INTEGRASI MULTI RESOLUSI CITRA SATELIT D

INTEGRASI MULTI RESOLUSI CITRA SATELIT DENGAN
METODE SEDERHANA UNTUK MEMONITOR KONDISI
LAHAN
Integration of Multi-resolution of Satellite Images for Land
condition Monitoring
Rizatus Shofiyati
Balai Besar Penelitian dan Pengembangan Sumbedaya Lahan Pertanian, Bogor

ABSTRACT
In order to monitor agricultural land condition, it needs a good time
resolution satellite images. On the other hand, the small area of
agricultural land ownership in Indonesia is needed satellite image that
has good spatial resolution. Integration of multi-resolution is one of the
solution. Integration of high time resolution but low spatial resolution
images (such as NOAA AVHRR, MODIS) and high spatial resolution but
low time resolution images (such as Landsat TM, ALOS) could be used
in this study. Some methodologies can be developed from combination
of two kinds resolution of satellite images. Some researches give good
results visually or statistically. This article presence simple concept of
integration of multi-resolution and some studies of it using satellite
images for land monitoring.


Informatika Pertanian Volume 19 No. 2, 2010

109

PENDAHULUAN
Citra satelit, yang memiliki cakupan spasial yang luas dan informasi
secara temporal, dapat digunakan untuk pemantauan tutupan lahan.
Saat ini, jenis citra satelit semakin beragam dengan kelebihan dan
kekurangan masing-masing, sehingga pengguna harus melakukan
berbagai pertimbangan dalam memilih citra satelit dan metode
analisisnya agar sesuai dengan tujuan penggunaannya. Ada kalanya,
untuk mengisi kekurangan suatu citra dan meningkatkan ketelitian
suatu analisis, diperlukan integrasi dua citra satelit.
Untuk meningkatkan ketelitian informasi pemantauan tutupan lahan,
terutama lahan pertanian tanaman semusim, studi dapat dilakukan
dengan menggunakan citra satelit multi resolusi, spasial dan temporal.
Hal-hal yang harus diperhitungkan dalam menyeleksi citra satelit dan
metode dalam melakukan integrasi citra untuk pemantauan lahan
pertanian adalah frekuensi akuisisi atau waktu perekaman citra satelit

yang disesuaikan dengan karakter tanaman yang terkait dengan
resolusi temporal citra satelit dan kondisi lahan yang akan diteliti,
seperti luas lahan, yang terkait dengan resolusi spasialnya. Informasi
yang diperlukan adalah: 1) karakter tanaman yang terkait dengan
periode pertumbuhan tanaman, dan 2) citra atau informasi yang
diperoleh dari citra satelit yang bisa dimanfaatkan untuk identifikasi
perubahan pertumbuhan tanaman tersebut.
Untuk cakupan wilayah lokal, citra satelit beresolusi rendah
mempunyai kendala heterogenitas spasial. Informasi yang terekam
dalam 1 piksel citra tersebut lebih luas dibanding dengan luas lahan,
sehingga akurasi data rendah. Di sisi lain, citra beresolusi spasial tinggi
yang dapat memberikan informasi heterogenitas lahan yang sekaligus
mempunyai resolusi temporal atau waktu yang tinggi juga sulit
diperoleh. Selain itu, penggunaan data citra beresolusi tinggi secara
multi waktu, akan memerlukan biaya yang cukup tinggi. Untuk itu
diperlukan cara agar dapat diperoleh citra beresolusi spasial tinggi dan
yang mempunyai frekuensi waktu perekaman yang lebih banyak.
Metode multi resolusi merupakan salah satu cara yang bisa dilakukan
untuk menjawab permasalahan tersebut. Beberapa penelitian yang
telah dilakukan menunjukkan bahwa integrasi multi resolusi pada citra

satelit mampu meningkatkan akurasi hasil analisis.
Konsep dasar integrasi multi resolusi citra satelit dan beberapa studi
pemantauan lahan yang telah dilakukan dengan menggunakan metode
tersebut disajikan dalam artikel ini. Hasil studi menunjukkan prospek
yang bagus untuk dapat diaplikasikan dan dikembangkan dalam
pemantauan lahan pertanian.

110

Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana

Integrasi Multi Resolusi
Integrasi multi resolusi citra satelit adalah mengkombinasikan dua
jenis citra satelit yang mempunyai resolusi yang berbeda, seperti
spasial (kedetailan informasi keruangan di permukaan bumi yang dapat
terekam dalam satu piksel citra satelit), temporal (frekuensi perekaman
citra satelit pada satu lokasi yang sama di permukaan bumi), dan
spektral (jumlah jenis band yang memiliki panjang gelombang tertentu,
dimana setiap band mempunyai kemampuan untuk dapat memberikan
informasi kondisi suatu obyek di muka bumi). Konsep dasar integrasi

multi resolusi citra satelit disajikan pada Gambar 1.

Gambar 1. Konsep dasar integrasi multi resolusi citra satelit
Untuk pembuatan sajian multi resolusi, proses komputerisasi
resolusi yang berbeda dilakukan pada beberapa tahap dengan
mengkombinasikan sejumlah atau sekelompok nomor piksel yang
bersebelahan menggunakan pengoperasian standard, seperti meratarata dan penyeleksian secara minimum dan maksimum. Terkait dengan
integrasi antara citra satelit beresolusi spasial rendah dan tinggi, proses
yang dapat dilakukan adalah dengan memposisikan piksel citra satelit
beresolusi rendah dan nilai pewakil dari sekelompok piksel citra satelit
beresolusi tinggi. Kelompok piksel citra satelit beresolusi tinggi tersebut
didefinisikan pada areal yang sama yang tercakup oleh piksel citra
satelit beresolusi rendah, juga pada waktu perekaman yang sama, yang
memiliki kondisi lahan yang sama. Secara lebih jelas, konsep
multiresolusi dapat dijelaskan pada Gambar 2.
Informatika Pertanian Volume 19 No. 2, 2010

111

Gambar 2. Proses Multiresolusi pada Tiga Tingkat Resolusi Spasial yang Berbeda

(Gotway dan Young, 2002).
Metode Dasar Integrasi Multi Resolusi
Tiga metode sederhana yang dikemukakan oleh Lertlum (1997)
untuk menghitung nilai pewakil dari piksel-piksel tersebut, adalah:
1. Mode (nilai dominan), nilai yang muncul paling sering
2. Median (nilai tengah)
3. Mean (rata-rata)
Metode Mode mewakili kondisi mayoritas dari suatu area, tetapi jika
kondisi mempunyai nilai yang hamper sama, perhitungan dengan
menggunakan metode tersebut tidak memberikan hasil yang bagus.
Median mewakili kondisi tengah suatu areal. Kedua metode tersebut
relative memerlukan waktu yang lama untuk proses perhitungannya.
Mean dapat menunjukkan kondisi rata-rata dari suatu areal dan relative
muda untuk menghitungnya. Meskipun hal itu menunjukkan kondisi
secara matematis, bukan kondisi sesungguhnya, tetapi metode tersebut
bermanfaat untuk menunjukkan kondisi sejumlah data.
Mean merupakan metode yang umum digunakan untuk menjelaskan
atau menarik kesimpulan dari sekelompok data sehingga bisa
memberikan informasi yang berguna. Metode ini adalah yang paling
muda, akan tetapi karena menggunakan nilai dari semua data di

populasi atau sampel, Mean dipengaruhi oleh outlier yang ekstrim pada
kumpulan data tersebut.
Tidak seperti mean, median tidak dipengaruhi oleh outlier ekstrim
pada kumpulan data. Oleh karenanya median sering digunakan jika
dalam sekelompok data terdapat beberapa nilai ekstrim yang dapat
mempengaruhi mean dan menyimpangkan sesuatu yang menjadi khas
dari data tersebut.
112

Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana

Metode mode baik digunakan untuk data yang menggambarkan
kategori. Akan tetapi jika digunakan dalam interval dan skala rasio, data
mungkin tersebar tipis tanpa data yang mempunyai nilai yang sama.
Dalam kasus tersebut, modus tidak mungkin ada atau mungkin tidak
terlalu berarti.
Ketiga metode tersebut jika digunakan dalam integrasi multi resolusi
pada data penginderaan jauh, dapat dijelaskan secara mudah pada
ilustrasi berikut. Gambar 3 adalah ilustrasi perbandingan besar piksel
pada data inderaja beresolusi rendah dan tinggi.


Gambar 3. Perbandingan piksel dari data inderaja Terra MODIS dan Landsat ETM dari
penelitian Rochon et al (2010)
Jika angka-angka tersebut ditulis secara berurutan, maka diperoleh
sebaris angka sebagai berikut : 24, 25, 30, 39, 40, 45, 45, 45, 45, 45,
48, 50, 50, 55, 58, 60, 61, 65, 65, 65, 70, 72, 75, 200, 205. Dari angkaangkah tersebut dapat diperoleh nilai mean = 63.28 atau 51.17 (tanpa
outlier = 200, 205), median = 50, mode= 45. Angka-angka piksel pada
Gambar 3 bukan nilai piksel yang sebenarnya, hanya sebagai ilustrasi
untuk mempermudah penjelasan.
Angka-angka yang terdapat dalam kotak tersebut diumpamakan
sebagai nilai piksel dari data satelit yang mempunyai resolusi spasial
yang lebih tinggi. Pengambilan sample dilakukan berdasarkan satu
Informatika Pertanian Volume 19 No. 2, 2010

113

piksel dari data beresolusi spasial yang lebih rendah yang
diintegrasikan. Penelitian Shofiyati (2000) dan Lertlum (1997)
menggunakan data Landsat TM sebagai data yang beresolusi tinggi (30
meter x 30 meter) dan NOAA AVHRR untuk data beresolusi spasial

rendah (1 km x 1 km), atau penelitian Rochon et al. (2010) yang
mengkombinasikan dengan citra Landsat ETM dengan Terra MODIS
(250 m x 250 m). Kedua data tersebut harus ditumpang-tepatkan
(overlay) pada posisi koordinat yang sama di permukaan bumi.
Sehingga dapat dijelaskan bahwa 1 piksel NOAA AVHRR
menggambarkan sekelompok piksel dari data Landsat TM pada posisi
geografi yang sama. Dalam 1 piksel NOAA AVHRR yang secara riil di
permukaan bumi adalah 1 km x 1 km, terdapat 1.111 piksel Landsat TM
yang merupakan rekaman dari ukuran 30 m x 30 m (25 m x 25 m) suatu
lahan di permukaan bumi. Sedangkan pada 1 piksel Terra MODIS
terdapat 69 piksel Landsat ETM.
Integrasi citra NOAA AVHRR dan Landsat TM Untuk Pemantauan
Kekeringan Lahan Pertanian
Pemantauan kekeringan lahan pertanian dapat dilakukan dengan
beberapa cara, antara lain, perubahan kehijauan tanaman, kelembaban
lahan, indeks vegetasi dari nilai piksel pada band merah dan infra
merah dekat (Near Infra Red), band thermal yang dapat
menggambarkan kondisi suhu suatu obyek di permukaan bumi, atau
nilai spektral citra satelit (Shofiyati dan Kuncoro, 2007). Terkait dengan
metode multi-resolusi, analisis dapat dilakukan dengan melakukan

kombinasi dua citra asli atau menggunakan citra hasil pengolahan data
dengan salah satu metode tersebut yang mempunyai dua resolusi
spasial dan temporal yang berbeda.
Studi integrasi multi resolusi untuk pemantauan kekeringan telah
dilakukan oleh Shofiyati (2009) dengan mengamati perbedaan fluktuasi
nilai Normalized Differences Vegetation Index (NDVI) dan Brightness
Temperature (BT) pada tahun kekeringan dan normal. Integrasi
dilakukan pada dua citra beresolusi berbeda, yaitu NOAA AVHRR dan
Landsat TM. Citra NOAA AVHRR yang memiliki resolusi temporal yang
tinggi (12 jam) baik untuk mendapatkan informasi yang dapat
digunakan untuk analisis pemantauan kekeringan. Akan tetapi, citra
tersebut memiliki resolusi spasial yang rendah (1 km), dimana pada
resolusi tersebut tidak dapat memberikan informasi yang detail
mengenai kondisi rata-rata kepemilikan lahan pertanian di Indonesia
khususnya di Pulau Jawa, yang luasnya dari tahun ke tahun semakin
berkurang, yaitu lebih kecil dari 0,5 hektar per Keluarga Petani (Badan
Pusat Statistik, 2003; Abdurachman et al, 2005, dan Pasaribu, 2009).
Sedangkan citra Landsat TM memiliki resolusi spasial 30 meter, dapat
114


Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana

memberikan informasi lebih baik pada kondisi lahan pertanian seperti
itu, sehingga dapat mengisi kekurangan citra NOAA AVHRR.
Nilai rata-rata digunakan sebagai pewakil piksel citra beresolusi
tinggi untuk areal yang sama pada 1 piksel citra beresolusi rendah. Nilai
rata-rata merupakan refleksi rata-rata dari 1 km x 1 km pada citra
beresolusi tingi untuk 1 piksel citra beresolusi rendah. Satu kilometer
piksel citra NDVI dan BT dari Landsat TM yang diperoleh dari
perhitungan rata-rata NDVI atau BT pada setiap 40 x 40 piksel dari
Landsat TM. Perhitungan dilakukan secara otomatis dengan
menggunakan bahasa pemrograman Visual Basic C++. Linier regresi
diperoleh dari hubungan antara nilai piksel dari citra NDVI atau BT
Landsat TM hasil perhitungan tersebut dan nilai piksel dari citra NDVI
atau BT dari NOAA AVHRR. Selanjutnya, persamaan regresi
sederhana tersebut digunakan untuk menghasilkan citra NDVI dan BT
pada tanggal akuisisi yang tidak ada pada Landsat TM. Secara visual
menunjukkan citra NDVI dan BT hasil integrasi menunjukkan
perbedaan yang lebih kontras dibandingkan dengan citra NDVI dan BT
dari NOAA AVHRR asli.

Gambar 4 menyajikan Citra BT hasil integrasi multi resolusi Landsat
TM dan NOAA AVHRR bulan April 1997, sebagai tahun kekeringan
sampai November 1998, sebagai tahun normal. Bandingkan dengan
Gambar 5 yang merupakan citra BT dari NOAA AVHRR asli bulan April
1997 sampai November 1998.
Penggunaan data tahun 1997 adalah untuk menggambarkan kondisi
kekeringan atau El Nino pada tahun tersebut dibandingkan dengan
kondisi normal pada tahun berikutnya (1998). Pada penelitian inderaja,
penggunaan citra dengan tahun akusisi lama tidak mengurangi
keakurasian hasil penelitian. Data digunakan untuk mendapatkan
gambaran atau hasil analisis tahun yang dimaksud. Dan hal tersebut
merupakan kelebihan dari penggunaan data inderaja, yang dapat
merekam data secara historical. Akan tetapi, validasi dari metodologi
yang dihasilkan, sebisa mungkin menggunakan data lapangan yang
diperoleh dari tahun yang sama.

Informatika Pertanian Volume 19 No. 2, 2010

115

Gambar 4. Citra BT hasil integrasi multi resolusi Landsat TM dan NOAA AVHRR bulan
April 1997 (tahun kekeringan) sampai November 1998 (tahun normal)

116

Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana

Gambar 5. Citra BT dari NOAA AVHRR asli bulan April 1997 (tahun kekeringan)
sampai November 1998 (tahun normal)
Sedangkan perbedaan nilai piksel dari citra NDVI dan BT hasil
integrasi tersebut pada beberapa jenis tutupan lahan disajikan pada
Tabel 1 berikut ini :

Informatika Pertanian Volume 19 No. 2, 2010

117

Tabel 1. Perbedaan nilai piksel NDVI dan BT hasil perhitungan intergrasi multi resolusi
Landsat TM dan NOAA AVHRR
Jenis Tutupan
Lahan
Forest1
Forest2
Paddy fields
Other agriculture
Village / urban
area

NDVI

BT

NOAA
AVHRR

Citra Hasil
Integrasi

NOAA
AVHRR

Citra Hasil
Intergrasi

0.29 – 0.39
0.33 – 0.46
0.26 – 0.38
0.31 – 0.41
0.27 – 0.29

0.46 – 0.55
0.50 – 0.68
0.20 – 0.49
0.31 – 0.49
0.10 – 0.20

20 – 22
19 – 22
21 – 23
21 – 23
23 – 25

27 – 30
27 – 30
31 – 33
31 – 34
34 – 36

Integrasi Citra NOAA AVHRR dan Landsat TM Untuk Pemantauan
Hutan pada Tingkat Regional
Studi yang dilakukan oleh Lertlum (1997) untuk sistem klasifikasi
tutupan lahan dalam untuk keperluan penghutanan kembali pada skala
regional di Indo-China Peninsula. Pertimbangan penggunaan multi
resolusi adalah ketidak tersediaan data citra beresolusi spasial tinggi
dan sekaligus juga memiliki resolusi temporal tinggi untuk sistem
klasifikasi hutan.
Citra yang digunakan adalah NOAA AVHRR sebagai data utama
dan Landsat TM sebagai data pembanding lapangan untuk memantau
hutan primer, hutan sekunder, dan jenis vegetasi lainnya. Satu
methodologi klasifikasi vegetasi dari integrasi citra resolusi rendah dan
tinggi dengan menggunakan kombinasi band optik dan thermal.
Citra resolusi rendah (NOAA AVHRR) didukung kalibrasi citra
resolusi tinggi (Landsat TM) digunakan untuk menghasilkan peta hutan
dengan asumsi bahwa kesamaan karakteristik informasi di lapangan
dapat dikembangkan pada areal lain. Secara ringkas methodology ini
dapat dilihat pada Gambar 6.

118

Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana

1997

NOAA AVHRR
resolusi 1,1 km

Sistem klasifikasi otomatis

Peta Hutan

1998

NOAA AVHRR
resolusi 1,1 km

Sistem klasifikasi otomatis

Peta Hutan

1999

NOAA AVHRR
resolusi 1,1 km

Sistem klasifikasi otomatis

Peta Hutan

Deteksi

Gambar 6. Kerangka kerja methodology pemantauan hutan (Lertlum, 1997)
Studi ini menggunakan indeks vegetasi baru yang diperoleh dengan
mengkombinasikan NDVI (band 1 dan band 2) dan themal band (band
4) dari NOAA AVHRR, yang disebut Normalized Thermal-NDVI (NTNDVI). Perhitungan NT-NDVI juga diaplikasikan pada citra beresolusi
tinggi (Landsat TM).
Rata-rata band 3, 4, dan 6 dari Landsat TM dihitung untuk
menghasilkan dataset yang mempunyai resolusi sama seperti NOAA
AVHRR 1,1 km untuk menghitung NT-NDVI. Selanjutnya model regresi
dihitung antara citra beresolusi rendah dan rata-rata citra beresolusi
tinggi. Hubungan NT-NDVI dari rata-rata Landsat TM dan NOAA
AVHRR diperoleh hubungan dengan persamaan sebagai berikut :
NT-NDVIavhrr = 0.5531*NT-NDVItm - 0.3437 dengan r = 0.84
Dimana: NT-NDVIavhrr = Normalized Thermal - NDVI dari NOAA
AVHRR; NT-NDVItm = Normalized Thermal dari Landsat TM.
Prosesnya dilakukan dengan mendifinisikan model regresi antara
parameter yang sama dari citra resolusi rendah dan tinggi, dimana
proses ini pernah dilakukan sebelumnya oleh Yasuoka et al. (1995).
Dengan mengimplementasikan cara ini, verifikasi hasil yang sulit
dilakukan karena kurangnya referensi data di lapangan dapat dikurangi.
Studi Integrasi Multi Resolusi Lainnya
Beberapa penelitian lainnya yang telah dilakukan kami sajikan
berikutnya. Metode lain yang dapat digunakan pada tahap integrasi dua
resolusi spasial disebut resampling. Resampling adalah tehnik
matematika yang digunakan untuk membuat citra versi baru beresolusi
Informatika Pertanian Volume 19 No. 2, 2010

119

berbeda (Sachs, 2001). Dua macam resampling, yaitu upsampling dan
downsampling.
Untuk integrasi data dari resolusi spasial tinggi ke rendah, sebagai
contoh pada integrasi yang dilakukan pada Landsat TM yang beresolusi
30 m menjadi 250 m - 1 km (MODIS dan NOAA AVHRR) untuk
pemantauan iklim. Metodenya bisa dilakukan dengan beberapa cara,
yaitu mean, mode, atau median. Proses tersebut merupakan proses
downsampling. Tehnik resampling yang paling banyak digunakan
adalah piksel baru diperoleh dari rata-rata bobot dari piksel sekitarnya.
Bobot tergantung dari jarak antara lokasi piksel baru dan piksel yang
terdekat.
Metode
yang
paling
sederhana
adalah
hanya
mempertimbangkan piksel terdekat secara langsung.
Pendekatan baru untuk downsampling data kategori atau data
klasifikasi telah dilakukan oleh Steinwand (2003). Metode nearest
neighbor adalah yang umum digunakan untuk integrasi jenis data hasil
klasifikasi tersebut, dimana untuk data satelit yang berdasarkan spektral
aslinya, piksel terdekat tidak terlalu berpengaruh. Sedangkan metode
lainnya, seperti metode cubic convolution, bilinear interpolation dan
lainnya, umumnya tidak digunakan untuk data jenis kelas atau kategori.
Sebagai jalan keluarnya, digunakan metode baru, dimana piksel tidak
diperlakukan sebagai titik, akan tetapi sebagai bidang.
Sedangkan sebaliknya adalah upsampling, yaitu proses integrasi
dua data yang dilakukan dari resolusi spasial rendah ke tinggi. Integrasi
multi resolusi pemantauan periode pertumbuhan padi merupakan
metode upsampling. Dalam hal ini citra beresolusi rendah digunakan
sebagai acuan untuk membuat data baru citra beresolusi tinggi.
Konsepnya adalah satu piksel citra resolusi rendah mengandung
beberapa informasi dari piksel citra resolusi tinggi. Beberapa metode
upsampling, selain menggunakan nearest neighbor seperti telah
dijelaskan di atas, juga dapat digunakan bilinear dan bicubic. Dari
ketiga metode, yang menghasilkan citra baru paling baik adalah bicubic
resampling. Selain itu masih terdapat metode lainnya, yaitu Lanczos
4x4, 6x6, dan 8x8.
Setiap metode resampling tersebut dapat dikelaskan dengan
menggunakan oleh kernal resampling, yang merupakan kurva
sederhana yang mempertimbangkan bobot relatif dari piksel terdekat
yang berdasarkan pada jarak dari piksel baru (Sachs, 2001). Kernel
resampling pada prinsip sama dengan Inverse Distance Weigthing
(IDW). Ini merupakan salah satu metode untuk mencari metode
resampling yang sesuai yang dilakukan pada tahap kedua.
Pembobotan untuk mencari metode resampling data multi temporal
untuk aplikasi perubahan terrain telah dilakukan oleh Coulter dan Stow
120

Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana

(2008) dan data multi resolusi untuk aplikasi tutupan lahan oleh Usery
dan Finn (2003).
Cara lain untuk mendapatkan metode resampling yang sesuai untuk
integrasi data klasifikasi kelas kehijauan dan kelembaban multi resolusi
dilakukan analisis pembobotan dengan menggunakan Analytical
Hirarchical Process (AHP). Menurut Windupranata (2007), AHP adalah
suatu metode kuantitatif yang didesain oleh Saaty pada tahun 1980
sebagai sebuah metode sistematik untuk membandingkan kriteria yang
menentukan. Parameter yang digunakan adalah macam metode
resampling, yaitu nearest neighbor, bilinear, bicubic dan Lanczos 4x4,
6x6, dan 8x8.
Metode lain yang dapat dipertimbangkan untuk dilakukan adalah
Least Square Adjustment (LSA). Metode ini banyak digunakan pada
survei dan pemetaan, karena pada kegiatan tersebut data yang dikaji
adalah data pengukuran. Pada data pengukuran seringkali ditemukan
data yang redundant, sehingga terjadi ketidak konsistenan dan
kontradiksi dari hasil pengukuran yang disebut misclosure. Untuk
mengurangi hal tersebut sehingga dapat diperoleh hasil yang bagus,
dilakukan adjustment (Fan, 2003). Pada penelitian ini konteksnya dalam
kajian perubahan derajat kehijauan tanaman padi. Untuk metode
tersebut, hal yang dilakukan adalah membuat model fungsionalnya
untuk beberapa metode pengamatan berdasarkan temporalnya.
Kemudian dilakukan pembobotan dalam bentuk matriks korelasi
variabel bobotnya.
Teknik integrasi citra lainnya dilakukan oleh Mastra (1998) dan
Sanjaya (2004), dengan metode komposit warna RGB, transformasi
RGB-IHS, dan transformasi IHS-RGB. Komposit warna RGB adalah
penggabungan tiga band atau tiga informasi yang berbeda dalam tiga
warna utama yaitu Merah (red – R), Hijau (green – G), dan Biru (blue –
B). Nilai skala abu-abu yang terdapat pada masing-masing band
digunakan untuk membentuk himpunan atau gabungan kecerahan
warna merah, hijau, dan biru. Metode tersebut digunakan untuk
mempermudah analisis visual dari pengguna. Pemilihan band
didasarkan pada karakteristik spektral masing-masing band yaitu sesuai
dengan rentang panjang gelombang yang diterima oleh band tersebut.
Studi dilakukan Sanjaya (2004) menggunakan citra ASTER (beresolusi
spasial 15 m), Landsat ETM (30 m), dan SPOT (10 m).
Sedangkan transformasi warna IHS (Intensitas – Hue – Saturation)
secara efektif memisahkan informasi spasial (I) dan spektral (HS) dari
citra penggabungan RGB. Terdapat 2 cara untuk mengaplikasikan
teknik IHS, yaitu secara langsung dan substitusi:
1. Secara langsung menempatkan band atau data pada I, H, dan S.
Informatika Pertanian Volume 19 No. 2, 2010

121

2. Secara substitusi, yaitu dengan cara transformasi dari RGB ke IHS
dengan memisahkan aspek warna dalam kecerahan reratanya
(intensity). Hal ini terkait dengan kekasapan permukaan, kontribusi
panjang gelombang dominan (hue) dan puritas (saturation). Hue dan
saturatuion, dalam hal ini, berhubungan dengan komposisi atau
reflektifitas permukaan. Satu dari tiga komponen tersebut dapat
diganti dengan data lain yang akan diintegrasikan. Transformasi
berlawanan arah (IHS ke RGB) mengkonversi data kembali ke
kondisi semula dengan menghasilkan citra gabungan.
Teknik IHS tersebut digunakan untuk mendapatkan penajaman
warna dari data yang terhubung, meningkatkan kenampakan, dapat
menambah resolusi spasial, dan menggabungkan beberapa data yang
terpisah.
Penggunaan teknik IHS dalam penggabungan citra berdasarkan
pada prinsip penggantian salah satu komponen (I, H, atau S) dari suatu
data dengan data lain. Pada umumnya komponen yang diganti adalah
komponen intensity, yaitu dengan mengantikannya dengan data
beresolusi lebih tinggi kemudian dilakukan transformasi berlawanan
untuk mendapatkan kombinasi komposite warna kembali.

PENUTUP
Citra satelit yang mampu memberikan informasi cakupan spasial
yang luas dan perekaman yang berulang merupakan kelebihan yang
dapat digunakan untuk pemantauan kondisi suatu lahan. Beragamnya
jenis citra satelit yang tersedia saat ini memiliki kelebihan dan
kekurangan. Beberapa penelitian dengan menggunakan berbagai jenis
citra dan metode menunjukkan bahwa integrasi citra satelit sangat
mungkin dilakukan untuk meningkatkan kedetailan citra satelit dan
ketelitian suatu analisis kondisi lahan, baik secara visual maupun
perhitungan otomatis secara digital. Ketepatan pemilihan metode, jenis
citra, resolusi (spasial, temporal, dan spektral), waktu akuisisi citra yang
diintegrasi, dan keseauain tujuan studi, sangat diperlukan untuk
menghindari kesalahan intreprestasi atau analisis.

122

Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana

PUSTAKA
Abdurachman, A., Wahyunto, dan R. Shofiyati. 2005. Kriteria Biofisik
dalam Penetapan Lahan Sawah Abadi di Pulau Jawa. Jurnal Litbang
Pertanian, 24(4), 131-136.
Badan Pusat Statistik (BPS). 2004. Statistik Indonesia. Statistik
Indonesia. Badan Pusat Statistik Indonesia, Jakarta.
Badan Pusat Statistik. 2003. Statistik Indonesia, dalam Abdurachman, A.,
Wahyunto, dan R. Shofiyati. 2005. Kriteria Biofisik dalam Penetapan Lahan
Sawah Abadi di Pulau Jawa. Jurnal Litbang Pertanian, 24(4), 131-136.
Coulter, L.L. dan D.A.Stow. 2008. Assessment of the Spatial Co-registration of
Multitemporal Imagery from Large Format Digital Cameras in the Context of
Detailed Change Detection. Sensors 2008, 8: 2161-2173
Fan, H. 2003. Theory of Errors and Least Squares Adjustment. Lecture Notes
Division of Geodesy Report No. 2015. Royal Institute of Technology.
Department of Geodesy and Photogrammetry. Stockholm, Sweden

Gotway, C.A. and L.J. Young. 2002. Review Paper: Combining
Incompatible Spatial Data. American Statistical Association. Journal
of the American Statistical Association, June 2002, 97(458): 632648.
Lertlum, S. 1997. Vegetation Classification Methodology From Multi-resolution
Satellite Data Using a Combination of Optical and Thermal Bands.
Dissertation of Doctor of Technical Science. AIT. Bangkok, Thailand.
Mastra, R. 1998. Pembuatan Foto Berwarna “Artificial True Colour” Dari Foto
Hitam Putih Dengan Konversi HIS. Prosiding FIT, ISI, Jakarta, 4-6
November 1998.

Pasaribu, H.B. 2009. Pengembangan Kebijakan Pertanahan:
Rancangan Undang-Undang Pengelolaan Lahan Berkelanjutan.
Land Management and Policy Development Project. (LMPDP).
http://www.landpolicy.
or.id/kajian/2/tahun/2009/bulan/08/tanggal/06/id/174/.
Diunduh
tanggal 8 Desember 2010.
Rochon, G.L., B.H. Mbongo, L. Biehl, J. Jung, S. Fall, J.E. Quansah, B.
Araya, A.R. Maud, W. Kim, D. Grant, and T. Thiam. 2010.
Combining Heterogeneous Data for Improved Identification &
Sustainable Mitigation of Infectious Disease Vector Habitat and for
Assessment of Vulnerability to Vector-Borne, Water-Borne and
Airborne Diseases. US Egypt Workshop on Space Technology and
Geo information for Sustainable Development, Cairo, Egypt, 14 -17
June, 2010.

Informatika Pertanian Volume 19 No. 2, 2010

123

Sachs, J. 2001. Image Resampling. Digital Light and Color Message Boards.
http://ftp2.bmtmicro.com/dlc/Resampling.pdf. Dikutip tanggal 25 Desember
2008.
Sanjaya, H. 2004. Zamrud Khatulistiwa: Teropong dari Luar Angkasa Sampai
Laut Dalam. P3-TISDA BPPT bekerjasama dengan SEACORM Badan Riset
Perikatan dan Kelautan. ISBN 979-3017-03-1.
Shofiyati, R. 2009. Remote Sensing and Geographical Information System
Application: Agricultural Drought Monitoring Using Satellite Data. VDM
Publisher. German. ISBN 978-3-639-20507-7.
Shofiyati, R. dan Kuncoro G.P. 2007. Inderaja untuk Menkaji Kekeringan di
Lahan Pertanian. Informatika Pertanian Vol. 16, 2007. Hlm 933 – 947.
Badan Litbang Pertanian. Jakarta.
Steinwand, D.R. 2003. A New Approach to Categorical Resampling. USGS
EROS Data Center, SAIC, Sioux Falls, SD 57198-0001.
Usery, E.L. dan M.P. Finn. 2003. Resolution and Resampling Effects of GIS
Databases for Watershed Models. ASPRS 2003 Proceeding. http://cartoresearch.er.usgs.gov/watershed/ppt/asprs2003-water.ppt. Dikutip tanggal 25
Desember 2008.
Windupranata, W. 2007. Development of a Decision Support System for
Suitability Assessment of Mariculture Site Selection. Disertasi program
Doktor pada Universitas Delf. Jerman.
Yasuoka, Y., Sugita, M., Yamagata, Y., Tamura, M., Suhama, T., 1995. Scaling
Between NOAA AVHRR Data and Landsat TM Data for Monitoring Wetland.
Proceedings of the International Symposium on Vegetation Monitoring,
Chiba, Japan.

124

Integrasi Multi Resolusi Citra Satelit Dengan Metode Sederhana