Bab 3. Analisis Citra Landsat

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 III. ANALISIS CITRA LANDSAT 3.1. Spesifikasi Citra Landsat Program Landsat adalah program untuk mendapatkan citra bumi dari luar angkasa. Satelit Landsat pertama diluncurkan pada tahun 1972 dan yang paling akhir Landsat 8 Operational Land Imager (OLI) and Thermal Infrared Sensor (TIRS), diluncurkan tanggal 11 Februari 2013. Seluruh data Citra Landsat generasi 1 s/d generasi 8 telah diarsipkan di Amerika Serikat dan stasiun-stasiun penerima data Landsat di seluruh dunia yang memiliki sumberdaya untuk riset perubahan global dan aplikasinya pada bidang kelautan, pertanian, geologi, kehutanan, perencanaan wilayah, pertahanan & keamanan nasional serta sektor lainnya. Data satelit yang digunakan dalam contoh tulisan ini adalah Citra Landsat. Pemilihan citra tersebut lebih pada pertimbangan karena kelebihan dalam hal resolusinya, juga karena kemudahan dalam mendapatkan data tersebut. Citra Landsat merupakan data mentah (raw data) yang pada umumnya mengalami berbagai distorsi yang disebabkan oleh gerakan sensor, faktor media antara dan faktor obyeknya sendiri sehingga perlu dibetulkan. Kualitas citra digital ditentukan oleh dua kelompok parameter yang spesifik, yaitu derajat resolusi spasial yang berhubungan dengan kemampuan sensor dan distorsi geometrik, serta resolusi radiometrik yang berhubungan dengan kekuatan sinyal, saluran spektral yang digunakan dan kondisi atmosfer (hamburan, serapan dan tutupan awan) (Purwadhi 2001). Untuk mendapatkan data Citra Landsat dapat diunduh dari alamat berikut, Earth Explorer http://earthexplorer.usgs.gov, GloVis http://glovis.usgs.gov, or the Landsat Look Viewer at http://landsatlook.usgs.gov. 1|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 Tabel 1. Spesifikasi Citra Landsat-7 ETM + LANDSAT 7 ETM Saluran (Band) Julat λ (μm) Resolusi spasial (m) Pankromatik 0.52 – 0.90 15 Biru 0.45 – 0.52 Hijau 0.52 – 0.60 Merah 0.63 – 0.69 30 Infra merah dekat 0.76 – 0.90 Infra merah tengah 1.55 – 1.75 Infra merah jauh 2.08 – 2.35 Infra merah termal 10.4 – 12.5 60 Sumber : Lillesand dan Kiefer (2003) Processing parameters for Landsat 8 standard data products, Product Type : Level 1T (terrain corrected), Data type: 16-bit unsigned integer, Output format: GeoTIFF, Pixel size: 15 meters/30 meters/100 meters (panchromatic/multispectral/thermal), Map projection: UTM (Polar Stereographic for Antarctica), Datum: WGS 84, Orientation: North-up (map), Resampling: Cubic convolution, Accuracy OLI: 12 meters circular error, 90 percent confidence, TIRS: 41 meters circular error, 90 percent confidence (http://landsat.usgs.gov). 2|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 Gambar 14. Band passes of the Landsat 8 Operational Land Imager (OLI) and Thermal Infrared Sensor (TIRS) instruments.(USGS Fact Sheet 2013– 3060 August 2013, http://glovis.usgs.gov). Tabel 2. Spesifikasi Citra Landsat 8 OLI/TIRS Band # and Type Bandwidth (µm) Resolution (m) Band 1 Coastal 0.43 - 0.45 30 Band 2 Blue 0.45 - 0.51 30 Band 3 Green 0.53 - 0.59 30 Band 4 Red 0.63 - 0.67 30 Band 5 NIR 0.85 - 0.88 30 Band 6 SWIR 1 1.57 - 1.65 30 Band 7 SWIR 2 2.11 - 2.29 30 Band 8 Pan 0.50 - 0.68 15 Band 9 Cirrus 1.36 - 1.38 30 Band 10 TIRS 1 10.6 - 11.19 30 (100) Band 11 TIRS 2 11.5 - 12.51 30 (100) Sumber: https://www.satimagingcorp.com/satellite-sensors/other-satellite-sensors/landsat-8/ 3|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 3.2. Pra Pengolahan Citra (Preprocessing of Remotely-Sensed Data) Mather (1987) menjelaskan bahwa data mentah (raw data) yang berasal dari sensor satelit masih mempunyai beberapa kelemahan dan kekurangan (flaws and deficencies). Koreksi untuk menghilangkan gangguan tersebut termasuk dalam tahapan pra pengolahan citra (Preprocessing). Danoedoro (1996) menjelaskan bahwa koreksi citra merupakan suatu operasi pengkondisian agar citra yang digunakan benar benar memberikan informasi yang akurat secara geometrik dan radiometrik. Lillesand and Kiefer (2003) menyebut pra pengolahan citra ini sebagai Image rectification and Restoration. Proses pra pengolahan citra juga dijelaskan secara rinci oleh Liang (2004). 3.2.1. Koreksi Geometrik Citra Landsat Koreksi atau transformasi geometrik yang paling mendasar adalah penempatan kembali posisi piksel sedemikian rupa sehingga pada citra digital dapat dilihat gambaran obyek dipermukaan bumi yang terekam sensor. Koreksi ini mencakup perujukan titik titik tertentu pada citra ke titik titik yang sama di lapangan atau pada peta (Danoedoro (1996). Selanjutnya Lillesand and Kiefer (2003) menjelaskan bahwa the geometric correction process is normally implemented as a two-step procedure. First, those distortions that are systematic, or predictabel, are considered. Second, those distortations are essentially random, or unpredictable, are considred. Memperhatikan perkembangan data citra Landsat sejak pertama diluncurkan tahun 1972 dengan nama Earth Resources Technology Satellite (EARTS-1), dilanjutkan dari tahun 1975-1978 dengan Landsat Multyspectral Scanner (MSS) generasi 1 - 4. Kemudian tahun 1984 generasi Landsat 4 - 5 Tematic Mapper (TM), tahun 1999 dengan Landsat 7 Enhance Tematic 4|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 Mapper (ETM+) dan tahun 2013 dengan Landsat 8 Onboard Operational Land Imager / Thermal Infrared Sensor (OLI/TIRS). Jika kita perhatikan informasi data Citra Landsat tersebut pada https://earthexplorer.usgs.gov/, (Landsat Collection 1 consists of Level-1 data products generated from Landsat 8 Operational Land Imager (OLI)/Thermal Infrared Sensor (TIRS), Landsat 7 Enhanced Thematic Mapper Plus (ETM+), Landsat 4-5 Thematic Mapper (TM)*, and Landsat 1-5 Multispectral Scanner (MSS) instruments). The processing levels for Landsat Collection 1 Level-1 data are shown in the table below. Table 3. Landsat Collection 1 Level-1 Processing Levels Jika diperhatikan beberapa komentar para ahli tentang apakah perlu dilakukan koreksi Geometrik terhadap Citra Landsat level 1. If you can get Landsat images from (earth explorer) website, it will be already has geometric correction (Malik Abbas, 2016. Ministry of Science and Technology, Iraq · Remote sensing). According to Forrest Robert Stevens, 2015 University of Louisville|UL · Department of Geography and Geosciences, that L1T data has already been corrected using ground control points (GCPs) and a digital elevation model (DEM) to correct for terrain and 5|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 view angles, and ideally this achieves high geodetic accuracies. These data are typically quite consistent, even from product to product and require little to no image registration. That said, some areas on Earth don't have good GCPs and/or ideal DEM data associated with the processing, so your results may vary. But only you can decide whether the accuracy is high enough to require further image registration and terrain correction. You can do so by overlaying your imagery and or creating some tie points between them using your GIS/RS tool of choice and seeing how much adjustment in 2D space is required to align them. Another consideration isn't just the geometric correction of your imagery but also correcting for illumination effects caused by topography. L1T data have no such correction applied so illumination effects may still need to be corrected for using an accurate DEM and appropriate correction-model. sumber: https://www.researchgate.net/post/Do_I_need_to_gerometrically_correct_l andsat_images_L1T). Green et al. (2000) menjelaskan bahwa Geometric correction is required if: • images have to be compared to either field data or maps, • image data have to be compared with other spatial data (e.g. in a GIS), • area or distance estimates are required from the image data, • two images from different dates are to be compared pixel by pixel (e.g. for change analysis). 6|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 Gambar 15. Spesifikasi Data Citra Landsat yang tersedia pada provider Sumber:https://earthexplorer.usgs.gov/ 3.2.2. Koreksi Radiometrik Citra Landsat Danoedoro (1996) menjelaskan bahwa koreksi radiometrik ditujukan untuk memperbaiki nilai piksel agar sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan obyek di permukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya. Nilai pantulan menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan. Nilai piksel terendah diasumsikan seharusnya nol sesuai bit-coding sensor citra, sehingga jika nilai tersebut bukan nol, maka nilai piksel tersebut adalah nilai penambahan (offset) dari hamburan atmosfer. Mather (1987) menjelaskan bahwa ada lima faktor yang berpengaruh terhada sinyal yang diterima oleh objek dan terekam pada sensor, yaitu Pantulan atau reflektansi objek, bentuk dan besaran interaksi atmosfer, Kemiringan arah hadap lereng (aspect) tempat objek berada relatif terhadap azimuth matahari, Sudut pandang sensor, dan Sudut kemiringan 7|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 matahari. Danoedoro (1996) menjelaskan bahwa koreksi radiometrik dapat dilakukan dengan penyesuaian histogram, penyesuaian regresi dan metode kalibrasi bayangan. Ilustrasi sederhana misalnya nilai piksel obyek air dalam yang jernih, bayangan obyek pada saluran infra merah seharusnya nol, karena nilai pantulan air atau bayangan pada saluran infra merah tersebut seharusnya diserap semua. Data digital Citra Landsat 7 ETM+ dengan radiometrik 8 bit menghasilkan skala nilai kecerahan (gray scale) antara 0 - 255. Kalau misalnya terjadi penambahan nilai air atau bayangan obyek, maka nilai tersebut harus dihilangkan, karena kita menganggap bahwa nilai tersebut adalah hamburan atmosfer, sehingga semua saluran/band pada citra tersebut harus diperbaiki. Bentuk kesalahan radiometrik yang lain sperti striping or banding, akibat dari tidak konsistennya detektor dalam melakukan perekaman pada saluran/band tersebut. Saat ini beberapa software pengolah citra telah dilengkapi dengan model absolut untuk koreksi radiometrik citra seperti Dark Object Subtraction (DOS), metode Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH), metode Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS), metode second Simulation of a Satellite Signal in the Solar Spectrum-Vektor (6SV) dan metode Total Suspended Solid (TSS). Model relatif sperti Pseudo Invariant Features (PIFs) dan Radiometeric Control Sets (RCS). Hasil Penelitian Muchsin et al. (2017) menunjukkan bahwa Citra Landsat 7 yang telah terkoreksi atmosfer terdapat perbaikan pola spektral dengan adanya penurunan nilai reflektan setiap obyek sebesar (1 – 11) % untuk band visible (blue, green dan red). Pada band NIR dan SWIR terjadi kenaikan nilai spektral yaitu sekitar 1% pada semua objek terkecuali objek lahan 8|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 basah untuk model LEDAPS. Persentase kenaikan dan penurunan nilai spektral model 6S dan FLAASH memiliki kecenderungan yang sama. Analisis juga dilakukan terhadap nilai NDVI masing-masing model, dimana nilai NDVI relatif lebih tinggi setelah koreksi atmosfer. Nilai NDVI tanaman padi pada model FLAASH sama dengan model 6S yaitu sebesar 0.95 dan untuk lahan basah memiliki nilai yang sama antara model FLAASH dan LEDAPS yaitu 0.23. Nilai NDVI seluruh scene untuk model FLAASH = 0.63, model LEDAPS = 0.56 dan model 6S = 0.66. Sebelum koreksi atmosfer nilainya adalah 0.45. Gambar 16. Contoh koreksi radiometrik dengan metode FLAASH 3.3. Pengolahan Citra Landsat 3.3.1. Klasifikasi Citra 9|Analisis Citra (Free Download)

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 Pada dasarnya klasifikasi citra yang berbasis data digital satelit umumnya menggunakan asumsi bahwa setiap obyek dipermukaan bumi seperti vegetasi, sungai, pemukiman dan lainnya yang terekam oleh sensor satelit dapat dibedakan dari obyek lainnya berdasarkan nilai pantulan spektralnya. Hal ini karena setiap obyek pada permukaan bumi atau sedikit di atas permukaan bumi akan memberikan pola respon spektral yang khas (lihat kembali gambar karakteristik pola spektral objek, Hoffer, 1978). Klasifikasi citra umumnya menggunakan gabungan beberapa saluran citra sekaligus, sehingga disebut juga sebagai klasifikasi multispektral. Lillisend dan Kiefer (2003) menjelaskan bahwa multispectral data are used to perform the classification and, indeed, the spectral pattern present within the data for each pixel is used as the numerical basis for categorization. Danoedoro (1996) menjelaskan bahwa klasifikasi multispektral merupakan suatu aloritma yang dirancang untuk menurunkan informasi tematik dengan cara mengelompokkan fenomena berdasarkan kriteria nilai spektral (nilai kecerahan) pada beberapa saluran (chanel/ band) sekaligus. Namun demikian agar hasil klasifikasi citra tersebut siap untuk digunakan, maka perlu dilakukan verifikasi dengan informasi sekunder lainnya termasuk data hasil survei lapangan. Klasifikasi citra secara digital dapat dilakukan secara beracuan (supervised classification) dan secara tidak beracuan (unsupervised classification) (Mather, 1987; Lillisend dan Kiefer, 2003; Danoedoro, 1996). 3.3.2. Klasifikasi Beracuan Langkah awal klasifikasi beracuan dilakukan dengan pengambilan daerah contoh (training area) oleh analis melalui citra acuan seperti citra komposit. Pengambilan daerah acuan dilakukan dengan mempertimbangkan kecenderungan pola spektral pada setiap panjang gelombang tertentu, 10 | A n a l i s i s C i t r a ( F r e e D o w n l o a d )

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 sehingga didapatkan daerah acuan yang baik untuk mewakili suatu obyek tertentu. Hal yang harus diperhatikan adalah sistem klasifikasi yang akan digunakan dan kriteria sample. Secara umum untuk melakukan klasifikasi multispektral menggunakan citra dengan resolusi spasial sedang seperti Citra Landsat, maka sistem klasifikasinya biasanya hanya untuk penutupan lahan (land cover) seperti hutan, belukar, semak, lahan terbuka dll. Untuk kriteria daerah contoh yang digunakan harus dipilih yang homogen dengan merujuk pada homogenitas nilai piksel pada sampel yang dipilih. Beberapa algoritma yang biasa digunakan dalam klasifikasi beracuan adalah (1) Jarak Minimum terhadap Rerata (Minimum Distance to Mean), (2) Parallelipiped (Box Classification), (3) Kemiripan Maksimum (Maximum Likelihood), (4) Tetangga Terdekat (K-Nearest Neighbour). Selain algoritma tersebut pada beberapa software analsis citra digunakan beberapa algoritma lain seperti Mahalobis Distance, Spectralel Mapper, Binary Encoding dan Neural Net. (Mather, 1987; Lillisend dan Kiefer, 2003; Danoedoro, 1996). Contoh sederhana yang dapat dilakukan misalnya memilih daerah contoh pada Citra Landsat 7 melalui citra komposit 543, dimana terlihat bahwa tanah terbuka berwarna merah, vegetasi berwarna hijau dan air berwarna biru. Sebagai pengenalan awal (deteksi) warna tersebut dapat menurunkan beberapa pilihan untuk daerah contoh. Untuk menguatkan pemilihan daerah contoh tersebut sangat baik kalau ditunjang dengan pengetahuan lokasi tersebut secara baik dan didukung oleh sumber rujukan lainnya. Setelah didapatkan daerah contoh yang memenuhi kriteria, selanjutnya dilakukan pengambilan piksel piksel murni (pure pixel) pada daerah contoh tersebut. 11 | A n a l i s i s C i t r a ( F r e e D o w n l o a d )

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 Gambar 17. Citra Komposit 543 Path/Row 118/062 3.3.3. Klasifikasi Tidak Beracuan Klasifikasi tidak beracuan dilakukan secara otomatis menggunakan software computer. Proses yang dilakukan melalui komputer tersebut merupakan suatu proses perulangan atau iterasi, sampai menghasilkan pengelompokkan akhir gugus-gugus spektral. Setelah itu analis dapat memberi nama atau kode pada tiap gugus spektral sebagai obyek tertentu. Beberapa software komputer memiliki algoritma klasifikasi tidak beracuan seperti Isodata dan K-Mean. Isodata adalah metode klasifikasi piksel yang mengkalkulasi kelas obyek berdasarkan distribusi dari kluster melalui teknik pendekatan yang digunakan adalah jarak terdekat suatu nilai pixel tersebut terhadap pengelompokan kelas. Sedangkan K-Mean adalah merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama 12 | A n a l i s i s C i t r a ( F r e e D o w n l o a d )

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain (Mather, 1987; Lillisend dan Kiefer, 2003; Danoedoro, 1996). 3.3.4. Ketelitian Hasil Klasifikasi Danoedoro (1996) menjelaskan bahwa hasil klasifikasi multispektral berupa peta penutupan lahan maupun penggunaan lahan memiliki tingkat ketelitian yang dapat diukur secara kuantitatif, yang menyangkut aspek kedalaman isi dan aspek kebenaran di lapangan. Aspek ke dalaman isi berkaitan dengan tingkat kerincian informasi secara tematik, yang pengertiannya kurang lebih sejajar dengan tingkat (level) klasifikasi. Selanjutnya ketelitian dalam arti kebenaran klasifikasi biasanya lebih ditekankan pada aspek tepat tidaknya jenis penutup ataupun penggunaan lahan yang diberi label (klas) pada suatu posisi koordinat tertentu. Perhitungan akurasi ketelitian klasifikasi penutupan lahan secara sederhana dicontohkan oleh Obbink (1993). Tabel 4. Contoh Perhitungan Akurasi Klasifikasi Penutupan Lahan Hasil Hasil Klasifikasi Citra Satelit Pengecekan A BCDE F GH Total Lapangan A 30 1 1 2 35 B5 38 C 34 7 D 5 12 8 E1 10 1 12 F4 04 G 24 6 H3 3 39 13 | A n a l i s i s C i t r a ( F r e e D o w n l o a d )

Handout Mata Kuliah Penginderaan Jauh Sumberdaya Hutan Dr. Ir. R.M. Sukarna, M.Si. 2020 Total 38 5 3 6 12 11 7 7 89 Akurasi keseluruhan = {(30+5+3+5+10+0+4+3)/89}x100% = 67% Sumber : Obbink (1993) REFERENSI Danoedoro, P. 1996. Pengolahan Citra Digital. Teori dan Aplikasinya dalam Bidang Penginderaan jauh. Fakultas Geografi Universitas Gadjah Mada, Yogyakarta. Green, E.P., Clark, C.D., Edwards, A.J. (2000) Geometric correction of satellite and airborne imagery, pp. 93‐108, in: Green, E.P., Mumby, P.J., Edwards, A.J., Clark, C.D., (Ed. A.J. Edwards). Remote Sensing Handbook for Tropical Coastal Management. Coastal Management Sourcebooks 3, UNESCO, Paris. Hoffer, R.M., 1978. Biological and Physical Considerations in Applying Computer Aided Analysis Techniques to Remote Sensor Data. pp 227 – 289. In : The Quantitative Approach, McGraw-Hill International Book Company New York. Lillesand, T.M. and Kiefer R.W., 2003. Remote Sensing and Image Interpretation. Fourth Edition, John Wiley & Sons, Inc. New York. Liang, S., 2004. Quantitative Remote Sensing of Land Surfaces. John Wiley and Sons, Canada Mather, P.M., 1987. Computer Processing of Remotely-Sensed Images. John Wiley and Sons. New York. Muchsin, F, Fibriawati, L, Pradhono, K.A., 2017. Model Koreksi Atmosferik Citra Landsat, Jurnal Penginderaan Jauh Vol. 14 No. 2 , 101 – 110. Obbink, M.H., 1993. Manual on Operational Digital Image Analysis for Land Cover / Land Use Mapping. Directorate general of Forest Inventory and Land Use Planning Ministry of Forestry, Indonesia and FAO The United Nations. 14 | A n a l i s i s C i t r a ( F r e e D o w n l o a d )