Citra hasil rekaman dari sensor penginderaan jauh tidak ada yang sempurna. Kondisi atmosfer saat perekaman, efek gerakan sensor, dan konfigurasai permukaan bumi mengakibatkan citra hasil rekaman sensor tersebut banyak mengalami kesalahan. Kesalahan inilah yang selanjutnya perlu dikoreksi agar dapat mendukung kegiatan pemetaan dan kajian kewilayahan lainnya. Beberapa parameter kualitas citra yang sring digunakan oleh para praktisi antara lain (Danoedoro, 2012); (a) tutupan
20
awan dan gangguan kabut, (b) korelasi antar saluran, (c) kesalahan geometri, dan (d) kesalahan radiometri.
Proses perbaikan kualitas citra agar menghasilkan citra yang siap pakai untuk aplikasi tertentu disebut restorasi citra yang dalam penerapannya proses ini sering disebut dengan tahap pre-prosesing citra karena dilakukan sebelum melakukan pengolahan citra lebih lanjut. Pada penelirtian kali ini dilakukan dua tahap pre-prosesing citra antara lain koreksi radiometri dan geometri citra.
2.5.2.1 Koreksi Geometri
Koreksi geometri adalah perbaikan kemencengan, rotasi, dan perspektif citra akibat bentuk permukaan bumi yang melengkung, ketidakstabilan satelit, maupun karena arah pengamatan yang tidak tegak lurus permukaan bumi (sudut sensor tidak nol atau tidak ke arah nadir) hingga citra memiliki orientasi, proyeksi, dan anotasi sesuai dengan yang ada pada peta. Menurut Danoedoro, 1996 koreksi geometri adalah penempatan kembali posisi piksel sedemikian rupa sehingga pada citra digital yang tertransformasi dapat dilihat gambaran obyek di permukaan bumi yang terekam sensor. Koreksi geometri ini dapat dilakukan dengan dua cara pertama dengan menggunakan data dari wahana (model geometri orbital) dan pengetahuan mengenai distorsi internal, kedua dengan transformasi berdasarkan GCP (Ground Control Points) (Mather 2004, dalam Danoedoro 2012).
Pada dasarnya setiap metode koreksi geometri citra baik bersumber dari wahana maupun transformasi GCP sama-sama membutuhkan titik kontrol lapangan atau GCP. GCP adalah suatu lokasi pada permukaan bumi yang dapat diidentifikasi pada citra dan sekaligus dikenali posisinya pada peta (Jansen, 2005). Untuk itu hal pertama yang harus dilakukan dalam koreksi geometri adalah menentukan titik kontrol (GCPs = Ground Control Points). Titik kontrol ini berupa obyek yang terlihat pada citra sekaligus terlihat pada peta rujukan yang digunakan dalam koreksi geometri. Titik kontrol tersebut dapat berupa persimpangan antara sungai dengan jalan
21
ataupun persimpangan jalan, dan beberapa obyek lain yang tampak dengan jelas pada citra maupun pada peta rujukan.
Sebaran titik GCP yang digunakan dalam koreksi geometri bersifat subjektif, dapat berbeda-beda setiap orang. Namun pada dasarnya nilai GCP ini tetap terkontrol dengan adanya RMSE (Root Mean Square Error).
RMSE digunakan untuk mengukur distorsi. Menurut Jansen (2005) RMSE yang diperbolehkan adalah <0,5. Semakin kecil RMSE semakin tinggi tingkat kedetilan peta.
2.5.2.2 Koreksi Radiometri
Koreksi radiometri ditujukan untuk memperbaiki nilai piksel agar sesuai dengan yang seharusnya dengan mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan obyek di permukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya. Nilai pantulan menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan. Metode-metode sederhana yang sering digunakan untuk menghilangkan efek atmosfer antara lain metode pergeseran histogram (histogram adjustment), metode regresi, dan metode kalibrasi bayangan.
Mather (2004) dalam Danoedoro (2012), menyatakan bahwa ada lima faktor yang berpengaruh terhada sinyal yang diterima oleh objek (dan dicatat) oleh detektor pada sensor, yaitu :
1. Pantulan atau reflektansi objek,
2. Bentuk dan besaran interaksi atmosfer,
3. Kemiringan arah hadap lereng (aspect) tempat objek berada, relatif terhadap azimuth matahari,
4. Sudut pandang sensor, 5. Sudut kemiringan matahari.
Koreksi radiometri pada penelitian kali ini dilakukan sampai tahap kalibrasi sensor (at sensor radiance). Setiap sensor dan detektor memiliki kemampuan untuk mendeteksi nilai radiansi minimum dan maksimum
22
objek. Nilai tersebut dinyatakan dalam gain dan offset. Berikut hubungan antara nilai piksel, gain, dan offset.
Lλ = Offset λ + Gain λ *(BV)λ... (1) Dimana Gain λ = Lλ(maks) - Lλ(min) / BVλ(maks)... (2) 2.5.3 Pengolahan Citra Digital
Data penginderaan jauh yang disebut citra, tidak begitu saja dapat digunakan tanpa adanya proses pengolahan terlebih dahulu. Untuk menurunkan informasi dari citra penginderaan jauh agar dapat dimanfaaatkan untuk berbagai keperluan saat ini telah banyak perangkat lunak yang memberikan fasilitas pengolah citra baik untuk analisi citra, analisis tambahan ataupun analisis berbasis SIG.
Salah satu cara untuk menurunkan informasi tertentu pada citra satelit yakni dengan teknik klasifikasi. Ada dua macam teknik klasifikasi dalam penginderaan jauh, klasifikasi digital atau klasifikasi multispektral dan klasifikasi manual atau visual. Klasifikasi multispektral atau digital merupakan suatu algoritma yang dirancang untuk menurunkan informasi tematik dengan cara mengelompokkan fenomena berdasarkan kriteria tertentu, dan biasanya kriteria yang digunakan yakni nilai spektral atau nilai kecerahan pada beberapa saluran sekaligus. Sedang klasifikasi manual mengandalkan pada unsur-unsur interpretasi. Pada penelitian kali ini, teknik klasifikasi yang digunakan untuk menurunkan informasi berupa kerapatan vegetasi selain menggunkan teknik interpretasi manual adalah klasifiaksi digital yakni dengan transformasi indeks vegetasi.
Pada dasarnya ada beberapa macam cara untuk menentukan nilai indeks vegetasi yakni dengan membandingkan beberapa saluran (citra rasio, normaslisasi, dan transformasi), dengan membuat selisihnya (diferent vegetation index), dan tasseled cap. Namun yang digunakan dalam penelitian kali ini metode yang digunakan adalah dengan membandingakan beberapa saluran pada citra satelit ALOS AVNIR-2 menggunakan beberapa tranformasi indeks vegetasi. Beberapa metode trasnsformasi indeks vegetasi yang umum digunakan antara lain transformasi NDVI (Normalized
23
Different Vegetation Index), RVI (Ratio Vegetation Index), TVI (Transformation Vegetation Index), dan MSAVI (Modified Soil Adjusted Vegetation Index).
2.5.3.1 Indeks Vegetasi
Indeks vegetasi merupakan hasil informasi nilai spektral dari beberapa saluran untuk menonjolkan nilai spektral vegetasi. Dengan demikian indeks vegetasi mampu dijadikan sebagai dasar dalam analisis tingkat kerapatan vegetasi masupun analisis lain yang berhubungan dengan aspek vegetasi. Donoedoro (1996) menuliskan beberapa bentuk trasnsformasi indeks vegetasi, antara lain sebagai berikut.
Ratio Vegetation Indeks (RVI), merupakan salah satu indeks vegetasi yang paling sederhana. Memiliki formula sebagai berikut.
RVI =NIR/red ………. (3)
Normalized Difference vegetation Index (NDVI), merupakan kombinasi antara teknik penisbahan dengan teknik pengurangan citra. Saluran yang digunakan dalam transformasi NDVI ini adalah saluran merah dan inframerah dekat. Saluran merah dengan julat panjang gelombang antara 0,4-0,7µm akan memberikan serapan maksimal pada cahaya yang datang akibat dari adanya klorofil pada proses fotosintesis. Sedangkan saluran inframerah dekat (0,7-1,2 µm) justru memberkan pantulan yang tinggi sebagai akibat adanya jaringan mesophyll daun. Formula NDVI yang dikembangkan oleh Meijerink et al. (1994) sebagai berikut:
NDVI = (NIR-red) / (NIR+red)………... (4)
Transformed Vegetation Index (TVI), adalah transformasi yang dikembangkan untuk menghindari hasil negative pada NDVI.
Formulanya adalah sebagai berikut.
TVI =√{(NIR-Red) / (NIR+Red)} + 0,5……….. (5)
Modified Soil Adjusted Vegetation Index (MSAVI), merupakan suatu transformasi indeks vegetasi yang dikembangkan dari trasnsformasi NDVI untuk meminimalkan pengaruh pantulan nilai tanah pada NDVI, dengan formula sebagai berikut.
24
MSAVI = (2 (NIR) + 1 - √(2(NIR)²+8(NIR-Red))/2.... (6)