Ekstraksi Citra Pengembangan Model

3.3.1 Ekstraksi Citra

Pengolahan citra diawali dengan dilakukannya koreksi geometrik, radiometrik dan atmosferik untuk mengurangi noise pada data. Citra MODIS yang sudah terkoreksi kemudian di ekstraksi nilai digitalnya menjadi nilai radiansi. Ekstraksi citra dibagi menjadi dua yaitu ektraksi untuk estimasi konsentrasi padatan tersuspensi TSS yang akan digunakan untuk pengembangan model dan ekstraksi klorofil-a. Proses ekstraksi nilai digital menjadi nilai radiansi menggunakan persamaan berikut: Radiansi = DNScale + Offset……………………………………………. pers.1 Nilai koefisien skala dan offset untuk mengubah digital number DN ke dalam radiansi dapat dilihat pada Tabel 3. Tabel 3. Nilai koefisien untuk mengubah DN ke radiansi W m -2 µm -1 sr -1 di panjang gelombang sinar tampak dari satelit Terra dan Aqua MODIS Satelit Kanal -1 merah Kanal - 4 hijau Kanal - 3 biru Scale offset Scale offset Scale offset Terra 0.0262678 0.0189215 0.0216817 Aqua 0.0286548 0.0188667 0.0219852 Sumber: NASA Goddart Space Flight Center Nilai ekstrak radiansi citra MODIS untuk TSS digunakan bersama dengan data in situ TSS untuk membuat model algoritma yang sesuai untuk estimasi TSS. Model percobaan kemudian di uji dengan uji-uji statistik dan diseleksi untuk mencari model algoritma yang paling baik digunakan. Sebaran klorofil-a dipetakan dengan menggunakan algoritma yang sudah ada yaitu algoritma Wouthuyzen dkk 2006: y = 250.09x 3 - 106.92x 2 + 11.781x + 0.0776……………………………… pers.2 dimana: y adalah sebaran klorofil-a x adalah kromatisiti merah = ND band merahND band merah + ND band hijau + ND band biru

3.3.2 Pengembangan Model

Pengembangan model empiris pendugaan total padatan tersuspensi dilakukan dengan cara mengkorelasikan nilai ekstrak radiansi citra MODIS pada koordinat yang sama dengan menggunakan berbagai bentuk persamaan regresi Tabel 4. Pengembangan model algoritma untuk estimasi konsentrasi padatan tersuspensi perairan dilakukan dengan komposit nilai radiansi pada kanal 1, kanal 3, dan kanal 4 yang dapat menggambarkan distribusi blooming alga Kahru et al. 2005. Perbandingan radiansi yang digunakan untuk menduga parameter padatan tersuspensi dapat berupa radiansi pada kanal tunggal, rasio antar kanal, ataupun transformasi kromatisiti antar kanal dari citra MODIS. Berdasarkan Wouthuyzen et al . 2008 in Lestari 2009, transformasi radiansi pada kanal 1 merah, kanal 4 hijau dan kanal 3 biru pada citra MODIS adalah sebagai berikut: 1. Rasio kanal merah biru = 3 1 kanal kanal 2. Rasio kanal merah hijau = 4 1 kanal kanal 3. Rasio kanal biru hijau = 4 3 kanal kanal 4. Kromatisiti merah = 4 3 1 1 kanal kanal kanal kanal + + 5. Kromatisiti biru = 4 3 1 3 kanal kanal kanal kanal + + 6. Kromatisiti hijau = 4 3 1 4 kanal kanal kanal kanal + + Persamaan yang akan dicoba untuk membuat model algoritma yaitu bentuk persamaan regresi pada Tabel 4. Variabel x adalah nilai radiansi citra setiap kanal, sedangkan y adalah nilai konsentrasi padatan tersuspensi pada koordinat dan tanggal yang sama. Tabel 4. Bentuk Persamaan Regresi No. Model Persamaan Bentuk Model 1 Linear y = ax + b 2 Eksponensial y = a exp bx 3 Polinomial orde 2 y = ax 2 + bx + c 4 Polinomial orde 3 y = ax 3 + bx 2 + cx + d 5 Logaritmik y = alnx + b 6 Power y = a x b Model algoritma yang akan dikembangkan menggunakan persamaan regresi antara konsentrasi TSS in situ dengan nilai radiansi kanal tunggal, rasio antar kanal, dan transformasi kromatisiti kanal merah, hijau atau biru. Algoritma yang telah dihasilkan selanjutnya diaplikasikan pada citra untuk digunakan dalam estimasi padatan tersuspensi dan divalidasi dengan nilai in situ. Dari beberapa model algoritma pendugaan nilai TSS yang dihasilkan kemudian dipilih yang terbaik dengan koefisien determinasi R 2 tertinggi dan RMS error Root mean square error terkecil, untuk melihat keeratan hubungan antara nilai data in situ dan hasil dugaan. Bila R 2 mendekati +1 hubungan antara kedua peubah tersebut kuat, maka terdapat korelasi yang tinggi antara keduanya. Sebaliknya jika R 2 mendekati nol, hubungan linear keduanya sangat lemah Walpole, 1995. Sedangkan nilai RMS error yang mendekati nilai nol 0 akan menunjukkan model algoritma semakin baik. RMS error = 2 2 − − n dugaan nilai insitu nilai …………………………… pers.3 Keterangan: Nilai insitu adalah konsentrasi TSS hasil pengukuran Nilai dugaan adalah konsentrasi TSS hasil pengembangan model n adalah jumlah data

3.3.3 Pengujian Model