LAPORAN PRAKTIKUM

Penginderaan Jauh Terapan Untuk Sumberdaya Lahan

ACARA III

Koreksi Geometrik

Oleh :

Dodik Prasetyo Prabowo

120722420629

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL

JURUSAN GEOGRAFI

PROGRAM STUDI S1 GEOGRAFI

FEBRUARI 2015

I. TUJUAN

Mahasiswa dapat mengkoreksi secara geomterik citra yang telah terkoreksi secara

radiometric

II. ALAT dan BAHAN

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

b. Laptop/PC

c. Software ENVI 4.5

d. Alat tulis lengkap

e. Modul Praktikum

III. DASAR TEORI

Koreksi geometrik (sering disebut rektifikasi) pada citra dimaksudkan untuk

mengembalikan posisi piksel sedemikian rupa, sehingga sesuai dengan posisi sebenarnya

di permukaan bumi. Menurut Jensen (1996), ada dua proses dasar dalam rektifikasi

geometri, yaitu interpolasi spasial dan interpolasi intensitas. Interpolasi spasial adalah

penentuan hubungan geometrik antara lokasi piksel pada citra masukan dan peta.

Pada proses ini dibutuhkan beberapa titik kontrol medan (Ground Control Point/ GCP)

yang dapat diidentifikasi pada citra dan peta. Apabila persamaan transformasi koordinat

diterapkan pada titik-titik kontrol maka diperoleh residual x dan residual y. Residual

adalah penyimpangan posisi titik yang bersangkutan terhadap posisi yang diperoleh

melalui transformasi koordinat yang kemudian dinyatakan sebagai nilai Residual Means

Square Error atau RMS(error).

Tingkat keberhasilan dalam tahap ini biasanya ditentukan dengan besarnya nilai ambang

RMS(error) total, atau yang dikenal dengan istilah ’sigma’. Menurut ketelitian baku peta

nasional Amerika Serikat (US National Map Standard), nilai sigma citra harus lebih kecil

daripada setengah resolusi spasial citra yang bersangkutan (Eastman, 1997, dalam Like

Indrawati, 2001), sehingga rata-rata pergeseran posisi yang dapat diterima dari hasil

koreksi ini nantinya adalah

0,5 x ukuran piksel.

Dalam melakukan transformasi koordinat, terdapat beberapa macam transfromasi

polinomial yang satu dengan yang lain memberikan ketelitian yang berbeda-beda (Jensen,

1996) yaitu :

- Transformasi affine, yaitu memerlukan minimal 4 titik kontrol untuk mengubah

posisi geometrik citra sama dengan posisi geometerik referensi (peta). Transformasi

ini lebih sesuai untuk daerah yang bertopografi relatif datar atau landai.

- Transformasi orde dua, yang dapat dijalankan minimal dengan 6 titik kontrol (atau 12

parameter), dengan ketelitian yang pada umumnya lebih akurat dibandingkan dengan

transformasi affine.

- Transformasi orde tiga, yang dapat dijalankan minimal dengan 10 titik kontrol (20

parameter), dan lebih tepat untuk daerah dengan variasi topografi yang besar.

ilustrasi proses resampling nilai piksel dari citra asli (X’,Y’)

ke citra terkoreksi (X,Y) (Jensen, 1996).

Interpolasi intensitas dilakukan dengan proses resampling. Resampling merupakan

proses penentuan kembali nilai piksel sehubungan dengan koordinat baru setelah

interpolasi spasial (ilustrasi di atas). Secara umum terdapat tiga macam teknik untuk

resampling, yaitu :

- Interpolasi nearest neighbor, dimana nilai baru untuk piksel dengan posisi baru

diambil dari nilai piksel lama pada posisi lama yang terdekat.

- Interpolasi bilinear, dimana nilai piksel baru pada posisi baru dihitung dengan

mempertimbangkan 4 nilai piksel lama pada posisi lama yang terdekat.

- Interpolasi cubic-convolution, yang memperhitungkan 16 nilai piksel lama pada posisi

lama terdekat.

IV. LANGKAH KERJA

1. Buka citra yang sudah dikoreksi radiometrik. Sebaiknya komposit.

2. Pada bar menu, klik Map > Registration > Select GCPs : Image to Map

3. Pada jendela Image to Map Registration tentukan parameter sistem koordinat UTM,

datum WGS 84, unit meter, zona 49 S, klik OK.

4. Perhatikan kenampakan obyek pada citra dan peta. Analisis daerah liputan citra, dan

tentukan berapa banyak GCP yang akan Anda gunakan, serta di mana saja.

Diskusikan dengan asisten jika perlu.

5. Pada jendela GCP Selection, masukkan koordinat peta suatu titik pada box yang

kosong, perhatikan easting dan northing-nya.

6. Untuk memasukkan koordinat tersebut sebagai GCP, arahkan cross hair

cursor pada citra ke posisi titik yang sama dengan peta (gunakan zoom agar lebih

teliti), jika sudah yakin klik Add Point, sehingga Anda memperoleh GCP nomor 1.

7. Lanjutkan untuk GCP yang lain. Jika Anda sudah memiliki minimal 4 GCP maka nilai

RMS akan muncul.

8. Untuk menampilkan list titik-titik GCP Anda, klik Show List, untuk mengurangi

besarnya RMS, pada list ini Anda bisa menonaktifkan GCP yang ’bermasalah’,

dan/atau melakukan editing.

9. Jika jumlah GCP telah sesuai dengan rencana dan RMS kecil, simpan GCP Anda. Pada

jendela GCP Selection, klik File > Save GCPs w/ map coords. Tentukan direktori dan

beri nama.

PROSES REKTIFIKASI

1. Pada jendela GCP Selection, klik Option > Warp File, tentukan file yang akan

direktifikasi, klik OK.

2. Pada jendela Registration Parameters, tentukan parameter interpolasi spasial,

interpolasi intensitas, background (0=hitam, 255=putih), dan file output. Tentukan

direktori dan beri nama smg_rgx (rg = radiometrik dan geometrik, x = saluran citra).

OK untuk eksekusi.

3. Pada jendela Available Bands List muncul file hasil rektifikasi dengan tambahan

header citra berupa Map Info yang menyimpan informasi seputar sistem proyeksi dan

koordinat citra.

4. Tampilkan citra hasil rektifikasi pada jendela image yang baru, amati

perubahannya. Cek koordinatnya dengan Cursor Location/Value.

5. Untuk melakukan rektifikasi terhadap saluran yang lain pada bar menu utama klik

Map > Registration > Warp from GCPs : Image to Map

6. Panggil file GCP Anda. Cek parameter Image to Map Registration. Tentukan file

saluran lain yang akan di rektifikasi.

7. Tentukan Registration Parameters dan output file, klik OK untuk eksekusi.

V. HASIL PRAKTIKUM

Hasil praktikum ini terlampir

VI. PEMBAHASAN

Koreksi citra ke peta menggunakan prinsip bahwa peta mempunyai system proyeksi

dan koordinat yang lebih benar sehingga dapat diacu oleh citra. Dalam proses ini, system

geometric cotra diubah menjadi planimetrik. Segala aktifitas pemanfaatan citra

memerlukan jenis koreksi ini. Meskipun demikian, metode koreksi ini tidak mampu

menghilangkan semua distorsi yang disebabkan oleh pergeseran relief pada citra. Oleh

karena itu, metode koreksi ini akan sangat terasa kekurangannya untuk menghasilkan

citra yang terproyeksi secara orthogonal penuh (orthoimage) dengan menghilangkan

semua distorsi (Jensen, 2005), seperti pada akoreksi citra resolusi spasial tinggi, misalnya

ikonos, qiuckbird, maupun orbview.

Pada praktukum ini, digunakan metode nearest neighbor. Nearest Neighbor yaitu

metode untuk mengklasifikasi sebuah data baru berdasarkan similaritas dengan label data,

dalam metode ini similaritas biasanya menggunakan matriks jarak dan satuan jarak

umumnya menggunakan euclidian. konsepnya adalah mencari jarak terdekat antara data

yang akan di evaluasi dalam data pelatihan. Perhitungan jarak dilakukan dengan konsep

euclidian. Jumlah kelas yang paling banyak dengan jarak terdekat tersebut akan menjadi

kelas dimana data evaluasi tersebut berada. Nearest Neighbor, Bilinear Interpolation dan

Cubic convolution termasuk dalam metode interpolasi yang digunakan untuk menentukan

nilai piksel untuk citra yang dikoreksi. Pada Nearest Neighbor itu nilai pikses dihitung

berdasarkan nilai piksel yang terdekat dari citra aslinya. Bilinear Interpolation itu nilai

piksel dihitung berdasarkan rata - rata dari empat piksel terdekat dari citra aslinya. Cubic

Convolution itu nilai piksel citra output didasarkan dari enam belas piksel disekitarnya.

Penentuan metode interpolasi yang akan digunakan diantaranya adalah dengan ukuran

piksel antara piksel input dengan piksel output uang diharapkan serta tujuan dari proses

resample citra itu sendiri.selain itu, pada praktikum ini menggunakan jenis geocoding

berupa polynomial, karena ukuran piksel sama dalam satu set data resolusi spasial dan

mengalami pergeseran yang linear.

Pada prakttikum ini, didapat nilai GCP sebesar 0.7, yang artinya titik ikat di lapangan

terdapat distorsi sebesar 0.7 meter. Hal ini terjadi karena kendala pada proses penentuan

GCP. Kendala berupa perbedaan resolusi spasial, perbedaan waktu perekeman citra satelit

dan peta. Perbedaan resolusi spasial menjadi hambatan karena ukuran objek pada peta

dan citra jauh berbeda, sehingga susah untuk diidentifikasi. Objek Citra landsat yang

beresolusi 30 meter sangat berbeda jauh dengan peta skala 25.000, sebagai contoh objek

jembatan pada peta dapat dikenalui simbolnya, sedangkan pada citra hanya dilakukan

identifikasi pertemuan sungai dengan jalan raya. Perbedaan waktu perekaman dan

pembuatan citra juga menjadi hambatan, peta yang waktu pembuatan lebih lampau,

terdapat beberapa objek yang tidak terdapat pada citra. Objek daerah pengunungan

seharusnya mendapatkan banyak titik GCP karena topografi yang bergelombang, tetapi

pada objek ini sulit untuk ditemukan titik ikat. Sebaran GCP mempengaruhi nilai RMS

yang didapatkan. Distribusi GCP seringkali diabaikan, dan hanya melihat nilai RMS.

Nilai RMS yang kecil belum tentu menjamin bagusnya koreksi geometric. RMS yang

sedikit lebih besar terkadang merupakan hasil yang optimal apabila kondisi medan cukup

berat dan titik control sulit dijumpai.

VII. KESIMPULAN

Pada praktikum kali ini, didapatkan nilai RMSE sebesar 0.7 meter, dengan menggunakan

metode nearest neighbor atau orde 1. Nilai RMS yang kecil belum menjadi jaminan

koreksi yang dilakukan baik dari segi spasial. Koreksi yang baik terkadang pada RMS

yang sedikit lebih besar, tetapi tersebar dengan baik pada daerah yang sulit ditemukan

titik ikatnya. Selain itu, pada praktikum ini masuk pada jenis geocoding polynomial,

karena ukuran piksel untuk satu set resolusi spasial sama dan citra mengalami pergeseran

secara linear.

VIII. TUGAS

1. Sumber kesalahan pada citra dapat dibagi menjadi kesalahan sistematik dan non-

sistematik. Apa yang dimaksud dengan kesalahan sistematik dan non-sistematik?

Bagaimana hal tersebut bisa terjadi?

Jawab :

Kesalahan sistematik merupakan kesalahan yang dapat diperkirakan

sebelumnya, dan besar kesalahannya pada umumnya konstan. Kesalahan ini terjadi

karena ada distorsi dalam alat pada saat perekaman data, seperti contoh bias pada

atmosfer. Untuk mengatasi hal ini dibuatlah software-software pengkoreksi citra.

Untuk kesalahan non sistemik merupakan kesalahan yang berasal dari luar,

seperti contoh kesalahan penaksiran objek oleh interpreter pada penentuan GCP.

Kesalahan ini terjadi karena banyaknya factor eksternal yang umumnya disebabkan

oleh human eror.

2. Proses resampling nilai piksel dapat menggunakan teknik nearest neighbor, bilinear,

dan cubic-convolution. Jika Anda akan menggunakan citra hasil koreksi geometrik

untuk analisis berbasis nilai spektral (misalnya klasifikasi multispektral), maka teknik

mana yang akan Anda gunakan untuk resampling? Jelaskan mengapa Anda pilih teknik

tersebut!

Jawab : dalam resampling citra, yang telah terkoreksi untuk tujuan analisis nilai

spectral, digunakan metode cubic-convolution karena metode ini menggunakan

mengunakan 4 x 4 piksel tetangga untuk mengambil informasi. Bicubic menghasilkan

gambar yang terasa lebih tajam dari dua metode sebelumnya, dan mungkin merupakan

kombinasi ideal waktu proses dan output yang berkualitas

IX. DAFTAR PUSTAKA

Projo, danoedoro. 2012 Penginderaan jauh digital. Jogjakarta : Penerbit Andi

Kamal, Muhammad. 2006. Petunjuk Praktikum Pengolahan Citra Digital. Yogyakarta.

Laboratorium Penginderaan Jauh Fakultas Geografi UGM.

https://senosuke.wordpress.com/2009/12/22/interpolasi/

http://rikiridwana.blogspot.com/2012/06/koreksi-geometrik.html

X. LAMPIRAN

TABEL RMSE TIAP GCP PADA CITRA

MAP IMAGERMS

X Y X Y

443194.78 9231830.30 5684.00 2447 0.89

439341.06 9230957.84 5558.00 2476 1.64

445441.45 9232613.76 5760.00 2421 0.36

435970.78 9230969.76 5444.00 2476 0.23

433472.29 9231179.56 5361.00 2468 0.89

433924.23 9228294.20 5376.00 2565 0.27

436082.00 9228385.83 5447.00 2562 0.70

439351.73 9228525.84 5556.00 2557 0.69

444476.91 9229026.03 5727.00 2540 0.68

446726.24 9230090.10 5803.00 2505 0.46

432373.93 9224529.42 5324.00 2691 0.84

435990.09 9223580.30 5444.00 2722 0.59

439423.70 9225762.71 5559.00 2650 0.76

443508.34 9224270.85 5695.00 2699 0.11

444194.02 9226069.19 5718.00 2639 0.10

447662.81 9226855.84 5834.00 2613 0.40

447041.57 9218927.67 5813.00 2877 0.73

447409.83 9223214.48 5825.00 2734 0.46

442463.82 9221247.21 5660.00 2800 0.20

445025.08 9214975.71 5745.00 3010 0.72

437006.76 9218267.49 5478.00 2899 0.39

440164.38 9222595.40 5582.00 2755 1.63

436114.67 9221360.45 5450.00 2795 1.53

435026.22 9218662.79 5412.00 2885 0.72

434928.46 9217085.26 5410.00 2938 0.84

442832.98 9219724.27 5673.00 2851 0.64

Sebaran Titik GCP Pada Citra

Cursor Locator Pada Citra yang Telah Terkoreksi Geometrik dan Radiometrik