acara 1

I. PENDAHULUANA. Latar belakangSistem Informasi Geografis (SIG) adalah sebuah alat bantu manajemen berupa informasi berbantuan komputer yang berkait erat dengan sistem pemetaan dan analisis terhadap segala sesuatu serta peristiwa-peristiwa yang terjadi di muka bumi. (Dulbahri, 1993) Teknologi SIG mengintegrasikan operasi pengolahan data berbasis database yang biasa digunakan saat ini, seperti pengambilan data berdasarkan kebutuhan, serta analisis statistik dengan menggunakan visualisasi yang khas serta berbagai keuntungan yang mampu ditawarkan melalui analisis geografis melalui gambar-gambar petanya. Menurut (Este dan Simonett, 1975) Interpretasi citra adalah kegiatan mengkaji foto udara atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut. Jadi di dalam interpretasi citra merupakan penafsiran atau mengkaji citra dan berupaya mengenali objek melalui tahapan kegiatan, yaitu: Deteksi Identifikasi Analisis

B. Tujuan Praktikum1. Mengetahui jenis dan kegunaan menu utama program ER Mapper serta ArcView.2. Mengetahui informasi dasar citra.3. Menginterpretasikan beberapa objek dalam citra.4. Mengklasifikasikan objek pada citra dengan kunci interpretasi serta teknik supervised classification.

II. TINJAUAN PUSTAKAInterpretasi citra adalah perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut. (Estes dan Simonett dalam Sutanto, 1994:7). Menurut Lintz Jr. dan Simonett dalam Sutanto (1994:7), ada tiga rangkaian kegiatan yang diperlukan dalam pengenalan obyek yang tergambar pada citra, yaitu:1. Deteksi, adalah pengamatan adanya suatu objek, misalnya pada gambaran sungai terdapat obyek yang bukan air.2. Identifikasi, adalah upaya mencirikan obyek yang telah dideteksi dengan menggunakan keterangan yang cukup. Misalnya berdasarkan bentuk, ukuran, dan letaknya, obyek yang tampak pada sungai tersebut disimpulkan sebagai perahu motor.3. Analisis, yaitu pengumpulan keterangan lebih lanjut. Misalnya dengan mengamati jumlah penumpangnya, sehingga dapat disimpulkan bahwa perahu tersebut perahu motor yang berisi dua belas orang.Pada proses pelaksanaan interpretasi citra, pengenalan objek merupakan bagian yang sangat penting, karena tanpa pengenalan identitas dan jenis objek, maka objek yang tergambar pada citra tidak mungkin dianalisis. Prinsip pengenalan objek pada citra didasarkan pada penyelidikan karakteristiknya pada citra. Karakteristik yang tergambar pada citra dan digunakan untuk mengenali objek disebut unsur interpretasi citra. Ada tujuh kunci interpretasi citra, yaitu :

1. Rona dan Warna Rona :Tingkat Kecerahan/kegelapan objek pada citra. Warna :Wujud yang tampak oleh mata dengan menggunakan spektrum sempit.Contoh : Putih pada air sungai, menunjukkan sungai tersebut dangkal & keruh. Warna Gelap, sungai tersebut dalam.2. Bentuk :konfigurasi umum atau kerangka suatu objek.Contoh :Gedung Sekolah umumnya berbentuk U, L, terkadang melingkar. Gunung api bentuknya cembung.3. Ukuran :Atribut objek yang berupa jarak, luas, tinggi, volume, dan kelerengan (kemiringan).Contoh : Rumah lebih kecil dari Gedung, Pabrik, Sekolah, dll.4. Pola :Hubungan susunan keruangan dari suatu objek.Contoh :Sawah polanya teratur, pemukiman teratur.5. Tekstur :Frekwensi perubahan rona pada citra fotografi. Sering dinyatakan dengan kasar, halus, teratur, seragam.Contoh :Makam teksturnya lebih halus dibanding dengan pemukiman. Padi dengan jagung lebih halus padi.6. Bayangan :Dapat digunakan untuk menafsirkan objek, menunjukkan arah angin, arah hadap foto. Jatuhnya kalau tidak barat timur.Contoh :Cerobong asap pabrik akan lebih jelas kalau ada bayangannya. 7. Situs dan Asosiasi Situs :Keadaan lingkungan yang melatar belakangi adanya objek tersebut. Contoh :Surabaya berada di delta Brantas. Persawahan banyak terdapat di dataran rendah. Asosiasi :Keterkaitan antara objek yang satu dengan objek yang lain.Contoh :Padi adanya pematang sawah & gubuk,padangrumput adanya binatang ternak (Santoso, 2012).

III. METODE PRAKTIKUMA. Alat dan BahanAlat dan bahan yang digunakan dalam praktikum ini adalah seperangkat komputer yang dilengkapi dengan CD Room dan USB Mass Storage Device Manager atau laptop, citra multispektral, program ER Mapper (versi 7.0 atau versi 7.1) dan ArcView (versi 3.2 atau versi 3.3).

B. Prosedur Kerja1. Informasi Dasar Citraa. Perangkat lunak ER Mapper dibuka dengan klik dua kali ikon ER Mapper pada desktop. Dicatat menu dan kegunaannya yang ada pada perangkat lunak tersebut dalam bentuk tabel hasil pengamatan.b. Dibuka perangkat lunak ArcView dengan klik dua kali ikon ArcView pada desktop. Dicatat menu dan kegunaannya yang ada pada perangkat lunak tersebut dalam bentuk tabel hasil pengamatan.c. Citra multi spektral dipanggil pada perangkat lunak ER Mapper.d. Dilakukan kalkulasi statistik pada citra.e. Kotak algoritma pada tool bar diaktifkan. f. Dipilih menu edit pada kotak algoritma untuk melihat informasi data. g. Dipilih menu View pada menubar dan submenu Geoposition untuk melihat informasi citra.

2. Membuat Citra Komposit 751 dan Interpretasi Objek pada Citraa. Perangkat lunak ER Mapper dijalankan dengan mengklik ikon pada desktop.b. Dipanggil citra landsat yang akan diolah dan diaktifkan kotak dialog algoritma c. Dilakukan kalkulasi statistic d. Diaktifkan mode tampilan RGB dan akan muncul 3 lapis saluran yang bisa diubah e. Saluran merah, hijau dan biru diubah inputnya secara berurut menjadi saluran 7, saluran 5 dan saluran 1 f. Dilakukan pemilihan dan pemotongan citra dengan mengatur ukuran kotak peta serta menarik krusor pada lokasi yang diinginkan g. Digunakan klik kanan pada kotak citra untuk memanggil menu tambahan h. Diaktifkan menu Cell Value Profile untuk mengetahui rona objek yang disorot pointer. i. Diaktifkan menu Cell Coordinate untuk mengetahui kordinat objek yang disorot pointer j. Disorot berbagai macam objek yang berbeda penampakannya pada citra k. Disimpan citra yang telah diolah sebagai citra baru

3. Membuat Kunci Interpretasi dengan ER Mappera. Dipanggil citra komposit yang telah dibuat sebelumnyab. Dilakukan kalkulasi statistik pada citra c. Pembuatan lapisan vector dilakukan dengan mengklik tombol open map composition pada kotak algoritma d. Pembuatan kunci interpretasi dilakukan dengan menggambar sebuah bidang pada satu daerah di citra yang mewakili klasifikasi tertentu e. Penggambaran bidang dapat dilakukan dengan Polygon pada kotak perangkat f. Bidang yang telah digambar disimpan sebagai Raster Region pada citra yang akan diklasifikasikan.

4. Klasifikasi Citra dengan Teknik Supervised Classification a. Dipanggil kembali citra komposit yang telah dibuat kunci interpretasinyab. Dilakukan kalkulasi statistic pada citra c. Pengklasifikasian peta dilakukan dengan mengaktifkan menu Supervised Classification di sub menu Process di menu bard. Kotak output diisi dengan nama file baru e. Digunakan tipe klasifikasi Maximum Classification Standard lalu klik OK untuk memulai klasifikasi f. Dipanggil citra yang telah diklasifikasikan g. Diaktifkan mode Classification pada kotak lapisan h. Warna untuk setiap kelas pada citra bias diubah melalui menu Edit pada menu Bari. Citra disimpan dengan format BIL atau TIFF.

IV. HASIL DAN PEMBAHASANA. Hasil

I. LANSAT

Tabel 1. Informasi Dasar CitraNama FileLandsatTM6Band.ers

Jenis File.ers

Alamat FileD:\IMAM\Bahan Praktik SIG 2015\LandsatTM6Band.ers

Tipe CitraLandsat

Tipe Data Citraraster

Resolusi Citra1322px X 1323px

Resolusi Spasial30m X 30m

Jumlah Kanal7

Resolusi Spektrum0,45 m - 0,52 m

0,52 m - 0,60 m

0,63 m - 0,69 m

0,76 m - 0,900 m

1,55 m - 1,75 m

10,4 m - 12,5 m

2,08 m - 2,35 m

KoordinatKiri atas7:27:30.27S ;108:46:56.62E

Kiri bawah7:48:11.16S ; 108:46:43.46E

Kanan atas7:27:29.36S ; 109:8:0.36E

Kanan bawah7:48:17.25S ; 109:7:41.41E

DatumWGS84

ProyeksiSUTM49

Tabel 2. Interpretasi CitraJenis LokasiWarnaTeksturKesimpulan

ObyekRumah7:44:8.49S ; 109:0:49.72ER 86G 33B 41Halus

Pohon 7:31:50.22S108:57:17.66ER 68G 29B 23Halus

Perahu 7:45:15.49S109:4:49ER 127G 51B 60Halus

Pabrik 7:42:0.14S108:59:56.52ER 93G 41B 54Kasar

Masjid 7:43:7.65S109:0:10.82ER 82G 29B 40Halus

AreaLaut 7:44:37.17S109:3:5.44ER 87G 32B 24Halus

Pemukiman 7:43:42.33S109:0:20.4ER 103G 45B 60Kasar

Hutan 7:45:16.39S108:59:53.77ER 64G 22B 16Halus

Manggroove7:43:28.44S108:57:54.98R 82G 29B 40Kasar

Tabel 3. Klasifikasi CitraKelas Jumlah SelLuas Area Kelas

Manggroove 414033726.270

Hutan 519734677.570

Pemukiman 906158155.350

Laut 589905309.100

II. Foto Udara

Tabel 1. Informasi Dasar CitraNama FileFU_Clp_01.ers

Jenis File.ers

Alamat FileD:\IMAM\Bahan Praktik SIG 2015\FU_Clp_01.ers

Tipe CitraFoto Udara

Tipe Data CitraRaster


Resolusi Spasial1m X 1m

Jumlah Kanal3

Resolusi Spektrum

KoordinatKiri atas5.08 ; 96.54

Kiri bawah20.34; 1915.56

Kanan atas1676.78 ; 66.05

Kanan bawah1646.29 ; 1849.54

DatumRAW

ProyeksiRAW


ObyekKilang minyakX : 1037.70Y : 1052.46R 183G 180B 152Kasar

Pipa X: 1008.17Y: 955.02R 158G 152B 106Halus

RumahX: 1110.54Y: 1019.00R 93G 89B 48Halus

PadiX: 1198.30Y: 631.96R 37G 65B 47Kasar

PohonX: 697.50Y: 584.33R 34G 62B 58Halus

AreaSungaiX: 630.06Y: 584.33R 131G 125B 79Kasar

PabrikX: 960.34Y: 1061.96R 140G 129B 78Halus

PemukimanX: 1468.45Y: 1625.97R 59G 65B 34Kasar

SawahX: 1026.39Y: 497.95R 69G 98B 59Halus


Lading 46188246.188

Sawah 20875120.875

Sungai 16027816.028

Pemukiman 91238991.239

III. SPOT

Tabel 1. Informasi Dasar CitraNama FileSPOT5PanCLP.ers

Jenis File.ers

Alamat FileD:\IMAM\Bahan Praktik SIG 2015\SPOT5PanCLP.ers

Tipe Citraspot

Tipe Data CitraRaster


Resolusi Spasial2.500018355749658m X 2.500018355749658m

Jumlah Kanal3

Resolusi Spektrum

KoordinatKiri atas16.91 ; 50.73

Kiri bawah33.82 ; 6409.36

Kanan atas6392.44 ; 67.64

Kanan bawah6392.44 ; 6409.36

DatumWGS84

ProyeksiGEODETIC


ObyekKilang minyakX: 340.05Y: 1492.06R 195G 255B 238Halus

PabrikX: 480.05Y; 1253.14R 70G 84B 86Kasar

RumahX: 345.67Y: 1590.20R 97G 79B 69Halus

PohonX: 410.22Y: 1079.49R 58G 63B 69Halus

Air X: 364.87Y: 1127.16R 25G 51B 66Sangat halus

AreaSungaiX: 377.66Y: 1151.58R 23G 46B 62Kasar

PabrikX: 320.69Y: 1456.26R 204G 229B 227Halus

LadangX: 569.61Y: 1368.90R 102G 93B 70Kasar

SawahX: 677.39Y: 1337.11R 54G 53B 59Halus


Pemukiman 91680573084145845.438

Industry 76560478570268389.253

Laut 6646884154910064721.995

Kebun 57744360952998666.001

B. PembahasanInterpretasi citra merupakan suatu kegiatan untuk menentukan bentuk dan sifat obyek yang tampak pada citra, berikut deskripsinya.interpretasi citra dan fotogrametri berhubungan erat, meskipun keduanya tidak sama. Bedanya, fotogrametri berkepentingan dengan geometri obyek, sedangkan interpretasi citra berurusan dengan manfaat, penggunaan, asal-usul, ataupun identitas obyek yang bersangkutan.Interpretasi dilakukan melalui pengamatan pada foto/citra yang telah dipotong. Adapun keterangan dari pengamatan yang dicatat dari hasil interpretasi yaitu jenis citra/foto udara, luas liputan (ha) dan jumlah piksel, jenis objek, posisi lokasi geografi, hasil interpretasi (rona, bentuk, ukuran, tekstur) dan simpulan.Dalam penerapan interpretasi ruang ini menggunakan landasan teori interpretasi citra visual. Perencanaan wilayah dan kota memerlukan data-data yang berkesinambungan, untuk memeroleh data yang berkesinambungan tersebut diperlukan beberapa alat pendukung, seperti arcgis. Arcgis merupakan software yang dirancang khusus untuk mengolah peta.Untuk mengolah peta, diperlukan citra. Didalam citra terdapat Sembilan kunci interpretasi, yaitu (Bennema dan Gelens, 1969) : Rona dan Warna Ukuran Tekstur Bentuk Pola Tinggi Bayangan Situs. Asosiasi. Nama objekER Mapper merupakan salah satu software (perangkat lunak) yang digunakan untuk mengolah data citra. Beberapa perangkat lunak serupa yang juga memiliki fungsi yang sama antara lain ERDAS Imagine, PCI, dan lain-lain. Masing-masing software memilki keunggulan dan kekekurangannya masing-masing.

Gambar 1. Tampilan menu dalam perangkat lunak ER Mapper.cSecara umum ada dua tipe tombol operasi pada ER Mapper, yaitu tombol menu pulldown dan toolbar. Sebagian besar perintah operasional telah terfasilitasi dalam menu pulldown, namun dalam kasus-kasus tertentu, menu toolbar sangat efisien dan relatif lebih mudah digunakan.Dalam memulai bekerja dalam ER Mapper Klik Open dari menu pulldown Selanjutnya akan muncul dua jendela secara bersamaan, jendela VIEW dan FILE REPOSITORY. Langkah pertama dalam pengolahan citra adalah mengimpor data citra satelit yang akan digunakan ke dalam format ER Mapper. Pada umumnya data disimpan dalam magnetic tape, CD-ROM atau media penyimpanan yang lain. Bentuk data utama yang di-import adalah data raster dan vector1. Mebuat data setFile data citra sumber tersimpan dalam file yang terpisah-pisah berdasarkan band-nya masing-masing. Sebelum diolah, file-file tersebut harus digabungkan menjadi satu dataset yang tercirikan dengan penggabungan beberapa file tersebut menjadi satu. Langkah-langkahnya adalah sebagai berikut:a. Klik load data setb. Duplikasikan layer menjadi 7 (atau sesuai dengan jumlah band yang akan digabungkan).c. Kemudian isikan tiap layer dengan file band nya masing-masing dengan men-klik LOAD DATASET.Catatan : - Untuk mengganti jenis layer klik kanan pada layer yang akan diganti.- Untuk menduplikasi layer klik Duplicate atau copy layer kemudian paste layer - Untuk menghilangkan layer klik cut layer - Untuk Menonaktifkan layer, klik kanan kemudian pilih Turn Off atau klik d. Bila telah lengkap terisi untuk seluruh band yang akan digabungkan, tampilan jendela algoritm akan tampak seperti gambar disamping. Dalam jendela ini, lakukanlah pengecekan ulang, apakah tiap layer band telah berisi file band yang sesuai.e. Selanjutnya pada menu utama, klik SAVE AS pada pulldown menu FILE. Buat nama baru untuk dataset yang akan dibuat, tipe file yang dipilih adalah ER Mapper Raster Dataset (.ers).

Gambar 2. Menu utama2. Image pre-processing (Pra-pemrosesan citra)Image pre-processing merupakan kegiatan pra-analisa data citra satelit. Tujuan dari pengolahan data citra adalah mempertajam data geografis dalam bentuk digital menjadi suatu tampilan yang lebih berarti bagi pengguna, dapat memberikan informasi kuantitatif suatu obyek, serta dapat memecahkan masalah.Data citra yang terekam sensor sangat dipengaruhi oleh kondisi atmosfer, sudut pengambilan data dari sensor, dan waktu pengambilan data. Kondisi tersebut menyebabkan data citra satelit memiliki bias nilai informasi yang harus dikoreksi. Tahapan dalam pengolahan citra akan mengkoreksi/mereduksi bias yang ditimbulkan tadi.Kegiatan dalam pengolahan citra meliputi:a. Radiometric correction (koreksi radiometric)b. Geometric correction (koreksi geometric)3. Radiometric correction (Koreksi radiometrik)Koreksi radiometrik perlu dilakukan pada data citra dengan berbagai alasan:a. Stripping atau banding seringkali terjadi pada data citra yang diakibatkan oleh ketidakstabilan detektor. Striping atau banding merupakan fenomena ketidak konsistenan perekaman detektor untuk band dan areal perekaman yang sama.b. Line dropout kadang terjadi sebagai akibat dari detektor yang gagal berfungsi dengan tiba-tiba. Jangka waktu kerusakan pada kasus ini biasanya bersifat sementara.c. Efek atmosferik merupakan fenomena yang disebabkan oleh debu, kabut, atau asap seringkali menyebabkan efek bias dan pantul pada detektor, sehingga fenomena yang berada di bawahnya tidak dapat terekam secara normal.Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang terdapat dalam data citra dapat dengan jelas dibaca dan diinterpretasikan. Kegiatan yang dilakukan dapat berupa:a. Penggabungan data (data fusion). Yaitu menggabungkan citra dari sumber yang berbeda pada area yang sama untuk membantu di dalam interpretasi. Sebagai contoh adalah menggabungkan data Landsat-TM dengan data SPOT.b. Colodraping. Yaitu menempelkan satu jenis data citra di atas data yang lainya untuk membuat suatu kombinasi tampilan sehingga memudahkan untuk menganalisa dua atau lebih variabel. Sebagai contoh adalah citra vegetasi dari satelit ditempelkan di atas citra foto udara pada area yang sama.c. Penajaman kontras. Yaitu memperbaiki tampilan citra dengan memaksimumkan kontras antara pencahayaan dan penggelapan atau menaikan dan merendahkan harga data suatu citra.d. Filtering. Yaitu memperbaiki tampilan citra dengan mentransformasikan nilai-nilai digital citra, seperti mempertajam batas area yang mempunyai nilai digital yang sama (enhance edge), menghaluskan citra dari noise (smooth noise), dan lainnya.e. Formula. Yaitu membuat suatu operasi matematika dan memasukan nilai-nilai digital citra pada operasi matematika tersebut, misalnya Principal Component Analysis (PCA).4. Penajaman kontras citra (Transformasi)Transformasi digunakan dalam meningkatkan kontras warna dan cahaya pada suatu citra. Proses ini dilakukan guna mempermudah dalam proses interpretasi dan analisis citra. Histogram adalah suatu tampilan grafik dari distribusi frekuensi relatif dalam suatu dataset. Suatu kotak dialog transformasi akan menampilkan histogram data masukan dan data keluaran setelah ditransformasi, dan garis transformasiLangkah-langkah pengkontrasan adalah:a. Untuk mengkontraskan data dengan menghilangkan 1 % informasi klik pada jendela algoritma.b. Untuk mengkontraskan data secara manual klik akan keluar tampilan sebagai berikut.

c. Kesembilan icon di sebelah kanan adalah berbagai jenis stretch yang umum digunakan antara lain transformasi linier, histogram equalisasi, gausian, dll. Untuk mengetahui jenis transformasi untuk setiap icon letakkan cursor beberapa saat di atas icon.d. Untuk mengganti layer yang akan diubah kontrasnya klik R ,G , dan B .5. FilteringFiltering merupakan proses perubahan nilai piksel dalam dataset sesuai dengan nilai piksel disekelilingnya. Filtering merupakan operasi lokal dalam pengolahan citra yang dilakukan guna memudahkan interpretasi visual.Filter spasial yang digunakandibagi menjadi tiga katagori umum, yaitu :a. Filter lolos rendah (low pass filter) adalah filter yang digunakan untuk memperhalus kenampakan (smoothing and averaging) dengan meratakan noise dan menghilangkan spike pada cittra. b. Filter lolos tinggi (high pass filter) adalah filter yang digunakan untuk menajamkan penampakan pada citra seperti jalan, patahan lingkungan air dan tanah dengan menekan frekuensi tinggi tanpa mempengaruhi bagian dari frekuensi rendah citra. c. Filter deteksi sisi (edge detection filter) adalah filter yang digunakan untuk menampakkan sisi disekitar suatu obyek untuk memudahkan kegiatan analisis.Beberapa jenis filter yang dapat digunakan dari kumpulan filter yang ada di ER Mapper, seperti filter untuk averaging, edge enhancement, laplacian, noise removal, sharpening, threshold, median, dan gradient. Kita juga dapat mendefinisikan dan memasukkan filter-filter khusus yang kita buat sendiri. Filter dapat digunakan untuk meningkatkan tampilan citra, menajamkam citra, meratakan dan menghilangkan noise atau bising.6. Geometric correction (Koreksi geometrik)Sebelum data citra dapat diolah, sistem proyeksi/koordinat peta harus didefinisikan dan disesuaikan terlebih dahulu dengan areal kerja atau dengan data spasial yang telah ada sebelumnya. Dalam koreksi geometrik, istilah rektifikasi digunakan bila data citra dikoreksi dengan peta dasar sebagai acuannya. Sedangkan untuk data citra yang dikoreksi dengan acuan citra lain yang telah terkoreksi digunakan istilah registrasi.Koreksi geometrik atau rektifikasi merupakan tahapan agar data citra dapat diproyeksikan sesuai dengan sistem koordinat yang digunakan. Acuan dari koreksi geometrik ini dapat berupa peta dasar ataupun data citra sebelumnya yang telah terkoreksi. Secara umum, dalam ER Mapper sendiri terdapat empat tipe pengoperasian rektifikasi:a. Image to map rectification, b. Image to image rectification,c. Map to map transformation, yaitu mentrasformasikan data yang terkoreksi menjadi datum/map projection yang baru.d. Image rotation, memutar citra menjadi beberapa derajatKoreksi geometrik dilakukan dengan menggunakan acuan titik kontrol yang dikenal dengan Ground Control Point (GCP). Titik kontrol yang ditentukan merupakan titik-titik dari obyek yang bersifat permanen dan dapat diidentifikasi di atas citra dan peta dasar/rujukan. GCP dapat berupa persilangan jalan, percabangan sungai, persilangan antara jalan dengan sungai (jembatan) atau objek lain.

7. Penentuan Titik Kontrol (GCP)Penetuan titik kontrol dalam koreksi geometrik dilakukan bersamaan dengan proses geo-coding. Langkah awalnya adalah mengaktifkan Geocoding Wizards yang dibuka melalui menu pulldown PROCESS.

Gambar 3. Pengaktifan Geocoding Wizards melalui pulldown process.Secara prinsip perbedaan dari berbagai metode geocoding adalah sebagai berikut:a. Metode Triangulasi (Triangulation method) dilakukan dalam proses rektifikasi untuk mereduksi pergeseran (distorsi) lokal. Biasanya dilakukan pada data foto udara untuk memperbaiki pergeseran data akibat pergerakan sensor yang yang tidak stabil.b. Metode Polinomial (Polynomial method) dilakukan bila koreksi yang dilakukan meliputi keseluruhan areal data citra (tidak bersifat lokal) seperti halnya metode yang pertama.c. Metode Ortorektifikasi dengan menggunakan GCP (Ortorectify using GCP) memperbaiki foto udara akibat distors pergerakan sensor foto udara pada pesawat dan pergeseran data ketinggian. Dalam proses rektifkasinya, metode ini membutuhkan foto udara, GCP sampai dengan informasi ketinggiannya, dan file Digital Elevation Model (DEM).d. Metode Ortorektifikasi dengan menggunakan eksterior orientation hampir mirip dengan metode ortorektifikasi sebelumnya, hanya tidak perlu mengunakan GCP, selama eksterior orientasinya telah diketahui.e. Metode Map to map reprojection dilakukan untuk merubah proyeksi peta satu ke proyeksi peta lainnya.f. Metode Known point registration dilakukan pada citra yang sudah berkesesuaian dengan poyeksi data acuan. Penentuan dilakukan berdasarkan atas titik sudut koordinat citra acuan yang telah diketahui.g. Metode Rotasi (Rotation method) dilakukan untuk memutar data citra berlawanan dengan arah jarum jam. Informasi yang dibutuhkan adalah sudut perputaran dalam derajat menit dan detik atau dalam desimal.8. Klasifikasi multispektral (Image classification)Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. Asumsi awal yang harus diperhatikan sebelum melakukan klasifikasi multispektral adalah bahwa tiap obyek dapat dikenali dan dibedakan berdasarkan nilai spektralnya. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup lahan ( vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah, lahan terbangun dan lainnyaSecara umum, metode klasifikasi terbagi menjadi dua:1. Klasifikasi tidak terbimbing (unsupervised classification)2. Klasifikasi terbimbing (supervised classification)

A. Klasifikasi tidak terbimbingKlasifikasi tidak terbimbing merupakan metode yang memberikan mandat sepenuhnya kepada sistem/komputer untuk mengelompokkan data raster berdasarkan nilai digitalnya masing-masing, intervensi pengguna dalam hal ini diminimalisasi. Jenis metode ini digunakan bila kualitas citra sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun, dalam banyak kasus, terlepas dari kondisi citra yang bersangkutan, metode ini banyak digunakan untuk memberikan gambaran kasar/ informasi awal.Beberapa tahapan proses klasifikasi tidak terbimbing adalah sebagai berikut:a. Dalam menu pulldown PROCESS terdapat beberapa pilihan metode CLASSIFICATION, dalam hal ini pilihlah ISOCLASS UNSUPERVISED CLASSIFICATIONb. Isilah menu yang disajikan, masukkan file citra yang telah terkoreksi secara geometrik pada kolom Input Dataset.c. Pilihlah band-band yang akan digunakan dalam proses klasifikasi ini pada kolom Band to use. Dalam hal ini suatu band sangat spesifik untuk mengidentifikasi suatu fenomena permukaan tertentu.d. Dalam kolom Output Dataset buatlah nama file baru untuk hasil klasifikasi yang akan dilakukan.e. Pada menu option Starting Classes, pilihlah autogenerate dengan nilai 1 untuk mengenarisasi tiap piksel data.f. Iterasi merupakan pengulangan tiap proses yang dilakukan sistem, nilai pada kolom maksimum iteration mengindikasikan jumlah pengulangan yang pengguna inginkan pada setiap langkah proses generate yang dilakukan sistem. Tentunya semakin tinggi nilai iterasinya maka semakin baik kualitas yang dihasilkang. Masukan jumlah kelas yang diinginkan pada kolom maksimum number of class.h. Selanjutnya untuk pilihan yang lainnya dapat diisi berdasarkan kebutuhan dan tingkat keakuratan yang diiginkan.

Gambar 4. Tampilan hasil berdasarkan contoh pengisian untuk pemilihan kelas, iterasi atau pengulangan serta tingkat keakuratani. Klik OK untuk menjalankan proses klasifikasij. Selanjutnya akan muncul processing status yang akan menginformasikan tahapan iterasi yang sedang berjalan, sampling, dan kelompok kelas yang sedang dikerjakan.k. Bila information box yang menginformasikan bahwa proses sudah selesai telah muncul, maka klik OK.l. Tutup processing status dengan mengklik tombol CLOSE. Tutup jendela dialog Unsupervise Classification dengan mengklik tombol CANCEL.m. Dalam menu puldown Process pilihlah Recalculate Statistic.n. Klik OK bila notifikasi yang menginformasikan bahwa perhitungan statistik telah selesai.o. Selanjutnya editlah nama region dan komposisi warna citra hasil klasifikasi. Fasilitas pengeditan dapat dibuka di menu puldown Edit. --> Edit Class/Color region and Name.p. Selanjutnya pilihlah file kelas hasil klasifikasi yang dilakukkan. Pengeditan dilakukan terhadap nama kelas serta identitas warnanyaq. Buka kembali file kelas yang telah diedit, contoh tampilan nya akan berupa sebagai berikut

Gambar 40. Tampilan pada hasil editing dengan menggunakan klasifikasi tidak terbimbingMengacu pada proses dan hasil klasifikasi yang telah dilakukan nampak bahwa metode klasifikasi tidak terbimbing kerap kali melakukan generalisasi yang tidak sesuai dengan harapan pengguna. Dari contoh di atas dapat dilihat bahwa beberapa kelompok data piksel yang teridentifikasi sebagai bayangan awan dikelompokkan sama dengan badan air. Kondisi ini merupakan pengaruh dari jumlah pembagian kelas yang kurang detil atau karena sebaran kualitas atmosferik data pada citra yang tidak seragam. Kasus tersebut dalam metode klasifikasi terbimbing tidak akan terjadi, karena pengguna akan menuntun sistem identifikasi pada kelompok-kelompok piksel sehingga masuk kelompok kelas tertentu dalam suatu training area.

B. Klasifikasi terbimbingKlasifikasi 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. Klasifikasi terbimbing dalam hal ini mensyaratkan kemampuan pengguna dalam penguasaan informasi lahan terhadap areal kajian.Langkah-langkah dalam melakukan klasifikasi terbimbing adalah:a. Bukalah file citra yang telah terkoreksi secara geometrik dan radiometrik, melalui menu puldown FILE --> OPENb. Bukalah jendela algoritm dialog dengan membuka menu puldown VIEW --> ALGORITHMc. Editlah komposisi band nya sesuai kebutuhan pengguna, sebagai contoh 751d. Tutuplah jendela Annotate vector layer, selanjutnya akan muncul training area yang telah dideliniasi sebelumnyae. Langkah selanjutya adalah membuat training area. Pada jendela algorithm, klik EDIT --> Add Vector Layer --> Region layer.f. Klik Annotate vektor layer untuk membuka jendela properties dalam menggambar training area pada citra.

Gambar 5. Membuka jendela properties untuk menggambar training area dalam citra.g. Mulailah membuat training area, sebagai contoh berikut poligon yang mendeliniasi training area untuk badan air

Gambar 6. Membuat training area untuk badan air.h. Klik ABC untuk memberi nama region yang dibuat, i. Klik save untuk men- savej. Tutuplah jendela Annotate vector layer, selanjutnya akan muncul training area yang telah dideliniasi sebelumnya

Gambar 6. Tampilan training area yang telah di deliniasi.k. Klik PROCESS --> SUPERVISED CLASSIFICATION untuk memulai klasifikasil. Masukkan file citra yang telah diberi training area, tentukan band-band yang digunakan, tentukan nama file output, tentukan tipe klasifikasinya, dan klik OK, dan selanjutnya akan muncul status bar berikut.m. Bila telah muncul notifikasi berikut Prose lasifikasi telah selesai dan klik closen. Buka file hasil klasifikasi, dengan cara yang sama pada klasifikasi tidak terbimbing, klik recalculate statistic pada menu puldown VIEW, edit pewarnaan dan nama kelas nya pada EDIT --> Edit Class/ Region Colour and Name

Gambar 7. Contoh hasil klasifikasi terbimbingWarna hijau mewakili kondisi umum hutan, kuning untuk perkebunan, merah untuk tanah terbuka, putih untuk awan, dan hitam untuk bayangan awan.

V. KESIMPULAN DAN SARANA. Kesimpulan1. Sistem Informasi Geografis (SIG) adalah suatu sistem yang dibangun untuk mengumpulkan, mengolah, dan menginformasikan data-data yang berkaitan dengan goegrafis. Sekarang ini SIG telah terintegrasi dengan penggunaan computer untuk penginderaan jauh.2. ER Mapper menggunakan suatu konsep pengolahan data yang dinamakan algoritma, dimana algoritma ini membuat semacam tahapan-tahapan mandiri dalam proses pengolahan citra.3. ArcView merupakan salah satu perangkat lunak desktop Sistem Informasi Geografis dan pemetaan yang telah dikembangkan oleh ESRI. ArcView memiliki kemampuan untuk melakukan visualisasi, meng-eksplore, menjawab query (baik basis data spasial maupun non-spasial), menganalisis data secara geografis, dan sebagainya.4. Interpretasi citra adalah perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut. Penginderaan jauh merupakan aktivitas penyadapan informasi tentang obyek atau gejala di permukaan bumi (atau permukaan bumi) tanpa melalui kontak langsung.

B. SaranAsisten dapat lebih jelas dalam menyampaikan setiap langkah yang dijalankan dan juga tidak terburu-buru sehingga praktikan dapat memahami semua acara dengan baik.

DAFTAR PUSTAKA

Bennema J., and H.F. Gelens, 1969, Aerial Photointerpre-tation for Soil Surveys.International Institute for Aerial Survey and Earth Sciences, ITC., Netherlands

Dulbahri.1993. Sistem InformasiGeografis. Jakarta : GramediaSantoso, A. 2012. SIG. (On line)http://geografisekolah.blogspot.com/p/sig-penginderaan-jauh.html. diakses 10 juni 2015Sutanto. 1986. Penginderaan Jauh Jilid 1 dan 2. Gadjah Mada University Press.Yogyakarta.

6

acara 1

Documents