Gambaran Umum Penginderaan Jauh
Pengertian Penginderaan Jauh
Penginderaan jauh merupakan sebagai ilmu atau seni buat memperoleh berita tentang objek, daerah atau gejala menggunakan jalan memakai data yg diperoleh menggunakan menggunakan sautu alat tanpa hubungan secara eksklusif terhadap objek daerah atau tanda-tanda yang dikaji.
Sedangkan berdasarkan Kawamuna (2017) menyatakan penginderaan jauh didefiniskan menjadi ilmu dan teknologi yg herbi objek yang dikukur, didentifikasikan atau dianalisis karakteristiknya tanpa kontak langsung dengan objek yang dikaji.
Interpretasi Citra
Kawamuna (2017) menyatakan interpretasi citra merupakan perubuatan mempelajari foto udara & citra menggunakan maksud buat mengindektifikasi objek dan menilai arti pentingnya objek tersebut.
Ada tiga rangkaian aktivitas yg dibutuhkan pada pengenalan objek yg tergambar pada gambaran, yaitu :
- Deteksi merupakan pengamtan adanya suatu objek, misalnya pada gambaran sungai terdapat objek yang bukan air.
- Identifikasi merupakan upaya yang mencirikan objek yang telah didekteksi dengan menggunakan keterangan yang cukup.
- Analisis merupakan pengumpulan keterangan lebih lanjut.
Interpretasi citra adalah serangkaian aktivitas identifikasi, pengukuran penterjemah data-data dalam sebuah atau serangkaian data penginderaan jauh buat memperoleh kabar yg bermakna. Sebuah data penginderaan jauh dapat diturunkan poly liputan dari serangkaian proses interpretasi citra ini.
Dalam proses interpretasi, objek diidentifikasi dari dalam karakteristik yaitu : tareget dapat berupa titik, garis ataupun area dan terget harus dapat dibedakan menggunakan objek lainnya (Kawamuna, 2017).
Koreksi Citra & Koreksi Geometrik
Proses awal data gambaran atau pemulihan citra yang dilaksanakan buat mengurangi kesalahan-kesalahan akibat berdasarkan citra sendiri, yang didesain relatif sederhana, ad interim syarat sebenarnya sangat kompleks. Citra dibilang kompleks akibat dari resolusi spasial, resolusi spektral, resolusi temporal, resolusi radiometrik & lain-lain. Tahap awal berdasarkan proses data gambaran yaitu perbaikan citra.
Maksud berdasarkan perbaikan gambaran merupakan (Kawamuna, 2017):
- Mengembalikan citra dengan keadaan sebenarnya terhadap distorsi, degradasi, dan noise (gangguan).
- Memperkecil masalah kenampakan.
- Menyesuaikan kenampakan dengan tujuan penggunaan citra.
Dalam akuisisi citra satelit, distorsi akan bertambah seiring menggunakan perbedaan saat pembuatan peta dan akuisi citra kualitas menurut peta dasar yang kurang baik. Akibat menurut kesalahan geometrik ini, maka posisi piksel berdasarkan gambaran satelit tadi tidak sinkron dengan posisi yg sebenarnya (Kawamuna, 2017).
Analisa Citra Landsat 8
Pengolahan citra penginderaan jauh akan dikenal menggunakan memakai Image Analysis (IA) yang merupakan sebuah ekstension ArcView yg dibuat oleh ERDAS (developer berdasarkan perangkat lunak pengolahan citra penginderaan jauh yg poly digunakan). Hasil pengolahan citra penginderaan jauh nantinya sanggup dianalisa bersama-sama dengan data SIG lain memakai ekstension Spatial Analyst.
Perlu diingat bahwa IA bukan merupakan sebuah software yang dibuat khusus buat pengolahan citra sederhana dengan mengunakan platform ArcView (Lillesand, 1998).
Adapun hal-hal yang bisa dikerjakan oleh IA diantaranya adalah:
- Mengimpor citra (dalam bentuk data raster) untuk digunakan dalam ArcView.
- Mengklasifikasikan sebuah citra menjadi beberapa kelas tipe penutupan lahan seperti vegatasi.
- Mempelajari beberapa citra dari periode pengambilan yang berbeda untuk menentukan area yang mangalami perubahan.
- Mencari daerah dengan ttingkat kerapatan vegetasi tertentu dari sebuah citra.
- Menajamkan kenampakan sebuah citra dengan cara menyesuaikan kontras dan tingkat kecerahan atau dengan merentangkan histrogram.
- Merektifikasi sebuah citra terhadap sebuah peta acuan supaya posisi koordinat lebih akurat.
Kelebihan data landsat 8 adalah kanal Near Infra Red (NIR-Kanal 5) sehingga dengan memakai kombinasi RGB yg tepat (Khormarudin et al., 2015).
Region of Interest
Region of Interest adalah suatu bagian menurut gambaran yg dipilih buat kemudian diproses. Daerah tadi dibedakan menggunakan menggunakan penjabaran dan masking. Apabila piksel dalam mask sama dengan nol, proses tidak dijalankan. Setelah wilayah yang diinginkan ditemukan, wilayah tersebut ditandai dengan kotak buat membatasi daerah yg akan dikenali.
Proses Region of Interst (ROI) tidak selaras dengan block processing yg mana menentukan bagian citra yg adalah bagian citra yang dipakai pada pengolahan gambaran. Dalam ROI, citra bisa didefiniskan lebih menurut satu region (bagian). Bagian tersebut dapat berbentuk polygon yg berupa piksel yg contiguous atau berupa range menurut intensitas.
Dengan istilah lain, piksel tidak harus selalu continguous, ROI sangat membantu buat segmentasi pada lebih gampang dikenali, lantaran objek sudah akan dibagi dalam region-region eksklusif sinkron menggunakan citra objeknya (Tobing, 2018).
Klasifikasi Citra Multispektral
Klasifikasi dipakai buat mengelompokkan kenampakan-kenampakan tertentu yang memilki kecenderungan nilai spektral atau feature lain, menurut asosiasi, ukuran, dan lain sebagainya.
Klasifikasi citra merupakan suatu teknik yg diguakan buat menghilangkan liputan rinci dari datta input buat menampilkan pola-pola penting atau distribusi spasial buat mempermudah interpretasi & analisis citra sehingga berdasarkan gambaran tersebut diperoleh fakta yang bermanfaat atau sinkron menggunakan keperluan. Untuk pemetaan penutupan huma, hasilnya sanggup diperoleh menurut proses klasifikasi multispektral citra satelit (Hamli, 2015).
Klasifikasi multispektral merupakan alogaritma yg didesain buat menyajikan warta tematik menggunakan cara mengelompokkan kenyataan menurut satu kriteria yaitu nilai spektral. Klasifikasi ini diawali menggunakan memilih nilai piksel tiap objek sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersbut digunakan menjadi tambahkan dalam proses penjabaran. Perolehan kabar tutupan lahan diperoleh menurut warna dalam gambaran, analisis statik dan analisis grafis.
Analasis statik digunakan buat memperhatikan nilai rata-homogen, standar deviasi dan varian berdasarkan setiap kelas sampel yang diambil guna menentukan disparitas sampel. Sedangkan analisis grafis digunakan buat melihat sebaran-sebaran piksel pada suatu kelas. Dalam melakukan proses penjabaran gambaran terdapat dua cara umum yang acapkali dipakai yaitu supervised dan unsurpervised (Hamli, 2015).
1. Supervised (dengan Bimbingan)
Analisis dalam metode ini terlebih dahulu memilih beberapa training area (wilayah model) pada gambaran sebagai kelas kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analisis terhadap wilayah pada citra mengenai daerah-wilayah tutupan laham.
Nilai-nilai piksel pada wilayah model kemudian dipakai sang aplikasi personal komputer menjadi kunci untuk mengenali piksel lain. Daerah yang memilki nilai-nilai piksel homogen akan dimasukkan ke pada kelas yang telah dipengaruhi sebelumnya. Jadi metode ini, analisis mengindetifikasi kelas liputan terlebih dahulu yg kemudian dipakai buat memilih kelas spektral yang mewakili kelas warta tadi.
Adapun alogaritma yang sanggup dipakai buat menyelasikan metode supervised ini (Hamli, 2015), diantaranya:
1. Parallelepiped
Alogaritma paralelepiped adalah penjabaran yg menggunakan aturan keputusan sederhana buat mengklasifikasikan data multispektral. Batas-batas keputusan adalah parallelepiped n-dimensi pada ruang data gambar. Dimensi ini dipengaruhi dari batas deviasi baku dari rata-rata setiap kelas yg dipilih.
Dua. Minimum Distance
Alogaritma minimum distance merupakan pembagian terstruktur mengenai teknik jeda minimal menggunakan vektor rata-rata end member masing-masing dan menghitung jarak eculidean berdasarkan setiap piksel yg diketahui sang vektor rata-rata untuk masing-masing kelas.
3. Mahalanobis Distance
Alogaritma ini adalah pembagian terstruktur mengenai jarak arah pengklasifikasi sensitif memakai statistik buat masing-masing kelas. Hal ini mirip menggunakan klasifikasi maximum lokehood, tetapi menduga semua kovarin kelas merupakan sama dan karena itu memakai metode lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna memilih ambang batas jarak, pada hal ini beberapa piksel mungkin nir ditandai jika mereka nir memenuhi ambang batas.
4. Maximum Likehood
Alogaritma ini merupakan penjabaran yg mengamsumsikan bahwa statistik buat setiap kelas pada setiap band biasanya didistribusikan dan menghitung probalitas bahwa suatu piksel diberikan milik kelas tertentu. Jika probabilitas tertinggi lebih mini berdasarkan ambang batas yg dipengaruhi, piksel tetap tidak terklasifikasi.
Lima. Support Vector Machine
Alogaritma ini merupakan pembagian terstruktur mengenai yg asal berdasarkan teori belajar statistik yang memisahkan kelas dengan bagian atas keputusan yang memaksimalkan margin antara kelas.
6. Neural Net
Alogartima yg dipakai buat menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural.
2 .Unsupervised (tanpa Bimbingan)
Metode unsupervised adalah kebalikan menurut metode supervised, dimana nilai-nilai piksel dikemlompokkan terlebih dahulu oleh komputer ke pada kelas-kelas spektral menggunakan alogaritma klusterisasi.
Dalam metode ini, di awal proses biasanya analisis akan menentukan jumlah kelas (cluster) yang akan dibentuk. Kemudian setelah menerima output, analisis memutuskan kelas-kelas objek terhadap kelas-kelas spektral yg telah dikelompokkan oleh personal komputer . Dari kelas-kelas (cluster) yang dihasilkan, analisis mampu menggabungkan beberpa kelas yg dipercaya memilki berita yang sama menjadi satu kelas.
Adapun alogaritma yg bisa dipakai buat menuntaskan metode ini (Hamli, 2015), adalah:
1. Isodata
Alogaritma yang mengklasifikan kelas secara merata. Piksel-piksel diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana & mereklasifikasikan piksel sehubungan menggunakan cara baru. Iteratif membelah keals, penggabungan, dan menghapus dilakukan berdasarkan parameter input threshold. Proses ini berlanjut hingga jumlah piksel pada setiap perubahan kelas kurang berdasarkan ambang perubahan piksel yang dipilih atau jumlah maksimum perulangan tercapai.
Dua. K-means
Alogaritma yang menggunakan pendekatan analisis kelas yg mengharuskan analisis buat memeilih jumlah kelas yg beralokasi di data, sewenang-wenang ini menepatkan sejumlah pusat klaster, kemudian iteratif repositions mereka hingga keterpisahan spektral yang optimal dicapai. Klasifikasi ini pula menggunakan teknik jeda minimum. Setiap iterasi kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara baru.
Sumber :
Hamli, N. 2015. Klasifikasi Citra Multispektral dengan Menggunakan Aplikasi Envi. [Laporan Praktikum Penginderaan Jauh]. Universitas Negeri Malang. Malang.
Kawamuna, A. 2017. Analisis Kesehatan Hutan Mangrove dari Metode Klasifikasi NDVI dalam Citra Sentinel-2. Universitas Diponegoro. Semarang.
Khomarudin et al. 2015. Pedoman Pengolahan Data Penginderaan Jauh Landsat 8 untuk MPT. Pusat Pemanfaatan Penginderaan Jauh LAPAN. Jakarta.
Lillesand, K. 1998. Penginderaan Jauh & Interpretasi Citra. Gajah Mada University Press. Yogyakarta.
Tobing, F. M. 2018. Klasifikasi Tutupan Lahan Citra Landsat 8 menggunakan Software ENVI 5.Tiga. [Laporan Praktikum]. Institut Teknologi Sepuluh November. Surabaya.