ACARA 10
I. TUJUAN:Acara ini bertujuan untuk melatih mahasiswa agar dapat
melakukan analisis data keruangan dan kewilayahan yang berupa:1.
Mengimpor citra (dalam bentuk data raster) untuk dibuka di
ArcView.2. Mengolah citra Penginderaan Jauh dengan menggunakan
Image Analysis (IA) yang merupakan sebuah ekstension ArcView yang
dibuat oleh ERDAS ( developer dari perangkat lunak pengolahan citra
Penginderaan Jauh yang banyak dipakai).3. Melakukan pengelompokan
kenampakan/area dengan karakter sama .4. Mengubah data dalam bentuk
raster menjadi vektor dengan menggunakan bantuan ekstensi Image
Analysis (IA).
II. ALAT DAN BAHANBahan untuk acara ini meliputi:1. Citra dengan
skala 1:25.000
Adapun alat yang digunakan pada acara ini meliputi :1.
Seperangkat komputer lengkap (CPU, monitor, mouse dan keyboard)
dengan Sistem Operasi Windows 98 (minimal).2. Software ArcView
Versi 3.2 atau ArcView Versi 3.3.3. ArcView Extension terutama
Image Analysis (IA).
III. PENDAHULUAN Penginderaan jauh pada awalnya dikembangkan
dari teknik interpretasi foto udara. Pada tahun 1919 telah dimulai
upaya pemotretan melalui pesawat terbang dan interpretasi foto
udara (Howard, 1990). Meskipun demikian, teknik interpretasi foto
udara untuk keperluan sipil (damai) sendiri baru berkembang pesat
setelah Perang Dunia II, karena sebelumnya foto udara lebih banyak
dimanfaatkan untuk kebutuhan militer. Dalam tiga puluh tahun
terakhir, penggunaan teknologi satelit dan teknologi komputer untuk
menghasilkan informasi keruangan (atau peta) suatu wilayah semakin
dirasakan manfaatnya. Penggunaan teknik interpretasi citra secara
manual, baik dengan foto udara maupun citra non-fotografik yang
diambil melalui wahana selain pesawat udara dan sensor selain
kamera hingga saat ini telah cukup mapan dan diakui manfaat dan
akurasinya. Di sisi lain, pengolahan atau pemrosesan citra satelit
secara digital telah taraf operasional untuk seluruh aplikasi di
bidang survei-pemetaan. Hampir bersamaan dengan perkembangan teknik
analisis data keruangan melalui teknologi SIG, kebutuhan akan citra
digital yang diperoleh melalui perekaman sensor satelit sumberdaya
pun semakin meningkat. Perolehan data penginderaan jauhmelalui
satelit menawarkan beberapa keunggulan dibandingkan melalui
pemotretan udara, antara lain dari segi harga, periode ulang
perekaman daerah yang sama, pemilihan spektrum panjang gelombang
untuk mengatasi hambatan atmosfer, serta kombinasi saluran spektral
(band) yang dapat diatur sesuai dengan tujuan.Memasuki awal
sasrawarsa (milenium) ketiga ini, telah beredar banyak jenis
satelit sumberdaya yang diluncurkan oleh banyak negara. Dari negara
maju seperti Amerika Serikat, Kanada, Perancis, Jepang, dan Rusia,
hingga negara-negara besar namun dengan pendapatan per kapita yang
masih relatif rendah seperti India dan Republik Rakyat Cina.
Berbagai satelit sumberdaya yang diluncurkan itu menawarkan
kemam-puan yang bervariasi, dari resolusi sekitar satu meter atau
kurang (IKONOS, OrbView, QuickBird dan GeoEye milik perusahaan
swasta Amerika Serikat), 10 meter atau kurang (SPOT milik Perancis,
COSMOS milik Rusia, IRS milik India dan ALOS milik Jepang), 15-30
meter (ASTER yang merupakan proyek kerjasama Jepang dan NASA,
Landsat 7 ETM+ milik Amerika Serikat, yang sayangnya mengalami
kerusakan sejak tahun 2003), 50 meter (MOS, milik Jepang), 250 dan
500 meter (MODIS milik Jepang) hingga 1,1 km (NOAA-AVHRR milik
Amerika Serikat).Banyak negara di Eropa, Amerika Utara, Amerika
Latin, Asia, dan bahkan Afrika telah memanfaatkan citra satelit itu
untuk pembangunan, baik dalam pengelolaan sumberdaya maupun
mitigasi bencana alam. Tahun-tahun belakangan ini, negera-negara
berkembang seperti Thailand, Malaysia, Nigeria dan Indonesia pun
menyusul untuk meluncurkan dan mengoperasikan satelit penginderaan
jauhberukuran kecil. Sensor-sensor satelit baru tidak hanya
beroperasi pada wilayah multispektral. Saluran pankromatik dengan
resolusi spasial yang lebih tinggi daripada saluran spektral lain
pada sensor yang sama juga dioperasikan oleh berbagai sistem.
Sensor aktif seperti radar juga telah dioperasikan oleh berbagai
satelit seperti JERS (Jepang), ERS dan Envisat (Uni Eropa),
Radarsat (Kanada); sementara sistem sensor aktif berbasis teknologi
laser (Lidar) terus dikembangkan untuk memperoleh informasi
ketinggian permukaan kanopi pepohonan dan ketinggian permukaan
tanahnya sekaligus. Sistem satelit Modis, Envisat dan EO-1 juga
mengangkut sensor hiperspektral dengan ratusan saluran spektral
untuk memperoleh informasi yang lebih spesifik mengenai objek,
termasuk komposisi kimia mineral dan spesies organisme.
IV. LANGKAH KERJAA. Mengimpor citra (dalam bentuk data raster)
untuk dibuka di ArcView.1. Aktifkan software ArcView dengan
melakukan klik dua kali icon pada desktop atau mengaktifkan dari
menu Start > Programs > ESRI > ArcView> ArcView 3.3.2.
Lanjutkan dengan membuka view baru, dan tekan tombol Add Theme.3.
Dari menu utama pilih File > Extension > Image Analysis lalu
pilih OK.
4. Buka citra dengan cara mengimpor citra. Gunakan button (add
theme. Tidak lama kemudian akan tampil Add Theme dialog box. Klik
drive sehingga kenampakan akan berubah seperti yang terlihat pada
gambar.5. Arahkan slider ke bawah untuk mencari folder yang
digunakan untuk menyimpan Image Analysis Data Sources yang
diperlukan untuk praktikum pada acara ini.6. Pada kotak dialog Add
Theme, pada list Data Source Types, pilih Image Analysis Data
Source7. Buka file data sorong_citra_25000.img dan klik OK.8. Akan
muncul kotak dialog yang menanyakan apakah anda ingin IA (Image
Analysis) menghitung pyramid layers untuk citra tersebut. Pilih Yes
agar mempercepat proses pergantian layer apabila citra yang
ditampilkan berukuran besar dan melakukan zoom in dan zoom out
serta menggeser citra.
B. Malakukan pengelompokan kenampakan/area dengan karak ter sama
menggunakan Seed tool
1. Aktifkan theme sorong_citra_25000.img dengan mengklik theme
tersebut.2. Menggunakan Seed tool3. Zoom daerah yang diinginkan,
misalnya pemukiman di sekitar bandara.4. Dari menu Image Analysis,
pilih Seed Tool Properties. Fasiiitas ini sangat berguna untuk
proses identifikasi cepat seperti bekas kebakaran hutan, atau
daerah terbuka.
5. Di dalam kotak isian Seed Radius, ketikkan 5 pixels . Seed
Radius menentukan jumiah pixel di sekeliling pixel target.6.
Kemudian pastikan kotak Include Islands Polygon tidak terpilih.7.
Klik OK dalam dialog Seed Tool Properties.8. Klik ikon yang ada
pada menu utama, kemudian klik di tengah-tengah daerah yang
diinginkan. Seed Tool akan bekerja beberapa saat untuk membuat
polygon yang mencakup pixel -pixel dengan karakter yang serupa
dengan pixel seed.9. Simpan hasil identifikasi area dengan karakter
yang sama menggunakan Seed Tool.
Gambar hasil indentifikasi area dengan karakter yang sama
C. Mengidentifikasi Area Berasarkan Kesamaan Karakteristik
Menggunakan Find Like Areas1. Tampilkan data citra yang sama
(sorong_citra_25000.img) pada sebuah view baru.2. Klik tombol Seed
tool , kemudian buat titik atau poligon untuk memilih sebuah area
yang diinginkan (semisal lahan terbuka).3. Pastikan bahwa poligon
tersebut dalam keadaan terpilih.4. Dari Image Analysis menu, pilih
Find Like Areas.5. Klik tombol New untuk membuat thema baru. Akan
muncul New Classification dalam kotak Output image Theme.
6. Klik pada kotak Class Name dan ketik 'Lahan Terbuka',
kemudian tekan Enter pada keyboard.7. Klik OK pada kotak dialog
Find Like Areas
8. Setelah proses selesai lihat pada citra akan dihasilkan
klasifikasi pada area yang memiliki kesamaan nilai atau
karakter.
D. Menambahkan sebuah kelas pada theme yang sudah ada
1. Sama dengan langkah sebelumnya, buat sebuah poligon pada
tutupan air.2. Pastikan gambar poligon tersebut terpilih.3. Dari
Image Analysis menu, pilih Find Like Areas
4. Klik pada Output Image Theme dan pilih thema yang sudah ada
(New Classification).5. Klik pada kotak Class Name, ketik Air".6.
Klik OK pada kotak dialog Find Like Areas.7. Ketika proses selesai
maka akan ditambahkan kelas baru pada theme yang sudah ada yaitu
"Air".8. Simpan theme hasil klasifikasi dengan melakukan convert
shape dari menu Theme > Convert to Shapefile. Pastikan theme
yang akan di convert telah dipilih.
9. Pilih direktori tempat penyimpanan theme baru, beri nama
theme pada kolom File Name, kemudian klik OK.10. Simpan project
dengan perintah File > Save.
V. HASIL PRAKTIKUM1. Identifikasi Area Berasarkan Kesamaan
Karakteristik Menggunakan Find Like Areas2. Pengelompokan
kenampakan/area dengan karakter sama menggunakan Seed Tool.
VI. PEMBAHASANPenginderaan jauh sekarang tidak hanya menjadi
alat bantu dalam menyelesaikan masalah. Begitu luasnya lingkup
aplikasi penginderaan jauhsehingga dewasa ini bidang tersebut telah
menjadi semacam, kerangka kerja (framework) dalam menyelesaikan
berbagai masalah terkait dengan aspek ruang (lokasi, area),
lingkungan (ekologis) dan kewilayahan (regional). Perkembangan ini
meliputi skala sangat besar (lingkup sempit) hingga skala sangat
kecil (lingkup sangat luas). Penginderaan jauh di awal
perkembangannya berasosiasi dengan aplikasi militer, karena
gambaran wilayah yang dapat disajikan secara vertikal mampu
memberikan inspirasi bagi pengembangan strategi perang yang lebih
efektif daripada peta. Efektivitas ini khususnya menyangkut
pemantauan posisi dan pergerakan musuh, serta peluang penyerbuan
dari titik-titik tertentu. Kemajuan teknologi pemotretan yang
melibatkan film peka sinar inframerah dekat juga telah mendukung
analisis militer dalam membedakan kenampakan kamuflase objek
militer dari objek-objek alami seperti misalnya pepohonan. Namun
saat ini, aplikasi penginderaan jauh tidak hanya berperan penting
dalam bidang militer saja, namun bidang-bidang lain seperti
pembangunan tata kota, kelautan, kehutanan, dan berbagai macam
bidang lain.Dalam hasil praktikum terlihat contoh aplikasi
sederhana penginderaan jauh dengan metode find like area, dimana
user bisa menemukan area lain yang serupa dengan area yang dipilih
dalam citra. Metode ini sangat berguna, misalnya dalam menentukan
luas hutan, lokasi permukiman, atau mencari berbagai macam bentuk
penggunaan lahan dan sumber daya. Di Indonesia sendiri penggunaan
penginderaan jauh untuk survei-pemetaansumberdaya telah dimulai
oleh beberapa lembaga pada awal tahun 1970-an. Pada periode yang
sama, ketika berbagai lembaga di Indonesia masih belajar
memanfaatkan foto udara, Amerika Serikat pada tahun 1972 telah
meluncurkan satelit sumberdaya ERTS-1 (Earth Resources Technology
Satellite- 1), yang kemudian diberi nama baru menjadi Landsat-1.
Satelit ini mampu merekam hampir seluruh permukaan bumi pada
beberapa spektra panjang gelombang, dan dengan resolusi spasial
sekitar 80 meter. Sepuluh tahun kemudian, Amerika Serikat telah
meluncurkan satelit sumberdaya Landsat-4 (Landsat-D) yang merupakan
satelit sumberdaya generasi kedua, dengan memasang sensor
baruThematic Mapperyang mempunyai resolusi yang jauh lebih tinggi
daripada pendahulunya, yaitu 30 meter pada enam saluran spektral
pantulan dan 120 meter pada satu saluran spektral pancaran termal.
Pada tahun yang hampir bersamaan itu pula, beberapa lembaga di
Indonesia baru mulai memasang sistem komputer pengolah citra
digital satelit, dan menjadi salah satu negara yang termasuk awal
di Asia Tenggara dalam penerapan sistem pengolah citra digital.
Meskipun demikian, tampak nyata bahwa Indonesia sebagai negara
berkembang cenderung tertinggal dalam pengembangan dan pemanfaatan
teknologi.
VII. KESIMPULAN1. Penginderaan jauh di awal perkembangannya
digunakan untuk aplikasi militer, namun saat ini terdapat berbagai
macam aplikasi penginderaan jauh, seperti bidang tata kota,
kehutanan, kelautan, dan sebagainya.2. Salah satu contoh aplikasi
sederhana penginderaan jauh adalah metode find like area, dimana
user bisa menemukan area lain yang serupa dengan area yang dipilih
dalam citra.3. Resolusi spasial yang dihasilkan pada citra
tergantung pada beda tinggi orbit, kecepatan mengorbit dan sistem
teleskop maupun sistem opto-elektronik detector.
DAFTAR PUSTAKA
Sutanto. 1979. Pengetahuan Dasar Interpretasi Citra. Yogyakarta:
Gadjah Mada University Press.