SPATIAL ENHANCEMENT

Mata Kuliah: Geomatika dan                          Hari/tanggal: Rabu, 14 Maret 2012

Inderaja Kehutanan                 Waktu         : 14.00-17.00 WIB

SPATIAL ENHANCEMENT

Oleh:

KELOMPOK 1

1.      Nadya Susetya Ningtyas          (E14090071)

2.      Jajang Roni A. Kholik              (E14090090)

Dosen :

Dr. Nining Puspaningsih, M.Si.

Asisten :

1.      Putu Indra Divayana, S. Hut

2.      I Putu Arimbawa P                   (E14070015)

3.      Monika Turana                         (E14070070)

4.      Aditya Sani Sasmita                 (E14070106)

5.      Aditya Pradhana                      (E14070116)

6.      Erry Maulana W                       (E14070122)

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR

2012

I.       METODOLOGI

1.1        Waktu dan Tempat Pelaksanaan

Praktikum Geomatika dan Inderaja Kehutanan dengan judul materi Spatial Enhancement ini dilaksanakan pada hari Rabu tanggal 14 Maret 2012 mulai pukul 14.00-17.00 WIB yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, IPB.

1.2        Alat dan Bahan

Adapun alat yang digunakan pada praktikum ini adalah:

1.      Laptop

2.      Software ERDAS IMAGINE 9.1

3.      Microsoft word dan excel

Sedangkan bahan yang digunakan pada praktikum ini adalah:

1.      Alat tulis

2.      Data citra satelit Jakarta Utara tahun 1992

1.3        Cara Kerja

1.      Buka software ERDAS IMAGINE 9.1 pada layar komputer.

2.      Kemudian buka interpreter > spatial enhancement > pilih convolution.

                                                  

3.      Muncul box convolution dan masukan input file yang akan di enhance berupa Jakut_tm92.img

4.      Ganti outputnya menjadi unsigned 8 bit dan masukan output filenya sebagai hasil enhance suatu metode misalnya dengan memberikan nama Jakut_tm92_filtering_low_pass.img.

5.      Kemudian pada box kernel, klik pada kernel dengan memilih metode low pass (3x3 low pass) dan tekan edit untuk melihat hasil nilai kernelnya.

6.      Setelah itu buka viewer baru sebanyak 2 tampilan layar citra yaitu Jakut_tm92,img dan Jakut_tm92_filtering_low_pass.img.

7.      Klik kanan pada viewer yang baru, lalu pilih geo. link di citra yang setelah di filtering.

8.      Setelah ada tandanya, kemudian klik di citra yang sebelum di filtering.

9.      Klik tanda + (start/update inquire cursor) pada layar bagian atas kemudian akan muncul tabel data nilai citranya.

10.  Kemudian perbesar citra sebelum dan sesudah di filtering menjadi sebesar 3x3 piksel.

11.  Lakukan tahapan-tahapan yang sama pada vegetasi, tanah, dan air.

12.  Setelah selesai dengan metode ini, lakukan hal yang sama dengan metode-metode lain yang ada.

13.  Untuk melihat tampilan file nilai DN yang ada pada piksel 3x3, maka klik i (show information for top raster) dan pilih pixel data kemudian sesuaikan layer dengan data yang ingin dicari dan pilih juga posisi nilai pixel menurut nilai koordinat X dan Y nya.

14.  Lakukan juga hal yang sama di atas pada non-direction edge, dengan cara tekan interpreter > spatial enhancement > non-direction edge.

15.  Muncul box non-direction edge dan masukan input file yang akan di enhance berupa Jakut_tm92.img

16.  Masukan output filenya sebagai hasil non direction edge suatu metode misalnya dengan memberikan nama file Jakut_tm92_non_direction edge­_sobel.img.

17.  Pilih metode sobel dan kemudian ganti outputnya menjadi nilai unsigned 8 bit kemudian tekan OK.

 

Contoh Perhitungan:

Nilai DN tengah setelah dilakukan filtering dengan metode Low Pass:

Low Pass         = Int ((1*65) + (1*56) + (1*61) + (1*84) + (1*72) + (1*67) +

(1*80) + (1*84) + (1*70)) /9  = 71 (Nilai DN Tengah)

2.2  Pembahasan

Kegiatan praktikum ini adalah mengenai perbaikan spasial (spatial enhancement). Spatial enhancement adalah suatu teknik perbaikan citra (nilai suatu fixel data) berdasarkan nilai fixel data itu sendiri dan nilai fixel-fixel lain yang ada di sekitarnya. Dalam menentukan perbaikan spasial, terdapat beberapa metode yang bisa digunakan, yaitu sebagai contohnya adalah metode edge enhance, edge detect, non directional-prewitt, dan non directional-sobel. Adapun tujuan dari kegiatan ini adalah untuk menghilangkan noise (bercak-bercak), mendeteksi objek yang mempunyai nilai DN yang sama, dan mempertajam batas antar kelas tutupan lahan.

Berdasarkan hasil yang telah di dapat dari kegiatan praktikum ini yaitu berupa perbaikan nilai objek vegetasi, tanah, dan air, setelah dilakukan kegiatan spatial enhancement (perbaikan spasial), maka untuk nilai DN dari masing-masing objek mengalami perubahan. Pada objek vegetasi misalnya, mengalami perubahan nilai DN dari nilai aslinya yaitu pada Jakut_asli menunjukkan nilai DN vegetasi awal adalah 69.000. Sedangkan setelah dilakukan filtering dengan beberapa metode menghasilkan nilai yang bervariasi yaitu sebagai berikut: metode edge detect menampilkan nilai DN vegetasi sebesar 26.000, edge enhance sebesar 70.000, low pass sebesar 61.000, high pass sebesar 54.000, horizontal sebesar 3.000, vertikal sebesar 11.000, dan metode laplacian edge menghasilkan nilai DN vegetasi sebesar 0.000. Hal ini menunjukkan bahwa setiap metode mampu menghasilkan nilai DN hasil filtering yang berbeda-beda sesuai dengan kemampuan filter dari masing-masing metode. Namun, apabila dibandingkan dari semua metode yang ada khusus untuk objek vegetasi, metode yang mampu menampilkan citra lebih baik dari sebelumnya (citra asli) yaitu dengan menghasilkan nilai DN vegetasi yang lebih besar dari Jakut_asli adalah metode edge enhance dan metode vertikal dengan masing-masing nilai DN sebesar 70.000 dan 11.000. Maka, untuk objek vegetasi apabila dilakukan filtering, metode yang paling baik digunakan adalah metode edge enhance atau metode vertikal.

Begitu pula pada objek air juga mengalami perubahan nilai DN dari nilai aslinya yaitu pada Jakut_asli menunjukkan nilai DN air awal adalah 39.000, sedangkan pada metode edge detect menampilkan nilai DN air sebesar 0.000, edge enhance sebesar 39.000, low pass sebesar 39.000, high pass sebesar 31.000, horizontal sebesar 0.000, vertikal sebesar 3.000, dan metode laplacian edge menghasilkan nilai DN air sebesar 0.000. Hal ini menunjukkan bahwa pada objek air juga mampu menampilkan nilai DN hasil filtering yang berbeda-beda sesuai dengan kemampuan filter dari setiap metode yang ada. Selanjutnya, apabila dilakukan perbandingan dari semua metode yang ada khusus untuk objek air, metode yang mampu menampilkan citra paling baik dari semua metode yang ada yaitu dengan menghasilkan nilai DN air yang lebih besar adalah metode edge enhance dan metode low pass dengan masing-masing nilai DN sebesar 39.000 dan 39.000. Akan tetapi, khusus untuk objek air, meskipun nilai dari kedua metode tersebut sama dengan DN awal, maka metode yang paling baik digunakan untuk filtering objek air adalah metode edge enhance dan metode low pass.

Berbeda halnya pada objek tanah, juga menampilkan perubahan nilai DN yang berbeda-beda pada setiap metode yang ada. Berdasarkan data yang diperoleh, objek tanah pada Jakut_awal adalah sebesar 56.000, sedangkan pada ketujuh metode yang ada yaitu metode edge detect, edge enhance, low pass, high pass, horizontal, vertikal, dan metode laplacian edge secara berurutan menghasilkan nilai DN tanah masing-masing sebesar 24.000, 51.000, 58.000, 95.000, 7.000, 16.000, dan 0.000. berdasarkan data di atas, yang mampu menampilkan citra paling baik dari sebelumnya dibandingkan dengan semua metode yang ada yaitu dengan menghasilkan nilai DN tanah yang lebih besar adalah metode low pass dan high pass dengan masing-masing nilai DN adalah sebesar 58.000 dan 95.000. Hal ini menunjukkan bahwa metode yang paling baik digunakan untuk filtering (perbaikan spasial) objek tanah adalah metode low pass dan metode high pass.

Apabila dilihat dari semua hasil tampilan yang ada, maka dapat dijelaskan bahwa untuk perbaikan spasial masing-masing objek mempunyai metode yang berbeda-beda yang mampu menampilkan citra yang lebih baik yaitu pada objek vegetasi, tanah, dan air. Metode edge enhance mampu menampilkan objek vegetasi dan air secara baik, metode low pass mampu menampilkan objek air dan tanah dengan baik, sedangkan metode high pass dan vertikal hanya mampu menampilkan objek terbaik pada satu objek masing-masing yaitu objek vegetasi (vertikal) dan tanah (high pass).

Kegiatan pengamatan selanjutnya adalah melakukan filtering (perbaikan spasial) dengan membandingkan dua metode non-directional edge antara Prewitt dan Sobel. Berdasarkan hasil yang didapat pada tabel 4, 5, dan 6, dapat dijelaskan bahwa untuk jenis objek vegetasi, nilai DN asli sebesar 67.000, sedangkan pada metode Prewitt sebesar 2.000 dan metode Sobel sebesar 10.000. Hal tersebut menunjukkan bahwa dengan melakukan perbaikan menggunakan metode Prewitt maupun Sobel, tidak menghasilkan nilai tampilan citra yang lebih baik dari sebelumnya pada objek vegetasi. Pada objek air, metode Prewitt dan Sobel hanya mampu menghasilkan nilai DN yang lebih kecil dari sebelumnya yaitu masing-masing sebesar 1.000 dan 1.000, sedangkan nilai DN aslinya adalah sebesar 41.000. Begitu pula pada objek tanah kedua metode tersebut hanya mampu menghasilkan nilai DN yang lebih kecil dari sebelumnya (61.000) yaitu hanya menghasilkan nilai DN tanah sebesar 5.000 dan 3.000. Hal tersebut berarti bahwa kedua metode tersebut sebaiknya tidak digunakan dalam filtering (perbaikan spasial) pada objek vegetasi, tanah, dan air karena hanya mampu menghasilkan nilai DN yang lebih kecil dari sebelumnya.

Kegiatan pengamatan ketiga adalah mengenai pembuktian perhitungan manual dari nilai DN Jakut_awal menjadi nilai DN baru dengan menggunakan metode low pass. Pada metode ini, akan dilakukan pembuktian manual mengenai perubahan nilai DN awal menjadi DN baru pada metode low pass dengan cara mengalikan nilai DN awal pada nilai fixel data (kernel) dari metode low pass yaitu bernilai (1, 1, 1, 1, 1, 1, 1, 1, 1). Pada kegiatan ini khusus dilakukan perhitungan untuk membuktikan nilai DN yang ada di tengah berdasarkan perhitungan metode low pass. Berdasarkan hasil yang didapat, setelah dilakukan perkalian dan perhitungan dengan memasukan nilai kernel metode low pass, maka dihasilkan nilai DN baru yang sesuai dengan tampilan hasil metode low pass di citra yaitu nilai DN tengah awal sebesar 72 menjadi 71. Hal ini terbukti bahwa hasil yang diperoleh pada tampilan citra dan hasil perhitungan manual menghasilkan nilai yang sama dan terbukti bahwa nilai DN baru tersebut didapat dari hasil perkalian nilai fixel awal dengan nilai kernel metode low pass yang ada.

III.  KESIMPULAN

Berdasarkan hasil dan pembahasan yang telah dijelaskan di atas, maka dapat disimpulkan sebagai berikut:

1.      Perbaikan spasial (spatial enhancement) pada masing-masing objek mempunyai metode yang berbeda-beda yang mampu menampilkan citra yang lebih baik. Misalnya: metode edge enhance mampu menampilkan objek vegetasi dan air secara baik, metode low pass mampu menampilkan objek air dan tanah dengan baik, sedangkan metode high pass dan vertikal hanya mampu menampilkan objek terbaik pada satu objek masing-masing yaitu objek vegetasi (vertikal) dan tanah (high pass).

2.      Metode non-directional edge (Prewitt dan Sobel) sebaiknya tidak digunakan dalam filtering (perbaikan spasial) pada objek vegetasi, tanah, dan air karena hanya mampu menghasilkan nilai DN yang lebih kecil dari sebelumnya.

3.      Nilai DN baru hasil perbaikan spasial merupakan nilai yang didapat dari nilai DN awal dikalikan dengan nilai fixel data (kernel) pada suatu metode yang digunakan, misalnya pada praktikum ini digunakan metode low pass maka nilai kernel yang digunakan adalah (1, 1, 1, 1, 1, 1, 1, 1, 1).

 

DAFTAR PUSTAKA

Jaya, I.N.S. 2007. Analisis Citra Dijital: Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor: Fakultas Kehutanan IPB.