PENGGUNAAN ER MAPPER DALAM PENGOLAHAN DATA CITRA

BAB I

PENDAHULUAN

A. Latar Belakang

Sudah merupakan hal yang wajar sampai pada akhir abad ke-20 ini, masyarakat pengguna informasi meningkat secara tajam. Pengguna informasi ini, memerlukan data dan atau informasi secara berkala dan data/informasi yang terbaru, secara tidak langsung, baik dalam dunia pendidikan maupun dunia bisnis.

Perkembangan ilmu/teknologi Penginderaan Jauh dan Sistem Informasi Geografis (SIG) yang demikian pesat mesti diimbangi juga oleh penyediaan sumber informasi/pustaka bagi pemerhati, peneliti (instansi pemerintah / swasta), dan pemakai Penginderaan Jauh dan SIG, sehingga trend serta manfaat optimal dari ilmu/teknologi ini bisa diapresiasikan secara tepat dan berkesinambungan.

Mahasiswa adalah suatu komponen bangsa yang perlu dibina dan dikembangkan agar kelak menjadi generasi penerus bangsa yang memilki kompetensi dan menjadi sumberdaya manusia yang handal untuk membangun bangsa. Bimbinga ndan biaan itu tidak hanya melalui bimbingan formal saja namun dapat melalui bimbingan yang mengarah kepada skillpersonality dalam hal ini program pendidikan yang ada di universitas perlu adanya mata kuliah yan menuntut keahlian seseorang untuk bekal di masyarakat kelak.

Mengatasi hal ini, Jurusan Pendidikan Geografi Universitas Pendidikan Indonesia, mewajibkan mahasiswanya selain memiliki kemampuan teoritis juga mempunyai kemapuan prakte, sehingga memilki kompetensi pada setiap matakuliah yang dipelajari. Salah satu dari mata keliah tersebuat adalah Pengideraan Jauh Terapan yang berbobot 2 SKS. Pada mata kuliah ini, mahasiswa selain dituntut selain memahami konsep, juga harus mengerti dan mampu menerapkan kemampuannya. Atas daar pemikiran diats maka dilakukan Praktikum Pengeloalan Data Citra dengan ERMAPPER di Laboratorium Komputer Jurusan Pendidikan Geografi.

B. Tujuan

Adapun tujuan dari pelaksanaan praktikum ini adalah:

1. Sebagi salah satu syarat untuk dapat lulus dalam matakulaih Penginderaan Jauh Terapan di Jurusan Pendidikan Geografi UPI.

2. Memperoleh keterampilan dalam bidang Penginderaan Jauh, khususnya dalam pengolahan data citra satelit (Image Procesing).

C. Manfaat

1. Menambah keterampilan tentang pengolahan data citra satelit dengan menggunakan computer (ERMAPPER).

2. Menambah wawasan mengenai penginderaan jauh.

BAB II

TINJAUAN TEORITIS

A. Penginderaan Jauh

1. Definisi PJ

PJ adalah “Pengambilan atau pengukuran data /informasi mengenai sifat dari sebuah fenomena,obyek atau benda dengan menggunakan sebuah alat perekam tanpa berhubungan langsung dengan bahan study. (http:/rst.gsfc.nasa.gov/Intro/Part2_1.html)

2. Komponen dasar

Empat komponen dasar dari sistem PJ adalah target, sumber energi, alur transmisi, dan sensor. Komponen dalam sistem ini berkerja bersama untuk mengukur dan mencatat informasi mengenai target tanpa menyentuh Setelah dicatat, data akan dikirimkan ke stasiun penerima dan diproses menjadi format yang siap pakai, diantaranya berupa citra. Citra ini kemudian diinterpretasi untuk menyarikan informasi mengenai target. Proses interpretasi biasanya berupa gabungan antara visual dan automatic dengan bantuan computer dan perangkat lunak pengolah citra.

3. Teknologi PJ

Beberapa keuntungan menggunakan teknik PJ adalah:

• Lebih luasnya ruang lingkup yang bisa dipelajari.

• Lebih seringnya sesuatu fenomena bisa diamati.

• Dimungkinkannya penelitian di tempat-tempat yang susah atau berbahaya untuk dijangkau manusia, seperti daerah kutub, kebakaran hutan, aktivitas gunung berapi.

Sebuah platform PJ dirancang sesuai dengan beberapa tujuan khusus. Tipe sensor dan kemampuannya, platform, penerima data, pengiriman dan pemrosesan harus dipilih dan dirancang sesuai dengan tujuan tersebut dan beberapa faktor lain seperti biaya, waktu dan sebagainya.

Resolusi sensor

Rancangan dan penempatan sebuah sensor terutama ditentukan oleh karakteristik khusus dari target yang ingin dipelajari dan informasi yang diinginkan dari target tersebut. Setiap aplikasi PJ mempunyai kebutuhan khusus mengenai luas cakupan area, frekuensi pengukuran dam tipe energi yang akan dideteksi. Oleh karena itu, sebuah sensor harus mampu memberikan resolusi spasial, spectral dan temporal yang sesuai dengan kebutuhan aplikasi.

Resolusi spasial menunjukkan level dari detail yang ditangkap oleh sensor. Semakin detail sebuah study semakin tinggi resolusi spasial yang diperlukan. Sebagai ilustrasi, pemetaan penggunaan lahan memerlukan resolusi spasial lebih tinggi daripada sistem pengamatan cuaca berskala besar.

Resolusi spektral menunjukkan lebar kisaran dari masing-masing band spektral yang diukur oleh sensor. Untuk mendeteksi kerusakan tanaman dibutuhkan sensor dengan kisaran band yang sempit pada bagian merah.

Resolusi temporal menunjukkan interval waktu antar pengukuran. Untuk memonitor perkembangan badai, diperlukan pengukuran setiap beberapa menit. Produksi tanaman membutuhkan pengukuran setiap musim, sedangkan pemetaan geologi hanya membutuhkan sekali pengukuran.

Platform

Ground-Based Platforms: sensor diletakkan di atas permukaan bumi dan tidak berpindah-pindah. Sensornya biasanya sudah baku seperti pengukur suhu, angin, pH air, intensitas gempa dll. Biasanya sensor ini diletakkan di atas bangunan tinggi seperti menara.

Aerial platforms: biasanya diletakkan pada sayap pesawat terbang, meskipun platform airborne lain seperti balon udara, helikopter dan roket juga bisa digunakan. Digunakan untuk mengumpulkan citra yang sangat detail dari permukaan bumi dan hanya ditargetkan ke lokasitertentu. Dimulai sejak awal 1900-an.

Satellite Platforms: sejak awal 1960 an sensor mulai diletakkan pada satelit yang diposisikan pada orbit bumi dan teknologinya berkembang pesat sampai sekarang. Banyak studi yang dulunya tidak mungkin menjadi mungkin.

4. Radiasi Elektromagnetik

Berangkat dari bahasan kita di atas mengenai komponen sistem PJ, energi elektromagnetik adalah sebuah komponen utama dari kebanyakan sistem PJ untuk lingkungan hidup, yaitu sebagai medium untuk pengiriman informasi dari target kepada sensor. Energi elektromagnetik merambat dalam gelombang dengan beberapa karakter yang bisa diukur, yaitu: panjang gelombang/wavelength, frekuensi, amplitude/amplitude, kecepatan. Amplitudo adalah tinggi gelombang, sedangkan panjang gelombang adalah jarak antara dua puncak. Frekuensi adalah jumlah gelombang yang melalui suatu titik dalam satu satuan waktu. Frekuensi tergantung dari kecepatan merambatnya gelombang. Karena kecepatan energi elektromagnetik adalah konstan (kecepatan cahaya), panjang gelombang dan frekuensi berbanding terbalik. Semakin panjang suatu gelombang, semakin rendah frekuensinya, dan semakin pendek suatu gelombang semakin tinggi frekuensinya.

Energi elektromagnetik dipancarkan, atau dilepaskan, oleh semua masa di alam semesta pada level yang berbeda beda. Semakin tinggi level energi dalam suatu sumber energi, semakin rendah panjang gelombang dari energi yang dihasilkan, dan semakin tinggi frekuensinya. Perbedaan karakteristik energi gelombang digunakan untuk mengelompokkan energi elektromagnetik.

5. Spektrum Elektromagnetik

Susunan semua bentuk gelombang elektromagnetik berdasarkan panjang gelombang dan frekuensinya disebut spectrum elektromagnetik. Gambar spectrum elektromagnetik di bawah disusun berdasarkan panjang gelombang (diukur dalam satuan _m) mencakup kisaran energi yang sangat rendah, dengan panjang gelombang tinggi dan frekuensi rendah, seperti gelombang radio sampai ke energi yang sangat tinggi, dengan panjang gelombang rendah dan frekuensi tinggi seperti radiasi X-ray dan Gamma Ray.

6. Kelompok Energi

Radio energi adalah bentuk level energi elektromagnetik terendah, dengan kisaran panjang gelombang dari ribuan kilometer sampai kurang dari satu meter. Penggunaan paling banyak adalah komunikasi, untuk meneliti luar angkasa dan sistem radar. Radar berguna untuk mempelajari pola cuaca, badai, membuat peta 3D permukaan bumi, mengukur curah hujan, pergerakan es di daerah kutub dan memonitor lingkungan. Panjang gelombang radar berkisar antara 0.8 – 100 cm.

Microwave. Panjang gelombang radiasi microwave berkisar antara 0.3 – 300 cm. Penggunaannya terutama dalam bidang komunikasi dan pengiriman informasi melalui ruang terbuka, memasak, dan sistem PJ aktif. Pada sistem PJ aktif, pulsa microwave ditembakkan kepada sebuah target dan refleksinya diukur untuk mempelajari karakteristik target. Sebagai contoh aplikasi adalah Tropical Rainfall Measuring Mission’s (TRMM) Microwave Imager (TMI), yang mengukur radiasi microwave yang dipancarkan dari atmosfer bumi untuk mengukur penguapan, kandungan air di awan dan intensitas hujan.

Infrared. Radiasi infrared (IR) bisa dipancarkan dari sebuah obyek ataupun dipantulkan dari sebuah permukaan. Pancaran infrared dideteksi sebagai energi panas dan disebut thermal infrared. Energi yang dipantulkan hampir sama dengan energi sinar nampak dan disebut dengan reflected IR atau near IR karena posisinya pada spektrum elektromagnetik berada di dekat sinar nampak. Panjang gelombang radiasi infrared berkisar antara 0.7 – 300 _m, dengan spesifikasi: near IR atau reflected IR: 0.7 – 3 _m, dan thermal IR: 3 – 15 _m Untuk aplikasi PJ untuk lingkungan hidup menggunakan citra Landsat, Reflected IR pada band 4 (near IR), band 5, 7 (Mid IR) dan thermal IR pada band 6, merupakan karakteristik utama untuk interpretasi citra. Sebagai contoh, gambar berikut menunjukkan suhu permukaan laut global (dengan thermal IR) dan sebaran vegetasi (dengan near IR). Infrared Citra landsat komposit

Visible. Posisi sinar nampak pada spectrum elektromagnetik adalah di tengah. Tipe energi ini bisa dideteksi oleh mata manusia, film dan detektor elektronik. Panjang gelombang berkisar antara 0.4 to 0.7 _m. Perbedaan panjang gelombang dalam kisaran ini dideteksi oleh mata manusia dan oleh otak diterjemahkan menjadi warna.

Ultraviolet, X-Ray dan Gamma Ray. Radiasinya berada dalam urutan paling kiri pada spectrum elektromagnetik. Tipe radiasinya berasosiasi dengan energi tinggi, seperti pembentukan bintang, reaksi nuklir, ledakan bintang. Panjang gelombang radiasi ultraviolet berkisar antara 3 nm-0.4 _m, sedangkan X-Ray 0.03 – 3 nm, dan Gamma ray <>

7. Interaksi Energi

Gelombang elektromagnetik (EM) yang dihasilkan matahari dipancarkan radiated) dan masuk ke dalam atmosfer bumi. Interaksi antara radiasi dengan partikel atmosfer bisa berupa penyerapan (absorption), pemencaran (scattering) atau pemantulan kembali (reflectance).Sebagian besar radiasi dengan energi tinggi diserap oleh atmosfer dan tidak pernah mencapai permukaan bumi. Bagian energi yang bisa menembus atmosfer adalah yang ‘transmitted’. Semua masa dengan suhu lebih tinggi dari 0 Kelvin (-273 C) mengeluarkan (emit) radiasi EM.

8. Sensor.

Radiometer adalah alat pengukur level energi dalam kisaran panjang gelombang tertentu, yang disebut channel. PJ multispectral menggunakan sebuah radiometer yang berupa deretan dari banyak sensor, yang masing masing peka terhadap sebuah channel atau band dari panjang gelombang tertentu. Data spectral yang dihasilkan dari suatu target berada dalam kisaran level energi yang ditentukan.

Radiometer yang dibawa oleh pesawat terbang atau satelit mengamati bumi dan mengukur level radiasi yang dipantulkan atau dipancarkan dari benda-benda yang ada di permukaan bumi atau pada atmosfer. Karena masing masing jenis permukaan bumi dan tipe partikel pada atmosfer mempunyai karakteristik spectral yang khusus (atau spectral signature) maka data ini bisa dipakai untuk menyediakan informasi mengenai sifat target. Pada permukaan yang rata, hampir semua energi dipantulkan pada suatu arah, sedangkan pada permukaan kasar, energi dipantulkan hampir merata ke semua arah.

Pada umumnya permukaan bumi berkisar diantara ke dua ekstrim tersebut, tergantung pada kekasaran permukaan. Contoh yang lebih spesifik adalah pemantulan radiasi EM hari daun dan air. Sifat klorofil adalah menyerap sebagian besar radiasi dengan panjang gelombang merah dan biru dan memantulkan panjang gelombang hijau dan near IR. Sedangkan air menyerap radiasi dengan panjang gelombang nampak tinggi dan near IR lebih banyak daripada radiasi nampak dengan panjang gelombang pendek (biru).

Pengetahuan mengenai perbedaan spectral signature dari berbagai bentuk di permukaan bumi memungkinkan kita untuk menginterpretasi citra. Tabel di bawah ini sangat berguna dalam menginterpretasi vegetasi dari citra Landsat TM.

Ada dua tipe deteksi yang dilakukan oleh sensor: deteksi pasif dan aktif. Banyak bentuk PJ yang menggunakan deteksi pasif, dimana sensor mengukur level energi yang secara alami dipancarkan, dipantulkan, atau dikirimkan oleh target. Sensor ini hanya bisa bekerja apabila terdapat sumber energi yang alami, pada umumnya sumber radiasi adalah matahari, sedangkan pada malam hari atau apabila permukaan bumi tertutup awan, debu, asap dan partikel atmosfer lain, pengambilan data dengan cara deteksi pasif tidak bisa dilakukan dengan baik.

Contoh sensor pasif yang paling dikenal adalah sensor utama pada satelit Landsat, Thematic Mapper, yang mempunyai 7 band atau channel. Sedangkan pada deteksi aktif, PJ menyediakan sendiri sumber energi untuk menyinari target dan menggunakan sensor untuk mengukur refleksi energi oleh target dengan menghitung sudut refleksi atau waktu yang diperlukan untuk mengembalikan energi. Keuntungan menggunakan deteksi pasif adalah pengukuran bisa dilakukan kapan saja. Akan tetapi sistem aktif ini memerlukan energi yang cukup besar untuk menyinari target.

9. Citra

Data citra satelit dikirim ke stasiun penerima dalam bentuk format digital mentah merupakan sekumpulan data numerik. Unit terkecil dari data digital adalah bit, yaitu angka biner, 0 atau 1. Kumpulan dari data sejumlah 8 bit data adalah sebuah unit data yang disebut byte, dengan nilai dari 0 – 255. Dalam hal citra digital nilai level energi dituliskan dalam satuan byte. Kumpulan byte ini dengan struktur tertentu bisa dibaca oleh software dan disebut citra digital 8-bit.

Karakteristik citra

Pixel, (picture element) adalah sebuah titik yang merupakan elemen paling kecil pada citra satelit. Angka numerik (1 byte) dari pixel disebut digital number (DN). DN bisa ditampilkan dalam warna kelabu, berkisar antara putih dan hitam (gray scale), tergantung level energi yang bervariasi. Untuk PJ, skala yang dipakai adalah 256 shade gray scale, dimana nilai 0 menggambarkan hitam, nilai 255 putih. Dua gambar di bawah ini menunjukkan derajat keabuan dan hubungan antara DN dan derajat keabuan yang menyusun sebuah citra. Untuk citra multispectral, masing masing pixel mempunyai beberapa DN, sesuai dengan jumlah band yang dimiliki. Sebagai contoh, untuk Landsat 7, masing-masing pixel mempunyai 7 DN dari 7 band yang dimiliki. Citra bisa ditampilkan untuk masing-masing band dalam bentuk hitam dan putih maupun kombinasi 3 band sekaligus, yang disebut color composites.

Resolusi dari sebuah citra adalah karakteristik yang menunjukkan level kedetailan yang dimiliki oleh sebuah citra. Resolusi didefinisikan sebagai area dari permukaan bumi yang diwakili oleh sebuah pixel sebagai elemen terkecil dari sebuah citra. Pada citra satelit pemantau cuaca yang mempunyai resolusi 1 km, masing-masing pixel mewakili rata-rata nilai brightness dari sebuah area berukuran 1x1 km. Bentuk yang lebih kecil dari 1 km susah dikenali melalui image dengan resolusi 1 km. Landsat 7 menghasilkan citra dengan resolusi 30 meter, sehingga jauh lebih banyak detail yang bisa dilihat dibandingkan pada citra satelit dengan resolusi 1 km. Resolusi adalah hal penting yang perlu dipertimbangkan dalam rangka pemilihan citra yang akan digunakan terutama dalam hal aplikasi, waktu, biaya, ketersediaan citra dan fasilitas komputasi.

Contrast adalah perbedaan antara brightness relatif antara sebuah benda dengan sekelilingnya pada citra. Sebuah bentuk tertentu mudah terdeteksi apabila pada sebuah citra contrast antara bentuk tersebut dengan backgroundnya tinggi. Teknik pengolahan citra bisa dipakai untuk mempertajam contrast. Citra, sebagai dataset, bisa dimanipulasi menggunakan algorithm (persamaan matematis). Manipulasi bisa merupakan pengkoreksian error, pemetaan kembali data terhadap suatu referensi geografi tertentu, ataupun mengekstrak informasi yang tidak langsung terlihat dari data. Data dari dua citra atau lebih pada lokasi yang sama bisa dikombinasikan secara matematis untuk membuat composite dari beberapa dataset. Produk data ini, disebut derived products, bisa dihasilkan dengan beberapa penghitungan matematis atas data numerik mentah (DN).

Ada beberapa faktor yang mempengaruhi kualitas citra dalam hal hambatan-hambatan untuk melakukan interpretasi dan klasifikasi yang diperlukan. Beberapa faktor penting, terutama untuk aplikasi kehutanan tropis adalah:

• Tutupan awan. Terutama untuk sensor pasif, awan bisa menutupi bentuk-bentuk yang berada di bawah atau di dekatnya, sehingga interpretasi tidak dimungkinkan, Masalah ini sangat sering dijumpai di daerah tropis, dan mungkin diatasi dengan mengkombinasikan citra dari sensor pasif (misalnya Landsat) dengan citra dari sensor aktif (misalnya Radarsat) untuk keduanya saling melengkapi.

• Bayangan topografis. Metode pengkoreksian yang ada untuk menghilangkan pengaruh topografi pada radiometri belum terlalu maju perkembangannya.

• Pengaruh atmosferik. Pengaruh atmosferik, terutama ozon, uap air dan aerosol sangat mengganggu pada band nampak dan infrared. Penelitian akademis untuk mengatasi hal ini masih aktif dilakukan.

• Derajat kedetailan dari peta tutupan lahan yang ingin dihasilkan. Semakin detail peta yang ingin dihasilkan, semakin rendah akurasi dari klasifikasi. Hal ini salah satunya bisa diperbaiki dengan adanya resolusi spectral dan spasial dari citra komersial yang tersedia.

B. Pengolahan Data Citra Dengan ERMAPPER 5.5

Pengolahan data disebut juga “image processing”, merupakan kegitan pengolahan data citra untuk tujuan tertentu. Setelah citra dipilih dan diperoleh, langkah-langkah pemrosesan tidak terlalu tergantung sistem sensor dan juga software pengolahan citra yang dipakai. Berikut ini akan kami sampaikan dengan singkat beberapa langkah yang umum dilakukan, akan tetapi detail dari teknik dan ketrampilan menggunakan hanya bisa diperoleh dengan praktek langsung dengan menggunakan sebuah citra dan software pengolahan citra tertentu.

Langkah-langkah dalam pengolahan citra, secara garis besar adalah:

Ø Mengukur kualitas data dengan descriptive statistics atau tampilan citra.

Ø Mengkoreksi kesalahan, baik radiometric (sensor) maupun geometric.

Ø Menajamkan citra baik untuk analisa digital maupun visual.

Ø Melakukan survei lapangan.

Ø Mengambil sifat tertentu dari citra dengan proses klasifikasi dan pengukuran akurasi dari hasil klasifikasi.

Ø Memasukkan hasil olahan ke dalam SIG sebagai input data.

Ø Menginterpretasikan hasil.

Mengamati citra pada layar adalah proses yang paling efektif dalam mengidentifikasi masalah yang ada pada citra, misalnya tutupan awan, kabut, dan kesalahan sensor. Citra bisa ditampilkan oleh sebuah komputer, baik per satu band dalam hitam dan putih maupun dalam kombinasi tiga band, yang disebut komposit warna. Mata manusia hanya bisa membedakan 16 derajat keabuan dalam sebuah citra, tetapi bisa membedakan berjuta juta warna yang berbeda. Oleh karena itu, teknik perbaikan/enhancement citra yang paling sering digunakan adalah memberi warna tertentu kepada nilai DN tertentu (atau kisaran dari DN tertentu) Citra true color dari landsat 7.

Dalam melakukan pengolahan data citra tentunya dibutuhkan seperangkat alat yang berupa perangkat keras dan perangkat lunak. Termasuk perangkat keras yaitu computer, plotter dan digitizer, sedangkan perangkat lunak yang biasa digunakan diantaranya: ER Mapper, ER Das, Ilwis dan lainnya. Selanjutnya pada laporan praktikum ini menggunakan program ER Mapper sebagai perangkat lunaknya.

Adapun tampilan dasar ER Mapper 5.5 dapat dilihat sebagai berikut:

Menu Bar

Tool Bar

Menu Bar: Menyediakan pemilihan perintah yang akan digunakan dalam pengolahan data, untuk memilihnya dari menu bar, klik pada pada perintah di menu bar untuk membukanya baru kemudian klik pada sub perintah yang diinginkan.

Tool Bar: Memperlihatkan kelompok dari tombol untuk memudahkan pemilihan perintah secara cepat. Untuk memilihnya dari tool bar, dilakukan dengan mengklik pada tombol yang diinginkan. Tool bar memberikan kecepatan akses untuk fungsi-fungsi umum yang digunakan, seperti menyimpan alogarithm, dan mencetak hard copy. Pada Er Mapper disediakan opotional tool bar untuk beberapa pekerjaan tertentu dan aplikasi pengolahan citra. Untuk menghilangkan atau menampilkan beberapa tool bar.

Alogarithm Raster (ers) Vektor (erv)

Sedangkan proses klasifikasi citra dalam ER Mapper dapat digambarkan dalam bagan berikut:

						Menggabungkan Citra yang telah terkoreksi dan teregestrasi

BAB III

PENGGUNAAN ER MAPPER DALAM PENGOLAHAN DATA CITRA

A. Aktifasi Program ER Mapper

Ø Dari Window atau program lainnya, setelah Start pilih program ER Mapper, atau Klik 2 kali Shortcut icon pada dekstop

Akan muncul kotak :

B. Menampilkan Data Citra

Ø Dari menubar pilih View Algorithm, akan muncul kotak Algorithm dan kotak layar baru sebagai berikut:

Ø Dari menu algoritm pada gambar diatas klik dibawah kata No Dataset, untuk meload data yang ditampilkan. Akan keluar tampilan, Raster Dataset:

Ø Kemudian pilih Data yang akan ditampilkan, berupa citra asli lalu klik OK ---klik (GO) untuk menampilkan citra.

C. Cropping Citra

Cropping citra dimaksudkan untuk membatasi daerah analisis sehingga sesuai dengan kebutuhan. Dalam Pelatihan ini daerah penelitian adalah Pesisir Pantai Pangandaran dan Sekitarnya, dengan citra dari Landsat TM 7 2001. Pengcropingan melalui proses sebagai berikut:

Ø Gunakan... pada tool bar, sesuai daerah yang akan diklasifikasikan . Klik GO ... . Maka akan muncul Algoritm berikut:

Ø Kemudian duplikat pseudo layer menjadi 5 atau lebih. Ganti masing-masing layer dengan Band yang digunakan, misalnya B1: Band 1 Kemudian sesuaikan dengan Band urutannya lalu klik GO ...

Ø Pada menubar klik file . (Save As dataset) akan muncul kotak Save As Dataset sebagai berikut :

Ø Untuk menyesuaikan Cill width dan Cell height dengan daerah yang telah kita batasi tadi, Klik Defaults. Null Value tidak diberi nilai.

Ø Klik pada Output Dataset, masukan nama baru (disini adalah anggi.ers) sebagai hasil cropping dari data satu scene (citra Landsat TM 7. Klik OK.

D. Klasifikasi Unsupervised

Ø Klik View Algoritm , pilih file yang akan diklasifikasikan yaitu file hasil croping awal (anggi.ers). Lakukan proses calculate statistic, yaitu: dari menubar Klik Proses---Calculate Stasistic, Isikan file yang akan di calculate pada Output Dataset, subsampling interval 1 --- OK -- Proses calculate statistic. OK—Cancel

Ø Kemudian Klik classification, pilih ISSOCLASS;

Ø Klik pada Input Dataset, pilih file yang akan diklasifikasikan (anggi.ers)

Ø Klik pada Output Dataset, masukan nama file baru sebagai hasil dari klasifikasi unsupervised.(anggiclass.ers)

Ø Masukan nilai Maximum iterations, nilai tertinggi yang bisa dimasukkan 9999, disini diberikan nilai 15.

Ø Masukkan nilai Maximim number of clases, nilai tertinggi yang bisa dimasukan adalah 255, disini diberikan nilai 120. Semakin tinggi nilainya semakin specific akan hasilnya.

Ø Masukkan nilai Maximum standard deviations, disini diberikan 2 klik OK← Proses klasifikasi berjalan. OK --- Cancel.

Ø Hasil klasifikasi ditampilkan dengan mengklik.. ..pada Algorithm,

Ø Ubah Pseudo Layer dengan mengklik kanan menjadi Class Display Layer klik ... (GO). Akan muncul image dengan warna abu-abu.

Ø Pada menubar pilih Edit←Edit Class/ Region Color and Name................ Dimana jumlah kelas akan sama dengan maximum number of clasess yang kita berikan atau kurang dari nilai tersebut. Disini jumlah kelas sama yaitu 120. kemudian ke-120 kelas ini harus digabung menjadi kelas yang lebih kecil lagi sesuai yang diinginkan. Disini dari 120 kelas akan diperkecil menjadi 4 kelas yaitu Perairan, Pantai, Lahan Pertanian, dan Hutan.

Ø Pada kotak Edit Class/Region Details klik Auto gen color, kemudian isikan warna RGB 453 --- Berikan tanda rumput pada kotak Full Saturation menjadi Ö klik Autogen – Close --.

Kotak ini membantu kita memberi warna pada kelas-kelas yang ada. Dengan memberikan warna menyerupai komposit warna, disini warna image akan berubah dari abu-abu menjadi warna yang menyerupai komposit warna RGB 453.

Ø Klik save dan untuk meload kembali file tersebut pada kotak Algoritm. Kemudian klik --(GO)

Ø Edit ke 120 kelas tersebut menjadi 4 kelas saja, yaitu dengan menggunakan edit formula dengan meng-Klik ..pada Algorithm akan muncul kotak Formula Editor :

Ø Buat suatu logika proses dengan menggunakan kalimat If Input 1... then ....else... misal : if i1>=1 and i1<=8 then 5 else if i1>=9 and i1<=15 then .......else i1. Klik Applychanges ....(GO).

Ø Dari kotak Edit Class/Region Color Name............,ubah warna kelas 1 sampai 4 sesuai selera, kemudian ubah pula nama kelas 1 sampai 4 sesuai tujuannya, yaitu. Perairan, Pantai, Lahan Pertanian, dan Hutan.

Ø Klik.. Load kembali file yang sama pada kotak algorithm lalu klik ......(GO).

Ø Klik Start – Programs – assercories -- Word Pad -- Open. Buka file anggiclass.ers dengan menggunakan Word Pad.

Ø Pilih file of type : All Documents, klik open kemudian sorot region info begin dari class Number 5 sampai dengan Region Info end dari class number 120 (terakhir), lalu Delete (cut) . klik save←Close. Buka file yang tadi pada Algoritm kemudian klik -----(Save As Dataset). Nama file anggiclass2.ers

E. Kombinasi Band 453 (RGB) untuk Mangrove/Hutan

Kombinasi ini berguna pada saat menampalkan data hasil vektor, ketika dibuat menjadi sebuah peta. Adapun langkahnya sebagai berikut:

Ø Klik ... View Algoritm, akan muncul kotak Algoritm dan layar.

Ø Buka file yang akan dikombinasikan dengan meload Dataset (anggi.ers)..

Ø Dari algoritma, set Default Surface dengan mengklik kanan Red Green Blue.

Ø Klik duplicate .... tiga kali.

Ø Ganti layer pertama dengan Red Layer untuk B4, layer kedua dengan Green Layer untuk B5, dan layer ketiga dengan Blue Layer untuk B3.

Ø Klik (GO) ... dan .... untuk mngkontraskan data citra.

Ø Klik ....Save As Algorithm.--- nama file (anggi_RGB.alg)

E. Proses NDVI

Ø Klik ... View Algoritm, buka file citra awal (anggi.ers) dalam Pseudo Display.

Ø Klik ....Pada kotak algorithm ganti band yang pertama menjadi B4 dan yang kedua menjadi B3. ....GO, klik akan muncul gambar:

Kemudian klik Aktual Input Limits ....GO ....Save As Dataset (file name; anggi_NDVI)—Close.

F. Tabulasi Silang Citra hasil Klasifikasi dengan Citra Hasil NDVI

Ø ... View Algoritm. Buka file hasil klasifikasi dari Algorithm (anggiclass2.ers). Klik Surface ubah nilainya menjadi 57.

Ø Sorot Default Surface klik ....Duplicate, tulis NDVI

Ø Klik layer. Buka file hasil NDVI. ....GO ... Save As Dataset (name file anggi_gab.ers)--Close.

Ø Klik kembali ... View Algoritm, buka file hasil gabungan anggi_gab.ers dalam Pseudo display.

Ø Klik ...masuklan formula untuk melihat kerapatannya hanya dikelas hutan, yaitu if i1=4 (sesuai kelasnya) then i2 else null. Klik applychanges--....GO. Klik histogram Limit To Actual klik--....GO -- ... Save As Dataset (file name anggi_gab2.ers)

Ø Buka file anggi_gab2.ers dalam Psudo Display, lakukan kembali proses klasifikasi Unsupervised seperti diatas.

G. Proses Vektor

Ø Dari kelas hutan (lebat, sedang dan jarang), hasil dari proses Unsupervised diatas, dibuka, masuk ke File ® proses®Vektor, tiga kali proses, maka akan muncul kotak ;

Keterangan:

Ø Cell Value diisi kelas hutan, sesuai dengan pada saat klasifikasi. lakukan untuk seluruh kelas hutan –close.

Ø Buka hasil kelas keseluruhan (awal klasifikasi), kemudian divektorkan, Cell Value diisi kelas hutan, ubah warna hutan satu persatu.

Ø Buka citra hasil RGB yaitu anggi_RGB.alg dengan mengklik File – New image window dan open, atau pada tool bar.

Ø Untuk membuka layer– Klik – file -- Add into surface, buka satu persatu.

H. Anotasi/Komposisi Peta

Ø Setelah membuka peta hasil tampalan, Klik File -- Page setup, akan muncul:

Keterangan:

Ø Set Blackground Color dengan warna putih, Constrains: Auto Vary Borders, untuk membuat skala peta yang cukup pada kertas.Pilih size kertas A4 –landscape, atau sesuai kebutuhan.

Ø Atur skala, agar sesuai dengan kapasitas kertas yang ada, Posisikan Image (kotak dalam) sesuai dengan posisi kertas, dengan mengatur Borders.

Ø Klik Applly dan OK bila sudah sesuai dengan yang kita inginkan.

I. Melabeli Peta

Ø Dari dialog box Algoritm pilih Edit pilih Add Vector layer dan pilih Annotation Layer. Klik Annotation dengan Annotation layer disorot dan akan muncul kotak New Map Composition Tools, maka akan muncul kotak sebagai berikut :

Ø Untuk menentukan Grid, Klik Pilih Category: pilih gambar huruf LL. Drag gambar LL kedalam citra yang diberianotasi. Pilih kotak Map Object Attributes, klik Fit Grid supaya grid masuk kedalam citra. Ubah Left Labels Oreaitation menjadi vertical Up, sedangkan Top Labels Orientaton menjadi Horizontal Right.

Ø Untuk membuat mata angin, pada kotak Map Atributs Object, load data pada Classified raster File, masukan Scal bar untuk arah mata angin

Ø Untuk menulis judul serta keterangan lain klik

Ø Save Anotasi yang kita buat dengan tanda disket hitam pada Tools Box, pilih vektor dan beri nama.

J. Pencetakan /Printing

Ø Buka komposisi peta yang kita buat.

Ø Pada menubars pilih File kemudian Print, Klik Print, maka akan muncul kotak:

Ø Apabila citra hasil anotasi peta akan diprint ke Hard Copy, maka klik Hard Copy Contol Files, kemudian klik pula Fit page to output device. Kemudian klik Setup

Ø Ubah SERMTP/ermhe.bmp pada Filter Program menjadi direktori dan nama file baru.

BAB IV

KESIMPULAN

Pemanfaatan teknologi dalam pengelolaan data merupakan hal yang sudah wajar dan menjadi suatu kebutuhan yang penting pada saat ini. Oleh karena itu pengasaan teknologi sistem informasi berbasis komputer merupakan hal yang mutlak dan sangat wajar untuk dapat dikuasai oleh para mahasiswa khususnya mahasiswa Georafi. Pengusaan pengeloaan Sistem Informasi Geografis, dapat dijadikan bekal kompetensi ketika terjun ke masyarakat.

Er Mapper merupakan salah satu perangkat lunak dalam pengelolaan data berbasis citra. Penggabungan pengelolaan data citra dari raster menjadi vektor merupakan salah satu kemampuan yang dimiliki oleh softwere ini. Hal tersebut akan sangat membantu dalam mengidentifikasi fenomena dilapangan,seperti penggunaan lahan, kerapatan vegetasi, dan tingkat pencemaran. Selanjutnya akan sangat bermanfaat dalam sebagai sumber data untuk analisis lebih lanjut.

Seperti yang diungkapkan dalam Laporan ini, dengan menggunakan program Er Mapper, berdasarkan kenampakan citra dan penggunaan berbagai saluran (band) yang menangkap berbagai spektrum yang nampak, dapat ditentukan dan diklasifikasikan penggunaan lahan serta kerapatan vegetasi di Daerah Pantai Pangandaran Kabupaten Ciamis. Sehingga menghasilkan suatu data yang ditampilkan dalam bentuk peta.

DAFTAR PUSTAKA

Budiman, s (2001). Praktikum Umum Pendidikan dan Pelatihan Dasar Terampil Tingkat I. Jakarta : LAPAN

Gunawan, I (1994). Remote Sensing & Geographical Information System. Jakarta: University of Tokyo.

Lillesand dan Kiefer (1990). Penginderaan Jauh dan Interpretasi Citra. (Alih bahasa oleh Dulbahri. Yogyakarta: Gadjah Mada University Press.

Mazerall. Reorganization of Geomatics Canada, Geomatica, Vol. 49, No.2, 1995, pp.232-233. Peter Paul, National Atlas Information Service, Canada Center for Mapping, Geomatics Canada, Geomatics Canada and the World Wide Web (WWW), Geomatica, Vol. 49, No.1, 1995

Perdiana, Pemi(2004). Inventarisasi Terumbu Karang di Wilayah perairan kab. Garut dengan Memanfaatkan Teknik penginderaan Jauh. Skripsi Jurusan Pendidikan Geografi FPIPS. Tidak diterbitkan.

Sutanto. (1992). Penginderaan Jauh Jilid I (cetakan kedua). Yogyakarta: Gadjah Mada University Press

www.LAPAN.or.id