LAPORAN AKHIR PENELITIAN DOSEN PEMULA - umgo.ac.id

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

mailto:[email protected]

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


Gorontalo dari citra landsat 8 tahun 2018 ..…………………………… 18


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.


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


Kota Gorontalo dari citra landsat 8 tahun 2018



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



Tubuh air 376,58 5,8

Vegetasi 2.492,90 38,4


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



Tubuh air 58,92 0,91

Vegetasi 2.680,86 41,28


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










11 Lahan terbangun Lahan tebuka 123.0628 0.525739












23 Lahan terbangun Lahan terbuka 123.0537 0.562923


25 Lahan terbangun Tubuh air 123.0898 0.567989




24

No. Interpretasi

citra Cek lapangan

Koordinat (Geografis)

Longitude Latitude




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:

https://earth.esa.int/web/guest/missions/esa-operational-eo-missions/sentinel-2

https://earth.esa.int/web/guest/missions/esa-operational-eo-missions/sentinel-2

- 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_4 = "Y"






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_MINIMUM_BAND_10 = 0.10033


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

















END_GROUP = MIN_MAX_REFLECTANCE

GROUP = MIN_MAX_PIXEL_VALUE

QUANTIZE_CAL_MAX_BAND_1 = 65535

QUANTIZE_CAL_MIN_BAND_1 = 1





















END_GROUP = MIN_MAX_PIXEL_VALUE

GROUP = RADIOMETRIC_RESCALING

RADIANCE_MULT_BAND_1 = 1.2880E-02











RADIANCE_ADD_BAND_1 = -64.39867









RADIANCE_ADD_BAND_10 = 0.10000

RADIANCE_ADD_BAND_11 = 0.10000

REFLECTANCE_MULT_BAND_1 = 2.0000E-05









REFLECTANCE_ADD_BAND_1 = -0.100000









END_GROUP = RADIOMETRIC_RESCALING

GROUP = TIRS_THERMAL_CONSTANTS

K1_CONSTANT_BAND_10 = 774.8853




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" :


20180318T052940/datastrip/0"

}

} ],

"datastrips" : [ {

"id" :

"S2B_OPER_MSI_L1C_DS_SGS__20180318T052940_S20180318T021348_N02.06

",

"path" :


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:




lahan terbuka [Yellow] 36 points:




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


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:

tubuh air [Red] 875 points: (1.99999987 2.00000000)



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


lahan terbangun [Red] 124 points:


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:




tubuh air [Yellow] 70 points:





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


vegetasi [Red] 149 points:

tubuh air [Green] 148 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:




awan [Cyan] 116 points: (2.00000000 2.00000000)


lahan terbangun [Blue] 77 points:




awan [Cyan] 116 points: (2.00000000 2.00000000)


lahan terbuka [Yellow] 123 points:




awan [Cyan] 116 points: (2.00000000 2.00000000)


awan [Cyan] 116 points:






bayangan awan [Magenta] 101 points:





awan [Cyan] 116 points: (2.00000000 2.00000000)


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

Documents

LAPORAN AKHIR PENELITIAN DOSEN PEMULA - umgo.ac.id