vj_adjie's blog: 2009

Penginderaan Jauh (Remote Sensing)

Oleh : Miftahul Arozaq. S.Si

Pendahuluan

Konsep dasar

Bab ini akan membahas konsep dasar Penginderaan Jauh (PJ) yang akan memberi anda bekal yang cukup untuk memulai memakai data Landsat dan mengeksplorasi lebih lanjut bidang PJ. Topik utama yang akan disajikan adalah:

Pengantar PJ

Teknologi PJ

Radiasi elektromagnetik
Sensor

Pengantar pengolahan citra

Bagi anda yang berminat untuk memperdalam lebih jauh pengetahuan di bidang ini, kami anjurkan untuk mencari berbagai pustaka yang tersedia, baik dari buku maupun bahan on-line yang memberikan bahasan yang lebih dalam dan luas mengenai PJ. Bekerja hands-on dengan software pengolahan citra tertentu mutlak diperlukan.

Definisi PJ

PJ adalah “Pengambilan atau pengukuran data / informasi mengenai sifat dari sebuah fenomena, obyek atau benda dengan menggunakan sebuah alat perekam tanpa berhubungan langsung dengan bahan study.“ (http:/rst.gsfc.nasa.gov/Intro/Part2_1.html)

Komponen dasar

Empat komponen dasar dari sistem PJ adalah target, sumber energi, alur transmisi, dan sensor. Komponen dalam sistem ini berkerja bersama untuk mengukur dan mencatat informasi mengenai target tanpa menyentuh obyek tersebut. Sumber energi yang menyinari atau memancarkan energi elektromagnetik pada target mutlak diperlukan. Energi berinteraksi dengan target dan sekaligus berfungsi sebagai media untuk meneruskan informasi dari target kepada sensor. Sensor adalah sebuah alat yang mengumpulkan dan mencatat radiasi elektromagnetik. Setelah dicatat, data akan dikirimkan ke stasiun penerima dan diproses menjadi format yang siap pakai, diantaranya berupa citra. Citra ini kemudian diinterpretasi untuk menyarikan informasi mengenai target. Proses interpretasi biasanya berupa gabungan antara visual dan automatic dengan bantuan computer dan perangkat lunak pengolah citra.

Gambar 1. Komponen dasar

Beberapa contoh teknologi PJ

Contoh sistem PJ yang paling dikenal adalah satelit pemantauan cuaca bumi. Dalam hal ini, target adalah permukaan bumi, yang melepaskan energi dalam bentuk radiasi infrared (atau energi panas). Energi merambat melalui atmosfir dan ruang angkasa untuk mencapai sensor, yang berada pada platform satelit. Beberapa level energi kemudian dicatat, dikirimkan ke stasiun penerima di bumi, dan diubah menjadi citra yang menunjukkan perbedaan suhu pada permukaan bumi. Dengan cara yang sama, sensor cuaca yang berada pada satelit mengukur energi cahaya yang nampak dari matahari ketika dipantulkan

oleh permukaan bumi, dikirimkan melalui ruang angkasa kepada sensor, dicatat dan dikirim ke bumi untuk pemrosesan.

Bentuk lain PJ yang banyak dikenal pada skala yang jauh lebih kecil adalah teknologi citra untuk kedokteran seperti Magnetic Resonance Imaging (MRI), sonogram, dan X-Ray Imaging. Semua teknologi ini menggunakan beberapa bentuk energi untuk menghasilkan citra dari bagian dalam tubuh manusia. Berbagai macam bentuk energi yang dihasilkan dari sebuah mesin ditembakkan kepada target.

Sensor kemudian mengukur bagaimana energi ini diserap, dipantulkan atau dikirimkan ke arah lain oleh target, dan hasilnya akan dikumpulkan dalam bentuk sebuah citra. Teknologi ini sangat membantu dalam hal memeriksa sistem internal dalam tubuh manusia tanpa melakukan pembedahan.

Lebih jauh lagi, PJ memungkinkan kita untuk mempelajari hal-hal di luar planet bumi. Berbagai bentuk astronomi adalah contoh dari PJ, karena target yang diteliti berada dalam jarak yang sangat jauh dari bumi sehingga kontak fisik tidak dimungkinkan. Astronomer menggunakan teleskop and alat sensor lain. Informasi dicatat dan digunakan untuk mengambil kesimpulan mengenai ruang angkasa dan alam semesta.

PJ untuk lingkungan hidup adalah penelitian mengenai interaksi antara sistem alam di bumi menggunakan teknologi PJ. Beberapa keuntungan menggunakan teknik PJ dalam hal ini adalah:
ƒ Lebih luasnya ruang lingkup yang bisa dipelajari.
ƒ Lebih seringnya sesuatu fenomena bisa diamati.

ƒ Dimungkinkannya penelitian di tempat-tempat yang susah atau
berbahaya untuk dijangkau manusia, seperti daerah kutub, kebakaran
hutan, aktivitas gunung berapi.

Teknologi PJ

Sebuah platform PJ dirancang sesuai dengan beberapa tujuan khusus. Tipe sensor dan kemampuannya, platform, penerima data, pengiriman dan pemrosesan harus dipilih dan dirancang sesuai dengan tujuan tersebut dan beberapa faktor lain seperti biaya, waktu dsb.

Resolusi sensor

Rancangan dan penempatan sebuah sensor terutama ditentukan oleh karakteristik khusus dari target yang ingin dipelajari dan informasi yang diinginkan dari target tersebut. Setiap aplikasi PJ mempunyai kebutuhan khusus mengenai luas cakupan area, frekuensi pengukuran dan tipe energi yang akan dideteksi. Oleh karena itu, sebuah sensor harus mampu memberikan resolusi spasial, spectral dan temporal yang sesuai dengan kebutuhan aplikasi.

Resolusi spasial menunjukkan level dari detail yang ditangkap oleh
sensor. Semakin detail sebuah study semakin tinggi resolusi spasial yang
diperlukan. Sebagai ilustrasi, pemetaan penggunaan lahan memerlukan
resolusi spasial lebih tinggi daripada sistem pengamatan cuaca berskala
besar.

Resolusi spektral menunjukkan lebar kisaran dari masing-masing band spektral yang diukur oleh sensor. Untuk mendeteksi kerusakan tanaman dibutuhkan sensor dengan kisaran band yang sempit pada bagian merah. Resolusi temporal menunjukkan interval waktu antar pengukuran. Untuk memonitor perkembangan badai, diperlukan pengukuran setiap beberapa menit. Produksi tanaman membutuhkan pengukuran setiap musim, sedangkan pemetaan geologi hanya membutuhkan sekali pengukuran.

Platform

Ground-Based Platforms: sensor diletakkan di atas permukaan bumi dan tidak berpindah-pindah. Sensornya biasanya sudah baku seperti pengukur suhu, angin, pH air, intensitas gempa dll. Biasanya sensor ini diletakkan di atas bangunan tinggi seperti menara.

Aerial platforms: biasanya diletakkan pada sayap pesawat terbang, meskipun platform airborne lain seperti balon udara, helikopter dan roket juga bisa digunakan. Digunakan untuk mengumpulkan citra yang sangat detail dari permukaan bumi dan hanya ditargetkan ke lokasi tertentu. Dimulai sejak awal 1900-an.

Satellite Platforms: sejak awal 1960 an sensor mulai diletakkan pada satelit yang diposisikan pada orbit bumi dan teknologinya berkembang pesat sampai sekarang. Banyak studi yang dulunya tidak mungkin menjadi mungkin.

Komunikasi dan pengumpulan data

Pengiriman data yang dikumpulkan dari sebuah sistem RS kepada pemakai kadang-kadang harus dilakukan dengan sangat cepat. Oleh karena itu, pengiriman, penerimaan, pemrosesan dan penyebaran data dari sebuah sensor satelit harus dirancang dengan teliti untuk memenuhi kebutuhan pemakai.

Pada ground-based platforms, pengiriman menggunakan sistem komunikasi ground-based seperti radio, transmisi microwave atau computer network. Bisa juga data disimpan pada platform untuk kemudian diambil secara manual. Pada aerial Platforms, data biasanya disimpan on board dan diambil setelah pesawat mendarat. Dalam hal satellite Platforms, data dikirim ke bumi yaitu kepada sebuah stasiun penerima. Berbagai cara transmisi yang dilakukan:

ƒ langsung kepada stasiun penerima yang ada dalam jangkauan,

ƒ disimpan on board dan dikirimkan pada saat stasiun penerima ada
dalam jangkauan,

ƒ terus menerus, yaitu pengiriman ke stasiun penerima melalui
komunikasi satelit berantai pada orbit bumi, atau

ƒ kombinasi dari cara-cara tersebut. Data diterima oleh stasiun penerima
dalam bentuk format digital mentah. Kemudian data tersebut akan
diproses untuk pengkoreksian sistematik, geometrik dan atmosferik

dan dikonversi menjadi format standard. Data kemudian disimpan dalam tape, disk atau CD. Data biasanya disimpan di stasiun penerima dan pemproses, sedangkan perpustakaan lengkap dari data biasanya dikelola oleh pemerintah ataupun perusahaan komersial yang berkepentingan.

Radiasi Elektromagnetik

Berangkat dari bahasan kita di atas mengenai komponen sistem PJ, energi elektromagnetik adalah sebuah komponen utama dari kebanyakan sistem PJ untuk lingkungan hidup, yaitu sebagai medium untuk pengiriman informasi dari target kepada sensor. Energi elektromagnetik merambat dalam gelombang dengan beberapa karakter yang bisa diukur, yaitu: panjang gelombang/wavelength, frekuensi, amplitude/amplitude, kecepatan. Amplitudo adalah tinggi gelombang, sedangkan panjang gelombang adalah jarak antara dua puncak.

Frekuensi adalah jumlah gelombang yang melalui suatu titik dalam
satu satuan waktu. Frekuensi tergantung dari kecepatan merambatnya
gelombang. Karena kecepatan energi elektromagnetik adalah konstan
(kecepatan cahaya), panjang gelombang dan frekuensi berbanding
terbalik. Semakin panjang suatu gelombang, semakin rendah
frekuensinya, dan semakin pendek suatu gelombang semakin tinggi
frekuensinya.

Gambar 2. Energi elektromagnetik

Energi elektromagnetik dipancarkan, atau dilepaskan, oleh semua masa di alam semesta pada level yang berbedabeda. Semakin tinggi level energi dalam suatu sumber energi, semakin rendah panjang gelombang dari energi yang dihasilkan, dan semakin tinggi frekuensinya. Perbedaan karakteristik energi gelombang digunakan untuk mengelompokkan energi elektromagnetik.

Spektrum Elektromagnetik

Susunan semua bentuk gelombang elektromagnetik berdasarkan
panjang gelombang dan frekuensinya disebut spectrum elektromagnetik.
Gambar spectrum elektromagnetik di bawah disusun berdasarkan panjang
gelombang (diukur dalam satuan _m) mencakup kisaran energi yang
sangat rendah, dengan panjang gelombang tinggi dan frekuensi rendah,
seperti gelombang radio sampai ke energi yang sangat tinggi, dengan
panjang gelombang rendah dan frekuensi tinggi seperti radiasi X-ray dan
Gamma Ray.

Gambar 3. Spektrum elektromagnetik

Pembahasan Mengenai Kelompok Energi

Radio

Radio energi adalah bentuk level energi elektromagnetik terendah, dengan kisaran panjang gelombang dari ribuan kilometer sampai kurang dari satu meter. Penggunaan paling banyak adalah komunikasi, untuk meneliti luar angkasa dan sistem radar. Radar berguna untuk mempelajari pola cuaca, badai, membuat peta 3D permukaan bumi, mengukur curah hujan, pergerakan es di daerah kutub dan memonitor lingkungan. Panjang gelombang radar berkisar antara 0.8 - 100 cm.

Microwave

Panjang gelombang radiasi microwave berkisar antara 0.3 - 300 cm. Penggunaannya terutama dalam bidang komunikasi dan pengiriman informasi melalui ruang terbuka, memasak, dan sistem PJ aktif. Pada sistem PJ aktif, pulsa microwave ditembakkan kepada sebuah target dan refleksinya diukur untuk mempelajari karakteristik target. Sebagai contoh aplikasi adalah Tropical Rainfall Measuring Mission’s (TRMM) Microwave Imager (TMI), yang mengukur radiasi microwave yang dipancarkan dari Spektrum elektromagnetik Energi elektromagnetik atmosfer bumi untuk mengukur penguapan, kandungan air di awan dan intensitas hujan.

Infrared

Radiasi infrared (IR) bisa dipancarkan dari sebuah obyek ataupun dipantulkan dari sebuah permukaan. Pancaran infrared dideteksi sebagai energi panas dan disebut thermal infrared. Energi yang dipantulkan hampir sama dengan energi sinar nampak dan disebut dengan reflected IR atau near IR karena posisinya pada spektrum elektromagnetik berada di dekat sinar nampak. Panjang gelombang radiasi infrared berkisar antara

0.7 - 300 _m, dengan spesifikasi: near IR atau reflected IR: 0.7 - 3 _m, dan thermal IR: 3 -15 _m

Untuk aplikasi PJ untuk lingkungan hidup menggunakan citra Landsat, Reflected IR pada band 4 (near IR), band 5,7 (Mid IR) dan thermal IR pada band 6, merupakan karakteristik utama untuk interpretasi citra. Sebagai contoh, gambar berikut menunjukkan suhu permukaan laut global (dengan thermal IR) dan sebaran vegetasi (dengan near IR).

Gambar 4. Infrared

Visible

Posisi sinar nampak pada spectrum elektromagnetik adalah di tengah. Tipe energi ini bisa dideteksi oleh mata manusia, film dan detektor elektronik. Panjang gelombang berkisar antara 0.4 to 0.7 _m. Perbedaan panjang gelombang dalam kisaran ini dideteksi oleh mata manusia dan

oleh otak diterjemahkan menjadi warna. Di bawah adalah contoh komposit dari citra Landsat 7.

Gambar 5. Citra landsat komposit

Ultraviolet, X-Ray, Gamma Ray

Radiasi ultraviolet, X-Ray dan Gamma Ray berada dalam urutan
paling kiri pada spectrum elektromagnetik. Tipe radiasinya berasosiasi
dengan energi tinggi, seperti pembentukan bintang, reaksi nuklir, ledakan
bintang. Panjang gelombang radiasi ultraviolet berkisar antara 3 nm-0.4
_m, sedangkan X-Ray 0.03 - 3 nm, dan Gamma ray <>

Interaksi Energi

Gelombang elektromagnetik (EM) yang dihasilkan matahari dipancarkan (radiated) dan masuk ke dalam atmosfer bumi. Interaksi antara radiasi dengan partikel atmosfer bisa berupa penyerapan (absorption), pemencaran (scattering) atau pemantulan kembali (reflectance).Sebagian besar radiasi dengan energi tinggi diserap oleh

atmosfer dan tidak pernah mencapai permukaan bumi. Bagian energi yang bisa menembus atmosfer adalah yang ‘transmitted’. Semua masa dengan suhu lebih tinggi dari 0 Kelvin (-273 C) mengeluarkan (emit) radiasi EM.

Gambar 6. Interaksi energi

Sensor

Radiometer adalah alat pengukur level energi dalam kisaran panjang gelombang tertentu, yang disebut channel. PJ multispectral menggunakan sebuah radiometer yang berupa deretan dari banyak sensor, yang masing masing peka terhadap sebuah channel atau band dari panjang gelombang tertentu. Data spectral yang dihasilkan dari suatu target berada dalam kisaran level energi yang ditentukan.

Radiometer yang dibawa oleh pesawat terbang atau satelit mengamati bumi dan mengukur level radiasi yang dipantulkan atau dipancarkan dari benda-benda yang ada di permukaan bumi atau pada atmosfer. Karena masing masing jenis permukaan bumi dan tipe partikel

pada atmosfer mempunyai karakteristik spectral yang khusus (atau spectral signature) maka data ini bisa dipakai untuk menyediakan informasi mengenai sifat target. Pada permukaan yang rata, hampir semua energi dipantulkan dari permukaan pada suatu arah, sedangkan pada permukaan kasar, energi dipantulkan hampir merata ke semua arah. Pada umumnya permukaan bumi berkisar diantara ke dua ekstrim tersebut, tergantung pada kekasaran permukaan.

Contoh yang lebih spesifik adalah pemantulan radiasi EM dari daun dan air. Sifat klorofil adalah menyerap sebagian besar radiasi dengan panjang gelombang merah dan biru dan memantulkan panjang gelombang hijau dan near IR. Sedangkan air menyerap radiasi dengan panjang gelombang nampak tinggi dan near IR lebih banyak daripada radiasi nampak dengan panjang gelombang pendek (biru).

Gambar 7. Karakteristik signal

Pengetahuan mengenai perbedaan spectral signature dari berbagai bentuk di permukaan bumi memungkinkan kita untuk menginterpretasi citra. Tabel di sebelah kanan sangat berguna dalam menginterpretasi vegetasi dari citra Landsat TM.

Ada dua tipe deteksi yang dilakukan oleh sensor: deteksi pasif dan aktif. Banyak bentuk PJ yang menggunakan deteksi pasif, dimana sensor

mengukur level energi yang secara alami dipancarkan, dipantulkan, atau dikirimkan oleh target. Sensor ini hanya bisa bekerja apabila terdapat sumber energi yang alami, pada umumnya sumber radiasi adalah matahari, sedangkan pada malam hari atau apabila permukaan bumi tertutup awan, debu, asap dan partikel atmosfer lain, pengambilan data dengan cara deteksi pasif tidak bisa dilakukan dengan baik. Contoh sensor pasif yang paling dikenal adalah sensor utama pada satelit Landsat, Thematic Mapper, yang mempunyai 7 band atau channel.
Band 1 (0.45-0.52 _m; biru) - berguna untuk membedakan kejernihan air dan juga membedakan antara tanah dengan tanaman.

Band 2 (0.52-0.60 _m; hijau) - berguna untuk mendeteksi tanaman.
Band 3 (0.63-0.69 _m; merah) - band yang paling berguna untuk
membedakan tipe tanaman, lebih daripada band 1 dan 2.
Band 4 (0.76-0.90 _m; reflected IR) - berguna untuk meneliti biomas
tanaman, dan juga membedakan batas tanah-tanaman dan daratan-air.
Band 5 (1.55-1.75 _m; reflected IR) - menunjukkan kandungan air
tanaman dan tanah, berguna untuk membedakan tipe tanaman dan
kesehatan tanaman. Juga digunakan untuk membedakan antara awan,
salju dan es.

Band 6 (10.4-12.5 _m; thermal IR) - berguna untuk mencari lokasi

kegiatan geothermal, mengukur tingkat stress tanaman, kebakaran, dan

kelembaban tanah.

Band 7 (2.08-2.35 _m; reflected IR) - berhubungan dengan mineral; ration antara band 5 dan 7 berguna untuk mendeteksi batuan dan deposit mineral.

Sumber: Sabins 1986:86; Jensen 1986:34

Sedangkan pada deteksi aktif, PJ menyediakan sendiri sumber energi untuk menyinari target dan menggunakan sensor untuk mengukur refleksi energi oleh target dengan menghitung sudut refleksi atau waktu yang diperlukan untuk mengembalikan energi. Keuntungan menggunakan

deteksi pasif adalah pengukuran bisa dilakukan kapan saja. Akan tetapi sistem aktif ini memerlukan energi yang cukup besar untuk menyinari target. Sebagai contoh adalah radar Dopler, sebuah sistem ground-based, radar presipitasi pada satellite Tropical Rainfall Measuring Mission (TRMM), yang merupakan spaceborne pertama yang menghasilkan peta 3-D dari struktur badai.

Analisis Citra

Berikut akan disampaikan dengan singkat pengantar pengolahan citra, yang terdiri dari pengenalan terminologi dasar bagi pengolahan citra serta konsep dari beberapa langkah yang paling umum dilalui dalam pengolahan citra. Setelah data dikumpulkan dan dikirimkan ke stasiun penerima, data tersebut harus diproses dan diubah ke dalam format yang bisa diinterpretasi oleh peneliti. Untuk itu data harus diproses, ditajamkan dan dimanipulasi. Teknik-teknik tersebut disebut pengolahan citra.

Mengubah Data Menjadi Citra

Data citra satelit dikirim ke stasiun penerima dalam bentuk format digital mentah merupakan sekumpulan data numerik. Unit terkecil dari data digital adalah bit, yaitu angka biner, 0 atau 1. Kumpulan dari data sejumlah 8 bit data adalah sebuah unit data yang disebut byte, dengan nilai dari 0 - 255. Dalam hal citra digital nilai level energi dituliskan dalam satuan byte. Kumpulan byte ini dengan struktur tertentu bisa dibaca oleh software dan disebut citra digital 8-bit.

Karakteristik Citra

• Pixel

Pixel (picture element) adalah sebuah titik yang merupakan elemen paling kecil pada citra satelit. Angka numerik (1 byte) dari pixel disebut

digital number (DN). DN bisa ditampilkan dalam warna kelabu, berkisar antara putih dan hitam (gray scale), tergantung level energi yang terdeteksi. Pixel yang disusun dalam order yang benar akan membentuk sebuah citra.

Kebanyakan citra satelit yang belum diproses disimpan dalam bentuk gray scale, yang merupakan skala warna dari hitam ke putih dengan derajat keabuan yang bervariasi. Untuk PJ, skala yang dipakai adalah 256 shade gray scale, dimana nilai 0 menggambarkan hitam, nilai 255 putih. Dua gambar di bawah ini menunjukkan derajat keabuan dan hubungan antara DN dan derajat keabuan yang menyusun sebuah citra.

Gambar 8. Hubungan DN dengan derajat keabuan

Untuk citra multispectral, masing masing pixel mempunyai beberapa DN, sesuai dengan jumlah band yang dimiliki. Sebagai contoh, untuk Landsat 7, masing-masing pixel mempunyai 7 DN dari 7 band yang dimiliki. Citra bisa ditampilkan untuk masing-masing band dalam bentuk hitam dan putih maupun kombinasi 3 band sekaligus, yang disebut color

composites. Gambar di bawah ini menunjukkan composite dari beberapa band dari potongan Landat 7 dan pixel yang menyusunnya.

Gambar 9. composite warna

• Contrast

Contrast adalah perbedaan antara brightness relatif antara sebuah benda dengan sekelilingnya pada citra. Sebuah bentuk tertentu mudah terdeteksi apabila pada sebuah citra contrast antara bentuk tersebut dengan backgroundnya tinggi. Teknik pengolahan citra bisa dipakai untuk mempertajam contrast. Citra, sebagai dataset, bisa dimanipulasi menggunakan algorithm (persamaan matematis).

Manipulasi bisa merupakan pengkoreksian error, pemetaan kembali data terhadap suatu referensi geografi tertentu, ataupun mengekstrak informasi yang tidak langsung terlihat dari data. Data dari dua citra atau lebih pada lokasi yang sama bisa dikombinasikan secara matematis untuk membuat composite dari beberapa dataset. Produk data ini, disebut derived products, bisa dihasilkan dengan beberapa penghitungan matematis atas data numerik mentah (DN).

• Resolusi

Resolusi dari sebuah citra adalah karakteristik yang menunjukkan level kedetailan yang dimiliki oleh sebuah citra. Resolusi didefinisikan sebagai area dari permukaan bumi yang diwakili oleh sebuah pixel sebagai elemen terkecil dari sebuah citra. Pada citra satelit pemantau

cuaca yang mempunyai resolusi 1 km, masing-masing pixel mewakili rata
rata nilai brightness dari sebuah area berukuran 1x1 km. Bentuk yang
lebih kecil dari 1 km susah dikenali melalui image dengan resolusi 1 km.
Landsat 7 menghasilkan citra dengan resolusi 30 meter, sehingga jauh
lebih banyak detail yang bisa dilihat dibandingkan pada citra satelit
dengan resolusi 1 km. Resolusi adalah hal penting yang perlu
dipertimbangkan dalam rangka pemilihan citra yang akan digunakan
terutama dalam hal aplikasi, waktu, biaya, ketersediaan citra dan fasilitas
komputasi. Gambar berikut menunjukkan perbandingan dari 3 resolusi
citra yang berbeda.

Gambar 10. Resolusi citra

Ada beberapa faktor yang mempengaruhi kualitas citra dalam hal hambatan-hambatan untuk melakukan interpretasi dan klasifikasi yang diperlukan. Beberapa faktor penting, terutama untuk aplikasi kehutanan tropis adalah:

• Tutupan awan. Terutama untuk sensor pasif, awan bisa menutupi
bentuk-bentuk yang berada di bawah atau di dekatnya, sehingga
interpretasi tidak dimungkinkan, Masalah ini sangat sering dijumpai di

daerah tropis, dan mungkin diatasi dengan mengkombinasikan citra dari sensor pasif (misalnya Landsat) dengan citra dari sensor aktif (misalnya Radarsat) untuk keduanya saling melengkapi.

• Bayangan topografis. Metode pengkoreksian yang ada untuk
menghilangkan pengaruh topografi pada radiometri belum terlalu maju
perkembangannya.

• Pengaruh atmosferik. Pengaruh atmosferik, terutama ozon, uap air dan
aerosol sangat mengganggu pada band nampak dan infrared.
Penelitian akademis untuk mengatasi hal ini masih aktif dilakukan.
• Derajat kedetailan dari peta tutupan lahan yang ingin dihasilkan.
Semakin detail peta yang ingin dihasilkan, semakin rendah akurasi dari
klasifikasi. Hal ini salah satunya bisa diperbaiki dengan adanya
resolusi spectral dan spasial dari citra komersial yang tersedia. Setelah
citra dipilih dan diperoleh, langkah-langkah pemrosesan tidak terlalu
tergantung sistem sensor dan juga software pengolahan citra yang
dipakai. Berikut ini akan kami sampaikan dengan singkat beberapa
langkah yang umum dilakukan, akan tetapi detail dari teknik dan
ketrampilan menggunakan hanya bisa diperoleh dengan praktek
langsung dengan menggunakan sebuah citra dan software pengolahan
citra tertentu. Langkah-langkah dalam pengolahan citra:
• Mengukur kualitas data dengan descriptive statistics atau dengan
tampilan citra.

• Mengkoreksi kesalahan, baik radiometric (atmospheric atau sensor)

maupun geometric.

• Menajamkan citra baik untuk analisa digital maupun visual.

• Melakukan survei lapangan.

• Mengambil sifat tertentu dari citra dengan proses klasifikasi dan
pengukuran akurasi dari hasil klasifikasi.

• Memasukkan hasil olahan ke dalam SIG sebagai input data. • Menginterpretasikan hasil.

Mengamati citra pada layar adalah proses yang paling efektif dalam mengidentifikasi masalah yang ada pada citra, misalnya tutupan awan,

kabut, dan kesalahan sensor. Citra bisa ditampilkan oleh sebuah komputer, baik per satu band dalam hitam dan putih maupun dalam kombinasi tiga band, yang disebut komposit warna. Mata manusia hanya bisa membedakan 16 derajat keabuan dalam sebuah citra, tetapi bisa membedakan berjuta juta warna yang berbeda. Oleh karena itu, teknik perbaikan/enhancement citra yang paling sering digunakan adalah memberi warna tertentu kepada nilai DN tertentu (atau kisaran dari DN tertentu) sehingga meningkatkan kontras antara nilai DN tertentu dengan pixel di sekelilingnya pada suatu citra.

Gambar 11. Citra true color dari landsat 7

Sebuah citra true color adalah citra dimana warna yang diberikan kepada nilai-nilai DN mewakili kisaran spektral sebenarnya dari warnawarna yang digunakan pada citra. False color adalah teknik dimana warna-warna yang diberikan kepada DN tidak sama dengan kisaran spektral dari warna-warna yang dipilih. Teknik ini memungkinkan kita untuk memberi penekanan pada bentuk-bentuk tertentu yang ingin kita pelajari menggunakan skema pewarnaan tertentu. Pada contoh dari false color di bawah ini yang dibuat dengan komposit 432 dari citra Landsat 7, vegetasi muda, yang memantulkan near IR, terlihat merah terang. Kegiatan pertanian yang terkonsentrasi akan mudah dideteksi dengan adanya warna merah terang.

Gambar 12. Citra false color

Kalau kita buat plot antara DN dan derajat keabuan untuk setiap
pixel, garis yang terbentuk menggambarkan bentuk hubungan antara
keduanya. Hubungan linier (seperti contoh di bawah ini) menunjukkan
bahwa DN dan juga keabuan tersebar merata dalam kisaran nilai 0-255
pada citra

Gambar 13. Digital Number (DN)

Permasalahan dengan hubungan linier seperti ini adalah bahwa nilai DN dari bentuk-bentuk yang ingin kita tonjolkan mungkin terkonsentrasi pada kisaran kecil, sehingga derajat keabuan yang diberikan kepada nilai DN di luar daerah yang ingin kita tonjolkan sebenarnya tidak terpakai. Untuk memperbaiki kontras dari bagian citra

yang kita inginkan kita bisa memakai kurva perbaikan yang didefinisikan
secara matematis. Kurva ini akan menyebarkan ulang nilai derajat
keabuan yang paling sering dipakai sehingga menonjolkan kisaran DN
tertentu.

Gambar 14. Kurva derajat keabuan

Pemakaian kurva untuk menonjolkan bentuk tertentu dan juga pemilihan 3 band dari sebuah citra multispektral untuk dikombinasikan dalam sebuah citra komposit memerlukan pengalaman dan ‘trial and error’, karena setiap aplikasi perlu menekankan bentuk yang berbeda dalam sebuah citra.

Sebelum sebuah citra bisa dianalisa, biasanya diperlukan beberapa langkah pemrosesan awal. Koreksi radiometric adalah salah satu dari langkah awal ini, dimana efek kesalahan sensor dan faktor lingkungan dihilangkan. Biasanya koreksi ini mengubah nilai DN yang terkena efek atmosferik. Data tambahan yang dikumpulkan pada waktu yang bersamaan dengan diambilnya citra bisa dipakai sebagai alat kalibrasi dalam melakukan koreksi radiometric. Selain itu koreksi geometric juga sangat penting dalam langkah awal pemrosesan. Metode ini mengkoreksi kesalahan yang disebabkan oleh geometri dari kelengkungan permukaan bumi dan pergerakan satelit. Koreksi geometric adalah proses dimana titik-titik pada citra diletakkan pada titik-titik yang sama pada peta atau citra lain yang sudah dikoreksi. Tujuan dari koreksi geometri adalah untuk

meletakkan elemen citra pada posisi planimetric (x dan y) yang

seharusnya.

Satu langkah pemrosesan penting yang paling sering dilakukan pada pengolahan citra adalah klasifikasi, dimana sekumpulan pixel dikelompokkan menjadi kelas-kelas berdasarkan karakteristik tertentu dari masing-masing kelas. Terutama untuk proses klasifikasi, survei lapangan sangat diperlukan. Pada umumnya hasil klasifikasi inilah yang akan menjadi input yang sangat berharga bagi SIG untuk diolah dan diinterpretasi bersama layer-layer data yang lain.

Pengolahan Citra

Pengolahan citra PJ akan diperkenalkan dengan menggunakan Image Analysis (IA) yang merupakan sebuah ekstension ArcView yang dibuat oleh ERDAS (developer dari perangkat lunak pengolahan citra PJ yang banyak dipakai). Hasil pengolahan citra PJ nantinya bisa dianalisa bersama sama dengan data SIG lain menggunakan ekstension Spatial Analyst seperti dibahas pada bab sebelumnya. Perlu diingat bahwa IA bukan merupakan sebuah perangkat lunak yang dirancang khusus untuk pengolahan citra melainkan hanya untuk memudahkan pengolahan citra sederhana dengan mengunakan platform ArcView. Untuk pengolahan citra lanjutan, pembaca disarankan untuk memakai dan menggunakan perangkat lunak yang khusus dirancang untuk hal tersebut.

Adapun hal-hal yang bisa dikerjakan oleh IA diantaranya adalah: • Mengimpor citra (dalam bentuk data raster) untuk
• digunakan dalam ArcView.

• Mengklasifikasi sebuah citra menjadi beberapa kelas tipe penutupan
lahan seperti vegetasi dll.

• Mempelajari beberapa citra dari periode pengambilan yang berbeda
untuk menentukan area yang mengalami perubahan.

• Mencari daerah dengan tingkat kerapatan vegetasi tertentu dari
sebuah citra.

• Menajamkan kenampakan sebuah citra dengan cara menyesuaikan
kontras dan tingkat kecerahan atau dengan merentangkan histogram.
• Merektifikasi sebuah citra terhadap sebuah peta acuan supaya posisi
koordinat lebih akurat.

Kita hanya akan membahas sebagian dari kapasitas IA, yaitu: • visualisasi citra

• rektifikasi citra

• pencarian daerah dengan karakter yang sama pada citra • analisa perubahan pada beberapa citra dari periode yang berbeda • mosaic beberapa citra dari area yang berbeda.

Memperbaiki Kenampakan Sebuah Citra

Seperti dibahas sebelumnya, apabila sebuah citra ditampilkan berdasarkan hubungan linier antara digital number dengan derajat keabuan (untuk hitam putih) atau nilai display (apabila kita memakai pewarnaan), citra tersebut mungkin akan tampak terlalu terang atau terlalu gelap sehingga sulit untuk dianalisa. Hal ini bisa diperbaiki dengan mengubah hubungan linier tersebut. IA mempunyai cara yang agak berbeda dalam menggambarkan kurva hubungan antara digital number dengan nilai display dari yang dipaparkan di atas, yaitu dengan menggunakan histogram. Dalam hal ini axis x menggambarkan digital number dan nilai display sekaligus, sedangkan axis y menggambarkan frekuensi dari munculnya masing-masing digital number pada citra. Pada awalnya, dengan hubungan linier antara digital number dan nilai display, histogram antara keduanya berhimpit. Kemudian apabila kita mengubah hubungan ini, histogram dari nilai display akan berubah, sehingga keduanya tidak lagi berhimpit. Praktek yang paling sering dilakukan untuk memperbaiki tampilan citra adalah dengan merentangkan histogram nilai display. Sebagai contoh kita akan melakukan Histogram Equalization,

yaitu mendistribusikan nilai display sehingga frekuensinya kira-kira sama pada citra.

Langkah-langkah yang diambil:

• Aktifkan perangkat lunak ArcView. Dari menu utama pilih File diikuti
dengan Extension, klik Image Analysis diikuti dengan OK.

Gambar 15. Kotak dialog Extensions

• Lanjutkan dengan membuka view baru, dan tekan tombol Add Theme.
Supaya bisa menggunakan fasilitas pada IA, file harus dibaca sebagai
file IA. Caranya, pada kotak dialog Add Theme, pada list Data Source

Types, pilih Image Analysis Data Source. Buka file D:\Remote Sensing\TM980126G.lan dan klik OK. Akan muncul kotak dialog yang menanyakan apakah anda ingin IA menghitung pyramid layers untuk citra tersebut. Anda tidak harus menjawab YES, pyramid layer ini akan sangat berguna dalam mempercepat proses pergantian layer apabila citra yang ditampilkan berukuran besar dan anda banyak melakukan zoom in dan zoom out serta menggeser citra. Anda bisa menjawab NO jika citra yang dipakai berukuran cukup kecil.

• Citra TM980126G.lan akan muncul pada layar. Aktifkan theme
tersebut, kemudian klik dua kali sampai muncul window kecil Legend
Editor,

Gambar 16. Dialog untuk mengatur prosedur stretching dan tampilan citra

• Pilih kombinasi RGB layer 432 untuk memilih kombinasi RGB pada
band 432 (false color composite). Klik tombol Advanced di bagian
bawah Legend Editor. Akan muncul histogram untuk masing - masing

warna.

Gambar 17. Histogram dari digital number dan display number citra Landsat
dan hasil stretch Standard Deviation

Sebagai contoh, perhatikan histogram paling kiri untuk warna merah. Dalam hal ini kita melihat dua histogram yaitu histogram yang berwarna hitam untuk digital number dan warna merah untuk nilai display. Perhatikan bahwa nilai display jauh lebih menyebar dibandingkan display number. Dalam IA, sebelum kita melakukan transformasi histogram, default penajaman tampilan yang dilakukan oleh IA adalah dengan menggunakan stretch Standard Deviations dengan jumlah standard deviation sama dengan dua. Dengan stretch in, nilai display dari digital number yang besarnya lebih atau kurang dari mean ditambah atau dikurangi 2 kali standard deviasi akan menjadi 255 atau 0.

Gambar 18. Tampilan citra dengan false color composite dan stretch
Standard Deviation yang merupakan default dari IA

• Anda bisa memilih cara perentangan yang lain. Dari Legend Editor,
klik pada daftar pilihan Stretch dan pilihlah Histogram Equalize,
kemudian klik Apply. Perhatikan tampilan citra sekarang dan juga

histogram yang berhimpit untuk mempelajari bagaimana perentangan histogram nilai display ini memberikan efek kepada tampilan citra.

Gambar 19. Tampilan citra dengan false color composite menggunakan

Histogram Equalize

Gambar 20. Histogram dari digital number dan display number
citra Landsat dengan Histogram Equalize

• Cobalah bereksplorasi dengan Minimim-maximum, Level Slice.
Perhatikan tampilan citra dan histogram baru yang menunjukkan
distribusi nilai display.

Apabila kita menginginkan kecerahan terbalik, kita bisa menggunakan Invert Stretch. Areal yang tadinya tampak cerah akan menjadi gelap dan sebaliknya.

• Kembalikan tampilan dengan stretch Standard Deviation.
Pada Legend Editor dialog, aktifkan Invert Stretch. Kemudian klik
Apply.

Gambar 21. Tampilan citra dengan false color composite dengan
Invert Stretch dari Standard Deviation

Gambar 22. Histogram dari digital number dan display number citra Landsat
dengan Invert Stretch dari Standard Deviation

• Perhatikan perubahan pada citra dan histogram. Anda bisa mengklik
Undo pada Advanced dialog untuk mengembalikan display citra seperti
sebelumnya. Tekan Close untuk menutup Legend Editor dialog.

Mengelompokkan Area dengan Karakter yang Sama

1. Menggunakan Seed tool

IA dapat dengan cepat mengidentifikasi daerah dengan
karakteristik yang sama dari sebuah citra dengan menggunakan fasilitas
Seed tool. Fasilitas ini sangat berguna untuk proses identifikasi cepat
seperti bekas kebakaran hutan, atau daerah terbuka. Polygon hasil proses
identifikasi ini dapat langsung disimpan ke dalam format shapefile
ArcView. Perlu diingat bahwa fasilitas ini bukanlah pengganti klasifikasi
otomatis pada pengolahan citra, tetapi lebih merupakan alternatif dari
digitasi secara manual pada layar monitor yang berketelitian sangat
rendah.

• Aktifkan theme 116_60_542_15052003 di dalam View.
• Zoom daerah yang diinginkan, misalnya pemukiman kota Samarinda. • Dari menu Image Analysis, pilih Seed Tool Properties.
• Di dalam kotak isian Seed Radius, ketikkan 5 pixels, kemudian
pastikan kotak Include Islands Polygon tidak terpilih. Seed Radius
menentukan jumlah pixel di sekeliling pixel target.

• Klik OK dalam dialog Seed Tool Properties.

• Klik ikon yang ada pada menu utama kemudian klik di tengah
tengah daerah yang diinginkan. Seed Tool akan bekerja beberapa
saat untuk membuat polygon yang mencakup pixel-pixel dengan

karakter yang serupa dengan pixel seed.

Gambar 23. Hasil identifikasi area dengan karakter yang sama

2. Menggunakan Find Like Areas

Find Like Areas mengidentifikasi areal berasarkan kesamaan
karakteristik. Fungsi ini mirip seperti Seed tool. Kita dapat menggunakan
hasil dari Seed tool untuk mengidentifiksi areal pada sebuah citra dengan
Find Like Areas. Find Like Areas hanya menggunakan band yang
ditampilkan pada view untuk menemukan lokasi yang serupa pada seluruh
citra.

Proses Find Like Areas dilakukan menggunakan sebuah klasifikasi
parallelepiped. Find Like Areas menganalisa pixel yang sama berdasarkan
gambar (titik/polygon) yang. Jika pixel memiliki nilai yng sama maka akan
dikelompokkan pada output thema yang sama. Jika nama kelas sudah
ada maka area akan ditambahkan dalam kelas yang sudah ada. Jika
nama kelas belum ada dalam thema, maka akan dibuat kelas baru pada
thema.

Membuat dan mengisi sebuah thema Find Like Areas
ƒ Tampilkan data citra Samarinda.tiff pada sebuah view.
ƒ Klik Seed tool, kemudian buat titik atau poligon untuk memilih sebuah
area yang diinginkan. (lahan terbuka)

ƒ Pastikan bahwa poligon tersebut dalam keadaan terpilih.

Gambar 24. Poligon terpilih

ƒ Dari Image Analysis menu, pilih Find Like Areas.

ƒ Klik tombol New untuk membuat thema baru. Akan muncul New
Classification dalam kotak Output Image Theme.

Gambar 25. Kotak dialog Find Like Area

ƒ Klik pada kotak Class Name dan ketik ‘lahan terbuka’, kemudian tekan
Enter pada keyboard.

ƒ Klik OK pada kotak dialog Find Like Areas.

ƒ Setelah proses selesai lihat pada citra akan dihasilkan klasifikasi pada
area yang memiliki kesamaan nilai atau karakter.

Gambar 26. Hasil dari proses Find Like Areas

Menambahkan sebuah kelas pada thema yang sudah ada ƒ Buat lagi sebuah poligon pada tutupan air.

ƒ Pastikan gambar poligon tersebut terpilih

Gambar 27. Kotak dialog Find Like Area ƒ Dari Image Analysis menu, pilih Find Like Areas.

Gambar 28. Kotak dialog Find Like Area

ƒ Klik pada Output Image Theme dan pilih thema yang sudah ada.
ƒ Klik pada kotak Class Name dan ketik ‘Air”. Tekan ENTER pada
keyboard.

ƒ Klik OK pada kotak dialog Find Like Areas.

ƒ Ketika proses selesai maka akan ditambahkan kelas baru pada theme
yang sudah ada yaitu “Air”.

Gambar 29. Hasil dari proses Find Like Areas

Merektifikasi Citra Menggunakan Data Vektor

Merektifikasi citra menggunakan peta vektor sebagai acuan sangat penting untuk mendapatkan akurasi koordinat geografi yang tinggi, sehingga memungkinkan overlay antara citra dan peta vektor untuk

keperluan analisa. Hal ini juga disebut sebagai koreksi geometrik. IA memberikan suatu fasilitas yang cepat dan mudah untuk melakukan hal tersebut akan tetapi untuk keperluan rektifikasi yang lebih akurat lebih baik gunakan perangkat lunak lain yang khusus dirancang untuk mengolah citra digital. Kita akan mempelajari cara merektifikasi citra dengan menggunakan Align tool.

• Buka file citra dari D:\Remote sensing\Bontang.tiff dan file vektor jalan.
Jangan lupa untuk mengubah pilihan Data Source Types menjadi
Feature Data Source pada kotak dialog Add Theme untuk membuka

data vektor dalam bentuk shape maupun ARC INFO. Apabila anda tidak mengubah pilihan ini, file dengan format shape dan ARC INFO tidak akan muncul pada daftar.

• Klik tombol Zoom to Full Extent. View akan terlihat seperti layar
kosong, meskipun ada 2 theme yang aktif. Hal ini disebabkan oleh
sistem koordinat yang berbeda antara theme roads yaitu peta vektor,

dengan sistem koordinat UTM Zone 50S dan Datum WGS84, dan theme Bontang.tiff (citra yang mempunyai sistem koordinat UTM Zone 50N dan Datum WGS84).

• Klik ikon yang menandakan Align tool. Maka View akan berubah
dan menampilkan baik citra maupun vektor pada sistem koordinat
vektor. Ini menandakan bahwa IA telah berusaha menyatukan kedua

data tersebut akan tetapi apabila anda melihat dengan teliti View anda,
akan terlihat bahwa hasil pekerjaan IA belum sempurna. Lihat misalnya
pada bagian bawah View, garis jalan pada citra(berwarna merah
muda) dan garis jalan pada vektor (beri warna kuning) belum
berhimpit. Untuk itu kita harus memperbaikinya dengan cara
menghimpitkan beberapa titik control yang menyebar di kedua peta
tersebut.

Gambar 30. Overlay antara data citra Landsat dan vektor jalan
• Buat titik kontrol pertama antara citra dan vektor yaitu dengan cara
men-zoom in citra di daerah persimpangan jalan PT. Indominco dan
Jalan pipa PT. Badak, dan klik

• Pindahkan posisi kursor dari persimpangan jalan pada citra ke
persimpangan jalan pada vector. Ulangi langkah tersebut untuk titik
kontrol kedua dan seterusnya seperti terlihat pada gambar di bawah

ini.

Titik kontrol 1 (Kota Bontang) Titik kontrol 2 (Tanjung santan)

Titik kontrol 3 (PT. Indominco) Titik kontrol 4 (PT. PKT)

Gambar 31. Penempatan titik kontrol

• Setelah rektifikasi titik kontrol 4 selesai, periksa kembali secara visual
pada skala penampilan yang besar apakah titik-titik yang seharusnya
berada pada lokasi yang sama antara citra dan vektor sudah berhimpit.

Jika belum, tambahkan titik kontrol kelima dan seterusnya sampai citra terektifikasi oleh vektor.

• Untuk menyimpan hasil rektifikasi sebagai file baru, klik menu utama
Theme, kemudian pilih Save Image As …. Akan muncul pertanyaan
Do you wish to save the control point links in a shape file? Klik

Yes untuk menyimpan titik kontrol ke dalam format shape file.
• Simpan file baru citra hasil rektifikasi dengan nama D:\Remote
sensing\Bontangrect.img.

Membuat Klasifikasi Citra

IA menyediakan fasilitas klasifikasi tak terbimbing (unsupervised classification) untuk mengkategorikan sebuah citra kontinyu menjadi klas tematik yang berguna. Anda harus menentukan jumlah kelas yang diinginkan. IA kemudian akan melakukan proses penghitungan yang menempatkan masing-masing pixel ke dalam kelas yang sesuai

tergantung pada digital number. Dari pengkategorian ini anda bisa menghitung area dengan tutupan lahan yang berbeda pada citra anda. Anda bisa menamakan kelas- kelas tersebut dengan hutan, air dan lahan terbuka. Teknik ini digunakan sebagai cara yang cepat untuk memperoleh klasifikasi yang cukup umum dan tidak terlalu akurat. Untuk klasifikasi yang memerlukan ketelitian tinggi disarankan untuk menggunakan perangkat lunak yang khusus dirancang untuk pengolahan citra digital. Data citra di daerah pegunungan di Kalimantan, dikarenakan adanya tutupan awan yang menyebar, akan membuat proses pembelajaran lebih sulit, oleh karena itu pada tahap tahap berikut kita akan menggunakan data yang diberikan oleh IA. Data yang akan digunakan merupakan citra sekitar kota samarinda yang diambil tahun 2003.

• Tambahkan dan aktifkan theme Samarinda2003.img yang bisa diambil
dari Image Analysis Data Source. Dari menu Image Analysis, pilih
Categorize …. Pada kotak isian Desired number of classes, ketiklah

15 untuk mengklasifikasikan citra ke dalam 15 kelas. Kemudian klik
OK.

• Setelah proses klasifikasi selesai, aktifkan theme Categorization of
Samarinda2003.img yang merupakan citra hasil klasifikasi menjadi 15
kelas tutupan lahan. Double klik pada theme Categorization of

Samarinda2003.img untuk mengaktifkan Legend Editor.

Gambar 32. Kotak dialog Legend Editor

• Double klik pada kolom Symbol pada dialog Legend Editor untuk
memunculkan Color Palette. Klik warna hitam untuk Value 0 (yang
merupakan kelas yang tidak terklasifikasikan). Kemudian lakukan hal

yang sama untuk Value 1, 2, 3 sampai 15 dengan warna yang berbeda serta ubah labelnya sesuai dengan tutupannya. Untuk melihat jenis tutupan pada citra terklasifikasi zoom dan lihat tutupan pada citra sebelum terklasifikasi, dengan cara mengaktifkan dan menonaktifkan citra hasil klasifikasi. Kemudian klik Apply.

• Tutup Color Palette dan Legend Editor.

Gambar 33. Hasil Klasifikasi tak terbimbing dari Samarinda2003.img

Contoh kasus

Citra diambil pada tahun 1987 dan 1989, yaitu sebelum dan setelah badai Hugo. IA akan dipakai untuk menganalisa area hutan yang rusak karena badai tersebut.

• Tambahkan dan aktifkan theme Tm_oct87.img yang bisa diambil dari
Image Analysis Data Source (apabila anda tidak bisa menemukan
kedua file tersebut. Dari menu Image Analysis, pilih Categorize ….

Pada kotak isian Desired number of classes, ketiklah 3 untuk

mengklasifikasikan citra ke dalam air, hutan dan lahan terbuka. Kemudian klik OK.

• Setelah proses klasifikasi selesai, aktifkan theme Categorization of
Tm_oct87.img yang merupakan citra hasil klasifikasi menjadi 3 kelas
tutupan lahan. Double klik pada theme Categorization of Tm_oct87.img

untuk mengaktifkan Legend Editor.

• Double klik pada kolom Symbol pada dialog Legend Editor untuk
memunculkan Color Palette. Klik warna hitam untuk Value 0 (yang
merupakan kelas yang tidak terklasifikasikan). Kemudian lakukan hal

yang sama untuk Value 1, 2, 3 dengan warna biru, hijau tua dan coklat serta ubah labelnya menjadi ‘Air’, ’Hutan’, dan ‘Lahan Terbuka’. Kemudian klik Apply.

• Tutup Color Palette dan Legend Editor.

Gambar 34. Hasil Klasifikasi tak terbimbing dari Tm_oct87.img • Lakukan langkah yang sama untuk citra Tm_oct89.img.

Gambar 35. Hasil Klasifikasi tak terbimbing dari Tm_oct89.img

Mencari Area yang Mengalami Perubahan

IA menyediakan fasilitas untuk mendeteksi perbedaan antara
beberapa citra yang diambil dalam periode yang berbeda sehingga bisa
digunakan untuk mempelajari perubahan dari waktu ke waktu. Untuk data
yang sifatnya kontinyu, disediakan fasilitas Image Differencing,
sedangkan untuk data yang sifatnya tematik disediakan fasilitas Thematic
Change.

Menggunakan Image Difference

Image Difference sangat berguna untuk menganalisa citra pada area yang sama untuk mempelajari tipe-tipe tutupan lahan yang mungkin berubah dengan waktu. Cara bekerjanya adalah dengan mengurangkan satu theme dari theme lain. Perubahan ini bisa ditonjolkan dengan perbedaan warna: warna hijau dan merah menggambarkan peningkatan dan penurunan nilai. Kita akan melihat perubahan tutupan vegetasi antara dua citra Landsat TM yang diambil dalam jarak dua tahun (1987 dan 1989). Seperti telah dipelajari sebelumnya, data citra Landsat merupakan data kontinyu diperoleh dari nilai reflektransi permukaan bumi. Sebagai

catatan untuk mendapatkan hasil yang valid pada kedua citra tersebut harus dilakukan pengkoreksian radiometrik. Juga disarankan untuk memakai citra dari bulan yang sama untuk mengurangi perbedaan atmosferik musiman.

• Aktifkan theme Tm_oct87.img dan Tm_oct89.img.

• Klik menu Image Analysis dan pilih Image Difference. Dalam dialog
Image Difference …, pada daftar pilihan untuk Before Theme pilihlah
Tm_oct87.img serta pilih layer_4 untuk Select Before layer (ingat

dalam pelajaran sebelumnya untuk Landsat TM, band 4 merupakan
band yang penting dalam mempelajari tutupan vegetasi).
• Klik After Theme dan pilihlah Tm_oct89.img dan layer_4 untuk Select
After layer, lalu klik tombol As Percent.

• Ketik 15 pada kotak Increase more than dan ketik 15 pada kotak
Decrease more than. Kemudian klik OK. Maka dalam beberapa saat
ArcView Image Analysis akan menganalisa perbedaan digital number

(yang merupakan reflektansi spektral) dari kedua citra ini dan akan
membuat 2 file yaitu Difference dan Highlight Difference. Kedua citra
baru ini akan ditambahkan secara otomatis ke dalam view anda.
• Aktifkan theme Difference yang akan menampilkan hasil pengurangan
After Theme dengan Before Theme.

Gambar 36. Hasil pengurangan dari Tm_oct89.img oleh Tm_oct87.img

• Aktifkan theme Highlight Difference. Apabila parameter diset menjadi
15%, Image Difference akan mencari pixel yang digital numbernya
meningkat minimum 15% dari sebelumnya (indikasi dari peningkatan

vegetasi) dan mewarnainya dengan hijau. Dengan cara yang sama penurunan vegetasi diidentifikasi dan diwarnai dengan merah.

Gambar 37. Hasil pengurangan dari Tm_oct89.img oleh Tm_oct87.img yang
diklasifikasikan berdasarkan 15% persentase perubahan

Menggunakan Thematic Change

IA menyediakan fasilitas Thematic Change untuk membuat perbandingan tematik antar citra tematik hasil klasifikasi.
• Aktifkan kedua citra Categorization of Tm_oct87.img dan
Categorization of Tm_oct89.img.

• Dari menu Image Analysis, pilih Thematic Change.
• Pastikan bahwa yang tertera pada list Before Theme adalah citra
Categorization of Tm_oct87.img dan pada After Theme adalah citra
Categorization of Tm_oct89.img. Klik OK pada dialog Thematic
Change.

• Klik kotak theme Thematic Change pada daftar isi View untuk
menampilkan hasil proses pada layer.

• Klik dua kali pada judul theme Thematic Change untuk membuka
Legend Editor.

• Klik dua kali pada Symbol untuk was: Hutan, Is: Lahan Terbuka
untuk membuka Color Palette.

• Klik warna merah pada Color Palette, kemudian klik Apply pada
Legend Editor. Sekarang anda bisa melihat dengan mudah area yang
mengalami perubahan dari hutan menjadi lahan terbuka. Anda bisa

mengeksplorasi perubahan perubahan yang lain secara visual dengan mengubah warna masing-masing perubahan.

• Tutup Color Palette dan Legend Editor.

Gambar 38. Perubahan tutupan lahan dari klasifikasi citra Tm_oct87.img dan
Tm_oct89.img

Menggunakan Summarize Areas

Dengan menggunakan cara di atas, kita bisa melihat dengan jelas area yang rusak karena badai Hugo, akan tetapi secara kuantitatif luas hutan yang rusak di dalam suatu area tertentu, dalam hal ini sebuah

pabrik kertas, tidak diketahui. Area tersebut bisa dihitung dengan menggunakan fasilitas Summarize Areas.

• Buka dan aktifkan theme Property.shp yang merupakan data vektor
polygon area milik pabrik kertas. File ini disediakan oleh IA sebagai
bahan tutorial. Jangan lupa untuk mengubah tipe data pada daftar

Data Source Types menjadi Feature Data Source karena kita akan membuka data polygon dalam format shape file.

• Untuk membuat peta polygon ini transparans sehingga kita bisa
melihat theme Thematic Change di bawahnya, klik dua kali pada judul
Property.shp untuk membuka Legend Editor dan klik dua kali pada

Symbol untuk membuka Fill Palette. Klik pada kotak transparans
pada pojok kiri atas pada Fill Palette. Klik Outline dan pilih 3. Pada
Legend Editor, klik Apply untuk melihat outline batas area pabrik
kertas. Tutup Fill Palette dan Legend Editor bila anda sudah
mendapatkan warna dan ketebalan garis outline seperti yang anda
inginkan.

Gambar 39. Overlay antara area pabrik kertas dan perubahan thematic
sebelum dan setelah badai Hugo

• Aktifkan theme Thematic Change dan Property.shp sekaligus dengan
menekan tombol Shift and mengklik theme yang tidak aktif.
• Dari menu Image Analysis pilih Summarize Areas.

• Klik Zone Theme untuk memilih Property.shp. • Klik Zone Attribute untuk memilih Property.

• Klik Class Theme untuk memilih Thematic Change. Klik OK pada
dialog Summarize Areas. Dialog Summarize Areas Results akan
terbuka. Ubahlah Area units menjadi Hectares.

Gambar 40. Tabel hasil perhitungan luas area dari pabrik kertas
yang berubah sebelum dan setelah badai Hugo

• Anda bisa melihat bahwa 32.75% area hutan rusak atau 1423.53
hektar hutan berubah menjadi lahan terbuka. Anda bisa mengexpor
tabel ini ke dalam file text dengan mengklik Export to Table dan

mengisi nama file yang anda inginkan pada box dialog yang muncul. Tutup dialog bila sudah selesai.

Mosaik citra

IA menawarkan fasilitas untuk membuat mosaik atau menggabungkan beberapa citra ke dalam satu citra yang meliputi keseluruhan area. Untuk melakukan mosaik citra, terlebih dulu tampilkan semua citra yang akan dimosaik dalam satu View dan pastikan mereka

mempunyai jumlah band yang sama. Untuk latihan ini, kita akan kembali menggunakan data citra Melak.

• Aktifkan kedua citra D:\Remote Sensing\Samarinda.tiff dan D:\Remote
Sensing\Sebulu.tiff

Gambar 41. Tampilan 2 citra

• Klik Image Analysis menu, kemudian pilih Mosaic. Image Analysis
akan langsung menjalankan proses mosaik begitu anda klik Image
Analysis kemudian Mosaic. Perhatikan bahwa sebuah theme baru

akan dihasilkan oleh IA, yang merupakan mosaic dari dua theme. Anda bisa menyimpan hasil mosaic ini ke dalam file baru untuk penggunaan selanjutnya.

vj_adjie's blog

Senin, 19 Januari 2009

Belajar Flash untuk Pemula

Minggu, 18 Januari 2009

tekno

Pengikut

Arsip Blog

Mengenai Saya