Pemrosesan data citra

3. BAHAN DAN METODE

3.3. Metode Penelitian

3.3.3. Pemrosesan data citra

Citra QuickBird diproses dengan menggunakan software ER Mapper 5.5 dan Arc View 3.1, sedangkan analisis visual dilakukan berdasarkan hasil identifikasi objek.

Beberapa tahap yang akan dilakukan dalam pengolahan citra antara lain : pemulihan citra, penajaman citra dan klasifikasi citra. Dari tahapan inilah informasi mengenai kerapatan dan distribusi mangrove didapatkan (Gambar 5).

3.3.3.1. Pemulihan citra

Pemulihan citra dilakukan dengan tujuan untuk memulihkan data citra yang mengalami distorsi ke arah gambaran yang tidak sesuai dengan keadaan aslinya. Proses pemulihan citra ini terdiri dari koreksi geometrik dan koreksi radiometrik. Distorsi geometrik terjadi karena adanya pergeseran piksel dari letak yang sebenarnya. Distorsi tersebut disebabkan oleh kurang sempurnanya sistem kerja Scan Deflection System dan ketidakstabilan sensor atau satelit, dimana untuk mengatasinya dapat dilakukan dengan koreksi geometrik yang melalui dua tahap, yaitu : transformasi koordinat dan resampling.

Transformasi koordinat dilakukan dengan menggunakan Ground Control Point atau disebut juga GCP. GCP (titik kontrol tanah) adalah suatu kenampakan

geofrafis yang unik dan stabil sifat geometrik dan radiometriknya serta lokasinya dapat diketahui dengan tepat, misalnya : persimpangan jalan, sudut dari suatu bangunan ataupun tambak dan sebagainya.

GCP yang telah ditentukan ditempatkan pada citra dan pada peta topografi dengan tingkat akurasi satu pixel. Penempatan GCP yang benar akan

menghasilkan matriks transformasi hubungan titik-titik pada citra dan sistem proyeksi yang terpilih.

Pada tahap ini titik persamaan pada citra (u,v) ditransformasikan ke dalam koordinat peta (x,y) dengan menggunakan fungsi pemetaan (f dan g), seperti yang dijelaskan pada persamaan dibawah ini :

u = f (x,y) v = g (u,v)

Proses penerapan alih ragam geometrik terhadap data asli disebut resampling. Dalam melakukan resampling dapat dilakukan dengan tiga teknik, yaitu : nearest neighbour, bilenier dan cubic convolution.

Pengaruh atmosfer (penghamburan dan penyerapan), noise pada waktu transmisi data, perubahan cahaya, radiasi dan buramnya bagian optik pada sistem pencitraan dapat menyebabkan distorsi radiomertik. Koreksi radiometrik

biasanya dilakukan pada kanal visible (ë = 0,4 – 0,7 µm), sedangkan kanal inframerah (ë = > 0,7) sebagian besar bebas dari pengaruhnya.

Koreksi radiometrik dilakukan dengan metode penyesuaian histogram (histogram adjusment), yaitu dengan mengurangi nilai kanal terdistorsi ke arah kiri sehingga nilai minimumnya menjadi nol.

Secara matematis, koreksi pengaruh atmosfer dengan penyesuaian histogram dapat dilihat pada persamaan di bawah ini :

DNi,j,k(output:tekoreksi)= DNi,j,k(input:asli) – bias

3.3.3.2. Penajaman citra

Penajaman citra digunakan untuk memperjelas penampakan objek yang terdapat pada citra sehingga dapat diperoleh citra yang informatif. Tujuan dari penajaman citra adalah untuk mempertajam interpretabilitas visual citra, baik untuk memperoleh keindahan gambar atau untuk analisis citra.

Penajaman ini dilakukan sebelum menampilkan citra dengan tujuan meningkatkan informasi yang dapat diinterpretasi secara digital. Prosesnya melibatkan penajaman kontras yang tampak pada wujud gambaran yang terekam pada citra, sehingga dapat memperbaiki kenampakan citra dan meningkatkan perbedaan yang ada di antara objek yang ada dalam citra.

Ada beberapa teknik yang dapat digunakan dalam penajaman citra khususnya untuk kerapatan dan distribusi mangrove. Salah satu tekniknya dengan False Colour Composit (FCC) yang merupakan penajaman dengan menggabungkan tiga warna primer, yaitu merah (red), hijau (green) dan biru (blue).

3.3.3.3. Klasifikasi citra

Klasifikasi bertujuan untuk mengelompokan kenampakan yang homogen. Klasifikasi merupakan proses pengelompokan piksel-piksel ke dalam suatu kelas

atau kategori berdasarkan kesamaan nilai spektral tiap piksel. Nilai spektral merupakan gambaran sifat dasar interaksi antara objek dengan spektrum yang bekerja.

Ada dua proses klasifikasi, yaitu : klasifikasi terbimbing (supervised

classification) dan klasifikasi tak terbimbing (unsupervised classification). Pada penelitian ini digunakan supervised classification karena didukung dengan data lapangan.

Klasifikasi terbimbing bertujuan mengelompokkan secara otomatis kategori semua nilai piksel dalam citra menjadi beberapa kelas didasarkan pada daerah contoh (training area). Daerah contoh pada citra didapatkan dari peta acuan, data sekunder dan data lapangan.

Pengkelasan piksel pada supervised classification didasarkan pada kemiripan maksimum piksel dengan sekelompok piksel lainnya dalam citra. Pengkelasan ini dikenal dengan metode kemiripan maksimum (maximum likelihood).

Dengan metode maximum likelihood piksel yang belum diketahui identitasnya dikelompokkan berdasar vektor dan matriks kovarian dari setiap pola spektral kelas. Nilai peluang piksel yang belum teridentifikasi akan dihitung oleh komputer dan dimasukkan ke dalam salah satu kelas yang peluangnya paling tinggi.

Dari hasil klasifikasi dengan menggunakan supervised classification selanjutnya dilakukan pengkelasan kembali atau pengkelasan ulang (reclass) dengan berdasarkan pada peta dan data pendukung. Pengkelasan ulang ini bertujuan untuk mendapatkan citra yang lebih informatif mengenai daerah penelitian.

3.3.3.4. Ketelitian klasifikasi

Ketelitian klasifikasi dilakukan dengan perhitungan matriks kekeliruan

(confusion matrix). Matriks ini berordo (m x m) dan variabel A, B, C adalah kelas yang didapatkan dari proses klasifikasi.

Baris dan kolom matriks menunjukkan jumlah piksel hasil pengujian pada kelas-kelas tersebut. Jumlah seluruh piksel yang terdapat pada setiap baris dan kolom adalah jumlah total piksel yang diuji.

Tabel 2. Bentuk Matriks Kesalahan (Confusion Matrix) Reference Classification Data _{A B C} Total Baris UA (%) A Xkk X+k Xkk/Xk+ B C Xkk Total Kolom Xk+ N PA (%) Xkk/X+k % 100 × = +k kk X X PA =

∑

=1 ×100% N X OA r k ^kk % 100 × = + k kk X X UA

Pada kasus yang ideal seluruh sel di luar diagonal utama bernilai nol, yang mengisyaratkan tidak ada penyimpangan dalam klasifikasi. Nilai dalam sel di bawah diagonal utama menunjukkan kekurangan jumlah piksel akibat masuk ke dalam kelas lain (comission error). Nilai dalam sel di atas diagonal utama merupakan kelebihan jumlah piksel (omission error).

Produser’s accuracy (PA) adalah peluang (dalam %) suatu piksel akan diklasifikasikan dengan tepat, yang menunjukkan seberapa baik masing-masing kelas di lapangan telah diklasifikasikan. User’s accuracy (UA) adalah nilai

persentase peluang rata-rata piksel dari citra yang telah terklasifikasi secara aktual mewakili kelas di lapangan. Overall accuracy (OA) adalah nilai persentase dari piksel yang terkelaskan dengan sempurna.

Selain itu dilakukan juga perhitungan koefisien kappa. Dalam koefisien kappa, off-diagonal tergabung sebagai total marginal kolam dan baris. Koefisien kappa akan mempunyai nilai lebih kecil dari overall accuracy. Koefisien kappa bernilai antara 0 – 1 (Edward, 2000). ) ( ) ( 1 2 1 1

∑ ^∑

∑

= ^{+ +} = ^{+ +} = × − × − = _r k ^{k k} r k ^{k k} r k ^kk X X N X X X N Kappa

Keterangan : r = jumlah baris dalam matriks

Xkk = jumlah pengamatan pada baris i dan kolom i Xk+ dan X+k = total marginal dari baris i dan kolom i N = jumlah total dari pengamatan

3.3.3.5. Algoritma yang digunakan

Untuk penentuan tingkat kerapatan kanopi mangrove dilakukan analisis indeks vegetasi. Analisis ini dilakukan dengan cara mengurangkan, menambah, dan membandingkan nilai digital setiap saluran yang spektralnya berbeda.

Beberapa algoritma yang digunakan untuk mengetahui kerapatan mangrove, antara lain :

a) Difference Vegetation Index (DVI) = NIR - RED (Richardson dan Weigand, 1997 in Hariyadi, 1999)

b) Normalized Difference Vegetation Index (NDVI) = (NIR-RED) / (NIR+RED) (Rouse et al., 1974 in Hariyadi,1999)

(Rouse et al., 1974 in Hariyadi,1999)

d) Transformed Ratio Vegetation Index (TRVI) = (NIR/RED) (Rouse et al., 1974 in Hariyadi,1999)

e) Transformed Normalized Vegetation Index (TNDVI) = (NDVI+0.5) (Deering, 1974 in Hariyadi 1999)

Keterangan :

RED = nilai digital pada citra kanal merah (kanal 3)

NIR = nilai digital pada citra kanal inframerah dekat (kanal 4) Dari lima algoritma diatas akan dipilih satu algoritma terbaik, yaitu yang memiliki koefisien determinasi dan koefisien korelasi terbesar. Koefisien determinasi dan koefisien korelasi didapatkan dari hubungan data lapang dengan nilai pantulan spektral. Selanjutnya algoritma tersebut akan diproses untuk menentukan tingkat kerapatan mangrove.

3.3.3.6. Gabungan citra hasil klasifikasi dengan indeks vegetasi

Penutupan lahan berdasarkan hasil klasifikasi meliputi distribusi, genus, dan luasan mangrove, sedangkan kerapatan mangrove diperoleh dari klasifikasi indeks vegetasi.

Proses selanjutnya adalah citra penutupan lahan hasil supervised classification dengan metode maximum likelihood ditumpang-tindihkan (overlay) dengan citra hasil analisis indeks vegetasi. Hasil overlay ini memberikan informasi mengenai genus mangrove dan tingkat kerapatannya.

Gambar 5. Diagram Alir Pengolahan Citra Citra Satelit

Koreksi Geometrik dan Radiometrik

Citra Komposit 423 Training Area Pengujian Hasil Klasifikasi Data Lapang Ya Tidak Hasil Baik Citra Terklasifikasi Pemilihan Indeks Vegetasi TRVI = (NDVI)+0.5 Overlay Citra Akhir Intrepretasi Avicennia Rhizophora RVI = NIR/RED