Laporan Resmi Penginderaan Jauh - Modul 2

(1)

LAPORAN RESMI PRAKTIKUM LAPORAN RESMI PRAKTIKUM

PENGINDERAAN JAUH PENGINDERAAN JAUH MODUL II :

MODUL II : KORKOREKSEKSI RADII RADI OMETRIOMETRI

Disusun Oleh: Disusun Oleh: RACHMAT AFRIYANTO RACHMAT AFRIYANTO 26020114140104 26020114140104 ILMU KELAUTAN A ILMU KELAUTAN A

Koordinator Mata Kuliah Penginderaan Jauh : Koordinator Mata Kuliah Penginderaan Jauh :

Ir. Petrus Subardjo, Msi Ir. Petrus Subardjo, Msi NIP. 195610

NIP. 19561020 198703 1 0020 198703 1 0011 Tim Asisten

Tim Asisten Rinto

Rinto Setyawan Setyawan 2602021314260202131400360036 Riandi

Riandi Teguh Teguh W W 2602021319260202131900890089 Hana

Hana Farah Farah Frida Frida Firismanda Firismanda 2602021314004526020213140045 Rayana

Rayana Dwiari Dwiari Armanto Armanto 2602021314008326020213140083 Muhammad

Muhammad Salahudin Salahudin 2602021312260202131200070007 Dhea

Dhea Isnainiya Isnainiya 2602011314010426020113140104 M.

M. Danie Danie Al Al Malik Malik 2602011314260201131400960096 Dodik

Dodik Setiyo Setiyo Wicaksono Wicaksono 2602011312260201131200290029

JURUSAN ILMU KELAUTAN

FAKULTAS PERIKANAN DAN ILMU KELAUTAN

UNIVERSITAS DIPONEGORO

SEMARANG

2016

(2)

(3)

LEMBAR PENILAIAN LEMBAR PENILAIAN MODUL II :

MODUL II : KORKOREKSEKSI RADII RADI OMETRIOMETRI

NO.

NO. KETERANGAN KETERANGAN NILAINILAI

1. Pendahuluan 1. Pendahuluan 2.

2. Tinjauan Tinjauan PustakaPustaka 3.

3. Materi Materi dan dan MetodeMetode 4.

4. Hasil Hasil dan dan PembahasanPembahasan 5. Penutup

5. Penutup 6.

6. Daftar Daftar PustakaPustaka

TOTAL TOTAL Mengetahui, Mengetahui, Koordinator Praktikum Koordinator Praktikum Rinto Setyawan Rinto Setyawan 26020213140036 26020213140036 Asisten Asisten

Rayana Dwiari Armanto Rayana Dwiari Armanto

26020213140083 26020213140083 Nama

Nama : : RACHMAT AFRIYANTORACHMAT AFRIYANTO NIMNIM:: 2602011414010426020114140104 TtdTtd: : ... Shift

Shift: 2: 2

Tgl Praktikum

Tgl Praktikum : : 20 20 Maret Maret 20162016 Tgl Pengumpulan

(4)

I. PENDAHULUAN

1.1.

1.1. Latar BelakangLatar Belakang Dewasa ini

Dewasa ini , , kemajuan teknologi diberbagai bidang berkembang dengankemajuan teknologi diberbagai bidang berkembang dengan sangat pesat.

sangat pesat. Remote Remote Sensing Sensing atau teknologi penginderaan jauh merupakan suatu atau teknologi penginderaan jauh merupakan suatu pengembangan

pengembangan dari dari teknologi teknologi pemotretan pemotretan udara udara yang yang mulai mulai diperkenalkan diperkenalkan padapada akhir abad ke 19 sebagai suatu pengembangan pemetaan melalui satelit. Manfaat akhir abad ke 19 sebagai suatu pengembangan pemetaan melalui satelit. Manfaat potret udara

potret udara dirasa sangat dirasa sangat besar dalam besar dalam perang dunia pperang dunia pertama dan ertama dan kedua, sehinggakedua, sehingga cara ini dipakai dalam eksplorasi ruang angkasa. Sejak saat

cara ini dipakai dalam eksplorasi ruang angkasa. Sejak saat itu istilah penginderaanitu istilah penginderaan jauh dikenal

jauh dikenal dan menjadi pdan menjadi populer dalam opuler dalam dunia pemetaan. dunia pemetaan. Peta yang Peta yang dihasilkan olehdihasilkan oleh perekaman jarak

perekaman jarak jauh ini jauh ini dikenal dengan dikenal dengan nama citra pengnama citra pengindraan jauh. indraan jauh. Namun padaNamun pada dasarnya citra satelit dengan peta mempunyai perbedaan yang mencolok dan tidak dasarnya citra satelit dengan peta mempunyai perbedaan yang mencolok dan tidak bisa dikatakan sama.

bisa dikatakan sama.

Dalam praktikum ini akan dibahas mengenai koreksi radiometri dimana Dalam praktikum ini akan dibahas mengenai koreksi radiometri dimana koreksi radiometri (

koreksi radiometri ( satelite satelite ImagecallibrationImagecallibration) merupakan sistem penginderaan) merupakan sistem penginderaan jauh

jauh yang yang digunakan digunakan untuk untuk mengurangi mengurangi pengaruh pengaruh hamburan hamburan atmosfer atmosfer pada pada citracitra satelit terutama pada saluran tampak (

satelit terutama pada saluran tampak (visible light visible light ). Hamburan atmosfer disebabkan). Hamburan atmosfer disebabkan oleh adanya partikel-partikel di atmosfer yang memberikan efek hamburan pada oleh adanya partikel-partikel di atmosfer yang memberikan efek hamburan pada energi elektromagnetik matahari yang berpengaruh pada nilai spektral cit

energi elektromagnetik matahari yang berpengaruh pada nilai spektral cit ra.ra. Pengaruh hamburan (

Pengaruh hamburan ( scattering scattering ) pada citra yang menyebabkan nilai spektral) pada citra yang menyebabkan nilai spektral citra menjadi lebih tinggi daripada nilai sebenarnya. Metode koreksi radiometri citra menjadi lebih tinggi daripada nilai sebenarnya. Metode koreksi radiometri yang digunakan pada praktikum ini adalah Metode Penyesuaian Histogram yang digunakan pada praktikum ini adalah Metode Penyesuaian Histogram (( Histogram Adjustment Histogram Adjustment ).).

Penginderaan jauh fotografik menguraikan tentang karakteristik Penginderaan jauh fotografik menguraikan tentang karakteristik interpretative

interpretative dandan geometric geometric dasar foto udara. Karakteristk radiometrik digunakan dasar foto udara. Karakteristk radiometrik digunakan untuk mengoreksi citra dengan penghafoto udara menentukan bagaimana film untuk mengoreksi citra dengan penghafoto udara menentukan bagaimana film tertentu yang dipotretkan dan diproses pada kondisi tertentu menanggapi tenaga tertentu yang dipotretkan dan diproses pada kondisi tertentu menanggapi tenaga dengan berbagai intensitas. Pengetahuan tentangg karakteristik ini berguna dan dengan berbagai intensitas. Pengetahuan tentangg karakteristik ini berguna dan kadang-kadang sangat penting bagi proses analisis citra fotografik terutama dalam kadang-kadang sangat penting bagi proses analisis citra fotografik terutama dalam supaya menampilkan hubungan kuantitatif antara nilai rona pada suatu citra dan supaya menampilkan hubungan kuantitatif antara nilai rona pada suatu citra dan beberapa fenomena medan.

(5)

1.2.

1.2. TujuanTujuan

Adapun tujuan p

Adapun tujuan praktikum Inderaja raktikum Inderaja modul 2 Kormodul 2 Koreksi Radiometri ini adalah:eksi Radiometri ini adalah: 1.

1. Mahasiswa diharapkan mampu melakukan koreksi radiometriMahasiswa diharapkan mampu melakukan koreksi radiometri 2.

2. Mahasiswa diharapkan mampu memeriksaMahasiswa diharapkan mampu memeriksa atmosphericatmospheric bias citra bias citra 3.

3. Mahasiswa diharapkan dapat menggunakan metode penyesuaianMahasiswa diharapkan dapat menggunakan metode penyesuaian histogram

histogram 4.

4. Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogramMahasiswa diharapkan mampu melakukan teknik penyesuaian histogram Dark Pixel Correction

Dark Pixel Correction 5.

5. Mahasiswa diharapkan mampu melakukan teknik penyesuaian hisMahasiswa diharapkan mampu melakukan teknik penyesuaian his togramtogram Enchanced Dark Pixel

Enchanced Dark Pixel 6.

6. Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogramMahasiswa diharapkan mampu melakukan teknik penyesuaian histogram Cut Off Scattergram

Cut Off Scattergram

1.3.

1.3. ManfaatManfaat

Adapun manfaat praktikum

Adapun manfaat praktikum Inderaja Inderaja modul 2 Kormodul 2 Koreksi Radiometri ini adalah:eksi Radiometri ini adalah: 1.

1. Praktikan dapat melakukan koreksi radiometriPraktikan dapat melakukan koreksi radiometri 2.

2. Praktikan dapat mengetahui nilaiPraktikan dapat mengetahui nilai atmosphericatmospheric bias citra dari suatu citra bias citra dari suatu citra 3.

3. Praktikan dapat mengkoreksi efek atmosfer bias dengan caraPraktikan dapat mengkoreksi efek atmosfer bias dengan cara mengidentifikasi bayangan

(6)

II. TINJAUAN PUSTAKA

2.1 Koreksi Radiometri

2.1.1 Definisi Koreksi Radiometri

Citra yang digunakan untuk pengolahan data penginderaan jauh memiki beberapa kekurangan, seperti terdapatnya hamburan atau bias yang diakibatkan oleh beberapa efek atmosfer. Untuk mengurangi efek tersebut maka dilakukanlah koreksi radiometri ( satelite Image callibration) yang merupakan suatu metode yang digunakan untuk mengurangi pengaruh hamburan atmosfer pada citra satelit terutama pada saluran tampak (visible light ). Hamburan

atmosfer disebabkan oleh adanya partikel

_–

partikel di atmosfer yang memberikan efek hamburan pada energi elektromagnetik matahari yang berpengaruh pada nilai spektral citra. Pengaruh hamburan ( scattering ) pada citra yang menyebabkan nilai spektral citra menjadi lebih tinggi daripada nilai sebenarnya. Atmosfer dapat menyerap, memantulkan, atau menstransmisikan gelombang elektromagnetik yang menyebabkan cacat radiometrik pada citra, yaitu nilai pixel jauh lebih tinggi atau jauh lebih rendah dari pancaran yang sebenarnya. Koreksi radiometri ini mengkonversi data sehingga dapat digunakan secara akurat oleh sensor (Sumaryono, 1999).

Koreksi radiometri digunakan untuk memperbaiki nilai pixel agar sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan objek dipermukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya, tetapi menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan. Metode

_–

metode yang sering digunakan untuk menghilangkan efek atmosfer antara lain metode pergeseran histogram (histogram adjustment ), metode regresi dan metode kalibrasi bayangan (Danoedoro, 1996).

Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang terdapat dalam data citra dapat dengan jelas dibaca dan diinterpretasikan. Kegiatan yang dilakukan dapat berupa:

(7)

 Penggabungan data ( Data Fusion). Yaitu menggabungkan citra dari

sumber yang berbeda pada area yang sama untuk membantu di dalam interpretasi. Sebagai contoh adalah menggabungkan data Landsat -TM dengan data SPOT.

 Colodraping . Yaitu menempelkan satu jenis data citra di atas data yang

lainya untuk membuat suatu kombinasi tampilan sehingga memudahkan untuk menganalisa dua atau lebih variabel. Sebagai contoh adalah citra vegetasi dari satelit ditempelkan di atas citra foto udara pada area yang sama.

 Penajaman kontras. Yaitu memperbaiki tampilan citra dengan

memaksimumkan kontras antara pencahayaan dan penggelapan atau menaikan dan merendahkan harga data suatu citra.

 Filtering . Yaitu memperbaiki tampilan citra dengan mentransformasikan

nilai-nilai digital citra, seperti mempertajam batas area yang mempunyai nilai digital yang sama ( Enhance Edge), menghaluskan citra dari noise (Smooth Noise), dan lainnya.

 Formula. Yaitu membuat suatu operasi matematika dan memasukan

nilai-nilai digital citra pada operasi matematika tersebut, misalnya Principal Component Analysis (PCA).

(Dwi Ardi, 2012)

2.1.2 Kegunaan Koreksi Radiometri

Satelite Image Callibration atau Koreksi radiometri merupakan suatu metode untuk memperbaiki kualitas citra dengan cara mengurangi kesalahan-kesalahan yang disebabkan oleh sistem perekaman serta kesalahan yang diakibatkan oleh perjalanan sinar matahari dan suatu objek ke kamera perekam melalui media atmosfer (Sukojo dan Kustarto dalam Khasanah, 2013).

Menurut Samsuri (2004), koreksi radiometri diperlukan pada analisa data penginderaan jauh

karena pada saat perekaman, tenaga radiometri yang sampai ke sensor banyak mengalami gangguan atmosfir.

(8)

Menurut Murti (2012), koreksi radiometri bertujuan untuk memperbaiki kualitas visual citra dan sekaligus memperbaiki nilai

_–

nilai pixel yang tidak sesuai dengan nilai pantulan objek atau pancaran spektral objek yang sebenarnya. Kegunaan koreksi radiometri dalam penelitian dibagi menjadi 2 macam, yaitu:

1. Koreksi radiometri untuk mengurangi pengaruh atmosfer 2. Koreksi radiometri untuk mengurangi pengaruh topografi

Menurut Annas (2009), koreksi radiometri memberikan skala pada nilai pixel, sebagai

contoh skala monokromatik 0 sampai 255 akan diubah menjadi nil ai radian sebenarnya.

(9)

2.1.3 Kelebihan dan Kekurangan Koreksi Radiometri

Koreksi radiometri memiliki beberapa kelebihan yang diantaranya adalah pada kemampuannya untuk memperbaiki gangguan atmosfer seperti kabut tipis, asap, dan lain-lain sehingga dapat meminimalisir bias atau hamburan citra yang digunakan (Ekadinata et al ., 2008).

Kelemahan koreksi raidometri adalah hasil interpretasi sangat tergantung kepada pendigit (interpreter), sehingga hasilnya bersifat subjektif (Kartika et al ., 2012).

2.2 Penyesuaian Histogram

Metode penyesuaian histogram adalah metode yang cukup sederhana, dengan waktu yang digunakan untuk pemrosesan singkat dan tidak memerlukan perhitungan matematis yang rumit. Asumsi dari metode ini adalah dalam proses koding digital oleh sensor, objek yang memberikan respon spektral yang paling rendah seharusnya bernilai nol. Apabila nilai ini ternyata melebihi angka nol maka nilai tersebut dihitung sebagai offset dan koreksi dilakukan dengan mengurangi seluruh nilai pada saluran tersebut dengan offset -nya (Danoedoro, 1996).

Penyesuaian histogram ini melewati beberapa tahap, dan hasilnya tidak selalu naik. Hal ini disebabkan karena tidak setiap cit ra mempunyai nilai objek yang ideal untuk dikoreksi, seperti air jernih atau bayangan awan. Dibandingkan dengan teknik penyesuaian histogram hasilnya tidak jauh berbeda (Sutanto, 1986).

Penyesuaian histogram (histogram adjusment ) meliputi evaluasi histogram pada setiap band dari data penginderaan jauh. Biasanya data pada panjang gelombang tampak (TM saluran 1-3) mempunyai nilai minimum yang lebih tinggi karena dipengaruhi oleh hamburan atmosfir. Sebaliknya penyerapan atau absorbs pada atmosfer akan mengurangi kecerahan pada data yang direkam dalam interval panjang gelombang yang lebih besar seperti TM 4,5,7. Sehingga data pada band ini nilai minimumnya mendekati nilai nol. Algoritma yang dipergunakan untuk koreksi radiometri mengikuti formula sebagai berikut :

(10)

Dimana :

 Input : input pixel pada baris I dan kolom j dari band k  Output : nilai pixel yang dikoreksi pada lokasi yang sama  Bias : Selisih nilai minimal dan nilai nol pada saluran k  BV : brightness value atau nilai kecerahan

Pada prinsipnya algoritma ini mengurangi nilai bias dengan nilai bias nilai kecerahan pada band tertentu-nya (Ningrum, 2012).

2.3 Penyesuaian Regresi

Penyesuaian regresi diterapakan dengan memplot nilai-nilai pixel hasil pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila ada saluran rujukan (yang relative bebas gangguan) yang menyajikan nilai nol untuk obyek terteklntu. Kemudian tiap saluran di pixel angkanya dengan yang saluran rujukan tersebut untuk membentuk diagram pancar nilai yang diamati. Cara ini secara teoristis mudah namun secara prakteknya sulit. Pengambilan pixel-pixel pengamatan harus berupa obyek yang secara gradual berubah naik nilainya, pada kedua saluran sekaligus dan bukan hanya pada salah satu saluran. (Denoedoro,1996).

Penyesuaian regresi (regression adjusment ) pada prinsipnya menghendaki analisis untuk mengidentifikasi objek bayangan atau air jernih pada citra yang akan dikoreksi. Nilai kecerahan pada objek dari setiap saluran di-plot dalam sumbu koordinat secara berlawanan arah antara saluran tampak (seperti TM saluran 1, 2, 3) dan saluran infra merah (seperti TM 4,5,7). Pada diagram ini garis lurus dibuat menggunakan teori least square, perpotongannya dengan sumbu X akan menunjukkan besarnya nilai bias

demikian seterusnya untuk saluran yang lain. Penyesuaian histogram ini melewati beberapa tahap, dan hasilnya tidak selalu naik. Hal ini disebabkan karena tidak setiap citra mempunyai nilai objek yang ideal untuk dikoreksi, seperti air jernih atau bayangan awan. Dibandingkan dengan teknik penyesuaian histogram hasilnya tidaklah jauh berbeda (Danoedoro, 1996).

(11)

2.3.1 DPC (Dark Pixel Cor r ection )

Dark Pixel Correction merupakan metode sederhana yang digunakan untuk menghilangkan efek gelap yang ditimbulkan oleh atmosfer pada citra (Indarto, 2009).

Kalibrasi dengan Dark Pixel Correction dilakukan sebelum citra-citra tersebut digabung. Dark Pixel Correction adalah koreksi sederhana untuk menghilangkan pengaruh atmosfer yang cenderung memperbesar nilai pixel dan menjadi sumber utama perbedaan nilai pixel masing-masing citra (Susiati, 2008).

Pada keadaan aslinya, jika tidak ada atmosfer maka bayangan pada semua permukaan bumi akan sepenuhnya hitam baik itu darat ataupun laut, sehingga kita sulit untuk membedakannya. Oleh karena itu jika bayangan memiliki nilai diatas 0, itu menandakan bahwa hamburan dari atmosfer memiliki kontribusi untuk bayangan. Hal inilah yang menjadi wilayah koreksi Dark Pixel Correction. Salah satu cara untuk mengkoreksi efek atmosfer adalah mengidentifikasi bayangan pixel , menemukan nilai DN ( Digital Number ) dan mengubahnya menjadi 0 dan atur semua pixel lainnya (Anonim, 2012).

2.3.2 EDPC (En chanched Dar k Pixel Corr ection )

Enhanced Dark Pixel Correction merupakan bagian dari metode penyesuaian regresi yang digunakan untuk menghilangkan efek dari atmosfer untuk image enhancement (penajaman citra). Pada metode ini sistem kerjanya hampir mirip dengan metode DPC , yaitu dengan harus memasukkan nilai range yang tercantum dalam actual input limits. Pada Enhanced Dark Pixel Correction terdapat dua layer yang berbeda, dimana layer kedua lebih terang dibandingkan layer pertama dan gambar layer-nya lebih tajam (Indarto, 2009).

Jika Dark Pixel Correction dilakukan untuk mengkoreksi kesalahan radiometrik dari suatu citra, maka hasil Enhanced Dark Pixel Correction lebih digunakan untuk aplikasi tertentu. Dengan mengurangkan masing

_–

masing band dengan minimum digital number value-nya, maka setiap band akan memiliki minimal digital number dari nol (Ningrum, 2013).

(12)

2.3.3 Cut of f Scatter gram

Cara lain untuk mengkoreksi citra dari efek atmosfer adalah dengan menggunakan informasi cut-off yang ditentukan dari scattergram antara panjang gelombang (TM 7) yang lebih panjang dan panjang gelombang (salah satu dari TM 1-5) yang lebih pendek. Panjang gelombang yang lebih panjang berada di gelombang infrared pendek yang mempunyai nilai hamburan atmosfer minimum, di lain pihak panjang gelombang yang lebih pendek berada di batas cahaya tampak yang berdekatan dengan batas infrared dan batas gelombang infrared pendek yang mempunyai efek lebih besar. Garis terbaik digambarkan menembus distribusi antara dua band yang dihalangi poros panjang gelombang lebih pendek pada pendekatan digital number komponen penghambur. Penyelesaian hal semacam ini menggunakan cut-off (Ningrum, 2012).

Fungsi ini untuk membantu menganalisis data yang bekerja pada data dalam mode spektral, scattegram juga berguna untuk klasifikasi tanah, membuat raster daerah,dan membuat poligon vektor. Scattering terjadi bila partikel atau molekul gas yang besar yang ada di atmosfer berinteraksi dan menyebabkan arah radiasi elektromagnetik melenceng dari jalur sebenarnya. Besarnya penyimpangan ini tergantung pada beberapa faktor termasuk panjang gelombang radiasi, kelimpahan partikel dan gas dan jarak perjalanan radiasi (Anonim, 2013).

(13)

DAFTAR PUSTAKA

Anonim. 2012. Koreksi Radiometri.

http://tugaspratikumsip.blogspot.com/2012/05/koreksi-radiometrik-dan-koreksi.html . Diunduh Senin, 21 Maret 2016 : 21.50.

Anonim. 2013. Koreksi Radiometri.

http://ocean076.blogspot.com/2012/05/koreksi-radiometri-koreksi-radiometri.html. Diunduh Senin, 21 Maret 2016 pukul 21.50 WIB.

Danoedoro, Projo. 1996. Pengolahan Citra Digital, Teori dan Aplikasinya Dalam Bidang Penginderaan Jauh. Yogyakarta: Fakultas Geografi Universitas

Gadjah Mada.

Dwi Ardi, Robbinov. Koreksi Radiometrik dan Koreksi Geometrik.

http://tugaspratikumsip.blogspot.com/2012/05/koreksi-radiometrik-dan-koreksi.html (22 Maret 2016).

Ekadinata, Andree et al., 2008. Sistem Informasi Geografis untuk Pengelolaan Bentang Lahan Berbasis Sumber Daya Alam. Bogor: World Agroforestry

Center.

Indarto. 2009. Identifikasi dan Klasifikasi Peruntukan Lahan Menggunakan Citra Aster . Jurnal Media Teknik Sipil. Vol. IX (1): 1-8.

Kartika, Tatik., I Made Parsa., Sri Harini. 2012. Analisis Perubahan Penutup Lahan di Daerah Tangkapan Air Sub DAS Tondano terhadap Kualitas Danau Tondano Menggunakan Data Satelit Penginderaan Jauh . Limnologi. Murti, Sigit Heru. 2012. Pengaruh Resolusi Spasial pada Citra Penginderaan Jauh

terhadap Ketelitian Pemetaan Pengunaan Lahan Pertanian di Kabupaten Wonosobo. Ilmiah Geomatika.

Samsuri. 2004. Aplikasi Penginderaan Jauh dalam Pengelolaan Sumberdaya Hutan. Medan: USU

Sumaryono. 1999. Pemanfaatan Penginderaan Jauh Untuk Pemantauan Reboisasi Di Sub DAS Roraya-Kendari dalam Prosiding Pertemuan Ilmiah Tahun

Ke-8 MAPIN (Masyarakat Penginderaan Jauh Indonesia). Jakarta.

Susiati, Heni. 2008. Studi Awal Pemanfaatan Citra Satelit untuk Identifikasi Distribusi Sedimen di Perairan Semenanjung Muria. Prosiding Seminar Nasional ke-14 Teknologi dan Keselamatan PLTN serta Fasilitas Nuklir

(14)

III. MATERI DAN METODE

3.1. Waktu dan Tempat Praktikum

Praktkum penginderaan jauh modul 2 tentang Koreksi Radiometri ini dilaksanakan pada:

Hari / Tanggal : Jum’_{at, 18 Maret 2016} Waktu : 16.40 WIB – _selesai

Tempat : Lab. Komputasi Ilmu Kelautan, Gedung E Lantai 2, Jurusan Ilmu Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Universitas Diponegoro, Semarang.

3.2. Materi

3.2.1 Koreksi Radiometri

1. Pemeriksaan Nilai Atmospheric Bias Citra 2. Penyesuaian Histogram

3. Pengecekan Data dan Penyesuaian Histogram 4. Regresi

 DPC  EDPC

 Cut Off Scattergram

3.3 Metode

3.3.1 Pemeriksaan AtmosphericBias Citra dan Penyesuaian Histogram Untuk memeriksa nilai Atmospheric Bias Citra dapat dilakukan dengan cara:

(15)

2. Buka file citra dengan klik icon edit algorithm pada active window ER Mapper 7.0, lalu klik icon load dataset buka direktori C:\ERMapper70\examples\Shared_Data  lalu pilih file citra Landsat_TM_23Apr85.ers

3. Gandakan pseudo layer dengan cara k lik icon duplicate sebanyak 6 layer . Ganti pseudo layer menjadi Band 1, Band 2, Band 3, Band 4, Band 5, dan Band 7. Dan masukkan Band sesuai dengan Band nya. Ubah

(16)

4. Pada setiap band, contohnya B1: band 1, klik icon edit transform limits

. Maka akan muncul window Transform. Kemudian cek nilai atmospheric pada setiap band , yaitu nilai yang berada dibawah kiri window yang bertuliskan Actual Input Limits.

5. Untuk mengoreksi bias citra dari atmosfer dapat dilakukan dengan cara pilih band 1, klik icon formula edit or , maka akan muncul Window formula editor. Pada dialog box terdapat tulisan INPUT1, ketik – _(nilai

atmospheric biasnya), contoh INPUT1-67 klik apply changes

6. Maka nilai Actual Input Limits akan berubah dari 67 to 255 menjadi 0 to 255. Lakukan hal yang sama pada setiap band sehingga setiap citra memiliki bias atmomsfer yang minimal

(17)

7. Untuk menghapus transform limit dapat dilakukan dengan cara klik icon

edit transform limit pada active window, klik edit →_{delete this} transform. Lakukan pada setiap band.

8. Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan nama file HISTOGRAM_NAMA_NIM.ers pada file type pilih ER Mapper Raster Dataset(.ers). klik Ok

(18)

3.3.2 Pengecekan Data dan Penyesuaian Histogram

1. Tutup semua window, kemudian klik icon edit algorithm pada active window ER Mapper, lalu klik icon load dataset buka file citra Histogram_Rachmat Afriyanto_26020114140104.ers. Lalu klik Ok This Layer Only

9. Klik icon duplicate untuk menduplikat pseudo layer 5 kali. Ganti pseudo layer menjadi Band 1, Band 2, Band 3, Band 4, Band 5, dan Band 7. Dan masukkan Band sesuai dengan Band nya. Ubah description menjadi Nama_NIM.

2. Kemudian klik icon edit transform limit Lalu cek nilai atmospheric bias setiap band . Nilainya harus diantara -3 sampai 3.

(19)

3.3.2 Regresi DPC (Dar k Pixel Corr ection)

1. Untuk koreksi DPC dapat digunakan diggunakan data yang sama, dengan cara klik icon land application wizard .

2. Pada window land application wizard , lalu klik next

3. Pilih process TM Imagenary, lalu klik next

(20)

5. Pilih dark pixel correction, lalu klik next

6. Pada dialog box specify an input TM dataset , masukan citra yang akan dikoreksi berupa citra landsat_TM_23Apr85

7. Pada dialog box specify an output filename, masukan nama file output nya DPC_BelumKoreksi_RachmatAfriyanto_26020114140104.ers

(21)

8. Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon edit algorithm pada active window ER Mapper, lalu Cut pada Band DPC_TM6. Ubah description menjadi Nama_NIM.

9. Kemudian icon edit transform limits dan cek nilai atmospheric bias pada window transform di setiap band . Kemudian pada window

(22)

10. Simpan file dengan format .ers ( ER Mapper Raster Dataset ) Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan nama file DPC_SudahDikoreksi_RachmatAfriyanto_26020114140104.ers).

klik Ok

10. Tutup semua window, kemudian klik icon edit algorithm pada active window ER Mapper, lalu klik icon load dataset buka file citra yang telah dikoreksi tadi.

11. Kemudian klik icon edit transform limit Lalu cek nilai atmospheric bias setiap band .

(23)

3.3.3 E nhanched Dark Pixel Corr ection

1. Lakukan proses yang sama dengan teknik DPC hingga langkah ke-4 2. Pada window processing TM Imagery Atmospheric, pilih enhanced dark

pixel correction, lalu klik next

3. Masukan file citra yang akan dikoreksi, Landsat_TM_23apr85.ers. klik next

(24)

4. Pilih use TM1 as initial band dan masukan nilai atmospheric biasnya. Nilai atmospheric bias dapat dilihat pada windows transform, lalu klik

6. Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon edit algorithm pada active window ER Mapper, lalu Cut pada Band TM6. Ubah description menjadi Nama_NIM.

(25)

transform klik edit, delete this transform. Lakukan pada setiap band

8. Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan nama file EDPC_SudahDikoreksi_RachmatAfriyanto _26020114140104.ers pada file type pilih ER Mapper Raster Dataset(.ers). klik OK

(26)

(27)

10. Kemudian klik icon edit transform limit cek nilai atmospheric bias setiap band.

3.3.4 Cut off (Scatter gram)

1. Lakukan proses yang sama dengan teknik EDPC hingga langkah ke-4 2. Pada window processing TM Imagery Atmospheric, pilih cut off , lalu klik

next.

3. Pada dialog box specify an input TM dataset , masukan citra yang akan dikoreksi berupa citra landsat_TM_23Apr85

(28)

4. Pada dialog box specify an output filename, masukan nama file output nya. Cutoff_BelumKoreksi_RachmatAfriyanto_26020114140104.ers kemudian klik next

(29)

6. Pada window new map composition, klik cancel

7. Pada window processing TM imagery-atmospheric effect correction (cut off value), masukan nilai atmospheric bias masing-masing band. Nilai atmospheric bias dapat dilihat pada window scattergram. Untuk melihat nilai-nilai atmospheric bias lainnya klik set up, ubah X Axis dan Y Axis nya. Lalu Klik Finish.

(30)

11. Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon edit algorithm pada active window ER Mapper, lalu Cut pada TM6. Ubah description menjadi Nama_NIM.

transform klik edit, delete this transform. Lakukan pada setiap band

9. Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan nama file Cutoff_SudahKoreksi_RachmatAfriyanto_ 26020114140104.ers pada file type pilih ER Mapper Raster Dataset(.ers). klik OK

(31)

11. Kemudian klik icon edit transform limit cek nilai atmospheric bias setiap band.

(32)

IV. HASIL DAN PEMBAHASAN

4.1 Hasil

4.1.1 Penyesuaian Histogram A. Sebelum Dikoreksi

Band 1 Band 2 Band 3

No Band M in M ax 1. Band 1 67 255 2. Band 2 21 216 3. Band 3 15 254 4. Band 4 3 210 5. Band 5 1 255 6. Band 6 1 247

(33)

B. Setelah Dikoreksi B a n d 1 B a n d 2 B a n d 3 B a n d 4 B a n d 5 B a n d 7

No Band Min Max

1. Band 1 0 187 2. Band 2 0 184 3. Band 3 0 238 4. Band 4 0 192 5. Band 5 0 253 6. Band 6 0 249

(34)

4.1.2 Dark Pi xel Corr ection (DPC) A. Sebelum Dikoreksi No Band M in M ax 1. Band 1 0 188 2. Band 2 1 196 3. Band 3 0 239 4. Band 4 -2 205 5. Band 5 -1 253 6. Band 6 0 246

(35)

B. Sudah Dikoreksi No Band M in M ax 1. Band 1 1 188 2. Band 2 1 203 3. Band 3 1 239 4. Band 4 1 215 5. Band 5 1 253 6. Band 6 1 234 B a n d 1 B a n d 2 B a n d 3 B a n d 4 B a n d 5 B a n d 7

(36)

4.1.3 Enh anched Dark Pixel Corr ection (EDPC) A. Sebelum Dikoreksi No Band M in M ax 1. Band 1 0 188 2. Band 2 -6.08065 188.91935 3. Band 3 -9.887156 229.112844 4. Band 4 -14.1118316 192.8881684 5. Band 5 -29.1111868 224.8888132 6. Band 6 -30.2289312 215.7710688

(37)

B. Sesudah Dikoreksi No Band M in M ax 1. Band 1 2 188 2. Band 2 1 210 3. Band 3 1 240 4. Band 4 3 221 5. Band 5 1 225 6. Band 7 1 254 B a n d 1 B a n d 2 B a n d 3 B a n d 4 B a n d 5 B a n d 7

(38)

4.1.4 Cut Off A. Sebelum Dikoreksi No Band M in M ax 1. Band 1 0 188 2. Band 2 0 195 3. Band 3 0 239 4. Band 4 0 207 5. Band 5 0 254 6. Band 6 0 246

(39)

B. Sesudah Dikoreksi No Band M in M ax 1. Band 1 1 188 2. Band 2 1 202 3. Band 3 1 239 4. Band 4 1 217 5. Band 5 1 254 6. Band 6 1 234 B a n d 1 B a n d 2 B a n d 3 B a n d 4 B a n d 5 B a n d 7

(40)

4.2 Pembahasan

4.2.1 Memeriksa Nilai AtmosphericBias Cahaya

Berdasarkan praktikum yang telah dilaksanakan, pada modul kedua Koreksi Radiometri ini, pemeriksaan nilai bias atmospheric citra dilakukan guna mengetahui nilai bias yang terdapat pada citra yang akan selanjutnya dikoreksi dengan menggunakan metode penyesuaian histogram. Untuk melihat nilai bias citranya dapat menggunakan tools : Edit Transform Limit yang sebelumnya diolah menggunakan Land Application Wizard .

4.2.2 Penyesuain Histogram

Penyesuaian histogram adalah penyesuaian terhadap bias atmosferik yang dilakukan dengan menambahkan atau mengurangi nilai terendah pada window Formula Editor . Jika nilai terendah pada Band 1 adalah 67 maka kita tuliskan INPUT1-67 . Setelah dilakukan koreksi dengan penyesuaian histogram didapatkan nilai band adalah 0.

Penyesuaian histogram digunakan untuk mengevaluasi atau memeriksa kembali histogram pada setiap band dari data citra. Data pada panjang gelombang tampak (saluran 1

_–

3) mempunyai nilai minimum yang lebih tinggi karena dipengaruhi oleh hamburan dari atmosfer. Penyerapan atau absorbansi pada atmosfer akan mengurangi ketajaman pada data yang direkam dalam interval panjang gelombang yang lebih besar seperti saluran 4, 5, 7. Sehingga data pada band ini nilai minimum yang baik adalah mendekati nilai nol.

4.2.3 DPC (Dar k Pixel Corr ection)

Penyesuaian regresi DPC ( Dark Pixel Correction) adalah metode lain untuk menyesuaikan histogram dari suatu citra yang diolah. untuk membuka Dark Pixel Correction, dapat dilakukan dengan cara klik icon Land Application Wizard  Process TM Imagery  Atmospheric Effect Correction lalu pilih DPC. Koreksi akan dilakukan secara otomatis, saat kita memasukkan file citra yang akan dikoreksi, yaitu Landsat_TM_23_Apr85.ers.

(41)

Melalui histogram yang dicek tiap saluran secara independen, maka dapat diketahui nilai piksel terendah saluran tersebut, as umsi yang melandasi metode ini adalah bahwa dalam proses pemotretan digital oleh sensor , obyek yang memberikan respon spektral paling lemah atau tidak memberikan respon sama sekali seharusnya bernilai nol. Apabila nilai ini ternyata > 0 maka nilai terserbut dihitung sebagai offset , dan koreksi dilakukan dengan mengurangi keseluruhan nilai pada saluran tersebut dengan offset nya.

4.2.4 EDPC (Enh anched Dark Pixel Corr ection )

EDPC ( Enhanched Dark Pixel Correction) atau koreksi piksel gelap merupakan metode yang dilakukan untuk menyesuaikan Histogram. Nilai TM yang digunakan sebagai inisial Band adalah TM 1. Hal ini dikarenakan TM 1 dianggap telah mewakili nilai TM yang lain dan nilai TM 1 sudah merupakan acuan atau standar. Kemudian kita memakai kita menggunakan metode koreksi Clear dengan syarat TM2 < =55.

Kita mengenai Enhanched Dark Pixel Correction dengan menggunakan nilai TM yang paling kecil terdapat pilihan untuk pembersihan yang dilakukan yaitu Very Clear, Clear, Moderate, Hazy, dan Very Hazy dalam hal ini kita menggunakan metode koreksi Clear dengan syarat TM2 adalah >55<=75.

Berdasarkan pada koreksi Dark Pixel Correction maka dapat di ketahui, bahwa nilai minimal atmosfer bias citra pada seluruh band nilainya adalah 1. Ini menandakan bahwa proses koreksi menggunakan metode Enhanched Dark Pixel Correction sudah sesuai dengan syarat toleransi untuk nilai atmosfer bias citra pada setiap band yang nilainya berkisar dari -3 sampai 3.

4.2.5 Cut-of f Scatter gram

Cut-off merupakan cara ketiga dalam koreksi atmosfer yang menggunakan dua variasi scattergram. Fungsi ini dilakukan untuk menganalisa data yang bekerja pada data modus spektral. Dengan memasukkan nilai terendah tiap

_–

tiap band pada window Scattergram. Pada

(42)

kerja Cut-off ini spesifik value dari Cut-off adalah TM 1 sampai dengan TM 5 dan TM 7. Setelah nilai TM yang ada dimasukkan, pada layer Cut layer TM 6 yang tidak digunakan pada koresi kali ini.

Dari hasil koreksi Cut-Off Scattergram praktikan mendapat nilai minimum atmosfer bias citra pada band 1 bernilai 1, begitu juga dengan band 2, 3, 4, 5, dan 7. Hal ini menunjukan bahwa koreksi dengan metode ini juga sudah sesuai dalam batas toleransi nilai atmosfer bias citra.

Cahaya-cahaya yang berasal dari sinar matahari memiliki panjang gelombang yang berbeda-beda. Semakin besar panjang gelombangnya, maka semakin besar pula kemampuannya untuk menembus gangguan. Dari praktikum ini dapat diketahui bahwa panjang gelombang yang paling besar kemampuannya dalam menembus gangguan adalah Band 7 sebab atmospheric biasnya adalah satu.