SISTEM PENGINDRAAN JAUHTUGAS 3

Oleh: Ni Wayan Sri Lestari(1204505046)

JURUSAN TEKNOLOGI INFORMASIFAKULTAS TEKNIK - UNIVERSITAS UDAYANABUKIT JIMBARANMaret 2015

1. Jelaskan tentang komposit citra dan berikan contohnyaKomposit citra adalah citra baru hasil dari penggabungan 3 saluran yang mampu menampilkan keunggulan dari saluran-saluran penyusunnya (Sigit,2011). Digunakan komposit citra ini dikarenakan oleh keterbatasan mata yang kurang mampu dalam membedakan gradasi warna dan lebih mudah memahami dengan pemberian warna.Pada citra multispektral yang terdiri dari banyak saluran, apabila hanya menampilkan satu saluran saja maka citra yang dihasilkan merupakan gradasi rona. Dan mata manusia hanya bisa membedakan objek yang menonjol pada suatu saluran, objek yg lain maka kita sulit untuk mengidentifikasinya. Oleh sebab itu pada citra komposit ini, hasilnya kita akan lebih mudah mengidentifikasi suatu objek pada citra.Dasar dari pembuatan komposit citra adalah berdasarkan :a. Tujuan yaitu keunggulan di setiap saluran. Contoh, apabila dalam penelitian, kita lebih fokus pada objek air, maka saluran yang kita gunakan adalah band 1, band 2 dan band 3. Selain dari band tersebut air memiliki nilai 0 dalam pemantulannya. Jadi komposit citra yang bisa dibuat adalah citra komposit 123, sehingga air akan berwarna merah.b. OIF (Optimum Index Factor) yaitu kemampuan citra untuk menampilkan suatu objek. OIF semakin tinggi maka semakin banyak objek berbeda yang dapat ditampilkan pada citra komposit tersebut. OIF ini digunakan apabila kita ingin menonjolkan pengguanaan lahan dari suatu daerah jika diidentifikasi dari citra.

Komposit citra dapat dibagi menjadi 2, yaitu :a. Komposit warna asli yaitu gabungan dari warna merah-hijau-biru. Citra yang dapat menghasilkan komposit warna asli yaitu Landsat, ALOS dllb. Komposit warna tidak asli, terbagi 2 :1. Standar yaitu gabungan dari infrared dekat-merah-hijau. Dianggap standar karena pada awalnya penginderaan jauh lebih banyak digunakan dalam bidang kehutanan jadi komposit warna ini dianggap standar karena citra kompositnya lebih menonjolakan objek vegetasi2. Tidak standar yaitu dapat dilakukan penggabungan dengan bebasDalam konsepnya, citra komposit dibuat oleh 3 saluran, dimana nilai piksel pada saluran-saluran tersebut akan direduksi terlebih dahulu yang pada awalnya nilai piksel berkisar antara 0 255 menjadi nilai piksel yang berkisar antara 0 5 yang selanjutnya baru bisa dilakukan komposit. Nilai piksel pada citra komposit berkisar antara nilai 0 (hitam) 215 (putih). Untuk penyajian citra komposit, nilai piksel citra komposit yang didapatkan dapat mengikuti colour pallet atau Look-up table. Sumber:Danoedoro, Projo. 2007. Petunjuk Praktikum Pemrosesan Citra Digital. Yogyakarta. Fakultas Geografi UGMDanoedoro, Projo. 1996. Pengolahan Citra Digital : Teori dan Aplikasinya dalam Bidang Penginderaan Jauh. Yogyakarta. Fakultas Geografi UGMHeru, Sigit. 2011. Catatan kuliah Pemrosesan Citra Digital. Yogyakarta

2. Dalam teknik analisis citra terdapat metode PCA (Principal Component Analysis), clustering terbimbing (supervised), dan tak terbimbing (unsupervised). Jelaskan tentang metode tersebut beserta contioh perhitungannya untuk clustering.a. Metode PCAPCA adalah teknik statistik yang sudah digunakan secara luas baik dalam hal pengenalan wajah maupun pengenalan pola dari sebuah gambar. Metode Principal Component Analysis (PCA) dibuat pertama kali oleh para ahli statistik dan ditemukan oleh Karl Pearson pada tahun l90l yang memakainya pada bidang biologi. Kemudian tidak ada perkembangan baru pada teknik ini, dan. perkembangannya baru mulai pesat pada akhir tahun l930 dan awal 1940. Setelah itu perkembangannya berkurang sebentar sampai komputer telah berhasil didesain sehingga dapat mengaplikasikan teknik ini pada masalah-masalah yang masuk akal. Pada tahun 1947 teori ini muncul lagi dan cukup independen sebagai teori probabilitas yang ditemukan oleh Karhunen, dan kemudian dikembangkan oleh Loeve pada tahun l963, sehingga teori ini juga dinamakan Karhunen-Loeve transform pada bidang ilmu telekomunikasi.b. Teknik PCAPCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA adalah sebuah teknik statistika yang berguna pada bidang pengenalan, klasifikasi dan kompresi data citra. PCA juga merupakan teknik yang umum digunakan untuk menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. Dengan cara mentransformasikan citra ke dalam eigenfaces secara linier, proyeksikan citra ke dalam bentuk skala berdimensi n, yang menampakkan properti dari sampel yang paling jelas sepanjang koordinat. PCA memproyeksikan citra ke dalam subspace, dan menghitung variasi dari citra tersebut. Dengan kata lain, PCA adalah transformasi linear untuk menentukan sistem koordinat yang baru dari dataset. Teknik PCA dapat mengurangi dimensi dari dataset tanpa tidak menghilangkan informasi penting dari dataset.

c. Clustering terbimbing dan clustering tak terbimbingKlasifikasi citra merupakan proses yang berusaha mengelompokkan seluruh pixel pada suatu citra ke dalam sejumlah class (kelas), sedemikian hingga tiap class merepresentasikan suatu entitas dengan properti yang spesifik (Chein-I Chang dan H.Ren, 2000). Klasifikasi citra menurut Lillesand dan Kiefer (1990), dibagi ke dalam dua klasifikasi yaitu klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing (unsupervised classification). Pemilihannya bergantung pada ketersediaan data awal pada citra itu. Proses pengklasifikasian klasifikasi terbimbing dilakukan dengan prosedur pengenalan pola spektral dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas (training area) yang mewakili setiap kelompok, kemudian dilakukan perhitungan statistik terhadap contoh-contoh kelas yang digunakan sebagai dasar klasifikasi.Klasifikasi unsupervised digunakan ketika kita hanya mempunyai sedikit informasi tentang dataset kita. Pada klasifikasi tidak terbimbing, pengklasifikasian dimulai dengan pemeriksaan seluruh pixel dan membagi kedalam kelas-kelas berdasarkan pada pengelompokkan nilai-nilai citra seperti apa adanya. Prosedur umumnya mengasumsikan bahwa citra dari area geografis tertentu adalah di kumpulkan pada multiregion dari spektrum elektromagnetik. Dengan menggunakan metode ini, program klasifikasi mencari pengelompokan secara natural atau clustering berdasarkan sifat spektral dari setiap pixel.Analisa cluster merupakan suatu bentuk pengenalan pola yang berkaitan dengan pembelajaran secara unsupervised, dimana jumlah pola kelas tidak diketahui (James J. Simpson, Timothy J. McIntire, dan Matthew Sienko, 2000). Proses clustering melakukan pembagian data set dengan mengelompokkan seluruh pixel pada feature space (ruang ciri) ke dalam sejumlah cluster secara alami. Klasifikasi unsupersived secara sendiri akan mengkategorikan semua pixel menjadi kelas-kelas dengan menampakan spektral atau karakteristik spektral yang sama namunbelum diketahui identitasnya, karena didasarkan hanya pada pengelompokan secara natural. Pengguna harus membandingkan dengan data referensi, misalnya dengan data penggunaan lahan. Dengan demikian kelas-kelas spektral tersebut dapat diberikan identitasnya. Setelah itu informasi ini kita bisa memutuskan untuk mengkombinasikan atau menghapus kelas-kelas yang diinginkan. Kita juga perlu untuk memberi warna dan nama untuk masing-masing kelas.

d. Contoh perhitungan K-Means clustering1. Single Linkage12345

10

290

3370

46590

51110280

1243,5

10

290

4650

3,53780

13,52,4

10

3,530

2,4670

1,3,52,4

1,3,50

2,430

2. Complete Linkage12345

10

290

3370

46590

51110280

1243,5

10

290

4650

3,5111090

13,52,4

10

3,5110

2,49100

1,2,43,5

1,2,40

3,5110

3. Average Linkage12345

10

290

3370

46590

51110280

1243,5

10

290

4650

3,578.58.50

12,43,5

10

2,47.50

3,578.50

1,3,52,4

1,3,50

2,48.1666670

3. Metode NDVI (Normalized Difference Vegetation Index)a. Pengertian Metode NDVI Pengindraan jauh secara umum dapat dibagi menjadi dua bagian, yaitu biogeofisik dan klasifikasi. Biogefisik terdiri dari tiga komponen yaitu koreksi citra, transformasi citra, dan modeling. Sedangkan klasifikasi citra terdiri dari tiga bagian yaitu klasifikasi terbimbing, klasifikasi tak terbimbing, dan pengujian akurasi citra.Suatu citra optik penginderaan jauh menampilkan informasi penggunaan lahan di daerah kajian. Informasi yang disediakan oleh citra bersifat umum. Diperlukan suatu proses untuk dapat mengambil informasi yang lebih spesifik dari suatu citra optik. Salah satu metode yang biasa digunakan untuk mengambil informasi khusus dari citra adalah transformasi citra. Tujuan dari transformasi citra adalah memodivikasi citra sesuai keinginan pengguna, sehingga informasi yang ditampilkan sesuai dengan kebutuhan pengguna. Beberapa bentuk transformasi citra adalah indeks vegetasi, indeks air, dan indeks wilayahterbangun. Indeks vegetasi digunakan untuk meggambarkan intensitas tanaman pada suatu wilayah pada citra. Indeks vegetasi merupakan kombinasi matematis antara band merah dan band NIR (Near-Infrared Radiation) yang telah lama digunakan sebagai indikator keberadaan dan kondisivegetasi (Lillesand dan Kiefer 1997). Indeks vegetasi yang banyak digunakan adalah NDVI (Normalized Difference Vegetation Index). Perhitungan NDVI didasarkan pada prinsip bahwa tanaman hijau sangat efektif menyerap radiasi di daerah spektrum cahaya tampak (PAR atau Photosynthetically Aktif Radiation), sementara itu tanaman hijau memantulkan radiasi inframerah dekat (Ryan 1997). Tanaman memancarkan dan menyerap gelombang yang unik sehingga keadan ini dapat di hubungakan dengan pancaran gelombang dari objek-objek yang lain sehingga dapat di bedakan antara vegetasi dan objek selain vegetasi (Hornong, 2004).Transformasi citra juga dapat digunakan untuk menghasilkan indeks lain, yaitu indeks air dan indeks wilayah terbangun. Indeks air menggambarkan kondisi air (kadar air, kedalaman air, kelembaban) dari suatu wilayah kajian pada citra. Sedangkan indeks wilayah terbangun memberikan informasi mengenai kondisi wilayah yang telah terbangun. Indeks wilayah terbangun akan menonjolkan wilayah terbangun dibandingkan dengan objek lain.

b. Contoh Penggunaannya:Indeks Vegetasi (NDVI)Kondisi vegetasi di suatu kawasan merupakan salah satu variable yang sering dijadikan sebagai topic penelitian di bidang penginderaan jauh. Informasi kondisi vegetasi pada citra dapat ditonjolkan dengan menggunakan indeks vegetasi, yaitu NDVI (Normalized Difference Vegetation Index). Berikut adalah nilai NDVI untuk beberapa tipe penutupan lahan.Tabel 1. Nilai-nilai NDVI pada beberapa jenis tutupan lahan

Tabel di atas menggambarkan variasi nilai-nilai NDVI dari beberapa tutupan lahan. Berdasarkan tabel di atas, jenis tutupan lahan yang berupa vegetasi memiliki nilai NDVI yang lebih tinggi disbanding jenis tutupan lahan non-vegetasi. Tanaman hijau sangat efektif menyerap radiasi di daerah spectrum cahaya tampak (PAR atau Photosynthetically Aktif Radiation), sementara itu tanaman hijau memantulkan radiasi inframerah dekat (Ryan 1997). Nilai NDVI berada pada selang -1 sampai 1 (Hidayati 2013). Berdasarkan tabel 1, hutan memiliki nilai NDVI tertinggi yaitu 0.652. Semakin tinggi nilai NDVI, maka tingkat pantulan radiasi inframerah dekat oleh tanaman juga semakin tinggi. Nilai reflektan radiasi inframerah dekat berbanding lurus dengan kadar klorofil pada tanaman. Sawah vegetative dan kebun campuran juga memiliki nilai NDVI yang tinggi. Menurut Yang dan Su (1998), nilai NDVI akan mencapai puncaknya pada 70 hari setelah tanam, dana akan menurun seiring penambahan usia tanaman.Selain untuk mengidentifikasi vegetasi, nilai NDVI juga dapat digunakan untuk menganalisis jenis tutupan lahan lain, walaupun tidak secara spesifik, seperti pada analisis efek soil background. Nilai NDVI juga bisa dihubungkan dengan nilai indeks lain, sebagai contoh adalah indeks wilayah terbangun. Semakin tinggi NDVI, maka akan semakin rendah nilai indeks wilayah terbangun.Berikut adalah nilai NDVI hasil penelitian dari Holben (1986).

Tabel 2. Nilai NDVI berbagai jenis tutupan lahan hasil penelitian Holben (1986)

Air pada tabel 2 terwakili oleh laut dalam dan laut dangkal pada table 1. Pengamatan nilai NDVI memiliki beberapa keterbatasan. Beberapa faktor yang menjadi penghambat adalah resolusi temporal, intervensi atmosfer, tipe tutupan lahan, serta penurunan kualitas sensor. NDVI tidak dapat digunakan untuk menganalisis kejadian jangka pendek, karena pengamatan nilai NDVI terkait dengan fase pertumbuhan dan perkembangan vegetasi. Intervensi atmosfer sangat terkait dengan kualitas citra yang dihasilkan. Nilai NDVI juga rentan berubah seiring dengan perbedaan vase tumbuh, terutama pada tanaman musiman atau tanaman pertanian. Citra yang digunakan pada analisis NDVI adalah Landsat 5. Perlu kecermatan dari interpreter ketika harus membedakan kenampakan tutupan lahan pada citra yang telah ditransformasi (indeks vegetasi). Masing-masing tutupan lahan akan memiliki kenampakan khas pada citra, namun tidak semua dapat dibedakan dengan jelas. Berikut adalah tabel perbedaan kenampakan beberapa jenis tutupan lahan pada citra yang telah ditransformasi untuk analisis NDVI.Tabel 3. Perbedaan kenampakan berbagai jenis tutupan lahan pada citra transformasi NDVI

Keterangan :Laut Dalam (LD)Laut Dangkal (LDL)Perkotaan (PK)Sawah Vegetatif (SV)Hutan (HT)Kebun Campuran (KC)Lahan Kering (LK)1. Dapat dipisahkan dengan jelas2. Kurang dapat dipisahkan3. Tidak dapat dipisahkan

Berdasarkan tabel 3, beberapa jenis tutupan lahan tidak dapat dibedakan kenampakannya pada citra. Hutan dengan sawah vegetasi sama-sama tampak putih, begitu juga dengan kebun campuran. Berdasarkan fakta tersebut, maka jenis tutupan lahan yang berupa vegetasi tidak dapat dibedakan pada citra. Lahan kering dan perkotaan cukup sulit dipisahkan karena sama-sama tidak tertutupi oleh vegetasi. Hal serupa juga terjadi pada laut dalam dan laut dangkal.