PENGOLAHAN CITRA DIGITAL

Munajat Nursaputra, M.Sc

Pengolahan citra digital adalah manipulasi dan interprestasi digital dari citra
dengan bantuan komputer.

Pengolahan citra bertujuan untuk:

1. Memperbaiki kualitas gambar, dilihat dari aspek radiometric dan aspek
geometric. Aspek radiometric terdiri dari peningkatan kontras, restorasi citra,
transformasi warna sedangkan aspek geometric terdiri dari rotasi, skala,
translasi, trnsformasi geometric).
2. Melakukan proses penarikan informasi atau deskripsi obyek atau pengenalan
obyek yang terkandung pada citra.
3. Melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan
analisis.
4. Melakukan kompresi atau reduksi data untuk tujuan penyimpanan data,
transmisi data, dan waktu proses data.
PENGOLAHAN DATA SPASIAL BERBASIS RASTER

Kelebihan
1. Struktur data raster sederhana
2. Tumpang susun dan kombinasi data yang dipetakan mudah dilakukan
3. Analisis keruangan mudah dilakukan
4. Satuan unit dalam raster mempunyai ukuran dan bentuk yang sama.

Kelemahan
1. Volume data grafik besar sehingga memerlukan tempat penyimpanan
data yang besar pula.
2. Penggunaan ukuran pixel yang besar untuk mengurangi ruang
pemakaian sering menghilangkan beberapa informasi.
Mengenal Jenis-Jenis Citra Satelit

Satelit Landsat (land satelite)

Citra Landsat TM merupakan salah satu jenis citra satelit penginderaan jauh yang
dihasilkan dari sistem penginderaan jauh pasif. Satelit landsat merupakan satelit
dengan jenis orbit sunsynkron (mengorbit bumi dengan hampir melewati kutub,
memotong arah rotasi bumi dengan sudut inklinasi 98,2 derajat dan ketinggian
orbitnya 705 km dari permukaan bumi. Luas liputan per scene 185km x 185km.

Satelit SPOT (systeme pour I’observation de la terre)

Merupakan satelit milik perancis yang mengusung pengindera HRV (SPOT1,2,3,4) dan
HRG (SPOT5). Satelit ini mengorbit pada ketinggian 830 km dengan sudut inklinasi 80
derajat. satelit SPOT memiliki keunggulan pada sistem sensornya yang membawa dua
sensor identik yang disebut HRVIR (haute resolution visibel infrared). Masing-masing
sensor dapat diatur sumbu pengamatanya kekiri dan kekanan memotong arah
lintasan satelit merekam sampai 7 bidang liputan.

Satelit QUICKBIRD
Merupakan satelit resolusi tinggi dengan resolusi spasial 61 cm, mengorbit pada
ketinggian 450km secara sinkron matahari, satelit ini memiliki dua sensor utama yaitu
pankromatik dan multispektral. Quickbird diluncurkan pada bulan oktober 2001 di
california AS. Quickbird memiliki empat saluran (band).
Satelit ASTER (advanced spaceborne emission and reflecton radiometer)
Satelit yang dikembangkan negara jepang dimana sensor yang dibawa terdiri dari
VNIR, SWIR, dan TIR. Satelit ini memiliki orbit sunshyncronus yaitu orbit satelit yang
menyelaraskan pergerakan satelit dalam orbit presisi bidang orbit dan pergerakan
bumi mengelilingi matahari, sedemikian rupa sehingga satelit tersebut akan
melewati lokasi tertentu di permukaan bumi selalu pada waktu lokal yang sama
setiap harinya. Ketinggian orbitnya 707 km dengan sudut inklinasi 98,2 derajat.

Satelit IKONOS
Ikonos adalah satelit resolusi spasial tinggi yang diluncurkan bulan september 1999.
merekam data multispektral 4 kanal pada resolusi 4m. Ketinggian orbitnya 681km.
Produk satelit ini merupakan citra resolusi tinggi sangat cocok untuk analisis detil
misalnya wilayah perkotaan tapi tidak efektif apabila digunakan untuk analisis yang
bersifat regional.

Satelit GeoEye
GeoEye-1 merupakan Satelit pengamat Bumi yang pembuatannya disponsori oleh
Google dan National Geospatial-Intelligence Agency (NGA) yang diluncurkan pada 6
September 2008 dari Vandenberg Air Force Base, California, AS. Satelit ini mampu
memetakan gambar dengan resolusi gambar yang sangat tinggi dan merupakan
satelit komersial dengan pencitraan gambar tertinggi yang ada di orbit bumi saat ini.
Satelit WorldView-2
Satelit WorldView-2 adalah satelit generasi terbaru dari Digitalglobe yang diluncurkan
pada tanggal 8 Oktober 2009. Citra Satelit yang dihasilkan selain memiliki resolusi
spasial yang tinggi juga memiliki resolusi spectral yang lebih lengkap dibandingkan
produk citra sebelumnya. Resolusi spasial yang dimiliki citra satelit WorldView-2 ini
lebih tinggi, yaitu: 0.46-0.5 m untuk citra pankromatik dan 1.84 m untuk citra
multispektral. Citra multispektral dari WorldView-2 ini memiliki jumlah band sebanyak
8 band, sehingga sangat memadai bagi keperluan analisis-analisis spasial sumber daya
alam dan lingkungan hidup.

Satelit NOAA (National Oceanic and Atmospheric Administration)

Satelit NOAA merupakan satelit meterologi generasi ketiga milik ”National Oceanic
and Atmospheric Administration” (NOAA) Amerika Serikat. Munculnya satelit ini
untuk menggantikan generasi satelit sebelumnya, seperti seri TIROS (Television and
Infra Red Observation Sattelite, tahun 1960-1965) dan seri IOS (Infra Red Observation
Sattelite, tahun 1970-1976). Konfigurasi satelit NOAA adalah pada ketinggian orbit
833-870 km, inklinasi sekitar 98,7 ° – 98,9 °, mempunyai kemampuan mengindera
suatu daerah 2 x dalam 24 jam (sehari semalam).
Mengenal Citra Landsat 8
1. Visible, Near Infrared (NIR), Short Wave Infrared (SWIR),

Panchromatic dan Thermal.

2. Band 1,2,3,4,5,6,7 dan 9 mempunyai resolusi spasial 30 meter.

3. Band 8 mempunyai resolusi spasial 15 meter.

4. Band 10 dan 11 resolusi spasialnya 100 meter.

Kombinasi Band Landsat 8
Kunci Interpretasi
1. Kunci Individual (item key)
2. Kunci Subyek (subject key)
3. Kunci Regional (regional key)
4. Kunci Analog (analogue key)
5. Kunci Langsung (direct key)
6. Kunci Asosiatif (associative key)
Unsur Interpretasi
1. Rona dan Warna
2. Ukuran
3. Bentuk
4. Tekstur
5. Pola
6. Tinggi (Konvergensi Bukit)
7. Situs
8. Bayangan
9. Asosiasi
KOREKSI CITRA
Koreksi geometrik merupakan proses memposisikan citra sehingga cocok dengan
koordinat peta dunia yang sesungguhnya. Posisi geografis citra pada saat
pengambilan data dapat menimbulkan distorsi karena perubahan posisi dan juga
ketinggian sensor. Dalam akuisisi citra satelit, distorsi ini akan bertambah seiring
dengan perbedaan waktu pembuatan peta dan akuisisi citra serta kualitas dari peta
dasar yang kurang baik. Untuk memperbaiki kesalahan geometrik yang terjadi,
Mather (2004) mengelompokkan koreksi geometrik menjadi dua kategori, yakni:
model geometri orbital dan transformasi berdasarkan titik kontrol di lapangan
(ground control point, GCP).

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. Koreksi yang bertumpu pada informasi
dalam citra antara lain : Koreksi histrogram, penyesuaian regresi, koreksi berbasis
diagram pancar, kalibrasi bayangan dan kenampakan gelap. Koreksi dipengaruhi
oleh lima faktor yakni : pantulan atau reflektansi objek, bentuk dan besaran
interaksi atmosfer, kemiringan dan arah hadap lereng, sudut pandang sensor, dan
sudut ketinggian matahari.
Klasifikasi Citra
Tujuan dari proses klasifikasi citra adalah untuk mendapatkan gambar atau peta
tematik. Gambar tematik adalah suatu gambar yang terdiri dari bagian-bagian yang
menyatakan suatu objek atau tema tertentu. Proses klasifikasi citra ada dua jenis,
yaitu:
1. Supervised (Klasifikasi Citra Terawasi)
2. Unsupervised (Klasifikasi Citra Tak Terawasi).
 Klasifikasi Citra Terawasi (Supervised)

Penggunaan istilah terawasi disini mempunyai arti berdasarkan suatu referensi

penunjang, dimana kategori objek-objek yang terkandung pada citra telah
dapat diidentifikasi. Klasifikasi ini memasukkan setiap piksel citra tersebut
kedalam suatu kategori objek yang sudah diketahui.
Klasifikasi terbimbing yang didasarkan pada pengenalan pola spectral terdiri
atas tiga tahapan, yaitu:
1. Tahap training sample: analisis menyusun kunci interpretasi dan
mengembangkan secara numeric spectral untuk setiap kenampakan
dengan memeriksa batas daerah (training area).
2. Tahapan klasifikasi: setiap pixel pada serangkaian data citra dibandingkan
setiapp kategori pada kunci interpretasi numeric, yaitu menentukan nilai
pixel yang tak dikenal dan paling mirip dengan kategori yang sama.
Perbandingan tiap pixel citra dengan kategori pada kunci interpretasi
dikerjakan secara numeric dengan menggunakan berbagai strategi
klasifikasi (dapat dipilih salah satu dari jarak minimum rata-rata kelas,
parallelepiped, kemiripan maksimum). Setiap pixel kemudian diberi nama
sehingga diperoleh matrik multi dimensi untuk menentukan jenis kategori
penutupan lahan yang diinterpretasi.
3. Tahapan keluaran: hasil matrik didenileasi sehingga terbentuk peta
penutupan lahan, dan dibuat tabel matrik luas berbagai jenis tutupan
lahan pada citra.
Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral. Batas-batas keputusan merupakan
parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan
berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.

Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan
menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata
untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi
jika tidak memenuhi kriteria yang dipilih.

Mahalanobis Distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi
Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan
karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan
ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal
ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang
batas.
Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya
didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas
tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap
piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum
likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan,
piksel tetap tidak terklasifikasi

Spektral Angle Mapper

Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk
mencocokkan piksel untuk spektra acuan.

Spectral Information Divergence

Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang
menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum referensi.
Semakin kecil divergensi, semakin besar kemungkinan piksel serupa. Piksel dengan
pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan tidak
diklasifikasikan.
Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir anggota
menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di atas
rata-rata spektrum, masing-masing. Dapat membandingkan setiap spektrum
referensi yang dikodekan dengan spektrum data yang disandikan dan menghasilkan
klasifikasi citra. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar
dari band yang cocok, kecuali jika ditentukan batas minimum pertandingan, dalam
hal ini beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.

Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural

Support Vector Machine

Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas
dengan permukaan keputusan yang memaksimalkan margin antara kelas.
 Klasifikasi Citra Tak Terawasi (Unsupervised)

Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya tidak

menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa
proses tersebut hanya dilakukan berdasarkan perbedaan tingkat warna
setiap piksel pada citra. Klasifikasi citra tak terawasi mencari kelompok-
kelompok (cluster) piksel-piksel, kemudian menandai setiap piksel kedalam
sebuah kelas. Klasifikasi unsupervised melakukan pengelompokan data
dengan menganalisa cluster secara otomatis dan menghitung kembali rata-
rata kelas (class mean) secara berulang-ulang dengan computer.
Isodata
Mengklasifikasikan kelas secara merata. Piksel-piksel diklasifikasikan ke kelas terdekat.
Setiap iterasi kalkulasi ulang sarana dan mereklasifikasi piksel sehubungan dengan
cara baru. Iteratif membelah kelas, penggabungan, dan menghapus dilakukan
berdasarkan parameter input threshold. Semua piksel diklasifikasikan ke kelas terdekat
kecuali deviasi standar atau ambang batas jarak yang ditentukan, dalam hal ini
beberapa piksel mungkin unclassified jika mereka tidak memenuhi kriteria yang
dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang
dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.

K-means
Menggunakan pendekatan analisis kelas yang mengharuskan analis untuk memilih
jumlah kelas yang berlokasi di data, sewenang-wenang ini menempatkan sejumlah
pusat klaster, kemudian iteratif repositions mereka sampai keterpisahan spektral yang
optimal dicapai. Klasifikasi ini juga menggunaka teknik jarak minimum. Setiap iterasi
kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara baru.
Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang
batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika
mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel
dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau
jumlah maksimum iterasi tercapai.