyimpanan file, jika belum ada
maka kita koneksikan terlebih dahulu foldernya dengan menekan menu connect
to folder.

31
 Setelah itu klik kanan folder – new – sapefile.
 Maka akan muncul jendela create new shapefile, kemudian kita pilih tipe
shapefilenya “point”.

Kemudian sesuaikan sistem koordinatnya.

 Kemudian kita akan membuat titik sampel dengan shapefile(dot), dimana

masing-masing bentuk lahan kita ambil sampelnya sebanyak 30 sampel.
Caranya yaitu dengan memulai editing “start editing”.

32
 “Ingat (10n-100n)” dimana “n” merupakan jumlah band. Sehingga luas
training sample minimal 30 dan maksimal 300. Ambil sampel pada masing-
masing bentuk lahan (vegetasi, muka air, permukiman/bangunan). Masing-
masing 30 sample sehingga terdapat 90 titik.

 Setelah selesai mengambil titik sampel, langkah selanjutnya yaitu kita akan
menambahkan keterangan pada masing-masing sampel (class, landuse, true).
Caranya yaitu kita hentikan terlebih dahulu proses editing “stop editing”,
kemudian buka table of content pada shapefile (dot).

Kemudian pada jendela table of content kita pilih menu table option , dan pilih
add field .

33
 Untuk LandUse kita menggunakan text type, untuk Class kita menggunakan
ShortInteger type, dan untuk True kita menggunakan Short Integer type.

Sehingga pada table of content menjadi seperti berikut.

 Langkah selanjutnya yaitu mengisi tabel LandUse, Class, dan True sesuai
dengan kenampakan di lapangan. Untuk mulai mengisi data, kita harus
melakukan editing kembali dengan menyalakan tombol “start editing”.

34
Kemudian kita blok tabel dari 1 – 30 karena saat melakukan pengambilan
sampel titik 1 sampai 30 merupakan vegetasi. Kemudian setelah di blok kita
klik kanan pada field LandUse dan pilih field calculator.

Kemudian akan muncul jendela calculator field dan isikan dengan “Vegetasi”
dengan tanda petik dua.

Sehingga hasilnya akan seperti berikut, diaman kolom di bawahnya akan

mengikuti atasnya. Kemudian lakukan pada field yang lain.

35
 Langkah selanjutnya kita akan menggunakan tool extract value to point , dapat
kita temukan pada kolom pencarian “Search”

 Kemudian akan muncul jendela extract value to point, dan isikan pada input
point feature dengan shp point_check, dan input raster dengan hasil klasifikasi
Superfised (Classificationn).

 Setelah selesai proses akan muncul layer baru (value_to_point) kemudian buka
tabel of contentnya.

36
 Tambahkan Field “Predict” dengan tipe Short Integer, dan kita akan melakukan
proses kalkulasi pada field Predict sehingga nilai pada Field Predict akan sama
dengan field RasterValue. Caranya yaitu dengan klik kanan pada Field Predict
dan pilih Calculator Field. Kemudian klik pada [RASTERVALUE].

Klik

Hasil

Sehingga hasilnya akan menjadi seperti ini.

Setelah itu hapus field “rastervalue”, dengan cara klik kanan dan pilih delete
field.

37
 Langkah selanjutnya yaitu kita menggunakan tool “Frequency” , yang dapat
ditemukan pada kolom pencarian.

 Kemudian akan muncul jendela Frequency, pada kolom input table isikan
dengan value_to_point, dan output table diberi nama
value_to_point_frequency. Sedangkan untuk frequency field kita checklist pada
“true” dan “predict”.

 Setelah berhasil maka akan muncul tabel pada layer Classification

(MLClass.jpg).

38
 Langkah selanjunya klik kana pada tabel Value_to_point_Frequency dan buka
tabelnya. Sehingga akan muncul seperti ini.

 Lalu kita cari tool Pivot Table(Data Management) pada kolom pencarian.

 Lalu akan muncul jendela pivot table, pada Input table isikan dengan
Value_to_point_Frequency, pada input filed checklist pada “predict” dan “.
Pada pivot vield isikan dengan “true”, dan pada Value field isikan dengan
frequency.

39
 1

3
4

 Setelah berhasil maka akan muncul tabel baru(Value_to_point_Frequency_piv)

pada layer Classification (MLClass.jpg).

 Kemudian buka tabel tersebut dan lihat hasilnya.

 Untuk menghitung error akurasi menggunakan formula :

𝑻𝒐𝒕𝒂𝒍 true 𝑽𝒂𝒍𝒖𝒆
𝐀𝐜𝐜𝐮𝐫𝐚𝐜𝐲 % =
𝑻𝒐𝒕𝒂𝒍 𝒔𝒂𝒎𝒑𝒍𝒆 𝒗𝒂𝒍𝒖𝒆

Dimana :
- Total true value yaitu jumlah diagonal data dimulai dari 1 pada kolom “true”.
- Total sample value yaitu total data pada kolom “true”.

Sehingga hasilnya yaitu 3/90 = 0,033334%

7. Koreksi Geometrik

40
 Menurut Mather (1987), koreksi geometrik adalah transformasi citra hasil
penginderaan jauh sehingga citra tersebut mempunyai sifat-sifat peta dalam bentuk,
skala dan proyeksi. Transforamasi geometrik yang paling mendasar adalah penempatan
kembali posisi pixel sedemikian rupa, sehingga pada citra digital yang tertransformasi
dapat dilihat gambaran objek dipermukaan bumi yang terekam sensor. Pengubahan
bentuk kerangka liputan dari bujur sangkar menjadi jajaran genjang merupakan hasil
transformasi ini. Tahap ini diterapkan pada citra digital mentah (langsung hasil
perekaman satelit), dan merupakan koreksi kesalahan geometric sistematik.
Geometrik cita penginderaan jauh mengalami pergeseran, karena orbit satelit
sangat tinggi dan medan pandangya kecil, maka terjadi distorsi geometric. Kesalahan
geometrik citra dapat tejadi karena posisi dan orbit maupun sikap sensor pada saat
satelit mengindera bumi, kelengkungan dan putaran bumi yang diindera. Akibat dari
kesalahan geometric ini maka posisi pixel dari data inderaja satelit tersebut sesuai
dengan posisi (lintang dan bujur) yang sebenarnya.
Kesalahan geometrik citra berdasarkan sumbernya kesalahan geometric pada
cita penginderaan jauh dapat dikelompokkan menjadi dua tipe kesalahan, yaitu
kesalahan internal (internal distorsion), dan kesalahan eksternal (external distorsion).
Kesalahan geometrik menurut sifatnya dapat dibedakan menjadi dua jenis yaitu
kesalahan sistematik dan kesalahan random. Kesalahan sistematik merupakan
kesalahan yang dapat diperkirakan sebelumnya, dan besar kesalahannya pada
umumnya konstan, oleh karena itu dapat dibuat perangkat lunak koreksi geometrik
secara sitematik. Kesalahan geometri yang bersifat random (acak) tidak dapat
diperkirakan terjadinya, maka koreksinya harus ada data referensi tambahan yang
diketahui. Koreksi geometrik yang biasa dilakukan adalah koreksi geometrik sistemik
dan koreksi geometrik presisi.

a. Pertama-tama buka program ENVI dan import citra satelit yang akan kita koreksi.
Dalam melakukan koreksi geometrik kita membutuhkan 2 citra, dimana yang satu
merupakan citra yang akan kita jadikan base atau acuan untuk mengoreksi(base
image), dan citra yang satunya merupakan citra yang akan dikoreksi(warp image).
Citra yang kita jadikan base pastinya harus sudah terkoreksi secara geometrik.
Untuk melakukan koreksi geometrik saya menggunakan citra landat 8 yang telah di
layer stacking terlebih dahulu.

b. Untuk melakukan koreksi geometrik, pertama kita harus membuka kedua citra pada
display yang berbeda. Di sini saya akan membuka citra landsat 7(base) pada display
1, dan citra landsat 8(warp) pada display 2.

41
 Untuk memudahkan dalam melakukan koreksi saya menggunakan komposit True
Color , tapi juga dapat dilakukan dengan komposisi lain, semisal komposisi 7-6-4
dan sebagainya jika dianggap lebih mudah.
c. Kemudian kita pilih menu “Map” pada widget, kemudian pilih Registration, dan
pilih Select GCP’s: Image to Image (Image to Image , karena data yang kita
gunakan berupa data citra satelit mentah TIFF, sedangkan map jika data yang
digunakan sudah diolah menjadi peta dan biasanya memiliki format .JPEG).

d. Setelah itu akan muncul jendela Image to Image Registration, Pada kolom Base
Image kita pilih display 1 karena kita membuka basemap citra yang sudah
terkoreksi(landsat7) pada display 1, dan pilih display 2 pada kolom Warp Image
karena kita membuka citra yang akan dikoreksi (landsat8) pada display 2.
Kemudian klik OK.

e. Maka akan muncul jendela Ground Control Points Selection, sekarang saatnya kita
mulai mengoreksi. Ini merupakan bagian yang paling sulit.

42
Sekarang kita akan mencari lokasi yang sama pada citra, usahakan cari sesuatu yang
mudah dijadikan acuan seperti kelokan sungai, percabangan sunga, dan lain
sebagainya yang dapat terlihat pada kedua citra, hindari menentukan titik pada
objek buatan manusia seperti bangunan.
Pada jendela zoom, kita paskan garis silang merah pada titik yang akan kita jadikan
GCP (Ground Control Point).

(kiri basemap, kanan warp image)

Pastikan keduanya harus sama persis hingga ukuran pikselnya, untuk
memastikannya kita dapat memperbesar jendela zoom dengan menekan menu (+)
pada pojok kiri bawah jendela zoom. Sehingga akan menjadi seperti ini.

Jika sudah yakin, tekan tombol add point pada jendela Ground Control Points
Selection.

43
Sehingga akan muncul titik / tag pada jendela display.

GCP
GCP

Lakukan hal yang sama hingga minimal 20 titik. Untuk melihat RMS error dapat
dilihat pada jendela Ground Control Points Selection atau pada menu Show List .
RMS error akan terlihat jika GCP sudah mencapai 5.

RMS

Pastikan RMS error tidak lebih dari 1, dapat dilihat RMS errornya yaitu 0,567843
sehingga sudah memenuhi syarat.
Jika sudah mencapai 20 titik, maka langkah selanjutnya yaitu kita save file GCP
dengan memilih menu file pada jendela Ground Control Points Selection dan pilih
Save GCP’s to ASCII.

44
 Sedangkan untuk memanggil kembali data GCP nya , kita pilih menu file – Restore
GCPs from ASCII.

f. Kemudian kita kembali pada menu “map” dan pilih Registriation , dan pilih Warp
from GCPs: Image to Image.

g. Kemudian kita pilih file GCP yang telah kita save pada direktori. File GCP memiliki
ekstensi/format .pts.

h. Kemudian akan muncul jendela input warp image dan pilih band yang akan kita
koreksi (Stacking landsat8). Lalu OK.

45
i. Kemudian untuk input base image kita pilih band yang dijadikan acuan (landsat7).

j. Kemudian akan muncul jendela Registration Parameters, dan simpan file nya pada
lokasi yang diinginkan.

k. Kemudian kita tunggu prosesnya hingga selesai. Biasanya akan memakan waktu
yang cukup lama karena nantinya ukuran filenya akan sangat besar(kurang lebih
5GB), kecepatannya bergantung pada spesifikasi laptop/PC yang digunakan.

l. Setelah proses selesai, kita panggil filenya (berekstensi .hdr) dan kita load pada
display. Kita dapat membandingkan perbedaannya. Biasanya jika sudah dikoreksi
citra akan menjadi agak miring.

46
(Kiri sudah dikoreksi, kanan belum)
Ukuran pixel berubah karena citra dikoreksi menggunakan citra dengan ukuran
yang lebih kecil.

DAFTAR PUSTAKA

Anonim, 2018. Koreksi geometrik. https://www.geodetmanja.com

(Diakses Pada 15 Juni 2019)

Hamly, Nofirly. 2015. Klasifikasi Citra Multispektral Dengan Menggunakan Envi.

https://www.academia.edu/22502616/
(Diakses Pada 22 Juni 2019)

Sheronif. 2013. Koreksi Geometrik pada Citra Landsat.

https://www.academia.edu/27473716/
(Diakses Pada 10 Juni 2019)
47
48