LAPORAN RESMI PRAKTIKUM
PENGINDERAAN JAUH
MODUL II
KOREKSI RADIOMETRI
MUHAMMAD SULAIMAN
26020212140030
Shift II
PROGRAM STUDI OSEANOGRAFI
JURUSAN ILMU KELAUTAN
FAKULTAS PERIKANAN DAN ILMU KELAUTAN
UNIVERSITAS DIPONEGORO
SEMARANG
2013
LEMBAR PENILAIAN
MODUL II : KOREKSI RADIOMETRI
Nama : Muhammad Sulaiman NIM : 26020212140030 Ttd : …………….
NO KETERANGAN NILAI
1. Pendahuluan
2. Tinjauan Pustaka
3. Materi dan Metode
4. Hasil dan Pembahasan
5. Kesimpulan
6. Daftar Pustaka
JUMLAH
Semarang, 30 September 2013
Mengetahui,
Koordinator Praktikum Asisten
Jasmine Khairani Zainal Oscar Agustino
K2D 009 036 K2E 009 058
Shift : 2 (Dua)
Tanggal Praktikum : 24 September 2013
Tanggal Pengumpulan : 30 September 2013
I. PENDAHULUAN
1.1. Latar Belakang
Pada zaman sekarang ini khususnya di Indonesia informasi mengenai
permukaan bumi menyebabkan kegiatan survey pemetaan di Indonesia semakin
meningkat. Pelaksanaan kegiatan survey pemetaan dapat dibedakan melalui dua
macam teknologi, yaitu Penginderaan Jauh (PJ) dan Sistem Informasi Geografi
(SIG). Penginderaan Jauh merupakan seni dan dalam ekstraksi informasi
mengenai suatu objek, wilayah atau fenomena yang dikaji (Lillesand dan Kiefer,
1987). Sedangkan Sistem Informasi Geografi merupakan seperangkat sistem
yang digunakan untuk melakukan pengelolaan, analisis dan manipulasi informasi
yang mempunyai rujukan keruangan dalam suatu sistem pemecahan masalah
(Projo Danoedoro, 1996).
Dalam penggunaan teknologi citra satelit lama kita memerlukan koreksi
radiometri. Koreksi radiometri bertujuan untuk mengurangi pengaruh hamburan
atmosfer (yang disebabkan adanya partikel-partikel di atmosfer yang memberikan
efek hamburan pada energi elektromagnet matahari yang berpengaruh pada nilai
spektral citra, sehingga nilainya akan lebih tinggi daripada sebenarnya) pada citra
satelit, terutama pada saluran tampak. Sejalan dengan berjalannya waktu, citra
satelit terbaru tidak perlu dilakukan lagi koreksi radiometri karena begitu citra
tersebut diperoleh maka secara otomotis citra satelit tersebut sudah terkoreksi.
Praktikum penginderaan jauh modul 2 membahas tentang koreksi radiometri
dimana terdiri dari metode Penyesuaian Histogram, Dark Pixel Correction,
Enhanced Dark Pixel Correction, dan Cut Off Scattergram (Anonim, 2012).
Koreksi radiometri digunakan untuk mengurangi pengaruh hamburan
atmosfer (yang disebabkan ada partikel-partikel di atmosfer yang memberikan
efek hamburan pada energy elektromagnet matahari yang berpengaruh pada nilai
spectral citra, sehingga nilainya akan lebih tinggi daripada sebenarnya) pada citra
satelit, terutama pada saluran tampak (visible light). Jensen (1986)
mengungkapkan dua metode untuk memperbaiki kualitas citra, yaitu dengan
penyesuaian histogram dan penyesuaian regresi (Anonim, 2012).
1.2. Tujuan
1. Mahasiswa diharapkan mampu melakukan koreksi radiometri.
2. Mahasiswa diharapkan mampu memeriksa atmosferic bias citra.
3. Mahasiswa diharapkan dapat menggunakan metode penyesuaian
histogram.
4. Mahasiswa diharapkan mampu melakukan teknik penyesuaian
histogram Dark Pixel Correction (DPC).
5. Mahasiswa diharapkan mampu melakukan teknik penyesuaian
histogram Enhanced Dark Pixel Correction (EDPC).
6. Mahasiswa diharapkan mampu melakukan teknik penyesuaian
histogram Cut Off Scattergram.
II. TINJAUAN PUSTAKA
2.1 Koreksi Radiometri
Koreksi radiometri (satelite Image callibration) merupakan sistem
penginderaan jauh yang digunakan untuk mengurangi pengaruh hamburan
atmosfer pada citra satelit terutama pada saluran tampak (visible light).
Hamburan atmosfer disebabkan oleh adanya partikel-partikel di atmosfer
yang memberikan efek hamburan pada energi elektromagnetik matahari yang
berpengaruh pada nilai spektral citra. Pengaruh hamburan (scattering) pada
citra yang menyebabkan nilai spektral citra menjadi lebih tinggi daripada nilai
sebenarnya (Sumaryono, 1999).
Koreksi radiometri ditujukan untuk memperbaiki nilai pixel supaya sesuai
dengan yang seharusnya, kesalahan radiometrik ini dapat disebabkan oleh dua
hal, yaitu instrumen sensor dan gangguan atmosfer. Instrumen sensor ini
disebabkan oleh ketidak konsistenan detektor dalam menangkap informasi.
Atmosfer yang biasanya sebagai sumber kesalahan utama, sebagai media
radiasi gelombang elektromagnetik akan menyerap, memantulkan atau
menstransmisikan gelombang elektromagnetik tersebut, hal ini menyebabkan
cacat radiometrik pada citra, yaitu nilai pixel yang jauh lebih tinggi atau jauh
lebih rendah dari pancaran spektral obyek yang sebenarnya (Konturgeo,
2008).
Efek atmosfer menyebabkan nilai pantulan obyek dipermukaan bumi yang
terekam oleh sensor menjadi bukan merupakan nilai aslinya, tetapi menjadi
lebih besar oleh karena adanya hamburan atau lebih kecil karena proses
serapan. Metode-metode yang sering digunakan untuk menghilangkan efek
atmosfer antara lain metode pergeseran histogram (histogram adjustment),
metode regresi dan metode kalibrasi bayangan (Projo Danoedoro, 1996).
Koreksi radiometrik dilakukan pada kesalahan oleh sensor dan sistem
sensor terhadap respon detektor dan pengaruh atmosfer yang stasioner.
Koreksi radiometrik dilakukan untuk memperbaiki kesalahan atau distorsi
yang diakibatkan oleh tidak sempurnanya operasi dan sensor, adanya atenuasi
gelombang elektromagnetik oleh atmosfer, variasi sudut pengambilan data,
variasi sudut eliminasi, sudut pantul dan lain-lain yang dapat terjadi selama
pengambilan, pengiriman serta perekaman data. Spesifikasi kesalahan
radiometric adalah :
Kesalahan sapuan akibat pemakaian Multi Detektor dalam mengindra
garis citra
Memperkecil kesalahan pengamatan detektor yang berubah sesuai
perubahan waktu
Kesalahan berbentuk nilai digital yang mempunyai hubungan linier
dengan tingkat radiasi dan panjang gelomang elektromagnetik
Koreksi dilakukan sebelum data didistribusi
Koreksi dilakukan dengan kalibrasi cahaya yang keluar dari detektor
dengan mengarahkan scanner pada filter yang disinari secara
elektronikuntuk setiap sapuan
Kesalahan yang dapat dikoreksi otomatis adalah kesalahan sistematik
dan tetap, yang tetap diperkirakan sebelumnya
Kesalahan garis scan dapat dikoreksi dengan penyesuaian histogram
tiap detector pada daerah-daerah homogeny misalnya diatas badan air,
apabila ada penyimpangan dapat diperbaiki
Kesalahan bias atau pengaturan kembali detektor apabila mean dan
median detektor berbeda.
(Rahmiariani, 2009)
Koreksi radiometrik oleh respon detektor dipengaruhi oleh jumlah
detektor yang digunakan dalam penginderaan jauh adalah untuk merubah
radiasi yang ditangkap sensor menjadi harga voltage dan kecerahan.
1. Koreksi Akibat Ketidak-sempurnaan Sistem Sensor :
a. Line Dropout
Terjadi kesalahan hilangnya garis terjadi karena salah satu detektor
tidak berfungsi atau mati selama proses penyiaman sehingga pixel dalam
salah satu garis bernilai nol (hitam). Masalah ini sangat serius karena tidak
mungkin memperbaiki data yang tidak pernah diambil. Namun, agar
kemampuan tafsiran secara visual atas data tersebut dapat ditingkatkan,
dapat dimasukkan nilai kecerahan estimasi pada setiap garis rusak tersebut
(Rahmiariani, 2009).
Untuk menentukan lokasi garis rusak itu dibuat suatu algoritma
ambang sederhana untuk menandai setiap garis yang mempunyai nilai
kecerahan rata-rata bernilai nol atau mendekati nol. Jika
telah teridentifikasi, koreksi diberikan dengan memasukkan nilai
kecerahan rata-rata bulat dari nilai pixel garis tetangga-tetangga
sebelahnya pada garis rusak itu. Citra dengan data hasil interpolasi
tersebut lebih mudah ditafsirkan daripada citra yang mempunyai garis-
garis hitam yang tersebar di seluruh bagiannya (Rahmiariani, 2009).
b. Stripping atau bounding
Terjadi karena salah satu detektor tidak terkoreksi secara benar
sehingga data hasil rekamannya berbeda dengan detektor lainnya.
Misalnya, pembacaannya menjadi dua kali lebih besar daripada detektor
lainnya pada band yang sama. Data tersebut sah tapi harus dikoreksi agar
memiliki kontras yang sama dengan detektor lainnya untuk setiap
penyiaman. Untuk itu, garis yang salah dapat diidentifikasi dengan
menghitung histogram nilai setiap detektor pada daerah yang homogen,
misalnya pada badan air. Jika rata-rata atau mediannya sangat berbeda dari
lainnya, diperkirakan detektor tersebut belum terkoreksi. Untuk itu, diberi
koreksi bias (menambah atau mengurangi) atau koreksi multiplikasi
(perkalian) (Rahmiariani, 2009).
Beberapa sistem penyiam, seperti Landsat TM, terkadang
menimbulkan jenis derau garis-penyiaman yang unik, yang merupakan
fungsi dari (1) perbedaan relatif hasil dan/atau offset (ketidak-tepatan
posisi detektor) di antara ke 16 detektor dalam suatu band (menyebabkan
striping) dan/atau (2) adanya variasi (ketidak-samaan gerakan) antara
proses penyiaman saat maju dan saat mundur (menyebabkan kesalahan
yang disebut banding). Koreksi diberikan dengan metode filtering atau
transformasi Fourier (Rahmiariani, 2009).
c. Line start
Kesalahan line-start terjadi karena sistem penyiam gagal merekam
data pada awal baris. Atau, dapat juga sebuah detektor tiba-tiba berhenti
merekam data di suatu tempat sepanjang penyiaman sehingga hasilnya
mirip hilangnya garis. Idealnya, jika data tidak terekam, sistem sensor
diprogram untuk mengingat apa saja yang tidak terrekam lalu
menempatkan setiap data yang baik pada lokasi yang tepat selama
penyiaman (Rahmiariani, 2009).
Namun, hal itu tidak selalu terjadi. Misalnya, dapat terjadi pixel
pertama (kolom 1) pada garis ke 3 secara tidak benar ditempatkan
pada kolom 50 pada garis ke 3. Jika lokasi pergeseran awal garis
selalu sama, misalnya bergeser 50 kolom, koreksi dapat
dilakukan dengan mudah. Namun, jika pergeseran awal garis
terjadi secara acak, restorasi data sulit dilakukan tanpa interaksi
manusia secara ekstensif dalam koreksi basis garis-per-garis (Rahmiariani,
2009).
2. Koreksi Akibat Gangguan Alam
a. Pengaruh atmosfer
Terjadinya pelemahan atmospheric karena penghamburan dan
penyerapan gelombang cahaya menyebabkan energi yang terrekam sensor
lebih kecil daripada yang dipancarkan atau dipantulkan permukaan bumi.
Koreksi yang diberikan meliputi koreksi radiometrik absolut dan relative
(Sri Hartanti, 1994).
b. Pengaruh topografi
Pengaruh topografi berupa slope dan aspek akan menimbulkan
perbedaan nilai kecerahan pixel pada obyek sama, sehingga menimbulkan
distorsi radiometrik. Empat metode koreksi slope-aspek topografi adalah
koreksi kosinus, dua metode semi empiris (metode Minnaert dan koreksi
C), dan koreksi empirik-statistik (Sri Hartanti, 1994).
2.2 Penyesuaian Histogram
Dengan histogram kita bisa mengetahui nilai piksel terendah saluran
tersebut, asumsi yang melandasi metode ini adalah bahwa dalam proses
coding digital oleh sensor, obyek yang memberikan respon spektral paling
lemah atau tidak memberikan respon sama sekali seharusnya bernilai nol.
Apabila nilai ini ternyata > 0 maka nilai terserbut dihitung sebagai offset, dan
koreksi dilakukan dengan mengurangi keseluruhan nilai pada saluran tersebut
dengan offset-nya. Metode ini paling sederhana, hanya dengan melihat
histogram tiap saluran secara independen ( F. Sabins, 1996).
Penyesuaian histogram ini melewati beberapa tahap, dan hasilnya tidak
selalu naik. Hal ini disebabkan karena tidak setiap citra mempunyai nilai
objek yang ideal untuk dikoreksi, seperti air jernih atau bayangan awan.
Dibandingkan dengan teknik penyesuaian histogram hasilnya tidak jauh
berbeda (Sutanto, 1987).
2.3 Penyesuaian Regresi
Penyesuaian regresi diterapkan dengan memplot nilai-nilai piksel hasil
pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila
ada saluran rujukan (yang relatif bebas gangguan) yang menyajikan nilai nol
untuk obyek tertentu. Kemudian tiap saluran dipasangkan dengan saluran
rujukan tersebut untuk membentuk diagram pancar nilai piksel yang diamati.
Cara ini secara teoritis mudah namun secara prakteknya sulit, karena
gangguan atmosfer terjadi hampir pada semua spektra tampak dan saluran.
Pengambilan pixel-pixel pengamatan harus berupa obyek yang secara gradual
berubah naik nilainya, pada kedua saluran sekaligus dan bukan hanya pada
salah satu saluran.( Sutanto, 1987)
Penyesuaian regresi (regression adjusment) pada prinsipnya
menghendaki analisis untuk mengidentifikasi objek bayangan atau air jernih
pada citra yang akan dikoreksi. Nilai kecerahan pada objek dari setiap
saluran di plotkan dalam sumbu koordinat secara berlawanan arah antara
saluran tampak (seperti TM saluran 1, 2, 3) dan saluran infra merah (seperti
TM 4,5,7). Pada diagram ini garis lurus dibuat menggunakan teori
least.square. perpotongannya dengan sumbu X akan menunjukkan besarnya
nilai bias demikian seterusnya untuk saluran yang lain (Anonim, 2012).
2.3.1. DPC (Dark Pixel Correction)
Koreksi piksel gelap merupakan metode sederhana yang digunakan
untuk menghilangkan efek atmosfer saat image radiance. Efek ini terkait
dengan kontribusi hamburan aditif (additive scaterring) dari atmosfer dan
efek dari transmisi multiplikatif energi melalui atmosfer (Anonim, 2012).
2.3.2. EDPC (Enhanced Dark Pixel Correction)
Enhanced Dark Pixel Correction merupakan bagian dari metode
penyesuaian regresi yang digunakan untuk menghilangkan efek dari
atmosfer untuk Image Enhancement (Penajaman Citra). Pada metode ini
system kerjanya hampir mirip dengan metode DPC. Pada metode ini, harus
memasukkan nilai range yang tercantum dalam actual input limits. Pada
Enhanced Dark Pixel Correction terdapat dua layer yang berbeda, yang
dimanan pada layer kedua lebih terang dibandingkan layer pertama dan
gambar layernya lebih tajam (Anonim, 2012).
2.3.3. Cut – Off (Scattergram)
Fungsi ini untuk membantu menganalisis data yang bekerja pada data
dalam mode spektral, scattegram juga berguna untuk klasifikasi
tanah,membuat raster daerah,dan membuat poligon vektor. Scattering
terjadi bila partikel atau molekul gas yang besar yang ada di atmosfer
berinteraksi dan menyebabkan arah radiasi elektromagnetik melenceng dari
jalur sebenarnya. Besarnya penyimpangan ini tergantung pada beberapa
faktor termasuk panjang gelombang radiasi, kelimpahan pertikel dan gas
dan jarak perjalanan radiasi (Anonim, 2012).
III. MATERI DAN METODE
3.1 Waktu dan Tempat
Hari / Tanggal : Selasa, 24 September 2013.
Waktu : 14.40 WIB – Selesai.
Tempat : Laboratorium Komputasi, Gedung E, Lantai 2, Jurusan
Ilmu Kelautan, FPIK, UNDIP, Semarang.
3.2 Materi
Materi praktikum inderaja yang disampaikan adalah :
1. Memeriksa nilai atmosfer bias citra.
2. Penyesuaian histogram
3. Pengecekan data, penyesuaian histogram
4. Regresi
DPC ( Dark Pixel Correction )
EDPC ( Enhanched Dark Pixel Correction )
Cut Off ( Scattergram )
3.3 Metode
3.3.1 Memeriksa Nilai Atmosphere Bias Citra
1. Buka aplikasi ER Mapper, lalu klik icon Edit Algorithm
2. Klik Load Dataset , buka file citra Landsat_TM_23Apr85.ers , lalu
klik ok.
3. Lalu Duplicate pseudo layer menjadi 6. Ganti namanya dengan
band 1 hingga band 7 (tanpa mengikuti Band 6).
4. Ganti Band sesuai dengan namanya, klik pada bagian pilih B1 ; Band 1
dan seterusnya sampai Band 7
5. Untuk melihat nilai transform bias , klik icon Edit Transform
Limits dan pilih Band 1 sampai dengan Band 7. Maka akan muncul
nilai atmosfer bias masing – masing Band.
3.3.2 Penyesuaian Histogram
1. Pada aplikasi ER Mapper, lalu klik icon Edit Algorithm
2. Klik Load Dataset , buka file citra Landsat_TM_23Apr85.ers, lalu
klik ok.
3. Lalu Duplicate pseudo layer menjadi 6. Ganti namanya dengan band
1 hingga band 7 (tanpa mengikuti Band 6)
4. Ganti Band sesuai dengan namanya, klik pada bagian pilih B1 ; Band 1
dan seterusnya sampai Band 7
5. Untuk melihat nilai transfor bias, klik icon Edit Transform Limits dan
pilih Band 1 sampai dengan Band 7. Maka akan muncul nilai atmosfer
bias masing – masing Band. Pilih band 1, klik icon Formula Editor, maka
akan muncul Window Formula Editor. Pada dialog box dimana terdapat
tulisan INPUT1, ketik nilai nilai atmospheric biasnya. Contoh pada Band
1, INPUT1-68. klik apply changes.
6. Lakukan hal yang sama seperti di atas pada pada setiap band mulai dari
band 1 sampai dengan band 7.
7. Klik icon edit transform limits, pada active windows klik Edit, Delete
this Transform. Lakukan hingga pada setiap band.
8. Lalu simpan dengan nama file
Koreksi_Histogram_MuhammadSulaiman_26020212140030.ers. Pada file
types pilih ER Mapper Raster Dataset(.ers). klik OK.
3.3.3 Pengecekan Data
Tutup semua windows, Pada aplikasi ER Mapper, lalu klik icon Edit
Algorithm, kemudian klik icon load dataset untuk membuka file
Koreksi_Histogram_MuhammadSulaiman_26020212140030.ers,
Kemudian klik icon edit transform limits dan cek nilai atmospheric Amati
nilai Actual Input Limits, pastikan bernilai 1 dari band 1 sampai band 7,
Lakukan pada setiap Band ..
3.3.4 Penyesuaian Regresi
3.3.4.1 Dark Pixel Correction (DPC)
1. Klik icon Land Application Wizard pada aplikasi Er-Mapper
2. Pada Window Land Aplication Wizard, klik next
3. Pilih Process TM Imagenary, lalu klik next
4. Pilih Athmospheric Effect Correction, lalu klik next.
5. Pilih Dark Pixel Correction, lalu klik next
6. Pada dialog box specify an input TM dataset, masukkan citra yang akan
dikoreksi berupa citra Landsat_TM_23Apr85.ers , lalu klik ok/
7. Pada dialog box specify an output filename, masukkan nama file output-nya.
BelumKoreksi_DPC_MuhammadSulaiman_26020212140030.ers.
Kemudian klik Finish.
8. Akan muncul citra dengan 7 band yang belum terkoreksi
9. Cut pada band DPC_TM6
10. Kemudian klik icon edit transform limits dan cek nilai atmosferik biasnya
pada window Transform.
11. Pada window Transform klik edit dan pilih Delete this Transform, lakukan
hingga pada setiap band.
12. Lalu simpan dengan nama file
SudahKoreksi_DPC_MuhammadSulaiman_26020212140030.ers. Pada file
types pilih ER Mapper Raster Dataset(.ers). klik OK
13. Tutup semua windows, kemudian klik , kemudian klik Edit Algorithm , lalu
klik icon load dataset untuk membuka baru file yang telah dikoreksi
14. Kemudian klik icon edit transform limits dan cek nilai atmospheric, Amati
nilai Actual Input Limits, pastikan bernilai 1 dari band 1 sampai band 7,
Lakukan pada setiap Band
3.3.4.2 Enchanched Dark Pixel Correction (EDPC)
1. Klik icon Land Application Wizard pada aplikasi Er-Mapper
2. Pada window Land Application Wizard , klik next
3. Pilih Process TM Imagery , klik next
4. Pilih Atmospheric Effect Corecction , klik next
5. Pada window Processing TM Imagery Atmospheric, pilih Enchanced Dark
Pixel Correction. Lalu klik next
6. Masukkan file citra yang akan dikoreksi, citra Landsat_TM_23Aprr85.ers.
klik next
7. Pilih Use TM1 as Initial Band dan masukkan nilai atmospheric biasnya.
Nilai atmospheric bias dapat dilihat pada windows transform, klik next.
8. Pada select an option pilih sesuai dengan nilai atmospheric biasnya dan
tuliskan nama file outputnya yaitu
BelumKoreksi_EDPC_MuhammadSulaiman_26020212140030.ers. Lalu
Klik Finish
9. Akan muncul citra dengan 7 band yang belum terkoreksi, Cut pada band
TM6
10. Pilih icon Edit Transform Limit pada Algorithm, pilih Edit pada menu
Transform, lalu Delete This Transform. Lakukan tahap ini pada band 1
sampai band 7.
11. Lalu klik Save As dengan nama file
SudahKoreksi_EDPC_MuhammadSulaiman_26020212140030.ers. Pada
file types pilih ER Mapper Raster Dataset(.ers). klik OK
12. Tutup semua windows, kemudian klik Edit Algorithm , lalu load
dataset untuk membuka baru file yang telah dikoreksi.
13. Pilih icon Edit Transform Limit pada Algorithm, Amati nilai Actual
Input Limits, pastikan bernilai 1 dari band 1 sampai band 7, Lakukan pada
setiap Band .
3.3.4.3 Cut Off Scattergram
1. Klik icon Land Application Wizard pada aplikasi ER MAPPER
2. Pada Window Land Aplication Wizard, klik next
3. Pilih Process TM Imagenary, lalu klik next
4. Pilih Athmospheric Effect Correction, lalu klik next
5. Pilih Cut-Off Values ( Scattergram ). Lalu klik next
6. Pada dialog box specify an input TM dataset, masukkan citra yang akan
dikoreksi berupa citra Landsat_TM_23Apr85.
7. Pada dialog box specify an output filename, masukkan nama file output-nya.
BelumKoreksi_CutOff_MuhammadSulaiman_26020212140030.ers,
Kemudian klik next
8. Pada window New Map Composition, klik close
9. Isi kolom Specity Cut-Off Value for TM1 sampai TM7 (kecuali TM6)
dengan nilai Actual X Axis (B1) Input limits dan Actual Y Axis (B2). Isilah
sesuai dengan nama masing-masing band. Untuk mengganti nilai X Axis
atau Y Axis, pilih Setup pada menu Scattergram. Hal ini dilakukan untuk
mengisi kolom Specity Cut-Off Value for TM3 sampai TM7.
1. Actual X Axis (B1) Input limits dan Actual Y Axis (B2)
2. Actual X Axis (B3) Input limits dan Actual Y Axis (B4)
3. Actual X Axis (B5) Input limits dan Actual Y Axis (B7)
10. Setelah semua kolom terisi, klik Finish
11. Akan muncul citra dengan 7 band yang belum terkoreksi, Cut pada band
TM6
12. Pilih icon Edit Transform Limit pada Algorithm, pilih Edit pada
menu Transform, lalu Delete This Transform. Lakukan tahap ini pada
band 1 sampai band 7.
Band 1 :
13. Save as citra tersebut dengan nama yang kita inginkan
SudahKoreksi_Cutoff_MuhammadSulaiman_26020211130025.ers, klik
OK.
14. Tutup semua windows, kemudian klik Edit Algorithm , Load Dataset
untuk membuka baru file yang telah dikoreksi Pilih icon Edit
Transform Limit pada Algorithm, Amati nilai Actual Input Limits,
pastikan bernilai 1dari band 1 sampai band 7.
Band 1 dst.
IV. HASIL DAN PEMBAHASAN
IV.1 Hasil
4.1.1 Pemeriksaan Nilai Atmosfer Bias
Band Nilai Minimum Nilai Maximum
Band 1 68 255
Band 2 21 223
Band 3 15 254
Band 4 4 220
Band 5 2 255
Band 7 1 247
Band 1 :
Band 2 :
Band 3:
Band 4:
Band 5 :
Band 7 :
4.1.2 Penyesuaian Histogram
a. Sebelum Koreksi
Band Nilai Minimum Nilai Maximum
Band 1 68 255
Band 2 21 223
Band 3 15 254
Band 4 4 220
Band 5 2 255
Band 7 1 247
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
b. Setelah Dikoreksi
Band Nilai Minimum Nilai Maximum
Band 1 1 187
Band 2 1 202
Band 3 1 239
Band 4 1 216
Band 5 1 253
Band 7 1 246
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
4.1.3 Penyesuaian Regresi
4.1.3.1 Dark Pixel Correction (DPC)
a. Sebelum dikoreksi
Band Nilai Minimum Nilai Maximum
Band 1 1 188
Band 2 1 191
Band 3 0 237
Band 4 -2 205
Band 5 -1 253
Band 7 0 240
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
b. Setelah dikoreksi
Band Nilai Minimum Nilai Maximum
Band 1 1 188
Band 2 1 196
Band 3 1 240
Band 4 1 202
Band 5 1 253
Band 6 1 250
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
4.1.3.2 Enchanched Dark Pixel Correction (EDPC)
a. Sebelum Koreksi
Band Nilai Minimum Nilai Maximum
Band 1 0 188
Band 2 -6.08065 188.91935
Band 3 -9.887156 229.112844
Band 4 -14.1118316 192.8881684
Band 5 -29.1111868 224.8888132
Band 6 -30.2289312 215.7710688
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
b. Setelah Koreksi
Band Nilai Minimum Nilai Maximum
Band 1 1 188
Band 2 1 196
Band 3 1 229
Band 4 1 203
Band 5 1 225
Band 6 1 216
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
4.1.3.3 Cut-Off Values (Scattergram)
a. Sebelum Koreksi
Band Nilai Minimum Nilai Maximum
Band 1 -1 187
Band 2 0 195
Band 3 0 239
Band 4 -3 204
Band 5 0 254
Band 6 0 246
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
b. Setelah Koreksi
Band Nilai Minimum Nilai Maximum
Band 1 1 187
Band 2 1 202
Band 3 1 239
Band 4 1 214
Band 5 1 254
Band 6 1 246
Band 1 :
Band 2 :
Band 3 :
Band 4 :
Band 5 :
Band 7 :
IV.2 Pembahasan
4.2.1 Koreksi Radiometri
Pada praktikum inderaja modul 2 ini masih menggunakan software ER
Mapper yang fungsinya untuk mengolah data citra atau satelit. Di
dalam software ER Mapper ini koreksi radiometri ditujukan untuk
memperbaiki nilai pixel supaya sesuai dengan yang seharusnya yang
biasanya mempertimbangkan faktor gangguan atmosfer sebagai
sumber kesalahan utama. Koreksi radiometri dilakukan menggunakan
metode yang paling sederhana, yaitu penyesuaian histogram dan
penyesuaian regresi.
4.2.2 Penyesuaian Histogram
Penyesuaian histogram dilakukan dengan menambahkan nilai
terendah pada window Formula Editor. Misal nilai terendah pada Band
1 adalah 68 maka kita tuliskan INPUT1 – 68.Kata INPUT1 sudah ada
pada Formula Editor sehingga kita hanya menuliskan nilai
terendahnya saja. Pengurangan angka dilakukan tanpa memperhatikan
nilai positif (+) dan negatif (-) masing–masing nilai tersebut. Setelah
dilakukan koreksi dengan penyesuaian histogram didapatkan nilai
band yang dimulai dari 1.
4.2.3 Penyesuaian Regresi
Metode yang digunakan dalam praktikum ini adalah metode
regresi. Penyesuaian regresi diterapkan dengan memplot nilai-nilai
pixel hasil pengamatan dengan beberapa saluran sekaligus. Hal ini
diterapkan apabila ada saluran rujukan (yang relatif bebas gangguan)
yang menyajikan nilai nol untuk obyek tertentu. Kemudian tiap
saluran di pixel angkanya dengan saluran rujukan tersebut untuk
membentuk diagram pancar nilai yang diamati. Pengambilan pixel-
pixel pengamatan harus berupa obyek yang secara gradual berubah
naik nilainya, pada kedua saluran sekaligus dan bukan hanya pada
salah satu saluran.
4.2.3.1 Dark Pixel Correction (DPC)
Fungsi Dark Pixel Correction terdapat pada window Land
Application Wizard toolbar Remote Sensing. Setelah muncul
window Dark Pixel Correction maka kita memasukkan file input
dan band-nya. Kemudian Koreksi telah dilakukan secara otomatis
oleh ER Mapper berdasarkan Dark Pixel Correction yang kita
pilih.
4.2.3.2 Enhanched Dark Pixel Correction (EDPC)
Nilai TM yang digunakan kali ini adalah TM 3 yang
memiliki nilai terbesar dari pada nilai TM yang lain. Kemudian
setelah memasukkan nilai TM yang paling kecil terdapat pilihan
untuk pembersihan yang dilakukan yaitu Very Clear, Clear,
Moderate, Hazy, dan Very Hazy. Pada praktikum kali ini kita
menggunakan metode koreksi Clear dengan syarat TM1
>55<=75.
4.2.3.3 Cut-Off ( Scattegram )
Cara Cut Off merupakan cara ketiga dalam koreksi atmosfer
yang menggunakan dua variasi Scattergram. Dengan
memasukkan nilai terendah tiap – tiap Band pada window
Scattergram. Pada kerja Cut Off ini spesifik value dari cut off
adalah TM1 sampai TM5 dan TM7. Setelah nilai TM yang ada
dimasukkan, pada layer Cut layer TM6 yang tidak digunakan
pada koresi kali ini.
V. KESIMPULAN
1. Koreksi radiometri ditujukan untuk memperbaiki nilai pixel supaya sesuai
dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan
atmosfer sebagai sumber kesalahan utama.
2. Penyesuaian histogram dilakukan dengan menambahkan nilai terendah pada
window Formula Editor. Misal nilai terendah pada Band 1 adalah 68 maka
kita tuliskan INPUT1 – 68.Kata INPUT1 sudah ada pada Formula Editor
sehingga kita hanya menuliskan nilai terendahnya saja.
3. Penyesuaian regresi diterapkan dengan memplot nilai-nilai pixel hasil
pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila
ada saluran rujukan (yang relatif bebas gangguan) yang menyajikan nilai nol
untuk obyek tertentu.
4. Fungsi Dark Pixel Correction terdapat pada window Land Application
Wizard toolbar Remote Sensing.
5. Enhanched Dark Pixel Correction metode pembersihan yang dilakukan yaitu
Very Clear, Clear, Moderate, Hazy, dan Very Hazy. Pada praktikum kali ini
kita menggunakan metode koreksi Clear dengan syarat TM1 >55<=75.
6. Cara Cut Off merupakan cara ketiga dalam koreksi atmosfer yang
menggunakan dua variasi Scattergram. Dengan memasukkan nilai terendah
tiap – tiap Band pada window Scattergram.
DAFTAR PUSTAKA
Anonim.2012.http://inderaja-edit_transform_limit.com, diakses pada 28
September 2013 pukul 19:22 WIB.
Anonim.2012. http://anjar.web.ugm.ac.id, diakses pada 28 September 2013 pukul
19:25 WIB.
Anonim.2012. www.geocities.com/yaslinus/citra.html, diakses pada 28 September
2013 pukul 23:00 WIB.
Anonim.2012. http://library.usu.ac.id, diakses pada 28 September 2013 pukul
19:44 WIB.
Danoedoro, P. 1990. Beberapa Teknik Operasi dalam Sistem Informasi Geografis.
Puspics UGM - Bakosurtanal. Yogyakarta.
Janssen, L. F. Lucas, H. Middlekoop.1986. International Journal of Remote
Sensing Vol. 13, No. 15, (1986) 2827-2837.
Konturgeo.2008.http://konturgeo.blogspot.com/2008/09/koreksi-radiometrik.html,
diakses pada 28 September 2013 pukul 19.30 WIB.
Lillesand dan Kiefer.1987. Penginderaan Jauh dan Interpretasi Citra. Gadjah
Mada University Press, Yogyakarta.
Rahmiariani. 2009. http://rahmiariani.blogspot.com/2009/04/koreksi-citra.html ,
diakses pada 28 September 2013 pukul 19.55 WIB.
Sabins, Floyd F. 1996. W. Remote Sensing. Principles and Interpretation.
Soenarmo, Sri Hartanti. 1994. Pengindraan Jauh dan Pengenalan Sistem
Informasi Geografi untuk Bidang ilmu Kebumian. Bandung : ITB.
Sumaryono. 1999. Pemanfaatan Penginderaan Jauh Untuk Pemantauan
Reboisasi Di Sub DAS Roraya-Kendari dalam Prosiding Pertemuan Ilmiah
Tahun Ke-8 MAPIN (Masyarakat Penginderaan Jauh Indonesia). Jakarta.
Sutanto, 1987. Penginderaan Jauh I, Gajah Mada University Press, Yogyakarta.