TPJ I

1. Pengenalan Software Pengolah Citra (ER Mapper) (hal 1)

2. Pengenalan dan Pengolahan Citra Inderaja (hal 4)
3. Menyimpan Citra Hasil Olahan (hal 10)
4. Menampilkan Data Statistik Citra dan Menghitung
Nilai Optimum Indeks Faktor (OIF) (hal 12)
5. Restorasi Citra (hal 16)

TPJ II
6. Klasifikasi Citra Tak Terbimbing (hal 20)
7. Klasifikasi Citra Terbimbing (hal 25)
8. Rektifikasi Geometris Citra (hal 30)
9. Tingkat Ketelitian Hasil Interpretasi (34)
10. Pembuatan Peta Citra (37)
 Oleh : Sisno, SJ.

PRODI DIPLOMA III

PERENCANAAN SUMBERDAYA LAHAN/ILMU TANAH
FAKULTAS PERTANIAN
UNIVERSITAS JENDERAL SOEDIRMAN
2016
 PUSTAKA

Aronoff, Stan. 1989. GIS : a Management Perspective, WDL. Publication, Ottawa.

Attenuci John C. 1998. GIS a Guide to Technology. John Wiley and Sons, New York.
Bennema J., and H.F. Gelens, 1969, Aerial Photo-interpretation for Soil Surveys.
International Institute for Aerial Survey and Earth Sciences, ITC., Netherlands
Borrough, Peter A. 1986. Principles of GIS for Land Resources Assesment. Claderon
Press, Oxford.
Curran, Paul J., 1985. Principles of Remote Sensing. London, Longman
Danoedoro, Projo. 1996. Pengolahan Citra Digital, Teori dan Aplikasi dalam Bidang
Penginderaan Jauh. Fakultas Geografi Universitas Gadjah Mada, Yogyakarta
Goozen, D., 1967. Aerial Photo interpretation in Soil Survey. Soils Bull. 6, FAO, Rome
Jensen, John R., 1986. Introductory Digital Image Processing. A Remote Sensing
Perspective. Prentice-Hall International, A Division of Simon & Schuster, Inc.,
New Jersey.
Lillesand, T.M. dan R.W. Kiefer, 1994. Remote Sensing and Image Interpretation.
Third Edition. John Wiley and Sons, New York.
Myers, Victor I., 1979. Remote Sensing Applications in Agriculture, in Manual of Remote
Sensing Interpretation and Applications. American Society of Photogrammetry,
vol II., ch 33, p. 2180-2182
Mulders, M.A., 1987. Remote Rensing in Soil Science. Department of Soil Science and
Geology, Agricultural Univ. of Wageningen, Netherlands. ESEVIER-Amsterdam.
Paul Suharto. 1989. SIG : apa, Mengapa, dan Bagaimana. Buletin Survey dan Pemetaan,
Volume 7 Nomor 1 Tahun 1989.
Short. 1982. The Landsat Tutorial Workbook, Basic of Satellite Remote Sensing. NASA
Reference Publication 1078. Washington.
Sisno. 2002. Pemanfaatan Data Landsat TM dan SIG untuk Kajian Sebaran Salinitas
Tanah., Tesis S2 Program Studi Penginderaan Jauh, UGM, Yogyakarta
Sisno, 2009. Materi Kuliah Penginderaan Jauh No. 344.K/PNT.1.FP/12/2009. Fakultas
Pertanian Unsoed. Purwokerto
Sutanto. 1986. Penginderaan Jauh Jilid 1 dan 2. Gadjah Mada University Press,
Yogyakarta.
Swain, P.H. and S.M. Davis, 1978. Remote Sensing : The Quantitative Approach.
McGraw-Hill International Book Company. New York.
Verstappen H. Th., 1977. Remote Sensing in Geomorphology. Elsevier Scientific
Publishing Company. Amsterdam.
Vink, A.PA., 1975. Land Use in Advancing Agriculture. Berlin/Heidelberg: Springer.
 Acara 1
Pengenalan Software Pengolah Citra (ER Mapper)

A. Teori :

ER Mapper adalah salah satu software pengolah citra yang sering digunakan
untuk mengolah data awal yang berasal dari citra (foto udara, citra radar, maupun citra
satelit). Hingga sekarang ini ER Mapper telah banyak digunakan di kalangan
pemerintah, akademik, dan swasta terutama untuk menampilkan, mengolah,
menganalisis, dan memanipulasi data citra untuk suatu tujuan tertentu. ER Mapper dapat
dijalankan pada workstation dengan sistem operasi UNIX dengan sistem operasi
Windows NT dan Windows 95/98. ER Mapper mapu dengan mudah menampilkan dan
mengolah data raster; menampilkan dan mengedit data vektor; atau menghubungkan data
raster/ vektor dengan data dari sistem informasi geografik mapun sistem manajemen
basis data (database management).
ER Mapper bekerja menggunakan konsep pengolahan data yang dinamakan
algoritma (algorithm) yang memisahkan data citra dari tahapan-tahapan pengolahan citra
(image processing). ER Mapper didesain secara khusus untuk pengolahan data spasial
(kebumian) untuk berbagai keperluan seperti : pemantauan lingkungan; manajemen dan
perencanaan kota; manajemen sumberdaya hutan; evaluasi sumberdaya lahan; eksplorasi
mineral, minyak bumi dan gas; manajemen sumberdaya air; manajemen sumberdaya
pantai dan laut; dan mitigasi bencana alam, seperti banjir, longsor, kebakaran hutan, dan
stunami.
ER Mapper pertama kali diluncurkan oleh Earth Resource Mapping Pty. Ltd. San
Diego, California USA sekitar tahun 1980-an yaitu ER Mapper Versi 5.0 yang
menyajikan kemampuan pengolah citra digital yang lengkap. Perkembangan berikutnya
adalah ER Mapper Versi 5.5, ER Mapper Versi 6.0; dan ER Mapper versi 6.4; dan yang
terbaru adalah ER MAPPER Versi 7.0. Kemajuan piranti lunak pengolah citra digital ini
masih merupakan suatu pre launching terhadap versi-versi selanjutnya, sehingga tidak
mengherankan dalam waktu yang relatif cepat terjadi perubahan versi yang cukup
spektakuler, terutama pada modul kompresi datanya.

B. Tujuan
1. Menginstall ER Mapper ke dalam Personal Computers Unit (CPU)
2. Membuka dan menjalankan program ER Mapper untuk pengolahan data.
3. Mengenal dan memahami prinsip kerja ER Mapper

C. Bahan dan Alat

1. Seperangkat komputer yang dilengkapi dengan CD Room dan USB Mass Storage
Device Manager.
2. Program ER Mapper (versi 6.4 atau versi 7.0)
3. Cakram (CD) atau Flashdisk untuk penyimpanan data hasil praktikum.

1
D. Cara Kerja
1. Hidupkan komputer, catat spesifikasi hardware dan software yang telah diinstall di
komputer (terutama yang berkaitan dengan data grafis).
2. Install program ER Mapper yang disediakan ke CPU sesuai sesuai petunjuk (demo).
3. Buka Program ER Mapper dengan klik dua kali icon ER Mapper pada desktop.
Catat menu utama (main menu) dan kegunaannya yang ada pada program tersebut
dalam bentuk tabel hasil pengamatan.

E. Hasil Pengamatan

1. Spesifikasi komputer yang sedang dijalankan (tuliskan pada tabel di bawah ini)
No Jenis/ macam Tipe / merek Kapsitas Kegunaan
Laptop Aspire
1 4732Z 14.0 inch -
(LCD monitor)
Intel Pentium
2 Processor Dual core CPU, 2.2 GHz; 800MHz Pengolah data
T4400
Simpan data
3 Memory .............. 1 GB
sementara
4 Harddisk .............. 320 GB Simpan data
Penggerak
5 Drive (DVD) .............. GT31N
cakram
6 ............. ............. ............. .............
7 ............. ............. ............. .............
8 ............. ............. ............. .............
9 ............. ............. ............. .............
10 ............. ............. ............. .............

Gambar 1. Laptop ASPIRE 4732Z dengan prosesor : Pentium®

Dual core CPU, T4400, 2.2 GHz, 1 GB Memory

2
2. Spesifikasi Program Er Mapper yang dijalankan :
1. Jenis program : Tuliskan spesifikasi program yang saudara jalankan (Misal :
ERMapper 6.4 produksi Earth Resource Mapping Pty. Ltd. San Diego, California)
2. Menu Utama : Tulis dalam tabel di bawah ini macam, bentuk, dan kegunaan dari
menu utama yang ada pada program saudara

Menu
Bentuk Kegunaan
Utama
Menu bar Huruf : - Menjalankan setiap operasi program
1. File 1. Membuka file yang akan dikerjakan
2. Edit 2. Mengedit data
3. ……. 3. …..

Toolbar Gambar : - Menjalankan operasi program secara otomatis

1. 1. Membuka file data algorithma ke jendela windows
2. 2. Menyimpan data algorithma
3 …. 3. ……
Tool tips Tulisan di Menambah keterangan operasi pada toolbars yang
bawah tool- dijalankan :
bar button
1. ……….. 1. Menyimpan data algorithma
2. 2. ………………..

3
 Acara 2.
Pengenalan dan Pengolahan Citra Inderaja
A. Teori

Citra atau Image adalah gambaran obyek permukaan bumi atau dekat permukaan
dalam suatu bidang datar. Gambaran obyek fisik permukaan bumi atau dekat permukaan
bumi yang terkait dengan teknologi Inderaja berupa fisiografi daerah, bentuk lahan,
vegetasi, tubuh air (sungai, danau, waduk, rawa, laut), tanah, batuan, awan, bangunan,
jalan, pola jalan, pola aliran air dan sebagainya. Citra diperoleh melalui suatu teknologi
penginderaan jauh yang dapat divisualisasikan pada layar monitor sebagai data raster
maupun data vektor, atau dapat ditampilkan dalam suatu hasil cetak (hardcopy). Citra
yang sering digunakan di Indonesia untuk kajian sumberdaya lahan dapat berupa citra
foto udara yang diperoleh melalui fotografi, citra satelit (MSS, Landsat, SPOT, NOA)
yang diperoleh melalui hasil scanning (penyiam), dan citra radar yang diperoleh melalui
perekaman gelombang radio(radar).
Untuk mendapatkan informasi yang diliput dalam suatu citra dilakukan melalui
interpretasi secara visual dan atau digital. Secara visual, interpretasi dilakukan pada citra
monoskopis maupun citra strereoskopis. Secara digital, interpretasi dilakukan
menggunakan komputer yang dilengkapi software pengolah citra menggunakan metode
klasifikasi spektral. Salah satu software yang biasa digunakan untuk membantu
mendapatkan informasi obyek yang direkam pada suatu citra digital adalah ER Mapper.
Melalui teknologi pengolah citra tersebut, data yang terekam pada citra dapat diolah,
dianalisis dan dimanipulasi sedemikian rupa sehingga menghasilkan suatu keluaran
(output) baru yang sangat berguna untuk berbagai keperluan pembangunan, diantaranya
adalah untuk evaluasi kemampuan dan kesesuaian lahan, evaluasi kesuburan lahan,
evaluasi kerusakan tanah akibat erosi dan longsor, monitoring perkembangan kota,
monitoring kebakaran hutan, prediksi dan monitoring bencana alam, eksplorasi
sumberdaya alam, dan sebagainya.
Citra umumnya disimpan dalam pita magnetik (magnetic tape), hard disk,
dan penyimpan data lain dalam format penyimpanan GeoTIFF (.Tiff), ARC/INFO BILL
(.hdr), JPEG, LAN, dan sebagainya dalam struktur data raster dan vektor. Untuk bisa
dibuka dan diolah menggunakan ER Mapper harus diekspor/ ditransformasi dahulu. Data
raster adalah tipe data yang menjadi bahan utama kegiatan pengolahan citra. Pada saat
import data, ER Mapper akan membuat dua file baru, yaitu (1) file data binari yang
berisikan data raster dalam format BIL (Binary Interleaved by Line) tanpa file extention,
dan (2) file header dalam format ASCII dengan extention *.ers. Data vektor adalah
salah satu jenis data masukan yang disimpan dalam bentuk titik (point), garis (line) dan
area (polygon). ER MAPPER akan mengkonversi data vektor tersebut dalam dua buah
file data, yaitu (1) file data ASCII yang mengandung data vektor, dan (2) file header
dalam format ASCII dengan extention *.erv.
Cara yang digunakan untuk bisa melihat tampilan citra menggunakan ER Mapper
adalah (1) pseudocolor, (2) red-green-blue (RGB), dan hue-saturation-intensity (HSI).
Dalam ER Mapper, pilihan warna untuk tampilan citra tersebut dinamakan dengan color
mode. Semua informasi dalam suatu citra disimpan dalam bangunan dasar algoritma
yang meliputi sumber data, warna-warna yang digunakan untuk tampilan, dan tahapan-
tahapan pengolahan data secara detil. Color mode sebagai salah satu alat (tools) yang

4
digunakan untuk mengolah citra yang terdiri dari satu atau lebih saluran spektral (band)
secara bersama-sama dalam aneka kombinasi warna yang diinginkan user. Fasilitas lain
yang disediakan ER Mapper diantaranya adalah filter (untuk mempertajam tampilan),
formula (untuk mengkombinasikan data band-band suatu citra), mosaik (untuk
menggabungkan dua atau lebih citra yang saling bertampalan), dynamic link (untuk
menghubungkan data eksternal dengan data raster citra), statistik (untuk menghitung
informasi spektral dan spasial suatu citra), klasifikasi (untuk mengklasifikasikan gugusan
piksel yang mempunyai kisaran nilai spektral tertentu), rektifikasi (untuk melakukan
koreksi radiometris, dan/ atau geometris suatu citra), dan layout (tampilan citra yang
sudah diolah untuk dapat dicetak).

B. Tujuan
1. Mengetahui karakteristik visual tampilan obyek air, tanah/ bangunan, dan vegetasi
yang terekam pada citra penginderaan jauh.
2. Mengimpor, menampilkan dan menyimpan citra digital
3. Mengenali data statistik citra
4. Mengkroping dan menyusun mozaik data citra
5. Membedakan kualitas citra Landsat dengan SPOT untuk kajian spasial

C. Bahan dan Alat

1. Seperangkat komputer yang dilengkapi piranti lunak ER Mapper
2. Citra penginderaan jauh, meliputi :
a. Citra Landsat ETM
b. Citra SPOT 5, dan
c. Peta RBI dan Peta Tentatif (Peta Geologi dan Peta Tanah)

D. Cara Kerja :
Tampilan Citra greyscale (hitam putih) pada Saluran tunggal (Monospektral) :
1. Cari dan catat spesifikasi atau keterangan dari berbagai sumber yang dapat sudara
akses untuk lebih mengenali ke dua citra satelit tersebut.
2. Buat folder baru dengan nama dan NIM saudara di drive C:/Nama_NIM
3. Buka Program ER Mapper.
4. Buka dataset yang ada dengan cara klik New Image Windows pada Toolbar, dan
klik View Algorithm for Image Window; kemudian klik Load Datasetnya.
5. Pada jendela Raster dataset, pilih file data citra yang akan dibuka dan kemudian
klik Apply dan klik OK.
6. Pada jendela Algorthm, klik Layer, dan kemudian periksa dan catat macam dan
jumlah saluran spektral (band) dari file data.yang sedang dibuka; kemudian klik
Run Algorithm (GO), maka citra akan ditampilkan pada jendela algorithm dengan
warna pseudo (greyscale color), amati dan catat tampilan citranya.
7. Pada jendela Algorithm klik Surface dan gantilah color table-nya dari
pseudocolor menjadi greyscale, ampphase, elevation, rainbow, spectrum, dan
unique yang terdapat pada Lookup Table, amati dan catat perubahan warna
tampilan citra yang muncul.

5
Gambar 2. Membuat folder baru dengan nama_NIM saudara untuk menyimpan citra
hasil olahan dan laporan yang saudara buat.

Gambar 3. Prosedur dan tampilan citra Landsat ETM Pseudolayer-Greyscale pada

Band1.
Tugas : 1. Bandingkan tampilan citra Landsat ETM pada Band2, Band3,
Band4, Band5 dan Band7); tampilan pada Band berapa yang
paling jelas menurut visual saudara ?; mengapa demikian ?.
2. Berapa panjang gelombang (µm) dari ke-6 Band spektral citra
Landsat ETM tersebut.
6
Tampilan Citra berwarna (RGB) pada beberapa Band (Multispektral) :
8. Pada jendela Algorthm, klik kanan pada [Ps]: Default Surface dan klik (ganti)
dengan Red Green Blue. Kemudian gantilah Pseudo Layer di bawah kolom
default surface dengan Red sehingga menjadi Red Layer.
9. Klik krusor di kolom Red Layer dan kemudian copy (duplicate) dua kali,
sehingga muncul 3 kolom Red Layer.
10. Dengan klik kanan pada mouse, gantilah kolom ke-2 dan kolom ke-3 (Red Layer)
masing-masing menjadi Green Layer dan Blue Layer.
11. Kemudian pada kolom Load Dataset, ganti atau isikan Band3 untuk Red Layer,
Band2 untuk Green Layer; dan Band1 untuk Blue Layer. Perhatikan dan catat
perubahan tampilan citranya. (Tampilan citra tersebut adalah tampilan citra
[RGB]: TRUE COLOR).

Gambar 4. Prosedur merubah tampilan citra greyscale Monospektral menjadi

tampilan citra komposit warna [RGB]

7
 Gambar 5. Tampilan citra Landsat ETM komposit (Multispektral) [RGB]: 321
(warna asli/ true color)

Transformasi spektral (memperjelas tampilan citra komposit warna (RGB) :

12. Guna memperjelas tampilan, klik Create default linier transform-nya, pilih dan
gantilah dengan Histogram equalized.

Gambar 6. Prosedur memperjelas tampilan citra komposit warna [RGB]: 321 melalui
transformasi histogram citra menggunakan metode Histogram equalized.

8
Gambar 7. Tampilan citra komposit warna [RGB]: 321 setelah ditransformasi
menggunakan metode Histogram equalized dan kurva histogramnya.
Tugas : 1. Bandingkan dengan tampilan citra sebelum dengan sesudah
ditransformasi menggunakan metode Histogram equalized.
2. Buat dan amati tampilan citra Landsat ETM komposit [RGB]:
342, 432, 357, dan 743. Catatlah perubahan warna obyek
vegetasi hutan dan sawah dari seluruh tampilan citra
komposit RGB yang saudara buat tersebut !.

9
 Acara 3.
Menyimpan Citra Hasil Olahan
A. Teori

Pada dasarnya semua citra digital yang telah terekam oleh sensor dan disimpan
dalam format yang dapat dibaca oleh program pengolah citra akan dapat ditampilkan
pada layar monitor. Format penyimpanan file data citra hasil olahan menggunakan
ERMapper antara lain dalam bentuk GeoTiff/ tiff; Windows BMP (.bmp); JPEG (.jpg);
ESRI BILL and GeoSPOT (.hdr); ER Mapper Virtual Dataset (.ers); ER Mapper Raster
Dataset (.ers); dan ER Mapper Algorithm (.alg). Selain itu data hasil olahan seperti peta
vektor (.erv), tampilan citra 3 dimensi, tabel, dan hasil alahan khusus menggunakan
fungsi matematik juga dapat disajikan secara interaktif melalui program ER Mapper ini.
Agar citra hasil olahan nantinya dapat dengan mudah ditampilkan/ ditayangkan
kembali dan diolah lebih lanjut, maka semua file data hasil olahan harus disimpan dalam
folder terpisah dari folder sumber data yang diolah. Semua jenis file data hasil olahan
disimpan dengan nama file yang sederhana, singkat dan mudah diingat. Satu file data
dapat disimpan dalam berbagai format (.tiff, .hdr, .ers, dan alg), misal : SbgLandsat.hdr;
SbgLandsat.ers; SbgLandsat.alg; SbgLandsat.tiff, dan SbgLandsat.erv).

B. Tujuan
1. Menata berbagai file data hasil olahan seefektif dan seefisien mungkin sehingga
mudah dicari, ditayangkan kembali, dikelola dan dimanfaatkan oleh pengguna
untuk berbagai tujuan.
2. Menyimpan citra hasil olahan dalam format Virtual Dataset dan Raster Dataset
(.ers), Algorithma (.alg), dan GeoTiff (.tiff).

C. Bahan
1. Citra Landsat ETM multispektral (6 saluran spektral)
2. Citra SPOT 5 Pankromatik dan SPOT 5 Multispektral.

D. Cara Kerja

1. Setelah tampilan citra pada Acara 2 benar-benar dinilai sudah OKE banget, maka
pada menu utama klik File > Save As atau klik ikon Save As..

2. Pada jendela Save As.. simpanlah file data tersebut pada foler simpanan yang
saudara buat sebelumnya (C:\Nama_NIM\ ...........) dengan nama yang mudah
suadara ingat, misal : SbgLandsat 432. Format simpanan yang saudara lakukan
berturut-turut adalah : .tiff, .hdr. .ers. dan .alg
10
Gambar 8. Jendela penyimpanan file data citra hasil olahan pada folder
saudara (Nama_NIM) dengan nama: SbgLandsat.tiff (simpanan
berikutnya adalah SbgLandsat.hdr; SbgLandsat.ers (virtual dan
raster); dan SbgLandsat.alg).

11
 Acara 4.

Menampilkan Data Statistik Citra dan Menghitung Nilai

Optimum Indeks Faktor (OIF)
A. Teori

Pada dasarnya semua citra digital mengandung informasi/ data statistik yang
dapat ditayangkan menggunakan fungsi algorithma. Data statistik dalam suatu citra
berupa : (1) jumlah saluran spektral; (2) jumlah piksel atau luas area liputan (dalam
hektar dan acre); (3) resolusi spasial/ ukuran piksel; (4) tingkat kecerahan piksel (dalam
8 bit atau 256 tingkatan); dan (5) koordinat citra. Data statistik tersebut sangat penting
dan diperlukan pada waktu interpretasi citra. Pada citra multispektral, semua obyek
liputan pada suatu daerah yang sama direkam menggunakan sensor dengan beberapa
saluran spektral sekaligus. Citra Landsat ETM menyajikan tampilan obyek pada daerah
liputan yang sama pada 8 saluran spektral sekaligus. Citra SPOT 5 menampilkan obyek
liputan pada daerah yang sama pada 4 saluran multi spektral dan 1 saluran pankromatik
dengan resolusi spasial yang berbeda.
Pada citra multispektral yang ditampilkan secara komposit (RGB), perbedaan
nilai spektral obyek-obyek yang terekam pada citra sangat berguna untuk meningkatkan
kemampuan interpreter dalam mengenali dan membedakan obyek-obyek yang terekam.
Sebagai contoh, suatu obyek (gugusan pixel) tertentu pada saluran spektral tertentu
(misalnya : TM2) masih dapat dikenali dengan baik dan memiliki korelasi yang positif
pada saluran spektral yang lain (misal, TM3). Hubungan informasi spektral obyek yang
terekam antar beberapa saluran spektral cenderung bersifat linier. Semakin tinggi nilai
koefisien korelasi antar saluran (misal TM2 dengan TM3) menunjukkan kedua saluran
spektral tersebut cenderung memiliki kemampuan untuk menampilkan informasi obyek
yang sama, sehingga kedua saluran spektral tersebut kurang dapat diandalkan untuk
analisis multispektral. Untuk mengetahui tampilan citra multispektral yang paling baik
(berkualitas) untuk membedakan berbagai jenis obyek yang terekam dilakukan analisis
Optimum Indeks Faktor (OIF). Besarnya nilai OIF diukur dari simpangan baku (standard
deviasi) dan nilai koefisien korelasi (correlation matrix) tiap saluran yang
dikompositkan. Semakin tinggi nilai OIF-nya, menunjukkan citra komposit yang
digunakan semakin baik.
3
 Sk
OIF  k 1 ...........................................2
3
 Ab s ( rj)
j 1

OIF = Optimum indeks faktor

Sk = Simpangan baku 3 saluran spektral yang dikompositkan
Abs = Besarnya nilai korelasi antar saluran spektral dari tiga slauran spektral
yang dikompositkan.

12
 Contoh : Citra Landsat 7 ETM+ yang ditampilkan pada kombinasi saluran
spektral RGB 321, menunjukkan nilai statistik sebagai berikut :

Maka nilai OIF-nya adalah :

7,622  9,122  15.931
OIF   0,937
0,963  0,931  0,962

Bila citra yang sama ditampilkan pada kombinasi saluran RGB 432, maka nilai
OIF-nya adalah :

12,299  15,647  8,833

OIF   129,5
 0,388  ( 0,289)  0,961

Contoh di atas, menunjukkan bahwa tampilan citra Landsat ETM dengan

komposit [RGB]: 432 mepresentasikan kenampakan obyek-obyek terekam yang lebih
baik dibanding tampilan citra pada kombinasi [RGB]: 321.

13
B. Tujuan
1. Mengetahui nilai statistik citra Landsat ETM dan citra SPOT 5
2. Mengetahui manfaat/ kegunaan nilai statistik yang ada pada citra Landsat ETM
dan SPOT 5.
3. Menghitung besarnya korelasi antar saluran dan nilai OIF citra Landsat ETM dan
SPOT 5.

C. Bahan
1. Citra Landsat ETM multispektral
2. Citra SPOT 5 multispektral.

D. Cara Kerja
Menampilkan Citra Hasil Olahan :
1. Tampilkan citra yang saudara simpan dalam forder saudara, catat jenis citra dan
jumlah saluran spektralnya.
2. Pada menu utama klik Process klik Calculate Statistics..... Pada kotak Calculate
Statistics.. buka dataset citra yang akan diketahui nilai statistiknya (file.ers), klik
OK. Tunggu sampai proses penghitungan selesai, kemudian tutuplah semua
jendela perintah yang tampak.
3. Pada menu utama klik View.. klik Statistics....klik Show Statistics.. Pada kotak
Input Dataset pada jendela Statistics Report.. isikan file data yang baru
dikalkulasi, dan kemudian klik Display., maka muncul jendela Display Dataset
Statistics.

Gambar 9. Jendela perintah untuk proses pengkalkulasian data statistik citra

14
4. Perhatikan data statistik yang ada pada jendela Display Dataset Statistics tersebut.

Gambar 10. Tampilan data statistik citraLandsat ETM 6 Band (pada jendela
tersebut Band 6 sebenarnya adalah Band 7).
Keterangan :
1. Citra Landsat tersebut terdiri dari 6 saluran spektral dan tiap-tiap saluran
spektral terdiri dari 425152 piksel dengan luas area liputan 38282,613
hektar atau 94598,404 acre.
2. Nilai pantulan spektral minimum terjadi pada Band7 yaitu 12 dan
maksimum terdapat pada semua Band. Beda nilai pantulan spektral
(maksimum – minimum) pada Band1, Band2, Band3, Band4, Band5, dan
Band7 berturut-turut adalah 200; 216, 227, 236, 237, dan 243. Hal ini
menunjukkan tingkat kekontrasan pantulan spektral obyek pada Band1 yang
paling rendah dan pada Band7 paling tinggi;
3. Standar deviasi pada tiap saluran spektral berbeda-beda, yaitu 35,232
(Band1); 37,101 (Band2); 40,815 (Band3); 26,197(Band4), 34,009 (Band5),
dan 32,000 (Band7).
4. Korelasi antar saluran antara Band2 dengan Band3 adalah 0.991, Band2
dengan Band5 adalah 0,908; dan Band3 dengan Band5 adalah 0,912.

Tugas :
1. Menggunakan persamaan 2, hitunglah Nilai OIF-nya bila citra Landsat
tersebut ditampilkan pada kombinasi spektral [RGB]: 354; [RGB]: 471 dan
[RGB]: 432. Citra komposit manakah yang terbaik.
2. Lakukan penghitungan statistik pada citra SPOT 5 Multispektral.

15
 Acara 5
Restorasi Citra
A. Teori

Pada dasarnya semua citra digital yang telah terekam oleh sensor dan disimpan
dalam format yang adapat dibaca oleh program pengolah citra akan dapat ditampilkan
pada layar monitor. Melalui layar monitor tersebut, akan dapat dilihat dengan jelas
kualitas citranya apakah baik atau buruk. Penilaian kualitas citra dapat ditentukan secara
kualitatif dan/ atau secara kuantitatif. Karena hampir semua citra penginderaan jauh
tidak lepas dari “kesalahan” yang diakibatkan oleh mekanisme perekaman sensornya,
gerak dan ujud geometri bumi, serta kondisi atmosfer pada waktu perekaman, maka
diperlukan restorasi citra.
Restorasi citra dilakukan guna meningkatkan kualitas citra yang ditampilkan
melalui layar monitor sehingga mempermudah penurunan informasi baru dari suatu
kenampakan obyek yang terekam pada citra untuk tujuan tertentu. Restorasi citra
umumnya dilakukan untuk meningkatkan kualitas radiometrik dan kualitas geometrik
citra. Kualitas radiometrik citra dinilai berdasarkan enak tidaknya gambar dalam
pandangan dan benar tidaknya informasi spektral obyek yang ditampilkan dan tercatat
oleh sensor. Kualitas geometrik citra dinilai secara kuantitatif berdasarkan benar atau
salahnya bentuk serta posisi obyek pada citra dengan kondisi sebenarnya di lapangan
atau pada peta dengan proyeksi tertentu.
Penilaian kualitas citra dapat dilakukan secara absolut mengacu pada tolok ukur
yang jelas, seperti persentase liputan awan, banyaknya drop-out baris, serta korelasi antar
saluran. Penilaian kualtas citra secara relatif dapat dilakukan berdasarkan potensi citra
untuk suatu aplikasi tertentu, seperti aplikasi survei geologi, hidrologi, pedologi,
mineralogi, vegetasi, tata kota, urbanisasi, dan survei penggunaan lahan.
Koreksi radiometris citra umumnya dilakukan dengan pengisian kembali baris
yang kosong (drop out) pada waktu awal pelarikan, dan meningkatkan nilai kecerahan
citra akibat gangguan atmosfer. Koreksi radiometrik dapat dilakukan dengan cara antara
lain : (a) penyesuaian histogram, (b) penyesuaian regresi, bdan (c) kalibrasi bayangan.
Asumsi yang digunakan dalam koreksi radiometrik citra menggunakan metode
penyesuaian histogram adalah bahwa semua obyek yang memberikan respon spektral
paling rendah atau tidak memberikan respon sama sekali nilainya 0 (nol). Apabila
ternyata nilainya lebih besar dari 0 (nol), maka nilai tersebut dihitung sebagai offset, dan
koreksi dilakukan dengan mengurangi keseluruhan nilai pada saluran tersebut dengan
offsetnya.
Dalam praktiknya, peningkatan kualitas radiometrik citra juga dapat dilakukan
dengan menggunakan beberapa operasi pengolahan citra , seperti penajaman citra (image
enhancement) dan pemfilteran (filtering). Penajaman citra dilakukan melalui operasi
perentangan kontras (contrast stretching) dan ekualisasi histogram (histogram
equalization). Dalam beberapa program pengolah citra, operasi penajaman citra
dilakukan menggunakan proses transformasi ctra, yaitu :

BV input – BV min
BV output = ----------------------------------- x 255 . . . . . . . . . . . . . . . . . .3
BV maks – BV min

16
 BV output adalah nilai kecerahan baru hasil transformasi, BV input adalah
sembarang nilai kecerahan piksel pada citra yang menjadi masukan, BV min dan BV
maks adalah nilai kecerahan piksel minimum dan maksimum pada citra asli. Nilai
koefisien 255 dimaksudkan untuk mendapatkan citra baru dengan julat antara 0-255.
Pemfilteran (filtering) adalah suatu cara untuk mengekstraksi bagian data
tertentu dari suatu himpunan data dengan menghilangkan atau memanipulasi bagian data
yang tidak diinginkan. Terdapat dua macam teknik operasi pemfilteran yang biasa
diterapkan pada suatu citra, yaitu : High-pass filter dan Low-pass filter. High-pass filter
menghasilkan citra dengan variasi kecerahan yang lebih besar dari citra aslinya,
sebaliknya Low-pass filter menghasilkan citra dengan variasi kecerahan yang lebih
rendah atau memperhalus kenampakan citra.
Koreksi geometris citra dilakukan dengan penempatan kembali posisi piksel
sedemikian rupa sehingga diperoleh tampilan citra yang memiliki sistem koordinat dan
skala yang sesuai. Koreksi geometri citra dilakukan berdasarkan data rujukan yang
diperoleh dari hasil pengukuran koordinat geografi di lapang dan/ atau di peta. Ada tiga
metode operasi algoritma untuk koreksi geometris, yaitu (a) nearest neighbor, (b) bi-
linear, dan (c) cubic convolution.
Untuk koreksi radiometris dan koreksi geometris, ER Mapper telah dilengkapi
dengan fasilitas penajaman kontras dan filtering secara otomatis melalui perintah Edit
Transform Limits dan Edit Filter (Kernel), serta Rectification dengan tipe rektifikasi
polynomial dan triangulated dan rectification sampling nearest neighbor, bilinear, dan
cubic. Tingkat ketelitian koreksi geometris dapat dilihat dari RMS-error yang terdapat
dalam jendela GCP Editnya, umumnya kurang dari 0.04.

B. Tujuan
1. Memperbaiki kesalahan radiometri citra
2. Memperbaiki kesalahan geometri cita

C. Bahan
1. Citra Landsat TM
2. Peta Rupa Bumi Daerah Kajian

D. Cara Kerja

Restorasi Radiometrik Citra

A. Penajaman Citra
1. Buka citra Landsat ETM multispektral pada pseudolayer dan pilih Band1 ( panjang
gelombang () = 0.485 µm). Pada jendela Algorithm klik Edit Transform Limits.
Pada jendela Transform, catat Histogram style-nya (= De-Quantized), klik Create
default linear transform dan catat Actual Input Limit-nya (nilai 55 to 255).
2. Pada jendela Transform terdapat sembilan kotak pilihan metode transformasi
(koreksi) radiometris yang disediakan, pilih dan klik Create autoclip transform,
kemudian klik Refresh Image dan perhatikan perubahan bentuk kurva
transformasi yang muncul pada jendela transform. Dan perhatikan
perubahan tampilan citranya.
3. Lakukan transformasi lagi menggunakan metode yang lain (misal : Histogram
equalize, Gaussian equalize, Level slice transform, atau lain ).
17
4. Lakukan hal yang sama pada band-band yang berikutnya dan bandingkan hasilnya.

(A)

(B)

(C)

Gambar 11. Citra Landsat ETM pada Band1:

(A) sebelum direktifikasi radiometris,
(B) ditransformasi menggunakan metode autoclip transform; dan
(C) ditransformasi menggunakan metode histogram equalize.

Tugas : Citra Landsat pada saluran spektral berapakah yang menunjukkan

tampilan yang paling baik (paling cerah) dan berikan penjelasan
berdasarkan teori yang saudara pelajari.

18
B. Pemfilteran
5. Buka lagi file Citra pada saluran pseudolayer dan pilih Band 1 (0.485 µm). Pada
jendela Algorithm klik Edit Filter (Kernel) . Pada jendela filter, aktifkan
kotak Process at dataset resolution. Catat nomor baris, nomor kolom, deskripsi,
tipe filter, dan matriknya.
6. Pada kolom Filter filename lakukan drop-down dengan kursor, dan pada jendela
Load filters pilih dan klik filter_Gaussian, klik std_dev_1.6.ker, kemudian klik
OK.
7. Perhatikan perubahan isi jendela Filter-nya, catat data-data yang ditampilkan
tersebut.
8. Kemudian pada jendela Algorithm, klik GO. Perhatikan dan catat perubahan
tampilan citranya.
9. Lakukan cara yang sama dengan filter yang lain yang terdapat pada jendela Load
filters.

Gambar 12. Tampilan citra Landsat ETM pada Band1yang difilter menggunakan
Filter Gaussian Standar Deviasi 1.6 Kernel.

Tugas : Lakukan pemfilteran pada Citra Landsat ETM komposit

[RGB: 432, 351, 735, dan 321
19
 Acara 6
Klasifikasi Citra Tidak Terbimbing
(Unsupervised Classification)

A. Teori

Klasifikasi multispektral adalah bagian penting dari pengolahan citra untuk

menurunkan informasi tematik dengan cara mengelompokkan fenomena yang terwakili
oleh gugusan piksel dengan nilai spektral tertentu pada beberapa saluran sekaligus. Untuk
mendapatkan informasi baru yang akurat maka diperlukan alat bantu berupa informasi
lapangan atau informasi dari peta/ citra lain yang sudah terklasifikasi, seperti penggunaan
lahan, kelerengan, tekstur tanah, kadar bahan organik, kadar air, dan sebagainya.
Asumsi yang digunakan dalam klasifikasi multispektral ini adalah fakta bahwa
setiap obyek di permukaan bumi cenderung menampilkan pola respon spektral yang
spesifik. Semakin sempit dan semakin banyak saluran spektral yang digunakan akan
membuahkan hasil yang semakin teliti. Seperti halnya operasi lain dalam pengolahan
citra, klasifikasi multispektral membutuhkan informasi statistik citra setiap saluran.
Semakin banyak informasi statistik yang dibutuhkan maka semakin rumit algoritmanya,
dan semakin lama proses eksekusi klasifikasinya. Umumnya semakin banyak informasi
statistik yang dibutuhkan, hasilnya semakin teliti.
Klasifikasi multispektral citra secara digital dapat dilakukan menggunakan
metode Klasifikasi Terbimbing (Supervised classification) dan Klasifikasi Tidak
Terbimbing (Unsupervised classification). Kalsifikasi terbimbing dilakukan
menggunakan kunci area (keys area) yang sudah dikenali dengan baik oleh seorang
interpreter kebenarannya di lapang. Sedangkan Kalsifikasi tidak terbimbing seluruh
proses klasifikasi spektral dilakukan oleh komputer berdasarkan nilai pantulan spektral
obyek yang direkam oleh sensor, dan hasilnya baru dilakukan perbaikan/ pembetulan dan
penamaan klas obyek oleh interpreter berdasarkan pengalamannya.
Pada setiap proses klasifikasi multispektral, misalkan dalam 10 kelas, dapat
dipastikan akan terjadi gugusan piksel yang tidak terkelaskan. Oleh komputer, gugusan
piksel tersebut akan dikelaskan secara tersendiri dalam kelas : NonClass, dengan
demikian hasil klasifikasi akan muncul sejumlah 11 kelas. Hal yang paling umum dalam
klasifikasi multispektral ctra ini dilakukan untuk menyusun klasifikasi Liputan/Tutupan
Lahan (Land cover). Dalam banyak hal, klasifikasi multispektral juga sering digunakan
untuk mengetahui kelas-kelas lahan secara spesifik melalui proses formulasi spektral
(manipulasi spektral), seperti kelas kerapatan vegetasi, kelas sebaran salinitas tanah, kelas
tekstur tanah, kelas lereng, kelas kesesuaian lahan, kelas permukiman, dan untuk
penyusunan peta jenis tanah, peta tingkat bahaya erosi, dan peta kerawanan/ bencana
alam. Dalam kegiatan praktikum ini hanya akan dilakukan praktik klasifikasi penutupan
lahan menggunakan metode Kalsifikasi Tak Terbimbing (Unsupervised classification),
menggunakan citra Landsat TM dalam beberapa kombinasi saluran spektral.

B. Tujuan
Membuat Peta Klasifikasi Tutupan Lahan (Landcover Classification)
20
C. Bahan dan Alat
1. Seperangkat komputer yang dilengkapi piranti lunak ER Mapper
2. Citra Landsat multispektral.

D. Cara Kerja
1. Buka citra SPOT5 multispektral, tampilkan pada komposit [RGB]: 342 dan
simpanlah dengan nama SPOT5SBG.ers dan SPOT5SBG.alg.
2. Lakukan eksekusi statistik citra yang akan diklasifikasi (Acara 4).
3. Pada menu utama klik Process klik Clasifications, klik ISOCLASS Unsupervised
classifications.

Gambar 13. Tampilan citra sebelum diklasaifikasi, dan menu perintah klasifikasi
tidak terbimbing (unsupervised classification).

4. Pada jendela Unsupervised Classification, pada kotak Input Dataset cari dan
tampilkan citra yang akan diklasifikasikan (SPOT5SBG.ers). Pada kotak Output
Dataset: simpanlah citra hasil klasifikasi yang akan diperoleh pada forder
pekerjaan saudara dengan nama lain(SPOT5SBG_KLAS).
5. Pada kotak Autogenerate : isikan 1; pada Maximum iterations: isikan 1000 dan
pada Maximum number of classes isikan 8. dan Klik: OK (artinya : diharapkan
nilai spektral atau piksel pada citra SPOT5 tersebut akan dikelompokkan menjadi 8
Kelas Penutupan Lahan, yaitu :
Kelas Keterangan Kelas Keterangan
0 Piksel yang tidak dikelaskan 5 Sawah
1 Hutan Lindung 6 Tegalan
2 Hutan Rakyat, Belukar 7 Pekarangan, Permukiman
3 Kebun Campur 8 Awan
4 Tanah Terbuka

21
 Gambar 14. Tampilan jendela unsupervised classification.
6. Tunggulah hingga proses klasifikasi spektral yang dilakukan oleh komputer
selesai, kemudian klik OK dan Close.

Gambar 15. Proses klasifikasi tidak terbimbing ( unsupervised classification).

7. Buka file citra yang telah diklasifikasikan tersebut. Gantilah (klik kanan) Pseudo
Layer di bawah [Ps] Default Surface dengan Display Class. Kemudian kalkulasi
statistiknya.
8. Pada menu utama klik : Edit, kemudian klik Edit Class/Region Color Name..Pada
jendela Edit Class/Region Details.. pada baris Dataset bukalah file citra hasil
klasifikasi yang telah dikerjakan (SPOT5SBG_KLAS.ers). Klik Auto-gen colors..
Dan pada jendela Auto-generate colors pada baris Red Band buka dan pilih 3: Red
Layer, pada Green Band buka dan pilih 2: Green Layer; dan pada Blue Band buka
dan pilih 1: Blue Layer. Kemudian klik Auto-gen.
9. Lakukan perbaikan warna tiap-tiap klas yang terbentuk pada jendela Edit
Class/Region Details-nya. Warna dipilih sesuai selera tetapi kalu mungkin
disesuaikan dengan pewarnaan pada peta RBI. Setelah selesai klik : Save, dan
tutuplah semua jendela perintah yang ada, kecuali Menu Utama-nya.
10. Buka kembali citranya, dan rubahlah Pseudo Layer di bawah [Ps] Default Surface
dengan Display Class.

22
Gambar 16. Merubah warna kelas tutupan lahan hasil klasifikasi tidak terbimbing.

23
Gambar 17. Tampilan citra sebelum (A) dan sesudah klasifikasi tidak terbimbing
citra SPOT5 [RGB]: 342.

Gambar 18. Tampilan nilai statistik hasil klasifikasi

24
 Acara 7
Klasifikasi Citra Terbimbing
(Supervised Classification)

Langkah kerja :
1. Buka citra SPOT5SBG.ers (multispektral), dan lakukan kalkulasi statistiknya.
2. Pada menu utama klik Edit, klik: Edit/Create Regions..
3. Pada jendela New Map Composition.. Klik Raster Region, dan pada kotak Load
from file: buka data citra yang akan diklasifikasikan.Kemudian klik: OK.

Gambar19. Menu awal klasifikasi terbimbing citra SPOT5 multispektral.

25
4. Dari menu utama klik ikon Edit Algorithm.., dan buka file data yang akan
diklasifikasikan dalam bentuk komposit
[RGB]: 342. Klik ikon ZoomBox Mode
dan lakukan perbesaran pada obyek yang
akan digunakan sebagai kunci area.
Kemudian menggunakan ikon Poligon
pada menu Tools lakukan deliniasi, dan
sambungkan dengan klik ikon Merge
Polylines. Beri nama ”area” tersebut
dengan klik ikon Display/Edit Object
Attributes (misalnya : HUTAN)

Gambar 20. Menu Tools untuk pemilihan dan deliniasi kunci area.
4. Lakukan pembuatan kunci area jumlah kelas yang diinginkan. (misalnya : Tanah
Terbuka, Kebun Campur, Tegalan, Sawah berair, Sawah yang ditumbuhi tanaman
padi, Semak Belukar, Permukiman). Setelah selesai simpanlah file tersebut
dengan klik ikon Save File pada menu Tools.. Tutup semua jendela perintah yang
ada.

Ikon untuk penyimpanan

hasil pembuatan kunci area.

Gambar 21. Kunci area berupa SAWAH.

5. Lakukan eksekusi statistik citra yang baru dibuatkan kunci areanya tersebut.
6. Pada Menu utama, klik Process > Classification > Supervised classification.
Pada kotak Input Dataset buka citra yang telah dibuatkan kunci areanya. Pada
kotak Input Band : tulis All; dan pada kotak Output Dataset : tulis nama file yang
terklasifikasikan nantinya (misal : spot5sbg_class.ers). Pada kotak tipe klasifikasi
pilih Maximum Likelihood Enhanced > Maximum Likelihood Enhanced >
Maximum Likelihood Standard. Klik OK. Tunggu sampai selesai, lalu klik : OK.

26
 Gambar 22. Proses klasifikasi terbimbing menggunakan metode MaxLikelihood.
7. Tutup semua perintah dan lakukan eksekusi statistik kembali.
8. Pada Menu Utama klik : Edit > Edit Class/Region Color and Name... Pada jendela
Edit Class/Region Details, pada kotak Dataset bukalah citra yang telah
iklasifikasikan. Kemudian klik Auto-gen colors. Pada jendela Auto-generate color
isilah setiap kotak Red Band, Green Band, dan Blue Band masing-masing dengan
Red Layer, Green Layer, dan Blue Layer. Kemudian Klik : Auto-gen. Selanjutnya
simpanlah editing color tersebut dengan klik Save.
9. Bukalah file tersebut seperti biasanya (menggunakan menu algoritma). Gantilah
Pseudo Layer di bawah [Ps]: Default Surface dengan Class Display maka citra
yang telah terklasifikasi akan muncul. Buka lagi Edit Class/Region Color and
Name-nya. Lakukan perbaikan nama kelas pentupan lahannya sesuai warna yang
muncul, dan kemudian disimpan dengan klik Save.
10. Lakukan eksekusi statistiknya, kemudian perikasalah hasilnya.

27
Gambar 23. Prosedur perbaikan warna dan nama kelas hasil klasifikasi.

28
11. m

Gambar 24. Prosedur perbaikan warna dan nama kelas hasil klasifikasi (1).

29
 Acara 8
Rektifikasi Geometri Citra

Langkah Kerja :

1. Pada menu utama (menubar) klik Process, Klik : Geocoding Wizard..., dan pada
jendela Geocoding Wizard Step 1 of 5.., pada 1) Start pada kolom Input File buka
citra yang akan direktifikasi (berekstensi .ers) dan klik OK.

Gambar 25. Menu perintah koreksi geometri citra (Geocoding Wizard Step1 of 5)
Pada 1)Start dipilih citra yang akan direktifikasi.

2. Klik Step 2) TriangulationSetup, dan klik Rectify area outside GCPs using;
kemudian klik Step3)GCP Setup, klik Geocoded image, vector or algorith, dan
buka citra yang akan digunakan untuk rektifikasi (citra yang sudah memiliki
koordinat) dan klik Save.

Gambar 26. Pada 3)GCP Setup dipilih citra yang akan digunakan untuk merektifikasi
secara geometris (dengan Geodetic datum: WGS84, Geodetic rojection:
LOKAL; Coordinate type: Easting/Northing)

30
3. Kemudian klik Step4)GCP Edit, maka muncul 4 buah jendela citra yang belum(A)
dan sudah terkoreksi secara geometrik (B), dan Tabel GCP-nya (C )..

(A) (B)

(C )

Gambar 27. Pada 3)GCP Setup dipilih citra yang akan digunakan untuk
merektifikasi secara geometris (dengan Geodetic datum: WGS84,
Geodetic rojection: LOKAL; Coordinate type: Easting/Northing)

4. Letakan kursor di citra yang belum direktifikasi, ganti dengan pointer.

Menggunakan fasilitas Zoom/ Zoom Box Tool cari obyek yang mudah dikenali di
kedua citra tersebut, misal percabangan jalan atau sungai. Kemudian klik kiri 1x.
Kemdudian pindahkan kursor pada citra yang terektifikasi, cari obyek yang sama
dan klik kiri 1x.
5. Pindahkan kursor ke jendela Geocoding Wizard.. dan lakukan penambahan baris
titik ikat GCP-nya dengan klik . .

31
 6. Lakukan pembuatan titik ikat GCP hingga lebih dari 4 buah, sebagaimana langkah
ke-13 di atas.
7. Setelah dianggap cukup (lebih dari 4 buah titik ikat), pada jendela Geocoding
Wizard 4)GCP Edit , pada kolom Edit rubahlah kata Edit menjadi No dengan jalan
klik 1x. Pada kotak Display aktifkan (centang) kotak Errors dan kotak Auto zoom
8. Menggunakan fasilitas Zoom Box Tools, Pointer, Quick Zoom > Zoom to All
Dataset dan lakukan perbaikan atau pergeseran posisi titik ikat pada tiap nomor
hingga RMS Error kurang dari 0.04.
9. Setelah semua titik ikat memiliki RMS Errors kurang dari 0,04 kemudian klik Save.

Gambar 28. Sebaran titik ikat GCP dan RMS Errors kurang dari 0,04

10. Kemudian klik 5) Rectify.. Simpanlah citra yang akan direktifikasi tersebut pada
Drive saudara dengan nama yang lain yang mudah saudara kenali. Kemudian klik
Save File and Start Rectifications. Tunggu sampai proses selesai.

32
 Gambar 29. Penyimpanan file hasil rektifikasi dan langkah Step 5)Rectification:
Save File and Start Rectification.

11. Setelah rektifikasi selesai, maka keluar hasilnya pada berupa tampilan citra yang
agak miring, klik OK
12. Kemudian lakukan cropping area pada batas yang hitam dan simpanlah file yang
sudah terektifikasi tersebut dalam virtual dataset dan Save Algorithm as Dataset-
nya dengan nama lain.

(A) (B)

Gambar 30. Tampilan citra sebelum (A) dan sesudah (B) direktifikasi geometrisnya.

SISNO SJ., MARET 2016

33