dokumen litbangyasa pusat pemanfaatan penginderaan jauh...

VERSION 0.0

DESEMBER 2017

DOKUMEN LITBANGYASA PUSAT PEMANFAATAN PENGINDERAAN JAUH

DEPUTI BIDANG PENGINDERAAN JAUH LAPAN

TAHUN ANGGARAN 2017

DESEMBER 2017 Dokumen Litbangyasa Pusat Pemanfaatan Penginderaan Jauh

Deputi Bidang Penginderaan Jauh LAPAN

1

PRESENTED BY: PUSFATJA LAPAN

Jl. Kalisari No. 8 Pekayon, PasarRebo, Jakarta 13710

Telp. (021) 8710065 Faks. (021) 8722733

DOKUMEN LITBANGYASA PUSAT PEMANFAATAN PENGINDERAAN JAUH DEPUTI BIDANG PENGINDERAAN JAUH LAPAN Output yang dihasilkan pada IKU 1 berupa 21 model, yang terdiri dari 16 model

pemanfaatan penginderaan jauh, 2 prototipe sistem perekayasaan dan 3 dokumen teknis

pedoman pemanfaatan penginderaan jauh.

a. 16 model pemanfaatan penginderaan jauh tersebut adalah:

1. Model pemanfaatan data penginderaan jauh untuk sumberdaya pertanian fase

pertumbuhan padi,

2. Model pemanfaatan data penginderaan jauh untuk perkebunan kelapa sawit,

3. Model pemanfaatan data penginderaan jauh untuk sumberdaya hutan gambut dan

ladang ganja,

4. Model pemanfaatan data penginderaan jauh resolusi tinggi untuk pemantauan

perkembangan fisik kota,

5. Model pemanfaatan data penginderaan jauh untuk sumberdaya air,

6. Model pemanfaatan data penginderaan jauh untuk sumberdaya alam kelautan

(ZPPI, perairan dangkal),

7. Model pemanfaatan data penginderaan jauh untuk pemantauan potensi pulau-

pulau kecil,

8. Model pemanfaatan data penginderaan jauh untuk ekstraksi informasi kualitas air,

9. Model pemanfaatan data penginderaan jauh untuk ekosistem pesisir mangrove,

10. Model pemanfaatan data penginderaan jauh untuk ekosistem pesisir terumbu

karang,



2

11. Model pemanfaatan data penginderaan jauh untuk lingkungan terkait reklamasi

daerah tambang,

12. Model pemanfaatan data penginderaan jauh untuk kebakaran hutan/lahan,

13. Model pemanfaatan data penginderaan jauh untuk bencana banjir dan longsor,

14. Model pemanfaatan data penginderaan jauh untuk pemantauan gunung api,

15. Model pemanfaatan data penginderaan jauh untuk sumberdaya alam,

16. Model pemanfaatan data penginderaan jauh untuk wahana baru (UAV, satelit,

LAPAN A2, A3, Sentinel 1A dan 2A).

b. 2 Prototipe sistem perekayasaan tersebut adalah:

1. Prototipe pengembangan sistem perekayasaan infrastruktur Sistem Pemantauan

Bumi Nasional (SPBN)

2. Prototipe sistem perekayasaan konten informasi Sistem Pemantauan Bumi

Nasional

c. 3 dokumen teknis pedoman pemanfaatan penginderaan jauh adalah:

1. Pedoman pemanfaatan data Landsat-8 untuk deteksi daerah terkena erupsi

gunung api

2. Pedoman pemanfaatan pata penginderaan pauh untuk deteksi daerah tergenang

banjir menggunakan data Synthetic Aperture Radar (SAR)

3. Pedoman pemantauan batimetri berbasis satelit SPOT 6/7



3

(1) Pengembangan model pemanfaatan data penginderaan jauh untuk

sumberdaya pertanian fase pertumbuhan padi

Peningkatan produksi tanaman pangan khususnya tanaman padi perlu

dilakukan oleh pemerintah untuk mencapai swasembada dan Kemandirian pangan.

Untuk mencapai tujuan tersebut kondisi pertumbuhan padi dan lahan sawah perlu

dipantau berkelanjutan menggunakan teknologi satelit, sehingga pemerintah dapat

segera mengambil tindakan yang cepat dan tepat untuk mempertahankan dan

meningkatkan produksi padi nasional. Data satelit yang dapat digunakan untuk

pemantauan tanaman padi dengan cakupan wilayah yang luas dan temporal yang

tinggi adalah data MODIS dari satelit Terra. Wilayah lain selain pulau Jawa yang

memberikan kontribusi produksi yang cukup besar adalah pulau Sumatera dan

Sulawesi. Ada lima Provinsi yang menghasilkan produksi padi terbesar di pulau

Sumatera, yaitu Provinsi Sumatera Utara, Sumatera Selatan, Lampung, dan

Sumatera Barat. Pengembangan model pertumbuhan padi untuk wilayah Sumatera

telah dilakukan dengan memilih Provinsi Sumatera Utara dan Lampung sebagai

studi kasus (Dirgahayu, 2013). Provinsi Sulawesi Selatan dan Sulawesi Tenggara

merupakan sentra produksi padi di pulau Sulawesi.

Pemantauan fase pertumbuhan tanaman padi menggunakan data Landsat

sudah dilakukan di Pusat Pemanfaatan Penginderaan Jauh sejak tahun 1997

hingga tahun 2003. Kegiatan tersebut dilakukan sebagai bahan masukan terkait

kondisi pertanaman padi dalam rapat ARAM (Angka RAMalan) di BPS setiap 4

bulan sekali. Kegiatan tersebut terhenti pada tahun 2003, karena data Landsat 7

mengalami kerusakan (SLC off) yang tidak memungkinkan digunakan untuk

menghasilkan informasi aktual fase pertumbuhan tanaman padi setiap 16 hari.

Model Estimasi umur menggunakan data Landsat sebelumnya pernah dilakukan

oleh Nuarsa (2007), yang menghubungkan umur padi pada fase vegetatif (5-70

HST) dengan beberapa parameter Indeks vegetasi. Dengan data terbatas, penulis

membuat hubungan anatara umur dengan I Vegetasi dalm bentuk model Kuadratik.

Kelemahan model dapat terjadi percampuran nilai indek yang sama pada umur

yang berbeda. Hasil kerjasama penelitian dengan BBSDLP (2016) menghasilkan 7



4

model pertumbuhan padi yang digunakan untuk membuat informasi spasial fase

pertumbuhan padi dalam 6 kelas, yaitu: Air (penggenangan sebelum tanam),

Vegetatif 1 (1-40 HST), Vegetatif2 (41-64 HST), Generatif 1 (65-96 HST), Generatif

2 (97-112 HST), dan bera.

Penelitian ini bertujuan untuk mengembangkan model pertumbuhan tanaman

padi sawah menggunakan data Landsat 8 Multitemporal di pulau Jawa. Lokasi

penelitian adalah area persawahan PT Sang Hyang Sri, Subang, Jawa Barat dan

sekitar Malang, Jawa Timur. Manfaat penelitian dapat menentukan kelas tingkat

kehijauan vegetasi (TKV) tanaman padi, memantau fase pertumbuhan tanaman

padi, dan memprediksi waktu dan luas panen berdasarkan estimasi umur tanaman

padi.

Penelitian menggunakan data satelit Landsat 8, Path/Row : 122/64 selama 3

tahun, dari tahun 2013-2015 sebanyak 3 x 23 scene = 69 scene. Adapun data

sekunder yang digunakan adalah data jadwal tanam (Realisasi Tanam dan Panen)

PT Sang Hyang Sri, Subang, Jawa Barat tahun tanam 2013-2015. Pendugaan umur

tanaman padi dilakukan di areal kerja PT Sang Hyang Sri, Subang. SKriteria

pengambilan sampel berdasarkan kelas EVI Maksimum di lahan sawah selama 3

tahun (2013-2015), dengan kisaran nilai EVI 0.40-0.85 , dikelompokkan menjadi 7

kelas dengan interval 0.05.

Gambar 1. Profil Pertumbuhan Tanaman Padi pada Lahan Sawah dengan EVI Max 0.55-

0.60



5

Deteksi tanaman padi yang ditanami di lahan sawah ditentukan berdasarkan 3

kriteria utama, yaitu EVI Maksimum, nilai EVI saat penggenangan/awal tanam, serta

perbedaan EVi Maksimum dengan EVI saat tanam. Tahapan pengolahan data dan

analisis data EVI Multitemporal Landsat 8 untuk memperoleh Profil

pertumbuhannya di setiap kelas lahan sawah disajikan dalam Gambar 1.

Profil pertumbuhan padi berdasarkan indeks vegetasi (EVI) dari data satelit dari

mulai awal tanam hingga menjelang panen dapat diperoleh dari piksel-piksel

tanaman padi yang waktu tanamnya berbeda-beda di suatu lokasi. Pengambilan

sampel dilakukan di areal kerja lahan sawah milik PT Sang Hyang Sri, Subang,

Jawa Barat. Umur tanaman padi aktual diketahui berdasarkan realisasi tanam di

setiap blok sawah PT. Sang Hyang Sri dan tanggal perekaman data Landsat 8.

Penelitian telah menghasilkan Model Pertumbuhan Tanaman Padi berdasarkan

analisis regresi adalah sebagai berikut :

Persamaan : Y = b0 + b1*X + b2*X^2 + b3*X^3

Y = 128 + 125*EVI ( Data EVI 8 dari citra Landsat 8 Bit )

X : HST (Hari Setelah Tanam)’



6

Gambar 2. Informasi spasial umur dan fase tanaman padi kawasan Bekasi, Karawang,

Subang tanggal 21 September 2017.

Berdasarkan model pertumbuhan padi tersebut, maka Informasi Spasial

Umur/fase Tanaman Padi dapat dibuat dengan pengelompokan umur tertentu (5

harian, mingguan, atau 10 harian) atau disesuaikan dengan kebutuhan pengguna.

Gambar 2 memperlihatkan informasi spasial umur dan fase tanaman padi di

kawasan Bekasi, Karawang, Subang berdasarkan citra Landsat 8 tanggal 21

September 2017

Hasil pengamatan sebanyak 104 Lokasi di lahan sawah di Jawa Timur,

sebanyak 60 Lokasi ditanami padi, sisanya ditanami tanaman palawija yang

didominasi oleh tanaman jagung. Hasil analisis menunjukkan ketepatan model

untuk mendeteksi umur/fase tanaman padi sebanyak 47 lokasi, sehingga

menghasilkan akurasi sebesar 90.4 %.



7


perkebunan kelapa sawit

Kelapa sawit (Elaeis guineensis Jack) merupakan salah satu tanaman pohon

tropis yang paling penting di dunia. Produksi minyak kelapa sawit telah meningkat

spektakuler dalam 20 tahun terakhir, terutama di Malaysia dan Indonesia. Informasi

mengenai umur kelapa sawit merupakan informasi yang penting untuk mengetahui

besar produksi yang akan dihasilkan. Penginderaan Jauh memiliki potensi signifikan

untuk membantu pemantauan pertumbuhan kelapa sawit dan upaya identifikasi

umurnya. Penelitian ini bertujuan untuk mengembangkan metode untuk

menganalisa pertumbuhan kelapa sawit dan menghasilkan profil pertumbuhannya

dengan menggunakan data satelit optik Landsat dan SPOT. Area kajian adalah

kabupaten Mamuju dan Mamuju Utara, Sulawesi Barat. Data citra yang digunakan

adalah data Landsat 8, SPOT 6 dan SAR ALOS. Data pendukung berupa data

administrasi, data lapangan, kalender tanam. Pan Sharpening data SPOT antara

kanal Multi Spektral dan Pankromatik dilakukan untuk meningkatkan ketajaman

citra. Data lapangan diperoleh dengan melakukan pengumpulan data lapangan dan

peta kalender tanam. Pengumpulan data di lapangan telah dilakukan pada bulan

April 2017 dengan berlokasi di PT Unggul Widya Lestari dan PT Astra. Selanjutnya

dilakukan ektraksi beberapa parameter serta analisa tekstur untuk klasifikasi umur

kelapa sawit. Dari data Landsat 8 dan SPOT 6 dilakukan ekstraksi NDVI. Dari

analisa spectral data multi spectral Landsat dan SPOT 6 dan analisa NDVI dibuat

model pertumbuhan, demikian pula dengan menggunakan data SAR ALOS. Dari

hasil analisa diperoleh bahwa terdapat hubungan antara umur tanaman kelapa

sawit dengan NDVI SPOT 6 dan Landsat, serta antara nilai backscatter dan usia.

Secara umum model pertumbuhan yang diperoleh adalah model kuadratik untuk

data optic (dengan R2 sekitar 0.56 untuk SPOT dan 0.8 untuk Landsat), sedangkan

untuk data SAR berpola logaritmik dengan R2 sekitar 0.65 untuk polarisasi HH dan

0.75 untuk polarisasi HV. Gambar 3 memperlihatkan grafik pertumbuhan dengan

menggunakan data SPOT 6 (Lokasi di Mamuju-Sulbar)



8

Gambar 3. Grafik pertumbuhan

dengan menggunakan data SPOT6

(Lokasi: Mamuju-Sulbar)


sumberdaya hutan gambut dan ladang ganja

Perhatian terhadap lahan gambut meningkat setelah pemerintah Indonesia

merencanakan pembukaan lahan rawa secara besar-besaran pada tahun 1969-

1985 untuk pertanian, khususnya pangan. Kajian lahan rawa gambut dalam lingkup

wilayah yang luas (regional) memerlukan waktu yang lama dan biaya yang besar

sehingga dapat memperlambat kegiatan kajian. Kendala ini dapat diatasi dengan

memanfaatkan teknologi Penginderaan Jauh dan Sistem Informasi Geografi (SIG)

yang mampu memberikan informasi yang dibutuhkan dalam kurun waktu yang

relatif cepat, obyektif, dan mutakhir. Namun demikian tetap harus disertai adanya

pengecekan atau pengamatan lapangan.



9

Gambar 4. PALSAR ALOS 2017 HH, HV, RGB (HH, HV, HV/HH), dan SPOT 2016

Tujuan penelitian ini adalah melakukan kegiatan penelitian dan pengembangan

pemanfaatan data penginderaan jauh untuk identifikasi lahan gambut

menggunakan data penginderaan jauh optik dan SAR. Salah satu daerah yang

berlahan gambut yang menjadi perhatian khusus bagi pemerintah adalah Bengkalis

Riau dan Kubu Raya, Kalimantan Barat. Kubu Raya menjadi area kajian

percontohan tim untuk mengidentifikasi lahan gambut dan kedalamannya dengan

menggunakan data penginderaan jauh baik optik maupun SAR. Untuk

mendapatkan model prediksi kedalaman gambut di daerah Bengkalis dan Kubu

Raya, digunakan data backscatter SAR dan data hasil pengukuran lapangan. Dari



10

hasil analisa regresi yang dilakukan, terdapat hubungan yang cukup tinggi (70%)

antara nilai backscatter dengan kedalaman gambut dan land system-nya untuk

daerah Bengkalis, Riau, sedangkan untuk daerah KubuRaya, hanya sekitar 30%.

Gambar 4 memperlihatkan lahan bergambut dari citra PALSAR ALOS 2017

polarisasi HH, HV, RGB (HH, HV, HV/HH), dan SPOT 2016. Gambar 5

menunjukkan hubungan antara kedalaman gambut dan land system.

Gambar 5. Hubungan antara kedalaman gambut dan land system

Tanaman ganja jenis Cannabis Sativa L mengandung zat psikoaktif, karena

mengandung Tetra Hydro Cannabinol (THC) yang dapat merusak sistem kesehatan

tubuh manusia, sehingga dilarang di Indonesia. Wilayah Aceh terkenal dengan

banyaknya penanaman ganja yang semakin marak. Kondisi ini menjadi perhatian

serius pemerintah, dalam hal ini Badan Narkotika Nasional (BNN), sehingga untuk

tahun 2017 lokasi penelitian dilaksanakan di Provinsi Aceh. Usia tanaman ganja

hingga dipanen umumnya memerlukan waktu sekitar 9 bulan. Metode yang

digunakan untuk identifikasi adalah dengan menganalisis perubahan penutup lahan

di hutan lindung, dimana tahapan pertumbuhan dimulai dengan pembukaan areal

hutan. Pembukaan lahan tersebut dapat dideteksi dengan menggunakan Indeks



11

Lahan Terbuka (ILT). Selanjutnya terjasi fase vegetatif, dan fase pasca panen yaitu

kembali menjadi lahan terbuka dengan jangka waktu sekitar 9 bulan yang dapat

dideteksi menggunakan Indeks Vegetasi. Dengan kondisi tersebut, maka diperlukan

data multi temporal, dan untuk penelitian ini akan digunakan data penginderaan

jauh satelit yaitu data Landsat 8 dan SPOT. Identifikasi awal pertumbuhan (kultivasi)

tanaman ganja menggunakan data Landsat multi temporal berdasarkan titik lokasi

yang telah diketahui telah ditanami ganja, dan selanjutnya menggunakan data

SPOT. Analisis spektral dilakukan untuk mengetahui pola pertumbuhan tanaman

ganja. Gambar 6 memperlihatkan lokasi ladang ganja di Aceh yang teridentifikasi

dari citra Landsat multitemporal.



12

Gambar 3.6. Ladang ganja di Aceh yang teridentifikasi dari citra Landsat multitemporal

(4) Pengembangan model pemanfaatan data penginderaan jauh resolusi tinggi

untuk pemantauan perkembangan fisik kota

Data satelit penginderaan jauh resolusi tinggi atau sangat tinggi sangat

bermanfaat untuk mendukung penyusunan Rencana Tata Ruang Wilayah (RTRW),

khususnya pembuatan Rencana Detil Tata Ruang (RDTR) kabupaten dan kota.

Penelitian bertujuan untuk mengembangkan model pemanfaatan data satelit

penginderaan jauh resolusi tinggi untuk memantau perkembangan fisik kawasan

perkotaan. Lokasi kegiatan pada tahun anggaran 2017 adalah wilayah Kalimantan

Tengah dengan luas wilayah 157.983 km² yang terdiri dari 13 Kabupaten dan 1 kota.

Data satelit yang dipergunakan adalah citra satelit optik Landsat 5 dan Landsat 7

tahun perekaman 2002 dan/atau 2003 dan/atau 2004, citra satelit optik Landsat 8

tahun perekaman 2015 dan/atau 2016 dan/atau 2017, mosaik citra satelit optik

SPOT 6/7 tahun perekaman 2013-2015, dan Citra SPOT 6/7 pada wilayah calon

ibukota NKRI tahun perekaman 2015 dan/atau 2016.



13

Gambar 7. Hasil klasifikasi penutup lahan tahun 2002

Metodologi yang dilakukan meliputi pengolahan data citra (koreksi data dan

klasifikasi visual), survei lapangan, dan analisis penutup lahan. Berdasarkan hasil

perubahan penggunaan lahan selama 14 tahun dari tahun 2002 sampai tahun 2016

didapatkan perubahan terbesar terjadi pada kelas hutan primer yaitu 1.752.530 ha.

Pada tahun 2002 dan tahun 2016, hutan darat primer banyak terdapat di bagian

utara Kalimantan Tengah, membentang dari timur hingga barat dengan sebaran

terbesar berada di Kabupaten Murung Raya seluas 2.103.205 ha (Tahun 2002) dan

2.081.571 ha (tahun 2016). Secara umum, perubahan lahan hutan primer banyak

dikonversi menjadi semak/belukar, savanna, dan sawah. Tetapi banyak juga

dilakukan konversi untuk perkebunan, pertambangan, dan permukiman. Gambar 7

dan Gambar 8 berturut-turut memperlihatkan hasil klasifikasi penutup lahan tahun

dengan data tahun 2002 dan 2016.



14

Gambar 8. Hasil klasifikasi penutup lahan tahun 2016


sumberdaya air

Kegiatan Litbang model pemanfaatan data penginderaan jauh untuk

sumberdaya air di Pusfatja tahun 2017 berfokus pada pemantauan kualitas

ekosistem danau. Litbang ini berkaitan dengan pemantauan kualitas ekosistem

danau dilakukan secara lebih terarah pada tahun 2011-2013. Pada saat itu kegiatan

dikaitkan dengan program nasional penyelamatan danau periode 2010-2014. Pada

kegiatan ini dilakukan kajian mengenai standarisasi pengolahan data multi sensor

dan multi temporal, kajian parameter ekosistem daerah tangkapan air dan kajian

parameter untuk menilai kualitas ekosistem perairan danau (Trisakti et al., 2014).

Pada kajian parameter ekosistem daerah tangkapan air telah dilakukan

pengamatan perubahan lahan secara multi temporal, dan pendugaaan koefisien

run-off, debit air permukaan dan lajur erosi tanah dengan menggunakan data multi

temporal. Sedangkan untuk kajian parameter ekosistem perairan danau telah



15

dilakukan pengembangan metode pemetaan luas permukaan air danau, sebaran

vegetasi air, lokasi penempatan keramban jaring apung dan kualitas perairan

(meliputi kecerahan perairan dan TSS). Beberapa kegiatan seperti pemetaan

penutup lahan di DTA (Daerah Tangkapan Air), luas permukaan air danau, sebaran

vegetasi air dan lokasi keramba jaring apung telah dapat dioperasionalkan,

sedangkan kualitas air, sebaran run-off dan laju erosi membutuhkan verifikasi dan

validasi model sebelum dapat dioperasionalkan.

Penelitian ini bertujuan untuk mengembangkan pemanfaatan penginderaan

jauh untuk identifikasi dan evaluasi potensi sumberdaya perairan darat. Daerah

penelitian identifikasi potensi sumberdaya perairan darat meliputi 15 danau

prioritas, yaitu Danau Singkarak, Danau Maninjau, Danau Kerinci, Danau Batur,

Danau Sentani, Danau Matano, Danau Tempe, Danau Poso, Danau Limboto,

Danau Tondano, Danau Sentarum, Danau Cascade Mahakam, Danau Rawa

Pening, Danau Toba, dan Danau Rawa Dano. Kegiatan pemanfaatan penginderaan

jauh pemantauan danau terdiri dari tahapan: a) pembangunan algorithm TSS dan

Kecerahan, b) pembuatan batas permukaan air danau dan pemetaan sebaran

vegetasi air, dan c) pemetaan kualitas air (TSS dan Kecerahan). Identifikasi potensi

sumber daya perairan darat meliputi informasi spasial batimetri dan kualitas air

(TSS dan kecerahan). Gambar 9 hingga Gambar 11 berturut-turut menunjukkan

hasil analisis kualitas danau, contoh di Danau Toba, Danau Matano, dan Danau

Batur tahun 2002 dan 2017.



16

Gambar 9. Kualitas air Danau Toba tahun 2002 dan 2017

Gambar 10. Kualitas air Danau Matano tahun 2002 dan 2017



17

Gambar 11. Kualitas air Danau Batur tahun 2002 dan 2017


sumberdaya alam kelautan (ZPPI, perairan dangkal)

Informasi ZPPI harian merupakan produk layanan rutin kepada pengguna di

berbagai instansi di wilayah Indonesia. Informasi ZPPI dihasilkan dengan input data

suhu permukaan laut. Dari data suhu permukaan laut dideteksi kejadian termal front

menggunakan metode single image edge detection (SIED). Hasil deteksi thermal

front merupakan area polygon, kemudian ditentukan titik tengahnya menggunakan

metode pusat massa polygon. Titik tersebut merupakan titik koordinat ZPPI yang

terdiri dari posisi bujur dan lintang. Untuk mengetahui akurasi informasi ZPPI

dilakukan validasi tetapi belum optimal selama ini. Terkait dengan hal tersebut di

lakukan pemasangan alat bantu survey ZPPI. Alat bantu survei telah dipasang pada

dua kapal nelayan dengan bobot 30 GT yaitu kapal Andora B dan Andora C. Data

yang diharapkan dari pemasangan alat tersebut adalah : suhu permukaan laut,

posisi kapal saat melakukan penangkapan ikan, salinitas, kadar oksigen dan

kecepatan dan arah angin. Untuk posisi kapal akan terekam setiap 2 jam sedangkan

untuk parameter lainnya akan terekam setiap 30 menit. Diharapkan dengan



18

ketersediaan data tersebut upaya validasi semakin optimal. Selain pemasangan

alat, dilakukan juga analisis pemanfaatan data suhu permukaan laut dari satelit

Himawari-8. Tujuannya untuk mengetahui keakuratan data SPL dari Himawari-8

sebagai alternatif atau pengganti data SPL dari MODIS. Dari analisis yang dilakukan

hasil menunjukkan bahwa titik koordinat ZPPI dari Himawari-8 sebanyak 20%

posisinya berdekatan hampir sama dengan titik koordinat ZPPI dari S-NPP VIIRS

dan 80% posisi titiknya berjauhan. Untuk titik yang berjauhan perlu dilakukan uji

coba di lapangan untuk mengetahui kesahihannya sebagai titik ZPPI. Sehingga

dengan demikian akurasi data SPL dari Himawari-8 dapat diketahui berdasarkan uji

coba lapangan. Dalam penelitian ini juga dilakukan analisis klorofil di perairan laut

Indonesia. Tujuannya untuk mengetahui konsentrasi klorofil –a pada posisi titik

koordinat ZPPI. Berdasarkan analisis yang telah dilakukan sebagian besar atau

80% titik koordinat ZPPI terdapat pada perairan laut dengan konsentrasi klorofil-a

antara 0,2 mg/m3 sampai 0,5 mg/m3. Gambar 12 memperlihatkan titik koordinat

ZPPI dari S-NP VIIRS dan Himawari-8. Sedangkan Gambar 13 memperlihatkan

kompilasi hasil ekstraksi nilai Klorofil-a dan titik koordinat ZPPI.



19

Gambar 12. Titik koordinat ZPPI dari S-NP VIIRS dan Himawari-8

Gambar 13. Klorofil-a dan titik koordinat ZPPI



20


pemantauan potensi pulau-pulau kecil

Indonesia merupakan negara kepulauan dan sebagian besar merupakan pulau-

pulau kecil yang tersebar di seluruh nusantara. Indonesia menjadi negara

kepulauan sejak ditetapkan melalui Deklarasi Juanda pada tahun 1957 dan

dikukuhkan oleh Undang-Undang Nomor 4/PrP/1960, yang kemudian diganti

dengan Undang-Undang RI nomor 6 Tahun 1996 tentang Perairan Indonesia dan

secara internasional diakui melalui Konvensi Hukum Laut PBB yaitu United Nations

Convention on the Law of the Sea (UNCLOS) 1982 yang telah diratifikasi Indonesia

dalam Undang-undang No. 17 tahun 1985.

Melihat fungsi penting dari pulau-pulau terluar tersebut, perlu dilakukan

pemantauan terhadap pulau-pulau kecil terluar. Pemantauan diperlukan terutama

untuk melihat kondisi fisik keberadaan pulau tersebut. Dalam hal ini, peranan sains

dan teknologi terkait sangat diperlukan. Penginderaan jauh sebagai sains dan

teknologi diharapkan ikut memberikan kontribusi dalam upaya pemantauan

tersebut, salah satunya yaitu dengan pemanfaatan data citra satelit yang mampu

menggambarkan kondisi pulau-pulau kecil terluar.

Penelitian ini berusaha untuk mengungkap kemampuan data penginderaan

jauh, khususnya optik, dalam mengidentifikasi dan memantau potensi pulau-pulau

kecil. Data yang dipergunakan dalam penyusunan buku ini yaitu citra satelit Landsat

8, SPOT, Worldview, Pleiades, dan GeoEye. Gambar 14 hingga Gambar 15

memperlihatkan contoh hasil pengolahan data penginderaan jauh untuk

pengamatan pulau-pulau kecil perbatasan.



21

Gambar 14. P. Bras dan P. Fanildo (di Papua) dan P. Mangudu (di Nusa Tenggara Timur) dari citra SPOT-7

Gambar 15. P. Enu dan P. Wetar (di Maluku) dari citra Landsat 8.

(8) Pengembangan model pemanfaatan data penginderaan jauh untuk ekstraksi

informasi kualitas air

Penelitian pengembangan model pemanfaatan data penginderaan jauh untuk

ekstraksi informasi kualitas air tahun 2017 ini dilakukan dengan tujuan melakukan

validasi model ekstraksi informasi kualitas perairan untuk parameter Muatan

Padatan Tersuspensi (MPT) dan Chlorofil-a (Chl-a) yang diperoleh dari Teluk

Lampung pada Teluk Pelabuhan Ratu, DAS Cimandiri Sukabumi Jawa Barat serta

melakukan pengembangan model pengolahan data penginderaan jauh untuk



22

ekstraksi informasi SPL (Suhu Permukaan Laut) dan MPT di Teluk Ciasem, outlet

DAS Cimanuk Indramayu Jawa Barat.

Penelitian pemanfaatan data penginderaan jauh untuk kualitas air yang

dilaksanakan pada tahun 2017 ini menghasilkan tiga kesimpulan, yaitu : 1) Nilai

reflektan kanal 4 citra Landsat 8 mempunyai korelasi yang paling kuat dengan nilai

reflektan yang diukur menggunakan Trios Ramses; 2) Model empiris yang diperoleh

dari hasil kajian di Teluk Lampung dapat diaplikasikan dengan nilai korelasi yang

lebih baik untuk Teluk Pelabuhan Ratu dibandingkan dengan Teluk Ciasem

Indramayu; dan 3) Pola reflektan untuk beberapa obyek sudah dapat

dikelompokkan, akan tetapi bisa disimpulkan oleh karena informasi baru berasal

dari dua lokasi, yaitu Teluk Ciasem di Pantai Utara Jawa dan Teluk Pelabuhan Ratu

di selatan Jawa.

Gambar 16. Pola reflektan objek air dari Trios Ramses

(Lokasi: Perariran Indramayu)



23

Gambar 17 Aplikasi Kombinasi Kanal 1 dan 2 untuk Ekstraksi MPT

(Lokasi: Perariran Indramayu)

(9) Pengembangan model pemanfaatan data penginderaan jauh untuk ekosistem

pesisir mangrove

Pengembangan model pemanfaatan data penginderaan jauh untuk ekosistem

pesisir mangrove tahun 2017 ini fokus pada pemanfaatan data penginderaan jauh

untuk mengidentifikasi kerapatan mangrove. Secara global, citra satelit

penginderaan jauh telah memainkan peran penting dalam pemetaan dan

pemantauan mangrove (Giri et al, 2011; Heumann, 2011). Pemetaan dan

pemantauan hutan mangrove sangat penting untuk berbagai bidang ilmiah seperti

perkiraan (estimates) stok karbon dari wilayah-wilayah pesisir tropis, secara efektif

dapat mengelola perikanan secara komersial (berkembang biak ikan-ikan kecil) dan

pembibitan mangrove, dan pemahaman dinamika geomorpologi vegetasi pantai



24

dan mitigasi bencana pesisir. Letak geografis ekosistem mangrove yang berada

pada daerah peralihan darat dan laut memberikan efek perekaman yang khas jika

dibandingkan obyek vegetasi darat lainnya. Efek perekaman tersebut sangat erat

kaitannya dengan karakteristik spektral ekosistem mangrove, hingga dalam

identifikasi memerlukan suatu transformasi tersendiri. Pada umumnya untuk deteksi

vegetasi digunakan transformasi indeks vegetasi (Danoedoro, 1996).

Indeks vegetasi merupakan suatu algoritma yang diterapkan terhadap citra

satelit, untuk menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang

berkaitan dengan kerapatan. Atau lebih praktis, indeks vegetasi merupakan suatu

transformasi matematis yang melibatkan beberapa saluran sekaligus untuk

menghasilkan citra baru yang lebih representatif dalam menyajikan aspek-aspek

yang berkaitan dengan vegetasi. Metode analisa indeks vegetasi ada beberapa

macam antara lain NDVI (Normalized Difference Vegetation Index) dan EVI

(Enhanced Vegetation Index), GNDVI (Green Normalized Difference Vegetation

Index), dan OSAVI (Optimized Soil Adjusted Vegetation Index). Beberapa indek

vegetasi tersebut dapat digunakan untuk mengetahui tingkat kerapatan vegetasi

yang terbagi menjadi mangrove sangat jarang, jarang, sedang, lebat, dan sangat

lebat. Informasi tingkat kerapatan mencerminkan kondisi dari vegetasi di suatu

wilayah, masih bagus atau sudah mengalami kerusakan.

Data citra SPOT 6 dengan resolusi spasial 6 meter dan 1,5 meter digunakan

untuk membangun metode indeks kerapatan dengan skala menengah dan skala

tinggi. Metode ini bermanfaat untuk perencanaan reboisasi dan pengelolaan

ekosistem pesisir. Penelitian ini bertujuan untuk membangun metode indeks

kerapatan vegetasi mangrove dari citra SPOT 6, menggunakan beberapa indeks

vegetasi (NDVI,GNDVI, EVI, dan OSAVI) di daerah Pulau Kei, Maluku. Sasaran

dari penelitian ini adalah tersedianya indeks kerapatan mangrove.

Metode untuk mendapatkan kerapatan mangrove adalah dengan

menggunakan algoritma yang dibangun berdasarkan dari indeks vegetasi (NDVI,

GNDVI, EVI, OSAVI) dengan data kerapatan lapangan. Deteksi kerapatan

mangrove di Pulau Kei Maluku dilakukan dengan menggunakan kamera yang



25

dilengkapi lensa fish eye. Berdasarkan korelasi antara nilai indeks vegetasi dengan

kerapatan mangrove lapangan (dari kamera fish eye) maka diperoleh korelasi

polinomial orde 2. Kelas kerapatan terbagi menjadi lima kelas mengacu pada SNI

7717:2011 tentang Survei dan Pemetaan Mangrove. Kelas kerapatan tersebut

adalah sangat jarang, jarang, sedang, lebat, dan sangat lebat. Untuk mendukung

akurasi penelitian tentang kerapatan ini, telah dilakukan survei lapangan bersama

dengan tim dari Badan Informasi Geospasial (BIG) pada tanggal 25 April – 1 Mei

2017.

Gambar 18. Kerapatan mangrove di Pulau Kei Maluku berdasarkan algoritma kerapatan

yang telah dibangun.



26

Hasil pengolahan data SPOT 6 dengan algoritma kerapatan menunjukkan

bahwa, kerapatan mangrove di Pulau Kei, Maluku dapat dibagi menjadi tiga kelas

kerapatan, yaitu jarang, sedang, dan lebat. Sementara itu, berdasarkan algoritma

dari EVI dan GNDVI, menunjukkan bahwa kerapatan mangrove dapat dibagi

menjadi dua kelas yaitu sedang dan lebat; sedangkan, dari algoritma NDVI dapat

dibagi menjadi empat kelas yaitu sangat jarang, jarang, sedang, dan lebat; dan dari

algoritma OSAVI dapat dibagi menjadi tiga kelas yaitu jarang, sedang, dan lebat.

Gambar 3.18 menunjukkan hasil analisis kerapatan mangrove di Pulau Kei Maluku

berdasarkan algoritma kerapatan yang telah dibangun.

(10) Pengembangan model pemanfaatan data penginderaan jauh untuk ekosistem

pesisir terumbu karang

Fokus penelitian pengembangan model pemanfaatan data penginderaan jauh

untuk ekosistem pesisir terumbu karang tahun 2017 adalah melakukan pengkajian

metode pengolahan data penginderaan jauh untuk membedakan makro alga

dengan karang, lamun dan pasir di kawasan terumbu karang, menganalisa

pengaruh makro alga, karang, lamun dan pasir terhadap total reflektan yang

diterima oleh sensor, mengembangkan metode pengambilan data yang konsisten

untuk menyediakan input dalam kalsifikasi terawasi dan skema klasifikasi. Sasaran

dari kegiatan ini adalah diperoleh metode yang aplikatif di lokasi penelitian dalam

membedakan kelas makro alga di kawasan terumbu karang, diperoleh metode

pengambilan data yang konsisten dan skema klasifikasi yang aplikastif dengan data

penginderaan jauh.

Metode yang digunakan dalam pengolahan data adalah klasifikasi terawasi

yaitu pengelompokan piksel-piksel (untuk klasifikasi berbasis piksel) maupun

segmen-segmen (untuk klasifikasi berbasis obyek) menjadi kelas tertentu dimana

pengguna dapat memilih sampel piksel-piksel dalam citra yang mewakili karakter

kelas tertentu.

Pengolahan data lapangan meliputi koreksi post prosesing data GPS.

Pengolahan data GPS dengan melakukan koreksi post processing bertujuan untuk



27

mendapatkan pengukuran GPS dengan akurasi yang lebih tinggi. Untuk GPS

Handheld maksimum akurasi dengan pengukuran tunggal adalah 5-6 meter,

sementara citra yang digunakan mempunyai resolusi 6 meter. Jadi akurasi GPS

tanpa dikoreksi belum memenuhi syarat yaitu 1/2 dari resolusi spasial. Untuk

mendapatkan akurasi yang lebih tinggi bisa dilakukan dengan metode pengukuran

differensial yaitu menggunakan 2 reciever GPS, 1 adalah GPS Handheld yg

digunakan di lapangan, satu lagi adalah GPS pengukuran kontinyu pada lokasi yang

tetap (based).

Pada pembahasan ini akan mengkaji apakah makro alga bisa

dibedakan/dikelaskan menggunakan data penginderaan jauh. Untuk mengetahui

apakah sebuah obyek bisa dibedakan ada beberapa tahapan yang bisa dilakukan,

yaitu pertama apakah secara pantulan spectral memang bisa dibedakan atau

memiliki tanda khusus secara spectral (spectral signature), biasanya reflektan

spectral ini diukur di lapangan menggunakan spectrometer. Kemudian hasil analisa

akan memberikan informasi apakah obyek tersebut bisa dibedakan. Pembedaan ini

bisa dianalisa mulai dari detail dari data spectrometer maupun di scale up

menggunakan panjang gelombang sensor yang akan di analisis. Kemudian baru

diujicobakan menggunakan data penginderaan jauh. Pada analisis scale up dan jika

memungkinkan untuk dibedakan secara spectral, maka masih dianalisa apakah dari

sisi resolusi spasial memungkinkan.

Pertama yang biasa dilakukan adalah mempelajari apakah secara nilai reflektan

dari pengukuran spektormeter, makro alga bisa dibedakan apa tidak. Hal ini

dikarenakan sensor satelit menggunakan spectrum cahaya untuk mengukur obyek

tersebut. Sehingga kalau secara spectral obyek bisa digunakan maka ada

kemingkinan bisa dibedakan menggunakan data satelit sesuai kemampuan masing-

masing sensor dan sebaliknya. Pengukuran reflektan spektral pernah dilakukan

oleh Maritorena et al (1994) yaitu mengukur reflektan dari pasir karbonat,

Sargassum sp, Turbinaria dan lain-lainya tetapi tidak menganalisa perbedaan

reflektan beda tipe dasar, Penggunaan istilah tipe dasar (bottom type) lebih tepat



28

dari tipe substrat dasar karena subtract dasar bisa ditumbuhi di atasnya oleh

komunitas organisme yang menancap pada substrat.

Faktor kedua yang mempengaruhi kemampuan obyek untuk dibedakan adalah

keberadaannya secara alami, apakah luas spasial makro alga bisa terbentuk pada

area yang bisa diidentifikasi oleh sensor. Syarat sebuah obyek bisa dicoba

dikelaskan adalah ada obyek dengan luas lebih dari seluas 1 piksel data yang

digunakan (Phinn, et al. 2013). Sebagai contoh, untuk mendeteksi potongan kecil

karang (coral patch), data dengan resolusi kurang dari 1 m diperlukan, sedangkan

untuk mendeteksi zona geomorfologi diperlukan data dengan resolusi 10-30 m.

Makro alga sebagaimana sudah disebutkan dalam pendahuluan, secara alami akan

menyebar dan tidak membentuk hamparan yang luas. Vegetasi lamun (dan makro

alga yang beroasosiasi) tidak pernah melewati kawasan karang dan biasanya

berada di antara garis pantai dengan kawasan karang (Dahdouh-Guebas,

Coppejans, & Van Speybroeck, 1999).

Pada perairan sub tropis seperti di Laut Baltik, makro alga bisa menjadi

monodominat spesies bahkan bisa membentuk belt, bahkan pada jenis makro alga

yang tidak menancap pada substrat luasnya bisa mencapai 100 km2 (Kutser et al.,

2006). Di Indonesia sendiri makro alga bisa membentuk hamparan yang luastetapi

bercampur dengan lamun, makro agla berasosiaso dengan lamun dan makro alga

bisa berasosiasi pada batu (Wouthuyzen, Herandarudewi, & Komatsu, 2016).

Pada kondisi ini, makro alga bisa dibedakan menggunakan data resolusi rendah

sekalipun seperti Data Merris (Kutser et al., 2006; Leiper, Phinn, Roelfsema, Joyce,

& Dekker, 2014; Wouthuyzen et al., 2016). Akan tetapi karena penetrasi dalam

kolom air yang rendah, kadang keberadaan makro alga sering di bawah

kemampuan sensor menembus kedalaman air sehingga sulit membedakannya.

Penelitian terbaru dari Leiper et al., (2014) mampu memetakan sedimen, benthic

micro algae, turf alga, crustose coralline algae, macro algae dan karang hidup

dengan akurasi 65% menggunakan data CASI sebuah sensor hiperspektral yang

dipasang di pesawat sampai kedalaman 8 meter, setelah 8 meter akurasi sangat

rendah. Penggunaan data dengan resolusi menengah dan tinggi tidak mampu



29

secara akurat membedakan benthos dan tipe substrat seperti piksel berwarna

coklat yang merepresentasikan karang hidup, karang mati yang ditumbuhi alga atau

makro algae (Leiper et al., 2014).

Dari sisi reflektan dari spectrum gelombang elektromagnetik, makro alga bisa

dibedakan akan tetapi lokasi keberadaan makro alga kadang diluar kemampuan

gelombang elektromagnetik menembus kolom air, khususnya pada perairan yang

relative keruh. Dari segi spasial, makro alga bisa diidentifikasi keberadaaanya jika

keberadaaanya secara spasial mampu diidentifikasi oleh sensor. Karena

keberadaan makro alga bervariasi antara komunitas dengan luas beberapa

sentimeter sampai luas 100 km2, tergantung dari kawasannya. Makro alga bisa

membentuk hamparan yang luas jika kondisi lingkungan hidupnya. Aplikasi data

penginderaan jauh untuk membedakan makro alga dengan obyek lainnya dalam

kawasan terumbu karang pernah dilakukan menggunakan data satelit. Gambar 19

menunjukkan hasil analisis dalam membandingkan data dari citra dan data dari

lapangan

Gambar 19. Analisa Data Citra Utuk Identifikasi terumbu karang



30


lingkungan terkait reklamasi daerah tambang

Pengembangan model pemanfaatan data penginderaan jauh untuk lingkungan

terkait reklamasi daerah tambang tahun 2017 ini fokus pada pengembangan model

pemanfaatan data Landsat-8 untuk deteksi indikasi kerusakan lahan akses terbuka

akibat kegiatan pertambangan. Klasifikasi tingkat kerusakan area bekas

penambangan ditentukan berdasarkan perubahan nilai indeks, yaitu Normalized

Difference Vegetation Index (NDVI), Normalized Difference Soil Index (NDSI),

Normalized Difference Water Index (NDWI), atau Global Environment Monitoring

Index (GEMI). Setiap wilayah ditentukan indeks yang paling senstitif berdasarkan

nilai separabilitas dari nilai indeks tersebut. Tingkat kerusakan dibedakan menjadi

tiga, yaitu: Tinggi (T), Sedang (S), dan Rendah (R). Klasifikasi ditentukan

berdasarkan perubahan (selisih) nilai indeks sebelum aktivitas penambangan dan

kondisi eksisting. Pembagian kelas ditentukan dari nilai ambang batas yang diambil

dari rerata dan simpangan bakunya. Fokus analisis indikasi tingkat kerusakan area

bekas penambangan adalah di beberapa provinsi prioritas, yakni: Provinsi Bangka

Belitung, Sumatera Barat, Jawa Timur, Kalimantan Tengah-Kalimantan Selatan,

Kalimantan Timur, dan NTB. Berdasarkan hasil analisis separabilitas, diketahui

bahwa untuk Provinsi Sumatera Barat, Kepulauan Bangka Belitung, Kalimantan

Tengah, dan Kalimantan Timur, tingkat kerusakan ditentukan dari NDSI. Untuk

Provinsi Nusa Tenggara Barat ditentukan dari NDVI. Sedangkan untuk Provinsi

Jawa Timur ditentukan dari GEMI.

Dengan asumsi distribusi normal, indikasi tingkat kerusakan LAT (Tinggi,

Sedang, dan Rendah), ditentukan berdasarkan nilai rerata (µ) dan deviasi standar

(σ) dari perubahan nilai indeks yang paling sensitif. Tinggi jika perubahannya ≥

µ+1σ, Sedang jika perubahannya dalam rentang µ±1σ, dan Rendah jika

perubahannya kurang dari < µ-1σ.

Gambar 20 hingga Gambar 21 menunjukkan hasil analisis citra untuk

identifikasi LAT dan indikasi kerusakannya, di beberapa lokasi yaitu berturut-turut

di Kab. Dharmasraya Provinsi Sumatera Barat, Kab. Belitung Provinsi Kep. Bangka



31

Belitung, Kab. Kapuas Provinsi Kalimantan Tengah, Kab. Kutai Kartanegara

Provinsi Kalimantan Timur, Lombok Tengah Provinsi Nusa Tenggara Barat, dan

Kab. Tuban Provinsi Jawa Timur.

Mining areas(black polylines)

Tgl. 22 Juni 2013 (data eksisting)

Indication of damage mining areas

Red=High, Yellow=Moderate, Green=Low

Gambar 20 . Analisis citra untuk identifikasi LAT dan indikasi kerusakannya (Lokasi: Kab. Belitung Provinsi Kep. Bangka Belitung)

Mining areas(black polylines)

22 Mei 2015 (existing data)

Indication of damage mining areas

Red=High, Yellow=Moderate, Green=Low

Gambar 21 . Analisis citra untuk identifikasi LAT dan indikasi kerusakannya

(Lokasi: Kab. Tuban Provinsi Jawa Timur)



32

(12) Pengembangan model pemanfaatan data penginderaan jauh untuk kebakaran

hutan/lahan


kebakaran hutan/lahan tahun 2017 mencakup pengembangan model pemanfaatan

data Himawari-8 untuk deteksi hotspot, pengembangan model pemanfaatan data

Himawari-8 untuk deteksi asap kebakaran hutan/lahan, serta pengembangan model

pemanfaatan data VIIRS untuk deteksi asap kebakaran hutan/lahan.

Penelitian pengembangan model pemanfaatan data Himawari-8 untuk deteksi

hotspot ini merupakan penelitian pertama kali di LAPAN dalam memanfaatkan data

Himawari-8 untuk deteksi hotspot indikasi kebakaran hutan/lahan. Penelitian ini

bertujuan untuk menemukan algoritma untuk deteksi hotspot dari data Himawari-8,

yang paling tepat dan sesuai untuk wilayah Indonesia. Langkah-langkah yang

dilakukan meliputi: penyiapan data, penentuan lokasi sampel, pengukuran dan

analisis suhu kecerahan dan albedo, analisis obyek-obyek pengganggu (awan, air,

dan sunglint), penentuan algoritma hotspot, serta evaluasi hasil-hasilnya. Penelitian

menyimpulkan bahwa titik api dari kebakaran yang besar dapat dideteksi dari data

Himawari-8 dengan menggunakan teknik thresholding algoritma berdasarkan suhu

kecerahan pada pita 3.9μm dan 11.2μm. Beberapa keterbatasan metode dalam

penelitian ini seperti efek siklus harian dan musiman terhadap data geostasioner

serta tutupan awan dan asap yang perlu ditangani dan menjadi masukan untuk

pengembangan lebih lanjut. Gambar 27 memperlihatkan hasil deteksi hotspot dari

citra Himawari-8.

Gambar 22. Hasil deteksi hotspot dari Himawari-8



33

Penelitian pengembangan model pemanfaatan data Himawari-8 untuk deteksi

asap kebakaran hutan/lahan dilakukan dengan menganalisis karakteristik spektral

objek asap kebakaran hutan dan lahan dari data Himawari-8. Penelitian dilakukan

untuk wilayah kebakaran Sumatera dan Kalimantan pada tahun 2015. Tahap

penelitian terdiri dari pengolahan data dan analisis karakteristik spektral

berdasarkan nilai reflektansi dan Brightness Temperature (BT) objek asap dan

bukan asap. Berdasarkan analisis spektral objek asap dari data AHI dapat

disimpulkan bahwa reflektansi asap memiliki nilai yang tinggi pada Band 1 hingga

Band 4. Reflektansi objek asap secara umum berbeda dengan objek awan, air dan

vegetasi terutama pada band sinar tampak (band 1, 2 dan 3), namun memiliki nilai

yang berdekatan atau hampir berhimpitan dengan awan tipis. Pola BT objek asap

memiliki kemiripan dengan objek lainnya namun nilainya sangat berbeda dengan

objek awan, dimana objek asap memiliki nilai BT lebih tinggi dibandingkan BT awan

hampir di seluruh band inframerah. Berdasarkan nilai Normalized Distance (D),

reflektansi band sinar tampak dan inframerah dekat baik untuk pemisahan objek

asap dengan air dan vegetasi. Sementara itu, BT baik untuk pemisahan asap

terhadap awan. Dengan demikian, dalam melakukan klasifikasi atau pemisahan

asap dengan objek non asap yang terdiri dari air, vegetasi dan awan perlu

menggunakan gabungan parameter reflektansi maupun BT. Gambar 23

memperlihatkan hasil deteksi asap dari citra Himawari-8.



34

Gambar 23. Hasil deteksi asap dari Himawari-8 (10 September 2015 jam 09.00)

Penelitian pengembangan model pemanfaatan data VIIRS untuk deteksi asap

kebakaran hutan/lahan dilakukan dengan mendeteksi sebaran asap kebakaran

hutan dan lahan menggunakan suatu metode secara digital. Metode yang

digunakan adalah metode penyesuaian multi-threshold dan membandingkannya

dengan pengembangan model yang sudah ada yaitu dengan modifikasi metode Li.

Data yang digunakan adalah data dari satelit soumi NPP-VIIRS. Hasil penelitian

menyimpulkan bahwa citra VIIRS dapat dipergunakan untuk mendeteksi sebaran

asap kebakaran hutan dan asap secara digital. Metode penyesuaian multi-threshold

menggunakan data reflekstansi yang diperoleh dari kanal visible VIIRS yaitu kanal

M4, dan data brightness temperature yang diperoleh dari kanal LWIR VIIRS yaitu

kanal M14. Sedangkan metode modifikasi Li hanya berdasarkan data reflektansi

saja yaitu kanal visible M1, M2, M3, dan kanal SWIR VIIRS M11. Penelitian ini

menyarankan untuk dilakukan penelitian lebih lanjut dengan melakukan uji akurasi

model yang didukung dengan penggunaan data-data lapangan (ground check) atau

data-data sekunder lainnya. Gambar 24 menunjukkan hasil penerapan model

deteksi asap kebakaran hutan dan lahan menggunakan metode multi-threshold dan

modifikasi Li et al. (2015).



35

Citra VIIRS, RGB 10-7-2 Model Multi-threshold Model Modifikasi Li (2015)

(A) Data VIIRSTanggal 10 Oktober 2015

(B) Data VIIRSTanggal 11 Oktober 2015

(C) Data VIIRSTanggal 15 Oktober 2015

(D) Data VIIRSTanggal 25 Oktober 2015

Gambar 24. Hasil penerapan model deteksi asap kebakaran hutan dan lahan menggunakan metode multi-threshold dan modifikasi Li et al.(2015).



36

(13) Pengembangan model pemanfaatan data penginderaan jauh untuk bencana

banjir dan longsor

Pada penelitian ini diusulkan terkait pemanfaatan model hasil ekstraksi

parameter geo-bio-fisik dari data penginderaan jauh untuk mitigasi bencana

hidrometeorologi. Banjir merupakan salah satu bencana hidrometereologi yang

paling sering terjadi, dengan frekuensi tertinggi atau sebesar 32% dari total seluruh

kejadian bencana di Indonesia. DAS Citarum merupakan salah satu DAS di Provinsi

Jawa Barat yang memiliki masalah kompleks dan tidak terlepas dari tingginya

tekanan penduduk. Salah satu wujud dari tingginya tekanan penduduk tersebut

adalah telah menyebabkan alih fungsi lahan di sekitar DAS Citarum bagian hulu.

Perubahan penggunaan/penutup lahan (LULC) menjadi masalah besar dengan

semakin meningkatnya lahan terbangun dan semakin menyusutnya lahan resapan

yang dapat mengakibatkan terjadinya peningkatan limpasan permukaan, debit

aliran sungai saat musim penghujan dan menyebabkan banjir. Lemahnya dan

kurang tesedianya informasi dan data secara historis di suatu wilayah menjadi

kendala tersendiri dalam mempelajari pola perubahan dari setiap parameter geo-

bio-fisik yang diturunkan. Padahal, parameter ini menjadi sangat penting dan

menjadi syarat utama untuk melakukan upaya prediksi dan mempelajari

karakteristiknya diwaktu yang akan datang. Terobosan pemanfaatan teknologi data

penginderaan jauh dapat menjawab keterbatasan dan kebutuhan dalam

menyediakan informasi secara historis, yang selanjutnya berdasarkan pola dari

perubahannya dapat dikembangkan suatu model untuk keperluan prediksinya di

beberapa waktu yang akan datang. Proyeksi perubahan LU/LC dan proyeksi daerah

rentan banjir di wilayah tersebut akan dapat digunakan untuk perencanaan wilayah

sebagai rencana mitigasi bencana hidrometeorologi. Rancangan “geo-design”

suatu wilayah dalam hal untuk meminimalkan resiko bencana hidrometereologi

merupakan tujuan dari penelitian ini. Model rancangan geo-design yang dibuat juga

dapat digunakan sebagai prototype untuk analisa di wilayah lainnya. Hasil dari

penelitian ini diharapkan dapat menjadi pilot project dan percontohan untuk

beberapa wilayah DAS lainnya, selanjutnya upaya penanganan pengelolaan



37

lingkungan DAS dapat dilakukan untuk mengurangi dan meminimalkan dampak

terjadinya bencana hidrometereologi, khususnya bencana banjir. Perencanaan dan

design sistem operasional terintegrasi dengan Sistem Informasi Mitigasi Bencana

(SIMBA) - Pusfatja LAPAN dapat digunakan untuk memberikan informasi yang real

time dalam memberikan sistem peringatan dini (early warning system) sebelum

terjadinya bencana.

Banjir pasang air laut (rob) dapat menyebabkan kerusakan pada lingkungan,

ekologi, sosial dan ekonomi. Faktor-faktor yang dapat menyebabkan banjir rob

secara umum adalah a) pemenasan global, b) pemanfaatan air tanah dan

penurunan muka tanah (land subsidence), b) buruk dan rusaknya sistem drainase,

c) terjadinya perubahan bentang alam karena aktivitas kegiatan manusia dan alam.

Peranan data citra penginderaan jauh untuk mendukung penanggulangan dan

permasalahan banjir rob adalah a) identifikasi perubahan morfologi pada bentuk

lahan, b) identifikasi perubahan pada penggunaan lahan, c) identifikasi penurunan

land subsidence, d) identifikasi sumber dan daerah terdampak banjir rob. Metode

penelitian yang digunakan adalah interpretasi bentuk lahan dengan pendekatan

geomorfologi, klasifikasi penggunaan lahan, pemodelan DEM berdasarkan skenario

penurunan tanah, pemodelan banjir dengan menggunakan pendekatan iterasi

berbasis piksel. Berdasarkan hasil penelitian dan pengamatan lapangan diperoleh

fakta-fakta yang diduga kuat sebagai penyebab banjir rob di Pesisir Pekalongan,

yaitu: a) telah terjadi perubahan morfologi “Beting Gisik” sebagai tanggul alami

pada periode 1978 – 2016. Perubahan morfologi pada “Beting Gisik” berkaitan

dengan perubahan Penggunaan Lahan dalam halpembukaan lahan untuk area

tambak, yang disertai pembuatan sudetan atau kanal yang menghubungkan

saluran sungai/ laut dan area tambak. b) telah terjadi penurunan tanah yang

memberikan pengaruh besar pada terbentuknya dan terbukanya wadah air di

daratan, yang disebabkan oleh meningkatnya jumlah lahan permukiman

danaktivitas penurapan air tanah dalam secara berlebihan. c) Telah terjadi

pemanfaatan wilayah rawan banjir (backswamp) untuk area permukiman. d)

Tanggul penahan gelombang tidak mampu menahan air laut yang masuk ke



38

daratan (fakta di lapangan). e) Pendangkalan saluran sungai, yang disebabkan oleh

penumpukan endapan sampah (fakta di lapangan). Perlu adanya upaya serius dari

Pemerintah (Daerah dan Pusat) sebagai motor penggerak dengan melibatkan

seluruh komponen yang ada dalam rangka penanggulangan rob yang akar

permasalahannya lebih karena dampak dari aktivitas manusia. Perlu dilakukan

upaya dan strategi dalam jangka pendek, menengah dan panjang, baik konstruksi

maupun non-konstruksi, yang semuanya diarahkan kepada terwujudnya

pemanfaatan lahan yang harmonis, manusia-lingkungan, sesuai dengan kodrat

alami wilayah pesisir Pekalongan. Program pembangunan fisik-konstruksi

dilakukan sebagai solusi jangka pendek-menengah, harus memperhatikan

efektivitas dan efisiensinya serta imbas/dampak yang ditimbulkannya sebagai

antisipasi terhadap munculnya permasalahan-permasalahan baru.



39

Gambar 25. Hasil-hasil pemetaan dan pemodelan dinamika topografi pesisir dari tahun 1978-2017 di lokasi penelitian. (a) DEM di tahun 1978. (b) DEM di tahun 1988. (c) DEM di

tahun 2000. (d) DEM di tahun 2007. (e) DEM di tahun 2011. (f) DEM di tahun 2017

Program pembangunan non-konstruksi dilakukan sebagai solusi jangka

panjang dengan tetap memperhatikan kondisi sosial-ekonomi-budaya masyarakat

setempat. Program konservasi wilayah pesisir perlu untuk dilakukan. Pemulihan

kondisi alami wilayah pesisir sebagaimana sebelumtahun 2009 dengan

merekonstruksi dan merevitalisasi “barriers” alami atau beting-beting gisik dan

penanaman mangrove, secara bertahap dimulai dari saat ini. Rekonstruksi dan

revitalisasi barrier alami / beting gisik mulai dilakukan saat ini agar dapat

menghambat, mengurangi atau meresapkan air akibat pasang laut.



40

Gambar 26. Hasil-hasil pemetaan bentuklahan pesisir dan perubahannya dari tahun 1978-

2017 di lokasi penelitian. (a) Bentuklahan pesisir di tahun 1978. (b) Bentuklahan pesisir di

tahun 1988. (c) Bentuklahan pesisir di tahun 2000. (d) Bentuklahan pesisir di tahun 2007. (e)

Bentuklahan pesisir di tahun 2011. (f) Bentuklahan pesisir di tahun 2017

Penanaman mangrove dilakukan di belakang tanggul-tanggul buatan yang

sudah ada disepanjang muara sungai / pantai. Penataan ulang kawasan tambak

dan pengelolaan sampah juga perlu dilakukan. Pembebasan lahan pinggir pantai

atau muara sebagai kawasan konservasi. Penataan ulang kawasan budidaya



41

tambak disekitar muara sungai / pantai. Melaksanakan program pengelolaan

sampah rumah tangga/industri yang menghindari pembuangan sampah ke

sungai/saluran drainase. Pembangunan konstruksi tanggul penahan rob, pompa

dan perbaikan drainase. Memperkuat tanggul pasir (sandbags) penahan

gelombang yang sudah ada di sepanjang pantai. Membangun tanggul baru

permanen di sepanjang pantai/sungai/permukiman-tambak. Menata, memperbaiki

atau menutup, sudetan-sudetan sungai/pantai yang dipergunakan untuk mengairi

tambak. Menambah dan optimalisasi pompa pada kawasan permukiman

terdampak rob.Memperbaiki drainage (saluran air), khususnya pada kawasan

permukiman dan industri. Gambar 25 memperlihatkan hasil-hasil pemetaan dan

pemodelan dinamika topografi pesisir dari tahun 1978-2017 di lokasi penelitian.

Sedangkan Gambar 26 memperlihatkan hasil-hasil pemetaan bentuklahan pesisir

dan perubahannya dari tahun 1978-2017 di lokasi penelitian.


pemantauan gunungapi

Pengembangan model pemanfaatan data penginderaan jauh untuk

pemantauan gunungapi tahun 2017 ini fokus pada pemanfaatan data penginderaan

jauh optis kanal termal untuk pemantauan aktivitas erupsi gunungapi. Salahsatu

jenis data penginderaan jauh yang sering dipergunakan untuk pemantauan aktivitas

erupsi (vulkanisme) adalah MODIS (Coppola et al., 2012; Wright et al., 2002; Wright

et al., 2004), ASTER (Pieri et al., 2003), maupun Landsat (Lombardo et al., 2003).

Sensor MODIS yang terpasang pada satelit Terra dan Aqua memiliki karakteristik

spektral yang dapat dimanfaatkan untuk mengukur abu vulkanik, es, sulfat dan

belerang oksida dengan menggunakan rekaman data infra merah termal (8 – 12

µm) yang dimilikinya (Watson et al., 2004).

Gunungapi aktif mengemisikan sejumlah besar energi panas (Wright & Pilger,

2008). Hasil penelitian dari kedua peneliti dari Hawaii Institute of Geophysics and

Planetology USA tersebut, yang mencoba melakukan pengukuran panas yang

diradiasikan ke atmosfer bumi dari 65 gunungapi aktif di dunia dari tanggal 26



42

Februari 2000 hingga 31 Desember 2006 menggunakan data MODIS,

memperlihatkan bahwa radiasi heat flux yang berasal dari aktivitas vulkanik ke

dalam atmosfer terjadi pada steady level, dan pada saat terjadi pergerakan lava

basaltis (aktivitas vulkanisme meningkat), memperlihatkan anomali berupa

peningkatan emisi panas. Gambar 27 memperlihatkan alur pikir yang mendasari

pemanfaatan data penginderaan jauh pemantauan aktivitas gunungapi

Gambar 27. Alur pikir yang mendasari pemanfaatan data penginderaan jauh pemantauan aktivitas gunungapi.

Data MODIS juga dapat dipergunakan untuk memahami karakter erupsi efusif

dan stromboli dari energi radiasi yang dihasilkan pada saat terjadinya erupsi

berdasarkan besar energi radiasi yang diukur dari kanal panjang gelombang 4 µm.

Energi radiasi erupsi pada dasarnya dikontrol oleh besar debit lava. Namun, pada

erupsi non-efusif (stromboli), intensitas dan frekuensi erupsi dikontrol oleh

ketinggian kolom magma yang naik ke permukaan. Energi radiasi pada erupsi efusif

sekitar 186 MW, sedangkan pada erupsi Stromboli lebih rendah sekitar 9 MW.

(Coppola et al., 2012).

Satelit Terra dan Aqua (dengan lebar sapuan 2.330 km) memiliki kemampuan

dalam merekam wilayah gunungapi di seluruh Indonesia. Sensor MODIS memiliki

merekam data ke dalam 36 kanal spektral pada spektrum tampak dan inframerah



43

di spektrum 0,4 hingga 14,4 µm. Dua kanal memiliki resolusi spasial 250 meter, lima

kanal memiliki resolusi 500 meter dan 29 kanal memiliki resolusi spasial 1.000

meter (termasuk kanal-kanal inframerah termal. (http://modis.gsfc.nasa.gov/).

Keunggulan data MODIS dibandingkan dengan data citra lainnya yang memiliki

sensor termal dan resolusi spasial lebih besar (seperti TM, ETM+, TIRS dan

ASTER) adalah resolusi temporal yang dimilikinya, dalam satu hari dapat dilakukan

dua kali perekaman di daerah yang sama oleh satelit Terra maupun Aqua, sehingga

data MODIS ini dapat memenuhi untuk keperluan operasional pemantauan

gunungapi (Wright et al., 2002).

Gambar 28. Metode pemantauan aktivitas gunungapi menggunakan data MODIS

Gambar 28 menunjukkan metode pemantauan aktivitas gunungapi

menggunakan data MODIS . MODIS memiliki kanal mampu merekam data pada

panjang gelombang ~4 µm dan ~11 µm dimana kedua kanal sangat penting dalam

aplikasi untuk monitoring aktivitas vulkanisme. Dengan mempergunakan kanal-

kanal tersebut Wright et al. (2002, 2004) kemudian mengembangkan algoritma

MODVOLC. Algoritma ini dikembangkan atas dasar sifat hubungan antara suhu dan

radians pada panjang gelombang ~4 µm (MODIS kanal 21/22) dan panjang

http://modis.gsfc.nasa.gov/



44

gelombang ~11 µm (MODIS kanal 32) yang dapat dipergunakan untuk

membedakan suhu pada permukaan yang homogen berdasarkan perbedaan nilai

slope pada kurva Planck. Pada kisaran -80 hingga 100° C (kisaran yang sesuai

untuk mencakup seluruh kisaran suhu ambient permukaan bumi), perbedaan nilai

radians yang terdeteksi pada panjang gelombang ~4 µm dan ~11 µm mengalami

peningkatan seiring dengan meningkatnya suhu permukaan Wright et al. (2002).

Dengan menggunakan kanal-kanal panjang gelombang 4 µm dan ~12 µm dari

data MODIS, Wright et al. (2002) merumuskan parameter NTI (Normalized Thermal

Index) yang telah diuji dan memberikan hasil yang baik (mampu membedakan

antara lava flow dan tipe tutupan lahan lainnya pada citra). Berdasarkan ambang

batas NTI yang mendasari algoritma MODVOLC, maka dapat dibangun sistem

otomatis pemantauan titik panas gunungapi (volcano hotspot) sebagai indikasi

terjadinya peningkatan aktivitas vulkanisme suatu gunungapi aktif. Algoritma

MODVOLC akan menyediakan sumber yang terintegrasi untuk deteksi,

pengarsipan dan diseminasi informasi terkait dengan kejadian erupsi gunungapi di

seluruh dunia (Wright et al., 2004).

Gambar 29. Hasil pemantauan aktivitas gunungapi menggunakan data MODIS berdasarkan parameter NTI (contoh: kejadian erupsi G. Agung, September - Oktober 2017)

NTI

(X

0,0

00

1)

1 SEPTEMBER 2017 - 31 OKTOBER 2017

NTI Gunung Agung, Bali



45

Prototipe operasionalisasi pemantauan gunungapi menggunakan data

penginderaan jauh yang dikembangkan di dalam penelitian ini meliputi: penyusunan

basis data gunungapi, data dan sumber data citra serta aliran data, pengolahan

data, algoritma, metode analisis, dan visualisasi hasil analisis. Gambar 29

memperlihatkan hasil pemantauan aktivitas gunungapi menggunakan data MODIS

berdasarkan parameter NTI (contoh: kejadian erupsi G. Agung, September -

Oktober 2017).


sumberdaya alam

Kegiatan pengembangan model pemanfaatan data penginderaan jauh untuk

sumberdaya alam dalam yang menjadi penekanan pada tahun 2017 ini adalah

pemanfaatan data penginderaan jauh untuk batimetri serta pemanfaatan data

penginderaan jauh untuk identifikasi potensi geothermal dan ekstraksi parameter

geologi.

Batimetri merupakan informasi kedalaman laut yang dapat digunakan untuk

beberapa keperluan, seperti pelayaran, penentuan wilayah yang tepat untuk

pelabuhan, dan penentuan kawasan budidaya pantai. Para tsunami modeler juga

menyatakan bahwa batimetri merupakan unsur yang sangat penting untuk

membuat simulasi tsunami. Simulasi tsunami yang tepat akan membantu dalam

peringatan dini adanya tsunami di suatu wilayah. Informasi batimetri sangat

diperlukan khususnya untuk keselamatan pelayaran. Saat ini belum semua wilayah

perairan Indonesia memiliki informasi skala detil terutama untuk lokasi penting

seperti pelabuhan, pendaratan ampibi, wisata bahari. Pembaruan informasi

batimetri juga diperlukan untuk wilayah-wilayah yang banyak terjadi perubahan

penggunaan lahan dan wilayah. Penyediaan dan pembaruan informasi batimetri

yang dilakukan dengan survey terrestrial memerlukan biaya yang besar dan waktu

yang lama mengingat wilayah laut yang luas dan peralatan yang digunakan. Oleh

karena itu dibutuhkan suatu teknologi yang dapat membantu dalam hal ini sehingga

pemetaan spasial batimetri akan lebih baik. Penginderaan jauh mempunyai potensi



46

untuk penyediaan informasi batimetri secara cepat dan mencakup wilayah yang

luas. Penelitian ini bertujuan untuk mengkaji dan menerapkan metode-metode

penentuan batimetri dari data satelit resolusi sangat tinggi.

Data satelit yang digunakan adalah Landsat 8, SPOT 6, dan WorldView 2. Data

insitu berupa data batimetri hasil pengukuran single beam dan multi beam

echosounder. Untuk mendapatkan metode penentuan batimetri yang sesuai pada

perairan Indonesia, akan dilakukan kajian dan validasi metode pada perairan

berdasarkan tiga tipe bentanglahan, yaitu tipe tektonik, vulkanik, dan terumbu.

Lokasi studi area adalah Pulau Bawean, Pulau Setokok, dan Pulau Mansuar, yang

masing-masing mewakili tipe bentanglahan vulkanik, tektonik, dan terumbu.

Dengan mendapatkan metode penentuan batimetri berdasarkan tipe bentanglahan

diharapkan selanjutnya dapat diterapkan untuk seluruh perairan Indonesia.

Tujuan dari penelitian ini adalah mengkaji dan menerapkan metode-metode

penentuan batimetri dari data resolusi menengah dan tinggi berdasarkan tipe

bentuklahan pulau. Lingkup kegiatan meliputi: (1) Penentuan tipe bentanglahan

menggunakan data Landsat 8. Tipe bentanglahan yang dikaji adalah vulkanik,

tektonik, dan terumbu. Pemilihan lokasi diambil pada perairan yang mewakili 3

bentanglahan tersebut; (2) Penentuan batimetri dari data SPOT 6/7 menggunakan

koefisien khusus. Metode yang digunakan adalah metode Manessa (2016) dan

Kanno (2011); (3) Penentuan batimetri dari data WorldView-2 menggunakan

koefisien umum. Metode yang digunakan adalah metode Lyzenga (2006), Kanno

(2013), Manessa (2017); dan (4) Analisis akurasi batimetri berdasarkan standar IHO

S44.

Data yang digunakan terdiri dari data satelit dan data lapangan. Data satelit

yang digunakan adalah Landsat 8, SPOT 6, dan WorldView-2. Data lapangan yang

digunakan adalah batimetri insitu dan pasut yang diperoleh dari Pushidrosal. Data

batimetri insitu merupakan hasil pengukuran menggunakan multi beam

echosounder dalam bentuk Lembar Lukis Teliti (LLT).

Hasil kegiatan berupa a) tipe bentanglahan dari data Landsat 8, b) batimetri dari

data WorldView 2, dan c) batimetri dari data SPOT 6. Identifikasi tipe bentanglahan



47

dilakukan menggunakan citra Landsat-8. Analisis OIF (Optimum Index Factor)

dilakukan untuk memilih tiga kanal yang ditujukan untuk pembuatan citra komposit

(RGB). Citra RGB Pulau Bawean menunjukkan karakteristik bentanglahan vulkanik.

Dari data WorldView 2 dihasilkan batimetri perairan pulau Setokok dan Bawean

menggunakan menggunakan metode Lyzenga, Kanno, dan Manessa. Gambar 30

memperlihatkan hasil ekstraksi nilai batimetri yang diolah dari data Landsat-8.

Gambar 30. Batimetri yang diolah dari data Landsat-8



48

Selain batimetri, kegiatan pengembangan model pemanfaatan data

penginderaan jauh untuk sumberdaya alam yang lain adalah kegiatan penelitian

pemanfaatan data penginderaan jauh untuk identifikasi potensi geothermal dan

ekstraksi parameter geologi. Penelitian ini mencakup kajian terhadap potensi

pemanfaatan data penginderaan jauh untuk identifikasi manifestasi hidrothermal.

Pada tahun ini, dipergunakan data penginderaan jauh yang meliputi data optik

(Landsat 8), SAR, microwave, dan Lidar. Identifikasi manifestasi geothermal

dilakukan dengan metode geodesi fisis. Parameter yang diukur meliputi gravity

disturbance, isostatis, free air, koreksi Bouguer, dan model tinggi. Gangguan

gravitasi (gravity disturbance) adalah perbedaan antara gravitasi yang terukur pada

suatu titik (P) dan gravitasi normal pada titik yang sama. Sedangkan anomali

gravitasi (gravity anomaly) adalah selisih antara gravitasi yang diamati P, dan

gravitasi normal pada geoid (Q). Isostatis dapat dihitung bahwa defleksi yang

diamati dapat dijelaskan jika massa gunung berlebih dicocokkan dengan defisiensi

massa yang sama di bawahnya. Pegunungan berada dalam ekuilibrium sisostatk.

Gambar 31 memperlihatkan hasil deteksi potensi manfestasi geothermal.

Gambar 31. Hasil deteksi potensi manfestasi geothermal.



49

(16) Pengembangan model pemanfaatan data penginderaan jauh untuk wahana

baru (UAV, satelit, LAPAN A2, A3, Sentinel 1A dan 2A)


wahana baru tahun 2017 meliputi pemanfaatan data satelit LAPAN-A3 untuk

ekstraksi indeks geo-bio-fisik dan klasifikasi, serta pemanfaatan penginderaan jauh

Pesawat LAPAN untuk kajian wilayah pesisir dan pulau-pulau kecil. Pemanfaatan

data satelit LAPAN-A3 untuk ekstraksi indeks geo-bio-fisik dan klasifikasi meliputi

kajian awal potensi pemanfaatan satelit penginderaan jauh LAPAN-A3, komparasi

karakteristik spektral data LAPAN-A3 dan Sentinel-2A, analisis data satelit LAPAN-

A3 untuk klasifkasi penutup lahan (studi kasus: daerah danau toba, sumatera utara),

dan asesmen potensi data LAPAN-A3 untuk pemetaan penutup/penggunaan lahan.

Pemanfaatan penginderaan jauh Pesawat LAPAN untuk kajian wilayah pesisir dan

pulau-pulau kecil meliputi: analisis pola sebaran sedimen; pembuatan peta rencana

evakuasi bencana tsunami, pemodelan 3D batimetri. Gambar 32 hingga Gambar 36

berturut-turut menunjukkan hasil klasifikasi pola sebaran sedimen, hasil ekstraksi

DEM, Peta evakuasi bencana tsunami, hasil pemodelan 3D batimetri, dan tampilan

3D wilayah permukaan dan air.

Gambar 32. Klasifikasi pola sebaran sedimen



50

Gambar 33. Hasil ekstraksi DEM

Gambar 34. Peta evakuasi bencana tsunami



51

Gambar 35. Hasil ekstraksi DEM wilayah kajian pemodelan 3D batimetri

Gambar 36. Tampilan 3D wilayah permukaan dan air



52

Selain 16 model yang telah dihasilkan oleh Pusfatja tahun 2017, dihasilkan 2

prototipe sistem perekayasaan, yaitu 1 prototipe pengembangan sistem perekayasaan

infrastruktur Sistem Pemantauan Bumi Nasional (SPBN) dan 1 prototipe sistem

perekayasaan konten informasi Sistem Pemantauan Bumi Nasional.

(1) Prototipe pengembangan sistem perekayasaan infrastruktur Sistem

Pemantauan Bumi Nasional (SPBN)

Pengembangan infrastruktur Sistem Pemantauan Bumi Nasional untuk

mendukung program diseminasi hasil-hasil litbang dan operasionalisasi

pemanfaatan penginderaan jauh untuk sumber daya alam dan mitigasi bencana.

Program Kegiatan Rekayasa Sistem Pemantauan Bumi Nasional (Earth

Observation System) merupakan jembatan yang sangat baik antara hasil penelitian,

pengembangan dan perekayasaan pemanfaatan penginderaan jauhdengan para

stakeholder. Program Kegiatan Rekayasa Sistem Pemantauan Bumi Nasional

bertujuan menyediakan Framework di Pusat Pemanfaatan Penginderaan Jauh -

LAPAN, untuk mengintegrasikan semua hasil litbang dan produksi informasi ke

dalam suatu sistem yang memberikan jaminan adanya interoperabilitas dan

kemudahan akses informasi pemanfaatan penginderaan jauh oleh para pengguna

secara luas, sehingga dapat dengan mudah ditemukan, digabungkan, dievaluasi

dan digunakan ulang.

Perkembangan ilmu dan teknologi membawa pengaruh terhadap

perkembangan jenis informasi yang semakin tinggi resolusinya baik resolusi

spektral maupun spasial. Demikian juga dengan perkembangan teknologi informasi

dan komunikasi spasial yang memungkinkan orang dapat memperoleh informasi

pemanfaatan penginderaan jauh yang cepat dan akurat. Hal tersebut menjadi

tantangan bagi peneliti dan perekayasa di Pusat Pemanfaatan Penginderaan Jauh

untuk terus mengembangkan metode dan model pemanfaatan penginderan

jauhyang lebih baik sehingga lebih dapat dipercaya. Demikian juga dengan



53

penyampaian informasi publik hasil penelitian, pengembangan dan

perekayasaandengan cepat dan akurat kepada masyarakatpengguna secara luas.

Gambar 37. Perancangan konseptual dan implementasi SPBN

Untuk menjawab tantangan tersebut, maka Pusat Pemanfaatan Penginderaan

Jauhmencanangkan dan menyelenggarakan Program Kegiatan Rekayasa Sistem

Pemantauan Bumi Nasional dengan tema Pengembangan Sistem Otomatisasi dan

Diseminasi Informasi Pemanfaatan Penginderaan. Ada dua prioritas kegiatanyaitu

Rekayasa Infrastrukturdan Konten Informasi Sistem Pemantauan Bumi Nasional.

Prototipe sistem perekayasaan infrastruktur Sistem Pemantauan Bumi Nasional

(SPBN) dikembangkan dengan GeoNode dan GET SDI Portal. Prototipe Geoportal

SPBN berbasis platform GeoNode yang telah dikembangkan bersifat free dan open

source software.



54

Dengan selesainya pelaksanaan program kegiatan tersebut diharapkan dapat

menjamin kontinuitas ketersediaan informasi hasil penelitian, pengembangan dan

perekayasaan pemanfaatan penginderaan jauh dan dapat lebih berdaya guna bagi

masyarakat pengguna, model atau metode yang dibangun lebih akurat, sistem

mudah dioperasikan dan dapat meningkatkan kinerja organisasi menjadi pusat

unggulan pemanfaatan penginderaan jauh. Gambar 37 memperlihatkan

perancangan konseptual dan implementasi SPBN

(2) Prototipe sistem perekayasaan konten informasi Sistem Pemantauan Bumi

Nasional

Rekayasa konten dan informasi Sistem Pemantauan Bumi Nasional untuk

mendukung ketahanan pangan dan sumber daya kelautan. Prototipe sistem

perekayasaan konten informasi Sistem Pemantauan Bumi Nasional memberikan

capaian berupa integrasi konten informasi hasil litbang kedalam SPBN dengan

GeoNode dan GET SDI Portal dengan ouput berupa standarisasi data/informasi,

metadata, tabulasi, simbol dari setiap informasi yang akan ditampilkan pada SPBN.

SPBN memberikan dukungan untuk menyebarkan informasi pemanfaatan data

penginderaan jauh bagi pengambil keputusan dan mitra dalam persiapan dan

respon terhadap keadaan darurat bencana. Informasi Pemanfaatan Penginderaan

Jauh dalam SPBN dikelompokkan dalam dua kelompok yaitu Sistem Informasi

Mitigasi Bencana Alam (SIMBA) dan Sistem Informasi Sumber daya Alam

(SIPANDA). SIMBA adalah layanan informasi peringatan dini dan tanggap darurat

bencana berbasis data penginderaan jauh. Informasi ini ditujukan sebagai bahan

masukan bagi para pemangku kepentingan (diantaranya: Kementerian Lingkungan

dan Kehutanan, Badan Nasional Penanggulangan Bencana, pemerintah daerah dll)

baik di tingkat pusat maupun di tingkat daerah terkait kondisi sebelum, pada saat,

dan sesudah terjadinya bencana. Jenis informasi yang disajikan di SIMBA adalah

Sistem Peringkat Bahaya Kebakaran (SPBK), hotspot, potensi banjir, letusan

gunung api dan informasi bekas lahan terbakar. Informasi tersebut dalam format

webgis atau pdf.



55

SIPANDA adalah layanan informasi mengenai sumberdaya alam dan

lingkungan wilayah darat, pesisir dan laut berbasis data satelit penginderaan jauh.

Informasi ini ditujukan sebagai bahan masukan bagi para pemangku kepentingan

(diantaranya: Kementerian Pertanian, Kementerian Lingkungan dan Kehutanan,

Kementerian Kelautan dan Perikanan, pemerintah daerah dll) baik di tingkat pusat

maupun di tingkat daerah untuk pengelolaan sumber daya alam dan lingkungan

yang lestari. Jenis informasi yangdisajikan dalam SIPANDA adalah Sebaran

Mangrove, Zona Potensi Penangkapan Ikan (ZPPI), Pemantauan Fase

Pertumbuhan Padi, Informasi hutan dan non hutan dan Kualitas air danau.

Informasi tersebut dalam format webgis dan pdf. SIMBA dan SIPANDA diperbarui

harian, delapan harian, bulanan dan tahunan. Gambar 38 memperlihatkan tampilan

halaman muka SPBN hasil modifikasi sistem GeoNode.

Gambar 38. Tampilan halaman muka SPBN hasil modifikasi sistem GeoNode

dokumen litbangyasa pusat pemanfaatan penginderaan jauh...

Documents