ACARA 10

I. TUJUAN:Acara ini bertujuan untuk melatih mahasiswa agar dapat melakukan analisis data keruangan dan kewilayahan yang berupa:1. Mengimpor citra (dalam bentuk data raster) untuk dibuka di ArcView.2. Mengolah citra Penginderaan Jauh dengan menggunakan Image Analysis (IA) yang merupakan sebuah ekstension ArcView yang dibuat oleh ERDAS ( developer dari perangkat lunak pengolahan citra Penginderaan Jauh yang banyak dipakai).3. Melakukan pengelompokan kenampakan/area dengan karakter sama .4. Mengubah data dalam bentuk raster menjadi vektor dengan menggunakan bantuan ekstensi Image Analysis (IA).

II. ALAT DAN BAHANBahan untuk acara ini meliputi:1. Citra dengan skala 1:25.000

Adapun alat yang digunakan pada acara ini meliputi :1. Seperangkat komputer lengkap (CPU, monitor, mouse dan keyboard) dengan Sistem Operasi Windows 98 (minimal).2. Software ArcView Versi 3.2 atau ArcView Versi 3.3.3. ArcView Extension terutama Image Analysis (IA).

III. PENDAHULUAN Penginderaan jauh pada awalnya dikembangkan dari teknik interpretasi foto udara. Pada tahun 1919 telah dimulai upaya pemotretan melalui pesawat terbang dan interpretasi foto udara (Howard, 1990). Meskipun demikian, teknik interpretasi foto udara untuk keperluan sipil (damai) sendiri baru berkembang pesat setelah Perang Dunia II, karena sebelumnya foto udara lebih banyak dimanfaatkan untuk kebutuhan militer. Dalam tiga puluh tahun terakhir, penggunaan teknologi satelit dan teknologi komputer untuk menghasilkan informasi keruangan (atau peta) suatu wilayah semakin dirasakan manfaatnya. Penggunaan teknik interpretasi citra secara manual, baik dengan foto udara maupun citra non-fotografik yang diambil melalui wahana selain pesawat udara dan sensor selain kamera hingga saat ini telah cukup mapan dan diakui manfaat dan akurasinya. Di sisi lain, pengolahan atau pemrosesan citra satelit secara digital telah taraf operasional untuk seluruh aplikasi di bidang survei-pemetaan. Hampir bersamaan dengan perkembangan teknik analisis data keruangan melalui teknologi SIG, kebutuhan akan citra digital yang diperoleh melalui perekaman sensor satelit sumberdaya pun semakin meningkat. Perolehan data penginderaan jauhmelalui satelit menawarkan beberapa keunggulan dibandingkan melalui pemotretan udara, antara lain dari segi harga, periode ulang perekaman daerah yang sama, pemilihan spektrum panjang gelombang untuk mengatasi hambatan atmosfer, serta kombinasi saluran spektral (band) yang dapat diatur sesuai dengan tujuan.Memasuki awal sasrawarsa (milenium) ketiga ini, telah beredar banyak jenis satelit sumberdaya yang diluncurkan oleh banyak negara. Dari negara maju seperti Amerika Serikat, Kanada, Perancis, Jepang, dan Rusia, hingga negara-negara besar namun dengan pendapatan per kapita yang masih relatif rendah seperti India dan Republik Rakyat Cina. Berbagai satelit sumberdaya yang diluncurkan itu menawarkan kemam-puan yang bervariasi, dari resolusi sekitar satu meter atau kurang (IKONOS, OrbView, QuickBird dan GeoEye milik perusahaan swasta Amerika Serikat), 10 meter atau kurang (SPOT milik Perancis, COSMOS milik Rusia, IRS milik India dan ALOS milik Jepang), 15-30 meter (ASTER yang merupakan proyek kerjasama Jepang dan NASA, Landsat 7 ETM+ milik Amerika Serikat, yang sayangnya mengalami kerusakan sejak tahun 2003), 50 meter (MOS, milik Jepang), 250 dan 500 meter (MODIS milik Jepang) hingga 1,1 km (NOAA-AVHRR milik Amerika Serikat).Banyak negara di Eropa, Amerika Utara, Amerika Latin, Asia, dan bahkan Afrika telah memanfaatkan citra satelit itu untuk pembangunan, baik dalam pengelolaan sumberdaya maupun mitigasi bencana alam. Tahun-tahun belakangan ini, negera-negara berkembang seperti Thailand, Malaysia, Nigeria dan Indonesia pun menyusul untuk meluncurkan dan mengoperasikan satelit penginderaan jauhberukuran kecil. Sensor-sensor satelit baru tidak hanya beroperasi pada wilayah multispektral. Saluran pankromatik dengan resolusi spasial yang lebih tinggi daripada saluran spektral lain pada sensor yang sama juga dioperasikan oleh berbagai sistem. Sensor aktif seperti radar juga telah dioperasikan oleh berbagai satelit seperti JERS (Jepang), ERS dan Envisat (Uni Eropa), Radarsat (Kanada); sementara sistem sensor aktif berbasis teknologi laser (Lidar) terus dikembangkan untuk memperoleh informasi ketinggian permukaan kanopi pepohonan dan ketinggian permukaan tanahnya sekaligus. Sistem satelit Modis, Envisat dan EO-1 juga mengangkut sensor hiperspektral dengan ratusan saluran spektral untuk memperoleh informasi yang lebih spesifik mengenai objek, termasuk komposisi kimia mineral dan spesies organisme.

IV. LANGKAH KERJAA. Mengimpor citra (dalam bentuk data raster) untuk dibuka di ArcView.1. Aktifkan software ArcView dengan melakukan klik dua kali icon pada desktop atau mengaktifkan dari menu Start > Programs > ESRI > ArcView> ArcView 3.3.2. Lanjutkan dengan membuka view baru, dan tekan tombol Add Theme.3. Dari menu utama pilih File > Extension > Image Analysis lalu pilih OK.

4. Buka citra dengan cara mengimpor citra. Gunakan button (add theme. Tidak lama kemudian akan tampil Add Theme dialog box. Klik drive sehingga kenampakan akan berubah seperti yang terlihat pada gambar.5. Arahkan slider ke bawah untuk mencari folder yang digunakan untuk menyimpan Image Analysis Data Sources yang diperlukan untuk praktikum pada acara ini.6. Pada kotak dialog Add Theme, pada list Data Source Types, pilih Image Analysis Data Source7. Buka file data sorong_citra_25000.img dan klik OK.8. Akan muncul kotak dialog yang menanyakan apakah anda ingin IA (Image Analysis) menghitung pyramid layers untuk citra tersebut. Pilih Yes agar mempercepat proses pergantian layer apabila citra yang ditampilkan berukuran besar dan melakukan zoom in dan zoom out serta menggeser citra.

B. Malakukan pengelompokan kenampakan/area dengan karak ter sama menggunakan Seed tool

1. Aktifkan theme sorong_citra_25000.img dengan mengklik theme tersebut.2. Menggunakan Seed tool3. Zoom daerah yang diinginkan, misalnya pemukiman di sekitar bandara.4. Dari menu Image Analysis, pilih Seed Tool Properties. Fasiiitas ini sangat berguna untuk proses identifikasi cepat seperti bekas kebakaran hutan, atau daerah terbuka.

5. Di dalam kotak isian Seed Radius, ketikkan 5 pixels . Seed Radius menentukan jumiah pixel di sekeliling pixel target.6. Kemudian pastikan kotak Include Islands Polygon tidak terpilih.7. Klik OK dalam dialog Seed Tool Properties.8. Klik ikon yang ada pada menu utama, kemudian klik di tengah-tengah daerah yang diinginkan. Seed Tool akan bekerja beberapa saat untuk membuat polygon yang mencakup pixel -pixel dengan karakter yang serupa dengan pixel seed.9. Simpan hasil identifikasi area dengan karakter yang sama menggunakan Seed Tool.

Gambar hasil indentifikasi area dengan karakter yang sama

C. Mengidentifikasi Area Berasarkan Kesamaan Karakteristik Menggunakan Find Like Areas1. Tampilkan data citra yang sama (sorong_citra_25000.img) pada sebuah view baru.2. Klik tombol Seed tool , kemudian buat titik atau poligon untuk memilih sebuah area yang diinginkan (semisal lahan terbuka).3. Pastikan bahwa poligon tersebut dalam keadaan terpilih.4. Dari Image Analysis menu, pilih Find Like Areas.5. Klik tombol New untuk membuat thema baru. Akan muncul New Classification dalam kotak Output image Theme.

6. Klik pada kotak Class Name dan ketik 'Lahan Terbuka', kemudian tekan Enter pada keyboard.7. Klik OK pada kotak dialog Find Like Areas

8. Setelah proses selesai lihat pada citra akan dihasilkan klasifikasi pada area yang memiliki kesamaan nilai atau karakter.

D. Menambahkan sebuah kelas pada theme yang sudah ada

1. Sama dengan langkah sebelumnya, buat sebuah poligon pada tutupan air.2. Pastikan gambar poligon tersebut terpilih.3. Dari Image Analysis menu, pilih Find Like Areas

4. Klik pada Output Image Theme dan pilih thema yang sudah ada (New Classification).5. Klik pada kotak Class Name, ketik Air".6. Klik OK pada kotak dialog Find Like Areas.7. Ketika proses selesai maka akan ditambahkan kelas baru pada theme yang sudah ada yaitu "Air".8. Simpan theme hasil klasifikasi dengan melakukan convert shape dari menu Theme > Convert to Shapefile. Pastikan theme yang akan di convert telah dipilih.

9. Pilih direktori tempat penyimpanan theme baru, beri nama theme pada kolom File Name, kemudian klik OK.10. Simpan project dengan perintah File > Save.

V. HASIL PRAKTIKUM1. Identifikasi Area Berasarkan Kesamaan Karakteristik Menggunakan Find Like Areas2. Pengelompokan kenampakan/area dengan karakter sama menggunakan Seed Tool.

VI. PEMBAHASANPenginderaan jauh sekarang tidak hanya menjadi alat bantu dalam menyelesaikan masalah. Begitu luasnya lingkup aplikasi penginderaan jauhsehingga dewasa ini bidang tersebut telah menjadi semacam, kerangka kerja (framework) dalam menyelesaikan berbagai masalah terkait dengan aspek ruang (lokasi, area), lingkungan (ekologis) dan kewilayahan (regional). Perkembangan ini meliputi skala sangat besar (lingkup sempit) hingga skala sangat kecil (lingkup sangat luas). Penginderaan jauh di awal perkembangannya berasosiasi dengan aplikasi militer, karena gambaran wilayah yang dapat disajikan secara vertikal mampu memberikan inspirasi bagi pengembangan strategi perang yang lebih efektif daripada peta. Efektivitas ini khususnya menyangkut pemantauan posisi dan pergerakan musuh, serta peluang penyerbuan dari titik-titik tertentu. Kemajuan teknologi pemotretan yang melibatkan film peka sinar inframerah dekat juga telah mendukung analisis militer dalam membedakan kenampakan kamuflase objek militer dari objek-objek alami seperti misalnya pepohonan. Namun saat ini, aplikasi penginderaan jauh tidak hanya berperan penting dalam bidang militer saja, namun bidang-bidang lain seperti pembangunan tata kota, kelautan, kehutanan, dan berbagai macam bidang lain.Dalam hasil praktikum terlihat contoh aplikasi sederhana penginderaan jauh dengan metode find like area, dimana user bisa menemukan area lain yang serupa dengan area yang dipilih dalam citra. Metode ini sangat berguna, misalnya dalam menentukan luas hutan, lokasi permukiman, atau mencari berbagai macam bentuk penggunaan lahan dan sumber daya. Di Indonesia sendiri penggunaan penginderaan jauh untuk survei-pemetaansumberdaya telah dimulai oleh beberapa lembaga pada awal tahun 1970-an. Pada periode yang sama, ketika berbagai lembaga di Indonesia masih belajar memanfaatkan foto udara, Amerika Serikat pada tahun 1972 telah meluncurkan satelit sumberdaya ERTS-1 (Earth Resources Technology Satellite- 1), yang kemudian diberi nama baru menjadi Landsat-1. Satelit ini mampu merekam hampir seluruh permukaan bumi pada beberapa spektra panjang gelombang, dan dengan resolusi spasial sekitar 80 meter. Sepuluh tahun kemudian, Amerika Serikat telah meluncurkan satelit sumberdaya Landsat-4 (Landsat-D) yang merupakan satelit sumberdaya generasi kedua, dengan memasang sensor baruThematic Mapperyang mempunyai resolusi yang jauh lebih tinggi daripada pendahulunya, yaitu 30 meter pada enam saluran spektral pantulan dan 120 meter pada satu saluran spektral pancaran termal. Pada tahun yang hampir bersamaan itu pula, beberapa lembaga di Indonesia baru mulai memasang sistem komputer pengolah citra digital satelit, dan menjadi salah satu negara yang termasuk awal di Asia Tenggara dalam penerapan sistem pengolah citra digital. Meskipun demikian, tampak nyata bahwa Indonesia sebagai negara berkembang cenderung tertinggal dalam pengembangan dan pemanfaatan teknologi.

VII. KESIMPULAN1. Penginderaan jauh di awal perkembangannya digunakan untuk aplikasi militer, namun saat ini terdapat berbagai macam aplikasi penginderaan jauh, seperti bidang tata kota, kehutanan, kelautan, dan sebagainya.2. Salah satu contoh aplikasi sederhana penginderaan jauh adalah metode find like area, dimana user bisa menemukan area lain yang serupa dengan area yang dipilih dalam citra.3. Resolusi spasial yang dihasilkan pada citra tergantung pada beda tinggi orbit, kecepatan mengorbit dan sistem teleskop maupun sistem opto-elektronik detector.

DAFTAR PUSTAKA

Sutanto. 1979. Pengetahuan Dasar Interpretasi Citra. Yogyakarta: Gadjah Mada University Press.