BAB IV PENGOLAHAN DATA
4.1 Koreksi Geometrik Langkah awal yang harus dilakukan pada penelitian ini adalah melakukan koreksi geometrik pada citra Radarsat. Hal ini perlu dilakukan karena citra tersebut masih merupakan data mentah dan belum mengandung informasi spasial apapun. Koreksi ini diperlukan untuk menghilangkan kesalahan geometrik akibat pergerakan satelit dan untuk meregistrasikan citra Radarsat tahun 1995. Ground Control Point (GCP) tersebar di beberapa lokasi dalam daerah Kabupaten dan Kota Bogor agar didapat ketelitian posisi yang lebih baik. Pada proses ini dipilih 10 (sepuluh) GCP dengan alasan sebagai berikut:
Tahun perekaman citra Landsat yang dipakai untuk proses ini terlalu jauh dengan tahun citra Radarsat yang digunakan, sehingga pemilihan objek-objek yang sama untuk GCP mengalami kesulitan.
Beberapa daerah pada citra Landsat tertutup awan sehingga tidak tampak.
Resolusi yang jauh berbeda antara citra Landsat (30 meter) dengan citra Radarsat (8 meter).
Penyebaran GCP dari citra Radarsat dan citra Landsat dapat dilihat pada Gambar 4.1 dan 4.2 sebagai berikut:
Gambar 4.1 Sebaran GCP pada Citra Radarsat
17
Gambar 4.2 Sebaran GCP pada Citra Landsat
Sedangkan nilai Root Mean Square Error (RMSE) dari masing-masing titik GCP dapat dilihat pada Tabel 4.1. Tabel 4.1 Nilai RMSE dari masing-masing GCP TITIK
KOLOM X
KOLOM Y
EASTING
NORTHING
RMSE
1
5.573,16
6.238,9
687.015,12
9.278.683,94
0,46
2
4.523,33
7.448,61
681.069,08
9.267.398,49
0,08
3
15.125,75
8.174,24
764.575,68
9.280.560,29
0,15
4
12.766,58
6.665,15
743.553,63
9.288.124,6
0,17
5
12.250,59
11.767,88
748.806,12
9.247.473,69
0,62
6
12.080,76
11.935,69
747.787,23
9.245.872,57
0,56
7
7.759,51
6.208,94
703.908,92
9.282.793,41
0,07
8
7.509,37
7.286,55
703.922,16
9.273.954,13
0,62
9
7.275,76
7.644,73
702.764,32
9.270.758,49
0,47
10
5.361,38
5.023,96
683.170,18
9.287.763,27
0,24
Rata-rata
0,34
Ketelitian koordinat citra yang telah dikoreksi secara geometrik dapat diperiksa dengan membandingkannya dengan koordinat dari citra referensi yang dipakai. Untuk itu digunakan Independent Check Point (ICP) yang penempatannya diusahakan agar tidak keluar dari daerah penyebaran GCP. Penyebaran posisi ICP harus terdistribusi merata pada area yang tercakup dalam masing-masing citra. Kemudian titik-titik ICP tersebut dihitung nilai RMSE-nya. Penyebaran ICP dari citra Radarsat dan citra Landsat dapat dilihat pada Gambar 4.3 dan 4.4 sebagai berikut:
18
Gambar 4.3 Sebaran ICP pada Citra Radarsat
Gambar 4.4 Sebaran ICP pada Citra Landsat
Sedangkan nilai Root Mean Square Error (RMSE) dari masing-masing titik ICP dapat dilihat pada Tabel 4.2.
19
Tabel 4.2 Nilai RMSE dari masing-masing ICP TITIK
KOORDINAT CITRA LANDSAT
KOORDINAT CITRA RADARSAT
SELISIH KOORDINAT
(dX)^2+(dY)^2
X (m)
Y (m)
X (m)
Y (m)
dX (m)
dY (m)
1
764.551,90
9.280.620,90
764.558,60
9.280.615,00
-6,70
5,90
79,70
2
743.631,10
9.288.111,10
743.637,00
9.288.116,90
-5,90
-5,80
68,45
3
748.425,52
9.247.656,00
748.426,90
9.247.661,00
-1,38
-5,00
26,90
4
747.392,40
9.246.106,30
747.397,00
9.246.109,90
-4,60
-3,60
34,12
5
703.952,50
9.282.760,10
703.953,00
9.282.755,90
-0,50
4,20
17,89
6
703.813,40
9.273.938,70
703816,50
9.273.920,00
-3,10
18,70
359,30
JUMLAH
586,36
RMSE (meter)
7,65
RMSE (pixel)
0,26
4.2 Pemotongan Citra Proses pemotongan citra dilakukan dengan pertimbangan bahwa: •
Daerah studi tidak meliputi seluruh area dalam citra
•
Menghemat memori penyimpanan
4.3 Reduksi Speckle Koreksi radiometrik dilakukan melalui proses reduksi speckle dengan filtering. Untuk menentukan filter apa yang akan dipakai untuk tahapan processing maka dalam penelitian ini dilakukan beberapa percobaan menggunakan metode filter Gamma dan Lee dengan masing-masing kernel 5x5. Hasilnya kemudian dibandingkan baik secara visual maupun dari perbandingan hasil statistiknya. Secara visual hasil dari Lee filtering lebih baik dibandingkan dengan Gamma filtering seperti yang terlihat pada Gambar 4.5, namun secara statistik keduanya tidak terlalu berbeda (Tabel 4.3).
20
(a). Reduksi speckle dengan filter Lee
(b). Reduksi speckle dengan filter Gamma Gambar 4.5 Tampilan reduksi speckle dengan filtering
21
Tabel 4.3 Nilai statistik reduksi speckle NILAI
FILTER LEE
FILTER GAMMA
Minimum
1
0
Maksimum
255
255
Rata-rata
151,31
151,48
Standar Deviasi
84,78
86,18
4.4 Nilai Koefisien Radar Backscattering Tanaman Padi Setelah melakukan koreksi geometrik dan radiometrik didapat citra Radarsat yang telah terkalibrasi dan siap untuk dilakukan analisis lebih lanjut. Untuk menghitung nilai koefisien radar backscattering padi terlebih dahulu ditentukan Region of Interest (ROI) atau daerah yang dianggap mewakili lahan padi. Pada penelitian ini diambil 5 (lima) buah ROI yang kemudian dihitung statistiknya. Dari perhitungan statistik didapat nilai rata-rata Digital Number (DN) kelas padi antara 75 sampai 86 dengan standar deviasi berkisar antara 35 sampai 40 sedangkan nilai koefisien radar backscatteringnya adalah -53.6592 hingga -55.324 dB.
4.5 Peta Tutupan Lahan Padi berdasarkan Nilai Koefisien Radar Backscattering Padi Rentang hasil nilai koefisien radar backscattering yang didapat di atas tidak 100% akurat dan memungkinkan adanya nilai yang sama untuk kelas tutupan lahan yang berbeda-beda. Hal ini akan sangat berpengaruh dalam pembentukan klasifikasi nilai koefisien radar backscattering yang diperoleh. Selain itu survei lapangan untuk memastikan posisi tutupan lahan padi tidak memungkinkan karena kendala perbedaan waktu antara data utama dan data pendukung yang cukup lama. Untuk klasifikasi digunakan beberapa sampel pada area tertentu yang mewakili kelas padi, vegetasi non padi dan non vegetasi. Dari hasil identifikasi tutupan lahan padi menggunakan nilai koefisien radar backscattering didapatkan luas lahan padi di Kabupaten & Kota Bogor pada citra Radarsat adalah 149.835,76 Ha (Gambar 4.6). Berdasarkan peta tutupan lahan Kabupaten & Kota Bogor tahun 1994, luas tutupan lahan padi adalah 108.009,74 Ha. Untuk proses validasi kesesuaian lahan padi maka dilakukan pertampalan antara peta densitas nilai koefisien radar backscattering tutupan padi dengan peta tutupan padi tahun 1995 yang dapat kita lihat pada Gambar 4.9. 22
a) Peta density slicing koefisien radar backscattering padi
b)
Vektorisasi peta density silcing
Gambar 4.6 Tampilan peta density slicing dan vektorisasi peta density slicing
23
Vektorisasi dilakukan berdasarkan kelas-kelas yang dibuat pada peta density slicing, peta vektor tersebut adalah hasil dari proses raster to vector yang dilakukan pada perangkat lunak ERMAPPER. Hasil pembuatan peta density slicing dengan peta klasifikasi menunjukkan hasil yang tidak jauh berbeda pada tutupan padi, hal ini tersaji pada Gambar 4.7 berikut :
Gambar 4.7 Peta klasifikasi padi
Gambar 4.8 Pertampalan antara peta densitas nilai koefisien radar backscattering tutupan padi dengan peta tutupan padi tahun 1995
24
Peta tutupan lahan padi hasil validasi (Gambar 4.8) menunjukkan tingkat kesesuaian 70%. Hal ini membuktikan bahwa nilai koefisien radar backscattering dapat digunakan untuk mengidentifikasi keberadaan tutupan padi dan mengetahui posisi persebarannya.
Gambar 4.9 Peta kesesuaian antara densitas nilai koefisien radar backscattering tutupan padi dengan peta tutupan padi tahun 1995
25
