modul praktikum rs ikl 2007
DESCRIPTION
Modul Praktikum RS IKL 2007TRANSCRIPT
-
Modul Praktikum Penginderaan Jauh
ER Mapper 6.4
Disusun Oleh : Syamsul B. Agus
Program Studi Ilmu Kelautan Sekolah Pasca Sarjana
Institut Pertanian Bogor 2007
-
Modul Praktikum
Penginderaan Jarak Jauh
Disusun oleh :
Syamsul B. Agus
Sekolah Pascasarjana
Program Studi Ilmu Kelautan
2007
-
Modul Praktikum SPL 2007
1
TEKNOLOGI PENGINDERAAN JAUH
LATAR BELAKANG
Penginderaan jauh merupakan suatu teknik untuk mengumpulkan informasi mengenai objek
dan lingkungannya dari jarak jauh tanpa sentuhan fisik. Menurut Lillesan dan Kiefer (1993),
penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang objek, daerah,
atau fenomena melalui analisis data yang diperoleh tanpa menyentuh objek, daerah, atau
fenomena yang dikaji. Inderaja merupakan suatu ilmu dan teknologi (JARS, 1993). Sedang
menurut Sutanto (1987), inderaja merupakan ilmu bila digunakan untuk lingkup studi
inderaja sendiri dan merupakan suatu teknik bila digunakan sebagai penunjang untuk
mempelajari bidang ilmu yang lain.
Gambar 1. Sistem Penginderaan Jauh dan Penggunanya
Komponen Utama Penginderaan Jauh
Menurut Lillesand dan Kiefer (1993), proses dan elemen yang terkait dalam sistem
penginderaan jauh meliputi proses pengumpulan data dan proses analisis data. Sumber
energi, perjalanan energi melalui atmosfer, interaksi antara energi dengan kenampakan
muka bumi, sensor pada wahana pesawat terbang atau satelit dan proses pembentukan
data merupakan bagian dari proses pengumpulan data. Sedangkan proses analisis data
meliputi pengujian data dengan menggunakan alat interpretasi, menganalisa data digital,
mengumpulkan data rujukan sebagai pembantu dalam penganalisaan dan
memanfaatkannya untuk proses pengambilan keputusan.
-
Modul Praktikum SPL 2007
2
Sumber Energi
Radiasi elektromagnetik merupakan suatu bentuk perjalanan energi dalam ruang hampa,
yang menunjukkan sifat-sifat partikel dan gelombang. Sumber energi yang dipakai dalam
sistem penginderaan jauh adalah matahari dalam bentuk gelombang elektromagnetik,
didefenisikan sebagai gelombang yang terdiri dari medan listrik dan medan magnet,
bergerak tegak lurus dengan arah rambat gelombang (gambar 2). Bentuk gelombang ini
dapat diamati apabila berinteraksi dengan suatu benda.
Gambar 2. Ilustrasi perjalanan gelombang (Lillesand dan Kiefer, 1993)
Dalam sistem penginderaan jauh, gelombang yang sering digunakan berada dalam
beberapa spektrum elektromagnetik, yaitu spektrum tampak (0.4 - 0.7 m), infra merah pantulan, infra merah termal, dan gelombang mikro (Lillesand dan Kiefer, 1993). Spektrum
yang digunakan (tabel 2) merupakan spektrum elektromagnetik yang dapat melalui atmosfer
dan mencapai permukaan bumi yang disebut jendela atmosfer (Sutanto, 1990).
Suatu objek memantulkan cahaya matahari atau memancarkan energinya sendiri (energi
radiant) sesuai dengan aktivitas atom dan molekul-molekulnya. Energi radiant yang
dipancarkan oleh suatu benda megikuti kaidah-kaidah hukum Plank. Dengan demikian
radiasi dari suatu benda dapat dijadikan ciri untuk identifikasi objek tersebut (JARS, 1993)
-
Modul Praktikum SPL 2007
3
Tabel 2. Karakteristik pita spektral gelombang elektromagnetik ketika melewati atmosfir
Band Panjang Gelombang
Keterangan
Sinar 0.03 nm Radiasi dari matahari diserap seluruhnya oleh atamosfir bagian atas, jadi tidak dipakai untuk penginderaan jauh
Sinar X 0.03 - 3 nm Diserap seluruhnya oleh atmosfir Ultraviolet (UV) 3 nm - 0.4 m Panjang gelombang 0.3 m diserap seluruhnya
oleh ozon di atmosfir atas UV Fotografi 0.3 - 0.4 m Dapat melalui atmosfir. Dapat dideteksi oleh
film dan detektor, tetapi mengalami hamburan oleh atmosfir
Cahaya Tampak 0.4 - 0.7 m Dapat dideteksi film dan detektor. Termasuk puncak reflektansi bumi sekitar 0.5 m
Infra Merah (IR) 0.7 - 300 m Interaksi dengan obyek tergantung panjang gelombang. Jendela atmosfir dipisah oleh kanal penyerapan
IR Pantulan 0.7 - 3 m Ini adalah radiasi pantulan matahari primer dan tidak mengandung informasi mengenai suhu obyek. Radiasi dari 0.7 - 0.9 m dapat dideteksi dengan film dan disebut radiasi IR Fotografi
IR Thermal 3 - 5 m 6 - 14 m
Merupakan jendela atmosfir utama pada daerah termal. Citra dibuat dengan scanner optik mekanik, tidak dengan film
Gel Mikro 0.3 -300 cm Dapat menembus awan dan kabut. Citra dapat dibuat dengan cara pasif maupun aktif
Radar 0.3 - 300 cm Penginderaan jauh dalam bentuk aktif
Interaksi Energi dengan Atmosfer
Pengaruh total atmosfer berbeda-beda sesuai dengan perbedaan jarak yang dilalui,
besarnya sinyal tenaga yang diindera, kondisi atmosfer, dan panjang gelombang yang
digunakan (Lillesand dan Kiefer, 1993). Gambar 3 menunjukkan energi radiasi
elektromagnetik yang dideteksi oleh sensor, sebelumnya harus melalui atmosfer sehingga
akan mengalami interaksi dengan atmosfer.
Interaksi atmosfer terutama disebabkan oleh adanya komponen gas dan partikel di atmosfer.
Pengaruh yang paling mudah terlihat adalah pada panjang gelombang sinar tampak, yakni
dapat berupa penghamburan (scattering) dan penyerapan (absorption). Selanjutnya
Lillesand dan Kiefer (1993) menambahkan, proses penghamburan akan menyebabkan
radiasi elektromagnetik kehilangan detail informasi, sedangkan proses penyerapan
menyebabkan pengurangan energi pada selang panjang gelombang tertentu.
-
Modul Praktikum SPL 2007
4
Gambar 3. Interaksi REM dengan Partikel Atmosfer (Sutanto, 1992)
Daerah-daerah panjang gelombang yang memungkinkan energi elektromagnetik untuk
melewati atmosfer dan mencapai bumi disebut jendela atmosfer. Uap air dan
karbondioksida dapat menyerap sebagian dari gelombang infra merah. Energi dengan
panjang gelombang yang lebih pendek dari 0.3 m akan diserap oleh lapisan ozon. Tenaga elektromagnetik dalam jendela atmosfer tidak dapat mencapai permukaan bumi secara utuh,
karena sebagian mengalami hambatan oleh atmosfer. Sutanto (1990), menyebutkan bahwa
hambatan ini disebabkan oleh debu, uap air, dan gas di atmosfer. Proses
penghambatannya terjadi terutama dalam bentuk serapan (absorpsi), pantulan (refleksi),
dan hamburan (scattering).
Interaksi Energi dengan Objek di Muka Bumi
Sebagian tenaga elektromagnetik yang mencapai permukaan bumi mengalami tiga bentuk
interaksi dengan permukaan bumi, yaitu pantulan, serapan dan transmisi. Ketiga bentuk
interaksi energi tersebut memiliki hubungan timbal balik dengan menerapkan hukum
kekebalan energi (Lillesand dan Kiefer, 1993), sebagai berikut :
E1 = ER + EA + ET dimana, E1 = energi yang mengenai benda
ER = energi yang dipantulkan EA = energi yang diserap ET = energi yang ditransmisikan
seluruh komponen tersebut merupakan fungsi panjang gelombang.
Cahaya tampak (visible) hasil pancaran matahari yang sampai ke bumi mengandung semua
warna dalam spektrum cahaya tampak. Setiap objek memantulkan panjang gelombang
tertentu dan menyerap sisanya. Reflektansi spektral adalah fraksi dari energi sesaat yang
dipantulkan. Reflektansi untuk setiap benda di bumi berbeda sesuai dengan sifat benda dan
-
Modul Praktikum SPL 2007
5
panjang gelombangnya. Bila suhu benda semakin tinggi, puncak pancarannya bergeser ke
arah gelombang yang lebih pendek (Lillesand dan Kiefer, 1993).
Reflektansi tanah pada daerah gelombang cahaya tampak dipengaruhi oleh kelembaban,
senyawa besi, materi organik, tekstur tanah dan kekasara permukaan. Reflektansi spektral
vegetasi biasanya bervariasi, seperti yang ditunjukkan oleh gambar 4. Klorofil memiliki
serapan yang kuat pada panjang gelombang tertentu, sedang air menyerap energi pada
panjang gelombang infra merah sehingga memperlihatkan warna hitam. Air dengan
kandungan muatan padatan tersuspensi (MPT) yang tinggi mempunyai tingkat pantulan
yang lebih tinggi daripada air jernih.
Gambar 4. Reflektansi Spektral dari Tanah, Air, dan Vegetasi (Modifikasi JERS-1)
Spectral response air, seperti yang terjadi pada vegetasi dan tanah, berbeda-beda
tergantung pada panjang gelombang elektromagnetik dan interaksi yang terjadi. Pada tubuh
air, interaksi yang terjadi adalah hasil pantulan tubuh air dan juga dipengaruhi oleh kondisi
tubuh air lainnya. Sebagai contoh, pembatasan antara tubuh air dengan daratan dapat
dilakukan dengan mudah pada citra saluran inframerah dekat sedangkan beberapa aspek
atau kondisi air dapat diketahui dari citra gelombang tampak. Pada saluran inframerah
dekat dan tengah, tubuh air akan menyerap semua tenaga (incident energy), sekalipun pada
air dangkal, dan hanya memantulkan sedikit energi.
Sensor
Menurut Butler et al (1988), sensor adalah alat yang dapat mendeteksi emisi atau pantulan
radiasi elektromagnetik dan mengubah kedalam nilai fisika yang dapat disimpan dan
diproses. Sedang Sutanto (1990), menyatakan bahwa dalam mendeteksi objek di muka
bumi, sensor mempunyai kepekaan diri terhadap bagian spektrum elektromagnetik. Selain
itu kemampuan merekam objek terkecil yang masih dapat dikenali dan dibedakan dengan
objek lain atau disebut resolusi spasial menunjukkan kualitas suatu sensor. Semakin kecil
objek yang dapat direkam oleh sensor semakin baik kualitas sensor tersebut.
-
Modul Praktikum SPL 2007
6
45
26 81
53 35 57
Kolom
Baris
band 1
band 2
band 3
DN - Pixel
DATA PENGINDERAAN JAUH
Citra adalah gambaran 2 dimensi (2D) yang menggambarkan suatu obyek dari pandangan
nyata. Citra penginderaan jauh menggambarkan bagian dari permukaan bumi yang terlihat
dari suatu ruang.
Citra Digital dan Analog
Citra dapat berbentuk analog maupun digital. Sebagai contoh, foto udara merupakan citra
analog berupa film dengan proses kimiawi untuk mendapatkan citra., sedang citra satelit
didapatkan dari sensor elektronik dan diporses secara digital.
Data penginderaan jauh tidak hanya sekedar sebagai gambar, tetapi data citra disimpan
dalam format grid secara reguler yang biasa disebut sebagai data raster yang terdiri dari
baris (row) dan kolom (column). Satu elemen terkecil (gambar 7) dinamakan sebagai pixel
(picture element) . Untuk setiap pixel mempunyai informasi koordinat (row dan column) dan
nilai spectral yang dikonversi dalam bentuk angka, yang biasa disebut DN (Digital Number).
Pixel
Tiap pixel menggambarkan bagian wilayah permukaan bumi dengan nilai intensitas serta
lokasi alamat dalam bentuk 2 dimensi. Nilai intensitas tersebut menggambarkan ukuran
kuantitas fisik yang merupakan pantulan atau pancaran radiasi matahari dari suatu obyek
dengan panjang gelombang tertentu yang diterima oleh sensor. Seperti disebutkan
sebelumnya, intensitas pixel disimpan sebagai nilai digital (DN (Digital Number)). DN
disimpan dalam bits dengan jumlah tertentu.
-
Modul Praktikum SPL 2007
7
Kualitas data penginderaan jauh pada utamanya ditentukan oleh karakteristik system sensor
platform. Karakteristik system sensor platform biasanya ditunjukkan pada :
Resolusi Spektral atau radiometrik
Resolusi ini berdasarkan pada masing bagian dari Spektrum Elektromagnetik yang diukur
dan perbedaan energi yang diamati. Sebagi contoh : Landsat TM mempunyai 6 band,
sedang SPOT menggunakan 4 band.
Resolusi Spasial
Resolusi spasial didasarkan pada unit terkecil suatu obyek yang diukur, menunjukkan
ukuran minimum obyek. Sebagai contoh ukuran per pixel untuk SPOT (20 m x 20 m) dan
Landsat (30 m x 30 m).
Resolusi pengulangan pemotretan (Revisit time)
Revisit time adalah waktu pengulangan pengambilan data pada posisi obyek yang sama.
Landsat akan melakukan pengambilan data pada posisi obyek yang sama 16 hari, sedang
NOAA setiap hari.
-
Modul Praktikum SPL 2007
8
Tahapan Pengolah Data Citra Satelit (Image Processing Stage)
Pada pelatihan ini akan di perkenalkan mengenai teknologi penginderaan jauh mutakhir
sistem satelit untuk melakukan eksplorasi, pemetaan dan pengelolaan sumberdaya alam.
Pelatihan ini juga akan memberikan pengalaman kepada peserta untuk melakukan
pengolahan data penginderaan jauh satelit untuk perolehan informasi penting di permukaan
bumi. Secara umum pelatihan ini akan memberikan wawasan dan kemampuan praktis pada
setiap peserta untuk memahami dua hal di bawah ini:
Teknologi Penginderaan Jauh Satelit Sumberdaya Alam
Pada bagian ini akan diberikan konsep dasar dan pemahaman mengenai teknologi
penginderaan jauh satelit sumberdaya alam untuk mengeksplorasi sumberdaya alam di
permukaan bumi yang selama ini digunakan. Konsep dan informasi tersebut meliputi
wahana satelit, sensor yang digunakan, kemampuan dan aplikasi pemanfaatan.
Teknologi Pengolahan Citra Penginderaan Jauh Satelit
Pada bagian ini akan ditekankan pada teknologi pengolahan citra satelit untuk memperoleh
informasi sumberdaya alam yang kita butuhkan. Teknologi pengolahan citra tersebut
meliputi penajaman citra, penyusunan citra composit, koreksi geometri citra, dan klasifikasi
digital.
Agar supaya informasi citra satelit dapat bermanfaat secara optimal sebelum dilakukan
analisis, perlu digunakan teknik pemrosesan citra. Proses pengolahan citra secara digital
dapat dikelompokan atas beberapa bagian sebagai berikut :
1. Pemulihan Citra (Image restoration).
Citra akan mengalami perubahan karena adanya distorsi radiometrik dan geometrik,
sehingga perlu dikorek terhadap keslahan tersebut..
2. Penajaman Citra (Image enhancement)
Sebelum melakukan analisis data citra, secara visual perlu dilakukan teknik
penajaman, sehingga kekontrasan obyek akan nampak. Langkah ini dilakukan untuk
membantu interpretasi secara visual agar dapat meningkatkan jumlah informasi .
Hal ini merupakan langkah awal pada pemrosesan citra secara digital.
3. Klasifikasi citra (Image classification)
-
Modul Praktikum SPL 2007
9
Penajaman Citra (Enhancement)
Penajaman citra dapat didefinisikan sebagai pemilihan penampakan suatu citra sehingga
informasi tersebut dapat lebih mudah diinterpretasikan untuk suatu tujuan tertentu. Sebagai
contoh seperti gambar 1. dibawah ini terlihat kabur karena adanya hamburan (scaterring)
dari cahaya matahari oleh atmosfer kedalam obyek dilapangan terhadap sensor. Efek ini
juga menurunkan kekontrasan citra, akibatnya gambar 5., kenampakan penutupan lahannya
relatif sulit dibedakan.
Gambar 5. Citra Satelit SPOT yang ditutupi oleh liputan awan tipis atau kabut (hazy)
Setelah dilakukan proses penajaman citra akan perbedaan kontras secara visual dapat
terlihat pada gambar 6.
Dapat dikatakan bahwa suatu metode penajaman citra tidak dapat digunakan untuk
berbagai macam kepentingan atau suatu teknik penajaman hanya cocok untuk interpretasi
tertentu (sebagai contoh untuk penelitian terumbu karang berbeda dengan penelitian tentang
plankton). Namun demikian ada beberapa ketentuan umum yang dapat dipertimbangkan
dalam pemilihan panajaman citra, meskipun apabila ditinjau kembali ke definisi di atas ada
pembedaan yang sangat subyektif sifatnya. Dalam hal ini kita bedakan beberapa teknik
penajaman citra, antara lain :
-
Modul Praktikum SPL 2007
10
1. Penajaman kontras
2. Pembuatan warna semu (pseudocolour)
3. Penapisan (filtering)
Gambar 6. Citra SPOT hasil penajaman kontras citra menggunakan model linier stretching.
Penajamaman kontras Sensor yang digunakan dalam sistem penginderaan jauh telah di desain untuk dapat
menangkap radiasi baik tingkat yang rendah maupun yang tinggi. Ada beberapa
cara untuk dapat melakukan peningkatan kekontrasan citra, antara lain adalah :
a. Linear Contrast stretching
b. Histogram Equalization
c. Gaussian Strech
a. Linear Contrast strech
Secara sederhana teknik Linear Contrast Strech dapat dijelaskan sebagai
perenggangan dari nilai pixel yang dinyatakan dalam Digital Number (DN)
minimum sampai dengan maksimum dengan nilai 0 255.
Teknik linear contrast strech secara grafis dapat digambarkan dalam Look
Up Table (LUT)
b. Histogram Equalization
-
Modul Praktikum SPL 2007
11
Histogram Equalization dengan menggunakan histogram citra sebagai
dasar untuk mentransformasikan nilai pixel dari DN minimum dan DN
maksimum menjadi skala penuh 0 255.
c. Gaussian Strech Cara ini menggunakan konsep distribusi normal Gauss untuk
mentransformasikan skala nilai pixel DN minmum DN maksimum menjadi
skala penuh 0 255, dengan memperhatikan histogram citra.
Pembuatan warna semu (pseudocolour).
Pembuatan warna semu adalah penggabungan 3 saluran (red, green, blue) dengan
masing masing band. Untuk praktikum ini digunakan Band 5 (Red), Band 4(
Green) dan Band 2 (Blue). Masing band pada komposit warna tersebut adalah untuk
membedakan waran vegetasi atau obyek yang ada pada kenampakan citra. Selain
itu digunakan Band 3, 2, 1 untuk membedakan jalan serta sungai. Sehingga dalam
hal ini dilakukan 2 komposit warna untuk tujuan yang berbeda :
1. Komposit warna Band 5, 4 dan 2 untuk klasifikasi citra
2. Komposit warna Band 3, 2 dan 1 untuk menentukan posisi Ground Control
Point pada persimpangan jalan.
Gambar 3. Citra False colour composite multispectral SPOT : Red: XS3; Green: XS2; Blue: XS1
-
Modul Praktikum SPL 2007
12
Koreksi Geometrik
Pada sistem perekaman citra, dapat juga mengalami cacat geometrik. Cacat ini dapat
terjadi karena adanya pergeseran elemen gambar (pixel) dari letak yang sebenarnya.
Penyebab cacat geometrik ini antara lain karena kurang sempurnanya sistem kerja dari yang
berhubungan dengan dengan arah penyapuan (scan Deflection System), abrasi pada sub
sistem optik ketidak linieran dan noise pada scanning system, perubahan ketinggian alat
pembawa sensor, perubahan sudut pandang alat pembawa sensor terhadap objek,
perputaran bumi dan relief bumi yang tidak rata.
Untuk mengatasi cacat tersebut dilakukan koreksi geometrik. Koreksi ini dilakukan dengan
melihat pengaruh gerakan bumi, besarnya jari-jari bumi, kelengkungan bumi, dan
menganggap bumi berputar dengan kecepatan yang tetap. Untuk menghilangkan pengaruh
instrumen dan ketinggian satelit dapat diatasi dengan mentransformasikan tata letak objek
pada citra terhadap peta.
Dalam pengolahan citra satelit tentunya sangat dibutuhkan titik-titik yang menunjukkan
koordinat titik yang sebenarnya pada permukaan bumi. Olehnya dengan menggunakan
software Er Mapper dapat dilakukan perlakuan koreksi terhadap titik yang sebenarnya
tersebut atau biasa disebut dengan koreksi geomatrik.
ER Mapper akan merektifikasi atau membetulkan citracitra dari suatu proyeksi peta yang
diketahui ke yang lainnya yang belum diketahui. Juga dapat dilakukan suatu rektifikasi citra
yang tidak dalam proyeksi yang diketahui dengan mendefenisikan sejumlah bentuk atau
tanda yang dapat diidentifikasi (Ground Control Point) dan menggunakannya untuk
menentukan titik-titik tumpuan atau titik ikat.
Ada tiga alasan utama mengapa perlu merektifikasi sebuah dataset citra. Pertama kita
mungkin ingin mebandingkan dataset terhadap dataset lainnya; kedua kita mungkin ingin
mereferensikan dataset ke system koordinat sebenarnya pada permukaan bumi; atau ketiga
kita mungkin ingin mengkonversi dataset.
Alasan pertama adalah memperbandingkan dataset-dataset. Kita dapat menempelkan dua
atau lebih citra jika citra-citra tersebut berada dalam system koordinat yang sama. Jika citra-
citra tersebut tidak berada dalam system koordinat yang sama maka kita mungkin harus
merotasi citra tersebut, mentransformasinya dari suatu proyeksi peta ke proyeksi lainnya
atau menggunaka pendekatan dengan data RAW dimana citra-citra tersebut mempunyai
cirri-ciri yang teridentifikasikan.
-
Modul Praktikum SPL 2007
13
Alasan kedua adalah georeferensi citra terhadap system koordinat pada permukaan bumi.
Data citra digital sering mengandung kesalahan dalam geometri akibat pergerakan peralatan
scanner (penyapuan), karakteristik sensor, lengkungan permukaan bumi atau sebab-sebab
lainnya, kita dapat mengoreksi citra-citra dengan mengidentifikasi korespondensi titik-titik
yang dikenal sebagai titik-titik kontrol dalam dataset dan peta, hal inilah yang disebut
sebagai rektifikasi atau warping.
Alasan ketiga adalah resample. Resample adalah salah satu bentuk konversi dataset. Jika
kita mengspesifikasikan sudut rotasi sebagai nilai nol, kita hanya akan me- resample
dataset, tidak merotasikannya. Ini dapat memungkinkan kita untuk meningkat resolusi suatu
citra dengan meresampelnya menjadi suatu dataset dengan ukuran sel yang lebih kecil.
Filter
Filter spatial adalah suatu aplikasi umum yang diterapkan pada data raster citra untuk
menajamkan citra guna meningkatkan interpretasi visual. Filter spatial disebut juga sebagai
operasi lokal pengolahan citra sebab filter spatial merubah harga setiap piksel dalam dataset
sesuai dengan harga0harga piksel diasekitarnya.
Filter spatial dibagi dalam tiga kategori utama, yaitu :
- Low pass filter atau filter lolos rendah, adalah filter yang menekan frekuensi rendah
utnuk meratakan keluaran noise pada ciaatera atau menghilangkan spike pada data
citra. Filter lolos rendah terkadang disebut juga sebagai filter smoothing atau filter
averaging.
- High pass filter atau filter lolos rendah, adalah filter yang menekan frekuensi tinggi
utnuk menajamkan penampakan liner pada citra seperti jalan, patahan, lingkungan
air dan tanah. Filter lolos tinggi terkadang disebut juga sebagai filter sharpening
karena secara umum digunakan untuk menajamkan citra secara detail tanpa
mempengaruhi bagian dari frekuensi rendah citra.
- Edge detection filter, adalah filter yang menekan pinggir-pinggir di sekeliling suatu
obyek atau penampakan dalam suatu citra untuk memudahkan dalam analisis. Filter
edge detection biasanya membuat citra untuk denga latar belakang abu-abu dan
hitam, dan garis putih yang menelilingi pinggir obyeki atau penampakan suatu citra.
Transformasi
Transformasi adalah teknik peningkatan kontras warna dan cahaya dari suatu citra sehingga
memudahkan untuk interpretasi dan analisis citra. Histogram adalah suatu tampilan grafik
-
Modul Praktikum SPL 2007
14
dari suatu distribusi frekuensi relatif dalam suatu dataset. Suatu kotak dialog transformasi
akan menampilkan histogram data masukan dan data keluaran setelah ditransformasi, dan
garis transformasi.
Penajaman citra bertujuan untuk menguatkan kontras dari masing-masing objek, sehingga
akan didapatkan informasi yang lebih baik. Penajaman dapat dilakukan dengan berbagai
cara, seperti mengatur kontras (gain level), perentangan serta penggunaan filter.
Perentangan dilakukan dengan melihat histogram citra asli, kemudian nilai-nilai yang ada
disebarkan pada kisaran 0 256, sehingga akan semakin jelas antara objek yang memiliki
nilai reflektansi yang rendah, dengan objek yang memiliki nilai reflektansi.
Klasifikasi
Klasifikasi data adalah suatu proses dimana semua piksel dari suatu citra yang mempunyai
penampakan spektral yang sama akan diidentifikasikan. Sebagai contoh citra Landsat TM
dengan tujuh band buah informasi band dapat diklasifikasi untuk mengidentifikasi lingkupan
hutan atau tata guna lahan. Kita mempunyai sejumlah pilihan untuk membuat suatu
klasifikasi, dapat memilih jenis keluaran yang diinginkan dan juga pengolahan data yang
diinginkan. Dalam proses klasifikasi kita akan membuat suatu dataset klasifikasi atau suatu
algoritma dari tiap-tiap baris yang mempresentasikan suatu kelas.
Klasifikasi bertujuan untuk membedakan bermacam-macam objek yang terdapat dalam citra,
dan mengelompokkan objek-objek yang memiliki karakteristik yang sama kedalam kelas
tertentu. Klasifikasi biasanya dilakukan setelah proses penajaman citra, dan jumlah kelas
disesuaikan dengan informasi yang akan disampaikan. Sebelum objek tersebut dikelaskan,
terlebih dahulu dilakukan proses pengambilan titik contoh (training area), dengan dasarnya
adalah perbedaan warna yang terdapat pada objek.
Proses klasifikasi ini dapat dilakukan dengan berbagai cara, yaitu :
a. Metode minimum distance, yaitu penentuan kelas berdasarkan rata-rata nilai
spektral untuk tiap tiap kategori yang disebut vektor rata-rata. Satu nilai pixel yang
tidak diketahui, diklasifikasikan dengan memperhitungkan jarak antara nilai pixel
yang diketahui dengan nilai rata-rata dari berbagai kategori. Pixel yang mempunyai
jarak yang lebih jauh dari rata-rata sebuah kategori diklasifikasikan sebagai
unknown.
b. Metode Pararellepiped, yaitu klasifikasi yang dilakukan dengan cara membagi tiap
axis dari ruang penampakan multi spektral, dimana daerah nyata dari tiap kelas
-
Modul Praktikum SPL 2007
15
didefinisikan pada basis terendah dan nilai tertinggi pada tiap axis. Metode ini
disebut juga multi level slicing.
c. Metode Maximum Likehood, yaitu metode yang dilakukan berdasarkan probabilitas
maksimal dari setiap titik yang telah ditentukan pada suatu kelas tertentu. Ketelitian
dari metode ini tergantung dari contoh yang diambil, hal ini dapat ditunjang dari
pengetahuan lapang dan peta bumi serta memahami kunci-kunci interpretasi.
Klasifikasi terbagi atas dua jenis secara umum yaitu, klasifikasi supervised dan unsupervised
yang biasanya digunakan untuk mengklasifikasikan keseluruhan dataset menjadi kelas-
kelas. Kelas-kelas dapat mengidentifikasi area perkebunan, mineral, urban. Misalnya
dalam tahapan proses klasifikasi kelas A1 bisa diidentifikasikan sebagai hutan mangrove,
kelas A2 adalah dikelaskan sebagai kelas air, atau mungkin kelas-kelas A5 adalah piksel-
piksel yang memiliki kelas vegetasi. Suatu dataset klasifikasi biasanya diperlihatkan dengan
menggunakan suatu tampilan baris klasifikasi dalam algoritma. Tampilan baris klasifikasi
dapat menampilkan banyak kelas, dengan warna yang berbeda-beda untuk masing-masing
kelas.
Klasifikasi supervised (Klasifikasi Terawasi)
Dalam penggunaan klasifikasi terawasi maka kita sudah memiliki pengetahuan yang cukup
dari dataset dan pada posisi atau area mana suatu wilayah atau kelas-kelas tersebut berada
di lapangan. Klasifikasi supervised memerlukan kelas-kelas yang mengspesifikasikan
wilayah-wilayah yang diinginkan. Kita dapat mendefenisikan suatu wilayah dengan
menggambarkan suatu wilayah latihan (training area) dengan menggunakan sistem anotasi
dan menyimpannya dalam dataset raster. Tiap-tiap wilayah training area merupakan
wilayah vektor tetapi direlaikan sebagai dataset raster dan disimpan dalam kepala file
dataset raster.
Untuk contoh kita bisa mendefenisikan wilayah-wilayah untuk air, vegetasi, urban dengan
menggambar daerah latihannya (training area) dengan menggambarkan poligon-poligon
pada area dengan karakterisitik-karakteristik spektral tertentu. Klasifikasi supervised
kemudian akan mencari semua piksel dengan karakteristik-karakteristik spektral yang sama,
sesuai dengan yang telah didefenisikan.
Klasifikasi unsupervised (Klasifikasi Tak Terawasi)
Dengan menggunakan klasifikasi unsupervised pada saat kita memiliki sedikit informasi
mengenai dataset kita. Klasifikasi unsupervised memulai mengklasifikasi dari kelas-kelas
-
Modul Praktikum SPL 2007
16
atau wilayah-wilayah yang kita spesifikasikan atau dari jumlah nominal kelas. Klasifikasi
unsupervised dengan sendirinya akan mengkategorikan semua piksel menjadi kelas-kelas
dengan penampakan spektral atau karakteristik spektral yang sama. Hasil kasifikasi
dipengaruhi oleh parameter-parameter yang kita tentukan daklam kotak dialog klasifikasi
unsupervised. Klasifikasi unsupervised akan menghitung secara statistik untuk membagi
seluruh dataset menjadi kelas-kelas sesuai dengan jumlah kelas yang kita inginkan.
Biasanya hasil-hasil klasifikasi unsupervised harus diinterpretasi dengan menggunakan
keadaan data yang sebenarnya di lapangan. Dari informasi ini kita mungkin bisa
memutuskan untuk mengkombinasikan atau menghapus kelas-kelas yang diinginkan. Kita
perlu untuk memberi warna dan nama untuk masing-masing kelas.
LAYOUT CITRA KARTOGRAFI
Komposisi Peta
Komposisi peta memungkinkan kita untuk mempresentasikan citra-citra secara profesional
dan penuh arti. Kualitas kartografik peta pada program Er Mapper seperti dapat membuat
grid, bar skala, blok titel, panah arah utara, logo instansi atau perusahaan, legenda maupun
legenda klasifikasi.
Dengan menggunakan fasilitas anotasi dan komposisi peta pada Er Mapper untuk membuat
peta citra yang berkualitas yang mengandung data raster, vektor dan tabular. Anotasi
memungkinkan kita untuk menggambar secara langsung di layar monitor dengan
menggunakan fasilitas teks, garis, poligon dan lain-lain, mengekspresikan warna, bayangan,
model garis dan simbol-simbol.
Percetakan Peta Citra (Printing)
Kita dapat menghasilkan keluaran suatu citra dengan menggunakan peralatan-peralatan
percetakan atau printer yang meliputi printer colour, film, printer hitam putih, plotter, maupun
format grafik.
Pilihan percetakan membutuhkan suatu algoritma yang mendefenisikan semua data yang
kita masukkan dan telah diolah, dengan catatan bahwa hanya algoritma-algoritma yang
telah tersimpan saja yang dapat dicetak/print. Jika kita mengedit suatu algoritma maka
hanya algoritma yang terakhir kali saja yang tersimpan yang dapat dicetak/print, bukan
-
Modul Praktikum SPL 2007
17
algoritma yang sedang dijalankan. Jadi pastikan bahwa kita telah menyimpan file yang
sedang diolah dan yang akan dicetak/print.
Ada dua hal yang perlu diperhatikan apabila akan mencetak hasil pekerjaan dalam bentuk
algoritma, yaitu : ukuran algoritma adalah ukuran yang kita inginkan dari keseluruhan
keluaran citra; ukuran percetakan atau hardcopy adalah ukuran kertas dari peralatan cetak
(printer) yang digunakan. Kedua ukuran tersebut tidak perlu sama. Jika ukuran algoritma
kita lebih besar daripada ukuran halaman percetakan (printer) maka program Er Mapper
dengan sedirinya akan mencetak potongan-potongan dari keseluruhan ukuran keluaran citra
yang diinginkan.
-
Modul Praktikum SPL 2007
18
SATELIT SUMBER ALAM LANDSAT Karakteristik Satelit Landsat Semula serial inderaja Landsat dimulai dengan peluncuran Satelit Teknologi Sumber Alam
(ERTS = Earth Resources Technology Satellite) pada tahun 1972, kemudian berubah nama
menjadi Land Satellite (LANDSAT). Generasi pertama satelit Landsat ini terdiri dari Landsat-
1, Landsat-2, dan Landsat-3, dan satelit Landsat generasi pertama ini telah lama tidak
beroperasi, yaitu sejak tahun 1983. Generasi kedua terdiri dari Landsat-4 dan Landsat-5,
yang diluncurkan pada tahun 1982 dan 1984. Seri Landsat generasi kedua ini memiliki sudut
inklinasi 98,3 dengan periode selama 98,5 menit. Satelit Landsat ini dapat merekam data bumi setiap 16 hari sekali , pada jam 9.30 waktu setempat. Satelit ini berorbit polar
sunsyncronous, dengan jarak interaksi 2752 Km, dan ketinggian orbit 705 km. Satelit ini
mengorbit dari Utara ke Selatan dan sensor satelit mengindera dan mengumpulkan data
permukaan bumi seluas 185 x 185 Km secara serentak.
Satelit Landsat-4 dan Landsat-5 membawa jenis sensor MSS (Multispektral Scanner) yang
memiliki 4 band elektromagnetik dan dan sensor TM (Thematic Mapper), dimana kode band
dimulai dengan angka 4, karena kode 1,2 dan 3 telah digunakan untuk citra RBV (Return
Beam Vindicon Camera) pada generasi pertama.
Sensor Multispectral Scanner (TM) Data citra MSS mempunyai keistimewaan tertentu dalam memberikan informasi mengenai
keadaan objek. Keistimewaan tersebut antara lain :
a. Band 4 : 0,5 0,6 m (hijau) , merupakan daerah saluran hijau . Pada kanal ini air memberikan warna yang cerah sehingga tampak terang. Hal ini dikarenakan hikau memberikan penginderaan yang baik terhadap gejala yang berhubungan dengan air. Puncak kurva pantulan air jernih dan keruh terdapat pada perbatasan saluran hijau dan biru. Kearah kanan kurvanya menurun tajam dan pantulannya pada saluran saluran merah dan infra merah rendah sekali. Nilai pantulan dari vegetasi minim, sehingga rona yang diberikan gelap. Tanah memberikan nilai pantulan yang sedikit lebih besar dari vegetasi, sehingga rona tanah terlihat lebih cerah dibanding vegetasi.
b. Band 5 : 0,6 0,7 m (merah), merupakan daerah saluran merah. Pada kanal ini mulai terlihat perbedaan kenampakan antara tanah, air dan vegetasi, karena pada panjang gelombang 0,65 m, setiap material mempunyai nilai pantulan yang berbeda. Pada umumnya pantulan dari vegetasi akan menurun pada panjang gelombang 0,55 m sampai 0,65 m, karena itu rona yang diberikan gelap. Untuk air yang keruh akan kelihatan cerah, karena adanya pantulan dari material suspensi yang nilai pantulannya menyerupai pantulan tanah dan batuan.
-
Modul Praktikum SPL 2007
19
c. Band 6 : 0,7 0,8 m (near infra red), merupakan daerah saluran infra merah. Pada kanal ini rona tanah atau vegetasi sulit dibedakan karena pada umumnya kurva pantulan tanah dan vegetasi meningkat tajam pada panjang gelombang 0,7 m dan lebih meningkat lagi pada infra merah dekat. Air banyak menyerap sinar, sehingga pantulan yang diberikan minimum dan ronanya tampak gelap. Berdasarkan pantulan yang diberikan , maka terdapat perbedaan nilai pantulan yang besar dari tanah dan air, sehingga pada kanal ini mulai jelas perbedaan antara tanah dan air.
d. Band 7 : 0,8 1,1 m (near infra red), merupakan daerah saluran infra red dekat. Band ini mempunyai fungsi yang sama dengan band 6, hanya rona yang diberikan tampak terang. Air jernih dan air keruh tampak gelap sekali pada foto infra merah terutama pada hitam putih. Pada foto infra merah yang berwarna, maka air yang dalam akan berwarna biru laut, air yang keruh akan berwarna biru muda dan semakin keruh akan semakin muda warnanya.
Sensor Thematic Mapper (TM). Perbedaan Landsat-4 dan Landsat-5 dengan Landsat generasi sebelumnya adalah ditempatkannya sensor TM (Thematic Mapper) sebagai pengganti RBV. Keunggulan sensor TM dibanding sensor MSS, yaitu terletak antara lain pada teknik penarikan (scanning) spektral band lebih banyak, radiometrik, lebih sensitip dan mampu mendeteksi objek lebih banyak. Sensor TM mempunyai 7 band atau kanal dan liputan daerah spektralnya meliputi visible-biru sampai infra merah menengah. Untuk masing-masing kanal mempunyai fungsi sebagai berikut : a. Band 1, berfungsi untuk memetakan perairan pasir. b. Band 2, berfungsi untuk mengidentifikasikan vegetasi dengan reflaktansi sinar hijau. c. Band 3, berfungsi untuk membedakan jenis tanaman dengan pemetaan klorofil. d. Band 4, berfungsi menggambarkan massa air. e. Band 5, berfungsi untuk pengukuran awan atau salju. f. Band 6, berfungsi untuk thermal mapping. g. Band 7, berfungsi untuk hidrothermal mapping. (Buttler et al, 1988) Resolusi gemetrik linier sensor TM adalah 2,6 kali lebih teliti dari sensor MSS. Sedang resolusinya dilihat dari sudut pandang sesaat (IFOV = Instanteneus Field of View), pada TM yaitu satu buah pixel dengan luas 30 x 30 meter. Sensitifitas radiometrik yang lebih tinggi dari sensor MSS, karena penggunaan peralatan digital yang mempunyai sensitifitas 1/256, 8-bit kuantitasi pada proses konversi dari analog ke digital. Dengan karakteristik demikian, maka kecepatan perolehan data jauh lebih besar, yaitu sebesar 84,9 Mbit per detik (Mbps). Pada sensor TM perekam data dilakukan pada setiap sapuan cermin pelarik. Supaya data tidak overlap , dipakai cermin-cermin korektor (scanline corrector /slc mirror) yang dipasang diantara cermin pelarik (scan mirror) dengan bidang fokus. Cara kerja dari sistem scanline corrector adalah begitu cermin pelarik menyapu dari arah Barat ke Timur atau sebaliknya ,
-
Modul Praktikum SPL 2007
20
cermin slc secara aktif menggerakkan IFOV detektor ke arah Utara, sambil satelit mengorbit ke arah Selatan. Tabel : Karakteristik Landsat TM Kanal Band Panjang gelombang Spektrum Resolusi 1 1 0,45 0,52 m Violet-biru 30 x 30 2 2 0,52 - 0,60 m Hijau 30 x 30 3 3 0,63 - 0,69 m Merah 30 x 30 4 4 0,76 0,90 m Foto IR 30 x 30 5 5 1,55 - 1,75 m IR tengah 30 x 30 6 6 10,40 12,5 m Thermal IR 30 x 30 7 7 2,08 - 2,35 m IR tengah 30 x 30
Sistem Penerimaan Data dan Pengolahan Data. Prinsip kerja sensor MSS adalah penerima gelombang elektromagnetik yang dipantulkan oleh objek dengan menggunakan 4 buah band, dimana masing-masing band memuat 6 buah detektor, dan masing-masing detektor dari band merekam garis secara bersamaan. Jadi yang direkam tidak hanya satu garis, melainkan secara bersamaan enam garis. Daerah yang terekam secara serentak ini disebut medan pandang sesaat, IFOV . Sedangkan IFOV yang tergambar pada citra satelit Landsat MSS disebut picture element yang dikenal dengan pixel. Sinyal dalam bentuk visual yang berasal dari setiap detektor (24 detektor) diubah kedalam bentuk digital dalam satelit oleh alat yang disebut A (analog) dan D (digital) converter. Setelah masuk dalam rangkaian elektronika, maka output berupa data digital siap untuk diterima stasiun bumi, dengan antena pemantul parabolik. Data digital yang diterima merupakan data mentah yang direkam dalam HDDT (High Density Digital Tape) , dan pada saat bersamaan dipantau pada layar monitor . Karena perubahan ketinggian satelit, ketidaksamaan respon sensor pada waktu mendeteksi objek dipermukaan bumi, serta pengaruh kecepatan rotasi bumi dan lain-lain, maka data mentah yang dihasilkan masih banyak mengandung gangguan atau distorsi, oleh karena itu perlu dikoreksi dengan peralatan pengolahan data.
-
Modul Praktikum SPL 2007
21
SUMBER BACAAN
Butler, M.J.A, M.C. Mouchot, V. Berale dan C. LeBlanc. 1988. The Apliction of Remote
Sensing Technology to Marine Fisheries: an Introductory Manual. FAO. Fish.
Tech. pap.(298): 165
Dahuri, R. J, Rais. SP, Ginting. M.J, Sitepu. 1996. Pengelolaan Sumber Daya Wilayah
Pesisir dan Lautan Secara Terpadu. Pradya Paramita. Jakarta.
Japan Association on Remote Sensing. 1993. Remote Sensing Note. Nohon Printing Co.
Ltd. Tokyo. Jepang.
Kardono, P. dan Suprajaka. 1993. Teknologi Inderaja Untuk Kelautan dalam Geomatika
No. 1. Bakosurtanal. Jakarta. Hal 9-22.
Lillesand, Thomas M. dan Ralph W. Kiefer. 1993. Penginderaan Jauh dan Interpretasi Citra
(cetakan kedua). Gajah Mada University Press. Yogyakarta.
Nybakken, J.W. 1992. Biologi Laut, Suatu Pendekatan Ekologis (tej.Eidman, M.dkk).
Gramedia. Jakarta.
Robinson, I.S. 1985. Satellite Oceanography : an Introduction for Ocenographer and
Remote Sensing Scientists. Ellis Horwood Limited. John Willey and Sons. New
York.
Sutanto. 1994. Penginderaan Jauh Jilid I. Gajah Mada University Press. Yogyakarta.
-
Bab 1-Menjalankan ER Mapper 64
PENGENALAN PERANGKAT LUNAK REMOTE SENSING ERMAPPER 6.4
Pendahuluan Sebelum melakukan suatu survei lahan, surveyor diharapkan sudah menyiapkan data awal sebagai bahan referensi untuk proses suatu survei. Adapun salah satu bahan yang cukup menentukan panduan survei yaitu data citra. Oleh sebab itu diperlukan pengolahan awal suatu citra supaya informasi citra satelit dapat bermanfaat secara optimal sebelum dilakukan analisis, sehingga perlu dilakukan pemrosesan citra satelit. Teknik pemrosesan citra tersebut dilakukan agar informasi yang terkandung di dalam citra satelit tersebut dapat benar-benar menggambarkan kondisi permukaan yang sebenarnya dan dapat diekstrak dengan benar. Adapun tahapan dalam melakukan pemrosesan dasar citra satelit yang terdiri dari:
1. Pembacaan data atau import data citra 2. Menampilkan citra 3. Koreksi geometric citra 4. Mozaik citra 5. Penajaman kontras citra 6. Filtering 7. Menyimpan dan membuka algoritma 8. Croping data citra 9. Menyimpan dan mengeksport data citra
Dalam pemprosesan citra satelit tersedia berbagai macam jenis perangkat lunak (software) yang dapat menganalisis data sesuai karakteristik masing masing. Adapun beberapa software yang dapat digunakan adalah sebagai berikut :
- ER Mapper - Erdas Imagine - ENVI - Arc View dengan Ext. Image Analysis - PCI - ILWIS - Dan software image processing lainnya
Pada pelatihan ini akan digunakan perangkat lunak ER Mapper versi 6.4. Adapun alasan untuk memilih software ini adalah karena dalam pemprosesan data menggunakan software ini, pemakaian harddisk cukup irit dikarenakan tidak diperlukan temporary file yang besar dalam setiap pemprosesan. Berbeda dengan software yang lain yang memerlukan temporary file yang cukup besar. Memory minimal 64 MB, harddisk sesuai kebutuhan.
ER Mapper dapat secara langsung membaca data citra dengan format sebagai berikut : - ER Mapper raster dataset (.ers) - ESRI BIL and GeoSPOT (.hdr) - Windows BMP (.bmp) - GeoTIFF/TIFF (.tif) - MrSID (.tif)
Ketika ER Mapper mengimport data ke dalam format ER Mapper raster dataset dengan membentuk dua file : - sebuah file binary yang berisi data raster, dalam format band interleaved by line (BIL ) - sebuah file ASCII dengan ekstension .ers
-
Bab 1-Menjalankan ER Mapper 64
Praktikum Penggunaan ER Mapper 6.4
Langkah Kerja
Software yang digunakan adalah ER Mapper versi 6.4 untuk pengolahan citra.
Cara menjalankan Software
1. Klik Start pada taskbar
2. Klik Program, pilih ER Mapper, ER Mapper 6.4
3. Sehingga akan tampil program ER Mapper 6.4 seperti gambar dibawah ini.
-
Bab 2-Penggabungan File
PENGGABUNGAN BAND
Menggabungkan Band dalam Satu File
Langkah Kerja
1. Buka Edit Algorithm dengan mengklik
2. Load Dataset dengan mengklik
3. Aktifkan layer Pseudo Layer dan copy (duplicate) layer tersebut dengan mengklik sebanyak 5 kali sehingga terdapat 6 layer pada window Algorithm
4. Ganti nama (rename) setiap layer dari band 1 sampai band 7
-
Bab 2-Penggabungan File
5. Ambil file yang berisi band sesuai dengan layer masing-masing dan klik OK this Layer Only untuk
menyatakan jenis band yang berubah hanya pada layer tersebut
6. Klik menu File pada Window ER Mapper, pilih Save As. Simpan sebagai l71116066_06520050513_mss
dengan Files of Type : Er Mapper Raster Dataset (.ers) dan klik OK
-
Bab 2-Penggabungan File
7. Perhatikan Output Atributes; Output Type adalah Multi Layer, Data Type Unsigned8BitInteger, Null Value dikosongkan, Output Size ; Width sama dengan jumlah pixel pada Product Sample, Height sama dengan jumlah pixel Product Lines. Check list option Maintain aspect ratio dan Delete output
transforms. Klik untuk memulai proses menyimpan.
-
Bab 3-Menampilkan Citra
MENAMPILKAN CITRA DAN MEMBUAT FILE ALGORITHM (*.ALG)
Menampilkan Citra (Image Display) Setelah meng-import data, langkah selanjutnya biasanya adalah menampilkan citra untuk mengevaluasi kualitas data dan batas geografi area yang ditampilkan. Jika data yang ditampilkan memiliki kualitas yang kurang baik atau tidak menunjukan lokasi yang diinginkan, data harus segera diganti dengan data yang memiliki kualitas yang lebih baik dan sesuai lokasi yang diinginkan, sebelum pengolahan data dimulai.
Ada beberapa cara menampilkan data, meliputi menampilkan secara sederhana berupa tampilan hitam putih (pseudocolor), dan red-green-blue (RGB) atau hue-saturation-intensity (HSI) sebagai tampilan warna composit. Cara menampilkan tersebut diatas disebut Color Mode di dalam Er Mapper.
Praktikum Menampilkan Citra
Langkah Kerja
1. Buka Edit Algorithm dengan mengklik
-
Bab 3-Menampilkan Citra
2. Load Dataset file l71116066_06520050513_mss.ers dengan mengklik
3. Perhatikan Color Mode pada Default Surface adalah Pseudocolor
4. Klik toolbar untuk menampilkan data color mode sebagai Red Green Blue
5. Perhatikan layer Red menampilkan Band 3, layer Green menampilkan Band 2, dan layer Blue menampilkan Band 1 yang menampilkan True Color
-
Bab 3-Menampilkan Citra
6. Ganti kombinasi band menjadi band 5 pada layer Red, band 4 pada layer Green dan band 2 pada layer Blue untuk menampilkan kombinasi Falls Color Composite (FCC) RGB 542
7. Untuk kombinasi FCC lainnya dapat dilakukan menurut analisis yang akan dilakukan.
-
Bab 3-Menampilkan Citra
Membuat File Algorithm (*.alg) Tujuan semua pengolahan citra adalah untuk menampilkan data citra sehingga bisa dianalisis dan ditampilkan data sesuai kebutuhan. Untuk membantu mempercepat dan mempermudah proses tersebut, Er Mapper mengembangkan sebuah teknik pengolahan data citra yang disebut algorithm.
Sebuah algorithma file (*.alg), adalah sebuah list dari beberapa proses yang dapat kita lakukan pada sebuah citra sehingga citra tersebut dapat disimpan (save), buka kembali (reload), dan dimodifikasi setiap saat tanpa menghasilkan kapasitas file yang besar.
Praktikum Membuat File Algorithm (*.alg)
Langkah Kerja
8. Klik File pada Window ER Mapper, pilih Save As. Simpan sebagai Lombok2005_542 dengan Files of Type : Er Mapper Algorithm (.alg)
Praktikum Menampilkan File Algorithm (*.alg)
Langkah Kerja
9. Klik File pada Window ER Mapper, pilih Open atau klik toolbar untuk membuka file Lombok2005_542.alg
-
Bab 4-Koreksi Geometrik
KOREKSI GEOMETRIK / REKTIFIKASI (GEOMETRIC CORRECTION)
Konsep Koreksi Geometri / Rektifikasi
Data mentah penginderaan jauh pada umumnya mempunyai kesalahan geometris. Oleh sebab itu sebelum kita mengolah data tersebut kita harus melakukan koreksi. Karakteristik geometrik harus benar-benar dipertimbangkan pada saat data citra akan digunakan untuk :
1. Menurunkan informasi koordinat 2 Dimensi (x, y) dan 3 D (x, y, z). Diskripsi 2D dapat diturunkan dari foto maupun citra tunggal. Untuk 3D dapat diturunkan dari foto stereo maupun citra, Untuk mendapatkan informasi 3D dibutuhkan proses orientasi.
2. Menggabungkan 2 data citra untuk tujuan analisis dan proses integrasi. Sebagai contoh, : apabila kita maumelakukan analisis dengan menggunakan data SPOT dan Landsat, kedua data tersebut harus mempunyai sistem koordinat yang sama.
3. Menggabungkan data citra (raster) dengan data vektor untuk keperluan Sistim Informasi Geografis (SIG) dengan cara overlay, kedua data tersebut harus mempunyai koordinat yang sama.
Tujuan dari koreksi geometris tersebut adalah melakukan koreksi citra terhadap peta yang telah mempunyai koordinat yang benar. Sehingga diperlukan suatu Titik kontrol tanah (Ground Control Point / GCP) dengan distribusi penyebaran titik harus merata.
Ada beberapa hal yang harus dipertimbangkan dalam pemilihan Titik Kontrol Tanah, yaitu :
a. Titik tersebut harus jelas kenampakannya antara citra dan peta. b. Titik harus terletak pada lokasi yang relatif stabil, tidak berubah (persimpangan jalan, pojok
bangunan, dsb). Diusahakan jangan pada sungai atau garis pantai yang mempunyai perubahan tinggi. c. Diusahakan distribusi titik harus merata dan mewakili cakupan citra
Kesalahan geometris data penginderaan jauh dapat dibedakan menjadi 2, yaitu :
1. Kesalahan sistematis
Kesalahan sistematis ini disebabkan oleh beberapa faktor antara lain : a. Distorsi Panoramik (Panoramic Distortion) b. Rotasi bumi (Earth Rotation) c. Kecepatan Platform (Velocity Platform) d. Relief Displacement Kesalahan tersebut dapat dihilangkan dengan menurunkan formula-formula yang dapat dihitung secara matematis. Dan hal ini biasanya telah dikoreksi sebelum data tersebut digunakan oleh pemakai secara langsung.
2. Kesalahan Non Sistematis
Kesalahan ini disebabkan oleh attitude dan altitude, sehingga dapat merubah skala citra. Untuk mengkoreksi citra tersebut dilakukan dengan cara melakukan transformasi koordinat dengan menggunakan Titik Kontrol Tanah (Ground Control Point).
-
Bab 4-Koreksi Geometrik
Koreksi Geometri / Rektifikasi 1. Image to Image
Langkah Kerja
1. Klik menu Process dan submenu Geocoding Wizard atau klik toolbar
2. Pada langkah 1)Start dari window Geocoding Wizards, Ambil file yang akan dikoreksi geometric
dengan mengklik dan memilih metode Geocoding Type Polynomial
3. Pada langkah 2)Polynomial Setup dari window Geocoding Wizards, Pilih Polynomial Order Linear
-
Bab 4-Koreksi Geometrik
4. Pada langkah 3)GCP Setup dari window Geocoding Wizards, cek (v) Geocoded Image, vectors or
algorithm pada GCP Picking Method. Klik untuk mengambil file master (corrected542.alg) yang sudah terkoreksi geometric.
5. Pada langkah 4)GCP Edit dari window Geocoding Wizards, masukan nilai GCP dengan cara memilih lokasi yang sama pada citra yang sudah terkoreksi (corrected GCP Zoom window) dan yang belum
-
Bab 4-Koreksi Geometrik
terkoreksi (Uncorrected GCP Zoom window). Tentukan minimal 4 titik yang sama dengan nilai RMS <
0.5. Gunakan untuk menambah baris table GCP.
-
Bab 4-Koreksi Geometrik
6. Pada langkah 5)Rectify, simpan dengan nama baru corrected.ers dengan mengklik dan ganti
ukuran Cell Size X dan Y menjadi 30 meters. Klik untuk memulai koreksi geometric.
7. Perhatikan hasil koreksi geometrik.
Sebelum Sesudah
-
Bab 5-Cropping Data Citra
Cropping Data Citra Pemotongan (Cropping) Data Citra Dengan Menggunakan Vektor
Langkah Kerja
1. Klik untuk membuka icon algorithm
2. Klik untuk open file dari main menu untuk membuka file sebagai RGB 542
3. Dari Algorithm tools klik Edit, pilih Add Vector Layer, pilih Annotation/Map Compotition, ambil file
dengan mengklik untuk mengambil file AOI.erv
4. Klik untuk menampilkan AOI
5. Klik pada AOI di citra dan beri nama region AOI yang sudah ditandai dengan mengklik dengan nama AOI, klik Apply dan tutup dengan mengklik Close
6. Klik untuk save as sebagai Raster Region
-
Bab 5-Cropping Data Citra
7. Kemudian tutup algorithm
8. Open algorithm lagi dan Open file dengan mengklik sebagai Pseudo Layer.
9. Copy layer sebanyak 6 bh, ganti semua layer Pseudo Layer dengan tiap band 1 sampai dengan 7
10. klik untuk membuka formula dari tiap layer
11. klik Standard , pilih Inside Polygont Test
12. Maka akan ditampilkan formula : If (INREGION(r1)) THEN Input1 ELSE NULL
13. Klik option Region dan pilih Region1 : AOI , klik Apply Changes untuk menjalankan formula
14. Lakukan pada semua layer
15. Perbesar gambar sesuai batas AOI pada citra,
16. Klik File dari main menu dan Save As : l71116066_06620020505_mss_crop.ers
-
Bab 5-Cropping Data Citra
Pemotongan (Cropping) Data Citra Dengan Menggunakan Batas Window
Langkah Kerja
1. Klik untuk membuka icon algorithm
2. Klik untuk open file dari algorithm window untuk membuka file sebagai pseudolayer
3. Perbesar gambar sesuai lokasi yang diinginkan
4. Copy layer sebanyak 6 bh, ganti semua layer Pseudo Layer dengan tiap band 1 sampai dengan 7
-
Bab 5-Cropping Data Citra
5. Klik File dari main menu dan Save As : l71116066_06620020505_mss_crop1.ers
-
Bab 6-Penajaman Tampilan Citra
MENAJAMKAN TAMPILAN CITRA DENGAN ERMAPPER 6.4
Penajaman Citra (Image Enhancement) Penajaman citra merupakan operasi proses citra secara digital yang bertujuan untuk memudahkan interpretasi visual yang berguna untuk mengambil informasi yang berarti bagi pengguna.
Penajaman citra di dalam Er Mapper, merupakan suatu pengolahan algroithma. Ada beberapa tipe operasional penajaman citra yang dapat diaplikasikan dan digunakan untuk menampilkan citra secara real time dengan menggunakan beberapa kontrol yang sudah disediakan Er Mapper tanpa mengakibatkan beban temporary file pada harddisk.
Praktikum Menampilkan Citra
Langkah Kerja
1. Klik File pada Window ER Mapper, pilih Open atau klik toolbar untuk membuka file Lombok2005_542.alg
-
Bab 6-Penajaman Tampilan Citra
2. Perhatikan gambar yang tampil, lakukan proses automatic contrast stretching dengan Klik button
Refresh Image with 99% clip in limits atau
3. Perhatikan penajaman kontras warna yang terjadi
4. Zoom wilayah yang diinginkan dan lakukan proses enhancement dengan kembali mengklik Refresh
Image with 99% clip in limits atau
5. Perhatikan perubahan tingkat kecerahan dan ketajaman (contrast and enhancement) yang terjadi
-
Bab 6-Penajaman Tampilan Citra
Sebelum Sesudah 6. Tampilan yang diperlihatkan adalah Pulau Lombok bagian tenggara (NW) dimana dengan tampilan
kombinasi RGB 542, vegetasi ditunjukan dengan warna hijau dan urban area berwarna magenta dan yang berwarna biru tua dan hitam adalah tutupan air (laut/kolam/danau).
Menggabungkan Band Pankromatik
7. Untuk mempertajam tampakan citra dengan menggabungkan band pankromatik lakukan langkah
berikut ; duplicate layer blue dengan mengklik dan ganti tipe layer menjadi Intensity Layer.
-
Bab 6-Penajaman Tampilan Citra
8. Lihat perubahan yang terjadi. Lakukan proses automatic contrast stretching dengan Klik button
Refresh Image with 99% clip in limits atau untuk melakukan penajaman tampakan citra
Tampilan RGB Tampilan RGB-I 9. Klik File pada Window ER Mapper, pilih Save As. Simpan sebagai Lombok2005_5428 dengan Files of
Type : Er Mapper Algorithm (.alg)
-
Bab 7-Interpretasi Visual
INTERPRETASI VISUAL
Interpretasi Citra Secara Visual (Visual Interpretation)
Citra penginderaan jauh dapat berupa analog dan digital. Dalam melakukan analisis dan klasifikasi terdapat 2 cara, yaitu dengan melakukan interpretasi citra secara visual dan melakukan proses interpretasi secara digital. Pengenalan obyek dalam interpretasi manual adalah merupakan kunci interpretasi dan perolehan informasi. Pengamatan perbedaan obyek dan latar belakang dari analisis tersebut berkaitan dengan perbandingan perbedaan obyek dengan yang lain. Dalam interpretasi secara visual atau manual, manusia mempunyai pengaruh besar terhadap pengelompokan suatu obyek dengan mempertimbangkan beberapa parameter sebagai berikut : tone, bentuk, tekstur, pola, lokasi, asossiasi dan ukuran. Dalam klasifikasi secara digital, operator memerintahkan komputer untuk melakukan interpretasi citra secara digital secara otomatis. Teknik lain termasuk pengenalan obyek secara otomatis (sebagai contoh, pendeteksian jalan, sungai, dan sebagainya) dan melakukan rekonstruksi pandangan, seperti pembuatan pandangan 3 Dimensi, Digital Terrain Model dsb.
Antara teknik interpretasi secara digital dan manual keduanya mempunyai keuntungan dan kelemahan.yang akan dijelaskan sebagai berikut :
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/klasifikasi digital : Keuntungan : Analisa digital lebih bermanfaat untuk analisis secara simultan dengan
menggunakan beberapa beberapa channel ataupun data citra yang berbeda waktu (multi dates). Disamping itu, analisis citra secara digital dapat dilakukan dengan lebih cepat, walaupun dengan data citra yang cukup besar, hal ini tergantung dari kemampuan komputer yang akan digunakan. 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
Sebelum melakukan klasifikasi atau interpretasi harus dilakukan pemrosesan awal, agar supaya memperoleh informasi yang bermanfaat.. Terdapat beberapa teknik analisis dan metode yang digunakan dalam klasifikasi. Penggunaan teknik dan metode tersebut tergantung dari aplikasi yang akan diterapkan. Segmentasi citra dan algoritma klasifikasi digunakan dengan cara mendeliniasi area yang berbeda menjadi beberapa kelas tematik dan hasilnya berupa peta tematik. Dari hasil klasifikasi dapat dikombinasikan dengan basisdata lainnya untuk melakukan analisis lebih lanjut.
-
Bab 7-Interpretasi Visual
Praktikum Interpretasi Citra secara Visual
Langkah Kerja
1. Klik File pada Window ER Mapper, pilih Open atau klik toolbar untuk membuka file Lombok2005_542.alg
2. Zoom wilayah yang diinginkan dan lakukan proses enhancement dengan kembali mengklik Refresh
Image with 99% clip in limits atau
3. Perhatikan perubahan tingkat kecerahan dan ketajaman (contrast and enhancement) yang terjadi
-
Bab 7-Interpretasi Visual
Sebelum Sesudah 4. Tampilan yang diperlihatkan adalah pusat kota Mataram dimana dengan tampilan kombinasi RGB 542,
yang mana band 5 yang diletakkan pada layer Red sangat respon terhadap urban dan geologi, sehingga semua obyek yang memancarkan gelombang pada kisaran gelombang band 5 akan ditunjukan dengan warna merah. Layer Green diletakkan pada band 4 dimana band 4 merupakan band yang respon terhadap vegetasi, sehingga vegetasi ditunjukan dengan warna hijau. Begitu juga Band 2, layer Blue yang menampilkan band 2 menunjukan semua area yang mengandung air, karena band 2 sangat respon terhadap air. Perhatikan citra berikut;
-
Bab 7-Interpretasi Visual
5. Tentukan obyek pada tampilan citra Mataram berikut ;
Airport
Hills/Canyons
Field
Settlement River
Forest
Ocean
Road
Cloud
Cloud Shadow
-
Bab 8-Klasifikasi Citra
KLASIFIKASI CITRA SATELIT
Pendahuluan
Citra penginderaan jauh dapat berupa analog dan digital. Dalam melakukan analisis dan klasifikasi terdapat 2 cara, yaitu dengan melakukan interpretasi citra secara visual dan melakukan proses klasifikasi secara digital. Pengenalan obyek dalam interpretasi manual adalah merupakan kunci interpretasi dan perolehan informasi. Pengamatan perbedaan obyek dan latar belakang dari analisis tersebut berkaitan dengan perbandingan perbedaan obyek dengan yang lain. Dalam interpretasi secara visual atau manual, manusia mempunyai pengaruh besar terhadap pengelompokan suatu obyek dengan mempertimbangkan beberapa parameter sebagai berikut : tone, bentuk, tekstur, pola, lokasi, asossiasi dan ukuran. Dalam klasifikasi secara digital, operator memerintahkan komputer untuk melakukan interpretasi citra secara digital secara otomatis. Teknik lain termasuk pengenalan obyek secara otomatis (sebagai contoh, pendeteksian jalan, sungai, dan sebagainya) dan melakukan rekonstruksi pandangan, seperti pembuatan pandangan 3 Dimensi, Digital Terrain Model dsb.
Antara teknik interpretasi secara digital dan manual keduanya mempunyai keuntungan dan kelemahan.yang akan dijelaskan sebagai berikut :
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/klasifikasi digital : Keuntungan : Analisa digital lebih bermanfaat untuk analisis secara simultan dengan
menggunakan beberapa beberapa channel ataupun data citra yang berbeda waktu (multi dates). Disamping itu, analisis citra secara digital dapat dilakukan dengan lebih cepat, walaupun dengan data citra yang cukup besar, hal ini tergantung dari kemampuan komputer yang akan digunakan. 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
Sebelum melakukan klasifikasi atau interpretasi harus dilakukan pemrosesan awal, agar supaya memperoleh informasi yang bermanfaat.. Terdapat beberapa teknik analisis dan metode yang digunakan dalam klasifikasi. Penggunaan teknik dan metode tersebut tergantung dari aplikasi yang akan diterapkan. Segmentasi citra dan algoritma klasifikasi digunakan dengan cara mendeliniasi area yang berbeda menjadi beberapa kelas tematik dan hasilnya berupa peta tematik. Dari hasil klasifikasi dapat dikombinasikan dengan basisdata lainnya untuk melakukan analisis lebih lanjut.
Konsep Klasifikasi citra
Klasifikasi citra dilakukan dengan tujuan untuk mengelompokan nilai spektral citra yang homogen sesuai dengan variasi fenomena kenampakan sumberdaya alam yang kita perlukan. Pengelompokan tersebut
-
Bab 8-Klasifikasi Citra
dilakukan dengan suatu teknik spesifik sesuai dengan kebutuhan analisa, Sebagai contoh gambar., pengelompokan obyek secara visual berdasarkan kenampakan yang ada.
Gambar. Pengelompokan kelas atau tema berdasarkan kenampakan yang ada
Berdasarkan metode yang digunakan, secara umum klasifikasi citra terbagi menjadi 2, yaitu : klasifikasi supervised dan klasifikasi unsupervised (lihat gambar) sesuai dengan parameter acuan yang kita berikan.
Gambar. Proses Klasifikasi supervised
Gambar . Proses Klasifikasi unsupervised
Proses Klasifikasi citra secara digital
Klasifikasi citra secara digital (gambar menggunakan informasi spektral yang diwakili dalam nilai digital dari 1 atau beberapa channel/band dan mencoba untuk membuat klasifikasi tiap pixel secara individu berdasarkan pada informasi spektral. Klasifikasi tipe ini dikenal sebagai pengenalan pola spektral. Dalam
-
Bab 8-Klasifikasi Citra
kasus lain, sasarannya adalah menetapkan seluruh pixel dalam citra menjadi beberapa kelas atau tema ( sebagai contoh : sungai, hutan, perkebunan, persawahan, dsb). Hasil dari klasifikasi ini terdiri dari mosaik pixel, yang mana masuk dalam bagian tema dan dan merupakan peta tematik dari citra asli.
Ketika kita berbicara tentang kelas maupun tema, kita perlu membedakan antara kelas berdasarkan informasi dengan kelas berdasarkan spektral. Kelas berdasarkan informasi adalah meng-katagorikan informasi dengan tujuan untuk membedakan obyek, sebagai contoh membedakan tipe hutan atau tanaman, membedakan batuan berdasarkan unit geologi, membedakan berbagai macam kebun. Kelas berdasarkan spektral adalah menge-lompokan pixel berdasarkan nilai spektral yang seragam yang berkenaan dengan nilai kecerahannya pada spektral channel yang berbeda. Tujuannya adalah mencocokkan kelas berdasarkan data spektral ke dalam kelas berdasarkan informasi dalam kepentingan tertentu. Hal tersebut agak sulit dilakukan, karena adanya variasi nilai spectral. Pada umumnya, untuk mengatasinya, kita membuat sub kelas. Dan selanjutnya kita dapat menentukan kelas sesuai dengan tujuan analisis.
Gambar. Konsep klasifikasi citra digital.
Klasifikasi supervised
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. Gambaran tentang porsedur klasifikasi supervised dapat dilihat pada gambar. Klasifikasi unsupervised
Secara informasi dilakukan oleh komputer secara otomatis dan sebaliknya pada klasifikasi unsupervised.
-
Bab 8-Klasifikasi Citra
Gambar. Citra komposit warna sebelum klasifikasi (kiri) dan citra hasil Klasifikasi (kanan)
Klasifikasi Citra Menggunakan ER Mapper
Klasifikasi data adalah suatu proses dimana semua pixel dari suatu citra yang mempunyai penampakan spektral yang sama akan diidentifikasikan. Sebagai contoh suatu citra Landsat TM dengan tujuh buah informasi band dapat diklasifikasikan untuk diidentifikasikan lingkupan hutan atau tata guna lahan. Kita mempunyai sejumlah pilihan untuk membuat klasifikasi, kita dapat memilih jenis keluaran yang diinginkan dan juga pengolahan data yang diinginkan. Dalam proses klasifikasi kita akan membuat suatu data set klasifikasi atau suatu algoritma dari tiap-tiap baris yang mempresentasikan suatu kelas.
Klasifikasi supervised dan unsupervised biasanya digunakan untuk mengklasifikasikan seluruh suatu dataset menjadi kelas-kelas dapat mengidentifikasi area perkebunan, mineral, urban. Suatu tampilan baris klasifikasi dalam algoritma. Tampilan baris klasifikasi dalam algoritma. Tampilan baris klasifikasi dapat menampilkan banyak kelas dengan warna yang berbeda-beda untuk masing-masing kelas.
Klasifikasi Terbimbing (Supervised Classification)
Kita menggunakan klasifikasi supervised apabila kita mempunyai pengetahuan yang cukup dari dataset dan pada posisi atau area mana suatu wilayah atau kelas-kelas tersebut berada di lapangan. Klasifikasi supervised memerlukan kelas-kelas yang menspesifikasikan wilayah-wilayah yang diinginkan. Kita dapat mendefinisikan suatu wilayah dengan menggambarkan suatu wilayah dengan menggunakan sistem anotasi dan menyimpannya dalam dataset raster.
Untuk contoh kita bisa mendefinisikan wilayah-wilayah untuk kelas air, vegetasi, urban, dangan menggambar wilayah latihannya, dengan menggambarkan poligon-poligon pada area dengan karakteristik-karekteristik spektral tertentu. Klasifikasi supervised kemudian akan mencari semua piksel dengan karakteristik-karakteristik spektral yang sama, sesuai dengan yang telah kita definisikan.
-
Bab 8-Klasifikasi Citra
Langkah Kerja
1. Buka file l71116066_06520050513_mss.ers yang akan diklasifikasikan, buat komposit warnanya supaya memudahkan dalam membedakan objek yang akan dikelaskan. Komposit yang umumnya digunakan adalah RGB 542
2. Kemudian dari menubars pilih Edit kemudian pilih Edit/Create Regions .
3. Akan muncul kotak New Map Composisition
4. Klik OK.
5. Kemudian akan muncul kotak. Pada kotak Algorithm akan muncul Region Layer(Outline)
6. Dari kotak Tools ini kemudian kita membuat polygon training area yang mewakili objek-objek yang
akan dikelaskan. Klik untuk memulai pengambilan polygon training area.
7. Kursor akan berubah, kemudian kita membuat polygon dengan mengklik kiri untuk memulai polygon dan seterusnya lalu diakhiri dengan mengklik kiri dua kali, maka polygon akan menutup. Misalnya kelas pertama adalah laut, maka buat polygon pada daerah laut.
8. Kemudian klik akan muncul kotak Map Composisition Attribute.
9. Ketikan nama kelasnya, misalnya : Laut. Kemudian klik Apply
-
Bab 8-Klasifikasi Citra
10. Buatlah beberapa training area sesuai kelas yang diinginkan. Setelah itu save region ke dalam file
dengan mengklik pada window Edit Tools. 11. Akan muncul pesan yang menandakan polygon tersebut telah tersimpan dalam file.
12. Lakukan proses yang sama untuk objek-objek yang lain setelah semua objek terwakili melalui polygon
training area. Kemudian klik Close pada kotak Tools.
13. Kemudian pada menubars Process lalu pilih Calculate Statistics.
14. Akan muncul kotak dialog baru
15. Isikan nilai 1 pada Subsamping interval, kemudian pada kotak di samping Force Recalculate stats klik
sehingga seperti contoh diatas. Kemudian klik OK.
-
Bab 8-Klasifikasi Citra
16. Pada menubars pilih Procces kemudian pilih Classification, kemudian pilih Supervised Classification.
17. Klik pada Input Dataset, pilih file yang telah di calculate statistics.
18. Input Band pilih All.
19. Output Dataset biasanya sudah memberi nama secara otomatis dengan menambahkan akhiran _class pada nama file input. Ganti metode Classification Type menjadi Maximum Likelihood Standard. Kemudian klik OK.
20. Untuk menampilkan hasil klasifikasi, klik atau dari menubars klik View lalu pilih Algorithm..
21. Klik untuk mengambil file yang sudah diklasifikasi, kemudian ubah Pseudo Layer dengan mengklik kanan menjadi Class Display Layer.
22. Kemudian akan muncul kotak image berwarna putih, karena kelas-kelas tersebut belum diberi warna.
23. Untuk memberi warna, pada menubars pilih Edit kemudian Pilih Edit Class/Region Color and Name
24. Ganti warna dengan mengklik sesusai dengan warna yang diinginkan. Kemudian Save lalu Cancel untuk menutup kotak.
-
Bab 8-Klasifikasi Citra
25. Klik Load kembali pada file yang sama pada kota Algorithm dan terlihatlah hasil klasifikasi
Klasifikasi Tidak Terbimbing (Unsupervised Classification)
-
Bab 8-Klasifikasi Citra
Kita menggunakan klasifikasi unsupervised ketika kita mempunyai sedikit infpormasi tentang dataset kita. Klasifikasi data unsupervised memulai mengklasifikasi dari kelas-kelas atau wilayah-wilayah yang kita spesifikasikan atau dari jumlah nominal kelas. Klasifikasi unsupersived secara sendiri akan mengatagorikan semua pixel menjadi kelas-kelas dengan menampakan spektral atau karakteristik spektal yang sama. Hasil kalsifikasi dipengaruhi oleh parameter-parameter yang kita tentukan dalam kotak doalog klasifikasi unsupervised. Klasifikasi unsupersived 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 di lapangan untuk menentukan kelas-kelas yang mempresentasikan area atau wilayah sebenarnya di lapangan. Dari informasi ini mungkin kita bisa memutuskan untuk mengkombinasikan atau menghapus kelas-kelas yang diinginkan./ kita perlu juga untuk memberi warna dan nama untuk masing-masing kelas.
Langkah Kerja
1. Pada menubars pilih Process kemudian pilih Classification, kemudian pilih ISOCLASS Unsupervised Classification.
2. Klik pada Input Dataset, pilih file yang akan diklasifikasikan
3. Input Band pilih All.
4. Klik pada Output Dataset, masukan nama file baru sebagai file hasil klasifikasi unsupervised.
5. Masukkan nilai maxsimum Iterations. Nilai tertinggi yang bisa dimasukkan 9999, disini diberikan nilai 20.
6. Masukan nilai Maximum number of classes, nilai tertinggi yang bisa dimasukkan adalah 255, disini diberikan 20.
7. Masukan Nilai Maxsimum standart deviavitions, disini diberikan 4.5
8. Klik OK
9. Untuk menampilkan hasil klasifikasi, klik atau dari menubars klik View lalu pilih Algorithm..
10. Klik untuk mengambil file hasil klasifikasi, kemudian ubah Pseudo Layer dengan mengklik kanan menjadi Class Display Layer.
11. Akan muncul image dengan warna greyscale (keabuan). Image atau gambar tersebut belum dapat memberikan informasi tentang kelas-kelas objek yang ada, keemudian pada menubars pilih Edit kemudian pilih Edit Class/Region Color and Name
12. Akan mucul kotak Edit Class/Region Detail, dimana jumlah kelas akan sama dengan Maxsimum number of classes yang kita berikan yaitu menjadi 20 kelas.
13. Kemudian ke 20 kelas ini harus digabung lagi menjadi jumlah kelas yang lebih kecil yang sesuai dengan yang diinginkan. Misalnya dari 20 kelas ini akan diperkecil menjadi 9 kelas (Laut, hutan, terumbu karang, pertanian, semak belukar, Lahan Kosong, awan, bayangan awan dan Pemukiman).
14. Pada kotak Edit Class/Region Details klik Auto-gen Color kemudian akan muncul kotak Auto-generate colors.
15. Kotak ini membantu kita untuk memberikan warna pada kelas-kelas yang ada dengan memberikan warna yang menyerupai warna komposit, warna, dalam contoh diatas diberikan warna RGB 542. Kemudian ceklist [v] pada Full Saturation
-
Bab 8-Klasifikasi Citra
16. Klik autogen lalu klik Close.
17. Warna image akan berubah dari greyscale menjadi warna yang menyerupai komposit warna RGB 542
18. Save perubahan warna
19. Klik . Load kembali file yang sama pada kotak Algorithm.
20. Ubah unlabelled name menjadi nama kelas yang kita inginkan, kemudian samakan warnanya, Misalnya kelas unlabelled 1 s/d 2 menjadi kelas air, dan warnanya dirubah menjadi biru muda.
21. Proses ini diulang-ulang sambil mensave dan meload hasilnya sehingga dapat terlibat perubahan
warnanya pada kotak image.
-
Bab 8-Klasifikasi Citra
22. Setelah itu cara kelas perubahannya, misalnya.
- Kelas Air diwakili oleh kelas unlabelled 1,2,5,6
- Kelas awan diwakili oleh kelas unlabelled 15,16,17,18,19,20
- Kelas hutan diwakili oleh kelas unlabelled 3,4,9
- Kelas Terumbu karang/Sawah diwakili oleh kelas unlabelled 8
- Kelas Permukiman diwakili oleh kelas unlabelled 12
- Kelas Lahan terbuka diwakili oleh kelas unlabelled 13
- Kelas Semak Belukar diwakili oleh kelas unlabelled 10,11,14
- Kelas Bayangan Awan diwakili oleh kelas unlabelled 7
- Kemudian kita harus mengedit ke 20 kelas tersebut menjadi hanya 8 kelas saja, yaitu dengan menggunakan Edit Formula.
23. Klik akan mucul kotak Formula Editor.
24. Kemudian kita harus membuat suatu logika proses dengan menggunakan kalimat If Input 1=number class image Then kelas baku Else..,i1
-
Bab 8-Klasifikasi Citra
25. Setelah itu klik Apply Changes .
26. Tutup window formula. Pilih menu File kemudian pilih Save As Datasets untuk menyimpan hasil perubahan pada formula menjadi file baru.
27. Tutup semua data yang ditampilkan.
28. Walaupun kelasnya sudah menjadi 8 kelas tetapi dokumen yang ada pada file .ers -nya tetap 20 kelas. Hal tersebut kadang-kadang mempersulit pada saat pembuatan annotasi peta.
29. Untuk merubahnya buka file hasil penyimpanan tadi yang berakhiran .ers. Misalnya tadi disimpan dengan nama l71116057 l71116066_06520050513_mss_isoclass 8class.ers
30. Kemudian buka file l71116066_06520050513_mss_isoclass_8class.ers tersebut menggunakan software WordPad.
31. Pilih Files of Type : All Documents (*.*).
32. Klik open, kemudian block Region Info Begin dari ClassNumber 9 sampai dengan Region Info End dari ClassNumber = 20. Lalu Delete.
33. Kemudian klik Save.
34. Klik Load kembali pada file yang sama pada kotak Algorithm
35. Warna image akan sesuai seperti warna masih 20 kelas yang sebelumnya. Untuk itu ubahlah kembali warnanya dengan cara pilih Edit pada menubar kemudian pilih Edit Class/Region Color and Name .
36. Ubah warna kelas ke 1 s/d 8, sesuai dengan nama 8 kelas yang dimaksud (contoh : 1. Air/Biru, 2. Awan/Putih, 3. Hutan/Hijau Tua, 4. Terumbu Karang-Sawah/Biru Tua, 5. Permukiman/Merah, 6. Lahan Terbuka/Orange, 7. Semak Belukar/Hijau muda, 8. Bayangan Awan/hitam).
Menghitung Luasan dari Setiap Kelas
-
Bab 8-Klasifikasi Citra
Langkah Kerja
1. Pertama-tama file yang berisikan kelas-kelas yang akan kita hitung luasannya kita Calculate Statistics terlebih dahulu.
2. Dari menubars pilih View kemudian Statistics, lalu pilih Area Summary Repport.
3. Pilih file yang akan kita hitung luasannya, kemudian klik OK.
4. Maka akan muncul luasan pada setiap kelas dalam satuan Hectare, Kilometer persegi, Acre, dan Mil persegi.
-
Bab 9-Layout dan Pencetakan Citra
LAYOUT DAN PENCETAKAN CITRA (PRINTING)
Layout dan Pencetakan (Printing)
Langkah Kerja
1. Tampilkan data dalam tampilan RGB dengan mengklik
2. Ambil file dengan mengklik
3. Tampilkan Algoritm dengan mengklik 4. Pilih kombinasi Band yang dikehendaki, contoh berikut menampilkan kombinasi Band 542 (B5 :Band5
red Layer, B4 : Band4 Green Layer, B2 : Band2 Blue Layer)
5. Untuk melayout citra klik menu File, dan submenu Page Setup. Setting Background Color : White,
Constraints: Auto Vary: Border, Size kertas A4-Landscape (sesuai kebutuhan), Scale 1 : 750000 (Sesuai kebutuhan). Ukuran margin Border ; sisi kiri, atas, kanan diatur sedemikian rupa sehingga mempercantik posisi citra.
-
Bab 9-Layout dan Pencetakan Citra
6. Klik Apply dan klik OK. Lihat hasil layout di windows viewer
-
Bab 9-Layout dan Pencetakan Citra
7. Untuk memasukan vektor dan text, klik toolbar Edit pada Window Algoritm , Add Vector Layer, Annotation/Map Composition
8. Klik untuk menampilkan obyek vektor yang akan dibuat
9. Klik untuk menampilkan pilihan jenis vektor yang akan dibuat, lakukan proses drag atau pindahkan ke lokasi peta
-
Bab 9-Layout dan Pencetakan Citra
Pilih option pada menu pilihan Category seperti Grid untuk menambahkan grid kedalam layout peta, North_Arrow untuk memasukan gambar kompas, Scale_Bar untuk menampilkan skala baik angka atau skala batang, dan lain sebagainya. Perhatikan dan jangan lupa mengisi properties masing-masing category.
10. Klik untuk menuliskan text
11. klik untuk membuat shape atau area kotak
12. Setelah semua komponen yang akan ditampilkan pada layout dirasa cukup, lakukan proses export ke Geotiff dengan klik menu File, Save as, Pilih File Type Tiff atau langsung print.
-
DAFTAR PUSTAKA
ER Mapper 5.5, 1997. Level One Training Workbook. (Change Detection: page 333-346). Goodchild, M. F., Parks, B.O., Steyaert, L., 1993. Remote Sensing Digital Image Analysis; an Introduction. Oxford University Press.
New York. p146. Imantho, H. 2000. Change Detection Using Landsat Imagery (Assignment Report). Master of Science in Information Technology
for Natural Resources Management, Bogor Agricultural University. Lillesand, T.M., and R.W. Kiefer. 1994. Remote Sensing and Image Interpretation. John Wiley and Sons, New York. Murai, S. 1994. Remote sensing Note. Japan Association on Remote Sensing (JARS). Japan.