LAPORAN PRAKTIKUM PJ
Disusun Oleh:
Dwi wijanarko A610090047
Wahyuning astuti A610090041
Dwi ratri novianti A610090002
Dhanu pradiksa tama A610090045
Dwi indah patmawati A610090034
PENDIDIKAN GEOGRAFI
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2011
ACARA 1
PENGENALAN SPEKTRAL SIGNATURE
Tujuan
Mahasiswa mengenal Pengaruh Nilai Reflectance macam-macam Object terhadap Digital Number (Pixel Value)
Landasan Teori
Akibat perbedaan karakter object, jumlah energy yang dipantulkan akan beragam pada panjang gelombang yang berbeda. Perbedaan ini akan mempermudah membedakan beragam tipe tutupan lahan berdasarkan respon objek terhadap panjang gelombang yang berbeda. Apabila nilai pantulan diplot berlawanan dengan panjang gelombang maka kita akan dapatkan apa yang disebut dengan spectral signature. Gambar berikut menampilkan spectral signature (kurva pantulan) beberapa macam objek. .
Untuk ini diperlukan klasifikasi dengan pantulan panjang gelombang yang berbeda. Misanya air dan vegetasi memiliki nilai pantulan yang hampir sama pada gelombang tampak tetapi memiliki perbedaan yang kontras pada gelombang infra merah. Dengan memahami spectral signature maka kita akan dapat mengklasifikasin objek bahkan di daerah yang belum kita kenal sekalipun. Pada praktikum ini kita akan menggunakan citra Landsat ETM+ daerah Semarang. Anda diminta untuk mengenali beragam objek kemudian mengidentifikasi digital numbernya.
Alat dan Bahan
1. Ilwis 3.3 Academic
2. Cita Landsat ETM+ daerah Semarang
Cara Kerja
• Identifikasi 10 ragam objek yang berbeda yang bisa anda kenali, misanya hutan, permukiman,dll.
• Zoom pada objek-objek tersebut sehingga batas antar piksel dapat terlihat.
• Identifikasi 9 nilai sampel piksel dari masing-masing objek. Klick icon berikut untuk menampilkan informasi nilai piksel.
• Print screen objek yang anda kenali dan masukan kedalam tabel berikut beserta nilai pikselnya
Hasil praktikum
No
Objects
Band 1
Blue
(450‐520)
Band 2
Green
(520‐600)
Band 3
Red
(630‐690) Band 4
NIR
(760‐900)
Band 5
MIR1
(1550‐1750)
Band 7
MIR2
(2080‐2350)
Composit
Color
(321)
1 laut 100,100,97
101,100,
101, 100,
100,100 74,73,72,
73,76,72
76,73,72 54,56,55
55,57,60
57,56,60 25,25,25
25,24,24
24,26,24 28,27,27
25,27,26
27,27,26 24,20,20
22,22,21
22,22,21
Rata2 98,7 73,4 56,9 24,5 27,2 22,6
2 permukiman 107,103,
103,107,
117,111
118,106,92 74,86,86
74,107,96
99,89,89 78,104,104
78,122,125
74,107,100 41,53,53
41,60,66
41,54,51 70,89,89
70,128,183
97,97,82 70,76,76
70,141,159
64,96,72
Rata2 108 87,2 101 52,3 104,8 98,6
3 perkebunan 74,70,74
73,70,74,
72,72,74 56,55,59
54,55,59,
55,57,59 40,40,49
41,40,49
41,44,46 81,76,71
79,76,71
82,78,82 70,67,69
75,67,69
67,69,76 33,31,34
35,31,34
31,33,37
Rata2 72,8 57,5 45 78,3 72,6 32,6
4 sawah 81,81,83
79,84,82
83,82,81 63,70,69
65,66,68
64,67,65 58,59,54
60,59,57
57,55,59 49,51,52
51,53,52
50,53,51 44,49,47
45,46,50
50,44,43 25,28,28
25,27,24
23,23,30
Rata2 84,3 65,8 57,8 51,3 47,0 25,3
5 hutan 64,64,61
59,66,62
55,58,65 50,51,55
48,49,51
45,50,50 37,33,33
37,41,40
.39,37,31 90,89,96
93,93,95
88,97,99 66,59,58
61,61,64
65,66,66 33,31,32
37,29,39
33,38,36
Rata2 60,2 49,5 36,5 92,5 63 32,8
6 sungai 68,84,73
74,66,71
81,80,77 59,75,57
65,55,58
58,64,63 52,72,49
49,51,51
53,64,57 74,60,70
60.71,74
68,69,66 82,60,77
77,85,88
73,71,71 45,38,38
33,44,37
39,40,42
Rata2 72,6 64,6
57,5 70,3 77,8 39,2
7 Jalan 80,83,80
84,32,66
88,78,34 63,61,61
69,84,36
75,59,77 58,57,56
60,44,23
57,78,28 50,43,52
55,78,89
60,43,22 64,75,64
70,44,78
73,68,46 40,58,58
48.99.22
50,78,13
Rata2 72,2 62,3 58,3 61,2 65,8 54,2
8 Industri/pabrik 127,121,
123, 135,
183,111
133,178,
199 108,103,
103, 112,
132,178
118,179,84 112,105,99
119,78,88
115,101,32 62,65,63
65,75,24
70,78,81 123,92, 104
130,95,155
127,65,87 123,75,90
99,83,65
86,94,78
Rata2 145 124 85 60 108 88
ACARA II
Koreksi Radiometrik
A. Tujuan
Mahasiswa dapat melakukan koreksi radiometric menggunakan metode histogram adjustment dan mengetahui pengaruhnya terhadap nilai pantualan objek yang tercermin dalam Digital Number (DN)
B. Landasan Teori
Secara teoritis, proses perekaman objek muka bumi menggunakan sensor penginderaan jauh dalam kondisi ideal, radiasi spectral yang ditangkap oleh sensor memiliki nilai yang sama dengan energy yang dipantulkan oleh permukaan bumi. Akan tetapi, pantulan spectral pada gelombang tampak dan beberapa pada gelombang Near Infrared (NIR) (0,36 – 0,9 µm) mengandung bias karena refraksi di anmosfer, penghamburan, dan penyerapan khusunya oleh aerosol, uap air, dan debu. Oleh karena itu, perlu dilakukan koreksi pada kesalahan nilai spectral reflectance dan mengembalikan pada nilai yang benar. Proses ini secara ilmiah disebut dengan koreksi geometric atau atmosferik.
Sejauh ini ada 2 metode yang dapat digunakan untuk melakukan proses koreksi radiometric yakni koreksi radiometric absolute dan relative sebagai berikut:
(1) metode koreksi absolute (absolute atmospheric correction) bertujuan untuk mengembalikan nilai kecerahan yang direkam oleh sensor pada skala pantulan permukaan bumi. Pendekatan ini memerlukan model transfer radiasi atmosfer (atmospheric radiative transfer model) misanya Modtran, 6-S, ACORN, ATREM, FLAASH, ATCOR dan paramater-paramater kondisi atmosfer pada saat perekaman.
(2) metode koreksi relative digunakan untuk menormalisasikan intensitas antara saluran panjang gelombang (band) yang berbeda dalam satu tanggal perekaman maupun pada data time series (multi-date) menggunakan standar scene yang digunakan oleh analist. Ada beberapa pendekatan yang dapat digunakan dalam metode ini antara lain:
- histogram adjustment atau dark-pixel subtraction (Jensen 2005, Lillesand et al 2004, Schowengerdt 2007, Danoedoro 1996)
- image-based regression adjustment (Mather 2004, Danoedoro 1996)
- metode scatter plot (Danoedoro 1996)
- shadow calibration (Gastellu-Etchegorry 1988, Danoedoro 1996)
- empirical line method (Mather 2004, Jenen 2005)
Pada praktikum ini akan digunakan koreksi atmosphere menggunakan metode relative dengan pendekatan histogram adjustment atau dark-pixel subtraction. Pendekatan ini merupakan cara koreksi yang sederhana dan digunakan secara luas. Prinsipnya koreksi ini menggunakan rumus berikut:
DNcorrection = DNoriginal - bias
C. Bahan dan Metode
Data yang digunakan adalah citra satelit wilayah Semarang yang sebelumnya dipakai pada praktikum 1. Untuk melakukan koreksi diginakan software ilwis 3.3 Academic untuk melakukan koreksi radiometric serta membandingkan nilai piksel sebelum dan sesudah dikoreksi.
1. histogram semua band dan catat pada tabel berikut:
Band 1 2 3 4 5 7
Min
Max
2. Buka program ILWIS dan buka foreign catalog citra “smg_2001”. Apabila masing-masing band sudah terlihat, biasanya selalu memiliki file histogram yang memiliki nama yang sama dengan nama file citranya, perhatikan contoh berikut
Gambar 1. File Histogram
File histogram ini menyimpan statistic dari nilai piksel pada setiap band.
3. Double click pada icon histogram untuk membuka histogram dan mengetahui range nilai piksel pada band tersebut. Informasi ini terdapat di bagian bawah kiri dari tabel histogram
4. Buka histogram semua band dan catat pada tabel berikut:
Band 1 2 3 4 5 7
Min 54
Max 255
5. Untuk melakukannya pada ILWIS, gunakan langkah-langkah berikut:
Buka Map Calculation pada menu,
Masukan rumus ‘smg_2001 1’ – 54 pada kolom Expression
Output raster map: smg_2001_atm
Domain: defaults kemudian klik Show
Catatan: nilai 54 bisa anda ganti dengan nilai minimum yang ada temukan pada citra anda.
Pilih representation: GRAY, OK.
6. Lakukan cara yang sama pada semua band.
7. Ulangi praktikum 1 pada citra yang telah terkoreksi (ambil objek yang sama).
D. Hasil dan Analisis
Digital Number (DN) Range
Table 1. Nilai Digital Sebelum Koreksi
Nilai Nilai DN
Band 1 Band 2 Band 3 Band 4 Band 5 Band 7
Min 50 31 22 19 14 9
Max 255 255 255 255 255 255
Histogram Sebelum Koreksi
Band 1 band 2 band 3
Band 4 band 5 band 7
Histogram sesudah koreksi
Band 1 band 2 band 3
Band 4 band 5 band 7
Tabel 2: summary range nilai digital sebelum dan sesudah koreksi
Nilai Nilai DN
Band 1 Band 2 Band 3 Band 4 Band 5 Band 7
Sebelum Koreksi
Min 50 31 22 19 14 9
Max 255 255 255 255 255 255
Setelah Koreksi
Min 0 0 0 0 0 0
Max 205 224 233 236 241 246
Table 3. Rerata Nilai Piksel Beberapa Objek Sebelum Koreksi
Band laut pemukiman perkebunan sawah hutan sungai jalan pabrik
Band 1 98.7 108 72.8 84.3 60.2 72.6 72.2 145
Band 2 98.7 87.2 57.5 65.8 49.5 64.6 62.3 124
Band 3 56.9 101 45 57.8 36.5 57.5 58.3 85.3
Band 4 56.9 52.3 78.3 51.3 92.5 70.3 61.2 60.2
Band 5 56.9 104.8 72.6 47 63 77.8 65.8 108
Band 7 56.9 98.6 32.6 25.3 32.8 39.2 54.2 88
Table 4. Rerata Nilai Piksel Beberapa Objek Setalah Koreksi
Band laut pemukiman pekebunan sawah hutan sungai jalan pabrik
band1 49.3 54.3 22.6 31.5 12.6 22.6 29.1 53.3
band2 42.7 71.6 26.3 36 19.6 31 36.5 91.3
band3 34.3 30.5 21 35 14 33 28.5 75.7
band4 5.8 87.9 60.7 32.6 73 49.2 42.1 47.3
band5 12.6 81.5 57 32.8 47.5 64.2 50.6 102.3
band7 12.5 43.8 26 17.2 24.5 30.1 42.5 80.1
Grafik Spectral Signature
Grafik Spectral Signature Sebelum Koreksi
Grafik Spectral Signature Setelah Koreksi
LAMPIRAN
1. Spectral Signature Sebelum Koreksi
No
Objects Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
Composit
Color
1 laut 100,100,97,
101,100,101
100,100,100 74,73,72,
73,76,72
76,73,72 54,56,55
55,57,60
57,56,60 25,25,25
25,24,24
24,26,24 28,27,27
25,27,26
27,27,26 24,20,20
22,22,21
22,22,21
Rata2 98,7 73,4 56,9 24,5 27,2 22,6
2 permukiman 107,103,103
107,117,111
118,106,92 74,86,86
74,107,96
99,89,89 78,104,
104, 78,
122,125
74,107,100 41,53,53
41,60,66
41,54,51 70,89,89
70,128,183
97,97,82 70,76,76
70,141,
159
64,96,72
Rata2 108 87,2 101 52,3 104,8 98,6
3 perkebunan 74,70,74
73,70,74,
72,72,74 56,55,59
54,55,59,
55,57,59 40,40,49
41,40,49
41,44,46 81,76,71
79,76,71
82,78,82 70,67,69
75,67,69
67,69,76 33,31,34
35,31,34
31,33,37
Rata2 72,8 57,5 45 78,3 72,6 32,6
4 sawah 81,81,83
79,84,82
83,82,81 63,70,69
65,66,68
64,67,65 58,59,54
60,59,57
57,55,59 49,51,52
51,53,52
50,53,51 44,49,47
45,46,50
50,44,43 25,28,28
25,27,24
23,23,30
Rata2 84,3 65,8 57,8 51,3 47,0 25,3
5 hutan 64,64,61
59,66,62
55,58,65 50,51,55
48,49,51
45,50,50 37,33,33
37,41,40
.39,37,31 90,89,96
93,93,95
88,97,99 66,59,58
61,61,64
65,66,66 33,31,32
37,29,39
33,38,36
Rata2 60,2 49,5 36,5 92,5 63 32,8
6 sungai 68,84,73
74,66,71
81,80,77 59,75,57
65,55,58
58,64,63 52,72,49
49,51,51
53,64,57 74,60,70
60.71,74
68,69,66 82,60,77
77,85,88
73,71,71 45,38,38
33,44,37
39,40,42
Rata2 72,6 64,6 57,5 70,3 77,8 39,2
7 Jalan 80,83,80
84,32,66
88,78,34 63,61,61
69,84,36
75,59,77 58,57,56
60,44,23
57,78,28 50,43,52
55,78,89
60,43,22 64,75,64
70,44,78
73,68,46 40,58,58
48.99.22
50,78,13
Rata2 72,2 62,3 58,3 61,2 65,8 54,2
8 Industri/pabrik 127,121,123
135,183,111
133,178,199 108,103,
103, 112
,132,178
118,179,84 112,105,
99, 119,
78,88
115,
101,32 62,65,63
65,75,24
70,78,81 123,92, 104
130,95,155
127,65,87 123,75,
90
99,83,65
86,94,78
Rata2 145 124 85 60 108 88
2. Spectral Signature Setelah Koreksi
No
Objects Band 1 Band 2 Band 3 Band 4 Band 5 Band 7 Composit
Color
1 Laut 50,50,47 43,42,41 33,32,33 6,6,6 14,13,13 15,11,11
48,50,51 42,45,41 31,31,44 6,5,5 11,13,12 13,13,12
50,50,50 45,43,41 35,34,38 5,7,5 13,13,12 13,13,12
Rata2 49,3 42,7 34,3 5,8 12,6 12,5
2 Permukiman 57,53,53 43,86,86 19,31,32 51,78,78 56,53,62 32,44,44
57,67,61 73,71,65 19,38,44 51,109,169 56,127,145 32,51,57
68,56,42 68,58,58 21,32,31 78,78,63 50,82,58 32,45,42
Rata2 54,3 71,6 30,5 87,9 81,5 43,8
3 Perkebunan 24,20,24 25,24,28 18,18,27 62,57,52 56,53,55 24,22,25
23,20,24, 23,24,28 19,18,27 60,57,52 61,53,55 26,22,25
22,22,24 24,26,28 19,22,26 63,59,63 53,55,62 22,24,28
Rata2 22,6 26,3 21 60,7 57 26
4 sawah 31,31,33 32,40,38 36,37,32 30,32,33 30,35,33 16, 19,19
29,34,32 34,35,37 30,37,35 32,34,33 31,32,36 16,18,15
33,32,31 33,36,35 35,33,37 31,34,32 36,30,29 14,14,21
Rata2 31,5 36 35 32,6 32,8 17,2
5 Hutan 14,14,11 19,20,24 15,11,11 71,70,77 52,45,44 24,22,23
9,16,12 17,18,20 12,19,18 74,74,76 47,47,50 28,20,30
5,8,65 14,19,19 .17,15,9 69,78,80 51,52,52 24,29,27
Rata2 12,6 19,6 14,3 73 47,5 24,5
6 Sungai 18,34,23 28,44,26 30,50,28 55,41,51 68,46,63 36,29,29
24,16,21 34,24,27 28,31,31 41,52,55 63,71,74 24,35,28
31,30,27 27,33,32 31,42,32 49,50,47 56,57,57 30,31,33
Rata2 22,6 31 33 49,2 64,2 30,1
7 Jalan 30,33,30 32,30,30 36,35,34 31,24,33 50,61,50 31,41,41
34,32,16 38,53,36 43,22,1 36,59,70 56,30,64 39,90,13
38,28,14 44,28,46 35,65,8 41,24,3 59,54,32 41,68,4
Rata2 29,1 36,5 28,5 42,1 50,6 42,5
8 Pabrik / industri 27,51,23 77,72,72 90,95,77 43,46,44 109,78,90 114,66,81
85,73,61 81,101,145 97,56,66 46,56,51 116,81,141 90,74,56
43,78,99 87,148,53 93,97,11 51,59,62 113,51,73 77,85,69
Rata2 53,3 91,3 75,7 47,3 102,3 80,1
Table Pantulan maksimun dan minimun
obyek maksimum minimum
Laut Band 1 Band 4
Pemukiman Band 4 Band 7
Perkebunan Band 4 Band 3
Sawah Band 2 Band 7
Hutan Band 4 Band 1
Sungai Band 5 Band 1
Jalan Band 5 Band 3
pabrik Band 5 Band 4
Kesimpulan.
Pada praktikum ini akan digunakan koreksi atmosphere menggunakan metode relative dengan pendekatan histogram adjustment atau dark-pixel subtraction. Pendekatan ini merupakan cara koreksi yang sederhana dan digunakan secara
Dengan tujuan Mahasiswa dapat melakukan koreksi radiometric menggunakan metode histogram adjustment dan mengetahui pengaruhnya terhadap nilai pantualan objek yang tercermin dalam Digital Number (DN)
Pengaruh nilia pantulan sebelum dan sesudah koreksi sangantlah berbeda jauh dengan menurungya nilai pixel dari tiap gambar memberikan gambaran koreksi secara umum dari tiap tiap band yang dilakukan koreksi radiometrik
PRAKTIKUM 3
KOREKSI GEOMETRIK
A. Tujuan
Mahasiswa dapat melakukan proses koreksi geometrik.
B. Landasan Teori
Koreksi geometric bertujuan untuk menempatkan data penginderaan jauh pada posisi benar sehingga dapat berasosiasi dengan data spatial yang lain. Menurut Jensen (2005), ada dua langkah dalam koreksi geometrik yakni interpolasi spatial dan interpolasi intensitas (Gambar 1). Interpolasi spatial terkait dengan relasi geometris antara lokasi piksel dengan peta atau permukaan bumi. Proses ini memerlukan beberapa Ground Control Point (GCP) yang dapat diperoleh dari muka bumi (pengukuran GPS), peta atau citra yang sudah terkoreksi.
Gambar 1. Proses Koreksi Geometrik
Menurut Jensen (1996) ada beberapa metode yang dapat dipakai dalam proses interpolasi geometris dengan beragam tingkat akurasi, antara lain:
1. Transformasi Affine. Proses ini membutuhkan minimal 4 GCP. Metode ini baik hanya untuk daerah dengan topografi relative datar.
2. Transformasi Order Kedua (Second order transformation), membutuhkan minimal 6 titik GCP. Metode ini memiliki tingkat akurasi yang lebih baik dibandingkan dengan metode yang pertama.
3. Transformasi order ketiga (Third order transformation), membutuhkan minimum 10 titik GPS. Metode ini sangat bagus untuk wilayah dengan variasi topografi yang tinggi.
Interpolasi intensitas dilakukan dengan proses resampling untuk menentukan nilai piksel pada citra yang
sudah dibetulkan secara geometris. Ada tiga metode yang bisa dilakukan untuk melakukan proses ini
antara lain:
1. Interpolasi tetangga terdekat. Nilai kecerahan (DN) dari suatu piksel ditentukan dari piksel-piksel terdekat dari citra yang belum terkoreksi.
2. Interpolasi Bilinier. Nilai kecerahan (DN) dari suatu piksel ditentukan dari 4 piksel-piksel terdekat dari citra yang belum terkoreksi.
3. Cubic-convolution. Proses interpolasi ini mirip dengan interpolasi bilinear tetapi menggunakan 16 piksel sekitarnya.
C. Cara Kerja
1. Gunakan data citra landsat semarang 2001 yang telah dikoreksi secara radiometric pada praktikum 2, “smg_2001_atm”.
2. Lakukan registrasi citra semarang tahun 2001 berdasarkan koordinat dari citra semarang yang sudah terkoreksi “smg_rwpng”.
Create New Georeference dari panel menu operation.
Georeference name: smg_2001a
pilih GeoRef Tiepoints
Coordinate System: create new (click )
Coordinate system name: utmwgs84_49s
Pilih CoordSystem Projection OK
Projection: UTM Datum: WGS 84
Uncheck the Northern Hemisphere
Zone: 49 OK
Background Map: smg_2001_atm (map list), OK dan pilih komposisi peta.
3. Buka dan buat komposit dari citra yang telah berkoordinat “smg_rwpng” pada window yang lain dan identifikasi objek-objek yang Nampak jelas pada kedua citra. Diutamakan objek-objek yang dibuat manusia misalnya jalan, jembatan, pelabuhan, airport, dll.
4. Gunakan koordinat pada objek-objek tersebut (minimal 6 titik) sebagai GCP untuk mengkoreksi citra semarang 2001. Isikan hasilnya pada tabel berikut
5. Tambahkan tie point sesuai posisiya
6. Atur sedemikian hingga sigma valuanya kurang dari 0.5.
7. Apabila nilai sigma telah memenuhi klik exit the GeoReference Editor window.
8. Cobalah melakukan tumpang susun kedua dan perhatikan apakah keduanya tertampal dengan baik.
9. Buatlah laporan dengan lengkap dengan screen shoot semua proses dan hasilnya.
10. Dan buatlah analisis serta kesimpulan.
D. Hasil dan Analisis
Gambar 01 proses koreksi geometric 01
Gambar 02 proses koreksi geometric
Gambar 03 hasil koreksi geometric
nilai koordinat x dam y koreksi geometric
PRAKTIKUM 4
INTERPRETASI VISUAL DAN DIGITASI ON SCREEN
A. Tujuan
Mahasiswa dapat mengenali objek-objek geografis di permukaan bumi melaui interpretasi visual menggunakan elemen kunci interpretasi.
B. Landasan Teori
Ekstraksi informasi merupakan proses penting agar data penginderaan jauh dapat dimanfaatkan lebih lanjut. Secara umum proses ekstraksi (pengambilan) informasi dari citra satellite dapat dibagi menjadi dua golongan, antara lain (Tempfli et al, 2009): (1) ekstraksi informasi berdasarkan interpretasi citra secara visual misalnya pemetaan penggunaan lahan dan pemetaan jenis tanah. (2) ekstraksi informasi secara semi otomatis menggunakan computer (digital).
Praktikum kali ini akan membahas mengenai ekstraksi informasi yang pertama yakni ekstraksi informasi berdasarkan interpretasi citra secara visual. Interpretasi visual sangat tergantung pada interpreter dalam mengenali objek. Secara umum proses pengenalan objek dapat dibagi dua yakni pengenalan spontan (spontaneous recognition), dalam kategori ini seorang interpreter akan langsung mengenal objek di citra dari hasil pengamatan sepintas secara cepat. Kategori kedua adalah logical inference yakni seorang interpreter menggunakan alasan-alasan tertentu dalam mengenali objek secara logis karena objek tidak dapat secara langsung dikenali. Dalam hal ini, pengetahuan professional dan pengalaman dangat diperlukan. Untuk melakukan interpretasi secara visual, perlu beberapa unsur yang digunakan untuk mengenali objek berdasarkan karakternya. Unsur-unsur tersebut diantaranya: rona/warna, tekstur, pola, bentuk, ukuran, tinggi, bayangan, lokasi, asosiasi.
C. Alat dan bahan:
1. Data praktikum
2. Laptop/ pc
3. Aplikasi ilwis
D. Cara kerja:
1. Buatlah file segmen baru menggunakan menu create->new segment map.
2. Masukan nama peta, pilih system koordinatnya dan buatlah domain baru
3. Masukan beberapa kelas tutupan lahan yang mungkin ada pada citra, misalnya sawah.
4. Gunakan ikon untuk membatasi tutupan lahan.
5. Gunakan file-check segment untuk mengecek keberaran hasil digitasi.
6. Apabila semua objek telah didigitasi, simpan dan gunakan ikon exit ( ) untuk keluar.
7. Langkah berikutnya buatlah peta titik untuk memberikan atribut pada polygon yang akan dibuat
8. menggunakan menu create->new point map. Gunakan proyeksi dan domain yang sama.
9. Simpan dan keluar apabila telah selesai.
10. Langkah berikutnya dalah merubah segmen menjadi polygon menggunakan menu vectorize >segment to polygon sebagai berikut
E. Hasil praktikum
Gambar 01. Gambar hasil digitasi pengunaan lahan
Gambar 02. Hasil digitasi dan pemberian titik
Gambar 03. Polygon penggunaan lahan
PRAKTIKUM 5
A. Tujuan
Mahasiswa dapat melakukan analysis NDVI untuk pemetaan kerapatan mangrove
B. Pendahuluan
Kepulauan Karimunjawa adalah rantai pulau-pulau kecil yang terletak sebelah barat laut dari Pulau Jawa, pulau yang paling ramai di Indonesia. Karena lokasi yang terisolasi, tidak banyak orang mengenali daerah ini. Nusantara ini memiliki sumber daya alam yang indah murni dan keragaman ekosistem yang luar biasa. Karimunjawa merupakan salah satu daerah pertama diakui sebagai penting untuk konservasi dan perlindungan keanekaragaman hayati laut.
Panorama alam, keindahan bawah air, berbagai organisme laut, hutan bakau, semua masih alami dan murni, sehingga Karimunjawa sekarang menjadi taman nasional laut. Pulau-pulau Karimunjawa secara administratif bagian dari Kabupaten Jepara, yang terletak sekitar 45 km arah barat laut dari Jepara kota. Benar-benar, daerah ini meliputi 107.226 ha, dengan 100.105 ha adalah bagian laut, dan sisanya adalah tanah. Suhu rata-rata di daerah ini adalah sekitar 26 sampai 30 derajat Celcius, dengan suhu minimum adalah 22 Celcius dan maksimum adalah 34 Celcius. Daya tarik Karimunjawa adalah flora dan fauna. Hal ini dapat dilihat dari lima jenis ekosistem flora, yaitu;
terumbu karang ekosistem, hutan mangrove, hutan pantai, lapangan merenungkan dan hutan dataran rendah. Di sisi lain, ada banyak jenis fauna, seperti monyet ekor panjang, rusa, dan juga fauna perairan yang terdiri dari 242 jenis ikan hias dan 133 jenis biota perairan dan ada juga 2 jenis penyu yang hidup di Taman Nasional ekosistem pulau-pulau Karimunjawa (www.centraljava-tourism.com).
Ekosistem mangrove adalah sistem di tempat alam untuk kehidupan yang mencerminkan keterkaitan antara makhluk hidup dengan lingkungan mereka dan di antara makhluk hidup itu sendiri, hadir di wilayah pesisir, terpengaruh oleh pasang surut dan didominasi oleh spesies pohon atau semak yang khas dan mampu tumbuh dalam atau perairan payau. Fungsi ekologis dari hutan mangrove meliputi: pantai pelindung, mencegah intrusi air laut, habitat (perumahan), mencari makan (feeding ground), tempat perawatan dan pemeliharaan (tanah pembibitan), di 2 mana pemijahan (tanah Pemijahan) untuk berbagai biota perairan, seperti baik sebagai pengatur iklim mikro.
Hutan mangrove adalah hutan yang terletak di daerah pesisir yang selalu atau teratur tergenang air laut dan dipengaruhi oleh pasang surut tetapi tidak terpengaruh oleh iklim. Sementara itu, daerah pesisir daratan yang terletak di daerah hilir DAS (DAS), yang berbatasan dengan laut dan masih dipengaruhi oleh air pasang, dengan kemiringan kurang dari 8%. Praktikum ini bertujuan untuk menentukan klasifikasi kepadatan mangrove di Pulau Karimunjawa dan sekitarnya analisis multispektral dengan menggunakan Landsat 7 ETM.
C. Metode
1. Lokasi Studi
Karimunjawa kepulauan merupakan salah satu wilayah kabupaten di bawah Kabupaten Jepara, Propinsi Jawa Tengah Indonesia. Ini kebohongan dari 5 ° 49 '- 5 ° 57' Lintang Selatan dan 110 ° 04 '-110 ° 40' Bujur Timur. Terdiri dari 22 pulau-pulau di Laut Jawa, distrik Karimunjawa dibagi menjadi tiga desa, yaitu Karimunjawa, Kemujan dan Parang. Perhatian studi untuk mengklasifikasikan kerapatan mangrove dari pulau utama yaitu Pulau Karimunjawa dansekitarnya. Luasnya daerah spasial digambarkan pada GambarCentral Java Study Area 00.51 2 3 4 Km ²
Gambar 1. Area Study
2. Bahan
1. Citra Landsat 7 ETM terkoreksi secara geometrik (Karimunjawa.tiff) terdiri atas 3 band:
- Band 1, blue channel,
- Band 2, green channel, and
- Band 3, red channel.
2. Citra Landsat 7 ETM belum terkoreksi (Landsat_Karimunjawa) terdiri atas 6 bands, yakni:
- Band 1, blue channel.
- Band 2, green channel.
- Band 3, red channel.
- Band 4, near infra red (NIR) channel.
- Band 5, middle infra red 1(MIR1). And
- Band 7, middle infra red 2(MIR2).
3. Batas pulau Karimunjawa (Shapefile)
Software ILWIS 3.3 academic.
Analisa Data Perhitungan NDVI dengan rumus berikut (Jensen, 2005):
NDVI : Ρtm4 - Ρtm3
Ρtm4 + Ρtm3
Klasifikasi kerapatan mangrove dengan ketentuan berikut.
Tabel 1. Klasifikasi Kerapatan Mangrove berdasarkan Nilai NDVI
No Kelas NDVI
1 Kerapatan Tinggi 0,42 to ≤ 1,00
2 Kerapatan Sedang 0,33 to ≤ 0,42
3 Kerapatan Rendah ‐1,00 to ≤ 0,33
Sumber: BAPLAN Forestry.
3. Langkah Kerja
Keterangan
1.Import semua data ke format ilwis seperti praktikum 1.
2.Lakukan koreksi radiometrik (lihat praktikum 2) relatif terhadap citra Landsat_Karimunjawa. Nilai hasil perekaman minimum pada saluran NIR adalah 0, sehingga semua saluran harus memiliki nilai 0 sebagai nilai minimumnya.
Landsat_Karimunjawa sebelum koreksi
Landsat_Karimunjawa sesudah koreksi
nilai hitograf sebelum koreksi
Nilai Histograf Setelah Koreksi
3.Gunakan citra Karimunjawa.tiff sebagai referensi untuk koreksi geometric (lihat praktikum 3).
citra Karimunjawa.tiff sebagai referensi untuk koreksi geometric
hasil koreksi geometrik
Lansad karimunjawa setelah koreksi geometrik
4. Cari komposisi RGB citra yang paling kontras menggambarkan kenampakan mangrove, dan gunakan untuk delineasi secara visual batas ekosistem mangrove.
5. Gunakan unsur‐unsur interpretasi citra untuk mengenali obyek mangrove dan lingkungannya.
6. Transformasi NDVI hanya diaplikasikan untuk daerah ber‐ekosistem mangrove.
7. Nilai NDVI berkisar antara ‐1 hingga 1.
8. Rentang kerapatan vegetasi mangrove menurut BAPLAN Kehutanan:
‐ Kerapatan tinggi (0,42 ≤ NDVI ≤ 1,00)
‐ Kerapatan sedang (0,33 ≤ NDVI ≤ 0,42)
‐ Kerapatan rendah (‐1,00 ≤ NDVI ≤ 0,33)
9. Konversi hasil klasifikasi ke dalam format vector. Buat layout peta kerapatan vegetasi mangrove sesuai dengan kaidah kartografis. Gunakan citra komposit sebagai backgrou
Disusun Oleh:
Dwi wijanarko A610090047
Wahyuning astuti A610090041
Dwi ratri novianti A610090002
Dhanu pradiksa tama A610090045
Dwi indah patmawati A610090034
PENDIDIKAN GEOGRAFI
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2011
ACARA 1
PENGENALAN SPEKTRAL SIGNATURE
Tujuan
Mahasiswa mengenal Pengaruh Nilai Reflectance macam-macam Object terhadap Digital Number (Pixel Value)
Landasan Teori
Akibat perbedaan karakter object, jumlah energy yang dipantulkan akan beragam pada panjang gelombang yang berbeda. Perbedaan ini akan mempermudah membedakan beragam tipe tutupan lahan berdasarkan respon objek terhadap panjang gelombang yang berbeda. Apabila nilai pantulan diplot berlawanan dengan panjang gelombang maka kita akan dapatkan apa yang disebut dengan spectral signature. Gambar berikut menampilkan spectral signature (kurva pantulan) beberapa macam objek. .
Untuk ini diperlukan klasifikasi dengan pantulan panjang gelombang yang berbeda. Misanya air dan vegetasi memiliki nilai pantulan yang hampir sama pada gelombang tampak tetapi memiliki perbedaan yang kontras pada gelombang infra merah. Dengan memahami spectral signature maka kita akan dapat mengklasifikasin objek bahkan di daerah yang belum kita kenal sekalipun. Pada praktikum ini kita akan menggunakan citra Landsat ETM+ daerah Semarang. Anda diminta untuk mengenali beragam objek kemudian mengidentifikasi digital numbernya.
Alat dan Bahan
1. Ilwis 3.3 Academic
2. Cita Landsat ETM+ daerah Semarang
Cara Kerja
• Identifikasi 10 ragam objek yang berbeda yang bisa anda kenali, misanya hutan, permukiman,dll.
• Zoom pada objek-objek tersebut sehingga batas antar piksel dapat terlihat.
• Identifikasi 9 nilai sampel piksel dari masing-masing objek. Klick icon berikut untuk menampilkan informasi nilai piksel.
• Print screen objek yang anda kenali dan masukan kedalam tabel berikut beserta nilai pikselnya
Hasil praktikum
No
Objects
Band 1
Blue
(450‐520)
Band 2
Green
(520‐600)
Band 3
Red
(630‐690) Band 4
NIR
(760‐900)
Band 5
MIR1
(1550‐1750)
Band 7
MIR2
(2080‐2350)
Composit
Color
(321)
1 laut 100,100,97
101,100,
101, 100,
100,100 74,73,72,
73,76,72
76,73,72 54,56,55
55,57,60
57,56,60 25,25,25
25,24,24
24,26,24 28,27,27
25,27,26
27,27,26 24,20,20
22,22,21
22,22,21
Rata2 98,7 73,4 56,9 24,5 27,2 22,6
2 permukiman 107,103,
103,107,
117,111
118,106,92 74,86,86
74,107,96
99,89,89 78,104,104
78,122,125
74,107,100 41,53,53
41,60,66
41,54,51 70,89,89
70,128,183
97,97,82 70,76,76
70,141,159
64,96,72
Rata2 108 87,2 101 52,3 104,8 98,6
3 perkebunan 74,70,74
73,70,74,
72,72,74 56,55,59
54,55,59,
55,57,59 40,40,49
41,40,49
41,44,46 81,76,71
79,76,71
82,78,82 70,67,69
75,67,69
67,69,76 33,31,34
35,31,34
31,33,37
Rata2 72,8 57,5 45 78,3 72,6 32,6
4 sawah 81,81,83
79,84,82
83,82,81 63,70,69
65,66,68
64,67,65 58,59,54
60,59,57
57,55,59 49,51,52
51,53,52
50,53,51 44,49,47
45,46,50
50,44,43 25,28,28
25,27,24
23,23,30
Rata2 84,3 65,8 57,8 51,3 47,0 25,3
5 hutan 64,64,61
59,66,62
55,58,65 50,51,55
48,49,51
45,50,50 37,33,33
37,41,40
.39,37,31 90,89,96
93,93,95
88,97,99 66,59,58
61,61,64
65,66,66 33,31,32
37,29,39
33,38,36
Rata2 60,2 49,5 36,5 92,5 63 32,8
6 sungai 68,84,73
74,66,71
81,80,77 59,75,57
65,55,58
58,64,63 52,72,49
49,51,51
53,64,57 74,60,70
60.71,74
68,69,66 82,60,77
77,85,88
73,71,71 45,38,38
33,44,37
39,40,42
Rata2 72,6 64,6
57,5 70,3 77,8 39,2
7 Jalan 80,83,80
84,32,66
88,78,34 63,61,61
69,84,36
75,59,77 58,57,56
60,44,23
57,78,28 50,43,52
55,78,89
60,43,22 64,75,64
70,44,78
73,68,46 40,58,58
48.99.22
50,78,13
Rata2 72,2 62,3 58,3 61,2 65,8 54,2
8 Industri/pabrik 127,121,
123, 135,
183,111
133,178,
199 108,103,
103, 112,
132,178
118,179,84 112,105,99
119,78,88
115,101,32 62,65,63
65,75,24
70,78,81 123,92, 104
130,95,155
127,65,87 123,75,90
99,83,65
86,94,78
Rata2 145 124 85 60 108 88
ACARA II
Koreksi Radiometrik
A. Tujuan
Mahasiswa dapat melakukan koreksi radiometric menggunakan metode histogram adjustment dan mengetahui pengaruhnya terhadap nilai pantualan objek yang tercermin dalam Digital Number (DN)
B. Landasan Teori
Secara teoritis, proses perekaman objek muka bumi menggunakan sensor penginderaan jauh dalam kondisi ideal, radiasi spectral yang ditangkap oleh sensor memiliki nilai yang sama dengan energy yang dipantulkan oleh permukaan bumi. Akan tetapi, pantulan spectral pada gelombang tampak dan beberapa pada gelombang Near Infrared (NIR) (0,36 – 0,9 µm) mengandung bias karena refraksi di anmosfer, penghamburan, dan penyerapan khusunya oleh aerosol, uap air, dan debu. Oleh karena itu, perlu dilakukan koreksi pada kesalahan nilai spectral reflectance dan mengembalikan pada nilai yang benar. Proses ini secara ilmiah disebut dengan koreksi geometric atau atmosferik.
Sejauh ini ada 2 metode yang dapat digunakan untuk melakukan proses koreksi radiometric yakni koreksi radiometric absolute dan relative sebagai berikut:
(1) metode koreksi absolute (absolute atmospheric correction) bertujuan untuk mengembalikan nilai kecerahan yang direkam oleh sensor pada skala pantulan permukaan bumi. Pendekatan ini memerlukan model transfer radiasi atmosfer (atmospheric radiative transfer model) misanya Modtran, 6-S, ACORN, ATREM, FLAASH, ATCOR dan paramater-paramater kondisi atmosfer pada saat perekaman.
(2) metode koreksi relative digunakan untuk menormalisasikan intensitas antara saluran panjang gelombang (band) yang berbeda dalam satu tanggal perekaman maupun pada data time series (multi-date) menggunakan standar scene yang digunakan oleh analist. Ada beberapa pendekatan yang dapat digunakan dalam metode ini antara lain:
- histogram adjustment atau dark-pixel subtraction (Jensen 2005, Lillesand et al 2004, Schowengerdt 2007, Danoedoro 1996)
- image-based regression adjustment (Mather 2004, Danoedoro 1996)
- metode scatter plot (Danoedoro 1996)
- shadow calibration (Gastellu-Etchegorry 1988, Danoedoro 1996)
- empirical line method (Mather 2004, Jenen 2005)
Pada praktikum ini akan digunakan koreksi atmosphere menggunakan metode relative dengan pendekatan histogram adjustment atau dark-pixel subtraction. Pendekatan ini merupakan cara koreksi yang sederhana dan digunakan secara luas. Prinsipnya koreksi ini menggunakan rumus berikut:
DNcorrection = DNoriginal - bias
C. Bahan dan Metode
Data yang digunakan adalah citra satelit wilayah Semarang yang sebelumnya dipakai pada praktikum 1. Untuk melakukan koreksi diginakan software ilwis 3.3 Academic untuk melakukan koreksi radiometric serta membandingkan nilai piksel sebelum dan sesudah dikoreksi.
1. histogram semua band dan catat pada tabel berikut:
Band 1 2 3 4 5 7
Min
Max
2. Buka program ILWIS dan buka foreign catalog citra “smg_2001”. Apabila masing-masing band sudah terlihat, biasanya selalu memiliki file histogram yang memiliki nama yang sama dengan nama file citranya, perhatikan contoh berikut
Gambar 1. File Histogram
File histogram ini menyimpan statistic dari nilai piksel pada setiap band.
3. Double click pada icon histogram untuk membuka histogram dan mengetahui range nilai piksel pada band tersebut. Informasi ini terdapat di bagian bawah kiri dari tabel histogram
4. Buka histogram semua band dan catat pada tabel berikut:
Band 1 2 3 4 5 7
Min 54
Max 255
5. Untuk melakukannya pada ILWIS, gunakan langkah-langkah berikut:
Buka Map Calculation pada menu,
Masukan rumus ‘smg_2001 1’ – 54 pada kolom Expression
Output raster map: smg_2001_atm
Domain: defaults kemudian klik Show
Catatan: nilai 54 bisa anda ganti dengan nilai minimum yang ada temukan pada citra anda.
Pilih representation: GRAY, OK.
6. Lakukan cara yang sama pada semua band.
7. Ulangi praktikum 1 pada citra yang telah terkoreksi (ambil objek yang sama).
D. Hasil dan Analisis
Digital Number (DN) Range
Table 1. Nilai Digital Sebelum Koreksi
Nilai Nilai DN
Band 1 Band 2 Band 3 Band 4 Band 5 Band 7
Min 50 31 22 19 14 9
Max 255 255 255 255 255 255
Histogram Sebelum Koreksi
Band 1 band 2 band 3
Band 4 band 5 band 7
Histogram sesudah koreksi
Band 1 band 2 band 3
Band 4 band 5 band 7
Tabel 2: summary range nilai digital sebelum dan sesudah koreksi
Nilai Nilai DN
Band 1 Band 2 Band 3 Band 4 Band 5 Band 7
Sebelum Koreksi
Min 50 31 22 19 14 9
Max 255 255 255 255 255 255
Setelah Koreksi
Min 0 0 0 0 0 0
Max 205 224 233 236 241 246
Table 3. Rerata Nilai Piksel Beberapa Objek Sebelum Koreksi
Band laut pemukiman perkebunan sawah hutan sungai jalan pabrik
Band 1 98.7 108 72.8 84.3 60.2 72.6 72.2 145
Band 2 98.7 87.2 57.5 65.8 49.5 64.6 62.3 124
Band 3 56.9 101 45 57.8 36.5 57.5 58.3 85.3
Band 4 56.9 52.3 78.3 51.3 92.5 70.3 61.2 60.2
Band 5 56.9 104.8 72.6 47 63 77.8 65.8 108
Band 7 56.9 98.6 32.6 25.3 32.8 39.2 54.2 88
Table 4. Rerata Nilai Piksel Beberapa Objek Setalah Koreksi
Band laut pemukiman pekebunan sawah hutan sungai jalan pabrik
band1 49.3 54.3 22.6 31.5 12.6 22.6 29.1 53.3
band2 42.7 71.6 26.3 36 19.6 31 36.5 91.3
band3 34.3 30.5 21 35 14 33 28.5 75.7
band4 5.8 87.9 60.7 32.6 73 49.2 42.1 47.3
band5 12.6 81.5 57 32.8 47.5 64.2 50.6 102.3
band7 12.5 43.8 26 17.2 24.5 30.1 42.5 80.1
Grafik Spectral Signature
Grafik Spectral Signature Sebelum Koreksi
Grafik Spectral Signature Setelah Koreksi
LAMPIRAN
1. Spectral Signature Sebelum Koreksi
No
Objects Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
Composit
Color
1 laut 100,100,97,
101,100,101
100,100,100 74,73,72,
73,76,72
76,73,72 54,56,55
55,57,60
57,56,60 25,25,25
25,24,24
24,26,24 28,27,27
25,27,26
27,27,26 24,20,20
22,22,21
22,22,21
Rata2 98,7 73,4 56,9 24,5 27,2 22,6
2 permukiman 107,103,103
107,117,111
118,106,92 74,86,86
74,107,96
99,89,89 78,104,
104, 78,
122,125
74,107,100 41,53,53
41,60,66
41,54,51 70,89,89
70,128,183
97,97,82 70,76,76
70,141,
159
64,96,72
Rata2 108 87,2 101 52,3 104,8 98,6
3 perkebunan 74,70,74
73,70,74,
72,72,74 56,55,59
54,55,59,
55,57,59 40,40,49
41,40,49
41,44,46 81,76,71
79,76,71
82,78,82 70,67,69
75,67,69
67,69,76 33,31,34
35,31,34
31,33,37
Rata2 72,8 57,5 45 78,3 72,6 32,6
4 sawah 81,81,83
79,84,82
83,82,81 63,70,69
65,66,68
64,67,65 58,59,54
60,59,57
57,55,59 49,51,52
51,53,52
50,53,51 44,49,47
45,46,50
50,44,43 25,28,28
25,27,24
23,23,30
Rata2 84,3 65,8 57,8 51,3 47,0 25,3
5 hutan 64,64,61
59,66,62
55,58,65 50,51,55
48,49,51
45,50,50 37,33,33
37,41,40
.39,37,31 90,89,96
93,93,95
88,97,99 66,59,58
61,61,64
65,66,66 33,31,32
37,29,39
33,38,36
Rata2 60,2 49,5 36,5 92,5 63 32,8
6 sungai 68,84,73
74,66,71
81,80,77 59,75,57
65,55,58
58,64,63 52,72,49
49,51,51
53,64,57 74,60,70
60.71,74
68,69,66 82,60,77
77,85,88
73,71,71 45,38,38
33,44,37
39,40,42
Rata2 72,6 64,6 57,5 70,3 77,8 39,2
7 Jalan 80,83,80
84,32,66
88,78,34 63,61,61
69,84,36
75,59,77 58,57,56
60,44,23
57,78,28 50,43,52
55,78,89
60,43,22 64,75,64
70,44,78
73,68,46 40,58,58
48.99.22
50,78,13
Rata2 72,2 62,3 58,3 61,2 65,8 54,2
8 Industri/pabrik 127,121,123
135,183,111
133,178,199 108,103,
103, 112
,132,178
118,179,84 112,105,
99, 119,
78,88
115,
101,32 62,65,63
65,75,24
70,78,81 123,92, 104
130,95,155
127,65,87 123,75,
90
99,83,65
86,94,78
Rata2 145 124 85 60 108 88
2. Spectral Signature Setelah Koreksi
No
Objects Band 1 Band 2 Band 3 Band 4 Band 5 Band 7 Composit
Color
1 Laut 50,50,47 43,42,41 33,32,33 6,6,6 14,13,13 15,11,11
48,50,51 42,45,41 31,31,44 6,5,5 11,13,12 13,13,12
50,50,50 45,43,41 35,34,38 5,7,5 13,13,12 13,13,12
Rata2 49,3 42,7 34,3 5,8 12,6 12,5
2 Permukiman 57,53,53 43,86,86 19,31,32 51,78,78 56,53,62 32,44,44
57,67,61 73,71,65 19,38,44 51,109,169 56,127,145 32,51,57
68,56,42 68,58,58 21,32,31 78,78,63 50,82,58 32,45,42
Rata2 54,3 71,6 30,5 87,9 81,5 43,8
3 Perkebunan 24,20,24 25,24,28 18,18,27 62,57,52 56,53,55 24,22,25
23,20,24, 23,24,28 19,18,27 60,57,52 61,53,55 26,22,25
22,22,24 24,26,28 19,22,26 63,59,63 53,55,62 22,24,28
Rata2 22,6 26,3 21 60,7 57 26
4 sawah 31,31,33 32,40,38 36,37,32 30,32,33 30,35,33 16, 19,19
29,34,32 34,35,37 30,37,35 32,34,33 31,32,36 16,18,15
33,32,31 33,36,35 35,33,37 31,34,32 36,30,29 14,14,21
Rata2 31,5 36 35 32,6 32,8 17,2
5 Hutan 14,14,11 19,20,24 15,11,11 71,70,77 52,45,44 24,22,23
9,16,12 17,18,20 12,19,18 74,74,76 47,47,50 28,20,30
5,8,65 14,19,19 .17,15,9 69,78,80 51,52,52 24,29,27
Rata2 12,6 19,6 14,3 73 47,5 24,5
6 Sungai 18,34,23 28,44,26 30,50,28 55,41,51 68,46,63 36,29,29
24,16,21 34,24,27 28,31,31 41,52,55 63,71,74 24,35,28
31,30,27 27,33,32 31,42,32 49,50,47 56,57,57 30,31,33
Rata2 22,6 31 33 49,2 64,2 30,1
7 Jalan 30,33,30 32,30,30 36,35,34 31,24,33 50,61,50 31,41,41
34,32,16 38,53,36 43,22,1 36,59,70 56,30,64 39,90,13
38,28,14 44,28,46 35,65,8 41,24,3 59,54,32 41,68,4
Rata2 29,1 36,5 28,5 42,1 50,6 42,5
8 Pabrik / industri 27,51,23 77,72,72 90,95,77 43,46,44 109,78,90 114,66,81
85,73,61 81,101,145 97,56,66 46,56,51 116,81,141 90,74,56
43,78,99 87,148,53 93,97,11 51,59,62 113,51,73 77,85,69
Rata2 53,3 91,3 75,7 47,3 102,3 80,1
Table Pantulan maksimun dan minimun
obyek maksimum minimum
Laut Band 1 Band 4
Pemukiman Band 4 Band 7
Perkebunan Band 4 Band 3
Sawah Band 2 Band 7
Hutan Band 4 Band 1
Sungai Band 5 Band 1
Jalan Band 5 Band 3
pabrik Band 5 Band 4
Kesimpulan.
Pada praktikum ini akan digunakan koreksi atmosphere menggunakan metode relative dengan pendekatan histogram adjustment atau dark-pixel subtraction. Pendekatan ini merupakan cara koreksi yang sederhana dan digunakan secara
Dengan tujuan Mahasiswa dapat melakukan koreksi radiometric menggunakan metode histogram adjustment dan mengetahui pengaruhnya terhadap nilai pantualan objek yang tercermin dalam Digital Number (DN)
Pengaruh nilia pantulan sebelum dan sesudah koreksi sangantlah berbeda jauh dengan menurungya nilai pixel dari tiap gambar memberikan gambaran koreksi secara umum dari tiap tiap band yang dilakukan koreksi radiometrik
PRAKTIKUM 3
KOREKSI GEOMETRIK
A. Tujuan
Mahasiswa dapat melakukan proses koreksi geometrik.
B. Landasan Teori
Koreksi geometric bertujuan untuk menempatkan data penginderaan jauh pada posisi benar sehingga dapat berasosiasi dengan data spatial yang lain. Menurut Jensen (2005), ada dua langkah dalam koreksi geometrik yakni interpolasi spatial dan interpolasi intensitas (Gambar 1). Interpolasi spatial terkait dengan relasi geometris antara lokasi piksel dengan peta atau permukaan bumi. Proses ini memerlukan beberapa Ground Control Point (GCP) yang dapat diperoleh dari muka bumi (pengukuran GPS), peta atau citra yang sudah terkoreksi.
Gambar 1. Proses Koreksi Geometrik
Menurut Jensen (1996) ada beberapa metode yang dapat dipakai dalam proses interpolasi geometris dengan beragam tingkat akurasi, antara lain:
1. Transformasi Affine. Proses ini membutuhkan minimal 4 GCP. Metode ini baik hanya untuk daerah dengan topografi relative datar.
2. Transformasi Order Kedua (Second order transformation), membutuhkan minimal 6 titik GCP. Metode ini memiliki tingkat akurasi yang lebih baik dibandingkan dengan metode yang pertama.
3. Transformasi order ketiga (Third order transformation), membutuhkan minimum 10 titik GPS. Metode ini sangat bagus untuk wilayah dengan variasi topografi yang tinggi.
Interpolasi intensitas dilakukan dengan proses resampling untuk menentukan nilai piksel pada citra yang
sudah dibetulkan secara geometris. Ada tiga metode yang bisa dilakukan untuk melakukan proses ini
antara lain:
1. Interpolasi tetangga terdekat. Nilai kecerahan (DN) dari suatu piksel ditentukan dari piksel-piksel terdekat dari citra yang belum terkoreksi.
2. Interpolasi Bilinier. Nilai kecerahan (DN) dari suatu piksel ditentukan dari 4 piksel-piksel terdekat dari citra yang belum terkoreksi.
3. Cubic-convolution. Proses interpolasi ini mirip dengan interpolasi bilinear tetapi menggunakan 16 piksel sekitarnya.
C. Cara Kerja
1. Gunakan data citra landsat semarang 2001 yang telah dikoreksi secara radiometric pada praktikum 2, “smg_2001_atm”.
2. Lakukan registrasi citra semarang tahun 2001 berdasarkan koordinat dari citra semarang yang sudah terkoreksi “smg_rwpng”.
Create New Georeference dari panel menu operation.
Georeference name: smg_2001a
pilih GeoRef Tiepoints
Coordinate System: create new (click )
Coordinate system name: utmwgs84_49s
Pilih CoordSystem Projection OK
Projection: UTM Datum: WGS 84
Uncheck the Northern Hemisphere
Zone: 49 OK
Background Map: smg_2001_atm (map list), OK dan pilih komposisi peta.
3. Buka dan buat komposit dari citra yang telah berkoordinat “smg_rwpng” pada window yang lain dan identifikasi objek-objek yang Nampak jelas pada kedua citra. Diutamakan objek-objek yang dibuat manusia misalnya jalan, jembatan, pelabuhan, airport, dll.
4. Gunakan koordinat pada objek-objek tersebut (minimal 6 titik) sebagai GCP untuk mengkoreksi citra semarang 2001. Isikan hasilnya pada tabel berikut
5. Tambahkan tie point sesuai posisiya
6. Atur sedemikian hingga sigma valuanya kurang dari 0.5.
7. Apabila nilai sigma telah memenuhi klik exit the GeoReference Editor window.
8. Cobalah melakukan tumpang susun kedua dan perhatikan apakah keduanya tertampal dengan baik.
9. Buatlah laporan dengan lengkap dengan screen shoot semua proses dan hasilnya.
10. Dan buatlah analisis serta kesimpulan.
D. Hasil dan Analisis
Gambar 01 proses koreksi geometric 01
Gambar 02 proses koreksi geometric
Gambar 03 hasil koreksi geometric
nilai koordinat x dam y koreksi geometric
PRAKTIKUM 4
INTERPRETASI VISUAL DAN DIGITASI ON SCREEN
A. Tujuan
Mahasiswa dapat mengenali objek-objek geografis di permukaan bumi melaui interpretasi visual menggunakan elemen kunci interpretasi.
B. Landasan Teori
Ekstraksi informasi merupakan proses penting agar data penginderaan jauh dapat dimanfaatkan lebih lanjut. Secara umum proses ekstraksi (pengambilan) informasi dari citra satellite dapat dibagi menjadi dua golongan, antara lain (Tempfli et al, 2009): (1) ekstraksi informasi berdasarkan interpretasi citra secara visual misalnya pemetaan penggunaan lahan dan pemetaan jenis tanah. (2) ekstraksi informasi secara semi otomatis menggunakan computer (digital).
Praktikum kali ini akan membahas mengenai ekstraksi informasi yang pertama yakni ekstraksi informasi berdasarkan interpretasi citra secara visual. Interpretasi visual sangat tergantung pada interpreter dalam mengenali objek. Secara umum proses pengenalan objek dapat dibagi dua yakni pengenalan spontan (spontaneous recognition), dalam kategori ini seorang interpreter akan langsung mengenal objek di citra dari hasil pengamatan sepintas secara cepat. Kategori kedua adalah logical inference yakni seorang interpreter menggunakan alasan-alasan tertentu dalam mengenali objek secara logis karena objek tidak dapat secara langsung dikenali. Dalam hal ini, pengetahuan professional dan pengalaman dangat diperlukan. Untuk melakukan interpretasi secara visual, perlu beberapa unsur yang digunakan untuk mengenali objek berdasarkan karakternya. Unsur-unsur tersebut diantaranya: rona/warna, tekstur, pola, bentuk, ukuran, tinggi, bayangan, lokasi, asosiasi.
C. Alat dan bahan:
1. Data praktikum
2. Laptop/ pc
3. Aplikasi ilwis
D. Cara kerja:
1. Buatlah file segmen baru menggunakan menu create->new segment map.
2. Masukan nama peta, pilih system koordinatnya dan buatlah domain baru
3. Masukan beberapa kelas tutupan lahan yang mungkin ada pada citra, misalnya sawah.
4. Gunakan ikon untuk membatasi tutupan lahan.
5. Gunakan file-check segment untuk mengecek keberaran hasil digitasi.
6. Apabila semua objek telah didigitasi, simpan dan gunakan ikon exit ( ) untuk keluar.
7. Langkah berikutnya buatlah peta titik untuk memberikan atribut pada polygon yang akan dibuat
8. menggunakan menu create->new point map. Gunakan proyeksi dan domain yang sama.
9. Simpan dan keluar apabila telah selesai.
10. Langkah berikutnya dalah merubah segmen menjadi polygon menggunakan menu vectorize >segment to polygon sebagai berikut
E. Hasil praktikum
Gambar 01. Gambar hasil digitasi pengunaan lahan
Gambar 02. Hasil digitasi dan pemberian titik
Gambar 03. Polygon penggunaan lahan
PRAKTIKUM 5
A. Tujuan
Mahasiswa dapat melakukan analysis NDVI untuk pemetaan kerapatan mangrove
B. Pendahuluan
Kepulauan Karimunjawa adalah rantai pulau-pulau kecil yang terletak sebelah barat laut dari Pulau Jawa, pulau yang paling ramai di Indonesia. Karena lokasi yang terisolasi, tidak banyak orang mengenali daerah ini. Nusantara ini memiliki sumber daya alam yang indah murni dan keragaman ekosistem yang luar biasa. Karimunjawa merupakan salah satu daerah pertama diakui sebagai penting untuk konservasi dan perlindungan keanekaragaman hayati laut.
Panorama alam, keindahan bawah air, berbagai organisme laut, hutan bakau, semua masih alami dan murni, sehingga Karimunjawa sekarang menjadi taman nasional laut. Pulau-pulau Karimunjawa secara administratif bagian dari Kabupaten Jepara, yang terletak sekitar 45 km arah barat laut dari Jepara kota. Benar-benar, daerah ini meliputi 107.226 ha, dengan 100.105 ha adalah bagian laut, dan sisanya adalah tanah. Suhu rata-rata di daerah ini adalah sekitar 26 sampai 30 derajat Celcius, dengan suhu minimum adalah 22 Celcius dan maksimum adalah 34 Celcius. Daya tarik Karimunjawa adalah flora dan fauna. Hal ini dapat dilihat dari lima jenis ekosistem flora, yaitu;
terumbu karang ekosistem, hutan mangrove, hutan pantai, lapangan merenungkan dan hutan dataran rendah. Di sisi lain, ada banyak jenis fauna, seperti monyet ekor panjang, rusa, dan juga fauna perairan yang terdiri dari 242 jenis ikan hias dan 133 jenis biota perairan dan ada juga 2 jenis penyu yang hidup di Taman Nasional ekosistem pulau-pulau Karimunjawa (www.centraljava-tourism.com).
Ekosistem mangrove adalah sistem di tempat alam untuk kehidupan yang mencerminkan keterkaitan antara makhluk hidup dengan lingkungan mereka dan di antara makhluk hidup itu sendiri, hadir di wilayah pesisir, terpengaruh oleh pasang surut dan didominasi oleh spesies pohon atau semak yang khas dan mampu tumbuh dalam atau perairan payau. Fungsi ekologis dari hutan mangrove meliputi: pantai pelindung, mencegah intrusi air laut, habitat (perumahan), mencari makan (feeding ground), tempat perawatan dan pemeliharaan (tanah pembibitan), di 2 mana pemijahan (tanah Pemijahan) untuk berbagai biota perairan, seperti baik sebagai pengatur iklim mikro.
Hutan mangrove adalah hutan yang terletak di daerah pesisir yang selalu atau teratur tergenang air laut dan dipengaruhi oleh pasang surut tetapi tidak terpengaruh oleh iklim. Sementara itu, daerah pesisir daratan yang terletak di daerah hilir DAS (DAS), yang berbatasan dengan laut dan masih dipengaruhi oleh air pasang, dengan kemiringan kurang dari 8%. Praktikum ini bertujuan untuk menentukan klasifikasi kepadatan mangrove di Pulau Karimunjawa dan sekitarnya analisis multispektral dengan menggunakan Landsat 7 ETM.
C. Metode
1. Lokasi Studi
Karimunjawa kepulauan merupakan salah satu wilayah kabupaten di bawah Kabupaten Jepara, Propinsi Jawa Tengah Indonesia. Ini kebohongan dari 5 ° 49 '- 5 ° 57' Lintang Selatan dan 110 ° 04 '-110 ° 40' Bujur Timur. Terdiri dari 22 pulau-pulau di Laut Jawa, distrik Karimunjawa dibagi menjadi tiga desa, yaitu Karimunjawa, Kemujan dan Parang. Perhatian studi untuk mengklasifikasikan kerapatan mangrove dari pulau utama yaitu Pulau Karimunjawa dansekitarnya. Luasnya daerah spasial digambarkan pada GambarCentral Java Study Area 00.51 2 3 4 Km ²
Gambar 1. Area Study
2. Bahan
1. Citra Landsat 7 ETM terkoreksi secara geometrik (Karimunjawa.tiff) terdiri atas 3 band:
- Band 1, blue channel,
- Band 2, green channel, and
- Band 3, red channel.
2. Citra Landsat 7 ETM belum terkoreksi (Landsat_Karimunjawa) terdiri atas 6 bands, yakni:
- Band 1, blue channel.
- Band 2, green channel.
- Band 3, red channel.
- Band 4, near infra red (NIR) channel.
- Band 5, middle infra red 1(MIR1). And
- Band 7, middle infra red 2(MIR2).
3. Batas pulau Karimunjawa (Shapefile)
Software ILWIS 3.3 academic.
Analisa Data Perhitungan NDVI dengan rumus berikut (Jensen, 2005):
NDVI : Ρtm4 - Ρtm3
Ρtm4 + Ρtm3
Klasifikasi kerapatan mangrove dengan ketentuan berikut.
Tabel 1. Klasifikasi Kerapatan Mangrove berdasarkan Nilai NDVI
No Kelas NDVI
1 Kerapatan Tinggi 0,42 to ≤ 1,00
2 Kerapatan Sedang 0,33 to ≤ 0,42
3 Kerapatan Rendah ‐1,00 to ≤ 0,33
Sumber: BAPLAN Forestry.
3. Langkah Kerja
Keterangan
1.Import semua data ke format ilwis seperti praktikum 1.
2.Lakukan koreksi radiometrik (lihat praktikum 2) relatif terhadap citra Landsat_Karimunjawa. Nilai hasil perekaman minimum pada saluran NIR adalah 0, sehingga semua saluran harus memiliki nilai 0 sebagai nilai minimumnya.
Landsat_Karimunjawa sebelum koreksi
Landsat_Karimunjawa sesudah koreksi
nilai hitograf sebelum koreksi
Nilai Histograf Setelah Koreksi
3.Gunakan citra Karimunjawa.tiff sebagai referensi untuk koreksi geometric (lihat praktikum 3).
citra Karimunjawa.tiff sebagai referensi untuk koreksi geometric
hasil koreksi geometrik
Lansad karimunjawa setelah koreksi geometrik
4. Cari komposisi RGB citra yang paling kontras menggambarkan kenampakan mangrove, dan gunakan untuk delineasi secara visual batas ekosistem mangrove.
5. Gunakan unsur‐unsur interpretasi citra untuk mengenali obyek mangrove dan lingkungannya.
6. Transformasi NDVI hanya diaplikasikan untuk daerah ber‐ekosistem mangrove.
7. Nilai NDVI berkisar antara ‐1 hingga 1.
8. Rentang kerapatan vegetasi mangrove menurut BAPLAN Kehutanan:
‐ Kerapatan tinggi (0,42 ≤ NDVI ≤ 1,00)
‐ Kerapatan sedang (0,33 ≤ NDVI ≤ 0,42)
‐ Kerapatan rendah (‐1,00 ≤ NDVI ≤ 0,33)
9. Konversi hasil klasifikasi ke dalam format vector. Buat layout peta kerapatan vegetasi mangrove sesuai dengan kaidah kartografis. Gunakan citra komposit sebagai backgrou
