Proceedings

Geomatika
SAR Nasional
(GeoSARNas)
2011


In Conjunction with
International Seminar
Geospatial and Human Dimension
in Natural Resource Management

Bogor, 12-13 September 2011

Published by Crestpent Press@2011

ISBN 978-979-25-7259-9

i
 Foreword

This year we held The International Seminar on Geomatics and SAR (GeoSARNas) for the
second time since 2009. The GeoSARNas Seminar is the only one forum in Indonesia that
designed to encourage and facilitate Indonesian and international research communities
and practitioners works on SAR data applications and techniques for land and natural
resources issues to communicate their recent works. The seminar was held at IPB
International Convention Center, Bogor on September 12-13, 2011. It was hosted by
LAPAN in collaboration with BAKOSURTANAL, IPB and MAPIN.

The theme of GeoSARNas 2011 was Emerging Geospatial Information Retrievals and
Applications. It had 2 sub themes i.e. SAR, Data Processing and the Application and
Optical Remote Sensing. This proceeding included 32 paper which has been presented
by oral or poster presentation. The session provides good opportunity to share
experiences and knowledge between the speakers and participants through discussion.
During the seminar, we had a special session for policy discussion with Ministry of
Research and Technology (RISTEK) about the important of SAR data to monitor our
natural resources including the policy to face foreign country offered on SAR satellite
operation in Indonesia. As we know, the SAR applications and its processing techniques
are limited in Indonesia, so in the future we would like to do more extensive programs
in order to campaign SAR techniques and applications in Indonesia.

It took time to compile all full papers both from oral presentation and poster
presentation. We thank the authors, reviewers, and editors for their effort, time, and
energy to make this proceeding published.

Jakarta, 2 January 2012

Director of Remote Sensing Application Center

Mr.AgusHidayat

ii
 Contents

Foreword ............................................................................................................. ii

Contents ............................................................................................................ iii

I. SAR, DATA PROCESSING, AND THE

APPLICATION

I.1.DataProcessing
Interferometric SAR Phase Unwrapping Data ALOS PALSAR dengan
Menggunakan Algoritma Least-Squares Two-Dimensional Phase
Unwrapping
Katmoko Ari Sambodo, Muchammad Soleh .................................................................................. 1

Ortho-Rektifikasi Data ALOS PALSAR dengan Menggunakan Data Digital

Elevation Model (DEM) dan Teknik Registrasi Citra Berdasarkan Fast
Fourier Transform (FFT)
Katmoko Ari Sambodo ....................................................................................................................... 17

Perbandingan Operasi Direct Correlation dan Fast Fourier Transform pada

Registrasi Citra untuk Pengolahan Awal Orthorektifikasi Data Synthetic
Aperture Radar (SAR) 29
Katmoko Ari Sambodo, Musyarofah .............................................................................................. 29

Optimalisasi dan Standarisasi Sistem Pengolahan Data Satelit

Penginderaan Jauh SAR (Syntetic Aparture Radar) : Pengembangan
Metoda pengolahan Awal Data Penginderaan Jauh SAR
Katmoko Ari Sambodo, Hidayat Gunawan, M.Sholeh dan Musyarofah................................ 41

I.2.EnvironmentandDisasterMitigation
A Review of Using SAR Imagery for Disaster Emergency Response
Fajar Yulianto, M. Rokhis Khomarudin, Parwati .......................................................................... 65

iii
Simulasi Bahaya Pyroclastic Gunung Merapi Berdasarkan Model Energy
Cone dari Data DEM SRTM
Parwati, Fajar Yulianto, Rokhis Khomarudin ................................................................................77

I.3.NaturalResource
Pemantauan Wilayah Peri-Urban Dengan TerraSAR-X: Studi Kasus
Sidoarjo, Jawa Timur
Arif Nofyan Syah1, Bambang H. Trisasongko2, Hari Agung1 ......................................................93

Height Accuracies of SRTM and G-DEM on Various Land Cover Types: a

Case of Cimadur Watershed, Banten
Reyna Prachmayandini, Bambang H. Trisasongko, Suria Darma Tarigan, Boedi Tjahjono,
Kukuh Murtilaksono......................................................................................................................... 105

Analysis of DEM Fusion Method for Improving DEM Quality

Bambang Trisakti, Atriyon Julzarika and Ahmad Sutanto ..................................................... 113

Combination of Speckle Divergence and Neighborhood Analysis to Classify

Settlement from Terrasar-X Data
M. Rokhis Khomarudin1, Agung Indrajit2 .................................................................................... 125

Kajian Penghitungan Volume Hutan Menggunakan Model 3D dari Data

Radar Berbeda Band dan Koreksi Terrain Model 3D dari Data Radar Satu
Band
Atriyon Julzarika ............................................................................................................................... 143

Pemetaan Distribusi Kelembaban Tanah Menggunakan Data Polarimetrik

PALSAR ALOS
Indah Prasasti1, Ita Carolita1, A. E. Ramdani2 ............................................................................. 157

Teknik Koreksi Bull Eyes untuk Peningkatan Akurasi dan Presisi Model 3D
dengan Height Error Maps Berbasis Hitung Perataan
Atriyon Julzarika, Samsul Arifin .................................................................................................... 169

II. OPTICAL REMOTE SENSING AND THE

APPLICATION

II.1.EnvironmentandDisasterMitigation
Informasi Spasial Daerah Rawan Bencana sebagai Salah Satu Masukan
dalam Perencanaan Tata Ruang Wilayah
A.B.Suriadi M Arsjad ......................................................................................................................... 183

iv
Vulnerability and Capacity Analysis to Support Disaster Risk Reduction in
Kampung Melayu, Jakarta Province
Mone Iye Cornelia Marschiavelli .................................................................................................... 199

Pendeteksian Asap Kebakaran Menggunakan Citra Komposit MODIS

Yenni Vetrita, Nanik Suryo Haryani ............................................................................................... 209

Deteksi Kekeringan Menggunakan Data MODIS di Kalimantan

Nanik Suryo Haryani, Hidayat, Yenni Vetrita .............................................................................. 221

Analisis Tanah Longsor di Tenjolaya Menggunakan Data Penginderaan

Jauh
Nanik Suryo Haryani......................................................................................................................... 233

Informasi Spasial Titik Panas Menggunakan Globe Virtual: Studi Kasus

Menggunakan Data MODIS Wilayah Indonesia
M. Rokhis Khomarudin, Muhammad Priyatna........................................................................... 245

Indeks Kekeringan Meteorologis SPI (Standardized Precipitation Index)

sebagai Peringatan Dini Bahaya Kebakaran Hutan di Indonesia
Berdasarkan Data Satelit TRMM
Parwati, Any Zubaidah, Kusumaning Ayu D.S. .......................................................................... 257

Analysis of the Enhanced Vegetation Index (EVI) Multi-Temporal Terra

MODIS as an Indicator Deforestation in Central Kalimantan, Indonesia
Fajar Yulianto, Yeni Vetrita, M. Rokhis Khomarudin ................................................................. 275

Deteksi Pola Tanam Tanaman Padi di Lahan Sawah Menggunakan Data

EVI MODIS Multitemporal
Dede Dirgahayu, Any Zubaedah, Junita Monika Pasaribu ..................................................... 285

Modelling Impact of Tidal Inundation to Fishpond Area in Pantura Coast

Zone, Central Java, Indonesia
Fajar Yulianto, M. Rokhis Khomarudin......................................................................................... 297

II.1.NaturalResources
Identifikasi Pola Tanam Padi Sawah Menggunakan Data MODIS
Multitemporal di Kabupaten Kebumen
Emiyati ................................................................................................................................................. 307

Sunglint: How Much It Affects Satellite Image-Based Benthic Habitat

Identification?
Pramaditya Wicaksono ................................................................................................................... 317

v
Kajian Daya Dukung Pesisir untuk Pengembangan Wisata Bahari di Pulau
Hari, Provinsi Sulawesi Tenggara
Suharto Widjojo ................................................................................................................................ 333

Aplikasi MapWindowSWAT untuk memprediksi Hidrologi di DAS Cirasea,

Jawa Barat
Sri Malahayati1, Kukuh Murtilaksono1,2, Mahmud A. Raimadoya3 ....................................... 347

Shoreline Change Assessment by Means of Remotely Sensed Data and

Geographic Information System (GIS): Case of Demak Coastal Area
Nita Maulia ........................................................................................................................................ 361

Aplikasi SIG dan Penginderaan Jauh dalam Penentuan Kecukupan dan

Prediksi Luasan Ruang Terbuka Hijau sebagai Rosot CO2 di Kabupaten
Kudus, Jawa Tengah
Noor Aenni, Lilik Budi Prasetyo, Rachmad Hermawan ............................................................ 381

Kajian Spasiotemporal Dampak ENSO terhadap Karakteristik Indeks

Vegetasi dengan Citra TerraMODIS: Studi Kasus Pulau Kalimantan dan
Pulau Jawa
Nita Maulia, Aris Poniman, Suharto Wijoyo, Mulyanto Darmawan..................................... 396

The Analysis of Shoreline Changes in Sayung Demak and Its Impact for
Fishpond Ownership
Chatarina Muryani, Rahning Utomowati ................................................................................... 413

Estimasi Curah Hujan Periode 8 Harian/Dasarian Menggunakan Data

Penginderaan Jauh TRMM: Studi Kasus Wilayah Indramayu
Any Zubaidah, Dede Dirgahayu.................................................................................................... 423

Generalisasi Nilai Koefisien C untuk Koreksi Terrain pada Citra Landsat

Tatik Kartika, Bambang Trisakti, Arum Tjahjaningsih ............................................................. 441

Tsunami vulnerability assessment A case study of Kuta Village, Bali,

Indonesia
Eddy1*, David King2 and James Moloney1 ................................................................................... 451

Spatial Planning of the State Border Areas

Sri Handoyo ....................................................................................................................................... 471

vi
 I
SAR,
DATA PROCESSING,
AND THE APPLICATION

Data Processing
This page intentionally left blank
 Interferometric SAR Phase Unwrapping Data ALOS PALSAR
dengan Menggunakan Algoritma Least-Squares Two-Dimensional
Phase Unwrapping

Katmoko Ari Sambodo, Muchammad Soleh

Pusat Teknologi dan Data Penginderaan Jauh LAPAN

E-Mail:
katmoko_ari@lapan.go.id | katmoko_ari@yahoo.com
msoleh@lapan.go.id | msoleh76@gmail.com

Abstrak. SAR Interferometry merupakan salah satu aplikasi penting dari data
penginderaan jauh sistem aktif sistem SAR (Synthetic Aperture Radar). Untuk
mendapatkan data Digital Elevation Model (DEM) dari data SAR dibutuhkan sedikitnya
dua buah data SAR SLC (Single Look Complex) yang diakusisi dari posisi sensor yang
sedikit berbeda. Secara garis besar, proses penurunan tersebut meliputi beberapa
tahapan: koregistrasi citra (mentransformasikan posisi piksel pada kedua data agar
tepat/register satu sama lain), penghitungan Interferogram (untuk menghasilkan fringe
/pola gelap terang yang dihasilkan dari perbedaan fasa kedua data tersebut), Flat Earth
Correction (melakukan koreksi perhitungan interferogram terhadap permukaan bumi
yang menjadi referensi/acuan), Phase Unwrapped dan Konversi Citra menjadi DEM
(mengkoreksi perbedaan cyclic pada fringe yang masih memiliki siklus fasa 2 ke dalam
fasa absolut (unwrapp) dan mengkonversinya menjadi data DEM). Tahapan phase
unwrapping merupakan tahapan yang terpenting dan sekaligus tersulit dari beberapa
tahapan tersebut karena akan menentukan akurasi data DEM yang dihasilkan. Penelitian
ini bertujuan untuk melakukan ujicoba phase unwrapping dengan metode Least-Squares
Two-Dimensional Phase Unwrapping dengan menggunakan dua buah data ALOS PALSAR
daerah sekitar Gunung Merapi Merbabu. Metode ini pada dasarnya akan meminimalisir
jumlah total selisih antara gradien wrapped phase (fasa hasil pengukuran) dengan nilai
solusi fasa yang dicari. Salah satu solusi pemecahannya adalah dengan menggunakan
transformasi Fourier. Dari hasil eksperimen diperoleh kesimpulan bahwa metode ini
mampu memberikan hasil yang cukup memuaskan walaupun diterapkan dengan
menggunakan data input interferogram yang masih mengandung cukup noise.

Katakunci: Synthetic Aperture Radar (SAR), ALOS PALSAR, Interferometri SAR (InSAR),
Least-Squares Two-Dimensional Phase Unwrapping, Transformasi Fourier.

GeomatikaSARNasional(GeoSARNas)2011.|1
Pendahuluan
SAR (Synthetic Aperture Radar) merupakan salah satu sistem penginderaan
jauh aktif menggunakan gelombang mikro (microwave) dengan panjang
gelombang 1 mm 1 m. Kelebihan SAR antara lain adalah dapat menembus
awan, kabut dan asap serta mampu beroperasi dalam segala kondisi cuaca baik
siang maupun malam. Instrumen SAR mampu merekam, baik magnitude
(amplitudo) maupun fasa (phase), gelombang elektromagnetik yang
dihamburbalikan dari obyek di permukaan bumi. Salah satu aplikasi penting
dalam penggunaan data SAR adalah teknik interferometri SAR (InSAR). InSAR
berperan penting dalam ekstraksi informasi ketinggian atau DEM (Digital
Elevation Model) dengan cara menurunkan informasi fasa yang direkam di
dalam data SAR. Untuk memperoleh DEM dari data SAR dibutuhkan sedikitnya
dua buah data SAR dengan format SLC (Single Look Complex) yang
diakusisi dari posisi sensor yang sedikit berbeda.

Secara garis besar, proses penurunan tersebut meliputi beberapa tahapan

sebagai berikut: koregistrasi citra (mentransformasikan posisi piksel pada kedua
data agar tepat/register satu sama lain), penghitungan interferogram
(menghasilkan fringe/pola gelap terang yang dihasilkan dari perbedaan fasa
kedua data tersebut), flat earth correction (melakukan koreksi perhitungan
interferogram terhadap permukaan bumi yang menjadi referensi/acuan), dan
terakhir adalah phase unwrapped dan konversi citra menjadi DEM (mengkoreksi
perbedaan cyclic pada fringe yang masih memiliki siklus fasa 2 ke dalam fasa
absolut (unwrapp) dan mengkonversinya menjadi data DEM). Tahapan phase
unwrapping merupakan tahapan yang terpenting dan sekaligus tersulit dari
beberapa tahapan tersebut karena akan menentukan akurasi data DEM yang
dihasilkan.

Saat ini terdapat 2 kategori utama algoritma phase unwrapping yaitu metode
path-following dan metode minimum-norm. Algoritma path-following
menggunakan operasi yang dilokalisir, dalam beberapa hal, mengikuti lintasan
(paths) keseluruhan fasa wrapped (fasa hasil pengukuran). Contoh dari metode
path-following ini antara lain adalah Goldsteins algorithm, Quality-guided
algorithm, Mask cut algorithm, Flynns minimum discontinuity algorithm.
Sedangkan algoritma minimum-norm mencari pendekatan yang lebih global
untuk meminimalisir selisih dari perbedaan antara gradien fasa wrapped (fasa
hasil pengukuran) terhadap nilai solusi fasa yang dicari. Contoh dari metode

2|GeomatikaSARNasional(GeoSARNas)2011
minimum-norm ini antara lain adalah Unweight least-square algorithm, PCG
algorithm, Multigrid algorithm dan Minimum LP-norm algorithm [3].

Paper ini bertujuan untuk meneliti dan melakukan ujicoba phase unwrapping
dengan metode minimum-norm, dalam hal ini menggunakan algoritma unweight
least-square phase unwrapping yang diujicobakan pada dua buah data SAR
SLC Alos Palsar daerah sekitar Gunung Merapi Merbabu. Metode ini pada
dasarnya bertujuan untuk meminimalisir jumlah total selisih antara gradien
wrapped phase (fasa hasil pengukuran) dengan nilai solusi fasa yang dicari.
Dan salah satu solusi pemecahannya adalah dengan menggunakan
transformasi Fourier. Algoritma phase unwrapping dengan metode Fast Fourier
Transform (FFT) ini dipilih karena memiliki kelebihan antara lain cepat,
membutuhkan memori yang kecil, dan tidak membutuhkan suatu peta kualitas
(seperti correlation map, pseudocorrelation map, phase derivative variance dan
maximum phase gradient). Namun demikian, teknik ini mengandung kelemahan
yaitu hanya dapat diterapkan untuk dimensi array (larik) dengan data fasa
n
wrapped berukuran 2 , dimana n adalah ukuran dimensi dari array [3].

Tinjauan Pustaka
Interferometri adalah suatu proses yang menggunakan metode interferensi efek
gelombang (microwave) untuk menentukan panjang (jarak) atau perubahan
panjang yang sangat akurat [1]. InSAR adalah suatu metode untuk
mengekstrasi informasi tiga dimensi dari suatu permukaan bumi dengan
menggunakan informasi fasa (berkaitan dengan jarak satelit (slant range)
terhadap pemancar sinyal radar) dari sepasang citra radar kompleks [5].

Citra interferogram adalah citra hasil perkalian kompleks konjugate antara citra
master dan citra slave. Perkalian citra dilakukan piksel demi piksel untuk posisi
yang bersesuaian koordinatnya, sehingga amplitudo hasil citra interferogram
mencerminkan perata-rataan antara kedua citra masukan, sementara fasanya
merupakan beda fasa antara kedua sinyal radar. Dalam hal ini resultan fasa
interferogram memiliki hubungan langsung dengan topografi objek dalam
modulus 2. Pola gelap-terang tersebut mengandung informasi beda ketinggian
yang akan diekstraksi menjadi data DEM.

Terbentuknya citra interferogram adalah hasil interferensi dan koherensi

perbedaan fasa antara pasangan data master dan slave. Fasa itu sendiri

GeomatikaSARNasional(GeoSARNas)2011|3
dideteksi antara dan , tetapi secara aktual fasa bergeser antara dua
gelombang atau lebih. Phase unwrapping adalah proses rekonstruksi fasa awal
(original) yang bergeser dari representasinya (wrapped). Phase unwrapping
berisi tambahan atau pengurangan kelipatan 2 pada tempat-tempat yang
sesuai untuk membuat fasa citra sebaik mungkin (smooth). Untuk merubah fasa
interferometrik menjadi elevasi, harus dilakukan phase unwrapping [2].

Salah satu metode untuk menyelesaikan persoalan phase unwrapping dengan

metode minimum-norm adalah algoritma least-squares two-dimensional yang
berupaya meminimalisir selisih dari perbedaan antara gradien fasa wrapped
terhadap nilai solusi fasa yang dicari. Perbedaan gradien fasa yang dicari
dinyatakan dengan persamaan umum sebagai berikut:

4 0 ........................................................................................................... (1)

dimana (xi,yi) adalah titik-titik data, a adalah kemiringan lereng (slope) dan b
adalah nilai offset.

Jika diterapkan pada larik 2 dimensi, maka Persamaan (1) tersebut diubah
menjadi :

, , , , , , ....(2)

Persamaan tersebut diatas dapat dipecahkan menggunakan persamaan

Poisson sebagai berikut:

, 2 , , , 2 , , , ............................................ (3)

dimana:
, , , , , .........................................................................................(4)

Seperti telah diketahui, persamaan Poisson adalah suatu persamaan

differensial parsial dari formula sebagai berikut:

, , , ............................................................................................. (5)

Dimana didefinisikan D adalah domain tertutup dari bidang. Solusi (x,y) dari
persamaan ini adalah unik tergantung pada suatu konstanta tambahan jika
diberikan boundary condition Neumann, yang mengkhususkan hanya pada nilai-

4|GeomatikaSARNasional(GeoSARNas)2011
nilai turunan normal / pada batas D. Dalam hal ini diasumsikan bahwa satu
batas kumpulan solusi yang mungkin dari (x,y) adalah mengubahnya ke dalam
fungsi periodik. Suatu fungsi periodik adalah suatu fungsi yang menjamin (x,y)
= (x+M,y) = (x,y+N) untuk semua titik (x,y) pada bidang, dimana M dan N
adalah konstanta yang tetap. Dan suatu fungsi mencakup keseluruhan nilai
tersebut pada daerah tertutup yang ditentukan oleh 0 x M dan 0 y N
dan mencapai nilai maksimumnya. Diasumsikan bahwa 1 dan 2 adalah dua
fungsi periodik untuk memecahkan persaman Poisson (Persamaan (5)). Jika
adalah suatu fungsi harmonis, maka Laplace-nya 2/x2 + 2/y2 adalah nol.
Dengan teori nilai rata-rata Gaussian, maka nilai (a) harus sama dengan nilai
rata-rata sepanjang suatu putaran yang berpusat pada a:

................................................................................................ (6)

Oleh karena (a) adalah nilai maksimum dari , maka hal tersebut
memungkinkan hanya jika adalah suatu fungsi konstan. Dengan demikian,
ketika dibatasi hanya untuk suatu fungsi periodik, maka persamaan Poisson
memiliki solusi unik (tergantung pada suatu konstanta tambahan) dan boundary
condition tidak diperlukan.

Untuk memecahkan persoalan tersebut sebagai salah satu alternatifnya

digunakan algoritma berbasis FFT. Dalam hal ini, diasumsikan bahwa fungsi
fasa wrapped i,j dari suatu fungsi nilai real yang tidak diketahui i,j diberikan
pada titik-titik grid segiempat ditentukan oleh 0 i M dan 0 j N. Fungsi
fasa wrapped didefinisikan menjadi fungsi dimana nilainya berada pada interval
(-, ) dan menjamin relasi exp (j) = exp (j). Dengan memperluas fungsi i,j
menjadi suatu fungsi periodik i,j dengan menunjukkan suatu mirror reflection,
dimana garis i=M dan j=N pada bidang, maka akan dihasilkan fungsi sebagai
berikut:

, , 0iM, 0jN,
, Mi2M, 0jN,
, = , 0iM, Nj2N,
, Mi2M, Nj2N.
.................................................................................................................................................................... (7)

GeomatikaSARNasional(GeoSARNas)2011|5
Fungsi i,j yang tidak diketahui juga dapat dipandang sebagai suatu fungsi
periodik i,j yang didefinisikan oleh mirror reflection ini. Oleh karena i,j dan i,j
adalah suatu fungsi periodik, maka fungsi i,j dan i,j dapat didefinisikan untuk
seluruh indeks i, j dengan memindahkannya dengan i mod 2M, j mod 2N.

Selanjutnya diturunkan suatu perkiraan least-square dari i,j berdasarkan

Persamaan (7). Oleh karena penggunaan mirror reflection maka fungsi fasa
wrapped i,j didefinisikan untuk seluruh titik (integer) pada bidang. Dengan
demikian tidak perlu lagi untuk memformulasi boundary condition. Perbedaan
fasa x dan y sebesar , dan , didefinisikan pada seluruh indeks i dan j
dengan persamaan:

, , , , , , , ................................................................ (8)

dimana W adalah operator wrapping. Selanjutnya mencari nilai suatu fungsi i,j
yang meminimalisir jumlah perbedaan square diantara perbedaan fasa ini dan
solusi perbedaan fasa yang dicari. Dengan memperluas fungsi i,j menjadi
fungsi periodik seperti i,j, dan menerapkan FFT 2-dimensi pada grid 2M x 2N
pada kedua sisi berdasarkan Persamaan 2.3 maka akan dihasilkan persamaan:
,
,
............................................................................................. (9)

Dimana m,n dan Pm,n berturut-turut adalah FFT 2-dimensi dari i,j dan i,j. (00
tidak didefinisikan, tetapi dapat diset menjadi nol sebab solusi dari Persamaan
(3) hanya ditentukan oleh konstanta tambahan yang digunakan). Solusi i,j
diperoleh dengan mengaplikasikan kebalikan FFT (inverse) pada Persamaan
(9) dan dengan meminimalisir hasil pada grid yang ditentukan oleh 0 i M
dan 0 j N.

Meskipun formula ini tidak mensyaratkan boundary condition secara eksplisit,

namun pada dasarnya mirror reflection membutuhkan boundary condition
secara implisit. Jelas terlihat bahwa turunan parsial (Persamaan (8)) ditentukan
oleh periodisitas dari boundary :

, ,
, ,
, ,
, , ..................................................................................................................................... (10)

6|GeomatikaSARNasional(GeoSARNas)2011
Berkaitan dengan solusi phase unwrapping dengan penggunaan mirror
reflection, terdapat metode yang biasa yaitu menggunakan ekstensi periodik
dengan melakukan translasi dan repetisi dari fungsi tanpa mirror reflection.
Metode ini menghasilkan suatu solusi yang tidak tepat sebab tidak dapat
menjaga penurunan boundary. Suatu contoh dari fungsi satu dimensi dapat
memberikan ilustrasi tentang titik tersebut. Diasumsikan bahwa fungsi fasa
wrapped = W{2/3} ditentukan pada titik integer k = 0,....,4. Fungsi fasa
menentukan fungsi landai linier wrapped. Jika ekstensi periodik i,j ditentukan
dengan cara biasa tanpa mirror reflection (yaitu k= k mod 5), maka turunan
diskrit (persamaan (8)) akan ditentukan oleh 2/3 untuk 0 k 3 dan
-2/3. Hasilnya setelah disederhanakan menjadi:

............................................................... (11)

Dan solusi least-square yang dihasilkan adalah =4k/15. Dalam hal ini jelas
terlihat bahwa phase unwrapping yang dihasilkan tidak tepat sebab kelerengan
(slope) tidak tepat. Lain halnya jika ekstensi k ditentukan oleh mirror reflection
(Persamaan (2.7)) maka akan diperoleh hasil:

2 ................................................................................................... (12)

dan solusi least-square phase unwrapping yang dihasilkan akan tepat k =2k/3
[3]. Dalam hal ini, nilai solusi inilah yang lebih tepat meminimalisir jumlah
perbedaan square diantara perbedaan fasa ini dan solusi perbedaan fasa yang
dicari.

Metodologi Penelitian
Data
Data SAR yang digunakan pada penelitian ini adalah sepasang data
interferometri SAR dalam format SLC (Single Look Complex) seperti ditunjukkan
pada Gambar 1 sebagai berikut:

GeomatikaSARNasional(GeoSARNas)2011|7
 Data Slave ( 06-06-2010) Data Master ( 06-09-2010)

Gambar 1. Pasangan data SAR SLC (master dan slave) daerah sekitar Gunung Merapi Merbabu,
Jawa Tengah

a) Data Alos Palsar dual-polarisasi (HH, HV), level 1.0 (amplitudo dan
phase)

b) Daerah sekitar Gunung Merapi, Jawa Tengah

c) Akusisi tanggal 16 September 2010 (master) dan 16 Juni 2010 (slave)

dan sesuai dengan persyaratan untuk pengolahan interferometri,
kedua data tersebut diakuisisi dengan posisi wahana yang sedikit
berbeda (di bawah 1000 m)

Metode
Seperti diilustrasikan pada Gambar 2, proses memperoleh DEM dengan teknik
InSAR ini meliputi beberapa tahapan. Namun demikian, fokus pengolahan data
dengan teknik InSAR ini adalah untuk mengekstraksi informasi fasa, bukan
pada magnitude-nya (amplitudo).

8|GeomatikaSARNasional(GeoSARNas)2011
 INPUTDATA KOREGIST PERHITUNGAN
(MASTER RASICITRA INTERFEROGRAM

KOREKSI

OUTPUT PHASEUNWRAPP& FILTERING

(DEM) KONVERSIKEDEM

Gambar 2. Diagram alir pemrosesan data SAR menjadi DEM dengan teknik InSAR

Tahap pertama adalah melakukan koregistrasi kedua data citra, tujuannya

adalah untuk mentransformasikan posisi obyek pada citra tepat berpasangan
pada piksel yang sama pada kedua citra. Selanjutnya dilakukan perhitungan
interferogram untuk memperoleh fringe atau pola terang-gelap akibat perbedaan
fasa pada kedua citra. Pada interferogram yang terbentuk dilakukan koreksi flat
earth, yaitu koreksi hasil interferogram terhadap permukaan bumi sebagai
acuannya. Setelah itu dilakukan filtering untuk memperjelas koherensi citra
interferogram yang dihasilkan. Dan tahapan akhir dalam keseluruhan proses ini
adalah phase unwrapping yaitu mengkoreksi perbedaan cyclic pada fringe yang
masih memiliki siklus fasa 2 ke dalam fasa absolut (unwrapp) dan
mengubahnya menjadi data DEM berupa ekstraksi informasi ketinggian
permukaan bumi dalam format digital.

Adapun algoritma least-squares two-dimensional phase unwrapping seperti

telah dijelaskan pada Bagian 2 paper ini dilakukan melalui beberapa tahapan
sebagai berikut:

1. Menghitung nilai i,j yang dinyatakan oleh persamaan ,

, 1, , , 1 dengan 0 i M dan 0 j N.

2. Menghitung FFT 2-dimensi dari i,j. Untuk setiap baris i dari larik i,j,
tentukan vektor titik fi menjadi mirror reflection dari baris. Untuk itu fi
= i,j dengan 0 j N, dan fi = i,2N-j dengan N j 2N. Jika fi
adalah real dan fungsi genap (yaitu fi = f2N-j), maka FFT juga real dan
genap. Hitung FFT, pindahkan baris i ke-n dari larik i,j
dengan
membatasi Fn dengan 0 n N. Setelah seluruh baris diproses
seperti ini, ulangi proses yang sama untuk seluruh kolom.

GeomatikaSARNasional(GeoSARNas)2011|9
 3. Pindahkan semua nilai dari larik i,j yang ditransformasikan dengan
nilai m,n seperti yang telah dinyatakan pada persamaan 3.6.

4. Hitung kebalikan FFT (inverse) dari larik i,j menggunakan prosedur

seperti pada tahap 2. Hasilnya adalah fungsi solusi yang diinginkan
yaitu i,j.

Hasil dan Pembahasan

Untuk sampai pada proses phase unwrapping, tahap pertama yang harus
dilakukan pada kedua data (master dan slave) adalah melakukan koregistrasi
citra antara master dan slave, dengan cara mentransformasikan piksel-piksel
yang saling overlap untuk mendapatkan posisi obyek citra yang tepat
berpasangan pada piksel yang sama di kedua citra. Setelah kedua citra register
satu sama lain, maka dilakukan penghitungan dan pembentukan citra fringe
interferogram, yaitu pola gelap-terang hasil dari proses interferensi dan
koherensi pasangan gelombang SAR yang berbeda fasa. Gambar 3 berikut ini
adalah citra interferogram hasil pengolahan pasangan data SAR SLC:

Gambar 3. Citra interferogram pasangan data SAR SLC

10|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 4. Citra interferogram setelah difilter menggunakan filter Goldstein dengan faktor k = 0.7

Selain itu, pada citra interferogram juga dilakukan koreksi flat earth, yaitu
koreksi hasil interferogram terhadap permukaan bumi sebagai acuannya. Dalam
hal ini dilakukan penyesuaian citra interferogram terhadap batas citra yang
nampak dipermukaan bumi yang menjadi acuan.

Selanjutnya, untuk mengurangi noise pada citra interferogram maka dilakukan

noise filtering menggunakan filter Goldstein. Dalam hal ini digunakan faktor k =
0.7 dan diperoleh citra interferogram hasil filtering seperti ditunjukkan pada
Gambar 4.

Tahapan berikutnya yang menjadi tahapan terpenting dari keseluruhan proses

ini adalah phase unwrapping yaitu mengkoreksi perbedaan cyclic pada fringe
yang masih memiliki siklus fasa 2 ke dalam fasa absolut (unwrapp). Gambar 5
berikut menunjukkan perbandingan antara hasil phase unwrapping sebelum
dilakukan filtering (Gambar 5.a) dan setelah dilakukan filtering (Gambar 5.b).

GeomatikaSARNasional(GeoSARNas)2011|11
 (a) (b)
Gambar 5. (a) Hasil phase unwrapping pada citra interferogram sebelum difilter; (b) Hasil phase
unwrapping pada citra interferogram yang telah difilter

Pada Gambar 5.b terlihat bahwa hasil phase unwrapping setelah difilter tampak
lebih halus (smooth) sesuai dengan karakteristik kontur ketinggian pada area
tersebut.

Selanjutnya, hasil phase unwrapping tersebut ditampilkan ke dalam tampilan

tiga dimensi dengan cara menggabungkan citra SAR asal (citra koregistrasi)
dengan citra phase unwrapped untuk menampilkan beda ketinggian yang
dihasilkan dari proses phase unwrapping yang telah dilakukan seperti
ditunjukkan pada Gambar 6.

12|GeomatikaSARNasional(GeoSARNas)2011
 [a ].

[b]
Gambar 6. a. Tampilan 3 dimensi citra phase unwrapped (sebelum difilter); b. Tampilan 3 dimensi
citra phase unwrapped (sesudah difilter)

GeomatikaSARNasional(GeoSARNas)2011|13
Terlihat pada citra phase unwrapped seperti ditunjukkan pada Gambar 6.a dan
6.b, ketinggian permukaan, dalam hal ini kawasan puncak Gunung Merapi
Merbabu menunjukkan perbedaan ketinggian yang cukup signifikan dengan
daerah di sekitarnya yang lebih rendah. Hal ini menandakan ujicoba proses
phase unwrapping dengan algoritma unweight least-square phase unwrapping
dengan metode Fast Fourier Transform (FFT) telah berhasil dilakukan dan
memberikan hasil yang cukup memuaskan. Namun demikian, citra phase
unwrapped tersebut belum melalui uji validasi untuk menentukan tingkat akurasi
hasil dan kesalahan yang terjadi selama proses phase unwrapping berlangsung,
termasuk juga perbandingan terhadap metode-metode phase unwrapping
lainnya.

Kesimpulan dan Penutup

Tahapan phase unwrapping merupakan tahapan yang terpenting dan sekaligus
tersulit untuk menurunkan informasi DEM menggunakan teknik InSAR, karena
tahapan tersebut sangat menentukan akurasi data DEM yang dihasilkan. Salah
satu metode phase unwrapping adalah menggunakan algoritma Least-Squares
Two-Dimensional Phase Unwrapping. Metode ini pada dasarnya akan
meminimalisir jumlah total selisih antara gradien wrapped phase (fasa hasil
pengukuran) dengan nilai solusi fasa yang dicari. Dalam hal ini solusi
pemecahannya adalah dengan menggunakan transformasi Fourier. Penelitian
ini telah berhasil melakukan uji coba proses phase unwrapping dengan
algoritma unweight least-square phase unwrapping dengan metode Fast Fourier
Transform (FFT) dan memberikan hasil yang cukup memuaskan. Namun
demikian, citra phase unwrapped tersebut belum melalui uji validasi. Untuk itu
perlu dilakukan uji validasi untuk menentukan tingkat akurasi hasil dan
kesalahan yang terjadi selama proses phase unwrapping berlangsung,
termasuk pula perbandingan terhadap metode-metode phase unwrapping
lainnya.

14|GeomatikaSARNasional(GeoSARNas)2011
Daftar Pustaka

I.H. Woodhouse, Introduction to Microwave Remote Sensing, Taylor & Francis,

2006.
F.W. Leberl, Radargrammetric Image Processing, Artech House, 1990.
D.C. Ghiglia & M.D. Pritt, Two-Dimensional Phase Unwrapping : Theory,
Algorithms and Software, John Wiley &Sons, Inc., 1998.
Curlander, C.C. & McDonough, R.N. Synthetic Aperture Radar: Systems and
Signal Processing. John Wiley & Sons, Inc., 1991.
Ivana Hlavacova, Interferometric stacks in partially coherent areas, PhD
Thesis Czech Technical University, Prague, 2007.
Wikipedia, Fourier transform Wikipedia, the free encyclopedia.
http://en.wikipedia.org/wiki/Fouriertransform, 2011. (Online; accessed 05-
Aug-2011)

GeomatikaSARNasional(GeoSARNas)2011|15


16|GeomatikaSARNasional(GeoSARNas)2011
 Ortho-Rektifikasi Data ALOS PALSAR dengan Menggunakan Data
Digital Elevation Model (DEM) dan Teknik Registrasi Citra
Berdasarkan Fast Fourier Transform (FFT)

Katmoko Ari Sambodo

Pusat Teknologi dan Data Penginderaan Jauh LAPAN

E-Mail :
katmoko_ari@lapan.go.id | katmoko_ari@yahoo.com

Abstrak. Penginderaan jauh sistem aktif dengan menggunakan sensor SAR (Synthetic
Aperture Radar) memiliki beberapa keuntungan diantaranya dapat menembus awan dan
dapat beroperasi siang-malam dalam segala kondisi cuaca. Citra satelit SAR yang standar
pada dasarnya masih mengandung berbagai distorsi/kesalahan yang diakibatkan oleh
sistem pengakuisisian data dengan arah menyamping (side looking imaging geometry)
dan efek perbedaan tinggi berbagai objek di permukaan bumi. Untuk
mengkoreksi/mengeliminasi kesalahan tersebut perlu dilakukan koreksi ortho-rektifikasi
sebagai pemrosesan awal sebelum data tersebut dipergunakan pada berbagai aplikasi
selanjutnya terutama pada aplikasi yang membutuhkan ketelitian geometrik yang tinggi.
Penelitian ini bertujuan untuk melakukan ujicoba ortho-rektifikasi tersebut pada daerah
sekitar Gunung Merapi Merbabu dengan menggunakan data ALOS PALSAR. Pertama-
tama dilakukan pembentukan citra simulasi menggunakan SRTM-DEM (Shuttle Radar
Topography Mission Digital Elevation Model) pada koordinat SAR (SAR range-doppler
coordinate). Tahap selanjutnya dilakukan proses registrasi citra ke citra (image-image
registration) yakni antara citra SAR original dengan citra simulasi tersebut. Dalam
penelitian ini digunakan teknik semi-otomatis berdasarkan metode yang menggunakan
transformasi Fourier (FFT : Fast Fourier Transform) untuk mencari tie-point yang paling
optimum. Tahap selanjutnya adalah rekonstruksi citra dari masing-masing piksel dalam
citra SAR original ke posisinya yang baru dalam sistem proyeksi peta yang telah
ditentukan. Dari hasil eksperimen diperoleh kesimpulan bahwa teknik ortho-rektifikasi
ini mampu memberikan hasil yang cukup memuaskan terutama dalam mengkoreksi efek
foreshortening (dievaluasi dengan menggunakan data LANDSAT daerah yang sama yang
telah melalui proses orthorektifikasi).

Katakunci: Synthetic Aperture Radar (SAR), ALOS PALSAR, ortho-rektifikasi, image-

image registration, Fast Fourier Transform (FFT)

GeomatikaSARNasional(GeoSARNas)2011.|17
Pendahuluan
Synthetic Aperture Radar (SAR) merupakan salah satu penginderaan jauh
sistem aktif yang menggunakan daerah gelombang mikro dari spektrum
gelombang elektromagnetik dengan frekuensi antara 0.3 GHz - 300 GHz (atau
sama dengan panjang gelombang antara 1 m - 1 mm). Karena mempunyai
sumber energi sendiri tanpa tergantung dengan sumber energi matahari, SAR
dapat beroperasi siang maupun malam dalam segala kondisi cuaca (karena
gelombang mikro dapat menembus awan, asap dan hujan). Gelombang mikro
juga memiliki kemampuan untuk menembus lapisan permukaan, sebagai contoh
kanopi vegetasi, lebih dalam daripada panjang gelombang optis. SAR juga
sensitif terhadap kekasaran permukaan, kelembaban, sifat elektris, dan gerakan
dalam permukaan yang disinari [1].

Meskipun penginderaan jauh sistem SAR menjanjikan banyak keuntungan,

namun dalam operasionalnya, pemanfaatan data SAR secara luas masih
menemui banyak kendala dibandingkan dengan data dari penginderaan jauh
sistem optis. Kendala-kendala tersebut diantaranya diakibatkan oleh: 1)
timbulnya noise speckle pada citra SAR yang nampak sebagai noise/tekstur
bintik-bintik terang-gelap yang tidak beraturan dalam citranya; 2) permasalahan
geometris yang khas pada citra SAR akibat sistem pengakuisisian sensor SAR
yang bersifat menyamping (SAR imaging geometry, seperti terjadinya
foreshortening, layover, dan shadow pada terrain/ objek dengan
ketinggian/tingkat kecuraman yang tajam yang sulit untuk dikompensasi lebih
lanjut) [1]. Foreshortening merupakan distorsi pada citra SAR yang terjadi pada
area dengan kemiringan (slope) yang menghadap pada arah datangnya sinyal
radar sehingga luasan area tersebut tampak menjadi lebih pendek
(termampatkan). Apabila kemiringan area tersebut sangat tajam dan posisinya
dekat dengan nadir, dapat terjadi layover yang mana posisi bagian puncak
objek (seperti gunung) dan posisi bagian yang lebih rendah (kaki gunung)
menjadi berkebalikan. Sedangkan shadow merupakan suatu area gelap dalam
citra SAR dimana tidak terdapat sinyal balik radar yang terdeteksi oleh sensor
SAR akibat terhalangi oleh objek dengan ketinggian/tingkat kecuraman yang
tajam (seperti gunung, gedung tinggi).

Di lain pihak, pada beberapa aplikasi penginderaan jauh, selain ketelitian

radiometrik, ketelitian geometrik yang tinggi dari suatu data citra penginderaan
jauh sangat diperlukan. Oleh karenanya diperlukan suatu upaya untuk

18|GeomatikaSARNasional(GeoSARNas)2011
meminimalkan/ mengeliminasi kesalahan/distorsi tersebut sebagai pemrosesan
awal data SAR tersebut sebelum dipergunakan pada berbagai aplikasi
selanjutnya. Penelitian ini bertujuan untuk melakukan ujicoba koreksi ortho-
rektifikasi tersebut pada daerah sekitar Gunung Merapi Merbabu dengan
menggunakan data ALOS PALSAR. Metode ortho-rektifikasi yang dipergunakan
adalah dengan membuat citra simulasi SAR berdasarkan data DEM (Digital
Elevation Model) untuk daerah tersebut, kemudian melakukan registrasi citra ke
citra (image-image registration) antara citra SAR original dengan citra simulasi
tersebut [2,3]. Dalam hal ini digunakan teknik transformasi Fourier (FFT: Fast
Fourier Transform) untuk mempersingkat waktu penghitungan korelasi diantara
kedua citra tersebut [3-5],. Pada bab 2 akan dijelaskan metode tersebut beserta
penjelasan mengenai data ALOS-PALSAR yang dipergunakan. Selanjutnya
pada bab 3 akan dijelaskan mengenai hasil-hasil eksperimen dan
pembahasannya. Dan terakhir pada bab 4 akan disampaikan kesimpulan yang
didapat dari penelitian ini.

Metodologi Penelitian
Metode yang dipergunakan dalam melakukan ortho-rektifikasi dalam penelitian
ini adalah dengan mengkombinasikan pembentukan citra simulasi SAR dan
proses registrasinya menggunakan teknik transformasi Fourier. Dalam hal ini
diperlukan 2 input data yakni data SAR yang akan dikoreksi dan data DEM
(Digital Elevation Model) untuk daerah tersebut. Pada Gambar 1 ditunjukkan
data SAR dan data DEM yang dipergunakan dalam penelitian ini. Data SAR
yang dipergunakan adalah data ALOS-PALSAR, L-band, FBS (Fine Beam
Single) dengan polarisasi HH, resolusi 6.25m, daerah sekitar Gunung Merapi
Merbabu, yang diakuisisi pada 14 Desember 2009 (ascending direction).
Sedangkan untuk data DEM, secara ideal seharusnya digunakan data DEM
yang beresolusi sama dengan data SAR-nya, sehingga bisa didapatkan citra
hasil ortho-rektifikasi dengan ketelitian yang lebih baik. Namun karena
keterbatasan data DEM yang beresolusi tinggi tersebut, dalam penelitian ini
hanya dapat dipergunakan data SRTM-DEM (Shuttle Radar Topography
Mission Digital Elevation Model) dengan resolusi 90 m, seperti yang
ditunjukkan pada Gambar 2. Sebagai akibatnya, citra hasil koreksinya akan
mengikuti resolusi dari data DEM tersebut. Selain itu, pada data SRTM-DEM
seringkali masih terkandung hole (piksel yang tidak terisi data elevasi), sehingga

GeomatikaSARNasional(GeoSARNas)2011|19
terlebih dahulu perlu dilakukan pengisian hole tersebut dengan
menginterpolasinya berdasarkan nilai-nilai piksel di sekitarnya.

Gambar 1. Data ALOS PALSAR daerah sekitar Gunung Merapi Merbabu

Gambar 2. Data SRTM-DEM daerah sekitar Gunung Merapi Merbabu

20|GeomatikaSARNasional(GeoSARNas)2011
Gambar 3. Citra simulasi yang dibentuk dari data SRTM-DEM pada Gambar 2 dan ditampilkan
dalam koordinat SAR (SAR range/Doppler coordinate).

Data PembentukanCitra Data

SimulasiSARdan
Transformasike
KoordinatSAR(SAR
Range/Doppler
coordinate)

RegistrasiCitra(imageimage
registration)

RekonstruksiCitra(resampling)

HasilOrthoRektifikasiCitraALOS
PALSAR

Gambar 4. Metodologi ortho-rektifikasi data ALOS-PALSAR yang dipergunakan.

GeomatikaSARNasional(GeoSARNas)2011|21
Pada Gambar 4 ditunjukkan secara garis besar tahapan-tahapan yang
dilakukan dalam melakukan ortho-rektifikasi. Sebagian besar proses tersebut
dapat dilakukan dengan menggunakan librari ASF (Alaska SAR Facility) [3],
yang kemudian dalam penelitian ini dikombinasikan dengan pemrograman IDL
(Interactive Data Language).

Pertama-tama dilakukan pembentukan citra simulasi dari data DEM

berdasarkan model pencitraan radar (imaging radar model). Setelah dilakukan
pemotongan (cropping) data DEM pada area terkait, kemudian dilakukan
pembentukan citra simulasi dengan cara membentuk nilai backscatternya
berdasarkan model backscatter sederhana (simple backscatter model) yakni
dengan menambahkan noise speckle yang mengikuti distribusi Gaussian pada
masing-masing piksel citranya. Dengan ditambahkannya noise speckle tersebut,
maka akan terbentuk citra simulasi dengan kenampakan efek shadow dan
layover seperti halnya dengan citra SAR originalnya. Karena koordinat yang
dipergunakan pada data DEM inputnya adalah UTM, maka pada tahap ini
dilakukan pula penyesuaian / transformasi koordinat menjadi koordinat SAR
(SAR range/Doppler coordinate). Pada Gambar 5 ditunjukkan ilustrasi
transformasi tersebut. Apabila faktor ketinggian diperhitungkan, maka jarak dari
pusat bumi ke titik puncak objek tersebut akan berubah.

'
REC REC height .................................................................................................................. (1)

Rsc = Range of spacecraft from center of Earth

SRx = Slant Range to image pixel
REC = Earth radius at the center of the image
'
REC REC height

Gambar 5. Transformasi ke koordinat SAR dengan memperhitungkan pengaruh ketinggian objek

(height)

22|GeomatikaSARNasional(GeoSARNas)2011
Dimana height adalah ketinggian objek dan nilainya dapat diperoleh dari data
'
DEM. Hal ini akan mempengaruhi nilai slant-range SRX dari wahana ke objek
yang semakin mengecil.
'

SRX sqrt ( REC ) 2 RSC 2.RSC .REC . cos
' 2 '
..................................................................... (2)
'
Semakin kecil nilai SR X maka objek tersebut akan dicitrakan semakin dekat
dengan nadir. Untuk membuat citra simulasi SAR selengkapnya, dari masing-
'
masing piksel dari data DEM selanjutnya dihitung posisi SR X nya. Selanjutnya
untuk lebih memberikan efek foreshortening pada citra simulasi SAR tersebut,
'
maka pada area dengan perubahan nilai SRX bertetanggaan yang berjarak
dekat (rapat) nilai pikselnya diset lebih tinggi (lebih terang) daripada bagian
yang perubahannya lebih jarang. Contoh hasil pembentukan citra simulasi
tersebut ditunjukkan pada Gambar 3.

Tahap selanjutnya dilakukan proses registrasi citra ke citra (image-image

registration) yakni antara citra SAR original dengan citra simulasi yang telah
disamakan dengan koordinat citra SAR original tersebut. Proses tersebut
dimulai dengan mencari titik-titik ikat (tie-point) pada kedua citra tersebut. Hal ini
dapat dilakukan secara manual oleh operator, maupun secara otomatis. Teknik
secara otomatis, pada beberapa hal lebih menguntungkan (tidak tergantung
operator, lebih mempersingkat waktu) namun pada umumnya membutuhkan
waktu komputasi yang lama terlebih bila diterapkan pada citra yang berukuran
besar. Salah satu caranya adalah dengan menghitung korelasi diantara kedua
citra tersebut berdasarkan nilai intensitas piksel-pikselnya secara langsung.
Namun demikian teknik konvensional tersebut membutuhkan waktu komputasi
yang lama dan semakin bertambah lama secara kuadratik seiring dengan
meningkatnya ukuran citranya [4]. Sebagai alternatif, dalam penelitian ini
digunakan teknik penghitungan korelasi berdasarkan transformasi Fourier
(FFT). Selain mempersingkat waktu, teknik ini memberikan keuntungan yang
nyata apabila diterapkan pada citra-citra bernoise tinggi seperti halnya citra SAR
[4,5].

Teknik penghitungan korelasi tersebut dilakukan dengan memanfaatkan

representasi suatu citra dalam domain frekuensi. Cross-power spectrum dari

GeomatikaSARNasional(GeoSARNas)2011|23
kedua citra dihitung dan selanjutnya dicari lokasi di mana inverse-nya mencapai
maksimum [4,5].

s o
*
e 2i ( x0 y0 ) ..........................................................................................................(3)
s o
*

Dimana, s dan o masing-masing menyatakan transform Fourier untuk

o
*
citra simulasi dan citra SAR original. menyatakan konjugasi kompleks

dari o . Nilai x0 dan y0 merupakan nilai offset yang dicari. Sebagai

contoh, pada Gambar 6 ditunjukkan nilai maksimum korelasi didapatkan dengan
nilai offset 10, 10.

Gambar 6. Contoh visualisasi hasil penghitungan korelasi menggunakan transformasi Fourier.

24|GeomatikaSARNasional(GeoSARNas)2011
 a) Sebelum dilakukan ortho-rektifikasi.

b) Setelah dilakukan ortho-rektifikasi

Gambar 7. Perbesaran hasil ortho-rektifikasi data ALOS PALSAR daerah sekitar Gunung Merapi.

GeomatikaSARNasional(GeoSARNas)2011|25
Tahap selanjutnya adalah rekonstruksi citra dari masing-masing piksel dalam
citra SAR original ke posisinya yang baru (berdasarkan nilai offset yang didapat
sebelumnya) dalam sistem proyeksi peta yang telah ditentukan (dalam hal ini
digunakan UTM).

Hasil dan Pembahasan

Hasil ortho-rektifikasi untuk data ALOS-PALSAR daerah Gunung Merapi-
Merbabu ditunjukkan pada Gambar 7. Dengan membandingkan data sebelum
dikoreksi (Gambar 7.a) dan setelah dikoreksi (Gambar 7.b) dapat dilihat bahwa
metode ini mampu mengurangi distorsi geometrik yang diakibatkan oleh efek
foreshorthening. Terlihat bahwa lereng gunung Merapi dan Merbabu yang
mengarah pada arah akusisi radar (sebelah kiri) yang semula tampak
termampatkan dapat dikoreksi ke posisi yang semestinya. Sedangkan untuk
efek shadow tidak dapat dilakukan karena memang untuk area tersebut tidak
terdapat sinyal balik radar yang terdeteksi oleh sensor SAR. Untuk mengatasi
efek shadow tersebut, harus dipergunakan data tambahan terutama data yang
diperoleh dari posisi akuisisi yang sebaliknya (dari sebelah kanan) [1].

Hasil koreksi tersebut dapat dikonfirmasikan pula dengan membandingkan hasil

tersebut dengan data referensi lainnya yakni data LANDSAT yang telah
dikoreksi ortho seperti yang ditunjukkan pada Gambar 8. Namun demikian,
untuk selanjutnya masih diperlukan evaluasi ketelitian yang diperoleh secara
lebih mendalam terhadap hasil-hasil didapatkan ini, termasuk kajian pengaruh
pengambilan jumlah dan tiepoint yang dapat dilakukan baik itu secara otomatis
maupun penambahan tiepoint secara manual oleh operator.

Lebih jauh apabila diperhatikan secara visual, penampakan pada area

foreshortening jauh lebih terang bila dibandingkan pada bagian lain yang
mempunyai tutupan lahan sejenis. Hal ini timbul akibat sinyal radar pada bagian
tersebut dikembalikan jauh lebih kuat karena permukaan yang memantulkannya
hampir mendekati tegak lurus dengan arah sinyal datangnya. Oleh karenanya
perlu pula dilakukan koreksi radiometrik [2,3], sehingga nilai-nilai piksel pada
bagian tersebut selanjutnya dapat mendekati nilai piksel dari tutupan lahan yang
sejenis pada daerah yang relatif datar di sekitarnya.

26|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 8. Data LANDSAT Ortho daerah sekitar Gunung Merapi Merbabu

Kesimpulan
Dalam penelitian ini dilakukan ujicoba ortho-rektifikasi data ALOS-PALSAR
pada daerah sekitar Gunung Merapi Merbabu yang dilakukan dengan
mengkombinasikan pembentukan citra simulasi SAR dan proses registrasinya
menggunakan teknik transformasi Fourier.

Dengan menganalisa hasil-hasil yang didapatkan dari eksperimen tersebut

didapatkan kesimpulan bahwa teknik ortho-rektifikasi ini mampu memberikan
hasil yang cukup memuaskan terutama dalam mengkoreksi efek foreshortening.
Lebih jauh, perlu juga dilakukan evaluasi secara lebih mendetail terutama
secara kuantitatif atas hasil-hasil yang diperoleh tersebut, koreksi radiometrik,
dan juga ujicoba pada daerah-daerah lain dengan kemiringan objek-objek yang
beragam.

GeomatikaSARNasional(GeoSARNas)2011|27
Daftar Pustaka

Woodhouse, I.H. (2006). Introduction to Microwave Remote Sensing. Boca

Raton: CRC Press Taylor & Francis.
Curlander, C.C. and McDonough, R.N. (1991). SYNTHETIC APERTURE
RADAR Systems and Signal Processing. John Wiley & Sons, Inc.
Alaska Satellite Facility Engineering Group. ASF User Manual. Version2.3.
Barbara Z. and Flusser J. (2003). Image registration methods: a survey. Image
Vision Computing, 21(11): 977-1000.
Canty, M.J. (2006). Image Analysis, Classification and Change Detection in
Remote Sensing. Boca Raton: CRC Press Taylor & Francis.

28|GeomatikaSARNasional(GeoSARNas)2011
 Perbandingan Operasi Direct Correlation dan Fast Fourier
Transform pada Registrasi Citra untuk Pengolahan Awal
Orthorektifikasi Data Synthetic Aperture Radar (SAR)

Katmoko Ari Sambodo, Musyarofah

Bidang Teknologi Akusisi dan Stasiun Bumi Penginderaan Jauh, Lembaga Penerbangan
dan Antariksa Nasional,

E-mail:
katmoko_ari@yahoo.com | ofa_1510@yahoo.com

Abstrak. Telah dikaji dan dianalisis operasi direct correlation dan Fast Fourier
Transform (FFT) pada registrasi citra untuk pengolahan awal orthorektifikasi data
Synthetic Aperture Radar (SAR). Pengolahan awal orthorektifikasi data SAR meliputi
pembacaan data input, pembentukan citra simulasi SAR dari data Digital Elevation Model
(DEM) berdasarkan model pencitraan radar (imaging radar model), registrasi citra (image
to image registration) antara citra SAR original dengan citra simulasi yang telah
disamakan dengan koordinat citra SAR original dan rekostruksi citra dari masing-masing
citra SAR original ke posisi yang baru dalam sistem proyeksi peta yang telah ditentukan.
Tahapan registrasi citra meliputi pencarian nilai pergeseran (offset) kedua citra secara
global, pencarian beberapa titik ikat (tie point) dan pemilihan titik-titik ikat yang
memenuhi syarat (berkualitas baik) dan penyusunan persamaan polynomial berdasarkan
titik-titik ikat yang telah dipilih. Pencarian nilai pergeseran bisa dilakukan dengan
operasi direct correlation dan FFT. Penulisan paper ini dimaksudkan untuk mengkaji
dan menganalisis operasi direct correlation dan FFT pada registrasi citra dengan cara
membandingkan kedua operasi tersebut. Perbandingan dilakukan secara eksperimental
yang dilakukan melalui ujicoba pada software pengolahan data yang dilengkapi dengan
script-script tambahan. Data yang digunakan adalah data SAR (ALOS-PALSAR) dan data
DEM (SRTM). Berdasarkan analisis yang dilakukan dapat dikatakan bahwa operasi FFT
lebih berpotensi dan mampu memberikan hasil efisiensi komputasi yang lebih tinggi
untuk ukuran citra yang lebih besar.

Katakunci: direct correlation,FFT, registrasi citra, SAR, ALOS-PALSAR

GeomatikaSARNasional(GeoSARNas)2011.|29
Pendahuluan
Data penginderaan jauh SAR telah banyak digunakan untuk observasi bumi
dalam berbagai aplikasi pemanfaatan seperti pemantauan vegetasi,
pemantauan tanah, pemantauan geologi dan geomorfologi, pemantauan danau
dan lautan, pengelolaan perairan, pemetaan dan lain-lain. Kelebihan utama
sensor SAR antara lain dapat menembus awan, dapat mengakuisisi data pada
berbagai kondisi cuaca, dapat menghasilkan tampilan sinoptik (synoptic view)
pada wilayah yang luas, cakupannya dapat diperoleh dengan cepat pada waktu
tertentu, dan memungkinkan look angle yang sangat dangkal (shallow)
sehingga menghasilkan perspektif yang berbeda dibandingkan fotografi vertikal
(1)
pada umumnya .

Meskipun sistem akuisisi data penginderaan jauh dengan sensor SAR memiliki
banyak kelebihan, namun secara operasional, pemanfaatan data SAR masih
menemui banyak kendala dibandingkan dengan data penginderaan jauh sistem
optik, terutama dalam permasalahan geometri. Permasalahan geometri yang
timbul pada citra SAR disebabkan oleh sistem pengakuisisian sensor SAR yang
bersifat menyamping, seperti terlihat pada Gambar 1. Akibatnya, pada citra SAR
terjadi distorsi geometrik citra seperti foreshortening, layover dan shadow pada
(1,2,3)
objek dengan ketinggian atau tingkat kecuraman yang tajam .
Flight
direction

gth
Le n
nn a
nte
RA
Real SA
Radar
Antenna
Depression
Angle

Look
Angle Backscattered energy

Transmitted energy

Incidence
Angle

S la

Nadir
nt
R

Near
tio n
an

ir ec
ge

Range
)d Beamwidth
u th
zim
k (a Far
rac
gt Range
A lo n
Ground
Swath
Range
Directi
on

Gambar 1. Geometri Pencitraan Penginderaan Jauh Sistem SAR(2).

30|GeomatikaSARNasional(GeoSARNas)2011
Untuk memperoleh citra SAR dengan ketelitian geometrik yang tinggi,
diperlukan upaya untuk meminimalkan/mengeliminasi distorsi tersebut. Proses
minimalisasi distorsi geometrik pada data SAR disebut sebagai pemrosesan
awal (preprocessing) data SAR, yang sering juga disebut dengan proses ortho-
rektifikasi. Dengan proses tersebut, diharapkan ketelitian geometrik data SAR
dapat meningkat, sehingga lebih berkualitas dan dapat memenuhi standar untuk
digunakan dalam berbagai aplikasi pemanfaatan selanjutnya.

Secara umum terdapat dua metode utama untuk melakukan proses ortho-
(2,3)
rektifikasi data SAR , yaitu metode rektifikasi dengan menggunakan ground
control point (GCP) yang dilanjutkan dengan polynomial warping (proses
penyusunan ulang citra berdasarkan persamaan polinomial) dan metode Dead
Reckoning, yang intinya merupakan metode rektifikasi citra SAR Slant Range
Image (SLR) dengan cara menghilangkan distorsi geometrik yang telah
diprediksi sebelumnya berdasarkan parameter-parameter radar, termasuk
parameter yang terkait dengan jalur penerbangan wahana yang membawa
sensor tersebut dan data Digital Elevation Model (DEM). Dibandingkan dengan
metode pertama, metode kedua lebih dapat diterapkan pada data SAR dengan
variasi topografik yang tinggi, termasuk distorsi terlokalisasi pada area yang
sempit.

Secara garis besar, rektifikasi metode Dead Reckoning meliputi: 1) pembacaan

data input SAR dan data DEM; 2) pembentukan citra simulasi SAR dari data
DEM dan transformasi ke koordinat SAR; 3) registrasi citra SAR dan citra
simulasi SAR; 4) rekonstruksi citra dari masing-masing piksel dalam citra SAR
original ke posisinya yang baru dalam sistem proyeksi peta yang telah
(2,3)
ditentukan . Tahapan registrasi citra meliputi pencarian nilai pergeseran
(offset) kedua citra secara global, pencarian beberapa titik ikat (tie point) dan
pemilihan titik ikat yang memenuhi syarat (berkualitas baik) dan penyusunan
persamaan polynomial berdasarkan titik ikat yang telah dipilih. Pencarian nilai
pergeseran (offset) kedua citra dilakukan dengan cara mencari nilai korelasi
yang maksimum. Perhitungan nilai korelasi antara dua citra dapat dilakukan
dengan operasi korelasi langsung (direct correlation) ataupun Fast Fourier
Transform (FFT).

Tinjauan Pustaka
Korelasi didefinisikan dengan persamaan di bawah ini.

GeomatikaSARNasional(GeoSARNas)2011|31

dimana h menyatakan conjugate kompleks dari variabel kompleks h. Korelasi
juga mempunyai interpretasi geometrik pada sliding inner product. Biasanya,
pada korelasi, dua sinyal pada sisi tangan kanan (right-hand side)
dibandingkan, dan t merupakan variabel delay waktu. Tidak seperti konvolusi,
korelasi tidak komutatif, tetapi

Direct Correlation
Operasi korelasi langsung (direct correlation operation) dilakukan untuk mencari
persamaan/hubungan yang sama pada piksel-piksel antara dua citra secara
langsung, nilai koefisien korelasi dihitung satu per satu pada tiap piksel. Dua
citra dinyatakan terkorelasi jika nilai koefisien korelasinya sama dengan satu.
Koefisien korelasi, r, merupakan nilai skalar pada interval (-1,0 hingga 1,0) dan
didefinisikan sebagai perbandingan kovarians populasi sampel terhadap hasil
deviasi standarnya. Berikut rumus untuk perhitungan nilai koefisien korelasi (r):

Koefisien korelasi merupakan pengukuran secara langsung seberapa bagus
variasi gabungan dua populasi sampel. Nilai r = +1 atau r = -1 mengindikasikan
kesesuaian yang sempurna terhadap model linier positif atau negatif. Nilai r
yang mendekati +1 atau -1 menunjukkan tingkat korelasi yang tinggi dan
kesesuaian yang baik terhadap model linier. Nilai r yang mendekati 0
menunjukkan kesesuaian yang tidak baik terhadap model linier.

32|GeomatikaSARNasional(GeoSARNas)2011
Fast Fourier Transform

Fast Fourier Transform (FFT) adalah transformasi Fourier diskret yang

dikomputasikan secara efisien. Transformasi Fourier diskret (DFT), F(u), dari
fungsi satu dimensi f(x) dengan elemen sejumlah N, didefinisikan sebagai:

Dan transformasi kebalikannya (invers), didefinisikan sebagai:

Teknik perhitungan korelasi dengan FFT dilakukan dengan memanfaatkan
representasi suatu citra dalam domain frekuensi. Cross-power spectrum dari
kedua citra dihitung dan selanjutnya dicari lokasi dimana invers-nya mencapai
(4,5)
maksimum .

s o
*
e 2i ( x0 y0 )
s o
*

dimana, s dan o masing-masing menyatakan transform Fourier untuk

o
*
citra simulasi dan citra SAR original. menyatakan konjugasi kompleks

dari o . Nilai x0 dan y0 merupakan nilai offset yang dicari.

Metode korelasi langsung melakukan operasi kira-kira sebanyak n2 operasi,

dimana n adalah jumlah titik pada transformasi, sedangkan FFT (yang
mengkorelasikan hal yang sama dengan metode korelasi langsung) melakukan
(6)
operasi kira-kira sejumlah nlogn operasi .

Tujuan
Penulisan paper ini dimaksudkan untuk mengkaji dan menganalisis operasi
korelasi langsung (direct correlation) dan FFT pada registrasi citra dengan cara
membandingkan kedua operasi tersebut.

GeomatikaSARNasional(GeoSARNas)2011|33
Metodologi
Analisis dalam paper ini dilakukan dengan cara membandingkan hasil operasi
direct correlation dan FFT pada proses registrasi citra. Parameter yang
dibandingkan adalah waktu komputasi terhadap jumlah titik/piksel pada citra
yang diregistrasi. Registrasi citra (image to image registration) antara citra Slant
Range Image (SLR) SAR dengan citra simulasi yang telah disamakan
koordinatnya dengan citra SAR, dilakukan dengan sub-tahapan sebagai berikut:

Pertama-tama dilakukan pencarian nilai pergesaran (offset) kedua citra tersebut

secara global, yakni dengan cara mencari nilai korelasi yang maksimum. Nilai
korelasi dicari dengan menggunakan teknik penghitungan korelasi langsung
(direct correlation) dan teknik perhitungan korelasi berdasarkan transformasi
Fourier (FFT: Fast Fourier Transform). Pencarian beberapa titik-titik ikat (tie-
point) dilakukan dalam blok-blok berukuran tertentu yang lebih kecil dari ukuran
total citranya dan menyebar di seluruh wilayah citranya. Nilai pergeseran dari
masing-masing blok tersebut dihitung menggunakan kedua teknik tersebut. Dari
hasil perhitungan dengan kedua teknik tersebut, dianalisis perbandingannya
dan disimpulkan teknik mana yang lebih efisien komputasinya. Perhitungan nilai
korelasi dilakukan dengan ujicoba eksperimental menggunakan fungsi pada
program Interactive Data Language (IDL) yang dilengkapi dengan script
tambahan. Data yang digunakan adalah data SAR (ALOS-PALSAR) dan data
DEM (SRTM).

Hasil dan Pembahasan

Proses registrasi citra antara citra SLR SAR dengan citra simulasi merupakan
proses penyelarasan kedua citra (image matching). Secara intuitif, registrasi
citra menyelaraskan sebagian atau keseluruhan citra antara dua citra atu lebih
yang mempunyai scene yang sama. Dua citra yang sesuai (match) digunakan
untuk mengekstrak perubahan temporal pada scene, untuk mencari perbedaan
kenampakan scene pada kondisi pencitraan yang berbeda, untuk mendeteksi
paralaks, untuk menggabungkan (mosaic) citra atau untuk membuat set data
multidimensi untuk analisis otomatis. Banyaknya peran yang bergantung pada
registrasi yang presisi membuat registrasi citra menjadi masalah yang sangat
signifikan pada pengolahan citra dan analisis multi citra SLR.

Metode image matching yang paling umum adalah korelasi area (area
correlation), dimana window citra yang ditemukan menyerupai satu sama lain

34|GeomatikaSARNasional(GeoSARNas)2011
pada dua citra diselaraskan (di-match-kan). Metode korelasi area dapat
dilakukan dengan menggunakan teknik korelasi langsung dan teknik korelasi
berdasarkan FFT. Metode matching mengacu pada penggunaan koefisien
korelasi sebagai ukuran kesamaan untuk area yang diuji antara pasangan citra.
Pada gambar 2 ditampilkan konsep korelasi citra untuk identifikasi titik-titik yang
sesuai (match).

Gambar 2. Konsep Korelasi Citra untuk Identifikasi Titik-Titik yang Sesuai (Match)(1).

Pada gambar 2, anggap W mewakili subcitra dari citra 1, dan S mewakili

subcitra dari citra 2, sehingga bagian scene yang dicitrakan pada W
keseluruhannya terkandung pada S. Ukuran dan lokasi area yang dicari dipilih
berdasarkan informasi geometri pencitraan sebelumnya. Untuk mencari nilai
koefisien korelasi antara S dan W, window W digeser dengan ukuran
pergeseran tertentu sehingga seluruh window S tercakup oleh pergeseran
window W. Satu per satu titik/piksel pada window W dan S dicari nilai koefisien
korelasinya.

Berdasarkan uji eksperimental yang dilakukan, diperoleh grafik perbandingan

waktu (t) terhadap jumlah titik/piksel (n) yang dicari nilai koefisien korelasinya.
Ujicoba eksperimental dilakukan dengan menggunakan fungsi pada program
IDL dan melengkapinya dengan script tambahan yang diperlukan. Pada gambar
3, ditampilkan grafik perbandingan waktu terhadap jumlah piksel pada
perhitungan nilai koefisien korelasi dengan teknik korelasi langsung.

GeomatikaSARNasional(GeoSARNas)2011|35

Gambar 3. Grafik Perbandingan Waktu (t) terhadap Jumlah Piksel (n) pada Perhitungan Nilai
Koefisien Korelasi dengan Teknik Korelasi Langsung

Pada uji coba eksperimental, ukuran pergeseran maksimum pada citra yang
dicoba diubah-ubah untuk mencari nilai pergeseran maksimum yang paling
efektif. Nilai pergeserannya berkisar dari 2 hingga 1024. Jumlah titik/piksel pada
n
citra yang dicari nilai koefisien korelasinya harus dalam orde 2 . Pada grafik di
gambar 3, t menyatakan waktu yang diperlukan untuk komputasi (sekon) dan n
n
menyatakan pangkat dari jumlah titik yang dikorelasikan (2 ).

Dari grafik pada gambar 3, terlihat bahwa semakin besar jumlah titik/piksel yang
dicari nilai koefisien korelasinya, waktu komputasinya meningkat. Dengan
demikian, semakin banyak jumlah piksel yang diujicoba, waktu yang diperlukan
untuk komputasi perhitungan nilai koefisien korelasi menjadi semakin lama. Dari
grafik pada gambar 3 juga terlihat, bahwa semakin besar nilai pergeseran
maksimum, kemiringan grafiknya semakin tajam. Hal ini menunjukkan bahwa
semakin besar pergeseran, waktu yang dibutuhkan juga semakin lama. Untuk
jumlah piksel yang semakin banyak dengan pergeseran maksimum yang besar,
perhitungan nilai koefisien korelasi tidak dapat dilakukan karena keterbatasan
software dan komputer yang mengakibatkan error pada saat ujicoba
eksperimental. Dengan demikian, perhitungan nilai koefisien korelasi dengan
menggunakan teknik korelasi langsung (direct correlation) kurang efektif karena
untuk jumlah piksel yang semakin banyak dan pergeseran yang semakin besar,
teknik korelasi ini membutuhkan waktu yang lebih lama dan ada beberapa
ujicoba yang gagal.

36|GeomatikaSARNasional(GeoSARNas)2011
Teknik perhitungan nilai koefisien korelasi yang berbasis FFT menggunakan
teorema pergeseran Fourier(7). Selanjutnya, teknik yang menggunakan teorema
ini disebut dengan korelasi fase (phase correlation). Penggunaan fase Fourier
ini mengacu pada pemikiran bahwa citra mengandung lebih banyak informasi
yang akurat dibandingkan frekuensi rendah yang mendominasi metric korelasi,
(8,9,10,11)
yang menjadi basis untuk korelasi fase . Karena efek sampling dan
ukuran citra yang terbatas, sidelobe terjadi pada puncak utama (main peak)
permukaan korelasi. Sehingga, dalam prakteknya, teknik ini mengurangi
korelasi dalam domain fase Fourier.

Pada ujicoba eksperimental untuk perhitungan nilai koefisien korelasi, selain

menggunakan teknik direct correlation, teknik berbasis FFT juga digunakan.
Dari ujicoba yang dilakukan, diperoleh grafik yang sama, yaitu perbandingan
waktu terhadap jumlah piksel. Pada gambar 4 ditampilkan, perbandingan grafik
waktu (t) terhadap jumlah piksel/titik (n) pada perhitungan nilai koefisien korelasi
dengan teknik korelasi langsung dan teknik berbasis FFT.

Gambar 4. Perbandingan Grafik Waktu (t) terhadap Jumlah Piksel (n) pada Perhitungan Nilai
Koefisien Korelasi dengan Teknik Korelasi Langsung dan Teknik Berbasis FFT.

Pada perhitungan nilai koefisien korelasi dengan teknik berbasis FFT,

pergeseran maksimum tidak ditentukan karena secara otomatis teknik ini sudah
melakukan pergeseran. Sehingga, teknik ini lebih praktis dalam operasi
perhitungan nilai koefisien korelasinya. Jumlah piksel/titik yang dihitung nilai
n
koefisien korelasinya juga harus dalam orde 2 . Pada grafik di gambar 4, t juga

GeomatikaSARNasional(GeoSARNas)2011|37
menyatakan waktu yang diperlukan untuk komputasi (sekon) dan n menyatakan
pangkat jumlah piksel/titik yang dicari nilai koefisien korelasinya (2n).

Dari grafik pada gambar 4, terlihat bahwa pada teknik berbasis FFT grafiknya
terlihat datar dan nilai t-nya terlihat konstan. Dengan demikian dapat dikatakan
bahwa waktu yang dibutuhkan untuk perhitungan nilai koefisien korelasi dengan
teknik berbasis FFT tidak bergantung pada jumlah piksel/titik yang diujicoba.
Berapapun jumlah titik/piksel yang diujicoba, waktu yang dibutuhkan konstan.

Dari grafik pada gambar 4, juga terlihat bahwa waktu yang dibutuhkan untuk
perhitungan nilai koefisien korelasi dengan teknik berbasis FFT jauh lebih kecil
jika dibandingkan dengan teknik korelasi langsung. Semakin besar jumlah
piksel, pada teknik korelasi langsung membutuhkan waktu komputasi yang lebih
lama. Sedangkan pada teknik berbasis FFT tidak berlaku seperti itu. Dengan
demikian, dapat dikatakan bahwa teknik berbasis FFT lebih efisien dan praktis
karena waktu yang dibutuhkan lebih sedikit dan proses perhitungan nilai
koefisien korelasinya berlangsung lebih cepat. Pada ujicoba yang dilakukan,
tidak terjadi error pada teknik berbasis FFT, sehingga tidak ada yang gagal
pada ujicoba eksperimental tersebut.
2
Metode korelasi langsung melakukan operasi kira-kira sebanyak n operasi,
dimana n adalah jumlah titik pada transformasi, sedangkan FFT (yang
mengkorelasikan hal yang sama dengan metode korelasi langsung) melakukan
operasi kira-kira sejumlah nlogn operasi. Dengan demikian, proses dengan
teknik berbasis FFT lebih cepat dan waktu yang dibutuhkan lebih sedikit.

Kesimpulan
Pada perhitungan nilai koefisien korelasi dengan menggunakan teknik korelasi
langsung (direct correlation), waktu komputasi yang dibutuhkan lebih banyak
sehingga prosesnya berlangsung lebih lama. Semakin besar jumlah piksel/titik
yang dicari nilai koefisien korelasinya, semakin besar waktu komputasi yang
diperlukan. Teknik ini kurang efektif karena untuk jumlah piksel yang semakin
banyak dan pergeseran yang semakin besar, teknik korelasi ini membutuhkan
waktu yang lebih lama dan ada beberapa ujicoba yang gagal.

Pada perhitungan nilai koefisien korelasi dengan menggunakan teknik berbasis

FFT, waktu komputasi yang diperlukan lebih sedikit sehingga prosesnya
berlangsung lebih cepat. Berapapun jumlah titik/piksel yang diujicoba, waktu

38|GeomatikaSARNasional(GeoSARNas)2011
yang dibutuhkan konstan. Teknik ini lebih efisien dan praktis karena waktu yang
dibutuhkan lebih sedikit dan proses perhitungan nilai koefisien korelasinya
berlangsung lebih cepat.

Daftar Pustaka

Leberl, F.W. 1990. Radargrammetic Image Processing. Artech House, Inc.

Woodhouse, I.H. 2006. Introduction to Microwave Remote Sensing. Boca
Raton: CRC Press Taylor & Francis.
Curlander, C.C. and McDonough, R.N. 1991. Synthetic Aperture Radar Systems
and Signal Processing. John Wiley & Sons, Inc.
Canty, M.J. 2006. Image Analysis, Classification and Change Detection in
Remote Sensing. Boca Raton: CRC Press Taylor & Francis.
Barbara Z. and Flusser J. 2003. Image Registration Methods: a Survey. Image
Vision Computing, 21(11): 977 1000.
Sambodo, K.A., dkk. 2011. Laporan Kemajuan: Pengembangan Sistem
Pengolahan Awal Data Satelit LAPAN A3 (Fokus Kegiatan:
Pengembangan Sistem Pengolahan Awal Data Satelit SAR (Synthetic
Aperture Radar)). Pusat Teknologi dan Data Penginderaan Jauh LAPAN.
Champeney, D.C. 1973. Fourier Transform and Their Physical Applications.
Academic Press.
Kuglin, C.D., et al. 1975. The Phase Correlation Image Alignment Method.
Proceeding. IEEE Conference Cybernetics and Society.
Kuglin, C.D., et al. 1979. Map Matching Techniques for Terminal Guidance
Using Fourier Phase Information. Proceeding. SPIE, Digital Processing of
Aerial Images, Vol. 186.
Pearson, J.J., et al. 1977. Video Rate Image Correlation Processor. Proceeding.
SPIE, Applications of Digital Image Processing, Vol. 119.

GeomatikaSARNasional(GeoSARNas)2011|39
Decastro, E., et al. 1987. Compensation of Random Eye Motion in Television
Ophthalmoscopy: Preliminary Results. IEEE Trans. Medical Imaging, Vol.
MI-6, No. 1.

40|GeomatikaSARNasional(GeoSARNas)2011
 Optimalisasi dan Standarisasi Sistem Pengolahan Data Satelit
Penginderaan Jauh SAR (Syntetic Aparture Radar) :
Pengembangan Metoda pengolahan Awal Data Penginderaan Jauh
SAR

Katmoko Ari Sambodo, Hidayat Gunawan, M.Sholeh dan Musyarofah

Peneliti dan Perekayasa Bidang Teknologi Akusisi dan Stasiun Bumi Penginderaan Jauh,
Pusat Teknologi dan Data Inderaja, Lembaga Penerbangan dan Antariksa Nasional, Jl.
LAPAN No. 70 Pekayon, Pasar Rebo, Jakarta Timur 13710.

Email:
katmoko_ari@yahoo.com, hgun1708@yahoo.com, msoleh76@gmail.com,
musyarofah@yahoo.com

Abstrak. Dalam rangka mendukung kebutuhan akan data penginderaan jauh SAR untuk
aplikasi di berbagai bidang, dan sebagai solusi atas keterbatasan dan kendala yang ada
pada data optik, serta tersedianya paket aplikasi pengolahan data SAR yang bersifat
open, diperlukan adanya optimalisasi dan standarisasi pengolahan data SAR berbasis
opensource. Dalam rangka optimalisasi dan standarisasi tersebut perlu dikaji tahapan
pengolahan dan paket aplikasi pengolahan data satelit penginderaan jauh SAR berbasis
opensource, sehingga tersedia dokumen teknis, hasil pengolahan dan paket software
pengolahan data inderaja SAR. Standarisasi pengolahan data penginderaan jauh SAR
kususnya untuk data intensitas meliputi konversi data, ortokoreksi, specle filtering,
ekstraksi feature, rgb-polarisasi, rgb-multitemporal, fusi data, dan klasifikasi yang
merupakan pengolahan dasar data inderaja SAR.

Sebagai studi kasus telah dilakukan pengolahan data ALOS-PALSAR level.1.5 daerah
gunung merapi dan dilakukan tahapan pengolahan konversi data, orto koreksi, filtering,
ekstraksi feature , rgb polarisasi dan klasifikasi dengan menggunakan paket software
ASF, RAT, POLSARPRO, OTB dan NEST. Hasil studi kasus menunjukkan orto koreksi
menggunakan metode FFT, speckle filtering dengan enhanced lee 5x5, rgb composite
polarisasi HH, HV,HH+HV memberikan asil yang optimal. Dengan adanya optimalisasi dan
standarisasi pengolahan data inderaja SAR tersebut diharapkan bisa dijadikan
rekomendasi pengolahan data satelit penginderaan jauh SAR dan semakin
termanfaatkannya data satelit penginderaan jauh SAR di berbagai bidang.

Keyword: standarisasi, SAR, opensource, ortokoreksi, specle filtering, rgb-composite

multipolarisasi,

GeomatikaSARNasional(GeoSARNas)2011.|41
Pendahuluan
Sensor PALSAR pada satelit ALOS (Advanced Land Observation Satellite) yang
diluncurkan pada tahun 2006 merupakan salah satu contoh sensor Synthetic
Aperture Radar (SAR) yang menyediakan data SAR baik single, dual maupun
quad polarization. Citra satelit SAR (Synthetic Aperture Radar) yang standar
pada dasarnya masih mengandung berbagai distorsi/kesalahan yang
diakibatkan oleh sistem pengakuisisian data dengan arah menyamping (side
looking imaging geometry) dan efek perbedaan tinggi berbagai obyek di
permukaan bumi. Untuk mengkoreksi/mengeliminasi kesalahan tersebut perlu
dilakukan koreksi terrain sebagai pemrosesan awal sebelum data tersebut
dipergunakan pada berbagai aplikasi selanjutnya terutama pada aplikasi yang
membutuhkan ketelitian geometrik yang tinggi. Selain itu karakteristik yang
umum pada citra SAR (Synthetic Aperture Radar) adalah timbulnya noise
speckle, yang tampak sebagai tekstur bintik-bintik terang-gelap yang
terdistribusi secara random dalam citranya yang timbul akibat interferensi
konstruktif dan destruktif diantara sinyal-sinyal hamburan balik dari berbagai
objek secara random dalam suatu sel/area tertentu yang disinarinya. Salah satu
cara untuk mereduksi noise tersebut adalah melalui proses pre-processing
speckle filtering. Dalam kaitannya dengan mode polarisasi, maka mode dual
polarization (yang terdiri atas kanal polarisasi HH dan HV) diyakini mampu
memberikan informasi yang lebih kaya dalam membedakan obyek dibandingkan
dengan mode single polarization. Namun demikian, khusus untuk keperluan
interpretasi visual dibutuhkan sedikitnya 3 kanal RGB (Red, Green dan Blue),
sehingga untuk mode dual polarization diperlukan 1 kanal tambahan yang dapat
dibentuk dari kombinasi kedua kanal yang tersedia.

Synthetic Aperture Radar (SAR) merupakan coherent side-looking radar yang

membuat aperture yang besar sepanjang lintasan orbitnya. Sensor SAR
mengukur dan menyimpan amplitudo, frekuensi, fase, dan polarisasi sinyal yang
dipantulkan dari target yang diamati di bumi secara berurutan. Pada Gambar 1
3
ditampilkan konsep gerak platform pada SAR.

42|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 1. Konsep Gerak Platform Pada SAR

Konsep gerak platform pada SAR merupakan metode yang digunakan untuk
memperoleh resolusi azimuth yang sesuai dengan ketinggian spacecraft. Pada
umumnya, sistem pada SAR didesain untuk mentransmisikan radiasi
gelombang mikro baik dengan polarisasi horisontal (H) ataupun polarisasi
vertikal (V). Gelombang yang ditransmisikan tiap polarisasi tersebut dapat
menimbulkan hamburan balik (backscattering) dengan jenis polarisasi yang
sama atau berbeda, tergantung pada interaksi gelombang dengan permukaan
obyek. Dengan demikian, ada empat kombinasi polarisasi yang mungkin terjadi,
yaitu:

Horizontal Transmit (H) dan Horizontal Receive (H): HH

Horizontal Transmit (H) dan Vertical Receive (V): HV

Vertical Transmit (V) dan Horizontal Receive (H): VH

Vertical Transmit (V) dan Vertical Receive (V): VV

Sifat-sifat permukaan obyek akan sangat mempengaruhi polarisasi yang

diterima sensor setelah gelombang radar dihamburkan balik oleh obyek.
Masing- masing obyek mempunyai kemampuan dan karakteristik yang berbeda
ketika menghamburkan balik sinyal yang diterimanya. Sehingga, untuk jenis
obyek yang berbeda jenis polarisasi hamburan baliknya akan berbeda. Jenis
polarisasi balik obyek bisa beda atau sama dengan jenis polarisasi yang datang
mengenainya. Akibatnya, penampakan citra akan berbeda untuk jenis
permukaan dan kombinasi polarisasi yang berbeda. Pada Gambar 2 ditampilkan
kombinasi polarisasi pada SAR.

GeomatikaSARNasional(GeoSARNas)2011|43
 Gambar 2. Kombinasi Polarisasi Pada SAR

Berdasarkan polarisasinya, terdapat beberapa tipe radar:

o Single Polarization H H atau V V (atau kemungkinan H V atau V H)

o Dual Polarization H H dan H V, V V dan V H, atau H H dan V V

o Alternating Polarization H H dan H V, alternating dengan V V dan V H

o Quad Polarization H H, V V, H V, dan V H

Sensor PALSAR pada satelit ALOS (Advanced Land Observation Satellite) yang
diluncurkan pada tahun 2006 merupakan salah satu contoh sensor SAR.
PALSAR menyediakan data SAR baik single, dual maupun quad polarization.
4
Pada Tabel 1 ditampilkan karakteristik PALSAR.

44|GeomatikaSARNasional(GeoSARNas)2011
 Tabel 1 Karakteristik PALSAR

Data ALOS-PALSAR, baik single-polarization, dual polarization, ataupun quad-

polarization, telah dimanfaatkan dalam berbagai penelitian seperti aplikasi
kehutanan, dan klasifikasi tutupan lahan (5,6,7). Dari hasil penelitian yang telah
dilakukan, data dual-polarization merupakan kombinasi terbaik untuk observasi
kehutanan dan membedakan obyek dalam pemetaan wilayah hutan secara
umum. Tujuan penulisan makalah ini adalah untuk mengkaji pembentukan citra
komposit RGB dari data ALOS-PALSAR dual polarization untuk membantu
proses identifikasi obyek yang ada pada citra.

Tujuan dari kegiatan penelitian disini meliputi; [1] Melakukan ujicoba koreksi
terrain data ALOS PALSAR (daerah Gunung MerapiMerbabu) dengan
menggunakan metode yang mengkombinasikan pembuatan citra simulasi SAR
berdasarkan data DEM (Digital Elevation Model) dan teknik registrasi citra ke
citra (image-image registration) antara citra SAR original dengan citra simulasi
tersebut. Dalam hal ini digunakan teknik transformasi Fourier (FFT: Fast Fourier
Transform) untuk mempersingkat waktu penghitungan korelasi diantara kedua
citra tersebut, [2] Mengkaji efektivitas penerapan beberapa metode speckle filter
dan pemilihan moving window serta mengevaluasi penggunaan jenis polarisasi
(HH, HV) dan perubahan parameter statistik citra hasil speckle filtering [3]

GeomatikaSARNasional(GeoSARNas)2011|45
Mengkaji berbagai alternatif kombinasi yang dapat disusun untuk membentuk
citra komposit RGB dan analisis kemampuan masing-masing alternatif
kombinasi tersebut dalam membantu mendeteksi dan membedakan berbagai
obyek penutup lahan.

Metodologi Penelitian
Koreksi Terrain (Ortorektifikasi)
Metode yang dipergunakan dalam melakukan koreksi terrain dalam penelitian
ini adalah dengan mengkombinasikan pembentukan citra simulasi SAR dan
proses registrasinya menggunakan teknik transformasi Fourier. Dalam hal ini
diperlukan 2 input data yakni data SAR yang akan dikoreksi dan data DEM
(Digital Elevation Model) untuk daerah tersebut. Pada Gambar 1 ditunjukkan
data SAR dan data DEM yang dipergunakan dalam penelitian ini. Data SAR
yang dipergunakan adalah data ALOS-PALSAR, L-band, FBS (Fine Beam
Single) dengan polarisasi HH, resolusi 6.25m, daerah sekitar Gunung Merapi
Merbabu, yang diakuisisi pada 14 Desember 2009 (ascending direction).
Sedangkan untuk data DEM, secara ideal seharusnya digunakan data DEM
yang beresolusi sama dengan data SAR-nya, sehingga bisa didapatkan citra
hasil koreksi terrain dengan ketelitian yang lebih baik. Namun karena
keterbatasan data DEM yang beresolusi tinggi tersebut, dalam penelitian ini
hanya dapat dipergunakan data SRTM-DEM (Shuttle Radar Topography
Mission Digital Elevation Model) dengan resolusi 90 m, seperti yang
ditunjukkan pada Gambar 3. Sebagai akibatnya, citra hasil koreksinya akan
mengikuti resolusi dari data DEM tersebut. Selain itu, pada data SRTM-DEM
seringkali masih terkandung hole (piksel yang tidak terisi data elevasi), sehingga
terlebih dahulu perlu dilakukan pengisian hole tersebut dengan
menginterpolasinya berdasarkan nilai-nilai piksel di sekitarnya.

46|GeomatikaSARNasional(GeoSARNas)2011
Gambar 3. Diagram alur metodologi pengolahan awal dara penginderaan jauh SAR, yang meliputi
Konver data, koreksi terrain (ortorektifikasi), speckle filtering dan rgb komposite multipolarisasi.

GeomatikaSARNasional(GeoSARNas)2011|47
Pada Gambar 3 ditunjukkan secara garis besar tahapan-tahapan yang
dilakukan dalam melakukan koreksi terrain. Sebagian besar proses tersebut
dapat dilakukan dengan menggunakan kode ASF (Alaska SAR Facility) [3].

Pertama-tama dilakukan pembentukan citra simulasi dari data DEM

berdasarkan model pencitraan radar (imaging radar model). Setelah dilakukan
pemotongan (cropping) data DEM pada area terkait, kemudian dilakukan
pembentukan citra simulasi dengan cara membentuk nilai backscatternya
berdasarkan model backscatter sederhana (simple backscatter model) yakni
dengan menambahkan noise speckle yang mengikuti distribusi Gaussian pada
masing-masing piksel citranya. Dengan ditambahkannya noise speckle tersebut,
maka akan terbentuk citra simulasi dengan kenampakan efek shadow dan
layover seperti halnya dengan citra SAR originalnya. Karena koordinat yang
dipergunakan pada data DEM inputnya adalah UTM, maka pada tahap ini
dilakukan pula penyesuaian / transformasi koordinat menjadi koordinat SAR
(SAR range/Doppler coordinate). Contoh hasil pembentukan citra simulasi
tersebut ditunjukkan pada Gambar 3.

Tahap selanjutnya dilakukan proses registrasi citra ke citra (image-image

registration) yakni antara citra SAR original dengan citra simulasi yang telah
disamakan dengan koordinat citra SAR original tersebut. Proses tersebut
dimulai dengan mencari titik-titik ikat (tie-point) pada kedua citra tersebut. Hal ini
dapat dilakukan secara manual oleh operator, maupun secara otomatis. Teknik
secara otomatis, pada beberapa hal lebih menguntungkan (tidak tergantung
operator, lebih mempersingkat waktu) namun pada umumnya membutuhkan
waktu komputasi yang lama terlebih bila diterapkan pada citra yang berukuran
besar. Salah satu caranya adalah dengan menghitung korelasi diantara kedua
citra tersebut berdasarkan nilai intensitas piksel-pikselnya secara langsung.
Namun demikian teknik konvensional tersebut membutuhkan waktu komputasi
yang lama dan semakin bertambah lama secara kuadratik seiring dengan
meningkatnya ukuran citranya [4]. Sebagai alternatif, dalam penelitian ini
digunakan teknik penghitungan korelasi berdasarkan transformasi Fourier
(FFT). Selain mempersingkat waktu, teknik ini memberikan keuntungan yang
nyata apabila diterapkan pada citra-citra bernoise tinggi seperti halnya citra SAR
[4,5].

Teknik penghitungan korelasi tersebut dilakukan dengan memanfaatkan

representasi suatu citra dalam domain frekuensi. Cross-power spectrum dari

48|GeomatikaSARNasional(GeoSARNas)2011
kedua citra dihitung dan selanjutnya dicari lokasi di mana inverse-nya mencapai
maksimum [4,5].

s o 2(0+y0 )

s o
=e
........................................................................ (1)

Dimana, s dan o masing-masing menyatakan transform Fourier

o menyatakan konjugasi
*
untuk citra simulasi dan citra SAR original.

kompleks dari o . Nilai x 0 dan y 0 merupakan nilai offset yang dicari.

Sebagai contoh, pada Gambar 5 ditunjukkan nilai maksimum korelasi
didapatkan dengan nilai offset 10, 10.

Tahap selanjutnya adalah rekonstruksi citra dari masing-masing piksel dalam

citra SAR original ke posisinya yang baru (berdasarkan nilai offset yang didapat
sebelumnya) dalam sistem proyeksi peta yang telah ditentukan (dalam hal ini
digunakan UTM).

Pengkajian Speckle Filtering

Filter Speckle

Ada dua jenis teknik pengurangan noise speckle, menurut Lee (1986). Yang
pertama adalah pengolahan multi-look yang bertujuan untuk meningkatkan
resolusi radiometrik namun berakibat pada berkurangnya resolusi spasial citra.
Teknik yang sederhana ini mampu mengurangi speckle secara efisien, tetapi
berakibat pada banyaknya informasi batas/tepi citra yang hilang. Untuk itu
dikembangkan cara lain yaitu menggunakan metode speckle filtering yang
bertujuan untuk menekan noise speckle di daerah citra yang seragam dan
untuk mempertahankan informasi batas/tepi citra misalnya, filter Lee (Lee,
1980), Enhanced Lee filter (Lopes et al, 1990.), Kuan filter (Kuan et al., 1985),
Filter Frost (Frost et al., 1982), Enhanced Frost filter (Lopes dkk, 1990) dan
Gamma MAP filter (Kuan et al, 1987), Local Sigma filter (Eliason dan McEwen,
1990) dan Bit Error filter (Eliason dan McEwen, 1990), dan lain sebagainya.
Masing-masing filter memiliki kelebihan dan kekurangan dalam mereduksi noise
speckle. Penelitian ini membatasi perbandingan hanya terhadap keempat jenis
speckle filter antara lain yaitu Enhanced Lee filter, Enhanced Frost filter, Local
Sigma filter dan Bit Error filter.

GeomatikaSARNasional(GeoSARNas)2011|49
Lee Filter adalah filter berdasarkan standar deviasi yang menghitung nilai piksel
baru dengan statistik dihitung dalam jendela filter individu. Sedangkan
Enhanced Lee Filter adalah adaptasi dari filter Lee dan juga menggunakan
statistik lokal (koefisien variasi). Selanjutnya, masing-masing piksel yang
dimasukkan ke dalam salah satu dari tiga kelas: 1) kelas homogen, di mana
nilai piksel diganti dengan rata-rata jendela filter, 2) kelas heterogen, di mana
nilai piksel diganti dengan rata-rata tertimbang, atau 3) kelas target titik, di mana
nilai piksel tidak berubah.

Adapun Frost filter adalah filter sirkular simetris teredam secara eksponensial,
dimana perhitungan berbasis pada jarak dari pusat filter, faktor redaman dan
variansi lokal yang menentukan nilai piksel baru. Enhanced Frost filter sama
dengan Frost filter, hanya saja seperti halnya dengan Enhanced Lee filter, piksel
pertama dibedakan ke dalam tiga kelas. Local Sigma filter menggunakan
standar deviasi lokal untuk menentukan piksel yang valid dalam window filter,
dan kemudian menggantikan nilai piksel yang difilter dengan menghitung nilai
mean hanya dengan menggunakan piksel valid di dalam kotak filter. Bit Error
filter digunakan untuk menghilangkan noise bit-error, yang biasanya disebabkan
oleh piksel terisolasi yang memiliki nilai ekstrim yang tidak terkait dengan scene
citra.

Speckle filter ini diterapkan pada kedua citra dengan polarisasi HH dan HV.
Selain itu, untuk setiap speckle filter digunakan beberapa ukuran window (3x3,
5x5 dan 7x7) untuk mempelajari pengaruh window size pada karakteristik
tampilan kehalusan dan kemampuannya dalam menjaga informasi batas atau
tepi pada citra (edges).

Algoritma Pemfilteran

Oleh karena tujuan utama dari penelitian ini adalah untuk menguji efektivitas
kinerja beberapa metode speckle filtering dan parameter ukuran window, maka
pendekatan sederhana untuk menghitung reduksi speckle noise diterapkan
pada beberapa sampling area. Dalam hal ini, dipilih empat segmen penutup
lahan sebagai sampling area yang mewakili daerah yang akan diteliti, seperti
ditunjukkan pada Gambar 4.

50|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 4. Empat segmen yang dipilih sebagai sampling area (red, green, blue dan yellow)

Untuk menguji kinerja dalam menghaluskan citra (smoothing) dan kemampuan

mempertahankan batas citra (edge preserving) dari beberapa speckle filter
digunakan beberapa kriteria, antara lain :

(1) Normalized Mean (NM), untuk menguji kemampuan filter dalam menjaga
nilai rata-rata (mean) dari setiap segmen penutup lahan homogen (persamaan
1)

NM = ................................................................................................................................. (1)

Di mana Mfiltered dan Moriginal berturut-turut adalah nilai rata-rata dari

segmen penutup lahan yang difilter dan nilai rata-rata citra aslinya. NM
normal adalah 1, filter yang lebih baik adalah filter yang mampu menjaga
nilai tersebut.
(2) Standard Deviation to Mean (STM), untuk menguji kemampuan filter
mereduksi speckle noise dari setiap segmen penutup lahan homogen
(persamaan 2)

STM = .................................................................................................................................................. (2)

GeomatikaSARNasional(GeoSARNas)2011|51
Di mana SD dan M berturut-turut adalah standar deviasi dan mean. Nilai STM
yang lebih kecil menunjukkan kemampuan yang lebih baik dari filter dalam
mereduksi speckle.

(3) Edge-Enhancing Index (EEI), untuk menguji kemampuan filter dalam

menjaga informasi batas/tepi citra (persamaan 3) (Sheng dan Xia, 1996)

EEI = ....................................................................................................................(3)

Di mana dan berturut-turut adalah nilai piksel dari citra yang asli dan
yang difilter. Dan dan adalah nilai-nilai piksel yang saling
bertetangga dari setiap egde. EEI umumnya bernilai kurang dari 1 dan nilai EEI
tertinggi mengindikasikan kemampuan filter dalam menjaga informasi edge.

RGB Composite Multipolarisasi

Analisis dalam makalah ini dilakukan dengan membandingkan hasil citra

komposit RGB yang diperoleh dari proses pengolahan yang dilakukan. Dari citra
asli ALOS-PALSAR (band HH dan band HV) dan hasil citra komposit RGB yang
diperoleh, dilakukan pengamatan secara visual untuk membedakan atau
mengidentifikasi obyek yang ada pada citra tersebut. Data yang digunakan
adalah data citra ALOS-PALSAR dual polarization level 1.5, yang terdiri dari dua
band, HH dan HV. Untuk tujuan teknis penyajian warna, maka dibuat beberapa
band sintesis yang diturunkan dari kedua band tersebut. Band sintesis yang
dimaksud dalam makalah ini adalah band yang diturunkan atau diproses dari
band lain (umumnya band-band asli). Band sintesis ini diturunkan dengan
proses aritmetika sederhana (penjumlahan, pengurangan, perkalian atau
8
pembagian). Secara teknis, band sintesis yang dibuat dalam makalah ini
adalah:

1. HH/HV

2. HH + HV

3. HH HV

4. (HH HV)/(HH + HV)

52|GeomatikaSARNasional(GeoSARNas)2011
Hasil dan Pembahasan
Koreksi Terrain (ortorektifikasi)
Hasil koreksi terrain untuk data ALOS-PALSAR daerah Gunung Merapi-
Merbabu ditunjukkan pada Gambar 5. Dengan membandingkan data sebelum
dikoreksi (Gambar 5.a) dan setelah dikoreksi (Gambar 5.b) dapat dilihat bahwa
metode ini mampu mengurangi distorsi geometrik yang diakibatkan oleh efek
foreshorthening. Terlihat bahwa lereng gunung Merapi dan Merbabu yang
mengarah pada arah akusisi radar (sebelah kiri) yang semula tampak
termampatkan dapat dikoreksi ke posisi yang semestinya. Sedangkan untuk
efek shadow tidak dapat dilakukan karena memang untuk area tersebut tidak
terdapat sinyal balik radar yang terdeteksi oleh sensor SAR. Untuk mengatasi
efek shadow tersebut, harus dipergunakan data tambahan terutama data yang
diperoleh dari posisi akuisisi yang sebaliknya (dari sebelah kanan) [1].

a) Sebelum dilakukan koreksi terrain. b) Setelah dilakukan koreksi terrain.

Gambar 5. Perbesaran hasil koreksi terrain data ALOS PALSAR daerah sekitar Gunung Merapi.

Hasil koreksi tersebut dapat dikonfirmasikan pula dengan membandingkan hasil

tersebut dengan data referensi lainnya yakni data LANDSAT yang telah
dikoreksi ortho. Namun demikian, untuk selanjutnya masih diperlukan evaluasi
ketelitian yang diperoleh secara lebih mendalam terhadap hasil-hasil didapatkan
ini, termasuk kajian pengaruh pengambilan jumlah dan tiepoint yang dapat
dilakukan baik itu secara otomatis maupun penambahan tiepoint secara manual
oleh operator.

GeomatikaSARNasional(GeoSARNas)2011|53
Lebih jauh apabila diperhatikan secara visual, penampakan pada area
foreshortening jauh lebih terang bila dibandingkan pada bagian lain yang
mempunyai tutupan lahan sejenis. Hal ini timbul akibat sinyal radar pada bagian
tersebut dikembalikan jauh lebih kuat karena permukaan yang memantulkannya
hampir mendekati tegak lurus dengan arah sinyal datangnya. Oleh karenanya
perlu pula dilakukan koreksi radiometrik [2,3], sehingga nilai-nilai piksel pada
bagian tersebut selanjutnya dapat mendekati nilai piksel dari tutupan lahan yang
sejenis pada daerah yang relatif datar di sekitarnya.

Pengkajian Speckle Filtering

Dengan algoritma yang telah ditentukan, maka diuji keempat speckle filter pada
citra HH dan HV ALOS PALSAR. Terlebih dahulu pada masing-masing
polarisasi HH dan HV dibuat empat sampling area (red, green, blue dan yellow).
Kemudian keempat area tersebut difilter menggunakan empat macam filter yaitu
Enhanced Lee filter, Enhanced Frost filter, Local Sigma filter dan Bit Error filter
dengan beberapa ukuran window yang berbeda-beda (3x3, 5x5 dan 7x7)

Setelah proses filtering selesai maka diperoleh citra baru dengan kualitas
speckle noise yang berkurang sesuai dengan kinerja masing-masing speckle
filter. Gambar 6 berikut adalah gambar perbandingan kualitatif citra dual
polarisasi HH dan HV sebelum dan setelah dilakukan speckle filtering dengan
menggunakan empat jenis filter dan ukuran window yang berbeda-beda (3x3,
5x5 dan 7x7).

Dari Gambar 6 tersebut, terlihat secara kualitatif (visual) bahwa metode speckle
filtering menggunakan Enhanced Lee filter dan Enhanced Frost Filter dengan
ukuran window yang tidak terlalu besar, masing-masing berukuran 7x7 dan 5x5,
mampu memberikan hasil yang lebih optimal dibandingkan menggunakan Local
Sigma filter dan Bit Error filter. Kedua filter ini mampu menghilangkan noise
speckle berupa bintik-bintik terang gelap akibat proses interferensi pada citra
SAR, namun masih tetap menjaga informasi tentang batas-batas atau tepi pada
citra. Selain itu, secara visual juga terlihat bahwa dengan menggunakan
polarisasi HH, Enhanced Lee filter dan Enhanced Frost Filter juga mampu
mempertahankan kualitas informasi batas/tepi citra yang lebih baik dengan
polarisasi HH dibandingkan dengan polarisasi HV.

Analisis secara kualitatif atas kinerja beberapa filter sebagaimana tersebut

diatas juga didukung oleh analisis secara kuantitatif. Dalam hal ini, Enhance

54|GeomatikaSARNasional(GeoSARNas)2011
Frost filter dan Enhance Lee filter dengan ukuran window 7x7 mampu
menghasikan tingkat reduksi speckle noise tertinggi, ditandai dengan nilai STM
terendah di antara keempat jenis filter. Dan untuk filter yang sama, namun
dengan ukuran window lebih kecil yaitu 5x5, ternyata kedua filter ini masih dapat
bekerja dengan baik meskipun dengan tingkat reduksi speckle noise yang
sedikit lebih rendah, namun masih cukup baik dalam hal mempertahankan nilai
mean pada keempat segmen. Sementara, Local Sigma filter dan Bit Error filter
menunjukkan kinerja yang relatif kurang baik dalam mereduksi noise
dibandingkan dengan Enhance Frost filter dan Enhance Lee filter. Selain itu,
Enhance Frost filter dan Enhance Lee filter dengan mode polarisasi HH lebih
baik dalam mempertahankan informasi tentang batas-batas tepi citra (edge
information) dibandingkan dengan mode polarisasi HV. Hal ini ditandai dengan
nilai EEI yang bernilai lebih besar pada polarisasi HH yang mengindikasikan
kenerja yang baik dalam mempertahankan kualitas informasi edge. Sementara
nilai EEI pada polarisasi HV bernilai lebih kecil dibandingkan pada polarisasi
HH, yang mengindikasikan adanya penurunan kualitas informasi edge, dimana
batas-batas citra cenderung terlihat kabur/blurring.

HH sebelum Filtering HV sebelum Filtering

RGB1 sebelum Filtering RGB2 sebelum Filtering

GeomatikaSARNasional(GeoSARNas)2011|55
 HH_Enh_Lee3x3 HH_Enh_Lee5x5

HH_Enh_Lee7x7 HH_Enh_Frost3x3

Gambar 6. Perbandingan hasil beberapa metode speckle filtering dan window size

Tabel 2 Perbandingan kuantitatif kinerja adaptive speckle filter beserta algoritmanya

Area II Area III Area IV
Area I (red)
(green) (blue) (yellow)
Filters Pol. NM STM NM STM NM STM NM STM EEI
Original HH 1,00 0,322 1,00 0,365 1,00 0,332 1,00 0,349 1,000

Image HV 1,00 0,345 1,00 0,367 1,00 0,337 1,00 0,328 1,000

Enhanced_Lee HH 1,00 0,178 1,00 0,202 1,01 0,179 0,99 0,194 0,438

3x3 HV 1,00 0,194 1,00 0,217 1,00 0,185 0,99 0,180 0,154

Enhanced_Lee HH 1,00 0,131 1,01 0,155 1,04 0,139 0,99 0,146 0,372

5x5 HV 1,00 0,146 1,00 0,171 1,01 0,153 0,99 0,135 0,120

Enhanced_Lee HH 1,00 0,107 1,02 0,138 1,07 0,134 0,99 0,122 0,497

7x7 HV 1,00 0,122 1,01 0,153 1,03 0,143 0,99 0,166 0,185

Enhanced_Frost HH 1,00 0,178 1,00 0,201 1,01 0,179 0,99 0,194 0,340

3x3 HV 1,00 0,194 1,00 0,217 1,00 0,189 0,99 0,180 0,327

Enhanced_Frost HH 1,00 0,131 0,98 0,151 1,04 0,139 0,99 0,146 0,195

56|GeomatikaSARNasional(GeoSARNas)2011
 Area II Area III Area IV
Area I (red)
(green) (blue) (yellow)
Filters Pol. NM STM NM STM NM STM NM STM EEI
5x5 HV 1,00 0,145 1,00 0,171 1,01 0,153 0,99 0,135 0,287

Enhanced_Frost HH 1,00 0,107 0,97 0,134 1,07 0,135 0,99 0,122 0,112

7x7 HV 1,00 0,122 1,02 0,153 1,03 0,143 0,99 0,166 0,061

Local_Sigma HH 0,99 0,300 0,99 0,344 1,00 0,314 0,99 0,327 0,176

3x3 HV 0,99 0,314 0,99 0,347 1,00 0,315 1,00 0,307 0,132

Local_Sigma HH 0,99 0,281 1,00 0,321 1,00 0,282 0,99 0,307 0.156

5x5 HV 0,99 0,304 0,99 0,325 0,99 0,294 0,99 0,287 0,114

Local_Sigma HH 0,99 0,269 1,00 0,305 1,01 0,261 0,99 0,296 0,199

7x7 HV 0,99 0,293 1,00 0,312 1,00 0,278 0,99 0,276 0,127

Bit_Error HH 1,00 0,322 1,00 0,365 1,00 0,332 1,00 0,349 0,151

3x3 HV 1,00 0,345 1,00 0,367 1,00 0,337 1,00 0,328 0,105

Bit_Error HH 1,00 0,318 0,99 0,364 0,99 0,331 0,99 0,346 0,127

5x5 HV 0,99 0,342 0,99 0,365 0,99 0,337 0,99 0,327 0,116

Bit_Error HH 0,99 0,315 0,99 0,339 0,99 0,330 0,99 0,343 0,198

7x7 HV 0,99 0,339 0,99 0,362 0,99 0,335 0,99 0,325 1,174

RGB Composite MultiPolarisasi

Citra yang diperoleh dari akuisisi dengan menggunakan SAR merupakan hasil
interaksi antara sinyal radar dengan permukaan obyek. Sinyal radar dipengaruhi
oleh parameter sistem seperti panjang gelombang, polarisasi dan sudut datang.
Sedangkan permukaan obyek bergantung pada parameter fisis permukaan
seperti konstanta dielektrik, kekasaran permukaan, geometri, dan kemampuan
obyek untuk menghamburkan sinyal (surface scattering dan volume scattering).
Parameter-parameter pada sinyal radar dan permukaan obyek tersebut sangat
mempengaruhi citra yang dihasilkan. Pengaruh tersebut terlihat dari perbedaan
penampakan citra dalam hal tone atau warna, ukuran, bentuk, tekstur, shadow,
pola, dan sebagainya. Pada Gambar 7 ditampilkan perbandingan citra band HH
dan band HV.

GeomatikaSARNasional(GeoSARNas)2011|57
 Gambar 7. Perbandingan citra band HH dan band HV

Dari Gambar 7 terlihat bahwa kombinasi polarisasi sangat mempengaruhi

penampakan citra yang dihasilkan. Pada citra band HH terlihat beberapa obyek
dengan penampakan yang sangat terang. Sedangkan pada citra band HV tidak
tampak obyek dengan penampakan yang sangat terang. Polarisasi HH sensitif
terhadap struktur sudut yang dimiliki obyek. Sebuah obyek kecil dapat terlihat
sangat terang pada citra radar. Hal ini dapat terjadi karena konfigurasi geometri
obyek tersebut. Dinding bangunan atau jembatan dengan kombinasi reflektansi
dari tanah dapat membentuk reflektor sudut. Apabila dua buah obyek
membentuk sudut dan mengarah ke radar dapat terbentuk reflektor sudut.
Dengan demikian, dapat disimpulkan bahwa obyek pada citra dengan
penampakan yang sangat terang merupakan daerah pemukiman seperti rumah
penduduk atau gedung. Daerah pemukiman juga dapat dilihat dari pola obyek
yang teratur dan cenderung terkumpul pada suatu area tertentu.

Pada citra band HV yang terlihat pada Gambar 7, beberapa obyek pada bagian
atas citra penampakannya terlihat lebih cerah dibandingkan dengan yang lain.
Sedangkan pada citra band HH, obyek pada bagian atas citra tampak tidak
secerah obyek pada citra band HV. Polarisasi HV sensitif terhadap scattering
acak yang terjadi pada obyek. Scattering acak terjadi pada obyek dengan
permukaan yang kasar seperti vegetasi. Ketika sinyal radar mengenai obyek
dengan permukaan kasar, energi radar tersebut akan dihamburkan (scatter) ke
beberapa arah sekaligus, sehingga reflektansi yang terjadi akan tersebar
(diffuse). Permukaan vegetasi yang cenderung kasar akan menyebabkan

58|GeomatikaSARNasional(GeoSARNas)2011
timbulnya scattering acak dan citra radar yang terbentuk akan terlihat lebih
cerah. Dengan demikian, dapat disimpulkan bahwa obyek pada citra bagian
atas merupakan vegetasi dengan ketinggian yang tidak homogen. Vegetasi juga
dapat dilihat dari pola obyek yang tidak berarturan dan tersebar.

Pada obyek dengan permukaan horizontal yang halus, sinyal radar yang
mengenainya akan dipantulkan menjauhi sensor. Sehingga, tidak akan ada
sinyal pantulan balik yang akan terdeteksi oleh sensor dan citra yang terbentuk
akan terlihat lebih gelap. Obyek- obyek seperti air atau jalan akan tampak gelap
pada citra radar. Pada Gambar 7, terlihat bahwa ada beberapa obyek yang
tampak gelap, baik pada citra band HH atau band HV. Jika dilihat dari pola
obyek yang tampak teratur, berbentuk persegi dan terkumpul pada area
tertentu, maka dapat disimpulkan bahwa obyek tersebut merupakan area sawah
basah. Sedangkan area citra yang tampak tidak terlalu gelap kemungkinan
merupakan obyek dengan kelembaban yang cukup tinggi. Obyek berupa
sungai, danau, atau jalan tidak terlihat pada contoh citra pada Gambar 7. Pada
umumnya, obyek seperti sungai mempunyai pola yang panjang dan berkelok-
kelok. Sedangkan danau tampak dengan pola membentuk kurva dengan luas
tertentu. Obyek seperti jalan tampak dengan pola panjang dan lurus.

Dengan menggunakan citra asli dari band HH dan band HV, interpretasi citra
secara visual kadang sulit dilakukan. Hal ini terjadi karena warna yang tampak
pada citra asli kurang menarik dan perbedaan masing-masing obyek tidak
secara signifikan terlihat. Dengan tujuan untuk mempermudah pengguna dalam
memahami citra radar, diperlukan citra komposit warna RGB yang dapat
membantu interpretasi citra dan identifikasi obyek. Citra komposit warna RGB
dapat dibuat dengan mengkombinasikan citra band asli dan band sintesis citra
ALOS-PALSAR. Setelah dilakukan proses kombinasi citra diperoleh beberapa
citra komposit warna RGB. Pada Gambar 8 ditampilkan citra komposit warna
RGB hasil dari kombinasi polarimetri pada lokasi 1.

GeomatikaSARNasional(GeoSARNas)2011|59
 Gambar 8. Citra Komposit Warna RGB Hasil Kombinasi Polarimetri Pada Lokasi 1

Dari Gambar 8 terlihat bahwa warna komposit RGB yang tampak pada
kombinasi polarimetri 1 dan 4 tidak berbeda terlalu signifikan. Pada kombinasi
4, tekstur citra tampak lebih halus dibandingkan pada kombinasi 1. Sehingga,
obyek-obyek pada citra kombinasi 4 dapat lebih mudah dibedakan karena
speckle noise yang timbul juga tidak terlalu banyak. Pada citra kombinasi 2,
komposit warna yang diperoleh berbeda dibandingkan ketiga kombinasi lainnya.
Warna yang terlihat juga berbeda dengan warna asli obyek. Perbedaan masing-

60|GeomatikaSARNasional(GeoSARNas)2011
masing obyek cukup terlihat jelas tetapi obyek vegetasi agak sulit
diinterpretasikan karena warnanya tidak sama dengan warna aslinya. Obyek
vegetasi pada kombinasi 2 dapat diidentifikasi dengan lebih memperhatikan
tekstur dan tingkat kecerahan tone pada citra. Sedangkan pada citra kombinasi
3, komposit warna yang ditampilkan tampak lebih natural dan mendekati warna
asli untuk obyek-obyek seperti vegetasi, daerah pemukiman, lahan terbuka,
sawah dan ladang. Dengan demikian, interpretasi citra dan identifikasi obyek
pada citra lebih mudah dilakukan dengan menggunakan kombinasi ini. Pada
citra kombinasi 3, vegetasi tampak berwarna hijau, daerah pemukiman terlihat
berwarna merah terang, sawah tampak hitam. Lahan terbuka dan ladang juga
tampak terlihat dengan cukup jelas pada citra kombinasi 3. Lahan terbuka
terlihat berwarna coklat terang dengan pola tidak beraturan dan membentuk
kurva pada area tertentu. Sedangkan ladang tampak berwarna hijau gelap
dengan pola teratur dan terkumpul pada suatu area.

Pada Gambar 9 ditampilkan citra komposit warna RGB hasil kombinasi

polarimetri pada lokasi 2.

GeomatikaSARNasional(GeoSARNas)2011|61
 Gambar 9. Citra Komposit Warna RGB Hasil Kombinasi Polarimetri Pada Lokasi

Hasil citra komposit warna RGB yang diperoleh terlihat berbeda. Hal ini terjadi
karena kombinasi polarimetri yang digunakan pada masing-masing citra tidak
sama. Perbedaan kombinasi polarimetri tersebut akan mempengaruhi
penampakan obyek dalam citra. Dengan menggunakan kombinasi polarimetri
yang berbeda, maka interaksi sinyal radar dengan obyek akan berbeda.
Sehingga, efek hamburan balik dari obyek dan energi pantulan yang terdeteksi
oleh sensor radar juga berbeda. Operasi aritmetika sederhana yang diterapkan
pada citra untuk membuat band sintesis juga mempengaruhi penampakan
obyek pada citra.

Untuk jenis obyek dengan tekstur permukaan horisontal yang halus,

penampakan obyek pada citra radar cenderung gelap. Dari Gambar 9, dapat
dilihat obyek dengan permukaan horisontal yang halus seperti danau, sungai
dan jalan. Danau dengan bentuk kurva pada suatu area terlihat jelas berwarna
hitam pada bagian pojok kiri semua citra yang ada pada Gambar 5. Jika
dibandingkan dengnan citra kombinasi 3 dan 4, obyek danau pada citra
kombinasi 1 dan 2 terlihat lebih jelas dengan speckle noise yang lebih sedikit.
Sungai juga tampak dengan warna gelap dan mempunyai pola yang panjang
dan berkelok-kelok. Dari keempat kombinasi polarimetri pada Gambar 9, terlihat
bahwa obyek sungai pada citra hasil kombinasi 1 dan 2 lebih jelas dan lebih
mudah diidentifikasi, jika dibandingkan dengan citra hasil kombinasi 3 dan 4.
Obyek jalan juga terlihat cukup jelas dan dapat diidentifikasi dari warna dan

62|GeomatikaSARNasional(GeoSARNas)2011
polanya. Sama seperti sungai, pada citra hasil kombinasi 1 dan 2, obyek jalan
tampak lebih jelas dan lebih mudah diidentifikasi. Pada Gambar 9 juga terlihat
obyek lain, pada daerah di sekitar tanda persegi yang ada pada citra. Obyek
tersebut merupakan bandara dengan landasan pacu yang sangat lebar dan
cukup panjang. Dengan perbedaan tone, warna, pola, bentuk, dan tekstur yang
terlihat pada citra komposit warna yang diperoleh dari kombinasi polarimetri
data ALOS-PALSAR, identifikasi obyek dapat dilakukan.

Penutup
[1] Teknik koreksi terrain dengan menggunakan metoda FFT ini mampu
memberikan hasil yang cukup memuaskan terutama dalam mengkoreksi efek
foreshortening (distorsi pada citra SAR yang terjadi pada area dengan
kemiringan/slope yang menghadap pada arah datangnya sinyal radar sehingga
luasan area tersebut tampak menjadi lebih pendek /termampatkan). Lebih jauh,
perlu juga dilakukan evaluasi secara lebih mendetail terutama secara kuantitatif
atas hasil-hasil yang diperoleh tersebut, koreksi radiometrik, dan juga ujicoba
pada daerah-daerah lain dengan kemiringan objek-objek yang beragam.

[2] Hasil pengujian secara kualitatif dan kuantitatif menunjukkan bahwa

Enhanced Lee filter dan Enhanced Frost filter dengan ukuran window yang tidak
terlalu besar, masing-masing berukuran 7x7 dan 5x5, mampu memberikan hasil
yang lebih optimal dalam mereduksi speckle noise dibandingkan menggunakan
Local Sigma filter dan Bit Error filter. Penggunaan Enhanced Lee filter dan
Enhanced Frost filter dengan polarisasi HH dinilai lebih baik dalam hal
kemampuan mempertahankan kualitas informasi batas/tepi citra (edge
preserving) dan kehalusan (smoothing) dibandingkan dengan polarisasi HV.
Sementara dengan polarisasi HV cukup banyak menghasilkan batas-batas citra
yang kabur (blurring)

[3] Interpretasi citra dan proses identifikasi obyek pada citra dapat dilakukan
dengan memperhatikan perbedaan tone, warna, pola, bentuk dan tekstur yang
terlihat pada citra radar. Kombinasi band yang paling sesuai untuk identifikasi
obyek-obyek seperti vegetasi, daerah pemukiman, sawah, lahan terbuka dan
ladang adalah kombinasi HH, HV, (HH-HV). Sedangkan untuk identifikasi obyek
dengan tekstur permukaan horisontal yang halus, kombinasi polarimetri yang
dapat digunakan adalah kombinasi HH, HV, (HH/HV) atau kombinasi HH, HV,
(HH+HV).

GeomatikaSARNasional(GeoSARNas)2011|63
Daftar Pustaka

Woodhouse, I.H. (2006). Introduction to Microwave Remote Sensing. Boca

Raton: CRC Press Taylor & Francis.
Curlander, C.C. and McDonough, R.N. (1991). SYNTHETIC APERTURE
RADAR Systems and Signal Processing. John Wiley & Sons, Inc.
Barbara Z. and Flusser J. (2003). Image registration methods: a survey. Image
Vision Computing, 21(11): 977-1000.
Canty, M.J. (2006). Image Analysis, Classification and Change Detection in
Remote Sensing. Boca Raton: CRC Press Taylor & Francis.
Chastant, L. J., Porcello, L. J., Stevenson, J., dan Ulaby, T. F. 1975. Microwave
Remote Sensors, Manual of Remote Sensing, 1st ed, Volume 1, The
American Society of Photogrammetry.
Ari S, K., Teguh, K., dan Santoso, H. 2005. Klasifikasi Data Polarimetrik Radar
dengan Menggunakan Metode Dekomposisi Cloude & Pottier. Prosiding
PIT MAPIN XIV, 14-15 September 2005.
Richards, J. A. 2009. Remote Sensing with Imaging Radar. Springer.

64|GeomatikaSARNasional(GeoSARNas)2011
 I
SAR,
DATA PROCESSING,
AND THE APPLICATION

Environment
and Disaster Management
This page intentionally left blank
A Review of Using SAR Imagery for Disaster Emergency Response

Fajar Yulianto, M. Rokhis Khomarudin, Parwati

Division of Environment and Disaster Mitigation, Remote Sensing Applications Center
Indonesia National Institute of Aeronautics and Space LAPAN. Jl. Lapan No. 70,
Pekayon, Pasar Rebo, Jakarta 13710, Indonesia

Abstract. The objective of this paper is to review the current status of using SAR
imagery for disaster emergency response from the collected literatures. This paper can
be used as a guide and reference for a reader and user to implement or improve a
methodology of using SAR Imagery for disaster emergency response. Several
methodologies of using SAR Imagery for disaster response have been developed and
made a great progress. Several SAR Imagery such as RADARSAT SAR, ENVISAT SAR, ALOS
PALSAR and TerraSAR-X have been mentioned in the collected literatures to analyses the
disaster emergency response. From the methodology and the data, the most common of
using SAR imagery for disaster emergency response is to detect the area of disaster such
as flood, tsunami, and other disaster quickly. The texture analysis is the most common
feature for that detection. The automatic classification of the disaster area is the most
current application of using SAR Imagery for disaster response. This show that the SAR
imagery is useful for the disaster response purpose and contributing on the disaster
management. The independent of SAR data from cloud and night time acquisition is the
big advantage of using this data for disaster emergency response which need a quick
data acquisition and assessment.

Keywords: disaster emergency response, great progress, automatic classification

GeomatikaSARNasional(GeoSARNas)2011|65
Introduction
Remote sensing data has the advantage in terms of real time observation. This
data is able to provide specific information that is not provided by other data
sources, data collection with a little field work, and allows data collection in field
conditions are difficult to reach (Howard, 1991; Hartono, 2010). Remote sensing
sensors to get information about an object from a distance. The information
obtained from a number of energy coming from the object and received by the
sensor. Energy recorded by satellite sensors with a value that varies between
one object with another object. Energy is a vital ingredient as the conductor of
the information in remote sensing. Without this energy is then the information
will not be obtained by satellite sensors. Thus the existence of energy into the
sensor is a key point of obtaining information about objects on the earth. Basing
on this form of energy, remote sensing can be divided into two forms of remote
sensing systems are passive and active. Passive remote sensing systems that
use energy derived from the object. Energy can be a reflection of other sources,
which in this case usually is the sun. Emitted energy from the sun into the object
and then reflected towards the sensor. Satellite sensors in this system cannot
generate its own energy. Examples from several satellites with passive sensors
are LANDSAT, SPOT, ASTER, MODIS, NOAA, Quick Bird and Ikonos. Active
remote sensing system that uses energy derived from satellite sensors. Sensors
generate energy that is directed to objects, and then objects reflect back to the
sensor. The energy returned to the sensor carries information about the object.
A series of captured energy value sensor is stored as a database. Active remote
sensing system is not dependent on the presence of sunlight, because the
energy comes from the sensor. Examples from several satellites with active
sensors are the RADARSAT SAR, ENVISAT SAR, ALOS PALSAR, and
TerraSAR-X (Lillesand, T.M, et al, 2004).

Synthetic Aperture Radar (SAR) is one of the remote sensing of active

microwave electromagnetic spectrum with frequencies between 0.3 - 300 GHz
or wavelengths between 1 m 1 mm. SAR system consists of transmitter,
receiver, antenna and electronic systems for processing and data processing.
Part transmitter will send microwave pulses to be continue to focus on a beam
to the surface of the earth, then the receiving antenna will receive part of the
backscattered energy is then to be recorded and processed further. Because it
has its own source of energy without depending on the source of solar energy,

66|GeomatikaSARNasional(GeoSARNas)2011
the radar can operate day or night in weather conditions with microwaves can
penetrate clouds, smoke and rain (Woodhouse, 2006; Katmoko, A., et al, 2010).
SAR data have a great potential as a source of relevant and near real time
information for the early warning, mitigation and management of natural
disasters (Machiko, L., et al, 2006).

United Nations, type of emergency divides into three, namely: a) the disasters -
natural risk, b) disasters - technological risk, c) complex and compound
Emergencies. Disasters - natural is the type of emergency caused by the
presence of natural phenomena that have an impact on the environment and
human communities, such as: Earthquakes, volcanic, flood, landslides,
tsunamis, wild fires, hurricanes, storm surges, typhoons, food shortages and
drought. Disasters - a technological type of emergency caused by direct human
intervention such as: industrial, chemical spills and nuclear accidents (but not
war, terrorism and complex political crises). Compound and Complex
Emergencies is the type of emergency caused by civil war or armed conflict and
Unrest with widespread impact on civilian Populations, Often leading to massive
displacement of people across regions and national borders (Bernardo, 2007).

Limitation types of emergency that are used in this paper include disaster -
natural risk. Especially, the developing regions suffer their severe damage due
to lack of infrastructure and emergency services. The need for a real-time
disaster management is being acknowledged. The objective of this paper is to
review the current status of using SAR imagery for disaster emergency
response from the collected literatures. This paper can be used as a guide and
reference for a reader and user to implement or improve a methodology of using
SAR imagery for disaster emergency response. Several methodologies of using
SAR imagery for disaster response have been developed and made a great
progress. Several SAR imagery such as RADARSAT SAR, ALOS PALSAR,
TerraSAR-X and have been mentioned in the collected literatures to analyzes
the disaster emergency response. From the methodology and the data, the most
common of using SAR imagery for disaster emergency response is to detect the
area of disaster Such as flood, tsunami and other disaster quickly.

SAR Imagery Use Applications for Disaster Emergency Response

At this time remote sensing technology has developed rapidly SAR (RADARSAT
SAR, ENVISAT SAR, ALOS PALSAR and TerraSAR-X), as shown by the

GeomatikaSARNasional(GeoSARNas)2011|67
various types of platform, sensors, and other systems, and followed by
increasingly breadth of scope of application. The use of SAR imagery for
disaster emergency response field of application is very supportive once in its
application, because the SAR system can operate day or night in weather
conditions with microwaves can penetrate clouds, smoke and rain. Some
applications using SAR imagery can be reviewed for the delivery of the disaster
emergency response:

a) SAR Imagery for Flood Applications

Analysis of satellite data for flood inundation mapping is generally carried out by
visual interpretation or by digital image processing techniques. Visual
interpretation is based on the fact that water surface which is comparatively
smoother than the surrounding dry land, acts as a specular reflector, giving low
backscatter. Visual interpretation gives a reasonably accurate assessment of
spread of water (Sanyal and Lu, 2003). But as this is done manually, it
consumes lot of time especially when the area to be mapped happens to be
large (Matgen et al, 2007). In relief and rescue operations, information relating
to flood extent should not only to be accurate but also is to be provided as soon
as possible and it for this reason that visual technique inspite of being accurate
is often not used and flood extent mapping is carried out by some other
appropriate digital technique. In digital analysis, the applied technique classifies
each pixel into water and non-water categories by comparing their individual
reflectance value. Beside visual interpretation there are a number of automatic
information extraction algorithms that have been developed over the years in
order to extract information form satellite imagery. Thresholding is one of the
most commonly used techniques in active remote sensing to delineate flooded
areas from non flooded areas in radar image. A threshold value of radar
backscatter is set in decibel (dB) to determine whether a given pixel is flooded
or not. In this technique, intensities below a threshold value is regarded as
flooded where pixels with intensities above the threshold are regarded as non-
flooded. This threshold will depend on the contrast between the land and water
classes. The histogram of SAR image covering flood event often do not show a
clear distinction between two model flood and non-flood. Thus, the method of
choosing a threshold value by trial and error still enjoys a central position in
application of radar image segmentation (Gonzalez, et al., 2004). The choice of
a reliable threshold value was facilities by the availability of control point

68|GeomatikaSARNasional(GeoSARNas)2011
measured at the inundation boundary. The contrast further depends on the
polarization, incidence angle of SAR system and the ground conditions as is
demonstrated by Hiroya, et al., 2006.

Change detection can be use as a power tool to detect flooded area in SAR
imagery. It is performed by acquiring two imageries taken before and after the
flood. Coherence and amplitude change detection techniques are applied in
SAR domain. In the amplitude approach, areas are delineated as flooded where
the radar backscatter is observed to be in considerable decline from before flood
to after flood imagery. In the coherence approach areas are generally identified
as flood where the coherence or correlation of radar backscatters from before
and after flood imagery are very low (Nico, et al., 2000). Multi-date SAR scenes
for the same area can be projected to red, green and blue channels to create a
color composite.

Ramsey, 1995 has used ERS SAR data to map the extent of coastal wetland in
Florida based on backscatter differences associated with high tide (flooded) and
low tide (non-flooded) conditions. Imhoff, et al., (1987) showed that SAR
imagery can be more effective than LANDSAT Images or aerial photograph
(color and infrared) for mapping flooded areas. They showed that SAR imagery
processed using simple density slicing or threshold techniques delineated
flooding in Bangladesh during the monsoon than LANDSAT imagery with better
precession. When verified by the aerial photograph, SAR imagery had an
accuracy of 85% compared with 64% by LANDSAT.

Shailesh, K.S., 2004 in research entitled Analysis of Uncertainties in Digital

Elevation Models in Flood (Hydraulic) Modelling, using RADARSAT SAR
images and IRS-1C LISS III image for flood inundation mapping and also flood
modeling using hydrodynamic models (MIKE 11 & SOBEK) at canal constructed
from Kushabhadra River of Puri district, Orissa, India. The availability of SAR
data from the RADARSAT satellites offers an opportunity for continues
observation of flood events. This made it possible to monitor the progress of
flood and to generate accurate, rapid and cost effective flood maps. The main
objective of this study was to generated flood inundation scenario using DEMs
(ASTER and SRTM) in hydrodynamic model and then comparing the flood
extent maps derived using the satellites images. Multi temporal RADARSAT
SAR satellite image (September 04, 13 & 20 of 2003) and IRS 1C multi-
spectral temporal satellite image (LISS III) were used in this study. The flood

GeomatikaSARNasional(GeoSARNas)2011|69
inundation areas were extracted using SAR and multi-spectral images by visual
interpretation and digital analysis. The areal extent of flood inundation was 212
2 th 2 th 2 th
km on 4 , 178 km on 13 and 135 km on 20 September, 2003. The stage-
discharge relationships were established using the observed flood gauge and
discharge data. Using this relationship and observed gauge data for 5 years,
frequency analysis is carried out. Bu using hydrodynamic model, longitudinal
profile of the study area, water level and routed discharge along the river at
different reaches were generated, to know the flood inundation scenario. Digital
Elevation Models from ASTER and SRTM were used in this study to derive
cross-section in the flood plain. Comparison was made area using RADARSAT
SAR satellite data and the result of hydrodynamic model. Different methods for
representing error, to quantify uncertainty in digital elevation model (DEM) were
investigated.

Anupam, P., 2009 in research entitled Mapping of 2006 Flood Extent in Birupa
Basin, Orissa, India, Using Visual and Digital Classification Techniques on
RADARSAT Image: A Comparative Analysis. The region however suffers
heavily due to recurring flood during the monsoon months. Serious disruption of
functioning of society is caused as river overflows their embankments and flood
water races through almost level plain submerging agricultural fields and
villages along its way causing enormous damage to life and property. Floods
cannot be prevented but accurate information about them can reduce its
severity to large extent. Remote sensing technology in general and SAR images
in particular are known to be efficient and cost-effective when large areas
affected by flood are to be mapped and analyzed. The main objective of the
proposed work was to make a comparative analysis of different classification
techniques for flooded area extraction on RADARSAT images. Assessment of
accuracy and validation by appropriate method along with role of ancillary for
comparison of result were other issues discussed. Mapping of flood extent from
RADARSAT images was carried out using visual interpretation, thresholding
technique; rule based expert classification and neutral network. Result show that
visual interpretation was the most appropriate for flood extent mapping for relief
and rescue operations. Combining spectral and spatial information in rule based
expert classification has the potential of improving the result while neural
networks were appropriate if good knowledge and understanding of the area in
terms of surface condition was available. The study proposes that to extract

70|GeomatikaSARNasional(GeoSARNas)2011
flood inundation maps from RADARSAT images, thresholding was more
appropriate than other tree techniques used but it should be kept in mind that
better result are achievable if ancillary information was available and time was
not a constraint. The threshold value, internal parameter and ancillary
information used in different techniques on 2006 images was applied on
RADASAT image of 2008 for the same area and it was found that have
contributes to errors in flood extent maps suitable in delineating irrigated paddy
field from flooded areas. Behavior of backscatter coefficient during the crop
growth cycle of paddy was used to delineate paddy fields from flooded areas.
Field information was used for accuracy assessment and for explaining the
result of flood inundation extraction by different techniques, so that the strength
and limitations of different techniques were identified. Validation of result was
done by RADARSAT image of the same area acquired in 2008.

b) SAR Imagery for Volcanic Applications

Asep, S., and Katsuaki, K., 2010 in research entitled Detail Mapping of
Pyroclastic Flow Deposits by SAR Data Processing for an Active Volcano in the
Torid Zone, using a combination Synthetic Aperture Radar (SAR) and
geospatial method. By this combination data could reduce the speckle effect
from the SAR data and then estimate roughness distribution of the pyroclastic
flow deposits. The main purpose of this study is to detect spatial distribution of
0
new pyroclastic flow deposits termed as P-zone accurately using data from
two RADARSAT-1 SAR level-0 data. Single science of Hyperion data and field
observation were used for cross-validation of the SAR results. Mt. Merapi in
central Java, Indonesia, was chosen as a study site and the eruptions in May-
June 2006 were examined. The P-zones were found in the western and
southern flanks. The area size and the longest flow distance were calculated as
2
2.3 km and 6.8 km, respectively. The grain size variation of the P-zone was
mapped in detail from fine to coarse deposits regarding the C-band wavelength
of 5.6 cm.

c) SAR Imagery for Earthquakes Applications

Mohammad, A.G, 2010 in research entitled Detection and Measurement of

Land Deformations caused by Seismic Event using InSAR, Sub-pixel correlation
and Inversion Technique using ENVISAT SAR and ALOS PALSAR data for
detection and measurement land deformation. Deformations of the ground

GeomatikaSARNasional(GeoSARNas)2011|71
surface caused by this earthquake and source parameters of causative fault,
were studies in this research using three different techniques: Synthetic
Aperture Radar Interferometry (InSAR), Sub-pixel Correlation Technique (SCT)
and Geophysical Inversion problem and different image data sets of optical and
Radar sensors. None of these techniques offer a complete study of seismic
event, and hence, these tree techniques were employed here to study the
earthquake from different perspectives. Result, from both optical and radar
sensors have been compared in each section. The result was also compared
with result from other similar studies. InSAR was applied to ENVISAT SAR and
ALOS PALSAR image data sets, in ascending and descending passes, to reveal
deformation along the satellite line of sight direction. The Enhanced Lee filer
was applied to ALOS PALSAR interferograms to remove temporal noises. The
result from both the ENVISAT and the ALOS data sets are strongly supportive,
the former data set shows more subsidence in the satellite line of sight direction.
Maximum 28.1 cm subsidence along the satellite line of sight was observed on
the descending interferogram from the ENVISAT SAR data set, to the north-
west of Onna village.

Gustavo, A.A.L., 2005 in research entitled Earthquake Induced Urban

Damage Analysis Using Interferometry SAR data using ENVISAT SAR images
for analysis. In this research, the capacity of interferometric SAR data for
detecting urban damages has been studied. Intensity and intensity correlation
seem to have an important sensitivity to changes in ground surface and urban
damage. Through image co-registration, these properties were calculate and
mapped using several software tools. A series of ENVISAT SAR images
acquired at different dates before and after the 2003 Bam earthquakes were
used in this study. Moreover, current method on post-earthquake urban damage
assessment using these types of remotely-sensed data was studied with the
purpose of understanding and proving both their actual potential and limitation.
Results are presented in terms of coherence, intensity, intensity correlation,
urban damage analysis and extraction. Essentially, there is no conclusive
evidence to suggest that by using merely SAR data, a full assessment of
earthquake-related urban damages can be made. This research has show that a
rough estimate of earthquake-induced urban damage pattern can be obtained
by using SAR data, in particular intensity and phase coherence information.

72|GeomatikaSARNasional(GeoSARNas)2011
d) SAR Imagery for Landslide Applications

Lalan, P.S., 2003 in research entitled Application of SAR Interferometry in

Landslide studies with Special Reference to Generation of Input Data for
Statistical Susceptibility Assessment using input maps generated from ERS
data and SAR interferometry technique for landslide susceptibility assessment in
Swiss Alps. A land cover map has been generated by images classification of
multi temporal intensity image in combination with coherence images. Other
input maps such as slope, aspect and relief form are derived InSAR DEM.
These input maps have been used for generation of two susceptibility map. The
accuracy assessment of the individual input maps, based on input maps derived
from the Swisstopo DEM (DHM25), indicates significant errors in the absolute
height and slope, especially along the ridges and in the valleys. The correct
estimation of slope is crucial for landslide susceptibility zonation. These errors
seem to be caused mostly by layover and shadow effects. Visual comparison of
stereo simulations created from hill shadow maps and the corresponding DEMs
demonstrate that topographic detail seems to have been lost in the SAR-derived
DEM. The study indicates that the application of differential interferometry for
change detection due to landslide movement is constrained by low coherence
resulting from temporal decorrelation of SAR images in the highly vegetated and
snow covered mountainous region of the Alps.

e) SAR Imagery for Tsunami Applications

Khomarudin, R., et al, 2009 in research entitled Settlement Area Mapping

Using Optical and Synthetic Aperture Radar (SAR) Remote Sensing Imagery to
Support Tsunami Risk Assessment using Landsat TM and TerraSAR-X for
applied to map settlement area. In the framework of the GITEWS (German
Indonesian Tsunami Early Warning System) project a comprehensive risk
assessment is being performed. To mitigate and decrease the loss of lives
caused by tsunami, the information on people activities and settlement area is
important. Remote sensing techniques can be applied to map settlement areas,
which are used as input for tsunami risk assessment. This paper presents the
results of the development and application of classification techniques for
settlement extraction. Several methods, like region growing, Index based built
up index (IBI) and speckle divergence methods, have been investigated to
extract settlement areas in the districts of Cilacap and Padang, Indonesia. The
decision tree and neighborhood algorithm has also been used for performing the

GeomatikaSARNasional(GeoSARNas)2011|73
classification steps. The results of this research are promising, especially the
SAR techniques based on TerraSAR-X gave highly accurate results with more
than 85% overall accuracy and low omission and commission errors.

Conclusion
Based on the description of references and a few studies that have been done
related to SAR Imagery, it can be concluded that in general the use of SAR
imagery can be used to support emergency response disaster like flood,
landslide, volcano, tsunami and other disaster. The use of SAR imagery for
disaster emergency response field of application is very supportive once in its
application, because the SAR system can operate day or night in weather
conditions with microwaves can penetrate clouds, smoke and rain. The
combination of the use of optical images with the SAR is very supportive of each
other to help the clarity of information on an object. SAR satellite data analysis
can be done by visual interpretation or digital image processing. For example
flood applications, visual interpretation are based on the fact that which surface
water is comparatively smoother than the surrounding dry land, acts as a
specular reflector, giving low backscatter. In digital analysis, the applied
technique classifies each pixel into water and non-water categories by
comparing their individual reflectance values. Threshold is one of the most
commonly used techniques in active remote sensing to delineate flooded areas
from non-flooded areas in the radar image. A threshold value of radar
backscatter is set in decibels (dB) to determine whether a given pixel is
"flooded" or "non-flooded".

References

Machiko, L., et al, 2006. Use of SAR Data for Natural Disaster Mitigation in The
Mobile Environment. Report project National Technology Agency of
Finland (TEKES).
Katmoko, A. et al, 2010. Pemrosesan Awal Koreksi Terrain Data ALOS
PALSAR dengan Menggunakan Data DEM dan Teknik Regestrasi Citra
Berdasarkan Fast Fourier Transform (FFT). Prosiding MAPIN XVII 2010.

74|GeomatikaSARNasional(GeoSARNas)2011
Lillesand, T.M., Kiefer, R.W., Chipman, J.W., 2004. Remote Sensing and Image
Interpretation. New York : John Wiley & Sons.
Sanyal, J., Lu, X.X., 2003. Application of Remote Sensing in Flood Management
with Special Reference to Monsoon Asia. A Review. Natural Hazard,
33:283-301.
Bernardo, B., 2007. GMES Fast Track Emergency Response Core Service and
Strategic Implementation Plan. ERCSIG European Commission.
Hartono, 2010. Teknologi Penginderaan Jauh untuk Pemetaan Global
Sumberdaya Alam dan Lingkungan. Prosiding MAPIN XVII 2010.
Shailesh, K.S., 2004. Analysis of Uncertainties in Digital Elevation Models in
Flood (Hydraulic) Modelling. International Institute for Geo-information
Science and Earth Observation ITC, Master of Science in Natural Hazard
Studies.
Anupam, P., 2009. Mapping of 2006 Flood Extent in Birupa Basin, Orissa, India,
Using Visual and Digital Classification Techniques on RADARSAT Image:
A Comparative Analysis. International Institute for Geo-information
Science and Earth Observation ITC, Master of Science in Natural Hazard
Studies.
Matgen, P., et al., 2007. Integration of SAR-derived river inundation area, high-
precision topographic data and a river flow model toward near real-time
flood management. International Journal of Applied Earth Obervation and
Geoinformation, 9(3): 247-263.
Gonzalez, R.C., et al., 2004. Digital Image Processing using Matlab. Prentice
Hall, New Jersey.
Hiroya, Y., 2006. Evaluation of various satellite sensors for waterline extraction
in a coral reef environment: Majuro Atoll, Marshall Island. Geomorphology,
82(3-4): 398-411.
Nico, G., et al., 2000. Comparison of SAR amplitude vs. coherence flood
detection method A GIS application. International Journal of Remote
Sensing, 21(8): 1619-1631.

GeomatikaSARNasional(GeoSARNas)2011|75
Ramsey, E.W., 1995. Monitoring flooding in coastal wetlands by using radar
imagery and ground-based measurements. International Journal of
Remote Sensing, 16:2495-2502.
Imhoff, M.L., et al., 1987. Monsoon flood boundary delineation and damage
assessment using space borne imaging radar and LANDSAT data.
Photogrammetric Engineering and Remote Sensing, 53: 405-413.
Khomarudin, R., Strunz, G., Ludwig, R., Post, J., Zosseder, K., Esch, T.,
Indrajit, A., 2009. Settlement Area Mapping Using Optical and Synthetic
Aperture Radar (SAR) Remote Sensing Imagery to Support Tsunami Risk
Assessment. American Geophysical Union, Fall Meeting 2009, abstract
#NH43C-1340.
Asep, S., and Katsuaki, K., 2010. Detailed Mapping of Pyroclastic Flow Deposits
by SAR Data Processing for an Active Volcano in the Torrid Zone.
International Journal of Engineering and Applied Sciences 6:1 2010.
Mohammad, A.G, 2010. Detection and Measurement of Land Deformations
caused by Seismic Event using InSAR, Sub-pixel correlation and Inversion
Technique. International Institute for Geo-information Science and Earth
Observation ITC, Master of Science in Natural Hazard Studies.
Lalan, P.S., 2003. Application of SAR Interferometry in Landslide Studies with
Special Reference to Generation of Input Data for Statistical Susceptibility
Assessment. International Institute for Geo-information Science and Earth
Observation ITC, Master of Science in Natural Hazard Studies.
Gustavo, A.A.L., 2005. Earthquake Induced Urban Damage Analysis Using
Interferometry SAR data. International Institute for Geo-information
Science and Earth Observation ITC, Master of Science in Natural Hazard
Studies.

76|GeomatikaSARNasional(GeoSARNas)2011
 Simulasi Bahaya Pyroclastic Gunung Merapi Berdasarkan Model
Energy Cone dari Data DEM SRTM

Parwati, Fajar Yulianto, Rokhis Khomarudin

Pusat Pemanfaatan Penginderaan Jauh. Lembaga Penerbangan dan Antariksa Nasional

Email:
parwati_s@yahoo.com

Abstract. The eruption of Merapi Volcano in late 2010 has brought many victims of both
life and enormous material. Thousands of people were evacuated to a safe place from
the dangers of Merapi Volcano eruption. Until now, the harmful effects of the eruption
is still felt by the citizens of Yogyakarta, Magelang and surrounding areas with a lahar
flow that destroyed some vital facilities such as bridges and houses. The main hazard of
Mount Merapi in 2010 was pyroclastic flow or known in science as Pyroclastic Density
Current (PDC). In this study simulated pyroclastic done by using the concept of Energy
Cone. The principle is that the height of the starting point of the flow (Hc) ratios to the
length of the runout (L) as a type of friction parameter termed the Heim coefficient.
The inclination of the energy cone is an angle (c) defined by arctan (Hc/L). The data
used is the Digital Elevation Model data from the Shuttle Radar Topography Mission (DEM
SRTM) which has a spatial resolution of 30 m. The simulations performed using the
parameters of the Colima Volcano Heim Coefficient (Mexico) which has the same type
eruption with Merapi. The Heim coefficients were 0.41 and 0.47, equivalent to = 22
and 27 . The collapse equivalent height (Hc) used for simulated the pyroclastic flows
were from 100-1000 m with intervals of 100 m. The results show that the PDC hazard
zone by using the Heim coefficient 0.41 and Hc 1 km would have a length of PDC flow as
far as 7.5 km from the vent , whereas if the coefficient Heim 0.47 will have a length of
the PDC flow as far as 5.8 km. The overlayed of RGB ALOS PALSAR before and after the
eruption in November 2010 with PDC hazard zones shows that the region affected by
PDC located in the southeast region (Cangkringan, Sleman District). The Energy Cone
model only shows the radius of PDC hazard zone in one-dimensional from vent. This
model is not yet considering the viscosity, the friction of rocks, and wind, but in
practice this model can be used to determine hazard zone of PDC.

Keywords: PDC, Merapi Volcano, Energy Cone Model, DEM SRTM

GeomatikaSARNasional(GeoSARNas)2011|77
Abstrak. Kejadian letusan gunung Merapi pada akhir tahun 2010 membawa banyak
korban baik jiwa maupun material yang sangat besar. Ribuan orang dievakuasi ke
tempat yang aman sehingga selamat dari bahaya letusan gunung merapi. Hingga saat ini
efek bahaya letusan gunung Merapi masih dirasakan oleh warga Yogyakarta, Magelang
dan sekitarnya dengan aliran lahar dingin yang menghancurkan beberapa sarana vital
seperti jembatan dan rumah penduduk. Jenis bahaya primer yang terjadi di Gunung
Merapi pada tahun 2010 adalah aliran pyroclastic. Pada penelitian ini simulasi bahaya
pyroclastic dilakukan dengan menggunakan konsep Energy Cone yang prinsipnya
menghitung rasio antara ketinggian titik awal aliran terhadap panjang aliran /runout
atau yang dikenal dengan Heim Coefficient. Data yang digunakan adalah data Digital
elevation Model dari Shuttle Radar Topography Mission (DEM SRTM) yang mempunyai
resolusi spasial 30 m. Simulasi dilakukan dengan menggunakan parameter Heim
Coefficient dari Colima Volcano (Mexico) yang tipe erupsinya sama dengan Merapi yaitu
0.41 dan 0.47 atau setara dengan 22 dan 27, selain itu digunakan ketinggian aliran
pyroclastic yang disimulasikan dari 100 1000 m dengan interval 100 m. Hasil simulasi
menunjukkan bahwa zona bahaya pyroclastic dengan menggunakan Heim coefficient
0.41 ( 22) dan ketinggian awal letusan pyroclastic 1000 m akan mempunyai panjang
aliran sejauh 7.5 km dari titik puncak kawah (vent), sedangkan jika Heim coefficient
0.47 ( 27) dengan ketinggian pyroclastic uang sama (1000 m) akan mempunyai
panjang aliran sejauh 5.8 km. Hasil simulasi PDC selanjutnya diintegrasikan dengan RGB
ALOS PALSAR sebelum dan sesudah letusan November 2010, dimana terlihat bahwa dari
radius bahaya PDC yang dianalisis dari puncak Merapi, wilayah yang terkena dampak
kerusakan letusan adalah di wilayah tenggara, yaitu di wilayah Kecamatan Cangkringan
Kabupaten Sleman. Model Energy Cone ini hanya menampilkan bahaya pyroclastic secara
1 dimensi yaitu berupa zonasi daerah bahaya secara radial dari titik puncak. Model ini
belum memperhatikan kondisi viskositas, gesekan batuan, dan angin, namun secara
praktis model ini dapat digunakan untuk menentukan zonasi bahaya secara radius dari
puncak gunung.

Katakunci: PDC, Gunung Merapi, Model Energy Cone, DEM SRTM

78|GeomatikaSARNasional(GeoSARNas)2011
Pendahuluan
Kejadian letusan gunung Merapi pada akhir tahun 2010 membawa banyak
korban baik jiwa maupun material yang sangat besar. Ribuan orang dievakuasi
ke tempat yang aman sehingga selamat dari bahaya letusan gunung merapi.
Hingga saat ini efek bahaya letusan gunung Merapi masih dirasakan oleh warga
Yogyakarta, Magelang dan sekitarnya akibat aliran lahar dingin yang
menghancurkan beberapa sarana vital seperti jembatan dan rumah penduduk.

Jenis bahaya primer yang terjadi pada letusan Gunung Merapi November 2010
adalah aliran pyroclastic. Aliran pyroclastic yang dikenal ilmiah sebagai
kepadatan arus pyroclastic (PDC) adalah aliran yang bergerak sangat cepat
berupa gas panas (yang dapat mencapai suhu sekitar 1000 C (1830 F)), abu
vulkanik dan batuan (secara kolektif dikenal sebagai tephra), dengan kecepatan
umumnya mencapai 700 km / h (450 mph) (Wikipedia, 2011). Tipe aliran
pyroclatic Merapi menurut Newhall et al (2000) terdiri dari 2, yaitu Explosive
pyroclastic flows (letusan awan panas vertikal) dan Dome-collapse pyroclastic
flows (awan panas guguran). Aliran pyroclastic Merapi biasanya mencapai 8 9
km dari puncak, dan pada jarak rata-rata 20 km bercampur dengan lahar dan
deposit tephra (Itoh et al, 2000 dalam Tandang, 2010). Bahaya-bahaya ini
memiliki resiko yang sangat tinggi, jika terjadi di wilayah yang padat penduduk
dan banyak infrastruktur yang penting di daerah tersebut. Oleh karena itu,
dipandang sangat penting untuk dapat memetakan zona bahaya akibat letusan
gunung api tersebut.

Dalam kondisi darurat ketika gunung api mulai memberikan tanda-tanda akan
meletus, diperlukan pemetaan cepat untuk menentukan zonasi bahaya gunung
api. Sejauh ini dalam kondisi darurat, penentuan zona bahaya secara praktis
dilakukan berdasarkan radius kilometer dari puncak misalnya dari 5 km, 10 km,
15 km, hingga 20 km. Namun secara ilmiah zonasi radius bahaya pyroclastic
dapat dilakukan dengan menggunakan model simulasi bahaya berdasarkan
data penginderaan jauh. Salah satu metode yang dapat diaplikasikan adalah
model energy cone. Konsep ini pada awalnya ditujukan untuk analisis longsor
(Hs 1975), kemudian dikembangkan beberapa fenomena lain seperti PDC
(Malin dan Sheridan 1982; Hayashi dan Self 1992) dan puing-puing longsoran
(Siebert 1984). Model Energy Cone menggunakan konsep 'energi garis / energy
line' yang menghubungkan lokasi sumber fenomena tersebut dengan jarak

GeomatikaSARNasional(GeoSARNas)2011|79
batas deposit aliran. Model ini sangat praktis untuk digunakan dalam
memberikan peringatan zonasi bahaya secara cepat dalam kondisi darurat.
Model Energy Cone telah diaplikasikan pada beberapa gunung yang
mempunyai tipe letusan PDC, diantaranya adalah Soufriere Hills volcano,
Montserrat (West Indies), Arenal volcano (Costa Rica), daerah gunung api
Campi Flegrei (Italy), St. Helens (USA) oleh para peneliti Toyos et al (2007),
Felfeto et al (2007), Alberico et al (2002), Sheridan et al (2000). Terkait dengan
tipe letusan terakhir Merapi yang terjadi pada November 2010 yang berupa
aliran pyroclastic, maka penelitian ini ditujukan untuk mengaplikasikan metode
energy cone dalam menentukan zonasi radius bahaya pyroclastic di Gunung
Merapi berdasarkan data satelit penginderaan jauh DEM SRTM.

Model Energy Cone

Model bahaya PDC Energy Cone merupakan model simulasi potensi maksimum
daerah yang terpengaruh oleh PDC yang dikembangkan secara sederhana oleh
Malin and Sheridan (1982). Prinsipnya adalah tinggi awal aliran (H) berbanding
terbalik terhadap panjang aliran /runout (L) yang disebut friction parameter
(Heim Coefficient). Sudut inklinasi energi yang keluar diasumsikan berbentuk
kerucut (cone) (c) dihitung dari arctan Hc/L. Perpotongan antara energy yang
keluar dari sumber energi terhadap permukaan lahan (topografi) menunjukkan
batas aliran. Kelemahan model Energy Cone adalah aliran diasumsikan
bergerak secara lurus dengan melewati batas topografi. Model Energy Cone
belum memperhatikan faktor pembatas internal (viscosity parameter) dan faktor
pembatas eksternal (turbulensi angin).

Konsep Energy Cone secara deskriptif dan matematis dijelaskan pada Gambar
1a dan 1b. Gambar 1a merupakan konsep Energy Cone dari letusan gunung api
yang mengeluarkan aliran pyroclastic yang dikemukakan oleh Sheridan dan
Malin (1983), sedangkan Gambar 1b merupakan ilustrasi aliran pyroclastic
secara matematis berdasarkan konsep Energy Cone yang sudah dilengkapi
dengan variabel-variabel yang ditambahkan di dalam Gambar 1b untuk
memperjelas penurunan rumus untuk mengetahui jarak maksimum yang
terkena efek aliran pyroclastic dari puncak gunung. Adapun secara perhitungan
secara matematis konsep Energy Cone dapat dilihat pada rumusan berikut:

Sudut inclinasi energy cone : = arctan Hmax/L ....................................................................(1)

80|GeomatikaSARNasional(GeoSARNas)2011
Dimana, Hmax = Ho + Hc .................................................................................................................... (2)

HT = Hmax - HE = (Ho + Hc) HE

HT = (Ho + Hc) Tg .dij ..................................................................................................................... (3)

Ketinggian suatu pixel yang terpengaruh oleh energy cone jika hij > 0

hij = HT ho

hij = ((Ho+Hc) - Tg .dij) - hoij ............................................................................................................. (4)

dimana:

Ho adalah ketinggian topografi vent (DEM)

Hc adalah ketinggian energi yang keluar dari vent
dij adalah jarak dari vent ke pixel ij
hoij adalah ketinggian topografi pixel ij (DEM)
Sementara itu kecepatan v2 = 0.5 g h
v = flow velocity
g = gravitational acceleration

(a)

GeomatikaSARNasional(GeoSARNas)2011|81
 d
H

Hmax

HT

(b)

Gambar 1. Konsep Energy Cone (Sheridan & Malin, 1983;

Toyos et al 2007; Felpeto 2009)

Ilustrasi model energy cone secara 1 dimensi, 2 dimensi dan 3 dimensi dapat
diperlihatkan pada Gambar 2 berikut ini.

vent

dmax

1 -Dimensi

3 -Dimensi
2-Dimensi

Gambar 2. Ilustrasi Model Energi Cone secara 1 dimensi, 2 dimensi dan 3 dimensi (Alberico et al,
2002)

82|GeomatikaSARNasional(GeoSARNas)2011
DEM SRTM
Shuttle Radar Topography Mission (SRTM) yang diterbangkan pada Space
Shuttle Endeavour pada Februari 2000 (STS-99) merupakan proyek bersama
dari National Aeronautics and Space Administration, National Geospatial
Intelligence Agency (NGA) Departemen Pertahanan AS (DoD), dan DLR.
Tujuan SRTM adalah untuk memperoleh model elevasi digital permukaan bumi
pada wilayah antara 60 lintang utara dan 56 lintang selatan, sekitar 80
persen dari permukaan tanah di bumi yang selanjutkanya dikenal sebagai DEM
(digital elevation Model) SRTM. Secara kuantitatif, produk kartografi yang
berasal dari data SRTM itu harus sampel di atas grid sekitar 30 x 30 m, dengan
kesalahan tinggi vertical absolut maksimal 16 m, dan kesalahan sirkular
absolute maksimal 20 m. Kesalahan ketinggian relatif X-band data SRTM
adalah kurang dari 6 m. Semua kesalahan berada pada tingkat kepercayaan
90%, sesuai dengan National Map Accuracy Standards (NMAS). Spesifikasi ini
sama dengan DEM 30 m yang diproduksi oleh US Geological Survey sebagai
bagian dari Dataset Elevation Nasional (www.jpl.nasa.gov/srtm/)

Pada SRTM digunakan dua sistem radar aperture sintetik (SAR), yaitu sistem
C-band (5,6 cm; C-RADAR) dan sistem X-band (3,1 cm; X-RADAR). NASA Jet
Propulsion Laboratory (JPL) bertanggung jawab untuk C-RADAR dan
didistribusikan melalui United States Geological Survey yang EROS Data
Center. DLR dengan Astrium (sebelumnya Dornier Satellitensysteme, GmbH),
kontraktor untuk ruas angkasa X-band, bertanggung jawab untuk X-RADAR.
Tujuan operasional C-RADAR adalah untuk menghasilkan cakupan pemetaan
DEM secara global seperti yang disebut oleh tujuan misi. Data dari radar X-
band digunakan untuk membuat DEM resolusi sedikit lebih tinggi tapi tanpa
cakupan global dari radar C-band. SRTM X-band data radar sedang diproses
dan didistribusikan oleh Pusat Aerospace Jerman, DLR

SRTM30 adalah data DEM yang berasal dari kombinasi data SRTM dan
GTOPO30 Geological Survey US. Dengan kata lain SRTM30 merupakan
penajaman data SRTM dengan data GTOPO30. Data SRTM30 tersedia untuk
umum melalui US Geological Survey yang EROS Data Center. Data dapat
didownload atau dipesan melalui server di http://seamless.usgs.gov/, atau
http://edc.usgs.gov/products/elevation/ srtmdted.html.

GeomatikaSARNasional(GeoSARNas)2011|83
Data dan Metode
Data
Data satelit yang digunakan adalah DEM SRTM dengan resolusi 30 m di
wilayah Gunung Merapi yang terletak di antara Propinsi DIY dan Jawa Tengah
yang meliputi wilayah Kabupaten Magelang, Sleman, Klaten, dan Boyolali
(Gambar 3). Data DEM SRTM akan digunakan untuk merepresentasikan
ketinggian topografi pada suatu pixel yang dapat dipengaruhi oleh aliran PDC
berdasarkan konsep Energy Cone. Selain itu untuk mengetahui kondisi penutup
lahan sebelum dan sesudah letusan pyroclastic Gunung Merapi, digunakan data
ALOS PALSAR tanggal 27 April 2007 (sebelum meletus) dan tanggal 5
November 2010 (sesudah meletus). Data batas administrasi dan ketinggian dari
Peta Rupa Bumi Indonesia (RBI) dari Bakosurtanal juga digunakan untuk
menunjukkan lokasi titik puncak Merapi, serta data SPOT-4 tanggal 24 Juni
2009 untuk menentukan lokasi vent Merapi.

Gambar 3. DEM SRTM wilayah studi Gunung Api Merapi. (Keterangan : garis berwarna jingga
merupakan batas administrasi kabupaten, garis berwarna putih merupakan batas administrasi
kecamatan, titik berwarna merah merupakan titik vent Merapi).

84|GeomatikaSARNasional(GeoSARNas)2011
Metodologi
Metode yang digunakan untuk mensimulasikan aliran pyroclastic adalah metode
Energy Cone. Konsep Energy Cone dapat dioperasikan melalui open source
software Volcanic Risk Information System (VORIS) versi 2.0.1 yang
dikembangkan oleh Alicia Felfeto (2009). VORIS merupakan perangkat lunak
berbasis GIS untuk menentukan hazard (bahaya) gunung api. Fungsi utamanya
adalah untuk membuat skenario resiko bencana gunung api dan pemetaan
bahaya gunung api berdasarkan simulasi bahaya, seperti abu vulkanik, aliran
lava, densitas pyroclastic. Selain itu VORIS versi 2.0.1 juga dapat digunakan
untuk mengetahui susceptibility (kepekaan) gunung api. Pada penelitian ini
penggunaan VORIS 2.0.1 ditujukan untuk simulasi aliran PDC.

Input yang digunakan dalam simulasi aliran PDC dengan software VORIS
adalah sebagai berikut:

1. Data DEM SRTM 30 m dengan sistem projeksi SUTM Zone 49

2. Koordinat vent Merapi yang diambil berdasarkan ketinggian puncak Merapi

RBI serta dari kenampakan citra satelit komposit RGB kanal SWIR-NIR-
RED data SPOT-4 tanggal 24 Juni 2009, dan hasil analisis geomorfologi dari
studi literatur Wikanti et al 2004, yaitu dengan koordinat Easting: 438863,
Northing: 9166421 (SUTM Zone 49) seperti yang terlihat pada Gambar 4
dengan titik warna merah.

GeomatikaSARNasional(GeoSARNas)2011|85
 Gambar 4. Lokasi vent Merapi (titik merah) dilihat dari data citra komposit satelit SPOT-4 dengan
RGB SWIR-NIR-RED.

3. Data simulasi ketinggian pyroclastic dari puncak (Hc) serta sudut inclinasi
Energy Cone () yang diambil dari nilai Heim Coefficient ( = arctan H/L).
Karena keterbatasan pengukuran di lapangan, maka digunakan nilai Heim
Coefficient Gunung Colima Volcano (Mexico) yang tipe erupsinya sama
dengan Merapi (Saucedo et al. 2005) seperti yang terlihat pada Tabel 1
berikut.

Tabel 1 Ketingian pyroclastic, jarak maksimum runout dan Heim Coefficient pada letusan Gunung
Colima, Mexico yang digunakan sebagai acuan Merapi (Saucedo et al. 2004).
Tahun Hc(km) Runout (km) Heim H/L
1913 1.6 3.5 0.41
1991 1.8 4.0 0.44
1998 1.9 4.5 0.40
1998 1.4 3.0 0.47
Berdasarkan acuan Gunung Colima Mexico tersebut maka untuk Merapi akan
dicoba input simulasi untuk Hc dari 100 1000 m dengan interval setiap 100 m,
dengan Heim Coefficient 0.41 ( = 22) dan 0.47 (= 27).

Analisis selanjutnya adalah membuat citra komposit ALOS PALSAR untuk

mengetahui kondisi kerusakan penutup lahan pasca letusan Merapi November
2010. Setelah itu mengintegrasikan hasil simulasi zona bahaya PDC dengan

86|GeomatikaSARNasional(GeoSARNas)2011
citra komposit ALOS PALSAR untuk mengetahui sejauh mana simulasi bahaya
PDC mengakibatkan kerusakan.

Hasil dan Pembahasan

Simulasi PDC
Pada Gambar 5 dapat dilihat radius bahaya PDC setiap ketinggian 100 m
hingga mencapai 1000 m dengan Heim Coefficient 0.41 ( = 22) dan 0.47 ( =
27). Pada gambar 5 dapat dilihat bahwa semakin besar sudut inklinasinya
maka cakupan radius PDCnya akan semakin sempit. Hal ini berarti pada radius
yang sama dengan ketinggian letusan PDC yang sama namun sudut inklinasi
yang berbeda, akan menghasilkan tingkat intensitas PDCnya juga berbeda.
Dengan sudut inklinasi yang besar maka intensitas PDC mengenai suatu radius
akan semakin hebat kekuatannya karena semakin terfokus ke suatu wilayah,
sementara jika sudut iklinasinya kecil, maka aliran PDCnya lebih melebar
sehingga kekuatannya lebih menyebar. Hasil simulasi menunjukkan bahwa
dengan ketinggian letusan PDC 1 km dari puncak dan sudut inklinasi sebesar
27, maka jarak maksimum yang terkena PDC adalah sejauh 5.8 km dari
puncak (Gambar 5 sebelah kiri), sedangkan dengan sudut inklinasi 22 akan
memberikan efek runout PDC sejauh 7.5 km dari puncak (Gambar 5 sebelah
kanan). Dari hasil simulasi dapat ditunjukkan bahwa factor Heim Coefficient
sangat berpengaruh dalam zonasi bahaya piroklastik, hal ini sesuai dengan
asumsi yang diberikan oleh Model energy Cone.

Gambar 5. Hasil simulasi PDC dengan Hc 100 1000 m interval 100 m dengan sudut inclinasi
Energy Cone 22 (kanan) dan 27 (kiri) yang dioverlay dengan data DEM SRTM.

GeomatikaSARNasional(GeoSARNas)2011|87
Kondisi Penutup Lahan akibat Pyroclastic dari ALOS PALSAR
Berdasarkan data ALOS PALSAR sebelum (27 April 2007) dan sesudah
meletus (5 November 2010) dapat dilihat adanya perubahan kondisi penutup
lahan akibat letusan Gunung Merapi yang ditandai dengan polygon berwarna
merah (Gambar 6). Pada polygon yang ditandai warna merah terdapat
kenampakan berwarna hitam pada citra ALOS PALSAR tanggal 5 November
2010, sedangkan kondisi lahan pada citra ALOS PALSAR tangal 27 April 2007
(sebelum terjadi letusan) masih menampakkan kondisi yang sama dengan
daerah sekitarnya. Adanya perubahan kenampakan citra pada daerah polygon
merah yang terlihat pada citra ALOS PALSAR tanggal 5 November 2010 dapat
dinyatakan sebagai daerah yang terkena dampak letusan pyroclastic Merapi.
Pada Gambar 6 dapat dilihat tingkat kerusakan yang cukup tinggi terjadi di
wilayah Hargobinangun (bagian hulu) dan Umbulharjo (bagian hilir) di
Kecamatan Cangkringan, Kabupaten Sleman.

Gambar 6. Citra Satelit ALOS PALSAR sebelum meletus (27 April 2007) dan setelah meletus (05
November 2010)

Analisis data dengan ALOS PALSAR dilakukan juga dengan membuat citra
komposit RGB dengan komposisi sebagai berikut: RED layer : ALOS PALSAR
27 April 2007, GREEN layer : ALOS PALSAR 5 November 2007, BLUE layer :

88|GeomatikaSARNasional(GeoSARNas)2011
ALOS PALSAR 5 November 2007. Hasil citra komposit tersebut dapat dilihat
pada Gambar 7. Pada Gambar 7 terlihat jelas daerah yang mengalami
kerusakan akibat letusan pyroclastic Gunung Merapi ditandai dengan warna
merah yang berlokasi di sekitar wilayah Hargobinangun dan Umbulharjo di
Kecamatan Cangkringan, Kabupaten Sleman, sedangkan warna cyan
diasumsikan sebagai daerah yang terkena sebaran abu vulkanik.

Gambar 7. Citra RGB Komposit ALOS PALSAR sebelum meletus (27 April 2007) dan setelah
meletus (05 November 2010).

Integrasi RGB ALOS PALSAR dan Simulasi PDC

Analisis selanjutnya dilakukan dengan mengintegrasi RGB ALOS PALSAR
dengan hasil simulasi PDC dengan metode Energy Cone. Pada Gambar 8
dapat dilihat hasil integrasi simulasi PDC dengan RBG ALOS PALSAR, dimana
bisa terlihat bahwa dari radius bahaya PDC yang dianalisis dari puncak Merapi,
wilayah yang terkena dampak kerusakan letusan adalah di wilayah tenggara,
yaitu di wilayah Kecamatan Cangkringan Kabupaten Sleman. Dengan simulasi
ketinggian awal PDC dari puncak sekitar 1 km ternyata hanya memberikan
zonasi bahaya sejauh 7.5 km dari puncak dengan sudut inklinasi 22 derajat,
sedangkan jika diukur panjang kerusakan (obyek warna merah) yang terlihat
pada citra ALOS PALSAR secara horizontal dari puncak Merapi, maka panjang

GeomatikaSARNasional(GeoSARNas)2011|89
daerah yang mengalami kerusakan adalah sekitar 16-17 km dari puncak. Hal ini
berarti bahwa letusan pyroclatic yang terjadi pada November 2010 mencapai
lebih dari 1 km pada puncak Merapi, karena zonasi PDC yang dihasilkan oleh
simulasi masih kurang mencapai radius 17 km dari puncak. Selain itu zonasi
bahaya PDC yang dihasilkan dari model Energy Cone hanya berupa radius dari
puncak, dan belum dapat memberikan informasi prediksi arah aliran pyroclastic,
sehingga analisis lain seperti geomorfologi atau mengenai perubahan arah
aliran dari puncak Merapi perlu diteliti kembali sebagai suatu input untuk
memprediksi arah aliran pyroclastic. Parameter lain seperti pengaruh gaya
gesekan permukaan, arah angin, dan viskositas material perlu dipertimbangkan
untuk analisis lebih lanjut.

Gambar 8. Hasil simulasi PDC dengan Hc 100 1000 m interval 100 m dengan sudut inclinasi
Energy Cone 22 (kanan) dan 27 (kiri) yang dioverlay dengan data ALOS PALSAR sebelum meletus
(27 April 2007) dan setelah meletus (05 November 2010).

Kesimpulan dan Saran

Simulasi bahaya PDC telah dilakukan berdasarkan data DEM SRTM 30 m di
wilayah Gunung Merapi dengan menggunakan Model Energy Cone. Hasil
simulasi menunjukkan bahwa zona bahaya pyroclastic dengan menggunakan
Heim coefficient 0.41 ( 22) dan ketinggian awal letusan pyroclastic 1000 m
akan mempunyai panjang aliran sejauh 7.5 km dari titik puncak kawah (vent),
sedangkan jika Heim coefficient 0.47 ( 27) dengan ketinggian pyroclastic uang
sama (1000 m) akan mempunyai panjang aliran sejauh 5.8 km. Berdasarkan

90|GeomatikaSARNasional(GeoSARNas)2011
RGB ALOS PALSAR sebelum dan sesudah letusan November 2010, terlihat
bahwa dari radius bahaya PDC yang dianalisis dari puncak Merapi, wilayah
yang terkena dampak kerusakan letusan adalah di wilayah tenggara, yaitu di
wilayah Kecamatan Cangkringan Kabupaten Sleman.

Keterbatasan akurasi DEM SRTM 30 m untuk merepresentasikan kondisi

topografi wilayah Merapi menjadi salah satu error hasil prediksi. Ke depan perlu
digunakan data DEM yang mempunyai akurasi yang lebih baik dan up to date.
Model Energy Cone ini hanya menampilkan bahaya pyroclastic secara 1
dimensi yaitu berupa zonasi daerah bahaya secara radial dari titik puncak.
Model ini belum memperhatikan kondisi viskositas, gesekan batuan, dan angin,
namun secara praktis model ini dapat digunakan untuk menentukan zonasi
bahaya secara radius dari puncak gunung.

Daftar Pustaka

Alberico I, Lirer L, Petrosino P, Scandone R. 2002. A methodology for the

evaluation of long-termvolcanic risk from pyroclastic flows in Campi Flegrei
(Italy). J Volcanol Geotherm Res 116:6378.
Felpeto, A. 2009. VORIS A GIS-based tool for volcanic hazard assessment
User Guide. Observatorio Geofsico Central, IGN.
Felpeto, A., J. Mart, R. Ortiz. 2007. Automatic GIS-based system for volcanic
hazard assessment. Journal of Volcanology and Geothermal Research
166 (2007) 106116.
Hayashi JN, and Self S. 1992. A comparison of pyroclastic flow and debris
avalanche mobility.J Geophysical Res 97(B6):90639071
Hs, J. 1975. Catastrophic debris streams (sturzstroms) generated by rockfalls.
Geologic Soc Am. Bull 86:129140
Malin MC, and Sheridan MF. 1982. Computer-Assisted mapping of pyroclastic
surges. Science. 217:637640
Newhall, C., Bronto, S., Alloway, B.V., Andrastuti, S., Banks, N.G., Bahar, I., Del
Marmol, M.A., Hadisantono, R.D., Holcomb, R.T., McGeehin, J. Miksic,

GeomatikaSARNasional(GeoSARNas)2011|91
 J.N. Rubin, M., Syudi, S.D., Sukhyar, R., Tilling, R.I., Torley, R., Trimble,
D., Wirakusumah, A.D., 2000. 10,000 Years of Explosive eruptions at
Merapi Volcano, Central Java: Archaeological and modern implications.
Journal of Volcanology and Geothermal Research. Vol. 100 (1-4):9-50.
Saucedo R, Mac as JL, Sheridan MF, Bursik MI, Komorowski JC. 2005.
Modelling of pyroclasticflows of Colima Volcano, Mexico: Application to
hazard assessment. J Volcanol Geotherm Res139:103115
Sheridan M, and Malin M. 1983. Application of computer-assisted mapping to
volcanic hazard evalu-ation of surge eruptions: Vulcano, Lipari. J Volcanol
Geotherm Res 17:187202.
Sheridan MF, Hubbard B, Carrasco-Nunez G, Siebe C. 2004. Pyroclastic Flow
Hazard at Volca nCitlalte petl. Natural Hazards 33:209221
Siebert, L. 1984. Large volcanic debris avalanches: Characteristics of source
areas, deposits and associated eruptions. J Volcanol Geotherm Res
22:163197
Shuttle Radar Topography Mission. SRTM_paper.pdf. www.jpl.nasa.gov/srtm/
Tandang Y. 2010. A Local Spatial Data Infracstructure to Support The Merapi
Volcanic Risk Management; A Case Study at Sleman Regency, Indonesia.
Thesis. UGM. International Institute For Geo-Information Scince and Earth
Observation.
Toyos, G. P., P.D. Cole, A. Felpeto, J. Mart. 2007. A GIS-based methodology
for hazard mapping of small volume pyroclastic density currents. Nat
Hazards (2007) 41:99112. Springer Science.
Wikanti, A. H. Noviar, Suwarsono. 2004. Pengembangan Metode Zonasi
Daerah Bahaya Letusan Gunung Api Studi Kasus Gunung Merapi. Jurnal
Penginderaan Jauh dan Pengolahan Data Citra Digital. Vol. 1. No.1. Juni
2004:66-75.
Wikipedia, 2011.

92|GeomatikaSARNasional(GeoSARNas)2011
 I
SAR,
DATA PROCESSING,
AND THE APPLICATION

Natural Resources
This page intentionally left blank
Pemantauan Wilayah Peri-Urban Dengan TerraSAR-X: Studi Kasus
Sidoarjo, Jawa Timur
1 2 1
Arif Nofyan Syah , Bambang H. Trisasongko , Hari Agung
1
Departemen Ilmu Komputer. Institut Pertanian Bogor. Bogor 16680.
2 Departemen Ilmu Tanah dan Sumberdaya Lahan. Institut Pertanian Bogor. Bogor 16680

Email:
arif.nofyan.syah@gmail.com

Abstrak. Peri-urban merupakan wilayah di sekitar batas formal perkotaan/urban.

Wilayah ini memiliki karakteristik antara lain perumahan yang terpencar, mengalami
tekanan urbanisasi, pertumbuhan penduduk yang cepat dan/atau perubahan pola
kehidupan yang komersil, serta sering mengakibatkan degradasi lingkungan. Pemantauan
pada wilayah ini penting untuk berbagai keperluan diantaranya adalah mengamati
konversi lahan pertanian. Tulisan ini menyajikan hasil penelitian penggunaan data
polarisasi ganda TerraSAR-X resolusi tinggi (mode Spotlight) untuk membedakan
berbagai jenis penutupan lahan di wilayah peri-urban Sidoarjo, Jawa Timur. Penelitian
ini dikhususkan untuk mempelajari kemampuan data TerraSAR-X dalam membedakan
penutupan lahan seperti tubuh-air, sawah, pemukiman, vegetasi berkayu, dan daerah
industri. Pendekatan yang dilakukan adalah berdasarkan rona citra SAR asli dan elemen
tekstural. Hasil penelitian menunjukkan kemampuan sensor TerraSAR-X dalam
membedakan penutupan lahan. Beberapa jenis penutupan lahan dapat dibedakan
dengan baik, namun demikian terdapat pula jenis penutupan lahan yang tidak dapat
dipisahkan secara statistik.

Katakunci: TerraSAR-X, rona, tekstur, peri-urban

Abstract. Peri-urban is developed in urban or metropolitan fringe. The area has

particular characteristics such as scattered settlements, slightly urbanized, fast
population growth and a tendency of environmental degradation. Monitoring in this area
is then required, especially to assess agricultural land conversion. This paper discusses
an application of dual-polarized TerraSAR-X Spotlight Mode to retrieve various land
cover in Sidoarjo, East Java. Specifically, the research studied discrimination among
water bodies, rice fields, settlements, woody vegetation and industrial parks at X-band.
The research compiled tonal and textural information from those land cover types and
fed those signatures into statistical analysis. The results suggested that TerraSAR-X has
capability to distinguish some land cover features; nonetheless, some objects could not
have specific tonal/textural signatures, making them hard to classify.

Keywords: TerraSAR-X, tone, texture, peri-urban

GeomatikaSARNasional(GeoSARNas)2011.|93
Pendahuluan
Wilayah Peri-Urban yang berkonotasi sebagai wilayah yang berada di sekitar
kota dapat diartikan juga sebagai wilayah Pra-Urban. Istilah ini mengandung
makna bahwa wilayah peri-urban merupakan wilayah batas antara perkotaan
dan pedesaan (Yunus 2008). Wilayah peri-urban ini dapat ditemukan di
pinggiran perkotaan seperti di Jakarta, Bogor, Surabaya, Bandung, dan kota-
kota besar lainnya. Menurut Yunus (2008), masyarakat di pedesaan kini mulai
enggan mempertahankan kehidupan agrarisnya. Mereka lebih tertarik pada pola
kehidupan modern yang lebih menitik beratkan pada wilayah industri dan jasa.
Akibatnya, arus urbanisasi dari desa ke kota tiap tahun semakin meningkat.
Urbanisasi dapat mendorong terbentuknya wilayah peri-urban. Wilayah ini
sesungguhnya sangat penting terhadap kehidupan penduduk di masa
mendatang, baik di desa maupun di kota.

Masalah penataan pemukiman menjadi hal yang seharusnya mendapat

perhatian khusus dari pemerintah. Jika tidak dipantau persebarannya,
pemukiman di wilayah peri-urban akan menjadi masalah baru. Persebaran
daerah hijau atau wilayah tangkapan air juga akan semakin berkurang.
Wilayah perairan juga harus mendapat perhatian, mengingat air adalah sumber
kehidupan. Oleh karena itu, pemantauan wilayah pemukiman, ruang terbuka
hijau dan wilyah perairan ini menjadi penting untuk daerah peri-urban.

Teknologi penginderaan jauh telah banyak dimanfaatkan untuk memetakan

suatu wilayah. Teknologi ini memanfaatkan wahana satelit untuk melakukan
pengambilan citra kenampakan bumi dari luar angkasa. Citra yang dihasilkan
dapat dimanfaatkan untuk berbagai keperluan pemantauan baik pada wilayah
urban maupun di wilayah perdesaan. Terdapat dua sistem pencitraan yang
paling banyak dimanfaatkan, yaitu sistem pasif (optik) dan sistem aktif
(Synthetic Aperture Radar).

Citra penginderaan jauh optik memiliki kekurangan bila diimplementasikan pada

wilayah tropika basah. Pengambilan citra oleh sensor ini hanya bisa dilakukan
ketika langit cerah. Jika terhalang awan, citra yang diharapkan belum dapat
diperoleh dalam rekaman tunggal. Oleh karena itu wilayah tropika basah seperti
Indonesia memerlukan mekanisme pemantauan satelit yang tidak terganggu
oleh adanya awan, yaitu satelit SAR (Synthetic Aperture Radar), diantaranya
adalah TerraSAR-X.

94|GeomatikaSARNasional(GeoSARNas)2011
Satelit TerraSAR-X merupakan salah satu satelit yang memanfaatkan sensor
gelombang elektromagnetik aktif dengan panjang gelombang yang cukup
panjang. Dengan kemampuan ini, satelit TerraSAR-X dapat mengambil citra
permukaan bumi meskipun terhalangi oleh awan. Telaah literatur menunjukan
bahwa data TerraSAR-X telah banyak dimanfaatkan untuk berbagai keperluan.
Rizal (2009) telah berhasil menggunakan data TerraSAR-X untuk memetakan
sawah baku pada kawasan berbukit di Kecamatan Nanggung, Kabupaten
Bogor, Provinsi Jawa Barat. Penelitian ini juga berhasil mengidentifikasi petakan
sawah dan mengestimasi luas sawah per-petak. Martinis et al. (2009)
menunjukkan bahwa TerraSAR-X juga dapat dimanfaatkan untuk deteksi banjir
pada tingkat near real time sehingga sangat bermanfaat untuk pemantauan
kejadian bencana alam. Aplikasi satelit ini pada bidang pemantauan lahan
basah juga telah dilakukan (Hong et al. 2010). Penelitian lain oleh Lisini et al.
(2008) telah melakukan pemetaan menggunakan data TerraSAR-X untuk
pemetaan wilayah urban (perkotaan). Pendekatan yang digunakan adalah
ekstraksi ciri spasial dan elemen tekstur pada data SAR asli dan berhasil
memetakan persebaran wilayah pemukiman, pepohonan, dan perairan.

Walaupun telah ditunjukan bahwa TerraSAR-X telah banyak dimanfaatkan

untuk wilayah urban dan rural, telaah pustaka menunjukkan bahwa belum
banyak penelitian diarahkan pada pemantauan daerah peri-urban. Mengingat
pentingnya wilayah ini, maka diperlukan penelitian tentang kapabilitas data
TerraSAR-X untuk tujuan tersebut. Tujuan penelitian ini adalah mengkaji
metodologi yang implementatif untuk memantau tutupan lahan di kawasan peri-
urban memanfaatkan data SAR resolusi tinggi TerraSAR-X.

Metode Penelitian
Pada penelitian ini, citra utama yang digunakan adalah data satelit TerraSAR-X
wilayah Sidoarjo, Jawa Timur. Modus pencitraan yang digunakan adalah
Spotlight dan diakuisisi tanggal 22 Desember 2007. Data TerraSAR-X yang
digunakan dalam penelitian ini merupakan citra polarisasi linier ganda, yaitu
polarisasi HH dan polarisasi VV.

Penelitian ini dimulai dengan membangun citra komposit dari dua band data
yang tersedia (Gambar 1). Selanjutnya citra dipotong sesuai dengan daerah
pengamatan. Untuk mengetahui penutupan lahan lebih detil pada daerah
pengamatan, penelitian ini juga memanfaatkan citra optik. Citra optik yang

GeomatikaSARNasional(GeoSARNas)2011|95
digunakan sebagai acuan diambil dari Google EarthTM. Berdasarkan
kenampakan objek pada citra optik, 6 kelas penutupan lahan ditetapkan secara
visual, yaitu sawah, tubuh air, pemukiman padat, pemukiman menengah,
vegetasi berkayu dan daerah industri. Proses pra-pengolahan dilanjutkan
dengan aplikasi filter mengingat citra TerraSAR-X mengandung derau (noise)
spekel. Derau spekel pada citra TerraSAR-X direduksi dengan Lee filtering
dengan ukuran kernel 5x5 piksel. Selanjutnya, citra hasil Lee filtering disebut
sebagai citra tone (berbasis rona).

Gambar 1. Citra TerraSAR-X (HH-VV) beserta lokasi

pengambilan contoh

Pada masing-masing kelas penggunaan lahan yang ditetapkan diambil

kumpulan piksel berbeda sebagai contoh untuk analisis citra. Jumlah piksel
yang digunakan untuk setiap kelas penggunaan lahan adalah 1500 piksel. Pada
penelitian ini, nilai Transformed Divergence (TD) digunakan untuk mengamati
keterpisahan antara dua kelas yang berbeda, yang dihitung dengan persamaan
sebagai berikut:

96|GeomatikaSARNasional(GeoSARNas)2011
dengan adalah nilai Transformed Divergence, adalah nilai rataan
vektor kelas ke-i, adalah nilai matriks koragam kelas ke-i, m adalah jumlah
kelas, tr adalah fungsi trace dalam aljabar matriks, T adalah fungsi transposisi
(Panuju et al. 2010).

Nilai TD berkisar antara 0 sampai dengan 2. Semakin mendekati nilai TD=2,

maka dua kelas tersebut semakin terpisah secara baik. Berdasarkan citra tone,
nilai TD dihitung untuk tiap pasangan kelas yang berbeda dan pada tiap
pasangan kelas tersebut akan diamati keterpisahannya. Pasangan kelas yang
memiliki nilai TD lebih besar dari 1.33 dianggap dapat terpisahkan secara baik;
diluar kategori tersebut dianggap belum dapat terpisahkan secara baik.
Semakin tinggi nilai TD akan mempertinggi tingkat keterpisahan dalam proses
klasifikasi numerik. Untuk pasangan kelas yang tidak dapat terpisahkan secara
baik, analisis dilanjutkan dengan pengamatan keterpisahan pasangan kelas
tersebut berbasiskan tekstur.

Analisis berbasiskan tekstur diharapkan dapat menyelesaikan masalah

pasangan kelas yang belum dapat terpisahkan hanya dengan citra berbasis
tone. Penelitian ini menggunakan pendekatan texture filtering untuk analisis
berbasiskan tekstur. Terdapat 4 macam filter tekstur yang diamati pada
penelitian ini, yaitu Data Range, Mean, Variance dan Entropy. Data Range
adalah selisih antara nilai piksel terbesar dengan nilai piksel terkecil dalam
kumpulan nilai piksel tertentu. Mean adalah rataan dari kumpulan nilai piksel
yang diamati. Variance adalah ukuran penyebaran nilai, yaitu seberapa jauh
suatu nilai piksel berada terhadap rataan dari kumpulan nilai piksel. Sedangkan,
entropy adalah ukuran sebaran peluang, yaitu sebuah ukuran atau variasi atau
keragaman yang didefinisikan pada distribusi probabilitas kejadian yang diamati.

Semua filter dihitung dalam lingkup area lokal menerapkan strategi convolution
kernel. Proses konvolusi diilustrasikan pada Gambar 2. Ukuran kernel filter
tekstur yang diamati pada penelitian ini adalah sebesar 3x3, 5x5, 7x7, 9x9,

GeomatikaSARNasional(GeoSARNas)2011|97
11x11, 13x13 dan 15x15 piksel. Hal ini dilakukan untuk mengamati kemampuan
tiap filter tekstur dalam berbagai ukuran kernel untuk menyelesaikan masalah
keterpisahan pasangan kelas.

(a)(b)

Gambar 2. Proses konvolusi dengan kernel 3x3 piksel. (a) citra awal (b) citra hasil konvolusi

Tiap pasangan kelas yang tidak dapat terpisahkan dengan citra tone, nilai TD
dihitung kembali untuk setiap citra tekstur yang tersedia dan untuk setiap ukuran
kernel. Nilai TD tiap citra tekstur diplot pada grafik pasangan kelas terhadap
ukuran kernel. Hal ini dilakukan untuk mengamati kemampuan tiap filter tekstur
dalam memisahkan pasangan kelas. Filter tekstur dianggap sebagai descriptor
yang mampu memisahkan pasangan kelas jika memiliki nilai TD lebih besar dari
1.33. Filter tekstur yang baik juga ditunjukan dengan grafik yang memiliki pola
tertentu yang stabil dan tidak berfluktuasi.

Hasil dan Pembahasan

Kabupaten Sidoarjo merupakan daerah peri-urban bagi Metropolitan Surabaya.
Berdasarkan kenampakan objek yang diamati dari citra Google EarthTM, daerah
ini memiliki persebaran pemukiman yang cukup merata. Pada daerah ini, sawah
dapat dijumpai di banyak wilayah dalam kesatuan yang cukup besar. Vegetasi
berkayu pada daerah ini sangat minim dijumpai, umumnya dalam bentuk kebun
campuran dan vegetasi mangrove di wilayah timur. Wilayah perairan (tubuh air,
tambak) banyak dijumpai di bagian timur. Sedangkan, di bagian utara dari
Kabupaten Sidoarjo dapat dijumpai daerah industri yang juga berdekatan
dengan pemukiman. Daerah contoh untuk masing-masing kelas penggunaan
lahan disajikan pada Gambar 3.

98|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 3. Daerah contoh tiap kelas untuk data latih

Pada gambar diatas, beberapa kelas penutupan lahan dapat dibedakan secara
visual, misalnya kelas tubuh air dengan kelas pemukiman padat, kelas sawah
dengan kelas industri, serta pemukiman menengah dengan vegetasi berkayu.
Namun, terdapat kelas yang secara visual memiliki kemiripan, misalnya kelas
industri dengan kelas pemukiman padat.

Percobaan pertama adalah dengan mencoba untuk memisahkan satu kelas

dengan kelas lainnya berdasarkan citra tone (cira berbasis rona) dengan hanya
memanfaatkan dua polarisasi linier (HH dan VV). Setiap satu kelas akan
dipasangkan dengan satu kelas lainnya dan akan diamati keterpisahannya.
Pada penelitian ini, terdapat 6 kelas penutupan lahan sehingga terdapat 15
pasangan kelas. Hasil perhitungan nilai TD pada pasangan kelas yang diamati
disajikan pada tabel berikut.

Tabel 1. Hasil analisis Transformed Divergence (TD) berdasarkan citra tone

KELAS Industri Pmkn padat Pmkn menengah Sawah Tubuh air Veg kayu
Industri x 0.03296263 0.57146459 1.99778869 2.00000000 1.90175623
Pmkn padat x x 0.57771974 1.99887080 2.00000000 1.94303835
Pmkn menengah x x x 1.61183444 2.00000000 0.95384246
Sawah x x x x 1.99999648 0.23985068
Tubuh air x x x x x 1.99999997
Veg kayu x x x x x x

Dari tabel di atas, terdapat 5 pasangan kelas yang memiliki nilai TD kurang dari
1.33. Pasangan kelas tersebut tidak dapat terpisahkan secara baik dengan
menggunakan citra tone yaitu industri dengan pemukiman padat, industri
dengan pemukiman menengah, pemukiman padat dengan pemukiman
menengah, pemukiman menengah dengan vegetasi berkayu, dan sawah

GeomatikaSARNasional(GeoSARNas)2011|99
dengan vegetasi berkayu. Untuk 5 pasangan kelas ini, analisis lanjutan
diperlukan untuk menyelesaikan masalah keterpisahannya. Pasangan kelas
lainnya yang memiliki nilai TD lebih besar dari 1.33 diharapkan dapat
diklasifikasikan langsung berdasarkan citra tone dengan akurasi harapan yang
cukup baik.

Penelitian ini mengusulkan metode texture filtering untuk menyelesaikan

masalah keterpisahan kelas yang tidak mampu diselesaikan hanya dengan
berbasiskan citra tone. Terdapat 4 filter tekstur yang dicobakan dalam penelitian
ini, yaitu Data Range, Mean, Variance dan Entropy. Penelitian ini juga
menambahkan 7 variasi ukuran kernel untuk tiap filter tekstur, yaitu 3x3 piksel,
5x5 piksel, 7x7 piksel, 9x9 piksel, 11x11 piksel, 13x13 piksel dan 15x15 piksel.
Variasi ukuran kernel ini dapat digunakan untuk menilai sensitifitas dari suatu
filter tekstur. Citra tone diubah ke dalam masing-masing ruang tekstur untuk tiap
ukuran kernel.

Untuk setiap filter tekstur, nilai TD dari daerah contoh kembali dihitung untuk 5
pasangan kelas yang belum dapat terpisahkan secara baik. Nilai TD untuk
semua ukuran kernel juga dihitung untuk 5 pasangan kelas tersebut. Hasil
perhitungan nilai TD untuk setiap pasangan kelas tersebut diplot ke dalam grafik
hubungan antara filter tekstur dengan ukuran kernelnya. Dengan demikian
terdapat 5 grafik hubungan antara filter tekstur dengan ukuran kernelnya. Grafik
nilai TD untuk setiap pasangan kelas tersebut disajikan pada Gambar 4-8
berikut.

Gambar 4. Nilai TD pasangan kelas industri dengan pemukiman padat berdasarkan citra tekstur

Pada gambar diatas, kelas industri dengan kelas pemukiman padat memiliki
nilai TD kurang dari 0.8 untuk setiap filter tekstur dan untuk setiap ukuran

100|GeomatikaSARNasional(GeoSARNas)2011
kernel. Hal ini menunjukan bahwa kelas industri dengan kelas pemukiman padat
tidak dapat terpisahkan secara baik dengan berdasarkan citra tekstur. Hal ini
akan mengakibatkan proses klasifikasi untuk memisahkan kelas industri dengan
pemukiman padat akan memiliki akurasi rendah. Hasil ini memberikan informasi
bahwa dengan citra TerraSAR-X, analisis berbasis citra tone dan analisis
berbasis citra tekstur tidak disarankan untuk menyelesaikan keterpisahan antara
kelas industri dengan kelas pemukiman padat.

Kelas industri dengan kelas pemukiman menengah memiliki nilai TD lebih besar
dari 1.33 pada beberapa filter tekstur (Gambar 5). Dengan filter tekstur variance
atau mean dengan ukuran kernel lebih besar dari 7x7 piksel, kedua kelas ini
dapat terpisahkan dengan baik. Filter tekstur entropy hanya dapat memberikan
keterpisahan yang baik dengan ukuran kernel 15x15 piksel. Sedangkan, filter
data range tidak dapat memberikan keterpisahan yang baik pada berbagai
ukuran kernel yang dicobakan. Hal ini memberikan informasi bahwa filter tekstur
variance atau mean dengan ukuran kernel lebih dari 7x7 piksel dapat
disarankan untuk memisahkan kelas industri dengan kelas pemukiman
menengah.

Grafik nilai TD pasangan kelas pemukiman padat dengan pemukiman

menengah menyerupai kenampakan grafik pasangan kelas industri dengan
pemukiman (Gambar 6). Dengan demikian analisis juga mengindikasikan hal
yang sama bahwa filter tekstur variance atau mean dengan ukuran kernel lebih
dari 7x7 piksel dapat disarankan untuk memisahkan kelas pemukiman padat
dengan pemukiman menengah.

Gambar 7 menunjukan bahwa filter tekstur data range dan variance dapat
memisahkan kelas pemukiman menengah dengan vegetasi berkayu secara
baik. Filter tekstur mean dengan ukuran kernel lebih dari 9x9 piksel juga dapat
memisahkan kedua kelas tersebut secara baik. Namun, filter tekstur entropy
tidak mampu menyelesaikan keterpisahan kedua kelas tersebut. Hal ini
memberikan informasi bahwa untuk memisahkan kelas pemukiman menengah
dengan vegetasi berkayu dapat disarankan menggunakan filter tekstur data
range atau variance.

GeomatikaSARNasional(GeoSARNas)2011|101
Gambar 5. Variasi nilai TD pasangan kelas industri dengan pemukiman menengah berdasarkan citra
tekstur

Gambar 6. Peningkatan nilai TD pasangan kelas pemukiman padat dengan pemukiman menengah
berdasarkan citra tekstur

Gambar 7. Nilai TD pasangan kelas pemukiman menengah dengan vegetasi berkayu berdasarkan
citra tekstur

102|GeomatikaSARNasional(GeoSARNas)2011
Kelas sawah dengan kelas vegetasi berkayu memiliki grafik nilai TD yang
bervariasi. Hal ini dapat disimpulkan dari Gambar 8. Filter variance dapat
menyelesaikan masalah keterpisahan kedua kelas ini dengan ukuran kernel
lebih dari 7x7 piksel. Filter data range dengan ukuran kernel 5x5 piksel memiliki
nilai TD sebesar 2. Namun, filter data range dengan ukuran kernel 11x11 piksel
memiliki nilai TD sebesar 0.3. Hal ini menunjukan bahwa filter data range
memiliki grafik yang fluktuatif, sehingga tidak disarankan untuk menyelesaikan
keterpisahan kedua kelas ini. Sedangkan filter mean dan entropy tidak mampu
menyelesaikan keterpisahan kedua kelas ini, sebab nilai TD untuk kedua filter
ini pada semua ukuran kernel lebih kecil dari 1.33.

Gambar 8. Fluktuasi nilai TD pasangan kelas sawah dengan vegetasi berkayu berdasarkan citra
tekstur

Kesimpulan
Berdasarkan hasil penelitian dapat disimpulkan bahwa data TerraSAR-X dua
polarisasi linier (HH dan VV) mampu membedakan penutupan lahan secara
baik. Dengan menggunakan citra tone (citra berbasis rona) dan citra berbasis
tekstur berbagai penutupan lahan dapat dibedakan dengan baik. Terdapat 6
kelas penutupan lahan yang diamati dengan cara saling dipasangkan dan
dianalisis keterpisahannya, yaitu sawah, pemukiman padat, pemukiman
menengah, tubuh air, vegetasi berkayu dan daerah industri. Sebanyak 4
pasangan kelas penutupan lahan yang tidak terpisahkan dengan baik pada citra
tone, dapat terpisahkan dengan baik menggunakan citra berbasis tekstur, yaitu
industri dengan pemukiman menengah, pemukiman padat dengan pemukiman
menengah, pemukiman menengah dengan vegetasi berkayu, dan sawah

GeomatikaSARNasional(GeoSARNas)2011|103
dengan vegetasi berkayu. Namun demikian, kelas industri dengan kelas
pemukiman padat belum dapat terpisahkan dengan baik secara numerik
menggunakan citra rona maupun citra tekstur. Sedangkan, semua pasangan
lainnya dapat terpisahkan dengan baik hanya dengan citra rona.

Daftar Pustaka
Hong SH, Wdowinski S, Kim SW. 2010. Evaluation of TerraSAR-X observations
for wetland InSAR application. IEEE Transactions on Geoscience and
Remote Sensing 48(2), 864-873
Lisini G, Acqua D, Gamba P. 2008. Rapid Land Mapping by TerraSAR-X VHR
Data. International Geoscience and Remote Sensing Symposium. Volume
II: halaman 383.
Martinis S, Twele A, Voigt S. 2009. Towards operational near real-time flood
detection using a split-based automatic thresholding procedure on high
resolution TerraSAR-X data. Natural Hazards and Earth System Sciences
9, 303-314
Panuju DR, Iman LS, Trisasongko BH, Barus B, Shiddiq D. 2010. Simulasi Data
Losat untuk Pemantauan Pesisir. Satelit Mikro untuk Mitigasi Bencana dan
Ketahanan Pangan. Bogor: IPB Press.
Putra D. 2010. Pengolahan Citra Digital. Yogyakarta: Andi Offset.
Rizal S. 2009. Pemetaan Sawah Baku Kawasan Berbukit dengan Citra
Quickbird Dan TerraSAR-X [Skripsi]. Bogor: Institut Pertanian Bogor.
Yunus H S. 2008. Dinamika Wilayah Peri-Urban; Determinasi Masa Depan
Kota. Yogyakarta: Pustaka Pelajar Yogyakarta.

104|GeomatikaSARNasional(GeoSARNas)2011
 Height Accuracies of SRTM and G-DEM on Various Land Cover
Types: a Case of Cimadur Watershed, Banten

Reyna Prachmayandini, Bambang H. Trisasongko, Suria Darma Tarigan, Boedi

Tjahjono, Kukuh Murtilaksono
Departemen Ilmu Tanah dan Sumberdaya Lahan, Institut Pertanian Bogor. Jalan Meranti.
Kampus IPB Dramaga. Bogor 16680.

Email:
reyna.prachmayandini@yahoo.com

Abstract. Digital Elevation Model (DEM) represents topography of earth surface in three
dimensional space. DEM is structured in raster data format where each pixel denotes
earth surface elevation. DEM can be derived from various sources, including contour
maps, satellite data using interferometry (such as SRTM), or stereo techniques. DEM
data are required for various studies, such as geomorphology, hydrology, etc. In this
study, height accuracies of SRTM 90 m and G-DEM are reviewed on various land covers
with a case study in southern Banten area. Observed land covers were forest, open land,
shrubs, fields, rice field, and settlement. Reference data were obtained from height
points of the Indonesian Topography Map (Peta Rupa Bumi Indonesia) at 1:25.000 scale.
The analysis comprised of height comparison between DEM SRTM 90 m, G-DEM, and
Indonesian Topography Map. In addition, Kriging was used to assess both DEM data.
Kriging was employed to derive base heights for SRTM and G-DEM especially in areas
where no points on Indonesian Topography Map were observed. Analysis showed that
diversity in height DEM should be acknowledged, in particular if different types of land
cover are considered. The different types of land cover in the study areas contributed to
measurement error contained in the DEM data; this should be taken into account by DEM
users.

Keywords: SRTM, G-DEM, Cimadur watershed

GeomatikaSARNasional(GeoSARNas)2011.|105
Introduction
Digital Elevation Model (DEM) is a model describing earths surface topography
in three dimensional space. DEM data are usually represented in raster data
format which has surface elevation value for each pixel. DEM can be derived
from various sources, including contour map, satellite data with SAR
interferometry technique (such as SRTM), or stereo configuration. Therefore,
accuracy and precision of DEM data depends on DEM sources. Despite its
complexity, DEM data are required by many applications includeing
geomorphological analysis, hydrology, and geomatics.

SRTM (Shuttle Radar Topography Mission) is kind of DEM data that has been
analyzed throughout the world. SRTM was an international project developed by
National Geospatial-Intelligence Agency (NGA) and National Aeronautics and
Space Administration (NASA) with some contributions from Germany and Italy.
SRTM employed Interferometric Synthetic Aperture Radar (InSAR) method and
0 0
successfully mapped nearly 80% of the earths surface in 60 N 56 S with
90x90 meter spatial sampling.

SRTM data could be acquired from CGIAR (Consultative Group for International
Agricultural Research), managed by Consortium for Spatial Information (CGIAR-
CSI). CGIAR has managed 3 arc second SRTM data. However, the data contain
regions of no-data, specifically over water bodies (lakes and rivers), and in
areas where textural detail was insufficient in the original radar images to
produce three-dimensional elevation data (Colosimo et al., 2009). Previous
research (Jarvis et al., 2004) found that the average vertical error of SRTM was
only about 5 meter (with interpolation) when compared to DEM derived from
topographic map.

In addition to SRTM, another widely used DEM that has been ASTER
(Advanced Spaceborne Thermal Emission and Reflection Radiometer) G-DEM
(Global Digital Elevation Model). ASTER G-DEM data mere built by the Ministry
of Economy, Trade, and Industry (METI) of Japan and United States National
Aeronautics and Space Administration (NASA). ASTER G-DEM is the first
global DEM with 30 meter resolution. G-DEM processed using the stereo
correlating technique using about 1.3 millions ASTER optical images covering
th
98% earth surface area. GDEM released in June 29 2009 and become the

106|GeomatikaSARNasional(GeoSARNas)2011
most detailed global GIS layer that can be accessed by public (Hengl et al.,
2011).

SRTM and G-DEM cDEMs have been widely developed in various scientific
applications because of their easy access and detailed resolution on large scale
area (>80% earth surface area). DEM data are paramount in many applications,
particularly related to Earth surface observation. Hence, high resolution DEM
data are generally preferable. Nonetheless, vegetation and landform might
affect on the accuracy. The influence of vegetation is related to the earths
surface height measurement canopy, meanwhile area under canopy soil surface
are generally not observable. Therefore, DEM data requires rigorous
examination on their accuracy, especially in areas biased by woody vegetation.

Kustiyo et al.(2005) showed that height accuracy level of SRTM depends on

land cover, where the forest has the lowest accuracy. In the other hand,
fishpond and rice field has the highest accuracy measurement. Generally, the
level of measurement error for SRTM is under 20 meters.

In this study, height accuracy analysis of SRTM and G-DEM is reviewed on

various land cover with a case study in Cimadur watershed, Banten. Observed
land cover were forest, bare land, upland fields, shrubs, rice fields, and
settlement. Reference data were obtained from height point of Indonesian
Topography Map in 1:25.000 scale.

Methodology
Data and Test Site
This study employed some data sets, including SRTM 90 m, G-DEM 30 m,
Landuse map, and Indonesian Topography Map at 1:25.000 scale as a
reference. SRTM were downloaded from site http://srtm.csi.cgiar.org. These
th
SRTM data are the 4 version of SRTM that have been processed and
mozaiced by CGIAR with 50 scene grids. GDEM 30 m data were downloaded
through this site http://gdem.aster.ersdac.or.jp.

Indonesian Topography Map at 1:25.000 scale from Bakosurtanal used as the

map reference. Height information containeed in Indonesian Topography Map
provided spot heights with reference location which were used in comparison
with DEM data.

GeomatikaSARNasional(GeoSARNas)2011|107
The research was located on Cimadur watershed Lebak Regency, Banten (Fig
1). The Cimadur watershed is important to some Baduy tribes who are settled in
the fringes of the Gunung Halimun-Salak National Park. Baduy tribes are well-
known societies who strive to preserve natural environment and generally
practicing organic farming.

Methods
Boundary map of Cimadur watershed was deliniated manually based on contour
information of Indonesian Topography Map. Watershed boundary was created
by considering landforms of areas interpreted from contour map and field
information in some areas. In addition, main rivers and stream networks in
Cimadur also played a role in the deliniation.

Gambar 1. Site Location

During the field works, several land use types in were observed, including forest,
shrubs, rice field, upland field, settlement, and bare land. Land cover map was
interpreted manually using Google Earth and ALOS AVNIR-2 data set. Google
Earth image which has better resolution, was used to observe land use classes
in the area which is fairly complex, especially in the downstream. Meanwhile, in
cloud covered areas, AVNIR-2 used as a complementing imagery which allowed
constructing a full coverage land use map.

108|GeomatikaSARNasional(GeoSARNas)2011
Observations were made on each landuse type using 2 spatially different sites
to account diversity of the area. In each location, a sample comprised of 5x5
pixel (or 25 points of height) was taken. Therefore, each landuse type was
represented by 50 points. Selection of these points was guided by spot height
information of Indonesia Topography Map. At these points, SRTM and G-DEM
estimated height were extracted and exported into a textfil. Statistical analysis of
the textfile was implemented using a spreadsheet software.

Results And Discussion

Cimadur watershed has a distinct topography. In the northern part, mountainous
topography dominates. Southern Cimadur has low relief area, where ricefields
were observed. Variety of terrain features and land use make the watershed
suitable as a test case in this research. Figure 2 presents land use map of the
watershed.

Gambar 2. Land use map derived from Google Earth and ALOS AVNIR-2

GeomatikaSARNasional(GeoSARNas)2011|109
Analysis of SRTM data indicates an agreement between height estimation from
InSAR and reference points, as presented in Figure 3. However, as the figure
suggests, SRTM produced better height accuracy when applied to the area with
low elevation relief. This is demonstrated by sample point distribution of rice field
and settlement that closely follow the y = x line. On undulating or mountainous
areas, height accuracy of SRTM tends to decrease. Height estimation on upland
fields and forested areas is slightly lower than the reference. A combined terrain
and vegetation height might cause the problem in this area. Forest was
dominated with large trees, including Dipterocarps, while some upland fields in
mountainous terrain were planted with Sengon (Albazia falcataria).

Gambar 3. Comparison between SRTM and reference height on selected locations.

Comparing SRTM and G-DEM (Figure 3 and 4) indicates that both DEM
datasets produced reliable height estimation on lowlands, up to around 700
meters. However, on the highlands where forest dominates, G-DEM delivered a
slightly better estimate than SRTM.

110|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 4. Assessment of G-DEM data based on reference points.

The research suggests that on a higher ground, G-DEM might offer a better
result than SRTM. Another consideration that makes G-DEM also preferable is
the spatial resolution. G-DEM data have a better spatial resolution than SRTM,
making them suitable to remote areas with less accurate topographic map.
However, the nature of optical dataset which derive the G-DEM data limits their
applications in Indonesia or other tropical countries.

Conclusion
Height accuracy analysis of DEM is caused by several factors, such as the
topography, various vegetation/land use types, resolution, and internal error that
may occur in the production of DEM data. In our test site, both SRTM and G-
DEM performed excellently using topographic map as a reference. However, in
undulating to mountainous areas, SRTM delivered a slightly lower accuracy than
G-DEM. Both DEM datasets are somewhat reliable on low elevation areas. This
research suggests that users are required to know general condition of research
area before select particular DEM data. Nonetheless, the conclution requires
further explorations on other locations with diversity of landscapes. This would
ensure a proper use of global available DEM datasets to assist natural
resources and environmental monitoring or modeling.

Acknowledgments
This research was partially funded by The Osaka Gas Foundation through
Institute for Environmental Research (PPLH), Bogor Agricultural University

GeomatikaSARNasional(GeoSARNas)2011|111
References

Colosimo G, Crespi M, Venedictis LDE, Jacobsen K. 2009. Accuracy Evaluation

of SRTM and ASTER DSMs. The 29th EARSeL Symposium, June 17th
2009.
Hengl T, Reuter HI. 2011. How Accurate and Usable is GDEM? A Statistical
Assessment of GDEM using LiDAR data. In Geomorphometry 2011, T
Hengl, IS Evans, JP Wilson, M Gould (Eds). 45-48. Redlands, CA.
Jarvis A, Rubiano J, Nelson A, Farrow A, Mulligan M. (2004). Practical use of
SRTM data in the tropicscomparisons with digital elevation models
generated from cartographic data. Working Document, Vol. 198. Centro
Internacional de Agricultura Tropical (CIAT), 32 pp.
Kustiyo, Manalu Y, Pramono SH. 2005. Analisis Ketelitian Ketinggian Data DEM
SRTM. Pertemuan Ilmiah Tahunan MAPIN XIV. ITS-Surabaya, 14-15
September 2005.

112|GeomatikaSARNasional(GeoSARNas)2011
 Analysis of DEM Fusion Method for Improving DEM Quality

Bambang Trisakti, Atriyon Julzarika and Ahmad Sutanto

Remote Sensing Application Center, LAPAN.

E-mail:
btris01@yahoo.com

Abstract. It is common to use DEM SRTM (Shuttle Radar Topography Mission) and DEM
generated from topography map (DEM topo) for supporting many activities, such as:
data correction, creating slope and aspect, and disaster mitigation, because those DEMs
are easy to be obtained. Both DEMs have advantage and disadvantage points, for
instance: even DEM SRTM has low resolution (spatial 90 m), it has height information in
each area square (pixel). Otherwise DEM topo has detail height information in terrain
area (dense contour interval) but less height information in relatively flat area (Coarse
contour interval). The aim of the research is to analyse the DEM fusion method for
improving the quality of DEM by combining the advantages and reducing the
disadvantages of DEM SRTM and DEM topo. First, both DEMs are preprocessed by geoid
correction (EGM 2008), co-registration and histogram normalization. Then, the DEMs are
fused by considering height error map, where the height error map is standard deviation
between the height value and the ideal model value of each DEM pixel. The quality of
generated DEM is evaluated by comparing the height error map before and after fusion
process. The result shows that the new DEM from the fusion method has low height error
map and detail height information comparing to the original DEMs.

Keywords: DEM SRTM, DEM topo, DEM fusion, Height error map

Abstrak. DEM SRTM dan DEM dari peta topografi (DEM topo) merupakan data DEM yang
paling umum digunakan untuk mendukung berbagai kegiatan, seperti: koreksi data,
pembuatan informasi slope/aspek dan mitigasi bencana, karena data DEM tersebut
mudah diperoleh dibandingkan data DEM lainnya. Tetapi DEM SRTM dan DEM topo
mempunyai kekurangan dan kelebihan masing-masing, sebagai contoh: DEM SRTM
mempunyai resolusi spasial global (90 m) tetapi mempunyai informasi ketinggian pada
setiap luasan wilayah (piksel), sedangkan DEM topo mempunyai informasi ketinggian
yang rapat dan detil di daerah berterrain tetapi kurang informasi ketinggian di daerah
yang relatif datar. Tujuan dari kegiatan ini adalah melakukan analisis metode DEM
fusion untuk meningkatkan kualitas DEM dengan cara menggabungkan kelebihan dan
menghilangkan kekurangan dari data DEM SRTM dan DEM topo. Pertama, kedua DEM
dikoreksi ke model geoid EGM 2008, melakukan registrasi antar DEM dan normalisasi

GeomatikaSARNasional(GeoSARNas)2011.|113
histogram. Selanjutnya, kedua DEM difusi dengan mempertimbangkan height error map,
dimana height error map adalah standard deviasi antara nilai ketinggian pada setiap
piksel DEM dengan nilai ketinggian dari model ideal berbasis data kontur. Kualitas dari
DEM fusi yang dihasilkan di evaluasi dengan membandingkan height error map sebelum
dan sesudah proses fusi dilakukan. Hasil memperlihatkan bahwa DEM fusi mempunyai
height error map yang lebih rendah dan informasi ketinggian yang lebih detil dari DEM
sebelumnya.

Katakunci: DEM SRTM, DEM topo, DEM fusi, Height error map

Pendahuluan
Digital Elevation Model (DEM) adalah model digital dari ketinggian (topografi)
suatu wilayah permukaan bumi, setiap pikselnya mempunyai informasi titik
koordinat (XY) dan ketinggian (Z). Pembuatan DEM dapat dilakukan dengan
metode Interpolasi titik tinggi (dari peta topografi atau hasil pengukuran
lapangan), dan menghitung ketinggian secara langsung berbasis citra stereo
optik atau Synthetic Aparture Radar (SAR) (Trisakti et al., 2006). DEM
merupakan data utama yang digunakan untuk mendukung berbagai kegiatan,
mulai dari pengolahan data standar yang meliputi koreksi data, pemetaan
wilayah, mitigasi bencana dan perencanaan tata ruang wilayah.

Saat ini, Data DEM yang umum digunakan dan mudah diperoleh adalah data
DEM yang berasal peta topografi dan DEM Shutlle Radar Topography Mission
(SRTM). Masing-masing DEM tersebut memiliki kelebihan dan kekurangan yang
berbeda-beda yang terkait dengan kedetilan informasi, tingkat akurasi data,
cakupan perekaman data, dan hal-hal lainnya. Sebagai contoh data DEM SRTM
memiliki akurasi vertikal yang baik (Dapat dilihat pada Tabel 1) tapi mempunyai
resolusi spasial yang tidak terlalu tinggi (30 m untuk X band dan 90 m untuk C
band). Data DEM SRTM X band dengan resolusi spasial 30 m memiliki tingkat
akurasi mencapai 3 m tetapi tidak mencover seluruh wilayah Indonesia (Keydel
et al., 2000) seperti diperlihatkan pada Gambar 1, selain itu data DEM berbasis
Interferometry SAR (InSAR) sering memiliki error yang disebabkan oleh layover,
shadow dan atmosferic effect (temporal decorrelation) (Karkee et al., 2006).

114|GeomatikaSARNasional(GeoSARNas)2011
 Table 1. Akurasi DEM SRTM dan DEM dari stereo PRISM ALOS
Tahun Sensor satelit Referensi Akurasi (m)
2005 SRTM X- band Gesch D. 35m
2006 SRTM X band Yastikh et al. 5.6
2006 SRTM C band Yastikh et al. 9.6 m
Peta topografi merupakan produk yang umum digunakan karena terdiri dari
berbagai skala, tetapi saat ini skala yang detil (1:25.000 atau 1:50.000) tidak
mengkover seluruh wilayah. Selain itu beberapa peta topografi yang dibuat
dengan metode photogrametry airborne mempunyai data hilang (missing) yang
diakibatkan adanya tutupan awan saat perekaman. Dan yang paling krusial
adalah kontur ketinggian kurang rapat di wilayah datar sehingga mengakibatkan
hilangnya informasi topografi antara 2 garis kontur pada wilayah datar. Gambar
2 memperlihatkan contoh DEM wilayah Aceh yang dibuat dengan melakukan
interpolasi (metode spline) terhadap kontur dari Peta Rupa Bumi skala 1:50.000,
terlihat bahwa tidak adanya informasi ketinggian antara garis kontur 0 dan 25 m
di wilayah pesisir Banda Aceh mengakibatkan ketinggian pada DEM yang
dihasilkan tidak menggambarkan kondisi sebenarnya.

Gambar 1. Cakupan perekaman data SRTM X band untuk

wilayah Indonesia bagian barat.

GeomatikaSARNasional(GeoSARNas)2011|115
 Gambar 2. DEM wilayah Aceh dari hasil interpolasi kontur Peta Rupa Bumi skala 1:50.000

Dewasa ini, kebutuhan data DEM yang akurat semakin meningkat untuk
penyiapan data standar (koreksi orthorektifikasi dan radiometrik), pemetaan
topografi wilayah skala menengah (Provinsi dan kabupaten) atau besar
(kecamatan dan kelurahan). Oleh karena itu, perlu dilakukan kajian untuk
menggabungkan kelebihan-kelebihan setiap data DEM dan menghilangkan
kekurangannya, sehingga dihasilkan data DEM yang lebih baik dari data DEM
pembentuknya. Hoja et al. (2006) mengatakan bahwa penggabungan antara
data DEM SPOT 5 dan SRTM dapat mengurangi bull eyes (error lokal)
sehingga meningkatkan akurasi dari DEM yang dihasilkan. Beberapa metode
penggabungan DEM yang telah dilakukan adalah metode DEM integration,
DEM fusion (Hoja and dAngelo, 2010), dan metode Spatial Fequency Domain
menggunakan Fast Fourier Transform (FFT) (Honikel (1998); Karkee et al.(
2006)).

Kegiatan ini bertujuan untuk mengembangkan metode penggabungan data

DEM yang berbeda (DEM dari peta topografi dan DEM SRTM) untuk
mendapatkan DEM dengan kedetilan informasi dan tingkat akurasi yang lebih
baik dibandingkan DEM awal, selanjutnya tingkat akurasi dari DEM yang
dihasilkan dievaluasi dengan menggunakan perubahan Height Error Map
sebelum dan sesudah penggabungan.

116|GeomatikaSARNasional(GeoSARNas)2011
Metodologi
Lokasi dan Data
Lokasi kajian diperlihatkan pada Gambar 3, yang terdiri dari 3 lokasi yaitu:
Kabupaten Enrekang dan sekitarnya di Provinsi Sulawesi Selatan dengan
ketinggian wilayah berkisar dari 0 2000 m. Pemilihan lokasi-lokasi tersebut
dilakukan dengan pertimbangan: Wilayah-wilayah ini mempunyai kondisi
topografi yang bervariasi sehingga dapat mewakili lingkungan bertopografi
rendah sampai lingkungan bertopografi tinggi.

Gambar 3. Lokasi kajian pembuatan DEM (Wilayah Enrekang)

Data-data yang digunakan adalah Data SRTM C (resolusi 90 m) band untuk

wilayah Enrekang dan Peta topografi 1 : 50.000 (Peta Rupa Bumi) untuk
wilayah Enrekang

Metode Penelitian
Tahapan penelitian secara keseluruhan dibagi menjadi 3 tahapan, yaitu:

1. Penyiapan data DEM yang akan digabung, yang meliputi:

Pembuatan DEM

Standarisasi Model Elipsoid-Geoid 2008

Co-registrasi dan koreksi ketinggian

2. Penggabungan data DEM, yang meliputi:

GeomatikaSARNasional(GeoSARNas)2011|117
 Pembuatan Height Error Map

Penggabungan layer

Fusi data

3. Verifikasi hasil penggabungan data DEM dengan menggunakan Height error

map sebelum dan sesudah fusi data.

Pembuatan DEM berbasis peta topografi (Peta Rupa Bumi) dilakukan dengan
merubah kontur ketinggian menjadi titik tinggi, yang selanjutnya dilakukan
interpolasi dengan menggunakan metode Krigging dengan semivariogram
quadratik dan normalisasi dengan model linear. Krigging digunakan karena
pengacu hasil penelitian sebelumnya (Trisakti et al., 2010) dimana DEM
gabungan yang dibuat dengan Krigging (Co-Krigging) mempunyai tingkat
akurasi vertikal yang paling baik dibandingkan beberapa model lain yang
digunakan pada penelitian tersebut.

Standarisasi model elipsoid-geoid diperlukan untuk menyamakan titik acuan dari

seluruh DEM yang akan digabung. Pada umumnya model geoid yang
digunakan saat ini adalah model elipsoid-geoid 1996 (EGM 96), tetapi model ini
diperbaharui dengan model elipsoid-geoid 2008 (EGM 2008). Konversi ke EGM
2008 dilakukan dengan menggunakan Persamaan (1).

DEM (EGM 2008) = DEM (EGM 96) + EGM 96 - EGM 2008 ......................................................(1)

DEM yang akan digabung harus mempunyai proyeksi dan ketepatan lokasi
yang sama sehingga dapat bergabung dengan baik, untuk itu dilakukan co-
registrasi. Co-registrasi DEM dilakukan dengan mengacu pada DEM yang
diasumsikan mempunyai koordinat terbaik. Pada proses ini DEM SRTM di
koreksi dengan mengacu kepada peta topografi. Metode koreksi adalah mencari
titik kontrol pada objek dengan kenampakan sama di kedua DEM
(menggunakan penampakan 3D dengan sudut matahari dan azimut yang
sama). Titik kontrol sekitar 10 titik kontrol yang terletak menyebar di seluruh
wilayah, kemudian melakukan koreksi dengan model transformasi linear dan
model resampling Nearest Neighbor.

Selanjutnya, koreksi ketinggian dilakukan untuk menyamakan range ketinggian

antara 2 DEM, yaitu dengan menggunakan Persamaan (2), yaitu menggunakan
nilai rata-rata dan standar deviasi dari kedua DEM.

118|GeomatikaSARNasional(GeoSARNas)2011
Z2 = (SZ2/SZ1) (Z1-MZ1)+MZ2 ........................................................................................................ (2)

Dimana,

Z2, Z1 : DEM output, DEM Input

SZ2, SZ1 : Standar deviasi DEM output dan Input
MZ2, MZ1 : Ratarata DEM output dan input

Prosedur DEM fusion merefer kepada metode yang dikembangkan oleh Hoja et
al. (2006) pada Gambar 4 , perbedaan terdapat pada metode pembuatan height
error map. Height Error Map merupakan standard deviasi antara nilai ketinggian
pada setiap piksel DEM dengan nilai ketinggian dari model ideal berbasis data
kontur. Penurunan Height Error Map dilakukan dengan membuat konturing data
DEM, pembuatan standar deviasi dan proses interpolasi krigging. Proses
penurunan dilakukan untuk kedua data DEM yang akan digabung. Selanjutnya
dilakukan penggabungan semua layer dan proses fusi dengan
mempertimbangkan besar error setiap piksel (tingkat akurasi setiap piksel) dari
kedua DEM. Penggabungan dilakukan dengan menggunakan model
pembobotan menggunakan Persamaan (3).

DEM 1 DEM 2

Contouring

Height Height
error map error map

Penggabungan layer

ModelPembobotan
(Weighted Mean Height)

DEM gabungan
Gambar 4. Alur penggabungan data DEM (DEM fusion)

..................................................................................................................................................................... (3)

GeomatikaSARNasional(GeoSARNas)2011|119
Dimana,

pi = 1/ai
hi : Ketinggian DEM (1,2)
ai : Tingkat akurasi DEM, error DEM (1,2)

Verifikasi dilakukan dengan menggunakan perbandingan Height Error Map
sebelum dan sesudah dilakukan penggabungan. Penggabungan dinilai berhasil
bila besarnya error DEM yang dihasilkan berkurang dibandingkan nilai error
DEM sebelumnya.

Hasil dan Pembahasan

Gambar 5 memperlihatkan kontur ketinggian interval 25 m dari peta topografi
(RBI) skala 1:50.000 dan DEM Topo hasil interpolasi krigging menggunakan
semivariogram quadratik orde 1 untuk wilayah Enrekang. Peta topografi
mempunyai interval ketinggian sangat rapat di wilayah berterrain (pegunungan
atau bukit), tetapi interval ketinggian tidak rapat di wilayah yang relatif datar
(perbedaan ketinggiannya tidak terlalu besar). Hal ini mengakibatkan DEM Topo
mempunyai pola ketinggian yang baik di daerah pegunungan tapi kurang baik di
daerah yang relatif datar. Bagian kiri bawah DEM Topo memperlihatkan daerah
dengan ketinggian yang sama (flat) karena kurangnya informasi titik tinggi saat
proses interpolasi.

Gambar 5. Kontur ketinggian dan DEM Topo

120|GeomatikaSARNasional(GeoSARNas)2011
Gambar 6 memperlihatkan undulasi EGM 96, undulasi EGM 2008 dan selisih
undulasi antara kedua model geoid wilayah Enrekang. Terlihat ada sedikit
perbedaan berkisar -1 sampai 1.2 m antara kedua model undulasi, dimana EGM
2008 adalah model terbaru yang diturunkan dari data satelit Grace dan
altimeter, yang diperkirakan lebih teliti dan akurat. Koreksi geoid 2008 dilakukan
juga untuk DEM SRTM dan DEM Topo, sehingga diperoleh DEM dari peta
topografi dan DEM SRTM dengan titik acuan geoid 2008. Koreksi ketinggian
dilakukan dengan menggunakan Persamaan (2), dengan nilai rata-rata dan
standar deviasi dari masing-masing DEM diperlihatkan pada Tabel 2.

Gambar 6. Undulasi EGM 96, 2008 dan selisih antara EGM 2008 96 wilayah Enrekang

Tabel 3 Nilai rata-rata dan standar deviasi dari DEM yang digunakan
DEM Rata-rata (m) Standar deviasi (m)
SRTM 410 3.14
Peta Topografi 407 3.12
Gambar 7 memperlihatkan DEM Topo (Resolusi 25 m), DEM SRTM (Resolusi
90 m) dan DEM gabungan (Resolusi 25 m). Seperti telah dijelaskan
sebelumnya, DEM Topo mempunyai pola ketinggian yang baik di daerah
pegunungan tapi kurang baik di daerah yang relatif datar (flat), sedangkan DEM
SRTM mempunyai resolusi yang rendah (90 m) sehingga informasi ketinggian
kurang detill. Hasil fusi memperlihatkan bahwa DEM gabungan mempunyai
resolusi dengan tingkat kedetilan sama dengan DEM Topo (25 m) dan
kesalahan ketinggian pada wilayah relatif datar telah diperbaiki.

GeomatikaSARNasional(GeoSARNas)2011|121
 Gambar 7. DEM Topo (25 m), DEM SRTM (90 m) dan DEM gabungan (25 m)

Gambar 8 memperlihatkan Height Error Map dari setiap DEM. Berdasarkan

Height error map, distribusi standar deviasi untuk DEM Topo berkisar 3-19 m,
dengan standar deviasi maksimum mencapai 80 m pada sebagian kecil daerah
di bagian bawah kiri (bottom left). Distribusi standar deviasi untuk DEM SRTM
adalah berkisar 4-30 m, dengan standar deviasi maksimum mencapai 70 m
pada sebagian kecil daerah pada bagian kiri bawah. Height Error pada DEM
SRTM relative tidak berbeda dengan DEM Topo yang terjadi pada daerah yang
relatif datar di bagian bawah kiri. Sedangkan distribusi standar deviasi untuk
DEM gabungan berkisar 3-15 m, yang berarti telah ada perbaikan/penurunan
error dibandingkan dengan DEM pembentuknya. Perubahan nilai standar
deviasi pada height error map sebelum dan sesudah proses penggabungan
dirangkum pada Tabel 3.

Gambar 8. Height Error Map dari setiap DEM

122|GeomatikaSARNasional(GeoSARNas)2011
 Tabel 3. Distribusi Heigh Error sebelum dan sesudah penggabungan DEM
DEM Kisaran nilai Height error (m)
DEM Topo 3 19 m
DEM SRTM 4 30 m
DEM fusi 3 15 m
Evaluasi tingkat akurasi juga dilakukan secara statistik dengan menetapkan
bahwa error terjadi bila besar standar deviasi lebih besar dari 2. Berdasarkan
laporan hasil interpolasi dalam pembuatan Height Error Map maka diketahui
rata-rata standar deviasi adalah 5 m, sehingga 2adalah 10 m. Hasil
memperlihatkan bahwa DEM SRTM mempunyai error (>10 m) adalah sebesar
18.4%, DEM Topo mempunyai error sebesar 8%, dan DEM gabungan sebesar
5.8 %. Dengan kata lain telah ada peningkatan akurasi sebesar 1.4 kali pada
DEM gabungan terhadap DEM Topo.

Kesimpulan
Hasil fusi memperlihatkan bahwa DEM gabungan mempunyai resolusi dengan
tingkat kedetilan sama dengan DEM Topo (25 m) dan kesalahan ketinggian
pada wilayah relatif datar telah diperbaiki.

Metode DEM fusi menghasilkan DEM gabungan dengan tingkat error yang lebih
rendah dibandingkan DEM awal, dimana DEM gabungan berhasil meningkatkan
akurasi 1.4 kali lebih baik dari DEM awal untuk wilayah Enrekang.

Daftar Pustaka

Gesch D., 2005, Vertical Accuracy of SRTM Data of the Accuracy of SRTM
Data of the United States: Implications for Topographic Change Detection,
SRTM Data Validation and Applications Workshop
Hoja D., Reinartz P. and Schroeder M., 2006, Comparison Of Dem Generation
And Combination Methods Using High Resolution Optical Stereo Imagery
And Interferometric SAR Data, International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Science,
Volume XXXVI, Part 1, Paris, France, 2006

GeomatikaSARNasional(GeoSARNas)2011|123
Honikel M. 1998, Fusion of Optical and Radar Digital Elevation Models in the
Spatial Fequency Domain, Workshop ESTEC, 21-23 Oktober 1998
Keydel W, Hounam D., Pac R. and Werner M., 2000, X-SAR/SRTM Part of a
Global Earth Mapping Mission, the RTO SET Symposium on Space-
Based Observation Technology, Island of Samos, Greece, 16-18 October
2000
Trisakti B. dan Pradana F.A., 2006, Pemanfaatan Data Stereo ASTER untuk
Pengembangan Model Updating Topografi, Laporan Akhir Program Riset
Unggulan, Pusbangja, LAPAN,2006
Trisakti B., 2010, Pengembangan Metode Ekstraksi Dem (Digital Elevation
Model) Dari Data ALOS PRISM, Laporan Akhir Program Insentif Riset
Dasar, Pusbangja, LAPAN, 2010
Yastikh et al., 2006, Accuracy and Morphological Analyses of GTOPO30 and
SRTM X-C band DEMS in the Test Area Istambul, ISPRS Workshop,
Ankara

124|GeomatikaSARNasional(GeoSARNas)2011
Combination of Speckle Divergence and Neighborhood Analysis to
Classify Settlement from Terrasar-X Data

1 2
M. Rokhis Khomarudin , Agung Indrajit
1
National Institute of Aeronautics and Space (LAPAN), Jl. LAPAN 70 Pekayon Pasar Rebo
2
Jakarta Timur 13710 Tel/Fax: 021-8710065 ext 103 / 021 8710274.
National Coordinating Body for Survey and Mapping (Bakosurtanal). Cibinong. Bogor.

Email:
ayah_ale@yahoo.com

Abstract. The goal of this research is to use and apply the TerraSAR-X data to classify
settlement class in Indonesian region. The accuracy of the previous research of using
this data to classify settlement area in Indonesia is not satisfying. The use of merely
speckle divergence analysis to classify settlement class has a problem on settlement
classification in the hilly area and also in the rural area. The false detection of the
classification result in those area are very high. This research propose a new
methodology which combine the speckle divergence and the neighbourhood analysis to
improve the accuracy and minimize the false detection of settlement classification using
TerraSAR-X data. The study area of this research is in the Cilacap and Padang districts
which have combination of hilly and plain area and also urban and rural area. This is the
best location for this purpose of this research to investigate the accuracy of settlement
classification using the combination of speckle divergence and neighbourhood analysis.
The result of this investigation showed that the proposed methodology increase the
accuracy of settlement classification accuracy and decrease the false classification
especially in the hilly and rural areas. The implementation of the methodology on the
both of study areas has more than 80% accuracy. The combination of speckle divergence
and neighbourhood analysis give a better result on the accuracy and minimize the false
detection.

Keywords: speckle divergence, neighborhood analysis, TerraSAR-X, Cilacap and Padang,

false detection

GeomatikaSARNasional(GeoSARNas)2011|125
Introduction
Background
Remote sensing settlement classification has made great progress, both for
optical and radar data and their fusion. Settlement classification with radar
imagery is the most challenging. Several studies on application of radar imagery
have been conducted using techniques such as textural analysis, multi-temporal
analysis, statistical model, spatial indexes and object-based classification. Most
of the development methods were not satisfying yet which have several
problems in the specific area especial in the tropical country.

The most common radar imagery classification for earth surface detection is by
using textural analysis. Dekker (2003) is one example, using ERS SAR imagery.
Modern texture measures such as histogram measures, wavelet energy, fractal
dimension, lacunarity and semivariogram were analyzed. The result improved
the accuracy of the classification compared to widely used texture measures
such as mean intensity, variance or entropy. Despite this improvement, the
classification was still not satisfying, because of the low separability of some
classes, especially of urban area and forest, and urban area and
industry/greenhouse. Acqua and Gamba (2003) propose to use the Histogram
Density Index (HDI) to identify urban characteristics of high-resolution imagery.
However, like Dekker (2003), the approach failed to classify main parts of urban
areas like city centers, residential and suburban areas. The current methods of
texture analysis therefore seem to be insufficiently developed for the detection
of urban areas. The low separability of some features is the main barrier of
using textural analysis for settlement classification.

Being dissatisfied with the previous result, Acqua et al. (2003) modify the
methodology with multi-temporal analysis to improve the urban characterization.
The main problems of urban area classification by radar imagery are multiple
bouncing, layovers and shadowing. Multi-temporal imagery produces a multi-
angle look on urban areas and thus allows identifying different details of the
same object. Hence, the discrimination of different classes in urban areas is
facilitated. Acqua et al. (2003) again apply the HDI and using multi-temporal
imagery, it provides better classification results than in the previous study.
Additionally, the extraction of streets is also improved by this approach. Another
comprehensive research on settlement classification by using multi-temporal

126|GeomatikaSARNasional(GeoSARNas)2011
analysis was done by Pellizeri et al. (2003). They compared statistical analysis
and the neural kernel-based approach to classify urban area. The result from
the analysis shows that the neural kernel-based approach slightly outperforms
the statistical approach when classifying mono-temporal imagery. By extending
the data to multi-temporal and multi-frequency, both approaches achieve similar
accuracy of classification. This shows that multi-temporal data can slightly
improve the accuracy of single data classification method.

Another research about using SAR Imagery has been conducted by Tison et al.
(2004). This research revealed that classes can be discriminated based on their
statistical properties, which require an accurate statistical model. Hence, they
investigated various statistic distribution models such as Weibull, Log-Normal,
Nagatani-Rice and Fisher, and analyzed how these distributions fit the urban
area characteristics in SAR imagery. The Fisher distribution proved the most
appropriate distribution for urban characteristics in their study area Toulouse,
France. This is an important result related to settlement classification using SAR
imagery. It might be used as a reference for future applications of this kind. But
one has to be aware that the best fitting statistical distribution for one region is
not necessarily transferable to any other.

In the other development, Stasolla and Gamba (2008) propose spatial indices to
extract settlements from high-resolution SAR imagery. After reviewing several
indices, they defined three spatial indices for their purposes, Morans Index,
Gearys Index, and the Getis-ord Index. The basic principal of these indices is a
local indicator of spatial association (neighborhood).

Settlements being inhomogeneous objects were the reason to apply these

indices. Hence pixel-by-pixel classification is inappropriate for classification. This
method resulted in good overall accuracy, but omission and commission errors
were still high. Considerable improvement of the methodology is especially
needed on indexing thresholding, which indicates a problem for transferability to
other area.

The latest research on settlement classification is an object-based approach.

Thiel et al. (2008) and Esch (2010) describe the new methodology to detect
settlement area using TerraSAR-X. They propose a pre-processing method
called speckle divergence analysis, with a comparably straightforward
approach of analyzing local statistics. They achieve more appropriate noise

GeomatikaSARNasional(GeoSARNas)2011|127
suppression compared to establish filtering routines, which preserve true
structures with texture and contour information (Thiel et al., 2008). This filter is
based on a sigma probability of the Gaussian distribution of speckle noise. It
removes speckle and suppresses noise, but preserves the texture, structure and
contour information. This is indispensable since many regions are characterized
by small-scale structures. The speckle divergence image is used for object-
based settlement classification. The result of this classification is satisfying and
has good accuracy. It is promising to implement the methodology for analyzing
the study area of this research, with an added improvement.

Improvements of these above approaches are still needed since the

characteristics of settlement areas are different throughout the world. The latter
application provides comprehensive results and is promising for application in
Indonesia. But the threshold determination for settlement classification must be
improved and the conversion of the object-based procedure to a pixel-based
one is a potential challenge in this methodology. The neighborhood analysis is
also one important method to improve the accuracy of settlement classification.

Objective of Research
The goal of this research is to use and apply the TerraSAR-X data to classify
settlement class in Indonesian region. The improvement methodology will be
undertaken in this research to improve the accurace of settlement classification.

Methodology
The settlement classification method is an improvement over the approach of
Esch et al. (2010). This research proposes the neighborhood analysis from the
real settlement image using the speckle divergence and intensity image. The
process of settlement classification is performed in two steps: pre-processing
and classification (neighborhood). To ensure efficiency and quality of the model,
an accuracy assessment and transferability analysis are carried out. The steps
of the settlement classification are shown in Figure 1.

In compact steps, the classification procedure is stated as follow:

pre-processing (speckle divergence analysis):

threshold analysis (threshold determination for real settlement and potential

settlement):

128|GeomatikaSARNasional(GeoSARNas)2011
 neighborhood analysis (classification of settlement areas).

Pre-processing
The pre-processing of the data includes speckle suppression to enhance
images degraded by speckle noise. This speckle phenomenon in TerraSAR-X
data significantly hampers the analysis of radar data. The approach of speckle
suppression consists of determining the difference between the local image
heterogeneity and the theoretical, scene-specific heterogeneity of developed
speckle.

The calculation of speckle divergence is based on kernel size of 9 x 9 pixels,

and the formulas are stated as follows (Esch et al., 2010):

x , y ....................................................................................................... (1)
Dx , y Cx , y C with Cx , y
x, y

Where:

Dx, y is the speckle divergence

C is the theoretical heterogeneity due to developed speckle; it is

calculated from the inverse of equivalent number of look (ENL),

ENL La Lr 1/ C , La and
Lr defining the effective number of
looks in the azimuth and range (stated in TerraSAR X metadata)

C x, y is the local coefficient of variation defined by the local, it is calculated in

kernel size of 9 x 9 pixels

x, y is the local standard deviation, it is calculated in kernel size of 9 x 9

pixels

x, y is the local mean, it is calculated in kernel size of 9 x 9 pixels.

GeomatikaSARNasional(GeoSARNas)2011|129
 Figure 1. The steps of settlement classification by using TerraSAR-X

Threshold Analysis
The threshold of real and potential settlement from the intensity and speckle
divergence image is defined by analyzing samples of pixels in settlement and
non-settlement areas. The threshold can be decided by analyzing the histogram
of samples, as show in Figure 2.

130|GeomatikaSARNasional(GeoSARNas)2011
 Figure 2. The threshold decision for potential settlement and real settlement

Neighborhood Analysis
The settlement classification can be performed by generating a simple threshold
of the speckle divergence, but this method cannot eliminate false settlement
detections in hilly areas that have similar speckle divergence values. To avoid
this error, it is proposed to use neighborhood analysis for the detection of
settlement areas from TerraSAR-X imagery. The steps are as follows:

identification of real settlement pixels from speckle divergence and intensity

images by using the threshold;
identification of potential settlement pixels from speckle divergence and
intensity images by using the threshold;
a combination of real settlement and potential settlement pixels to identify
settlement areas by conditional parameters (settlement mask).
The neighborhood analysis for settlement classification is shown in Figure 3:

(a) (b) (c)

Figure 3. Illustration the neighbourhood analysis for settlement classification (a) real settlement
detection (b) potential settlement and (c) the settlement mask by neighbourhoods a kernel size
of 3 x 3 pixels

GeomatikaSARNasional(GeoSARNas)2011|131
The resulting settlement mask is used to mask the intensity image to develop an
urban scatter image. Then, the density of this image is analyzed by calculating
the focal mean of a kernel size of 25 x 25 pixels and accordingly the urban
scatter by a kernel size of 45 x 45 pixels. The threshold of the density image
can be generated by analyzing several pixels to detect the settlement. Finally,
the settlement classification is generalized by combining the settlement mask
and the speckle divergence image, and filtering by a 45x45 matrix.

Accuracy Assessment
An accuracy assessment is performed to check the quality of the classification.
To conduct a proper accuracy assessment, references from the field are
needed. The confusion matrix accuracy assessment by Story and Congalton
(1986) is used in this research. This methodology allows identifying the omission
and commission error of every surface roughness class. The concept of
calculating the overall accuracy, omission and commission errors is illustrated in
Table 1 (Story and Congalton, 1986; Naesset, 1996; Liu et al, 2007).

Table 1. Population error matrix based on information of classified and reference land use (LU) data
Reference
Classified
LU 1 LU 2 ... LU k Total
LU 1 n11 n12 ... n1k n1+
LU 2 n21 n22 ... n2k n2+
. . . ... . .
. . . ... . .
. . . ... . .
LU k nk1 nk2 nkk nk+
Total n+1 n+2 n+k N
The overall accuracy, commission error and omission error are then calculated
as follows:
k

n ij
Overall Accuracy, OA x100% .............................................................................................(2)
i j

N
Omission error, OE n j n jj ........................................................................................................(3)
n j
Commission error, CE ni nii ....................................................................................................(4)
ni

132|GeomatikaSARNasional(GeoSARNas)2011
Where:

i is classified land use data

j is reference land use data
LU is land use class
N is total of pixel reference and classified class
is number of pixels in a certain land use, which is classified as the same land use of
nii , reference
n jj

is total number of pixel a certain reference land use
n j

is total number of pixel a certain classified land use.
ni
Figure 4 provides a numerical example of the confusion matrix accuracy
assessment calculation.

Figure 4. Confusion matrix accuracy assessment calculation (modified from Congalton and Green,
1999)

Transfer Of The Approach To Other Areas

The same classification methodology is applied to the Padang area. The
accuracy assessment is performed accordingly to check the quality and
transferability of the methodology, and an error map is created.

GeomatikaSARNasional(GeoSARNas)2011|133
Result And Discussion
Speckle Divergence
The result of speckle divergence analysis is shown in Figure 5. Using this
analysis, settlement areas and their characteristics can be distinguished better
than using the intensity image. Therefore the result is used further for settlement
classification with TerraSAR-X imagery.

Figure 5. TerraSAR-X image intensity (left) and after speckle divergence analysis (right)

Neighbourhood Analysis
The result of the neighborhood classification to detect the settlement area is
shown in Figure 6. The classification of settlements is performed automatically
and the result is visualized. After this process, the accuracy assessment is
carried out to check the quality of the remote sensing classification compared to
the settlement areas.

134|GeomatikaSARNasional(GeoSARNas)2011
 Real settlement Settlement mask Urban scatter Settlement class
Figure 6. Settlement classification results and real settlement by using TerraSAR-X

Classification Results
Settlement areas within Cilacap District and Padang District have been
classified by using the speckle divergence and neighborhood analysis from
TerraSAR-X data. The overall accuracy is 85.5% for Cilacap and 78.14% for
Padang. The detailed results of settlement classification in these areas by using
TerraSAR-X are described in the following sub-chapters.

Cilacap District
The accuracy assessment of the speckle divergence and neighborhood analysis
for Cilacap is shown as confusion matrix in Table 2. The commission error of
built-up detection in Cilacap area is 27.5% and the omission error is 39.9%. The
overall accuracy of settlement classification by using TerraSAR-X in Cilacap
area is 85.5%.

Table 2. Accuracy assessment of speckle divergence and neighborhood analysis for Cilacap District
Reference Non-settlement Commission error
Settlement (km2) Total (km2)
Classification (km2) (%)
Settlement (km2) 101.5 38.4 139.9 27.5
Non-settlement (km2) 67.5 521.8 589.3 11.5
Total (km2) 168.9 560.2 729.2
Omission Error (%) 39.9 6.9 Overall accuracy 85.5
(%)

The result of speckle divergence and neighborhood analysis for settlement

detection in Cilacap District is visualized in Figure 7.

Settlements in rural areas of Cilacap were difficult to detect. The misdetection

(blue color) appears more often than the good detection (red color). The

GeomatikaSARNasional(GeoSARNas)2011|135
occurrence of this error is due to the effect that the settlements in the rural areas
are often mixed with vegetation. The settlement with surrounding vegetation is
common and typical for almost all rural areas in Indonesia. The vegetation
sometimes, covers the roof of a house and is therefore classified as vegetation,
not as settlement. In urban areas, the classification of settlements delivers a
good detection (see red colors in Figure 7).

Figure 7. Result of speckle divergence and neighborhood analysis for settlement detection by using
TerraSAR-X on Cilacap District

Padang District
The same model as that used for Cilacap District to classify settlements using
Terra-SAR X data was also implemented to Padang area. The results of
classification and accuracy assessment are shown in Figure 8.

The results of the accuracy assessment of the neighborhood analysis provides

by a confusion matrix shown in Table 3. The commission error of built-up
detection in Padang area is 21.1% and the omission error is 32.9%. The overall
accuracy of settlement classification using TerraSAR-X imagery is 78.1% for the
Padang area.

136|GeomatikaSARNasional(GeoSARNas)2011
Table 3. Accuracy assessment of speckle divergence and neighborhood analysis for Padang District
Reference
Settlement Non-settlement Commission error
classification (km2) (km2) Total (km2) (%)

Settlement (km2) 36.8 9.9 46.7 21.1

Non-settlement
km2) 18.0 62.9 81.0 22.3

Total (km2) 54.8 72.8 127.7

Overall accuracy
Omission error (%) 32.9 13.5 (%) 78.1
The result of the speckle divergence and neighborhood analysis for settlement
detection in the Padang District is shown in Figure 8.

Figure 8. Result of speckle divergence and neighborhood analysis for settlement detection using
TerraSAR-X of the Padang District

Figure 8 shows the spatial distribution of false built-up detection (yellow),

settlement misdetection (blue), good built-up detection (red), and other land use
classes (green). Similar to the Cilacap region, mis- and false detection in the
rural areas of Padang is higher than in the urban areas.

GeomatikaSARNasional(GeoSARNas)2011|137
Discussion
The methodology of settlement classification of TerraSAR-X imagery by using a
combination of speckle divergence and the neighborhood analysis has been
applied in order to improve the settlement detection, especially for hilly areas.
The result of the accuracy assessment for the settlement classification in the
study area is over 85%. The high omission and commission errors appear in the
result of settlement classification, especially in the rural areas. It is assumed that
this is because of the settlement conditions in the rural area, which are usually
surrounded by vegetation. The texture of this area in the TerraSAR-X imagery is
more likely vegetation than settlement area. Figure 9 shows pictures of
settlement areas with vegetation surrounding, taken in the rural area of Cilacap.

The transferability of this method has been also successfully investigated in the
Padang area, which resulted in an accuracy of over 75%. The omission and
commission errors for the rural area are also high, such as for the Cilacap
District. The characteristics of settlement areas in the rural parts of Padang are
mostly similar to the conditions of the rural areas in Cilacap District.

Figure 9. Examples of settlements in the rural area of Cilacap District (settlements surrounded by
vegetation)

Conclusions
A method of settlement classification using radar data has been further
developed using TerraSAR-X imagery. The improvements include the concept
of neighborhood analysis. The settlement areas in the study area were mapped
with satisfying overall accuracy. Limitations occur in rural areas where
settlement structures are interspersed with vegetation. This results in relatively
high omission and commission errors.

138|GeomatikaSARNasional(GeoSARNas)2011
The method of settlement classification has been successfully transferred to the
Padang District. Here, the same problem regarding rural settlements occurred,
also resulting in high omission and commission errors in rural areas. Thus,
future research on settlement classification using radar imagery must focus on
improving the methodology for the classification of rural settlements.

References

Acqua, F.D., Gamba, P., and Lisini, G. (2003). Improvements to Urban Area
Characterization Using Multitemporal and Multiangle SAR Images. IEEE
Transactions on Geoscience and Remote Sensing, 41 (9), 1996-2004.
Acqua, F.D., and Gamba, P. (2003). Texture-Based Characterization of Urban
Environments on Satellite SAR Images. IEEE Transactions on Geoscience
and Remote Sensing, 41 (1), 153-159.
Congalton, R. and Green, K. (1999). Assessing the Accuracy of Remotely
Sensed Data: Principles and Practices. CRC/Lewis Press, Boca Raton, FL.
137 p.
Corbane, C., Faure, J.F., Baghdadi, N., Villeneuve, N., and Petit, M. (2008).
Rapid Urban Mapping Using SAR/Optical Imagery Synergy. Sensors, 8,
7125-7143.
Dekker, R.J. (2003). Texture Analysis and Classification of ERS SAR Images for
Map Updating of Urban Areas in the Netherlands. IEEE Transactions on
Geoscience And Remote Sensing, 41 (9), 1950-1958.
Esch, T., Thiel, M., Schenk, A., Roth, A., Mller, A., and Dech, S. (2010).
Delineation of Urban Footprints from TerraSAR-X Data by Analyzing
Speckle Characteristics and Intensity Information. IEEE Transactions on
Geoscience and Remote Sensing, 48 (2), 905-916.
Gamba, P. and Acqua, F.D. (2007). Fusion of Radar and Optical Data for
Identification of Human Settlements. In Weng, Q. (Editor): Remote Sensing
of Impervious Surface. Taylor and Francis Groups, LLC.

GeomatikaSARNasional(GeoSARNas)2011|139
Li, J. and Zhao, M. (2003). Detecting Urban Land-Use and Land-Cover Changes
in Mississauga Using Landsat TM Images. Journal of Environmental
Informatics, 2 (1), 38-47.
Mesev, V. (1998). The Use of Census Data in Urban Image Classification.
Photogrammetric Engineering & Remote Sensing, 64 (5), 431-438.
Mubareka, S., Ehrlich, D., Bonn, F., and Kayitakire, F. (2008). Settlement
Location and Population Density Estimation in Rugged Terrain using
Information Derived from Landsat ETM and SRTM Data. International
Journal of Remote Sensing, 29 (8),2339 2357.
Pellizzeri, T.M., Gamba, P., Lombardo, O., and Acqua, F.D. (2003)
Multitemporal/ Multiband SAR Classification of Urban Areas Using Spatial
Analysis: Statistical Versus Neural Kernel-Based Approach. IEEE
Transactions On Geoscience And Remote Sensing, 41 (10), 2338-2353.
Pozzi, F. and Small, C. (2001). Exploratory Analysis of Suburban Land Cover
and Population Density in the U.S.A. IEEE/ISPRS joint Workshop on
Remote Sensing and Data Fusion over Urban Areas. Paper 35. Rome,
Italy 8-9 November, 2001.
Story, M., and Congalton, R.G. (1986). Accuracy Assessment: A User's
Perspective. Photogrammetric Engineering and Remote Sensing, 52 (3),
397-399.
Thiel, M., Esch, T., Schenk, A. (2008). Object-oriented Detection of Urban Areas
from TerraSAR-X Data. In: Proceeding of ISPRS 2008 Congress (37), Part
B8, Commission VIII, Beijing, pp. 23-27.
Tison, C., Nicolas, J.M., Tupin, F., and Matre, H. (2004). A New Statistical
Model for Markovian Classification of Urban Areas in High-Resolution SAR
Images. IEEE Transactions on Geoscience and Remote Sensing, 42 (10),
2046-2057.
Xu, H. (2007). A New Index for Delineating Built-up Land Features in Satellite
Imagery. International Journal of Remote Sensing, 29 (14), 4269-4276.

140|GeomatikaSARNasional(GeoSARNas)2011
Zha, Y., Gao, J., and Ni, S. (2003). Use of Normalized Difference Built-up Index
in Automatically Mapping Urban Areas from TM imagery. International
Journal of Remote Sensing, 24 (3), 583 594.
Zhang, Q., Wang, J., Peng, X., Gong, P., and Shi, P. (2002). Urban Built-up
Land Change Detection with Road Density and Spectral Information from
Multi-temporal Landsat TM data. International Journal of Remote Sensing,
23 (15), 3057 3078.

GeomatikaSARNasional(GeoSARNas)2011|141
142|GeomatikaSARNasional(GeoSARNas)2011
 Kajian Penghitungan Volume Hutan Menggunakan Model 3D dari
Data Radar Berbeda Band dan Koreksi Terrain Model 3D dari Data
Radar Satu Band

Atriyon Julzarika
Lembaga Penerbangan dan Antariksa Nasional (LAPAN).
Jl. LAPAN No.70 Pekayon, Kec. Pasar Rebo, Jakarta Timur 13710.

E-Mail:
verbhakov@yahoo.com

Abstrak. Data radar merupakan citra yang menggunakan sensor aktif dan memiliki
kelebihan bebas efek awan. Data radar dapat dibuat model 3D secara interferometri dan
stereo Synthetic Aperture Radar (SAR). Model 3D yang dihasilkan berupa Digital Surface
Model (DSM). Jenis band yang digunakan pada data radar ini berpengaruh pada kualitas
DSM yang dihasilkan. Band X memiliki penetrasi rendah, hanya pada tajuk pohon.
Kemudian band C memiliki penetrasi lebih tinggi, diikuti band L, dan paling baik band P.
Penetrasi band P sudah mencapai tanah. Selisih antara DSM band X atau band C
terhadap DSM band L atau band P akan menghasilkan volume tertentu, salah satunya
untuk volume vegetasi (hutan). Jika hanya memiliki satu DSM band X atau band C saja,
maka dapat dilakukan koreksi terrain untuk penentuan volume hutan. Koreksi terrain ini
merupakan proses mengubah model DSM menjadi Digital Elevation Model (DEM) maupun
ke Digital Terrain Model (DTM). Selisih antara DSM terhadap DEM maupun DTM ini akan
menghasilkan volume tertentu, salah satunya volume hutan. Hasil penghitungan volume
hutan ini bisa digunakan untuk berbagai aplikasi keteknikan seperti untuk penghitungan
karbon, penghitungan volume produksi hutan dan lain-lain.

Katakunci: Radar, Model 3D, Volume Hutan

GeomatikaSARNasional(GeoSARNas)2011.|143
Pendahuluan
Saat ini perkembangan teknik geodesi dan geomatika dalam perkembangan
teknologi geospasial sudah memiliki kemajuan drastis. Salah satunya adalah
perkembangan berbagai jenis satelit untuk pemetaan yang menghasilkan
informasi geospasial. Penginderaan jauh sebagai salah satu cabang dari
fotogrammeteri yang merupakan bagian dari teknik geodesi dan geomatika
telah mampu menjadi alternatif dalam survei pemetaan cepat dan teliti dalam
menghasilkan informasi geospasial. Salah satu aplikasinya adalah dalam
membuat model 3D dan berbagai aplikasi yang dihasilkan. Berbagai aplikasi
pemetaan seperti model 3D, geostatistik, dan lain-lain menggunakan hitung
perataan. Selain hitung perataan, konsep jaring kontrol geodetik juga akan
berpengaruh terhadap penyelesaian aplikasi pemetaan yang bersifat unik
(Julzarika, 2007).

Model 3D merupakan model yang dibentuk secara tiga dimensi dengan sistem
tinggi, proyeksi, dan datum tertentu serta dengan referensi bidang tinggi tertentu
(Li et al. 2001). Ada beberapa jenis model 3D, yaitu DSM, DEM, DTM, dan EGM
(Li et al., 2005). DSM merupakan model 3D yang masih memiliki objek
permukaan seperti bangunan dan vegetasi yang memiliki referensi tinggi
terhadap ellipsoid. DEM adalah model 3D dalam bentuk bare earth atau sudah
tidak memiliki objek permukaan serta memiliki referensi tinggi terhadap ellipsoid.
DTM adalah model 3D yang memiliki tinggi fisis berupa topografi dan memiliki
referensi tinggi terhadap mean sea level. Sedangkan EGM adalah model 3D
berupa model geoid yang memiliki referensi tinggi terhadap bidang
ekuipotensial yang berimpit dengan permukaan laut. Model 3D dapat dibuat dari
data radar dan optik. Pada tulisan ini pembentukan model 3D lebih fokus pada
data radar, yaitu Synthetic Aperture Radar (SAR).

Citra SAR adalah citra yang diperoleh dari perekaman menggunakan sensor
aktif. Citra ini memiliki ciri khas tertentu, yaitu bebas efek awan. Saat ini ada
beberapa citra SAR, yaitu dari satelit dan airborne. Contoh citra radar dari satelit
adalah citra TerraSAR X, X SAR, SRTM C, Envisat, Radarsat, Cosmo SkyMed,
ALOS Palsar, JERS. Sedangkan contoh citra SAR dari airborne adalah IFSAR
dan LIDAR.

Citra radar memiliki beberapa jenis band, diantaranya X, C, L, P. Keseluruhan

band tersebut dapat dibuat model 3D, hanya berbeda dari bidang referensi

144|GeomatikaSARNasional(GeoSARNas)2011
tinggi saja. Model 3D citra SAR dapat dibuat dengan metode perbedaan fase
(interferometri) dan stereoSAR (Knopfle, 1998). Model 3D dari X band hanya
penetrasi pada tajuk pohon dan atap bangunan. Model 3D X band dapat dibuat
dari Citra TerraSAR X, X SAR. Model 3D C band sudah penetrasi lebih baik dari
X band. Model 3D C band dapat dibuat dari SRTM, Envisat, Cosmo SkyMed.
Sedangkan model 3D L band sudah penetrasi sampai mendekati permukaan
tanah atau sekitar 1-3 m dari permukaan tanah. Model 3D L band dapat dibuat
dari ALOS Palsar. Model 3D P band memiliki penetrasi paling jauh, yaitu
mencapai permukaan tanah. Model 3D P band bisa dibuat dari Envisat, IFSAR,
LIDAR.

Volume hutan yang dimaksud adalah volume dari perhitungan luas kanopi
terhadap tinggi objek permukaan. Tinggi objek ini dapat diketahui dari
perbedaan tinggi bidang referensi. Beda tinggi dengan akurasi tinggi dapat
diperoleh dari model 3D X band terhadap model 3D P band. Sedangkan beda
tinggi dengan akurasi rendah diperoleh dari model 3D C band terhadap model
3D L band.

Koreksi terrain yang dimaksud pada tulisan ini adalah melakukan koreksi dari
DSM menjadi DEM/DTM sehingga semua menjadi bare earth atau unsur
permukaan sudah tidak ada lagi. Penelitian ini bertujuan untuk penghitungan
volume hutan menggunakan model 3D dari data radar berbeda band dan
melakukan koreksi terrain model 3D dari data radar satu band.

Metodologi Penelitian
Penelitian ini menggunakan diagram alir pada gambar 1.

Gambar 9. Diagram alir penelitian

GeomatikaSARNasional(GeoSARNas)2011|145
Pada penelitian ini mengkaji tentang penghitungan volume hutan menggunakan
model 3D dari data radar beda band dan koreksi terrain model 3D dari data satu
band. Pada kajian data radar beda band menggunakan DEM1 X SAR untuk X
band (DLR, 2010), SRTM C untuk C band, ALOS Palsar untuk L band, dan
IFSAR untuk P band. Model 3D tersebut perlu dilakukan koreksi Bull Eyes
dengan tujuan untuk menghilangkan nilai anomali tinggi terhadap delapan nilai
tinggi sekitarnya.

Koreksi Bull Eyes perlu dilakukan terhadap model 3D dari berbagai data
masukan. Ada tiga metode untuk koreksi bull eyes, yaitu fill sink, cut terrain,
dan height error map. Pada penelitian ini membahas koreksi Bull Eyes dengan
metode height error map. Height error dibuat dari nilai standar deviasi atau eror
vertikal pada data model 3D tersebut. Height error dapat dibuat dari data itu
sendiri.

Setelah dilakukan koreksi Bull Eyes, maka perlu dilakukan koreksi undulasi
geoid. Koreksi ini bertujuan untuk menyamakan bidang referensi tinggi terhadap
geoid yang sama dengan akurasi tinggi dan presisi baik (Heiskanen and Moritz,
1967). Penyamaan bidang referensi tinggi ini akan menghasilkan data yang
sama pada bidang ekuipotensial sama yang berimpit dengan mean sea level
pada satu periode pasang surut (Wellenhof, B.H., and Moritz, H., 2006). Koreksi
undulasi geoid menggunakan EGM2008.

Model 3D yang memiliki bidang referensi tinggi sama ini akan menghasilkan
kualitas presisi yang baik. Jika ada dua atau lebih model 3D, maka bisa
diaplikasikan terhadap penghitungan volume hutan. Jika hanya ada satu model
3D, maka diperlukan koreksi terrain yang bertujuan untuk mengubah objek
permukaan menjadi permukaan tanah tanpa ada objek permukaan. Koreksi
terrain ini secara umum berarti mengubah DSM menjadi DEM atau DTM.
Proses pengubahan DSM menjadi DEM ini bisa dilakukan dengan
menggunakan range tertentu. Pendefinisian range tersebut menggunakan
hitung perataan.

Hasil dan Pembahasan

Volume permukaan yang dimaksud pada penelitian ini adalah nilai volume pada
berbagai objek kelas, mulai dari permukaan objek sampai permukaan tanah.
Secara sederhana, volume vegetasi dapat dihitung dari parameter tinggi
vegetasi yang dikalikan terhadap luasan kanopi. Data penginderaan jauh dapat

146|GeomatikaSARNasional(GeoSARNas)2011
digunakan untuk aplikasi penghitungan volume permukaan, yaitu model 3D dari
data radar. Citra SAR memiliki beberapa jenis band, yaitu X, C, L, P band yang
memiliki perbedaan pendefinisian dalam bidang referensi tinggi permukaan.
Model 3D dari SAR X Band hanya mampu memetakan pada permukaan objek
bangunan maupun tajuk. SAR dengan C Band memiliki penetrasi lebih tajam,
demikian pula dengan SAR L Band. SAR P band bisa melakukan penetrasi
sampai ke permukaan tanah. Tinggi objek dapat diketahui dari beda referensi
tinggi antara X atau C band terhadap L atau P band. Ilustrasi ini dapat dilihat
pada gambar 2.

Gambar 10. Metode model 3D dari band radar yang berbeda

Contoh DSM X Band adalah DEM1 X SAR, TerraSAR X. Contoh DSM C Band
adalah SRTM C, ENVISAT, Cosmo SkyMed. Contoh DSM L Band adalah ALOS
Palsar, sedangkan contoh DSM P Band ENVISAT, Airborne. Koreksi surface
yang memiliki akurasi tinggi adalah DSM X Band - DSM P Band sedangkan
koreksi surface yang memiliki akurasi rendah adalah DSM C Band DSM L
Band.

Kemudian luas objek atau kanopi pada vegetasi dapat diketahui dari hasil
segmentasi berbasis objek. Setelah itu baru dilakukan penghitungan volume
yang melibatkan tinggi objek dan luas objek. Jika telah diketahui besar volume
permukaan, terutama pada vegetasi maka hal ini dapat diaplikasikan terhadap
berbagai aplikasi teknik. Salah satu aplikasi tersebut adalah untuk carbon stoke
taking, pemantauan kondisi tutupan lahan di DAS, pemantauan kondisi hutan,
pemantauan daya dukung lingkungan, pemantauan dan mitigasi bencana, serta
mengetahui potensi ekonomi dari produksi hutan.

GeomatikaSARNasional(GeoSARNas)2011|147
Pada penelitian ini, kajian volume permukaan dilakukan di wilayah Kalimantan
dengan menggunakan model 3D DEM1 X SAR (Gambar 3) yang dibandingkan
terhadap DEM ALOS Palsar yang dibuat secara interferometri.

Gambar 11. DEM1 X SAR wilayah kajian

DEM1 X SAR ini terlebih dahulu dilakukan koreksi Bull Eyes berdasarkan
height error maps yang dibuat dari data itu sendiri, pada gambar 4.

Gambar 12. tampilan height error maps wilayah kajian ; 4b. EGM2008

Setelah dilakukan koreksi Bull Eyes, maka dilakukan koreksi terrain terhadap
EGM2008, gambar 4b.. Hasil yang diperoleh akan merepresentasikan kondisi
DSM dengan permukaan di tajuk pohon pada wilayah kajian di tahun 2000,

148|GeomatikaSARNasional(GeoSARNas)2011
sesuai dengan data DEM1 X SAR. Gambar 5 merupakan hasil koreksi Bull
Eyes dan model 3D hasil koreksi undulasi geoid terhadap EGM2008.

Gambar 13. DEM1 X SAR hasil koreksi Bull Eyes. 5b. DEM1 X SAR hasil koreksi undulasi geoid
terhadap EGM2008

Kemudian dibuat juga model 3D dari ALOS Palsar secara interferometri. Hasil
yang diperoleh akan merepresentasikan kondisi DSM dengan permukaan lebih
dekat pada tanah. DEM ALOS Palsar ini merupakan kondisi model 3D tahun
2010, gambar 6.

Gambar 14. Model 3D ALOS Palsar

Sebagai perbandingan, DEM1 X SAR (X Band), DEM ALOS Palsar (L Band)

akan memiliki pola dan tekstur yang hampir sama dengan DEM SRTM90 (C
Band), hanya dibedakan dari kondisi tinggi objek saja yang sesuai dengan

GeomatikaSARNasional(GeoSARNas)2011|149
kemampuan penetrasi band. Gambar 7 merupakan tampilan DEM SRTM90
wilayah kajian.

Gambar 15. Tampilan DEM SRTM90

Kedua model 3D tersebut sudah bisa digunakan untuk aplikasi volume

permukaan (gambar 8). Selain itu juga bisa digunakan untuk mendeteksi
perubahan tutupan lahan, terutama akibat ilegal logging. Cara mendeteksinya
adalah dengan membandingkan objek yang sama pada kedua model 3D, misal
pada data 2000 masih berupa hutan, sedangkan pada tahun 2010 sudah
berupa tanah terbuka, maka dapat diketahui bahwa telah terjadi perubahan
hutan menjadi tanah terbuka pada wilayah tersebut.

Gambar 16. Volume permukaan hutan

Penentuan volume permukaan dari kedua model 3D tersebut akan

merepresentasikan kondisi di lapangan. Pada wilayah kajian diperoleh tinggi
maksimal sebesar 30 m dengan rata-rata tinggi objek sekitar 10 m. Volume
permukaan dapat diperoleh jika luas tinggi setiap objek dikalikan terhadap luas
objek. Jika dalam penentuan volume permukaan tidak memiliki dua atau lebih
model 3D, maka dapat dilakukan pembuatan DEM baru dengan koreksi terrain.
Koreksi terrain yang dimaksud pada tulisan ini adalah melakukan koreksi model
3D dengan mengubah permukaan objek menjadi permukaan tanah/elevasi atau

150|GeomatikaSARNasional(GeoSARNas)2011
dengan menghilangkan semua objek yang ada sehingga menghasilkan kondisi
bare earth. Koreksi terrain pada DEM 1 X SAR ini diharapkan akan
menghasilkan model 3D yang mirip dari ALOS Palsar. Koreksi terrain ini
menggunakan persamaan sederhana dengan memperhitungkan nilai standar
deviasi setiap objek. Persamaan yang digunakan adalah sebagai berikut.

Range tersebut menggunakan kisaran (Julzarika dan Sudarsono, 2009).

a. Tinggi masing-masing titik penelitian adalah hi meter

b. Range arah sumbu x : X-dxi s/d X+dxi

Maka range X = X (pada penelitian ini lebih mengutamakan elevasi/sumbu
z)

c. Range arah sumbu y : Y-dyi s/d Y+dyi

Maka range Y = Y (pada penelitian ini lebih mengutamakan elevasi/sumbu
z)

d. Range arah sumbu z : Z-dzi s/d Z+dzi

Koreksi terrain DEM1 X SAR setelah dilakukan koreksi Bull Eyes dan
koreksi undulasi geoid.

Gambar 17. DEM 1 X SAR (koreksi Bull Eyes)

Gambar 10 adalah tampilan DEM1 X SAR yang dilakukan koreksi terrain.

GeomatikaSARNasional(GeoSARNas)2011|151
 Gambar 18. DEM 1 X SAR (koreksi terrain)

Koreksi terrain Model 3D ALOS Palsar setelah dilakukan koreksi Bull Eyes dan
koreksi undulasi geoid.

Gambar 19. Model 3D ALOS Palsar (koreksi terrain)

Jika dibandingkan dengan model 3D ALOS Palsar, maka memiliki kemiripan

dengan kondisi akurasi vertikal yang hampir mirip. Gambar 12 adalah tampilan
selisih DEM1 X SAR koreksi terrain dengan model 3D ALOS Palsar.

152|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 20. Selisih beda tinggi DEM1 X SAR terhadap Model 3D ALOS Palsar

Pada model 3D ALOS Palsar juga dapat dibuat model 3D yang berada pada
bidang topografi atau dalam kondisi DTM. Secara sederhana, dilakukan koreksi
terrain terhadap model 3D ALOS Palsar. Hasil yang diperoleh akan mendekati
kondisi DTM atau hampir sama dengan model 3D dari penetrasi band P.
Gambar 13 merupakan tampilan DTM ALOS Palsar.

Gambar 21. DTM ALOS Palsar

Kondisi DEM1 X SAR dan DEM1 X SAR koreksi terrain ini bisa digunakan untuk
penentuan volume permukaan. Hal ini bisa dijadikan alternatif jika tidak memiliki
dua atau lebih model 3D pada wilayah kajian. Secara pengujian geostatistik,
diperoleh nilai akurasi vertikal sekitar 3-4 m. Kondisi ini meningkat hampir 2 kali
lebih tinggi dibandingkan dengam akurasi vertikal DEM1 X SAR, yaitu sekitar 5-
6 m. Koreksi terrain model 3D akan menjadi salah satu alternatif penyelesaian
masalah untuk aplikasi penghitungan volume permukaan.

GeomatikaSARNasional(GeoSARNas)2011|153
Kesimpulan
Pada tulisan ini ada tiga kesimpulan yang diperoleh dari penelitian yang
dilakukan, yaitu:

1. DEM1 X SAR yang dikoreksi Bull Eyes terhadap height error data itu
sendiri, koreksi referensi bidang tinggi terhadap EGM2008 akan
menghasilkan akurasi vertikal hampir 2 kali lebih tinggi.

2. DEM1 X SAR bisa digunakan untuk penentuan penentuan volume

permukaan dengan akurasi tinggi dan presisi baik, serta untuk aplikasi
pemetaan lainnya jika dibandingkan dengan model 3D ALOS Palsar.

3. DEM1 X SAR bisa dilakukan koreksi terrain sehingga akan menghasilkan

nilai elevasi tanpa ada objek surface dan menghasilkan kondisi terrain yang
hampir sama dengan model 3D ALOS Palsar.

Daftar Pustaka

[1] DLR, 2010. SRTM-DLR. German Aerospace Center. Germany.

[2] Heiskanen, W. A., and Moritz, H., 1967, Physical Geodesy, W. H.
Freeman and Company, San Fransisco and London.
[3] Julzarika, A., 2007, Analysis of Coordinates Changing Caused by the
Changing of Map File Types in Developing Internet Based Geographic
Information System, Geodesy and Geomatics Engineering, Faculty of
Engineering, Gadjah Mada University, Yogyakarta. Indonesia.
[4] Julzarika, A. and Sudarsono, B., 2009. differential of Digital Surface
Model (DSM) into Digital Elevation Model (DEM) of the ALOS Palsar.
Journal of Teknik University of Diponegoro. Semarang. Indonesia.
[5] Knopfle, W., Strunz, G., Roth, A., 1998. Mosaiking of Digital Elevation
Models Derived by SAR Interferometry. IAPRS, Vol. 32 part 4.
Stuttgart, Germany.

154|GeomatikaSARNasional(GeoSARNas)2011
 [6] Li, Xiong., and Gotze. Hans-Jurgen., 2001, Tutorial Ellipsoid, geoid,
gravity, geodesy, and geophysics, Geophysics, Vol.66, No.6, P.1660-
1668, November-December 2001.
[7] Li, Z., Zhu, Q., and Gold, C., 2005. Digital Terrain Modeling Principles
and Methodology. CRC Press. Florida. USA.
[8] Wellenhof, B.H., and Moritz, H., 2006, Physical Geodesy, Second
corrected edition, SpriengerWienNewYork, New York.

GeomatikaSARNasional(GeoSARNas)2011|155


156|GeomatikaSARNasional(GeoSARNas)2011
 Pemetaan Distribusi Kelembaban Tanah Menggunakan Data
Polarimetrik PALSAR ALOS

1 1 2
Indah Prasasti , Ita Carolita , A. E. Ramdani
1
Pusbangja, LAPAN
2
Alumni Jurusan Geofisika dan Meteorologi, IPB

Pendahuluan
Pemantauan karakteristik distribusi kelembaban tanah secara spasial maupun
temporal sangat penting. Hal ini dikarenakan, kelembaban tanah berperan
dalam mengendalikan pertumbuhan tanaman, menjadi indikator perilaku tanah,
dan dapat digunakan untuk menilai kemampuan ketahanan tanah terhadap
erosi, dan sebagainya. Selain itu, kelembaban tanah merupakan parameter
utama dalam sejumlah pengkajian lingkungan, antara lain dalam bidang
hidrologi, meteorologi, dan pertanian. Di bidang hidrologi, informasi tentang
distribusi kelembaban tanah sangat bermanfaat dalam pengelolaan wilayah
Daerah Aliran Sungai (DAS) untuk menentukan alokasi sumberdaya air yang
terbatas selama musim kering dan dapat membantu upaya penanganan banjir
pada musim penghujan. Distribusi kelembaban tanah juga memiliki peranan
yang sangat penting dalam memprediksi erosi dan muatan sedimen pada aliran
sungai dan waduk. Pada wilayah pertanian di sepanjang DAS, informasi
kelembaban tanah telah banyak digunakan dalam perencanaan irigasi,
pengelolaan penanggulangan hama dan penyakit, dan prediksi peningkatan
hasil-hasil pertanian. Sementara itu pada wilayah kering (arid) dan semi-arid,
informasi kandungan kelembaban tanah telah banyak digunakan sebagai salah
satu indikator untuk memantau kondisi tanaman.

Beberapa peneliti menggunakan data Synthetic Aperture Radar (SAR) untuk

memetakan distribusi kelembaban tanah. Penggunaan sistem SAR ini dapat
memberikan resolusi dari 10 hingga 100 m dengan luas liputan sekitar 50 500
km sehingga sangat memungkinkan untuk diaplikasikan pada skala DAS. Selain
itu, keuntungan lain penggunaan sistem SAR ini adalah memiliki hubungan

GeomatikaSARNasional(GeoSARNas)2011.|157
yang kuat dengan kelembaban permukaan tanah, kemampuan penetrasi dapat
mencapai 5 cm kedalaman tanah, dan mampu menembus awan dan atmosfir
bumi. Alasan lain adalah bahwa microwave dapat menembus vegetasi lebih
dalam dibandingkan gelombang optik. Kedalaman penetrasi tergantung pada
panjang gelombang microwave dan kandungan kelembaban vegetasi. Penetrasi
akan meningkat jika panjang gelombang meningkat, dan menurun jika
kandungan kelembaban vegetasi meningkat. Alasan ketiga adalah bahwa
kandungan informasi yang berbeda dibandingkan dengan yang diperoleh
menggunakan panjang gelombang visibel merah infra (Visible Infrared
(VIR)). Hamburan pada spektrum VIR tergantung pada sifat molekular lapisan
permukaan vegetasi atau tanah, sedangkan hamburan microwave tergantung
pada kekasaran permukaan dalam skala-besar (sentimeter kekasaran secara
tipikal) dan volume hamburan (sebagai contoh hamburan dari kanopi hutan).

Salah satu data SAR yang dapat digunakan untuk estimasi kelembaban tanah
adalah data Palsar-ALOS (Phased Array Type L-band Synthetic Aperture Radar
- Advanced Land Observation Satellite). Palsar-ALOS merupakan salah satu
sensor dari satelit ALOS milik Jepang. Palsar adalah sensor yang bekerja pada
gelombang mikro aktif L-band (pusat frekuensi 1270 MHz/23.6 cm) untuk
pengamatan pada siang dan malam hari serta bebas cuaca/awan. Sensor ini
merupakan hasil pengembangan dari SAR/JERS-1 oleh JAXA bekerja sama
dengan JAROS (Japan Resources Observation System Organization).
Instrumen Palsar secara penuh merupakan polarimetrik yang bekerja pada
salah satu dari mode: a/. Polarisasi tunggal (HH atau VV), b/. Polarisasi rangkap
dua (HH+HV atau VV+VH), dan c/. Polarisasi penuh. Teknik scan sensor
Palsar-ALOS disajikan pada Gambar 1. Data Palsar-ALOS ini memiliki potensi
untuk dapat dimanfaatkan dalam berbagai aplikasi, seperti membuat DEM,
interferometri dari perubahan/penurunan permukaan lahan, estimasi biomasa
hutan, pemantauan kebakaran hutan/pertanian, pemantauan lapisan polusi
minyak, pemantauan banjir, estimasi kelembaban tanah, dan pemantauan
tumpahan minyak dari kapal.

158|GeomatikaSARNasional(GeoSARNas)2011

Gambar 1. Teknik scan sensor Palsar-ALOS (Sumber:
http://www.csrsr.ncu.edu.tw)

Tulisan ini merupakan hasil pengembangan model pemetaan distribusi

kelembaban tanah menggunakan citra dua polarisasi Palsar-ALOS (VV dan HH)
dan identifikasi kelembaban tanah pada beberapa penutup lahan. Areal yang
menjadi obyek kajian adalah wilayah Kabupaten Bekasi dan sekitarnya. Data
yang digunakan dalam kajian ini adalah citra Palsar-ALOS level 1.1 tanggal 11
April 2007 (polarisasi HH dan VV) dan citra AVNIR-2 tanggal 5 Oktober 2007
yang diolah menggunakan perangkat lunak Polsar pro versi 4.0, ENVI versi 4.3,
dan ERMAPPER versi 7.0.

Nilai digital Palsar-ALOS polarimetrik (HH dan VV) dikonversi menjadi nilai
hambur balik (backscatter) menggunakan persamaan berikut:

0 = 10 log10 DN2 + CF ......................................................................................................................... (1)

dengan 0 adalah koefisien hamburbalik (db), DN adalah nilai digital citra, dan
CF adalah faktor kalibrasi (-86 db).

Selanjutnya berdasarkan nilai hamburbalik dari citra polarisasi HH dan VV

dilakukan estimasi nilai konstanta dielektrik (') menggunakan persamaan
Dubois et al. (1995), sebagai berikut:
.
. . . .

............................................................................ (2)
.

dengan:
= konstanta dielektrik
o = koefisien hamburan balik (db)
= sudut yang terbentuk (o)

GeomatikaSARNasional(GeoSARNas)2011|159
 = panjang gelombang (23.6 cm)
Selanjutnya, nilai konstanta dielektrik dapat pula digunakan untuk menduga nilai
kekasaran permukaan :
. .
. .
.
10 .
.
10 ................................................................................(3)

dengan:

ks = kekasaran permukaan
= konstanta dielektrik
o = koefisien hamburan balik (db)
= sudut yang terbentuk (o)
= panjang gelombang (23.6 cm)
Sementara itu, nilai kelembaban tanah (mv) dapat diestimasi menggunakan
persamaanTop et al. (1980) berikut:

mv = -5.3 10-2 + 2.29 10-2 5.5 10-42 + 4.3 10-63 ...................................................................(4)

dengan :

mv = kadar air tanah (%)

= konstanta dielektrik
Selanjutnya, dengan bantuan hasil delineasi penutup penggunaan lahan dari
citra AVNIR-2 ditentukan/diidentifikasi beberapa jenis penutup lahan.
Selanjutnya, hasil deleneasi batas beberapa jenis penutup lahan seperti badan
air, lahan sawah fase air, sawah bera, lahan terbuka, permukaan lahan
terbangun, dan permukaan bervegetasi digunakan untuk menentukan nilai
kisaran hamburbalik, konstanta dielektrik, kekasaran permukaan (ks), dan
kelembaban tanah pada masing-masing penutup lahan tersebut. Proses
tahapan yang dilakukan dalam penelitian ini disarikan pada bagan alir Gambar
2.

Dari hasil pengolahan data menggunakan perangkat lunak Polsarpro diperoleh

citra hamburan (scattering) dan citra PauliRGB. Gambar 3 dan 4
memperlihatkan citra hamburbalik polarimetrik HH dan VV, sedangkan citra
PauliRGB disajikan pada Gambar 5. Selanjutnya dengan bantuan citra hasil
deleneasi batas beberapa jenis penutup lahan berdasarkan peta penutup lahan
yang diekstraksi dari citra AVNIR-2 (Gambar 6), maka dilakukan ekstraksi nilai
hamburbalik dari masing-masing citra polarimetrik (HH dan VV) untuk masing-
masing jenis penutup lahan seperti yang disajikan pada Tabel 1.

160|GeomatikaSARNasional(GeoSARNas)2011
Gambar 2. Bagan Alir Pemetaan Distribusi Kelembaban Tanah

GeomatikaSARNasional(GeoSARNas)2011|161
 Gambar 3. Citra Hamburbalik dari Polarimetrik HH

Gambar 4. Citra Hamburbalik dari Polarimetrik VV

162|GeomatikaSARNasional(GeoSARNas)2011
Gambar 5. Citra PauliRGB Wilayah Bekasi dan sekitarnya Tanggal 11 April 2007

GeomatikaSARNasional(GeoSARNas)2011|163
 Gambar 6. Peta Penutup Lahan yang Diekstraksi dari Citra AVNIR-2

Tabel 1. Kisaran Nilai Koefisien Hamburbalik (0) (db) dari citra Polarimetrik HH dan VV
Polarimetrik HH Polarimetrik VV
Jenis Penutup Lahan
Min Maks Rata-rata Min Maks Rata-rata
Badan air -86 -50 -72.1 -86 -65 -75.6
Lahan sawah fase air -86 -46 -69.7 -86 -45 -70.7
Lahan sawah bera -76 -38 -58.5 -64 -38 -45.9
Lahan terbuka -80 -38 -53.9 -74 -38 -49.8
Lahan terbangun -64 -38 -49.2 -64 -38 -45.4
Lahan bervegetasi -76 -38 -55.0 -74 -38 -51.3

Berdasarkan Tabel 1 terlihat bahwa nilai hamburbalik permukaan yang berair

(badan air dan sawah fase air) menunjukkan nilai yang paling rendah baik pada
polarimetrik HH (rata-rata -72.1 untuk badan air dan -69.7 untuk sawah fase air)
maupun VV (rata-rata -75.6 untuk badan air dan -70.7 untuk sawah fase air).

164|GeomatikaSARNasional(GeoSARNas)2011
Selain itu apabila dibandingkan antara polarimetrik HH dan VV, terlihat bahwa
nilai rata-rata hamburbalik permukaan lahan yang berair lebih rendah pada
polarimetrik VV dibandingkan pada polarimetrik HH. Sebaliknya, nilai rata-rata
hamburbalik jenis permukaan lainnya akan lebih rendah pada polarimetrik HH
dibandingkan dengan polarimetrik VV. Selanjutnya berdasarkan nilai
hamburbalik polametrik HH dan VV diturunkan nilai konstanta dielektrik
menggunakan persamaan Dubois et al. (1995). Tabel 2 memperlihatkan nilai
konstanta dielektrik masing-masing penutup lahan.

Tabel 2. Kisaran nilai konstanta dielektrik

Tutupan lahan Min maks rata-rata
Badan air 5.0 10.8 7.9
Lahan sawah fase air 4.3 11.5 7.6
Lahan sawah bera 2.7 9.16 5.2
Lahan terbuka 2.5 9.9 6.4
Lahan terbangun 3.6 8.0 6.1
Lahan vegetasi 3.9 8.9 6.5
Berdasarkan Tabel 2 terlihat bahwa permukaan dengan tingkat kandungan air
tinggi (badan air dan lahan sawah fase air) mempunyai nilai konstanta dielektrik
yang paling tinggi di antara penutup lahan yang lain. Hal ini dikarenakan, sifat
kontanta dielektrik; yang merupakan fungsi dari frekuensi (atau panjang
gelombang radar), yang sangat kuat dipengaruhi oleh kelembaban atau
kandungan air dari bahan (benda). Sebaliknya, lahan sawah bera memiliki rata-
rata kontanta dielektrik yang paling rendah. Sementara itu, kontanta dielektrik
untuk jenis lahan terbuka, terbangun dan bervegetasi memiliki nilai rata-rata
yang relatif sama.

Bahan-bahan dengan dielektrik tinggi umumnya lebih banyak memantulkan

sinar radar yang datang sedangkan energi yang diserap sangat kecil. Konstanta
dielektrik media natural umumnya antara 1 sampai 6, dan meningkat dengan
meningkatnya kadar air. Air bebas mempunyai nilai dielektrik diatas media
natural sampai 81 dan menunjukkan frequensi yang rendah Pada kondisi tanah
kering, nilai konstanta dielektrik berkisar antara 2 4, sedangkan nilai konstanta
dielektrik imaginer di bawah 0.05 (Ulaby, 1986). Nilai konstanta dielektrik
kompleks meningkat dengan semakin tingginya pergerakan molekul-molekul air
yang disebabkan oleh gaya matriks yang bekerja pada molekul-molekul air

GeomatikaSARNasional(GeoSARNas)2011|165
tersebut. Gambar 7 memperlihatkan hubungan antara konstanta dielektrik
dengan kelembaban permukaan. Semakin tinggi nilai konstanta dielektrik,
semakin tinggi kandungan kelembaban tanah.

kadar air tanah 0-5 cm

y = 1.0919x2 - 7.9058x + 36.947
R = 0.9937

%vol

Dielektrik konstan

Gambar 7. Hubungan Dielektrik Konstanta dengan Kadar Air Tanah

Dengan didasarkan pada sifat-sifat dielektrik, maka secara cepat kita dapat
mengetahui pengaruh kelembaban terhadap hamburbalik radar. Kontanta
dielektrik yang rendah pada permukaan yang kering menyebabkan sinar radar
masuk ke permukaan, dan masuknya serangkaian sinar yang berasal dari
hamburan permukaan dan volume. Ketika konstanta dielektrik meningkat, maka
penetrasinya menurun, sehingga hamburan permukaan yang lebih dominan.
Pada kasus yang ekstrim pada permukaan air, secara virtual tidak terdapat
penetrasi permukaan, dan hamburan murni hanya berasal dari pengaruh
permukaan.

Selain citra konstanta dielektrik, dari citra hamburbalik juga dapat diturunkan
citra kekasaran permukaan seperti yang ditunjukkan oleh Gambar 9.
Berdasarkan Gambar 9 terlihat bahwa permukaan dengan tingkat kelembaban
yang tinggi seperti badan air dan sawah fase air memiliki nilai kekasaran
permukaan yang paling rendah dibandingkan dengan jenis permukaan lainnya.
Kekasaran permukaan (Surface roughness) sangat mempengaruhi nilai kadar
air tanah. Meningkatnya kekasaran permukaan dapat mempengaruhi besar
sudut yang terbentuk dari pantulan balik sinyal yang ditransmisikan oleh
permukaan. Menurut Dubois (1995), ratio koefisien hamburan balik hh /vv
meningkat dengan meningkatnya kekasaran permukaan dan meningkatnya
kelembaban tanah atau meningkatnya sudut datang.

Kemudian dengan menggunakan persamaan Top et al. (1980) dapat diestimasi

nilai kelembaban tanah (mv) seperti tampak pada Gambar 8. Tabel 3

166|GeomatikaSARNasional(GeoSARNas)2011
menjelaskan kisaran nilai kelembaban pada masing-masing penutup lahan.
Dalam pengkelasan kelembaban tanah (Tabel 3), kelas penutup lahan badan air
dan lahan sawah fase air tidak termasuk yang diperhitungkan dan hanya
digunakan sebagai faktor pembanding. Dari Tabel 3 terlihat bahwa kisaran nilai
kelembaban pada lahan terbuka memiliki kisaran yang cukup lebar, antara 7.0
51.9 (% volumetrik), sedangkan lahan terbangun memiliki kisaran kelembaban
yang paling pendek (13.8 32.7 % volumetrik).

Gambar 8. Citra Distribusi Kelembaban Tanah dari PALSAR-ALOS

Tabel 3. Kisaran nilai kelembaban tanah pada kedalaman 0-5 cm (% vol)

Tutupan lahan min maks rata-rata
Lahan bera 8.4 34.9 20.0
Lahan terbuka 7.0 51.9 24.9
Lahan terbangun 13.8 32.7 23.7
Lahan vegetasi 15.3 35.6 25.0

GeomatikaSARNasional(GeoSARNas)2011|167
Daftar Pustaka

Dubois, P.C., Vanzyl, J.J. and Engman, T. 1995. Measuring soil moisture with
imaging radars. IEEE transactions on geoscience and remote sensing.
33:916-926.
Moran, M. S., Peters-Lidard, C. D., Watts, J. M., dan Elroy, S. M. 2004.
Estimation soil moisture at the watershed scale with satellite-based radar n
land surface models. Can. J. Remote sensing. 30:91-107.
NASDA (National Space Development Agency of Japan). 2004a. ALOS
:Advanced Land Observing Satellite, Satellite and Program, Japan.
NASDA (National Space Development Agency of Japan). 2004b. ALOS
:Advanced Land Observing Satellite, Sensor and Product. Japan.
Oh, Y., Sarabandi, K., and Ulaby, F.T. 1992. An empirical model and an
inversion technique for radar hamburan from bare soil surface. IEEE
transactions on geoscience and remote sensing. 30: 370-381.
Sitanggang, G. 2008. Kajian sistem penginderaan jauh satelit ALOS dan potensi
datanya untuk bermacam aplikasi. Potensi dan pemanfaatan data satelit
inderaja ALOS, Spot, dan Landsat.1:1-22.
Sonobe. R., Tani, H., Wang, X., dan Fukuda, M. 2008. Estimation of soil
moisture for bare soil field using alos/palsar hh polarization data.
Agricultural information research 17(4):171-177.
Top, G. C., Davis, J. L., and Annan, A. P. 1980. Electromagnetic determination
of soil water content: measurenments in coaxial transmission lines. Water
resource res. 16:574-582.
Ulaby, F. T., Moore, M. K. and Fung, A. K. .1982. Radar remote sensing and
surface scattering and emission theory. In microwave remote sensing:
active and passive. 2:57-84.
Ulaby, F. T., Moore, M. K. and Fung, A. K. .1986. Microwave Remote sensing
Active and Passive. Artech House, Norwood, 3:1098.

168|GeomatikaSARNasional(GeoSARNas)2011
 Teknik Koreksi Bull Eyes untuk Peningkatan Akurasi dan Presisi
Model 3D dengan Height Error Maps Berbasis Hitung Perataan

Atriyon Julzarika, Samsul Arifin

Lembaga Penerbangan dan Antariksa Nasional (LAPAN)
Jl. LAPAN No.70 Pekayon, Kec. Pasar Rebo, Jakarta Timur 13710.

E-Mail:
verbhakov@yahoo.com

Abstrak. Model 3D merupakan tampilan suatu model dengan sistem koordinat 3D (polar,
geodetik, raster dan kartesi) dengan bidang referensi yang terdefinisi terhadap proyeksi
dan datum tertentu. Model 3D dapat dibuat dari data radar dan optik. Model 3D ini
dapat berupa Digital Surface Model (DSM), Digital Elevation Model (DEM), Digital
Terrain Elevation Model (DTED), Digital Terrain Model (DTM), Earth Geoid Model (EGM),
dan lain-lain. Semua model 3D tersebut memiliki karakteristik tersendiri dengan akurasi
dan presisi tertentu. Model 3D dapat dibuat dari survei terrestrial, airborne mapping,
satellite mapping, dan unmanned mapping. Model 3D yang dihasilkan dari berbagai jenis
pengukuran tersebut masih menghasilkan bull eyes sehingga mempengaruhi tingkat
akurasi dan presisi. Bull Eyes adalah kesalahan acak berupa blunder yang terjadi akibat
anomali nilai tinggi terhadap tetangga terdekatnya.

Bull Eyes bisa disebabkan oleh interpolasi kontur yang salah akibat penyebaran titik
tinggi yang tidak merata atau bisa juga disebabkan oleh nilai titik tinggi yang tidak
sesuai dengan yang sebenarnya. Bull eyes merupakan titik, garis, atau area yang
mempunyai nilai ketinggian, akan tetapi nilai tersebut tidak merepresentasikan keadaan
sebenarnya di lapangan.

Ada beberapa metode koreksi Bull Eyes yaitu cut terrain, fill sink, height error maps.
Pada tulisan ini, koreksi Bull Eyes menggunakan height error masp dengan pendekatan
secara hitung perataan. Height error maps yang dibuat digunakan untuk mengetahui
tingkat height error setiap piksel maupun titik. Bull Eyes dapat terdeteksi dengan nilai
pada height error map tersebut. Koreksi Bull Eyes ini bertujuan meningkatkan akurasi
dan presisi data model 3D sehingga dapat menghasilkan model 3D bebas Bull Eyes. Hasil
ini dapat digunakan untuk berbagai aplikasi keteknikan dan non keteknikan.

Katakunci: koreksi Bull Eyes, Height Error Map, Hitung Perataan

GeomatikaSARNasional(GeoSARNas)2011.|169
Pendahuluan
Saat ini Teknik Geodesi dan Geomatika sudah mencapai kemajuan signifikan,
salah satunya dibidang pemodelan bumi. Pemodelan ini menghasilkan model
3D sampai model 12D yang dihasilkan dari berbagai jenis data. Penginderaan
Jauh sebagai salah satu cabang ilmu dari Fotogrammetri yang juga sebagai
salah satu bagian dari Teknik Geodesi dan Geomatika ini ikut berpartisipasi
dalam pembuatan model 3D. Data masukan yang digunakan bisa bersumber
dari survei terrestris (surveying), airborne mapping (fotogrammetri), citra satelit
(penginderaan jauh), dan unmanned mapping (videogrammetri).

Model 3D merupakan tampilan suatu model dengan sistem koordinat 3D (polar,

geodetik, raster dan kartesi) dengan bidang referensi yang terdefinisi terhadap
proyeksi dan datum tertentu. Model 3D dapat dibuat dari data radar dan optik.
Ada beberapa jenis model 3D, yaitu DSM, DEM, DTM, DTED, DHM, DGM, dan
EGM. Menurut International Association of Geodesy (IAG) dan (Li, Zhu, Gold,
2004) serta (Miller and Laflamme, 1958), (Petrie and Kennie, 1987), (Helmert,
1880/1884), (Vanicek, 1976), (Vanicek dan Krakiwsky, 1986) telah disepakati
pengertian dari berbagai jenis model 3D tersebut, yaitu:

1. Digital Surface Model (DSM)

a. A DSM is an elevation model that includes the tops of buildings, trees,
powerlines, and any other objects. Commonly this is seen as a canopy
model and only 'sees' ground where there is nothing else overtop of it.

b. Essentially the full point cloud, with ground, structures, and vegetation.
(cheapest)

c. Digital surface model (DSM ) a first-reflective-surface model that

contains elevations of natural terrain features in addition to vegetation
and cultural features such as buildings and roads.

2. Digital Elevation Model (DEM)

a. A DEM is a 'bare earth' elevation model, unmodified from its original data
source (such as lidar, ifsar, or an autocorrelated photogrammetric
surface) which is supposedly free of vegetation, buildings, and other 'non
ground' objects.

b. Incidentally, a DEM is far cheaper to produce an a DTM.

170|GeomatikaSARNasional(GeoSARNas)2011
 c. Bare Earth with structures and vegetation removed

d. Digital Elevation Model (DEM ) a bare-earth model that contains

elevations of natural terrain features such as barren ridge tops and river
valleys. Elevations of vegetation and cultural features, such as buildings
and roads, are digitally removed.

e. Elevation: height above a given level, especially that of sea; height

above the horizon; etc.

f. the terms elevation emphasize the measurement from a datum to the

top of an object. elevation do not necessarily refer to the altitude of the
terrain surface, but in practice, this is the aspect that is emphasized in
the use of these terms.

g. DEM was widely used in America

3. Digital Terrain Model (DTM)

a. A DTM is effectively a DEM that has been augmented by elements such
as breaklines and observations other than the original data to correct for
artifacts produced by using only the original data. This is often done by
using photogrammetrically derived linework introduced into a DEM
surface. An example is hydro-flattening commonly seen in elevation
models done to FEMA specifications

b. DEM with thinned ground points (mass points) and breaklines. (most
expensive)

c. the DTM was defined as a digital (numerical) representation of the

terrain.

d. Terrain: tract of country considered with regarded to its natural features,

etc.; an extent of ground, region, territory; etc.

e. The meaning of terrain is more complex and embracing. It may contain

the concept of height (or elevation), but also attempts to include other
geographical elements and natural features. Therefore, the term DTM
tends to have a wider meaning than DHM or DEM and will attempt to
incorporate specific terrain features such as rivers, ridge lines,
breaklines, etc. into the model.

GeomatikaSARNasional(GeoSARNas)2011|171
 f. Generally, a DTM could contain the following four groups of (topographic
and non topographic) information as follows:

o Landforms, such as elevation, slope, slope form, and the other more
complicated geomorphological features that are used to depict the
relief of the terrain.

o Terrain features, such as hydrographic features (i.e., rivers, lakes,

coast lines), transportation networks (i.e., roads, railways, paths),
settlements, boundaries, etc.

o Natural resources and environments, such as soil, vegetation,

geology, climate, etc.

o Socioeconomic data, such as the population distribution in an area,

industry and agriculture and capital income, etc.

g. A DTM is an ordered set of sampled data points that represent the

spatial distribution of various types of information on the terrain. The
mathematical expression could be something like: KP = f (uP , vP ), K =
1, 2, 3, . . . ,m, P = 1, 2, 3, . . . , n (1.1) where KP is one attribute value of
the kth type of terrain feature at the location of point P (which can be a
single point, but is usually a small area centered by P); uP , vP is the 2-D
coordinate pair of point P; m (m 1) is the total number of terrain
information types; and n is the total number of sampled points. For
example, suppose soil type is categorized as ith type of terrain
information, then the DTM of this component is expressed as IP = fi(uP ,
vP ), P = 1, 2, 3, . . . , n. (1.2)

h. A DTM is a digital representation of the spatial distribution of one or more

types of terrain information and is represented by 2-D locations plus a
mathematical representation of terrain information. It is commonly
regarded as a 2.5-D representation of the terrain information in 3-D
geographical space.

4. Digital Ground Model (DGM)

a. Ground: the solid surface of the earth; a solid base or foundation; a
surface of the earth; bottom of the sea; etc.

172|GeomatikaSARNasional(GeoSARNas)2011
 b. A DGM more or less has the meaning of a digital model of a solid
surface.

c. DGM was used in the United Kingdom.

5. Digital Height Model (DHM)

a. Height: measurement from base to top; elevation above the ground or
recognized level, especially that of the sea; distance upwards; etc.

b. the terms height emphasize the measurement from a datum to the top
of an object. Height do not necessarily refer to the altitude of the terrain
surface, but in practice, this is the aspect that is emphasized in the use of
these terms.

c. DHM came from Germany

6. Digital Terrain Elevation Model (DTED)

a. DTEM was introduced and used by USGS and DMA (Defense Mapping
Agency)

b. Terrain: tract of country considered with regarded to its natural

features, etc.; an extent of ground, region, territory; etc.

c. Elevation: height above a given level, especially that of sea; height

above the horizon; etc.

7. Geoid
a. The term Geoid is used to portray the shape of the Earth's surface, and
it identifies that surface to which the oceans would conform over the
entire Earth if free to adjust to the combined effect of the Earth's mass
attraction and the centrifugal force of the Earth's rotation.

b. Among the Earths equipotential surfaces, the Geoid coincides with the
mean sea level of the oceans through a process of Least Squares
Approximation. The Geoid extends under the continents and differs
from an ellipsoid of revolution by vertical distances that are within the
order of one hundred metres.

c. Ignoring for the moment that soundings on charts are referred to a low
water chart datum, the Geoid is the reference surface for heights

GeomatikaSARNasional(GeoSARNas)2011|173
 (orthometric or dynamic, defined below) used in mapping. As such it is
often called a "vertical datum" and the heights referred to it are
commonly known as "heights above mean sea level". The practical
realization of the vertical datum is normally achieved by accepting a
mean sea level at the locations of tide gauges along the seashore. This
realization carries with it some inherent errors that may reach well over
one metre. The local mean sea level is determined indirectly, by
studying the tide-gauge record for a certain time period and is thus
tacitly valid for that time period.

Model 3D dapat dibuat dari data radar dan optik. Data radar dan optik tersebut
dapat diperoleh dari satelit, airborne mapping, maupun survei terrestris. Gambar
1 berikut merupakan pendefinisian model 3D dan gambar 2 merupakan
pendefinisian referensi bidang tinggi.

Gambar 1. Pendefinisian Model 3D

174|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 2. Kondisi berbagai jenis bidang tinggi

Pada penelitian ini menggunakan model 3D dari data DEM 1 X SAR yang
memiliki resolusi spasial 1 arc second (sekitar 25 m) dengan akurasi vertikal 3-5
m. Gambar 3 adalah tampilan DEM 1 X SAR wilayah kajian. Penelitian ini
bertujuan untuk meningkatkan akurasi dan presisi model 3D dengan height error
maps berbasis hitung perataan.

Gambar 3. DEM 1 X SAR

GeomatikaSARNasional(GeoSARNas)2011|175
Metodologi Penelitian
Penelitian ini mengacu pada diagram alir penelitian gambar 4 berikut.

Model 3D

KoreksiBullEyes

Uji

Model3D

Gambar 4. Diagram alir penelitian

Hitung Perataan
Hitung perataan kuadrat terkecil dimaksudkan untuk mendapatkan harga
estimasi dari suatu parameter yang paling mendekati harga sebenarnya dengan
cara menentukan besaran yang tidak diketahui (parameter) dari sekumpulan
data ukuran yang mempunyai pengamatan lebih (Widjajanti, 1997). Prinsip
penyelesaian hitung kuadrat terkecil adalah jumlah kuadrat dari residu adalah
minimal (Hadiman, 1999).

Vi2 = minimal

Pada hitung perataan berpengaruh faktor akurasi dan presisi (wolf, 1981).
Akurasi adalah tingkat kedekatan atau konsistensi pengukuran terhadap nilai
yang benar (true value) sedangkan presisi adalah tingkat kedekatan atau
kedekatan pengukuran terhadap nilai rerata. (Soetaat, 1996). Ada berbagai
metode hitung perataan kuadrat terkecil, diantaranya adalah metode parameter,
minimal constraint dan more than constraint yang menganggap titik penelitian
fixed (Spiegel, 1975) dan (Uotila, 1985). Metode yang lain adalah metode
parameter berbobot dan jaring bebas serta inner constraint yang
memperhitungkan kesalahan dari titik penelitian (Widjajanti, 1997).

176|GeomatikaSARNasional(GeoSARNas)2011
Koreksi Bull Eyes
Bull Eyes adalah kesalahan acak berupa blunder yang terjadi akibat anomali
nilai tinggi terhadap tetangga terdekatnya. Bull Eyes bisa disebabkan oleh
interpolasi kontur yang salah akibat penyebaran titik tinggi yang tidak merata
atau bisa juga disebabkan oleh nilai titik tinggi yang tidak sesuai dengan yang
sebenarnya. Bull Eyes merupakan titik, garis, atau area yang mempunyai nilai
ketinggian, akan tetapi nilai tersebut tidak merepresentasikan keadaan
sebenarnya di lapangan.

Hasil dan Pembahasan

Koreksi Bull Eyes perlu dilakukan terhadap model 3D dari berbagai data
masukan. Koreksi Bull Eyes bertujuan untuk menghilangkan anomali nilai tinggi
yang berbeda dari tetangga sekitar dan bersifat blunder serta menimbulkan
kondisi kontur yang salah. Gambar 5 merupakan pengecekan Bull Eyes berupa
spires dan pits.

Gambar 5. Pengecekan Bull Eyes berupa spires dan pits

Ada tiga metode untuk koreksi Bull Eyes, yaitu FillSink, Cut Terrain, dan Height
Error Maps. Height error dibuat dari nilai standar deviasi atau eror vertikal pada

GeomatikaSARNasional(GeoSARNas)2011|177
data model 3D tersebut. Height error dapat dibuat dari data itu sendiri. Fill sink
adalah metode penghilangan anomali tinggi terhadap daerah cekungan
sedangkan Cut Terrain adalah metode penghilangan anomali tinggi terhadap
daerah cembung/terjal.

Gambar 6. Koreksi Bull Eyes

Koreksi Bull Eyes (Gambar 6) dilakukan dengan tiga metode yang ada, yaitu
FillSink (Gambar 7), Cut Terrain (Gambar 8), dan Height Error Maps (Gambar
9). Metode Height Error Maps menghasilkan data keluaran dengan akurasi dan
presisi lebih baik dari FillSink dan Cut Terrain. Metode FillSink memiliki
kelebihan pada pengisian anomali nilai tinggi pada wilayah lembah, tetapi tidak
bisa mengkoreksi data wilayah cembung/terjal, sedangkan metode Cut Terrain
berlaku kebalikan dan metode FillSink.

Gambar 7. Koreksi Bull Eyes metode FillSink

178|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 8. Koreksi Bull Eyes metode Cut Terrain

Gambar 9. Koreksi Bull Eyes metode Height Error Maps

Setelah dilakukan koreksi Bull Eyes maka diperlukan pengecekan hasil berupa
Bull Eyes yang masih terdapat pada data model 3D tersebut. Gambar 10
merupakan hasil pengecekan Bull Eyes.

Gambar 10. Pengecekan Bull Eyes

GeomatikaSARNasional(GeoSARNas)2011|179
Selain pengecekan setiap piksel nilai tinggi juga dilakukan pengecekan
terhadap nilai geostatistik wilayah kajian berupa pola histogram elevasi
(Gambar 11), grafik distribusi elevasi (Gambar 12), dan proporsi area (Gambar
13). Jika polanya sudah pada kondisi standar deviasi minimum (3 sigma), maka
model 3D tersebut sudah dalam kondisi bebas bull eyes atau sudah tidak
terdapat blunder lagi.

Gambar 11. Pola histogram elevasi

Gambar 12. Grafik distribusi elevasi

Gambar 13. Proporsi area

Jika model 3D sudah bebas dari Bull Eyes maka dapat digunakan untuk
berbagai aplikasi pemetaan seperti untuk penurunan model DSM menjadi DEM
maupun DSM menjadi DTM.

180|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 14. Penurunan Model DSM menjadi DEM/DTM

Salah satu cara koreksi DSM ke DEM maupun DSM ke DTM adalah dengan
melakukan pendeteksian surface/permukaan objek dengan metode hitung
perataan. Nilai parameter yang diperoleh dari hitung perataan dimasukkan ke
persamaan yang dibentuk dan diberlakukan untuk setiap piksel. Jika kondisi
surface dan topografi/terrain/elevasi hampir sama maka kondisi nilai sebelum
dan sesudah perkalian terhadap persamaan yang dibentuk akan relatif sama
juga. Jika kondisi surface berbeda dengan topografi/terrain/elevasi berbeda
maka kondisi nilai sebelum dan sesudah perkalian terhadap persamaan akan
berbeda juga. Perbedaan ini merupakan nilai koreksi surface dari DSM menjadi
DEM/DTM.

Kesimpulan
Ada tiga kesimpulan pada tulisan ini, yaitu:

1. Model 3D yang ada saat ini memiliki kriteria dan spesifikasi tertentu seperti
DSM, DEM, DTM, DTED, DGM, EGM dan DHM sehingga akan
menghasilkan akurasi dan presisi yang berbeda dan digunakan untuk
berbagai kepentingan pemetaan sesuai dengan kesepakatan yang ada.

2. Model 3D perlu dilakukan koreksi Bull Eyes dengan tujuan untuk

menghilangkan Bull Eyes/blunder/anomali nilai tinggi terhadap tetangga
sekitar sehingga bisa menghasilkan akurasi dan presisi yang lebih tinggi.

3. Ada tiga metode koreksi Bull Eyes, yaitu FillSink, Cut Terrain, dan Height
Error Maps. Metode Height Error Maps akan menghasilkan akurasi dan
presisi lebih baik dari metode FillSink dan Cut Terrain.

GeomatikaSARNasional(GeoSARNas)2011|181
Daftar Pustaka

Hadiman., 1999, Hitung Perataan, Jurusan Teknik Geodesi dan Geomatika,

Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.
Helmert, F.R. , 1880/1884. Die matematischen und physikalischen Theorien der
hheren Geodsie. Teubner, Leipzig
International Association of Geodesy (IAG)
Li, Z., Zhu, Q., Gold, C., 2004. Digital Terrain Modeling: Principles and
Methodology. CRC Press.
Miller, C. and Laflamme, R., 1958. The digital terrain model theory and
applications Photogrammetric Engineering.
Petrie, G. and Kennie T., 1987. An introduction to terrain modeling: applications
and terminology. University of Glasgow
Soetaat., 1996, Hitung kuadrat terkecil lanjut, Jurusan Teknik Geodesi dan
Geomatika, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.
Spiegel, M.R., 1975, Theory and Problems of Probability and Statistics, Mc
Grow-Hill book company, USA.
Uotila, U.A., 1985, Adjustment Computations Notes, Department of Geodetic
Science and Surveying The Ohio State University, Ohio.
Vanek, P., 1976. Physical geodesy. Department of Surveying Engineering,
University of New Brunswick.
Vanicek, P. & Krakiwsky, E., 1986. Geodesy, the concepts. North-Holland,
Amsterdam, NY, Oxford, Tokyo.
Widjajanti, N., 1997, Diktat Hitung Perataan, Jurusan Teknik Geodesi dan
Geomatika, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.
Widjajanti, N.,dan Sutanta, H. 2006: Model Permukaan Digital, Jurusan Teknik
Geodesi dan Geomatika, Fakultas Teknik, Universtas Gadjah Mada,
Yogyakarta.
Wolf, P.R., 1981, Adjustment Computations: (practical least square for
surveyors), edisi ke-2, Institut Teknologi Bandung, Bandung.

182|GeomatikaSARNasional(GeoSARNas)2011
 II
OPTICAL
REMOTE SENSING,
AND THE APPLICATION

Environment
and Disaster Mitigation
This page intentionally left blank
 Informasi Spasial Daerah Rawan Bencana sebagai Salah Satu
Masukan dalam Perencanaan Tata Ruang Wilayah

A.B.Suriadi M Arsjad
Balai Penelitian Geomatika. Badan Koordinasi Survei dan Pemetaan Nasional. Jl. Raya
Jakarta Bogor Km. 46. Cibinong. Bogor.

Email:
budiman6109@gmail.com

Abstrak. Salah satu bencana alam yang amat sering terjadi di Indonesia adalah banjir
dan tanah longsor atau landslide. Dalam perencanaan tata ruang wilayah masalah
kebencanaan harus menjadi faktor pertimbangan. Hal ini diamanatkan dalam UU RI no
26 tahun 2007. Dalam makalah ini diuraikan pendekatan inderaja dan SIG dalam
mengidentifikasi daerah rawan banjir dan rawan longsor serta tingkat risiko terhadap
manusia atau pemukimannya. Karena tanah longsor dan banjir dipengaruhi banyak
faktor, maka pendekatannya dilakukan melalui integrasi layer-layer data baik yang
bersifat kualitatif maupun kuantitatif. Data yang bersifat kualitatif seperti jenis tanah,
tipe batuan diberi nilai kuantitatif melalui pembobotan tergantung pengruhnya terhadap
kerentanan longsor. Data kuantitatif seperti kemiringan lereng juga diberi bobot sesuai
dengan tingkat pengaruhnya terhadap longsor. Data land use atau tutupan lahan adalah
salah satu data kualitatif yang dipercaya pengaruhnya cukup besar terhadap kejadian
longsor. Data ini diekstrak melalui Inderaja atau di olah melaui SIG. Identifikasi daerah
rawan banjir dilakukan melalui citra landsat dan DEM SRTM di konfirmasi melalui
informasi historis, dan wawancara dengan penduduk setempat.

Katakunci: tanah longsor, banjir, risiko, GIS, pengideraan jauh, multi kriteria, multi
layers data.

Abstract. One of the natural disasters that so often happens in Indonesia is flooding and
landslides. It is mandated in Law No. 26 of 2007 of the Republic of Indonesia that in the
process of regional spatial planning must be considerated factors of disaster. In this
paper are described the approach of remote sensing and Gographic Information System
(GIS) to identify areas prone to flooding and landslide and the level of risk to humans or
settlements. Due to landslides and flooding is affected by many factors, then the
approach is done through the integration of the layers of data both qualitatively and
quantitatively. Qualitative data such as soil type, rock type rated quantitatively through
a weighting depending of its influence on susceptibility to landslides or flooding.

GeomatikaSARNasional(GeoSARNas)2011.|183
Quantitative data such as the slope is also given a weighting according to the level of
influence on landslides. Land use or land cover data is one of the qualitative data that is
believed considerable influence on the occurrence of landslides and flooding. This data
is extracted through remote sensing technique or through the GIS. Identify flood prone
areas be done through the Landsat imagery and SRTM DEM in conjunction with historical
information, and local residents interviews.

Keywords: landslides, floods, risk, GIS, remote sensing, multi-criteria, multiple layers
of data.

Pendahuluan
Latar Belakang
Berdasarkan UU No 26 tahun 2007 tentang Penataan Ruang, pasal 6 ayat (1)
Penataan ruang diselenggarakan dengan memperhatikan kondisi fisik wilayah
Negara Kesatuan Republik Indonesia yang rentan terhadap bencana. Dengan
demikian masalah kebencanaan ini harus merupakan pertimbangan dalam
penataan ruang wilayah.

Diantara bencana alam yang berpotensi mendatangkan bahaya bagi penduduk

di suatu wilayah adalah tanah longsor atau land slide dan banjir. Sebenarnya
tanah longsor merupakan suatu proses geomorfologi dalam menuju
keseimbangan baru permukaan bumi, namun karena bersifat destruktif yang
menyebabkan tidak hanya kerusakan yang sangat besar untuk jalan, jembatan,
dan rumah-rumah bahkan juga mengakibatkan hilangnya nyawa maka manusia
menyebutnya bencana longsor. Oleh karena itu, perlu ada identifikasi dan
pemetaan wilayah potensial longsor untuk mengetahui tingkat kerentanan suatu
wilayah terhadap longsor.

Tanah longsor adalah hasil dari interaksi beberapa faktor, terutama faktor
geologi, geomorfologi, hidrometeorologi, kelerengan, dan tutuapan lahan. Salah
satu faktor yang melibatkan manusia adalah tutupan lahan (landcover/landuse).
Faktor yang lainnya merupakan parameter yang bersifat apa adanya (given)
adalah lereng permukaan, walaupun kadang-kala bisa juga hasil dari interaksi
manusia, misalnya pemotongan lereng untuk pembuatan jalan sehingga lereng
jadi lebih curam daripada sebelumnya. Faktor-faktor yang berinteraksi
mempengaruhi kejadian longsor ini dapat diidentifikasi melalui citra inderaja dan
diturunkan berdasarkan sistem informasi geografis.

184|GeomatikaSARNasional(GeoSARNas)2011
Dalam UU no 24 tahun 2007, PP no 21 tahun 2008 disebut bahwa pemerintah
daerah berkewajiban menyusun, menetapkan, dan menginformasikan peta
rawan bencana. Penelitian megenai pemetaan daerah rawan bencana longsor
sudah banyak dilakukan oleh para ahli dari berbagai negara. Dengan
berkembangnya teknologi inderaja dan sistem informasi geogarfi, maka
pemetaan daerah rawan bencana berkembang pula sesuai dengan teknologi
yang di adopsi.

Beberapa penelitian longsor adala sebagai berikut:

Sarkar .S dan Kanungo D.P. (2003) melakukan penelitian kerentanan longsor

menggunakan pendekatan terpadu penginderaan jauh dan GIS. Lokasi
penelitian di lereng Himalaya. Data spasial yang bersifat kualitatif dari
interpretasi inderaja dianalaisis secara kuantitatif melalui pembobotan. Peta
kerentanan tanah longsor dan banjir dipresentasikan dalalm zonasi dibagi
empat kelas kerentanan relatif: tinggi, sedang, rendah, dan sangat rendah. Peta
kerentanan ini divalidasi dengan data frekuensi longsor dari kelas yang
berbeda.

Jefri Ardian Nugroho, et al (2008) pemetaan daerah rawan longsor

mengguanakan tenik inderaja dan SIG di hutan lindung Mojokerto. Data
penginderaan jauh yang digunakan dalam penelitian ini adalah citra satelit
SPOT 4 tahun 2008, ditunjang data lain; peta jenis tanah Kabupaten Mojokerto
skala 1:100.000 tahun 2006, data curah hujan tahun 2006, peta kawasan hutan
Kabupaten Mojokerto skala 1:100.000 tahun 2001, dan peta geologi Kabupaten
Mojokerto tahun 2006 skala 1:100.000 dan data SRTM. Metode yang digunakan
dalam analisa ini adalah proses tumpang susun (overlay), yaitu dengan meng-
overlay beberapa peta parameter (peta jenis tanah, peta curah hujan, peta
tutupan lahan, peta kemiringan, peta ketinggian) dan memberikan pengharkatan
(skor) pada masing-masing kriteria dari peta parameter tersebut. Hasil dari
penelitian ini memperlihatkan kawasan hutan lindung Kabupaten Mojokerto
memiliki tingkat kerawanan longsor rendah (13,28 Ha) kerawanan longsor
sedang (177,24 Ha) dan kerawanan longsor tinggi (427,15 Ha.).

Tujuan penelitian
Tujuan dari penelitian ini adalah melakukan pemetaan daerah rawan longsor
dan rawan banjir, potensi bahaya (hazard prone) serta potensi risiko yang
kemungkinan berdampak pada penduduk.

GeomatikaSARNasional(GeoSARNas)2011|185
Lokasi penelitian
Peneltian ini dilakukan pada tahun 2010 di Kabupaten Brebes. Penelitian
risikobanjir Kali Pemali di kawasan muara (Downstream kali Pemali).
Sedangkan untuk penelitian longsor dibagian hulu Kali Pemali (Upper
Catchment of Kali Pemali )

Metodologi.
Penelitian ini menggunakan pendekatan inderaja dan SIG. Identifikasi faktor-
faktor yang mempengaruhi kejadian longsor dan banjir melalui data inderaja
antara lain data penutup lahan (landcover/landuse), mengidentifikasi unit-unit
lahan berdasarkan aspek geomorfologi. Peta lereng diturunkan berdasarkan
digital elevation model (DEM) dari Shuttle Radar Topography Mission (SRTM)
menggunakan sistem informasi geografis. Data ini kemudian dipetakan dan
diklasifikasi menjadi peta-peta tematik input. Setiap satuan/unit kelas dari peta
tematik ini diberikan bobot atau skor tergantung pada perkiraan pengaruhnya
terhadap kejadian tanah longsor. Peta-peta tematik input dioverlay atau
diintegrasikan melalui operasi GIS.sehingga dihasilkan unit-unit baru dan tabel
atribut baru semua skor atau bobot akhirnya di jumlah sehinga didapatkan nilai
kumulatif hasil overlay. Nilai kumulatif ini kemudian diklasifikasi sehigga
tampilannya lebih sederhana menjadi tiga kelas yaitu rendah, sedang, dan
tinggi. Secara skematis proses GIS pemetaan Risiko bencana longsor adalah
seperti gambar 1. (lihat juga tabel 1)

Metode penelitian untuk risiko banjir adalah konsep multi criteria analisis.
Konsep multikriteria ini kemudian disesuaikan terhadap keberadaan data. Risiko
banjir dalam penelitian ini adalah risiko integral dari semua risiko banjir yang
mungkin terjadi disuatu tempat, namun dalam paper ini disajiakan dua risiko
utama yaitu risiko ekonomi dan risiko sosial. Penilaian risiko dilakukan untuk
mengidentifikasi besar dan distribusi spasial dari risiko banjir.

Pengertian Tanah Longsor (land slide)

Tanah longsor atau landslide adalah salah satu dari tipe gerakan tanah (mass
movement/mass wasting) yaitu suatu fenomena alam berupa bergeraknya
massa tanah secara gravitasi cepat mengikuti kemiringan lereng (Selby M J,
1985). Ciri khas dari longsor adalah massa tanah yang bergerak secara
gravitasi mengandung air yang banyak (jenuh). Salah satu faktor yang sangat
menentukan adalah adanya bidang luncur yang merupakan kontak litik (yaitu

186|GeomatikaSARNasional(GeoSARNas)2011
bidang pertemuan antara lapisan atas yang relatif lolos air/poros dan lapisan
bawah yang relatif kedap air). Pada bidang ini air tanah mengalir dalam bentuk
resapan (seepage), zona ini banyak mengandung clay akibat pencucuian dari
lapisan atas. Tanah longsor dikenal juga dengan debris slide, materialnya
campuran rombakan batu dan tanah dengan aliran sangat cepat.

Risiko Banjir
Dalam penelitiannya Mayer V, et al (2008) mendasarkan kan pada beberapa
kriteria sebagai berikut; a) untuk risiko ekonomi adalah kerusakan rata-rata
tahunan, b) untuk risiko sosial adalah rata-rata penduduk yang terkena bencana
banjir setiap tahun, dan kemungkinan dari sosial hot spot (rumah sakit, sekolah
dll) terkena banjir. Secara sederhana risiko banjir dapat diformulasikan sebagai
berikut:

Dimana R adalah risiko banjir, E risiko ekonomi, dan S adalah risiko sosial.

Dalam penelitian ini diberikan contoh untuk risiko ekonomi adalah kerugian
potensial perumahan dan kerugian potensial bawang merah, sedangkan
kerugian sosial adalah ada atau tidaknya sarana kesehatan (puskesmas, rumah
sakit) dan sekolah serta penduduk yang terdampak langsung oleh banjir. Untuk
sarana kesehatan akan diberi nilai ada dan tidak (1 dan 0) masing-masing kalau
ada atau tidak prasarana kesehatan yang terdampak, sedangkan untuk sekolah
adalah jumlah sekolah yang potensial terdampak dan risiko penduduk adalah
jumlah penduduk yang terdampak langsung oleh banjir.

Survei lapangan di Kabupaten Brebes dilakukan dengan wawancara beberapa

nara sumber, serta mengumpulkan data sekunder. Pengamatan kawasan banjir
berdasarkan bekas-bekas banjir (flood mark), pengamatan kerusakan,
pengukuran kedalaman banjir berdasarkan informasi setempat. Berdasarkan
survei lapangan yang dilakukan pada bulan Juni 2010.

GeomatikaSARNasional(GeoSARNas)2011|187
 Gambar 1. Operasi GIS dalam Pemetaan Risiko bencana longsor

Identifikasi Daerah Banjir

Daerah banjir dapat diidentifikasi melalui bentuk lahan. Bentuk lahan yang
berasosiasi dengan daerah banjir antara lain, natural levee, backswamp,
meander belt, dan flood plain. Untuk mengidentifikasi bentuklahan digunakan
citra Landsat, dan DEM SRTM yang mempunyai resolusi spasial 30 m.

backswamp

pemukiman

Citra SRTM Muara Kali Pemali. Hasil delineasei daerah rawan banjir berdasrkan
informasi lapangan

Gambar 2. Citra landsat 542 dikombinasi dengan SRTM.

Pengolahan Data Hidrologi

Data aliran sungai atau debit sungai digunakan untuk menghitung probabilitas
kejadian banjir atau debit puncak (peak flow). Caranya yaitu dengan

188|GeomatikaSARNasional(GeoSARNas)2011
perhitungan kemungkinan terlampaui atau probability of exceedence (Soren
Bagley, 2009). Metode ini sudah dikenal dalam texbook hidrologi sebagai
formula Weilbull (Chow, V T, 1988) sebagai berikut:

, dan

Dimana X adalah nilai tertentu misalnya debit puncak, m adalah urutan dari
besarnya nilai dari tinggi ke rendah (decending order), dan n adalah jumlah
pengamatan atau jumlah data, T adalah periode ulang (recurrence interval).
Hasil perhitungan debit periode ulang 10, 25, 50 dan 100 tahunan (probabilitas
terjadi tiap tahunnya masing-masing 10%, 4%, 2% dan 1% ) adalah sebagai
terlihat pada gambar 3.

Gambar 3. Peluang debit puncak Kali Pemali proyeksi sampai 100 tahunan.

Sumber data: Pulitbang Sumber Daya Air (PUSAIR) Bandung dan Balai SDA Kabupaten Brebes

Terlihat untuk periode ulang 100 tahun besarnya debit sekitar 3100 m3/det.
Data ini seharusnya dihubungkan dengan genangan banjir, namun karena tidak
terdapatnya data historis. Data historis banjir Kali Pemali tahun 1995 dengan
debit sekitar 2000 m3/det. Banjir tersebut berlangsung sangat lama sehingga
penduduk mengungsi. Dengan demikian debit 100 tahunan yang terhitung
sekitar 3100 m3/det tentunya berpotensi mendatangkan risiko lebih besar.

GeomatikaSARNasional(GeoSARNas)2011|189
Penyiapan Peta Tematik
Kerapatan aliran

Kerapatan aliran adalah perbandngan jumlah panjang alur sungai (baik yang
ber air atau tidak) atau drainage line per unit area. Kerapatan aliran
menunjukkan bahwa daerah itu mempunyai lereng yang relatif curam, material
yang relatif kedap, dan curah hujan yang relatif tinggi. Kerpatan aliran juga
menunjukkan intensitas erosi yang tinggi pada masa lampau. Dengan demikian
semakin tinggi kerapatan aliran maka cenderung berpotensi semakin tinggi
kemungkinan terjadi longsor/land slide. Peta keraptan aliran diturunkan
berdasarkan interpretasi visual data SRTM dan jaringan darinase berdasarkan
peta Rupa Bumi Indonesia (RB). Yang diidentifikasi dan delineasi adalah tingkat
torehan (degree of dissection). Semakin tinggi tingkat torehan semakin tinggi
keraptan aliran. Kerapatan aliran dibagi atas tiga tingkat yaitu: rendah, sedang,
dan tinggi.

Kemiringan lereng

Kemiringan lereng adalah perbandingan antara beda tinggi dua titik dimuka
bumi dengan jarak mendatar antara dua titik tersebut. Secara matematis dapat
diformulasikan sebagai berikut.

S= tg x 100%

Dimana S=kemiringan lereng(%) dan adalah sudut yang dibentuk oleh dua
titik tersbut dengan bidang datar.

Semakin tinggi kemiringan lereng semakin berpotensi longsor. Kemiringan

lereng diklasifikasikan jadi tiga kelas yaitu: 40%, 41% 70%, > 70. Pada
tabel diatas telihat klas lereng dimulai dari 40% karena lereng dibawah 40%
sangat kecil kemungkinan terjadi longsor. Peta kemiringan lereng diturunkan
berdasarkan data DEM dari (SRTM) dengan resolusi spasial 30 x 30 m
menggunakan software ILWIS 3.6. Data yang dihasilkan dalam format raster
kemudian di konversi kedalam format *.tif dan didelineasi menjadi data vektor
polygon melalui software Arcview 3.3.

Geomorfologi

Geomorfologi adalah studi tentang bentang alam masa kini, termasuk

klasifikasinya, deskripsi, sifat, asal, perkembangannya, serta hubungan untuk

190|GeomatikaSARNasional(GeoSARNas)2011
struktur yang mendasarinya, demikian juga sejarah perubahan geologi
sebagaimana terlihat pada kenampak permukaannya (M. J. Selby, Earth's
Changing Surface (Oxford University Press, 1985) ISBN 0198232527 , Richard
Chorley, Stanley Schumm, and David Sugden, Geomorphology (Methuen,
1984) dalam http://www.wordiq.com/

Unit geomorfologi/bentuk lahan adalah bagian permukaan bumi yang

merupakan produk dari proses geomorfologi. Antara lain adalah dataran fluvial
(produk dari proses fluvial (terkikis, terbawa oleh air dan diendapkan), bentuk
perbukitan, pegunungan dan dataran tertoreh (dissected plain), dan lain-lain.
Peta unit bentuk lahan diturunkan bersarkan kombinasi citra landsat TM dan
DEM SRTM. Citra landsat memberikan kesan rona dan pola yang merupakan
kunci interpretasi untuk bentuk lahan, sedangkan DEM SRTM memberikan
kesan relief yang sangat berguna sebagai patokan dlaam delineasi.

Liputan lahan

Liputan lahan disebut juga landcover/landuse atau tataguna lahan. Tataguna

lahan diasosiasikan dengan liputan lahan yang terencana atau menyangkut
aspek legalitasnya, sedangkan liputan lahan/landcover cenderung apa adanya
atau sering disebut existing land use. Data ini diturunkan berdasarkan citra
landsat dan peta landcover yang sudah ada dari peta Rupa Bumi Indonesia.

Dalam parameter ini tidak disebut curah hujan, karena pada daerah yang tidak
luas dianggap bahwa curah hujan relatif seragam sehingga potensi rawan
longsor adalah fungsi dari parameter-parameter tersebut dalam tabel 1.

Rls = f(Dd, S, Blh, Llh)

Dimana Rls = Rawan longsor

Tabel 1 Parameter yang digunakan dalam identifikasi rawan longsor.

Data layer Kelas Bobot
Kerapatan aliran (Dd) 1. rendah 1
2. sedang 5
3.tinggi 9
Kemiringan lereng S (%) 40 3

41 - 70 5

GeomatikaSARNasional(GeoSARNas)2011|191
 Data layer Kelas Bobot
>70 9
geomorfologi/bentuk lahan Dataran fluvial 1
(Blh) Dataran tertoreh sedang 2
Pegunungan tertoreh ringan 7
Pegunungan tertoreh sedang 8
Pegunungan tertoreh berat 9
Perbukitan tertoreh ringan 4
Perbukitan tertoreh sedang 5
Perbukitan tertoreh berat 6
Liputan lahan 1. Tubuh air 0
Llh 2. Hutan 1
3. pemukiman 2
4. Kebun campuran 3
5. sawah 5
6. semak/belukar 7
7. lahan kosong 9

Hasil
Peta Rawan Longsor
Peta Rawan Longsor adalah peta yang memberikan informasi spasial daerah
yang berpotensi rawan longsor. Peta ini diturunkan berdasarkan overlay dari
peta-peta input sebagaimana terlihat dalam tabel 1.

Peta Risiko Bencana Longsor

Untuk memperkirakan daerah yang beresiko terdampak longsor dilakukan
dengan mengoverlay peta rawan longsor dengan peta sebaran pemukiman.
Langkah awalnya adalah dengan melakukan interseksi (intersection) peta rawan
longsor dengan peta sebaran pemukiman sehingga didapatkan peta sebaran
pemukiman dangan atribut rawan longsor. Kemudian peta pemukiman diberi
skor dalam penelitian ini nilai skornya 2 atau berapa saja lebih besar dari nol.
Dengan melakukan operasi GIS pada atribut ini dikalikan dengan skor peta
rawan longsor sehingga didapatkan tingkat risiko pada pemukiman.

192|GeomatikaSARNasional(GeoSARNas)2011
Peta Risiko Banjir
Peta risiko banjir merupakan integrasi semua kemungkinan risiko banjir.
Diturunkan berdasarkan overlay peta peta tematik potensi risik banjir antara lain
peta risiko ekonomi dan risiko sosial. Potensi Risko lingkungan sebenarnya
sangat penting juga diperhitungkan, namun dalam penelitan ini belum dilakukan.

Penutup
Peta pada gambar 3 adalah hasil dari pengolahan data input yang rawan
longsor dan sebaran pemukiman. Sebaran pemukiman adalah data existing
land use. Terlihat banyak lokasi pemukiman berada didaerah rawan longsor
level menengah bahkan didaerah yang amat rawan longsor (warna merah).
Sebagian besar pemukiman berada di kawasan yang tidak rawan longsor
(warna hijau).

Potensi risiko ekonomi dan sosial dari bahaya banjir merupakan peta yang
sangat berguna dalam proses rehabilitasi setelah bencana. Dengan
memprkirakan potensi risiko juga dapat dijadikan sebagai landasan dalam
realibilitas upaya mitigasi bencana.

Berdasarkan peta ini terlihat bahwa untuk perencanaan ke depan perlu

diperhatikan bahwa pemukiman dan bangunan-bangunan vital jangan sampai
berada di lokasi rawan bencana.

GeomatikaSARNasional(GeoSARNas)2011|193
 Gambar 4. Peta Land use, Peta Kelas lereng, dan Peta Tingkat rawan longsor

Gambar 5. Peta Rawan longsor dan Risiko pemukiman

194|GeomatikaSARNasional(GeoSARNas)2011
 Peta Risiko Sosial (jumlah Peta Risiko Sosial (Jumlah Peta Risiko Sosial
penduduk yang potensial Sekolah SD - SLTA yang berada (kemungkinan Rumah Sakit
terkena dampak banjir secara dalam kawasan rawan banjir.) dan Puskesmas terdampak
langsung). langsung banjir)

Peta Risiko Ekonomi. Potensi kerugian perumahan.

Gambar 6. Peta tematik potensi risiko ekonomi dan potensi risiko sosial

GeomatikaSARNasional(GeoSARNas)2011|195
 Gambar 7. Peta Risko Banjir Kali Pemali (integral dari dari semua risiko)

196|GeomatikaSARNasional(GeoSARNas)2011
Daftar Pustaka

Arsjad M, A.B.S, 2011, Aplikasi GIS untuk Analisis Risiko Banjir, Badan
Koordinasi Survei dan Pemetaan Nasional Cibinong. Prosiding Seminar
Nasional Geomatika,2011. ,
Dune T, Leopold B L, 1978, Water in Environmental Planning, W H Freeman
and Co, San Francisco.
Jefri Ardian Nugroho1, Bangun Muljo Sukojo1, Inggit Lolita Sari2 (2008),
Pemetaan Daerah Rawan Longsor dengan Penginderaan Jauh dan
Sistem Informasi Geografis, 1Program Studi Teknik Geomatika, FTSP, ITS
Surabaya, 2 LAPAN, Jakarta.
http://www.wordiq.com/, M. J. Selby, Earth's Changing Surface (Oxford
University Press, 1985) ISBN 0198232527 , Richard Chorley, Stanley
Schumm, and David Sugden, Geomorphology (Methuen, 1984)
Meyer Volker, S. Scheuer, dan D. Haase, 2008, A multicriteria approach for
flood risk mapping exemplified at the Mulde river, German, Springer
Science Business Media B.V.
Sarkar .S dan Kanungo D.P. (2003) An Integrated Approach for Landslide
Susceptibility Mapping Using Remote Sensing and GIS. Photogrammetric
Engineering & Remote Sensing,Vol. 70, No. 5, May 2004, pp. 617625.
Selby M, J,1985, Earth Changing Surface, Clarendon Press. Oxford.
UU no RI 24 tahun 2007, Tentang Penanggulangan Bencana
UU RI No 26 tahun 2007 Tentang Penataan Ruang

GeomatikaSARNasional(GeoSARNas)2011|197


198|GeomatikaSARNasional(GeoSARNas)2011
 Vulnerability and Capacity Analysis to Support Disaster Risk
Reduction in Kampung Melayu, Jakarta Province

Mone Iye Cornelia Marschiavelli

National Coordinating Agency for Survey and Mapping (BAKOSURTANAL). Jl. Raya
Jakarta Bogor KM.46, Indonesia; Tel/Fax: +6221 8759481.

Email:
corn.mone@gmail.com

Abstract. Flood is always become the main issues in Jakarta. Based on history, there
were several great floods struck Jakarta in the past decades. Combination between
technical measures and the information gathered from the local community should be
integrated as a valuable input to help minimize the impact of the flood. Therefore, this
research tries to assess the vulnerability and capacity of the local community in
Kampung Melayu. The VCA is used to investigate the risk that people face in their
locality, their vulnerability to those risks and their capacity to cope with and recover
from disaster. There were 83 households interviewed using a pre-designed questionnaire
as a basis for households interview. Certain elements at risk that are related with
physical and socio-economic aspects were identified. The information collected from
the household interview was summed up into a VCA matrix to see the vulnerability and
capacity in three broad aspects, including physical/material, social/organizational and
motivational/attitudinal.

Keywords: Jakarta, participatory studies, vulnerability assessment, risk perception,

coping mechanism.

GeomatikaSARNasional(GeoSARNas)2011.|199
Introduction
Floods in Jakarta annually occur during rainy season, triggered by heavy
seasonal rain in December, January, February and March. The flood in
February 2007 was considered as the largest flood that hit Jakarta in the last
three centuries; almost 60% area of Jakarta was flooded (Figure 1). Based on
the Emergency Situation Report #6 published by WHO (2007) more than 70,000
houses in Jakarta and surrounding were inundated. The range of water level
varied from 10 centimeters to 7 meters.

Nowadays, vulnerability has appeared as one of essential concept to

understanding the impacts of climate change and natural hazards. The word
vulnerability has different meanings and interpretations for different people. It
arises as a consequence of the different needs confronted by each particular
group to deal with particular issues of the potential impacts of disasters.

One of the methods for assessing the vulnerability with the emphasis on
participatory and people oriented approaches is Vulnerability and Capacity
Assessment (VCA). VCA has been used particularly to assess social
vulnerability, but it can be usefully extended to cover all key sectors. Social VCA
is only one element in the overall process of vulnerability assessment that needs
to include a wider range of concerns such as: (1) Physical/material (buildings,
infrastructure, and critical facilities); (2) Social/organizational (networks,
institutions, etc.); and (3) Motivational/attitudinal (Anderson and Woodrow,
1998).

The problem in risk management is that most of the disaster mitigation

strategies are top-down system. Communities have no role in either the
planning of disaster management, allocation of resources or implementation of
the plan. Thus, community-based disaster risk management is very essential to
assess vulnerability within community participation. With this approach, people
empower to address the root causes of vulnerabilities by transforming social,
economic and political structures that generate inequality and
underdevelopment. UNDP (1992) states the participation of all individuals in the
community is the main key to help the recovery process because through them,
the appropriate coping strategies will be most successfully utilized.

The purpose of this study is to assess the vulnerability as well as capacity of the
people in Kampung Melayu related to physical/material, social/organizational,

200|GeomatikaSARNasional(GeoSARNas)2011
and motivational/attitudinal in order to get the wider information how to solve the
flood problem in Kampung Melayu. This information should be integrated with
the mitigation plans developed by the government to minimize the adverse
impacts of floods.

Study Area
The study area of this research is Kelurahan Kampung Melayu in Jatinegara
District, East Jakarta, located along the Ciliwung River (Figure 1). It divided into
8 Rukun Warga and 114 Rukun Tetangga. The administration boundary of
Kelurahan Kampung Melayu:

North : Railway, Kelurahan Kebon Manggis

East : Kelurahan Bali Mester

South : Kelurahan Bidara Cina

West : Ciliwung River, Kelurahan Bukit Duri (South Jakarta)

Geographically, Kampung Melayu located in the non-coastal area ( 15 Km

from shoreline) and is relatively flat. The altitude of Kampung Melayu is
between 9 until 18 above the sea level. Kampung Melayu with area 0.48 km2
has high density of people; complex and heterogenic, because it formed by
many ethnics; regularly affected by floods; permanent slums, and the highest
poverty level in East Jakarta. This area was dominated by unorganized housing
(64%). 23,062 people in Kampung Melayu (7,394 households) or approximate
85% from all population are living in flood risk area, spread in 96 RT. They are
most located in Kampung Pulo (RW 01, 02, and 03) and Tanah Rendah (RW 07
and 08).

GeomatikaSARNasional(GeoSARNas)2011|201
 Quickbirddata

Kampung
Melayu

Figure 1. Quickbird data of study area

Methodology
The research process consists of three stages: pre-fieldwork, fieldwork and
post-fieldwork.

Pre-Fieldwork
The pre-fieldwork started with an intensive literature review through journals,
books, previous studies and reports relevant to get more information about the
proposed data needs and methods that will be used during the fieldwork and
data analysis stage. The key concept of this research is using local knowledge
as additional information and hopefully, it can used as an valuable input in
decision making against flood in this study area. From the literature and site
observation in study area, the author designed a sampling design and
formulated the questionnaires. Beside literature review, one of the activities in
the pre-fieldwork stage is data inventory. Most of the data needed for analysis
was collected through the field survey (primary data collection in the study area)
because those data were not available yet.

Field Work
The fieldwork was conducted from 23 July until 24 August 2007, in Kelurahan
Kampung Melayu through interview using questionnaire (Figure 2). Open-ended

202|GeomatikaSARNasional(GeoSARNas)2011
questions conducted to gather more information how the respondents respond
to the flood.

Figure 2. Interview during fieldwork in Kampung Melayu

Post-Fieldwork
Author using descriptive analysis to figure it out all activities related to
vulnerability and capacity analysis conducted by local people.

Result And Discussion

Information related with flooding in this study area is gathered from the
households interview using questionnaires during the fieldwork. There were 83
respondents interviewed in this survey. The information was then transferred
into an Excel worksheet. The discussion of the 2007 flood in Kampung Melayu
is presented below.

Flood Occurrence
In order to get the information about the flood occurrence in Kampung Melayu,
we use the timeline tools. It narrates the disaster history and significant events
that happened in the community.

Based on interviews, more than 90% of the people, who lived in Kelurahan
Kampung Melayu, affirmed that they experience the annual river flood with flood
heights that varied from 10 until 100 centimeters. The flood can come more
than 5 times during the rainy season. The peak of the rainy season is in
December, January and February. Most of the people are already prepared
before the flood season starts.

Generally, most respondents perceive flood as a normal event. They also still
remember the history of big flood in 1996, 2002, and the most recent one, in

GeomatikaSARNasional(GeoSARNas)2011|203
February 2007 which is considered to be the worst flood that ever happened in
this area. The majority stated that the magnitude of floods is increasing every
year.

Table 1. Timeline of flood in Kampung Melayu

Year Event
1996 Big flood, leptospirosis
1998 Normal annual flood
1999 Normal annual flood
2000 Normal annual flood, dengue
2001 Normal annual flood
2002 Big flood, leptospirosis
2003 Normal annual flood
2004 Normal annual flood
2005 Normal annual flood
2006 Normal annual flood, dengue
2007 Big flood, leptospirosis, dengue, diarrhea, upper respiratory tract infection
(URTI)

The root causes of flood

Most of them (61.4 of the respondents) thought that the cause of the flood in
Kampung Melayu is because of banjir kiriman from Bogor. Banjir kiriman is a
term that people use to represent the flood in Jakarta; it is mostly because of the
heavy rain in Puncak-Bogor (upper part of Ciliwung River) which makes the
Ciliwung River flood and sends the water to Jakarta areas. Other causes are
garbage (27%), excessive rainfall (8%), uncontrolled city development (2%), and
land use changes (1%).

There is one interesting finding related to the waste management in the study
area. Although most of them believe that the garbage also influences the river to
be flooded, most of them throw their garbage in the river. People, who stayed
near the river, stated that it is the easiest way and because there is no longer
cleansing workers who collect and transport the waste to the final disposal site.

In the past, the Ciliwung River has 50 meter wide but now is only 6-9 meter
because of garbage along the river (see Figure 3). The rapid urbanization and
the competition in land occupation force the people to settle in this flood-prone

204|GeomatikaSARNasional(GeoSARNas)2011
area. Based on observation during survey, the illegal housing along the
riverbanks can also be considered as one factor that contributes to river
narrowing and it can increase the water height during flooding. It can be
concluded that flooding in the study area is mostly affected by socio-cultural
aspects, i.e: poor housing along the riverbanks as the result of rapid
urbanization and poor garbage disposal system.

Figure 2. Garbage along the Ciliwung River

Peoples Behavior Due to Flood

During interviews, households were asked to determine the level of flood risk
which is categorized as normal, manageable, unmanageable and disastrous
with specific water depth and water duration for each risk perception category
using open-ended question. The communitys perception on flood intensity is
presented in Table 2.

Table 2. Communitys perception on flood intensity

Water Duration (days)
depth
< 1 day 1 3 days 3 7 days > 7 days
(cm)
Disturbing but still Disturbing but
10 50 Normal Normal
manageable still manageable
Disturbing but still Disturbing but still Unmanageable
51 - 100 Normal
manageable manageable
Disturbing but still Disturbing but still
101 200 Unmanageable Unmanageable
manageable manageable
201 300 Unmanageable Disastrous
> 300 Disastrous
Adopted and modified from Guarin (2007)
Those perceptions encourage different actions during flooding (see Table 3). If
the water height is still only at the first floor then most of the respondents stayed
in their house. They just moved their properties to higher places and stayed in
the second floor. They prefer to stay at home because the shelters are not

GeomatikaSARNasional(GeoSARNas)2011|205
optimal (dirty, not safe, not enough toilets, and a lack of security) and in
addition, people are afraid that their house will get robbed if they stay in the
shelter. When the water height is higher than their first floor, and they cannot
handle it anymore, they move to the shelter. There were several shelters
locations during the flood in Kampung Melayu, including musholla and mosque,
also Kelurahan office, school of Santa Maria Fatima and Jenderal Urip field near
the study area.

Table 3. People behavior during flooding in Kampung Melayu

Flood Perception People behaviour during flooding
Normal Stayed at home; Still go to work
Disturbing but still Stayed at home (second floor), neighbours house; Placing their
manageable properties to the second floor; Continue to work
Unmanageable Go to the evacuation and shelter; Cannot go to work
Disastrous Go to the evacuation and shelter; Cannot go to work

Reasons To Stay In That Area

The reasons to stay in this flood prone area are mostly influenced by the
livelihood security and occupational activities. There are three main reasons
given by people for staying in this area: better access to economic activity
(traditional market, railway station), to school and to their office (more than 40%
interviewed respondents stated this); no choice, which means they didnt have
any place to go (32.5% of respondents) and own properties (18.1% of
respondents). Also given as reasons are: claims on their ancestral property and
the cheap cost for renting houses in the study area.

In order to viewing peoples vulnerabilities and capacities in three broad,

interrelated areas: physical, social and motivational; the VCA (Vulnerability
Capacity Assessment) matrix for Kampung Melayu in relation with flood hazard
was created (Table 4).

VCA (Vulnerability Capacity Assessment) matrix

Aspects Vulnerabilities Capacities

Physical/material Annual flooding during rainy season; the big People build 2-story houses using
flood every five years. The big flood history: construction materials that are locally
1996, 2002 and 2007. Flood in 2007 is the available and cheaper.
biggest flood that happens in this area. Many people can swim.
Poor housing along the riverbanks. Availability of public latrines.

206|GeomatikaSARNasional(GeoSARNas)2011
 Aspects Vulnerabilities Capacities

Most respondents are categorized as low Presence of Early Warning System.

income family. Dissemination of EWS using several
Lack of adequate skills and low education communication facilities like mobile
level, more than half of the respondents phone (SMS) which is very effective
only obtained the elementary level.
The population density is high.
Poor garbage disposal system.
Lack of clean water and sanitation.
Social/ Dependent on moneylenders. The location is near Jatinegara
organizational The young children have to work to help traditional market (source of income).
their parents. Presence of Lurah, head of RW and RT
During flooding most of households cannot in dissemination of flood warnings.
go to work. Assistance from NGOs (for example:
Lack of participation in disaster ACF).
management. People help each other to cope with
the flood, for example: gotong royong
to clean the canal.
Presence of SATLINMAS as the local
disaster institution.
Presence of public kitchen during
flooding.
Motivational/ Most of respondents state that the flood is Some of the young people trained by
attitudinal only a normal event. Flooding becomes part NGOs or organization that concerned
of their life. Intentional forgetting due to with flood to help the community in
lack of alternative settlement options. preparation, during and aftermath the
They keep throwing the garbage into the flooding.
river.
Source: Fieldwork (2007)

Conclusions
Some information related with flood in the study area is also revealed. Flooding
comes annually every rainy season with fluctuating water heights, in the range
of 10 100 centimeters. The big floods with five years return period struck in
1996, 2002 and 2007. The flood of 2007 was the largest and the most
destructive flood that ever happened in the area. There are some main findings
based on interviews during the flood. People will stay in their house if water only
inundates their first floor and only move their properties to safer places. They
will leave their house and evacuate themselves if the water is getting higher and
they do not have the capability to handle it anymore.

Since the majority of these communities live mostly on trading, this research
revealed that proximity to the community's livelihoodrather than safetywas
the main reason why they settle in these flood prone areas. Some households
decide to live in this flood prone area for better access for their activities and

GeomatikaSARNasional(GeoSARNas)2011|207
others stay because they have no choice. Three main causes of the flood in
Kampung Melayu based on peoples perception are banjir kiriman from Bogor
area, garbage and excessive rainfall. The waste disposal management and
houses in the riverbanks are serious problems found in this study area;
therefore local people with government should cooperate to handle this problem
if they want to reduce the impact of floods in this area. The information collected
from the household interview was summed up into a VCA matrix to see the
vulnerability and capacity in three broad aspects, including physical/material,
social/organizational and motivational/attitudinal.

References

Mary B Anderson and Peter J Woodrow [1989](1998) Rising from the Ashes:
Development Strategies in Times of Disaster. London: IT Publications.
Guarin, G. P. (2007). Local Knowledge and GIS: Implementing Community's
Perspective into Flood Hazard Assessment. Enschede, The Netherlands.
(Ongoing research).
UNDP (1992). An Overview of Disaster Management. New York, United
Nations Development. 2nd edition.
WHO. (2007). "Emergency Situation Report #6." Retrieved 6 June 2007, from
http://www.who.or.id/eng/contents/esr.html.

208|GeomatikaSARNasional(GeoSARNas)2011
 Pendeteksian Asap Kebakaran Menggunakan Citra Komposit
MODIS

Yenni Vetrita, Nanik Suryo Haryani

Pusat Pemanfaatan Penginderaan Jauh, LAPAN. Jakarta.

Email:
yenni.vetrita@gmail.com

Abstract. Forest/land fires monitoring is needed in Indonesia. It caused by frequently

and regularly occurred through the year. One of the tools which could be used for
monitoring is hotspot detection using satellite remote sensing. Terra/Aqua satellite with
the sensor MODIS (Moderate Resolution Imaging Spectroradiometer) can be monitored on
a daily basis throughout Indonesia which ideally used for this purpose. The validation
efforts are continued to be pursued. However, there are several difficulties to do such
as inaccessible due to remote and very wide area, becoming a major constraint. Smoke
detection using MODIS data can be used as one of the most effective and efficient way
to get less time consuming. The MODIS composite images of October 2010 which
supported by field assessment are examined to determine the best composite image for
smoke detection. In addition, hotspot data are also used for analyzing pertinence of fire
location, by considering the association of hotspots and the pattern of smoke generated.
The results show that the true color (bands 1-4-3) provides better information than the
commonly used false color. This composite image is ideal for monitoring forest/land
fires in Indonesia.

Abstrak. Pemantauan kebakaran hutan/lahan di Indonesia telah menjadi suatu

kebutuhan untuk dilakukan. Hal ini terkait dengan kejadian yang kerap dan rutin terjadi
setiap tahun. Salah satu alat yang digunakan untuk pemantauan adalah deteksi titik
panas (hotspot) menggunakan satelit penginderaan jauh. Satelit Terra/Aqua dengan
sensor MODIS (Moderate Resolution Imaging Spectroradiometer) yang dapat memantau
secara harian seluruh Indonesia, ideal digunakan untuk kepentingan ini. Upaya validasi
terus diupayakan, namun medan yang sulit, jauh dan luas menjadi kendala utama.
Pendeteksian asap menggunakan data MODIS dapat dijadikan sebagai salah satu upaya
yang efektif, efisien dan dapat menghemat tenaga di lapangan. Komposit citra MODIS
bulan Oktober 2010 yang didukung oleh pengecekan lapangan telah dikaji untuk
menentukan komposit citra terbaik untuk deteksi asap. Data hotspot juga digunakan
dalam menganalisis ketepatan lokasi kebakaran, dengan melihat asosiasi hotspot dan
pola asap yang ditimbulkan. Hasil penelitian menunjukkan bahwa true color (kanal 1-4-
3) memberikan informasi yang lebih baik dibandingkan false color yang umum
digunakan. Komposit citra ini ideal untuk kegiatan pemantauan kebakaran hutan/lahan
di Indonesia.

GeomatikaSARNasional(GeoSARNas)2011.|209
Pendahuluan
Pendeteksian titik panas (hotspot) untuk memantau kebakaran hutan/lahan
sudah cukup lama dilakukan. Beberapa diantaranya sudah dilakukan secara
operasional menggunakan data NOAA-AVHRR (ASEAN Specialised
Meteorological Centre (ASMC), www.weather.gov.sg/wip/web/ASMC), maupun
satelit yang lebih baru yang diluncurkan pada tahun 2002 yaitu Terra dengan
salah satu sensornya MODIS. Pemantauan yang dilakukan menggunakan data
MODIS secara operasional cukup banyak dilakukan mengingat data ini mudah
diperoleh dan tidak dipungut biaya, misalnya The Fire Information for Resource
Management System/ASMC, Indofire Map Service
(http://indofire.landgate.wa.gov.au/), dll. Pemanfaatan data ini pun cukup luas
seperti estimasi area bekas kebakaran (Giglio et al., 2006; Roy et al., 2002;
Loboda et al., 2007), penentuan titik kebakaran di lapangan dan dapat dijadikan
sebagai upaya mitigasi bencana kebakaran sehingga dapat meminimalisir
dampak yang ditimbulkan.

Kegiatan validasi merupakan suatu kegiatan menilai kualitas suatu produk

terhadap kondisi riil di lapangan dengan nilai yang independen (Morisette et al.,
2002). Upaya validasi hotspot di lapangan tidak mudah dilakukan karena tidak
memiliki prosedur yang terbangun dengan baik (Pereira et al., 1999 in Csiszar
et al., 2006). Pendeteksian kabut asap menggunakan data penginderaan jauh
sangat diperlukan untuk membantu upaya pra validasi maupun analisis detail
kebakaran yang ditimbulkan akibat kebakaran. Analisis ini dapat dilakukan
secara visual maupun digital. Analisis visual sudah pernah dilakukan
diantaranya oleh Suwarsono et al (2004) yang menggunakan kanal Merah,
Inframerah dekat (NIR), Shortwave Infrared (SWIR) dari data NOAA-AVHRR
sedangkanTjahjaningsih et al. (2005) menggunakan kanal 1 (Merah) dan 2
(NIR) dari data MODIS dan CRISP (2002) menggunakan data SPOT dengan
memanfaatkan kanal visible dan Shortwave infrared (SWIR). Disamping secara
visual, deteksi dapat pula dilakukan secara dijital. Hasil penelitian Suwarsono et
al. (2004) menyarankan pendeteksian kabut asap dilakukan berdasarkan nilai
maksimum dan minimum dari suhu kecerahan kanal 4 (panjang gelombang
10,30-11,30 m) dan kanal 5 (11,50-12,50 m) NOAA-AVHRR. Liu et al. (2010)
juga telah melakukan analisis statistik menggunakan perbedaan 2 buah kanal
biru pada MODIS yaitu kanal 3 dan kanal 8, selanjutnya disebut sebagai BRD.
Mereka membuktikan bahwa kanal biru pada MODIS berpotensi dijadikan

210|GeomatikaSARNasional(GeoSARNas)2011
sebagai pendekatan yang sederhana untuk mengidentifikasi asap maupun debu
yang tebal. Hal ini karena BRD mampu memisahkan asap yang ditimbulkan
akibat kebakaran besar dari biomassa dan debu dari berbagai kejadian, seperti
awan, es, asap maupun kondisi bebas awan. Chia et al. (2007) menemukan
bahwa produk MODIS aerosol sangat baik untuk mendeteksi asap dan dapat
dijadikan sebagai input model haze transport.

GITSDA (Geo-Informatics and Space Technology Development Agency of

Thailand) juga melakukan analisis visual dengan menggunakan komposit RGB
MODIS 1-3-4 untuk mendeteksi asap dari kebakaran hutan. Mereka
menyebutkan bahwa komposit ini ideal digunakan untuk kegiatan pemantauan.
Sedikit berbeda dengan GITSDA, Asian Institute of Technology-Thailand
menggunakan komposit 1-4-3 untuk memantau asap kebakaran (Phonekeo et
al., 2008).

Untuk menguji hasil penelitian yang telah dilakukan sebelumnya, kami mencoba
melakukan penelitian dengan menguji beberapa komposit RGB citra MODIS
resolusi 500 meter secara visual, dengan menggunakan kanal 1, 2, 3, 4, dan 6
yang masing-masing merupakan kanal merah, NIR, Biru dan SWIR untuk studi
kasus wilayah Riau. Dengan dipastikannya komposit terbaik, dapat dijadikan
sebagai alat pemantauan kebakaran hutan/lahan di Indonesia.

Karakteristik Data MODIS

Sensor MODIS pada satelit Terra/Aqua memiliki tingkat saturasi yang tinggi
sehingga dapat lebih baik untuk mendeteksi dan memantau kebakaran
hutan/lahan dibandingkan satelit sebelumnya, misalnya NOAA-AVHRR.
Disamping itu, resolusi spasial dan radiometrinya sangat berguna untuk
mendeteksi aerosol pada asap dan meningkatkan akurasi estimasi area bekas
kebakaran (Cochran, M.A., 2003). Karakteristik spektral kanal MODIS dapat
dilihat pada Tabel 1.

Tabel 1. Spesifikasi kanal spektral MODIS

KANAL (nm) Resolusi Contoh pemanfaatan aplikasi
1 645 250 m Veg. Chlorophyll Absorption, Sun glint and coastal false alarm
rejection; cloud masking
2 858 250 m Cloud and Veg. Land Cover Transformation, Bright surface, sun
glint, and coastal false alarm rejection; cloud masking.

GeomatikaSARNasional(GeoSARNas)2011|211
KANAL (nm) Resolusi Contoh pemanfaatan aplikasi
3 469 500 m Soil, Vegetation Differences
4 555 500 m Green Vegetation
5 1240 500 m Leaf/Canopy Differences
6 1640 500 m Snow/Cloud Differences
7 2130 500 m Land and Cloud Properties, Sun glint and coastal false alarm
rejection.
Gambar 8. (Sumber: ATBD, MODIS Website); (panjang gelombang),

Metodologi
Sumber Data dan Area Studi
Data yang digunakan dalam penelitian ini adalah:

Hotspot dari Indofire, tanggal 15 Oktober tahun 2010

Citra MODIS hasil akuisisi LAPAN Pare-Pare dan citra MODIS yang tersedia
di website Indofire, tanggal 15 Oktober tahun 2010

Beberapa koordinat titik kebakaran hasil validasi lapangan di Provinsi Riau

(Gambar 1, yang ditandai dengan bendera merah).

212|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 1. Lokasi studi di Provinsi Riau. Bendera warna merah pada Gambar menunjukkan titik
kebakaran di lapangan, hasil validasi tahun 2010.

Metode Analisis
Analisis dilakukan dengan memplotkan titik koordinat lapangan pada beberapa
kombinasi RGB citra MODIS dari kanal 1,2,3,4, dan 6. Komposit terbaik adalah
yang dapat memberikan informasi kondisi asap yang lebih detail dibandingkan
yang lain. Apabila asap tidak dapat dideteksi pada kejadian kebakaran tersebut,
maka diasumsikan bahwa kejadian kebakaran tersebut tidak cukup besar atau
tertutup awan mengingat hal ini adalah salah satu kelemahan dalam deteksi
hotspot maupun asap dari citra satelit (Giglio et al, 2003; Singapore
Meteorological Service, 2011)

Hasil dan Pembahasan

Komposit citra 3 kanal dengan menggunakan kanal utama 1, 2, 3, 4 dan 6
masing-masing dapat dilihat pada Gambar 2-7. Masing-masing Gambar
menunjukkan 5 titik pengamatan yang meliputi (A), (B), (C), (D), dan (E) yang
ditandai dengan lingkaran/kotak merah. Titik (C) dan (E) merupakan salah satu

GeomatikaSARNasional(GeoSARNas)2011|213
lokasi yang ditemukan bekas kebakarannya di lapangan dan diperkirakan terjadi
sekitar tanggal 15 Oktober 2010. Sedangkan titik (A), (B) dan (D) merupakan
hasil pantauan visual yang didukung oleh keberadaan hotspot, yang dapat
terlihat jelas terjadinya kebakaran pada waktu tersebut. Hal ini dapat diyakini
pula mengingat pola asap yang ditimbulkan sama dengan titik (C) yang telah
divalidasi di lapangan.

Dari semua kombinasi yang dihasilkan, titik (C ) dapat terlihat dengan jelas
sebagai kejadian kebakaran yang memiliki jumlah hotspot sangat banyak. Hal
ini juga diyakini kebenarannya dari hasil validasi di lapangan. Namun untuk titik
(E), tidak dapat terdeteksi di citra satelit meskipun di lapangan telah ditemukan
bekas terjadinya kebakaran. Ada beberapa faktor yang memungkinkan hal ini
terjadi antara lain: (a) areal kebakaran tidak terlalu luas, (b) waktu kebakaran
tidak sama dengan waktu lintasan satelit, atau (c) tertutup awan (Giglio et al.,
2003).

Bila diperhatikan, kondisi awan dapat dideteksi dengan lebih baik pada titik (E)
yakni pada Gambar 4 (komposit citra kanal 2-1-2). Warna yang dihasilkan
adalah putih keunguan. Dengan demikian, komposit ini sangat bermanfaat
untuk memisahkan awan dari obyek lain. Namun komposit ini tidak lebih sensitif
untuk mendeteksi pola asap yang ditimbulkan akibat kebakaran. Sebaliknya
komposit citra 1-2-1 (Gambar 3) yang menonjolkan awan dengan warna putih,
jauh lebih baik untuk mendeteksi asap akibat kebakaran.

Gambar 2 yang menunjukkan warna natural komposit citra MODIS dimana

vegetasi diidentifikasi sebagai warna hijau, area terbuka/pemukiman dengan
warna kemerahan, air (hitam/gelap), sedangkan asap dan awan ditunjukkan
oleh warna putih kebiruan. Komposit ini dapat pula memperlihatkan pola asap
dengan baik untuk mendeteksi kebakaran. Namun sayangnya tidak lebih baik
untuk memisahkan awan dibandingkan komposit 1-2-1 atau 2-1-2. Komposit ini
pun tidak lebih baik dibandingkan dengan komposit sebagaimana yang
diperlihatkan pada Gambar 5-7 yang menggunakan kanal merah, hijau dan biru.
Penggunaan kanal biru yang sensitif terhadap asap (Kartasasmita, 2011; Liu et
al, 2010), menjadikan komposit kanal-kanal ini jauh lebih baik dibandingkan
komposit lain sebagaimana yang telah dijelaskan sebelumnya. Namun bila
diperhatikan kembali dari hasil pewarnaan yang dihasilkan, komposit true color
(kanal 1-4-3) jauh lebih tegas memisahkan warna antara asap dan obyek
lainnya. Latar belakang (background) warna yang lebih gelap pada daratan dan

214|GeomatikaSARNasional(GeoSARNas)2011
lautan, membutuhkan warna yang lebih kontras untuk dapat memisahkannya
dari asap atau awan. Komposit true color tampak lebih baik memisahkan objek
ini. Meskipun demikian, identifikasi menggunakan beberapa komposit kanal
yang ada, akan lebih meningkatkan keyakinan untuk mengindentifikasi asap
kebakaran yang terjadi di lapangan.

Gambar 2. Komposit citra MODIS kanal 6-2-1 tanggal 15 Oktober 2010

GeomatikaSARNasional(GeoSARNas)2011|215
 Gambar 3. Komposit citra MODIS kanal 1-2-1 tanggal 15 Oktober 2010

Gambar 4. Komposit citra MODIS kanal 2-1-2 tanggal 15 Oktober 2010

216|GeomatikaSARNasional(GeoSARNas)2011
Gambar 5. Komposit citra MODIS kanal 1-3-4 tanggal 15 Oktober 2010

Gambar 6. Komposit citra MODIS kanal 1-4-3 tanggal 15 Oktober2010

GeomatikaSARNasional(GeoSARNas)2011|217
 Gambar 7. Komposit citra MODIS kanal 4-3-1 tanggal 15 Oktober2010

Kesimpulan
Penelitian untuk mendukung validasi hotspot yang dihasilkan dari citra satelit
Terra/Aqua MODIS telah dilakukan. Upaya tersebut meliputi pengecekan
beberapa komposit citra menggunakan kanal 1, 2, 3, 4, dan 6. Komposit citra
menggunakan kanal biru berperan penting untuk memisahkan asap dari obyek
lain. Meskipun komposit citra true color menunjukkan hasil yang lebih baik
secara visual, namun dukungan komposit citra kanal lain serta lokasi hotspot
sangat bermanfaat untuk memastikan lokasi kebakaran di lapangan.

Daftar Rujukan
Centre for Remote Imaging, Sensing and Processing. Forest Fire Detection and
Monitoring. http://www.crisp.nus.edu.sg, diakses tanggal 24 Agustus
2011.
Centre for Remote Imaging, Sensing and Processing. Interpreting Optical
Remote Sensing Images.

218|GeomatikaSARNasional(GeoSARNas)2011
 Http://Www.Crisp.Nus.Edu.Sg/~Research/Tutorial/Opt_Int.Htm#Colour.
Diakses tanggal 1 Agustus 2011.
CHIA, Aik Song., Kim Hwa LIM, Boon Ning CHEW, Santo V. SALINAS and Soo
Chin LIEW. 2007. Detection of smoke haze from vegetation fires using
modis aerosol products. ACRS proceeding (http://www.a-a-r-
s.org/acrs/proceeding/ACRS2007/Papers/PS1.G6.3.pdf).
Cochrane, M.A. 2003. Fire science for rainforests. Nature 421
Csiszar, Ivan A., Jeffrey T. Morisette, and Louis Giglio. 2006. Validation of
Active Fire Detection From Moderate-Resolution Satellite Sensors: The
MODIS Example in Northern Eurasia. Ieee Transactions on Geoscience
and Remote Sensing 44, 7
Giglio, L., G. R. Van Der WerfJ, T. Randerson, G. J. Collatz , P. Kasibhatla.
2006. Global estimation of burned area using MODIS active fire
observations. Atmospheric Chemistry and Physics 6, 4, 957-974
Giglio, Louis., Jacques Descloitres, Christopher O. Justice, Yoram J. Kaufman.
2003. An Enhanced Contextual Fire Detection Algorithm for MODIS.
Remote Sensing of Environment 87, 273282.
Indofire map service. http://indofire.landgate.wa.gov.au/, diakses 1 Agustus
2011.
Kartasasmita, Mahdi. 2011. Aplikasi Umum Kanal Optik (Dirujuk Pada Sensor
Landsat ETM), Baselining LAPAN, 4-7 Juli 2011.
Liu, Ronggao and Yang Liu. 2010. Blue Reflectances Contrast of Modis
Imagery: Implication for Dust and Biomass Burned Smoke Detection.
Geoscience and Remote Sensing Symposium (IGARSS), 25-30 July, Pg.
1149 1150.
Loboda, T., K.J. O'Neal and I. Csiszar. 2007. Regionally adaptable dNBR-based
algorithm for burned area mapping from MODIS data. Remote Sensing of
Environment 109, 4, 429-442.
MODIS Website. Algorithms. http://modis.gsfc.nasa.gov/data/atbd/index.php,
diakses 25 Agustus 2011.

GeomatikaSARNasional(GeoSARNas)2011|219
Nakya, Suwalak, Anusorn Rangsipanich and Wanapong Kaewsing. 2007.
Applications of terra modis data for disaster monitoring in Thailand. ACRS
proceeding.
Phonekeo, Vivarad. 2008. Monitoring of Active Fire, Smoke and Haze in
Southeast Asia using MODIS products (MOD14, MOD04) Terra/Aqua
MODIS Receiving Station, A case study of Thailand. Geoinformatics
Center Asian Institute of Technology. July 15, 2008.
Roy, D.P., P. E. Lewis and C. O. Justice. 2002. Burned area mapping using
multi-temporal moderate spatial resolution data a bi-directional reflectance
model-based expectation approach. Remote Sensing of Environment 83,
263-286.
Singapore Meteorological Service. Interpreting satellite imageries.
http://www.weather.gov.sg/wip/web/ASMC/Satellite_Imagery, diakses
tanggal 26 Agustus 2011.
Suwarsono dan Parwati. 2004. Studi Identifikasi Kabut Asap Kebakaran Hutan
dan Lahan Menggunakan Analisis Spektral Data NOAA-18/AVHRR.Jurnal
Inderaja.
The Fire Information for Resource Management System (FIRMS).
http://maps.geog.umd.edu/firms/, diakses 1 Agustus 2011.
Tjahjaningsih, Arum., Katmoko Ari Sambodo, dan Indah Prasasti. 2005.
Pertemuan Ilmiah Tahunan MAPIN XIV.

220|GeomatikaSARNasional(GeoSARNas)2011
 Deteksi Kekeringan Menggunakan Data MODIS di Kalimantan

Nanik Suryo Haryani, Hidayat, Yenni Vetrita

Peneliti Pusat Pemanfaatan Penginderaan Jauh LAPAN. Jakarta.

Abstrak. Berdasarkan data kebencanaan dari BNPB (Badan Nasional Penanggulangan

Bencana), bencana kekeringan merupakan bencana terbesar kedua setelah banjir sejak
tahun 2000-2007 di Indonesia. Dampak bencana ini mengakibatkan penurunan produksi
pangan disamping sebagai pemicu terjadinya kebakaran hutan/lahan. Kebakaran yang
terjadi setiap tahun telah menjadi perhatian serius akibat sumbangan emisinya yang
besar di dunia. Kekeringan ini dapat dideteksi menggunakan parameter indeks vegetasi
dari data satelit penginderaan jauh MODIS.

Penelitian ini bertujuan untuk mendeteksi kekeringan menggunakan data MODIS di

Kalimantan. Parameter indeks vegetasi yang digunakan yaitu EVI (Enhanced Vegetation
Index), VCI (Vegetation Condition Index), TCI (Temperature Condition Index), dan VHI
(Vegetation Health Index). Hasil penelitian ini menunjukkan adanya fluktuasi
kekeringan selama bulan Januari sampai Agustus 2011. Puncak kekeringan terjadi pada
bulan Maret 2011 yaitu di wilayah Kalimantan Barat bagian barat, Kalimantan Tengah
bagian timur dan Kalimantan Selatan bagian barat.

Abstrak. Based on data from BNPB (National Board for Disaster Management), drought is
the second largest disaster after the flood since 2000-2007 in Indonesia. The impact of
drought has decreased food production as well as trigger the occurrence of forest/land
fires. Fires that occur each year has become a serious concern due to large emission
contribution in the world. Drought can be detected using parameter vegetation index
from MODIS satellite remote sensing data.

The objective of this study is to detect drought using MODIS data in Kalimantan.
Parameters of vegetation indexes used are EVI (Enhanced Vegetation Index), VCI
(Vegetation Condition Index), TCI (Temperature Condition Index), and VHI (Vegetation
Health Index). The results of this study indicate there is a fluctuation drought during
January to August 2011. Peak drought occurred on March 2011 that is in the western
part of West Kalimantan, eastern part of Central Kalimantan, and western part of South
Kalimantan.

GeomatikaSARNasional(GeoSARNas)2011.|221
Pendahuluan
Latar Belakang
Bencana kekeringan lahan dan kebakaran hutan/lahan di Indonesia merupakan
persoalan yang selalu meningkat dari tahun ke tahun akibat fenomena alam,
serta perubahan penggunaan lahan. Kekeringan dapat menyebabkan
berkurangnya persediaan air bagi pertumbuhan dan perkembangan vegetasi
selama musim kemarau. Apabila keadaan ini terjadi, maka dapat
mengakibatkan meluasnya lahan kritis yang akan berdampak terjadinya
degradasi kualitas lingkungan. Kekeringan lahan juga dapat mengakibatkan
penurunan atau gagalnya produksi tanaman pangan, kekurangan cadangan air,
serta terjadinya kebakaran hutan/lahan.

Menurut Wilhite & Glanz (1985), ada tiga jenis kekeringan lahan, terdiri atas:
kekeringan meteorologis, kekeringan agronomis, dan kekeringan hidrologis.
Kekeringan secara meteorologis berhubungan dengan curah hujan atau
presipitasi, kekeringan agronomis berhubungan dengan kelengasan tanah, dan
kekeringan hidrologis berhubungan dengan ketersediaan aliran air dibawah
permukaan tanah.

Proses terjadinya kekeringan pada dasarnya disebabkan oleh berkurangnya

curah hujan, prosesini disebut dengan kekeringan meteorologis. Kekeringan
tersebut kemudian berlanjut terus dan berpengaruh terhadap terjadinya
penurunan kelengasan tanah,proses ini disebut dengan kekeringan agronomis.
Apabila kekeringan tersebut terjadi pada daerah pertanian akan mengakibatkan
terjadinya penurunan produktivitas tanaman, dan kekeringan ini bila terjadi pada
daerah hutan akan meningkatkan dan memicu terjadinya kebakaran hutan.
Proses kekeringan dapat berkembang lebih lanjut dan menyebabkan terjadinya
kekeringan air tanah yang disebut kekeringan hidrologis.

Secara umum definisi kekeringan agronomis adalah ketersediaan air tanah

untuk mendukung pertumbuhan tanaman dan makanan ternak dibandingkan
dengan masuknya presipitasi normal. Tingkat penyerapan air ke dalam tanah
(infiltrasi) sangat bervariasi. Tingkat infiltrasi tersebut tergantung dari kondisi
kelengasan tanah sebelumnya, kemiringan lereng, tipe tanah, intensitas curah
hujan dan jenis tanah.

222|GeomatikaSARNasional(GeoSARNas)2011
Berdasarkan data kebencanaan dalam kurun waktu 8 tahun (periode tahun
2000 sampai dengan tahun 2007) dari BNPB (Badan Nasional Penanggulangan
Bencana) menyebutkan bahwa bencana kekeringan yang sering terjadi di
Indonesia merupakan bencana peringkat kedua setelah bencana banjir.

Dampak bencana kekeringan mengakibatkan penurunan produksi pangan,

selain itu kekeringan yang terjadi pada hutan dan lahan harus mendapat
perhatian yang serius. Hal tersebut dikarenakan dapat memicu terjadinya
bencana kebakaran hutan dan lahan. Kebakaran hutan dan lahan yang terjadi
setiap tahun di Indonesia menjadi pusat perhatian, karena kebakaran tersebut
menjadi salah satu penyumbang emisi terbesar di dunia sehingga penting untuk
segera ditanggulangi. Guna meminimalkan risiko kejadian bencana maupun
mengurangi kerugian yang dapat ditimbulkan oleh kejadian tersebut, maka perlu
upaya untuk mitigasi bencana seperti penyediaan informasi peringatan dini dan
deteksi kekeringan.

Bencana kekeringan ini dapat dideteksi dari data penginderaan jauh MODIS,
dimana data tersebut dapat memperlihatkan adanya indeks vegetasi dan indeks
kekeringan yang terjadi di suatu wilayah.

Tujuan
Tujuan dari penelitian ini adalah melakukan deteksi kekeringan lahan
menggunakan data penginderaan jauh MODIS di Kalimantan. Dalam deteksi
kekeringan lahan menggunakan parameter indeks vegetasi dan indeks
kekeringan yang dapat diekstraksi dari data MODIS yang memiliki keterkaitan
dengan kekeringan lahan, yaitu meliputi; EVI, VCI, TCI, dan VHI.

Tinjauan Pustaka
Beberapa data satelit penginderaan jauh yang dapat digunakan untuk
pemantauan perubahan lahan, kekeringan lahan dan kebakaran hutan
diantaranya adalah MODIS. MODIS (Moderate Resolution Imaging
Spectroradiometer) merupakan instrumen pembawa yang terdapat pada satelit
Terra (EOS AM-1), diluncurkan pada 18 Desember 1999 dan Aqua (EOS PM-
1), diluncurkan pada 4 Mei 2002. MODIS merekam hampir keseluruhan
permukaan bumi setiap hari, untuk memperoleh data dalam 36 band spektral di
atas dihasilkan citra dengan swath/lebar cakupan 2330 km. Sensor Terra
mengelilingi bumi dari utara ke selatan melewati equator pada pagi hari

GeomatikaSARNasional(GeoSARNas)2011|223
sedangkan Aqua mengelilingi bumi dari selatan ke utara melewati ekuator pada
sore hari. Sensor Terra dan Aqua merekam permukaan bumi sebanyak 4 kali
dalam sehari yaitu 2 kali pada pagi hari dan 2 kali pada malam hari (Ichoku et
al., 2003).

Data MODIS akan meningkatkan pemahaman tentang proses dan dinamika

global yang terjadi pada daratan, samudera, dan atmosfir yang lebih rendah.
MODIS dapat mengamati temperatur permukaan samudera dan daratan,
tutupan permukaan daratan, awan, aerosol, uap air, profil temperatur, dan api.
Kelebihan sensor MODIS dibandingkan dengan sensor global lainnya adalah
dalam hal resolusi spasial 250 m, 500 m dan 1 km. Adapun kelebihan lainnya
berupa kalibrasi radiometrik, spasial, dan spektral dilakukan pada saat
mengorbit, peningkatan akurasi/presisi radiometrik dan peningkatan akurasi
posisi geografis. Namun keterbatasan resolusi spasial yang dimilikinya, maka
citra satelit MODIS ini hanya mampu menghasilkan informasi dengan skala
global (1:500.000 sampai dengan 1:1.000.000).

Berdasarkan faktor penyebabnya, kekeringan dapat diklasifikasikan kedalam

kekeringan meteorologis, agronomis, dan hidrologis (Jeyaseelan, 2003).
Sementara itu, World Meteorological Organization (WMO) mengklasifikasikan
kekeringan berdasarkan: (a) curah hujan, (b) kombinasi antara curah hujan,
suhu, kelembaban udara dan/atau evaporasi, (c) kelengasan lahan dan
parameter fisik tanaman, (d) indeks klimat dan pendugaan evapotranspirasi.

Indeks kehijauan tanaman (greeness index) merupakan ukuran kuantitatif yang

digunakan untuk mengamati kondisi vegetasi tanaman dan aktivitas fotosintesis.
Pada umumnya nilai ini dapat diperoleh dari analisis kombinasi dua atau lebih
kanal spektral (Huete et al., 2002). Banyak metode yang dapat digunakan untuk
menghitung indeks vegetasi. Indeks vegetasi yang telah dikembangkan sampai
saat ini antara lain NDVI (Normalized Difference Vegetation Index) dan EVI
(Enhanced Vegetation Index) (Huete et al., 1997), LSWI (Land Surface Water
Index) (Ichoku et al., 2003), SAVI (Soil Adjusted Vegetation Index) (Huete et al.,
1997), serta ARVI (Atmospherically Resistant Vegetation Index) dan SARVI
(Soil and Atmospherically Resistant Vegetation Index) (Jensen, 2002).

Dua indeks vegetasi yang paling banyak diaplikasikan pada data MODIS adalah
NDVI dan EVI. NDVI dapat dihitung melalui rasio yang dibangun dari kanal
spektral infra merah (Infra Red/IR) dan infra merah dekat (Near Infra Red/NIR).

224|GeomatikaSARNasional(GeoSARNas)2011
Sedangkan EVI merupakan indeks vegetasi yang dikembangkan dari NDVI. EVI
telah diketahui lebih sensitif terhadap perubahan biomasa selama fase vegetatif
yang lama, serta tahan terhadap efek atmosfer dan kanopi (Huete et al.,1997).
Nilai EVI diperoleh dari nilai reflektansi kanal spektral merah (red), kanal infra
merah dekat (NIR) dan kanal biru (blue). Kanal spektral biru sangat sensitif
terhadap kondisi atmosfer dan digunakan untuk koreksi atmosferik (Xiao et al.,
2006).

Penggunaan data MODIS untuk penelitian yang mengkaji hubungan kuantitatif

antara indeks luas daun yang diukur di lapangan dan indeks vegetasi dari data
spot untuk tanaman padi. Lokasi penelitian di Provinsi Jiangsu, China. Hasil
penelitian ini menunjukkan adanya hubungan linier yang nyata antara indeks
luas daun dan NDVI (Normalized Difference Vegetation Index) pada musim
tanaman padi yang terjadi pada tahun 1999.

Metodologi
Data
Data yang digunakan dalam penelitian deteksi kekeringan ini adalah data
penginderaan jauh MODIS, adapun data yang digunakan secara rinci seperti
pada tabel 1 berikut ini:

Tabel 1. Data MODIS yang digunakan

NO. DATA, TANGGAL LOKASI
1 MODIS, 9 Januari 2011 Kalimantan
2 MODIS, 10 Februari 2011 Kalimantan
3 MODIS, 6 Maret 2011 Kalimantan
4 MODIS, 7 April 2011 Kalimantan
5 MODIS, 9 Mei 2011 Kalimantan
6 MODIS, 10 Juni 2011 Kalimantan
7 MODIS, 12 Juli 2011 Kalimantan
8 MODIS, 5 Agustus 2011 Kalimantan

Metode
Metode yang digunakan dalam penelitian ini adalah metode kekeringan
agronomis, dimana dalam kekeringan agronomis menggunakan parameter
indeks vegetasi dan indeks kekeringan yang dapat diekstraksi dari data MODIS

GeomatikaSARNasional(GeoSARNas)2011|225
yang memiliki keterkaitan dengan kekeringan lahan, yaitu meliputi; EVI
(Enhanced Vegetation Index), VCI (Vegetation Condition Index), TCI
(Temperature Condition Index), dan VHI (Vegetation Health Index). Formulasi
yang digunakan untuk penghitungan parameter indeks tersebut sebagai berikut:

LST (Land Surface Temperature) :

Nilai LST diturunkan berdasarkan algoritma split window yang dirumuskan oleh
Mao et al (2005). Adapun kanal-kanal yang digunakan untuk menurunkan nilai
LST adalah kanal 2, 17, 18, 19, 31 dan 32.

EVI (Enhanced Vegetation Index) Huete et al (1999) :

(1)

dimana :

: Reflektansi permukaan panjang gelombang inframerah dekat (NIR)

: Reflektansi permukaan panjang gelombang merah (red)

: Reflektansi permukaan panjang gelombang biru (blue)

: Koefisien resistansi aeorosol
dan Menggunakan panjang gelombang biru untuk mengoreksi gangguan aerosol pada
panjang gelombang merah
: Gain factor

: Canopy background adjustment

TDVI (Temperature Vegetation Dryness Index) :

(2)

dimana :

NDVI : Nilai NDVI

Ts : Suhu permukaan
Ts min : Nilai minimum suhu permukaan
a+b. NDVI =Ts max : Nilai maksimum suhu permukaan
VCI (Vegetation Condition Index) Kogan (2000):

(3)

dimana :

NDVI : Nilai NDVI

226|GeomatikaSARNasional(GeoSARNas)2011
NDVI max : Nilai NDVI maksium
NDVI min : Nilai NDVI minimum
TCI (Temperature Condition Index) Kogan (2000):

(4)

dimana :

BT : Nilai suhu kecerahan

BT max : Nilai suhu kecerahan maksimum
BT min : Nilai suhu kecerahan minimum
VHI (Vegetation Health Index) Kogan (2000):

(5)
dimana :

VCI : Nilai VCI

TCI : Nilai TCI
a dan b : Nilai koefisien faktor pengaruh VCI dan TCI terhadap kekeringan.
Apabila VCI dan TCI memberikan pengaruh yang sama terhadap kekeringan,
maka nilai a dan b masingmasing adalah 0.5

Diagram Alir

Gambar 1. Diagram Alir Pelaksanaan Penelitian

GeomatikaSARNasional(GeoSARNas)2011|227
Hasil Dan Pembahasan
Berdasarkan hasil pengolahan data MODIS untuk kekeringan lahan dari bulan
Januari hingga Agustus 2011, dapat dianalisis sebagai berikut:

Hasil pengolahan data MODIS pada bulan Januari 2011 hanya sebagian saja
daerah yang terjadi kekeringan (Gambar 2). Kekeringan yang terjadi di
Kalimantan Barat terjadi di Kabupaten Sambas bagian utara, kekeringan di
Kalimatan Tengah terjadi di daerah Pegunungan Schwaner dan Daerah
Tamianglayang bagian utara, dan kekeringan yang terjadi di Kalimantan Selatan
terjadi di daerah Tanjung bagian utara, serta kekeringan yang terjadi di
Kalimantan Timur terjadi di Malinau bagian utara dan di Kabupaten
Tanjungredep bagian timur.

Pengolahan data MODIS untuk kekeringan pada bulan Februari 2011 lebih
banyak dibandingkan dengan kekeringan yang terjadi di bulan Januari 2011.
Sebagian besar kekeringan di bulan Februari ini (Gambar 3) terjadi di
Kalimantan Barat bagian selatan dan Kalimantan Selatan bagian barat.
Kekeringan di bulan Februari 2011 dimana kekeringan di Kalimantan Barat
terjadi di Kabupaten Sintang dan Kabupaten Sanggau bagian utara, serta di
Kabupaten Ketapang bagian selatan. Kekeringan yang terjadi di Kalimatan
Tengah terjadi di Kotawaringin dan Riam bagian barat, serta Kuala Kurun.

Kekeringan hasil pengolahan data MODIS bulan Maret 2011 (Gambar 4)

semakin meningkat dibandingkan kekeringan di bulan Januari dan Februari
2011. Kekeringan di Kalimantan Barat sebagian besar terjadi di bagian barat
yakni: di daerah Ketapang, Pontianak, Mempawah dan Singkawang.
Sedangkan kekeringan yang terjadi Kalimantan Tengah sebagian besar terjadi
di Kalimantan Tengah bagian Timur dan sebagian kecil di bagian barat (Riam),
Kekeringan yang terjadi di Kalimantan Tengahbagian Timur meliputi
Palangkaraya, Kasongan dan Kuala Kurun. Kekeringan yang terjadi Kalimantan
Selatan terjadi di bagian barat dan bagian utara,yang meliputi daerah
Banjarbaru, Banjarmasin, Marabahan, Amuntai dan Tanjung. Sedangkan
kekeringan yang terjadi di KalimantanTimur terjadi di bagian barat dan bagian
utara, yang meliputi daerah Longkai, Longnawan, Longagung, Longpemuat,
Longbawang dan Longberang.

Hasil pengolahan data MODIS untuk kekeringan di Kalimantan bulan April 2011
(Gambar 5) semakin berkurang dibandingkan kekeringan yang terjadi dibulan

228|GeomatikaSARNasional(GeoSARNas)2011
Maret. Kekeringan yang terjadi dibulan April 2011 di Kalimantan terjadi di
Kalimantan Barat dan Kalimantan Timur. Pengolahan data MODIS untuk
kekeringan di Kalimantan Barat bulan April 2011 terjadi di Pontianak dan di
Sintang. Sedangkan kekeringan di Kalimantan Timur dibulanApril 2011 terjadi di
daerah Longboh dan sebagian daerah Longnawan. Kekeringan di Kalimantan
bulan Mei 2011 (Gambar 6) semakin menurun untuk Kalimantan Barat dan
Kalimantan Timur, sedangkan untuk Kalimntan Selatan dan Kalimantan Tengah
terjadi adanya sedikit peningkatan. Peningkatan terjadinya kekeringan di
Kalimantan Selatan terjadi di daerah Marabahan, Amuntai dan Tanjung,
sedangkan kekeringan di Kalimantan Tengah terjadi di Palangkaraya bagian
utara sampai daerah Kuala Kurun.

Pengolahan data MODIS untuk kekeringan pada bulan Juni 2011 (Gambar 7) di
Kalimantan kembali meningkat dibandingkan kondisi kekeringan di bulan Mei
2011. Peningkatan terjadi di Kalimantan Barat dan sebagian di Kalimantan
Timur, Kalimantan Tengah dan Kalimantan Selatan. Kekeringan di Kalimantan
Barat terjadi di daerah Ketapang, Kotabaru, Pontianak, Sanggau, Sintang, dan
Putussibau. Sedangkan kekeringandi Kalimantan Timur terjadi di Samarinda,
Longlees, Longboh, Longnawan, Longpemuat dan Longbawan. Kekeringan
yang terjadi Kalimantan Tengah dibagian utara dan kekeringan di Kalimantan
Selatan terjadi dibagian barat.

Kekeringan yang terjadi di Kalimantan bulan Juli 2011 (Gambar 8) hampir di

seluruh wilayah Kalimantan terjadi penurunan dibandingkan kekeringan dibulan
Juni 2011. Kekeringan bulan Juli 2011 di Kalimantan Barat terjadi di daerah
Kotabaru, Sanggau dan Sintang. Kekeringan di Kalimantan Tengah terjadi di
Kalimantan Tengah bagian utara, sedangkan di Kalimantan Timur terjadi di
Kalimantan Timur bagian utara dan bagian selatan. Kekeringan di Kalimantan
Selatan terjadi hanya di sebagian kecil saja yakni di daerah Peleihari dan
Marabahan.

Hasil pengolahan data MODIS untuk kekeringan dibulan Agustus 2011 (Gambar
9) kembali terjadi peningkatan dihampir semua daerah di wilayah Kalimantan.
Kekeringan yang terjadi Kalimantan Barat terjadi di sebagian Kotabaru, dan
sebagian besar kekeringan terjadi di daerah Sanggau dan Sintang. Kekeringan
yang terjadi di Kalimantan Tengah terjadi di bagian utara dan bagian tengah
yakni di daerah Buntok, Kasongan dan disekitar Pegunungan Schwaner.
Kekeringan di Kalimantan Selatan terjadi di daerah Marabahan dan Amuntai.

GeomatikaSARNasional(GeoSARNas)2011|229
Sedangkan kekeringan yang terjadi di Kalimantan Timur terjadi Samarinda,
Barongtangkak, Longboh, Tanjung Redep, Tanjung Selor, Longlai dan
Longpeso.

Gambar 2. Kekeringan (VHI) Bulan Januari 2011 Gambar 3. Kekeringan (VHI) Bulan Februari
2011

Gambar 4. Kekeringan (VHI) Bulan Maret 2011 Gambar 5. Kekeringan (VHI) Bulan April 2011

Gambar 6. Kekeringan (VHI) Bulan Mei 2011 Gambar 7. Kekeringan (VHI) Bulan Juni 2011

230|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 8. Kekeringan (VHI) Bulan Juli 2011 Gambar 9. Kekeringan (VHI) Bulan Agustus
2011

Kesimpulan
1. Berdasarkan hasil pengolahan citra MODIS untuk kekeringan di Kalimantan
bulan Januari sampai dengan bulan Agustus 2011, dapat disimpulkan
bahwa kekeringan yang paling tinggi terjadi pada bulan Maret 2011,
kekeringan yang luas terjadi di Kalimantan Barat, Kalimantan Tengah dan
Kalimantan Selatan.

2. Kekeringan di Kalimantan mengalami peningkatan di bulan Februari dan

Maret 2011, selanjutnya di bulan April hingga Mei mengalami penurunan,
kemudian di bulan Juni mengalami peningkatan kembali terjadi di wilayah
Kalimantan Barat, kemudian bulan Juli mengalami penurunan kembali di
hampir seluruh wilayah, dan kekeringan bulan Agustus 2011, terjadi
peningkatan terutama di Kalimantan Barat dan Kalimantan Timur.

GeomatikaSARNasional(GeoSARNas)2011|231
Daftar Pustaka

Dirgahayu D., Surlan dan Emiyati, 2009, Pengembangan Model Pemanfaatan

Data Penginderaan Jauh untuk Mendukung Ketahanan Pangan, Laporan
Akhir Pusbangja-LAPAN.
Gao, X., Huete, A.R., and Miura, T. 2000. Optical-Biophysical Relationship of
Vegetation Spectra without Background Contamination. Remote Sensing
of Environment. 74: 609-620.
Huete et al.,1997. A comparison of vegetation indices over a global set of TM
images for EOS-MODIS. Journal Remote Sensing.
Huete, A., C. Justice, and W. V Leeuwen. 1999. Modis Vegetation Index (MOD
13). Algorithm Theoretical Basis Document. Version 3.
Huete et al., 2002. Monitoring vegetation phenology using MODIS. Journal
Remote Sensing.
Kogan, F. N. 2000. Contribution of remote sensing to drought early warning. In
Early warning systems for drought preparedness and drought
management, ed. D.A. Wilhite and D.A. Wood. 7587. Geneva: World
Meteorological Organization.
Parwati, dkk. 2010. Pendayagunaan Data Modis untuk Peringatan Dini
Kekeringan, Laporan Akhir Penelitian, Kerjasama Pusat Pengembangan
Pemanfaatan dan Tenologi Penginderaan Jauh - LAPAN dengan Asisten
Deputi Bidang Iptek Pemerintah - Kementrian Ristek.
X. Xiao, et al., 2002. Quantitative relationship between field-measured leaf area
index and vegetation index derived from vegetation images for paddy rice.
Journal Remote Sensing.
Wilhite, D.A. and Glantz, M.H. (1985). Understanding the drought phenomenon :
The role of definitions. Water International, 10 (3), 111-120.

232|GeomatikaSARNasional(GeoSARNas)2011
 Analisis Tanah Longsor di Tenjolaya Menggunakan Data
Penginderaan Jauh

Nanik Suryo Haryani

Pusat Pemanfaatan Penginderaan Jauh LAPAN. Jakarta

Abstrak. Longsor yang terjadi di Desa Tenjolaya, Kecamatan Pasir Jambu, Kabupaten
Bandung pada tanggal 23 Februari 2010 akibat hujan yang lebat pada hari sebelumnya.
Tujuan dari penelitian ini adalah menganalisis terjadinya tanah longsor berdasarkan
data penginderaan jauh di Desa Tenjolaya. Analisis data menggunakan citra satelit
MTSAT-1R dan QMORPH, serta kondisi fisik daerah di sekitar Bandung dapat dilihat dari
berbagai citra penginderaan jauh, antara lain: citra ALOS dan Citra IKONOS. Hasil
analisis curah hujan dari data satelit MTSAT memperlihatkan adanya peluang hujan yang
lebat pada hari sebelumnya, dan data Qmorph memperlihatkan adanya curah hujan yang
lebat sampai dengan sangat lebat, sedangkan dari citra ALOS dan Ikonos
memperlihatkan bahwa morfologi daerah terjadinya longsor adalah merupakan daerah
perkebunan teh yang terletak di daerah perbukitan yang tinggi yang merupakan daerah
rawan longsor.

Abstract. The landslide in Tenjolaya Village, Pasir Jambu Subdistrict, Bandung District
on February 23, 2010 was triggered by a heavy rainfall on previous day. The aim of the
research is to analyze the landslide occurrence based on remote sensing data in
Tenjolaya Village. The data analyze uses satellite images MTSAT-1R and QMORPH, and
physical condition around Bandung, which can be seen from various remote sensing
images, among others ALOS and IKONOS images. The result of rainfall analysis from
MTSAT satellite shows a probability of heavy rainfall on previous day, and QMORPH data
shows the heavy to very heavy rainfall. Meanwhile ALOS and IKONOS images shows that
the morphology around the landslide area is a tea plantation field located in the high
mountainous coverage with landslide sensitive properties.

GeomatikaSARNasional(GeoSARNas)2011.|233
Pendahuluan
Latar Belakang
Bencana tanah longsor di Desa Tenjolaya, Kecamatan Pasir Jambu, Kabupaten
Bandung, Provinsi Jawa Barat yang terjadi pada tanggal 23 Februari 2010
mengakibatkan 50 rumah milik buruh, satu pabrik pengolahan teh, satu gedung
olahraga, satu koperasi karyawan, satu puskesmas pembantu, dan satu masjid
tertimbun tanah longsor.

Jumlah korban jiwa, akibat longsor berjumlah 45 orang, terdiri dari 12 orang laki-
laki, 21 orang perempuan, dan 12 orang anak-anak berdasarkan dari data
pengaduan dari masyarakat yang kehilangan anggota keluarga kepada posko
penanganan bencana longsor.

Tanah longsor dapat diartikan sebagai peristiwa runtuhan tanah atau

pergerakan tanah atau bebatuan dalam jumlah besar di daerah yang terjal dan
tidak stabil (rapuh). Proses pergerakan tersebut bisa terjadi secara tiba-tiba,
bisa pula secara berangsur-angsur. Jika dilihat dari faktor pemicunya, longsoran
tanah bisa diakibatkan oleh beberapa hal. Namun, umumnya tanah longsor
timbul sebagai akumulasi dari pelbagai faktor, antara lain curah hujan, kondisi
geologi atau batuan, serta kemiringan lereng.

Kejadian tanah longsor di suatu daerah dapat dianalisis berdasarkan kondisi

cuaca dan kondisi fisik wilayah. Kondisi cuaca dapat dianalisis melalui data
penginderaan jauh yaitu data MTSAT (meteorological Satellite) dan data
QMORPH (Q Morphing), sedangkan kondisi fisik khususnya lokasinya dapat
dianalisis berdasarkan ketinggian wilayah melalui DEM-SRTM (Digital Elevation
Model - Shuttle Radar Topographic Mission), dan Citra ALOS dan IKONOS
dapat untuk melihat adanya perubahan sebelum dan sesudah terjadinya tanah
longsor. Selain itu kondisi fisik wilayah dapat dianalisis melalui kondisi
tanahnya.

Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisis tanah longsor menggunakan data
satelit penginderaan jauh yang terjadi di Desa Tenjolaya, Kecamatan Jeruk
Legi, Kabupaten Bandung pada tanggal 23 Februari 2010.

234|GeomatikaSARNasional(GeoSARNas)2011
Kondisi Fisik Daerah Bandung
Kondisi Fisik Daerah Bandung dan sekitarnya meliputi letak geografis,
morfologi, geologi dan tanah.

Letak Geografis

Letak Geografis Daerah Bandung dan sekitarnya terletak diantara perbukitan

dan dikelilingi gunung - gunung, diantaranya: gunung Tangkuban Perahu
(2076m), gunung Bukit Tunggul (2209 m), gunung Manglayang (1812 m),
gunung Madalawangi (1663 m), gunung Windu (2054 m), gunung Wayang
(2128 m), gunung Patuha (2434 m), dan gunung Kencana (2182 m). Secara
astronomis letak daerah Bandung berada antara 107 29 107 52 Bujur
Timur dan 6 50 7 07 Lintang Selatan.

Morfologi

Keadaan morfologi daerah Bandung menurut Young (1972) dibagi menjadi 3

satuan bentang alam berdasarkan kemiringan lereng atau slope, antara lain:

1. Daerah dengan kondisi lereng datar sampai dengan landai, dengan

ketinggian antara 600 meter hingga 700 meter, kemiringan lereng
antara 0 % sampai dengan 5 %.

2. Daerah dengan kondisi lereng landai, dengan ketinggian antara 700

meter hingga 1150 meter, kemiringan lereng antara 5 % sampai
dengan 15 %.

3. Daerah dengan kemiringan lereng antara curam hingga terjal, dengan

ketinggian lebih besar 1150 meter, kemiringan lereng lebih besar dari
15 %.

Geologi

Geologi daerah Bandung dan sekitarnya secara umum dicirikan oleh batuan
hasil aktivitas gunung berapi Tangkuban Perahu, kompleks Sunda, dan
sedimen laut berumur Miosen hingga Resen. Berdasarkan ciri-ciri litologi yang
membedakan batuan penyusunnya, maka dapat diuraikan sebagai berikut:

1. Endapan Tertier merupakan satuan tertua yang tersingkap, terdiri atas

breksi gunung api, lava, batu pasir tufaan, konglomerat, napal, lempung, dan
batu pasir kuarsa.

GeomatikaSARNasional(GeoSARNas)2011|235
2. Hasil gunung api tua, satuan ini terdiri dari perselingan antara breksi gunung
api, lahar, dan lava. Penyebaran di daerah Bandung dikenal sebagai formasi
Cikapundung berumur Plistosen, dengan ketebalan 0 meter hingga 350
meter.

3. Hasil gunung api muda, satuan ini terdiri dari breksi gunung api lapili, lava
dan tufa, penyebaran di daerah Bandung dikenal dengan formasi Cibeureum
dan formasi Cikidang.

4. Formasi Cibeureum terdiri dari perulangan urut-urutan breksi gunung api

dan tufa, ketebalan kurang dari 180 meter dan berumur Plistosen atas
Holosen.

5. Formasi Cikidang, batuannya terdiri dari lelehan lava basal, konglomerat

gunung api, tufa kasar, dan breksi gunung api. Umur formasi diperkirakan
Holosen, dengan ketebalan berkisar antara 8 meter hingga 16 meter.

6. Formasi Kosambi/dikenal sebagai endapan danau, batuannya terdiri dari

batu lempung tufaan, batu lanau tufaan, dan batu pasir tufaan. Ketebalan
formasi berkisar antara 0 meter hingga 125 meter.

7. Kolovium, satuan ini terbentuk dari reruntuhan gunung api, dengan material
berupa bongkah batuan beku, batu pasir tufaan, dan lempung tufaan.

Tanah

Berdasarkan Peta Tanah Tinjau Propinsi Jawa Barat skala 1 : 250.000 tahun
1966 oleh Lembaga Penelitian Tanah (LPT) Bogor, bahwa jenis tanah di
Daerah Bandung dan sekitarnya adalah Asosiasi Glei humus rendah dan
Aluvial kelabu, Latosol coklat kemerahan, Aluvial coklat kekelabuan,
Grumusol kelabu tua, dan Asosiasi Aluvial Kelabu dan Aluvial Coklat
Kekelabuan. Adapun untuk mengetahui jenis tanah, bahan induk dan fisiografi
seperti pada tabel berikut.

Tabel 1. Jenis Tanah Di daearah Bandung dan Sekitarnya.

NO. JENIS TANAH BAHAN INDUK FISIOGRAFI
1 Asosiasi Glei humus rendah dan Endapan liat Dataran
Aluvial kelabu
2 Latosol coklat kemerahan Tuf volkan intermedier Volkan
3 Aluvial coklat kekelabuan Endapan liat Dataran

236|GeomatikaSARNasional(GeoSARNas)2011
NO. JENIS TANAH BAHAN INDUK FISIOGRAFI
4 Grumusol kelabu tua Batu kapur dan napal Bukit lipatan
5 Asosiasi Aluvial Kelabu dan Aluvial Endapan Liat dan berpasir Dataran
Coklat Kekelabuan
Sumber: Peta Tanah Tinjau Jawa Barat, 1966.

Metodologi
Data Yang Digunakan
Data yang digunakan dalam penelitian ini adalah: data MTSAT-1R tanggal 17
dan 22 Februari 2010, data Qmorph pada tanggal 17 Februari 2010, citra ALOS
AVNIR tanggal 23 Juni 2009 (sebelum terjadi longsor), citra ALOS AVNIR
tanggal 27 Februari 2010 (sesudah terjadi longsor), citra IKONOS tanggal 3 Juli
2007 (sebelum terjadi longsor), citra IKONOS tanggal 2 Maret 2010 (sesudah
terjadi longsor), dan data Digital Elevation Model - Shuttle Radar Topography
Mission (DEM - SRTM) Resolusi 90 m tahun 2000.

Metode Penelitian
Metode yang dilakukan dalam penelitian ini adalah

1) Melakukan Download data dari file bin setiap jam untuk data MTSAT - 1R

2) Melalukan Convert data format bin ke format ers untuk setiap jam.

3) Melakukan untuk semua tanggal yaitu tanggal 17 dan 22 Februari 2010.

4) Melakukan Croping setiap data gabungan untuk wilayah Indonesia

(khususnya Pulau Jawa).

5) Eksport ke file grid, kemudian convert ke koordinat xyz, dan

6) Melakukan Ploting data xyz ke format jpeg.

Sedangkan untuk pengolahan data citra ALOS dan citra IKONOS dilakukan
koreksi geometrik dan selanjutnya dilakukan Cropping lokasi terjadinya longsor
dan daerah sekitarnya.

Hasil Dan Pembahasan

Analisis Data Curah Hujan
Analisis data curah hujan dari hasil pengolahan data MTSAT-1R (Meteorological
Satellite) kanal infra merah 1R di daerah Jawa Barat khususnya di Desa

GeomatikaSARNasional(GeoSARNas)2011|237
Tenjolaya, Kecamatan Jambu, Kabupaten Bandung dan sekitarnya dapat
dilihat pada Gambar 1a, 1b, dan 1c. Curah hujan pada tanggal 17 Februari 2010
jam 10 UTC seperti pada Gambar 1a, terlihat bahwa adanya peluang hujan
yang lebat (dalam gambar terlihat warna kuning) dan peluang hujan sangat
lebat (dalam gambar telihat warna merah), sedangkan peluang hujan yang
terjadi pada tanggal 22 Februari 2010 jam 11 UTC seperti pada Gambar 1c,
terlihat adanya peluang hujan lebat (dalam gambar terlihat warna kuning).

Analisis data curah hujan dari hasil pengolahan data Qmorph (Q Morphing) di
daerah Jawa Barat khususnya di Wilayah Bandung dan sekitarnya dapat dilihat
pada Gambar 1b. Sebagai contoh curah hujan sebelum terjadinya longsor pada
tanggal 17 Februari 2010 (Gambar 1b), terlihat bahwa curah hujan cukup besar
berkisar antara 35 mm - 45 mm/jam (dalam Gambar 1b terlihat warna kuning).
dan bahkan curah hujan terjadi lebih dari 45 mm/jam (dalam Gambar 1b terlihat
warna merah). Curah hujan yang cukup tinggi pada tanggal 17 Februari 2010,
apabila terjadi berturut-turut selama beberapa hari atau terakumulasi (dari
tanggal 17 sampai dengan tanggal 22 Februari 2010) maka akan sangat
memicu terjadinya longsor di wilayah tersebut. Curah hujan yang terakumulasi
selama beberapa hari tersebut, akhirnya terjadi tanah longsor di Desa
Tenjolaya, Kabupaten Bandung pada tanggal 23 Februari 2010.

Sumber: MTSAT-1R Kochi University

Gambar 1. Citra MTSAT-1R 17 Februari 2010 Jam 10 UTC

238|GeomatikaSARNasional(GeoSARNas)2011
 Sumber: QMORPH
Gambar 2. Citra QMORPH 17 Februari 2010 Jam 10 UTC

Gambar 3. Citra MTSAT-1R 22 Februari 2010 Jam 11 UTC

GeomatikaSARNasional(GeoSARNas)2011|239
 Gambar 4. Peluang Hujan dari Data MTSAT-1R (17 dan 22 Februari 2010) dan Curah Hujan dari
QMORPH (17 Februari 2010)

Gambar 5. Citra ALOS dan Citra IKONOS sebelum dan sesudah longsor

240|GeomatikaSARNasional(GeoSARNas)2011
Analisis Citra Satelit
Berdasarkan citra DEM - SRTM (Digital Elevation Model - Shuttle Radar
Topographic Mision) pada tahun 2000 seperti pada Gambar 2, dapat dianalisis
bahwa dari citra DEM SRTM tahun 2000 di daerah Jawa Barat khususnya
Desa Tenjolaya, Kabupaten Bandung terlihat lokasinya bervariasi antara
dataran rendah di bagian selatan dan semakin ke utara merupakan dataran
tinggi, yang mempunyai ketinggian antara 0 sampai 1000 m di atas permukaan
air laut.

Citra DEM SRTM menunjukkan daerah Tenjolaya sebagian besar merupakan

daerah yang bergelombang, berbukit hingga bergunung (dalam citra Gambar 2
terlihat bahwa semakin ke utara daerahnya semakin tinggi), sehingga
daerahnya mudah terjadi longsor, apabila terjadi hujan yang lebat hingga sangat
lebat dalam waktu beberapa hari dan kondisi tanahnya gembur.

Berdasarkan citra ALOS AVNIR2 hasil perekaman tanggal 30 Juni 2009

sebelum terjadinya tanah longsor (Gambar 3a) dan tanggal 27 Februari 2010
sesudah terjadinya tanah longsor (Gambar 3b) dapat dianalisis sebagai berikut:

1. Lokasi tanah longsor merupakan daerah perkebunan dan mempunyai

topografi yang merupakan daerah perbukitan.

2. Daerah sekitar terjadinya tanah longsor masih banyak dijumpai daerah

perbukitan dengan lereng yang lebih curam digunakan untuk daerah
perkebunan,

3. Secara morfologi lokasi terjadinya tanah longsor dan daerah sekitarnya

merupakan daerah rawan longsor.

Berdasarkan citra IKONOS hasil perekaman tanggal 3 Juli 2007 sebelum

terjadinya tanah longsor (Gambar 3c) dan tanggal 2 Maret 2010 sesudah
terjadinya tanah longsor (Gambar 3d) dapat dianalisis sebagai berikut: Pada
citra IKONOS terlihat jelas lokasi sebelum dan sesudah terjadinya tanah
longsor, dimana daerah terjadinya tanah longsor merupakan daerah
perkebunan dan daerah permukiman penduduk. Lokasi terjadinya tanah longsor
terlihat dengan kondisi topografi berupa daerah perbukitan, dengan kemiringan
lereng landai, terjal hingga curam. Kondisi daerah tersebut apabila terjadi hujan
yang lebat hingga sangat lebat kemungkinan besar akan mudah terjadinya
tanah longsor.

GeomatikaSARNasional(GeoSARNas)2011|241
Analisis Data Tanah
1). Asosiasi Glei humus rendah dan Aluvial kelabu

Jenis tanah ini mempunyai bahan induk endapan liat, terdapat di daerah yang
datar yang merupakan tanah yang cukup banyak mengandung hara tanaman,
daerah ini diperlukan sekali pengaturan terhadap tata air termasuk perlindungan
terhadap banjir, drainase dan irigasi.

2). Latosol coklat kemerahan

Jenis tanah ini mempunyai bahan induk Tuf volkan intermedier, dengan
fisiografi volkan. Jenis tanah latosol coklat kemerahan mempunyai batas-batas
horison yang relatif jelas, bertekstur lempung, dengan struktur remah sampai
pejal, konsistensi bervariasi dan gembur sekali.

3). Aluvial coklat kekelabuan

Jenis tanah Aluvial coklat kekelabuan mempunyai bahan induk endapan liat,
terdapat di daerah yang datar yang sering digenangi air, sehingga warna tanah
kelabu tua atau kehitam-hitaman, sifat tanah lekat tanpa struktur.

4). Grumusol

Jenis tanah ini merupakan bahan induk batu kapur dan napal dengan fisiografi
bukit lipatan. Jenis tanah ini perkembangannya ditentukan oleh susunan dan
struktur batu kapur.

5). Asosiasi Aluvial kelabu dan Aluvial coklat kekelabuan

Jenis tanah ini terdapat di daerah dataran yang sering digenangi air, sehingga
warna tanah kelabu tua, dengan bahan induk endapan liat berpasir. Tanah jenis
ini penyebarannya mempunyai sifat fisika yang kurang baik sampai dengan
sedang.

Kesimpulan Dan Saran

Kesimpulan
1. Curah hujan di daerah Bandung dan sekitarnya dapat dianalisis
menggunakan data penginderaan jauh yaitu data MTSAT - 1R
(Meteorological Satellite) dan data Qmorph (Q Morphing), dimana
sebelum kejadian longsor di Desa Tenjolaya - Kabupaten Bandung terjadi

242|GeomatikaSARNasional(GeoSARNas)2011
 hujan yang lebat sampai dengan sangat lebat yaitu berkisar antara 35
sampai 45 mm/ jam, sehingga curah hujan ini akan memicu terjadinya
tanah longsor.

2. Kondisi fisik daerah khususnya di daerah Tenjolaya, Kecamatan Jambu

merupakan daerah yang berbukit (berdasarkan citra DEM-SRTM)
sehingga mendukung untuk terjadinya tanah longsor di daerah tersebut
apabila terjadi hujan yang lebat hingga sangat lebat.

3. Daerah yang berbukit dengan kemiringan lereng yang terjal sampai curam
dengan penutup lahan dan penggunaan lahan perkebunan dan
permukiman (sangat jelas terlihat dari citra IKONOS), apabila terjadi hujan
yang lebat selama beberapa hari maka akar tanaman di daerah
perkebunan tidak lagi kuat menahan air maka akan berpotensi terjadinya
tanah longsor.

Saran
1. Perlu diwaspadai potensi longsor di sekitar daerah kejadian tanah longsor
(di Desa Tenjolaya) yang mempunyai kesamaan atau ciri-ciri dalam hal
morfologi dan penutup lahannya, dengan mempunyai ciri-ciri yang sama
kemungkinan potensi terjadinya tanah longsor semakin besar.

2. Perlu dibentuknya suatu badan pengamat bencana di wilayah kecamatan,

yang diharapkan dapat memberikan infomasi secara cepat kepada
masyarakat di wilayah yang rawan terjadinya bencana.

GeomatikaSARNasional(GeoSARNas)2011|243
Daftar Pustaka

Bieri, Stephan., Disaster Risk Management and the Systems Approach World
Institute for Disaster Risk Management (DRM), (www.drmonline.net).
2003.
Donn William L., Meteorologi, MC Graw-Hill, New York. 1975.
Lembaga Penelitian Tanah (LPT). Peta Tanah Tinjau Propinsi Jawa Barat skala
1 : 250.000. Bogor. 1966
Meijerink, A., Hydrogeomorphology (Lecture Note), Departement of
Geomorphology, ITC, The Netherlands. 1982.
Niewolt, S. Tropical Climatology: An Introduction on Climates of The Law
Latitudes. John Willey and Sons. New York USA. 1982.
Simpson, Joanne,. Global Circulation and Tropical Cloud Activity, Goddard
Space Filight Center, National aeronautics and Space Administration,
Greenbelt, Mariland, USA. 1992.
William L. Donn (Professor, Dept. of Earth and Planetary Sciences, The City
College of New York). Meteorology. 1975.
Wisnu Wibowo, Puryanto Repoyadi,. Geometri Akuifer dan Potensi Air Tanah
Cekungan Bandung ( Seminar Air Tanah Cekungan Bandung, ITB -
Bandung). 1995.

244|GeomatikaSARNasional(GeoSARNas)2011
 Informasi Spasial Titik Panas Menggunakan Globe Virtual: Studi
Kasus Menggunakan Data MODIS Wilayah Indonesia

M. Rokhis Khomarudin, Muhammad Priyatna

Pusat Pemanfaatan Penginderaan Jauh, LAPAN. Jl .Lapan No.70, Pekayon-Pasar Rebo,
Jakarta 13710

Email :
ayah_ale@yahoo.com

Abstrak. Salah satu produk informasi spasial dari Bidang Lingkungan dan Mitigasi
Bencana adalah informasi spasial titik panas (Hotspot) untuk wilayah Indonesia,
khususnya propinsi Sumatera, Kalimantan, dan Sulawesi dengan menggunakan data
MODIS. Informasi spasial ini dihasilkan secara harian maupun bulanan dan telah di-
diseminasi-kan melalui website SIMBA (www.lapanrs.com/simba), serta dapat diunduh
oleh para pengguna. Dalam rangka memberikan informasi spasial titik panas yang lebih
menarik dan hiperaktif bagi pengguna, perlu dilakukan perubahan baik tampilan maupun
isi informasi spasial tersebut sesuai dengan perkembangan teknologi informasi. Google
Earth merupakan program globe virtual atau disebut juga dengan Earth Viewer. Program
ini dibuat oleh Keyhole, Inc. Google Earth mampu menunjukkan semua gambar
permukaan Bumi. dan juga merupakan sebuah klien Web Map Service. Google Earth
mendukung pengelolaan data Geospasial tiga dimensi melalui Keyhole Markup Language
(KML). KML adalah format file yang digunakan untuk menampilkan data geograpi
informasi system dalam Earth browser, seperti Google Earth, Google Maps, dan Google
Maps untuk mobile. Dalam tulisan ini, dilakukan kombinasi antara format data
geospasial dengan format KML, dan nantinya dapat diunduh secara realtime dengan
menggunakan earth browser. Informasi spasial titik api berbasis KML memberikan
beberapa informasi lintang, bujur, lokasi atau posisi titik panas kejadian yang
diprediksiskan telah terjadi di wilayah Indonesia. Tulisan ini diharapkan menjadi bahan
untuk pengambilan keputusan bagi pihak terkait dan menambah referensi pemanfaatan
di bidang teknologi informasi.

Katakunci: Informasi Spasial, Hotspot, Google Earth, KML.

Abstract. One product of spatial information from the Division of Environment and
Disaster Mitigation is the spatial information of hotspots for parts of Indonesia,
especially Sumatra province, Kalimantan, and Sulawesi using MODIS data. Spatial
information is generated daily or monthly and has been the dissemination through the

GeomatikaSARNasional(GeoSARNas)2011.|245
website SIMBA (www.lapanrs.com/simba), and can be downloaded by users. In order to
provide spatial information of hot spots and hyperactivity are more attractive to users,
is necessary to change both the look and content of spatial information in accordance
with the development of information technology. Google Earth is a virtual globe
program or also called Earth Viewer. The program was created by Keyhole, Inc.. Google
Earth was able to show all the images the Earth's surface. and is also a Web Map Service
client. Google Earth supports managing three-dimensional Geospatial data through
Keyhole Markup Language (KML). KML is a file format used to display data geography
information systems in the Earth browser, such as Google Earth, Google Maps, and
Google Maps for mobile. In this paper, do a combination of geospatial data formats to
KML format, and can later be downloaded in real time by using the earth browser.
Spatial information-based KML hotspots provide some information of latitude, longitude,
location or position of the hot spots that diprediksiskan events have occurred in parts of
Indonesia. This paper is also expected to be material to decisions that affect the
relevant parties and add a reference in the field of information technology utilization.

Keywords: Spatial Information, Hotspots, Google Earth, KML.

Pendahuluan
Salah satu produk informasi spasial Bidang Lingkungan dan Mitigasi Bencana
adalah informasi spasial titik panas (Hotspot) untuk wilayah Indonesia,
khususnya propinsi Sumatera, Kalimantan, dan Sulawesi dengan menggunakan
data MODIS. Informasi spasial ini dihasilkan secara harian maupun bulanan dan
telah di-diseminasi-kan melalui website SIMBA (www.lapanrs.com/simba), serta
dapat diunduh langsung oleh para pengguna.

Teknologi SIG (Sistem Informasi Geografis) / Georaphic Information System

(GIS) merupakan suatu system informasi teknologi mengenai geografis yang
sangat berkembang. SIG memiliki kemampuan yang sangat baik dalam
memvisualisasikan data spasial berikut atribut-atributnya, memodifikasi bentuk,
warna, ukuran, dan symbol. SIG dapat digunakan oleh berbagai bidang ilmu,
pekerjaan, dan peristiwa.

Dalam rangka memberikan informasi spasial titik panas yang lebih menarik dan
hiperaktif bagi pengguna, perlu dilakukan perubahan baik tampilan maupun isi
informasi spasial tersebut sesuai dengan perkembangan teknologi informasi.
Google Earth merupakan sebuah program globe virtual atau disebut juga
dengan Earth Viewer. Program ini dibuat oleh Keyhole, Inc. Google Earth
mampu menunjukkan semua gambar permukaan Bumi. dan juga merupakan
sebuah klien Web Map Service. Google Earth mendukung pengelolaan data

246|GeomatikaSARNasional(GeoSARNas)2011
Geospasial tiga dimensi melalui Keyhole Markup Language (KML). KML adalah
format file yang digunakan untuk menampilkan data geograpi informasi system
dalam Earth browser, seperti Google Earth, Google Maps, dan Google Maps
untuk mobile.

Dalam tulisan ini, dilakukan kombinasi antara format data geospasial dengan
format KML, dan nantinya dapat diunduh secara realtime dengan menggunakan
earth browser. Informasi spasial titik api berbasis KML memberikan beberapa
informasi lintang, bujur, lokasi atau posisi titik panas kejadian yang
diprediksiskan telah terjadi di wilayah Indonesia. Tulisan ini juga diharapkan
menjadi bahan untuk pengambilan keputusan bagi pihak terkait dan menambah
referensi pemanfaatan di bidang teknologi informasi.

Geographic Information System (Gis)

Berdasarkan definisi dari Wikipedia, 2011. Sistem Informasi Geografis
(Geographic Information System disingkat GIS), (Wikipedia, 2011) adalah
sistem informasi khusus yang mengelola data yang memiliki informasi spasial
(bereferensi keruangan). Atau dalam arti yang lebih sempit, adalah sistem
komputer yang memiliki kemampuan untuk membangun, menyimpan,
mengelola dan menampilkan informasi berefrensi geografis, misalnya data yang
diidentifikasi menurut lokasinya, dalam sebuah database. Para praktisi juga
memasukkan orang yang membangun dan mengoperasikannya dan data
sebagai bagian dari sistem ini.

Komponen utama SIG adalah sistem komputer, data geospatial dan pengguna
seperti: Sistem komputer untuk SIG terdiri dari perangkat keras (hardware),
perangkat lunak (software) dan prosedur untuk penyusunan pemasukkan data,
pengolahan, analisis, pemodelan (modelling), dan penayangan data geospatial.
Sumber-sumber data geospatial adalah peta digital, foto udara, citra satelit,
tabel statik dan dokumen lain yang berhubungan.

Data geospatial dibedakan menjadi data grafis/data geometris dan data

atribut/data tematik. Data grafis mempunyai tiga elemen yaitu titik (node), garis
(arc) dan luasan (polygon) dalam bentuk vector ataupun raster yang mewakili
geometri topologi, ukuran, bentuk, posisi dan arah.

Data dalam SIG dikelompokkan dalam dua bagian, yaitu data spasial dan data
non spasial. Data spasial merupakan data yang memuat tentang lokasi suatu

GeomatikaSARNasional(GeoSARNas)2011|247
objek dalam peta berdasarkan posisi geografi objek tersebut di dalam bumi
dengan menggunakan sistem koordinat.

Google Earth Kml

Google Earth, merupakan sebuah program globe virtual yang sebenarnya
disebut Earth Viewer dan dibuat oleh Keyhole, Inc.. Program ini memetakan
bumi dari superimposisi gambar yang dikumpulkan dari pemetaan satelit,
fotografi udara dan globe GIS 3D. Google Earth tersedia dalam tiga tipe atau
dengan lisensi yang berbeda: Google Earth, sebuah versi gratis dengan
kemampuan terbatas; Google Earth Plus dengan harga sebesar 20 US Dollar,
dengan memiliki fitur tambahan; dan Google Earth Pro dengan harga sebesar
400 US Dollar per tahun, yang digunakan untuk penggunaan secara komersial
(Wikipedia, 2011).

Google Earth digunakan untuk menampilkan Earth KML file. File ini dapat dibuat
dengan menggunakan bahasa XML (eXtra Mark up Laguange). Namun banyak
sudah bahasa aplikasi yang digunakan untuk melakukan konversi file dalam
format shapefile ke dalam format KML file. Sehingga bagi pengguna dapat
melihat file KML ini pada browser masing-masing setelah terinstal Google Earth.

Banyak aplikasi yang dapat menampilkan KML file, seperti Google Earth,
Google Maps, Google Maps untuk mobile, NASA WorldWind, ESRI ArcGIS
Explorer, Adobe PhotoShop, AutoCAD, dan Yahoo Pipes.

Gambar di bawah ini merupakan timeline sejarah dari Google sejak tahun 1996
hingga tahun 2010. Sejak terjadinya diskusi antara dua mahasiswa pada saat
penemuan masalah mengenai data hingga perkembangan terakhir daripada
produk yang telah dihasilkan oleh Google.

248|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 1. Timeline sejarah dari Google sejak tahun 1996 hingga tahun 2010

Metodologi Penelitian
Adapun metode yang digunakan dalam penulisan ini melalui tahap-tahap
sebagai berikut:

1. Tahap pertama adalah mencari kebutuhan sistem, yaitu:

Mempelajari format data dan informasi spasial dengan prinsip-prinsip

kerjanya.

Mencari dan mengumpulkan data dan informasi penggunaan aplikasi

Google earth untuk GIS

2. Tahap kedua adalah melakukan analisis perancangan system yang di

antaranya sebagai berikut:

Melakukan perancangan sistem sesuai data dan aturan yang

ditetapkan.

3. Tahap ketiga adalah melakukan pembuatan aplikasi sistem yang telah

direncanakan, di antaranya sebagai berikut:

Menyiapkan hardware dan software sebagai teknologi yang digunakan.

Melakukan pemrosesan data pada peta sehingga siap digunakan.

4. Tahap keempat adalah tahap pengujian hasil untuk melihat apakah sistem
yang dibuat sudah atau belum sesuai dengan kebutuhan.

GeomatikaSARNasional(GeoSARNas)2011|249
5. Tahap kelima adalah membuat dokumentasi untuk tiap tahapan proses di
atas sebagai kebutuhan laporan dalam Tugas Akhir.

Data dan Bahan Yang Digunakan

Adapun data dan bahan yang digunakan, sebagai berikut:

1. Data titik panas, dari indofire (http://www.lapan.go.id/indofire.asp)

2. Aplikasi Google earth
3. Aplikasi konversi informasi spasial ke format Google earth
4. Seperangkat Komputer sesuai kebutuhan
5. Akses internet
6. Aplikasi lainnya untuk worksheet, GIS, dan internet

Hasil dan Pembahasan

Informasi spasil titik panas (hotspot) dihasilkan secara harian dan selanjutnya
akan direkap setiap bulan yang sedang berjalan. Informasi ini diupload di
website SIMBA. Selain itu juga data dan informasi ini disebarkan kepada 30
(tiga puluh) instansi terkait yang membutuhkan setiap bulannya. Untuk
keperluan UKP4, informasi ini juga diberikan setiap awal bulan berjalan melalui
email.

Rekapitulasi harian dari titik panas wilayah Indonesia dilakukan setiap hari dan
inventarisasi untuk masukan ke dalam file KML nantinya. Rekapitulasi ini berisi
informasi titik panas di setiap propinsi dengan titik Latitude dan Longitude.
Selain itu dalam file titik panas ini berisi satelit MODIS Terra atau Aqua yang
digunakan.

Berikut tampilan informasi sapsial yang dihasilkan, sebagai contoh rekapitulasi

titik panas Indonesia pada tanggal 21 dan 22 Agustus 2011 untuk wilayah
Indonesia. Namun demikian diperoleh juga rekapitulasi titik panas per propinsi.

250|GeomatikaSARNasional(GeoSARNas)2011
Gambar 2. Rekapitulasi titik panas Indonesia pada tanggal 21 Agustus 2011.

Gambar 3. Rekapitulasi titik panas Indonesia pada tanggal 22 Agustus 2011.

GeomatikaSARNasional(GeoSARNas)2011|251
Dengan informasi spasial yang diberikan seperti beberapa gambar di atas, dan
dengan mengikuti perkembangan teknologi informasi dalam bidang geograpi
informasi system maka perlu dilakukan kombinasi penyampaian secara virtual
bagi pengguna, sehingga lebih menarik dan hiperaktif.

Untuk memudahkan pembuatan file KML diperlukan aplikasi konversi shape file
ke format KML. Dalam hal ini digunakan aplikasi shp2kml yang dapat diunduh
secara gratis. Penggunaann Google earth ini memudahkan koleksi data secara
harian dan dapat kita buat sub folder untuk kebutuhan rekapitulasi tambahan,
seperti rekapitulasi Hotspot per hari dan rekapitulasi hotspot per propinsi.

Dengan adanya teknologi Google earth, maka informasi spasial ini dapat
dilakukan kombinasi sehingga dalam bentuk tampilan seperti pada gambar 4,
berikut merupakan hasil kombinasi shapefile dengan KML file.

Gambar 4. Tampilan rekapitulasi titik panas wilayah Indonesia (titik-titik warna merah merupakan titik
panas).

Pada gambar 5 dan gambar 6, dibawah ini dijelaskan rekapitulasi jumlah

hotspot per propinsi dan per hari dalam bentuk table/grafik, hal ini akan
menambah informative bagi pengguna yang membutuhkan sehingga
mengetahui jumlah titik panas yang terjadi setiap propinsi.

252|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 5. Tampilan rekapitulasi titik panas wilayah Indonesia per propinsi dalam bentuk grafik.

Gambar 6. Tampilan rekapitulasi titik panas wilayah Indonesia per hari dalam bentuk grafik.

Hasil rekapitulasi dapat diunduh di www.lapanrs.com/simba dalam format KMZ,

tampak pada gambar 7, berikut berwarna merah, menunjukkan lokasi
pengunduhan file tersebut.

GeomatikaSARNasional(GeoSARNas)2011|253
 Gambar 7. Tampilan tempat pengunduhan file KML di website lapanrs.com/simba.

Sebelum diunduh alangkah baiknya diinstal terlebih dahulu google earth pada
computer browser, sehingga akan memudahkan proses visualisasi.

Kesimpulan dan Saran

Dengan memanfaatkan fasilitas google earth dapat dikombinasikan informasi
titik panas dalam format shapefile, namun diperlukan konversi format tersebut
kedalam KML file, sehingga menambah menarik dalam penyampaian informasi
rekapitulasi titik panas kepada pengguna. Hasil rekapitulasi titik panas wilayah
Indonesia dalam format KML dapat diunduh pada website lapanrs.com/simba

Perlu dilakukan adanya pengembangan dalam penggunaan bahasa script atau

bahasa lebih tinggi (misalnya java), sehingga memberikan tingkat efisiensi
running dan keamanan bagi penggunaan aplikasi internet.

254|GeomatikaSARNasional(GeoSARNas)2011
Daftar Pustaka

Tomi Hendartomo, Mengenal Google Secara Mendalam,

http://www.freewebs.com/Mastomi, Copyright 2006 IlmuKomputer.Com.
Tanggal Akses: 20 Agustus 2011.
-------------, Definisi Sistem Informasi Geografis (Geographic Information System
disingkat GIS), http://id.wikipedia.org/wiki/Sistem_informasi_geografis.
Tanggal Akses: 25 Agustus 2011.
-------------, Definisi Sistem Informasi Geografis (Geographic Information System
disingkat GIS), http://www.nwgis.com/gisdefn.htm. Tanggal Akses: 25
Agustus 2011.
-------------, Definisi KML, http://code.google.com/apis/kml/documentation/,
Tanggal Akses: 25 Agustus 2011.

GeomatikaSARNasional(GeoSARNas)2011|255


256|GeomatikaSARNasional(GeoSARNas)2011
 Indeks Kekeringan Meteorologis SPI (Standardized Precipitation
Index) sebagai Peringatan Dini Bahaya Kebakaran Hutan di
Indonesia Berdasarkan Data Satelit TRMM

Parwati, Any Zubaidah, Kusumaning Ayu D.S.

Pusat Pemanfaatan Penginderaan Jauh. Lembaga Penerbangan dan Antariksa Nasional

Email:
parwati_s@yahoo.com

Abstract. The main cause of forest/land fires are the human factors associated with
land clearing for agriculture businesses, plantations and forestry. In addition to human
factors, forest/land fires in Indonesia affected by extreme climate phenomena ENSO (El
Nino and the Southern Oscillation) which causes a high level of drought and trigger the
fires. The first indication the drought is shown by a deficit of rainfall in a particular
period, or referred to meteorological drought. The area which has decifit rainfall shoud
be give more attention, especially in areas prone to forest fires/land, because it can
trigger the fire. In this study, we try to use SPI (Standardized Precipitation Index)
method based on TRMM rainfall data in Indonesia (1998-2008). SPI model is then applied
to monitor the meteorological drought conditions in Indonesia in 2009 and 2010 period.
The results showed that SPI can represent drought conditions in Indonesia in extreme
climatic conditions of El Nino in 2009, and La Nina conditions that cause an increase in
rainfall as happened in Indonesia in 2010. Meanwhile, the results of SPI analysis related
to hotspot data show that approximately 80% of hotspots are in the negative SPI (dry
conditions), where the highest number of hotspots during the years 2009 to 2010 are in
the interval -1.2 to -1.5 SPI. This suggests that the meteorological drought index SPI can
be used as a Drought Early Warning System that led to forest fire/land in Indonesia.

Keywords: Hotspot MODIS, SPI, meteorological drought, TRMM.

Abstrak. Penyebab utama kebakaran hutan dan lahan adalah faktor manusia terkait
dengan pembukaan lahan bagi usaha-usaha pertanian, perkebunan dan kehutanan.
Selain faktor manusia, kebakaran hutan dan lahan di Indonesia dipengaruhi oleh
fenomena iklim ekstrim ENSO (El Nino and the Southern Oscillation) yang menyebabkan
tingkat kekeringan menjadi tinggi sehingga memudahkan untuk terjadinya kebakaran.
Indikasi pertama adanya kekeringan ditunjukkan oleh adanya defisit curah hujan pada
periode tertentu, atau disebut dengan kekeringan meteorologis. Kondisi curah hujan

GeomatikaSARNasional(GeoSARNas)2011.|257
yang defisit menjadi suatu indikator yang perlu diperhatikan terutama di wilayah rawan
kebakaran hutan/lahan, karena dapat memicu terjadinya kebakaran hutan/lahan. Pada
penelitian ini kekeringan meteorologis dibangun berdasarkan model SPI (Standardized
Precipitation Index) menggunakan data curah hujan dari satelit TRMM bulanan periode
tahun 1998-2008. Model SPI tersebut kemudian diaplikasikan untuk memantau kondisi
kekeringan meteorologis di wilayah Indonesia periode tahun 2009 dan 2010. Hasilnya
menunjukkan bahwa SPI dapat merepresentasikan kondisi kekeringan di Indonesia pada
kondisi iklim ekstrim El Nino tahun 2009, serta kondisi La Nina yang menyebabkan
peningkatan curah hujan seperti yang terjadi di Indonesia pada tahun 2010. Sementara
itu, hasil analisis SPI terhadap data hotspot menunjukkan bahwa sekitar 80% hotspot
berada pada SPI negatif (kondisi kering), dimana jumlah hotspot tertinggi selama tahun
2009 - 2010 berada pada interval SPI -1.2 hingga -1.5. Hal ini menunjukkan bahwa
kekeringan meteorologis dari indeks SPI dapat digunakan sebagai Peringatan Dini Bahaya
Kekeringan yang memicu terjadinya kebakaran hutan/lahan di Indonesia.

Katakunci: Hotspot MODIS, SPI, Kekeringan Meteorologis, TRMM.

Pendahuluan
Kekeringan lahan sudah lama menjadi ancaman yang sangat serius bagi
kelangsungan berbagai aspek kehidupan masyarakat Indonesia. Dampak yang
paling besar akibat adanya kekeringan lahan di Indonesia adalah sebagai
pemicu terjadinya kebakaran hutan dan lahan, serta berpengaruh terhadap
kegagalan produksi tanaman pangan. Bahaya kekeringan pada hutan/lahan
harus mendapat perhatian karena dapat memicu terjadinya kebakaran hutan
dan lahan. Beberapa penelitian menjelaskan bahwa pemicu dan penyebab
utama terjadinya kebakaran hutan adalah manusia melalui kegiatan seperti
pembukaan lahan bagi lahan-lahan pertanian, perkebunan dan kehutanan
(Taconi, 2003). Selain faktor manusia, beberapa penelitian menjelaskan adanya
pengaruh fenomena iklim ekstrim ENSO (El Nino and the Southern Oscillation)
yang menyebabkan tingginya tingkat kekeringan dan memicu terjadinya
kebakaran hutan di Indonesia. Fenomena El Nino 1997/1998 telah
menghanguskan lahan hutan seluas 25 juta hektar di seluruh dunia (FAO 2001;
Rowel and Moore 2001) dengan 9.75 juta hektar berasal dari kebakaran hutan
di Indonesia (BAPPENAS-ADB 1999 dalam Tacconi, 2003).

Indikasi pertama adanya kekeringan ditunjukkan oleh adanya defisit curah hujan
pada periode tertentu, atau disebut dengan kekeringan meteorologis. Kondisi
curah hujan yang defisit menjadi suatu indikator yang perlu diperhatikan

258|GeomatikaSARNasional(GeoSARNas)2011
terutama di wilayah rawan kebakaran hutan/lahan, karena dapat memicu
terjadinya kebakaran hutan/lahan. Terdapat banyak indeks kekeringan
meteorologis yang mengukur defisit curah hujan pada kurun waktu tertentu,
seperti Precipitation Index, Relative Precipitation Sum, Relative Anomaly,
Standardized Anomaly Index, Standardized Precipitation Index (SPI), dan lain-
lain. Index kekeringan meteorologist yang sering digunakan di dunia adalah SPI
(Mckee et al, 1993). SPI merepresentasikan jumlah curah hujan selama periode
waktu tertentu terhadap kondisi curah hujan normalnya. Keuntungan utama dari
indeks ini adalah standar dan skala waktu perhitungan yang fleksibel. SPI sudah
digunakan untuk penentuan periode kekeringan di Hungaria (Szalai dan
Szinnel, 2000), di mana mereka menyimpulkan bahwa SPI pada skala waktu
yang berbeda mampu mengidentifikasi semua jenis kekeringan. Lloyd-Hughes
dan Saunders (2002) menyimpulkan, bahwa SPI memberikan kontribusi untuk
standarisasi spasial yang lebih baik dibandingkan indeks keparahan kekeringan
Palmer - PDSI (Palmer, 1968). NMDC (National Drought Mitigation Center)
secara luas menggunakan SPI pada tingkat nasional. Studi kekeringan Eropa
(Saunders dan Hughes, 2002) mengungkapkan, bahwa SPI adalah alat
sederhana dan efisien untuk penilaian kekeringan di sebagian besar Eropa.

Ketersediaan data curah hujan yang baik dalam spasial dan temporal mutlak
diperlukan untuk pengembangan sistem peringatan dini bahaya kekeringan.
Data satelit penginderaan jauh, salah satunya TRMM (Tropical Rainfall
Measurement Mission) mempunyai kemampuan untuk menganalisis kondisi
kekeringan berdasarkan curah hujannya. Data TRMM tersedia secara realtime
dari bulanan, harian hingga setiap 3 jam dari tahun 1998 hingga sekarang.
Penelitian ini akan mengkaji dan menganalisis kemampuan data TRMM dalam
merepresentasikan kondisi kekeringan meteorologis di Indonesia terkait dengan
usaha pencegahaan kebakaran hutan/lahan di Indonesia.

Data TRMM
Satelit TRMM merupakan misi kerjasama antara NASA dan Japan Aerospace
Exploration Agency (JAXA) dalam memantau dan mempelajari curah hujan di
wilayah tropik. TRMM diluncurkan pada tanggal 28 November 1997 pada
ketinggian 403 km, dan dapat memantau permukaan bumi wilayah tropik (50LU
50LS) sebanyak 16 kali sehari setiap 92.5 menit (Gambar 1). Jenis sensor
TRMM dapat dilihat pada Tabel 1.

GeomatikaSARNasional(GeoSARNas)2011|259
 Gambar 1. Karakteristik sensor-sensor yang dibawa satelit TRMM.

Tabel 1. Jenis sensor TRMM

Resolusi
Jenis Sensor Lebar sapuan Kemampuan
spasial
Precipitation Radar (PR) 5 km 247 km menyediakan profil vertikal
hujan/salju dari permukaan hingga
ketinggian 20 km
mendeteksi intensitas hujan ringan
(sampai 0.7 mm/jam)
mendeteksi intensitas hujan lebat
TRMM Microwave 5.1 km 878 km menghitung kandungan uap air
Imager (TMI) dalam atmosfer dan awan
menghitung intensitas curah hujan
Visible and Infrared 2 km 720 km Mengetahui kondisi keawanan
Scanner (VISR)
Lightning Imaging 4 km 600 km Mengetahui penyebaran dan
Sensor (LIS) variabilitas awan
Cloud and Earth Radiant 25 km seluruh bumi Mengetahui penyebaran dan
Energy Sensor (CERES) variabilitas awan

Data TRMM tersedia dalam berbagai produk dengan resolusi spasial dan
temporal yang berbeda-beda. Masing-masing produk dihasilkan dari sensor
berbeda. Contoh beberapa produk data TRMM dapat dilihat pada Tabel 2.
Produk data TRMM dapat diakses melalui website Goddard Space Flight Center
NASA (GSFC NASA) di http://trmm.gsfc.nasa.gov serta website Earth
Observation Research Center JAXA (EORC) di

260|GeomatikaSARNasional(GeoSARNas)2011
http://www.eorc.jaxa.jp/TRMM/index_e.htm. Berbagai penelitian, validasi, serta
aplikasi data TRMM telah banyak dilakukan (Liao et al 2009, Ichikawa and
Yasunari 2006).

Tabel 2. Contoh produk data TRMM yang tersedia.

Resolusi
Jenis Deskripsi Periode
Spasial Temporal
3A11 Khusus curah hujan di atas 5.0 x 5.0 bulanan Desember 1997 -
lautan, diperoleh dari sensor PR. sekarang
3A25 Curah hujan di atas daratan dan 5.0 x 5.0 bulanan Desember 1997 -
lautan, diperoleh dari sensor PR. dan sekarang
0.5 x 0.5
3A26 Curah hujan di atas daratan dan 5.0 x 5.0 bulanan Desember 1997 -
lautan, diperoleh dari sensor PR. sekarang
3A31 Curah hujan di atas daratan dan 5.0 x 5.0 bulanan Desember 1997 -
lautan, diperoleh dari sensor PR sekarang
dan TMI.
3A46 Curah hujan di atas daratan dan 1.0 x 1.0 bulanan Januari 1998 -
lautan, diperoleh dari sensor sekarang
SSM/I*.
3B42 Curah hujan di atas daratan dan 0.25 x 0.25 setiap 3 jam Desember 1997 -
lautan, diperoleh dari sensor- sekarang
sensor TRMM dan lainnya
(SSM/I, AMSR-E**, AMSU-B***).
3B46 Curah hujan di atas daratan dan 0.25 x 0.25 setiap 3 jam Januari 1998 -
lautan, diperoleh dari gabungan sekarang
data 3B42 dan raingauge.
*SSM/I: Special Sensor Microwave Imager (satelit Defense Meteorological Satellite Program)
**AMSRE: Advanced Microwave Scanning Radiometer Earth Observing System (satelit Aqua)
***AMSUB: Advanced Microwave Sounding Unit B (satelit NOAA)

Data dan Metode

Data yang digunakan pada penelitian ini adalah data curah hujan dari satelit
TRMM 3B46 periode 1998 2010. Periode data yang digunakan untuk
perhitungan nilai rata-rata dan standart deviasi adalah 1998 2008, sedangkan
untuk perhitungan SPI digunakan data bulanan periode 2009 2010. Cakupan
wilayah studi adalah wilayah Indonesia. Selain itu digunakan data titik panas
(hotspot) dari data MODIS untuk mengindikasikan adanya kebakaran
hutan/lahan.

Pada penelitian ini metode analisis kekeringan meteorologis yang digunakan

SPI (Standardized Precipitation Index). Metode SPI dibangun oleh McKee et al

GeomatikaSARNasional(GeoSARNas)2011|261
(1993) untuk memprediksi anomali dan kondisi ekstrim curah hujan. Adapun
rumus SPI dapat dilihat sebagai berikut:

(1)

dimana :

Xi : Besar curah hujan bulanan pada saat tertentu

Xm : Ratarata curah hujan bulanan pada bulan tertentu
: Standar deviasi curah hujan pada bulan tertentu
Klasifikasi kekeringan berdasarkan nilai SPI oleh McKee et al (1993) dapat
dilihat pada Tabel 3.

Tabel 3. Klasifikasi kekeringan berdasarkan nilai SPI

Kelas kekeringan SPI
Sangat tinggi -2.0
Tinggi -2.0 < SPI -1.5
Sedang -1.5 < SPI -1.0
Rendah -1.0 < SPI 0.0
Tidak Kering > 0.0

Sementara itu, identifikasi titik panas (hotspot) kebakaran hutan/lahan dilakukan

dari data satelit MODIS. Metode identifikasi hotspot mengikuti algoritma MOD-
14 dengan menggunakan data suhu kenampakan kanal 21 atau 22 (T4 , = 4
m) dan kanal 31 (T11 , = 11 m). Adapun kriteria yang digunakan adalah
sebagai berikut:

Untuk mendeteksi hotspot pada siang hari, apabila memenuhi salah satu
kombinasi berikut ini :

{T4 > mean(T4) + 3stddev(T4) atau T4 >330K} dan {T4-T11 > median(T4-T11) +
3stddev(T4-T11) atau T4-T11>25K Atau T4>360K

Bila sunlight menyebabkan kesalahan dalam pendeteksian maka tidak akan

dideteksi sebagai titik panas bila MODIS 250 m channel merah dan
o
inframerah dekatnya memiliki reflektansi diatas 30% dan terletak 40 dari
posisi specular reflection.

Untuk mendeteksi hotspot pada malam hari, apabila memenuhi salah satu
kombinasi berikut ini :

262|GeomatikaSARNasional(GeoSARNas)2011
 {T4 > mean(T4) + 3stddev(T4) atau T4 >315K} dan {T4-T11 > median(T4-
T11) + 3stddev(T4-T11) atau T4-T11>10K Atau T4>330K

dimana:

T4= MODIS 4 m channel (channel 21 dan 22)

T11= MODis 11 m channel (channel 31)

Mean, median dan stddev= nilai rata-rata, nilai tengah dan standar deviasi
dari nilai suhu sekitarnya (21 x 21 pixel) dari channel 4 m dan 11 m.
Untuk menghindari kesalahan akibat awan dan air maka digunakan
masking awan (MOD 35) dan external masking air.

Disamping itu, penentuan tingkat kepercayaan hotspot untuk setiap pixel

dijelaskan juga dalam Giglio et al (2003). Hotspot yang digunakan adalah pixel
hotspot dengan tingkat kepercayaan lebih besar dari 80 % (tingkat kepercayaan
tinggi untuk terjadinya kebakaran hutan).

Hasil dan Pembahasan

Akurasi Curah Hujan dari Data TRMM
Untuk mengetahui seberapa besar data curah hujan TRMM mampu
merepresentasikan kondisi curah hujan lokal di suatu wilayah, telah dilakukan
validasi antara data TRMM dengan curah hujan hasil pengukuran stasiun
meteorologi periode tahun 1998-2007. Wilayah yang dianalisis adalah
Kabupaten Indramayu (West Java), Bali, Palangkaraya (Central Java), Bandung
(West Java), and Maros (South Sulawesi).

Hasil analisis timeseries pada Gambar 2 terlihat bahwa pola fluktuasi curah
hujan dari TRMM dan dari stasiun meteorologi relatif sama, dan koefisien
korelasinya (r) mencapai lebih dari 0.8. Oleh karenanya, dapat ditunjukkan
bahwa data TRMM mampu merepresentasikan curah hujan wilayah Indonesia
dengan cukup baik.

GeomatikaSARNasional(GeoSARNas)2011|263
 Indramayu - West Java (1998 - 2004) Bali (1998 - 2005)

600 600
Rainfall_TRMM
Rainfall_TRMM
Rainfall_Ground Based
500 Rainfall_Ground Based 500

r = 0.807 r = 0.881

Rainf all (mm/month)

Rainfall (mm/month)

400 400

300 300

200 200

100 100

0 0

10
11
12

10
11
12

10
11
12

10
11
12

10
11
12

10
11
12

10
11
12

10
11
12
1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9
10
11
12

10
11
12

10
11
12

10
11
12

10
11
12

10
11
12

10
11
12
1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9

1
2
3
4
5
6
7
8
9
1998 1999 2000 2001 2002 2003 2004 1998 1999 2000 2001 2002 2003 2004 2005

Palangkaraya - Central Kalimantan (1998 - 2007) Bandung - West Java (1998 - 2006)

Rainfall_TRMM
700 600
Rainfall_TRMM Rainfall_Ground Based

600 Rainfall_Ground Based

500 r = 0.838
r = 0.779

Rainfall (mm/month)
Rainf all (mm/month)

500
400

400
300
300
200
200

100
100

0 0

11

11

11

11

11

11

11

11
1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
11

11

11

11

11

11

11

11

11

11
1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 1998 1999 2000 2001 2002 2003 2004 2005 2006

Aceh (1998 - 2000) Maros - South Sulawesi (1998 - 2007)

Rainfall_TRMM
600 1500
Rainfall_TRMM
Rainfall_Ground Based
Rainfall_Ground Based 1300
500 r = 0.940
r = 0.807 1100
Rainf all (mm/month)
Rainf all (mm/month)

400
900

300 700

500
200
300
100
100

-100
11

11

11

11

11

11

11

11

11
1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
7
9

1
3
5
0
10

11

12

10

11

12

10

11

12
1

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

1998 1999 2000

Gambar 2. Timeseries curah hujan berdasarkan data TRMM dan stasiun periode 1998 2007 in
Indramayu, Bali, Palangkaraya, Bandung, Aceh dn Maros.

Indeks Kekeringan SPI 2009-2010

Pada penelitian ini SPI dihasilkan dari nilai data curah hujan TRMM periode
tahun 1998-2008 (11 tahun). Nilai SPI bulanan di wilayah Indonesia periode
tahun 2009 2010 telah diperoleh, dan untuk analisis nilai SPI akan
dibandingkan berdasarkan musim, yaitu bulan Januari mewakili musim hujan
DJF (Desember-Januari-Februari), kemudian April mewakili peralihan musim
MAM (Maret-April-Mei), bulan Juli mewakili musim JJA (Juni-Juli-Agustus), dan
bulan September mewakili musim SON (September-Oktober-November).

Pada bulan Januari yang umumnya merupakan puncak musim hujan di

Indonesia, hasil perhitungan SPI pada bulan Januari 2009 dan 2010 secara
spasial menunjukkan adanya perbedaan yang nyata (Gambar 3). Secara global
dapat dilihat bahwa kondisi kekeringan meteorologis di wilayah Indonesia pada
bulan Januari 2009 nampak lebih kering dibandingkan dengan kondisi pada

264|GeomatikaSARNasional(GeoSARNas)2011
bulan Januari 2010. Wilayah Indonesia yang lebih kering (ditunjukkan dengan
warna merah) pada bulan Januari 2009 yaitu di P. Sumatera, Kalimantan dan
Papua.

Gambar 3. SPI Indonesia bulan Januari 2009 (atas) dan Januari 2010 (bawah) dari data TRMM.

Sementara itu, pada bulan April yang merupakan bulan peralihan musim hujan
ke musim kemarau, nilai SPI 2009 dan 2010 secara spasial dapat dilihat pada
Gambar 4. Kondisi tingkat kekeringan di Indonesia secara meteorologist pada
bulan April 2009 juga lebih kering dibandingkan pada bulan April 2010. Wilayah
yang lebih kering pada bulan April 2009 yaitu di P. Sumatera, Sulawesi, Maluku,
Jawa-Bali, dan Nusa Tenggara.

GeomatikaSARNasional(GeoSARNas)2011|265
 Gambar 4. SPI Indonesia bulan April 2009 (atas) dan April 2010 (bawah) dari data TRMM.

266|GeomatikaSARNasional(GeoSARNas)2011
Pada bulan Juli yang umumnya merupakan puncak musim kemarau di sebagian
wilayah Indonesia terdapat perbedaan nilai SPI yang nyata pada tahun 2009
dan 2010, dimana pada tahun 2009 kondisi kekeringan di Indonesia secara
meteorologis umumnya lebih kering dibandingkan pada tahun 2010 (Gambar 5).
Tingkat kekeringan sangat tinggi Nampak terjadi di wilayah Provinsi Sumatera
Utara dan Riau pada bulan Juli 2009, sedangkan pada bulan Juli 2010 hampir
sebagian wilayah Indonesia berada dalam kondisi basah (banyak hujan).

Gambar 5. SPI Indonesia bulan Juli 2009 (atas) dan Juli 2010 (bawah) dari data TRMM.

GeomatikaSARNasional(GeoSARNas)2011|267
Pada bulan September yang umumnya merupakan musim peralihan dari
kemarau ke hujan di sebagian wilayah Indonesia juga terdapat perbedaan nilai
SPI yang nyata pada tahun 2009 dan 2010, dimana pada tahun 2009 kondisi
kekeringan di Indonesia secara meteorologis umumnya lebih kering
dibandingkan pada tahun 2010 (Gambar 6). Wilayah yang nampak mengalami
kekeringan sangat tinggi pada bulan September 2009 terdapat di Kalimantan,
Sumatera bagian selatan, Sulawesi, Maluku serta Papua, sedangkan pada
bulan September 2010 kondisi di wilayah Indonesia sangat basah (banyak
hujan).

Gambar 6. SPI Indonesia bulan September 2009 (atas) dan September 2010 (bawah) dari data
TRMM.

268|GeomatikaSARNasional(GeoSARNas)2011
Berdasarkan hasil SPI di atas dapat dijelaskan bahwa umumnya kondisi curah
hujan di wilayah Indonesia pada tahun 2009 lebih kering dibandingkan dengan
tahun 2010. Berdasarkan kondisi suhu permukaan laut Pasifik Tropik (Gambar
7), pada tahun 2009,terdapat fenomena naiknya suhu permukaan laut Pasifik
Tropik dari rata-ratanya (anomali positif) atau yang disebut dengan fenomena El
Nino. Pada kondisi EL Nino, zona awan konvergensi di wilayah Indonesia
pindah ke arah Samudera Pasifik, sehingga menyebabkan kondisi curah hujan
yang rendah di wilayah Indonesia. Sementara itu pada tahun 2010, suhu
permukaan laut Pasifik Tropik menunjukkan anomali negatif yang disebut
dengan fenomena La Nina. Pada fenomena La Nina, curah hujan di Indonesia
lebih banyak dibandingkan dengan normalnya.

Gambar 7. Timeseries anomaly suhu permukaan laut di wilayah Nino 3.4 Pasifik Tropik (Sumber:
BOM Australia).

Hubungan antara Kekeringan Meteorologis dan Hotspot MODIS

Berdasarkan klasifikasi yang dibuat oleh McKee at al, kondisi basah dan
keringnya suatu wilayah dari nilai SPI dibagi menjadi 2 nilai, yaitu SPI positif
yang berarti kondisi basah, dan SPI negatif yang berarti kondisi kering. Hasil
analisis SPI periode Januari 2009 Agustus 2010 bulanan yang dioverlaykan
dengan lokasi titik hotspot di Indonesia menunjukkan bahwa distribusi hotspot
lebih dominan berada pada wilayah yang mempunyai SPI negatif (kering) yaitu

GeomatikaSARNasional(GeoSARNas)2011|269
sebesar 80.3 %. Pada Gambar 8 dapat dilihat bahwa hotspot juga terjadi di
wilayah yang mempunyai SPI positif (basah). Hal ini menunjukkan bahwa ada
faktor lain selain curah hujan yang menyebabkan adanya hotspot, misalnya
kegiatan seperti pembukaan lahan bagi lahan-lahan pertanian, perkebunan dan
kehutanan (Tacconi, 2003).

Gambar 8. Persentase distribusi hotspot terhadap nilai SPI di wilayah Indonesia periode Januari
2009 Agustus 2010.

Hasil analisis bulanan seperti yang terlihat pada Gambar 9 menunjukkan bahwa
jumlah hotspot tertinggi periode 2009-2010 terjadi pada bulan September 2009
dan sebagian besar terjadi pada wilayah yang mempunyai SPI negatif (kondisi
kering). Distribusi hotspot pada tahun 2010 berada pada SPI positif (kondisi
basah) dan SPI negatif (kondisi kering), kondisi terakhir pada bulan September
2010 menunjukkan dominasi distribusi hotspot di wilayah SPI positif (kondisi
basah).

270|GeomatikaSARNasional(GeoSARNas)2011
Gambar 9. Jumlah hotspot terhadap nilai SPI (positif dan negatif) di wilayah Indonesia periode Januari
2009 September 2010.

Selanjutnya, analisis hotspot didasarkan pada nilai SPI yang negatif saja seperti
yang terlihat pada Gambar 4-9. Berdasarkan hasil analisis, akumulasi hotspot
tertinggi terdapat pada nilai SPI dengan interval (-1.2 >SPI>-1.5) dan interval (-
1.5 >SPI>-1.8). Pada Gambar 10 menunjukkan bahwa semakin rendah nilai SPI
tidak menyebabkan semakin banyaknya hotspot. Hal ini mungkin disebabkan
karena keterbatasan data MODIS untuk mendeteksi hotspot, dimana hotspot
tidak dapat terdeteksi jika citra MODIS ditutupi oleh awan atau asap, sehingga
ada kalanya hotspot tidak terdeteksi pada saat terjadi kebakaran lahan karena
citranya tertutup oleh asap.

Gambar 10. Jumlah hotspot terhadap nilai SPI negatif di wilayah Indonesia periode Januari 2009
September 2010.

GeomatikaSARNasional(GeoSARNas)2011|271
Adapun gambaran secara spasial kondisi SPI yang dioverlay dengan data
hotspot yaitu pada saat puncak akumulasi hotspot bulan September 2009 dan
perbandingannya pada bulan September 2010 dapat dilihat pada Gambar
berikut. Terlihat pada Gambar 11 perbandingan kondisi September 2009 dan
September 2010. Pada bulan September 2009 titik hotspot (warna kuning)
berada di sebagian besar SPI negatif (warna merah), sedangkan pada bulan
September 2010 titik hotspot lebih banyak berada pada wilayah yang
mempunyai SPI positif (warna biru).

Gambar 11. Perbandingan kondisi hotspot yang dioverlay terhadap SPI bulan September 2009
(atas) dan September 2010 (bawah).

272|GeomatikaSARNasional(GeoSARNas)2011
Kesimpulan
Pada penelitian ini telah dilakukan kajian pemanfaatan data TRMM untuk
memberikan informasi potensi kekeringan meteorologis. Informasi ini dibuat
sebagai salah satu upaya untuk Peringatan Dini Bahaya Kekeringan terutama
terhadap kebakaran hutan/lahan. Hasil analisis SPI menunjukkan bahwa SPI
dapat merepresentasikan kondisi kekeringan di Indonesia pada kondisi iklim
ekstrim El Nino tahun 2009, serta kondisi La Nina yang menyebabkan
peningkatan curah hujan seperti yang terjadi di Indonesia pada tahun 2010.
Sementara itu hubungan SPI dengan hotspot menunjukkan bahwa sekitar 80%
hotspot (titik panas) berada pada SPI negatif (kondisi kering), dimana jumlah
hotspot tertinggi selama tahun 2009 - 2010 berada pada interval SPI -1.2 hingga
-1. Dengan kata lain, hasil analisis SPI dari data curah hujan TRMM dapat
digunakan sebagai salah satu informasi Peringatan Dini Bahaya Kekeringan di
Indonesia.

Daftar Pustaka

FAO. 2001. State of the Worlds Forests: 2001. Food and Agriculture
Organization of the United Nations, Rome.
http://trmm.gsfc.nasa.gov
http://www.eorc.jaxa.jp/TRMM/index_e.htm
Hughes B. and Saunders A. M. (2002). A drought climatology for Europe.
International journal of climatology 22. 1571 1592.
Ichikawa, Hiroki, Tetsuzo Yasunari, 2006: TimeSpace Characteristics of
Diurnal Rainfall over Borneo and Surrounding Oceans as Observed by
TRMM-PR. J. Climate, 19, 12381260.
Liao, Liang, Robert Meneghini, 2009: Validation of TRMM Precipitation Radar
through Comparison of Its Multiyear Measurements with Ground-Based
Radar. J. Appl. Meteor. Climatol., 48, 804817.

GeomatikaSARNasional(GeoSARNas)2011|273
Meneghini et al. 2004, Mori et al. 2004, Wolff et al. 2005, Ichikawa and Yasunari
2006, Shige et al. 2007
McKee T.B., Doesken N.J., Kliest J. (1993). The relationship of drought
frequency and duration to time scales. In Proceedings of the 8th
Conference on Applied Climatology, 1722 January, Anaheim, CA.
American Meteorological Society: Boston, MA; 179184.
Palmer W. C. (1968). Keeping track of crop moisture conditions, nationwide:
The new crop moisture index. Weatherwise 21(4):156-161.
Rowel, A. dan Moore, P.F. 2001. Global Review of Forest Fires. WWF;IUCN,
Gland.
Szalai S. and Szinell C. (2000). Comparison of two drought indices for drought
monitoring in Hungary - a case study. In Drought and Drought Mitigation in
Europe, Vogt J.V., Somma F (eds). Kluwer: Dordrecht; 161-166.
Tacconi, L. 2003. Kebakaran Hutan di Indonesia. Penyebab, Biaya dan
Implikasi Kebijakan. Center for International Forestry Research.
Occasional Paper No. 38(i).

274|GeomatikaSARNasional(GeoSARNas)2011
 Analysis of the Enhanced Vegetation Index (EVI) Multi-Temporal
Terra MODIS as an Indicator Deforestation in Central Kalimantan,
Indonesia

Fajar Yulianto, Yeni Vetrita, M. Rokhis Khomarudin

Division of Environment and Disaster Mitigation, Remote Sensing Applications Center
Indonesia National Institute of Aeronautics and Space LAPAN. Jl. Lapan No. 70,
Pekayon, Pasar Rebo, Jakarta 13710, Indonesia

Abstract. Indications of deforestation in this paper done by analyzing the temporal

changes in the content of vegetation forest cover by using the Enhanced Vegetation
Index (EVI) Terra MODIS data. EVI is an index that is designed to increase the sensitivity
of the channel vegetation in areas with high biomass content, and monitoring of
vegetation can be increased through de-coupling of the canopy background signal to
reduce the influence of the atmosphere. The purpose of writing this paper is to get an
indication of deforestation in the Central Kalimantan based on temporal changes in the
value of EVI Terra MODIS (MOD13Q1) level of 3.0, a series of 16 daily, with a spatial
resolution of 250 m in the year 2005 2010. Result showed that decrease in EVI value
change drastically can be used as an early indicator in identifying deforestation.

Keywords: Deforestation, EVI and Terra MODIS.

GeomatikaSARNasional(GeoSARNas)2011.|275
Introduction
Forest is a unit of ecosystem in the form of landscape with biological resources,
dominated by trees. Forest area is designated and specific area or set by the
government to maintain its existence as a permanent forest. Forests serve as
are reservoirs of carbon dioxide, animal habitats, hydrologic cycle modulator
and soil conservationist, and is one aspect of Earths biosphere is most
important. Permanently changes from forest areas into non-forest caused by
human activity called deforestation. Deforestation is wide spread forest decline
both in quality and quantity. Deforestation in the quality of ecosystem decline in
flora and fauna found in the forest, while a decrease in the quantity of
deforestation in forest area. Some causes of deforestation, among others, due
to lack of supervision and accountability of forest concessions (HPH) in the
management of forests, illegal logging, burning for forest clearance, and others.

Forest conditions in the world clearly seen that the forest area in the world today
reached under 4 billion hectares, of which 30% of land cover land in the world.
In that area, there has been an average of deforestation of 13 million/ha/year at
the same time forest plantation development and expansion of natural forests
has a strong significance to the decrease of forest area. At about 1990 to 2005,
the world has lost 3% of the total area of forest with an average decline of 0.2%
per year. From the years 2000-2005 shows that the average reduction
correlated with construction activity (FAO, 2001). 57 countries reported to have
increased its forest area, while 83 countries reported a decline (including 36
states with the greatest rate of more than 1% per year) in the same period.
About 6 million hectares of primary forests have been reduced and used for
other uses every year. Nine of the 10 countries that have a primary forest more
than 80% of the world have dropped more than 1% of the period 2000-2005
including Indonesia (13%), Baja California (6%), Papua New Guinea (5%) and
Brazil (4 %) (Houghton et al, 2001). Based on the book calculation area land
cover in Indonesia in 2005, extensive forests cover Indonesia in 2003 live 93.92
million ha. If reduced by the use of Other Areas (APL) covering 7.96 million ha
of the forest area that is still forested left only 85.95 million ha. But in 2006 the
Ministry of Forestry estimates of forest area to be 120.3 million hectares. The
area is exacerbated by the degradation reached 59.17 million ha by the
degradation rate of 2.83 million hectares per year (Van der Werf, 2009).
Damage to forests contributes to carbon stocks. Carbon stocks in forest

276|GeomatikaSARNasional(GeoSARNas)2011
biomass decreased at a global level reached 5.5% in the period 1990-2005. In
general, the trends of carbon stocks follow the trend of forest area and
availability of forest resources. Carbon reserves in the world increased in
regions of Europe and North America and the decline in tropical regions.
Tropical forest CO2 emissions accounted for 1.6 billion tons per year.
Deforestation in developing countries (mostly tropical) CO2 emissions
accounted for approximately 20% of global emissions. Of the total greenhouse
gas emissions, 18% came from the forestry sector, which 75% came from
developing countries including Indonesia (Lasco, 2002).

Remote sensing plays a very important role in monitoring the decrease in

forestland (an indication of deforestation). MODIS satellite imagery hyper
spectral a new generation that can be use for observation of land and waters.
Image of MODIS (Moderate Resolution Imaging Spectroradiometer) is one of
the sensors that are TERRA, launched on December 18, 1999 and AQUA on 4
May 2002. MODIS sensor is a derivative of the sensor AVHRR (Advanced Very
High Resolution Radiometer), Sea WIFS (Sea-Viewing Wide Field of View
Sensor). And HIRS (High Resolution Imaging Spectrometer) which has
previously be en orbiting EOS. Excess MODIS sensor compared with other
global sensor is in terms of spatial resolution of 250 m, 500 m and 1000 m.
Another plus of radiometric calibration, spatial and spectral done on orbit time,
increased accuracy/precision radiometric and geographic positioning accuracy
improvement. Due to spatial resolution, MODIS satellite imagery is only able to
produce information in a global scale (1:500.000 to 1:1.000.000). The purpose in
writing this paper is to analyze temporal changes in the content of vegetation in
forest cover by using the EVI (Enhanced Vegetation Index) data Terra MODIS.

Method
Indication of deforestation in this paper is done by analyzing the temporal
changes in the content of vegetation in forest cover by using the Enhanced
Vegetation Index (EVI) Terra MODIS Data. EVI is an index that is designed to
increase the sensitivity of the channel vegetation in areas with high biomass
content and monitoring of vegetation can be increased through decoupling of
the canopy background signal to reduce the influence of the atmosphere.
Indication of deforestation in area study Province of Central Kalimantan
(Borneo) based on temporal change in the value of EVI Terra MODIS data

GeomatikaSARNasional(GeoSARNas)2011|277
(MOD13Q1) level of 3.0 with a spatial resolution of 250 meters, a series of 16
daily from year 2005 to 2010.

Results and Discussion

Change the value of EVI in this paper presented by the Terra MODIS data 16
daily during the period in 2005 to 2010. At each annual period of change was
conducted in early January to late December. The result of the EVI value
changes on each year presented in Figure 1. Figure 1 shows changes in the
value of EVI in 2005 to 2010.

Figure 1. Changes EVI values in 2005, 2006, 2007, 2008, 2009 and 2010

Shown in Figure 1 changes the value of EVI indicated by red color. Change the
value of EVI indicate a change in vegetation cover. EVI values decreased

278|GeomatikaSARNasional(GeoSARNas)2011
indicating reduced vegetation, while the value of EVI rose signifies the addition
of vegetation. Terra MODIS data processing based on the analysis of temporal
changes in the value of EVI (Enhanced Vegetation Index) Year 2005-2010 as
presented in Figure 1 can be used as a preliminary to know the indications of
deforestation that occurred in 2005-2010. Many changes occurred in 2006 and
2008. Checking some indication of the location of deforestation can be done by
field surveys or by using satellite images have higher resolution, such as: the
image of LANDSAT, SPOT-4, SPOT-2, ALOS, IKONOS, Quick bird and others.
In this article check some indication of the location of deforestation carried out
by using the image satellite LANDSAT 5, LANDSAT 7 ETM and multiple point
locations in the survey field as plotting in Figure 2. Checking on the ground that
has been done is a region that is relatively easy to reach from the main road.
While the plotting of checks by using LANDSAT satellite imagery point C1 - C10
are the locations are very difficult to reach by road. So with the checks using
imagery such as LANDSAT can assist in determining the indications of
deforestation that could not be reached using the road. Figure 2. Showed
indications of change in EVI values in 2005 to 2010 using MODIS Terra data
obtained based on analysis of temporal changes in EVI.

Figure 2. The results indicate changes in the value of EVI year 2005 to 2010 using MODIS Terra
data obtained by analysis of temporal changes in the value of EVI

GeomatikaSARNasional(GeoSARNas)2011|279
Figure 3. Location Survey Checking Indication Deforestation in the Field (P1-P18 on Inset 1 and S1-
S11 on Inset 2)

Figure 3 shows the location of the field survey, points P1-P18 in the inset 1 and
S1-S11 in the inset 2. The results of checks in the field indicate the
correspondence between field conditions with information that is processed from
the MODIS data. Checks in addition to using satellite data that has a higher
resolution would still require other data to ascertain whether this location is a
forest area that can be defined as deforestation. Therefore, the addition of other
supporting data such as the determination of forest, land use / RTRWP local
area, it is helpful to obtain more accurate data. Indications deforestation is
characterized by a decrease in EVI MODIS values that can be seen in profile or
cross section in Table 1. Series 16 daily MODIS EVI data presented at the time
of year range from 2005 to 2010, showing the fluctuating value of the EVI
MODIS as a sign of an indication of deforestation. At the time MODIS EVI
values decreased indicating the existence of "deforestation", while at the MODIS
EVI values indicate increased activity of "reforestation".

Conclusion
In general, temporal observations of EVI values could indicate a change in
vegetation land cover. EVI values fall showed reduced vegetation while the EVI
values indicate increasing rise of vegetation. Indications can be used as a
starting point in identifying the presence of deforestation when the EVI values
tend to fall drastically.

280|GeomatikaSARNasional(GeoSARNas)2011
References

Antara news. Indonesian Peat lands store 2.650 Ton/Ha Carbon. 2nd June 2010
Ramos, C.A., O. Carvalho and B.D. Amaral. 2006. Short-term effects of
reduced-impact
Departemen Kehutanan RI. Undang-Undang Kehutanan No. 41 tahun 1999.
Peraturan Menteri Kehutanan Republik Indonesia, Nomor : P. 30/Menhut-
II/2009. Dephut, 2009.
TGC (Tree Growing Community) -IPB (2010). Deforestasi Hutan.
http://tgc.lk.ipb.ac.id/2010/06/20/deforestasi-hutan/
FAO. 2001. State of the World's Forests: 2001. Food and Agriculture
Organization of the United Nations, Rome.
Houghton, J. T., Y. Ding, D. J. Griggs, M. Noguer, P. J. van der Linden, and D.
Xiaosu, Eds., 2001: Climate Change 2001: The Scientific Basis:
Contributions of Working Group I to the Third Assessment Report of the
Intergovernmental Panel on Climate Change. Cambridge University Press,
881 pp.
Van der Werf. 2009. Human role in Indonesian polluting forest fires. Majalah
Nature Geoscience (22 February 2009).
Lasco, RD. 2002. Forest carbon budget in Souteast Asia following harvesting
and land cover area. Science in China 45 : 55-64.
Buchanan, G.M., Butchart, S.H.M., Dutson, G., Pilgrim, J.D., Steininger, M.K.,
Bishop, D., Mayaux, P. 2008. Using remote sensing to inform conservation
status assessment: Estimates of recent deforestation rates on New Britain
and the impacts upon endemic birds. B iological Conservation 1 4 1 ( 2 0 0
8 ) 5 6 6 6.
Rowel, A. dan Moore, P.F. 2001. Global Review of Forest Fires. WWF;IUCN,
Gland.
Ochego, H. 2003. Application of Remote Sensing in Deforestation Monitoring: A
Case Study of the Aberdares (Kenya). 2nd FIG Regional Conference
Marrakech, Morocco, December 2-5, 2003.

GeomatikaSARNasional(GeoSARNas)2011|281
Morton, D.C., Santo, F.D.B.E., Shimabukuro, Y.E., De Fries, R.S., and
Anderson, L.O. 2005. Validation of MODIS annual deforestation monitoring
with CBERS, Landsat, and field data. University of Maryland, College Park
Department of Geography and Instituto Nacional de Pesquisas Espaciais
INPE Caixa Postal 515 12201-970 So Jos dos Campos SP, Brasil.
Huete, A. R., K. Didan, Y. E. Shimabukuro, P. Ratana, S. R. Saleska, L. R.
Hutyra, W. Yang, R. R. Nemani, and R. Myneni (2006), Amazon
rainforests green-up with sunlight in dry season, Geophys. Res. Lett., 33,
L06405, doi:10.1029/2005GL025583.

Table 1. Checking the results of the Terra MODIS EVI value changes as indications of
Deforestation Using LANDSAT images in 2005 and 2010

282|GeomatikaSARNasional(GeoSARNas)2011


GeomatikaSARNasional(GeoSARNas)2011|283


284|GeomatikaSARNasional(GeoSARNas)2011
 Deteksi Pola Tanam Tanaman Padi di Lahan Sawah Menggunakan
Data EVI MODIS Multitemporal

Dede Dirgahayu, Any Zubaedah, Junita Monika Pasaribu

LAPAN Pekayon

Email:
dede_dirgahayu03@yahoo.com

Abstrak. Penelitian ini bertujuan untuk mendeteksi pola tanam padi di lahan sawah
menggunakan data EVI MODIS multitemporal. Data yang digunakan adalah data 8 harian
EVI MODIS multitemporal (tahun 2007- 2009). Analisis statistik dan spasial dilakukan
terhadap data time series EVI MODIS setiap piksel meliputi paramater : minimum,
maksimum, rata-rata (mean) selama 3 tahun, waktu mencapai EVI maksimum, nilai EVI
saat tanam dan panen, rata-rata EVI selama pertumbuhan vegatatif dan generatif. Hasil
penelitian menunjukan bahwa tanaman padi di lahan sawah dapat dibedakan dengan
tanaman lain dengan kriteria sebagai berikut : Nilai EVI maksimum > 0.45, perbedaan
EVI maksimun dengan minimum > 0.35, dan EVI saat tanam (fase air) < 0.25.
Berdasarkan hasil penelitian, pola tanam di suatu lokasi dapat diketahui serta dapat
dijadikan sebagai bahan masukan untuk meningkatkan IP (Indeks Pertanaman)

Katakunci: EVI MODIS Multitemporal, Analisis spasial, EVI Maksimum, Profil

Pertumbuhan

GeomatikaSARNasional(GeoSARNas)2011.|285
Latar Belakang
Peningkatan produksi tanaman pangan khususnya tanaman padi perlu
dilakukan oleh pemerintah untuk mencapai swasembada pangan. Karena
berdasarkan UU RI tahun No. 7 tahun 1996, dinyatakan bahwa ketahanan
pangan adalah kondisi terpenuhinya pangan bagi rumah tangga yang
tercerminimum dari tersedianya pangan yang cukup, baik jumlah maupun
mutunya, aman, merata, dan terjangkau. Namun produksi padi disuatu negara
setiap tahunnya dapat mengalami fluktuasi akibat adanya bencana kekeringan
dan kebanjiran di lahan sawah. Bencana tersebut juga dapat terjadi Pulau Jawa
yang merupakan daerah pemasok terbesar produksi padi nasional. Dengan
demikian perlu adanya upaya yang dilakukan untuk mencapai swasembada
pangan, yang salah satunya adalah dengan melakukan pemantauan terhadap
kondisi pertanaman padi di Pulau Jawa. Dengan adanya pemantauan tersebut
diharapkan pemerintah dapat segera mengambil tindakan yang diperlukan
dalam menjaga dan meningkatkan produksi padi nasional.

Tanaman Padi mengalami beberapa kondisi / fase selama pertumbuhannya,

antara lain fase tebar-tanam, vegetatif, generatif-panen, dan bera. Secara detil
tahapan pertumbuhan tanaman padi adalah sebagai berikut :

1. tahap perkecambahan (20 - 17 hari sebelum tanam)

2. tahap bibit (17 - 4 hari sebelum tanam)

3. tahap anakan (2 -20 hari setelah tanam /hst)

4. tahap pemanjangan batang (22 - 32 hst)

5. tahap inisiasi malai (32 - 42 hst)

6. tahap perkembangan malai (40 - 52 hst)

7. tahap pembungaan (52 - 62 hst)

8. tahap pengisian biji (62 - 74)

9. tahap pengerasan biji (70 - 82 hst)

10. tahap biji masak (80 - 96 hst)

Pada fase tebar-tanam hingga tahap anakan didominasi oleh air selama sekitar
20 hari Pada fase vegetatif dan generatif didominasi oleh tajuk tanaman dengan

286|GeomatikaSARNasional(GeoSARNas)2011
tingkat kehijauan dan kerapatan yang berbeda yang berlangsung selama 80-90
hari tergantung jenis varietasnya. Setelah itu tanaman padi dipanen dan
diberakan selama beberapa hari tergantung ketersediaan air

Pendekatan yang banyak digunakan untuk memprediksi awal musim tanam

adalah dengan mengetahui ketersediaan air dari curah hujan dan kondisi lengas
lahan (moisture) serta kehilangan air akibat evapotranspirasi yang
mempengaruhi pertumbuhan tanaman. Pendekatan-pendekatan tersebut pada
dasarnya merupakan usaha untuk mengetahui periode di mana kondisi fisik
lingkungan sesuai bagi pertumbuhan tanaman. Las (1992) dalam Erna (2000)
mengemukakan tentang konsep penentuan awal musim tanam berdasarkan
jumlah curah hujan dasarian dan status ketersediaan air tanah, Ada 3 kelas
status ketersediaan air untuk menentukan awal musim tanam, yaitu :

a) Air mencukupi bagi tanaman jika curah hujan lebih besar dari 50
mm/dasarian,

b) Hampir mencukupi jika curah hujan 25 -50 mm/dasarian, dan

c) Tidak mencukupi jika < 25 mm/dasarian.

Pembagian status air tersebut didasarkan pada evapotranspirasi potensial

(ETP) rata-rata dan persentase curah hujan efektif. Untuk mendapatkan curah
hujan efektif > 25 mm/dasarian dengan peluang 75 %, maka curah hujan rata-
rata harus > 50 mm/dasarian atau 150 mm/bulan. Angka ini sering digunakan
sebagai batas kelayakan curah hujan untuk awal musim tanam tanaman padi.
FAO (1978) dalam Hardjowigeno (2001) menganjurkan kombinasi curah hujan
dengan evapotranpirasi potensial untuk masa tanam , yaitu dengan kriteria rasio
CH/ETP > 0.5. Batas ambang tersebut juga dapat digunakan sebagai indikasi
terjadi kekeringan.

Salah satu metode pemantauan tanaman padi yang dapat dilakukan adalah
dengan memanfaatkan data satelit penginderaan jauh. Data satelit yang dapat
digunakan untuk pemantauan tanaman padi dengan cakupan wilayah yang luas
dan temporal yang tinggi adalah data MODIS dari satelit TERRA-AQUA. Dari
data MODIS dapat diekstrak nilai indeks vegetasi EVI (Enhanced Vegetation
Index) seperti yang pernah dilakukan oleh Huete, et.al (1997). Dengan
menggunakan nilai EVI secara temporal diharapkan dapat dilihat dan dicirikan
fluktuasi pertumbuhan tanaman padi.

GeomatikaSARNasional(GeoSARNas)2011|287
Produksi tanaman pangan dipengaruhi oleh variabilitas iklim, ketersediaan air
dalam tanah, kondisi hara, varietas, dan adanya serangan hama dan penyakit
tanaman. Di antara faktor-faktor tersebut, salah satu penyebab kegagalan atau
penurunan produksi adalah ketersediaan air yang kurang sehingga awal musim
tanam mengalami keterlambatan atau pergeseran. Oleh sebab itu perencanaan
pertanian perlu memperhitungkan saat tanam yang tepat agar kerugian akibat
kekurangan air, penurunan produktivitas maupun kegagalan panen dapat
dikurangi.

Tulisan ini bertujuan untuk menunjukkan kemampuan data penginderaan jauh

MODIS dengan resolusi menengah (250 m 500 m) dalam mendeteksi
pelaksanaan awal penanaman padi sawah di lapangan serta untuk prediski
awal musim tanam padi.

Metodologi
Diagram alir tahapan penelitian dapat dilihat pada Gambar 1.

Lokasi Penelitian
Penelitian dilakukan pada beberapa lokasi terpilih dengan memperhatikan
wilayah yang menjadi sentra produksi padi di Jawa Tengah, khususnya daerah
Demak dan sekitarnya.

Bahan dan Alat

Data primer adalah citra MODIS 8 harian dari Januari 2007 sampai dengan
2009. Pengolahan data dilakukan dengan menggunakan Software ER Mapper
dan beberapa program khusus yang dibuat sendiri agar proses pengolahan data
dapat dilakkan secara otomatis. Data lain yang digunakan adalah peta baku
lahan sawah dari departemen Pertanian dan data-data hasil survey lapangan.
Alat yang digunakan untuk penelitian adalah seperangkat komputer, peralatan
pengamatan lapangan, alat tulis, dan printer.

Metode Penelitian
Data yang dikumpulkan adalah data reflektan MODIS 8 harian dari tahun 2007-
2009. Kemudian dilakukan koreksi geomterik dan mozaiking dengan
menggunakan software MODIS tool dan ER-MAPPER. Setelah itu dilakukan
pemisahan awan dengan menggunakan metode RGB Clustering. Setelah data
MODIS dikoreksi kemudian dilakukan ektraksi nilai EVI dari data tersebut

288|GeomatikaSARNasional(GeoSARNas)2011
sehingga diperoleh data raster indeks vegetasi (IV) MODIS 8 harian dari tahun
2007 sampai dengan 2009.

Gambar 1. Diagram Alir Deteksi Tanaman Padi

Rumus yang digunakan untuk ektraksi EVI yaitu (Huete, 1997):

rNIR rRe d
EVI xG
rNIR C1 rRe d C 2 rBlue L
dimana L=1, C1 = 6, C2 = 7.5, and G (gain factor) = 2.5.

Kemudian data raster tersebut diperhalus (smoothing) untuk menghilangkan

noise (teutama awan) agar diperoleh profil EVI yang halus. Smoothing yang
dilakukan adalah dengan menggunakan moving median 3 dan rata-rata. Artinya
setiap tiga data dicari nilai mediannya kemudian dirata-ratakan. Kemudian hasil

GeomatikaSARNasional(GeoSARNas)2011|289
dari smoothing tersebut dioverlay dengan lahan baku sawah dari data landsat
sehingga diperoleh profil IV per piksel.

Analisis spasial data multitemporal dilakukan untuk mengetahui nilai statistik

suatu piksel dalam periode 8 harian selama 1- 3 tahun, antara lain : minimum,
maksimum, mean, letak/ saat minimum, dan letak maksimum. Nilai-nilai statistik
tersebut merupakan representasi kondisi liputan lahan selama berapa tahun.
Jika suatu piksel di lapangan didominasi oleh obyek vegetasi/ tanaman, maka
nilai statistik tersebut merupakan parameter pertumbuhan tanaman.

Ektraksi informasi awal tanam (AT) padi dilakukan berdasarkan waktu terjadinya
EVI Maksimum atau Letak Maksimum (LM). EVI maksimum diasumsikan terjadi
ketika padi berumur 60 HST (Hari Setelah Tanam), yaitu setelah pembungaan
dan saat terbentuknya bulir gabah. Dengan demikian awal tanam (AT) padi
pada data EVI 8 harian dapat diketahui dengan formula :

(2). . AT = LM 60/8 ~ LM 8

Dimana,

AT = awal tanam ; LM = letak / urutan data saat EVI maksimum

Hasil dan Pembahasan

Analisis Spasial EVI Tanaman Padi di Lahan Sawah
Data Reflektan Modis 8 harian dikoreksi geometrik dan dimozaiking dengan
menggunakan software MODIS Reprojection Tool agar diperoleh citra pulau
Jawa dan Bali. Kemudian dilakukan pemisahan awan pada data tersebut
dengan menggunakan software ER Mapper. Setelah dilakukan koreksi lalu dari
data tersebut diekstrak nilai EVI nya dengan menggunakan persamaan (1)
sehingga diperoleh data Indeks Vegetasi (IV) MODIS 8 harian.

Data dari hasil ektraksi tersebut kemudian dismoothing dengan menggunakan

program Gambar 2 merupakan contoh tampilan program smoothing dan
hasilnya.

290|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 2. Contoh program penghalusan EVI dan hasilnya

Hasil dari smoothing tersebut kemudian di overlay dengan lahan baku sawah
dari data Landsat sehingga diperoleh profil IV per piksel. Karena setiap obyek
yang dipermukaan bumi mempunyai profil yang berbeda-beda maka dapat
dibedakan juga profil yang diduga sebagai profil tanaman padi. Berdasarkan
profil yang diperoleh dari tiap piksel didapat bahwa untuk piksel-piksel yang
diduga tanaman padi dapat memiliki mempunyai satu hingga tiga puncak (EVI
Maksimum) untuk periode 2007 sampai dengan 2009. Hal ini menandakan
bahwa terjadi tiga periode tanam. Berdasarkan hasil analisis statistik pada
sampel area yang dibuat menunjukkan bahwa perubahan EVI selama
pertumbuhan tanaman padi membentuk kurva seperti lonceng (Gambar 2) dan
mempunyai selang waktu 112-120 hari. Hasil plot data EVI selama tahun 2011
(Januari hingga awal Agustus ) di salah satu kecamatan di kabupaten Demak
ditunjukkan pada Gambar 3.

GeomatikaSARNasional(GeoSARNas)2011|291
 Gambar 3. Profil Pertumbuhan Tanaman (EVI) di Lahan Sawah, Demak

Penentuan Areal Tanaman Padi

Jika suatu piksel data citra merupakan obyek vegetasi, khususnya tanaman
padi, maka saat mencapai nilai EVI maksimum tanaman padi tersebut berumur
sekitar 60 HST (Hari Setelah Tanam), yaitu sekitar separuh dari masa
pertumbuhan tanaman padi dari mulai tanam hingga panen (110-120 hari).
Program khusus dibuat untuk menghitung nilai minimum, maksimum, letak
minimum, letak maksimum dari seri data yang terkumpul. Dari nilai-nilai tersebut
dapat dihitung awal tanam (saat mencapai nilai minimum yang didominasi oleh
obyek air), panen (kondissi bera / tanpa vegetasi) dan nilai statistiknya seperti
nilai rata-rata /mean selama pertumbuhan, mean, std, dan slope selama fase
vegetatif (0 60 HST atau saat EVI max) dan selama fase generatif (60 HST
bera). Nilai-nilai tersebut dapat dimanfaatkan dalam pengolahan data lebih
lanjut untuk menentukan obyek yang diduga tanaman padi.

Berdasarkan analisis spasial antara parameter pertumbuhan dengan lahan

sawah baku (lihat Tabel 1), maka tanaman padi rata-rata mencapai nilai EVI
maksimum > 0.45 dan EVI saat tanam < 0.25 (fase air). Sedangkan selisih nilai
EVI maksimum dan EVI minimum (saat tanam) > 0.35.

292|GeomatikaSARNasional(GeoSARNas)2011
 Tabel 1. Hasil Analisis Spasial EVI Multitemporal di Lahan Sawah Demak dan Sekitarnya

Band Keterangan Min Max Mean

1 IV Minimum -0.656 0.368 0.092

2 IV Maksimum 0.456 0.968 0.658
3 IV Mean 0.128 0.552 0.344
4 Letak Min 2 27 7
5 Letak Maks 10 21 14
6 IV Awal Tanam Padi -0.496 0.248 0.149
7 IV Panen Padi 0.000 0.352 0.275
8 Mean Tanam-Panen 0.104 0.560 0.342
9 Mean Tanam-Max 0.088 0.624 0.322
10 Mean Max-Panen 0.120 0.640 0.412

Distribusi Spasial Awal Tanam Padi

Hasil deteksi awal tanam padi sawah selama tahun 2011 (Januari - Agustus) di
Kabupaten Demak menunjukkan EVI maksimum tanaman padi banyak dicapai
pada bulan April-Mei, karena terdeteksi lebih luas awal tanam padi dari mulai
Februari hingga Maret 2011. Periode Mei Agustus tidak banyak terdeteksi
penanaman padi, karena sudah berkurangnya pasokan air.

EVI maksimum tanaman padi yang dapat dicapai selain tergantung dari
kemampuan lahan sawahnya, juga tergantung dari ketepatan waktu awal
tanamnya, karena terkait dengan tambahan pasokan air dari hujan dan
intensitas radiasi sinar matahari yang dapat diterima tanaman.

GeomatikaSARNasional(GeoSARNas)2011|293
 Gambar 4. Pemetaan Awal Tanam Padi Sawah di Kab. Demak Tahun 2011

Kesimpulan dan Saran

Kualitas lahan sawah yang dapat dideteksi dengan teknologi penginderaan jauh
adalah melalui parameter Indek Vegetaasi (EVI) maksimum selama beberapa
tahun (multitemporal). Pola tanam padi di lahan sawah pada suatu lokasi dapat
dideteksi menggunakan data EVI MODIS Multitemporal berdasarkan kriteria
nilai Indeks Vegetasi : rata-rata mencapai nilai EVI maksimum > 0.45 dan EVI
saat tanam < 0.25 (fase air). Sedangkan selisih nilai EVI maksimum dan EVI
saat tanam > 0.35.

294|GeomatikaSARNasional(GeoSARNas)2011
Daftar Pustaka

Adiningsih, E.S., dkk. 2000. Penentuan awal musim tanam menggunakan data
satelit lingkungan dan cuaca di pulau Jawa. Prosiding Seminar
Internasional Penginderaan Jauh dalam Pengembangan Ekonomi dan
Pelestarian Lingkungan Hidup", Jakarta, 11-12 April 2000.
Hardjowigeno, S. 2001. Kesesuaian Lahan dan Perencanaan Tata Guna Tanah.
IPB, Bogor
Hillel, D. 1971. Soil and Water Physical Principles and Processes. Academic
Press, New York.
Puslitanak. 2002. Perkiraan Dini Areal Pertanian yang Terancam Kekeringan di
Pulau Jawa Menggunakan Teknologi Penginderaan Jauh. Laporan
Kerjasama dengan Pusat Data dan Informasi Pertanian, Departemen
Pertanian
Wu, L., F. X. Le Dimet, B. G. Hu, P. H. Cournde, P. de Reffye. 2004. A Water
Supply Optimization Problem for Plant Growth Based on GreenLab Model.
Cari 2004 - Hammamet. p: 101 108

GeomatikaSARNasional(GeoSARNas)2011|295


296|GeomatikaSARNasional(GeoSARNas)2011
 Modelling Impact of Tidal Inundation to Fishpond Area in Pantura
Coast Zone, Central Java, Indonesia

Fajar Yulianto, M. Rokhis Khomarudin

Division of Environment and Disaster Mitigation, Remote Sensing Applications Center
Indonesia National Institute of Aeronautics and Space LAPAN. Jl. Lapan No. 70,
Pekayon, Pasar Rebo, Jakarta 13710, Indonesia

Abstract. One of the impacts of global warming phenomenon in coastal area is a tidal
inundation from upsurge of Sea Level Rise (SLR). Northern coast of Java or Pantai Utara
Jawa, known as Pantura, have coastal biodiversity ecosystem such as fishpond. The
phenomenon of SLR in a higher level may cause damage and loss of the fishpond
ecosystem. This research focused on the impact of tidal inundation to fishpond area in
Pantura. The scenario models of tidal inundation created using integration of remote
sensing raster data and Geographic Information System (GIS). Result of remote sensing
data interpretation GIS, could be used to spatial models tidal inundation. Tidal
inundation created from GIS raster image such as iteration model using neighborhood
operation from one of the function in ILWIS 3.4 Software. The result of this research
showed that the scenario models of tidal inundation gave a various impact to fishpond
area. Scenario model of tidal inundation with 1.5 2.0 m, predicted that there are
13,175 ha of inundated and 14,200 ha un-inundated fishpond areas.

Keywords: Sea Level Rise (SLR), Tidal Inundation, GIS, Remote Sensing, neighborhood
operation, and iteration models.

GeomatikaSARNasional(GeoSARNas)2011.|297
Introduction
Sea Level Rise (SLR) is one of the problems global warming phenomenon
cause damage environment, healty, property, and the activities of community. It
can be happened cause of the many factor, i.e: (a) the plain of area have
location more less than SLR occurrence, and (b) land subsidence activity.
Coastal flood is defined as flood in low-lying coastal areas, including estuaries
and delta, involving inundation of land by brackish or saline water. Coastal flood
also called tidal inundation when it is caused by a high tides. Impact of the tidal
inundation can be effect toward fishpond ecosystem.

Now days, development of the computerization and technology could be lance

of new concept on paradigm. Integration of the technology GIS and Remote
Sensing used analysis to join spatial and non-spatial aspect for the application
of earth science. The acquisition data of concerned potentialy information area
have a need of time, cost, power, and supply to terestrial survey. Remote
sensing technology can be help to problems acquisition and analysis data to
scan coverage area not to direct contect with objects or phenomenon in the
earth. Remote sensing is included within the broader field of geomatics the
group of technologies and disciplines that collect, store, and analyze geospatial
information. Geomatics also includes such disciplines as geographic information
science, surveying, and cartography. Many applications implemented using GIS
depend on datasets derived from remotely sensed imagery or make use of the
imagery directly as a background in graphic displays. Remotely sensed data in
digital form can be directly imported into a GIS. The availability of data in digital
form and the development of inexpensive high-speed computers and image
analysis software have made possible the integration of remote sensing
information and GIS analyses.

The phenomenon of upsurge SLR can bit into fishponds ecosystem. To know
the impact and distribution effect tidal inundation to fishponds area, model can
be used to prediction. A representation of the real world into the simple form can
be considered a model. There are two types of the model, namely static and
dinamic model. Static model generally represent a single state of affairs.
Dynamic model or process model emphasis on changes that have taken place,
are taking place, or may take place. Dynamic model, are inherently more
complicated than static model, and usually require much more computation to
obtain an intuitive presentation of the underlying processes. Integration of

298|GeomatikaSARNasional(GeoSARNas)2011
interpretation RS data GIS can be used to spatial model tidal inundation with
numerical modeling. The application of neighboorhood operation iteration
model, one of the fuction spatial analysis in ILWIS 3.4 software (Integrated Land
and Water Information System) used to create tidal inundation models.

Objectives and Practical Tasks

The main objective of this research are:

1. to create tidal inundation models to fishpond area using integration GIS

Remote Sensing data; and

2. to assess impact tidal inundation to fishpond area based on result models.

The main objectives have been elaborated into sets of practical tasks, namely:

Tasks 1

a) interpretation fishponds area and arrange spatial basis data based on

the remote sensing data;

b) manipulation (DEM) Digital Elevation Model based on the point map

interpolation and modification actual fishpond area;

Tasks 2

a) performing the tidal inundation models using iteration model from raster
GIS based on the DEM modification;

b) calculation of the distribution spatial of water depth based on the

models scenario sea level rise; and

c) assessment of the tidal inundation to fishpond area based on the

models.

Method
A raster based tidal inundation model has been constructed and calculate using
a neighborhood function. The neighborhood function for spatial data analyses
enables the evaluation of characteristics of a specific location and its
surrounding area. The outcome of a calculation depends directly on value of the
neighborhood pixels. The neighborhood function for tidal inundation model
spreading calculation is an iterative procedure. Iteration is a successive

GeomatikaSARNasional(GeoSARNas)2011|299
repetition of a mathematical operation, using the result of one calculation as
input for the next. For the iteration operation, the value raster map is needed,
i.e. surface elevation map (DEM). Every pixel on the map is representative of
surface elevation at that location. The steps in the tidal inundation modeling are
shown in (Figure 1).

Figure 1. Steps in the tidal inundation Modelling

Result and Discussion

Central Java is a province of Indonesia with an area of 32,548.20 km2, which is
approximately a quarter of the total land area of Java. It is situated between

300|GeomatikaSARNasional(GeoSARNas)2011
latitudes 6o 7o30S and longitudes 108o30 112o00E. Geomorphologically,
Central Java can be divided into two zones, lowlands near the northern and
southern coast and mountain ranges in the centre of the region. Location
sample of research area focused in Coast Zone Northern Java known as
Pantura Central Java (Figure 2).

Figure 2. Research area

Based on image satellite data LANDSAT ETM7 2010 (Figure 3), the fishpond
area can be interpretation using visualization interpretation method. Result of
this interpretation used to the data base spatial; consist of fishpond,
sea/rivers/water bodies, and non-fishpond area on vector format data (Figure 3
and 4).

Figure 3. Image sattelite data LANDSAT ETM7 2010

GeomatikaSARNasional(GeoSARNas)2011|301
 Figure 4. Result of interpretation fishpond area based on LANDSAT ETM7 - 2010

Digital Elevation Model (DEM) created using interpolation method from point
map or high spot data based on thopograpic map (Figure 5). Point map is a
representative high spot or elevation area in form of point. In research area,
elevation data between 0.00 - 3.00 m from mean sea level. The moving average
method used to interpolation point map data. Result interpolation is a raster data
map with the value domain on every pixel. The modification of DEM conducted
to show the reality model elevation in research area. Water bodies or rivers
given value (0) with assumption that its elevation equal to value (0) of sea
surface, the value raster of fishpond area given value 0.75 m. Based
assumption that event of tidal inundation between 0.5 to 0.75 m, the fishpond
area always experience inundation of increase to boundary of land, so its very
significance to fishpond area.

Figure 5. Result of manipulation (DEM) Digital Elevation Model based on the point map interpolation
and modification actual fishpond area

302|GeomatikaSARNasional(GeoSARNas)2011
Tidal inundation model has been generated based on the DEM modification
data using the neighborhood operation and iterative calculation in GIS raster
format with scenario 0.50 to 2.00 m (Figure 6). Neighborhood operation, as a
spatial analysis tool on the GIS-ILWIS system, has been applied on DEM data in
order to calculate the spreading of coastal inundation. This operation makes use
of a small computation window (e.g., 3 x 3 cells) that repeats a specified
calculation on every pixel in the map, taking into consideration the values of its
neighbors. The neighborhood operation for tidal inundation model is an iterative
procedure. It is a consecutive repetition of a mathematical operation, using the
result of one calculation as input for the next. Iterative calculations are
performed line-by-line, pixel-by-pixel and take place in all directions on the
digital map.

The impact of tidal inundation to fishpond area has been determined using cross
map operation and calculation based on the scenario model in research area
showed on the (Table 1). The result of this research show that the scenario
models of tidal inundation gave a various impact to fishponds area. Scenario
model tidal inundation with 1.5 2.0 m, predicted there 13,175 ha of fishpond
area inundated and 14,200 ha un-inundated.

GeomatikaSARNasional(GeoSARNas)2011|303
 Table 1. Impact of Tidal Inundation to Fishpond Area Based
on the Scenario Model In Pantura Coast Zona Central Java, Indonesia
Tidal Number of Number of
Inundation Un-inundation
No Inundation Pixel Pixel
(Ha) (Ha)
(m) (NPix) (NPix)
1 0.00 0.50 - - 1095 27375
2 0.50 1.00 79 1975 1016 25400
3 1.00 1.50 285 7125 810 20250
4 1.50 2.00 527 13175 568 14200

Conclusion
The scenario models of tidal inundation created using integration of raster
Geographic Information System (GIS) and Remote Sensing (RS) data. Result of
the interpretation RS data GIS, could be used to spatial models tidal
inundation. The DEM has been manipulated in order to correct for real world
conditions of the surface, and to restrict the iteration operation. The result of this
research show that the scenario models of tidal inundation gave a various
impact to fishponds area. Scenario model tidal inundation with 1.5 2.0 m,
predicted there 13,175 ha of fishpond area inundated and 14,200 ha un-
inundated.

304|GeomatikaSARNasional(GeoSARNas)2011
References

Bryan, B., Harvey, N., Belerio, T., Bourman, B., 2001. Distributed process
modeling for regional assessment of coastal vulnerability to sea level rise.
Environ Model Assess 6:5765
ILWIS, 2001. Integrated land and water information system. Geographic
Information System. Version 3.1. International Institute for Geo-Information
and Earth Observation, ITC, Enschede
Kumar, D., PK., 2006. Potential vulnerability implications of sea level rise for the
coastal zones of Chocin, southwest coast of India. Environ Monit Assess
123:333344. Doi:10.1007/s10661- 006-9200-2
Marfai, M.A., 2003. GIS modeling of river and tidal flood hazard on a coastal
urban Area, a case study: Semarang city, Central Java, Indonesia. M.Sc
Thesis ITC, Enschede
Marfai, M.A., 2004. Tidal flood hazard assessment: modelling in raster GIS,
case in western part of Semarang coastal area. Indonesian J Geogr
36(1):2538
Marfai, M.A., Sudrajat, S., Budiani, S.R., Sartohadi, J., 2005. Tidal flood risk
assessment using iteration model and geographic information system (in
Indonesian). The competitive research grants scheme no ID:
UGM/PHB/2004. Research Centre, Gadjah Mada University, Yogyakarta
Marfai, M.A., King, L., 2007. Monitoring land subsidence in Semarang,
Indonesia. Environ Geol. doi:10.1007/s00254-007-0680-3

GeomatikaSARNasional(GeoSARNas)2011|305


306|GeomatikaSARNasional(GeoSARNas)2011
 II
OPTICAL
REMOTE SENSING,
AND THE APPLICATION

Natural Resources
Disaster Management
This page intentionally left blank
 Identifikasi Pola Tanam Padi Sawah Menggunakan Data MODIS
Multitemporal di Kabupaten Kebumen

Emiyati
Pusfatja-LAPAN. Jakarta.

Email:
emiyati@gmail.com

Abstrak. Pemantauan pola tanam padi merupakan upaya untuk dapat mejaga dan
meningkatkan produksi padi. Karena kapan saat yang tepat dan berapa kali petani
menanam padi di sawah mempengaruhi besar kecilnya jumlah produksi padi. Data MODIS
dapat digunakan untuk pemantauan tanaman padi karena mempunyai resolusi temporal
yang tinggi. Tujuan dari penelitian ini adalah adalah mengidentifikasi pola tanam padi
sawah di Kabupaten Kebumen dengan menggunakan data MODIS multitemporal. Selain
itu dilihat pula bagaimana pengaruh curah hujan terhadap pola tanam padi sawah
tersebut dan nilai EVI nya. Metode yang digunakan adalah dengan menggunakan EVI
(Enhanced Vegetation Index) multitemporal yang diektraks dari data MODIS pada tahun
2007-2009. Hasil dari penelitian ini adalah fluktuasi nilai EVI MODIS padi sawah secara
multitemporal dapat menggambar suatu pola fase pertumbuhan tanaman padi. Dimana
secara rata-rata pola tanam padi sawah di Kabupaten Kebumen adalah dua kali dalam
setahun. Awal tanam terjadi pada bulan Maret dan Oktober pada setiap tahunnya.
Sedangkan panen terjadi pada bulan Februari dan Juli. Pemilihan jadwal tanam di
Kabupaten Kebumen tersebut didasarkan pada mulainya musim penghujan dan
pembagian air irigasi. Pada penelitian ini ditemukan pula bahwa perbedaan nilai EVI
maksimum dan nilai EVI minimum pada setiap periode dari tahun 2007-2010 terkait
dengan intensitas curah hujan.

Abstract. Monitoring of rice cropping pattern is an attempt to keep track and improve
rice production. Because when and how many times farmers grow rice in the rice fields
affected a size of a amount of rice production. MODIS data can be used for monitoring
of rice crops due to its high temporal resolution. The purpose of this study is to identify
the cropping pattern is paddy rice fields in Kebumen using multitemporal MODIS data
and how the influence of rainfall on paddy cropping pattern and its EVI value. The
method used is extracting EVI (Enhanced Vegetation Index) value from Multitemporal
MODIS data in 2007-2009. The results of this study is the fluctuation of rice MODIS EVI in
multitemporal to draw a pattern of rice plant growth phase where the average of rice
cropping pattern in Kebumen is two times a year. Early planting occurred in March-April

GeomatikaSARNasional(GeoSARNas)2011.|307
and October-December of each year. While the harvest occurred in February-March and
July-August. Selection of the planting schedule in Kebumen is based on the the rainy
season and distribution of irrigation water. This research also discovered that the
difference in the value of EVI EVI maximum and minimum values at every period of the
year 2007-2010 related to the intensity of rainfall.

Keywords: MODIS, EVI, rice cropping pattern

Pendahuluan
Sektor pertanian merupakan tulang tulang punggung perekonomian daerah
Kabupeten Kebumen. Hal ini terlihat pada kontribusi sektor pertanian terhadap
PDRB tahun 2007 mencapai 37,15%. Dimana dalam sub sektor tanaman
pangan, produksi padi di lahan sawah 68.656 hektar mencapai 371.803 ton atau
rata-rata produksi 5,42 ton perhektar. Diketahui bahwa salah satu upaya untuk
menjaga dan meningkatkan produksi padi adalah dengan memantau pola
tanam padi. Karena kapan saat yang tepat dan berapa kali petani dapat
menanam padi di sawah secara tidak langsung mempengaruhi besar kecilnya
jumlah produksi padi. Menurut Ronny Adriandi (2008) pola tanam merupakan
suatu urutan masa tanam pada sebidang lahan dalam satu tahun, termasuk
didalamnya masa pengolahan tanah. Secara fisik pola tanam padi sawah
berbeda di setiap daerah. Perbedaan pola tanam tersebut tentu saja bisa
dipengaruhi oleh beberapa faktor seperti curah hujan atau kebijakan dinas
setempat.

Menurut Wahyunto dan Hikmatullah (2003) pertumbuhan tanaman padi dapat

dipantau dengan data satelit penginderaan jauh dengan melihat karakteristik
reflektan pertumbuhan tanaman padi. Data satelit penginderaan jauh yang
dapat digunakan untuk pemantauan tanaman padi dengan cakupan wilayah
yang luas dan temporal yang tinggi adalah data MODIS (Moderate Resolution
Imaging Spectroradiometer) dari satelit TERRA-AQUA. Menurut D.R. Panuju
dkk (2009), variasi nilai indeks vegetasi MODIS dapat menggambarkan siklus
pertumbuhan tanaman padi. Dari data MODIS dapat diekstrak nilai indeks
vegetasi EVI (Enhanced Vegetation Index) seperti yang pernah dilakukan oleh
Huete, et.al (1997). Nilai EVI dapat menggambarkan tingkat kehijauan suatu
obyek yang dipermukaan bumi. Sehingga dengan menggunakan nilai EVI
secara temporal diharapkan dapat dilihat dan dicirikan fluktuasi kehijauan
tanaman padi sawah. Dimana fluktuasi tersebut dapat mencerminkan suatu
periode tanam padi sawah. Periode tanam tanaman padi sawah bila dilihat

308|GeomatikaSARNasional(GeoSARNas)2011
dalam rentang waktu tertentu dapat membentuk suatu pola tanam. Dengan
demikian tujuan dari penelitian ini adalah mengidentifikasi pola tanam padi
sawah di Kabupaten Kebumen dengan menggunakan data MODIS
multitemporal. Selain itu dilihat pula bagaimana pengaruh curah hujan terhadap
pola tanam padi sawah tersebut dan nilai EVI nya.

Metodologi
Lokasi penelitian dilakukan di lahan sawah yang ada di Kabupaten Kebumen.
Hal ini dapat dilihat pada gambar 1.Data yang diperlukan dalam penelitian ini
adalah data MODIS level 2 delapan harian tahun 2007-2010 yang sudah dalam
bentuk reflektan. Sehingga ada 179 data MODIS delapan harian yang
digunakan. Selain itu juga digunakan data curah hujan lapangan dari Dinas
Sumber Air dan Energi Sumber Daya Mineral Kabupaten Kebumen.

Gambar 1. Peta lahan sawah Kabupaten Kebumen

Tahapan pengolahan data meliputi yang dilakukan adalah pengolahan awal

data MODIS, ektraksi nilai EVI, overlay nilai EVI dengan peta sawah dan
pembuatan raster EVI multitemporal di lahan sawah. Secara garis besar alur
penelitian ini dapat dilihat pada Gambar 2.

GeomatikaSARNasional(GeoSARNas)2011|309
 Data

Pengolahanawal

EVI PetaSawah

Ektraksi

Survei Analisis
Lapangan

PolaTanam Curah

Gambar 2. Diagram alir tahapan penelitian

Pada diagram alir tersebut dijelaskan bahwa setelah data terkumpul pada
mulanya dilakukan pengolahan awal pada data reflektan MODIS seperti koreksi
geomterik dan pemisahan awan. Koreksi geometrik dan pemisahan awan
dilakukan pada masing-masing data MODIS (179 data). Kemudian setelah
masing-masing data tersebut terkoreksi dilakukan ektraksi nilai EVI dengan
menggunakan formula EVI (Huete, 1997) sebagai berikut:

rNIR rRe d
EVI x2.5 ........................................................................ (1)
rNIR 6rRe d 7.5rBlue 1

Dimana rNIR adalah reflektansi panjang gelombang inframerah dekat, rRed adalah
reflektansi panjang gelombang merah dan rBlue adalah reflektansi panjang
gelombag biru. Nilai EVI adalah dalam bentuk nilai reflektan dalam selang (-
1,1).

Setelah nilai EVI diperoleh lalu dilakukan overlay agar diperoleh satu raster EVI.
Sehingga diperoleh data raster EVI MODIS 8 harian dari tahun 2007 sampai
dengan 2010. Setelah data raster EVI diperoleh kemudian dilakukan overlay
dengan peta sawah Kabupaten Kebumen agar diperoleh raster EVI secara

310|GeomatikaSARNasional(GeoSARNas)2011
multitemporal di padi sawah. Kemudian analisis data dilakukan dengan
menggunakan metode statistik dan teknik overlay. Metode statistik dilakukan
dengan mengambil 83 sample padi sawah yang diambil merata diseluruh lahan
sawah yang ada diKabupaten Kebumen. Sample yang diambil mempunyai
lahan sawah yang luas dan nilainya dominan agar tidak terjadi bias. Dari
seluruh sample yang ada kemudain dilakukan filtering mayoriti. Sehingga
diperoleh pola tanam padi sawah dengan menggunakan nilai EVI MODIS
tersebut. Kemudian hasil pola tanam yang diperoleh tersebut divalidasi dengan
data survei lapangan. Sehingga diperoleh pola tanam padi sawah Kabupaten
Kebumen. Setelah pola tanam diperoleh, kemudian dilakukan teknik overlay
anatar nilai EVI padi sawah yang diperoleh dengan data curah hujan untuk
melihat pengaruh curah hujan terhadap pola tanam tersebut.

Hasil dan Pembahasan

Hasil ektraksi nilai EVI padi sawah di seluruh lahan sawah yang ada kecamatan
di Kabupaten Kebumen dapat dilihat pada gambar 4. Pada gambar terlihat
bahwa dalam rentang waktu 2007-2010, mayoritas pola tanam padi sawah di
kecamatan tersebut adalah dua kali dalam setahun. Namun untuk kecamatan
Buayan dalam satu tahun terjadi 1 kali dan 3 kali musim tanam. Dimana musim
tanam pertama dan kedua adalah padi dan musim tanam ketiga adalah paliwija
seperti kedelai dan kacang hijau. Musim tanam ke 1 adalah Oktober-Desember.
Musim tanam ke 2 adalah Maret-April. Sedangkan musim tanam ketiga adalah
Agustus-September.

GeomatikaSARNasional(GeoSARNas)2011|311
Gambar 3. Grafik EVI Modis padi sawah di Kabupaten Kebumen tahun 2007-2010 tiap Kecamatan

Secara rata-rata, hasil ekstraksi statistik nilai EVI padi sawah di Kabupaten
Kebumen dapat dilihat pada grafik yang ada pada gambar 5. Dari gambar 5
terlihat bahwa nilai EVI dari tahun 2007-2010 berfluktuatif setiap bulannya. Nilai
EVI rata-rata minimum adalah 0.2. Sedangkan nilai EVI rata-rata maksimum
adalah 0.54. Fluktuasi nilai EVI MODIS secara multitemporal menggambar
suatu pola tertentu. Bila dilihat dari rentang waktu tertentu nilai EVI MODIS padi
sawah menggambarkan pola fase pertumbuhan tanaman padi. Dengan
mengekstrak data EVI MODIS secara multitemporal di Kabupaten Kebumen
maka dapat diperoleh pola tanam padi sawah di Kabupaten Kebumen.

EVIMODISPadiSawahKabupatenKebumen20072010
EVI

Waktu(bulan)

Gambar 4. Grafik EVI Modis padi sawah di Kabupaten Kebumen tahun 2007-2010

312|GeomatikaSARNasional(GeoSARNas)2011
Dari grafik yang ada pada gambar 4 terlihat bahwa setiap tahun terjadi dua kali
tanam padi sawah di Kabupaten Kebumen. Awal tanam terjadi pada bulan
Maret dan Oktober pada setiap tahunnya. Sedangkan panen terjadi pada bulan
Februari dan Juli. Fase air (awal tanam) di Kabupaten Kebumen terjadi pada
bulan Oktober-Desember (musim tanam 1) dan Maret-April (musim tanam 2).

Dari grafik pada gambar 4 terlihat bahwa fase air terjadi pada nilai EVI 0.21-0.28
(musim tanam 1) dan 0.28-0.32 (musim tanam 2) dengan slop menurun lalu
naik lagi. Fase vegetatif terjadi pada bulan Desember-Januari (musim tanam 1)
dan April-Juni (musim tanam 2). Nilai EVI pada saat fase vegetatif adalah 0.23-
0.54 (musim tanam 1) dan 0.28-0.45 (musim tanam 2) dengan slope menaik.
Fase generatif terjadi pada bulan Januari-Maret (musim tanam 1) dan Juni-
September (musim tanam 2). Nilai EVI pada saat fase generatif adalah 0.32-
0.54 (musim tanam 1) dan 0.32-0.45 (musim tanam 2) dengan slope menurun.
Fase akhir tanam (bera) terjadi pada bulan Maret (musim tanam 1) dan
September-Oktober (musim tanam 2). Nilai EVI pada saat bera adalah 0.32
(musim tanam 1) dan 0.21-0.28 (musim tanam 2) dengan slope menurun.

Bila diambil nilai EVI pada bulan Oktober 2007-September 2010 dan dibuat
berdasarkan periode musim tanam maka diperoleh grafik seperti gambar 5.
Pemilihan jadwal tanam di Kabupaten Kebumen tersebut didasarkan pada
mulainya musim penghujan dan pembagian air irigasi. Berdasarkan gambar 5
terlihat bahwa pada saat fase air, musim tanam 1 mempunyai nilai EVI yang
rendah dibandingkan dengan musim tanam 2. Hal tersebut terjadi karena pada
saat musim tanam 1 intensitas curah hujan sangat tinggi, seperti yang terlihat
pada gambar 5. Sedangkan masa bera terjadi cukup singkat pada saat musim
tanam 1 dibandingkan dengan pada saat musim tanam 2. Hal ini terkait karena
pada saat musim tanam 2 intesitas curah hujan semakin sedikit karena sudah
masuk musim kering. Sehingga petani hanya mengandalkan sumber air dari
saluran irigasi.

Perbedaan nilai EVI maksimum dan nilai EVI minimum pada setiap periode dari
tahun 2007-2010 terkait dengan intensitas curah hujan. Hal ini dapat dilihat
pada gambar 5. Pada saat intensitas curah hujan tinggi nilai EVI maksimun
lebih tinggi dibandingkan dengan nilai EVI maksimum pada saat intensitas
curah hujan rendah. Namun demikian tinggi rendahnya nilai EVI tidak hanya
dipengaruhi oleh intensitas curah hujan saja tetapi juga oleh faktor lainnya

GeomatikaSARNasional(GeoSARNas)2011|313
seperti irigasi, jenis varietas padi, penggunaan pupuk, hama dan lain
sebagainya.

EVIMODISdanCurahHujandiLahanSawahKabupatenKebumen
20072010

CH0708

CH0809

CH09010
EVI

EVI0708

EVI0809

EVI09010

Waktu(Bulan)
Gambar 5. Grafik EVI MODIS dan curah hujan per Periode di Kabupaten Kebumen pada tahun
2007-2010

Kesimpulan
Fluktuasi nilai EVI MODIS padi sawah secara multitemporal dapat menggambar
suatu pola fase pertumbuhan tanaman padi. Dari data EVI MODIS secara
multitemporal dapat diperoleh pola tanam padi sawah dikabupaten Kebumen.
Secara rata-rata pola tanam padi sawah di Kabupaten Kebumen setiap
tahunnya terjadi dua kali tanam padi. Awal tanam terjadi pada bulan Maret dan
Oktober pada setiap tahunnya. Sedangkan panen terjadi pada bulan Februari
dan Juli. Pemilihan jadwal tanam di Kabupaten Kebumen tersebut didasarkan
pada mulainya musim penghujan dan pembagian air irigasi. Perbedaan nilai EVI
maksimum dan nilai EVI minimum pada setiap periode dari tahun 2007-2010
terkait dengan intensitas curah hujan. Pada saat intensitas curah hujan tinggi
nilai EVI maksimun lebih tinggi dibandingkan dengan nilai EVI maksimum pada
saat intensitas curah hujan rendah.

Pemantauan pola tanam padi sawah dapat dilakukan dengan menggunakan

data MODIS secara multitemporal. Pemantauan dengan menggunakan
teknologi adalah pemantauan lebih efektif dan efisien terutama untuk daerah
yang mempunyai lahan sawah yang luas. Penilitian ini perlu dilakukan di
wilayah lain agar diperoleh pola tanam padi Sawah di seluruh Indonesia.Selain

314|GeomatikaSARNasional(GeoSARNas)2011
itu perlu dilakukan penelitian lebih lanjut mengenai teknik pengolahan sehingga
diperoleh teknologi pemantauan dengan data MODIS yang dinamis yang dapat
diektrak perpiksel.

Daftar Pustaka

Adriandi R. 2008. Kajian Pola Tanam Dalam Rangka Peningkatan Produksi Dan
Produktivitas Daerah Irigasi Batang Tongar Di Kabupaten Pasaman Barat
Propinsi Sumatera Barat. http://digilib.itb.ac.id/gdl.php?
mod=browse&op=read&id=jbptitbpp-gdl-ronnyadria-31337 diunduh 23-
02-2011
Falcon WP, Naylor RL, Smith WL, Burke MB, McCullough EB. 2004. Using
climate models to improve Indonesian food security. Bulletin of Indonesian
Economic Studies 40, 357-79.
Hartono N. 2011. Penguatan Kelembagaan Petani Dalam Pemanfaatan Air
Irigasi Dalam Pengembangan Agribisnis (Studi Kasus Di Kabupaten
Tasikmalaya). psdal.lp3es.or.id/kajian1.html diunduh 23-02-2011
Koesmaryono Y, Apriyana Y. 2011. Pengembangan Standar Operasional
Prosedur Adaptasi Kalender Tanam Padi Terhadap Enso -Iod Berbasis
Sumberdaya Iklim Dan Air. http://iirc.ipb.ac.id/jspui/bitstream/123456789/
41775/.../Pres_Yayan%20Apri.pdf diunduh 18-02-2011
Kogan FN. 1990. Remote sensing of weather impacts on vegetation in non-
homogeneous areas. International Journal of Remote Sensing 11 (8),
14051419.
Kogan FN. 1995. Application of vegetation index and brightness temperature for
drought detection. Advanced Space Research 15 (11), 91100.
Kogan FN. 2002. World droughts in the new millennium from AVHRR-based
Vegetation Health Indices. Eos Transactions 83 (48), 562563.
Kogan FN, Gitelson A, Edige Z, Spivak I, Lebed L. 2003: AVHRR-based
spectral vegetation index for quantitative assessment of vegetation state

GeomatikaSARNasional(GeoSARNas)2011|315
 and productivity: Calibration and validation. Photogrammetric Engineering
and Remote Sensing 69 (8), 899906.
McKee TB, Doesken NJ, Kleist J. 1993. The relationship of drought frequency
and duration to time scales. The 8th Conference on Applied Climatology,
179184.
Naylor RL, Falcon WP, Rochberg D, Wada N. 2001: Using El Nio/Southern
Oscillation climate data to predict rice production in Indonesia. Climatic
Change 50, 25565.
Panuju DR, dkk. 2009. Variasi nilai indeks vegetasi MODIS pada Siklus
Pertumbuhan padi. Jurnal Ilmiah Geomatika Volume 15 No. 7 Desember
2009
Wahyunto, Hikamatullah. 2003. Pusat Penelitian dan Pengembangan Tanah
dan Agroklimat. Warta Penelitian dan Pengembangan Pertanian Indonesia
25(6), 3-4
Wilhite DA. 1993. The enigma of drought. In: Drought Assessment,
Management, and Planning: Theory and Case Studies (D. A. Wilhite, Ed.).
3-15. Kluwer.
Wilhite DA. 2006: Drought monitoring and early warning: concepts, progress
and future challenges. World Meteorological Organization. WMO-No.
1006, ISBN 92-63-11006-9.

316|GeomatikaSARNasional(GeoSARNas)2011
 Sunglint: How Much It Affects Satellite Image-Based Benthic
Habitat Identification?

Pramaditya Wicaksono
PUSPICS. Faculty of Geography, Gadjah Mada University. Yogyakarta 55281, Indonesia.

Email:
prama.wicaksono@gmail.com

Abstract. Remote sensing for benthic habitat mapping poses its own handicap especially
when using high spatial resolution image. One of the handicaps is the occurrence of
sunglint on water surface that alter the intra spectral habitat variation recorded by the
sensor. Prior to further image analysis, sunglint should be removed to avoid any
confusion. The aims of this study were to remove sunglint from Quickbird image using
Hedley et al.s (2005) method and analyze the effect of sunglint on altering benthic
habitat spectral variation. This method uses near infrared band that almost has similar
index of refraction with visible bands. Moreover, coefficient of variation analysis was
conducted to analyze the habitats spectral variance due to the existence of sunglint.
The results showed that NIR was very effective to remove sunglint from visible bands
and an average of 64.30% variation within a single habitat class was due to sunglint. It is
also found that sunglint correction revealed more detail information about benthic
habitat that has been previously limited by sunglint.

Keywords: Benthic habitat, Quickbird, Sunglint, Coefficient of variation

GeomatikaSARNasional(GeoSARNas)2011.|317
Introduction
Remote sensing technology is very potential on replacing the extensive field
survey for benthic habitat mapping and put the information about benthic habitat
in spatial and temporal context. Remote sensing has the ability to cover large
portion of earth, identifies objects spectral information, and temporally records
data at various spatial resolutions. Remote sensing for benthic habitat mapping
requires visible bands with its water penetration ability. Visible bands have the
ability to penetrate water up to 25 m when the water is very clear (Jupp, 1988).
However, the maximum penetration ability varies with geographical and water
condition (Wicaksono, 2010). Visible bands have lower penetration ability when
encountered by more turbid water due to scattering by the sediment suspended
on water column. Wavelengths longer than red should and cannot be used for
identifying underwater objects. These energies are effectively absorbed by
water and cannot penetrate into water body, and thus produce very low
reflectance and appear black on the image.

Remote sensing images with the ability to perform underwater mapping are
Landsat series, SPOT series, ASTER, ALOS AVNIR-2, IKONOS, Quickbird,
Geoeye-1, Worldview-2, and Rapideye. These images are multispectral and
only have the ability to map benthic habitat at second level of detail at Mumby
and Harborne (1999) benthic habitat classification scheme (Wicaksono, 2010).
Currently, the best image for benthic habitat mapping is CASI hyperspectral
(Green et al. 2000; Phinn et al. 2008). CASI manages to perform well until the
third level of benthic habitat hierarchical classification scheme. The issues
regarding the use of CASI for benthic habitat mapping are the image is not
widely available, the sensor is airborne, the operational is expensive, the area
coverage is small, and the processing technique is more complex than
multispectral image. These issues should be considered prior to the data
collection. Therefore, the selection of remote sensing data is highly depending
on the purpose and the required level of detail of the output map.

Remote sensing is very promising on replacing the extensive field survey.

However, remote sensing poses sunglint issue when dealing with water surface.
Sunglint is a specular reflection caused by wind-driven wave in water surface.
Sunglint occurs on the waves and produces a circular bright band that obscures
the underlying information (Figure 1). Furthermore, sunglint occurs even worse
when the sensor viewing angle is relatively similar with the sunlight reflected off

318|GeomatikaSARNasional(GeoSARNas)2011
the water surface. In fact, sunglint can be useful to identify wind direction and
variation, surface water currents, oil slick, and water temperature (NASA, 2010).
Unfortunately, sunglint is quite a problem for underwater mapping effort.
Therefore, in spite of its promising capacity, remote sensing for underwater
mapping is still affected by sunglint issue.

Sunglint acutely occurs on the condition where remote sensing performs

optimally for underwater mapping. Sunglint appears when the cloud coverage is
minimal, the water is shallow and clear, and the image is recorded on high
spatial resolution. The existence of sunglint is unfortunate because at this
optimal condition, remote sensing image is expected to deliver accurate
information about benthic habitat. Consequently, in order to optimally using
remote sensing images for benthic habitat mapping, sunglint should be removed
prior to further image analysis.

Figure 1. Quickbird at composite RGB 432 (left) and sunglint from field observation (right). Note how
the underlying information on the right image is hardly visible.

This study covers the removal of sunglint on Quickbird image as well as the
analysis of the comparison between the original image and sunglint-free image.
This analysis was intended to see how much sunglint benthic habitat spectral
information. Quickbird image was selected because of its high spatial resolution
and high radiometric resolution that allows sunglint to be effectively detected.
Furthermore, Coefficient of Variation (COV) analysis was used to see how the
information within particular class habitat is altered due to sunglint effect. The
method to remove sunglint from Quickbird image followed the algorithm
developed by Hedley et al. (2005). His method utilizes NIR band for correcting
the sunglint in the available visible bands.

GeomatikaSARNasional(GeoSARNas)2011|319
Study Area
The study area is located within the National Park of Ujung Kulon. The area is
administratively located on Kecamatan Sumur and Cimanggu, Pandeglang
District, Banten Province. The whole National Park is extending from 102o 2 32
to 102o 37 37 E and 6o 3034 to 6o 5217 S. The National Park has an area
of 120,551 ha composed of 76,214 ha of land and 44,337 ha of the surrounding
reef and sea.

Most reefs in this area are classified into fringing reef and associated with
seagrass meadows, white sandy beach, and mangrove stands along the
shoreline. The shoreline of the area is shaped by the dynamics of the
surrounding sea, especially by wave energy. Since this area has high wave
energy, it is a very good place to spot sunglint occurrence. Consequently, most
benthic habitats in this area are affected by sunglint, and thus this location is
perfect for analyzing the effect of sunglint on benthic habitats identification via
satellite image. The exact location of the study area is on the south west part of
Panaitan Island near Kasuaris Bay (Figure 2).

Figure 2. The location of study area within Ujung Kulon National Park. The exact location is show in
red box

320|GeomatikaSARNasional(GeoSARNas)2011
Image Data
The image used in this study is 16-bit (11-bit original dynamic ranges) Quickbird
image delivered in 2A level of correction and was acquired on August 15th
2002. This image is owned by DigitalGlobe and was obtained for free from
Global Land Cover Facility (GLCF). The image has 2.88 m spatial resolution
due to 14.7o off-nadir recording. According to Quickbird Imagery Product Guide
(2006), the corrections applied on product level 2A are dark pixel subtract, non-
uniformity correction (detector-to-detector relative gain), non-responsive
detector fill, and a conversion for absolute radiometry. Sensor corrections
account for internal detector geometry, optical distortion, scan distortion, any
line-rate variations, and registration of the panchromatic and multispectral
bands. Geometric corrections remove spacecraft orbit position and attitude
uncertainty, earth rotation and curvature, and panoramic distortion. As we did
not integrate any field data into the image, geometric correction using GCP
(Ground Control Point) was not applied. Table 1 shows basic specification of
Quickbird image used in this study.

Table 1. Quickbird Basic Characteristics used in this study

Spatial Bandwidth Effective Bandwidth
Description Digitization
Resolution (m) ()
Band 1 (Blue) 2.88 m 0.45 0.52 0.068 11 bits
Band 2 (Green) 2.88 m 0.52 0.60 0.099 11 bits
Band 3 (Red) 2.88 m 0.63 0.69 0.071 11 bits
Band 4 (NIR) 2.88 m 0.76 0.90 0.114 11 bits

Methods
Before applying sunglint removal technique, some adjustments were made to
the image. First, Quickbird image was converted into TOA (Top of Atmosphere)
spectral radiance. The unit of TOA spectral radiance is W/m2 str m. The
formula to convert DN to TOA spectral radiance is given below (Krause, 2005):

LPixel.Band=absCalFactorBandxqPixel.Band(1)

LPixel.Band=LPixel.Band/Band(2)

Where:

LPixel,Band : TOA bandintegrated radiance image pixels (W/m2 str)

GeomatikaSARNasional(GeoSARNas)2011|321
LPixel,Band : TOA bandaveraged spectral radiance image pixels (W/m2 str m)
Band : The effective bandwidth (m) for a given band
absCalFactorBand : The absolute radiometric calibration factor (W/m2 str count) for a given
band
qPixel,Band : Radiometrically corrected image pixels (Quickbird DN values).

The value of absCalFactor (K) has been revised based on the ground truth
measurement and analysis from Joint Agency Commercial Imagery Evaluation
(JACIE) Team. However, the revised value is only available on the .IMD file on
the image recorded after June 6th 2003 00:00 GMT. The image used in this
study was recorded on August 15th 2002, and thus the K-revised value was not
in the .IMD file. Therefore, the calibration factor values for the TOA spectral
radiance calculation were taken from the value given in Table 2.

Table 2. K-revised value for Quickbird image recorded before June 6th 2003
Band K revised (W/m2 str count)
Blue 1.604120e-02
Green 1.438470e-02
Red 1.267350e-02
NIR 1.542420e-02
Source: Krause, 2005

TOA spectral radiance image was still not free from atmospheric disturbance
and the objects spectral signature was also still altered. To solve these issues,
FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)
atmospheric correction method was applied. Basic data needed to run FLAASH
model were the scene center location, sensor type, sensor altitude, average
ground elevation, spatial resolution, the time of image acquisition, atmospheric
model, aerosol model, and initial visibility. Some parameters were available
directly on image metadata and others were derived from geographic condition
of the study area. In addition, Digital Elevation Model (DEM) from SRTM
(Shuttle Radar Topographic Mission) image was used to estimate the average
ground elevation of the study area. Finally, FLAASH processed these
parameters to remove the atmospheric disturbance and repair the objects
spectral signatures in the Quickbird image.

322|GeomatikaSARNasional(GeoSARNas)2011
Sunglint removal was conducted on atmospherically corrected image using the
technique developed by Hedley et al. (2005). This method utilizes NIR band that
has similar index of refraction with visible bands to remove the sunglint on
visible bands. There are two assumptions used in this method, first, NIR band
produces minimum reflectance on water body, and thus any NIR reflectance
above that minimum value was considered as sunglint additive reflectance, and
second, the lowest NIR value was the sunglint-free pixel. Next, to remove
sunglint from visible bands, empirical model between NIR and visible bands
were created to obtain how much sunglint energy affect NIR band. Finally, this
additive sunglint value on NIR was integrated with the gradient of calibration
obtained during the empirical model to remove sunglint in visible bands.

Basically, this technique requires the best NIR band to perform the regression.
The selection of the best NIR can be conducted by empirically connect each
NIR band with visible bands to find the NIR band that has the best fit with visible
bands. However, Quickbird has only one NIR band, and thus the selection for
the best NIR band was not necessary. The empirical model between NIR and
visible bands was intended to obtain the gradient of calibration or slope (b). The
slope (b) was used as the coefficient to perform sunglint correction on visible
bands using the following equation:

Ri=Ri(bix(RNIRMinNIR))(3)

Where:

Ri : Sunglint free reflectance value

Ri : Reflectance from visible band i
bi : Regression slope derived from regression analysis
RNIR : Reflectance from NIR band
MinNIR : Minimum NIR band

To understand the effect of sunglint on altering the spectral variation within

particular class habitat, statistical analysis of the COV (Coefficient of Variation)
was used. COV analysis shows the variation of the reflectance within particular
habitat. This analysis is very useful because it could show the intra habitat
spectra variation that conceptually should not be too high within a single class.
Moreover, the value of COV is unitless where bigger COV means greater
variation and vice versa. Theoretically, for particular habitat class, COV value
should stay low in order not to produce any confusion and misclassification

GeomatikaSARNasional(GeoSARNas)2011|323
during visual interpretation or digital classification. The COV value was
calculated by rationing the standard deviation to its mean (). Last, the ratios of
COV from uncorrected and corrected images were calculated in order to see
how much sunglint alter the spectral variation on particular habitat class.

Results and Discussion

Conversion to TOA spectral radiance converts the unitless DN into energy unit
of W/m2 str m. This unit was converted into W/cm2 str nm before performing
FLAASH atmospheric correction. Next, by using the FLAASH input parameters
described above, atmospherically corrected Quickbird image was obtained.
Additionally, to check whether the correction was successful or not, spectral
signatures of some major objects were analyzed. When the image has been
successfully corrected, they should have proper signature. For example, when
green vegetation spectra are analyzed, it will show a low reflectance in blue and
red band but produce high reflectance in green and NIR band. From the
analysis, the spectral signatures for most known objects such as dry sand,
green vegetation, and water body were correctly represented, and thus we could
assume that the atmospheric correction was successful. Figure 3 shows
spectral signatures comparison between TOA spectral radiance image and
atmospherically corrected image.

Atmospherically corrected image was processed for sunglint removal. First, the
lowest NIR value was selected from relatively clear and deep ocean water and
impenetrable by remote sensing energy (optically deep water). This minimum
NIR value was treated as sunglint-free value. To obtain this minimum NIR value,
pixels from various levels of sunglint intensity were selected. Three classes of
different sunglint intensity were used consist of low, medium, and high intensity.
However, from 25,600 selected optically deep water pixels, some negative
values were found due to the residual error from atmospheric correction. The
negative value posed a problem to the regression process since it did not
provide valid data for the correction. Therefore, we decided to take the mean of
the optically deep water pixels, and treated that value as minimum NIR pixel.
The average value of optically deep water was 133.226.

Total 5,000 different sunglint pixels from each of VNIR bands were collected and
put them into bi-plot to create linear regression between the pixels in NIR and
visible bands. The linear regression between NIR and visible bands produced a

324|GeomatikaSARNasional(GeoSARNas)2011
slope (b) which is an important input to the Equation 3. The relationship between
visible bands and NIR band was very high. It is shown by R2 (coefficient of
determinant) values that exceed 0.85 at all visible bands. The results of linear
regression for each bi-plot are given in Figure 4 and Table 3.

Dry Sand

Green
Vegetation

Clear Water

Figure 3. Spectral signatures comparison over known objects between TOA spectral radiance image
(left) and atmospherically corrected image (right)

Sunglint removal process was conducted using custom formula document on

UNESCO Bilko 3.3 software. The data output was 32-bit floating point to
accommodate decimals and negative values. Masking of the land pixel prior to
sunglint removal was not performed since land pixels will automatically invalid
after sunglint removal. Therefore, masking process can be done afterward when
conducting further underwater image processing routines such as water column

GeomatikaSARNasional(GeoSARNas)2011|325
correction (Lyzenga, 1978; Bierwirth et al. 1993; Sagawa et al. 2007;
Wicaksono, 2010) and PCA model (Palapa, 2002; Wicaksono & Heru Murti,
2009). Last, the value of slope (Table 3) and minimum NIR were entered into
Equation 3 to remove the sunglint from Quickbird image. After the algorithms
were applied, the sunglint occurred on the water surface were effectively
removed. The comparison between original image and sunglint-free image is
given in Figure 5.

The most obvious improvement that can be identified on sunglint-free image

compared to the original image was the visual appearance of the objects located
underwater. In the sunglint-free image, benthic habitats were clearly identified,
and information on areas that previously affected by sunglint has been revealed.
Furthermore, the contrast between habitats that were not highly distorted by
sunglint in the original image was also enhanced. For example, the contrast
between seagrass habitat and sand habitat in the lagoon area was strongly
enhanced. Moreover, the intra-variation within seagrass habitat was also
increased which is shown more visual variations on seagrass area.
Conceptually, sunglint-free image have much better discriminating power, and
thus it should be able to produce better benthic habitat map.

Figure 4. Bi-plot of 5,000 pixels with different sunglint intensity between visible bands and NIR band

326|GeomatikaSARNasional(GeoSARNas)2011
 Table 3. The results of linear regression analysis between NIR band and visible bands
Bands R2 b
Blue NIR 0.859 0.9659
Green NIR 0.861 0.9903
Red - NIR 0.961 1.0061
However, there were still some issues that should be carefully considered when
using this sunglint-free image for underwater mapping process. First, usually
NIR band cannot be corrected unless the sensor has more than one NIR bands.
However, NIR band is rarely useful for underwater mapping due to its inability to
penetrate water. Second, as previously mentioned, any terrestrial or emergent
objects will have invalid due to this sunglint removal. Figure 5 reveals that
terrestrial objects such as dry sand, dry soil, and green vegetation were
completely dark. The dark appearance of these three terrestrial objects showed
the invalidity of the data, and thus these objects should be masked out
afterwards. In fact, the masking process of the terrestrial objects after sunglint
removal process does not only apply on soil and vegetation but also on other
emergent objects. Even for underwater objects that were emerged due to tidal
process at the time the image was recorded would also contain invalid value.
Last, areas affected by combination of sunglint and foam produced by breaking
wave were not able to be resolved. The thick white bands of sunglint and foam
were remained in the area. Any information about benthic habitats located
underlying this kind of water surface condition could not be recovered because
there is no information to begin with. These issues should be kept in mind and
should not be ignored following sunglint removal process.

The visual qualities of the sunglint-free image were subject dependant. The
visual appearances of the sunglint-free image were considered as the qualitative
or relative quality of the sunglint-free image. As a result, saying that the sunglint-
free image is better than the original one without any quantitative measurement
would be unfair. It is because the ability and conformity of each people to
visually interpret information on remote sensing image varies greatly with
knowledge, experience, and educational background. Then, to test the image
quantitatively, the COV analysis within particular class habitat was conducted.

GeomatikaSARNasional(GeoSARNas)2011|327


Figure 5. Quickbird image before sunglint removal (above) and after sunglint removal (bottom)

The COV analysis was conducted on each habitat class found on the image.
The habitat classes selected for this analysis were shallow sand, deep sand,
dense seagrass, sparse seagrass, coral reef, and optically deep water. For each
habitat class, 150 pixels were selected and assumed to be the representative
pixels for each habitat. Habitat descriptor such as dense, sparse, deep, and
shallow was only qualitative based on visual interpretation. The purpose of
having these habitat descriptors was to obtain better overview and
understanding of the COV result for each habitat class after sunglint removal

328|GeomatikaSARNasional(GeoSARNas)2011
due to the existence of water column energy attenuation. Without water column
correction, similar habitat distributed at different depth surely contains high
variance and COV due to the attenuation of light by water column. Therefore, it
is important to categorize these habitats based on its depth distribution. The
result of the COV analysis and percentages of sunglint disturbance along with
the revealed additional information is shown in Table 4.

As seen in Table 4, an average of 64.30% variations within particular habitat

class was due to the sunglint. Furthermore, the objects located in deeper water
were affected more. Deep sand class was more influenced by sunglint than the
sand distributed on shallower area. Coral reef habitat located on deeper areas
was also strongly affected by sunglint. Coral reef, optically deep water, and
deep sand has 88.63%, 74.07% and 61.39% sunglint disturbance respectively.
In contrast, at shallower area, where the waves were milder, the disturbance of
sunglint was not as strong as in deeper water. It was shown by shallow sand
habitat whose information was only affected by sunglint as much as 33.12%.
These results showed how sunglint should be minimized prior to benthic
mapping process, especially on digital classification. Consequently, if the
correction is not performed, a particular habitat area can be classified into more
than one class, and the habitat class which should not be there, will appear.

Interestingly, the removal of sunglint did not only minimize the variance of
particular habitat but also improving it. This improvement in the spectra variation
applied on dense and sparse seagrass class. Rather than experiencing a
decrease in variance, they experienced an improvement in variance about
31.17% and 70.75% for sparse and shallow seagrass respectively (Table 4 - red
highlighted columns). It means that 70.75% more information on dense
seagrass habitat has been revealed in the sunglint-free image. If the dense
seagrass area located just south of the Island were carefully identified visually,
there were some obvious differences between original image and the corrected
one. On the original image, dense seagrass appears pretty homogenous and
there will be a big chance of this area to be classified into one class of dense
seagrass. Conversely, the sunglint-free image showed that there are some
variations in this area, not only dense seagrass, but also seagrass at various
densities interleaving with sand habitat in between. It seems that the removal of
sunglint enhanced the contrast, color, and texture of the some habitats and
improves the discriminating ability of the image.

GeomatikaSARNasional(GeoSARNas)2011|329
Sunglint correction is also very promising for other application such as
ecological parameter modeling that utilizes, for example, the accurate
identification of seagrass shoots density which is highly related with its standing
crop and LAI (Green et al. 2000). In a nutshell, sunglint removal is very useful
on minimizing the variance due to sunglint noise and improves the
discrimination power of the image by enhancing the contrast, color, and texture
of some habitats.

Conclusions
This study showed that sunglint in high spatial resolution image can be removed
using NIR band to improve the radiometric quality of the image for further
underwater image processing routines. Quantitatively, an average of 64.30%
variations within particular habitat class was due to the existence of sunglint in
water surface in which deeper areas were affected more. In addition sunglint
removal managed to reveal more detail information on areas that seems to be
homogenous. To conclude, sunglint removal is very useful on minimizing the
variance due to sunglint and improves the discrimination ability of the image by
providing more detail information on some habitats.

Acknowledgements
The authors would like to thank Global Land Cover Facility (GLCF) of University
of Maryland, United States and also DigitalGlobe for the free Quickbird image of
Ujung Kulon National Park, Banten Province, Indonesia.

Table 4. Results of COV analysis for each habitat class

Uncorrected Corrected Ratio COV Sunglint
Habitat Band Mean (%)
Image Image (%) Influence (%)
Optically #1 (Blue) 0.724 0.1909 26.36 25.93 74.07
Deep
#2 (Green) 0.799 0.2131 26.67
Water
#3 (Red) 0.821 0.2033 24.76
Shallow #1 (Blue) 0.1162 0.0724 62.30 66.88 33.12
Sand
#2 (Green) 0.097 0.0656 67.62
#3 (Red) 0.1165 0.0824 70.72
Deep #1 (Blue) 0.2618 0.1114 42.55 38.60 61.39
Sand
#2 (Green) 0.2974 0.0956 32.14
#3 (Red) 0.4648 0.1912 41.13

330|GeomatikaSARNasional(GeoSARNas)2011
 Uncorrected Corrected Ratio COV Sunglint
Habitat Band Mean (%)
Image Image (%) Influence (%)
Dense #1 (Blue) 0.253 1.070 23.64 29.25 70.75
Seagrass
#2 (Green) 0.126 0.447 28.18

#3 (Red) 0.092 0.256 35.93

Sparse #1 (Blue) 0.0928 0.1464 63.38 68.83 31.17

Seagrass
#2 (Green) 0.0541 0.0749 72.22

#3 (Red) 0.0687 0.0969 70.89

Coral Reef #1 (Blue) 2.3252 0.2351 10.11 11.37 88.63

#2 (Green) 1.2325 0.1600 12.98
#3 (Red) 1.7357 0.1913 11.02
Total Sunglint Disturbance 64.30
Information Revealed 50.96

References
Bierwirth PN, Lee T.J, Burne RV. 1993. Shallow Sea-Floor Reflectance and
Water Depth Derived by Unmixing Multispectral Imagery. Photogrammetric
Engineering and Remote Sensing 59(3), 331-338.
DigitalGlobe. 2003. Quickbird scene 000000185959_01_P005, Level Standard
2A, DigitalGlobe, Longmont, Colorado, 8/15/2002.
DigitalGlobe. 2006. Quickbird Imagery Product - Product Guide (Revision 4.7.1).
DigitalGlobe, Inc.
Green EP, Mumby PJ, Edwards AJ, Clark CD. 2000. Remote Sensing
Handbook for Tropical Coastal Management. Coastal Management
Sourcebooks 3. Paris: UNESCO. ISBN 92-3-103736-6.
Hedley JD, Harborne AR, Mumby PJ. 2005. Simple and Robust Removal of
Sunglint for Mapping Shallow-Water Benthos. International Journal of
Remote Sensing 26(10), 2107-2112.
Image Science and Analysis Laboratory, NASA-Johnson Space Center. The
Gateway to Astronaut Photography of Earth.
<http://eol.jsc.nasa.gov/newsletter/RedSeaReefs.htm> (accessed August
21st 2010 10:44:38).

GeomatikaSARNasional(GeoSARNas)2011|331
Jupp DLB. 1988. Background and extensions to depth of penetration (DOP)
mapping in shallow coastal waters. Proceedings of the Symposium on
Remote Sensing of the Coastal Zone, Gold Coast, Queensland,
September 1988, IV.2.1-IV.2.19.
Krause K. 2005. Radiometric Use of Quickbird Imagery. Technical Note.
DigitalGlobe, Inc.
Lyzenga DR. 1978. Passive Remote-Sensing Techniques for Mapping Water
Depth and Bottom Features. Applied Optics 17, 379-383.
Mumby PJ, Harborne AR. 1999. Development of a systematic classification
scheme of marine habitats to facilitate regional management and mapping
of Caribbean coral reefs. Biological Conservation 88, 155-163.
Palapa J. 2002. Pengolahan Citra Digital CASI-Themap Untuk Identifikasi dan
Pemetaan Terumbu karang (Coral Reef) di Pulau Harapan, Kepulauan
Seribu, DKI Jakarta. Skripsi. Faculty of Geography Gadjah Mada
University, Yogyakarta.
Phinn S, Roelfsema C, Brando V, Anstee J. 2008. Mapping seagrass species,
cover and biomass in shallow waters: An assessment of satellite multi-
spectral and airborne hyper-spectral imaging systems in Moreton Bay
(Australia). Remote Sensing of Environment 112, 34133425.
Sagawa T, Komatsu T, Boisnier E, Ben Mustapha K, Hattour A, Kosaka N,
Miyazaki S. 2007. A new Application Method for Lyzengas Optical Model.
http://www.ceg.ncl.ac.uk/rspsoc2007/ papers/188.pdf (accessed July 30th
2008).
Wicaksono P, Murti SH. 2009. Factor Loadings Analysis: Which band
contributes more on coral reef health condition identification?. Proceeding
of the 10th SEASC 2009 Nusa Dua Bali, Indonesia, August 3rd 7th,
2009.
Wicaksono P. 2010. Integrated Model of Water Column Correction Technique
for Improving Satellite-Based Benthic Habitat Mapping. Master Thesis.
Faculty of Geography Gadjah Mada University, Yogyakarta.

332|GeomatikaSARNasional(GeoSARNas)2011
Kajian Daya Dukung Pesisir untuk Pengembangan Wisata Bahari di
Pulau Hari, Provinsi Sulawesi Tenggara

Suharto Widjojo
Badan Koordinasi Survei dan Pemetaan Nasional (BAKOSURTANAL). Jalan Raya
Jakarta-Bogor, Km. 46, Cibinong 16911, Indonesia.

Email :
suharto_widjojo@yahoo.com

Abstrak. Setiap upaya mengembangkan suatu pesisir, perlu mengenali potensi

sumberdaya maupun dayadukung lingkungan (karakteristik pantai) serta gejala alam di
sekitarnya, agar dapat dilakukan penyesuaian dalam desain perencanaan untuk
memperkecil biaya ataupun resiko terhadap dampak pengembangan di kemudian hari.
Pulau Hari merupakan pulau kecil yang terletak di Kabupaten Konawe selatan, Provinsi
Sulawesi Tenggara. Pulau tersebut tidak berpenduduk dan sekilas tidak ada
manfaatnya. Namun demikian, ternyata pantai di Pulau Hari dikelilingi oleh terumbu
karang yang indah dengan pantai berpasir putih, air laut yang jernih bagai kaca, dengan
suhu berkisar 28 - 34C. Daerah tersebut dapat dijangkau sekitar 1 jam dengan perahu
atau 30 menit dengan kapal cepat dari pelabuhan Kenari. Tujuan penelitian untuk
mengkaji daya dukung lingkungan pesisir Pulau Hari untuk pengembangan wisata bahari
khususnya selam dan snorkeling. Metode yang digunakan dalam penelitian ini adalah: 1)
identifikasi bentuk dan hamparan karang; 2) identifikasi jenis wisata bahari yang sesuai
dengan pendekatan Indek Kesesuaian Wisata (IKW); 3) estimasi jumlah wisata dan daya
dukung sosial serta 4) estimasi nilai ekonomi kegiatan wisata. Hasil yang diperoleh
adalah sebagai berikut: Di kawasan terumbu karang terdapat binatang laut yang menarik
seperti Kelinci Laut atau biasa dikenal Nudibranch dan Electrik Clamp, yang bentuknya
seperti kerang laut, yang dapat mengeluarkan cahaya pada malam hari. Hewan tersebut
dijumpai pada kedalaman 6-8 meter. Area terumbu karang lebih luas dari wilayah
daratan Pulau Hari dan sangat sesuai untuk snorkeling, ditambah rona laut sangat cerah
sampai kedalaman 10 meter di bawah permukaan. Hasil IKW perairan Pulau Hari
menunjukkan perairan tersebut cukup sesuai untuk wisata selam dan snorkeling serta
Nilai ekonomi wisata dapat mencapai lebih dari Rp 200 juta/th dengan asumsi Daya
Dukung Kawasan/DDK sebanyak 985 orang.

Katakunci: Daya dukung kawasan pesisir, wisata selam dan snorkeling

GeomatikaSARNasional(GeoSARNas)2011.|333
Abstract. Any effort to develop a coastal area, it is necessary to recognize the potential
resource and environmental carrying capacity (characteristics of the coast) as well as its
natural phenomena around them, so that, an adjustments can be made to minimize the
cost or risk to the impacts of future developments. Hari Island is a small island located
in South Konawe District, Southeast Sulawesi Province, this area is not populated and
looks unbeneficial. However, it turns out that the beach on the Hari Island's surrounded
by beautiful coral reefs as well as white sand. The sea water is crystal clear in a
temperature range 28-34 C. The area can be reached about 1 hour by boat or 30
minutes by speed boat from the Port of Kenari. The goal of the study is to make
assessment of the carrying capacity of coastal environments of Hari Island for marine
tourism development, especially for diving and snorkeling. The method used are as
follows: 1) identify the shape and stretch of reefs; 2) identify types of marine tourism
that can be approached by formula Tour Suitability Index (TSI); 3) estimation of the
number of visitors and social carrying capacity; and 4) estimation of the economic value
of tourism activities. The results obtained are as follows: In the area of coral reefs
there are marine type of fish for example, Sea Rabbits, or commonly known Nudibranch
and Electric Clamp, which is shaped like sea shells, which can illuminate at night. These
type of fishs can be found in the depth of 6-8 metres from the water surface. Moreover,
these areas are good for snorkeling. The water is very bright until as depth as 10 meters
below the surface; The TSI of Hari Island is quite suitable for diving and snorkeling
activities; and The economic value of tourism could reached more than IDR 200
millions/year assuming Carrying Capacity Regions (CCR) as many as 985 people.

Keywords: Carrying capacity of coastal areas, diving and snorkeling tours

334|GeomatikaSARNasional(GeoSARNas)2011
Latar Belakang
Kawasan pesisir merupakan kawasan peralihan antara ekosistem darat dan
laut. Pengembangan wisata bahari dapat dilakukan di kawasan pesisir yang
bersifat lindung maupun kawasan pengembangan budidaya. Khusus untuk
kawasan lindung luas kawasan yang dapat digunakan sekitar 10 % dari luas
kawasan pemanfaatan dan harus memenuhi beberapa persyaratan yang telah
ditetapkan ( PP No 18 tahun 1994). Konsep pengembangan pariwisata
berkelanjutan dapat dikatakan bahwa persepsi seseorang dalam menggunakan
ruang pada waktu yang bersamaan atau persepsi pemakai kawasan terhadap
kehadiran orang lain secara bersamaan dalam memanfaatkan area tertentu (Mc
Lead and Cooper, 2005).

Langkah penetapan lokasi sebagai kawasan wisata bahari yang harus

berkelanjutan, dilaksanakan dengan mengkaji kelayakan dan daya dukung
kawasan. Kelayakan kawasan untuk pengembangan wisata bahari berdasarkan
pada potensi sumberdaya alam yang ada, dan parameter peruntukan jenis
wisata bahari dalam hal ini wisata selam dan snorkeling. Kegiatan wisata bahari
dalam Harrioke (1995), secara umum berdampak pada 3 aspek yaitu daya
dukung lingkungan fisik, sosial dan ekomomi. Daya dukung fisik kawasan
bahari didasarkan pada pemikiran pengukuran lingkungan yang memiliki
kapasitas maksimal untuk mendukung suatu pertumbuhan biotik/organisme.
Daya dukung sosial yang dipengaruhi oleh keberadaan infrastruktur, wisatawan,
budaya / norma-norma yang berlaku dalam suatu kawasan, dan keamanan.
Daya dukung ekonomi merupakan tingkat skala usaha yang memberikan
keuntungan kepada masyarakat lokal maupun pemerintah.

Pada dasarnya manusia mempunyai kebutuhan berwisata disamping kebutuhan

pokok seperti pangan, sandang, papan, serta kesejahteraan. Faktor pariwisata
yang mempengaruhi manusia berwisata atas dasar tujuan : kegemaran khusus
/ hobi, waktu luang / refressing, ketersedian dana, jarak lokasi, keamanan pada
lokasi pariwisata. Pengembangan wisata bahari yang utama adalah memotivasi
agar banyak pengunjung datang. Variabel yang perlu untuk dianalisis dalam
pengembangan pariwisata adalah karakter lingkungan alam, budaya dan
perilaku sosial, ekonomi masyarakat wilayah pesisir dan sekitarnya. Juga
aksesibilitas dan infrastruktur yang tersedia dan produk wisata yang bisa
ditawarkan. Pedoman Pengembangan Pariwisata Pedesaan (2009), bahwa

GeomatikaSARNasional(GeoSARNas)2011|335
pengembangan lokasi pariwisata perlu diperhatikan dampak negatif
kemungkinan terjadi, dapat diantisipasi sedini mungkin.

Pengembangan pariwisata pada suatu pesisir, perlu mengenali potensi

sumberdaya alam, maupun daya dukung lingkungan pesisir serta gejala alam di
sekitarnya. Kajian dilakukan untuk penyesuaian desain perencanaan agar dapat
memperkecil biaya ataupun resiko terhadap dampak pengembangan pariwisata
di kemudian hari. Pengembangan lokasi pariwisata diharapkan mampu
merevitalisasi perekonomian di wilayah pesisir. Sektor pariwisata merupakan
pilihan dalam meningkatkan pendapatan daerah dan pendistribusian potensi
wilayah pesisir serta penyerapan tenaga kerja lokal .

Pulau Hari merupakan pulau kecil yang terletak di Kecamatan Laonti,

Kabupaten Konawe Selatan, Provinsi Sulawesi Tenggara. Lokasi pulau terletak
pada koordinat 4 02 '19 LS dan 122 46' 38 BT. Pulau tersebut tidak
berpenduduk dan sekilas tidak ada manfaatnya. Potensi sumber daya alam
Pulau Hari ternyata dikelilingi oleh terumbu karang yang indah dengan pantai
berpasir putih, air laut yang jernih bagai kaca, dengan suhu berkisar 28 -
34C. Daerah tersebut dapat dijangkau sekitar 1 jam dengan perahu, atau 30
menit dengan kapal cepat dari pelabuhan Kendari. Pada lokasi diving terdapat
sejumlah ikan bergerak kesana kemari seakan minta diajak bermain. Bintang-
bintang laut yang besar bertebaran dalam warna-warna rupawan. Beberapa
clown fish lucu mirip Nemo, banyak dijumpai di wilayah tersebut. Adapula jenis
ikan Marga Pomacentridae, Marga Gobii, Marga Pomachantidae dan ikan
Angel. Beberapa jenis ikan yang masuk dalam kategori hampir punah ada di
perairan Pulau hari, diantaranya ikan Sunu, Kerapu, Sotong, Gurita, Lobster,
dan jika beruntung, pengunjung bisa melihat atraksi penyu. Binatang laut yang
tak kalah menarik adalah, Kelinci Laut atau biasa dikenal dengan Nudibranch
dan Electrik Clamp, bentuknya adalah kerang laut yang mengeluarkan cahaya
pada malam hari. Hewan ini, bisa dijumpai pada kedalaman enam hingga
delapan meter ( Abdul Saban, 2010).

Kondisi fisik P. Hari dan sekitarnya dapat diidentifikasi dengan citra

penginderaan jauh. Sehingga dapat membantu memberikan informasi dalam
menganalisis kemampuan daya dukung pesisir untuk pengembangan wisata
bahari khususnya selam dan snorkeling. Sebaran lokasi P. Hari seperti dalam
gambar 1. Permasalahan yang dapat muncul pada wisata kawasan P. Hari
adalah kerusakan lingkungan terumbu karang. Hal ini perlu pengawasan dan

336|GeomatikaSARNasional(GeoSARNas)2011
pembinaan karena dikawatirkan timbul kerusakan terumbu karang dan
mengurangi daya tarik obyek wisata. Adanya otonomi daerah, menjadikan
pengelolaan P. Hari diserahkan pada Pemerintah Kabupaten Konawe Selatan.
Sampai saat ini dukungannya terhadap pengembangan wisata daerah tersebut
minim sekali. Pengelolaannya di lakukan oleh Badan Pariwisata Provinsi dalam
membantu Corona Diving Club Kendari untuk mempromosikan pulau tersebut
ke event Nasional., mengikuti kegiatan di Jakarta antara lain berperan serta
dalam pameran potensi wisata Pulau Hari di ajang Nasional. Dalam
pengembangan pariwisata Pemerintah membutuhkan dana yang besar
sehingga perlu dikaji daya dukung kawasan pesisir P. Hari untuk
pengembangan wisata bahar.

Gambar 1. Lokasi Wisata Bahari di P. Hari

Tujuan penelitian adalah untuk mengkaji daya dukung lingkungan pesisir Pulau
Hari untuk pengembangan wisata bahar.

Metode dan data yang digunakan

Pendekatan teknologi penginderaan jauh dengan citra Landsat ETM Tahun
2005 dan download Geoeye Tahun 2010. Teknologi ini untuk identifikasi
sebaran hamparan karang dalam sampel, dibantu dengan data sekunder
berupa data komponen karang dari KSDA (Konservasi Sumber Daya Alam)
Provinsi Sulawesi Tenggara Tahun 2008.

GeomatikaSARNasional(GeoSARNas)2011|337
Untuk mengkaji daya dukung kawasan pesisir dengan pendekatan Indek
Kesesuaian Wisata (IKW) berdasar rumus dari Yulianda (2007), yang menilai
kemampuan daya dukung kawasan pesisir khususnya selam dan snorkeling.
Daya dukung kawasan pesisir yang layak untuk penyelaman selama 2 jam
wisata bahari selam 1000 m perorang, dan untuk wisata snorkeling 500 m
perorang. Bobot tiap parameter IKW atau Indek Kesesuaian Wisata (tingkat
kepentingan). Selain itu tiap parameter juga diberi skor berdasar kualitas tiap
parameter menggunakan rumus :

IKW = (Ni / Nmax) x 100%

Ni = nilai parameter yang ke i ( bobot x skor)
Nmak = nilai maksimun dari suatu katagori wisata

Daya dukung sosial dengan pendekatan multi-atribut dan penilaian ekonomi

dihitung dari pendugaan besarnya rerata biaya perjalanan yang dilakukan
wisatawan dikalikan banyaknya kunjungan (Barton, 1994). Data permintaan
kunjungan wisata dapat dilihat pada travel-travel atau Biro Perjalanan Wisata
setempat. Untuk menilai daya dukung kawasan pesisir terlebih dulu dinilai
parameter kelayakan kawasan pesisir yang dikembangkan untuk kegiatan
wisata bahari. Adapun parameter kelayakan kawasan pesisir ialah kedalaman
perairan; kecerahan peairan; hamparan terumbu karang; kedalaman terumbu
karang; jenis ikan karang; kondisi sosial-ekonomi masyarakat disekitarnya

Pengembangan wisata bahari secara berkelanjutan bisa terlaksana apabila ada

dukungan sosial dari masyarakat meliputi keamanan, penerimaan masyarakat
lokal, dukungan pemerintah, sarana transportasi, peruntukan kawasan,
ketersediaan peralatan wisata, akomodasi dan persediaan air tawar/ bersih.
Penilaian diberikan tergantung peran serta masyarakat yang dianggap penting.
Dukungan sosial diberikan bobot 1, 3, dan 5. Bobot 5 berarti sangat penting
berupa keamanan dan penerimaan masyarakat lokal; bobot 3 adalah cukup
penting yaitu dukungan pemerintah/ kebijakan pemerintah memanfaatkan suatu
kawasan, dan sarana transportasi; bobot 1 tanpa ada alat kelengkapan
wisatawan, akomodasi dan persediaan air tawar, namun wisata bahari masih
dapat dilakukan dengan skor sesuai katagori kepentingan.

338|GeomatikaSARNasional(GeoSARNas)2011
 Tabel 1. Jenis data dan cara pengambilannya
No Komponen data Metode pengambilan Sumber data
1 Biofisik
Sebaran tutupan karang Interpretasi citra, data Data pendukung
sekunder
Jenis pertumbuhan karang Interpretasi citra, data Data pendukung
sekunder
Jenis dan jumlah ikan karang Data sekunder KSDA Prov Sultra
Kedalaman terumbu karang Interpretasi citra, data Data pendukung
sekunder
Kecepatan arus download Google
Kecerahan perairan Interpretasi citra, data Data pendukung
sekunder
2 Sosial ekonomi
Presepsi masyarakat dan jumlah Data sekunder/ wawancara BPS, Travel Pelayanan
pengunjung Wisata
3 Data pendukung Citra download Google
Penginderaan jauh Geoeye
2010 dan Landsat ETM 2005
Setelah diketahui daya dukung tiap komponen-komponen tersebut, kemudian
dinilai kemampuan daya tampungnya seperti alur pikir dalam gambar 2, berikut

Hamparan terumbu
karang, kedalaman
Kelayakan Fisik
keberadaan terumbu
Sumberdaya untuk pariwisata :
karang, jenis ikan
Alam Daya dukung
karang, kecerahan
lingkungan / SDA
perairan, kecepatan
arus

Kawasan pesisir Pelaksanaan.

Keamanan,perilaku
Kelayakan
sosial masyarakat
Sumberdaya Sosekbud untuk
lokal,penyediaan jasa
Sosial- pariwisata :
transportasi,akomodasi
Ekonomi Daya dukung
dan konsumsi, macam
sosek
obyek wisata lain .

Gambar 2. Alur Pikir Kajian Daya Dukung Pesisir untuk Pariwisata

GeomatikaSARNasional(GeoSARNas)2011|339
Pembahasan
Berdasarkan analisis data citra penginderaan jauh Geoeye Tahun 2010 setiap
sampel seperti dalam gambar kawasan wisata Pulau Hari.

SEBARAN ANALISIS CITRA DAN SAMPEL LAPANGAN

1 2
7

6 3

4
5

Keterangan : 1 7 lokasi pengukuran untuk analisis

Gambar 3. Analisis Citra dan Sampel pengukuran.

Sebaran sampel dan data sekunder dari KSDA Provinsi Sulawesi Tenggara
tahun 2008 kondisi komunitas karang, kualitas perairan, hamparan terumbu
karang di pesisir Pulau Hari yang hidup pada kedalaman sekitar 3 - 10 m dpl
setiap sampel dapat dilihat tabel 2 sebagai berikut:

Tabel 2. Kualitas Perairan

Lebar hamparan
Pengambilan Kecepatan
No Warna digambar tutupan karang Kecerahan
sampel arus (cm/dt)
(m)
1 Sampel nomor 1 Biru muda 172 .75 7.00 Cerah
2 Sampel nomor 2 Biru tua 183,30 3.80 Cerah
3 Sampel nomor 3 Coklat muda 99.44 2.80 Cerah
4 Sampel nomor 4 Coklat muda bintik 11.8 6.10 Cerah
putih

340|GeomatikaSARNasional(GeoSARNas)2011
 Lebar hamparan
Pengambilan Kecepatan
No Warna digambar tutupan karang Kecerahan
sampel arus (cm/dt)
(m)
5 Sampel nomor 5 Coklat tua 43,35 6.00 Cerah
6 Sampel nomor 6 Putih bintik2 coklat 164 10.00 Cerah
7 Sampel nomor 7 Coklat kehitaman 90,25 6.20 Cerah
Sumber: KSDA Prov Sultra 2008 dan hasil Interpretasi Citra Landsat ETM 2005 dan Geoeye
2010
Dari tabel tersebut lokasi 2 yang berwarna biru tua hamparan karangnya luas
dengan kecepatan arus rendah yaitu 3,80 cm /detik Untuk lokasi 6 yang
berwarna putih bintik coklat kecepatan arusnya makimal 10 cm/detik Lokasi
yang biru muda sampai tua kecepatan arus maksimal 7 cm/dt. Bila dilihat
secara keseluruhan kecepatan arus di P. Hari dan sekitarnya tidak terlalu deras
sedang apabila kecepatan arus lebih dari 50 cm/dt tidak dapat dimanfaatkan
untuk kegiatan wisata bahari baik selam maupun snorkeling.

Kecerahan perairan juga merupakan salah satu parameter yang mempengaruhi

pandangan para penyelam maupun snorkeling untuk melihat obyek wisata
yang ada dibawah laut. Kecerahan untuk perairan P. Hari dan sekitarnya cerah
berarti sinar matahari mampu menembus sampai obyek wisata bahari dan
dapat dilihat pada foto lapangan (gambar 4).

P. Hari Perairan P. Hari Perairan P Hari dengan pasirnya

yang putih

Gambar 4. Kondisi Lapangan P. Hari

Hamparan karang berdasar citra landsat ETM tahun 2005 dan citra Geoeye
tahun 2010, di P. Hari mencapai areal cukup luas 25.000 Ha. Dari data
tersebut dapat diperkirakan daya dukung para penyelam dan snorkeling adalah
1.666 orang. Dalam mengelola wisata bahari ini perlu diantisipasi agar
terumbu karang dilestarikan jangan sampai mengalami kerusakan. Dengan

GeomatikaSARNasional(GeoSARNas)2011|341
jalan membatasi para penyelam, obyek wisata akan terselamatkan kondisinya.
Ada kekawatiran bahwa semakin banyak penyelam maka tingkat kerusakan
semakin tinggi

Berdasar data dari KSDA Prov Sultra tahun 2008, jenis ikan yang ada di
kawasan karang pesisir P.Hari pada kedalaman 3 m ada 18-30 jenis dan pada
kedalaman 10 m ada 16-32 jenis. Tingkat kehidupan karang dipesisir P. Hari
di atas 50 % sehingga kelayakannya untuk wisata bahari masih tergolong cukup
tinggi, apabila dilihat dari 6 (enam) parameter kawasan pesisir P. Hari, yaitu
tingkat kehidupan karang, kedalaman karang, kecerahan perairan, kecepatan
arus, hamparan karang, jumlah jenis ikan yang ada di karang. Gambaran
kawasan pesisir P. Hari dan sekitarnya seperti dalam data berikut :

Tabel 3. Komponen kawasan pesisir P. Hari dan sekitarnya.

Parameter kawasan
No Hasil olahan
perairan
1 Kedalaman terumbu 3 dan 10 m dpl
karang
2 Kecerahan cerah
3 Kecepatan arus 2-10 cm/dt
4 Jumlah jenis ikan 12-30
5 Kehidupan karang diatas 50%
6 Tutupan karang mampu menampung 1.666 orang penyelam dg asumsi 1 x
trip/tahun
Potensi alam seperti tersebut diatas dapat dikatakan daya dukung fisik kawasan
pesisir cukup mendukung untuk dikembangkan wisata bahari terutama selam
dan snorkeling. Sebaran wisata bahari di P. Hari seperti dalam gambar 5.

342|GeomatikaSARNasional(GeoSARNas)2011
 Kawasan Wsata Bahari
P. Hari dari citra Geoeye
Laut Banda

U
Sela

Sela Selam

Sela Selam
n
Selam
n
-- 0402'19"
n LS
n

I
Sela
Laut Banda
n

Gambar 5. Kawasan Wisata Bahari P. Hari

Daya dukung sosial dan masyarakat untuk kegiatan wisata bahari meliputi
keamanan, penerimaan masyarakat lokal, dukungan pemerintah, sarana
transportasi, peruntukan kawasan, ketersediaan peralatan wisata, akomodasi
dan persediaan air tawar/ bersih Adapun tingkat daya dukung sosial P. Hari
dan sekitarnya seperti tabel 4 sebagai berikut:

Tabel 4. Daya dukung sosial wisata bahari P. Hari

No Parameter sosial Bobot Skor Nilai
1 Keamanan, tak ada sara, mayoritas penduduk Islam 5 2 10
2 Penerimaan masyarakat lokal 5 1 5
3 Dukungan pemerintah, hanya promosi media 3 1 3
4 Peruntukan kawasan (belum ditentukan sebagai kawasan 3 0 0
tertentu)
5 Sarana taman laut 3 1 1

GeomatikaSARNasional(GeoSARNas)2011|343
No Parameter sosial Bobot Skor Nilai
6 Ketersediaan pelengkapan wisata (tersedia di setiap Dinas 1 1 1
terkait)
7 Akomodasi (tak ada peruntukan khusustapi ada rumah 1 1 1
pendudukdi mainland tersedia untuk peristirahatan
wisatawan).
8 Ketersediaan air tawar (tersedia di mainland) 1 1 1
Total 22
Nilai maksimum untuk daya dukung sosial
wisata bahari 24
Daya Dukung sosial P. Hari 90%
Dari tabel tersebut dapat dilihat
Penilaian keamanan dengan skor 2 karena tak ada sara dan mayoritas
penduduk di mainland adalah Islam sehingga tak ada konflik agama
dan diberi skor 2.

Penerimaan masyarakat lokal terhadap kehadiran wisatawan ke P.

Hari cukup menerima karena tidak terganggu dan tidak merasa
dirugikan sehingga dinilai dengan skor 1

Dukungan pemerintah. Semenjak dikelola Kab Konawe selatan belum

ada dukungan yang memadai. Yang ada dukungan promosi dari
Pemprov Sultra oleh Dinas Pariwisata Provinsi Sulawesi Tenggara,
sehingga dinilai dengan skor 1

Peruntuksn kawasan.Sampai saat ini pemerintah belum menetapkan

peruntukan kawasan sehingga nilai skor zero

Sarana taman laut. Untuk transportasi menuju obyek wisata belum ada
yaang reguler. Ada transportasi non reguler dalam seminggu 3-4 kali
dengan angkutan laut milik masyarakat sehingga mendapat skor 1

Ketersediaan perlengkapan wisata. Perlengkapan wisata terutama

wisata selam dan snorkeling, sampai saat ini belum ada yang mau
mengusahakan.Umumnya wisatawan memperoleh dari instansi terkait
di mainland sehingga mendapat skor 1.

Akomodasi. P. Hari adalah pulau kecil tak berpenghuni dan pemerintah

provinsi pernah mengusahakan tetapi sekarang sudah rusak..Untuh

344|GeomatikaSARNasional(GeoSARNas)2011
 tempat istirahat ada tersedia rumah penduduk di mainland sehingga
mendapat skor 1

Ketersediaan air tawar. Umumnya wisatawan membeli air tawar untuk

kebutuhannya dibeli dari mainland sehingga diberi skor 1

Dari penilaian tiap parameter daya dukung sosial mencapai 90 % dan dapat
dikatakan cukup mendukung untuk pengembangan wisata bahari.

Pendugaan nilai ekonomi wisata bahari di P. Hari, dilakukan dengan perkalian

biaya rerata perjalanan yang dikeluarkan pengunjung ke obyek wisata dikalikan
jumlah kunjungan selama satu tahun (berdasar Barton 1994). Biaya perjalanan
yang dikeluarkan pengunjung 250.000 dan daya dukung kawasan 1.666 maka
pendapatan menjadi 266.500.000 dengan asumsi dalam 1 tahun melakukan
kunjungan 1 x. Pendapatan tersebut belum termasuk karcis masuk kawasan
wisata karena belum ada yang mengelola baik pemerintah maupun swasta.
Dilihat asumsi tersebut jadi dampak terhadap pertumbuhan ekonomi positif
untuk bisa dikembangkan wisata bahari.

Kesimpulan
Hasil kajian daya dukung kawasan perairan P. Hari untuk pengembangan
pariwisata adalah sebagai berikut:

Tingkat kehidupan karang masih tinggi diatas 50 %, kondisi ekosistem

P Hari cukup baik untuk dikembangkan wisata bahari terutama wisata
selam dan snorkeling

Daya dukung kawasan pesisir, hamparan karang perairan luas dan

mampu menampung wisatawan diatas 1000 orang /tahun dengan
asumsi kujungan wisata 1x per tahum

Daya dukung sosial dan persepsi masyarakat untuk pengembangan

wisata bahari cukup mendukung

Nilai ekonomi pertahun diatas 200 juta dengan asumsi kunjungan per
orang 1 x dalam setahun.

Perlu pengelolaan yang baik dan penambahan sarana dan prasarana,

untuk mendukung wisata di P Hari

GeomatikaSARNasional(GeoSARNas)2011|345
Daftar Pustaka

Abdul Saban, 2010, Tantangan memikat P. Hari, M3 Sulawesi Comunication

Network, Kendari, Sulawesi Tenggara
Barton, N.D, 1994, Ecanomic Factors and Evaluation of Tropical Coastal
Resources, SMR-Report 14/94. Universitatet Bergen. Senter for Miljo-OG
Ressursstudier.
Badan Pengembangan Sumberdaya Kebudayaan dan Pariwisata, 2009,
Pedoman Pengembangan Pariwisata Pedesaan Terpadu Dan
Berkelanjutan. Industri Pariwisata, ISBN 978-979-1440-40-0, Jakarta.
Harriott, V.J, 1995, Marine Tourism Impact and Technical Report, CRC Reef
Reearch Centre and James, Cook Univercity, England
Mclead, M and J.A.G. Cooper, 2005, Carrying Capacity in the Coastal Area.
Encyclopedia of Coastal Sciences, Springer, England
KSDA, 2009, Komponen Karang Kep Saponda, P. Hari, KSDA Provinsi
Sulawesi Tenggara., Kendari
Yulianda F, 2007, Ekowisata Bahari sebagai Alternatif Pemanfaatan
Sumberdaya Pesisir Berbasis Konservasi. Makalah disampaikan dalam
Seminar Sains pada Departemen Managemen Sumberdaya Pesisir. IPB,
Bogor

346|GeomatikaSARNasional(GeoSARNas)2011
 Aplikasi MapWindowSWAT untuk memprediksi Hidrologi di DAS
Cirasea, Jawa Barat

1 1,2 3
Sri Malahayati , Kukuh Murtilaksono , Mahmud A. Raimadoya
1
Pusat Penelitian Lingkungan Hidup-IPB, Email: malahayati10@gmail.com
2
Departemen Ilmu Tanah dan Sumberdaya Lahan-IPB, murtilaksono@yahoo.com
3
Departemen Teknik Sipil dan Lingkungan-IPB, mud@indo.net.id

Abstract. SWAT (Soil Water Assessment Tools) is a watershed-scale hydrologic model

that use to predict the hydrology of a watershed. Application of this model in the
tropics is largely determined by the availability of adequate input data. The research
was conducted in Cirasea Watershed, Bandung, West Java with total area 6,832 ha. The
aim of this research was to apply SWAT model for the prediction of hydrology at Cirasea
Watershed. Model was calibrated using daily discharge flow data from January 1th to
April 23th. The highest discharge is equal to 23.51 m3/s and the water yield was 663.88
mm. Calibration process is done by adjusting seven parameters sensitive i.e surlag,
MSK_Col1, MSK_Col2, alpha BF, CH_K2, CH_N1 and ESCO. Correlation between the
observation and model was R2 = 0.7527 with Nash-Sutcliffe efficiency = 0.737. This
suggests that the model is quite accurate to predict discharge at Cirasea Watershed. In
addition, the t-student test showed that the hypothesis 0 is accepted. It means that
there is no difference between the discharge of model and observation. Thus, SWAT
model could be well received for simulation of watershed management in Indonesia.

Keywords: SWAT, hydrology, calibration.

GeomatikaSARNasional(GeoSARNas)2011.|347
Pendahuluan
SWAT merupakan model hidrologi skala DAS yang dikembangkan oleh Dr. Jeff
Arnold untuk United State Department of Agriculture (USDA) pada awal tahun
1990-an. SWAT dikembangkan untuk memprediksi dampak praktek
pengelolaan lahan terhadap air, sedimen, dan bahan kimia pertanian yang
masuk ke sungai atau badan air pada suatu DAS yang kompleks (Neitsch et al.
2005). Aplikasi SWAT di beberapa negara tropis beberapa tahun terakhir ini
mengalami perkembangan yang pesat diantaranya untuk memprediksi aliran
sungai karena perubahan penggunaan lahan dan prediksi aliran permukaan
(Guo et al. 2008; He at al. 2008). Hal tersebut terutama dikarenakan SWAT
telah terintegrasi dengan data spasial.

Penggunaan SWAT di Indonesia dapat dikatakan relatif masih rendah. Hal ini
dikarenakan ketersediaan data yang berbeda dengan daerah sub tropis dimana
model ini diciptakan. Oleh karena itu, perlu suatu usaha dimana SWAT dapat
diterapkan dengan baik di Indonesia. Beberapa diantaranya yaitu penyediaan
data input yang memadai untuk SWAT seperti data tanah, iklim dan
penggunaan lahan serta data hidrologi. Selain itu, SWAT perlu dikalibrasi untuk
mengetahui tingkat penerimaan model tersebut.

Berdasarkan latar belakang di atas, maka tujuan penelitian ini adalah

mengaplikasikan model MWSWAT pada DAS Cirasea untuk prediksi hidologi.
Dengan demikian diharapkan bahwa model ini dapat diterima dengan baik
sehingga dapat digunakan untuk memprediksi dan melakukan simulasi
pengelolaan DAS di Indonesia.

Daerah Penelitian
Penelitian dilaksanakan di DAS Cirasea yang berada di kawasan hulu DAS
Citarum. Secara geografis daerah penelitian terletak pada 0703'02''-0717'15''
LS dan 10737'00''-10743'10''BT dan secara administratif termasuk ke dalam
wilayah Kabupaten Bandung Selatan, Provinsi Jawa Barat. Luas daerah
penelitian adalah 6,832 ha. Lokasi penelitian disajikan pada Gambar 1.

348|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 6. Lokasi Daerah Penelitian

Daerah penelitian memiliki tipe iklim D yaitu adanya bulan basah (curah hujan
bulanan > 100 mm) selama 6 bulan dan bulan kering (curah hujan bulanan <60
mm) selama 4 bulan. Curah hujan yang jatuh di daerah ini sangat bervariasi
yaitu antara 1,057 mm hingga 2,535 mm (Gambar 2). Temperatur maksimum
rata-rata bergerak antara 27,81C 30,09C dan minimum rata-rata 18,10C
19,96C. Rata-rata radiasi matahari bulanan di daerah penelitian sebesar 14,66
2
MJ/m /hari dan kelembaban udara sebesar 78%.

GeomatikaSARNasional(GeoSARNas)2011|349
 Gambar 1. Curah Hujan Tahunan DAS Cirasea Tahun 1993-2007

Topografi daerah penelitian bervariasi dari datar hingga bergunung, dengan

bentuk lahan dataran, perbukitan, kipas alluvial, kerucut dan lungur volkan.
Penyebaran kelas lereng di daerah penelitian dianalisis dari peta DEM 30 meter
(Tabel 1) dan dikelompokkan dari datar hingga sangat curam. Berdasarkan
Tabel 1 diketahui bahwa daerah penelitian didominasi oleh lereng sangat
curam, tersebar di bagian hulu DAS.

Tabel 1. Kelas Lereng DAS Cirasea

Kelas Lereng (%) Luas (ha)
0-8 1,174
8 - 15 816
15 - 25 1,227
25 - 40 1,381
> 40 2,234
Total 6,832
Jenis tanah di daerah penelitian terdiri 3 ordo yaitu Inceptisols, Mollisols dan
Alfisols yang terbagi ke dalam 15 SPT (PUSLITTANAK 1993). Penyebaran
tanah-tanah tersebut disajikan pada Gambar 3. Penggunaan lahan hasil
pengamatan lapang di daerah penelitian terdiri dari semak belukar, pemukiman,
hutan, kebun campuran/tegalan dan sawah (sawah tadah hujan dan sawah
irigasi).

350|GeomatikaSARNasional(GeoSARNas)2011
 Gambar 2. Peta Tanah DAS Cirasea

Bahan dan Metode

Bahan yang digunakan dalam penelitian ini adalah peta tanah tinjau mendalam
skala 1:100.000 (PPT 1998), peta DEM (Digital Elevation Model), citra SPOT 4
tahun 2007, data debit aliran, data saluran sungai, data iklim, dan data sifat fisik
tanah. Peralatan yang digunakan adalah GPS (Global Positioning System),
komputer dengan perangkat lunak MapWindow46SR, MWSWAT versi 1.5,
ArcView3.3, ERDAS Imagine versi 8.6 dan Microsoft Office.

Prosedur Analisis
Penelitian dilakukan melalui 3 tahap yaitu pengumpulan data, analisis data dan
kalibrasi model. Analisis data meliputi analisis citra dan analisis hidrologi.
Analisis citra dilakukan menggunakan program ERDAS Imagine dengan metode
klasifikasi kemiripan maksimum (maximum likelihood classification) dan
interpretasi visual.

Analisis hidrologi DAS Cirasea dilakukan menggunakan model MWSWAT versi

1.5 tahun 2005, meliputi aliran permukaan, aliran dasar, aliran lateral, debit dan

GeomatikaSARNasional(GeoSARNas)2011|351
hasil air DAS. Prosedur analisis hidrologi mencakup deliniasi daerah penelitian,
pembentukan HRU dan penggabungan HRU dengan data iklim.

Pada tahap pertama, daerah penelitian akan dideliniasi berdasarkan batas

topografi menggunakan data DEM. Pada tahap ini, model akan membagi DAS
menjadi beberapa sub DAS dimana setiap sub DAS memiliki satu jaringan
sungai utama. Metode yang digunakan untuk mendeliniasi daerah penelitian
adalah threshold area. Nilai treshold yang digunakan akan menentukan
pembentukan jaringan sungai utama dan anak sungai, yang kemudian akan
menentukan jumlah sub DAS yang terbentuk.

Pada tahap kedua, masing-masing sub DAS dibagi menjadi beberapa HRU
(Hydrological Response Unit) yang menggambarkan kombinasi dari jenis tanah
dan penggunaan lahan. Metode yang digunakan adalah threshold by
percentage. Metode ini digunakan untuk menentukan seberapa besar luas
tanah dan penggunaan lahan yang akan diabaikan oleh model dalam
pembentukan HRU. Tahap terakhir dari model ini yaitu penggabungan HRU
dengan data iklim.

Persamaan yang digunakan dalam SWAT untuk memprediksi karakteristik

hidrologi yaitu metode SCS Curve Number.

2
( Rday I a )
Qsurf=
( Rday I a S )

dimana Qsurf adalah jumlah aliran permukaan pada hari i (mm), Rday adalah
jumlah curah hujan pada hari tersebut (mm), Ia adalah kehilangan awal akibat
simpanan permukaan, intersepsi dan infiltrasi (mm) dan S adalah parameter
retensi (mm).

Kalibrasi Model SWAT

Proses kalibrasi model dilakukan dengan menggunakan persamaan Nash-
Sutcliffe (Ahl et al. 2008) sebagai berikut:

352|GeomatikaSARNasional(GeoSARNas)2011


2

y y
NS = 1 -



y y
2


dimana y adalah debit aktual yang terukur (mm), adalah debit hasil simulasi

(mm), dan y adalah rata-rata debit terukur. efisiensi model nash-sutcliffe

dikelompokkan menjadi 3 kelas yaitu : 1) baik, jika NS 0,75, 2) memuaskan,
jika 0,75 >NS > 0,36, 3) kurang memuaskan, jika NS < 0,36. Selain itu juga
dilakukan perhitungan statistik (Sudijono 1986) dengan metode t hitung (t-
student) dengan hipotesis:

H0 = tidak terdapat perbedaan antara debit hasil prediksi model dan debit
observasi.

H1 = terdapat perbedaan antara debit hasil prediksi model dan debit observasi.

H0 diterima apabila t hitung lebih kecil dari t tabel pada taraf signifikansi 5%.

Adapun persamaan yang digunakan untuk menghitung t hitung adalah :

MD
t0
SEM D
dimana to adalah t hitung, MD adalah mean of different (rata-rata hitung
dari selisih antara skor variabel i dan variabel ii) dan SEMD adalah standart
error of mean different .

Hasil dan Pembahasan

Penggunaan Lahan DAS Cirasea
Penggunaan lahan di suatu daerah dapat diketahui melalui beberapa cara
diantaranya yaitu melalui pengamatan lapang maupun melalui data citra satelit.
Penelitian ini menggunakan citra SPOT 4 tahun 2007 untuk mengetahui
penggunaan lahan DAS Cirasea tahun 2007 beserta luasannya. Berdasarkan
hasil klasifikasi (Gambar 3), terdapat lima jenis penggunaan lahan di DAS
Cirasea yaitu sawah, pemukiman, tegalan, semak dan hutan (Tabel 2) dengan
penggunaan lahan yang dominan adalah tegalan. Persentase luas tegalan

GeomatikaSARNasional(GeoSARNas)2011|353
terhadap luas DAS sebesar 54,61%. Penggunaan lahan dengan luasan terkecil
adalah pemukiman dengan persentase terhadap luas DAS sebesar 4,02%.

Tabel 2. Penggunaan Lahan DAS Cirasea Tahun 2007

Penggunaan Lahan Luas (Ha) % Luas Lahan terhadap Luas DAS
Sawah 1,561 22,85
Pemukiman 275 4,02
Tegalan 3,731 54,60
Semak 621 9,09
Hutan 645 9,44
Luas Total 6,832 100

Pembentukan Sub DAS dan HRU dengan Model MWSWAT

Deliniasi DAS Cirasea dilakukan secara otomatis menggunakan model
MWSWAT dengan data DEM, lokasi DAS dan outlet DAS. Hasil yang diperoleh
dari proses deliniasi berupa peta jaringan sungai, batas DAS dan sub DAS, dan
perhitungan topografi lengkap.

Berdasarkan ambang batas (treshold) yang digunakan (500 ha), terbentuk

jaringan sungai utama DAS Cirasea (Gambar 4) sehingga membentuk 9 sub
DAS dengan total luas DAS 6,832 ha. Luas masing-masing sub DAS hasil
deliniasi disajikan pada Tabel 3.

Gambar 3. Hasil Klasifikasi Penggunaan Lahan DAS Cirasea Tahun 2007

354|GeomatikaSARNasional(GeoSARNas)2011
 Tabel 3. Luas Sub DAS pada DAS Cirasea Hasil Deliniasi Model
Luas
Nama Sub DAS
Ha % DAS
1 Sub DAS 1 576 8,42
2 Sub DAS 2 773 11,32
3 Sub DAS 3 1,457 21,32
4 Sub DAS 4 1,121 16,41
5 Sub DAS 5 2,168 31,73
6 Sub DAS 6 385 5,64
7 Sub DAS 7 98 1,44
8 Sub DAS 8 4 0,06
9 Sub DAS 9 251 3,67
Total 6,832 100,00
Jumlah HRU yang terbentuk pada 9 sub DAS tersebut adalah sebanyak 206
HRU. HRU merupakan unit anlisis terkecil yang digunakan dalam perhitungan
pada model SWAT. Threshold yang digunakan dalam proses pembentukan
HRU adalah masing-masing 5% untuk jenis tanah dan penggunaan lahan.

Gambar 4. Hasil Deliniasi DAS Cirasea dengan Model MWSWAT

GeomatikaSARNasional(GeoSARNas)2011|355
Kalibrasi Model
Model dikalibrasi dengan membandingkan debit hasil perhitungan model
dengan debit hasil pengukuran lapang pada SPAS Cengkrong-Cirasea.
Kalibrasi dilakukan menggunakan data hujan dan debit air tahun 2007 untuk
periode harian yaitu sejak tanggal 1 Januari sampai 23 April 2007.

Hasil simulasi model sebelum kalibrasi menghasilkan nilai efisiensi Nash-

2
Sutcliffe (NS) sebesar 0,398 dan R sebesar 0,5175. Nilai tersebut masih jauh
dari nilai yang diharapkan. Gambar 5 menunjukkan hidrograf hasil model dan
hasil pengukuran sebelum kalibrasi sedangkan Gambar 6 menunjukan hidrograf
hasil model dan hasil pengukuran setelah kalibrasi.

Gambar 5. Debit Simulasi dan Hasil Pengukuran DAS Cirasea sebelum Kalibrasi

Gambar 6. Debit Simulasi dan Hasil Pengukuran DAS Cirasea setelah Kalibrasi

356|GeomatikaSARNasional(GeoSARNas)2011
Parameter yang sangat sensitif pada tahap kalibrasi ini adalah parameter yang
terkait dengan metode penelusuran air di aliran sungai (routing methode),
parameter aliran dasar, parameter pada saluran sungai utama, parameter pada
tingkat sub DAS dan HRU. Setelah kalibrasi dilakukan, nilai NS mencapai 0,737
2
dan R sebesar 0,7527. Adapun input pada masing-masing parameter tersebut
disajikan pada Tabel 4.

Tabel 4. Parameter Input yang sensitif pada Tahap Kalibrasi

No Parameter Input
1. Penelusuran air Surlag, MSK_Col1, MSK_Col2, MSK_X
2. Aliran dasar Gw_delay, BF, Gwqmn, Revapmn
3. Saluran sungai utama CH_K2
4. Sub DAS CH_N1
5. HRU ESCO

Berdasarkan pengelompokan nilai efisiensi model Nash-Sutcliffe, maka nilai

kalibrasi model untuk DAS Cirasea dikatakan cukup memuaskan. Uji kalibrasi
model dengan uji statistik t-student menghasilkan nilai t hitung sebesar 1,54
sedangkan t tabel pada taraf signifikansi 5% adalah 1,98. Dengan demikian
hipotesis nol (H0) dapat diterima yang berarti bahwa tidak terdapat perbedaan
antara debit hasil prediksi model dan debit hasil pengukuran lapang.

Berdasarkan hasil kalibrasi tersebut, maka dapat disimpulkan bahwa model

MWSWAT cukup akurat dan dapat digunakan untuk memprediksi parameter
hidrologi. Beberapa hasil penelitian yang dilakukan di Jawa Barat juga
menunjukkan bahwa model SWAT mampu menggambarkan pengaruh
pengelolaan lahan terhadap hidrologi DAS. Model SWAT juga cukup
memuaskan dalam memprediksi debit sungai dan hasil air DAS Cijalupang,
Bandung, dengan nilai NS sebesar 0,52 (Suryani 2005).

Analisis Hidrologi
Hasil prediksi hidrologi untuk DAS Cirasea dengan data penggunaan lahan
tahun 2007 disajikan pada Tabel 5. Data tersebut merupakan hasil simulasi
untuk periode 1 Januari hingga 23 April 2007.

GeomatikaSARNasional(GeoSARNas)2011|357
 Tabel 5. Prediksi Hidrologi DAS Cirasea Tahun 2007
Parameter Hidrologi Jumlah

Hujan 858

Aliran Permukaan 267,34

Aliran Lateral 31,84

Aliran Dasar 367,27

Debit tertinggi 23,51

Hasil Air 663,88

Kesimpulan
Aplikasi model MWSWAT pada DAS Cirasea dapat dikatakan cukup akurat
2
dengan nilai efisiensi NS sebesar 0,737 dan R sebesar 0,7527. Dengan
demikian, model ini dapat diaplikasikan pada DAS lainnya di Indonesia.

Daftar Pustaka

Guo, H., Q. Hu, and T. Jiang. 2008. Annual and Seasonal Streamflow
Responses to Climate and Land Cover Changes in the Poyang Lake
Basin, China. Journal of Hydrology (2008), 355:106-122.
He, H., J. Zhou and W. Zhang. 2008. Modelling the Impacts of Environmental
Changes on Hydrology Regimes in the Hei River Watershed, China.
Journal of Global and Planetry Change (2008), 61:175-193.
Neitsch, S. L., J. G. Arnold, J. R. Kiniry and J. R. William. 2005. Soil and Water
Assessment Tool : Theoritical Documentation Version 2005. Agricultural
Research Service and Texas Agricultural Experiment Station.
[puslittanak] Pusat Penelitian Tanah dan Agroklimat. 1993. Peta Tanah Tinjau
Mendalam Daerah Citarum Bagian Hulu. Bogor: puslittanak.

358|GeomatikaSARNasional(GeoSARNas)2011
Sudijono, A. 1986. Pengantar Statistik Pendidikan. PT. Raja Grafindo Persada.
Jakarta.
Suryani, E. Optimasi Perencanaan Penggunaan Lahan dengan Bantuan Sistem
Informasi Geografi dan Soil and Water Assessment Tool : Suatu Studi di
DAS Cijalupang, Bandung, Jawa Barat [tesis]. Bogor : Sekolah
Pascasarjana, Institut Pertanian Bogor.

GeomatikaSARNasional(GeoSARNas)2011|359


360|GeomatikaSARNasional(GeoSARNas)2011
Shoreline Change Assessment by Means of Remotely Sensed Data
and Geographic Information System (GIS): Case of Demak Coastal
Area

Nita Maulia
Centre for Natural Resources Survey. National Coordinating Agency for Survey and
Mapping. Cibinong, Bogor.

Email:
nita.maulia@gmail.com

Abstract. Shoreline is always continually changed through time. Unfortunately these

changes were not well recorded in any maps, whereas those maps are highly needed for
the hazard assessment and mitigation in coastal area. Remotely sensed data may
accommodate this necessity by its multitemporal data, but the most efficient methods
to extract the shoreline are needed to be investigated. The using of GIS to analysis the
data for assessment and mitigation are also need to be explored. The paper will discuss
the efficient method in shoreline extraction by comparing Pixel based method (Density
Slice/DS) and Object Based method (Region Growing Segmentation/RGS). The GIS tool in
shoreline change analysis, Digital Shoreline Analysis System (DSAS), will also be used to
conduct some assessment and mitigation guidelines. Some statistically method will also
be compared to find the most reliable method in shoreline change rate calculation and
shoreline change prediction. As the region has the high rate of shoreline change and
suffers for shoreline change, Demak coastal area is suitable case for these purposes.
Using Landsat and ALOS PALSAR images as the data input, the result shows that the most
reliable method for shoreline extraction is Region Growing Segmentation with the
average deviation of 15 m. GIS analysis reveals that the average of shoreline change
rate calculation by WLR, LRR, LMS and EPR method in Demak was about 6.8 m/year.
WLR is the most reliable method in shoreline change rate calculation, therefore it is
used as the input in shoreline prediction. The shoreline prediction was conducted for
year of 2008 as the validation of the prediction method and then will be applied for year
2032, and the result shows that the deviation average of the prediction is 19 m. By
expecting the same deviation, the 2032 shoreline will be in 55.69 in length and the land
area will be about 243.66 km2.

Keywords: Shoreline change, Density Slice, Region Growing Segmentation, DSAS,

Landsat, ALOS PALSAR

GeomatikaSARNasional(GeoSARNas)2011.|361
Introduction
Shoreline changes can bring negative effects such as; loss of life and property,
security of harbors, change of the coastal socioeconomic environment, and
access to coastal resources. Furthermore, it will also bring politically issues
especially related to the regional boundaries between regions and countries
(Boak and Turner, 2005). Demak Regency has suffered many losses due to the
shoreline change. The main factors controlled shoreline changes in Demak are
abrasion and sedimentation that occurs intensively along the Demak coastal
area and also landuse changes. The impact has taken at least 200 families to
be relocated, 300 ha fishponds area sink (www.suaramerdeka.com, 2009), and
many coastal community lost their livelihoods due to the high rate of abrasion in
Demak.

Shoreline change monitoring, analysis, and prediction are important for

integrated coastal zone management (Boak and Turner, 2005). Monitoring
changes in shoreline helps to identify the nature and processes that caused
these changes in any specific area, to assess the human impact and to plan
management strategies. Remote sensing data could be used effectively to
monitor the changes along the coastal zone including shoreline with reasonable
accuracy. Combined with the GIS and the precise information extraction
method, remote sensing can provide information about the shoreline dynamic
and shoreline prediction.

To accommodate this necessity, research objectives of this research are; to

figure out the best method for shoreline extraction from multitemporal Landsat
images using pixel based and object based and to conduct shoreline prediction
using Digital Shoreline Analysis System.

Methods
Research phase was divided into 5 phase; preparation and data acquisition,
shoreline extraction, shoreline change analysis, fieldwork, and post fieldwork.
Preparation and data acquisition are including literature study, Data acquisition,
and Fieldwork preparation.

Shorelines Extraction was conducted by the maximum likelihood classification,

density slice, and region growing segmentation method. They will be compared
to figure out the best method for shoreline extraction. Comparison was done by

362|GeomatikaSARNasional(GeoSARNas)2011
using some parameter; analysis input, object separability, fishponds separation
from sea, shoreline continuity, line feature processing, and time efficiency.
These criteria were described, analyzed, and then scored to determine the best
method among the other. The score and criteria for each parameter were
describes in Table 1, Table 2, Table 3, Table 4, Table 5, and Table 6, and Table
7. The best method will be used to extract the multitemporal shoreline.

Table 1 .Analysis input in classification process

Criteria Score Information
Good 3 Using more than 1 parameters, multi bands
Quite good 2 Using 1 parameter, multi bands
Enough 1 Using 1 parameter, single bands

Table 2 Object separability of classification

Criteria Sc ore Information
Good 3 Clearly objects boundaries
Enough 2 Well separated
Poor 1 Uncertain objects boundaries

Table 3 Fishponds separation from sea

Criteria Score Information
Good 3 Completely separated
Enough 2 Well separated
Poor 1 Not separated

Table 4 Shoreline continuity

Criteria Score Information
Good 3 Continuous
Enough 2 Continuous in certain area
Poor 1 Uncontinuous

Table 5 Tine feature processing

Criteria Score Information
Good 3 Easy to be processed as line features
Enough 2 Can be processed, but need extra works
Poor 1 Cannot be processed

GeomatikaSARNasional(GeoSARNas)2011|363
 Table 6 Time efficiency
Criteria Score Information
Efficient 3 Few steps needed in less an hour
Efficient enough 2 Several steps needed in couple hours
Less efficient 1 Many steps needed in many hours

Table 7 Total Score Criteria of Shoreline

Criteria Score
Good 13 18
Quite good 7 12
Enough 1 15

Shoreline change analysis was including determine the baseline, transect, and
transect's range, calculate the shoreline change rate using statistical
approaches, and recent shoreline prediction. Statistical method that used to cast
this analysis was Shoreline Change Envelope (SCE), Net Shoreline Movement
(NSM), Weighted Linear Regression Rate (VVLR), Linear Regression Rate
(LRR), Least Median of Squares (LMS), and End Point Rate (EPR). For the
recent shoreline prediction the method will also be compared quantitatively by
comparing the prediction method with the extracted shoreline.

Fieldwork was conducted by some observation and interview. The data

collected from fieldwork will be used to help the verification of the shoreline and
enhance the analysis in post fieldwork activity. The future shoreline prediction in
2032 will also be conducted in post fieldwork.

Study Area
This research was conducted in Demak coastal area which located at South
Latitude 0641'56" - 0657'10" and East Longitude 11027'32" - 11036'36".
Demak coastal area covers 4 districts with 13 waterfront villages. They are
Sayung (Sriwulan, Bedono, Timbulsloko, and Surodadi); Karang Tengah
(Tambakbulusan); Bonang (Morodemak, Purworejo, and Betahwalang); and
Wedung (VVedung, Berahan Kulon, Berahan Wetan, Kedungmutih, and
Babalan). Demak coastal area has typical condition that formed by the coastal
dynamic process. There were some abrasion spots, growing deltas,
aquaculture, and there also some deposits of coastal erosion that the local
usually call it "tanah timbul" (longshore bar) that appear seasonally. This typical

364|GeomatikaSARNasional(GeoSARNas)2011
condition can be the challenges in shoreline extraction for each method
capabilities.

Figure 1. Demak coastal area

Shoreline Extraction
Maximum likelihood classification
Supervised maximum likelihood classification was applied to extract shoreline.
Danoedoro (2003) classification scheme (Appendix 1) was used to classify the
image. The input bands used for the classification were band 2, band 3, and
band 4. Gaussian spectral samples that run using region of interest (ROls) were
used in this process by taking 100 pixels for each class. Separability index
from ROls that was taken before shows the good class separability with the
value range of 1.7 2.0. Table 8 was present separability index of the ROls.
Those ROls will be used to execute the classification process.

Maximum likelihood classification result was presented in Figure 2. In generally

the classification shows good result where the classes were well separated. But
in certain area the discontinuity pixels class and isolated pixels can be found. As
can be seen in Figure 2 A & B shoreline can not be generate with such condition
of discontinuity pixel class. Figure 2.3 C was displayed examples of isolated
pixel of wet surface that found in the deep water class. Considering that the
classification result will be converted to polygons and then re-classified as land
and water class those problems will give another complication in shoreline

GeomatikaSARNasional(GeoSARNas)2011|365
determination process. Since the final result of this process is line feature, the
isolated pixels and classification class discontinuity problems may take more
time to be solved in shoreline extraction process.

Table 8 ROIs separability index of the study area

Turbid water 1

Turbid water 2

Metal surfaces

Clay roof tiles

Wet surface 1

Wet surface 2

High density
Dry bare soil

broadleaves

broadleaves
Low density
Deep water

woody

woody
Turbid water 1 - 1.82 1.99 1.99 1.97 2.00 1.99 2.00 2.00 1.99
Turbid water 2 1.82 - 1.98 1.99 1.99 2.00 1.99 2.00 2.00 2.00
Deep water 1.99 1.98 - 1.99 1.98 2.00 1.99 2.00 2.00 2.00
Net surface 1 1.99 1.99 1.99 - 1.99 2.00 1.98 1.99 2.00 1.99
Wet surface 2 1.97 1.99 1.98 1.99 - 2.00 1.97 1.99 2.00 1.99
Dry bare soil 2.00 2.00 2.00 2.00 2.00 - 1.98 1.73 1.97 1.99
Metal surfaces 1.99 1.99 1.99 1.98 1.97 1.98 - 1.92 1.99 1.99
Clay roof tiles 2.00 2.00 2.00 1.99 1.99 1.73 1.92 - 1.71 1.96
Low density woo dy 2,00 2.00 2.00 2.00 2.00 1.97 1.99 1.71 - 1.77
broad leaves
High density woody 1.99 2.00 2.00 1.99 1.99 1.99 1.99 1.96 1.77 -
broadleaves

Density Slice
Density slice which also known as digital number threshold is another powerful
pixel based method that used by the researcher to determine the shoreline. TM
band 5 (mid-infra red) was chosen as the input for density slicing process. Some
arbitrary range was used to determine the land and water. The first trial value
range of 0 - 35 was used to determined the water bodies. There is some
contradiction in density slicing, even the range was set carefully the range can
not accommodate the land and water separation. Table 9 present the summary
of classification of result each range related to the characters of Demak coastal
area. This condition will make the shoreline difficult to be determined. Figure 3
shows the density slice classification result in various range.

366|GeomatikaSARNasional(GeoSARNas)2011
 Table 9 The summary of density classification results in arbitrary range
Ranges Shoreline Boundary Fishponds Boundary Longshore Bar
0 35 Not clear, there are unclassified Not clear, there are Clear
water pixel unclassified water pixel
0 37 Not clear, there are still unclassified Not clear, some of fishponds Clear
water pixel are classified as water
0 40 Clear, but in certain area are invalid Not clear, some of fishponds Not clear
are classified as water

Object Based Method (Region Growing Segmentation)

Object based method were work in different way with pixel based in class
determination, its including the other factors beside pixel value to be considered
as input for class decision making. To execute object based classification
method SPRING 5.0.5 was used. This software is including the pixel
neighborhood as a consideration of class determination.

There are some parameters that need to be set for segmentation process;
similarity and area. Similarity is threshold value that will be used to indicate the
membership of pixel to be included in certain class while the area is threshold
value that will be used as minimal amount of pixel group. Since there is no
default value, similarity and area value were done arbitrarily by doing some try
and error until good segmentation result obtained. Trial process was conducted
using some arbitrary value of similarity and area, and the best parameter was
similarity of 7 and area of 1000 which shows that the water and land can be well
separated. Figure 4 shows the segmentation result with the threshold
parameters similarity 7 and area 1000 while the summaries of the result
discussion were present in Table 10.

Table 10 The summary of density classification results in arbitrary range

Similarity Area Result Information
20 1000 Under-segmented Land and water were not clearly separated
11 1000 Under-segmented There were some object were not classified
7 1000 Well segmented Land and water were clearly separated
5 1000 Over-segmented Land and water were clearly separated, but too
many polygons
7 2000 Well segmented Land and water were clearly separated, quite
enough polygons

GeomatikaSARNasional(GeoSARNas)2011|367
Methods Comparison
Based on the analysis input, RGS is the most excellent method since it included
used 6 bands of Landsat (band 1, 2, 3, 4, and 7) as inputs and also the other
parameters such as pixel neighborhood. RGS also has good object separability
among the other. It can really separate the water and land so that the object
boundary can be clearly seen. In sea water and fishpond separation, RGS also
shows good performance so that the sea water and fishponds can be separated.
RGS has also successfully produced the continuous shoreline with the good
separation of each class. The sea water and land were continuously separated
so that the shoreline determination can be easily done. Transforming process
from the classification result to the polyline features is more easily performed in
density slice classification result and also RGS. Density slice was also good at
time efficiency since it was the simplest classification steps. Scoring parameters
that have been discussed before were applied in each method so that it can be
compared each other. The Result shows that RGS was the best method than
followed by the maximum likelihood and density slice. Table 11 shows the
matrix of methods comparison for shoreline extraction.

Figure 2. Maximum likelihood classification results

368|GeomatikaSARNasional(GeoSARNas)2011
Figure 3. Arbitrary Figure. 3 Arbitrary Density Slice Result; Density slice ranges for water 0 35 (A);
Density slice ranges for water 0 37 (B); and Density slice ranges for water 0 40

Figure 4. Region growing segmentation results

GeomatikaSARNasional(GeoSARNas)2011|369
 Table 11 Matrix of Methods Comparison for Shoreline Extraction
Object Based
Pixel Based Method
Methods Method
Criteria Maximum Density Slice Region Growing
likelihood Segmentation
Analysis input 2 1 3
Object separability 2 2 3
Fishponds separation 2 1 3
from sea
Shoreline continuity 2 1 3
Line feature processing 2 3 3
Time efficiency 2 3 2
Total Score 12 11 17
Criteria Quite good Quite good Good

Shorelines
RGS was applied into other images to extract the shoreline. Each image has the
different pixel value even for the same object, therefore the parameters value
that used in 2002 image may not be used in the other images. Parameters
values for each image are; similarity of 9 and area of 2000 for 1972 image;
similarity of 9 and area of 2000 for 1982 image; and similarity of 11 and area of
2000 for 1972 image. The extracted shorelines that resulted from the process
were corrected using visual interpretation. There were some places that have a
bit changes but the validation can not be accommodate by the interview.
Therefore the shorelines were corrected by adjusting the shoreline visually. The
resulted shorelines were displayed in Figure 5.

Figure 5. Shorelines extracted from satellite images by Region Growing Segmentation

370|GeomatikaSARNasional(GeoSARNas)2011
Shoreline Analysis
Shoreline Change
Shoreline change analysis including shoreline length changes and land area
changes both in coverage and type. The length change shows both increase
(positive value) and decreasing (negative value). Beside changes the length,
shoreline change also bring alteration in the wide of land area. Overlay
technique was used to know the changed land area coverage and the type of
change. The negative growth only happens in 1982 and the other is positive.
These can not be used as indication that there were no abrasions occurs in
1992 & 2002. This may cause by the delta growth rate was higher that the
abrasion rate in general. Land area changes can be divided into 15 type of
change based on the change trend through years. The change code and
change type were shows the transformation of the area according to the time
series, 1972-1982-1992-2002. The biggest change during the period was Water-
Land-Water-Water which is including the area of approximately 6.07 km2. Table
12 shows the shoreline length from 1972 2002 and it changes while Table 13
describes the changes type and its area coverage. The shoreline map that
shows the type of change can be seen in Appendix 1.

Table 12 Shoreline change length during 1972 - 2002

Year Shoreline Length (km) Change (km)
1972 55.07 0
1982 62.76 7.69
1992 56.01 -6.75
2002 65.03 9.02

Table 13 Land area change during 1972 - 2002

Year Area (m2) Change (m2)
1972 239962531.163445 0
1982 236535875.987268 -3426655.176177
1992 238659809.351411 2123933.364143
2002 239946343.157598 1286533.806187

GeomatikaSARNasional(GeoSARNas)2011|371
 Table 14 Changes type and its area coverage during 1972 - 2002
Change Code Change Type Area (m2) Area (km2)
L Land (constant) 227237513.3 227.2375133
L-L-L-W Land-Land-Land-Water 3918385.168 3.918385168
L-L-W-L Land-Land-Water-Land 14871.219 0.014871219
L-L-W-W Land-Land-Water-Water 1485108.617 1.485108617
L-W-L-L Land-Water-Land-Land 1382257.943 1.382257943
L-W-L-W Land-Water-Land-Water 246857.574 0.246857574
L-W-W-L Land-Water-Water-Land 1082497.951 1.082497951
W Water (constant) 213872195.2 213.8721952
W-L-L-L Water-Land-Land-Land 1137441.706 1.137441706
W-L-L-W Water-Land-Land-Water 641748.746 0.641748746
W-L-W-L Water-Land-Water-Land 120622.494 0.120622494

W-L-W-W Water-Land-Water-Water 6079714.721 6.079714721

W-W-L-L Water-Water-Land-Land 3720153.031 3.720153031
W-W-L-W Water-Water-Land-Water 378109.494 0.378109494
W-W-W-L Water-Water-Water-Land 5004563.6 5.0045636

Shoreline Change Rates

These change distances and rates were calculated statistically and spatially
using some methods that ran in GIS program. The change distances were
calculated using SCE and NSM method, while the rates calculation were use;
EPR, LMS, LRR, and WLR.

The SCE calculation shows that the farthest distance between shorelines is
2190.99 m, which mean that it was the farthest shoreline movement during
1972-2002 either accreting or retreating. Based on the NSM calculation result,
farthest accrete shoreline distance was 2186.42 m while the farthest retreat
distance was -2190.9 m. Both the accretion and abrasion shows the significant
change distance between the oldest and the youngest shoreline.

Table 14 Distance between shoreline calculation results (m)

Method Farthest Distance Average Distance
SCE 2190.99 585.9593101

372|GeomatikaSARNasional(GeoSARNas)2011
 Table 15 The oldest and youngest shoreline distance calculation result (m)
Farthest Accrete Farthest Retreat
Method Average Distance
Distance Distance
NSM 2186.42 -2190.9 255.0098753

Generally, the rate change average is in positive point which means that the
land is more to be accreting than retreating. The rate average of LMS, 1.47
m/year, is the smallest point among the other method, while the biggest point
owned by the EPR in 16.41 m/year. HighestRate present the farthest accreting
rate and the lowest rate present the farthest retreat rate among transects. EPR
has the highest value of highest rate and LMS has the lowest value of the lowest
rate. Retreat average shows the average of retreat event and so does the
accrete average shows the average of accrete event.

Table 16 Rate calculation result (m/year)

Method Highest Lowest rate Retreat Accrete Rate Average
EPR 213.49 -80.35 -14.83738318 30.26734146 16.4164272
LMS 64.37 -64.45 -28.59475284 21.51279778 1.470141313
LRR 107.07 -85.92 -15.68047686 15.42119427 5.175208111
WLR 77.37 -76.71 -13.63049844 10.87067409 4.33517872

Beside calculate the change rate per year, WLR and LRR calculation were also
resulted supplemental statistics that is helpful in assessing the robustness of the
computed regression rates. The LSE and WSE calculation shows that the WLR
(21.09571 m) has less error than LRR (197.9309 m). LCI and WCI calculation
result shows that the LRR shows the better result than WLR. The R-squared
statistic calculation shows nearly similar value between WR2 and LR2 with only
0.1 differences in value. Based on the calculation can be considered that the
shoreline in Demak was not growing linearly neither linearly. Table 17 present
the supplemental statistics calculation result.

Table 17 Supplemental statistics calculation result

Method
WLR LRR
Name Value Name Value
Standard Error of the Estimate WSE 21.09571 LSE 197.9309
Standard Error of the Slope WC199.5 21.09571 1.92 LC199.9 197.9309 7.15

GeomatikaSARNasional(GeoSARNas)2011|373
 Method
WLR LRR
Name Value Name Value
with Confidence Interval
R-Square WR2 0.47182 LR2 0.48048

Shoreline Change Impact

Shoreline change, especially abrasion, has great impact both to the environment
and coastal community. Since the abrasion has reduced the land based activity
area, not only the coastal community was affected but also the coastal
ecosystem. The field observation in abrasion area reveals some evidence of the
intensive abrasion that bought the big loss towards the community. Social
economic sector of the community was also affected by the abrasion. Inundated
fishpond area both permanently or frequently were no longer productive since
the salinity of water increased. This condition has reduced their income and
changes their livelihood. Adaptation of the local people and management that
practiced in the abrasion area has made to overcome the abrasion problem.
This effort was conducted by the government, Non-Government Organization
(NGO), and also local community. This effort, although not the everlasting
solution, at least has brought the benefit to the local community livelihood.

Shoreline Prediction
Recent Shoreline Prediction (2008)
Assessing the future shoreline will give the illustration of the changes, the
impacts, damages, and losses that may occur so that the management direction
can be arranged. Shoreline prediction was conducted using DSAS which
assumed that the shoreline growth is linear. Some statistically methods were
used; EPR, LRR, LMS, and WLR method. To measure the capability of the
prediction method, the recent shoreline prediction was conducted.

The changes rates that calculated before were used as the basic of shoreline
prediction. Based on the rates calculation, each transect were produce new
point that consider as the future shoreline position. These points were
generalized to the line feature of the shoreline. The future shoreline positions
based on some methods calculation were presented in Figure 6. There are
some missed predictions spots occur when the calculation generalized,

374|GeomatikaSARNasional(GeoSARNas)2011
especially in Delta Wulan and abrasion area. Generally, the missed prediction
spots between each method were nearly similar, but in some part of the delta
and abrasion area the predicted shorelines are different. LMS shoreline in south
part of the delta was more extend to the sea if compared with another method,
while the EPR formed a new land that was not exist in the original shoreline. In
case of abrasion area, each prediction method shows different result.

Quantitatively comparison was also conducted to figure out the best prediction
method. Transects and baselines were generate to cast the distance of the
original shoreline and predicted shoreline. Distance between original and
predicted shorelines in each transect were calculated to generate the value that
will be used as the comparison input. Minimum, maximum, average, and
standard deviation were used as the comparison input. These values were
presented in Table 18. Negative values that were presented in Min Deviation
row present the deviation direction that closely to the land or can be said as the
underestimate shoreline position. Max Deviation row present the deviation
direction that closely to the sea water or can be said as the overestimate
shoreline position. The farthest overestimate shoreline position is about 1069.41
m and the closest is about 756.86 m. The farthest underestimate shoreline
position is about 1509.03 m and the closest is about 1013.28 m. LMS has both
the farthest overestimate and underestimate shoreline position which indicate
this method has the highest error between the other. LRR and EPR almost have
the similar result in maximum and minimum deviation but very different in
deviation average. The lowest deviation average and standard deviation owned
by WLR which indicate that the method is excellent.

GeomatikaSARNasional(GeoSARNas)2011|375
Figure 6. A. Some missed shoreline predictions spots; B. Different prediction result in Delta; and C.
Different prediction result in abrasion area

Table 18 Deviation calculation of prediction methods

Method
WLR LRR LMS EPR
Min Deviation -1013.285736 -1481.72326869400 -1509.036188 -1463.030543
Max Deviation 756.8641619 755.71014372910 1069.415301 762.5676608
Deviation Average -19.22454765 -26.03384454080 -20.09963439 -33.22968712
Standard Deviation 196.2650587 221.3367341 244.4049125 214.9690568
Minimum and maximum values of each method were used as the magnitude of
the deviation visualization. Since the predicted shoreline that generated from
WLR method has minimum magnitude range, minimum average absolute
deviation, and minimum standard deviation, it is obvious that WLR method is
much more accurate among the others. Deviation visualization between original
shoreline and the prediction methods (VVLR) was present in Figure 7.

376|GeomatikaSARNasional(GeoSARNas)2011
 Figure 7. Deviation between original and WLR shoreline

Future Shoreline Prediction (2032)

The WLR method was considered as the best method to predict the shoreline.
This method were used to generalized the future shoreline; 2032 shoreline. The
future prediction was conducted to predict 2032 shoreline in consideration of
equalization of the data input range (1972-2002) to minimize the result error.
Calculation result shows that the shoreline length in 2032 will be about 55.69
km, 9.34 km shorter than 2002 shoreline length. The land area wide of 2032
were predicted 243.66 km2, the accreting land from 2002 will be about 3.72
km2. Table 19 shows the change calculation result during 1972 1932.

Table 19 Shoreline change calculation during 1972 - 2032

Shoreline Length Change
Year Area (m 2 ) Area Change (m2)
Length (km) (km)
1972 55.07 0 239962531.1634 0
1982 62.76 7.69 236535875.9873 -3426655.1762
1992 56.01 -6.75 238659809.3514 2123933.3641
2002 65.03 9.02 239946343.1576 1286533.8062
2032 55.69 -9.34 243666608.8277 3720265.6701
Shoreline change in 2032 was presented in Figure 8. There are some changes
between 2002 and 2032 shoreline both accretion and abrasion. Delta area and
abrasion area have both accretion and abrasion movement. In southern delta
area, there will be some abrasion that may occur and in quite big intensity. This

GeomatikaSARNasional(GeoSARNas)2011|377
event needs early anticipation to prevent the losses. The other part of deltas will
be extended. This indicate that the sediment material from the upper land still
occur intensively. This also needs to be anticipated by the planning manager.
The prediction also shows that in some part of abrasion area there will be some
accreting land. Although there still abrasion event occur, but it not in huge
capacity.

Gambar 7. Comparison of 2032 and 2002 shoreline

Conclusions and Recommendations

Conclusions
Maximum likelihood and density slice were represents the pixel based method
while region growing segmentation represent the object based method. Region
growing segmentation is reliable method to extract shoreline, but it takes some
time for the extraction processes.

The study area has some major spots that experienced both abrasion and
accretion intensively. Intensive abrasion is occurring in Sriwulan, Bedono, and
Babalan village while the accretion mostly appears in Wulan Delta. The

378|GeomatikaSARNasional(GeoSARNas)2011
shoreline change also brings the significant negative impact to the coastal
community livelihood. Factors can be work individually or collaborated.

Shoreline change rate was calculated using EPR, LRR, LMS and WLR method,
and each method has different rate result. The EPR shows that average rate is
about 16.41 m/year, LMS = 1.47 m/year, LRR = 5.17 m/year, and WLR = 4.33
m/year. The result of 2008 WLR shoreline prediction was quite good with the
average deviation about 19.22 m. The 2032 shoreline prediction expected to
have the quite similar average deviation as 2008 WLR shoreline prediction.

Recommendations
Indonesia has been identified as areas with very high rates of erosion and
sediment production. Rapid changes of the shoreline need to be deeply
investigated and seriously managed immediately. For those reasons shoreline
change mapping is become very important to be conducted.

The shoreline change, especially abrasion, in Demak coastal area was very
anxious. Although there is some management effort, it was considered as not
the best solution to overcome the problem so that the management evaluation
still needed. Community environmental awareness also needs to be increased
in order to support the management program and to overcome the abrasion
problems.

To enhance the prediction result and the accuracy, new research should be
including factors that related to the shoreline change as input of the prediction
process. These factors can include natural and anthropogenic factors.

Reference

Boak, E. and Turner, I. (2005). Shoreline Definition and Detection: A Review.

Journal of Coastal Research 21; 4; 688 703, July 2005, West Palm
Beach, Florida
Danoedoro, P. (2004). Informasi Penggunaan Lahan Multidimensional : Menuju
Sistem Klasifikasi Penggunaan Lahan Multiguna untuk Perencanaan
Wilayah dan Pemodelan Lingkungan. Sains Informasi Geografis : Dad

GeomatikaSARNasional(GeoSARNas)2011|379
 Perolehan dan Analisis Citra Hingga Pemetaan dan Pemodelan Spasial.
page. 71-90. Gadjah Mada University; Yogyakarta.
ENVI 4.5. (2007). ENVI User's Guide.
Frazier, P. S. and Page, K. J. (2000). Water body detection and delineation with
Landsat TM data. Photogrammetric Engineering and Remote Sensing,
66(12); 147 167.
Manumono, D. (2008). Perubahan Perilaku Masyarakat Kawasan Pesisir Akibat
Penurunan Pendapatan Sebagai Dampak Abrasi dan Rob di Kabupaten
Demak. National Seminar of Agricultural and Rural Development
Dynamics: Challenge and Opportunity for Farmer Welfare. 19th October
2009, Bogor, Indonesia.
Marfai, M. A., Almohammad, H., Dey, S., Susanto, B., and King, L. (2008).
Coastal dynamic and shoreline mapping:multi-sources spatial data
analysis in Semarang Indonesia. Environ Monit Assess, 142; 297 - 308.
Musyafak. (2009). Menyelamatkan demak dari abrasi.12 May 2009.
http://www.suaramerdeka.com/
smcetak/index.php?fuseaction=beritacetak.detailberitacetakandidberitacet
ak=63183 , accessed 2 August 2009 at 06:15 PM.
Thieler, E. R., Himmelstoss, E. A., Zichichi, J. L., and Miller, T. L. (2006). The
digital shoreline analysis system (v.3.x): Enhanced software computing
shoreline change from feature- and datum-based shoreline. Shoreline
Change Conference II: A Workshop on Managing Shoreline Change. 3rd
5th May 2006.
Thieler, E. R., Himmelstoss, E. A., Zichichi, J. L., and Ergul, Ayhan. (2009).
Digital Shoreline Analysis System (DSAS) version 4.0 An ArcGIS
extension for calculating shoreline change: U.S. Geological Survey Open-
File Report 2008 - 1278.
Yanli, T. (2003). The Application of GIS and RS for Coastline Change Detection
and Risk Assessment to Enhanced Sea Level Rise. M.Sc. Thesis.
International Institute for Geo-information Science and Earth Observation,
Enschede, Netherlands.

380|GeomatikaSARNasional(GeoSARNas)2011
Aplikasi SIG dan Penginderaan Jauh dalam Penentuan Kecukupan
dan Prediksi Luasan Ruang Terbuka Hijau sebagai Rosot CO2 di
Kabupaten Kudus, Jawa Tengah

Noor Aenni, Lilik Budi Prasetyo, Rachmad Hermawan

Forest Resources Conservation & Ecotourism Dept, Forestry Faculty of Bogor Agricultural
University, IPB Darmaga Campus Bogor 16680

Abstract. Based on the amount of CO2 emissions in 2010, overall the Kudus District has
been unable to absorb all CO2 emissions. The value of CO2 emissions in 2010 amounted
to 1.744,704 Gg/year. The green space should be provided in the amount of 29.948,106
ha (66,46%) whereas the vast of green space in the field is 18.077,31 hectares or 39,86%.
The addition of green space needs in 2010 is 11.870,79 ha. Estimation of emissions in
2016 is amount of 1.794,016 Gg, so broad the green space required 30.794,545 ha. The
addition of green space in 2016 is 12.717,235 ha by actual circumstances in the field
using the image data 2009. The prediction of value area obtained from one fixed
variable, it is CO2 emissions from rice fields amount 14,5568 Gg. Then the unfixed
variables are CO2 emissions from livestock, population and energy consumption.

Keywords: Green space, Emissions of carbon dioxide, Sink, Landsat, GIS

GeomatikaSARNasional(GeoSARNas)2011.|381
Pendahuluan
Latar Belakang
Peningkatan perekonomian di berbagai wilayah berkembang, seperti Kabupaten
Kudus akan mengubah pola penggunaan lahan dan berbagai sarana dan
prasarana fisik sebagai penunjang aktifitas penduduk kota. Perubahan fisik
yang dilakukan di sisi lain pembangunan menimbulkan dampak negatif seperti
berkurangnya jumlah tutupan lahan oleh vegetasi khususnya di daerah
perkotaan yang pada akhirnya akan menurunkan kualitas lingkungan, sehingga
terjadi ketidakseimbangan hubungan antara manusia dengan lingkungan.
Keadaan ini menyebabkan menurunnya kualitas lingkungan di daerah
perkotaan. Potensi perkembangan industri pada tahun 2008 adalah 10.542 unit
usaha. Wilayah Kabupaten Kudus terletak pada jalur transportasi yang sangat
strategis, antara Jakarta-Semarang-Surabaya dan Jepara-Kudus-Solo, serta
daerah Segitiga Emas yang menghubungkan Jepara-Semarang-Surabaya,
sehingga mempunyai prospek yang baik di bidang industri dan perdagangan.
Dampak perkembangan perekonomian seperti ini akan berpengaruh langsung
terhadap penurunan kualitas lingkungan Kabupaten Kudus.

Para peneliti Intergovernmental Panel on Climate Change (IPCC) dalam IPCC

Assesment Report telah menghasilkan dokumen-dokumen ilmiah yang
menyimpulkan bahwa emisi gas rumah kaca yang dihasilkan dari aktivitas
manusia memberikan kontribusi pada peningkatan gas rumah kaca dan akan
menyebabkan atmosfer bertambah panas. Pada COP-15 UNFCCC mendorong
komitmen dan konsistensi kebijakan Pemerintah Indonesia menargetkan
penurunan emisi gas rumah kaca untuk mengurangi pemanasan global (global
warming) yang memperhatikan aspek integritas sosial dan lingkungan. Salah
satu bentuk usaha sederhana yang dapat dilakukan untuk mengurangi emisi
gas rumah kaca adalah dengan pemilihan terhadap jenis-jenis tanaman ruang
terbuka hijau yang mempunyai kemampuan tinggi dalam menyerap CO2.

Berdasarkan UU No. 26 tahun 2007 Tentang Penataan Ruang bahwa suatu

wilayah kota diwajibkan memiliki ruang terbuka hijau minimal 30% dari luas kota
dan minimal 20% adalah ruang terbuka hijau publik. Ruang terbuka hijau
merupakan penyerap CO2 yang berperan dalam mengendalikan jumlah CO2
yang ada di udara. Oleh karena itu, penelitian ini penting dilakukan untuk

382|GeomatikaSARNasional(GeoSARNas)2011
mengetahui kandungan emisi CO2 serta distribusi dan kecukupan luasan ruang
terbuka hijau di Kabupaten Kudus.

Tujuan
Penelitian ini bertujuan untuk:

1. Mengetahui kecukupan luasan ruang terbuka hijau sebagai penyerap

gas CO2 di Kabupaten Kudus tahun 2011

2. Menentukan prediksi kebutuhan luasan ruang terbuka hijau sebagai

penyerap gas CO2 di Kabupaten Kudus tahun 2016.

Manfaat
Hasil dari penelitian ini diharapkan dapat memberikan informasi dan masukan
bagi Pemerintah Daerah Kabupaten Kudus dan pihak terkait lainnya dalam
proses pengambilan keputusan untuk pengelolaan, pengembangan,
perencanaan dan pembangunan ruang terbuka hijau dalam pengembangan
ruang terbuka hijau serta memberikan gambaran mengenai distribusi ruang
terbuka hijau pada masing-masing kecamatan di Kabupaten Kudus.

Metode Penelitian
Lokasi dan Waktu
Penelitian dilakukan selama 9 bulan dimulai pada tanggal 20 Juni 2010 sampai
dengan 20 Februari 2011. Pengambilan data GCP di Kabupaten Kudus,
Provinsi Jawa Tengah. Pengolahan data dilakukan selama dua bulan di
Laboratorium Analisis Spasial Lingkungan DKSHE, FAHUTAN, IPB.

Alat dan Bahan

Alat yang dibutuhkan adalah Global Positioning System (GPS), kamera digital,
alat tulis dan seperangkat komputer yang dilengkapi dengan software ArcGis
9.3, ERDAS 9.1. Bahan yang digunakan adalah peta rupa bumi, peta batas
administrasi Kabupaten Kudus, citra Landsat ETM (+) path/row: 120/065,
dengan tanggal akuisisi 14 Juni 2009. Data Statistik Kabupaten Kudus yang
diperoleh dari Badan Pusat Statistik dan BAPPEDA Kabupaten Kudus, peta
Rupa Bumi Indonesia (RBI) dari Badan Planologi Kehutanan dan Data Statistik
beberapa industri di Kabupaten Kudus.

GeomatikaSARNasional(GeoSARNas)2011|383
Tahapan Penelitian
Inventarisasi dan pengumpulan data

1. Persiapan peta kerja (pembuatan peta digital)

2. Studi pustaka

3. Wawancara

4. Observasi dan ground check

Pengolahan dan analisis data

1. Penentuan luasan ruang terbuka hijau berdasarkan UU No. 26 tahun

2007.

2. Perhitungan untuk memperkirakan emisi CO2 yang dikeluarkan oleh

sumber emisi.

a) Energi
C(TJ/tahun)=a(103 ton/tahun)xb(TJ/103 ton)

E(tC/tahun)=C(TJ/tahun)xd(tC/TJ)

G(GgC/tahun)=E(tC/tahun)xf

H(GgCO2/tahun)=G(GgC/tahun)x(44/12)

Keterangan:
a = Konsumsi bahan bakar berdasarkan jenis bahan bakar (103 ton/tahun)
b = Nilai kalori bersih / faktor konversi berdasarkan jenis bahan bakar (TJ/103 ton)
C = Jumlah konsumsi bahan bakar berdasarkan jenis bahan bakar (TJ/tahun)
d = Faktor emisi karbon berdasarkan jenis bahan bakar (t C/TJ)
E = Kandungan karbon berdasarkan jenis bahan bakar (t C/tahun)
f = Fraksi CO2, fraksi CO2 untuk bahan bakar minyak adalah 0,99 sedangkan untuk
bahan bakar gas adalah 0,995
G = Emisi karbon aktual berdasarkan jenis bahan bakar (Gg C/tahun)
H = Total emisi CO2 yang dihasilkan dari bahan bakar minyak dan gas (Gg CO2/tahun)

b) Ternak
C(ton/tahun)=a(ekor)xb(kg/ekor/tahun)

E(ton/tahun)=a(ekor)xd(kg/ekor/tahun)

F(GgCH4/tahun)=C(ton/tahun)+E(ton/tahun)

384|GeomatikaSARNasional(GeoSARNas)2011
Keterangan:
C = Emisi gas metan dari proses fermentasi berdasarkan jenis ternak (ton/tahun)
a = Populasi ternak berdasarkan jenis ternak (ekor)
b = Faktor emisi CH4 dari hasil fermentasi berdasarkan jenis ternak (kg/ekor/tahun)
E = Emisi gas metan dari proses pengelolaan pupuk berdasarkan jenis ternak
(ton/tahun)
d = Faktor emisi CH4 dari pengelolaan pupuk berdasarkan jenis ternak
(kg/ekor/tahun)
F = Total emisi gas metan berdasarkan jenis ternak (Gg/tahun)

c) Sawah
D(GgCH4/tahun)=a(m2)xbxc(g/m2)xd

Keterangan :
D = Total emisi gas metan dari areal persawahan (Gg/tahun)
a = Luas areal persawahan (m2)
b = Nilai ukur faktor emisi CH4
c = Faktor emisi (18 g/m2)
d = Jumlah masa panen per tahun

d) Penduduk
KKP(t)=(JPT(t).KPt)

Keterangan :
KKP(t)= Karbon dioksida yang dihasilkan penduduk pada tahun ke t (ton CO2/tahun)
JPT(t) = Jumlah penduduk terdaftar pada tahun ke t (jiwa)
KPt =Jumlah karbon dioksida yang dihasilkan manusia yaitu 0,96 Kg CO2/jiwa/hari
(0,3456 ton CO2/jiwa/tahun)
Penentuan luas ruang terbuka hijau berdasarkan fungsi sebagai penyerap CO2

L(ha)=w(tonCO2/tahun)+x(tonCO2/tahun)+y(tonCO2/tahun)+z(tonCO2/tahun)

K (ton/tahun/ha)

Keterangan:
L = Kebutuhan luasan ruang terbuka hijau (ha)
w = Total emisi CO2 dari energi (ton CO2/tahun)
x = Total emisi CO2 dari ternak (ton CO2/tahun)
y = Total emisi CO2 dari areal persawahan (ton CO2/tahun)
z = Total emisi CO2 dari manusia(ton CO2/tahun)
K = Nilai serapan CO2 oleh hutan (pohon) sebesar 58,2576 CO2 (ton/tahun/ha),
menurut (Inverson 1993, diacu dalam Tinambunan 2006)
Penentuan Penambahan luasan ruang terbuka hijau

GeomatikaSARNasional(GeoSARNas)2011|385
L(ha)=A(ha)B(ha)

Keterangan :
L = Penambahan luasan ruang terbuka hijau (ha)
A = Kebutuhan ruang terbuka hijau (ha)
B = Luas ruang terbuka hijau sekarang (ha)

Pendugaan jumlah konsumsi bahan bakar, populasi ternak, luasan areal sawah
dan jumlah penduduk
Penentuan pendugaan menggunakan rumus umum trend dengan persamaan
x
eksponensial Y = a (1+b) , kecuali untuk penentuan luasan areal persawahan
menggunakan hasil interpretasi penutupan lahan wilayah Kabupaten Kudus
pada tahun 2009 berdasarkan klasifikasi Landsat 7 ETM dengan penyiaman
tanggal 14 Juni 2009. Nilai luasan sawah dianggap tetap, karena data luasan
berdasarkan hasil klasifikasi pada satu citra.

Pengolahan Citra Landsat ETM yang diolah dengan menggunakan software ERDAS
Imagine.
Kegiatan pengolahan citra Landsat ETM ini adalah sebagai berikut :

1. Pemulihan citra (Image Restoring)

2. Penajaman citra (Image

3. Enhancment)

4. Pemotongan (subset) wilayah kajian

5. Survey lapangan

6. Klasifikasi tutupan lahan

7. Perhitungan akurasi

8. Distribusi Ruang Terbuka Hijau

Hasil dan Pembahasan

Emisi CO2 di Kabupaten Kudus

Emisi CO2.yang berasal dari energi

Berdasarkan data yang diperoleh dari Dinas Perindustrian Kabupaten Kudus
tahun 2011 berupa premium, pertamax dan solar. Data dari Badan Pusat

386|GeomatikaSARNasional(GeoSARNas)2011
Statistik Kabupaten Kudus dan Jawa Tengah tahun 2011 berupa LPG, minyak
tanah, premim, pertamax, dan solar. Data IFO (Industrial Fuel Oil) merupakan
solar yang digunakan oleh industri yang diperoleh dari beberapa perusahaan
yang berlokasi di Kabupaten Kudus yaitu PT. Djarum, PR. Sukun, Pura Group).
Hasil Perhitungan kandungan CO2 aktual yang terdapat di Kabupaten Kudus
dapat dilihat pada Tabel 1.

Tabel 1 Kandungan emisi CO2 aktual dari konsumsi energi pada tahun 2010
Jumlah
Jenis Kandungan
konsumsi Emisi karbon Emisi CO2 aktual
No. bahan karbon
bahan bakar aktual (Gg C) (Gg CO2 )
bakar (t C)
(TJ)
Batu bara 11.027,38 288.917,35 286,02 1048,77
Bensin 2.802,58 52.968,77 52,43 192,27
Solar 1.772,75 35.809,58 35,45 129,98
LPG 625,34 10.756,01 10,70 39,24
M. tanah 733,59 14.305,09 14,16 29,25
Pelumas 130,92 2.618,45 2,59 9,50
IFO 52,60 1.062,57 1,58 5,81
Total kandungan emisi CO2 1454,82
Besarnya jumlah konsumsi bahan bakar yang digunakan dapat menunjukkan
kandungan emisi CO2 di Kabupaten Kudus. Berdasarkan hasil perhitungan,
bahan bakar minyak yang paling banyak menghasilkan emisi CO2 yaitu jenis
bensin sebesar 192,27 Gg CO2. Emisi CO2 yang dihasilkan batubara, solar,
LPG, minyak tanah IFO dan pelumas berturut-turut sebesar 1.048,77 Gg CO2,
129,98 Gg CO2, 39,24 Gg CO2, 29,25 Gg CO2, 9,50 Gg CO2, 5,81 Gg CO2.
Total emisi CO2 di Kabupaten Kudus merupakan penjumlahan semua emisi CO2
dari setiap bahan bakar fosil, sehingga nilai emisi total sebesar 1.454,82 Gg
CO2.

Emisi CO2.yang berasal dari ternak

Berdasarkan data yang diperoleh dari Dinas Pertanian, Perikanan dan
Kehutanan, bidang peternakan tahun 2008, terdapat 6 jenis ternak yang
terdapat di Kabupaten Kudus yaitu sapi potong, kerbau, kuda, kambing, domba
dan unggas. Jenis dan jumlah ternak yang terdapat di Kabupaten Kudus dapat
dilihat pada Tabel 2.

GeomatikaSARNasional(GeoSARNas)2011|387
Berdasarkan hasil perhitungan, sapi menjadi penyumbang emisi CH4 terbesar
yaitu 321,42 t CH4/tahun dari aktivitas pencernaan dan unggas menghasilkan
emisi CH4 terbesar yaitu 554, 27 t CH4/tahun dari pengelolaan kotoran.
Kandungan CO2 yang dihasilkan akan berbeda dari setiap jenis ternak, karena
besarnya jumlah emisi CO2 tergantung dari jumlah ternak tersebut. Berdasarkan
hasil perhitungan, penghasil emisi CO2 dari yang terbesar berturut-turut yaitu
unggas, sapi potong, kambing, domba, kerbau, kuda dengan nilai 1,52 Gg CO2,
0,92 Gg CO2, 0,57 Gg CO2, 0,47 Gg CO2, 0,28 Gg CO2 dan 0,009 Gg CO2.

Tabel 2 Total emisi CO2 yang berasal dari ternak pada tahun 2008
Emisi dari Total
Jumlah Emisi dari Kandungan
Jenis pengelolaan emisi dari
No ternak fermentasi CO2
ternak pupuk (t ternak
(ekor) (tCH4/thn) (Gg)
CH4/thn) (Gg CH4)
1. Sapi 7.305 321,42 14,61 0,34 0,92
potong
2. Kerbau 1.794 98,67 5,38 0,10 0,28
3. Kuda 170 3,06 0,38 0,00 0,00
4. Kambing 40.219 201,09 9,25 0,21 0,57
5. Domba 20.622 164,97 7,63 0,17 0,47
6. Unggas 3.530.390 - 554,27 0,55 1,52
Total kandungan emisi CO2 dari ternak 3,79

Emisi CO2.yang berasal dari penduduk

Pertambahan jumlah penduduk akan meningkatkan emisi CO2 di udara,
sehingga konsentrasi gas rumah kaca pun akan bertambah Menurut Grey and
Denake (1978) karbon dioksida yang dihasilkan dari aktivitas manusia adalah
sama yaitu 0,96 kg/hari. Data mengenai total emisi CO2 yang dihasilkan oleh
penduduk Kabupaten Kudus dari tahun 2000-2010 dapat dilihat pada Tabel 3.

Emisi CO2.yang berasal dari persawahan

Berdasarkan perhitungan areal persawahan berdasarkan proses klasifikasi citra
penyiaman 14 Juni 2009, didapatkan luasan sebesar 14.703,89 ha,
menghasilkan gas CH4 sebanyak 5,25 Gg CH4 /tahun. Gas CH4 yang
teroksidasi akan menghasilkan gas CO2, sehingga kandungan CO2 yang
terdapat pada areal persawahan yang terdapat di Kabupaten kudus adalah
sebesar 14,556 Gg CO2.

388|GeomatikaSARNasional(GeoSARNas)2011
Penutupan Lahan

Tipe penutupan lahan Kabupaten Kudus

Penutupan lahan wilayah Kabupaten Kudus pada tahun 2009 berdasarkan
klasifikasi Landsat 7 ETM penyiaman tanggal 14 Juni 2009 dapat dilihat pada
Tabel 4.

Tabel 4 Luas penutupan lahan di Kabupaten Kudus

No. Tipe penutupan lahan Luasan (ha) Persentase (%)
1 Vegetasi Rapat 4.223,73 9,31
2 Vegetasi Jarang 13.853,41 30,54
3 Semak 4.701,56 10,37
4 Sawah 14.703,90 32,42
5 Lahan Terbangun 212,60 0,47
6 Lahan Terbuka 5.781,05 12,75
7 Badan air 513,79 1,13
8 Tidak ada data 1.367,18 3,01
Total 45.357,21

Berdasarkan hasil klasifikasi tersebut, kemudian dilakukan uji akurasi overall

classification accuracy dan overall kappa statistics untuk mengetahui tingkat
ketepatan klasifikasi dengan keadaan sebenarnya di lapangan. Pada tahun
2009 hasil akurasi klasifikasi tersebut berturut-turut sebesar 83,78% dan
78,23% Akurasi atau ketelitian dalam klasifikasi merupakan hal penting dalam
menilai hasil dari pemrosesan citra penginderaan jauh bagi suatu sistem
penutupan lahan yang disusun berdasarkan data penginderaan jauh. Pada
Gambar 1 ditunjukkan Peta Penutupan Lahan Kabupaten Kudus tahun 2009.

Ruang Terbuka Hijau di Kabupaten Kudus

Kebutuhan Ruang Terbuka Hijau berdasarkan UU No. 26 Tahun 2007

GeomatikaSARNasional(GeoSARNas)2011|389
Menurut Undang-undang No. 26 tahun 2007 tentang Penataan Ruang yang
menyatakan bahwa proporsi Ruang Terbuka Hijau (RTH) pada wilayah kota
paling sedikit 30% dari luas kota untuk menjamin keseimbangan ekosistem
kota. Penutupan lahan ruang terbuka hijau, lahan terbangun, pertanian dan
penggunaan lain dapat dilihat pada Tabel 5

Tabel 5 Penutupan lahan ruang terbuka hijau, areal terbangun, pertanian dan penggunaan lain

No. Tipe penutupan lahan Luasan (ha) Persentase (%)

1 Ruang Terbuka Hijau 18.077,13 39,86

2 Lahan Terbangun 5.781,05 12,75

3 Pertanian 19.405,45 42,78

4 Penggunaan lain 726,39 1,60

Wilayah Kabupaten Kudus berdasarkan data interpretasi citra diperoleh luas

wilayah sebesar 45.357,21 ha dan berdasarkan peraturan tersebut 30% dari
luasan wilayah kota yang harus dijadikan ruang terbuka hijau adalah sebesar
13.607,16 ha. Berdasarkan data yang diperoleh, luasan ruang terbuka hijau
sebesar 18077,13 ha atau 39,86% dari luasan keseluruhan wilayah Kabupaten
Kudus, sehingga Kabupaten Kudus dengan luasan ruang terbuka hijau lebih
dari 30% dikategorikan telah memenuhi UU No. 26 tahun 2007.

390|GeomatikaSARNasional(GeoSARNas)2011
Kebutuhan ruang terbuka hijau berdasarkan emisi CO2
Dari perhitungan didapat total emisi CO2 yaitu sebesar 1.744,704 Gg CO2/tahun.
Serapan CO2 berguna untuk mengetahui kemampuan ruang terbuka hijau
dalam menyerap CO2 yang terdapat di Kabupaten Kudus. Pendekatan yang
dilakukan untuk penghitungan serapan CO2 dilakukan dengan cara menentukan
luas penutupan lahan daerah-daerah yang bervegetasi tinggi atau ruang
terbuka hijau. Luas ruang terbuka hijau yang dimiliki oleh Kabupaten Kudus
adalah sebesar 18.077,31 ha sehingga emisi CO2 yang dapat diserap oleh
ruang terbuka hijau adalah sebesar 1.053.140,69 ton CO2/ha atau 1.053,14 Gg
CO2/ha. Jumlah emisi CO2 yang telah dihitung, serapannya diasumsikan
dengan nilai serapan CO2 oleh ruang terbuka hijau (vegetasi pohon) yaitu
sekitar 58,2576 ton/tahun/ha. Berdasarkan jumlah emisi CO2 pada tahun 2010,
secara keseluruhan Kabupaten Kudus belum mampu menyerap emisi CO2 lebih
besar dari minimal kebutuhan luas terbuka hijau yang harus disediakan yaitu
sebesar 29.948,106 ha dari pada jumlah luas ruang terbuka hijau di lapangan
atau yaitu 18.077,31 ha atau 39,86% dari luas wilayah Kabupaten Kudus. Hal ini
menunjukkan bahwa ketersediaan ruang terbuka hijau di Kabupaten Kudus
belum termasuk dalam kondisi yang cukup dalam kemampuan menyerap emisi
CO2.

Ketercukupan ruang terbuka hijau berdasarkan kondisi sekarang

Berdasarkan kondisi sekarang ruang terbuka hijau di Kabupaten Kudus belum
mencukupi untuk menyerap emisi karbon dioksida. Kebutuhan luasan ruang
terbuka hijau untuk masing-masing kecamatan dapat diketahui dengan
menggunakan asumsi yaitu total emisi CO2 tersebar secara merata berdasarkan
luas kecamatan. Data mengenai kebutuhan luasan ruang terbuka hijau ini dapat
dilihat pada Tabel 6.

Tabel 6 Kebutuhan luasan ruang terbuka hijau pada masing-masing kecamatan di Kabupaten
Kudus
Luas Luas Ruang Total Emisi
Kebutuhan
No. Kecamatan Kecamatan terbuka CO2 Selisih (ha)
RTH (ha)
(ha) hijau (ha) (Gg/thn)
1 Bae 2.482,02 997,83 95,47 1.638,80 -640,97
2 Dawe 9.126,99 7.220,70 351,07 6.026,29 1.194,40
3 Gebog 6.181,56 4.019,22 237,77 4.081,51 -62,29
4 Jati 3.136,05 635,31 120,63 2.070,64 -1.435,33

GeomatikaSARNasional(GeoSARNas)2011|391
 5 Jekulo 8.393,49 2.828,16 322,86 5.541,98 -2.713,82
6 Kaliwungu 3.334,95 547,74 128,28 2.201,97 -1.654,23
7 Kota 1.113,57 223,74 42,83 735,25 -511,51
8 Mejobo 3.901,77 744,57 150,08 2.576,23 -1.831,66
9 Undaan 7.686,81 860,04 295,68 5.075,38 -4.215,34

Total 45.357,21 18.077,31 1.744,70 29.948,11 -11.870,79

Kesesuaian Rencana Tata Ruang Wilayah (RTRW) Kabupaten Kudus terhadap kawasan
Ruang Terbuka Hijau
Berdasarkan data penggunaan lahan yang tercantum dalam RTRW Kabupaten
Kudus yang kemudian diolah lebih lanjut, luas lahan untuk ruang terbuka hijau
meliputi hutan lindung, hutan produksi, taman kota, alun-alun kota, ruang
terbuka hijau, jalur hijau, lapangan olahraga, pemakaman, ruang terbuka
perumahan dan daerah aliran sungai adalah sebesar 3,882,23 ha atau 9,13%
dari luas wilayah Kabupaten Kudus. Perencanaan penggunaan lahan tersebut
tidak sesuai dengan Undang-undang No. 26 tahun 2007 tentang Penataan
Ruang yang menyatakan bahwa proporsi Ruang Terbuka Hijau (RTH) pada
wilayah kota paling sedikit 30% dari luas kota. Berdasarkan hal tersebut
Kabupaten Kudus tidak memenuhi standar kecukupan luasan ruang terbuka
hijau. Kebutuhan ruang terbuka hijau berdasarkan emisi CO2 di Kabupaten
Kudus adalah sekitar 29.248,11 ha. Kandungan emisi CO2 di Kabupaten Kudus
yang tinggi, mengharuskan pemerintah memberi perhatian yang lebih terhadap
lingkungan khususnya mengenai keberadaan ruang terbuka hijau.

Perubahan dan Prediksi Peningkatan Kebutuhan Ruang Terbuka Hijau di Kabupaten

Kudus pada tahun 2016 berdasarkan Emisi CO2
Pendugaan emisi pada tahun 2016 digunakan untuk menghitung kebutuhan
luasan pada tahun 2016. Dalam perhitungan didapatkan nilai emisi CO2 pada
tahun 2016 sebesar 1.794,016 Gg CO2, sehingga luas ruang terbuka hijau yang
dibutuhkan adalah 30.794,545 ha atau 67,89% dari luas wilayah Kabupaten
Kudus. Ruang terbuka hijau yang seharusnya disediakan oleh Kabupaten
Kudus pada tahun 2016 adalah seluas 30.794,545 ha sedangkan keadaan
dilapangan luas ruang terbuka hijau yang tersedia adalah 18.077,31 ha, asumsi
penggunaan keadaaan sebenarnya di lapang menggunakan data citra 2009,
sehingga penambahan kebutuhan luasan ruang terbuka hijau pada hijau pada
tahun 2016 sebesar 12.717,235 ha. Nilai luasan prediksi didapatkan dari

392|GeomatikaSARNasional(GeoSARNas)2011
beberapa variabel tetap yaitu emisi CO2 dari areal persawahan sebesar 14,5568
Gg CO2, sedangkan variabel peubahnya yaitu emisi CO2 dari peternakan,
penduduk dan konsumsi energi. Persamaan eksponensial untuk tiga variabel
peubah tersebut masing-masing yaitu:

Y1 = 3,345 (1 - 0,02)x
Y2 = 690346,652 (1 + 0,0128)x
Y3 = 1424,671 (1+0,004
Keterangan:
Y1 = Total emisi CO2 dari peternakan
Y2 = Total emisi CO2 dari penduduk
Y3 = Total emisi CO2 dari konsumsi energi
x = Selisih tahun
Penentuan kebutuhan ruang terbuka hijau pada tahun-tahun yang akan datang
sangat dibutuhkan karena dapat dijadikan masukan dalam penyusunan rencana
tata ruang wilayah sebuah wilayah administrasi yang mendukung dan menjaga
kelestarian, keserasian dan keseimbangan ekosistem lingkungan.

Implikasi pada Kebijakan Pembangunan Wilayah Ruang Terbuka Hijau di Kabupaten

Kudus
Undang-Undang No. 26 tahun 2007 tentang Penataan Ruang yang menyatakan
bahwa proporsi RTH pada wilayah kota paling sedikit 30% dari luas kota.
Berdasarkan hal tersebut Kabupaten Kudus pada tahun 2010 telah memenuhi
standar kecukupan luasan RTH. Kecukupan ini berdasarkan luas seluruh
Kabupaten Kudus, sedangkan kecukupan berdasarkan luasan per kecamatan
menunjukkan tidak semua kecamatan memenuhi persayaratan proporsi RTH
yaitu paling sedikit 30% dari luas wilayah. Kecukupan selanjutnya berdasarkan
kemampuan wilayah untuk mampu menyerap emisi CO2. Berdasarkan jumlah
emisi CO2 pada tahun 2010, secara keseluruhan Kabupaten Kudus belum
mampu menyerap semua emisi CO2. Penentuan kecukupan berdasarkan dua
pendekatan yaitu UU No. 26 tahun 2007 tentang Penataan Ruang dan
kemampuan menyerap emisi CO2, menunjukkan hasil yang tidak sama. Hasil ini
berdasarkan ketersediaan dan kualitas ketersediaan RTH per kecamatan di
Kabupaten Kudus. Upaya mengoptimalkan pembangunan RTH berdasarkan
luasan perkecamatan ini harus dapat dilakukan pemerintah daerah, sehingga
penentuan luasan RTH berdasarkan UU No. 26 tahun 2007 perlu
mempertimbangkan luas per kecamatan dan kualitas luasannya.

GeomatikaSARNasional(GeoSARNas)2011|393
Penentuan luasan RTH di Kabupaten Kudus adalah berdasarkan kualitas
luasan RTH. Kualitas tersebut adalah kualitas penyerapan emisi CO2, sehingga
upaya yang dapat dilakukan adalah melakukan penanaman jenis-jenis tanaman
RTH yang berkemampuan tinggi dalam menyerap CO2 dan keberadaannya
tidak terpusat pada satu lokasi. Pemilihan lokasi apabila dilihat dari kondisi luas
wilayah per kecamatan yang cukup kecil dibandingkan dengan kepadatan
bangunan, maka tidak memungkinkan adanya cadangan ruang terbuka sebagai
pengembangan ruang terbuka hijau untuk memenuhi kekurangan luasan RTH
pada semua kecamatan. Berdasarkan besaran persentase luasan minimal
ruang terbuka hijau, maka perlu dilakukan pengembangan dengan
mengoptimalkan dari wilayah yang didominasi semak dan belukar.

Kesimpulan Dan Saran

Kesimpulan
1. Emisi CO2 yang terdapat di Kabupaten Kudus dilihat dari empat
sumber, yaitu emisi CO2 yang berasal dari energi (bahan bakar)
dengan jumlah emisi 1.454,82 Gg CO2/tahun, emisi CO2 yang berasal
dari ternak dengan jumlah emisi 3,791 Gg CO2/tahun, emisi CO2 yang
berasal dari sawah dengan jumlah emisi 14,556 Gg CO2/tahun dan
emisi CO2 yang berasal dari penduduk 272,59 dengan jumlah emisi Gg
CO2/tahun. Total emisi CO2 dari keempat sumber tersebut adalah
1.744, 704 Gg CO2/tahun.

2. Luas ruang terbuka hijau di Kabupaten Kudus berdasarkan proses

klasifikasi lahan adalah 18.077,31 ha atau 39,86% dari luas total
wilayah Kabupaten Kudus. Tingginya tingkat emisi CO2 yang terdapat
di Kabupaten Kudus menyebabkan wilayah perkotaan ini
membutuhkan penambahan luasan ruang terbuka hijau sebesar
11870,79 ha. Penambahan luasan ruang terbuka hijau ini dapat
diterapkan ke dalam Rencana Tata Ruang Wilayah Kabupaten periode
berikutnya.

3. Nilai emisi CO2 pada tahun 2016 sebesar 1.794,016 Gg CO2, sehingga
luas ruang terbuka hijau yang dibutuhkan adalah 30.794,545 ha.
Penambahan kebutuhan luasan ruang terbuka hijau pada hijau pada
tahun 2016 sebesar adalah 12.717,235 ha dari asumsi luasan
keadaaan sebenarnya di lapang menggunakan data citra 2009.

394|GeomatikaSARNasional(GeoSARNas)2011
Saran
Perlu adanya penambahan luasan ruang terbuka hijau di Kabupaten Kudus,
sehingga mampu menyerap emisi CO2. Distribusi penambahan luasan ruang
terbuka hijau pada masing-masing kecamatan dapat dilakukan baik pada tanah
milik maupun tanah publik. Penambahan luasan ruang terbuka hjau ini dapat
diintegrasikan dalam berbagai bentuk seperti pembuatan jalur hijau, pekarangan
perumahan, taman kota, daerah sekitar mata air dan resapan air, areal
pemakaman, taman di lingkungan industri dan areal perkebunan.

Daftar Pustaka

[IPCC] Intergovernmental Panel on Climate Change. 1996. Revised 1996 IPCC

Guidelines for National Greenhouse Gas Inventories Workbook (Volume
2). http://www.ipcc-nggip.iges. or.jp /public/gl/invs5.html.
Anhang J. and Goodland R. 2006. Livestock's Long Shadow: Environmental
Issues and Options. Food and Agriculture Organization of the United
Nations. Rome. http:// www. world watch. org/ww/lifestock [15 April 2011]
Grey GW and FJ Denake. 1978. Urban Forestry. John Wiley and Sons. New
York.
Lillesand TM and RW Kiefer. 1993. Penginderaan Jauh dan Interpretasi Citra.
Terjemahan-Cetakan Kedua. Gajah Mada University Press. Yogyakarta.

GeomatikaSARNasional(GeoSARNas)2011|395
 Kajian Spasiotemporal Dampak ENSO terhadap Karakteristik
Indeks Vegetasi dengan Citra TerraMODIS: Studi Kasus Pulau
Kalimantan dan Pulau Jawa

Nita Maulia, Aris Poniman, Suharto Wijoyo, Mulyanto Darmawan

Badan Koordinasi Survei dan Pemetaan Nasional (BAKOSURTANAL). Jalan Raya
Jakarta-Bogor, Km. 46, Cibinong 16911, Indonesia.

Abstrak. Nilai indeks vegetasi telah diketahui secara luas dan banyak digunakan untuk
berbagai kajian ilmiah, terutama dalam hal deteksi dan monitoring vegetasi. Meskipun
demikian, besaran nilai indeks vegetasi tersebut dapat dipengaruhi oleh iklim suatu
daerah. Lokasi Indonesia yang unik, terletak diantara dua benua dan dua samudera dan
topografi yang bervariasi, telah menciptakan suatu pola iklim yang unik pula. Iklim di
indonesia, selain dipengaruhi oleh monsoon juga dipengaruhi oleh terjadinya El Nino/La
Nina Southern Oscilation (ENSO). Dalam makalah ini akan dibahas tentang hubungan
antara ENSO dan nilai indeks vegetasi terkait dengan adanya kejadian La Nina (2007
2008) dan El Nino (2009 2010) pada dua daerah dengan karakteristik iklim yang
berbeda, yaitu Kalimantan dan Jawa. Nilai indeks vegetasi diturunkan dari citra Terra
Modis yang diperoleh dari operasi algoritma dengan menggunakan band inframerah
dekat dan band inframerah (Nilai NDVI). Nilai NDVI yang digunakan adalah nilai NDVI
bulanan yang diperoleh selama kurun waktu terjadinya ENSO (2007 2010). Untuk
mengetahui korelasi antara NDVI dengan ENSO, digunakan Southern Oscilation Index
(SOI) sebagai data tambahan untuk mempertajam analisis. Data pendukung lain seperti
data hujan dan penggunaan lahan juga digunakan dalam analisis. Berdasarkan analisis
yang dilakukan diperoleh hasil bahwa ada korelasi antara periode ENSO dengan nilai
NDVI. Selain itu juga terungkap bahwa pengaruh ENSO terhadap NDVI berbeda-beda
antara Kalimantan dan Jawa yang memiliki perbedaan iklim dan bahkan dalam satu
pulau yang mempunyai iklim sama.

Katakunci: NDVI, ENSO (El Nino/La Nina), MODIS, SOI

Abstract. Vegetation index values have been widely known and widely used for various
scientific studies, especially in detection and monitoring of vegetation. Nevertheless,
the vegetation index values can be influenced by the climate of a region. Indonesia's
unique location, situated between two continents and two oceans and a varied
topography, has created a unique climate patterns. The Indonesian climate, is not only
influenced by the monsoon but also influenced by the occurrence of El Nino / La Nina
Southern Oscilation (ENSO). This paper will discuss the relationship between ENSO and

GeomatikaSARNasional(GeoSARNas)2011.|396
vegetation index values that associated with the presence of La Nina events (2007 -
2008) and El Nino events (2009 - 2010) in two areas which has different climate
characteristics; Kalimantan and Java. Vegetation index values derived from Terra Modis
image obtained from the algorithm operation of Near Infrared and Infrared bands (NDVI
values). NDVI value used is the monthly NDVI values that obtained during the period of
the ENSO (2007-2010). To determine the correlation between NDVI with ENSO, Southern
Oscillation Index (SOI) was used as additional data to enhance the analysis. Other
supporting data such as rainfall and land use data are also used in the analysis. Based on
the analysis conducted, its results that there is a correlation between ENSO period with
NDVI values. It also revealed that the influence of ENSO on the NDVI varies between
Kalimantan and Java which have different climates, and even in the island which has a
similar climate.

Keywords: NDVI, ENSO (El Nino/La Nina), MODIS, SOI

Latar Belakang
Manfaat dari Nilai NDVI (Normalized Difference Vegetation Index) secara ilmiah
telah diketahui secara luas oleh banyak peneliti diseluruh dunia. NDVI
digunakan secara luas diantaranya untuk identfikasi hutan, monitoring vegetasi,
estimasi produksi padi, dan deteksi kekeringan. Selain itu, NDVI juga memiliki
beberapa kelebihan jika dibandingkan dengan Indek Vegetasi yang lain,
diantaranya adalah topographical efect dapat tereduksi serta mempunyai
kemampuan yang bagus untuk mengidentifikasi kekeringan. Akan tetapi nilai
NDVI ini sangat rentan terhadap perubahan iklim terutama ENSO, sehingga hal
ini juga dapat mempengaruhi analisis yang dihasilkan dari data tersebut.

Indonesia mempunyai karakteristik yang unik, baik berhubungan dengan letak

geografisnya maupun variasi bentagan topografi pulau-pulaunya. Lokasi
Indonesia yang unik, terletak diantara dua benua dan dua samudera dan
topografi yang bervariasi, telah menciptakan suatu pola iklim yang unik pula.
Iklim di indonesia, selain dipengaruhi oleh monsoon juga dipengaruhi oleh
terjadinya El Nino/La Nina Southern Oscilation (ENSO). Setiap periode ENSO
membawa dampak yang berbeda pada tiap wilayah (As-syakur, 2007; Aldrian
dan Susanto, 2003; dan Hamada et al, 2002). Pada setiap daerah dengan pola
hujan yang berbeda, dimana di daerah dengan pola hujan monson pengaruh
fenomena iklim ini kuat, pada daerah berpola hujan equatorial pengaruhnya
lemah, sedangkan pengaruhnya pada daerah berpola hujan lokal tidak jelas
(Aldrian dan Susanto, 2003 dalam As-Syakur, 2010). Pernyataan tersebut juga
diperkuat oleh Hamada et al. (2002) yang mengungkapkan bahwa setiap

GeomatikaSARNasional(GeoSARNas)2011|397
daerah dengan pola hujan yang berbeda, responnya terhadap El Nino/La Nina
juga berbeda-beda (As-syakur, 2010).

Pengaruh ENSO terhadap nilai NDVI telah banyak dijabarkan dalam berbagai
penelitian, diantaranya yang dikemukakan oleh Mardio1, yang menyatakan
bahwa ada korelasi negatif yang tinggi antara nilai NDVI tahunan dengan curah
hujan dan kandungan air tanah tahunan yang menyebabkan menurunnya nilai
NDVI pada tahun-tahun basah. Song et al (2008) dalam penelitiannya
mengungkapkan bahwa NDVI menunjukkan korelasi positif dengan anomali SOI
pada kurun waktu musiman. Selain itu, kepekaan terhadap ENSO juga dapat
diamati dengan jelas pola geografisnya yang dapat menjelaskan hubungan
antara adanya anomali dengan hujan ENSO. Pernyataan tersebut juga
didukung oleh sebuah penelitian tentang hubungan ENSO dengan NDVI di
Arizona, dimana dijelaskan bahwa El Nino menghasilkan nilai rata-rata NDVI
yang lebih tinggi pada saat musim semi, sedangkan La Nina menghasilkan nilai
rata-rata NDVI yang lebih rendah pada saat musim semi. Selain itu juga
diungkapkan tentang kemungkinan peningkatan nilai NDVI karena adanya badai
seperti monsoon musim panas (www.rangeview.arizona.edu).

Dengan keunikan kondisi iklim di Indonesia, dimana tiap tempat memiliki respon
yang berbeda terhadap periode El Nino/La Nina, respon nilai NDVI terhadap
ENSO juga akan berbeda pula. Berdasarkan penjabaran tentang pentingnya
nilai NDVI dan adanya keterkaitan nilai tersebut dengan periode ENSO di
berbagai daerah, maka perlu dilakukan penelitian tentang pengaruh ENSO
terhadap nilai NDVI di Indonesia, terutama di Pulau Kalimantan dan Jawa. Oleh
karena itu penelitian ini bertujuan untuk mengetahui dampak ENSO terhadap
nilai NDVI, terutama di Pulau Kalimantan dan Pulau Jawa yang memiliki
karakteristik iklim dan penutup lahan yang berbeda.

Dataset Penelitian
Southern Oscilation Index (SOI)
Southern Oscilation Index (SOI) dihitung berdasarkan fluktuasi/perbedaan
tekanan udara bulanan antara Tahiti dan Darwin. Nilai SOI negatif yang
berkelanjutan diindikasikan sebagai periode El Nino sedangkan nilai SOI positif
yang berkelanjutan diindikasikan sebagai periode La Nina. Nilai SOI negatif
biasanya disertai oleh pemanasan suhu permukaan air laut di Samudera Pasifik
tropis bagian tengah dan timur, penurunan kekuatan angin pasifik, dan

398|GeomatikaSARNasional(GeoSARNas)2011
penurunan curah hujan, sedangkan pada periode La Nina perairan di pusat dan
timur Samudera Pasifik tropis menjadi lebih dingin, angin pasifik menjadi lebih
kuat, serta terjadi peningkatan curah hujan (www.bom.gov.au).

Nilai SOI yang digunakan dalam paper ini adalah nilai SOI yang disusun oleh
Australian Bureau of Meteorology. Ada beberapa macam algoritma yang
digunakan dalam perhitungan SOI, dalam hal ini algoritma perhitungan yang
digunakan oleh Australian Bureau of Meteorology adalah sebagai berikut :

[PdiffPdiffav]

SOI=10

SD(Pdiff)

Dimana :
Pdiff = (ratarata MSLP Tahiti pada bulan tertentu) (ratarata MSLP Darwin pada bulan
tersebut),
Pdiffav = ratarata jangka panjang dari Pdiff untuk bulan yang bersangkutan,
SD (Pdiff) deviasi = jangka panjang standar Pdiff untuk bulan yang bersangkutan

Data nilai SOI yang di terbitkan di website Australian Bureau of Meteorology

(http://www.bom.gov.au/climate/current/soihtm1.shtml) tersedia dari bulan
Januari tahun 1876 hingga bulan Juli tahun 2011. Sesuai dengan tujuan
penelitian ini, data yang diambil hanya dari tahun 2007 hingga tahun 2010
dimana pada tahun tersebut diindikasikan terjadinya El Nino dan La Nina.

Citra NDVI Terra - MODIS

Nilai NDVI (Normalized Difference Vegetation Index) adalah suatu metode
standar yang digunakan untuk membandingkan tingkat kehijauan vegetasi pada
citra satelit. Nilai NDVI diperoleh dengan melakukan operasi algoritma pada
band merah dan band infra merah dekat. Pada Citra MODIS band merah
terdapat pada band 1 dengan rentang panjang gelombang 0.62-0.67 m dan
band infra merah dekat terdapat pada band 2 dengan rentang panjang
gelombang 0.841-0.876 m. Algoritma yang digunakan untuk menghitung nilai
NDVI adalah (band infra merah dekat band Merah) / (band infra merah dekat
+ band Merah). Rentang nilai NDVI adalah -1.0 hingga 1.0, dimana nilai -1.0

GeomatikaSARNasional(GeoSARNas)2011|399
0.0 adalah obyek bukan vegetasi dan 0.1 0.7 merupakan nilai rentang
vegetasi, dan 0.7 1.0 menggambarkan tingkat kesehatan tutupan vegetasi.

Data citra NDVI Modis yang akan dianalisis disesuaikan dengan tiga kondisi
iklim yang telah teridentifikasi melalui nilai SOI, yaitu pada saat kondisi normal,
pada saat kejadian El Nino, dan pada saat kejadian La Nina. Data yang
digunakan adalah Data NDVI Modis bulanan dengan resolusi spasial 250 km
yang meliputi Pulau Kalimantan dan Pulau Jawa. Data NDVI bulanan yang akan
dianalisis adalah data bulan Maret 2009, bulan Oktober 2009, dan Bulan
Desember 2010. Data citra tersebut nantinya akan dianalisis baik dari
histogramnya maupun sebaran spasial dari nilai NDVI tersebut.

Data Hujan TRMM dan Data Penutup Lahan

Data hujan dalam penelitian ini diperlukan sebagai pendukung analisis untuk
mengetahui hubungan antara ENSO dan nilai NDVI citra Modis. Data hujan
yang dipakai adalah data hujan bulanan dan data anomali hujan terutama data
anomali hujan. Data hujan yang digunakan adalah data hujan bulanan yang
diperoleh dari rata-rata hujan harian dalam kurun waktu 20072010 yang
diperoleh dari citra TRMM. Data anomali diperoleh dengan mengurangkan
curah hujan pada iklim normal (bulan Maret 2009) dengan curah hujan saat
periode ENSO.

Data Penutup lahan Pulau Kalimantan dan Pulau Jawa diperlukan untuk
mempertajam analisis yang dilakukan. Data penutup lahan yang digunakan
dalam penelitian ini adalah data penutup lahan skala 1 : 250.000 tahun 2009
seluruh Indonesia yang diperoleh dari Departemen Kehutanan dengan
perubahan.

Metode Penelitian
Analisis ENSO dari data SOI
Rentang waktu kejadian ENSO yang akan dianalisis adalah tahun 2007 2010.
Pemilihan rentang waktu ini berdasarkan rentang siklus tahunan kejadian El
Nino dan La Nina yang terjadi di Indonesia. Kejadian El Nino tahun 2007 telah
diprediksi oleh LAPAN dan BMKG sebagi El Nino Lemah (LAPAN, 2006 dan
BMKG, 2010) dan pada akhir tahun 2009 hingga awal tahun 2010 BMKG
memprediksi kejadian El Nino dengan kekuatan lemah hingga Moderate Kuat

400|GeomatikaSARNasional(GeoSARNas)2011
(www.bi.go.id). Sementara itu kejadian La Nina kuat diprediksi terjadi dari
pertengahan 2010 hingga pertengahan 2011 (BMKG, 2010).

Identifikasi periode terjadinya ENSO juga dapat dilihat dari Nilai Southern
Oscilation Index (SOI). Data SOI tersebut akan digunakan untuk mendukung
analisis kejadian El Nino dan La Nina yang terprediksi dan sudah terjadi. SOI
yang dianalisis diambil dari tahun 2007 hingga 2010. Data tabuler SOI disajikan
dalam bentuk blog diagram agar lebih mudah untuk analisis periode El Nino dan
La Nina pada periode waktu tersebut. Dari diagram tersebut akan diidentifikasi
tiga kondisi iklim, yaitu iklim normal, dimana nilai SOI sebesar 0 atau mendekati
0; El Nino puncak, dimana nilai SOI negatif tertinggi diambil dari suatu periode
El Nino; dan La Nina puncak, dimana nilai SOI positif tertinggi diambil dari suatu
periode La Nina. Selanjutnya tiga kondisi Iklim tersebut akan digunakan sebagai
dasar analisis citra untuk mengetahui pengaruh kondisi iklim pada NDVI.

Tabel 1. Southern Oscilation Index (SOI) tahun 2007 2010

Jan Feb Mar Apr Mei Juni Juli Agust Sept Okt Nov Des

2007 -7,3 -2,7 -1,4 -3 -2,7 5 -4,3 2,7 1,5 5,4 9,8 14,14
2008 14,1 21,3 12,2 4,5 -4,3 5 2,2 9,1 14,1 13,4 17,1 13,3
2009 9,4 14,8 0,2 8,6 -5,1 -2,3 -1,6 -5 3,9 -14,7 -6,7 -7
2010 -10,1 -14,5 -10,6 15,2 10 1,8 20,5 18,8 25 18,3 16,4 27,1

Analisis citra NDVI Modis

Berdasarkan kondisi iklim yang diperoleh dari hasil analisis data SOI dalam
jangka waktu 2007 2010 dimana telah teridentifikasi puncak terjadinya La
Nina dan El Nino serta kondisi normal, maka analisis NDVI pada citra Modis
akan di lakukan pada citra yang direkam pada bulan-bulan dimana tiga kondisi
iklim tersebut terjadi. Analisis citra yang dilakukan terbagi dalam dua tahapan,
yaitu analisis spasial dan analisis histogram citra.

Analisis spasial dilakukan dengan melihat persebaran dari nilai NDVI pada citra
Pulau Kalimantan dan Pulau Jawa pada tiga kondisi iklim yang berbeda secara
terpisah. Hasil analisis spasial ini akan menunjukkan persebaran daerah
anomali nilai NDVI yang terjadi pada saat puncak periode ENSO dalam kurun
waktu 2007 2010. Daerah-daerah anomali yang terdeteksi kemudiaan akan
dianalisis secara lebih lanjut dengan menggunakan data hujan.

GeomatikaSARNasional(GeoSARNas)2011|401
Selain analisis spasial juga dilakukan analisis histogram dari masing-masing
kondisi iklim yang berbeda. Histogram yang diperoleh dari citra NDVI akan
ditampilkan secara bersamaan sehingga dapat mempermudah analisis. Analisis
histogram yang dilakukan terutama meliputi posisi puncak histogram pada
ketiga kondisi iklim yang berbeda serta persebaran nilai dan jumlah piksel
dalam bidang kartesian.

Analisis data hujan dan data penutup lahan

Data hujan digunakan untuk mempertajam analisis pada daerah anomali nilai
NDVI dari citra yang telah dianalisis sebelumnya. Analisis data hujan ini perlu
dilakukan mengingat setiap periode El Nino dan La Nina membawa pengaruh
pada besarnya curah hujan yang turun pada masing-masing wilayah. Pada
setiap daerah anomali nilai NDVI akan dibandingkan dengan data anomali hujan
pada bulan yang sama yang direkam oleh satelit TRMM begitu pula dengan
kondisi penutup lahannya.

Data hujan yang digunakan dapat diamati pada Gambar 1, dimana pada
gambar tersebut menunjukkan persebaran hujan di dunia pada bulan Maret
2009, Oktober 2009, dan Desember 2010. Gambar 2. menunjukkan anomali
hujan yang diperoleh dari selisih antara bulan normal dan bulan puncak periode
ENSO di wilayah Indonesia. Selain itu data Penutup lahan juga disajikan pada
Gambar 3. dan 4.

( A)

402|GeomatikaSARNasional(GeoSARNas)2011
 (B)

Gambar 1. A. Sebaran Hujan Bulanan Dunia (mm/dd); B. Data anomali hujan pada bulan Oktober
2009 dan Desember 2010

Gambar 2. A. Penutup Lahan Pulau Kalimantan; B. Penutup Lahan Pulau Jawa

Hasil dan Pembahasan

Berdasarkan nilai SOI selama tahun 2007 2010 yang disajikan dalam Gambar
3, menunjukkan adanya beberapa periode ENSO. Periode El Nino berlangsung
pada awal hingga pertengahan tahun 2007 dengan skala lemah dan muncul lagi
pada pertengahan tahun 2009 dimana nilai SOI tertingginya adalah sebesar

GeomatikaSARNasional(GeoSARNas)2011|403
14.7. Periode La Nina berlangsung lebih lama yaitu pada akhir tahun 2007
hingga awal tahun 2009 kemudian muncul lagi pada pertengahan tahun 2010
dengan skala yang lebih kuat dari tahun sebelumnya dengan nilai puncak
sebesar 27.1.

Dari diagram tersebut dapat teridentifikasi tiga kondisi iklim, yaitu saat kondisi
cuaca normal dengan asumsi bahwa nilai SOI yang mendekati 0 pada bulan
Maret 2009 adalah kondisi normal, puncak periode El Nino (kondisi ekstrim
dalam periode tersebut adalah bulan Oktober 2009 dengan nilai SOI = - 14,7),
dan puncak periode La Nina (kondisi ekstrim dalam periode tersebut adalah
bulan Desember 2010 dengan nilai SOI = 27,1). Citra Modis yang memuat nilai
NDVI rata-rata bulanan pada tiga kondisi iklim tersebut kemudian digunakan
untuk mewakili analisis dampak ENSO terhadap Nilai NDVI.

Gambar 3. Index SOI tahun 2007 - 2010

Hasil analisis spasial dari citra NDVI Modis pada pulau Kalimantan dan Pulau
Jawa menunjukkan adanya perbedaan persebaran spasial. Pada Pulau
Kalimantan yang memiliki tutupan vegetasi cukup banyak, secara umum nilai
NDVI tinggi tersebar merata di seluruh Pulau. Pada bulan Maret yang
diidentifikasikan sebagai kondisi iklim normal, persebaran nilai NDVI tinggi
terkonsentrasi di daerah selatan bawah pulau, dimana penggunaan lahan di

404|GeomatikaSARNasional(GeoSARNas)2011
daerah tersebut adalah hutan primer maupun sekunder. Pada Bulan Oktober,
nilai NDVI tinggi terkonsentrasi di daerah leher bagian selatan tengah Pulau
Kalimantan. Nilai NDVI di daerah ini meningkat baik dari segi intensitasnya
maupun jumlah pikselnya. Hal ini dapat mengindikasikan bahwa El Nino
mempunyai korelasi positif terhadap nilai NDVI. Naiknya nilai NDVI ini bisa
diakibatkan oleh berkurangnya curah hujan pada daerah tersebut sehingga
intensitas cahaya matahari yang diterima oleh daun untuk melakukan
fotosintesis akan meningkat. Hal inilah yang mungkin memengaruhi naiknya
nilai NDVI pada wilayah tersebut. Sebaliknya, Pada bulan Desember 2010
dimana puncak periode La Nina terjadi, nilai NDVI pada Pulau Kalimantan justru
cenderung menurun. Bisa dilihat pada citra NDVI yang disajikan pada Gambar
4, bahwa luasan dan jumlah nilai NDVI tinggi (warna cokelat) berkurang dan
banyak digantikan oleh nilai NDVI yang lebih rendah (warna kuning). Hal ini
mengindikasikan bahwa La Nina memiliki korelasi yang negatif terhadap nilai
NDVI. Banyaknya curah hujan dan kandungan uap air yang ada di atmosfer
yang menyertai periode La Nina memiliki pengaruh terhadap turunnya nilai
NDVI pada Pulau Kalimantan. Meskipun demikian, hubungan ini hanya bisa
sedikit teramati pada Pulau Kalimantan karena lokasi Pulau Kalimantan yang
dilewati garis khatulistiwa memungkinkan dampak ENSO terjadi di pulau
tersebut relatif kecil.

GeomatikaSARNasional(GeoSARNas)2011|405
 Gambar 4. Sebaran Nilai NDVI di Pulau Kalimantan

Berbeda dengan Pulau Kalimantan yang masih memiliki tutupan vegetasi cukup
banyak, indeks vegetasi di Pulau Jawa didominasi oleh kisaran nilai rendah
hingga sedang. Pada kondisi normal, Sebaran nilai NDVI tertinggi berada pada
kedua ujung Pulau Jawa dimana pada wilayahter sebut tutupan lahannya
adalah hutan. Pada bagian utara dan tengah Pulau Jawa nilai NDVInya
cenderung rendah. Hal tersebut mungkin disebabkan oleh adanya lahan
pertanian yang masih baru diairi, atau karena masih adanya pengaruh La Nina
pada kondisi normal, mengingat bahwa kondisi normal tersebut diambil dalam
suatu periode La Nina. Pada bulan Oktober, dimana indeks SOI menunjukkan
terjadinya puncak periode El Nino, nilai indeks vegetasi yang menunjukkan nilai
kerapatan tinggi dan nilai kerapatan rendah meningkat intensitasnya.
Persebaran spasial untuk nilai NDVI tinggi terutama terdapat di Barat dan Timur
Jawa pada bagian tengah ke arah selatan, sedangkan nilai NDVI rendah
meningkat intensitasnya di sepanjang utara Jawa. Jika dilihat dari penutup
lahannya, daerah yang memiliki peningkatan nilai NDVI (disimbolkan dengan
warna cokelat) terutama adalah daerah hutan lahan kering sekunder dan hutan
lahan kering, sedang daerah yang memiliki penurunan nilai NDVI (disimbolkan
dengan warna biru dan ungu) terutama adalah lahan terbangun serta lahan
pertanian. Adanya peningkatan intensitas nilai NDVI tinggi pada daerah hutan
tersebut mungkin dipengaruhi oleh jumlah curah hujan yang berkurang karena
adanya El Nino. Data curah hujan yang diperoleh dari citra TRMM juga

406|GeomatikaSARNasional(GeoSARNas)2011
menunjukkan bahwa wilayah jawa, terutama bagian timur memiliki curah hujan
yang relatif lebih kecil. Meskipun demikian, terjadinya intensitas penurunan nilai
NDVI rendah kurang relevan jika dihubungkan dengan adanya periode El Nino.
Nilai NDVI rendah pada lahan pertanian tersebut mungkin berhubungan dengan
pola tanam/musim tanam pada lahan tersebut sehingga dapat nilai NDVI dapat
terpengaruh, sedangkan pada lahan terbangun pengaruh tersebut masih perlu
penelitian yang lebih mendalam. Pola persebaran nilai NDVI pada puncak
periode La Nina pada Desember 2010 pada nilai NDVI tidak jauh berbeda
dengan kondisi normal. Meskipun demikian masih bisa dilihat bahwa pada
daerah hutan di kedua ujung Pulau Jawa nilai NDVInya mengalami penurunan,
hal tersebut disebabkan oleh curah hujan yang relatif tinggi di seluruh Pulau
Jawa.

A.

B.

C.
Gambar 5. Sebaran Nilai NDVI di Pulau Jawa

GeomatikaSARNasional(GeoSARNas)2011|407
Selain berbeda dalam sebaran spasial dan lokasi anomali, perbedaan trend nilai
NDVI pada histogram juga berbeda antara Pulau Kalimantan dan Pulau Jawa.
Pada histogram NDVI Pulau Kalimantan (Gambar 6) dapat dilihat bahwa
kecenderungan bentuk kurva histogram pada masing-masing iklim hampir
sama, hanya saja kurva histogram pada bulan Desember 2010 dimana terjadi
puncak La Nina, lebih lebar amplitudonya dan dan puncaknya lebih rendah
daripada kondisi normal dan puncak El Nino. Hal ini disebabkan oleh adanya
korelasi negatif antara nilai NDVI dan curah hujan pada bulan basah
1
sebagaimana yang dikemukakan oleh Mardio . Pada periode La Nina biasanya
iklim akan lebih basah daripada kondisi normal, sehingga curah hujan juga akan
cenderung meningkat yang akhirnya akan menimbulkan penurunan nilai NDVI
pada citra. Kedua puncak histogram pada kondisi iklim normal hampir
berdekatan. Hal ini mungkin disebabkan karena periode El Nino yang terjadi
pada kurun waktu 2007 2010 mempunyai skala lemah hingga moderate
sehingga nilai ekstrim puncak dari periode El Nino tersebut kurang dapat
mewakili karakteristik El Nino yang sebenarnya.

Berbeda dengan histogram yang dihasilkan dari nilai NDVI Pulau Kalimantan,
histogram nilai NDVI pada Pulau Jawa lebih banyak menunjukkan variasi, baik
dari karakteristik kurva histogram, tinggi puncak histogram, maupun lebar
amplitudo dari kurva histogram pada masing-masing kondisi iklim yang berbeda.
Jika pada histogram NDVI Pulau Kalimantan puncak tertinggi adalah pada saat
puncak El Nino dan puncak terendah pada saat kondisi normal, maka pada

408|GeomatikaSARNasional(GeoSARNas)2011
histogram NDVI Pulau Jawa puncak tertinggi adalah pada saat kondisi iklim
normal sedangkan puncak terendah adalah pada saat El Nino. Meskipun pada
saat El Nino kondisi puncak histogram lebih rendah dari pada La Nina, namun
jumlah piksel dengan nilai NDVI sedang hinga tinggi lebih banyak daripada saat
periode La Nina. Kondisi yang sangat berbeda ini dapat dipengaruhi oleh
beberapa faktor, diantaranya curah hujan aktual yang turun pada bulan-bulan
tersebut serta jenis penutup lahannya.

Berdasarkan penjabaran di atas, karakteristik nilai NDVI pada kondisi iklim

normal dan pada puncak periode El Nino dan La Nina (ENSO) di Pulau
Kalimantan dan Pulau Jawa memiliki perbedaan yang cukup signifikan. Pada
Pulau Kalimantan, nilai NDVI rata-rata cukup tinggi, hal tersebut disebabkan
oleh kondisi tutupan vegetasi yang masih relatif banyak. Meskipun demikian,
karena Pulau Kalimantan memiliki jumlah bulan basah yang relatif lebih banyak
dari Pulau Jawa, nilai NDVI yang dimiliki tidak bisa mencapai nilai dan jumlah
yang maksimum meskipun daerah tersebut penutup lahannya adalah hutan
dengan kerapatan yang tinggi. Sementara itu, Pulau Jawa yang memiliki
tutupan vegetasi relatif lebih sedikit dari Pulau Kalimantan, perbedaan nilai
indeks vegetasi dari tiga kondisi iklim yang berbeda dapat dengan jelas
teramati. Namun sayangnya, perubahan signifikan tersebut hanya dapat diamati
pada daerah non vegetasi sehingga kurang dapat merepresentasikan kondisi
vegetasinya. Meskipun demikian, efek ENSO terhadap NDVI lebih jelas terlihat
pada Pulau Jawa dari pada Pulau Kalimantan. Hal tersebut mungkin
disebabkan oleh perbedaan tipe iklim dan curah hujan rata-rata tahunan dari

GeomatikaSARNasional(GeoSARNas)2011|409
kedua Pulau tersebut. Pulau Kalimantan hubungan tersebut kurang dapat
diamati karena pengaruh ENSO pada iklim di daerah yang dilalui garis
khatulistiwa relatif lebih kecil daripada di daerah yang jauh dari daerah
khatulistiwa.

Kesimpulan dan saran

Periode dan puncak terjadinya ENSO dari tahun ke tahun dapat dianalisis dari
nilai SOI yang dikeluarkan oleh Australian Bureau of Meteorology. Pulau
Kalimantan dan Pulau Jawa mempunyai respon yang berbeda terhadap bulan
puncak dari periode ENSO. Perbedaan respon tersebut dapat direpresentasikan
sebaran spasialnya. Perbedaan Respon tersebut diantaranya dipengaruhi oleh
kondisi curah hujan yang dipengaruhi oleh periode ENSO dan juga penutup
lahannya. Dampak yang ENSO terhadap nilai NDVI pada Pulau Jawa lebih
signifikan daripada Pulau Kalimantan. Selain itu, nilai NDVI memiliki korelasi
negatif terhadap adanya kejadian La Nina dan memiliki korelasi positif dengan
kejadian El Nino. Meskipun demikian korelasi nilai NDVI dengan jenis penutup
lahan masih perlu dikaji secara lebih mendalam. Selain itu penelitian
selanjutnya hendaknya menggunakan data set yang lebih lengkap dengan
periode waktu yang lebih panjang atau dapat menggunakan nilai indeks
vegetasi lain, sehingga dapat diperoleh analisis hubungan yang lebih tajam
terutama pada periode-periode ENSO yang sangat ekstrim.

410|GeomatikaSARNasional(GeoSARNas)2011
Daftar Pustaka
Anonim, Dampak El-Nino Terhadap Produksi Pertanian.
http://www.bi.go.id/NR/rdonlyres /A819872C-69E8-403B-8B94-
DB735DDCD488/ 18275/BOKSDampakElNino
TerhadapProduksiPertanian.pdf , diakses tanggal 11 Juni 2011 pukul
21.45 WIB
Aldrian, E., and R.D. Susanto. 2003. Identification of Three Dominant Rainfall
Regions within Indonesia and Their Relationship to Sea Surface
Temperature. Int. J. Climatol. 23. 14351452.
As-syakur, A.R., 2007. Identifikasi Hubungan Fluktuasi Nilai SOI Terhadap
Curah Hujan Bulanan Di Kawasan Batukaru-Bedugul, Bali. Jurnal Bumi
Lestari, 7(2), pp. 123-129
As-syakur, A. R. 2010. El Nino dan La Nina serta Dampaknya di Indonesia.
http://mbojo.wordpress.com/ 2010/03/18/el-nino-dan-la-nina-serta-
dampaknya-di-indonesia/
Australian Bureau of Meteorology. 2011.
http://www.bom.gov.au/climate/current/soihtm1.shtml, diakses tanggal 6
Juni 2011 pukul 09.36 WIB
Badan Klimatologi, Meteorologi, dan Geofisika. 2010. http://iklim.bmg.go.id/
ekstrim/update160810.ppt diakses tanggal 6 Juni 2011 pukul 08.54 WIB
Hamada, J., M.D. Yamanaka, J. Matsumoto, S. Fukao, P.A. Winarso, and T.
Sribimawati. 2002. Spatial and temporal variations of the rainy season over
Indonesia and their link to ENSO. Jurnal Meteor. Soc. Japan, 80. 285-310
Lembaga Penerbangan dan Antariksa Nasional. 2006. Early warning Bulletin on
Natural Hazards. No. 9. Oktober 2006.
http://www.lapanrs.com/SMBA/pdf/WFP-
LAPAN%20Early%20Warning%20
Bulletin%2029Oct07%20%28final%29.pdf, diakses tanggal 6 Juni 2011
pukul 10.11 WIB
Mardio, P. _____. Pengaruh Uap Air Atmosfer Terhadap Kualitas Data Index
Vegetasi. Majalah LAPAN No.71, pp. 9 12.

GeomatikaSARNasional(GeoSARNas)2011|411
 http://isjd.pdii.lipi.go.id/admin/jurnal/187194912.pdf, diakses tanggal 11
Juni 2011 pukul 20.21 WIB
Remote Sensing Data for Range Management. 2005.
http://rangeview.arizona.edu/presen tations/data_6-19-01.pdf , diakses
tanggal 11 Juni 2011 pukul 20.45 WIB
Song, K., Khan, S., Hafeez, M., dan Dongmei, L. 2008. ENSO Impact on the
Vegatation in Murray-Darling Basin: a Satellite Monitoring from 1998
2007 Based on SPOT/Vegetation NDVI Times series Data. The
International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Sciences. Vol. XXXVII. Part B7. Beijing 2008. pp. 1637
1644

412|GeomatikaSARNasional(GeoSARNas)2011
 The Analysis of Shoreline Changes in Sayung Demak and Its
Impact for Fishpond Ownership

Chatarina Muryani, Rahning Utomowati

Sebelas Maret University, Ir Sutami Street 36A Surakarta.

Email:
chatarinamuryani@ymail.com

Abstract. This research was conducted due to the rapid process of abrasion around
Sayung coastal plain allegedly caused the land use and shorelines changes in the area.
This research aimed to ascertain (a) the changes of shorelines and land use (year 2000
2010), (b) the impacts of shorelines changes towards fishpond ownership. Materials used
in the research were RBI Map of Sayung Coast (year 2000; scale: 1: 25.000) and IKONOS
image (year 2010). The steps of the research included (1) cutting of aerial photographs,
maps and images of the selected area; radiometric and geometric correction, (2)
digitization of shorelines and boundaries of land use, (3) field surveys to determine new
boundaries which apply the GPS, (4) maps improvement based on the field survey, (5)
maps overlay to analyze the changes in shorelines and in land use. Furthermore, the
results of the research indicated (a) changes in shorelines location, the greatest
occurred in Purwosari (2.9 km backward), followed by Sriwulan (1.68 km backward). The
shoreline in Surodadi was relatively fixed; (b) changes in land use especially fishpond
(573.87 ha lost) and engulfing two villages; they were Senik and Tambaksari. Changes of
shoreline eliminated the ownership of land especially fishpond and society work.

Keywords: coast , abrasion , shoreline, land use, fishpond

GeomatikaSARNasional(GeoSARNas)2011.|413
Introduction
Indonesia is an archipelago country with about 17,480 islands and more than
95,181 kilometers of shoreline (the longest fourth in the world). As the largest
archipelagic country with three-fourths of the area as sea, the marine sector is
able to contribute 140 billion dollars per year. However, as much as 20 percent
of the shoreline in Indonesia was reported be decreased by a variety of issues
including environmental change and coastal erosion. (ANTARANEWS.Com, 20
September 2010). Uncontrolled coastal erosion can accelerate environmental
degradation in coastal areas such as ponds, rice fields and residential areas.

Mangrove forest is a coastal green belt that can protect the coastal from
abrasion. The coastal protection through the root system and dense of
mangrove vegetation as an anchor that can be stuck and reduce waves speed
and reduce the sea currents speed so that the coast spared from abrasion.
(Suprayogo, et al. 2003). In fact, mangrove forests also protect the coastal from
the tsunami. The research results showed that the thickness of the mangrove of
200 m with a density of 30 vegetation/100 m2 with diameter of 15 cm can
reduce about 50% of the tsunami wave energy (Fumihiko Harada, 2003 in
Diposaptono, 2005).

Shoreline, defined as the line of contact between land and a water surface and,
one of the most unique features on the earths surface, has a dynamic nature.
Shoreline mapping and shoreline change detection are critical for safe
navigation, coastal resource management, coastal environmental protection,
and sustainable coastal development and planning. Changes in the shape of
shoreline may fundamentally affect the environment of the coastal zone. These
may be caused by natural processes and/or human activities (Sesli at.all.,
2006).

Coastal areas are dynamic and susceptible in environmental changes either by

natural processes or due to human activities. Rais (2000) in Tarigan (2007)
declared that coastal areas are very dense population, about 50-70% of the total
world population lives in coastal areas. In Indonesia about 60% of the population
lives in coastal areas. The increasing number of population living in coastal
areas suppress the coastal natural resources such as coastal degradation,
waste disposal into the sea, coastal erosion (abrasion), coastal accretion
(sedimentation) and so on.

414|GeomatikaSARNasional(GeoSARNas)2011
A very surprising phenomenon occurred in the coastal of Sayung Sub Districts
of Demak Regency Sayung: many hectars of fishpond in Sriwulan Village could
not be used anymore because it was always inundated by sea water. This
indicated that coastal erosion had occurred resulting in shoreline retreat and
change of land use. The purpose of this research were (1) to know the shoreline
changes at Sayung Sub District, Demak Regency, (2) to know the impact of
shoreline changes in fishpond ownership and social economic of population.

Methodology
Sayung coastal plain at Demak Regency was chosen because in this area many
hectares of fishpond was inundated and two villages were lost during the last
ten years. The shoreline changes estimation had affected the socio-economic of
the population.

Monitoring the temporal hydrological changes is very difficult using the

conventional methods. Using remote sensing data and GIS help find solutions to
the potential hydrological and environmental problems on time. Furthermore,
accurate, fast and low cost data/information can be obtained in the studies
aimed to determine the potentials of hydrological and environmental changes
and updating relevant information (Rafid J. Tawfeeq, 2011)

The shoreline changes of Sayung coastal plain at Demak Regency was

determined by temporal analysis using two time data periods of year 2000 and
year 2010. Data of year 2000 derived from RBI Map sheet 1409-311, 1409-313,
and 1409-222. Data of year 2010 derived from the IKONOS images year 2010
added by a field survey. Field survey conducted in October 2010. The steps of
research included: (1) cutting aerial photographs, maps and images in
accordance with the selected area, (2) correcting the radiometric and geometric
of photographs, maps and images, (3) digitizing the shoreline and the
boundaries of land use, (4) surveying the field to test and determine the new
boundaries of the field using GPS, (5) fixing the map based on the input from
the field survey, (6) overlaying maps to analyze land use change and shoreline
changes.

The result of RBI map and IKONOS images interpretation were (1) Shoreline of
Sayung Coastal Plain at Demak Regency Map year 2000, (2) Land Use of
Sayung Coastal Plain at Demak Regency Map year 2000 (3) Shoreline of
Sayung Coastal Plain at Demak Regency Map year 2010 (4) Land Use of

GeomatikaSARNasional(GeoSARNas)2011|415
Sayung Coastal Plain at Demak Regency Map year 2010. Determining shoreline
and land use changes year 2000 to year 2010 was conducted by overlapping
each map. Management and data analysis was done by using Geographic
Information Systems (GIS).

Analyzing the impact of shoreline changes to fishpond ownership was done by

direct field observation and direct interviews with people and key persons.
Interview covered on how many hectares fishpond was lost and how the people
survived today.

Results And Discussion

Description of Study Area
The location of Sayung Sub District, Demak Regency are between 6o51'30" -
6o57'00" South and 110o26'30" - 110o32'00" East. In physiographic, study area
was coastal plains which have height variation between 5 - 50 m above sea
level, and coastal marsh areas which have height variation between 0 - 5 m
above sea level (Dharmawan, 1999). The topographic condition, based on the
interpretation of RBI maps Sheet of Semarang, Sayung, and Ledung, showed
that the coastal of Demak had a flat slope, which class slope < 2% with height
between 0 - 3 m above sea level. According to the Geological Map of Kudus
sheet (Suwarti and Wikarno, 1992), Demak area was dominated by the
youngest sedimentary surface rock units, i.e. alluvium (Qa), which consists of
gravel, sand, clay, silt, residual vegetation and chunks of volcanic rock.

Accoording the interpretation of topographic maps, RBI maps, Geological Map,

aereal photo, and images added with fields survey, the study area had landform
i.e.:

Bird Foot Deltas: the delta which has a squiggly shoreline like the
shape of feet birds with the mud material. This delta is formed by the
strong influence of fluvial processes with many branching river.

Tidal flat: a marine landform that influenced by tidal activity with mud
material. Tidal flat has flat morpholofy and covered by mangroves,
generally by Rhizophora as a dominant species. On the banks of the
river often found also Nipa Fructicans.

416|GeomatikaSARNasional(GeoSARNas)2011
 Alluvial Plains : a flat topography with alluvium material derived from
the deposition during a flood and water logging, but now floods and
inundation had been inactive any whereShoreline Changes

Shoreline Changes
Waves are the primary agent of erosion in the coastal area. The energy in a
wave is related to meteorological factors such as wind speed and duration and
is also determined by topographic and hydrographic factors such as distance
which the wind blow, and depth of water in the area where the waves are
generated. (Rongxingli et al., 2001).

Shorelines geological condition also has a direct impact on erosion (Rafid J.

Tawfeeq, 2011). According to Iraq Soil Map (1961), the demonstrated soils
surrounded by Qadisiya reservoir are sandy and silty soil, which are classified
within the easily eroded materials. Thus, it is very important to take the effect of
sediment and erosion processes in shoreline regions inherent to dynamic
shoreline changes in consideration on causing the long term changing in
reservoir capacity.

Based on overlaying between Shoreline of Sayung Coastal Plain at Demak

Regency Map year 2000 and Shoreline of Sayung Coastal Plain at Demak
Regency Map year 2010, it was obtained Shoreline Changes Maps of Sayung
Coastal Plain at Demak Regency year 2000 year 2010. The map showed that
the shoereline in Sayung coastal plains at Demak Regency in year 2000 year
2010 retreated; it showed the increasing sea surface area to the land, so that
the land area was decreasing. Shoreline retreat in some coastal areas of
Sayung Coastal Plains at Demak Regency was caused by strong abrasion in
the region. The shoreline changes in the research area were quite varied, the
greatest occurred in Purwosari, the shoreline retreated about 2.9 miles, followed
by Sriwulan Village, the shoreline retreated about 1, 68 miles. The shoreline at
Surodadi Village was relatively fixed. Based on the results of our analysis, it can
be known that there were no shoreline changes in Surodadi Village in the last 10
years. Shoreline retreat in this research area was quite serious. Based on the
analysis using GIS, the extent of land lost due to withdrawal of the coast in the
period 2000 - 2010 amounting to 759.24 ha, including two villages which were
infeasible to stay because of the often inundated; they were Senik and
Tambaksari (Sriwulan Village).

GeomatikaSARNasional(GeoSARNas)2011|417


418|GeomatikaSARNasional(GeoSARNas)2011
The Impact of Shoreline Changes to Fishpond Ownership
Coastal changes attracted more consideration since they were important
environmental indicators that directly impact on the coastal economic
development and land management (Welch et al. 1992; Stokkom et al. 1993).
Change in shoreline position derived the alteration and replacement of
established natural habitats and shoreline retreat might destroy cultural
resources, facilities, and other infrastructure where they exist
(http://science.nature.nps.gov/im)

Jialins research (2009) concluded that the land use changes directly affect the
economic value of ecosystem functions. From 1987 to 2000, the total economic
value of the ecological functions in coastal plain of south Hangzhou Bay bank
obviously declined. The value of material product grew greatly and service value
declined a lot. Consequently, the sharp increase of the value of material
products in the ecosystems affected on sacrificing a part of ecological functions.

The main livelihood of coastal population in Sayung Coastal Plains at Demak

Regency was managing fishponds. Fishponds in this area were primarily to
maintain milkfish, but part of this was also used to maintain the shrimp. But now,
many fishponds could not be used anymore, because it often inundated by sea
water. Allegedly in this area there had been abrasion and resulting in significant
land use changes.

Based on the overlaying maps between Land Use of Sayung Coastal Plain at
Demak Regency Map year 2000 and Land Use of Sayung Coastal Plain at
Demak Regency Map year 2010, it was obtained Shoreline Changes Maps of
Sayung Coastal Plain at Demak Regency year 2000 year 2010. The map
showed that the changes in shoreline changes at Sayung Sub caused land use
change and removing the fishpond area of 573.87 hectares, turned into a sea
area of 515.20 hectares and mangroves area of 58.67 hectares. Therefore,
because the livelihoods of population in Sayung coastal plains was managing
fishpond, then because many fishponds turned into sea, people converted other
lands such tegals, rice fields and yard into the fishpond, and adding the fishpond
area during year 2000 - year 2010. In year 2000 the wide of fishpond in the
study area was 1763.26 hectares, while in year 2010 the fishpond area became
2759.50 hectares.

GeomatikaSARNasional(GeoSARNas)2011|419
The results of the interview with population at Sriwulan Village concluded that
many populations were confused about their lost lands. The Government of
Demak Regency seemed less concerned for the lost of populations land
ownership and the efforts of preventing the rapid abrasion of the sea had not
optimal yet. Planting mangrove by population was only done in the fishpond
embankment, not in the block area. Thus, mangrove vegetation on study area
could not be functioned to protect the coast.

Besides already flooding many hectares of fishponds, coastal abrasion of

Sayung Sub District was also affecting the settlement areas that the population
of two villages (Senik and Tambaksari at Sriwulan Village) should be migration,
because these settlements were not habitable due to always be inundated by
sea water. A total of 208 families moved to the Gemulak Village at Sayung Sub
District; the cost of moving was one million dollars for each family. The district
government had also struggled to find an adequate location for the move so
they only occupy the riverbanks.

420|GeomatikaSARNasional(GeoSARNas)2011
Conclusion and Suggestion
Conclusion
1. The shorelines of Sayung Sub District at Demak Regency had
changed, retreated to the land. The retreat of shoreline in study area
was quite varied, the greatest was in Purwosari, in which the shoreline
retreated for about 2.9 miles, followed by Sriwulan Village, in which the
shoreline retreated for about 1.68 kilometers. The village that the
shoreline relatively fixed was Surodadi Village.

2. Changing in the shoreline of Sayung Sub District was the changing on

the coastal land use, the removing of 573.87 hectares fishponds which
turned into sea area of 515.20 hectares and mangroves area of 58.67
hectares. Withdrawal of shoreline in this area also had inundated the
two villages they were Senik and Tambaksari Sriwulan.

Suggestion
The writer suggests the Government of Demak Regency to take definite steps in
the prevention of abrasion in the study area.

GeomatikaSARNasional(GeoSARNas)2011|421
The writer also suggests The Community Empowerment to make an effort on
the protection of the coastal area, for example by planting mangrove forest.

Reference

Li Jialin, Zhang Dianfa, Yang Xiaoping and Tong Yiqing. 2009. Effects of Land
Use Changes on Values of Ecosystem Functions on Coastal Plain of
South Hangzhou Bay Bank, China African Journal of Agricultural Research
: Vol. 4 (5), pp. 542-547, May 2009
Tawfeeq , J. Rafeed . 2011, Shoreline Change Detection of Qadisiya Reservoir ,
International Journal of Geographical Information System Applications and
Remote Sensing , Vol. 2, No. 1, May 2011
RongXing Li, 2001, Spatial Modelling and Analysis for Shoereline Change
Detection and Coastal Erosion Monitoring, Marine Geodesy 24 : 1-12
Sesli . Faik Ahmet , Fevzi Karsli and Nihat Akyol . 2006 Monitoring Coastal Land
Use Changes Using Digital Photogrammetry: Case Study of Black Sea
Coast of Trabzon . XXIII FIG Congress Munich, Germany, October 8-13,
2006
Suprayogo . 2003 . Sumberdaya Hutan Mangrove dan Pengelolaanya. Materi
Pelatihan Pengelolaan Sumber Daya Pesisir . Pemerintah Kabupaten
Lamongan dan BAPEDAL Propinsi Jawa TImur.
Tarigan, Salam M . 2007 . Perubahan Garis Pantai Di Wilayah Pesisir Perairan
Cisadane, Propinsi Banten. Makara Sains : Vol 11 No 1 April 2007
-------------, ANTARANEWS.Com, 20 September 2011
-------------, Coastal Shoreline Change http://science.nature.nps.gov/im

422|GeomatikaSARNasional(GeoSARNas)2011
 Estimasi Curah Hujan Periode 8 Harian/Dasarian Menggunakan
Data Penginderaan Jauh TRMM: Studi Kasus Wilayah Indramayu

Any Zubaidah, Dede Dirgahayu

Bidang Lingkungan dan Mitigasi Bencana - Pusfatja LAPAN. Jakarta.

Abstract. Danger of flood as well as droughts significantly affect crop production (rice)
in Indramayu. Rainfall observations are needed to determine how much the primary
water source could fulfill the water necessity of crop production. TRMM is a remote
sensing satellite that suitable for observing rainfall in the tropics region. Therefore,
research is conducted to get rainfall estimation model in Indramayu using TRMM, so that
it can then be used to calculate the level of flood / drought lowland rice fields. TRMM
data used to support the monitoring activities are the data period of 8 daily/10 daily.
The method that was used is a statistical analysis of time series and regression analysis
which are correlated with analisys result of TRMM rainfall and rainfall values contained
in 19 monitoring stations in Indramayu. Analyses were performed based on the polygon
pixel (3 x 3). The results showed that the rainfall estimation model in Indramayu region
is Y = 0.584 X + 2.56, where Y is the rainfall estimation and X is the value of TRMM
rainfall. This model has a fairly accurate value of the correlation between TRMM rainfall
and rainfall in 19 monitoring stations with a correlation value (r) of 87.2%, or equivalent
to the coefficient of determination (R2) = 0.753.

Abstrak. Bahaya banjir maupun kekeringan cukup signifikan mempengaruhi produksi

tanaman pangan (padi) di Indramayu. Pengamatan curah hujan dibutuhkan untuk
mengetahui seberapa banyak air hujan sebagai sumber air utama dapat memenuhi
kebutuhan air produksi tanaman pangan tersebut. TRMM adalah salah satu satelit
penginderaan jauh yang cocok digunakan untuk mengamati curah hujan di wilayah
tropis. Oleh karena itu, penelitian membuat model estimasi curah hujan di Indramayu
dilakukan menggunakan data TRMM agar selanjutnya dapat digunakan untuk menghitung
tingkat rawan banjir/kekeringan lahan sawahnya. Data TRMM yang digunakan untuk
mendukung kegiatan pemantauan adalah data periode 8 harian/dasarian. Metode yang
digunakan adalah analisis statistik deret waktu dan analisis regresi yang dikorelasikan
dengan hasil analisis curah hujan TRMM dan nilai curah hujan yang terdapat di 19 stasiun
pengamat hujan di Indramayu. Analisis dilakukan berbasis poligon pixel (3 x 3). Hasil
yang diperoleh menunjukkan bahwa model estimasi curah hujan wilayah Indramayu
adalah Y = 0.584 X + 2.56, dimana Y adalah curah hujan estimasi dan X adalah nilai
curah hujan dari TRMM. Model ini mempunyai nilai korelasi yang cukup akurat antara
curah hujan TRMM dan curah hujan di 19 stasiun pengamat dengan nilai korelasi (r)
sebesar 87,2 % atau setara dengan koefisien determinasi (R2) = 0,753.

GeomatikaSARNasional(GeoSARNas)2011.|423
Pendahuluan
Indramayu merupakan salah satu Kabupaten yang berada di Provinsi Jawa
Barat yang selama ini dikenal dengan lumbung padi Jawa Barat, disebabkan
oleh luasnya lahan sawah yang ada. Data dari Dinas Pertanian Indramayu
tahun 2001 menyatakan bahwa lahan pertanian di Indramayu tahun 2000
mencapai seluas 204.011 ha yang terdiri dari lahan sawah seluas 118.513 ha
dan lahan kering seluas 85.498 ha.

Kabupaten Indramayu cukup rentan terhadap penyimpangan iklim. Dengan

adanya perubahan cuaca iklim yang terjadi akhir-akhir ini membuat masa tanam
petani padi menjadi tidak menentu, akibatnya penghasilan buruh tani pun
semakin tidak jelas dan akan mempengaruhi lumbung padi yang ada di Jawa
Barat. Hal ini tentunya dapat menganggu ketahanan pangan nasional.
Berdasarkan UU no 7 Tahun1996 menyatakan bahwa ketahanan pangan
adalah kondisi terpenuhinya pangan bagi rumah tangga yang tercermin dari
tersedianya pangan yang cukup, baik jumlah maupun mutunya, aman, merata,
dan terjangkau. Namun produksi padi disuatu negara setiap tahunnya dapat
mengalami fluktuasi akibat adanya bencana alam seperti kekeringan dan
kebanjiran di lahan sawah dan perubahan lingkungan seperti degradasi lahan
dan perubahan iklim global .

Berdasarkan data dari Laporan Tahunan Dinas Pertanian Kabupaten Indramayu

diketahui bahwa pada tahun-tahun terjadinya El-Nino dan pada tahun-tahun
terjadinya La-Nina, Indramayu mengalami kerusakan tanaman pangan (padi)
yang cukup tinggi. Peluang terjadinya kekeringan maupun kebanjiran di
Indramayu dapat mencapai di atas 60 % Hal ini tentu akan berpengaruh
terhadap produksi tanaman pangan terutama padi (Suciantini, 2006).

Iklim/cuaca sering digunakan sebagai faktor pembatas produksi pertanian.

Karena sifatnya yang dinamis, beragam dan terbuka, pendekatan terhadap
cuaca/iklim agar lebih berdaya guna dalam bidang pertanian, diperlukan suatu
pemahaman yang lebih akurat teradap karakteristik iklim melalui analisis dan
interpretasi data iklim (Nurhidayat, 2010).

Berbagai penelitian mengenai estimasi curah hujan berdasarkan data satelit

penginderaan jauh telah dilakukan diantaranya oleh Vicente (2001), Hong et al.
(2006, 2007), dan Naranjo (2007), serta Tahir et al. (2009) Estimasi curah
hujan dapat dilakukan berdasarkan suhu awan, dimana pembentukan hujan

424|GeomatikaSARNasional(GeoSARNas)2011
terjadi pada awan-awan yang mempunyai suhu rendah (Handoko, 1994).
Menurut Parwati (2008) dalam Kidder and Vonder Haar (1995) menyatakan ada
dua cara untuk verifikasi hasil estimasi curah hujan dari data satelit, yaitu (i)
membandingkan dengan curah hujan dari stasiun pengamatan, (ii)
membandingkan dengan hasil estimasi curah hujan dari radar. Kondisi
keterbatasan jumlah stasiun pengamatan di lapangan memberikan nilai tambah
bagi radar untuk memberikan informasi curah hujan di lokasi yang tidak ada
stasiun curah hujan.

Salah satu upaya yang dapat dilakukan untuk mencapai swasembada pangan
nasional adalah dengan melakukan pemantauan terhadap kondisi lahan sawah
dan tanaman padi. Sejak tahun 2002, LAPAN telah melakukan kegiatan
pemantauan kondisi tanaman padi dengan memanfaatkan data penginderaan
jauh. Data satelit yang digunakan untuk mendukung pemantauan tersebut
adalah data curah hujan yang diperoleh dari satelit TRMM (Tropical Rainfall
Measurement Mission).

Satelit TRMM merupakan misi bersama antara National Aeronautics and Space
Administration (NASA) dari Amerika Serikat dan Japan Aerospace Exploration
Agency (JAXA). TRMM diluncurkan pada bulan November 1997 dan sampai
saat ini terus beroperasi dalam orbit rendah meliputi daerah tropis antara sekitar
40 LU untuk 40 LS. Sensor curah hujan utama yang dibawa meliputi Sensor
PR (Precipitation Radar) dan sensor TMI (TRMM Microwave Imager). Selain itu,
TRMM membawa Sensor VIRS (Visible and Infrared Radiometer), CERES
(Clouds and Earth's Radiant Energy System), dan sensor LIS (Lightning
Imaging System). 13,8 GHz presipitasi Radar (PR) dan TRMM Microwave
Imager (TMI). Instrumen CERES gagal setelah hanya beberapa bulan operasi,
tapi instrumen lain yang terus beroperasi memberikan informasi rinci curah
hujan di daerah tropik (http://rain.atmos.colostate.edu/ CRDC/datasets/TRMM_
overview.html).

Data TRMM juga mempunyai keunggulan, antara lain tersedia secara near real-
time setiap tiga jam sekali, konsisten, daerah cakupan yang luas yaitu wilayah
tropik, resolusi spasial yang cukup tinggi (0.25 x 0.25), dan dapat diakses
secara gratis. Meskipun demikian, keterbatasan dari aplikasi data TRMM adalah
periode waktu dari data yang relatif masih singkat serta masih diperlukan
banyak validasi terutama untuk pemanfaatan curah hujan lokal. Menurut

GeomatikaSARNasional(GeoSARNas)2011|425
Roswintiarti (2009) menyatakan bahwa data TRMM sangat berpotensi untuk
digunakan sebagai salah satu alternatif dalam memantau dan memprediksi
curah hujan di Indonesia, dimana pola fluktuasi curah hujan dari TRMM dan dari
stasiun meteorologi di Kabupaten Indramayu menggunakan data curah hujan
bulanan selama tahun 1998 2004 relatif sama, dengan koefisien korelasinya
(r) sebesar 0.807.

Pengukuran dari TRMM digunakan untuk mencari tahu di mana itu hujan, dan
bagaimana hujannya. Tidak semua awan menyebabkan hujan, dan ketika hujan
tidak jatuh, ia jatuh melalui berbagai ketinggian di atmosfer, kadang-kadang
tidak mencapai tanah sama sekali (http://kids.earth.nasa.gov/trmm/). Hal ini
menyebabkan nilai curah hujan dari TRMM lebih tinggi (over estimate) dari
curah hujan aktualnya. Oleh karena itu perlu dilakukan validasi dengan curah
hujan stasiun pengamat iklim atau lapangan.

Kegunaan stasiun iklim adalah : (a) untuk mengetahui kondisi cuaca dan iklim
secara real time untuk berbagai keperluan/tujuan, (b) pengkayaan data
(berdasarkan waktu dan lokasi) untuk keperluan analisis dan interpretasi iklim
yang membutuhkan data time series dari banyak lokasi, (c) untuk mendukung
peramalan/pendugaan iklim. Oleh sebab itu, kerapatan stasiun sangat besar
pengaruhnya terhadap akurasi analisis dan interpretasi iklim. Untuk setiap
pembangunan stasiun iklim harus diintegrasikan dalam satu sistem dengan
stasiun lainnya, tanpa harus mempertimbangkan sistem kepemilikan (Las,
Irianto & Surmaini, 2000).

Tujuan dari penelitian ini adalah menganalisis curah hujan dari data TRMM dan
curah hujan dari 19 stasiun pengamat lapangan di wilayah Indramayu untuk
memperoleh model estimasi curah hujan 8 harian/dasarian untuk mendukung
pemantauan tanaman pangan.

Metodologi
Data yang digunakan :

Data Tropical Rainfall Measuring Mission (TRMM) jenis 3B43,

perekaman setiap 3 jam, pukul 00, 03, 06, 09, 12, 15, 18, dan 21 UTC.
pada daerah cakupan 15 LU 12.5 LS dan 90155 BT selama
tahun 2007 sampai dengan tahun 2009 (Sumber :
ftp://trmmopen.gsfc.nasa.gov/ pub/merged/mergeIRMicro/)

426|GeomatikaSARNasional(GeoSARNas)2011
 Data curah hujan harian dari 19 Stasiun pengamat yang ada di wilayah
Indramayu Tahun 2007 sampai dengan tahun 2009. Lokasi stasiun
pengamat curah hujan yang ada di Indramayu adalah di Kecamatan
Sukadana, Bangkir, Cikedung, Tugu, Cidempet, Ujungaris, Bulak,
Sumurwatu, Losarang, Lohbener, Indramayu, Sumdimapir Lor,
Juntinyuat, Sudikampiran, Jatibarang, Kedokan Bunder, Krangkeng,
Kertasmaya, Bondan. Sumber: dari Dinas Pertanian Kabupaten
Indramayu.

Peta Atministrasi Indonesia.

Metode yang digunakan:

Download data TRMM setiap 3 jam, dengan format .bin dari tahun
2007 sampai dengan tahun 2009.

Mengolah nilai curah hujan dari data TRMM yang diperoleh tiap tiga
jam dari tahun 2007 sampai dengan tahun 2009.

Melakukan akumulasi data curah hujan 8 harian dari data TRMM tahun
2007 sampai dengan tahun 2009.

Melakukan akumulasi curah hujan 8 harian di setiap Stasiun untuk

tahun 2007 sampai dengan 2009.

Membuat poligon piksel setiap 0,25 derajat di wilayah Indramayu

disesuaikan dengan ukuran resolusi spasial TRMM.

Mengkorelasikan curah hujan dari TRMM dengan curah hujan 19

stasiun pengamat per poligon piksel di wilayah Indramayu

Membuat Model estimasi hujan 8 harian/dasarian untuk wilayah

Indramayu selama tahun 2007 sampai dengan 2009.

Pembahasan
Analisa Curah hujan 8 harian/dasarian dari TRMM
Curah hujan 8 harian/dasarian TRMM diperoleh dengan mengakumulasi curah
hujan harian dari akumulasi curah hujan setiap 3 jam per hari. Curah hujan 8
harian/dasarian dilakukan dengan mengolah data satelit TRMM selama 3 (tiga)
tahun dari tahun 2007 sampai dengan tahun 2009. Gambar 1a merupakan

GeomatikaSARNasional(GeoSARNas)2011|427
contoh curah hujan spasial 8 harian dari TRMM di Propinsi Jawa Barat
termasuk Banten dan DKI pada waktu musim hujan periode 025 atau dari
tanggal 25 Januari 2007 hingga 1 Februari 2007 yang mempunyai nilai berkisar
antara 0 dan 300 mm/8 harian. Data TRMM ini mempunyai resolusi spasial
0.25 atau 27 km setiap pikselnya, sehingga kelihatan kasar ukuran pikselnya.
Untuk memperkecil resolusi dilakukan interpolasi menjadi 1 km, sehingga 1
piksel TRMM mempunyai resolusi 1 km dan ukuran pikselnya kelihatan halus
yang nilai curah hujannya tetap tidak berubah berkisar antara 0 dan 300 mm/8
harian ditunjukkan pada Gambar 1b.

(a) Curah hujan spasial dengan resolusi 27 (b) Curah hujan spasial setelah dilakukan
km interpolasi 1 km
Gambar 1. Curah hujan spasial 8 harian dari data TRMM pada musim hujan periode 025 (25
Januari 1 Februari 2007)

Gambar 2a. merupakan contoh curah hujan spasial 8 harian dari TRMM pada
waktu musim kemarau periode 145 atau dari tanggal 25 Mei hingga 1 Juni 2007
dengan nilai curah hujannya berkisar antara 0 dan 150 mm/8 harian.
Sedangkan setelah dilakukan interpolasi menjadi 1 km yang ditunjukkan pada
Gambar 2b nilai curah hujannya tetap berkisar antara 0 dan 150 mm/8 harian,
akan tetapi ukuran pikselnya kelihatan jauh lebih halus. Warna putih yang
terdapat di Gambar 2 karena adanya data TRMM yang rusak.

428|GeomatikaSARNasional(GeoSARNas)2011
 (a) Curah hujan spasial dengan resolusi (b) Curah hujan spasial setelah dilakukan
27 km interpolasi 1 km
Gambar 2. Curah hujan spasial 8 harian dari data TRMM pada musim kemarau periode 145 (25 Mei
1 Juni 2007)

Analisi curah hujan periode 8 harian selama 3 tahun (2007 2009) dilakukan di
wilayah Kabupaten Indramayu. Pemilihan lokasi ditentukan di Kabupaten
Indramayu karena di wilayah tersebut mempunyai stasiun pengamatan curah
hujan lapangan yang relatif banyak ada 19 stasiun pengamat. Daerah kajian
analisis ditunjukkan pada Gambar 3.

Gambar 3. Daerah kajian analisis di wilayah Indramayu

GeomatikaSARNasional(GeoSARNas)2011|429
Penentuan ekstraksi curah hujan dari TRMM
Dalam menentukan ekstraksi curah hujan dari TRMM di wilayah Indramayu
dibangun berdasarkan poligon 3 x 3 atau 1 x 1, dimana poligon ini dibuat di
setiap titik koordinat di 19 Stasiun pengamat curah hujan. Koordinat dari 19
stasiun pengamat yang ada di wilayah Indramayu ditunjukkan pada tabel 1.
Sedangkan poligon 3 x 3 dan 1 x 1 secara spasial ditunjukkan pada Gambar 4.
Penentuan eksraksi curah hujan dari TRMM pertama diambil berdasarkan
poligon 3 x 3, jika nilai koefisien variansinya besar (> 10 %) maka ekstraksi
curah hujannya menggunakan nilai pada poligon 1 x 1. Untuk kepentingan
analisis model estimasi curah hujan ini diekstrak untuk seluruh nilai curah hujan
dari TRMM di setiap stasiun selama 3 tahun (tahun 2007 tahun 2009).

Tabel 1. Posisi Koordinat 19 Stasiun Pengamat Curah Hujan di Indramayu

Ketinggian Koordinat
No. NAMA Keterangan
(MDpl) BT LS

1 Bulak +5,00 108,32 6,48

2 Losarang +5,50 108,15 6,39
3 Cikedung +11,00 108,16 6,5
4 Sumurwatu +12,50 108,12 6,47
5 Tugu +12,00 108,21 6,53
6 Indramayu +1,17 108,3 6,35
7 Cidempet +2,20 108,25 6,35
8 Bangkir +4,02 108,27 6,41
9 Lohbener +5,01 108,27 6,41
10 Sudikampiran +8,69 108,37 6,48
11 Jatibarang +7,30 108,31 6,5
12 Sukadana/Sukaperna +13,50 108,3 6,53
13 Kertasemaya +11,29 108,35 6,52
14 Dondan +17,20 108,31 6,6
15 Ujungaris +6,92 108,26 6,46
16 Sudimampir Lor +3,37 108,36 6,42
17 Juntinyuat +3,30 108,44 6,43
18 Krangkeng +3,26 108,51 6,5
19 Kedokan Bunder +6,84 108,42 6,49
Sumber : Dinas Pengairan Kabupaten Indramayu.

430|GeomatikaSARNasional(GeoSARNas)2011
 Poligon 1 x 1

Titik tengah (warna merah) mewakili titik koordinat setiap Stasiun

St1: Lokasi stasiun pengamat 1 (Bulak)
Poligon 3 x 3 (kotak luar)

Gambar 4. Poligon pixel 1 x 1 dan poligon pixel 3 x 3 ke 19 Stasiun pengamat di wilayah Indramayu

Analisis korelasi antara curah hujan TRMM dengan curah hujan aktual di
lapangan
Hasil ekstraksi seluruh nilai curah hujan dari TRMM dan curah hujan lapangan
di setiap stasiun pengamat ditunjukkan oleh grafik nilai curah hujan 8 harian
antara TRMM dan Stasiun Pengamat pada Gambar 5a sampai dengan Gambar
5e. Curah hujan aktual di lapangan diperoleh dari data statistik Dinas Pengairan
wilayah Indramayu secara harian. Gambar 5a merupakan hasil interpolasi curah
hujan 8 harian berdasarkan poligon 3 x 3 dari data deret waktu TRMM dan
curah hujan di stasiun pengamat Bulak, Losarang, Cikedung, dan Sumurwatu
selama 3 tahun ( 2007 2009).

GeomatikaSARNasional(GeoSARNas)2011|431
 Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Bulak Tahun 2007 - 2009
450
Stasiun Pengamat
400
350 TRMM
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pangamat Losarang Tahun 2007 - 2009
450
Stasiun Pengamat
400
350 TRMM
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Cikedung Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Sumurwatu Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Gambar 5. a. Nilai curah hujan 8 harian dari TRMM dengan Stasiun Pengamat (Bulak, Losarang,
Cikedung, Sumurwatu) selama Tahun 2007 2009.

432|GeomatikaSARNasional(GeoSARNas)2011
 Curah Hujan 8 Harian dari TRMM vs Staiun Pengamat Tugu Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat IndramayuTahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian TRMM vs Stasiun Pengamat Cidempet Tahun 207 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian TRMM vs Stasiun Pengamat Bangkir Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Gambar 5b. Nilai curah hujan 8 harian dari TRMM dengan Stasiun Pengamat (Tugu, Indramayu,
Cidempet, bangkir) selama Tahun 2007 2009.

GeomatikaSARNasional(GeoSARNas)2011|433
 Curah Hujan 8 Harian dari TRMM vs Pengamat Stasiun Lohbener Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Pengamat Stasiun Sudikampiran Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Jatibarang Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Sukadana Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Gambar 5c. Nilai curah hujan 8 harian dari TRMM dengan Stasiun Pengamat (Lohbener,
Sudikampiran, Jatibarang, Sukadana) selama Tahun 2007 2009.

434|GeomatikaSARNasional(GeoSARNas)2011
 Curah Hujan 8 Harian dari TRMM dan Stasiun Pengamat Kertasemaya Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Dondan Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Ujungaris Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Sudimampir Lor Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Gambar 5d. Nilai curah hujan 8 harian dari TRMM dengan Stasiun Pengamat (Kertasemaya,
Dondan, Ujungaris, Sudimampir Lor) selama Tahun 2007 2009.

GeomatikaSARNasional(GeoSARNas)2011|435
 Curah Hujan 8 Harian TRMM vs Stasiun Pengamat Juntinyuat Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Krangkeng Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Curah Hujan 8 Harian dari TRMM vs Stasiun Pengamat Kedokan Bunder Tahun 2007 - 2009
450
Stasiun Pengamat
400
TRMM
350
300
250
200
150
100
50
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121 126 131 136

Gambar 5e. Nilai curah hujan 8 harian dari TRMM dengan Stasiun Pengamat (Juntinyuat,
Krangkeng, Kedokan Bunder) selama Tahun 2007 2009.

Gambar 5b merupakan hasil interpolasi curah hujan 8 harian berdasarkan

poligon 3 x 3 dari data deret waktu TRMM dan curah hujan di stasiun pengamat
Tugu, Indramayu, Cidempet, bangkir selama 3 tahun (2007 2009). Gambar 5c
merupakan hasil interpolasi curah hujan 8 harian berdasarkan poligon 3 x 3 dari
data deret waktu TRMM dan curah hujan di stasiun pengamat Lohbener,
Sudikampiran, Jatibarang, Sukadana selama 3 tahun ( 2007 2009). Gambar
5d merupakan hasil interpolasi curah hujan 8 harian berdasarkan poligon 3 x 3
dari data deret waktu TRMM dan curah hujan di stasiun pengamat
Kertasemaya, Dondan, Ujungaris, Sudimampir Lor selama 3 tahun ( 2007
2009), dan Gambar 5e merupakan hasil interpolasi curah hujan 8 harian
berdasarkan poligon 3 x 3 dari data deret waktu TRMM dan curah hujan di

436|GeomatikaSARNasional(GeoSARNas)2011
stasiun pengamat Juntinyuat, Krangkeng, Kedokan Bunder selama 3 tahun (
2007 2009).

Berdasarkan hasil analisis korelasi antara curah hujan 8 harian/dasarian dari

TRMM dan curah hujan aktual di lapangan di 19 stasiun pengamat di wilayah
Indramayu dari tahun 2007 hingga tahun 2009 dapat diketahui bahwa tingkat
akurasi curah hujan TRMM yang direpresentasikan dari nilai koefisien
2
determinasi (R ) mencapai nilai antara 54,3% hingga 82,2%. Akurasi tertinggi
terjadi di stasiun pengamat Lohbener sebesar 82,2 % dan nilai akurasi terendah
di stasiun pengamat Cikedung sebesar 54,3 % Gambar 6.

90
82,2
78,5 77,3 78,1
80 75,2 76,1
74,9 73,7

70 67,5 66,4 65,1 67,8 66,2

Koeffisien Deterministik (R2)

65,8 65,1
62,9 62,1
61
60
54,7

50

40

30

20

10

0
u

am ris

ed ang t
g

gu

or
Lo lak

t
ng

Lo kir

tib n

ng

r
a
u

a
pe

ne

de
ay
an
ay

ra

da
un

an
at

yu
rL
a
Tu

g
ra

ke
u

em
w

Su hbe

pi

un
m
am

d
ar

on

ng
ed

an
B

in
sa

pi
ur

ka
m

se

B
nt
id
ik

ju
B
dr
m

ka

Su

ta

an
C

Ju
U
Ja

r
In
Su

di

K
er

ok
K

di
Su

STASIUN PENGAMAT DI WILAYAH INDRAMAYU

Gambar 6. Tingkat akurasi curah hujan TRMM di setiap stasiun pengamat wilayah Indramayu

Secara umum, Gambar 5(a) 3(e) ditunjukkan bahwa nilai curah hujan dari
TRMM dan curah hujan di setiap stasiun pengamat memiliki pola yang hampir
sama, namun nilai curah hujan dari TRMM lebih tinggi (over estimate) dari curah
hujan di setiap stasiun pengamat. Oleh karena itu, untuk mendukung kegiatan
pemantaun tanaman pangan, terutama kondisi lahan sawah di wilayah
Indramayu sebaiknya menggunakan nilai estimasi/penduga curah hujan 8
harian dari TRMM yang tervalidasi. Dari pengolahan secara statistik dengan
program Minitab, dan membuang nilai curah hujan yang mempunyai nilai
variansi lebih besar dari 2,00 diperoleh nilai estimasi/pendugaan curah hujan

GeomatikaSARNasional(GeoSARNas)2011|437
menggunakan data TRMM sebagai berikut; Y = 0,592 X + 2,58 ; dimana Y
adalah nilai estimasi curah hujan 8 harian dengan menggunakan data TRMM
dan X adalah curah hujan 8 harian dari TRMM. Model ini memiliki nilai korelasi
2
sebesar r =87,2% atau memiliki koeffisien deterministik sebesar (R ) = 76,1%
ditunjukkan pada Gambar 7

Gambar 7. Model estimasi curah hujan 8 harian menggunakan data TRMM di wilayah Indramayu.

Dengan menggunakan model estimasi curah hujan 8 harian di atas, maka curah
hujan yang digunakan untuk kegiatan pemantauan tingkat rawan
banjir/kekeringan lahan sawah ataupun kegiatan penelitian lainnya yang
berkaitan dengan nilai curah hujan dapat mendekati nilai curah hujan yang
sebenarnya. Gambar 8a merupakan contoh curah hujan spasial 8 harian dari
TRMM dengan resolusi 1 km di setiap stasiun pada musim hujan periode 025
(25 Januari 1 Februari 2007) sesudah dilakukan validasi dengan model di
atas, nilai curah hujannya menurun mendekati pengukuran lapangan berkisar
antara 0 200 mm/8 harian.

438|GeomatikaSARNasional(GeoSARNas)2011
 Setelah dilakukan interpolasi dan dilakukan (b) perbesaran di wilayah Kabupaten
validasi Model Indramayu

Gambar 8. Curah hujan spasial pada musim hujan periode 025 resolusi 1 km setelah dilakukan
validasi Model estimasi (a), (b) perbesaran di wilayah Indramayu.

Sedangkan untuk contoh curah hujan spasial pada musim kemarau diambil
perode 145 (25 Mei 1 Juni 2007), setelah dilakukan validasi dengan model di
atas ditunjukkan adanya penurunan nilai curah hujan menjadi 0 50 mm/8
harian, yang sebelumnya (0 150mm/8harian) ditunjukkan pada Gambar 9(a)
dan 9(b) merupakan perbesarannya..

Setelah dilakukan interpolasi dan dilakukan (b) perbesaran di wilayah Indramayu

validasi Model
Gambar 9. Curah hujan spasial pada musim kemarau periode 145 resolusi 1 km setelah dilakukan
validasi Model estimasi (a), (b) perbesaran di wilayah Indramayu.

GeomatikaSARNasional(GeoSARNas)2011|439
Kesimpulan
a) Berdasarkan analisa curah hujan dari data TRMM diperoleh model
estimasi curah hujan 8 harian Y = 0,592 X + 2,58 ; dimana Y adalah
nilai estimasi curah hujan 8 harian dengan menggunakan data TRMM
dan X adalah curah hujan 8 harian dari TRMM.

b) Model di atas dapat digunakan untuk mendukung kegiatan

pemantauan rawan banjir dan kekeringan lahan sawah di wilayah
Indramayu dengan nilai korelasi sebesar r = 87,2% atau setara dengan
2
nilai koeffisien determinasi (R ) = 76,1%. Nilai curah hujan sesudah
dilakukan validasi dengan model tersebut memiliki nilai curh hujan
yang mendekati nilai curah hujan di lapangan

Daftar Pustaka
Las, Irianto & Surmaini. 2000 Pengantar Agroklimat dan Beberapa
Pendekatannya Balitbang Pertanian, Jakarta.
Nurhidayat E., 2010, Pengaruh Iklim terhadap Produktifitas tanaman Padi
Sawah, Jakarta, http://encum-nurhidayat.blogspot.com/2010/12/pengaruh-
iklim-terhadap-produktifitas.html
Parwati, 2008, Penentuan Nilai Ambang Batas untuk Potensi Rawan Banjir Dari
Data MTSAT dan Qmorph (Studi Kasus: Banjir Bengawan Solo), Jurnal
Penginderaan Jah Vol. 5, LAPAN , Jakarta.
Roswintiarti R., Sofan P., Zubaidah A., 2009. Pemanfaatan Data TRMM dalam
Mendukung Pemantauan dan Prediksi Curah Hujan Di Indonesia. Berita
Inderaja. Bidang Penyajian Data. Pusat Data
Suciantini, 2006, Hubungan SOI (Southern Oscillation Index) Dengan Awal
Musim Di Indramayu, Balitklimat Litbang Departemen Pertanian, Jakarta.
-----------, TRMM (Tropical Rainfall Measuring Mission),
http://kids.earth.nasa.gov/ trmm/ Updated: January 22, 2003
----------, Overview TRMM (Tropical Rainfall Measuring Mission),
http://rain.atmos. colostate.edu/CRDC/datasets/TRMM_overview.html
Sumber Data TRMM, ftp://trmmopen.gsfc.nasa.gov/pub/merged/mergeIRMicro/

440|GeomatikaSARNasional(GeoSARNas)2011
 Generalisasi Nilai Koefisien C untuk Koreksi Terrain pada Citra
Landsat

Tatik Kartika, Bambang Trisakti, Arum Tjahjaningsih

Kedeputian Penginderaan Jauh LAPAN-Pekayon.

E-mail:
tatikkartika@yahoo.com

Abstrak. Koreksi terrain dibutuhkan untuk mengurangi/menghilangkan

perbedaan nilai pada data satelit yang disebabkan oleh effek dari perbedaan
terrain di permukaan bumi. Koreksi terrain dilakukan dengan menentukan sudut
normal piksel (sudut yang dibentuk oleh arah normal piksel dan arah matahari)
yang dihitung dengan menggunakan sudut elevasi dan azimuth matahari yang
diperoleh dari data header, slope dan aspek permukaan bumi yang dihasilkan
dari Digital Elevation Model (DEM). Pada saat sudut normal piksel mendekati 0
maka nilai piksel yang dikoreksi menjadi sangat besar, sehingga diperlukan nilai
C sebagai koefisien pembatas. Berdasarkan perhitungan nilai koefisien C pada
penelitian sebelumnya untuk data Landsat pada berbagai scene yang berbeda
lokasi dan waktu, nilai koefisien C mempunyai kisaran nilai yang berbeda untuk
setiap band. Penelitian ini bertujuan untuk menentukan nilai koefisien C yang
optimal untuk setiap band, sehingga dapat dilakukan generalisasi nilai koefisien
C yang digunakan untuk mengkoreksi berbagai scene. Tahapan kegiatan
dilakukan dengan melakukan koreksi terrain pada data Landsat dengan
menggunakan berbagai nilai koefisien C untuk setiap band. Selanjutnya
dilakukan analisis statistik dengan membandingkan perubahan nilai standard
deviasi dan penampakan visual pada setiap data. Hasil memperlihatkan bahwa
nilai optimal koefisien C yang diperoleh dapat diimplementasikan untuk
mengkoreksi berbagai scene data Landsat dengan cukup baik.

Katakunci: Data Landsat, Koreksi terrain, Koefisien C, sudut normal piksel

GeomatikaSARNasional(GeoSARNas)2011.|441
Pendahuluan
Data citra Landsat mempunyai resolusi spasial 30 meter dengan cakupan data
sekitar 185 km x 185 km. Sebelum dianalisis lebih lanjut dan dapat dioverlay
dengan data citra atau dengan data spasial lainnya, diperlukan pra-pengolahan
data citra seperti koreksi geometrik dan radiometrik. Untuk tujuan tertentu,
seperti klasifikasi dijital, dibutuhkan tambahan proses koreksi terrain yaitu suatu
proses untuk mengurangi/menghilangkan perbedaan nilai pada data satelit yang
disebabkan oleh effek dari perbedaan terrain di permukaan bumi, sehingga
metode ini sangat efektif digunakan di daerah yang bergunung-gunung.

Dengan dilakukannya koreksi radiometrik dan terrain, maka proses klasifikasi

liputan lahan yang dilakukan secara digital yaitu menggunakan metode yang
dihitung secara kuantitatif, akan lebih akurat karena pengkelasan penutup lahan
akan lebih objektif dibanding dengan metode visual. Keuntungan lainnya adalah
waktu pemrosesan menjadi lebih cepat dibanding metode visual.

Ketepatan dalam metode koreksi citra inderaja sangat menentukan hasil pada
proses klasifikasi penutup lahan. Koreksi terrain ditambahkan untuk
memudahkan proses klasifikasi secara digital terutama di wilayah yang
bergunung-gunung. Sebagai ilustrasi, posisi matahari akan memberikan efek
bayangan terhadap liputan lahan yang berada di balik bukit/gunung. Karena
efek tersebut, maka klasifikasi digital akan mengkelaskannya menjadi kelas lain,
sehingga interpretasi menjadi salah. Apabila citra dikoreksi terrain terlebih
dahulu, maka efek bayangan tersebut akan diminimalisir sehingga nilai yang
diberikan objek adalah nilai reflektasi yang sudah dikoreksi.

Formula dasar koreksi terrain diperlihatkan pada persamaan (1). Penelitian

mengenai koreksi terrain pada citra satelit telah dilakukan dan dipublikasikan
dalam beberapa tulisan ilmiah. Teillet et al. (1982) dan Meyer et al. (1993)
melakukan koreksi terrain dengan menggunakan metode c correction, di mana
McDonald et al. (2000) melaporkan bahwa metode c correction merupakan
metode yang paling efektif untuk diterapkan pada citra Landsat. Metode c
correction ini juga diterapkan pada metode pengolahan data program INCAS
dengan tujuan untuk mengkoreksi data Landsat TM/ETM+ multi temporal
wilayah Indonesia dalam mendukung kegiatan perhitungan karbon di wilayah
hutan Indonesia. Wu et al. (2004) menjelaskan konsep dasar dari algoritma c
correction seperti diperlihatkan pada persamaan (1).

442|GeomatikaSARNasional(GeoSARNas)2011
RH = RT ( Cos (sz) + c ) / ( Cos(i) + c) (1)
Dimana,

RH : Radian terkoreksi
R T : Radian belum terkoreksi
sz : Sudut zenith matahari
i : Sudut normal piksel yang dibentuk dari arah normal piksel dan arah matahari
c : Koefisien pembatas yang merupakan rasio antara titik potong dan gradien dari
persamaan regresi LT = m Cos(i) + b
Dengan menggunakan persamaan Cosinus segitiga bola dalam beberapa
referensi (anonym (2008), Wikipedia), maka besar Cos(i) dapat dihitung
(Trisakti, 2010), sehingga diperoleh persamaan untuk koreksi terrain seperti
ditunjukkan oleh persamaan (2).

RH = RT (Cos(sz) +c) / (Cos(sz) Cos(ps) + Sin(sz) Sin(ps) Cos(pa sa)+c ............................ (2)

Cos(i) = (Cos(sz) Cos(ps) + Sin(sz) Sin(ps) Cos(pa sa ........................................................... (3)

Di mana:

RH : Reflektansi terkoreksi terrain

R T : Reflektansi belum terkoreksi
sz : Sudut zenith matahari
ps : Sudut slope piksel
pa : Sudut aspek piksel
sa : Sudut azimuth matahari
c : Koefisien pembatas yang merupakan rasio antara titik potong dan gradien
(b/m) dari persamaan regresi LT = m Cos(i) + b

Penerapan metode c correction untuk proses koreksi terrain telah digunakan

pada program INCAS (Indonesian National Carbon Accounting System) dan
menghasilkan citra Landsat TM/ETM+ yang telah terkoreksi terrain. Citra hasil
koreksi terrain terindikasikan dengan tampilan visual citra RGB yang awalnya
tidak rata (bergelombang) karena perbedaan topografi, berubah menjadi datar
dan nilai digital piksel yang relatif sama untuk tutupan lahan sejenis pada
daerah dengan kondisi topografi berbeda. Yang menjadi kendala adalah bahwa
koefisien c tersebut harus dihitung dan hanya berlaku untuk setiap tanggal
scene data. Interval koefisien c yang diperbolehkan pada program INCAS
ditunjukkan pada Tabel 1. Tetapi range nilai tersebut sangatlah lebar, dan pada
kenyataannya tinggi rendahnya nilai c mempengaruhi hasil koreksi yang
dilakukan. Oleh karena itu, perlu dilakukan penelitian apakah nilai koefisien c

GeomatikaSARNasional(GeoSARNas)2011|443
tersebut bisa ditentukan dan dapat berlaku secara general, sehingga nilai c
tersebut berlaku untuk seluruh scene data Landsat di Indonesia.

Keuntungan yang akan diperoleh dengan adanya proses generalisasi adalah

proses koreksi terrain menjadi lebih cepat, dengan tidak lagi mengambil sampel
area, sehingga pengaruh ketidak telitian operator dalam pengambilan sampel
bisa dikurangi dan proses koreksi dapat dilakukan dengan cepat.

Tabel 1. Interval nilai koefisien c yang diperbolehkan untuk setiap band pada program INCAS
Band Interval
Band 1 0<c28
Band 2 0<c6
Band 3 0<c6
Band 4 0<c1,5
Band 5 0<c1,5
Band 7 0<c2

Metodologi
Data yang digunakan pada kegiatan ini adalah:

Data citra satelit Landsat TM.ETM+ full band (band 1-5 dan band 7)

DEM SRTM X-C band

File header yang terdapat pada setiap data satelit Landsat

Metode
Penghitungan koefisien c setiap scene sample data

Penghitungan nilai c memerlukan beberapa parameter yang diperoleh dari data

DEM yang bersesuaian dan header data. Dari header file diperoleh informasi:
sudut zenith dan sudut azimut matahari. Dari data DEM diperoleh informasi
aspek dan slope dari piksel. Informasi tersebut digunakan untuk menghitung
Cos(i) dengan persamaan (3).

Selanjutnya dilakukan pengambilan area sampel. Pengambilan area sampel

sangat mempengaruhi hasil, sehingga perlu diketahui bahwa untuk memperoleh
hasil yang baik area sampel diambil di lokasi yang homogen, bebas awan,
berterrain, dan pada wilayah yang mempunyai pengaruh dari terrain tersebut,

444|GeomatikaSARNasional(GeoSARNas)2011
misalnya area berterrain yang terdapat bayangan karena adanya perbedaan
topografi yang tajam.

Proses koreksi terrain

Koreksi terrain dilakukan dengan memasukkan nilai-nilai yang diperoleh pada

tahap sebelumnya ke dalam persamaan (2).

Uji kualitas (visual)

Uji kualitas secara visual adalah dengan membandingkan data citra sebelum
dan sesudah koreksi terrain, dan dianalisa apakah di daerah yang berterrain
hasilnya sudah tampak bernuansa datar dan warna kelas yang sama
ditunjukkan oleh warna yang relatif sama.

Uji kuantitas (statistika)

Uji kuantitas dilakukan dengan membandingkan scattering plot antara nilai

digital piksel setiap band.

Penghitungan nilai rata-rata koefisien c sample sebagai nilai untuk

generalisasi koefisien c

Hasil dan Pembahasan

Penghitungan nilai koefisien c
Dalam penghitungan nilai koefisien c dilakukan tahapan sebagai berikut:

Pembuatan citra slope dan aspek yang diperoleh dari data DEM, dengan
contoh pada Gambar 1.

Slope piksel Aspek piksel

Gambar 1. Informasi slope dan aspek yang diperoleh dari DEM

GeomatikaSARNasional(GeoSARNas)2011|445
 Penghitungan sudut normal piksel i diperoleh dari Cos(i) = Cos(sz) Cos(ps)
+ Sin(sz) Sin(ps) Cos(pa sa) dengan memasukkan nilai-nilai slope dan
aspek yang diperoleh dari DEM yang bersesuaian dan sudut zenith serta
azimut matahari yang diperoleh dari header masing-masing data. Hasil
proses ini adalah citra yang berisi informasi Cos (i) yang mempunyai kisaran
0 -1 seperti tampak pada Gambar 2.

Gambar 2. Citra yang berisi informasi sudut normal

Pengambilan area sample. Sampling area diambil pada daerah yang

homogen, bebas awan, di wilayah yang berterrain dan dipengaruhi terrain
(terlihat ada bayangan karena perbedaan topografi).

150

y = 64.29x + 34.83
R = 0.157
Nilai reflektansi

100

50

0
0 0.2 0.4 0.6 0.8 1
Cos(i)

Citra RGB 542 dan lokasi sampel wilayah hutan Korelasi antara Cos(i) dan refelektansi pada
(poligon putih) wilayah sampel untuk band 5
Gambar 3. Pengambilan sampel dan korelasi untuk menghitung koefisien c

446|GeomatikaSARNasional(GeoSARNas)2011
 Nilai c diperoleh dengan membandingkan antara titik potong garis regresi
sampling dengan gradiennya dan dihitung untuk setiap band (Gambar 3.)

Proses koreksi terrain dan uji hasil secara kualitas dan kuantitas
Koreksi terrain dilakukan melalui persamaan (2) dan akan menghasilkan citra
yang bernuansa datar pada wilayah yang berterrain. Uji kualitas dan kuantitas
dilakukan berdasarkan uji visual dan scattering plot setiap band juga deviasi
standarnya. Hasil koreksi terrain dari data sampel yang diambil diperlihatkan
pada Gambar 4.

Sebelum koreksi Setelah koreksi

113067_290999 113067_290999

114064_200999 114064_200999

GeomatikaSARNasional(GeoSARNas)2011|447
 11006m_080999 11006m_080999
Gambar 4. Gambar 4. Citra sebelum dan sesudah koreksi terrain

Penghitungan generalisasi koefisien c

Dari sampel data yang diambil diperoleh hasil nilai c untuk setiap band seperti
pada Tabel 2.

Tabel 2. Variasi nilai koefisien c dari sample data

Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

1.99473 1.80084 1.23218 0.45780 0.44346 0.93524

1.38749 2.01216 0.53004 0.57556 0.25000 0.20409
1.38749 2.75192 2.22063 0.74123 0.73971 1.37218
1.38749 2.13251 1.05243 0.63419 0.33529 0.42144
1.99473 1.80084 1.23218 0.45780 0.44346 0.93524
0.10990 2.73784 1.03994 1.03999 0.10990 0.32868
1.38749 4.70271 2.96122 1.01614 1.10263 1.88911
2.42361 1.78843 1.66140 0.36833 0.31051 0.58814
5.48041 3.15576 2.66135 0.86952 0.92621 1.62095

448|GeomatikaSARNasional(GeoSARNas)2011
 Series1
Series2
Series3
Series4
Series5
Series6
Series7

Gambar 5. Nilai koefisien c untuk setiap band pada setiap sample data

Gambar 5 menunjukkan variasi nilai c untuk setiap band pada sample data yang
diambil. Terlihat bahwa untuk band 1, variasi nilai koefisien c sangat beragam.
Hal ini disebabkan band tersebut sangat dipengaruhi oleh kondisi atmosfer.
Band 2 sampai dengan Band 7 variasi koefisien c lebih teratur dan stabil,
sehingga dimungkinkan untuk digeneralisasi dengan mengambil rata-ratanya.
Untuk pengujian nilai koefisien generalisasi ini diterapkan pada sampel data,
dan menguji hasilnya secara kualitatif (visual) yaitu dengan mengamati wilayah
yang berterrain dan warna dan rona dari penutup lahannya.

Dibandingkan dengan standar nilai c pada program INCAS, maka nilai c pada
Table 3 telah menunjukkan nilai yang lebih spesifik dan dapat berlaku general,
walaupun masih ada permasalahan mengenai rendahnya nilai c pada band 1.
Untuk band 1 ini perlu kajian lebih lanjut menggunakan data yang benar-benar
bersih dari awan atau haze.

Tabel 3. Hasil generalisasi nilai koefisien c untuk setiap band

Band 1 1.950371
Band 2 2.542555
Band 3 1.621262
Band 4 0.684505
Band 5 0.517908
Band 7 0.921673

GeomatikaSARNasional(GeoSARNas)2011|449
Kesimpulan
Nilai koefisien c hasil generalisai memberikan hasil yang cukup baik, hal ini
dibuktikan dengan hasil yang diterapkan pada sampel data yang diambil

Perlu pengujian pada data sample yang lebih banyak, untuk membuktikan
bahwa generalisasi koefisien c bisa diterima. Walaupun pada beberapa
nilai c pada beberapa band (seperti band 1) masih memerlukan kajian
lebih lanjut.

Daftar Pustaka

Anonim, 2008, Segitiga Bola,

http://astronomy2008.wordpress.com/2008/12/14/segitiga-bola/
McDonald, E.R., Wu, X., Caccetta, P.A. and Campbell, N.A., 2000, Illumination
Correction of Landsat TM Data in South East NSW, Proceedings of the
Tenth Australasian Remote Sensing and Photogrammetry Conference,
Adelaide, Australia, August 21-25, 2000.
Meyer, P., Itten, K.I., Kellenberger, T., Sandmeier, S. and Sandmeier, R., 1993,
Radiometric Corrections of Topographically Induced Effects on Landsat
TM Data in an Alpine Environment, ISPRS Journal of Photogrammetry and
Remote Sensing, 48, 17-28.
Teillet, P.M., Guindon, B., Goodenough, D.G., 1982, On the Slope-Aspect
Correction of Multispectral Scanner Data, Canadian Journal of Remote
Sensing, 8, 84-106.
Trisakti, B., Mahdi, K., Kustiyo, dan Tatik K., 2010. Kajian Koreksri Terrain pada
Citra Landsat Thematic Mapper (TM). Jurnal Penginderaan Jauh dan
Pengolahan Data Citra Digital, Vol 6, 2010. ISSN 1412-8098
Wikipedia, Spherical trigonometry,
http://en.wikipedia.org/wiki/Spherical_trigonometry
Wu, X., Furby S. and Wallace J, 2004, An Approach for Terrain Illumination
Correction, The 12th Australasian Remote Sensing and Photogrammetry
Association Conference, held in Fremantle, Western Australia, 18-22
October 2004.

450|GeomatikaSARNasional(GeoSARNas)2011
 Tsunami vulnerability assessment A case study of Kuta Village,
Bali, Indonesia

1* 2 1
Eddy , David King and James Moloney
1
School of Earth and Environmental Sciences, James Cook University, Australia; Email:
eddy.eddy@my.jcu.edu.au
2
Centre for Disaster Studies, School of Earth and Environmental Sciences, James Cook
University, Australia

Abstract. Tsunami impact cannot be eliminated, but it can be effectively analyzed and
possibly reduced by creating a vulnerability map that provides information to coastal
communities facing future tsunamis. The overall aim of this paper is to assess tsunami
vulnerability using Geographic Information System (GIS) technology in Kuta coastal area
based on the physical factors, namely ground elevation, distance from the shoreline and
slope. The result of this paper is a tsunami vulnerability map based on the physical
factors consisting of five zones. The result of this paper shows that around 72% of the
Kuta Village areas is vulnerable to future tsunamis, and only 28% of the areas are safe
from tsunami waves. Moreover, ten types of land use in Kuta Village are vulnerable to
future tsunamis, and only lake that is safe from tsunami waves. The result of this paper
will be useful for local government to create regulations for construction of new
buildings in the coastal area, for disaster planners and emergency managers to mitigate
tsunami impact in the future, and for coastal communities in the study area to be
aware, prepare, know and learn the early signs of the coming tsunamis in the future.

Keywords: GIS, tsunami, vulnerability zones, land use.

GeomatikaSARNasional(GeoSARNas)2011.|451
Introduction
The occurrence of tsunami events in many regions of the world are significant
and cause great impacts for life, infrastructure, property, economy, business,
and environment (Clague et al., 2003, Papathoma et al., 2003). Highly
destructive tsunamis were recorded at a number of locations in Indonesia, such
as in Flores, in December 1992 (Tsuji et al., 1995), in Aceh, in December 2004
(Levy and Gopalakrishnan, 2005), and in South Java (Cilacap and
Pangandaran), in July 2006 (Reese et al., 2007) and affected almost every
sector of the economy. For example, agriculture, fisheries, tourism,
transportation, and health (Levy and Gopalakrishnan, 2005).

Based on these facts, land use, such as buildings and coastal infrastructure,
and coastal communities in coastal area are vulnerable to tsunami hazard.
Assessing vulnerability requires the combination of vulnerability factors that will
resulted in various vulnerability maps (Wood and Good, 2004). Furthermore,
assessing tsunami vulnerability can help local government, disaster planners,
emergency managers, and public policy or decision makers understand the
impact, study the effect of mitigation techniques and incorporate the results into
preparedness programs and urban development plans so they can face the risk
of tsunami hazard in the future.

Bali and surrounding regions have long been affected by tsunami. According to
tsunami catalogues, there were 13 events that recorded for 192 years (see
nd
Table 1). The worst tsunami runup was occurred on 2 June 1994 in West Bali
that reached 4.4 m height. Moreover, the future tsunami impact in there will be
greater than in the past because of the development in coastal area
(Papathoma et al., 2003). Therefore, it is important to assess vulnerability of
tsunami inundation and the impacts in the future.

Table 1. Tsunami events in Bali Island.

Tsunamigenic Source Tsunami Parameters

Date Location Earthquake

Volca Tsunami Run - up
Focal Depth Magnit no Intensity (K0) Height (m)
(Km) ude
22 Nov Bali 122 7.0 IV No data
1815

452|GeomatikaSARNasional(GeoSARNas)2011
 Tsunamigenic Source Tsunami Parameters

Date Location Earthquake

Volca Tsunami Run - up
Focal Depth Magnit no Intensity (K0) Height (m)
(Km) ude
8 Nov Bali 600 8.5 III 3.5
1818
13 May Bali 50 7.0 III 3.4
1857
21 Jan Bali 33 6.6 III 2.0
1917
8 Jan Bali No data No data I 0.7
1925
19 July Bali 33 6.5 I 0.1
1930
30 Mar Bali Agun No data No data
1963 g
17 Dec Bali : Karang 33 6.6 No data No data
1979 Asem
13 April Bali : 99 6.2 III 2.0
1985 Denpasar
2 June West Bali 18 7.8 IV 4.4
1994
3 June Bali : Soka 26 6.6 III 3.7
1994 Beach
17 July Bali : Benoa 34 7.7 I 0.4
2006 Cape
12 Sep Bali : Benoa 34 8.4 I 0.2
2007 Cape

In this paper, the tsunami vulnerability assessment is analyzed and presented

using Geographic Information System (GIS) technology since the tsunami
vulnerability is spatially variable and GIS can help to understand such variability
once the data base has been collected. The aim of this paper is to assess
tsunami vulnerability using GIS technology in Kuta coastal area by combining
physical factors that will result a tsunami vulnerability map that can be useful for
local government, disaster planners and emergency managers for the future
mitigation.

GeomatikaSARNasional(GeoSARNas)2011|453
Background
In this paper, vulnerability assessment is defined as the evaluation of the
exposure of the physical factors or processes, which increase the susceptibility
of coastal communities to the impact of tsunami hazards. Vulnerability
assessment is important because the tsunami impact is different from one place
to another. Moreover, it depends on how close the coastal communities are to
the tsunami source (Cutter et al., 2000).

In the mitigation, preparedness and response process, people must consider

vulnerability assessment because it is central (Ferrier and Haque, 2003).
Vulnerability assessment is also important to make disaster planning and
mitigation activities both sensible and effective. Mitigation efforts could be
carried out effectively by analyzing the vulnerability factors (Clark et al., 1998).
However, in practice, vulnerability assessments sometimes are less considered
in tsunami hazard assessment than mitigation and preparedness. For example,
the tsunami mitigation activity in the Pacific Northwest did not include a
community vulnerability assessment in the overall program (Wood and Good,
2004).

There are several studies about tsunami vulnerability assessment that have
been done using GIS technology. For example, Wood and Good (2004)
assessed the vulnerability of an Oregon port and harbor community in the USA
to earthquake and tsunami hazard by integrating natural, socioeconomic and
hazard information. They organized four themes of GIS layers for assessing
community vulnerability: (i) study portrayal layers, (ii) hazard potential, (iii)
community assets, and (iv) community vulnerability. The study portrayal layers
that have been used, included digital orthophotoquads, elevation models, raster
graphs and bathymetry. Hazard potential layers show the subduction zone
hazard susceptibility on relative ordinal scales and are created by using maps
from reviewed articles or digital data. The third set of GIS layers represent the
important assets of the port and harbor community, such as subsidence,
landslides, population, essential facilities, etc. The fourth set of GIS layers focus
on the aggregate of hazards, assets, and vulnerability of the study area in order
to identify the areas of multiple hazards or community assets.

In Crete, Greece, GIS has been used to assess a new vulnerability assessment
approach for tsunami hazard, which is the Papathoma Tsunami Vulnerability

454|GeomatikaSARNasional(GeoSARNas)2011
Assessment Model or PTVAM. It integrates multiple factors that contribute to
tsunami vulnerability, such as the built environment (such as building
surroundings, building material age and moveable objects), sociological data
(such as population density and number of people per building), economic data
(such as land use for business, residential and services), and environmental or
physical data (such as land cover, physical or manmade barriers and natural
environment). The result is vulnerability maps that combine all parameters for
different endusers: disaster planners, local authorities and insurance
companies in the study area (Papathoma et al., 2003).

Furthermore, the PTVAM has been used to apply a tsunami vulnerability

assessment to two coastal villages in the Gulf of Corinth, Greece, using a worst
case tsunami scenario based on what occurred in those villages on the 7
February 1963. Papathoma and DomineyHowes (2003) used GIS to create
vulnerability maps that consist of three parameters, (i) the building vulnerability,
(ii) the human vulnerability and (iii) the economic vulnerability. The building
vulnerability was analyzed by using a qualitative method and combined
parameters that related to the vulnerability of individual buildings, such as
condition, building surroundings, natural environment, etc. The human
vulnerability was analyzed by using a quantitative method multiplying the
building vulnerability result by combining parameters that relate to the human
vulnerability (such as population, population density and number of households).
The economic vulnerability was analyzed by way of a descriptive method, which
multiplied the building vulnerability result by the land use for economic issues,
such as residential, business and services. For the results, Papathoma and
DomineyHowes (2003) showed the distribution of buildings that are vulnerable
to tsunami inundation, the number of household that are located within buildings
that are highly vulnerable, and the number and percentage of businesses and
services within each of the villages that are vulnerable to tsunami events.

Based on these studies, the authors selected, analyzed and combined the
physical factors that will affect the tsunami vulnerability assessment in coastal
area. The detailed of the chosen variables will be explained later in methodology
chapter.

GeomatikaSARNasional(GeoSARNas)2011|455
Study Area
Kuta Village that located in Bali is famous with it coastal areas that have white
sands and good panorama. It attracts both local and international visitors. The
location of the study area is shown at Figure 1. Kuta Village is located in the
southwest of Bali, bordered on the east by the Pemogan village, on the west by
the Indian Ocean, on the north by the Legian and Pemecutan Kelod villages and
on the south by the Tuban village. This village belong to the Kuta SubDistrict.

Kuta Village is the administrative and economic centers for the province, and
also provides a large amount of income to the country from its tourism sector.
However, Bali is located on the boundary of the Eurasian and IndoAustralian
Plates, which move occasionally. This movement can generate submarine
earthquakes that are one of the factors that can generate a tsunami. Therefore,
Kuta Village is vulnerable to the tsunami hazard. Based on this reason, the
study has been undertaken to analyze and assess the tsunami vulnerability
based on physical factors in Kuta Village.

Methodology
Tsunami vulnerability assessment is important to identify coastal areas, coastal
communities and coastal infrastructure that are vulnerable to tsunami waves in
the future. The result is vulnerability maps that will be useful for local
government, disaster planners and emergency managers for hazard
preparedness and mitigation.

In this paper, the total vulnerability as modified from Cutter, et al. (1997) and
Greiving, et al. (2006) can be calculated as follows:

Where: Tv = total vulnerability; Pv1/2/3 = 1st/2nd/3rd physical factor.

456|GeomatikaSARNasional(GeoSARNas)2011
 Figure 1. Location of the study area.

In the present study, the following methodological steps are undertaken:

Choose the vulnerability factors.

All vulnerability parameters are selected based on the previous studies and the
aftermath surveys of tsunami, especially the 2004 Indian Ocean tsunami (Levy
and Gopalakrishnan, 2005) and the 2006 South Coast of Java tsunami (Reese
et al., 2007).

Because the vulnerability tsunami and devastation is not consistent within the
study area, several factors were identified and then information of each factor
was collected to produce the primary database. Therefore, it was possible to
determine and display the spatial vulnerability within the study area.

The physical vulnerability factors to consider are:

GeomatikaSARNasional(GeoSARNas)2011|457
1. Ground elevation.

The ground elevation will affect the runup height of the tsunami. The higher the
height of tsunami waves in coastal areas, the further the distance of inundation
into the mainland (Nugroho, 2006, Agung, 2006). The classification for ground
elevation is based on Agung (2006).

2. Distance from the shoreline.

The distance from the shoreline will affect the damage and the casualties if a
tsunami event occurs. The further the distance from the shoreline, the less will
be the runup height and inundation area of tsunami waves (Nugroho, 2006,
Agung, 2006). The classification for distance from the shoreline is used from
Bretschneider and Wybros formula (1976) in Bernard, et al. (1994):

Where: Xmax = Maximum distance of tsunami inundation into mainland.
Yo = Tsunami height in shore.
3. Slope.

The slope will affect the distances of inundation. The steeper the slope, the less
the inundation area of tsunami waves (Nugroho, 2006). The classification for
slope is based on van Zuidam (1985) in Bocco, et al. (2001).

Give weight and score for each vulnerability factor.

The weighting and scoring methods for each factor was varied due to:

1. Show which factor that give big or small contribution in determining

tsunami vulnerability area.

2. Show the differences and contributions of each class in the relevant

factor.

Based on these considerations, the classification, weighting and scoring

methods of physical vulnerability factors are shown in Table 2.

458|GeomatikaSARNasional(GeoSARNas)2011
 Table 2. Classification, scoring and weighting for physical vulnerability factor.
Physical Factors Class Score Weight Total
Ground elevation (Agung, 2006)
<1m Very high vulnerability 5 40 200
12m High vulnerability 4 40 160
23m Medium vulnerability 3 40 120
34m Low vulnerability 2 40 80
>4m Very low vulnerability 1 40 40
Distance from the shoreline (Bernard et
al., 1994)
< 600 m Very high vulnerability 5 40 200
600 800 m High vulnerability 4 40 160
800 1000 m Medium vulnerability 3 40 120
1000 1200 m Low vulnerability 2 40 80
> 1200 m Very low vulnerability 1 40 40
Slope (Bocco et al., 2001)
< 2% High vulnerability 3 20 60
2 6% Medium vulnerability 2 20 40
> 6% Low vulnerability 1 20 20
Table 2 shows that ground elevation and distance from the shoreline factors
were weighted equally (40%) and bigger than slope factor (20%). It is because
both factors will affect much in coastal area if a tsunami occurs there. Tsunami
waves can inundate into mainland for several hundred meters (related with
distance from the shoreline factor) and swamp most of coastal infrastructure that
located in flat or lowlying coastal areas (related with ground elevation factor)
(Levy and Gopalakrishnan, 2005, Reese et al., 2007).

The weighting method in this paper is based on scientific justification by looking

at the factor contribution in determining the tsunami vulnerable area where the
factor that has the control functions and accurate data will be given bigger
weight (Nugroho, 2006).

Combine the vulnerability factors

The analysis for combining the vulnerability factors is an overlay method
(Nugroho, 2006). This method is used by overlaying many map layers to obtain

GeomatikaSARNasional(GeoSARNas)2011|459
one new map layer. In this paper, this method is used for combining the physical
vulnerability factors for Kuta Village. According to Nugroho (2006), the class
range can be calculated as follows:

Overlay with the land use map
For the result, the total vulnerability map are being overlaid with the land use
map, so it can be analyzed and calculated the area and type of land use that is
located within each vulnerability area.

The land use map was created by using the extraction from urban planning map
of each village. This map displays the basic information of land use in the study
area, such as agroforestry, bareland, building, grassfield, lake, mangrove, open
space, ricefield, river, road and sand.

Create the vulnerability maps using GIS technology.

To create the vulnerability maps, the important data that needed are elevation
data. Elevation data was used to produce DEM (digital elevation model) using
GIS software. The more detailed elevation data will produce the more detailed
DEM. The function of DEM data is to describe the topography condition of the
study area. In this paper, DEM data is very important to create and analyze the
physical vulnerability maps.

Moreover, the physical vulnerability maps are combined by using the overlay
method to obtain the total vulnerability map of Kuta Village. Then, this map is
being overlaid with the land use map. Therefore, this map can be used for local
government, disaster planners and emergency managers to create mitigation for
the future tsunamis.

Result
The total vulnerability map is the combination of physical vulnerability maps. The
red areas in the Figure 2 represent areas that influenced very highly by physical
factors. These areas have very high vulnerability of tsunamis than other areas.
The orange areas represent the areas with high vulnerability of tsunamis. The
yellow areas represent the areas with medium vulnerability of tsunamis. The
light green areas represent the areas with low vulnerability of tsunamis. On the

460|GeomatikaSARNasional(GeoSARNas)2011
other hand, the dark green areas represent the safest area and it represents the
areas with very low vulnerability of tsunamis. These areas are influenced very
low by physical factors.

Figure 2. The total vulnerability map of Kuta Village.

Moreover, it is possible to calculate Kuta Village areas that are potentially

vulnerable to future tsunamis. The detailed of the vulnerable areas within each
zone for Kuta Village is shown in Table 3.

GeomatikaSARNasional(GeoSARNas)2011|461
 Table 3. The administrative areas those are vulnerable to tsunami.
Vulnerable areas (m2)
Village Type Very high High Medium Low Very low
vulnerability vulnerability vulnerability vulnerability vulnerability
Kuta Urban 1,135,100 1,380,025 1,013,550 2,000,375 2,105,200
Based on Table 3, around 72% of the Kuta Village areas (5,529,050 m2) are
vulnerable to future tsunamis, and only around 28% of the total areas
(2,105,200 m2) are very safe and not vulnerable to tsunami waves.

Figure 3 shows the land use classification for Kuta Village. The results are 11
classes mapping the urban morphology, namely agroforestry, bareland, building,
grassfield, lake, mangrove, open space, ricefield, river, road and sand.

Figure 3. The land use map of Kuta Village.

462|GeomatikaSARNasional(GeoSARNas)2011
For the analysis, the land use map are being overlaid with the total vulnerability
map, so it is possible to locate and calculate which and how much the area of
each land use type that are vulnerable to future tsunamis.

Figure 4 shows ten types of land uses that are vulnerable to tsunamis in Kuta
Village, namely agroforestry, bareland, building, grassfield, mangrove, open
space, ricefield, river, road and sand. It is only lake that is not vulnerable to
future tsunamis.

Figure 4. The land uses of Kuta Village those are vulnerable to future tsunamis.

Furthermore, Table 4 shows the detailed calculation of which and how much the
land use types in Kuta Village that are vulnerable to future tsunamis within each
2
vulnerability zone. Around 47% of the agroforestry (56,257.06 m ), around 75%
2
of the bareland (46,383.67 m ), around 97% of the buildings (7,838 units),
2
around 62% of the grassfield (8,594 m ), around 6% of the mangroves
(53,092.46 m2), around 84% of the open space (3,243,410.46 m2), around 79%
2 2
of the ricefields (201,124.92 m ), around 42% of the river (33,146.03 m ),
around 84% of the roads (52,903.42 m), and all 100% of the sand (227,151.28
2
m ) in Kuta Village are vulnerable to future tsunamis.

GeomatikaSARNasional(GeoSARNas)2011|463
 Table 4. The land uses of Kuta Village those are vulnerable to future tsunamis.
Vulnerable Area
Land use
type Very high High Medium Low No
vulnerability vulnerability vulnerability vulnerability vulnerability
Agroforestry - - - 56,257.06 m2 63,260.13 m2
Bareland 20,056.01 m2 3,065.27 m2 - 23,262.39 m2 15,709.27 m2
Building 910 units 2,545 units 2,303 units 2,080 units 228 units
2
Grassfield - - - 8,594.00 m 5,289.69 m2
Lake - - - - 346,191.62 m2
2
Mangrove - - - 53,092.46 m 817,190.10 m2
Open space 606,339.02 872,540.14 612,818.35 1,151,712.95 m2 614,905.93 m2
m2 m2 m2
Ricefield - - - 201,124.92 m2 54,033.55 m2
2
River - - - 33,146.03 m 46,289.05 m2
Road 5,464.76 m 15,123.67 m 13,611.46 m 18,703.53 m 10,233.14 m
Sand 227,151.28 - - - -
m2

Discussions
The goal of this paper was to assess, locate and map the vulnerability of Kuta
Village to the tsunami hazard by using physical factors. Question may be asked
why such physical factors should be undertaken. The answer is that the
vulnerability to tsunami damage and impact is not consistent within the study
area. It is always dynamic. Therefore, several physical factors were used,
identified and analyzed, and then this information was used to create the
primary database for GIS analysis (Papathoma et al., 2003). All factors were
selected and chosen based on tsunami impact surveys, especially the 2004
Indian Ocean tsunami (Levy and Gopalakrishnan, 2005) and the 2006 South
Coast of Java tsunami (Reese et al., 2007).

In this paper, the physical vulnerability determines how Kuta Village is

vulnerable in relation to physical factors, such as distance from the shoreline,
ground elevation and slope. It is important to know which areas in the village
have higher vulnerability and how much the proportion of each factor contributes
to the vulnerability of this village. Therefore, local government can allocate the
right actions and interventions for this village in mitigation plans to mitigate the
impact of future tsunamis.

464|GeomatikaSARNasional(GeoSARNas)2011
The vulnerability of Kuta Village is determined by their location close to the
Indian Ocean and the active plate margin areas. Moreover, most areas in this
village are below 5 m elevation and less than 6% slope. This means that most
areas in KutaVillage are very flat. For this reason, tsunami waves can reach and
inundate inland easily. Furthermore, coastal infrastructure, such as hotels,
restaurants and shops are located near the shoreline. For example, the 2004
Indian Ocean tsunami that occurred in Aceh inundated 2 km inland and
swamped coastal infrastructure, such as ports and power plants located in low
lying areas (Levy and Gopalakrishnan, 2005). The 2006 South Coast of Java
tsunami, had a runup of more than 7 m in some flat areas and inundated
several hundred meters inland (Reese et al., 2007). Tsunamis are more
dangerous if they occur in the lowlying flat areas, such as Kuta Village because
they can inundate from several hundred meters to several kilometers inland and
swamp the coastal infrastructure located near the shoreline.

Coastal areas are a favorite location for settlement and business. The coastal
areas attractiveness continues to grow along with associated housing, coastal
facilities and accommodation development. As a result, more local people and
tourists, and coastal infrastructure will be threatened by the tsunami hazard.
Therefore, to manage and control new building construction in coastal areas,
there should be cooperation between the planning agency and the local
government related to the city spatial planning. For example, local government
can create economic disincentive, such as higher taxation, to discourage people
or investors from creating new developments in vulnerable coastal areas.
Moreover, this map also can be used to inform local government agencies,
hazard task force, local residents, investors, and visitors about preparedness
and response for tsunami events. This action has been implemented in some
countries, such as the USA, as part of a national program in planning for
tsunami-resilient communities (Jonientz-Trisler et al., 2005).

In this paper, the use of better elevation data will eventually increase the
accuracy of the DEM (Digital Elevation Model) data which is important for
creating ground elevation and slope layers. This condition can potentially
discourage the application of tsunami hazard assessments in other coastal
areas in Indonesia, because the detailed topographical map with high resolution
of elevation is generally not available at village or subdistrict level, probably
due to the cost of surveys. Villages or subdistricts that do not have any

GeomatikaSARNasional(GeoSARNas)2011|465
topographic maps, can use and derive the DEM data from the SRTM (Shuttle
Radar Topography Mission) (Jarvis et al., 2008) and ASTER GDEM (LPDAAC,
2010) images. These data are free and can be downloaded through the internet.
However, the spatial resolution for these images is quite large. The spatial
resolution for SRTM is 90 m and for ASTER is 30 m. The analysis for the ground
elevation can be done, but it will not be as accurate as using detailed
topographical maps because of the spatial resolution from the images. These
images will be suitable for ground elevation analysis at the district or province
area (larger area).

Figure 5. The framework for a tsunami vulnerability assessment.

Figure 5 shows the framework for a tsunami vulnerability assessment. This

framework is developed based on the methodologies that have been done in
this paper. This framework is quite simple to understand and reflect activities
that need to be carried out in the tsunami vulnerability assessment process. The
result of this framework is a tsunami vulnerability map based on the physical
factors that influenced tsunami vulnerability in the study area. Furthermore, this
result can be overlaid with the administrative boundary and land use layers to
know which and how much the areas and land use that are possibly vulnerable
to future tsunamis within each vulnerability zone in the study area.

The physical factors that are used in this paper are based on the available
factors that can be found in each village and generally are the basic factors of
any vulnerability study. For detailed vulnerability assessments, several factors
can be added to develop the assessment. The more factors that are used, the

466|GeomatikaSARNasional(GeoSARNas)2011
more detailed the assessment that can be developed. However, detailed
assessments require longer time, greater budget and more analysis to be done.
For example, there are three physical factors that have been used in this paper,
namely distance from the shoreline, ground elevation and slope. Several factors
can be added, such as land cover, topography, geological structures, physical
sea defences, coastal type and tsunami wave direction (Papathoma et al., 2003,
Nugroho, 2006, Chen et al., 2003). This is important in creating an analysis
model that can be replicated by provincial governments at the local level.

Conclusions
Kuta Village that located in Bali is vulnerable to tsunami hazard because it is
located in very active plate margin at Indian Ocean. Based on the historical
data, it showed there were 13 tsunami events within 192 years and 12 of them
were caused by submarine earthquakes. Therefore, it is important to assess the
vulnerability of tsunami hazard and the impact in the future for this village. This
assessment can help local government, disaster planners and emergency
managers to understand the impact, create the mitigation techniques and
incorporate the results into preparedness programs and urban development
plans so they can face the risk of tsunami hazard in the future.

The physical factors that have been used in this paper are ground elevation,
distance from the shoreline and slope. These physical factors can be added
more to develop the assessment. The more factors that are used, the more
detailed the assessment that can be developed. However, detailed assessments
require longer time, greater budget and more analysis to be done.

All factors were combined using plus analysis in GIS software. The result of
vulnerability assessment is the total vulnerability map based on the combination
of physical vulnerability maps and consists of five classes, namely very high
vulnerability, high vulnerability, medium vulnerability, low vulnerability and very
low vulnerability.

This paper has demonstrated that GIS can be used in disaster management for
creating tsunami vulnerability map by analyzing and modifying data from the
available data. The results address and answer the objective that defined earlier
in the introduction chapter. The results from this paper will be useful for local
government to create regulations that related with construction new buildings in
the coastal area, for disaster planners and emergency managers to create

GeomatikaSARNasional(GeoSARNas)2011|467
tsunami mitigation in the future, and for coastal communities in the study area to
aware, prepare, know and learn the early signs of the coming tsunamis in the
future.

Based on above facts and condition, it is essential to Kuta Village in Bali to have
a tsunami preparedness and mitigation programs. It is recommended that the
local government in there should integrate tsunami information in all aspects of
coastal development planning, regulation, investment, community life,
education, and economic activities. Moreover, they should consider the tsunami
vulnerability map to support the spatial planning and integrated coastal
management for the future regulations related with the construction new
buildings in coastal areas, especially in Kuta Village.

Acknowledgements
This project would not have been possible without the financial support of the
Australian Government through the Australian Development Scholarship and the
James Cook University through the School of Earth and Environmental
Sciences. The data required for this project was substantial and would not have
been possible without the unlimited access provided by the Badung Regency
and Denpasar City Planning Boards, the Bali Provincial Public Works Agency,
the Bali Provincial Central Agency for Statistic, the Bali Provincial Tourism
Agency and the National Coordinating Agency for Survey and Mapping to their
databases.

468|GeomatikaSARNasional(GeoSARNas)2011
References

AGUNG, F. (2006) Tsunami risk assessment of Indonesian coastal city: Case

study of Padang City, West Sumatra. Aarhus, Denmark, Aarhus University.
BERNARD, E., MADER, C., CURTIS, G. & SATAKE, K. (1994) Tsunami
Inundation Model Study of Eureka and Crescent City, California. NOAA:
National Oceanic and Atmospheric Administration.
BOCCO, G., MENDOZA, M. & VELAZQUEZ, A. (2001) Remote Sensing and
GIS-Based Regional Geomorphological Mapping - A Tool for Land Use
Planning in Developing Countries. Geomorphology, 39, 211-219.
CHEN, K., BLONG, R. & JACOBSON, C. (2003) Towards an integrated
approach to natural hazards risk assessment using GIS: With reference to
bushfires. Environmental Management, 31, 546-560.
CLAGUE, J. J., MUNRO, A. & MURTY, T. (2003) Tsunami hazard and risk in
Canada. Natural Hazards, 28, 433-461.
CLARK, G. E., MOSER, S. C., RATICK, S. J., DOW, K., MEYER, W. B., EMANI,
S., JIN, W., KASPERSON, J. X., KASPERSON, R. E. & SCHWARZ, H. E.
(1998) Assessing the vulnerability of coastal communities to extreme
storms: The case of Revere, MA., USA. Mitigation and Adaptation
Strategies for Global Change, 3, 59-82.
CUTTER, S. L., MITCHELL, J. T. & SCOTT, M. S. (1997) Handbook for
conducting a GIS-based hazards assessment at county level. South
Carolina Emergency Preparedness Division Office of the Adjutant General.
CUTTER, S. L., MITCHELL, J. T. & SCOTT, M. S. (2000) Revealing the
vulnerability of people and places: A case study of Georgetown County,
South Carolina. Annals of the Association of American Geographers, 90,
713-737.
FERRIER, N. & HAQUE, C. E. (2003) Hazards risk assessment methodology for
emergency managers: A standardized framework for application. Natural
Hazards, 28, 271-290.
GREIVING, S., FLEISCHHAUER, M. & LUCKENKOTTER, J. (2006) A
methodology for an integrated risk assessment of spatially relevant
hazards. Journal of Environmental Planning and Management, 49, 1-19.

GeomatikaSARNasional(GeoSARNas)2011|469
JARVIS, A., REUTER, H. I., NELSON, A. & GUEVARA, E. (2008) Hole-filled
seamless SRTM data V4, International Centre for Tropical Agriculture
(CIAT).
JONIENTZ-TRISLER, C., SIMMONS, R. S., YANAGI, B. S., CRAWFORD, G.
L., DARIENZO, M., EISNER, R. K., PETTY, E. & PRIEST, G. R. (2005)
Planning for tsunami-resilient communities. Natural Hazards, 35, 121-139.
LEVY, J. K. & GOPALAKRISHNAN, C. (2005) Promoting disaster-resilient
communities: The great SumatraAndaman earthquake of 26 December
2004 and the resulting Indian Ocean tsunami. Water Resources
Development, 21, 543-559.
LPDAAC (2010) Aster GDEM, Land Processes Distributed Active Archieve
Center, U.S. Geological Survey (USGS), Earth Resources Observation
and Science (EROS) Center.
NUGROHO, A. (2006) Spatial analysis of tsunami vulnerable area in Jembrana
Regency, Bali. Semarang, Diponegoro University.
PAPATHOMA, M. & DOMINEY-HOWES, D. (2003) Tsunami vulnerability
assessment and its implications for coastal hazard analysis and disaster
management planning, Gulf of Corinth, Greece. Natural Hazards and Earth
System Sciences, 3, 733-747.
PAPATHOMA, M., DOMINEY-HOWES, D., ZONG, Y. & SMITH, D. (2003)
Assessing tsunami vulnerability, an example from Herakleio, Crete. Natural
Hazards and Earth System Sciences, 3, 377-389.
REESE, S., COUSINS, W. J., POWER, W. L., PALMER, N. G., TEJAKUSUMA,
I. G. & NUGRAHADI, S. (2007) Tsunami vulnerability of buildings and
people in South Java - field observations after the July 2006 Java
Tsunami. Natural Hazards and Earth System Sciences, 7, 573-589.
TSUJI, Y., MATSUTOMI, H., IMAMURA, F., TAKEO, M., KAWATA, Y.,
MATSUYAMA, M., TAKAHASHI, T., NUNARJO & HARJADI, P. (1995)
Damage to coastal villages due to the 1992 Flores Island earthquake
tsunami. Pageoph, 144, 481-524.
WOOD, N. J. & GOOD, J. W. (2004) Vulnerability of port and harbor
communities to earthquake and tsunami hazards: The use of GIS in
community hazard planning. Coastal Management, 32, 243-269.

470|GeomatikaSARNasional(GeoSARNas)2011
 Spatial Planning of the State Border Areas

Sri Handoyo
National Research Geomatics, BAKOSURTANAL, Cibinong and Pakuan University,
Bogor.

Mail:
shandoyo@yahoo.com

Abstract. Indonesia has three land borders state, i.e. with Malaysia, Papua New Guinea,
and Timor-Leste, and those have different natural characteristics and territorial
developments.It has been understood and an urgent program that the border areas have
to be built and developed, for security and prosperity reasons, especially for the people
in the border areas. Therefore, spatial planning is a starting infrastructure to establish.

This paper describes the objectives of any supporting and obstacle factors that might
occur for the establishment, either in spatial or non-spatial forms. Besides, it also
describes any possible problems of border line, and also any possible joint project of
both countries to adapt and accommodate. The study is carried out through a
qualitative and comparative analysis based on some land-border cases in Indonesia.

It is concluded that there are considerations to be taken into account seriously to obtain
an optimum result of the spatial planning of the border areas. Among others are the
supporting factors of the availability of the complete basic geospatial information, and
also the obstacle factors of the border line. That problems have to be entirely solved
before hand.

Keywords: spatial planning, border areas, state boundary, supporting factors, obstacle
factors, spatial, non-spatial.

GeomatikaSARNasional(GeoSARNas)2011.|471
Introduction
In accordance with Article 1 Paragraph (2) Presidential Regulation No. 12 of
2010 concerning Badan Nasional Pengelola Perbatasan (BNPP or National
Agency for Border Management) [11], the border areas is part of the territory of
which lie on the side of the border in Indonesia along with other countries. In the
case of state land border, then the border areas in question is located in the
district. Indonesia has a border area consisting of land borders with countries
namely Malaysia, Papua New Guinea (PNG), and Timor-Leste, and sea borders
with 10 countries, namely India, Malaysia, Singapore, Thailand, Vietnam,
Philippines, Republic of Palau, Australia, Timor-Leste, and PNG. Limit of the
sovereignty of Negara Kesatuan Republik Indonesia (NKRI or Unitary Republic
of Indonesia) and its jurisdiction is in Figure 1.

Figure 1. Map of NKRI (Source: Bakosurtanal, 2006)

The border areas have different natural characteristics, regional development,

and potential of each distinct from one another. The potential of the border area
with great economic value is in the form of natural resources such as forests,
mines, minerals, fisheries, and maritime affairs that lie along and around border
areas. These natural resources have to be managed, and partly a conservation
area or protected forest that has value as a world heritage protected and
preserved.

The land border areas spread over 4 (four) provinces, namely West Kalimantan,
East Kalimantan, Papua, and Nusa Tenggara Timur (NTT). Each area of the

472|GeomatikaSARNasional(GeoSARNas)2011
border has conditions that differ from each other. Border areas in Kalimantan
that bordering with Malaysia have its people more prosperous. Border areas in
Papua relatively have equal society with people of PNG, while in the NTT border
areas the Indonesian side is still relatively better in terms of infrastructure and
the level of welfare.

Border Areas with Malaysia

West Kalimantan areas directly adjacent to the Sarawak region along 847.3
kilometers across 98 villages in 14 districts in five counties, namely the counties
of Kapuas Hulu, Sambas, Sintang, and Bengkayang. East Kalimantan areas
directly adjacent to the Sabah region along the 1035 kilometers across 256
villages in 9 districts and 3 counties which are in Nunukan, West Kutai and
Malinau counties. Three border crossing points (border gate) officially, there are
in the counties of Bengkayang in West Kalimantan, and Nunukan in East
Kalimantan. Nunukan county has a custom facility, Imigration, quarantine, and
security (CIQS) with a relatively good condition, while in other places CIQS
facilities are still simple and not supported by good accessibility due to poor road
conditions. Other areas such as border area in Sintang, Sambas, Kapuas Hulu,
Malinau, and West Kutai still has no official border crossings and is still under
construction. However, communities around the border are already using the
crossing of the unofficial border that has long been a traditional path in the
context of familial relationship or kinship. Security posts and defenses that are
available along the traditional lines is still very limited, as are the activities of the
security patrols who still face obstacles in the form of lack of transportation
facilities and infrastructure [1].

Border Areas with PNG

The border areas of Papua are located in the 5 (five) city of Jayapura, Keerom,
Pegunungan Bintang, Digoel, and Merauke regencies, and 23 (twenty three)
districts. The land border line between Indonesia and PNG extends about 760
kilometers from Skouw, Jayapura in the north to the mouth of the river
Bensbach, Merauke in the south. This border line established by agreement
between the Government of the Netherlands and the UK on May 16, 1895.

The number of boundary pillars in the border area of Papua is still very limited,
i.e. only 52 markers. The border posts in the border area of Papua are in the
district of Muara Tami, Jayapura city, and in the district of Sota, Merauke. The

GeomatikaSARNasional(GeoSARNas)2011|473
condition in the border city of Jayapura is still not optimally utilized as the
borders in Sanggau and Nunukan, because the facility was not yet complete
neither CIQS available. In general, cross border activity is still a traditional
border crossers as is done by close relatives or relatives of Papua into PNG and
vice versa, while the economic activities like trade in commodities between the
two countries through the border in Jayapura are still very limited trade in goods
for daily day and household tools that are available in Jayapura [1].

Border Areas with Timor-Leste

The state land border in NTT province is located in the 3 (three) regencies of
Belu, Kupang, and Timor Tengah Utara (TTU). The state land border situated in
Belu extends from north to south the island of Timor, while regencies of Kupang
and TTU adjacent to one of the territory, namely Oekussi, separately and in the
middle area of Indonesia (enclaves). The state land border in NTT is located at
9 (nine) districts, namely 1 (one) district in Kupang, 3 (three) in TTU, and 5 (five)
districts in Belu regency.

The border crossings in NTT are in some districts within the three regencies, but
the post is relatively complete and is often used as cross-border access in the
eastern district of Tasifeto, Belu regency. The existing facilities such as CIQS, is
quite complete. The cross-border activity that often happens is crossing the
traditional boundaries through the entrance that had once been used as a
normal way as Timor-Leste remains one of the province of Indonesia, like the
one on the border between TTU (NTT) and Oekussi (Timor- Leste). To facilitate
the citizens in Oekussi visiting Timor-Leste, the Government of Timor-Leste
proposed a permit for its residents to use the road infrastructure from Oekussi to
the main areas of Timor-Leste [1].

Table 1 Indonesian border areas with Malaysia, Timor-Leste, and PNG

No. CHARACTERISTICS MALAYSIA TIMOR-LESTE PNG
1 Legal base Treaty 1891 between Treaty 1904 Declaration by the
the governments of between the King of Prusia in
the Netherlands and governments of Prusia 1885;
England. the Netherlands Convention of
and England. England and the
Dutch; and the
Agreement of
observation and
traverse between

474|GeomatikaSARNasional(GeoSARNas)2011
No. CHARACTERISTICS MALAYSIA TIMOR-LESTE PNG
Indonesia and
Australia, 1964.
2 Length of the 2.004 kilometers 268,8 kilometers 815 kilometers
border lines
3 Status In progress In progress In progress
4 Situation in the Better than in the The Indonesian The Indonesian side
border areas Indonesian side side is better is better
5 Problems 10 points of the 3 unresolved and 1 There is no specific
outstanding border unsurveyed border lineproblem
problems segments

Urgency of the Border Area Development

The Government has established the National Agency for Border Management
(BNPP) through Presidential Regulation No. 12 of 2010, a realization of the
seriousness of the Government to build and develop the border areas. However,
so far implementation of the BNPP program was still in its early stages and
more to the consolidation of its institutional organization. While it is still relevant
conclusions presented by Yani (2008) about securing the border to support the
integrity of the NKRI, namely:

a) Management of the state border has not been optimal and less
integrated.

b) Border area has a strategic value that is determined partly by the

activities that take place in the region.

c) Need to plan a more detailed spatial planning in border areas in order

to materialize the principal utilization of space policy at the border
areas.

d) Approach to the development of border areas is directed to the security

and prosperity approaches [21].

Haryanto (2011) also stated that the border should be built, because the border
is the front page of the NKRI and also a physical limit of the geographical
landscape of the country's sovereignty. Development of border areas should be
preceded by the preparation of the border area plan which has three basic
aspects of the security and defence, welfare, and environmental conservation, in

GeomatikaSARNasional(GeoSARNas)2011|475
addition to referring to national policy. There are some fundamental reasons that
the border should be built, namely:

a) The geographical position of dealing directly with the neighboring

countries.

b) Areas that are relatively isolated and the level of development lags
behind.

c) Natural resource management is not optimal.

d) Conditions of the nationalism and socio-economic community is still

low.

e) Many security breaches.

f) Legal aspects which are unfinished.

The border area development activities are urgent, these are:

a) Construction of road networks, irrigation networks, the raw water

infrastructure, and the centers of settlement and the ingredients.

b) Improved education and health services, establishment of training

centers.

c) The concept of site plan of plantation.

d) The expansion of communications network infrastructure, such as

television and radio.

e) Providing the budget for the establishment of special economic zones.

f) Development of infrastructure and transportation facilities by land, sea,

and air.

g) The spatial management [6].

Welfare Society in the Border Area

The welfare of the people in the border area is one of the main objectives of
development policy and the development of border areas. Improving people's
welfare at the border can be done as follows.

476|GeomatikaSARNasional(GeoSARNas)2011
 a) Acceleration of territorial dispute settlement.

b) Implement policies and spatial strategies of border areas.

c) Preparation of development programs in a comprehensive and integral

border.

d) Economic development and acceleration of economic growth based on

public economy.

e) Improving the quality of human resources with a vision of national

education systems.

f) Construction and development of infrastructure and road network along

the land border.

g) Development of electricity infrastructure and facilities, information,

telecommunications, and water.

h) Establish a specific area as an area of Green Defend.

i) Realizing the corridor or a seat belt.

j) Increased border security infrastructure and the construction of military

bases near the border (Source: Slamet, http://www.korem161. Mil.id /?
P = 614 accessed on June 25, 2011).

The Legal Basis

The basic implementation of spatial mapping is the main Government
Regulation (PP) No. 10 of 2000 on the level of accuracy for Spatial Planning
Area Map [9]. PP is one implementation that mandated by the Act No. 24 of
1992 on Spatial Planning, which is updated with the Law No. 26 of 2007
regarding Spatial Planning. It is currently being discussed and worked on the
draft regulation on the accuracy of the Land Use Plan Map by BAKOSURTANAL
together with BKPRN (National Coordinating Agency for Spatial Planning), and
the Secretariat of State, along with Kemenhukham will refine and replace the PP
10/2000, but until now the process discussion has not been completed, and
planned for completion in 2011 (Source: http://www.
medanbisnisdaily.com/news/read/2011/06/09/38673/ketelitian_peta_rencana_ta
ta_ruang_ ditargetkan_selesai_2011/; accessed on June 29, 2011).

GeomatikaSARNasional(GeoSARNas)2011|477
Meanwhile, the government also urged the acceleration of the completion of the
Spatial Plan (RTR) of Border Area to address the problems that often occur due
to violations in the border area with other regions. In addition, the importance of
solving the border areas RTR is to complement the spatial and related
regulations that will be used as a macro reference in the implementation of
infrastructure development in that particular region (Source: Joko Kirmanto,
http://www.bisnis.com/infra structure / property / 2386-spatial-border-area-to be
addressed? date = 2010-12-17 accessed on June 28, 2011).

Spatial Mapping of the Border Areas

The approach of this study prioritizes the aspects of mapping the spatial
visualization as the primary medium of the spatial plan of the border areas.
While the material aspects need to look further the spatial planning criteria in
accordance with technical rules. Various other considerations are also reviewed
such as the relevant substantive form, and the problems that currently exist
along the border of Indonesia and neighboring countries.

Criteria for the Mapping of the Spatial Border Areas

Criteria for Mapping of the Spatial Planning and the Border Areas include: (a)
The function of the border area as a national strategic area, (b) Visualization of
the spatial map sheet area, (c) Readiness of basic geospatial information, and
(d) preparedness of the thematic geospatial information.

Border Area as a National Strategic Area

The explanation of RI Law No.26/2007 Article 5 Paragraph (5) states that the
State Border Areas is included in strategic areas from the point of defense and
security interests. While the definition of strategic area is the area in which
ongoing activities that have a major influence on spatial planning in the
surrounding area, other activities in the areas of similar activities in other fields,
and / or improving the welfare of society.

Meanwhile, the explanation of Article 8 Paragraph (1) letter d of the Act states
that cooperation between countries is the spatial arrangement of space
cooperation in the border area [19].

Visualization of the Spatial Map Sheet Area

One border area spans a region or district, according to Presidential Regulation
No.12/2010, strived to be in the visualization of a map sheet in accordance with

478|GeomatikaSARNasional(GeoSARNas)2011
the rules of mapping the areas as stipulated in the Government Regulation
No.10/2000. Technically, this functional is also intended to obtain the ease of
doing impressions review (overview) of the map in visual sight at all. That way it
can appear visually that covers the entire region as an area border districts
being laid out its space.

Basic Preparedness of Geospatial Information

BAKOSURTANAL as the carrier of the main tasks of the provision of basic
topographical map has produced topographical maps of various scales and
serve as a base map for the manufacture of other thematic maps. For the
purposes of spatial planning the land border area has provided basic geospatial
information on a scale of 1:250.000, 1:50,000, and 1:25.000 see Figure 2, 3,
and 4 of the Index of the topographical map.

Figure 2. Index of 1:250,000 scale topographical maps of border areas in Kalimantan, Papua, and
in NTT (compiled from the source of www.bakosurtanal.go.id accessed on August 26, 2011).

GeomatikaSARNasional(GeoSARNas)2011|479

Figure 3. Index of 1:50,000 scale topographical maps of border areas in Kalimantan and Papua
(processed from the source of www.bakosurtanal.go.id accessed on August 26, 2011).

Figure 4. Index of 1:25,000 scale topographical maps of border areas in NTT province (compiled
from the source of www.bakosurtanal.go.id accessed on August 26, 2011).

Thus the basic geospatial information (IGD) [3] with the appropriate scale has
been available for the three border areas mentioned above, and that is the scale

480|GeomatikaSARNasional(GeoSARNas)2011
of 1:50,000 for the border areas with Malaysia and PNG, and the scale of
1:25.000 with Timor-Leste. Both types of scales are in accordance with the
coverage area of the border districts in each region.

Figure 5. ndex Map of 45 NL 1:25,000 scale of 2010 in the NTT province (processed from
BAKOSURTANAL PPBW Yearly Report, 2010).

The parameters of the 1:25,000 scale georeferenced base map are as follows:

Projection: Transverse Mercator

Coordinate Systems: Geographical and Universal Transverse Mercator

Horizontal Datum: World Geodetic System 1984 (WGS 1984)

Vertical Datum: Mean Sea Level Kupang

Elevation Units: Meters

Contour Interval: 12.5 meters

In addition, this base map sheet has a format (shape and size) and a standard
layout. Figure 6 below is an illustrative example of the base map at scale of
1:25,000.

GeomatikaSARNasional(GeoSARNas)2011|481

Figure 6. Sample illustrations of the 1:25,000 scale map of the areas (adapted from
BAKOSURTANAL PPBW Yearly Report, 2010).

Thematic readiness of the Thematic Geospatial Information (IGT) [3] can be

obtained through various sources of data and information from the sectoral and
regional governments. Types of data and information needed of those in the IGT
can refer to the Provincial Spatial respectively. An example is referring to the
Spatial NTT Chapter V, Part Two, Paragraph 1, Article 52-58, Paragraph 2,
Article 59-60, and Paragraph 3, Article 61 [7]. For example, land use patterns
and structures in the area of NTT is influenced by the natural conditions and the
type of activities in each District/City near by. In general, the existing land has
not been used optimally. Still largely dominated by dry land and only a small
portion of the land for agricultural activities wetlands (rice fields) include the
potential of 284,103 hectares. Broadly speaking, the use of land in the area of
NTT is described by region as follows:

a) Protected Areas, among others: Protected Forest, Nature Reserve, as

well as the heritages.

b) Farming Zone, among others: Agriculture Activities (dryland and

wetland); Activities of Ranch; Area of Fishery; Area of Industry; Mining
Regions; Regions for Tourism; and Regions Settlements (Urban-
Rural).

482|GeomatikaSARNasional(GeoSARNas)2011
 c) Specific Regions.

d) In this case the collected and processed IGT are needed for analysis
and resulting in the allotment of space protected areas, aquaculture,
and regions.

Consideration of the Substantive

It needs to be an important additional consideration in the preparation of the
Border Areas spatial planning which are substances that relevant to the needs
and processes of spatial regions. Among these are as follows.

a) Technical and legal reference: the space allocation decision is based

on spatial analysis and consideration of politics, economy, social,
culture, and defence and security as well as the aspirations of the
community and in accordance with the principles of spatial planning as
stipulated in laws and regulations in Indonesia.

b) Harmonization of spatial plans across the country: is a collaboration

between countries to mutually synchronize its space allotment plan
along the lines of the land borders.

c) Adaptation and accommodation projects shared between countries. An

example is the existence of the joint market development and joint
terminal near the posts of cross-border or cross-points which are
agreed upon.

d) The existence of security and defence corridor: which meant, among

others, is the corridor along the land borders as wide as 1-2
kilometers that should be provided as a place to build the infrastructure
of highways, which in addition as a means of land transportation as
well as patrol roads of the Army (TNI)/police in order to preserve and
maintain the security and defence.

Problems along the Borderline

Various problems along the lines of the state land border between Indonesia
and neighboring countries are as follows. The problem with Malaysia is still
around 10 (ten) outstanding border problems (OBP), with Timor-Leste is still
around 3 (three) unresolved and 1 (one) unsurveyed segments. The ten points
of OBP are: Tg. Datu, D.400, G. Raya, S. Buan, Stone Aum, C500-C600,

GeomatikaSARNasional(GeoSARNas)2011|483
B2700-B3100, S. Semantipal, S. Sinapad, and P. Sebatik. The four problems of
border with Timor-Leste is the Noel Besi, Manusasi, Memo, and Subina-Oben
(see Figure 7 and 8). While in PNG there are no technical issues associated
with the boundary line except that the cooperation should be continued and
completed as the agreed [4].

SABAH

D.400
C500 C600 S.
Tg.Datu
B2700
SARAWAK
KALTI

Batu

KALBAR

Figure 7. Illustration of the location of ten OBP (processed from PPBW BAKOSURTANAL, 2006).

484|GeomatikaSARNasional(GeoSARNas)2011
Figure 8. Illustration of the location of three un-resolved and an unsurveyed segments (adapted from
PPBW BAKOSURTANAL, 2008).

Stages of Assessment of the Mapping of Spatial Border Areas

All of these mapping criteria, substantive considerations, and problems that exist
along the border lines are summarized diagrammatically in a phase diagram to
look at the process and its relationship, as shown in Figure 9 below.

Basically, this diagram of the mapping study phase shows the stages of the
reference (benchmark) work, a variety of important substantive considerations
that must be taken into account, data processing and/or information, and
working procedures, with the final product in the form of Map of Spatial Plan of
the State Border between Indonesia and the neighbors.

GeomatikaSARNasional(GeoSARNas)2011|485
 Figure 9. Diagram of the mapping stages.

Recommendations
1. Based on the technical aspects of the geospatial visualization, the
spatial mapping of the border areas between Indonesia and
neighboring countries are ready to be carried out by IGD and IGT
preparations to meet the criteria of required mapping.

2. Immediately remove the barriers by solving all the problems along the
border lines that form the border outstanding problems with Malaysia,
unresolved and unsurveyed segments with Timor-Leste, as well as
other cases.

486|GeomatikaSARNasional(GeoSARNas)2011
 3. Give priority to the substantive considerations when preparing spatial
plans of the border areas.

Acknowledgements

The author is very grateful to Mrs. Ir. Tri Patmasari, M.Si as the Head of the
Boundary Mapping Center, and Mrs. Dr. Dewayany, M.Sc as the Head of the
Geomatic Research Institute, BAKOSURTANAL, for the instigation for
productive research.

References

-------------- Kondisi Umum Kawasan Perbatasan Antar Negara. Sumber:

www.bappenas.go.id/get-file-server/node/2545/ diakses pada 26 Agustus
2011.
Abbas, A.: Membangun Wilayah Perbatasan. Seminar Nasional Forum
Komunikasi Kelitbangan, Balitbang Kementerian Pertahanan, Jakarta, Juni
(2011).
Handoyo, S.: Belajar dan Memahami Informasi Geospasial. Seminar
Internasional Ke-3 dan Workshop Pedagogik Praktis yang Berkualitas,
Universitas Pendidikan Indonesia, Bandung, Juni (2011).
Handoyo, S.: Menelaah Kompleksitas Permasalahan Batas Negara Darat RI-
RDTL. Seminar Nasional Geomatika 2011, BAKOSURTANAL, Cibinong,
April (2011).
Handoyo, S.: The States Geopolitics Versus the Locals Concern, A Case Study
on the Land Border between Indonesia and Timor-Leste in West Sector.
Beniamino Murgante, et al. (Eds.), ICCSA 2011, Part I, LNCS 6782, pp.
315-328, 2011. Springer-Verlag Berlin Heidelberg 2011.
Haryanto, S.: Pembangunan Berkelanjutan (Sustainable Development) di
Wilayah Perbatasan. Seminar Nasional Forum Komunikasi Kelitbangan,
Balitbang Kementerian Pertahanan, Jakarta, Juni (2011).

GeomatikaSARNasional(GeoSARNas)2011|487
Laporan Akhir Pembuatan Peta Wilayah di Perbatasan RI-RDTL Skala
1:25.000, Program Pengembangan Wilayah Perbatasan, Pusat Pemetaan
Batas Wilayah, BAKOSURTANAL, Cibinong, TA 2010.
Peraturan Daerah Propinsi Nusa Tenggara Timur Nomor 9 Tahun 2005 Tentang
Rencana Tata Ruang Wilayah Propinsi Nusa Tenggara Timur Tahun 2006-
2020. Lembaran Daerah Propinsi Nusa Tenggara Timur Tahun 2005
Nomor 099 Seri E Nomor 058.
Peraturan Pemerintah Republik Indonesia Nomor 10 Tahun 2000 Tentang
Tingkat Ketelitian Peta Untuk Penataan Ruang Wilayah. Tambahan
Lembaran Negara Republik Indonesia Tahun 2000 Nomor 20.
Peraturan Pemerintah Republik Indonesia Nomor 26 Tahun 2008 Tentang
Rencana Tata Ruang Wilayah Nasional. Tambahan Lembaran Negara
Republik Indonesia Tahun 2008 Nomor 48.
Peraturan Presiden Republik Indonesia Nomor 12 Tahun 2010 Tentang Badan
Nasional Pengelola Perbatasan. Kabinet Indonesia Bersatu II. Jakarta, 28
Januari 2010.
Sutisna, S. and Handoyo, S.: Delineation and Demarcation Surveys of the Land
Border in Timor: Indonesian Perspective. Paper presented at The
International Symposium on Land and River Boundaries Demarcation and
Maintenance in Support of Borderland Development. Bangkok, Thailand,
November (2006).
TSC-BDR RI-RDTL: Interim Report on the Land Border Delineation between
Republic of Indonesia and Democratic Republic of Timor-Leste. Vol. 1, 2,
and 3. Jakarta, Indonesia, June (2004).
TSC-BDR RI-RDTL: The 15th Meeting of Technical Sub-Committee on Border
Demarcation and Regulation between the Republic of Indonesia and the
Democratic Republic of Timor-Leste. Yogyakarta, Indonesia, October
(2004).
TSC-BDR RI-RDTL: The 19th Meeting of Technical Sub-Committee on Border
Demarcation and Regulation between the Republic of Indonesia and the

488|GeomatikaSARNasional(GeoSARNas)2011
 Democratic Republic of Timor-Leste. Surabaya, Indonesia, December
(2005).
TSC-BDR RI-RDTL: The 21st Meeting of Technical Sub-Committee on Border
Demarcation and Regulation between the Republic of Indonesia and the
Democratic Republic of Timor-Leste. Bandung, Indonesia, July (2008).
TSC-BDR RI-RDTL: The 22nd Meeting of Technical Sub-Committee on Border
Demarcation and Regulation between the Democratic Republic of Timor-
Leste and the Republic of Indonesia. Dili, Timor-Leste, May (2009).
TSC-BDR RI-RDTL: The 23rd Meeting of Technical Sub-Committee on Border
Demarcation and Regulation between the Republic of Indonesia and the
Democratic Republic of Timor-Leste. Bogor, Indonesia, August (2010).
Undang Undang Republik Indonesia Nomor 26 Tahun 2007 Tentang Penataan
Ruang. Tambahan Lembaran Negara Republik Indonesia Nomor 4725.
Widiati, A.: Kebijakan Dan Strategi Penataan Ruang Kawasan Perbatasan Antar
Negara Di Provinsi Nusa Tenggara Timur. Jurnal Sains dan Teknologi
Indonesia, Vol.9, No.3, Desember 2007, Hlm. 110-119.
Yani, Y.M.: Pengamanan Wilayah Perbatasan Darat Guna Mendukung
Keutuhan Negara Kesatuan Republik Indonesia. Roundtable Discussion
Meningkatkan Pengamanan Wilayah Perbatasan Darat Guna Mendukung
Pembangunan Nasional Dalam Rangka Menjaga Keutuhan NKRI,
LEMHANNAS RI, Jakarta, 11 November 2008.

GeomatikaSARNasional(GeoSARNas)2011|489