LAPORAN RESMI PRAKTIKUM PENGINDERAAN JAUH MODUL 2 KOREKSI RADIOMETRI

(1)

LAPORAN RESMI PRAKTIKUM PENGINDERAAN JAUH

MODUL 2

KOREKSI RADIOMETRI

Disusun Oleh:

Salsabila Auliya Putri 26050120120025

Oseanografi A

Koordinator Mata Kuliah Penginderaan Jauh : Ir. Petrus Subardjo, M.Si

NIP. 19561020 198703 1 001

Tim Asisten

Warisatul Anbiya Selkofa M. 26050117120018

Muhammad Farras Ayasy 26050117140023

Riefchi Wicaksono Haris 26040117140065

Octa Firta 26040117140070

Rahmat Yolansyah Putra 26050117120026

Tiara Anggita 26050118130051

Zahra Sadza Salma 26050118120009

Ferdian Agung Baskoro 26050118120025

Maryam S. Taib 26050118140091

Danang Imaddudin Mahardika 26050118140076

Muhammad Farhan 26050118140101

Rofiatul Mutmainah 26050118120030

DEPARTEMEN OSEANOGRAFI

FAKULTAS PERIKANAN DAN ILMU KELAUTAN UNIVERSITAS DIPONEGORO

SEMARANG 2020

(2)

LEMBAR PENILAIAN

MODUL 2

KOREKSI RADIOMETRI

NO. KETERANGAN NILAI

1. Pendahuluan 2. Tinjauan Pustaka 3. Materi dan Metode 4. Hasil dan Pembahasan 5. Penutup

6. Daftar Pustaka

TOTAL

Mengetahui, Koordinator Praktikum

Warisatul Anbiya Selkofa M.

26050117120018

Asisten

Muhammad Farhan 26050118140101 Nama : Salsabila Auliya Putri NIM : 26050120120025 Ttd :

Tgl Praktikum : 23 Oktober 2020 Tgl Pengumpulan : 29 Oktober 2020

(3)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Menurut Sudarsono (2011), penginderaan jauh (inderaja) adalah ilmu atau seni untuk memperoleh informasi tentang objek, daerah, atau gejala dengan menggunakan alat tanpa kontak langsung terhadap objek, daerah atau gejala yang dikaji. Alat yang dimaksud dalam batasan ini alat pengindera atau sensor.

Penginderaan jauh bermanfaat dalam proses pengukuran, penelitian, dan pengolahan suatu sumberdaya bumi dengan menggunakan konsep foto udara, fotogrametri, interpretasi citra dari sensor non-fotografi baik secara visual maupun dengan menggunakan teknik pengolahan data citra digital. Pengindaraan jauh mempunyai keunggulan dibandingkan dengan survei terrestrial secara langsung.

Kemudahan lain dari Pengindaraan Jauh yaitu pada saat pengambilan sampel dilapangan berupa data-data yang belum dapat disadap oleh citra dengan cara melihat gambaran wilayah secara umum dengan citra dan membuat zona-zona tertentu yang mempunyai karakteristik yang sama.

Citra merupakan salah satu sumber data utama dalam informasi geospasial dan penginderaan jauh. Kualitas sumber data menjadi parameter utama karena berbagai informasi dapat diturunkan dari citra. Kualitas yang tidak memenuhi standar dapat menyajikan informasi yang salah. Namun, semua citra yang diperoleh dari perekaman sensor tidak lepas dari kesalahan wujud geometri, konfigurasi permukaan bumi, dan kondisi atmosfer saat perekaman. Menurut Murni et al.

(2015). Kesalahan yang terjadi dalam proses pembentukan citra ini perlu dikoreksi supaya aspek geometri dan radiometri yang terkandung di dalam citra tersebut benar-benar dapat mendukung pemanfaatan untuk aplikasi yang berkaitan dengan pemetaan, sumberdaya, dan kajian lingkungan, atau kewilayahan lainnya.

Teknologi penginderaan jauh merupakan salah satu alternatif yang dapat membantu penyadapan informasi fisik daerah. Hal tersebut dikarenakan citra penginderaan jauh dapat menyajikan gambaran objek, daerah, dan gejala di permukaan bumi secara lengkap dengan wujud dan letak objek yang mirip dengan

(4)

keadaan sebenarnya di medan (Utomowati, 2012). Dalam Pengideraan Jauh terdapat dua koreksi yang dilakukan untuk mengurangi kesalahan pada hasil perekaman, baik foto udara maupun citra satelit. Koreksi tersebut adalah koreksi radiometri dan koreksi geometri. Koreksi radiometri merupakan koreksi yang dilakukan untuk memperbaiki kualitas sekaligus nilai piksel hasil perekaman agar sesuai dengan nilai pantulan objek yang sebenarnya. Terdapat dua metode yang digunakan dalam koreksi radiometri, yaitu metode penyesuaian histogram dan metode penyesuaian regresi.

1.2 Tujuan

1. Mahasiswa mampu melakukan koreksi radiometri.

2. Mahasiswa mampu memeriksa atmospheric bias citra.

3. Mahasiswa dapat menggunakan metode penyesuaian histogram.

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

5. Mahasiswa mampu melakukan teknik penyesuaian histogram Enhanced Dark Pixel Correction.

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

1.3 Manfaat

1. Mahasiswa dapat mengetahui cara melakukan koreksi radiometri menggunakan aplikasi ER Mapper.

2. Mahasiswa dapat memeriksa dan mengubah Actual Input Limit suatu citra.

3. Mahasiswa dapat melakukan teknik penyesuaian histogram Dark Pixel Correction.

4. Mahasiswa dapat melakukan teknik penyesuaian histogram Enhanced Dark Pixel Correction.

5. Mahasiswa dapat melakukan Teknik penyesuaian histogram Cut Off Scattergram.

(5)

BAB II

TINJAUAN PUSTAKA

2.1 Koreksi Radiometri

2.1.1 Definisi Koreksi Radiometri

Koreksi radiometri adalah koreksi yang dilakukan karena hasil rekaman satelit mengalami kesalahan yang disebabkan oleh gangguan atmosfer (Daim et al., 2015). Gangguan atmosfer bisa berupa partikel-partikel yang menyebabkan hamburan pada hasil rekaman citra. Gangguan atmosfer menyebabkan nilai pantulan yang diterima oleh sensor mengalami penyimpangan. 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. Besarnya penyimpangan yang diterima oleh sensor ditentukan oleh besar kecilnya gangguan atmosfer pada saat waktu perekaman.

Koreksi radiometri ditujukan untuk menyusun kembali nilai pantulan yang direkam sensor mendekati atau memiliki pola seperti pantulan objek yang sebenarnya sesuai dengan panjang gelombang perekamannya (Daim et al., 2015). Koreksi radiometri merupakan teknik perbaikan citra satelit untuk menghilangkan efek atmosferik yang mengakibatkan kenampakan bumi tidak selalu tajam. Koreksi radiometri sangat bermanfaat untuk menganalisis data mutitemporal dan multisensor yang digunakan untuk interpretasi dan mendeteksi perubahan secara kontinu (Kustiyo et al., 2014). Dalam pengerjaannya, koreksi radiometri memiliki dua metode untuk mengolah data citra yang telah diambil untuk diteliti dan dianalisis. Dua metode tersebut, yaitu metode penyesuaian histogram dan metode penyesuaian regresi.

2.1.2 Kegunaan Koreksi Radiometri

Koreksi radiometri memiliki banyak manfaat dalam bidang penginderaan jauh. Kegunaan utama koreksi radiometri adalah untuk menghilangkan kesalahan radiometri yang disebabkan oleh aspek eksternal berupa gangguan atmosfer pada saat perekaman citra (Utomowati, 2012).

(6)

Kegunaan lainnya yaitu untuk memperbaiki nilai piksel supaya sesuai dengan seharusnya, biasanya mempertimbangkan faktor gangguan atmosfer sebagai gangguan utamanya. Gangguan atmosfer dapat berupa serapan, hamburan, dan pantulan. Gangguan tersebut yang menyebabkan nilai piksel pada citra hasil perekaman tidak sesuai dengan nilai piksel objek sebenarnya di lapangan.

Pada koreksi ini, diasumsikan bahwa nilai piksel terendah pada suatu kerangka liputan (scene) seharusnya nol (Daim et al., 2015). Apabila nilai terendah piksel pada kerangka liputan tersebut bukan nol, maka nilai penambah (offset) tersebut dipandang sebagai hasil dari hamburan atmosfer. Kesalahan radiometrik pada citra dapat menyebabkan kesalahan interpretasi, terutama jika interpretasi dilakukan secara digital yang mendasarkan pada nilai piksel.

Sehingga, koreksi radiometri ini sangat penting untuk dilakukan agar hasil yang diperoleh sesuai dengan yang diinginkan. Menurut Utomowati (2012), koreksi radiometri dapat dilakukan dengan berbagai cara, diantaranya adalah penyesuaian regresi, penyesuaian histogram, dan kalibrasi bayangan.

2.1.3 Kelebihan dan Kekurangan Koreksi Radiometri

Koreksi radiometri memiliki beberapa kelebihan dan kekurangan.

Koreksi radiometri dapat mengukur nilai radiasi elektromagnetik pada panjang gelombang tertentu. Panjang gelombang tersebut, antara lain sinar ultraviolet, sinar tampak, inframerah, hingga radiasi gelombang mikro yang digunakan untuk mendeteksi objek pada setiap kanal spektral (Kustiyo et al., 2014). Selain itu, koreksi radiometri memberikan informasi akurat mengenai citra karena gangguan yang terdapat di dalam citra telah diperbaiki. Jadi, kualitas citra yang semula kurang akurat karena adanya gangguan atmosfer, seperti pantulan permukaan atmosfer, kondisi cuaca, arah sinar matahari, kondisi atmosfer, dan kondisi lainnya menjadi lebih akurat dengan koreksi radiometri. Adapun kelebihan lainnya, koreksi radiometri dapat menganalisis data multitemporal dan multisensor yang digunakan untuk interpretasi dan mendeteksi perubahan secara kontinu.

Akan tetapi metode koreksi radiometri juga tidak luput dari kelemahan atau kekurangan. Kekurangan dalam metode ini adalah dalam proses coding

(7)

digital oleh sensor. Objek yang memberikan respon spektral yang paling rendah seharusnya bernilai 0. Apabila nilai ini ternyata melebihi angka 0 maka nilai tersebut dihitung sebagai offset. Menurut Biday dan Udhav (2012), koreksi dilakukan dengan mengurangi seluruh nilai pada saluran tersebut dengan offset-nya.

2.2 Penyesuaian Histogram

Menurut Maria et al. (2018), histogram adalah representasi grafis untuk distribusi warna dari citra digital atau menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu citra atau bagian tertentu dalam citra. Histogram merupakan suatu bagan yang menampilkan distribusi intensitas dalam indeks atau intensitas warna citra. Sedangkan, menurut Aji (2019), histogram adalah grafik yang menunjukkan distribusi piksel pada citra. Histogram citra menunjukkan pada histogram dari nilai intensitas piksel. Histogram menampilkan banyaknya piksel dalam suatu citra yang dikelompokkan berdasarkan level nilai intensitas piksel yang berbeda.

Penyesuaian histogram adalah teknik kompensasi fitur populer yang telah diteliti dengan baik dan dipraktikkan di bidang pengolahan citra. Pengolahan citra tersebut berguna untuk normalisasi fitur visual digital gambar, seperti kecerahan, gray-level skala, kontras, dan sebagainya (Ahmad dan Hadinegoro, 2012). Hasil yang diberikan oleh metode penyesuaian histogram dapat meningkatkan kualitas citra, sehingga informasi yang ada pada citra lebih jelas terlihat. Penyesuaian histogram bergantung pada beberapa faktor yang mempengaruhi suatu citra diharuskan untuk melakukan suatu koreksi dengan menggunakan metode penyesuaian histogram maupun metode penyesuaian regresi. Menurut Ihlas et al.

(2018), faktor tersebut antara lain, pantulan objek, bentuk dan besaran interaksi atmosfer, kemiringan dan arah hadap lereng, sudut pandang sensor, dan sudut ketinggian matahari.

(8)

2.3 Penyesuaian Regresi

2.3.1 DPC (Dark Pixel Correction)

DPC atau Dark Pixel Correction merupakan koreksi dimana nilai reflektan atau pantulan pada satelit dikonversikan menjadi nilai permukaan reflektan dengan asumsi terdapat objek dengan nilai pantulan mendekati nol (Fadilah et al., 2018). Meski demikian, energi yang terekam sensor dari objek merupakan hasil hamburan atmosfer yang harus dihilangkan. Dark Pixel Correction merupakan metode sederhana untuk menghilangkan pengaruh atmosfer yang cenderung memperbesar nilai piksel. Penggunaan Dark pixel Correction merupakan metode sederhana untuk menghilangkan efek atmosfer yang menjadi sumber utama dari perbedaan nilai piksel masing masing citra yang akan di mosaik. Salah satu cara untuk mengkoreksi efek atmosfer adalah mengidentifikasi bayangan piksel, menemukan nilai DN (Digital Number), lalu mengubahnya menjadi 0 dan mengatur semua piksel lainnya.

Dark Pixel Correction adalah metode sederhana yang digunakan untuk menghilangkan efek atmosfer saat image radiance. Efek ini terkait dengan kontribusi hamburan aditif (additive scaterring) dari atmosfer dan efek dari transmisi multiplikatif energi melalui atmosfer. Dark Pixel Correction memiliki prinsip pendekatan yaitu sinyal yang paling banyak ditangkap oleh sensor satelit dari objek gelap yang kemudian di distribusikan oleh atmosfer pada panjang gelombang yang terlihat. Oleh karena itu, target dari Dark Pixel Correction adalah indikator jumlah pancaran upwelling pada suatu band.

Menurut Arief et al. (2017), pancaran permukaan DPC diperkirakan memiliki pancaran permukaan nol atau reflektansi.

2.3.2 EDPC (Enhanced Dark Pixel Correction)

EDPC atau Enhanced Dark Pixel Correction merupakan bagian dari metode penyesuaian regresi, Enhanced Dark Pixel Correction digunakan untuk menghilangkan efek dari atmosfer untuk penajaman citra (Image Enhancement) demi menghasilkan citra yang lebih tajam. Pada metode ini, sistem kerjanya hampir mirip dengan metode DPC. Pada metode ini, harus memasukkan nilai range yang tercantum dalam Actual Input Limits. Menurut

(9)

Frananda et al. (2015), Enhanced Dark Pixel Correction terdapat dua layer yang berbeda, yang dimana pada layer kedua lebih terang dibandingkan layer pertama dan gambar layernya lebih tajam.

Enhanced Dark Pixel Correction ditampilkan untuk mengkoreksi kesalahan radiometrik dari suatu citra. Jadi, hasil pengolahan citra Enhanced Dark Pixel Correction menghasilkan citra lebih diinterpretasikan untuk aplikasi tertentu. Penyesuaian regresi dengan EDP ini mirip pengaplikasiannya dengan DPC. EDPC dilakukan dengan cara mengurangi nilai minimum masing-masing band dengan minimum digital number value-nya. Setelah diedit dan diolah nilai digital minimumnya dari yang semula lebih dari nol menjadi nol nilai digital minimumnya.

2.3.3 Cut Off Scattergram

Selain menggunakan DPC dan EDPC, terdapat cara lain untuk mengkoreksi citra dari efek atmosfer yaitu dengan menggunakan informasi cut- off yang ditentukan dari scattergram. Cut Off Scattergram merupakan salah satu menu untuk mengoreksi data citra yang terkena gangguan atmosfer baik hamburan, serapan, pantulan, maupun lainnya. Koreksi scattergram dapat digunakan untuk mengetahui klasifikasi data, penyimpangan data citra, dan korelasi satu citra ke citra lainnya (Dyatmika dan Fibriawati, 2016).

Scattergram merupakan koreksi citra penyesuaian regresi dimana area yang dikoreksi memiliki nilai piksel yang tidak berubah. Area tersebut direkam oleh citra menggunakan panjang gelombang inframerah. Panjang gelombang inframerah digunakan karena gelombang tersebut dapat mendeteksi secara jelas area daratan dan perairan.

Data yang dihasilkan dari scattergram ditampilkan dalam bentuk visual. Scattergram digunakan untuk memilih adegan citra sebagai alternatif lain selain menggunakan cloud untuk melaporkan metadata atau secara visual.

Scattergram bertujuan untuk mengamati data yang nantinya akan dilakukan perbandingan mozaik. Scattergram memberi lebih banyak informasi detail dibandingkan menggunakan cloud laporan. Scattergram memberi informasi yang konsisten dari radiometri dan lebih kuantitatif dibandingkan visual

(10)

penilaian. Menurut Dyatmika dan Liana (2016), sedikit perubahan histogram antara data dan mendekati garis 45 derajat distribusi data scattergram, itu artinya lebih mirip dengan citra radiometrinya.

(11)

BAB II

MATERI DAN METODE

3.1 Waktu dan Tempat

Hari, tanggal : Jumat, 23 Oktober 2020 Waktu : 18.30 – 20.00 WIB.

Tempat : Jalan Abimanyu, Slerok, Tegal Timur, Kota Tegal.

3.2 Materi

1. Memeriksa nilai atmospheric bias citra.

2. Penyesuaian histogram.

3. Pengecekan data penyesuaian histogram.

4. Regresi

a. DPC (Dark Pixel Correction).

b. EDPC (Enhanced Dark Pixel Correction).

c. Cut Off Scattergram.

3.3 Metode

3.3.1 Memeriksa Nilai Atmospheric Bias Citra 1. Buka aplikasi ER Mapper 7.1

(12)

2. Klik Edit Algorithm dan ubah description.

3. Buka Dataset dan pilih data yang akan diolah yaitu Landsat_TM_23Apr85.ers.

4. Duplicate Layer menjadi 6 dan ubah nama Band dari Band 1-7 kecuali Band 6.

(13)

5. Ubah file dataset sesuai dengan urutan nama band.

6. Lakukan dari band 1 sampai band 7 kecuali band 6.

3.3.2 Penyesuaian Histogram

1. Klik Edit Transform Limit. Lalu klik Edit Formula.

(14)

2. Ubah tulisan INPUT1 menjadi INPUT1-(Angka Actual Input Limit) sesuai angka yang tertera pada Transform masing-masing band.

3. Lalu, klik Apply Change dan Delete This Transform. Langkah ini diteruskan sampai band 7.

4. Klik File lalu tekan Save As.

(15)

5. Simpan file dengan format Koreksi_Nama_NIM dan files of type ER Mapper Raster Dataset (.ers). Lalu, klik OK.

6. Tunggu beberapa saat dan dataset sudah tersimpan.

(16)

7. Untuk mengecek hasil koreksi citra, klik ikon Open pada aplikasi ER Mapper 7.1.

8. Pilih file yang akan dicek dan lihat hasilnya.

(17)

9. Untuk mengecek nilai minimum pada citra, buka Edit Algorithm, buka dataset, dan pilih koreksi citra yang telah disimpan.

10. Jika proses pengerjaan benar, maka nilai Actual Input Limit adalah 1 to (…) pada masing-masing band-nya.

11. Proses koreksi histogram citra selesai.

(18)

3.3.3 Penyesuaian Regresi

3.3.3.1 DPC (Dark Pixel Correctin)

1. Buka ER Mapper dan klik ikon Land Application Wizard.

2. Klik Next untuk setiap notifikasi yang muncul. Pilih Process TM Imagery, Next, pilih Atmospheric Effect Correction, Next, pilih Dark Pixel Correction, Next.

(19)

(20)

3. Pilih data untuk dimasukkan ke input. Data yang dimasukkan yaitu file Landsat_TM_23Apr85.ers dengan files of type (.ers), kemudian klik OK.

4. Lalu pilih data output dengan data yang sama, yaitu Landsat_TM_23Apr85.ers, tetapi diganti nama dengan DPC_BelumKoreksi_Nama_NIM_Kelas.ers praktikan, lalu klik OK.

(21)

5. Setelah selesai memasukkan data, klik Finish dan lanjut

untuk pengolahan data citra DPC.

6. Lalu, klik Edit Algorithm dan ubah description menjadi Nama_NIM_Kelas praktikan. Setelah itu, cut layer DPC_TM6.

(22)

7. Lalu, klik DPC_TM1 dan klik Edit Transform. Setelah muncul grafik, klik Edit dan klik Delete this Transform.

8. Lakukan hal yang sama pada semua layer DPC_TM.

(23)

9. Setelah selesai mengedit transform, klik File lalu klik Save As.

10. Simpan file dengan format

DPC_SudahKoreksi_Nama_NIM_Kelas.ers praktikan dan files of type ER Mapper Raster Dataset (.ers). Lalu klik OK.

(24)

11. Selanjutnya, akan muncul halaman baru. Lalu, klik pilihan Default dan klik OK.

12. File Koreksi DPC sudah tersimpan.

3.3.3.2 EDPC (Enhanced Dark Pixel Correction)

1. Buka ER Mapper dan klik ikon Land Application Wizard.

(25)

2. Lalu klik Next seperti langkah-langkah pengolahan Dark Pixel Correction.

(26)

3. Pada Processing TM Imagery, pilih Enhanced Dark Pixel Correction.

4. Lalu, akan muncul halaman untuk memasukkan data.

Input tersebut diisi dengan Landsat_TM_23Apr85.ers dan klik OK.

(27)

5. Secara otomatis akan muncul halaman transform yang berisi grafik dan nilai actual input limit. Sebelum itu, pilih TM1 dan ubah nilai menjadi 67 sesuai nilai actual input limit.

6. Setelah itu klik Next dan akan muncul halaman berisi pilihan dan masukkan data untuk output. Pilih opsi Clear dan output data Landsat_TM_23Apr85.ers kemudian

diganti format nama menjadi

EDPC_BelumKoreksi_Nama_NIM_Kelas.ers. Lalu, klik OK.

(28)

7. Selajutnya, klik ikon Edit Algorithm dan ubah description.

Seperti biasa, cut layer 6 dan klik Edit Transform.

(29)

8. Lalu akan muncul grafik beserta keterangan Actual Input Limit. Klik Edit dan pilih Delete this Transform.

9. Lakukan kegiatan yang sama dari layer 1 sampai layer 7.

10. Setelah selesai koreksi EDPC, klik File dan klik Save As.

(30)

11. Ubah format file dengan EDPC_SudahKoreksi_Nama_NIM_Kelas.ers dan files of type ER Mapper Raster Dataset (.ers), lalu klik OK.

12. Lalu, akan muncul halaman baru. Klik Default dan isi Value dengan angka 0, kemudian klik OK.

13. File berhasil disimpan.

(31)

3.3.3.3 Cut Off Scattergram

1. Buka ER Mapper dan klik ikon Land Application Wizard.

2. Lalu, klik Next pada setiap halaman seperti langkah- langkah DPC dan EDPC.

(32)

3. Pada Processing TM Imagery, pilih opsi Cut Off Scattergram.

(33)

4. Lalu, muncul halaman untuk memasukkan input dan output citra. Input diisi dengan data Landsat_TM_23Apr85.ers dan Output juga diisi dengan data citra tersebut, tetapi diganti format Namanya dengan CutOff_BelumKoreksi_Nama_NIM_Kelas.ers praktikan.

Kemudian, klik OK dan klik Next.

(34)

5. Setelah itu, akan muncul halaman baru yang berisi data Cut Off Value, Scattergram, dan New Map Composition.

Untuk New Map Composition diclose tab.

6. Untuk mengisi Cut Off Value, X Axis dan Y Axis diubah sesuai dengan urutan band dan harus sama antara X dan Y Axisnya agar mendapatkan Actual X Axis dan Y Axis Input Limit.

(35)

7. Lakukan langkah di atas sampai semua band terisi. Lalu, klik Finish.

8. Lalu, akan muncul hasil citra sesuai dengan Cut Off Valuenya.

(36)

9. Klik ikon Copy Window dan Edit Algorithm untuk melanjutkan proses Cut Off Scattergram. Setelah muncul, cut layer 6.

10. Klik ikon Edit Transfrm. Lalu, klik Edit dan pilih Delete this Transform.

(37)

11. Lakukan langkah-langkah tersebut dari band 1 sampai band 7.

12. Setelah semua selesai, simpan file dengan mengeklik File lalu pilih Save As.

13. Ganti format nama menjadi

CutOff_SudahKoreksi_Nama_NIM_Kelas.ers dengan files of type ER Mapper Dataset Raster (.ers). Lalu, klik OK.

(38)

14. Setelah itu, akan muncul halaman baru untuk penyimpanan data citra. Klik Default dan isi Value dengan angka 0, lalu klik OK.

15. File citra telah tersimpan.

(39)

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil

4.1.1 Memeriksa Nilai Atmospheric Bias Citra

Tabel 1. Nilai Atmospheric Bias Citra Sebelum Koreksi

Gambar 1. Nilai Atmospheric Bias Band 1

Band Minimum Maksimum

Band 1 68 255

Band 2 21 223

Band 3 15 254

Band 4 4 220

Band 5 0 253

Band 7 1 247

(40)

(41)

4.1.2 Penyesuaian Histogram

Tabel 1. Nilai Bias Histogram Setelah Dikoreksi Band Minimum Maksimum

Band 1 1 187

Band 2 1 202

Band 3 1 239

Band 4 1 216

Band 5 1 253

Band 7 1 246

(42)

Gambar 1. Citra Setelah Koreksi Band 1

(43)

(44)

4.1.3 Penyesuaian Regresi

4.1.3.1 DPC (Dark Pixel Correction)

Tabel 1. Nilai DPC Sebelum Koreksi.

Band 1 0 188

Band 2 1 196

Band 3 0 239

Band 4 -2 205

Band 5 -1 253

Band 7 0 246

Tabel 2. Nilai DPC Setelah Koreksi.

Band 1 1 188

Band 2 1 203

Band 3 1 239

Band 4 1 215

Band 5 1 253

Band 7 1 246

Gambar 1. Citra Setelah Koreksi DPC Band 1

(45)

(46)

(47)

4.1.3.2 EDPC (Enhanced Dark Pixel Correction) Tabel 1. Nilai EDPC Sebelum Koreksi.

Band 1 0 188

Band 2 -6.08065 188.91935 Band 3 -9.887156 229.112844 Band 4 -14.1118316 192.8881684 Band 5 -29.1111868 224.8888132 Band 7 -30.2289312 215.7710688 Tabel 2. Nilai EDPC Setelah Koreksi.

Band 1 1 188

Band 2 1 196

Band 3 1 229

Band 4 1 203

Band 5 1 225

Band 7 1 216

Gambar 1. Citra Setelah Koreksi EDPC Band 1

(48)

(49)

(50)

4.1.3.3 Cut Off Scattergram

Tabel 1. Nilai Cut Off Scattergram Sebelum Koreksi.

Band 1 -1 187

Band 2 0 195

Band 3 0 239

Band 4 -2 205

Band 5 0 254

Band 7 0 246

Tabel 2. Nilai Cut Off Scattergram

Band 1 1 187

Band 2 1 202

Band 3 1 239

Band 4 1 215

Band 5 1 254

Band 7 1 246

Gambar 1. Cutra Setelah Koreksi Cut Off Band 1

(51)

(52)

4.2 Pembahasan

4.2.1 Memeriksa Nilai Atmospheric Bias Citra

Tujuan dari memeriksa nilai atmospheric bias adalah untuk mengetahui bias yang terjadi pada citra akibat adanya hamburan awan. Pemeriksaan ini dilakukan dengan menggunakan Edit Transform Limit dimana hasil yang dilihat adalah gambar kurva. Citra yang diperiksa adalah Landsat_TM_23Apr85.ers dimana nilai yang didapat untuk band 1 yaitu minimal 68 dan maksimal 255; band 2 minimal 21 dan maksimal 223; band 3 minimal 15 dan maksimal 254; band 4 minimal 4 dan maksimal 220; band 5 minimal 0 dan maksimal 253; band 7 minimal 1 dan maksimal 247.

(53)

4.2.2 Penyesuaian Histogram

Penyesuaian histogram merupakan koreksi untuk nilai bias yang sudah diperiksa dari metode sebelumnya. Penyesuaian histogram ini bertujuan untuk menghilangkan nilai bias pada citra sehingga data citra bebas dari error yang didapat dari gangguan atmosfer. Penyeseuaian histogram menggunakan salah satu menu di ER Mapper, yaitu menu Edit Transform Limit lalu menghapus transform default. Setelah diaplikasikan ke semua band, simpan data citra yang sudah dikoreksi secara histogram dan buka kembali file yang telah disimpan untuk mengecek nilai Actual Limit Inputnya sesuai atau tidak. Hasil dari koreksi histogram didapatkan nilai 1 untuk seluruh nilai minimum band. Untuk nilai maksimum, setiap band berbeda-beda, yaitu band 1 bernilai 187, band 2 bernilai 202, band 3 bernilai 239, band 4 bernilai 216, band 5 bernilai 253, dan band 7 bernilai 246.

4.2.3 Penyesuaian Regresi

4.2.3.1 DPC (Dark Pixel Correction)

Dark Pixel Correction digunakan untuk mengoreksi kesalahan radiometri. Dimulai dengan membuka aplikasi ER Mapper dan pilih menu Land Application Wizard, lalu akan muncul halaman dengan berbagai opsi yang akan dilakukan oleh praktikan. Pada halaman Processing TM Imagery, praktikan memilih opsi Dark Pixel Correction untuk melanjutkan proses pengolahan data. Sebelum melakukan proses Edit Transform Limit, praktikan memasukkan atau input data citra yang sama seperti koreksi histogram, yaitu Landsat_TM_23Apr85.ers.

Setelah masuk ke halaman utama, proses DPC dapat dimulai dengan memilih ikon Edit Transform Limit. Setelah itu, hapus transform saat ini agar memiliki hasil minimum nol. Lakukan cara ini sampai band 7. Lalu, untuk mengecek apakah hasil akhir nilai minimum adalah nol, maka buka dataset dan mulai mengecek Actual Input Limit.

Setelah melakukan proses DPC, didapatkan nilai minimum untuk

(54)

semua band adalah 1. Untuk nilai maksimumnya berbeda-beda. Lebih jelasnya bisa dilihat dalam tabel hasil di atas.

4.2.3.2 EDPC (Enhanced Dark Pixel Correction)

Enhanced Dark Pixel Correction (EDPC) digunakan untuk mengkoreksi kesalahan radiometri dari suatu citra dengan enchance sebagai hasilnya lebih diinterpretasi untuk aplikasi tertentu. Metode ini dilakukan dengan mengurangkan masing-masing band dengan minimum digital number value-nya, sehingga semua band akan memiliki minimal digital number nol. Sama seperti DPC, EDPC diawali dengan meng-klik ikon Land Application Wizard untuk koreksi citra. Kemudian akan muncul halaman baru dan pilih saja Enhanced Dark Pixel Correction. Untuk langkah kerja EDPC mirip dengan DPC.

Nilai minimum sebelum dilakukan koreksi EDPC berkisar antara -30 sampai 0. Setelah dilakukan koreksi, EDPC memiliki nilai minimum 1 untuk semua band. Untuk nilai maksimum, masing-masing band memiliki nilai yang berbeda, yaitu band 1 bernilai 188, band 2 bernilai 196, band 3 bernilai 229, band 4 bernilai 203, band 5 bernilai 225, dan band 7 bernilai 216.

4.2.3.3 Cut Off Scattergram

Cut Off Scattergram merupakan koreksi citra penyesuaian regresi yang terakhir. Cut Off Scattergram merupakan salah satu menu untuk mengoreksi data citra yang terkena gangguan atmosfer baik hamburan, serapan, pantulan, maupun lainnya. Langkah untuk mengakses scattergram sama dengan DPC dan EDPC. Yang menjadi pembeda hanyalah halaman awal saat menentukan value dari masing- masing band citra. Pada awal sebelum dilakukan koreksi, citra Landsat_TM_23Apr85.ers memiliki nilai minimum dan maksimum yang beragam, berkisar antara -2 sampai dengan 0 untuk nilai minimum dan 187 sampai 256 untuk nilai maksimumnya. Setelah dilakukan koreksi Cut Off Scattergram pada citra, nilai minimum pada masing-

(55)

masing band adalah 1. Sedangkan, nilai maksimumnya beragam. Untuk band 1 bernilai 187, band 2 bernilai 202, band 3 bernilai 239, band 4 bernilai 215, band 5 bernilai 254, dan band 7 bernilai 246.

(56)

BAB V PENUTUP

5.1 Kesimpulan

1. Koreksi radiometri adalah koreksi yang dilakukan karena hasil rekaman satelit mengalami kesalahan yang disebabkan oleh gangguan atmosfer (Daim et al., 2015).

2. Memeriksa nilai bias atmospheric bias citra dapat dilakukan dengan menggunakan aplikasi ER-Mapper. Pemeriksaan nilai atmospheric bias pada citra dilakukan dengan tujuan untuk pengecekan noise yang ada pada citra.

3. Penyesuaian histogram adalah teknik kompensasi fitur populer yang telah diteliti dengan baik dan dipraktikkan di bidang pengolahan citra.

Pengolahan citra tersebut berguna untuk normalisasi fitur visual digital gambar, seperti kecerahan, gray-level skala, kontras, dan sebagainya (Ahmad dan Hadinegoro, 2012).

4. DPC atau Dark Pixel Correction merupakan koreksi dimana nilai reflektan atau pantulan pada satelit dikonversikan menjadi nilai permukaan reflektan dengan asumsi terdapat objek dengan nilai pantulan mendekati nol (Fadilah et al., 2018).

5. EDPC atau Enhanced Dark Pixel Correction merupakan bagian dari metode penyesuaian regresi yang digunakan untuk menghilangkan efek dari atmosfer untuk penajaman citra (Image Enhancement) demi menghasilkan citra yang lebih tajam.

6. Koreksi scattergram dapat digunakan untuk mengetahui klasifikasi data, penyimpangan data citra, dan korelasi satu citra ke citra lainnya (Dyatmika dan Fibriawati, 2016).

(57)

5.2 Saran

1. Praktikan diharap hadir tepat waktu.

2. Praktikan diharap memakai pakaian rapi dan sopan.

3. Pada saat praktikum dimohon untuk mendengarkan penjelasan asisten praktikum.

4. Pada saat asisten menjelaskan format laporan, praktikan dimohon mendengarkan agar tidak terjadi kerancuan format laporan.

(58)

DAFTAR PUSTAKA

Ahmad, N., dan A. Hadinegoro. 2012. Metode Histogram Equalization untuk Perbaikan Citra Digital. Dalam: Seminar Nasional Teknologi Informasi &

Komunikasi Terapan di Semarang, 23 Juni 2012. 439-445 hlm.

Aji, B. B. 2019. Sistem Lampu Lalu Lintas Cerdas Menggunakan Ekstrasi Fitur Histogram dengan Klasifikasi Jaringan Saraf Tiruan (JST). Electric Engineering. [Skripsi]. Sekolah Sarjana, Universitas Islam Indonesia, Yogyakarta.

Arief, M., S. W. Adawiah, E. Parwati, dan S. Marpaung. 2017. Metode Dual Kanal untuk Estimasi Kedalaman di Perairan Dangkal Menggunakan Data SPOT 6 Studi Kasus: Teluk Lampung. Jurnal Penginderaan Jauh., 14(1): 37-50.

Biday, S. G., U. Bhosle. 2012. Relative Radiometric Correction of Multitemporal Satellite Imagery Using Fourier and Wavelet Transform. J Indian Soe Remote Sens., 40(2): 201-213.

Daim, H., Mudjiatko, dan S. Sutikno. 2015. Laju Perubahan Morfologi Sungai Kampar Menggunakan Data Penginderaan Jauh Segmen Rantau Berangin- Bangkinang. Jurnal Online Mahasiswa Fakultas Teknik Universitas Riau., 2(2): 1-10.

Dyatmika, H. S., L. Fibriawati. 2016. Analysis of Scene Compabilities for Mosaic of Landsat 8 Multitemporal Images Based on Radiometric Parameter.

International Journal of Remote Sensing and Earth Sciences., 13(1): 9-18.

Fadilah, S, D., M. D. M. Manessa, dan R. R. Atmawidjaja. 2018. Ekstraksi Data Kedalaman Menggunakan Data Citra Landsat 8. Jurnal Online Mahasiswa Teknik Geodesi Universitas Pakuan., 1(1): 1-11.

Frananda, H., Hartono, dan R. H. Jatmiko. 2015. Komparasi Indeks Vegetasi untuk Estimasi Stok Karbon Hutan Mangrove Kawasan Segoro Anak pada Kawasan Taman Nasional Alas Purwo Banyuwangi, Jawa Timur. Majalah Ilmiah Globe., 17(2): 113-123.

Ihlas, G. Winarso, A. I. Santoso, dan J. Setiyadi. 2018. Akuisisi Data Batimetri Menggunakan Citra Satelit SPOT-7 di Perairan Teluk Halong, Kota Ambon.

Jurnal Hidropilar., 4(1): 9-17.

(59)

Kustiyo, R. Dewanti, dan I. Lolitasari. 2014. Pengembangan Metoda Koreksi Radiometrik Citra SPOT 4 Multispektral dan Multitemporal Mosaik Citra.

Dalam: Seminar Nasional Penginderaan Jauh 2014. 79-87 hlm.

Maria, E., Yulianto, Y. A. Arinda, Jumiaty, dan P. Nobel. 2018. Segmentasi Citra Digital Bentuk Daun pada Tanaman di Politani Samarinda Menggunakan Metode Thresholding. JURTI., 2(1): 37-46.

Murti, S. H., P. D. R. Syam, dan W. Widyatmanti. 2015. Kajian Terhadap Pemanfaatan Kalibrasi Radiometri Gamma Naught Alos Palsar untuk Aplikasi Pemetaan Penutup Lahan. Dalam: Seminar Nasional Teknologi Terapan. 1-9 hlm.

Sudarsono, B. 2011. Inventarisasi Perubahan Wilayah Pantai dengan Metode Penginderaan Jauh (Studi Kasus Kota Semarang). TEKNIK., 32(2): 162-169.

Utomowati, R. 2012. Pemanfaatan Citra Landsat 7 Enhanced Thematic Mapper untuk Penentuan Wilayah Prioritas Penanganan Banjir Berbasis Sistem Informasi Geografis (SIG). Dalam: Seminar Nasional Penginderaan Jauh dan Sistem Informasi Geografis 2012.