Tabel 1. Aplikasi prinsip dan saluran Spektral Thematic Mapper
Saluran Band
Panjang Gelombang μm
Potensi Pemanfaatan
1 0,45 – 0,52
Dirancang untuk penetrasi tubuh air, sehingga bermanfaat untuk pemetaan perairan pantai. Juga
berguna untuk membedakan antara tanah dengan vegetasi, tumbuhan berdaun lebar dan konifer.
2 0,52 – 0,60
Dirancang untuk mengukur puncak pantulan hijau saluran tampak bagi vegetasi guna
penilaian ketahanan.
3 0,63 – 0,69
Saluran absorpsi klorofil yang penting untuk diskriminasi vegetasi.
4 0,76 – 0,90
Bermanfaat untuk menentukan kandungan biomassa dan untuk delineasi tubuh air.
5 1,55 – 1,75
Menunjukkan kandungan kelembaban vegetasi dan kelembaban tanah. Juga bermanfaat untuk
membedakan salju dan awan.
6 2,08 – 2,35
Saluran inframerah termal yang penggunannya untuk perekaman vegetasi, diskriminasi
kelembaban tanah dan pemetaan termal.
7 10,45 – 12,50
Saluran yang diseleksi karena potensinya untuk membedakan tipe batuan dan untuk pemetaan
hidrotermal. Sumber : Lo 1995
2.7.5 Aplikasi Citra Landsat TM
Citra satelit landsat sebagai satelit sumberdaya bumi telah banyak digunakan dalam penelitian-penelitian di berbagai bidang ilmu pengetahuan. Contoh penggunaan
citra landsat dalam bidang kehutanan dan lingkungan antara lain : identifikasi penyebaran habitat, pemantauan perubahan penggunaan lahan atau tutupan lahan, evaluasi lahan
basah sebagai feeding ground burung air, identifikasi penyebaran spasial dan karakteristik ruang terbuka hijau RTH, serta masih banyak aplikasi-aplikasi yang
lainnya.
2.7.6 Analisis Digital Citra Satelit
Sejumlah informasi dapat diperoleh dari data Landsat dalam format salinan keras photographic, volume data Landsat yang melimpah dan berbentuk digital menjadikan
data tersebut lebih cocok dianalisis dengan bantuan komputer. Analisis digital dilakukan terhadap setiap piksel, melalui cara ini informasi yang diperoleh lebih banyak, karena
dapat mengidentifikasi derajat keheterogenan obyek Lillesand dan Kiefer, 1990. Menurut Lillesand dan Kiefer 1990, penganalisaan data Landsat dengan
menggunakan komputer dapat dikelompokkan sebagai berikut :
1. Pemulihan Citra Image Restoration
Tujuan dari pemulihan citra ini adalah untuk memperbaiki data citra yang mengalami distorsi ke arah gambaran yang lebih sesuai dengan gambar aslinya.
Kegiatannya meliputi pengkoreksian berbagai distorsi radiometrik dan geometrik yang mungkin ada pada citra asli.
2. Penajaman Citra Image Enchancement
Proses penajaman citra dilakukan untuk menguatkan tampilan kontras antar obyek pada sebuah citra. Pada berbagai terapan, langkah ini dapat meningkatkan jumlah
informasi yang dapat diinterpretasi secara visual dari data citra. 3.
Klasifikasi Citra Image Classification Teknik kuantitatif dapat diterapkan untuk interpretasi secara otomatik dan citra
digital. Tiap pengamatan piksel picture element dievaluasi dan ditetapkan pada suatu kelompok informasi, jadi mengganti arsip data citra dengan suatu matriks jenis kategori.
Menurut Jaya 1996 dalam Hastuti 1998, klasifikasi diartikan sebagai suatu proses pengelompokkan piksel-piksel ke dalam kelas-kelas atau kategori-kategori yang
telah ditentukan berdasarkan nilai kecerahan brightness value atau digital number DN piksel yang bersangkutan. Berdasarkan tekniknya, klasifikasi dapat dibedakan atas
klasifikasi manual dan klasifikasi kuntitatif. Pada klasifikasi manual, pengelompokka piksel ke dalam suatu kelas yang telah ditetapkan dilakukan oleh interpreter secara
manual berdasarkan nilai kecerahan BV, contoh yang diambil disebut sebagai area contoh trainning area.
Klasifikasi citra menurut Lillesand dan Kiefer 1990, dibagi kedalam dua pendekatan dasar klasifikasi yaitu klasifikasi terbimbing supervised classification dan
klasifikasi tidak terbimbing unsupervised classification. Pada klasifikasi terbimbing proses pengklasifikasian dilakukan dengan prosedur pengenalan pola spektral dengan
memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas yang digunakan sebagai dasar klasifikasi.
Pada poses klasifikasi tidak terbimbing dimulai dengan pemeriksaan seluruh piksel dan membagi kedalam kelas-kelas berdasarkan pengelompokkan nilai-nilai citra
seperti apa adanya. Hasil dari pengklasifikasian ini disebut kelas-kelas spektral. Kelas-
kelas spektral tersebut kemudian dibandingkan dengan kelas-kelas data referensi untuk menentukan identitas dan nilai informasi kelas spektral tersebut.
2.7.7 Analisis Akurasi