Fadli Afrianto 1101549 Mentari Pratami1101582 Tugas2 Icd

7/22/2019 Fadli Afrianto 1101549 Mentari Pratami1101582 Tugas2 Icd

1/16

1. PERKEMBANGAN TEKNIK ANALISIS

Dari Manual ke Digital

Ketika berbagai negara berkembang masih memiliki akses terbatas ke sistemkomputer untuk pengolahan citra digital, pemanfaatan produk penginderaan jauh satelit

masih berupa citra tercetak (hard copy) yang diinterpretasi secara visual atau

manual. Teknik interpretasi semacam ini telah berkembang pesat dalam penginderaan

jauh sistem fotografik, dan hingga saat ini merupakan teknik yang dipandang

mapan. Prinsip-prinsip interpretasi fotografis dapat diterapkan pada citra satelit yang

telah dicetak, dan memberikan banyak informasi mengenai fenomena spasial di

permukaan bumi pada skala regional. Citra-citra satelit yang telah tercetak ini

memberikan keuntungan terutama dalam hal (a) kemudahan analisis regional secara

cepat (karena dimungkinkannya synoptic overviewpada satu lembar citra berukuran 60

km x 60 km sampai dengan 180 km x 185 km), dan (b) kemudahan pemindahan hasilinterpretasi (plotting) ke peta dasar, karena tidak memerlukan banyak lembar dengan

skala yang berbeda-beda dan mempunyai distorsi geometri yang relatif lebih rendah

dibandingkan foto udara.

Sejalan dengan perkembangan teknologi komputer yang semakin pesat dewasa ini --di mana banyak

perusahaan telah melakukan downsizing(beralih dari komputer mainframeke komputer mini, dan dari komputer mini

ke komputer mikro/PC) maka akses berbagai kelompok praktisi dan akademisi ke otomasi pengolahan citra digital

pun semakin besar. Semakin banyak paket perangkat lunak pengolah citra digital dan SIG yang dioperasikan

dengan PC dan bahkan komputer jinjing ( laptop). Di sisi lain, berbagai jenis PC dan laptop saat ini ditawarkan

dengan harga yang semakin murah namun dengan arsitektur prosesor yang semakin canggih dan kemampuan

pengolahan maupun penyimpanan data yang semakin tinggi.

Teknologi SIG sebenarnya telah dimulai pada akhir tahun 1960-an, antara lain oleh Tomlinson (Marble dan

Pequet, 1990). Kemudian pada dekade 1970-an beberapa negara bagian di Amerika Serikat telah memulai untuk

menerapkan SIG dalam pengelolaan sumberdaya lahan dan perencanaan wilayah. Pada sekitar tahun 1979, Jack

Dangermond mengawali pengembangan paket perangkat lunak SIG yang sangat terkenal, yaitu Arc/Info untuk

mengisi pasar komersia (Rhindet al., 2004). Setelah itu, puluhan --bahkan ratusan macam paket perangkat lunak

SIG, yang sebagian besar di antaranya dioperasikan untuk PC, membanjiri pasar dunia. Kebutuhan akan fasilitas

pengolahan citra digital yang sekaligus dilengkapi dengan fasilitas SIG telah membuka kemungkinan-kemungkinan

baru dalam analisis data spasial. Sistem pengolah citra satelit dapat memberikan masukan pada SIG berupa peta-

peta tematik hasil ekstraksi informasi dari citra digital satelit. Di sisi lain, fasilitas analisis spasial dari SIG mampu

mempertajam kemampuan analisis penglohan citra, terutama dalam hal pemanfaatan data bantu untuk

meningkatkan akurasi hasil klasifikasi multispektral (Jensen, 2005).

Dari Multispektral ke Multisumber dan Hiperspektral


2/16

Pada awal perkembangannya, kamera hanya mampu menghasil-kan foto hitam-putih. Hal yang sama

diberikan oleh foto yang dipasang pada pesawat udara untuk kebutuhan pengintaian dalam aplikasi

miltiter. Kehadiran film berwarna pun secara cepat berimbas pada penggunaan yang lebih intensif dalam

penginderaan jauh berbasis foto udara. Ketersediaan film inframerah kemudian mendorong perkembang-an kamera

multisaluran (multiband), yang pada umumnya memuat empat lensa dalam satu badan kamera, dengan kepekaan

yang berbeda-beda untuk wilayah spektral berikut: biru, hijau, merah dan inframerah dekat. Tahap ini menandai

perkembangan sistem pemotretan dari yang bersifat unispektral (saluran tunggal) dan berjulat spektral lebar

misalnya dari biru hingga merahke sistem pemotretan multispektral. Analisis visual foto udara pankromatik, baik

hitam-putih maupun berwarna pun kemudian bergeser ke analisis multispektral sederhana, dengan memanfaatkan

alat pemadu warna elektrik seperti additive colour viewer(ACV).

ACV merupakan suatu antarmuka (interface)yang dapat digunakan untuk

menampilkan diapositif film multispektral dengan penyinaran warna primer (merah, hijau

dan biru) untuk masing-masing saluran. Melalui teknik ini, empat saluran yang tersedia

dalam empat frame diapositif dapat disajikan sebagai foto udara komposit warna semu

atau warna asli, tergantung pada pemilihan kombinasi sinar merah, hijau dan biru padadiapositif saluran yang berbeda-beda. Interpretasi visual atas citra analog dilakukan di

atas kaca tempat memproyeksikan sorotan komposit diapositif tersebut.

Dengan tersedianya sistem perekam citra digital, maka citra multispektral pun diolah

dengan komputer, dan setiap kombinasi warna dalam bentuk citra komposit bisa

dihasilkan dengan mudah. Analisis multispektral dapat dilakukan secara lebih teliti

dengan membaca nilai-nilai piksel pada berbagai saluran spektral secara serentak,

untuk diperbandingkan, dikombinasi melalui transformasi, maupun diekstrak melalui

berbagai analisis statistik multivariat yang rumit, di mana setiap saluran berfungsi

sebagai satu variabel informasi spektral. Dari awal tahun 1970-an hingga saat buku iniditulis, telah berkembang banyak metode analisis multispektral, yang dapat dibaca di

Adams dan Gilespie (2006), Liu dan Mason (2008), dan juga Gao (2010).

Kehadiran teknologi informasi spasial melalui SIG telah memperluas jangkauan

analisis citra, sehingga kemudian berkembanglah metode-metode ekstraksi informasi

objek atau fenomena di permukaan bumi dengan memasukkan data yang bersifat nir-

spektral, sepertu misalnya jenis tanah, bentuklahan, kemiringan lereng, elevasi, dan

juga peta-peta berisi objek-objek spasial lain. Tentu saja, peta-peta ini harus disimpan

dan diproses dalam format data digital. Dengan demikian, perkembangan metode yang

sudah berlangsung sekitar 25 tahun ini kemudian semakin mengarah ke klasifikasi

multisumber. Beberapa tulisan awal yang mengintegrasikan penginderaan

jauh (khususnya pengolahan citra) dan SIG angara lain yang ditulis oleh Verbyla dan

Nyquist (1987), Srinivasan dan Richards (1990), Danoedoro (1993). Sementara tulisan

yang relatif baru untuk topik-topik ini, dengan teknik-teknik yang juga baru, antara lain

bisa dijumpai di Weng (2010).


3/16

Perkembangan analisis multispektral juga mengarah ke penambahan jumlah

saluran dan lebar setiap saluran. Sistem hiperspektral mampu mencitrakan fenomena

di permukaan bumi dengan jumlah saluran spektral yang mencapai ratusan dan dengan

lebar setiap saluran yang hanya beberapa nanometer. Analisis citra semacam ini, yang

disebut dengan spectral cube(kubus spektral) berkembangan dengan pendekatan yang

berbeda, mengingat bahwa metode-metode analisis multispektral tidak akan efisien dari

sisi waktu pemrosesan dan akurasi hasilnya. Tulisan-tulisan van der Meer dan de Jong

(2003) serta Jensen (2007) dapat dijadikan rujukan awal untuk keperluan ini.

Dari Per-piksel ke Per-objek

Perkembangan sistem penginderaan jauh satelit telah menghasilkan citra-citra

digital yang tidak pernah dibayangkan oleh praktisi di tahun 1980-an, yaitu citra

multispektral dengan kualitas detil yang mendekati atau bahkan menyamai foto

udara. Hal ini tidak lepas dari berakhirnya era Perang Dingin di awal 1990-an dan

keputusan Presiden Bill Clinton untuk mengijinkan perusahaan-perusahaan swastamengoperasikan satelit penginderaan jauh dengan teknoogi satelit mata-mata. Pada

tahun 1999 muncullah perusahaan Space Imaging yang meluncurkan satelit Ikonos

dengan resolusi spasial hingga 1 meter, disusul oleh Quickbird dengan resolusi spasial

hingga 0,6 meter, serta satelit-satelit lain seperti OrbView. Saat ini, satelit GeoEye

telah mampu menghasilkan citra digital dengan resolusi spasial sekitar 40 cm,

meskipun undang-undang di Amerika Serikat hanya mengijinkan citra tersebut diproses

dan digunakan oleh publik pada resolusi spasial 50 cm atau lebih kasar.

Kehadiran citra resolusi spasial tinggi telah menantang para analis citra untuk

mengembangkan metode ekstraksi informasi tematik yang berbeda dengan klasifikasimultispektral yang biasa diterapkan pada citra resolusi spasial menengah dan

rendah. Metode ini dikenal dengan nama klasifikasi berbasis objek (object-based

classification). Di Indonesia, citra resolusi spasial tinggi lebih banyak diperlakukan

seperti foto udara karena para analis mengalami kesulitan dalam menerapkan

klasifikasi multispektral terhadap citra semacam itu. Pada klasifikasi multispektral citra

resolusi tinggi, satu piksel merupakan bagian dari objek penutup lahan yang umumnya

berukuran jauh lebih besar, sehingga hasil klasifikasi cenderung merupakan kumpulan

piksel yang tidak berkaitan langsung dengan kategorisasi objek yang dikembangkan

dalam klasifikasi (Danoedoro, 2006). Untuk mengatasi masalah ini, dalam kurun 10

tahun terakhir mulai berkembang metode klasifikasi berbasis objek, yang

memanfaatkan teknik segmentasi citra (Baatz dan Schappe, 2000; Ranasinghe, 2006;

Navulur, 2007).


4/16

2. Spektrum EM dalam Penginderaan Jauh

3. Spektrum EM dalam Penginderaan Jauh

3. Konsep resolusi

Resolusi yaitu kemampuan suatu sistem optik-elektronik untuk membedakan informasi

yang secara spasial berdekatan atau secara spektral mempunyai kemiripan. Dalam

pengindraan jauh, dikenal konsep resolusi, yaitu resolusi spasial, resolusi temporal, resolesi

spektral, resolusi radiometrik, dan resolusi layer.

Resolusi spasial

Resolusi spasial adalah luas obyek sebenarnya yang direpresentasikan dalam 1 piksel di

citra digital. Jika obyek sebenarnya mempunyai luas 30 x 30 meter dan di citra digital

direpresentasikan dalam 1 piksel, maka citra digital tersebut mempunyai resolusi spasial 30

meter. Dengan kata lain, jika citra mempunyai resolusi spasial 30 meter, maka 1 piksel di

citra digital merepresentasikan obyek sebenarnya dengan luas 30 x 30 meter. Jadi semakin

besar resolusi spasial maka semakin detil obyek yang ditampilkan dalam citra digital. Skala

peta juga akan menjadi semakin besar. Secara penampakan visual ada hubungan antara

resolusi spasial dengan skala maksimal pada peta citra yaitu : Skala peta maksimal = 1500x resolusi spasial. Dengan demikian, resolusi spasial dapat dikatakan dengan halus /

kasarnya pembagian kisi-kisi baris dan kolom. Transformasi citra kontinue ke citra digital

disebut digitisasi (sampling). Contoh: Hasil digitisasi dengan jumlah baris 256 dan jumlah

kolom 256 resolusi spasial 256 x 256.

2) Resolusi Spasial Sampling

4. Sampling Uniform dan Non-uniform

5. - Sampling Uniform mempunyai spasi (interval) baris dan kolom yang sama pada

seluruh area sebuah citra. Proses sampling melalui celah yg berukuran sama.

6. - Sampling Non-uniform bersifat adaptif tergantung karakteristik citra dan bertujuanuntuk menghindari adanya informasi yang hilang. Daerah citra yang mengandung detil

yang tinggi di-sampling secara lebih halus, sedangkan daerah yang homogen dapat di-

sampling lebih kasar. Kerugian sistem sampling Non uniform adalah diperlukannya data

ukuran spasi atau tanda batas akhir suatu spasi. Proses sampling melalui celah yg

bervariasi.


5/16

7. 3) Resolusi kecemerlangan

8. Resolusi kecemerlangan adalah banyaknya derajat keabuan yang dimiliki oleh citra

digital. Semakin besar resolusi kecemerlangan citra digital, maka semakin halus citra

tersebut. Citra digital 16 bit tentu akan lebih halus dan mempunyai tingkat

kecemerlangan lebih banyak daripada citra digital 8 bit. Karena citra digital 16 bit

mempunyai tingkat keabuan lebih banyak yaitu 2 pangkat 16, daripada citra 8 bit yang

mempunyai tingkat keabuan 2 pangkat 8. Dengan demikian, resolusi kecemerlangan

dikatakan sebagai halus / kasarnya pembagian tingkat kecemerlangan. Transformasi

data analog yang bersifat kontinue ke daerah intensitas diskrit disebut kwantisasi. Bila

intensitas piksel berkisar antara 0 dan 255 resolusi kecemerlangan citra adalah 256.

9. 4) Resolusi Kecemerlangan Kuantisasi

10. Kuantisasi Uniform, Non-uniform, dan Tapered

11. - Kuantisasi Uniform mempunyai interval pengelompokan tingkat keabuan

yang sama (misal: intensitas 1 s/d 10 diberi nilai 1, intensitas 11 s/d 20 diberi nilai 2,

dstnya).

12. - Kuantisasi Non-uniform: Kuantisasi yang lebih halus diperlukan terutama

pada bagian citra yang menggambarkan detil atau tekstur atau batas suatu wilayah

obyek, dan kuantisasi yang lebih kasar diberlakukan pada wilayah yang sama pada

bagian obyek.

13. - Kuantisasi Tapered: bila ada daerah tingkat keabuan yang sering muncul

sebaiknya di-kuantisasi secara lebih halus dan diluar batas daerah tersebut dapat di-

kuantisasi secara lebih kasar (local stretching).

14. 5) Resolusi Spektral.

15. Resolusi spektral menunjukkan lebar kisaran dari masing-masing band spektral

yang diukur oleh sensor. Band Spectral adalah range panjang gelombang band.

16. 6) Resolusi Temporal.

17. Resolusi ini hanya dimiliki oleh citra digital dari satelit penginderaan jauh, yaitu

menunjukkan interval waktu pengukuran atau pengambilan citra untuk daerah yang

sama. Landsat7 membutuhkan waktu 16 hari untuk mengambil citra daerah yang sama.

Jadi Landsat7 mempunyai resolusi temporal 16 hari.

18. Tahapan pengolahan citra digital meliputi akusisi citra, peningkatan kualitascitra, segmentasi citra, representasi dan uraian, pengenalan dan interpretasi.

19. 1) Akusisi citra

20. Pengambilan data dapat dilakukan dengan menggunakan berbagai media seperti

kamera analog, kamera digital, handycamp, scanner, optical reader dan sebagainya.

Citra yang dihasilkan belum tentu data digital, sehingga perlu didigitalisasi.


6/16

21. 2) Peningkatan kualitas citra

22. Pada tahap ini dikenal dengan pre-processing dimana dalam meningkatkan

kualitas citra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap

pengolahan citra digital berikutnya.

23. 3) Segmentasi citra

24. Segmentasi bertujuan untuk memilih dan mengisolasikan (memisahkan) suatu

objek dari keseluruhan citra. Segmentasi terdiri dari downsampling, penapisan dan

deteksi tepian. Tahapdownsampling merupakan proses untuk menurunkan jumlah

piksel dan menghilangkan sebagian informasi dari citra. Dengan resolusi citra yang

tetap, downsampling menghasilkan ukuran citra yang lebih kecil. Tahap segmentasi

selanjutnya adalah penapisan dengan filter median, hal ini dilakukan untuk

menghilangkan derau yang biasanya muncul pada frekuensi tinggi pada spektrum citra.

Pada penapisan dengan filter median, gray level citra pada setiap piksel digantikan

dengan nilai median dari gray level pada piksel yang terdapat pada window filter. Tahap

yang terakhir pada proses segmentasi yaitu deteksi tepian. Pendekatan algoritma Canny

dilakukan berdasarkan konvolusi fungsi citra dengan operator Gaussian dan turunan-

turunannya. Pendeteksi tepi ini dirancang untuk merepresentasikan sebuah tepian yang

ideal, dengan ketebalan yang diinginkan. Secara umum, proses segmentasi sangat

penting dan secara langsung akan menentukan keakurasian sistem dalam proses

identifikasi iris mata.

25. 4) Representasi dan Uraian

26. Representasi mengacu pada data konversi dari hasil segmentasi ke bentuk yang

lebih sesuai untuk proses pengolahan pada komputer. Keputusan pertama yang harus

sudah dihasilkan pada tahap ini adalah data yang akan diproses dalam batasan-batasan

atau daerah yang lengkap. Batas representasi digunakan ketika penekanannya pada

karakteristik bentuk luar, dan area representasi digunakan ketika penekanannya pada

karakteristik dalam, sebagai contoh tekstur. Setelah data telah direpresentasikan ke

bentuk tipe yang lebih sesuai, tahap selanjutnya adalah menguraikan data.

27. 5) Pengenalan dan Interpretasi

28. Pengenalan pola tidak hanya bertujuan untuk mendapatkan citra dengan suatu

kualitas tertentu, tetapi juga untuk mengklasifikasikan bermacam-macam citra. Dari

sejumlah citra diolah sehingga citra dengan ciri yang sama akan dikelompokkan pada

suatu kelompok tertentu. Interpretasi meliputi penekanan dalam mengartikan objek

yang dikenali.

4. Pemilihan Spektrum


7/16

JENIS SENSOR DAN SIFATNYA

SPEKTRUM DAN SISTEM SENSOR PANJANG GELOMBANG (m) KEMAMPUAN

MENGATASI KENDALA CUACA SAAT PENGINDERAAN

Ultra Violet

= Optical mechanical scanner

= Image orthicon= Kamera dengan film infra merah

TAMPAK

= Kamera konvensional

= Multispektral Scanner

= Vidicon

INFRAMERAH PANTULAN = Kamera konvensional dengan film inframerah

= Solid state detector dalam scanner

= Radiometer

INFRAMERAH THERMAL

= Solis state detector dalam Scanner dan radiometer

= Quantum detector

GELOMBANG MIKRO

= Scanner dan Radiometer Kabut/ awan

= Antena dan siecuit

RADAR

= Scanner dan Radiometer

= Antena dan Sircuit 0,01 - 0,4

0,4 - 0,7

0,7 - 1,5

3,5 - 30,0

103 - 106

8,3 x 103 1,3 x 106

Kabut Tipis

Campuran asap dan kabut


8/16

Kabut tipis, asap

Kabut tipis, asap

Kabut tipis, asap, awan hujan Siang

Siang, kecuali bila digunakan penyinaran aktif

siang

siang - malam

siang - malam

siang - malam

Sensor dalam pj

Berdasarkan proses perekamannya, sensor dibedakan:

a. Sensor Fotografi

Proses perekaman ini berlangsung secara kimiawi. Tenaga elektromagnetik

diterima dan direkam pada emulsi film yang bila diproses akan menghasilkan

foto. Kalau pemotretan dilakukan dari pesawat udara atau wahana lainnya,

fotonya disebut foto udara. Tapi bila pemotretan dilakukan dari antariksa,

fotonya disebut foto orbital atau foto satelit.b. Sensor Elektrik

Sensor ini menggunakan tenaga elektrik dalam bentuk sinyal elektrik. Alat

penerima dan perekamannya berupa pita magnetik atau detektor lainnya.

Sinyal elektrik yang direkam pada pita magnetik ini kemudian diproses

menjadi data visual maupun menjadi data digital yang siap dikomputerkan.

Pemerosesannya menjadi citra dapat dilakukan dengan dua cara, yakni:

1) dengan memotret data yang direkam dengan pita magnetik yang

diwujudkan secara visual pada layar monitor.

2) dengan menggunakan film perekam khusus. Hasilnya berupa foto dengan

film sebagai alat perekamnya, tapi film di sini hanya berfungsi sebagai alat

perekam saja, maka hasilnya disebut citra penginderaan jauh.

Pencitraan Hiperspektral

Teknologi Hyperspektral merupakan kelanjutan dari multi spektral, Sensor Hiperspektral

memanfaatkan jumlah kanal yang jauh lebih banyak dari pada sensor multispektral dengan resolusi


9/16

bandwidth yang lebih sempit. Umumnya sensor hyperspektral terdiri dari 100-200 kanal dengan

resolusi bandwidth 5-10 nm. Akan jauh berbeda jika dibandingkan dengan multispektral yang rata

rata hanya terdiri dari 5 10 kanal, dengan resolusi bandwidth yahg lebih besar: 70-400 nm.

Dengan kanal kanal yang lebih sempit dengan jumlah yang jauh lebih banyak, sensor hyperspektral

dapat digunakan untuk melakukakan pemisahan, klasifikasi dan identifikasi objek / material di muka

bumi, sebagaimana objek aslinya. Kemampuan lainnya adalah untuk mendeteksi target subpixel,

yang akan sangat membantu dalam mendeteksi objek dengan resolusi pixel yang lebih kecil.

Gambar 1, menunjukkan bahwa Hiperspektral mampu mendeteksi suatu objek dengan resolusi pixel

yang kecil. Objek berwarna merah kecil yang ada pada citra hiperspektral tidak bisa kita temukan

pada citra multispectral

Statistik Citra

Metode yang digunakan dalam penelitian ini adalah teknik penginderaan jauh dengan pengolahan citra digital yang

dipadukan dengan kerja lapangan dan analisis statistik. Pengolahan citra digital tersebut dititikberatkan pada aspek

transformasi indeks vegetasi yang didasarkan pada nilai piksel hasil ekstraksi dari data citra Landsat 7 ETM+. Hutan

rawa gambut tropika kaya strata kanopi. Dalam pengolahan indeks vegetasi adanya strata kanopi akan menimbulkan

bayangan pohon yang merupakan masalah, karena akan menimbulkan kesalahan nilai indeks. Pada kajian ini akan

digunakan software yang menggunakan koreksi bayangan dan yang tidak menggunakan koreksi bayangan. Kedua

software yang digunakan yaitu Forest Canopy Density (FCD) Mapper Versi 1.0 dan Enviromental for Visualizing

Images (ENVI) Versi 4.2 . FCD Mapper 1.0 digunakan untuk melakukan transformasi Forest Canopy Density Index

(FCDI) yang menggunakan integrasi empat buah indeks yaitu : Advances Vegetation Index (AVI), Bare Soil Index,

Thermal Index dan Shadow Index. ENVI 4.2 digunakan untuk transformasi indeks vegetasi yang menggunakan

penisbahan antara band merah dan inframerah dekat yaitu Ratio Vegetation Indeks (RVI), Normalized Difference

Vegetation Indeks (NDVI), Transformed Vegetation Indeks (TVI), Different Vegetation Indeks (DVI), Soil Adjusted

Vegetation Indeks (SAVI) dan Modified Soil Adjusted Vegetation Indeks (MSAVI). Pembagian kelas hutan tersebut

didasarkan pada hasil klasifikasi digital dari masing masing transformasi indeks vegetasi. Klasifikasi multispektral

yang digunakan adalah klasifikasi terselia (supervised classification) dengan menggunakan algoritma maximum

likelihood (maximum likelihood algorithm). Pembagian kelas liputan kanopi menggunakan pembagian kelas menurut

FCDI yang keluarkan oleh ITTOJOFCA tahun 2003 dengan modifikasi. Survey lapangan dilakukan pada 32 lokasi

contoh yang masing-masing lokasi contoh terdiri dari 9 piksel. Kerapatan kanopi pohon diukur pada 9 piksel, akan

tetapi kerapatan tegakan, diameter, tinggi pohon bebas cabang, tinggi tinggi total dan tumbuhan bawah serta data

lain yang diperlukan hanya diukur pada 2 piksel dari setiap lokasi contoh yang dipilih. Data hasil transformasi indeks

vegetasi yang diperoleh dari citra Landsat 7 ETM+ dan parameter lapangan dianalisis dengan menggunakan model


10/16

regresi-korelasi berganda. Hasil perhitungan statistik digunakan untuk melihat pengaruh xvparameter lapangan

dalam model regresi. Model regresi yang memenuhi syarat akan digunakan untuk menghitung volume tegakan.

Aljabar Citra

Algoritma mak histogram[dit]

Algoritma katgori ieu ngagunakeunhistogramtina citra asal pikeun ngahasilkeun citra anyar.

Peregangan Kontras

Ekualisasi histogram Filter Minimum

Filter Mdian

Filter Maksimum

Algoritma mak matematika[dit]

Algoritma dina katgori ieu ngagunakeun piksel / sababaraha piksel pikeun jadi asupan hiji fungsi

matematik pikeun nangtukeun nily piksel dina citra nu dihasilkeun.

Binr

Operasi ieu dumasar kana operasi boolean (AND,OR,NOT) pikeun ngamanipulasi citra

Aritmatika

Operasi ieu dumasar kana operasi aritmatika (pajumlahan, pangurangan, pakalian sarta

pangbagian citra)

Geomtri

Algoritma mak konvolusi[dit]

Algoritma dina katgori ieu ngagunakeun tknik konvolusi pikeun ngahasilkeun citra.

Algoritma mak difrnsial[dit]

Algoritma mak morfologi

Visualisasi Citra
http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=9http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=9http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=9http://su.wikipedia.org/wiki/Histogramhttp://su.wikipedia.org/wiki/Histogramhttp://su.wikipedia.org/wiki/Histogramhttp://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=10http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=10http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=10http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=11http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=11http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=11http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=12http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=12http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=12http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=12http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=11http://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=10http://su.wikipedia.org/wiki/Histogramhttp://su.wikipedia.org/w/index.php?title=Pengolahan_citra&action=edit&section=9


11/16

Penafsiran citra secara visual memliki arti hubungan interaktif (langsung)

dari penafsir dengan citra, artinya ada prose perunutan dari penafsir

untuk mengenalai obyek hingga prose pendeliniasian batas obyek untuk

medefiniskan obyek tersebut. Penafsiran citra secara manual pada awalnya

dengan cara deliniasi obyek pada citra cetak kertas (hardcopy) yang telahdilakukan preprocessing lebih dulu. Perkembangan tehnologi hardware dan

software memungkinkan penafsiran langsung dikomputer dengan metode

on screen digitize. Meskipun memanfaatkan computer. Metode ini masih

termasuk interpretasi secara manual. Hasil dari metode ini adalah data

kalsifikasi tematik dalam format vector. Kodifikasi data ( encoding) dapat

secara langsung dilakukan. Sehingga metode ini sering dikenal juga metode

penafsiran interaktif.

Kelebihan dari metode ini adalah penafsir dapat memperhitungkan

konsteks spasial wilaya pada saat penafsiran dengan melibatkan lebih dari

satu elemen ( unit lahan, bentuk lahan, local knowledge dll) yang tidak

mungkin dapat dilakukan dengan metode klasifikasi digital secara langsung.

Keuntungan kedua adalah metode ini cocok untuk daerah pada ekuator

yang banyak tertutup awan.

Ada dua factor yang harus diperhatikan pada metode ini yakni

1. Kaidah perbesaran ( Zooming)

Tingkat ketelitian pemetaan disesuaikan dengan tingkat skala yang

digunakan . semakin besar skala pemetaannya semakin rinci informasi

yang harus disajikan dan sebaliknya. Penafsiran manual sangat

tergantung dari visualisasi citra. Berbeda dengan penafsiran digital

yang tidak memperhitungkan skala.

Dimensi citra landsat Tm 7+ dapat memberikan ketelitian samapai

skala 1 : 50.000. Satu hal yang menjadi kelemahan metode ini adalah

;luas visualisasi monitor computer, dimana semakin besar skala

visualisasi semakin kecil luas citra yang tergambarkan begitu pula

sebaliknya. Konsekuensi dari hal ini adalah kegiatan melakukan

penggeseran visual citra setiap kali berpindah lokasi interpretasi.


12/16

Dalam praktek ini skal visualisasi diupayakan maksimal 1 : 50.000 ,

hal ini untuk menjaga kualitas hasil penafsiran .

2. Kartografi pemetaan dalam penafsiran citra..Akurasi geometric pemetaan melaui penafsiran citra ditentukan oleh

dua hal yakni :

- akurasi geometrik citra

- akurasi deliniasi antar obyek yang dipeetakan.

Akurasi geometric ditentukan oleh koreksi geometris yang dilakukan

pada citra.

Akurasi deliniasi ditentukan oleh penafsir , apabila kedua hal ini

telah dilakukan kaidah kartografis yang harus diperhatikan adalahukuran luas polygon yang yang harus dideliniasi. Luasan sangat

tergantung pada tujuan skala pemetaan yang direncanakan. Proses ini

dikenal dengan nama generalisasi pemetaan. Aturannya menentukan

luas polygon terkecil adalah 0,5 x 0,5 x skala pemetaan.

Berikut adalah skala generalisasi pemetaan pada tiap skala peta :

a. Skala pemetaan 1 : 50.000 luas polygon terkecil 1, 25 ha

b. Skala pemetaan 1 : 100.000 luas polygon terkecil 2, 5 hac. Skala pemetaan 1 : 250.000 luas polygon terkecil 6, 25 ha

Sistem Pengolah Citra

Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini

mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara

umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas,

pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupunkompleks yang diwakili oleh bit-bit tertentu.

Umumnya citra digital berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan ada pula

yang berbentuk segienam) yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya

titik atau piksel sehingga ukuran citra selalu bernilai bulat. Setiap titik memiliki koordinat sesuai posisinya dalam citra.

Koordinat ini biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung pada


13/16

sistem yang digunakan. Setiap titik juga memiliki nilai berupa angka digital yang merepresentasikan informasi yang

diwakili oleh titik tersebut.

Format data citra digital berhubungan erat dengan warna. Pada kebanyakan kasus, terutama untuk keperluan

penampilan secara visual, nilai data digital merepresentasikan warna dari citra yang diolah. Format citra digital yang

banyak dipakai adalah Citra Biner (monokrom), Citra Skala Keabuan ( gray scale ), Citra Warna ( true color ), dan

Citra Warna Berindeks.

1. Warna

Warna adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna (berwarna putih). Nilai warna

ditentukan oleh tingkat kecerahan maupun kesuraman warna. Nilai ini dipengaruhi oleh penambahan putih ataupun

hitam.

Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang paling lebar adalah red (R), green (G)

dan blue (B). Ketiga warna tersebut merupakan warna pokok yang biasa disebut RGB. Warna lain dapat diperoleh

dengan mencampurkan ketiga warna pokok tersebut dengan perbandingan tertentu. Setiap warna pokok mempunyai

intensitas sendiri dengan nilai maksimum 255 (8-bit). Misal warna kuning merupakan kombinasi warna merah dan

hijau sehingga nilai RGB: 255 255 0.

RGB disebut juga ruang warna yang dapat divisualisasikan sebagai sebuah kubus seperti gambar 2.4, dengan tiga

sumbunya yang mewakili komponen warna merah (red) R, hijau (green) G, biru (blue) B. Salah satu pojok alasnya

yang Sistem Klasifikasi Jenis dan Kematangan Buah Tomat Berdasarkan Bentuk dan Ukuran serta Warna Permukaan

Kulit Buah Berbasis Pengolahan Citra Digital berlawanan menyatakan warna hitam ketika R = G = B = 0, sedangkan

pojok atasnya yang berlawanan menyatakan warna putih ketika R= G= B= 255 ( sistem warna 8 bit bagi setiapkomponennya ).

Pada gambar 2.5 di atas, garis diagonal ruang menyatakan warna grayscale, yakni warna-warna piksel dalam

rentang gradasi warna hitam dan putih yang dapat diperoleh dengan mengalikan ketiga komponen warna pokok

merah, hijau dan biru dengan suatu koefisien yang jumlahnya satu.

2.Citra Biner (Binary Image)

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih.

Alasan masih digunakannya citra biner dalam pengolahan citra digital hingga saat ini adalah algoritma untuk citra

biner telah berkembang dengan baik dan waktu pemrosesan lebih cepat karena jumlah bit untuk tiap pikselnya lebih

sedikit.
http://ginan88.files.wordpress.com/2011/12/tekom.jpg


14/16

3.Citra YCbCr

YCbCr merupakan standar internasional bagi pengkodean digital gambar televisi yang didefinisikan di CCIR

Recommendation. Y merupakan komponen luminance, Cb dan Cr adalah komponen chrominance. Pada monitor

monokrom nilai luminance digunakan untuk merepresentasikan warna RGB, secara psikologis ia mewakili intensitas

sebuah warna RGB yang diterima oleh mata. Chrominance merepresentasikan corak warna dan saturasi (saturation).

Nilai komponen ini juga mengindikasikan banyaknya komponen warna biru dan merah pada warna. YCbCr (256 level)

dapat diperoleh dari RGB 8 bit dengan menggunakan rumus berikut:

Y = 0.299 R + 0.587 G + 0.114 B

Cb = -0.1687 R0.3313 G + 0.5 B + 128

Cr = 0.5 R0.4187 G0.0813 B + 128

Sedangkan untuk konversi YCbCr ke RGB dapat dilakukan dengan rumus:

R = Y + 1.402 (Cr-128)

G = Y0.34414 (Cb-128)0.71414 ( Cr128)

B = Y + 1.772 (Cb128)

Berikut ini adalah gambar yang menunjukkan dekomposisi citra RGB ke dalam komponen luminance dan

chrominance-nya.

C. Berdasarkan jenisnya, citra digital dapat dibagi menjadi 3 (Sutoyo, 2009), yaitu:

1. Citra Biner (Monokrom)

Memiliki 2 buah warna, yaitu hitam dan putih. Warna hitam bernilai 1 dan warna putih bernilai 0. Untuk menyimpan

kedua warna ini dibutuhkan 1 bit di memori. Contoh dari susunan piksel pada citra monokrom adalah sebagai

berikut:
http://ginan88.files.wordpress.com/2011/12/2.pnghttp://ginan88.files.wordpress.com/2011/12/telkom3.jpghttp://ginan88.files.wordpress.com/2011/12/.jpghttp://ginan88.files.wordpress.com/2011/12/2.pnghttp://ginan88.files.wordpress.com/2011/12/telkom3.jpghttp://ginan88.files.wordpress.com/2011/12/.jpghttp://ginan88.files.wordpress.com/2011/12/2.pnghttp://ginan88.files.wordpress.com/2011/12/telkom3.jpghttp://ginan88.files.wordpress.com/2011/12/.jpg


15/16

2. Cita Grayscale (skala keabuan)

Citra grayscale mempunyai kemungkinan warna hitam untuk nilai minimal dan warna putih untuk nilai maksimal.

Banyaknya warna tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna

tersebut. Semakin besar jumlah bit warna yang disediakan di memori, maka semakin halus gradasi warna yang

terbentuk. Contoh:

skala keabuan 2 bit jumlah kemungkinan 22 = 4 warna

Jadi,, kemungkinan warna 0 (minimal) sampai 4 (maksimal)

3. Citra Warna (true color)

Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi tiga warna dasar, yaitu merah, hijau, dan

biru (RGB = Red, Green, Blue). Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte (nilai maksimum 255

warna), jadi satu piksel pada citra warna diwakili oleh 3 byte.

Pengolahan citra digital adalah salah satu bentuk pemrosesan informasi dengan inputan berupa citra (image) dankeluaran yang juga berupa citra atau dapat juga bagian dari citra tersebut. Tujuan dari pemrosesan ini adalah

memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin computer. Operasi-operasi pada

pengolahan citra digital secara umum dapat diklasifikasikan sebagai berikut:

1. Perbaikan kualitas citra (image enhancement), contohnya perbaikan kontras gelap/terang,

penajaman (sharpening), dan perbaikan tepian objek (edge enhancement)

2. Restorasi citra (image restoration), contohnya penghilangan kesamaran (deblurring)

3. Pemampatan citra (image compression)

4. Segmentasi citra (image segmentation)

5. Pengorakan citra (image analysis), contohnya pendeteksian tepi objek (edge enhancement) dan

ekstraksi batas (boundary)

6. Rekonstruksi citra (image recronstruction)
http://ginan88.files.wordpress.com/2011/12/4.pnghttp://ginan88.files.wordpress.com/2011/12/3.pnghttp://ginan88.files.wordpress.com/2011/12/4.pnghttp://ginan88.files.wordpress.com/2011/12/3.png


16/16

Kualitas Citra

Fadli Afrianto 1101549 Mentari Pratami1101582 Tugas2 Icd

Documents

Transcript of Fadli Afrianto 1101549 Mentari Pratami1101582 Tugas2 Icd