ANALISIS CAMPURAN SPEKTRAL SECARA LINIER Mata Kuliah Pengolahan Citra Digital

1

ANALISIS CAMPURAN SPEKTRAL SECARA LINIER

Mata Kuliah Pengolahan Citra Digital

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial Universitas Pendidikan Indonesia

Dosen Pengampu:

Riki Ridwana, S.Pd., M.Sc Shafira Himayah, S.Pd., M.Sc

2 DAFTAR ISI

DAFTAR ISI ... 2

A. TUJUAN PEMBELAJARAN ... 3

B. ALAT DAN BAHAN ... 3

C. BAHAN KAJIAN MATERI ... 3

1. Pixel Purity Index ... 3

2. n-D Visualizer ... 7

3. Endmember ... 11

4. Analisis Campuran Spektral secara Linier ... 13

D. TUGAS LATIHAN (Tidak Wajib)... 16

E. DAFTAR PUSTAKA ... 17

3 A. TUJUAN PEMBELAJARAN

1. Mahasiswa mampu memahami konsep analisis campuran spektral 2. Mahasiswa mampu memahami aplikasi analisis campuran spektral

B. ALAT DAN BAHAN

1. Seperangkat laptop/ komputer 2. Perangkat lunak Envi 5.x 3. Koneksi internet memadai

C. BAHAN KAJIAN MATERI 1. Pixel Purity Index

Menurut Nurlina (2008) dan Rahman (2010), Pixel Purity Index (PPI) digunakan untuk menentukan nilai ekstrem spektral murni dari piksel. Hal ini berkaitan erat dengan respon nilai spektral dari setiap material yang memberikan kombinasi linier untuk menghasilkan semua nilai spektral pada citra. PPI dimodelkan dengan menggunakan proyeksi n-Dimensi dan Scatter Plot ke ruang 2-D yang kemudian ditandai dengan piksel yang ekstrem pada setiap hasil proyeksi. Piksel ekstrem yang dihasilkan dari setiap proyeksi akan direkam dan jumlah total dari waktu setiap piksel yang ditandai ekstrem akan dicatat.

Pada gambar di bawah ini dapat dilihat total nilai piksel ekstrem dengan jumlah iterasinya. Hasilnya adalah citra PPI dengan nilai digital dari setiap piksel yang cerah pada citra menunjukkan lokasi pantulan dari endmember. Citra inilah yang kemudian digunakan untuk menyeleksi beberapa piksel untuk kemudian dianalisis lebih lanjut, sehingga dapat mengurangi nilai piksel yang akan diuji.

Gambar. Indeks PPI, Arsyad (2011)

4

Pixel Purity Index (PPI) digunakan untuk mencari piksel yang paling murni diantara seluruh piksel campuran pada suatu citra. Cara merekam piksel murni yang paling ekstrim oleh PPI ialah melalui iterasi. Proses ini menghasilkan piksel murni dimana setiap nilai piksel berhubungan dengan sejumlah waktu dimana piksel tersebut terekam sebagai piksel yang ekstrim. Dengan memisahkan piksel yang dianggap murni dengan yang tercampur akan mengurangi jumlah piksel yang dianalisa dan membuat proses pemisahan dan identifikasi menjadi lebih mudah.

PPI dihitung dengan memproyeksikan scatter-plot n-dimensional ke dalam unit vektor random secara berulang, piksel ekstrim pada setiap proyeksi direkam dan jumlah dari setiap kali piksel dikatakan ekstrim dicatat. Citra hasil PPI merupakan nilai dari setiap piksel yang berhubungan dengan seberapa sering sebuah piksel direkam sebagai piksel ekstrim sebagai kandidat bagi endmember yang akan digunakan pada tahap berikutnya.

Proses PPI menggunakan input citra hasil MNF yang bebas dari derau.

Contohnya jumlah iterasi pada suatu penelitian ditentukan sebesar 104. Iterasi tersebut dipilih merujuk pada penelitian-penelitaian terdahulu yang memberikan kesimpulan bahwa jumlah iterasi yang memberikan hasil yang maksimal adalah 104 dan 105 Plaza dan Chang (2008) dalam Rahman (2010).

Selain menggunakan iterasi, proses PPI juga menggunakan ambang batas (treshold). Merujuk pada penelitian Mitchell (2007) ambang batas yang digunakan dengan input saluran baru hasil MNF adalah 2. Ambang batas merupakan batas yang menandai piksel, baik nilai yang lebih tinggi atau rendah dari nilai digital tersebut pada piksel paling jauh dari vektor yang diproyeksikan. Semisal ambang batas yang digunkan 2 maksudnya nilai piksel yang selisih nilai digitalnya lebih atau kurang dari 2 akan dimasukkan sebagai piksel ekstrim. Jika semakin besar nilai ambang batas maka kandidat endmember akan semakin banyak ditemukan, namun kemurnian pikselnya akan berkurang. Begitu juga semakin besar iterasinya maka kandidat endmember akan semakin banyak ditemukan, namun tingkat akurasinya berkurang.

5

Gambar. (Atas) Plot Indeks Kemurnian Piksel dengan Jumlah Iterasi10⁴ (Bawah) Citra Landsat TM 1994 Hasil PPI dengan Iterasi 10⁴ Piksel yang Cerah (Putih) Merupakan Piksel Murni

6

Gambar. (Atas) Plot Indeks Kemurnian Piksel dengan Jumlah Iterasi10⁴ (Bawah) Citra Landsat ETM+ 2003 Hasil PPI dengan Iterasi 10⁴ Piksel yang Cerah (Putih) Merupakan Piksel

Murni

7

Hasil proses PPI yang dapat dilihat pada gambar di atas, menunjukkan jumlah total piksel ekstrim yang ditemukan pada proses PPI yang merupakan fungsi dari jumlah iterasi yang digunakan. Pada masing-masing diagram tersebut menunjukkan bahwa untuk citra tahun 1994 jumlah total piksel murni yang ditemukan sebesar 3x105 piksel, sedangkan untuk tahun 2003 jumlah total piksel murni yang ditemukan adalah lebih besar yaitu 4x105 piksel.

Visualisasi perbedaan jumlah total piksel murni antara tahun 1994 dan 2003 terlihat jelas pada Citra hasil PPI yang ditunjukkan pada gambar di atas. Citra hasil PPI ini menunjukkan sebaran piksel murni pada citra daerah penelitian, dimana piksel yang lebih cerah dengan nilai piksel yang lebih tinggi menunjukkan piksel yang lebih murni dan sebaliknya piksel yang semakin gelap, yaitu dengan nilai piksel yang rendah menunjukkan piksel yang semakin tidak murni.

Hasil dari citra PPI ini kemudian ditentukan ROI (region of interest) dengan menentukan nilai ambang batas (treshold) minimum dan maksimum dari keseluruhan nilai piksel hasil PPI. Seperti yang direkomendasikan oleh ENVI, batas ambang maksimum yang digunakan adalah nilai piksel tertinggi yang jumlahnya lebih dari 1 piksel, sedangkan batas ambang minimumnya ditentukan sampai dengan jumlah piksel keseluruhan untuk ROI tidak lebih dari 2000 piksel.

Piksel hasil ROI ini kemudian menjadi input pada proses n-D visualizer dalam menentukan nilai pantulan spektral setiap endmember tutupan lahan yang digunakan dalam penelitian ini, yakni tanah, permukaan kedap air, vegetasi, dan air.

2. n-D Visualizer

Spektrum dalam n-D Visualizer diartikan sebagai titik n-D plot, dimana n adalah jumlah band. Koordinat dari titik-titik dalam ruang n-D terdiri dari n spektral radians atau nilai reflektans di setiap saluran dalam sebuah piksel. Distribusi titik- titik dalam ruang n-D dapat digunakan untuk memperkirakan jumlah endmembers spektral dan ciri spektral murni masing-masing fraksi penutup lahan. n-D Visualizer dirancang untuk menerima masukan region of interest (ROI) yang berisi spektrum piksel paling murni dalam satu citra, dan dimungkinkan untuk memisahkan piksel murni ke endmember masing-masing.

Seperti yang telah dipaparkan di atas, proses pendekatan menggunakan Indeks Kemurnian Piksel hanya dapat menentukan piksel murni secara spektral dengan

8

mengandalkan jumlah iterasi dan faktor pembatas namun tidak dapat mengidentifikasi objek, mengkelaskan, dan menentukan lokasi piksel murni.

Disinilah kegunaan n-D Visualizer untuk mengatasi kendala tersebut. n-D Visualizer digunakan untuk mencari, mengindentifikasi, mengelompokkan, dan menentukan lokasi dari piksel murni hasil PPI. Input yang dipergunakan dalam analisis n-D Visualizer adalah citra hasil MNF, yang disesuaikan dengan ROI hasil analisis PPI. n-D Visualizer juga dapat dipergunakan untuk mengetahui separabilitas dari setiap kelas.

Hasil visualisasi melalui n-D Visualizer dapat diplot pada kurva pantulan (z profile) dengan input nilai reflektansi citra Landsat TM/ ETM+ untuk melihat pantulan spektral tiap piksel pada setiap endmember. Setelah diplot pada diagram kurva pantulan kemudian dibuat kelas baru dan dirata-ratakan menjadi satu nilai pantulan spektral untuk setiap endmembernya. Pantulan spektral inilah yang dipergunakan sebagai input dalam proses klasifikasi menggunakan metode LSMA.

Adapun penentuan nilai tersebut bersifat trial dan error dan dilakukan secara manual dengan membawa faktor determinasi manusia dalam mengidentifikasi kandidat endmember tersebut, hal ini dilakukan untuk mengurangi tingkat kesalahan. Pengalaman dalam menentukan pantulan spektral objek pada ruang spektral berbanding lurus dengan hasil yang maksimal.

Hasil visualisasi n-D Visualizer empat endmember tutupan lahan dapat dilihat pada gambar di bawah.

9

Gambar. Endmember Vegetasi, Permukaan Kedap Air, Tanah terbuka, dan Air pada Citra Tahun 1994 (atas) dan Citra Tahun 2003 (bawah) Hasil Analisis n-D

Visualizer

Hasil dari visualisasi n-D Visualizer dapat diplot pada diagram kurva pantulan (z profile) di bawah untuk melihat pantulan spektral tiap piksel pada setiap endmember. Hasil kurva pantulan beberapa piksel dapat dirata-ratakan sehingga hanya menghasilkan satu nilai spektral pada setiap endmember. Pantulan spektral inilah yang dipergunakan sebagai input dalam proses klasifikasi menggunakan metode LSMA.

(a) (b)

10

(c) (d)

Gambar. Kurva Pantulan endmember (a) vegetasi (b) permukaan kedap air (c) tanah terbuka dan (d) air pada nilai reflektansi citra tahun 1994

(a) (b)

(c) (d)

Gambar. Kurva Pantulan endmember (a) vegetasi (b) permukaan kedap air (c) tanah terbuka dan (d) air pada nilai reflektansi citra tahun 2003

11 3. Endmember

Proses yang paling menentukan dalam model Analisis Campuran Spektral secara Linier adalah endmember. Hal ini dikarenakan endmember merupakan objek atau material yang akan dipisahkan pada piksel citra. Keberhasilan model Analisis Campuran Spektral secara Liniear sangat dipengaruhi oleh penentuan endmember ini.

Menurut Lu et al, dalam Pascari (2013), penggunaan pemodelan campuran spektral secara linier tidak tepat untuk aplikasi dimana perbedaan spektral tidak terlalu tajam pada saluran yang digunakan. Berdasarkan dari pernyataan tersebut maka pemilihan endmember yang digunakan diantaranya mengacu pada kurva pantulan, dimana objek yang ditentukan memiliki perbedaan pantulan ekstrim.

Selain itu, perlu memperhatikan kondisi daerah penelitian secara spasial.

Kombinasi berbagai macam fakta akan menghasilkan sebuah kesimpulan yang diharapkan, sama hal nya dengan penentuan endmember agar endmember yang digunakan tepat.

Jumlah endmember yang digunakan pada pemodelan Analisis Campuran Spektral secara Linier tidak boleh melebihi jumlah saluran yang digunakan.

Adapun pada contoh penelitian ini memanfaatkan 6 saluran yakni saluran 1 sampai dengan 5 ditambah saluran 7. Jumlah endmember nya itu sendiri ditentukan empat jenis endmember yaitu vegetasi, permukaan kedap air, tanah terbuka, dan air.

Seperti yang telah dibahas sebelumnya, pantulan spektral untuk keempat jenis tutupan lahan diperoleh dari kurva pantulan pada proses n-D Visualizer dengan mengambil nilai reratanya. Endmember vegetasi diperoleh dengan mereratakan antara vegetasi kerapatan tinggi dan vegetasi kerapatan rendah, menghasilkan satu pantulan yaitu vegetasi. Endmember permukaan kedap air diperoleh dengan mereratakan aspal, genteng tanah liat, dan atap seng, menghasilkan satu pantulan yaitu permukaan kedap air. Endmember tanah terbuka diperoleh dengan mereratakan tanah basah dan tanah kering, menghasilkan satu pantulan yaitu tanah terbuka.

Berikut di bawah ini merupakan gambar yang memperlihatkan kurva pantulan hasil rerata keempat endmember penutup lahan tahun 1994 dan 2003, dimana sebelumnya telah melalui proses pemilihan endmember pada n-D Visualizer.

12

Gambar. Kurva Pantulan Endmember Vegetasi, Permukaan Kedap Air, Tanah terbuka, dan Air Citra Tahun 1994

Gambar. Kurva Pantulan Endmember Vegetasi, Permukaan Kedap Air, Tanah terbuka, dan Air Citra Tahun 2003

13

4. Analisis Campuran Spektral secara Linier

Aklein (2008) dalam Nurlina (2008) dan Rahman (2010) menyatakan bahwa, Analisis Campuran Spektral secara Linear/ Linear Spectral Mixture Analysis (LSMA) menyediakan strategi kuantitatif dalam mempelajari citra multispektral.

Metode ini digunakan untuk melakukan deteksi subpiksel serta klasifikasi dari piksel campuran pada citra hasil penginderaan jauh.

Setiap objek di permukaan bumi yang terekam oleh satelit penginderaan jauh memantulkan atau memancarkan gelombang elektromagnetik yang juga disebut dengan nilai kecerahan (brightness value). Objek-objek tersebut dibentuk dalam piksel-piksel pada citra satelit yang merupakan bagian terkecil dari suatu citra.

Misalnya untuk satelit Landsat ETM+ yang memiliki resolusi spasial 30 x 30 meter dan meliputi wilayah yang heterogen seperti perkotaan, tentunya dalam setiap satu pikselnya tidak hanya terdiri dari satu objek saja, melainkan terdapat kemungkinan bahwa dalam satu piksel tunggal citra, terdapat campuran dari beberapa objek (spectral mixing). Melalui model pemisahan spektral linier, maka objek-objek yang terdapat dalam satu piksel dapat diidentifikasi dan dapat ditentukan proporsi spasialnya. Pada model pemisahan spektral linier ini, objek yang akan diidentifikasi serta dihitung proporsi spasialnya disebut endmember.

Nilai spektral pada LSMA dimodelkan sebagai kombinasi linier dari pantulan setiap endmember yang besarnya sesuai dengan presentasi tutupan dari setiap endmember dilapangan. Endmember merupakan komponen fisik dasar yang secara fundamental dianggap tidak bercampur dengan komponen lainnya dalam sebuah piksel. Asumsi mengenai model linier diperlukan agar setiap komponen dapat dengan mudah diatur dan dipisahkan dari sebuah piksel tunggal.

Konfigurasi ini dapat mereduksi banyaknya nilai pantulan dari campuran setiap endmember yang terdeteksi pada skala panjang gelombang radiasi elektromagnetik, Aklein (1998); De Asis, et al (2007); Nurlina (2008) dalam Rahman (2010).

Menurut Vohlan, et al. (2007) dan Nurlina (2008) dalam Rahman (2010), sasaran dari LSMA adalah menghitung secara fraksional tutupan dari mayoritas unit penutup lahan yang diteliti (endmember) di dalam piksel-piksel citra. Masukan (input) dari model LSMA adalah nilai reflektansi citra yang digunakan serta endmember (nilai piksel murni dari endmember). Hasil dari proses ini adalah nilai

14

fraksi citra untuk setiap endmember bersama-sama dengan suatu citra yang berisikan kesalahan (error of fit).

Aklein (1998), memodelkan SMA dengan model pemisahan spektral linier hasil pengukuran nilai kecerahan dari piksel tunggal dalam saluran tunggal dimodelkan sebagai berikut:

𝑅_{𝑚𝑒𝑎𝑠,𝑏}= ∑^𝑛_𝑒𝑚=1(𝑅_{𝑒𝑚,𝑏}𝐹_3𝑚,𝑏)+ 𝜀_𝑏

Keterangan:

Rmeas,badalah nilai kecerahan hasil pengamatan dalam setiap saluran Rem,badalah nilai pantulan spektral dari endmember dalam setiap saluran Fem,badalah nilai fraksi endmember pada setiap piksel dalam setiap saluran ɛb Menyatakan error atau kesalahan antara nilai kecerahan yang dimodelkan dan nilai kecerahan yang diukur dalam setiap saluran

n adalah jumlah endmember

Bila terdapat m saluran dengan n endmember, maka dalam bentuk matriks persamaan di atas dinyatakan:

[ 𝑅_𝑖1 𝑅_𝑖2

… . 𝑅_𝑖𝑚

] = [

𝑟₁₁𝑟₁₂ …. 𝑟_1𝑛 𝑟₂₁𝑟₂₂ …. 𝑟_2𝑛

…. …. …. ….

𝑟_𝑚1𝑟_𝑚2 …. 𝑟_𝑚𝑛 ] 𝑥 [

𝑓_𝑖1 𝑓_𝑖2

… . 𝑓_𝑖𝑚

] + [ ɛ_𝑖1 ɛ_𝑖2

… . ɛ_𝑖𝑚

]

Masih menurut Aklein (1998) sebagai batasan, jumlah dari semua fraksi endmember sama dengan satu, sebagai berikut:

∑ 𝐹_𝑗

𝑛

𝑗=1

= 1

𝑓_𝑖1+ 𝑓_𝑖2+ 𝑓_𝑖3+ . . . . + 𝑓_𝑖𝑛 = 1 𝑑𝑎𝑛 0 ≤ 𝑓_𝑖𝑛 ≤ 1

15

RMS (root mean square) error dihitung untuk setiap piksel berdasarkan pada perbedaan antara lain kecerahan yang dimodelkan dan nilai kecerahan yang diukur dari setiap piksel dalam setiap saluran dinyatakan dengan, Aklein (1998):

𝜀₁ = [1

𝑚∑(𝑅_𝑖𝑗− 𝑅_{𝑚𝑜𝑑 𝑒𝑙})²

𝑚

𝑗=1

]

1/2

𝜀₁ = [1

𝑚∑ (𝑅_𝑖𝑗 − ∑ 𝑟_𝑗𝑘

𝑛

𝑘=1

∗ 𝑓_𝑖𝑘)

𝑚 2

𝑗=1

]

1/2

Keterangan:

ɛi = error pada piksel ke i m = jumlah saluran n = jumlah endmember

Rij = nilai kecerahan pada piksel ke-i saluran ke-j rjk = nilai piksel murni pada saluran ke-j endmember k fk = fraksi piksel ke-i, endmember k

i = fraksi piksel (1,2,3,...,jumlah baris x jumlah kolom) j = indeks saluran (1,2,3,...,m)

k = indeks endmember (1,2,3,...,n)

16 D. TUGAS LATIHAN (Tidak Wajib)

1. Buat laporan praktikum yang merujuk pada modul ini!

2. Pada rencana wilayah penelitian skripsi anda lakukan PPI, n-D Visualizer, Endmember, Analisis Campuran Spektral secara Linier! Berikan analisis anda!

3. Lampirkan printscreen pada laporan (point 1), tampilan setiap hasil pemrosesan pada poin 2 di atas!

Keterangan:

Produk berupa satu buah laporan yang memuat step by step sub bab praktikum yang wilayahnya sesuai dengan rencana skripsi anda masing-masing.

17 E. DAFTAR PUSTAKA

Aklein, 1998, Spectral Mixture Analysis of Landsat Thematic Mapper Images Applied to the Detection of the Transient Snowline on Tropical Andean Glacier, Thesis.

Arsyad. F., 2011, Laporan Praktikum Penginderaan Jauh untuk Mltispektral dan Hiperspektral, Program Studi Penginderaan Jauh, Program Pascasarjana Fakultas Geografi, UGM, Yogyakarta.

Danoedoro, P. 2012. Pengantar Penginderaan Jauh Digital. Penerbit ANDI.

Yogyakarta.

Lu. D., Batistell. M., Moran. E., 2004, Multitemporal Spectral Mixture Analysis for Amazonian Land-Cover Change Detection, Can. J. Remote Sensing, Vol. 30, No. 1, pp. 87-100.

Nurlina, A., 2008, Linear Spectral Mixture Analysis untuk Kajian Perubahan Tutupan Lahan Di Daerah Perkotaan Menggunakan Data Satelit Landsat Multitemporal, Tesis, Program Studi Penginderaan Jauh, Program Pascasarjana Fakultas Geografi, UGM, Yogyakarta.

Pascari, M, R., 2013, Linear Spectral Mixture Analysis untuk (LSMA) untuk Tutupan Lahan Menggunakan Citra Landsat ETM+ di Yogyakarta dan Sekitarnya, Skripsi, Program Studi Kartografi dan Penginderaan Jauh, Fakultas Geografi, UGM, Yogyakarta.

Rahman, Abdur., 2010, Analisis Campuran Spektral Secara Linear (LSMA) Citra Terra Modis untuk Kajian Estimasi Limpasan Permukaan, Tesis, Program Studi Penginderaan Jauh, Program Pascasarjana Fakultas Geografi, UGM, Yogyakarta.

Ridwana, R. et al. 2019 IOP Conf. Ser.: Earth Environ. Sci. 286 012042