LAPORAN PRAKTIKUM

PENGINDRAAN JAUH

ACARA III

PRAKTIKUM CITRA MULTISPEKTRAL

Dsusun oleh: Dibina oleh:

Nurlaela Bapak Alfi Nur

Rosydi

120721403798 -

1

PENDIDIKAN GEOGRAFI

FAKULTAS ILMU SOSIAL

UNIVERSITAS NEGERI MALANG

November 2014

PRAKTIKUM CITRA MULTISPEKTRAL

A. Tujuan:

Melatih Keterampilan Mahasiswa Dalam Melakukan

Intrepretasi Citra Multispektral Secara Digital

Menggunakan Program Envi 4.5

B. Alat dan Bahan:

1. Program Envi 4.5 untuk mengidentifikasi citra

multispektral

2. Program RGB untuk penyusunan komposit warna

3. Program Mc. Excel untuk perhitungan data dan

pembuatan grafik garis

4. Program Mc. Word untuk pembuatan laporan

C. Dasar Teori

Citra multispectral adalah citra yang dibuat

dengan saluran jamak. Berbeda dengan citra tunggal

yang umumnya dibuat dengan saluran lebar, citra

multispectral umumnya dibuat dengan saluran sempit.

2

Dengan menggunakan sensor multispectral, maka

kenampakan yang diindera akan menghasilkan citra

dengan berbagai saluran. Citra dengan saluran yang

berbeda tersebut dapat digunakan untuk

mengidentifikasi kenampakan-kenampakan tertentu,

karena saluran-saluran tersebut memiliki kepekaan

terhadap suatu kenampakan (Alfi Nur Rusydi; 2014).

Citra multispektral: Sebuah citra

multispektral terdiri dari beberapa band data. Untuk

tampilan visual, setiap band dari gambar dapat

ditampilkan satu pita pada suatu waktu sebagai

gambar skala abu-abu, atau kombinasi dari tiga band

pada waktu sebagai gambar komposit warna.

Interpretasi warna multispektral citra komposit akan

memerlukan pengetahuan tentang tanda tangan

reflektansi spektral dari target dalam adegan. Dalam

hal ini, isi informasi spektral gambar digunakan

dalam penafsiran.

Tiga gambar berikut menunjukkan tiga band dari

citra multispektral yang diambil dari adegan

multispektral SPOT pada resolusi dasar 20 m. Daerah

yang dicakup adalah sama seperti yang ditunjukkan

pada gambar di atas pankromatik. Perhatikan bahwa

kedua XS1 (hijau) dan XS2 (red) band terlihat hampir

identik dengan citra pankromatik yang ditunjukkan di

atas. Sebaliknya, daerah yang bervegetasi kini

3

tampil cerah di XS3 (dekat inframerah) Band karena

reflektansi tinggi daun di dekat panjang gelombang

daerah inframerah. Beberapa warna abu-abu dapat

diidentifikasi untuk daerah bervegetasi, sesuai

dengan berbagai jenis vegetasi. Massa air (baik

sungai dan laut) tampak gelap dalam XS3 (dekat IR)

Band.

4

Sebuah gambar multispektral adalah salah satu

yang menangkap data gambar pada frekuensi tertentu

di seluruh spektrum elektromagnetik. Panjang

gelombang dapat dipisahkan oleh filter atau dengan

penggunaan instrumen yang sensitif terhadap panjang

gelombang tertentu, termasuk cahaya dari frekuensi

di luar jangkauan cahaya tampak, seperti inframerah.

Pencitraan spektral dapat memungkinkan ekstraksi

informasi tambahan mata manusia gagal untuk

menangkap dengan yang reseptor untuk merah, hijau

dan biru. Ini pada awalnya dikembangkan untuk ruang

berbasis pencitraan.

Citra multispektral adalah tipe utama dari

gambar yang diperoleh oleh penginderaan jauh (RS)

radiometers. Membagi spektrum dalam banyak band,

multispektral adalah kebalikan dari pankromatik,

yang mencatat hanya intensitas total radiasi yang

jatuh pada setiap pixel. Biasanya, satelit memiliki

tiga atau lebih radiometers (Landsat memiliki

5

tujuh). Masing-masing memperoleh satu gambar digital

(dalam penginderaan jauh, disebut ‘adegan’) di

sebuah band kecil dari spektrum yang terlihat, mulai

dari 0,7 pM sampai 0,4 pM, disebut merah-hijau-biru

(RGB) daerah, dan pergi ke panjang gelombang

inframerah 0,7 pM sampai 10 pM atau lebih,

diklasifikasikan sebagai dekat inframerah (NIR),

tengah inframerah (MIR) dan far infrared (FIR atau

termal). Dalam kasus Landsat, tujuh adegan terdiri

dari tujuh gambar-band multispektral. Pencitraan

spektral dengan band-band yang lebih banyak, lebih

halus resolusi spektral atau cakupan spektral yang

lebih luas dapat disebut itt atau ultraspectral.

Teknologi ini juga membantu dalam interpretasi

papirus kuno, seperti yang ditemukan di Herculaneum,

oleh pencitraan fragmen dalam kisaran inframerah

(1000 nm). Seringkali, teks pada dokumen tampaknya

sebagai tinta hitam pada kertas hitam dengan mata

telanjang. Pada 1000 nm, perbedaan reflektifitas

cahaya membuat teks jelas dibaca. Ini juga telah

digunakan untuk gambar palimpsest Archimedes oleh

pencitraan perkamen daun dalam bandwidth 365-870 nm,

dan kemudian menggunakan teknik pengolahan citra

digital canggih untuk mengungkapkan undertext karya

Archimedes.

6

Ketersediaan panjang gelombang untuk

penginderaan jauh dan pencitraan dibatasi oleh

jendela inframerah dan jendela optik. Panjang

gelombang adalah perkiraan, nilai-nilai yang tepat

bergantung pada instrumen satelit tertentu:

Biru, 450-515. 520 nm, yang digunakan untuk

pencitraan atmosfer dan air yang dalam, dan dapat

mencapai hingga 150 kaki (50 m) jauh di air yang

jernih.

Hijau, 515. 520-590. 600 nm, yang digunakan untuk

pencitraan vegetasi dan struktur air yang dalam,

hingga 90 kaki (30 m) di air jernih.

Merah, 600. 630-680. 690 nm, yang digunakan untuk

pencitraan benda buatan manusia, dalam air hingga

30 kaki (9 m) dalam, tanah, dan vegetasi.

Dekat inframerah, 750-900 nm, digunakan terutama

untuk pencitraan vegetasi.

Mid-inframerah, 1550-1750 nm, digunakan untuk

vegetasi pencitraan, kadar air tanah, dan beberapa

kebakaran hutan.

Mid-inframerah, 2080-2350 nm, digunakan untuk

pencitraan tanah, kelembaban, fitur geologi,

silikat, tanah liat, dan kebakaran.

7

Untuk tujuan yang berbeda, kombinasi yang

berbeda dari band spektral dapat digunakan. Mereka

biasanya diwakili dengan warna merah, hijau, dan

saluran biru. Pemetaan band untuk warna tergantung

pada tujuan dari gambar dan preferensi pribadi para

analis. Inframerah termal sering dihilangkan dari

pertimbangan karena resolusi spasial miskin, kecuali

untuk tujuan khusus.

Warna dasar, menggunakan saluran hanya merah,

hijau, dan biru, dipetakan ke warna masing-masing.

Sebagai sebuah foto warna polos, itu baik untuk

menganalisis obyek buatan manusia, dan mudah

dipahami bagi pemula analis.

Hijau-merah-inframerah, di mana saluran biru

diganti dengan dekat inframerah, digunakan untuk

vegetasi, yang sangat reflektif di IR dekat,

kemudian menunjukkan sebagai biru. Kombinasi ini

sering digunakan untuk mendeteksi vegetasi dan

kamuflase.

Blue-NIR-MIR, di mana saluran biru menggunakan

biru terlihat, hijau menggunakan NIR (sehingga

vegetasi tetap hijau), dan MIR ditampilkan sebagai

merah. Gambar tersebut memungkinkan melihat

kedalaman air, cakupan vegetasi, kadar air tanah,

dan adanya kebakaran, semua dalam satu gambar.

Banyak kombinasi lain sedang digunakan. NIR sering

8

ditampilkan sebagai merah, membuat vegetasi yang

tertutup daerah tampak merah.

Keunggulan dari citra multispectral

dibandingkan citra spectrum tunggal (dan lebar)

ialah adanya pembedaan obyek (penutup lahan) secara

lebih baik, karena variasi pantulan pada satu

spectrum yang relative sempit dapat di

presentasikan. Sebagai contoh, pada citra pankomatik

yang perekamanya dilakukan dalam julat yang lebar,

(sekitar 0,5-0,73 µm), keceahan air merupakan rata-

rata tingkat pantulan pada beberapa spectra yang

lebih sempit (0,5-0,6; 0,6-0,7 µm), yang sebenarnya

cukup berbeda satu sama lainya. Dengan demikian,

kecerahan ini dapat menyerupai pantulan jenis-jenis

tanah tertentu. Keunggulan lain dari citra

multispektral ialah dimungkinkanya pembentukan citra

komposit, dimana tiga saluran-saluran spectra

(bands) masukan diberi warna merah, hijau dan biru,

untuk membentuk satu citra tunggal yang bewarna.

Satu citra komposit ini sudah mampu menyajikan

variabilitas spectral seluruh saluran penyusunnya.

Masalahnya kemudian, citra komposit dapat

disusun secara standar atau tidak standar. Komposit

standar menggunakan tiga saluran masukan, yaitu

inframerah dekat, merah, dan hijau, dengan urutan

pewarnaan merah, hijau dan biru (RGB-red, green,

blue-dan urutan ini sering tidak disebutkan secara

9

eksplisit). Komposit tidak standar dapat (a)

mengubah urutan tersebut sesukanya-misalnya merah,

inframerah dekat dan hijau dengan pewarnaa RGB, (b)

menggunakan saluran-saluran lain-misalnya biru,

inframerah dekat, dan merah dengan pewarnaan RGB,

(c) menggunakan gabunan saluran terlebih dahulu

(misalnya indeks vegetasi) dan setelah itu baru

dikompositkan. Kerena citra komposit dapat disusun

secara tak standar, maka tanpa informasi dari

sipembuat atau penctak citra tentag komposisi

saluran penyusun citra komposit tersebut, seorang

pnafsir dapat terkecoh dan keliru melakukan

interpretasi.

Berpijak pada pemahaman tersebut, diperlukan

satu landasan konseptual tentang bagaimana warna

pada citra komposit tersebut dapat terbentuk. Untuk

itu, pengenalan pola spectral pada masing-masing

saluran penyusun diperlukan terlebih dahulu, sehinga

sebelum melihat citra kompositnya pun seorang

penafsir sudah dapat membayangkan, warna apa yang

muncul mewakili satu jenis obyek apabila saluran-

saluran tersebut disusun menjadi citra komposit

dengan kombinasi tertentu.

Komposit citra adalah citra baru hasil dari

penggabungan 3 saluran yang mampu menampilkan

keunggulan dari saluran-saluran penyusunnya

(Sigit,2011). Digunakan komposit citra ini

10

dikarenakan oleh keterbatasan mata yang kurang mampu

dalam membedakan gradasi warna dan lebih mudah

memahami dengan pemberian warna.

Dalam menampilkan gambar komposit warna, tiga

warna primer (merah, hijau dan biru) yang digunakan.

Ketika tiga warna digabungkan dalam berbagai

proporsi, mereka menghasilkan warna yang berbeda

dalam spektrum terlihat. Bergaul masing-masing band

spektral (tidak harus band terlihat) ke hasil warna

dasar yang terpisah dalam gambar komposit warna.

Pada citra multispektral yang terdiri dari

banyak saluran, apabila hanya menampilkan satu

saluran saja maka citra yang dihasilkan merupakan

gradasi rona. Dan mata manusia hanya bisa membedakan

objek yang menonjol pada suatu saluran, objek yg

lain maka kita sulit untuk mengidentifikasinya. Oleh

sebab itu pada citra komposit ini, hasilnya kita

akan lebih mudah mengidentifikasi suatu objek pada

citra.

Dasar dari pembuatan komposit citra adalah

berdasarkan :

11

Tujuan penelitian yaitu keunggulan di setiap

saluran. Contoh, apabila dalam penelitian, kita

lebih fokus pada objek air, maka saluran yang kita

gunakan adalah band 1, band 2 dan band 3. Selain

dari band tersebut air memiliki nilai 0 dalam

pemantulannya. Jadi komposit citra yang bisa

dibuat adalah citra komposit 123, sehingga air

akan berwarna merah.

OIF (Optimum Index Factor) yaitu kemampuan citra

untuk menampilkan suatu objek. OIF semakin tinggi

maka semakin banyak objek berbeda yang dapat

ditampilkan pada citra komposit tersebut. OIF ini

digunakan apabila kita ingin menonjolkan

pengguanaan lahan dari suatu daerah jika

diidentifikasi dari citra.

Komposit citra dapat dibagi menjadi 2, yaitu:

Komposit warna asli yaitu gabungan dari warna

merah-hijau-biru. Citra yang dapat menghasilkan

komposit warna asli yaitu Landsat, ALOS dll.

Komposit warna tidak asli, terbagi 2 :

1. Standar yaitu gabungan dari infrared dekat-

merah-hijau. Dianggap standar karena pada

awalnya penginderaan jauh lebih banyak digunakan

dalam bidang kehutanan jadi komposit warna ini

dianggap standar karena citra kompositnya lebih

menonjolakan objek vegetasi

12

2. Tidak standar yaitu dapat dilakukan

penggabungan dengan bebas

Dalam konsepnya, citra komposit dibuat oleh 3

saluran, dimana nilai piksel pada saluran-saluran

tersebut akan direduksi terlebih dahulu yang pada

awalnya nilai piksel berkisar antara 0 – 255 menjadi

nilai piksel yang berkisar antara 0 – 5 yang

selanjutnya baru bisa dilakukan komposit. Nilai

piksel pada citra komposit berkisar antara nilai 0

(hitam) – 215 ( putih). Untuk penyajian citra

komposit, nilai piksel citra komposit yang

didapatkan dapat mengikuti colour pallet atau Look-

up table.

D. Cara Kerja

1. Jalankan aplikasi ENVI 4.5

2.Klik file – open image file – pilih smg_raw pada

image asli – pada RGB colour pilih band yang akan

di interpretasikan.

3.Klik new display – ulangi langkah ke 2.

4.Klik tools – link – link displays – ok.

5.Klik tools – cursor locations/value.

6.Tentukan 6 objek (air, vegetasi kerapatan rendah,

sedang, dan tinggi, lahan kosong, serta atap

13

rumah), masing-masing objek periksa 9 piksel yang

berbeda

7.Catat nilai piksel, dan nilai rata-rata piksel

untuk setiap objek pada band tertentu.

8.Isi tabel identifikasi nilai pikel sebelum koreksi

naskah radiometrik.

9.Buat grafik garis sesuai dengan tabel identifikasi

nilai piksel.

10.Ulangi langkah 2 – 9 tatapi perbandingannya

menggunakan nilai piksel setelah koreksi naskah

radiometrik.

14

E. Hasil Praktikum

1. Identifikasi Nilai Piksel sebelum Koreksi Radiometrik (Citra Asli)

Berikut tabel identifikasi nilai piksel sebelum koreksi radiometrik

Band (nm)

Objek

1

Blue

(450-520)

2

Green

(520-600)

3

Red

(630-690)

4

NIR

(760-900)

5

MIR1

(1550-1750)

6

MIR2

(2080-2350)

Obyek Pada Citra

Komposit (321) dan(456)

Air 270, 264, 223, 257, 230, 223, 257, 277, 264

177, 197, 164, 230, 204, 158, 223, 269, 223

84, 88,92, 110, 88, 75,110, 131, 114

17, 17,17, 13,13, 13,13, 13,13

11, 11, 9, 11, 9, 7, 9,11, 11

17, 13, 10, 17, 24, 13, 17, 13, 17

Rerata 251,67 205 99,11 14,33 9,89 15,67

15

Lahan Kosong (LK)

250, 223, 237, 230, 196, 216, 284, 196, 223

263, 243, 250, 243, 210, 204, 282, 184, 243

284, 272, 255, 263, 208, 225, 284, 199, 250

160, 153, 167, 153, 191, 208, 160, 133, 122

229, 225, 272, 215, 255, 213, 237, 203, 189

235, 255, 235, 224, 255, 172, 231, 242, 217

Rerata 187 235,78 248,89 160,78 221,44 229,56

Vegetasi Kerapatan Rendah (VKR)

183, 183, 196, 196, 196, 210, 210, 189, 189

184, 190, 204, 223, 204, 230, 243, 204, 210

144, 144, 165, 178, 178, 199, 229, 169, 182

174, 153. 163, 136, 163, 163, 177, 153, 146

175, 196, 175, 187, 182, 194, 163, 175, 201

159, 190, 152, 179, 162, 193, 134, 159, 193

Rerata 183,56 210,22 176,44 158,67 183,11 169

16

Vegetasi Kerapatan Sedang (VKS)

163, 189, 149, 142, 136, 129, 156, 176, 156

171, 190, 151, 145, 164, 164, 164, 177, 158

134, 161, 114, 122, 127, 127, 144, 148, 135

191, 194, 174, 167, 197, 194, 191, 180, 167

118, 144, 149, 125, 130, 151, 130, 130, 144

89, 96, 110, 103, 86,114, 100, 96,138

Rerata 155,11 164,89 134,78 183,89 135,67 102,44

Vegetasi Kerapatan Tinggi (VKT)

62, 75,68, 68,102, 115, 115, 115, 102

85, 85,66, 79,105, 125, 118, 118, 125

54, 54,46, 50,75, 80,84, 88,84

221, 255, 255, 215, 204, 215, 221, 177, 201

104, 151, 154, 132, 127, 132, 127, 106, 101

62, 86, 86, 86, 83, 83, 79, 65, 58

Rerata 91,33 100,67 68,33 214,89 216 76,44

17

Atap Rumah (AR)

317, 264, 284, 237, 257, 237, 243, 277, 264

289, 263, 276, 223, 263, 223, 230, 263, 236

272, 272, 276, 195, 272, 220, 220, 250, 225

122, 133, 136, 116, 112, 122, 126, 136, 136

203, 196, 203, 182, 175, 165, 177, 194, 184

255, 245, 238, 231, 231, 204, 204, 238, 224

Rerata 264,44 251,78 244,67 126,56 186,56 230

Berikut grafik garis identifikasi nilai piksel sebelum koreksi radiometrik

18

2. Identifikasi Nilai Piksel setelah Koreksi Radiometrik

Berikut tabel identifikasi nilai piksel setelah koreksi radiometrik

19

Band (nm)

Objek

1

Blue

(450-520)

2

Green

(520-600)

3

Red

(630-690)

4

NIR

(760-900)

5

MIR1

(1550-1750)

6

MIR2

(2080-2350)

Obyek Pada Citra

Komposit 432

Air 208, 202, 161, 195, 168, 161, 195, 215, 202

137, 157, 124, 190, 164, 118, 183, 229, 183

55, 59,63, 81,59, 46,81, 102, 85

11, 11,11, 7, 7, 7, 7, 7, 7

11, 11, 9, 11, 9, 7, 9,11, 11

17, 13, 10, 17, 24, 13, 17, 13, 17

Rerata 189,67 165 70,11 8,33 9,89 15,67

20

Lahan Kosong (LK)

188, 161, 175, 168, 134, 154, 222, 134, 161

223, 203, 218, 203, 170, 164, 242, 144, 203

255, 243, 226, 234, 179, 196, 255, 170, 221

154, 147, 161, 147, 185, 202, 154, 127, 116

229, 225, 272, 215, 255, 213, 237, 203, 189

235, 255, 235, 224, 255, 172, 231, 242, 217

Rerata 166,34 196,67 219,89 154,78 211,44 229,56

Vegetasi Kerapatan Rendah (VKR)

121, 121, 134, 134, 134, 148, 148, 127, 127

144, 150, 164, 183, 164, 190, 203, 164, 170

115, 115, 136, 149, 149, 170, 200, 140, 153

168, 147, 157, 130, 157, 157, 171, 147, 140

175, 196, 175, 187, 182, 194, 163, 175, 201

159, 190, 152, 179, 162, 193, 134, 159, 193

Rerata 132,67 170,22 147,44 152,67 183,11 169

21

Vegetasi Kerapatan Sedang (VKS)

101, 127, 87, 80,74, 67,94, 114, 94

131, 150, 111, 105, 124, 124, 124, 137, 118

106, 132, 83, 93,98, 98,115, 119, 106

185, 188, 168, 161, 191, 188, 185, 174, 161

118, 144, 149, 125, 130, 151, 130, 130, 144

89, 96, 110, 103, 86,114, 100, 96,138

Rerata 93,11 124,89 105,78 177,89 135,67 102,44

Vegetasi Kerapatan Tinggi (VKT)

0, 13, 6, 6, 40, 53,53, 53,40

45, 45,26, 39,65, 85,78, 78,85

25, 25,17, 21,46, 51,55, 59,55

215, 249, 249, 209, 198, 209, 215, 171, 195

104, 151, 154, 132, 127, 132, 127, 106, 101

62, 86, 86, 86, 83, 83, 79, 65, 58

Rerata 29,33 60,67 39,33 212,22 216 76,44

22

Atap Rumah (AR)

255, 202, 222, 175, 195, 175, 181, 215, 202

249, 223, 236, 183, 223, 183, 190, 223, 196

243, 243, 247, 166, 243, 191, 191, 196

116, 127, 130, 110, 106, 116, 120, 130, 130

203, 196, 203, 182, 175, 165, 177, 194, 184

255, 245, 238, 231, 231, 204, 204, 238, 224

Rerata 202,44 211,78 215,67 120,56 186,56 230

23

Berikut grafik garis identifikasi nilai piksel setelah koreksi radiometrik

24

3. Perbandingan Hasil Sebelum Koreksi Radimetrik

dengan Hasil Setelah Koreksi Radiometrik

Vs

Dari grafik hasil interpretasi dapat

diketahui bahwa perbandingan nilai piksel antara

citra foto udara yang asli dengan citra foto udara

yang sudah mengalami koreksi radiometrik berbeda.

Citra asli cenderung memiliki piksel lebih besar

karena efek atmosfer saat pengambilan citra

25

menyebabkan nilai pantulan objek dipermukaan bumi

yang terekam oleh sensor menjadi bukan merupakan

nilai aslinya, tetapi menjadi lebih besar oleh

karena adanya hamburan. Untuk itu perlu adanya

koreksi radiometrik yang bertujuan untuk

memperbaiki nilai piksel supaya sesuai dengan yang

seharusnya dan informasi yang terdapat dalam data

citra dapat dengan jelas dibaca dan

diinterpretasikan.

Selain itu, nilai piksel yang

terinterpretasi berbeda pada setiap bandnya

tergantung pada setiap jenis titik fokus objek.

Seperti band blue memiliki informasi yang tinggi

terhadap tubuh air jadi band blue sangat baik

untuk menginterpretasikan objek air daripada band

lainnya baik itu pada citra asli maupun citra

setelah mengalami koreksi radiometrik.

Band inframerah dekat lebih difokuskan untuk

menginterpretasi vegetasi dari pada band-band

lain, itu dibuktikan dengan tingkat kurva yang ada

pada hasil interpretasi dimana pada band merah,

kurva meningkat dari band-band lain.

Band red digunakan untuk pencitraan benda

buatan manusia seperti pemukiman atau atap rumah,

dan lahan yang kosong, sehingga hasil kurva

intrepretasi lahan kosong dan atap rumah meningkat

pada band red daripada band-band lain.

26

4. Perbandingan Grafik Spektral Objek Standar Dengan

Grafik Citra Setelah Koreksi Radiometrik

Vs

Dari kurva hasil interpretasi dapat

diketahui bahwa perbandingan kurva antara citra

foto udara yang sudah mengalami koreksi

radiometrik dengan kurva spektral objek standar

hasilnya hampir sama.

27

Pada kurva spektral objek standar

mengidentifikasi air akan lebih baik menggunakan

band blue daripada band-band lain, itu terlihat

dari garis kurva yang semakin mengalami penurunan

secara kontinue dari band blue, green, red, dan

berakhir pada inframerah dekat atau nir. Selain

itu pada kurva citra foto udara yang sudah

mengalami koreksi radiometrik hasil yang

didapatkan sama dengan kurva spektral objek

standar dimana untuk mengidentifikasi air lebih

baik menggunakan band blue dan mengalami penurunan

pada band-band lain secara kontinue.

Pada kurva spektral objek standar

mengidentifikasikan vegetasi lebih baik

menggunakan band inframerah dekat dan band green

dari pada band-band lain, itu terlihat dari garis

kurva yang semakin meningkat, namun pada band red

terjadi sedikit penurunan. Selain itu pada kurva

citra foto udara yang sudah mengalami koreksi

radiometrik hasil yang didapatkan sama dengan

kurva spektral objek standar dimana untuk

mengidentifikasi vegetasi lebih baik menggunakan

band inframerah dekat atau nir dan bend green yang

mengalami peningkatan pada setiap bandnya namun

terjadi sedikit penurunan pada band red.

28

29

5. Penyusunan Komposit Warna

Berikut Penyusunan Komposit Warna dari Citra Multispektral yang sudah mengalami koreksi

radiometrik:

OBJEKPANTULAN PADA RGB DISPLAY

WARNA OBJEKPENGENALAN

OBJEKWARNA OBJEK

RED GUN GREEN GUN BLUE GUN

AIR

321

B3-RED BAND

Rendah (70)

B2-GREEN BAND

Sedang (165)

BI-BLUE BAND

Tinggi (190)

Viking

(Blue)

Sangat

mudah

AIR

432

B4-NIR BAND

Rendah (7)

B3-RED BAND

Rendah (55)

B2-GREEN BAND

Sedang (150)

Smalt

(Blue)

Sangat

mudah

AIR

456

B4-NIR BAND

Rendah (8)

B5-MIR1 BAND

Rendah (10)

B6-MIR2 BAND

Rendah (16)

Midnight

Express

(Blue)

Sangat

mudah

LK B3-RED BAND B2-GREEN BAND BI-BLUE BAND Raffia Mudah

30

321 Tinggi

(220)

Tinggi (197) Sedang (166) (Yellow)

LK

432

B4-NIR BAND

Sedang

(151)

B3-RED BAND

Tinggi (243)

B2-GREEN BAND

Tinggi (216)

Magic Mint

(Green)

Sedang

LK

456

B4-NIR BAND

Sedang

(155)

B5-MIR1 BAND

Tinggi (221)

B6-MIR2 BAND

Tinggi (230)

Charlotte

(Blue)

Sukar

VKR

321

B3-RED BAND

Sedang

(147)

B2-GREEN BAND

Sedang (170)

BI-BLUE BAND

Sedang (133)

Sage

(Green)

Sedang

VKR

432

B4-NIR BAND

Sedang

(147)

B3-RED BAND

Tinggi (226)

B2-GREEN BAND

Tinggi (229)

Charlotte

(Blue)

Sedang

31

VKR

456

B4-NIR BAND

Sedang

(153)

B5-MIR1 BAND

Tinggi (183)

B6-MIR2 BAND

Sedang (169)

Skeptic

(Green)

Sukar

VKS

321

B3-RED BAND

Sedang

(106)

B2-GREEN BAND

Sedang (125)

BI-BLUE BAND

Sedang (93)

Axoloti

(Green)

Sedang

VKS

432

B4-NIR BAND

Sedang

(157)

B3-RED BAND

Sedang (110)

B2-GREEN BAND

Sedang (118)

Turkish rose

(Red)

Sedang

VKS

456

B4-NIR BAND

Tinggi

(178)

B5-MIR1 BAND

Sedang (136)

B6-MIR2 BAND

Sedang (102)

Barley corn

(Yellow)

Sukar

VKT

321

B3-RED BAND

Rendah (39)

B2-GREEN BAND

Rendah (61)

BI-BLUE BAND

Rendah (29)

Myrtle

(Green)

Mudah

32

VKT

432

B4-NIR BAND

Sedang

(154)

B3-RED BAND

Rendah (17)

B2-GREEN BAND

Rendah (26)

Falu red

(Red)

Sedang

VKT

456

B4-NIR BAND

Tinggi

(212)

B5-MIR1 BAND

Tinggi (216)

B6-MIR2 BAND

Rendah (76)

Wattle

(Green)

Sedang

AR

321

B3-RED BAND

Tinggi

(216)

B2-GREEN BAND

Tinggi (212)

BI-BLUE BAND

Tinggi (202)

White

pointer

(Grey)

Mudah

AR

432

B4-NIR BAND

Sedang

(116)

B3-RED BAND

Tinggi (255)

B2-GREEN BAND

Tinggi (255)

Baby Blue

(Blue)

Sukar

AR

456

B4-NIR BAND

Sedang

(121)

B5-MIR1 BAND

Tinggi (187)

B6-MIR2 BAND

Tinggi (230)

Malibu

(Blue)

Sedang

33

34

F. Pembahasan

1. Komposit warna apa yang benar dan bagaimana cara

menyusunnya?

Apa yang menjadi komposit yang salah?

Komposit warna pada citra dikatakan true atau

benar apabila citra tersebut dapat dilihat dan

diatrikan oleh mata telanjang dimana warna yang

ada pada citra menyerupai warna yang sebenarnya

dipermukaan bumi (natural color). Komposit warna

yang natural color adalah komposit warna 321,

dimana tutupan vegetasi ditunjukan dengan warna

hijau dari band green atau bisa dikatakan sama

dengan warna asli dari vegetasi yang tampak oleh

mata. Selain vegetasi, air ditunjukan dengan warna

biru dari band blue atau bisa dikatakan sama

dengan warna asli dari laut yang tampak oleh mata.

False colour atau warna yang salah adalah

warna yang tidak sesuai dengan keadaan nyata

dimuka bumi seperti pada komposit warna 432 dan

456. Pada komposit warna 432 kenampakan vegetasi

berwarna merah sedangkan pada komposit 456

vegetasi tampak berwarna kuning atau orange.

Langkah menyusun komposit warna yaitu dengan

Pre-procesing image yang merupakan proses

pengolahan data citra untuk dianalisis lebih

lanjut. Preprocesing ni bisa pembersih noise pada

citra, pengubahan format warna citra, proses

35

deteksi edge dan pojokan-pojokan pada citra.

Beberapa proses yang ada diantaranya adalah

komposit, cropping, dan mozaik citra.

Komposit adalah penggabungan dari beberapa

band dalam proses interpretasi citra

multispektral. Komposit warna terdiri dari true

color dan false color.

Cropping image atau pemotongan citra

bertujuan untuk membuat area of interest,

untuk mempertegas fenomena geospasial dan

pembahasan pada daerah kajian. Hal ini dilakukan

untuk menghindari adanya analisis di luar daerah

kajian. Selain itu, hal ini dilakukan untuk

lebihmemudahkan perencana melakukan analisis citra

dari daerah kajian. Pemotongan juga mengakibatkan

ukuran obyek menjadi lebih besar, sehingga konten

yang ada (informasi berupa warna) terlihat lebih

jelas. Cropping citra merupakan salah satu langkah

yang dilakukan setelah koreksi geometrik dan

radiometrik.

Mosaik citra merupakan penggabungan beberapa

citra ke dalam satu citra pada suatukenampakan

yang utuh dari suatu wilayah. Dengan menampilkan

dua citra akan memperberatkerja sistem, maka

penggabungan citra akan lebih memudahkan pekerjaan

sehingga analisaterhadap citra dapat lebih cepat,

persyaratan utama dalam pengabungan ini adalah

36

denganmenggabungkan 2 citra dengan kualitas dan

band yang sama. Dalam proses mosaiking,

perludilakukan penajaman warna dan image

balancing  antar scene, dan untuk itu perlu

dilakukannormalisasi nilai digital number.

Pemotongan citra untuk daerah penelitian dilakukan

setelah proses mosaiking selesai. Hal ini

dilakukan untuk menghilangkan data yang bukan

termasuk dalamwilayah kajian. Pemotongan citra

didasarkan pada batas administrasi, selanjutnya

citra satelit yangtelah dipotong digunakan sebagai

acuan interpretasi/klasifikasi di setiap daerah

kajian.

2.Dari hasil pikselmu dalam 3 komposit warna yang

berbeda, mengapa vegetasi pada komposit 432

berwarna merah sedangkan pada komposit 321

berwarna hijau tua? Mengapa demikian?

Identifikasikanlah!

Pada komposit warna 432 vegetasi tampak merah

karena komposit 432 ini merupakan tipikal

kombinasi komposit false color dimana kenampakan

yang ada dicitra tidak sama dengan kenampakan

sesungguhnya. Saluran 4 mendeteksi puncak pantulan

dari vegetasi, membedakan tipe vegetasi, selain

itu membedakan tanah dan perairan. Kombinasi ini

menampilkan vegetasi berwarna merah, merah yang

37

lebih terang menandakan vegetasi yang lebih

dewasa. Tanah dengan sedikit atau tanpa vegetasi

antara putih (pasir atau garam) sampai hijau atau

coklat tergantung kelembapan dan kandungan

organik. Air nampak biru, perairan jernih akan

terlihat biru gelap atau hitam sedangkan perairan

dangkal atau air dengan konsentrasi sedimen tinggi

akan nampak biru muda. Area permukiman berwarna

biru kecoklatan.

Selain itu, warna vegetasi kerapatan tinggi

pada citra komposit 432 berwarna merah pekat,

dikarenakan pada warna komposit RGB pada saluran

Red diberi warna Band ETM4 (inframerah dekat),

saluran Green diberi warna Band ETM3 (merah) dan

saluran Biru diberi warna Band ETM2 (Hijau).

Warna vegetasi berwarna merah pekat, dikarenakan

hampir tidak ada sumbangan warna lain selain warna

merah hanya warna biru pada saluran biru.

Sedangkan warna biru lebih banyak dibiaskan dalam

perjalanannya ketika melewati jendela atmosfir.

Oleh karena itu vegetasi dengan kerapatan tinggi

berwarna merah pekat, warna ini dihasilkan dari

kombinasi band ETM4 dan Band ETM3.

Sedangkan komposit warna 321 merupakan

komposit warna natural sehingga merupakan

pendekatan terbaik untuk melihat realitas

landskap. Saluran 3 mendeteksi penyerapan

38

klorofil, saluran 2 mendeteksi reflektan hijau

dari vegetasi dan saluran 1 cocok untuk penetrasi

air, pada perairan jernih bisa masuk sekitar 25

meter, dengan kata lain kita bisa juga mendeteksi

transportasi sedimen di perairan. Saluran 1 juga

membedakan tanah dan vegetasi serta tipe tipe

hutan.

Selain itu, Pada citra komposit 321 pada

salura RGB diberi warna sesuai dengan warna Band

yang ada dimana warna Band3 (merah) ditempatkan

pada saluran Red,Band2 (Hijau) ditempatkan pada

saluran Hijau dan Band1 (Biru), ditempatkan

padasaluran Biru. Sehingga penampakkan obyek yang

berwarna biru akan dipantulkanberwarna biru, obyek

hijau berwarna hijau sesuai dengan pantulan obyek.

3.Dari gabungan 3 komposit warna, buatlah tabel dan

analisislah berdasarkan tingkat kesukaran (sangat

mudah, mudah, sedang, sukar, sangat sukar).

Buatlah kesimpulan dari perbandingan ini!

Berikut tabel 3 komposit warna, yaitu komposit

321, 432, dan 456 dengan 6 objek yang berbeda

yaitu air, lahan kosong, vegetasi (kerapatan

rendah, sedang, tinggi) dan atap rumah atau

pemukiman (AR/PM)

Objek Warna objek Pengenalan Gambar objek

39

objek

Air

321

Viking (Blue) Sangat mudah

Air

432

Smalt (Blue) Sangat mudah

Air

456

Midnight

express (Blue)

Sangat mudah

LK 321 Raffia

(Yellow)

Mudah

LK 432 Magic mint

(Green)

Sukar

LK 456 Charlotte

(Blue)

Sukar

VKR

321

Sage (Green) Sedang

VKR

432

Charlotte

(Blue)

Sedang

VKR

456

Skeptic

(Green)

Sukar

VKS

321

Axolotl

(Green)

Sedang

VKS

432

Turkishrose

(Red)

Sedang

40

VKS

456

Barley corn

(Yellow)

Sukar

VKT

321

Myrtle (Green) Mudah

VKT

432

Falu red (Red) Sedang

VKT

456

Wattle (Green) Sedang

PM 321 White pointer

(Grey)

Mudah

PM 432 Baby blue

(Blue)

Sukar

PM 456 Malibu (Blue) Sedang

Berikut analisis dari tabel diatas:

Objek air pada ketiga komposit warna

cenderung sangat mudah untuk diidentifikasikan,

karena ketiganya memiliki warna yang berbeda

dengan objek lainnya. Kontras warna yang berbeda

membuat objek air tersebut sangat mudah untuk

diidentifikasikan. Objek lahan kosong pada

komposit 321 sangat mudah diindetifikasikan karena

warna yang berbeda dengan warna lainnya, selain

itu degradasi warna dengan objek disekitarnya

berbeda, itu memudahkan kita dalam

mengidentifikasikannya. Lahan kosong pada komposit

41

warna 432 terbilang sukar karena degradasi warna

antara lahan kosong dan pemukiman atau atap rumah

memiliki warna yang sama sehingga sangat sulit

untuk dibedakan. Sedangkan lahan kosong pada

komposit 456 sukar untuk diidentifikasikan karena

degradasi warna pada wilayah sekitar tidak terlalu

nampak sehingga sulit untuk membedakan lahan

kosong dengan daerah sekiatnya.

Objek vegetasi pada komposit 321 dan 432

terbilang sedang untuk diidentifikasikan, karena

perpaduan warna yang mencolok dengan warna

disekitarnya, akan tetapi objek vegeasi pada

komposit 456 terbilang sukar atau sulit untuk

diidentifikasikan, karena degradasi warna dari

vegetasi kerapatan rendah ke vegetasi kerapatan

sedang tidak begitu nampak bahkan cnderung hampir

sama tanpa adanya perbedaan.

Kesimpulan dari analisis ini adalah komposit

warna 321 sangat mudah hingga mudah untuk

diidentifikasikan karena ada permainan atau

degradasi warna didalamnya, selain itu komposit

321 ini termasuk kedalam natural colour sehingga

warna yang tampak pada cita sama dengan warna yang

tampak pada kenampakan aslinya. Sedangkan komposit

432 dan 456 terbilang sedang hingga sukar karena

degradasi warna yang tidak begitu nampak pada

citra sehingga sulit untuk dibedakan.

42

4.Jelaskan prinsip menyusun komposit warna citra

pada objek tanah dengan menggunakan citra landsat!

Prinsip membuat citra komposit yang lebih

menonjolkan objek tanah menggunakan citra landsat

adalah dengan melihat panjang gelombang tertinggi

yang dipantulkan dari nilai spektral yang

dipantulkan oleh objek dan besarnya nilai

presentase pantulan objek. Bila dilihat dari

grafik spektral nilai pantulan obyek tanah akan

memantulkan panjang gelombang sebesar 40% pada

panjang gelombang 1200-1300nm. Itu berarti untuk

citra landsat nilai tersebut berada pada band ETM4

dengan ETM5. Dengan demikian untuk objek tanah

dapat dibuat komposit yang melibatkan kedua band

tersebut seperti 452 atau 432

G. Kesimpulan

Dari praktikum interpretasi citra

multispektral menggunakan program ENVI 4.5 mahasiswa

mampu mengetahui cara kerja dari program ENVI 4.5

dan mampu mengidentifikasi kenampakan yang ada dalam

citra, selain itu mahasiswa mampu mengetahui adanya

komposit warna true and false color serta dapat

membedakan diantara keduanya.

H. Daftar Pustaka

43

Banata. 2013. Kombinasi band untuk pengenalan objek

landsat. Dalam

http://www.banata.net/2013/04/15/kombinasi-band-

untuk-pengenalan-obyek-di-landsat/ diakses pada

15 November 2014

Danoedoro, Projo. 1996. Pengolahan Citra Digital : Teori dan

Aplikasinya dalam Bidang Penginderaan Jauh. Yogyakarta.

Fakultas Geografi UGM

Danoedoro, Projo. 2007. Petunjuk Praktikum Pemrosesan Citra

Digital. Yogyakarta. Fakultas Geografi UGM

Inggit, et al. 2012. Kajian Penutup LAhan Provinsi

Lampung Bagian Selatan Menggunakan CitraSpot-4.

Peneliti Pustekdata: LAPAN

Heru, Sigit. 2011. Catatan kuliah Pemrosesan Citra Digital.

Yogyakarta.

Lillesand, T. M. and R. W. Kiefer 1990. Penginderaan

Jauh dan Interpretasi Citra. Diterjemahkan:

Sutanto. Gadjah Mada Universitas Press

Nur, Rusydi Alfi. 2014. Mata Kuliah Penginderaan Jauh

Interpretasi Citra Multispektral. Malang. Universitas

Negeri Malang

44