Pengolahan Data Kamera Multispektral pada Pesawat LSA-01 untuk Pemantauan Pertanian

SEMINAR NASIONAL PENGINDERAAN JAUH 2015 ORAL PRESENTATION

Pengolahan Data Kamera Multispektral pada Pesawat LSA-01 untuk Pemantauan Pertanian Galdita Aruba Chulafak1,*), Anwar Annas1 , dan Dony Kushardono1 1

Pusat Pemanfaatan Penginderaan Jauh, LAPAN *)

E-mail: [email protected]

ABSTRAK-Salah satu misi pengembangan pesawat LSA di LAPAN adalah penginderaan jauh. LAPAN Surveillance Aircraft (LSA) memiliki pengindera kamera multispektral yang dilengkapi dengan GPS. Penelitian ini mengkaji pengolahan data kamera multispektral LSA untuk pemantauan pertanian. Data yang dipergunakan adalah data hasil akuisisi dengan LSA pada wilayah pertanian di Pantura (Subang dan Indramayu). Adapun metode pengolahan yang dipergunakan adalah ekstraksi data mentah menggunakan teknik Bayer pattern, kemudian mozaik data hasil ekstraksi dengan menggunakan teknik korelasi silang dan analisis vegetasi sawah menggunakan konversi indeks vegetasi. Hasil penelitian ini adalah kajian pengolahan awal data multispektral LSA untuk analisis vegetasi persawahan. Kata kunci:data multispektral LSA, Bayer pattern, mozaik data, korelasi silang, NDVI ABSTRACT-One of LAPAN’s mission in aircraft development is remote sensing. LAPAN Surveillance Aircraft (LSA) has a multispectral camera that equipped with GPS. This study examines data processing on LSA’s multispectral camera for agricultural monitoring. The data used is the results from LSA’s acquisition in agricultural areas in Pantura (Subang and Indramayu). The processing method used is the extraction of raw data using a Bayer pattern technique, then mosaic the extracted data by using cross correlation and analyze the rice fields vegetations using vegetation indices conversion. Results of this study is the pre-processing LSA multispectral datamethod for the analysis ofthe rice fields vegetations. Keywords: LSA’s multispectral data, Bayer pattern, mosaic data, cross corelation, NDVI

1.

PENDAHULUAN

Saat ini data penginderaan jauh resolusi tinggi banyak dibutuhkan di Indonesia, di antaranya untuk penyediaan peta skala rinci dalam mendukung pembangunan perdesaan, penilaian objek wajib pajak, perencanaan infrastruktur jalan dan bangunan, pengembangan wilayah perkotaan, pengawasan hasil pembangunan, hingga untuk masalah pertanian. Data penginderaan jauh resolusi tinggi umumnya diperoleh dari satelit komersil, seperti, IKONOS, WorldView, GeoEye, dan lain-lain. Akan tetapi, data satelit tersebut selain harganya cukup mahal juga waktu pemesanannya (delivery order) membutuhkan waktu sekitar 2 minggu bahkan bisa lebih dikarenakan adanya kendala liputan awan. Sementara itu dalam dekade terakhir, sehubungan makin berkembangnya sistem teknologi kamera pencitraan dengan ukuran yang semakin kecil, sudah mulai banyak dikembangkan pemanfaatan pesawat tanpa awak untuk pengamatan melalui udara. LAPAN sudah mengembangkan pesawat untuk misi pemantauan dengan pesawat baik tanpa maupun dengan awak, memiliki kesempatan yang baik untuk mendukung penyediaan data penginderaan jauh resolusi tinggi dari data kamera pada pesawat LAPAN. Program LAPAN Surveillance Aircraft (LSA) merupakan program dari Lembaga Penerbangan dan Antariksa Nasional (LAPAN) yang mengembangkan pesawat berawak dengan kapasitas kecil yang digunakan untuk kegiatan pengamatan seperti pemantauan ataupun pemetaan (Kushardono, 2015). Salah satu fungsi dari LSA yakni untuk melakukan pengamatan, baik untuk wilayah daratan ataupun perairan dan membawa payload yang dapat disesuaikan untuk objek yang akan diamati. LSA pernah melakukan pengambilan data di wilayah Subang dan Indramayu pada bulan September 2014. Salah satu pengindera yang terpasang pada saat pengambilan data tersebut merupakan kamera multispektral yang mempunyai 3 kanal, yaitu kanal hijau, merah, dan inframerah dekat. Pengambilan data yang dilakukan tersebut merupakan pengambilan data oleh pesawat LSA dengan kamera multispektral yang pertama kali dilakukan, sehingga penelitian ini bertujuan sebagai kajian pengolahan awal data multispektral pesawat LSA di wilayah lahan pertanian.Seperti halnya pada pesawat tanpa awak, pengamatan yang dapat dilakukan oleh LSA tidak terbatas hanya pada lahan pertanian, namun juga dapat untuk wilayah pesisir, perkotaan,wilayah bencana, dan lainnya (Shofiyanti, 2011; Wiyono, 2015; Artanto, 2015; Mancini, 2013; Sari, 2015).

- 84 -

SEMINAR NASIONAL PENGINDERAAN JAUH 2015

Penelitian ini merupakan lanjutan dari penelitian yang dilakukan oleh Kushardono et al. mengenai “Pemanfaatan Data LSA (LAPAN Surveillance Aircraft) untuk Mendukung Pemetaan Skala Rinci” (Kushardono, 2015) dengan mengambil bagian pada pengolahan data kamera multispektral untuk pemantauan pertanian.

2.

PENGOLAHAN DATA

Data yang diperoleh dari kamera multispektral hasil akuisisi dari pesawat LSA berupa matrik dalam Bayer array, sehingga perlu dilakukan ekstraksi kanal-kanal yang ada agar dapat dilakukan pengolahan lebih lanjut. Setelah dilakukan ekstraksi kemudian dilakukan mozaik data dan selanjutnya dapat dilakukan perhitungan nilai dari indeks vegetasi. Pengindera yang digunakan mempunyai sensor yang didesain dan dioptimasi untuk menangkap cahaya tampak dan inframerah dekat pada panjang gelombang 520 nm hingga 920nm. Pada Gambar 1 menunjukkan respon dari sensor pengindera terhadap masing-masing kanal (merah,hijau, dan biru).

Gambar 1. Respon spektral pada pengindera (Sumber: Tetracam Inc, 2011)

2.1 Ekstraksi Bayer Filter Pola Bayer termasuk salah satu Color Filter Array (CFA) terbentuk dari suatu susunan dari filter kanal merah, hijau, dan biru yang ditempatkan pada tiap-tiap lokasi spasial (Hubel, 2004). Dengan menggunakan dua filter hijau untuk setiap filter biru dan merah, pola Bayer didesain untuk memaksimalkan ketajaman kanal luminansi yang sebagian besar terdiri dari kanal hijau (Bayer, 1976).

Gambar 2. Pola Bayer (Sumber: Chang et al., 2006 )

- 85 -

Pengolahan Data Kamera Multispektral pada Pesawat LSA-01 untuk PemantauanPertanian (Chulafak GA, et al.)

Untuk mengkonversi citra dari format Bayer ke RGB perlu dilakukan interpolasi dari dua nilai warna pada masing-masing piksel. Algoritma Freeman (Median-based interpolation) merupakan metode yang terbaik digunakan pada citra yang mempunyai bercak / speckle sedangkan algoritma Larosche-Prescott’s (Gradient based interpolation) dan Algortima Hamilton-Adam (Adaptive color plane interpolation) merupakan metode yang cocok digunakan pada citra yang memiliki sisi/tepi yang tajam (Ramanath, 2002).

2.1.1 Median-based interpolation Terdapat dua langkah dalam metode ini yaitu interpolasi linier dan median filter dari perbedaan warna. Interpolasi linier digunakan untuk mengisi setiap lokasi citra dengan tiga warna yang ada sedangkan median filter merupakan perhitungan dari perbedaan citra, sebut saja merah dikurangi hijau danbiru dikurangi hijau. Citra yang dihasilkan dari median filter digunakan bersamaan dengan sampel asliBayer array untuk memulihkan sampel (Freeman, 1988).

2.1.2 Gradient based interpolation Metode ini umumnya digunakan di sistem kamera digital. Metode ini terdiri dari tiga langkah, pertama interpolasi dari kanal luminansi (hijau), langkah kedua dan ketiga merupakan interpolasi dari perbedaan warna (merah dikurangi hijau dan biru dikurangi hijau). Interpolasi perbedaan warna digunakan untuk merekontruksi kanalkrominansi (merah dan biru). Metode ini mengambil keuntungan karena mata manusia lebih sensitif pada perubahan luminansi (Laroche, 1994).

2.1.3 Adaptive color plane interpolation

Metode ini merupakan modifikasi dari metode gradient based interpolation. Metode ini menggunakan beberapa langkah seperti yang dilakukan pada metode gradient based interpolation tetapi dimodifikasi yang dilakukan untuk mengakomodasi turunan pertama dan kedua. Metode ini juga mempunyai tiga langkah seperti pada gradient based interpolation (Hamilton, 1997).

2.2 Teknik Korelasi Silang

Ditinjau dari teknik pembuatannya, terdapat tiga jenis mozaik, yaitu mozaik terkontrol, tidak terkontrol, dan semi terkontrol (Wolf, 1983). Mozaik terkontrol adalah mozaik yang dibuat dari citra yang telah direktifikasi sehingga semua citra telah mempunyai skala yang sama. Mozaik tidak terkontrol merupakan mozaik yang dibuat dari citra tegak yang belum direktifikasi serta belum diseragamkan skalanya. Mozaik semi terkontrol adalah mozaik yang disusun dengan menggunakan citra yang mempunyai beberapa titik kontrol, tetapi citra tersebut tidak direktifikasi dan mempunyai skala yang tidak seragam. Teknik korelasi silang merupakan salah satu teknik penyamaan citra. Secara umum terdapat 3 metode penyamaan citra, yaitu area-based matching, feature-based matching, dan symbolic matching (Schenk, 2000). Area-based matching mendasarkan hubungan antara dua citra berdasarkan kesamaan derajat keabuan. Teknik yang sering digunakan adalah teknik korelasi silang dan Least Mean Square (LSM). Area-based matching mempunyai kelemahan bahwa objek belum tentu bersesuaian karena hanya berdasarkan nilai spektral. Feature-based matching menentukan hubungan antara dua fitur citra, sedangkan symbolic matching merupakan metode yang menggabungkan antara area-based matching dengan feature-based matching Prinsip dari teknik korelasi silang adalah mencari pasangan objek/titik piksel antara citra referensi dengan citra pasangan. Pada citra referensi ditentukan jendela sasaran yang memuat titik piksel yangakan dicaripasangannya pada citra pasangan. Pada citra pasangan ditentukan daerah selidik yang mempunyai ukuran lebih besar daripada daerah sasaran. Pada daerah sasaran dibentuk pula jendela/daerah sub selidikdengan ukuran yang sama dengan jendela/daerah sasaran, misal 5 piksel x 5 piksel. Jendela sub selidik ini bergerak dengan pertambahan 1 piksel sepanjang setiap baris dan kolom di daerah selidik. Kemudian dihitung nilai korelasi antara jendela sasaran dengan jendela sub selidik. Pada setiap posisi pergerakan jendela sub selidik dalam jendela selidik ini dihitung nilai korelasi antara jendela sasaran dengan jendela sub selidik. Piksel dengan nilai korelasi tertinggi merupakan piksel yang bersesuaian pada kedua citra tersebut, dengan nilai korelasi antara -1 hingga 1. Nilai 1 menunjukkan korelasi yang sempurna, nilai 0 menunjukkan tidak terdapat korelasi, dan nilai -1 menujukkan adanya korelasi yang berkebalikan atau berlawanan (Schenk, 2000) Persyaratan yang dipenuhi untuk melakukan area based matching adalah pasangan citra perlu dinormalisasi terlebih dahulu, misal mengenai derajat kecerahan. Jika tie point antar foto sudah terdeteksi, maka mozaik dapat dibentuk.Seringkali antar citra memiliki kekontrasan yang sangat berbeda sehingga jika dilakukan mozaik akan tidak seragam, untuk itu perlu dilakukan penyeragaman warna antar citra (Harintaka, 2006).

- 86 -


3.

BAHAN DAN METODE

3.1 Bahan dan Alat Bahan dan alat yang digunakan dalam penelitian ini adalah data foto hasil akuisisi pesawat LSA yang mempergunakan kamera multispektral pada waktu akuisisi bulan September 2014. Adapun wilayah kajiannya merupakan area sekitar Pantura Jawa Barat, terutama di wilayah Kabupaten Subang dan Indramayu. Data foto dari pesawat LSA yang digunakan merupakan foto yang diambil pada ketinggian 6000 kaki dengan cakupan 1.4 km x 1.05 km dan mempunyai resolusi spasial 68 cm. Adapun pertampalan antar scene foto adalah 60% (belakang) dan 40% (samping).

3.2 Metode

Metode yang dilakukan dalam penelitian ini terlihat seperti pada Gambar 3. Ekstraksi Metadata

RAW Data

Data dengan metadata (lat, long, alt)

Mozaik dan koreksi tegak

Menghitung NDVI

Ekstraksi Bayer Filter

Gambar 3. Metode penelitian

4.

HASIL PEMBAHASAN

4.1 Hasil Ekstraksi Bayer Filter Data mentah yang diakuisi dari pesawat LSA diolah menggunakan perangkat lunak dan akan menghasilkan citra multispektral yang mempunyai tiga kanal. Tidak seperti citra pada umumnya yang mempunyai kombinasi kanal RGB, citra yang dihasilkan dari hasil ekstraksi Bayer filter ini mempunyai komposit warna NIR, Red, Green seperti terlihat pada Gambar 4.

(a) Komposit pengolahan awal dari data mentah

- 87 -


(b) Kanal hijau

(d) Kanal inframerah dekat

(c) Kanal merah

(e) R, 0.75xG + 0.25xNIR, 0.75xG - 0.25xNIR

Gambar 4. Citra Hasil ekstraksi Bayer filter (Sumber: Data yang diolah)

Komposit warna NIR, Red, Green ini dikarenakan terdapat filter penyerap kanal biru yang digunakan untuk menghilangkan sensitifitas sensor terhadap kanal biru, dan piksel biru pada sensor digunakan untuk mengukur nilai dari kanal inframerah dekat (kurva biru pada Gambar 1). Citra yang dihasilkan oleh sensor kemudian diolah menggunakan perangkat lunak untuk mengurangi nilai inframerah dekat yang telah diukur dari kanal merah dan biru untuk menghasilkan citra merah/hijau/inframerah dekat.

4.2 Hasil Mozaik Data citra hasil ekstraksi Bayer filter masih merupakan data yang masih terpotong-potong seperti data mentahnya, maka dari itu perlu dilakukan mozaik sehingga menjadi data citra yang utuh sesuai dengan hasil perekaman dari pesawat LSA. Selain dilakukan mozaik, juga perlu dilakukan koreksi tegak yang dibutuhkan karena gerakan dari pesawat LSA tidak sepenuhnya tegak terhadap permukaan bumi. Data citra yang diakuisi dari pengindera sudah terdapat lokasi koordinat yang didapat dari GPS pada pengindera, sehingga untuk membuat mozaik data citra bisa lebih mudah dilakukan.

Gambar 5. Hasil mozaik citra dari data hasil perekaman LSA (Sumber: Data yang diolah)

Hasil dari mozaik tidak sepenuhnya bagus baik dari segi geometrik maupun dari segi radiometrik. Selain itu, tidak semua data citra dapat dimozaik walaupun data citra tersebut memiliki data koordinat terutama pada wilayah perairan. Wilayah perairan sangat cepat berubah seperti pada kondisi arus airnya, kemungkinan hal ini yang menyebabkan data citra sulit untuk dimozaik, namun, untuk wilayah pesisir masih dapat dimozaik dikarenakan masih terdapatnya wilayah daratan yang kondisinya relatif tetap sehingga nilai

- 88 -


korelasi silang antar foto masih memenuhi untuk dilakukan mozaik walaupun wilayah perairannya relatif berubah.

Gambar 6. Hasil mozaik yang kurang sempurna yang ditampalkan pada Google Earth. Gambar kiri: wilayah perairan.Gambar kanan: wilayah daratan (Sumber: Data yang diolah)

Dari segi geometrik, tidak seluruh data citra yang bertampalan menghasilkan data citra yang mulus (seamless) seperti pada Gambar 7 (atas), namun untuk akurasi geometriknya sudah cukup bagus walaupun terlihat masih terdapat sedikit pergeseran ketika ditampilkan dengan ditampalkan menggunakan citra dari Google Earth seperti terlihat pada Gambar 7 (bawah).

Gambar 7. Beberapa kekurangan pada segi geometrik (Sumber: Data yang diolah)

Pada Gambar 8 memperlihatkan adanya perbedaan kecerahan/iluminasi dari utara ke selatan yang diakibatkan lamanya waktu akuisisi. Waktu akuisisi lintasan paling utara sekitar pukul 08.00 pagi, sedangkan pada lintasan paling selatan sekitar pukul 11.00, sehingga pengaruh matahari akan cukup berbeda pada kedua lintasan dan akan terlihat perbedaannya ketika citra dimozaik. Citra yang didapat dari akuisisi LSA ini membutuhkan waktu berjam-jam untuk menyelesaikan satu lintasannya, berbeda dengan citra penginderaan jauh dari satelit yang membutuhkan waktu hanya dalam hitungan menit dalam tiap sapuannya sehingga tidak akan terjadi gradasi iluminansi dalam citranya. Selain itu pada citra penginderaan jauh menggunakan satelit terdapat metadata mengenai hal-hal yang dapat membantu dalam koreksi radiometriknya, seperti sudut azimut dan elevasi matahari.

- 89 -


Gambar 8. Masalah radiometrik pada hasil mozaik citra (Sumber: Data yang diolah)

4.3 Analisis Lahan Pertanian Untuk melakukan kajian mengenai masalah pertanian dengan menggunakan citra hasil akuisisi LSA maka perlu dilakukan pengolahan lanjutan. Dikarenakan kanal yang dihasilkan oleh pengindera berada pada kanal hijau, merah, dan inframerah dekat, maka dapat dilakukan perhitungan indeks vegetasi dengan menggunakan NDVI (Normalized Difference Vegetation Index) sebagai pengolahan lanjutan. Pada Gambar 9 ditunjukkan hasil sampel citra NDVI dari citra hasil perekaman LSA dengan menggunakan gradasi hijau, dimana piksel yang mempunyai NDVI tinggi ditunjukkan dengan warna terang (hijau ke arah putih) sedangkan piksel yang mempunyai NDVI rendah ditunjukkan dengan warna gelap (hijau ke arah hitam). Nilai NDVI yang terhitung pada sampel lokasi berkisar dari -0.281 hingga 0.735.

Gambar 9. Hasil sampel dari NDVI pada wilayah pertaniandengan menggunakan palet hijau. (Sumber: Data yang diolah)

Untuk mempermudah dalam melakukan interpretasi visual, maka dilakukan komposit kanal dengan menggunakan komposit kanal NIR, NDVI, dan R, yang penampakannya seperti terlihat pada Gambar 10. Dengan menggunakan komposit tersebut, untuk area non vegetasi (permukiman, fase bera, jalan, lahan terbuka) secara visual terlihat mengarah ke warna magenta. Sedangkan untuk wilayah dengan tingkat

- 90 -


kehijauan tinggi (vegetasi maksimum/pemanjangan batang hingga bunting) secara visual terlihat berwarna kuning - hijau muda. Pada area dengan tingkat kehijauan sedang (fase vegetatif awal/anakan, fase generatif /pematangan) terlihat berwana hijau agak tua. Sedangkan untuk tingkat kehijauan rendah terlihat berwarna hijau tua seperti terlihat pada sungai yang kemungkinan terdapat vegetasi di dalamnya.

Kehijauan tinggi(vegetasi maksimum / pemanjangan batang hingga bunting)

Kehijauan sedang (fase vegetatif awal, fase generatif)

Kehijauan rendah (sungai, fase air?)

Non vegetasi (rumah, lahan terbuka, fase bera, jalan)

Gambar 10. Interpretasi pada Citra komposit NIR, NDVI, dan RED (Sumber: Data yang diolah)

5.

KESIMPULAN

Data multispektral yang diakuisisi oleh pesawat LSA berpotensi untuk digunakan dalam pengamatan wilayah lahan pertanian seperti halnya penggunaan dari data yang diakuisisi dari satelit penginderaan jauh. Untuk melakukan pemrosesan data hasil akuisisi LSA dapat menggunakan langkah sebagai berikut: Data Mentah Ekstraksi Bayer filter Mozaik dan Koreksi tegak Pengolahan Lanjut, namun, masih perlu dilakukan tambahan langkah pengolahan dan koreksi citra baik dalam masalah geometrik maupun radiometrik sehingga citra yang dihasilkan lebih baik.

UCAPAN TERIMAKASIH Ucapan terima kasih kami tujukan kepada Kepala Pusat Teknologi Penerbangan LAPAN yang telah memberi bantuan pesawat LSA sebagai pembawa dari pengindera multispektral, juga kepada Kepala Pusat Pemanfaatan Penginderaan Jauh LAPAN yang telah mendukung dalam penelitian ini.

DAFTAR PUSTAKA Kushardono, D., Annas, A., Maryanto, A., Utama, A.B., dan Winanto (2015). Pemanfaatan Data LSA (LAPAN Surveillance Aircraft) untuk Mendukung Pemetaan Skala Rinci. Prosiding Pertemuan Ilmiah Tahunan XX dan Kongres VI MAPIN. Shofiyanti, R. (2011). Teknologi Pesawat Tanpa Awak untuk Pemetaan dan Pemantauan Tanaman dan Lahan Pertanian. Informatika Pertanian 20(2):58 – 64. Wiyono, A., dan Budiyanta, S.A. (2015). Analisa Perencanaan dan Hasil Uji Terbang LSU-01untuk Pemotretan Wilayah Longsor Banjarnegara. Prosiding Pertemuan Ilmiah Tahunan XX dan Kongres VI MAPIN

- 91 -


Artanto, E., Yuniar, F., dan Rimayanti, A. (2015). Pemetaan Pulau Terluar Indonesia Menggunakan Wahana UAV. Prosiding Pertemuan Ilmiah Tahunan XX dan Kongres VI MAPIN Mancini, F., Dubbini, M., Gatelli, M., Stecchi, F., Fabbri, S., dan Gabbianelli, G. (2013). Using Unmanned Aerial Vehicles (UAV) for High-Resolution Reconstruction of Topography: The Structure from Motion Approach on Coastal Environments. Remote Sensing, 5(12):6880-6898. Sari, N.M., dan Kushardono, D. (2015). Object Segmentation on UAV Photo Data to Support the Provision of Rural Area Spatial Information. Jurnal Forum Geografi 29(1):49-59. Tetracam, Inc. (2011). Agricultural Digital Camera User’s Guide (ver 2.3).Chatsworth: Tetracam, Inc. Hubel, P.M., Liu, J., dan Guttosch, R.J. (2004). Spatial Frequency Response of Color Image Sensors: Bayer Color Filters and Foveon X3. Proc. SPIE5301, Sensors and Camera Systems for Scientific, Industrial, and Digital Photography Applications V. 402. Bayer, dan Bryce, E. (1976). Color Imaging Array. U.S. Patent No. 3,971,065 Chang, L., dan Tan, Y. (2006). Hybrid Color Filter Array Demosaicking for Effective Artifact Suppression. Journal of Electronic Imaging Ramanath, R., Snyder, W.E., dan Bilbro, G.L. (2002). Demosaicking Methods for Bayer Color Arrays. Journal of Electronic Imaging, 11(3):306 -315. Freeman, W.T. (1988). Median Filter for Reconstructing Missing Color Samples. U.S. Patent No. 4,7642,395. Laroche, C.A., dan Prescott, M.A. (1994). Apparatus and Method for Adaptively Interpolating a Full Color Image Utilizing Chrominance Gradients. U.S. Patent No. 5,373,322. Hamilton, J.F., dan Adams, J.E. (1997). Adaptive Color Plane Interpolation in Single Sensor Color Electronic Camera. U.S. Patent No. 5,629,734. Wolf, P.R. (1983). Elements of Photogrammetry, 2nd edition. McGraw Company, USA. Schenk, T. (2000). Digital Photogrammetry, Volume 1. Terra Science, Ohio, USA. Harintaka, Susanto, E.W., dan Thobibah, T. (2006). Otomatisasi Pembuatan Mosaik Menggunakan Teknik Korelasi Silang pada Foto Udara Format Kecil. Pertemuan Ilmiah Tahunan III – T. Geomatika ITS. *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA PRESENTASI ILMIAH SINASINDERAJA 2015 Moderator Judul Makalah Pemakalah Jam Tempat Diskusi :

: MuchamadSholeh, M.Eng. : Pengolahan Data Kamera Multispektral Pada Pesawat LSA-01 Untuk Pemantauan Pertanian. : Galdita Aruba Chulafak : 11.00 – 12.00 WIB : Meeting Room E-F

Hamdi (LAPAN). Apakah bisa dilakukan mozaik pada daerah perairan? Berapa porsentase keberhasilnya khususnya pada data Landsat? Liputan awan hampir seluruh Indonesia untuk data Landsat 8? Herman (UGM) Sensor yang digunakanberapa band? Hingga muncul NIR? Wati (BPS) Apakah hasil pengolahan dapat mudah terbaca oleh orang awam sebagai contoh daerah pertanian? Apakah juga bisa terbaca jenis tanamannya dan juga tanaman yang ada di ladang? Misalkan jagung dibedakan dengan padi Wahyu ( TNI AL) Bisakah LSA digunakan untuk surveillance maritim? TNI AL memiliki Nomed jika dikolaberasi kandengan LSA kemampuannya akan seperti apa? Dony (tambahan) Kamera yang digunakan merupakan kamera multi spectral khusus untuk pertanian. Kemampuan LSA dapat terbang hingga 6 jam untuk maritim bisa diinstall pay loadnya pada LSA Jawaban: Untuk mozaik dipesisir masih bisa dilakukan jika di perairan akan susah dilakukan. Sensor hanyaada 3 band. NIR merupakan hasil sintesisdari band red dan blue kemudian untuk band blue di filter.

- 92 -


Bisa digunakan untuk jenis tanaman lain sehingga perlu dilakukan penelitian lebih lanjut Untuk keperluan Maritim bisa digunakan tapi disesuaikan payloadnya saja.

- 93 -


Pan-Sharpening Citra QuickBird menggunakan Transformasi Hyperspherical Color Space (HCS) Katmoko Ari Sambodo1,*) 1

Pusat Teknologi dan Data Penginderaan Jauh - LAPAN. *)

E-mail:[email protected]

ABSTRAK - Pan-sharpening adalah suatu jenis penggabungan (fusi) data yang mengkombinasikan citra multispektral resolusi rendah dengan citra pankromatik resolusi tinggi untuk menghasilkan suatu citra warna resolusi tinggi. Pada umumnya pan-sharpening dilakukan dengan berbagai teknik transformasi warna sedemikian rupa sehingga citra yang dihasilkan memiliki ketajaman yang sama dengan citra pankromatik dan memiliki warna yang sama dengan citra multispektral orisinilnya. Namun demikian, pada prakteknya sangat susah untuk memenuhi kedua tujuan tersebut secara bersamaan. Penelitian ini bertujuan untuk mengkaji suatu metode alternatif pan-sharpening dengan menggunakan metode transformasi Hyperspherical Color Space (HCS) dengan menggunakan data QuickBird. Transformasi HCS ini sebelumnya telah diajukan oleh Padwick et.al, dengan menggunakan data WorldView-2. Namun mengingat perbedaan jumlah dan karakteristik spektral antara citra WorldView-2 dengan citra QuickBird, maka perlu dikaji performansinya pada citra QuickBird. Konsep dasar dari metode transformasi dari ruang warna native ke ruang warna hyperspherical adalah mengikuti definisi standar transformasi dari ruang Kartesian berdimensi-n ke ruang Hyperspherical berdimensin. Pada transformasi sebaliknya, citra intensitas digantikan dengan citra pankromatik yang sebelumnya telah disetarakan intensitasnya (intensity match) dengan citra intensitas pada ruang warna Hyperspherical-nya. Proses penyetaraan intensitas ini cukup menentukan kualitas hasil, dan pada penelitian ini dilakukan dengan berdasarkan nilai digital citra pankromatiknya, nilai digital dan statistiknya dari citra pankromatik yang telah dilakukan perataan pada jendela berukuran 7x7 piksel, dan nilai digital dan statistiknya dari citra intensitas pada ruang warna Hyperspherical-nya. Hasil eksperimen menunjukkan bahwa metode ini memberikan hasil yang sangat bagus untuk diterapkan pada citra QuickBird yakni memiliki ketajaman spasial yang baik dan mempertahankan warna yang relatif sama dengan citra multispektral orisinilnya. Hal ini juga ditunjukkan dengan nilai indeks kualitas citra berdasar Wang-Bovic quality index yang tinggi (di atas 0.85) pada keseluruhan band citra QuickBird (Red, Green, Blue, dan NIR). Kata kunci: Pansharpening, Quickbird, Hyperspherical Color Space (HCS), image quality index. ABSTRACT - Pan-sharpening is a type of data merger (fusion) that combines the low-resolution multispectral image with the higher resolution panchromatic image to produce a high-resolution color image. In general, pan-sharpening is done with a variety of color transformation techniques such that the resulting image has the same sharpness as the original panchromatic image as well as the same colors as the original multispectral image. However, in practice, it is very difficult to meet both of these goals together. This study aimed to examine an alternative pan-sharpening method based on Hyperspherical Color Space (HCS) transformation using QuickBird data. HCS transformation has been proposed by Padwick et.al, using WorldView-2 data. However, due to differences in the number and spectral characteristics between WorldView-2 data with QuickBird data, it is necessary to study its performance on QuickBird data. The transformation between the native color space and the hyperspherical color space follows the standard defininition of transformation between n-dimensional Cartesian space and n-dimensional hyperspherical space. On the reverse transformation, the intensity component is replaced with panchromatic image that has been intensity-matched with the intensity component on the hyperspherical space. The intensity matching affect the pan-sharpening result, and in this research was done based on the digital number of original panchromatic image, the digital number and statistical values of smoothed -panchromatic image (using window size of 7x7 pixels), and the digitalnumber and statistical values of intensity component in the Hyperspherical color space. The experimental result shows that this method provides very good results to be applied to QuickBird image, i.e. the pan-sharpening result has good spatial sharpness and has relatively the same colors as the original multispectral image. This is also shown by high quality index (above 0.85, based on the Wang-Bovic quality index) at all QuickBird image bands (Red, Green, Blue, and NIR).

Keywords: Pansharpening, Quickbird, Hyperspherical Color Space (HCS), image quality index

1.

PENDAHULUAN

Pan-sharpening adalah suatu jenis penggabungan (fusi) data yang mengkombinasikan citra multispektral resolusi rendah dengan citra pankromatik resolusi tinggi untuk menghasilkan suatu citra warna resolusi tinggi. Pada umumnya pan-sharpening dilakukan dengan berbagai teknik transformasi warna sedemikian rupa sehingga citra yang dihasilkan memiliki ketajaman yang sama dengan citra pankromatik dan memiliki warna yang sama dengan citra multispektral orisinilnya. Namun demikian, pada prakteknya sangat susah untuk memenuhi kedua tujuan tersebut secara bersamaan.

- 94 -


Penelitian ini bertujuan untuk mengkaji suatu metode alternatif pan-sharpening dengan menggunakan metode transformasi Hyperspherical Color Space (HCS) dengan menggunakan data QuickBird. Transformasi HCS ini sebelumnya telah diajukan oleh Padwick et al. (2010), dengan menggunakan data WorldView-2. Namun mengingat perbedaan jumlah dan karakteristik spektral antara citra WorldView-2 dengan citra QuickBird, maka perlu dikaji performansinya pada citra QuickBird.

2.

METODE

2.1 Metode Pan-sharpening dengan menggunakan Transformasi Hyperspherical Color Space (HCS) Konsep dasar dari metode transformasi dari ruang warna native ke ruang warna hyperspherical adalah mengikuti definisi standar transformasi dari ruang Kartesian berdimensi-n ke ruang Hyperspherical berdimensi-n (Padwick et al., 2010). Untuk citra dengan jumlah band input N, maka akan membentuk sebuah komponen intensitas dan N-1 buah sudut dalam ruang hypersphere-nya. Misalnya untuk citra dengan QuickBird dengan jumlah band 4 yakni B (band Blue), G (band Green), R (band Red), dan N (band NIR) akan ditransformasikan ke ruang hypersphere dengan satu buah intensitas dan tiga buah sudut ( , , dan ) mengikuti persamaan berikut :

=√

+

+

=

√

=

√

+

(1) (2) (3)

=

(4)

Transformasi sebaliknya (dari ruang warna hyperspherical ke ruang ruang warna native) adalah sebagai berikut :

= cos

(5)

= sin

cos

= sin

sin

cos

(7)

= sin

sin

sin

(8)

(6)

Dalam transformasi ke HCS, variabel sudut ( ) merepresentasikan warna (color) atau hue sedangkan komponen radial ( ) merepresentasikan intensitas warna. Apabila telah ditransformasikan ke HCS, maka komponen intensitasnya dapat diubah / diskala ulang tanpa merubah warnya. Hal ini menjadi hal pokok dalam algoritma pan-sharpening. Permasalahannya selanjutnya adalah bagaimana algoritma untuk mengubah intensitas tersebut. Dalam hal ini band pankromatik dapat dipergunakan karena memiliki resolusi spasial yang lebih baik dibanding band multispektralnya. Cara yang paling sederhana adalah dengan langsung mengganti intensitas tersebut dengan band pankromatik tersebut. Namun hal itu biasanya tidak akan memberikan hasil yang optimum. Dalam berbagai penelitian disarankan untuk melakukan intensity matching terhadap band pankromatik tersebut terlebih dahulu sehingga serupa dengan nilai intensitas . Penelitian ini mencoba menerapkan teknik intensity matching yang telah diterapkan oleh Padwick et al. (2010) untuk data WorldView-2 dengan cara memodelkan perbedaan antara intensitas band pankromatik dan band multispectralnya dan mempertimbangkannya dalam proses pan-sharpening tersebut. Berikut akan dijelaskan intensity matching tersebut, yang dalam papernya Padwick, et al menyebutnya sebagai mode Smart. Sebelum dilakukan proses pan-sharpening, pertama-tama dibentuk terlebih dahulu citra dari band pankromatik (P) yang dihaluskan (smoothed) seperti berikut:

- 95 -

Pan-Sharpening Citra QuickBird menggunakan Transformasi Hyperspherical Color Space (HCS) (Sambodo KA)

= SMOOTH( )

(9)

Dimana operasi SMOOTH merupakan sliding window convolution filter, yang dilakukan dengan ukuran window 7x7, sehingga nilai di piksel di tengah window merupakan nilai rata-rata dari seluruh piksel di dalam window tersebut. Ukuran window dapat diubah-ubah, namun ukuran 7x7 merupakan ukuran yang direkomendasikan, karena menghasilkan citra hasil pan-sharpening dengan artifak-artifak spasial (seperti ghosting, blurring, dan lain-lain) yang paling minimal. Berikutnya, rata-rata dan standar deviasi baik untuk kuadrat ( ) dan kuadrat intensitas multispektralnya ( ) dihitung, yakni:

=

+

+

=(

+

(10)

)

(11)

Hasil perhitungan rata-rata dan standar deviasi untuk dinyatakan dengan dan , sedangkan untuk dinyatakan dengan dan . Intensity matching baik untuk dan ke dilakukan dengan formula berikut:

(

= =

(

− −

+ +

)+ )+

−

(12)

−

Selanjutnya, dihitung suatu besaran intensitas baru

(13) (adjusted intensity) sebagai berikut :

=

(14)

selanjutnya dipergunakan dalam proses pan-sharpening, yakni untuk mengganti nilai intensitas pada formula (5) – (8).

2.2 Metode Evaluasi Hasil Pan-sharpening Secara umum, belum terdapat metode yang standar untuk mengevaluasi hasil pan-sharpening. Secara kualitatif, metode pan-sharpening yang baik memiliki ketajaman spasial yang baik (yang diantaranya dapat dikonfirmasikan dengan melihat batas-batas objek yang dibentuknya) dan mempertahankan warna yang relatif sama dengan citra multispektral orisinilnya. Namun secara kuantitatif, belum terdapat kesepakatan terkait indeks yang terbaik yang dapat dijadikan standar untuk menilai hasil pan-sharpening. Penelitian ini mencoba untuk menggunakan salah satu indeks yang disebut dengan indeks kualitas Wang-Bovic (Wang & Bovic, 2002) Indeks kualitas Wang-Bovic untuk dua citra dan didefiniskan sebagai :

=

(15)

Dimana dan masing-masing merepresentasikan nilai varians dari citra dan citra . dan masing-masing merepresentasikan nilai rata-ratanya. Menurut Wang-Bovic, suku pertama menyatakan cross correlation antara citra dan , suku kedua menyatakan perbandingan antara nilai rata-rata dari dan , dan suku ketiga menyatakan perbandingan kekontrasannya. Kisaran nilai indeks tersebut adalah antara -1 dan 1. Untuk mengaplikasikan indeks ini, karena ukuran piksel hasil pan-sharpening yang berbeda dengan citra multispectral origisinilnya, maka pertama-tama dilakukan downsampling citra hasil pan-sharpening sehingga memiliki ukuran resolusi piksel yang sama dengan citra multispektralnya. Selanjutnya indeks dapat dihitung dengan menggunakan ukuran blok / window tertentu. Dalam penelitian ini, digunakan ukuran piksel ¼ dari ukuran citranya seperti yang dilakukan oleh Padwick et al. (2010).

- 96 -


2.3 Data yang Digunakan Data sampel yang digunakan untuk melakukan eksperimen pan-sharpening ditunjukkan pada Gambar 2. Data ini merupakan data citra Quick Bird yang terdiri atas data multispektral dan data pankromatik, pada sebagian wilayah Kabupaten Batang, Propinsi Jawa Tengah dan telah melalui proses orthorektifikasi.

a) Band multispektral (resolusi )

b) Band Pankromatik (resolusi m) Gambar 1. Data QuickBird yang dipergunakan

- 97 -


3.

HASIL dan PEMBAHASAN

Hasil koreksi pan-sharpening dengan menggunakan data input pada Gambar 1 ditunjukkan pada Gambar 2. Pada Gambar 3 ditunjukkan perbesaran beberapa area pada Gambar 2 sehingga mempermudah dalam melakukan perbandingan antara citra multispektral orisinil dengan citra hasil pan-sharpeningnya. Dari hasil tersebut dapat dilihat bahwa metode pan-sharpening HCS ini memberikan hasil dengan ketajaman spasial yang baik dan mempertahankan warna yang relatif sama dengan citra multispektral orisinilnya. Hal ini dapat terlihat dari hampir keseluruhan jenis objek, baik rumah, sawah, jalan, tanah terbuka, maupun vegetasi di sekitarnya. Selanjutnya dilakukan evaluasi hasil secara kuantitatif dengan indeks Wang Bovic. Hasilnya dirangkum pada Tabel 1. Dari tabel tersebut dapat dilihat bahwa indeks untuk band R, G, dan NIR di atas 0.85, hanya untuk band B yang sedikit di bawah 0.85. Demikian juga untuk kualitas spasialnya yang dihitung dengan cross correlation CC, untuk keseluruhannya di atas 0.85. Hal ini menunjukkan bahwa metode pansharpening HCS ini memberikan hasil yang bagus baik secara kualitatif maupun kuantitatif apabila diterapkan pada data QuickBird. Selain itu, berbeda dengan metode pan-sharpening lainnya (seperti misalnya metode RGB-HIS), metode HCS ini memberikan hasil pan-sharpening tidak hanya tiga band Red, Green, dan Blue saja, namun juga menghasilkan citra hasil pan-sharpening untuk band NIR. Dan kualitas untuk band NIR ini juga relatif memuaskan.

Gambar 2. Hasil Pan-sharpening dengan menggunakan metode Transformasi Hyperspherical Color Space (HCS)

- 98 -


Multispektral

Pankromatik

Hasil pan-sharpening HCS

Multispektral

Pankromatik


Multispektral

Pankromatik


Multispektral

Pankromatik


Gambar 3. Gambar perbesaran hasil Pan-sharpening dengan menggunakan metode Transformasi Hyperspherical Color Space (HCS)

Tabel 1. Indeks kualitas Wang Bovic hasil pan-sharpening HCS. Band Red (R) Green (G) Blue (B) NIR (N)

0.889 0.864 0.746 0.878

- 99 -


4.

KESIMPULAN

Pan-sharpening dengan menggunakan metode transformasi Hyperspherical Color Space (HCS) dapat diterapkan pada citra QuickBird dengan hasil yang memuaskan baik secara kualitatif maupun kuantitatif. Hasil pan-sharpening tersebut memiliki ketajaman spasial yang baik dan mempertahankan warna yang relatif sama dengan citra multispektral orisinilnya. Hal ini juga ditunjukkan dengan nilai indeks kualitas citra berdasar Wang-Bovic quality index yang tinggi pada keseluruhan band citra QuickBird (Red, Green, Blue, dan NIR).

UCAPAN TERIMAKASIH Ucapan terimakasih disampaikan kepada Pusat Teknologi dan Data Penginderaan Jauh, LAPAN yang telah menyediakan data Quick Bird untuk keperluan penelitian ini. Ucapan terima kasih juga disampaikan kepada Drs. Kustiyo, M.Si yang telah menyediakan fasilitas pengolahan datanya dan berbagai diskusinya selama melakukan eksperimen.

DAFTAR PUSTAKA Wang, Z., dan Bovic, A. (2012). A Universal Image Quality Index. IEEE Signal Processing Letters. Padwick, C., Deskevich, M., Pafici, F., dan Smallwood, S. (2010). Worldview-2 Pan-sharpening. ASPRS 2010 Annual Conference, San Diego, California. *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA PRESENTASI ILMIAH SINASINDERAJA 2015 Moderator Judul Makalah Pemakalah Jam Tempat Diskusi

: Ayom Widipaminto, S.T., M.T. : Pan-Sharpening Citra Quick Bird Menggunakan Transformasi Hyperspherical Color Space (HCS) : DR. Katmoko Ari Sambodo : 15.30 – 16.30 WIB : Meeting Room E-F :

Ferman Setia Nugraha (BPJ Parepare – LAPAN). Apakah metode dan plug-in ini bisa untuk data yang lain? Atau hanya untuk Quick Bird saja? Daniel Sande Bona, S.T. (BPKWA Biak – LAPAN) Berapa batas maksimum perbandingan resolusi maksimum antara band pankromatik dengan band multispektral yang dapat di pan-sharp? Apakah ada metode lain yang dapat digunakan? Bagaimana perbandingannya dengan metode ini? Jawaban: Metode ini bisa digunakan untuk data yang lain. Penulis sudah mencoba menggunakan metode ini pada data citra GeoEye, World View, Pleiades dan semua hasilnya memuaskan. Hanya saja masih terdapat masalah pada perbedaan jumlah band tiap citra. Sehingga program harus disesuaikan sedemikian rupa sehingga intensity matching-nya dapat disesuaikan. Resolusi band pankromatik biasanya 4x lebih besar dibandingkan band multispektralnya. Penulis telah menghitung resolusi spasial piksel pankromatik yang dijadikan skala untuk kemudian dilakukan resampling terhadap data multispektralnya. Sebenarnya, penulis ingin melakukan perbandingan dengan metode lain tetapi terkendala dengan kemampuan software yang lain yang hanya mampu mendukung data 8 bit. Sedangkan data Quick Bird tersebut memiliki data sebesar 11 bit sehingga tidak dapat diproses oleh software tersebut. Penulis mencoba untuk melakukan perbandingan dengan metode HIS, dan seperti yang telah diduga, hasilnya sangat kontras perbedaannya. Penulis mengaku agak ragu untuk tidak menyampaikan, karena software-nya memang tidak mendukung data 11 bit.

- 100 -


Klasifikasi Daerah Aliran Sungai Berdasarkan Parameter Kondisi Lahan di DAS Mentaya Menggunakan Data Penginderaan Jauh dan SIG Agung Rusdiyatmoko1,*) 1

BPDAS Kahayan Direktorat Jenderal Pengendalian DAS dan Hutan Lindung, Kementerian Lingkungan Hidup dan Kehutanan, Kalimantan Tengah, Indonesia *)

E-mail: [email protected].

ABSTRAK–Sesuai dengan Peraturan Pemerintah Nomor 37 Tahun 2012, Daerah Aliran Sungai (DAS) diklasifikasikan menjadi DAS dipulihkan dan dipertahankan. Penentuan klasifikasi tersebut didasarkan pada penilaian terhadap parameter lahan, tata air, sosial ekonomi kelembagaan, investasi bangunan air, dan pemanfaatan ruang wilayah. Penelitian ini memfokuskan pada unsur lahan untuk menentukan klasifikasi DAS di DAS Mentaya. Tujuan penelitian ini yakni untuk menentukan klasifikasi DAS Mentaya berdasarkan kondisi lahan dengan menggunakan data penginderaan jauh dan sistem informasi geografis (SIG) dan untuk merencanakan tindakan rehabilitasi hutan dan lahan yang sesuai dengan kondisi lahannya. Data penginderaan jauh yang digunakan antara lain citra Landsat 8 dan SRTM. Untuk menilai kondisi lahan, data yang digunakan yakni data penutupan lahan hasil ekstraksi data penginderaan jauh Landsat 8 dengan metode klasifikasi terselia. Algoritma NDVI dimanfaatkan untuk mengetahui distribusi tingkat kerapatan vegetasi sebagai acuan untuk pemulihan DAS secara vegetatif. Kerapatan vegetasi dibedakan menjadi lahan kosong, kerapatan vegetasi rapat, kerapatan sedang dan kerapatan jarang. SIG digunakan untuk mengolah data dan untuk menggambarkan distribusi secara spasial data dalam klasifikasi DAS dan upaya rehabilitasi hutan dan lahan, yang meliputi: tingkat kekritisan lahan, kesesuaian penutupan lahan, satuan lahan dalam pengelolaan lahan dan upaya rehabilitasi lahan di DAS Kahayan. Teknik skoring digunakan untuk menentukan hasil klasifikasi DAS. Hasil yang diperoleh dari penelitian ini, meliputi: tingkat kekritisan lahan (kritis dan sangat kritis) mencapai 599.339,74 Ha (41, 12%), kondisi penutupan lahan berupa persentase penutupan vegetasi hanya 53.92% dan nilai pengelolaan lahan tergolong rendah. Guna pemulihan kondisi DAS tersebut, kegiatan rehabilitasi hutan dan lahan perlu dilakukan dengan kegiatan vegetative dan sipil teknikdengan program kegiatan, antara lain: reboisasi, hutan rakyat dan penghijauan lingkungan, pembuatan tabat dan gundukan pada ekosistem bergambut, dam pengendali, sumur resapan, serta biopori pada ekosistem daratan. Kata kunci: Klasifikasi DAS, Kondisi Lahan, Rehabilitasi Hutan dan Lahan, Penginderaan Jauh, DAS Mentaya ABSTRACT –Determination of Watershed Classification Based on Land Condition Parameter in Mentaya Watershed by using Remotely Sensed Data and GIS. According to Government Regulation No. 37 years 2012, Watershed classification can be classified into restored and maintained watershed. It can be assessed by calculating land condition, water condition, social/economic/ institutional, waterworks investment, and spatial use. This research is focused on land aspect for determining Mentaya watershed classification. The objective of research is grouped into two goals, namely: to determine Mentaya Watershed classification based on land condition by using remote sensing data and geographic information system (GIS) and to plan land and forest rehabilitation action appropriate with land condition. Landsat 8 and SRTM are used in this research. Land use type as basic data for evaluating land condition is produced by Landsat 8 imagery extraction through supervised classification method. NDVI Algorithm is applied to know dense of vegetation distribution. It is divided in to bare land, dense density, moderate density and low density. These categories are reference to restore watershed vegetatively. GIS is functioned to process data and to draw data spatially such as critical land, land use suitability, land unit for land management, and forest and land rehabilitation. Scoring technique is applied to assess watershed classification. The results obtained from this research, including: land critical level (critical and high critical) reaches 599.339,74 Ha (41,12%), percentage of vegetation cover is 53.92%, and value of land management is categorized low management. To restore watershed condition, land and forest rehabilitation activity need to be done by vegetative and civil technique programs such as reforestation, forest society, environment reforestation, canal blocking and mound in peatland ecosystem, control dam, infiltration wells and biopores especially in dryland ecosystem. Keywords: Watershed Classification, Land Conditon, Land and Forest Rehabilitation, Remote Sensing, Mentaya Watershed

- 101 -

Klasifikasi DAS Berdasarkan Parameter KondisiLahan Di DAS Mentaya Dengan Menggunakan Data PenginderaanJauh Dan SIG (Rusdiyatmoko, A.)

1. 1.1.

PENDAHULUAN Latar Belakang

Pengelolaan daerah aliran sungai (DAS) yang optimal memerlukan data dan informasi tentang karakteristik DAS. Data karakteristik DAS ini mutlak diperlukan sebagai rekomendasi arah pengelolaan DAS dan diharapkan dapat terintegrasi dengan misi dan visi pembangunan suatu wilayah sehingga tercipta sinergi antara pembangunan ekonomi dan lingkungan. Data karakteristik DAS terbangun atas dasar sifat khas yang dimiliki oleh suatu DAS. Menurut Peraturan Direktur Jenderal Bina Pengelolaan Daerah Aliran Sungai dan Perhutanan Sosial Nomor: P.3/V-SET/2013 tentang pedoman identifikasi karakteristik daerah aliran sungai menerangkan bahwa karakteristik DAS merupakan sifat khas dari suatu DAS yang terbagi menjadi sifat statis atau variabel yang tidak mudah berubah dan sifat dinamis atau variabel yang mudah berubah. Data DAS yang tergolong khas dan statis adalah data morfologi dan morfometri DAS. Variabel yang sering berubah dan mempengaruhi dinamika DAS, meliputi: data meteorologi/klimatologi, penutup/penggunaan lahan, kondisi sosial ekonomi kebudayaan masyarakat, dan kondisi kelembagaan pengelolaan DAS. Data yang diperlukan untuk pengelolaan DAS selain informasi karakteristik DAS adalah informasi klasifikasi DAS. Sesuai dengan Peraturan Pemerintah Republik Indonesia Nomor 37 Tahun 2012, DAS dapat diklasifikasikan menjadi DAS yang dipulihkan dan DAS yang dipertahankan. Penentuan klasifikasi DAS yang dimaksud didasarkan pada kriteria, yaitu: kondisi lahan, tata air, sosial ekonomi, investasi bangunan air, dan pemanfaatan ruang wilayah. Kriteria-kriteria tersebut tersusun oleh sub-sub unsur pembentuknya. Kondisi lahan tersusun oleh sub unsur, seperti: informasi luasan lahan kritis, luasan penutupan lahan dan erosi lahan. Sub unsur erosi lahan berkaitan dengan pengelolaan lahan. Untuk itu, pola pengelolaan lahan dapat dijadikan sebagai unsur penilainya. Data yang diperlukan untuk perhitungan kualitas, kuantitas dan kontinuitas air minimal terdiri dari informasi koefisien rezim aliran, koefisien aliran tahunan, muatan sedimen, banjir, dan indeks penggunaan air. Perhitungan nilai sosial ekonomi melibatkan beberapa parameter, meliputi: tekanan penduduk terhadap lahan, tingkat kesejahteraan penduduk, dan keberadaan dan penekan peraturan. Untuk menguatkan analisis dan perhitungan klasifikasi DAS dalam hal aset yang ada di suatu DAS diperlukan investasi bangunan. Data aset yang dimaksud dapat dicerminkan dari klasifikasi kota dan nilai bangunan air yang berada di suatu DAS. Pemanfaatan ruang wilayah diperlukan sebagai informasi pokok untuk manajemen fungsi wilayah terhadap DAS. Data utama yang digunakan adalah pemanfaatan ruang wilayah dengan merujuk pada informasi spasial dan non-spasial kawasan lindung dan kawasan budidaya perlu diketahui. Klasifikasi DAS perlu diketahui sebagai dasar untuk melaksanakan tindakan kegiatan pengelolaan DAS yang berkelanjutan untuk pengembalikan fungsi DAS. Usaha pemulihan DAS terkait dengan informasi lahan terutama informasi laju degradasi lahan dan deforestasi baik secara temporal maupun spasial. Usaha penanggulangan degradasi dan deforestasi harusdirealisasikan untuk menghindari timbulnya permasalahan-permasalahan lingkungan, seperti: tingkat erosi tinggi, biodiversity hilang, habitat musnah, dan kepunahan spesies lokal. Permasalahan tersebut dapat mempengaruhi kehidupan manusia baik secara material dan non-material (Nandy et al., 2011). Salah satu upaya nyata untuk menekan dan menghindari laju deforestasi adalah kegiatan rehabilitasi hutan dan lahan. Kegiatan rehabilitasi hutan dan lahan yang dimaksud harus tepat konsep, program dan sasaran. Untuk itu, perencanaan kegiatan yang dimaksud harus cermat dengan mendasarkan pada karakteristik lahan pada suatu wilayah aliran sungai atau DAS. Data tentang lahan terdegradasi yang akurat baik spasial maupun non-spasial sangat diperlukan untuk proses perencanaan. Data penginderaan jauh dan SIG dapat dikombinasikan untuk memperoleh informasi kondisi lahan yang dimaksud. Keuntungan dari penggunaan data penginderaan jauh yakni objek dapat diidentifikasi tanpa kontak langsung, tingginya tingkat keakuratan perekaman suatu data, informasi yang diperoleh dapat secara temporal sehingga dapat memberikan informasi secara berkala. Berkaitan dengan kondisi lahan yang terdegradasi, lahan-lahan yang dimaksud dapat dipetakan dan diidentifikasi dengan data penginderaan jauh. Algorithm-algorithm khusus dapat digunakan, seperti NDVI dan EVI (Higgibottom et al., 2014; Tagore et al., 2011). Kondisi alampun dapat dimodelkan dengan menggunakan perangkat SIG (Bonham-Carter, 1994). Untuk itu, pemanfaatan data penginderaan dan pengolahan dengan perangkat SIG diharapkan data memperoleh data dengan tingkat keakuratan tinggi.

- 102 -


1.2. Tujuan Tujuan dari penelitian ini yakni untuk menentukan klasifikasi DAS Mentaya berdasarkan kondisi lahan dengan menggunakan data penginderaan jauh dan SIG, serta untuk merencanakan tindakan rehabilitasi hutan dan lahan yang sesuai dengan kondisi lahannya 1.3. Ruang Lingkup Lingkup penelitian ini lebih memfokuskan pada kondisi lahan sebagai data utama untuk klasifikasi DAS Mentaya. Parameter lainnya seperti tata air, kondisi sosial ekonomi diabaikan walaupun parameter tersebut penting untuk penentuan klasifikasi DAS. Parameter kondisi lahan dipilih sebagai parameter utama dengan alasan bobot nilai parameter kondisi lahan tergolong tinggi dibandingkan dengan parameter lainnya dalam klasifikasi DAS.

2.

METODE

2.1. Data Data utama yang digunakan dala penelitian ini disajikan pada Tabel 1. Tabel 1. Data yang digunakan dalam penelitian No 1

Data Citra SRTM

2.

Data Penutupan lahan

3.

Data Fungsi Kawasan

4.

Land system

5.

NDVI

6.

Data distribusi Spasial Lahan Gambut Tingkat kekritisan lahan

7.

Fungsi Untuk menggambarkan kondisi topografi DAS Mentaya yang berkaitan dengan peta kelerengan dan panjang lereng. Untuk mengetahui gambaran tentang distribusi penutupan lahan di DAS Mentaya dan pengelolan kondisi lahan secara umum. Untuk mengetahui fungsi kawasan didasarkan pada payung hukum yang berlaku Untuk mengetahui sistem lahan DAS mentaya yang berisikan informasi tekstur tanah, kondisi drainase, lereng, dan lithologi Untuk mengetahui tingkat kerapatan vegetasi di DAS Mentaya Untuk mengetahui tingkat ketebalan gambut yang digunakan sebagai dasar pembuatan lahan kritis pada ekosistem lahan gambut. Untuk mengetahui distribusi spasial tingkat kekritisan lahan di DAS Mentaya

Sumber http://srtm.csi.cgiar.org/ Citra Landsat 8 di download dari https://libra.developmentseed.org/ Keputusan Menteri Kehutanan Republik Indonesia Nomor: SK. 529/Menhut-II/2012 RePPROT Citra Landsat 8Path/row 119/062 dan path/row 119/061 Data Wetland tahun 2004 BPDAS Kahayan Tahun 2013

2.2. Metode 2.2.1. Penentuan Klasifikasi DAS Mentaya Berdasarkan Kondisi Lahan Parameter yang digunakan untuk penentuan klasifikasi DAS Mentaya berdasarkan kondisi lahan, meliputi: kondisi kekritisan lahan, kondisi penutupan lahan, informasi pengelolaan lahan. 2.2.1.1. Kondisi Kekritisan Lahan Tingkat kekritisan lahan diperoleh dari hasil pengolahan data penginderaan jauh Landsat OLI 8 dan data SRTM. Pengolahan data dilakukan dengan SIG dengan metode utama adalah overlay dengan memberikan bobot dan nilai pada setiap parameter penyusun kondisi kekritisan lahan. Di daerah penelitian terdapat 3 (tiga) ekosistem utama yang mempengaruhi tingkat kekritisan, yaitu: ekosistem lahan kering/daratan, rawa gambut, dan mangrove/sempadan pantai. Adapun tingkat kekritisan lahan diklasifikasi dalam 5 (lima) kelas, yaitu: sangat kritis, kritis, agak kritis, potensial kritis, dan tidak kritis. 2.2.1.2. Kondisi Penutupan Lahan Informasi penutupan lahan diperolehdari ekstraksi data penginderaan jauh yaitu citra Landsat OLI 8. Citra Landsat 8 di daerah penelitian terdiri dari 2 (dua) sheets, yaitu: path/row 119/062 dan path/row 119/061. Citra yang digunakan adalah citra pilihan dalam kurun waktu 1 (satu) tahun dengan memperhitungkan luasan dan presentase tutupan awan. Untuk memperoleh informasi penutupan lahan

- 103 -

Klasifikasi Daerah Aliran Sungai Berdasarkan Parameter KondisiLahan Di DAS Mentaya Dengan Menggunakan Data PenginderaanJauh Dan SIG (Rusdiyatmoko A)

dari Citra Landsat, metode yang digunakan untuk klasifikasi adalah klasifikasi terselia dengan menggunakan software Ermapper dan diolah secara digital dengan ArcGIS. Hasil olahan menghasilkan data penutupan lahan tentatifyang selanjutnya dilakukan proses pengecekan lapangan. Penutupan lahan yang digunakan untuk klasifikasi DAS ini menekankan pada luasan tutupan vegetasi dan tidak bervegetasi. Langka awal klasifikasi lahan pada penelitian ini adalah penentuan 5 (lima) kelas utama, yaitu: vegetasi, tubuh perairan, lahan terbuka, awan, dan penggunaan lahan lainnya. Salah satu manfaat informasi penutupan lahan adalahuntuk identifikasi awal tingkat kekritisan lahan suatu wilayah. NDVI (Normalized Difference Vegetation Index) merupakan salah satu algoritma penginderaan jauh yang dimanfaatkan untuk mengetahui tingkat dan distribusi indeks vegetasi suatu wilayah. Indeks ini merupakan rasio spectral merah dan infra merah. Untuk itu, citra penginderaan jauh yang digunakan untuk ekstrasi informasi NDVI adalah citra yang mempunyai kanal spectral merah dan infra merah dekat. Salah satu citra yang dapat digunakan adalah Landsat 8 OLI. Citra ini mempunyai karakteristik spectral yang lebih sempit baik pada gelombang merah maupun infra merah dekat sehingga NDVI hasil turunannya termasuk cukup signifikan untuk mengetahui tingkat kerapatan vegetasi (Xu and Gue, 2014; Rusdiyatmoko, 2013) Band yang digunakan adalah band infra merah dan infra merah dekat dengan algorithma sebagai berikut:

NDVI : Normalized Difference Vegetation Indexes NIR : Kanal Infra merah dekat Red : kanal merah 2.2.1.3. Informasi Pengelolaan Lahan Informasi pengelolaan lahan diperoleh dengan cara identifikasi langsung ke lapangan ataupun berdasarkan analisis satuan pemetaan. Satuan pemetaan tersebut tersusun atas data penutupan lahan dari hasil klasifikasi citra Landsat.Untuk itu, metode yang digunakan adalah pengamatan langsung secara acak pada setiap penggunaan lahan. Jenis pengelolaan paling dominan pada setiap satuan pemetaan dianggap sebagai jenis pengelolaan lahan untuk penutupan lahan tersebut. 2.2.1.4. Penilaian Klasifikasi DAS Klasifisi DAS berdasarkan kondisi lahan dipengaruhi parameter lain yang meliputi kondisi kekritisan lahan, tutupan vegetasi, dan pengelolaan lahan. Parameter tersebut diberi nilai dan diberi bobot. Adapun skor dan bobot disajikan pada Tabel 2.1. Tabel 2.1. Penentuan Nilai Setiap Parameter berdasarkan Skoring dan Pembobotan Factor Kondisi Lahan No 1

Faktor Lahan Kritis

Bobot 50

2

Penutupan Lahan

25

3

Informasi Lahan

25

Pengelolaan

Kriteria Skor Nilai % Lahan Kritis ≤ 5 % 0,5 25 5 %<% Lahan Kritis ≤ 10 % 0,75 37,5 10 %<% Lahan Kritis ≤ 15 % 1 50 15 %<% Lahan Kritis ≤ 20 % 1,25 62,5 % Lahan Kritis> 20 % 1,50 75 80 < % Penutupan Vegetasi 0,5 12,5 60 < % Penutupan Vegetasi≤80 0,75 18,75 40< % Penutupan Vegetasi≤60 1 25 20< % Penutupan Vegetasi≤40 1,25 31,25 % Penutupan Vegetasi≤20 1,50 37,5 ≤ 0.1 0,5 12,5 0.1 – 0.3 0,75 18,75 0.3 – 0.5 1 25 0.5-0.7 1,25 31,25 > 0.7 1,50 37,5 Sumber: Modifikasi KLHK, 2014

- 104 -


Penentuan klasifikasi DAS berdasarkan kondisi lahan menggunakan formula aritmatika berikut ini: Total Nilai= Nilai faktor persentase lahan kritis+Nilai factor persentase Penutup lahan bervegetasi+Nilai factor persentase informasi. Dari hasil perhitungan factor-faktor penyusun kondisi lahan di atas, diperoleh total nilai. Total nilai hasil perhitungan tersebut kemudian dikelaskan sesuai dengan Tabel 2.2. Tabel 2.2. Klasifikasi DAS No 1 2

Nilai Klasifikasi DAS 0 - 75 Dipertahankan 75 -150 Dipulihkan Sumber: Hasil Rumusan, 2015

2.2.2. Perencanaan Kegiatan Rehabilitasi Hutan dan Lahan (RHL) Dalam merencanakan tindakan rehabilitasi hutan dan lahan digunakan konsep satuan pemetaan. Penelitian ini menggunakan dasar satuan pemetaan berupa tingkat kekritisan lahan kritis. Lahan yang menjadi target kegiatan RHL ini adalah lahan dengan kategori sangat kritis, kritis dan agak kritis. Kondisi tingkat kekritisan lahan ini juga digunakan untuk penentuan tingkat prioritas penanganaan. Tingkat prioritas penanganan dibagi menjadi proritas I dan II. Informasi fungsi kawasan digunakan untuk menentukan jenis kegiatan rehabilitasi hutan dan lahan.

3.

HASIL PEMBAHASAN

3.1. Penentuan Klasifikasi DAS Berdasarkan Kondisi Lahan 3.1.1. Tingkat Kekritisan Lahan Informasi tingkat kekritisan lahan disajikan secara spasial pada Gambar 3.1. di bawah ini. Secara tabular, data disajikan pada Tabel 3.1. Tabel 3.1. Luas Tingkat kekritisan lahan Tingkat Kekritisan Lahan

No

Luasan Ha

%

1

Agak Kritis

557.024,39

38,21

2

Kritis

550.113,96

37,74

3

Potensial Kritis

261.065,90

17,91

4

Sangat Kritis

49.225,78

3,38

5

Tidak Kritis Jumlah

40.247,96

2,76

1.457.677,99

100,00

Gambar 3.1. Informasi Spasial Tingkat Kekritisan Lahan

Kondisi tingkat kekritisan lahan DAS Mentaya didominasi oleh tingkat kekritisan agak kritis (38,21%) dan kritis (37,74%). Hal ini mengindikasikan bahwa DAS Mentaya memerlukan pengelolaan khusus untuk mengendalikan tingkat kekritisannya. Penyebaran tingkat kekritisan lahan DAS Mentaya

- 105 -


melingkupipada bagian tengah dan hilir DAS. Berkaitan dengan penentuan klasifikasi DAS, kondisi lahan sangat dipengaruhi oleh luasan lahanpada kategori kritis dan sangat kritis dalam suatu DAS. Hasil pengolahan dan analisis menunjukkan baha kondisi lahan kekritisan lahan DAS Mentaya tergolong luas yaitu mencapai 599.267,66 ha (40,82%). Hal ini sebagai indikator bahwa tingkat pemulihan DAS memerlukan usaha yang cukup tinggi. Lahan kritis yang dibiarkan tidak ditanggulangi menyebabkan lahan menjadi lahan marginal yang mengakibatkan lahan menjadi tidak berproduktif dan tidak bernilai secara ekonomis (FAO, 1998; Thomas et al., 2012). Untuk itu, luas lahan yang mencapai 599.267,66 ha harus ditangani dengan memperhatikan kemampuan lahan dan diolah sesuai dengan nilai kesesuaian lahannya. 3.1.2.Kondisi Penutupan Lahan Landsat 8 OLI diolah dengan menggunakan metode klasifikasi terselia. Hasil pengolahan data dan didukung dengan uji petik di lapangan menghasilkan informasi spasial penutupan lahan terpercaya.NDVI digunakan sebagai dasar identifikasi kerapatan penutupan lahan. Hasil pengolahan NDVI ini menunjukkan bahwa kondisi kerapatan vegetasi di DAS Mentaya termasuk sedang sampai dengan tinggi. Vegetasi jarang ditemui pada lahan yang telah terolah seperti lahan pertanian, permukiman dan pertambangan. Kondisi perkebunan dan semak belukar yang tersebar di DAS Mentaya termasuk pada kategori sedang dan rapat. Kondisi tingkat kerapatan vegetasi di DAS Mentaya secara spasial disajikan pada Gambar 3.2 .

Gambar 3.2. Informasi Spasial tingkat kerapatan vegetasi

Gambar 3.3. Informasi Spasial Penutupan Lahan

- 106 -


Tabel 3.2. Informasi Jenis Penutup Lahan DAS Mentaya No

Jenis Penutupan Lahan

Luasan Ha

%

1

Hutan

234.043,98

15,94

2

Hutan Rawa

111.886,95

7,62

3

Hutan Tanaman

560,62

0,04

4

Lahan Terbuka

29.937,54

2,04

5

Perkebunan

445.212,38

30,32

6

Permukiman

30.794,51

2,10

7

Pertambangan

16.514,45

1,12

8

Lahan Pertanian

91.061,69

6,20

9

Rawa

58.619,94

3,99

439.047,91

29,90

10.502,00

0,72

1.468.181,97

100,00

10

Semak Belukar

11

Tubuh Air - Danau Grand Total

Klasifikasi penutupan lahan di DAS Mentaya pada tahap pertama dibedakan 5 (lima) kelas utama penutupan lahan, yaitu: lahan bervegetasi, lahan terbuka, penutup lahan lainnya (lahan terbangun), awan dan tubuh perairan. Dari hasil interpretasi digital tersebut, kelas tutupan vegetasi dibedakan menjadi hutan dan non hutan. Selanjutnya, hutan didetailkan menjadi hutan, hutan rawa dan hutan tanaman. Non hutan terbagi dalam perkebunan, lahan pertanian, semak belukar. Sedangkan lahan terbuka dibedakan menjadi lahan terbuka dan kawasan pertambangan. Jenis penutupan lahan didominasi oleh perkebunan (30,32%) dan semak belukar (29,90%). Hal tersebut mengindikasikanadanya alih fungsi lahan dari hutan menjadi bukan hutan dengan luasan yang sangat tinggi. Luasan perkebunan mencerminkanlahan dimanfaatkan secara intensif. Luasan perkebunan dengan jenis tanaman berupa sawit ini menyisakan hutan seluas2.340.43,98 ha, Hutan rawa 111.886,95 ha dan hutan tanaman hanya 560,62 ha. Lahan yang tidak terolah dengan baik menyebabkan lahan dalam kondis terlantar. Lahan-lahan terlantar yang tidak tergarap dengan baik ditumbuhi oleh semak belukar. Luasan semak belukar mencapai 4.390.47,91 ha. Adapun hasil intepretasi dengan uji lapangan menghasilkan tingkat keakurasian mencapai 73 %. 3.1.3.Kondisi pengelolaan Lahan Untuk mengetahui kondisi pengelolaan lahan, data utama yang digunakan adalah jenis penutupan lahan dan pola pengelolaannya. Pola pengelolaan lahan setiap penutup lahan diperlukan pengamatan langsung di lapangan dan wawancara dengan beberapa pengolah tanah. Hasil yang diperoleh disajikan pada Tabel 3.3 Tabel 3.3. Nilai Pengelolaan Penggunaan Lahan di DAS Mentaya No

Pengelolaan Penggunaan Lahan

Nilai

1

Hutan banyak sersah

0,001

234.044

2

Hutan Sekunder

0,1

111.887

3

Hutan tanaman, Sedikit sersah

4

Lahan tanpa Pengelolaan

5

Perkebunan pola jarak tanam

6

Palawija dengan teras bangku tradisional

7

Semak belukar Nilai Tertimbang

Luas (Ha)

0,005

561

1

87.749

0,1

445.212

0,7

91.062

0,02

449.550 0,147

Penilaian pengelolaan lahan ini menghasilkan nilai tertimbang sebesar 0,147. Sesuai dengan kriteria tingkat pemulihannya termasuk pemulihan rendah. Hal ini menunjukkan bahwa penggunaan lahan di DAS Mentaya diolah tanpa menggunakan kaidah konservasi yang tepat dan cenderung dibiarkan. Tutupan vegetasi berkaitan erat dengan proses erosi (Ries, 2010). Penutupan lahan berupa hutan dengan

- 107 -


kondisi seresah menyebabkan nilai pengelolaan lahan sangat rendah. Hal ini mengindikasikan kurangnya pengelolaan walaupun dari segi konservasi dapat menghambat terjadinya erosi percik. Energi curah hujan sebelum mencapai permukaan tanah dihalangi oleh seresah dan kanopi sehingga erosi percik terhambat. Nilai pengelolaan lahan tanpa memperhatikan konsep konservasi dapat dijumpai di beberapa lokasi. Nilai pengelolaan lahannya sangat tinggi yaitu mencapai 1 (satu). Hal ini sebagai indikasi jika terjadi pengolahan lahan yang sangat ekstensif di kawasan terbangun seperti permukiman. Penutupan lahan jenis ini mempengaruhi kondisi DAS dalam haltingginya nilai limpasan permukaan dan sedimentasi. Sistem pertanian yang kurang memperhatikan kaidah konservasi tanah dan air mempengaruhi nilai pengelolaannya. Hasil pengamatan menunjukkan nilai pengolahan lahan 0,1 dan 0,7. Di beberapa lokasi dijumpai lahan yang tidak dikelola dengan baik sehingga ditumbuhi semak belukar. Adanya semak belukar menunjukkan pengolahan lahan sangat kecil. 3.1.4. Hasil klasifikasi DAS Mentaya Dengan menggunakan pendekatan SIG, klasifikasi DAS dapat dinilai dengan cepat. Konsep perolehan informasi klasifikasi menggunakan sistem skoring dengan memberikan nilai dan bobot pada setiap parameter (Carter B, 1994).Kondisi lahan DAS Mentaya yang dicerminkan dengan kondisi tingkat kekritisan lahan, persentase penutupan lahan yang diidentikkan dengan kondisi hutan dan perkebunan yang termanfaatkan, dan kondisi pengelolaan lahan maka diperoleh ringkasan data dan hasil perhitungan yang disajikan pada Tabel 3.4. Nilai total hasil perhitungan yakni 118,75 sehingga kategori DAS Mentayatergolong pada DAS yang dipulihkan. Hasil perhitungan tersebut mengindikasikan adanya permasalahan di DAS Mentaya. Permasalahan utama yang dihadapi yakni tingkat kekritisan lahan tergolong tinggi dengan persentase mencapai 41,11 % dan pengelolaan lahan tergolong rendah. Tingkat kekritisan lahan yang tinggi disebabkan oleh kondisi dinamis yaitu perubahan penutupan lahan dari hutan menjadi non hutan dan kondisi statis berupa tingginya erosi karena adanya pengaruh pengoalahn lahan yang tidak sesuai dengan kemampuan lahan dan kesesuaian jenis penutup lahan. Penutupan lahan non hutan berupa perkebunan dan semak belukar mempengaruhi tingkat kekritisan lahan. Penutupan lahan berupa perkebunan dengan sistem monokultur tanpa memperhatikan aspek lereng baik lereng makro maupun mikro menyebabkan erosi dan limpasan permukaan DAS Mentaya tergolong tinggi. Ditinjau dari aspek pengelolaan lahan, lahan di DAS ini belum memperhatikan aspek konservasi. Sistem pengolahan lahan bersifat tradisional di lahan masyarakat dan tidak adanya bangunan konservasi yang memadai untuk menahan laju erosi permukaan. NO 1 2 3

Tabel 3.4. Nilai Pengelolaan Penggunaan Lahan di DAS Mentaya Kriteria Kondisi Nilai Kualifikasi Skor Nilai Klasifikasi Lahan Pemulihan Kondisi Kekritisan 599.339,74 Ha Sangat tinggi 1,5 75 Lahan (41,11 %) Persentase Penutupan 791.704 Ha Sedang 1 25 Vegetasi (53,92 %) Kondisi Pengelolan 0.147 Rendah 0,75 18,75 Lahan Skor Total 118,75 Dipulihkan

3.2. Perencanaan Kegiatan Rehabilitasi Hutan dan Lahan Klasifikasi DAS Mentaya berdasarkan kondisi lahan tergolong DAS yang dipulihkan sehingga penanganan khusus diperlukan untuk mengoptimalkan pengelolaan DAS. Luasan lahan kritis yang tinggi dan pengelolaan lahan yang rendah merupakan penyebab utama DAS Mentaya harus dipulihkan. Untuk itu, program pemulihan DAS harus memperhatikan karakteristik lahan. Salah satu progam kegiatan yang dapat dilaksanakan adalah program kegiatan rehabilitasi hutan dan lahan (Nawir, et al. 2008). Informasi karakteristik lahan yang dapat digunakan untuk identifikasi lahan yang bersifat statistik adalah informasi geologi wilayah kajian. Informasi geologi sangat mempengarui kondisi topografi dan bahan induk yang dapat dijadikan informasi kekhasan suatu wilayah. Formasi geologi DAS Mentaya dapat dibedakan menjadi endapan aluvium dan formasi Warukin. Endapan aluvium tersebar disepanjang sungai Mentaya. Endapan ini mempengaruhi bentang lahan fluvial yang afilisiasi dengan penutupan lahan termanfaatkan. Formasi Warukin terdapat dibagian di hulu dan tengah DAS (Kunama, 2008). Dari informasi ini menunjukkan bahwa kegiatan rehabilitasi hutan dan lahan di kawasan hulu, hilir, tengah serta kondisi kanan kiri sungai dapat berbeda jenis perlakuannya.

- 108 -


Pendekatan zona ekosistem dapat digunakan sebagai masukan untuk jenis kegiatan rehabilitasi hutan dan lahan. Dalam penelitian ini,zona ekosistem di DAS Mentaya berdasarkan kondisi pembentuk tanah terbagi dalam ekosistem tanah mineral, ekosistem rawa gambut, dan ekosistem pesisir. Sistem pengelolaan setiap ekosistem tersebut pun berbeda. Pengelolaan lahan di rawa-gambut untuk skala explorasi pada penelitian ini didasarkan pada tingkat kekritisan gambut, kematangan, dan ketebalan gambut (Rusdiyatmoko, 2014; Suryanto & Rusdiyatmoko, 2011). Jenis kegiatan yang dapat direncanakan meliputi kegiatan reboisasi gambut dalam dan penghijauan gambut dalam. Program utama kegiatan rehabilitasi hutan dan lahan yakni kegiatan vegetatif dan sipil teknis. Kegiatan vegetatif yang direncanakan terbagi 2 (dua) kegiatan utama, yaitu: reboisasi dan penghijauan lingkungan. Adapun detail kegiatan, meliputi: hutan rakyat, hutan rakyat gambut dalam, penghijauan lingkungan, penghijauan lingkungan gambut dalam, reboisasi dan reboisasi gambut dalam. Informasi kegiatan rehabilitasi tersebut disajikan pada Gambar 3.4. Prioritas penanganan lahan di DAS Mentaya ini didasarkan pada kondisi lahan kritis, yaitu: prioritas 1 dan 2. Prioritas 1 merupakan area dengan kondisi kondisi lahan marginal atau kondisi sangat kritis dan kritis. Pola kegiatan untuk area prioritas I adalah reboisasi dan reboisasi gambut dalam. Untuk kegiatan reboisasi gambut dalam, data yang harus diperhatikan adalah data ketebalan gambut. Distribusi spasial gambut tebal di DAS Mentaya ada dibagian timur dengan kondisi ketebalan lebih dari 3 meter. Data lain yang untuk mendukung perencanaan kegiatan rehabilitasi hutan dan lahan di ekosistem rawa gambut adalah data kematangan gambut. Kematangan gambut berkaitan dengan kandungan organic, kondisi batas cair, dan drainase pada suatu lahan. Gambut yang masih mentah dengan kondisi tebal memerlukan penanganan khusus. Kegiatan rehabilitasi di kawasan gambut ini selain memperhatikan kondisi ketebalan dan kematangan gambut harus memperhatikan kondisi hidrologi gambut. Kondisi lahan bergambut harus dalam keadaan basah. Prinsip utama pengelolaan hidrologi di lahan gambut adalah mempertahankan kondisi tinggi muka air. Pemilihan tanaman untuk kegiatan vegetative disesuaikan kondisi lahan. Tanaman lokal merupakan pilihan utama dengan sistem pengayaan ataupun penanaman.

Gambar 3.4.

a. b.

Jenis Kegiatan Rehabilitasi Hutan dan Lahan metode vegetative di DAS Mentaya Prioritas Kegiatan Rehabilitasi Hutan dan Lahan metode vegetative di DAS Mentaya

Kegiatan sipil teknis termasuk salah satu jenis kegiatan rehabilitasi hutan dan lahan yang dapat direkomendasikan untuk memulihkan DAS Mentaya. Kegiatan yang dapat dilaksanakan antara lain pembuatan teras datas, dam penahan, teras gulud, teras individu, gully plug, dam pengendali, tabatgundukan, dan biopori-sumur resapan. Bangunan teras diprioritaskan untuk dibangun pada daerah dengan ekosistem tanah mineral dan berlereng. Tabat direkomendasikan dibangun pada lahan dengan ekosistem gambut. Fungsi utama tabat ini adalah mempertahankan muka air gambut. Kondisi gambut yang basah harus dipertahankan dalam pengelolaan lahan gambut ini. Untuk itu, sistem tokongan atau gundukan dapat digunakan dalam rangka penanaman pada daerah tergenang. Secara spasial, kegiatan sipil teknis dalam rangka kegiatan rehabilitasi hutan dan lahan disajikan pada Gambar 3.5.

- 109 -


Gambar 3.5. Zona Kegiatan Sipil Teknis

4.

KESIMPULAN Kesimpulan yang diperoleh dari penelitian ini, antara lain: 1. Kondisi kekritisan lahan untuk penilaian kualifikasi DAS Mentaya mencapai 599.339,74 ha (41,12 %). Kondisi kekritisan lahan yang diperhitungkan adalah informasi luasan lahan sangat kritis dan kritis. Kualifikasi DAS untuk parameter lahan dikategorikan sangat tinggi karena luasan lahan kritis lebih dari 20%. 2. Kondisi penggunaan lahan di DAS Mentaya hasil pengolahan Landsat 8 menunjukkan sebagian besar jenis penutupan lahan adalah Perkebunan dan semak belukar. Dari hasi perhitungan indeks penutupan lahan diperoleh informasi luasan penutupan lahan 53.92% yang terdiri dari penutupan lahan jenis hutan dan perkebunan. 3. Hasil identifikasi pengelolaan lahan di DAS Mentaya tergolong masih rendah. 4. Hasil pengolahan data dengan SIG menunjukkan bahwa DAS Mentaya dikategorikan DAS yang dipulihkan. Permasalahan utama yang dihadapi dalam upaya pemulihan DAS adalah tingkat kekritisan lahan tergolong tinggi sehingga diperlukan upaya rehabilitasi hutan dan lahan. 5. Kegiatan rehabilitasi hutan dan lahan dilakukan secara vegetatif dan sipil teknis dengan program kegiatan, yaitu: reboisasi, hutan rakyat dan penghijauan lingkungan, pembuatan tabat dan gundukan pada ekosistem bergambut, dam pengendali, sumur resapan dan biopori pada ekosistem daratan/tanah mineral. Target kegiatan RHL dibagi 2 (dua) prioritas, yaitu: prioritas I untuk lahan dengan kondisi lahan sangat kritis dan kritis dan prioritas II ditargetkan untuk wilayah dengan kondisi lahan agak kritis. 6. Data penginderaan jauh sangat membantu untuk analisis klasifikasi DAS terutama untuk informasi kondisi lahan pada parameter yang terkait dengan tutupan lahan yaitu data utama penyusun tingkat kekritisan lahan, data utama luasan vegetasi yang terdapat di DAS, dan membantu analisis tingkat pengelolaan lahan di suatu DAS. NDVI dapat digunakan sebagai algorithma untuk membantu analisis penutupan lahan.

- 110 -


DAFTAR PUSTAKA Carter, B. (1994). Geographic Information System for Geoscientists, Modelling with GIS. Pergamon. Ontario. Higginbottom, Thomas, P., dan Elias, S. (2014). Review Assesing Land Degradation and Desertification Using Vegetation Index Data: Current Frameworks and Future Directions. Remote Sensing, 6:9552-9575. Kusnama (2008) Batubara Formasi Warukin di Daerah Sampit dan Sekitarnya. Kalimantan Tengah. Jurnal Geologi Indonesia. 3(1):11 -22. Lal, R. (1996). Deforestation and Land-Use Effects on Soil Degradation and Rehabilitation in Western Nigeria.II. Soil Chemical Properties. Land Degradation & Development, 7:87 – 98. Nandy, S., Kushwaha, S.P.S., dan Dadhwal, V.K. (2011). Forest degradation assessment in the Upper Catchment of The River Tonsi using Remote Sensing and GIS. Ecological Indicators. 11:509 – 513. Ani, N. (2008). Rehabilitasi Hutan di Indonesia: Akan Kemanakah Arahnya Setelah Lebih Dari Tiga Dasawarsa?. CIFOR. Bogor. Ries, J.B. (2010). Methodologies for Soil Erosion and Land Degradation Assessment in Mediterranean-Type Ecosystems. Land Degradation Development, 21:171- 187. Rusdiyatmoko, A. (2013). Incorporating Landslide Susceptiblity in Land Rehabilitation (A Case Study: in Middle Part of Kodil Watershed, Central Java, Indonesia). Thesis Double Degree M.Sc Programme Gadjah Mada University and Faculty of Geo-Information Science and Earth Observation University of Twente Netherlands. Suryanta, G., dan Rusdiyatmoko, A. (2010). A quick-Assessment Model for Peat Swamp Forest Rehabilitation Using SPOT 4 IMAGE. Proceeding PIT MAPIN XVII. Xu, D., dan Guo, X. (2014). Compare NDVI extracted from Landsat 8 imagery with that landsat 7 imagery. American Journal of Remote Sensing, 2(2):10-14. Tagore, G.S. (2012). Mapping of Degraded Lands Using Remote Sensing and GIS Techniques, Journal of Agriculutral Physics, 12(1):29-36. Thomas, E.L., dan Luiz, J.C. (2012). Soil Loss, Soil Degradation and Rehabilitation in a Degraded Area in Guarapuava (Brazil). Land Degradation & Development, 23:72 – 81. *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA PRESENTASI ILMIAH SINASINDERAJA 2015 Moderator Judul Makalah Pemakalah Jam Tempat Diskusi :

: Dr. Wikanti Asriningrum, M.Si. : Klasifikasi DAS Berdasarkan Parameter Kondisi Lahan Di DAS Mentaya Dengan Menggunakan Data Penginderaan Jauh Dan SIG : Agung Rusdiyatdimoko : 15.30 – 16.30 WIB : Ball Room 2 & 3 (Lt.1)

Ratih Dewanti (Pustekdata, LAPAN) Saya tidak melihat adanya keterkaitan antara judul dengan isi (content). Judul akan lebih pas apabila judul diubah menjadi Analisis Kekritisan Lahan DAS.....dan seterusnya. Jawaban: Penelitian ini mengacu pada PP No.60 tahun 2012, Juknis untuk menilai klasifikasi kerusakan DAS dengan menggunakan parameter fisik, hidrologi dan manajemen lahan. Dan untuk mengenai judul bisa dipertimbangkan lagi. Saya tidak menyebut PP No 60 tahun 2012 namun saya menjawab dengan mengacu P.60 Tahun 2014 .. P yang dimaksud adalah permenhut jika ditulis adalah sebagai berikut P. 60 /Menhut-II/2014. Dony Kushardono (Pusfatja, LAPAN) Untuk menilai kualitas DAS, apakah dengan data Landsat 8 yang beresolusi menengah sudah cukup baik,untuk menentukan parameter mengingat untuk menilai kerusakan suatu DAS diperlukan data yang rinci? Untuk NDVI, seberapa besar tingkat akurasi NDVI dalam menggambarkan tingkat kerapatan vegetasi dalam area penelitian? Jawaban: Luas DAS yang dianalisis sangat besar sehingga penggunaan data Landsat 8 sangat cocok digunakan karena coverage area-nya yang luas. Output yang dihasilkan dalam penelitian ini juga masih dalam skala makro, bukan detail. Untuk rencana pengelolaan teknis, nantinya akan menggunakan data yang lebih rinci dari yang digunakan saat ini. Nantinya untuk penelitian lebih rinci akan menggunakan citra yang beresolusi lebih tinggi seperti SPOT dan yang lainnya.

- 111 -


Klasifikasi Tutupan Lahan dan Ruang Terbuka Hijau Menggunakan Kombinasi Indeks dari Data Landsat 8 (Studi Kasus: DKI Jakarta) Sayidah Sulma1,*), Jalu Tejo Nugroho1, Any Zubaidah1, Hana Listi Fitriana1, Nanik Suryo Haryani1, dan Hidayat1 1

Pusat Pemanfaatan Penginderaan Jauh - LAPAN *)


ABSTRAK-Pemetaan tutupan lahan dan Ruang Terbuka Hijau (RTH) perlu dilakukan secara berkelanjutan sejalan dengan pembangunan wilayah yang menyebabkan perubahan tutupan lahan yang cepat. Perubahan tutupan lahan tersebut diharapkan tetap mempertahankan ketersediaan ruang hijau di suatu daerah. Pada penelitian ini dilakukan klasifikasi tutupan lahan menggunakan citra Landsat 8 dengan kombinasi beberapa indeks yaitu Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), Normalized Difference Build-up Index (NDBI) dan Normalized Difference Bareness Index (NDBaI) dengan studi kasus wilayah DKI Jakarta. Citra indeks tersebut digunakan untuk metode cepat klasifikasi tutupan vegetasi, badan air, lahan terbangun dan tanah terbuka. Kemudian untuk klasifikasi ruang terbuka hijau (RTH), dilakukan reklasifikasi menjadi kelas RTH dan bukan RTH, dimana RTH meliputi daerah bervegetasi dan tanah terbuka yang masih berpotensi untuk ditumbuhi tanaman. Akurasi hasil klasifikasi RTH berdasarkan kombinasi indeks diuji dengan referensi data resolusi tinggi yaitu citra Pleiades dan diperoleh akurasi sebesar 80.90%. Kata kunci:Tutupan lahan, RTH, NDVI, NDWI, NDBI, NDBaI, Landsat 8 ABSTRACT-Mapping of land cover and green open space (RTH) should be carried out continuously in line with regional development that led to a land cover change. Land cover change had to preserve the availability of green space in an area. In this research, land cover classification using Landsat 8 with a combination of several indices that Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), Normalized Difference Build-up Index (NDBI) and Normalized Difference Bareness Index (NDBaI) with the case study areas of DKI Jakarta. The index image is used for fast method of classification of vegetation cover, water bodies, built area and bare land. Then the reclassification into class of RTH and not RTH, which the RTH covers an area of vegetated and bare land that still has the potential to overgrown plants. The accuracy of classification based on a combination of indices tested with the reference high-resolution data that is the image of the Pleiades and obtained an accuracy of 80.90%. Keywords: Land cover, green open space, NDVI, NDWI, NDBI, NDBaI, Landsat 8

1.

PENDAHULUAN

Pemetaan tutupan lahan dan Ruang Terbuka Hijau (RTH) perlu dilakukan secara berkelanjutan sejalan dengan pembangunan wilayah yang menyebabkan perubahan tutupan lahan yang cepat. Perubahan tutupan lahan tersebut diharapkan tetap mempertahankan ketersediaan ruang hijau di suatu daerah. Berdasarkan PerMen PU No. 05/PRT/M/2008, Ruang Terbuka Hijau didefinisikan sebagai area memanjang/jalur dan atau mengelompok, yang penggunaannya lebih bersifat terbuka, tempat tumbuh tanaman, baik yang tumbuh secara alamiah maupun yang sengaja ditanam (Departemen Pekerjaan Umum, 2008). Pemanfaatan data satelit penginderaan jauh untuk pemetaan tutupan lahan dan ruang terbuka hijau merupakan salah satu cara yang memberikan banyak keunggulan dibandingkan dengan pengamatan langsung di lapangan. Metode yang telah banyak digunakan khususnya untuk pemetaan RTH dari data satelit adalah dengan klasifikasi visual ataupenggunaan citra indeks vegetasi. Penelitian pemetaan RTH menggunakan Normalized Difference Vegetation Index (NDVI) dari data Landsat 8 diantaranya telah dilakukan oleh Febrianti & Sofan (2014) dan menggunakan NDVI dari data SPOT 6 oleh Febrianti et al. (2015). Dalam penelitian ini akan dilakukan klasifikasi tutupan lahan menggunakan kombinasi beberapa indeks yaitu NDVI, NDWI, DDBI dan NDBaI dari data Landsat 8. NDVI pada dasarnya digunakan untuk mengukur pertumbuhan tanaman dan untuk menentukan daerah yang ditutupi oleh vegetasi. Dalam perhitungan NDVI digunakan panjang gelombang cahaya tampak merah dan inframerah dekat. Dasar perhitungan tersebut adalah pigmen dalam daun atau klorofil sangat menyerap cahaya tampak (0,4 – 0,7 m) dalam proses fotosintesis, sementara itu struktur sel daun sangat memantulkan cahaya inframerah dekat (0,7-1.1 m). Semakin banyak daun pada tanaman maka akan semakin mempengaruhi pantulan atau

- 112 -


penyerapan pada panjang gelombang tersebut (NASA, 2015). Normalized Difference Water Index (NDWI) merupakan salah satu indeks vegetasi untuk mengukur molekul air pada vegetasi yang berinteraksi dengan radiasi matahari yang masuk. Chen et al. (2006) menggunakan NDWI sebagai salah satu indeks untuk mengetahui karakteristik tutupan lahan di suatu wilayah. Di samping itu Senanayake et al. (2013) juga menggunakan NDWI dalam analisis tutupan lahan bervegetasi untuk pemisahan objek air dan awan. Nilai indeks NDWI besar atau meningkat pada vegetasi yang memiliki kandungan air, atau indeks meningkat dari objek tanah kering hingga ke air terbuka (Molidena et al., 2012). Zha et al. (2003) membangun Normalized Difference Built-up Index (NDBI) untuk mengidentifikasi dengan cepat daerah perkotaan dan daerah terbangun. Pembuatan indeks didasarkan pada respon spektral yang unik pada lahan terbangun dimana memiliki reflektansi yang tinggi pada panjang gelombang inframerah pendek (SWIR) dibandingkan pada panjang gelombang inframerah dekat (NIR). Zhao & Chen (2005) membangun indeks Normalized Difference Bareness Index (NDBaI) untuk mengkelaskan lahan bera atau lahan terbuka dari citra Landsat. NDBaI cukup sensitif untuk membedakan lahan bera, lahan semi bera dan lahan yang dibudidayakan. Kanal yang digunakan adalah kanal inframerah pendek (SWIR) dan inframerah thermal (TIR). Penggabungan citra indeks tersebut diharapkan dapat membantu dalam klasifikasi untuk beberapa kelas tutupan lahan. Berdasarkan definisi RTH, maka RTH bukan saja daerah bervegetasi namun juga meliputi lahan terbuka yang masih dapat ditanami vegetasi. Sehingga dalam penelitian ini, akan dilakukan pengkelasan RTH yang meliputi daerah bervegetasi juga lahan/tanah terbuka yang masih berpotensi untuk ditanami. Hasil klasifikasi tersebut akan diverifikasi menggunakan referensi data satelit resolusi tinggi yaitu Pleiades untuk mengetahui tingkat akurasinya.

2.

METODE

Lokasi penelitian adalah wilayah Provinsi DKI Jakarta. Data yang digunakan terdiri dari data satelit Landsat 8 sensor OLI dan TIRS Level 1T path/raw 122/064 tanggal 25 Agustus 2013 dan 13 September 2014, serta data satelit Pleiades tanggal 12 Juli 2013. Gambar 1 memperlihatkan citra Landsat 8 untuk wilayah Jakarta dan citra Pleiades untuk sebagian wilayah Jakarta Utara dan Jakarta Barat. Data yang digunakan sudah terkoreksi geometrik dan radiometrik. Dari koreksi radiometrik diperoleh data dengan nilai reflektansi Top of Atmosphere (ToA).

DKI Jakarta

DKI Jakarta

DKI Jakarta

Landsat 8, 25 Agustus 2013

Landsat 8, 13 September 2014

Pleiades, 12 Juli 2013

Gambar 1. Citra Landsat 8 dan Pleiades wilayah DKI Jakarta

Untuk klasifikasi tutupan lahan pada data Landsat 8 digunakan indeks NDVI, NDWI, NDBI dan NDBaI. Rumus perhitungan NDVI secara matematik ditulis sebagai berikut (Purevdorj et al,1998; NASA, 2015): NDVI = ρNIR-ρRED/ρNIR+ρRED..............................................................................................................(1) Rumus untuk NDWI yakni sebagai berikut (Gao, 1996; Chen at al., 2006): NDWI = ρNIR-ρSWIR/ρNIR+ρSWIR ......................................................... ...............................................(2) Rumus untuk NDBI yakni sebagai berikut (Zha et al., 2003; Xu 2007): NDBI = ρSWIR-ρNIR/ρSWIR+ρNIR .........................................................................................................(3) Rumus untuk NDBaI yakni sebagai berikut (Zhao & Chen, 2005; Chen et al., 2006): NDBaI = dSWIR-dTIR/dSWIR+dTIR .......................................................................................................... (4)

- 113 -

Klasifikasi TutupanLahan dan Ruang Terbuka Hijau Menggunakan Kombinasi Indeks dari Data Landsat 8 (StudiKasus: DKI Jakarta) (Sulma, S., et al.)

Dalam hal ini: ρNIR, ρRED, ρSWIR masing-masing adalah reflektansi band inframerah dekat, band sinar tampak merah dan inframerah pendek, sedangkan dSWIR dan dTIR masing-masing adalah nilai digital band inframerah pendek dan band inframerah termal. Citra indeks tersebut digunakan untuk klasifikasi vegetasi, badan air, bangunan dan tanah terbuka dengan penerapan threshold nilai indeks. Untuk penentuan threshold atau rule set yang akan digunakan, tahap awal dilakukan perhitungan indeks pada data Landsat 8 tanggal 25 Agustus 2013 karena berdekatan waktunya dengan data Pleiades yaitu tanggal 12 Juli 2013, sehingga mudah untuk verifikasi dan diasumsikan belum ada perubahan tutupan lahan. Selanjutnya membuat training area/sample pada masing-masing citra indeks tersebut, yang mewakili kelas tutupan lahan vegetasi, badan air, bangunan dan tanah terbuka. Penentuan training area dilakukan dengan referensi citra Pleiades untuk mendapatkan kelas tutupan lahan yang homogen pada setiap piksel citra indeks dari Landsat 8. Berdasarkan training area kemudian dihitung kisaran dan rata-rata nilai setiap indeks yaitu indeks NDVI, NDWI, NDBI dan NDBaI untuk masing-masing kelas. Untuk mendapatkan kelas RTH dilakukan reklasifikasi dari keempat kelas menjadi kelas RTH dan bukan RTH, dimana RTH meliputi daerah bervegetasi dan tanah terbuka. Untuk verifikasi RTH dari kombinasi indeks citra Landsat 8, digunakan data Pleiades sebagai referensi. Tahap awal dilakukan interpretasi visual dan delineasi data Pleiades untuk mengkelaskan daerah RTH dan bukan RTH. Perhitungan akurasi dilakukan dengan menumpangsusunkan kelas RTH dari Landsat 8 dengan hasil klasifikasi RTH dari data Pleiades menggunakan proses union, kemudian dikelaskan daerah yang beririsan (corrected), daerah yang masuk kelas lain (omission) dan daerah tambahan dari kelas lain (commission). Kemudian akurasi hasil klasifikasi RTH berdasarkan kombinasi indeks citra Landsat 8 dihitung menggunakan metode uji ketelitian klasifikasi confusion matrix yang mengacu pada Short (1982) Dalam Purwanto (2014) dengan rumus sebagai berikut: Akurasi (%) = Corrected / (Omission + Comission + Corrected) x100%................................................... (5)

3.


Dalam klasifikasi tutupan lahan serta RTH digunakan kombinasi beberapa indeks yaitu NDVI untuk mengkelaskan tutupan vegetasi, NDWI untuk badan air, NDBI untuk lahan terbangun dan NDBaI untuk lahan bera atau tanah terbuka. Pada Gambar 2. diperlihatkan citra hasil perhitungan masing-masing indeks. Pada citra NDVI dapat dilihat semakin tinggi nilai indeks (berwarna merah) menunjukkan tingkat kerapatan dan tutupan vegetasi yang semakin baik. Pada citra NDWI secara dapat dilihat semakin tinggi nilai indeks (warna merah) menunjukkan kandungan air yang semakin tinggi. Dalam Molidena et al (2012) disebutkan nilai indeks NDWI tinggi pada vegetasi yang memiliki kandungan air, atau indeks meningkat dari objek tanah kering hingga ke air terbuka. Nilai indeks tinggi pada citra NDBI menunjukkan lahan terbangun.Sedangkan pada citra NDBaI, terlihat nilai indeks yang lebih tinggi pada lahan terbangun dan lahan terbuka. Untuk klasifikasi RTH nantinya akan dilakukan reklasifikasi menjadi kelas RTH (Vegetasi dan tanah terbuka) dengan non RTH (Lahan terbangun dan air).

- 114 -


-0.3

-0.8

NDVI

NDBI

0.8

-0.45

0.3

-0.7

NDWI

0.7

NDBaI

0.3

Gambar 2. Citra indeks NDVI, NDWI, NDBI dan NDBaI

Ketika menerapkan beberapa indeks untuk klasifikasi tutupan lahan terdapat beberapa permasalahan dalam penentuan threshold, karena masih terdapat percampuran objek dalam setiap indeks, misalnya dalam indeks NDWI masih ada sedikit percampuran antara objek air dan vegetasi. Untuk memecahkan permasalahan tersebut, terlebih dahulu dilakukan analisis spektral setiap band pada setiap objek pada training area yang telah ditentukan sebelumnya. Pada Gambar 3 dapat dilihat pola spektral masing-masing objek (training sample) di daerah kajian pada Band 1-Band 7 dan Band9 - Band 11 citra Landsat 8 LDCM. Sedangkan Tabel 1 menunjukkan nilai indeks pada setiap kelas tutupanlahan berdasarkan training sampel. Pada pola spektral objek vegetasi terlihat pola khas yang membedakan dengan objek lainnya yaitu pada Band 4, Band 6 mempunyai pantulan atau spektral yang kecil sedangkan pada Band 5 memiliki pantulan yang tinggi. Objek air memiliki pantulan yang khas pada Band 4, Band 5 dan Band 6 dimana pada Band 4 nilai spektral tinggi sedangkan pada Band 5 dan Band 6 semakin kecil karena terserap oleh air.

- 115 -

Klasifikasi TutupanLahan dan Ruang Terbuka Hijau Menggunakan Kombinasi Indeks dari Data Landsat 8 (StudiKasus: DKI Jakarta) (Sulma, S., et al.) 35000

Digital Number

30000 25000 20000

tanah terbuka

15000

lahan terbangun air

10000

vegetasi

5000 0 Band1 Band2 Band3 Band4 Band5 Band6 Band7 Band9 Band10Band11

Gambar 3. Pola spektral setiap objek di daerah kajian

Setelah diperoleh pola spektral masing-masing objek, digunakan operasi logic (Boolean operator) berdasarkan band spektral yang digabungkan dengan citra hasil indeks. Metode ini juga telah diterapkan oleh Chen et al. (2006). Sebagai contoh, sesuai pola spektral (Gambar 3) dan threshold indeks (Tabel 1) untuk pemisahan objek vegetasi digunakan kombinasi operasi (Band 5 – Band 4)>0, (Band 5 – band 6)>0 dan (0,33>NDVI>0.77), karena hanya vegetasi yang memiliki nilai spektral (Band 5 – Band 4)>0, (Band 5 – band 6)>0. Kemudian untuk untuk objek air digunakan kombinasi operasi (Band 4 – Band 5)>0, (Band 5 – Band 6)>0 dan (0.08>NDWI>0.7). Untuk kelas lahan terbangun dan tanah terbuka digunakan kombinasi antara indeks NDBI dan NDBaI karena ketika menerapkan kombinasi spektral tiap band tidak terbentuk kelas yang berbeda secara signifikan, namun ketika menggabungkan antara indeks NDBI dan NDBaI khususnya untuk kelas tanah terbuka terbentuk kelas yang lebih tepat. Untuk kelas tanah terbuka digunakan operasi (-0.02>NDBI>0.04) dan (-0.37>NDBaI>-0.3), sedangkan untuk lahan terbangun digunakan threshold (-0.18>NDBI>0.3). Tabel 1. Nilai indeks pada setiap kelas tutupan lahan berdasarkan training sample NDVI NDWI Jumlah Piksel Kelas Sample Min Max Mean Min Max Vegetasi 119 0.33 0.77 0.54 -0.04 0.44 Badan Air 151 -0.40 0.11 -0.33 0.08 0.70 Lahan terbangun 107 0.05 0.29 0.11 -0.30 0.18 (bangunan) Tanah terbuka 31 0.11 0.33 0.21 -0.04 0.02 NDBI NDBaI Jumlah Piksel Kelas Sample Min Max Mean Min Max Vegetasi 119 -0.44 0.04 -0.26 -0.49 -0.25 Badan Air 151 -0.7 -0.08 -0.49 -0.67 -0.60 Lahan terbangun 107 -0.18 0.30 0.22 -0.51 0.00 (bangunan) Tanah terbuka 31 -0.02 0.04 -0.02 -0.37 -0.30

Mean 0.26 0.49 -0.22 0.02 Mean -0.40 -0.67 -0.28 -0.33

Gambar 4 memperlihatkan kelas tutupan lahan berdasarkan kombinasi band dan threshold citra indeks. Sedangkan Gambar 5 menunjukkan gabungan dari semua kelas pada citra tanggal 13 September 2013 dan 25 Agustus 2014. Hasil klasifikasi tutupan lahan ini kemudian direklasifikasi untuk mendapatkan kelas RTH dan non RTH dan diuji akurasi menggunakan acuan data Pleiades.

- 116 -


Vegetasi

Air

Lahan terbangun

Tanah terbuka

Gambar 4 . Kelas tutupan lahan berdasarkan threshold citra indeks dan kombinasi band

13 September 2013

25 Agustus 2014

Gambar 5. Tutupan Lahan wilayah DKI Jakarta dari citra Landsat 8 tanggal 13 September 2013 dan 25 Agustus 2014

Perhitungan akurasi dilakukan terhadap hasil klasifikasi RTH dari citra Landsat tanggal 25 September 2013. Adapun kelas RTH yang digunakan merupakan gabungan dari kelas vegetasi dan kelas tanah terbuka, sehingga dari klasifikasi tutupan lahan yang terdiri dari 4 kelas (vegetasi, tanah terbuka, lahan terbangun dan air) dilakukan reklasifikasi menjadi 2 kelas (RTH dan non RTH). Perhitungan akurasi dilakukan dengan menumpangsusunkan kelas RTH dari beberapa indeks tersebut dengan hasil klasifikasi RTH dari data Pleiades pada enam Area of Interest (AoI) menggunakan proses union, kemudian dikelaskan daerah yang beririsan (corrected), daerah yang masuk kelas lain (omission) dan daerah tambahan dari kelas lain (commission). Hasil akurasi yang diperoleh pada beberapa keenam AoI adalah sebesar 80.90 %. Tabel 2 memperlihatkan hasil perhitungan akurasi untuk setiap AoI dan keseluruhan AoI. Secara umum di setiap AoI terdapat omission error yang lebih tinggi dibandingkan commision error, artinya masing ada beberapa wilayah yang tidak terkelaskan sebagai RTH berdasarkan kombinasi citra indeks tersebut.

- 117 -

Klasifikasi TutupanLahan dan Ruang Terbuka Hijau Menggunakan Kombinasi Indeks dari Data Landsat 8 (StudiKasus: DKI Jakarta) (Sulma, S., et al.)

Tabel 2. Akurasi klasifikasi RTH Commision

Luas (m2) Ommision

Corrected

Accuracy (%)

Aoi 1 Aoi2

17,623 428,482

95,992 450,223

886,288 3,125,087

88.64 78.05

Aoi3 Aoi4 Aoi5 Aoi6

63,710 103,194 155,713 110,752

106,007 112,486 168,436 79,523

780,435 780,130 1,229,161 720,039

82.14 78.34 79.13 79.10

No

AoI

1 2 3 4 5 6

Rata-rata accuracy

80.90

Setelah dilakukan verifikasi citra tutupan lahan pada data tanggal 13 September 2013 menggunakan data Pleiades 12 Juli 2013 kemudian dilakukan penerapan threshold atau rule setpada data tanggal 25 Agustus 2014, namun masih diperlukan verifikasi lebih lanjut untuk hasil penerapan pada data tahun lainnya. Citra tutupan lahan tahun 2014 dapat dilihat pada Gambar 5. Dari tutupan lahan tahun 2013 dan 2014 terlihat ada perubahan terutama adanya pengurangan vegetasi dan penambahan lahan terbangun. Adapun luas masingmasing tutupan lahan tersebut dan perubahannya dapat dilihat pad Tabel 3.

No 1 2 3 4

4.

Tabel 3. Luas tutupan lahan tahun 2013 dan 2014 Luas (km2) Tutupan Lahan 2013 2014 Perubahan Vegetasi 166.24 112.82 -53.42 Lahan terbangun 442.84 474.79 +31.95 Tanah Terbuka 12.25 30.95 +18.70 Air 20.13 22.89 +2.76

KESIMPULAN

Kombinasi indeks NDVI, NDWI, NDBI dan NDBaI memberikan hasil yang cukup baik pada klasifikasi tutupan lahan dan ruang terbuka hijau dengan tingkat akurasi sebesar 80,90 %. Namun perlu pengujian lebih lanjut untuk lokasi penelitian dan waktu data yang berbeda.

UCAPAN TERIMAKASIH Terima kasih disampaikan kepada Kepala Pusat Pemanfaatan Penginderaan Jauh LAPAN dan Kepala Bidang Lingkungan dan Mitigasi Bencana yang telah memfasilitasi kegiatan penelitian ini, serta Kepala Pusat Teknologi dan Data Penginderaan Jauh LAPAN yang telah menyediakan data Landsat 8 dan Pleiades.

DAFTAR PUSTAKA Chen, Z.M., Babiker, I.S., Chen, Z.X., Komaki, K., Mohamed, M.A.A., dan Kato, K. (2004). Estimation of interannual variation in productivity of global vegetation using NDVI data. International Journal of Remote Sensing, 25(16):3139−3150. Chen, X.L., Zhao, H.M., Li, P.X., dan Yin, Z.Y. (2006). Remote Sensing Image-based Analysis of the Relationship Between Urban Heat Island and Land use/cover changes. Remote Sensing of Environment 104: 133-146. Departemen Pekerjaan Umum (2008) Peraturan Menteri Pekerjaan Umum Nomor: 05/PRT/M/2008 tentang Pedoman Penyediaan dan Pemanfaatan Ruang Terbuka Hijau di Kawasan Perkotaan. Jakarta. Febrianti, N., dan Parwati, S. (2014). Ruang Terbuka Hijau di DKI Jakarta Berdasarkan Analisis Spasial dan Spektral Data Landsat 8. Prosiding Seminar Nasional Penginderaan Jauh Febrianti, N., Pasaribu, J.M., dan Sulma, S. (2015). Analisis Ruang Terbuka Hijau di DKI Jakarta Menggunakan Data SPOT 6. Prosiding PIT MAPIN Gao, B. (1996). NDWI-A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water From Space. Remote Sensing Environment. 58:257-266. Molidena, E., dan As-syakur, A.R. (2012). Karakteristik Pola Spektral Vegetasi Hutan dan Tanaman Industri berdasarkan Data Penginderaan Jauh. Prosiding PIT MAPIN XIX. NASA (2015) Measuring Vegetation (NDVI & EVI). Cited in http://earthobservatory.nasa.gov/Features/Measuring Vegetation/measuring_vegetation_2.php [23 Maret 2015]

- 118 -


Purevdorj, T.S., Tateishi, R., Ishiyama, T., dan Honda, Y. (1998). Relationshipsbetween Percent Vegetation Cover and Vegetation Indices. InternationalJournal of Remote Sensing, 19(18):3519−3535 Purwanto, A.D., Asriningrum, W., Winarso, G., dan Parwati, E. (2014). Analisis Sebaran dan Kerapatan Mangrove Menggunakan Citra Landsat 8 di Segara Anakan, Cilacap. Prosiding Seminar Nasional Penginderaan Jauh. Senanayake, I.P., Welivitiya, W.D.D.P., dan Nadeeka, P.M. (2013). Remote sensing based analysis of urban heat islands with vegetation cover in Colombo city, Sri Lanka using Landsat-7 ETM+ data. Urban Climate 5:19-35. Xu, H. (2007). Extraction of Urban Built-up Land Features from Landsat Imagery Using a Thematic oriented Index Combination Technique. Photogrammetric Engineering & Remote Sensing, 73(12):1361-1391. Zhao, H.M., dan Chen, X.L. (2005). Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+. Geoscience and Remote Sensing Symposium, 3(25–29):1666−1668. *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA PRESENTASI ILMIAH SINASINDERAJA 2015 Moderator Judul Makalah Pemakalah Jam Tempat Diskusi :

: Dr. Wikanti Asriningrum, M.Si. : Klasifikasi Tutupan Lahan dan Ruang Terbuka Hijau Menggunakan Kombinasi Indeks dari Data Landsat 8 (Studi Kasus: DKI Jakarta) : Sayidah Zulma : 15.30 – 16.30 WIB : Ball Room 2 & 3 (Lt.1)

Dede Dirgahayu (Pusfatja, LAPAN) Belum disebutkan prosentase dari RTH, apakah berdasarkan luasan tertentu atau berdasarkan lokasinya. Perlu juga dirinci lebih lanjut definisi vegetasi penutup RTH agar di dapatkan hasil yang akurat. Jawaban: Kriteria RTH yang digunakan dalam penelitian ini adalah semua bentuk vegetasi dan ruang terbuka yang masih bisa ditanami oleh tanaman, walaupun definisi dari vegetasi masih ada batasan-batasan lainya seperti RTH yang meliputi ruang public tapi untuk makalah ini hanya membahas vegetasi lahan terbuka Mahdi Kartasasmita (LAPAN) Sebaiknya melakukan analisis terlebih dahulu terhadap kelebihan dan keterbatasan dari masing-masing indeks. Perlu juga diberi hubungan keterkaitan antar indeks Jawaban: Terimakasih atas masukan dan saran dari Pak Mahdi dan akan bisa bermanfaat untuk penelitian-penelitian lebih lanjut.

- 119 -


Studi Perbandingan Metode Klaster Fuzzy pada Sistem Informasi Retrieval Citra Danau ( Study Kasus: Citra Google –Earth ) Yuli Sudriani1,*) 1

Pusat Penelitian Limnologi, Lembaga Ilmu Pengetahuan Indonesia ( LIPI) *)


ABSTRAK-Retrival citra merupakan salah satu implementasi dari pengelompokan fuzzy untuk memanggil citra berdasarkan citra inputan. Tulisan ini menganalisis performa dari empat (4) metode pengelompokan pemanggilan citra danau berdasarkan citra google - earth. Tujuan dari sistem adalah untuk memanggil citra dengan berbagai kondisi citra danau menggunakan citra google-earth dan mendapatkan informasi tentang danau berdasarkan hasil keluaran system. Tulisan ini akan membandingkan empat (4) metode klaster fuzzy yaitu Fuzzy C-Means (FCM), Fuzzy K-Means (FKM), Fuzzy C – Shell (FCS), Fuzzy Possibilistic C - Means (FPCM). Parameter perbandingan antara lain kecepatan dalam melakukan pemanggilan citra, kevalidan hasil, dan ketepatan hasil retrival. Analisis dari performa sistem telah diuji dengan membandingan citra inputan dengan citra keluaran yang terdiri dari citra inputan dan berbagai jenis dari citra acuan yang ada. Kunci dari retrival citra danau adalah ekstraksi fitur. Perbandingan metode klaster menggunakan dua fitur ekstraksi yaitu fitur tekstur menggunakan metode signal processing menggunakan pendekatan two-level decomposition wavelet transform (DWT2) dan ekstraksi fitur warna menggunakan metode histogram warna. Pada kesamaan temuan (index matching) menggunakan metode Eucledian distance. Disimpulkan bahwa dengan menggunakan fitur – fitur ekstraksi yang sama untuk tiap metode klaster fuzzy, maka metode klaster FCM memberikan 99% output citra sesuai dengan citra yang diinput didalam database dan FCM membuktikan sebagai salah satu metode retrival citra danau yang lebih daripada metode fuzzy yang lainnya. FPCM merupakan metode retrival citra yang memiliki hasil 47 persen hasil yang akurat pada citra noise tetapi kurang stabil terhadap kecepatan ketika retrival. Kata kunci: Kata kunci : Citra danau, klaster, Fuzzy C-Mean ( FCM ), Fuzzy K-Means ( FKM ), Fuzzy C-Shell ( FCS ), Retrival, Fuzzy Possibilistic C-Means (FPCM ) ABSTRACT-Image retrieval is an implementation of fuzzy clustering to retrieve image based on query image. This paper was analyzed the performance four ( 4 ) method of fuzzy clustering lake image based on google - earth . The purpose of this system was to retrieve image with all condition of lake image using google-earth image and to get the information about lake based on output image. This paper compared four fuzzy cluster method like Fuzzy C-Means ( FCM ), Fuzzy K-Means ( FKM ), Fuzzy C – Shell ( FCS ), Fuzzy Possibilistic C-Means (FPCM ). The parameter of comparation are fast retrieve image, best validation result and best accurate lake image. The analyzing of system perfomance had been tested with compare between input image and various image to retrieve.The key of lake image retrieval is feature extraction. It compare using two feature extraction, that are texture feature using signal processing method with two level decomposition wavelet transform ( DWT2 ) and color feature extraction using color histogram. For image matching using eucledian distance. Findings indicate that : using same features extraction for every cluster method , FCM clustering method has 99% is matching with query image and FCM is the most stable clustering fuzzy method than the other fuzzy clustering method. For FPCM, it has 47 % for accurate output with noise image but less steady for fast retrieve image. Keywords: Lake Image, Clustering, Fuzzy C-Mean ( FCM ), Fuzzy K-Means ( FKM ), Fuzzy C-Shell ( FCS ), retrieval, Fuzzy Possibilistic C-Means ( FPCM )

1.

PENDAHULUAN

Retrival citra adalah suatu proses pemanggilan kembali citra yang diinginkan dari koleksi citra yang berjumlah besar berdasarkan informasi atau fitur ( warna, bentuk, tekstur, spasial layout, dan lain lain ) yang diekstraksi dari citra itu sendiri. Content-based image retrieval juga dikenal dengan nama query by image content (QBIC) atau content-based visual information retrival (CBVIR) (Manimala & Hemachandran, 2012; Setia 2004). Retrival citra danau merupakan salah satu pengembangan penelitian dari retrival citra untuk melakukan proses temu kembali citra danau pada database sehingga menghasilkan informasi yang tepat dan akurat terkait informasi di dalam citra danau tersebut. Retrival citra danau tidak lepas dari permasalahan ekosistem danau diantaranya adalah kerusakan daerah tangkapan air, kerusakan sempadan, pencemaran perairan dan resiko bencana. Diharapkan sistem informasi retrival citra akan menghasilkan informasi informasi dan hasil analisisanalisis yang dibutuhkan terhadap citra danau. Database citra danau akan berisi

- 120 -


dua ratus delapan belas citra danau google-earth. Google - earth dipilih dikarenakan merupakan salah satu citra yang sering dijadikan acuan untuk analisismenganalisis kondisi danau di Indonesia. Pengenalan citra dimulai dengan melakukan ekstraksi ciri (feature extraction) dari suatu citra, yaitu mengenali citra berdasarkan karakteristik-karakteristik yang dimilikinya. Tiap citra akan dilakukan perhitungan dan kemudian diproses sebelum dilakukan pengambilan kembali-citra (Manimala & Hemachandran, 2012). Permasalahan yang ingin diangkat adalah belum adanya sistem informasi terhadap citra danau dan metode untuk menghasilkan proses pencarian citra danau untuk mencari informasi yang terdapat di dalam citra danau atau lebih dikenal dengan sistem informasi retrival citra danau. Pencarian citra menggunakan retrival menjadi sangat penting ketika citra yang ingin dicari memiliki database yang besar. Database yang besar sangat menyulitkan pengguna untuk mencari citra sehingga membuang waktu. Untuk itulah sistem retrieval citra danau ini dikembangkan. Pengembangan dari retrival citra danau selanjutnya adalah hasil analisisanalisis terhadap kondisi danau berbasis citra dengan pendekatan retrival citra danau. Tulisan ini berfokus kepada pengembangan sistem informasi pada retrival citra danau yang terdiri dari: (1). Perbandingan metode pengelompokan fuzzy terhadap citra danau menggunakan metode pengelompokan FCM, FKM, FCS, dan FPCM. (2). Analisis performa sistem dengan pengujian antara citra danau inputan dan citra danau pada database dan diluar database (3). Rekomendasi metode terbaik yang digunakan untuk sistem. Tulisan tentang sistem informasi retrival citra danau belum banyak dilakukan. Masih sedikit tulisan yang membahas retrival citra danau. Salah satu tulisan sebelumnya adalah inputan citra berupa text untuk mencari hasil citra danau yang optimal yang membahas tentang inputan text yang harus disesuaikan dengan output yang diinginkan. Apabila menginput citra tentang “air” maka output citra hasil harus air dan bukan danau atau sungai (Ning et al., 2006). Akan tetapi, tulisan ini belum dianggap sempurna dikarenakan inputan masih berupa semantic atau text dan belum ditemukan pencarian berbasis konten citra danau (Datta et al., 2008; Dave, 1992; Setia, 2004). Untuk itu, tulisan ini akan mengkaji tentang perbandingan metode-metode klaster fuzzy dalam mendapatkan hasil output yang optimal pada implementasi sistem informasi retrival citra danau berdasarkan konten. Citra yang digunakan dalam tulisan ini adalah citra danau yang memiliki tingkat intensitas warna yang tinggi, menggunakan citra pada google–earth ukuran citra danau inputan harus m x m (harus sama) dengan citra danau pada database, extension file untuk citra adalah .bmp, sistem retrival citra yang dibangun berupa aplikasi desktop (offline), ruang lingkup database citra dalam sistem adalah citra danau pada googleearth. Tujuan penelitian ini yakni membandingkan empat metode klaster fuzzy menggunakan dua fitur ekstraksi fitur data citra google–earth. Hasil klaster (pengelompokan) akan divalidasi secara komputerisasi untuk mendapatkan metode yang terbaik. Metode ini digunakan untuk menganalisis dan mengelompokan data sesuai fitur–fiturnya. Hasil dari tulisan ini adalah tercapainya implementasi metode klaster fuzzy terbaik dan stabil dalam aplikasi sistem informasi terhadap citra danau, dan mempercepat pencarian terhadap informasi citra danau yang diperlukan pada database yang besar. Tulisan ini akan dibagi menjadi lima bagian yaitu pendahuluan yang membahas tentang latar belakang dan alasan penulisan. Bagian kedua mempresentasikan metode yang digunakan, deskripsi tentang sistem informasi retrival citra danau. Penjelasan singkat tentang metode digunakan untuk pembaca yang belum mengenal metode yang dipakai. Pada bagian ketiga akan membandingkan metode pengelompokan dengan menggunakan fitur ekstraksi yang sama. Hasil dan analisisanalisis akan dipresentasikan di bagian keempat. Bagian kelima akan membahas tentang kesimpulan.

2.

METODE

2.1 Proses Retrival Citra Danau Proses berjalannya sistem adalah sebagai berikut : 1. Pada citra - citra danau didatabase akan diberikan link yang berisi informasi terkait citra danau. 2. Terdapat pilihan tombol dalam melakukan metode pengelompokan yaitu FCM, FKM, FCS, FPCM dan memilih klaster yang diinginkan dengan kesamaan fitur ekstraksi hasil output citra adalah citra dengan tingkat kemiripan (warna, teksture) yang paling mendekati citra inputan. 3. Menggunakan ekstraksi fitur untuk mengekstrak fitur-fitur yang terdapat pada citra danau. Fitur yang diambil adalah warna, dan tekstur. Fitur yang telah diekstrak akan disimpan dalam bentuk dimensi vektor [4]. 4. Melakukan retrival yaitu melakukan pengambilan citra dengan memasukkan citra yang ingin diambil dengan menggunakan metode klaster.

- 121 -

StudiPerbandingan Metode Klaster Fuzzy Pada Sistem Informasi Retrival Citra Danau (StudiKasus : Citra Google - Earth) (Sudriani, Y.)

5. Melakukan indexing output citra yang ditampilkan menggunakan perhitungan Eucledian distance untuk menghitung jarak titik pusat dari citra yang dimasukkan dengan citra-citra yang ada dalam pengelompokannya (Jike & Qui, 2008). 6. Membandingkan metode untuk mengelompokkan citra-citra dalam database ke dalam kluster-kluster dengan pengujian masing-masing metode.

Gambar 1. Proses Sistem Retrival Citra danau

Pada Gambar 1 di atas dapat dilihat bahwa proses pada sistem retrival citra danau memiliki dua proses yaitu proses searching dan proses training. Pada proses training merupakan proses pada citra di dalam database yang mana citra citra yang berada di dalam database dengan nama “koleksi citra” melakukan proses ekstrasi fitur warna dan tekstur tiap citra pada koleksi citra. Setelah mendapatkan ekstraksi fitur berupa matriks vektor maka dilakukan proses pengelompokan fuzzy dengan membandingkan empat metode yaitu FCM, KCM, FCS, dan FPCM. Setelah mendapatkan hasil dari pengelompokan fuzzy maka dilakukan proses indexing atau urutan citra berdasarkan kesamaan citra yang ada dan hasilnya akan masuk ke dalam database fitur. Pada proses searching, sistem melakukan pencarian citra yang mendekati citra yang berada di dalam database fitur. Citra yang diinput adalah citra yang berada di dalam database, citra berada di luar database dan citra yang diberikan noise yang mana dilakukan proses ekstraksi fitur warna dan tektur sehingga mendapatkan hasil ekstraksi fitur tiap citra. Proses similarity matching merupakan proses selanjutnya dari proses searching, dengan membandingkan antara ekstraksi fitur pada citra inputan dan ekstraksi fitur di database citra . Nilai yang mendekati kesamaan dari nilai inputan citra maka merupakan citra hasil retrival.

- 122 -


2.2 Ekstraksi Fitur Warna ( Color Histogram) Salah satu teknik dasar yang digunakan untuk mendapat fitur warna adalah dengan menghitung selisih histogram dari citra dan citra lainnya pada database atau koleksi citra (Dave, 1992). Pada kasus ini nilai warna diwakili oleh nilai histogram citra yang menjadi acuan dan histogram citra database. Teknik ini lebih dikenal dengan quadratic distance. Langkah-langkah untuk mendapatkan qudratic distance (Mallat, 1989) yakni sebagai berikut :  Membaca citra simpan sebagai I1 dengan map1 rgb colorspace.



Membaca citra acuan simpan sebagai I0 dengan map0rgb colorspace.



Konversi map1 ke hsv1hsv colorspace. Konversi map0 ke hsv0hsv colorspace



Menghitung histogram h dari citra dan Menghitung histogram g dari citra acuan.



Rumus: h(A,B,C)(a,b,c)=N.prob (A=a,B=b,C=c)Dimana A,B,C mempresentasikan 3 warna R,G,B ( Red, Green, Blue ) atau mempresentasikan H,S,V dan N adalah jumlah piksel dari suatu gambar

Menghitung perbedaan antara nilai piksel citra dengan citra acuan ( h – g ). Rumus : ( , )

=

)( ( , , ) − ( , , ))^

Pada rumus ini akan memberi perbandingan dengan format bin di histogram Gambar h dan Gambar g. Sehingga dihasilkan suatu matriks yang berisikan isi dari keseluruhan kesamaan antar citra h dan citra g yang direpresentasikan dengan matriks A 

Menghitung similarity matriks A yang didapat dari hsv citra =

−

√

−

+

−

+

−

/

 Menghitung jarak histogram Quadraticd(h,g) yang digunakan untuk retrival citra berbasis konten dari rumus: ( , )=( − ) ( − ) rumus d (h,g) merupakan rumus untuk menghitung jarak quadratic dengan huruf d adalah jarak yaitu melihat jarak terdekat antara nilai suatu citra yang ingin diinput dengan citra yang ada di dalam database citra terutama citra danau maninjau. Rumus h adalah citra yang ada pada dalam database. Dan rumus g adalah citra yang diinput. A adalah suatu matriks kesamaan. Rumus matriks A di atas didapat dengan melihat kesamaan nilai dari warna yang dipresentasikan dalam bentuk bin. Dan seluruh nilai korelasi yang berhubungan disebut Matriks A. Rumus pada matriks A yaitu A(i,j) merupakan hasil nilai dari RGB (red, green, dan blue) dari citra dengan Di,j adalah jarak antara warna i dan warna j di ruang RGB (red, green, blue ). Proses diatas digunakan untuk mengubah citra dalam bentuk RGB menjadi HSV. 2.3 Ekstraksi Fitur tekstur ( wavelett transform feature ) Tekstur merupakan karakter yang penting pada analisisanalisis berbagai tipe citra. Tekstur mendeskripsikan kedalaman dan tampilan dari citra. Sistem ini menggunakan metode signal processing dengan menggunakan pendekatan two-level decomposition wavelettransform ( DWT2) (Datta et al., 2008). Sintak untuk konversi daricitra RGB ke grayscale adalah I = rgb2gray (RGB) Keterangan: : I = rgb2gray ( RGB ) melakukan konversi citra RGB ke gambar dengan intensitas grayscale proses ini dilakukan dengan menghilangkan warna dan saturasi. Perintah proses dekomposisi citra menggunakan syntaks sebagai berikut : [C,S] = wavedec2(X,N,'wname') [C,S] = wavedec2(X,N,Lo_D,Hi_D)

- 123 -


Yang mana wavedec2 adalah fungsi analisis wavelet dua dimensi. Proses energi setiap koefisien digunakan syntax matlab yaitu: [Ea,Eh,Ev,Ed] = wenergy2(C,S) [Ea,EDetail]=wenergy2(C,S) Yang mana ketika proses dekomposisi citra selesai dilakukan maka nilai dari dekomposisi citra akan dimasukkan ke dalam syntax wenergy2 untuk melakukan perhitungan energi koefisien setiap gambar yang ada (Mallat, 1989). [Ea,EDetail]=wenergy2(C,S) mengembalikan nilai Ea dan Edetail dari penjumlahan vektor Ea, Eh, Ev, Ed. 2.4 Metode Pengelompokan Fuzzy C – Means ( FCM ) Fuzzy C-Means ( FCM ) adalah suatu teknik pengelompokan data di mana keberadaan tiap-tiap data dalam suatu kelompok ditentukan oleh nilai keanggotaan. Konsep dasar FCM, menentukan pusat kelompok yang akan menandai lokasi rata-rata untuk tiap-tiap kelompok (Kusumadewi, 2006). FCM adalah suatu metode pengelompokan yang memungkinkan satu bagian dari data untuk memiliki dua atau lebih kelompok (Karim, 2011). Pada kondisi awal pusat pengelompokan masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap kelompok. Dengan cara memperbaiki pusat kelompok dan nilai keanggotaan tiap-tiap data secara berulang, maka akan dapat dilihat bahwa pusat kelompok akan bergerak menuju lokasi yang tepat. Algoritma FCM adalah sebagai berikut (Kusumadewi, 2006). a. Menentukan : 1. Matriks X berukuran dengan n = jumlah data yang akan dikelompokkan, m = jumlah variable (kriteria). Xij adalah data sampel ke-i (i=1,2,…n), variable ke-j (j=1,2,…m). 2. Jumlah kelompok yang akan dibentuk = C (≥ 2). 3. Pangkat atau pembobot = w ( > 1). 4. Maximum iterasi. 5. Kriteria penghentian = ζ (nilai positif yang sangat kecil). 6. Iterasi awal, t = 1, dan

= 1.

b. Membentuk matriks partisi awal U0 sebagai berikut : A= [U11(x1) ...... U1n(Xn)] Uc1(x1) ...... Ucn(Xn) Dimana matrik partisi awal dipilih secara acak. Ucn adalah nilai dari sebuah matrik berdasarkan baris dan kolom, begitu juga terhadap x. c. Menghitung pusat kelompok (Vij), untuk setiap kelompok :

d. Memperbaiki derajat keanggotaan setiap data pada setiap kelompok (perbaiki matrik partisi), sebagai berikut :

Dimana i (i=1,2,…c), variable ke-k (j=1,2,…n). e. Menentukan kriteria pemberhentian, yaitu perubahan matriks partisi pada iterasi sekarang dengan iterasi sebelumnya, sebagai berikut :

- 124 -


Perulangan pada metode Fuzzy C-Means (FCM) didasarkan pada minimisasi fungsi objektif sebagai berikut (Ross, 2005) :

2.5. Metode Pengelompokan Fuzzy C – Shell ( FCS ) Algoritma FCS dirancang secara khusus untuk memisahkan struktur melingkar dalam gambar karena menggunakan jarak dari lingkaran ke titik pusat yang sesuai di fungsi objektifnya (Ali et al., 2008). Algoritma pengelompokan FCS diberikan sebagai berikut (Habibie, 2010) : a. Menentukan banyak kelompok ( yang ingin dibuat, 2 ≤ k < n , dengan n adalah jumlah dari data. Menentukan pangkat (pembobot) = m, antara 1 < m < ∞. b. Menentukan counter iterasi j = 0. Inisialisasi fuzzy c-partisi U0. Dimana U adalah matrik.

Dimana matrik pastisi awal dipilih secara acak. U = adalah nilai dari sebuah matrik berdasarkan baris dan kolom, begitu juga terhadap x. c. Menghitung pusat kelompok ( vi ) , dan jari-jari kelompok ( ri ) dengan menggunakan persamaan

Menggunakan metode pengganda dengan perkalian nisial untuk iterasi pertama dari persamaan tersebut. d.Menghitung Jarak ((Dik )2 yang mana merupakan jarak antara vector ke –k dan prototype ke I yang didefinisikan sebagai berikut :

||.|| adalah jarak euclid, pusat Vt dan jari jari rt dari bentuk dasar shell cluster. Definisi diatas didasarkan pada mengukur kuadrat jarak, jadi (Dik)2 adalah nilai determinan untuk sebuah titip xk, dan prototipe (vi,ri). e. Perbaharui anggota iterasi ke j, Uik dengan persamaan :

memeriksa nilai kekonvergenan dengan membandingkan Uj dan Uj-1 dalam nilai norma yang sesuai. Jika |UjUj-1|< e, maka berhenti. 2.6 Metode Pengelompokan Fuzzy K – Means ( FKM ) Metode FKM adalah metode yang diterapkan untuk menganalisis data dan memperlakukan pengamatan data sebagai objek berdasarkan lokasi dan jarak antara berbagai titik input. Setiap cluster memiliki titik pusat. Jarak yang digunakan dalam pengelompokan kebanyakan tidak mewakili jarak spasial. FKM menemukan jumlah dari cluster yang berbeda dan pusat klasternya. Algoritma dari FKM adalah sebagai berikut : a. Kumpulan set K – memilih jumlah klaster K b. Inisialisasi – memilih starting point k yang mana digunakan untuk mengestimasi inisial dari pusat data klaster.

- 125 -


c. Proses klasifikasi – mengevaluasi setiap point dari sekumpulan data dan meletakkanya ke klaster yang memiliki titik pusat terdekat dari pusat data set d. Perhitungan titik pusat – apabila setiap point di data set dimasukkan kedalam sebuah cluster, maka dibutuhkan perhitungan ulang untuk pusat data dari inisial k yang baru e. Kriteria konvergensi – Langkah (c) dan (d) dilakukan perulangan sampai tidak ada titik pusat data yang berpindah atau point data berubah. 2.7 Metode Pengelompokan Fuzzy Possibilistic C-Means ( FPCM ) Metode ini sangat bermanfaat apabila citra memiliki noise. Dikarenakan metode ini akan meminimalisir noise dan outliers yang ada di citra.Rumus

Yang mana jika ∩i adalah angka positif, dan Uik € [0,1]. Persamaan keanggotaan adalah :

Parameter ∩ i dievaluasi untuk setiap cluster yang berbeda. Hal itu menentukan jarak dari derajat keanggotaan. Dengan rumus :

2.8. Noise pada citra Noise yang digunakan adalah gaussian. Besarnya noise tergantung dari nilai mean dan variance yangdigunakan. Penamaan citra noise mengikuti format yaitu [citra_asli]_[mean]_[variance].tiff

3.


Pengujian akan dilakukan dengan menggunakan inputan citra. Pengujian yang dilakukan bertujuan untuk mengevalusi sistem retrieval citra danau. Isu dalam retrival citra yang diangkat adalah sebagai berikut : (1). Akurasi (Reliability) yaitu Setelah sistem dilakukan pengujian secara berulang, pengujian untuk sistem dalam menghasilkan output yang reliable atau akurat (2). Keterulangan (Repeatability) yaitu pengujian sistem tetapkonsisten atau tidak setelah beberapa kali dilakukan proses retrieval citra (3). Kecepatan pencarian yaitu menguji kecepatan sistem dalam proses retrival citra diantara masing masing metode pengelompokan fuzzy. 3.1. Pengujian terhadap Ketepatan dan Keterulangan Untuk menguji akurasi dan keterulangan pada retrival citra dengan menggunakan berbagai jenis query yaitu 1. Query dengan citra pada database 2. Query citra diluar database merupakan citra yang tidak terdapat dalam database, tetapi memiliki objek yang mirip dengan citra-citra pada database 3. Query dengan menggunakan citra pada database yang telah diberi noise. 3.1.1. Pengujian terhadap Query dengan citra pada database Pengujian ini akan menggunakan database dengan jumlah cluster sebanyak 20 cluster. Query yang digunakan adalah citra yang ada pada database. Pengujian akan dilakukan sebanyak 30 kali pengujian.Pada pengujian citra pada database dapat dilihat bahwa tingkat output citra dalam retrival pada database citra danau mencapai 99% dengan total kegagalan sebanyak 1 persen untuk FCM, FPCM, Kmeans yang mana FCS mengalami kegagalan pada 1 kali percobaan.

- 126 -


Gambar 2. Uji Retrival Citra danau Pada Database

3.1.2.Pengujian terhadap Query dengan citra diluar database Pengujian terhadap query dengan citra diluar database digunakan untuk melihat sejauh mana performa sistem berjalan untuk menguji sistem bisa berjalan pada citra danau di dalam database dan citra diluar database. Fitur ekstraksi berperan penting dalam hasil retrival citra danau yang dicari. Semakin banyak fitur ekstrasi yang dimasukkan maka tingkat keakuratan hasil output citra danau semakin baik. Pengujian ini akan dikatakan berhasil apabila citra danau inputan dan citra danau output memiliki hasil yang mendekati sama.

Gambar 3. Uji Retrival Citra Danau Diluar Database

Dari gambar di atas keberhasilan dalam retrival sebanyak 20 pengujian atau sekitar 67 persen dan merupakan metode terbaik dibandingkan metode yang lain. 3.1.3 Pengujian terhadap query dengan citra noise di dalam database Pengujian ini akan menggunakan database dengan jumlah cluster sebanyak 20 cluster. Query yang digunakan adalah citra yang telah diberi noise. Pengujian akan dilakukan sebanyak 30 kali. Pengujian ini akan dikatakan berhasil apabila citra danau inputan dan citra danau output memiliki hasil yang mendekati sama dengan citra inputan. Noise citra akan dimasukkan kedalam database sebanyak 10 citra yang telah diberikan noise. Noise ini untuk menguji apakah sistem bisa mengenali citra. Dari gambar dibawah disimpulkan bahwa FPCM merupakan metode yang terbaik untuk melakukan retrival citra yang telah diberikan noise karena kemampuannya untuk menghilangkan noise dan outlier pada citra yang disusul dengan FCS dan FCM dengan keberhasilan sebesar 44 persen dan FCM sebesar 34 persen.

- 127 -


Gambar 4. Uji Retrival Citra Danau Dengan NoiseDidalam Database

3.1.4 Pengujian terhadap query dengan citra noise di luar database Pengujian menggunakan citra diluar database untuk menguji apakah sistem dapat mengenali citra apabila citra inputan berasal dari luar database yang telah diberikan noise. Dari gambar dibawah dapat disimpulkan bahwa citra danau yang telah diberikan noise dapat dilakukan retrival dengan metode FPCM sebesar 27 persen disusul oleh FCS sebesar 20 persen dan FCM sebesar 14 persen.

Gambar 5. Uji Retrival Citra danau Dengan Noise Di luar Database

- 128 -


3.2. Pengujian terhadap kecepatan

Gambar 6. Hasil pengujian 4 metode Pengelompokan Fuzzy Terhadap citra danau

Parameter pengujian terhadap kecepatan dengan menganalisis kecepatan pada masing masing metode fuzzy dalam melakukan proses retrival citra danau. Satuan kecepatan yang digunakan menggunakan hitungan dalam second (S). Saat proses klaster, sistem telah melakukan analisis terhadap database dan melakukan indexing citra dan hasilnya akan disimpan ke dalam file. Sehingga saat proses retrival citra hanya mencari ke dalam file hasil analisis tersebut dan file indexing yang dilakukan saat klaster. Pada tabel pengujian diatas dapat disimpulkan bahwa diantara empat metode maka metode FCM adalah metode paling stabil pada waktu retrival citra danau dibandingkan metode yang lain seperti FPCM yang melakukan retrival lebih lamban dan tidak stabil. K-means dan FCS menjadi salah satu metode yang kurang stabil sehingga belum bisa sebagai acuan untuk metode klaster citra danau.

4.

KESIMPULAN

Dari beberapa pengujian yang telah dilakukan untuk sistem retrival citra danau menggunakan citra pada google – earth maka dapat disimpulkan bahwa sistem yang baik salah satunya adalah sistem yang memiliki kecepatan dan stabil dalam melakukan retrival citra danau sehingga mengambil metode FCM sebagai metode terbaik dalam kestabilan retrival citra danau diantara beberapa metode walaupun memiliki kekurangan dalam melakukan retrival citra danau yang telah diberikan noise. Metode FCM memberikan hasil retrival dengan kecepatan rata - rata sebesar 0,87325257 S dan berhasil dalam melakukan retrival sebesar 99 persen pada retrival citra pada database citra danau, dan memiliki 67 persen retrival citra danau diluar database. Berdasarkan percoban yang dilakukan maka metode fuzzy merupakan metode yang lebih cepat dalam melakukan otomatisasi daripada metode konvensional lainnya dikarenakan fitur yang digunakan yaitu fitur warna dan tekstur. Gambar citra berskala masih bisa dilakukan retrieve dan tidak berpengaruh dari hasil output yang dihasilkan tetapi belum bisa melakukan retrieve pada pergeseran atau rotasi. Kesalahan pada proses pemanggilan yang dihasilkan bisa lebih kecil jika memperkecil klaster tetapi berdampak tidak terujinya sistem yang dibuat.

DAFTAR PUSTAKA Manimala, S., dan Hemachandran, K. (2012). Content Based Image Retrieval using Color and Texture. Signal & Image Processing : An International Journal (SIPIJ). Christiano, C., Constantino, V., Pilar, B., Maria, D.P., dan Javier, T. (2010). A Comparison of Fuzzy Clustering Algorithms Applied to Feature Extraction on Vineyard. Lecturer notes. Universitas Politecnica de madrid Yong, R., Thomas, S., dan Hu (1998). Image Retrieval: Current Techniques, Promising Directions, and Open Issue. Journal of Visual Communication and Image Representation 10: 39–62 Jeong, S. (2001). Histogram-Based Color Image Retrieval. Cited in http://scien.stanford.edu/pages/labsite/2002/ psych221/projects/02/sojeong/, [ 27/10/2014] James, B.C., Ehrlich, R., dan Full, W. (1984). Fuzzy c-means Clustering Algorithm, University of south carolina : USA Mallat S (1989) A theory for multiresolution signal decomposition: the wavelet representation, IEEE Pattern Analysis and Machine Intel. 11(7): 674–693.

- 129 -


Sasmita, Reandy, N., Hizir, S., Subianto, dan Muhammad (2009) Perbandingan Metode Fuzzy C-Means (Fcm) Dan Fuzzy C-Shell (Fcs) Menggunakan Data Citra Satelit Quickbird ( Studi Kasus Daerah Peukan Bada, Aceh Besar ), Universitas Syiah Kuala, Banda Aceh Datta, R., Joshi, D., Li, J., dan Wang, J.W. (2008). Image Retrieval: Ideas, Influences, and Trends of the New Age, ACM Computing Surveys. Dave, R. (1992), Generalized Fuzzy C-Shell Clustering and Detection of Circular and Elliptical Boundaries. Pattern Recognition, 25(7):713-721. Setia, W. (2004). Content Based Image Information Retrieval, proceeding komputer and sistem intelijen,Universitas Gunadharma : Jakarta Jike, G., dan Qui, Y. (2008). Concept Similarity Matching Based on Semantic Distance,fourth International Conference on Semantics, Knowledge and Grid Iman, T., Christina, L., dan Sudriani, Y. (2005). Retrival Citra Berbasis Konten dengan Pendekatan Klasterisasi Samar, Fakultas Ilmu Komputer, Binus, Jakarta. Ning, R., Ning, H., dan Hen, W. (2006). Semantic-Based Image Retrieval in Remote sensing Archive: An Ontology Approach, EEE Beihang University, Beijing, China. *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA PRESENTASI ILMIAH SINASINDERAJA 2015 Moderator Judul Makalah Pemakalah Jam Tempat Diskusi :

: Drs. Kustiyo, M.Si. : Perbandingan Metode Klaster Fuzzy Pada Sistem Informasi Retrieval Citra Danau Study Kasus : Citra Google–Earth : Yuli Sudriani : 09:00-10:30 WIB : Ball Room 2 (Lt.1)

Dede Dirgahayu (Pusfatja, LAPAN) Dibandingkan dengan metode konvensional lebih cepat mana dengan metode retrival yang digunakan? Jawaban: Hasil 0,8 second dengan 30 sample bisa dibilang sangat cepat. Belum tahu metode konvensional itu seperti apa Risti (IPB) Jelaskan masing-masing metode yang digunakan dalam penelitian? Jawaban: FCM : Selama proses iterasi, ditentukan lokasi titik dan kemudian dibandingkan menggunakan nilai kenaggotaan. FCS : Proses melingkar, input ditengan dan database di pinggir. FKM : Sama dengan FCS. FPCM : Berdasarkan nilai bobot. Semakin besar nilai bobot akan semakin menghilangkan noise. Mahdi Kartasasmita (LAPAN) Apakah rotasi, pergeseran dan skala citra berpengaruh pada proses retrival?Apakah error yang dihasilkan bisa lebih kecil jika memperkecil klasifikasi? Jawaban: A. Skala masih bisa diretrive, untuk rotasi dan pergeseran belum diketahui karena tidak dilakukan dalam penelitian ini. B. Ya bisa, tetapi akan berdampak pada tidak terujinya sistem yang dibuat

- 130 -


Pengujian Metode Grid (kisi-kisi) untuk Membuat Ground Control Point (GCP ) sebagai Langkah Awal Kontrol Kualitas Geometrik Randy Prima Brahmantara1,*), Kustiyo1, dan Dianovita1 1

Pusat Teknologi dan Data Penginderan Jauh (Pustekdata), LAPAN *)


ABSTRAK -Kontrol kualitas geometrik erat hubungannya dengan akurasi koordinat pixel dalam citra dan koordinat bumi. Kontrol kualitas geometrik merupakan hal penting untuk mendukung ketepatan dalam menganalisis perubahan lahan dan pembuatan mosaik citra. Kualitas geometri diukur berdasarkan jumlah galat geometri pada titik-titik GCP. Semakin kecil galat, makasemakin baik kualitas geometrinya. Data Landsat 8 level 1T memiliki akurasi geometrikglobal dengan tingkat kayakinan (confidence global accuracy) 90% adalah 12 meter atau kurang dari setengah resolusi pixelnya. Tujuan penelitian ini yakni mengukur ketepatan metode grid untuk membuat GCP. Dengan metode ini diharapkan akan menambah banyak GCP yang akan digunakan untuk menguji kualitas geometri citra jika dibandingkan dengan penentuan titik GCP secara manual. Metode ini menggabungkan antara pembuatan titik-titik GCP secara otomatis dan metode image registration untuk mengukur perubahan geometri pada titik GCP. Dalam pengujian ini juga menggunakan 8 data Landsat 8 level 1T path/row 116/066 yaitu di wilayah Bali dan Nusa Tenggara Barat yang diakuisisi pada tahun 2013 dan 2014. Hasil pengujian metode ini menunjukkan GCP yang dihasilkan dengan menggunakan metode grid telah mampu membuktikan akurasi geometrik data Landsat 8 level 1T dengan rata-rata RMSET untuk keseluruhan data yang diuji adalah 0,45 piksel dengan rata-rata jumlah titik GCP adalah 210,5 titik. Jumlah rata-rata titik GCP ini dua kali lipat jika dibandingkan dengan GCP yang dibuat secara manual di database INCAS. Kata kunci:grid, GCP, galat, Landsat 8 1T. ABSTRACT -Quality control is closely related to the geometrical accuracy of the coordinates of the pixel in the image and the coordinates of the earth. Geometry quality control is essential to support the accuracy in analyzing land changes and mosaic production of images. Geometry quality measured by total of geometric error at GCPpoints.If the total error is small, so the quality of its geometry is good. Landsat 8 1T have global confidence accuracy of 90% is 12 meters or less than half the pixel resolution. The purpose of this paper is to measure the accuracy of the grid method to make GCP. With this method is expected to add much GCP will be used to test the quality of the image geometry when compared with GCP point determination manually. This method combines the manufacture of GCP points automatically and the image registration method for measuring changes in geometry at the point of GCP. In this test also uses eight Landsat 8 1T-level path / row 116/066 in the area of Bali and West Nusa Tenggara which was acquired in 2013 and 2014. The results of this method show GCP produced using a grid method has been able to prove the accuracy of the geometry of Landsat data 8 levels 1T with an average RMSET for the entire data tested is ,.45 pixels with the average number of points GCP is 210,5 points. The average number of GCP point is doubled when compared with GCP points that have beenmade manually in INCAS databases. Keywords: grid, GCP, error, Landsat 8 1T.

1.

PENDAHULUAN

Satelit Landsat Data Continuty Mission (LDCM) atau yang disebut juga Landsat 8 telah diluncurkan pada tanggal 11 Februari 2013, waktu peluncuran 1:02 p.m., dari VAFB (Vandenberg Air Force Base), California dengan wahana peluncur Atlas-V-401. LAPAN telah melakukan pengembangan stasiun penerimaan data satelit LDCM di Parepare dan Rumpin untuk merekam citra LDCM mulai tahun 2013. Data Landsat 8 level 1T memiliki akurasi geometri global dengan tingkat kayakinan (confidence global accuracy) 90% adalah 12 meter (http://landsat.usgs.gov/landsat8.php diakses 15 Agustus 2015). INCAS (Indonesia’s National Carbon Accounting System) memanfaatkan data Landsat 8 level 1T untuk menghitung perubahan lahan di seluruh Indonesia. Dalam hal ini diperlukan data yang memiliki ketelitian geometrik yang tinggi. Sehingga secara temporal dapat meningkatkan ketelitian dalam perhitungan perubahan lahan yang lebih akurat. Salah satu proses yang ditempuh dalam pengolahan data pada program INCAS adalah kontrol kualitas geometrik. Kontrol kualitas geometrik sangat erat hubungannya dengan akurasi koordinat pixel dalam citra dengan koordinat bumi. Kontrol kualitas geometrik merupakan hal penting untuk mendukung ketepatan dalam menganalisis perubahan lahan dan membuat mosaik citra. Hal ini berlaku untuk semua citra dengan berbagai

- 131 -

Pengujian Metode Grid (kisi-kisi) Untuk Membuat GCP (Ground Control Point)Sebagai Langkah Awal Kontrol Kualitas Geometri (Brahmantara, R.P., et al.)

macam citra yang diambil dari satelit maupun dari foto udara. Kualitas geometri diukur berdasarkan error atau kesalahan geometrik pada titik-titik GCP yang ditulis dalam satuan meter. Semakin kecil error, maka semakin baik kualitas geometriknya. Tujuan dari penulisan karya tulis ini adalah untuk mengukur ketepatan metode grid untuk membuat GCP. Dengan metode ini diharapkan akan menambah banyak GCP yang akan digunakan untuk menguji kualitas geometri citra Landsat 8 level 1T (ortho product). Sehingga bisa memenuhi persyaratan untuk pengukuran confidence global accuracy 95% yaitu 100 GCP

2.

METODE

Dalam pengujian ini menggunakan 8 citra Landsat 8 level 1T path/row 116/066 yaitu di wilayah Bali dan Nusa Tenggara Barat yang diakuisisi pada tahun 2014 dengan. Pada path/row ini sebagian besar adalah wilayah perairan sehingga walaupun menggunakan metode grid akan mendapatkan sedikit titik GCP jika dibandingkan dengan path/row yang didominasi oleh daratan.

Gambar2-1.Contoh citra Landsat 8 level 1T path/row 116/066.

Untuk mengukur kualitas ketelitian geometrik, tentu dibutuhkan data acuan atau citra reference. Citra reference yang dipilih adalah citra GLS2000 yang juga digunakan oleh USGS dalam mengukur kualitas geometrik. Titik-titik kontrol akan dibuat dengan menggunakan metode grid. Yaitu dengan mengambil titiktitik kontrol setiap 50 pixel pada sumbu x dan 50 pixel pada sumbu y pada citra reference. Berikut ini gambaran metode pengambilan titik-titik kontroldengan menggunakan metode grid.

Gambar 2-2. Metode grid

Dengan menggunakan metode ini diharapkan dapat mengambil titik sampel yang merata di seluruh bagian scene. Citra Landsat 8 memiliki ukuran rata-rata 7500x7500, sehingga titik sampel yang terbentuk sebanyak 22500 titik. Masing masing titik acuan memiliki koordinat bumi (dalam easting dan northing) dari citra reference. Dari masing-masing titik kontrol akan dikembangkan dalam bentuk window atau chip dengan ukuran 21x21 pixel dengan koordinat titik tengahnya adalah koordinat titik kontrol yang diperoleh dari metode grid. Ukuran window dipilih berdasarkan hasil pengukuran beberapa kali percobaan terhadap pengaruh ukuran window. Semakin besar ukuran window, akan cenderung semakin turun nilai korelasinya. Hal tersebut karena semakin banyak piksel yang dilibatkan dalam perhitungan korelasi jika menggunakan window yang lebih besar, ditambah faktor perubahan lahan yang terjadi akan semakin mengurangi nilai korelasi. Window berukuran 21x21 dapat memberikan jumlah GCP yang cukup ketika digunakan batas maksimum korelasi 0.75.

- 132 -


Window kemudian digeser ke kanan, ke kiri, ke atas dan ke bawah hingga sejauh 3 pixel, sehingga membentuk sebuah matriks korelasi berukuran 7x7. Matriks korelasi ini berisi semua hasil perhitungan korelasi setiap pergeseran window. Dalam matiks ini bisa ditemukan nilai maksimum korelasi. Besar pergeseran titik sampel dapat diukur dengan letak nilai maksimum korelasi pada matriks korelasi. Jika citra tes tidak bergeser terhadap citra reference maka nilai maksimum korelasi berada di tengah matriks korelasi. Dalam pengujian ini band yang digunakan yakni band 5 (Near Infra Red). Berikut ini disajikan contoh pengukuran matriks korelasi salah satu titik pada citra Landsat 8 path/row 116/066 band 5.

Gambar 2-3. Matriks citra tes (Landsat 8 16bit)

Gambar 2-4. Matriks citra reference (GLS2000 8bit)

Gambar 2-5. Matriks korelasi 7x7 (nilai korelasi telah dikalikan 100)

Matriks ini menggambarkan hasil perhitungan korelasi GCP window. Titik awal perhitungan dimulai dari tengah matriks. Kemudian untuk memperoleh sebuah matriks korelasi maka GCP window harus digeser. Pergeseran dilakukan ke kanan, ke kiri, ke bawah, dan ke atas. Metode pergeseran titik perhitungan korelasi ini untuk mencari error pergeseran yang ditentukan berdasarkan keberadaan nilai korelasi maksimum.

- 133 -


Gambar 2-6. Grafik korelasi

Grafik korelasi ini memudahkan dalam menganalisis pengaruh kehetogenan objek yang ada dalam sebuah GCP window. Semakin heterogen, semakin mudah dalam menentukan titik maksimum dan tentunya akan membuat pengukuran error pergeseran menjadi lebih akurat. Proses di atas dapat digambarkan secara sederhana dengan Diagram alir berikut ini

Gambar 2-7. Diagram Alir Proses Pengujian Metode Grid untuk Membuat GCP Penyaringan titik-titk GCP yang akan digunakan untuk perhitungan RMS error hanya menggunakan ambang batas nilai korelasi maksimum. Dalam pengujian ini belum menyertakan perhitungan regresi untuk

- 134 -


menghitung keterkaitan antar GCP. Sehingga yang didapatkan adalah error yang bersifat independent di masing-masing GCP kemudian dikalkulasi RMS errornya. Gambar 2-8 merupakan gambar persebaran titik kontrol yang telah tersaring.

Gambar 2-8. Persebaran titik control pada citra tes Untuk masing–masing scene dibuat tabel untuk menghitung akurasi geometrik. Tabel tersebut meliputi kolom berisi nilai koordinat sumbu x refrensi (X), nilai koordinat sumbu y refrensi (Y), nilai koordinat sumbu x citra (X), nilai koordinat sumbu y citra (Y). Kemudian kolom berikutnya menghitung nilai error pada citra diperoleh dari koordinat titik sampel cek dikurangi koordinat titik sampel tersebut. Error dihitung dalam dua sumbu yaitu error sumbu x dan error sumbu y seperti pada persamaan: Errorx = Xtes– Xref

..............................................................................(1)

Errory = Ytes– Yref

…………………………………………………..(2) +

Errorxy =

……………………………………….(3)

Titik-titik GCP yang dihasilkan dari metode ini diuji dengan menggunakan data Landsat 8 Level 1 T yang memiliki karakteristik akurasi geometrik 12 meter. Pengujian dilakukan dengan menggunakan perhitungan RMS dari jumlah GCP yang dihasilkan oleh metode ini. Rumus RMS yang digunakan dalam pengujian yakni sebagai berikut.

RMS =

3.

∑

…………………………………………..(4)


Guna mendukung pengujian metode ini, telah dibuat sebuah file teks yang berisi nomor titik, koordinat x dan y titik kontrol pada citra tes, koodinat x dan y pada citra acuan, nilai korelasinya, error x (dalam satuan piksel) dan error y (dalam satuan piksel). Tabel 3.1 Contoh file teks untuk pengujian metode Nomor titik

X citra

Y citra

X ref

Y ref

Korelasi

error X

error Y

18473

45058500000000

-97828500000000

45058500000000

-97828500000000

0.981

0.0

0.0

19072

44908500000000

-98428500000000

44908500000000

-98428500000000

0.981

0.0

0.0

12103

34558500000000

-91528500000000

34558500000000

-91528500000000

0.975

0.0

0.0

13039

39958500000000

-92428500000000

39958500000000

-92428500000000

0.972

0.0

0.0

- 135 -


Metode grid ini menghasilkan titik-titik kontrol yang banyak di setiap citra Landsat 8 level 1T. Jika ukuran standar citra Landsat 8 adalah 7500x7500 maka dengan menggunakan grid berukuran 50 pixel akan dihasilkan 22500 titik. Dari keseluruhan titik tersebut, dihitung nilai korelasinya antara citra acuan dan citra tes. Titik yang memiliki nilai korelasi diatas 0.75 akan dimasukkan dalam kelompok GCP. Jumlah anggota dalam kelompok GCP disebutkan sebagai jumlah GCP. Jumlah GCP di setiap citra tes berbeda. Hal ini disebabkan karena karakter tutupan yaitu awan, bayangan awan dan perubahan fase tanaman di masingmasing citra berbeda. Dari keseluruhan jumlah GCP tersebut dihitung nilai Errorxy untuk mengetahui akurasi GCP. Dalam Pengujian metode ini, metode grid diuji dengan menggunakan citra Landsat 8 Level 1 T yang memiliki akurasi 12 meter atau kurang dari satu piksel. Berikut ini hasil pengujian GCP yang dihasilkan dari metode grid yang digunakan untuk menghitung akurasi geometri data Landsat 8 level 1T. Tabel 3.2. Jumlah GCP yang dihasilkan dengan menggunakan metode grid. JGCP

Errorxy <2

%

RMS

Nama File

390

293

75,12821

0.37

LC81160662013115LGN01\L8uts116066m_250413_nutm50_30_toa_50v3.gcp

281

201

71,53025

0.42


303

214

70,62706

0.49


359

248

69,08078

0.33

LO81160662014182DKI00\L8uts116066m_010714_nutm50_30_toa_50v3.gcp

355

242

68,16901

0.48


271

178

65,68266

0.56


294

185

62,92517

0.40


203

123

60,59113

0.54


Dari hasil perhitungan akurasi geometrik dengan menggunakan nilai RMS yang mengacu dari tabel di atas, maka GCP yang dihasilkan dengan menggunakan metode grid telah mampu membuktikan akurasi geometrik data Landsat 8 level 1 dengan rata-rata RMS untuk keseluruhan data Landsat 8 level 1 T yang diuji adalah 0,45.

4.

KESIMPULAN

Berdasarkan pada hasil pengujian metode ini maka dapat diambil beberapa kesimpulan sebagai berikut:  Dengan menggunakan metode grid jumlah GCP bisa ditingkatkan, GCP yang dihasilkan dengan menggunakan metode grid dapat digunakan sebagai pengukur kualitas geometrik.  Penyaringan titik-titik dengan menggunakan batas korelasi di atas 0.75 kurang efektif untuk mencari GCP, akibatnya terdapat GCP yang memiliki errorx atau errory lebih dari 1 piksel dengan prosentase hampir 40% dari total GCP, sehingga diperlukan sebuah regresi untuk menyaring GCP yang saling terkait dan perlu dilakukan pada kontrol kualitas geometrik lebih lanjut.

DAFTAR PUSTAKA Dianovita, dan Mahendra, R. (2014). Kajian Geometri Citra Landsat 8 Level 1 T, Seminar Nasional Penginderaan Jauh. Kho D (2014) Pengertian dan Analisis Korelasi Sederhana dengan Rumus Pearson, www.teknikelektronika.com [September 2015] Latroup, R. (2012). Geometric Correction of Imagery, http://www.crssa.rutgers.edu[September 2015] Lopez, A., Javier, F., Gordo, A., dan David, A. (2008). Sample Size and ConfidenceWhen Applying The NSSDA Storey, J., Choate, M., dan Lee, K. (2014). Landsat 8 Operational Land Imager On-Orbit GeometricCalibration and Performance, www.mdpi.com/journal/remotesensing. [September 2015] United States Geological Survei (2015) Landsat 8 OLI (Operational Land Imager) and TIRS (Thermal Infrared Sensor), https://lta.cr.usgs.gov/L8. [September 2015] *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA PRESENTASI ILMIAH SINASINDERAJA 2015 Moderator

: Drs. Kustiyo, M.Si.

- 136 -


Judul Makalah Pemakalah Jam Tempat Diskusi :

: Pengujian Metode Grid (kisi-kisi) Untuk Membuat GCP (Ground Control Point) Sebagai Langkah Awal Kontrol Kualitas Geometri : Randy Prima Brahmantara : 09:00-10:30 WIB : Ball Room 2 (Lt.1)

Dede Dirgahayu (Pusfatja, LAPAN) Apakah grid memilih secara otomatis atau dibuat dari iterasi-iterasi kolom barisnya? Jawaban: Regresi yang dimaksud berkaitan dengan GCP regresi linear square Risti (IPB) Jika referensi ternyata bias, bagaimana cara mengatasinya? Jawaban: Dipenelitian tidak menggunakan pendekatan bias, yang digunakan data landsat sebagai referensi. Mahdi Kartasasmita (LAPAN) Mengapa tidak menggunakan 50x50 untuk menghitung korelasi? Jawaban: Belum menemukan window yang tepat. Taufik (LAPAN) Memungkinkan atau tidak jika yang diambil nilai minimal agar bisa memperkecil nilai error? Jawaban: Memungkinkan.

- 137 -


Pemilihan Scene Citra Multitemporal Landsat-8 untuk Pembuatan Mosaik berdasarkan Parameter Radiometrik dari Histogram dan Scattergram Haris Suka Dyatmika1,*), dan Liana Fibriawati1 1

Pusat Teknologi dan Data Penginderaan Jauh, LAPAN Jl. Lapan No 70, Pekayon, Pasar Rebo, Jakarta Timur 13710 *)


ABSTRAK -Citra penginderaan jauh telah banyak dimanfaatkan, termasuk juga untuk pemanfaatan pada skala global. Mosaik citra multitemporal wilayah Indonesia merupakan contoh untuk pemanfaatan citra penginderaan jauh pada skala makro. Salah satu citra satelit yang banyak digunakan untuk berbagai keperluan yakni citra Landsat-8, karena resolusi temporal, spasial dan spektralnya sesuai untuk banyak tema pemanfaatan yang bersifat makro. Citra Landsat-8 dapat digunakan untuk mosaik citra multitemporal seluruh wilayah Indonesia. Landsat-8 memiliki resolusi temporal 16 hari yang memungkinkan suatu wilayah (dalam suatu scene citra) diakuisisi beberapa kali dalam satu tahun. Namun, tidak semua scene citra Landsat-8 yang diakuisisi bagus jika digunakan untuk data mosaik multitemporal. Dengan pemilihan scene berdasarkan parameter radiometrik citra, diharapkan dapat dihasilkan mosaik yang baik dan pengolahan yang lebih efisien. Penelitian ini menganalisis hubungan parameter radiometrik dari histogram dan scattergram citra dengan pemilihan scene untuk keperluan mosaik multitemporal. Histogram dan scattergram mewakili keadaan radiometrik citra seperti misalnya rerata, standar deviasi, modus dan median yang ditampilkan secara visual. Data yang digunakan yaitu citra Landsat-8 dengan Area of Interest (AOI) daerah Kalimantan dan Lombok. AOIcitra tersebut kemudian dianalisis histogram dan scattergram datanya. Dari analisis histogram dan scattergram didapatkan bahwa semakin sedikit pergeseran histogram antar data dan semakin sebaran data pada scattergram membentuk sudut 45 derajat maka menunjukkan semakin mirip radiometrik citranya. Kata kunci:Landsat-8, mosaik, histogram, scattergram ABSTRACT -Remote sensing imagery has been utilized, including for the utilization on a global scale. Multitemporal image mosaic of Indonesia is an example for the utilization of remote sensing imagery on a global scale. One of thesatellite imagerythat was widely used for various purposes was Landsat-8 image due to the temporal, spatial and spectralresolution whichis suitablefor manyutilization themes.Landsat-8 can be used for multitemporal image mosaic of the entire region of Indonesia.Landsat-8 has 16 days temporal resolution which allows aregion (scene image) acquired in a several times one year.However, not all theacquired Landsat-8sceneis proper when used for multitemporal mosaic. Observing radiometric parameters for scene selectioncould be generated a good image mosaic and more efficient processing.This study analyzed the relationship between radiometric parameters from image histogram and scattergram withscene selection for multitemporal mosaic purposes.Histogram and scattergram representing radiometric imagery context such as mean, standard deviation, median and mode which is displayed visually.The data used were Landsat-8 imagery with the Area of Interest (AOI) in Kalimantan and Lombok.Thenthe histogram and scattergram of the imageAOIbe analyzed.From the histogram and scattergram analysis could be obtained thatthe less shift between the data’s histogramand the morethe scattergram forming 45 degreeangle for thedistribution of the data then indicates the more similar the radiometric of the image. Keywords: Landsat-8,mosaic, histogram, scattergram

1.

PENDAHULUAN

Teknologi penginderaan jauh bisa digunakan untuk berbagai macam aplikasi dalam skala makro (regional, nasional, maupun global). Satelit penginderaan jauh dengan resolusi rendah hingga menengah dapat digunakan untuk skala nasional sampai global seperti misalnya MODIS dan Landsat-8. Program penginderaan jauh INCAS (Indonesia National Carbon Accounting System) menggunakan citra Landsat-5, Landsat-7 dan Landsat-8 sebagai data primer untuk perhitungan karbon secara nasional di Indonesia. Produk mosaik dari Land Cover Change Analysis (LCCA ) dari INCAS mempunyai aplikasi yang luas untuk manajemen penggunaan lahan dan perencanaan wilayah di Indonesia (LAPAN, 2014). Landsat-8 memiliki resolusi temporal 16 hari, sehingga suatu wilayah (scene citra) diakuisisi sekitar 22 kali dalam satu tahun. Untuk membuat mosaik multitemporal citra Landsat-8 tahunan dapat dilakukan pemilihan scene yang akan dibuat mosaik dari sejumlah scene yang diakuisisi dalam tahun tersebut. Indonesia merupakan negara tropis yang selalu diliputi awan sepanjang tahun, mengakibatkan jarang citra bebas awan dapat direkam dalam satu kali akuisisi citra. Sehingga diperlukan penggabungan 2 citra atau

- 138 -


lebih untuk mendapatkan citra bebas awan. Pemilihan citra bertujuan untuk mendapatkan satu set citra dengan cakupan citra bebas awan yang maksimum namun dengan jumlah scene citra yang minimum. Statistik cloud cover yang tersedia pada meta data kurang memadai jika digunakan sebagai acuan untuk pemilihan scene, hal terbaik yang dilakukan adalah dengan penilaian visual citra secara langsung. Citra dengan cloud cover 50% biasanya keseluruhan citranya dipengaruhi atmosfer dan bayangan sehingga menjadi sulit untuk digunakan ataupun ditutup. Kendala lainnya adalah statistik cloud cover tidak menyediakan informasi distribusi spasial. (LAPAN, 2014). Dalam hal mosaik tahunan, sebaiknya data yang digunakan adalah data yang mirip radiometriknya agar mosaik yang dihasilkan seamless. Data yang mirip radiometriknya bisa didapatkan dengan memilih citra dengan kondisi atmosfer dan tutupan lahan yang mirip. Hal ini diprediksi dapat dilakukan dengan membandingkan data-data yang akan dibuat mosaik yakni dengan mengamati histogram dan scattergram datanya. Histogram secara umum merupakan grafik intisari dari data kuantitatif (Kaplan et al., 2014). Histogram citra digambarkan secara sederhana sebagai suatu bar grafik dari intensitas piksel – piksel. Intensitas piksel diplot sepanjang sumbu-x dan jumlah pemunculan untuk tiap intensitasnya direpresentasikan pada sumbu-y (Murinto et al., 2008). Histogram merepresentasikan nilai statistik suatu set data. Salah satu keuntungan menggunakan histogram adalah dapat memudahkan membaca data set yang besar. Histogram menyediakan informasi rerata, standar deviasi, modus, median dan fungsi sebaran dari data (Dean et al., 2009). Scattergram membantu pencarian kelas, data menyimpang, kecenderungan dan korelasi. Scattergram tiga dimensi dengan animasi, simbol-simbol yang berbeda dapat menambah dimensi variabel menjadi tiga atau lebih banyak lagi (Hoffman et al., 2002). Elvidge et al. (1995) mengembangkan metode Scattergram Controlled Regression (SCR) secara otomatis. Metode ini menerapkan regresi pada area piksel yang tidak berubah (no change). Area piksel yang tidak berubah diasumsikan meliputi data mayoritas piksel dalam suatu scene citra. Area piksel yang tidak berubah dipilih secara manual berdasarkan pada scattergram data kanal infra-merah dekat dari data subjek dengan data referensi. Kanal infra merah dekat digunakan karena pada panjang gelombang ini daerah daratan dan perairan terpisah dengan jelas, sehingga garis piksel data yang tidak berubah dapat ditentukan. Data subjek kemudian direktifikasi menurut parameter dari scattergram tersebut. Makalah ini mencoba menelaah alternatif metode pemilihan scene citra. Pemilihan scene citra dilakukan dengan melihat histogram dan scattergram antar citra multitemporal pada area yang sama. Dari membandingkan histogram dan scattergram antar citra multitemporal, diharapkan dapat diketahui kemiripan radiometrik suatu citra.

2.

METODE

Data yang digunakan dalam penelitian ini adalah citra Landsat-8 Level 1T. Data dipilih dari beberapa wilayah di Indonesia yakni di dalam pulau Kalimantan dengan path&row117 062 dan pulau Lombok dengan path&row155 066. Digunakan tiga citra pada masing-masing area yang telah dipilih. Data 1, 2, 3 dalam pulau Kalimantan direkam pada tanggal 5 Mei, 8 Juli dan 24 Juli 2014 sedangkan pulau Lombok direkam pada tanggal 7 Mei, 10 Juli dan 27 Agustus 2014 (Gambar 1). Data kemudian dikonversikan menjadi reflektansi TOA (Top Of Atmosphere) menggunakan faktor skala radiometrik yang disediakan di file metadata (MTL) menurut persamaan dari USGS (2015). Data dengan tutupan awan paling sedikit akan dijadikan data referensi untuk seleksi scene-scene lainnya.

Data 1 cloud cover 17.45%

Data 2cloud cover 49.03%

- 139 -


Pemilihan Scene MosaikMultitemporal Citra Landsat-8 Berdasarkan Parameter Radiometrik dari Histogram dan Scattergram (Dyatmika HS, et al.)




Gambar 1.Data Landsat-8 pada pulau Kalimantan (atas) dan pulau Lombok (bawah)

Masing-masing data kemudian diambil sampel AOI (Area Of Interest) sekitar 160 ×160 piksel pada area yang sama. Kemudian dari AOI tersebut dibuat histogram dan scattergram datanya. Untuk mendapatkan area yang bersih dari awan, nilai digital number untuk masukan histogram dan scattergram hanya diambil pada daerah 60-100 % dari ketinggian histogram. Hal ini mengasumsikan bahwa nilai histogram pada daerah ketinggian 60-100 % adalah data yang variabilitasnya rendah. Gambar 2 menunjukkan daerah dengan variabilitas yang rendah di daerah II, karena di luar daerah ini dapat diasumsikan sebagai daerah bayangan, perairan pada daerah I (pada awal nilai histogram) dan awan pada daerah III (pada akhir nilai histogram). Nilai yang diplot dalam scattergram diambil pada daerah dengan nilai reflektansi yang sama pada pembuatan histogram (daerah II).

Gambar 2. Pengambilan nilai histogram

Dibuat pertampalan histogram dan scattergram antara data referensi dengan data yang diuji, kemudian diamati sebaran datanya dan dibandingkan nilai mean antara keduanya. Gambar 3 menampilkan langkah – langkah yang dikerjakan dalam penelitian ini.

Gambar 3. Langkah kerja Pemilihan Scene Citra Multitemporal Landsat-8 untuk Pembuatan Mosaik

- 140 -


3.

HASIL DAN PEMBAHASAN

Telah dilakukan pembandingan data-data Landsat-8 sesuai dengan langkah kerja (Gambar 3). Pembandingan dilakukan dengan beberapa cara yakni secara visual, dengan mengamati histogram dan mengamati scattergram datanya. Gambar 4 menunjukkan visualisasi data yang dipotong (AOI) masingmasing data.

AOI Data 1

AOI Data 3

AOI Data 2

AOI Data 1

AOI Data 3

AOI Data 2

Gambar 4. AOI data Landsat-8 pada pulau Kalimantan (atas) dan pulau Lombok (bawah)

Ketika citra telah dikoreksi radiometrik, seharusnya nilai reflektansi di citra sama jika objeknya juga sama. Namun hal tersebut sangat sulit terjadi, karena banyak dan kompleksnya distorsi dalam proses pencitraan pada citra satelit penginderaan jauh. Diasumsikan bahwa citra dengan liputan awan paling sedikit adalah mempunyai nilai reflektansi yang mendekati nilai objek sebenarnya. Tabel 1. Hasil histogram dan scattergram Kalimantan 24Juli vs 5Mei 2014 Histogram

Kalimantan 24Juli vs 8Juli 2014

Scattergram

Histogram

Kanal Biru

Kanal Hijau

- 141 -

Scattergram


Kanal Merah

Kanal NIR

Kanal SWIR1

Kanal SWIR2

Lombok 27Agustus vs 7 Mei 2014 Histogram

Lombok 27Agustus vs 10Juli 2014

Scattergram

Histogram

Kanal Biru

Kanal Hijau

Kanal Merah

Kanal NIR

- 142 -

Scattergram


Kanal SWIR1

Kanal SWIR2

Pada histogram tersebut, warna merah menunjukkan histogram referensi, warna hijau menunjukkan histogram data yang diuji dan warna kuning adalah daerah pertampalan antara histogram referensi dan histogram data yang diuji. Area kuning ini menunjukkan nilai reflektansi yang sama antara citra referensi dan citra data diuji, sedangkan pada scattergram, dapat dilihat melalui posisi sebaran data. Warna-warna pada scattergram menunjukkan intensitas kemunculan suatu nilai reflektansi. Warna merah mengindikasikan nilai yang paling banyak muncul (modus), berturut-turut ke warna kuning, hijau, kemudian biru (intensitasnya semakin berkurang). Dibuat juga garis bantu 45o untuk mempermudah interpretasi posisi sebaran data pada scattergram. Selanjutnya dilakukan perhitungan statistik untuk memperoleh rerata reflektansinya, tampak pada Tabel 2 berikut. Tabel 2.Hasil perhitungan rerata pada masing-masing AOI Kanal Biru

Kanal Hijau

Kanal Merah

Kanal NIR

Kanal SWIR 1

Kanal SWIR 2

Kalimantan 1 Rerata1 (24 Juli)

0.081

0.064

0.036

0.310

0.121

0.041

Rerata2 (5 Mei)

0.078

0.061

0.034

0.299

0.122

0.040

0.97

0.97

0.95

0.97

1.01

1

Rerata1 (24 Juli)

0.081

0.064

0.036

0.310

0.121

0.041

Rerata2 (8 Juli)

0.102

0.082

0.055

0.317

0.127

0.050

1.26

1.3

1.53

1.02

1.05

1.23

Rerata1 (27 Agustus)

0.082

0.066

0.040

0.296

0.114

0.043

Rerata2 (7 Mei)

0.076

0.059

0.033

0.286

0.107

0.037

0.93

0.91

0.83

0.97

0.94

0.85

Rerata1 (27 Agustus)

0.082

0.066

0.040

0.296

0.114

0.043

Rerata2 (10 Juli)

0.079

0.061

0.035

0.278

0.102

0.036

Rerata 2/ Rerata 1

0.96

0.92

0.88

0.93

0.88

0.81

Rerata 2/ Rerata 1 Kalimantan 2

Rerata 2/ Rerata 1 Lombok 1

Rerata 2/ Rerata 1 Lombok 2

Penghitungan nilai rerata masing-masing data akan memperkuat interpretasi histogram dan scattergram yang telah diolah dan ditampilkan pada Tabel 3 secara kuantitatif. Sebagai contoh, pada AOI data 1 pulau Kalimantan, terlihat histogram berhimpit dan scattergrammendekati garis 45o memperkuat hasil ini, nilai rasio rerata 2/ rerata 1 juga bernilai mendekati 1, artinya data yang dibandingkan mirip. Sebaliknya pada AOI data 2 pulau Kalimantan, terlihat histogram bergeser dan scattergram yang menyimpang dari garis 45o memperkuat hasil ini, nilai rasio rerata 2/ rerata 1 juga bernilai cukup menyimpang dari 1 sampai di angka 1.53 pada kanal merah artinya data yang dibandingkan berbeda. Selanjutnya ketika rasio Rerata 2/

- 143 -


Rerata 1 bernilai lebih dari 1.00, bisa dikatakan citra yang diuji cenderung lebih terang. Sebaliknya jika rasio Rerata 2/ Rerata 1 bernilai kurang dari 1.00, maka citra yang diuji cenderung lebih gelap dibanding citra referensi. Pengamatan visual pada data citra, hasil histogram dan scattergram pada data 2 wilayah di pulau Kalimantan yang liputan awannya hampir 50% menunjukkan interpretasi yang sangat berbeda antar data. Hal ini menunjukkan bahwa wilayah bersih di dalam scene ini tetap terpengaruh atmosfer yang membuat data ini menyimpang. Berbeda dengan hal di atas, data-data sisanya mirip baik secara visual, dilihat pada histogram maupun scattergram. Bahkan pada data 1 wilayah di pulau Kalimantan, walaupun liputan awannya hampir 20% namun radiometrik citranya mirip dengan data referensi.

4.

KESIMPULAN

Histogram dan scattergram dapat digunakan untuk pemilihan scene citra untuk alternatif selain menggunakan liputan awan pada metadata maupun secara visual. Histogram dan scattergram menyediakan informasi yang lebih detail dibanding dengan menggunakan liputan awan dan lebih kuantitatif dibanding penilaian visual. Semakin sedikit pergeseran histogram antar data dan semakin mendekati garis 45 derajat sebaran data scattergram, berarti semakin mirip radiometrik citranya.

UCAPAN TERIMAKASIH Penelitian ini difasilitasi Bidang Teknologi Pengolahan Data (Teklahta), Pusat Teknologi dan Data Penginderaan Jauh (Pustekdata) LAPAN. Penulis mengucapkan terima kasih kepada Bapak Kustiyo, M.Si dalam hal pengembangan software yang digunakan dalam penelitian ini.

DAFTAR PUSTAKA Dean, S., dan Illowsky, B. (2009). Descriptive Statistics: Histogram. Cited inhttps://legacy-textbook-qa.cnx.org /content/m 16298/1.11/. [20 Oktober 2015] Elvidge, C.D., Yuan, D., Weerackoon, R.D., dan Lunetta, R.S. (1995). Relative Radiometric Normalization of Landsat Multispectral Scanner (MSS) Data Using an Automatic Scattergram-Controlled Regression. Photogrametric Engineering & Remote Sensing. 61(10):1255-1260. Hoffman, P.E., dan Grinstein, G.G. (2002). Information Visualization in Data Mining and Knowledge Discovery. Morgan Kaufmann Publishers. University of Massachusetts, Lowell MA. Justice, C.O., Vermote, E., Townshend, J.R.G., Defries, R., Roy, D.P., Hall, D.K., Salomonson, V.V., Privette, J.L., Riggs, G., Strahler, A., Lucht, W., Myneni, R.B., Knyazikhin, Y., Running, S.W., Nemani, R.R., Wan, Z., Huete A.R., Leeuwen, V.W., Wolfe, R.E., Giglio, L., Muller, J.P., Lewis, P., dan Barnsley, M.J. (1998). The Moderate Resolution Imaging Spectroradiometer (MODIS): land remote sensing for global change research. Geoscience and Remote Sensing IEEE Transactions.36(4):1228-1249. Kaplan, J.J., Gabrosek, J.G., Curtiss, P., dan Malone, C. (2014). Investigating Student Understanding of Histograms. Journal of Statistics Education, 22(2). LAPAN (2014) The Remote Sensing Monitoring Program of Indonesia’s National Carbon Accounting System : Methodology and Products, Version 1. LAPAN – IAFCP. Jakarta. Murinto, Willy, P.P., dan Sri, H. (2008). Analisis Perbandingan Histogram Equalization dan Model Logarithmic Image Processing (LIP)untuk Image Enhancement. Jurnal Informatika 2(2):200-208. USGS (2015) Using the USGS Landsat 8 Product. Cited inhttps://landsat.usgs.gov/Landsat8_Using_Product.php [20 Oktober 2015] *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA PRESENTASI ILMIAH SINASINDERAJA 2015 Moderator Judul Makalah Pemakalah Jam Tempat

: Drs. Kustiyo, M.Si. : Pemilihan Scene Mosaik Multitemporal Citra Landsat-8 Berdasarkan Parameter Radiometrik dari Histogram dan Scattergram : Haris Suka Dyatmika : 09:00-10:30 WIB : Ball Room 2 & 3 (Lt.1)

- 144 -


Diskusi

:

Ferman (BPJ Pare-pare, LAPAN) Apakah penelitian ini dilakukan tanpa melihat dari sisi spasial data awan? Jawaban: Penelitian ini hanya membandingkan warna mungkin bisa dijadikan masukan untuk penelitian selanjutnya. Dede Dirgahayu (Pusfatja, LAPAN) Berapa citra yang akan dipilih? Apakah yang paling bagus atau ada beberapa data yang dipilih? Jawaban: Data yang diambil adalah data yang mirip dengan referensi. Mahdi Kartasasmita (LAPAN) Dalam penentuan kualitas citra, apakah dari visual atau dari jarak antar histogram? Jawaban: Kualitas ditentukan dari jarak histogram. Bambang Trisakti (Pusfatja, LAPAN) 1) Bagaimana jika dalam pemilihan scene dilakukan pembagian koordinat? 2) Bagaimana data jika hasilnya sama bagus atau semua tidak bagus? Jawaban: 1) Lebih baik dilakukan pembagian scene. 2) Dalam pemilihan digunakan citra referensi yang dijadikan acuan dalam penentuan citra hasil.

- 145 -


Pengujian Metode Korelasi Pearson untuk Image Registration pada Citra SPOT-6 Ortho Randy Prima Brahmantara1,*), Kustiyo1, dan Sukentyas Estuti Siwi1 1

Pusat Teknologi dan Data - LAPAN *)


ABSTRAK – pengukuran kualitas geometrik sangat dibutuhkan untuk memberikan informasi perbedaan geometrik antar citra terutama citra hasil ortho rektifikasi. Untuk itu, diperlukan sebuah metode guna mempermudah dan mempercepat proses pengukuran kualitas geometrik. Salah satu metode yang digunakan adalah menggunakan Korelasi antar digital number dalam suatu luasan tertentu. Perhitungan ini lebih dikenal dengan Image Matching atau di beberapa literatur menyebutnya sebagai Digital Image Correlation (DIC ). Dalam tulisan ini akan membahas tentang pengujian metode Korelasi Pearson untuk menghitung nilai korelasi antar digital number dalam suatu luasan tertentu yang disebut Ground Control Point (GCP ) chip. Kemudian korelasi perlu dihitung berkali-kali dengan menggeser GCP chip tersebut sejauh radius cari untuk menemukan nilai korelasi tertinggi. Dari lokasi korelasi maksimum ini dihitung nilai pergeseran atau galat geometri antar citra. Metode pengukuran galat geometri antar citra ini disebut image registration .Pengujian metode ini dilakukan dengan menggunakan dua citra SPOT 6 level ortho standar tahun 2013 dan 2014 yang mengambil area pengamatan di Jakarta. Citra Tahun 2013 dijadikan acuan dan citra tahun 2014 dijadikan sebagai citra tes. Hasil dari pengujian ini menunjukkan nilai RMSET dari 50 titik GCP chip berukuran 21x21 dengan menggunakan band red sebesar 2.391652149 dalam satuan piksel. Jika hasil tersebut dikalikan dengan resulusi spasial SPOT-6 multispectral yaitu 6 meter maka menghasilkan nilai 14.34991289 meter. Kata kunci: korelasi Pearson, digital number, GCP chip, digital image correlation, image registration ABSTRACT -geometric quality assessment is needed to provide information about the differences between the geometry of the images, especially the ortho rectifiedn images. It required a method to simplify and accelerate the process of quality measurement geometry. The method that can calculate the correlation between the digital number in a particular area. This calculation is known as Image Matching or in some literature called it a DIC (Digital Image Correlation). In this paper will discuss the testing method for calculating the Pearson correlation between the value of the digital number in a certain area called GCP (Ground Control Point) chip. Then the correlation should be calculated many times by shifting the GCP chip in the searching radius to find the highest correlation value. From the location of the maximum correlation is calculated geometric shift or error between the images. Geometric error measurement method between the image geometry is called image registration. This method of testing is done by using two images SPOT 6 ortho standard in 2013 and 2014 that took the area of interest in Jakarta. Image of the year 2013 as a reference image and the image of the year 2014 as the sensed image. The results from this test showed RMSET value from 50 GCP chips (size 21x21 pixels using red band) is 2.391652149 pixels. If the result is multiplied by the spatial resolution of SPOT6 multispectral (6 meter) then produces the value 14.34991289 meters. Keywords: Pearson Correlation, digital number, GCP chip, digital image correlation, image registration

1.

PENDAHULUAN

Pengukuran kualitas geometri sangat dibutuhkan untuk memberikan informasi perbedaan geometrik antar citra terutama citra hasil ortho rektifikasi. Perbedaan geometrik bisa dilihat ketika membandingkan citra dari sensor yang sama di area tertentu. Seperti pada Gambar 1.1 yang menunjukkan adanya perbedaan antara kedua citra SPOT 6 (citra GCP chip dan citra tes) yang dilakukan dioverlay di ErMapper dengan menggunakan komposisi 3 kanal RGB. Kanal merah ditempati oleh band 3 dari citra tes dan kanal hijau ditempati oleh band 3 citra GCP chip. Hasil penggabungan kedia kanal tersebut jika tidak terdapat pergeseran akan berwarna kuning, warna kuning terbentuk dari dua warna dasar yaitu merah dan hijau, sehingga pada objek yang tidak mengalami pergeseran akan menunjukkan warna kuning yang berarti objek yang sama berada pada letak yang sama pada kedua citra.

- 146 -

Pengujian Metode Korelasi Pearson Untuk Image Registration Pada Citra SPOT 6 Ortho (Brahmantara RP, et al.)

(a)

(b)

(c) Gambar 1.1.Perbandingan citra SPOT 6 multispectral band 3, (a) kanal merah yang ditempati citra tes SP6_MS_20140418_05593919_ToA.ers, (b) kanal hijau ditempati oleh citra gcp_window21x21_0.ers berukuran 21x21 piksel diambil dari citra SP6_MS_201308270243586_ToA.ers

Pengukuran perbedaan geometrik antar citra jika dilakukan mengunakan interpretasi visual akan membutuhkan waktu yang lama, untuk itu dibutuhkan sebuah metode untuk mengukur perbedaan geometri yang lebih cepat dan lebih akurat. Interpretasi visual mengandalkan data derajat keabuan dari sekumpulan piksel pada suatu area. Derajat kebuan ini bisa dipahami oleh sistem komputer dengan istilah digital number. Hubungan antara kedua citra dapat diukur dengan pola digital number pada piksel-piksel yang berkumpul pada suatu area. Berikut ini adalah contoh pola digital number pada objek bangunan

Gambar 1.2Pola digital number pada objek bangunan

- 147 -


Objek dalam suatu citra yang telah melewati proses ortho rektifikasi memiliki koordinat bumi yang seharusnya sama jika dibandingkan dengan citra ortho lainnya pada scene yang sama. Untuk itu, salah satu solusi untuk permasalahan ini adalah dengan menggunakan metode image registration. Metode image registration adalah proses overlay dua atau lebih gambar dari scene yang sama diambil pada waktu yang berbeda, dari sudut pandang yang berbeda, dan atau sensor yang berbeda. Metode ini menyamakan secara geometrik antara dua citra, yaitu citra reference dan citra tes (Zitova & Flusser, 2003). Untuk menyamakan secara geometrik diperlukan identifikasi kemiripan objek pada kedua citra untuk kemudian menghitung persamaan perubahan atau perbedaan geometriknya. Hubungan kemiripan suatu objek ditentukan dengan menggunakan sebuah metode yaitu image correlation atau image matching. Image matching adalah proses menemukan poin yang sesuai dalam dua atau lebih gambar dari scene yang sama dan merupakan proses penting untuk berbagai aplikasi seperti image registration (Gianinetto, 2012; Parmehr et al., 2014), Deteksi perubahan (Qin & Gruen, 2014; Sadeghi et al., 2013), dan untuk pemodelan tiga dimensi dan ilmu pemetaan (Ahmadi et al., 2010; Ekhtari et al., 2009; Lerma et al., 2013; Mohammadi & Malek, 2014; Soheilian et al., 2013). Di beberapa literatur lain konsep image matching dikenal dengan Digital Image Correlation (DIC) (Pohl & Weibrecht, 1975; Keating et al., 1975). Konsep penggunaan korelasi untuk mengukur pergeseran dalam dataset telah lama dikenal, dan hal itu diterapkan pada gambar digital setidaknya sejak 1972 (Pohl & Weibrecht, 1975; Keating et al., 1975). DIC pada awalnya banyak digunakan di bidang mekanika yang dipimpin oleh para peneliti di University of South Carolina pada awal tahun 1980 (Chu et al., 1985; Bruck et al., 1989; Peters & Ranson, 1982) dan telah dioptimalkan dan ditingkatkan dalam beberapa tahun terakhir (Sutton et al., 2000; James et al., 1990; Smith & Tong, 1998; Tiwari et al., 2007; Kobayashi, 1993) Umumnya, DIC bergantung pada proses implementasi dari koefisien korelasi yang ditentukan dengan memeriksa intensitas piksel di dalam bagian array pada dua atau lebih gambar yang sesuai dan penggalian fungsi pemetaan deformasi antar gambar. Cross correlation merupakan metode standar yang biasa digunakan untuk mengevaluasi derajat kemiripan antara dua sinyal. Hal tersebut merupakan dasar pendekatan untuk image matching (Duda & Hart, 1973). Namun dalam tulisan ini akan menampilkan hasil pengujian metode korelasi Pearson untuk menghitung korelasi citra sebagai dasar dalam image registration citra penginderaan jauh. Dengan asumsi Korelasi pearson mampu menghasilkan standart deviasi yang lebih besar jika dibandingkan dengan cross correlation pada himpunan nilai korelasi dalam matrik korelasi. Hal ini diperlkukan untuk meningkatkan keyakinan terhadap registrasi titik GCP pada kedua citra (citra acuan dan citra tes)

2.

METODE

Pengujian metode korelasi pearson dalam tulisan ini dilakukan dengan menggunakan dua citra SPOT 6 level orto yaitu SP6_MS_20140418_05593919_ToA sebagai citra tes dan SP6_MS_201308270243586_ToA sebagai citra acuan. kedua citra tersebut berada pada daerah yang sama yaitu di Jakarta dengan tanggal perekaman yang berbeda. Penamaan kedua citra tersebut telah mengalami perubahan dari penamaan standar dari astrium karena telah melewati proses koreksi radiometri dengan menggunakan aplikasi yang dikembangkan di Bidang Teknologi Pengolahan Data, LAPAN. Kedua citra tersebut memiliki proyeksi UTM zona 48S. Hal ini memudahkan dalam pengukuran pergeseran objek di kedua citra. Untuk mengukur image registration telah dibuat sebanyak 50 titik kontrol. Semua titik kontrol dibuat secara manual dengan membuat titik pada citra acuan. Titik dibuat di atas objek yang tidak mengalami perubahan untuk waktu yang relatif lama seperti persimpangan jalan, rumah, gedung, jembatan dll. Berikut ini persebaran titik kontrol pada citra acuan.

- 148 -


Gambar 2.1 Persebaran titik kontrol pada citra acuan

Titik tersebut hanya berada pada salah satu piksel sehingga hanya memiliki satu nilai digital number. Korelasi atar citra belum bisa dihitung dengan satu digital number. Maka dibuat lah sebuah Chip dengan ukuran tertentu. Chip atau lebih dikenal sebagai GCP chip merupakan sekumpulan piksel yang mengelilingi GCP dan mewakili area kecil yang memiliki ciri khas (Schowengerdt, 2007). Dalam pengujian ini menggunakan window ukuran 21x21 piksel. Window dengan ukuran 21x21 bertujuan untuk mengukur korelasi citra reference dengan citra tes. Korelasi sederhana merupakan suatu teknik statistik yang dipergunakan untuk mengukur kekuatan hubungan 2 variabel dan juga untuk dapat mengetahui bentuk hubungan antara 2 variabel tersebut dengan hasil yang sifatnya kuantitatif. Kekuatan hubungan antara 2 variabel yang dimaksud di sini adalah apakah hubungan tersebut erat, lemah, ataupun tidak erat sedangkan bentuk hubungannya adalah apakah bentuk korelasinya linear positif ataupun linear negatif. Kekuatan hubungan antara 2 variabel biasanya disebut dengan koefisien korelasi dan dilambangkan dengan symbol “r”. Nilai koefisian r akan selalu berada di antara -1 sampai +1. Koefisien korelasi sederhana disebut juga dengan Koefisien Korelasi Pearson karena rumus perhitungan Koefisien korelasi sederhana ini dikemukakan oleh Karl Pearson yaitu seorang ahli Matematika yang berasal dari Inggris. Rumus ini disebut juga dengan Pearson Product Moment.

..........................................................................(1) Dimana : rxy = Nilai koefisien korelasi X = pengamatan variabel citra reference Y = pengamatan variabel citra tes N = jumlah pasangan X dan Y Variabel citra yang digunakan adalah digital number. Jumlah variabel dari window berukuran 21x21 pixel adalah 441 variabel. Untuk mencari koordinat yang tepat (matched), diperlukan beberapa kali perhitungan korelasi. Hal ini diperlukan karena adanya kemungkinan pergeseran koordinat objek pada citra tes. Dengan asumsi bahwa kedua citra tepat bertumpukan ketika koefisien korelasinya maksimum atau mendekati 1, maka diperlukan iterasi untuk mencari korelasi maksimum. Pencarian dibatasi sejauh radius cari yang dihitung dalam satuan piksel dan berporos pada titik GCP. Besar radius cari mempengaruhi jumlah koefisien korelasi. Misalnya, untuk radius cari sama dengan satu piksel, maka window tersebut digunakan untuk menghitung korelasi pada titik GCP, dan seluruh piksel yang berjarak 1 piksel dari titik GCP. Karena piksel dalam citra tersusun dalam bari dan kolom sehingga dapat digambarkan seperti berikut:

- 149 -


Gambar 2.2.Radius cari

Warna hijau adalah titik GCP, dan warna kuning adalah piksel yang berada pada radius 1 piksel dari GCP, sehingga terdapat 9 koefisien korelasi dalam radius cari sama dengan satu piksel. Dalam tulisan ini menggunakan radius cari sebesar 3 piksel di masing-masing titik GCP. Hal ini didasari oleh karakteristik citra SPOT 6 level ortho yang memiliki akurasi geometri sebesar 10 meter (CE90) (Geo Airbus DS, 2015)). Namun karakteristik tersebut berlaku untuk nilai RMS error bukan error per titik kontrol. Sehingga diperlukan pencarian error yang lebih besar dari RMSnya. Sedangkan resolusi spasial SPOT 6 multispektral adalah 6 meter. Dengan radius 3 piksel ini dapat mendeteksi nilai pergeseran objek pada titik kontrol hingga 3 piksel atau 18 meter. Proses matching ini dilakukan pada semua titik kontrol untuk mengetahui nilai pergeseran dalam image registration. Keseluruhan tahap image mathing di masing-masing titik GCP digambarkan dalam sebuah diagram alir sebagaimanaGambar 2.3 berikut.

Gambar 2.3. Diagram alir proses image matching

Perhitungan galat geometri citra tes terhadap citra acuan (50 GCP chip) dilakukan dengan menggunakan root mean square error (RMSE ). Penulis menggunakan perhitungan RMSE atas dasar beberapa jurnal yang menyatakan bahwa di bidang geoscience, banyak menampilkan/menggunakan RMSE sebagai perhitungan

- 150 -


standar untuk banyak model galat (McKeen et al., 2005; Savage et al., 2013; Chai et al., 2013). Berikut ini rumus untuk menghitung RMSE. RMSEx = RMSEy = RMSET =

∑

(

)

∑

(

)

+

………………………………………………………………………(2) ……………………………………………………………………….(3) ………………………………………………………………(4)

Keterangan : RMSEx : RMSE pada sumbu x RMSEy : RMSE pada sumbu y RMSET : RMSE total pada sumbu x dan y x’ : Nomer kolom atau koordinat bumi (easting, latitude) pada citra tes x : Nomer kolom atau koordinat bumi (easting, latitude) pada citra acuan y’ : Nomer baris atau koordinat bumi (northing, longitude) pada citra tes y : Nomer baris atau koordinat bumi (northing, longitude) pada citra acuan n : Jumlah titik GCP atau GCP chip

3.


Pengujian metode ini menghasilkan beberapa nilai, antara lain: nilai korelasi maksimum, galat pergeseran sumbu x dan sumbu y, yang diukur dari masing-masing GCP chip. Guna mempermudah dalam melakukan analisis hubungan antara koefisien korelasi dengan nilai galat pergeseran, maka penulis membuat kurva yang menghubungkan antara galat pergeseran dan koefisien korelasi.

Perbandingan Korelasi dan Galat 3.5 3 2.5 2 1.5 1 0.5 0 -0.5 0 -1 -1.5

galat X (piksel) galat Y(piksel) Korel-max 10

20

30

40

50

60

Nomer GCP Gambar 3.1. Grafik perbandingan korelasi dan galat

Dari data perbandingan korelasi dan galat, nilai koefien korelasi tidak mempengaruhi galat. Nilai galat berbeda-beda di setiap GCP. Kenaikan nilai korelasi tidak berhubungan dengan perubahan nilai galat. Hal ini dikarenakan koefisien korelasi memiliki fungsi untuk mendeteksi kemiripan pola objek yang terdapat pada GCP chip dengan citra korelasi, sedangkan galat dipengaruhi oleh terjadinya perbedaan koordinat objek pada GCP chip dan citra tes. Rendahnya koefisien korelasi disebabkan oleh perubahan pola digital number pada objek yang teramati. Dari data pengujian ini ditemukan nilai terendah koefisien korelasi pada GCP chip nomer 5 dengan nilai 0.585041, untuk itu perlu dilakukan pengecekan secara visual untuk mendapatkan informasi penyebab rendahnya nilai koefisien korelasi. Berikut ini citra perbandingan atara GCP chip dengan citra tes yang

- 151 -


dilihat secara visual untuk membuktikan adanya perubahan lahan yang menyebabkan nilai koefisien korelasi menjadi rendah.

(a)

(b)

(c) Gambar 3.2. Perbandingan citra SPOT 6 multispectral band 3, (a) kanal merah yang ditempati citra tes SP6_MS_20140418_05593919_ToA.ers yang sejajar (overlap) dengan GCP chip, (b) kanal hijau ditempati oleh citra gcp_window21x21_5.ers berukuran 21x21 piksel diambil dari citra SP6_MS_201308270243586_ToA.ers

Dengan menggunakan rumus RMSE, maka diperoleh nilai RMSET dari 50 titik GCP chip berukuran 21x21 dengan menggunakan band red sebesar 2.39 dalam satuan piksel. Jika hasil tersebut dikalikan dengan resulusi spasial SPOT6 multispectral yaitu 6 meter maka menghasilkan nilai 14.35 meter. Hasil ini menunjukkan bahwa diantara kedua citra SPOT 6 multispectral level ortho standar memiliki selisih 4.35 meter dari klaim yang disampaikan Astrium atau Airbus, yang mengkaji kendala dalam pengujian ini yakni tidak adanya citra acuan yang dianggap benar secara geometrik seperti yang dipublikasikan oleh USGS berupa GLS2000 (Global Line Survei). GLS2000 merupakan citra Landsat yang diakuisisi sekitar tahun 2000 yang telah melaui ortho rektifikasi yang dianggab memiliki ketepatan geometrik yang tinggi yang bisa dijadikan acuan dalam pengukuran kualitas geometrik Landsat.

4.

KESIMPULAN

Berdasarkan hasil pengujian yang diperoleh dari perhitungan matematis dan dibantu dengan validasi secara visual pada kedua citra diperoleh kesimpulan bahwa korelasi pearson dapat digunakan untuk identifikasi objek pada dua citra dengan menggunakan prinsip digital image correlation yang diaplikasikan untuk image registration.

DAFTAR PUSTAKA Chai, T., dan Draxler, R.R. (2014). Root Mean Square Error (RMSE) Or Mean Absolute Error (MAE)? – Arguments Against Avoiding RMSE In The Literature, Geosci. Model Dev, 7:1247–1250 Duda, R.O., dan Hart, P.E. (1973). Pattern Classification and Scene Analysis, Wiley.

- 152 -


Geo Airbus, D.S. (2015). SPOT 6/7 Satellite Imagery, citied in http://www.geo-airbusds.com/en/147-spot-6-7-satelliteimagery [2 September 2015] Mather, P.M. (2005). Computer processing of remotely-sensed images : an introduction,Wiley. ISBN: 978-0-47002101-9 Rao, Y.R., Prathapani, N., dan Nagabhooshanam, E. (2014). Application Of Normalized Cross Correlation To Image Registration, IJRET: International Journal of Research in Engineering and Technology eISSN: 2319-1163 pISSN: 2321-7308 Schowengerdt, R.A. (2007). Remote Sensing: Models and Methods for Image Processing, Elsevier Inc. ISBN: 978-012-369407-2 Sedaghat, A., dan Ebadi, H. (2015). Distinctive Order Based Self-Similarity Descriptor for Multi-sensor Remote Sensing Image Matching, ISPRS Journal of Photogrammetry and Remote Sensing 108:62–71 Wikipedia (2015). Digital Image Correlation, citied in https://en.wikipedia.org/wiki/Digital_image_correlation [ 15 September 2015] Wikipedia (2015). Pearson Product-Moment Correlation Coefficient, citied in https://en.wikipedia.org/wiki/Pearson _product-moment_correlation_coefficient [7 September 2015] Zitova, B., dan Flusser, J. (2003). Image Registration Methods: a survey, Image and Vision Computing 21:977–1000. *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA POSTER PRESENTASI ILMIAH SINAS INDERAJA 2015 Judul Makalah Pemakalah Jam Tempat Diskusi

: Pengujian Metode Korelasi Pearson untuk Image Registration pada Citra SPOT 6 Ortho Standar : Randy Prima Brahmantara : 10.30-15.00 : Ball Room 2 & 3 :

Erna Sri Adiningsih (Pustekdata, LAPAN): Mengapa digunakan korelasi Pearson pada image registration SPOT 6? Apa asumsi-asumsi yang mendasari? Jawaban: Korelasi pearson memiliki standar deviasi yang lebih besar jika dibandingkan dengan cross correlation. Dalam image registration ini kami menghendaki adanya standart deviasi yang besar untuk meyakinkan adanya pergeseran atau tidak adanya pergeseran. Dengan asumsi semakin besar deviasi pada matrik korelasi maka akan meningkatkan keyakinan bahwa kedua citra telah ter-registered . Asumsi semakin besar deviasi pada matrik korelasi maka akan meningkatkan keyakinan bahwa kedua citra telah terregistered . anonim: Mengapa tidak menggunakan radius cari 2 piksel, karena 2x6m > 10m? Jawaban: Dengan menggunakan radius cari lebih dari 2 piksel, diharapkan bisa mendeteksi adanya titik yang memiliki error lebih dari 2 piksel (18 meter). Spesifikasi error pergeseran yang disampaikan pada web resmi (http://www.geoairbusds.com/en/147-spot-6-7-satellite-imagery) adalah untuk error RMS dari keseluruhan titik kontrol dengan kriteria CE 90 bukan error di masing-masing titik kontrol.

- 153 -

S EMINAR NASIONAL PENGINDERAAN JAUH 2015 POSTER PRESENTATION

Mosaik Bebas Awan Citra Resolusi Tinggi Ferman Setia Nugroho1,*) 1

Balai Penginderaan Jauh Parepare, LAPAN *)


ABSTRAK – Mosaik bebas awan citra resolusi tinggi sangatlah dibutuhkan dalam perencanaan tata ruang maupun kebutuhan yang lain. Indonesia memiliki wilayah yang sangat luas dan tutupan awan yang banyak sehingga dibutuhkan citra resolusi tinggi yang memiliki lebar perekaman yang luas dan resolusi temporal yang tinggi sehingga untuk melakukan mosaik bebas awan citra resolusi tinggi bisa dilakukan dengan cepat. Tujuan dari penelitian ini adalah untuk mengetahui kemampuan SPOT 6/7 dalam memenuhi kebutuhan mosaik bebas awan citra resolusi tinggi untuk wilayah Indonesia. Hasil penelitian ini menunjukkan bahwa SPOT 6/7 mampu memenuhi kebutuhan mosaik bebas awan citra resolusi tinggi untuk wilayah Indonesia. Kata kunci: mosaik bebas awan, SPOT 6/7, rencana tata ruang ABSTRACT - Cloud-free mosaic image of high resolution is needed in spatial planning or other needs. Indonesia has a large area and a lot of cloud cover so it takes a high-resolution image recording which has a broad width and high temporal resolution so as to make a mosaic of cloud-free high-resolution image can be done quickly . The aim of this study was to determine the ability SPOT 6/7 to meet the needs of cloud-free mosaics for a high resolution image of Indonesia. Results of this study indicate that SPOT 6/7 is able to meet the needs of cloud-free mosaics for a high resolution image of Indonesia. Keywords: cloud-free mosaic, SPOT 6/7, spatial planning

1.

PENDAHULUAN

Satelit penginderaan jauh resolusi tinggi pertama-tama dikembangkan Amerika Serikat, kemudian negara-negara lain juga mengembangkan satelit penginderaan jauh resolusi tinggi, seperti Jepang, India, dan China, dan negara lainnya. Satelit-satelit tersebut mempunyai kemampuan memberikan data citra resolusi tinggi yang dapat dimanfaatkan dalam berbagai bidang aplikasi, antara lain di bidang pertahanan dan keamanan nasional, transportasi udara dan laut, pertambangan, infrastruktur, pemetaan, pengelolaan bencana, pertanian, kehutanan dan pemantauan lingkungan, rekayasa, konstruksi, dan deteksi perubahan lahan. Indonesia telah memanfaatkan data citra satelit penginderaan jauh milik negara lain untuk kebutuhan nasional, seperti pada pelaksanaan akuisisi data inderaja melalui stasiun bumi Lembaga Penerbangan dan Antariksa Nasional (LAPAN) Balai Penginderaan Jauh Parepare dan telah meningkatkan jumlah data yang diarsipkan di Bank Data inderaja LAPAN. Selain menerima data citra satelit penginderaan jauh secara mandiri dari stasiun bumi tersebut, LAPAN juga melakukan kerjasama dengan penyedia data citra satelit inderaja lainnya untuk kepentingan pengguna. Data citra satelit tersebut di atas didistribusikan kepada pengguna baik pengguna internal LAPAN maupun pengguna eksternal, dan juga untuk berbagai bidang aplikasi, untuk keperluan penelitian , penataan ruang , perairan/hidrologi, kehutanan , penggunaan lahan, pertambangan, hankam, promosi/dan lainnya. Kemudian distribusi data berdasarkan pengguna adalah untuk perguruan tinggi, TNI/hankam, internal LAPAN, instansi pemerintah dan instansi swasta (Bakara, 2014). Pemanfaatan data citra satelit penginderaan jauh resolusi tinggi oleh instansi pemerintah dan instansi swasta nasional masih banyak menggunakan data citra yang dibeli dari negara lain, mengakibatkan pemanfaatan data citra satelit resolusi tinggi nasional tidak optimal. Maka untuk mengoptimalisasi pemanfaatan data citra satelit penginderaan jauh tersebut, pemerintah mengeluarkan Inpres No. 6 Tahun 2012 tentang penyediaan, penggunaan, pengendalian kualitas, pengolahan dan distribusi data satelit penginderaan jauh resolusi tinggi. Maka untuk implementasi Inpres No. 6 Tahun 2012, yaitu optimalisasi perlu dibuat suatu desain pengelolaan pengadaan dan pendistribusian data satelit penginderaan jauh resolusi tinggi. LAPAN sebagai instansi yang mempunyai tugas salah satunya adalah mengembangkankan dan pemanfaatan teknologi penginderaan jauh dan pengadaan data citra satelit dan pengolahan data satelit resolusi tinggi untuk kebutuhan nasional. Kemudian dalam pengendalian kualitas data citra dilakukan bersama-sama LAPAN dan Badan Informasi Geospasial (Bakara, 2014).

- 154 -


Mosaik bebas awan citra resolusi tinggi sangatlah dibutuhkan dalam perencanaan tata ruang maupun kebutuhan yang lain. Indonesia memiliki wilayah yang sangat luas dan tutupan awan yang banyak sehingga dibutuhkan citra resolusi tinggi yang memiliki lebar perekaman yang luas dan resolusi temporal yang tinggi sehingga untuk melakukan mosaik bebas awan citra resolusi tinggi bisa dilakukan dengan cepat. Tujuan dari penelitian ini adalah untuk mengetahui kemampuan SPOT 6/7 dalam memenuhi kebutuhan mosaik bebas awan citra resolusi tinggi untuk wilayah Indonesia. Alasan pemilihan SPOT 6/7 adalah karena SPOT 6/7 memang direkam oleh LAPAN, selain itu dari segi resolusi spasial yang tinggi dimana memiliki resolusi spasial 1,5 meter untuk sensor pankromatik dan lebar cakupan perekaman yang lebar yaitu 60km (bila dibandingkan dengan citra lain misalkan: Worldview1 17 km, Worldview2 16.4 km, Worldview3 13.1 km, Geoeye1 15.2 km, Quickbird 16.8 km, Ikonos 11.3 km, dll.) dan panjang sampai dengan 600 km dalam satu kali perekaman. (DigitalGlobe, 2015). Gambar 1. menunjukkan model perekaman yang dapat dilakukan oleh SPOT 6/7.

(a)

(b)

(c)

(d)

(e)

Gambar 1. Model Perekaman SPOT 67. (a) Standard Data Collection: Long Strip. (b) Standard Data Collection: Target. (c) Single Pass | Multi-Strip Collection (d) Single Pass | Corridor Collection (e) Single Pass | Stereo Capability (Sumber: Astrium, 2015)

SPOT 6 diluncurkan 9 September 2012, SPOT 7 diluncurkan 30 Juni 2014, SPOT 6 dan SPOT 7 merupakan satelit konstelasi dimana kedua satelit tersebut memiliki spesifikasi yang sama sehingga bisa saling melengkapi. Sudut perekaman bisa diatur dari 5o sampai dengan 45o dimana untuk waktu yang dibutuhkan untuk merekam satu lokasi yang sama adalah dari 26 hari sampai dengan 1 hari. Untuk melihat secara rinci waktu yang dibutuhkan untuk merekam satu lokasi yang sama dapat dilihat pada Tabel 1 yang akan disajikan berikut: Tabel 1. Waktu yang Dibutuhkan untuk Merekam Daerah yang Sama (Sumber: Astrium, 2015)

5o

Hanya SPOT 6 atau Hanya SPOT 7 26 hari

Konstelasi SPOT 6 dan SPOT 7 13 hari

20o

7 hari

4 hari

o

5 hari

2 hari

45o

2 hari

1 hari

Sudut Perekaman

30

2.

METODE

Penelitian ini akan menunjukkan hasil persentase perbandingan luas daratan terhadap tutupan mosaik bebas awan citra resolusi tinggi, sehingga dalam penelitian ini dilakukan mosaik bebas awan SPOT 6/7 setelah melalui tahapan-tahapan yang akan dijelaskan pada Gambar 2.

- 155 -

Mosaik Bebas Awan Citra Resolusi Tinggi (Nugroho, FS)

Inventarisasi Data SPOT 6/7

Cloud-Masking

Pansharpening dan Proses Mosaik

Hasil Mosaik Bebas Awan

% Luas Citra Terhadap Luas

Gambar 2. Diagram Alir Penelitian (Sumber: Hasil Pengolahan)

Seluruh proses pengerjaan mosaik bebas awan menggunakan Pixel Factory yang dikembangkan oleh Astrium. Pixel Factory tidak hanya terbatas untuk citra SPOT 6/7 saja, akan tetapi bisa juga untuk citra-citra lain semisal Landsat, Pleiades, Worldview, dan lain sebagainya. Secara metode pada dasarnya hampir sama hanya saja berbeda resolusi spasialnya saja. Inventarisasi data SPOT 6/7 dilakukan per pulau besar dimana masing-masing pulau besar tersebut merupakan satu project. Adapun data yang digunakan untuk proses mosaik ini adalah data dengan level RSENSOR. Terdapat 7 project utama yaitu Sumatera, Jawa, Bali Nusa Tenggara, Papua, Maluku, Sulawesi dan Kalimantan. Untuk mendapatkan citra yang bebas awan maka dilakukan cloud masking dimana dalam penelitian ini digunakan cloudwiz yang merupakan perangkat lunak yang dikembangkan oleh Astrium. Terdapat pohon keputusan untuk memisahkan mana awan dan mana objek bukan awan seperti terdeskripsikan dalam Gambar 3.

Gambar 3. Pohon Keputusan untuk Memisahkan Awan dan Bukan Awan (Sumber: Anonim)

Setelah dilakukan cloud masking maka tahapan selanjutnya adalah proses koreksi geometri menggunakan auto point measurement untuk bundle adjusment dimana dalam penelitian ini belum tersedia ground control point yang mencukupi sehingga hanya mengutamakan keseragaman koordinat antar strip citra. Tahap selanjutnya adalah pansharpening untuk mendapatkan citra berwarna dengan resolusi spasial 1,5 m yang kemudian dilanjutkan proses mosaik dimana lokasi yang tertutup awan akan digantikan dengan citra yang tidak ada awan dari perekaman pada tanggal yang lain sehingga didapatkanlah mosaik citra SPOT 6/7 bebas awan. Setelah tahapan mosaik bebas awan maka tahapan yang terakhir adalah menghitung persentase luas citra terhadap luas daratan dimana hasil tersebut bisa menggambarkan kemampuan SPOT 6/7 dalam memenuhi kebutuhan mosaik bebas awan citra resolusi tinggi.

3.

HASIL PEMBAHASAN

Perekaman SPOT 6 di LAPAN dimulai pada bulan Juni 2013, adapun area yang direkam masih sangat minim, dapat dilihat pada Gambar 4. Sedangkan perekaman SPOT 6/7 untuk seluruh wilayah Indonesia baru dilaksanakan mulai bulan September 2014. Data yang dipakai untuk proses mosaik ini dibatasi sampai bulan maret 2015 untuk proses mosaik, jadi masih sangat minim data untuk dilakukan mosaik, sehingga belum menggambarkan kemampuan maksimal SPOT 6/7 dalam melakukan perekaman untuk mosaik bebas awan. Namun keuntungan dari range waktu yang tidak terlalu jauh bisa meminimalisir perubahan penggunaan lahan.

- 156 -


Gambar 4. Cakupan Perekaman SPOT 6 Juni 2013-September 2014 (Sumber: Hasil Pengolahan)

Gambar 5. Hasil Mosaik Bebas Awan SPOT 6/7 Juni 2013-Maret 2015 (Sumber: Hasil Pengolahan)

Gambar 5 menunjukkan hasil mosaik bebas awan SPOT 6/7 Juni 2013-Maret 2015. Hasil tersebut diperoleh dari pemrosesan SPOT 6 sebanyak 802 strip/rekaman dan SPOT 7 sebanyak 307 strip/rekaman yang merupakan hasil dari pemilahan data yang kualitas bagus atau tutupan awan rendah dari total jumlah perekaman sampai dengan 22 Oktober 2015 yang berjumlah 8353 strip untuk SPOT 6 dan 2885 strip untuk SPOT 7, jadi bisa dikatakan hanya 10% saja data yang digunakan mengingat Indonesia yang merupakan negara tropis dengan tutupan awan yang sangat tinggi. Tabel 2. Data masukan dan persentase perbandingan luas daratan terhadap tutupan mosaik bebas awan (Sumber: Hasil Pengolahan) Pulau Kalimantan Sumatera Papua Sulawesi Jawa Maluku Bali Nusa Tenggara

Jumlah SPOT 6 (strip)

Jumlah SPOT 7 (strip)

Ukuran Data (GB)

Luas Daratan (km2)

151 205 110 147 70 51 68

45 34 29 51 38 28 82

436 439 319 336 170 145 219

544.150 473.481 420.540 174.600 128.297 74.505 72.876

Luas Citra (km2) 399.254 425.896 303.567 168.495 112.369 63.487 67.489

Luas Citra Terhadap Luas Daratan (%) 73,37 89,95 72,19 96,50 87,59 85,21 92,61

Pulau Kalimantan masih banyak yang belum terekam karena sedikit sekali citra yang tidak tertutup awan, ditambah lagi perekaman untuk daerah Kalimantan bagian tengah, timur dan utara baru dimulai Bulan September 2014 sehingga daerah tersebut masih banyak yang belum tersedia citranya. Pulau Papua masih

- 157 -

Mosaik Bebas Awan Citra Resolusi Tinggi (Nugroho, FS)

dalam proses pengerjaan sehingga sementara baru Provinsi Papua saja, belum termasuk Provinsi Papua Barat. Tabel 2 menunjukkan jumlah strip, ukuran data, luas daratan, luas citra, dan hasil persentase luas citra terhadap luas daratan, dimana persentase tertinggi ditunjukkan oleh pulau sulawesi yaitu sebesar 96,50%. Persentase terendah sebesar 72,19% ditunjukkan oleh Pulau Papua karena memang masih dalam proses pengerjaan. Dari Tabel 2 tersebut maka bisa disimpulkan bahwa SPOT 6/7 mampu memenuhi kebutuhan mosaik bebas awan citra resolusi tinggi untuk wilayah Indonesia.

4.

KESIMPULAN

Hasil penelitian ini menunjukkan bahwa SPOT 6/7 mampu memenuhi kebutuhan mosaik bebas awan citra resolusi tinggi untuk wilayah Indonesia

UCAPAN TERIMAKASIH Penulis mengucapkan terimakasih kepada seluruh personil Balai Penginderaan Jauh Parepare yang telah memberikan masukan dan bantuan dalam penulisan karya tulis ilmiah ini. Penulis juga mengucapkan terimakasih kepada Tim Redaksi dan Mitra Bestari atas masukan dan koreksinya.

DAFTAR PUSTAKA Anonim. Cloudwiz User Manual version 1.0. Astrium Geoinformation Services. Parc Technologique du Canal 15 Avenue de l'Europe – 31522 Ramonville Saint-Agne. Astrium. (2015). SPOT 6|SPOT 7 Technical Sheet. Cited in http://www2.geoairbusds.com/files/pmedia/public/r12317_9_SPOT 6-7_technical_sheet.pdf . [22 Oktober 2015] Bakara, J. (2014). Sistem Menejemen Data Citra Satelit Penginderaan Jauh Resolusi Tinggi Untuk Kebutuhan Nasional. Prosiding Seminar Nasional Penginderaan Jauh 2014. IPB International Convention Center. Bogor. DigitalGlobe. (2015). WorldView3 Data Sheet. Cited in https://dg-cms-uploadsproduction.s3.amazonaws.com/uploads/document/file/95/DG_WorldView3_DS_forWeb_0.pdf. [22 Oktober 2015] DigitalGlobe. (2015). WorldView2 Data Sheet. Cited in https://dg-cms-uploads production.s3.amazonaws.com/uploads/document/file/98/DG_WorldView2_DS_PROD.pdf. [22 Oktober 2015] DigitalGlobe. (2015). WorldView1 Data Sheet. Cited in https://dg-cms-uploadsproduction.s3.amazonaws.com/uploads/document/file/99/WorldView1-DS-WV1.pdf. [22 Oktober 2015] DigitalGlobe. (2015). GeoEye1 Data Sheet. Cited in https://dg-cms-uploadsproduction.s3.amazonaws.com/uploads/document/file/97/DG_GeoEye1.pdf. [22 Oktober 2015] DigitalGlobe. (2015). QuickBird Data Sheet. Cited in http://global.digitalglobe.com/sites/default/files/QuickBird-DSQB-Prod.pdf. [22 Oktober 2015] DigitalGlobe. (2015). Ikonos Data Sheet. Cited in http://global.digitalglobe.com/sites/default/files/DG_IKONOS_DS.pdf. [22 Oktober 2015] *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA POSTER PRESENTASI ILMIAH SINAS INDERAJA 2015 Judul Makalah Pemakalah Jam Tempat Diskusi

: Mosaik Bebas Awan Citra Resolusi Tinggi : Ferman Setia Nugroho : 10.30-15.00 : Ball Room 2 & 3 :

Udhi Catur Nugroho (Pusfatja, LAPAN): Apa bedanya dengan metode mozaik cloud free landsat? Jawaban: Metode mosaik yang dilakukan untuk SPOT maupun Landsat pada dasarnya sama saja, yang membedakan hanyalah resolusi spasialnya saja. Samsul Arifin (Pusfatja, LAPAN): Mosaik ini data akuisisi dari tahun berapa sampai dengan berapa? Karena kalau terlalu jauh selisih tahun kuatir sudah ada perubahan lahan.

- 158 -


Jawaban: Mosaik SPOT-6 & 7 ini menggunakan data dari 2013-2015 sehingga perubahan lahan belum begitu signifikan. Fadila Muchsin (Pustekdata, LAPAN): Mengapa tidak dilakukan proses BundleAdjustment? Bagaimana akurasi geometri antar citra? Jawaban: Proses koreksi geometri menggunakan auto point measurement untuk bundle adjusment dimana dalam penelitian ini belum tersedia ground control point yang mencukupi sehingga hanya mengutamakan keseragaman koordinat antar strip citra.

- 159 -

SEMINAR NASIONAL PENGINDERAAN JAUH 2015 POSTER PRESENTATION

Penambahan Citra Satelit dengan Sistem Ingest DataDoors di LAPAN Ogi Gumelar1,*), Rubini Jusuf1, Rita Silvana Arlis1 , dan Riyan Mahendra Saputra1 1 *)

Pusat Teknologi dan Data, LAPAN

E-mail: [email protected];[email protected];[email protected]

ABSTRAK-Penambahan citra satelit menggunakan SCIMr (perangkat lunak dari DataDoors Appliance) memang unik dan menarik jika dilihat secara visual. Sistem "ingest" dapat disebut sebagai sistem pencarian citra satelit semiautomatisasi dan sistem penyajian katalog sistem informasi. Citra optis dan radar dapat dideteksi keduanya oleh SCIMr sedangkan untuk proses ingest citra seperti data radar tingkat kesulitannya dapat dibilang lebih dibandingkan citra optis. Citra seperti SPOT 6 dan 7, MODIS, NPP dan lainnya belum dapat dilakukan ingest secara sempurna sedangkan citra lain seperti ALOS 2 PALSAR, Sentinel, citra hasil Pixel Factory belum berhasil di ingest sebagian karena hasil citra Pixel Factory dapat diubah secara manual dan tidak standar. Selain raster, SCIMr dapat pula menambahkan data ke dalam DataDoors baik itu berupa berkas vektor maupun berkas metadata saja. Kustomisasi tidak dapat dilakukan dalam program SCIMr ini karena tidak bersifat open source. Kata kunci:citra satelit, web katalog, ingesting, DataDoors, metadata, raster format ABSTRACT- DataDoors Appliance serves image satellite using SCIMr software in unique way and interesting if we see by visual. Ingesting system can we called as a half automated system in finding satellite image and catalog information system for imagery. Optical and radar image can be detected very well by SCIMr, the structure of radar seem to be more difficult to be ingested. There were several images which are not standard from the other images and those non standards cannot be displayed in catalog system. For example forsome image satellites like SPOT-7, MODIS, NPP cannot be ingested by SCIMr perfectly and also image like ALOS 2 PALSAR, Sentinel, Pixel Factory product cannot be ingested partially because Pixel factory is a customized product.We can see how low spatial resolution images can have bigger swath whichcan cover all of area in Indonesia in one or several images. DataDoors system provides several format options which can be selected by user according own user specification.Changing configuration system in SCIMr cannot be done by public because this SCIMr is not open source type. Keywords: Image satellite, web catalog, ingesting, DataDoors, metadata, raster format

1.

PENDAHULUAN

Ketersediaan citra satelit dapat disajikan dalam berbagai cara baik secara geospasial maupun berbasis tekstual. Secara sederhana pencarian citra satelit berbasis geospasial lebih memudahkan pengguna dalam mencari wilayah yang diinginkan menggunakan Area Of Interest (AOI) akan tetapi dalam hal ini menjadi kendala jika pengguna tidak terbiasa menggunakan aplikasi sistem geografis. Sementara itu untuk pencarian berbasis tekstual lebih mudah menggunakannya tetapi akan sulit mendapatkan wilayah yang diinginkan. Citra satelit itu sendiri terbagi secara spasial atas tiga kategori umum pertama citra resolusi spasial rendah, menengah dan tinggi. Selain itu untuk segi platform-nya baik dari space borne, air borne dan ground kemudian citra yang dibahas dalam tulisan ini masih dalam seputar space borne maka selanjutnya pemahaman citra satelit yang tersedia di LAPAN merupakan citra hasil perekaman dengan wahana satelit. Sensor terbagi dua secara garis besar walaupun tidak menutup kemungkinan terdapat sensor lain dalam muatan satelit yaitu sensor optis dan radar. Ketersediaan citra LAPAN diidentifikasi menggunakan perangkat lunak DataDoors The Supplemental Content Ingestion Manager (SCIMr).

1.1 Definisi

Ingest itu sendiri berarti proses identifikasi citra satelit dengan cara ekstraksi citra raster bersama informasi metadatanya agar dapat dibuat citra tampilan dan informasi parameter yang dibutuhkan oleh pengguna citra satelit. Nilai no data yaitu jika citra bukan tile yang utuh maka nilai tersebut dapat diwakili sebagai no data. Nilai no data dapat bervariasi mulai dari nilai rendah (latar belakang hitam) sampai nilai tinggi (latar belakang putih; nilai sebenarnya tergantung dari kedalaman bit citra), atau dapat bernilai negatif untuk data elevasi. Selain itu pengertian no data values juga dapat diartikan sebagai populasi titik asal yang terhimpun dari informasi metadata, serta dapat diganti dengan memasukkan sebuah nilai atau kitaran nilai yang

- 160 -


mewakili no data values dalam data yang di-ingest. Sedangkan menurut sebuah referensi "Concept and Techniques of Geographic Information System" bahwa nilai null not zero yang berarti nilai kosong bukan nol itu diambil untuk mewakili sebuah nilai yang menyatakan kondisi nilai pada suatu atribut tidak diketahui atau hilang. Vault merupakan sebuah kumpulan berkas atau data yang ada di jaringan. Berkas-berkas ini dapat ditemukan di berbagai lokasi melalui jaringan dengan syarat memiliki persamaan jenis berkas dan sumber resolusi yang sama. Berkas ini terkunci dan tak tersentuh oleh pengguna. Product merupakan turunan dari vault yang berupa kumpulan instruksi yang diaplikasikan berdasarkan permintaan. Product ini bukan hasil copy data akan tetapi sebuah kumpulan pengolahan yang dapat diaplikasikan ketika data dipesan. Archive merupakan kumpulan dari beberapa product. Kumpulan ini disajikan terhadap permintaan data melalui web client dan dipetakan dalam sebuah organisasi.

1.2 DataDoors DataDoors merupakan sistem yang dirancang untuk mengelola aset data geospasial dan secara otomatis DataDoors dapat menghasilkan sebagai produk berkualitas secara efisien dan efektif. Data yang diolah serta dikelola oleh DataDoors didistribusikan ke tenaga ahli dan pembuat kebijakan untuk memenuhi kebutuhan citra satelit. Penggunaan DataDoors melalui komunikasi internet yang aman dan pencarian citra satelit via lokal maupun remote. Arsip data geospasial dapat bersifat umum maupun rahasia seperti citra satelit, citra aerial, peta topografi, dan data DEM dari ArcView atau web browser. DataDoors menyajikan informasi mengenai liputan ketersediaan data dan menampilkan data kepada pengguna, serta pengguna dapat memesan data sesuai kebutuhannya. Proses pengolahan dengan algoritma yang dapat diubah sesuai keinginan kita atau standar pengolahan citra satelit seperti koreksi ortorektifikasi, indeks vegetasi, deteksi perubahan lahan dan klasifikasi penggunaan lahan atau penutup lahan dilakukan oleh sistem DataDoors. DataDoors terbagi atas tiga sistem utama, pertama sistem web katalog DataDoors kemudian yang kedua merupakan sistem web admin serta terakhir program SCIMr. Pada sistem admin kita dapat mendaftarkan, menghapus dan mengubah pengguna, selain itu konfigurasi template surat elektronik yang diberikan kepada pengguna. Konfigurasi pada lembar tagihan, lisensi citra satelit, laporan aktivitas pengolahan, harga citra satelit dan lain sebagainya. Pemantauan citra hasil proses ingesting dapat dilakukan pada segmen ini. Kita dapat memonitor citra satelit yang gagal diproses atau kesalahan lainnya yang muncul ketika sistem berjalan. DataDoors dapat mengakses citra yang validitasnya sudah diuji sebelumnya sebagian daftar citra satelit yang valid tersebut dapat dilihat pada gambar tabel di bawah ini. Tabel 1. Tabel Daftar Jenis Data yang Didukung Datadoors (Sumber: DataDoors Support Manual Version 3.24, 2014) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

Jenis Data yang Dikenali dan Didukung Sistem DataDoors ALOS AVNIR-2 multispectral, all 4 bands ALOS PRISM panchromatic DMC SLIM-6-22 Multispectral DMC SLIM-6 Multispectral DigitalGlobe QuickBird Fused, BGRN bands DigitalGlobe QuickBird Fused, natural color bands DigitalGlobe QuickBird Fused, natural color bands Mosaic DigitalGlobe QuickBird Multispectral, all 4 bands DigitalGlobe QuickBird Panchromatic DigitalGlobe WorldView Panchromatic DigitalGlobe WorldView Panchromatic Mosaic DigitalGlobe WorldView-2 Fused, BGRN bands DigitalGlobe WorldView-2 Fused, natural color bands DigitalGlobe WorldView-2 Multispectral, BGRN bands DigitalGlobe WorldView-2 Multispectral, all 8 bands DigitalGlobe WorldView-2 Panchromatic EPF - (Miscellaneous Maps & Charts) GeoEye GeoEye-1 Fused GeoEye GeoEye-1 Multispectral GeoEye GeoEye-1 Panchromatic GeoEye IKONOS-2 Fused GeoEye IKONOS-2 Multispectral GeoEye IKONOS-2 Panchromatic GeoEye OrbView-5 Multispectral GeoEye OrbView-5 Panchromatic Landsat (7) ETM+ Multispectral Landsat (7) ETM+ Panchromatic

- 161 -

Penambahan Citra Satelit dengan Sistem Ingest DataDoors di LAPAN, (Gumelar, O. et al.) 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86

Landsat (7) ETM+ Thermal Landsat TM multispectral, all 7 bands OrbView OrbView-3 Multispectral OrbView OrbView-3 Panchromatic PLEIADES Fused PLEIADES Multispectral PLEIADES Panchromatic RADARSAT-2 Extended High RADARSAT-2 Fine RADARSAT-2 Fine Quad Polarization, Single Look Complex RADARSAT-2 ScanSAR Narrow RADARSAT-2 ScanSAR Wide RADARSAT-2 Standard RADARSAT-2 Standard Quad Polarization, Single Look Complex RADARSAT-2 Ultra-Fine, Single Look Complex RADARSAT-2 Wide RADARSAT-1 wide-beam RADARSAT-1 standard-beam RADARSAT-1 fine-beam RADARSAT-1 extended-low RADARSAT-1 extended-high RADARSAT-1 extended high Single Look Complex RADARSAT-1 extended low Single Look Complex RADARSAT-1 fine-beam Single Look Complex RADARSAT-1 standard-beam Single Look Complex RADARSAT-1 wide-beam Single Look Complex RADARSAT-1 ScanSAR wide RADARSAT-1 ScanSAR narrow RPF - (Miscellaneous Maps & Charts) SPOT (1-3) HRV Multispectral SPOT (1-3) HRV Panchromatic SPOT (4) HRVIR Fused SPOT (4) HRVIR Monochromatic SPOT (4) HRVIR Multispectral SPOT (5) HRG False Color Fused 2.5 SPOT (5) HRG False Color Fused 5 SPOT (5) HRG Multispectral SPOT (5) HRG Natural Color Fused 2.5 SPOT (5) HRG Natural Color Fused 5 SPOT (5) HRG Panchromatic 2.5 SPOT (5) HRG Panchromatic 5 SPOT (5) HRS Stereoscopic RapidEye Multispectral 16bit Unsigned RapidEye Multispectral 16bit signed TERRASARX SpotLight, Single Polarization, HH TERRASARX SpotLight, Single Polarization, VV TERRASARX SpotLight, Dual Polarization, HH/VV TERRASARX HighResolution SpotLight, 300 MHz, HH TERRASARX HighResolution SpotLight, 300 MHz, VV TERRASARX HighResolution SpotLight, 300 MHz, HH/VV TERRASARX HighResolution SpotLight, 150 MHz, HH TERRASARX HighResolution SpotLight, 150 MHz, VV TERRASARX HighResolution SpotLight, 150 MHz, HH/VV TERRASARX StripMap, Single Polarization, HH TERRASARX StripMap, Single Polarization, VV TERRASARX StripMap, Dual Polarization, HH/VV TERRASARX StripMap, Dual Polarization, HH/HV TERRASARX StripMap, Dual Polarization, VV/VH TERRASARX ScanSAR

2. ALAT DAN BAHAN Perangkat lunak yang digunakan adalah SCIMr, DataDoors Appliance (DDA) selain itu perangkat lunak yang digunakan untuk menguji citra satelit adalah QGIS, ASF, NEST, ArcGIS dan lainnya. Pemeriksaan dengan perangkat GIS ini menjadi acuan untuk dapat membandingkan antara informasi yang ada di metadata dengan yang tersedia di citra. Misalnya kedalaman bit dapat diketahui berapa jumlah nilai digital dengan perangkat QGIS atau NEST. Ukuran baris dan kolom bisa diverifikasi apakah ukuran citra yang diperiksa sesuai dengan yang direkam dalam metadata. Nilai minimum dan maksimum dapat dilihat menggunakan perangkat GIS tersebut. Citra satelit yang dikumpulkan untuk dikelola menjadi suatu informasi ketersediaan citra yaitu: 1. Landsat

- 162 -


Operasional (Landsat 7 dan Landsat 8) Landsat 5 TM, dan Landsat 4 dan 5 MSS Landsat 1, 2, 3 (media terakhir dalam bentuk film) 2. SPOT SPOT 6 dan 7, SPOT 5 SPOT 4, SPOT 2 (sudah tidak beroperasi tetapi ada di dalam arsip BDPJN) 3. Resolusi tinggi hasil kerja sama antar berbagai Instansi Rapid eye, Ikonos, Geoeye, Pleiades, Quick bird, WorldView 1, WorldView 2 4. Radar ALOS PALSAR, Radarsat, TerraSARX, Citra Sentinel (Hasil unduhan tak berbayar) ERS-1, JERS (bentuk terakhir dalam CD, DVD) 5. Resolusi rendah NOAA, MTSAT, MODIS AQUA dan TERRA, NPP

3.

HASIL PEMBAHASAN

3.1 Proses Ingesting Data dengan SCIMr

Gambar 1. Tampilan GUI SCIMr DataDoorsVersion 3.30.3.9297 (Sumber: SCIMr Graphical User Interface DataDoors, 2015)

Gambar 1 di atas merupakan tampilan graphic user interface dari SCIMR dimana perangkat ini dapat mengekstrak citra satelit penginderaan jauh secara keseluruhan dengan automatis. Versi ini merupakan versi 3.28.0.8975 dengan tambahan fitur deteksi data resolusi rendah seperti NOAA, MODIS, NPP, VIIRS. Untuk jenis data terdiri dari ALOS (sensor AVNIR, PRISM dan PALSAR) selain itu jenis pilihan data lainnya yang terdeteksi berupa WorldView 2 fullband atau 8 band, 3 band true color dan 4 band. SCIMr juga mendeteksi citra satelit Perancis dengan format metadata DIMAP, jenis data yang terdeteksi mulai dari citra SPOT 2,

- 163 -

Penambahan Citra Satelit dengan Sistem Ingest DataDoors di LAPAN, (Gumelar, O. et al.)

SPOT 4, SPOT 5, SPOT 6/7 (dalam tahap pengembangan), Pleiades, EPF, Generic, GeoDatabase Shapefile, Geoeye, GeoEye (MrSID with XML), ingest From Text File, IRS, KOMPSAT, Landsat (CEOS format), Landsat 5, Landsat 7 ETM +, Landsat 8, LIDAR (Non-Temporal), LIDAR (Temporal), Metadata Extractor, MODIS HDF4, NOAA (format LAPAN), Orbview, RADARSAT-1, RADARSAT-2, RapidEye, RPF, Shapefile, Shapefile (Temporal), SPOT CAP, SPOT Vegetation, Terra SAR-X, Vector, VIIRS. Sistem DataDoors memiliki algoritma yang dapat membaca dan menulis dari berbagai format berkas dan jenis sensor. Salah satu keunggulan DataDoors adalah kemampuan mengambil berbagai format dan menampilkan pilihan produk dan menerjemahkan format tersebut untuk diseminasi berkas tertentu. Sistem ini membutuhkan suatu metode yang kuat (robust) dalam mengatur sumber data menjadi sebuah inti basisdata. SCIMr merupakan perangkat lunak yang dapat menambahkan atribut data secara langsung ke dalam basis data sedemikian sehingga dapat dipersiapkan dan dikonfigurasi untuk tampilan dan transformasi. Alur kerja dasar dari sistem ini termasuk: 1) membuat sebuah vault dan pilihan produk, 2) penambahan data ke dalam vault atau product, dan 3) konfigurasi data untuk diseminasi atau penjualan. Bagian berikut memberikan sebuah pondasi dari proses dan petunjuk untuk metode penyisipan referensi ke dalam citra, peta, terrain dan vektor ke dalam basisdata DataDoors. Gambar 2 di bawah memberikan sebuah deskripsi tentang keseluruhan alur kerja serta gambar ini juga dapat menjadi acuan dalam melakukan ingest data. SCIMr membutuhkan sebuah user yang telah terdaftar dalam akun pengguna DataDoors, selain itu akun harus memiliki role sebagai Product Maintainer.

Gambar 2. Alur Kerja Penambahan Citra (Sumber: DataDoors Support Manual Version 3.24, 2014)

3.2 Jenis Data yang Didukung

Kemampuan SCIMr DataDoors dalam mendukung berbagai jenis data dan format serta SCIMr dapat mengakses informasi metadata yang tersisipkan dalam citra satelit (seperti tanggal akuisisi, liputan awan, sudut incidence dan lainnya) ketika proses ingest berjalan. Tabel 2 berikut menjelaskan informasi nama provider satelit dengan keterangan sensor, jenis metadata dan raster format. Tabel 2.Jenis dan Sensor Citra Satelit yang Didukung SCIMr (Sumber: DataDoors Support Manual Version 3.24, 2014) Provider Astrium / SPOT

Sensor

Metadata

Raster Format

DIMAP

GeoTIFF

Beijing-1

DIMAP

GeoTIFF

DEIMOS-1

DIMAP

GeoTIFF

AlSat-1

- 164 -


Provider

Sensor

Metadata

Raster Format

NigeriaSat-1

DIMAP

GeoTIFF

UK-DMC

DIMAP

GeoTIFF

UK-DMC2

DIMAP

GeoTIFF

FORMOSAT

DIMAP

GeoTIFF

FORMOSAT-2

DIMAP

GeoTIFF

PLEIADES

DIMAP 2

GeoTIFF JP2

SPOT (1-3) HRV

SPOT (4) HRVIR

SPOTCAP (Binary)

SPOTCAP

DIMAP SPOTVIEW

GeoTIFF

DIMAP SPOTSCENE

GeoTIFF

SPOTCAP (Binary)

SPOTCAP

DIMAP SPOTVIEW

GeoTIFF

DIMAP SPOTSCENE

GeoTIFF

SPOT (5) Vegetation 2

ASCII

HDF

SPOT (5) HRS

DIMAP SPOTVIEW

GeoTIFF

DIMAP SPOTSCENE

GeoTIFF

DIMAP REF3D

GeoTIFF

DIMAP 2

GeoTIFF

SPOT (6)

JP2

Digital Globe

TerraSar-X

XML

GeoTIFF

GeoEye GeoEye-1

ASCII

NITF GeoTIFF

GeoEye IKONOS-2

ASCII

NITF GeoTIFF

DigitalGlobe QuickBird

XML

GeoTIFF MrSID NITF

DigitalGlobe WorldView 1

XML

GeoTIFF MrSID NITF

DigitalGlobe WorldView 2

XML

GeoTIFF MrSID NITF

OrbView-3

PVL

NITF

OrbView-5

PVL

GeoTIFF NITF

KARI (Korea Aerospace Research Institute)

Indian Remote Sensing Satellites

KOMPSAT-2 (1R, and 1G)

DIMAP

GeoTIFF

KARI

GeoTIFF

1A/1B

PVL

FAST

1C/1D

PVL

FAST GeoTIFF

RESOURCESAT-1

PVL

FAST GeoTIFF

National Space Development Agency of Japan (NASDA)

ALOS AVINIR-2

PVL

- 165 -

CEOS


Provider

Sensor ALOS PRISM

Metadata PVL

Raster Format CEOS GeoTIFF

RADARSAT International (RSI)

RapidEye

RADARSAT-1

PVL

CEOS

RADARSAT-2

XML

GeoTIFF

RapidEye

XML

GeoTIFF JP2 NITF PIX

United States Geological Survey (USGS)

Landsat (4-5) TM

PVL

FAST GeoTIFF NLAPS

Binary Landsat (7) ETM+

PVL

CEOS FAST GeoTIFF NLAPS

Generic Nontemporal Formats

Binary

CEOS

Landsat (7)

PVL

GeoTIFF

varied

ArcInfo Band Interleaved (BIL) Digital Terrain Elevation Data (DTED) ERDAS Imagine Image (IMG) ESRI ASCII Grid ESRI Binary Grid GeoJPEG2000 (JPG2) GeoTIFF/TIFF, with or without World file (TIFF) Multi-resolution Seamless Image Database (MrSID) National Imagery Transmission Format (NITF) PCI Geomatics Database File(PIX) Raster Product Format ECRG USGS Digital Elevation Model (DEM)

Informasi daftar tabel di atas masih mengacu pada petunjuk manual versi 3.24 dimana citra Landsat 8, SPOT 6 dan SPOT 7 belum dimasukkan. Sedangkan untuk jenis metadata seperti DIMAP, DIMAP 2, SPOTCAP, ASCII, XML, PVL, KARI, Binary dan lainnya dapat dikenali oleh SCIMr. Selain berdasarkan jenis metadata pengenalan format raster seperti Geotiff, JP2000, FAST, NLAPS, CEOS, PIX, NTF dan lainnya juga sudah disiapkan dalam program SCIMr ini. Informasi tipe data dan deskripsi ditampilkan di awal tab Source dalam GUI SCIMr, gambar GUI Source dapat dilihat di Gambar 1. Catalog Weed area adalah suatu wilayah yang didefinisikan sebagai wilayah minimum untuk menghapus poligon-poligon kecil yang muncul sebagai nodata, untuk tujuan katalog dan pengolahan citra. Hal ini sangat penting untuk kumpulan data fuzzi dimana nilai no data overlap pada tingkat yang signifikan. Obyek bayangan dan lahan terbangun didalam kumpulan data mungkin dianggap sebagai nodata jika nilai catalog weed area yang dimasukkan terlalu kecil. Sedangkan jika memilih Catalog Weed area terlalu besar maka tepi atau pojok citra dianggap sebagai no data ataublank. Tombol Suggestion pada pilihan Catalog Weed area memberikan saran atas weeding berdasarkan proyeksi dan resolusitertentu.Minimal Weeding, Medium Weeding, Heavy Weeding, Extra heavy weeding. Terdapat pilihan citra ingest yaitu temporal atau nontemporal, yang dimaksud temporal di sini berarti citra memiliki lebih dari satu waktu dan perekaman untuk satu scene satu waktu, contohnya citra raw atau citra yang masih memiliki atribut metadata tiap scene nya. Misalnya untuk citra PixelFactory (data tersebut termasuk data nontemporal karena memiliki waktu perekaman satelit lebih dari satu dalam citra yang sama).

- 166 -


Untuk lebih memahami kategori temporal ataupun nontemporal maka dapat kita pilih berdasarkan kriteria di bawah ini: 1. Citra Satelit yang diolah seperti citra ortorektifikasi, citra mosaik atau citra dengan color balancing seharusnya masukan sebagai produk nontemporal ketika proses ingest berlangsung. 2. Metadata tidak ditemukan untuk produk nontemporal 3. Data temporal dapat dijadikan data nontemporal ketika proses ingest berlangsung akan tetapi kemampuan SCIMr untuk mencari data yang hilang. Muncul berbagai ketidakkonsistenan pada basis data nontemporalseperti ketidakmampuan mencari scene berdasarkan tanggal akuisisi atau liputan awannya. 4. Gunakan tabel dibawah ini untuk menentukan temporal atau non temporal. Tabel 3. Tabel Temporal dan Non-Temporal (Sumber: DataDoors Support Manual Version 3.24, 2014) Atribut Citra

Temporal

Citra satelit (data yang belum diolah atau raw)

Non Temporal

X

Citra satelit (hasil olahan maksudnya telah dikoreksi orto, mosaik, color balancing)

X

Citra foto udara

X

Data elevasi

X

Peta

X

Tanggal akuisisi

X

Lisensi tiap citra

X

Metadata tiap scene

X

Metadata atau penamaan data yang tidak dapat dirubah dari vendor satelit

X

Tanggal akuisisi per produk (multi temporal, kisaran waktu)

X

Lisesnsi tiap produk

X

Metadata tiap produk

X

3.3 Proses Ingesting ALOS dengan SCIMr

Proses ingesting citra menggunakan SCIMr terbilang "user friendly" dalam pengoperasiannya karena yang dilakukan operator adalah mengarahkan direktori citra satelit yang dituju kemudian membuat kategori masing-masing citra. Dibutuhkan ketelitian dan rutinitas yang harus dilakukan dalam pengerjaannya mengingat citra satelit akan terus bertambah perekamannya seiring waktu. Contoh proses ingest untuk citra ALOS dapat dilihat dalam Gambar 3.

- 167 -


Gambar 3. Hasil Identifikasi Citra ALOS-1 PALSAR di SCIMr (Sumber: SCIMr Graphical User Interface DataDoors, 2015)

Bila kita lihat hasil ingest citra ALOS terdiri dari tiga jenis PALSAR yang pertama single band (HH), dual polarisasi band (HH+HV) dan polarisasi penuh (HH-HV-VV-VH). Semua citra ALOS PALSAR ini dikenali dalam citra resolusi spasial 12.5 m dengan format raster 16 bit unsigned polarimetric data dan jumlah masing-masing citra 1 buah.

Gambar 4. Hasil Identifikasi Citra ALOS-2 dan ALOS-1 di SCIMr (Sumber: SCIMr Graphical User Interface DataDoors, 2015)

Sedangkan citra ALOS -2 PALSAR masih belum terdeteksi dengan baik sampai bulan September 2015 ini dimana terlihat dari hasil scan SCIMr tipe data ALOS 1 dan 2 berbeda yaitu ALOS (PALSAR) dan ALOS (SAR), tetapi resolusi tidak diketahui dan bit yang terdeteksi berjumlah 8 unit dengan jenis metadata CEOS. Menurut PALSAR handbook, resolusi tiap mode berbeda-beda seperti untuk spotlight mode (0,625 m), Ultra fine mode (2,5 m), Ultra-fine, High-sensitive (Full (Quad.) pol.) (3,125 m), Fine, Fine (Full (Quad.) pol.)) (6,25 m), serta untuk (ScanSAR nominal [14MHz], ScanSAR nominal [28MHz], ScanSAR wide) (25 m). Kemudian untuk sensor id dapat dilihat dari summary.txt pada atribut Lbi sensor yaitu SAR untuk satelit ALOS 2 atau PALSAR untuk ALOS. Tab vault ini mendeskripsikan parameter apa saja yang digunakan oleh SCIMr setelah citra dikenali program, baik itu dari resolusi spasial, ukuran tile, tanggal akuisisi dan lainnya. Perubahan secara manual dapat dilakukan dalam tahap ini walupun secara otomatis sudah dilakukan oleh program. Tile size disini dapat diperoleh dari metadata ketika citra satelit di-ingest.

- 168 -


3.3.1 Proses Verifikasi PALSAR ALOS PALSAR merupakan penampakan tingkatan karakteristik hamburan balik (backscatter) objek pada permukaan bumi (Soenarmo, 2009). PALSAR kepanjangan dari Phased Array L-Band Synthetic Arperture Radar, sensor ini berada di dalam satelit ALOS. Sedangkan untuk ALOS-2 hanya membawa sensor PALSAR saja. Citra ALOS 2 yang dijadikan perbandingan yaitu IMG-HH-ALOS2030763740141218-UBSR1.5RUD dengan polarisasi tunggal HH. Frame-nya masih sama mengikuti kaidah penamaan ALOS lama yaitu 3740 dimana level 1.5 terlihat dari nama scene-nya. Ukurannya untuk satu kanal sekitar 11.5 GB dimana jumlah ini dua kali ukurannya dari standar ALOS 1. Gambar 5 berikut merupakan informasi metadata dan kelengkapan data yang ada dalam satu paket ALOS-2 PALSAR.

Gambar 5. Informasi isi berkas ALOS-2

Dari informasi summary.txt ALOS-2 kita dapat ekstrak informasi bahwa tanggal perekaman PALSAR adalah 18 Desember 2014. Level produk citra tersebut 1.5 RUD berformat CEOS dengan resampling tetangga terdekat serta zona utm 48. Selain informasi batas koordinat kedalaman 16 bit diinformasikan dalam summary.txt. Ukuran berkas ALOS-2 tanggal 18 Desember 2014memiliki jumlah baris dan kolom sebesar 22.722 dan 27.719 unit sedangkan ukuran ALOS pertama PALSAR sekitar 6500 dan 5800 unit (untuk ALOS-1 PALSAR level 1.5 GUA dari sample ALPSRP050697120). ALOS-2 dibuka dengan software NEST 5.0.12 maka informasi yang tersedia dapat disajikan dengan baik dari tampilan maupun akses metadata ALOS-2. Kanal yang ditampilkan terdapat dua citra pertama amplitudo dan intensitas dari polarisasi HH. Nomor orbit 3076 yang berarti bahwa satelit ALOS-2 mengorbit ke 3076 kalinya dan pada orbit tersebut melintasi wilayah Indonesia pada zona 48. Metadata aslinya dapat diakses dengan NEST walaupun perangkat ini belum mendukung untuk koreksi citra ALOS Level 1.5 RUD.

Gambar 6. Tampilan Metadata ALOS dengan Perangkat Lunak NEST

- 169 -


Gambar 7. Tampilan Citra ALOS-2 Wilayah Jakarta

Gambar 7 merupakan tampilan ALOS 2 wilayah Jakarta Utara dimana terlihat dengan jelas kapal yang ada di lautan dan perbedaan vegetasi yang ada di sekitarnya. Sedangkan tampilan ingest ALOS 1 PALSAR hasil DataDoors dapat dilihat pada Gambar 8. Sistem DataDoors dapat mengakses metadata citra satelit yang di-ingest serta menampilkan summary.txt dalam kolom Summary, preview dan metadata seperti pada gambar bagian kiri. Resolusi spasial yang digunakan merupakan kebijakan dari DataDoors dalam membuat resampling-nya secara default, selain itu tanggal akuisisi dan liputan awan ditampilkan. Namun pada contoh ALOS PALSAR di bawah tidak ada tampilan awan karena memang citra radar tidak berawan.

Gambar 8. ALOS PALSAR dalam DataDoors Web Catalog

Selain citra ALOS ditampilkan juga citra NPP Suomi Visible Infrared Imaging Radiometer Suite (VIIRS) pada Gambar 9 dengan level data Environmental Data Record (EDR), karena level data yang baru dapat diujicobakan hingga saat ini hanya EDR saja. Citra NPP VIIRS terdiri dari 5 kanal resolusi tinggi (I-bands), 16 resolusi moderate (M-bands) dan kanal Day or Night (DNB).

- 170 -


Gambar 9. NPP VIIRS dalam DataDoors Web Catalog

Citra Landsat 8, SPOT 6/7 dan citra hasil pengolahan Pixel Factory juga telah di-ingest oleh SCIMr dan dapat ditampilkan dalam DataDoors Web Catalog seperti terlihat dalam Gambar 10 berikut. Citra hasil pengolahan Pixel Factory merupakan citra non-temporal yang disajikan dalam DDWC menjadi citra mosaik dengan quicklook-nya berisi kosong.

(a)

(b)

(c)

(d)

Gambar 10. (a) Citra SPOT 7 (b) Citra Landsat 8 (c) SPOT 6 dan (d) Citra Hasil Pengolahan Pixel Factory.

4. KESIMPULAN Secara garis besar proses ingesting untuk citra dapat dimasukkan ke dalam kategori yang umum diolah seperti (Landsat 5,7 dan 8, SPOT 2, 4, 5, 6 dan 7), citra terbaru (Pleiades, WorldView 3), citra non temporal (mosaik, citra hasil olahan) dan citra yang sama sekali belum dapat diproses oleh DataDoors ( seperti LAPAN A2, Lapan Tubsat, ALOS 2, Sentinel dan lainnya). Kategori ini dibuat berdasarkan hasil ingest yang

- 171 -


tidak dapat diolah, hasil yang kurang baik dan ingest untuk citra baru. Penyesuaian citra satelit seperti jumlah band atau jumlah bit dapat diketahui melalui perangkat SCIMr ini. Berbagai jenis satelit, jenis metadata dan tipe format raster dikenali banyak sekali oleh SCIMr walaupun jenis yang dibutuhkan untuk LAPAN tidak seluruhnya akan tetapi banyaknya pengenalan jenis citra ini memudahkan pengguna SCIMr dalam mengenali lebih banyak jenis citra dalam satu sensor ataupun berbagai jenis raster dalam satu jenis metadata. Citra yang di-ingest sebaiknya memiliki metadata, lisensi dan format berkas umum, karena citra turunan yang sudah mengalami perubahan informasi dari aslinya. Informasi metadata yang sudah tidak sama maka dikategorikan sebagai citra non temporal. Citra non temporal misalnya seperti citra hasil konversi raster dari Pixel Factory selain itu hasil citra raster .ers, .hdr, .tiff, arc raster dan lainnya. Sistem operasional DataDoors sudah berjalan akan tetapi masih digunakan oleh pengguna internal. Selain itu pengguna luar dapat mengakses DataDoors Web Catalog dan DDWC tersebut masih dibatasi untuk hak akses dari pengguna luar. Saat ini jika ditemukan masalah atau troubleshooting maka dilakukan komunikasi melalui surat elektronik dan teleconference dengan pihak pengembang.

UCAPAN TERIMAKASIH Terima kasih kepada P.T. Bhumi Prasaja selaku pihak pendukung kegiatan DataDoors yang merupakan hasil kerjasama LAPAN dengan AIRBUS.

DAFTAR PUSTAKA DataDoors Support Manual v 3.24. DataDoors User Manual v3.24. Gonzalez, R.C., dan Woods, R.E. (2009). Digital Image Processing, PEARSON. Gumelar, O. (2015). DataDoors Appliance Sebagai Perangkat Sistem Informasi Penyedia Citra Satelit. Cited in http://pustekdata.lapan.go.id/index.php/subblog/read/2015/2643/DataDoors-Appliance-sebagai-perangkat-sisteminformasi-penyedia-citra-Satelit. [23 Oktober 2015]. Gumelar, O. (2014). Pengembangan Modul Konversi Metadata LDCM/Landsat-8 sesuai Format ISO 19115/19139. Prosiding Seminar Nasional Penginderaan Jauh Nasional. Hermawati, F.A. (2013). Pengolahan Citra Digital. Yogyakarta:Penerbit ANDI. http://global.jaxa.jp/projects/sat/alos2/pdf/daichi2_e.pdf. [28 Oktober 2015]. http://inderaja-catalog.lapan.go.id/core/WebHelp/#DataDoors Support Manual. [23 Oktober 2015]. http://www.eorc.jaxa.jp/ALOS-2/en/doc/fdata/PALSAR-2_xx_Format_CEOS_E.pdf [22 Juni 2015]. http://rammb.cira.colostate.edu/projects/npp/Beginner_Guide_to_VIIRS_Imagery_Data.pdf [10 Juni 2015] Jensen, J.R. (2007). Remote Sensing of the Environment an Earth Resource Perspective. PEARSON. Lee, J.S., dan Pottier, E. (2009). Polarimetric Radar Imaging from Basic to Applications. CRC Press. Sten, A., Gorte, B.G.H., dan Meer, F.V.D. (1999). Spatial Statistics for Remote Sensing. Kluwer Academic Publisher. Yeung, A.K.W., dan Lo, C.P. (2012). Concept and Techniques of Geographic Information System. New Delhi:PHI Learning Private Limited. *) Makalah ini telah diperbaiki sesuai dengan saran dan masukan pada saat diskusi presentasi ilmiah BERITA ACARA POSTER PRESENTASI ILMIAH SINAS INDERAJA 2015 Judul Makalah Pemakalah Jam Tempat Diskusi

: Penambahan Citra Satelit LAPAN dengan Sistem Ingest DataDoors : Ogi Gumelar : 10.30-15.00 : Ball Room 2 & 3 :

Erna Sri Adiningsih (Pustekdata, LAPAN): Apakah sistem DataDoors sudah operasional? Jika iya, apa masih ada kendala dan bagaimana upaya penanganan? Jawaban: Sistem DataDoors sudah beroperasional dari pengguna internal sedangkan untuk pengguna luar masih dibatasi hak aksesnya. Pengguna luar baru bisa mengakses alamat publik http://inderaja-catalog.lapan.go.id/dd3/ ini saja serta untuk mendaftar bisa dilakukan dan belum secara automatis.

- 172 -

Pengolahan Data Kamera Multispektral pada Pesawat LSA-01 untuk Pemantauan Pertanian

Recommend Documents