PENGINDERAAN JAUH SMT 2

ACARA 4

Instalasi dan Pengenalan Software Pengolah Citra Digital ENVI 4.5

       I.            TUJUAN

-         Mahasiswa mampu melakukan instalasi software ENVI 4.5

-         Mahasiswa memahami dan mampu menjelaskan tools-tools yang terdapat pada software ENVI 4.5

    II.            ALAT & BAHAN

a.       Software ENVI 4.5

b.      Notebook/Komputer

 III.            DASAR TEORI

ENVI (The Environment For Visualizing Images) merupakan suatu sistem pengolahan citra digital penginderaan jauh yang revolusioner dibuat oleh Research System, Inc (RSI).  Kegunaan lain ENVI dirancang untuk berbagai kebutuhan spesifik yang menggunakan data penginderaan jauh dari satelit dan pesawat terbang. ENVI menyediakan data visualisasi yang menyuluruh dan analisa untuk citra dalam berbagai ukuran dan tipe, semuanya dalam suatu lingkungan yang mudah dioperasikan dan inovatif untuk digunakan.

ENVI Pengolah Data Penginderaan JauhENVI menggunakan a Graphical User Interface (GUI). Format data raster dan Ascii (text) sebagai header file. Data raster disimpan sebagai ‘binary stream of bytes’ berupa format Band Sequential (BSQ), Band Interleaved by Pixel (BIP) dan Band Interleaved by Line (BIL). ENVI juga mendukung berbagai tipe format lainnya seperti : byte, interger, long interger, floating-point, double-precision, complex,dan double-precision complex. (Abu Bakar, 2011)

Beberapa keuntungan dari penggunaan ENVI

            Satu dari kekuatan ENVI adalah pendekataan yang unik dalam pengolahan citra, mengkombinasikan teknik file-based dan band-based dengan fungsi yang interaktif. Ketika file data input dibuka, band (saluran) dari citra disimpan dalam sebuah daftar, dimana semua saluran bisa diakses oleh semua fungsi system. Jika multiple files dibuka, saluran dalam tipe data yang terpisah dapat diproses sebagai sebuah grup. ENVI menampilkan saluran tersebut dalam 8 atau 24 bit. Grup tampilan ENVI terdiri dari Image window, Zoom window, dan Scroll window, semuanya bisa diubah ukurannya. ENVI menyediakan penggunanya dengan banyak kemampuan analisis yang interaktif dan unik, diakses dalam window tersebut. Kemampuan multiple dynamic overlay ENVI, memberikan kemudahan membandingkan citra dalam multiple displays.

Ekstraksi real-time dan spatial/spectral profiling dari multiband dan data hyperspectral memberikan pengguna cara baru dalam melihat data dengan dimensi tinggi. ENVI juga menyediakan tools interaktif untuk melihat dan menganalisis data vektor dan atribut Sistem Informasi Geografis (SIG). Kemampuan standar seperti perentangan kontras dan scatter plots dua dimensi adalah beberapa dari fungsi interaktif yang tersedia untuk pengguna ENVI. (Anonim,2016)

    Tabel 3.1Spesifikasi ENVI

No	Spesifikasi	Uraian	Keterangan
1	Nama Software	ENVI (The Enviroment for Visualizing Images)	Merupakansalahsatu software pengolahancitra digital yang dibuatoleh RSI
2	Versi/Release	5.1	Versi yang terbaruadalahversi 5.1
3	Diluncurkantahun	2005	Tahun diluncurkannya software ENVI Versi 4.0.2
4	Vendor/Pembuat	Research System, Inc(RSI)	Perusahaan pembuat software Image Processing       berasal dari Amerika Serikat.
5	Minimum Hardware -          Processor -          RAM -          VGA Card -          Free space	Pentium x86 64 MB 32 bit 400 MB harddisk	Software inimenggunakanspesifikasi hardware yang cukupbesarkarena data yang dapatdiolahmerupakan data yang kompleksbaik data raster maupun vector. Semakin tinggi kapasitas hardware yang ada maka akan lebih mempercepat dalam proses pada saat analisis.
6	Operating System	Windows 98, NT 4.0, 2000, XP, Linux	Software inidapatberoperasi di berbagaimacamsistem windows minimal windows 98.
7	Kategori Software	GIS - Viewer IP - Profesional	Software GIS ini termasuk viewer karena kurang memiliki fasilitas lengkap dalam pengolahan data SIG.. Image processing software ini termasuk profesional dengan fasilitas pengolahan data digital yang lengkap.
8	Struktur Data/File	Raster danvektor	Mampumenampilkan data baikdari format raster maupunvektor. Sangatbanyakmendukung format data raster seperti *.tiff dll. Format data vektor yang   didukungantara lain format data ArcView yaitu *.shp.
9	Format Data/File	*.evf  *.hdr	*.evf merupakan format data vektor asli yang ada pada ENVI. *.hdr (header) merupakan jenis format data  untuk membuka data raster.
10	Fasilitaspada Software Inti (core) ·          Input + editing ·          Processing ·          Output (layout)	Citra dengan format data baik raster maupun vektor Koreksi geometrik dan radiometrik, transformasi, pemfilteran, perhitungan statistik, klasifikasi supervised dan unsupervised Print, export file, layout	Input data yang ada yaitu dapat menggunakan citra baik berupa data raster maupun data vektor. Proses dalam ENVI menggunakan formula-formula tertentu sehingga dapat menghasilkan data yang akurat. Output dapat berupa print citra, layout dan eksport file.
11	Fasilitas paket program yang terintegrasi dengan software inti	IDL 6.2	Merupakan bahasa pemrograman yang digunakan untuk membuat suatu project pada ENVI.
12	Format I/O data	¨    Input : Data raster baik format data aslidarisatelit, software IP, software GIS serta software grafislainnya. Data vektor dapat berupa *.evf, *.shp, *.mif, *.dgn, *.dxf, *e00, *.ddf dan *dlg. ¨    Output: *.ENVI standar *.ENVI meta *.ERDAS IMAGINE *.PCI *.ArcView raster *.ASCII *.ER Mapper *.JPEG2000 *.NITF *.TIFF/GeoTIFF *.ESRI GRID	Format input data yang mendukung software ENVI sangat banyak berupa format raster dan format vektor. Format output data didukung beberapa software IP maupun GIS lainnya seperti ERDAS, PCI, ArcView, dan ER Mapper.
13	Fasilitaskhusus/fasilitaslainnya	Radar tools Analisishiperspektral	Tools standard dan advanced untuk analisa deteksi citra radar Analisis dengan meng gunakan beberapa bahkan puluhan saluran.

  IV.            LANGKAH KERJA

ProsedurInstalasi Software ENVI 4.5

a.       Dobel klik setup Envi45

b.      Setelah kotak dialog ENVI 4.5-Installl Shield Wizard muncul, kliktombol Next

c.       Pada jendela License Agreement, klik Yes.

d.      Selanjutnya, pilih direktori penyimpanan software pada kolom Destination Folder dengan menekan tombol Browse… Jika sudah klik tombol Next

e.       Pada bagian Select Features centang semua pilihan, kemudian klik Next

f.        Di bagian File Type Association langsung klik Next

g.       Pada jendela Start Copying Files langsung klik Next

h.       Tunggu hingga proses instalasi selesai

i.         Ketika muncul pilihan untuk proses lisensi, klik No

j.        Klik Finish untuk menyelesaikan proses instalasi.

k.      Selanjutnya copy file “license.dat” kedirektori ITT > License pada drive C

l.         Jika sudah buka software ENVI 4.5

m.     Identifikasi dan jelaskan fungsi beberapa tools yang terdapat pada software ENVI 4.5

     V.            Hasil Praktikum

a.       Identifikasi menu pada ENVI 4.5

No.	Menu	Fungsi	Tools	Keterangan
1	Basic Tools	Untuk mengakses berbagai fitur dasar ENVI	Layer Stacking	Untuk menggabungkan citra menjadi satu file utuh.
			Stretch Data	Untuk menarik/mengembangkan ukuran data.
			Rotate/Flip Data	Untuk memutar atau membalik posisi citra.
			Convert Data	Untuk mengubah ekstensi file menjadi .BSQ, .BIL, .BIP
			Resize Data (Spatial/Spectral)	Untuk mengubah ukuran data dalam bentuk spectral ataupun dalam bentuk spasial.
2	Classification	Untuk mengakses fungsi klasifikasi ENVI	Supervised
			Unsupervised
			Decision Tree
			Endember Collection
			Create Class Image from ROIs
3	Transform	Untuk mengakses fungsi transformasi (perubahan bentuk)	Image Sharpening	Untuk mempertajam gambar pada citra.
			Band Ratios
			Color Transform	Untuk merubah warna citra berdasarkan band yang tersedia.
			Principal Components
			Photographic Stretch
4	Spectral	Untuk mengakses tool khusus untuk meneliti citra multispectral dan hyperspectral dan tipe data spektral lain	SPEAR Tools
			Spectral Libraries
			Spectral Slices
			Vegetation Analysis
			Mapping Methods

b.      Kelebihan dan kekurangan ENVI 4.5

1.    Kelebihan :

-   Apiksi ini dapat dijalankan di berbagai sistem windows (minimum windows 98).

-   Sistem pengelola datanya termasuk engkap.

-   Mampu menampilkan data dariformat raster mauun vector.

-   Proses pengolahan ENVI menggunakan formula-formula tertentu sehingga menghasilkan data yang akurat.

-   Memiliki kemampan analisis hperspektral denga menggunakan banyak saluran.

2.  Kekurangan :

- Software ini menggunakan spesifikasi hardwareyang cukup besar karena data yang dapat diola merupakan data yang kompleks, baik data raster maupun vector.

  VI.            Pembahasan

Dalam praktkum kali ini yaitu pengenalan aplikai ENVI 4.5. Dar praktikum kali ini didapati beberapa menu yang terdapat dalam aplikasi ENVI 4.5 yaitu :

a.       Basic Tool        : Tool ini berfungsi sebagai menu dasar software ENVI 4.5, yang berisi menu-menu untuk mengedit data citra seperti memperbesar, merubah ekstensi, merubah ukuran, hingga penggabungan citra (layering).

b.      Clasification      : Berfungsi sebagai menu pengelompokan data citra seperti membuat percabangan, pengelompokan berdasarkan class, dan juga mengumpulkan data menjadi suatu klasifikasi tertentu.

c.       Transform         : Merupakan menu untuk mengubah bentuk (transformation) suatu citra menjadi citra dengan rona, warna, tekstur, ketajaman yang berbeda dengan citra aslinya.

d.      Spectral            : Digunakan untuk mengakses file citra dengan spectral yang lebih dari satu (multispectral).

VII.            Kesimpulan

a.       Dalam instalasi ENVI 4.5 dilakukan dengan cara mengeklik pada installer ENVI à klik next à klik yes à klik next à tentukan direktori penyimpanan file à klik finish à copy license.dat pada direktori lisensi untuk melisensi software tersebut.

b.      ENVI 4.5 memiliki tool-too yang berfungsi untuk memudahkan dalam menginterpretasi citra

VIII.            Daftar Pustaka

Bakar Abu, 2011, Envi Pengolah Data Penginderaan Jauh, diakses dari : http://www.citrasatelit.com/envi-pengolah-data-penginderaan-jauh/

                                                     LAPORAN PRAKIKUM

     PENGINDERAAN JAUH

ACARA V

KOMPOSIT CITRA LANDSAT 7 ETM+

Dosen Pengampu :

Purwanto, S.Pd, M.Si

Oleh:

Nama mahasiswa          : Agustinus Slamet Subekti

NIM                            :150722605704

Tanggal                        : 29 Februari 2016

Asisten             : Muhamad Nurdiansa

                                      Fatma Roisatin Nadhiroh

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL

JURUSAN GEOGRAFI

PROGRAM STUDI GEOGRAFI

FEBRUARI 2016

ACARA V

Komposit Citra Landsat 7 ETM+

I.TUJUAN

1.Mahasiswa mampu melakukan komposit citra Landsat 7 ETM+ mengunakan software ENVI 4.5

2.Mahasiswa melakukan komposit citra Landsat 7 ETM+ dan membandingkan 3 komposit citra untuk menentukan tingkat kemudahan dentifikasi objek berdasarkan komposit 321, 432 dan 456

II.ALAT dan BAHA

A.ALAT                                  B.BAHAN

a.Laptop                                  a.Citra Landsat 7 ETM+

b.Software Envi 4.5

III.DASAR TEORI

Komposit Citra

            Komposit citra adalah citra baru hasil dari penggabungan 3 saluran yang mampu

menampilkan keunggulan dari saluran-saluran penyusunnya (Sigit,2011). Digunakan komposit citra ini dikarenakan oleh keterbatasan mata yang kurang mampu dalam membedakan gradasi warna dan lebih mudah memahami dengan pemberian warna.

Pada citra multispektral yang terdiri dari banyak saluran, apabila hanya menampilkan satu saluran saja maka citra yang dihasilkan merupakan gradasi rona. Dan mata manusia hanya bisa membedakan objek yang menonjol pada suatu saluran, objek yg lain maka kita sulit untuk mengidentifikasinya. Oleh sebab itu pada citra komposit ini, hasilnya kita akan lebih mudah mengidentifikasi suatu objek pada citra.

Dasar dari pembuatan komposit citra adalah berdasarkan :

1.      Tujuan penelitian, yaitu keunggulan di setiap saluran. Contoh, apabila dalam penelitian, kita lebih fokus pada objek air, maka saluran yang kita gunakan adalah band 1, band 2 dan band 3. Selain dari band tersebut air memiliki nilai 0 dalam pemantulannya. Jadi komposit citra yang bisa dibuat adalah citra komposit 123, sehingga air akan berwarna merah.

2.      OIF (Optimum Index Factor), yaitu kemampuan citra untuk menampilkan suatu objek. OIF semakin tinggi maka semakin banyak objek berbeda yang dapat ditampilkan pada citra komposit tersebut. OIF ini digunakan apabila kita ingin menonjolkan pengguanaan lahan dari suatu daerah jika diidentifikasi dari citra.

Komposit citra dapat dibagi menjadi 2, yaitu :

a.       Komposit warna asli yaitu gabungan dari warna merah-hijau-biru. Citra yang dapat menghasilkan komposit warna asli yaitu Landsat, ALOS dll.

b.      Komposit warna tidak asli, terbagi menjadi 2 yaitu :

1.      Standar yaitu gabungan dari infrared dekat-merah-hijau. Dianggap standar karena pada awalnya penginderaan jauh lebih banyak digunakan dalam bidang kehutanan jadi komposit warna ini dianggap standar karena citra kompositnya lebih menonjolakan objek vegetasi

2.       Tidak standar yaitu dapat dilakukan penggabungan dengan bebas.

IV.LANGKAH KERJA

     

Komposit Citra

a). Buka software ENVI 4.5 dan tampilkan citra Landsat 7 ETM+ wilayah Semarang dari menu File> Open Image File. Pada bagian Available Bands List pilih RGB Color. Kemudian klik Band 4, 3, 2 dan Load RGB. Maka akan muncul Display#1 yang  memuat tampilan false color wilayah Semarang.

b). Selanjutnya, amati kenampakan yang ada dan identifikasi perbedaan kenampakan

untuk beberapa objek.

c). Buat display baru lagi, yakni komposit band 3, 2, 1 dengan mengklik tombol Display

pada kotak dialog Available Band List > New Display. Klik File > Open Image File dan pilih RGB Color dengan saluran 3, 2, 1. Klik Load RGB maka akan muncul

tampilan citra true color.

d) Buat juga display dengan komposit 456 dengan prosedur seperti langkah C Jika

sudah lakukan proses Link dengan cara klik menu Tools > Link > link Dislays…

 

e) Setelah semua display terhubung, lakukan identifikasi nilai piksel dari ketiga

komposit band. Idenifikasi dilakukan dengan mencatat nilai piksel dengan menggunakan Cursor Location/Value, Nilai piksel yang nampak pada citra memiliki hubungan dengan saluran band citra.

f) Buat tabel hasil identifikasi nilai piksel komposit 432, 321 dan 456 dengan

menggunakan Microsoft Excel. Masukkan pula gambar objek yang diidentifikasi, yaitu air, lahan terbuka, tutupan vegetasi rapat, tutupan vegetasi sedang dan atap bangunan.

             

g) Untuk memudahkan identifikasi warna dan jenis warna objek yang terekamoleh  band pada komposit citra yang dibuat, masuk ke situs www.colblindor.com/color‐name‐hue/. Plih menu color tools > color name and hue. Masukkan nilai piksel dari objek yang diamati, dan input nama yang tertera pada color name kedalam tabel identifikasi laporan.

V.HASIL PRAKTIKUM

OBYEK	PANTULAN PADA RGB DISPLAY			Warna Obyek	Pengenalan Obyek	Warna Citra
	Red Gun	Green Gun	Blue Gun
1 Air 321	67	145	216	Color Name : Summer Sky Hue : Blue	Mudah
432	13	67	145	Color Name : Dark Cerulean Hue : Blue	Mudah
456	13	9	20	Color Name : Blackcurrant Hue : violet	Agak Mudah
2 Lahan Terbuka 321	229	223	210	Color Name : Albescent White Hue : Yellow	Mudah
432	119	229	223	Color Name : Turquoise Blue Hue : Blue	Mudah
456	119	163	155	Color Name : Acapulo Hue : Green	Agak Mudah
3 Vegetasi Kerapatan Rendah 321	92	125	142	Color Name : Horizon Hue : Blue	Mudah
432	225	92	125	Color Name : Cranberry Hue : Red	Mudah
456	225	137	79	Color Name : Jaffa Hue : Orange	Mudah
4 Vegetasi Kerapatan Tinggi 321	75	105	115	Color Name : Bismark Hue : Blue	Agak Mudah
432	208	75	105	Color Name : Cabaret Hue : Red	Mudah
456	208	125	69	Color Name : Raw sienna Hue : Brown	Agak Mudah
5 Atap Bangunan 321	225	230	250	Color Name : Lavender Hue : Violet	Mudah
432	98	225	230	Color Name : Turquoise Blue Hue : Blue	Agak Mudah
456	98	120	221	Color Name : Royal Blue Hue : Blue	Agak  Mudah

VI.PEMBAHASAN

321,432,456

Pada praktikum kali ini praktikan melakukan komposit pada wilayah semarang yang diperoleh data dari citra landsat 7 Etm+. Pada praktikum kali ini mengamati daereh berair, lahan terbuka , vegetasi , dan atap bangunan.

Pertama yaitu objek air, pada saluran 321,432, dan 456 air dapat ditemukan dengan mudah. Hanya saja terdapat perbedaan tingkat kemampuan mendapatkan suatu data yang lebih detail. Pada 456 air berwarna hitam (Blackcurrant) secara menyeluruh sehingga tidak tampak batas batas dari air itu sendiri dan kedalaman dari air tidak dapat diperkirakan karena tidak terlihat. Namun pada saluran 321(Summer Sky Hue:Blue) air nampak berwarna biru dengan tingkat gradasi warna biru yang bervariasi yang menandakan bahwa diwilayah air tersebut terdapat perbedaan kedalaman pada laut. Sementara saluran 432 memiliki nama objek Dark Curelean Hue:Blue.

Kedua lahan terbuka, lahan terbuka pada saluran 321 memiliki nama Albescent White Hue:Yellow, saluran 432 memiliki nama objek Turquoise Blue Hue:Blue, dan objek lahan terbuka pada saluran 456 memiliki warna Acapulo Hue:Green. Dalam pengamatan lahan terbuka dengan membandingkan ketiga saluran diatas lahan terbuka dapat diamati lebih mudah pada saluran 321 . Dikarenakan ciri ciri suatu lahan terbuka dapat diamati dengan jelas seperti tidak adanya vegetasi penutup, maupun tidak adanya bangunan bangunan lain yang dapat ditentukan apabila terdapat suatu warna yang mengindifikasikan bawha merupakan warna dari atap bangunan.

Ketiga adalah lahan dengan vegetasi dan tingkat vegetasinya. Lahan yang memiliki vegetasi dapat terlihat dengan mudah karena memiliki warna objek hijau yang jelas pada saluran 321. Namun data lahan dengan hanya berdasarkan wana objek Horizon Hue:Blue saja tidaklah cukup. Diperlukan data lain yang dapat membantu untuk melihat bagamaimana kondisi dari vegetasi pada lahan yang ada, dari lahan yang memiliki kerapatan tinggi maupun lahan dengan kerapatan rendah. Diperlukan suatu perbandingan antar saluran seperti pada sluran 432 objek dengan vegetasi rendah berwarna Cranberry Hue:Red dan pada saluran 456 berwarna Jaffa Hue:Orange. Suatu vegetasi dengan kerapan yang tinggi pada saluran 321 akan berwarna Bismark Hue:Blue , pada saluran 432 berwarna Cabaret Hue:Red , dan terakhir pada saluran 456 berwarna Raw Sienna Hue:Brown. Dari ketiga saluran tadi untuk mendapatkan suatu hasil yang lebih detail dari pengamatan suatu vegetasi dapat dengan mudah dilakukan menggunakan saluran 432 karena gradasi warna disini sangat jelas bagaimana batas antara vegetasi, vegetasi yang memiliki kerapatan tinggi akan memiliki warna objek yang sangat merah, dan lahan dengan vegetasi rendah akan memiiki warna objek merah muda.

Keempat atap bangunan dalam melihat citra satelit untuk melihat atap atap bangunan dapat dilalui dengan mudah menggunakan saluran 321 , disini atap bangunan memiliki warna objek yang sama atau pada umumnya merupakan warna warna atap bangunan yang ada . Sehingga atap bangunan dapat lebih tampak dan mudah ditentukan dengan menggunakan saluran 321. Atap bangunan pada saluran 321 memiliki warna Lavender Hue:Violet, pada saluran 432 memiliki warna Turquoise Blue Hue:Blue, dan pada saluran ketiga yakni 456 atap rumah memiliki warna Royal Blue Hue:Blue.

VII.KESIMPULAN

1.Komposit citra dapat dilakukan dengan berbagai aplikasi pembantu salah satunya merupakan aplikasi envi 4.5

2.Setiap saluran pada citra memiiki keunggulan dan kekurangan masing masing dalam kemampuannya untuk mengidentifikasi objek.

3.Setiap saluran pada citra memiliki kekhususan dalam mengidentifikasi objek.

4.Kemudahan dalam mengindentifikasi objek pada citra dapat dilakukan dengan membandingkan saluran saluran yang ada. (321,432,dan 456)

VIII.DAFTAR RUJUKAN

            -Purwanto.2016. Panduan Paktikum Penginderaan Jauh.Malang:(Tidak diterbitkan)

-www.colblindor.com/colour-name-hue/ Diakses pada Minggu 6 Maret 2016, pukul     20:03

-Rahman,Abdrur.2011.Modul Ajar Pengolahan Citra Digital dan Aplikasinya Bekerja Dengan Envi 4.5. Universitas Lambung Mangkurat Fakultas Perikanan. Banjar Baru

LAPORAN RAKTIKUM

PENGINDERAAN JAUH

ACARA VI

KOREKSI RADIOMETRIK CITRA LANDSAT 7 ETM+

Dosen Pengampu: Purwanto, S.Pd, M.Si

Oleh:

                     Nama mahasiswa : Agustinus Slamet Subekti

                     NIM                               : 150722605704

                     Offering                           : G

                     Hari,Tanggal                    : Senin, 7 Maret 2016

                     Asisten                            : Muhammad Nurdiansa

                                                              Fatma Rosiatin Nadhiroh

                                            Universitas Negeri Malang

Fakultas Ilmu Sosial

Jurusan Geografi

Program Studi S1 Geografi

2016

I.TUJUAN

-          Mahasiswa melakukan koreksi Radiometrik citra Landsat 7 ETM+ dengan mengidentifikasi nilai minimum dan nilai maksimum piksel citra

II.ALAT dan BAHAN

Adapun alat dan bahan yang digunakan dalam praktikum kali ini adalah

a. Notebook

b. Citra Landsat 7 ETM+

c. Software ENVI 4.5

III.DASAR TEORI

Koreksi Radiometrik

           Koreksi radiometrik merupakan suatu operasi pengkondisian supaya citra yang digunakan benar-benar memberikan informasi yang akurat. Koreksi radiometrik dilakukan untuk memperbaiki kualitas visual citra dan sekaligus memperbaiki nilai-nilai piksel yang tidak sesuai dengan nilai pantulan atau pancaran spektral objek yang sebenarnya. Pada koreksi ini diasumsikan bahwa nilai piksel terendah pada suatu liputan seharusnya nol, sesuai dengan bit coding sensor. Apabila nilai terndah piksel tersebut bukan nol, maka nilai penambah tersebut dipandang sebagai hamburan atmosfer. Untuk mengetahui nilai piksel tersebut dapat dicek melalui statistik citra.

Koreksi radiometrik dilakukan dengan cara melakukan pengurangan nilai bias

            menggunakan rumus :

                     

IV.LANGKAH KERJA

Identifikasi nilai minimum dan maksimum band/saluran

a)   Buka Citra Landsat 7ETM+ menggunakan software ENVI 4.5, klik menu File > Open Image File >  pilih citra yang akan di identifikasi

b)   Kalkulasikan nilai statistik citra dengan menggunakan menu bar Basic Tools > Statistic > Compute Statistik

c)   Setelah itu, atur kondisi luaran dengan mengikuti langkah sebagai berikut :

¾ Stats Subset                : Full Scene

¾ Spectral Subset           : 6/6 Bands

     Kemudian klik tombol OK

d)   Setelah itu tekan check list Text Report, Min/Max/Mean Plot, Calculate Histogram Statistic, Histogram Plots dan Histogram plots per window = 1.

e)   Kemudian klik tombol Choose untuk melakukan penyimpanan file stastistik

f)     Aktifkan Report for Screen and File, kemudian pilih lokasi penyimpanan data dengan menekan tombol Choose dan beri nama, contohnya : smg_minmax.txt

g)   Kemudian klik tombol OK maka hasil statistic citra akan muncul sebagaimana histogramnya dan nilai minimum-maksimum PV.

h)   Identifikasi nilai minimum dan maksimum tiap band/saluran citra.

i)      Simpan terlebih dahulu histogram band/saluran yang belum terkoreksi dengan cara printscreen.

                                      

                 Proses Koreksi Radiometrik

a)   Klik menu Basic Tools > Band Math, kemudian akan muncul kotak dialog Band Math

b)   Pada kolom Enter an expression, ketik bias (contoh, b1-62, b1 merupakan band 1 sedangkan 62 merupakan nilai minimum), kemudian klik Add to List > klik OK. Selanjutnya akan muncul kotak dialog  Variables to Bands Pairing.

                         

c)   Masukkan band/saluran yang dikoreksi (ex.band1), kemudian tentukan tempat penyimpanan dan beri nama, misalnya smg_rx (r adalah radiometric dan x adalah nomor band/saluran).

d)   Lakukan prosedur yang sama terhadap band/saluran yang lainnya. Meskipun terdapat saluran yang sudah memiliki nilai minimum 0, kita masih dapat melakukan prosedur diatas untuk membuat file saluran tersendiri.

e)   Kemudian cek nilai piksel dan evaluasi antara citra seelum terkoreksi dengan sesudah dikoreksi radiometrik. Nilai piksel yang sudah terkoreksi akan memiliki nilai minimum lebih rendah dibandingkan sebelum terkoreksi (62 menjadi 0).

f)     Kalkulasikan statistic citra terkoreksi dan tampilkan histogramnya. Bandingkan histogram antara sebelum dikoreksi dengan sesudah koreksi.

V.HASIL PRAKTIKUM

Nilai sebelum koreksi radiometri

Nilai sesudah koreksi radiometri

Nilai rerata :

Kurva nilai rataan koreksi

VI.PEMBAHASAN

Koreksi radiometri ditujukan untuk memperbaiki nilai piksel supaya sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan obyek 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. Koreksi radiometrik perlu dilakukan pada data citra dengan berbagai alasan:

1.   Stripping atau banding seringkali terjadi pada data citra yang diakibatkan oleh ketidakstabilan detektor. Striping atau banding merupakan fenomena ketidak konsistenan perekaman detektor untuk band dan areal perekaman yang sama.

2.   Line dropout kadang terjadi sebagai akibat dari detektor yang gagal berfungsi dengan tiba-tiba. Jangka waktu kerusakan pada kasus ini biasanya bersifat sementara.

3.   Efek atmosferik merupakan fenomena yang disebabkan oleh debu, kabut, atau asap seringkali menyebabkan efek bias dan pantul pada detektor, sehingga fenomena yang berada di bawahnya tidak dapat terekam secara normal.

Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang terdapat dalam data citra dapat dengan jelas dibaca dan diinterpretasikan. Kegiatan yang dilakukan dapat berupa:

v Penggabungan data (data fusion). Yaitu menggabungkan citra dari sumber yang berbeda pada area yang sama untuk membantu di dalam interpretasi. Sebagai contoh adalah menggabungkan data Landsat-TM dengan data SPOT.

v Colodraping. Yaitu menempelkan satu jenis data citra di atas data yang lainya untuk membuat suatu kombinasi tampilan sehingga memudahkan untuk menganalisa dua atau lebih variabel. Sebagai contoh adalah citra vegetasi dari satelit ditempelkan di atas citra foto udara pada area yang sama.

v Penajaman kontras. Yaitu memperbaiki tampilan citra dengan memaksimumkan kontras antara pencahayaan dan penggelapan atau menaikan dan merendahkan harga data suatu citra.

v Filtering. Yaitu memperbaiki tampilan citra dengan mentransformasikan nilai-nilai digital citra, seperti mempertajam batas area yang mempunyai nilai digital yang sama (enhance edge), menghaluskan citra dari noise (smooth noise), dan lainnya.

v Formula. Yaitu membuat suatu operasi matematika dan memasukan nilai-nilai digital citra pada operasi matematika tersebut, misalnya Principal Component Analysis (PCA).

Data nilai yang belum melewati koreksi dan yang telah dikoreksi tentu memiliki tentu akan mimiliki perbedaan, seperti adanya perubahan warna kontras di beberapa titik pada objek. Tentunya dengan hal ini data yang telah melewati proses koreksi radiometri akan lebih mudah pada saat interpretasi dibandingkan dengan data yang belum melewati koreksi.

Pola pantulan vegetasi dari beberapa band dengan panjang gelombang yang berbeda banyak dikaji oleh para peniliti untuk mengetahui lebih banyak tentang karakteristik vegetasi yang diturunkan dari citra penginderaan jauh. Hal tersebut sering disebut sebagai indeks vegetasi yang menggambarkan kombinasi beberapa band dalam remote sensing yang mempunyai hubungan yang akan menghasilkan informasi baru.

VII.KESIMPULAN

1.      Dengan melakukan koreksi radiometrik kesalahan kesalahan dalam perekaman yang diakibatkan oleh kondisi di atmosfer dapat diperbaiki sehingga dapat menghasilkan dapat yang lebih baik.

VIII.DAFTAR RUJUKAN

Sukartono, Wahyu Supriatna. 2002. Perbaikan Data Digital Citra Satelit: Buletin  Teknik Pertanian

Purwanto.2015.Panduan Praktikum Penginderaan Jauh.Malang:Universitas Negeri Malang.

 LAPORAN RAKTIKUM

PENGINDERAAN JAUH

ACARA VII

            KOREKSI GEOMETRI

Dosen Pengampu: Purwanto, S.Pd, M.Si

Oleh:

                     Nama mahasiswa : Agustinus Slamet Subekti

                     NIM                               : 150722605704

                     Offering                           : G

                     Hari,Tanggal                    : Senin, 22 Maret 2016

                     Asisten                            : Muhammad Nurdiansa

                                                              Fatma Rosiatin Nadhiroh

                                                       Universitas Negeri Malang

Fakultas Ilmu Sosial

Jurusan Geografi

Program Studi S1 Geografi

2016

ACARA VII

             KOREKSI GEOMETRIK

I.TUJUAN

-         Mahasiswa mampu melakukan koreksi geometrik (image to image) pada citra satelit dengan menggunakan software ENVI 4.5

     II.    ALAT dan BAHAN

            Adapun alat dan bahan yang digunakan dalam praktikum kali ini adalah

a.       Software ENVI 4.5

b.      Citra wilayah Klojen (sumber : Google Earth Pro)

c.       Citra Kampus UM terproyeksi (sumber : Bing)

     III.   DASAR TEORI

Data hasil rekaman sensor pada satelit maupun pesawat terbang merupakan representasi dari bentuk permukaan bumi yang tidak beraturan. Meskipun kelihatannya merupakan daerah yang datar, tetapi area yang direkam sesungguhnya mengandung kesalahan (distorsi) yang diakibatkan oleh pengaruh kelengkungan bumi dan atau oleh sensor itu sendiri.

Rektifikasi adalah suatu proses melakukan transformasi data dari satu sistem grid menggunakan suatu transformasi geometric. Rektifikasi bertujuan untuk memperbaiki kondisi suatu citra dengan menggunakan formula atau perhitungan untuk mendapatkan hasil yang diinginkan. Rektifikasi citra terbagi atas 2 bagian, yaitu rektifikasi radiometric dan rektifikasi geometric. Rektifikasi radiometric mengacu pada tingkat kejelasan citra untuk dapat diinterpretasi dengan mengurangi haze dari atmosfer. Sedangkan koreksi geometric, merupakan kegiatan meletakan posisi citra di bumi dengan sistem proyeksi yang telah disepakati, misalnya: lambert, coniqian, equal-distance, dan berbagai sistem proyeksi lainnya. Pada kegiatan praktikum ini koreksi difokuskan pada koreksi geometric.

Koreksi geometric merupakan koreksi citra yang mengacu pada posisi absolut di muka bumi dengan sistem proyeksi tertentu. Untuk mendapatkan posisi absolut ini dapat mengacu pada peta dasar yang telah memiliki koordinat. Citra satelit generasi sekarag, umumnya telah dikoreksi dari vendornya, missal: Landsat 7 ETM+, IKONOS, Quick Bird, SPOT, ALOS, ASTER dan berbagai jenis citra lainnya.

Tingkat ketelitian dalam proses koreksi geometric banyak dipengaruhi oleh beberapa factor yaitu karakteristik citra, ketelitian dan ketapan dalam penggunaan GPS, pengalaman, dan factor lainnya. Untuk menghasilkan tingkat ketelitian yang bagus maka perlu memperhatikan persamaan transformasi yang digunakan untuk melakukan interpolasi spasial dan banyaknya GCP (Ground Control Points). Persamaan ini umumnya berupa persamaan polinomial baik orde 1,2 maupun 3.

Ordo I              : disebut juga Affine      transformation (diperlukan        

   minimal 3  GCP).

            Ordo II            : memerlukan minimal 6 GCP

            Ordo III           : memerlukan minimal 10 GCP

Tingkat ketelitian koreksi geometric dapat diketahui dengan menghitung kesalahan (RMSE: root mean suared error) dari GCP yang terpilih. Umumnya tidak boleh lebih besar dari 0,5 piksel.

            IV.       LANGKAH KERJA

1.      Siapkan data citra Klojen.ecw dan citra UM yang berformat JPEG

2.      Buka aplikasi ENVI 4.5 dan buat dua display

3.      Tampilkan data citra Klojen.ecw yang sudah terkoreksi pada display#1, dan data JPEG kampus UM pada display#2

4.      Pada menu utama ENVI 4.5 pilih menu Map > Registration > Select

GCPs : Image to Image

5.      Selanjutnya masuk pada kotak dialog “Image to Image Registration”. Selanjutnya pada bagian base image pilih display#1, yakni citra yang sudah terkoreksi dan display#2 JPEG UM yang akan dikoreksi.

6.      Selanjutnya muncul kotak dialog “Ground Control Points Selection (GCP)”. Untuk menginput titik GCP pada citra arahkan “box” pada display#1 dan display#2 pada objek yang sama. Jika sudah sesuai klik tombol Add Point.

7.      Jumlah GCP yang dimasukkan minimal 4 titik koordinat untuk mendapatkan nilai RMS-Error (Root Means Square-Error). Lokasi yang dimasukkan harus merata di 4 penjuru angin citra dari seluruh liputan. Hal tersebut untuk memberikan efek perataan pada titik ikat citra. Besarnya nilai RMS error yang diisyaratkan adalah mendekati 0 (nol), semakin rendah RMS Error maka tingkat ketelitian akan semakin tinggi/baik. Demikian sebaliknya semakin besar nilai RMS Error semakin jelek kualitas hasil koreksi geometrik

8.      Jika sudah 5 titik nilai RMS Error akan muncul, kita dapat menambah titik koordinat lagi jika nilai errornya masih tinggi. Kita dapat merentangkan titik koordinat yang telah saudara masukkan dengan klik “Hide List”.

9.      Proses selanjutnya simpan titik koordinat yang telah kita masukkan dengan cara: Klik File > Save GCPs w/map cords.... Selanjutnya berikan nama file dan simpan dalam format *.pts

10.  Setelah menyimpan titik GCP-nya, langkah selanjutnya adalah melakukan eksekusi pada citra yang belum tekoordinat dengan menggunakan koordinat yang sudah diisikan. Pada jendela/kotak dialog GCP, pilih menu Option > Warp File.... Selanjutnya pilih file citra yang akan di wrap (eksekusi citra dengan menggunakan koordinat dari GCP) setelah itu klik OK

11.  Setelah selesai citra akan muncul di jendela Avaiable Band List...., untuk membuka klik Load  

V. HASIL PRAKTIKUM

           

VI. PEMBAHASAN

            Pada praktikum koreksi geometrik kali ini dapat dilihat bahwa terjadi perubahan bentuk data citra yang dihasilkan. Pada sebelum koreksi data citra hanya terlihat suatu kenampakan luas dengan permukaan bumi yang terlihat datar. Namun setelah dikoreksi data citra terlihat dan nampak adanya elevasi tempat, terlihat adanya lengkungan bumi pada saat pengambilan data citra.

Nilai RMS error pada praktikum geometrik kali ini kurang dari 1, sehingga dengan demikian data citra memiliki keakuratan yang masih cukup baik dan masih dapat digunakan sebagai referensi data.

Kesalahan geometrik internal disebabkan oleh konfigurasi sensornya, akibat pembelokan arah penyinaran menyebabkan distorsi panoramic (look angle), yang terjadi saat cermin scanmelakukan penyiaman (scanning). Besarnya sudut pengamatan (field of view) satelit pada proses penyiaman akan mengakibatkan perubahan luas cakupan objek. Distorsi panoramic sangat besar pengaruhnya pada sensor satelit resolusi rendah seperti rendah NOAA-AVHRR dan MODIS, namun citra resolusi tinggi seperti Landsat, SPOT, IKONOS, Quickbird, dan ALOS bebas dari distorsi panoramic, karena orbitnya yang tinggi dengan medan pandang kecil hampir tidak terjadi pergeseran letak oleh relief pada data satelit tersebut. Distorsi yang disebabkan perubahan atau pembelokan arah penyiaman bersifat sistematik, dapat dikoreksi secara sistematik. Kesalahan geometric menyebabkan perubahan bentuk citra.

Koreksi geometric dilakukan sesuai dengan jenis atau penyebab kesalahannya, yaitu kesalahan sistematik dan kesalahan random, dengan sifat distorsi geometric pada citra. Koreksi geometrik mempunyai tiga tujuan, yaitu:

1.    Melakukan rektifikasi (pembetulan) atau restorasi (pemulihan) citra agar koordinat citra sesuai dengan koordinat geografis.

2.    Meregistrasi (mencocokan) posisi citra dengan citra lain yang sudah terkoreksi (image to image rectification) atau mentransformasikan system koordinat citra multispectral dan multi temporal.

3.    Meregistrasi citra ke peta atau transformasi system koordinat citra ke koordinat peta (image to map rectification), sehingga menghasilkan citra dengan system proyeksi tertentu.

Koreksi geometrik yang biasa dilakukan adalah koreksi geometrik sistematik dan koreksi geometric presisi. Masing-masing sebagai berikut.

1.    Koreksi geometrik sistematik melakukan koreksi geomertri dengan menggunakan informasi karakteristik sensor yaitu orientasi internal (internal orientation) berisi informasi panjang focus system optiknya dan koordinat titik utama (primary point) dalam bidang citra (image space) sedangkan distorsi lensa dan difraksi atmosfer dianggap kecil pada sensor inderaja satelit, serta orientasi eksternal (external orientation) berisi koordinat titik utama pada bidang bumi (ground space) serta tiga sudut relative antara bidang citra dan bidang bumi.

2.    Koreksi geometrik presisi pada dasarnya adalah meningkatkan ketelitian geometric dengan menggunakan titik kendali / control tanah (Ground Control Point biasa disingkat GCP). GCP dimaksud adalah titik yang diketahui koordinatnya secara tepat dan dapat terlihat pada citra inderaja satelit seperti perempatan jalan dan lain-lain.

Koreksi geometrik citra dapat dilakukan dalam empat tahap yang mencakup sebagai berikut:

1.    Memilih metode setelah mengetahui karakteristik kesalahan geometrik dan tersedianya data referensi. Pemilihan metode tergantung pada jenis data (resolusi spasial), dan jenis kesalahan geometric (skew, yaw, roll, pitch) data.

2.  Penentuan parameter yang tidak diketahui didefinisikan dari persamaan matematika antara system koordinat citra dan system koordinat geografis, untuk menentukan menggunakan parameter kalibarasi data atau titik control tanah.

3. Cek akurasi dengan verifikasi atau validasi sesuai dengan criteria, metode, dan data citra, maka perlu dicari solusinya agar diperoleh tingkat ketelitian yang lebih baik. Solusinya dapat dilakukan dengan menggunakan metode lain, atau bila data referensi yang digunakan tidak akurat atau perlu diganti.

4.  Interpolasi dan resampling untuk mendapatkan citra geocoded presisi (akurat). Beberapa pilihanGeocoding Type yang sudah tersedia pada perangkat lunak, seperti Tryangulation, Polynomial, Orthorectify using ground control poinr, Orthorectify using exterior orientation, Map to map projection, Point registration, Rotation. Kegunaan setiap tipe geocoding adalah (a)Tryangulation untuk koreksi geometric data yang mengalami banyak pergeseran skew dan yawa,atau data yang tidak sama ukuran pixelnya pada satu set data. (b) Polynomial untuk koreksi geometrik data citra yang mengalami pergeseran linear, ukuran pixel sama dalam satu set data resolusi spasial tinggi dan rendah. (c) Orthorectify untuk mengoreksi citra secara geometris, berdasarkan ketinggian geografisnya. Koreksi geometrik jika tidak menggunakan Orthorectify,maka puncak gunung akan bergeser letaknya dari posisi sebenarnya, walaupun sudah dikoreksi secara geometerik. (d) Rotation untuk koreksi geometrik citra karena terjadi pergeseran citra yang terputar, baik searah jarum jam maupun sebaliknya.

Teknik koreksi geometrik triangulasi dilakukan koreksi secara linear dalam setiap segitiga yang dibentuk oleh tiga GCP dan daerah yang mempunyai kesalahan geometric besar diberikan GCP lebih banyak. Persyaratan pengambilan titik di lapangan adalah (a) teridentifikasi jelas pada citra satelit, (b) wilayah harus terbuka agar tidak terjadi multipath, (c) permukaan tanah stabil, tidak pada daerah yang sedang atau akan dibangun, (d) Lokasi pengukuran aman dan tidak ada gangguan

VII. KESIMPULAN

Dengan melakukan koreksi geometrik maka akan dapat diketahui bagaimana kedudukan atau letak suatu objek atau wilayah pada suatu citra dengan citra lain. Sehingga dapat diketahui bagaimana keakuratan data citra tersebut.

VIII.DAFTAR RUJUKAN

Danoedoro Projo. 1996. Pengolahan Citra Digital. Yogyakarta. Fakultas Geografi Universitas Gadjah Mada.

Petunjuk Praktikum Pemrosesan Citra Digital. 2009. Prodi Karotgrafi dan Penginderaan Jauh Fakultas Geografi UGM.

Purwadhi Sri Hardiyanti, Sanjoto Tjaturahono. 2009. Pengantar Interpretasi Citra Penginderaan Jauh. Semarang. Pusat Data Penginderaan Jauh LAPAN dan Jurusan Geografi UNS.

LAPORAN RAKTIKUM

PENGINDERAAN JAUH

ACARA VIII

NORMALIZED DIFFERENCE VEGETATION INDEX (NDVI)

CITRA LANDSAT 7 ETM+

Dosen Pengampu: Purwanto, S.Pd, M.Si

Oleh:

                     Nama mahasiswa : Agustinus Slamet Subekti

                     NIM                               : 150722605704

                     Offering                           : G

                     Hari,Tanggal                    : Senin, 28 Maret 2016

                     Asisten                            : Muhammad Nurdiansa

                                                              Fatma Rosiatin Nadhi

                                    UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL

JURUSAN GEOGRAFI

PROGRAM STUDI S1 GEOGRAFI

2016

ACARA VIII

Normalized Difference Vegetation Index (NDVI)

Citra Landsat 7 ETM+

I.         TUJUAN

-    Mahasiswa mampu melakukan pengolahan NDVI pada citra Landsat 7 ETM+

II.      ALAT dan BAHAN

Adapun alat dan bahan yang digunakan dalam praktikum kali ini adalah sebagai berikut :

a.                    Notebook

b.                   Software ENVI 4.5

c.                    Citra Landsat 7 ETM+

d.                   Ms. Word 2007

III.              DASAR TEORI

NDVI

Indeks vegetasi merupakan kombinasi  pengukuran  dua atau lebih band spectral dari spectrum gelombang elektromagnetik yang berbeda untuk menghasilkan informasi tentang tutupan lahan di permukaan bumi (Campbell, 1996). Indeks vegetasi yang diperoleh dari citra sateli tmerupakan salah satu sumber informasi penting untuk memonitor kondisi sebuah vegetasi. Suatu vegetasi dikatakan subur jika klorofil (zat hijau daun) dalam jumlah besar sehingga aktif berfotosintesis atau dengan kata lain, aktif menyerap karbon. Fenomena penyerapan cahaya merah  oleh klorofil (0,4μm – 0,7 μm) pada vegetasi dan pemantulan cahaya inframerah dekat oleh jaringan mesofil (0,7 μm – 1,1 μm) pada daun akan membuat nilai kecerahan yang diterima sensor berbeda (Sudiana &Diasmara, 2008).

NDVI (Normalized Difference Vegetation Index) diperkenalkan oleh Rouse et al. (1974) dengan tujuan memodifikasi indeks Simple Ratio (SR) dimana indeks Simple Ratio menunjukkan nilai yang terlalu besar untuk daerah dengan densitas vegetasi tinggi. Indeks ini menggunakan rasio antara band NIR dan RED dengan persamaan yang dinormalisasi. NDVI merupakan indeks vegetasi yang paling banyak digunakan karena kemampuannya untuk meminimalisir kesalahan akibat buruknya kondisi topografi. NDVI juga disukai karena perhitungannya yang sederhana. Skala NDVI memiliki rentangan antara -1 sampai 1, dimana nilai 1 menunjukkan daerah yang kaya akan vegetasi, nilai 0 menunjukkan keadaan sangat sedikit vegetasi dan nilai -1 menunjukkan daerah bukan vegetasi.

Seperti perhitungan pada citra rasio, pada citra normalisasi juga menggunakan data channel 1 dan channel 2. Channel 1 terdapat dalam bagian dari spektrum dimana klorofilmenyebabkan adanya penyerapan terhadap radiasi cahaya yang datang yang dilakukan saat fotosintesis, sedangkan channel 2 terdapat dalam daerah spektral dimana struktur daun spongy mesophyll menyebabkan adanya pantulan terhadap radiasi cahaya. Perbedaan respon dari kedua channel ini dapat diketahui dengan transformasi rasio perbandingan satu channel dengan channel yang lain.

Perbandingan antara kedua channel adalah pertimbangan yang digunakan untuk mengurangi variasi yang disebabkan oleh topografi dari permukaan bumi. Hal ini merupakan kompensasi dari variasi pancaran sebagai fungsi dari elevasi matahari untuk daerah yang berbeda dalam sebuah citra satelit. Perbandingan ini tidak menghilangkan efek additive yang disebabkan oleh atmospheric attenuation, tetapi komponen dasar  untuk NDVI dan vegetasi saling berhubungan. Latar belakang daratan berfungsi sebagai pemantul sinyal yang terpisah dari vegetasi, dan berinteraksi dengan vegetasi melalui hamburan yang sangat banyak dari energi radiasi.

Tabel1. Pembagian obyek berdasarkan nilai NDVI

Daerah Pembagian	Nilai NDVI
Awan es, awan air, salju	< 0
Batuan dan lahan kosong	0 – 0.1
Padang rumput dan semak belukar	0.2 – 0.3
Hutan daerah hangat dan hutan hujan tropis	0.4  – 0.8

Data dari bermacam citra satelit yang dapat digunakan dalam formulasi ini, antara lain:

e.       Landsat TM/ETM : band 3 (0.63-0.69 µm) dan band 4 (0.76-0.90 µm)

f.        NOAA AVHRR : band 1 (0.58-0.68 µm) dan band 2 (0.72-1.0 µm)

g.       Terra MODIS : band 1 (0.62-0.67) dan band 2 (0.841-0.876).

Perhitungan perbandingan sifat respon obyek terhadap pantulan sinar merah dan NIR dapat menghasilkan nilai dengan karakteristik khas yang dapat digunakan untuk memperkirakan kerapatan atau kondisi kanopi/kehijauan tanaman. Tanaman yang sehat berwarna hijau mempunyai nilai indeks vegetasi tinggi. Hal ini disebabkan oleh hubungan terbalik antara intensitas sinar yang dipantulkan vegetasi pada spektral sinar merah dan NIR.

IV.              LANGKAH KERJA

Vegetation Index

Proses NDVI

a.  Buka file smgpadajendelabaru

b.  Pada menu ENVI 4.5 klik Transform > NDVI (Vegetation Index), pilih file smg

c.  Kemudiantentukansaluran NIR dan Band-R, simpandalambentuk file atau memory

d.  Tampilkancitra, danceknilaipikselnyamenggunakan menu Cursor Location/ Value

     Density Slice of NDVI Image

a.  Padajendelacitraklik Overlay > Density Slice. Enter citra NDVI

b.  Buat level brightness menjadi 5. Padajendela Density Slice klik Option > Set Number of Default Ranges, type 5 klik OK

c. Kemudianpadakotak dialog Density Slice, klik menu Option > Apply Default Ranges

      d.  Klik Edit Range untukmengubahnilaiintervalnyadanwarnajikamemang

      dibutuhkan. Klik Apply dansimpancitra.

Layout Citra Hasil NDVI

a.       Pilih menu Overlay pada layer display untuk melakukan Overlay. Pilih menu

Annotation untuk melakukan Layout citra

b.      Untuk menambahkan skala Klik menu Object pada Annontations Text > Scale Bar

c.       Untuk menambahkan grid pada peta klik menu Overlay > Grid Lines ...

V.                 HASIL PRAKTIKUM

a)      Printscreen NDVI slice

b)      NDVI range (5 class)

c)      Layout citra

VI.              PEMBAHASAN

Berdasarkan praktikum yang telah dilakukan 5 nilai indeks hasil NDVI, terdapat beberapa objek  yang masuk kedalam masing-masing kelas tersebut antara lain :

a)      air , berdasarkan indeks hasil NDVI air masuk dalam kelas indeks hasil -0,9000 sampai -0,5730 yang ditunjukkan dengan warna merah

b)      vegetasi jarang, berdasarkan indeks hasil NDVI masuk dalam kelas indeks hasil -0,5730 sampai -0,2461, yang ditunjukkan dengan warna hijau.

c)       permukiman, berdasarkan indeks hasil NDVI nilai indeks hasil -0,5730 sampai 0,0809 yang ditunjukkan dengan warna warna  biru,

d)      lahan terbuka, berdasarkan indeks hasil NDVI masuk  dalam indeks hasil 0,0809 sampai 0,4078 yang ditunjukkan dengan  warna kuning

e)       vegetasi rapat, berdasarkan indeks hasil NDVI  termasuk dalam kelas indeks hasil 0,4078 sampai 0,7348 dengan warna cyan.

Pada bagian utara semarang merupakan laut jawa yang ditunjukan dengan warna merah serta daerah dengan vegetasi jarang yang ditunjukkan dengan warna hijau, vegetasi pada dearah ini umumnya didominasi oleh tanaman bakau. Pada daerah ini umumnya merupakan  daereah yang pekumima yang ditunjukkan dengan warna biru. Pada daerah bagian tengah merupakan permukiman padat atau daerah perkotaan Semarang yang ditunjukkan dengan warna biru.

Berdasarkan tabel nilai indeks vegetasi mulai terdeteksi pada indeks 0,4078 sampai 0,7348 dengan warna cyan yang  menunjukkkan bahwa vegetasi rapat dan indeks -0,5730 sampai -0,2461 yang ditunjukkan dengan warna hijau. Persebaran vegetasi pada daerah Semarang yaitu ada bagian utara umumnya didominasi vegetasi jarang dan pada daerah bagian tengah terdapat beberapa wilayah dengan vegetasi rapat.

VII.           KESIMPULAN

Pengolahan NDVI pada citra Landsat 7 ETM+  ditunjikan untuk mengetahui persebaran vegetasi berdasarkan lewat zat klorofil yang dihasilkan tumbuhan. NDVI juga dapat digunakan sebagai informasi tentang tutupan lahan di permukaan bumi.

VIII.        DAFTAR RUJUKAN

Purwanto. 2016. Modul penginderaan jauh. Universitas Negeri Malang: Malang (tidak diterbitkan)

  

PRAKTIKUM PENGINDERAAN JAUH

ACARA 9

KLASIFIKASI MULTISPEKTRAL CITRA LANDSAT 7 ETM+

Dosen Pengampu : Purwanto, S.Pd, M.Si

    

Oleh:

                Nama Mahasiswa                 :  Agustinus Slamet Subekti

                NIM                                    :  15072260574

                Offering                                :  G

                Hari, Tanggal                        :  Senin, 4 April 2016

                Asisten                               :  Muhamad Nurdiansa

                                                               Fatma Roisatin Nadhiroh

                      

Universitas Negeri Malang

Fakultas Ilmu Sosial

Jurusan Geografi

Program Studi S1 Geografi

April 2016

ACARA 9

Klasifikasi Multispektral Citra Landsat 7 ETM+

I.                    Tujuan

a.       Mahasiswa mampu melakukan  klasifikasi data supervised dan unsupervised pada citra Lansat 7 ETM+

b.      Mahasiswa mampu membandingkan data supervised dan unsupervised pada citra Lansat 7 ETM+

II.                 Alat dan Bahan

a.       Laptop

b.      Software ENVI 4.5

c.       Citra Landsat 7 ETM+ wilayah Semarang

d.      Microsoft Word

e.       Modul Praktikum

III.               Dasar Teori

Klasifikasi Multispektral merupakan sebuah algoritma yang digunakan untuk memperoleh informasi thematik dengan cara mengelompokkan suatu fenomena/ obyek berdasarkan kriteria tertentu. Asumsi awal yang harus diperhatikan sebelum melakukan klasifikasi multispektral adalah bahwa tiap obyek dapat dikenali dan dibedakan berdasarkan nilai spektralnya. Salah satu contoh hasil klasifikasi multispektral adalah peta penutup lahan yang memberikan informasi mengenai jenis penutup lahan ( vegetasi kerapatan tinggi yang berasosiasi dengan hutan, semak belukar, tubuh air, vegetasi kerapatan rendah, lahan terbangun dan lainnya).

1.   Klasifikasi tidak terbimbing (unsupervised classification)

Merupakan metode yang memberikan mandat sepenuhnya kepada sistem/komputer untuk mengelompokkan data raster berdasarkan nilai digitalnya masing-masing, intervensi pengguna dalam hal ini diminimalisasi. Jenis metode ini digunakan bila kualitas citra sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun, dalam banyak kasus, terlepas dari kondisi citra yang bersangkutan, metode ini banyak digunakan untuk memberikan gambaran kasar/ informasi awal.

2.   Klasifikasi terbimbing (supervised classification)

Merupakan metode yang dipandu dan dikendalikan sebagian besar atau sepenuhnya oleh pengguna dalam proses pengklasifikasiannya. Intervensi pengguna dimulai sejak penentuan training area hingga tahap pengklasterannya. Klasifikasi terbimbing dalam hal ini mensyaratkan kemampuan pengguna dalam penguasaan informasi lahan terhadap areal kajian.

Kelemahan dari klasifikasi citra tidak terbimbing adalah karena analisis hanya memiliki sedikit kontrol terhadap kelas citra yang menyebabkan kesulitan dalam perbandingan antar data. Selain itu, penciri spektral selalu berubah sepanjang waktu, sehingga hubungan antara respon spektral dengan kelas informasi tidak konstan. Hal itu menyebabkan diperlukan pengetahuan sedetail mungkin mengenai spektral permukaan. Komposit yang biasa digunakan pada klasifikasi tidak terbimbing diantaranya komposit 543, 542 dan 321. Nilai optimum index faktor pada band 543 sebesar 77.36, band 542 sebesar 68.53 dan band 321 sebesar 67.68. Semakin tinggi nilai optimum index faktor, maka kombinasi band menghasilkan tampilan mendekati warna sebenarnya, sehingga hasil citra dapat dibedakan dengan mudah.

Klasifikasi tidak terbimbing digunakan apabila kualitas citra sangat tinggi dengan distorsi atmosferik dan tutupan awan yang rendah. Namun,  terlepas dari kondisi citra yang seperti itu, metode ini banyak digunakan untuk memberikan gambaran kasar/informasi awal.

IV.              Langkah Kerja

Klasifikasi Unsupervised

a.       Buka software ENVI 4.5, kemudian klik File > Open image > citra smg, kemudian Load Band

b.      Pada menu bar utama ENVI 4.5 klik Classification > Unsupervised > IsoData, kemudian pilih citra multispectral yang > klik OK

c.       Setelah muncul kotak dialog ISODATA Parameters,  pada bagian Maximum Iterations masukkan angka 3, pada bagian Minimum #Pixel in Class masukkan angka 9. Simpan citra sebagai file, kemudian klik OK.

d.      Tampilkan citra dan kelas yang sudah dibuat. Untuk lebih lanjutnya lakukan overlay pada peta dengan cara mengklik Overlay pada display > Anotation, pada kotak dialog Annotation pilih Object > Map Key, kemudian klik Edit Map Key Item, hitung dan lakukan pengubahan label dari kelas yang dihasilkan.

e.       Kemudian tampilkan citra komposit pada display yang lain dan bandingkan dengan citra hasil unsupervised. Untuk lebih memudahkan dalam membandingkan citra sebelum dan sesudah pemrosesan, lakukan link display dari kedua display yang dibuat.

f.        Kemudian coba metode K-Means dengan mengklik metode Classification > Unsupervised > K-Means. Gunakan citra yang sama dan parameternya, kemudian simpan hasil tersebut dalam bentuk file.

g.       Kemudian lakukan pembandingan antara kedua metode klasifikasi tersebut.

Klasifikasi Supervised

      Dalam klasifikasi supervised, area yang training  sebelumnya telah dipelajari/ dikenali  selama proses klasifikasi. Area training yang dipilih, didasarkan pola pantulan objek pada tiap saluran.

a.       Tampilkan citra satelit dalam bentuk komposit

b.      Pilih area yang training atau sampelnya (Region of Interest/ROI) untuk setiap

tutupan lahan objek.

Yang harus di ingat ketika memilih area training adalah sebagai berikut :

§  Area training haruslah homogen, dengan sekitar + 100 piksel pada tiap kelas. Homogenitas area training dapat diidentifikasi dengan meng-gunakan warna objek yang familiar pada citra komposit.

§  Berikan nama pada aera training berdasarakan interpretasi yang telah dilakukan dan berikan warna yang spesifik. Sebagai contohnya, sebuah kelas dari tutupan lahan dapat dibedakan menjadi beberapa sub kelas, sebagai contoh vegetation1, vegetation 2, dan vegetation 3 untuk kelas vegetasi.

§  Pilih area trining selengkap mungkin jika memungkinkan; semua kelas tutupan lahan harus disampelkan (training area)

§  Gunakan kurva pantulan spektral untuk membantu proses identifikasi objek

c.       Simpan ROI, berikan nama yang unik sehingga mudah untuk diingat. Jangan tutup jendela ROI dulu.

                  Performing Supervised Classification

a.       Pada menu utama ENVI 4.5 klik Classification > Supervised > pilih salah satu metode yang ada, yang pertama coba pilih Parallelepiped

b.      Pilih input file. Jika jendela ROI belum ditutup, wilayah training akan otomatis muncul pada jendela Parallelepiped Parameter. Klik Select All Items. Simpan output file dan aturannya, kemudian klik OK untuk melakukan eksekusi klasifikasi.

c.       Tampilkan hasil klasifikasi, jika ditemukan piksel dengan warna hitam hal tersebut menunjukkan bahwa piksel tersebut belum teridentifikasi dalam salah satu ROI yang dibuat. Kita dapat mengidentifikasi piksel tersebut berdasarkan nilai komposit citra dengan menggunakan dasilitas link, tambahkan kelas ROI jika dibutuhkan. Kemudian ulang klasifikasi sampai piksel yang belum terklasifikasi menjadi berkurang.

d.      Kemudian coba metode klasifikasi yang lainnya.

V.                 Hasil Praktikum

a.    Unsupervised IsoData

b.    Unsupervised K-Means

c.    Supervised Parallelepiped 

                 

d.    Supervised Minimum Distance

e.    Supervised Maximum Likehood

f.     

Supervised Mahalanois distance

VI.              Pembahasan

Identifikasi dari suatu kelompok objek pda suatu wilaya tertentu dapat dilakukan melalui suatu proses tertentu pada aplikasi Envi 4.5 . Dengan 2 cara pengklasifikasian yang tergolong memiliki perbedaan mencolok dari proses pengolahannya dan hasil atau output olahan yang dihasilkan.

Klasifikasi ini terbagi menjadi :

1.      Klasifikasi terbimbing (supervised classification)

Supervised classification dalam praktikum ini menghasilkan luaran (output) berupa gambaran dari citra yang dikendalikan sebagian besar atau sepenuhnya oleh penggunan dalam proses pengklasifikasiannya. Classificarion tools yang digunakan dalam praktikum kali ini antara lain :

a.       Parallelpiped

Digunakan untuk menampilkan data berupa lahan , namun tidak memiliki keakurasian dan detail data yang rendah, karena hanya berpacu dengan kemampuan rekaman dari sensor satelit, sehingga memerlukan pengolahan kembali.

b.      Minimum Distance

Klasifikasi minimum distance menampilkan data dalam jarak minimum sehingga klasifikasi ini memiliki keunggulan yaitu tampilan piksel yang terfokus di setiap segment nya. Minimum distance menghasilkan fokus objek yang lebih kompleks walaupun nilai spektral yang dipancarkan hampir sama dengan klasifikasi parallelpiped.

c.       Maximum Likehood

Maximum likehood menghasilkan saluran spectral yang lebih variatif dibandingkan dengan klasifikasi parallelpiped dan minimum distance. Klasifikasi maximum likehood dalam menampilkan objek perairan menampilkan dua jenis spectral yang membagi perairan dangkal dan perairan dalam. Kawasan lahan terbangun dalam klasifikasi maximum likehood juga terbagi menjadi dua spectral, maroon untuk kawasan pemukiman dan sea green untuk kawasan industri. Perbedaan warna pantulan yang dihasilkan disebabkan oleh nilai pantulan setiap objek terhadap sinar matahari yang berbeda.

d.      Mahalanois Distance

Mahalanois distance memiliki karakteristik tampilan yang hampir sama dengan klasifikasi maximum likehood, namun pada beberapa objek seperti vegetasi dan perairan memiliki detil yang lebih tinggi daripada klasifikasi maximum likehood. Objek vegetasi dapat terklasifikasi menjadi beberapa bagian yaitu vegetasi dengan kerapatan rendah, sedang, tinggi dan sangat tinggi. Namun vegetasi kerapatan tinggi memiliki kesamaan spektral dengan perairan kedalaman sedang dan juga kawasan tambak. Sedangkan pada wilayah perairan sendiri klasifikasi lebih jelas yaitu perairan dalam, dangkal, hingga kawasan tambak di pesisir.

2.      Klasifikasi tidak terbimbing (unsupervised classification)

Perbedaan klasifikasi tidak terbimbing dengan klasifikasi terbimbing adalah pelaku pengolah datanya, jika supervised classification data sebagian/sepenuhnya diolah oleh manusia sedangkan unsupervised classification, diolah seluruhnya oleh sistem komputer.

a.       Isodata

Seperti karakteristik unsupervised classification pada umumnya, yaitu memiliki output yang dengan raster piksel yang masih kasar dan juga saluran spektral yang terbatas, tergantung dari proses yang dilakukan oleh sistem komputer. Hasil praktikum diatas menunjukkan klasifikasi isodata menampilkan lahan terbangun dengan pantulan spektral yang lebih beragam dan juga cukup sulit diklasifikasikan sebab saluran yang dipantulkan cukup banyak. Serta objek perairan dalam memantulkan spektral yang sama dengan perairan wilayah pesisir sehingga pemberian anotasi cukup sulit.

b.      K-Means

K-Means menampilkan saluran spektral yang sama dengan klasifikasi isodata. Namun, klasifikasi K-Means menampilkan tampilan objek yang lebih fokus daripada isodata. Seperti wilayah perairan, seluruhnya memantulkan warna merah, begitu juga dengan objek lainnya.

Sehingga dari suatu pengolahan data satelite pada suatu wilayah dengan penampakan objek yang berbeda beda, proses dan langkah kerja yang dilakukan dapat dilakukan sesuai dengan kemampuan interpretasi interpreter dan hasil dari suatu pengolahan sesuai yang dibutuhkan

VII.            Kesimpulan

Interpretasi dari suatu wilayah dengan kondisi penampakan objek yang beragam dapat dilewati dengan suatu proses tertentu dengan langkah kerja tertentu dan hasil dari pengolahan data dapat disesuikan dengan kebutuhan pengguna data.

VIII.         Daftar Rujukan

Danoedoro, Projo.2012.Pengantar Penginderaan Jauh Digital.Yogyakarta : Penerbit Andi

ACARA X

IDENTIFIKASI SUHU PERMUKAAN DARI CITRA LANDSAT 8

I. Tujuan

1. Mahasiswa dapat melakukan ekstrasi data suhu permukaan dari Citra Landsat 8.

2. Mahasiswa dapat mengetahui perbedaan suhu pada jenis objek yang berbeda.

II. Alat dan Bahan

1.      Laptop

2.      ENVI 4.5

3.      Citra Landsat 8 (Band 10)

4.      Metadata Citra Landsat 8

III. Dasar Teori

Suhu Permukaan

Saluran thermal merupakan saluran dengan resolusi spasial yang rendah (120 m pada citra Landsat TM dan 60 m pada citra saluran Landsat ETM+), namun mempunyai keunggulan yaitu sensitif terhadap radiasi pancaran. Oleh karena itu saluran thermal dapat digunakan untuk menentukan sebaran suhu permukaan dan mengetahui distribusi pulau bahang perkotaan (Short, 2003)

LST (Land Surface Temperature)

Salah satu sensor yang dikembangkan dalam sistem penginderaan jauh adalah sensor inframerah thermal. Kepekaan inframerah thermal terhadap suhu permukaan memungkinkan ekstraksi suhu dari suatu citra penginderaan jauh. Ekstraksi ini secara garis besar melewati dua tahapan, yaitu perhitungan pantulan spektral dan perhitungan suhu.

Temperatur permukaan tanah atau Land Surface Temperature (LST) adalah keadaan yang dikendalikan oleh keseimbangan energi permukaan, atmosfer, sifat termal dari permukaan, dan media bawah permukaan tanah.

       Temperatur permukaan suatu wilayah dapat didefinisikan dari citra satelit landsat yang diekstrak dari band 6 thermal. Dalam penginderaan jauh, temperatur permukaan tanah dapat didefinisikan sebagai suhu permukaan rata – rata dari permukaan yang digambarkan dalam cakupan suatu piksel dengan berbagai tiper permukaan yang berbeda.

       Land Surface Temperature (LST) merupakan faktor kunci dalam studi iklim global yang dapat dijadikan sebagai salah satu parameter untuk mempelajari variasi temperatur yang berkaitan langsung dengan perubahan tutupan lahan. Beberapa kota metropolitan memiliki rataan suhu permukaan yang lebih tinggi dari wilayah sekitarnya yang diakibatkan oleh tingginya aktivitas pembangunan fisik perkotaan. Aktivitas tersebut cenderung mengalami peningkatan yang signifikan dari rentang pertengahan tahun 1990an sampai awal 2000an, yang ditunjukkan dengan meningkatnya jumlah bangunan (bangunan komersil, pemerintahan, pemukiman, dll) hingga meluasnya areal industri. Namun sebaliknya luas areal vegetasi baik areal persawahan, perkebunan hingga wilayah konservasi kehutanan menunjukkan grafik penurunan yang signifikan.

Landsat 8

Tanggal 11 Februari 2013, NASA melakukan peluncuran satelit Landsat Data Continuity Mission (LDCM). Satelit ini mulai menyediakan produk citra open access sejak tanggal 30 Mei 2013, menandai perkembangan baru dunia antariksa. NASA lalu menyerahkan satelit LDCM kepada USGS sebagai pengguna data terhitung 30 Mei  tersebut. Satelit ini kemudian lebih dikenal sebagai Landsat 8. Pengelolaan arsip data citra masih ditangani oleh Earth Resources Observation and Science (EROS) Center. Landsat 8 hanya memerlukan waktu 99 menit untuk mengorbit bumi dan melakukan liputan pada area yang sama setiap 16 hari sekali. Resolusi temporal ini tidak berbeda dengan landsat versi sebelumnya.

Satelit landsat 8 terbang dengan ketinggian 705 km dari permukaan bumi dan memiliki area scan seluas 170 km x 183 km (mirip dengan landsat versi sebelumnya). NASA sendiri menargetkan satelit landsat versi terbarunya ini mengemban misi selama 5 tahun beroperasi (sensor OLI dirancang 5 tahun dan sensor TIRS 3 tahun). Tidak menutup kemungkinan umur produktif landsat 8 dapat lebih panjang dari umur yang dicanangkan sebagaimana terjadi pada landsat 5 (TM) yang awalnya ditargetkan hanya beroperasi 3 tahun namun ternyata sampai tahun 2012 masih bisa berfungsi.

Satelit landsat 8 memiliki sensor Onboard Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS)dengan jumlah kanal sebanyak 11 buah. Diantara kanal-kanal tersebut, 9 kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS. Sebagian besar kanal memiliki spesifikasi mirip dengan landsat 7. Jenis kanal, panjang gelombang dan resolusi spasial setiap band pada landsat 8 dibandingkan dengan landsat 7 seperti tertera pada tabel di bawah ini :

Gambar II‑1  Karakteristik landsat 8

IV. Langkah Kerja

1.      Klik File > Open Image File > Pilih Citra LC8 ...._B10 > Load Band

2.      Klik Basic Tools > Band Math > Isikan 3.3420E-04*float(B10)+0.10000 pada kotak Enter an Expression > OK.

       

3.      Pada layer Variables to Bands Pairings > Letakkan Kursor pada Variables used in expression > Klik LC8......_B10 > Klik Choose untuk memilih tempat penyimpanan > OK

4.      Klik Basic Tools > Band Math > Pada Kolom Enter an espression isi (1321.08/alog((774.89/float(B10))+1))-273 > OK

      

5.      Akan muncul layer Variables to Bands Pairings > Klik pada Band  Math (3.3420E-04 ....)

6.      Pada layer display Klik Overlay > Density Slice

7.      Setelah muncul Layer Density Slice > Options > Set Number of Default Ranges... > Ubah ranges menjadi 5 > OK

8.      Options > Apply Defaults Ranges

9.      Klik Basic Tools > Region Of Interst > Band Threshold to ROI > Klik Citra yang sudah diubah ke Celcius > OK

   

10.  Isikan Min Thresh Value , Max. Thresh Value, ROI Name, dan ROI Color sesuai tabel > OK.

       

Suhu (oC)	Klasifikasi	Warna
11 - 17	Sangat Rendah	Green 3
17 - 23	Rendah	Green 1
23 - 29	Sedang	Yellow
29 – 35	Tinggi	Orange 1
35 - 41	Sangat Tinggi	Red

11.  Klik Classification > Create Class Image from ROIs > pilih citra sebagai input > OK.

      

12.  Pada layer Classification Image from ROIs > Select All Items > OK. Maka tampilan akan seperti di bawah ini.

    

V. Hasil Praktikum:

1. Gambar Citra Landsat 8 yang sudah siklasifikasikan berdasarkan suhu permukaan.

2. Tabel identifikasi objek berdasarkan suhu permukaan. Min. 10 Objek

No.	Suhu (oC)	Objek
1	11 – 17	Laut dalam
2	17-23	Perairan dangkal
3	23-29	Igir, vegetasi rapat, lautan pasir, lereng
4	29-35	Vegetasi sedang
5	35-41	Pemukiman, lahan terbuka

VI. PEMBAHASAN

Pada Praktikum ini dilakukan identifikasi suhu permukaan di beberapa kota di Jawa Timur menggunakan citra landsat 8. Untuk mengidentifikasi suhu permukaan pada praktikum kali ini menggunakan software envi 4.5. sensor yang digunakan untuk mengidentifikasi suhu permukaan menggunakan sensor inframerah thermal. Sensor inframerah thermal mempunyai  Kepekaan terhadap suhu permukaan yang memungkinkan ekstraksi suhu dari suatu citra penginderaan jauh.

pada hasil praktikum suhu permukaan air laut merupakan suhu yang paling rendah diantara objek-objek lainnya. Suhu laut yang rendah disebabkan karena kedalaman laut yang dalam sehingga radiasi matahari tidak dapat menjangkau kedalaman laut sehingga suhunya tidak tinggi. Pada peraira yang dangkal suhu permukaannya tidak sampai dibawah 17°c karena cahaya matahari masih menjangkau dasarnya sehingga suhunya masih tidak terlalu rendah.

Pada objek Igir, vegetasi rapat, lautan pasir, lereng suhu udara termasuk kategori sedang dengan suhu berkisar 23-29°c. Daerah tersebut mendapatkan sinar matahari yang cukup sehingga suhu tidak terlalu tinggi atau terlalu rendah. Pada daerah igir ada daerah yang tertutupi bayangan sehingga pada waktu tertntu tidak mendapat radiasi matahari secara maksimal yang membuat suhunya tidak terlalu tinggi. Pada vegetasi yang rapat sinar matahari diserap oleh tanaman untuk diubah menjadi oksigen sehingga suhunya tidak terlalu tinggi dan pada vegetasi rapat banyak kanopi sehingga cahaya matahari tidak dapat mencapai permukaan tanah akibat tertutup oleh kanopi. Sedangkan pada lautan pasir yang terletak di sekitar gunung bromo terletak pada daerah pegunungan sehingga suhunya tidak terlalu tinggi dan tetap mendapatkan sinar matahari sehingga suhunya juga tidak terlalu rendah

Suhu pada objek vegetasi sedang berkisar 29-35°c, suhu tersebut termasuk dalam kategori tinggi. Pada objek vegetasi sedang tanaman tidak terlalu banyak dan jarak antar tanaman tidak terlalu rapat sehingga sinar matahari masih mampu menembus ke permukaan tanah yang menyebabkan suhu permukaannya termasuk tinggi akan tetapi tidak mencapai sangat tinggi karena masih ada vegetasi sehingga cahaya matahari diserap oleh tanaman dan menghasilkan oksigen sehingga suhunya masih cukup sejuk.

Pada objek pemukiman dan lahan terbuka suhunya termasik kategori sangat tinggi dengan suhunya yang berkisar 35-41°C. Hal tersebut dikarenakan sangat sedikitnya vegetasi sehingga tidak adanya penyerapan sinar yang diubah menjadi oksigen sehingga suhunya sangat tinggi dan padatnya pemukiman. Selain itu sifat dari atap bangunan seperti genteng yang dapat menyerap panas dan karena bahannya yang terbuat dari tanah dan warnanya yang gelap. Pada atap bangunan yag terbuat dari seng juga menyebabkan suhunya sangat tinggi karena sifat dari seng yang memantulkan panas.

Sehingga dari pengolahan data citra satelit melalui ENVI 4.5 juga dapat diolah data berupa peta mengenai persebaran atau distribusi suhu permukaan bumi , dengan demikian dapat pula dikaitkan dengan kondisi fisik atau lingkungan sekiar yang merupakan salah satu faktor pemengaruh dari adanya suatu perbedaan suhu.

VII.KESIMPULAN

1.Pegolahan citra satelit untuk data suhu permukaan dapat dilakukan melalui ENVI 4.5

2.Suhu dari permukaan bumi berbeda beda terengaruh oleh kondisi yang ada disekitarnya yang dapat menghalangi datangnya sinar matahari

VIII.DAFTAR RUJUKAN

Purwanto. 2016. Modul penginderaan jauh. Universitas Negeri Malang: Malang (tidak diterbitkan)

LAPORAN RAKTIKUM

PENGINDERAAN JAUH

ACARA X

IDENTIFIKASI SUHU PERMUKAAN DARI CITRA LANDSAT 8

Dosen Pengampu: Purwanto, S.Pd, M.Si

Oleh:

                     Nama mahasiswa : Agustinus Slamet Subekti

                     NIM                               : 150722605704

                     Offering                           : G

                     Hari,Tanggal                    : Senin, 12 April 2016

                     Asisten                            : Muhammad Nurdiansa

                                                              Fatma Rosiatin Nadhi

                                                  UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL

JURUSAN GEOGRAFI

PROGRAM STUDI S1 GEOGRAFI

2016