INTERPRETASI CITRA

UNIVERSITAS PADJADJARAN
FAKULTAS PERIKANAN DAN ILMU KELAUTAN
JATINANGOR
 Platform for Earth Observation
1000 Km

Satellite

Rocket

100

Balloon

10
Aero plane

Helicopter

Drone

Crane
0 Km
 Review

Digital Image Processing?

Suatu rangkaian proses yang meliputi manipulasi
dan interpretasi citra digital dengan bantuan
Pembacaan Citra/
Import
komputer.

Menampilkan Citra
Diagram Alir
Pengolahan Data
Inderaja (Citra)

Koreksi Citra

Penajaman Citra Interpretasi Citra

 SUB POKOK BAHASAN

• DEFINISI DAN PENGERTIAN

• METODE INTERPRETASI CITRA

• UNSUR INTERPRETASI CITRA

 DEFINIS DAN PENGERTIAN

Apa itu Interpretasi Citra?

“Kegiatan mengkaji foto udara dan atau citra dengan maksud

untuk mengidentifikasi objek dan menilai arti pentingnya objek
tersebut” (Sutanto 1986)
 METODE INTERPRETASI CITRA

Ada tiga rangkaian utama dalam interpretasi citra:

1. Deteksi
Pengamatan obyek pada citra yang bersifat global
dengan melihat ciri khas obyek berdasarkan unsur rona
atau warna. Pengenalan Objek
2. Identifikasi
Upaya mencirikan obyek yang telah dideteksi Perolehan Data
menggunakan keterangan yang cukup.

3. Analisis
Tahap pengumpulan keterangan lebih lanjut.
 UNSUR INTERPRETASI CITRA

1. Rona/ Warna
⮚ Rona merupakan tingkat kegelapan atau kecerahan obyek (hitam-putih)
⮚ Warna tingkat keragaman warna dari saluran/ band citra (karakteristik
spektral berdasarkan panjang gelombang)
 UNSUR INTERPRETASI CITRA

2. Bentuk
⮚ Bentuk merupakan variabel kualitatif yang menguraikan konfigurasi
atau kerangka suatu obyek
⮚ Mis. persegi, membulat, memanjang, struktur obyek.
Gedung kampus

Stadion

Rumah
 Gunung

Sungai
 UNSUR INTERPRETASI CITRA

3. Ukuran
⮚ Merupakan bagian dari atribut obyek.
⮚ Mis. jarak, luas, tinggi, lereng dan
volume
⮚ Ukuran tergantung skala dan resolusi
citra.
 UNSUR INTERPRETASI CITRA

4. Tekstur
⮚ Berkaitan dengan perubahan rona pada citra
⮚ Tekstur sering dinyatakan dalam ujud kasar, halus atau bercak-bercak.
⮚ Mis. obyek bangunan bertekstur kasar, kebun bertekstur sedang, rumput
bertekstur halus.

kasa
r Hal yang mempengaruhi tekstur
1. Jarak antar objek
2. Ketinggian objek

halus
sedan
g
 UNSUR INTERPRETASI CITRA

5. Pola
⮚ Pola merupakan susunan keruangan dari obyek baik buatan manusia
maupun alami.
⮚ Mis. pola vegetasi perkebunan teratur dibanding dengan hutan, real
estate teratur dibanding dengan perumahan pedesaan, dll.

perkebunan

hutan
 UNSUR INTERPRETASI CITRA

6. Bayangan
⮚ Merupakan obyek yang tampak samar-samar atau tidak tampak sama
sekali (hitam), sesuai dengan bentuk obyeknya.
⮚ Mis. bayangan awan, bayangan gedung, bayangan bukit/gunung, dll.

Bayangan awan

awan
 UNSUR INTERPRETASI CITRA

7. Situs
⮚ merupakan hubungan antar obyek dalam suatu lingkungan yang dapat
menunjukkan obyek disekitarnya/ letak suatu obyek terhadap obyek
lain.
⮚ Mis. vegetasi mangrove biasanya berada di sepanjang pantai atau
muara sungai, pemukiman berada disepanjang jalan atau tepi
sungai/pantai, dll.

Jalan
Pemukiman

mangrove
 UNSUR INTERPRETASI CITRA

8. Asosiasi
⮚ merupakan unsur antar obyek yang saling berkaitan.
⮚ Mis. pelabuhan merupakan asosiasi dari kenampakan laut, dermaga,
kapal, bangunan gudang, bangunan tempat tunggu penumpang,
lapangan tempat parkir dsb.

pelabuhan
Hirarki unsur-unsur interpretasi Citra
 METODE INTERPRETASI CITRA

1. Interpretasi Secara Manual

• Pengenalan karakteristik obyek secara spasial berdasarkan

pada unsur-unsur interpretasi citra inderaja.
• Citra sudah terkoreksi (Radiometrik dan Geometrik).
• Berdasarkan sistem klasifikasi untuk mensegmentasikan
obyek yang homogen.
• Perhitungan kuantitatif berdasarkan skala dan resolusi citra.
Koreksi Radiometrik → Nilai Pixel
1. Stripping atau banding →
ketidakstabilan detector.
2. Line dropout terjadi
sebagai akibat dari
detector yang gagal
berfungsi dengan tiba-
tiba. Jangka waktu
kerusakan pada kasus ini
biasanya bersifat
sementara.
3. Efek atmosferik
merupakan fenomena
yang disebabkan oleh
debu, kabut atau asap
seringkali menyebabkan
efek bias dan pantul
pada detector, sehingga
fenomena yang berada di
bawahnya tidak dapat
terekam secara normal.
Kanal Citra Lansat 8
 METODE INTERPRETASI CITRA

2. Interpretasi Secara Digital

• Dengan bantuan hardware dan software komputer.

• Mulai dari pra-pengolahan citra (koreksi-koreksi).
• Penajaman citra
• Klasifikasi citra berdasarkan unsur interpretasi citra
(dengan cara supervised dan unsupervised)
 Hasil akhir dari interpretasi citra

Klasifikasi substrat dasar perairan dangkal

Interpretasi Visual
1

3
1

3
1 2
1 2

3 4
 Aerial Photograph

Digital Color
1:5.000 of
Aceh
Landsat 7 ETM+ (Sunda Strait)
 Advanced Space borne Thermal
Emission & Reflection
Radiometer (ASTER) – Berau, East
Borneo
Radar Image

Radar Image, Int.

Airport,
Jakarta
 Interpretasi secara manual :
• Keuntungan :
Membutuhkan peralatan yang
sederhana dan lebih mudah untuk
dipelajari.
• Kelemahan :
Dalam melakukan analisis ada
keterbatasan, karena hanya dapat
melakukan interpretasi 1 chanel atau 1
data citra, oleh karena itu sulit untuk
membentuk interpretasi dengan
menggunakan beberapa citra secara
bersamaan. (multiple images).
 Interpretasi digital
• Keuntungan :
1. analisis lebih simultan
2. menggunakan beberapa beberapa
channel ataupun data citra yang berbeda
waktu (multi dates).
3. lebih cepat, walaupun dengan data citra
yang cukup besar, hal ini tergantung dari
kemampuan komputer yang akan
digunakan.
4. Analisis digital berdasarkan manipulasi
nilai digital pada komputer dan
selanjutnya lebih obyektif, sehingga
secara umum hasilnya lebih konsisten.

• Kelemahan :
Membutuhkan peralatan yang harus
dipelajari secara khusus dan relatif
mahal
Automatic Classification
Klasifikasi Citra : Pixel based classification
● The pixel based image analysis secara otomatis
mengklasifikasi setiap unit lahan berdasarkan pada
pixel value.

(Gao and Mas 2008)

Klasifikasi Citra : Object based classification
● Object based image analysis terdiri dari segmentasi
feature yang mengelompokan fitur dalam kelompok
yang homogen berdasar pada fitur, tekstur, serta
juga pixel value.

(Gao and Mas

 CITRA SATELIT

KOREKSI CITRA

EKSTRAKSI DATA

PENGAYAAN DATA PENENTUAN LOKASI KAJIAN

MANUAL INTERPRETATION PROSES INTERPRETASI

DATA PENUNJANG

UNSUPERVISED SUPERVISED

HASIL INTERPRETASI

PROSES SETELAH INTERPRETASI

UJI AKURASI

DATA/PETA
 SUPERVISED CLASIFICATION

• Dalam Klasifikasi supervised, operator mengidentifikasi obyek citra berdasarkan

sample dari perbedaan kenampakan permukaan.

• Sample tersebut ditunjukkan pada training area. Pemilihan training area ditentukan
oleh operator berdasarkan pengalaman dan pengetahuan terhadap lokasi dilapangan
untuk diterapkan ke dalam citra.

• Selanjutnya operator melakukan pengecekan atau supervisi kebenaran sample

tersebut. Berdasarkan nilai spektral yang sama, dengan menggunakan program khusus
atau algoritma, komputer akan menentukan kelas berdasarkan pada sampel yang telah
kita tentukan sebelumnya
 SUPERVISED
CLASIFICATION
 UNSUPERVISED CLASIFICATION

• kita mempunyai sedikit informasi tentang dataset kita.

• Klasifikasi data unsupervised memulai mengklarifikasi dari
kelas-kelas atau wilayah-wilayah yang kita spesifikasikan atau
dari jumlah nominal kelas.
• Klasifikasi unsupervised secara sendiri akan mengatagorikan
semua pixel menjadi kelas-kelas dengan menampakan
spectral atau karakteristik spectral yang sama.
• Hasil klasifikasi dipengaruhi oleh parameter-parameter yang
kita tentukan dalam kotak dialog klasifikasi unsupervised.
 UNSUPERVISED CLASIFICATION

• Klasifikasi unsupervised akan menghitung secara statistik

untuk membagi dataset menjadi kelas-kelas sesuai dengan
jumlah kelas yang kita inginkan.
• Biasanya hasil-hasil klasifikasi unsupervised harus
diinterpretasi dengan menggunakan data yang sebenarnya
dilapangan untuk menentukan kelas-kelas yang
mempresentasikan area atau wilayah sebenarnya di lapangan.
Dari informasi ini mungkin kita bisa memutuskan untuk
mengkombinasi atau menghapus kelas-kelas yang diinginkan.
Kita perlu juga untuk memberi warna dan nama untuk
masaing-masing kelas.
UNSUPERVISED CLASIFICATION
 702000 705000 708000 711000 714000 MAP OF ELIGIBLE
FOR AR-CDM
TNBTS

0 500 1000 Met

9123000

9123000
1 : 42.500

Inset
54 0 0 0 0 63 0 0 0 0 72 0 0 0 0

9270000
1134.5 ha

9180000
9090000
9120000

9120000
54 0 0 0 0 63 0 0 0 0 72 0 0 0 0

LCC 1989-2006 HECTARE 70 2 0 0 0 71 1 0 0 0 72 0 0 0 0

Bush/Shrubs - Bush/Shrubs 19.4

9126000
Legend
Bush/Shrubs - Bush/Shrubs
Project Boundary Bush/Shrubs - Savannah 118.4

9117000
Bush/Shrubs - Savana
TNBTS
Savannah - Bush/Shrubs 65.4
Cloud - Bush/Shrubs
Cloud - Savana

9108000
9117000

9117000
Savana - Bush/Shrubs
Savana - Savana
Savannah - Savannah 1016.1

9099000
TOTAL 1219.3
70 2 0 0 0 71 1 0 0 0 72 0 0 0 0
702000 705000 708000 711000 714000
Terima kasih