Dosen : Dr. M.

Ardiansyah

Laporan Praktikum Penginderaan Jauh 

Digital Image Processing 

Oleh : Firdawaty Marasabessy A156100141

Program Studi Ilmu Perencanaan Wilayah Sekolah Pascasarjana Institut Pertanian Bogor (IPB)

P endahuluan Penginderaan jauh melingkupi metodologi yang digunakan untuk mempelajari karakteristik objek dari jarak jauh. menarik dan mudah mengerti untuk tujuan menyajikan sebuah informasi. Tujuan Praktikum adalah sebagai berikut : 1. dan penciuman merupakan contoh bentuk permulaan penginderaan jauh. maupun daerah dan fenomena. sensor. target. teknik dan seni untuk memperoleh informasi dan data mengenai kondisi fisik suatu benda atau objek. Sistem remote sensing terdiri dari beberapa komponen dasar. perolehan data maupun pengolahan dan analisis untuk mendapatkan teknik pelaksanaan pengambilan data yang tepat dan baik sesuai dengan tujuan perolehan data. pendengaran. alat perekam intensitas radiasi (data) yang dibawa oleh platform 4. Ilmu disini menggambarkan ilmu atau sains yang diperlukan baik dalam konsep. Sumber energi . maka dalam pengolahannya memerlukan seni tampilan yang serasi. dengan menggunakan pemodelan Normalized Difference Vegetation Index (NDVI). Melakukan pra pengolahan citra yang meliputi proses rektifikasi. Mendeteksi pola dan luasan perubahan penutupan lahan. sensor tersebut berupa sistem pemancar (transmitter) dan penerima (receiver). koreksi geometrik dan koreksi radiometrik. diantaranya adalah sebagai berikut : 1. Melakukan pengolahan citra dengan pendekatan klasifikasi tidak terbimbing (unsupervised classification) dan klasifikasi terbimbing (supervised classification). 4. Karena data yang diperoleh pada umumnya berbentuk keruangan atau spasial. Membuat permodelan biofisik (biomasa). terutama sinar matahari ataupun penyediaan energi dalam bentuk radiasi elektromagnetik bagi target 3. meliputi objek atau material yang diamati 2. . Target . dan Vegetation Index (VI). tanpa menyentuh atau kontak langsung dengan benda atau target tersebut. Teknik menunjukan bahwa teknologi penginderaan jauh memerlukan kemampuan merancang bangun untuk semua peralatan yang menyaing baik wahana. 2. Penglihatan. Soil Adjusted Vegetation Index (SAVI). Jalur transmisi. stasiun di bumi maupun sistem penerima data dan pengolahannya. Sensor . 3. Definisi umum tentang Penginderaan Jauh sebagai ilmu. sistem penginderaan jauh menggunakan alat atau sensor yang secara fisik jauh dari objek atau target. Sedangkan tanpa kontak langsung dimaksudkan bahwa dalam perekaman data spasial. sasaran. Simple Ratio (SR). sistem sensor.

Taman Nasional ini sebagian besar terdiri atas hutan pegunungan dan sub-pegunungan (±90%) dan sebagian kecil hutan dataran rendah (±10%).000 km²) dengan ketinggian bervariasi antara 200 sampai dengan 2. Citra Landsat “Taman Nasional Lore Lindu” . Wilayah ini beriklim tropis lembab dengan Temperatur berkisar antara 16 sampai 22' Celsius dengan tingkat kelembaban antara 85 sampai 95%. kacang-kacangan dan berbagai buah-buahan di lahan miring..000 km² atau 2. Donggala. 2004). Selain itu. dari penggunaan lahan hutan menjadi penggunaan lainnya (Erasmi.M etodologi a. Secara umum wilayah ini mengalami konversi lahan yang cukup luas. Kab. kacang tanah dan lainlain.120°30'E yang terdiri dari Taman Nasional Lore Lindu dan lima kabupaten disekitarnya.991.2% wilayah Sulawesi yang luasnya 189. Sigi. Tojo Una-Una. Penggunaan lahan didominasi oleh lahan pertanian umumnya padi sawah di bagian bawah lembah. yaitu Kab.610 meter diatas permukaan laut. Gambar 1. kopi dan kakao Jagung. Lokasi Pengamatan Letak lokasi di Kabupaten Donggala Provinsi Sulawesi Tengah. et al. Kab. ada budidaya pohon kelapa. Taman Nasional ini secara resmi meliputi kawasan 217.18 ha (sekitar 1. ubi kayu. berada pada 0°50'S 2°04'S dan 119°40'E . Kab.4% dari sisa hutan Sulawesi yakni 90. Taman Nasional Lore Lindu memiliki fauna dan flora endemik Sulawesi serta panorama alam yang menarik karena terletak di garis Wallace yang merupakan wilayah peralihan antara zona Asia dan Australia. Poso. Morowali dan Kab.

Citra Landsat/ETM+ Scene 28 September 2002. perubahan posisi wahana terhadap obyek karena gerakan berputar (roll). (belum dikoreksi geometrik). .3 H asil dan Pembahasan a. baik kesalahan yang bersifat internal. UTM WGS 84 Zone 51S. Citra Landsat/MSS Scene 28 Oktober 1972. berbelok (yow). Microsoft Excell. Sedangkan alat yang digunakan dalam pengerjaan tugas praktikum ini adalah : 1. dan system penyiaman yang tidak linear. dan registrasi citra ke peta atau transformasi sistem kordinat citra ke peta. maupun kesalahan yang bersifat eksternal. abrasi sub-sistem optik. rotasi bumi ataupun kelengkungan bumi. 2. misalnya perubahan ketinggian dan kecepatan wahana. 2. misalnya pembelokan arah penyinaran. Arc GIS 9. registrasi (mencocokkan) posisi citra dengan citra lain atau mentransformasikan sistem kordinat citra multispektral atau multitemporal.2 dan 3. ERDAS IMAGINE 9. Citra tahun 2002 menggunakan Proyeksi Universal Transvers Mercator (UTM)/WGS 1984 Zone 51S. UTM WGS 84 Zone 51S. mengakibatkan terjadinya distorsi atau bising acak (random). Koreksi Radiometrik Tujuan dari koreksi geometri. Umumnya koreksi geometrik dilakukan jika terjadi kesalahan. yang menghasilkan citra dengan sistem proyeksi.b. diantaranya adalah rektifikasi (pembetulan) atau restorasi (pemulihan) citra agar kordinat citra sesuai dengan kordinat geografi. sehingga kedua citra tersebut perlu dikoreksi. Bahan dan Alat Bahan yang digunakan dalam praktikum ini adalah : 1. (sudah dikoreksi geometrik). menggelinding (pitch). Citra Landsat yang digunakan dalam prkatikum ini yaitu citra tahun 1972 yang belum terkoreksi geometrik namun telah dikoreksi radiometriknya dan sebaliknya citra tahun 2002 yang sudah terkoreksi geometrik tetapi belum terkoreksi radiometrik.

percabangan sungai besar. atau perumahan kecil/bangunan yang terisolasi.Karena distorsi geometrik ini bersifat random maka koreksinya membutuhkan sejumlah titik kontrol medan (Ground Control Point. misalnya percabangan/persimpangan jalan.Titik kontrol yang dipilih adalah kenampakan-kenampakan yang terlihat jelas pada citra maupun pada peta. GCP). sehingga nantinya diperoleh beberapa citra yang memiliki bentuk luar yang sama. Cropping atau pemotongan citra diperlukan bilamana terdapat beberapa citra yang ingin diperbandingkan/overlay. Cropping Citra Cropping Citra merupakan salah satu tahapan dalam pra pengolahan citra.4471 (polinomial orde 1). RMS). Dalam pemotongan peta cara yang dilakukan dapat melalui dua cara. 1972 2002 Gambar 2. Citra Hasil Koreksi b. Cek akurasi terhadap hasil koreksi citra Landsat 1972 dengan citra Landsat 2002 dapat dilihat dengan nilai RMS = 0. Penentuan GCP pada peta yang belum dikoreksi (tahun 1972) dengan peta yang telah terkoreksi (tahun 2002). Akurasi koreksi geometrik dinilai dari besar kecilnya akar kuadrat rataan (Root Mean Square. yaitu dengan memilih daerah terlebih dahulu .

Kemudian analis . a. dimana wilayah pengamatan belum diketahui dengan jelas oleh interpreter. algoritma klasifikasi dapat dibagi menjadi supervised (terbimbing) dan unsupervised (tidak terbimbing). pemilihannya bergantung pada ketersediaan data awal pada citra itu. Secara umum. Klasifikasi Citra (Image Classification) Klasifikasi citra merupakan proses pengelompokan pixel pada suatu citra ke dalam sejumlah class (kelas).pada citra yang dituju. sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu. Pada pendekatan ini citra pertama kali diklasifikasi dengan pengagregasian citra kedalam kelompok-kelompok spektral alami (cluster). Hasil Cropping Citra c. dimana suatu warna mewakili suatu objek tertentu. Klasifikasi Tidak Terbimbing (Unsupervised) Klasifikasi Tidak Terbimbing lebih banyak dilakukan dengan komputerisasi. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk menghasilkan peta tematik. atau dengan mengambil file AIO yang menyimpan ukuran potong sebuah peta. Output dari klasifikasi citra ialah memberikan makna pada sebaran suatu kenampakan atau tutupan lahan pada suatu wilyah yang diamati. Gambar 3.

Dari citra tersebut.48 ha. Dalam selang waktu 30 tahun berikutnya dengan data citra tahun 2002.76 26628.33 198185. dan Permukiman.04 100.44 2293.72 658.43 82.16 198185.15 15306.Hasil Klasifikasi Tidak Terbimbing No.91 ha dan 15.menentukan identitas kelompok spektral dengan membandingkan citra klasifikasi dengan data rujukan lapang. Tabel 1. yaitu Tubuh Air. Hutan.76 1.05 ha. Pada tugas praktikum ini pengkelasan penutupan lahan melalui pendekatan klasifikasi tidak terbimbing dilakukan pada citra dalam 2 titik tahun. diketahui luasan tutupan lahan hutan dan tubuh air mengalami penurunan.00 Dari tabel diatas dapat dilihat bahwa. . dan tubuh air berkurang 298.65 164020.42 ha. Berikut adalah hasil klasifikasi tidak terbimbing.678.306. Dengan begitu. Lahan Pertanian. kemudian diolah dan dapat ditentukan kedalam 4 (empat) kelas tutupan lahan.00 Tahun 2002 Luas (Ha) % 5242. Luas hutan berkurang 12658.05 13. angka tersebut menunjukan tidak terlalu singnifikan mengalami peningkatan maupun berkurangnya luasan lahan. Sedangkan untuk lahan pertanian bertambah 11321.80 176678. Namun demikian.21 2.71 0.79 2. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 5541.21 7.84 ha dan permukiman bertambah menjadi 1635.33% dari luaswilayah atau sekitar 658.21 ha. pada tahun 1972 hutan dan lahan pertanian mendominasi tutupan lahan yaitu seluas 176. sementara luas areal permukiman hanya 0.71 ha. sementara luas lahan pertanian dan permukiman semakin bertambah.91 89. dan 2002. yaitu tahun 1972.04 100. maka hasil klasifikasi citra bisa didapatkan secara akurat.

71 Tubuh Air Hutan Lahan Pertanian Permukiman Gambar 4. Grafik Perbandingan Luas Tutupan Lahan Klasifikasi Tidak Terbimbing .Perbandingan Luas Tutupan Lahan (Klasifikasi Tidak Terbimbing) 180000 160000 140000 Luas (Ha) 120000 100000 80000 60000 40000 20000 0 Luas (Ha) Luas (Ha) Tahun 2002 5242.21 658.05 2293.79 164020.91 15306.21 176678.76 Tahun 1972 5541.43 26628.

Citra Tahun 1972 Citra Tahun 2002 Gambar 5. Peta Hasil Klasifikasi Tidak Terbimbing .

00 Tahun 2002 Luas (Ha) % 5427. Sementara tutupan lahan hutan.04 23. representatif dan disimpan dalam file signature. Tabel 2.69 73. Hasil Klasifikasi Terbimbing No. Sebaiknya training set harus dapat merepresentasikan nilai piksel suatu kelas yang diinginkan.79 20. Pembuatan training set dipilih melalui citra dasar yang dibatasi oleh polygon-polygon sekaligus pemberian nama kelas. Terjadinya peningkatan luasan tutupan lahan untuk tubuh air dirasakan sangat sulit untuk bisa diterima logika penambahan luasan tubuh air ini. Klasifikasi Terbimbing (Supervised) Sebelum melakukan proses klasifikasi terbimbing (Supervised Classification). Dari hasil klasifikasi diperoleh pembagian kedalam 4 kelas tutupan lahan dengan luas areal yang dapat disajikan pada Table 2 dibawah ini.26% pada tahun 2002.54% pada tahun 2002 atau meningkat 2. namun bias saja terjadi dengan asumsi bahwa terjadi bencana banjir atau limpasan air dari laut dilokasi tersebut. berdasarkan literatur terkait maupun dengan jalan survei lapang.22% dan 2.54 198185. hasil citra kemudian disimpan dan kemudian dilakukan smooting hasil interpretasi (Nearest Neighborhood dll) yang dilakukan pada masing-masong titik tahun (tahun 1972 dan tahun 2002).45% dari tahun sebelumnya (tahun 1972). dan lahan pertanian mengalami penurunan masing-masing hanya sekitar 0. tetapi sebaliknya tutupan lahan untuk tubuh air mengalami peningkatan sebesar 0.79 5037.48%. .74 146519.18 0.04 100.00 Dari tabel diatas menunjukan bahwa presentase tutupan lahan untuk permukiman berkembang pesat yaitu 2.10 198185.15 46121.48 146961. Hal ini tentunya menjadi catatan penting bagi interpreter agar lebih mendalami fenomena atau pengetahuan terkait hal itu.18 74.64 2. Setelah dilakukan pengklasifikasian. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 4913.04 100.14 2.27 189.b.44 2. terlebih dahulu dibuat Training Areanya (Signature) kemudian dideliniasi dengan menggunakan AOI tools sampel-sampel wilayah tiap kategori kelas yang akan diklasifikasi.93 41200.

18 Tubuh Air Hutan Lahan Pertanian Permukiman Gambar 6.Perbandingan Luas Tutupan Lahan (Klasifikasi Terbimbing) 160000 140000 120000 Luas (Ha) 100000 80000 60000 40000 20000 0 Luas (Ha) Luas (Ha) Tahun 2002 5427.44 Tahun 1972 4913.64 146961. Perbandingan Luas Tutupan Lahan Klasifikasi Terbimbing .14 146519.04 189.69 41200.79 5037.18 46121.

Citra Tahun 2002 Citra Tahun 1972 Gambar 7. Peta HAsil Klasifikasi Terbimbing .

36 5.62 5091.88 180.34 4567. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4.02 146936. tergambar bahwa laju konversi lahan tidak terlalu signifikan.35 4958. .08 ha.03 658. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar. Pemukiman-Hutan. Tubuh AirPemukiman.72 0.43 152. Perubahan Penggunaan Lahan Deteksi perubahan penggunaan lahan dimaksudkan untuk mengetahui pola dan sebaran alih fungsi lahan untuk penggunaan tertentu dana dalam kurun waktu tertentu.874.53 31359. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman.54 9515. perubahan lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air. Pemukiman-Lahan Pertanian. Tubuh Air-Hutan.08 9651.07 172. Pemukiman-Tubuh Air.51 46100.99 191. Perubahan Penggunaan Lahan (Tahun 1972-2002) Penutupan Lahan Tubuh Air Hutan Lahan Pertanian Pemukiman Total Tahun 2002 Tahun 1972 Tubuh Air 4491. Hasil analisis perubahan penggunaan lahan di Lore Lindu pada dua titik tahun (1972 dan 2002) dapat disajikan pada table berikut : Tabel 3.30 136874. dimana penggunaan lahan untuk fungsi hutan yang tetap masih terbilang luas yaitu 186.51 ha.46 189.91 259.04 Dari hasil tabel diatas.76 41187.33 Tahun 2002 Total Tahun Hutan Lahan Pemukiman 1972 Pertanian 102.d.05 5414.47 146491. Sementara itu.32 198185.10 3.567.

Gambar 8. Peta Peruabahan Penggunaan Lahan Tahun 1972-2002 .

Praktikum ini dilakukan analisis NDVI dengan rumus umum untuk citra Landsat : ( ) ( ) Berikut ini adalah peta hasil NDVI Gambar 8. Normalized Difference Vegetation Index (NDVI) Indeks vegetasi umumnya digunakan untuk membedakan vegetasi ataupun non vegetasi dalam suatu wilayah pengamatan.e. Peta NDVI . Dalam hal ini juga indeks vegetasi dapat pula dimanfaatkan dalam pemodelan biofisik misalnya dalam pendugaan biomassa dan karakteristik kanopi.

3 6 5.874.07 136874.a.47 198185 . Tubuh Air-Hutan. Hasil analisis perubahan penggunaan lahan di Lore Lindu pada dua titik tahun (1972 dan 2002) dapat disajikan pada table berikut : Tabel 3.51 ha. Pemukiman-Hutan. 54 46100. tergambar bahwa laju konversi lahan tidak terlalu signifikan.0 3 658.08 ha.32 Total Tahun 1972 4958. .99 9651.7 2 189. Sementara itu. Pemukiman-Tubuh Air.05 5414.04 Dari hasil tabel diatas. 91 259. Tubuh Air-Pemukiman.567.10 146491.46 5091.88 41187. 08 9515.35 152. 76 Lahan Pertanian 172. Perubahan Penggunaan Lahan (Tahun 1972-2002) Tahun 2002 Penutupan Lahan T a h u n 1 9 7 2 Tubuh Air Hutan Lahan Pertanian Pemukiman Total Tahun 2002 Tubuh Air 4491.62 Pemukim an 191. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4. Pemukiman-Lahan Pertanian. Perubahan Penggunaan Lahan Deteksi perubahan penggunaan lahan dimaksudkan untuk mengetahui pola dan sebaran alih fungsi lahan untuk penggunaan tertentu dana dalam kurun waktu tertentu.43 31359.53 0. dimana penggunaan lahan untuk fungsi hutan yang tetap masih terbilang luas yaitu 186. perubahan lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air. 33 Hutan 102.34 3. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman.30 146936. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar.02 4567.51 180.

.

Peta Peruabahan Penggunaan Lahan Tahun 1972-2002 b.Gambar 8. Normalized Difference Vegetation Index (NDVI) .

Praktikum ini dilakukan analisis NDVI dengan rumus umum untuk citra Landsat : NDVI= IM-MIM+M= TM4-TM3TM4+TM3 Berikut ini adalah peta hasil NDVI Gambar 8.Indeks vegetasi umumnya digunakan untuk membedakan vegetasi ataupun non vegetasi dalam suatu wilayah pengamatan. Peta NDVI . Dalam hal ini juga indeks vegetasi dapat pula dimanfaatkan dalam pemodelan biofisik misalnya dalam pendugaan biomassa dan karakteristik kanopi.