EKSTRAKSI DATA KEDALAMAN MENGGUNAKAN DATA CITRA LANDSAT-8

Sidik Rahmatul Fadilah1, Masita Dwi Mandini Manessa2, Rudie Rachmat Atmawidjaja3

ABSTRAK

Pesatnya perkembangan teknologi penginderaan jauh ditandai dengan semakin baiknya

resolusi spasial dan resolusi spektral. Hasil penginderaan jauh citra satelit dapat digunakan dalam
berbagai bidang seperti salah satunya dalam bidang batimetri. Pemanfaatan citra satelit dirasa sangat
efektif dan efisien untuk dilakukan karena biaya yang relatif lebih murah dan cakupan area analisis
yang luas, hanya saja terdapat kendala seperti salah satunya adalah objek awan yang menutupi
permukaan bumi. Metode perhitungan algoritma Regresi Linier Berganda (RLB) untuk Batimetri
Berbasis Satelit (BBS) dikembangkan oleh Lyzenga yang digunakan untuk pengolahan citra agar
mendapatkan nilai kedalaman disuatu perairan, kemudian dievaluasi tingkat akurasi saat digunakan
terhadap citra dengan variasi kondisi awan yang berbeda. Data yang digunakan citra landsat-8 dengan
variasi kondisi awan yang berbeda dan data pengukuran kedalaman air menggunakan echosounder
multibeam dengan sampel lokasi penelitian perairan Pulau Bawean Kabupaten Gersik Provinsi Jawa
Timur, dengan menggunakan metode perhitungan RLB. Nilai akurasi citra Landsat-8 untuk prediksi
kedalaman dengan menggunakan metode algoritma RLB menghasilkan nilai RMSE 3.584354 s/d
4.490031 meter dan R2 0.8455 s/d 0.7789 dimana akurasi terbaik didapatkan saat kondisi citra bebas
awan, dalam variasi kondisi berawan nilai akurasi berbeda tetapi perbedaan itu tidak signifikan.
Dalam kegiatan ekstraksi data kedalaman menggunakan citra Landsat-8 perlu dilakukan pemilihan
data citra tanpa awan, dan perlu mempertimbangkan penggunaan teknik koreksi atmospheric citra.
Kata Kunci: Penginderaan Jauh, Pengolahan Citra Digital, Batimetri

I. PENDAHULUAN
1.1 Latar Belakang
Pesatnya perkembangan teknologi
penginderaan jauh mempermudah melakukan
pekerjaan maupun penelitian dalam berbagai
bidang. Saat ini kondisi data satelit semakin
baik terutama resolusi spasial maupun resolusi
spektral. Dengan bertambah baiknya resolusi
spasial maka dimungkinkan untuk
mengekstraksi objek-objek yang relatif lebih
rinci dalam ukurannya, begitu pula dengan
bertambah baiknya resolusi spektral maka
memungkinkan citra satelit dapat digunakan
untuk mengekstraksi informasi atau objek
didasarkan pada nilai spektral dari objek
tertentu.
Data hasil perekaman satelit disebut
citra satelit, citra memiliki perbedaan
spesifikasi informasi. Dilihat dari prinsip kerja
sensor satelit yaitu aktif (energi dihasilkan dari
satelit itu sendiri) dan juga pasif (energi
dihasilkan dari matahari). Citra hasil
perekaman satelit aktif yaitu SAR (Synthetic
Aperture Radar), sedangkan citra hasil
perekaman satelit pasif yaitu: Hyperspektral,
Pankromatik, dan Multispektral.
Penyiaman multispektral (MSS)
mampu melakukan penginderaan jauh dengan
menggunakan energi pantulan dan pancaran
objek secara bersamaan. Penyiam
multispektral secara sederhana berupa detektor
multi sebagai perluasan penyiam termal
(Lillesand & Kiefer, 1997). Data multispektral
memiliki 3 - 11 saluran/band: saluran tampak
(visible band), inframerah dekat (near
infrared), dan inframerah (infrared) (Manessa
M. D., 2018). Citra multispektral mampu
mempermudah kegiatan pekerjaan maupun
penelitian, namun dalam data citra
multispektral masih terdapat kendala yang
menyertainya, adapun salah satu kendala yang
sering dihadapi adalah objek awan yang
menutupi permukaan bumi. Objek tertutup
awan ini merupakan kendala yang sering
dihadapi oleh beberapa citra penginderaan
jauh, seperti salah satunya citra Landsat-8
yang memiliki luas liputan yang relatif luas
sehingga sulit memperoleh citra bebas awan
dalam satu perekaman. Dengan kendala
demikian citra multispektral tetap
dimanfaatkan diberbagai bidang seperti dalam
bidang topografi, batas wilayah, batimetri, dan
sebagainya. Pemanfaatan citra satelit dirasa
sangat efektif dan efisien untuk dilakukan

Program Studi Teknik Geodesi FT UNPAK 1

karena biaya yang relatif lebih murah dan Tujuan penelitian ini adalah:
cakupan area analisis yang luas. 1. Menentukan tingkat akurasi nilai
Pemanfaatan citra dalam kegiatan kedalaman yang diekstrak dari satelit
batimetri dikenal dengan sebutan BBS Landsat-8 menggunakan metode RLB.
(Batimetri Berbasis Satelit). BBS bermanfaat 2. Mengetahui pengaruh kondisi kualitas
untuk mencari nilai kedalaman disuatu citra satelit landsat-8 dalam ekstraksi
perairan. Untuk mendapatkan nilai kedalaman informasi nilai kedalaman.
maka harus dilakukan perhitungan algoritma
BBS, seperti pada penelitian P. Ika Manfaat yang dapat diambil dengan
Wahyuningrum dkk. (2008) menggunakan adanya penelitian ini adalah: Memberikan
perhitungan algoritma Principle Component informasi penggunaan citra Landsat-8 untuk
(PC) (Prihatin, Jaya, & Simbolon, 2008), pada nilai kedalaman perairan menggunakan
penelitian Manessa, Masita Dwi Mandini dkk. metode RLB.
(2016) (Manessa, et al., 2016), dan Penanda, II. Metode
Ihsan Najmi. (2018) menggunakan 2.1 Daerah Penelitian
perhitungan algoritma Random Forest (RF) Lokasi penelitian berada di selatan Pulau
(Penanda, 2018), pada penelitian Stumpf dkk. Bawean Kabupaten Gresik Jawa Timur.
(2003) menggunakan perhitungan algoritma
Transformasi Ratio (TR) (Stumpf &
Holderied, 2003), pada penelitian Lyzenga.
(2006) menggunakan perhitungan algoritma
Regresi Linier Berganda (RLB) (Lyzenga,
Malinas, & Tanis, 2006), Pada kali ini penulis
akan meneliti BBS dengan menggunakan
perhitungan algoritma Regresi Linier
Berganda (RLB) yang dikembangkan oleh
Lyzenga. (2006), karena dirasa RLB adalah
perhitungan algoritma sederhana untuk
mendapatkan nilai kedalaman.
BBS adalah sebuah pemodelan
algoritma yang diturunkan satelit untuk
memetakan batimetri. BBS dilakukan pada Gambar 1 Lokasi Penelitian
citra multispektral, citra WorldView-2,
QuickBird, SPOT-7, dan Landsat sering 2.2 Data
digunakan dalam pemetaan batimetri yang Data yang digunakan dalam pengolahan :
dilakukan di Indonesia (Penanda, 2018). a. Data Primer
Seperti pada penelitian Penanda, Ihsan Najmi. 5 Sampel data Citra Landsat-8 tanggal
(2018) menggunakan citra Sentinel-2 04/07/2016, 09/09/2017, 11/10/2017,
(Penanda, 2018), pada penelitian Manessa, 20/03/2018, dan 05/04/2018 yang
Masita Dwi Mandini dkk. (2016) meliputi kondisi: berawan banyak,
menggunakan citra WorldView-2 (Manessa, et berawan sedang, berawan sedikit, dan
al., 2016), dan pada penelitian P, Ika tanpa awan.
Wahyuningrum dkk. (2008) menggunakan
citra Landsat-7 (Prihatin, Jaya, & Simbolon,
2008). Pada penelitian ini digunakan citra
Landsat-8 dengan hanya menggunakan 3
band/saluran yaitu: band 2, band 3, dan band
4, hal ini dikarenakan band 2 sampai dengan
band 4 dapat melihat permukan air dan juga Gambar 2 Raw Data Citra Landsat-8
dasar laut (menembus air). Citra landsat-8
mudah didapatkan dan juga tanpa biaya untuk b. Data Sekunder
mendapatkannya, selain itu penulis ingin - Data survey batimetri perairan
melihat pengaruh variasi kondisi kualitas citra Bawean tanggal 15/01/2017 yang
landsat-8 terhadap akurasi metode RLB. didapat dari Pushidrosal TNI AL

Program Studi Teknik Geodesi FT UNPAK 2

 - Data pasang surut perairan Pulau
Bawean tanggal 1 s/d 31 Januari 2017
yang didapat dari Pushidrosal TNI AL.
b. Cropping (Pemotongan)
Gambar 3 Titik Pengukuran Multibeam
c. Koreksi Radiometrik
2.3 Metode
Data penginderaan jauh pada umumnya
adalah hasil perekaman suatu objek, daerah
atau fenomena tertentu, atau dikenal dengan
istilah citra (image). Citra adalah gambar dua
atau tiga dimensi sebagai fungsi kontinu dari
intensitas gelombang elektromagnetik yang
diterima sensor, citra dapat berbentuk data
digital maupun non-digital, yang merekam unit
terkecil permukaan bumi atau dinamakan pixel
(picture element). Tiap pixel menggambarkan
bagian wilayah permukaan bumi dengan nilai
insentitas serta alamat dalam bentuk dua
dimensi. Nilai intensitas tersebut
menggambarkan ukuran kuantitas fisik yang
merupakan pantulan atau pancaran radiasi
matahari dari suatu objek dengan panjang
gelombang tertentu yang diterima oleh sensor.
Untuk setiap pixel mempunyai informasi
koordinat, koordinat x, y menunjukkan lokasi
unit tersebut dalam koordinat geografi x, y dan
z menunjukkan nilai intensitas pantul dari tiap
pixel dalam tiap selang panjang gelombang
yang dipakai (Amelia, 2010). Pada data citra
nilai koordinat dan nilai spektral dikonversi
dalam bentuk angka yang biasa disebut DN
(Digital Number), hal ini bertujuan agar data
yang terekam pada satelit hanya membutuhkan
sedikit memori.
1. Pengolahan Citra Digital
Pengolahan data citra digital merupakan
suatu proses yang bertujuan untuk mengolah
dan menganalisis citra dengan bantuan
komputer. Pada pengolahan citra digital
terdapat beberapa proses yang harus dilakukan
terhadap data penginderaan jauh, yaitu :
Program Studi Teknik Geodesi FT UNPAK
a. Layer Stacking
Layer stacking merupakan sebuah
teknik untuk menggabungkan beberapa
saluran citra yang terpisah menjadi satu
file yang tergabung, dengan prinsip
penggabungan; daerah perekaman masih
pada satu area, lebar dimensi citra yang
dimiliki sama.
Cropping citra merupakan cara
pengambilan data yang dilakukan dengan
memisahan/memotongan suatu area
tertentu dari suatu data citra yang
memiliki area yang lebih luas, yang
bertujuan untuk mendapatkan daerah
penelitian dengan maksud untuk dapat
melakukan pengolahan data yang lebih
fokus, rinci, dan lebih optimal.
Koreksi radiometrik merupakan
proses untuk memperbaiki kualitas
visual citra dalam hal memperbaiki nilai
piksel yang tidak sesuai dengan nilai
pantulan atau pancaran spektral objek
yang sebenarnya. Efek atmosfer
menyebabkan nilai pantulan objek
dipermukaan bumi yang terekam oleh
sensor menjadi bukan nilai aslinya,
tetapi menjadi lebih besar oleh karena
adanya hamburan atau lebih kecil
karena proses serapan. Kondisi
kecerahan data citra selain terpengaruh
oleh kondisi dan efek atmosfer, juga
dipengaruhi oleh sudut sinar matahari
dan sensitifitas sensor.
Pada citra landsat-8 konversi
nilai DN menjadi Top Of Atmosphere
(TOA) reflektan menggunakan faktor
resistansi pancaran yang disediakan
dalam rumus:
(𝑀𝑝 𝑥 𝑄𝑐𝑎𝑙)+𝐴𝐿
𝜌𝑠𝜆 = ........................ (1)
sin(∅𝑠)
Dimana
𝜌𝑠𝜆 = TOA spektral reflektan
Mp= Saluran spesifikasi multiplicative
rescaling factor dari file meta data
(REFLECTAN_MULT_BAND)
AL = Saluran spesifikasi additive
rescaling factor dari file meta data
(REFLECTAN_ADD_BAND)
Qcal = Quantized and calibrated
standard product pixel values (DN)
∅s = Sun Elevation dari file meta
data
3
 d. Koreksi Atmospheric dan Linierisasi
Reflektan.
Koreksi atmospheric merupakan
salah satu algoritma koreksi radiometrik
yang relatif baru. Koreksi ini dilakukan
dengan mempertimbangkan berbagai
parameter atau indikator atmosfer dalam
proses koreksi. Koreksi atmosfer
dilakukan untuk menghilangkan
pengaruh bercampurnya saluran spektral
dengan unsur-unsur molekul yang ada di
atmosfer agar nilai radian atau reflektan
sesuai atau mendekati nilai yang
sebenarnya. Partikel-partikel di
atmosfer meningkatkan nilai spektral,
karena partikel atmosfer memiliki
pantulan lebih tinggi, sehingga
keberadaan partikel ini dapat
menimbulkan bias.
Model koreksi atmosfer yang
termasuk model absolut antara lain
Second Simulation of the Satellite
Signal in the Solar Spectrum (6S), Fast
Line-of-sight Atmospheric Analysis of
Spectral Hypercubes (FLAASH) dan
Landsat Ecosystem Disturbance
Adaptive Processin System (LEDAPS).
Sedangkan model koreksi atmosfer yang
termasuk model relatif adalah Pseudo
Invariant Features (PIFs) dan
Radiometric Control Sets (RCS)
(Mahiny & Turner, 2007). Adapun
koreksi atmospherik yang sering
digunakan adalah Dark Object
Substaction (DOS). DOS merupakan
koreksi absolut dimana nilai reflektan
pada satelit di konversi menjadi nilai
surface reflektan dengan asumsi bahwa
terdapat objek yang mempunyai nilai
pantulan mendekati nol persen, meski
demikian energi yang terekam sensor
dari objek merupakan hasil dari
hamburan atmosfer yang harus
dihilangkan. Maka nilai TOA reflektan
permukaan harus dirubah dengan cara
menghilangkan pengaruh atmosfer pada
citra dengan menggunakan rumus:
𝜌𝑠 = 𝜌𝑇𝑂𝐴 − 𝜌𝑇𝑂𝐴.𝑙𝑎𝑢𝑡𝑑𝑎𝑙𝑎𝑚 .......... (2)
Dimana:
𝜌𝑠 = Reflektan permukaan
𝜌𝑇𝑂𝐴 = Reflektan TOA
𝜌𝑇𝑂𝐴.𝑙𝑎𝑢𝑡𝑑𝑎𝑙𝑎𝑚 = Rerata reflektan laut
dalam
Hasil dari nilai reflektan permukaan
kemudian dilinierkan dengan rumus :
Program Studi Teknik Geodesi FT UNPAK
X = Loge(𝜌𝑠 ).................................. (3)
Dimana :
𝜌𝑠 = Reflektan permukaan
e. Mask
Masking bertujuan untuk menghapus
nilai piksel yang tidak diperlukan dan
memungkinkan akan mengganggu area
yang sedang diteliti. Pada penelitian ini
objek yang harus melalui proses mask yaitu
objek darat dan juga objek awan.
Sebelum masuk pada tahap mask perlu
terlebih dahulu harus mengetahui nilai
piksel darat dan juga awan, nilai yang perlu
diketahui adalah nilai terkecil hingga nilai
terbesar. Untuk melihat nilai objek maka
perlu penyesuaian saluran untuk objek
tersebut, karena setiap saluran mempunyai
kelebihan dan juga kekurangan untuk
penetrasi pada objek tertentu.
2. Ekstraksi Data Kedalaman
Data pengukuran multibeam yang
digunakan hanya pada kedalaman 0 s/d 30 m,
maka data kedalaman yang lebih atau kurang
dihapus, kemudian input data kedalam
perangkat lunak ArcGIS 10.1, data citra yang
diinput hanya yang digunakan untuk keperluan
interpretasi air dan kedalaman saja yaitu pada
tiga saluran/band 2, 3, dan 4.
a. Prediksi Kedalaman
Untuk mendapatkan nilai prediksi
kedalaman, perlu melalui beberapa
pemprosesan, pada penelitian ini proses
dilakukan dengan bantuan perangkat
lunak Microsoft Excel.
b. Koreksi Pasangsurut
Koreksi pasut dilakukan pada data
multibeam dan juga pada nilai piksel citra.
koreksi ini dilakukan dengan cara
menambah nilai multibeam dengan nilai
Lowest Astronomical Tide atau
permukaan laut terendah, dan juga nilai
piksel ditambah dengan nilai Lowest
Astronomical Tide atau permukaan laut
terendah.
c. Pemisahan Data
Untuk mendapatkan nilai prediksi
kedalaman perlu memisahkan data menjadi
dua kelompok, data hasil ekstraksi dibagi
dengan cara acak dan sama banyak yang
4
fungsinya untuk dijadikan data training dan
data validasi. Data training berfungsi sebagai
data untuk membangun model perhitungan
RLB, dan data validasi berfungsi untuk untuk
mengetahui eror dari model.
- Data Training
Dilakukan dengan menggunakan
perangkat lunak microsoft excel
Gambar 4 Pembuatan Model
- Data Validasi
Dilakukan dengan menggunakan
perangkat lunak microsoft excel untuk
memprediksi data kedalaman, mengkoreksi
data model yang digunakan untuk mencari
nilai kedalaman, pada tahapan ini dilakukan
proses uji akurasi dengan mencari nilai Error,
SE, MSE, RMSE dan R2 yang dihasilkan oleh
metode algoritma RLB. Pada data validasi ini
pula proses penggambaran scattergram dibuat.
2.5 Model Prediksi
1. Regresi Linier
Regresi linier adalah alat statistik yang
dipergunakan untuk mengetahui pengaruh
antara satu atau beberapa variabel terhadap
satu buah variabel. Analisis regresi
mempelajari bentuk hubungan antara satu atau
lebih variabel bebas (X) dengan satu variabel
terikat (Y), tujuan analisis regresi adalah untuk
memprediksi seberapa besar hubungan yang
ada diantara variabel-variabel tersebut,
sehingga output dari analsis regresi adalah
persamaan.
Persamaan regresi adalah persamaan
matematis yang memungkinkan untuk
meramaikan nilai nilai dari suatu variabel
variabel (peubah) tak bebas dari nilai-nilai satu
atau lebih peubah bebas. Regresi diterapkan
pada semua jenis peramalan, dan tidak harus
berimplikasi suatu regresi mendekati nilai
tengah populasi (Wallpole & Myers, 1995).
Secara umum regresi terdiri dari dua,
yaitu regresi linier sederhana dan juga regresi
linier berganda. Berikut penjelasannya.
Program Studi Teknik Geodesi FT UNPAK
a. Regresi linier sederhana
Analisis regresi linier sederhana
dipergunakan untuk mengetahui pengaruh
antara satu buah variabel bebas terhadap
satu buah variable terikat. Persamaan
umumnya adalah
𝑌 = 𝑎𝑋 + 𝑐 ..................................... (4)
Dimana :
Y = Variabel Terikat
X = Variable Bebas
a = Koefisien Regresi (Slope/Gradien)
c = Konstanta (Intercept)
b. Regresi Linier Berganda
Analisis regresi linier berganda
sebenarnya sama dengan analisis regresi
linier sederhana, hanya saja memiliki
variabel bebas lebih dari satu. Persamaan
umumnya adalah
𝑌 = (𝑎. 𝑥1 + 𝑎. 𝑥2 + 𝑎. 𝑥3 + 𝑎. 𝑥4 +
𝑎. 𝑥𝑛 ) + 𝑐 ........................................ (5)
Dimana :
Y = Variabel Terikat
X = Variable Bebas
a = Koefisien Regres (Slope)
c = Konstanta (intercept)
2. Metode Lyzenga
Metode Lyzenga yaitu metode algoritma
RLB (Regrisi Linier Berganda) yang
digunakan untuk perhitungan nilai kedalaman
BBS adapun rumus algoritma RLB lyzenga
sebagai berikut :
ℎ̂ = ((𝑎𝑏𝑎𝑛𝑑𝑏𝑙𝑢𝑒 . 𝑥𝑏𝑎𝑛𝑑𝑏𝑙𝑢𝑒 ) +
(𝑎𝑏𝑎𝑛𝑑𝑔𝑟𝑒𝑒𝑛 . 𝑥𝑏𝑎𝑛𝑑𝑔𝑟𝑒𝑒𝑛 ) +
(𝑎𝑏𝑎𝑛𝑑𝑟𝑒𝑑 . 𝑥𝑏𝑎𝑛𝑑𝑟𝑒𝑑 )) + 𝑐 ......................... (6)
Dimana :
ℎ̂ = Kedalaman estimasi
a = Koefisien Saluran/band
x = Loge Reflektan
c = Konstanta (intercept)
2.6 Uji Akurasi
Dalam perhitungan prediksi kedalaman
memerlukan evaluasi prediksi kedalaman, hal
ini dilakukan dengan evalusi menggunakan
rumus R2 dan juga RMSE (Root Mean Square
Error) sebagai berikut :
1. R2
R2 adalah metode untuk mengukur
ketersebaran dalam datanya itu sendiri,
jika nilai mendekati angka 1 maka data
yang cukup bermacam-macam itu sudah
5
 tertangani dengan baik baik dalam model saluran red, green, dan blue dapat menembus
regresi linier yang dibentuk. air, maka dengan pemodelan hitungan tertentu
2
̂i )
(ℎ𝑖 − ℎ maka dapat diketahui kedalaman suatu
R 2 = 1 − ∑𝑖 2 ................. (7) perairan di suatu daerah tertentu (area survei).
(ℎ𝑖 − ℎ)
Dimana :
III. PEMBAHASAN
ℎ𝑖 = Kedalaman pengukuran 3.1 Persiapan
ℎ̂i = Kedalaman estimasi Data hasil pengunduhan berupa data
ℎ = Rata-rata nilai kedalaman primer dan data sekunder, untuk data primer
𝑛 = jumlah titik diunduh pada website
R2 = Koefisien determinasi https://earthexplorer.usgs.gov. yang direkam
2. RMSE pada tanggal 4 Juli 2016, 9 September 2017,
RMSE adalah metode untuk 11 Oktober 2017, 20 Maret 2018, dan 5 April
mengevaluasi teknik peramalan yang 2018 dengan variasi kondisi awan berbeda.
digunakan untuk mengukur tingkat Data hasil pengunduhan berupa data 11
akurasi hasil perkiraan dari suatu model. saluran/band yang terpisah.
RMSE merupakan nilai rata-rata dari
jumlah kuadrat kesalahan, juga dapat
menyatakan ukuran besarnya kesalahan
yang dihasilkan oleh suatu model
perkiraan. Adapun rumus RMSE sebagai
berikut
(∆ℎ − ∆ℎi ) ̂ 2 Gambar 5 Raw aData Citra Landsat-8
RMSE = ∑𝑛𝑖=1 √ 𝑖 ................(8)
𝑛
Dimana : Data Sekunder berupa data multibeam
∆ℎ𝑖 = Selisih kedalaman pengukuran echosounder yang di dapat dari
∆ℎ̂i = Selisih kedalaman estimasi PUSHIDROSAL.
𝑛 = jumlah titik
RMSE = Nilai rata-rata dari jumlah
kuadrat kesalahan
2.7 Citra Landsat-8
Landsat-8 adalah sebuah satelit observasi
bumi Amerika yang diluncurkan pada tanggal
11 Februari 2013, satelit landsat 8
menggambarkan seluruh bentuk bumi setiap
16 hari. Landsat membawa dua instrumen
push-broom: The Operational Land Imager
(OLI) dan Thermal Infrared Sensor (TIRS) Gambar 6 Titik Pengukuran Multibeam
(USGS, 2018). Landsat-8 diorbitkan pada
ketinggian 705 Km mendekati lingkaran 3.2 Image Preprocessing
singkron matahari, dengan inklinasi 98,2°, laju Tahap ini adalah tahapan pertama yang
pengamatan data 384 M bits/sec. perlu dilakukan untuk proses pengolahan citra.
Terapan interpretasi citra landsat telah Proses ini dilakukan untuk persiapan data citra
dilakukan didalam disiplin ilmu seperti, menuju pemprosesan lebih lanjut.
pertanian, botani, kartografi, geodesi, geologi, 3.2.1 Layer Stacking
geografi, geofisika, teknik sipil, kehutanan, Pada gambar 7 (b) menunjukan hasil dari
perencanaan tataguna lahan, oseanografi, dan proses Layer Stacking dengan kombinasi multi
analisis sumberdaya air. Untuk interpretasi band.
citra landsat perlu adanya pemilihan
saluran/band untuk perpaduan yang paling
sesuai dengan tujuannya, untuk kegunaannya
pada survei batimetri saluran yang perlu
dipadukan yaitu saluran 4, 3, dan 2 (red,
green, dan blue), hal ini dikarenakan pada

Program Studi Teknik Geodesi FT UNPAK 6

 Tabel 2 Hasil Koreksi Atmospheric
Landsat-8

(a) (b)
Gambar 7 (a) Gray image: Single Band dan (b)
True Color Image Multi Band
3.2.2 Cropping
Data yang didapatkan dari hasil
pengunduhan mencangkup area penelitian dan
juga lautan yang luas tetapi bukan area 3.5 Mask
penelitian, untuk itu perlu dilakukan proses Objek yang di-masking yaitu objek darat
cropping/pemotongan citra. dengan fokus melihat niai pada saluran/band 5
Near Inrared (NIR) dan awan pada
saluran/band 1 (aerosol/coastal). Setelah
proses masking data darat dan awan, maka
nilai darat dan awan kini tidak memiliki nilai
(bernilai nol).
Tabel 3 Nilai Piksel yang Dihapus
(a) (b)
Gambar 8 (a) Sebelum Proses Cropping dan
(b) sesudah Proses Cropping
3.3 Koreksi Radiometrik
Hasil dari proses koreksi radiometrik
yaitu citra yang mempunyai nilai TOA
reflektan.
Tabel 1 Hasil Koreksi Radiometrik Landsat-8
3.6 Ekstraksi Data Kedalaman
Hasil ekstraksi data kedalaman multibeam
kedalam data citra pada saluran/band blue,
green, dan red, tidak 100% bisa terekstrak, hal
ini dikarenakan tidak semua data citra
memiliki nilai piksel.
Tabel 4 Hasil Ekstraksi Data

3.4 Koreksi Atmospheric

Koreksi Atmospheric merubah nilai piksel
dari reflektan TOA menjadi Reflektan
3.6.1 Data Training
permukaan dan tentunya merubah tampilan
Data training digunakan untuk
visualisasi citra, linierisasi reflektan
pembangunan model RLB, model dibangun
permukaan merubah nilai reflektan permukaan
dengan menggunakan nilai kedalaman hasil
menjadi linier, hasil koreksi dan linierisasi
pengukuran multibeam dan nilai piksel dari
nilai refektan permukaan.
saluran/band blue, green, dan red. Model RLB
selanjutnya digunakan untuk mencari nilai
prediksi kedalaman. Nilai hasil pembangunan

Program Studi Teknik Geodesi FT UNPAK 7

model pada variasi kondisi citra semua
berbeda.
3.6.2 Prediksi Nilai Kedalaman
Nilai prediksi kedalaman didapat dengan
menghitung nilai piksel menggunakan model
algoritma RLB. Dalam formula prediksi dapat
diketahui bahwa band green memberikan
kontribusi paling kuat dalam memprediksi
kedalaman.Panjang gelombang blue
berpenetrasi baik terhadap air, panjang
gelombang blue banyak mengalami hambatan
yang berupa hamburan Rayleight. Untuk
saluran green hambatan yang berupa
hamburan Rayleight lebih kecil dari pada
hambatan saluran blue, oleh sebab itu saluran
green lebih baik untuk penginderaan yang
berhubungan dengan air.
(a) (b)
(c) (d)
(e)
Gambar 9 Scattergram Hasil Prediksi
Kedalaman Landsat-8 (a) Tanggal Perekaman
4 Juli 2017 (b) Tanggal Perekaman 9
September 2017 (c) Tanggal Perekaman 11
Oktober 2017 (d) Tanggal Perekaman 20
Maret 2018 (e) Tanggal Perekaman 5 April
2018
Program Studi Teknik Geodesi FT UNPAK
3.6.3 Uji Akurasi
Citra Landsat-8 dengan persentase awan
7% dan jumlah data 81% yang direkam pada
tanggal 4 Juli 2016 model yang digunakan
cukup baik dan data yang didapat dari model
cukup baik. Citra Landsat-8 dengan persentase
awan 3% dan jumlah data 95% direkam pada
tanggal 9 September 2017 model yang
digunakan baik dan data yang didapat dari
model baik. Citra Landsat-8 dengan persentase
awan 11% dan jumlah data 81% direkam pada
tanggal 11 Oktober 2017 model yang
digunakan cukup baik dan data yang didapat
dari model cukup baik. Citra Landsat-8 dengan
persentase awan 10% dan jumlah data 30%
direkam pada tanggal 20 Maret 2018 model
yang digunakan cukup baik dan data yang
didapat dari model cukup baik. Citra Landsat-
8 dengan persentase awan 2% dan jumlah data
10% direkam pada tanggal 5 April 2018 model
yang digunakan cukup baik dan data yang
didapat baik, hal ini disebabkan karena
sedikitnya jumlah data. Jumlah data berkurang
setelah dilakukannya koreksi atmospherik.
Hasil akurasi prediksi kedalaman yang
sangat baik yaitu citra Landsat-8 yang direkam
pada tanggal 9 September 2017, karena data
besar dan tutupan awan sedikit.
Tabel 5 Uji Akurasi
3.6.4 Kasus Tanpa Koreksi Atmospheric
Pada citra Landsat-8 yang direkam
tanggal 5 April 2018 data hasil prediksi
kedalaman buruk dan jumlah datanya pun
hanya 10%, dapat dilihat pada tabel 6. Padahal
jika dilihat secara visual image quality citra
(Gambar 10) tersebut menunjukan bahwa citra
bagus (persentase awan hanya 2% dan
permukaan air lautnya pun tenang).
8

Gambar 10 Citra Landsat-8 Tanggal
Perekaman 5 April 2018
Tabel 6 Uji Akurasi Citra Landsat-8 Tanggal
Perekaman 5 April 2018
Gambar 11 Scattergram Hasil Pediksi
Kedalaman Tanpa Koreksi Atmospheric
Hasil dari pengulangan pengolahan data
menunjukan bahwa terjadi over corection,
sehingga jumlah piksel citra berkurang
signifikan setelah dilakukan koreksi
atmospheric.

3.7 Peta Distribusi Kedalaman Berdasarkan

Pada pengulangan pengolahan, saat Citra Landsat-8
dilakukan linierisasi nilai reflektan permukaan, Data hasil ekstraksi kedalaman
hasil yang didapat yaitu N/A (Not Avaliable). divisualisasikan berbentuk peta (Gambar 12)
Hasil uji ini dapat dilihat pada tabel 7. sebagai berikut.
dibawah ini.
Tabel 7 Koreksi Atmospheric Dan Linierisasi
Citra Landsat-8 Tanggal Perekaman 5 April
2018

Dengan hasil koreksi atmospheric diatas,

maka dilakukan pengujian citra hanya dengan
koreksi radiometrik dan linierisasi nilai
reflektan TOA saja, sebagai hasil ditunjukan
bahwa data prediksi kedalamanpun menjadi (a)
baik nilai prediksi linier terhadap data
pengukuran multibeam (Gambar 10), untuk
hasil uji akurasi RMSE menjadi kurang baik
atau meningkat nilainya, hal ini dikarenakan
bertambahnya jumlah data, dan untuk hasil uji
akurasi R2 nilai semakin baik dengan nilai
menjadi lebih besar atau mendekati nilai 1.
Dapat dilihat pada tabel 8.

Tabel 8. Dengan Koreksi Atmospheric Dan

Tanpa Koreksi Atmospheric
(b)

Program Studi Teknik Geodesi FT UNPAK 9


(c)
(d)
(e)
Gambar 12 Peta Distribusi Kedalaman
Berdasarkan Citra Landsat-8 (a) Tanggal
Perekaman 4 Juli 2017 (b) Tanggal Perekaman
9 September 2017 (c) Tanggal Perekaman 11
Oktober 2017 (d) Tanggal Perekaman 20
Maret 2018 (e) Tanggal Perekaman 5 April
2018
Pada kelima peta distribusi kedalaman
berdasarkan citra Landsat-8 diatas terdapat
nilai 0 di area lautan, hal ini disebabkan
hilangnya nilai piksel setelah dilakukan
koreksi atmospheric.
IV. KESIMPULAN DAN SARAN
Berdasarkan hasil penelitaan maka
didapatkan kesimpulan serta saran sebagai
berikut
Program Studi Teknik Geodesi FT UNPAK
4.1 Kesimpulan
1. Akurasi prediksi kedalaman berdasarkan
citra Landsat-8 memiliki nilai RMSE
3.584354 s/d 4.490031 m dan R2 0.8455
s/d 0.7789. Dimana akurasi terbaik di
dapatkan saat kondisi bebas awan.
2. Pada citra Landsat-8 variasi kondisi
berawan memberikan pengaruh pada
nilai akurasi yang berbeda tetapi
perbedaan itu tidak signifikan, dan
faktor awan pada variasi kondisi citra
berawan tidak terlalu mempengaruhi
nilai akurasi. Akan tetapi sangat
mempengaruhi luasan area yang dapat
dipetakan.
3. Penelitian ini menemukan bahwa ada
kasus-kasus tertentu koreksi
atmosphreic Dark Objek Subtraction
tidak perlu dilakukan. Yakni pada data
citra yang memiliki nilai area laut dalam
dan nilai area laut dangkal yang relatif
sama. Karena koreksi ini akan
menimbulkan penghilangan nilai piksel
(over corection). Sehingga luasan area
dapat dipetakan menjadi sedikit.
4.2 Saran
Data citra Landsat-8 baik untuk penelitian
kedalaman (ekstraksi data kedalaman), dengan
catatan perlunya pemilihan data citra tanpa
awan, dan perlu atau tidaknya koreksi
atmospheric. Mempertimbangkan penggunaan
teknik koreksi atmospheric lain seperti: 6S,
FLAASH, LEDAPS.
DAFTAR PUSTAKA
Amelia, R. (2010). Academica Edu. Dipetik
Mei 26, 2018, dari
http:/www.academica.edu/9163800/Pr
insip_Dasar_Penginderaan_Jauh
Lillesand, T. M., & Kiefer, R. W. (1997).
Remote Sensing and Image
Interpretation. Dalam Dulbahri, P.
Suharsono , Hartono, Suharyadi, &
Sutanto, Penginderaan Jauh dan
Interpretasi Citra (hal. 714).
Yogyakarta: Gadjah Mada University
Press.
Lyzenga, D. R., Malinas, N. P., & Tanis, F. J.
(2006). Multispectral Bathymetry
Using a Simple Physically Based
Algorithm. 44(8).
Mahiny, A. S., & Turner, B. J. (2007). A
Comparison of Four Common
10
 Atmospheric Correction Method. RIWAYAT PENULIS
Photogramterric Engineering and
Remote Sensing. 1. Sidik Rahmatul Fadilah, S.T, Alumni
Manessa, M. D. (2018). Pengenalan Jenis Tahun 2018 Program Studi Teknik Geodesi
Citra. Bogor: Program Studi Teknik – Fakultas Teknik – Universitas Pakuan
Geodesi Universitas Pakuan Bogor. Bogor.
2. Dr. Eng Masita Dwi Mandini Manessa,
Manessa, M. D., Kanno, A., Sekine, M.,
Staf Dosen Pengajar Program Studi Teknik
Haidar, M., Yamamoto, K., Imai, T.,
Geodesi – Fakultas Teknik – Universitas
et al. (2016). Satellite-Derived Pakuan Bogor.
Bathymetry Using Random Forest 3. Ir. Rudie Rachmat Atmawidjaja, Staf
Algorith And Wordview-2 Imagery. Dosen Pengajar Program Studi Teknik
Geoplanning, Journal Of Geomatics Geodesi – Fakultas Teknik – Universitas
And Planning, 3. Pakuan Bogor.
Penanda, I. N. (2018). Pemetaan Batimetri
Menggunakan Citra Sentinel-2 Studi
Kasus Perairan Gili Trawangan
Kabupaten Lombok Provinsi Nusa
Tenggara Barat. Bogor: Teknik
Geodesi Universitas Pakuan Bogor.
Prihatin, I. W., Jaya, I., & Simbolon, D.
(2008). Algoritma Untuk Estimasi
Kedalaman Perairan Dangkal
Menggunakan Data Landsat-7 ETM+.
Buletin PSP. Volume XVII. No. 3, 2.
Stumpf, R. p., & Holderied, K. (2003).
Determination Of Water Depth With
High-Resolution Satellite Imagery
Over Variable Bottom Types. 48 (1,
Part 2)(547-556).
Suryantoro, A. (2013). Penginderaan Jauh
Untuk Geografi. Yogyakarta: Ombak.
USGS. (2018, 3 15). Earth Explorer. Dipetik 3
19, 2018, dari
https://earthexplorer.us.gov
Wallpole, R. E., & Myers, R. H. (1995). Ilmu
Peluang dan Statistika Untuk Insinyur
dan Ilmuan/Ronald E Wallpole ;
Penerjemah RK Sembiring. Bandung:
ITB.

Program Studi Teknik Geodesi FT UNPAK 11