IMPLEMENTASI EMPIRICAL MODE DECOMPOSITION (EMD) PADA DATA CITRA SPOT VEGETATION
MITHA RACHMAWATI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
IMPLEMENTASI EMPIRICAL MODE DECOMPOSITION (EMD) PADA DATA CITRA SPOT VEGETATION
MITHA RACHMAWATI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
ABSTRACT MITHA RACHMAWATI. Implementation of Empirical Mode Decomposition (EMD) on SPOT Vegetation Image Data. Supervised by HARI AGUNG ADRIANTO. Land cover can be monitored by using recording devices, such as SPOT Vegetation sensor. Recorded values are not only obtained from objects on earth surface, but also retrieved from particles in the atmosphere. This phenomenon is known as noise. Normally, land cover change is relatively slow and will establish a pattern. This study will try to implement the Empirical Mode Decomposition (EMD) to identify errors caused by the noise at a specific frequency range of the signal. Another objective of this study is to determine whether the method can show patterns of land cover classification. In EMD method, the signal will be decomposed into two parts, namely Intrinsic Mode Function (IMF) and residue. The input signal is divided into three classes, namely water, vegetation, and artificial structure. The result of this study indicates that EMD method can identify errors caused by atmospheric scattering at a specific frequency range of the signal. Moreover, this method can also show the pattern of land cover classification based on amplitude. Keywords: Empirical Mode Decomposition (EMD), Intrinsic Mode Function (IMF), land cover
Judul Skripsi : Implementasi Empirical Mode Decomposition (EMD) pada Data Citra SPOT Vegetation Nama : Mitha Rachmawati NRP : G64080072
Menyetujui: Pembimbing
Hari Agung Adrianto, S.Kom, M.Si NIP. 19760917 200501 1 001
Mengetahui: Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001
Tanggal Lulus :
KATA PENGANTAR Segala puji bagi Allah subhanahu wata’ala atas segala limpahan rahmat serta karunia-Nya sehingga penulis mampu menyelesaikan penelitian dengan baik. Shalawat dan salam penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya, sahabatnya, serta para pengikutnya yang selalu berpegang kepada Al-Quran dan As-Sunnah. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, antara lain: 1 Ayahanda Achmad Miftah, Ibunda Sumarheni, Kakak Ika Putri Aprilia, serta Adik Lukmanul Hakim atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini. 2 Bapak Hari Agung Adrianto, S.Kom, M.Si selaku dosen pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini. 3 Ragil Budi Haryoko atas doa, nasihat, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini. 4 Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi. Semoga kita bisa berjumpa kembali kelak sebagai orang-orang sukses. 5 Fania Rahmanawati K, Susi Handayani, Putri Dewi PS, Siska Susanti, Brenda Kristi, Ardini Sri Kartika, dan sahabat lainnya yang telah menjadi mitra dan menemani penulis dalam menjalani kehidupan sebagai mahasiswa. 6 Rekan satu bimbingan, Sri Rahayu (Chichi), semoga lancar dalam melanjutkan penelitiannya. 7 Sahabat satu asrama, Shinta Anggraini, Sherly Adika Sari, dan Hikma Nadiatul Husna, yang telah memberikan dukungan untuk segera menyelesaikan studi. Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi umat Islam di Indonesia dan masyarakat pada umumnya.
Bogor, Desember 2012
Mitha Rachmawati
RIWAYAT HIDUP Mitha Rachmawati dilahirkan di Jakarta pada tanggal 29 Juli 1990 dan merupakan anak kedua dari tiga bersaudara dengan ayah bernama Achmad Miftah dan ibu bernama Sumarheni. Pada tahun 2008, penulis lulus dari SMA Negeri 63 Jakarta dan diterima di Program Studi Ilmu Komputer, Fakultas Matematika dan Imu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Pada bulan Juli-Agustus 2011 penulis melaksanakan kegiatan Praktik Kerja Lapangan di Pusat Penelitian dan Pengembangan Teknologi Minyak dan Gas Bumi (PPPTMGB) “LEMIGAS” Divisi Penginderaan Jauh dan Sistem Informasi Geografis (SIG). Selama aktif sebagai mahasiswa, penulis pun turut aktif dalam kegiatan keorganisasian di Departemen Ilmu Komputer, yaitu Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) IPB, serta mengikuti beberapa kegiatan kepanitian, yaitu Masa Perkenalan Departemen (MPD), IT Today 2009 dan IT Today 2010. Penulis pun bergabung dalam Komunitas CG dan FOKERZ pada Himpunan Mahasiswa Ilmu Komputer IPB.
DAFTAR ISI Halaman DAFTAR TABEL ............................................................................................................................ vi DAFTAR GAMBAR ....................................................................................................................... vi DAFTAR LAMPIRAN .................................................................................................................... vi PENDAHULUAN Latar Belakang............................................................................................................................. 1 Tujuan .......................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................ 1 TINJAUAN PUSTAKA Tutupan Lahan (Land Cover) ...................................................................................................... 2 Penginderaan Jauh ....................................................................................................................... 2 Satelit SPOT ................................................................................................................................ 3 Empirical Mode Decomposition (EMD)...................................................................................... 3 METODE PENELITIAN Pengumpulan Data ....................................................................................................................... 4 Pengolahan Data .......................................................................................................................... 6 Implementasi EMD ..................................................................................................................... 6 Hasil dan Pembahasan ................................................................................................................. 6 HASIL DAN PEMBAHASAN Koleksi Dokumen ........................................................................................................................ 7 Pemilihan Lokasi Contoh ............................................................................................................ 7 Accessing Image Elements........................................................................................................... 7 Analisis Hasil Output................................................................................................................... 7 SIMPULAN DAN SARAN Simpulan .................................................................................................................................... 16 Saran .......................................................................................................................................... 16 DAFTAR PUSTAKA ..................................................................................................................... 16 LAMPIRAN .................................................................................................................................... 17
v
DAFTAR TABEL Halaman 1 Karakteristik SPOT-4 HRVIR .................................................................................................... 3 2 Titik koordinat lokasi contoh ...................................................................................................... 7
DAFTAR GAMBAR Halaman 1 Kurva pantulan spektral untuk objek vegetasi, lahan kering, dan tumbuhan (Lillesand dan Kiefer 1997)................................................................................................................................. 2 2 Langkah-langkah mengidentifikasi IMF pertama (Peel et al. 2005). .......................................... 5 3 Proses dekomposisi EMD hingga mendapatkan residu (Peel et al. 2005). ................................. 5 4 Metode Penelitian. ....................................................................................................................... 6 5 Identifikasi nilai ekstrim. ............................................................................................................. 8 6 Hasil identifikasi maksima dan minima dari sinyal masukan kelas vegetasi. ............................. 9 7 Hasil identifikasi maksima dan minima dari sinyal masukan kelas struktur buatan. .................. 9 8 Pembuatan envelope atas dan envelope bawah.......................................................................... 10 9 Perhitungan rata-rata envelope. ................................................................................................. 10 10 Hasil perhitungan envelope atas dan bawah dari sinyal masukan kelas vegetasi. ..................... 10 11 Hasil perhitungan envelope atas dan bawah dari sinyal masukan kelas struktur buatan. .......... 11 12 Hasil perhitungan rata-rata envelope dari sinyal masukan kelas vegetasi. ................................ 11 13 Hasil perhitungan rata-rata envelope dari sinyal masukan kelas struktur buatan. ..................... 12 14 Proses perhitungan dekomposisi sinyal. .................................................................................... 12 15 IMF pertama sampai dengan residu dari sinyal kelas vegetasi. ................................................. 13 16 IMF pertama sampai dengan residu dari sinyal kelas struktur buatan. ...................................... 14 17 Sinyal masukan kelas perairan. ................................................................................................. 15
DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7 8 9 10
Data citra SPOT Vegetation ...................................................................................................... 18 Contoh data dengan format HDF .............................................................................................. 19 Pemilihan lokasi contoh ............................................................................................................ 20 Tabel pengurutan nilai derajat keabuan lokasi contoh .............................................................. 21 Tabel IMF pertama sampai dengan residu wilayah Sumatera Selatan ...................................... 22 Tabel IMF pertama sampai dengan residu wilayah Kalimantan Tengah .................................. 23 Tabel IMF pertama sampai dengan residu wilayah Irian Jaya Timur ....................................... 24 Tabel IMF pertama sampai dengan residu wilayah Medan ....................................................... 25 Tabel IMF pertama sampai dengan residu wilayah Jakarta....................................................... 26 Tabel IMF pertama sampai dengan residu wilayah Makassar ................................................... 27
vi
1
PENDAHULUAN Latar Belakang Penutupan lahan (land cover) terkait dengan segala jenis kenampakan yang ada di permukaan bumi. Definisi penutupan lahan (land use) sendiri dipisahkan dari definisi penggunaan lahan yang lebih terkait dengan kegiatan manusia pada objek tersebut (Lillesand dan Kiefer 1997). Tutupan lahan dapat dipantau dengan menggunakan alat perekam berupa sensor, salah satunya ialah sensor citra SPOT Vegetation. Tutupan lahan baik bervegetasi maupun tidak pada dasarnya merupakan data berbasis spasial. Data spasial mempunyai pengertian sebagai suatu data yang mengacu pada posisi, objek, dan hubungan di antaranya dalam ruang bumi. Pemantauan data spasial umumnya dilakukan dengan metode dan data spasial yang diturunkan dari citra penginderaan jauh. Sebagian besar data citra diakuisisi dalam periode tertentu. Dalam akuisisi citra tersebut, karakteristik resolusi spasial dan temporal citra umumnya berbanding terbalik. Citra dengan resolusi temporal tinggi umumnya memiliki resolusi spasial lebih rendah, demikian sebaliknya.
mendekomposisikan sinyal berdasarkan amplitudo dan frekuensi sinyal informasi pada saat tertentu. EMD dirancang untuk mengidentifikasi ketika pada rentang frekuensi sinyal terdapat kesalahan akibat adanya noise. Pada metode EMD sinyal akan terurai menjadi dua bagian yaitu Intrinsic Mode Function (IMF) dan komponen sisa (residu). Perhitungan dilakukan berulangulang hingga didapatkan nilai IMF yang optimal dan komponen sisa (residu) yang konstan atau monoton. Di sisi lain, Panuju et al. (2009) melakukan penelitian untuk mempelajari pola musiman pada data tutupan lahan bervegetasi dari data NDVI SPOT Vegetation. Penelitian tersebut menggunakan metode X12ARIMA. Hasil dari penelitian tersebut menunjukkan bahwa adanya pola musiman dari pola deret waktu data NDVI SPOT Vegetation. Sebagian besar wilayah contoh dari sebaran tutupan lahan merupakan kawasan hutan, ladang, dan kebun. Selebihnya dalam proporsi yang sangat kecil yaitu badan air dan urban. Nilai indeks vegetasi cenderung tinggi pada bulan Juni sampai dengan Agustus dan cenderung rendah pada bulan Desember sampai dengan Februari.
Laju perubahan permukaan bumi yang setiap saat semakin cepat mengharuskan adanya data yang lebih baru lagi sehingga satelit melakukan perekaman kembali pada daerah yang dibutuhkan. Saat pengambilan citra oleh satelit, banyak sekali pengaruhpengaruh alam yang menyebabkan hasil pencitraan sedikit terganggu, seperti hamburan atmosfer. Hamburan ini disebabkan oleh adanya partikel-partikel di atmosfer yang memberikan efek hamburan yang berpengaruh pada hasil citra. Fenomena ini biasa disebut dengan noise. Pengaruh noise ini menyebabkan nilai indeks pada citra menjadi lebih besar (akibat hamburan) atau lebih kecil (akibat proses penyerapan). Nilai indeks tersebut menggambarkan ukuran kuantitas fisik yang merupakan pantulan atau pancaran radiasi matahari dari suatu objek dengan panjang gelombang tertentu yang diterima oleh sensor. Salah satu metode yang dapat menganalisis kesalahan akibat adanya noise pada rentang frekuensi sinyal tertentu adalah EMD.
Penelitian kali ini akan mencoba mengimplementasikan metode EMD, yang diperkenalkan oleh Huang et al. (1998), untuk mengidentifikasi citra SPOT Vegetation apabila terdapat kesalahan akibat terpengaruh hamburan atmosfer. Selain itu, untuk mengetahui apakah metode tersebut dapat menunjukkan pola yang terbentuk dari pengklasifikasian tutupan lahan, seperti yang telah dilakukan dalam penelitian Panuju et al. (2009) dengan menggunakan X12ARIMA.
Huang et al. (1998) memperkenalkan sebuah metode, Empirical Mode Decomposition (EMD), yang dapat menganalisis data time series yang dapat
1 Data yang digunakan merupakan data citra SPOT Vegetation yang diperoleh dari hasil download dari situs distribusi data SPOT
Tujuan Tujuan dari penelitian tugas akhir ini ialah mengimplementasikan EMD untuk mengidentifikasi apabila terdapat kesalahan akibat terpengaruh hamburan atmosfer. Selain itu, untuk mengetahui apakah terdapat pola yang terbentuk dari pengklasifikasian tutupan lahan dalam rentang satu tahun pada suatu data citra SPOT Vegetation. Ruang Lingkup Ruang lingkup penelitian ini ialah:
2
Vegetasi yang tersedia (http://free.vgt.vito.be/).
secara
gratis
2 Data citra SPOT Vegetation yang digunakan memiliki format Hierarchical Data Format (HDF) dan region of interest (ROI) yang dipilih ialah Asian-Island. 3 Data citra SPOT Vegetation yang digunakan merupakan hasil synthesis product data 10 harian citra SPOT Vegetation dengan resolusi spasial 1 km.
TINJAUAN PUSTAKA Tutupan Lahan (Land Cover) Penutupan lahan (land cover) menurut Lillesand dan Kiefer (1997) terkait dengan segala jenis kenampakan yang ada di permukaan bumi. Definisi penutupan lahan (land use) sendiri dipisahkan dari definisi penggunaan lahan yang lebih terkait dengan kegiatan manusia pada objek tersebut. Pengetahuan tentang penutupan dan penggunaan lahan penting artinya dalam perencanaan, pengelolaan, pemodelan, dan pemahaman tentang sistem kebumian. Analisis penggunaan lahan sejak 1940-an menurut Lillesand dan Kiefer (1997) umumnya menggunakan citra pankromatik, skala medium foto udara. Saat ini, foto udara skala kecil dan citra satelit telah digunakan dalam skala yang luas. Penginderaan Jauh Penginderaan jauh berasal dari kata Remote Sensing yang memiliki pengertian bahwa penginderaan jauh merupakan suatu ilmu dan seni untuk memperoleh informasi
tentang suatu objek, daerah, atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan objek, daerah, atau fenomena yang dikaji (Lillesand dan Kiefer 1997). Teknologi penginderaan jauh sangat bergantung pada pantulan spektral dan panjang gelombang yang dapat menunjukkan dan membedakan material tutupan lahan, misalnya air, lahan kering, dan tumbuhan. Spektral adalah daya pisah objek berdasarkan besar spektrum elektromagnetik yang digunakan untuk perekaman data dan mempengaruhi besarnya derajat keabuan. Pada Gambar 1, terdapat hubungan antara pantulan spektrum (reflectance %) terhadap panjang gelombang (wavelenght μm) yang menunjukkan jenis tutupan lahannya. Garis pada kurva tersebut menyajikan kurva pantulan rata-rata yang dibuat dengan pengukuran sampel objek yang jumlahnya banyak. Air memiliki reflektansi spektral terendah (<10%) pada bagian spektrum tampak (0.4 – 0.7 µm) dan pada bagian spektrum inframerah dekat (0.7 – 1.1 µm). Pada panjang 0.75 µm, air menyerap hampir semua energi yang masuk. Vegetasi pada umumnya memiliki tiga lembah reflektansi. Satu di daerah panjang gelombang spektral merah (0.65 µm) disebabkan oleh tingginya penyerapan energi oleh klorofil a dan klorofil b di daun. Dua lainnya di 1.45-1.55 µm dan 1.90-1.95 µm disebabkan oleh tingginya penyerapan energi oleh air yang ada di daun. Di sisi lain, tanah kering menunjukkan peningkatan reflektansi yang relatif datar. Ketika basah, reflektansi spektral turun dikarenakan adanya penyerapan air (Lillesand dan Kiefer 1997).
Gambar 1 Kurva pantulan spektral untuk objek vegetasi, lahan kering, dan tumbuhan (Lillesand dan Kiefer 1997).
3
Satelit SPOT
Empirical Mode Decomposition (EMD)
SPOT merupakan sistem satelit observasi bumi yang mencitra secara optis dengan resolusi tinggi dan diopersikan di luar angkasa. Sistem satelit SPOT terdiri atas serangkaian satelit dan stasiun pengontrol dengan cakupan kepentingan yaitu, kontrol dan pemograman satelit, produksi citra, dan distribusinya (EOEdu 2010).
Empirical Mode Decomposition (EMD) merupakan metode analisis frekuensi yang dapat mendekomposisikan sinyal berdasarkan amplitudo dan frekuensi sinyal informasi pada saat tertentu (Huang et al. 1998). Oleh karena itu, EMD dapat digunakan untuk mengidentifikasi apabila terdapat kesalahan noise pada rentang frekuensi sinyal tertentu.
SPOT yang merupakan singkatan dari Système Pour l’Observtion de la Terre dijalankan oleh Spot Image yang terletak di Prancis. Sistem ini dibentuk olen CNES (Centre National d'études Spatiales - Biro Luar Angkasa milik Prancis) pada tahun 1978 (EOEdu 2010).
Pada metode EMD, proses dekomposisi sinyal dilakukan secara bertahap dengan cara mengurangi jumlah sinyal yang diamati dengan rata-rata dari sinyal awal. Proses dekomposisi sinyal dilakukan berdasarkan asumsi:
Tujuan dibentuknya SPOT ialah untuk meningkatkan pengetahuan dan pengelolaan kebumian melalui eksplorasi sumber daya bumi, mendeteksi dan meramalkan fenomenafenomena klimatologi dan oseanografi, dan mengawasi aktivitas manusia dan fenomena alam (EOEdu 2010). SPOT-1 diluncurkan pada tahun 1986. SPOT pertama kali beroperasi dengan sistem pencitraan 10 pankromatik dan kemampuan resolusi gambar multispektral pada tingkat 20 meter. Pada Maret 1998 SPOT-4 diluncurkan dengan memodifikasi sensor dari HRV (High Resolution Visible) menjadi HRVIR (High Resolution Visible and Infrared Instrument) serta menambahkan instrument Vegetation. Vegetation didesain untuk mengamati bumi secara global. Karakteristik SPOT-4 tercantum pada Tabel 1. Tabel 1 Karakteristik SPOT-4 HRVIR Sistem
SPOT-4
Ketinggian
822 km di atas equator
Inklinasi
98.7
Ukuran Scene
60 x 60 km
Orbit
Sun-synchronous Polar
Periode Orbit
101 menit
Siklus Kembali
26 hari
Domain Spektral
0.50-059 (band 1), 0.61-0.68 (band 2), 0.79-0.89 (band 3), 1.58-1.75 (MIR), 0.610.68 (PAN)
Resolusi Spasial
10 m (PAN), 20 m (band 1-3 dan MIR)
1 Sinyal paling tidak harus terdiri atas 2 extrema yang terdiri atas satu nilai maksimum dan satu nilai minimum. 2 Karakteristik skala waktu didefinisikan sebagai selang waktu di antara extrema. 3 Bila data tidak terdapat extrema tetapi hanya berisi sifat-sifat atau karakteristik sinyal, ini dapat menjadi suatu pembeda satu atau lebih sinyal time series untuk dinyatakan sebagai extrema. Hasil akhir dapat diperoleh dari proses penggabungan dari komponen-komponen dari proses yang telah dilakukan. EMD menguraikan sinyal menjadi dua bagian, yaitu Intrinsic Mode Function (IMF) dan komponen sisa (residu). Perhitungan dilakukan berulang-ulang hingga didapatkan nilai IMF yang optimal dan komponen sisa (residu) yang konstan atau monoton. Sekumpulan IMF ini jika dijumlahkan bersama-sama beserta komponen sisa (residu), akan menghasilkan kembali sinyal asalnya tanpa ada distorsi maupun informasi yang hilang. Proses yang digunakan pada EMD disebut sifting process. Konsep dasar dari EMD ialah untuk mengidentifikasi skala waktu yang tepat yang dapat menunjukkan karakteristik fisik sinyal, dan kemudian mengubah sinyal ke mode intrinsik dengan fungsi yang disebut dengan IMF. IMF adalah sinyal yang memiliki kondisi sebagai berikut: 1 Jumlah zero crossing dan extrema point harus sama atau berbeda paling tidak satu. 2 Rata-rata envelope, yang didefinisikan oleh maxima dan minima, harus sama dengan nol pada semua titik.
4
Apabila dua kondisi tersebut tidak terpenuhi, sinyal yang dimaksud bukan merupakan IMF sehingga perlu dilakukan proses sifting atau perhitungan berulang-ulang sampai memenuhi dua kondisi tersebut. Deteksi sinyal t menggunakan EMD dapat dilakukan dengan langkah-langkah sebagai berikut: 1 Mengidentifikasi nilai ekstrim dari sinyal t , meliputi upper envelope dan lower envelope. 2 Menghitung data di antara upper envelope dan lower envelope yang didefinisikan sebagai m (mean dari data yang berada diantara upper envelope dan lower envelope). Perbedaan antara data (sinyal awal) dan m adalah komponen h yang disebut juga sebagai komponen pertama. t -m
h
(1)
Kemudian data (sinyal awal) berubah menjadi h untuk proses sifting kedua. h -m
h
-
h
-m
(3)
IMF pertama dari dinyatakan sebagai:
data
h
juga
dapat
dari residu data dengan
r
(5)
Hingga diperoleh persamaan: t
n i
T t
h
-
t
t -h
h
-
t
(7)
h - adalah sinyal awal dan h adalah hasil sinyal awal dikurangi dengan rata-rata dari sinyal awal. Nilai untuk ukuran standar deviasi dapat diatur antara 0.2-0.3. Nilai ini dipilih karena berdasarkan penelitian Huang et al. (1998), dari dua sinyal masukan dilakukan proses sifting terhadap 5 titik dari 1024 titik dan menghasilkan standar deviasi dengan rentang antara 0.2-0.3. Nilai rentang standar deviasi 0.2-0.3 untuk proses sifting sudah merupakan batas yang paling ketat.
i
rn
METODE PENELITIAN Penelitian ini akan dilakukan dalam empat tahapan, yaitu: (1) Pengumpulan data, (2) Pengolahan data, (3) Implementasi EMD, (4) Hasil dan pembahasan. Tahapan-tahapan tersebut dapat dilihat pada Gambar 4. Pengumpulan Data
(4)
3 Memisahkan persamaan: t -
S
(2)
Proses sifting kembali dilakukan sebanyak kali sampai merupakan komponen IMF pertama. h
Dalam proses sifting, untuk menjamin agar komponen IMF yang dihasilkan tetap mempertahankan arti fisik dari kedua amplitudo dan modulasi frekuensi, digunakan kriteria untuk menghentikan proses sifting tersebut. Kriteria tersebut ialah dengan membatasi ukuran standar deviasi, yaitu:
(6)
4 Melakukan langkah-langkah tersebut berkali-kali hingga menghasilkan beberapa IMF yang nilainya optimal dan akhirnya menghasilkan suatu residu yang konstan atau monoton. Gambar 2 merupakan contoh proses pengolahan sinyal dengan menggunakan metode EMD untuk mendapatkan IMF pertama. Proses dekomposisi sinyal secara bertahap hingga mendapatkan beberapa IMF yang optimal dan komponen sisa (residu) yang konstan atau monoton dapat digambarkan seperti pada Gambar 3.
Data penelitian yang digunakan merupakan data citra SPOT Vegetation yang diperoleh dari hasil download dari situs distribusi data SPOT Vegetasi yang tersedia secara gratis (http://free.vgt.vito.be/). Untuk mendapatkan data tersebut, pengguna harus melakukan login ke dalam situs distribusi data SPOT Vegetasi. Registrasi dilakukan bagi pengguna yang belum mempunyai akun pada situs tersebut. Setelah berhasil masuk, pengguna dapat memilih data yang ingin didownload dengan memilih query sesuai kebutuhan. Data tersebut merupakan synthesis product data 10 harian, yaitu pengambilan data tersebut dilakukan dalam selang waktu 10 hari. Data-data yang telah dipilih akan tersimpan dan masih dapat di-download dalam waktu lima hari, namun pengguna tetap dapat men-download dengan memilih ulang berdasarkan query yang diinginkan.
5
Gambar 2 Langkah-langkah mengidentifikasi IMF pertama (Peel et al. 2005).
Gambar 3 Proses dekomposisi EMD hingga mendapatkan residu (Peel et al. 2005).
6
yang terdapat pada citra format HDF. Lokasi contoh tersebut akan dibagi ke dalam tiga kelas data, antara lain kelas perairan, kelas vegetasi, dan kelas struktur buatan. Masingmasing kelas hanya akan menggunakan tiga lokasi contoh saja. Setelah lokasi contoh dibagi ke dalam tiga kelas data, kemudian dicari nilai indeks dari masing-masing lokasi contoh tersebut.
Mulai
Citra SPOT Vegetation
Pemilihan Lokasi Contoh
HDF
Pengaksesan Elemen Citra
Hasil dan Pembahasan
Analisis Hasil Output dan Pembahasan
Suatu data seri waktu x(t) dapat didekomposisi menggunakan EMD. Konsep dasar dari EMD ialah untuk mengidentifikasi skala waktu yang tepat yang dapat menunjukkan karakteristik fisik sinyal, kemudian mengubah sinyal ke mode intrinsik dengan fungsi, yang disebut dengan IMF. Deteksi sinyal dengan menggunakan EMD dapat dilakukan dengan alur sebagai berikut: 1 Identifikasi seluruh maxima dan minima dari sinyal t . 2 Buat envelope atas dan bawahnya, atas t dan bawah t . atas t bawah t 3 Hitung rata-rata m t .
Implementasi Empirical Mode Decomposition (EMD)
Hasil Output
Implementasi EMD Pengolahan Data
JPG
Selesai Gambar 4 Metode Penelitian.
Pengolahan Data Pada tahap pengolahan data, terdapat beberapa langkah sebelum data tersebut diterapkan dengan menggunakan metode EMD, yaitu mengkonversi citra dari format HDF ke dalam JPG. Konversi ini dilakukan hanya untuk mendapatkan titik koordinat beberapa lokasi contoh, karena data dengan format HDF merupakan data yang berupa angka sehingga sulit untuk menentukan lokasi contoh yang akan digunakan sehingga perlu dilakukan konversi citra untuk mendapatkan titik koordinat lokasi contoh. Pencarian titik koordinat lokasi contoh dilakukan dengan menggunakan perangkat lunak (software) Photoshop. Titik koordinat tersebut akan digunakan untuk mendapatkan nilai indeks
4 Ekstrak detailnya, h t t -m t 5 Uji apakah h t merupakan IMF atau bukan: 6 Jika h t adalah IMF menurut definisi, ekstrak IMF dan ganti t dengan residual rt t -ht . 7 Jika h t bukan IMF, sifting lebih lanjut diperlukan, dan ganti t dengan h t . 8 Ulangi langkah (1-5) sampai komponen sisa (residu) memenuhi kriteria henti. Proses sifting ialah langkah 1-4 pada alur kerja EMD di atas. Proses sifting akan dilakukan berulang-ulang sampai tidak ada lagi IMF yang dapat diekstrak. Pada penelitian ini, akan digunakan ukuran nilai standar deviasi 0.3 untuk menghentikan proses sifting. Nilai tersebut diasumsikan merupakan nilai maksimum yang dapat menghasilkan komponen IMF yang sesuai dengan kriteria yang telah ditentukan. Implementasi EMD akan dilakukan menggunakan bahasa pemrograman Matlab dengan perangkat lunak (software) Matlab versi 7.7.0 yang merupakan program dasar dari keseluruhan penelitian ini. Hasil dan Pembahasan Hasil pengolahan titik koordinat lokasi contoh dari data citra SPOT Vegetation menggunakan metode yang telah diterapkan,
7
nantinya akan dianalisis dan untuk selanjutnya diuraikan ke dalam sebuah tulisan. Setelah menjadi sebuah tulisan kemudian dievaluasi kembali. Apabila masih terdapat kesalahan dalam penulisan, akan diperbaiki dan disempurnakan untuk mendapatkan hasil penulisan yang lebih baik.
memiliki penduduk yang padat. Gambaran lokasi contoh yang dipilih dapat dilihat pada Lampiran 3. Tabel 2 Titik koordinat lokasi contoh Kelas
Perairan
HASIL DAN PEMBAHASAN Koleksi Dokumen Penelitian ini menggunakan data citra SPOT Vegetation tahun 2003. Data citra SPOT Vegetation tersebut merupakan hasil synthesis product data 10 harian sehingga jumlah data yang digunakan berjumlah 36 data, yaitu data dari tanggal 1 Januari sampai dengan 21 Desember 2003, dengan Region of Interest (ROI) Asian-Island. Daftar file data citra SPOT Vegetation yang digunakan dapat dilihat pada Lampiran 1. Data citra yang digunakan dalam penelitian ini memiliki format HDF yang berisi data berupa angka dan dapat dibuka dengan menggunakan perangkat lunak (software) HDFView2.8 atau perangkat lunak (software) lainnya. Gambaran data dengan format HDF dapat dilihat pada Lampiran 2. Pemilihan Lokasi Contoh Pengambilan lokasi contoh ini bertujuan mengetahui apakah terjadi perubahan terhadap tutupan lahan dalam rentang satu tahun dari data yang telah diimplementasikan dengan menggunakan metode EMD, serta untuk mengetahui apakah terdapat pola yang terbentuk dari pengklasifikasian tutupan lahan tersebut. Lokasi contoh tersebut akan dibagi ke dalam tiga kelas, antara lain kelas perairan, kelas vegetasi, dan kelas struktur buatan. Masing-masing kelas hanya akan digunakan tiga lokasi contoh. Untuk kelas perairan, lokasi contoh yang dipilih ialah wilayah Laut Jawa, Laut Flores, dan Laut Banda. Kelas vegetasi terdiri atas wilayah Sumatera Selatan, Kalimantan Tengah, dan Irian Jaya Timur. Kelas struktur buatan terdiri atas wilayah Medan, Jakarta, dan Makassar. Pada Tabel 2 akan dirincikan titik koordinat dari masingmasing lokasi contoh. Penentuan lokasi contoh untuk kelas vegetasi dilakukan dengan memperkirakan berdasarkan wilayah yang masih memiliki vegetasi yang lebat, sedangkan untuk kelas struktur buatan dilakukan dengan memperkirakan berdasarkan wilayah yang
Vegetasi
Struktur Buatan
Wilayah
Posisi x
y
Laut Jawa
2147
3713
Laut Flores
3130
4085
Laut Banda
3918
3869
Sumatera Selatan
1411
3637
Kalimantan Tengah
2235
3621
Irian Jaya Timur
5370
3633
Medan
747
2846
Jakarta
1595
3941
Makassar
3082
3833
Accessing Image Elements Pada lokasi contoh yang telah didapatkan sebelumnya, kemudian dilakukan pencarian nilai indeks berdasarkan titik koordinat dari lokasi contoh tersebut. Pencarian nilai indeks dilakukan terhadap ke-36 citra yang ada. Hal ini dilakukan karena pengimplementasian metode EMD akan dilakukan terhadap nilai indeks dari ke-36 data atau data 1 tahun untuk mengetahui perubahan dari suatu tutupan lahan. Misalkan untuk kelas struktur buatan, dengan lokasi contoh wilayah Jakarta, dengan titik koordinat pada ke-36 citra yang ada, yaitu citra dari tanggal 1 Januari sampai dengan 21 Desember 2003, akan dicari masing-masing nilai indeksnya. Setelah itu, baru akan diimplementasikan menggunakan metode EMD. Demikian hal yang sama dilakukan untuk lokasi contoh yang lain. Hasil pengurutan nilai indeks lokasi contoh yang diambil dari masing-masing citra dapat dilihat pada Lampiran 4. Analisis Hasil Output Sinyal masukan dibagi ke dalam tiga kelas, yaitu kelas perairan, kelas vegetasi, dan kelas struktur buatan, dengan masing-masing kelas terdiri atas tiga lokasi contoh. Terdapat beberapa langkah yang harus dilakukan dalam penerapan metode EMD sebelum mendapatkan sinyal hasil. Langkah pertama
8
yang dilakukan dalam penerapan metode EMD ialah mengidentifikasi nilai ekstrim, yaitu seluruh maksima dan minima dari sinyal masukan. Proses identifikasi nilai ekstrim dilakukan dengan membandingkan fungsi tanda (sign function) dari hasil perhitungan difference approximate derivative. Perhitungan difference approximate derivative dapat dilakukan dengan cara: di n - n-
(8)
Sebagai ilustrasi, misalkan terdapat suatu sinyal x=[10 26 14 31 42 27 28], untuk mendapatkan maksima dan minima dapat dilakukan dengan cara: 1 Hitung nilai diff dari sinyal tersebut, d = diff(x) = [16 -12 17 11 -15 1] 2 Bandingkan sign dari hasil perhitungan diff. Jika nilai d(i) = 0 atau sign dari d(i) tersebut sama dengan sign nilai d(i) setelahnya, bukan merupakan maxmin. Jika sign dari nilai d(i) tersebut tidak sama dengan sign nilai d(i) setelahnya, nilai x(i) setelahnya merupakan maxmin. Nilai i adalah banyaknya data dari sinyal x dikurangi dengan 2 (i = 1:5), dikurangi 2 dikarenakan membandingkan tiga buah data, yaitu data lalu, sekarang, dan setelahnya. sign d
≠ sign d
maxmin = [26]
sign d 14]
≠ sign d
maxmin = [26
min = [14 27] Proses identifikasi untuk mendapatkan seluruh maksima dan minima dalam pengimplementasiannya dapat dilihat pada Gambar 5.
% Mengidentifikasi seluruh maxima dan minima d = diff(h); % approximate derivative maxmin = []; % untuk menyimpan nilai optimum for i = 1:N-2 if d(i) == 0 || sign(d(i))== sign(d(i+1)) maxmin = [maxmin]; elseif sign(d(i)) ~= sign(d(i+1)) maxmin = [maxmin, i+1]; end end % membagi maxmin menjadi max & min if maxmin(1)>maxmin(2) max = maxmin(1:2:length(maxmin)); min = maxmin(2:2:length(maxmin)); else max = maxmin(2:2:length(maxmin)); min = maxmin(1:2:length(maxmin)); end plot(x, 'k'); hold on; plot(max, h(max), '*b'); plot(min, h(min), '*r');
Gambar 5 Identifikasi nilai ekstrim.
sign d(3) = sign d(4) maxmin = [26 14] sign d 14 42]
max = [26 42]
≠ sign d
maxmin = [26
sign d(5) ≠ sign d(6) maxmin = [26 14 42 27] 3 Pisahkan antara maksima dan minima, dengan cara apabila nilai maxmin(1) > maxmin(2), nilai maxmin ganjil merupakan nilai max dan nilai maxmin genap merupakan nilai min. Apabila nilai maxmin(1) < maxmin(2), nilai maxmin genap merupakan nilai max dan nilai maxmin ganjil merupakan nilai min. maxmin(1) = 26, maxmin(2) = 14 maxmin(1) > maxmin(2)
Gambar 6 dan Gambar 7 menunjukkan hasil proses identifikasi maksima dan minima dari sinyal masukan. Setelah seluruh maksima dan minima diidentifikasi, langkah berikutnya ialah menghubungkan semua maksima dengan garis yang disebut dengan envelope atas. Langkah yang sama juga dilakukan terhadap semua minima untuk mendapatkan envelope bawah. Envelope atas dan envelope bawah harus mencakup seluruh nilai ekstrim yang ada. Perhitungan envelope atas dan envelope bawah dilakukan dengan menggunakan fungsi interpolasi spline kubik. Perhitungan envelope atas dan envelope bawah dalam implementasi dapat dilihat pada Gambar 8.
9
(a) Sumatera Selatan
(b) Kalimantan Tengah
(c) Irian Jaya Timur Gambar 6 Hasil identifikasi maksima dan minima dari sinyal masukan kelas vegetasi.
(a) Medan
(b) Jakarta
(c) Makassar Gambar 7 Hasil identifikasi maksima dan minima dari sinyal masukan kelas struktur buatan.
10
Setelah dilakukan pembuatan envelope atas dan envelope bawah, yang harus dilakukan ialah menghitung rata-rata envelope atas dan envelope bawah dari sinyal masukan. Proses perhitungan ratarata envelope dalam implementasinya dapat dilihat pada Gambar 9. % endpoints utk max & min max = [1 max N]; min = [1 min N]; % ------------------------------------------------ % % Membuat envelope dengan interpolasi spline maxenv = spline(max,h(max),1:N); minenv = spline(min,h(min),1:N); plot(maxenv, 'b'); plot(minenv, 'r');
Gambar 8 Pembuatan envelope atas dan envelope bawah. % Menghitung rata-rata lokal mean = (maxenv + minenv)/2; plot(mean, 'm');
Gambar 9 Perhitungan rata-rata envelope.
Hasil envelope atas dan envelope bawah dari sinyal masukan dapat dilihat pada Gambar 10 dan Gambar 11, dan hasil rata-rata yang dihasilkan dari perhitungan antara envelope atas dan envelope bawah dapat dilihat pada Gambar 12 dan Gambar 13. Setelah didapatkan rata-rata envelope dari masing-masing sinyal masukan, rata-rata envelope tersebut diekstrak untuk diuji kebenarannya. Cara pengekstrakan dilakukan dengan mengurangi sinyal masukan awal dengan rata-rata dari sinyal masukan tersebut. Perbedaan antara sinyal masukan awal ratarata merupakan komponen pertama. Langkah identifikasi nilai ekstrim sampai mengekstrak rata-rata envelope, dilakukan berulang-ulang hingga menghasilkan beberapa IMF yang optimal dan sebuah komponen sisa (residu) yang konstan atau monoton. Proses inilah yang dinamakan dengan sifting. Implementasi perhitungan untuk mendapatkan IMF pertama sampai dengan didapatkannya residu dapat dilihat pada Gambar 14. Proses dekomposisi sinyal untuk mendapatkan IMF pertama sampai dengan didapatkannya komponen sisa (residu) yang konstan atau monoton dapat dilihat pada Gambar 15 dan Gambar 16.
(a) Sumatera Selatan
(b) Kalimantan Tengah
(c) Irian Jaya Timur Gambar 10 Hasil perhitungan envelope atas dan bawah dari sinyal masukan kelas vegetasi.
11
(b) Jakarta
(a) Medan
(c) Makassar Gambar 11 Hasil perhitungan envelope atas dan bawah dari sinyal masukan kelas struktur buatan.
(a) Sumatera Selatan
(b) Kalimantan Tengah
(c) Irian Jaya Timur Gambar 12 Hasil perhitungan rata-rata envelope dari sinyal masukan kelas vegetasi.
12
(a) Medan
(b) Jakarta
(c) Makassar Gambar 13 Hasil perhitungan rata-rata envelope dari sinyal masukan kelas struktur buatan. % EMD : Empirical Mode Decomposition
% ------------------------------------------------ %
function imf = emd(x)
% endpoints utk max & min max = [1 max N]; min = [1 min N];
imf = []; x = double(x); c = x(:)'; N = length(x);
% ------------------------------------------------ % % Membuat envelope dengan interpolasi spline maxenv = spline(max,h(max),1:N); minenv = spline(min,h(min),1:N);
while (1) h = c; SD = 1;
% ------------------------------------------------ % % Menghitung rata-rata lokal m = (maxenv + minenv)/2;
while SD > 0.3 % Mengidentifikasi seluruh maxima dan minima d = diff(h); % approximate derivative maxmin = []; % untuk menyimpan nilai optimum for i = 1:N-2 if d(i) == 0 || sign(d(i))== sign(d(i+1)) maxmin = [maxmin]; elseif sign(d(i)) ~= sign(d(i+1)) maxmin = [maxmin, i+1]; end end
% Ekstrak detail prevh = h; h = h - m; % Kriteria utk menghentikan proses iterasi eps = 0.01; % digunakan utk menghindari nilai nol SD = sum(((prevh-h).^2) ./ (prevh.^2+eps)); end imf = [imf; h];
if size(maxmin, 2) < 2 break end % membagi maxmin menjadi max & min if maxmin(1)>maxmin(2) max = maxmin(1:2:length(maxmin)); min = maxmin(2:2:length(maxmin)); else max = maxmin(2:2:length(maxmin)); min = maxmin(1:2:length(maxmin)); end
if size(maxmin, 2) < 2 break end c = c - h; end end
Gambar 14 Proses perhitungan dekomposisi sinyal.
13
(a) Sumatera Selatan
(b) Kalimantan Tengah
(c) Irian Jaya Timur Gambar 15 IMF pertama sampai dengan residu dari sinyal kelas vegetasi.
14
(a) Medan
(b) Jakarta
(c) Makassar Gambar 16 IMF pertama sampai dengan residu dari sinyal kelas struktur buatan.
15
Untuk kelas perairan, yang terdiri atas wilayah Laut Jawa, Laut Flores, dan Laut Banda, karena masing-masing lokasi contoh hanya memiliki nilai indeks baris dan kolom 0 (nol) sehingga tidak dapat dilakukan proses EMD. Ketika sinyal masukan tidak dapat dilakukan proses EMD, IMF pun tidak dapat dihasilkan. Nilai indeks yang dimiliki oleh masing-masing lokasi contoh dari kelas perairan tidak mengalami perubahan, yang dikarenakan air memiliki reflektansi spektral yang terus menurun dari spektrum biru sampai dengan spektrum inframerah dekat. Nilai pantulan air pada spektrum merah hampir mendekati nol karena hampir seluruh energi pada spektrum tersebut terserap oleh air. Hal ini dipengaruhi oleh kedalaman air serta keberadaan dan tingkat konsentrasi kandungan suspensi material organik dan anorganik pada air. Dari Gambar 17 yang merupakan gambar sinyal masukan kelas perairan, dapat dilihat bahwa grafik yang dihasilkan konstan atau monoton.
Gambar 17 Sinyal masukan kelas perairan. Berdasarkan hasil dari proses EMD untuk kelas vegetasi dan struktur buatan, pada kelas vegetasi untuk masing-masing lokasi contoh menghasilkan lima level EMD, yaitu IMF pertama sampai dengan IMF keempat ditambah dengan komponen sisa (residu). Di sisi lain, untuk kelas struktur buatan, terdapat dua lokasi contoh yang menghasilkan empat level EMD, yaitu IMF pertama sampai dengan IMF ketiga ditambah dengan komponen sisa (residu). Lokasi contoh tersebut merupakan wilayah Medan dan Makassar. Untuk kelas struktur buatan dengan lokasi contoh wilayah Jakarta menghasilkan enam level EMD, yaitu IMF pertama sampai dengan IMF kelima ditambah dengan komponen sisa (residu).
Pada hasil proses EMD sebelumnya, dapat dilihat terjadi instabilitas nilai indeks pada masing-masing lokasi contoh untuk kelas vegetasi dan struktur buatan. Nilai indeks pada masing-masing kelas contoh terjadi perubahan yang cukup drastis yaitu menjadi lebih besar atau lebih kecil. Perubahan tersebut dapat dilihat pada Lampiran 5, Lampiran 6, Lampiran 7 untuk kelas vegetasi dan Lampiran 8, Lampiran 9, Lampiran 10 untuk kelas struktur buatan. Perubahan nilai indeks citra menjadi lebih besar dikarenakan adanya hamburan. Hamburan mengakibatkan terjadinya berbagai pembelokan arah pancaran gelombang elektromagnetik dari jalurnya. Hamburan dapat disebabkan oleh adanya kabut, debu, asap, uap air, ozon, dan lain sebagainya. Sebaliknya, perubahan nilai indeks citra menjadi lebih kecil dikarenakan adanya proses penyerapan. Penyerapan menimbulkan pemindahan energi dari gelombang elektromagnetik ke partikel atmosfer penyerap gelombang tersebut. Nilai serapan banyak dipengaruhi oleh sifat objek atau benda. Pada benda hitam, nilai serapan lebih besar dari pada nilai energi yang dipantulkan. Kebalikannya, pada benda putih, nilai energi yang diserap lebih sedikit daripada energi yang dipantulkan. Dari hasil penelitian yang telah dilakukan oleh Panuju et al. (2009), hasil penelitian ini juga dapat menunjukkan pola yang mengindikasikan perbedaan antara kelas data di antara gejolak naik turunnya sinyal. Perbedaan antara kelas data terletak pada nilai maksimum dan minimum amplitudo selama satu tahun. Bila diamati dari hasil IMF terakhir yang dihasilkan oleh masing-masing lokasi contoh, untuk lokasi contoh kelas vegetasi menghasilkan amplitudo antara -100 sampai dengan 100, sedangkan lokasi contoh kelas struktur buatan menghasilkan amplitudo antara -50 sampai dengan 50. Kurva untuk kelas struktur buatan menunjukkan sedikitnya variasi nilai amplitudo dari kelas vegetasi. Hal ini dikarenakan jumlah tenaga yang diterima oleh setiap objek berbeda-beda. Selain itu, faktor-faktor yang mempengaruhi pantulan spektral struktur buatan mungkin kurang spesifik bagi saluran tertentu. Penelitian ini hanya dapat membedakan antara kelas data saja, sedangkan penelitian yang dilakukan oleh Panuju et al. (2009) tidak hanya dapat membedakan antar kelas tetapi juga dapat menunjukkan pola musiman data tersebut.
16
SIMPULAN DAN SARAN Simpulan Hasil penelitian ini menunjukkan bahwa: 1 Telah diperkenalkan suatu metode EMD dan penerapannya pada data citra SPOT Vegetation telah dibahas. 2 EMD dapat mengidentifikasi apabila terdapat kesalahan akibat terpengaruh hamburan atmosfer pada rentang frekuensi sinyal tertentu. 3 EMD juga dapat menunjukkan pola pengklasifikasian tutupan lahan. 4 Terjadi instabilitas nilai indeks yang menggambarkan pantulan atau pancaran radiasi matahari, pada masing-masing lokasi contoh untuk kelas vegetasi dan struktur buatan yang ditandai dengan perubahan nilai menjadi lebih besar atau lebih kecil. 5 Perbedaan antar kelas data terletak pada nilai maksimum dan minimum amplitudo yang dapat dicapai selama satu tahun. 6 Kelas perairan tidak dapat menghasilkan IMF dikarenakan hanya memiliki nilai indeks baris dan kolom 0 (nol) sehingga pola yang dihasilkan pun konstan atau monoton. Saran Saran untuk penelitian selanjutnya ialah: 1 Mengembangkan sistem dengan menggunakan bahasa pemrograman lain yang dapat menangani data besar. 2 Perlu diperhatikan frekuensi dan panjang gelombang dari data yang digunakan. 3 Perlu dilakukannya cross check atau pemeriksaan langsung untuk proses lebih lanjut.
DAFTAR PUSTAKA [EOEdu] Earth Observation Educative. 2010. SPOT (Satellite Pour l'Observation de la Terre). http://eoedu.belspo.be/en/ satellites/spot.htm [5 Nov 2012]. Huang NE, Shen Z, Long SR, Wu MC, Shih HH, et al. 1998. The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis. Di dalam: Proceedings of the Royal Society London A 454; London, 3 Juni 1996. hlm 903-995. Lillesand TM, Kiefer RW. 1997. Penginderaan Jauh dan Interpretasi Citra. Ed ke-3. Dulbahri et al., penerjemah; Sutanto, editor. Yogyakarta: Gadjah Mada University Press. Terjemahan dari: Remote Sensing and Image Interpretation. Mather PM. 2004. Computer Processing of Remotely-Sensed Images An Introduction. Ed ke-3. Chichster: John Willey & Sons. Panuju DR, Susetyo B, Raimadoya MA. 2009. Telaah pola musiman penutupan lahan bervegetasi dengan X12ARIMA pada NDVI SPOT Vegetation. Di dalam: Prosiding Semiloka Geomatika-SAR Nasional; Bogor 21 Apr 2009. hlm 176186. Peel MC, Amirthanathan GE, Pegram GGS, McMahon TA, Chiew FHS. 2005. Issues with the application of empirical mode decomposition analysis. Di dalam: Zerger A and Argent RM (eds) MODSIM 2005 International Congress on Modelling and Simulation, Modelling and Simulation Society of Australia and New Zealand; Melbourne, 12-15 Des 2005. hlm 1681-1687.
LAMPIRAN
18
Lampiran 1 Data citra SPOT Vegetation
19
Lampiran 2 Contoh data dengan format HDF
20
Lampiran 3 Pemilihan lokasi contoh
21
Lampiran 4 Tabel pengurutan nilai derajat keabuan lokasi contoh TITIK SAMPLING KELAS PERAIRAN
KELAS VEGETASI
KELAS STRUKTUR BUATAN
LAUT JAWA
LAUT FLORES
LAUT BANDA
SUMSEL
KALTENG
IRIAN JAYA TIM
1
0
0
0
126
217
58
72
157
111
2
0
0
0
208
207
151
95
144
144
3
0
0
0
171
157
70
92
80
167
4
0
0
0
201
48
58
71
106
133
5
0
0
0
203
91
214
73
124
207
6
0
0
0
151
208
85
90
46
121
7
0
0
0
151
211
75
90
207
222
8
0
0
0
150
205
130
84
188
217
9
0
0
0
193
181
158
67
190
194
10
0
0
0
199
208
66
80
208
185
11
0
0
0
181
65
96
79
143
176
12
0
0
0
133
116
227
81
170
175
13
0
0
0
171
197
223
107
162
167
14
0
0
0
207
225
104
98
178
187
15
0
0
0
204
218
211
82
155
178
16
0
0
0
191
228
160
107
163
170
17
0
0
0
189
125
218
91
162
173
18
0
0
0
168
195
220
92
149
182
19
0
0
0
197
211
216
92
135
202
20
0
0
0
199
197
237
87
160
202
21
0
0
0
134
213
128
103
149
215
22
0
0
0
181
183
186
86
147
213
23
0
0
0
126
158
216
98
133
200
24
0
0
0
193
152
185
98
146
202
25
0
0
0
179
184
233
94
126
169
26
0
0
0
149
192
207
83
120
145
27
0
0
0
191
170
107
79
151
134
28
0
0
0
186
79
232
66
74
111
29
0
0
0
198
117
153
94
122
129
30
0
0
0
189
163
205
82
145
158
31
0
0
0
150
146
219
77
160
161
32
0
0
0
213
160
129
91
155
172
33
0
0
0
187
168
180
124
173
194
34
0
0
0
200
199
228
63
126
195
35
0
0
0
84
67
166
84
172
142
36
0
0
0
82
153
199
81
93
67
MEDAN
JAKARTA
MAKASSAR
CITRA
22
Lampiran 5 Tabel IMF pertama sampai dengan residu wilayah Sumatera Selatan Sumatera Selatan IMF 1
IMF 2
IMF 3
IMF 4
Residu
0
0
0
0
126
11 Jan
26,0333
17,6395
16,2065
15,6542
132,4666
21 Jan
-33,3730
17,6586
20,8914
26,4097
139,4133
1 Feb
-1,1942
5,9679
16,7254
32,7458
146,7552
11 Feb
18,5941
-11,5220
6,3791
35,1413
154,4074
21 Feb
-9,4672
-28,4164
-7,4767
34,0754
162,2849
1 Mar
5,6672
-32,8256
-22,1713
30,0271
170,3027
11 Mar
-7,9491
-8,8679
-35,0342
23,4754
178,3758
21 Mar
14,1212
20,9546
-43,3945
14,8993
186,4195
1 Apr
12,7152
31,7401
-44,5818
4,7780
194,3486
11 Apr
2,0323
20,2921
-36,9929
-6,4096
202,0782
21 Apr
-35,0175
-0,0256
-23,2958
-18,1844
209,5234
1 Mei
7,0034
-15,3091
-7,2261
-30,0675
216,5992
11 Mei
39,5079
-21,7539
7,6050
-41,5796
223,2207
21 Mei
27,7596
-19,3346
18,5140
-52,2419
229,3029
1 Jun
4,4497
-11,2996
24,6644
-61,5752
234,7608
11 Jun
-5,3739
-1,6854
25,7644
-69,2147
239,5096
21 Jun
1 Jan
-27,6631
5,4720
21,9559
-75,2289
243,4642
1 Jul
9,1361
7,1989
13,8350
-79,7096
246,5396
11 Jul
24,6018
4,7201
3,7527
-82,7256
248,6511
21 Jul
-26,2785
0,2083
-5,2973
-84,3460
249,7135
1 Ags
29,0847
-2,8186
-10,2685
-84,6395
249,6420
11 Ags
-30,2940
0,6263
-9,0912
-83,5926
248,3515
21 Ags
27,8969
3,8108
-3,6746
-80,7902
245,7572
1 Sep
14,2639
-4,1087
2,5106
-75,4398
241,7740
11 Sep
-16,2917
-9,1448
4,7541
-66,6347
236,3171
21 Sep
11,8831
3,2983
0,3796
-53,8623
229,3014
1 Okt
-10,4962
18,5294
-4,4479
-38,2274
220,6420
11 Okt
5,8225
6,6502
-3,4707
-21,2561
210,2540
21 Okt
14,0609
-19,7002
1,1305
-4,5436
198,0524
1 Nov
-16,9072
-32,4083
5,0657
10,2975
183,9523
11 Nov
20,6236
-2,2753
5,1280
21,6550
167,8687
21 Nov
-25,5967
32,5203
2,4434
27,9164
149,7166
1 Des
28,6399
15,2587
-0,7789
27,4693
129,4111
11 Des
-22,7151
-16,5237
-2,3298
18,7013
106,8672
21 Des
0
0
0
0
82
23
Lampiran 6 Tabel IMF pertama sampai dengan residu wilayah Kalimantan Tengah Kalimantan Tengah IMF 1
IMF 2
IMF 3
IMF 4
Residu
0
0
0
0
217
11 Jan
33,2596
-18,5418
-11,8326
-5,6627
209,7774
21 Jan
19,3415
-36,7363
-18,1316
-10,3457
202,8722
1 Feb
-67,2579
-47,2331
-19,6855
-14,1078
196,2842
11 Feb
-22,0420
-42,6815
-17,2824
-17,0077
190,0135
21 Feb
70,4856
-15,7310
-11,7105
-19,1043
184,0601
1 Mar
23,4334
33,3571
-3,7583
-20,4562
178,4241
11 Mar
-26,6430
73,8740
5,7862
-21,1224
173,1053
21 Mar
1 Jan
-49,5759
67,4993
16,1345
-21,1616
168,1038
1 Apr
42,3234
-3,6088
26,4984
-20,6326
163,4195
11 Apr
-36,8728
-73,6754
36,0897
-19,5941
159,0526
21 Apr
7,4364
-72,5808
44,2464
-18,1050
155,0030
1 Mei
31,3928
-20,2518
50,8122
-16,2239
151,2707
11 Mei
-3,7260
39,1231
55,7571
-14,0098
147,8556
21 Mei
-30,2226
55,9351
59,0509
-11,5213
144,7579
1 Jun
29,6196
4,4487
60,7716
-8,8173
141,9774
11 Jun
-27,9627
-42,0235
61,4286
-5,9566
139,5143
21 Jun
25,0272
-25,8432
61,4454
-2,9979
137,3684
7,7360
7,2528
60,4714
0,0000
135,5398
11 Jul
-18,7167
20,7479
57,9619
2,9783
134,0286
21 Jul
17,4668
3,3942
53,4262
5,8782
132,8346
1 Ags
6,5401
-10,7269
46,5879
8,6410
131,9579
11 Ags
-11,1853
-10,6454
37,2244
11,2078
131,3985
21 Ags
-21,3375
3,0947
25,5665
13,5199
131,1564
1 Sep
4,0704
19,5195
13,6600
15,5185
131,2316
11 Sep
17,6341
21,7630
3,8340
17,1448
131,6241
21 Sep
24,9703
-2,9022
-2,7420
18,3401
132,3338
1 Okt
-25,5574
-40,8640
-6,9850
19,0455
133,3609
11 Okt
22,1645
-48,7811
-10,2908
19,2022
134,7053
21 Okt
33,6311
-12,0572
-13,6924
18,7516
136,3669
1 Nov
-44,9672
51,7583
-16,7717
17,6347
138,3459
11 Nov
-42,9308
65,2435
-18,7476
15,7928
140,6421
21 Nov
-4,0696
34,4860
-18,8393
13,1672
143,2556
1 Des
67,5703
-8,1899
-16,2659
9,6991
146,1865
11 Des
-47,0578
-30,4599
-10,2465
5,3296
149,4346
21 Des
0
0
0
0
153
1 Jul
24
Lampiran 7 Tabel IMF pertama sampai dengan residu wilayah Irian Jaya Timur Irian Jaya Timur IMF 1
IMF 2
IMF 3
IMF 4
Residu
0
0
0
0
58
11 Jan
50,3835
8,1154
12,6203
10,4699
69,4109
21 Jan
-55,9387
10,0468
17,0038
18,5006
80,3875
1 Feb
-79,8874
7,8231
14,8304
24,3041
90,9299
11 Feb
73,6167
3,4734
7,7798
28,0921
101,0380
21 Feb
-51,6970
-1,6231
-2,4683
30,0765
110,7119
1 Mar
-52,4988
-8,6879
-14,2339
30,4691
119,9515
11 Mar
15,0500
-17,4512
-25,8375
29,4817
128,7569
1 Jan
48,2237
-19,0789
-35,5990
27,3262
137,1280
1 Apr
-54,8691
-6,5712
-41,8389
24,2144
145,0648
11 Apr
-44,9503
10,9020
-42,8773
20,3581
152,5674
21 Apr
69,3025
19,1269
-37,0344
15,9692
159,6358
1 Mei
60,4611
8,7064
-23,6968
11,2595
166,2699
11 Mei
-58,9736
-9,4205
-6,5164
6,4408
172,4697
21 Mei
42,1533
-20,9738
9,8603
1,7249
178,2353
1 Jun
-23,3088
-19,3428
21,7612
-2,6763
183,5666
21 Mar
11 Jun
11,3492
-3,5980
28,3360
-6,5509
188,4637
21 Jun
-11,4608
18,7995
29,4220
-9,6873
192,9265
1 Jul
-20,1872
26,2488
24,9392
-11,9560
196,9551
11 Jul
32,5021
1,7141
15,7925
-13,5582
200,5494
21 Jul
-38,4825
-28,0382
5,5887
-14,7775
203,7095
1 Ags
21,1716
-23,5493
-2,1600
-15,8976
206,4353
11 Ags
27,2113
4,1682
-6,9044
-17,2020
208,7269
21 Ags
-25,2048
27,3048
-8,7098
-18,9744
210,5842
1 Sep
32,7355
17,4909
-7,8401
-21,3935
212,0072
11 Sep
33,0884
-9,3767
-5,5107
-24,1971
212,9960
21 Sep
-53,7623
-22,6012
-3,2539
-26,9332
213,5505
1 Okt
53,0449
-3,3457
-2,2410
-29,1290
213,6708
11 Okt
-46,1724
18,2427
-2,0580
-30,3692
213,3569
21 Okt
9,5572
15,1722
-1,8690
-30,4691
212,6087
1 Nov
39,1423
-0,7233
-1,5438
-29,3014
211,4262
11 Nov
-41,9407
-10,9866
-1,1431
-26,7391
209,8094
5,5628
-9,9387
-0,7277
-22,6549
207,7585
1 Des
42,8655
-2,8587
-0,3582
-16,9218
205,2732
11 Des
-29,7498
2,9040
-0,0954
-9,4125
202,3537
21 Des
0
0
0
0
199
21 Nov
25
Lampiran 8 Tabel IMF pertama sampai dengan residu wilayah Medan Medan IMF 1
IMF 2
IMF 3
Residu
0
0
0
72
11 Jan
11,0321
7,8229
0,5322
75,6128
21 Jan
2,5439
10,2627
0,5358
78,6576
1 Feb
-19,0697
8,7376
0,1430
81,1891
11 Feb
-14,4137
4,6656
-0,5139
83,2619
21 Feb
6,9071
-0,5352
-1,3027
84,9307
1 Mar
11,5168
-5,6758
-2,0910
86,2501
11 Mar
9,6505
-10,1784
-2,7467
87,2747
21 Mar
1 Jan
-5,4503
-12,4712
-3,1375
88,0591
1 Apr
5,0726
-10,5994
-3,1312
88,6580
11 Apr
-3,6263
-3,9044
-2,5953
89,1260
21 Apr
-9,5865
2,4665
-1,3978
89,5178
1 Mei
12,1714
4,3470
0,5937
89,8879
11 Mei
3,2925
1,1746
3,2418
90,2911
21 Mei
-12,5381
-1,5744
5,3307
90,7819
1 Jun
9,7036
0,2547
5,6268
91,4149
11 Jun
-6,1105
0,9010
3,9923
92,2172
21 Jun
-0,0640
-2,0172
0,9764
93,1048
1 Jul
2,9014
-2,4091
-2,4583
93,9660
11 Jul
-4,6152
2,2927
-5,3668
94,6893
21 Jul
7,4810
7,5544
-7,1983
95,1630
1 Ags
-9,6342
7,8597
-7,5146
95,2891
11 Ags
4,9380
4,1227
-6,0987
95,0380
21 Ags
8,7655
-1,7990
-3,4166
94,4501
1 Sep
9,2298
-8,7081
-0,1018
93,5801
11 Sep
2,6887
-15,3838
3,2126
92,4825
21 Sep
1,9110
-20,0159
5,8931
91,2119
1 Okt
-10,4821
-20,6472
7,3064
89,8229
11 Okt
13,8128
-15,2034
7,0204
88,3701
21 Okt
-7,5366
-2,7792
5,4077
86,9081
1 Nov
-22,6330
11,0995
3,0419
85,4915
11 Nov
-13,3464
19,6745
0,4970
84,1749
24,8348
17,8058
-1,6534
83,0128
1 Des
-20,6054
4,3810
-2,8356
82,0599
11 Des
12,3262
-7,2213
-2,4757
81,3708
21 Des
0
0
0
81
21 Nov
26
Lampiran 9 Tabel IMF pertama sampai dengan residu wilayah Jakarta Jakarta IMF 1
IMF 2
IMF 3
IMF 4
IMF 5
Residu
0
0
0
0
0
157
11 Jan
9,6718
-5,2183
-0,7218
-6,8123
-11,6124
158,6930
21 Jan
-24,2585
-26,1332
0,3585
-9,0128
-21,1329
160,1789
1 Feb
26,2595
-48,3247
2,6536
-7,3564
-28,6895
161,4576
11 Feb
50,2764
-57,3730
5,5759
-2,5982
-34,4104
162,5292
21 Feb
-53,3777
-38,6377
8,5383
4,5071
-38,4235
163,3936
1 Mar
48,0429
11,6057
10,9531
13,2043
-40,8570
164,0508
11 Mar
-22,0860
52,4522
12,2332
22,7386
-41,8389
164,5009
21 Mar
1 Jan
-27,0920
49,6995
11,7911
32,3549
-41,4974
164,7439
1 Apr
19,9269
12,9160
9,0394
41,2984
-39,9604
164,7797
11 Apr
-15,9656
-20,4915
3,3907
48,8141
-37,3562
164,6083
21 Apr
12,1899
-21,0117
-5,7423
54,1470
-33,8127
164,2298
1 Mei
-8,1220
-2,5446
-18,0618
56,5422
-29,4580
163,6442
11 Mei
6,2709
7,7822
-29,7289
55,2447
-24,4203
162,8514
21 Mei
-7,8239
6,8643
-36,5639
49,4996
-18,8275
161,8514
1 Jun
9,5751
3,6019
-36,5653
38,5518
-12,8078
160,6443
11 Jun
13,9765
1,9122
-28,6136
21,9841
-6,4893
159,2300
21 Jun
3,3786
0,3843
-13,3196
0,9480
0,0000
157,6086
-12,1337
0,3704
6,5714
-22,1201
6,5320
155,7800
11 Jul
7,8065
2,9173
26,8301
-44,2769
12,9786
153,7443
21 Jul
-3,8060
1,6598
42,9394
-62,5064
19,2117
151,5014
1 Ags
2,3506
-6,2314
50,8454
-74,1193
25,1033
149,0514
11 Ags
-3,7703
-10,9454
48,9223
-78,1262
30,5253
146,3942
21 Ags
7,9042
-3,4044
38,0665
-75,4458
35,3496
143,5299
1 Sep
-18,4083
10,6092
21,2848
-67,3922
39,4481
140,4584
11 Sep
-22,1938
15,7645
1,8363
-55,2795
42,6928
137,1798
21 Sep
28,4356
1,8405
-17,5038
-40,4218
44,9555
133,6940
1 Okt
-29,4449
-15,2830
-33,2482
-24,1331
46,1082
130,0010
11 Okt
13,7209
-13,9119
-42,2052
-7,7275
46,0228
126,1009
21 Okt
15,3624
-0,9333
-43,4748
7,4808
44,5712
121,9937
1 Nov
7,7800
10,2961
-37,5587
20,1778
41,6254
117,6793
11 Nov
-7,3881
8,4668
-25,3431
29,0494
37,0573
113,1577
1 Jul
16,2257
-5,9602
-9,2149
32,7815
30,7388
108,4290
1 Des
-29,0283
-5,9658
4,8992
30,0600
22,5418
103,4932
11 Des
29,7074
1,8055
10,2278
19,5709
12,3382
98,3502
21 Des
0
0
0
0
0
93
21 Nov
27
Lampiran 10 Tabel IMF pertama sampai dengan residu wilayah Makassar Makassar IMF 1
IMF 2
IMF 3
Residu
1 Jan
0
0
0
111
11 Jan
10,0729
1,9568
8,7353
123,2351
21 Jan
16,3219
2,5666
13,1693
134,9422
1 Feb
-28,6125
1,5774
13,9379
146,0973
11 Feb
39,9099
-1,2632
11,6772
156,6761
21 Feb
-47,6766
-5,0010
7,0231
166,6545
1 Mar
50,7601
-5,3800
0,6116
176,0084
11 Mar
42,1002
-2,8924
-6,9213
184,7135
21 Mar
15,2085
0,9853
-14,9396
192,7458
1 Apr
2,8152
4,9111
-22,8073
200,0810
11 Apr
-8,3496
7,5430
-29,8884
206,6951
21 Apr
-9,5557
7,6036
-35,6117
212,5638
1 Mei
-15,0730
4,1467
-39,7367
217,6630
11 Mei
9,8494
-2,4400
-42,3780
221,9686
21 Mei
4,5870
-8,3206
-43,7227
225,4563
1 Jun
-3,2948
-10,8432
-43,9640
228,1020
11 Jun
-5,1112
-8,4837
-43,2867
229,8816
21 Jun
-4,7247
-2,2982
-41,7481
230,7710
1 Jul
5,1517
5,4744
-39,3720
230,7459
11 Jul
-4,1898
12,5899
-36,1822
229,7821
21 Jul
2,6121
16,7348
-32,2026
227,8557
1 Ags
1,3417
14,1714
-27,4553
224,9423
11 Ags
-3,7302
4,7092
-21,9968
221,0178
21 Ags
9,8647
-7,8785
-16,0443
216,0581
1 Sep
-14,5612
-16,6218
-9,8559
210,0390
11 Sep
-33,6189
-20,6278
-3,6897
202,9363
21 Sep
-42,1178
-20,8047
2,1966
194,7259
1 Okt
-63,8672
-18,0612
7,5447
185,3837
11 Okt
-44,6764
-13,3059
12,0968
174,8855
21 Okt
-13,3548
-7,4471
15,5948
163,2071
1 Nov
-5,7117
-1,3934
17,7808
150,3243
11 Nov
13,4436
3,9466
18,3967
136,2131
21 Nov
48,3018
7,6645
17,1846
120,8492
1 Des
68,0534
8,8517
13,8864
104,2085
11 Des
40,8893
6,5997
8,2442
86,2668
21 Des
0
0
0
67
