LAPORAN PRAKTIKUM

Penginderaan Jauh Terapan Untuk Sumberdaya Lahan

ACARA III

Pengolahan Citra Dasar

Citra Komposit Warna, Pengenalan Objek Berdasarkan Nilai Spektral, dan Koreksi Radiometrik

Oleh :

Dodik Prasetyo Prabowo

120722420629

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL

JURUSAN GEOGRAFI

PROGRAM STUDI S1 GEOGRAFI

JANUARI 2015

I. TUJUAN

Mahasiswa dapat mengkompositkan citra dari beberapa saluran yang ada

Mahasiswa dapat mengenali objek berdasarkan nilai spektral tiap piksel

Mahasiswa dapat melakukan koreksi radiometric dengan metode

II. ALAT dan BAHAN

Data mentah Citra Landsat 7 ETM+, tujuh saluran area sekitar Kota Semarang

Laptop/PC

Software ENVI 4.5

Alat tulis lengkap

Modul Praktikum

III. DASAR TEORIa. Komposit citra

Penyusunan citra komposit warna adalah cara yang paling umum untuk menonjolkan masing-masing keunggulan saluran secara serentak dalam suatu display, sehingga memudahkan pengguna dalam interpretasi citra secara visual. Citra ini merupakan paduan dari 3 saluran, dengan masing-masing saluran diberi warna dasar, yaitu merah, hijau, dan biru (RGB). Warna yang terjadi adalah kombinasi dari tingkat kecerahan pada suatu obyek di setiap saluran. Citra komposit standar merupakan paduan tiga saluran dengan rujukan foto udara inframerah dekat. Pada umumnya saluran ETM4 (inframerah dekat) diberi warna merah, saluran ETM3 (merah) diberi warna hijau, dan saluran ETM2 (hijau) diberi warna biru. Citra seperti ini disebut juga dengan citra warna semu standar (standard false color composite). Sangat dimungkinkan untuk membuat komposit citra dari kombinasi yang berlainan sesuai tujuan, citra seperti ini disebut komposit warna semu tidak standar.

b. Pengenalan Objek berdasarkan nilai spectral

Penggunaan beberapa spectral sekaligus sangat membantu proses pengenalan objek melalui proses perbandingan kenampakan antarsaluran. Mengingat bahwa citra yang dihasilkan adalah citra digital maka proses analisis selanjutnyapun lebih efesien bila dilakukan secara digital dengan menggunakan computer. Proses mental (penglihatan manusia) akan dengan mudah dapat membedakan suatu objek dengan objek yang lainnya, berdasarkan pola spectral yang terekam sebagai nilai kecerahan, dan juga berdasarkan pola spasialnya. Namun cara ini kurang efisien, akurat dan melelahkan khususnya untuk wilayah liputan yang luas. Bantuan computer untuk melakukan identifikasi objek berdasarkan ciri-ciri spectral pada beberapa saluran spectral sekaligus sangatlah bermanfaat. Inilah yang disebut dengan proses klasifikasi otomatis.Pada proses klasifikasi secara manual, penafsiran berusaha membandingkan kenampakan visual objek berdasarkan rona dan warna pada citra.c. Korekis radimetrik

Nilai piksel merupakan hasil bit-coding informasi spektral dari obyek di permukaan bumi. Informasi spektral ini mencapai detektor pada sensor dalam bentuk radiansi spektral (spectral radiance) dengan satuan miliWatt cm-2 sr-1 m-1. Secara teoritik, pada suatu sistem penginderaan jauh ideal, nilai pantulan spektral obyek di permukaan bumi sama dengan nilai radiansi spektral yang terekam di detektor. Namun pada spektrum tampak dan perluasannya (0,36 sekitar 0,9 m), informasi spektral obyek di permukaan bumi biasanya mengalami bias, karena ada hamburan dari obyek lain di atmosfer, khususnya partikel debu, uap air, dan gas triatomik lainnya. Dengan adanya bias tersebut maka diperlukan koreksi untuk memperbaiki nilai piksel supaya sesuai dengan yang seharusnya. Rumus umum koreksi nilai piksel pada setiap scene adalah dengan mengurangi setiap nilai pada citra yang akan dikoreksi dengan nilai bias :

BVtekoreksi = BVasli - biasPencarian nilai bias dapat dilakukan dengan beberapa cara, antara lain; penyesuaian histogram (histogram adjustment), penyesuaian regresi, kalibrasi bayangan (shadow callibration), dan metode diagram pencar (metode Bronsveld) (Projo Danoedoro, 1996). Metode koreksi radiometrik yang digunakan dalam praktikum ini adalah penyesuaian histogram. Metode ini dipilih karena relatif sederhana, waktu pemrosesan singkat, dan tidak melibatkan perhitungan matematis yang rumit. Metode ini dilandasi oleh asumsi bahwa dalam proses koding digital oleh sensor, obyek yang memberikan respon spektral paling lemah atau tidak memberikan respon sama sekali seharusnya bernilai 0. Apabila nilai minimal > 0, maka nilai tersebut dihitung sebagai offset, dan koreksi dapat dilakukan dengan mengurangi keseluruhan nilai dengan offsetIV. LANGKAH KERJA

a. Komposit citra

1.Pada jendela Available Bands List, pilih radio button RGB, jendela Selected Band berubah menjadi 3 saluran dengan urutan pewarnaan RGB.

2. Untuk pertama kali, buat komposit warna semu standar. Masukkan saluran input komposit, perhatikan radio button warna (RGB) yang aktif, dan klik saluran untuk input. Jika ketiga saluran sudah dimasukkan, cek sekali lagi agar tidak terjadi kesalahan.

3. Klik Load RGB untuk menampilkan citra komposit pada jendela display image.

4.Amati kenampakan yang terjadi pada citra komposit, catat warna yang terjadi pada ke-empat obyek yang sebelumnya Anda teliti. Lihat posisi koordinatnya pada tabel.

5.Amati juga nilai piksel pada ketiga saluran yang membentuk warna tersebut, gunakan prosedur point D3.Karena komposit, maka nilai piksel yang muncul adalah ketiga saluran penyusun komposit dan Nilai piksel 3 saluran

6. Buat jendela display image baru, buat komposit R: Band 3, G: Band 2, dan B: Band 1, amati warna yang terbentuk.

7.Link-kan dengan komposit 432, amati dan catat warna juga nilai piksel ke-empat obyek yang sama pada citra komposit 321.

8.Buat komposisi saluran yang lain (452, 457, 352, dsb). Pilih salah satu yang Anda anggap menyajikan obyek secara visual terbaik. Amati dan catat juga nilai piksel untuk ke-empat obyek di atas.b. Pengambilan sampel

1. Tampilkan salah satu saluran citra.

2. Pada menu jendela image display klik Overlay > Region of Interest.

3. Pada jendela #1 ROI Tool, pilih radio button Window Zoom. Klik ROI_Type > Polygon. Klik Region #1 (Red) 0 points, kemudian klik Edit. Ubah nama dan warna (jika perlu), misalnya tubuh air (biru). Klik OK jika sudah.

4 .Arahkan cursor ke jendela Scroll atau image, arahkan box ke obyek air yang sebelumnya diamati, pastikan posisinya tepat.

5.Arahkan cursor ke jendela Zoom, perbesar hingga Anda bisa melihat jelas per piksel. Tentukan kelompok piksel yang cenderung homogen untuk obyek air. Ambil sampelnya dengan membuat poligon, klik kanan untuk menutup poligon, dan klik kanan sekali lagi untuk memunculkan warna.

6.Lakukan prosedur serupa untuk obyek yang lain. Simpan ROI, klik File > Save ROIs, klik Select All Items, masukkan direktori penyimpanan dan nama file ROI.c. Pengamatan Pola dengan scatter plot 1.Pada jendela Image, klik File > Preferences, Set Image Window Xsize = 700 dan Ysize = 1000, klik OK. Ini dimaksudkan untuk menampilkan keseluruhan potongan citra pada diagram pencar.

2.Pada menu Image klik Tools > 2-D Scatter Plots, tentukan saluran untuk sumbu x dan y, klik OK. Muncul diagram pencar, kemudian atur sehingga jendela diagram pencar berada di luar jendela Image.

3.Pada jendela Scatter Plot klik File > Import ROIs, klik Select All Items, OK. Warna obyek akan muncul baik di citra maupun di diagram pencar. Amati kecenderungan pengelompokan obyek pada diagram pencar.

4.Cobalah untuk variasi sumbu x dan y yang lain, pada jendela scatter plot klik Options > Change Bands, tentukan saluran yang dibutuhkan. Amati juga pola spektral untuk obyek-obyek di atas.

5.Untuk lebih memperjelas dimana obyek pada scatter plot, klik kiri pada citra dan gerakkan, maka pada scatter plot akan mengikuti gerakan cursor Anda dimana spektral obyek berada.

6. Simpan salah satu diagram pencar dengan pola pengelompokan obyek, beri notasi untuk pengelompokan spektralnyad. Koreksi radiometric

1. Buka citra yang akan dikoreksi radiometrik-nya.

2. Hitung statistik citra, pada bar menu klik Basic Tools > Statistics > Compute Statistics, muncul jendela Calculate Statistics Input File.

3. Pilih file citra yang akan dihitung statistiknya, dengan kondisi sebagai berikut : Stats Subset : Full Scene dan Spectral Subset : 6/6 Bands

4. Klik OK, sehingga muncul jendela Calculate Statistics Parameters.

5. Aktifkan tanda chek Text Report, Min/Max/Mean Plot, Calculate Histogram Statistic, Histogram Plots, dan Histogram plots per window = 1.

6. Masukkan nama dan direktori file statistik output. Tentukan pada folder Anda, beri nama radiometrik.sta.

7. Aktifkan juga Report untuk Screen dan File, tentukan direktori save-in dan beri nama smg_minmax.txt.

8.Klik OK, muncul text report statistik citra, histogram citra per- saluran, dan grafik min-max nilai piksel.

9. Catat nilai minimum dan maksimum tiap V. HASIL PRAKTIKUM

a. Komposit Citra : Terlampir

b. Pengenalan Objek dengan nilai spektral : Terlampir

c. Koreksi radiometric : terlampir

VI. PEMBAHASANa. Komposit citraPada praktek komposit citra landsat 7 ETM+, dapat disimpukan bahwa jenis komposit menentukan objek apa yang akan diidentifikasi. Pada komposit 321 atau warna asli, kita dengan mudah mengenali objek pada citra karena sesuai dengan mental visual kita. Kombinasi ini merupakan warna natural sehingga merupakan pendekatan terbaik untuk melihat realitas lanskap. Saluran 3 mendeteksi penyerapan klorofil, saluran 2 mendeteksi reflektan hijau dari vegetasi dan saluran 1 cocok untuk penetrasi air, pada perairan jernih bisa masuk sekitar 25 meter, dengan kata lain kita bisa juga mendeteksi transportasi sedimen di perairan. Tetapi pada beberapa bagian citra yang membutuhkan interpretasi visual untuk mengindetifikasinya, sebagai contoh praktikan sedikit kesulitan dalam mengindentifikasi objek sawah atau tambak pada bagian citra yang terletak di dekat perairan. Hal ini disebabkan karena pada komposit citra ini kurang bisa menonjol objek-objek tertentu.

Pada komposit 432, citra terlihat kemerahan pada vegetasi dan biru pada tubuh air. Pada komposit ini, Saluran 4 mendeteksi puncak pantulan dari vegetasi, juga membedakan tipe vegetasi, selain itu membedakan tanah dan perairan. Kombinasi ini menampilkan vegetasi berwarna merah, merah yang lebih terang menandakan vegetasi yang lebih dewasa. Tanah dengan sedikit atau tanpa vegetasi antara putih (pasir atau garam) sampai hijau atau coklat tergantung kelembapan dan kandungan organik. Air nampak biru, perairan jernih akan terlihat biru gelap atau hitam sedangkan perairan dangkal atau air dengan konsentrasi sedimen tinggi akan nampak biru muda. Karena demikian praktikan menjadi lebih mudah dalam mengindentifikasi objek vegetasi.

Pada komposit 456, saluran 5 sensitif akan variasi kandungan air, vegetasi berdaun banyak dan kelembapan tanah. Saluran ini mencirikan tingkat penyerapan air yang tinggi, sehingga memungkinkan deteksi lapisan air yang tipis (kurang dari 1 cm). Variasi dari kandungan Fe2O3pada batuan dan tanah dapat dideteksi, pantulan yang tinggi berarti kandungan yang banyak, sehingga pada komposit ini tubuh air berwarna gelap, sedangkan vegetasi berwarna oranye kecoklatan. Pada saluran 6, sensitive terhadap terhadap variasi kelembapan dan khususnya mendeteksi mineral hidro. Saluran ini dapat membedakan berbagai macam batuan dan tipe mineral. Perbedaan asal usul dari berbagai tipe batuan direpresentasikan dengan warna merah menuju oranye dan juga warna yang lebih terang. Sehingga pada saluran. Atap bangunan terlihat bewarna biru muda, hal ini karena pada objek tersebut banyak digunakan material berupa lempengan Zinc/seng, yang memantulkan gelombang inframerah dekat dan menengah dengan intensitas yang tinggi. Pada komposit ini lebih cocok untuk identifikasi tanah, jenis batuan dan jenis tanah, serta suhu objek.b. Pengamatan Pola spectral dengan Scatter Plot Pada praktikum ini, citra yang dipakai untuk identifikasi objek adalah citra yang belum terkoreksi, sehingga nilai piksel yang tercatat belum sesuai dengan yang seharusnya (nilai piksel maksimal = 255). Berikut table nilai piksel berdasarkan scatter plot :

Vegetasi Rapat

BandNilai Piksel

1125-150

290-120

3130-150

4200-250

5150-180

680-100

Badan Air

BandNilai piksel

1220-280

2190-290

3170-190

40-10

50-10

60-20

Lahan Terbuka

BandNilai Piksel

1250-290

2230-290

3230-280

4130-200

5190-240

6180-255

Vegetasi renggang

BandNilai Piksel

1160-180

2170-200

3120-220

4130-180

5150-180

680-130

Atap bangunan

BandNilai Piksel

1200-300

2180-290

3170-280

480-140

5180-250

6190-255

Dari ke lima grafik dan table tersebut dapat disimpulkan bahwa pada Citra Landsat 7, nilai piksel badan air mempunyai nilai yang berbeda-beda. Bergantung pada jenis saluran. Pada saluran 1, 2, dan 3, nilai piksel air berkisar Antara 100 sampai 200 yang masuk pada kategori medium. Hal ini menyebabkan objek air pada komposit 321 terlihat biru hingga biru muda tergantung pada kedalaman perairan. Pada objek lahan terbuka, nilai piksel cenderung tinggi pada semua saluran, yaitu berkisar pada 180-270 pada citra belum terkoreksi. Sehingga objek ini Nampak terang pada semua komposit citra. Objek vegetasi rapat mempunyai kisaran nilai piksel sebesar 100-130 yang masuk pada kategori sedang. Tetapi pada saluran inframerah dekat, nilai pikselnya cenderung tinggi, sehingga pada komposit 432, vegetasi rapat bewarna merah terang hingga gelap. Sedangkan pada vegetasi renggang, nilai pikselnya sedikit lebih tinggi dari vegetasi rapat, yang berkisar Antara 140-200 yang masuk pada kategori sedang. Pada piksel yang mendekati angka 200, maka kenampakan yang ada terlihat terang. Atap bangunan mempunyai kenampaka nilai piksel berkisar 160-255, hal ini disebabkan banyak pantulan pada objek tersebuts, sehingga kenampakan pada citra berona terang.c. Koreksi radiometric.

Dari perbandingan grafik Antara rata-rata nilai piksel sebelum dan sesusah dapat dilihat bahwa citra mentah mempunyai nilai yang lebih tinggi. Dalam proses ekstraksi nilai piksel data mentah bahkan ditemukan nilai piksel sebesar 317. Hal ini tidak relevan dengan system citra landsat yaitu 8-bit yang mempunyai nilai minimal 0 dan maksimal 255. Untuk itu dilakukan statistika citra untuk mendapatkan selisih citra yang sebenarnya untuk keperluan koreksi radiometric sesuai selisih tiap salurannya. Pada saluran biru, dilakukan pengurangan nilai piksel sebesar 62, saluran biru sebesar 40, saluran merah sebesar 29, dan inframerah dekat sebesar 6. Saluran inframerah menengah tidak mempunyai nilai distorsi karena pada interkasi dengan objek, saluran ini dapat menembus bias dan halangan lain. Setelah dilakukan pengurangan nilai piksel, dilakukan komposit citra yang telah terkoreksi. Secara umum, tidak terlalu ada perbedaan yang mencolok Antara citra yang belum terkoreksi dan telah terkoreksi. Hal ini mungkin disebabkan oleh system bit monitor yang belum mampu menampilkan pengaruh sekecil perubahan kecil pada citra. Tetapi jika kita menggunakan klasifikasi penggunaan lahan otomatis dengan dasar nilai spectral, maka koreksi radiometric amatlah penting. Nilai piksel yang tinggi, khususnya pada saluran merah hijau biru serta inframerah dekat dapat disebabkan oleh bias atmosfer yang memantulkan kembali gelombang eletromagnetik, sehingga sensor satelit menerima 2 gelombang elektromagnetik, yaitu dari bias atmosfer serta pantulan dari objek yang dicitrakanVII. KESIMPULANPada praktikum ini yang termasuk pada pengolahan citra dasar, dapat disimpulkan bahwa nilai tiap piksel mempunyai peranan sangat penting dalam penyadapan informasi dari citra yagn di indera.

Pada komposit citra, jenis saluran serta objek yang akan ditonjolkan harus diperhatikan. Komposit 321 dapat mengindentifikasi tubuh air, vegetasi, lahan terbuka dengan baik karena sesuai dengan mental visual kita. Komposit 432 mengindentifikasi vegetasi dengan baik, bahkan dapat mengidektifikasi kesehatan serta umur tanaman. Komposit 456 digunakan untuk identifikasi jenis tanah, jenia batuan, serta identifikasi suhu dari objek

Pada pengenalan objek berdasarkan nilai spectral, dapat disimpulkan bahwa setiap objek memiliki interaksi khas dengan gelombang yang digunakan untuk mencitra. Tubuh air secara umum dicitra dengan baik pada rentang nilai piksel 100-300 pada semua saluran. Lahan kosong mempunyai rentangan nilai piksel sebesar 180-270, vegetasi rapat sebesar 100-130, vegetasi renggang sebesar 140-200, sedangan atap banguan sebesar 160-255.Fungsi lain dari ekstraksi nilai piksel adalah untuk mengetahui apakah citra tersebut telah dikoreksi radiometric atau belum. Pada praktikum, citra merupakan data mentah, sehingga rata-rata nilai pikselnya melibihi system bit dari citra landasat. Maka dari itu koreksi radiometric dilakukan dengan mengurangi nilai piksel yang berlebih sehingga didapat citra yang relevan.VIII. TUGAS

A. Task 21. Apa yang disebut dengan komposit warna asli (true color composite), dan bagaimana cara memperolehnya? Apa bedanya dengan komposit warna semu (false color composite)?

Jawab : Citra komposit warna asli adalah komposit yang tersusun atas citra saluran biru, hijau,, dan merah, yang masing-masing diberi warna biru, hijau, dan merah. Dengan komposisi warna seperti ini maka kenampakan citra menjadi sama seperti yang kita lihat pada kehidupan sehari-hari. Cara memperoleh komposit warna asli adalah menggunakan saluran biru, hijau dan merah dan diberi warna sesuai jenis saluran tersebut. Perbedaan komposit warna asli dan semu adalah penggunaan saluran inframerah dekat pada komposit warna semu dan tidak memakai saluran biru pada kombinasinya.2. Berdasarkan catatan nilai piksel Anda untuk tiap obyek pada 3 komposit yang berbeda. jelaskan mengapa warna vegetasi kerapatan tinggi pada citra komposit 432 berwarna merah pekat, sedangkan pada citra komposit 321 berwarna hijau kehitaman? Jelaskan pula untuk warna yang terbentuk pada citra komposit non-standar yang Anda pilih.

Jawab : pada komposit 432, Pada warna merah diisi oleh saluran inframerah yang dapat mendeteksi puncak pantulan klorofil, umur tanaman, serta dapat membedakan Tanah dengan sedikit atau tanpa vegetasi antara putih (pasir atau garam) sampai hijau atau coklat tergantung kelembapan dan kandungan organik. Air nampak biru, perairan jernih akan terlihat biru gelap atau hitam sedangkan perairan dangkal atau air dengan konsentrasi sedimen tinggi akan nampak biru muda. Area permukiman berwarna biru kecoklatanSedangkan pada komposit 321, warna hijau diisi oleh saluran hijau, sehingga objek terlihat bewarna hijau. Dan pada saluran biru, diisi olhe saluran warna biru. Selain itu, pada komposit 321, nilai piksel saluran hijau dan biru berskisar pada 100-120, yang masuk pada kategori medium, sehingga kedua warna ini terlihat dominan, khususnya pada vegetasi rapat.3. Perbandingkan ketiga citra komposit, buat tabel tingkat kemudahan pengenalan ke-empat obyek dari sangat mudah, mudah, agak sulit, sulit, dan sulit sekali. Buatlah kesimpulan.

Dari beberapa komposit yang ada dapat disimpulkan bahwa, komposit 321 atau warna asli dapat dengan mudah mengindentifikasi semua objek yaitu tubuh air, lahan kosong, vegetasi rapat dan renggang,serta atap bangunan. Saluran 3 dapat mengindentifikasi penyerapan klorofil, saluran 2 dapat mengindentifikasi pantulan hijau dari vegetasi, dan saluran 1 dapat mendeteksi sidementasi pada perairan dangkal dan cocok untuk identifikasi tubuh air.

Pada komposit 432, objek yang menonjol adalah vegetasi, karena saluran inframerah dapat mendeteksi pantulan klorofil pada tanaman dan umur pada tanaman. Selain itu, komposit 432 dapat mendeteksi sedimentasi pada perairan dangkal.

Pada komposit 456, objek yang menonjol adalah atap bangunan, lahan terbuka dan vegetasi. Atap bangunan ditandai dengan warna biru tua, sedangkan pada lahan terbuka ditandai dengan biru muda. Pada saluran 4 adalah Saluran yang peka terhadap biomasa vegetasi. Juga untuk identifikasi jenis tanaman. Memudahkan pembedaan tanah dan tanaman serta lahan dan air. Sedangkan pada saluran 5, Saluran penting untuk pembedaan jenis tanaman, kandungan air pada tanaman, kondisi kelembapan tanah. Dan saluran 6, Untuk membedakan formasi batuan dan untuk pemetaan hidrotermal. Jadi komposit ini baik untuk membedakan vegetasi, tanah, dan lahan terbangun4. Bagaimana prinsip membuat citra komposit yang lebih menonjolkan obyek tanah?Jawab : prinsip komposit citra yang menonjolkan tanah adalah dengan menggunakan saluran inframerah (0,76 0,90 m) dan inframerah tengah (1,55 1,75 m), karena kedua saluran ini dapat membedakan tanah, vegetasi, dan air dengan baik. Selain itu, pada saluran inframerah dapat menembus kabut atau awan sehingga deteksi objek berjalan dengan lebih baikB. Task 3

1. Dengan menggunakan citra terkoreksi, plot nilai rata-rata nilai piksel objek yang sama dengan task 1 pada grafik, dimana sumbu X merupakan jenis saluran dan sumbu Y merupakan nilai piksel. Beri warna yang berbeda pada tiap objek. Evaluasi pola spketral dan bandingkan dengan nilai pantulan spectral sebelum dan sesudah koreksi radiometric. Sertakan dalam laporan. Apa yang dapat disimpulkan dari grafik tersebut.Jawab : dari grafik yang terlampir dapat disimpulkan bahwa rata-rata nilai piksel sebelum koreksi geometric cenderung lebih besar daripada rata-rata nilai piksel setelah koreksi radiometric. Sehingga dalam koreksi radiometric dilakukan pengurangan nilai piksel pada saluran biru, hijau merah dan inframerah dekat. Nilai yang berlebih pada citra yang belum terkoreksi dapat disebabkan oleh bias atmosfer yang memantulkan kembali gelombang eletkromagnetik. Sehingga sensor satelit menerima pantulan gelombang eletromagnetik dari bias atmosfer selain pantulan gelombang elektromagnetik dari objek yang di indera.IX. DAFTAR PUSTAKAProjo, danoedoro. 2012 Penginderaan jauh digital. Jogjakarta : Penerbit Andihttp://dwyanasetianingtias.blogspot.com/2013/04/kombinasi-band-landsat-pada-citra_25.html

LAMPIRANA. Komposit Citra

ObjekPantulan pada RGB Displaywarna objekPengenalan ObjekWarna Citra

Red GunGreen GunBlue Gun

Air

321B3-RED BAND

Medium

(178)B2-GREEN BAND

Medium

(197)B1-BLUE BAND

Medium

(176)ZanahMudah

432B4-NIF BAND

Medium

(187)B3-RED BAND

Medium

(178)B2-GREEN BAND

Mediun

(197)GimbletMudah

456B4-NIF BAND

Medium

(187)B2-MIF BAND

Medium

(156)B1-MIF 2 BAND

Medium

(131)Pale TaupeMudah

Lahan Terbuka

321B3-RED BAND

High

(250)B2-GREEN BAND

High

(236)B1-BLUE BAND

High

(216)Antique WhiteMudah

432B4-NIF BAND

Medium

(129)B2-RED BAND

High

(250)B2-GREEN BAND

High

(236)Electric Bluemudah

456B4-NIF BAND

Medium

(129)B2-MIF BAND

High

(222)B1-MIF 2 BAND

High

(255)Electric Bluesedang

Vegetasi Kerapatan Rendah

321B3-RED BAND

Medium

(139)B2-GREEN BAND

High

(250)B1-BLUE BAND

High

(250)Electric BlueMudah

432B4-NIF BAND

Low

(20)B2-RED BAND

Medium

(139)B2-GREEN BAND

High

(250)Dodger BlueMudah

456B4-NIF BAND

Low

(20)B2-MIF BAND

Low

(7)B1-MIF 2 BAND

Low(17)Seal BrownSedang

Vegetasi Keraptan Tinggi

321B3-RED BAND

Low

75B2-GREEN BAND

Medium

118B1-BLUE BAND

Medium

102Dark Green Coppermudah

432B4-NIF BAND

High

255B2-RED BAND

Low

75B2-GREEN BAND

Medium

118Wild Watermelommudah

456B4-NIF BAND

High

255B2-MIF BAND

Medium

156B1-MIF 2 BAND

Low

100Atomic tangerinsedang

Atap Bangunan

321B3-RED BAND

Medium

169B2-GREEN BAND

High

256B1-BLUE BAND

Hogh

243Columbian blueMudah

432B4-NIF BAND

Low

23B2-RED BAND

Medium

169B2-GREEN BAND

High

256Dodger blueSedang

456B4-NIF BAND

Low

23B2-MIF BAND

Low

9B1-MIF 2 BAND

Low

13Seal brownMudah

b. Scatter Plot

d. Koreksi rediomertrikTabel Nilai Piksel Data Mentah Citra Landsat 7

SaluranObjekBiru

(450-520)Hijau

(520-600)Merah

(630-690)NIF

(760-900)MIR

(1550-1750)MIR2

(2080-2350)Sample

objek

Badan Air23722323714514515175716713131391114201313

24320318917714513880676313171011911171313

1962302101382041586388881313179911201317

Rata-rata218.67155.6773.5613.5610.4415.44

Lahan Kosong230243216243263197259272216133139116220239196255255235

223270203236289217238284220133160119222255203255255242

216257210236276223250284242129157129222253203255255249

Rata-rata229.78242.22251.67135.00223.67250.67

Vegetasi Renggang163176169204204184152165156221235201232246232166172169

149156156158171164135144139174215184175194196121138148

142149142151151151135127127170180146184194158138141131

Rata-rata155.78170.89142.22191.78201.22147.11

Vegetasi Rapat6262626659794650501501842287392123415176

1021051151181311257184802282242351441511588910396

109109951121251187171672452552551511581569310083

Rata-rata91.22103.6765.56222.67134.0081.33

Atap Bangunan297284284295289276280272276126126136165201194228255224

270264277263263282255267263122139129194213180245255224

317277291295276276284250246143122129180187163217235193

Rata-rata284.56279.44265.89130.22186.33230.67

Tabel Nilai Piksel Data Mentah Citra Landsat 7

Saluran

ObjekBlue

(450-520)Green

(520-600)Red

(630-690)NIF

(760-900)MIR

(1550-1750)MIR2

(2080-2350)Sampel

Objek

Badan Air17516117510510511146423877791114201313

18114112713710598513834711411911171313

1341681489816411834595977119911201317

Rata-rata156.67115.6744.567.5610.4415.44

Lahan Kosong168181154203223157230243187127133110220239196255255235

161208141196249177209255191127154113222255203255255242

154195148196236183221255213123151123222253203255255249

Average167.78202.22222.67129.00223.67250.67

Low Density Vegetatioin101114107164164144123136127215229195232246232166172169

879494118131124106115110168209178175194196121138148

8087801111111111069898164174140184194158138141131

Average93.78130.89113.22185.78201.22147.11

high density vegetation0002619391721211441782227392123415176

4053537891854255512222152291441511588910396

4747337285784242382392492491511581569310083

average30.3363.6736.56216.33134.0081.33

rooftop235222222255249236251243247120120130165201194228255224

208202215223223242226238234116133123194213180245255224

255215229255236236255221217137116123180187163217235193

average222.56239.44236.89124.22186.33230.67

Grafik Perbandingan Nilai Piksel Citra Sebelum dan Setelah Koreksi Radiometrik