analisis kanal-kanal landsat 8 operational land …

JURNAL GEOLOGI KELAUTAN Volume 18, No. 1, Juni 2020

11

ANALISIS KANAL-KANAL LANDSAT 8 OPERATIONAL LAND IMAGER (OLI) UNTUK PEMETAAN BATIMETRI DI SEKITAR PULAU PUTRI, KOTA BATAM

ANALYSIS OF THE LANDSAT 8 OPERATIONAL LAND IMAGER (OLI) BANDS FOR BATHYMETRIC MAPPING IN THE SEA AROUND OF PUTRI ISLAND, BATAM CITY

Nineu Yayu Gerhaneu1 dan Tri Muji Susantoro2

1Pusat Penelitian dan Pengembangan Geologi Kelautan, Badan Litbang ESDM, Jl Dr. Junjunan No.236 Bandung, Indonesia,E-mail : [email protected]

2Pusat Penelitian dan Pengembangan Teknologi Minyak dan Gas Bumi, Badan Litbang ESDM Jl. Ciledug Raya Kav. 109, Cipulir, Kebayoran Baru, Jakarta Selatan, 12230. E-mail : [email protected]

Diterima : 17-01-2020, Disetujui : 14-04-2020

ABSTRAK

Batimetri mempunyai peran penting dalam perencanaan wilayah pesisir sehingga pemetaan batimetri dangkalsangat diperlukan. Penginderaan jauh merupakan salah satu metode yang efisien, mudah dan murah untuk pemetaantersebut. Penelitian ini bertujuan untuk menganalisis kanal-kanal terbaik pada Landsat 8 OLI untuk memetakanbatimetri dan kedalaman optimum yang dapat dipetakan sehingga dapat digunakan sebagai rujukan dalammemanfaatkan data penginderaan jauh untuk pemetaan tersebut. Lokasi kajian dilakukan di pulau Putri, Kota Batam,Provinsi Kepulauan Riau. Analisis regresi linear menunjukkan kanal tunggal terbaik untuk pemetaan batimetri adalahkanal hijau (kanal 3), diikuti oleh kanal merah (kanal 4) dan kanal inframerah dekat (kanal 5). Namun pemetaanbatimetri dengan kombinasi kanal menghasilkan koefisien determinasi yang lebih baik. Analisis best subsetmenunjukkan pemetaan batimetri pada kedalaman 0 – 20 m menggunakan kanal 2, 3, 5, dan 6 dengan koefisien

determinasi (R2) 85,4%; kedalaman 0 – 25 m menggunakan kanal 1, 3, 5, 6, dan 7 dengan R2 75%; dan pemetaan

kedalaman 0 – 50 m menggunakan kanal 1, 3, dan 4 dengan R2 49,1%. Hasil pemetaan batimetri menggunakanLandsat 8 OLI secara umum lebih efektif dan mempunyai akurasi tinggi pada kedalaman 0 – 20 m dan semakinberkurang kemampuannya pada kondisi perairan yang semakin dalam.

Kata kunci: Batimetri, Landsat 8 OLI, kanal, algoritma.

ABSTRACT

Bathymetry has an important role in planning coastal areas so that mapping of shallow bathymetry is needed.Remote sensing is one of the efficient, easy and inexpensive methods for mapping. This study aims to analyze the bestchannels in Landsat 8 OLI for mapping bathymetry and optimum depth that can be mapped so that it can be used as areference in utilizing remote sensing data for mapping. The location of the study was conducted on the Putri island,Batam City, Riau Islands Province. Linear regression analysis shows the best single channel for bathymetry mapping isthe green channel (channel 3), followed by the red channel (channel 4) and the near infrared channel (channel 5). Butbathymetry mapping with channel combinations produces a better coefficient of determination. Best subset analysisshows bathymetry mapping at depths of 0-20 m using channels 2, 3, 5, and 6 with a coefficient of determination (R2) of85.4%; depth of 0 - 25 m using channels 1, 3, 5, 6, and 7 with R2 75%; and mapping depth 0 - 50 m using channels1, 3, and 4 with R2 49.1%. The results of bathymetry mapping using Landsat 8 OLI are generally more effective andhave a high accuracy at a depth of 0-20 m and are increasingly reduced in conditions of deeper water conditions.

Keywords: Bathymetry, Landsat 8 OLI, Band, Algorithm

JURNAL GEOLOGI KELAUTANVolume 18, No. 1, Juni 2020

12

PENDAHULUAN Data batimetri mempunyai peranan penting untuk

menghasilkan chart navigasi, profil dasar laut, erosipantai, kenaikan muka air laut dan lainnya (Jagalingamdkk., 2015). Batimetri (kedalaman perairan) padaawalnya dipetakan menggunakan echosounding melaluikapal. Pemetaan tersebut mampu menghasilkan datayang akurat di titik pengukuran atau di sepanjang jalursurvei. Namun biaya yang dibutuhkan tinggi dan tidakefisien, serta sulit untuk dilakukan pada perairandangkal (Gao, 2009; Yunus dkk., 2019). Padaperkembangannya, pemetaan batimetri dapat dilakukanmenggunakan penginderaan jauh. Teknologi ini pertamakali diusulkan pada pertengahan tahun 1960an dandiujicobakan dengan wahana airborne tahun 1968.Perkembangan selanjutnya menggunakan MultispectralScanner sistem pasif (MSS) dan sistem lidar (Lyzenga,1985). Teori pemetaan batimetri tersebut telahdikembangkan Lyzenga tahun 1978 dan tahun 1981 dandilanjutkan oleh Philpot tahun 1989 dan Maritorenadkk. tahun 1994 dengan metode pemetaan yangdigunakan diantaranya transformasi linier dantransformasi ratio (Stumpf dkk., 2003).

Pemetaan batimetri dengan penginderaanjauh pada prinsipnya merupakan jumlah totalenergi radiasi yang dipantulkan oleh kolom airsebagai fungsi dari kedalaman air. Spektrum birudan hijau diindikasikan mempunyai penetrasi yangkuat untuk memetakan batimetri (Gao, 2009).Landsat 8 merupakan salah satu data penginderaanjauh yang mempunyai spektrum tersebut dandapat dimanfaatkan untuk pemetaan batimetri.Landsat 8 dikenal sebagai generasi penerusLandsat 7 yang dikembangkan oleh the NationalAeronautics and Space Administration (NASA) danUnited States Geological Survey (USGS) (Ironsdkk., 2012). Landsat 8 mempunyai 11 kanal yangdibedakan menjadi kanal Operational Land Imager(OLI) yaitu kanal 1 – 9 dan kanal Thermal InfraredSensors (TIRS), yaitu kanal 10 -11 (Tabel 1).

Kemampuan data penginderaan jauh untukmemetakan batimetri hanya dapat dilakukan padaperairan dangkal. Diperkirakan panjang gelombangbiru dapat memetakan dasar laut pada kedalaman30 m, panjang gelombang hijau pada kedalaman 15meter, inframerah dekat pada kedalaman 0,5 m danpanjang gelombang inframerah diserap oleh air(Green dkk., 1996). Namun demikian padapemetaan batimetri juga ditentukan olehalgoritmanya (Stumpf dkk., 2003). Hal lain yangberpengaruh dalam pemetaan tersebut adalahkekeruhan, adanya gelombang pecah yangmengakibatkan akurasi cenderung menurun. Biaspada pemetaan air dangkal 0 – 12 m rata-rata 0,2 m(Pacheco dkk., 2015).

Berdasarkan hal tersebut maka dilakukananalisis kanal-kanal Landsat 8 OLI untukmemetakan batimetri pada berbagai kedalaman.Analisis tersebut dilakukan secara statistikmenggunakan koefisien determinasi yangdihasilkan dari regresi linier pada masing-masingkanal dan regresi linier berganda untukmenentukan kombinasi kanal terbaik untukmemetakan batimetri dan kedalaman optimal yangdapat dipetakan. Penelitian ini bertujuan untukmenganalisis kanal-kanal terbaik pada Landsat 8OLI untuk memetakan batimetri dan kedalamanoptimum yang dapat dipetakan sehingga dapatdigunakan sebagai rujukan dalam memanfaatkandata penginderaan jauh untuk pemetaan tersebut.Lokasi kajian dilakukan di pulau Putri, KotaBatam, Provinsi Kepulauan Riau.

METODE

Lokasi dan waktu penelitianLokasi pengambilan titik sampel batimetri

dilakukan di sekitar perairan Pulau Putri, KotaBatam ke arah pulau Batam dan selat Malaka

��

'� -��' �� /0 ) ��//1 0�

�� -�� 2�� /1 ) ��1' 0�

0� -��0 3�� 10 ) ��1� 0�

/� -��/ 4�� 5/ ) ��5" 0�

1� -��1 &��#&+� ��!1 ) ��!! 0�

5� -��5 �� !�� 6&+�'� '�1" ) '�51 0�

"� -��" �� !�� 6&+�� '' ) �� 0�

!� -��! 7�� 1� ) ��5! '1

�� -�� '�05 ) '�0! 0�

'�� -��'� �� *&+��' '��5� ) ''�'� '��

''� -��'' �� *&+�� ''�1� ) '��1' '��

��"� # $��%%&'�()*+,&

Tabel 1. Kanal-kanal pada Landsat 8 OLI/TIRS dan panjang gelombangnya.


13

(Gambar 1). Pulau tersebut merupakan salah satupulau terluar di Indonesia yang terletak di ProvinsiKepulauan Riau dan telah mengalami abrasisehingga berkurang luasnya (Geurhaneu danSusantoro, 2016). Survei batimetri dilakukan pada38 titik dengan 30 titik digunakan untuk analisiskanal-kanal Landsat 8 OLI dan 8 titik untukvalidasi. Pengukuran batimetri dilakukan daritanggal 14 – 28 Mei 2014. Data Landsat 8 OLIyang digunakan berasal dari http://earthexplorer.usgs.gov yang direkam pada tanggal13 Mei 2014. Pada penelitian ini terdapat asumsidimana pasang surut dan perbedaan perekaman

Landsat 8 OLI dianggap tidak berpengaruhsignifikan terhadap kedalaman laut (batimetri).

Metode pengukuran batimetriMetode yang digunakan untuk pengukuran

batimetri adalah pemeruman menggunakansinglebeam echosounder yang terhubung denganGarmin GPSmap 2018 (Gambar 2) yangdilaksanakan pada tanggal 13-28 Mei 2014.Perekaman data kedalaman dilakukan secara grafismelalui alat perekam yang sudah terintegrasi.Tranduser yang berfungsi ganda sebagai sourcemaupun receiver dipasang di lambung kiri kapal,

Gambar 1. Lokasi penelitian dan titik pengukuran batimetri yang ditumpang susun dengan Landsat 8 OLIperekaman tanggal 13 Mei 2014.

� �

Gambar 2. Sketsa cara pengukuran batimetri (a) dan alat perekamannya (b).


14

pada kedalaman 2 (dua) meter dari permukaanlaut. Perekaman secara digital juga dilakukan padasoftware navigasi bersamaan dengan data posisinyauntuk meningkatkan akurasi. Hasil data kedalamanselanjutnya dilakukan koreksi terhadap datapasang surut yang diukur bersamaan pada saatpengukuran batimetri. Koreksi tersebut dilakukanmenggunakan titik acuan yang ditetapkan dalamhal ini dengan menggunakan mean sea level (MSL).

Pengolahan Landsat 8 OLI dan analisis kanal-kanalnya

Pengolahan data Landsat 8 OLI dilakukansesuai prosedur pengolahan data penginderaanjauh untuk aplikasi sumber daya alam seperti yangdicontohkan oleh (Susantoro dkk., 2018) yangmeliputi kalibrasi radiometrik dan koreksiatmosferik menggunakan metode the Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes(FLAASH). Langkah-langkah yang dilakukanmeliputi konversi nilai digital tiap kanal ke nilaipantulan di atmosfer dan selanjutnya mengubahnilai pantulan tersebut sesuai dengan pantulan dipermukaan bumi. Koreksi geometrik tidakdilakukan karena Landsat tersebut sudahterkoreksi secara sistematik sehingga posisinyaselaras dengan kondisi di permukaan bumi sesuaidengan resolusi spasialnya (Li dkk., 2014).

Langkah selanjutnya untuk analisis kanal-kanal pada Landsat 8 OLI dilakukan dengantahapan: (1) mengidentifikasi nilai digital setiapkanal Landsat 8 OLI pada masing-masing titiksurvei batimetri. Nilai digital data Landsat 8 OLIberkisar antara 0 – 1 (nilai 0 menunjukkan panjanggelombang diteruskan secara sempurna sehinggatidak ada pantulan, sedangkan 1 menunjukkanpanjang gelombang dipantulkan secara sempurna);(2) melakukan analisis regresi linear untukmenentukan nilai koefisien determinasi (R2) padamasing-masing kanal; (3) melakukan analisisregresi linear berganda menggunakan metode bestsubset regresion untuk menentukan kombinasikanal terbaik pada masing-masing variabel; (4)pembuatan algoritma pemetaan batimetriberdasarkan R2, R2 (adjusted) dan Standar deviasi(S); (5) mengaplikasikan algoritma tersebut untukmemetakan batimetri menggunakan Landsat 8OLI; (6) validasi hasil pemetaan batimetri padabeberapa titik sampel; dan (7) melakukan analisishasil pemetaan batimetri.

Pada penelitian ini analisis kanal-kanalLandsat 8 OLI untuk pemetaan batimetridilakukan pada 3 variasi kedalaman, yaitu (1)kedalaman 0 - 20 m, (2) kedalaman 0 - 25 m, dan

(3) kedalaman 0 – 50 m. Pemilihan variasikedalaman dilakukan berdasarkan prinsipkemampuan panjang gelombang yang berbedadalam menembus air. Panjang gelombang merahpantulannya semakin berkurang dengan cepat didalam air, panjang gelombang biru dapatmenembus lebih jauh dengan syarat air jernihsampai dasar laut. Kemampuan penetrasi tersebuttergantung dari kekeruhan air, partikel sedimentersuspensi, fitoplankton dan senyawa organikterlarut (Green dkk., 1996). Hal ini dilakukansesuai dengan tujuan penelitian untukmenghasilkan persamaan linear terbaik untukmemetakan batimetri dan juga kedalamanoptimum yang dapat dipetakan dengan Landsat 8OLI. Selanjutnya adalah menghitung Root MeanSquared Error (RMSE) untuk mengkaji hasilalgoritma yang digunakan dengan titik validasiyang ada. RMSE dirumuskan sebagai berikut:

HASIL DAN PEMBAHASAN

Pengukuran Batimetri Kondisi cuaca selama pengukuran batimetri

secara umum cerah dan panas, kecuali pengukuranpada titik sampel no 1 di selatan pulau Putri yangdilakukan pada saat gerimis. Suhu udara pada saatpengukuran berkisar antara 28 – 32,9ºC.Pengukuran pH air laut pada saat pengukuranbatimetri berkisar antara 7,94 – 8, 68. Lokasipenelitian mempunyai tipa pasang surut campurancondong ke harian ganda dan mempunyaikecepatan arus sekitar 0,76 – 1,2 m.detik yangcenderung dipengaruhi oleh pasang surut(Geurhaneu dan Susantoro, 2016).

Hasil pengukuran batimetri pada 38 titiksurvei berkisar pada kedalaman antara 0,5 – 50meter (Tabel 2). Hasil pengukuran tersebutdibedakan menjadi 3 kedalaman untukmenganalisis kedalaman optimal yang dapatdipetakan menggunakan Landsat 8 OLI, yaitu (1)kedalaman 0 – 20 meter dengan 17 titik batimetri,(2) kedalaman 0 – 25 meter dengan 19 titikbatimetri termasuk didalamnya titik 0 -20 meter,dan (3) kedalaman 0 – 50 meter dengan 30 titikbatimetri, termasuk didalamnya titik 0 – 20 meterdan titik 0 – 25 meter, serta 8 titik sampel untukvalidasi hasil pemetaan dari Landsat 8 OLI.Pemilihan variasi kedalaman ini dilakukanberdasarkan kemampuan deteksi umum metode


15

��

��

��

��

� �� !��" �" �� "� "#�$ % & �

" �� '$!� �" � !$ �! ' �� % " �

' �� !$$� �" #�"! �" ' �� % " �

� (�� !$�" �"�"&'� '" ' �& % & �

& (�� "�# �"�"!� �� ' �$ % & �

$ (�� !! �" �"�"!"� '� ' �$ % & �

! (�� !' �� " #"'' �! ' �! % & �

� (�� $�&& �"�"!# '� '��# % & �

# (�� &#��& �" #'!# �& '�� % & �

� (�� &$$ � �"�"��' �� '��' % & �

�� (�� &$"!� �" ��"� �" '��& % & �

�" (�� $"#$$ �" �! '� '��$ % & �

�' (�� $ ! & �" �& "& '�� %"&�

�� (�� &$!�" ��#$"'� �& ' �! % " �

�& (�� &$�&$ ��#"� �" ' �$ % " �

�$ (�� &$'�$ ��! $� # ' �� % " �

�! (�� $ "�� &�!! � ' �$ % " �

�� (�� $&�'& ��&#�� ' ' �& % " �

�# (�� $$"!' ��#"�$! �$ ' �$ % " �

" (�� $ $�" ��#" #! �� ' �! % " �

"� (�� $� �# ��#$�&# �$ ' �� % " �

"" (�� !$'!� ��#$��& "� ' �& % "&�

"' �� !&"#& �" &#�� '��" % " �

"� (�� $##$' �" �'�' ' '"�# % & �

"& (�� !""&" ��##!!� �� '�� % " �

"$ (�� !#&' �" �$�! �" '"�# % " �

"! (�� '&&$ �" �� ' '"�' % " �

"� (�� !'" ��#$"$! �$ '"�" % " �

"# (�� !! ! �" �&' )& "� % & �

' (�� !!�! �" '&� )& "� % & �

��

� (�� $�!� �"�"&� & '�

" (�� $&�& �" #'' '' '"�'

' (�� &'� �" '"'� �� '"�!

� (�� !'��& �" ' &! � '"�#

& (�� $&��$ ��##�#� �# '��&

$ (�� $"�# ��#$ "� �' ' �&

! (�� ! '�� #"�� " ' �#

� (�� !&�"� ��#�#$# � '"�#

Tabel 2. Hasil pengukuran batimetri pada 30 titik survei dan 8 titik untuk validasi.


16

pencitraan yang biasanya dibatasi hingga 20 m.Meskipun metode Light Detection and Ranging(LiDAR) mampu menghasilkan informasi batimetriyang akurat sampai kedalaman 70 m (Gao, 2009).Faktor lain yang menjadi pertimbangan adalahjumlah data dan kedalaman hasil survei batimetriyang telah diperoleh. Titik batimetri yangdigunakan pada kajian ini 8 titik yang tersebar daritepi pantai ke arah laut lepas (Gambar 1). Hasilpengukuran menunjukkan lokasi terdalam beradadi utara pulau Putri ke arah laut lepas. Padawilayah laut antara pulau Putri dan pulau Batamperairan terdalam di selatan pulau Putri, yaitu28m.

Analisis Regresi pada Kanal-Kanal Landsat 8 OLI

Analisis regresi pada kanal tunggalmenunjukkan bahwa kanal hijau merupakan kanalterbaik untuk pemetaan batimetri dengan R2 =60,4% pada kedalaman 0 – 20m, R2 = 40,3% padakedalaman 0 – 25m dan R2 = 15,2% padakedalaman 0 – 50m. Hasil ini sesuai denganpendapat Lee dkk. (2011) dan Hakim dkk. (2018)yang menjelaskan bahwa kanal hijau (kanal 3)paling efektif untuk memetakan batimetri.Kemudian berturut-turut adalah kanal merah(kanal 4) dan kanal inframerah dekat (kanal 5).Adapun kanal biru kurang efektif dan mempunyaiR2 yang lebih rendah dibandingkan kanal hijau,kanal merah dan kanal inframerah dekat (Hakimdkk., 2018; Lee dkk., 2011). Namun berdasarkananalisis best subset menunjukkan bahwa pemetaanbatimetri menggunakan kanal tunggal kurangefektif dibandingkan dengan kombinasi antarkanal. Maka pada penelitian ini optimalisasimelalui kombinasi kanal dilakukan untukmenghasilkan koefisien determinasi yang lebihbaik sehingga diharapkan dapat memetakanbatimetri dengan akurasi yang lebih baik.

Hasil analisis korelasi antara batimetri dengankombinasi kanal pada Landsat 8 OLI yangdibedakan berdasarkan kedalaman 0 – 20m, 0 –25m, dan 0 – 50m dapat dilihat pada Tabel 3, Tabel4 dan Tabel 5. Pada kanal tunggal berdasarkan hasilanalisis menunjukkan bahwa kanal terbaik untukpemetaan batimetri adalah kanal hijau. Koefisiendeterminasi (R2) kanal hijau pada kedalaman 0 –50m adalah 15,2%; kedalaman 0 – 25m adalah 40,3;dan kedalaman 0 – 20m adalah 60,4. Optimalisasidengan kombinasi antar kanal perlu dilakukanuntuk meningkatkan akurasi pemetaan batimetri.Hasil optimalisasi berdasarkan kombinasi berbagai

kanal untuk pemetaan batimetri pada kedalaman 0– 20m diperoleh kanal terbaik, yaitu 2, 3, 5, dan 6dengan koefisien determinasi (R2) 85,4%. Padakedalaman 0 – 25m dengan kanal yang terbaikuntuk pemetaan batimetri adalah kanal 1, 3, 5, 6,dan 7 dengan R2 75%. Pada kedalaman 0 – 50 mdengan kanal yang terbaik untuk pemetaanbatimetri adalah kanal 1, 3, dan 4 dengan R2 49,1%.Algoritma yang dihasilkan adalah sebagai berikut:

Y1 (m) = 7,70 + 614 B2 - 541,0 B3 - 406 B5 + 520 B6.................... (2)Y2 (m)= (-4,16) + 793 B1 - 512,9 B3 - 569 B5 - 3836 B6 + 5450 B7(3)Y3 (m)= 48,1 + 682 B1 - 3003 B3 + 3260 B4................................... (4)

dimana: Y1 = kedalaman 0 – 20m, Y2 = kedalaman 0 – 25m,

Y3 = kedalaman 0 – 50m, B1 = kanal 1, B2 = kanal 2, B3 = kanal 3, B4 = kanal 4, B5 = kanal 5, B6 = kanal 6, dan B7 = kanal 7.

Analisis pada Tabel 3, Tabel 4, dan Tabel 5menunjukkan nilai R2 tertinggi tidak digunakanuntuk model/algoritma pemetaan batimetri. nilaiR2 tertinggi tersebut merupakan bias akibatpenambahan variabel bebas yang mengganggumodel/algoritma dari kombinasi kanal tersebut(Kuiper dan College, 2008). Dijelaskan bahwaanalisis pemilihan algoritma terbaik harusdilakukan juga dengan menganalisis nilai R2 (adj)sebagai faktor untuk mengkoreksi bias dan standardeviasi (S) yang berhubungan dengan kesalahanmodel. Kombinasi kanal terbaik untukmenghasilkan model/algoritma dipilih harusberdasarkan berdasarkan nilai R2 yang tinggi, R2

(adj) tertinggi dan standar deviasi (S) terendah(Aranda dkk., 2012).

Pemetaan batimetriPemetaan batimetri telah dilakukan

berdasarkan algoritma 2, 3, dan 4 yangdiaplikasikan pada Landsat 8 OLI. Pada algoritma 2menunjukkan ketelitian yang baik pada lokasi-lokasi dengan kedalaman 0 – 20m, tetapi tidakmengakomodir pada kedalaman dengan nilai di luarkisaran tersebut. Hal ini sesuai dengan penjelasanLegleiter dan Harrison (2019) dimana algoritmayang dibuat tidak memungkinkan untukekstrapolasi di luaran kisaran titik batimetri yangdigunakan sebagai model. Analisis selanjutnyamenunjukkan bahwa dengan bertambahnyakedalaman maka ketelitian semakin rendah, yaitu


17

��

��

� ��

��

��

��

��.��

' � 0 / 1 5 "

' ' ��' �� '/�0/� �

� ' ��/' � '/�0'� �

0 ' '1�� '��' '0��'" �

/ ' !�' /�! '0�"1! �

1 ' 5�' ��! '0��/ �

5 ' ��/! �� '0�0'/ �

" ' ��' �� '/�00! �

! � 0��! 01�0 ''�00" � �

� � 0"�' 0��/ ''�1��

'� 0 /��' /0�� '��5�/ � � �

'' 0 /1�/ 0��' '��

'� / /��5 /'�1 '��"!' � � � �

'0 / /��' /'�� '��!0� � � � �

'/ 1 /��! 0��/ '��"5 � � � � �

'1 1 /��! 0��0 '��!' � � � � �

'5 5 /�� 05�! ''��1 � � � � � �

'" 5 /�� 05�! ''��

'! " /�� 0/�� ''�/15 � � � � � � �

"� ��

��

� ��

��

��

��

��.��

' � 0 / 1 5 "

' ' ��5! � 5�'10!" �

� ' ��/1 /�'� 1��01!5 �

0 ' /��0 05�! /�!'�! �

/ ' 0"�0 00�5 /��/�0 �

1 ' '�1! � 5�'!!/1 �

5 ' '�1/ � 5�'!�"1 �

" ' ��'! � 5��0�00 �

! � 50�1 1!�� 0�!!5" � �

� � 5��' 1"�/ 0��1"5 � �

'� 0 5/�' 15�� 0��"�' � � �

'' 0 5/ 15�� 0��!'! � � �

'� / "�� 51�' 0�1"�5 � � � �

'0 / "��1 5� 0�"01! � � � �

'/ 1 "1 51�/ 0�1511 � � � � �

'1 1 "0�5 50�/ 0�55!' � � � � �

'5 5 "1�' 5��5 0�"�5' � � � � � �

'" 5 "1 5��1 0�"'�' � � � � � �

'! " "1�' 1�� 0�!"�/ � � � � � � �

Tabel 4. Koefisien determinasi hasil analisis regresi pada kedalaman 0 – 25 meter

Tabel 3. Koefisien determinasi hasil analisis regresi pada kedalaman 0 – 50 meter.


18

berdasarkan algoritma 3 dan 4. Kondisi inidipengaruhi oleh sifat air yang apabila semakindalam maka akan menyerap semua panjanggelombang dan semakin sedikit yang dipantulkan(Bakker dkk., 2004).

Pada algoritma 2 error terjadi pada lokasidengan kedalaman lebih dari 20 meter danalgoritma 3 error terjadi pada lokasi lebih dari 25meter. Adapun pada algoritma 4 error terjadi padaperairan yang dangkal dan di wilayah pantai.Berdasarkan permasalahan tersebut makadilakukan tumpangsusun (overlay) untukmenghasilkan peta batimetri Hal ini dilakukandengan membagi kedalaman perairan sesuaidengan kisaran algoritma yang ada sesuai dengantitik batimetri hasil pengukuran. Overlay danmosaik dilakukan untuk mendapatkan petabatimetri yang lebih merepresentasikankedalaman sebenarnya berdasarkan hasilpengukuran. Peta kedalaman berdasarkan hasilalgoritma dapat dilihat pada Gambar 3 dan Gambar4.

Analisis bias hasil pemetaan batimetridilakukan dengan menggunakan Root Mean SquareError (RMSE). Analisis RMSE dilakukan padaalgoritma 2, 3, dan 4 dengan referensi 8 titik

kedalaman yang diperoleh dari hasil pengukuranlapangan untuk menganalisis error pada algoritmatersebut (Tabel 2). Keakuratan algoritmaditentukan oleh adanya RMSE yang kecil,sehingga semakin kecil RMSE berarti algoritmatersebut semakin baik (Widayati, 2009). Hasilanalisis menunjukkan bahwa algoritma 2mempunyai RMSE terendah, yaitu 2,86 danalgoritma 4 mempunyai RMSE tertinggi, yaitu14,50 untuk pemetaan seluruh lokasi kajian yangmempunyai kedalaman 0 – 50m. Algoritma emempunyai RMSE yang masih tinggi, yaitu 14,33.Hal yang perlu menjadi perhatian adalah algoritmayang dihasilkan berdasarkan data lapangan tidakdapat mengakomodir nilai-nilai kedalaman diluarsampel yang dijadikan referensi tersebut(Legleiter dan Harrison, 2019). Hasil overlay petayang dilakukan untuk mengurangi bias denganmozaik hasil ketiga algoritma (2, 3, & 4)mempunyai RMSE 7,70. Kondisi batimetri yangdihasilkan secara umum lebih baik pada seluruhlokasi kajian. Perhitungan RMSE secara lengkapdapat dilihat pada Tabel 6.

RMSE berdasarkan hasil validasi padamasing-masing algoritma yang sesuai kisarankedalamannya menunjukkan algoritma 2 lebih baik

� ��

� !

�� "!

� !

#��

��$��

�#!

��%��

& � ' ( � ) *

& & +,�& ',(- (,)+(- .

� & &+,)+ &(,'( (,(�'� .

' & )�,( �*,- ',&��+ .

( & �),- �',+ ',�((+ .

� & �,�( �,�� (,-*++ .

) & �,&+ �,�� (,+'�* .

* & �,(� �,�� (,+�(' .

- � -&,) *+ �,&-+� . .

+ � -&,& *-,( �,��'( . .

&� ' -',* *+,+ �,&(�) . . .

&& ' -',' *+,� �,&)�� . . .

&� ( -�,( -�,) �,&�)� . . . .

&' ( -(,- *+,* �,&�(- . . . .

&( � -) *+,) �,&�)� . . . . .

&� � -) *+,) �,&�)+ . . . . .

&) ) -),+ *+ �,&+�' . . . . . .

&* ) -),' *-,& �,�'(+ . . . . . .

&- * -*,& **,& �,�-)& . . . . . . .

Tabel 5. Koefisien determinasi hasil analisis regresi pada kedalaman 0 –20 meter


19

��

� ��

��

Gambar 3. Peta batimetri hasil algoritma 2, 3, 4 pada lokasi kajian.


20

dibandingkan dengan algoritma 3 & 4. Kondisi inidapat menjelaskan bahwa penggunaan datapenginderaan jauh untuk pemetaan batimetri lebihoptimum pada perairan dangkal. Adapun semakindalam kondisi batimetri suatu perairan makakemampuan data penginderaan jauh semakinberkurang. Faktor resolusi penginderaan jauh jugamempengaruhi ketelitian dari pemetaan tersebut.Pada penelitian ini digunakan Landsat 8 OLIdengan resolusi 30 m. Dijelaskan oleh Jian dkk.,(2017) pemetaan batimetri mempunyai akurasiyang baik pada resolusi spasial 16 meter danberkurang pada resolusi yang lebih tinggi ( 2 – 8m) atau lebih rendah (32 m). Peluang terjadinyaperbedaan data batimetri pengukuran lapangan dandata hasil algoritma dapat dipengaruhi oleh pasangsurut.

KESIMPULAN DAN SARAN

KesimpulanHasil eksperimental menunjukkan pemetaan

batimetri menggunakan data Landsat 8 OLI lebihefektif dilakukan pada perairan dangkal yangkurang dari 20 meter. Meningkatnya kedalamanmenyebabkan terjadinya kesalahan hasil algoritmasemakin tinggi. Analisis koefisien determinasiberdasarkan regresi linear menunjukkan bahwapemetaan batimetri menggunakan kanal tunggalyang terbaik adalah menggunakan kanal hijaudengan koefisien determinasi 60,4%. Namundemikian kombinasi beberapa kanal dapatmeningkatkan akurasi dari pemetaan batimetritersebut. Pada kombinasi kanal biru, hijau daninframerah dekat 1 dan inframerah dekat 2

��

� ��

�� !� �� !� ��

' 1� ��

� 00 ��

0 '' ��

/ '� ��

1 '� ��

5 '0 ��

" '� ��

! '� ��

��

��

��

��

��

��"�#�$��"�"% ��&#��"�#�$

��$%'�'��$

�#�

�� # �� # ��# (��"�)

Gambar 4. Peta batimetri hasil overlay dan mozaik dari ketiga algoritma (2, 3, 4) tersebut.

Tabel 6. Perhitungan RMSE pada hasil algoritma dengan data validasi.


21

koefisien determinasi meningkat menjadi 85,4%pada kedalaman 0 – 20 m. Menurunnya akurasipemetaan batimetri pada kedalaman lebih dari 20meter dipengaruhi oleh sifat spektral pantulan air,dimana semakin dalam perairan maka cenderungmenyerap semua panjang gelombang sehinggamenyulitkan untuk pemetaan tersebut. Pembuatanalgoritma menggunakan regresi linear untukpemetaan batimetri sangat dipengaruhi olehjumlah data yang ada dan kisaran datanya.Batimetri yang melebihi kisaran data yangdigunakan untuk pembuatan algoritma denganregresi linear tidak dapat dipetakan denganalgoritma tersebut. Faktor lain yang dapatmempengaruhi akurasi adalah kekeruhan air,partikel-partikel sedimen tersuspensi,fitoplankton, senyawa organik terlarut, dan adanyagelombang pecah

Saran Pada pemetaan selanjutnya analisis

pembuatan algoritme dengan menggunakanmetode selain regresi linear perlu dilakukan untukdapat menentukan metode pemetaan batimetriyang terbaik pada pemetaan batimetri dangkal.Harapannya akurasi dapat meningkat sehinggaperanan data penginderaan jauh semakinberkembang baik untuk aplikasi di bidang kelautankhususnya pemetaan batimetri.

UCAPAN TERIMA KASIH

Terima kasih kami ucapkan kepada PusatPenelitian dan Pengembangan Geologi Kelautan,Badan Litbang ESDM yang telah memberikesempatan kepada kami untuk melaksanakanpenelitian di pulau terluar.

DAFTAR ACUAN

Aranda, A., Ferreira, G., Scarpellini, S., danSastresa, E. L. 2012. Multiple regressionmodels to predict the annual energyconsumption in the Spanish banking sector,Energy & Buildings, 49, 380–387. https://doi.org/10.1016/j.enbuild.2012.02.040

Bakker, W. H., Grabmaier, K. A., Huurneman, G.C., van der Meer, F. D., Prakash, A., Tempfli,K., Gieske, A. S. M., Hecker, C. A., Janssen,L. L. F., Parodi, G. N., Reeves, C. V, Weir, M.J. C., Gorte, ben G. H., Horn, J. A., Pohl, C.,van Ruitenbeek, F. J., dan Wolday, T. 2004.Principles of Remote Sensing, (N. Kerle, L. L.F. Janssen, dan G. C. Huurneman, Ed.),Enschede, The Netherlands, The

International Institute for Geo-InformationScience and Earth Observation (ITC), 3 ed.,250.

Gao, J. 2009. Bathymetric mapping by means ofremote sensing: methods, accuracy andlimitations, Progress in Physical Geography,33(1), 103–116. https://doi.org/10.1177/0309133309105657

Geurhaneu, N. Y., dan Susantoro, T. M. 2016.Coastline Changes of Putri Island-BatamCity Using Satellite Image Data Year 2000-2016, Journal of Marine Geology, 14(2),79–90. http://dx.doi.org/10.32693/jgk.14.2.2016.276

Green, E. P., Mumby, P. J., Edwards, A. J., danClark, C. D. 1996. A review of remotesensing for the assessment andmanagement of tropical coastal resources,Coastal Management, 24(1), 1–40. https://doi.org/10.1080/08920759609362279

Hakim, L., Lazuardi, W., Astuty, I. S., Hadi, A. Al,Hermayani, R., Noviandias, D., dan Dewi, A.C. 2018. Assessing WorldView-2 SatelliteImagery Accuracy for Bathymetry Mappingin Pahawang Island, Lampung, Indonesia,IOP Conf. Series: Earth and EnvironmentalSciences, Yogyakarta, Indonesia, IOPPublishing, 1–9. https://doi.org/10.1088/1755-1315/165/1/012027

Irons, J. R., Dwyer, J. L., dan Barsi, J. A. 2012. Thenext Landsat satellite: The Landsat DataContinuity Mission, Remote Sensing ofEnvironment, 122, 11–21. https://doi.org/10.1016/j.rse.2011.08.026

Jagalingam, P., Akshaya, B. J., dan Hegde, A. V.2015. Bathymetry Mapping Using Landsat 8Satellite Imagery, Procedia Engineering,Elsevier B.V., 116, 560–566. https://doi.org/10.1016/j.proeng.2015.08.326

Jian, L., Jie, Z., dan Yi, M. A. 2017. A spatialresolution effect analysis of remote sensingbathymetry, Acta Ocean. Sin, 36(7),102–109. https://doi.org/10.1007/s13131-017-1088-x

Kuiper, S., dan College, G. 2008. Introduction toMultiple Regression: How Much Is Your CarWorth, Journal of Statistic Education, 16(3),1–18. https://doi.org/10.1080/10691898.2008.11889579

Lee, K. R., Kim, A. M., Olsen, R. C., dan Kruse, F.A. 2011. Determination of bottom-type and


22

bathymetry using WorldView-2, SPIEProceedings Volume 8030, Ocean Sensing andMonitoring, Orlando, Florida, United States,SPIE Digital Library, 8030, 1–14. https://doi.org/10.1117/12.883578

Legleiter, C. J., dan Harrison, L. R. 2019. Remotesensing of river bathymetry: evaluating arange of sensors, platforms, and algoritmson the upper Sacramentor river, California,USA, Water Resources Research, 55(March),1–28. https://doi.org/10.1029/2018WR023586

Li, P., Jiang, L., dan Feng, Z. 2014. Cross-Comparison of Vegetation Indices Derivedfrom Landsat-7 Enhanced Thematic MapperPlus (ETM+) and Landsat-8 OperationalLand Imager (OLI) Sensors, RemoteSensing, 6(1), 310–329. https://doi.org/10.3390/rs6010310

Lyzenga, D. R. 1985. Shallow-water bathymetryusing combined lidar and passivemultispectral scanner data, InternationalJournal of Remote Sensing, 6(1), 37–41.https://doi.org/10.1080/01431168508948428

Pacheco, A., Horta, J., Loureiro, C., dan Ferreira,Ó. 2015. Retrieval of nearshore bathymetryfrom Landsat 8 images: A tool for coastalmonitoring in shallow waters, RemoteSensing of Environment, 159, 102–116.

https://doi.org/https://doi.org/10.1016/j.rse.2014.12.004

Stumpf, R. P., Holderied, K., dan Sinclair, M. 2003.Determination of water depth with high-resolution satellite imagery over variablebottom types, Limnology and Oceanography,48(1, part 2), 547–556. https://doi.org/10.4319/lo.2003.48.1_part_2.0547

Susantoro, T. M., Wikantika, K., Saepuloh, A., danHarsolumakso, H. A. 2018. Selection ofVegetation Indices for Mapping theSugarcane Condition Around the Oil andGas field of North West Java Basin,Indonesia, IOP Conf. Series: Earth andEnvironmental Sciences, 149(012001), 1–10.https://doi.org/10.1088/1755-1315/149/1/012001

Widayati, C. S. W. 2009. Komparasi BeberapaMetode Estimasi Kesalahan Pengukuran,Jurnal Penelitian dan Evaluasi Pendidikan,13(2), 182–197.

Yunus, A. P., Dou, J., Song, X., dan Avtar, R. 2019.Improved Bathymetric Mapping of Coastaland Lake Environments Using Sentinel-2and Landsat-8 Images, Sensors, 19(2788),1–20. https://doi.org/:10.3390/s19122788

analisis kanal-kanal landsat 8 operational land …

Documents