Upload
others
View
22
Download
0
Embed Size (px)
Citation preview
LAPORAN AKHIR
PENELITIAN DOSEN PEMULA
DETEKSI PERKEMBANGAN LAHAN TERBANGUN
KOTA GORONTALO BERDASARKAN CITRA LAST
(LANDSAT, ASTER, & SENTINEL-2A)
TIM PENGUSUL
Arthur Gani Koto, M.Sc. (NIDN 0915037803) KETUA TIM
Ivan Taslim, M.T (NIDN 0911018304) ANGGOTA TIM
UNIVERSITAS MUHAMMADIYAH GORONTALO
OKTOBER 2018
Kode/Nama Rumpun Ilmu : 444/ Penginderaan Jauh
Bidang Fokus : Teknologi Informasi dan Komunikasi
Judul
Peneliti./PelaksanaNama LengkapPerguruan TinggiNIDNJabatan FungsionalProgram StudiNomor HPAlamat surel (e-mail)Anggota (1)Nama LengkapNIDNPerguruan TinggiInstitusi Mitra (iika ada)Nama Institusi MitraAlamatPenanggung JawabTahun PelaksanaanBiaya Tahun Be{alanBiaya Keseluruhan
HALAMAN PENGESAHAN
DETEKSI PERKEMBANGAN LAHAN TERBANGUNKOTA GORONTALO BERDASARKAN CITRA LAST(LANDSAT, ASTER, & SENTTNEL-2A)
ARTHUR GANI KOTO, M.Sc.Universitas Muhammadiyah Gorontalo0915037803Asisten [email protected]
IVAN TASLIM S.Si, M.T091 l0l 8304
Universitas Muhammadiyah Gorontalo
: Tahun ke 1 dari rencana 1 tahun: Rpo: Rp0
M.Pd) GXNI KOTO, M.Sc.)/NrK 091s037803
6fr
0023037106
iii
ABSTRAK
Lahan terbangun mudah ditemukan di wilayah perkotaan yang merupakan
penggunaan lahan paling banyak dibandingkan penggunaan lahan lainnya. Perkembangan
lahan terbangun turut meningkat seiring pertambahan jumlah penduduk dan peningkatan
aktivitas ekonomi. Sebagian besar aktivitas penduduk berupa ekonomi, jasa, perdagangan,
perkantoran, pendidikan, kesehatan, dan sarana hiburan yang terpusat di wilayah perkotaan
menyebabkan ketersediaan lahan non-terbangun kian menyusut pula. Deteksi lahan
terbangun dapat dikaji dari data penginderaan jauh menggunakan indeks perkotaan (urban
index), klasifikasi (supervised and unsupervised classification), dan saluran spektral
(spectral bands). Penelitian ini bertujuan mendeteksi lahan terbangun berdasarkan citra
multis-sensor dan multi-temporal. Citra landsat 5 TM, landsat 8, ASTER, dan sentinel-2B
(LAST) digunakan dalam penelitian ini. Pengolahan citra digital dilakukan pada masing-
masing citra yang menggunakan metode klasifikasi terbimbing algoritma support vector
machine (SVM). Sebanyak empat kelas tutupan lahan diambil, yaitu lahan terbangun,
vegetasi, lahan terbuka dan tubuh air. Sampel kelas lahan terbangun diambil sebanyak 31
titik secara random sampling yang tersebar di wilayah penelitian. Uji validasi dilakukan
untuk masing-masing citra berdasarkan ground check. Hasil penelitian menunjukkan bahwa
ada perbedaan luasan informasi lahan terbangun yang disebabkan perbedaan resolusi
spasial. Selain itu menunjukkan adanya perkembangan lahan terbangun ke arah utara.
Kata kunci : lahan terbangun, landsat, aster, sentinel, klasifikasi terbimbing, gorontalo
ABSTRACT
Built-up is easy to find in the urban area and most from other land use. The developed built-up also increases with population growth and economic activity. Most population activities (economy, services, trade, offices, education, health and entertainment facilities) that are concentrated in urban area have also reduced the availability of non-built-up. Detection of built-up can be assessed from remote sensing data using urban index, classification (supervised and unsupervised), and spectral bands. This study aims to detect built-up land based on mult-isensor and multi-temporal imagery. Landsat 5 TM, Landsat 8, ASTER, and sentinel-2B (LAST) imageries were used in this study. Digital image processing is performed on each image using the supervised classification method of support vector machine (SVM) algorithm. A total of four land cover classes were taken, namely built-up, vegetation, bare land and water bodies. Each land cover class is taken at least 100 pixels. The validation test was carried out for each image based on the ground check using the error matrix method. The results showed that there was a difference in accuracy in reducing information on built-up due to differences in spatial resolution and showed the development of built-up to the north.
Keywords: built-up, landsat, aster, sentinel-2B, , supervised classification, svm, gorontalo
iv
PRAKATA
Segala puji hanya bagi Allah , kita memuji-Nya, memohon pertolongan-Nya,
mengharapkan petunjuk-Nya dan ampunan-Nya, serta berlindung kepada Allah dari
kejahatan hawa nafsu kita dan kejahatan amalan kita. Saya bersaksi tidak ada
sesembahan yang haq kecuali Allah satu-satunya, tidak ada sekutu bagi-Nya. Saya
bersaksi pula bahwa Muhammad adalah seorang hamba dan utusan Allah .
Alhamdulillah akhirnya selesai juga penyusunan Laporan Akhir Penelitian “Deteksi
Perkembangan Lahan Terbangun Kota Gorontalo Berdasarkan Citra LAST (landsat, ASTER
dan Sentinel-2B)”. Penelitian ini merupakan skim Penelitian Dosen Pemula (PDP) yang
diselenggarakan oleh Direktorat Riset Penelitian dan Pengabdian Masyarakat (DRPM)
Kementerian Riset, Teknologi dan Pendidikan Tinggi (Kemenristekdikti) untuk Tahun
Anggaran 2018. Laporan hasil penelitian ini disusun selama kurang lebih 6 bulan mulai
dari penyusunan proposal, pengumpulan dan akuisisi data, pengolahan dan analisis data,
hingga penyusunan berkas-berkas administrasi. Output laporan hasil penelitian ini yaitu
jurnal nasional ber-ISSN tidak terakreditasi.
Penulis mengucapkan terima kasih kepada DRPM KEMENTISTEKDIKTI yang telah
memberikan bantuan dana. Semoga laporan penelitian ini bermanfaat bagi yang
membutuhkan. Saran dan kritik mohon ditujukan ke [email protected].
Terimakasih.
Gorontalo 14 Oktober 2018
Penulis,
Arthur Gani Koto
v
DAFTAR ISI
HALAMAN SAMPUL …………………………………………………… i
LEMBAR PENGESAHAN ………………………………………………. ii
RINGKASAN …………………………………………………………….. iii
PRAKATA ………………………………………………………………….. iv
DAFTAR ISI ………………………………………………………………. v
DAFTAR TABEL ………………………………………………………….. vi
DAFTAR GAMBAR ………………………………………………………. vii
BAB 1. PENDAHULUAN ………………………………………………. 1
1.1. Latar Belakang ………………………………………………. 1
1.2. Rumusan Masalah ……………………………………………. 2
1.3. Rencana Target Capaian …………………………………… 2
BAB 2. TINJAUAN PUSTAKA …………………………………………... 3
2.1. Landsat ………………………………………………………. 3
2.2. ASTER ……………………………………………………… 4
2.3. Sentinel-2A ….……………………………………………….. 5
BAB 3. TUJUAN DAN MANFAAT PENELITIAN ……………………… 7
3.1. Tujuan Penelitian ………………………………………………. 7
3.2. Manfaat Penelitian …………………………………………… 7
BAB 4. METODE PENELITIAN ………………………………………… 8
4.1. Lokasi Penelitian ………………………..…………………… 8
4.2. Alat dan Data ………………………………………………… 11
4.3. Metode Penelitian …………………………………………. 11
BAB 5. HASIL DAN LUARAN YANG DICAPAI ………………………. 13
5.1. Hasil ……………….………………………………………….. 13
5.1.1. Pra Pengolahan Citra Landsat 5 TM dan Landsat 8 …… 13
5.1.2. Pengolahan Citra Landsat 5 TM dan landsat 8 ………… 15
5.1.3. Pra Pengolahan Citra ASTER …………………………. 18
5.1.4. Pengolahan Citra ASTER ……………………………… 19
5.1.5. Pra Prosesing Citra Sentinel-2B ………………………. 20
5.1.6. Pengolahan Citra Sentinel-2B ………………………… 21
5.1.7. Pengambilan titik sampel ……………………………… 22
vi
5.1.8. Lahan Terbangun Kota Gorontalo …………………….. 24
5.2. Luaran yang dicapai ………………………………………….. 24
BAB 6. RENCANA TAHAPAN SELANJUTNYA ………………………. 25
BAB 7. SIMPULAN DAN SARAN ……………………………………… 26
7.1. Simpulan …………………………………………………….. 26
7.2. Saran …………………………………………………………. 26
DAFTAR PUSTAKA
LAMPIRAN
vii
DAFTAR TABEL
Tabel 2.1. Perbandingan Saluran Spektral Landsat 7 ETM+ dan Landsat OLI/TIRS... 3
Tabel 2.2. Karakteristik saluran ASTER……………………………………………... 4
Tabel 2.3. Karakterisrik saluran Sentinel-2 ………………………………………… 5
Tabel 4.1. Jumlah penduduk Kota Gorontalo Tahun 2014 …………………….…. 9
Tabel 5.1. Informasi masing-masing citra ………………………………………… 13
Tabel 5.2. Luas wilayah masing-masing kelas tutupan lahan Kota
Gorontalo dari citra landsat 5 TM tahun 1997 ………………………….. 16
Tabel 5.3. Luas wilayah masing-masing kelas tutupan lahan Kota
Gorontalo dari citra landsat 8 tahun 2018 ..…………………………… 18
Tabel 5.4. Luas wilayah masing-masing kelas tutupan lahan Kota
Gorontalo dari citra ASTER tahun 2016 ………………………………… 19
Tabel 5.5. Luas wilayah masing-masing kelas tutupan lahan
Kota Gorontalo dari citra Sentinel-2B tahun 2018 ……………………… 21
Tabel 5.6. Perbandingan hasil interpretasi citra dengan cek lapangan …………… 23
viii
DAFTAR GAMBAR
Gambar 4.1. Lokasi Penelitian …………………………………………… 8
Gambar 4.2. Peta Jumlah Penduduk Kota Gorontalo ………………………. 10
Gambar 4.2. Diagram alir penelitian ……………………………………. 12
Gambar 5.1. Citra landsat 5 TM Kota Gorontalo (komposit 432) …………. 14
Gambar 5.2. Citra landsat 8 Kota Gorontalo (komposit 543) ………………. 14
Gambar 5.3. Citra landsat 5 TM Kota Gorontalo (komposit 754) …………. 15
Gambar 5.4. Citra landsat 8 Kota Gorontalo (komposit 764) ………………. 16
Gambar 5.5. Tutupan lahan Kota Gorontalo dari citra landsat 5 TM
tahun 1997 …………………………………………………….. 17
Gambar 5.6. Tutupan lahan Kota Gorontalo dari citra landsat 8
tahun 2018 …………………………………………………….. 17
Gambar 5.7. Citra ASTER Kota Gorontalo tahun 2016 (komposit 123) ……. 18
Gambar 5.8. Tutupan lahan Kota Gorontalo dari citra ASTER tahun 2016 … 19
Gambar 5.9. Citra sentinel-2B Kota Gorontalo (komposit 843) ……………. 20
Gambar 5.10. Tutupan lahan Kota Gorontalo citra sentinel-2B ……………. 21
Gambar 5.11. Sebaran lokasi titik sampel …………………………………. 22
1
BAB 1. PENDAHULUAN
1.1. Latar Belakang
Teknologi penginderaan jauh yang semakin berkembang saat ini telah banyak
dimanfaatkan oleh berbagai kalangan dan berbagai kepentingan, baik untuk perencanaan,
pengembangan, pemantauan, pemodelan, maupun manajemen bencana. Perkembangan
satelit penginderaan jauh tersebut meliputi resolusi spasial, radiometrik, temporal dan
spektral. Lahan terbangun perkotaan dapat dideteksi menggunakan citra multispektral
resolusi tinggi dan menengah. Citra resolusi tinggi diantaranya IKONOS, Quickbird,
Pleiades, Worldview, SPOT 7, Orbview, GeoEye. Citra resolusi menengah semisal
SENTINEL, ASTER, Landsat, dan SPOT 5.
Salah satu masalah penting dalam pemetaan wilayah perkotaan adalah menganalisis
perubahan penggunaan lahan dari non-pemukiman ke pemukiman (As-syakur et al 2012).
Menurunkan informasi lahan terbangun perkotaan dapat menggunakan citra satelit resolusi
tinggi (CSRT) maupun citra resolusi spasial menengah. Pada CSRT, metode yang digunakan
yaitu interpretasi visual sebab kenampakan objek permukaan bumi sangat detil sehingga
mudah diinterpretasi dan delineasi. Berbeda halnya dengan citra satelit resolusi spasial
menengah yang kenampakannya tidak begitu detil dan sulit untuk dilakukan interpretasi
visual sehingga metode yang digunakan yaitu dengan memanfaatkan panjang gelombang
(wavelength) tertentu untuk membangun algoritma.
Zhang et al (2014) menyatakan terdapat tiga metode ekstraksi citra penginderaan
jauh untuk wilayah terbangun di perkotaan yaitu : berdasarkan indeks spektral, kombinasi
data spektral dan informasi spasial, dan menggunakan data multi sensor. Perencanaan
perkotaan membutuhkan waktu dan analisis spasial dan temporal sebagai informasi untuk
pengambilan keputusan (Bhaskaran et al 2010).
Kota-kota besar di Indonesia terutama ibukota propinsi, tiap tahun mengalami
perkembangan lahan terbangun yang semakin meningkat. Kota Gorontalo yang merupakan
ibukota Propinsi Gorontalo, tiap tahun mengalami perkembangan lahan terbangun, seperti
penelitian yang dilakukan Maryati et al (2015). Perkembangan lahan terbangun Kota
Gorontalo yang meningkat tiap tahun mengancam terjadinya alih fungsi lahan sehingga
dengan adanya informasi spasial lahan terbangun dapat mengetahui arah perkembangan, dan
besarnya alih fungsi lahan yang terjadi.
Pemanfaatan teknologi penginderaan jauh yang memanfaatkan citra digital optis
resolusi menengah seperti landsat, ASTER, dan Sentinel-2A (LAST) merupakan salah satu
2
data yang dapat diturunkan menjadi informasi mengenai perkembangan lahan terbangun
Kota Gorontalo. Meskipun citra LAST tersebut berbeda resolusi spasial, temporal,
radiometrik, dan spektral, namun dapat diterapkan untuk kajian perkotaan seperti pada
penelitian yang dilakukan Kaimaris & Patias (2016), Lefebvre et al (2016), Pesaresi et al
(2016), Maryati et al (2015), Bhatti & Tripathi (2014), As-syakur et al (2012), Jieli et al
(2010), dan Xu (2008).
1.2. Rumusan Masalah
Lahan terbangun merupakan salah satu penggunaan lahan yang ada di wilayah
perkotaan dan terkadang menimbulkan permasalahan dalam pengembangannya.
Berdasarkan latar belakang diatas dapat ditarik beberapa rumusan masalah berikut :
1. Bagaimana perkembangan lahan terbangun Kota Gorontalo?
2. Bagaimana perbandingan kemampuan citra LAST dalam menurunkan informasi lahan
terbangun?
1.3. Rencana Target Capaian
No. Jenis Luaran Indikator Capaian
Kategori Sub Kategori Wajib Tambahan TS TS+1 TS+2
1
Artikel
ilmiah dimuat
di jurnal
Nasional tidak
terakreditasi
Accepted/
published
Accepted/
published
2 Tingkat Kesiapan Teknologi
(TKT) 2 2
3
BAB 2. TINJAUAN PUSTAKA
2.1. Landsat
Landsat 8 dirancang untuk melanjutkan Landsat TM dan ETM+ yang telah berhenti
beroperasi. Landsat 8 mempunyai dua sensor yaitu Operational Land Imager (OLI) dan
Thermal Infrared Sensor (TIRS), dan 11 saluran spektral yang terdiri atas resolusi spasial 30
m (saluran 1-7, dan 9-11), dan resolusi spasial 15 m (saluran 8). Saluran spektral yang
terdapat pada Landsat ETM+ dan Landsat 8 disajikan dalam Tabel 2.1.
Tabel 2.1. Perbandingan saluran spektral Landsat 7 ETM+ dan Landsat 8 OLI/TIRS
(Sumber : Li, 2014)
Indeks untuk menemukan dan menghitung lahan terbangun perkotaan telah
dilakukan oleh Kaimaris dan Patias (2016) dengan memanfaatkan citra Landsat ETM +.
Built-Up Index (BUI) dibangun menggunakan saluran merah, SWIR1 dan SWIR2 yang
diterapkan pada empat kota di Negara Yunani dimana akurasi keseluruhan paling tinggi
(90%) dibanding indeks lahan terbangun UI (Kawamura et al, 1996), NDBI (Zha et al,
2003), IBI (Xu, 2008), NBI (Jieli et al, 2010), dan EBBI (As-syakur et al, 2012).
Penelitian Bhatti & Tripathi (2014) menggunakan Landsat 8 OLI dengan
menemukan metode baru yaitu BAEM (Built-up Area Eextraction Method) yang
dibandingkan dengan NDBI (akurasi keseluruhan 71,50%) karena kurang cocok diterapkan
di Kota Lahore, Pakistan untuk mengekstrak wilayah lahan terbangun yang memanfaatkan
algoritma NDBI, NDVI dan MNDWI menunjukkan akurasi keseluruhan 80,50%.
Landsat 8 OLI dan TIRS Landsat 7 ETM+ Resolution
(m) Bands Wavelength
(µm) Bands
Wavelength
(µm)
Band1 – coastal Aerosol 0.43 - 0.45 NA - 30
Band2 – blue 0.45 - 0.51 Band1 0.45 - 0.52 30
Band3 – green 0.53 - 0.59 Band2 0.52 - 0.60 30
Band4 – red 0.64 - 0.67 Band3 0.63 - 0.69 30
Band5 – near infrared 0.85 - 0.88 Band4 0.77 - 0.90 30
Band6 – SWIR1 1.57 - 1.65 Band5 1.55 - 1.75 30
Band7 – SWIR2 2.11 - 2.29 Band7 2.09 - 2.35 30
Band8 - panchromatic 0.50 - 0.68 Band8 0.52 - 0.90 15
Band9 – Cirrus 1.36 - 1.38 NA - 30
Band10 – TIRS1 10.60 - 11.19 Band6 10.40 - 12.50
TIRS/ETM+
Band11 – TIRS2 11.50 - 12.50 100/60
4
Citra Landsat multi temporal (1991, 2001, dan 2013) dimanfaatkan untuk
mengetahui arah perkembangan Kota Gorontalo yang menggunakan metode interpretasi
visual (on screen digitazition) dimana menghasilkan kesimpulan bahwa perkembangan
lahan terbangun Kota Gorontalo mengarah ke utara dan ke timur.
2.2. ASTER
Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)
merupakan citra multispektral yang diluncurkan oleh NASA Terra pada Bulan Desember
1999. ASTER merupakan hasil kerjasama NASA dan Kementerian Industri & Ekonomi
Perdagangan (METI) Jepang yang berkolaborasi dalam bidang sains dan industri. ASTER
memiliki jumlah saluran sebanyak 14 buah yang terdiri dari saluran visible, near infrared
(NIR), short wave infrared (SWIR), dan thermal infra merah (TIR). Resolusi spasial 15m
untuk VNIR, 30m SWIR dan 90m TIR. Citra ASTER dapat merekam permukaan bumi
seluas 60 x 60 km. Karakteristik saluran citra ASTER selengkapnya disajikan pada Tabel
2.2.
Tabel 2.2. Karakteristik saluran ASTER
(Sumber : ASTER Users Handbook, 2002)
Subsyste
m
Band
No.
Spectral Range
(µm)
Spatial
resolution
(m)
Quantization
Levels (bits)
VNIR
1 0.52 – 0.60
15 8 2 0.63 – 0.69
3N 0.78 – 0.86
3B 0.78 – 0.86
SWIR
4 1.60 – 1.70
30 8
5 2.145 – 2.185
6 2.185 – 2.225
7 2.235 – 2.285
8 2.295 – 2.365
9 2.360 – 2.430
TIR
10 8.125 – 8.475
90 12
11 8.475 – 8.825
12 8.925 – 9.275
13 10.25 – 10.95
14 10.95 – 11.65
5
Pemanfaatan citra ASTER untuk analisis lahan terbangun perkotaan telah dilakukan
oleh Chen et al (2007) dengan metode klasifkasi maximum likelihood dengan pendekatan
object oriented menggunakan perangkat lunak eCognition. Kelas penutup lahan dibagi tiga,
yaitu perairan (sungai, danau, kolam ikan), non-vegetasi (lahan terbuka, tanah kedap air),
dan vegetasi (lahan pertanian, hutan, padang rumput). Hasil akhir menunjukkan akurasi
keseluruhan 85%.
Perbandingan Landsat 7 ETM+ dan ASTER untuk pemetaan lahan terbangun di
kawasan pesisir selatan Negara China dilakukan oleh Xu et al (2013) dengan tiga
pendekatan, yaitu per-band-based, index-based, dan perbandingan classification-based.
Indeks lahan terbangun yang digunakan yaitu IBI dan klasifkasi supervised algoritma SVM.
Hasilnya menunjukkan bila ETM+ dan ASTER serupa secara keseluruhan pada pemetaan
lahan terbangun namun berbeda dalam beberapa aspek. Nilai IBI pada ASTER secara
konsisten lebih tinggi daripada ETM+ (45,54%). Wilayah lahan terbangun (IBI) dari citra
ASTER juga lebih tinggi dari ETM+ (5,9-6,3%) dan pada klasifikasi SVM 3,9-6,1%.
2.3. Sentinel-2A
Sentinel-2A merupakan satelit penginderaan jauh buatan European Space Agency
(ESA) yang diluncurkan tengah malam pada tanggal 23 Juni 2015 di Perancis dan citranya
pertama kali dapat diunduh bulan Desember 2015. Satelit ini dirancang untuk beroperasi
selama 7 tahun dan dapat berfungsi selama 12 tahun. Karakteristik citra Sentinel-2A yaitu
memiliki 13 saluran spektral (VNIR dan SWIR), resolusi spasial 10m/20m/60m, melintasi
khatulistiwa pukul 10.30am, resolusi radiometrik 12 bit, dan dapat merekam permukaan
bumi seluas 290 km. Citra Sentinel-2A merupakan citra multispektral yang tiap salurannya
dapat digunakan untuk berbagai kajian sumberdaya alam permukaan bumi. (Sentinel-2 user
handbook, 2015). Karakteristik citra Sentinel-2A disajikan pada Tabel 2.3.
Tabel 2.3. Karakteristik saluran Sentinel-2
(Sumber : Sentinel-2 User Handbook, 2015)
Bands Purpose
Pixel
Resolution
(m)
Center
Wavelength
(nm)
1 (Aerosol) Cloud screening and atmospheric
corrections 60 443
2 (Blue) Sensitive to vegetation sensing,
carotenoid, browning and soil
background; atmospheric correction
(aerosol scattering)
10 490
3 (Green) Green peak, sensitive to total
chlorophyll in vegetation 10 560
4 (Red) Maximum chlorophyll absorption 10 665
5 (Vegetation) Position of red edge; consolidation of 20 705
6
Bands Purpose
Pixel
Resolution
(m)
Center
Wavelength
(nm)
atmospheric corrections /
flourescence baseline
6 (Vegetation) Position of red edge, atmospheric
correction, retrieval of aerosol load 20 740
7 (Vegetation) Leaf Area Index (LAI), edge of the
Near-Infrared (NIR) plateau 20 783
8 (NIR) Leaf Area Index (LAI) 10 842
8A (Vegetation) NIR plateau, sensitive to total
chlorophyll, biomass, LAI and
protein; water vapour absorption
reference; retrieval of aerosol load
and type
20 865
9 (Water vapour) Cloud screening and atmospheric
corrections 60 945
10 (Cirrus) Cloud screening and atmospheric
corrections 60 1375
11 (SWIR) Snow/ice/cloud detection or
vegetation moisture stress
assessment
20 1610
12 (SWIR) Snow/ice/cloud detection or
vegetation moisture stress
assessment
20 2190
Levebre et al (2016) menemukan kegunaan pemanfaatan citra Sentinel-2A untuk
pemantauan wilayah kota yang dilakukan pada Kota Prague, Ceko dan Kota Rennes,
Perancis dengan metode fusi citra Landsat dan Sentinel-2A memakai teori Dempster–Shafer.
Penelitian tersebut menghasilkan nilai Kappa 0,9 yang menandakan bahwa citra Sentinel-
2A dapat diterapkan pada wilayah yang luas termasuk di Benua Eropa dan secara global di
negara lain.
Pemetaan lahan terbangun dibawah proyek The Global Human Settlement Layer
(GHSL) yang didanai The European Commission, Joint Research Centre, yang bertujuan
menemukan sistem dan metode yang terpercaya untuk pemetaan wilayah lahan terbangun
menggunakan data penginderaan jauh, yaitu citra Sentinel-2A. Metode klasifikasi citra yang
disebut Symbolic Machine Learning (SML) berguna untuk pemetaan tutupan lahan wilayah
perkotaan secara detil yang telah diuji coba dan diimplementasikan untuk tujuan : 1) uji
kemampuan klasifikasi SML pada citra Sentinel-2A; 2) evaluasi citra Sentinel-1 dan
Sentinel-2 yang saling melengkapi; dan 3) memahami kegunaan citra Sentinel-2 sebagai
pengganti Landsat untuk pemetaan lahan terbangun secara global (Pesaresi et al 2016).
7
BAB 3. TUJUAN DAN MANFAAT PENELITIAN
3.1. Tujuan Penelitian
Tujuan penelitian ini adalah :
1. Menganalisis perkembangan lahan terbangun Kota Gorontalo
2. Membandingkan kemampuan citra LAST dalam menurunkan informasi lahan
terbangun
3.2. Manfaat Penelitian
Manafaat penelitian ini adalah
1. Secara akademis, penelitian ini dapat memberi kontribusi ilmiah pada kajian
mengenai ekstraksi lahan terbangun menggunakan citra multispektral yang multi-
sensor dan multi-temporal.
2. Secara praktis, penelitian dapat memberi manfaat melalui analisis yang dipaparkan
pada pihak-pihak yang membutuhkan yang berkecimpung dalam pengolahan citra
digital khususnya citra multispektral.
8
BAB 4. METODE PENELITIAN
4.1. Lokasi Penelitian
Penelitian ini dilakukan di Kota Gorontalo. Secara administratif, Kota Gorontalo
berbatasan dengan Kab. Bone Bolango dan Kab. Gorontalo sebelah Utara, Kab. Gorontalo
sebelah Barat, Kab. Bone Bolango sebelah Timur, dan sebelah selatan Teluk Tomini. Lokasi
wilayah penelitian selengkapnya disajikan pada Gambar 3.1. Kota Gorontalo memiliki 9
kecamatan dengan total luas wilayah 79,03 km2 dan jumlah penduduk 192.031 jiwa. Sebagai
ibukota propinsi, Kota Gorontalo merupakan pusat pemerintahan, perdagangan, jasa,
ekonomi, dan politik. Beragamnya aktivitas penduduk dan fasilitas yang memadai,
menjadikan wilayah ini terdapat kantor pemerintahan, rumah sakit, masjid raya, taman kota,
ruang terbuka hijau, stadion, pusat pertokoan, dan pasar besar. Tabel 3.1 menyajikan jumlah
penduduk Kota Gorontalo.
Kota Gorontalo termasuk kategori kota besar, yang merupakan kota dengan jumlah
penduduk yang terbesar. Daldjoeni (2014) membagi kriteria kota berdasarkan jumlah
penduduk sebagai berikut :
- Kota kecil -> jumlah penduduk 20.000 – 50.000 jiwa
- Kota sedang -> jumah penduduk 50.000 – 100.000 jiwa
- Kota besar -> 100.000 – 1 juta jiwa
- Kota metropolitan -> lebih besar dari 1 juta jiwa
Gambar 4.1. Lokasi Penelitian
9
Tingginya jumlah penduduk disertai meningkatnya aktivitas penduduk, berimbas
pada ketersediaan lahan permukiman dan kawasan perdagangan yang semakin terbatas.
Akibatnya, lahan pertanian (sawah dan lahan kering) diganti peruntukannya menjadi
kawasan permukiman, perdagangan, dan jaringan jalan.
Tabel 4.1. Jumlah penduduk Kota Gorontalo Tahun 2014
(Sumber : Kota Gorontalo Dalam Angka, 2016)
No. Kecamatan Luas Wilayah
(km2)
Jumlah Penduduk
(jiwa)
1 Kota Barat 28,08 22.247
2 Dungingi 4,67 24.076
3 Kota Selatan 2,81 22.311
4 Kota Timur 5,32 26.396
5 Hulontalangi 14,23 16.508
6 Dumbo Raya 14,04 18.378
7 Kota Utara 8,02 17.780
8 Kota Tengah 4,81 26.698
9 Sipatana 5,05 17.637
Jumlah 79,03 192.031
10
Gambar 4.2. Peta Jumlah Penduduk Kota Gorontalo
11
4.2. Alat dan Data
Alat yang digunakan dalam penelitian ini adalah PC Desktop (AMD FX 8300, RAM
4 GB, VGA Card 4 GB ATI Radeon R270), dan perangkat lunak pengolah data spasial :
ArcGIS, ENVI, dan QGIS. Data yang digunakan yaitu citra Landsat 5 TM perekaman 30
Agustus 1997, Landsat 8 perekaman 13 Februari 2018, ASTER perekaman 3 Maret 2016,
citra Sentinel-2B perekaman 18 Maret 2018, DEMNAS (2316-133, 2316-411, 2216-622)
peta BPS-KEMENTAN (2010), DEMNAS dan observasi lapangan.
4.3. Metode Penelitian
Metode penelitian berdasarkan pengolahan citra digital. Citra Landsat, ASTER dan
Sentinel-2B. Citra Landsat 8 menggunakan saluran 1-7 yang masing-masing memiliki
resolusi spasial 30 m. Saluran citra ASTER yang digunakan yaitu VNIR (1,2,3N). Saluran
tersebut memiliki resolusi spasial 15 m. Citra Sentinel-2B menggunakan saluran
2,3,4,5,6,7,8,8A,11,12. Citra LAST kemudian dilakukan proses layer stacking.
Citra LAST telah terkoreksi geometrik sehingga tidak diperlukan koreksi lagi,
namun citra tetap diperiksa posisinya menggunakan data Peta RBI digital skala 1: 50.000
wilayah administrasi Kota Gorontalo dan ASTER GDEM2. Citra LAST kemudian dipotong
sesuai dengan wilayah kajian penelitian. Pengambilan region of interest (roi) sampel citra
dilakukan pada obyek yang diduga lahan terbangun dan merata pada wilayah kajian.
Klasifikasi tak terselia (unsupervised) digunakan sebagai interpretasi awal untuk
memperoleh klasifikasi tutupan lahan secara temporary, dan dijadikan peta dasar untuk
dibawa ke lapangan. Hasil dari lapangan kemudian di reinterpretasi dan dilakukan klasifkasi
terselia (supervised) kemudian dilakukan uji perbandingan tiap citra. Klasifikasi terselia
menggunakan algoritma support vector machine (SVM). Diagram alir penelitian disajikan
pada Gambar 3.2.
12
z
Gambar 4.3. Diagram alir penelitian
ASTER 2016
Sentinel-2B 2018
Band 1,2,3,4,5,7
Band 1,2,3,4,5,6,7
Band 1,2,3N
2,3,4,5,6,7,8,8A,11,12
Landsat 5TM 1997
Landsat 8 2018
Pemotongan Citra
Citra
Layer Stacking
BPS-KEMENTAN Digital, DEMNAS
Penajaman
Klasifikasi supervised
Citra
Peta Tentatif
Citra
Cek Lapangan
Citra
Reinterpretasi
reklasifikasi
Peta Lahan Terbangun
Analisis
Uji Validasi
Perkembangan lahan terbangun
13
13
BAB V. HASIL DAN LUARAN YANG DICAPAI
5.1. Hasil
Citra LAST yang berhasil diunduh dari laman www:earthexplorer.usgs.gov
berjumlah 4 scene dimana masing-masing direkam pada tahun 1997, 2016, dan 2018
sebagaimana disajikan pada Tabel 4.1. Keempat citra tersebut direkam pada musim
kemarau dan musim penghujan. Alasan pemilihan waktu perekaman tersebut karena
citra kenampakan citra yang minim awan.
Tabel 5.1. Informasi masing-masing citra
Sensor Date aquired Bands Data type
Landsat 5 TM 30 Agustus 1997 Visible, NIR,
SWIR L1T
Landsat 8 Februari 13, 2018 Visible, NIR,
SWIR, Pan, TIR L1TP
ASTER March 3, 2016 Visible, SWIR L1T
Sentinel-2B May 18, 2018 Visible, NIR,
SWIR L1C
Landsat 5 TM memiliki 7 saluran yang terdiri atas saluran visible, NIR, SWIR
dan thermal. Landsat 8 terdiri atas 11 saluran dengan resolusi spasial 30 m untuk
saluran 1-7, 9, resolusi spasial 15m pankromatik dan resolusi spasial 100m saluran
thermal. Citra ASTER memiliki 3 jenis panjang gelombang yaitu visible, NIR, SWIR
dan thermal infrared. Saluran yang digunakan dalm penelitian ini adalah VNIR
(1,2,3N). Saluran VNIR memiliki resolusi spasial 15 m, SWIR 30m, dan TIR 90 m.
Citra Sentinel-2B memliki 13 saluran yaitu resolusi spasial 10 m (2,3,4,8), resolusi
spasial 20 m (5,6,7,8A,11,12), dan resolusi spasial 60 m (1,9,10).
5.1.1. Pra Pengolahan Citra Landsat 5 TM dan Landsat 8
Format file citra landsat 5 TM dan landsat 8 dalam bentuk *.TIFF. Landsat 5
TM telah terkoreksi geometrik sehingga tidak perlu dilakukan koreksi lagi.
Begitupun landsat 8, berdasarkan metadatanya telah terkoreksi geometrik dan
radiometrik (Landsat 8 Handbook, 2015) sehingga kedua proses tersebut tidak
dilakukan pada penelitian ini. Namun untuk memastikan bila citra telah sesuai
posisinya secara geometrik di permukaan bumi, maka dilakukan teknik tumpang
14
susun (overlay) menggunakan peta digital BPS-KEMENTAN administrasi Kota
Gorontalo dan DEMNAS (digital elevation model nasional).
Gambar 5.1. Citra landsat 5 TM Kota Gorontalo (komposit 432)
Gambar 5.2. Citra landsat 8 Kota Gorontalo (komposit 543)
15
Masing-masing citra kemudian dilakukan proses pemotongan (clipped)
menggunakan data spasial administrasi Kota Gorontalo, sehingga hasil akhirnya
berupa wilayah administrasi Kota Gorontalo sebagaimana disajikan pada Gambar 5.1
dan Gambar 5.2.
Setelah pemotongan citra, proses selanjutnya dilakukan penyatuan saluran
(layer stacking) yang memiliki resolusi spasial 30 m (1,2,3,4,5,6,7) untuk landsat 8
dan untuk landsat 5 TM saluran 1,2,3,4,5,7. Tujuan dilakukannya layer stacking ini
yaitu untuk memudahkan dalam analisis dan interpretasi citra.
5.1.2. Pengolahan Citra Landsat 5 TM dan landsat 8
Kenampakan visual lahan terbangun pada citra landsat 5 TM menggunakan
komposit 754, sebagaimana disajikan pada Gambar 5.3. Untuk kenampakan visual
lahan terbangun pada citra landsat 8, maka digunakan komposit 764 (urban
composite) seperti nampak pada Gambar 5.4. Citra kemudian dilakukan proses
penajaman kontras agar perbedaan antar objek permukaan bumi nampak jelas dan
tajam secara visual, sehingga mudah untuk diinterpretasi.
Komposit 764 tersebut dapat membedakan dengan jelas lahan terbangun
dengan non-terbangun, seperti sawah yang sedang diairi, dan vegetasi. Komposit 764
tersebut memiliki pantulan tinggi pada panjang gelombang SWIR.
Gambar 5.3. Citra landsat 5 TM Kota Gorontalo (komposit 754)
16
Gambar 5.4. Citra landsat 8 Kota Gorontalo (komposit 764)
Klasifikasi tutupan lahan citra landsat 5 TM terdiri atas 4 kelas yaitu lahan
terbangun, vegetasi, lahan terbuka dan tubuh air, selengkapnya disajikan pada Tabel
5.2. Peta tutupan lahan Kota Gorontalo dari citra landsat 5 TM disajikan pada
Gambar 5.5. Klasifikasi tutupan lahan Kota Gorontalo dari citra landsat 8 disajikan
pada Tabel 5.3 dan peta tutupan lahan pada Gambar 5.6.
Tabel 5.2. Luas wilayah masing-masing kelas tutupan lahan
Kota Gorontalo dari citra landsat 5 TM tahun 1997
Tutupan lahan Luas (ha) Persentase (%)
Lahan terbangun 1.669,12 25,70
Tubuh air 2.127,05 32,75
Vegetasi 186,65 2,87
Lahan terbuka 2.512,03 38,68
Jumlah 6.494,85 100
17
Gambar 5.5. Tutupan lahan Kota Gorontalo dari citra landsat 5 TM tahun 1997
Gambar 5.6. Tutupan lahan Kota Gorontalo dari citra landsat 8 tahun 2018
18
Tabel 5.3. Luas wilayah masing-masing kelas tutupan lahan
Kota Gorontalo dari citra landsat 8 tahun 2018
Tutupan lahan Luas (ha) Persentase (%)
Lahan terbangun 2.426,31 37,4
Tubuh air 1.406,45 21,6
Vegetasi 2.662,26 41,0
Jumlah 6.495,02 100
5.1.3. Pra Pengolahan Citra ASTER
Citra ASTER yang diunduh terdiri atas saluran visible near infrared (VNIR)
dan thermal infrared (TIR). Saluran VNIR dengan resolusi spasial 15m mencakup
saluran hijau, merah dan near infrared. Saluran TIR dengan resolusi spasial 90m
terdiri atas saluran 10,11,12,13, dan 14. Citra ASTER ini merupakan level L1T
dimana telah terkoreksi geometrik dan radiometrik (ASTER L1T Product user’s
Guide, 2015). Citra ASTER kemudian dilakukan proses layer stacking untuk saluran
VNIR yang memiliki resolusi spasial 15m.
Gambar 5.7. Citra ASTER Kota Gorontalo tahun 2016 (komposit 123)
19
5.1.4. Pengolahan Citra ASTER
Komposit 321 digunakan untuk melakukan klasifikasi citra. Kelas tutupan
lahan dibagi menjadi emapt kelas yaitu lahan terbangun, vegetasi, tubuh air dan lahan
terbuka. Berbeda dengan citra landsat 8, citra ASTER pada saat perekaman memasuki
peralihan musim panen ke musim tanam padi. Sawah yang diairi nampak sebagai
tanah air dangkal dan sawah yang setelah panen nampak sebagai lahan terbuka.
Gambar 5.8. Tutupan lahan Kota Gorontalo dari citra ASTER tahun 2016
Tabel 5.4. Luas wilayah masing-masing kelas tutupan lahan Kota Gorontalo
dari citra ASTER tahun 2016
Tutupan lahan Luas (ha) Persentase (%)
Lahan terbangun 1.173,96 18,1
Tubuh air 376,58 5,8
Vegetasi 2.492,90 38,4
Lahan terbuka 2.451,56 37,7
Jumlah 6.495,00 100
20
5.1.5. Pra Prosesing Citra Sentinel-2B
Citra sentinel telah terkoreksi radiometrik, geometrik, orthorektifikasi dan
registrasi spasial (Sentinel L1T Handbook, 2015). Terdiri atas 13 saluran dengan
resolusi spasial 10m (2,3,4,8), 20m (5,6,7,8A,11,12), 60m (1,9,10). Saluran yang
digunakan dalam penelitian ini adalah 2,3,4,5,6,7,8,8A,11,12.
Administrasi Kota Gorontalo dari citra sentinel-2B termasuk dalam dua path
yaitu N0206_R060_T51NVA dan N0206_R060_T51NWA. Format file citra sentinel
yaitu *.jp2. Format file ini kemudian di konversi menjadi *.tiff agar sistem
proyeksinya sama dengan citra landsat 8 dan ASTER yaitu geografis. Proses konversi
tersebut menggunakan bantuan perangkat lunak Quantum GIS memanfaatkan tools
yang dikembangkan oleh Luca Congedo (2013) yaitu semi automatic classification
(SCP).
Proses layer stacking dan konversi tersebut dilakukan dengan
menggabungkan saluran yang memiliki resolusi spasial 10m dan 20m yang hasil
akhirnya berupa citra beresolusi spasial 10m. Selanjutnya dilakukan proses
penggabungan dua wilayah (mosaicking) berdasarkan georeferensinya. Kenampakan
administrasi Kota Gorontalo yang telah mengalami proses diatas sebagaimana pada
Gambar 5.9.
Gambar 5.9. Citra sentinel-2B Kota Gorontalo (komposit 843)
21
5.1.6. Pengolahan Citra Sentinel-2B
Klasifikasi citra menggunakan komposit 12,11,4. Komposit ini merupakan
warna semu (false color urban) untuk wilayah kota. Klasifikasi tutupan lahan dibagi
6 kelas yaitu lahan terbangun, vegetasi, tubuh air, awan, bayangan awan, dan lahan
terbuka. Peta tutupan lahan Kota Gorontalo disajikan pada Gambar 5.10.
Gambar 5.10. Tutupan lahan Kota Gorontalo citra sentinel-2B
Tabel 5.5. Luas wilayah masing-masing kelas tutupan lahan Kota Gorontalo
dari citra Sentinel-2B tahun 2018
Tutupan lahan Luas (ha) Persentase (%)
Lahan terbangun 1.551,50 23,89
Tubuh air 58,92 0,91
Vegetasi 2.680,86 41,28
Lahan terbuka 1.735,12 26,71
Awan 266,93 4,11
Bayangan awan 201,69 3,11
Jumlah 6.495,00 100
22
5.1.7. Pengambilan titik sampel
Pengambilan titik sampel lokasi lahan terbangun berdasarkan interpretasi
visual citra sentinel-2B. Hal tersebut dilakukan karena citra sentinel-2B lebih jelas
kenampakannya secara visual karena mempunyai resolusi spasial yang lebih tinggi
dibanding landsat 5 TM, landsat 8 dan ASTER. Titik sampel diambil secara random
sampling sebanyak 31 titik koordinat di wilayah yang diperkirakan lahan terbangun
dan menyebar seluruh wilayah penelitian. Lokasi sebaran titik sampel disajikan pada
Gambar 5.11.
Gambar 5.11. Sebaran lokasi titik sampel
23
Tabel 5.6. Perbandingan hasil interpretasi citra dengan cek lapangan
(Sumber : cek lapangan, 2018)
No. Interpretasi
citra Cek lapangan
Koordinat (Geografis)
Longitude Latitude
1 Lahan terbangun Lahan terbangun 123.071 0.584727
2 Lahan terbangun Lahan terbangun 123.0649 0.587622
3 Lahan terbangun Lahan terbangun 123.0513 0.582013
4 Lahan terbangun Lahan terbangun 123.047 0.578032
5 Lahan terbangun Lahan terbangun 123.0393 0.569347
6 Lahan terbangun Lahan terbangun 123.0265 0.557586
7 Lahan terbangun Lahan terbangun 123.0312 0.547
8 Lahan terbangun Lahan terbangun 123.0168 0.55489
9 Lahan terbangun Lahan terbangun 123.0609 0.521487
10 Lahan terbangun Lahan terbangun 123.0533 0.530806
11 Lahan terbangun Lahan tebuka 123.0628 0.525739
12 Lahan terbangun Lahan terbangun 123.0646 0.521215
13 Lahan terbangun Lahan terbangun 123.0723 0.533067
14 Lahan terbangun Lahan terbangun 123.0783 0.538315
15 Lahan terbangun Lahan terbangun 123.0645 0.504297
16 Lahan terbangun Lahan terbangun 123.0522 0.504659
17 Lahan terbangun Lahan terbangun 123.0679 0.521396
18 Lahan terbangun Lahan terbangun 123.0839 0.553062
19 Lahan terbangun Lahan terbangun 123.0828 0.541481
20 Lahan terbangun Lahan terbangun 123.0647 0.559033
21 Lahan terbangun Lahan terbangun 123.057 0.542296
22 Lahan terbangun Lahan terbangun 123.0667 0.549443
23 Lahan terbangun Lahan terbuka 123.0537 0.562923
24 Lahan terbangun Lahan terbangun 123.0714 0.568533
25 Lahan terbangun Tubuh air 123.0898 0.567989
26 Lahan terbangun Lahan terbangun 123.051 0.547905
27 Lahan terbangun Lahan terbangun 123.0454 0.541843
28 Lahan terbangun Lahan terbangun 123.0551 0.562471
24
No. Interpretasi
citra Cek lapangan
Koordinat (Geografis)
Longitude Latitude
29 Lahan terbangun Lahan terbangun 123.0693 0.566904
30 Lahan terbangun Lahan terbangun 123.0617 0.570161
31 Lahan terbangun Lahan terbangun 123.0738 0.564914
5.1.8. Lahan Terbangun Kota Gorontalo
Perkembangan lahan terbangun di Kota Gorontalo tiap tahun semakin
meningkat. Luas lahan terbangun Kota Gorontalo berdasarkan analisis citra landsat 5
TM Tahun 1997 adalah 1.669,12 ha dan citra landsat 8 Tahun 2018 sebesar 2.426,31
ha. Luas lahan terbangun tersebut, terjadi peningkatan dibandingkan pada Tahun
2013, dimana Maryati et al (2015) menuliskan bahwa berdasarkan analisis citra
landsat Tahun 2013, luas lahan terbangun Kota Gorontalo sebesar 2.213 ha.
Gambaran lahan terbangun Kota Gorontalo menunjukkan terjadinya
perkembangan yang kenampakannya secara visual berkembang ke arah utara.
Berdasarkan survei lapangan, lahan terbangun menempati penggunaan lahan semak
belukar dan lahan padi sawah irigasi.
Dari hasil analisis citra, secara visual nampak lahan terbuka diidentifikasi
sebagai lahan terbangun. Hal ini terjadi karena tercampurnya piksel lahan terbangun
dengan lahan terbuka ketika proses pengambilan sampel untuk pengkelasan tutupan
lahan yang menggunakan klasifikasi terbimbing (supervised). Kondisi tersebut
karena nilai spektral lahan terbangun dan lahan terbuka tidak berbeda jauh sehingga
nilai piksel keduanya tercampur.
5.2. Luaran Yang Dicapai
Luaran wajib yang dicapai dalam peneliitian ini yaitu artikel yang akan di
submit pada jurnal nasional tidak terakreditasi.
25
BAB 6. RENCANA TAHAPAN SELANJUTNYA
Berdasarkan roadmap penelitian, rencana tahapan selanjutnya dari penelitian
ini adalah fokus dibidang pengolahan data citra digital multispektral dalam kaitannya
bidang perkotaan, pertanian, pariwisata, dan pertambangan sehingga hasil akhirnya
dapat disimpulkan berupa pemanfaatan teknologi penginderaan jauh untuk kajian-
kajian sumber daya alam (SDA) wilayah daratan.
26
BAB 7. SIMPULAN DAN SARAN
7.1. Simpulan
Beberapa simpulan yang dapat ditarik dalam penelitian ini yaitu :
1. Terjadi perkembangan lahan terbangun di Kota Gorontalo yang mengarah ke
bagian utara wilayah kota. Wilayah lahan terbangun tersebut berkembang
menempati lahan-lahan kosong, sawah dan semak belukar.
2. Dalam menurunkan informasi lahan terbangun dari citra LAST terjadi
perbedaan luasan. Hal ini terkait dari perbedaan resolusi spasial, waktu
perekaman dan panjang gelombang tiap saluran citra.
7.2. Saran
Lahan terbangun Kota Gorontalo menunjukkan perkembangan ke arah utara.
Terjadi perbedaan luas lahan terbangun dari hasil analisis citra yang menggunakan
metode klasifikasi terbimbing. Hal tersebut terjadi karena pebedaan waktu
perekaman citra, beda resolusi spasial, resolusi spektral, dan beda resolusi
radiometrik. Kajian perkotaan dapat juga menggunakan urban indices yang telah
dikembangkan dan digunakan di negara lain. Penelitian ini masih menggunakan
klasifkasi terbimbing (supervised) sehingga perlu menggunakan urban indices
remote sensing seperti UI, NDBI, IBI, NBI, EBBI, BUI, NDISI dan MNDISI.
DAFTAR PUSTAKA
As-syakur, A. R., Adnyana, I. W., Arthana, I. W., & Nuarsa, I. (2012). Enhanced Built-Up
and Bareness Index (EBBI) for Mapping Built-Up and Bare Land in an Urban Area.
Remote Sensing, 4, 2957-2970.
Bhaskaran, S., Paramananda, S., & Ramnarayan, M. (2010). Per-pixel and object-oriented
classification methods for mapping urban features using Ikonos satellite data.
Applied Geography, 30, 650-665.
Bhatti, S. S., & Tripathi, N. K. (2014). Built-up area extraction using Landsat 8 OLI imagery.
GIScience & Remote Sensing, 4, 445-467.
Chen, Y., Shi, P., Fung, T., Wang, J., & Li, X. (2007). Object-oriented classification for
urban land cover mapping with ASTER imagery. International Journal of Remote
Sensing, 28(20), 4645–4651.
Congedo, L. (2013) Semi-Automatic Classification Plugin for QGIS. [pdf] Rome: Sapienza
University. Available at:<http://www.planning4adaptation.eu/>
Congedo, L., Munafo’, M., & Macchi, S. (2013). Investigating the Relationship between
Land Cover and Vulnerability to Climate Change in Dar es Salaam. Rome: Sapienza
University. Retrieved from
http://www.planning4adaptation.eu/Docs/papers/08_NWP-
DoM_for_LCC_in_Dar_using_Landsat_Imagery.pdf.
Daldjoeni, N. (2014). Geografi Kota dan desa. Yogyakarta: Penerbit Ombak.
Jieli, C., Manchun, L., Chenglei, S., & Wei, H. (2010). Extract Residential Areas
Automatically by New Built up Index. Theme Paper for the 18th International
Conference on Geoinformatics (pp. 1-5). IEEE.
Kaimaris, D., & Patias, P. (2016). Identification and area measurement of the built-up area
with the built-up index (BUI). International journal of advanced remote sensing and
GIS, 5(6), 1844-1858.
Kota Gorontalo Dalam Angka. (2016). Gorontalo: Badan Pusat Statistik Kota Gorontalo.
Koto, A. G. (2013). Pemanfaatan Teknologi Penginderaan Jauh dan SIG Untuk Evaluasi
Lahan Kering di Kabupaten Bantaeng, Sulawesi Selatan. Universitas Gadjah Mada,
Fakultas Geografi. Yogyakarta: Universitas Gadjah Mada.
Landsat 7 Users Handbook. (n.d.).
Landsat 8 Users Handbook, Versi 1.0. (2015). U.S. Geological Survey.
Lefebvre , A., Sannier , C., & Corpetti, T. (2016). Monitoring Urban Areas with Sentinel-
2A Data Application to the Update of the Copernicus High Resolution Layer
Imperviousness Degree. Remote Sensing, 8, 606-626.
Maryati, S., Sune, N., & Sutarno. (2015). Analisis spasial arah perkembangan Kota
Gorontalo menggunakan citra landsat multitemporal. Simposium Nasional Sains
Geoinformasi IV, 442-445.
Pesaresi, M., Corbane, C., Julea , A., Florczyk , A. J., Syrris, V., & Soille, P. (2016).
Assessment of the Added-Value of Sentinel-2 for Detecting Built-up Areas. Remote
Sensing, 8, 299-316.
SENTINEL-2 Users Handbook. (2015).
Xu, H., Huang, S., & Zhang, T. (2013). Built-up land mapping capabilities of the ASTER
and Landsat ETM+ sensors in coastal areas of southeastern China. Advances in
Space Research, 52, 1437–1449.
Zhang, J., Li, P., Wang, J. (2014). Urban Built-Up Area Extraction from Landsat TM/ETM+
Images Using Spectral Information and Multivariate Texture. Remote Sensing, 6,
7339-7359.
LAMPIRAN
Lampiran 1.
Karakteristik Citra Landsat 8 (Sumber : Landsat 8 Data User Handbook, 2015)
Produk Data Standar Citra Landsat 8
Perbandingan Citra Landsat 7 dengan Landsat 8
Perbandingan Saluran Spektral Landsat 7 dengan Landsat 8
Lampiran 2.
Karakteristik Citra ASTER (Sumber : ASTER User Handbook-Ver 2)
Sistem Sensor Citra ASTER
Perbandingan Saluran Spektral antara Citra ASTER dan Landsat 7 TM
Lampiran 3.
Karakteristik Citra Sentinel-2 (Sumber : Sentinel-2 User Handbook, 2015)
Level Koreksi Citra Sentinel-2
Perbandingan Citra Optis
Band Description Central Wavelength (µm) Resolution (m)
B1 Ultra blue (coastal and aerosol)
0.443 60
B2 Blue 0.49 10
B3 Green 0.56 10 B4 Red 0.665 10
B5 NIR2 0.705 20
B6 NIR3 0.74 20
B7 NIR4 0.783 20 B8 NIR1 0.842 10
B8A NIR5 0.865 20
B9 Water vapour 0.945 60
B10 Cirrus 1.375 60
B11 SWIR1 1.61 20
B12 SWIR2 2.19 20 (Source : dumitrascu, N. I., Statescu, F., and Lates, I., 2016)
Sentinel 2 bands
Fitur-fitur pada Citra Sentinel-2
Saluran Spektral dan Resolusi Spasial Citra Sentinel-2
Instrumen Satelit
Mission Detail (source : https://earth.esa.int/web/guest/missions/esa-operational-
eo-missions/sentinel-2)
*Launch date:
Sentinel-2A - 23 June 2015
Sentinel-2B - 07 March 2017
*Operational lifespan: 7.25 years (with consumables for 12)
*Mission Objectives:
Land observation, including: Vegetation, soil and water cover, inland waterways and
coastal areas
Land use and change detection maps
Providing support in generating land cover
Disaster relief support
Climate change monitoring
*Mission orbit:
Orbit Height: 786 km
Orbit Type: Sun-synchronous
Inclination: 98.5o
Repeat cycle: 10 days with one satellite and 5 days with 2 satellites
*Payload:
MSI (Multispectral Imager)
Resolution and Swath Width: 290 km - 10 m, 20 m and 60 m spatial resolution
*Configuration:
The spacecraft is equipped with a deployable solar array and the dimensions of the craft
are: 3.4 m x 1.8 m x 2.35 m with a weight (at time of launch) of 1100 kg.
*Launch vehicle:
Vega rocket (Sentinel-2A)
Rockot vehicle (Sentinel-2B)
*Ad interim operator: ESA
*Data processing:
Level 1 - A - Radiometric corrections
Level 1 - B - Geometric corrections
Level 2 - A - Cloud screening
Level 2 - B - Atmospheric corrections
Level 2 - C - Geophysical variables retrieval algorithms
Level 3 - Simulation of cloud corrections
*Contractors:
Astrium Germany has been prime contracted to construct the Sentinel-2 satellite and
leads a consortium with core partners:
- Astrium France is providing the MSI payload
- Boostec is providing the three-mirror Silicon carbide telescope and the instrument
baseplate
- Jena-Optronik is responsible for the 2 Video Compression Units (VCU)
- Sener is supplying the instrument Calibration and Shutter Mechanism (CSM).
METADATA
LANDSAT 8
GROUP = L1_METADATA_FILE
GROUP = METADATA_FILE_INFO
ORIGIN = "Image courtesy of the U.S. Geological Survey"
REQUEST_ID = "0701802203069_00002"
LANDSAT_SCENE_ID = "LC81130602018044LGN00"
LANDSAT_PRODUCT_ID =
"LC08_L1TP_113060_20180213_20180222_01_T1"
COLLECTION_NUMBER = 01
FILE_DATE = 2018-02-22T07:18:25Z
STATION_ID = "LGN"
PROCESSING_SOFTWARE_VERSION = "LPGS_13.0.0"
END_GROUP = METADATA_FILE_INFO
GROUP = PRODUCT_METADATA
DATA_TYPE = "L1TP"
COLLECTION_CATEGORY = "T1"
ELEVATION_SOURCE = "GLS2000"
OUTPUT_FORMAT = "GEOTIFF"
SPACECRAFT_ID = "LANDSAT_8"
SENSOR_ID = "OLI_TIRS"
WRS_PATH = 113
WRS_ROW = 60
NADIR_OFFNADIR = "NADIR"
TARGET_WRS_PATH = 113
TARGET_WRS_ROW = 60
DATE_ACQUIRED = 2018-02-13
SCENE_CENTER_TIME = "02:02:41.4318839Z"
CORNER_UL_LAT_PRODUCT = 1.04725
CORNER_UL_LON_PRODUCT = 121.36975
CORNER_UR_LAT_PRODUCT = 1.04765
CORNER_UR_LON_PRODUCT = 123.41615
CORNER_LL_LAT_PRODUCT = -1.05268
CORNER_LL_LON_PRODUCT = 121.36975
CORNER_LR_LAT_PRODUCT = -1.05308
CORNER_LR_LON_PRODUCT = 123.41615
CORNER_UL_PROJECTION_X_PRODUCT = 318600.000
CORNER_UL_PROJECTION_Y_PRODUCT = 115800.000
CORNER_UR_PROJECTION_X_PRODUCT = 546300.000
CORNER_UR_PROJECTION_Y_PRODUCT = 115800.000
CORNER_LL_PROJECTION_X_PRODUCT = 318600.000
CORNER_LL_PROJECTION_Y_PRODUCT = -116400.000
CORNER_LR_PROJECTION_X_PRODUCT = 546300.000
CORNER_LR_PROJECTION_Y_PRODUCT = -116400.000
PANCHROMATIC_LINES = 15481
PANCHROMATIC_SAMPLES = 15181
REFLECTIVE_LINES = 7741
REFLECTIVE_SAMPLES = 7591
THERMAL_LINES = 7741
THERMAL_SAMPLES = 7591
FILE_NAME_BAND_1 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B1.TIF"
FILE_NAME_BAND_2 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B2.TIF"
FILE_NAME_BAND_3 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B3.TIF"
FILE_NAME_BAND_4 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B4.TIF"
FILE_NAME_BAND_5 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B5.TIF"
FILE_NAME_BAND_6 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B6.TIF"
FILE_NAME_BAND_7 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B7.TIF"
FILE_NAME_BAND_8 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B8.TIF"
FILE_NAME_BAND_9 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B9.TIF"
FILE_NAME_BAND_10 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B10.TIF"
FILE_NAME_BAND_11 =
"LC08_L1TP_113060_20180213_20180222_01_T1_B11.TIF"
FILE_NAME_BAND_QUALITY =
"LC08_L1TP_113060_20180213_20180222_01_T1_BQA.TIF"
ANGLE_COEFFICIENT_FILE_NAME =
"LC08_L1TP_113060_20180213_20180222_01_T1_ANG.txt"
METADATA_FILE_NAME =
"LC08_L1TP_113060_20180213_20180222_01_T1_MTL.txt"
CPF_NAME = "LC08CPF_20180101_20180331_01.02"
BPF_NAME_OLI = "LO8BPF20180213014144_20180213022223.01"
BPF_NAME_TIRS = "LT8BPF20180201043308_20180215103000.01"
RLUT_FILE_NAME = "LC08RLUT_20150303_20431231_01_12.h5"
END_GROUP = PRODUCT_METADATA
GROUP = IMAGE_ATTRIBUTES
CLOUD_COVER = 5.69
CLOUD_COVER_LAND = 8.72
IMAGE_QUALITY_OLI = 9
IMAGE_QUALITY_TIRS = 9
TIRS_SSM_MODEL = "FINAL"
TIRS_SSM_POSITION_STATUS = "ESTIMATED"
TIRS_STRAY_LIGHT_CORRECTION_SOURCE = "TIRS"
ROLL_ANGLE = -0.000
SUN_AZIMUTH = 115.18832927
SUN_ELEVATION = 56.95913729
EARTH_SUN_DISTANCE = 0.9873428
SATURATION_BAND_1 = "N"
SATURATION_BAND_2 = "N"
SATURATION_BAND_3 = "N"
SATURATION_BAND_4 = "Y"
SATURATION_BAND_5 = "Y"
SATURATION_BAND_6 = "Y"
SATURATION_BAND_7 = "Y"
SATURATION_BAND_8 = "N"
SATURATION_BAND_9 = "N"
GROUND_CONTROL_POINTS_VERSION = 4
GROUND_CONTROL_POINTS_MODEL = 179
GEOMETRIC_RMSE_MODEL = 8.830
GEOMETRIC_RMSE_MODEL_Y = 7.311
GEOMETRIC_RMSE_MODEL_X = 4.951
GROUND_CONTROL_POINTS_VERIFY = 55
GEOMETRIC_RMSE_VERIFY = 6.786
TRUNCATION_OLI = "UPPER"
END_GROUP = IMAGE_ATTRIBUTES
GROUP = MIN_MAX_RADIANCE
RADIANCE_MAXIMUM_BAND_1 = 779.67474
RADIANCE_MINIMUM_BAND_1 = -64.38580
RADIANCE_MAXIMUM_BAND_2 = 798.39642
RADIANCE_MINIMUM_BAND_2 = -65.93184
RADIANCE_MAXIMUM_BAND_3 = 735.71552
RADIANCE_MINIMUM_BAND_3 = -60.75563
RADIANCE_MAXIMUM_BAND_4 = 620.39679
RADIANCE_MINIMUM_BAND_4 = -51.23257
RADIANCE_MAXIMUM_BAND_5 = 379.65189
RADIANCE_MINIMUM_BAND_5 = -31.35178
RADIANCE_MAXIMUM_BAND_6 = 94.41597
RADIANCE_MINIMUM_BAND_6 = -7.79690
RADIANCE_MAXIMUM_BAND_7 = 31.82324
RADIANCE_MINIMUM_BAND_7 = -2.62797
RADIANCE_MAXIMUM_BAND_8 = 702.11841
RADIANCE_MINIMUM_BAND_8 = -57.98117
RADIANCE_MAXIMUM_BAND_9 = 148.37656
RADIANCE_MINIMUM_BAND_9 = -12.25299
RADIANCE_MAXIMUM_BAND_10 = 22.00180
RADIANCE_MINIMUM_BAND_10 = 0.10033
RADIANCE_MAXIMUM_BAND_11 = 22.00180
RADIANCE_MINIMUM_BAND_11 = 0.10033
END_GROUP = MIN_MAX_RADIANCE
GROUP = MIN_MAX_REFLECTANCE
REFLECTANCE_MAXIMUM_BAND_1 = 1.210700
REFLECTANCE_MINIMUM_BAND_1 = -0.099980
REFLECTANCE_MAXIMUM_BAND_2 = 1.210700
REFLECTANCE_MINIMUM_BAND_2 = -0.099980
REFLECTANCE_MAXIMUM_BAND_3 = 1.210700
REFLECTANCE_MINIMUM_BAND_3 = -0.099980
REFLECTANCE_MAXIMUM_BAND_4 = 1.210700
REFLECTANCE_MINIMUM_BAND_4 = -0.099980
REFLECTANCE_MAXIMUM_BAND_5 = 1.210700
REFLECTANCE_MINIMUM_BAND_5 = -0.099980
REFLECTANCE_MAXIMUM_BAND_6 = 1.210700
REFLECTANCE_MINIMUM_BAND_6 = -0.099980
REFLECTANCE_MAXIMUM_BAND_7 = 1.210700
REFLECTANCE_MINIMUM_BAND_7 = -0.099980
REFLECTANCE_MAXIMUM_BAND_8 = 1.210700
REFLECTANCE_MINIMUM_BAND_8 = -0.099980
REFLECTANCE_MAXIMUM_BAND_9 = 1.210700
REFLECTANCE_MINIMUM_BAND_9 = -0.099980
END_GROUP = MIN_MAX_REFLECTANCE
GROUP = MIN_MAX_PIXEL_VALUE
QUANTIZE_CAL_MAX_BAND_1 = 65535
QUANTIZE_CAL_MIN_BAND_1 = 1
QUANTIZE_CAL_MAX_BAND_2 = 65535
QUANTIZE_CAL_MIN_BAND_2 = 1
QUANTIZE_CAL_MAX_BAND_3 = 65535
QUANTIZE_CAL_MIN_BAND_3 = 1
QUANTIZE_CAL_MAX_BAND_4 = 65535
QUANTIZE_CAL_MIN_BAND_4 = 1
QUANTIZE_CAL_MAX_BAND_5 = 65535
QUANTIZE_CAL_MIN_BAND_5 = 1
QUANTIZE_CAL_MAX_BAND_6 = 65535
QUANTIZE_CAL_MIN_BAND_6 = 1
QUANTIZE_CAL_MAX_BAND_7 = 65535
QUANTIZE_CAL_MIN_BAND_7 = 1
QUANTIZE_CAL_MAX_BAND_8 = 65535
QUANTIZE_CAL_MIN_BAND_8 = 1
QUANTIZE_CAL_MAX_BAND_9 = 65535
QUANTIZE_CAL_MIN_BAND_9 = 1
QUANTIZE_CAL_MAX_BAND_10 = 65535
QUANTIZE_CAL_MIN_BAND_10 = 1
QUANTIZE_CAL_MAX_BAND_11 = 65535
QUANTIZE_CAL_MIN_BAND_11 = 1
END_GROUP = MIN_MAX_PIXEL_VALUE
GROUP = RADIOMETRIC_RESCALING
RADIANCE_MULT_BAND_1 = 1.2880E-02
RADIANCE_MULT_BAND_2 = 1.3189E-02
RADIANCE_MULT_BAND_3 = 1.2154E-02
RADIANCE_MULT_BAND_4 = 1.0249E-02
RADIANCE_MULT_BAND_5 = 6.2716E-03
RADIANCE_MULT_BAND_6 = 1.5597E-03
RADIANCE_MULT_BAND_7 = 5.2570E-04
RADIANCE_MULT_BAND_8 = 1.1599E-02
RADIANCE_MULT_BAND_9 = 2.4511E-03
RADIANCE_MULT_BAND_10 = 3.3420E-04
RADIANCE_MULT_BAND_11 = 3.3420E-04
RADIANCE_ADD_BAND_1 = -64.39867
RADIANCE_ADD_BAND_2 = -65.94503
RADIANCE_ADD_BAND_3 = -60.76778
RADIANCE_ADD_BAND_4 = -51.24281
RADIANCE_ADD_BAND_5 = -31.35805
RADIANCE_ADD_BAND_6 = -7.79846
RADIANCE_ADD_BAND_7 = -2.62850
RADIANCE_ADD_BAND_8 = -57.99276
RADIANCE_ADD_BAND_9 = -12.25544
RADIANCE_ADD_BAND_10 = 0.10000
RADIANCE_ADD_BAND_11 = 0.10000
REFLECTANCE_MULT_BAND_1 = 2.0000E-05
REFLECTANCE_MULT_BAND_2 = 2.0000E-05
REFLECTANCE_MULT_BAND_3 = 2.0000E-05
REFLECTANCE_MULT_BAND_4 = 2.0000E-05
REFLECTANCE_MULT_BAND_5 = 2.0000E-05
REFLECTANCE_MULT_BAND_6 = 2.0000E-05
REFLECTANCE_MULT_BAND_7 = 2.0000E-05
REFLECTANCE_MULT_BAND_8 = 2.0000E-05
REFLECTANCE_MULT_BAND_9 = 2.0000E-05
REFLECTANCE_ADD_BAND_1 = -0.100000
REFLECTANCE_ADD_BAND_2 = -0.100000
REFLECTANCE_ADD_BAND_3 = -0.100000
REFLECTANCE_ADD_BAND_4 = -0.100000
REFLECTANCE_ADD_BAND_5 = -0.100000
REFLECTANCE_ADD_BAND_6 = -0.100000
REFLECTANCE_ADD_BAND_7 = -0.100000
REFLECTANCE_ADD_BAND_8 = -0.100000
REFLECTANCE_ADD_BAND_9 = -0.100000
END_GROUP = RADIOMETRIC_RESCALING
GROUP = TIRS_THERMAL_CONSTANTS
K1_CONSTANT_BAND_10 = 774.8853
K2_CONSTANT_BAND_10 = 1321.0789
K1_CONSTANT_BAND_11 = 480.8883
K2_CONSTANT_BAND_11 = 1201.1442
END_GROUP = TIRS_THERMAL_CONSTANTS
GROUP = PROJECTION_PARAMETERS
MAP_PROJECTION = "UTM"
DATUM = "WGS84"
ELLIPSOID = "WGS84"
UTM_ZONE = 51
GRID_CELL_SIZE_PANCHROMATIC = 15.00
GRID_CELL_SIZE_REFLECTIVE = 30.00
GRID_CELL_SIZE_THERMAL = 30.00
ORIENTATION = "NORTH_UP"
RESAMPLING_OPTION = "CUBIC_CONVOLUTION"
END_GROUP = PROJECTION_PARAMETERS
END_GROUP = L1_METADATA_FILE
END
ASTER
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE GranuleMetaDataFile SYSTEM
"http://ecsinfo.gsfc.nasa.gov/ECSInfo/ecsmetadata/dtds/DPL/ECS/QA
GranuleMetadata.dtd">
<GranuleMetaDataFile>
<DTDVersion>1</DTDVersion>
<DataCenterId>EDC</DataCenterId>
<GranuleURMetaData>
<GranuleUR>QA:QA.001:2250698534</GranuleUR>
<DbID>2250698534</DbID>
<InsertTime>2017-05-10 13:42:40.419</InsertTime>
<LastUpdate>2017-05-10 13:42:40.419</LastUpdate>
<CollectionMetaData>
<ShortName>QA</ShortName>
<VersionID>1</VersionID>
</CollectionMetaData>
<DataFiles>
<DataFileContainer>
<DistributedFileName>AST_L1T_00305092017022017_20170510132111_143
36_QA.txt</DistributedFileName>
<FileSize>10358</FileSize>
<ChecksumType>MD5</ChecksumType>
<Checksum>1962ed6fa77f3b5d8f0393a91e54ec36</Checksum>
<ChecksumOrigin>DPLIngst</ChecksumOrigin>
</DataFileContainer>
</DataFiles>
</GranuleURMetaData>
</GranuleMetaDataFile>
SENTINEL-2B
{
"name" :
"S2B_MSIL1C_20180318T021339_N0206_R060_T51NWA_20180318T052940",
"id" : "be964212-93fd-4a5c-93f1-dea8fcc76ae0",
"path" :
"products/2018/3/18/S2B_MSIL1C_20180318T021339_N0206_R060_T51NWA_
20180318T052940",
"timestamp" : "2018-03-18T02:13:39.027Z",
"datatakeIdentifier" : "GS2B_20180318T021339_005377_N02.06",
"sciHubIngestion" : "2018-03-18T10:50:49.138Z",
"s3Ingestion" : "2018-03-18T19:27:15.802Z",
"tiles" : [ {
"path" : "tiles/51/N/WA/2018/3/18/0",
"timestamp" : "2018-03-18T02:13:48.282Z",
"utmZone" : 51,
"latitudeBand" : "N",
"gridSquare" : "WA",
"datastrip" : {
"id" :
"S2B_OPER_MSI_L1C_DS_SGS__20180318T052940_S20180318T021348_N02.06
",
"path" :
"products/2018/3/18/S2B_MSIL1C_20180318T021339_N0206_R060_T51NWA_
20180318T052940/datastrip/0"
}
} ],
"datastrips" : [ {
"id" :
"S2B_OPER_MSI_L1C_DS_SGS__20180318T052940_S20180318T021348_N02.06
",
"path" :
"products/2018/3/18/S2B_MSIL1C_20180318T021339_N0206_R060_T51NWA_
20180318T052940/datastrip/0"
} ]
}
Region of Interest (ROI) Separability
Landsat 5TM
Input File: KOTA_LANDSAT5_30AGUSTUS1997
ROI Name: (Jeffries-Matusita, Transformed Divergence)
vegetasi [Red] 26 points:
lahan terbangun [Green] 14 points: (1.99999998 2.00000000)
tubuh air [Blue] 58 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 36 points: (2.00000000 2.00000000)
lahan terbangun [Green] 14 points:
vegetasi [Red] 26 points: (1.99999998 2.00000000)
tubuh air [Blue] 58 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 36 points: (2.00000000 2.00000000)
tubuh air [Blue] 58 points:
vegetasi [Red] 26 points: (2.00000000 2.00000000)
lahan terbangun [Green] 14 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 36 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 36 points:
vegetasi [Red] 26 points: (2.00000000 2.00000000)
lahan terbangun [Green] 14 points: (2.00000000 2.00000000)
tubuh air [Blue] 58 points: (2.00000000 2.00000000)
Pair Separation (least to most);
vegetasi [Red] 26 points and lahan terbangun [Green] 14 points -
1.99999998
lahan terbangun [Green] 14 points and lahan terbuka [Yellow] 36
points - 2.00000000
lahan terbangun [Green] 14 points and tubuh air [Blue] 58 points
- 2.00000000
vegetasi [Red] 26 points and lahan terbuka [Yellow] 36 points -
2.00000000
tubuh air [Blue] 58 points and lahan terbuka [Yellow] 36 points -
2.00000000
vegetasi [Red] 26 points and tubuh air [Blue] 58 points -
2.00000000
Landsat 8
Input File: KOTA_NO_ADMIN
ROI Name: (Jeffries-Matusita, Transformed Divergence)
tubuh air [Red] 875 points:
vegetasi [Green] 238 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 102 points: (1.99999987 2.00000000)
vegetasi [Green] 238 points:
tubuh air [Red] 875 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 102 points: (1.99989500 2.00000000)
lahan terbangun [Blue] 102 points:
tubuh air [Red] 875 points: (1.99999987 2.00000000)
vegetasi [Green] 238 points: (1.99989500 2.00000000)
Pair Separation (least to most);
vegetasi [Green] 238 points and lahan terbangun [Blue] 102 points
- 1.99989500
tubuh air [Red] 875 points and lahan terbangun [Blue] 102 points
- 1.99999987
tubuh air [Red] 875 points and vegetasi [Green] 238 points -
2.00000000
ASTER
Input File: aster_kota_3maret2016
ROI Name: (Jeffries-Matusita, Transformed Divergence)
lahan terbangun [Red] 124 points:
vegetasi [Green] 67 points: (1.99904251 2.00000000)
lahan terbuka [Blue] 31 points: (1.99288912 2.00000000)
tubuh air [Yellow] 70 points: (1.93338842 2.00000000)
vegetasi [Green] 67 points:
lahan terbangun [Red] 124 points: (1.99904251 2.00000000)
lahan terbuka [Blue] 31 points: (2.00000000 2.00000000)
tubuh air [Yellow] 70 points: (1.99576425 2.00000000)
lahan terbuka [Blue] 31 points:
lahan terbangun [Red] 124 points: (1.99288912 2.00000000)
vegetasi [Green] 67 points: (2.00000000 2.00000000)
tubuh air [Yellow] 70 points: (1.99913107 1.99999998)
tubuh air [Yellow] 70 points:
lahan terbangun [Red] 124 points: (1.93338842 2.00000000)
vegetasi [Green] 67 points: (1.99576425 2.00000000)
lahan terbuka [Blue] 31 points: (1.99913107 1.99999998)
Pair Separation (least to most);
lahan terbangun [Red] 124 points and tubuh air [Yellow] 70 points
- 1.93338842
lahan terbangun [Red] 124 points and lahan terbuka [Blue] 31
points - 1.99288912
vegetasi [Green] 67 points and tubuh air [Yellow] 70 points -
1.99576425
lahan terbangun [Red] 124 points and vegetasi [Green] 67 points -
1.99904251
lahan terbuka [Blue] 31 points and tubuh air [Yellow] 70 points -
1.99913107
vegetasi [Green] 67 points and lahan terbuka [Blue] 31 points -
2.00000000
Sentinel-2B
Input File: KOTA_NOADMIN_17MEI2018
ROI Name: (Jeffries-Matusita, Transformed Divergence)
vegetasi [Red] 149 points:
tubuh air [Green] 148 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 77 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 123 points: (2.00000000 2.00000000)
awan [Cyan] 116 points: (2.00000000 2.00000000)
bayangan awan [Magenta] 101 points: (2.00000000 2.00000000)
tubuh air [Green] 148 points:
vegetasi [Red] 149 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 77 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 123 points: (2.00000000 2.00000000)
awan [Cyan] 116 points: (2.00000000 2.00000000)
bayangan awan [Magenta] 101 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 77 points:
vegetasi [Red] 149 points: (2.00000000 2.00000000)
tubuh air [Green] 148 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 123 points: (1.99999980 2.00000000)
awan [Cyan] 116 points: (2.00000000 2.00000000)
bayangan awan [Magenta] 101 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 123 points:
vegetasi [Red] 149 points: (2.00000000 2.00000000)
tubuh air [Green] 148 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 77 points: (1.99999980 2.00000000)
awan [Cyan] 116 points: (2.00000000 2.00000000)
bayangan awan [Magenta] 101 points: (2.00000000 2.00000000)
awan [Cyan] 116 points:
vegetasi [Red] 149 points: (2.00000000 2.00000000)
tubuh air [Green] 148 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 77 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 123 points: (2.00000000 2.00000000)
bayangan awan [Magenta] 101 points: (2.00000000 2.00000000)
bayangan awan [Magenta] 101 points:
vegetasi [Red] 149 points: (2.00000000 2.00000000)
tubuh air [Green] 148 points: (2.00000000 2.00000000)
lahan terbangun [Blue] 77 points: (2.00000000 2.00000000)
lahan terbuka [Yellow] 123 points: (2.00000000 2.00000000)
awan [Cyan] 116 points: (2.00000000 2.00000000)
Pair Separation (least to most);
lahan terbangun [Blue] 77 points and lahan terbuka [Yellow] 123 points - 1.99999980
tubuh air [Green] 148 points and bayangan awan [Magenta] 101 points - 2.00000000
vegetasi [Red] 149 points and awan [Cyan] 116 points - 2.00000000
lahan terbangun [Blue] 77 points and awan [Cyan] 116 points - 2.00000000
tubuh air [Green] 148 points and lahan terbangun [Blue] 77 points - 2.00000000
tubuh air [Green] 148 points and lahan terbuka [Yellow] 123 points - 2.00000000
lahan terbangun [Blue] 77 points and bayangan awan [Magenta] 101 points - 2.00000000
vegetasi [Red] 149 points and lahan terbuka [Yellow] 123 points - 2.00000000
vegetasi [Red] 149 points and lahan terbangun [Blue] 77 points - 2.00000000
lahan terbuka [Yellow] 123 points and awan [Cyan] 116 points - 2.00000000
lahan terbuka [Yellow] 123 points and bayangan awan [Magenta] 101 points -
2.00000000
vegetasi [Red] 149 points and bayangan awan [Magenta] 101 points - 2.00000000
tubuh air [Green] 148 points and awan [Cyan] 116 points - 2.00000000
vegetasi [Red] 149 points and tubuh air [Green] 148 points - 2.00000000
awan [Cyan] 116 points and bayangan awan [Magenta] 101 points - 2.00000000
Lampiran Dokumentasi Lapangan
Titik sampel 1
Titik sampel 2
Titik sampel 3
Titik sampel 4
Titik sampel 5
Titik sampel 6
Titik sampel 7
Titik sampel 8
Titik sampel 9
Titik sampel 10
Titik sampel 11
Titik sampel 12
Titik sampel 13
Titik sampel 14
Titik sampel 15
Titik sampel 16
Titik sampel 17
Titik sampel 18
Titik sampel 19
Titik sampel 20
Titik sampel 21
Titik sampel 22
Titik sampel 23
Titik sampel 24
Titik sampel 25
Titik sampel 26
Titik sampel 27
Titik sampel 28
Titik sampel 29
Titik sampel 30
Titik sampel 31