P. 1
PJ

PJ

|Views: 85|Likes:

More info:

Published by: Rahmawati Dwi Prihatiana on Sep 12, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

08/15/2013

pdf

text

original

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)

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

2004).4% dari sisa hutan Sulawesi yakni 90. ubi kayu.991.000 km² atau 2. Poso. Penggunaan lahan didominasi oleh lahan pertanian umumnya padi sawah di bagian bawah lembah. kopi dan kakao Jagung. Sigi.000 km²) dengan ketinggian bervariasi antara 200 sampai dengan 2.610 meter diatas permukaan laut. Taman Nasional ini secara resmi meliputi kawasan 217. ada budidaya pohon kelapa. Selain itu. Tojo Una-Una. Citra Landsat “Taman Nasional Lore Lindu” . Kab. Lokasi Pengamatan Letak lokasi di Kabupaten Donggala Provinsi Sulawesi Tengah. Kab. Donggala. kacang tanah dan lainlain. berada pada 0°50'S 2°04'S dan 119°40'E .18 ha (sekitar 1.2% wilayah Sulawesi yang luasnya 189. Wilayah ini beriklim tropis lembab dengan Temperatur berkisar antara 16 sampai 22' Celsius dengan tingkat kelembaban antara 85 sampai 95%. Taman Nasional ini sebagian besar terdiri atas hutan pegunungan dan sub-pegunungan (±90%) dan sebagian kecil hutan dataran rendah (±10%). 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. Morowali dan Kab.M etodologi a. et al.120°30'E yang terdiri dari Taman Nasional Lore Lindu dan lima kabupaten disekitarnya. Secara umum wilayah ini mengalami konversi lahan yang cukup luas. dari penggunaan lahan hutan menjadi penggunaan lainnya (Erasmi. Gambar 1. Kab. yaitu Kab.. kacang-kacangan dan berbagai buah-buahan di lahan miring.

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

yaitu dengan memilih daerah terlebih dahulu .Karena distorsi geometrik ini bersifat random maka koreksinya membutuhkan sejumlah titik kontrol medan (Ground Control Point. 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. atau perumahan kecil/bangunan yang terisolasi. GCP). percabangan sungai besar. 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. Cropping atau pemotongan citra diperlukan bilamana terdapat beberapa citra yang ingin diperbandingkan/overlay.Titik kontrol yang dipilih adalah kenampakan-kenampakan yang terlihat jelas pada citra maupun pada peta. misalnya percabangan/persimpangan jalan. sehingga nantinya diperoleh beberapa citra yang memiliki bentuk luar yang sama. Citra Hasil Koreksi b. 1972 2002 Gambar 2.4471 (polinomial orde 1). RMS). Cropping Citra Cropping Citra merupakan salah satu tahapan dalam pra pengolahan citra.

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

79 2.65 164020.00 Tahun 2002 Luas (Ha) % 5242.91 89.33 198185.44 2293. angka tersebut menunjukan tidak terlalu singnifikan mengalami peningkatan maupun berkurangnya luasan lahan. Dalam selang waktu 30 tahun berikutnya dengan data citra tahun 2002. yaitu tahun 1972.16 198185.21 7.15 15306. Dengan begitu.04 100. Pada tugas praktikum ini pengkelasan penutupan lahan melalui pendekatan klasifikasi tidak terbimbing dilakukan pada citra dalam 2 titik tahun.04 100.48 ha.306.84 ha dan permukiman bertambah menjadi 1635. kemudian diolah dan dapat ditentukan kedalam 4 (empat) kelas tutupan lahan.91 ha dan 15. maka hasil klasifikasi citra bisa didapatkan secara akurat. Lahan Pertanian.76 26628.43 82.05 ha.05 13. dan 2002.72 658. Berikut adalah hasil klasifikasi tidak terbimbing. Tabel 1. diketahui luasan tutupan lahan hutan dan tubuh air mengalami penurunan. dan tubuh air berkurang 298. yaitu Tubuh Air.71 0.80 176678.71 ha. Dari citra tersebut.menentukan identitas kelompok spektral dengan membandingkan citra klasifikasi dengan data rujukan lapang.00 Dari tabel diatas dapat dilihat bahwa. dan Permukiman. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 5541. pada tahun 1972 hutan dan lahan pertanian mendominasi tutupan lahan yaitu seluas 176. Luas hutan berkurang 12658. Namun demikian. sementara luas areal permukiman hanya 0. Sedangkan untuk lahan pertanian bertambah 11321.21 2.76 1.33% dari luaswilayah atau sekitar 658.Hasil Klasifikasi Tidak Terbimbing No. Hutan.678.42 ha. sementara luas lahan pertanian dan permukiman semakin bertambah.21 ha. .

71 Tubuh Air Hutan Lahan Pertanian Permukiman Gambar 4.79 164020. 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 5242.91 15306.21 658.76 Tahun 1972 5541.43 26628.21 176678.05 2293.

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

18 74.26% pada tahun 2002.54 198185.54% pada tahun 2002 atau meningkat 2. berdasarkan literatur terkait maupun dengan jalan survei lapang.44 2.48%. Terjadinya peningkatan luasan tutupan lahan untuk tubuh air dirasakan sangat sulit untuk bisa diterima logika penambahan luasan tubuh air ini.14 2. . Sementara tutupan lahan hutan.00 Dari tabel diatas menunjukan bahwa presentase tutupan lahan untuk permukiman berkembang pesat yaitu 2.b.10 198185.48 146961. Sebaiknya training set harus dapat merepresentasikan nilai piksel suatu kelas yang diinginkan.79 5037. Klasifikasi Terbimbing (Supervised) Sebelum melakukan proses klasifikasi terbimbing (Supervised Classification). namun bias saja terjadi dengan asumsi bahwa terjadi bencana banjir atau limpasan air dari laut dilokasi tersebut. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 4913.18 0.93 41200.79 20.64 2. 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).04 23. Dari hasil klasifikasi diperoleh pembagian kedalam 4 kelas tutupan lahan dengan luas areal yang dapat disajikan pada Table 2 dibawah ini.22% dan 2.74 146519.00 Tahun 2002 Luas (Ha) % 5427. Hal ini tentunya menjadi catatan penting bagi interpreter agar lebih mendalami fenomena atau pengetahuan terkait hal itu.69 73. representatif dan disimpan dalam file signature.27 189. Pembuatan training set dipilih melalui citra dasar yang dibatasi oleh polygon-polygon sekaligus pemberian nama kelas. terlebih dahulu dibuat Training Areanya (Signature) kemudian dideliniasi dengan menggunakan AOI tools sampel-sampel wilayah tiap kategori kelas yang akan diklasifikasi. tetapi sebaliknya tutupan lahan untuk tubuh air mengalami peningkatan sebesar 0.15 46121. Hasil Klasifikasi Terbimbing No. dan lahan pertanian mengalami penurunan masing-masing hanya sekitar 0. Tabel 2. Setelah dilakukan pengklasifikasian.04 100.45% dari tahun sebelumnya (tahun 1972).04 100.

04 189.18 46121.64 146961.44 Tahun 1972 4913. Perbandingan Luas Tutupan Lahan Klasifikasi Terbimbing .79 5037.Perbandingan Luas Tutupan Lahan (Klasifikasi Terbimbing) 160000 140000 120000 Luas (Ha) 100000 80000 60000 40000 20000 0 Luas (Ha) Luas (Ha) Tahun 2002 5427.69 41200.18 Tubuh Air Hutan Lahan Pertanian Permukiman Gambar 6.14 146519.

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

53 31359.51 ha.05 5414.72 0. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman. Tubuh Air-Hutan.10 3.02 146936.d.46 189.30 136874. Pemukiman-Hutan.43 152. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar. Sementara itu.76 41187.99 191.34 4567.04 Dari hasil tabel diatas.08 9651. Tubuh AirPemukiman.54 9515.33 Tahun 2002 Total Tahun Hutan Lahan Pemukiman 1972 Pertanian 102. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4.07 172.91 259.32 198185.08 ha. Perubahan Penggunaan Lahan Deteksi perubahan penggunaan lahan dimaksudkan untuk mengetahui pola dan sebaran alih fungsi lahan untuk penggunaan tertentu dana dalam kurun waktu tertentu.35 4958. Pemukiman-Tubuh Air.03 658. tergambar bahwa laju konversi lahan tidak terlalu signifikan. perubahan lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air.567. Perubahan Penggunaan Lahan (Tahun 1972-2002) Penutupan Lahan Tubuh Air Hutan Lahan Pertanian Pemukiman Total Tahun 2002 Tahun 1972 Tubuh Air 4491.36 5.62 5091. .874. Pemukiman-Lahan Pertanian.47 146491.88 180.51 46100. Hasil analisis perubahan penggunaan lahan di Lore Lindu pada dua titik tahun (1972 dan 2002) dapat disajikan pada table berikut : Tabel 3. dimana penggunaan lahan untuk fungsi hutan yang tetap masih terbilang luas yaitu 186.

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

Dalam hal ini juga indeks vegetasi dapat pula dimanfaatkan dalam pemodelan biofisik misalnya dalam pendugaan biomassa dan karakteristik kanopi. Peta NDVI . 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.

62 Pemukim an 191. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar. 91 259.43 31359.99 9651. Hasil analisis perubahan penggunaan lahan di Lore Lindu pada dua titik tahun (1972 dan 2002) dapat disajikan pada table berikut : Tabel 3. tergambar bahwa laju konversi lahan tidak terlalu signifikan.874. dimana penggunaan lahan untuk fungsi hutan yang tetap masih terbilang luas yaitu 186.53 0. . Pemukiman-Hutan. Sementara itu.3 6 5. Pemukiman-Lahan Pertanian.567.46 5091.08 ha. Tubuh Air-Hutan.51 180. 08 9515.07 136874. Tubuh Air-Pemukiman. Pemukiman-Tubuh Air.0 3 658. Perubahan Penggunaan Lahan Deteksi perubahan penggunaan lahan dimaksudkan untuk mengetahui pola dan sebaran alih fungsi lahan untuk penggunaan tertentu dana dalam kurun waktu tertentu.30 146936. 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 4491.88 41187.35 152. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman.34 3. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4. perubahan lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air. 54 46100.47 198185 .02 4567. 33 Hutan 102.04 Dari hasil tabel diatas.51 ha.10 146491.a.32 Total Tahun 1972 4958. 76 Lahan Pertanian 172.7 2 189.05 5414.

.

Peta Peruabahan Penggunaan Lahan Tahun 1972-2002 b. Normalized Difference Vegetation Index (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. 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.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->