PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992)...

23
PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK MENDUKUNG PEMBANGUNAN PERTANIAN BERKELANJUTAN I Wayan Sedana 1. Pendahuluan Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai obyek melalui analisis data yang dikumpulkan melalui suatu perangkat yang tidak berhubungan langsung secara fisik dengan obyek yang sedang dikaji. Penginderaan jauh berbeda dengan banyak perangkat lain yang bersifat in-situ sensing yang bersinggungan secara langsung dengan obyek yang diteliti. Penginderaan jauh memanfaatkan berbagai perangkat seperti kamera, radiometer, penyiam (scanner), atau sensor lainnya yang diangkut oleh suatu wahana (platform). Banyak alasan mengapa penginderaan jauh sangat bermanfaat (Wiradisastra, 2000): 1. Sangat membantu untuk mengumpulkan data dan informasi dari daerah yang sukar atau tidak mungkin dikunjungi (accessibility rendah) seperti rawa, hutan dll. 2. Memungkinkan untuk meneliti daerah yang luas sekaligus, sehingga hubungan antara satu wilayah dengan lainnya dapat dianalisis (Synoptic view) . 3. Memungkinkan melakukan ulangan pengamatan dengan cermat. Rekaman mengenai obyek, area atau kejadian yang sama dapat diulang dengan hasil yang dapat diperbandingkan, sehingga bermanfaat untuk mendeteksi perubahan (monitoring). 4. Memenuhi persyaratan "skala khusus (Special scale)" atau jarak tertentu untuk melihat sesuatu, seperti membaca tulisan paling baik pada jarak 30 cm dari mata. Melihat hubungan antara area dalam studi suatu daerah aliran sungai misalnya akan lebih baik digunakan data dengan skala < 1:30.000, sebaliknya bila harus mempelajari sebaran rumah penduduk dalam suatu studi permukiman akan dibutuhkan skala 1:5.000. Pada teknik penginderaan jauh memperkecil maupun memperbesar data dapat dilakukan dengan mudah dan tetap valid. 5. Dapat memberikan kemungkinan "stop action" pada kejadian yang diamati. Misalnya kalau diperlukan menghitung burung yang sedang terbang, akan lebih mudah bila memotretnya terlebih dahulu dari pada mengikuti gerakan mereka, demikian juga dalam menghitung satwa liar lainnya.

Transcript of PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992)...

Page 1: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK MENDUKUNG

PEMBANGUNAN PERTANIAN BERKELANJUTAN

I Wayan Sedana

1. Pendahuluan Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk

mengumpulkan informasi mengenai obyek melalui analisis data yang dikumpulkan

melalui suatu perangkat yang tidak berhubungan langsung secara fisik dengan obyek

yang sedang dikaji. Penginderaan jauh berbeda dengan banyak perangkat lain yang

bersifat in-situ sensing yang bersinggungan secara langsung dengan obyek yang diteliti.

Penginderaan jauh memanfaatkan berbagai perangkat seperti kamera, radiometer,

penyiam (scanner), atau sensor lainnya yang diangkut oleh suatu wahana (platform). Banyak alasan mengapa penginderaan jauh sangat bermanfaat (Wiradisastra, 2000):

1. Sangat membantu untuk mengumpulkan data dan informasi dari daerah yang

sukar atau tidak mungkin dikunjungi (accessibility rendah) seperti rawa, hutan

dll.

2. Memungkinkan untuk meneliti daerah yang luas sekaligus, sehingga hubungan

antara satu wilayah dengan lainnya dapat dianalisis (Synoptic view) .

3. Memungkinkan melakukan ulangan pengamatan dengan cermat. Rekaman

mengenai obyek, area atau kejadian yang sama dapat diulang dengan hasil yang

dapat diperbandingkan, sehingga bermanfaat untuk mendeteksi perubahan

(monitoring).

4. Memenuhi persyaratan "skala khusus (Special scale)" atau jarak tertentu untuk

melihat sesuatu, seperti membaca tulisan paling baik pada jarak 30 cm dari

mata. Melihat hubungan antara area dalam studi suatu daerah aliran sungai

misalnya akan lebih baik digunakan data dengan skala < 1:30.000, sebaliknya

bila harus mempelajari sebaran rumah penduduk dalam suatu studi permukiman

akan dibutuhkan skala 1:5.000. Pada teknik penginderaan jauh memperkecil

maupun memperbesar data dapat dilakukan dengan mudah dan tetap valid.

5. Dapat memberikan kemungkinan "stop action" pada kejadian yang diamati.

Misalnya kalau diperlukan menghitung burung yang sedang terbang, akan lebih

mudah bila memotretnya terlebih dahulu dari pada mengikuti gerakan mereka,

demikian juga dalam menghitung satwa liar lainnya.

Page 2: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

6. Kemampuan melihat lebih baik dibandingkan dengan mata. Mengenai hal

terakhir ini akan diuraikan lebih lanjut, pada bagian lain. Teknologi penginderaan yang paling banyak dibicarakan saat ini adalah penginderaan

dengan menggunakan gelombang elektro magnetis. Sumber dari gelombang EM ini

yang sehari-hari kita gunakan adalah sinar matahari. Kita dapat melihat benda pada

waktu siang karena benda-benda, terkena energi yang bersumber dari matahari, yang

kemudian dipantulkannya ke berbagai arah. Bila mata kita tepat berada pada arah

pantulan cahaya (biasa sehari-hari kita sebut sebagai cahaya matahari) maka kita

dapat melihat benda tersebut sesuai dengan tingkat/besarnya energi. Mata adalah

sensor bagi kita masing-masing demikian juga dalam inderaja alat yang dipakai untuk

menangkap pantulan benda disebut sebagai sensor. Sedangkan alat atau pesawat yang

digunakan sebagai cara membawa sensor disebut wahana. Wahana yang paling dekat

dengan bumi adalah menara, kemudian disusul balon atau helikopter dan kapal

terbang biasa. Wahana lain yang jaraknya dapat jauh sekali dari bumi yang direkam

adalah pesawat ulang-alik dan satelit. Penginderaan yang menggunakan sinar matahari yang tersedia tiap siang hari disebut

penginderaan bersifat pasif. Disebut pasif karena ada sumber energi lain yang dapat

dibuat sebagai sumber misalnya radar, maka inderaja dengan radar disebut inderaja aktif.

Sudah sewajarnya sumber energi radar harus dibiayai untuk pengadaannya, itulah

sebabnya pada awalnya inderaja pasif lebih banyak dilakukan dibandingkan inderaja

aktif. Keuntungan yang diperoleh dari cara aktif adalah kebebasan memilih waktu dan

keadaan (cuaca), sehingga mengindera dapat dilakukan kapan saja sesuai kebutuhan

(Wiradisastra, 2000). Sinar tampak mata adalah hanya salah satu dari bentuk energi elektromagnetik.

Gelombang radio, panas, ultra violet, sinar X adalah bentuk-bentuk lain yang sudah

dikenal. Semua bentuk energi tersebut merambat mengikuti hukum perambatan

gelombang. Teori ini menggambarkan bahwa energi elektro magnetik merambat dalam

bentuk gelombang sinusoidal dengan kecepatan cahaya atau c. Jarak antara dua puncak

yang bertururtan disebut sebagai satu panjang gelombang (λ- lambda), sedangkan jumlah

puncak yang melewati titik ada satuan jarak tiap satuan waktu disebut frekuensi v atau c =

vλ. Karena c bersifat konstan sebesar 3x108 m/detik, maka frekuensi v berbanding

2

Page 3: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

terbalik dari panjang gelombang λ. Gambar dibawah menunjukkan panjang gelombang

elektromagnetik yang umum digunakan pada penginderaan jauh optis 2. Pengolahan Awal 2.1 Koreksi Radiometri Koreksi geometri merupakan tipe koreksi yang sangat berkaitan dengan topik tulisan ini.

Hal ini dimungkinkan mengingat koreksi geometri merupakan teknik yang secara

langsung mengubah kenampakan citra penginderaan jauh yang digunakan. Secara ideal/teoritis, fluks radian yang direkam oleh sistem pencitra penginderaan jauh

pada band-band yang digunakan adalah representasi yang akurat dari fluks yang

dipantulkan oleh benda di atas permukaan bumi. Akan tetapi kesalahan atau

penyimpangan dapat terjadi dan masuk dalam subsistem penerimaan sinyal

elektromagnetik. Penyimpangan dapat terjadi akibat alat yang tidak berfungsi sempurna

(malfunction) atau tidak terkalibrasi sempurna. Selain di pihak alat, penyimpangan dapat

pula terjadi akibat efek atmosferik.

3

Page 4: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Kesalahan pada detektor sistem dapat berbentuk line dropouts, striping/banding dan

line-start. Line dropouts dapat terjadi sewaktu sensor malfungsi pada baris tertentu.

Kesalahan ini akan ditampakkan pada citra dengan garis hitam memanjang horisontal.

Mengingat kesalahan ini merupakan kesalahan sistem, maka tidak ada cara apapun

yang dapat digunakan untuk memperbaiki nilai digital yang hilang. Akan tetapi

kesalahan tersebut dapat direduksi untuk kepentingan visualisasi dengan mengestimasi

nilai yang hilang tersebut dengan rataan piksel pada baris sebelumnya dan sesudahnya

(Jensen, 1996). Teknik ini merupakan teknik yang awal sekali dikembangkan. Kadang kala detektor tidak malfungsi sama sekali, tetapi memiliki karakteristik yang

berbeda dengan ciri piksel-piksel sekitarnya. Pada umumnya kondisi yang ada adalah

terjadi ketidakcocokan kontras dan kecerahan dengan piksel-piksel yang lain. Kejadian

ini sering disebut dengan striping. Jika striping ini terjadi secara simultan, maka

fenomena ini disebut dengan banding. Teknik yang dikembangkan untuk line dropouts

dapat digunakan bila baris yang terdegradasi memiliki karakteristik yang mirip dengan

ciri line dropouts. Pendekatan lain yang dapat dilakukan adalah menggunakan

transformasi Fast Fourier (FFT) untuk mengidentifikasi kesalahan-kesalahan tersebut

dan memperbaikinya (Trisasongko and Tjahjono, 1999). Makalah di atas

menggunakan pendekatan UDF (User Defined Function) pada proses masking

spektrum Fourier. Pendekatan ini berbasis pada teknik thresholding pada citra. Hasil

yang didapatkan cukup menjanjikan, meskipun pendekatan teknik yang digunakan

membutuhkan pengetahuan tentang spektrum frekuensi yang cukup dan hasil yang

diperoleh sangat tergantung pada kemampuan analis dalam mengolah citra atau

dengan kata lain subyektivitas masih cukup kuat.

4

Page 5: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

2.2 Normalisasi Topografi Normalisasi topografi sebenarnya merupakan bagian dari kegiatan dalam koreksi

radiometri, namun mengingat besarnya peran proses ini dalam studi vegetasi, maka dalam

makalah ini kegiatan ini dipisahkan dari induk koreksi radiometri. Di samping kejaian kesalahan radiometri di atas, topografi dan lereng permukaan bumi

juga seringkali mengaburkan interpretasi citra. Topografi yang bergunung dapat

menghilangkan sama sekali informasi yang terkandung pada permukaan bumi tersebut.

Ada tiga kelompok besar prosedur pengoreksi topografi yaitu Koreksi Kosinus, Koreksi

Semi Empirik dan Koreksi Statistik-Empirik. Khusus untuk kelompok Koreksi Semi

Empirik, makalah ini akan menyajikan dua metode yang sering digunakan yaitu Koreksi

Minnaert dan Koreksi C. Jumlah pantulan (irradiance) yang mencapai sensor dan direpresentasikan dalam 1 piksel

pada sebuah lereng memiliki hubungan langsung dan proporsional dengan kosinus dari

incidence angle. Sudut incidence adalah sudut yang dibentuk dari garis normal dengan

garis zenith. Asumsi yang dibuat dalam Koreksi Kosinus adalah: (1) permukaan

Lambertian, (2) jarak yang konstan antara matahari dan bumi, dan (3) jumlah pancaran

(illumination) matahari yang konstan. Secara matematis, koreksi ini dinyatakan sebagai

cosθ

LH =L

T cosα0 dimana LH adalah pantulan pada permukaan horisontal, LT adalah pantulan pada

permukaan yang miring, θ0 adalah sudut zenith dan αadalah sudut incidence (Jensen,

1996; Hill et al, 1995). Modifikasi Koreksi Kosinus diperkenalkan oleh Teillet, Guindon dan Goodenough untuk

mereduksi kelemahan-kelemahan Koreksi Kosinus. Modifikasi ini dikenal dengan nama

Koreksi C dan didefinisikan sebagai:

cosθ

+

c LH =L

T cosα0+c dimana c adalah rasio b/m pada persamaan regresi yang akan diterangkan pada Koreksi

Statistik-Empirik.

5

Page 6: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Teillet-Guindon-Goodenough juga memperkenalkan Koreksi Minnaert yang didefinisikan

sebagai berikut:

cosθ

L

H =L

T (

cosα0)k dimana k adalah konstanta Minnaert yang bervariasi antara 0 (bukan permukaan

Lambertian) dan 1 (permukaan Lambertian penuh) (Jensen, 1996). Dalam Koreksi Statistik-Empirik, setiap piksel dalam citra dapat dikorelasikan dengan

iluminasi yang diprediksikan dari model elevasi digital. Koreksi ini dapat didefinisikan

sebagai: LH =LT −cosα.m −b +LT

dimana m adalah kemiringan dari garis regresi linier, b adalah intersep pada garis y dari

garis regresi, dan LT adalah rataan LT untuk piksel-piksel hutan (dari data referensi)

(Jensen, 1996). Aplikasi normalisasi topografi dalam bidang kehutanan dapat ditelaah dalam makalah

Ekstrand (1996) dan Hill et al. (1995). 2.3 Koreksi Geometri Data penginderaan jauh umumnya mengandung galat geometri sistematik dan non

sistematik. Distorsi sistematik dapat diakibatkan oleh scan skew, kecepatan mirror

scanning, distorsi panoramik, kecepatan wahana, rotasi bumi dan efek perspektif.

Sedangkan distorsi non sistematik umumnya diakibatkan oleh ketinggian wahana dan

attitude. Prosedur koreksi geometri yang sering digunakan dan diterapkan oleh pembuat perangkat

lunak pengolahan citra penginderaan jauh adalah koreksi image-to-map dan image-to-

image. Koreksi pertama merupakan jenis koreksi yang sangat dianjurkan mengingat

referensi peta merupakan referensi standar bagi berbagai aplikasi. Mengingat lokasi baru dari piksel tertransformasi sangat jarang cocok dengan lokasi

awal, maka umumnya piksel tertransformasi tersebut akan mengalami interpolasi. Nilai

piksel keluaran akan ditentukan oleh piksel-piksel lain dalam sebuah kelompok

ketetanggaan. Proses interpolasi ini umumnya dikenal dengan nama Resampling.

6

Page 7: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Terdapat tiga algoritma resampling yang dapat dimanfaatkan untuk menentuka nilai suatu

piksel yaitu (a) Tetangga Terdekat (Nearest Neighbour Resampling); (b) Interpolasi

Bilinear (Bilinear Interpolation); (c) Konvolusi Kubik (Cubic Convolution). Ilustrasi

berikut akan menggambarkan perbandingan penetapan nilai piksel dari suatu lokasi baru

A. Bila dilakukan resampling dengan pendekatan Tetangga Terdekat, maka nilai piksel

keluaran akan ditentukan oleh nilai piksel tetanggany dengan jarak spasial yang paling

dekat. Keuntungan dari algoritma ini adalah citra keluaran akan memiliki pola rona atau

warna yang mendekati citra aslinya. Pada Interpolasi Bilinear, nilai piksel keluaran akan

ditentukan oleh rataan terboboti dari empat piksel-piksel tetangganya. Ciri penting dari

teknik ini adalah citra keluaran cenderung kabur (blur) karena terdapat operasi perataan.

Sementara algoritma Konvolusi Kubik lebih mirip dengan Interpolasi Bilinear, namun

menggunakan 16 piksel tetangga. 3. Transformasi Citra 3.1 Indeks Vegetasi Vegetasi merupakan salah satu aplikasi terbesar untuk data penginderaan jauh. Banyak

teknik yang dikembangkan pada pengolahan citra penginderaan jauh berorientasi pada

pencarian karakteristik vegetasi untuk pertanian ataupun kehutanan, termasuk didalamnya

lingkungan. Teknik ini berkembang karena pengumpulan data secara in situ sangat mahal,

memakan waktu dan biaya yang sangat besar dan juga seringkali tidak mungkin

dilakukan, misalnya pada daerah-daerah yang terpencil ataupun daerah bahaya karena

perang. Salah satu pendekatan yang sering digunakan untuk memperoleh informasi

tentang kondisi vegetasi adalah menggunakan Indeks Vegetasi.

7

Page 8: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Indeks Vegetasi merupakan suatu ukuran yang dirancang untuk mereduksi kanal jamak

menjadi kanal tunggal yang mencerminkan informasi spesifik yaitu tentang karakteristik

vegetasi. Indeks vegetasi telah lama sekali digunakan untuk memonitor perubahan

vegetasi temporal yang menggunakan data penginderaan jauh. Perkembangan algoritma

indeks vegetasi dari nilai kecerahan didasarkan atas perubahan energi absorbsi,

transmitan dan reflektan oleh vegetasi pada spektrum elektromagnetik merah dan infra

merah. Beberapa penelitian pendahuluan menunjukkan bahwa rasio infra merah dan

merah berkorelasi kuat dengan jumlah biomas daun hijau. Lyon et al. (1998) mengklasifikasikan indeks vegetasi menjadi tiga kelompok besar yang

didasarkan atas jenis operasi komputasinya yaitu:

1. Kelompok Pengurangan : Difference Vegetation Index, Perpendicular Vegetation

Index

2. Kelompok Pembagian : Ratio Vegetation Index, Soil Adjusted Ratio Vegetation

Index

3. Kelompok Transformasi Rasional : Normalized Difference Vegetation Index,

Soil Adjusted Vegetation Index dan Transformed Soil Adjusted Vegetation

Index.

Beberapa persamaan indeks vegetasi yang umum digunakan adalah sebagai berikut

(Richardson and Everitt, 1992 dalam Lyon, et al., 1998): DifferenceVegetationIndex =Band 4 −a * Band 2

NormalizedDifferenceVegetationIndex =Band

4

−Band

2

Band 4 +Band 2

PerpendicularVegetationIndex =Band

4

−a

*

Band

2

−b

1 +a2

RatioVegetationIndex =Band

4

Band 2

SoilAdjustedRatioVegetationIndex = Band

4

Band 2 +b / a

8

Page 9: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

SoilAdjustedVegetationIndex =(1

+L) * (Band

4

−Band

2)

Band 4 +Band 2 +L

TransformedSoilAdjustedVegetationIndex =a

* (Band

4

−a

*

Band

2

−b)

Band 2 +a * Band 4 −a * b

dimana a = 0.96916, b = 0.084726 dan L = 0.5. Mengingat kajian Indeks Vegetasi tidak terlepas dari sifat inheren dari masing-masing

sensor, pada sub bab berikut akan disajikan hasil penelitian terdahulu menggunakan

sensor-sensor yang umum digunakan untuk studi Indeks Vegetasi. 3.2 Studi Indeks Vegetasi pada Citra NOAA AVHRR Perkembangan studi Indeks Vegetasi secara cepat dimulai dengan dibuktikannya estimasi

dari radiasi aktif fotosintetik yang diintersepsi (yaitu pada panjang gelombang 0.4-0.7

mikron) menggunakan kombinasi data (antar band). Dengan pembuktian itu, Indeks

Vegetasi menjadi populer sebagai sarana pengkajian produksi biomasa dari berbagai

macam tipe vegetasi (Tucker, 1996). Dua aplikasi yang penting dicatat dalam makalah

Tucker (1996) adalah estimasi biomas herbaceous pada padang rumput/steppa dan studi

regional, kontinental dan global. Estimasi biomas mengikuti dasar kaitan antara NDVI dan PAR (Photosynthetically

Active Radiation) yang diintersepsi. Pada waktu pertumbuhan tumbuhan, PAR dan NDVI

berhubungan sangat erat (berkorelasi tinggi) dengan total fotosintesis yang selanjutnya

juga berkaitan erat dengan produksi biomasa kering total. Sebelum kajian ini

menggunakan riil data satelit, percobaan dilakukan terlebih dahulu menggunakan

pengukuran spektral di lapang menggunakan panjang gelombang merah dan infra merah. Data AVHRR juga dapat dibentuk dalam NDVI yang berseri waktu (time series) dan

digunakan untuk mengetahui kemungkinan penetapan tutupan lahan kontinental. Asumsi

yang digunakan dalam kajian ini adalah agregasi besar yang berbeda-beda dari tutupan

lahan akan memiliki perbedaan respons NDVI. Perbedaan magnitude dan variasi waktu

sangat berguna untuk memilahkan atau mengklasifikasikan jenis tutupan lahan. 3.3 Studi Indeks Vegetasi pada Citra Landsat TM Beberapa varian aplikasi dari teknik rasio yang juga menarik dibahas di sini adalah

kekeringan (drought stress) pada pinus (Pinder and McLeod, 1999). Data TM

9

Page 10: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

multitemporal mengindikasikan bahwa rasio reflektansi dari band 5 ke band 4 meningkat

dengan meningkatnya kekeringan. Pinder dan McLeod juga menyatakan bahwa rasio

band 5/4 mendekati nilai 0.42 pada awal musim kering dan sekitar 0.55 pada tengah

musim kering yang panjang. Percobaan Pinder-McLeod ditujukan untuk mengevaluasi

prosedur pengukuran berulang yang mirip menggunakan data Thematic Mapper pada

sebelum, selama dan sesudah musim kering yang panjang. Perubahan variasi spasial pada

reflektansi kanopi selama musim kering dikaji untuk menentukan kemampuan mengukur

variasi spasial pada penurunan pertumbuhan. Parameter utama yang diujikan adalah

jumlah curah hujan, jenis tanah, kerapatan tumbuhan dan ukuran pohon. 3.4 Metode Thresholding Mengingat data keluaran Indeks Vegetasi merupakan data yang “continuous” dan terlalu

rendahnya tingkat kecerahan untuk dibedakan oleh mata (Richards, 1993), maka untuk

lebih mempermudah pengkelasan, umumnya pengguna menggunakan teknik thresholding

atau pemotongan. Salah satu teknik yang dapat digunakan dengan relatif mudah adalah

metode Density Slicing. Density Slicing menekankan pada pencarian atau pengenalan obyek dari histogram

kumpulan piksel. Metode pencarian yang dapat dijadikan patokan adalah pencarian

bentuk sebaran tunggal dari sebuah histogram. Walaupun teknik ini belum banyak

diujicoba potensinya, bentuk sebaran tunggal dapat diyakini merupakan representasi

suatu obyek yang khas. 3.5 Penyaringan (Filtering) Karakteristik penting dari suatu citra penginderaan jauh adalah frekuensi spasial (spatial

frequency). Frekuensi spasial merupakan ukuran frekuensi perubahan dari nilai kecerahan

pada setiap unit jarak tertentu dan terjadi pada bagian tertentu dari citra. Jika frekuensi

perubahan tersebut sangat rendah, maka daerah tersebut dikatakan sebagai area dengan

frekuensi rendah. Daerah ini akan ditandai dengan homogenitas area yang tinggi serta

tingkat pemisahan obyek yang rendah. Citra satelit seringkali mengandung ingar (noise) acak yang bertampalan dengan nilai

kecerahan piksel. Ingar ini dapat berasal dari malfungsi-nya sensor, interferensi

elektronik atau anomali pada pengolahan atau transmisi data. Kenampakannya dapat

menutupi ataupun bahkan menghilangkan sama sekali informasi radiometrik sehingga

akan mempersulit proses klasifikasi. Penyaringan low pass (low pass filter) secara spasial

10

Page 11: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

pada umumnya digunakan untuk mereduksi ingar seperti ini. Penyaring seperti ini

cenderung menghaluskan/mengaburkan kenampakan citra. Frekuensi spasial dapat dimanipulasi dalam analisis citra. Terdapat dua pendekatan utama

dalam manipulasi ini yaitu analisis domain spasial dan analisis domain frekuensi. Analisis

utama dalam domain spasial adalah pentapisan konvolusi (spatial convolution filtering).

Sedangkan pada domain frekuensi, metode Fourier merupakan pendekatan yang paling

banyak dikaji. Tulisan ini tidak membahas domain frekuensi. Proses penyaringan pada domain spasial dilakukan dengan menggunakan konvolusi

dengan ukuran kernel tertentu. Operasi konvolusi menghasilkan nilai piksel yang

merupakan penjumlahan yang terboboti dari nilai piksel yang dikandung oleh suatu

kernel. Kelebihan teknik ini adalah memberikan peluang bagi analis untuk

memprediksikan keluaran citra dari format konvolusi yang digunakan. Pavlidis (1984)

memformulasikan prosedur konvolusi sebagai berikut

n g(x) =∑[h(i)* f (i)]

i=1 dimana g(x) menyatakan hasil konvolusi, f(x) menyatakan nilai awal piksel, h(x)

menyatakan pembobotan dan i menyatakan jumlah piksel dalam suatu kernel. Formulasi

di atas dikenal sebagai filter linier. Ilustrasi penyaringan domain spasial dapat dilihat pada gambar berikut. Terlihat dari gambar di atas, untuk mendapatkan satu nilai piksel dalam citra keluaran

diperlukan kelumpok ketetanggaan dengan ukuran yang khas. Pada ilustrasi di atas,

kelompok ketetanggaan yang dibangun terdiri dari 3 x 3 piksel bertetangga. Ukuran ini

umumnya dikenal dengan istilah ukuran kernel. Ukuran ini dapat bervariasi, tetapi

umumnya dalam satuan ganjil.

11

Page 12: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

3.6 Deskriptor Tekstur Metode lain yang juga dikembangkan untuk mengekstrak informasi lanjutan dari Indeks

Vegetasi adalah penerapan Deskriptor Tekstur hasil penelitian Ricotta, Avena dan Ferri

(1996). Penelitian tersebut bertujuan untuk mendeskripsikan proses yang membangun

keberagaman dalam pencarian pendekatan biomasa tumbuhan. Vegetasi cenderung mencapai bahan organik, spesies dan kompleksitas yang maksimum

sesuai dengan sumberdaya yang tersedia. Konsekuensinya, lingkungan hutan dengan

tingkat organisasi yang tinggi umumnya dicirikan oleh nilai densitas penutupan lahan

yang tinggi dan tingkat yang tinggi dari biomasa homogen secara spasial. Akan tetapi

gangguan-gangguan dari alam dan manusia (antropik) cenderung melemahkan kondisi

ini. Mengingat struktur hutan adalah fenomena spasial, pengukuran secara kuantitatif dari

keberagaman spasial adalah kegiatan penting dalam memahami dinamika dan struktur

bentang lahan. Ukuran kuantitatif ini dapat didekati dengan penggunaan deskriptor

tekstur dari data indeks vegetasi (Ricotta et al., 1996). Dalam studinya, Ricotta et al. (1996) tidak menggunakan nilai asli NDVI mengingat nilai

tersebut berkisar antara –1 dan 1, tetapi menggunakan penskalaan/perentangan menjadi 0-

200 dengan nilai 0 direpresentasikan dengan nilai 100. Karena faktor komputasi dapat

menjadi kendala utama, studi ini menggunakan algoritme perbedaan absolut Rubin.

Secara singkat nilai tekstur Rubin dengan memanfaatkan aturan konvolusi baku dapat

dijelaskan dengan gambar berikut:

A B C … …

D E F … …

G H I … …

… … … … …

… … … … …

Tekstur = |A-B| + |B-C| + |D-E| + |E-F| + |G-H| + |H-I| +

|A-D| + |D-G| + |B-E| + |E-H| + |C-F| + |F-I|

Asumsi yang harus diperhatikan dalam studi ini adalah pengabaian kejadian transmitan

atmosfer (atmospheric transmittance) dan efek angular. Karena homogenitas yang tinggi dari biomasa tumbuhan, tutupan lahan hutan

menunjukkan tekstur yang halus yang dicirikan oleh nilai tekstur NDVI yang rendah.

Sebaliknya, karena heterogenitas yang tinggi pada tutupan lahan non hutan, distribusi

12

Page 13: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

tekstur NDVI sangat tersebar. Dalam grafik, kedua pernyataan tersebut dapat

digambarkan sebagai berikut:

Huta

Jum

lah

Piks

el

Non

Nilai Tekstur 4. Ekstraksi Biomasa dengan SAR (Synthetic Aperture Radar) Karakteristik fisik fenomena-fenomena alam dapat pula diekstrak dari data SAR.

Penggunaan terminologi data SAR digunakan mengingat citra dan karakteristik sinyal

pada data SAR dapat dipertukarkan, sehingga untuk sub bab ini peristilahan akan lebih

mengacu ke data SAR, tidak hanya bertumpu kepada data dalam bentuk citra saja. Bentuk data SAR yang paling sering digunakan untuk mempelajari karakteristik

fenomena fisik alam adalah dalam bentuk koefisien hamburan balik (backscatter

coefficient). Secara khusus, koefisien hamburan balik digunakan oleh Ulaby untuk

memodelkan hamburan balik kanopi hutan yang dikenal dengan nama MIMICS

(Michigan Microwave Canopy Scattering) (Israelsson and Askne, 1995). Konversi citra menjadi data hamburan balik SAR memerlukan pemahaman tentang

format data CEOS SAR Data Format (Trisasongko, 1999) dan aspek-aspek spesifik untuk

masing-masing sensor radar. Teknik konversi ini merupakan teknik yang umum

dilakukan untuk melakukan kalibrasi radiometrik sehingga unsur-unsur look up table

(LUT) dapat dihilangkan (Trisasongko, 1999; Sheperd, 1998). Proses konversi dimulai

dengan pengubahan nilai digital/kecerahan masing-masing piksel menjadi data kecerahan

radar (radar brightness) dengan persamaan berikut: β0

j =10 log10 [(DN 2j +A3) / A2 j ]

13

Page 14: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

dimana DNj adalah nilai digital pada piksel ke-j. Data A3 dan A2 diekstrak dari

Radiometric Data Record yang tersimpan dalam header data SAR (Trisasongko, 1999;

Sheperd, 1998). Proses kedua yaitu pemindahan data kecerahan SAR menjadi data hamburan balik yang

dilakukan dengan memanfaatkan persamaan berikut (Trisasongko, 1999; Sheperd, 1998): σ0

j =β0

j +10 log10 (Sin(I j )) Studi Israelsson dan Askne menunjukkan bahwa penarikan informasi dari bole volume

menggunakan SAR band C setelah divalidasi secara teoritik dengan MIMICS adalah

tidak mungkin. Pada penggunaan band L, pengakjian dimungkinkan sampai 70-80 m3/ha

dengan teknik polarisasi silang. Pada band P, meningkat sampai 120 m3/ha. Studi

tersebut memberikan kesimpulan bahwa frekuensi radar yang digunakan untuk mengkaji

bole volume belum dapat dilakukan secara operasional. Pada umumnya tegakan hutan

yang mature membuat sinyal menjadi saturate (Israelsson and Askne, 1995). 5. Klasifikasi Citra Selain dianalisis secara visual, citra penginderaan jauh seringkali juga dianalisis secara

digital untuk mendapatkan informasi tematik. Klasifikasi multispektral adalah satu

diantara metode yang seringkali digunakan untuk mengekstrak informasi, terutama

informasi penutup lahan. Bila pada pengolahan citra digital, citra penginderaan jauh akan

dianalisis secara kualitatif mengingat peran interpretasi visual yang kuat dalam perolehan

informasi. Sedangkan klasifikasi multispektral menggunakan pendekatan kuantitatif dan

mengurangi subyektifitas pada kegiatan interpretasi. Metode klasifikasi multispektral

dapat menggunakan algoritma-algoritma berikut : (1) Klasifikasi Tegas (Hard Classifier), (2) Klasifikasi Samar (Soft Classifier), dan (3) Klasifikasi Hibrid (Jensen, 1996).

Algoritma Klasifikasi Tegas pada umumnya terbagi menjadi dua kelompok besar yaitu

Kelompok Terbimbing (Supervised) dan Kelompok Tak Terbimbing (Unsupervised). Pada pengolahan citra digital, aspek kualitatif (yaitu visual) merupakan aspek yang

dominan dalam proses ekstraksi informasi. Tetapi pada klasifikasi citra, aspek kuantitatif

merupakan aspek yang sangat menonjol. Klasifikasi multispektral merupakan pendekatan

yang umum digunakan untuk kegiatan pemetaan berbantu komputer dari citra

14

Page 15: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

penginderaan jauh. Pemetaan secara obyektif tersebut didasarkan atas kemiripan spektral

yang diperoleh dan menghasilkan kelas-kelas spektral yang dapat berkaitan dengan kelas

sesungguhnya di permukaan tanah. Langkah pertama dari prosedur klasifikasi adalah pelatihan (training) untuk program

komputer dalam mengenali ciri (signature) kelas yang dikehendaki. Aspek ini penting

karena akan menentukan sukses tidaknya hasil klasifikasi. Dalam proses pelatihan ini,

pengguna akan memasukkan contoh piksel dimana kelas ciri akan dibuat. Terdapat dua

cara untuk membangun ciri kelas dari contoh piksel yang tersedia yaitu tak

terbimbimbing dan terbimbing. Untuk lebih memahami konsepsi prosedur klasifikasi, penjelasan akan dimulai dengan

pengertian statistika dasar peubah tunggal (univariate) dan peubah jamak (multivariate).

Kemudian penjelasan akan lebih diarahkan ke konsepsi matematis yang mendasari

algoritma klasifikasi. 5.1 Statistika Peubah Tunggal Mengingat data citra memiliki unit tunggal (piksel) yang sangat banyak, pemahaman

tentang sebaran (distribusi) merupakan aspek yang sangat penting. Gambar berikut

memberikan penjelasan tentang berbagai macam sebaran yang sering dijumpai oleh analis

(Jensen, 1996).

Distribusi Normal Distribusi Multimodal Distribusi Uniform

Negatively Skewed Distribution Pelatihan Dosen Tentang Teknologi Informasi

15

Untuk Menajemen Sumber Daya Alam. Bogor, 9 –21 Agustus 2004

Page 16: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Pengetahuan ini penting mengingat banyak metode pengolahan/klasifikasi citra

penginderaan jauh mengasumsikan sebaran normal untuk nilai kecerahan piksel yang ada.

Namun pada kenyataannya, banyak citra penginderaan jauh yang tidak mengikuti sebaran

normal, melainkan skewed ataupun bahkan multimodal. Pada kondisi ini selayaknya teori

statistika non parametrik-lah yang digunakan sebagai dasar analisis. Aspek lain yang banyak bermanfaat adalah histogram. Dari data histogram, analis dapat

menentukan kualitas gambar yang sedang dikerjakan, baik dalam hal kecerahan

(brightness) ataupun kontras (contrast). Beberapa pendekatan yang sering digunakan dalam penetapan statistika deskriptif peubah

tunggal adalah modus, median dan mean. Modus adalah nilai yang paling sering muncul

dalam pencacahan. Median adalah nilai tengah dari sebaran frekuensi yaitu setengah dari

area dibawah kurva sebaran. Sedangkan mean adalah rataan aritmetik dan didefinisikan

sebagai jumlah semua observasi dibagi dengan jumlah observasi. Dua parameter lain yang juga penting adalah ragam (variance) dan deviasi standar

(standard deviation). Ragam dari sebuah contoh dalah rataan deviasi kuadrat dari semua

observasi yang mungkin dari mean contoh. Secara matematis dapat disimbolkan sebagai

berikut: n

∑(BVik −µk )2

var = i=1

k n

Bagian pembilang dari persamaan di atas sering disebut dengan corrected sum of squares

(SS). Jika mean contoh (µk) adalah mean populasi, maka ragam memiliki pengukuran

yang akurat. Untuk ragam contoh penyebut dari persamaan di atas diganti menjadi n-1. Deviasi standar adalah akar kuadrat positif dari ragam. Dalam persamaan matematis

dapat ditunjukkan dengan: sk = vark Nilai yang kecil dari deviasi standar menunjukkan bahwa observasi menunjukkan

gerombol yang erat di sekitar nilai tengah. Total area di bawah kurva sebaran normal

16

Page 17: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

adalah 100% atau 1.00. Pada tipe sebaran ini, 68.27% dari observasi jatuh dalam +/- 1

deviasi standar, 95% dalam +/- 2 deviasi standar dan 99% dalam +/- 3. 5.2 Statistika Peubah Jamak Penginderaan jauh sensor optik banyak bekerja dengan data multi dimensi (dalam hal ini

band). Oleh karena itu ukuran statistika yang digunakan adalah ukuran peubah jamak

(multivariate). Dua ukuran utama yang paling sering digunakan adalah kovarian dan

korelasi. Sekalipun kedua ukuran ini paling banyak diterapkan di proses klasifikasi,

aplikasi ukuran ini masih dimungkinkan pada bidang lain, yaitu dalam analisis komponen

utama (principal component analysis). Mengingat ukuran spektral dari individu piksel mungkin tidak independen, kebutuhan

akan interaksi mutual antar band menjadi penting. Ukuran interaksi yang menjajikan

variasi/varian gabungan dari variabel-variabel umumnya dikenal dengan kovarian. Untuk

menghitung kovarian, perlu diketahui terlebih dahulu informasi tentang corrected sum of

products (SP) yaitu (Davis, 1973):

n SPkl =∑(BVik −µk )(BVil −µl) i=1 Komputasi SP dapat disederhanakan menjadi (Jensen, 1996) : n n

n ∑BVik ∑BV

il

SPkl =∑(BVik * BVil ) − i=1 i=1

n

i=1

Kovarian dihitung dengan persamaan (Davis, 1973) :

SP cov

kl =

n −kl1

Untuk mengestimasi tingkat hubungan antar band, ukuran korelasi digunakan untuk

keperluan ini. Korelasi adalah rasio dari kovarian dibandingkan dengan deviasi standar

masing-masing band.

r =cov

kl kl sk sl

17

Page 18: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Korelasi memiliki kisaran antara –1 dan 1. Koefisien korelasi mendekati 1 berarti terdapat

hubungan kuat yang positif antar nilai piksel pada band-band, sedangkan koefisien

mendekati –1 berarti terdapat hubungan kuat yang negatif. Korelasi nol menunjukkan

tidak adanya hubungan yang linier antar band. Pada umumnya penyajian kovarian dan

korelasi dilakukan dalam bentuk tabel agar hubungan antar band dapat lebih terintegrasi

dalam menganalisis. 6. Klasifikasi Tak Terbimbing Dalam mendefinisikan area contoh untuk pelatihan klasifikasi, analis tidak perlu mencari

area yang homogen, bahkan seringkali dicari daerah yang sangat beragam untuk

memastikan bahwa semua kelas yang memungkinkan dan variabilitas di dalamnya

terbentuk. Piksel-piksel contoh tersebut kemudian akan dimasukkan dalam algoritma

gerombol yang akan menentukan pengelompokan alami dalam ruang feature berdimensi

jamak. Setiap gerombol diasumsikan merepresentasikan distribusi peluang (probability

distribution) untuk setiap kelas. Pelabelan (penamaan) kelas dapat dilakukan setelah

penggerombolan contoh ataupun setelah penggerombolan semua piksel dalam citra. Penetapan gerombol intrinsik dalam data contoh dapat dilakukan dengan berbagai macam

cara. Metode yang paling umum digunakan adalah algoritme k-means. Algoritma gerombol yang disajikan berikut ini beroperasi pada dua iterasi (pass). Pada

iterasi pertama, algoritma membaca seluruh data dan secara sekuen membangun

gerombol (kumpulan dari titik pada ruang spektral). Vektor rataan akan diasosiasikan

dengan setiap gerombol. Pada iterasi kedua, metode klasifikasi jarak minimum (minimum

distance to mean) digunakan pada seluruh data, piksel demi piksel pada rataan kelas yang

terbentuk. Pada iterasi pertama, algoritma membutuhkan masukan data seperti: jarak radius pada

ruang spektral (R), jarak ruang spektral (C), Jumlah piksel yang dievaluasi diantara

penggabungan besar dari gerombol (N) dan Jumlah maksimum gerombol (Cmax). Pada

kebanyakan perangkat lunak pengolah citra penginderaan jauh, parameter ini dapat

ditentukan secara default. Secara umum, gambaran tentang penggerombolan (clustering) dapat dijabarkan pada

gambar-gambar berikut:

18

Page 19: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

(Jensen, 1996) Citra Asli Algoritme K-means Algoritme Isodata 7. Klasifikasi Terbimbing Pada klasifikasi terbimbing, analis menggunakan pengetahuan yang telah didapatkan

sebelumnya yang dapat berasal dari hasil ekstraksi informasi/interpretasi foto udara, peta

dan lain-lain. Pengetahuan ini akan digunakan untuk mengidentifikasi piksel-piksel

contoh dan menetapkan kelas ciri yang bersesuaian. Parameter-parameter statistika yang

19

Page 20: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

penting diturunkan dari contoh kelas tersebut dan digunakan untuk mengkelaskan ciri

yang mirip dari sebuah piksel. Pemilihan kumpulan contoh yang representatif sangat penting pada klasifikasi

terbimbing. Pencarian daerah yang homogen dan memiliki kisaran variabilitas yang baik

akan menentukan keberhasilan klasifikasi. Aspek statistika lain yang penting adalah

jumlah piksel yang digunakan untuk mengestimasi ciri kelas. Jika pengklasifikasi Bayes

maximum likelihood dan asumsi distribusi normal (normal class distribution) yang

digunakan, vektor rataan kelas dan matriks kovarian harus dihitung (Schowengerdt,

1983). Swain (1978) menyatakan bahwa untuk mendapatkan statistik kelas yang

memenuhi syarat, piksel contoh yang diperlukan berkisar antara 10 – 100. Sebelum menjalankan algoritme klasifikasi, seringkali pengguna menentukan training

area yang digunakan untuk melihat ciri-ciri statistika masing-masing calon kelas.

Mengingat data penginderaan jauh pada umumnya berkanal jamak, maka untuk setiap

contoh piksel akan didapatkan sebuah vektor pengukuran sebagai berikut: Xc = [BVij1, BVij2, …, BVijk] dimana BVijk menyatakan nilai piksel (brightness value) untuk piksel ke-i,j dan pada

band ke-k. Selanjutnya akan didapatkan pula vektor pengukuran rataan untuk setiap kelas

sebagai berikut: Mc = [µc1, µc2, …, µck] dimana µck merepresentasikan nilai rataan dari data yang diperoleh untuk kelas c pada

band k. Selain itu bisa didapatkan pula matrik kovarian pada setiap kelas c sebagai

berikut:

Covc11 Covc12 ... Covc1n

Cov ... Cov

Cov c21 c22 c2n

Vc =Vckl = ... ...

......

Cov ... Cov

Cov cn2 cnn

cn1

dimana Covckl adalah kovarian dari kelas c dari band k sampai l. Untuk mempersingkat,

pada umumnya notasi di atas dapat disingkat menjadi Vc.

20

Page 21: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Aturan keputusan dalam algoritma kemungkinan maksimum akan bertindak sebagai

penentu penggolongan setiap piksel ke dalam kelas yang bersesuaian yaitu dengan

menempatkan piksel atas dasar kemiripan atau kemungkinan yang paling tinggi. Hal ini

mengasumsikan bahwa statistik dari data training set untuk setiap kelas dan setiap band

menyebar secara normal (Gaussian). Aturan keputusan pada algoritma ini dapat

dinotasikan sebagai berikut: Tentukan X ada dalam kelas c, jika dan hanya jika: Pc ≥Pi, i adalah kelas ke-1, 2, …, m Pc = { -0.5loge[det(Vc)]} – [0.5(X-Mc)TVc

-1(X-Mc)] dimana det(Vc) adalah determinan dari matriks kovarian Vc. Untuk mengklasifikasikan

vektor X dari sebuah piksel ke dalam suatu kelas, aturan keputusan akan menghitung nilai

Pc untuk setiap kelas. Barulah kemudian piksel tersebut akan dikelompokkan ke dalam

kelas yang memiliki nilai maksimum. Persamaan di atas mengasumsikan bahwa setiap kelas memiliki kemungkinan kejadian

yang sama pada permukaan bumi. Kejadian pada data penginderaan jauh menunjukkan

bahwa ada kemungkinan kejadian yang tinggi bagi suatu kelas daripada kelas yang lain.

Sebagai ilustrasi, bila kelas air mendominasi suatu citra, maka dapat diharapkan bahwa

akan semakin banyak piksel yang akan dikelaskan sebagai air. Dengan demikian,

dimungkinkan untuk memasukkan informasi a priori pada pengambilan keputusan dalam

klasifikasi. Pemasukan informasi ini dapat dilakukan dengan pembobotan setiap kelas c

dengan kemungkinan a priori ac sehingga: Tentukan X ada dalam kelas c, jika dan hanya jika: Pc(ac) ≥Pi(ai), i adalah kelas ke-1, 2, …, m Pc(ac) = loge(ac) - { -0.5loge[det(Vc)]} – [0.5(X-Mc)TVc

-1(X-Mc)] Aturan keputusan Bayes di atas identik dengan aturan keputusan kemiripan maksimum,

kecuali bahwa Bayes tidak mengasumsikan kesamaan kemungkinan pada setiap kelas.

21

Page 22: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

DAFTAR PUSTAKA Avery, T.E. and G.L. Berlin. 1992. Fundamentals of Remote Sensing and Airphoto

Interpretation. Fifth Edition. Prentice Hall. Upper Saddle River, New Jersey. Davis, J.C. 1973. Statistics and Data Analysis in Geology. John Wiley & Sons. New

York. Ekstrand, S. 1996. Landsat TM-based Forest Damage Assessment: Correction for

Topographic Effects. Photogrammetric Engineering and Remote Sensing. Vol.62. No. 2. pp. 151-161.

Hill, J., W. Mehl and V. Radeloff. 1995. Improved Forest Mapping by Combining

Corrections of Atmospheric and Topographic Effects in Landsat TM Imagery. In Sensors and Environmental Applications of Remote Sensing. J. Askne (ed.). A.A. Balkema. Rotterdam. The Netherlands.

Israelsson, H. and J. Askne. 1995. Retrieval of Forest Biomass Using SAR. In Sensors

and Environmental Applications of Remote Sensing. J. Askne (ed.). A.A. Balkema. Rotterdam. The Netherlands.

Jensen, J.R. 1996. Introductory Digital Image Processing: A Remote Sensing Perspective.

Second Edition. Prentice Hall. Upper Saddle River, New Jersey. Lyon, J.G., D. Yuan, R.S. Lunetta and C.D. Elvidge. 1998. A Change Detection

Experiment Using Vegetation Indices. Photogrammetric Engineering and Remote Sensing. Vol.64. No. 2. pp. 143-150.

Pavlidis, T. 1984. Graphics Algorithms and Image Processing. Computer Science Press.

New York. Pinder III, J.E. and K.W. McLeod. 1999. Indications of Relative Drought Stress in

Longleaf Pine from Thematic Mapper Data. Photogrammetric Engineering and Remote Sensing. Vol. 65, No. 4. pp. 495-501.

Richards, J.A. 1993. Remote Sensing Digital Image Analysis: An Introduction. Springer

Verlag. Berlin, Germany. Ricotta, C., G.C. Avena and F. Ferri. 1996. Analysis of Human Impact on a Forested

Landscape of Central Italy with a Simplified NDVI Texture Descriptor. International Journal of Remote Sensing. Vol. 17, No. 14. pp. 2869-2874.

Schowengerdt, R.A. 1983. Techniques for Image Processing and Classification in

Remote Sensing. Academic Press. New York. Sheperd, N. 1998. Extraction of Beta Nought and Sigma Nought from RADARSAT CDPF

Products. Canadian Space Agency Report No. AS97-5001. Ottawa, Canada. Swain, P.H. 1978. Fundamentals of Pattern Recognition in Remote Sensing. In Remote

Sensing: The Quantitative Approach. P.H. Swain and S.M. Davis (eds.). McGraw Hill. New York.

22

Page 23: PENGOLAHAN CITRA PENGINDERAAN JAUH UNTUK ......1. Pendahuluan. Menurut Avery and Berlin (1992) Penginderaan jauh diartikan sebagai suatu teknik untuk mengumpulkan informasi mengenai

Trisasongko, B.H. 1999. Radarsat Image Processing: Interpretation for Mangrove and

Geomorphology. Introductory Course Radar Imagery. BPPT. Jakarta. Trisasongko, B.H and B. Tjahjono. 1999. Reducing Artifacts Using Fourier

Transformation: Cases in Landsat TM and Radarsat. Franco-Indonesia Space Industry and High Tech Conference. Jakarta.

Tucker, C.J. 1996. History of the Use of AVHRR Data for Land Applications. In

Advances in the Use of NOAA AVHRR Data for Land Applications. G. D’Souza, A.S. Belward and J-P. Malingreau (eds.). Kluwer. Doordrecht, The Netherlands.

Wiradisastra, U.S. 2000. Komunikasi personal.