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)

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

Donggala. Citra Landsat “Taman Nasional Lore Lindu” .2% wilayah Sulawesi yang luasnya 189. kacang-kacangan dan berbagai buah-buahan di lahan miring. 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. kacang tanah dan lainlain. Penggunaan lahan didominasi oleh lahan pertanian umumnya padi sawah di bagian bawah lembah. Lokasi Pengamatan Letak lokasi di Kabupaten Donggala Provinsi Sulawesi Tengah.4% dari sisa hutan Sulawesi yakni 90. ubi kayu.610 meter diatas permukaan laut. Tojo Una-Una. Wilayah ini beriklim tropis lembab dengan Temperatur berkisar antara 16 sampai 22' Celsius dengan tingkat kelembaban antara 85 sampai 95%. Poso. Taman Nasional ini secara resmi meliputi kawasan 217.. Sigi. Kab. yaitu Kab.120°30'E yang terdiri dari Taman Nasional Lore Lindu dan lima kabupaten disekitarnya. Kab. Selain itu. Gambar 1. Kab. ada budidaya pohon kelapa.000 km² atau 2. 2004). berada pada 0°50'S 2°04'S dan 119°40'E .991. et al.18 ha (sekitar 1. Taman Nasional ini sebagian besar terdiri atas hutan pegunungan dan sub-pegunungan (±90%) dan sebagian kecil hutan dataran rendah (±10%). dari penggunaan lahan hutan menjadi penggunaan lainnya (Erasmi. kopi dan kakao Jagung.000 km²) dengan ketinggian bervariasi antara 200 sampai dengan 2. Secara umum wilayah ini mengalami konversi lahan yang cukup luas. Morowali dan Kab.M etodologi a.

menggelinding (pitch). registrasi (mencocokkan) posisi citra dengan citra lain atau mentransformasikan sistem kordinat citra multispektral atau multitemporal. rotasi bumi ataupun kelengkungan bumi. 2. 2. ERDAS IMAGINE 9. Bahan dan Alat Bahan yang digunakan dalam praktikum ini adalah : 1. berbelok (yow).2 dan 3. yang menghasilkan citra dengan sistem proyeksi. dan system penyiaman yang tidak linear. Sedangkan alat yang digunakan dalam pengerjaan tugas praktikum ini adalah : 1. diantaranya adalah rektifikasi (pembetulan) atau restorasi (pemulihan) citra agar kordinat citra sesuai dengan kordinat geografi. Koreksi Radiometrik Tujuan dari koreksi geometri. misalnya perubahan ketinggian dan kecepatan wahana. Arc GIS 9. 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. perubahan posisi wahana terhadap obyek karena gerakan berputar (roll). Citra Landsat/ETM+ Scene 28 September 2002.3 H asil dan Pembahasan a. Umumnya koreksi geometrik dilakukan jika terjadi kesalahan. UTM WGS 84 Zone 51S. Microsoft Excell. (belum dikoreksi geometrik). mengakibatkan terjadinya distorsi atau bising acak (random). UTM WGS 84 Zone 51S. dan registrasi citra ke peta atau transformasi sistem kordinat citra ke peta. (sudah dikoreksi geometrik). Citra Landsat/MSS Scene 28 Oktober 1972. . baik kesalahan yang bersifat internal. maupun kesalahan yang bersifat eksternal. misalnya pembelokan arah penyinaran. sehingga kedua citra tersebut perlu dikoreksi.b. abrasi sub-sistem optik. Citra tahun 2002 menggunakan Proyeksi Universal Transvers Mercator (UTM)/WGS 1984 Zone 51S.

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

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

. Pada tugas praktikum ini pengkelasan penutupan lahan melalui pendekatan klasifikasi tidak terbimbing dilakukan pada citra dalam 2 titik tahun. Namun demikian.05 13.Hasil Klasifikasi Tidak Terbimbing No.71 ha.42 ha. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 5541.76 1.65 164020. sementara luas lahan pertanian dan permukiman semakin bertambah. Tabel 1. Sedangkan untuk lahan pertanian bertambah 11321. Hutan.00 Dari tabel diatas dapat dilihat bahwa.79 2. dan tubuh air berkurang 298. Dari citra tersebut. dan Permukiman.71 0. pada tahun 1972 hutan dan lahan pertanian mendominasi tutupan lahan yaitu seluas 176.72 658.678. Dalam selang waktu 30 tahun berikutnya dengan data citra tahun 2002. diketahui luasan tutupan lahan hutan dan tubuh air mengalami penurunan. kemudian diolah dan dapat ditentukan kedalam 4 (empat) kelas tutupan lahan.306.15 15306.80 176678.04 100.menentukan identitas kelompok spektral dengan membandingkan citra klasifikasi dengan data rujukan lapang. Luas hutan berkurang 12658. sementara luas areal permukiman hanya 0.33% dari luaswilayah atau sekitar 658. dan 2002.04 100. yaitu Tubuh Air. maka hasil klasifikasi citra bisa didapatkan secara akurat.21 ha.48 ha. angka tersebut menunjukan tidak terlalu singnifikan mengalami peningkatan maupun berkurangnya luasan lahan.05 ha. Berikut adalah hasil klasifikasi tidak terbimbing.76 26628.16 198185.33 198185.91 ha dan 15.91 89.84 ha dan permukiman bertambah menjadi 1635. yaitu tahun 1972.21 7. Dengan begitu.43 82. Lahan Pertanian.21 2.00 Tahun 2002 Luas (Ha) % 5242.44 2293.

Grafik Perbandingan Luas Tutupan Lahan Klasifikasi Tidak Terbimbing .43 26628.79 164020.21 176678.76 Tahun 1972 5541.71 Tubuh Air Hutan Lahan Pertanian Permukiman Gambar 4.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 5242.91 15306.21 658.05 2293.

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

79 5037. Hal ini tentunya menjadi catatan penting bagi interpreter agar lebih mendalami fenomena atau pengetahuan terkait hal itu.18 0.22% dan 2. namun bias saja terjadi dengan asumsi bahwa terjadi bencana banjir atau limpasan air dari laut dilokasi tersebut. tetapi sebaliknya tutupan lahan untuk tubuh air mengalami peningkatan sebesar 0. terlebih dahulu dibuat Training Areanya (Signature) kemudian dideliniasi dengan menggunakan AOI tools sampel-sampel wilayah tiap kategori kelas yang akan diklasifikasi. Sebaiknya training set harus dapat merepresentasikan nilai piksel suatu kelas yang diinginkan.10 198185.64 2. Klasifikasi Terbimbing (Supervised) Sebelum melakukan proses klasifikasi terbimbing (Supervised Classification).00 Tahun 2002 Luas (Ha) % 5427. berdasarkan literatur terkait maupun dengan jalan survei lapang. . Terjadinya peningkatan luasan tutupan lahan untuk tubuh air dirasakan sangat sulit untuk bisa diterima logika penambahan luasan tubuh air ini.45% dari tahun sebelumnya (tahun 1972).26% pada tahun 2002. dan lahan pertanian mengalami penurunan masing-masing hanya sekitar 0.14 2. Hasil Klasifikasi Terbimbing No. 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). Setelah dilakukan pengklasifikasian. representatif dan disimpan dalam file signature.54 198185.18 74.04 100. Tabel 2.69 73.54% pada tahun 2002 atau meningkat 2. Sementara tutupan lahan hutan. Dari hasil klasifikasi diperoleh pembagian kedalam 4 kelas tutupan lahan dengan luas areal yang dapat disajikan pada Table 2 dibawah ini.27 189.04 100.48 146961. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 4913.93 41200.44 2.74 146519.00 Dari tabel diatas menunjukan bahwa presentase tutupan lahan untuk permukiman berkembang pesat yaitu 2.04 23.79 20.15 46121.b.48%. Pembuatan training set dipilih melalui citra dasar yang dibatasi oleh polygon-polygon sekaligus pemberian nama kelas.

79 5037.04 189.18 Tubuh Air Hutan Lahan Pertanian Permukiman Gambar 6. Perbandingan Luas Tutupan Lahan Klasifikasi Terbimbing .44 Tahun 1972 4913.14 146519.69 41200.64 146961.18 46121.Perbandingan Luas Tutupan Lahan (Klasifikasi Terbimbing) 160000 140000 120000 Luas (Ha) 100000 80000 60000 40000 20000 0 Luas (Ha) Luas (Ha) Tahun 2002 5427.

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

30 136874. tergambar bahwa laju konversi lahan tidak terlalu signifikan. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman. Perubahan Penggunaan Lahan (Tahun 1972-2002) Penutupan Lahan Tubuh Air Hutan Lahan Pertanian Pemukiman Total Tahun 2002 Tahun 1972 Tubuh Air 4491.35 4958. Pemukiman-Lahan Pertanian.08 ha.91 259. Tubuh AirPemukiman.47 146491.46 189.72 0.32 198185. perubahan lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air.51 ha.33 Tahun 2002 Total Tahun Hutan Lahan Pemukiman 1972 Pertanian 102.567.08 9651.53 31359.43 152.34 4567.62 5091. Perubahan Penggunaan Lahan Deteksi perubahan penggunaan lahan dimaksudkan untuk mengetahui pola dan sebaran alih fungsi lahan untuk penggunaan tertentu dana dalam kurun waktu tertentu. Pemukiman-Hutan.874.02 146936. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar. Sementara itu.99 191.36 5.51 46100.10 3. Hasil analisis perubahan penggunaan lahan di Lore Lindu pada dua titik tahun (1972 dan 2002) dapat disajikan pada table berikut : Tabel 3. .07 172.05 5414.88 180. Pemukiman-Tubuh Air.04 Dari hasil tabel diatas.76 41187. Tubuh Air-Hutan.03 658.d. dimana penggunaan lahan untuk fungsi hutan yang tetap masih terbilang luas yaitu 186. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4.54 9515.

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

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

76 Lahan Pertanian 172. 91 259.88 41187. Pemukiman-Lahan Pertanian. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4. Hasil analisis perubahan penggunaan lahan di Lore Lindu pada dua titik tahun (1972 dan 2002) dapat disajikan pada table berikut : Tabel 3. 33 Hutan 102. Perubahan Penggunaan Lahan Deteksi perubahan penggunaan lahan dimaksudkan untuk mengetahui pola dan sebaran alih fungsi lahan untuk penggunaan tertentu dana dalam kurun waktu tertentu. 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 4491.35 152. Tubuh Air-Hutan.7 2 189. Pemukiman-Tubuh Air.51 180.53 0. dimana penggunaan lahan untuk fungsi hutan yang tetap masih terbilang luas yaitu 186.3 6 5.62 Pemukim an 191. perubahan lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman.a.32 Total Tahun 1972 4958. Sementara itu.10 146491.874.08 ha. tergambar bahwa laju konversi lahan tidak terlalu signifikan. 08 9515.43 31359. Pemukiman-Hutan.51 ha.02 4567.99 9651. 54 46100.0 3 658.46 5091.47 198185 .34 3.04 Dari hasil tabel diatas.05 5414.567.07 136874.30 146936. . Tubuh Air-Pemukiman.

.

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

Indeks vegetasi umumnya digunakan untuk membedakan vegetasi ataupun non vegetasi dalam suatu wilayah pengamatan. Peta 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. Dalam hal ini juga indeks vegetasi dapat pula dimanfaatkan dalam pemodelan biofisik misalnya dalam pendugaan biomassa dan karakteristik kanopi.

Sign up to vote on this title
UsefulNot useful