DISUSUN OLEH
YOSUA KALIMANTO
1903016045
FAKULTAS PERTANIAN
UNIVERSITAS MULAWARMAN
SAMARINDA
2022
ACARA II
BAB I
PENDAHULUAN
Satelit Landsat 8 memiliki sensor Operational Land Imager (OLI) dan Thermal Infrared
Sensor (TIRS) dengan jumlah band sebanyak 11 buah. Diantara band-band tersebut, 9 kanal
(band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS. Dibandingkan versi-
versi sebelumnya, landsat 8 memiliki beberapa keunggulan khususnya terkait spesifikasi
band-band yang dimiliki maupun panjang rentang spektrum gelombang elektromagnetik yang
ditangkap. Sebagaimana telah diketahui, warna objek pada citra tersusun atas 3 warna dasar,
yaitu Red, Green dan Blue (RGB). Dengan makin banyaknya band sebagai penyusun RGB
komposit, maka warna-warna obyek menjadi lebih bervariasi. Penyusunan citra komposit
warna adalah cara yang paling umum untuk menonjolkan masing-masing keunggulan saluran
secara serentak dalam suatu tampilan, sehingga memudahkan pengguna dalam interpretasi
citra secara visual. Warna yang terjadi adalah kombinasi dari tingkat kecerahan pada suatu
obyek di setiap saluran.
Geometrik merupakan posisi geografis yang berhubungan dengan distribusi keruangan
(spatial distribution). Geometrik memuat informasi data yang mengacu bumi (geo-referenced
data), baik posisi (sistem koordinat lintang dan bujur) maupun informasi yang terkandung
didalamnya.
Menurut Mather (1987), koreksi geometrik adalah transformasi citra hasil penginderaan jauh
sehingga citra tersebut mempunyai sifat-sifat peta dalam bentuk, skala dan proyeksi.
Transformasi geometrik yang paling mendasar adalah penempatan kembali posisi pixel
sedemikian rupa, sehingga pada citra digital yang tertransformasi dapat dilihat gambaran
objek di permukaan 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 geometrik sistematik.
Geometrik citra penginderaan jauh mengalami pergeseran, karena orbit satelit sangat tinggi
dan medan pandangya kecil, maka terjadi distorsi geometrik. 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 geometrik ini maka
posisi pixel dari data inderaja satelit tersebut tidak sesuai dengan posisi (lintang dan bujur)
yang sebenarnya. Berdasarkan sumbernya kesalahan geometrik pada citra 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. TUJUAN
1. Mahasiswa dapat menggabungkan saluran citra dengan komposit citra
2. Mahasiswa dapat memperbaiki sistem koordinat citra
BAB II
HASIL KEGIATAN
PEMBAHASAN
Komposit Citra
Dalam praktikum ini, komposit citra yang digunakan yaitu kombinasi band 4
(Red), band 3 (Green), band 2 (Blue). Dimana, kombinasi band 4 3 2
menghasilkan warna natural yaitu komposit warna yang sesuai dengan warna
sebenarnya.
Citra satelit merekam obyek muka bumi dan menyajikan dalam suatu
gambar/foto. Foto tersebut tidak hanya menampilkan gambaran (visual) obyek,
namun juga posisi sebenarnya obyek tersebut di muka bumi. Posisi yang direkam
oleh satelit, tidak selalu akurat. Ketidakakuratan ini terlihat dari adanya distorsi
atau pergeseran lokasi suatu obyek pada citra dari lokasi sebenarnya dimuka
bumi. (Ardiansyah, 2014) Maka perlu dilakukan koreksi geometrik untuk
memperbaiki posisi objek dalam citra akibat distorsi ke posisi yang sebenarnya di
muka bumi.
BAB IV
KESIMPULAN
Komposit citra adalah citra baru hasil dari penggabungan 3 saluran yang mampu
menampilkan keunggulan dari saluran-saluran penyusunnya. Citra yang dikomposit dapat
menghasilkan warna yang dapat dilihat oleh manusia sehingga dapat mempermudah dalam
interpretasi citra.
Koreksi geometrik diperlukan untuk memperbaiki posisi objek dalam citra akibat
distorsi ke posisi yang sebenarnya di muka bumi. Untuk koreksi geometrik terhadap
kesalahan acak diperlukan sebuah proses yang dikenal dengan istilah image to map
rectification yang memerlukan Titik Kontrol Tanah (Ground Control Points, GCP) dan akan
terdapat Root Mean Square Error (RMSe) ketika GCP lebih dari 4 titik. Ketika RMSe
semakin mendekati 0 maka akan semakin akurat dan presisi.
REFERENSI
Canada Centre for Remote Sensing. 2005. Fundamentals of Remote Sensing. Canada:
Canada Centre for Remote Sensing.
Lillesand, & Kiefer. 1979. Remote Sensing and Image Interpretation. New York: John
Willey and sons.
Purwadhi, Sri Hardiyanti dan Tjaturahono Budi Sanjoto. 2018. Pengantar Interpretasi
Citra Penginderaan Jauh. Semarang: LAPAN dan Universitas Negeri
Semarang.
ACARA III
BAB I
PENDAHULUAN
Pemotongan citra merupakan pengurangan atau pemilihan area pada satu scene data
penginderaan jauh yang berupa data raster. Pemotongan atau cropping citra dilakukan untuk
mendapatkan daerah penelitian dengan maksud untuk dapat melakukan pengolahan data yang
lebih terfokus, terinci dan teroptimal. Dengan ekspetasi menghasilkan citra yang representatif
dan kontinu. Pemotongan citra memiliki nilai utilitas lainnya, yaitu memperkecil daerah yang
akan dikaji sesuai dengan area of interest. Pemotongan citra dapat dilakukan sesuai dengan
bentuk poligon yang diinginkan seperi pembatasan wilayah kabupaten, kecamatan atau desa.
Hasil dari pemotongan citra menyesuaikan kebutuhan dari penggunanya karena pada
umumnya besaran penelitian tidak mencapai satu scene untuk citra resolusi rendah. Manfaat
pemotongan citra akan menghemat waktu karena pengolahan data yang besar akan
membebani pengguna dan prosesornya. Misalnya, citra satelit landsat 8 yang berkapasitas 1
Gb akan membutuhkan prosesor tinggi jika mengolah satu scenenya. Pemotongan citra akan
membuat pengguna lebih fokus pada area kajian. Prinsip penajaman citra yaitu menggunakan
citra pankromatik yang beresolusi spasial lebih tinggi untuk digabungkan dengan citra yang
resolusi spasial lebih rendah. Hasilnya berupa raster yang saling bergabung sempurna dengan
tampilan visual serta warna yang lebih jelas. Setiap metode menggunakan model yang
berbeda beberapa memperbaiki tampilan warna dan beberapa yang lain menggunakan
inframerah dekat untuk meningkatkan kualitas visual citra. Data citra yang sering dipakai
dalam analisis penginderaan jauh antara lain adalah citra pankromatik (pan) dengan informasi
keabu-abuan yang umumnya memiliki informasi spasial tinggi sehingga dapat membantu
melokasikan suatu objek di muka Bumi. Citra multispektral berwarna dengan saluran
multispektrum (inframerah, cahaya tampak maupun ultraviolet) yang lebih memberikan
informasi warna berdasarkan pantulan dan penyerapan sinar elektromagnetik oleh objek yang
ditangkap oleh sensor. Umumnya citra multispektral yang ada memiliki resolusi rendah,
dalam artian memiliki informasi spasial yang rendah meskipun mampu memberi informasi
yang tinggi. Citra pankromatik dan multispektral ini, terlebih penggabungannya, memiliki
andil yang besar dalam aplikasi penginderaan jauh. Proses penggabungan citra pankromatik
dan citra multispektral ini umum dikenal dengan istilah image fusion atau
pansharpening/image sharpening.
A. Tujuan
1. Mahasiswa dapat memotong citra berdasarkan kajian wilayah.
2. Mahasiswa dapat memperbaiki kualitas spektral citra melalui penajaman citra.
B. Alat dan bahan
1. Seperangkat komputer.
2. Perangkat lunak ArcGIS 10.7
3. Citra Satelit Landsat 8 OLI/TIRS L1TP
C. Langkah Kerja
Pemotongan Citra
1. Sebelum memotong citra siapkan file shapefile yang merupakan batas
administrasi wilayah yang ingin kita analisisi. Dalam praktikum ini sebagai
contoh yaitu shapefile wilayah Kecamatan Tenggarong yang sudah disiapkan
sebelumnya.
2. Masukkan shapefile wilayah tersebut dengan Add Data di ArcMap dan cari lokasi
shapefile (.shp) kemudian pilih dan klik Add
3. Terlihat administrasi Kecamatan Tenggarong sudah nampak dan muncul di layer
kita dan bertampalan dengan citra yang sudah kita komposit pada praktikum
sebelumnya
4. Kemudian langkah memotong data citra sesuai bentuk wilayah administrasi
kecamatan tersebut, dilakukan dengan tools Clip. Klik pada ArcToolBox - Data
Management Tools - Raster - Raster Processing – klik kiri 2 kali pada Clip.
Muncul layar Clip, masukkan Input Raster dengan citra komposit kita dan Output
Extent dengan shapefile Tenggarong. Berikan tanda centang Use Input Features
for Clipping Geometry.
5. Pada Output Raster Dataset cari lokasi file citra yang sudah terpotong ke direktori
computer kita dan beri nama sebagai contoh: L820190104_Tenggarong.TIF
selanjutnya klik save dan OK
6. Tunggu beberapa saat hingga proses Clip selesai, perangkat lunak ArcGis sedang
melakukan proses dapat dilihat pada bagian kanan bawah dengan munculnya ikon
bola dunia. Selanjutnya apabila proses sudah selesai akan muncul notifikasi
7. Apabila sudah selesai hilangkan centang pada layer citra kompiosit kita dan
shapefile Tenggarong. Hasil citra yang sudah terpotong akan terlihat pada layar
kerja kita
8. Selesai
Penajaman Citra
1. Penajaman citra digunakan untuk mendapatkan hasil citra Landsat yang lebih
tajam dan terlihat detail, sehingga kita lebih mudah dalam identifikasi objek di
citra tersebut. Penajaman citra (Pan Sharpening) ini dilakukan dengan
menambahkan band 8 sebagai data pankromatik dengan resolusi 15m x 15m, yang
sebelumnya tidak kita lakukan penggabungan dalam komposit. Langkah pertama
yaitu masukkan band 8 citra Landsat 8 tersebut ke dalam layer dengan Add Data
2. Penambahan data saluran/band pankromatik ini dilakukan dengan membuka
ArcToolBox - Data Management Tools - Raster - Raster Processing - Create Pan-
sharpened Raster Dataset. Masukkan data citra L820190104_Tenggarong.TIF
pada kolom Input Raster, selanjutnya masukkan data citra Landsat band 8 ke
dalam kolom Panchromatic Image, Tentukan dan masukkan nama Output Raster
Dataset kedalam direktori kita, sebagai contoh kita beri nama
L820190104_Tenggarong_Pan.TIF klik OK.
3. Tunggu proses Pan-sharpened selesai dilakukan. Proses ini membutuhkan waktu
yang sedikit lebih lama. Apabila proses sudah selesai akan muncul notifikasi
centang yang muncul pada kiri bawah.
4. Hasil komposit citra Landsat sebelumnya tanpa proses penajaman dibandingkan
komposit citra landsat dengan penambahan proses Pan Sharpening dengan saluran
pankromatik menunjukkan data citra yang lebih tajam dan detail
5. Simpan layar kerja tersebut untuk praktikum selanjutnya
6. Selesai
BAB II
HASIL KEGIATAN
BAB III
PEMBAHASAN
Pada pemotongn citra, menggunakan SHP Tenggarong pada citra Landsat 8 yang di
download lalu muncul warna potongan daerah Tenggarong. Setelah di ketahui daerah
Tenggarong lalu di potong atau di clip dengan toolbox untuk memisahkan peta citra dan peta
citra Tenggarong.
Setelah dilakukan pemotongan dan pan sharpened dengan citra pankromatik, citra
hasil composite band memiliki resolusi yang lebih tajam. Hasil penajaman merupakan hasil
gabungan antara citra multispektral dan pankromatik yang menghasilkan citra yang lebih baik
dan merupakan gabungan antara resolusi spektral tinggi dan resolusi spasial tinggi.
KESIMPULAN
Penajaman citra peta dengan band citra pankromatik membuat peta memiliki resolusi
spectral tinggi dan resolusi spasial yang tinggi untuk mempertajam gambar citra peta untuk
menentukan hasil kajian dengan melihat pola, bentuk struktur daan tekstur citra peta
DAFTAR PUSTAKA
Campbell, J.B. 1987. Introduction to Remote Sensing. New York: The Guilford Press.
Lillesand, & Kiefer. 1979. Remote Sensing and Image Interpretation. New York: John
Willey and sons.
KLASIFIKASI MULTISPEKTRAL
BAB I
PENDAHULUAN
1. Latar Belakang
Klasifikasi multispektral bertujuan untuk mengelompokkan objek yang memiliki
karakteristik spectral yang sama pada suatu area agar lebih mudah mendapatkan
informasi. Metode klasifikasi yang digunakan yaitu metode klasifikasi terselia
(supervised classification) Maximum Likelihood. klasifikasi supervised yang memiliki
dasar klasifikasi pengelompokkan objek yang bentuk, ukuran dan orientasi sampel
pada feature space antara satu dengan yang lain serupa (Shresta, 1991 dalam
Danoedoro, 2012). Minimum distance sebagai klasifikasi unsupervised memiliki
logika pengelompokkan objek atas dasar jarak vektor rerata terhadap gugus. Apabila
gugus tersebut berada pada posisi yang tidak tepat pada titik pusat maka komputer
akan melakukan iterasi (pengulangan) pembuatan gugus hingga ketepatan titik pusat
tercapai. Klasifikasi multispektral dilakukan pada saluran multispektral dan
pankromatik untuk memberikan informasi mengenai penutup lahan di lokasi
penelitian dengan menggunakan citra Landsat 7 ETM+ dan Landsat 8
Secara umum, klasifikasi citra dapat dibagi menjadi dua yaitu: klasifikasi terbimbing
(Supervised) dan klasifikasi tidak terbimbing (Unsupervised).
Klasifikasi Supervised
Klasifikasi terbimbing merupakan metode yang dipandu dan dikendalikan
sebagian besar atau sepenuhnya oleh pengguna dalam proses pengklasifikasiannya.
Intervensi pengguna dimulai sejak penentuan training area hingga tahap
pengklasterannya. Pada klasifikasi ini harus diambil sejumlah pola data sebagai
acuan atau target. Pemetaan dilakukan dengan proses pelatihan dengan sejumlah
sampel pola tertentu sebagai kunci pengenalan untuk menghasilkan sejumlah atribut
kelas.
Kelas yang dihasilkan dalam klasifikasi Supervised telah ditentukan kategori
informasi yang berguna dan kemudian menguji tingkat daya pisah spektralnya.
Klasifikasi terbimbing atau (Supervised) dalam hal ini mensyaratkan kemampuan
pengguna dalam penguasaan informasi lahan atau local knowladge terhadap areal
kajian.
Klasifikasi Unsupervised
Klasifikasi tidak terbimbing merupakan metode yang memberikan mandat
sepenuhnya kepada sistem atau computer untuk mengelompokkan data raster
berdasarkan nilai digitalnya masing-masing, intervensi penggunaan dalam hal ini
diminimalisasi. Proses ini, adalah suatu proses interaksi sampai menghasilkan
pengelompokkan akhir gugus-gugus spectral. Pada klasifikasi tak terbimbing ini
diperlukan data atau piksel sebagai acuan, hal ini didasari pada asumsi bahwa objek
yang sama akan memberikan nilai spectral yang sama atau hampir sama, sehingga
piksel yang berbeda akan saling terpisah.
Pada klasifikasi Unsupervised, pengklasifikasian dimulai dengan pemeriksaan
seluruh pixel dan membagi kedalam kelas-kelas berdasarkan pada pengelompokkan
nilai-nilai citra seperti apa adanya. Dengan menggunakan metode ini, program
klasifikasi mencari pengelompokkan secara natural atau clustering berdasarkan sifat
spectral dari setiap pixel. Jenis metode ini akan digunakan bila kualitas citra sangat
tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun dalam
banyak kasus, terlepas dari kondisicitra yang bersangkutan, metode ini banyak
digunakan untuk memberikan gambaran kasar/informasi awal.
A. Tujuan
1. Mahasiswa dapat melakukan klasifikasi multispektral pada citra penginderaan
jauh.
2. Mahasiswa dapat melakukan identifikasi penutup lahan dengan menggunakan
metode klasifikasi terbimbing (supervised classification)
B. Alat dan bahan
1. Seperangkat komputer.
2. Perangkat lunak ArcGIS 10.7.
3. Citra Satelit Landsat 8 OLI/TIRS L1TP pada praktikum sebelumnya
C. Langkah Kerja
1. Aktifkan ekstensi Spatial Analyst melalui tab menu Customize - Extensions - centang
kolom Spatial Analyst - klik Close.
2. Selanjutnya menampilkan Image Classification agar bisa membuat training sample
penutup lahan. Klik kanan pada bagian toolbar atas dimanapun, kemudian pilih dan
centang Image Classification. Setelah muncul Image Classification, lalu pilih data citra
Landsat yang akan di digitasi yaitu Landsat yang sudah dilakukan penajaman praktikum
sebelumnya.
3. Aktifkan tabel Training Sample Manager untuk melihat digitasi kita dalam menentukan
sampel. Selanjutnya aktifkan Draw Polygon untuk kita menentukan sampel penutup
lahan dengan digitasi.
4. Identifikasi setiap jenis penutup lahan yang sama, gunakan tabel menurut SNI 7645-2010
tentang Klasifikasi Penutup Lahan.
5. Digitasi masing-masing objek dengan menggunakan klik kiri satu kali dan apabila selesai
membuat polygon dengan klik kiri dua kali. Berikan nama sesuai dengan Penutup Lahan
pada kolom tabel Class Name.
6. Gunakan tools Merge Training Samples untuk menyatukan tutupan lahan dengan
klasifikasi yang sama dengan menggunakan Shift atau Ctrl dan klik pada ID. Pembuatan
Training Sample diharapkan harus representatif dan mewakili dari keseluruhan objek
dan sesuaikan jumlahnya berdasarkan dari keberagaman objek yang diambil sampelnya,
semakin banyak training sample akan memberikan hasil yang baik dalam proses
klasifikasi.
7. Setelah selesai dalam pembuatan sampel pada masing-masing objek Penutup Lahan,
simpan sampel tersebut dengan pilih klik Save Training Samples pada layar kerja Training
Sample Manager. Muncul layar Output feature class selanjutnya tentukan direktori
penyimpanan - tuliskan nama sampel contoh: SampelPL_Tenggarong.shp - save as
shapefile - klik Save.
8. Selanjutnya membuat sampel sebagai acuan dalam klasifikasi terbimbing (Supervised
Classification) dalam format (.gsg). Pilih dan klik Create a Signature File pada layar kerja
Training Sample Manager - tentukan folder penyimpanan (folder penyimpanan jangan
terlalu dalam, misal d:/Data langsung dan Jangan ada folder lagi dalam d:/Data agar
tidak failed dalam menyimpan signature file .gsg) - tuliskan nama sampel contoh:
SampelPL_Tenggarong.gsg - save as signature files - klik Save.
9. Selanjutnya melakukan proses klasifikasi pada layar kerja Image Classification, pilih dan
klik Classification, kemudian klik Maximum Likelihood Classification. Pada layar kerja
Maximum Likelihood Classification, masukkan layer data citra Landsat hasil komposit
band yang sudah dibuat, pada kolom Input Signature File masukkan file (.gsg) yang
sudah dibuat sebelumnya, tentukan folder penyimpanan pada Output Classified Raster
dan beri nama contoh: PL_Tenggarong.TIF (Folder pada direktori jangan terlalu dalam
untuk keberhasilan proses klasifikasi), selanjutnya klik OK.
10. Tunggu proses klasifikasi sampai selesai, apabila proses sudah selesai dan hasil klasifikasi
tidak muncul secara otomatis pada layer di lembar kerja Table Of Contents, Lakukan Add
Data dimana lokasi file tersebut disimpan direktori kita. Ganti nama keterangan dari
value menjadi class name pada penutup lahan sesuai dengan tabel Training Sample
Manager
11. Hasil klasifikasi penutup lahan selesai dilakukan
II
HASIL KEGIATAN
III
PEMBAHASAN
Klasifikasi multispektral terdiri dari dua yaitu unsupervised dan supervised hasil
klasifikasi unsupervised yaitu pada lampiran 1 dan 2 sedangkan hasil dari klasifikasi
supervised pada lampiran 3 sampai 6. Satelit yang digunakan yaitu jenis satelit 8, yang mana
masuk pada tergolong jenis resolusi menengah, bersamaan dengan ASTER, Landsat 7,
CBER-2, dan SPOT 4. Terdapat klasifikasi resolusi yaitu resolusi rendah (air, vegetasi, dan
tanah), menengah (perairan laut, perairan darat, hutan, perkebunan, pertanian, lahan
terbangun, dan lahan terbuka), dan tinggi (air laut dalam, air laut dangkal, danau, sawah,
tegalan, pemukiman kota, pasir, dan sebagainya). Pada lampiran 1 (klasifikasi unsupervised
ISODATA) menunjukan tingkat akurasi yang kurang yaitu pengguna mengalami kesulitan
dalam menentukan legenda, dimana dalam setiap satuan warna tidak hanya mewakili satu
kenampakan. Penganalisis menetapkan klasifikasi warna (legenda) menjadi 5 yaitu warna
cyan untuk perairan, warna magenta untuk tambak, warna maroon untuk vegetasi rapat,
warna sea green untuk vegetasi sedang, dan warna puple untuk lahan kosong. Klasifikasi
pada ISODATA ini masuk pada resolusi rendah (perairan/ air) dan menengah (vegetasi rapat,
vegetasi sedang, dan lahan kosong). Tingkat akurasi yang kurang dilakukan oleh sistem
dilihat dari diantaranya warna purple yang ada menunjukakan/ mewakili beberapa
kenampakan yaitu pemukiman desa maupun kota, awan, dan lahan kosong/ lahan terbuka.
Hal ini memungkinkan terjadi, mungkin dikarenakan tingkat pemantulan dari objek yang
sama sehingga sistem tidak bisa membaca dengan baik dan ini juga ditentukan spektral yang
ditentukan sistem. Terdapat pula warna magenta yang menunjukkan/ mewakili kenampakan
tambak, dan beberapa vegetasi di tengah daratan. Dalam penentuan number of classes
menggunakan minimum 9 dan maksimum 10, dan untuk maksimum literasi menggunakan
angka 3.
IV
KESIMPULAN
1. Dalam proses mengkoreksi citra sangat dibutuhkan ketelitian yang jeli, hal ini karena
ketelitian dan penguasaan pengamatan klasifikasi kenampakan muka bumi akan
menentukan hasil pada peta. Terdapat dua macam klasifikasi yaitu klasifikasi
unsupervised dan supervised.
2. Terdapat klasifikasi multispektral unsupervised yaitu isodata dan k-means dan
klasifikasi supervised yaitu Parallelepiped, Minimum Distance, Maximum Likehood,
dan Mahalanobis Distance. Menggunakan klasifikasi unsupervised memiliki tingkat
akurasi yang kurang karena sistem yang menentukan perwakilan warna dalam setiap
kenampakan dan dalam setiap satuan warna tersebut terdapat dua atau lebih
kenampakan. Pengguna atau pemberi legenda hanya dapat memberi map key dengan
cara tiap satuan warna dibuat untuk mewakili kenampakan yang dominan. Seperti
contohnya pemukiman, lahan kosong, dan awan diwakili dengan satu warna yaitu
purple. Dan pada legenda dituliskan untuk purple mewakili kenampakan lahan kosong
(lahan terbuka). Sedangkan untuk klasifikasi supervised merupakan metode yang
lebih baik dibandingkan dengan unsupervised namun hal ini bisa terjadi dengan
akurasi yang tinggi bergantung pada pengguna atau orang yang melakukan klasifikasi
dan identifikasi ini permukaan bumi dengan pengetahuan penginderaan yang baik.
Sehingga pengambilan sampel untuk rois tidak mengalami kesalahan. Dalam
memperkecil kesalahan dan agar memiliki tingkat akurasi yang tinggi maka dilakukan
pengambilan sampel lebih dari tiga atau bahkan pengambilan dilakukan sebanyak
mungkin dan pixel yang diambil pun juga banyak.
DAFTAR PUSTAKA
Lillesand, & Kiefer. 1979. Remote Sensing and Image Interpretation. New York: John
Willey and sons.
Richards, JA. 1993. Remote Sensing Digital Image Analysis: An Introduction. Berlin:
Sringer-Verlag..
https://www.usgs.gov/faqs/what-are-band-designations-landsat-satellites. Diakses
pada September 2020
https://www.usgs.gov/core-science-systems/nli/landsat/using-usgs-landsatlevel-1-
data-product. Diakses pada September 2020
Sari, Vivi Diannita Sari, dkk. 2015.Perbandingan Pengaruh Koreksi Radiometrik Citra
Landsat 8 Terhadap Indeks Vegetasi Pada Tanaman Padi. Surabaya : Prosiding
Seminar Nasional Aplikasi Teknologi Prasarana Wilayah (ATPW).
Soenarmo, S. H., 2009. Penginderaan Jauh dan Pengenalan Sistem Informasi
Geografis untuk Bidang Ilmu Kebumian. Bandung: Penerbit ITB Bandung.
ACARA V
BAB I
PENDAHULUAN
1. Latar Belakang
A. Tujuan
1. Mahasiswa dapat melakukan Koreksi Radiometrik dengan Metode Apparent
Reflectance citra penginderaan jauh.
2. Mahasiswa dapat melakukan Transformasi Normalized Difference Vegetation
Index (NDVI).
B. Alat dan bahan
1. Seperangkat komputer.
2. Perangkat lunak ArcGIS 10.7 3. Citra Satelit Landsat 8 OLI/TIRS L1TP pada
praktikum sebelumnya.
C. Langkah Kerja
Koreksi Radiometrik dengan Metode Apparent Reflectance
1. Membuka perangkat lunak ArcGIS. Add Data dan cari direktori lokasi file citra
Landsat 8 yang sudah diekstrak dari (.gz archive) seperti pada praktikum
pertemuan 2. Selanjutnya pilih metadata citra dengan format (.txt) kemudian Add
2. Setelah citra tersebut sudah muncul di Layer layar kerja kita selanjutnya klik
kanan pada nama file citra tersebut kemudian pilih dan klik Properties. Pada Layer
Properties kita bisa cek dan melihat metadata file tersebut dengan memilih pada
tab Key Metadata, terlihat terdapat 8 saluran/band citra Landsat 8.
3. Selanjutnya pilih dan klik pada tab Functions. Klik kanan pada tulisan Stretch
Function kemudian pilih dan klik Remove
4. Klik kanan lagi pada tulisan Composite Band Function - Pilih Insert Function -
pilih dan klik Apparent Reflectance Function
5. Pada layar kerja Raster Function Properties di tab Apparent Reflectance klik dan
centang Albedo lalu klik OK
6. Selanjutnya pada menu Layer Properties pilih dan klik Apply lalu OK, maka
proses akan berjalan. Tunggu hingga tampilan citra berwarna hitam saja di layar
kita, proses ini tidak berarti gagal ya.
7. Selanjutnya pada data hasil Apparent Reflectance yang telah dibuat dan masih
berwarna hitam, klik kanan pada nama file citra di Layers - pilih Data - pilih dan
klik Export Data
8. Muncul layar kerja Export Raster Data. Tentukan lokasi penyimpanan file citra
tersebut di direktori komputer kita pada kolom Location, selanjutnya berikan
nama file pada kolom Name contoh: Radiometrik_20190104.TIF. Pilih dan klik
Save, tunggu hingga proses penyimpanan selesai. Setelah proses tersebut selesai
akan muncul layar Output Raster untuk menampilkan data pada layar kerja kita
pilih dan klik Yes
9. Data file citra yang sudah kita lakukan koreksi radiometrik dengan nama file
Radiometrik_20190104 sudah muncul pada layar kerja kita dan data sebelumnya
bisa dihilangkan dari Layers dengan klik kanan pada nama file pilih dan klik
Remove
10. Selanjutnya Add Data dan masukkan Shapefile administrasi Kecamatan
Tenggarong. File ini digunakan untuk memotong citra tersebut sama seperti
proses memotong citra pada praktikum.
11. Buka ArcToolbox - Data Management Tools - Raster - Raster Processing - Clip.
Isikan Input Raster dengan citra yang sudah dikoreksi radiometrik tadi dan Output
Extent dengan shp Tenggarong, jang lupa berikan centang pada Use Input features
for Clipping Geometri. Pada kolom Output Raster Dataset tentukan lokasi
penyimpanan dan nama file baru contoh: Radiometrik_Tenggarong.TIF, klik OK.
Tunggu sampai proses selesai dilakukan dan muncul pada Layers kita
12. Setelah data citra hasil yang sudah dilakukan pemotongan citra muncul di Layer,
bisa hilangkan file Tenggarong dan Radiometrik_20190104.TIF, sehingga yang
muncul pada layar kerja hanya data citra Radiometrik_Tenggarong.TIF untuk
dilakukan Transformasi NDVI
13. Berikut perbedaan nilai piksel citra dari sebelum dilakukan koreksi radiometrik
masih dalam digital number dengan nilai piksel yang sudah dilakukan koreksi
radiometrik nilai reflektan
Transformasi Normalized Difference Vegetation Index (NDVI)
1. Masih dengan layar kerja dengan data citra yang sudah terkoreksi radiometrik dan
sudah terpotong hanya pada wilayah kajian tampilkan citra tersebut dengan
kombinasi Channel R = Near Infrared, G = Red, dan B = Green pada tab
Symbology di layar kerja Layer Properties lalu OK. Tampilan ini merupakan
warna dominan inframerah untuk melihat vegetasi yaitu saluran 5 4 3.
2. Selanjutnya aktifkan tool Image Analysis yang berada di menu Windows – pilih
dan klik Image Analysis
3. Setelah muncul layar kerja Image Analisis pilih dan klik pada ikon Image
Analysis Option. Pada tab NDVI sesuaikan Red Band: 4, dan Infrared Band: 5.
Selanjutnya klik kolom centang Scientific Output, OK
4. Klik nama file citra tersebut sehingga berlatar warna biru, selanjutnya ikon NDVI
akan aktif, pilih dan klik ikon NDVI. Tunggu proses hingga data citra baru
muncul di Layers
5. Tutup layar kerja Image Analysis. Proses ini akan menghasilkan temporary data
citra pada layer di Table Of Contents dengan nama baru yaitu
NDVI_Radiometrik_Tenggarong.TIF. Simpan dahulu data tersebut dengan klik
kanan pada nama file - pilih Data - pilih dan klik Export Data
6. Tentukan lokasi direktori tersebut disimpan dan berikan nama: NDVI_
Tenggarong.TIF kemudian Save
7. File citra sebelumnya di Layers dapat dihapus dan tampilkan NDVI_
Tenggarong.TIF di Layers
8. Lakukan pengkelasan data citra NDVI tersebut berdasarkan tabel yang ditetapkan
oleh USGS dibawah ini
9. Cara pengkelasannya yaitu klik kanan pada file nama NDVI_Tenggarong.TIF -
Properties - pilih tab Symbology - pada kolom Show pilih Classified - tentukan
jumlah Classes 4 dan klik pada Classify. Isikan Break Values sesuai dengan tabel
USGS
10. Tentukan warna pada Color Ramp atau double klik pada warna symbol tersebut,
selanjutnya masukkan Label sesuai dengan nama daerah pembagian berdasarkan
tabel dari USGS, selanjutnya klik OK
11. Klasifikasi dengan menggunakan Transformasi NDVI berdasarkan USGS sudah
berhasil kita lakukan
12. Kegiatan selanjutnya yaitu mengetahui tingkat kerapatan vegetasi yang ada pada
wilayah tersebut dengan berdasarkan dari tabel kisaran NDVI Departemen
Kehutanan tahun 2003 dibawah ini
13. Selanjutnya lakukan pengkelasan kembali pada data citra NDVI tersebut sesuai
dengan kelas kerapatan tersebut dengan cara buka ArcToolbox - pilih Spatial
Analysis Tools - Reclass – Reclassify. Masukkan Input Raster yaitu
NDVI_Tenggarong.TIF
14. Selanjutnya klik Classify akan muncul layar Classification, pada Classes bagi
menjadi 3. Isikan Break Values yaitu 0,32 | 0,42 dan | 1 sesuai dengan tabel diatas,
klik OK
15. Pada Output Raster tentukan lokasi penyimpanan di direktori kita dan beri nama
baru pada file tersebut contoh: Kerapatan_NDVI.TIF klik Save dan OK. Tunggu
sampai proses tersebut berhasil dilakukan
16. Setelah proses tersebut selesai dan tampil di Layers kita sesuaikan warna dan
berikan Label sesuai dengan tingkat kelas kerapatannya
17. Selesai
II
HASIL KEGIATAN
III
PEMBAHASAN
KESIMPULAN
Dari praktikum yang telah dilakukan dapat ditarik kesimpulan bahwa Dengan proses
transformasi NDVI dapat diperoleh nilai digital citra yang akan membedakan kawasan
vegetasi mangrove dan bukan, yaitu pada rentang -1 sampai 1.
DAFTAR PUSTAKA
Departemen Kehutanan. (2003). Kelas Kisaran NDVI untuk Tingkat Kerapatan Hutan.
Lillesand, & Kiefer. 1979. Remote Sensing and Image Interpretation. New York: John
Willey and sons.
https://www.usgs.gov/core-science-systems/nli/landsat/using-usgs-landsatlevel-1-data-
product. Diakses pada September 2020
Ardiansyah, Sawitri Subiyanto dan Abdi Sukmono. 2015. Identifikasi Lahan Sawah
Menggunakan NDVI dan PCA pada Citra Landsat 8. Semarang : Universitas
Diponogoro.
Arhatin, R.E. 2007. Pengkajian Algoritma Indeks Vegetasi dan Metode Klasifikasi
Mangrove dari Data Satelit Landsat-5 TM dan Landsat-7 ETM+ : Studi Kasus di
Kabupaten Berau, Kalimantan Timur. [tesis]. Bogor : Program Pascasarjana,
Institut Pertanian Bogor.
Arrijani, dkk. 2006. Analisis Vegetasi. Hulu DAS Cianjur Taman Nasional Gunung
Gede-Pangrango. Manado: Jurusan Biologi Fmipa Universitas Negeri Manado.
Biodiversitas Vol. 7, No. 2, April 2006.