Teknik Penginderaan Jauh

download Teknik Penginderaan Jauh

of 36

  • date post

    06-Jul-2018
  • Category

    Documents

  • view

    257
  • download

    7

Embed Size (px)

Transcript of Teknik Penginderaan Jauh

  • 8/16/2019 Teknik Penginderaan Jauh

    1/36

     

    TPJ I 

    1. Pengenalan Software Pengolah Citra (ER Mapper) (hal 1)

    2. 

    Pengenalan dan Pengolahan Citra Inderaja (hal 4)

    3.  Menyimpan Citra Hasil Olahan (hal 10)

    4.  Menampilkan Data Statistik Citra dan Menghitung

    Nilai Optimum Indeks Faktor (OIF) (hal 12)

    5. 

    Restorasi Citra (hal 16)

    TPJ II

    6.  Klasifikasi Citra Tak Terbimbing (hal 20)

    7.  Klasifikasi Citra Terbimbing (hal 25)

    8. 

    Rektifikasi Geometris Citra (hal 30)

    9. 

    Tingkat Ketelitian Hasil Interpretasi (34)

    10.  Pembuatan Peta Citra (37)

  • 8/16/2019 Teknik Penginderaan Jauh

    2/36

     

    Oleh : Sisno, SJ.

    PRODI DIPLOMA III

    PERENCANAAN SUMBERDAYA LAHAN/ILMU TANAH

    FAKULTAS PERTANIAN

    UNIVERSITAS JENDERAL SOEDIRMAN

    2016

  • 8/16/2019 Teknik Penginderaan Jauh

    3/36

     

    PUSTAKA

    Aronoff, Stan. 1989. GIS : a Management Perspective, WDL. Publication, Ottawa.Attenuci John C. 1998. GIS a Guide to Technology. John Wiley and Sons, New York.

    Bennema J., and H.F. Gelens, 1969,  Aerial Photo-interpretation for Soil Surveys. 

    International Institute for Aerial Survey and Earth Sciences, ITC., Netherlands

    Borrough, Peter A. 1986.  Principles of GIS for Land Resources Assesment . Claderon

    Press, Oxford.

    Curran, Paul J., 1985.  Principles of Remote Sensing . London, Longman

    Danoedoro, Projo. 1996.  Pengolahan Citra Digital, Teori dan Aplikasi dalam Bidang

     Penginderaan Jauh. Fakultas Geografi Universitas Gadjah Mada, Yogyakarta

    Goozen, D., 1967. Aerial Photo interpretation in Soil Survey. Soils Bull. 6, FAO, Rome

    Jensen, John R., 1986.  Introductory Digital Image Processing. A Remote Sensing

     Perspective. Prentice-Hall International, A Division of Simon & Schuster, Inc.,

     New Jersey.

    Lillesand, T.M. dan R.W. Kiefer, 1994.  Remote Sensing and Image Interpretation.

    Third Edition. John Wiley and Sons, New York.

    Myers, Victor I., 1979. Remote Sensing Applications in Agriculture, in Manual of Remote

    Sensing Interpretation and Applications. American Society of Photogrammetry,

    vol II., ch 33, p. 2180-2182

    Mulders, M.A., 1987. Remote Rensing in Soil Science. Department of Soil Science and

    Geology, Agricultural Univ. of Wageningen, Netherlands. ESEVIER-Amsterdam.

    Paul Suharto. 1989. SIG : apa, Mengapa, dan Bagaimana.  Buletin Survey dan Pemetaan,

    Volume 7 Nomor 1 Tahun 1989.

    Short. 1982. The Landsat Tutorial Workbook, Basic of Satellite Remote Sensing . NASA

    Reference Publication 1078. Washington.

    Sisno. 2002. Pemanfaatan Data Landsat TM dan SIG untuk Kajian Sebaran Salinitas

    Tanah., Tesis S2 Program Studi Penginderaan Jauh, UGM, Yogyakarta

    Sisno, 2009. Materi Kuliah Penginderaan Jauh No. 344.K/PNT.1.FP/12/2009. Fakultas

    Pertanian Unsoed. Purwokerto

    Sutanto. 1986. Penginderaan Jauh Jilid 1 dan 2. Gadjah Mada University Press,

    Yogyakarta.

    Swain, P.H. and S.M. Davis, 1978.  Remote Sensing : The Quantitative Approach. 

    McGraw-Hill International Book Company. New York.

    Verstappen H. Th., 1977. Remote Sensing in Geomorphology. Elsevier Scientific

    Publishing Company. Amsterdam.

    Vink, A.PA., 1975.  Land Use in Advancing Agriculture. Berlin/Heidelberg: Springer.

  • 8/16/2019 Teknik Penginderaan Jauh

    4/36

     

    Acara 1 Pengenalan Software Pengolah Citra (ER Mapper)

    A. Teori :

    ER Mapper adalah salah satu  software  pengolah citra yang sering digunakan

    untuk mengolah data awal yang berasal dari citra (foto udara, citra radar, maupun citra

    satelit). Hingga sekarang ini ER Mapper telah banyak digunakan di kalangan

     pemerintah, akademik, dan swasta terutama untuk menampilkan, mengolah,

    menganalisis, dan memanipulasi data citra untuk suatu tujuan tertentu. ER Mapper dapat

    dijalankan pada workstation  dengan sistem operasi UNIX dengan sistem operasi

    Windows NT dan Windows 95/98. ER Mapper mapu dengan mudah menampilkan danmengolah data raster; menampilkan dan mengedit data vektor; atau menghubungkan data

    raster/ vektor dengan data dari sistem informasi geografik mapun sistem manajemen

     basis data (database management ).

    ER Mapper bekerja menggunakan konsep pengolahan data yang dinamakan

    algoritma (algorithm) yang memisahkan data citra dari tahapan-tahapan pengolahan citra

    (image processing).  ER Mapper didesain secara khusus untuk pengolahan data spasial

    (kebumian) untuk berbagai keperluan seperti : pemantauan lingkungan; manajemen dan

     perencanaan kota; manajemen sumberdaya hutan; evaluasi sumberdaya lahan; eksplorasi

    mineral, minyak bumi dan gas; manajemen sumberdaya air; manajemen sumberdaya

     pantai dan laut; dan mitigasi bencana alam, seperti banjir, longsor, kebakaran hutan, dan

    stunami.ER Mapper pertama kali diluncurkan oleh Earth Resource Mapping Pty. Ltd . San

    Diego, California USA sekitar tahun 1980-an yaitu ER Mapper Versi 5.0 yang

    menyajikan kemampuan pengolah citra digital yang lengkap. Perkembangan berikutnya

    adalah ER Mapper Versi 5.5, ER Mapper Versi 6.0; dan ER Mapper versi 6.4; dan yang

    terbaru adalah ER MAPPER Versi 7.0. Kemajuan piranti lunak pengolah citra digital ini

    masih merupakan suatu  pre launching   terhadap versi-versi selanjutnya, sehingga tidak

    mengherankan dalam waktu yang relatif cepat terjadi perubahan versi yang cukup

    spektakuler, terutama pada modul kompresi datanya.

    B. Tujuan

    1. Menginstall ER Mapper ke dalam Personal Computers Unit (CPU)

    2. Membuka dan menjalankan program ER Mapper untuk pengolahan data.

    3. Mengenal dan memahami prinsip kerja ER Mapper

    C. Bahan dan Alat

    1. Seperangkat komputer yang dilengkapi dengan CD Room dan USB Mass Storage

     Device Manager .

    2. Program ER Mapper (versi 6.4 atau versi 7.0)

    3. Cakram (CD) atau Flashdisk untuk penyimpanan data hasil praktikum.

    1

  • 8/16/2019 Teknik Penginderaan Jauh

    5/36

     

    D. Cara Kerja

    1. Hidupkan komputer, catat spesifikasi hardware dan software yang telah diinstall di

    komputer (terutama yang berkaitan dengan data grafis).

    2. 

    Install program ER Mapper yang disediakan ke CPU sesuai sesuai petunjuk (demo).

    3. Buka Program ER Mapper dengan klik dua kali icon ER Mapper pada desktop.

    Catat menu utama (main menu) dan kegunaannya yang ada pada program tersebut

    dalam bentuk tabel hasil pengamatan.

    E.  Hasil Pengamatan

    1.  Spesif ikasi komputer yang sedang dijalankan  (tuliskan pada tabel di bawah ini) 

    No Jenis/ macam Tipe / merek Kapsitas Kegunaan

    1

     Laptop Aspire

    (LCD monitor) 4732Z 14.0 inch -

    2 Processor

     Intel Pentium

     Dual core CPU,

    T4400

    2.2 GHz; 800MHz Pengolah data

    3 Memory . . . . . . . . . . . . . . 1 GBSimpan data

     sementara

    4 Harddisk . . . . . . . . . . . . . . 320 GB Simpan data

    5 Drive (DVD) . . . . . . . . . . . . . . GT31N Penggerak

    cakram

    6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

    7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

    9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

    10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

    Gambar 1. Laptop ASPIRE 4732Z dengan prosesor : Pentium®

     Dual core CPU, T4400, 2.2 GHz, 1 GB Memory

    2

  • 8/16/2019 Teknik Penginderaan Jauh

    6/36

     

    2. Spesif ikasi Program Er Mapper yang dijalankan  :

    1. 

    Jenis program : Tuliskan spesifikasi program yang saudara jalankan (Misal :

    ERMapper 6.4 produksi Earth Resource Mapping Pty. Ltd . San Diego, California)

    2.  Menu Utama : Tulis dalam tabel di bawah ini macam, bentuk, dan kegunaan dari

    menu utama yang ada pada program saudara

    Menu

    UtamaBentuk Kegunaan

     Menu bar Huruf :

    1. File

    2. Edit

    3. ……. 

    - Menjalankan setiap operasi program

    1.   Membuka file yang akan dikerjakan

    2. 

     Mengedit data

    3.  ….. 

    Toolbar Gambar :

    1.

    2.

    3 …. 

    - Menjalankan operasi program secara otomatis

    1.  Membuka file data algorithma ke jendela windows

    2. 

     Menyimpan data algorithma

    3.  ……

    Tool tips Tulisan di

    bawah tool-

    bar button

    1. ……….. 

    2.

     Menambah keterangan operasi pada toolbars yang

    dijalankan :

    1. 

     Menyimpan data algorithma

    2. 

    ……………….. 

    3

  • 8/16/2019 Teknik Penginderaan Jauh

    7/36

     

    Acara 2.

    Pengenalan dan Pengolahan Citra Inderaja

    A. Teori

    Citra atau Image adalah gambaran obyek permukaan bumi atau dekat permukaan

    dalam suatu bidang datar. Gambaran obyek fisik permukaan bumi atau dekat permukaan

     bumi yang terkait dengan teknologi Inderaja berupa fisiografi daerah, bentuk lahan,

    vegetasi, tubuh air (sungai, danau, waduk, rawa, laut), tanah, batuan, awan, bangunan,

     jalan, pola jalan, pola aliran air dan sebagainya. Citra diperoleh melalui suatu teknologi

     penginderaan jauh yang dapat divisualisasikan pada layar monitor sebagai data raster

    maupun data vektor, atau dapat ditampilkan dalam suatu hasil cetak (hardcopy). Citra

    yang sering digunakan di Indonesia untuk kajian sumberdaya lahan dapat berupa citra

    foto udara yang diperoleh melalui fotografi, citra satelit (MSS, Landsat, SPOT, NOA)

    yang diperoleh melalui hasil scanning (penyiam), dan citra radar yang diperoleh melalui

     perekaman gelombang radio(radar).

    Untuk mendapatkan informasi yang diliput dalam suatu citra dilakukan melalui

    interpretasi secara visual dan atau digital. Secara visual, interpretasi dilakukan pada citra

    monoskopis maupun citra strereoskopis. Secara digital, interpretasi dilakukan

    menggunakan komputer yang dilengkapi software pengolah citra menggunakan metode

    klasifikasi spektral. Salah satu  software  yang biasa digunakan untuk membantu

    mendapatkan informasi obyek yang direkam pada suatu citra digital adalah ER Mapper.

    Melalui teknologi pengolah citra tersebut, data yang terekam pada citra dapat diolah,

    dianalisis dan dimanipulasi sedemikian rupa sehingga menghasilkan suatu keluaran(output ) baru yang sangat berguna untuk berbagai keperluan pembangunan, diantaranya

    adalah untuk evaluasi kemampuan dan kesesuaian lahan, evaluasi kesuburan lahan,

    evaluasi kerusakan tanah akibat erosi dan longsor, monitoring perkembangan kota,

    monitoring kebakaran hutan, prediksi dan monitoring bencana alam, eksplorasi

    sumberdaya alam, dan sebagainya.

    Citra umumnya disimpan dalam pita magnetik (magnetic tape), hard disk,

    dan penyimpan data lain dalam format penyimpanan GeoTIFF (.Tiff), ARC/INFO BILL

    (.hdr), JPEG, LAN, dan sebagainya dalam struktur data raster dan vektor. Untuk bisa

    dibuka dan diolah menggunakan ER Mapper harus diekspor/ ditransformasi dahulu. Data

    raster adalah tipe data yang menjadi bahan utama kegiatan pengolahan citra. Pada saat

    import data, ER Mapper akan membuat dua file baru, yaitu (1) file data binari yang berisikan data raster dalam format BIL ( Binary Interleaved by Line) tanpa file extention,

    dan (2) file header   dalam format ASCII dengan extention  *.ers.  Data vektor adalah

    salah satu jenis data masukan yang disimpan dalam bentuk titik ( point ), garis (line) dan

    area ( polygon). ER MAPPER akan mengkonversi data vektor tersebut dalam dua buah

    file data, yaitu (1) file data ASCII yang mengandung data vektor, dan (2) file header  

    dalam format ASCII dengan extention *.erv.

    Cara yang digunakan untuk bisa melihat tampilan citra menggunakan ER Mapper

    adalah (1)  pseudocolor , (2) red-green-blue  (RGB), dan hue-saturation-intensity  (HSI).

    Dalam ER Mapper, pilihan warna untuk tampilan citra tersebut dinamakan dengan color

    mode. Semua informasi dalam suatu citra disimpan dalam bangunan dasar algoritma

    yang meliputi sumber data, warna-warna yang digunakan untuk tampilan, dan tahapan-tahapan pengolahan data secara detil. Color mode  sebagai salah satu alat (tools) yang

    4

  • 8/16/2019 Teknik Penginderaan Jauh

    8/36

     

    digunakan untuk mengolah citra yang terdiri dari satu atau lebih saluran spektral (band )

    secara bersama-sama dalam aneka kombinasi warna yang diinginkan user. Fasilitas lain

    yang disediakan ER Mapper diantaranya adalah  filter   (untuk mempertajam tampilan),

     formula  (untuk mengkombinasikan data band-band suatu citra), mosaik (untukmenggabungkan dua atau lebih citra yang saling bertampalan), dynamic link   (untuk

    menghubungkan data eksternal dengan data raster citra), statistik (untuk menghitung

    informasi spektral dan spasial suatu citra), klasifikasi (untuk mengklasifikasikan gugusan

     piksel yang mempunyai kisaran nilai spektral tertentu), rektifikasi (untuk melakukan

    koreksi radiometris, dan/ atau geometris suatu citra), dan layout (tampilan citra yang

    sudah diolah untuk dapat dicetak).

    B.  Tujuan

    1. 

    Mengetahui karakteristik visual tampilan obyek air, tanah/ bangunan, dan vegetasi

    yang terekam pada citra penginderaan jauh.2. 

    Mengimpor, menampilkan dan menyimpan citra digital

    3.  Mengenali data statistik citra

    4. 

    Mengkroping dan menyusun mozaik data citra

    5.  Membedakan kualitas citra Landsat dengan SPOT untuk kajian spasial

    C.  Bahan dan Alat

    1.  Seperangkat komputer yang dilengkapi piranti lunak ER Mapper

    2.  Citra penginderaan jauh, meliputi :

    a. 

    Citra Landsat ETM

     b.  Citra SPOT 5, dan

    c. 

    Peta RBI dan Peta Tentatif (Peta Geologi dan Peta Tanah)

    D.  Cara Kerja :

    Tampilan Citra greyscale (hitam putih) pada Saluran tunggal (Monospektral) :

    1.  Cari dan catat spesifikasi atau keterangan dari berbagai sumber yang dapat sudara

    akses untuk lebih mengenali ke dua citra satelit tersebut.

    2.  Buat folder baru dengan nama dan NIM saudara di drive C:/Nama_NIM 

    3. 

    Buka Program ER Mapper.

    4. Buka dataset yang ada dengan cara klik New Image Windows pada Toolbar , dan

    klik View Algorithm for Image Window; kemudian klik Load Dataset nya.

    5. Pada jendela Raster dataset , pilih file data citra yang akan dibuka dan kemudian

    klik Apply dan klik OK.

    6. Pada jendela Algorthm, klik  Layer , dan kemudian periksa dan catat macam dan

     jumlah saluran spektral (band) dari file data.yang sedang dibuka; kemudian klik

     Run Algorithm (GO), maka citra akan ditampilkan pada jendela algorithm dengan

    warna pseudo ( greyscale color ), amati dan catat tampilan citranya.

    7. 

    Pada jendela Algorithm klik Surface  dan gantilah color table-nya dari

     pseudocolor menjadi  greyscale, ampphase, elevation, rainbow,  spectrum, dan

    unique  yang terdapat pada  Lookup Table, amati dan catat perubahan warnatampilan citra yang muncul.

    5

  • 8/16/2019 Teknik Penginderaan Jauh

    9/36

     

    Gambar 2. Membuat folder baru dengan nama_NIM saudara untuk menyimpan citra

    hasil olahan dan laporan yang saudara buat.

    Gambar 3. Prosedur dan tampilan citra Landsat ETM Pseudolayer-Greyscale pada

     Band1.

    Tugas : 1. Bandingkan tampilan citra Landsat ETM pada Band2, Band3,

     Band4, Band5 dan Band7); tampilan pada Band berapa yang

     paling jelas menurut visual saudara ?; mengapa demikian ?.

    2. Berapa panjang gelombang (µm) dari ke-6 Band spektral citra Landsat ETM tersebut.

    6

  • 8/16/2019 Teknik Penginderaan Jauh

    10/36

     

    Tampilan Citra berwarna (RGB) pada beberapa Band (Multispektral) :

    8.  Pada jendela Algorthm, klik kanan pada [Ps]:  Default Surface  dan klik (ganti)

    dengan  Red Green Blue. Kemudian gantilah  Pseudo Layer   di bawah kolom

    default surface dengan Red sehingga menjadi Red Layer .

    9.  Klik krusor di kolom  Red Layer   dan kemudian copy (duplicate) dua kali,

    sehingga muncul 3 kolom Red Layer. 

    10. Dengan klik kanan pada mouse, gantilah kolom ke-2 dan kolom ke-3 ( Red Layer )

    masing-masing menjadi Green Layer  dan Blue Layer .

    11. Kemudian pada kolom  Load Dataset , ganti atau isikan Band3 untuk  Red Layer ,

    Band2 untuk Green Layer ; dan Band1 untuk  Blue Layer . Perhatikan dan catat

     perubahan tampilan citranya. (Tampilan citra tersebut adalah tampilan citra

    [RGB]: TRUE COLOR).

    Gambar 4. Prosedur merubah tampilan citra greyscale Monospektral menjadi

    tampilan citra komposit warna [RGB]

    7

  • 8/16/2019 Teknik Penginderaan Jauh

    11/36

     

    Gambar 5. Tampilan citra Landsat ETM komposit (Multispektral) [RGB]: 321

    (warna asli/ true color)

    Transformasi spektral (memperjelas tampilan citra komposit warna (RGB ) :  

    12. Guna memperjelas tampilan, klik Create default linier transform-nya, pilih dan

    gantilah dengan Histogram equalized.

    Gambar 6. Prosedur memperjelas tampilan citra komposit warna [RGB]: 321 melaluitransformasi histogram citra menggunakan metode Histogram equalized.

    8

  • 8/16/2019 Teknik Penginderaan Jauh

    12/36

     

    Gambar 7. Tampilan citra komposit warna [RGB]: 321 setelah ditransformasi

    menggunakan metode Histogram equalized dan kurva histogramnya.

    Tugas : 1. Bandingkan dengan tampilan citra sebelum dengan sesudah

    ditransformasi menggunakan metode Histogram equalized.

    2. Buat dan amati tampilan citra Landsat ETM komposit [RGB]:

    342, 432, 357, dan 743. Catatlah perubahan warna obyek

    vegetasi hutan dan sawah dari seluruh tampilan citra

    komposit RGB yang saudara buat tersebut !.

    9

  • 8/16/2019 Teknik Penginderaan Jauh

    13/36

     

    Acara 3.

    Menyimpan Citra Hasil Olahan

    A. Teori

    Pada dasarnya semua citra digital yang telah terekam oleh sensor dan disimpan

    dalam format yang dapat dibaca oleh program pengolah citra akan dapat ditampilkan

     pada layar monitor. Format penyimpanan file data citra hasil olahan menggunakan

    ERMapper antara lain dalam bentuk GeoTiff/ tiff; Windows BMP (.bmp); JPEG (.jpg);

    ESRI BILL and GeoSPOT (.hdr); ER Mapper Virtual Dataset (.ers); ER Mapper Raster

    Dataset (.ers); dan ER Mapper Algorithm (.alg). Selain itu data hasil olahan seperti peta

    vektor (.erv), tampilan citra 3 dimensi, tabel, dan hasil alahan khusus menggunakan

    fungsi matematik juga dapat disajikan secara interaktif melalui program ER Mapper ini.

    Agar citra hasil olahan nantinya dapat dengan mudah ditampilkan/ ditayangkankembali dan diolah lebih lanjut, maka semua file data hasil olahan harus disimpan dalam

    folder terpisah dari folder sumber data yang diolah. Semua jenis file data hasil olahan

    disimpan dengan nama file  yang sederhana, singkat dan mudah diingat. Satu file data

    dapat disimpan dalam berbagai format (.tiff, .hdr, .ers, dan alg), misal : SbgLandsat.hdr;

    SbgLandsat.ers; SbgLandsat.alg; SbgLandsat.tiff, dan SbgLandsat.erv).

    B. Tujuan

    1. Menata berbagai file data hasil olahan seefektif dan seefisien mungkin sehingga

    mudah dicari, ditayangkan kembali, dikelola dan dimanfaatkan oleh pengguna

    untuk berbagai tujuan.2. Menyimpan citra hasil olahan dalam format Virtual Dataset dan Raster Dataset

    (.ers), Algorithma (.alg), dan GeoTiff (.tiff).

    C. Bahan

    1. Citra Landsat ETM multispektral (6 saluran spektral)

    2. Citra SPOT 5 Pankromatik dan SPOT 5 Multispektral.

    D. Cara Kerja

    1. 

    Setelah tampilan citra pada Acara 2 benar-benar dinilai sudah OKE banget, maka pada menu utama klik File > Save As atau klik ikon Save As..

    2.  Pada jendela Save As.. simpanlah file data tersebut pada foler simpanan yang

    saudara buat sebelumnya (C:\Nama_NIM\ ...........) dengan nama yang mudah

    suadara ingat, misal : SbgLandsat 432. Format simpanan yang saudara lakukan berturut-turut adalah : .tiff, .hdr. .ers. dan .alg

    10

  • 8/16/2019 Teknik Penginderaan Jauh

    14/36

     

    Gambar 8. Jendela penyimpanan file data citra hasil olahan pada folder

     saudara (Nama_NIM) dengan nama: SbgLandsat.tiff (simpanan

    berikutnya adalah SbgLandsat.hdr; SbgLandsat.ers (virtual dan

    raster); dan SbgLandsat.alg).

    11

  • 8/16/2019 Teknik Penginderaan Jauh

    15/36

     

    3

    )(

    3

    1

    1

      j

    rj s

     Ab

    OIF 

    Acara 4.

    Menampilkan Data Statistik Citra dan Menghitung NilaiOptimum Indeks Faktor (OIF)

    A. Teori

    Pada dasarnya semua citra digital mengandung informasi/ data statistik yang

    dapat ditayangkan menggunakan fungsi algorithma. Data statistik dalam suatu citra

     berupa : (1) jumlah saluran spektral; (2) jumlah piksel atau luas area liputan (dalam

    hektar dan acre); (3) resolusi spasial/ ukuran piksel; (4) tingkat kecerahan piksel (dalam

    8 bit atau 256 tingkatan); dan (5) koordinat citra. Data statistik tersebut sangat penting

    dan diperlukan pada waktu interpretasi citra. Pada citra multispektral, semua obyek

    liputan pada suatu daerah yang sama direkam menggunakan sensor dengan beberapa

    saluran spektral sekaligus. Citra Landsat ETM menyajikan tampilan obyek pada daerah

    liputan yang sama pada 8 saluran spektral sekaligus. Citra SPOT 5 menampilkan obyek

    liputan pada daerah yang sama pada 4 saluran multi spektral dan 1 saluran pankromatik

    dengan resolusi spasial yang berbeda.

    Pada citra multispektral yang ditampilkan secara komposit (RGB), perbedaan

    nilai spektral obyek-obyek yang terekam pada citra sangat berguna untuk meningkatkan

    kemampuan interpreter dalam mengenali dan membedakan obyek-obyek yang terekam.

    Sebagai contoh, suatu obyek (gugusan pixel) tertentu pada saluran spektral tertentu

    (misalnya : TM2) masih dapat dikenali dengan baik dan memiliki korelasi yang positif

     pada saluran spektral yang lain (misal, TM3). Hubungan informasi spektral obyek yangterekam antar beberapa saluran spektral cenderung bersifat linier. Semakin tinggi nilai

    koefisien korelasi antar saluran (misal TM2 dengan TM3) menunjukkan kedua saluran

    spektral tersebut cenderung memiliki kemampuan untuk menampilkan informasi obyek

    yang sama, sehingga kedua saluran spektral tersebut kurang dapat diandalkan untuk

    analisis multispektral. Untuk mengetahui tampilan citra multispektral yang paling baik

    (berkualitas) untuk membedakan berbagai jenis obyek yang terekam dilakukan analisis

    Optimum Indeks Faktor (OIF). Besarnya nilai OIF diukur dari simpangan baku (standard

    deviasi) dan nilai koefisien korelasi (correlation matrix) tiap saluran yang

    dikompositkan. Semakin tinggi nilai OIF-nya, menunjukkan citra komposit yang

    digunakan semakin baik.

    . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

    OIF = Optimum indeks faktor

    Sk = Simpangan baku 3 saluran spektral yang dikompositkan

    Abs = Besarnya nilai korelasi antar saluran spektral dari tiga slauran spektral

    yang dikompositkan.

    12

  • 8/16/2019 Teknik Penginderaan Jauh

    16/36

     

    937,0962,0931,0963,0

    931.15122,9622,7

    OIF 

    5,129961,0)289,0(388,0

    833,8647,15299,12

    OIF 

    Contoh : Citra Landsat 7 ETM+ yang ditampilkan pada kombinasi saluran

    spektral RGB 321, menunjukkan nilai statistik sebagai berikut :

    Maka nilai OIF-nya adalah :

    Bila citra yang sama ditampilkan pada kombinasi saluran RGB 432, maka nilai

    OIF-nya adalah :

    Contoh di atas, menunjukkan bahwa tampilan citra Landsat ETM dengankomposit [RGB]: 432 mepresentasikan kenampakan obyek-obyek terekam yang lebih

     baik dibanding tampilan citra pada kombinasi [RGB]: 321.

    13

  • 8/16/2019 Teknik Penginderaan Jauh

    17/36

     

    B. Tujuan

    1. Mengetahui nilai statistik citra Landsat ETM dan citra SPOT 5

    2. Mengetahui manfaat/ kegunaan nilai statistik yang ada pada citra Landsat ETM

    dan SPOT 5.3. Menghitung besarnya korelasi antar saluran dan nilai OIF citra Landsat ETM dan

    SPOT 5.

    C. Bahan1. Citra Landsat ETM multispektral

    2. Citra SPOT 5 multispektral.

    D. Cara Kerja

    Menampilkan Citra Hasil Olahan :

    1. 

    Tampilkan citra yang saudara simpan dalam forder saudara, catat jenis citra dan jumlah saluran spektralnya.

    2. 

    Pada menu utama klik Process klik Calculate Statistics..... Pada kotak Calculate

    Statistics.. buka dataset citra yang akan diketahui nilai statistiknya (file.ers), klik

    OK. Tunggu sampai proses penghitungan selesai, kemudian tutuplah semua

     jendela perintah yang tampak.

    3.  Pada menu utama klik View.. klik Statistics....klik Show Statistics.. Pada kotak

    Input Dataset pada jendela Statistics Report.. isikan file data yang baru

    dikalkulasi, dan kemudian klik Display., maka muncul jendela Display Dataset

    Statistics.

    Gambar 9. Jendela perintah untuk proses pengkalkulasian data statistik citra

    14

  • 8/16/2019 Teknik Penginderaan Jauh

    18/36

     

    4.  Perhatikan data statistik yang ada pada jendela Display Dataset Statistics tersebut.

    Gambar 10. Tampilan data statistik citraLandsat ETM 6 Band (pada jendela

    tersebut Band 6 sebenarnya adalah Band 7).

     Keterangan :

    1.  Citra Landsat tersebut terdiri dari 6 saluran spektral dan tiap-tiap saluran

     spektral terdiri dari 425152 piksel dengan luas area liputan 38282,613

    hektar atau 94598,404 acre.

    2.   Nilai pantulan spektral minimum terjadi pada Band7 yaitu 12 dan

    maksimum terdapat pada semua Band. Beda nilai pantulan spektral

    (maksimum  –   minimum) pada Band1, Band2, Band3, Band4, Band5, dan

     Band7 berturut-turut adalah 200; 216, 227, 236, 237, dan 243. Hal ini

    menunjukkan tingkat kekontrasan pantulan spektral obyek pada Band1 yang

     paling rendah dan pada Band7 paling tinggi;

    3.  Standar deviasi pada tiap saluran spektral berbeda-beda, yaitu 35,232

    (Band1); 37,101 (Band2); 40,815 (Band3); 26,197(Band4), 34,009 (Band5),

    dan 32,000 (Band7).

    4. 

     Korelasi antar saluran antara Band2 dengan Band3 adalah 0.991, Band2dengan Band5 adalah 0,908; dan Band3 dengan Band5 adalah 0,912.

    Tugas :

    1.   Menggunakan persamaan 2, hitunglah Nilai OIF-nya bila citra Landsat

    tersebut ditampilkan pada kombinasi spektral [RGB]: 354; [RGB]: 471 dan

    [RGB]: 432. Citra komposit manakah yang terbaik.

    2.   Lakukan penghitungan statistik pada citra SPOT 5 Multispektral.

    15

  • 8/16/2019 Teknik Penginderaan Jauh

    19/36

     

    Acara 5

    Restorasi Citra

    A. Teori

    Pada dasarnya semua citra digital yang telah terekam oleh sensor dan disimpan

    dalam format yang adapat dibaca oleh program pengolah citra akan dapat ditampilkan

     pada layar monitor. Melalui layar monitor tersebut, akan dapat dilihat dengan jelas

    kualitas citranya apakah baik atau buruk. Penilaian kualitas citra dapat ditentukan secara

    kualitatif dan/ atau secara kuantitatif. Karena hampir semua citra penginderaan jauh

    tidak lepas dari “kesalahan” yang diakibatkan oleh mekanisme perekaman sensornya,

    gerak dan ujud geometri bumi, serta kondisi atmosfer pada waktu perekaman, maka

    diperlukan restorasi citra.

    Restorasi citra dilakukan guna meningkatkan kualitas citra yang ditampilkanmelalui layar monitor sehingga mempermudah penurunan informasi baru dari suatu

    kenampakan obyek yang terekam pada citra untuk tujuan tertentu. Restorasi citra

    umumnya dilakukan untuk meningkatkan kualitas radiometrik dan kualitas geometrik

    citra. Kualitas radiometrik citra dinilai berdasarkan enak tidaknya gambar dalam

     pandangan dan benar tidaknya informasi spektral obyek yang ditampilkan dan tercatat

    oleh sensor. Kualitas geometrik citra dinilai secara kuantitatif berdasarkan benar atau

    salahnya bentuk serta posisi obyek pada citra dengan kondisi sebenarnya di lapangan

    atau pada peta dengan proyeksi tertentu.

    Penilaian kualitas citra dapat dilakukan secara absolut mengacu pada tolok ukur

    yang jelas, seperti persentase liputan awan, banyaknya drop-out baris, serta korelasi antar

    saluran. Penilaian kualtas citra secara relatif dapat dilakukan berdasarkan potensi citrauntuk suatu aplikasi tertentu, seperti aplikasi survei geologi, hidrologi, pedologi,

    mineralogi, vegetasi, tata kota, urbanisasi, dan survei penggunaan lahan.

    Koreksi radiometris citra umumnya dilakukan dengan pengisian kembali baris

    yang kosong (drop out ) pada waktu awal pelarikan, dan meningkatkan nilai kecerahan

    citra akibat gangguan atmosfer. Koreksi radiometrik dapat dilakukan dengan cara antara

    lain : (a) penyesuaian histogram, (b) penyesuaian regresi, bdan (c) kalibrasi bayangan.

    Asumsi yang digunakan dalam koreksi radiometrik citra menggunakan metode

     penyesuaian histogram adalah bahwa semua obyek yang memberikan respon spektral

     paling rendah atau tidak memberikan respon sama sekali nilainya 0 (nol). Apabila

    ternyata nilainya lebih besar dari 0 (nol), maka nilai tersebut dihitung sebagai offset , dan

    koreksi dilakukan dengan mengurangi keseluruhan nilai pada saluran tersebut dengan

    offset nya.

    Dalam praktiknya, peningkatan kualitas radiometrik citra juga dapat dilakukan

    dengan menggunakan beberapa operasi pengolahan citra , seperti penajaman citra (image

    enhancement ) dan pemfilteran ( filtering ). Penajaman citra dilakukan melalui operasi

     perentangan kontras (contrast stretching ) dan ekualisasi histogram (histogram

    equalization). Dalam beberapa program pengolah citra, operasi penajaman citra

    dilakukan menggunakan proses transformasi ctra, yaitu :

    BV input   –  BV min

    BV output = ----------------------------------- x 255 . . . . . . . . . . . . . . . . . .3BV maks –  BV min

    16

  • 8/16/2019 Teknik Penginderaan Jauh

    20/36

     

    BV output   adalah nilai kecerahan baru hasil transformasi, BV input   adalah

    sembarang nilai kecerahan piksel pada citra yang menjadi masukan, BV min dan BV

    maks adalah nilai kecerahan piksel minimum dan maksimum pada citra asli. Nilai

    koefisien 255 dimaksudkan untuk mendapatkan citra baru dengan julat antara 0-255.Pemfilteran ( filtering ) adalah suatu cara untuk mengekstraksi bagian data

    tertentu dari suatu himpunan data dengan menghilangkan atau memanipulasi bagian data

    yang tidak diinginkan. Terdapat dua macam teknik operasi pemfilteran yang biasa

    diterapkan pada suatu citra, yaitu :  High-pass filter  dan Low-pass filter .  High-pass filter

    menghasilkan citra dengan variasi kecerahan yang lebih besar dari citra aslinya,

    sebaliknya  Low-pass filter   menghasilkan citra dengan variasi kecerahan yang lebih

    rendah atau memperhalus kenampakan citra.

    Koreksi geometris citra dilakukan dengan penempatan kembali posisi piksel

    sedemikian rupa sehingga diperoleh tampilan citra yang memiliki sistem koordinat dan

    skala yang sesuai. Koreksi geometri citra dilakukan berdasarkan data rujukan yang

    diperoleh dari hasil pengukuran koordinat geografi di lapang dan/ atau di peta. Ada tigametode operasi algoritma untuk koreksi geometris, yaitu (a) nearest neighbor, (b) bi-

    linear, dan (c) cubic convolution.

    Untuk koreksi radiometris dan koreksi geometris, ER Mapper telah dilengkapi

    dengan fasilitas penajaman kontras dan filtering secara otomatis melalui perintah  Edit

    Transform Limits  dan  Edit Filter (Kernel), serta  Rectification  dengan tipe rektifikasi

     polynomial  dan triangulated   dan rectification sampling nearest neighbor, bilinear, dan

    cubic. Tingkat ketelitian koreksi geometris dapat dilihat dari RMS-error yang terdapat

    dalam jendela GCP Editnya, umumnya kurang dari 0.04.

    B. Tujuan

    1. Memperbaiki kesalahan radiometri citra

    2. Memperbaiki kesalahan geometri cita

    C. Bahan

    1. Citra Landsat TM

    2. Peta Rupa Bumi Daerah Kajian

    D. Cara Kerja

    Restorasi Radiometr ik Ci tra

    A. Penajaman Citra

    1. 

    Buka citra Landsat ETM multispektral pada pseudolayer dan pilih Band1 ( panjang

    gelombang () = 0.485 µm). Pada jendela Algorithm klik Edit Transform Limits.

    Pada jendela Transform, catat  Histogram style-nya (=  De-Quantized ), klik Create

    default linear transform dan catat Actual Input Limit -nya (nilai 55 to 255).

    2.  Pada jendela Transform terdapat sembilan kotak pilihan metode transformasi

    (koreksi) radiometris yang disediakan, pilih dan klik Create autoclip transform,

    kemudian klik Refresh Image dan perhatikan perubahan bentuk kurva

    transformasi yang muncul pada jendela transform. Dan perhatikan

     perubahan tampilan citranya.

    3. 

    Lakukan transformasi lagi menggunakan metode yang lain (misal :  Histogramequalize, Gaussian equalize, Level slice transform, atau lain ).

    17

  • 8/16/2019 Teknik Penginderaan Jauh

    21/36

     

    4.  Lakukan hal yang sama pada band-band yang berikutnya dan bandingkan hasilnya.

    (A)

    (B)

    (C)

    Gambar 11. Citra Landsat ETM pada Band1:(A) sebelum direktifikasi radiometris,

    (B) ditransformasi menggunakan metode autoclip transform; dan

    (C) ditransformasi menggunakan metode histogram equalize.

    Tugas : Citra Landsat pada saluran spektral berapakah yang menunjukkan

    tampilan yang paling baik (paling cerah) dan berikan penjelasan

    berdasarkan teori yang saudara pelajari.

    18

  • 8/16/2019 Teknik Penginderaan Jauh

    22/36

     

    B. Pemfilteran

    5.  Buka lagi file Citra pada saluran pseudolayer dan pilih Band 1 (0.485 µm). Pada

     jendela Algorithm klik  Edit Filter (Kernel) . Pada jendela filter, aktifkan

    kotak  Process at dataset resolution. Catat nomor baris, nomor kolom, deskripsi,

    tipe filter, dan matriknya.

    6.  Pada kolom  Filter filename  lakukan drop-down dengan kursor, dan pada jendela

     Load filters  pilih dan klik  filter_Gaussian, klik  std_dev_1.6.ker , kemudian klik

    OK .

    7.  Perhatikan perubahan isi jendela Filter-nya, catat data-data yang ditampilkan

    tersebut.

    8.  Kemudian pada jendela Algorithm, klik GO. Perhatikan dan catat perubahan

    tampilan citranya.

    9. 

    Lakukan cara yang sama dengan filter yang lain yang terdapat pada jendela  Load

     filters.

    Gambar 12. Tampilan citra Landsat ETM pada Band1yang difilter menggunakan

     Filter Gaussian Standar Deviasi 1.6 Kernel.

    Tugas : Lakukan pemfilteran pada Citra Landsat ETM komposit

    [RGB: 432, 351, 735, dan 321

    19

  • 8/16/2019 Teknik Penginderaan Jauh

    23/36

     

    Acara 6

    Klasifikasi Citra Tidak Terbimbing

    (Unsupervised Classification)

    A. Teori

    Klasifikasi multispektral adalah bagian penting dari pengolahan citra untuk

    menurunkan informasi tematik dengan cara mengelompokkan fenomena yang terwakili

    oleh gugusan piksel dengan nilai spektral tertentu pada beberapa saluran sekaligus. Untuk

    mendapatkan informasi baru yang akurat maka diperlukan alat bantu berupa informasi

    lapangan atau informasi dari peta/ citra lain yang sudah terklasifikasi, seperti penggunaan

    lahan, kelerengan, tekstur tanah, kadar bahan organik, kadar air, dan sebagainya.Asumsi yang digunakan dalam klasifikasi multispektral ini adalah fakta bahwa

    setiap obyek di permukaan bumi cenderung menampilkan pola respon spektral yang

    spesifik. Semakin sempit dan semakin banyak saluran spektral yang digunakan akan

    membuahkan hasil yang semakin teliti. Seperti halnya operasi lain dalam pengolahan

    citra, klasifikasi multispektral membutuhkan informasi statistik citra setiap saluran.

    Semakin banyak informasi statistik yang dibutuhkan maka semakin rumit algoritmanya,

    dan semakin lama proses eksekusi klasifikasinya. Umumnya semakin banyak informasi

    statistik yang dibutuhkan, hasilnya semakin teliti.

    Klasifikasi multispektral citra secara digital dapat dilakukan menggunakan

    metode Klasifikasi Terbimbing (Supervised classification) dan Klasifikasi Tidak

    Terbimbing (Unsupervised classification). Kalsifikasi terbimbing dilakukanmenggunakan kunci area (keys area) yang sudah dikenali dengan baik oleh seorang

    interpreter kebenarannya di lapang. Sedangkan Kalsifikasi tidak terbimbing seluruh

     proses klasifikasi spektral dilakukan oleh komputer berdasarkan nilai pantulan spektral

    obyek yang direkam oleh sensor, dan hasilnya baru dilakukan perbaikan/ pembetulan dan

     penamaan klas obyek oleh interpreter berdasarkan pengalamannya.

    Pada setiap proses klasifikasi multispektral, misalkan dalam 10 kelas, dapat

    dipastikan akan terjadi gugusan piksel yang tidak terkelaskan. Oleh komputer, gugusan

     piksel tersebut akan dikelaskan secara tersendiri dalam kelas :  NonClass,  dengan

    demikian hasil klasifikasi akan muncul sejumlah 11 kelas. Hal yang paling umum dalam

    klasifikasi multispektral ctra ini dilakukan untuk menyusun klasifikasi Liputan/Tutupan

    Lahan ( Land cover ). Dalam banyak hal, klasifikasi multispektral juga sering digunakanuntuk mengetahui kelas-kelas lahan secara spesifik melalui proses formulasi spektral

    (manipulasi spektral), seperti kelas kerapatan vegetasi, kelas sebaran salinitas tanah, kelas

    tekstur tanah, kelas lereng, kelas kesesuaian lahan, kelas permukiman, dan untuk

     penyusunan peta jenis tanah, peta tingkat bahaya erosi, dan peta kerawanan/ bencana

    alam. Dalam kegiatan praktikum ini hanya akan dilakukan praktik klasifikasi penutupan

    lahan menggunakan metode Kalsifikasi Tak Terbimbing (Unsupervised classification),

    menggunakan citra Landsat TM dalam beberapa kombinasi saluran spektral.

    B. Tujuan

    Membuat Peta Klasifikasi Tutupan Lahan ( Landcover Classification)20

  • 8/16/2019 Teknik Penginderaan Jauh

    24/36

     

    C. Bahan dan Alat

    1. Seperangkat komputer yang dilengkapi piranti lunak ER Mapper

    2. Citra Landsat multispektral.

    D. Cara Kerja

    1.  Buka citra SPOT5 multispektral, tampilkan pada komposit [RGB]: 342 dan

    simpanlah dengan nama SPOT5SBG.ers dan SPOT5SBG.alg.

    2.  Lakukan eksekusi statistik citra yang akan diklasifikasi (Acara 4).

    3.  Pada menu utama klik  Process klik Clasifications, klik  ISOCLASS Unsupervised

    classifications. 

    Gambar 13. Tampilan citra sebelum diklasaifikasi, dan menu perintah klasifikasi

    tidak terbimbing (unsupervised classification). 

    4.  Pada jendela Unsupervised Classification, pada kotak  Input Dataset   cari dan

    tampilkan citra yang akan diklasifikasikan (SPOT5SBG.ers). Pada kotak Output

     Dataset : simpanlah citra hasil klasifikasi yang akan diperoleh pada forder

     pekerjaan saudara dengan nama lain(SPOT5SBG_KLAS).

    5.  Pada kotak  Autogenerate  : isikan 1; pada  Maximum iterations: isikan 1000 dan

     pada  Maximum number of classes  isikan 8. dan Klik: OK (artinya : diharapkan

    nilai spektral atau piksel pada citra SPOT5 tersebut akan dikelompokkan menjadi 8

    Kelas Penutupan Lahan, yaitu :

    Kelas Keterangan Kelas Keterangan

    0 Piksel yang tidak dikelaskan 5 Sawah

    1 Hutan Lindung 6 Tegalan

    2 Hutan Rakyat, Belukar 7 Pekarangan, Permukiman

    3 Kebun Campur 8 Awan

    4 Tanah Terbuka

    21

  • 8/16/2019 Teknik Penginderaan Jauh

    25/36

     

    Gambar 14. Tampilan jendela unsupervised classification.

    6. 

    Tunggulah hingga proses klasifikasi spektral yang dilakukan oleh komputer

    selesai, kemudian klik OK dan Close.

    Gambar 15. Proses klasifikasi tidak terbimbing ( unsupervised classification).

    7.  Buka file citra yang telah diklasifikasikan tersebut. Gantilah (klik kanan)  Pseudo

     Layer  di bawah [Ps] Default Surface dengan  Display Class. Kemudian kalkulasi

    statistiknya.

    8.  Pada menu utama klik :  Edit, kemudian klik Edit Class/Region Color Name..Pada

     jendela  Edit Class/Region Details.. pada baris Dataset bukalah file citra hasil

    klasifikasi yang telah dikerjakan (SPOT5SBG_KLAS.ers). Klik  Auto-gen colors..Dan pada jendela Auto-generate colors pada baris Red Band  buka dan pilih 3: Red

     Layer , pada Green Band  buka dan pilih 2: Green Layer ; dan pada Blue Band  buka

    dan pilih 1: Blue Layer . Kemudian klik Auto-gen. 

    9.  Lakukan perbaikan warna tiap-tiap klas yang terbentuk pada jendela Edit

    Class/Region Details-nya. Warna dipilih sesuai selera tetapi kalu mungkin

    disesuaikan dengan pewarnaan pada peta RBI. Setelah selesai klik : Save, dan

    tutuplah semua jendela perintah yang ada, kecuali Menu Utama-nya.

    10. 

    Buka kembali citranya, dan rubahlah Pseudo Layer  di bawah [Ps] Default Surface 

    dengan Display Class.

    22

  • 8/16/2019 Teknik Penginderaan Jauh

    26/36

     

    Gambar 16. Merubah warna kelas tutupan lahan hasil klasifikasi tidak terbimbing. 

    23

  • 8/16/2019 Teknik Penginderaan Jauh

    27/36

     

    Gambar 17. Tampilan citra sebelum (A) dan sesudah klasifikasi tidak terbimbing

    citra SPOT5 [RGB]: 342. 

    Gambar 18. Tampilan nilai statistik hasil klasifikasi

    24

  • 8/16/2019 Teknik Penginderaan Jauh

    28/36

     

    Acara 7

    Klasifikasi Citra Terbimbing

    (Supervised Classification)

    Langkah kerja :

    1.  Buka citra SPOT5SBG.ers (multispektral), dan lakukan kalkulasi statistiknya.

    2.  Pada menu utama klik Edit, klik: Edit/Create Regions.. 

    3. 

    Pada jendela  New Map Composition.. Klik  Raster Region, dan pada kotak  Load

     from file: buka data citra yang akan diklasifikasikan.Kemudian klik: OK.

    Gambar19. Menu awal klasifikasi terbimbing citra SPOT5 multispektral.

    25

  • 8/16/2019 Teknik Penginderaan Jauh

    29/36

     

    4. Dari menu utama klik ikon Edit Algorithm.., dan buka file data yang akan

    diklasifikasikan dalam bentuk komposit

    [RGB]: 342. Klik ikon  ZoomBox Mode 

    dan lakukan perbesaran pada obyek yangakan digunakan sebagai kunci area.

    Kemudian menggunakan ikon  Poligon 

     pada menu Tools  lakukan deliniasi, dan

    sambungkan dengan klik ikon  Merge

     Polylines. Beri nama ”area” tersebut

    dengan klik ikon Display/Edit Object

    Attributes (misalnya : HUTAN)

    Gambar 20. Menu Tools untuk pemilihan dan deliniasi kunci area.4.  Lakukan pembuatan kunci area jumlah kelas yang diinginkan. (misalnya : Tanah

    Terbuka, Kebun Campur, Tegalan, Sawah berair, Sawah yang ditumbuhi tanaman

     padi, Semak Belukar, Permukiman). Setelah selesai simpanlah file tersebut

    dengan klik ikon Save File pada menu Tools.. Tutup semua jendela perintah yang

    ada.

    Ikon untuk penyimpanan

    hasil pembuatan kunci area.

    Gambar 21. Kunci area berupa SAWAH.

    5. 

    Lakukan eksekusi statistik citra yang baru dibuatkan kunci areanya tersebut.

    6. 

    Pada Menu utama, klik  Process > Classification > Supervised classification.

    Pada kotak  Input Dataset   buka citra yang telah dibuatkan kunci areanya. Pada

    kotak Input Band  : tulis All; dan pada kotak Output Dataset  : tulis nama file yang

    terklasifikasikan nantinya (misal : spot5sbg_class.ers). Pada kotak tipe klasifikasi

     pilih  Maximum Likelihood Enhanced > Maximum Likelihood Enhanced >

     Maximum Likelihood Standard . Klik OK. Tunggu sampai selesai, lalu klik : OK.

    26

  • 8/16/2019 Teknik Penginderaan Jauh

    30/36

     

    Gambar 22. Proses klasifikasi terbimbing menggunakan metode MaxLikelihood. 

    7.  Tutup semua perintah dan lakukan eksekusi statistik kembali.

    8.  Pada Menu Utama klik : Edit > Edit Class/Region Color and Name... Pada jendela

    Edit Class/Region Details, pada kotak Dataset bukalah citra yang telah

    iklasifikasikan. Kemudian klik Auto-gen colors. Pada jendela Auto-generate color  

    isilah setiap kotak  Red Band, Green Band , dan Blue Band  masing-masing dengan

     Red Layer, Green Layer , dan Blue Layer . Kemudian Klik :  Auto-gen. Selanjutnyasimpanlah editing color tersebut dengan klik Save. 

    9.  Bukalah file tersebut seperti biasanya (menggunakan menu algoritma). Gantilah

     Pseudo Layer   di bawah [Ps]:  Default Surface  dengan Class Display  maka citra

    yang telah terklasifikasi akan muncul. Buka lagi Edit Class/Region Color and

     Name-nya. Lakukan perbaikan nama kelas pentupan lahannya sesuai warna yang

    muncul, dan kemudian disimpan dengan klik Save.

    10. Lakukan eksekusi statistiknya, kemudian perikasalah hasilnya.

    27

  • 8/16/2019 Teknik Penginderaan Jauh

    31/36

     

    Gambar 23. Prosedur perbaikan warna dan nama kelas hasil klasifikasi. 

    28

  • 8/16/2019 Teknik Penginderaan Jauh

    32/36

     

    11. 

    m

    Gambar 24. Prosedur perbaikan warna dan nama kelas hasil klasifikasi (1). 

    29

  • 8/16/2019 Teknik Penginderaan Jauh

    33/36

     

    Acara 8

    Rektifikasi Geometri Citra

    Langkah Kerja :

    1.  Pada menu utama (menubar) klik Process, Klik : Geocoding Wizard..., dan pada

     jendela Geocoding Wizard Step 1 of 5..,  pada 1) Start pada kolom Input File buka

    citra yang akan direktifikasi (berekstensi .ers) dan klik OK.

    Gambar 25. Menu perintah koreksi geometri citra (Geocoding Wizard Step1 of 5) Pada 1)Start dipilih citra yang akan direktifikasi.

    2.  Klik Step 2)  TriangulationSetup, dan klik  Rectify area outside GCPs using ;

    kemudian klik Step3)GCP Setup, klik Geocoded image, vector or algorith, dan

     buka citra yang akan digunakan untuk rektifikasi (citra yang sudah memiliki

    koordinat) dan klik Save. 

    Gambar 26. Pada 3)GCP Setup dipilih citra yang akan digunakan untuk merektifikasi

     secara geometris (dengan Geodetic datum: WGS84, Geodetic rojection:

     LOKAL; Coordinate type: Easting/Northing)

    30

  • 8/16/2019 Teknik Penginderaan Jauh

    34/36

     

    3.  Kemudian klik Step4)GCP Edit , maka muncul 4 buah jendela citra yang belum(A)

    dan sudah terkoreksi secara geometrik (B), dan Tabel GCP-nya (C )..

    (A) (B)

    (C )

    Gambar 27. Pada 3)GCP Setup dipilih citra yang akan digunakan untuk

    merektifikasi secara geometris (dengan Geodetic datum: WGS84,

    Geodetic rojection: LOKAL; Coordinate type: Easting/Northing)

    4. 

    Letakan kursor di citra yang belum direktifikasi, ganti dengan pointer.

    Menggunakan fasilitas  Zoom/ Zoom Box Tool  cari obyek yang mudah dikenali di

    kedua citra tersebut, misal percabangan jalan atau sungai. Kemudian klik kiri 1x.Kemdudian pindahkan kursor pada citra yang terektifikasi, cari obyek yang sama

    dan klik kiri 1x.

    5. 

    Pindahkan kursor ke jendela Geocoding Wizard .. dan lakukan penambahan baris

    titik ikat GCP-nya dengan klik . .

    31

  • 8/16/2019 Teknik Penginderaan Jauh

    35/36

     

    6.  Lakukan pembuatan titik ikat GCP hingga lebih dari 4 buah, sebagaimana langkah

    ke-13 di atas.

    7.  Setelah dianggap cukup (lebih dari 4 buah titik ikat), pada jendela Geocoding

    Wizard 4)GCP Edit , pada kolom Edit rubahlah kata Edit menjadi No dengan jalanklik 1x. Pada kotak Display aktifkan (centang) kotak Errors dan kotak Auto zoom

    8.  Menggunakan fasilitas  Zoom Box Tools, Pointer,  Quick Zoom > Zoom to All

     Dataset   dan lakukan perbaikan atau pergeseran posisi titik ikat pada tiap nomor

    hingga RMS Error kurang dari 0.04.

    9. 

    Setelah semua titik ikat memiliki RMS Errors kurang dari 0,04 kemudian klik Save.

    Gambar 28. Sebaran titik ikat GCP dan RMS Errors kurang dari 0,04

    10. Kemudian klik 5) Rectify.. Simpanlah citra yang akan direktifikasi tersebut pada

    Drive saudara dengan nama yang lain yang mudah saudara kenali. Kemudian klik

    Save File and Start Rectifications. Tunggu sampai proses selesai.

    32

  • 8/16/2019 Teknik Penginderaan Jauh

    36/36

     

    Gambar 29. Penyimpanan file hasil rektifikasi dan langkah Step 5)Rectification:

    Save File and Start Rectification.

    11. Setelah rektifikasi selesai, maka keluar hasilnya pada berupa tampilan citra yang

    agak miring, klik OK

    12. Kemudian lakukan cropping area pada batas yang hitam dan simpanlah file yang

    sudah terektifikasi tersebut dalam virtual dataset  dan Save Algorithm as Dataset-

    nya dengan nama lain.

    (A) (B)

    Gambar 30. Tampilan citra sebelum (A) dan sesudah (B) direktifikasi geometrisnya. 

    SISNO SJ., MARET 2016