UNIVERSITAS NEGERI YOGYAKARTA

FAKULTAS ILMU SOSIAL

PROGRAM STUDI PENDIDIKAN GEOGRAFI

LAPORAN PRAKTIKUM
ACARA X
MENAMPILKAN CITRA DAN MENYUSUN KOMPOSIT WARNA

Nama : Zein Zidan Azzahmi

NIM : 21405241045
Kelas : A2

A. Tujuan Praktikum
1. Mahasiswa mampu menampilkan citra dalam bentuk komposit
2. Mahasiswa mampu melakukan interpretasi objek melalui citra multispektral
menggunakan kunci interpretasi dan kurva pantulan objek

B. Alat dan Bahan

1. Laptop
2. Software Envi Classic 32 Bit
3. Citra Landsat 8 full band
4. Tabel pengamatan

C. Langkah Kerja
1. Membuka software Envi Classic 32 Bit terlebih dahulu
2. Memilih menu File - Open Image File dan memilih citra yang akan ditampilkan
3. Pada jendela Available Band List, mengeklik radio button Gray Scale untuk single
band dan RGB Color untuk komposit (gabungan beberapa band)
4. Memilih saluran RGB Color dan mengatur citra komposit 432
5. Mengeklik Load Band, lalu muncul 3 jendela display citra antara lain:
A. jendela Scroll : display keseluruhan citra sekaligus navigator;
B. jendela Image : perbesaran dari jendela Scroll, sekaligus memuat beberapa
menu informasi citra dan pengolahan sederhana, dan;
C. jendela Zoom : perbesaran dari jendela Image, dimana kenampakan perpiksel dapat
dengan mudah diamati
6. Membuat display citra 2, 3, dan 4 masing-masing komposit 764, 543, dan 753 dan
mengeklik Load Band
7. Mengeklik kanan pada display citra pertama dan memilih Link Display untuk
menghubungkan seluruh display citra menjadi satu navigasi
8. Mengamati seluruh citra dengan menggeser box merah baik pada jendela Scroll maupun
Image. Pada jendela Zoom, bisa melakukan zoom-in atau zoom-out dengan mengeklik

1|Lab Geospasial, FIS UNY, 2022

 UNIVERSITAS NEGERI YOGYAKARTA
FAKULTAS ILMU SOSIAL
PROGRAM STUDI PENDIDIKAN GEOGRAFI

tanda + atau – di sebelah kiri bawah kotak jendela Zoom. Angka perbesaran akan muncul
di bar jendela Zoom.
9. Menemukan objek yang ada pada citra kemudian menginterpretasi citra dengan
mengambil nilai RGB dari objek yang ditampilkan pada box merah
10. Mengeklik kiri dua kali bagian dalam box merah maka akan tampil kotak keterangan
nilai RGB objek
11. Memasukkan screenshot, nilai RGB, dan tafsiran warna visual objek pada tabel
pengamatan

D. Hasil dan Pembahasan

a. Hasil
(Terlampir)
b. Pembahasan
Citra merupakan output dari sistem penginderaan jauh yang menampilkan berbagai informasi
keruangan. Informasi yang ada pada cita dapat diperoleh melalui proses interpretasi citra baik
secara visual maupun digital. Interpretasi citra digital adalah interpretasi citra yang menggunakan
bantuan beberapa software penginderaan jauh di komputer. Menurut Lillesand et al. (2015),
interpretasi secara digital akan membuat proses analisis keruangan pada citra penginderaan jauh
menjadi semakin mudah dan maju. Akan tetapi komputer masih agak terbatas dalam kemampuan
mengevaluasi berbagai petunjuk visual yang jelas bagi interpreter, khususnya pada unsur tekstur
gambar. Oleh karena itu dalam interpretasi citra digital, teknik visual dan numerik harus
diperhatikan sebagai pelengkap dan terdapat pertimbangan pendekatan interpreter yang berimbas
pada penyesuaian software yang digunakan.
Salah satu software yang dapat digunakan untuk interpretasi digital sekaligus pengolahan citra
lainnya adalah Envi yang tersedia dalam beberapa versi. Dalam aplikasi Envi dapat dilakukan
beberapa pengolahan pada citra seperti penyimpanan dan pembacaan citra digital, konversi
format data, menampilkan objek citra, link display, pembacaan nilai piksel, pengamatan pola
spektral, penyusunan citra komposit, koreksi radiometrik dan geometrik, dsb. (Rahman, 2018).
Dalam praktikum kali ini hal yang dilakukan menggunakan software Envi adalah menampilkan
citra dan menyusun komposit warna. Cara menampilkan citra pada aplikasi Envi sudah tertulis di
bagian langkah kerja praktikum. Tampilan (display) citra pada aplikasi Envi dapat dilakukan
dengan mode Grey Scale yang merepresentasikan intensitas pantulan spektral obyek pada satu
saluran tertentu atau mode RGB color yang merepresentasikan citra dalam band 3 warna pada
spektrum vahaya tampak yakni band merah, hijau, dan biru. Mode RGB color inilah yang
digunakan dalam proses penyusunan komposit citra.
Komposit citra merupakan salah satu teknik dalam interpretasi citra digital. Komposit citra itu
sendiri merupakan proses mengombinasikan beberapa band citra sehingga menampilkan
berbagai warna citra yang beragam. Band citra yang biasa digunakan dalam komposit citra

2|Lab Geospasial, FIS UNY, 2022

 UNIVERSITAS NEGERI YOGYAKARTA
FAKULTAS ILMU SOSIAL
PROGRAM STUDI PENDIDIKAN GEOGRAFI

adalah spektrum cahaya tampak atau RGB (Red, Green, Blue) yang memiliki panjang antara 0,4
– 0,7 μm (Wibowo et al., 2013). Tujuan dari komposit citra itu sendiri adalah menonjolkan objek
yang ada di permukaan bumi yang menjadi fokus kajian dari interpreter. Komposit citra
membantu interpreter dapat melakukan kombinasi antara interpretasi visual maupun digital.
Komposit citra memungkinkan beberapa objek menjadi lebih mudah teridentifikasi dengan
saluran tertentu sehingga juga mempermudah interpreter dalam mengintepretasi objek secara
visual. Interpretasi digital yang dapat dilakukan misalnya dengan menampilkan kotak dialog
yang berisi keterangan nilai RGB dari objek yang ada dan disesuaikan dengan referensi nilai
RGB dari berbagai objek di permukaan bumi untuk mengetahui objek yang sedang diidentifikasi
pada citra dari nilai RGB. Rahman (2018) menambahkan bahwa warna pada citra pada komposit
citra merupakan kombinasi dari tingkat kecerahan objek di setiap saluran yang dapat terbagi
menjadi citra komposit semu standar dan citra komposit warna asli. Citra komposit semu standar
pada umumnya terdiri dari saluran ETM4 (near-infrared) yang diberi warna merah, saluran
ETM3 (merah) yang diberi warna hijau, dan saluran ETM2 (hijau) yang diberi warna biru.
Sementara itu citra komposit warna asli dapat dihasilkan dari citra multispektral yang tersedia
degan memanfaatkan banyaknya saluran yang dimiliki oleh vitra multispektral tersebut.
Praktikum kali ini mencoba untuk mengidentifikasi objek dan menginterpretasi secara visual
dalam mode RGB color menggunakan susunan komposit citra 432, 764, 534, dan 753 pada citra
Landsat 8. Terdapat 2 jenis Landsat 8 berdasarkan sensornya yakni Landsat 8 OLI (Onboard
Operational Land Imager) yang memiliki 9 saluran yakni saluran 1-9 serta Landsat 8 TIRS
(Thermal Infrared Sensor) yang memiliki 2 saluran yani saluran 10 dan 11. Pada praktikum kali
ini jenis Landsat 8 yang digunakan Landsat full band yang menunjukkan gabungan dari OLI dan
TIRS yang memiliki 11 saluran seperti pada tabel berikut:

Tabel 1. Karakterisktik saluran spektral citra Landsat 8

Sumber : Nasa dalam Purwanto et al. (2014)

3|Lab Geospasial, FIS UNY, 2022

 UNIVERSITAS NEGERI YOGYAKARTA
FAKULTAS ILMU SOSIAL
PROGRAM STUDI PENDIDIKAN GEOGRAFI

Hasil identifikasi dan interpretasi visual menggunakan aplikasi Envi pada citra Landsat 8 full
band dengan 4 komposit yang telah ditentukan memperoleh 10 objek yang berhasil terdeteksi
yakni (1) Danau, pada komposit 432 memiliki nilai R = 18, G = 23, B = 28 dengan warna
interpretasi visual hitam kebiruan, pada komposit 764 memiliki nilai R = 3, G = 3, B = 18
dengan warna interpretasi visual hitam kebiruan, pada komposit 543 memiliki nilai R = 8, G =
18, B = 23 dengan warna interpretasi visual hitam kebiruan, serta pada komposit 753 memiliki
nilai R = 3, G = 8, B = 23 dengan warna interpretasi visual hitam kebiruan; (2) Jalan raya, pada
komposit 432 memiliki nilai R = 125, G = 81, B = 53 dengan warna interpretasi visual coklat
susu, pada komposit 764 memiliki nilai R = 128, G = 139, B = 125 dengan warna interpretasi
visual abu-abu terang, pada komposit 543 memiliki nilai R = 134, G = 125, B = 81 dengan warna
interpretasi visual abu-abu kehijauan, serta pada komposit 753 memiliki nilai R = 128, G = 134,
B = 81 dengan warna interpretasi visual coklat terang; (3) Laut, pada komposit 432 memiliki
nilai R = 24, G = 36, B = 62 dengan warna interpretasi visual biru navy, pada komposit 764
memiliki nilai R = 18, G = 16, B = 24 dengan warna interpretasi visual hitam kebiruan, pada
komposit 543 memiliki nilai R = 14, G = 24, B = 36 dengan warna interpretasi visual biru navy
gelap, serta pada komposit 753 memiliki nilai R = 18, G = 14, B = 36 dengan warna interpretasi
visual biru keunguan gelap; (4) Awan, pada komposit 432 memiliki nilai R = 255, G = 255, B =
255 dengan warna interpretasi visual putih, pada komposit 764 memiliki nilai R = 255, G = 255,
B = 255 dengan warna interpretasi visual putih, pada komposit 543 memiliki nilai R = 255, G =
255, B = 255 dengan warna interpretasi visual putih, serta pada komposit 753 memiliki nilai R =
255, G = 255, B = 255 dengan warna interpretasi visual putih; (5) Sawah, pada komposit 432
memiliki nilai R = 100, G = 75, B = 63 dengan warna interpretasi coklat tua kemerahan, pada
komposit 764 memiliki nilai R = 165, G = 208, B = 100 dengan warna interpretasi visual hijau
muda kekuningan, pada komposit 543 memiliki nilai R = 159, G = 100, B = 75 dengan warna
interpretasi visual merah muda, serta pada komposit 753 memiliki nilai R = 165, G = 169, B = 75
dengan warna interpretasi visual hijau muda kemerahan, (6) permukiman, pada komposit 432
memiliki nilai R = 122, G = 98, B = 102 dengan warna interpretasi visual abu-abu gelap, pada
komposit 764 memiliki nilai R = 198, G = 168, B = 112 dengan warna interpretasi visual putih
cream, pada komposit 543 memiliki nilai R = 127, G = 112, B = 98 dengan warna interpretasi
visual biru cyan keputihan, serta pada komposit 753 memiliki nilai R = 198, G = 127, B = 98
dengan warna interpretasi visual merah muda keputihan; (7) sungai, pada komposit 432 memiliki
nilai R = 156, G = 130, B = 104 dengan warna interpretasi visual coklat keputihan, pada
komposit 764 memiliki nilai R = 185 G = 171, B = 156 dengan warna interpretasi visual putih
keabuan, pada komposit 543 memiliki nilai R = 155, G = 156, B = 130 dengan warna interpretasi
visual putih kebiruan, serta pada komposit 753 memiliki nilai R = 185, G = 155, B = 130 dengan
warna interpretasi visual coklat susu; (8) Gunung, pada komposit 432 memiliki nilai R = 39, G =
32, B = 24 dengan warna interpretasi visual coklat gelap keputihan, pada komposit 764 memiliki
nilai R = 66, G = 81, B = 39 dengan warna interpretasi visual hijau gelap keputihan, pada

4|Lab Geospasial, FIS UNY, 2022

 UNIVERSITAS NEGERI YOGYAKARTA
FAKULTAS ILMU SOSIAL
PROGRAM STUDI PENDIDIKAN GEOGRAFI

komposit 543 memiliki nilai R = 113, G = 39, B = 32 dengan warna interpretasi visual merah
keputihan, serta pada komposit 753 memiliki nilai R = 66, G = 113, B = 32 dengan warna
interpretasi visual hijau daun; (9) Hutan, pada komposit 432 memiliki nilai R = 54, G = 51, B =
41 dengan warna interpretasi visual hitam kecoklatan, pada komposit 764 memiliki nilai R =
116, G = 170, B = 54 dengan warna interpretasi visual hijau agak gelap keputihan, pada
komposit 543 memiliki nilai R = 173, G = 54, B = 51 dengan warna interpretasi visual merah
menyala, serta pada komposit 753 memiliki nilai R = 116, G = 173, B = 51 dengan warna
interpretasi visual hijau nyala; (10) dan pantai bergisik, pada komposit 432 memiliki nilai R =
81, G = 60, B = 57 dengan warna interpretasi visual coklat susu, pada komposit 764 memiliki
nilai R = 149, G = 140, B = 81 dengan warna interpretasi visual putih cream, pada komposit 543
memiliki nilai R = 95, G = 81, B = 60 dengan warna interpretasi visual biru cyan pudar
kemerahan, serta pada komposit 753 memiliki nilai R = 149, G = 95, B = 60 dengan warna
interpretasi visual merah muda keputihan. Dari hasil tersebut juga dapat diketahui penyebab dari
warna objek di tiap komposit berbeda-beda dikarenakan kombinasi saluran RGB yang digunakan
juga berbeda-beda serta tiap objek memiliki penonjolan berbeda-beda pada tiap saluran seperti
hutan yang menonjol pada komposit 764, 543, dan 753 dan terlalu gelap pada komposit 432.
Bahkan ada objek yang penonjolannya sama pada tiap komposit seperti awan yang nilai RGBnya
sama yakni sebesar 255 di tiap komposit.

E. Daftar Pustaka
Lillesand, T.M., Kiefer, R.W., Chipman, J.W. (2015). Remote sensing and image interpretation
(seventh ed.). Jhon Wiley & Sons, Inc.
Purwanto, A. D., Asriningrum, W., Winarso, G., & Parwati, E. (2014). Analisis sebaran dan
kerapatan mangrove menggunakan citra Landsat 8 di Segara Anakan, Cilacap. In
Prosiding Seminar Nasional Penginderaan Jauh 2014, pp. 232-241
Rahman, A. (2018). Modul ajar pengolahan citra digital (studi kasus perubahan lahan
mangrove dan rawa). Universitas Lambung Mangkurat
Wibowo, L. A., Sholichin, M., Rispiningtati, R., & Asmaranto, R. (2013). Penggunaan citra
Aster dalam identifikasi peruntukan lahan pada Sub Das Lesti (Kabupaten Malang).
Jurnal Teknik Pengairan: Journal of Water Resources Engineering, 4(1), pp.39–46.

F. Lampiran

5|Lab Geospasial, FIS UNY, 2022

 UNIVERSITAS NEGERI YOGYAKARTA
FAKULTAS ILMU SOSIAL
PROGRAM STUDI PENDIDIKAN GEOGRAFI

6|Lab Geospasial, FIS UNY, 2022