Effectiveness of DOS (Dark-Object Subtraction) Method and Water Index Techniques to Map Wetlands in Rapidly Urbanising Megacity with Landsat 8 Data

Sean Gilmore, Ashty Saleem, Ashraf Dewan

PENDAHULUAN

Lahan basah pada permukaan bumi kurang lebih adalah 6-9% (Zedler dan Kercher,2005). Peran lahan antara lain adalah menjaga kualitas lingkungan dan termasuk penyimpanan karbon terestrial di dunia. Selain itu, lahan basah juga berperan sebagai oasis di area perkotaan yang sangan penting guna mengurangi suhu udara pemukaan. Perubahan distribusi lahan basah baik karena faktor alam maupun buatan dapat memberikan efek yang signifikan pada ekosistem. Pemetaan yang akurat dan statistik pada area yang tepat sangat penting guna mencegah dalam pengelolan lahan basah.

Data satelit penginderaan jauh banyak digunakan untuk menggambarkan lahan basah di seluruh dunia dengan berbagai teknik, termasuk klasifikasi per-piksel (supervised classification), metode semi otomatis (image segmentation) dan spectral water index. Metode koreksi atmosfer memerlukan informasi in-situ, relative scattering correction berguna untuk mengatasi masalah hamburan (scattering) pada citra. Metode Dark Object Substraction (DOS) adalah teknik berbasis image untuk menghilangkan komponen kabut yang disebabkan oleh hamburan aditif (additive scattering) dari data penginderaan jauh (Chavez Jr, 1988).

Pada penelitian ini menggunakan daerah Dhaka, Bangladesh. Penelitian ini juga berguna untuk menganalisis kesesuaian indeks berbasis air dalam menilai spasial lahan basah di wilayah perkotaan yang mengalami urbanisasi yang cepat. Penelitian ini diharapkan dapat berkontribusi secara signifikan terhadap basis pengetahuan yang ada di lokasi spasial lahan basah di area Rencana Pengembangan Metropolitan Dhaka (DMDP) yang merupakan unit perencanaan yang baru-baru ini dikembangkan oleh para pembuat kebijakan, menegakkan organisasi lokal untuk melestarikan ekosistem lahan basah yang tersisa.

 

PENGOLAHAN DATA

Citra yang digunakan berasal dari USGS Earth Explorer web service, dengan dua citra yang memiliki path-row 137-43 dan 137-44 sebagai area penelitian. Kedua citra tersebut dimosaik dan gambar yang dihasilkan dipotong sesuai area penelitian. Song dkk (2001) menjelaskan, pada citra Landsat, algoritma DOS mengasumsikan keberadaan ‘objek gelap’, yang memiliki piksel nol ke angka reflektansi sangat kecil sehingga nilai DN (digital number) minimum dalam histogram dianggap sebagai efek dari hamburan atmosfer dan dikurangi dari semua piksel pada citra, sehingga menciptakan “objek gelap” dengan nilai DN nol.

METODOLOGI

Dalam penelitian ini digunakan dua buah citra yaitu citra mentah dan citra yang telah tekoreksi DOS.

Normalised Difference Water Index (NDWI) dihitung menggunakan rumus yang diusulkan oleh McFeeters (1996):

NDWI = (Green Band – NIR Band) / (Green Band + NIR Band)

Dimana :
GREEN = Nilai reflektan kanal hijau 0,52 – 0,60 µm (Band 3)
NIR = Nilai reflektan kanal infra merah dekat 0,76 – 0,90 µm (Band 5)

Modified Normalized Difference Water Index (MNDWI) dihitung menggunakan rumus yang diusulkan oleh Xu (2006):

MNDWI = (Green Band – MIR Band) / (Green Band + MIR Band)

Dimana :
GREEN = Nilai reflektan kanal hijau 0,52 – 0,60 µm (Band 3)
MIR = Nilai reflektan kanal Inframerah gelombang menengah 1,55 – 1,75 µm (Band 6)

The Collective Indices classification dilakukan dengan menggunakan versi modifikasi dari formula yang dikembangkan Lu et al (2011). Pertama-tama, MNDWI digunakan karena lebih baik dalam mengekstraksi lahan basah dalam lingkungan yang didominasi perkotaan. Kedua, rumus tersebut dibalik dengan mengurangi NDVI dari MNDWI.

Collective Indices = MNDWI – NDVI

Dimana, NDVI dihitung menggunakan rumus yang diusulkan oleh Tucker (1979):

NDVI = (NIR Band – Red Band) / (NIR Band + Red Band)

Dimana :
NIR = Nilai reflektan kanal Inframerah gelombang dekat 0,76 – 0,90 µm (Band 5)
RED = Nilai reflektan kanal merah 0,63 – 0,69 µm (Band 4)

Automated Water Extraction Index (AWEI) dihitung menggunakan versi modifikasi dari formula non-shadow yang dikembangkan oleh Feyisa dkk (2014). Rumus yang telah dimodifikasi adalah:

AWEI = 4 x (Band 3 – Band 6) – (0.25 x Band 5 + 2.75 x Band 7)

Dimana :
BAND 3 = Nilai reflektan kanal hijau 0,53 – 0,59 µm (Green Band)
BAND 5 = Nilai reflektan kanal Inframerah gelombang dekat 0,85 – 0,88 μm (NIR Band)
BAND 6 = Nilai reflektan kanal  Inframerah gelombang pendek 1.57 – 1.65 µm (SWIR1 Band)
BAND 7 = Nilai reflektan kanal Inframerah gelombang pendek 2.11 – 2.29 µm (SWIR2 Band)

HASIL DAN ANALISIS

MNDWI adalah indeks terbaik dengan akurasi keseluruhan baku / DOS sebesar 97.28 % / 98% dan nilai kappa lebih besar dari 0.9 yang efektif membedakan lahan basah di pusat perkotaan dan juga di daerah rawa.

Metode collective indices terbaik kedua dengan akurasi keseluruhan baku / DOS 96.57 / 97.86% dan nilai kappa lebih besar dari 0.89 serta mampu mengekstrak mayoritas daerah lahan basah rawa, namun salah mengklasifikasi beberapa piksel dalam area perkotaan.

AWEI adalah indeks berkinerja terbaik ketiga dengan akurasi keseluruhan mentah / DOS dari 94.85 / 96.86% dan nilai kappa lebih besar dari 0.84 tetapi salah mengklasifikasikan beberapa daerah perkotaan sebagai lahan basah.

NDWI adalah indeks berkinerja terburuk dengan akurasi baku / DOS 92.7 % / 92.86% dan nilai kappa lebih besar dari 0.7 cukup buruk dalam memisahkan daerah rawa daerah perkotaan.

Lokasi spasial lahan basahs menggunakan teknik rasio band yang berbeda:

(a) NDWI diproduksi dari raw citra

(b) NDI yang diklasifikasikan menggunakan ambang optimal

(c) Klasifikasi NDWI dari citra DOS

(d) Klasifikasi DOS NDWI menggunakan optimal threshold

(e) MNDWI yang dihasilkan dari citra raw

(f) Klasifikasi MNDWI menggunakan optimal threshold

(g) MNDWI dihasilkan dari citra DOS

(h) Klasifikasi DOS MNDWI menggunakan optimal threshold

(i) Metode Collective indices yang dihasilkan dari citra raw

(j) Metode klasifikasi Collective indices menggunakan optimal threshold

(k) Metode Collective indices yang dihasilkan dari citra DOS

(l) Metode Klasifikasi Collective indices DOS yang menggunakan optimal threshold

(m) AWEI dihasilkan dari raw image

(n) Classified AWEI menggunakan optimal threshold

(o) AWEI yang dihasilkan dari citra DOS

(p) Collective Indices DOS yang diklasifikasikan menggunakan optimal threshold

KESIMPULAN

Dari penelitian ini dapat disimpulkan bahwa efek hamburan atmosfer harus dihilangkan sebelum analisis dilakukan pada data Landsat 8. MNDWI ditemukan menjadi indeks yang cocok dan secara akurat menentukan lokasi spasial lahan basah di dalam area DMDP.

Pada sesi kali ini, penulis akan menjelaskan cara melakukan koreksi atmosfer metode 6SV (Seconds Simulation of a Satellite Signal in the Solar Spectrum – Vector) pada citra landsat 8. Metode 6SV ini dapat dilakukan melalui website http://6s.ltdri.org/. Berikut adalah cara melakukan koreksi atmosfer menggunakan metode 6SV pada citra landsat 8:

1. Buka website http://6s.ltdri.org/ > Run 6SV
2. Submit > pada make your own atmospheric correction pilih Geometrical Condition
3. Step 1 > Geometrical Condition > User’s > Submit
4. Isi User’s Geometrical Condition sesuai dengan metadata citra anda, untuk bulan dan hari dapat dilihat pada Date Acquired dan Scene Center Time, Solar Zenithal adalah 90 – Sun Elevation, Solar Azimuthal adalah Sun Azimuthal, Sensor Zenithal adalah Roll Angle, dan Sensor Azimuthal dapat dilakukan pada website www.fcc.gov dengan mencari azimuth pada Corner UL Lat Long dan Corner LL Lat Long > submit
5. Berikut adalah data Roll angle, Sun azimuthal dan Sun Elevation
6. Berikut adalah Corner UL Lat Long dan Corner LL Lat Long
7. Berikut adalah website http://www.fcc.gov
8. Step 2 > Atmospherical Model > Atmospherical Profile = Dipilih sesuai daerah yang anda pilih (dalam kasus ini penulis menggunakan Tropical karena penulis menggunakan citra Lombok) > Aerosol Model = Dipilih sesuai daerah yang anda pilih (dalam kasus ini penulis menggunakan Maritime Model karena penulis menggunakan citra Lombok) > Submit
9. Pada maritime model > Visibility (km) > nilai Visibility dapat dilihat pada www.wunderground.com > Submit
10. Konversikan nilai visibility yang anda dapat dalam satuan km
11. Step 3 > Target Sensor Altitude > Target altitude = Altitude (nilai altitude dapat dilihat pada BPS wilayah anda) > Sensor altitude = Satellite Level > Submit
12. Step 4 > Spectral Condition > Spectral Condition = same filter function=1 > Band = 1st band of tm (landsat 5) (0.430-0.560) > Submit
13. Isikan wavelength inf dengan nilai minimum wavelength band yang anda inginkan (dalam kasus ini band 1 landsat 8 adalah 0.435) > isikan wavelength sup dengan nilai maksimum band yang anda inginkan (dalam kasus ini band 1 landsat 8 adalah 0.451) > Submit
14. Step 5 > Ground Reflectance > Ground Reflectance = homogeneous surface > Directional Effects = non directional effects > Submit
15. Specify surface reflectance = dipilih sesuai lokasi anda (dalam kasus ini  penulis menggunakan mean spectral value of green vegetation karena sebagian besar area yang penulis gunakan adalah vegetasi) > Submit > Submit
16. Step 6 > Signal > Atmospheric correction mode = Atmospheric correction with Lambertian assumption > Pilih satuan reflectance = [w/m2/str/mic] > tuliskan 0 > Submit
17. Step 7 > Result > tunggu hinggal tombol Output File muncul > Klik
18. Setelah muncul hasilnya scroll hingga kebawah dan anda akan menemukan atmospheric correction result > coefficients xa xb xc > Simpan nilai tersebut
19. Kembali pada tampilan result > ulangi Step 4 > Lakukan dengan memperhatikan nilai wavelength setiap band dari 1 – 8
20. Berikut adalah hasil Xa Xb Xc band 1 hingga band 8
21. Buka software Envi anda
22. Pada toolbox > band math
23. Hitunglah nilai Radiance masing-masing band dengan menggunakan rumus berikut
24. Nilai ML dan AL yang dapat anda lihat pada metadata citra anda
25. Pada band math > masukkan rumus (ML*float(B1)+(AL) >Add to list > OK
26. Pilih band 2 citra anda > Simpan > OK
27. Lakukan pada band 2, 3 dan 4
28. Pada toolbox > band math
29. Hitunglah nilai Y masing-masing band dengan menggunakan rumus berikut
30. Pada band math > masukkan rumus (Xa*float(B1)-Xb) > Add to list > OK
31. Pilih radiance band 2 citra anda > Simpan > OK
32. Lakukan pada radiance band 2, 3 dan 4
33. Pada toolbox > band math
34. Hitunglah nilai acr (reflektan-permukaan) masing-masing band dengan menggunakan rumus berikut
35. Pada band math > masukkan rumus (float(B1)/(1+(Xc*float(B1))) > Add to list > OK
36. Pilih Y band 2 citra anda > Simpan > OK
37. Lakukan pada Y band 2, 3 dan 4
38. Pada toolbox > Layer Stacking
39. Pada Layer Stacking Parameter > Import file = hasil acr band 4, 3 dan 2 > Simpan > OK
40. Berikut adalah hasil Layer Stacking metode 6SV
41. Pada toolbox > Compute Statistics
42. Pilih hasil Layer Stacking metode 6SV anda pada kolom select input file > OK
43. Berikut adalah hasil Compute Statistic metode 6SV
44. Karena pada nilai Min < 0 dan Max > 1 maka perlu dilakukan perhitungan pada band math
45. Pada toolbox > band math
46. Pada band math > masukkan rumus (b1 le 0)*0+(b1 ge 10000)*1+(b1 gt 0 and b1 lt 10000)*float(b1)/10000 > Add to list > OK
47. Pilih acr band 2 citra anda > Simpan OK
48. Lakukan pada acr band 2, 3 dan 4
49. Pada toolbox > Layer Stacking
50. Pada Layer Stacking Parameter > Import file = hasil acr terkoreksi band 4, 3 dan 2 > Simpan > OK
51. Berikut adalah hasil Layer Stacking metode 6SV terkoreksi
52. Pada toolbox > Compute Statistics
53. Pilih hasil Layer Stacking metode 6SV terkoreksi anda pada kolom select input file > OK
54. Berikut adalah hasil Compute Statistic metode 6SV terkoreksi

Pada sesi kali ini metode Apparent Reflectance menggunakan software ArcGIS. Berikut adalah tutorial metode apparent yang telah penulis lakukan :

1. Pada menu bar klik Add Data > citra Landsat 8 anda dalam format .MTL > Multi Spectral > Add
2. Klik kanan pada layer citra anda > Properties > Function
3. Klik kanan pada Stretch Function lalu remove
4. Pada Composite Band Function > Insert Function > Apparent Reflectance Function
5. Setelah jendela Raster Function Properties muncul > centang Albedo lalu OK > pada Layer Properties > Apply > OK
6. Hasilnya adalah seperti berikut
7. Klik kanan pada layer citra anda > Data > Export Data
8. Pada jendela Export Raster Data > Setting seperti gambar berikut > Save
9. Pada jendela Output Raster klik Yes > Hasilnya adalah sebagai berikut

Pada metode ini membutuhkan citra yang telah terkalibrasi radiometrik yang dapat dilihat pada post yang telah saya upload sebelumnya DOS. Setelah anda memiliki data radiance, selanjutnya saya akan memberikan tutorial koreksi atmosfer metode FLAASH.

Berikut adalah tutorial koreksi atmosfer metode FLAASH:

1. Pada menu toolbox cari FLAASH lalu pilih FLAASH Atmospheric Correction
2. Setelah menu FLAASH terbuka isikan Input Radiance Image dengan data radiance yang telah anda lakukan, lalu isikan lokasi penyimpanan anda hingga Rootname FLAASH file anda, lalu isikan Flight Date dan Flight Time sesuai metadata anda, pilih sensor type anda sesuai citra anda (dalam kasus ini penulis menggunakan Landsat-8 OLI), untuk memperoleh Ground Elevation (km) anda dapat membuka BPS daerah yang anda inginkan, klik Multispectral Settings
3. Pada jendela Multispectral Setting > Kaufman-Tanre Aerosol Retrieval > Assign Default Value Based on Retrieval Conditions pilih Over-Land Retrieval Standard (660:2100 nm) lalu OK > setelah muncul jendela FLAASH klik OK
4. Hasilnya adalah sebagai berikut
5. Untuk pengecekan pada toolbox cari Compute lalu pilih Compute Statistics
6. Pilih citra FLAASH anda lalu OK
7. Setelah muncul jendela Compute Statistics Parameters klik OK
8. Berikutlah hasil Compute Statistics tetapi hasilnya tidak sesuai karena nilai min tidak 0 dan maks tidak 1, maka perlu dilakukan perhitungan algoritma menggunakan band math
9. Pada toolbox cari Band lalu pilih Band Math
10. Masukkan rumus “(b1 le 0)*0+(b1 ge 10000)*1+(b1 gt 0 and b1 lt 10000)*float(b1)/10000” lalu OK
11. Pilih citra FLAASH anda > pilih lokasi penyimpanan anda > OK
12. Pada toolbox cari Compute lalu pilih Compute Statistics
13. Pilih citra hasil band math yang telah dilakukan anda lalu OK
14. Setelah muncul jendela Compute Statistics Parameters klik OK
15. Berikut adalah hasil Compute Statistics setelah dihitung menggunakan Band Math

Pada sesi kali ini penulis akan memanfaatkan data kontur yang telah kita buat pada post pembuatan kontur. Berikut adalah tutorial pembuatan Fishnet menggunakan software ArcGIS:

1. Munculkan citra DEM-SRTM dan Kontur yang telah dibuat
2. Pada Table of Content, klik kanan pada citra DEM-SRTM lalu pilih Properties > Symbology > atur Display Background Value : 0 dan ubah warnanya menjadi Hitam
3. Pada ArcToolbox pilih Data Management Tools > Sampling > Create Fishnet
4. Pada jendela Create Fishnet, pilih lokasi penyimpanan anda >pada kolom Template Extent (optional) pilih same as layer DEM.dat > isikan Number of Rows dan Number of Coloums sesuai yang anda inginkan (dalam kasus ini penulis menggunakan 50 pada keduanya), lalu OK
5. Berikut adalah hasil dari Fishnet
6. Pada ArcToolbox pilih Spatial Analyst Tools > Extraction > Extract Multi Values to Points
7. Pada jendela Extract Multi Values to Points, pilih hasil Fishnet_label anda untuk input point features > pilih DEM.dat untuk input raster lalu OK
8. Berikut adalah hasil Extract Multi Values to Points dapat dilihat pada Open Attribute Table pada Fishnet_label
9. Selanjutnya Start Editing dan hapus semua nilai ketinggian 0 untuk menghilangkan Fishnet diluar pulau lalu save editing
10. Berikut adalah hasil dari Editing pada Fishnet :

Berikut ini adalah tutorial pembuatan TIN menggunakan software ArcGIS :

1. Pada menu ArcToolbox pilih 3D Analyst Tools > Data Management > Tin > Create TIN
2. Pada jendela Create TIN, pilih lokasi penyimpanan anda > Pilih sistem koordinat yang anda gunakan (dalam kasus ini penulis menggunakan GCS_WGS_84 karena penulis ini menyamakan sistem koordinat dengan data DEM) > masukkan data kontur pada Input Feature Class (optional) lalu OK
3. berikut adalah hasil dari TIN menggunakan software ArcGIS :

Berikut ini adalah tutorial pembuatan Kriging menggunakan tools Geostatistical Analyst pada software ArcGIS :

1. Klik kiri pada Customize > Toolbars > Geostatistical Analyst
2. Letakkan tools Geostatistical Analyst sesuai keinginan anda > klik kiri pada Geostatistical Analyst > pilih Geostatistical Wizard
3. Pada Jendela Geostatistical Wizard lihat pada Geostatistical Methods > Kriging / CoKriging > isi data field dengan DEM.dat lalu next
4. Pada step 2 of 5 pilih Ordinary pada Kriging Type dan Prediction pada Output Surface Type lalu next
5. Pada step 3 of 5 lihat pada General > Variable diganti Covariance > lihat pada Model Nugget > Enable diganti True > Calculate Nugget > True > lihat pada Model #1 > Type diganti Spherical > Anisotropy diganti True > Calculate Partial Sill diganti True > lihat pada View Settings > Show search direction diganti True > Show all lines diganti True > next
6. Pada step 4 of 5 langsung saja klik next
7. Pada step 5 of 5 langsung saja klik next
8. Setelah mengisi kelima step tadi maka akan muncul Method Report yang berisikan tentang ringkasan dari pengaturan yang telah kita lakukan, apabila telah sesuai klik OK
9. Berikut adalah hasil dari Kriging menggunakan tools Geostatistical Analyst pada software ArcGIS :

Berikut adalah tutorial pembuatan Hillshade menggunakan software ArcGIS :

1. Pada menu ArcToolbox pilih 3D Analyst Tools > Raster Surface > Hillshade
2. Pada jendela Hillshade > isikan DEM.dat pada input raster > simpan sesuai keinginan anda (apabila terjadi kegagalan maka pindah lokasi penyimpanan anda) > OK
3. Berikut adalah hasil dari Hillshade menggunakan software ArcGIS :

Berikut adalah tutorial pembuatan Slope menggunakan software ArcGIS

1. Pada menu ArcToolbox pilih 3D Analyst Tools > Raster Surface > Slope
2. Pada jendela Slope > isikan DEM.dat pada input raster > simpan sesuai keinginan anda (apabila terjadi kegagalan maka pindah lokasi penyimpanan anda) > isikan PERCENT_RISE pada Output Measurement (optional) > OK
3. Berikut adalah hasil dari Slope menggunakan software ArcGIS :

Berikut adalah contoh pembuatan tampilan 3D menggunakan data Hillshade yang telah kita buat caranya adalah pada Table of Content > klik kanan pada layer Hillshade > Properties > Display > atur transparancy menjadi 60% >Apply > OK

Pastikan layer Hillshade diatas layer DEM, Slope, Kriging dan TIN > nyalakan hanya 2 kombinasi Layer (Hillshade + DEM, Hillshade + Slope, Hillshade + Kriging dan Hillshade + TIN). Sebagai hasilnya akan ditunjukkan pada puncak Gunung Rinjani tepatnya pada Danau Segara Anak seperti gambar-gambar dibawah ini :

Pada sesi kali ini akan dibahas tentang pembuatan kontur otomatis menggunakan DEM-SRTM yang telah di download pada USGS. DEM-SRTM tersebut memiliki resolusi sebesar 30 meter. Selain dapat menggunakan DEM-SRTM milik USGS kita juga dapat menggunakan DEMNAS yang dapat kita download pada DEMNAS-BIG. DEMNAS adalah data DEM yang dimiliki oleh BIG dengan beberapa sumber data mulai dari IFSAR yang memiliki resolusi 5 m, Terrasar X yang memiliki resolusi 5 m dan ALOS PALSAR yang memiliki resolusi 11.25 m. Untuk info lebih lengkap mengenai DEMNAS dapat anda akses pada DEMNAS-BIG. Sebelum kita mencoba membuat kontur dari DEM-SRTM, mari kita pelajari terlebih dahulu apa itu DEM, DTM, DSM.

• DEM (Digital Elevation Model)

DEM adalah data digital yang menggambarkan geometri dari bentuk permukaan bumi atau bagiannya yang terdiri dari himpunan titik-titik koordinat hasil sampling dari permukaan dengan algoritma yang mendefinisikan permukaan tersebut menggunakan himpunan koordinat (Tempfli, 1991).

DEM merupakan suatu sistem, model, metode, dan alat dalam mengumpulkan, prosessing, dan penyajian informasi medan. Susunan nilai-nilai digital yang mewakili distribusi spasial dari karakteristik medan, distribusi spasial di wakili oleh nilai sistem koordinat horisontal X Y dan karakteristik medan diwakili oleh ketinggian medan dalam sistem koordinat Z (Frederic J. Doyle, 1991).

DEM khususnya digunakan untuk menggambarkan relief medan. Gambaran model relief rupabumi tiga dimensi (3 dimensi yang menyerupai keadaan sebenarnya di dunia nyata (real world) divisualisaikan dengan bantuan teknologi komputer grafis dan teknologi virtual reality (Mogal, 1993).

DEM dapat diekstrak datanya untuk menampilkan perspektif 3D, kontur, kelas elevasi, profil, efek bayangan (hillshading), kemiringan lereng (slope), aspek permukaan, galian-timbunan, dll. DEM dapat digunakan untuk analisis medan (topografi), koreksi citra radar karena pengaruh layover pada medan perbukitan, dan visualisasi untuk penggambaran medan.

• DTM (Digital Terrain Model)

DTM adalah singkatan dari Digital Terrain Model atau bentuk digital dari terrain (permukaan tanah, tidak termasuk objek diatasnya) DTM menampilkan data yang lebih lengkap dari DEM. DTM digambarkan sebagai tiga representasi dimensi permukaan medan yang terdiri dari X,Y, Z koordinat disimpan dalam bentuk digital yang tidak hanya mencakup ketinggian dan elevasi unsur – unsur geografis lainnya dan fitur alami seperti sungai, jalur punggungan, dll DTM secara efektif DEM yang telah ditambah dengan unsur-unsur seperti breaklines dan pengamatan selain data asli untuk mengoreksi artefak yang dihasilkan dengan hanya menggunakan data asli. Dengan meningkatnya penggunaan komputer dalam rekayasa dan pengembangan cepat tiga dimensi grafis komputer DTM menjadi alat yang ampuh untuk sejumlah besar aplikasi di bumi dan ilmu teknik.

• DSM (Digital Surface Model)

DSM adalah digital surface model atau dapat diartikan sebagai model permukaan digital. DSM juga merupakan model elevasi yang menampilkan ketinggian permukaan, jika DTM hanya menampilkan ground (permukaan tanah tanpa apapun yang diatasnya) maka DSM menampilkan bentuk permukaan apapun yang ada seperti ketinggian pohon, bangunan dan objek apapun yang ada diatas tanah.

• SRTM (Shuttle Radar Topography Mission)

SRTM adalah sebuah citra yang memiliki data elevasi resolusi tinggi merepresentasikan topografi bumi dengan cakupan global (80% luasan dunia). Data SRTM adalah data elevasi muka bumi yang dihasilkan dari satelit yang diluncurkan NASA. Data ini dapat digunakan untuk melengkapi informasi ketinggian dari produk peta 2D, seperti kontur dan profil. Ketelitian ini dapat mencapai 15 m dan berguna untuk pemetaan skala menengah sampai skala tinggi (Lili somantri). SRTM 30 meter dapat kita download secara gratis dan dapat digunakan untuk berbagai pekerjaan yang berkaitan dengan ketinggian dengan sangat baik, misal membuat slope, kontur, TIN, aspec, flow accumulation, sungai, DAS dan lain-lain.

Setelah mempelajari dasar ilmu DEM, DEMNAS, DSM, DTM dan SRTM sekarang kita akan memulai untuk membuat kontur menggunakan data DEM-SRTM 30 menggunakan software ENVI dan dilanjutkan oleh ArcGIS dalam pembuatan konturnya.

Berikut adalah tahapan untuk melakukan percobaan ini :

1. Buka citra DEM-SRTM yang telah anda download pada software ENVI, (dalam kasus ini penulis menggunakan 2 citra DEM SRTM yang bersebelahan karena lokasi yang menjadi subjek penulis berada di 2 citra DEM-SRTM yang berbeda sehingga perlu disatukan terlebih dahulu kedua citra tersebut) apabila anda tidak mengalami masalah tersebut anda bisa langsung lewati hingga nomor 9
2. Pada menu Toolbox tuliskan Mosaicking, lalu pilih Pixel Based Mosaicking
3. Klik import > import file
4. Pilih 2 citra SRTM yang bersebelahan tersebut dengan cara tahan shift lalu klik kiri pada citra 1 lalu klik kiri lagi pada citra 2, lalu OK
5. Setelah muncul jendela berikut, isikan mosaic Xsize dengan 7202 dan mosaic Ysize 3601, lalu OK
6. Sesuaikan posisi citra dengan cara tahan klik kiri pada salah satu citra lalu ditarik ke kanan sehingga terbentuk sesuai yang diinginkan
7. Jika sudah sesuai, klik File > Apply > Simpan sesuai keinginan > OK
8. Hasilnya adalah sebagai berikut :
9. Masukkan vektor batas wilayah/ batas administrasi/ garis pantai (dalam kasus ini penulis menggunakan garis pantai) sehingga berpotongan dengan citra SRTM tersebut
10. Buat ROI dengan cara klik File > New > Region of Interest
11. Setelah muncul jendela berikut Klik File > Import
12. Pada bagian Select Input File pilih vektor yang anda gunakan lalu OK
13. Setelah terbentuk ROI pada citra SRTM anda, selanjutnya pada menu Toolbox tuliskan Subset Data dan pilih Subset Data from ROIs
14. Pilih citra SRTM anda (dalam kasus ini penulis menggunakan citra yang penulis telah gabungkan pada tahap-tahap awal) lalu OK
15. Pada jendela Spatial Subset via ROI Parameter, pilih ROI yang telah anda buat > ubah Mask pixel output of ROI menjadi Yes > Simpan sesuai keinginan > OK
16. Hasilnya adalah sebagai berikut
17. Buka software ArcGIS dan Inputkan hasil Subset ROI yang telah dilakukan sebelumnya, lalu pada menu ArcToolbox > 3D Analyst Tools > Raster Surface > Contour
18. Pada bagian input, isikan hasil Subset ROI anda, lalu pilih lokasi penyimpanan anda dan isikan Contour Interval sesuai kebutuhan anda (dalam kasus ini penulis melakukan percobaan dengan Contour Interval 15 dan 30) lalu OKCon

    

    

19. Berikut adalah kontur yang dihasilkan :
    

    Hasil Contour Interval 15m

    

    Hasil Contour Interval 30m

     

    

    Perbandingan 15 m dan 30 m

    

    Perbandingan Secara Detil

     

 

Berikut adalah tahapan untuk melakukan koreksi atmosfer menggunakan metode DOS pada citra landsat 8

1. Buka citra .MTL pada citra landsat anda
2. Pada menu toolbox, carilah Radiometric Calibration lalu klik 2 kali
3. Pilih citra multispektral anda lalu OK
4. Pilih Calibration Type anda dengan reflectance, lalu pilih Output interleave anda dengan BIL atau BIP dan simpan output pada lokasi yang anda inginkan, lalu OK
5. Lakukan step 2-5 dengan memilih radiance pada Calibration Typenya
6. Hasilnya akan seperti berikut

   

   

7. Pada menu toolbox, carilah Dark Subtraction lalu klik 2 kali
8. Pada kolom input file, pilih hasil radiance anda lalu OK
9. Pada Subtraction Method pilih band minimum, lalu simpan sesuai keinginan dan klik OK
10. Lakukan step 8-10 dengan memilih reflectance pada input filenya
11. Hasilnya akan seperti berikut

    

    

     

Dalam pembuatan peta skala 1 : 5000 menggunakan citra satelit, membutuhkan citra yang minimal resolusi spasialnya adalah 50cm. Data yang digunakan dalam pembuatan peta tersebut haruslah data yang posisinya berada di atas permukaan bumi. Sedangkan citra satelit sendiri adalah data yang posisinya berada di luar angkasa. Untuk mendapatkan data yang posisinya berada diatas permukaan bumi maka perlu dilakukan koreksi radiometrik.

Koreksi radiometrik adalah untuk memperbaiki nilai piksel supaya sesuai dengan yang seharusnya, biasanya mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan obyek dipermukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya, tetapi menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan. Kondisi kecerahan data citra selain pengaruh dari kondisi dan efek atmosfir, juga dipengaruhi oleh sudut sinar matahari dan sensitifitas sensor.

Gambar diatas menjelaskan bahwa garis putus-putus biru adalah data yang diperoleh oleh satelit (Top of Atmosphere), sedangkan garis hijau adalah data yang diinginkan (Bottom of Atmosphere). Untuk merubah data ToA menjadi data BoA maka diperlukan koreksi atmosfer sehingga efek atmosfer dapat dihilangkan.

Dalam proses koreksi radiometrik, terdapat 2 tahapan yaitu kalibrasi radiometrik dan koreksi atmosfer. Kalibrasi radiometrik adalah proses mengubah data pada citra yang (pada umumnya) disimpan dalam bentuk Digital Number (DN) menjadi radiance dan/atau reflectance. Sedangkan koreksi atmosfer adalah proses menghilangkan pengaruh atmosfer (molekul dan partikel) yang ikut serta menghamburkan sinyal sebelum direkam oleh sensor penginderaan jauh (pasif).

Dalam melakukan koreksi atmosfer sederhana, kita dapat menggunakan 2 metode yaitu metode DOS (Dark Object Subtraction) dan metode Radiative Transfer 6SV (Second Simulation of a Satellite Signal in the Solar Spectrum – Vector).

Setelah kita mempelajari ilmu dasar tentang proximity analysis, sekarang kita akan mempelajari tentang cara menggunakannya pada software ArcGIS 10.6.1. Berikut adalah metode-metode yang akan kita bahas:

1. Euclidean Distance, digunakan untuk menghitung jarak ke pusat setiap sel yang terdekat

   

2. Euclidean Allocation, digunakan untuk memberikan setiap sel identifier dari pusat setiap sel yang terdekat

   

3. Euclidean Direction, digunakan untuk menghitung arah ke pusat masing2 sel yang terdekat

   

4. Cost Distance, digunakan untuk menghitung jarak ke pusat setiap sel yang terdekat, meminimalkan biaya yang ditentukan dalam biaya permukaan

   

5. Cost Allocation, digunakan untuk memberikan setiap sel pengindentifikasi dari pusat setiap sel yang terdekat, meminimalkan biaya yang ditentukan dalam biaya permukaan
6. Cost Path, digunakan untuk menghitung biaya terendah jalan dari pusat ke tujuan, meminimalkan biaya yang ditentukan dalam biaya permukaan
7. Cost Back Link, digunakan sebagai pengidentifikasi untuk setiap sel sel tetangga yang berada di jalur paling murah dari sumber ke tujuan, meminimalkan biaya yang ditentukan dalam biaya permukaan
8. Path Distance, digunakan untuk menghitung jarak ke pusat sel, meminimalkan biaya horizontal secara spesifik dalam biaya permukaan, serta biaya berbasis-permukaan jarak permukaan dan kesulitan perjalanan vertikal yang ditentukan oleh raster medan dan parameter biaya vertikal

   

9. Path Distance Allocation, digunakan untuk memberikan setiap sel pengindentifikasi dari pusat setiap sel yang terdekat, meminimalkan biaya horizontal secara spesifik dalam biaya permukaan, serta biaya berbasis-permukaan jarak permukaan dan kesulitan perjalanan vertikal yang ditentukan oleh raster medan dan parameter biaya vertikal
10. Path Distance Back Link, digunakan untuk mengidentifikasi setiap sel yang bertetangga yang berada pada biaya perjalanan terendah dari pusat ke tujuan, meminimalkan biaya horizontal secara spesifik dalam biaya permukaan, serta biaya berbasis-permukaan jarak permukaan dan kesulitan perjalanan vertikal yang ditentukan oleh raster medan dan parameter biaya vertikal

    

11. Corridor, digunakan untuk menghitung jumlah biaya gabungan untuk 2 biaya masukan jarak raster, sel dibawah memberikan nilai ambang menentukan suatu area, atau koridor, di antara sumber-sumber di mana dua biaya diminimalkan
12. Surface Length, digunakan untuk menghitung jarak dari garis fitur sepanjang permukaan, memperhitungkan medannya

 

Pada kali ini akan ditunjukan tentang tata cara melakukan Proximity Analysis Raster-based Tools metode Euclidean Distance :

1. Masukkan citra multi spektral dan srtm
2. Pada menu ArcToolbox, pilih Spatial Analyst Tools > Distance > Euclidean Distance
3. isikan input raster atau features source data dengan data (raster atau vektor) yang anda inginkan, lalu OK
4. Berikut adalah hasil Euclidean Distance 
   

   

 

Pada kali ini akan ditunjukan tentang tata cara melakukan Proximity Analysis Raster-based Tools metode Euclidean Allocation :

1. Masukkan citra multi spektral dan srtm
2. Pada menu ArcToolbox, pilih Spatial Analyst Tools > Distance > Euclidean Allocation
3. isikan input raster atau features source data dengan data (raster atau vektor) yang anda inginkan, lalu OK
4. Berikut adalah hasil Euclidean Allocation
   

   

 

Pada kali ini akan ditunjukan tentang tata cara melakukan Proximity Analysis Raster-based Tools metode Euclidean Direction :

1. Masukkan citra multi spektral dan srtm
2. Pada menu ArcToolbox, pilih Spatial Analyst Tools > Distance > Euclidean Direction
3. isikan input raster atau features source data dengan data (raster atau vektor) yang anda inginkan, lalu OK
4. Berikut adalah hasil dari Euclidean Direction
   

   
5. 

   

Pada kali ini akan ditunjukan tentang tata cara melakukan Proximity Analysis Raster-based Tools metode Cost Distance :

1. Masukkan citra multi spektral, srtm, slope, dan reclassify slope
2. Pada menu ArcToolbox, pilih Spatial Analyst Tools > Distance > Cost Distance
3. isikan input raster atau features source data dengan data (raster atau vektor) yang anda inginkan dan isikan input cost raster dengan Reclass_Slop1, lalu OK
4. Berikut adalah hasil dari cost distance
   

   

    

Pada kali ini akan ditunjukan tentang tata cara melakukan Proximity Analysis Raster-based Tools metode Path Distance :

1. Masukkan citra multi spektral, srtm, slope, dan reclassify slope
2. Pada menu ArcToolbox, pilih Spatial Analyst Tools > Distance > Path Distance
3. isikan input raster atau features source data dengan data (raster atau vektor) yang anda inginkan, isikan input cost raster dengan Reclass_Slop1 dan isikan input surface raster dengan Slope_tif1, lalu OK
4. Berikut adalah hasil dari Path distance
   

   

    

Pada kali ini akan ditunjukan tentang tata cara melakukan Proximity Analysis Raster-based Tools metode Path Distance Back Link :

1. Masukkan citra multi spektral, srtm, slope, dan reclassify slope
2. Pada menu ArcToolbox, pilih Spatial Analyst Tools > Distance > Path Distance Back Link
3. isikan input raster atau features source data dengan data (raster atau vektor) yang anda inginkan, isikan input cost raster dengan SRTM dan isikan input surface raster dengan hasil dari path distance, lalu OK
4. Berikut adalah hasil dari Path distance Back Link
   

   

Setelah kita mempelajari ilmu dasar tentang proximity analysis, sekarang kita akan mempelajari tentang cara menggunakannya pada software ArcGIS 10.6.1. Berikut adalah metode-metode yang akan kita bahas:

1. Buffer, digunakan untuk membuat fitur baru dengan batasan fitur pada jarak tertentu dari suatu fitur yang diinginkan

   

2. Near, digunakan untuk menghitung jarak terdekat antar 2 fitur dengan cara menambahkan field pada atribut field

   

3. Select by Location, digunakan untuk memilih fitur dari kelas fitur yang dituju dengan jarak yang telah diberikan dari fitur yang diinput

   

4. Create Thiessen Polygons, digunakan untuk membuat poligon dari area yang terdekat pada setiap fitur untuk satu set fitur yang diinput

   

5. Make Closest Facility Layer, digunakan untuk menetapkan parameter analisis untuk mencari lokasi terdekat atau sekelompok lokasi pada pada sebuah jaringan ke lokasi yang lain

   

6. Make Service Area Layer, digunakan untuk menetapkan parameter analisis untuk mencari poligon yang menjelaskan area dengan jarak yang diberikan sepanjang jaringan di semua arah dari satu atau banyak lokasi

   

7. Make Route Layer, digunakan untuk menetapkan parameter analisis untuk mencari jalan terdekat antara satu set titik

   

8. Make OD Cost Matrix Layer, digunakan untuk menentukan parameter analisis untuk membuat matriks dari jaringan jarak antara 2 set titik

   

    

Pada kali ini peneliti ingin menggunakan metode Buffer untuk mengetahui jumlah bangunan yang ada disekitar tempat ibadah pada jarak 250m. Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Buffer pada ArcGIS 10.6.1 :

1. Tampilkan SHP tutupan lahan, SHP sarana ibadah, dan SHP bangunan
2. Pada menu ArcToolbox, pilih Analysis Tools > Proximity > Buffer
3. Setelah muncul menu Buffer, isikan input features dengan shp yang anda ingin buffer (pada kali ini saya menggunakan sarana ibadah), lalu isikan nilai linear unit dengan satuannya sesuai yang anda inginkan (pada kali ini saya menggunakan nilai 250, dan meters sebagai satuannya), lalu OK
4. Berikut adalah hasil Buffer yang telah dilakukan

   

Pada kali ini peneliti ingin menggunakan metode Near untuk mengetahui jarak terdekat dari pendidikan FID 1 terhadap rumah sakit terdekat . Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Near pada ArcGIS 10.6.1 :

1. Tampilkan SHP tutupan lahan, SHP Pendidikan, dan SHP Rumah sakit
2. Buka atribute table dari SHP Pendidikan, lalu klik 2 kali pada FID 1
3. Pada menu ArcToolbox, Pilih Analysis Tools > Proximity > Near
4. Setelah muncul menu Near, isikan input features dengan shp yang anda ingin buffer (pada kali ini saya menggunakan pendidikan), lalu isikan near feature sesuai yang anda inginkan (pada kali ini saya menggunakan rumah sakit), lalu OK
5. Hasil dari metode Near dapat dilihat dari atribute table dari SHP Pendidikan
6. Berikut adalah hasil Near yang telah dilakukan

   

Pada kali ini peneliti ingin menggunakan metode Select by Location untuk mengetahui bangunan yang berjarak 1 km dari rumah sakit FID 2 . Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Select by Location pada ArcGIS 10.6.1 :

1. Tampilkan SHP tutupan lahan, SHP bangunan, dan SHP rumah sakit
2. Buka atribute table dari SHP rumah sakit, lalu klik 2 kali pada FID 2
3. Pada menu ArcToolbox, Pilih Data Management Tools > Layer and Table Views > Select Layer by Location
4. Setelah muncul menu Select Layer by Location, isikan input feature layer sesuai SHP yang anda inginkan (pada kali ini saya menggunakan bangunan), isikan Relationship dengan hubungan yang anda inginkan (pada kali ini saya menggunakan within a distance), isikan selecting features sesuai SHP yang kalian inginkan (pada kali ini saya menggunakan rumah sakit) dan isikan search distance sesuai jarak yang inginkan (pada kali ini saya menggunakan 1 km), lalu OK
5. Berikut adalah hasil Select by Location yang telah dilakukan

   

    

Pada kali ini peneliti ingin menggunakan metode Create Thiessen Polygons untuk mengetahui daerah yang yang telah tercoveroleh terminal bus . Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Create Thiessen Polygons pada ArcGIS 10.6.1 :

1. Tampilkan SHP tutupan lahan, SHP jalan, dan SHP terminal bus
2. Pada menu ArcToolbox, pilih Analysis Tools > Proximity > Create Thiessen Polygons
3. Setelah menu Create Thiessen Polygons muncul, isikan input features dengan fitur yang anda inginkan (pada kali ini saya menggunakan terminal bus), lalu OK
4. Berikut adalah hasil Create Thiessen Polygons yang telah dilakukan

   

    

Pada kali ini peneliti ingin menggunakan metode Make Closest Facility Layer untuk mengetahui rumah sakit sepanjang jalan. Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Make Closest Facility Layer pada ArcGIS 10.6.1 :

1. Buatlah network dataset pada SHP jaringan jalan terlebih dahulu
2. Klik kanan pada shp jaringan jalan yang berada di catalog, lalu klik New Network Dataset
3. Klik next hingga muncul pertanyaan “Do you want to establish driving directions setting  for this network dataset?”, lalu pilih No dan klik next
4. Klik Finish > Yes > Close > Yes
5. Maka hasilnya akan berbentu seperti ini
6. Setelah network dataset berhasil dibuat, Pilih Network Analysis Tools > Analysis > Make Closest Facility Layer
7. Setelah menu Make Closest Facility Layer muncul, pada kolom Input Analysis Network masukkan hasil network dataset yang baru dibuat, lalu OK
8. Setelah muncul hasilnya buka Network Analysis Window
9. Klik kanan pada facilities lalu klik Load Location
10. Pada kolom Load From pilih shp yang anda inginkan (pada kali ini saya menggunakan rumah sakit), lalu OK
11. Setelah selesai Klik Solve
12. Berikut adalah hasil Make Closest Facility Layer yang telah dilakukan

    

     

Pada kali ini peneliti ingin menggunakan metode Make Service Area Layer untuk mengetahui area rumah sakit sepanjang jalan. Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Make Service Area Layer pada ArcGIS 10.6.1 :

1. Pilih Network Analysis Tools > Analysis > Make Service Area Layer
2. Setelah menu Make Service Area Layer muncul, pada kolom Input Analysis Network masukkan hasil network dataset yang baru dibuat, lalu OK
3. Setelah muncul hasilnya buka Network Analysis Window
4. Klik kanan pada facilities lalu klik Load Location
5. Pada kolom Load From pilih shp yang anda inginkan (pada kali ini saya menggunakan rumah sakit), lalu OK
6. Setelah selesai Klik Solve
7. Berikut adalah hasil Make Service Area Layer yang telah dilakukan

   

    

Pada kali ini peneliti ingin menggunakan metode Make Route Layer untuk mengetahui rute tercepat dari rumah sakit ke rumah sakit lainnya. Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Make Route Layer pada ArcGIS 10.6.1 :

1. Pilih Network Analysis Tools > Analysis > Make Route Layer
2. Setelah menu Make Route Layer muncul, pada kolom Input Analysis Network masukkan hasil network dataset yang baru dibuat, lalu OK
3. Setelah muncul hasilnya buka Network Analysis Window
4. Klik kanan pada facilities lalu klik Load Location
5. Pada kolom Load From pilih shp yang anda inginkan (pada kali ini saya menggunakan rumah sakit), lalu OK
6. Setelah selesai Klik Solve
7. Berikut adalah hasil Make Route Layer yang telah dilakukan

   

    

Pada kali ini peneliti ingin menggunakan metode Make OD Cost Matrix Layer untuk mengetahui jarak antara sakit dan pendidikan pada semua tempat. Berikut adalah tata cara melakukan Proximity Analysis Feature-based Tools Metode Make OD Cost Matrix Layer pada ArcGIS 10.6.1 :

1. Pilih Network Analysis Tools > Analysis > Make OD Cost Matrix Layer
2. Setelah menu Make OD Cost Matrix Layer muncul, pada kolom Input Analysis Network masukkan hasil network dataset yang baru dibuat, lalu OK
3. Setelah muncul hasilnya buka Network Analysis Window
4. Klik kanan pada facilities lalu klik Load Location pada Origins
5. Pada kolom Load From pilih shp yang anda inginkan (pada kali ini saya menggunakan rumah sakit), lalu OK
6. Klik kanan pada facilities lalu klik Load Location pada Destinations
7. Pada kolom Load From pilih shp yang anda inginkan (pada kali ini saya menggunakan pendidikan), lalu OK
8. Setelah selesai Klik Solve
9. Berikut adalah hasil Make OD Cost Matrix Layer yang telah dilakukan