Perbandingan Metode Brovey dan PCA dalam Fusi Citra Pankromatik dan Multispektral

PERBANDINGAN METODE BROVEY DAN PCA
DALAM FUSI CITRA PANKROMATIK DAN MULTISPEKTRAL

Oleh:
ARUM WANDAYANI
G64103077

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2007

PERBANDINGAN METODE BROVEY DAN PCA
DALAM FUSI CITRA PANKROMATIK DAN MULTISPEKTRAL

Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Oleh:
ARUM WANDAYANI
G64103077

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2007

Judul
Nama
NIM

: Perbandingan Metode Brovey dan PCA dalam Fusi Citra
Pankromatik dan Multispektral
: Arum Wandayani
: G64103077

Menyetujui:

Pembimbing I

Pembimbing II

Rindang Karyadin, S.T., M.Kom.
NIP 132 311 915

Hari Agung A., S.Kom., M.Si.
NIP 132 311 918

Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Prof. Dr. Ir. Yonny Koesmaryono, MS
NIP 131 473 999

Tanggal Lulus:

ABSTRAK

ARUM WANDAYANI. Perbandingan Metode Brovey dan PCA dalam Fusi Citra Pankromatik
dan Multispektral. Dibimbing oleh RINDANG KARYADIN dan HARI AGUNG ADRIANTO.
Citra multispektral dengan resolusi spasial dan spektral yang tinggi sangat berguna untuk
mempermudah kegiatan analisis dalam bidang penginderaan jauh. Akan tetapi terdapat
keterbatasan sensor satelit penginderaan bumi dalam menyediakan citra multispektral resolusi
tinggi tersebut secara langsung. Pada umumnya satelit penginderaan dalam sekali perekaman
hanya mampu menghasilkan sepasang citra resolusi berbeda untuk suatu area pengamatan, yaitu
sebuah citra pankromatik (hitam putih) resolusi tinggi dan sebuah citra multispektral dengan
resolusi lebih rendah. Agar didapatkan citra multispektral dengan resolusi lebih tinggi
dilakukanlah penggabungan pasangan citra pankromatik dan multispektral awal, atau biasa disebut
teknik fusi citra (image fusion).
Penelitian ini bertujuan mengimplementasikan teknik fusi citra pada citra satelit dengan
resolusi berbeda. Selain itu melakukan perbandingan antara metode fusi dengan menggunakan
kriteria spasial dalam menghitung kesamaan informasi spasial citra hasil fusi dengan citra
pankromatik awal dan kriteria fidelitas dalam menghitung hilangnya informasi spektral citra awal.
Data yang digunakan adalah pasangan citra QuickBird dengan resolusi spasial citra pankromatik
dan resolusi citra multispektral awal sebesar 0.6 meter dan 2.4 meter, serta citra Landsat dengan
resolusi citra sebesar 15 meter dan 30 meter. Teknik fusi yang dilakukan adalah transformasi
Brovey dan transformasi PCA.
Penelitian menunjukkan bahwa metode Brovey mampu memberikan penambahan informasi

spasial yang hampir menyamai informasi spasial yang terkandung pada citra pankromatik awal,
akan tetapi kurang memberikan fidelitas secara spektral. Hal sebaliknya ditunjukkan oleh citra
hasil metode PCA yang kurang memberikan penambahan informasi spasial akan tetapi mampu
memberikan fidelitas spektral yang tinggi. Pemilihan antara kedua teknik fusi ini didasarkan pada
keperluan analisis, secara spasial atau secara spektral. Penelitian selanjutnya dapat difokuskan
untuk melihat sejauh mana citra hasil fusi mampu memberikan keakuratan secara spasial baik
dalam hal klasifikasi tak terbimbing maupun terbimbing, ataupun dalam hal pengekstraksian objek
spasial.
Kata kunci: Fusi Citra Satelit, Image Fusion, Analisis Multispektral, Pankromatik, Brovey
Transform, PCA Transform.

ABSTRACT
ARUM WANDAYANI. Comparison of Brovey and PCA Transform in Fusing Panchromatic and
Multispectral Images. Under the direction of RINDANG KARYADIN and HARI AGUNG
ADRIANTO.
Multispectral image with high spatial and spectral resolution facilitates a remote sensing
analysis. But the sensor of existing earth resource satellite has a limitation in providing this high
resolution multispectral image (HRMI) directly. In general, for a single take of an area, satellite
sensor can only produce a bundle of images with different resolution which consist of a high
resolution panchromatic image and a multispectral image in lower resolution. In order to obtain

high resolution multispectral image, the panchromatic and multispectral images are being
integrated with a technique called image fusion.
The objective of this research is to implement the image satellite fusion method with
different resolution. Other goal is to make comparisons between fusion methods by using the
spatial criterion in measuring the likeness of spatial information between the resulted image and
the initial high resolution panchromatic image (HRPI) and using the fidelity criterion in measuring
spectral information’s loss from the initial low resolution multispectral image (LRMI). Data that
being used are QuickBird’s imagery with HRPI’s and LRMI’s resolution reach 0.6 meters and 2.4
meters, and also Landsat’s imagery with image resolution of 15 meters and 30 meters each. The
fusion method that being applied are the Brovey and the PCA Transform.
This research shows that Brovey method adds more spatial information of the HRPI, but
this method fails to give good result in the domain of spectral fidelity. The opposite thing happens
with PCA method which poorly increases the spatial information but gives higher spectral fidelity.
The choice between the two methods depends on the objective of the remote sensed analysis,
whether spatial or spectral analysis. Further research can be focused on evaluating the capability of
fused image to give the spatially accuracy in unsupervised or supervised classification, or even in
subtracting the spatial object.
Keywords: Satellite Imagery Fusion, Image Fusion, Multispectral Analysis, Panchromatic, Brovey
Transform, PCA Transform.

KATA PENGANTAR
Puji dan syukur dipanjatkan kepada Allah SWT atas segala rahmat dan karunia-Nya
sehingga tugas akhir ini dapat diselesaikan. Dalam penelitian ini, diambil judul Perbandingan
Metode Brovey dan PCA dalam Fusi Citra Pankromatik dan Multispektral.
Terima kasih ditujukan kepada Bapak Rindang Karyadin, S.T., M.Kom. dan Bapak Hari
Agung Adrianto, S.Kom, M.Si. selaku pembimbing, serta kepada Ibu Yeni Herdiyeni, S.Si.,
M.Kom. selaku penguji, atas bantuan dan masukan yang diberikan guna penyelesaian penelitian
ini. Terima kasih juga ditujukan kepada Bapak Sayudiyanta S.Si. selaku pembimbing praktik kerja
lapangan yang telah memberikan saran dan memperkenalkan topik penelitian ini serta Bapak
Bambang Trisasongko yang telah banyak memberi masukan dan nasehat. Tak lupa pula terima
kasih diperuntukkan kepada Maryam Dehghani, Mr. Armenakis Costas, Mr. Bruno Aiazzi, Mr.
Victor JD. Tsai, Ibu Sri Nurdiati, Bapak Ahmad Ridha, staf Tata Usaha Departemen Ilmu
Komputer, Bapak Soleh, Bapak Pendi dan Mas Irvan yang telah memberikan bantuan dan
masukan dalam pengerjaan tugas akhir ini. Ungkapan terima kasih juga disampaikan kepada kedua
orang tua tercinta, Mbak Yayuk, Aryo, Mas Aul, rekan-rekan ilmu komputer angkatan 40 serta
pihak-pihak yang tidak dapat seluruhnya disebutkan, atas perhatian, doa, nasehat, dan dukungan
yang telah diberikan. Terima kasih banyak.
Penulisan tugas akhir ini masih jauh dari sempurna. Namun demikian diharapkan tugas
akhir ini dapat bermanfaat bagi yang membutuhkannya.

Bogor, Agustus 2007

Arum Wandayani

RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 11 Desember 1981, putri pertama dari dua
bersaudara, dari pasangan Kuswantoro S.Sos., M.Sc. dan Sri Suyani. Tahun 2000 penulis
menyelesaikan pendidikan lanjutan tingkat atas di SMUN 1 Bogor dan diterima di Institut
Pertanian Bogor melalui jalur USMI (Undangan Seleksi Masuk IPB) dengan program studi pilihan
Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam. Akan tetapi karena satu dan
lain hal penulis tidak meneruskan studinya di IPB pada tahun yang sama.
Tahun 2003 penulis melanjutkan studinya kembali di Departemen Ilmu Komputer Fakultas
Matematika dan Ilmu Pengetahuan Alam IPB sebagai mahasiswa angkatan ke-40. Penulis
menyukai membaca buku dan menggemari film Korea dan Jepang. Dalam kehidupan kampus,
terutama pada tahun pertama dan kedua, penulis pun aktif menjadi anggota kepanitiaan kegiatan
Himpro HIMALKOM (Himpunan Mahasiswa Ilmu Komputer).

DAFTAR ISI
Halaman

DAFTAR TABEL ...............................................................................................................................iv
DAFTAR GAMBAR ...........................................................................................................................v
DAFTAR LAMPIRAN.......................................................................................................................vi
PENDAHULUAN................................................................................................................................1
Latar Belakang................................................................................................................................1
Tujuan Penelitian............................................................................................................................1
Ruang Lingkup ...............................................................................................................................1
Manfaat Penelitian..........................................................................................................................1
TINJAUAN PUSTAKA.......................................................................................................................1
Fusi Citra (Image Fusion) ..............................................................................................................1
Pemulihan Citra ..............................................................................................................................2
Metode Interpolasi..........................................................................................................................2
Metode Interleave...........................................................................................................................2
Transformasi Brovey ......................................................................................................................3
Principal Component Analysis (PCA) ...........................................................................................3
Analisis Kinerja Kuantitatif Hasil Fusi..........................................................................................3
METODE PENELITIAN.....................................................................................................................4
Metode Penelitian...........................................................................................................................4
Lingkungan Pengembangan ...........................................................................................................5
HASIL DAN PEMBAHASAN............................................................................................................5

Persiapan Data ................................................................................................................................5
Registrasi, Crop, dan Resampling..................................................................................................6
Metode Fusi ....................................................................................................................................6
Perbandingan Visualisasi ...............................................................................................................7
Perbandingan Kriteria Kuantitatif ..................................................................................................8
KESIMPULAN DAN SARAN............................................................................................................9
Kesimpulan .....................................................................................................................................9
Saran ...............................................................................................................................................9
DAFTAR PUSTAKA ..........................................................................................................................9
LAMPIRAN .......................................................................................................................................11

iv

DAFTAR TABEL

Halaman

1 Ukuran dan dimensi data...................................................................................................................7
2 Perbandingan proses fusi...................................................................................................................7
3 Koefisien korelasi antara citra multispektral hasil fusi dengan citra pankromatik awal .................8

4 Nilai RMSE antara citra multispektral hasil fusi dengan citra multispektral awal..........................8

v

DAFTAR GAMBAR
Halaman

1 Representasi citra multispektral......................................................................................................2
2 Diagram alir penelitian. ..................................................................................................................4
3 Diagram alir metode fusi PCA. ......................................................................................................4
4 Subset citra QuickBird (uint16). .....................................................................................................5
5 Subset citra Landsat (uint8). ...........................................................................................................5
6 Proses penentuan GCP....................................................................................................................6
7 Citra hasil fusi Brovey. ...................................................................................................................6
8 Citra hasil fusi PCA. .......................................................................................................................7
9 Subset citra pankromatik dan multispektral QuickBird awal. .......................................................8
10 Area zoom (a) citra Pan, (b) hasil fusi PCA, (c) hasil fusi Brovey. ...............................................8

vi

DAFTAR LAMPIRAN

Halaman

1 Visualisasi dan karakteristik data awal QuickBird.........................................................................12
2 Visualisasi dan karakteristik data awal Landsat .............................................................................14
3 Hasil metode fusi citra ....................................................................................................................17
4 Perbandingan visual citra hasil fusi Brovey dan PCA ...................................................................19

1

PENDAHULUAN
Latar Belakang
Pada sistem sensor satelit penginderaan
jauh (inderaja), resolusi spasial dan resolusi
spektral citra merupakan hal yang saling
bertolak belakang. Beberapa satelit penginderaan mampu memberikan citra dengan
informasi
multispektral
yang
dapat
membedakan fitur secara spektral tetapi tidak
secara spasial, begitu pula sebaliknya (Wang
et al. 2005). Bahkan sebuah sensor satelit
penginderaan yang mampu memberikan
rekaman citra pankromatik (hitam putih)
dengan resolusi spasial tertinggi, hanya
mampu merekam citra multispektral dengan
resolusi spasial seperempat kali lebih rendah.
Pada dasarnya sebuah citra pankromatik
(hitam putih) mempunyai rentang spektrum
gelombang yang lebih besar daripada kanal
(band) multispektral (berwarna). Dengan
demikian untuk menerima sejumlah energi
yang sama, ukuran sensor pankromatik dapat
lebih kecil dibandingkan sensor multispektral.
Oleh karena itu dalam sekali perekaman,
sensor pankromatik dengan ukuran yang sama
dapat memberikan lebih banyak informasi
spasial. Selain itu volume data sepasang citra
pankromatik resolusi tinggi dan citra
multispektral resolusi rendah akan jauh lebih
kecil bila dibandingkan dengan volume
sebuah citra multispektral resolusi tinggi
(Zhang 2004).
Keterbatasan pada penyediaan citra
multispektral
beresolusi
tinggi
ini
menyebabkan diperlukannya solusi untuk
menghasilkan citra multispektral yang kaya
akan informasi spasial maupun informasi
warna. Image fusion (fusi citra) atau pansharpening
adalah
teknik
untuk
menggabungkan detail geometri (spasial) dan
detail warna (spektral) pada pasangan citra
awal sehingga didapatkan citra multispektral
baru dengan informasi spasial dan spektral
setajam mungkin. Proses fusi citra pada
bidang
penginderaan
jauh
bertujuan
mempermudah langkah analisis citra satelit,
terutama pada analisis yang memerlukan
ekstraksi objek citra secara detail, antara lain
pada analisis penggunaan lahan (land use),
analisis tata ruang kota, analisis tren
perkembangan wilayah ataupun aplikasi
prediksi bencana alam. Pada dasarnya
penelitian yang dilakukan ini mengacu pada
jurnal penelitian Dehghani 2003, Tsai 2004,
dan Wang et al. 2005.

Tujuan Penelitian
Penelitian yang dilakukan bertujuan
mengaplikasikan teknik fusi citra (image
fusion) pada suatu citra satelit. Tujuan lain
yang ingin dicapai adalah mengevaluasi dan
membandingkan sejauh mana metode
transformasi
Brovey
dan
Principal
Component
Analysis
(PCA)
mampu
memberikan kedetailan informasi warna dan
informasi spasial. Ukuran perbandingan yang
ingin diamati adalah nilai penambahan
informasi spasial dan nilai kesalahan
informasi warna antara citra hasil fusi dan
pasangan citra awal.
Ruang Lingkup
Metode fusi citra yang diaplikasikan dan
dibandingkan adalah metode transformasi
Brovey dan Principal Component Analysis.
Dalam pengujian aplikasi digunakan citra
subset yang lebih kecil dari pasangan citra
awal. Adapun citra multipektral hasil fusi
merupakan citra GEOTIFF/TIFF yang hanya
dapat menampung sebatas informasi dari 4
kanal spektral.
Manfaat Penelitian
Dari penelitian ini diharapkan dapat
memberikan suatu gambaran akan manfaat
teknik fusi citra satelit. Gambaran ini berupa
peningkatan informasi spasial dan informasi
warna pada citra hasil fusi.

TINJAUAN PUSTAKA
Fusi Citra (Image Fusion)
Pada bidang penginderaan jauh dikenal
definisi dari fusi data (data fusion), yaitu
sebuah format kerja formal tentang cara dan
alat bantu untuk menggabungkan data yang
didapatkan dari sumber yang berbeda. Data
fusion bertujuan mendapatkan informasi
dengan kualitas yang lebih baik. Definisi
’kualitas yang lebih baik’ akan bergantung
kepada aplikasinya (Wald 1999).
Data citra yang sering dipakai dalam
analisis penginderaan jauh antara lain adalah
citra pankromatik (pan) dengan informasi
keabu-abuan, yang umumnya memiliki
informasi spasial tinggi sehingga dapat
membantu melokasikan suatu objek di muka
bumi. Selain itu terdapat pula citra
multispektral berwarna dengan saluran
multispektrum (infra merah, cahaya tampak,

2

maupun ultra ungu) yang lebih memberikan
informasi warna berdasarkan pantulan dan
penyerapan sinar elektromagnetik oleh objek
yang ditangkap oleh sensor. Pada umumnya
citra multispektral yang ada beresolusi rendah,
dalam arti memiliki informasi spasial yang
rendah meskipun mampu memberi informasi
warna yang tinggi.

dekat terbebas dari distorsi tersebut.
Penyesuaian
histogram
(histogram
adjustment) dengan mengurangi nilai kanal
terdistorsi ke arah kiri, sehingga nilai
minimum kanal menjadi nol, akan dapat
memperbaiki
citra
secara
radiometris
(Lillesand & Kiefer 1990).

Kedua citra pankromatik dan multispektral
ini, terlebih lagi penggabungannya, memiliki
andil yang besar dalam aplikasi inderaja.
Proses penggabungan citra pankromatik dan
citra multispektral ini umum dikenal sebagai
image fusion atau pan-sharpening. Fusi citra
(image fusion) secara umum diartikan sebagai
teknik untuk mengintegrasikan detail geometri
atau spasial dari suatu citra pankromatik
(hitam putih) beresolusi tinggi dengan citra
multispektral beresolusi rendah. Tujuan yang
hendak dicapai dalam tahapan ini adalah
didapatkannya tepian objek (edge) yang
semakin jelas serta didapatkannya informasi
warna yang paling tajam dan representatif
dengan mengacu pada citra multispektral
awal.

Metode Interpolasi

Pemulihan Citra
Pada umumnya citra mengalami distorsi
yang menyebabkan ketidaksesuaian dengan
keadaan aslinya. Pemulihan distorsi citra
dilaksanakan baik dengan koreksi geometrik
maupun koreksi radiometrik. Distorsi
geometrik terjadi karena adanya pergeseran
piksel dari letak yang sebenarnya. Hal ini
disebabkan oleh ketidakstabilan sensor
ataupun kurang sempurnanya sistem kerja
pemindai. Distorsi secara geometrik pada data
asli dapat diperbaiki dengan cara melakukan
registrasi koordinat dengan bantuan titik
kontrol tanah (ground control point atau GCP)
yang lokasinya diketahui dengan tepat (georectification). Selain itu distorsi geometrik
dapat pula diperbaiki dengan teknik
resampling.
Perbaikan dengan teknik
resampling umumnya digunakan dengan
menggunakan teknik nearest neighbor,
bilinear, dan cubic interpolation.
Distorsi
radiometrik
antara
lain
diakibatkan oleh adanya pengaruh atmosfer
berupa penghamburan dan penyerapan, noise
pada waktu transmisi data, perubahan cahaya,
radiasi dan buramnya bagian optik pada
sistem pencitraan. Pada umumnya distorsi
radiometrik mempengaruhi kanal spektrum
visible (panjang gelombang 0.4-0.7 µm),
sedangkan sebagian besar kanal infra merah

Interpolasi digunakan untuk memperkirakan nilai antar piksel yang tidak diketahui,
akibat proses perubahan geometris citra,
seperti proses resize, ataupun proses
transformasi.
Tiga metode umum yang
digunakan adalah nearest-neighbor, bilinear,
dan bicubic. Nearest-neighbor memberikan
nilai piksel keluaran sesuai dengan nilai pada
titik acuan, sehingga memberikan kecepatan
proses yang tinggi. Bilinear memberikan nilai
keluaran yang mempertimbangkan nilai 2x2
piksel tetangga terdekat dari titik acuan,
umumnya digunakan karena ketepatan dan
kecepatannya. Adapun bicubic mempertimbangkan nilai keluaran dari informasi 4x4
tetangga terdekat (Matlab 2004).
Metode Interleave
Interleave menspesifikasikan bagaimana
sebuah data disimpan. Pada umumnya kanal
(band) citra multispektral didefinisikan
sebagai dimensi ketiga dalam array 3D,
sebagaimana dijelaskan Gambar 1 berikut ini.
Metode interleave ini terbagi menjadi tiga
format yaitu BSQ, BIL, dan BIP.

Gambar 1 Representasi citra multispektral.
Pada format BSQ (Band Sequential), tiap
keseluruhan kanal diikuti oleh keseluruhan
kanal berikutnya. Pada format BIL (Band
Interleaved by Line) baris pertama dari kanal
pertama kemudian diikuti dengan baris
pertama kanal kedua dan selanjutnya untuk
setiap kanal. Lalu pada format BIP (Band
Interleaved by Pixel), piksel pertama dari tiap
kanal diikuti oleh piksel kedua dari setiap
kanal dan seterusnya (ENVI 2003).

3

Transformasi Brovey
Transformasi Brovey merupakan metode
mudah untuk mengkombinasikan data dari
sensor berbeda, hanya saja terbatas untuk
komposisi tiga kanal spektral. Metode Brovey
bertujuan untuk menormalisasikan 3 kanal
spektral yang digunakan untuk display RGB
(Red Green Blue). Kemudian hasil
normalisasi dikalikan dengan informasi data
yang diinginkan, dalam hal ini citra
pankromatik
(Pan),
untuk
menambah
komponen intensitas dan kecerahan citra.
Formula yang digunakan dijelaskan pada
persamaan (1) berikut (Dehghani 2003):
Red=Band3/(Band1+Band2+Band3)×Pan
Green=Band2/(Band1+Band2+Band3)×Pan
Blue=Band1/(Band1+Band2+Band3)×Pan, (1)
dengan Pan adalah citra Pankromatik, Band1
adalah kanal merah, Band2 adalah kanal hijau,
dan Band3 adalah kanal biru.
Transformasi ini dapat meningkatkan
tingkat kekontrasan citra hasil. Dengan
demikian akan dihasilkan citra yang lebih
terang dari segi spektral warna. Akan tetapi
transformasi ini tidak cocok jika ingin tetap
mempertahankan nilai radiometri (spektral)
dari citra multispektral awal.
Principal Component Analysis (PCA)
Transformasi PCA bertujuan mereduksi
informasi dari komponen yang saling
berkorelasi menjadi komponen tereduksi baru
yang saling tidak berkorelasi. Dalam teknik
fusi
citra,
PCA
digunakan
untuk
menransformasi citra multispektral beresolusi
rendah untuk mendapatkan komponen penting
(principal component) representatif baru yang
saling tidak berkorelasi. Komponen penting
berisi informasi umum dari keseluruhan kanal
spektral, yang direpresentasikan dalam vektorvektor nilai eigen.
Proses untuk mendapatkan komponen
penting ini disebut sebagai transformasi
forward. Secara matematis dijelaskan pada
adalah digital
persamaan (2) dengan DN l
MS

number (DN) dari citra input multispektral
resolusi spasial rendah, PC 1 adalah principal
component pertama, dan matriks transformasi
ν terdiri dari vektor-vektor eigen yang
diurutkan berdasarkan nilai eigennya.

 PC 1   v11
 PC 2   v12
=

 L  L
 

 PCn   v1n

l

L vn1   DN MS
1


l
.
L vn 2  DN
MS 2 


L L 
M


L vnn   DN l


MSn 

v 21
v 22
L
v 2n

(2)
Vektor eigen yang memiliki nilai eigen
tertinggi merupakan komponen penting
pertama ( PC 1 ). PC 1 ini yang akan
digantikan oleh data citra pankromatik
beresolusi spasial tinggi, yang sebelumnya
direntangkan agar memiliki rataan (mean)
yang menyamai PC 1 . Secara matematis
transformasi backward dari metode fusi citra
menggunakan
PCA
dijelaskan
pada
h
persamaan (3), dengan DN
adalah citra
MS

multispektral hasil yang memiliki resolusi
spasial lebih tinggi dan DN h ' adalah citra
PAN
pankromatik yang telah direntangkan agar
menyamai rataan dari PC 1 .
h 
 DNMS
 v11 v12
1

h  v 21 v 22
 DNMS 2  = 
 M  L L

h   vn1 vn2
 
 DN MSn

Jika digabungkan
persamaan (4) berikut:

h' 
L v1n   DN PAN


L v2n  PC 2  .

L L  M 


L vnn  PCn 
(3)
maka akan didapat

h
l

  DNMS
 DNMS
1
1
 h   l 
DNMS2  = DNMS2  + DNh' − DNl
PAN
PAN
 M   M 
 h   l 
 DNMSn  DNMSn

(

)

v11
v21
 
 M 
 
vn1
(4)

dengan DN

l
PAN

h'
adalah
= PC 1 dan DN PAN

h
, yang telah direntangkan agar
DN PAN

memiliki
nilai
rataan
dan
menyerupai PC 1 (Wang et al. 2005).

ragam

Analisis Kinerja Kuantitatif Hasil Fusi

Analisis kinerja kuantitatif citra hasil fusi
terdiri dari dua kriteria, yaitu kriteria spasial
dan kriteria fidelitas.
¾ Kriteria Spasial (Spatial Criterion)

Kriteria ini bertujuan memaksimalkan
detail spasial dengan cara memaksimalkan
koefisien korelasi antara komponen spasial/
frekuensi tinggi dari citra hasil fusi dengan
citra
pankromatik
awal,
sebagaimana
dijelaskan pada persamaan (5) berikut.

4

corΧ, Υ =

MN∑ XY − (∑ X )(∑Y )

[MN∑ X

2

][

− (∑ X )2 MN∑Y 2 − (∑Y )2

(5)
dengan X adalah citra multispektral hasil fusi,
Y adalah citra pankromatik, dan M×N adalah
ukuran citra (Tsai 2004).
¾ Kriteria Fidelitas (Fidelity Criterion)

RMSE (k ) =

C itra
M ultis pek tral
T eregis tras i

R egis tras i, C rop , R es am pling

M etode F us i
B rov ey

M etode F us i
B rov ey

P e rh itu n g a n S ta tistik (m e a n,P D F)

R es haping dan Im age W rite
C itra H as il F us i

M −1 N −1

∑∑ (g (x, y, k ) − f (x, y, k ))

2

x=0 y =0

(6)
dengan f (x, y,k) adalah
awal dari kanal k yang
sebesar ukuran citra
g ( x, y , k ) adalah citra
ukuran M×N (Tsai 2004).

C itra
P ank rom atik
Teregis tras i

P e rh itu n g a n S ta tistik (m e a n,P D F)

Kriteria ini bertujuan meminimalkan
hilangnya informasi dari citra hasil fusi
dengan berpedoman pada citra multispektral
awal. Kriteria fidelitas dapat didefinisikan
dengan meminimalkan nilai root mean square
error (RMSE) pada persamaan (6) berikut.
1
MN

]

citra multispektral
telah di-resampling
pankromatik, dan
hasil fusi dengan

P enghitungan K riteria K uantitatif
dan P erbandingan
D is play C itra H as il dan N ilai P erbandingan

Gambar 2 Diagram alir penelitian.
Penjabaran dari metode fusi dengan
menggunakan transformasi PCA digambarkan
oleh Gambar 3 berikut ini.

METODE PENELITIAN
Metode penelitian yang dilakukan
menggunakan
data
pasangan
citra
pankromatik
dan
multispektral
satelit
QuickBird pencitraan area Taman Nasional
Kerinci Semblat serta citra pankromatik dan 6
citra spektral satelit Landsat pencitraan area
Singkawang. Secara garis besar metode
penelitian yang dilakukan adalah sebagai
berikut:
1 Dilakukan persiapan data citra dengan
bantuan perangkat lunak pemrosesan citra
satelit, ENVI, guna mendapatkan citra
dengan ukuran lebih kecil dari citra awal
untuk memudahkan komputasi dengan
Matlab.
2 Dilakukan pengimplementasian teknik fusi
citra menggunakan bahasa pemrograman
Matlab dengan alur seperti yang
ditunjukkan pada Gambar 2.

Multispektral
Teregistrasi

Concatenating dan Vectorizing
PCA Forward Transform
Perentangan Histogram

Metode Penelitian

Citra
Pankromatik
Teregistrasi

Perhitungan PDF Citra Pan (Input)
dan PC1 (Citra Referensi)
Perhitungan Fungsi Citra Pan
(Input) dan PC1 (Citra Referensi)

Perhitungan Fungsi Inversi
Citra Pan resolusi rendah
dgn mean seperti PC1
Penggantian PC1 dgn
Pan resolusi rendah
PCA Backward Transform

Gambar 3 Diagram alir metode fusi PCA.

5

Lingkungan Pengembangan

Persiapan Data

Perangkat lunak yang digunakan pada
penelitian ini adalah compiler Matlab versi
7.0.1.
dengan sistem operasi Microsoft
Window XP. Langkah persiapan citra
menggunakan perangkat lunak pemrosesan
citra satelit, ENVI versi 4.0., sedangkan
spesifikasi perangkat keras yang digunakan
adalah PC dengan prosesor Pentium IV 2GHz,
memori sebesar 512MB, dan kapasitas
penyimpanan sebesar 40GB.

Ukuran data yang besar menjadi masalah
yang signifikan dalam usaha pembacaan citra
dengan menggunakan Matlab. Oleh karena itu
dilakukan pengambilan sampel kecil dari
kedua pasangan citra dengan cara melakukan
resize data menggunakan perangkat lunak
pemrosesan citra, ENVI versi 4.0. Proses yang
dilakukan dalam resizing adalah dengan
memilih sub bagian citra yang akan diambil
(subsetting) dengan sedapat mungkin tidak
mengubah informasi registrasi citra awal.

HASIL DAN PEMBAHASAN
Data sumber pertama adalah pasangan
citra pankromatik hitam putih beresolusi
spasial 0.6 meter dan citra multispektral
beresolusi spasial 2.4 meter dari wilayah
Taman Nasional Kerinci Semblat. Citra
pankromatik awal berdimensi 7762×9350×1
[BSQ] dan berukuran 141.821 kb. Pasangannya adalah citra multispektral berdimensi
1941×2338×4 dan berukuran 35.528 kb.
Keduanya bertipe kelas unsigned int16
(uint16) dengan ukuran digital number (DN)
piksel berada pada rentang [0 65536].
Pasangan citra awal merupakan file GeoTIFF
yang merupakan citra standar hasil foto udara
satelit observasi bumi QuickBird.
Data sumber kedua merupakan citra
standar hasil pencitraan dari satelit Landsat.
Data citra terdiri dari sebuah citra
pankromatik hitam putih beresolusi spasial 15
meter dan 6 citra spektral beresolusi spasial
30 meter dari wilayah Singkawang. Citra
pankromatik awal berdimensi 15721 x 13921
x 1 [BSQ] dan berukuran 213.832 kb. Citra
penyertanya adalah 6 citra spektral dari kanal
sensor satelit Landsat, yang masing-masing
memiliki dimensi 7861 x 6961 x 1 [BSQ] dan
berukuran 53.493 kb. Ketujuh citra Landsat
ini bertipe kelas unsigned int8 (uint8) dengan
rentang nilai [0 256].
Pasangan data citra QuickBird dan
Landsat ini dipilih karena data tersedia untuk
penelitian dan telah mengalami proses georectification, yaitu telah disesuaikan dengan
informasi geografis di lapangan. Visualisasi
dan karakteristik pasangan citra QuickBird
awal ditunjukkan pada Lampiran 1. Adapun
visualisasi dan karakteristik citra Landsat
ditunjukkan pada Lampiran 2.

Citra yang di-resize terlebih dahulu adalah
citra pankromatik. Kemudian resizing citra
multispektral dilakukan dengan berpedoman
dari file citra pankromatik yang telah didapat
sebelumnya agar memiliki daerah yang sama.
Setelah dilakukan resizing, file subset diubah
ke dalam bentuk TIFF/GeoTIFF dan dibentuk
file header-nya. Pada umumnya setelah proses
ini ENVI akan menghasilkan file .tfw (TIFF
world files) dan .hdr sebagai penyerta tiap file
.tif.
Subset citra pankromatik Landsat yang
digunakan berukuran 631 kb dengan dimensi
800 × 800×1, sedangkan keenam subset citra
spektral Landsat yang digunakan berukuran
masing-masing 160 kb dan berdimensi
400×400×1. Pada citra QuickBird diambil
subset citra pankromatik berukuran 709 kb
dengan dimensi 600×600×1, dan subset citra
multispektral berukuran 181 kb dengan
dimensi 150×150×1. Gambar 4 merupakan
subset citra QuickBird yang diambil untuk
input penelitian, sedangkan Gambar 5
merupakan subset citra Landsat.

Gambar 4 Subset citra QuickBird (uint16).

Gambar 5 Subset citra Landsat (uint8).

6

Registrasi, Crop, dan Resampling

Di dalam Matlab, pembacaan kanal citra
multispektral yang memiliki lebih dari 3 kanal
memerlukan perlakuan yang berbeda.
Pertama-tama citra multispektral yang telah
diregistrasi dibaca dengan menggunakan
fungsi imread untuk mendapatkan informasi 3
kanal display (Red Green Blue) pertama.
Kemudian dilakukan pembacaan sisa kanal
spektral
dengan
menggunakan
fungsi
multibandread. Pada penelitian ini pembacaan
dengan menggunakan fungsi multibandread
hanya diberlakukan pada citra QuickBird yang
memiliki informasi 4 kanal spektral. Pada
citra Landsat tidak perlu diberlakukan hal
yang sama karena data keenam kanal
spektralnya telah tersimpan dalam file yang
terpisah.
Dalam pembacaan sisa kanal spektral
QuickBird, didapatkan bahwa sisa kanal yang
dibaca dengan fungsi multibandread akan
mengalami distorsi berupa pergeseran letak
titik pojok kiri atas kanal. Oleh karena itu
diberlakukan proses registrasi dengan
mendefinisikan terlebih dahulu GCP dari data
masukan (input) dan GCP dari data basis
(salah satu dari ketiga kanal yang telah terbaca
sebelumnya). Proses ini dilakukan dengan
menggunakan control point tool pada Matlab.
Proses penentuan GCP dari kanal referensi
(kanal basis) dan kanal yang akan diregistrasi
(kanal input) ditunjukkan pada Gambar 6.
Selanjutnya dengan berbasis data GCP input
dan data GCP basis dilakukan pemotongan
(cropping) pada kanal yang telah diregistrasi
untuk menghilangkan piksel-piksel yang tidak
bersesuaian.

input dan GCP basis dari kedua pasangan
citra. Titik GCP input untuk citra
multispektral QuickBird adalah [1 1;1 26;35
1;35 26]. Adapun titik GCP basisnya adalah
[9 9;9 34;43 9;43 34].
Setelah dilakukan proses registrasi
diberlakukanlah proses cropping. Titik (9, 9)
diambil sebagai titik kiri atas baru untuk citra
multispektral QuickBird. Kemudian untuk
mendapatkan ukuran sampel yang sama
dengan kanal display (Red Green Blue)
diberlakukan proses resize. Kanal yang
teregistrasi dan telah diberlakukan proses
cropping di-resize dengan menggunakan
metode interpolasi bilinear.
Metode Fusi

Metode transformasi Brovey dan metode
PCA sama-sama menggunakan kombinasi
linear dari pasangan citra awal untuk
mendapatkan citra multispektral baru dengan
resolusi spasial menyamai resolusi citra
pankromatik awal. Metode Brovey merupakan
komposisi dari rasio ketiga nilai kanal
multispektral untuk keperluan display, dalam
hal ini kanal RGB yang dipadukan dengan
nilai spasial dari citra pankromatik awal.
Adapun perhitungan nilai kanal infra merah
dekat (NIR) dilakukan dengan melakukan
kombinasi dari rasio kanal NIR, Red dan
Green (Wang et al. 2005). Hasil tampilan
RGB untuk subset citra QuickBird dan citra
Landsat hasil fusi Brovey diperlihatkan pada
Gambar 7 berikut.

Gambar 7 Citra hasil fusi Brovey.

Gambar 6 Proses penentuan GCP.
Dari proses pemilihan GCP dengan
bantuan tool Matlab didapatkan variabel GCP

Pada metode fusi Principal Component
Analysis, sebelum diberlakukan transformasi
forward PCA, data citra dibentuk menjadi
vektor. Kemudian diberlakukan transformasi
forward PCA untuk mencari principal
component dari citra multispektral awal. Hasil
dari proses ini adalah matriks vektor-vektor
eigen yang terurut. Setelah itu vektor eigen
dengan nilai terbesar diambil sebagai vektor
PC1, dan definisikan DN l
= PC1 .
PAN

Langkah selanjutnya adalah langkah
perentangan histogram yang berfungsi untuk
mendapatkan citra pankromatik baru,

7

h ' , dengan rataan yang sama dengan
DN PAN

PC1. Proses ini dilakukan untuk mengurangi
distorsi warna pada citra hasil fusi akibat
jauhnya perbedaan rentang citra pankromatik
dan citra multispektral. Langkah perentangan
histogram adalah sebagai berikut:
1 Nilai PDF dari vektor PC1 dan citra
pankromatik dihitung dahulu untuk
mendapatkan fungsi yang merepresentasikannya.
2 Dari kedua fungsi yang diperoleh dari
langkah 1 dihitung suatu fungsi inversi.
3 Citra pankromatik dipetakan dengan
bantuan fungsi inversi. Hasilnya adalah
citra pankromatik baru dengan resolusi
spasial lebih rendah, namun lebih
mendekati karakteristik kanal PC1.
Setelah proses perentangan histogram,
dilakukan transformasi backward PCA
dengan terlebih dahulu menggantikan kanal
PC1 dengan citra pankromatik baru hasil
perentangan ( DN h' ) dan mendefinisikan
PAN

l
DN PAN
= PC 1 .

Kanal-kanal multispektral

baru hasil transformasi backward inilah yang
dibentuk menjadi citra multispektral baru.
Hasil tampilan RGB untuk subset citra
QuickBird dan citra Landsat hasil fusi PCA
diperlihatkan pada Gambar 8 berikut. Adapun
perbandingan setiap citra hasil metode fusi
ditunjukkan pada Lampiran 3.

Gambar 8 Citra hasil fusi PCA.
Pada dasarnya file citra hasil fusi
mempunyai ukuran yang lebih besar daripada
kedua file citra awal. Hal ini disebabkan oleh
penggabungan informasi spasial dan informasi
warna dari pasangan citra awal. Perbandingan
ukuran sebelum dan sesudah proses fusi
antara kedua metode dinyatakan pada Tabel 1.
Tabel 1 Ukuran dan dimensi data
Ukuran (bytes) dan dimensi data subset
Citra Pan- Citra Multi- Citra Hasil
kromatik
spektral
Fusi
600x600x1 150x150x4 600x600x4
(uint16)
(uint16)
Quick- (uint16)
Res:0.6 m
Bird Res:0.6 m Res:2.4 m

725.166 kb 185.182 kb

400x400x6
800x800x1
(uint8)
(uint8)
LandRes:30 m
Res:15 m
sat
979.566 kb
646.754 kb

PCA :
2904.284 kb
Brovey :
2904.262 kb
800x800x4
(uint8)
Res:15 m
PCA :
2583.456 kb
Brovey :
2584.592 kb

Adapun
dalam hal
lama
waktu
pemrosesan, metode Brovey membutuhkan
waktu proses yang jauh lebih singkat bila
dibandingkan dengan metode PCA. Lama
waktu pemrosesan pada metode PCA
disebabkan
oleh
proses
perentangan
histogram. Pada citra yang memiliki kelas
uint16 harus dilakukan pemetaan dari rentang
nilai [0 65536] untuk menemukan fungsi
inversi. Waktu yang dibutuhkan dapat dilihat
pada Tabel 2.
Tabel 2 Perbandingan proses fusi
Waktu proses fusi
Brovey
PCA
Brovey
PCA
(Quick(Quick(Landsat)
(Landsat)
Bird)
Bird)
Waktu
11.4840 15.2340 511.8130 26.6090
(detik)
Perbandingan Visualisasi

Secara visual dapat diamati bahwa citra
fusi hasil transformasi Brovey memiliki
informasi spasial dengan ketajaman tinggi.
Akan tetapi dari segi warna, citra hasil
transformasi ini memberikan informasi yang
jauh berbeda dengan informasi warna pada
citra multispektral awal. Citra hasil fusi
cenderung berwarna lebih terang kebiruan.
Hal
ini
disebabkan
karena
metode
transformasi Brovey hanya menggunakan
rasio dari 3 kanal spektral dan tidak
memperhitungkan perbedaan rentang nilai
gelombang antara kanal pankromatik maupun
kanal multispektral.
Pada citra hasil metode fusi PCA, terdapat
distorsi berupa titik-titik hitam dan kurang
tajamnya informasi tepian objek yang
diperoleh. Akan tetapi warna citra hasil fusi
PCA memperlihatkan kedekatan dengan
warna citra multispektral awal. Kedekatan
warna ini dikarenakan PCA melakukan
perentangan histogram sebelum proses
perhitungan kanal multispektral baru. Dengan

8

demikian
metode
PCA
menghasilkan
histogram kanal spektral baru yang lebih
menyebar dan menyerupai karakteristik citra
multispektral awal.
Perbedaan hasil kedua metode ini dapat
diamati secara visual melalui Gambar 9 dan
10 berikut. Gambar 9 menunjukkan citra
pankromatik QuickBird resolusi 0.6 meter dan
citra multispektral QuickBird resolusi 2.4
meter. Kemudian zoom area di dalam persegi
merah ditunjukkan oleh Gambar 10. Terurut
dari kiri ke kanan bawah, adalah area zoom
citra pankromatik resolusi 0.6 meter, citra
hasil fusi PCA resolusi 0.6 meter, dan citra
hasil Brovey resolusi 0.6 meter. Adapun
perbandingan citra hasil kedua metode fusi
secara visual ditunjukkan pada Lampiran 4.

Gambar 9 Subset citra pankromatik dan
multispektral QuickBird awal.

(a)

(b)

(c)
Gambar 10 Area zoom (a) citra Pan, (b) hasil
fusi PCA, (c) hasil fusi Brovey.
Perbandingan Kriteria Kuantitatif

Perbandingan kriteria kuantitatif yang
dilakukan adalah perbandingan nilai koefisien
korelasi dan nilai root mean square error
(RMSE). Nilai koefisien korelasi mengukur
kesamaan informasi spasial antara citra hasil
fusi dengan citra pankromatik awal yang
ditunjukkan pada Tabel 3. Nilai ini berada
pada rentang [-1 1]. Nilai mendekati 1
menyatakan semakin tingginya nilai informasi
spasial yang terkandung pada citra hasil fusi.

Tabel 3 Koefisien korelasi antara citra multispektral hasil fusi dengan citra
pankromatik awal
Koefisien Korelasi Citra Hasil Fusi
Band1 Band2 Band3 Band4
Pan Brovey
0.95545 0.98656 0.88220 0.83130
(QuickBird)
Pan Brovey
0.90588 0.86050 0.75164 0.95656
(Landsat)
Pan PCA
0.23383 0.42907 0.22611 0.32744
(QuickBird)
Pan PCA
0.42467 0.38026 0.21460 0.88567
(Landsat)
Metode Brovey memberikan nilai
koefisien korelasi yang tinggi. Nilai korelasi
yang tinggi menandakan bahwa citra hasil
transformasi fusi Brovey memiliki informasi
spasial yang mendekati informasi spasial citra
pankromatik awal. Hal ini mendukung
pengamatan visual bahwa pada citra hasil
Brovey informasi tepi objek dapat dikenali
lebih mudah.
Nilai koefisien korelasi yang dihasilkan
pada metode PCA sangat kecil bila
dibandingkan dengan metode Brovey. Pada
dasarnya karakteristik kanal NIR mendekati
karakteristik citra pankromatik, sehingga nilai
korelasi kanal 4 (NIR) akan lebih mendekati
nilai 1. Akan tetapi pada perbandingan kanal
NIR QuickBird dengan citra pankromatik
diperoleh nilai yang sangat kecil. Nilai yang
kecil ini disebabkan kerusakan kanal NIR
citra multispektral QuickBird awal akibat
proses pembacaan dengan multibandread.
Lain halnya dengan perhitungan koefisien
korelasi, perhitungan kriteria RMSE bertujuan
untuk melihat tingkat perubahan informasi
warna dari perbandingan antara citra hasil fusi
dengan citra multispektral awal. Nilai RMSE
yang baik adalah nilai seminimal mungkin.
Nilai RMSE dari data citra percobaan
ditunjukkan pada Tabel 4.
Tabel 4 Nilai RMSE antara citra multispektral
hasil fusi dengan citra multispektral
awal
RMSE Citra Hasil Fusi
Band1 Band2 Band3 Band4
Brovey
72.724 102.49 63.496 352.01
(QuickBird)
Brovey
75.954 61.304 53.116 74.340
(Landsat)
PCA
0.85599 0.34977 1.8992 27.132
(QuickBird)
PCA
2.9979 2.7319 2.3585 17.998
(Landsat)

9

Bila dibandingkan dengan nilai RMSE
metode Brovey, nilai RMSE hasil metode fusi
PCA menunjukkan nilai yang lebih kecil.
Rendahnya nilai RMSE metode PCA ini
menunjukkan rendahnya informasi warna citra
multispektral awal yang hilang pada proses
fusi
PCA. Dengan demikian dapat
disimpulkan bahwa metode PCA mampu
mempertahankan informasi warna lebih baik
daripada metode Brovey. Hal ini dapat dilihat
dari representasi visual kanal RGB. Secara
visual, informasi warna citra hasil metode
PCA terlihat hampir menyerupai informasi
warna citra multispektral awal.

KESIMPULAN DAN SARAN
Kesimpulan

Dari hasil penelitian didapat bahwa nilai
koefisien korelasi antara citra multispektral
hasil metode Brovey dan citra pankromatik
awal memberikan nilai korelasi tertinggi. Hal
ini menunjukkan penambahan informasi
spasial yang tinggi. Akan tetapi metode
Brovey kurang meminimalkan nilai RMSE
pada perbandingan informasi warna antara
citra hasil dan citra multispektral awal.
Hal sebaliknya terjadi pada citra hasil fusi
dengan menggunakan metode PCA. Metode
PCA mampu memberikan informasi warna
yang baik dengan nilai RMSE hasil fusi yang
lebih rendah. Akan tetapi metode PCA kurang
dapat menyumbangkan penambahan informasi
spasial. Hal ini dapat dilihat dari nilai
koefisien korelasi citra hasil metode PCA
yang nilainya jauh lebih rendah daripada nilai
koefisien korelasi metode Brovey.
Pada dasarnya metode Brovey dan PCA
memiliki kelebihan dan kekurangan masingmasing. Terlepas dari kekurangannya, kedua
metode
mampu
memberikan
citra
multispektral hasil fusi baru yang memiliki
penambahan informasi spasial dan informasi
warna dari pasangan citra awal. Pemilihan
metode fusi yang cocok bergantung pada
keperluan analisis citra, untuk pengamatan
spektral atau untuk pengamatan tepian objek.
Saran

Penelitian ini masih belum sempurna
dilakukan. Beberapa hal dapat dilakukan
untuk pengembangan topik penelitian ini lebih
lanjut, antara lain:

1 Dilakukannya penggabungan metode fusi
Brovey dan PCA untuk mendapatkan hasil
yang lebih baik secara spasial maupun
warna.
2 Diterapkannya pemrosesan paralel dengan
menggunakan block processing guna
mengakomodasi data citra satelit yang
berukuran besar.
3 Dilakukannya pengukuran keakuratan
spasial dengan menggunakan proses
klasifikasi pada citra hasil fusi.
4 Dilakukannya proses enhancement yang
mendukung pendeteksian tepi objek, guna
melihat kinerja fusi citra dalam
pengekstraksian objek-objek penting pada
citra hasil fusi, seperti jalan atau objekobjek penting lainnya.

DAFTAR PUSTAKA
Aiazzi B, et al. 2004. Spectral Information
Extraction by means of MS+PAN Fusion.
Di dalam: ESA Special Publication no.
553, Theory and Applications of
Knowledge driven Image Information
Mining, with focus on Earth Observation,
in press.
Dehghani M. 2003. Wavelet-based Image
Fusion Using “A trous” Algorithm.
http://www.gisdevelopment.net/technolog
y/ip/pdf/53.pdf [30 Oktober 2006]
ENVI. 2003 ENVI 4.0 Online Help. Research
Systems Inc.
Gonzalez RC, Woods RE, Eddins SL. 2004.
Digital Image Processing Using MATLAB.
New Jersey: Pearson Prentice Hall.
Lillesand TM, Kiefer RW.
1990.
Penginderaan Jauh dan Interpretasi Citra.
Dulbahri,
Suharsono
P,
Hartono,
Suharyadi,
penerjemah;
Sutanto,
penyunting; Yogyakarta: Gajah Mada
University Press.
Matlab. 2004. Matlab’s Manual Release 7.0.1.
MathWorks Inc.
Tsai VJD. 2004. Evaluation of Multiresolution
Image Fusion Algorithms. IEEE Trans.
Geosci. Remote Sens., no. 0-7803-8742-2,
2004. hlm 621-624.
Wald L. 1999. Some terms of reference in
data fusion. IEEE Trans. Geosci. Remote
Sens., vol. 37, no. 3, Mei 1999. hlm 11901193.

10

Wang Z, et al. 2005. A Comparative
Analysis of Image Fusion Methods. IEEE
Trans. Geosci. Remote Sens., vol. 43, no.
6, Juni 2005. hlm 1391-1402.
Zhang Y. 2004. Understanding Image
Fusion. Photogramm. Eng. Remote Sens.,
vol. 70, no. 6, Juni 2004. hlm 657-661.
Zhang Y, Wang R. 2004. Multi-resolution and
Multi-spectral Image Fusion for Urban
Object Extraction. Di dalam: Proceedings of XXth ISPRS Congress, Commission
III, 12-24 July 2004, Istanbul, Turkey. hlm
960-966.

LAMPIRAN

12

Lampiran 1 Visualisasi dan karakteristik data awal QuickBird
Panjang Gelombang Sensor Satelit QuickBird
Band Number Wavelength Interval Spectral Response Resolution
1

0.45-0.52 µm

Blue

2.4 meter

2

0.52-0.60 µm

Green

2.4 meter

3

0.63-0.69 µm

Red

2.4 meter

4

0.76-0.90 µm

Near IR

2.4 meter

0.45-0.90 µm

Panchromatic

0.6 meter

Visualisasi data QuickBird (dari kiri ke kanan adalah citra pankromatik dan display RGB citra
multispektral)

Karakteristik citra pankromatik (hitam putih) QuickBird:
File: C:\MATLAB701\work\JPG-TIF\TN_pan.tif
Dims: 7762 x 9350 x 1 [BSQ]
Size: [Unsigned Int] 145,224,566 bytes.
File Type : TIFF
Sensor Type: Unknown
Byte Order : Host (Intel)
Projection : UTM, Zone 47 South
Pixel : 0.6 Meters
Datum : WGS-84
Wavelength : Panchromatic
: 450 - 900 nm
Upper Left Corner: 1,1
Description: GEO-TIFF File Imported into ENVI [Sat Dec 30 11:33:52 2006]
Band
1

Min
0.000000

Max
2047.000000

Mean
292.331432

Karakteristik citra multispektral (berwarna) QuickBird:
File: C:\MATLAB701\work\JPG-TIF\TN_xs.tif
Dims: 1941 x 2338 x 4 [BSQ]
Size: [Unsigned Int] 36,379,662 bytes.
File Type : TIFF

Stdev
92.578677

13

Lampiran 1 Lanjutan
Sensor Type: Unknown
Byte Order : Host (Intel)
Projection : UTM, Zone 47 South
Pixel : 2.4 Meters
Datum : WGS-84
Wavelength : Blue
: 450 - 520 nm (1st band)
Green :520 - 600 nm (2nd band)
Red
: 630 - 690 nm (3rd band)
Near IR: 760 - 900 nm (4th band)
Upper Left Corner: 1,1
Description: GEO-TIFF File Imported into ENVI [Sat Dec 30 11:33:43 2006]
Band
1
2
3
4

Min
0.000000
0.000000
0.000000
0.000000

Max
755.000000
1189.000000
796.000000
1269.000000

Mean
148.301443
197.109739
94.238888
520.509057

Stdev
14.939142
35.420139
25.930675
165.687005

Num Eigenvalue
1 28274.501610
2
1240.226462
3
54.861461
4
32.758117
Histogram data QuickBird (dari atas ke bawah adalah histogram citra pankromatik dan histogram
citra multispektral)

14

Lampiran 2 Visualisasi dan karakteristik data awal Landsat
Panjang Gelombang Sensor Satelit Landsat :
Band Number Wavelength Interval Spectral Response

Resolution

1

0.45-0.52 µm

Blue-Green

30 meter

2

0.52-0.60 µm

Green

30 meter

3

0.63-0.69 µm

Red

30 meter

4

0.76-0.90 µm

Near IR

30 meter

5

1.55-1.75 µm

Mid-IR

30 meter

6

10.40-12.50 µm

Thermal IR

120 (TM) 60 (ETM+)

7

2.08-2.35 µm

Mid-IR

30 meter

0.50-0.90 µm

Panchromatic

15 meter

Visualisasi data pankromatik Lansat resolusi 15 meter (dari kiri ke kanan adalah citra pankromatik
dan perbesaran areanya)

Visualisasi data multispektral Lansat resolusi 30 meter (dari kiri ke kanan adalah display RGB
citra multispektral dan perbesarannya)

15

Lampiran 2 Lanjutan
Karakteristik citra pankromatik (hitam putih) Landsat:
File: C:\MATLAB701\work\JPG-TIF\LB8.TIF
Dims: 15721 x 13921 x 1 [BSQ]
Size: [Byte] 218,963,786 bytes.
File Type : TIFF
Sensor Type: Unknown
Byte Order : Host (Intel)
Projection : UTM, Zone 47 South
Pixel : 15 Meters
Datum : WGS-84
Wavelength : Panchromatic 0.50-0.90 µm
Upper L