IV. HASIL DAN PEMBAHASAN
4.1 Pengolahan Citra ALOS PALSAR level 1.5
Rincian pengolahan citra PLR/ALOS PALSAR level 1.5 dengan menggunakan perangkat lunak PolSARpro v3.0 adalah sebagai berikut:
1. Buka PolSARpro v3.0, lalu pilih opsi Spaceborne → ALOS/PALSAR →
Data Processing Level 1.5
Gambar 5. Tampilan kerja PolSARpro v3.0
2. Pada tampilan menu utama PolSARpro terdapat beberapa opsi fungsi, yaitu Environment, Import, Process, Display dan Tools. Masing masing opsi memiliki fungsi yang berbeda-beda. Untuk memulai suatu proses pengolahan terlebih dahulu membuat Main Input Directory (contoh : C:/ALOS_PALSAR_dery) sebagai input acuan untuk proses selanjutnya pada opsi Environment
Gambar 6. Tampilan kerja Environment Main Input Directory
3. Data file ALOS PALSAR (*.5GUA) diimport terlebih dahulu agar bisa diproses lebih lanjut.
Gambar 7. Tampilan ALOS Input Data File
Pada kolom SAR Leader File, masukkan data file LED-***-P1.5GUA, setelah itu klik Check Files, maka secara otomatis kolom berikutnya akan terisi data file yang tersedia. Setelah semua data file masuk, klik Read
Header → Ok. Setelah itu akan tampil pesan peringatan yang berisi “Don’t forget to extract data before running any data process” → Ok
4. Setelah data file dimasukkan, lalu dilakukan proses Extract → Full
Resolution. Untuk menyimpan keluaran hasil ekstraksi, ubah nama
keluaran (C:/ALOS_PALSAR_dery/ALOS_PALSAR_full) pada Output
Directory. Pilih opsi Full Resolution lalu klik Run untuk memulai
ekstraksi. Setelah mengklik Run akan muncul pesan peringatan yang berisi
“Create the directory? C:/ALOS_PALSAR_dery/ALOS_PALSAR_full” → Ok
5. Keluaran dari hasil ekstraksi berupa file dengan format *.bin dan citra asli dengan tampilan SinclairRGB. Hasil ekstraksi tersebut merupakan proses ekstraksi keseluruhan areal penyiaman satelit dengan luas cakupan 30 km
6. Untuk lebih fokus pada suatu areal pengamatan, maka dilakukan cropping terlebih dahulu pada citra asli SinclairRGB dengan bantuan program Paint.
Cropping dilakukan dengan menentukan nilai lokasi titik atau piksel (x,y)
pada citra asli SinclairRGB, untuk daerah pengamatan, yaitu areal persawahan PT. Sang Hyang Seri, Subang, berada pada titik (493,1209) dan (1384,2279). setelah didapat nilai lokasi piksel (x,y)-nya, masukkan ke dalam Int Row (493), End Row (1384), Int Col (1209) dan End Col
(2279) pada saat melakukan ekstraksi data.
Gambar 9. Penentuan lokasi titik (x,y) menggunakan Paint
Buat Output Directory baru (C:/ALOS_PALSAR_dery/CROP_sinclair) untuk citra yang akan dicrop, lalu klik Run. Setelah mengklik Run akan muncul pesan peringatan yang berisi “Create the directory?
Gambar 10. Hasil cropping areal pengamatan
Lalu masukkan hasil Output Directory yang baru
(C:/ALOS_PALSAR_dery/CROP_sinclair) ke dalam opsi Environment
pada awal proses diatas. Hal ini dimaksudkan agar pengolahan citra difokuskan pada areal yang telah dicrop saja.
Untuk dapat memvisualisasikan hasil ekstraksi, data file *.bin harus dibuat dalam file BMP pada opsi Display → (Ixx, Ixy) → Create BMP file.
Masukkan data file hasil ekstraksi (*.bin) pada kolom Input Data File →
Data Format (Complex, Float, Integer) → Show (Modulus, 10log(Mod), 20log(Mod), Phase, Real, Imag) → Minimum / Maximum values (Automatic, Enhanced Contrast ) → Output Format (8-bits BMP, 24-bits BMP, 24-bits TIFF) → Run.
Gambar 11. Tampilan fungsi Create BMP file
a) I11_real (polarisasi HH) b) I12_real (polarisasi VH)
c) I21_real (polariasasi HV) d) I22_real (polarisasi VV)
Gambar 12. Visualisasi citra hasil ekstraksi (Display → float, real,
Enhanced Contrast, 24-bits BMP)
7. Pada menu klik Process. Kemudian masuk dalam proses pengolahan data hasil ekstraksi yang pertama adalah fungsi Data Processing Intensities
Elements. Pada proses ini memperlihatkan perbedaan jenis polarisasi,
kontras dan Span. Setelah menentukan keluaran
(C:/ALOS_PALSAR_dery/CROP_IntEls_***) dan hasil yang diinginkan,
Gambar 13. Tampilan kerja Data Processing Intensities Elements
Hasil dari proses diatas, citra ditampilkan dalam colormap gray secara otomatis dan tidak bisa dibuat ke dalam citra RGB. Setiap citra memperlihatkan rona warna yang berbeda yang dihasilkan oleh perbedaan jenis polarisasinya.
a) I11_db (HH) b) I12_db (VH) c) I21_db (HV)
d) I22_db (VV) e) Span decibel=10log(span)
Gambar 14. Visualisasi citra hasil proses Intensities Elements
Dari hasil visualisasi diatas, citra I11_db dengan polarisasi HH kurang memperlihatkan petak sawah yang ada, demikian pula dengan citra I12_db dengan polarisasi VH dan citra I21_db dengan polarisasi HV, petak pada areal persawahan kurang terlihat jelas. Pada citra I22_db dengan polarisasi VV, petak pada areal persawahan terlihat dengan jelas, namun masih terlihat kasar. Perbedaan antara areal persawahan dengan pemukiman yang ada disekitar areal persawahan masih terlihat samar, sehingga cukup sulit membedakan antara batas areal persawahan dengan pemukiman. Dibanding dengan citra yang lain, citra span decibel=10log(span) terlihat yang paling baik. Petak pada areal persawahan terlihat dengan jelas dan batas antara pemukiman dengan areal persawahan pun cukup jelas terlihat, dimana pemukiman terlihat yang paling terang
8. Proses selanjutnya yaitu fungsi Data File Conversion → Intensity PP to
Intensity PP MultiLook. Output Directory dari proses ini secara otomatis
akan ditambahkan *_MLK (C:/ALOS_PALSAR_dery/CROP_MLK). Pada kolom MultiLook Col dan MultiLook Row dapat diubah sesuai dengan yang diinginkan. Hasil pada proses ini berupa data file *.bin dari setiap jenis polarisasi.
Gambar 15. Tampilan fungsi Data File Conversion Intensity PP to
Intensity PP MultiLook
Setelah keluaran data file *.bin dihasilkan, maka untuk dapat memvisualisasikannya, dilakukan langkah Display → BMP file
a) I11_real (HH) b) I12_real (VH)
c) I21_real (HV) d) I22_real (VV)
Gambar 16. Visualisasi citra konversi MultiLook (Display → float, real,
Enhanced Contrast, 8-bits BMP)
Dari hasil konversi MultiLook diatas, terlihat bahwa citra I22_real dengan polarisasi VV adalah yang paling baik dibandingkan dengan citra yang hasil konversi MultiLook yang lain.
9. Pemrosesan data selanjutnya yaitu Speckle Filter. Data yang akan difilter merupakan data yang telah mengalami proses ekstraksi
(C:/ALOS_PALSAR_dery/CROP_sinclair) dengan tujuan agar tampilan
citra menjadi lebih baik akibat berkurangnya derau. Jenis fungsi filter yang bekerja pada fungsi Speckle Filter adalah Boxcar Filter, Gaussian Filter dan J.S. Lee Refined Filter. Filter tersebut berfungsi melakukan penyaringan data untuk mengurangi noise yang tampak pada citra.
Fungsi Boxcar Filter memiliki hasil visual yang sama dengan fungsi
Gaussian Filter pada masing-masing jenis polarisasinya. Berbeda dengan
fungsi Boxcar Filter dan Gaussian Filter, fungsi J.S. Lee Refined Filter memiliki hasil visual yang lebih baik. Pada saat citra diperbesar, batas petak-petak sawah terlihat lebih nyata dan tegas.
Gambar 17.Perbandingan citra hasil proses Speckle Filter menggunakan Envi 4.1
Dari hasil proses Speckle Filter diatas, citra J.S. Lee Refined Filter menghasilkan citra yang lebih baik dibandingkan dengan Boxcar dan
Gaussian Filter pada pembesaran 4x.
10.Proses pengolahan data selanjutnya adalah klasifikasi citra. Pemahaman tentang klasifikasi ini sebenarnya didasari dari klasifikasi terselia
(Supervised Classification) dan klasifikasi tak terselia (Unsupervised Classification), yang selanjutnya dikembangkan menjadi klasifikasi
Wishart dalam perangkat lunak PolSARpro. Klasifikasi Wishart sendiri terbagi atas dua klasifikasi, yaitu klasifikasi Wishart terselia (Wishart
Supervised Classification) dan klasifikasi Wishart tak terselia (Wishart Unsupervised Classification). Klasifikasi Wishart terselia (Wishart Supervised Classification) dapat dibuat berdasarkan jenis polarisasinya.
Polarisasinya sendiri dibedakan atas dua polarisasi, HH (Horisontal-Horisontal) dan VV (Vertikal-Vertikal), VH (Vertikal-(Horisontal-Horisontal) dan HV (Horisontal-Vertikal) atau kombinasi dari keempat polarisasi tersebut yang disebut dengan polarisasi penuh (full polarization). Klasifikasi Wishart terselia (Wishart Supervised Classification) merupakan salah satu metode untuk mengolah data citra yang mengacu pada training areas yang ditentukan oleh pengguna. Training areas dilakukan untuk mengkelaskan atau pengelompokan penggunaan lahan yang ada pada citra. Pada penelitian ini, peneliti mengkelaskan 10 areal sawah dan sekitarnya berdasarkan perbedaan rona warna pada citra SinclairRGB.
Gambar 18. Tampilan kerja Data Processing Wishart Supervised
Classification
Sebelum memulai proses klasifikasi, buat output directory baru
(C:/ALOS_PALSAR_dery/CROP_WISHART) untuk menyimpan hasil
klasifikasi. Ubah nilai pada kolom window size, karena hasil klasifikasi tidak akan keluar apabila nilai window size kurang dari 2. Klik graphic
editor untuk menentukan training areas, lalu akan muncul pesan
tampilan menu training areas graphic editor muncul, buka citra SinclairRGB hasil crop (C:/ALOS_PALSAR_dery/CROP_sinclair) yang akan diklasifikasi. Setelah citra muncul, perbesar tampilan citra untuk memudahkan proses penentuan atau pemilihan areal klasifikasi, lalu pilih
polygon selection.
Gambar 19. Tampilan kerja Training Areas Graphic Editor
Setelah training areas ditentukan → save, lalu akan muncul peringatan
“Create the directory? C:/ALOS_PALSAR_dery/CROP_WISHART” →
a) Classified_cluster_set_3 b) Supervised_class_3
c) Training_cluster_set
Gambar 20. Citra hasil proses Data Processing Wishart Supervised
Classification
Tabel 5. Confusion Matrix
Confusion Matrix C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C1 77.56 0.14 7.42 5.92 0.57 0.03 0.17 1.70 2.21 4.28 C2 1.86 72.03 0.00 0.31 2.17 3.90 12.61 0.00 0.06 7.06 C3 3.64 0.22 75.36 5.66 0.00 0.00 0.11 13.10 1.01 0.90 C4 1.07 1.30 26.37 22.75 2.74 0.00 2.46 24.65 9.05 9.61 C5 0.00 0.35 1.33 4.76 43.18 0.00 23.68 2.44 11.38 12.88 C6 0.00 1.09 0.00 0.00 0.00 95.23 3.69 0.00 0.00 0.00 C7 0.05 1.63 0.14 1.67 18.45 6.98 65.44 0.72 0.86 4.06 C8 0.43 0.11 36.24 12.86 2.70 0.00 0.80 30.28 11.93 4.65 C9 0.00 0.00 7.08 4.27 25.76 0.00 1.95 20.51 36.26 4.15 C10 0.20 2.17 9.16 15.15 22.27 0.00 14.43 8.50 7.31 20.82
Tabel 6. Class Populations Class Populations C1 3529 C2 3228 C3 1786 C4 2154 C5 1723 C6 1194 C7 2092 C8 3739 C9 819 C10 1518
Dari hasil klasifikasi Wishart terselia tersebut diperoleh hasil berupa
clasified cluster set, supervised class, training cluster set, confusion matrix, class populations dan training areas. Confusion matrix merupakan
persen piksel masing-masing kelas pada suatu kelompok atau clusters. Baris menunjukan kelompok atau clusters yang didefinisikan oleh pengguna, sementara kolom menunjukan kelompok atau clusters yang terbagi dalam kelompok lain. Class population merupakan populasi piksel masing-masing kelas pada semua kelompok atau clusters. Training areas adalah nilai lokasi piksel masing-masing kelas pada citra terselia.
4.2 Pengecekan Hasil Klasifikasi Wishart Terselia Dengan Data Lapang