Академический Документы
Профессиональный Документы
Культура Документы
Di susun oleh :
Risti E. Arhatin
2010
I. Pendahuluan
Penginderaan Jauh adalah ilmu dan seni untuk mendapatkan data/informasi dari
objek atau fenomena tanpa melakukan kontak langsung dengan objek tersebut. Dalam
sistem penginderaan jauh (inderaja) terdapat 4 komponen utama yaitu: (1) sumber
energi, (2) interaksi energi dengan atmosfer, (3) sensor sebagai alat mendeteksi
informasi dan (4) objek yang menjadi sasaran pengamatan.
1. Sumber Energi
Sumber utama enegi dalam inderaja adalah radiasi gelombang elektromagnetik
(REM). REM adalah suatu bentuk dari energi yang hanya dapat diamati melalui
interaksinya dengan objek. Wujud dari energi ini dikenal sebagi sinar X, sinar tampak,
inframerah dan gelombang mikro. REM merupakan bagian dari spektrum yang kontinu.
REM dibentuk sekaligus dalam dua komponen yaitu, komponen listrik dan komponen
magnetik (Gambar 1) dan dipengaruhi oleh sifat elektrik dan magnetik dari objek yang
berinterkasi dengan REM tersebut.
Ada dua hipotesa yang umum digunakan untuk menjelaskan sifat dari REM
yakni model gelombang dan model partikel (photon/kuanta). Model gelombang
dipergunakan untuk menjelaskan bagaimana perjalanan REM di ruang angkasa. REM
sebagai gelombang bergerak dengan kecepatan tertentu yang bergantung kepada
panjang gelombang (l). Pada setiap gelombang elektromagnetik berlaku persamaan
berikut:
C=f.l
C= kecepatan gelombang elektromagnetik (m/det) = 3 x 108 m/det
l = panjang gelombang (m)
f = frekuensi (1/det)
1
Bagaian spektrum REM yang digunakan dalam inderaja tertera pada Gambar 2.
2
2 Interaksi REM dengan Atmosfer
Sebelum REM berinteraksi dengan objek dipermukaan bumi, REM melewati
atmosfer dimana terdapat molekul-molekul atmosferik dan aerosol. Jenis jenis molekul
atmosferik adalah seperti CO2, Ozon, gas nitrogen, dll sedangankan aerosol seperti
uap air, kabut, asap, abu, dll. REM berinteraksi dengan molekul dan aerosol sehingga
terjadi proses hamburan (scattering) atau absorbsi yang mempengaruhi intensitas REM
yang ditransmisikan melalui atmofer. Interaksi ini dapat dijelaskan pada Gambar 3.
Sensor
pantulan
Atmosfer
scattering
i
awan bs
sor
ab
Objek/perairan
3
3 Interaksi Objek dengan REM
Interaksi terrestrial dengan REM lebih mudah untuk dipelajari dibanding dengan
lautan. Pada lingkungan laut, REM pada panjang gelombang tertentu mengalami
transmisi, sehingga energi yang diterima sensor dapat berasal dari; permukaan, material
pada kolom air dan material dasar. REM yang datang pada objek akan berinteraksi
dalam bentuk pantulan, absorbsi dan ditransmisi (Gambar 4). Besarnya energi yang
dipantulkan, diabsorbsi dan ditransimikian memenuhi hukum kekekalan energi
dirumuskan sebagai berikut:
EI (l) = ER (l) + EA (l) + ET (l)
ER (l) = EI (l) - EA (l) - ET (l)
EI = energi yang mengenai objek
ER = energi yang dipantulkan (yang direkam oleh sensor)
EA = energi yang diserap
ET = energi yang ditransmisikan
(l) = panjang gelombang
E I (l )
E R (l )
E T (l ) E A (l )
Reflectance (R) adalah rasio insiden flux dan flux yang dipantulkan objek (Gambar 5):
I
R=
Rs
I = Incidence Rs = Reflection
4
Besarnya REM yang dipantulkan kembali oleh objek bergantung kepada jenis
dan kondisi objek. Demikian juga halnya jika panjang gelombang yang berbeda
mengenai objek yang sama, akan memberikan pantulan yang berbeda. Sifat-sifat ini
menjadi dasar pengenalan objek dengan inderaja. Jumlah energi yang dipantulkan
suatu objek pada panjang gelombang yang berbeda-beda relatif terhadap energi yang
diterima disebut spectrum reflectance (Gambar 6).
Vegetasi
Air
60
40
20
Dari Gambar 6 di atas jelas terlihat bahwa objek yang sama mempunyai nilai
pantulan yang berbeda pada panjang gelombang yang berbeda. Misalnya untuk
vegetasi, pada panjang gelombang 0.4 - 0.7 mm (visible) nilai pantulannya adalah
sekitar 10 %, namum pada panjang gelombang 0.8 – 1.3 (inframerah), pantulannya
sekitar 50 %. Pada panjang gelombang yang sama, objek yang berbeda akan
memantulkan energi yang berbeda. Adanya perbedaan pantulan disebabkan materi
yang dikandung masing-masing objek berbeda sehingga, daya pantulnya berbeda.
Adanya interaksi REM dengan objek sehingga keberadan objek dapat di deteksi
dengan sensor satelit. Beberapa parameter dan turunannya yang da[pat dideteksi dari
sensor satelit tertera pada Tabel 1.
5
Tabel 1. Parameter kelautan yang dapat dideteksi/dipelajari dengan inderaja.
No Sensor Parameter dan turunannya
Visible Land use di pantai, perubahan garis pantai, ekosistem terumbu
karang, lamun, mangrove, klorofil, muatan padatan terlarut, batimetri
perairan dangkal, oil spill.
Thermal Suhu Permukaan Laut, upwelling, front, eddy, pencemaran panas,
daerah penangkapan ikan
Microwave Oil spill, arus, salinitas,. tinggi muka laut, gelombang, angin, batimetri
perairan dangkal, perubahan garis pantai
4. Sensor
Sensor adalah alat untuk mendeteksi REM yang diemisi atau dipancarkan oleh
objek. Berdasarkan sumber sumber energi yang dideteksi, sensor dapat dibedakan
menjadi sensor pasif dan sensor aktif. Sensor Pasif adalah sensor yang mendeteksi
pantulan atau emisi REM dari sumber alami. Sensor Aktif adalah sensor yang
mendeteksi respon REM dari objek yang dipancarkan dari sumber energi buatan yang
biasanya dirancang dalam wahana yang membawa sensor. Berdasarkan panjang
gelombang, sensor dibedakan menjadi Sensor Visible (0,4 – 0,7) mm, Sensor Infra
merah (1 – 10) mm dan Sensor gelombang mikro (1 mm – 1 m) seperti tertera pada
Tabel 2. Pada Tabel 3 tertera perbandingan beberapa sensor satelit yang bekerja pada
panjang gelombang visible.
6
Tabel 3. Perbandingan kanal/band SeaWiFS, CZCS dan Landsat-TM
SeaWiFS CZCS Landsat-TM
Kanal/band Kisaran Spektral Kanal/band Kisaran Spektral Kanal/band Kisaran Spektral
(nm) (nm) (nm)
7
II. Prinsip Pengolahan Data Citra
Beberapa tahapan yang dilakukan terhadap raw data antara lain pemulihan citra,
penajaman citra dan klasifikasi citra (Gambar 8).
Pemulihan Citra
Koreksi Radiometrik
Penajaman Citra
Penajaman Kontras
Komposit
Filter
Klasifikasi Citra
Klasifikasi Unsupervised
Klasifikasi Supervised
8
Cacat radiometrik ini dapat diatasi dengan koreksi radiometrik, sehingga data
terkoreksi dapat dianggap sebagai nilai yang berasal dari respon spektral obyek
di permukaan bumi. Beberapa contoh metode yang dapat dipakai dalam
koreksi radiometrik ini, diantaranya adalah: metode penyesuaian histogram, dan
metode penyesuaian regresi.
b. Koreksi Geometrik
Tujuan koreksi geometri adalah untuk melakukan rektifikasi (pembetulan) atau
restorasi (pemulihan) citra agar koordinatnya sesuai dengan koordinat geografi.
Jenis gangguan yang bersifat geometris dapat berbentuk perubahan ukuran
citra dan perubahan orientasi koordinat citra.
Distorsi geometrik dapat disebabkan oleh beberapa hal, yaitu 1) Pembelokan
arah penyinaran menyebabkan distorsi panoramic (look engle), 2) Perubahan
tinggi wahana dan kecepatan wahana menyebabkan perubahan cakupan
(coverage), 3) Perubahan posisi wahana terhadap objek karena gerakan
berputar (roll), berbelok (yow), menggelinding (pith), yang menyebabkan
distorsi, 4) Rotasi bumi dari barat ke timur menyebabkan objek di permukaan
bumi terekam miring ke arah barat, dan 5) Kelengkungan bumi, menyebabkan
ukuran pixel berubah (besar pengaruhnya untuk sensor resolusi rendah.
Berdasarkan faktor-faktor penyebab kesalahan geometris tersebut maka
kesalahan dapat dibedakan menjadi kesalahan sistematis dan non sistematis.
Distorsi/kesalahan sistematis adalah distorsi yang dapat diperkirakan sebelum
peluncuran satelit, dikoreksi dengan menerapkan rumus yang diturunkan
dengan membuat model sistematik atas sumber distorsi. Distorsi/kesalahan
non sistematis adalah distorsi yang tidak dapat diduga sebelum peluncuran
satelit. Distorsi ini dikoreksi dengan menggunakan analisis titik kontrol tanah
(Ground Control Point/GCP).
Analisis GCP dilakukan dengan cara penentuan fungsi transformasi, kemudian
dilanjutkan dengan resampling. Dalam pengambilan GCP diperlukan acuan
atau referensi, acuan tersebut bisa berupa peta, citra yang telah terkoreksi
geometrik atau pengambilan posisi geografis langsung ke lapangan dengan
GPS. Dalam pengambilan titik GCP diusahakan menyebar ke semua lokasi
dan sebaiknya diambil bangunan yang permanent seperti perpotongan jalan, dll
(Gambar 9).
9
u Z
Y
1
V 1
2 2
3 3
4
4
10
Resampling
Resampling adalah penentuan nilai digital pixel citra setelah mengalami perubahan
posisi hasil koreksi. Selain itu resampling ini juga berfungsi dalam menyesuaikan
ukuran atau resolusi spasial pixel.
Ada tiga macam teknik resampling, yaitu nearest neighbour (tetangga terdekat),
bilinear dan cubic convolution. Teknik resampling dengan nearest neighbour hanya
memerlukan satu titik terdekat.. Teknik bilinear memerlukan 4 titik terdekat
disekitarnya dan nilai pixel baru ditentukan oleh hasil rata-rata 4 buah pixel lama yang
mengelilinginya Sedangkan teknik cubic convolution memerlukan 16 titik di
sekitarnya dan nilai pixel baru ditentukan oleh hasil rata-rata 16 buah pixel lama yang
mengelilinginya.
Ketelitian hasil koreksi bergantung pada ketelitian menentukan posisi titik GCP
berhubungan dengan koordinat peta. Metoda yang digunakan untuk menguji
ketelitian hasil koreksi dapat dilakukan dengan penghitungan Root Mean Square
(RMSerror) dari titik-titik GCP yang diambil dengan formula berikut:
RMS error = (x - u )2 + (y - v )2
Dimana:
x adalah lintang pada peta dan y adalah bujur pada peta
u adalah raw pada citra dan v adalah colom pada citra
Idealnya nilai RMS adalah 0 yang berarti tidak ada kesalahan posisi, tetapi peluang
nilai RMS = 0 sulit terjadi, dan biasanya diusahakan lebih kecil dari 1. Nilai RMS 1
berarti kesalahan geometri sama dengan 1 x ukuran pixel citra. Jika citra Landsat-TM
yang dikoreksi berarti kesalahannya 30 meter (ukuran pixelnya). Jika RMS = 0.5,
kesalahan posisi 0.5 x 30 meter = 15 meter.
Akurasi citra output hasil koreksi geometri tergantung pada, 1) Jumlah titik kontrol
yang digunakan, 2) Akurasi koordinat titik kontrol, 3) Letak sebaran titik-titik kontrol
pada citra, 4) Jenis persamaan polinomial yang digunakan dan 5) Model resampling
yang digunakan.
2. Penajaman Citra
Penajaman citra dilakukan untuk mendapatkan tampakan yang kontras pada citra
sehingga memudahkan dalam proses interpretasi serta meningkatkan informasi yang
diperoleh. Ada beberapa macam metode penajaman citra, contohnya Contrast
Enhancement (Linear Contrast Enhancement, Nonlinear Contrast Enhancement),
Rationing, Spatial Filtering (Low Frequency Filtering, High Frequency Filtering), Edge
11
Enhancement (Linear Edge Enhancement, Nonlinear Edge Enhancement).
Composite (False Color Composite, True Color Composite), Special Transformation
(Principal Componen Analisis, Vegetation Index, Texture Tansformation, dll).
12
benar masuk pada training area dengan jumlah pixel pada training area suatu kelas
dalam matrik kontingensi antar kelas. Persentase ketelitian klasifikasi secara
keseluruhan dihitung dari perbandingan antara jumlah pixel yang benar setiap kelas
dengan total jumlah pixel training area keseluruhan.
Uji ketelitian yang dapat dihitung adalah overall accuracy, producer’s accuracy dan
user’s accuracy.
Secara matematis ukuran akurasi tersebut diformulasikan sebagai berikut:
Overall accuracy =
åX kk
´ 100%
N
X kk
Producer' s accuracy = ´ 100%
X k+
X kk
Users' s accuracy = ´ 100%
X +k
Title bar
Menu bar
Toolbar Tombol
13
§ Menu bar, tempat pilihan perintah yang akan digunakan pada pengolahan citra,
dalam bentuk memanjang ke bawah, untuk perintah pada menu bar click nama pada
menu bar, kemudian pilih perintah yang akan dijalankan
§ Tool bar, tempat menampilkan pilihan perintah umum secara cepat, dengan
menggunakan icon-icon, untuk menjalankannya hanya click pada tombol perintah
yang diinginkan.
§ Tool tips, untuk mengetahui fungsi dari suatu icon, letakkan pointer di atas icon
yang ingin diketahui, kemudian akan muncul kalimat (tool tips) yang akan
memberitahukan fungsi dari icon tersebut
2
- Kemudian click View/Algoritm pada menu utama atau icon
- Click icon pada toolbox algorithm, akan muncul kotak raster dataset, pilih
direktori dimana data disimpan dan pilih file yang akan ditampilkan
- Pilih data yang akan ditampilkan
- Click OK
- Apabila akan mengubah band yang akan ditampilkan click pada toolbox algorithm
14
Mengubah Ukuran Tampilan
- Click icon pada menu utama, drag mouse diatas citra sesuai luas daerah yang
akan diperbesar
- Untuk mengembalikan tampilan citra seluruhnya, dari menu utama click View/Quick
Zoom/Zoom to All Dataset atau click kanan mouse di atas citra kemudian click Quick
Zoom/Zoom to All Dataset
15
Menampilkan Histogram
- Click View/Algorithm
- Click Layer pada Toolbox algorithm
- Kemudian click
16
- Setelah tampilan sesuai dengan posisi yang kita kehendaki, aktifkan mouse pada
toolbox algorithm
- Copy paste pseudolayer pada menu algoruthm, sejumlah band yang ada, dengan
cara click pada menu algoruthm (misalkan disini dibutuhkan 9 band, yaitu untuk
band 1, band 2, band 3, band 4, band 5, band 6_1, band 6_2, band 7, dan band 8)
- Ubah nama pseudolayer tersebut sesuai dengan band yang akan diisikan, dengan
cara double click pada pesudolayer
- Isikan band sesuai dengan urutan layer dengan cara click tanda panah ke bawah
pada pada menu algorithm
- Select semua layer pada menu algorithm tersebut dengan cara click Shift dan mouse
pada layer B1 sampai B8
- Langkah selanjutnya Click File/Save as
- Berikan nama output
- Pilih type filenya ER Mapper Raster Dataset (.ers)
- Click OK
- Pilih tipe output : Multilayer
- Pilih tipe data : Unsigned8BitInteger
- Click OK
Koreksi Geometrik
- Click Process/Geocoding Wizard
- Click Start
- Click
- Input File : Masukkan citra yang akan dikoreksi
- Click Polynomial setup, pilih polynomial order: linear
- Click GCP Setup, checklist geocoded image, vectors or algorithm, lalu Click
masukkan file referensi
- Click kemuduan ubah datum, proyeksi dan system koordinat yang akan
digunakan
- Click OK
17
- Click GCP Edit
Jendela/window Uncorrected Gcp (Overview Roam Geolink) dan Corrected Gcp
(Overview Roam Geolink) dikecilkan dengan mengklik tombol minimize yang ada
pada sudut kanan atas jendela. Kemudian letakkan jendela Uncorrected GCP zoom
dan Corrected GCP zoom berdampingan, serta ubah ukuran jendela supaya
mempermudah dalam mencari objek yang akan dijadikan titik GCP.
- Tampilkan kedua citra (Uncorrected GCP zoom dan Corrected GCP zoom) dengan
kombinasi komposit yang sama (RGB542) (lihat bab selanjutnya menampilkan citra
komposit)
- Kemudian cari GCP, dengan cara click pada citra yang belum terkoreksi (window
Uncorrected GCP zoom), maka akan mengisi kolom pada cell x dan cell y, kemudian
click pada lokasi yang sama pada citra yang telah terkoreksi (window Corrected GCP
zoom), maka akan mengisi kolom raw y dan raw y
18
- Click rectify pada toolbox Geocoding Wizard, sehingga muncul gambar seperti di
bawah:
19
Filtering Data Citra
- Click icon pada toolbox algorithm
Tampilan Komposit
- Pada menu bar click File/New (atau icon )
- Kemudian click View/Algoritm pada menu utama atau icon , sehingga akan
muncul toolbox algorithm
- Click icon (Load Dataset) pada toolbox algorithm, akan muncul kotak raster
dataset, pilih direktori dimana data disimpan dan pilih file yang akan ditampilkan
- Pilih data yang akan ditampilkan
20
- Click OK
- Kemudian Click sebanyak 3 layer
- Ubah kombinasi band, masukkan band 4 pada Red Layer, band 5 pada Green Layer
dan band 3 pada Blue Layer dengan cara click
- Kemudian Click
Klasifikasi Unsupervised
- Dari menu Process/Classification/Isoclass Unsupervised Classification
- Sehingga akan muncul toolbox sebagai berikut:
21
- Save
- Click pada toolbox algorithm, maka warna citra hasil klasifikasi unsupervised
akan diubah seperti pada Click Edit/Edit Class/Region Color and Name…
- Langkah selanjutnya kita harus melakukan labelling, caranya yaitu: ganti nama
sesuai dengan obyeknya pada kotak Name, pada toolbox Edit Class/Region Details
sampai ke 40 kelas terlabeli semua
- Click save pada toolbox Edit Class/Region Details
- Kemudian kita harus mengedit ke-40 kelas tersebut menjadi hanya 6 kelas, dengan
menggunakan Edit Formula (icon ), yang ada pada toolbox algorithm
- Click Apply change
- Click Pada menu utama, File/Save as
- Berikan nama output
- Pilih type filenya ER Mapper Raster Dataset (.ers)
- Click OK
- Pilih tipe output : Multilayer
- Pilih tipe data : Unsigned8BitInteger
- OK
Klasifikasi Supervised
- Tampilkan citra komposit 453 (RGB) (cara seperti pada
materi sebelumnya)
- Click Edit/Edit Create Region
- Click Mode Raster region pada toolbox New Map Composition
- Click OK, akan muncul tools
- Click
- Buat poligon, dengan cara click kiri diakhiri dg click kanan
- Click
22
- Beri nama atribut sesuai dengan obyeknya
- Click Apply
- Buat Traning Area dari beberapa kelas (Tabel 1)
- Click Save , pilih save as dalam Raster region
- Save to file: masukkan nama citra yang didigitasi
- Click OK
- Click OK
- Click Close
- Click Process/Calculate Statistic
- Dataset: masukkan citra yang telah ditraining area
- Click OK
- Click OK
- Click Close
- Click Process, Classification, Supervised classification
23
- Click kanan pada pseudolayer ubah menjadi class display
- Click icon pada toolbox algorithm, akan muncul kotak raster dataset, pilih
direktori dimana data disimpan dan pilih file yang akan ditampilkan
- Click OK
24
Lahan Terbangun / Built-up Area / Housing Pm 2012
BIODATA INSTRUKTUR
Nama : Risti E. Arhatin
Email : ristyend@yahoo.com
No telp : 08129697142
Instansi : Institut Pertanian Bogor
25