Citra Satelit Resolusi Tinggi (CSRT)

ht
tp
s:
//w
w
w
.b
ps
.g
o.
id
Katalog: 1303150
ht
tp
s:
//w
w
w
.b
ps.
go
.id
TEKNIK PENGUMPULAN DATA DAN
PREPROCESSING CITRA SATELIT
ISBN: 978-602-438-518-7
No. Publikasi: 07300.2210
Katalog: 1303150
Ukuran Buku: 17,6 cm x 25 cm

Jumlah Halaman: xviii + 158 halaman
id
Naskah:
.
go
Direktorat Analisis dan Pengembangan Statistik
s.
Penyunting:
p
.b
w
Gambar Kulit:
w

//w
Sumber Ilustrasi:
s:
pixabay.com
tp
istockphoto
ht
Diterbitkan oleh:
©Badan Pusat Statistik
Dilarang mengumumkan, mendistribusikan, mengomunikasikan, dan/atau

menggandakan sebagian atau seluruh isi buku ini untuk tujuan komersial
tanpa izin tertulis dari Badan Pusat Statistik
TEKNIK PENGUMPULAN DATA DAN
PREPROCESSING CITRA SATELIT
PENGARAH
Muchammad Romzi
PENANGGUNG JAWAB
Setia Pramana
EDITOR
Dewi Krismawati
Setia Pramana
LAYOUT
Nensi Fitria Deli
id
.
go
GAMBAR COVER
I Nyoman Setiawan
s.
p
PENULIS
.b
BPS - Direktorat Analisis dan Pengembagan Statistik

w
Dewi Krismawati
w
Kasiful Aprianto
//w
Ranu Yulianto
Wahyu Calvin Frans Mariel
s:
Nensi Fitria Deli

tp
Satria Bagus Panuntun

ht
Farhan Anshari Arsyi

Maria Audrey Widiatma
I Nyoman Setiawan
BPS - Direktorat Sistem Informasi Statistik
Ignatius Sandyawan
Isnaeni Noviyanti
Dwi Puspita Sari
BPS - Direktorat Pengembangan Metodologi Sensus dan Survei
Achmad Fauzi Bagus Firmansyah
Amanda Pratama Putra
Politeknik Statistika STIS
Arie Wahyu Wijayanto
Pusat Riset Penginderaan Jauh - Organisasi Riset Penerbangan dan
Antariksa BRIN
M Rokhis Khomarudin
Galdita Aruba Chulafak
Fakultas Ilmu dan Teknologi Kebumian Institut Teknologi Bandung
Anjar Dimara Sakti
ht
tp
s:
//w
w
w
.b
ps.
go
.id
. id
go
p s.
.b
w
w
//w
s:
tp
ht
v
Teknik Pengumpulan Data dan Preprocessing Citra Satelit
ht
tp
s:
//w
w
w
.b
ps.
go
.id
Daftar Isi
Daftar Isi......................................................................................................................... vii
Daftar Gambar............................................................................................................... xi
Daftar Tabel.................................................................................................................xvii
BAB 1 PENDAHULUAN................................................................................................ 3
1.1 Latar Belakang...................................................................................................... 3
1.2 Tujuan ..................................................................................................................... 4
1.3 Skema Penulisan ................................................................................................. 5
1.4 Ucapan Terimakasih ......................................................................................... 5
BAB 2 PENGENALAN PENGIDERAAN JAUH DAN CITRA SATELIT........................ 9
id
2.1 Konsep dan Definisi Citra Satelit dan Penginderaan Jauh................. 9
.
go
2.2 Data Citra Satelit................................................................................................12
2.2.1 Karakteristik Resolusi pada data citra penginderaan Jauh.s.
...................................................................................................................13
p
.b
2.2.2 Karakter Sistem Sensor dalam Data Citra Satelit................17

w
2.2.3 Teknik Penginderaan Jauh............................................................20

w
2.3 Penyedia Data Citra Satelit............................................................................21

//w
2.3.1 Amerika Serikat.................................................................................22

2.3.2 Prancis...................................................................................................45
s:
2.3.3 Uni Eropa..............................................................................................51

tp
2.3.4 Jepang....................................................................................................54
ht
2.3.5 Indonesia..............................................................................................60
2.3.6 Negara Lainnya..................................................................................61
BAB 3 SUMBER DATA CITRA SATELIT.....................................................................65
3.1 Perkembangan Penginderaan Jauh...........................................................66
3.2 Platform Penyedia Data Dan Pengolahan Data Penginderaan Jauh.
...................................................................................................................................68
3.2.1 Google Earth Engine (GEE)...........................................................69
3.2.2 Microsoft Planetary Computer....................................................70
3.2.3 USGS Earth Explorer........................................................................71
3.2.4 Landviewer..........................................................................................72
3.2.5 Copernicus Open Access Hub......................................................72
3.2.6 Sentinel Hub........................................................................................75
3.2.7 Earth Observation Group (EOG) Data......................................76
3.2.8 National Aeronautics and Space Administration (NASA)
Earth Observatory............................................................................77
vii
3.3 Ringkasan Platform Penyedia Data dengan Jenis Data Citra Satelit.
...................................................................................................................................77
BAB 4 METODOLOGI PENGUMPULAN DATA DAN PREPROCESSING DATA.....81
4.1 Penyiapan Peta Administrasi Indonesia dalam format Shapefile.82
4.1.1 Pendahuluan.......................................................................................82
4.1.2 Penyiapan Data Peta Administrasi dalam format Shapefile
(shp).......................................................................................................85
4.2 Penyiapan Peta Citra Siang............................................................................89
4.2.1 Pendahuluan.......................................................................................89
4.2.2 Sumber Peta Citra Siang.................................................................89
4.2.3 Penyiapan Data Citra Siang...........................................................90
4.3 Penyiapan Peta Citra Malam.........................................................................91
4.3.1 Pendahuluan.......................................................................................91
4.3.2 Sumber Peta Citra Malam..............................................................91
id
4.3.3 Penyiapan Data Citra Malam........................................................91
.
go
4.3.4 Hasil Penyiapan Citra Malam.......................................................94
s.
4.4 Penyiapan Kliping (Clipping) Citra......................................................... 101
p
4.4.1 Membuat SHP grid......................................................................... 101
.b
4.4.2 Kliping Gambar Citra Siang........................................................105

w
4.4.3 Kliping gambar citra malam......................................................110

w
BAB 5 VISUALISASI HASIL ANALISIS CITRA SATELIT........................................ 115

//w
5.1 Pendahuluan dan Arsitektur..................................................................... 116

s:
5.2 ArcGIS.................................................................................................................. 117

tp
5.3 Apache Superset............................................................................................. 119

ht
5.4 Langkah Pembuatan Dashboard.............................................................. 120

BAB 6 PELUANG DAN TANTANGAN PEMANFAATAN PENGINDERAAN JARAK
JAUH UNTUK MENDUKUNG DATA STATISTIK DI INDONESIA............................ 127
6.1 Pemanfaatan Penginderaan Jauh............................................................. 128
6.2 Potensi Pemanfaatan Data Cahaya Malam Hari (Nighttime Light
Data).................................................................................................................... 137
6.2.1 Jumlah Dan Kepadatan Penduduk..........................................139
6.2.2 Informasi Sosial Ekonomi..........................................................141
6.2.3 Pemanfaatan Cahaya Malam Untuk Konsumsi Energi...142
6.2.4 Pemantauan Kebakaran Lahan/Hutan.................................143
6.2.5 Pencurian Ikan (Illegal Fishing)..............................................144
6.2.6 Estimasi Emisi CO2.......................................................................... 145
6.3 Platform yang Dapat Digunakan untuk Pengolahan Data............146
6.3.1 Google Earth Engine..................................................................... 147
6.3.2 Geohazard Exploitation Platform (GEP)..............................147
6.3.3 SEPAL (System for earth observations, data access,
processing & analysis for land monitoring)..........................149
viii
6.3.4 Microsoft Planetary Computer.................................................149
6.3.5 Platform lainnya............................................................................. 150
6.4 Tantangan Pemanfaatan Penginderaan Jauh...................................... 151
DAFTAR PUSTAKA.......................................................................................................153
. id
go
p s.
.b
w
w
//w
s:
tp
ht
ix
ht
tp
s:
//w
w
w
.b
ps.
go
.id
Daftar Gambar
Gambar 2.1. Aplikasi data penginderaan jauh berdasarkan resolusi spasial dan
temporalnya (Sumber: Ridd and Hipple, 2006)...................................... 12
Gambar 2.2. Visualisasi objek poligon yang direpresentasikan dalam tiga bentuk
resolusi 5m, 10 m dan 30 m resolusi spasial............................................ 14
Gambar 2.3. Perbedaan visualisasi kedetailan jumlah bit pada citra digital.......... 14
Gambar 2.4. Perbedaan jumlah kanal serta informasi jarak panjang gelombang
pada lima sensor satelit penginderaan jauh Hyperion, Sentinel 2,
Landsat 8, MODIS dan ASTER........................................................................ 15
id
Gambar 2.5. Visualisasi orbit sinkron matahari (sun synchronous) dan orbit sinkron
.
go
bumi (geo-synchronous) (sumber: seos-project.eu).............................. 16
s.
Gambar 2.6. Keterkaitan antara karakteristik resolusi data penginderaan jauh
p
dengan aplikasi (sumber: Kasampalis dkk, 2018).................................. 17
.b
Gambar 2.7 Perbandingan Citra Satelit Pulau Bali pada tanggal 26 Oktober 2011
w
pukul 10.08 WIT Antara (a) Citra SAR (Envisat) dan (b) Citra Optik
w
(Terra MODIS). Sumber: Kushardono dkk. (2016)................................... 19

//w
Gambar 2.8. Sinyal hambur balik pada sensor radar X, C dan L Band. Sumber : Dony
s:
Kushardono (2017)............................................................................................ 19
tp
Gambar 2.9 Satelit Penginderaan Jauh SAR: Masa Lalu, Saat Ini, dan Akan Datang
ht
Sumber: UNAVCO (2019)................................................................................. 20

Gambar 2.10. Timeline satelit Landsat................................................................................... 22
Gambar 2.11. Contoh data citra Landsat 1 tanggal 20 Agustus 1972 pada path 125
dan row 66............................................................................................................ 23
Gambar 2.12. Contoh data citra Landsat 2 tanggal 16 Mei 1976 pada path 131 dan
row 65.................................................................................................................... 23
Gambar 2.13. Contoh data citra Landsat 3 tanggal 13 April 1978 pada path 126 dan
row 66.................................................................................................................... 24
Gambar 2.14. Contoh data citra Landsat 4 tanggal 30 Oktober 1983 pada path 110
dan row 62............................................................................................................ 25
Gambar 2.15. Contoh data citra Landsat 5 tanggal 12 November 2011 pada path
102 dan row 64................................................................................................... 26
Gambar 2.16. Contoh data citra Landsat 7 tanggal 14 Maret 2022 pada path 119
dan row 62............................................................................................................ 27
xi
Gambar 2.17. Contoh data satelit Landsat ETM+ di sekitar danau Toba Sumatera
Utara tanggal 5 Agustus 2003....................................................................... 27
dan row 67............................................................................................................ 28
dan row 62............................................................................................................ 29
Gambar 2.20. Citra Terra MODIS mingguan tanggal 1-7 September 2004 yang
diterima oleh stasiun bumi LAPAN di Parepare...................................... 31
Gambar 2.21. Citra dari Aqua MODIS tanggal 26 Desember 2015.............................. 33
Gambar 2.22. Citra Day/Night Band tanggal 7 Februari 2022....................................... 35
Gambar 2.23. Citra WorldView-1 tanggal 16 Juni 2011 di sekitar Kabupaten Bogor.
.................................................................................................................................. 35
Gambar 2.24. Citra WorldView-2 Bandara Pongtiku, Kabupaten Tana Toraja,
id
Sulawesi Selatan tanggal 28 September 2013........................................ 36
.
go
Gambar 2.25. Citra dari WorldView-3 di wilayah Sumatera Selatan tanggal 24
s.
September 2015................................................................................................. 38
p
Gambar 2.26. Citra Planet Dove dari Gunung Dukono di Pulau Halmahera yang
.b
bisa dilihat perbedaannya dalam hitungan jam.................................... 40

w
Gambar 2.27. Citra dari Anak Krakatau yang diperioleh dari SkySat.......................... 42
w
//w
Gambar 2.28. Data satelit NOAA AVHRR-16 yang diterima oleh stasiun bumi LAPAN
Jakarta.................................................................................................................... 43
s:
Gambar 2.29. Citra satelit IKONOS suasana di suatu jalan di Jakarta......................... 44

tp
Gambar 2.30. Citra Quickbird kota Banda Aceh di sekitar Masjid Baiturrahman
ht
sebelum terjadi tsunami 2004....................................................................... 45

Gambar 2.31. Citra SPOT-5 kota Cilacap................................................................................ 46
Gambar 2.32. Citra SPOT 5 Kota Jakarta Tanggal 7 Februari 2013............................... 47
Gambar 2.33. Citra SPOT 6 Gunung Sinabung Tanggal 22 September 2014.......... 47
Gambar 2.34. Citra SPOT 7 Kota Banda Aceh Tanggal 21 Februari 2016................... 48
Gambar 2.35. Citra Pleiades Simpang Tiga Redelong, Aceh Tanggal 23 Februari
2015........................................................................................................................ 49
Gambar 2.36. Citra satelit TERRASAR-X kota Cilacap........................................................ 50
Gambar 2.37. Perbandingan mode pada TerraSAR-X dang resolusinya................... 50
Gambar 2.38. Citra Sentinel-1 wilayah Kuta, Bali tahun 2015....................................... 52
Gambar 2.39 Citra Sentinel-2 wilayah Labuan Bajo, Nusa Tenggara Timur Januari
2020........................................................................................................................ 53
Gambar 2.40. Citra Sentinel-3 wilayah Pulau Sumba September 2020 dengan
menggunakan kanal yang terdapat pada instrument OLCI............... 54
xii
Gambar 2.41 Citra PALSAR wilayah Danau Toba tanggal 11 Juli 2017....................... 56
Gambar 2.42 Citra PALSAR-2 wilayah Surakarta tanggal 10 Maret 2017.................. 57
Gambar 2.43 Citra Himawari 8 yang merekam 1/3 bumi............................................... 58
Gambar 2.44. Citra satelit MTSAT, kanal visible (kiri), dan kanal inframerah (kanan).
.................................................................................................................................. 59
Gambar 2.45 Citra Gunung Merapi tanggal 24 Mei 2007 diambil oleh LAPAN-
TUBSAT................................................................................................................... 60
Gambar 2.46 Citra dari LAPAN A2 wilayah Semarang 24 Februari 2016................... 61
Gambar 2.47 Citra satelit LAPAN A3 wilayah Kendari, Sulawesi Tenggara tanggal 27
Februari 2019....................................................................................................... 61
Gambar 2.48 Citra satelit Jilin-1 GAOFEN (Tiongkok) wilyah Kupang tangal 7 April
2021........................................................................................................................ 62
id
Gambar 3.1. Ilustrasi perkembangan teknologi penginderaan jauh saat ini.......... 68
.
Gambar 3.2. Tampilan Halaman Web Google Earth Engine........................................... 70
go
Gambar 3.3. Tampilan Awal Halaman Microsoft Planetary Computer....................... 70
s.
Gambar 3.4. Tampilan Halaman Web USGS Earth Explorer............................................ 71
p
.b
Gambar 3.5. Tampilan Halaman Web Landviewer............................................................. 72

w
Gambar 3.6. Tampilan Halaman Web Copernicus Open Access Hub......................... 73

w
Gambar 3.7. Tampilan Open Hub dalam Copernicus Open Access Hub................... 73
//w
Gambar 3.8. Keterangan Penggunaan API Hub dalam Copernicus Open Access
s:
Hub.......................................................................................................................... 74
tp
Gambar 3.9. Tampilan S-5P Pre-Ops dalam Copernicus Open Access Hub............. 74
ht
Gambar 3.10. Tampilan POD Hub dalam Copernicus Open Access Hub.................. 75
Gambar 3.11. Tampilan EO Browser dari Sentinel Hub.................................................... 75
Gambar 3.12. Tampilan Sentinel Playground dari Sentinel Hub.................................. 76
Gambar 3.13. Tampilan Halaman Web EOG......................................................................... 76
Gambar 3.14. Tampilan Halaman Web NASA Earth Observatory................................ 77
Gambar 4.1. Contoh File Shapefile......................................................................................... 82
Gambar 4.2. Ilustrasi Overlay................................................................................................... 83
Gambar 4.3. Ilustrasi teknik editing Split............................................................................. 83
Gambar 4.4. Ilustrasi teknik editing Reshape..................................................................... 83
Gambar 4.5. Ilustrasi teknik editing Merge......................................................................... 83
Gambar 4.6. Ilustrasi teknik Dissolve..................................................................................... 84
Gambar 4.7. Tampilan awal aplikasi QGIS............................................................................. 84
Gambar 4.8. Memuat peta SHP ke dalam aplikasi QGIS.................................................. 85
Gambar 4.9. Tampilan Aplikasi QGIS setelah memuat peta........................................... 86
xiii
Gambar 4.10. Akses menu Filter.............................................................................................. 86
Gambar 4.11. Operasi seleksi pada menu filter.................................................................. 87
Gambar 4.12. Peta Hasil Operasi Seleksi............................................................................... 87
Gambar 4.13. Simpan peta yang telah dihasilkan............................................................. 88
Gambar 4.14. Konfigurasi penyimpanan Peta.................................................................... 88
Gambar 4.15. Hasil penyiapan peta........................................................................................ 89
Gambar 4.16. Peta citra satelit malam Provinsi Aceh (kiri) dan Provinsi Sumatera
Utara (Kanan)....................................................................................................... 94
Gambar 4.17. Peta citra satelit malam Provinsi Sumatera Barat (kiri) dan Riau
(kanan)................................................................................................................... 94
Gambar 4.18. Peta citra satelit malam Provinsi Jambi (kiri) dan Sumatera Selatan
(kanan)................................................................................................................... 95
id
Gambar 4.19. Peta citra satelit malam Provinsi Bengkulu (kiri) dan Lampung
.
(kanan)................................................................................................................... 95
go
Gambar 4.20. Peta citra satelit malam Provinsi Kepulauan Bangka Belitung (kiri) s.
dan Kepulauan Riau (kanan).......................................................................... 95
p
.b
Gambar 4.21. Peta citra satelit malam Provinsi DKI Jakarta (kiri) dan Jawa Barat
(kanan)................................................................................................................... 96
w
w
Gambar 4.22. Peta citra satelit malam Provinsi Jawa Tengah (kiri) dan D.I.
//w
Yogyakarta (kanan)........................................................................................... 96
Gambar 4.23. Peta citra satelit malam Provinsi Jawa Timur (kiri) dan Banten (kanan)
s:
.................................................................................................................................. 96
tp
Gambar 4.24. Peta citra satelit malam Provinsi Bali (kiri) dan Nusa Tenggara Barat
ht
(kanan)................................................................................................................... 97
Gambar 4.25. Peta citra satelit malam Nusa Tenggara Timur (kiri) dan Kalimantan
Barat (kanan)........................................................................................................ 97
Gambar 4.26. Peta citra satelit malam Kalimantan Tengah (kiri) dan Kalimantan
Selatan (kanan)................................................................................................... 97
Gambar 4.27. Peta citra satelit malam Kalimantan Timur (kiri) dan Kalimantan Utara
(kanan)................................................................................................................... 98
Gambar 4.28. Peta citra satelit malam Sulawesi Utara (kiri) dan Sulawesi Tengah
(kanan)................................................................................................................... 98
Gambar 4.29. Peta citra satelit malam Sulawesi Selatan (kiri) dan Sulawesi Tenggara
(kanan)................................................................................................................... 98
Gambar 4.30. Peta citra satelit malam Gorontalo (kiri) dan Sulawesi Barat (kanan).99
Gambar 4.31. Peta citra satelit malam Maluku (kiri) dan Maluku Utara (kanan).... 99
Gambar 4.32. Peta citra satelit malam Papua Barat (kiri) dan Papua (kanan).......... 99
Gambar 4.33. Bentuk SHP setelah diload...........................................................................103
xiv
Gambar 4.34. Bentuk SHP setelah dibuat grid..................................................................105
Gambar 4.35. Halaman verifikasi...........................................................................................106
Gambar 4.36. File citra malam yang telah dilakukan klipping menggunakan SHP
grid........................................................................................................................111
Gambar 5.1. Arsitektur Sistem Dasbor Kemiskinan Ekstrem.......................................116
Gambar 5.2. Tampilan dasbor kemiskinan ekstrem........................................................117
Gambar 5.3. Gambar Dasbor Kemiskinan Ekstrem Menu Big Data Facebook
Relative Wealth Index (RWI).........................................................................118
Gambar 5.4. Gambar Dasbor Kemiskinan Ekstrem Menu Persentase Jumlah
Penduduk Miskin Ekstrem (Maret 2022)..................................................118
Gambar 5.5. Tampilan Awal Apace Superset. sumber : https://superset.apache.org
................................................................................................................................119
id
Gambar 5.6. Tampilan Dashboard Kemiskinan Ekstrem Menu Grafik......................120
.
Gambar 5.7. Tampilan Menu Superset untuk Kueri SQL sumber : https://superset.
go
apache.org..........................................................................................................120
s.
Gambar 5.8. Tampilan Rancangan Dasbor menggunakan aplikasi Figma.............121
p
.b
Gambar 5.9. Tampilan Apache Superset Membuat Koneksi ke Database..............122

w
Gambar 5.10. Tampilan Apache Superset Ketika sudah berhasil Koneksi ke

w
Database.............................................................................................................123
//w
Gambar 5.11. Tampilan Apache Superset Untuk Penambahan Data.......................123

s:
Gambar 5.12. Tampilan Apache Superset Untuk Kostum Chart.................................124

tp
Gambar 5.13. Tampilan Apache Superset Untuk Kostumisasi Dashboard.............124

ht
Gambar 6.1. Pemanfaatan Penginderaan jauh secara umum.....................................128

Gambar 6.2. Data cahaya malam hari hasil pengolahan data Suomi-NPP VIIIRS.138
Gambar 6.3. contoh riset yang menggambarkan hubungan antara jumlah
penduduk dengan data cahaya malam hari (sumber: Li et al. (2018)).
................................................................................................................................140
Gambar 6.4. Teknik informasi spasial sebaran penduduk berbasis penggunaan
lahan.....................................................................................................................141
Gambar 6.5. Hubungan antara GDP dengan luas area yang bercahaya.................142
Gambar 6.6. Hubungan antara nilai radiance dan nilai digital data DMSP-OLS dan
VIIRS dengan konsumsi energi listrik di beberapa negara (sumber:
Xie dan Weng (2015)).....................................................................................142
Gambar 6.7. Hasil pemantauan kebakaran lahan/hutan di Indonesia dengan NPP-
VIIRS (atas) dan Landsat TM malam hari (bawah)................................143
Gambar 6.8. Hubungan antara suhu permukaan dengan luas area yang terdeteksi
kebakaran lahan/hutan di Indonesia........................................................144
xv
Gambar 6.9. Data cahaya lampu kapal di perairan Indonesia pada bulan Januari
– Juni 2020 dengan potensi illegal fishing (sumber: pengolahan
data NPP-VIIRS oleh Teguh Prayogo dalam persiapan pada pelatihan
untuk Pusat Informasi Maritim TNI AL)....................................................145
Gambar 6.10. Perbandingan akurasi 3 model statistik estimasi emisi CO2 (sumber:
Wei et al. (2021))...............................................................................................146
Gambar 6.11. Platform Google Earth Engine (GEE), yang memudahkan pengguna
dalam memperoleh informasi penginderaan jauh.............................147
Gambar 6.12. Tampilan Beberapa Jenis Citra yang diakuisisi oleh Geohazard
Exploitation Platform......................................................................................148
Gambar 6.13. Tampilan Workspace dari Geohazard Exploitation Platform...........148
Gambar 6.14. Tampilan data dan information layers terkait Gempa Bumi Sulawesi
Tahun 2018.........................................................................................................148
id
Gambar 6.15. Tampilan Halaman Awal SEPAL..................................................................149
.
go
Gambar 6.16. Tampilan Awal Halaman Microsoft Planetary Computer..................150
p s.
.b
w
w
//w
s:
tp
ht
xvi
Daftar Tabel
Tabel 2.1 Landsat 1–3 Multispectral Scanner (MSS)......................................................... 24

Tabel 2.2 Landsat 4–5 Thematic Mapper (TM).................................................................... 26
Tabel 2.3 Landsat 7 Enhanced Thematic Mapper Plus (ETM+)..................................... 27
Tabel 2.4 Landsat 8-9 Operational Land Imager (OLI) dan Thermal Infrared Sensor
(TIRS)....................................................................................................................... 29
Tabel 2.5 Karakteristik satelit Terra/Aqua MODIS............................................................... 30
Tabel 2.6 Kanal dari MODIS........................................................................................................ 31
id
Tabel 2.7 Kanal yang dimiliki oleh VIIRS................................................................................ 34
.
go
Tabel 2.8 WorldView-2................................................................................................................. 36
Tabel 2.9 WorldView-3................................................................................................................. 37
s.
Tabel 2.10 Daftar satelit SkySat................................................................................................ 41
p
.b
Tabel 2.11. Karakteristik satelit NOAA/AVHRR..................................................................... 42

w
Tabel 2.12. Karakteristik satelit IKONOS................................................................................ 43

w
Tabel 2.13. Karakteristik satelit QUICKBIRD.......................................................................... 44

//w
Tabel 2.14 Karakteristik satelit SPOT-5................................................................................... 45

s:
Tabel 2.15 Kanal SPOT 5.............................................................................................................. 46

tp
Tabel 2.16 Kanal SPOT 6.............................................................................................................. 47

ht
Tabel 2.17 Kanal pada citra Pleiades....................................................................................... 48

Tabel 2.18. Karakteristik satelit TERRASAR-X........................................................................ 49
Tabel 2.19 Spesifikasi Mode dari Sentinel-1........................................................................ 51
Tabel 2.20 Kanal dari Sentinel-2............................................................................................... 52
Tabel 2.21 Spesifikasi AVNIR-2.................................................................................................. 55
Tabel 2.22 Spesifikasi PALSAR................................................................................................... 55
Tabel 2.23 Spesifikasi PALSAR-2............................................................................................... 56
Tabel 2.24 Spesifikasi Himawari 8/9........................................................................................ 57
Tabel 2.25. Karakteristik satelit MTSAT................................................................................... 59
Tabel 3.1 Ringkasan platform penyedia dan pengolahan data dengan jenis citra
satelit...................................................................................................................... 77
Tabel 4.1 Rata-rata, median, minimum, maksimum, dan standar deviasi cahaya
malam per desa menurut provinsi (radiance).......................................100
xvii
Tabel 6.1. Dukungan Penginderaan jauh untuk Sustainable Development Goals
(SDGs)...................................................................................................................129
Tabel 6.2. Pemanfaatan data nighttime light data dari berbagai macam riset yang
berbeda (diterjemahkan dari Huang et al. (2014))..............................138
. id
go
p s.
.b
w
w
//w
s:
tp
ht
xviii
ht
tp
s:
//w
w
w
.b
ps.
go
.id
ht
tp
s:
//w
w
w
.b
ps.
go
.id
PENDAHULUAN
. id
go
s.
PENDAHULUAN
p
.b
w
w
1.1 Latar Belakang

//w
s:
Badan Pusat Statistik (BPS) sebagai lembaga penyedia statistik resmi di

tp
Indonesia diharapkan terus mampu meningkatkan kinerjanya untuk menghasilkan

data yang akurat dan cepat. BPS memanfaatkan big data sebagai alternatif sumber
ht
data baru yang menghasilkan data statistik resmi dengan lebih cepat dengan jeda
waktu (time lag) mendekati nol. Data yang akurat dan cepat diharapkan mampu
membawa BPS menjadi lembaga yang lebih maju, dan bahkan menjadi world class
NSO.
BPS melakukan transformasi, integrasi, dan menggunakan teknologi-
teknologi baru agar data dapat lebih cepat dan mudah diakses. Data yang tepat
dan akurat merupakan suatu keharusan di era digitalisasi agar pengambilan
kebijakan lebih tepat sasaran. Penyediaan statistik di masa modern perlu didukung
adanya penyediaan sumber daya baru melalui Big Data. Karakterisik Big Data yang
terkenal adalah 5 V, Volume (jumlah data yang besar), Velocity (Aliran Kecepatan
Data), Variety (Data yang sangat beragam), Veracity (Kebenaran Data), dan Value
(Makna/Nilai Data). Karakteristik Big Data tersebut sangat berbeda dengan sumber
data konvensional lewat sensus atau survei.
BPS dapat memanfaatkan sumber data dari big data secara optimal untuk
menunjang official statistics. Salah satu sumber data baru yang dapat digunakan
untuk mendukung data statistik adalah data citra satelit dari kegiatan pengindraan
3
PENDAHULUAN
jauh. Penginderaan jauh adalah kegiatan yang merujuk kepada teknik-teknik yang
telah dikembangkan untuk untuk mengambil atau memperoleh informasi dan
analisis mengenai permukaan bumi. Sedangkan citra satelit adalah gambaran yang
terekam oleh lensa kamera atau sensor yang terpasang pada wahana satelit luar
angkasa dengan ketinggian lebih dari 400 km dari permukaan bumi. Pada tahun
2021 dan 2022 ini, BPS bekerjasama dengan Pusat Riset Penginderaan Jauh –
Organisasi Riset Penerbangan dan Antariksa BRIN dan Politeknik Statistika STIS dan
beberapa organisasi lainnya melakukan penelitian terkait pemanfaatan data citra
satelit untuk mendukung data statistik yang di hasilkan BPS.
Dalam implementasi penggunaan data citra satelit sebagai salah satu
sumber data baru untuk menghasilkan data statistik resmi diperlukan proses yang
panjang. Salah satunya adalah penjaminan kualitas data citra, infrastruktur yang
mumpuni dan Sumber Daya Manusia yang kompeten. Oleh karena itu, diperlukan
pengetahuan terkait bagaimana mengakuisisi, menyimpan dan melakukan
id
pengelolaan data citra satelit di BPS.
.
go
1.2 Tujuan s.
p
.b
Buku Teknik Pengumpulan Data dan Preprocessing Citra Satelit dapat

dijadikan rujukan bagi setiap pembaca, baik pegawai BPS, peneliti maupun
w
pembaca lainnya untuk meningkatkan pengetahuan terkait proses pengambilan

w
dan pengolahan data citra dengan menggunakan platform atau tools yang dapat
//w
diakses secara mudah. Buku ini membahas pengetahuan dasar terkait pengenalan
s:
jenis data citra satelit dan platform atau tools yang dapat digunakan untuk
mengolah data citra. Dengan adanya pedoman ini diharapkan proses akusisi data
tp
citra dapat berjalan dengan baik dan menghasilkan sumber data baru yang dapat
ht
dimanfaatkan sebagai pelengkap data statistik resmi yang dihasilkan BPS ataupun
tujuan penelitian yang lainnya. Secara rinci buku pedoman ini bertujuan untuk:
1. Meningkatkan kemampuan sumber daya manusia (SDM) baik
dilingkungan BPS ataupun pembaca lainnya agar dapat melakukan
proses akuisisi data citra satelit.
2. Meningkatkan motivasi pembaca untuk melakukan eksplorasi sumber
data baru, yaitu data citra satelit yang tersedia di Internet.
3. Memberikan pemahaman kepada pembaca mengenai proses
pengolahan data citra satelit sebagai sumber data pendukung kegiatan
statistik.
4. Meningkatkan insight data yang dihasikan BPS dengan complement
data yang disediakan oleh sumber data citra satelit. Dengan demikian,
diharapkan statistik resmi yang dihasilkan BPS dapat semakin kaya dan
memiliki insight baru yang dapat dikembangkan untuk disajikan kepada
pengguna data dengan lebih cepat dan mudah di akses.
4
PENDAHULUAN
1.3 Skema Penulisan
Buku Teknik Pengumpulan Data dan Preprocessing Citra Satelit ini berusaha
untuk memberikan panduan melakukan proses akuisisi, preprocesing dan visualisasi
dalam bentuk dashboard yang dapat dimanfaatkan untuk melakukan ekplorasi
pengolahan data citra satelit. Adapun skema penulisan buku ini adalah sebagai
berikut:
Pada Bab 2 berisi tentang pengenalan pengindreraan jauh dan citra satelit.
Pada bab ini dijelaskan konsep dan definisi dari pengindraan jauh dan jenis-jenis
data citra satelit yang dihasilkan oleh satelit yang dimiliki oleh beberapa negara.
Bab 3 menjelaskan mengenai sumber data citra satelit. Terdapat beberapa
jenis data citra satelit. Selanjutnya bab ini juga akan membahas mengenai beberapa
platform yang dapat digunakan untuk pengolahan data citra satelit yang dapat
diakses secara gratis.
. id
Bab 4 menjelaskan mengenai teknik preprocessing citra satelit. Bab ini
go
membahas secara detail bagaimana proses penyiapan data dan preprocessing data
s.
citra satelit sampai dapat digunakan untuk analisis data citra.
p
.b
Bab 5 menjelaskan bagaimana memvisualisasikan hasil analisis data citra

satelit kedalam sebuah dashboard, sehingga pengguna dapat dengan mudah
w
melihat dan memahami hasil analisis citra satelit. Dashboard yang dihasilkan
w
sekaligus menjadi fasilitas yang memberi kemudahan bagi stakeholder atau

//w
pimpinan untuk melihat hasil analisis citra satelit

s:
Bab 6 membahas beberapa peluang dan tantangan dalam pemanfaatan data

tp
citra satelit untuk mendukung dan menghasilkan data statistik di Indonesia.

ht
1.4 Ucapan Terimakasih
Kajian ini dalam prosesnya telah mendapatkan ulasan serta saran dan
masukan dari para akademisi dan pakar. Untuk itu ucapan terima kasih ditujukan
khususnya kepada Bapak Dr. Eng. Anjar Dimara Sakti, S.T., M.Sc. dari Institut
Teknologi Bandung atas komentar dan masukan yang sangat berharga dalam
penyusunan kajian ini. Selain itu kami juga mengucapkan penghargaan dan
terimakasih kepada seluruh tim penyusun, diantaranya: Pusat Riset Penginderaan
Jauh – Organisasi Riset Penerbangan dan Antariksa BRIN yang telah membantu
penulisan publikasi ini, sekaligus melakukan beberapa kali capacity building di
BPS. Politeknik Statistika STIS yang telah melakukan berbagai riset terkait eksplorasi
sumber data baru, pengembangan metode dan algoritma terbaru terkait big
data. Direktorat Sistem Informasi Statistik yang telah mengupayakan tersedianya
infrastruktur untuk melakukan proses penyimpanan dan pengolahan big data.
Direktorat Pengembangan Metodologi Sensus dan Survei yang telah berkontribusi
dalam pengembangan data citra satelit untuk pemodelan. Direktorat Analisis dan
5
PENDAHULUAN
Pengembangan Statistik yang telah memberikan saran dan masukan terkait hasil
analisis big data yang telah dilakukan; serta beberapa subject matter lainnya di BPS
yang telah memberikan masukan dan dukungan dengan memanfaatkan diseminasi
big data yang telah dilakukan.
. id
go
p s.
.b
w
w
//w
s:
tp
ht
6
ht
tp
s:
//w
w
w
.b
ps.
go
.id
ht
tp
s:
//w
w
w
.b
ps.
go
.id
PENGENALAN PENGIDERAAN JAUH DAN CITRA SATELIT
. id
go
s.
PENGENALAN
p
.b
w
PENGIDERAAN JAUH DAN

w
//w
CITRA SATELIT
s:
tp
ht
Galdita Aruba Chulafak, M. Rokhis Khomarudin, Ranu Yulianto, Anjar Dimara Sakti,
Dewi Krismawati
2.1 Konsep dan Definisi Citra Satelit dan Penginderaan Jauh
Remote sensing atau yang lebih dikenal sebagai penginderaan jauh adalah
kegiatan yang merujuk pada teknik-teknik yang telah dikembangkan untuk
mengambil atau memperoleh informasi dan analisis mengenai permukaan bumi.
Informasi ini biasanya berupa radiasi elektromagnetik, baik yang dipancarkan
maupun yang dipantulkan oleh permukaan bumi (Lindgren, 1985). Selain
itu (Lillesand & Keifer, 1979) mendefinisikan penginderaan jauh sebagai ilmu
pengetahuan dan seni dalam memperoleh informasi mengenai objek, area, atau
fenomena melalui analisis dari data yang dihasilkan oleh alat atau perangkat
yang tidak bersinggungan langsung dengan objek, area, atau fenomena yang
sedang diamati. Pada pembahasan kali ini, objek, area dan fenomena yang diamati
mengacu pada permukaan bumi.
Citra merupakan salah satu hasil dari beragam hasil dari proses kegiatan
9
penginderaan jauh, yang mana hasil lainya bisa berupa data numerik hasil
pengamatan. Pengertian citra telah didefinisikan oleh beberapa ahli. Salah satu
definisi dari citra yang paling terkenal dan sering dikutip adalah dari (Hornby, 1974)
dalam (Sutanto, 1992) yang mendefinisikan citra menjadi tiga hal, yaitu:
1. Likeness or copy of someone or something, especially one made in wood,
stone, etc.
2. Mental pictures or idea, concept of something or someone.
3. Reflection seen in a mirror or through the lens of a camera.
Citra hasil penginderaan jauh masuk pada pengertian yang ketiga menurut
Hornby. Sedangkan pengertian lain citra menurut (Simonett et al., 1983) adalah:
1. The counterpart of an object produced by the reflection or refraction of light
when focused by a lens or a mirror.
id
2. The recorded representation (commonly as a photo image) of object
.
produced by optical, electro-optical, optical mechanical, or electrical means.
go
It is generally used when the EMR emitted or reflected from a scene is not
s.
directly recorded on film.
p
.b
Kedua definisi citra di atas mengacu kepada citra sebagai hasil dari
w
kegiatan penginderaan jauh yang berupa gambar objek atau area yang berada
w
pada permukaan bumi yang ditangkap menggunakan lensa kamera. Gambar ini
//w
diperoleh dengan menangkap gelombang yang dipantulkan maupun dihasilkan

s:
oleh permukaan bumi. Sedangkan alat yang digunakan untuk mendapatkan citra
bumi salah satunya adalah satelit, dimana alternatif lain adalah drone maupun
tp
kamera.
ht
Jadi secara umum citra satelit adalah gambaran yang terekam oleh lensa
kamera atau sensor yang terpasang pada wahana satelit luar angkasa dengan
ketinggian lebih dari 400 km dari permukaan bumi. Sensor dalam kaitannya dengan
penginderaan jauh merekam tenaga yang dipantulkan atau dipancarkan oleh
objek di permukaan bumi. Rekaman tenaga ini setelah diproses membuahkan data
penginderaan jauh. Data penginderaan jauh dapat berupa data digital atau data
numerik untuk keperluan analisis menggunakan komputer. Satelit penginderaan
jauh dibedakan menjadi dua macam, yaitu satelit sumber daya alam dan satelit
cuaca.
Usaha manusia untuk memantau kondisi wilayahnya dari udara sudah
dilakukan sejak berkembangnnya teknologi fotografi. Perkembangan teknologi
fotografi modern pertama dikenalkan oleh Daguerre pada tahun 1839, dan
pada tahun 1868 foto udara pertama dilakukan dengan menggunakan balon di
atas kota Paris. Sebelumnya, pemotretan udara ini menggunakan burung dara
sebagai alat untuk memotret kondisi permukaan bumi dari udara. Seiring dengan
perkembangan zaman, alat yang digunakan adalah satelit yang ditempatkan di
angkasa luar yang berada pada lintasan orbit tertentu. Satelit penginderaan jauh
10
pertama yang diluncurkan oleh Amerika Serikat pada tahun 1972 adalah Landsat
Multispectral Scanner System (MSS). Peluncuran ini merupakan dimulainya era baru
teknologi penginderaan jauh modern dengan wahana satelit.
Pada awal mulanya teknologi penginderaan jauh ini diperuntukan untuk
kepentingan militer, pengaturan strategi, dan pengetahuan tentang kondisi wilayah
musuh. Namun, saat ini teknologi ini telah digunakan untuk berbagai macam
keperluan seperti meteorologi (dinamika atmosfer, pemantauan awan, dan prediksi
cuaca), penelaahan dan pemantauan lingkungan (perkembangan perkotaan,
bencana alam), pemantauan dan deteksi perubahan global (pemantauan lubang
ozon, deforestasi, dan pemanasan global), pertanian (kondisi tanaman, prediksi
panen, dan erosi tanah), eksplorasi sumber daya alam yang tidak terbaharui
(mineral, minyak, dan gas alam), sumber daya alam terbaharui (hutan, tanah, laut),
dan untuk pemetaan (topografi, penggunaan lahan, dan sarana dan prasarana).
Usaha-usaha ini merupakan tahapan yang sangat penting dalam
id
perkembangan ilmu atau teknologi penginderaan jauh. Secara umum, penginderaan
.
go
jauh dapat didefinisikan sebagai ilmu, seni, dan teknik untuk memperoleh informasi
suatu objek tanpa menyentuh secara langsung objek yang diamati. Hal ini dilakukan
s.
dengan cara mengindera dan merekam energi yang dipantulkan maupun yang
p
diemisikan kemudian dilakukan pemrosesan, analisa, dan mengaplikasikan
.b
informasi tersebut. Objek yang diamati ini biasanya divisualisasikan berupa citra
w
(gambar) yang terdiri dari elemen-elemen yang sering disebut sebagai pixel (picture
w
element). Informasi yang terdapat dalam pixel-pixel inilah yang kemudian diproses,
//w
dianalisa, dan diaplikasikan menjadi informasi tertentu.

s:
Berbagai aplikasi tersebut tergantung pada resolusi data penginderaan jauh

tp
yang akan digunakan, yaitu resolusi spasial dan resolusi temporal. Resolusi spasial
ht
adalah tingkat kedetailan informasi data penginderaan jauh yang dinyatakan oleh
ukuran pixel, seperti 1 m, 10 m, 30m, dan lain-lain. Ukuran pixel ini merepresentasikan
ukuran sebenarnya objek yang diamati. Jika dikatakan resolusi spatialnya adalah
1m, hal ini berarti bahwa ukuran 1 m x 1 m suatu objek digambarkan dalam satu
pixel dalam citra satelit. Sedangkan resolusi temporal adalah periode ulang suatu
satelit memantau objek yang sama dipermukaan bumi. Resolusi temporal 18 hari,
berarti bahwa satelit akan memotret wilayah yang sama setiap 18 hari sekali.
Gambar 2.1 berikut merupakan hubungan aplikasi data penginderaan jauh dengan
resolusinya baik spasial maupun temporal.
11
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 2.1. Aplikasi data penginderaan jauh berdasarkan resolusi spasial dan
temporalnya (Sumber: Ridd and Hipple, 2006)
2.2 Data Citra Satelit
Selain resolusi spasial dan resolusi temporal, data penginderaan jauh

memiliki berbagai karakteristik yang mencirikan data satelit yang menghasilkannya
dan untuk apakah data tersebut dapat dimanfaatkan. Karakteristik tersebut yaitu
1. Sistem sensor; terdapat dua sistem sensor dalam penginderaan yaitu
sensor aktif dan sensor pasif. Hal yang membedakan kedua sensor
adalah pada sistem energi yang direkam oleh sensor satelit. Jikalau
sensor pasif merekam energi hasil pemantulan objek oleh sinar matahari
ataupun yang diemisikan oleh objek dari permukaan bumi (contoh:
12
termal), sensor pasif memancarkan sendiri energinya yang kemudian

berinteraksi dengan permukaan bumi yang menghasilkan backscatter
dan kemudian direkam oleh sensor.
2. Resolusi; terdapat empat resolusi yang sering digunakan dalam
menerangkan data penginderaan jauh. Resolusi spasial, temporal,
radiometrik, dan spektral. Resolusi spasial dan temporal sudah
dijelaskan sebelumnya, sedangkan resolusi radiometrik menentukan
seberapa bagus suatu sistem dapat membedakan intensitas energi yang
diterimanya. Biasanya ditunjukkan dengan satuan ‘bit’, seperti 8 bit,
10 bit, dan lain-lain. Resolusi spektral menunjukkan jumlah kanal atau
saluran yang dimiliki oleh satelit, yang menunjukkan kisaran spektral
tertentu pada setiap kanalnya. Misalnya data SPOT-4 memiliki 4 kanal
multi spektral dan 1 kanal pankromatik.
3. Lebar sapuan; lebar permukaan bumi yang dapat rekam oleh satelit,
biasanya tergantung dari ketinggian orbit satelit dari permukaan bumi,
id
semakin tinggi letak satelit, semakin lebar permukaan bumi yang dapat
.
di rekam. Sebagai contoh, satelit GMS (Geostationary Meteorological
go
Satellite) terletak pada ketinggian 35.800 km dapat memantau sepertiga
s.
luas bumi sedangkan satelit NOAA (National Oceanic and Atmospheric
p
Administration) dengan ketinggian 870 km memiliki lebar sapuan 2.800
.b
km.
w
4. Sistem orbit; terdapat beberapa sistem orbit yang dikenal di

w
penginderaan jauh, yaitu orbit polar, orbit equatorial, dan orbit tetap
//w
(geostationer). Orbit polar adalah suatu lintasan satelit dari kutub ke

kutub yang ada di bumi dan orbit equatorial adalah suatu lintasan satelit
s:
yang sejajar dengan garis equator. Orbit geostationer adalah berorbit

tp
tetap di mana kecepatan sudut satelit sama dengan kecepatan sudut

ht
rotasi bumi, biasanya memiliki ketinggian 35.800 km.
2.2.1 Karakteristik Resolusi pada data citra penginderaan Jauh
Secara umum terdapat empat faktor yang berkaitan dengan karakteristik

resolusi pada data penginderaan jauh yang perlu dipertimbangkan dalam
melakukan pemilihan produk penginderaan jauh sebagai data untuk melakukan
analisis, karakteristik tersebut antara lain resolusi spasial, resolusi spektral, resolusi
temporal, dan terakhir adalah resolusi radiometric. Karakteristik resolusi ini dapat
bervariasi tergantung pada orbit satelit serta desain sensor.
1. Resolusi Spasial
Resolusi spasial mengacu pada ukuran objek terkecil yang dapat
dideteksi dalam sebuah citra digital, dimana unit dasar dalam suatu
bentuk data raster disebut sebagai piksel. Sebagai contoh resolusi
spasial 30 meter mengindikasikan bahwa dalam ukuran satu piksel
dalam gambar mewakili area seluas 30 x 30 m atau 90 m2. Semakin kecil
area yang diwakili oleh satu piksel maka semakin tinggi resolusi pada
suatu gambar, dengan kata lain objek yang akan di visualisasikan akan
13
semakin detail dan menggambarkan bentuk yang menyerupai bentuk

di lapangan. Beberapa jenis satelit masuk dalam kategori Citra Satelit
Resolusi Sangat Tinggi (CSRST) seperti citra Pleiades 0,5 m. Citra Satelit
Resolusi Tinggi (CSRT) seperti Ikonos (4 m), Citra Resolusi Medium
seperti Landsat (15-30 m) dan Sentinel-2 (10 m), dan Citra Satelit Resolusi
Rendah seperti MODIS (250-1000 m).
id
Gambar 2.2. Visualisasi objek poligon yang direpresentasikan dalam tiga bentuk
resolusi 5m, 10 m dan 30 m resolusi spasial
.
2. Resolusi Radiometrik
go
s.
Resolusi radiometrik merupakan karakteristik pada data citra
p
.b
penginderaan jauh yang berkaitan dengan jumlah informasi yang

dimiliki dalam setiap piksel, yaitu jumlah bit yang mewakili energi yang
w
direkam. Setiap bit mencatat eksponen daya 2. Sebagai contoh resolusi

w
8 bit adalah 28 yang menunjukan bahwa sensor memiliki 256 nilai digital
//w
potensial (0-255) yang digunakan untuk menyimpan informasi. Sehingga

s:
semakin tinggi resolusi radiometrik, makan semakin banyak nilai yang

tersedia untuk menyimpan informasi objek dalam mendiskriminasikan
tp
perbedaan energi dari setiap objek.

ht
Gambar 2.3. Perbedaan visualisasi kedetailan jumlah bit pada citra digital
3. Resolusi Spektral
Resolusi spektral menjelaskan kemampuan bagi sensor satelit
penginderaan jauh pada suatu panjang gelombang, dalam memberikan
tingkat kedetailan dari spektrum elektromagnetik. Semakin tinggi
resolusi spektral pada suatu sensor penginderaan jauh maka akan
memiliki lebih banyak kanal (bands) serta jarak panjang gelombang
yang semakin sempit. Beberapa sensor termasuk dalam kategori multi-
14
spektral yang artinya sensor tersebut memiliki kurang lebih 3-10 kanal,
sedangkan beberapa sensor bahkan memiliki ratusan bahkan ribuan
kanal yang termasuk dalam kategori sensor hiperspektral. Gambar 3
menunjukan perbedaan jumlah kanal pada lima jenis citra. Hyperion
dengan 220 kanal, Sentinel 2 dengan 12 kanal, Landsat 8 dengan 11 kanal,
MODIS dengan 36 kanal serta ASTER dengan 14 kanal. Dengan informasi
kanal yang lebih banyak, potensi dalam mengekstrak informasi pada
suatu objek dapat diketahui dengan lebih detail. Berdasarkan panjang
gelombangkan serta respon terhadap objek, penginderaan jauh dibagi
menjadi dua jenis yaitu optik (pasif ) dan radar (aktif ). Sistem sensor
optik dibagi menjadi tiga berdasarkan respon terhadap objek yaitu
reflektansi berupa kanal tampak (visible) dengan panjang gelombang
0,4 - 0,7 µm dan Infrared Reflektif dengan panjang gelombang 0.7-3 µm
serta infrared termal dengan panjang gelombang 3-14 µm. Sedangkan
pada jenis sensor aktif seperti pada band X, band C dan Band L dengan
id
panjang gelombang masing-masing sebesar 2.4-3.8 cm, 3.8-7.5 cm dan
.
15-30 cm.
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 2.4. Perbedaan jumlah kanal serta informasi jarak panjang gelombang
pada lima sensor satelit penginderaan jauh Hyperion, Sentinel 2, Landsat 8, MODIS
dan ASTER
4. Resolusi Temporal
Resolusi temporal berkaitan dengan waktu tempuh yang
diperlukan bagi wahana satelit penginderaan jauh untuk menyelesaikan
orbit dan mengunjungi area pengamatan yang sama. Resolusi ini akan
bergantung pada jenis orbit, karakteristik sensor serta lebar sapuan
citra. Secara umum terdapat dua jenis orbit yaitu orbit stationer dan
15
orbit polar. Pada jenis orbit stasioner, arah dan kecepatannya memiliki
kecenderungan yang sama dengan rotasi bumi sehingga resolusi
temporalnya jauh lebih tinggi. Orbit ini disebut juga sebagai orbit sinkron
bumi (geo-synchronous) dengan wahana satelit yang mengorbit pada
jenis orbit ini berada pada ketinggian 36,000 km dengan didominasi oleh
satelit penginderaan jauh cuaca seperti Himawari yang termasuk satelit
cuaca milik Jepang yang memiliki resolusi temporal sangat tinggi yaitu
30 menit. Sedangkan pada jenis orbit polar atau sering disebut sebagai
orbit sinkron matahari (sun synchronous), wahana satelit mengorbit
secara vertikal mendekati bidang utara-selatan dengan membentuk
sudut inklinasi. Arah orbit memiliki resolusi temporal yang bervariasi
antara 1 hari hingga waktu belasan hari. Satelit MODIS (1 hari), Landsat
8 (16 hari) dan Sentinel-2 (10 hari) termasuk dalam satelit dengan orbit
polar.
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 2.5. Visualisasi orbit sinkron matahari (sun synchronous) dan orbit sinkron
bumi (geo-synchronous) (sumber: seos-project.eu)
Penerapan aplikasi data penginderaan jauh berdasarkan kombinasi

karakteristik resolusi
Dalam proses penggunaan data penginderaan jauh pada berbagai aplikasi,
informasi mengenai karakteristik resolusi sangat dibutuhkan karena pada beberapa
jenis aplikasi dibutuhkan salah satu atau gabungan karakteristik dalam resolusi
yang tinggi, atau dengan kata lain terdapat beberapa karakteristik resolusi dengan
nilai yang tidak harus tinggi.
16
. id
go
p s.
.b
w
w
//w
s:
tp
Gambar 2.6. Keterkaitan antara karakteristik resolusi data penginderaan jauh

ht
dengan aplikasi (sumber: Kasampalis dkk, 2018)
2.2.2 Karakter Sistem Sensor dalam Data Citra Satelit
Sensor Optik dan Termal disebut Sistem Penginderaan Jauh Pasif, dikarenakan
sensor tidak menembakkan cahaya ke permukaan bumi, tetapi hanya menerima
pantulan cahaya objek dari sumber cahaya lain, misalnya cahaya matahari. Contoh
satelit yang menggunakan sistem Penginderaan jauh pasif/optik adalah Landsat,
ASTER, Sentinel-2, Sentinel-3, dan sensor-sensor resolusi tinggi kayak IKONOS,
Quickbird, WorldView, GeoEye, dan sebagainya.
Sensor Radar dan Lidar disebut Sistem Penginderaan Jauh Aktif. Dikarenakan
sensor ini bawa “senter” sendiri, alias menembakkan gelombang elektromagnetik
sendiri ke permukaan bumi. Gelombang ini tertangkap objek, dipantulkan oleh
objek, dan pantulannya ditangkap kembali oleh sensor. Pada sistem Penginderaan
Jauh aktif, pantulan kembali dari objek ini dikenal dengan istilah backscatter
(hamburan balik). Sebagai catatan, kalau pada sistem optik pantulan ini kita asosiasi
17
kan sebagai reflectance, kalau pada sistem termal kita asosiasikan sebagai emitance.
Kita akan fokus pada SAR, tetapi menggunakan optik sebagai pembanding.
Ada beberapa perbedaan antara sensor optik dan sensor Radar (Radio
Detection and Ranging). Yang pertama adalah panjang gelombang. Sensor radar
menggunakan gelombang elektromagnetik yg lebih panjang. Sehingga sensor
ini mampu melakukan penetrasi atas partikel atmosferik, kayak awan, kabut, asap,
debu, uap air, dan sebagainya. Itu sebabnya citra radar relatif bersih dari gangguan
atmosfer.
Perbedaan lainnya adalah, gelombang elektromagnetik yang dipancarkan
sensor dan diterima oleh sensor sifatnya terpolarisasi (polarized). Sedangkan
gelombang optik sifatnya tidak terpolarisasi alias acak. Tentang polarisasi ini
sangat penting untuk difahami, sebab salah satu metode analisis citra radar adalah
polarimetry. Polarimetry adalah metode analisis citra radar dengan mengeksploitasi
polarisasi citra. Termasuk ketika kita ingin menghasilkan komposit citra radar
id
berwarna, yang diutak-atik adalah polarisasinya. Untuk memahami polarisasi, kita
.
go
kembali lagi ke teori fisika dasar. Bahwa berdasarkan arah getarannya, gelombang
itu ada 2 macam. Yaitu gelombang transversal dan gelombang longitudinal.
s.
p
Sensor satelit penginderaan jauh sistem radar sering dikenal dengan synthetic-
.b
aperture radar (SAR), bekerja pada panjang gelombang mikro seperti PALSAR
w
pada L-band dan Sentinel-1 pada C-band merupakan sistem pengindera aktif
w
dengan mempergunakan energi pancaran sendiri dari wahana satelit, kemudian

//w
sinyal hambur baliknya ditangkap oleh antena sensor. Dikarenakan sistem aktif
dan bekerja pada gelombang mikro maka sensor SAR dapat dipergunakan untuk
s:
memantau permukaan bumi tanpa gangguan awan, cuaca dan ketergantungan

tp
sumber cahaya matahari.

ht
Gambar 2.7 menunjukkan perbandingan citra satelit penginderaan jauh SAR

menggunakan citra Envisat SAR dan citra optik menggunakan Terra MODIS yang
diperoleh dalam waktu bersamaan. Dari citra SAR, permukaan lahan Bali dan laut
sekitarnya dapat dipantau tanpa gangguan liputan awan. Sedangkan data dari citra
satelit optic MODIS MODIS permukaan lahan tidak dapat dipantau karena tertutup
awan, tetapi dari citra radar Envisat SAR pola citra permukaan lahan dapat terlihat
dengan jelas. Akan tetapi informasi citra radar berbeda dengan citra optik yang
mendasarkan rona warna berdasarkan karakteristik spektralnya. Pada radar yang
memiliki sensor lebih dari satu polarisasi, informasi lahan berdasarkan kekasaran
permukaan dapat dikombinasikan menjadi citra berwarna berdasarkan jenis
polarisasinya.
18
Gambar 2.7 Perbandingan Citra Satelit Pulau Bali pada tanggal 26 Oktober 2011
pukul 10.08 WIT Antara (a) Citra SAR (Envisat) dan (b) Citra Optik (Terra MODIS).
Sumber: Kushardono dkk. (2016)
Sebagaimana sensor system optic, sensor radar dirancang sesuai misinya
id
berdasarkan karakter hamburan balik sinyalnya yang diterima sensor atau
.
go
antenna radar terhadap objek lahan. Dimana karakter hamburan balik suatu objek
dipermukaan berdasarkan Panjang gelombang berbeda-beda sebagaimana
s.
digambarkan pada Gambar 2.8. Pada sensor radar yang mempergunakan SAR X
p
band akan dapat hamburan balik dari permukaan objek lahan. Sementara yang
.b
mempergunakan C band selain memperoleh sinyal hamburan balik dari permukaan

w
objek lahan juga mendapatkan hamburan balik tambahan dari dalam objek. Pada
w
sensor yang mempergunakan L band dapat tambahan lebih banyak lagi dari bagian
//w
objek yang lebih dalam selain dari objek di atas.

s:
tp
ht
Gambar 2.8. Sinyal hambur balik pada sensor radar X, C dan L Band. Sumber : Dony
Kushardono (2017)
19
. id
go
p s.
.b
Gambar 2.9 Satelit Penginderaan Jauh SAR: Masa Lalu, Saat Ini, dan Akan Datang
Sumber: UNAVCO (2019)
w
w
//w
2.2.3 Teknik Penginderaan Jauh

s:
tp
Untuk memperoleh suatu informasi yang diinginkan dari data penginderaan

jauh diperlukan suatu teknik tertentu. Teknik ini biasanya disesuaikan dengan
ht
kebutuhan orang mengintepratasi dan penggunanya. Saat ini, perkembangan

teknologi penginderaan sudah sangat memadai dan masih terus dilakukan riset
untuk meningkatkan kualitas dari informasi yang dihasilkan.
Perkembangan saat ini teknik penginderaan jauh dapat di kategorikan
menjadi 3, yaitu:
1. Pengembangan teknik tingkat lanjut untuk klasifikasi data penginderaan
jauh;
2. Mengintegrasikan berbagai fitur data penginderaan jauh untuk proses
pemerolehan informasi;
3. Mengintegrasikan data tambahan dan pengetahuan untuk meningkatkan
akurasi informasi.
Klasifikasi konvensional, seperti maksimum likelihood hingga ke tingkat

lanjut seperti object base oriented telah berkembang secara pesat. Perkembangan
ini sejalan dengan perkembangan data satelit penginderaan jauh yang memiliki
kedetailan dengan resolusi 1 m. Object base oriented misalnya berkembang setelah
20
munculnya data satelit seperti IKONOS atau Quickbird (Blaschke, 2009). Tidak hanya
untuk satelit resolusi tinggi, metode lanjut juga berkembang pada bagaimana cara
memperoleh informasi dari permukaan bumi dengan data satelit dengan resolusi
rendah. Teknik yang dikenal adalah spectral mixture analisis. Teknik ini mampu
menganalisa satu piksel informasi menjadi beberapa piksel informasi yang lain,
sehingga informasi akan lebih detail.
Interagrasi beberapa fitur data penginderaan jauh termasuk informasi
spektral, spasial, multitemporal, dan multi sensor sangatlah penting untuk
meningkatkan akurasi. Salah satu contohnya adalah metode “pan-sharpening”
yang menggabungkan antara data resolusi spatial rendah dengan tinggi,
sehingga informasi akan lebih detail. Data multitemporal juga sangat penting
untuk klasifikasi penggunaan lahan terutama di lahan sawah. Penggunaan data
multitemporal akan dapat meningkatkan akurasi (Xiao et al., 2006). Berdasarkan
perkembangan data per waktu maka lahan terbuka dapat dibedakan dengan lahan
id
sawah fase bera misalnya. Data dengan resolusi spectral tinggi dapat digunakan
untuk mengklasifikasi suatu objek lebih detail, seperti membedakan tipe vegetasi
.
go
dan phytoplankton di wilayah laut (Belluco et al., 2006).
s.
Integrasi dengan data tambahan seperti data ketinggian, jumlah penduduk,
p
jaringan jalan, tipe tanah, suhu udara, dan curah hujan juga membantu meningkat-
.b
kan akurasi informasi yang diperoleh dari data penginderaan jauh. Sebagai contoh,
w
Stathakis and Kanellopoulus (2008) menambahan informasi ketinggian untuk

w
memperoleh kelas penggunaan secara akurat. Liu et al. (2008) mengintegrasikan

//w
data Sistem Informasi Geografis untuk klasifikasi wilayah mangrove, mereka

menunjukkan bahwa informasi tambahan akan dapat mengkelaskan objek yang
s:
lebih detail di hutan mangrove. Lebih lanjut, klasifikasi akan lebih akurat jika
tp
didukung dengan pengetahuan manusia kepada suatu wilayah (Hung and Rid,
ht
2002; Judex et al., 2006).
2.3 Penyedia Data Citra Satelit
Dalam kaitannya dengan penyedia data satelit, terdapat banyak sekali

penyedia data satelit baik itu yang dapat didapatkan secara gratis maupun secara
berbayar. Penyedia data ini juga berasal baik dari pemerintah ataupun dari pihak
swasta, sebut saja NASA/USGS dari Amerika Serikat dengan data Landsat-nya,
JAXA (Jepang) dengan data ALOS-nya, serta MAXAR dengan data Worldview. Pada
subbab 1.2.1 membahas tentang beberapa data pengindraan jauh yang sering
digunakan di Indonesia. Sedangkan pada pada bab ini akan membahas lebih rinci
jenis-jenis data pengindraan jauh berdasarkan sumber atau negara penyedia data
tersebut.
21
2.3.1 Amerika Serikat
Amerika Serikat merupakan salah satu negara yang sudah berkecimpung

mengenai satelit penginderaan jauh sejak lama. Beberapa agensinya mempunyai
program dalam menghasilkan data citra satelit ini, sebut saja NASA, USGS, dan
NOAA.
National Aeronautics and Space Administration (NASA) merupakanan suatu
badan pemerintah Amerika Serikat yang bertanggungjawab dalam program dan
penelitian terkait luar angkasa. Sedangkan United States Geological Survey (USGS)
merupakan Lembaga penelitian pemerintah Amerika Serikat yang mempelajari
mengenai landscape, kekayaan alam, serta bencana alam yang mungkin terjadi.
Selain itu juga ada National Oceanic and Atmospheric Administration (NOAA) yang
merupakan agensi pemerintah Amerika serikat yang mengatur dan melakukan
penelitian mengenai prakiraan cuaca, pengamatan kondisi atmosfer dan lautan,
id
eksplorasi laut dalam, serta perlindungan terhadap biota laut.
.
2.3.1.1 Landsat
go
p s.
.b
Landsat merupakan program mengenai satelit pengamatan bumi yang

dimiliki oleh NASA dan merupakan program satelit pemantauan bumi yang paling
w
lama dan berkelanjutan sejak 1972 (Lauer et al., 1997). Pada tahun 2022 ini sudah
w
ada 9 satelit yang diluncurkan dan dari 9 satelit yang diluncurkan ini, hanya satu
//w
yang gagal mengorbit, yaitu Landsat 6. Pada tahun 2022, terdapat tiga satelit
s:
Landsat yang masih aktif, yaitu: Landsat 7, Landsat 8, dan Landsat 9.

tp
ht
Gambar 2.10. Timeline satelit Landsat
1. Landsat 1
Landsat 1 awalnya bernama Earth Resources Technology Satellite
1 dan dioperatori oleh NASA. Landsat 1 diluncurkan pada Tanggal 23 Juli
1972 dan misi berakhir pada tanggal 6 Januari 1978 atau selama 5 tahun,
6 bulan, 14 hari (Lauer et al., 1997). Landsat 1 membawa dua instrument:
Return Beam Vidicon (RBV) dan Multi spectral Scanner (MSS) (Lauer et al.,
1997). MSS ini mempunyai empat kanal spektral dengan resolusi spasial
60 m. Contoh citra dari Landsat 1 ini dapat dilihat pada Gambar 2.11.
22
id
Gambar 2.11. Contoh data citra Landsat 1 tanggal 20 Agustus 1972 pada path 125
.
dan row 66
go
2. Landsat 2
p s.
Landsat 2 awalnya dinamakan Earth Resource Technology Satellite
.b
B (ERTSB) namun kemudian dirubah namanya. Landsat 2 diluncurkan

w
pada Tanggal 22 Januari 1975 dan berakhir pada tanggal 25 Februari

w
1982 atau selama 7 tahun, 1 bulan, 3 hari dan dioperatori oleh NASA/
//w
NOAA (Lauer et al., 1997). Seperti Landsat 1, Landsat 2 juga membawa

dua instrument: Return Beam Vidicon (RBV) dan Multi spectral Scanner
s:
(MSS) yang juga pada MSS ini mempunyai empat kanal spektral dengan
tp
resolusi spasial 60 m (Lauer et al., 1997). Contoh citra dari Landsat 2 ini
ht
dapat dilihat pada Gambar 2.12.
Gambar 2.12. Contoh data citra Landsat 2 tanggal 16 Mei 1976 pada path 131 dan
row 65
23
3. Landsat 3
Landsat 3 diluncurkan pada tanggal 5 Maret 1978 dan berakhir
pada tanggal 31 Maret 1983 atau selama 5 tahun, 26 hari dan dioperatori
oleh NASA (Lauer et al., 1997). Seperti Landsat 1 dan Landsat 2, Landsat
3 juga membawa dua instrument: Return Beam Vidicon (RBV) dan Multi
spectral Scanner (MSS) namun pada MSS ini mempunyai lima kanal
spektral dengan resolusi spasial 60 m dengan tambahan pada kanal
termal (Lauer et al., 1997). Contoh citra dari Landsat 3 ini dapat dilihat
pada Gambar 2.13.
. id
go
p s.
.b
w
w
//w
Gambar 2.13. Contoh data citra Landsat 3 tanggal 13 April 1978 pada path 126 dan
s:
row 66
tp
ht
Kanal dari MSS pada Landsat 1-3 dapat dilihat pada Tabel 2.1 berikut.
Tabel 2.1 Landsat 1–3 Multispectral Scanner (MSS)

Panjang gelombang Resolusi
Landsat 1–3 MSS
(micrometers) (meters)
Band 4 – Green 0.5 – 0.6 60
Band 5 – Red 0.6 – 0.7 60
Band 6 – Near Infrared 0.7 – 0.8 60
(NIR)
Band 7 – NIR 0.8 – 1.1 60
4. Landsat 4
Landsat 4 diluncurkan pada tanggal 16 Juli 1982 dan misinya
berakhir pada tanggal 14 Desember 1993 atau selama 5 tahun, 26 hari dan
dioperatori oleh NASA/NOAA (Lauer et al., 1997). Seperti pendahulunya,
Landsat 4 juga membawa Multi spectral Scanner (MSS). Selain itu
24
Landsat 4 membawa Thematic Mapper (TM) yang mana mempunyai 7

kanal spektral dengan enam kanal mempunyai resolusi spasial 30 m dan
1 kanal termal dengan resolusi spasial 120 m (Lauer et al., 1997). Contoh
citra dari Landsat 4 ini dapat dilihat pada Gambar 2.14.
. id
go
p s.
.b
Gambar 2.14. Contoh data citra Landsat 4 tanggal 30 Oktober 1983 pada path 110
dan row 62
w
w
//w
5. Landsat 5
Landsat 5 diluncurkan pada tanggal 1 Maret 1984 dan misinya
s:
berakhir pada tanggal 5 Juni 2013 atau selama 29 tahun, 3 bulan, 4 hari
tp
yang merupakan satelit pemantauan bumi dengan misi terlama dalam

sejarah (Lauer et al., 1997). Landsat 5 dioperatori oleh NASA/NOAA.
ht
Landsat 5 mempunyai payload seperti Landsat 4 dengan membawa

Multi spectral Scanner (MSS) dan Thematic Mapper (TM) yang juga
mempunyai 7 kanal spektral dengan enam kanal mempunyai resolusi
spasial 30 m dan 1 kanal termal dengan resolusi spasial 120 m (Lauer
et al., 1997). Contoh citra dari Landsat 5 ini dapat dilihat pada Gambar
2.15 dankanal dari MSS pada Landsat 4 dan 5 dapat dilihat pada Tabel 2.2
25
id
Gambar 2.15. Contoh data citra Landsat 5 tanggal 12 November 2011 pada path
102 dan row 64
.
go
Tabel 2.2 Landsat 4–5 Thematic Mapper (TM)
p s.
.b
Bands
w
w
Band 1 – Blue 0.45 – 0.52 30

//w
Band 2 – Green 0.52 – 0.60 30

s:
Band 3 – Red 0.63 – 0.69 30

tp
Band 4 – NIR 0.76 – 0.90 30

ht
Band 5 – Shortwave
1.55 – 1.75 30
Infrared (SWIR) 1
Band 6 – Thermal 10.40 – 12.50 120
Band 7 – SWIR 2 2.08 – 2.35 30
6. Landsat 6
Landsat 6 diluncurkan pada tanggal 5 Oktober 1993 namun gagal
mencapai orbit (Lauer et al., 1997).
7. Landsat 7
Landsat 7 diluncurkan pada tanggal 15 April 1999 dan hingga tahun
2022 masih aktif beroperasi. Landsat 7 dioperatori oleh NASA/USGS.
Komponen utama dari Landsat 7 adalah Enhanced Thematic Mapper Plus
(ETM+) yang mempunyai 8 band dengan 6 band mempunyai resolusi 30
m, 1 band termal dengan resolusi 60 m, dan 1 band pankromatik dengan
resolusi spasial 15 m. Pada Mei 2003 terjadi permasalahan pada bagian
scan line corrector yang menyebabkan munculnya stripping pada data
26
Landsat 7. Contoh citra dari Landsat 7 ini dapat dilihat pada Gambar 2.16.
id
.
dan row 62
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 2.17. Contoh data satelit Landsat ETM+ di sekitar danau Toba Sumatera
Utara tanggal 5 Agustus 2003
Kanal yang terdapat pada ETM+ dapat dilihat pada Tabel 2.11.
Tabel 2.3 Landsat 7 Enhanced Thematic Mapper Plus (ETM+)

Bands
Band 1 – Blue 0.45 – 0.52 30
Band 2 – Green 0.52 – 0.60 30
27

Bands
Band 3 – Red 0.63 – 0.69 30
Band 4 – NIR 0.77 – 0.90 30
Band 5 – SWIR 1 1.55 – 1.75 30
Band 6 – Thermal 10.40 – 12.50 60
Band 7 – SWIR 2 2.09 – 2.35 30
Band 8 – Panchromatic 0.52 – 0.90 15
8. Landsat 8
Landsat 8 diluncurkan pada 11 Februari 2013 dan masih aktif
hingga tahun 2022. Landsat 8 ini dioperatori oleh NASA/USGS. Landsat 8
id
membawa dua sensor yakni Operational Land Imager (OLI) dan Thermal
.
InfraRed Sensor (TIRS). OLI sendiri mempunyai 8 kanal dengan 7 di
go
antaranya mempunyai resolusi spasial 30 m dan 1 kanal pankromatik
s.
dengan resolusi spasial 15 m. Sedangkan TIRS mempunyai 2 kanal termal
p
dengan resolusi spasial 100 m. Contoh citra dari Landsat 8 ini dapat
.b
dilihat pada Gambar 2.18.

w
w
//w
s:
tp
ht
dan row 67
9. Landsat 9
Landsat 9 merupakan satelit pemantauan bumi yang baru saja
diluncurkan pada tanggal 27 September 2021. Sama seperti Landsat 8,
Landsat 9 juga dioperatori oleh NASA/USGS dan juga membawa dua
sensor yang sama, OLI dan TIRS. Gambar 2.18 memperlihatkan contoh
citra yang diambil oleh Landsat 9 di wilayah Indonesia.
28
dan row 62
id
Kanal yang terdapat pada OLI dan TIRS dapat dilihat pada Tabel 2.12
.
go
Tabel 2.4 Landsat 8-9 Operational Land Imager (OLI) dan Thermal Infrared Sensor
(TIRS)
s.
p
Bands
.b
w
Band 1 - Ultra Blue

w
0.435 – 0.451 30
(coastal/aerosol)
//w
Band 2 - Blue 0.452 – 0.512 30

s:
Band 3 - Green 0.533 – 0.590 30

tp
Band 4 – Red 0.636 – 0.673 30

ht
Band 5 – NIR 0.851 – 0.879 30

Band 6 – SWIR 1 1.566 – 1.651 30
Band 7 – SWIR 2 2.107 – 2.294 30
Band 8 – Panchromatic 0.503 – 0.676 15
Band 9 – Cirrus 1.363 – 1.384 30
Band 10 – Thermal 1 10.60 – 11.19 100
Band 11 – Thermal 2 11.50 – 12.51 100
Data Landsat sendiri bisa didapatkan secara gratis oleh semua pengguna.
Data-data Landsat salah satunya bisa diakses melalui earth explorer https://
earthexplorer.usgs.gov/ atau juga dapat melalui Google Earth Engine.
29
2.3.1.2 Terra/Aqua
Terra/Aqua merupakan bagian dari Earth Observing System (EOS) yang

merupakan program satelit NASA dalam hal observasi gloal pada permukaan
tanah, biosfer, atmosfer, dan lautan. Terra (EOS AM-1) diluncurkan pada tahun 1999,
sedangkan Aqua (EOS PM-1) diluncurkan pada tahun 2002. Baik Terra ataupun
Aqua membawa beberapa payload, namun keduanya membawa satu payload
yang sama, yaitu MODIS.
MODIS adalah satelit kerjasama antara Amerika Serikat dengan Jepang
untuk memantau dinamika darat dan lautan. Dapat digolongkan ke dalam satelit
hyperspectral karena memiliki 36 kanal. Satelit yang berorbit near polar pada
ketinggian 703 km ini berfungsi untuk melakukan pemantauan cuaca, kondisi
hutan, pemantauan titik api (hotspot) kebakaran hutan/lahan, perubahan hutan/
lahan secara global, dan kondisi atmosfer rendah, seperti kandungan uap air.
id
Dalam waktu 1-2 hari satelit ini mampu memotret/merekam seluruh permukaan
.
bumi. Tabel 2.5 merupakan karakteristik data Terra/Aqua Modis dan Gambar
go
2.20merupakan contoh data satelit terra MODIS gabungan mingguan yang
s.
diterima oleh stasiun bumi LAPAN di Parepare. Selain dapat diterima oleh stasiun
bumi LAPAN, data ini dapat di download di http://modis.gsfc.nasa.gov/
p
.b
Tabel 2.5 Karakteristik satelit Terra/Aqua MODIS

w
w
Karakteristik
//w
Sistem sensor Optis

s:
Resolusi:
tp
250 m kanal 1-2

ht
Resolusi spasial 500 m kanal 3-7

1 km kanal 8-36
Resolusi temporal 1-2 hari
Resolusi spektral 36 kanal
Resolusi radiometrik 12 bit
Lebar sapuan 2330 Km
Sistem orbit Near polar
30
id
.
Gambar 2.20. Citra Terra MODIS mingguan tanggal 1-7 September 2004 yang
go
diterima oleh stasiun bumi LAPAN di Parepare
s.
Moderate Resolution Imaging Spectroradiometer (MODIS) merupakan sensor
p
.b
satelit yang digunakan dalam pemantauan bumi dan iklim. MODIS menangkap 36
kanal spektral dengan beberapa resolusi spasial seperti terlihat pada Tabel 2.6
w
w
Tabel 2.6 Kanal dari MODIS

//w
Panjang
s:
Resolusi
Bands gelombang Penggunaan Utama
tp
(meters)
(micrometers)
ht
1 620–670 250 Land/cloud/aerosols

2 841–876 250 boundaries
3 459–479 500
4 545–565 500
Land/cloud/aerosols
5 1230–1250 500
properties
6 1628–1652 500
7 2105–2155 500
8 405–420 1000
9 438–448 1000
10 483–493 1000 Ocean color/
phytoplankton/
11 526–536 1000 biogeochemistry
12 546–556 1000
13 662–672 1000
31
Panjang
Resolusi
Bands gelombang Penggunaan Utama
(meters)
(micrometers)
14 673–683 1000
15 743–753 1000
16 862–877 1000
17 890–920 1000
Atmospheric
18 931–941 1000
water vapor
19 915–965 1000
20 3.660–3.840 1000
21 3.929–3.989 1000 Surface/cloud
temperature
id
22 3.929–3.989 1000
.
23 4.020–4.080 1000
go
24 4.433–4.498 1000 s. Atmospheric
25 4.482–4.549 1000 temperature
p
.b
26 1.360–1.390 1000
Cirrus clouds
w
27 6.535–6.895 1000
water vapor
w
28 7.175–7.475 1000
//w
29 8.400–8.700 1000 Cloud properties

s:
30 9.580–9.880 1000 Ozone

tp
31 10.780–11.280 1000 Surface/cloud

ht
32 11.770–12.270 1000 temperature

33 13.185–13.485 1000
34 13.485–13.785 1000 Cloud top
35 13.785–14.085 1000 altitude
36 14.085–14.385 1000
Data MODIS baik Terra ataupun Aqua dapat diperoleh salah satunya dengan
mengakses https://ladsweb.modaps.eosdis.nasa.gov/. Contoh citra dari MODIS
dapat dilihat pada Gambar 2.21.
32
. id
go
p s.
.b
w
w
//w
s:
tp
Gambar 2.21. Citra dari Aqua MODIS tanggal 26 Desember 2015

ht
Data MODIS baik Terra ataupun Aqua dapat diperoleh salah satunya dengan
mengakses https://ladsweb.modaps.eosdis.nasa.gov/
2.3.1.3 Suomi-NPP
Suomi National Polar-orbiting Partnership (Suomi-NPP), merupakan satelit

cuaca yang dioperasikan oleh NOAA. Suomi NPP diluncurkan pada tahun 2011 dan
masih beroperasi hingga sekarang. Sama halnya dengan satelit Terra dan Aqua,
Suomi NPP juga membawa berbagai macam payload, yang paling terkenal yaitu
VIIRS.
Visible Infrared Imaging Radiometer Suite (VIIRS) merupakan instrumen
terbesar yang berada pada satelit Suomi-NPP. VIIRS menangkap citra dari Panjang
gelombang tampak dan inframerah dengan total 22 kanal yang salah satunya dapat
melihat citra malam yaitu dengan menggunakan Day-Night Band. Kanal-kanal yang
dimiliki oleh VIIRS dapat dilihat pada Tabel 2.7.
33
Tabel 2.7 Kanal yang dimiliki oleh VIIRS

Spectral range
Nomor Band Penggunaan utama
(µm)
Ocean Color
M1 0.402-0.422
Aerosols
Ocean Color
M2 0.436-0.454
Aerosols
Ocean Color
M3 0.478-0.498
Aerosols
Ocean Color
M4 0.545-0.565
Aerosols
I1 0.600-0.680 Imagery
id
Ocean Color
M5 0.662-0.682
.
Aerosols
go
M6 0.739-0.754 Atmospheric Correction
s.
I2 0.846-0.885 NDVI
p
.b
Ocean Color
M7 0.846-0.885
w
Aerosols
w
M8 1.230-1.25 Cloud Particle Size

//w
M9 1.371-1.386 Cirrus/Cloud Cover

s:
I3 1.580-1.640 Binary Snow Map

tp
M10 1.580-1.640 Snow Fraction

ht
M11 2.225-2.275 Clouds

I4 3.550-3.930 Cloud Imagery
M12 3.660-3.840 Sea surface temperature (SST)
SST
M13 3.973-4.128
Fires
M14 8.400-8.700 Cloud Top Properties
M15 10.263-11.263 SST
I5 10.500-12.400 Cloud Imagery
M16 11.538-12.488 SST
DNB 0.500-0.900 Light pollution
Data VIIRS ini dapat diperoleh salah satunya dengan mengakses https://nrt3.
modaps.eosdis.nasa.gov/archive/allData/5200/. Gambar 2.22 memperlihatkan citra
dari Day/Night Band.
34
Gambar 2.22. Citra Day/Night Band tanggal 7 Februari 2022
. id
go
2.3.1.4 WorldView
s.
WorldView merupakan satelit penginderaan jauh komersial yang
p
.b
menyediakan citra resolusi tinggi. Pada awalnya satelit ini dimiliki oleh DigitalGlobe
namun saat ini dimiliki oleh MAXAR. Terdapat 3 satelit yang saat ini beroperasi sejak
w
tahun 2007.
w
//w
1. WorldView-1
WorldView-1 (WV-1) diluncurkan pada 18 September 2007 dan
s:
masih beroperasi hingga saat ini. WV-1 merupakan satelit komersial

tp
pertama yang menyediakan resolusi spasial hingga 50 cm. WV-1 hanya

ht
memiliki 1 kanal pankromatik. Contoh dari citra WorldView-1 dapat

dilihat pada Gambar 2.23.
Gambar 2.23. Citra WorldView-1 tanggal 16 Juni 2011 di sekitar Kabupaten Bogor.
35
2. WorldView-2
WorldView-2 (WV-2) merupakan penginderaan jauh komersial
yang mempunyai 9 kanal, terdiri dari satu kanal pankromatik resolusi 46
cm dan 8 kanal multispectral 1.84 m. WV-2 diluncurkan pada 8 Oktober
2009 dan hingga saat ini masih beroperasi. Kanal dari WorldView-2 bisa
dilihat pada Tabel 2.8 dan contoh dari citra WorldView-2 dapat dilihat
pada Gambar 2.24.
Tabel 2.8 WorldView-2

Bands
(micrometers) (centimeters)
Panchromatic 0.464 – 0.801 46
Coastal 0.401 – 0.453 184
Blue 0.447 – 0.508 184
. id
Green 0.511 – 0.581 184
go
Yellow 0.588 – 0.627 s. 184
Red 0.629 – 0.689 184
p
.b
Red Edge 0.704 – 0.744 184

w
NIR 1 0.772 – 0.890 184

w
NIR 2 0.862 – 0.954 184

//w
s:
tp
ht
Gambar 2.24. Citra WorldView-2 Bandara Pongtiku, Kabupaten Tana Toraja,

Sulawesi Selatan tanggal 28 September 2013
3. WorldView-3
WorldView-3 (WV-3) merupakan penginderaan jauh komersial
36
yang diluncurkan pada 13 Agustus 2014 dan hingga saat ini masih
beroperasi. WV-3 total mempunyai 29 kanal, terdiri dari satu kanal
pankromatik dengan resolusi 31 cm, 8 kanal multispectral 1.24 m, 8
kanal SWIR dengan resolusi 3.7 m serta 12 kanal CAVIS (Clouds, Aerosols,
Vapors, Ice, and Snow) dengan resolusi 30 m. Kanal dari WorldView-3 bisa
dilihat pada Tabel 2.9 dan contoh dari citra WorldView-3 dapat dilihat
pada Gambar 2.25.
Tabel 2.9 WorldView-3

Band Spectral band Resolusi
Nadir: 0.31 m
Pankromatik 450 - 800 nm
20º off-nadir: 0.34 m
Coastal Blue 400 - 450 nm
Blue 450 - 510 nm
. id
Green 510 - 580 nm
go
Yellow 585 - 625 nm
s. Nadir: 1.24 m
Red 630 - 690 nm 20º off-nadir: 1.38 m
p
.b
Red edge 705 - 745 nm

w
Near-IR1 770 - 895 nm

w
Near-IR2 860 - 1040 nm

//w
SWIR-1 1195 - 1225 nm

s:
SWIR-2 1550 - 1590 nm

tp
SWIR-3 1640 - 1680 nm

ht
SWIR-4 1710 - 1750 nm Nadir: 3.70 m

SWIR-5 2145 - 2185 nm 20º off-nadir: 4.10 m
SWIR-6 2185 - 2225 nm
SWIR-7 2235 - 2285 nm
SWIR-8 2295 - 2365 nm
37
Band Spectral band Resolusi

Desert clouds 405 - 420 nm
Aerosols-1 459 - 509 nm
Green 525 - 585 nm
Aerosols-2 620 - 670 nm
Water-1 845 - 885 nm
Water-2 897 - 927 nm
Nadir: 30 m
Water-3 930 - 965 nm
NDVI-SWIR 1220 - 1252 nm
Cirrus 1350 - 1410 nm
Snow 1620 - 1680 nm
id
Aerosol-3 2105 - 2245 nm
.
go
Aerosol-3 2105 - 2245 nm
p s.
.b
w
w
//w
s:
tp
ht
Gambar 2.25. Citra dari WorldView-3 di wilayah Sumatera Selatan tanggal 24

September 2015
Citra WorldView ini merupakan citra komersial sehingga perlu membayar

untuk mendapatkannya. Untuk Indonesia, data citra WorldView dapat didapatkan
dengan lisensi pemerintah dengan membuat permintaan data ke Pusdatin BRIN
yang sebelumnya dikelola oleh LAPAN. Untuk dapat melihat data-data yang tersedia
bisa melihatnya melalui web https://inderaja-catalog.lapan.go.id/DD4/
38
2.3.1.5 Planet
Planet Labs PBC merupakan perusahaan Amerika yang bertujuan untuk

menggambarkan keseluruhan Bumi secara harian untuk memonitor perubahan
yang terjadi. Planet sendiri mempunyai tiga satelit utama: konstelasi satelit Dove,
RapidEye, dan SkySat. Pada 2021 sendiri terdapat lebih dari 200an satelit yang
masih aktif dengan total satelit yang pernah diluncurkan lebih dari 300 satelit.
1. Planet’s Dove satelit
Planet’s Dove satelit merupakan CubeSat yang memiliki bobot 4
kg dengan dimensi 10x10x30 cm. Satelit ini mengorbit pada ketinggian
400 km dan menyediakan citra dengan resolusi spasial 3 hingga 5 m.
Satelit Dove ini diluncurkan dalam bentuk konstelasi satelit yang disebut
Flock, yang mana tiap Flock ini terdiri dari beberapa satelit Dove. Adapun
satelit yang telah diluncurkan adalah sebagai berikut:
id
• Flock 1c, terdiri dari 11 satelit Dove, diluncurkan pada 19 Juni
.
go
2014.
• Flock 1b, terdiri dari 28 satelit Dove, diluncurkan pada 13 Juli
s.
2014.
p
• Flock 1d, terdiri dari 26 satelit Dove, namun gagal dikarenakan
.b
meledaknya roket yang membawanya.

w
• Flock 1d’, terdiri dari 2 satelit Dove, diluncurkan pada 10 Januari

w
2015 untuk menggantikan grup Flock 1d.

//w
• Flock 1e, terdiri dari 14 satelit Dove, diluncurkan pada 14 April

2015.
s:
• Flock 1f, terdiri dari 8 satelit Dove, namun terjadi kegagalan

tp
pada roket yang membawanya.

ht
• Flock 2b, terdiri dari 14 satelit Dove, diluncurkan pada 19

Agustus 2015.
• Flock 2e, terdiri dari 12 satelit Dove, diluncurkan pada 6
Desember.
• Flock 2e’, terdiri dari 20 satelit Dove, diluncurkan pada 23 Maret
2016.
• Flock 2k, terdiri dari 48 satelit Dove, diluncurkan pada 14 Juli
2017
• Flock 2p, terdiri dari 12 satelit Dove, diluncurkan pada 22 Juni
2016
• Flock 3m, terdiri dari 4 satelit Dove, diluncurkan pada 31
Oktober 2017
• Flock 3p, terdiri dari 88 satelit Dove, diluncurkan pada 15
February 2017 dan merupakan armada satelit terbesar yang
pernah diluncurkan.
• Flock 3p’, terdiri dari 4 satelit Dove, diluncurkan pada 12 Januari
2018.
• Sebuah Dove satellite yang dinamakan Dove Pioneer
39
diluncurkan pada 21 Januari 2018

• Flock 3r, terdiri dari 16 satelit Dove, diluncurkan pada 29
November 2018
• Flock 3s, terdiri dari 3 satelit Dove, diluncurkan pada 3
Desember 2018
• Flock 3k, terdiri dari 12 satelit Dove, diluncurkan pada 27
Desember 2018
• Flock 4a, terdiri dari 20 satelit SuperDove, diluncurkan pada 1
April 2019
• Flock 4p, terdiri dari 12 satelit SuperDove, diluncurkan pada 27
November 2019
• Flock 4e, terdiri dari 5 satelit SuperDove, diluncurkan pada 4
July 2020, namun satelit gagal mencapai orbit.
• Flock-4v, terdiri dari 26 satelit SuperDove, diluncurkan pada 3
September 2020
id
• Flock 4e’, terdiri dari 9 satelit SuperDove, diluncurkan pada 28
.
October 2020.
go
• Flock 4s, terdiri dari 48 satelit SuperDove, diluncurkan pada 24
s.
Januari 2021
p
• Flock 4x, terdiri dari 44 satelit SuperDove, diluncurkan pada 21
.b
Januari 2022.
w
w
//w
s:
tp
ht
Gambar 2.26. Citra Planet Dove dari Gunung Dukono di Pulau Halmahera yang
bisa dilihat perbedaannya dalam hitungan jam.
2. SkySat
SkySat merupakan satelit konstelasi yang menyediakan citra dan
video resolusi tinggi. Satelit ini didapatkan oleh Planet dengan membeli
Terra Bella dari Google pada 2017. SkySat dapat merekam video hingga
90 detik dengan 30 frame per detik. Tujuan dari konstelasi satelit ini
adalah menyediakan citra resolusi tinggi dari Bumi yang dapat direkam
beberapa kali per harinya. Satelit SkySat juga merupakan jenis CubeSat
40
yang seukuran kulkas kecil dengan bobot sekitar 100 kg. Tabel 2.10
menunjukkan satelit yang telah diluncurkan hingga tahun 2022.
Tabel 2.10 Daftar satelit SkySat

Nama Nama Alternatif Tanggal Peluncuran
SkySat-1 21 November 2013
SkySat-2 8 Juli 2014
SkySat-C1
SkySat-3 22 Juni 2016
SkySat Gen2-1
SkySat-4 SkySat-C2 16 September 2016
id
.
SkySat-8 SkySat-C6 31 Oktober 2017
go
SkySat-9 SkySat-C7 s. 31 Oktober 2017
p
.b

w

w

//w
SkySat-14 SkySat-C12 3 Desember 2018

s:
SkySat-15 SkySat-C13 3 Desember 2018

tp
SkySat-16 SkySat-C14 13 Juni 2020

ht

SkySat-19 SkySat-C17 18 Agustus 2020
41
id
Gambar 2.27. Citra dari Anak Krakatau yang diperioleh dari SkySat
.
go
Data-data dari Planet ini merupakan data komersial, sehingga untuk
s.
mendapatkannya diharuskan untuk membayar. Untuk informasi lebih lanjut bisa
mengakses ke www.planet.com. Data Planet untuk wilayah Indonesia ini juga sudah
p
.b
bisa didapatkan dengan lisensi pemerintah, namun belum tersedia dalam katalog
w
karena baru dimulai sejak pertengahan 2021. Untuk mengetahuinya bisa lebih
w
lanjut bertanya ke Pusdatin BRIN. Data Planet ini juga tersedia gratis khusus untuk
data-data terkait kejadian bencana dengan mendaftar terlebih dahulu ataupun
//w
dengan menggunakan versi trial.

s:
tp
2.3.1.6 National Oceanic and Atmospheric Administration Advanced Very High

ht
Resolution Radiometer (NOAA/AVHRR)
NOAA/AVHRR adalah satelit miliki Amerika Serikat yang berorbit pada

ketinggian 830-870 km di atas permukaan bumi. Fungsi utama data satelit ini adalah
untuk pemantauan cuaca, suhu permukaan laut, pemantauan hutan, pemantauan
kebakaran hutan/lahan dan kondisi lahan dalam skala global. Tabel 2.11 adalah
karakteristik data NOAA/AVHRR. Gambar 2.28 merupakan contoh data satelit
NOAA AVHRR versi 16 yang diterima oleh stasiun bumi Lembaga Penerbangan dan
Antariksa pada tanggal 2 Januari 2005 pukul 14.44 WIB.
Tabel 2.11. Karakteristik satelit NOAA/AVHRR

Karakteristik
Sistem sensor Optis
Resolusi:
Resolusi spasial 1 km at Nadir
Resolusi temporal 4 kali melintas di wilayah Indonesia
42
Resolusi spektral 5 kanal

Lebar sapuan 2800 Km
Sistem orbit Near polar
. id
go
p s.
.b
Gambar 2.28. Data satelit NOAA AVHRR-16 yang diterima oleh stasiun bumi LAPAN
Jakarta
w
w
//w
2.3.1.7 IKONOS
s:
tp
IKONOS adalah satelit komersial milik Amerika Serikat yang memiliki resolusi
ht
spatial sebesar 1 km. Satelit ini memiliki orbit polar dengan ketinggian 682 km.
Karena kedetailan informasi yang direkam, data satelit ini dapat digunakan untuk
perencanaan perkotaan, mitigasi bencana, dan aplikasi lain yang membutuhkan
data satelit detail. Tabel 2.12 merupakan karakteristik data IKONOS dan Gambar
2.29 merupakan citra IKONOS untuk kota Jakarta.
Tabel 2.12. Karakteristik satelit IKONOS

Karakteristik
Sistem sensor Optis
Resolusi:
1 m kanal pankromatik
Resolusi spasial
4 m kanal multispektral
Resolusi temporal 3 sampai 5 hari
5 kanal, 4 kanal multispectral, dan 1
Resolusi spektral
kanal pankromatik
43
Lebar sapuan 11 km
Sistem orbit Polar
. id
go
Gambar 2.29. Citra satelit IKONOS suasana di suatu jalan di Jakarta
s.
p
.b
2.3.1.8 QUICKBIRD
w
w
Seperti halnya dengan IKONOS, satelit ini merupakan satelit komersil milik
//w
Amerika Serikat yang memiliki resolusi spasial 0.61 m pada kanal pankromatik.
s:
Karena kedetailan informasi yang direkam oleh data satelit ini dapat digunakan un-
tuk perencanaan perkotaan, mitigasi bencana, dan aplikasi lain yang membutuhkan
tp
data satelit detail.

ht
Tabel 2.13. Karakteristik satelit QUICKBIRD

Karakteristik
Sistem sensor Optis
Resolusi:
0.61 m pankromatik,
Resolusi spasial
2.41 m – 2.8 m multispektral
Resolusi temporal 1-3.5 hari
5 kanal, 4 kanal multispektral, 1
Resolusi spektral
kanal pankromatik
Lebar sapuan 16.5 m
Sistem orbit Polar
44
Gambar 2.30. Citra Quickbird kota Banda Aceh di sekitar Masjid Baiturrahman
sebelum terjadi tsunami 2004
. id
go
2.3.2 Prancis
s.
Prancis juga menjadi salah satu negara yang mempunyai citra satelit
p
.b
penginderaan jauh sendiri. Space agensi dari Prancis adalah CNES (Centre National
d’Etudes Spatiales). Beberapa program satelit yang dimilikinya yaitu SPOT, Pleiades,
w
dan TerraSarX.
w
//w
2.3.2.1 SPOT
s:
tp
SPOT adalah satelit milik Perancis yang berorbit polar pada ketinggian 832
ht
km. Sampai saat ini sudah mengorbit sebanyak 7 seri dan yang terakhir adalah seri
SPOT-7. Fungsi dari satelit ini adalah digunakan untuk pemantauan sumberdaya,
perubahan perkotaan, perubahan penggunaan lahan dan sebagai. Tabel 2.14
merupakan karakteristik data SPOT-5 dan Gambar 2.31merupakan contoh datanya.
Tabel 2.14 Karakteristik satelit SPOT-5

Karakteristik
Sistem sensor Optis
Resolusi:
10 m untuk multispectral
Resolusi spasial
2.5 m untuk pankromatik
Resolusi temporal 26 hari
5 kanal, 4 kanal multispectral dan 1
Resolusi spektral
kanal pankromatik
45
Lebar sapuan 60 km
Sistem orbit Polar
. id
go
Gambar 2.31. Citra SPOT-5 kota Cilacap
s.
SPOT (Satellite Pour l’Observation de la Terre) merupakan satelit penginderaan
p
.b
jauh resolusi tinggi komersial yang seri pertamanya diluncurkan pada 1986 dan
hingga tahun 2022 telah meluncur 7 satelit. Pada tahun 2022 SPOT 6 dan SPOT 7
w
masih aktif beroperasi.

w
//w
1. SPOT 5
SPOT 5 diluncurkan pada 4 Mei 2002. SPOT 5 mempunyai
s:
resolusi 2.5 hingga 5 m pada mode pankromatik dan 10 m pada mode

tp
multispektral. Selain itu terdapat kanal short wave infrared (1.58 – 1.75
ht
µm) dengan resolusi 20 m. SPOT 5 dapat menghasilkan citra stereo yang

berguna dalam memetakan relief bumi. Tabel 2.14 merupakan kanal
yang dimiliki oleh SPOT 5, dan Gambar 2.31 merupakan contoh dari Citra
SPOT 5.
Tabel 2.15 Kanal SPOT 5

MS
Panchromatik
Parameter (Multispectral) SWIR band (20 m)
(2.5-5m)
band (10 m)
Panjang 0.48-0.71 B1: 0.50-0.59 1.58-1.75
gelombang B2: 0.61-0.68
(µm) B3: 0.78-0.89
46
Gambar 2.32. Citra SPOT 5 Kota Jakarta Tanggal 7 Februari 2013
. id
2. SPOT 6
go
SPOT 6 diluncurkan pada 9 September 2012. SPOT 6 mempunyai 4
s.
kanal multispectral dengan resolusi spasial 6 m dan 1 kanal pankromatik
p
dengan resolusi spasial 1.5 m. Tabel 2.16 menunjukkan kanal-kanal yang
.b
dimiliki oleh SPOT 6 dan Gambar 2.33 merupakan contoh dari citra SPOT
w
6.
w
//w
Tabel 2.16 Kanal SPOT 6

Blue (0.455 µm – 0.525 µm)
s:
Green (0.530 µm – 0.590 µm)

tp
Panjang Gelombang
Red (0.625 µm – 0.695 µm)
ht
Near-Infrared (0.760 µm – 0.890 µm)

Panchromatic - 1.5m
Resolusi spasial
Multispectral - 6.0m (B, G, R, NIR)
Gambar 2.33. Citra SPOT 6 Gunung Sinabung Tanggal 22 September 2014
47
3. SPOT 7
SPOT 7 diluncurkan pada tanggal 30 Juni 2014. SPOT 7 mempunyai
spesifikasi yang sama dengan SPOT 6 termasuk kanal yang dimilikinya.
SPOT 6, SPOT 7, Pléiades 1A, dan Pléiades 1B membentuk konstelasi
dengan beda fase 90 derajat. Gambar 2.34 merupakan contoh dari citra
SPOT 7.
. id
go
p s.
.b
Gambar 2.34. Citra SPOT 7 Kota Banda Aceh Tanggal 21 Februari 2016
w
w
//w
2.3.2.2 Pleiades
s:
Pleiades terdiri dari dua satelit konstelasi, Pleiades-1A dan Pleiades-

tp
1b. Pleiades-1A diluncurkan pada 16 Desember 2011 sedangkan Pleiades-1B

ht
diluncurkan pada 2 Desember 2012. Pleiades mempunyai resolusi citra hingga 0.5
m. Pleiades juga dapat menghasilkan citra stereo seperti yang dimiliki oleh SPOT.
Pleiades-1A dan Pleiades-1B membentuk konstelasi dengan beda fase 180 derajat.
Tabel 2.17 menunjukkan spesifikasi baik dari Pleiades-1A maupun Pleiades-1B.
Tabel 2.17 Kanal pada citra Pleiades

Blue (430 nm – 550 nm)
Green (490 nm – 610 nm)
Panjang Gelombang Red (600 nm – 720 nm)
Near-Infrared (750 nm – 950 nm)
Pankromatik (480 nm – 830 nm)
Panchromatic - 0.5m
Resolusi spasial
Multispectral - 2.0m (B, G, R, NIR)
48
Gambar 2.35. Citra Pleiades Simpang Tiga Redelong, Aceh Tanggal 23 Februari
2015
id
2.3.2.3 TerraSAR X / Synthetic Aperture Radar (SAR)
.
go
Synthetic Aperture Radar (SAR) adalah jenis satelit radar yang memproduksi
s.
citra resolusi tinggi dari permukaan bumi pada semua cuaca, independen dari
p
waktu malam. Sistem ini dapat merekam kondisi permukaan bumi kapan saja. Pada
.b
sistem ini, satelit mentransmisikan gelombang elektormagnetik ke permukaan

w
bumi, dan kemudian gelombang eleknomagnetik tersebut dipantulkan atau

w
dipancarkan oleh permukaan bumi dan diterima kembali oleh satelit. Jenis satelit
//w
ini sudah banyak di dunia, seperti milik eropa ERS atau milik Jepang JERS. Satelit
yang baru saja diluncurkan pada tahun 2009 adalah TerraSAR-X. Satelit ini adalah
s:
milik Jerman yang berfungsi untuk memantau kondisi permukaan bumi, khususnya
tp
untuk membantu dalam pemantauan bencana. Tabel 2.18 adalah karakteristik data
ht
TerraSAR-X dan Gambar 2.36 merupakan contoh citra TerraSAR-X untuk wilayah
Cilacap, Jawa Tengah.
Tabel 2.18. Karakteristik satelit TERRASAR-X

Karakteristik
Sistem sensor RADAR
Resolusi:
HighResolution Spotlight: 1 m
SpotLight: 2 m
Resolusi spasial
StripMap: 3 m
ScanSAR: 18 m
Resolusi temporal 11 hari
Resolusi spektral Single, dual, and quad polarisation
Resolusi radiometrik -
49
HighResolution Spotlight: 10 x 5 km
SpotLight: 10 x 10 km
Lebar sapuan
StripMap: 30 x 50 km
ScanSAR: 100 x 150 km
Sistem orbit Polar
. id
go
p s.
.b
w
w
//w
s:
Gambar 2.36. Citra satelit TERRASAR-X kota Cilacap

tp
ht
TerraSAR-X diluncurkan pada 15 Juni 2007. Tidak seperti Pleiades dan SPOT
yang merupakan satelit optis, TerraSAR-X merupakan satelit SAR (Synthetic Aperture
Radar) pada kanal X. Tujuan dari satelit ini adalah untuk tersedianya data X-band
dengan resolusi tinggi dan multi-mode. TerraSAR-X mempunyai mode Stripmap,
ScanSAR, dan Spotlight. Citra TerraSAR-X sendiri bisa mempunyai single, dual,
ataupun full polarisasi. Perbandingan mode pada TerraSAR-X seperti terlihat pada
Gambar 2.37.
Gambar 2.37. Perbandingan mode pada TerraSAR-X dang resolusinya.
50
Data citra SPOT baik itu SPOT 5, 6, maupun 7, citra Pleiades, maupun
citra TerraSAR-X dapat diperoleh dengan lisensi pemerintah dengan membuat
permintaan data ke Pusdatin BRIN yang sebelumnya dikelola oleh LAPAN. Untuk
dapat melihat data-data yang tersedia bisa melihatnya melalui web https://inderaja-
catalog.lapan.go.id/DD4/
2.3.3 Uni Eropa
Uni Eropa sendiri mempunyai space agency yang beranggotakan 22 negara

sejak 1975 yaitu ESA (European Space Agency). Program satelit dari ESA berupa
konstelasi satelit Sentinel dengan berbagai aplikasi. Sentinel-1 untuk citra SAR,
Sentinel-2 dengan citra optis untuk pengamatan permukaan bumi, Sentinel-3 untuk
pemantauan temperatur tanah dan air, Sentinel-4 untuk pengamatan atmosfer dan
aerosol, serta Sentinel-5 untuk pengamatan polusi udara.
. id
go
2.3.3.1 Sentinel-1 p s.
Sentinel-1 merupakan satelit penginderaan jauh SAR yang menggunakan
.b
kanal C. Terdapat beberapa mode pada Sentinel-1 ini yang mempunyai berbagai
w
resolusi spasial tergantung mode yang ada. Sentinel-1 menyediakan data baik
w
single maupun dual polarisasi. Sentinel-1 terdiri dari dua konstelasi, Sentinel-1A
//w
dan Sentinel-1B yang mengorbit dengan perbedan fase 180 derajat. Spesifikasi dari
masing-masing mode yang dimiliki oleh Sentinel-1 seperti terlihat pada Tabel 2.19.
s:
Sementara itu, Gambar 2.38 memperlihatkan contoh dari citra Sentinel-1.

tp
Tabel 2.19 Spesifikasi Mode dari Sentinel-1

ht
Polarisasi
Lebar (H = Horizontal
Mode Sudut Resolusi
Sapuan V = Vertikal)
HH+HV, VH+VV,
Stripmap 20 - 45 5x5m 80 km
HH, VV
Interferometric HH+HV, VH+VV,
29 - 46 5 x 20 m 250 km
Wide HH, VV
HH+HV, VH+VV,
Extra Wide 19 - 47 20 x 40 m 400 km
HH, VV
22 - 35 20 x 20
Wave 5x5m HH, VV
35 - 38 km
51
id
Gambar 2.38. Citra Sentinel-1 wilayah Kuta, Bali tahun 2015
.
go
2.3.3.2 Sentinel-2
p s.
.b
Sentinel-2 merupakan satelit penginderaan jauh optis yang membentuk

w
konstelasi satelit Sentinel-2A dan Sentinel-2B dengan resolusi temporal 5 hari di

w
khatulistiwa. Sentinel-2 membawa payload yang mampu menrekam 13 kanal

//w
spectral dengan empat kanal pada resolusi spasial 10 m, enam kanal pada resolusi
20 m, dan tiga kanal pada resolusi spasial 60 m serta mempunyai lebar sapuan
s:
290 km. Tabel 2.20 menunjukkan spesifikasi dari citra Sentinel-2 dan Gambar 2.39
tp
memperlihatkan contoh dari citra Sentinel-2.

ht
Tabel 2.20 Kanal dari Sentinel-2

S2A S2B
Resolusi Pusat Pusat

Nomor Bandwidth Bandwidth
spasial Panjang Panjang
Band (nm) (nm)
(m) Gelombang Gelombang
(nm) (nm)
2 492.4 66 492.1 66
3 559.8 36 559.0 36
10
4 664.6 31 664.9 31
8 832.8 106 832.9 106
52
S2A S2B
Resolusi Pusat Pusat

Nomor Bandwidth Bandwidth
spasial Panjang Panjang
Band (nm) (nm)
(m) Gelombang Gelombang
(nm) (nm)
5 704.1 15 703.8 16
6 740.5 15 739.1 15
7 782.8 20 779.7 20
20
8a 864.7 21 864.0 22
11 1613.7 91 1610.4 94
. id
12 2202.4 175 2185.7 185
go
1 442.7 21
s. 442.2 21
60 9 945.1 20 943.2 21
p
.b
10 1373.5 31 1376.9 30
w
w
//w
s:
tp
ht
Gambar 2.39 Citra Sentinel-2 wilayah Labuan Bajo, Nusa Tenggara Timur Januari
2020
53
2.3.3.3 Sentinel-3
Sentinel-3 merupakan satelit pengamatan bumi yang bertujuan untuk

mengukur topografi permukaan laut, suhu permukaan tanah dan laut, serta warna
permukaan tanah dan lautan guna mendukung pemantauan lingkungan dan iklim.
Sentinel-3 sendiri membawa empat instrument utama, yaitu: OLCI (Ocean and
Land Colour Instrument), SLSTR (Sea and Land Surface Temperature Instrument),
SRAL (SAR Radar Altimeter), dan MWR (Microwave Radiometer).
. id
go
p s.
.b
w
w
//w
Gambar 2.40. Citra Sentinel-3 wilayah Pulau Sumba September 2020 dengan
menggunakan kanal yang terdapat pada instrument OLCI
s:
tp
Citra Sentinel baik Sentinel-1, Sentinel-2, ataupunn Sentinel-3 sendiri bisa

ht
didapatkan gratis salah satunya dengan mengakses ke https://scihub.copernicus.

eu/dhus/
2.3.4 Jepang
Negara Jepang juga mempunyai merupakan negara yang telah mempunyai

satelit pengamatan bumi yang sudah operasional. Agen pemerintah yang
menangani terkait luar angkasa di Jepang adalah JAXA (Japan Aerospace Exploration
Agency). Beberapa contoh Satelit yang dimiliki oleh Jepang yaitu ALOS dan MTSAT.
2.3.4.1 ALOS
Advanced Land Observing Satellite (ALOS), merupakan program satelit

Jepang yang hingga saat ini telah meluncur 2 seri satelit dengan peluncuran
pertama pada tahun 2006. ALOS membawa tiga instrument (Igarashi, 2001), yaitu:
54
• PRISM: Panchromatic Remote-sensing Instruments for Stereo Mapping,

yang digunakan untuk mengukur ketinggian
• AVNIR-2: Advanced Visible and Near Infrared Radiometer type 2, yang
digunakan untuk mengamati permukaan bumi.
• PALSAR: Phased Array type L-band Synthetic Aperture Radar, merupakan
instrumen untuk SAR dengan menggunakan Panjang gelombang L
Untuk ALOS-2 sendiri instrumen yang dibawa hanyalah PALSAR-2 yang

merupakan upgrade dari PALSAR dikarenakan untuk mengurangi biaya dalam
pembuatannya (Rosenqvist et al., 2014).
PALSAR merupakan sensor kelanjutan dari sensor yang dibawa oleh JERS-1
dengan peningkatan fungsi dan resolusi spasial yang lebih tinggi, serta mode yang
lebih banyak. Spesifikasi mode dari AVNIR-2, PALSAR, dan PALSAR-2 seperti terlihat
pada Tabel 2.21, 1.22, dan 1.23.
. id
go
Tabel 2.21 Spesifikasi AVNIR-2
Parameter s. Spesifikasi
p
Spectral bands (4)
.b
Band 1 0.42-0.50 µm
w
Band 2 0.52-0.60 µm
w
Band 3 0.61-0.69 µm
//w
Band 4 0.76-0.89 µm
s:
Resolusi spasial 10 m (nadir)

tp
Lebar Sapuan 70 km
ht
Tabel 2.22 Spesifikasi PALSAR

Fine Beam (high-
resolution) Mode Direct
ScanSAR Polarimetry
Parameter downlink
FBS FBD Mode Mode
Mode
(Sing Pol) (Dual Pol)
Center
1270 MHz (L-band)
frequency
HH/HV
HH+HV HH atau HH/HV+VV/
Polarisasi HH, VV atau
VV+VH VV VH
VV/VH
Sudut
9.9-50.8º 9.7-26.2º 8º-60º 18º-43º 8º-30º
insiden
55
Fine Beam (high-
resolution) Mode Direct
ScanSAR Polarimetry
Parameter downlink
FBS FBD Mode Mode
Mode
(Sing Pol) (Dual Pol)
100 m
Resolusi
7-44 m 14-88 m 14-88 m multi- 30 m
spasial
look
Lebar 250-350
40 - 70 km 30 km
sapuan km
Tabel 2.23 Spesifikasi PALSAR-2

Stripmap
id
Parameter
Spotlight ScanSAR
.
High-
go
\ Mode Ultra-fine Fine
sensitive
s.
Sudut
p
8º hingga 70º
insiden
.b
w
3 m (rg) x
Resolusi 3m 6m 10 m 100 m
w
1 m (az)
//w
25 km (rg)
Lebar 50 km 70 km 350 km
x 25 km 50 km
s:
Sapuan (FP:30 km) (FP:30 km) 5 looks

(az)
tp
SP/DP/FP/ SP/DP/FP/
ht
Polarisasi SP SP/DP SP/DP

CP CP
Gambar 2.41 Citra PALSAR wilayah Danau Toba tanggal 11 Juli 2017
. id
go
Gambar 2.42 Citra PALSAR-2 wilayah Surakarta tanggal 10 Maret 2017
s.
Untuk mendapatkan data ALOS dapat melakukan permintaan data ke
p
.b
Pusdatin BRIN. Untuk ketersediaan datanya bisa mengecek ke https://inderaja-

catalog.lapan.go.id/DD4/ atau bisa juga dengan mengakses https://gportal.jaxa.jp/
w
gpr/index?lang=en dengan sebelumnya mendaftar terlebih dahulu.

w
//w
2.3.4.2 Himawari
s:
tp
Himawari merupakan satelit cuaca dengan orbit geostasioner yang

ht
dioperasikan oleh Japan Meteorological Agency dan hingga saat ini telah
mencapai seri ke 9 dengan seri pertama meluncur pada tahun 1977. Tujuan dari
pengembangan satelit ini adalah untuk memberikan informasi terkait taifun,
badai, prakiraan cuaca dan berbagai hal terkait cuaca untuk wilayah Jepang, Asia
Timur, dan wilayah Pasifik bagian Barat. Instrumen pada Himawari terutama pada
Himawari 8/9 terdiri dari pencitra 16 kanal multispektral seperti terlihat pada Tabel
2.24 dan contoh Citra dari Himawari seperti terlihat pada Gambar 2.43
Tabel 2.24 Spesifikasi Himawari 8/9

Panjaang Pusat panjang
Resolusi Spasial
Gelombang Nomor Kanal gelombang
(km)
(μm) (μm)
0.47 1 1 0.47063
0.51 2 1 0.51000
0.64 3 0.5 0.63914
0.86 4 1 0.85670
57
Panjaang Pusat panjang

Resolusi Spasial
Gelombang Nomor Kanal gelombang
(km)
(μm) (μm)
1.6 5 2 1.6101
2.3 6 2 2.2568
3.9 7 2 3.8853
6.2 8 2 6.2429
6.9 9 2 6.9410
7.3 10 2 7.3467
8.6 11 2 8.5926
9.6 12 2 9.6372
id
10.4 13 2 10.4073
.
11.2 14 2 11.2395
go
12.4 15 s.2 12.3806
13.3 16 2 13.2807
p
.b
w
w
//w
s:
tp
ht
Gambar 2.43 Citra Himawari 8 yang merekam 1/3 bumi
58
Untuk citra Himawari sendiri di Indonesia bisa didapatkan melalui BMKG

dikarenakan fungsi utamanya yang terkait dengan pemantauan cuaca. Salah satu
link yang bisa digunakan untuk mendapatkan citra Himawari 8 dapat dengan
mengakses https://dapds00.nci.org.au/thredds/catalogs/ra22/satellite-products/
arc/obs/himawari-ahi/fldk/fldk.html
2.3.4.3 Multifunctional Transport Satellite (MTSAT)
MTSAT adalah satelit geostationer yang berorbit tetap pada ketinggian 35800
km dan memantau sepertiga permukaan bumi yang meliputi wilayah Asia Timur
dan Pasifik Barat. Karakteristik data satelit MTSAT disajikan pada Tabel 2.25. Fungsi
utama dari data satelit ini adalah untuk pemantauan cuaca, seperti pergerakan
awan, suhu permukaan laut, siklon tropis, dan informasi cuaca lainnya. Satelit ini
adalah milik Jepang, di mana LAPAN (saat ini BRIN) memiliki stasiun penerima data
id
ini di Jakarta. Gambar 2.2 berikut merupakan contoh data satelit MTSAT.
.
go
Tabel 2.25. Karakteristik satelit MTSAT
Karakteristik
p s.
Sistem sensor Optis
.b
Resolusi:
w
w
Resolusi spasial 1 km (visible), 4 km (inframerah)

//w
Resolusi temporal 1 jam

5 kanal (1 kanal visible, 4 kanal
s:
Resolusi spektral
inframerah)
tp
10 bit (untuk visible dan

ht
Resolusi radiometrik
inframerah), gradasi 1024
Lebar sapuan Sepertiga luas bumi
Sistem orbit Geostationer
Gambar 2.44. Citra satelit MTSAT, kanal visible (kiri), dan kanal inframerah (kanan)
59
2.3.5 Indonesia
Indonesia juga mempunyai satelit penginderaan jauh walaupun belum bisa

meluncurkannya sendiri. Hingga saat ini telah terdapat 3 satelit penginderaan jauh
yang dimiliki oleh Indonesia walaupun masih bersifat experimental.
2.3.5.1 LAPAN-TUBSAT
Satelit LAPAN-A1/LAPAN-TUBSAT merupakan satelit generasi pertama buatan

Lembaga Penerbangan dan Antariksa Nasional (LAPAN) yang bekerja sama dengan
Universitas Teknik Berlin (Technische Universität Berlin; TU Berlin) yang diluncurkan
pada 2007 dari India (Hardhienata & Triharjanto, 2007; Hasbi & Widyastuti, 2007) .
Satelit ini merekam dalam bentuk video (Triharjanto, 2007).
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 2.45 Citra Gunung Merapi tanggal 24 Mei 2007 diambil oleh LAPAN-
TUBSAT
2.3.5.2 LAPAN A2
LAPAN A2 merupakan satelit kedua yang dikembangkan oleh LAPAN dan

disebut juga LAPAN ORARI (Hardhienata et al., 2011). Satelit ini diluncurkan pada
2015 (Nugroho et al., 2017). Satelit LAPAN A2/Orari membawa beberapa instrument,
yaitu: kamera digital dan kamera video analog; Automatic Identification System (AIS)
yang bisa digunakan untuk pemantauan kapal dan keamanan; serta Automatic
Packet Relay System (APRS) untuk komunikasi radio amatir (Hardhienata et al., 2011).
Berbeda dari kebanyakan satelit pemantauan bumi yang mempunyai orbit Polar
(melalui kutub), satelit LAPAN A2 ini mempunyai orbit near-ekuatorial (Hardhienata
et al., 2011).
60
Gambar 2.46 Citra dari LAPAN A2 wilayah Semarang 24 Februari 2016
2.3.5.3 LAPAN A3
LAPAN A3 merupakan satelit generasi ketiga LAPAN yang dikembangkan

bersama Intstitut Pertanian Bogor (IPB) sehingga disebut pula LAPAN IPB (Setiawan
id
et al., 2018). LAPAN A3 ini membawa instrumen kamera multispektral 4 kanal untuk
.
pemantauan bumi serta membawa instrumen AIS (Judianto & Nasser, 2015). LAPAN
go
A3/IPB ini diluncurkan pada tahun 2016. Berbeda dari satelit sebelumnya (LAPAN
s.
A2), LAPAN A3 ini mempunyai orbit polar (Hakim et al., 2019).
p
.b
w
w
//w
s:
tp
ht
Gambar 2.47 Citra satelit LAPAN A3 wilayah Kendari, Sulawesi Tenggara tanggal 27
Februari 2019
Untuk mendapatkan data-data satelit ini bisa menghubungi pihak Pusdatin

BRIN atau ke Pusat Riset Satelit (dahulu Pusat Teknologi Satelit LAPAN).
2.3.6 Negara Lainnya
Sebenarnya cukup banyak negara yang telah mempunyai satelit penginderaan

jauh sendiri, sebut saja Korea Selatan (KOMPSAT, CAS500, ) (Lee et al., 2017; Park et
al., 2020), Tiongkok (Haiyang, Gaofen, TanSat, Yaogan, Fengyun) (Liu et al., 2018; Min
61
et al., 2016; Suo et al., 2020; Wang et al., 2017; Wang et al., 2018), dan Rusia (Resurs-P,
Elektro-M) (Brovkina et al., 2016; Kramer, 2002), namun, data-data citra satelit dari
negara-negara tersebut masih belum bebas untuk diakses.
. id
go
Gambar 2.48 Citra satelit Jilin-1 GAOFEN (Tiongkok) wilyah Kupang tangal 7 April
2021 s.
p
.b
w
w
//w
s:
tp
ht
62
ht
tp
s:
//w
w
w
.b
ps.
go
.id
ht
tp
s:
//w
w
w
.b
ps.
go
.id
SUMBER DATA CITRA SATELIT
. id
go
s.
SUMBER DATA CITRA
p
.b
w
SATELIT
w
//w
Satria Bagus Panuntun, I Nyoman Setiawan, Galdita Aruba Chulafak, M. Rokhis

s:
Khomarudin
tp
ht
Dalam satu dekade terakhir, publik dunia telah dimanjakan oleh sistem yang
bernama ‘Google Maps’ yang membantu dalam menunjukkan arah suatu tujuan
jika seseorang akan pergi atau mencari suatu lokasi. Aplikasi ini juga telah membuat
orang dapat melihat suatu kota bahkan kondisi yang jauhnya ribuan mil dari tempat
tinggalnya dengan hanya berselancar di depan komputer. Di Indonesia sendiri,
aplikasi model seperti juga telah dimanfaatkan untuk aplikasi transportasi seperti
Gojek, Grab, dan lainnya. Walaupun masih banyak kendala dalam penggunaannya
bagi orang awam, namun sebagian besar yang mengerti, sistem ini sudah sangat
membantu. Salah satu teknologi di dalamnya yang sangat berperan dalam sistem
peta online tersebut adalah satelit penginderaan jauh.
Selain itu Google juga telah mengembangkan Google Earth Engine yang
memudahkan praktisi penginderaan jauh untuk melakukan pengolahan data
penginderaan jauh tanpa mencari data dan juga software pengolahannya (Amani
et al., 2000). Sistem tersebut menyediakan data yang dibutuhkan dan juga sistem
pengolahan berbasis script yang ditulis dengan bahasa program yang mudah
dipahami. Sistem ini merupakan disrupsi yang cukup besar bagi penyedia data
penginderaan jauh dan juga pemain bisnis software pengolahan data penginderaan
65
jauh. Hal ini tentunya menjadi peluang dan tantangan bagi praktisi penginderaan
jauh dalam mengembangkan teknologi dan pemanfaatannya agar produk
penginderaan jauh dapat semakin murah, cepat, dan akurat.
Satu lagi teknologi yang berkembang dalam satu dekade terakhir ini adalah
teknologi pesawat tanpa awak atau drone (Kucharczyk et al, 2021). Teknologi ini
dapat melakukan pemotretan permukaan bumi dengan resolusi gambar yang detail
sehingga kondisi wilayah terpantau dengan baik. Walaupun drone hanya merekam
suatu lokasi yang tidak luas, namun jika digabung dari beberapa perekamaan akan
memungkinkan dapat memotret satu luasan kota dalam waktu yang cepat tanpa
dipengaruhi oleh awan. Sensor yang dibawa pun beragam, dari kamera biasa
hingga kamera hyperspectral yang dapat mengenai objek permukaan bumi secara
detail. Hal ini menjadi tantangan tersendiri bagi pengembangan teknologi satelit
agar memiliki resolusi spasial seperti drone, bebas awan dan juga hyperspectral.
Internet of things (IOT) juga merupakan teknologi yang berkembang saat ini
id
yang dapat menjadi peluang dan juga tantangan dalam pengembangan teknologi
.
go
penginderaan jauh di masa mendatang (Shafi et al., 2020). Salah satu contoh
mudah pemanfaatan teknologi IOT adalah informasi kondisi lalu lintas pada aplikasi
s.
Google Maps, di mana perangkat handphone pengguna yang melewati suatu
p
jalan raya terkoneksi langsung dengan peta Google Maps sehingga menunjukkan
.b
tingkat kepadatan suatu jalan raya. Sensor-sensor yang dipasang di lapangan dapat
w
terhubung dengan koneksi internet dan secara spasial dapat dipetakan untuk
w
menunjukkan kondisi tertentu suatu wilayah. Teknologi ini memungkinkan untuk

//w
membantu dalam kegiatan verifikasi dan validasi lapangan dari hasil pengolahan
data penginderaan jauh.
s:
tp
Terakhir, dengan tersedianya data di internet (crowdsourcing) memungkinkan

ht
untuk menganalisa kondisi suatu wilayah dengan data yang tersedia dalam cloud
system dan juga yang tersebar di dunia maya dapat diimplementasi dalam dunia
nyata. Perkembangan dalam satu dekade terakhir tersebut menarik untuk di bahas
dalam suatu tulisan peluang dan pemanfaatan teknologi penginderaan jauh agar
dapat dimanfaatkan seluas-luasnya oleh masyarakat.
3.1 Perkembangan Penginderaan Jauh
Usaha manusia untuk memantau dan mendeteksi permukaan bumi dari

udara sudah dilakukan sejak abad ke-18. Dimulai dengan penggunaan burung dara
yang dipasang dengan kamera, kemudian balon udara, pesawat udara, satelit, dan
akhir-akhir ini berkembang drone untuk memotret permukaan bumi. Secara rinci
perkembangan penginderaan jauh dijelaskan sebagai berikut:
1. Wahana
Pada era sebelum tahun 1972, penginderaan jauh mengandalkan
kamera yang dipasang pada berbagai macam wahana seperti burung
dara, balon, dan pesawat udara untuk memotret permukaan bumi dan
66
lingkungannya. Kemudian generasi awal satelit adalah diluncurkannya

satelit TIROS-1 pada tahun 1960 yang digunakan untuk pemantauan
cuaca. Lonjakan yang cukup besar dalam perkembangan wahana satelit
penginderaan jauh adalah pada tahun 1972 di mana diluncurkan satelit
Landsat 1. Demikian juga diluncurkannya satelit NOAA AVHRR pada tahun
1978 membawa semarak aplikasi penginderaan jauh yang digunakan
untuk memantau kondisi permukaan bumi. Pada tahun 1999 terdapat
perkembangan yang cukup signifikan dengan diluncurkan satelit IKONOs
dengan resolusi spasial tinggi demikian juga satelit Terra/Aqua MODIS
dengan resolusi spektral 36 kanal. Terobosan ini semakin memudahkan
mendeteksi objek permukaan bumi semakin detail. Kemudian generasi
satelit Woldview pada tahun 2007 dan juga Pleiades pada tahun 2012.
Generasi satelit resolusi spasial sangat tinggi ini dapat memiliki resolusi
spasial 30 cm. Objek-objek kecil seperti mobil terlihat dalam gambar
satelit yang dihasilkan. Selain satelit yang memiliki sensor optis tersebut,
id
juga berkembang satelit Synthetic Aperture Radar (SAR), seperti
.
ERS-1, JERS-1, Cosmo-Skymed dan Sentinel-1 yang dapat digunakan
go
untuk analisa deformasi, landsubsidence, dan pemantauan lainnya.
s.
Kebutuhan akan data satelit penginderaan jauh semakin meningkat
p
terutama dengan satelit resolusi sangat tinggi dan juga temporal yang
.b
sangat cepat. Oleh karena itu, akhir-akhir ini terdapat perkembangkan

w
teknologi satelit konstelasi di mana para pemilik satelit bekerjasama

w
dalam mengoperasikan satelit untuk mendapatkan resolusi spasial

//w
tinggi dan waktu pemotretan yang cukup cepat. Dalam perkembangan

wahana pemotretan permukaan bumi, dalam 1 dekade terakhir telah
s:
berkembang teknologi drone yang memotret permukaan bumi dengan

tp
mudah. Tidak hanya dilengkapi dengan kamera multispectral, namun

ht
juga kamera hyperspectral.

2. Kedetailan informasi (resolusi spasial)
Kedetailan informasi atau yang sering disebut sebagai resolusi
spasial juga berkembang dengan resolusi spasial rendah hingga resolusi
spasial sangat tinggi. Perkembangan resolusi spasial ini tentunya
berhubungan dengan perkembangan teknologi wahana baik dari
burung dara, balon, pesawat, satelit, dan juga drone. Resolusi spasial ini
biasanya dihubungkan dengan skala peta yang nanti dihasilkan, seperti
misalnya resolusi spasial 30 m dapat digunakan untuk menghasilkan
peta 1: 100.000. Saat ini satelit sudah ada yang memiliki resolusi spasial
30 cm, sehingga dapat digunakan untuk pemetaan pada skala 1: 10.000.
Teknologi drone sudah ada yang menghasilkan resolusi spasial lebih dari
hal itu dan memungkin dapat digunakan untuk pemetaan skala 1: 1.000.
3. Metode pengolahan data
Seiring dengan perkembangan teknologi, perkembangan metode
pengolahan data juga berkembang dari awalnya hanya pengolahan
data secara manual berkembang menjadi pengolahan digital dan saat
67
ini berkembang pengolahan data secara machine learning. Software

pengolahan data penginderaan jauh juga berkembang dengan sangat
pesat baik software opensource ataupun software berbayar. Saat ini muncul
platform yang memudahkan pengolahan data yang tidak memerlukan
software dan data tersimpan dalam cloud yang telah disediakan.
4. Penyampaian produk informasi
Perkembangan penyampaian produk informasi yang dihasilkan
dari pengolahan data satelit penginderaan jauh sudah beragam
baik melalui website maupun sistem berbasis android. Web map
service berkembang secara cepat dan memudahkan pengguna dapat
mengakses produk informasi dan juga menggunakannya.
Secara ringkas ilustrasi perkembangan teknologi penginderaan jauh
disajikan pada Gambar 3.1. Pada Gambar 3.1 terlihat bahwa di atmosfer bumi telah
banyak satelit mengorbit untuk melakukan pemantauan bumi baik beroperasi
id
sendiri maupun melalui konstelasi. Satelit penginderaan jauh dapat menunjukkan
.
go
lokasi rumah dan kondisi suatu wilayah secara detail, serta perkembangan platform
pengolah data yang sangat cepat memudahkan dalam memperoleh informasi yang
s.
dihasilkan dari data satelit penginderaan jauh.
p
.b
w
w
//w
s:
tp
ht
Gambar 3.1. Ilustrasi perkembangan teknologi penginderaan jauh saat ini
3.2 Platform Penyedia Data Dan Pengolahan Data Penginderaan Jauh
Saat ini, berbagai halaman web telah menyediakan data citra satelit yang
mudah diakses oleh pengguna. Hal ini menyebabkan penelitian yang berhubungan
dengan penginderaan jauh menjadi lebih mudah untuk mendapatkan data
penelitiannya. Adapun data citra satelit yang disediakan berasal dari berbagai jenis
sensor yang mengorbit di permukaan bumi, sehingga terdapat banyak sekali data
citra satelit yang disediakan oleh masing-masing halaman web tersebut. Meskipun
demikian, masing-masing citra yang dihasilkan tentu memiliki kualitas yang
berbeda-beda, sehingga perlu diseleksi sebelum digunakan. Pada Bab ini akan
68
dijelaskan mengenai jenis sumber data citra satelit dari berbagai halaman web yang
dapat digunakan oleh peneliti penginderaan jauh sebagai pertimbangan dalam
memilih data penelitiannya. Beberapa website penyedia data citra satelit seperti
USGS Earth Explorer (https://earthexplorer.usgs.gov/) , EOS Landviewer (https://
eos.com/landviewer/), Copernicus data hub (https://scihub.copernicus.eu/),
Sentinel Hub (https://www.sentinel-hub.com/), NASA Earth data search (https://
search.earthdata.nasa.gov/search), dan indonesia juga merilis akses data melalui
bank data penginderaan jauh nasional (https://inderaja-catalog.lapan.go.id/).
Semua aplikasi ini telah memudahkan pengguna dalam melakukan pencarian data.
Hal tersebut merupakan perkembangan yang mengembirakan sebagai peluang
sekaligus pemanfaatan penginderaan jauh di masa mendatang.
Platform-platform penginderaan jauh seperti Google Earth Engine (GEE),
Geohazard Exploitation Platform (GEP) yang dikembangkan European Space
Agency (ESA), SEPAL yang dikembangkan oleh FAO dan platform-platform lainnya
id
merupakan platform yang dapat dimanfaatkan oleh pengguna dalam melakukan
pengolahan data secara cepat. Selain menyediakan proses pengolahan data,
.
go
platform tersebut juga sekaligus menyediakan data untuk diolah. Berikut adalah
penjelasan terkait dengan platform-platform bedasarkan jenis data citra satelit
s.
yang disediakan.
p
.b
w
3.2.1 Google Earth Engine (GEE)

w
//w
Google Earth Engine (GEE) merupakan sistem terbuka yang dikembangkan

s:
oleh Google dalam menggunakan data penginderaan jauh untuk berbagai macam
pemanfaatan. GEE merupakan sebuah platform yang dapat dimanfaatkan untuk
tp
memperoleh citra satelit yang berasal dari Landsat, Sentinel, berbagai produk
ht
dari Terra/Aqua MODIS, serta produk lainnya. GEE dapat diakses melalui https://
earthengine.google.com/. Memperoleh citra satelit melalui GEE adalah gratis
dengan mengikuti syarat dan ketentuan yang berlaku. Dalam proses pengumpulan
data citra satelit melalui GEE, diperlukan browser dan beberapa pengaturan yang
ditulis menggunakan bahasa pemrograman Javascript dan Python. Pengaturan
tersebut berupa penentuan area, pemotongan citra satelit beserta ukurannya, jenis
satelit, persentase tutupan awan, dan lain-lain.
69
Gambar 3.2. Tampilan Halaman Web Google Earth Engine
id
Gambar di atas merupakan tampilan halaman web Google Earth Engine.
Sebelum menggunakan GEE, pengguna diwajibkan login terlebih dahulu
.
go
menggunakan akun Google. Setelah itu, pengguna dapat memanfaatkan GEE
dalam pengumpulan data citra satelit. s.
p
.b
3.2.2 Microsoft Planetary Computer

w
w
Microsoft Planetary Computer (MPC) merupakan platform/lingkungan

//w
pengembangan dan analisis data spasial berbasis citra satelit yang disediakan
s:
oleh Microsoft dengan dukungan data dan Application Programming Interface (API)
terbuka dan memungkinkan analisis skala lebih besar dengan Microsoft Azure cloud
tp
computing. Katalog data MPC berukuran petabyte dengan data-data pemantauan

ht
lingkungan dalam format siap analisis meliputi citra satelit Landsat-8, Sentinel-1,
Sentinel-2, Terra Climate, MODIS, NOAA C-CAP, Aster L1T, Copernicus DEM, dll. MPC
dapat diakses pada alamat https://planetarycomputer.microsoft.com.
Gambar 3.3. Tampilan Awal Halaman Microsoft Planetary Computer
70
Terdapat empat komponen utama MPC, yaitu:

1. Katalog Data, yang mencakup data permukaan bumi yang dihosting di
Azure dan tersedia untuk pengguna secara gratis.
2. API yang memungkinkan pengguna untuk mencari data yang dibutuhkan
antar wilayah dan periode waktu.
3. The Hub, lingkungan komputasi untuk memproses kumpulan data
geospasial yang sangat besar.
4. Aplikasi, dibangun oleh pihak ketiga mitra Microsoft sebagai pendukung
aplikasi analisis dan pengembangan kelestarian lingkungan.
Sementara data dan API-nya dapat diakses publik, fitur-fitur tertentu dari
Planetary Computer saat ini sedang dalam pratinjau dan memerlukan akses yang
diberikan. Pengguna baru dapat mendaftar secara bebas untuk menggunakan
fitur-fitur MPC ini.
. id
go
3.2.3 USGS Earth Explorer s.
p
Halaman web USGS Earth Explorer merupakan salah satu halaman web
.b
penyedia data citra satelit yang dapat diakses secara gratis. Web ini dapat diakses
w
melalui tautan https://earthexplorer.usgs.gov/. Pilihan citra satelit gratis sangat

w
banyak, mulai dari data optik dan radar citra satelit cuaca ke peta elevasi digital. Citra
//w
satelit yang disediakan meliputi citra satelit dari misi Landsat USGS-NASA selama
40 tahun dan keragaman data dari sensor jarak jauh NASA lainnya seperti Terra
s:
dan Aqua MODIS, ASTER, VIIRS, dll. Selain itu, terdapat juga kumpulan data open-
tp
source yang penyediaannya di bawah kolaborasi dengan ISRO (Resourcesat-1 dan

ht
2), ESA (Sentinel-2), dan beberapa citra satelit resolusi tinggi komersial (IKONOS-2,
OrbView-3, historical SPOT data).
Gambar 3.4. Tampilan Halaman Web USGS Earth Explorer
71
Gambar di atas merupakan tampilan halaman web dari USGS Earth Explorer.
Adapun pada bagian sisi kiri halaman web terdapat kolom isian yang harus diisi
ketika kita ingin memperoleh citra satelit melalui web ini. Pencarian citra satelit
dalam web ini juga memungkinkan pengguna untuk melakukan pencarian
yang lebih spesifik melalui pencarian berdasarkan negara, fitur, rentang waktu,
persentase tutupan awan, dan satelit.
3.2.4 Landviewer
Landviewer merupakan suatu aplikasi web GIS yang menyediakan data citra
satelit dan dapat diakses oleh pengguna secara gratis. Aplikasi ini dapat diakses
melalui halaman web https://eos.com/products/landviewer/. Citra satelit yang
dapat diperoleh secara gratis melalui web ini berasal dari tangkapan citra Landsat
7-8, Sentinel-1 dan 2, CBERS-4, MODIS, data udara dari NAIP, atau data historis
id
Landsat 4-5. Beberapa data Landviewer lainnya yang bersumber dari SPOT 5-7,
.
Pleiades-1, Kompsat-2, 3, 3A, dan SuperView-1 juga dapat dilihat oleh pengguna
go
namun berbayar jika ingin mengunduhnya. p s.
.b
w
w
//w
s:
tp
ht
Gambar 3.5. Tampilan Halaman Web Landviewer
Gambar di atas merupakan tampilan halaman web Landviewer. Dapat dilihat

bahwa pengguna bisa mengakses data citra satelit berdasarkan area of interest (AOI).
Selain itu, Landviewer juga memungkinkan pengguna untuk melakukan pencarian
yang lebih spesifik melalui pengaturan pencarian pada sisi kanan halaman web.
Pengguna dapat melakukan pencarian berdasarkan sumber, tanggal, cakupan AOI,
persentase tutupan awan, sudut cahaya matahari, dan jenis sensor.
3.2.5 Copernicus Open Access Hub
Copernicus Open Access Hub merupakan sebuah halaman web yang

menyediakan data satelit dari sensor Sentinel-1, Sentinel-2, Sentinel-3 dan
Sentinel-5P. Sentinel-1 merupakan sensor yang menghasilkan citra radar, Sentinel-2
menghasilkan citra multispektral optik, Sentinel-3 menghasilkan citra permukaan
72
untuk pemantauan lingkungan, dan Sentinel-5 menghasilkan data yang

berhubungan dengan atmosfer dan kualitas udara. Semua data yang disediakan
oleh halaman web ini dapat diperoleh secara lengkap, gratis dan terbuka bagi
pengguna. Halaman web ini dapat diakses melalui https://scihub.copernicus.eu/.
id
Gambar 3.6. Tampilan Halaman Web Copernicus Open Access Hub
.
go
Gambar di atas merupakan tampilan halaman web Copernicus Open Access
s.
Hub. Dalam web ini terdapat beberapa pilihan untuk mengakses data. Pengguna
p
.b
dapat mengakses data lewat Open Hub, API Hub, S-5P Pre-Ops, dan POD (Precise
Orbit Determination) Hub.
w
w
//w
s:
tp
ht
Gambar 3.7. Tampilan Open Hub dalam Copernicus Open Access Hub
Gambar di atas merupakan tampilan Open Hub dalam Copernicus Open

Access Hub. Open Hub digunakan untuk mengakses semua data yang disediakan
Copernicus Open Access Hub melalui antarmuka pengguna grafis interaktif. Open
Hub memungkinkan pengguna untuk mendapatkan data yang lebih spesifik
berdasarkan menu penyaringan yang disediakan.
73
Gambar 3.8. Keterangan Penggunaan API Hub dalam Copernicus Open Access
Hub
id
Gambar di atas merupakan keterangan penggunaan API Hub dalam
.
Copernicus Open Access Hub. API Hub merupakan pilihan akses data melalui API
go
sehingga ditujukan bagi pengguna yang berkecimpung dalam pemrograman
s.
komputer.
p
.b
w
w
//w
s:
tp
ht
Gambar 3.9. Tampilan S-5P Pre-Ops dalam Copernicus Open Access Hub
Gambar di atas merupakan tampilan S-5P Pre-Ops dalam Copernicus Open

Access Hub. Memiliki tampilan yang serupa dengan Open Hub, S-5P Pre-Ops
diperuntukan dalam pengaksesan data Sentinel-5P L1B dan L2 pra-operasional.
74
Gambar 3.10. Tampilan POD Hub dalam Copernicus Open Access Hub
Gambar di atas merupakan tampilan POD Hub dalam Copernicus Open
id
Access Hub. POD Hub digunakan untuk mengakses data pra-operasional POD dari
.
go
Sentinel-1, Sentinel-2, dan Sentinel-3. p s.
3.2.6 Sentinel Hub
.b
w
Sentinel Hub merupakan salah satu penyedia citra satelit melalui dua jenis
w
halaman web, yaitu EO Browser dan Sentinel Playground. EO Browser dapat

//w
diakses melalui https://apps.sentinel-hub.com/eo-browser/ sedangkan Sentinel

Playground melalui https://apps.sentinel-hub.com/sentinel-playground/. EO
s:
Browser menyediakan data citra satelit dari Sentinel-1, Sentinel-2, Sentinel-3,

tp
Sentinel-5P, Landsat 1-5 MSS L1, Landsat 4-5 TM, Landsat 7 ETM+, Landsat 8-9,
ht
Landsat (ESA Archive), MODIS, Envisat Meris, DEM, Copernicus Services, Proba-V,
GIBS, Planet-NICFI, dan lainnya sedangkan Sentinel Playground dari Sentinel-1 (IW-
VVVH), Sentinel-2 L1C, Sentinel-2 L2A, Landsat 8-9, MODIS, dan DEM. Data yang
disediakan oleh Sentinel Hub dapat diakses secara gratis.
Gambar 3.11. Tampilan EO Browser dari Sentinel Hub
75
Gambar 3.12. Tampilan Sentinel Playground dari Sentinel Hub
3.2.7 Earth Observation Group (EOG) Data
. id
go
EOG merupakan kelompok pengamatan yang bertugas khusus untuk
mengamati objek berupa cahaya lampu dan sumber pembakaran di permukaan
s.
bumi. Objek tersebut diamati pada waktu malam hari. Saat ini, EOG berfokus untuk
p
memperoleh data Visible Infrared Imaging Radiometer Suite (VIIRS) dan mengolahnya
.b
menjadi data citra satelit malam hari.

w
w
Data EOG dapat diakses melalui https://eogdata.mines.edu/products/vnl/.

//w
Data citra satelit malam hari dalam web ini merupakan hasil penangkapan citra
oleh Joint Polar Satellite System (JPSS) dengan sensor VIIRS. Beberapa jenis data
s:
dalam web ini dipisahkan menjadi kategori data tahunan, bulanan, tutupan awan,
tp
dan lainnya. Khusus data tahunan, EOG menyediakan data citra satelit malam hari
ht
mulai dari tahun 2012 sampai dengan 2021.
Gambar 3.13. Tampilan Halaman Web EOG
76
3.2.8 National Aeronautics and Space Administration (NASA) Earth

Observatory
NASA Earth Observatory merupakan halaman web yang menyediakan

data berupa gambar, cerita, penemuan tentang lingkungan, sistem bumi, dan
iklim termasuk misi satelit, penelitian lapangan, dan model yang bersumber dari
hasil penelitian NASA. Data tersebut dapat diakses oleh pengguna secara gratis.
NASA Earth Observatory dapat diakses melalui https://earthobservatory.nasa.gov/
features/NightLights. Data yang tersedia merupakan tangkapan citra satelit malam
hari pada tahun 2012 dan 2016.
. id
go
p s.
.b
w
w
//w
Gambar 3.14. Tampilan Halaman Web NASA Earth Observatory

s:
tp
3.3 Ringkasan Platform Penyedia Data dengan Jenis Data Citra Satelit
ht
Pada sub bab sebelumnya telah dibahas beberapa platform dan jenis data
citra satelit yang disediakan oleh masing-masing platform. Pada bab ini akan
menampilkan tabel ringkasan antara platform penyedia dan pengolahan data
dengan jenis data citra satelit yang dihasilkan.
Tabel 3.1 Ringkasan platform penyedia dan pengolahan data dengan jenis citra
satelit
No Situs Alamat Jenis Citra Satelit
1 Google Earth https:// • Landsat
Engine earthengine. • Sentinel
google.com • MODIS
• High-resolution imagery
• Terrain
• Land Cover
• Climate and Weather
77
No Situs Alamat Jenis Citra Satelit

2 USGS Earth https:// • Terra dan Aqua MODIS
Explorer earthexplorer. • ASTER
usgs.gov/ • VIIRS
• Sentinel-2
• IKONOS-2
• Orb View-2
• Historical SPOT data
3 Landviewer https://eos. • Landsat 7-8
com/products/ • Sentinel-1 dan 2
landviewer/ • CBERS-4
• MODIS
• SPOT 5-7
id
• Pleiades-1
.
go
• Kompsat-2, 3, 3A
•
s. SuperView-1
p
4 Sentinel Hub https://apps. • Sentinel-1
.b
sentinel-hub. • Sentinel-2
w
com/eo- • Sentinel-3
w
browser/ • Sentinel-5P
//w
• Landsat 1-5
• MSS L1
s:
• Landsat 4-5 TM
tp
• Landsat 7
ht
• ETM+
• Landsat 8-9
• Landsat (ESA Archive)
• MODIS
• Envisat Meris
• DEM
• Copernicus Services
• Proba-V
• GIBS
• Planet-NICFI
78
ht
tp
s:
//w
w
w
.b
ps.
go
.id
ht
tp
s:
//w
w
w
.b
ps.
go
.id
METODOLOGI PENGUMPULAN DATA DAN PREPROCESSING DATA
. id
go
s.
METODOLOGI
p
.b
w
PENGUMPULAN DATA DAN

w
//w
PREPROCESSING DATA
s:
tp
ht
Kasiful Aprianto , Nensi Fitria Deli, Farhan Anshari Arsyi, Wahyu Calvin Frans Mariel,
Maria Audrey Widiatma, Achmad Fauzi Bagus Firmansyah, Amanda Pratama Putra,
Dewi Krismawati
Pada bab sebelumnya telah dibahas mengenai penyedia atau sumber

data citra satelit. Selain itu, juga telah dipaparkan beberapa platform yang dapat
diakses secara gratis untuk melakukan akuisisi dan pengolahan data citra satelit.
Selanjutnya pada bab ini akan membahas secara detail, bagaimana proses
pengambilan data dan proses penyiapan data citra, baik data citra siang maupun
citra malam hari. Untuk dapat mendukung data statistik yang dihasilkan, data citra
satelit dapat dikombinasikan dengan data-data statistik resmi yang dipublikasikan
oleh BPS. Pada proses analisis data, peneliti dapat melakukan overlay dengan peta
administratif yang tersedia dalam format shapefile. Oleh karena itu, pada bab ini,
juga akan dijelaskan bagaimana proses penyiapan peta shapefile yang bersumber
dari peta shapefile BPS.
81
4.1 Penyiapan Peta Administrasi Indonesia dalam format Shapefile
4.1.1 Pendahuluan
“The shapefile format is a geospatial vector data format for geographic

information system software. It is developed and regulated by Esri as a mostly open
specification for data interoperability among Esri and other GIS software products.”
(ESRI (July 1998). “ESRI Shapefile Technical Description” (PDF). Retrieved 2007-07-
04.)
Shapefile adalah format Data Geospasial yang dikembangkan oleh ESRI.
Sebuah shapefile biasanya terdiri dari kumpulan file yang berekstensi .shp, .shx, .dbf,
dan ekstensi lainnya pada sebuah nama yang sama. Spasial (Geometri) dan atribut
dari suatu shapefile disimpan secara terpisah. Geometri disimpan dalam file .shp
id
dan .shx sedangkan atribut disimpan dalam file .dbf. Shapefile merupakan struktur
.
data non topologi sehingga sulit untuk melakukan editing topologi menggunakan
go
format data ini. s.
p
.b
w
w
//w
Gambar 4.1. Contoh File Shapefile

s:
tp
Di BPS, proses mendapatkan dan update data peta dilakukan melalui kegiatan
ht
Pemetaan dan Pemutakhiran Muatan Wilayah Kerja Statistik. Tujuan dari kegiatan
ini adalah untuk mengembangkan statistical spatial framework sebagai jembatan
integrasi informasi statistik dan geospasial. Dalam kegiatan analisis data citra satelit
yang dilakukan saat ini adalah menggunakan data shapefile Indonesia yang memuat
peta administrasi kabupaten/kota dan desa. Data shapefile peta administrasi
digunakan untuk penentuan batas-batas wilayah administrasi kabupaten/kota
dan desa yang akan diprediksi angka kemiskinannya. Data tersebut diperoleh dari
Fungsi Pemetaan Statistik, Direktorat Pengembangan Metodologi Sensus dan
Survei.
Beberapa Teknik editing yang dapat dilakukan pada peta shapefile antara lain:
1. Overlay
Overlay adalah proses di kegiatan SIG yang menumpangkan
(menempelkan) beberapa set data spasial. Pada kegiatan analisis data
citra satelit Teknik overlay digunakan untuk melakukan overlay peta
shapefile dengan peta citra, baik citra malam maupun citra siang.
82
Gambar 4.2. Ilustrasi Overlay
2. Split
Split adalah teknik editing untuk memotong suatu fitur spasial
. id
go
s.
Gambar 4.3. Ilustrasi teknik editing Split
p
.b
3. Reshape
w
Reshape adalah salah satu proses editing pada SIG yang berfungsi
w
untuk merubah bentuk suatu poligon.

//w
s:
tp
ht
Gambar 4.4. Ilustrasi teknik editing Reshape
4. Merge
Merge adalah proses penggabungan dua atau lebih fitur menjadi
satu fitur yang sama.
Gambar 4.5. Ilustrasi teknik editing Merge
83
5. Dissolve
Dissolve adalah proses menghilangkan batas antara poligon yang
berdekatan yang memiliki nilai atribut yang sama.
Gambar 4.6. Ilustrasi teknik Dissolve
id
Beberapa software dapat digunakan untuk mengolah data spasial, seperti
.
go
ArcGis atau QGis. Dalam publikasi ini akan dijelaskan secara mendetail bagaimana
proses penyiapan data shapefile menggunakan software QGIS. QGIS dipilih karena
s.
merupakan software yang dapat digunakan dan diunduh secara gratis di https://
p
qgis.org/en/site/. Adapun panduan penggunaan dari aplikasi QGIS dapat diakses
.b
pada link https://docs.qgis.org/2.14/pdf/id/QGIS-2.14-UserGuide-id.pdf.

w
w
//w
s:
tp
ht
Gambar 4.7. Tampilan awal aplikasi QGIS
Berikut adalah penjelasan bagian-bagian yang ada di aplikasi QGIS:

• Menu merupakan kan sekumpulan perintah berbasis teks/ kata untuk
melakukan tugas-tugas tertentu pada QGIS. (File, Edit, View,Layer,
Setting, Plugins, Vector, Raster, Database, Web,Help)
• Table Of Content (Daftar Isi) memuat layer-layer yang digunakan
TOC/Table
TOC/
dalam project. TOC bisa berisi berbagai macam format data.
• Toolbar Sekumpulan perintah berbasis ikon/ tombol untuk melakukan
84
tugas-tugas tertentu. (Map Navigation, File, Manage Layer, Label,dll)

untuk mengaktifkan /menonaktifkan tools toolbar klik kanan pada
toolbar lalu pilih Tools yang ingin diaktifkan.
• Navigation Tools Untuk menavigasikan peta pada Qgis dapat dilakukan
dengan banyak alat.a Sebagian besar navigasi ada di Navigation Tools
pada Toolbar.
4.1.2 Penyiapan Data Peta Administrasi dalam format Shapefile (shp)
Penyiapan Data Peta Administrasi SHP meliputi langkah-langkah sebagai

berikut:
1. Mengakses peta administrasi
Peta Administrasi kabupaten/kota dan desa berformat SHP bisa
diakses dari Fungsi Pemetaan, Direktorat Pengembangan Metodologi
id
dan Sensus, Badan Pusat Statistik
.
go
2. Memuat dan menyiapkan peta menggunakan aplikasi QGIS
Setelah mendapatkan akses peta, tahapan selanjutnya adalah
s.
menyiapkan peta sesuai dengan kebutuhan. Dalam publikasi ini akan
p
.b
menggunakan Provinsi Bali sebagai studi kasus penelitian. Oleh karena

itu, langkah-langkah selanjutnya adalah melakukan penyiapan peta
w
provinsi yang memuat informasi mengenai setiap kabupaten/kota di

w
Provinsi Bali.
//w
Tahap pertama, adalah memuat peta dengan cara drag and drop
s:
file SHP Indonesia per kabupaten/kota ke dalam aplikasi QGIS

tp
ht
Gambar 4.8. Memuat peta SHP ke dalam aplikasi QGIS
Setelah peta SHP dimuat, maka akan muncul peta Indonesia per kabupaten
seperti berikut.
85
Gambar 4.9. Tampilan Aplikasi QGIS setelah memuat peta
. id
go
Tahapan selanjutnya adalah menyeleksi (filter) Kabupatan/Kota yang akan
menjadi fokus penelitian dengan cara Klik kanan pada layer peta Indonesia di panel
s.
kiri, kemudian klik filter.
p
.b
w
w
//w
s:
tp
ht
Gambar 4.10. Akses menu Filter
Ketikkan “nmprov” = ‘BALI’ untuk menyeleksi Provinsi Bali.
86
Gambar 4.11. Operasi seleksi pada menu filter
. id
go
Setelah melakukan operasi seleksi pada peta Administrasi Indonesia,
terbentuklah peta Provinsi Bali. s.
p
.b
w
w
//w
s:
tp
ht
Gambar 4.12. Peta Hasil Operasi Seleksi
Untuk menyimpan peta administrasi SHP Provinsi Bali, Klik Kanan Layer pada
panel di sebelah kiri, klik Export - Save Feature As…
87
Gambar 4.13. Simpan peta yang telah dihasilkan
. id
go
Simpan File Pada Direktori yang telah ditentukan, dengan konfigurasi CRS
EPSG:4326 - WGS 84. s.
p
.b
w
w
//w
s:
tp
ht
Gambar 4.14. Konfigurasi penyimpanan Peta
Peta Administrasi Provinsi Bali dengan Format SHP sudah tersedia dan dapat
digunakan untuk tahapan berikutnya.
88
Gambar 4.15. Hasil penyiapan peta
. id
go
4.2 Penyiapan Peta Citra Siang s.
p
.b
4.2.1 Pendahuluan
w
w
Citra satelit siang hari merupakan jenis data citra satelit yang ditangkap
//w
oleh sensor pada waktu siang hari. Sejalan dengan waktu penangkapan citra oleh
sensor, data citra satelit ini akan menampilkan kondisi atau keadaan permukaan
s:
bumi pada saat siang hari. Dalam sub-bagian ini akan dilakukan pengunduhan citra
tp
satelit siang pada wilayah Indonesia secara efektif dan efisien.

ht
4.2.2 Sumber Peta Citra Siang
Terdapat sejumlah sumber data yang menyediakan peta citra siang hari,
diantaranya yaitu dengan mendapatkan langsung dari BRIN dan mengunduh citra
melalui google earth engine. Untuk mendapatkan citra dari BRIN, terlebih dahulu
perlu bersurat menghubungi pihak terkait sesuai dengan peraturan yang tertera
di website resmi BRIN. Namun pada studi ini, peta citra siang yang digunakan
bersumber dari Google Earth dengan memanfaatkan platform Google Earth Engine.
Untuk mendapatkan akses, user perlu menyiapkan akun Google yang terhubung
dengan Google Collab, Google Earth Engine (GEE), dan Google Drive.
89
4.2.3 Penyiapan Data Citra Siang
Setelah kita mendapatkan citra siang dari BRIN, data tidak bisa langsung
digunakan untuk diolah, karena masih perlu membersihkan beberapa potongan
citra agar bisa digunakan untuk pemrosesan lebih lanjut. Umumnya BRIN
memberikan citra siang per provinsi dalam bentuk kotak pembatas, sehingga
kita perlu menyesuaikan area yang digunakan menggunakan program aplikasi
tambahan menggunakan poligon dengan format file “.shp”
import fiona
import rasterio
import rasterio.mask
with fiona.open(“tests/data/box.shp”, “r”) as shapefile:

shapes = [feature[“geometry”] for feature in shapefile]
id
with rasterio.open(“tests/data/RGB.byte.tif”) as src:
out_image, out_transform = rasterio.mask.mask(src, shapes, crop=True)
.
go
out_meta = src.meta
out_meta.update({“driver”: “GTiff”, s.
“height”: out_image.shape[1],
p
“width”: out_image.shape[2],
.b
“transform”: out_transform})
w
with rasterio.open(“RGB.byte.masked.tif”, “w”, **out_meta) as dest:

w
dest.write(out_image)
//w
Namun jika kita tidak mendapatkan citra siang secara utuh, kita bisa
s:
mengunduh citra siang menggunakan beberapa sumber. Akan tetapi, beberapa

tp
sumber tersebut umumnya tidak mengijinkan kita mengunduh citra siang dengan
ht
ukuran yang besar. Salah satu sumber yang memiliki peraturan ini yaitu google
earth. Untuk mengunduh citra dari google earth, perlu dilakukan secara perlahan,
sedikit demi sedikit, untuk kemudian digabung menjadi satu citra besar. Mengingat
adanya regulasi ini, jika sebelumnya kita perlu mendapatkan citra yang utuh lalu
dipotong sesuai kebutuhan, maka di google earth kita perlu mengunduh langsung
sesuai kebutuhan kita. Yang perlu dilakukan adalah dengan menyiapkan poligon
dengan format “.shp”, lalu memasukkannya ke dalam program yang dijelaskan
seperti pada bab 4.4.2.
Pada penyiapan data citra siang, terdapat dua metode pengunduhan yang
dapat digunakan untuk mendapatkan data citra siang dari Google, yaitu Metode
Pengunduhan dari Asian Development Bank (ADB) dan Metode Pengunduhan dari
Fungsi Statistik Tanaman Pangan BPS RI.
90
4.3 Penyiapan Peta Citra Malam
4.3.1 Pendahuluan
Citra satelit malam hari merupakan jenis data citra satelit yang ditangkap
oleh sensor pada waktu malam hari. Karena aktivitas penduduk di malam hari
sangat membutuhkan cahaya, citra satelit malam bisa menggambarkan persebaran
penduduk. Selain itu, intensitas cahaya yang berbeda bisa menggambarkan
konsumsi energi listrik dan korelasinya dengan tingkat kemiskinan penduduk.
Salah satu sensor yang dapat merekam energi cahaya pada malam hari
adalah Visible infrared Imaging Radiometer Suite (VIIRS). VIIRS merupakan salah
satu instrumen yang dibawa oleh satelit Suomi National Polar-Orbiting Partnership
(S-NPP) yang diluncurkan pada tanggal 28 Oktober 2011.
. id
go
4.3.2 Sumber Peta Citra Malam p s.
Terdapat sejumlah sumber data yang menyediakan peta citra intensitas
.b
cahaya pada malam hari. Pada studi ini, Peta citra malam yang digunakan pada
w
studi ini adalah VIIRS nightime light (VNL) versi 2.0 yang bersumber dari situs
w
Earth Observation Group (EOG), yaitu https://eogdata.mines.edu/nighttime_light/

//w
annual/v20/ sesuai dengan periode/tahun dan unit peta citra malam yang akan
digunakan sebagai bahan analisis. Sebagai pelopor teknologi penginderaan jauh
s:
malam hari, EOG telah mengumpulkan citra satelit malam hari dan menghasilkan
tp
peta Cahaya Malam secara global di seluruh duni dengan kualitas terbaik.
ht
Peta citra yang disediakan oleh EOG disimpan dalam format data geoTIFF
berekstensi .tif. Resolusi peta citra yang diperoleh tersebut adalah 15 arc second
(~500m x 500m di garis ekuator). Karakteristik data yang digunakan merupakan
nilai rata-rata intensitas cahaya pada malam hari (average), yang mana semakin
besar nilainya menunjukkan bahwa di wilayah tersebut memiliki intensitas cahaya
yang semakin besar pula.
4.3.3 Penyiapan Data Citra Malam
Penyiapan citra satelit malam dilakukan dengan menggunakan bahasa

pemrograman Python dengan memanfaatkan sejumlah package terkait dengan
pengolahan data dan analisis geospasial, yaitu rasterio (Gilles et al., 2013), geopandas
(Jordahl, K., 2014), numpy (Harris et al., 2020), dan pandas (McKinney et al., 2010).
Secara lebih terperinci, proses yang dilakukan beserta source code pemrograman
untuk penyiapan peta citra malam dijelaskan sebagai berikut.
91
4.3.3.1 Memotong peta menurut provinsi
Pada tahap ini, peta VNL yang telah diunduh dari situs EOG dipotong
berdasarkan wilayah administratif 34 provinsi yang ada di Indonesia. Dasar
pemotongan ini adalah file shp batas wilayah yang telah disiapkan pada sub bab
3.1. Adapun keluaran yang dihasilkan adalah file tif yang merepresentasikan peta
citra malam untuk masing-masing provinsi. Source code yang digunakan untuk
memotong peta citra malam menurut provinsi adalah sebagai berikut:
import rasterio
import rasterio.mask
import geopandas as gpd
from tqdm import tqdm
import numpy as np
geom_prov=gpd.read_file(‘INDO_PROV_2015.shp’)
id
list_prov=[‘11’,’12’,’13’,’14’,’15’,’16’,’17’,’18’,’19’,’21’,’31’,’32
’,’33’,’34’,’35’,’36’,’51’,’52’,’53’,’61’,’62’,’63’,’64’,’65’,’71’,’7
.
go
2’,’73’,’74’,’75’,’76’,’81’,’82’,’91’,’94’]
for i in tqdm(list_prov): s.
with rasterio.open(“VNL_v2_npp_2015_global_vcmslcfg_ c202102150000.
p
average_masked.tif”) as src:
.b
shapes=geom_prov.query(‘IDPROV==\’’+str(i)+’\’’).geometry
w
out_image, out_transform = rasterio.mask.mask(src, shapes,

crop=True,all_touched=True,filled=True,nodata=np.nan)
w
out_meta = src.meta
//w
out_meta.update({“driver”: “GTiff”,
“height”: out_image.shape[1],
s:
“width”: out_image.shape[2],
“transform”: out_transform})
tp
with rasterio.open(str(i)+”_clip.tif”, “w”, **out_meta)

ht
as dest:
dest.write(out_image)
4.3.3.2 Menghitung rata-rata cahaya malam per desa
Pada tahap ini, nilai minimum dan maksimum dari rata-rata cahaya malam
dihitung menurut desa. Batas desa yang digunakan pada tahap ini juga berpedoman
pada file peta shp yang disiapkan pada sub bab 4.2. Adapun keluaran dari tahap
ini adalah file csv yang berisi informasi rata-rata, median, minimum, maksimum,
dan standar deviasi cahaya malam per desa menurut provinsi. Source code yang
digunakan dalam proses ini adalah sebagai berikut:
92
import geopandas as gpd

from rasterstats import zonal_stats
import rasterio as rio
from glob import glob
from tqdm import tqdm
data_shp_desa=gpd.read_file(‘INDO_DESA_2015.shp’)
data_shp_desa[‘mean’]=0
data_shp_desa[‘min’]=0
data_shp_desa[‘max’]=0
data_shp_desa[‘median’]=0
data_shp_desa[‘std’]=0
data_clip=glob(‘**_clip.tif’)
for i in data_clip:
img_rio=rio.open(i)
array = img_rio.read(1)
affine = img_rio.transform
kdprov=i[:2]
datax=data_shp_desa.query(‘PROVNO==@kdprov’)
id
print(kdprov)
.
for index, row in tqdm(datax.iterrows()):
go
y=zonal_stats(row.geometry,array, affine=affine,stats=[‘mean’,’min’,
‘max’, ‘median’, ‘std’])[0] s.
data_shp_desa.at[index,’mean’]=y[‘mean’]
p
data_shp_desa.at[index,’min’]=y[‘min’]
.b
data_shp_desa.at[index,’max’]=y[‘max’]
data_shp_desa.at[index,’median’]=y[‘median’]
w
data_shp_desa.at[index,’std’]=y[‘std’]
w
img_rio.close()
//w
data_shp_desa=data_shp_desa.fillna(0)
s:
data_shp_desa[[‘PROVNO’,’mean’]].groupby(‘PROVNO’).
tp
agg([‘mean’,’median’,’min’,’max’,’std’]).reset_index().to_
csv(‘PROVNO_tabulasi_NTL.csv’,sep=’;’)
ht
93
4.3.4 Hasil Penyiapan Citra Malam
4.3.4.1 Citra malam yang sudah dipotong per provinsi
. id
go
s.
Gambar 4.16. Peta citra satelit malam Provinsi Aceh (kiri) dan Provinsi Sumatera
Utara (Kanan)
p
.b
w
w
//w
s:
tp
ht
Gambar 4.17. Peta citra satelit malam Provinsi Sumatera Barat (kiri) dan Riau
(kanan)
94
Gambar 4.18. Peta citra satelit malam Provinsi Jambi (kiri) dan Sumatera Selatan
(kanan)
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 4.19. Peta citra satelit malam Provinsi Bengkulu (kiri) dan Lampung
(kanan)
Gambar 4.20. Peta citra satelit malam Provinsi Kepulauan Bangka Belitung (kiri)
dan Kepulauan Riau (kanan)
95
Gambar 4.21. Peta citra satelit malam Provinsi DKI Jakarta (kiri) dan Jawa Barat
(kanan)
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 4.22. Peta citra satelit malam Provinsi Jawa Tengah (kiri) dan D.I.
Yogyakarta (kanan)
Gambar 4.23. Peta citra satelit malam Provinsi Jawa Timur (kiri) dan Banten (kanan)
96
Gambar 4.24. Peta citra satelit malam Provinsi Bali (kiri) dan Nusa Tenggara Barat
(kanan)
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 4.25. Peta citra satelit malam Nusa Tenggara Timur (kiri) dan Kalimantan
Barat (kanan)
Gambar 4.26. Peta citra satelit malam Kalimantan Tengah (kiri) dan Kalimantan
Selatan (kanan)
97
Gambar 4.27. Peta citra satelit malam Kalimantan Timur (kiri) dan Kalimantan Utara
(kanan)
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 4.28. Peta citra satelit malam Sulawesi Utara (kiri) dan Sulawesi Tengah
(kanan)
Gambar 4.29. Peta citra satelit malam Sulawesi Selatan (kiri) dan Sulawesi Tenggara
(kanan)
98
Gambar 4.30. Peta citra satelit malam Gorontalo (kiri) dan Sulawesi Barat (kanan)
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 4.31. Peta citra satelit malam Maluku (kiri) dan Maluku Utara (kanan)
Gambar 4.32. Peta citra satelit malam Papua Barat (kiri) dan Papua (kanan)
99
4.3.4.2 Nilai minimum dan maksimum dari rata-rata cahaya malam per desa
Setelah peta citra malam dipotong menurut provinsi, selanjutnya dilakukan

penghitungan intensitas cahaya malam per desa (dalam satuan radiance) untuk tiap
peta provinsi tersebut. Berdasarkan hasil pengolahan data yang telah diperoleh,
deskripsi dari karakteristik data citra malam berdasarkan domain provinsi disajikan
melalui tabel 4.1. Untuk Provinsi DKI Jakarta, rata-rata cahaya malam per desa di
provinsi ini adalah sebesar 32,20 radiance, dengan median 31,52 radiance, nilai
minimum 0 radiance, desa paling terang memiliki nilai 110,81 radiance, dan standar
deviasinya 14,63.
Tabel 4.1 Rata-rata, median, minimum, maksimum, dan standar deviasi cahaya
malam per desa menurut provinsi (radiance)
Rata- Standar
No Provinsi Med Min Maks
Rata Deviasi
id
1 Aceh 0.85 0.00 0.00 58.73 2.77
.
go
2 Sumatera Utara 1.00 0.00 s. 0.00 52.03 4.33
3 Sumatera Barat 1.25 0.00 0.00 26.37 3.17
p
.b
4 Riau 0.92 0.00 0.00 37.15 3.81

w
5 Jambi 0.63 0.00 0.00 18.96 2.23

w
6 Sumatera Selatan 0.78 0.00 0.00 52.93 3.35

//w
7 Bengkulu 0.29 0.00 0.00 11.41 1.19

s:
8 Lampung 0.98 0.10 0.00 33.46 3.30

tp
Kep. Bangka
9 1.20 0.03 0.00 16.84 2.78
ht
Belitung
10 Kep. Riau 2.65 0.00 0.00 85.79 7.43
11 Dki Jakarta 32.30 31.52 0.00 110.81 14.63
12 Jawa Barat 2.56 0.90 0.00 260.83 5.59
13 Jawa Tengah 1.37 0.53 0.00 70.66 3.14
14 Di Yogyakarta 2.83 0.78 0.00 33.50 5.42
15 Jawa Timur 2.33 0.87 0.00 151.42 5.44
16 Banten 3.67 1.02 0.00 79.61 6.02
17 Bali 2.03 0.74 0.00 26.09 3.49
Nusa Tenggara
18 1.26 0.30 0.00 23.34 2.81
Barat
Nusa Tenggara
19 0.16 0.00 0.00 11.68 0.79
Timur
20 Kalimantan Barat 0.35 0.00 0.00 44.47 2.47
100
Rata- Standar
No Provinsi Med Min Maks
Rata Deviasi
Kalimantan
21 0.06 0.00 0.00 7.66 0.41
Tengah
Kalimantan
22 0.58 0.00 0.00 30.61 2.19
Selatan
23 Kalimantan Timur 1.54 0.01 0.00 134.25 7.07
24 Kalimantan Utara 0.20 0.00 0.00 13.84 0.99
25 Sulawesi Utara 0.99 0.10 0.00 28.67 3.01
26 Sulawesi Tengah 0.37 0.00 0.00 26.63 1.83
27 Sulawesi Selatan 1.49 0.00 0.00 66.13 5.98
28 Sulawesi Tenggara 0.27 0.00 0.00 16.80 1.31
id
29 Gorontalo 0.86 0.07 0.00 19.42 2.19
.
go
30 Sulawesi Barat 0.07 0.00
s. 0.00 3.53 0.32
31 Maluku 0.33 0.00 0.00 40.80 2.40
p
.b
32 Maluku Utara 0.34 0.00 0.00 20.58 1.74

w
33 Papua Barat 0.15 0.00 0.00 14.19 1.00

w
34 Papua 0.10 0.00 0.00 12.28 0.78

//w
s:
4.4 Penyiapan Kliping (Clipping) Citra

tp
ht
Kliping citra dilakukan menggunakan SHP yang sudah dibuat ataupun

diperoleh dari sumber yang sudah ada. Bentuk kliping yang akan dilakukan
menggunakan SHP yang sudah disesuaikan dengan kebutuhan penelitian.
Beberapa penelitian menggunakan kliping dalam bentuk grid, dan juga beberapa
penelitian lainnya hanya menggunakan bentuk administrasi, bahkan dalam bentuk
poligon yang telah dikostumisasi. Pada kasus ini, kita menggunakan kliping citra
siang dan malam menggunakan bentuk grid. Adapun jika kebutuhan pengguna
nanti ternyata memerlukan kliping citra menggunakan poligon wilayah, metode
ini tetap bisa digunakan sesuai kebutuhan dengan mengganti SHP grid ke dalam
bentuk SHP administrasi, ataupun SHP poligon.
4.4.1 Membuat SHP grid
Untuk membuat SHP grid, kita memerlukan beberapa library yang harus
diinstall. Beberapa library tersebut adalah NumPy, Pandas, dan Geopandas. Perlu
juga bagi kita untuk menginstall Geoplot untuk melihat bentuk polygon yang
sudah dibuat langsung dari program jupyter. Alternatif lain untuk melihat polygon
101
atau hasil pengolahan SHP yaitu menggunakan QGIS.

NumPy merupakan library yang berfungsi sebagai alat yang membantu
kita membentuk dan memanipulasi objek N-Array. Pandas sendiri berfungsi untuk
memudahkan pengguna dalam pengolahan data dalam bentuk tabel. Geopandas
sendiri merupakan library seperti halnya Pandas, namun memiliki beberapa fitur
tambahan dalam pengolahan geometry. Geopandas inilah nantinya yang kita
manfaatkan untuk melihat dan mengelola attribute geometry.
. id
go
p s.
.b
w
Shapely juga digunakan untuk membuat SHP agar lebih mudah. Ini semacam
tools yang kita bisa manfaatkan agar pembuatan polygon menjadi lebih cepat.
w
//w
s:
tp
ht
Pada kodingan di atas, kita bisa melihat tahapan load data SHP administrasi
menggunakan Geopandas. Kodingan tersebut mencoba untuk melakukan filter
wilayah berdasarkan kode wilayah. Pada kasus ini, variabel yang digunakan adalah
kode provinsi. Mengingat SHP wilayah yang digunakan bisa berbeda dengan yang
dilakukan saat ini, cara lain untuk melihat attribut mana yang harus digunakan
adalah dengan melihat informasi kolom dengan kode ”ina_shp.head()”. Kebetulan
yang tertulis adalah provinsi dengan kode 36.
Selanjutnya, untuk mempermudah perhitungan kedepan, kita mengubah
index yang tadinya mungkin berisi nilai yang tidak berurutan menjadi berurutan
dengan mengisi nilai nol sampai sejumlah baris yang dimiliki SHP. Untuk lebih
memudahkannya lagi (namun ini opsional) kita bisa pisahkan geometry dengan
variabel lain. Untuk melihat lebih jelas mengenai informasi dan bentuk SHP yang
dimiliki bisa menggunakan QGIS. Caranya yaitu dengan membuka QGIS dan
langsung tarik file dengan ekstensi .shp ke halaman QGIS. Seketika akan melakukan
102
proses load dan memunculkan bentuk SHP yang ada.
Gambar 4.33. Bentuk SHP setelah diload
. id
go
Tahapan selanjutnya yaitu membuat bounding box. Hal ini bertujuan untuk
mengetahui batasan maksimum dan minimum dari koordinat longitude dan
s.
latitude.
p
.b
batas_kiri = min(vector_bound_coordinates.bounds.minx)
w
batas_kanan = max(vector_bound_coordinates.bounds.maxx)
w
batas_atas = max(vector_bound_coordinates.bounds.maxy)
//w
batas_bawah = min(vector_bound_coordinates.bounds.miny)
s:
Setelah itu, kita perlu menentukan seberapa besar grid yang akan kita buat.
tp
Pada kasus ini, kita contohkan misalnya berukuran 1 kilometer. Perhitungannya

ht
cukup sederhana, kita perlu mengetahui ukuran satu derajat terhadap satuan
kilometer, lalu kita tinggal konversikan ukuran yang kita ingin buat ke dalam ukuran
derajat.
# 1 derajat (lintang/bujur) = 111.322 Km

# 1 km = 1/111.322
ukuran_grid_km = 1
panjang_kotak = 1/111.322 * ukuran_grid_km
Dengan menggunakan variabel bounding box dan panjang kotak, kita bisa
membuat populasi kotak sesuai dengan informasi yang diberikan, dan disaat yang
bersamaan kita bisa filter kotak mana saja yang titik tengahnya berada di SHP
administrasi. Hal ini perlu dilakukan untuk menyaring kotak yang digunakan. Selain
itu juga berguna untuk memberikan nilai attribut pada kotak dan menyesuaikannya
dengan SHP administrasi.
103
cols = list(np.arange(batas_kiri, batas_kanan, panjang_kotak))

rows = list(np.arange(batas_bawah, batas_atas, panjang_kotak))
temp_tengah = panjang_kotak / 2
polygons = []
points = []
temp = []
for x in cols[:-1]:
for y in rows[:-1]:
for i in range(len(vector_data)):
if Point([x+temp_tengah, y+temp_tengah]).within(vector_
bound_coordinates[i]):
polygons.append(Polygon([(x,y), (x+panjang_kotak, y),
(x+panjang_kotak, y+panjang_kotak), (x, y+panjang_kotak)]))
points.append(Point([x+temp_tengah, y+temp_tengah]))
temp.append(vector_data.iddesa[i])
break
. id
go
Hasilnya bisa disimpan ke dalam bentuk “.shp” dan kita bisa lihat hasilnya
s.
menggunakan QGIS.
p
.b
# disimpan dimana? bisa buat folder grid dulu

w
direktori = “grid_”+str(ukuran_grid_km)+”km”
nama_grid = “grid_”+str(ukuran_grid_km)+”km.shp”
w
//w
if not os.path.exists(direktori):
os.makedirs(direktori)
s:
grid = gpd.GeoDataFrame({‘code’: temp,’geometry’:polygons})

tp
grid.to_file(direktori+”/”+nama_grid)
ht
# simpan juga titik tengah untuk presentasi

direktori = “center_”+str(ukuran_grid_km)+”km”
nama_center = “center_”+str(ukuran_grid_km)+”km.shp”
if not os.path.exists(direktori):
os.makedirs(direktori)
center = gpd.GeoDataFrame({‘code’: temp,’geometry’:points})

center.to_file(direktori+”/”+nama_center)
104
Gambar 4.34. Bentuk SHP setelah dibuat grid
id
Tentunya metode diatas merupakan algoritma dasar untuk membuat grid.
.
Banyak cara yang jauh lebih cepat bahkan banyak cara praktis untuk sekadar
go
membuat grid dengan menggunakan tools yang tersedia di internet.
s.
p
.b
4.4.2 Kliping Gambar Citra Siang

w
w
Kliping citra siang sejatinya bisa dilakukan persis seperti pada tahapan
//w
pemotongan citra malam, jika kita memiliki citra siang tersebut. Kita bisa
mendapatkan citra siang melalui beberapa website yang telah dijelaskan di
s:
atas, atau bisa meminta citra siang langsung ke instansi yang berwenang untuk
tp
mengolah citra siang. Namun pada kasus ini, kita akan mencoba alternatif lain untuk
ht
mendownload citra hasil kliping data, yaitu menggunakan google earth engine.
Tahapan menggunakan google earth engine adalah seperti pada gambar
dibawah. Pertama sekali kita perlu load library, bernama “ee”. Jika belum diinstall,
bisa menginstalnya dengan “pip install earthengine-api”. Setelah itu, load “ee”, lalu
ketik “ee.Authenticate()”.
Halaman akan menampilkan kode verifikasi. Selanjutnya kita hanya perlu

mengikuti perintah yang muncul pada halaman, lalu memilih cloud project dan
klik generate token.
105
. id
go
s.
Gambar 4.35. Halaman verifikasi
p
.b
Setelah itu, halaman akan menampilkan akses token untuk kita dan kita
w
isikan input form dengan akses token yang kita dapatkan.

w
//w
s:
tp
ht
Lalu kita menginisialisasi ee ke dalam kernel kita. Beberapa kasus kita

mengharuskan import collections agar proses ini dapat berjalan dengan baik.
Setelah library siap, kita perlu load SHP grid seperti yang sudah dilakukan
sebelumnya. Perlu diingat bahwa struktur data yang dimiliki pandas berbeda
dengan ee. Untuk itu, kita perlu melakukan transformasi struktur data ke dalam
bentuk yang bisa diterima ee. Kodingan lebih lengkap dapat dilihat pada gambar
dibawah.
106
id
Pada prinsipnya, google memiliki beberapa citra siang dari waktu ke
.
go
waktu. Kita perlu mengumpulkan beberapa data pada rentang waktu tertentu
untuk mendapatkan gambar terbaik mana yang sebaiknya kita gunakan. Pada
s.
kode dibawah, kita perlu menentukan rentang waktu kapan saja yang akan kita
p
kumpulkan.
.b
w
w
//w
s:
tp
ht
Dibawah ini merupakan koding yang berfungsi untuk mengunduh file

dengan jenis citra tertentu. Pada kasus ini, kita mencoba unduh file yang ada di
google earth. Koleksi gambar yang akan di download adalah sentinel 2. Untuk
gambar lainnya dapat di cek di halaman website google earth engine. Bahkan kita
juga bisa mendownload citra malam jika tersedia disana. Hasil koleksi itu juga kita
perlu filter gambar mana saja yang memiliki gangguan awan di bawah 20 persen.
107
Selanjutnya yang perlu kita perhatikan adalah queue. Perlu diingat bahwa
google sangat ketat dalam memberi aturan mengenai proses unduhan yang
id
dilakukan. Hal ini wajar karena server google earth diberikan secara gratis dan
dimanfaatkan oleh banyak orang sehingga resource yang tersedia harus diatur
.
go
dengan ketat. Tahapan dibawah merupakan contoh sederhana untuk mengecek
berapa proses yang sedang masuk untuk melakukan proses request data kita oleh
s.
google earth.
p
.b
w
w
//w
s:
tp
ht
Dibawah ini merupakan kode untuk download citra dari google earth.
Mungkin terlihat panjang dan rumit, namun intinya adalah kita mencoba
mengikuti peraturan dari google dimana kita hanya bisa queue proses maksimal
3000 proses. Untuk mendapatkan hasil yang cepat, kita perlu membuat algoritma
untuk menghentikan download citra jika telah mencapai 3000 proses. Proses akan
menghentikan pekerjaannya sementara hingga queue bernilai sebesar 3000-10
= 2990. Namun kami mencoba melakukan upgrade dengan menunggu selama 2
menit setelah mencapai kelipatan 100. Kami mengkombinasikan kedua metode ini
seperti pada kode dibawah.
108
import os
import time
def download_satellite_imagery(sat_imagery,int_temp=1):
if (int_temp%100)==0:
time.sleep(120)
next_batch_size = 10 # Set the number of new tasks to be added after
reaching task limit
target_count = 3000 - next_batch_size # Threshold before creating
new tasks
task_count = get_queued_task()
queued_filenames = get_queued_task_filenames()
print(‘Number of active tasks: {: }.’.format(task_count))
for i in range(0,imagery_count):
imagery_file = “ID-” + str(i)
imagery_filepath = drive_folder + ‘/’ + imagery_file + ‘.tif’
if task_count == 3000: # Number of tasks has reached the limit
id
# Loop until the task count has not reach the target_count
.
while task_count > target_count:
go
active_task = get_queued_task() # Get the number of
tasks on the list s.
if active_task < task_count: # Check if there
p
are finished tasks
.b
task_count = active_task
print(“**********************”)
w
print(‘Number of current pending tasks in queue: {:

w
}.’.format(task_count))
//w
print(‘Remaining tasks before starting new batch:

{: }.’.format(task_count-target_count))
#print(task.status())
s:
tp
else:
if (os.path.exists(imagery_filepath)==False):
ht
if (imagery_file not in queued_filenames):

print(“--------------------”)
print(“Starting new task...”)
print(“downloading “ + imagery_file)
# c_lon = df[‘x’][i]
# c_lat = df[‘y’][i]
# geometry = ee.Geometry.Point([c_lon, c_lat]).
buffer(500) #Based imagery resolution of 256x256px -> 15m x 256/2 =
1920m
geometry = ee.Geometry.Polygon(
[
[
[df.loc[i,’geometry’].exterior.coords.xy[0]
[1], df.loc[i,’geometry’].exterior.coords.xy[1][1]],
109
[1], df.loc[i,’geometry’].exterior.coords.xy[1][1]]
]
]
);
geometry = geometry.getInfo()[‘coordinates’][0]
scale = 10
task_config = {
‘scale’: scale,
‘region’: geometry,
‘driveFolder’: drive_folder,
}
task = ee.batch.Export.image(sat_imagery, imagery_
file, task_config)
task.start()
task_count += 1
id
if task_count % 1000 == 0:
.
task_count = get_queued_task()
go
print(‘Number of active tasks: {: }.’.format(task_
count)) s.
else:
p
print(“On queue: “ + imagery_file + “.tif”)
.b
else:
print(“Downloaded: “ + imagery_file + “.tif”)
w
int_temp=int_temp+1
w
//w
Setelah fungsi-fungsi diatas selesai, maka kita cukup menjalan kan fungsi-
s:
fungsi tersebut seperti pada kode dibawah.

tp
ht
imagery_count=data_geopandas_grid.shape[0]
df=data_geopandas_grid
download_satellite_imagery(satellite_imagery)
Hasil gambar yang di download ada pada google drive dari akun yang
digunakan untuk authentikasi. Selamat, kita sudah berhasil menggunakan google
earth engine untuk mendownload citra siang pada case ini. Menariknya, cara ini
juga bisa digunakan untuk mendownload citra malam langsung dari server google
earth jika tersedia.
4.4.3 Kliping gambar citra malam
Setelah tahapan membuat grid selesai, saatnya kita memanfaatkan hasil

membuat grid tersebut untuk memotong peta citra malam yang telah di download.
Banyak tentunya sumber citra yang bisa dimanfaatkan, dan pada prinsipnya sama.
Namun untuk saat ini kita bisa memanfaatkan citra malam yang bersumber dari
earth observation group (EOG) melalui website payne institute.
110
Pertama sekali, kita perlu load semua library yang dibutuhkan. Diantaranya
yaitu NumPy dan Rasterio. Rasterio merupakan tools yang berfungsi sebagai
pengolah citra malam berupa raster. Penggunaan Rasterio juga cukup sederhana.
Kita hanya perlu memanggil rasterio dan menggunakan “rasterio.open()” dan
mengisikan variabel berupa alamat file yang akan diolah.
Setelah itu, kita bisa membuat variabel bantuan dengan nama geoms (namun
bersifat opsional). Setiap grid pada geoms akan memotong gambar raster, lalu
melakukan update beberapa atribut berupa driver, height, width, dan transform.
id
Lalu kita bisa menggunakan kode seperti dibawah untuk menyimpan file dengan
.
alamat yang ditentukan. Mengingatkan, grid merupakan variabel yang sudah kita
go
lakukan pada tahap 3.4.1. s.
p
.b
w
w
//w
s:
tp
ht
Gambar yang dihasilkan dapat langsung di cek di alamat yang telah

ditentukan.
Gambar 4.36. File citra malam yang telah dilakukan klipping menggunakan SHP
grid
111
Selamat, anda sudah bisa melakukan kliping citra malam menggunakan

SHP grid. Tentu saja ini bisa dimodifikasi untuk memotong citra malam maupun
citra siang. Adapun jika ingin menggunakan SHP administrasi ataupun SHP buatan
sendiri, kita bisa langsung mengganti shp tersebut pada tahapan ini.
. id
go
p s.
.b
w
w
//w
s:
tp
ht
112
ht
tp
s:
//w
w
w
.b
ps.
go
.id
ht
tp
s:
//w
w
w
.b
ps.
go
.id
VISUALISASI HASIL ANALISIS CITRA SATELIT
. id
go
s.
VISUALISASI HASIL
p
.b
w
ANALISIS CITRA SATELIT

w
//w
Ignatius Sandyawan, Achmad Fauzi Bagus Firmansyah, Isnaeni Noviyanti, Dwi

s:
Puspita Sari
tp
ht
Pada bab sebelumnya telah dibahas secara teknis proses akuisisi data citra
satelit. Selain itu juga menjelaskan bagaimana proses preprocessing data shp, data
citra siang dan data malam, serta melakukan kliping data citra menjadi bentuk grid
atau wilayah administrasi berdasarkan peta shapefile. Peta yang telah di kliping
tersebut siap untuk masuk ke dalam proses analisis lebih mendalam. Adapun
proses analisis data citra satelit sesuai dengan tema penelitian tertentu tidak
dibahas dalam buku ini. Pembaca yang tertarik untuk lebih mengetahui analisis
data tematik dengan studi kasus kemiskinan dapat membaca pada publikasi
analisis pemodelan citra satelit untuk prediksi kemiskinan yang dirilis oleh Fungsi
Pengembangan Model Statistik.
Selanjutnya pada bab ini akan membahas bagaimana melakukan
diseminasi data, khususnya melakukan visualisasi hasil analisis citra satelit dengan
menggunakan dasbor. Pada bab ini akan menggunakan data hasil analisis
pemodelan kemiskinan dari citra satelit. Data hasil pemodelan menggunakan citra
satelit dibuat menjadi choropleth menggunakan Arcgis kemudian dibuat menjadi
service agar data dalam bentuk choropleth dapat ditampilkan dalam apache
superset. Selain itu Dasbor Kemiskinan Ekstrem menggunakan Google Maps
sebagai peta dasar dalam pembuatan dasbor.
115
5.1 Pendahuluan dan Arsitektur
Data yang telah melalui proses pengolahan kemudian didiseminasikan.

Kegiatan diseminasi dapat diwujudkan dalam beberapa bentuk antara lain
infografis, buku publikasi, dan dasbor. Ketiga cara tersebut memiliki tujuan yang
berbeda-beda. Infografis digunakan untuk menampilkan informasi utama dalam
data yang telah dianalisis sehingga pembaca dapat menangkap hasil analisis
dengan cepat. Biasanya infografis disajikan dalam satu halaman dengan desain
yang membuat pembaca tertarik dan dapat memahaminya dengan mudah. Buku
publikasi berisi seluruh hasil analisis yang telah dilakukan dan dituangkan secara
rinci di dalamnya. Di dalam buku publikasi pembaca dapat menemukan informasi
detail mengenai proses dan hasil analisis data. Sedangkan dasbor disajikan dengan
tujuan untuk pengambilan keputusan secara cepat. Umumnya dasbor digunakan
untuk menampilkan data-data real-time yang disajikan secara ringkas untuk
pengambilan keputusan secara cepat.
. id
Data citra satelit yang dianalisis ini dapat menjadi salah satu pendukung
go
dalam pembuatan dasbor dalam kasus ini adalah Dasbor Kemiskinan Ekstrem yang
s.
menampilkan data penduduk yang tergolong sebagai miskin ekstrem. Arsitektur
sistem dalam pembuatan dasbor yang menggunakan citra satelit digambarkan
p
.b
dalam skema berikut :

w
w
//w
s:
tp
ht
Gambar 5.1. Arsitektur Sistem Dasbor Kemiskinan Ekstrem
Data hasil pemodelan menggunakan citra satelit dibuat menjadi choropleth

menggunakan Arcgis kemudian dibuat menjadi service agar data dalam bentuk
choropleth dapat ditampilkan dalam sistem lain. Selain itu Dasbor Kemiskinan
Ekstrem menggunakan Google Maps sebagai peta dasar dalam pembuatan dasbor.
Dasbor Kemiskinan Ekstrem ini dibangun menggunakan Apache Superset
yang merupakan salah satu tools open source untuk visualisasi data. Untuk membuat
Dasbor Kemiskinan Ekstrem, Apache Superset dikembangkan sedemikian rupa
sehingga dapat menampilkan hasil pemodelan kemiskinan ektrem dari citra satelit
yang ada di Indonesia.
116
Dalam diseminasi hasil kemiskinan ekstrem, terdapat beberapa teknologi

yang digunakan untuk melakukan visualisasi hasil dalam bentuk peta geospasial
dengan beberapa layer seperti gambar di bawah ini.
id
Gambar 5.2. Tampilan dasbor kemiskinan ekstrem
.
go
5.2 ArcGIS
p s.
.b
ArcGIS merupakan software kompleks yang terdiri dari software berbasis

w
client dan server, serta aplikasi web yang dikelola dan dikembangkan oleh ESRI
w
(Environmental Systems Research Institute). Secara garis besar, ArcGIS digunakan

//w
untuk melakukan pengelolaan dana analisis pada data spasial. Beberapa fungsi
ArcGIS, yaitu sebagai berikut.
s:
1. Menyajikan GIS yang relevan

tp
ArcGIS dapat memastikan bahwa data dan informasi terkait GIS

ht
dari suatu wilayah relevan yang mencakup data dasar geografis, seperti
bentang alam, kontur, koordinat wilayah, dan lain-lain.
2. Pembuatan dan pengeditan peta
Sebagian besar fungsi yang sering digunakan adalah untuk
pembuatan dan pengeditan peta. Contoh penggunaan yaitu pembuatan
peta tematik sesuai dengan kebutuhan, seperti peta sebaran penduduk.
3. Analisis spasial
Data yang dijadikan input tidak hanya data spasial, tapi dapat
berupa data dengan berbagai macam format standar yang diakomodir
oleh ArcGIS. Berdasarkan data yang ada, perangkat lunak ini mampu
melakukan proyeksi kondisi spasial di masa mendatang.
4. Visualisasi dan sharing data
Output akhir dari penggunaan ArcGIS adalah visualisasi, baik
dalam bentuk 3D maupun 2D. Output tersebut dapat dibagipakaikan
dalam bentuk peta maupun data.
117
Dibandingkan dengan software serupa lainnya, ArcGIS memiliki keunggulan

dalam melakukan visualisasi peta dalam bentuk service baik dari sisi performa dan
keragaman jenis visualisasi yang bisa dilakukan. Hasil visualisasi tersebut dapat
dibagikan kepada penggunaan lain baik secara privat maupun publik. Visualisasi
tersebut dapat dibagikan dalam bentuk service, seperti WFS (Web Feature Service)
dan WMS (Web Map Service). Perbandingan antara kedua service tersebut adalah
WFS menghasilkan output berupa feature yang dapat dilakukan analisis geospasial,
sedangkan output yang dihasilkan WMS berupa image (gambar) yang tidak dapat
dilakukan analisis geospasial. Di samping itu, dari segi keragaman visualisasi, ArcGIS
menawarkan beberapa jenis visualisasi, seperti choropleth, line map, symbologic
map, chart map, dll. Visualisasi tersebut juga dapat didukung oleh basemap yang
disediakan oleh ArcGIS, seperti satellite dan road map.
Penggunaan ArcGIS pada pembuatan dasbor kemiskinan ekstrem dapat
dilihat pada gambar arsitektur sistem. Berdasarkan arsitektur, ArcGIS digunakan
id
dalam pengolahan citra satelit yang telah di-overlay dengan data yang akan
ditampilkan sehingga menjadi choropleth. Beberapa contoh choropleth yang
.
go
digunakan dalam dasbor kemiskinan ekstrem yaitu sebagai berikut.
p s.
.b
w
w
//w
s:
tp
ht
Gambar 5.3. Gambar Dasbor Kemiskinan Ekstrem Menu Big Data Facebook
Relative Wealth Index (RWI)
Gambar 5.4. Gambar Dasbor Kemiskinan Ekstrem Menu Persentase Jumlah

Penduduk Miskin Ekstrem (Maret 2022)
118
5.3 Apache Superset
Apache Superset atau sering disebut sebagai Superset adalah tools

visualisasi open source di bawah Apache Foundation. Karena bersifat open source,
Superset dapat digunakan secara gratis untuk keperluan non komersil dan dapat
dikembangkan secara mandiri untuk keperluan yang lebih spesifik.
Superset dibangun menggunakan bahasa pemrograman python dan
menggunakan beberapa teknologi seperti message queue dan caching layer
yang membuat superset ringan saat diakses dan fleksibel. Superset mendukung
koneksi ke banyak jenis database seperti MySql, Sql Server, BigQuery, IBM DB2,
SqLite, Apache Spark dan sebagainya. Total terdapat 35 jenis database yang dapat
dikoneksikan dengan Superset.
Secara umum terdapat 3 fitur dari Superset yaitu :
id
1. Explore
.
Superset dapat digunakan untuk eksplorasi visualisasi berbagai
go
jenis data. Data yang telah terhubung ke Superset dapat ditampilkan
s.
dalam berbagai macam grafik yang menarik.
p
.b
w
w
//w
s:
tp
ht
Gambar 5.5. Tampilan Awal Apace Superset. sumber : https://superset.apache.org
2. View
Superset dapat membuat dasbor yang terdiri dari beberapa grafik
yang telah dibuat. Dasbor di dalam superset mendukung autentikasi dan
autorisasi sehingga dasbor dapat diatur untuk hanya dapat dilihat oleh
orang-orang tertentu. Dasbor di Superset juga mendukung filter data,
markdown, dan modifikasi CSS sehingga tampilan dasbor dapat dinamis
sesuai dengan keinginan.
119
Gambar 5.6. Tampilan Dashboard Kemiskinan Ekstrem Menu Grafik
3. Investigate
id
Superset memiliki fitur untuk melakukan eksplorasi data dan
membuat variabel-variabel baru menggunakan sintaks SQL.
.
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 5.7. Tampilan Menu Superset untuk Kueri SQL sumber : https://superset.
apache.org
5.4 Langkah Pembuatan Dashboard
1. Identifikasi Kebutuhan
Pada tahap ini dilakukan identifikasi kebutuhan. Dalam melakukan
identifikasi kebutuhan poin penting yang perlu diperhatikan adalah
siapa penggunanya dan fenomena apa yang ingin dilihat. Kedalaman
data yang tersedia di dasbor menyesuaikan cakupan tindakan yang
dapat dilakukan oleh pengguna. Data yang general biasanya cocok
120
untuk pengguna level tinggi sedangkan data yang detail dan spesifik
cocok untuk pengguna di level teknis.
2. Identifikasi ketersediaan data
Identifikasi ketersediaan data bertujuan untuk mencari data-
data yang telah tersedia ataupun perlu dikumpulkan untuk mencukupi
kebutuhan dari pembangunan dasbor. Data-data yang dikumpulkan
dapat diambil dari berbagai sumber agar data dapat ditampilkan ke
dalam dasbor secara komprehensif. Data-data yang tidak tersedia perlu
diganti dengan data lain yang sesuai dengan kebutuhan pembangunan
dasbor.
3. Perancangan Dasbor
Perancangan dasbor dilakukan untuk membuat rancangan
tampilan dasbor. Pembuatan rancangan ini dapat dilakukan secara
iteratif dan dapat dilakukan secara pararel saat pengumpulan data.
. id
Perancangan dasbor dilakukan menggunakan aplikasi figma agar
go
dapat dilakukan secara kolaboratif.
s.
p
.b
w
w
//w
s:
tp
ht
Gambar 5.8. Tampilan Rancangan Dasbor menggunakan aplikasi Figma
4. Pengumpulan Data
Pembangunan dasbor kemiskinan ekstrem menggunakan data
spasial yang berasal dari data non spasial kemudian dipetakan ke
geojson yang wilayah yang telah dimiliki. Untuk data non spasial lainnya
membutuhkan tool untuk extract, transform, dan load data dari berbagai
sumber baik dari database maupun flat file. Data yang ada diintegrasikan
berdasarkan dimensi tertentu, misal wilayah. Untuk standardisasi
wilayah, maka referensi yang digunakan adalah Master File Desa yang
dikeluarkan oleh BPS. Selain informasi dalam bentuk kode wilayah,
koordinat wilayah juga digunakan dalam tampilan titik lokasi rumah
tangga serta untuk pengukuran jarak dengan fasilitas umum terdekat.
Untuk penyiapan data non spasial, beberapa hal yang perlu diperhatikan
dalam pembuatan job ETL yaitu sebagai berikut.
• Akses ke sumber data dan target repositori untuk pembuatan
koneksi dan extract serta load data.
121
• Transformasi data yang dibutuhkan, seperti lookup, join,

merge, sort, dan lain-lain.
• Penjadwalan penarikan data jika dibutuhkan.
Data yang diperlukan kemudian di jadikan ke dalam satu skema
basis data agar mempermudah membuat koneksi antara basis data
dengan dasbor.
5. Pembuatan Dashboard
Setelah data terkumpul dan desain dasbor telah dibuat maka
langkah terakhir adalah mengimplementasikan desain yang dibuat di
dalam Supserset dengan langkah berikut :
• Membuat koneksi
Pembuatan koneksi dilakukan untuk menghubungkan dasbor ke
id
basis data yang digunakan untuk menyimpan data. Di dalam superset
.
go
telah tersedian berbagai macam connector yang dapat digunakan
seperti PostgreSQL, SQL Server, SQLite, Apache Druid, Apache Hive dan
s.
lainnya.
p
.b
w
w
//w
s:
tp
ht
Gambar 5.9. Tampilan Apache Superset Membuat Koneksi ke Database
Setelah memilih connector yang akan digunakan, kemudian

membuat connection string. Connection string harus memuat driver yang
digunakan, username, dan password yang digunakan untuk mengakses
basis data. Kemudian klik tombol connect.
122
. id
go
Gambar 5.10. Tampilan Apache Superset Ketika sudah berhasil Koneksi ke
Databases.
p
• Memuat data yang dibutuhkan
.b
w
Setelah membuat koneksi ke database langkah selanjutnya

w
adalah memuat table-table yang diperlukan untuk membuat dasbor

//w
di menu datasets. Penambahan data dilakukan dengan cara memilih

datasource,schema, dan table yang ingin dimuat. Kemudian klik tombol
s:
add.
tp
ht
Gambar 5.11. Tampilan Apache Superset Untuk Penambahan Data
• Membuat Chart
Pembuatan chart dilakukan dengan memilih data yang akan
ditampilkan dan memilih jenis chart. Chart yang dapat dipilih beragam
123
seperti barchart, pie chart, sankey diagram, radar chart, maps, dan lain
sebagainya. Selain chart yang telah disediakan, di dalam Superset juga
dapat ditambahkan chart custom yang diinginkan.
Gambar 5.12. Tampilan Apache Superset Untuk Kostum Chart
. id
go
6. Membuat Dasbor
Tahap terakhir dalam pembuatan
s. dasbor adalah
mengimplementasikan desain dasbor. Di dalam Superset, dasbor dapat
p
dibuat dengan mudah karena telah memiliki user interface (UI). Di dalam
.b
Superset, dasbor terdiri dari baris dan kolom, chart-chart yang telah
w
dibuat harus disusun dalam baris dan kolom tersebut. Selain chart,
w
elemen yang dapat ditambahkan adalah tabs untuk membuat dasbor

//w
dengan beberapa halaman, column untuk menambahkan kolom kosong,

row untuk menambahkan baris kosong, header untuk menambahkan
s:
judul, divider untuk menambahkan garis pembatas, dan markdown

tp
untuk menambahkan elemen lain dengan menggunakan HTML.

ht
Dasbor di Superset juga dapat dicustom menggunakan CSS agar

tampilannya lebih menarik.Namun dasbor di Superset belum mampu
untuk menambahkan sintax javascript ke dalam dasbor.
Gambar 5.13. Tampilan Apache Superset Untuk Kostumisasi Dashboard
124
ht
tp
s:
//w
w
w
.b
ps.
go
.id
ht
tp
s:
//w
w
w
.b
ps.
go
.id
PELUANG DAN TANTANGAN
. id
go
s.
p
.b
PEMANFAATAN PENGINDERAAN
w
w
JARAK JAUH UNTUK MENDUKUNG

//w
s:
DATA STATISTIK DI INDONESIA

tp
ht
M. Rokhis Khomarudin, Galdita Aruba Chulafak, Arie Wahyu Wijayanto
Pada bab sebelumnya telah dijelaskan jenis sumber data penginderaan

jauh, yaitu citra siang dan citra malam. Selain itu juga sudah di jelaskan bagaimana
proses mengakuisisi data tersebut dari platform penyedia data, kemudian dilakukan
pengolahan menggunakan platform pengolahan data ataupun media lainnya. Pada
bab ini pembahasan akan dilanjutkan dengan peluang dan tantangan pemanfaatan
penginderaan jauh untuk mendukung atau menghasilkan data statistik di
Indonesia. Pada sub bab pertama akan dibahas pemanfaatan penginderaan jauh,
baik citra siang maupun citra malam, untuk mendukung SDGs serta pemanfaatan
lainnya. Selanjutnya pada sub bab berikutnya akan mengkhususkan beberapa
pemanfaatan penggunaan citra satelit malam hari untuk beberapa studi kasus.
127
6.1 Pemanfaatan Penginderaan Jauh
Secara umum pemanfaatan penginderaan jauh dapat dibagi menjadi 4

kelompok, yaitu (1) pemanfaatan untuk sumberdaya alam darat, (2) pemanfaatan
untuk sumberdaya alam pesisir dan laut, (3) pemanfataan untuk lingkungan
dan kebencanaan, dan (4) pemanfataan untuk kepentingan strategis lainnya.
Secara ringkas contoh pemanfaatan penginderaan jauh disajikan pada Gambar
6.2. Pemanfataan penginderaan jauh untuk sumberdaya alam adalah seperti
pemanfataan untuk kehutanan, perkebunan, pertambangan, pertanian,
sumberdaya air, dan lain sebagainya. Pemanfatan untuk sumberdaya pesisir dan
laut adalah seperti untuk mangrove, terumbu karang, batimetri, kualitas air laut,
dan zona potensi penangkapan ikan. Contoh pemanfaatan penginderaan jauh
untuk lingkungan dan kebencanaan meliputi untuk deteksi perubahan lingkungan
seperti penurunan permukaan tanah, deteksi bencana banjir, kebakaran lahan/
hutan, kekeringan, letusan gunungapi, dan tsunami. Contoh untuk strategis lainnya
id
adalah seperti deteksi ladang ganja, untuk pertahanan keamanan, potensi pajak,
.
go
dan identifikasi daerah kumuh perkotaan.
p s.
.b
w
w
//w
s:
tp
ht
Gambar 6.1. Pemanfaatan Penginderaan jauh secara umum
Secara khusus, pemanfaatan penginderaan jauh dapat dihubungkan dengan

pencapaian tujuan pembangunan berkelanjutan (SDGS). Penginderaan jauh
setidaknya dapat mendukung dalam 7 tujuan pembangunan berkelanjutan, yaitu
SDGS-02, SDGS-06, SDGS-07, SDS-11, SDGS-13, SDGS-14, dan SDGS-15. Penjabaran
pemanfaatan penginderaan jauh untuk SDGs dapat dilihat pada Tabel 6.1.
128
Tabel 6.1. Dukungan Penginderaan jauh untuk Sustainable Development Goals

(SDGs)
Dukungan
Target Global Indikator SDGs
Penginderaan jauh
Pada tahun 2030, menjamin Penetapan • Klasifikasi lahan SDGs-02: Tanpa
sistem produksi pangan kawasan pertanian Kelaparan
yang berkelanjutan dan pertanian • Informasi
menerapkan praktek pangan berke- pertumbuhan
pertanian tangguh yang lanjutan tanaman
meningkatkan produksi • Potensi gangguan
dan produktivitas, tananam (Banjir,
membantu menjaga kekeringan, HPT,
ekosistem, memperkuat dll)
kapasitas adaptasi terhadap • Asuransi pertanian
id
perubahan iklim, cuaca • Indeks pertanaman
.
ekstrim, kekeringan, banjir, • ZPPI
go
dan bencana lainnya, •
s. dll
serta secara progresif
p
memperbaiki kualitas tanah
.b
dan lahan
w
Pada tahun 2030, Kualitas air Perubahan kualitas air SDGs-06: Air
w
meningkatkan kualitas danau danau bersih dan

//w
air dengan mengurangi sanitasi layak

polusi, menghilangkan
s:
pembuangan, dan
tp
meminimalkan pelepasan
ht
material dan bahan kimia

berbahaya, mengurangi
setengah proporsi air
limbah yang tidak diolah,
dan secara signifikan
meningkatkan daur ulang,
serta penggunaan kembali
barang daur ulang yang
aman secara global
129
Dukungan
Penginderaan jauh
Pada tahun 2030, Jumlah Analisa kondisi DAS SDGs-06: Air
menerapkan pengelolaan Rencana Kesehatan DAS bersih dan
sumber daya air terpadu di Pengelolaan sanitasi layak
semua tingkatan, termasuk Daerah Aliran
melalui kerjasama lintas Sungai Terpadu
batas yang tepat (RPDAST) yang
diinternalisasi
ke dalam
Rencana Tata
Ruang Wilayah
(RTRW)
Jumlah DAS Analisa kondisi DAS SDGs-06: Air
id
Prioritas yang Kesehatan DAS bersih dan
.
go
meningkat sanitasi layak
jumlah mata s.
airnya melalui
p
konservasi
.b
sumber daya
w
air di daerah
w
hulu DAS serta

//w
sumur resapan.
s:
Jumlah DAS Analisa kondisi DAS SDGs-06: Air

tp
Prioritas yang Kesehatan DAS bersih dan

dipulihkan sanitasi layak
ht
kesehatannya
melalui
pembangunan
embung, dam
pengendali,
dam penahan
skala kecil dan
menengah.
130
Dukungan
Penginderaan jauh
Pada tahun 2020, Jumlah Analisa kualitas air SDGs-06: Air
melindungi dan merestorasi danau yang danau bersih dan
ekosistem terkait sumber ditingkatkan sanitasi layak
daya air, termasuk kualitas airnya
pegunungan, hutan, lahan Jumlah Analisa penyusutan air SDGs-06: Air
basah, sungai, air tanah, dan danau yang danau bersih dan
danau. pendangkalan- sanitasi layak
nya kurang dari
1%
Jumlah danau Analisa tingkat erosi SDGs-06: Air
yang menurun catchment area bersih dan
id
tingkat sanitasi layak
erosinya
.
go
Luas lahan Analisa lahan kritis
s. SDGs-06: Air
kritis dalam bersih dan
p
KPH yang sanitasi layak
.b
direhabilitasi
w
Pada tahun 2030, menjamin Rasio Night light data SDGs-07:

w
akses universal layanan elektrifikasi Energi bersih

//w
energi yang terjangkau, dan terjangkau

andal dan modern
s:
Konsumsi listrik Night light data SDGs-07:

per kapita Energi bersih
tp
dan terjangkau
ht
131
Dukungan
Penginderaan jauh
Pada tahun 2030, Rasio laju Analisa perubahan SDGs-11:
memperkuat urbanisasi yang peningkatan pertumbuhan wilayah Kota dan
inklusif dan berkelanjutan konsumsi perkotaan pemukiman
serta kapasitas partisipasi, tanah berkelanjutan
perencanaan penanganan dengan laju
permukiman yang pertumbuhan
berkelanjutan dan penduduk
terintegrasi di semua negara. Jumlah kota Analisa perubahan SDGs-11:
sedang di luar pertumbuhan wilayah Kota dan
Jawa yang perkotaan pemukiman
diarahkan berkelanjutan
sebagai
id
pengendali
.
go
(buffer) arus
urbanisasi dan s.
sebagai pusat
p
pertumbuhan
.b
utama
w
w
Jumlah Analisa perubahan SDGs-11:

//w
Metropolitan pertumbuhan wilayah Kota dan

baru di luar perkotaan pemukiman
s:
Jawa sebagai berkelanjutan

tp
Pusat Kegiatan
Nasional (PKN)
ht
Pada tahun 2030, Rata-rata Pemantauan kualitas SDGs-11:

mengurangi dampak tahunan materi udara Kota dan
lingkungan perkotaan per partikulat pemukiman
kapita yang merugikan, halus (PM 2,5 berkelanjutan
termasuk dengan memberi dan PM 10)
perhatian khusus pada di Perkotaan
kualitas udara, termasuk (dibobotkan
penanganan sampah kota. jumlah
penduduk).
132
Dukungan
Penginderaan jauh
Pada tahun 2030, Jumlah kota Analisa ruang terbuka SDGs-11:
menyediakan ruang publik hijau yang hijau Kota dan
dan ruang terbuka hijau menyediakan pemukiman
yang aman, inklusif dan ruang terbuka berkelanjutan
mudah dijangkau terutama hijau di
untuk perempuan dan anak, kawasan
manula dan penyandang perkotaan
difabilitas. metropolitan
dan kota
sedang.
Pemantauan kualitas Dokumen Kegiatan mitigasi SDGs-13:
udara SDGs-11: Kota dan strategi bencana berbasis Penanganan
id
pemukiman berkelanjutan pengurangan penginderaan jauh Perubahan
.
go
Analisa ruang terbuka risiko bencana Iklim
hijau SDGs-11: Kota dan (PRB) tingkat s.
pemukiman berkelanjutan nasional dan
p
daerah.
.b
w
Jumlah korban Analisa dampak SDGs-13:

w
meninggal, bencana Penanganan

//w
hilang dan Perubahan

terkena Iklim
s:
dampak
tp
bencana per
100.000 orang.
ht
Mengintegrasikan tindakan Dokumen Dukungan data untk SDGs-13:

antisipasi perubahan Biennial BUR (luas daerah Penanganan
iklim ke dalam kebijakan, Update bekas terbakar, Perubahan
strategi dan perencanaan Report (BUR) luas perubahan Iklim
nasional. Indonesia hutan (devegetasi),
perubahan penutup
lahan)
Dokumen Penginderaan jauh utk SDGs-13:
pelaporan biomassa tumbuhan, Penanganan
penurunan analisa GRK Perubahan
emisi gas Iklim
rumah kaca
(GRK)
133
Dukungan
Penginderaan jauh
Pada tahun 2025, mencegah Indeks Pencemaran sampah SDGs-14:
dan secara signifikan eutrofikasi Tumpahan minyak Ekosistem
mengurangi semua jenis pesisir (ICEP) lautan
pencemaran laut, khususnya dan kepadatan
dari kegiatan berbasis lahan, sampah plastik
termasuk sampah laut dan terapung.
polusi nutrisi.
Pada tahun 2020, mengelola Proporsi Zona - Ekosistem SDGs-14:
dan melindungi ekosistem Ekonomi mangrove, terumbu Ekosistem
laut dan pesisir secara Eksklusif karang, kualitas air, lautan
berkelanjutan untuk nasional batimetri
menghindari dampak buruk yang dikelola
id
- Budidaya perikanan
yang signifikan, termasuk menggunakan
.
go
dengan memperkuat pendekatan
ketahanannya, dan berbasis s.
melakukan restorasi untuk ekosistem.
p
mewujudkan lautan yang
.b
Tersedianya - Ekosistem mangrove, SDGs-14:

sehat dan produktif.
w
kerangka terumbu karang, Ekosistem

w
kebijakan, dan kualitas air, batimetri lautan

//w
instrumen - Budidaya perikanan

terkait
s:
penataan
tp
ruang laut
nasional.
ht
Terkelolanya - Ekosistem mangrove, SDGs-14:

11 wilayah terumbu karang, Ekosistem
pengelolaan kualitas air, batimetri lautan
perikanan - Budidaya perikanan
(WPP) secara - ZPPI
berkelanjutan.
134
Dukungan
Penginderaan jauh
Pada tahun 2020, Proporsi ZPPI SDGs-14:
secara efektif mengatur tangkapan Ekosistem
pemanenan dan jenis ikan lautan
menghentikan penangkapan yang berada
ikan yang berlebihan, dalam batasan
penangkapan ikan ilegal biologis yang
dan praktek penangkapan aman
ikan yang merusak, serta
melaksanakan rencana
pengelolaan berbasis
ilmu pengetahuan, untuk
memulihkan persediaan
id
ikan secara layak dalam
.
go
waktu yang paling singkat
yang memungkinkan, s.
setidaknya ke tingkat
p
yang dapat memproduksi
.b
hasil maksimum yang

w
berkelanjutan sesuai
w
karakteristik biologisnya.
//w
Pada tahun 2020, Jumlah luas - Ekosistem mangrove, SDGs-14:

s:
melestarikan setidaknya kawasan terumbu karang, Ekosistem

10 persen dari wilayah konservasi kualitas air, batimetri lautan
tp
pesisir dan laut, konsisten perairan - Budidaya perikanan

ht
dengan hukum nasional

dan internasional dan
berdasarkan informasi ilmiah
terbaik yang tersedia.
Pada tahun 2020, menjamin Kawasan Penutupan lahan SDGs-15:
pelestarian, restorasi dan hutan sebagai Ekosistem
pemanfaatan berkelanjutan persentase dari daratan
dari ekosistem daratan dan total luas lahan.
perairan darat serta jasa
lingkungannya, khususnya
ekosistem hutan, lahan
basah, pegunungan dan
lahan kering, sejalan
dengan kewajiban
berdasarkan perjanjian
internasional.
135
Dukungan
Penginderaan jauh
Proporsi Penutupan lahan SDGs-15:
tutupan Ekosistem
hutan daratan
terhadap
luas lahan
keseluruhan.
Proporsi Penutupan lahan SDGs-15:
situs penting Ekosistem
keaneka- daratan
ragaman
hayati daratan
id
dan perairan
.
go
darat dalam
kawasan s.
lindung,
p
.b
berdasarkan
w
jenis
w
ekosistemnya.
//w
Pada tahun 2020, Proporsi Analisa degradasi lahan SDGs-15:

meningkatkan pelaksanaan lahan yang Ekosistem
s:
pengelolaan semua jenis terdegradasi daratan

tp
hutan secara berkelanjutan, terhadap

ht
menghentikan deforestasi, luas lahan

merestorasi hutan keseluruhan.
yang terdegradasi dan Luas kawasan Analisa degradasi lahan SDGs-15:
meningkatkan secara konservasi Ekosistem
signifikan aforestasi terdegradasi daratan
dan reforestasi secara yang
global. dipulihkan
kondisi
ekosistemnya.
136
Dukungan
Penginderaan jauh
Pada tahun 2020, Proporsi Analisa degradasi lahan SDGs-15:
menghentikan lahan yang Ekosistem
penggurunan, memulihkan terdegradasi daratan
lahan dan tanah kritis, terhadap
termasuk lahan yang luas lahan
terkena penggurunan, keseluruhan.
kekeringan dan banjir, dan Proporsi Analisa lahan kritis SDGs-15:
berusaha mencapai dunia luas lahan Ekosistem
yang bebas dari lahan kritis yang daratan
terdegradasi. direhabilitasi
terhadap
luas lahan
id
keseluruhan.
.
go
Pada tahun 2030, menjamin Situs penting Analisa tutupan lahan SDGs-15:
pelestarian ekosistem keaneka- s. Ekosistem
pegunungan, termasuk ragaman hayati daratan
p
.b
keanekaragaman hayatinya, pegunungan

w
untuk meningkatkan dalam kawasan

w
kapasitasnya memberikan lindung.

//w
manfaat yang sangat Indeks Analisa tutupan lahan SDGs-15:

penting bagi pembangunan tutupan hijau Ekosistem
s:
berkelanjutan. pegunungan daratan

tp
ht
6.2 Potensi Pemanfaatan Data Cahaya Malam Hari (Nighttime Light Data)
Gambar 6.2 berikut merupakan data cahaya malam hari yang diperoleh dari
pengolahan data Suomi-NPP sensor VIIRS pada malam hari. Terlihat pada Gambar
6.2 dapat diperkirakan bahwa Pulau Jawa dan Bali memiliki jumlah dan kepadatan
penduduk yang paling tinggi dibandingkan dengan pulau-pulau lainnya di
Indonesia. Selain populasi, Gambar 6.2 juga dapat menggambarkan tentang
penggunaan energi listrik di Indonesia bahwa Pulau Jawa dan Bali merupakan pulau
yang paling besar menggunakan energi listrik dibandingkan dengan Pulau-pulau
lainnya. Penggunaan energi listrik juga terkait dengan emisi CO2, sehingga data ini
juga dapat digunakan untuk mengestimasi emisi C02. Hal ini dikarenakan data ini
terkait dengan cahaya, maka dapat dihubungkan dengan kejadian kebakaran lahan
dan juga hubungannya dengan cahaya lampu kapal yang dapat digunakan untuk
melihat potensi pencurian ikan (illegal fishing) di wilayah Indonesia. Secara umum
Gambar 6.2 ini sudah dapat memberikan gambaran bagaimana pemanfaatan data
cahaya malam hari untuk mendukung data statistik di Indonesia.
137
Gambar 6.2. Data cahaya malam hari hasil pengolahan data Suomi-NPP VIIIRS
Huang et al. (2014) dalam makalah reviewnya menyatakan bahwa nighttime

light data dari data Defense Meteorological Satellite Program Operational Line Scanner
(DMSP/OLS) telah dimanfaatkan para periset dunia untuk (1) mengidentifikasi
dinamika pemukiman dan dampaknya terhadap lingkungan, (2) informasi
id
demografi dan sosial ekonomi, (3) pemantauan cahaya dalam jangka pendek,
.
go
termasuk pemantauan kebakaran lahan/hutan, dan (4) pemanfaatan lainnya seperti
untuk estimasi CO2 misalnya. Secara lengkap hasil review pemanfaatan data cahaya
s.
lampu malam hari disajikan pada Tabel 6.2.
p
.b
Tabel 6.2. Pemanfaatan data nighttime light data dari berbagai macam riset yang
w
berbeda (diterjemahkan dari Huang et al. (2014))

w
Sub- Jumlah
//w
Kategori Utama Topik Riset

Kategori Publikasi
s:
Perubahan I Dinamika Perkotaan (seperti 28

tp
pemukiman perluasan perkotaan, batas

ht
dan dampaknya perkotaan, area permukaan

terhadap beton, daerah terbangun)
lingkungan II Dampak urbanisasi terhadap 12
tanah, produktivitas neto primer,
suhu permukaan perkotaan, dan
suhu udara permukaan
Informasi demografi III Informasi demografis (seperti 30
dan sosial ekonomi populasi, populasi perkotaan,
kepadatan penduduk,
“penduduk ambien”)
IV Parameter sosial ekonomi 27
(misalnya: PDB, lalu lintas
barang, stok tembaga, indeks
kemiskinan, pendapatan per
kapita)
V Konsumsi energi dan listrik 15
138
Sub- Jumlah
Kategori Utama Topik Riset
Kategori Publikasi
Pemantauan cahaya VI Pemantauan cahaya jangka 18
dalam jangka pendek (misalnya: sifat aerosol
pendek dan kebakaran hutan, suar gas,
area terbakar, dan kilatan cahaya)
VII Pemantauan kapal penangkap 7
ikan
Aplikasi lainnya VIII Emisi gas antropogenik 8
(misalnya: bahan bakar fosil CO2
dan nitrogen oksida)
IX Kecerahan langit malam hari dan 8
polusi cahaya
id
X Topik lainnya (kesehatan 18
.
go
manusia, jejak air, perang dan
konflik, hukum skala ukuran kota,
s.
fenomena biolumine, gangguan
p
terumbu karang, burung mencari
.b
makan, kerusakan akibat gempa

w
bumi, jasa ekosistem, dan

w
klasifikasi stasiun iklim)

//w
s:
Pada bab ini akan dijelaskan beberapa contoh pemanfaatan data cahaya
tp
malam hari untuk mendukung data statistik di Indonesia seperti estimasi jumlah
ht
penduduk (Sutton et al., 2001; Lo, 2001; McPherson dan Brown, 2004; Freire, 2007;
Zhang et al., 2014; Bagan dan Yamagata, 2015; Li et al., 2018; Wang et al., 2019;
Chen, 2020; Lu et al., 2020), informasi sosial ekonomi (Sutton et al., 2007; Propastin
dan Kappas, 2013; Li et al., 2013; Mellander et al., 2015; Nischal et al., 2015; Addison
dan Stewart, 2015; Ma, 2018), pemanfaatan untuk estimasi konsumsi energi (Xie
dan Weng, 2015; Cole et al., 2017; Sun et al., 2020), pemantauan kebakaran lahan
(Elvidge et al., 2015; Elvidge et al., 2018), pemantauan pencurian ikan (illegal fishing)
(Elvidge et al., 2019), dan estimasi emisi CO2 (Zhang et al., 2017; Gaughan et al.,
2019; Wei et al., 2021).
6.2.1 Jumlah Dan Kepadatan Penduduk
Jumlah dan kepadatan penduduk, serta dinamika perkotaan merupakan

hal yang sering dilakukan dalam penggunaan data cahaya malam hari. Hal
tersebut karena data ini berhubungan dengan aktivitas penduduk di bumi. Sutton
et al. (2001) dan Lo (2001) mengestimasi jumlah penduduk suatu perkotaan
dengan menggunakan persamaan regresi baik linier maupun berganda yang
menghubungkan antara jumlah penduduk dengan luas daerah yang memiliki
139
cahaya malam hari. Cahaya malam hari dikorelasikan dengan adanya pemukiman
di suatu wilayah. Riset hubungan jumlah penduduk dengan data cahaya malam hari
dapat memperkirakan jumlah penduduk dalam suatu negara, provinsi, maupun
kabupaten, namun dalam level lebih kecil seperti kecamatan maupun desa masih
memiliki error yang cukup besar. McPherson dan Brown (2004) menghubungkan
data cahaya malam hari ini dengan jumlah penduduk yang berada di wilayah
bencana. Data ini penting untuk memperkirakan jumlah penduduk yang dievakuasi
dan juga estimasi jumlah korban jika terjadi bencana. Demikian juga Freire (2007),
menghubungkan data cahaya malam hari dengan jumlah penduduk pada siang
dan malam hari. Zhang et al. (2014) selain melakukan riset untuk estimasi jumlah
penduduk, namun juga menggambarkan pertumbuhan perubahan perkotaan
dengan data cahaya malam hari dari tahun ke tahun. Demikian juga dengan
Bagan dan Yamagata (2015), selain pertumbuhan perkotaan juga menggambarkan
kepadatan penduduknya dengan data cahaya malam hari. Li et al. (2018), Wang et
al. (2019), Chen (2020), dan Lu et al. (2020) melakukan hal yang sama. Secara umum
id
riset penggunaan data cahaya malam hari dapat dimanfaatkan untuk estimasi
.
jumlah dan kepadatan penduduk serta dinamika suatu perkotaan. Riset-riset yang
go
sama dapat dilakukan untuk wilayah Indonesia. Gambar 6.3 merupakan salah satu
s.
contoh riset yang menggambarkan hubungan antara jumlah penduduk dengan
p
data cahaya malam hari.
.b
w
w
//w
s:
tp
ht
Gambar 6.3. contoh riset yang menggambarkan hubungan antara jumlah

penduduk dengan data cahaya malam hari (sumber: Li et al. (2018))
Perkembangan data cahaya malam hari membawa pengaruh terhadap

estimasi-estimasi kepadatan penduduk secara global seperti Landscan (Dobson et
al., 2003) dan CIESIN (Pozzi et al., 2001) yang datanya dapat digunakan memberikan
gambaran kepadatan penduduk di seluruh dunia. Perkembangan teknologi ini
140
meningkatkan pembuatan kepadatan penduduk yang berbasis administrasi

dapat dispasialkan dengan kepadatan penduduk berbasis penutup penggunaan
lahan. Spasial kepadatan penduduk berbasis penggunaan/penutup lahan
dapat digunakan juga untuk menghitung kepadatan penduduk pada siang dan
malam hari. Asumsinya bahwa jika malam hari penduduk melakukan aktivitas di
pemukiman secara 100%, namun pada siang hari ada penduduk yang beraktivitas
di penggunaan lahan lain seperti lahan pertanian, perkebunan, dan lain sebagainya.
Khomarudin et al. (2010) mengembangkan teknik spasial kepadatan penduduk
berdasarkan penggunaan/penutup lahan. Gambar 6.4 menjelaskan hal tersebut.
. id
go
p s.
.b
w
Gambar 6.4. Teknik informasi spasial sebaran penduduk berbasis penggunaan

w
lahan
//w
s:
6.2.2 Informasi Sosial Ekonomi

tp
ht
Data cahaya malam hari dapat menjadi ‘proxy’ dalam memperkirakan Gross
Domestic Product (GDP) yang menggambarkan tingkat ekonomi nasional maupun
sub nasional (Sutton et al., 2007). Sutton et al. (2007) dalam risetnya menghubungkan
data cahaya malam hari dengan GDP di China, India, Turki, dan Amerika Serikat. Di
China dan India, hasil risetnya memperlihatkan bahwa cahaya malam hari dengan
GDP memiliki korelasi yang tinggi sedangkan untuk Turki dan Amerika Serikat tidak
terlalu tinggi. Hal yang sama juga dilakukan oleh Propastin dan Kappas (2013) yang
secara komprehensif menghubungkan antara cahaya malam hari dengan jumlah
penduduk, GDP, konsumsi listrik, dan emisi CO2 di Kazakhstan. Nampaknya riset
yang dilakukan memiliki korelasi yang baik antara data cahaya malam hari dengan
parameter-parameter tersebut. Gambar 6.5 merupakan contoh hubungan antara
GDP dengan luas area yang bercahaya. Li et al. (2013) menemukan juga hubungan
antara data cahaya malam hari yang diperoleh dengan data NPP VIIRS dengan Gross
Regional Product (GRP) di China dengan koefisien determinasi lebih dari 80%. Hal
yang sama dilakukan oleh Mellander et al. (2015), namun dia menemukan bahwa
hasil estimasi untuk wilayah perkotaan adalah over estimate, sedangkan di pedesaan
adalah underestimate. Berbeda dengan Nischal et al (2015), ia menemukan adanya
hubungan baik antara data cahaya malam hari dengan tingkat kemiskinan suatu
141
wilayah. Addison dan Stewart (2015) juga menemukan hasil korelasi yang baik
antara data cahaya malam hari dengan GDP (Gambar 6.5). Hal yang lain dilakukan
oleh Ma (2018) yang dapat memberikan gambaran kegiatan sosial media dengan
menggunakan data cahaya malam hari.
id
Gambar 6.5. Hubungan antara GDP dengan luas area yang bercahaya
.
go
s.
6.2.3 Pemanfaatan Cahaya Malam Untuk Konsumsi Energi
p
.b
w
Seperti yang telah disebutkan sebelumnya, selain menemukan hubungan

w
antara data cahaya malam, Propastin dan Kappas (2013) juga menghubungkan data
//w
cahaya malam dengan konsumsi listrik di Kazakhstan. Riset Xie dan Weng (2015)
memperlihatkan bahwa data DMSP-OLS lebih baik dari pada data NPP-VIIRS dalam
s:
hubungannya dengan konsumsi listrik (Gambar 6.6). Penelitian Cole et al. (2017)
tp
dapat memberikan gambaran konsumsi energi di Amerika Serikat sedangkan Sun

et al. (2020) selain menggunakan data cahaya malam, juga menggunakan data
ht
demografi dan juga data twitter.
Gambar 6.6. Hubungan antara nilai radiance dan nilai digital data DMSP-OLS dan
VIIRS dengan konsumsi energi listrik di beberapa negara (sumber: Xie dan Weng
(2015))
142
6.2.4 Pemantauan Kebakaran Lahan/Hutan
Elvidge et al. (2015, 2018) melakukan riset dengan menggunakan data NPP-
VIIRS dan juga Landsat TM malam hari untuk mendeteksi kebakaran lahan dan hutan
di Indonesia. Energi radiance dari kedua data tersebut selain digunakan untuk
mendeteksi kebakaran yang terjadi, juga memperkirakan luas area yang terbakar.
Gambar contoh hasil deteksi kebakaran lahan yang dapat dipantau dengan data
NPP-VIIRS dan Landsat TM malam hari. Gambar 6.8 merupakan hubungan antara
suhu permukaan dengan luas area yang terdeteksi kebakaran lahan/hutan di
Indonesia.
. id
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 6.7. Hasil pemantauan kebakaran lahan/hutan di Indonesia dengan NPP-

VIIRS (atas) dan Landsat TM malam hari (bawah)
143
. id
go
p s.
.b
w
Gambar 6.8. Hubungan antara suhu permukaan dengan luas area yang terdeteksi
w
kebakaran lahan/hutan di Indonesia

//w
s:
6.2.5 Pencurian Ikan (Illegal Fishing)

tp
ht
Elvidge et al. (2019) mengembangkan metode untuk mendeteksi cahaya

lampu kapal penangkap ikan dengan data NPP-VIIRS. Cahaya lampu kapal ini sangat
penting untuk identifikasi di mana lokasi kapal-kapal penangkap ikan di perairan
Indonesia. Hal ini secara lanjut juga dapat digunakan untuk memperkirakan dimana
zona potensi penangkapan ikan. Selain itu, deteksi kapal penangkap ikan ini dapat
digunakan untuk potensi adanya illegal fishing di perairan Indonesia. Gambar 7
merupakan hasil pengolahan data NPP-VIIRS untuk deteksi cahaya lampu kapal
penangkap ikan dengan potensi adanya illegal fishing di perairan Indonesia.
144
. id
go
p s.
.b
w
w
//w
Gambar 6.9. Data cahaya lampu kapal di perairan Indonesia pada bulan Januari –
s:
Juni 2020 dengan potensi illegal fishing (sumber: pengolahan data NPP-VIIRS oleh
Teguh Prayogo dalam persiapan pada pelatihan untuk Pusat Informasi Maritim TNI
tp
AL)
ht
6.2.6 Estimasi Emisi CO2
Seperti halnya estimasi penduduk, sosial ekonomi, dan juga konsumsi

energi, riset yang telah dilakukan Zhang et al. (2017) serta Gaughan et al. (2019)
menghubungkan emisi CO2 dengan data cahaya malam hari dengan hasil korelasi
yang masih kurang begitu baik. Namun jika ditambahkan dengan data lain
seperti penggunaan lahan, korelasinya akan lebih baik (Wei et al., 2021). Gambar
8 merupakan hasil perbedaan korelasi model dengan dan tanpa penambahan
penggunaan lahan yang menunjukkan model LEN (dengan penambahan data
penggunaan lahan) memiliki akurasi yang lebih tinggi dibandingkan dengan hanya
menggunakan data cahaya malam hari saja.
145
. id
go
p s.
.b
w
w
//w
Gambar 6.10. Perbandingan akurasi 3 model statistik estimasi emisi CO2 (sumber:
Wei et al. (2021))
s:
tp
Pemanfaatan data cahaya malam telah banyak dilakukan riset oleh para
ht
peneliti untuk estimasi jumlah penduduk dan kepadatannya, estimasi sosial

ekonomi terutama terkait dengan gross domestic product (GDP) dan tingkat
kemiskinan, estimasi penggunaan energi listrik, pemantauan kebakaran lahan/
hutan, illegal fishing, dan juga estimasi emisi CO2. Semakin banyaknya sumber data
cahaya malam seperti data DMSP-OLS, NPP-VIIRS, dan lainnya menjadikan riset
pemanfaatan data ini semakin menantang terutama di wilayah Indonesia yang
masih terus berkembang. Riset-riset perubahan perkotaan dan kaitannya dengan
permasalahan lingkungan dan mitigasi bencana merupakan suatu hal yang menarik
untuk dikembangkan di masa mendatang. Penambahan-penambahan data
diharapkan dapat meningkatkan akurasi dari model estimasi yang telah dibangun.
6.3 Platform yang Dapat Digunakan untuk Pengolahan Data
Platform-platform penginderaan jauh seperti Google Earth Engine (GEE),

Geohazard Exploitation Platform (GEP) yang dikembangkan European Space
Agency (ESA), SEPAL yang dikembangkan oleh FAO dan platform-platform lainnya
merupakan platform yang dapat dimanfaatkan oleh pengguna dalam melakukan
146
pengolahan data secara cepat. Selain menyediakan proses pengolahan data,

platform tersebut juga sekaligus menyediakan data untuk diolah. Berikut adalah
penjelasan terkait dengan platform-platform tersebut.
6.3.1 Google Earth Engine
Google Earth Engine (GEE) (https://earthengine.google.com/) merupakan

sistem terbuka yang dikembangkan oleh Google dalam menggunakan data
penginderaan jauh untuk berbagai macam pemanfaatan. Sebelum menggunakan
platform ini tentunya harus mendaftar terlebih dulu sebagai pengguna Google
Earth Engine. Sistem menyediakan berbagai data seperti data Landsat, Sentinel
1, berbagai product dari Terra/Aqua MODIS, serta produk lainnya. Pengolahan
data hanya dilakukan dengan scripts dalam code editor. Contoh-contoh script
juga disediakan oleh sistem sehingga mudah dipelajari dan digunakan. Gambar 2
id
merupakan contoh platform untuk pengolahan deforestasi di Indonesia.
.
go
p s.
.b
w
w
//w
s:
tp
ht
Gambar 6.11. Platform Google Earth Engine (GEE), yang memudahkan pengguna
dalam memperoleh informasi penginderaan jauh
6.3.2 Geohazard Exploitation Platform (GEP)
Geohazard Exploitation Platform (https://geohazards-tep.eu/) merupakan

platform yang dikembangkan oleh European Space Agency (ESA) yang
dimanfaatkan untuk pengolahan data penginderaan jauh. Untuk menggunakan
platform ini harus menggunakan lisensi yang diberikan oleh ESA yang bisa didapat
melalui program kerjasama. Platform biasanya digunakan untuk keperluan
pemantauan kebencanaan, lebih memudahkan dalam pengolahan data genangan
banjir, deformasi gunung api, dan perubahan penurunan permukaan tanah (land
subsidence).
147
Gambar 6.12. Tampilan Beberapa Jenis Citra yang diakuisisi oleh Geohazard
Exploitation Platform
. id
go
p s.
.b
w
w
//w
s:
Gambar 6.13. Tampilan Workspace dari Geohazard Exploitation Platform

tp
ht
Gambar 6.14. Tampilan data dan information layers terkait Gempa Bumi Sulawesi
Tahun 2018
148
6.3.3 SEPAL (System for earth observations, data access, processing & analysis
for land monitoring)
System for earth observations, data access, processing & analysis for land
monitoring (SEPAL) merupakan sistem yang dikembangkan oleh FAO (Food
and Agriculture Organization) yang fokus diperuntukan untuk analisa penutup/
penggunaan lahan dan perubahannya (https://sepal.io/). Platform ini sifatnya
terbatas untuk organisasi yang telah bekerjasama dengan FAO, meskipun demikian
pengguna dapat memanfaatkan platform ini dengan mendaftarkan pada sistem
terlebih dahulu.
. id
go
p s.
.b
w
w
Gambar 6.15. Tampilan Halaman Awal SEPAL

//w
s:
6.3.4 Microsoft Planetary Computer

tp
ht
Microsoft Planetary Computer (MPC) merupakan platform/lingkungan

pengembangan dan analisis data spasial berbasis citra satelit yang disediakan oleh
Microsoft dengan dukungan data dan Application Programming Interface (API)
terbuka dan memungkinkan analisis skala lebih besar dengan Microsoft Azure cloud
computing. Katalog data MPC berukuran petabyte dengan data-data pemantauan
lingkungan dalam format siap analisis meliputi citra satelit Landsat-8, Sentinel-1,
Sentinel-2, Terra Climate, MODIS, NOAA C-CAP, Aster L1T, Copernicus DEM, dll. MPC
dapat diakses pada alamat https://planetarycomputer.microsoft.com.
149
id
Gambar 6.16. Tampilan Awal Halaman Microsoft Planetary Computer
.
go
Terdapat empat komponen utama MPC: s.
p
1. Katalog Data, yang mencakup data permukaan bumi yang dihosting di
.b
Azure dan tersedia untuk pengguna secara gratis.

w
2. API yang memungkinkan pengguna untuk mencari data yang dibutuhkan

w
antar wilayah dan periode waktu.

//w
3. The Hub, lingkungan komputasi untuk memproses kumpulan data

geospasial yang sangat besar.
s:
4. Aplikasi, dibangun oleh pihak ketiga mitra Microsoft sebagai pendukung

tp
aplikasi analisis dan pengembangan kelestarian lingkungan.

ht
Sementara data dan API-nya dapat diakses publik, fitur-fitur tertentu dari
Planetary Computer saat ini sedang dalam pratinjau dan memerlukan akses yang
diberikan. Pengguna baru dapat mendaftar secara bebas untuk menggunakan
fitur-fitur MPC ini.
6.3.5 Platform lainnya
Platform lainnya merupakan platform yang sudah menunjukkan hasil

produknya agar mudah akses seperti global forest watch (https://www.
globalforestwatch.org/) yang diperuntukkan untuk melihat perubahan hutan
di seluruh dunia. Selain itu juga terdapat platform Global Agriculture Monitoring
(https://earthobservations.org/geoglam.php) yang diperuntukan khusus untuk
pemantauan pertanian. Platform yang dibuat oleh Indonesia salah satunya yaitu
sistem pemantauan bumi berbasis android (sipandora) yang menyediakan hasil-
hasil informasi penginderaan jauh untuk pemantauan sumberdaya alam lingkungan
dan kebencanaan.
150
6.4 Tantangan Pemanfaatan Penginderaan Jauh
Tantangan dalam pengembangan penginderaan jauh di masa mendatang

adalah bagaimana semua segmen pengguna dapat terpenuhi dan memanfaatkan
teknologi dengan cepat, akurat, dan biaya yang murah. Untuk hal tersebut, maka
perlu dilihat dari beberapa hal sebagai berikut:
1. Data Penginderaan Jauh. Data penginderaan jauh yang saat ini
digunakan adalah ada penginderaan jauh yang diterima dari stasiun
bumi penerima data penginderaan jauh, yang masih memerlukan proses
menjadi data standar baik melalui proses koreksi geometrik, radiometrik,
maupun mosaicking sehingga data dapat digunakan oleh pengguna.
Pengembangan metode data standar adalah hal yang penting untuk
saat ini. Metode standar ini perlu diwujudkan menjadi sistem otomatisasi
sehingga pengolahannya lebih cepat. Data standar dapat disajikan
id
dalam platform penyajian data sehingga pengguna langsung dapat
.
mengakses baik dengan mekanisme login maupun open public.
go
2. Metode Pengolahan Data. Yang dimaksud dalam metode pengolahan
s.
data adalah proses pengolahan data menjadi suatu produk informasi
penginderaan jauh seperti penutup lahan, pertumbuhan padi, zona
p
.b
potensi penangkapan ikan, penurunan muka tanah, perubahan lahan

w
hutan, perubahan bentuk lahan, dan lain-lain. Metode pengolahan

w
data sudah banyak dikembangkan, namun belum ada metode standar

yang dapat diacu tingkat akurasinya. Pengembangan-pengembangan
//w
metode ini perlu dilakukan agar menjadi metode standar dengan akurasi
s:
yang memadai. Selanjutnya dapat dibangunkan sistem otomatisasi dari

tp
metode yang sudah ada tersebut.

3. Sistem otomatisasi dan IoT. Dalam era revolusi industry 4.0, sistem
ht
otomatisasi dan Internet of Things (IoT) merupakan suatu keharusan

agar proses pengolahan lebih cepat dan akurat. Perlu pengembangan
sistem yang komprehensif sehingga sistem langsung dari terhubung
dengan platform penyajian standar data sehingga proses langsung
dapat dijalankan jika standar data tersedia. Produk yang diolah langsung
terkirim dalam platform sharing yang dapat dimanfaatkan oleh
pengguna atau terkirim langsung ke email atau sms pengguna. Sistem
IoT dapat meningkatkan akurasi karena langsung pengukuran informasi
di lapangan.
4. Platform Sharing. Ini adalah jembatan antara produk hasil pengolahan
data penginderaan jauh dengan pengguna. Pengguna bisa kementerian/
lembaga, pemerintah daerah, swasta maupun masyarakat umum.
Platform sharing ini dapat terbagi menjadi beberapa pengguna dengan
login misalnya untuk kementerian/lembaga karena bisa informasi
mengandung kategori rahasia dan yang open public yang dapat
dimanfaatkan oleh masyarakat.
5. Integrasi Data. Data penginderaan jauh yang diperoleh dari satelit
adalah teknik yang baik dalam pemetaan daerah untuk beberapa studi
151
kasus yang menggambarkan distribusi spasial pada suatu periode

tertentu. Banyak satelit dengan perbedaan sistem sekarang ini, dengan
karakteristik resolusi spasial, temporal, dan spektral tertentu. Data
penginderaan jauh dapat direlasikan dengan data lain, sehingga dapat
digunakan untuk penyajian data statistik lainnya. Dalam pengolahan data
citra satelit memerlukan disiplin pengetahuan lain dan perlu integrasi.
Melalui integrasi data dan disiplin bidang tertentu akan memperkuat
Sistem Informasi Geografis (SIG).Dengan kemampuan merekam kejadian
dan wilayah dengan tingkat kerincian dan kemampuan tertentu serta
periode ulang tertentu maka data penginderaan jauh dapat digunakan
dalam berbagai studi kasus penelitian. Integrasi Penginderaan Jauh
dan SIG dapat digunakan dalam mengelola dan visualisasi data. Data
dapat dikumpulkan, ditata, dianalisa, dan ditayangkan/ divisualisasikan.
Selain itu integrasi data melibatkan beberapa sumber informasi pada
suatu fokus (konsolidasi data).
. id
go
p s.
.b
w
w
//w
s:
tp
ht
152
DAFTAR PUSTAKA
Addison, D. M., & Stewart, B. (2015). Nighttime lights revisited: the use of nighttime lights
data as a proxy for economic variables. World Bank Policy Research Working Paper,
(7496).
Amani M, Ghorbanian A, Ahmadi SA, Kakooei M, Moghimi A, Mirmazloumi SM,
Moghaddam SHA, Mahdavi S, Ghahremanloo M, Parsian S. Wu Q, Brisco B. Google
earth engine cloud computing platform for remote sensing big data applications: a
comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations
and Remote Sensing 2000; 13: 5326-5350.
id
Belluco, E., Camuffo, M., Ferrari, S., Modenese, L., Silvestri, S., Marani, A., and Marani, M.
.
go
(2006). Mapping salt-marsh vegetation by multispectral and hyperspectral remote
sensing. Remote Sensing of Environment, 105, 54–67.
s.
p
Blaschke, T., Lang, S., Lorup, E., Strobl, J., Zeil, P. (2009). Object-oriented Image
.b
Processing in an Integrated GIS/remote Sensing Environment and Perspectives

w
for Environmental Applications. In: Cremers, A., Greve, K. (Eds.), Environmental

w
Information for Planning, Politics and the Public, 2. Metropolis Verlag, Marburg,
//w
555-570.
s:
Brovkina, O., Hanu, J., Zemek, F., Mochalov, V., Grigorieva, O., & Pikla, M. (2016).
tp
Evaluating the Potential of Satellite Hyperspectral Resurs-P Data for Forest Species
Classification. International Archives of the Photogrammetry, Remote Sensing &
ht
Spatial Information Sciences, 41.

Cole, W., Frew, B., Mai, T., Sun, Y., Bistline, J., Blanford, G., ... & Donohoo-Vallett, P. (2017).
Variable renewable energy in long-term planning models: a multi-model
perspective (No. NREL/TP-6A20-70528). National Renewable Energy Lab.(NREL),
Golden, CO (United States).
Colwell, R. N., Simonett, D. S., & Estes, J. E. (1983). Manual of remote sensing: v. 1: Theory,
instruments and techniques.-v. 2: Interpretation and applications.
Dony Kushardono, 2017. Klasifikasi Digital Untuk Penginderaan Jauh.
Dony Kushardono, 2017. Pemanfaatan Data Satelit Radar Untuk Wilayah Darat di
Indonesia : Peluang dan Tantangan
Elvidge, C. D., Zhizhin, M., Baugh, K., & Hsu, F. C. (2015). Automatic boat identification
system for VIIRS low light imaging data. Remote sensing, 7(3), 3020-3036.
Elvidge, C. D., Bazilian, M. D., Zhizhin, M., Ghosh, T., Baugh, K., & Hsu, F. C. (2018). The
potential role of natural gas flaring in meeting greenhouse gas mitigation targets.
Energy strategy reviews, 20, 156-162. Gillies, Sean, et al. (2013). Rasterio: geospatial
raster I/O for {Python} programmers. Mapbox. https://github.com/rasterio/rasterio
Hakim, P. R., Syafrudin, A. H., Salaswati, S., Utama, S., & Hasbi, W. (2019). Development
of systematic image preprocessing of LAPAN-A3/IPB multispectral images. arXiv
preprint arXiv:1901.09189.
Hardhienata, S., & Triharjanto, R. H. (2007). LAPAN-TUBSAT: From Concept to Early
Operation. Lembaga Penerbangan dan Antariksa Nasional.
Hardhienata, S., Triharjanto, R. H., & Mukhayadi, M. (2011, December). LAPAN-A2:
id
Indonesian near-equatorial surveilance satellite. In 18th Asia-Pacific Regional Space
.
Agency Forum (APRSAF), Singapore.
go
Harris, C. R, et al. (2020). Array programming with NumPy. Nature, 585, 357–362. https://
s.
doi.org/10.1038/s41586-020-2649-2
p
.b
Hasbi, W., & Widyastuti, R. (2007, November). The Use Of LAPAN-TUBSAT Satellite Video
w
Data For Earth Observation. In Earth Observation Small Satellites for Remote Sensing
w
Application Conference, Kuala Lumpur, November.

//w
Hsu, F. C., Elvidge, C. D., Baugh, K., Zhizhin, M., Ghosh, T., Kroodsma, D., ... & Sudarja, Y.
s:
(2019). Cross-matching VIIRS boat detections with vessel monitoring system tracks
tp
in Indonesia. Remote Sensing, 11(9), 995.

ht
Hung, M. and Ridd, M.K. (2002). A Subpixel Classifier for Urban Land-cover Mapping Based
on a Maximum-likelihood Approach and Expert System Rules. Photogrammetric
Engineering and Remote Sensing, 68, 1173–1180.
Igarashi, T. (2001). ALOS mission requirement and sensor specifications. Advances in
Space Research, 28(1), 127-131.
Jordahl, K. (2014). GeoPandas: Python tools for geographic data. URL: Https://Github.
Com/Geopandas/Geopandas.
Judex, M., Thamm, H. P., & Menz, G. (2006). Improving land-cover classification with a
knowledge-based approach and ancillary data. Center for Remote Sensing of Land
Surfaces, 28, 30.
Judianto, C. T., & Nasser, E. N. (2015). The analysis of LAPAN-A3/IPB satellite image data
simulation using High Data Rate Modem. Procedia Environmental Sciences, 24, 285-
296.
Kappas, M., Propastin, P., Degener, J., & Renchin, T. (2015). Inter-Comparison and
Evaluation of the Global LAI Product (LAI3g) and the Regional LAI Product (GGRS-
LAI) over the Area of Kazakhstan. Remote Sensing, 7(4), 3760-3782.
Kasampalis, D. A., Alexandridis, T. K., Deva, C., Challinor, A., Moshou, D., & Zalidis, G. (2018).
Contribution of remote sensing on crop models: a review. Journal of Imaging, 4(4),
52.
Kramer, H. J. (2002). Meteorology—GEO (Geosynchronous Earth Orbit) Missions. In
Observation of the Earth and Its Environment (pp. 607-660). Springer, Berlin,
Heidelberg.
Kucharczyk M, Hugenholtz, CH. Review remote sensing of natural hazard-related
id
disasters with small drones: global trends, biases, and research opportunities.
.
Remote Sensing of Environment 264 (2021) 112577
go
Kushardono, D., Dimyati, R. D., Sambodo, K. A., Arief, R., & Maryanto, A. (2016). Kebutuhan
s.
Pengguna Data Penginderaan Jauh di Indonesia: Studi Awal untuk Conceptual
p
Design Review Satelit SAR Ekuatorial Indonesia InaRSSat-1. In Proceedings The 2nd
.b
International Conference of Indonesian Society for Remote Sensing 2016: Remote

w
Sensing for a Better Governance (Vol. 47, pp. 510-520). IOP Publishing.
w
//w
Lauer, D. T., Morain, S. A., & Salomonson, V. V. (1997). The Landsat program: Its origins,
evolution, and impacts. Photogrammetric Engineering and Remote Sensing, 63(7),
s:
831-838.
tp
Lee, K., Kim, Y., & Choi, H. (2017). KOMPSAT Image processing and applications. Korean
ht
Journal of Remote Sensing, 33(6_3), 1171-1177.

Leyk, S., Gaughan, A. E., Adamo, S. B., de Sherbinin, A., Balk, D., Freire, S., ... & Pesaresi,
M. (2019). The spatial allocation of population: a review of large-scale gridded
population data products and their fitness for use. Earth System Science Data,
11(3), 1385-1409.
Li, M., Zhang, Q., Kurokawa, J. I., Woo, J. H., He, K., Lu, Z., ... & Zheng, B. (2017). MIX: a mosaic
Asian anthropogenic emission inventory under the international collaboration
framework of the MICS-Asia and HTAP. Atmospheric Chemistry and Physics, 17(2),
935-963.
Lillesand, T. M., & Kiefer, R. W. (1979). Remote sensing and image interpretation(Book).
New York, John Wiley and Sons, Inc., 1979. 624 p.
Lindgren, D. T. (1985). Introduction to remote sensing. In Land use planning and remote
sensing (pp. 1-10). Springer, Dordrecht.
Liu, K., Li, X., Shi, X., and Wang, S. (2008). Monitoring Mangrove Forest Changes Using
Remote Sensing and GIS Data with Decision-Tree Learning. WETLANDS, 28 (2),
336–346.
Liu, Y., Wang, J., Yao, L., Chen, X., Cai, Z., Yang, D., ... & Lyu, D. (2018). The TanSat mission:
preliminary global observations. Science Bulletin, 63(18), 1200-1207.
Ma, T. (2018). Multi-level relationships between satellite-derived nighttime lighting
signals and social media–derived human population dynamics. Remote Sensing,
10(7), 1128.
McKinney, W. et al. (2010). Data structures for statistical computing in python. In
Proceedings of the 9th Python in Science Conference (Vol. 445, pp. 51–56).
id
Min, M., Cao, G., Xu, N., Bai, Y., Jiang, S., Hu, X., ... & Zhang, P. (2016). On-orbit spatial quality
.
go
evaluation and image restoration of FengYun-3C/MERSI. IEEE Transactions on
Geoscience and Remote Sensing, 54(12), 6847-6858. s.
p
Muhas, B. (2013, September 26). Citra Satelit multispectral. KOMPASIANA.
.b
Retrieved April 15, 2022, from https://www.kompasiana.com/

w
benmuhas/551fa3678133112f019df88d/citra-satelit-multispectral
w
//w
Nugroho, J. T., Chulafak, G. A., & Kushardono, D. (2017). Performance of LAPAN-A2 satellite
data to classify land cover/land use in Semarang, Central Java. In IOP Conference
s:
Series: Earth and Environmental Science (Vol. 54, No. 1, p. 012098). IOP Publishing.
tp
Park, H., Son, J. H., Jung, H. S., Kweon, K. E., Lee, K. D., & Kim, T. (2020). Development of the
ht
Precision Image Processing System for CAS-500. Korean Journal of Remote Sensing,
36(5_2), 881-891.
Propastin, P., & Panferov, O. (2013). Retrieval of remotely sensed LAI using Landsat ETM+
data and ground measurements of solar radiation and vegetation structure:
Implication of leaf inclination angle. International Journal of Applied Earth
Observation and Geoinformation, 25, 38-46.
Ridd, M. K., & Hipple, J. D. (Eds.). (2006). Remote sensing of human settlements. American
Society for Photogrammetry & Remote Sensing.
Rosenqvist, A., Shimada, M., Suzuki, S., Ohgushi, F., Tadono, T., Watanabe, M., ... & Aoki, E.
(2014). Operational performance of the ALOS global systematic acquisition strategy
and observation plans for ALOS-2 PALSAR-2. Remote Sensing of Environment, 155,
3-12.
Sari, N. M., & Kushardono, D. (2016). Quality analysis of single tree object with obia and
vegetation index from lapan surveillance aircraft multispectral data in urban area.
Geoplanning: Journal of Geomatics and Planning, 3(2), 93-106.
Setiawan, Y., Prasetyo, L. B., Pawitan, H., Liyantono, L., Syartinilia, S., Wijayanto, A. K., ...
& Hakim, P. R. (2018). Pemanfaatan Fusi Data Satelit Lapan-a3/Ipb Dan Landsat
8 Untuk Monitoring Lahan Sawah. Jurnal Pengelolaan Sumberdaya Alam dan
Lingkungan (Journal of Natural Resources and Environmental Management), 8(1),
67-76.
Shafi U, Mumtaz R, Iqbal N, Zidi SMH, Zidi SAR, Hussian I, Mahmood Z. A Multi-Modal
Approach for Crop Health Mapping Using Low Altitude Remote Sensing, Internet
of Things (IoT) and Machine Learning. IEEE Access 2020; 8: 112708-112724
Stathakis, D., and Kanellopoulus, I. (2008). Global Elevation Ancillary Data for Land-use
Classification Using Granular Neural Networks. Photogrammetric Engineering &
Remote Sensing, 74 (1), 1-9.
. id
Suo, Z., Lu, Y., Liu, J., Ding, J., Yin, D., Xu, F., & Jiao, J. (2021). Ultraviolet remote sensing
go
of marine oil spills: A new approach of Haiyang-1C satellite. Optics Express, 29(9),
13486-13495.
p s.
Sutanto. (1992). Penginderaan Jauh Jilid I. Gadjah Mada University Press, Yogyakarta.
.b
w
Triharjanto, R. H., Widipaminto, A., Penerbangan, L., Nasional, A., Widipaminto, A.,
w
Penerbangan, L., & Nasional, A. (2007). Video camera system on LAPAN-TUBSAT

//w
micro-satellite. In Proceeding of Asian Space Conference (pp. 1-5).

s:
UGM. 2017. Pemanfaatan Citra Pengindraan Jauh Sebagai Informasi Permukaan Bumi.
tp
Ilmu Geologi dan Mitigasi Bencana Alam.

ht
ULM. 2019. Dasar Dasar Teknologi SAR.

Wang, M., Fan, C., Pan, J., Jin, S., & Chang, X. (2017). Image jitter detection and compensation
using a high-frequency angular displacement method for Yaogan-26 remote
sensing satellite. ISPRS Journal of Photogrammetry and Remote Sensing, 130, 32-43.
Wang, S., Yang, B., Zhou, Y., Wang, F., Zhang, R., & Zhao, Q. (2018). Three-dimensional
information extraction from GaoFen-1 satellite images for landslide monitoring.
Geomorphology, 309, 77-85.
Wei, J. H., Liao, J. F., Zhou, L., Luo, J. B., Wang, X. D., & Kuang, D. B. (2021). Indium-
antimony-halide single crystals for high-efficiency white-light emission and anti-
counterfeiting. Science Advances, 7(34), eabg3989.
Wu, M., Liao, J., Yu, L., Lv, R., Li, P., Sun, W., ... & Ma, J. (2020). 2020 Roadmap on carbon
materials for energy storage and conversion. Chemistry–An Asian Journal, 15(7),
995-1013.
Xiao, X., Boles, s., Frolking, S., Li, C., Babu, J.Y., Salas, W., and Moore, B. (2006). Mapping
Paddy Rice Agriculture in South and Southeast Asia using Multi-temporal MODIS
Images. Remote Sensing of Environment, 100, 95 – 113.
Xie, Y., & Weng, Q. (2016). World energy consumption pattern as revealed by DMSP-OLS
nighttime light imagery. GIScience & Remote Sensing, 53(2), 265-282.
. id
go
p s.
.b
w
w
//w
s:
tp
ht
ht
tp
s:
//w
w
w
.b
ps
.go
.id

Citra Satelit Resolusi Tinggi (CSRT)

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Citra Satelit Resolusi Tinggi (CSRT)

Diunggah oleh

Hak Cipta:

Format Tersedia

ht

Ukuran Buku: 17,6 cm x 25 cm

Direktorat Analisis dan Pengembangan Statistik

Dilarang mengumumkan, mendistribusikan, mengomunikasikan, dan/atau

BPS - Direktorat Analisis dan Pengembagan Statistik

Nensi Fitria Deli

Satria Bagus Panuntun

Farhan Anshari Arsyi

2.2.2 Karakter Sistem Sensor dalam Data Citra Satelit................17

2.2.3 Teknik Penginderaan Jauh............................................................20

2.3 Penyedia Data Citra Satelit............................................................................21

2.3.1 Amerika Serikat.................................................................................22

2.3.3 Uni Eropa..............................................................................................51

4.4.2 Kliping Gambar Citra Siang........................................................105

4.4.3 Kliping gambar citra malam......................................................110

BAB 5 VISUALISASI HASIL ANALISIS CITRA SATELIT........................................ 115

5.1 Pendahuluan dan Arsitektur..................................................................... 116

5.2 ArcGIS.................................................................................................................. 117

5.3 Apache Superset............................................................................................. 119

5.4 Langkah Pembuatan Dashboard.............................................................. 120

(Terra MODIS). Sumber: Kushardono dkk. (2016)................................... 19

Sumber: UNAVCO (2019)................................................................................. 20

bisa dilihat perbedaannya dalam hitungan jam.................................... 40

Gambar 2.29. Citra satelit IKONOS suasana di suatu jalan di Jakarta......................... 44

sebelum terjadi tsunami 2004....................................................................... 45

Gambar 3.5. Tampilan Halaman Web Landviewer............................................................. 72

Gambar 3.6. Tampilan Halaman Web Copernicus Open Access Hub......................... 73

Gambar 5.9. Tampilan Apache Superset Membuat Koneksi ke Database..............122

Gambar 5.10. Tampilan Apache Superset Ketika sudah berhasil Koneksi ke

Gambar 5.11. Tampilan Apache Superset Untuk Penambahan Data.......................123

Gambar 5.12. Tampilan Apache Superset Untuk Kostum Chart.................................124

Gambar 5.13. Tampilan Apache Superset Untuk Kostumisasi Dashboard.............124

Gambar 6.1. Pemanfaatan Penginderaan jauh secara umum.....................................128

Tabel 2.1 Landsat 1–3 Multispectral Scanner (MSS)......................................................... 24

Tabel 2.11. Karakteristik satelit NOAA/AVHRR..................................................................... 42

Tabel 2.12. Karakteristik satelit IKONOS................................................................................ 43

Tabel 2.13. Karakteristik satelit QUICKBIRD.......................................................................... 44

Tabel 2.14 Karakteristik satelit SPOT-5................................................................................... 45

Tabel 2.15 Kanal SPOT 5.............................................................................................................. 46

Tabel 2.16 Kanal SPOT 6.............................................................................................................. 47

Tabel 2.17 Kanal pada citra Pleiades....................................................................................... 48

1.1 Latar Belakang

Badan Pusat Statistik (BPS) sebagai lembaga penyedia statistik resmi di

Indonesia diharapkan terus mampu meningkatkan kinerjanya untuk menghasilkan

Buku Teknik Pengumpulan Data dan Preprocessing Citra Satelit dapat

pembaca lainnya untuk meningkatkan pengetahuan terkait proses pengambilan

1.3 Skema Penulisan

Bab 5 menjelaskan bagaimana memvisualisasikan hasil analisis data citra

sekaligus menjadi fasilitas yang memberi kemudahan bagi stakeholder atau

pimpinan untuk melihat hasil analisis citra satelit

Bab 6 membahas beberapa peluang dan tantangan dalam pemanfaatan data

citra satelit untuk mendukung dan menghasilkan data statistik di Indonesia.

1.4 Ucapan Terimakasih

PENGIDERAAN JAUH DAN

2.1 Konsep dan Definisi Citra Satelit dan Penginderaan Jauh

diperoleh dengan menangkap gelombang yang dipantulkan maupun dihasilkan

dianalisa, dan diaplikasikan menjadi informasi tertentu.

Berbagai aplikasi tersebut tergantung pada resolusi data penginderaan jauh

2.2 Data Citra Satelit

Selain resolusi spasial dan resolusi temporal, data penginderaan jauh

termal), sensor pasif memancarkan sendiri energinya yang kemudian

4. Sistem orbit; terdapat beberapa sistem orbit yang dikenal di

(geostationer). Orbit polar adalah suatu lintasan satelit dari kutub ke

yang sejajar dengan garis equator. Orbit geostationer adalah berorbit