Jumat, 18 Maret 2011

Klasifikasi Citra


               Klasfikasi Interpretasi citra bertujuan untuk pengelompokkan atau membuat segmentasi mengenai kenampakan-kenampakan yang homogen. Klasifikasi yang akan dijelaskan dibawah ini adalah klasifikasi visual, dimana pengenalan penutup/penggunaan lahan sampai pada tahap fungsi dari lahan tersebut (misal, sawah, lading/tegalan, kebun campur, hutan, dll) yang kemudian dilakukan pendeleniasian (pemberian batas antara penutup/penggunaan lahan yang berbeda) langsung pada monitor komputer (digitation on screen).
Untuk dapat melakukan interpretasi, penafsir memerlukan unsur-unsur pengenal pada obyek atau gejala yang terekam pada citra. Unsur-unsur pengenal ini secara individual maupun secara kolektif mampu membimbing penafsir ke arah pengenalan yang benar. Unsur-unsur ini disebut unsur-unsur interpretasi, dan bayangan, tekstur, pola, situs, dan asosiasi.
Rona (tone) mengacu pada kecerahan relatif obyek pada citra. Rona biasanya dinyatakan dalam derajat keabuan meliputi 8 (delapan) hal, yaitu rona/warna, bentuk, ukuran, (grey scale), misalnya hitam/sangat gelap, agak gelap, cerah, sangat cerah/putih. Apabila citra yang digunakan itu berwarna, maka unsur interpretasi yang digunakan ialah warna (color), meskipun penyebutannya masih terkombinasi dengan rona, misalnya merah, hijau, coklat kekuningan, biru kehijauan agak gelap, dan sebagainya.
Bentuk (shape) sebagai unsur interpretasi mengacu ke bentuk secara umum, konfigurasi, atau garis besar wujud obyek secara individual. Bentuk beberapa obyek kadang-kadang begitu berbeda daripada yang lain, sehingga obyek tersebut dapat dikenali semata-mata dari unsur bentuknya saja.
Ukuran (size) obyek pada foto harus dipertimbangkan dalam konteks skala yang ada. Penyebutan ukuran juga tidak selalu dapat dilakukan untuk semua jenis obyek.
Pola (pattern) terkait dengan susunan keruangan obyek. Pola biasanya terkait pula dengan adanya pengulangan bentuk umum suatu atau sekelompok obyek dalam ruang. Istilah-istilah yang digunakan untuk menyatakan pola misalnya adalah teratur, tidak teratur, kurang teratur, kadang-kadang pula perlu digunakan istilah yang lebih ekspresif, misalnya melingkar, memanjang terputus-putus, konsentris dan sebagainya.
Bayangan (shadow) sangat penting bagi penafsir karena, dapat memberikan dua macam efek yang berlawanan. Pertama bayangan mampu menegaskan bentuk obyek pada citra, karena outline obyek menjadi lebih tajam/jelas, begitu pula kesan ketinggiannnya. Kedua bayangan justru kurang memberikan pantulan obyek ke sensor, sehingga obyek yang teramati menjadi tidak jelas.
Tekstur (texture) merupakan ukuran frekuensi perubahan rona pada gambar obyek. Tekstur dapat dihasilkan oleh agregasi /pengelompokan satuan kenampakan pohon dan bayangannya, gerombolan satwa liar di bebatuan yang terserak diatas permukaaan tanah. Kesan tekstur juga bersifat relatif, tergantung pada skala dan resolusi citra yang digunakan.
Situs (site) atau letak merupakan penjelasan tentang lokasi obyek relatif terhadap obyek atau kenampakan lain yang lebih mudah untuk dikenali, dan dipandang dapat dijadikan dasar untuk identifikasi obyek yang dikaji. Obyek dengan rona cerah, berbentuk silinder, ada bayangannya, dan tersusun dalam pola yang teratur dapat dikenali sebagai kilang minyak, apabila terletak didekat perairan pantai.
Asosiasi (assosiation) merupakan unsur yang memperhatikan keterkaitan antara suatu obyek atau fenomena dengan obyek atau fenomena lain, yang digunakan sebagai dasar untuk mengenali obyek yang dikaji.
Perlu diperhatikan bahwa dalam mengenali obyek, tidak semua unsur perlu digunakan secara bersama-sama. Ada beberapa jenis fenomena atau obyek yang langsung dapat dikenali hanya berdasarkan satu jenis unsur interpretasi saja. Ada pula yang membutuhkan keseluruhan unsur tersebut. Ada kecenderungan pengenalan obyek penutup/penggunaan lahan pada citra membutuhkan lebih banyak unsur interpretasi seperti pada diskripsi.
A. Klasifikasi Tak Terselia (Unsupervised Classification)
   Berbeda halnya dengan klasifikasi terselia, klasifikasi tak terselia secara otomatis diputuskan oleh computer, tanpa campur tangan operator (kalupun ada, proses interaksi ini sangat terbatas). Proses ini sendiri adalah suatu proses iterasi, sampai menghasilkan pengelompokkan akhir gugus-gugus spectral. Campur tangan operator terutama setelah gugus-gugus spectral terbentuk, yaitu dengan menamai tiap gugus spectral sebagai obyek tertentu.
B. Klasifikasi Terselia (Supervised Classification)
   Klasifikasi terselia diawali dengan pengambilan daerah acuan (training area). Pengambilan daerah acuan dilakukan dengan mempertimbangkan pola spectral pada setiap panjang gelombang tertentu, sehingga didapatkan daerah acuan yang baik untuk mewakili suatu obyek tertentu. (Projo Danoedoro, 2002).

Klasifikasi Penggunaan Lahan


Penggunaan lahan merupakan bentuk  campur tangan  manusia terhadap lahan  untuk memenuhi sebagian dari kebutuhan hidupnya .Meskipun  faktor campur tangan manusia relatif kuat , tetapi di dearah (misalnya di Indonesia) terdapat kecenderungan  bahwa  manusia  menyesuaikan  diri dengan kondisi lahannya. Topografi (relief) , ketersediaan air, dan sifat-sifat tanah merupakan faktor dominan yang  mendorong manusia cenderung  beradaptasi dengan  mengembangkan bentuk penggunaan lahan  yang  lebih sesuai.
Faktor-faktor tersebut diatas biasanya  berkaitan  dengan ekspresi medan  yang tampak lebih jelas pada citra . Medan atau terrain , menurut Townshend (1981) dapat diartikan sama dengan lahan , sehingga satuan medan biasanya sudah memuat  informasi mengenai penggunaan lahan ; sedangkan Huizing  et al (1990) cenderung mengartikan pada faktor fisiknya , sehingga pendefinisian medan dalam ‘kacamata’ geomorfologi dapatlah diterima.
Dengan melihat kaitan ekologis antara  bentuk penggunaan lahan dan faktor-faktor  tersebut, maka interpretasi citra  untuk pemetaan penggunaan lahan dapat menggunakan analisis medan.
Klasifikasi penggunaan lahan merupakan pedoman atau acuan dalam proses interpretasi apabila data pemetaan penggunaan lahan menggunakan citra penginderaan jauh. Tujuan klasifikasi supaya data yang dibuat informasi yang sederhana dan mudah dipahami. Sedangkan para ahli berpendapat Penggunaan lahan yaitu segala macam campur tangan manusia, baik secara menetap maupun berpindah – pindah terhadap suatu kelompok sumberdaya alam dan sumberdaya buatan, yang secara keseluruhan disebut lahan, dengan tujuan untuk mencukupi kebutuhan baik material maupun spiritual, ataupun kedua – duanya (Malingreau, 1978).
Pengelompokan objek-objek ke dalam klas-klas berdasarkan persamaan dalam sifatnya, atau kaitan antara objek-objek tersebut disebut dengan klasifikasi. Menurut Malingreau (1978), klasifikasi adalah penetapan objek-objek kenampakan atau unit-unit menjadi kumpulan-kumpulan di dalam suatu sistem pengelompokan yang dibedakan berdasarkan sifat-sifat yang khusus berdasarkan kandungan isinya. Klasifikasi penggunaan lahan merupakan pedoman atau acuan dalam proses interpretasi apabila data pemetaan penggunaan lahan menggunakan citra penginderaan jauh. Tujuan klasifikasi supaya data yang dibuat informasi yang sederhana dan mudah dipahami.
Sistem klasifikasi yang digunakan adalah klasifikasi penggunaan lahan menurut Malingreau dan Christiani, 1981. Contoh klasifikasi adalah sebagai berikut:

Table 1.3  klasifikasi Liputan Lahan/ Penggunaan Lahan Menurut Malingreau

Jenjang I
Jenjang II
Jenjang III
Jenjang IV
Simbol
1.   Daerah Bervegetasi
A.  Daerah Pertanian
1.   Sawah Irigasi

Si
2.   Sawah Tadah Hujan

St
3.   Sawah Lebak

Sl
4.   Sawah pasang surut

Sp
5.   Ladang/Tegal

L
6.   Perkebunan
-   Cengkeh
C
-   Coklat
Co
-   Karet
K
-   Kelapa
Ke
-   Kelapa Sawit
Ks
-   Kopi
Ko
-   Panili
P
-   Tebu
T
-   Teh
Te
-   Tembakau
Tm
7.   Perkebunaan Campuran

Kc
8.   Tanaman Campuran

Te

B.     Bukan Daerah Pertanian
1.      Huatan lahan kering
-   Hutan bambu
Hb
-   Hutan campuran
Hc
-   Hutan jati
Hj
-   Hutan pinus
Hp
-   Hutan lainnya
Hl
2.      Hutan lahan basah
-   Hutan bakau
Hm
-   Hutan campuran
Hc
-   Hutan nipah
Hn
-   Hutan sagu
Hs
3.      Belukar

B
4.      Semak

S
5.      Padang Rumput

Pr
6.      Savana

Sa
7.      Padang alang-alang

Pa
8.      Rumput rawa

Rr
II. Daerah tak bervegetasi
C.  Bukan daerah pertanian
1.   Lahan terbuka

Lb
2.   Lahar dan Lava

Ll
3.   Beting Pantai

Bp
4.   Gosong sungai

Gs
5.   Gumuk pasir

Gp
III. Permukiman dan lahan bukan pertanian
D.  Daerah tanpa liputan vegetasi
1.   Permukiman

Kp
2.   Industri

In
3.   Jaringan jalan


4.   Jaringan jalan KA


5.   Jaringan listrik tegangan tinggi


6.   Pelabuhan udara


7.   Pelabuhan laut


IV. Perairan
E.   Tubuh perairan
1.   Danau

D
2.   Waduk

W
3.   Tambak ikan

Ti
4.   Tambak garam

Tg
5.   Rawa

R
6.   Sungai


7.   Anjir pelayaran


8.   Saluran irigasi


9.   Terumbu karang


10.  Gosong pantai


Sumber: Malingreau, J.P. Rosalia Christiani, 1981 dalam Suharyadi (2001)

Citra Landsat 7ETM+


Satelit Landsat -7 merupakan implementasi lanjutan dari satelit – satelit sebelumnya (program satelit ERTS yang diberi nama baru Landsat) satelit berorbit sirkular dan sunsynchronous ini diluncurkan oleh Amerika Serikat pada tanggal 15 April 1999 dengan sudut inklinasi antara 98.2 hingga 99.1, ketinggian 705 km di atas ekuator, periode orbit setiap 99 menit, dapat mencapai lokasi yang sama setiap hari (repeat cycle), dan beresolusi radiometrik 8-bit (DN). Landsat- 7 hanya dilengkapi dengan sensor ETM+ buatan Raytheon Santa Barbara Remote Sensing di Santa Barbara, California. Tidak seperti seri-seri sebelumnya yang dilengkapi oleh beberapa sensor: (1) Landasat 1,2,3 dengan sensor MSS & RBV; (2) Landsat 4,5 dengan sensor TM & MSS ; (3) Landsat-6 gagal beroprasi (lost at launch) dilengkapi dengan sensor MSS & ETM; dan Landsat-7 hanya dengan ETM+. Sementara sensor MSS Landsat dengan resolusi spesialnya yang 80 meter sudah dinggap kadaluarsa. Citra – citra digital hasil perekaman sensor seri satlet Landsat – 7 yang berukuran 185 km x 185 km (1 scene) ini tersedia dalam beberapa kelas (level processing) :
·        Level o, Reformatted (oR, raw).
Pada kelas ini, piksel-piksel citra belum di-resample dan juga tidak dikoreksi  (registrasi)  secara geometris. Selain itu, kesalahan radiometrik seperti halnya  noise (impuls dan koheren).
·  Level 1, Radiometrically Corrected (1R RadCor)
Pada kelas ini, citra digital telah dikoreksi terhadap (sisa) kesalahan radiometric (nise, banding, striping, droped lines/pixels, dan kalibrasi kesatuan radian [koreksi warna ke nilai-nilai bilangan bulat]). Produk nilai digital kelas ini juga masih memerlukan pemrosesan lebih lanjut yang intensif.
·        Level 1, System Corrected (1G).
Kelas ini dapat di anggap sebagai produk standar bagi kabanyakan pengguna. Citra digital kelas ini telah terkoreksi secara radiometric, dan bebas secara distorsi terkait sensor (pengarih sudut pandang), satelit (devisi  ketinggian dari nominalnya), dan bumi (rotasi dan kelengkungan). Walaupun demikian, belum terkoreksi dari pengaru atmosfir. (Eddy Prahasta,2008).
Kekurangan dan masalah di sensor menyebabkan tampilan garis – garis yang kehilang data (striping). Masalah sensor seperti ini dapat menyebabkan DN (bilangan digital) pada setiap baris ke 16 data TM akan bernilai nol (terdapat 16 sensor di dalam setiap band TM dan 6 band untuk band MSS untuk sekali scanning). Hal serupa juga terjadi pada sensor ETM Landsat 7 yang malfunction sejak bulan Mei 2003.

a)      Karakteristik Produk
Tabel 1.1 Tabel Karakteristik level Landsat 7 ETM+
Level
Karakteristik
OR
Level ini dapat dikatakan sebagai data mentahnya Landsat 7, dimana dalam data Landsat belum mengalami koreksi radiometrik dan geometrik
1R
Produk pada level ini adalah level O-R yang telah mengalami koreksi radiometrik
1G
Produk pada level ini adalah level I-R yang telah mengalami koreksi geometrik pada proyeksi tertentu. Terdapat 7 pilihan proyeksi yang biasa digunakan yaitu:
v     Universal Transverse Mercator
v     Lambert Conformal Conic
v     Polyconic
v     Transverse Mercator
v     Polar Stereografik
v     Hotine Oblique Marcator A
v     Space Oblique Mercator

Table 1.2 Karakteristik dan kegunaan Band Satelit Landsat ETM+
Band
Spektrum
Panjang Gelombang (┬Ám)

Kegunaan
1
Biru
0,45 - 0,52
Tanggap terhadap penetrasi tubuh air
Mendukung analisis sifat khas penggunaan lahan, tanah dan vegetasi
2
Hijau
0,52 – 0,60
Mengindera puncak pantulan vegetasi, perbedaan vegetasi dan nilai kesuburan
3
Merah
0,63 – 0,69
Untuk memisahkan vegetasi
Memperkuat kontras kenampakan vegetasi dan non vegetasi
4
Inframerah dekat
0,76 – 0,90
Tanggap terhadap biomasa vegetasi dan identifikasi tanaman
Memperkuat kontras tanaman, tanah dan air
5
Inframerah jauh
1,55 – 1,75
Menentukan jenis tanaman dan kandungan air
Memebantu menentukan kondisi kelembaban tanah
6
Inframerah thermal
10,4 – 12,5
Deteksi perubahan suhu obyek
Analisis gangguan vegetasi
7
Inframerah sedang
2,08 – 2,35
Formasi batuan dan analisis bentuklahan
8


Pankromatik
0,50 – 0,90
Resolusi spasialnya relatif lebih tinggi
Digunakan untuk aplikasi yang memerlukan akurasi tinggi
Sumber: Hardiyanti, 2001 dan Lillesand & Kieffer (1996)