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)

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

Poso. et al. Kab. ada budidaya pohon kelapa.18 ha (sekitar 1. Secara umum wilayah ini mengalami konversi lahan yang cukup luas. Donggala. Sigi. Tojo Una-Una. kacang-kacangan dan berbagai buah-buahan di lahan miring.4% dari sisa hutan Sulawesi yakni 90. 2004).M etodologi a.000 km² atau 2. 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.991.000 km²) dengan ketinggian bervariasi antara 200 sampai dengan 2. berada pada 0°50'S 2°04'S dan 119°40'E . kacang tanah dan lainlain. Taman Nasional ini secara resmi meliputi kawasan 217. Selain itu. Kab. Kab.610 meter diatas permukaan laut.. Taman Nasional ini sebagian besar terdiri atas hutan pegunungan dan sub-pegunungan (±90%) dan sebagian kecil hutan dataran rendah (±10%). Lokasi Pengamatan Letak lokasi di Kabupaten Donggala Provinsi Sulawesi Tengah.2% wilayah Sulawesi yang luasnya 189. Gambar 1. dari penggunaan lahan hutan menjadi penggunaan lainnya (Erasmi. Citra Landsat “Taman Nasional Lore Lindu” .120°30'E yang terdiri dari Taman Nasional Lore Lindu dan lima kabupaten disekitarnya. Morowali dan Kab. kopi dan kakao Jagung. Penggunaan lahan didominasi oleh lahan pertanian umumnya padi sawah di bagian bawah lembah. ubi kayu. Wilayah ini beriklim tropis lembab dengan Temperatur berkisar antara 16 sampai 22' Celsius dengan tingkat kelembaban antara 85 sampai 95%. yaitu Kab.

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

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

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

Hasil Klasifikasi Tidak Terbimbing No. yaitu tahun 1972. Pada tugas praktikum ini pengkelasan penutupan lahan melalui pendekatan klasifikasi tidak terbimbing dilakukan pada citra dalam 2 titik tahun.00 Tahun 2002 Luas (Ha) % 5242. Berikut adalah hasil klasifikasi tidak terbimbing.44 2293. Sedangkan untuk lahan pertanian bertambah 11321. Tabel 1. Namun demikian.678.91 ha dan 15. Dalam selang waktu 30 tahun berikutnya dengan data citra tahun 2002.33% dari luaswilayah atau sekitar 658.04 100. yaitu Tubuh Air. Hutan. .306. dan Permukiman.80 176678.00 Dari tabel diatas dapat dilihat bahwa.33 198185. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 5541.05 ha.04 100.42 ha.71 0.76 26628.43 82.21 2. Luas hutan berkurang 12658.72 658. maka hasil klasifikasi citra bisa didapatkan secara akurat.71 ha. dan 2002.79 2. sementara luas lahan pertanian dan permukiman semakin bertambah.05 13.21 7. Dari citra tersebut. dan tubuh air berkurang 298.84 ha dan permukiman bertambah menjadi 1635.21 ha.15 15306. sementara luas areal permukiman hanya 0. Dengan begitu.48 ha.76 1. Lahan Pertanian.65 164020. pada tahun 1972 hutan dan lahan pertanian mendominasi tutupan lahan yaitu seluas 176.menentukan identitas kelompok spektral dengan membandingkan citra klasifikasi dengan data rujukan lapang.91 89. diketahui luasan tutupan lahan hutan dan tubuh air mengalami penurunan. kemudian diolah dan dapat ditentukan kedalam 4 (empat) kelas tutupan lahan. angka tersebut menunjukan tidak terlalu singnifikan mengalami peningkatan maupun berkurangnya luasan lahan.16 198185.

43 26628.21 658.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 5242.05 2293.71 Tubuh Air Hutan Lahan Pertanian Permukiman Gambar 4.91 15306.21 176678.79 164020. Grafik Perbandingan Luas Tutupan Lahan Klasifikasi Tidak Terbimbing .76 Tahun 1972 5541.

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

93 41200.04 23. 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). representatif dan disimpan dalam file signature. Hal ini tentunya menjadi catatan penting bagi interpreter agar lebih mendalami fenomena atau pengetahuan terkait hal itu. 1 2 3 4 Klasifikasi Tutupan Lahan Tubuh Air Hutan Lahan Pertanian Permukiman Total Luas Tahun 1972 Luas (Ha) % 4913.22% dan 2. Sebaiknya training set harus dapat merepresentasikan nilai piksel suatu kelas yang diinginkan. Pembuatan training set dipilih melalui citra dasar yang dibatasi oleh polygon-polygon sekaligus pemberian nama kelas.15 46121.00 Tahun 2002 Luas (Ha) % 5427.04 100. namun bias saja terjadi dengan asumsi bahwa terjadi bencana banjir atau limpasan air dari laut dilokasi tersebut.26% pada tahun 2002.48 146961.00 Dari tabel diatas menunjukan bahwa presentase tutupan lahan untuk permukiman berkembang pesat yaitu 2. terlebih dahulu dibuat Training Areanya (Signature) kemudian dideliniasi dengan menggunakan AOI tools sampel-sampel wilayah tiap kategori kelas yang akan diklasifikasi. Klasifikasi Terbimbing (Supervised) Sebelum melakukan proses klasifikasi terbimbing (Supervised Classification). Tabel 2. Terjadinya peningkatan luasan tutupan lahan untuk tubuh air dirasakan sangat sulit untuk bisa diterima logika penambahan luasan tubuh air ini.10 198185. dan lahan pertanian mengalami penurunan masing-masing hanya sekitar 0.64 2.69 73.79 20.48%.79 5037.74 146519. berdasarkan literatur terkait maupun dengan jalan survei lapang.27 189.45% dari tahun sebelumnya (tahun 1972).14 2. Sementara tutupan lahan hutan. Hasil Klasifikasi Terbimbing No. Dari hasil klasifikasi diperoleh pembagian kedalam 4 kelas tutupan lahan dengan luas areal yang dapat disajikan pada Table 2 dibawah ini.54 198185.18 0. tetapi sebaliknya tutupan lahan untuk tubuh air mengalami peningkatan sebesar 0.54% pada tahun 2002 atau meningkat 2. Setelah dilakukan pengklasifikasian.44 2.18 74. .b.04 100.

69 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 5427.64 146961.14 146519.44 Tahun 1972 4913.04 189. Perbandingan Luas Tutupan Lahan Klasifikasi Terbimbing .18 46121.79 5037.

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

04 Dari hasil tabel diatas. tergambar bahwa laju konversi lahan tidak terlalu signifikan.62 5091.34 4567. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman. Sementara itu.54 9515.36 5.72 0.47 146491.76 41187.05 5414.33 Tahun 2002 Total Tahun Hutan Lahan Pemukiman 1972 Pertanian 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 lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air. Perubahan Penggunaan Lahan (Tahun 1972-2002) Penutupan Lahan Tubuh Air Hutan Lahan Pertanian Pemukiman Total Tahun 2002 Tahun 1972 Tubuh Air 4491.02 146936. Pemukiman-Hutan.91 259.32 198185. 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 186.88 180.08 9651.567. Pemukiman-Lahan Pertanian.d. Tubuh AirPemukiman.03 658.35 4958.30 136874.43 152. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar.99 191. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4.46 189.874.51 ha.10 3.08 ha.51 46100.07 172. Pemukiman-Tubuh Air.53 31359. Tubuh Air-Hutan. .

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.

Pemukiman-Lahan Pertanian.05 5414. Pemukiman-Hutan. perubahan lahan yang dianggap tidak mungkin terjadi/tidak perlu diketahui diantaranya adalah : Hutan-Tubuh Air. tergambar bahwa laju konversi lahan tidak terlalu signifikan.7 2 189.874.51 180.02 4567.3 6 5.32 Total Tahun 1972 4958.0 3 658.34 3.46 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. 33 Hutan 102. Tubuh Air-Pemukiman.51 ha.30 146936. Sementara itu.08 ha.43 31359. Pemukiman-Tubuh Air.10 146491. 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. 76 Lahan Pertanian 172.07 136874. Sementara penggunaan lahan untuk permukiman semakin meluas dimana terjadi konversi lahan pertanian menjadi permukiman seluas 4. . Tubuh Air-Hutan.a. Hasil analisis perubahan penggunaan lahan di Lore Lindu pada dua titik tahun (1972 dan 2002) dapat disajikan pada table berikut : Tabel 3.62 Pemukim an 191. sehingga dimungkinkan mengkonversi hutan menjadi pemukiman. Hal ini disebabkan karena tekanan jumlah penduduk yang sangat besar.567. 54 46100.47 198185 .88 41187.53 0.35 152. 08 9515.04 Dari hasil tabel diatas.99 9651. dimana penggunaan lahan untuk fungsi hutan yang tetap masih terbilang luas yaitu 186. 91 259.

.

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

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

Sign up to vote on this title
UsefulNot useful