PERBANDINGAN METODE CLOUD FREE DENGAN

SORTING : CLOUD FREE PERCENTAGE, SORTING :

CLOUD COVERGE ASSESMENT DAN S2CLOUDLESS
PADA CITRA SATELIT SENTINEL 2-A
(Studi Kasus Kabupaten Berau, Kalimantan Timur)
Zola Saputra (15118037)

1. Pendahuluan

1.1 Latar Belakang

Awan adalah salah satu masalah yang harus diselesaikan ketika dalam pengolahan citra satelit
pasif. Hal ini disebabkan karena awan akan menutupi area yang berada dibawahnya sehingga
informasi yang berada di bawah awan tersebut sulit untuk diketahui dan dapat membuat
kesalahan interpretasi. Bayangan awan juga menjadi salah satu kendala utama dalam
pengolahan citra pasif dan juga menutupi daerah yang terkena bayangan itu sendiri serta akan
membuat nilai pixel pada citra menjadi nilai pixel yang tidak sebenarnya yang berakibat pada
kesalahan interpretasi tutupan lahan yang ada sehingga mendeteksi awan dan bayangannya
perlu dilakukan pada tahap prapengolahan citra (Braaten, Cohen, & Yang, 2015)

Menurut Danoedero (2012), satelit sumber daya dikatakan baik jika luasan liputan awannya
kurang dari 10%. Semakin banyak luasan liputan awannya berarti semakin banyak pula
informasi permukaan bumi yang hilang karena tutupan awan sekaligus bayangannya.
Meskipun demikian, seklaipun total liputan awan pada 1 scene citra kurang dari 10%, bisa jadi
liputan tersebut tersebar merata pada seluruh wilayah. Hal ini tentu saja sangat mengganggu
dalam proses interpretasi manual maupun klasifikasi secara digital karena tutupan awan
hampir selalu ditemani oleh tutupan bayangan awan (Danoedero, 2012)

Sentinel-2 merupakan pencitraan optik Eropa yang diluncurkan pada tahun 2015. Sentinel-2
merupakan satelit pertama yang diluncurkan sebagai bagian dari program European Space
Agency (ESA) Copernicus. Satelit ini membawa berbagai petakresolusi tinggi imager
multispectral dengan 13 band spektral. Satelit ini akan melakukan pengamatan terestrial
dalam mendukung layanan seperti pemantauan hutan, deteksi perubahan lahan tutupan, dan
manajemen bencana alam (Putri, Sukmono, & Sudarsono, 2018). Citra Sentinel 2 adalah salah
satu citra pasif sehingga perlu dilakukan Cloud Masking. Cloud Masking adalah proses yang
dilakukan untuk mendeteksi awan dan bayangannya. (Sinabutar, Sasmito, & Sukmono, 2020)

Pentingnya Cloud Masking dalam pengolahan pra processing citra menyebabkan

berkembangnya banyak metode dan algoritma. Dari sentinel sendiri telah dikembangkan
algoritma pendeteksian awan yang ditandai pada metadata sentinel yakni
CLOUD_FREE_PERCENTAGE dan CLOUD_FREE_ASSESMENT.
CLOUD_FREE_PERCENTAGE menujukkan persentase awan tiap pixel untuk jenis awan
spesifik sedangkan CLOUD_FREE_ASSESMENT menujukkan persentase awan tiap pixel
berdasarkan keseluruhan jenis awan yang ada. Developer dari Google Earth Engine
mengembangkan algoritma sendiri dalam penghilangan awan menggunakan metode

INSTITUT TEKNOLOGI BANDUNG 2021 TEKNIK GEODESI DAN GEOMATIKA

PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 2 of 10

S2Cloudless. Metode ini menggabungkan antara data citra sentinel dengan citra sentinel
probabilitas awan. Citra sentinel probabilitas awan ini didapatkan dari library sentinel2-cloud-
detector (menggunakan LightBGM). Dalam penelitian ini, akan dilakukan perbandingan ketiga
metode diatas dalam proses Cloud Free pada citra Sentinel 2-A dengan studi kasus area
Kabupaten Berau, Kalimantan Timur.

1.2 Tujuan (3)

Tujuan dalam penelitian ini adalah untuk membandingkan hasil cloud free / penghapusan
awan pada citra satelit Sentinel 2-A dengan metode Sorting: Cloud Free Percentage, Sorting: Cloud
Coverge Assesment dan S2cloudless dengan melihat hasil citra yang didapatkan untuk area
Kabupaten Berau Kalimantan Timur.

2. Metodologi

2.1 Studi Sebelumnya (5)

Studi sebelumnya yang menjadi rujukan dalam penelitian ini adalah sebagai berikut :
• Comparison of Cloud Cover Detection Algorithms on Sentinel–2 Images of the Amazon Tropical
Forest oleh (Sanchez, Picoli, Camara, & Andrade, 2020)
Pada studi tersebut dilakukan perbandingan beberapa metode deteksi awan seperti :
Fmask 4, MAJA, Sen2Cor, and s2cloudless dengan area studi kasus Hutan Hujan Amazon,
Amerika Selatan menggunakan citra satelit Sentinel 2. Dalam studi tersebut dilakukan uji
akurasi dari data lapangan sesuai waktu pengambilan citra. Hasil akurasi tiap metode
yakni sebesar 79% untuk Sen2Cor’s, 69% untuk MAJA (69%), dan 52% untuk S2cloudless.
Dalam studi ini, belum dikembangkan metode sampai menghasilkan citra tanpa tutupan
awan, sehingga hal tersebut yang akan dilakukan oleh peneliti dengan membandingkan
hasilnya dengan metode lain. Persamaan studi ini dengan penelitian yang dilakukan
peneliti adalah menggunakan lokasi studi kasus yang memiliki karakteristik sama yakni
daerah hutan hujan topis dengan tutupan awan yang tinggi. Selain itu, peneliti
menggunakan metode s2cloudless yang menjadi metode yang akan dibandingkan dengan
metode lain dalam studi ini.

2.2 Data (10)

Berikut meripakan data yang digunakan dalam penelitian ini :

No Data Sumber Tipe Data Tahun Resolusi/skala

1. Sentinel-2 Level 2A (GEE, 2021) Raster 2017-2021 10-20 m

Sentinel-2: Cloud
2. (GEE, 2021) Raster 2015-2021 10m
Probability
Administrasi (DIVA-GIS,
3. Vector 2011 1:25000
Kabupaten Berau 2011)

2.3 Metode (20)

Pengolahaan data menggunakan Google Earth Enggine. Alur pengerjaan penelitian ini dapat
dilihat pada gambar berikut :
PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 3 of 10

Gambar 1, Alur Pengolaan metode Sorting

Gambar 2, Alur Pengolahaan metode s2Cloudless

PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 4 of 10

Hasil script pengolahan data dapat dilihat sebagai berikut :

// Import SHP Kabupaten Berau
var countries = Indonesia
var Nama_Kota = ['Berau']
var geometry = countries.filter(ee.Filter.inList('NAME_2', Nama_Kota)); // Mengambil
Geometri Kab Berau
var area1 = ee.FeatureCollection(geometry); //Membuat Feature dari geometry Kab Berau
Map.addLayer(geometry,{color:"Blue" },"Provinsi", false); //Menampilkan dan Visualisasi
Polygon Kab Berau
Map.centerObject(area1) // Zoom pada Polygon Kab Berau

//---------- Metode Cloud Pixel Percentage------------------------

// Memanggil Data Citra Sentinel

var S2CloudFree = Sentinel2
.filterDate ('2020-03-01', '2020-9-30') //Filter Waktu
.filterBounds(area1) // Filter Area of Interest (AOI)
.sort('CLOUDY_PIXEL_PERCENTAGE',false); //Mengurutkan nilai Cloud Pixel
Percentage secara descending

// Visualisasi Data
var band_viz = {min: 0, max: 3500 ,bands: ['B4','B3','B2']};

var mosaicS2 = S2CloudFree.mosaic(); // Menggabungkan Citra

Map.addLayer(mosaicS2.clip(area1),band_viz,'S2CloudFree') // Menampilkan Citra
print(S2CloudFree) // Menampilkan Informasi Image Collection di Console

//----------------- Metode CLOUD_COVERAGE_ASSESSMENT-----------------------

// Memanggil Data Citra Sentinel

var S2CloudCov = Sentinel2_2
.filterDate ('2020-03-01', '2020-9-30') //Filter Data Waktu
.filterBounds(area1) // Filter AOI
.sort('CLOUD_COVERAGE_ASSESSMENT',false); //Mengurutkan nilai Cloud Coverage
Assesment secara descending

//Visualisasi Data
var band_viz = { min: 0, max: 3500 , bands: ['B4','B3','B2']};

var mosaicCLoudCov = S2CloudCov.mosaic(); //Menggabungkan Citra

Map.addLayer(mosaicCLoudCov.clip(area1),band_viz,'S2CloudCov') //Menampilkan
Citra
PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 5 of 10

//----------------------Metode S2Cloudless-------------------------------------

var s2Sr = ee.ImageCollection('COPERNICUS/S2_SR'); // Import Citra Sentinel 2 Level 2A

var s2Clouds = ee.ImageCollection('COPERNICUS/S2_CLOUD_PROBABILITY'); // Impoert
Citra Sentinel 2 Cloud Probability

var START_DATE = ee.Date('2020-03-01');

var END_DATE = ee.Date('2020-09-01');
var MAX_CLOUD_PROBABILITY = 10; //Declare pobabilitas awan yang diinginkan
var region = area1

// Membuat Citra Probabilitas awan sesuai dengan nilai yang telah ditetapkan
function maskClouds(img) {
var clouds = ee.Image(img.get('cloud_mask')).select('probability'); //Memanggil Nilai
probability awan
var isNotCloud = clouds.lt(MAX_CLOUD_PROBABILITY); // Mendefiniskan nilai data
yang memiliki Nilai probability dibawah yang telah ditentukan
return img.updateMask(isNotCloud); // Meng-update citra dengan probabilitas awan yang
telah ditentukan
}

// Membuat Cloud Shadow

function maskEdges(s2_img) {
return s2_img.updateMask(
s2_img.select('B8A').mask().updateMask(s2_img.select('B9').mask()));
}

// Filter Input Collection (Data) berdasarkan waktu, AOI

var criteria = ee.Filter.and(
ee.Filter.bounds(region), ee.Filter.date(START_DATE, END_DATE));
s2Sr = s2Sr.filter(criteria).map(maskEdges); // Filter Citra Sentinel
s2Clouds = s2Clouds.filter(criteria); //Filter Citra Probabilitas Awan

// Menggabungkan Sentinel 2 Level 2A dengan dataset probabilitas awan untuk

menambahkan tutupan awan
var s2SrWithCloudMask = ee.Join.saveFirst('cloud_mask').apply({
primary: s2Sr, secondary: s2Clouds,
condition:
ee.Filter.equals({leftField: 'system:index', rightField: 'system:index'}) //
Menggabungkan sesuai Index yang sama
});
PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 6 of 10

var s2CloudMasked =
ee.ImageCollection(s2SrWithCloudMask).map(maskClouds).median();
//Menggabungkan data Gabungan 2 Citra yang memiliki nilai Clouds Probability yang
telah ditentukan
var rgbVis = {min: 0, max: 3000, bands: ['B4', 'B3', 'B2']}; // Visualisasi Data

Map.addLayer(s2CloudMasked.clip(area1), rgbVis, 'S2 SR masked at ' +

MAX_CLOUD_PROBABILITY + '%',true); //Menampilkan Data Citra

3. Pembahasan dan Diskusi (25)

Salah satu tahapan penting dalam pre-processing citra adalah cloud masking. Awan
menjadi objek yang sering kali menganggu dalam intepretasi citra, sehingga untuk
menghasilkan intepretasi yang benar, awan perlu dihilangkan. Saat ini telah
berkembang banyak algoritma dan metode dalam menghilangkan awan dalam citra
seperti metode sorting berdasarkan metadata tertentu yang mendeteksi adanya awan
dan metode dengan machine learning. Dalam penelitian ini digunakan metode sorting
dengan cloud free percentage dan cloud coverage assessment serta metode s2cloudless
untuk menghilangkan awan yang ada pada studi kasus penelitian.

Untuk menghasilkan data citra tanpa awan, penentuan variable waktu dan lokasi
menjadi hal yang penting. Fenomena hidrologi setiap wilayah tentunya memiliki
perbedaan sehingga perlu diketahui karaktersitiknya. Seperti saja Kabupaten Berau.
Berada di garis equator dan ditepi laut menyebabkan akan ditemukan banyak
tutupan awan yang tentunya menjadi tantangan lebih dalam penghilangan awan.
Cakupan area yang lebih kecil juga akan meningkatkan peluang untuk mendapatkan
hasil tanpa awan yang lebih besar, sebab karakteristik fenomena hidrologi nya akan
hampir sama. Dari variabel waktu, pemilihan waktu yang juga mempengaruhi
banyaknya tutupan awan yang ada. Jika ingin mendapatkan tutupan awan yang lebih
sedikit, filter waktu tentunya harus berada pada musim kemarau sehingga
diharapkan tutupan awan yang ada akan lebih kecil. Dalam penelitian ini, untuk
kedua parameter waktu dan area akan dibuat sama untuk ketiga metode cloud free,
yakni berada pada Kabupaten Berau dengan rentang waktu Maret-September yang
merupakan musim kemarau.
PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 7 of 10

Gambar 3, Citra Sentinel 2A dengan Filter waktu dan Area yang telah ditentukan

Dalam Sentinel 2-Level 2A, terdapat algoritma untuk mendeteksi jenis awan melalui
panjang gelombang yang diterimanya. Jenis awan yang diidentifikasi terbagi menjadi
2 jenis yakni dense cloud, dan cirrus cloud. Dense cloud atau awan buram/tebal dapat
diidentifikasi dengan nilai pixel yang memiliki reflektansi tinggi di wilayah spektral
biru (B2), sedangkan cirrus cloud atau awan tipis dapat diidentifikasi dengan
reflektansi rendah di pita B2 dan reflektansi tinggi di pita B10. Dari identifikasi
tersebut, tiap pixel citra akan dikategorikan menjadi 3 kelas yakni 0 untuk cloud-free
pixel, 1 untuk dense cloud pixel dan 2 untuk cirrus cloud pixel. Nilai pixel tersebut
nantinya digunakan untuk menghitung persentase awan yang akan disimpan dalam
metadata CLOUD_FREE_PERCENTAGE dan CLOUD_COVERAGE_ASSESMENT.
Perbedaan diantara keduanya adalah, jika cloud free percentage menujukkan
perbandingan tingkat kebebasan akan awan untuk jenis awan yang sama sedanglan
cloud coverage assessment menujukkan perbandingkan tingkat kebebasan akan awan
untuk semua jenis awan.

Metode sorting yang digunakan dalam penelitian ini, berdasarkan nilai dari Cloud Free
Percentage dan Cloud Coverage Assesment. Metode ini dalam cloud free hanya mencari
citra dengan tingkat persentasi awan berdasarkan nilai metadata terkecil. Jika
dibandingkan dari kedua hasil metode sorting, untuk studi kasus Kabupaten Berau,
memiliki hasil citra yang hampir sama, dengan beberapa pixel yang masih tertutup
awan seperti yang ditunjukan dalam gambar 4 dan 5. Hal ini disebabkan karena
karakteristik wilayah Kabupaten Berau yang memiliki tutupan awan yang besar
sehingga walaupun dalam rentang musim kemarau masih ada tutupana awan di
beberapa wilayah. Hasil citra yang hampir sama dari kedua citra, juga disebabkan
dari jenis awan yang cukup beragam sehingga nilai Cloud Free Percentage dan Cloud
Coverage Assesment hampir sama. Metode sorting ini merupakan metode termudah
dalam cloud free. Untuk mendapatkan hasil yang cukup baik, faktor area dan waktu
harus sangat dipertimbangkan.
PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 8 of 10

Gambar 4, Hasil Cloud Free Citra Sentinel 2 Metode Sorting: Cloud Free Percentage

Gambar 5, Hasil Cloud Free Citra Sentinel 2 Metode Sorting: Cloud Coverage Assesment

Pada metode s2cloudless, digunakan algoritma untuk mendeteksi awan dengan

menggabungkan citra sentinel 2 level 2A dan sentinel cloud probability. Citra sentinel
probabilitas awan ini didapatkan dari library sentinel2-cloud-detector (menggunakan
LightBGM). Algoritma s2cloudless ini merupakan algoritma klasifikasi berbasis piksel
tunggal menggunakan model yang berbeda, seperti decision trees, support vector
machines (SVM) dan neural networks. Citra sentinel cloud probability dapat dilihat pada
gambar berikut dengan warna yang semakin merah menujukkan probabilitas adanya
awan makin besar.

Gambar 6, Sentinel Cloud Probability Kabupaten Berau

PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 9 of 10

Pada metode s2cloudless, tingkat maksimal probabilitas awan menjadi nilai yang
perlu diinput. Dalam penelitian ini digunakan nilai 10%. Pada metode ini,
dilakukan penggabungan antar pixel yang memiliki nilai probabilitas awan
dibawah 10%. Penggabungan tersebut ditandai dengan fungsi ImageCollection
dalam Googel Earth Engine dan fungsi maps yang mencocokkan berdasarkan filter
tingkat probabilitas awan. Pada metode ini, pemilahan bukan pada keseluruhan
citra, namun sudah pada tingkatan pixel. Hasil cloud free dengan metode ini jauh
lebih bersih akan tutupan awan disbanding metode sorting seperti yang dilihat
pada gambar 7. Pada hasil citra, masih terlihat pixel-pixel yang tidak memiliki nilai
yang membentuk bentukan awan. Hal ini disebabkan karena pada pixel tersebut,
dengan dataset yang ada (berdasarkan filter waktu) tidak ada nilai pixel yang
tingkat probabilitas awannya 10%, sehingga pada pixel tersebut bernilai null data.
Jika nilai maksimal probabilitas awannya ditingkatkan, maka akan banyak pixel
yang bernilai null data.

Gambar 7, Hasil Cloud Free dengan Metode s2Cloudless

4. Kesimpulan (5)

Hasil Cloud Free dengan 3 Metode yang dilakukan yakni, metode Sorting: dengan
Cloud_Free_Percentage dan Cloud Coverage Assesment serta Metode s2Cloudless memberikan
hasil yang cukup berbeda. Hasil Cloud Free dengan metode sorting dengan 2 nilai memberikan
hasil yang hampir sama dengan tutupan awan yang masih banyak seperti yang dilihat pada
gambar 4 dan 5. Untuk metode s2cloudless memberikan hasil yang paling baik diantara kedua
metode lainnya, dengan tutupan awan yang tidak terlalu banyak. Hasil cloud free metode
s2cloudless dapat dilihat pada gambar 7. Saran dalam penelitian selanjutnya adalah,
mengintegrasikan metode cloud masking/cloud free selain yang dilakukan peneliti kedalam
Google Earth Engine sehingga nantinya proses cloud free dalam google earth engine akan lebih
mudah dan beragam.
PRAKTIKUM PENGINDERAAN JAUH LINGKUNGAN
15118037 ZOLA SAPUTRA 10 of 10

DAFTAR PUSTAKA

Braaten, J. D., Cohen, W. B., & Yang, Z. (2015). Remote Sensing of Environment Automated
cloud and cloud shadow identi fi cation in Landsat MSS imagery for temperate
ecosystem. Remote Sensing of Environment, 128-238.

Danoedero, P. (2012). Pengantar Penginderaan Jauh Digital. Yogyakarta: CV. Andi Offset.

Putri, D. R., Sukmono, A., & Sudarsono, B. (2018). Analisis Kombinasi Citra Sentinel-1A
dan Citra Sentinel 2-A untuk Klasifikasi Tutupan Lahan (Studi Kasus: Kabupaten
Demak, Jawa Tengah). Jurnal Geodesi Undip Volume 7, Nomor 2, 85-96.

Sanchez, A. H., Picoli, M. C., Camara, G., & Andrade, P. R. (2020). Comparison of Cloud
Cover Detection Algorithms on Sentinel–2 Images of the Amazon Tropical Forest.
Remote Sens, 12, 1284, 1-16.

Sinabutar, J. J., Sasmito, B., & Sukmono, A. (2020). Studi Cloud Masking Menggunakan
Band Quality Assessment, Function Of Mask Dan Multi-Temporal Cloud Masking
Pada Citra Landsat 8. Jurnal Geodesi Undip Volume [9], Nomor [3], 51-60.