petunjuk singkat envi

8/10/2019 PETUNJUK SINGKAT envi

http://slidepdf.com/reader/full/petunjuk-singkat-envi 1/20

PETUNJUK PRAKTIKUM

PENGOLAHAN CITRA DIGITAL

(MENGGUNAKAN SOFTWARE ENVI 4.0)

Disiapkan Oleh :

Muhammad Kamal

LABORATORIUM PENGINDERAAN JAUH DASAR

JURUSAN KARTOGRAFI DAN PENGINDERAAN JAUHFAKULTAS GEOGRAFI UGMYOGYAKARTA2006



Muhammad Kamal : Pengolahan Citra Digital Menggunakan Software ENVI 4.0_____________________________________________

MODUL 1

DISPLAY CITRA, PEMBACAAN NILAI PIKSEL,

DAN PENYUSUNAN CITRA KOMPOSIT WARNA

A. KONVERSI FORMAT DATALangkah pertama dalam pengolahan citra digital adalah melakukan konversi data sehingga data tersebut dapat

dibaca dan dikenali oleh software yang digunakan. Dalam praktikum ini data yang dimaksud adalah data citra

pengideraan jauh, yaitu citra Landsat 7 ETM+. Keterangan data sebagai berikut :

• Citra : Landsat 7 ETM+

• Perekaman : Juli 2002

• Daerah : Semarang dan sekitarnya

• Dimensi : 700 x 1000 piksel

• Saluran : 6 saluran (ETM1, ETM2, ETM3, ETM4, ETM5 dan ETM7)

• Format : *.lan (ERDAS 7.5)

1. Jalankan program ENVI 4.0,Start > Al l Programs > RSI ENVI 4.0 > ENVI

2. Klik MenuFile > Open External Fil e > IP Software > ERDAS 7.5 (.lan)

3. Pada jendela Enter ERDAS (.lan) Filenames, tentukan file yang akan digunakan (dalam hal ini file smg_raw.lan),

klik Open untuk membuka file.

Tipe file penyimpanan pada format standar ENVI adalah BSQ, sedangkan pada

format *.lan adalah BIL. Sehingga diperlukan proses konversi untuk dapat

membaca file tersebut.

4. Muncul jendela Available Bands List, perhatikan jumlah saluran. Ada 6 saluranyang muncul, namun Anda harus jeli, saluran 6 yang terlihat pada jendela

tersebut sebenarnya adalah saluran ETM7 (Inframerah Tengah II). Saluran

ETM6 tidak disertakan karena berupa saluran Inframerah Termal dengan ukuran

piksel yang berbeda.

B. MENAMPILKAN CITRA

Setelah mengimpor data citra, langkah selanjutnya adalah menampilkan citra di layar komputer untuk mengetahui

kondisi liputan citra, baik dari segi sebaran pola obyek secara geografis maupun kualitas citra itu sendiri. Cara display

citra digital yang pertama adalah dalam mode Gray Scale atau berdasar tingkat keabuan yang merepresentasikan

intensitas pantulan spektral obyek pada saluran tertentu (single band).

1. Pada jendela Available Bands List, klik radio button Gray Scale

2. Pilih salah satu saluran yang akan ditampilkan

3. Klik Load Band, sehingga muncul 3 jendela display citra, dimana :

• Jendela Scroll : display keseluruhan citra sekaligus navigator,

• Jendela Image : perbesaran dari jendela Scroll, sekaligus memuat beberapa menu informasi citra dan

pengolahan sederhana, dan

• Jendela Zoom : perbesaran dari jendela Image, dimana kenampakan per-piksel dapat dengan mudah

diamati.

Laboratorium Penginderaan Jauh Dasar Fakultas Geografi UGM _____________________________________________________ 1




4. Amati seluruh citra, geserlah box merah baik pada jendela Scroll maupun Image. Pada jendela Zoom, Anda bisa

melakukan zoom-in atau zoom-out dengan klik tanda + atau – di sebelah kiri bawah kotak jendela Zoom. Angka

perbesaran akan muncul di bar jendela Zoom.

5. Tampilkan juga saluran yang lain dan amati perbedaannya.

6. Jika Anda ingin menampilkan saluran lain pada jendela display citra yang sama, klik saluran yang diinginkankemudian klik Load Band.

7. Jika Anda ingin menampilkan saluran yang lain pada jendela display citra baru, klik button Display #.... (di sebelah

kanan button Load Band) > New Display, sehingga muncul jendela display baru yang kosong.

8. Pilih saluran yang diinginkan, klik Load Band.

Perhatikan posisi display aktif pada Display #2.

Demikian seterusnya sehingga Anda dapat menampilkan banyak jendela display citra.

C. LINK DISPLAY

Salah satu kelebihan software ENVI adalah adanya fungsi linkage antar saluran citra (bahkan antar citra). Basis

hubungan berdasarkan posisi piksel atau koordinat geografis.

1. Tampilkan 2 jendela display citra dengan saluran yang berbeda, atur sehingga Anda nyaman.

2. Pada salah satu jendela Image, klik menu Tools > Link > Link Displays.

3. Pada jendela Link Displays, tentukan Display #1 ‘Yes’, Display #2 ‘Yes’, Link Size/Position ‘pilih salah satu’,

Dynamic Overlay ‘on ’, Transparency ‘0’, klik OK.

4. Perhatikan kenampakan display citra akan sama antara kedua jendela display.

5. Klik kiri mouse dan tahan pada citra di jendela Image untuk mengetahui perbedaan respon spektral obyek

terhadap saluran yang berbeda. Lepas klik untuk kembali ke semula.

6. Lakukan untuk semua variasi saluran. Anda bisa menambahkan jendela menjadi 3 atau 4 sesuai kebutuhan.

7. Jika display citra lebih dari 2, pada jendela Link Displays Anda bisa mengatur Display # yang akan diaktifkan.

8. Untuk menghilangkan Link, pada jendela Image klik menu Tools > Link > Unlink Display .

D. PEMBACAAN NILAI PIKSEL

1. Perhatikan perbedaan respon spektral pada obyek air, lahan terbuka, vegetasi kerapatan tinggi, dan vegetasi

kerapatan rendah.

2. Pilih titik-titik pengamatan yang ekstrim (misalnya laut atau danau untuk obyek air, daerah pegunungan untuk

vegetasi kerapatan tinggi, dsb) dan posisinya tetap untuk setiap saluran (gunakan koordinat posisi piksel sebagai

panduan pengamatan nilai piksel tiap saluran).

3. Untuk membaca posisi dan nilai piksel, klik menu Tools > Cursor Location/ Value.

4. Pada jendela Cursor Location/ Value muncul angka posisi dan nilai piksel yang mengikuti kemanapun cursor Anda

arahkan pada citra. Jika kedua jendela masih dalam kondisi Link, maka nilai piksel kedua saluran akan muncul

seperti gambar di bawah ini.

Posisi piksel

Nilai Piksel Saluran #1Nilai Piksel Saluran #2





5. Amati minimal 9 piksel untuk setiap obyek per-saluran. Catat koordinat, nilai piksel, dan rerata nilai piksel untuk

satu obyek pada saluran tertentu dianggap mewakili nilai pantulan spektral obyek tersebut pada saluran yang

digunakan.

6. Buat tabel catatan nilai piksel untuk obyek-obyek di atas pada semua saluran, sehingga Anda memiliki nilai piksel

pantulan spektral obyek yang diukur pada semua saluran.Tabel pembacaan nilai piksel

Saluran NPair rNPair NPltbk rNPltbk NPvkt rNPvkt NPvkr rNPvkr

1 2,1,2,3,1,2,2,3,2 2

2

3

4

5

7

Koordinat pusat x y x y x y x y

TUGAS : Plot nilai piksel rerata dari tabel di atas pada diagram pencar. Dimana sumbu x adalah panjang gelombangsaluran dan y adalah nilai piksel. Beri notasi yang berbeda (atau warna yang berbeda) untuk obyek yang

berbeda. Amati pola pantulan yang terjadi, bandingkan dengan kurva pantulan spektral. Apa yang dapat

Anda simpulkan dari diagram pencar tersebut?

E. PENYUSUNAN CITRA KOMPOSIT WARNA

Penyusunan citra komposit warna adalah cara yang paling umum untuk menonjolkan masing-masing keunggulan

saluran secara serentak dalam suatu display, sehingga memudahkan pengguna dalam interpretasi citra secara visual.

Citra ini merupakan paduan dari 3 saluran, dengan masing-masing saluran diberi warna dasar, yaitu merah, hijau, dan

biru (RGB). Warna yang terjadi adalah kombinasi dari tingkat kecerahan pada suatu obyek di setiap saluran. Citra

komposit standar merupakan paduan tiga saluran dengan rujukan foto udara inframerah dekat. Pada umumnya saluran

ETM4 (inframerah dekat) diberi warna merah, saluran ETM3 (merah) diberi warna hijau, dan saluran ETM2 (hijau)

diberi warna biru. Citra seperti ini disebut juga dengan citra warna semu standar (standard false color composite).

Sangat dimungkinkan untuk membuat komposit citra dari kombinasi yang berlainan sesuai tujuan, citra seperti ini

disebut komposit warna semu tidak standar.

1. Pada jendela Available Bands List, pilih radio button RGB, jendela Selected Band berubah menjadi 3 saluran

dengan urutan pewarnaan RGB.

2. Untuk pertama kali, buatlah komposit warna semu standar. Masukkan saluran input komposit, perhatikan radio

button warna (RGB) yang aktif, dan klik saluran untuk input. Jika ketiga saluran sudah Anda masukkan, cek sekali

lagi agar tidak terjadi kesalahan.

3. Klik Load RGB untuk menampilkan citra komposit pada jendela display image.

4. Amati kenampakan yang terjadi pada citra komposit, catat warna yang terjadi pada ke-empat obyek yang

sebelumnya Anda teliti. Lihat posisi koordinatnya pada tabel.

5. Amati juga nilai piksel pada ketiga saluran yang

membentuk warna tersebut, gunakan prosedur point D3.

Karena komposit, maka nilai piksel yang muncul adalah

ketiga saluran penyusun komposit.

Nilai piksel 3 saluran





6. Buat jendela display image baru, buat komposit R: ETM3, G: ETM2, dan B: ETM1, amati warna yang terbentuk.

7. Link-kan dengan komposit 432, amati dan catat warna juga nilai piksel ke-empat obyek yang sama pada citra

komposit 321.

8. Cobalah untuk membuat komposisi saluran yang lain (452, 457, 352, dsb). Pilih salah satu yang Anda anggapmenyajikan obyek secara visual terbaik. Amati dan catat juga nilai piksel untuk ke-empat obyek di atas.

TUGAS (sertakan dalam laporan) :

1. Apa yang disebut dengan komposit warna asli (true color composite), dan bagaimana cara memperolehnya? Apa

bedanya dengan komposit warna semu (false color composite)?

2. Berdasarkan catatan nilai piksel Anda untuk tiap obyek pada 3 komposit yang berbeda.

Jelaskan mengapa warna vegetasi kerapatan tinggi pada citra komposit 432 berwarna merah pekat, sedangkan

pada citra komposit 321 berwarna hijau kehitaman? Jelaskan pula untuk warna yang terbentuk pada citra

komposit non-standar yang Anda pilih.

3. Perbandingkan ketiga citra komposit, buat tabel tingkat kemudahan pengenalan ke-empat obyek dari sangat

mudah, mudah, agak sulit, sulit, dan sulit sekali. Buatlah kesimpulan.

4. Bagaimana prinsip membuat citra komposit yang lebih menonjolkan obyek tanah?

F. PENGAMATAN POLA SPEKTRAL DENGANSCATTER PLOT

Scatter plot atau diagram pencar menggambarkan hubungan pantulan spektral antara 2 saluran. Bentuk

hubungan digambarkan dalam pola pengelompokan nilai piksel. Diagram pencar ini sangat bermanfaat untuk

pengenalan obyek terkait dengan besar pantulan spektralnya.

PENGAMBILAN SAMPEL OBYEK

Sebelum menampilkan scatter plot, ambil sampel beberapa obyek di atas agar dapat diketahui pola pengelompokan

piksel pada scatter plot, caranya sebagai berikut :

1. Tampilkan salah satu saluran citra.

2. Pada menu jendela image display klik Overlay > Region of Interest.

3. Pada jendela #1 ROI Tool, pilih radio button Window Zoom. Klik ROI_Type

> Polygon. Klik Region #1 (Red) 0 points, kemudian klik Edit. Ubah nama

dan warna (jika perlu), misalnya tubuh air (biru). Klik OK jika sudah.

4. Arahkan cursor ke jendela Scroll atau image, arahkan box ke obyek air yang

sebelumnya diamati, pastikan posisinya tepat.

5. Arahkan cursor ke jendela Zoom, perbesar hingga Anda bisa melihat jelas per piksel. Tentukan kelompok piksel

yang cenderung homogen untuk obyek air. Ambil sampelnya dengan membuat poligon, klik kanan untuk menutup

poligon, dan klik kanan sekali lagi untuk memunculkan warna.

6. Lakukan prosedur serupa untuk obyek yang lain. Simpan ROI, klik File > Save ROIs, klik Select All Items,

masukkan direktori penyimpanan dan nama file ROI.

MENAMPILKAN SCATTER PLOT

1. Pada jendela Image, klik File > Preferences, Set Image Window Xsize = 700 dan Ysize = 1000, klik OK. Ini

dimaksudkan untuk menampilkan keseluruhan potongan citra pada diagram pencar.





2. Pada menu Image klik Tools > 2-D Scatter Plots, tentukan saluran untuk sumbu x dan y, klik OK. Muncul

diagram pencar, kemudian atur sehingga jendela diagram pencar berada di luar jendela Image.

3. Pada jendela Scatter Plot klik File > Import ROIs, klik Select All Items, OK. Warna obyek akan muncul baik di

citra maupun di diagram pencar. Amati kecenderungan pengelompokan obyek pada diagram pencar.

4. Cobalah untuk variasi sumbu x dan y yang lain, pada jendela scatter plot klik Options > Change Bands, tentukansaluran yang dibutuhkan. Amati juga pola spektral untuk obyek-obyek di atas.

5. Untuk lebih memperjelas dimana obyek pada scatter plot, klik kiri pada citra dan gerakkan, maka pada scatter plot

akan mengikuti gerakan cursor Anda dimana spektral obyek berada.

6. Simpan salah satu diagram pencar dengan pola pengelompokan obyek, beri notasi untuk pengelompokan

spektralnya. Analisis pengelompokan obyek yang terjadi dan sertakan dalam lapor an.

Tanah kosong

Tubuh air

Vegetasi jarang

Vegetasi rapat

Gambar pola pengelompokan spektral obyek air, tanah kosong, vegetasi rapat,

dan vegetasi jarang pada saluran 3 vs 4.





MODUL 2

KOREKSI RADIOMETRIK DAN GEOMETRIK

A. KOREKSI RADIOMETRIK

Nilai piksel merupakan hasil bit-coding informasi spektral dari obyek di permukaan bumi. Informasi spektral inimencapai detektor pada sensor dalam bentuk radiansi spektral (spectral radiance) dengan satuan miliWatt cm-2 sr -1

µm-1. Secara teoritik, pada suatu sistem penginderaan jauh ideal, nilai pantulan spektral obyek di permukaan bumi

sama dengan nilai radiansi spektral yang terekam di detektor. Namun pada spektrum tampak dan perluasannya (0,36 –

sekitar 0,9 µm), informasi spektral obyek di permukaan bumi biasanya mengalami bias, karena ada hamburan dari

obyek lain di atmosfer, khususnya partikel debu, uap air, dan gas triatomik lainnya. Dengan adanya bias tersebut maka

diperlukan koreksi untuk memperbaiki nilai piksel supaya sesuai dengan yang seharusnya. Rumus umum koreksi nilai

piksel pada setiap scene adalah dengan mengurangi setiap nilai pada citra yang akan dikoreksi dengan nilai bias :

BVtekoreksi = BVasli - bias

Pencarian nilai bias dapat dilakukan dengan beberapa cara, antara lain; penyesuaian histogram (histogram

adjustment), penyesuaian regresi, kalibrasi bayangan (shadow callibration), dan metode diagram pencar (metode

Bronsveld) (Projo Danoedoro, 1996). Metode koreksi radiometrik yang digunakan dalam praktikum ini adalah

penyesuaian histogram. Metode ini dipilih karena relatif sederhana, waktu pemrosesan singkat, dan tidak melibatkan

perhitungan matematis yang rumit. Metode ini dilandasi oleh asumsi bahwa dalam proses koding digital oleh sensor,

obyek yang memberikan respon spektral paling lemah – atau tidak memberikan respon sama sekali – seharusnya

bernilai 0. Apabila nilai minimal > 0, maka nilai tersebut dihitung sebagai offset, dan koreksi dapat dilakukan dengan

mengurangi keseluruhan nilai dengan offset. Namun demikian dalam kenyataan belum tentu nilai minimum piksel

adalah 0 pada setiap saluran, sehingga penggunaan metode ini juga harus hati-hati. Untuk alasan praktis

praktikum, metode ini digunakan, namun sekali lagi bukan satu-satunya metode koreksi radiometrik.

PEMBACAAN NILAI MINIMUM DAN MAKSIMUM SALURAN

1. Buka citra yang akan dikoreksi radiometrik-nya.

2. Hitung statistik citra, pada bar menu klik Basic Tools > Statistics > Compute Statistics, muncul jendela

Calculate Statistics Input File.

3. Pilih file citra yang akan dihitung statistiknya, dengan kondisi sebagai berikut :

• Stats Subset : Full Scene

• Spectral Subset : 6/6 Bands

4. Klik OK, sehingga muncul jendela Calculate Statistics Parameters.

5. Aktifkan tanda chek Text Report, Min/Max/Mean Plot, Calculate Histogram Statistic, Histogram Plots, dan

Histogram plots per window = 1.

6. Masukkan nama dan direktori file statistik output. Tentukan pada folder Anda, beri nama radiometrik.sta.

7. Aktifkan juga Report untuk Screen dan File, tentukan direktori save-in dan beri namasmg_minmax.txt.

8. Klik OK, muncul text report statistik citra, histogram citra per-

saluran, dan grafik min-max nilai piksel.

9. Catat nilai minimum dan maksimum tiap saluran (sebenarnya

Anda sudah punya file dalam bentuk txt (smg_minmax.txt)).





10. Tentukan saluran yang akan Anda koreksi, cari histogramnya. Untuk mengetahui saluran histogram klik kanan

pada plot histogram > Plot Key.

11. Simpan gambar histogram saluran yang akan dikoreksi.

Pada jendela histogram klik File > Save Plot As > Image File. Output File Type: JPEG dan tentukan nama serta

direktori save-in, klik OK. (Histogram ini digunakan untuk memperbandingkan dengan histogram setelah koreksi).

PROSES KOREKSI RADIOMETRIK

1. Pada bar menu klik Basic Tools > Band Math,

sehingga muncul jendela Band Math.

2. Pada text box Enter an expression ketikkan bx – bias

(misalnya b1 – 62, dimana b1 adalah band input),

kemudian klik Add to List, klik OK.

3. Masukkan saluran yang dimaksud, save output

sebagai file, tentukan direktori dan beri nama smg_rx

(r adalah radiometrik dan x adalah saluran).

4. Lakukan untuk saluran yang lain. Meskipun nilai minimum 0 lakukan juga Band

Math dengan bias 0, sehingga akan terbentuk file saluran secara terpisah.

5. Tampilkan citra salah satu saluran sebelum dikoreksi dan tampilkan juga citra

saluran tersebut setelah dikoreksi radiometrik-nya.

6. Link-kan keduanya, amati perbedaan kecerahan antara keduanya. Catat perubahannya.

7. Cek nilai pikselnya. Apakah nilai piksel citra terkoreksi sesuai dengan pengurangan bias?

8. Tampillkan statistik citra terkoreksi beserta histogramnya, catat perubahannya, simpan juga histogramnya.

Perbandingkan dengan histogram sebelum koreksi, beri komentar dan sertakan dalam laporan.

B. KOREKSI GEOMETRIK

Koreksi geometrik (sering disebut rektifikasi) pada citra dimaksudkan untuk mengembalikan posisi piksel

sedemikian rupa, sehingga sesuai dengan posisi sebenarnya di permukaan bumi. Menurut Jensen (1996), ada dua

proses dasar dalam rektifikasi geometri, yaitu interpolasi spasial dan interpolasi intensitas. Interpolasi spasial adalah

penentuan hubungan geometrik antara lokasi piksel pada citra masukan dan peta. Pada proses ini dibutuhkan

beberapa titik kontrol medan (Ground Control Point/ GCP) yang dapat diidentifikasi pada citra dan peta. Apabila

persamaan transformasi koordinat diterapkan pada titik-titik kontrol maka diperoleh residual x dan residual y. Residual

adalah penyimpangan posisi titik yang bersangkutan terhadap posisi yang diperoleh melalui transformasi koordinat

yang kemudian dinyatakan sebagai nilai Residual Means Square Error atau RMS(error).

Tingkat keberhasilan dalam tahap ini biasanya ditentukan dengan besarnya nilai ambang RMS(error) total, atau

yang dikenal dengan istilah ’sigma’. Menurut ketelitian baku peta nasional Amerika Serikat (US National Map Standard),

nilai sigma citra harus lebih kecil daripada setengah resolusi spasial citra yang bersangkutan (Eastman, 1997, dalam

Like Indrawati, 2001), sehingga rata-rata pergeseran posisi yang dapat diterima dari hasil koreksi ini nantinya adalah

0,5 x ukuran piksel.

Dalam melakukan transformasi koordinat, terdapat beberapa macam transfromasi polinomial yang satu dengan

yang lain memberikan ketelitian yang berbeda-beda (Jensen, 1996) yaitu :





- Transformasi affine, yaitu memerlukan minimal 4 titik kontrol untuk mengubah posisi geometrik citra sama dengan

posisi geometerik referensi (peta). Transformasi ini lebih sesuai untuk daerah yang bertopografi relatif datar atau

landai.

- Transformasi orde dua, yang dapat dijalankan minimal dengan 6 titik kontrol (atau 12 parameter), dengan ketelitian

yang pada umumnya lebih akurat dibandingkan dengan transformasi affine.

- Transformasi orde tiga, yang dapat dijalankan minimal dengan 10 titik kontrol (20 parameter), dan lebih tepat untuk

daerah dengan variasi topografi yang besar.

Ilustrasi proses resampling nilai piksel dari citra asli (X’,Y’)ke citra terkoreksi (X,Y) (Jensen, 1996).

Interpolasi intensitas dilakukan dengan proses resampling. Resampling merupakan proses penentuan kembali

nilai piksel sehubungan dengan koordinat baru setelah interpolasi spasial (ilustrasi di atas). Secara umum terdapat tiga

macam teknik untuk resampling, yaitu :

- Interpolasi nearest neighbor , dimana nilai baru untuk piksel dengan posisi baru diambil dari nilai piksel lama pada

posisi lama yang terdekat.

- Interpolasi bilinear , dimana nilai piksel baru pada posisi baru dihitung dengan mempertimbangkan 4 nilai piksel

lama pada posisi lama yang terdekat.

- Interpolasicubic-convolution, yang memperhitungkan 16 nilai piksel lama pada posisi lama terdekat.

PENENTUANGROUND CONTROL POINTS

1. Buka citra yang sudah dikoreksi radiometrik. Sebaiknya komposit.

2. Pada bar menu, klik Map > Registration > Select GCPs : Image to Map

3. Pada jendela Image to Map Registration tentukan parameter sistem koordinat UTM,

datum WGS 84, unit meter, zona 49 S, klik OK.

4. Perhatikan kenampakan obyek pada citra dan peta. Analisis daerah liputan citra, dan

tentukan berapa banyak GCP yang akan Anda gunakan, serta di mana saja.

Diskusikan dengan asisten jika perlu.

5. Pada jendela GCP Selection, masukkan koordinat peta suatu titik pada box yang

kosong, perhatikan easting dannorthing-nya.

6. Untuk memasukkan koordinat tersebut

sebagai GCP, arahkan cross hair cursor

pada citra ke posisi titik yang sama dengan

peta (gunakan zoom agar lebih teliti), jika

sudah yakin klik Add Point, sehingga Anda

memperoleh GCP nomor 1.





7. Lanjutkan untuk GCP yang lain. Jika Anda sudah memiliki

minimal 4 GCP maka nilai RMS akan muncul.

8. Untuk menampilkan list titik-titik GCP Anda, klik Show List,

untuk mengurangi besarnya RMS, pada list ini Anda bisa

menonaktifkan GCP yang ’bermasalah’, dan/atau melakukanediting.

9. Jika jumlah GCP telah sesuai dengan rencana dan RMS kecil, simpan GCP Anda. Pada jendela GCP Selection,

klik File > Save GCPs w/ map coords . Tentukan direktori dan beri nama.

PROSES REKTIFIKASI

1. Pada jendela GCP Selection, klik Option > Warp File, tentukan file yang akan

direktifikasi, klik OK.

2. Pada jendela Registration Parameters, tentukan parameter interpolasi spasial,

interpolasi intensitas, background (0=hitam, 255=putih), dan file output. Tentukan

direktori dan beri nama smg_rgx (rg = radiometrik dan geometrik, x = saluran

citra). OK untuk eksekusi.

3. Pada jendela Available Bands List muncul file hasil rektifikasi dengan tambahan

header citra berupa Map Info yang menyimpan informasi seputar sistem proyeksi

dan koordinat citra.

4. Tampilkan citra hasil rektifikasi pada jendela image yang baru, amati

perubahannya. Cek koordinatnya dengan Cursor Location/Value.

5. Untuk melakukan rektifikasi terhadap saluran yang lain pada bar menu utama klik

Map > Regist ration > Warp from GCPs : Image to Map

6. Panggil file GCP Anda. Cek parameter Image to Map Registration. Tentukan file

saluran lain yang akan di rektifikasi.

7. Tentukan Registration Parameters dan output file, klik OK untuk eksekusi.

Lakukan hingga semua saluran ter-rektifikasi.

TUGAS (sertakan dalam laporan) :

1. Sumber kesalahan pada citra dapat dibagi menjadi kesalahan sistematik dan non-sistematik. Apa yang dimaksud

dengan kesalahan sistematik dan non-sistematik? Bagaimana hal tersebut bisa terjadi?

2. Proses resampling nilai piksel dapat menggunakan teknik nearest neighbor , bilinear , dan cubic-convolution. Jika

Anda akan menggunakan citra hasil koreksi geometrik untuk analisis berbasis nilai spektral (misalnya klasifikasi

multispektral), maka teknik mana yang akan Anda gunakan untuk resampling? Jelaskan mengapa Anda pilih

teknik tersebut!





MODUL 3

PENAJAMAN CITRA DAN PEMFILTERAN SPASIAL

A. PENAJAMAN CITRA

Penajaman citra (image enhancement) meliputi semua operasi yang menghasilkan citra baru dengankenampakan visual dan karakteristik spektral yang berbeda dengan citra asli. Tujuannya adalah untuk memperoleh

kesan kontras citra yang lebih tinggi, dan semata-mata hanya untuk analisis visual. Hal ini dapat dilakukan dengan

mentransformasikan seluruh nilai kecerahan citra. Sehingga sangat tidak direkomendasikan untuk menggunakan

citra hasil transformasi ini untuk analisis lebih lanjut yang berbasis nilai piksel. Ada 2 algoritma utama untuk

penajaman kontras, yaitu perentangan kontras (contrast stretching) dan ekualisasi histogram (histogram equalization).

PERENTANGAN KONTRAS

Ada tiga cara yang dapat digunakan dalam perentangan kontras, sesuai dengan range nilai piksel suatu citra (Projo

Danoedoro, 1996):

• Perkalian nilai piksel, misalnya suatu citra memiliki range nilai piksel 0 – 25, bila dikalikan faktor pengali 3, maka

range akan berubah menjadi 0 – 75. Perubahan lebar julat nilai piksel menjadikan citra lebih tajam kontrasnya.

• Pengkondisian, misalnya suatu citra dengan range 0 – 25 akan direntang menjadi 0 – 255. Transformasinya

sebgai berikut :

BVoutput =minmaks

mininput

BV-BV

BV-BV * 255

• Pemampatan kontras, citra dengan range nilai piksel lebar dimampatkan sehingga range-nya sempit.

1. Cek range nilai piksel citra, cara yang akan digunakan adalah perentangan linier dengan pemotongan ekor

histogram.


3. Pada jendela display image, klik Enhance, muncul sub-menu tipe stretching default yang dapat langsung Anda

pilih. Untuk pemakaian advance pilih Interactive Stretching sehingga muncul jendela histogram saluran.

4. Pada jendela histogram pilih menu Histogram_Source > Band, dan Stretch_Type > Linear .

5. Pada box Stretch Anda dapat memasukkan nilai piksel pemotongan cut-off dan saturation atau persentase

kumulatif-nya, kemudian tekan Enter sehingga Stretch Bar bergeser sesuai angka yang dimasukkan. Bisa juga

nilai tersebut Anda peroleh dengan menggeser Stretch Bar sesuai dengan kebutuhan. Perhatikan perubahan pada

output histogram.

6. Klik Apply untuk mengeksekusi perentangan

kontras.

7. Buat jendela display baru, tampilkan citra

dengan saluran yang sama. Link-kan dengan

citra hasil stretching, dan amati perubahannya.

8. Anda juga dapat melakukan prosedur di atas

untuk citra komposit warna. Bedanya proses

dilakukan per-warna R G B dengan menekan

radio button-nya.





EQUALISASI HISTOGRAM

1. Tampilkan saluran yang sama seperti di atas.

2. Langkahnya sama seperti pada perentangan kontras, namun pada jendela histogram pilih menu

Histogram_Source > Band, dan Stretch_Type > Equalization.

3. Tentukan cut-off dansaturation, klik Apply untuk eksekusi.4. Bandingkan dengan citra hasil penajaman antara linear contrast stretching denganhistogram equalization.

5. Anda dapat eksplorasi untuk tipe perentangan kontras yang lain, seperti Piecewise Linear , Gaussian, atau Square

Root. Bandingkan hasilnya.

B. PEMFILTERAN SPASIAL

Pemfilteran spasial adalah suatu cara untuk ekstraksi bagian data tertentu dari suatu himpunan data, dengan

menghilangkan bagian data yang tidak diinginkan. Atau secara sederhana merupakan cara untuk menyaring informasi

sehingga menghasilkan informasi yang selektif yang tidak dapat dilihat pada kondisi biasa. Operasi ini diterapkan

dengan menggunakan algoritma moving window dan mempertimbangkan nilai piksel tetangga (sering disebut local

operation), sehingga hasilnya berupa citra baru dengan variasi nilai spektral yang berbeda dari citra asli. Ada banyak

jenis filter digital, tetapi dalam konteks penajaman kontras citra ada 2 macam filter utama, yaitu filter high-pass dan filter

low-pass. Filter high-pass menghasilkan citra dengan variasi nilai kecerahan yang besar, sedangkan filter low-pass

berfungsi sebaliknya.


2. Ada 2 cara untuk melakukan operasi filter, yaitu menggunakan menu

jendela display atau dari menu utama.

3. Pertama, dari jendela display klik Enhance > Filter , pilih filter sharpen,

smooth, atau median. Secara otomatis citra akan terfilter. Bandingkan

dengan citra asli tanpa filter.

4. Kedua, pada menu utama, klik Filter > Convolutions and

Morphology.

5. Pada jendela Convolutions and Morphology Tool, klik Convolutions > pilih tipe filt er . Tentukan jumlah kernel dan

perhatikan nilai pada kernel.

6. Klik Quick Apply untuk eksekusi sekaligus menampilkan citra hasil.

TUGAS :

Cobalah dengan jenis filter yang lain, catat filter yang digunakan dan perubahan yang terjadi. Analisis fungsi dari

penggunaan jenis filter tersebut.

7. Untuk membuat filter sesuai dengan kebutuhan, klik Convolutions > User Defined, gunakan ukuran kernel 3x3,

masukkan nilai kernel sebagai berikut :

2 2 2 1 -2 1 -2 -1 0 -1 -1 -1

2 4 2 -2 5 -2 -1 0 1 -1 16 -1

2 2 2 1 -2 1 0 1 2 -1 -1 -1

8. Quick Apply, dan amati yang terjadi pada citra. Analisis hubungan antara angka-angka pada kernel dengan citra

hasil pemfilterannya.





MODUL 4

TRANSFORMASI CITRA

A. FUSI CITRA

Fusi citra merupakan proses penggabungan beberapa citra ke dalam suatu komposit citra. Biasanya proses inidilakukan untuk mempertinggi/mempertajam resolusi spasial citra multispektral menggunakan citra pankromatik yang

memiliki resolusi spasial lebih tinggi. Untuk dapat melakukan proses ini, data harus georeferenced, atau jika tidak

georeferenced maka data harus meliput daerah yang sama, dengan ukuran piksel yang sama, ukuran citra yang sama,

dan orientasi yang sama pula. Alur proses ini dapat digambarkan sebagai berikut :

Ilustrasi proses fusi citra Landsat multispektral dengan Landsat pankromatikmembentuk citra komposit dengan resolusi spasial 15 meter (Janssen (ed), 2000).

ColorComposite

Landsat ETMBand 4

Landsat ETMBand 3

Landsat ETMBand 2 R

e s a m p l i n g & C o n t r a s t S t r e t c h

Red

Green

Blue

RGBto HSI

Hue

Saturation

Intensity

HSI toRGB

Blue

Green

Red

ContrastStretch

IntensityLandsat ETMPankromatik

1. Buka file smg_raw.lan (citra multispektral, 30m) dan smgp_raw (citra pankromatik, 15m), keduanya belum

georeferenced.

2. Ubah ukuran piksel multispektral menjadi ukuran pankromatik.

Klik Basic Tools > Resize Data (Spatial/Spectral), pilih file multispektral, OK.

3. Muncul jendela Resize Data Parameters, pada Output File Dimensions ganti xfac = 2, dan yfac = 2. Angka

tersebut merupakan faktor perbesaran dari dimensi 700 x 1000 ke 1400 x 2000, mengapa dimensi diubah?

4. Tentukan metode resampling dan simpan file output. File otomatis berada pada jendela Available Bands List.

5. Ubah suatu komposit RGB ke HSV

Pada menu utama klik Transform > Color Transforms > RGB to HSV. Buat komposit sesuai keinginan Anda dari

citra yang telah di-resize. Klik OK.

6. Simpan file hasil transformasi atau biarkan hanya sebagai memory. OK.

7. Stretch data pankromatik untuk menggantikan posisi intensity value citra komposit

Klik Basic Tools > Stretch Data, masukkan data pankromatik, OK.

8. Pada jendela Data Stretching, masukkan pada box Output Data Range min = 0 dan max = 1.0. Simpan hasil

stretch sebagai file atau memory, OK.

9. Penggantian Intensity value dengan data pankromatik

Klik Transform > Color Transforms > HSV to RGB, masukkan pada box H dan S citra komposit Hue dan Sat

berturut-turut dari citra HSV sebelumnya, dan pada box V masukkan citra pankromatik yang sudah di-stretch. Jika

sudah klik OK, simpan file atau sebagai memory. Otomatis citra komposit yang baru akan muncul pada jendela

Available Bands List.

10. Klik Load RGB untuk menampilkan citra hasil fusi.

11. Buka jendela display baru, tampilkan komposit yang sama dari file smg_raw.lan. Bandingkan kenampakannya.





Sebenarnya ENVI sudah memiliki fasilitas untuk melakukan fusi ini

secara cepat, namun syaratnya data harus georeferenced.

Langkahnya sebagai berikut :

1. Buka citra yang telah terkoreksi geometrik, dan juga file smgp.

2. Pada menu utama klik Transform > Image Sharpening >HSV.

Perbandingan resolusi citra asli (kiri) dengancitra hasil fusi (kanan) pada zoom yang sama

3. Masukkan input RGB sesuai kebutuhan, OK.

4. Masukkan file citra resolusi tinggi. OK.

5. Pilih metode resampling dan simpan output sebagai file atau memory, OK. Load RGB.

6. Anda juga bisa mencoba fusi dengan metode normalisasi warna Brovey.

Buat jendela display baru, tampilkan komposit yang sama dengan tampilan di atas.

7. Klik Transform > Image Sharpening > Color Normalized (Brovey).

8. Masukkan jendela input (Display #2), masukkan citra resolusi tinggi, OK. Pilih metode resampling dan simpan

output sebagai file atau memory. OK.

9. Load RGB, dan bandingkan dengan hasil fusi HSV.

B. PENISBAHAN SALURAN

Penisbahan saluran (Band Ratios) digunakan untuk menonjolkan perbedaan spektral antar saluran dan

mengurangi efek topografi. Pembagian satu saluran spektral dengan yang lain menghasilkan citra yang memberikan

intensitas relatif saluran. Citra tersebut memperjelas perbedaan spektral antar saluran, juga menonjolkan aspek

informasi tertentu yang tidak muncul pada citra biasa. Untuk menonjolkan beberapa aspek hasil penisbahan saluran

secara simultan, maka bisa disusun suatu citra komposit yang lebih dikenal dengan Color-Ratio-Composite (CRC).

Pada praktikum ini Anda akan mencoba membuat penisbahan saluran pada citra Landsat 7 ETM sebagai berikut :

• Band-ratio 5/7 untuk menonjolkan tanah lempung, karbonat, dan vegetasi

• Band-ratio 3/1 untuk menonjolkan oksida besi

• Band-ratio 2/4 atau 3/4 untuk menonjolkan vegetasi, dan

• Band-ratio 5/4 juga untuk menonjolkan vegetasi.

1. Panggil file citra yang sudah terkoreksi baik radiometrik maupun geometrik.

2. Pada menu utama klik Transform > Band Ratios, masukkan saluran sebagai pembilang (numerator ) dan

penyebut (denominator ).

3. Klik Enter Pair , dan OK. Simpan citra sebagai file atau memory. Tampilkan citra hasil.

4. Lakukan untuk semua band-ratio di atas.

5. Kemudian buatlah komposit warna citra penisbahan (CRC) 5/7, 3/1, 2/4 (RGB), tampilkan dan pertajam dengan

equalisasi histogram default pada jendela display image.

6. Perhatikan kenampakan di citra komposit, tanah lempung atau karbonat berwarna magenta, oksida besi

berwarna hijau, dan vegetasi berwarna merah. Anda dapat mengembangkan sendiri komposisi warnanya untuk

menonjolkan aspek yang lain.





C. TRANSFORMASI INDEKS VEGETASI

Beberapa algoritma dikembangkan untuk menonjolkan aspek kerapatan vegetasi dari citra. Secara praktis indeks

vegetasi merupakan suatu transformasi matematis yang melibatkan beberapa saluran sekaligus, dan menghasilkan

citra baru yang lebih menonjolkan fenomena dan distribusi vegetasi.

Salah satu transformasi yang populer dalam studi vegetasi adalah Normalized Difference Vegetation Index (NDVI), yang merupakan kombinasi antara teknik penisbahan dengan penjumlahan dan pengurangan saluran citra.

Nilai NDVI mengindikasikan jumlah vegetasi hijau yang terdapat pada suatu piksel. Semakin tinggi nilai NDVI

menandakan vegetasi hijau semakin banyak/rapat. NDVI dihitung menggunakan algoritma :

NDVI = ⎟ ⎠

⎞⎜⎝

⎛

+RedNIR

Red-NIR

Hasil perhitungan algoritma ini berkisar antara -1 hingga +1.

PROSES TRANSFORMASI NDVI

1. Buka file citra yang telah terkoreksi baik radiometrik maupun geometrik, dalam hal ini file smg.

2. Pada menu utama klik Transform > NDVI (Vegetation Index), pilih file di atas.

3. Tentukan saluran inframerah dekat dan saluran merah, simpan file atau sebagai memory. OK.

4. Tampilkan citra, dan cek nilai pikselnya dengan cursor location/value.

PEMILAHAN KECERAHAN CITRA NDVI

1. Pada jendela display image klik Overlay > Density Slice.

Masukkan citra NDVI.

2. Buat 5 level tingkat kecerahan. Pada jendela density slice, klik

Option > Set Number of Defaults Ranges, masukkan angka 5,

OK.

3. Pada jendela density slice, klik Option > Apply Default Ranges.

4. Edit Range untuk mengedit range dan warna jika perlu. Jika

sudah klik Apply, citra dengan 5 level kerapatan vegetasi

terbentuk. Simpan citra terklasifikasi.

Anda bisa mencoba transformasi vegetasi lain, sepert i RVI, TVI,

DVI, PVI, VIF, dsb . Gunakan Band Ratios atau Band Math.

D. TRANSFORMASI KAUTH-THOMAS (TASSELED CAP

)Transformasi tasseled cap (yang dikembangkan oleh Kauth dan Thomas, 1976) adalah transformasi linear dari

data Landsat MSS yang memproyeksikan informasi tanah dan vegetasi ke dalam satu bidang tunggal dalam ruang data

multispektral. Transformasi orthogonal diberlakukan pada data asli sehingga terbentuk ruang 4 dimensi baru yang

terdiri dari the soil brightness index (SBI), the green vegetation index (GVI), the yellow stuff index (YVI), dan non-such

index (NSI) yang berkaitan dengan efek atmosfer. Crist dan Cicone (1984) meneliti penggunaan transformasi tersebut

untuk data Landsat TM, dan diperoleh 3 sumbu baru yaitu :

Sumbu TM1 TM2 TM3 TM4 TM5 TM7

Brightness 0,33183 0,33121 0,55177 0,42514 0,48087 0,25252

Greenness -0,24717 -0,16263 -0,40639 0,85468 0,05493 -0,11749

Wetness 0,13929 0,22490 0,40359 0,25178 -0,70133 -0,45732





Untuk data Landsat TM, tasseled cap vegetation index terdiri dari: Brightness, Greenness, dan Third. Brightness

(sumbu kecerahan) dan Greenness (sumbu kehijauan) ekuivalen dengan SBI dan GVI Landsat MSS, dan sumbu ke-

tiga berhubungan dengan obyek tanah, termasuk status kelembaban tanah. Untuk data Landsat 7 ETM, transformasi

tasseled cap menghasilkan 6 saluran output: Brightness, Greenness, Wetness, Fourth (Haze), Fifth, Sixth. Buka

websitehttp://landcover.usgs.gov/pdf/tasseled.pdf untuk lebih jelasnya.

1. Buka fileSmg.

2. Pada menu utama klik Transform > Tasseled Cap, masukkan file, OK.

3. Pada Input File Type pastikan Landsat 7 ETM, simpan file, dan klik OK.

4. Tampilkan masing-masing citra baru yang terbentuk. Bandingkan juga antara citra greeness dengan citra NDVI.

5. Buat citra komposit dari citra baru tersebut R : citra brightness, G : citra greeness, dan B : citra wetness . Citra

komposit ini merupakan penajaman dari obyek tanah kering, vegetasi rapat, dan air atau tanah lembab. Amati dan

analisis warna yang terjadi.

Dede dan Carolita (1996) mengemukakan algoritma untuk menentukan Indeks Kelangasan Tanah sebagai berikut :

IKL =KecerahanIndeks

VegetasiIndeksKebasahanIndeks +

1. Coba Anda aplikasikan algoritma di atas pada citra transformasi tasseled cap.

Gunakan Band math atau Band Ratios.

2. Buat pemilahan kecerahan untuk citra indeks kelengasan tanah.


http://landcover.usgs.gov/pdf/tasseled.pdf

http://landcover.usgs.gov/pdf/tasseled.pdf




MODUL 5

KLASIFIKASI MULTISPEKTRAL

Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas tertentu. Biasanya tiap piksel

diproses sebagai unit individual yang tersusun dari beberapa saluran spektral. Dengan cara membandingkan piksel satudengan yang lainnya, dan dengan piksel yang diketahui identitasnya, maka sangat memungkinkan untuk mengelompokkan

piksel dengan karakteristik yang sama ke dalam suatu kelas. Kelas-kelas tersebut membentuk area pada peta atau citra,

sehingga setelah terklasifikasi citra digital direpresentasikan sebagai mosaik dari unit-unit pemetaan yang seragam dengan

simbol atau warna yang spesifik. Secara teoritik, kelas-kelas tersebut tersusun dari piksel-piksel yang homogen, namun

secara praktis hal tersebut sulit ditemui, kebanyakan piksel dalam suatu kelas adalah bervariasi.

Asumsi yang digunakan dalam klasifikasi multispektral ialah bahwa setiap obyek dapat dibedakan dari yang lainnya

berdasarkan nilai spektralnya. Dari beberapa penelitian eksperimental diperoleh hasil bahwa tiap obyek cenderung

memberikan pola respon spektral yang spesifik. Ada beberapa metode klasifikasi multispektral, yaitu: unsupervised

classification, supervised classification, dan hybrid classification. Klasifikasi unsupervised memproses pengelompokan alami

piksel dalam citra dengan interaksi analis yang minimal. Lain halnya dengan prosedur klasifikasi supervised yang melibatkan

interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi obyek pada citra ( training

area). Sedangkan klasifikasi hybrid, merupakan jembatan diantara keduanya, atau gabungan prosedur keduanya.

A. KLASIFIKASI TAK TERSELIA (UNSUPERVISED CLASSIFICATION )

Dalam klasifikasi ci tra secara digital, informasi yang dapat disadap dari piksel adalah penutup lahan.

1. Tampilkan citra smg (format ENVI standar).

2. Pada menu utama klik Classification > Unsupervised > IsoData, pilih citra multispektral, OK.

3. Masukkan parameter yang dibutuhkan, masukkan Maximum Iteration = 3, Minimum # Pixel in Class = 9. Simpan

citra sebagai file. Klik OK untuk eksekusi.

4. Tampilkan citra, cek jumlah kelas yang terbentuk, pada image display klik Overlay > Annotation, pada jendela

Annotation pilihObject > Map Key, klik box Edit Map Key Items, hitung berapa kelas yang ada.

5. Tampilkan juga citra komposit, bandingkan kenampakan keduanya, gunakan Link. Analisis hasil klasifikasinya.

6. Coba juga untuk metode K-Means, klik Classification > Unsupervised > K-Means. Pilih citra dan masukkan

parameter yang dibutuhkan, masukkan jumlah kelas sejumlah kelas Iso Data. Simpan sebagai file dan klik OK

untuk eksekusi.

7. Bandingkan kenampakan kedua metode klasifikasi.

B. KLASIFIKASI TERSELIA (SUPERVISED CLASSIFICATION )

Klasifikasi terselia (supervised) diawali dengan pengambilan daerah sampel/ acuan (training area). Pengambilan

sampel tersebut dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu,

sehingga diperoleh daerah acuan yang baik untuk mewakili suatu obyek tertentu.

Sampel yang telah diambil tersebut selanjutnya dijadikan sebagai masukan dalam

proses klasifikasi untuk seluruh citra dengan menggunakan algoritma tertentu.

1. Tampilkan citra komposit warna yang Anda anggap paling representatif.

2. Ambil training area atau sampel (Region of Interest/ ROI) tiap obyek penutup

lahan.

Lihat caranya di Pengambilan Sampel Obyek (Modul 1 point F).





Beberapa hal yang harus diperhatikan dalam pengambilan sampel sebagai berikut :

• Sampel harus homogen, dengan jumlah + 100 piksel. Homogenitas sampel dapat terlihat dari warna yang

sama pada citra komposit.

• Beri nama sampel sesuai analisis Anda dan beri warna tertentu, buat catatan yang sistematis. Untuk alasan

praktis, suatu obyek dapat Anda bagi menjadi beberapa kelas (misal vegetasi1, vegetasi2, dsb.) asalkan Anda punya catatan karakteristik obyek tiap kelas.

• Lengkapi training area sehingga sebagian besar obyek tersampel dengan baik.

• Gunakan gambar kurva pantulan spektral untuk membantu pengenalan obyek.

Kurva pantulan relatif obyek air keruh, tanah, dan vegetasi(Ford, 1979 dalam Sutanto, 1992)

3. Simpan ROI, beri nama yang spesifik sehingga Anda mudah mengakses. Jendela ROI jangan ditutup.4. Pada menu utama klik Classification > Supervised > pilih salah satu metode, coba pilih Parallelepiped.

5. Masukkan file input. Pada jendela Parallelepiped Parameter jika Anda belum menutup jendela ROI, training area

secara otomatis sudah masuk. Klik Select Al l Items. Simpan file output dan rule-nya. Klik OK untuk eksekusi.

6. Tampilkan citra terklasifikasi, jika masih ada piksel yang berwarna hitam berarti belum terklasifikasi. Sempurnakan

klasifikasi dengan cara menambah kelas pada ROI yang Anda buat, identifikasi piksel tak terklasifikasi bisa Anda

lakukan dengan me-link-kan citra terklasifikasi dengan citra komposit warna. Amati daerah-daerah tak

terklasifikasi. Selanjutnya ulangi proses klasifikasi, hingga jumlah piksel tak terklasifikasi minimal.

7. Jika piksel tak terklasifikasi sedikit. Coba Anda pakai ROI yang sama untuk proses klasifikasi dengan metode yang

lain (Minimum Distance, Mahalanobis Distance, dan Maximum Likelihood). Kemudian bandingkan hasilnya.

C. PERAPIAN HASIL KLASIFIKASI

Tahapan ini dikenal juga dengan istilah operasi kosmetik (cosmetic operation) atau post classification, yang

bertujuan agar tampilan citra lebih menarik dan komunikatif. Hasil klasifikasi citra seringkali meninggalkan piksel-piksel

terasing (terisolir). Untuk mengatasi hal ini diberlakukan operasi filter mayoritas. Filter mayoritas bukan suatu algoritma

penajaman dan juga tidak memberikan efek peningkatan ketajaman pada citra. Namun lebih merupakan operasi logikal

yang digunakan terutama untuk memperbaiki hasil klasifikasi multispektral sehingga piksel-piksel terasing dapat

dihilangkan. Mather (1987) mengungkapkan bahwa filter mayoritas dirancang berdasarkan suatu asumsi bahwa

fenomena geografik bersifat keruangan. Artinya kehadiran suatu obyek atau fenomena tidaklah lepas dari kaitan obyek

lain, sehingga fenomena geografis tidak bersifat acak tapi berupa struktur yang teratur.





1. Pilih salah satu citra hasil klasifikasi yang Anda anggap paling baik, tampilkan.

2. pada menu utama klik Classification > Post Classification > Majority/Minority Analysis .

3. Masukkan file citra terklasifikasi terpilih.

4. Select Al l It ems untuk memilih semua kelas, pada Analysis Method klik radio button Majority, simpan sebagai file

majority1. Klik OK untuk eksekusi.5. Tampilkan citra hasil majority dan link-kan dengan citra klasifikasi. Amati perubahan distribusi kelas klasifikasi.

6. Jika untuk tujuan tertentu Anda rasa masih terlalu banyak piksel terisolir, lakukan sekali lagi pemfilteran majority

untuk file citra majority1, kemudian beri nama majority2.

Anda harus bi jak dalam melakukan proses fi lter mayoritas, ingat 1 piksel pada ci tra Landsat 7 ETM mewaki li

luasan berukuran 30 x 30 meter.

Perbandingan citra terklasifikasi (kiri)dengan citra hasil pemfilteran mayoritas(kanan). Kenampakan kelas obyekmenjadi solid.

D. LAYOUT HASIL KLASIFIKASI

1. Tampilkan citra hasil pemfilteran mayoritas.

2. Pada jendela display image klik Overlay > Grid Lines, grid koordinat akan muncul, sekaligus background dengan

warna putih.

3. Atur lebar background untuk menempatkan keterangan tepi citra. Pada jendela Grid Line Parameters, klik Option

> Set Display Borders. Masukkan200 untuk atas dan 100 untuk bawah dan kiri, dan 400 untuk kanan.

4. Atur grid peta pada Option > Edit Map Grid Attributes, dan grid geografis pada Option > Edit Geographic Grid

Attr ibutes. Klik Apply untuk menampilkan perubahan. Jangan tutup jendela Grid.

5. Untuk melakukan penambahan judul peta, skala peta, orientasi, legenda, dsb, klik Overlay > Annotation.

6. Pada jendela Annotation klik Object > Text, tentukan Window: Scroll, warna teks, tipe huruf dan ukurannya,

kemudian ketik teks yang berkaitan dengan peta (judul peta, keterangan pendukung, pembuat, dll).

7. Klik kiri pada jendela scroll, drag hingga menempati posisi yang diinginkan, jika sudah sesuai klik kanan untuk

fiksasi posisi teks.

8. Lanjutkan untuk keterangan yang lain, ikuti prosedur yang sama. Jika diperlukan untuk melakukan editing posisi

terhadap obyek yang telah difiksasi, klik Object > Selection/Edit, kemudian drag pada obyek yang akan diedit

posisinya. Tempatkan pada posisi yang diinginkan.

9. Lakukan layouting sesuai dengan kaidah kartografis.

10. Jangan lupa save annotation, File > Save Annotation, beri nama. File ini menyimpan annotasi bukan image-nya.

11. Untuk menyimpan file image, pada jendela display image klik File > Save Image As > Image File, pada Output

Type File pilih JPEG, tentukan direktori dan nama file, OK untuk menyimpan.





Contoh layout citra hasil klasifikasi multispektral untuk 6 kelas obyek.

TUGAS (sertakan dalam laporan)

Apa kelebihan dan kekurangan dari metode klasifikasi unsupervised dansupervised?

DAFTAR PUSTAKA

Campbell, James. B. 2002. Introduction to Remote Sensing (3rd edition). New York : The Guilford Press

Dirgahayu, Dede dan Carolita, Ita, 1996, Aplikasi Inderaja Untuk Mendeteksi Sebaran Kelengasan Lahan Secara Kuantitatif,

Majalah LAPAN edisi Januari no. 80 hal 8 – 18 th 1997

Janssen, L.L.F (ed.). 2000. Principles of Remote Sensing (An introductory textbook). The Netherlands : ITC

Jensen, J.R. 1996. Introductory to Digital Image Processing ; a Remote Sensing Perspective. New Jersey : Prentice Hall

Indrawati, Like. 2001, Karakteristik Pantulan Spektral Kandungan Kelembaban Tanah Permukaan pada Data Digital

Multispektral Landsat TM di Sebagian Propinsi Daerah Istimewa Yogyakarta. Skripsi S-1. Yogyakarta : Fakultas

Geografi UGM

Kamal, Muhammad. 2004, Kajian Kerentanan Banjir Menggunakan Data Digital Landsat ETM+ (Studi Kasus di Sebagian

Lahan Rendah Kabupaten Demak dan Grobogan, Jawa Tengah). Skripsi S-1. Yogyakarta : Fakultas Geografi

UGM

Mather, P.M. 1987. Computer Processing of Remotely Sensed Data. London : John Willey & Sons

Danoedoro, Projo. 1996. Pengolahan Citra Digital; Teori dan Aplikasinya dalam Bidang Penginderaan Jauh. Yogyakarta :

Fakultas Geografi UGM

Sutanto. 1992. Penginderaan Jauh Jilid I. Yogyakarta : Gadjah Mada University Press © 2006

petunjuk singkat envi

Documents