penelitian - big.go.idbig.go.id/e-ppid/asset/laporan-pelaksanaan-penelitian2018/lap akhir... ·...

PENELITIAN

BATIMETRI DAN PERUBAHAN GARIS PANTAI

Pengarah:

1. Kepala Pusat Penelitian, Promosi dan Kerjasama

2. Kepala Bidang Penelitian

Penanggung Jawab Kegiatan Penelitian

Nadya Oktaviani, ST

Anggota Peneliti:

1. Yustisi Ardhitasari

2. Aninda Wisaksanti Rudiastuti

3. Ayu Nur Safi’i

4. Prayudha Hartanto

5. Agung Syetiawan

6. Danang Budi Susetyo

7. Moch. Irwan Haryono

8. Ratna Sari Dewi

PRAKATA

Penelitian Batimetri dan Perubahan Garis Pantai merupakan salah satu program yang

dindani oleh APBN Badan Informasi Geospasial. Penelitian ini memiliki tujuan untuk

menjawab kendala yang dialami oleh pusat teknis BIG dalam penyediaan data

batimetri dan terkait garis pantai nasional. Berdasarkan Asimilasi Data Satelit

Altimetri dan Survey Batimetri merupakan topik penelitian 2018.

Tim peneliti mengucapkan syukur kepada Tuhan Yang Maha Esa oleh karena

penelitian ini telah selesai dan menghasilkan produk model batimetri Indonesia

dengan ukuran grid 1’ x 1’. Kami pun mengucapkan terima kasih kepada semua pihak

telah memberikan dukungan data, fasilitas server sehingga penelitian ini dapat

terlaksana dengan baik sampai dengan penyusunan Laporan Akhir ini. Namun

demikian, tim peneliti menyadari bahwa masih ada kekurangan dalam laporan akhir

pelaksanaan kegiatan. Oleh karena itu, kami menerima segala saran dan kritik dengan

terbuka dari tim penilai terhadap laporan ini guna perbaikan di kegiatan mendatang.

Semoga dokumen laporan akhir ini dapat bermanfaat bagi kepentingan kita bersama.

Cibinong, Desember 2018

Tim Peneliti

DAFTAR ISI

PRAKATA ..................................................................................................................... 3

DAFTAR ISI .................................................................................................................. 4

DAFTAR TABEL .......................................................................................................... 6

DAFTAR GAMBAR ..................................................................................................... 7

I. LAPORAN PELAKSANAAN KEGIATAN .................................................... 9

I.1. LATAR BELAKANG ....................................................................................... 9

I.2. TUJUAN .......................................................................................................... 11

I.3. TAHAPAN DAN WAKTU PELAKSANAAN KEGIATAN ......................... 12

I.4. PERSONIL ...................................................................................................... 22

I.5. LUARAN ......................................................................................................... 22

I.5.1. Model batimetri nasional dari data satelit Altimetri ........................................ 22

I.5.2. Model konstanta harmonik pasut dari data satelit Altimetri .......................... 24

I.5.3. Model DEM batimetri perairan dangkal yang merupakan kegiatan

pendukung INSINas 2018 ............................................................................................. 28

I.5.4. Hasil Review dokumen penelitian mengenai metode terbaik untuk

pengukuran, pengelolaan garis pantai ......................................................................... 35

I.6. DAMPAK ........................................................................................................ 36

II. LAPORAN PELAKSANAAN KEGIATANPENDAHULUAN .................... 37

II.1. Latar belakang ............................................................................................... 37

II.2. Rumusan Masalah ......................................................................................... 39

II.3. Tujuan............................................................................................................ 40

II.4. Lokasi Penelitian ........................................................................................... 40

II.5. Metode ........................................................................................................... 40

II.5.1. Model Batimetri Nasional dengan menggunakan Satelit Altimetri ............. 40

II.5.2. Penentuan konstanta pasut dengan Pemodelan Chart Datum menggunakan

satelit Altimetri ............................................................................................................... 47

II.5.3. Model DEM batimetri perairan dangkal dalam rangka mendukung kegiatan

INSINas 2018 ................................................................................................................. 57

Uji Akurasi 60

II.5.4. Telaah Dokumen Literatur Penelitian Garis Pantai........................................ 61

II.6. Hasil dan Pembahasan ................................................................................... 68

II.6.1. Prototipe Model Batimetri Nasional dengan menggunakan Satelit Altimetri

……………………………………………………………………………………………………………………………………..68

II.6.2. Prototipe Konstanta Pasut dengan Pemodelan Chart Datum menggunakan

satelit Altimetri ............................................................................................................... 70

II.6.3. Prototipe DEM batimetri perairan dangkal dalam rangka mendukung

kegiatan INSINas 2018 .................................................................................................. 80

II.6.4. Penyusunan Draft Hasil Telaah Dokumen Literatur Penelitian Garis Pantai

………………………………………………………………………………………………………….………………………….88

II.7. Kesimpulan dan Saran ...................................................................................... 91

DAFTAR PUSTAKA .................................................................................................. 92

LAMPIRAN ............................................................................................................... 102

1. Prototipe Model Batimetri Nasional dengan menggunakan Satelit Altimetri102

2. Prototipe Konstanta Harmonik Pasut dengan Pemodelan Chart Datum

menggunakan satelit Altimetri ............................................................................... 103

3. Prototipe Model DEM Batimetri perairan dangkal dalam rangka mendukung

kegiatan INSINas 2018 .......................................................................................... 104

KTI terkait penelitian ............................................................................................. 105

DAFTAR TABEL

Tabel 1. Tahapan Pelaksanaan Kegiatan ..................................................................... 12

Tabel 2. Dokumentasi pelaksanaan kegiatan ............................................................... 17

Tabel 3. Personil Pelaksana Kegiatan .......................................................................... 22

Tabel 4. Indikator garis pantai berdasarkan beberapa penelitian mengenai garis pantai

...................................................................................................................................... 35

Tabel 5. Resolusi spasial dan temporal satelit topex/jason dan ERS. .......................... 49

Tabel 6. Script Download Data dari Server RADS ..................................................... 51

Tabel 7. Nilai uji validasi R2 dan RMSE masing-masing wilayah kerja ..................... 88


...................................................................................................................................... 89

DAFTAR GAMBAR

Gambar 1. Skema proses pengolahan .......................................................................... 10

Gambar 2. Skema pengukuran dengan menggunakan satelit altimetri dan pengukuran

dengan echosounder ..................................................................................................... 11

Gambar 3. Hasil model anomali gayaberat (mgal) ...................................................... 23

Gambar 4. Hasil model batimetri (meter) .................................................................... 23

Gambar 5. Plot Residu Amplitudo dan Fase Jason-1 dengan (a) kondisi 1, (b) kondisi

2, (c ) kondisi 3 dan (d) kondisi 4 ................................................................................ 27

Gambar 6. (A) DEM kedalaman hasil ekstraksi citra Landsat 8 pada wilayah

Sumatera ...................................................................................................................... 28

Gambar 7. (B) DEM kedalaman hasil ekstraksi citra Landsat 8 pada wilayah Jawa .. 29

Gambar 8. (C) DEM kedalaman hasil ekstraksi citra Landsat 8 pada wilayah

Kalimantan ................................................................................................................... 30

Gambar 9. (D) DEM hasil ekstraksi citra Landsat 8 pada wilayah Sulawesi .............. 31

Gambar 10 (E) DEM hasil ekstraksi citra Landsat 8 pada wilayah Maluku ............... 32

Gambar 11. (F) DEM hasil ekstraksi citra Landsat 8 pada wilayah NTB-NTT .......... 33

Gambar 12. (G) DEM hasil ekstraksi citra Landsat 8 pada wilayah Papua ................. 34

Gambar 13. Skema proses pengolahan ........................................................................ 38


dengan echosounder ..................................................................................................... 39

Gambar 15. Pengukuran satelit altimetri ..................................................................... 41

Gambar 16. Terminologi Bouguer ............................................................................... 43

Gambar 17. Model global untuk anomali gayaberat (atas) dan geoid (bawah) ........... 44

Gambar 18. Model global MDT DTU10 ..................................................................... 45

Gambar 19. Trackline gayaberat dari NGDC .............................................................. 45

Gambar 20. Data survei batimetri di BIG .................................................................... 45

Gambar 21. Model global ETOPO1 ............................................................................ 46

Gambar 22. Alur kerja penelitian pemodelan batimetri menggunakan data altimetri . 47

Gambar 23. Pengamatan muka laut menggunakan satelit altimetri. ............................ 48

Gambar 24. Ground Tracking Satelit topex/jason. ...................................................... 50

Gambar 25. Proses collinear analyis. ........................................................................... 57

Gambar 26. Diagram alir proses pemodelan untuk mendapatkan data garis pantai

secara umum ................................................................................................................ 58

Gambar 27. (a) Bagian proses pada diagram alir yang terdapat pada Gambar 2. ; (b)

Diagram alir prosesing untuk mendapatkan nilai estimasi kedalaman perairan dangkal

...................................................................................................................................... 59

Gambar 28. Residu model gayaberat dengan data trackline NGDC ........................... 69

Gambar 29. Residu model batimetri dengan data survei batimetri .............................. 70

Gambar 30. Plot SSH Jason-1 Ascending.................................................................... 71



Gambar 33. Plot SSH ERS-1 Ascending ..................................................................... 72

Gambar 34. Plot SSH ERS-2 Ascending ..................................................................... 72

Gambar 35. Plot Tidal Estimate Jason-1 Ascending ................................................... 73

Gambar 36. Plot Tidal Estimate Jason-1 Descending .................................................. 73



Gambar 39. Plot Tidal Estimate TOPEX Ascending ................................................... 74

Gambar 40. Plot Tidal Estimate ERS-1 Ascending ..................................................... 74

Gambar 41. Plot Tidal Estimate ERS-2 Ascending ..................................................... 75


2, (c ) kondisi 3 dan (d) kondisi 4 ................................................................................ 80

Gambar 43. (A) DEM kedalaman hasil ekstraksi citra Landsat 8 pada wilayah

Sumatera ...................................................................................................................... 81

Gambar 44. (B) DEM kedalaman hasil ekstraksi citra Landsat 8 pada wilayah Jawa 82

Gambar 45. (C) DEM kedalaman hasil ekstraksi citra Landsat 8 pada wilayah

Kalimantan ................................................................................................................... 83

Gambar 46. (D) DEM hasil ekstraksi citra Landsat 8 pada wilayah Sulawesi ............ 84

Gambar 47 (E) DEM hasil ekstraksi citra Landsat 8 pada wilayah Maluku ............... 85

Gambar 48. (F) DEM hasil ekstraksi citra Landsat 8 pada wilayah NTB-NTT .......... 86

Gambar 49. (G) DEM hasil ekstraksi citra Landsat 8 pada wilayah Papua ................. 87


2, (c ) kondisi 3 dan (d) kondisi 4 .............................................................................. 104

I. LAPORAN PELAKSANAAN KEGIATAN

I.1. LATAR BELAKANG

Penelitian ini diangkat mengingat bahwa wilayah Indonesia merupakan wilayah

kepulauan yang dikelilingi oleh perairan. Secara langsung, seluruh pulau di Indonesia

dikelilingi oleh wilayah pantai. Berbagai macam karakteristik perairan dan pantai

mempengaruhi ketersediaan data spasial wilayah pantai di Indonesia. Hingga saat ini

penentuan survei batimetri dan penentuan garis pantai dilakukan secara teristris

maupun digitasi on screen diatas muka citra. Kedua metode tersebut memiliki

kelemahan diantaranya membutuhkan waktu yang lama, biaya yang mahal, personil

maupun terbatasnya cakupan area yang dapat disurvei. Oleh karena itu merujuk pada

kelemahan metode sebelumnya, maka penelitian ini mengembangkan metode dengan

menggunakan data Satelit altimetri untuk mendapatkan nilai kedalaman pada perairan

dalam dan menggunakan citra multispektral untuk mendapatkan nilai kedalaman pada

perairan dangkal. Kedua data dapat ditampilkan dalam bentuk DEM perairan

Indonesia. Sehingga dapat dimanfaatkan untuk berbagai kebutuhan.

DEM dibagi dalam dua jenis, yaitu Digital Surface Model (DSM) dan Digital

Terrain Model (DTM) DSM merupakan model kenampakan muka bumi tiga dimensi

(3D) yang menyertakan unsur penutup lahan diatasnya, sedangkan DTM hanya

menampilkan permukaan tanah (ground) yang disertai fitur-fitur alami permukaan

bumi. Garis pantai merupakan salah satu fitur alami yang ada dipermukaan bumi,

sedangkan batimetri merupakan unsur yang digunakan untuk membentuk DEM

permukaan dasar laut. Kedua informasi tersebut didapat dari hasil pengamatan

langsung dilapangan maupun dari hasil pengolahan menggunakan data satelit. Satelit

yang biasa digunakan untuk pengamatan wilayah laut adalah satelit altimetri. Saat ini

satelit altimetri sudah memiliki resolusi spasial yang tinggi dengan kontinuitas waktu

yang baik dalam perekaman datanya. Pemanfaatan data dari satelit altimetri dan

ditambah dengan data dari stasiun pasang surut, diharapkan bisa menghasilkan model

permukaan dasar laut yang dapat dimanfaatkan untuk penarikan garis pantai.

Secara teknis digambarkan bahwa satelit altimetri dalam orbit dilambangkan

sebagai S dari elipsoid teoritis. Waktu yang diperlukan bagi sinyal untuk melakukan

perjalanan dari satelit ke permukaan laut dan kembali lagi, merupakan rentang jarak

sebenarnya antara satelit dengan permukaan laut yang bergerak disimbolkan dengan

R. kemudian ketinggian permukaan laut setiap titik dalam waktu di simbolkan dengan

SSH, dengan demikian ketinggian permukaan laut didefinisikan sebagai perbedaan

antara posisi satelit terhadap ellipsoid referensi dan satelit ke permukaan jangkauan

yaitu SSH=S-R. Jarak tersebut kemudian perlu dilakukan lagi koreksi lainnya seperti

pasang surut, untuk menghasilkan data ketinggian air laut di lokasi tersebut.

Kemudian dari data ketinggian permukaan air laut dilakukan estimasi gravity anomali

yang selanjutnya akan didapatkan slope dasar laut dan data batimetri (Gambar.1).

Gambar 1. Skema proses pengolahan

Untuk menguji kedalaman yang dihasilkan dari data satelit perlu dilakukan uji

lapangan dengan menggunakan sonar yang ditempelkan dikapal.

SSH

Slope Dasar Laut

Batimetri Sounding Batimetri koreksi

Shipborne

Gravity Survey

Altimetri

Gravity Anomali


dengan echosounder

Selanjutnya, untuk membangun model garis pantai sendiri pada dasarnya

membutuhkan banyak data masukan seperti data topografi, data kedalaman, dan data

mengenai pasang surut laut. Semua data harus berada referensi yang sama, sehingga

dengan ketersediaan data tersebut dapat diolah menjadi model untuk menentukan

posisi garis pantai. Penyamaan referensi ini membutuhkan acuan yang biasa dikenal

dengan chart datum. Disamping itu, penelitian ini dilakukan untuk menguji metode

dengan pemanfaatan data satelit (Satellite Derived Bathymetri) untuk menghasilkan

data kedalaman. Data kedalaman diturunkan menjadi data permukaan (terrain) dasar

laut yang selanjutnya dapat dimanfaatkan dalam penentuan garis pantai dan batimetri

Nasional.

Sasaran dari penelitian ini adalah dapat dihasilkan, diimplementasikan dan

disebar luaskannya metode guna percepatan pemetaan IG, khususnya IG kelautan.

I.2. TUJUAN

Tujuan penelitian ini adalah memanfaatkan data satelit altimetri untuk

menghasilkan model Batimetri Nasional. Selain itu, dalam memanfaatkan data yang

ada, dilakukan penelitian mengenai chart datum. Penelitian chart datum ditujukan

untuk menghasilkan parameter lain minimal konstanta harmonik pasut. Sedangkan

SSH

H

h

untuk penentuan nilai kedalaman pada perairan dangkal pada penelitian ini

memanfaatkan citra multispektral. metode ini dipilih karena berdasarkan telaah

literatur yang dilakukan, ini m erupakan salah satu metode alternatif untuk

mendapatkan data dengan cakupan yang luas.

I.3. TAHAPAN DAN WAKTU PELAKSANAAN KEGIATAN

Kegiatan Penelitian Batimetri dan Perubahan Garis Pantai dilaksanakan

sepanjang tahun 2018. Output utama yang menjadi tujuan utama penelitian ini adalah

model batimetri nasional yang dibentuk dari data satelit altimetri. Namun seiring

berjalannya tahun penelitian, tim mampu mengerjakan berbagai kegiatan terkait

penelitian ini. Diantaranya membuat model chart datum dengan ouput konstanta

harmonik pasut dari data altimetri, model DEM batimetri perairan dangkal yang

merupakan kegiatan untuk mendukung kegiatan INSINas 2018, serta review dokumen

penelitian untuk mendapatkan gambaran mengenai metode yang selama ini

berkembang dalam penentuan garis pantai. Berikut rincian kegiatan yang

dilaksanakan pada tahun 2018 dapat dilihat pada Tabel 1.

Tabel 1. Tahapan Pelaksanaan Kegiatan

No Kegiatan Metode Tanggal

Pelaksanaan

Luaran

1 Rapat Koordinasi awal

Penelitian Batimetri dan

Garis Pantai

Tatap Muka/

Meeting

26 Januari

2018

Pemahaman

konsep dasar

mengenai altimetri

2 Uji coba

Pengolahan data

Batimetri

Kerja

Kelompok

31 Januari

2018

Pemahaman

konsep dasar

mengenai

pengolahan data

altimetri

3 Studi literatur dan

Pengolahan data

Batimetri

Kerja Individu

berdasarkan

penugasan

1 Februari

2018

Pemahaman

konsep dasar

mengenai

pengolahan data

altimetri


Pelaksanaan

Luaran

4 Rapat Koordinasi


Garis Pantai ke-2

Tatap Muka/

Meeting

6 Februari

2018

Penelaahan

progress

penelitian

5 Rapat Koordinasi


Garis Pantai ke-3

Tatap Muka/

Meeting

23 Februari

2018

Penelaahan

progress

penelitian

6 Rapat Koordinasi


Garis Pantai ke-4

Tatap Muka/

Meeting

2 Maret 2018 Penelaahan

progress

penelitian

7 Diskusi dengan Dosen

dari Universitas secara

non formal tentang

pengolahan data

Tatap Muka/

Meeting

5 Maret 2018 Pemahaman

metode yang

dipilih dan

dijalankan

8 Rapat Koordinasi


Garis Pantai ke-5

Tatap Muka/

Meeting

19 Maret 2018 Penelaahan

progress

penelitian

9 Training pengolahan

pasut di BMKG

Tatap Muka/

Meeting

12-14 Maret

2018

Pendalaman

materi mengenai

pasang surut

10 Diskusi, pengambilan

data, dan pengolahan

data Altimetri

FGD-1 penelitian

Batimetri dan Garis

Pantai

Tatap Muka/

Meeting, Kerja

kelompok dan

Individu

3-6 April 2018 • Data RADS

• Hasil sementara

• Pemahaman

materi

11 Melakukan pengolahan

data secara mandiri

oleh masing-masing

Kerja Individu

berdasarkan

8 April 2018 Hasil sementara

pengolahan data


Pelaksanaan

Luaran

personil grup penelitian

12 Rapat Koordinasi


Garis Pantai ke-6

Tatap Muka/

Meeting

11 Mei 2018 Penelaahan

progress

penelitian

13 Rapat Koordinasi


Garis Pantai ke -7

Tatap Muka/

Meeting

17 Mei 2018 Penelaahan

progress

penelitian

14 Koordinasi Penelitian

Batimetri dengan P3GL

Diskusi tatap

muka

5 Juni 2018 Masukan dari K/L

lain mengenai

penelitian.

Support data.

15 Koordinasi Penelitian

Batimetri dengan

Pushidros TNI AL

Diskusi tatap

muka

26 Juni 2018

Masukan dari K/L

lain mengenai

penelitian.

Support data.

16 Pelaksanaan FGD ke-2

penelitian Batimetri dan

Garis Pantai

Diskusi tatap

muka

11-12 Juli

2018

Masukan

mengenai hasil

penelitian yang

telah

dilaksanakan.

17 Koordinasi dengan K/L

terkait dengan

penelitian Batimetri dan

Garis Pantai

Diskusi tatap

muka

12-13 Juli

2018

Masukan dari K/L

lain mengenai

penelitian.

Support data.

18 Pengolahan data Kerja Individu

berdasarkan

penugasan

23 Juli 2018

Data hasil

pengolahan

sementara

19 Pengolahan data

Batimetri dan gravity

anomaly wilayah

Kerja Individu

berdasarkan

penugasan

5 Agustus

2018

Data hasil

pengolahan


Pelaksanaan

Luaran

Sulawesi Utara

20 Diskusi rencana

kelanjutan FGD hasil

pengolahan data

Batimetri

Diskusi tatap

muka

• Masukan

mengenai hasil

yang

dikembangkan

• Jadwal

pelaksanaan

FGD-3

21 Pengolahan data

Batimetri dan gravity

anomaly wilayah

Sulawesi Utara

Kerja Individu

berdasarkan

penugasan

3 September

2018

22 Pembuatan Draft KTI 1

Submit Prosiding

Semnas Geomatika

Kerja

kelompok

1-4 September

2018

Draft KTI

23 Seminar Nasional

Geomatika

Dihadiri oleh K/L,

Akademisi yang terkait

Kerja

kelompok

5 September

2018

Pemaparan hasil

KTI

24 Pengolahan data

Batimetri

di Wilayah Natuna dan

Sulawesi Utara

di ekstrak menjadi

poin-poin kedalaman

dengan interval

1,8 km

Kerja Individu

berdasarkan

penugasan

Data hasil

pengolahan

25 Pembuatan Draft KTI 2

Submit di Jurnal Widya

Riset LIPI

Kerja

kelompok

1 Oktober

2018

Draft KTI


Pelaksanaan

Luaran

26 Pelaksanaan FGD ke-3


Garis Pantai

Diskusi tatap

muka

17-19 Oktober

2018

Masukan

mengenai hasil

yang

dikembangkan

27 Pengolahan data

Batimetri

di Seluruh wilayah

Indonesia dengan

resolusi

1,8 km

Kerja

kelompok

27 November

2018

Model Batimetri

Nasional

Plot Residu Amplitudo

dan Fase Satelit

TOPEX

Kerja

kelompok

25 November

2018

Konstanta

Harmonik Pasut

28 Persiapan Submit Draft

KTI - 3

Kerja

kelompok

28 November

2018

KTI

29 Telaah Literatur Kerja Tim Agus– Des

2018

Dokumen

30 Mendukung Kegiatan

INSINAS 2018

Kerja Tim Juni –

November

2018

Prototipe

Berikut dilampirkan beberapa dokumentasi terkait kegiatan yang berjalan pada

sepanjang tahun penelitian.

Tabel 2. Dokumentasi pelaksanaan kegiatan

Rapat Koordinasi awal Penelitian

Batimetri dan Garis Pantai

Uji coba pengolahan data batimetri

Studi literatur dan Pengolahan data

Batimetri

Rapat Koordinasi Penelitian Batimetri

dan Garis Pantai ke-2







Diskusi dengan Dosen dari Universitas

secara non formal tentang pengolahan

data

Pengolahan pasut di BMKG

Diskusi, pengambilan data, dan

pengolahan data Altimetri

FGD-1 penelitian Batimetri dan Garis

Pantai

Melakukan pengolahan data secara

mandiri oleh masing-masing personil

grup penelitian




dan Garis Pantai ke -7

Koordinasi Penelitian Batimetri dengan

P3GL

Koordinasi Penelitian Batimetri dengan

Pushidros TNI AL

Koordinasi dengan K/L terkait dengan

penelitian Batimetri dan Garis Pantai

Pelaksanaan FGD ke-2 penelitian


Pengolahan data

Pengolahan data Batimetri dan gravity

anomaly wilayah Sulawesi Utara

Diskusi rencana kelanjutan FGD hasil

pengolahan data Batimetri

Pembuatan Draft KTI 1 Submit Prosiding

Semnas Geomatika

Pengolahan data Batimetri dan gravity

anomaly wilayah Sulawesi Utara

Seminar Nasional Geomatika

Dihadiri oleh K/L, Akademisi yang

terkait

Pembuatan Draft KTI 2 Submit di Jurnal

Widya Riset LIPI

Pengolahan data Batimetri di Wilayah

Natuna dan Sulawesi Utara di ekstrak

menjadi poin-poin kedalaman dengan

interval 1,8 km

Pelaksanaan FGD ke-3 Penelitian


Pengolahan data Batimetri di Seluruh

wilayah Indonesia dengan resolusi 1,8

km

Plot Residu Amplitudo dan Fase Satelit

TOPEX

Telaah Literatur

Persiapan Submit Draft KTI – 3 ke Jurnal

Geomatika

I.4. PERSONIL

Personil pelaksanaan kegiatan Penelitian Batimetri dan Garis Pantai pada Pusat

Penelitian, Promosi dan Kerjasama sebagaimana terlampir pada Table 3 berikut ini;

Tabel 3. Personil Pelaksana Kegiatan

No Nama Jabatan

1 Nadya Oktaviani, ST Penanggung jawab

Kegiatan/Peneliti Utama

2 Yustisi Ardhtasari, ST Anggota/ Peneliti Muda

3 Aninda Wicaksanti Rusdiastuti, SSi Anggota/ Peneliti Muda

4 Ayu Nur Safi’I, ST Anggota/Peneliti Muda

5 Prayudha Hartanto, ST Anggota/Peneliti Pertama

6 Agung Syetiawan, ST Anggota/Peneliti Pertama

7 Danang Budi Susetyo, ST Anggota/Peneliti Pertama

8 Moch. Irwan Haryono, ST Anggota/Peneliti Pertama

9 Dr. Ratna Sari Dewi Anggota/Peneliti Muda

10 Dr. Ibnu Sofian Pengawas

I.5. LUARAN

Luaran yang dihasilkan dari kegiatan ini adalah:

I.5.1. Model batimetri nasional dari data satelit Altimetri

Model Batimetri Nasional yang dihasilkan berupa prototipe model batimetri

dengan resolusi 1’ x 1’ (~ 1.85 km). Model hanya di validasi dengan titik kedalaman

hasil sounding yang dimilik oleh BIG. Kelemahannya, titik kedalaman tersebut

hanya tersebar di wilayah pesisir pantai saja dan sejauh 200 m kedalamannya.

Lokasi dengan kedalaman lebih dari 200 m tidak terlalu banyak tersebar pada data

yang dijadikan acuan validasi. Sehingga model ini masih memiliki nilai mean ~100

m dan standar deviasi ~262 m. Dan validasi model ini dengan data trackline NGDC

memberikan nilai mean ~6 mgal dan standar deviasi sebesar ~63 mgal. Walaupun

hasil ini belum optimal, namun model dengan ukuran 1’x1’ ini dapat dijadikan

acuan awal untuk perbaikan dan pengembangan model ke depannya.

Gambar 3. Hasil model anomali gayaberat (mgal)

Gambar 4. Hasil model batimetri (meter)

I.5.2. Model konstanta harmonik pasut dari data satelit Altimetri

Berikut hasil plotting residu amplitudo dan fase untuk Satelit Jason-1

Phase a berdasarkan scenario tersebut:

( c )

( b )

( b )

( a )

( a )

( a )

( c )

( a )

( d )

Gambar 5. Plot Residu Amplitudo dan Fase Jason-1 dengan (a) kondisi 1,

(b) kondisi 2, (c ) kondisi 3 dan (d) kondisi 4

I.5.3. Model DEM batimetri perairan dangkal yang merupakan kegiatan

pendukung INSINas 2018

Sehingga model batimetri yang dihasilkan untuk perairan dangkal

dapat digunakan untuk pemodelan wilayah pesisir secara cepat. Beberapa

wilayah di Indonesia dikelompokan menjadi bagian-bagian sesuai pulau

kecil, sebagai berikut:

A. Wilayah Sumatera

Gambar 6. (A) DEM kedalaman hasil ekstraksi citra Landsat 8 pada

wilayah Sumatera ; (i) Penampang melintang untuk membandingkan nilai

kedalaman hasil survei (14.49 m) dengan profil kedalaman hasil estimasi

citra Landsat 8 (posisi kedalaman 14.5 m di skala bar); (ii) Penampang

melintang untuk membandingkan nilai kedalaman hasil survei (17.60 m)

dengan profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman

17.5 m di skala bar)

B. Wilayah Jawa

Gambar 7. (B) DEM kedalaman hasil ekstraksi citra Landsat 8 pada

wilayah Jawa ; (i) Penampang melintang untuk membandingkan nilai


citra Landsat 8 (posisi kedalaman 6,2 m di skala bar); (ii) Penampang



6.9 m di skala bar)

C. Wilayah Kalimantan

Gambar 8. (C) DEM kedalaman hasil ekstraksi citra Landsat 8 pada

wilayah Kalimantan ; (i) Penampang melintang untuk membandingkan

nilai kedalaman hasil survei (14.71 m) dengan profil kedalaman hasil

estimasi citra Landsat 8 (posisi kedalaman 14,2 m di skala bar); (ii)

Penampang melintang untuk membandingkan nilai kedalaman hasil

survei (9.24 m) dengan profil kedalaman hasil estimasi citra Landsat 8

(posisi kedalaman 9.37 m di skala bar)

D. Wilayah Sulawesi

( D ) ( i )

( ii )

Gambar 9. (D) DEM hasil ekstraksi citra Landsat 8 pada wilayah Sulawesi ; (i)

Penampang melintang DEM wilayah Sulawesi Selatan untuk membandingkan nilai

kedalaman hasil survei (8.52 m) dengan profil kedalaman hasil estimasi citra Landsat

8 (posisi kedalaman 8-9 m di skala bar); (ii) Penampang melintang DEM wilayah

Sulawesi Utara untuk membandingkan nilai kedalaman hasil survei (20.67 m) dengan

profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman 21 m di skala bar)

(i)

(ii)

Legenda:

Titik kedalaman hasil survei (sounding)

Kedalaman estimasi 3D Garis profil kedalaman

X Posisi yang dibaca pada jendela path profile

E. Wilayah Maluku

( E ) ( i )

( ii )

Gambar 10 (E) DEM hasil ekstraksi citra Landsat 8 pada wilayah Maluku ; (i)

Penampang melintang DEM wilayah Sulawesi Selatan untuk membandingkan

nilai kedalaman hasil survei (2.45 m) dengan profil kedalaman hasil estimasi


melintang DEM wilayah Sulawesi Utara untuk membandingkan nilai

kedalaman hasil survei (13.43 m) dengan profil kedalaman hasil estimasi citra

Landsat 8 (posisi kedalaman 13.299 m di skala bar)

(i) ( i )

Legenda:




(ii) ( i )

F. Wilayah NTB-NTT

( F )

( i ) ( ii )

Gambar 11. (F) DEM hasil ekstraksi citra Landsat 8 pada wilayah NTB-NTT ; (i)



8 (posisi kedalaman 14.402 m di skala bar); (ii) Penampang melintang DEM wilayah


profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman 9.5 m di skala bar)

(ii)

(i)

G. Wilayah Papua

( G )

( i ) ( ii )

Gambar 12. (G) DEM hasil ekstraksi citra Landsat 8 pada wilayah Papua ; (i)



Landsat 8 (posisi kedalaman 7.644 m di skala bar); (ii) Penampang melintang DEM

wilayah Sulawesi Utara untuk membandingkan nilai kedalaman hasil survei (21.7 m)

dengan profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman 20.13 m di

skala bar)

(i)

Legenda:




I.5.4. Hasil Review dokumen penelitian mengenai metode terbaik untuk

pengukuran, pengelolaan garis pantai


Shoreline

indicator

Feature identification Source Detection

techniques

Reference

Piksel

terang/gelap

Objek yang ditandai,

temukan area terang yang

dibatasi piksel gelap,

dtetksi/hilangkan objek yang

menyentuh batas gambar,

temukan atau isi celah objek,

saring titik-titik rendah atau

tinggi dan jalankan operasi

lainnya

Resolusi rendah

dan tinggi oada

image

Morfologi

matematis

(Rishikeshan

and Ramesh,

2017)

MHHW

Profil pantai dengan kondisi

MHHW (the mean higher

high water) / rata-rata air

tinggi lebih tinggi

Image foto udara

atau satelit

Manual (Dang et al.,

2018)

AHHW Perkiraan air tinggi tertinggi LIDAR topografi

dan batimetri

Digital (Kim et al.,

2017)

Mean high-

water level

plane

Perpotongan rata-rata

permukaan air tingkat tinggi

dengan garis profil yang

berorientasi tegak lurus dari

pantai

Penanda survei Digital (Houston,

2017)

Water/non

water pixels

Perbedaan kode RGB

diantara air laut dan pewarna

Teknologi

pemantau berupa

video

Digital (Ahn et al.,

2017)

Vegetation

line

Batas vegetasi Foto udara

dengan resolusi

tinggi

Manual (Coyne et

al., 1999;

Ford, 2013)

Ordinary

high water

Identifikasi fitur-fitur seperti

tebing / tebing, puing-puing

kayu besar, pelindung garis

pantai dan batas air sebagai

dasar linear untuk

memetakan fitur-fitur ini.

Foto/video yang

tergeoreferensi

Manual (Anderson et

al., 2012)

HWL Diidentifikasi oleh perbedaan

warna batas basah dan batas

kering pada pantai saat

pasang sebelumnya

Image

Multispektral

Semi

digital

(Alharbi et

al., 2017)

HWL Batas basah dan kering dari

kondisi pasang sebelumnya

Image

Multispektral

Manual (Fletcher et

al., 2003;

Kankara et

al., 2015;

Natesan et

al., 2015;

Shoreline

indicator


techniques

Reference

O'Connell

and

Leatherman,

1999)

MHW Mean high water yang

menjadi dasar penentuan

datum

LIDAR Digital (Morton et

al., 2005;

Stockdon et

al., 2002)

LWM Low Water Mark

didefinisikan dengan

mendijitasi batas pantai atau

tepi pantai

Foto udara Manual (Romine et

al., 2009)

Garis pantai

berbasis

Datum

Ketinggian 1 meter untuk

mewakili garis pantai

LIDAR DigitaL (Lazarus and

Murray,

2007)

Kontur

pantai

HW (high water elevation),

MHW (mean high water) and

MHHW (mean higher high

water)

LIDAR Digital (Robertson

et al., 2004)

AHWL Average High Water Line Aerial photo Manual (Ruggiero et

al., 2003)

MHW Persimpangan garis pantai

dengan MHW

GPS Digital (Farris and

List, 2007)

MHW and

MLW

Berdasarkan interpolasi linier

dari ketinggian pasang-surut

yang diprediksi

Peta histori, foto

udara, LIDAR

Manual (Burningha

m and

French,

2017)

Foredune

foot

Diidentifikasi secara

stereoskopis oleh perubahan

dari bentuk bukit pasir yang

curam ke lereng pantai

Foto udara Manual

(stereoscop

ically)

(Battiau-

Queney et

al., 2003)

MLLW and

MHW

Mengidentifikasi MLLW dan

MHW from peta yang

didigitalkan secara manual

Peta/foto udara

yang ada

Manual (Li et al.,

2001)

I.6. DAMPAK

Manfaat dari kegiatan penelitian Batimetri dan Perubahan Garis Pantai ini

adalah untuk menjadi acuan dasar dalam pemilihan metode pemodelan. Hasil yang

menjadi keluaran berupa produk dari penelitian ini, dapat dimanfaatkan sebagai data

dasar nasional dengan resolusi rendah. Sehingga dengan adanya penelitian ini,

kedepannya dapat memancing perkembangan penelitian serta model yang lebih baik

dari penelitian tahun ini.

II. LAPORAN PELAKSANAAN KEGIATANPENDAHULUAN

II.1. Latar belakang

Penelitian ini diangkat mengingat bahwa wilayah Indonesia merupakan

wilayah kepulauan yang dikelilingi oleh perairan. Secara langsung, seluruh

pulau di Indonesia dikelilingi oleh wilayah pantai. Berbagai macam

karakteristik perairan dan pantai mempengaruhi ketersediaan data spasial

wilayah pantai di Indonesia. Hingga saat ini penentuan survei batimetri dan

penentuan garis pantai dilakukan secara teristris maupun digitasi on screen

diatas muka citra. Kedua metode tersebut memiliki kelemahan diantaranya

membutuhkan waktu yang lama, biaya yang mahal, personil maupun

terbatasnya cakupan area yang dapat disurvei. Oleh karena itu merujuk pada

kelemahan metode sebelumnya, maka penelitian ini mengembangkan metode

dengan menggunakan data Satelit altimetri untuk mendapatkan nilai

kedalaman pada perairan dalam dan menggunakan citra multispektral untuk

mendapatkan nilai kedalaman pada perairan dangkal. Kedua data dapat

ditampilkan dalam bentuk DEM perairan Indonesia. Sehingga dapat

dimanfaatkan untuk berbagai kebutuhan.

DEM dibagi dalam dua jenis, yaitu Digital Surface Model (DSM) dan

Digital Terrain Model (DTM) DSM merupakan model kenampakan muka

bumi tiga dimensi (3D) yang menyertakan unsur penutup lahan diatasnya,

sedangkan DTM hanya menampilkan permukaan tanah (ground) yang

disertai fitur-fitur alami permukaan bumi. Garis pantai merupakan salah satu

fitur alami yang ada dipermukaan bumi, sedangkan batimetri merupakan

unsur yang digunakan untuk membentuk DEM permukaan dasar laut. Kedua

informasi tersebut didapat dari hasil pengamatan langsung dilapangan

maupun dari hasil pengolahan menggunakan data satelit. Satelit yang biasa

digunakan untuk pengamatan wilayah laut adalah satelit altimetri. Saat ini

satelit altimetri sudah memiliki resolusi spasial yang tinggi dengan

kontinuitas waktu yang baik dalam perekaman datanya. Pemanfaatan data

dari satelit altimetri dan ditambah dengan data dari stasiun pasang surut,

diharapkan bisa menghasilkan model permukaan dasar laut yang dapat

dimanfaatkan untuk penarikan garis pantai.

Secara teknis digambarkan bahwa satelit altimetri dalam orbit

dilambangkan sebagai S dari elipsoid teoritis. Waktu yang diperlukan bagi

sinyal untuk melakukan perjalanan dari satelit ke permukaan laut dan

kembali lagi, merupakan rentang jarak sebenarnya antara satelit dengan

permukaan laut yang bergerak disimbolkan dengan R. kemudian ketinggian

permukaan laut setiap titik dalam waktu di simbolkan dengan SSH, dengan

demikian ketinggian permukaan laut didefinisikan sebagai perbedaan antara

posisi satelit terhadap ellipsoid referensi dan satelit ke permukaan jangkauan

yaitu SSH=S-R. Jarak tersebut kemudian perlu dilakukan lagi koreksi lainnya

seperti pasang surut, untuk menghasilkan data ketinggian air laut di lokasi

tersebut. Kemudian dari data ketinggian permukaan air laut dilakukan

estimasi gravity anomali yang selanjutnya akan didapatkan slope dasar laut

dan data batimetri (Gambar.1).

Gambar 13. Skema proses pengolahan

Untuk menguji kedalaman yang dihasilkan dari data satelit perlu dilakukan uji

lapangan dengan menggunakan sonar yang ditempelkan dikapal.

SSH

Slope Dasar Laut

Batimetri Sounding Batimetri koreksi

Shipborne

Gravity Survey

Altimetri

Gravity Anomali

Gambar 14. Skema pengukuran dengan menggunakan satelit altimetri dan

pengukuran dengan echosounder

Membangun model garis pantai sendiri pada dasarnya membutuhkan

banyak data masukan seperti data topografi, data kedalaman, dan data

mengenai pasang surut laut. Semua data harus berada referensi yang sama,

sehingga dengan ketersediaan data tersebut dapat diolah menjadi model

untuk menentukan posisi garis pantai. Disamping itu, penelitian ini dilakukan

untuk menguji metode dengan pemanfaatan data satelit (Satellite Derived

Bathymetri) untuk menghasilkan data kedalaman. Data kedalaman

diturunkan menjadi data permukaan (terrain) dasar laut yang selanjutnya

dapat dimanfaatkan dalam penentuan garis pantai dan batimetri Nasional.

Sasaran dari penelitian ini adalah dapat dihasilkan, diimplementasikan

dan disebar luaskannya metode guna percepatan pemetaan IG, khususnya IG

kelautan.

II.2. Rumusan Masalah

Rumusan masalah pada penelitian ini dibuat dalam beberapa hipotesa awal,

yaitu:

1. Apakah hasil analisis sudah relevan berdasarkan metode dan data yang

digunakan?

SSH

H

h

2. Apa saja rekomendasi yang tepat untuk pengolahan data pada penelitian

ini?

3. Apakah hasil penelitian dapat digunakan, serta tindak lanjutnya?

4. Apakah metode penelitian sudah baik dan dapat memenuhi kebutuhan data

II.3. Tujuan

Tujuan penelitian ini adalah memanfaatkan data satelit untuk

menghasilkan model Batimetri Nasional dan data perairan dangkal yang

dimanfaatkan dalam untuk pemodelan garis pantai Nasional. Data satelit yang

dimaksud adalah data satelit altimetri dan data citra satelit Landsat (citra

multispektral). Selain itu, dalam memanfaatkan data satelit altimtri yang ada,

dilakukan pula pengolahan data guna mendapatkan model chart datum.

Penelitian chart datum ditujukan untuk menghasilkan parameter lain minimal

konstanta harmonik pasut. Untuk mendukung penelitian terkait penentuan

garis pantai, dilakukan telaah berbagai literatur untuk memperoleh masukan

mengenai metode yang pada umumnya digunakan untuk penentuan garis

pantai.

II.4. Lokasi Penelitian

Lokasi penelitian ditujukan untuk seluruh wilayah negara Indonesia

dengan cakupan -15°LS sampai 15°LU dan 95° BT sampai 150°BT. Penelitian

lanjutan mengenai garis pantai dan chart datum mempertimbangkan morfologi

pantai diwilayah tertentu.

II.5. Metode

II.5.1. Model Batimetri Nasional dengan menggunakan Satelit Altimetri

Prinsip dasar satelit altimetri adalah mengukur waktu tempuh radiasi

gelombang mikro yang dipancarkan oleh satelit hingga diterima kembali

setelah menyentuh permukaan air. Waktu tempuh tersebut digunakan untuk

menghitung jarak (Range) satelit ke permukaan air (Gambar 1). Untuk

memperoleh nilai Sea Surface Height (SSH) yang akurat, maka diperlukan

beberapa koreksi pada Range hasil ukuran altimetri. Koreksi ini antara lain

akibat kesalahan alat atau dikenal dengan istilah sea state bias (ssb), efek

atmosfer, ionosfer, tide loading, dan earth loading. Nilai SSH inilah yang akan

digunakan untuk menghitung anomali gayaberat dan kemudian memodelkan

batimetri.

Gambar 15. Pengukuran satelit altimetri

Sumber: Cipollini and Snaith, 2015

Satelit altimetri Seasat diluncurkan pada tahun 1978. Setelah itu,

beberapa satelit altimetri lainnya beroperasi aktif hingga saat ini terdapat tujuh

satelit yang beroperasi. Setiap satelit memiliki parameter orbit yang beragam.

Terdapat dua jenis misi satelit altimetri. Pertama, Exact Repeat Mission

(ERM) dimana perekaman data dilakukan secara berulang pada interval

tertentu. Kedua, Geodetic Mission (GM) dimana satelit hanya melakukan

pengukuran satu kali atau memiliki interval yang panjang. Konsekuensinya,

satelit altimetri tipe ERM memiliki resolusi spasial rendah atau data yang

lebih jarang dibandingkan GM.

Defleksi Vertikal Dan Anomali Gayaberat

Nilai SSH altimetri mengacu pada ellipsoid dan mengandung informasi

undulasi geoid (N), Sea Surface Topography (SST), beserta eror (e). Geoid N

tersebut merupakan gabungan dari gelombang panjang (NREF) dan residualnya

(∆N). Begitu pun dengan SST, mengandung nilai Mean Dynamic Topography

(MDT) beserta dinamika SST atau disebut Dynamic Ocean Topography

(DOT). MDT merupakan perbedaan elevasi antara geoid dengan Mean Sea

Surface (MSS) dimana MSS dapat diperoleh dari nilai rata-rata data SSH

altimetri ERM. Pada terminologi data ukuran pasang surut, MSS memiliki

makna yang sama dengan Mean Sea Level (MSL) namun berbeda dalam hal

bidang referensi. Nilai SSH dapat dinyatakan dengan persamaan:

SSH = NREF + ∆N + MDT + DOT + e ………………………………… (1)

Asumsikan nilai NREF, MDT, dan DOT berada pada gelombang panjang

sehingga memiliki nilai yang kurang lebih sama antara dua titik altimetri yang

berdekatan dalam satu track (along-track), maka residual ∆N akan identik

dengan residual tinggi SSH antara dua titik altimetri dan dapat dinyatakan

sebagai berikut:

SSH2 – SSH1 = ∆N2 - ∆N1 + e………………………………………… (2)

Nilai along-track residual ∆N sama dengan geoid slope dimana geoid

slope berkaitan dengan defleksi vertikal (DOV) ke arah utara dan timur (ξ, η).

Along-track DOV didefinisikan sebagai along-track geoid gradien. Dari

persamaan 2, along-track DOV (ε) dapat dinyatakan dengan persamaan:

ε = (SSH2 – SSH1) / d ……………………………………………….. (3)

dimana d adalah jarak along-track. Nilai DOV lebih sedikit mengandung eror

dari gelombang panjang dibandingkan tinggi residu geoid (∆N). Hal ini

dikarenakan sinyal gelombang panjang, baik tinggi geoid N maupun DOT,

tidak perlu dimodelkan dan dibuang (Andersen 2013).

Residual geoid gradien dari along-track DOV ini kemudian digunakan

untuk menghitung anomali gayaberat. Pemodelan anomali gayaberat dari

satelit altimetri dapat dilakukan dengan dua pendekatan, yaitu stokastik dan

deterministik. Pada penelitian ini, metode yang digunakan adalah pendekatan

stokastik dimana nilai anomali gayaberat diinterpolasi langsung berdasarkan

data yang ada menggunakan least-squares collocation (LSC) menurut Hwang

and Parsons, 1996.

∆g = C∆gε (Cεε + Dεε)-1 ε ………………………………………………... (4)

dimana C∆gε, Cεε, dan Dεε adalah matriks kovariansi anomali gayaberat –

residual geoid gradien, residual geoid gradien – residual geoid gradien, dan

noise dari residual geoid gradien.

Pemodelan Batimetri

Pemodelan batimetri berdasarkan nilai anomaly gayaberat dilakukan

menggunakan metode Gravity Geological Model (GGM) yang diilustrasikan

pada Gambar 2. GGM mengaplikasikan terminologi Bouguer 2πG∆ρ(dref(i) –

D), dimana G adalah konstanta gravitasi (6.672 x 10-8 cm3/gs2), ∆ρ perbedaan

masa jenis air laut dan bedrock dengan nilai 1.64 cm3/g, D merupakan nilai

kedalaman yang paling dalam (500 m untuk perairan Natuna dan 7,000 m

untuk Laut Sulawesi), dan dref adalah referensi kedalaman berdasarkan global

batimetri ETOPO1.

Gambar 16. Terminologi Bouguer

Data dan Lokasi Penelitian

Batasan geografis adalah 90o – 150o BT dan 15o LS – 15o LU. Data yang

digunakan pada penelitian ini adalah SSH yang dikompilasi dari server rads,

EGM2008 sampai dengan 2160 derajat (Gambar 3), MDT DTU10

ftp://ftp.space.dtu.dk/pub/DTU10/1_MIN/ (Gambar 4), trackline gayaberat

NGDC (Gambar 5), survei batimetri BIG (Gambar 6), dan model global

ETOPO1 (Gambar 7). Misi satelit altimetri yang digunakan antara lain ERS-1

Phase E dan F, Geosat GM, Cryosat-2, Jason-1 Phase C, dan SARAL GM.

Gambar 17. Model global untuk anomali gayaberat (atas) dan geoid (bawah)

Gambar 18. Model global MDT DTU10

Gambar 19. Trackline gayaberat dari NGDC

Gambar 20. Data survei batimetri di BIG

Gambar 21. Model global ETOPO1

Model batimetri akan memiliki resolusi 1 menit (~1.85 km) sehingga

semua data yang dibutuhkan akan menggunakan resolusi yang sama. Secara

umum, alur penelitian ini disajikan pada Gambar 8. Tahap awal penelitian ini

adalah menghitung nilai residual geoid gradien setiap satelit. Seperti telah

disebutkan sebelumnya bahwa penelitian ini terbagi menjadi tiga skenario.

Namun, untuk melihat distribusi rms setiap satelit terhadap NGDC, anomali

gayaberat setiap satelit dihitung terlebih dahulu. Setelah itu, nilai residual

geoid gradien setiap satelit dikombinasikan sesuai skenario. Gridding anomali

gayaberat dilakukan menggunakan metode LSC dengan ukuran 1’ x 1’.

Terminologi Bouguer diterapkan pada model anomali gayaberat untuk

memodelkan batimetri. Model anomali gayaberat dan batimetri dari satelit

altimetri ini kemudian divalidasi untuk melihat nilai rms. Data trackline

gayaberat NGDC digunakan sebagai validator model anomali gayaberat dan

data survei batimetri milik BIG digunakan untuk validasi model batimetri.

Gambar 22. Alur kerja penelitian pemodelan batimetri menggunakan data altimetri

II.5.2. Penentuan konstanta pasut dengan Pemodelan Chart Datum

menggunakan satelit Altimetri

Menentukan nilai pasut di lautan lepas bisa menggunakan hasil

pengamatan satelit Altimetri. Pengukuran pasut menggunakan satelit

Altimetri memiliki tingkat presisi dan akurasi data yang cukup baik dan

bisa digunakan secara global mencakup seluruh wilayah perairan

Indonesia. Walaupun model pasut yang dihasilkan Satelit Altimetri

terbatas untuk wilayah perairan dalam, namun pemodelan pasut oleh data

Satelit Altimetri saat ini masih menjadi alternatif terbaik yang bisa

digunakan untuk membuat model pasut Indonesia. Solusi model pasut

global saat ini masih memiliki aspek keterbatasan, misalnya model pasut

Schrama & Ray (1994) dan Smith (1999) yang hanya dibatasi untuk laut

dengan kedalaman > 200 m sedangkan wilayah Indonesia memiliki data

perairan dengan kedalaman < 200 m. Dalam pemanfaatannya, satelit

altimetri bisa digunakan untuk kegiatan unifikasi datum antar pulau.

Melihat potensi negara Indonesia yang merupakan negara kepulauan,

SSH data sets

Residual geoid gradien

Anomali gayaberat

LSC

RMSNGDC

Batimetri altimetri

Bouguer

Validasi

Survei batimetri

maka harapannya proses unfikasi datum bisa terbantu dengan

menggunakan satelit altimetri.

Satelit altimetri dilengkapi oleh beberapa perangkat seperti pemancar

pulsa radar, penerima pulsa radar, serta jam berakurasi tinggi. Altimeter

radar yang dibawa oleh satelit memancarkan pulsa-pulsa gelombang

elektromagnetik ke permukaan laut. Pulsa-pulsa tersebut dipantulkan balik

oleh permukaan laut dan diterima kembali oleh satelit. Informasi utama

yang ingin ditentukan dengan satelit altimetri adalah topografi dari muka

laut. Hal ini dilakukan dengan mengukur ketinggian satelit diatas

permukaan laut dengan menggunakan waktu tempuh dari pulsa radar yang

dikirimkan ke permukaan laut dan dipantulkan balik ke satelit (Abidin,

2001).

Gambar 23. Pengamatan muka laut menggunakan satelit altimetri.

Pengukuran ketinggian satelit dilakukan diatas permukaan laut (h)

dengan menggunakan waktu tempuh (∆𝑡) dari pulsa radar yang dikirimkan

ke permukaan laut dan dipantulkan balik ke satelit, sebagai berikut

(Abidin, 2001):

ℎ =1

2 ∆𝑡𝑐 .................................................................................................................... (1)

Keterangan :

h = Jarak antara satelit dengan permukaan laut sesaat

∆t = Perbedaan waktu tempuh saat pemancaran dan saat penerimaan sinyal

c = Kecepatan rambat gelombang elektromagnetik

Satelit altimetri merupakan satelit yang mempunyai misi untuk

mengamati topografi dan dinamika perubahan muka laut secara kontinyu,

pertama kali diluncurkan sekitar tahun 1970 dan hingga sekarang masih

beroperasi menghasilkan data. Data perubahan muka laut tersebut

menyimpan sinyal pasut, dengan teknik pengolahan data tertentu maka

sinyal pasut dapat diekstrak.

Tabel 5. Resolusi spasial dan temporal satelit topex/jason dan ERS.

Satellite Sponsor

Repeat

Period

Track

Spacing Inclination Perigee Period Weight

T/P

NASA

&

CNES

10

days 315 km 66°

1340

km

112

minutes

2400

kg

Jason-1

NASA

&

CNES

10

days 315 km 66°

1336

km

112

minutes 500 kg

ERS-1 ESA

35

days 80 km 98.5° 780 km

100

minutes

2400

kg

ERS-2 ESA

35

days 80 km 98.5° 785 km

100

minutes

2516

kg

Model pasut yang diturunkan dari satelit altimetri Topex dan Jason

memiliki akurasi 2-3 cm di lautan dalam, namun untuk area pesisir dan

laut dangkal data altimetri masih menemukan masalah yang cukup rumit.

Data satelit altimetri kurang bagus untuk wilayah-wilayah shallow water.

Satelit altimetri memiliki periode perekaman data yang jauh berbeda

dengan periode gelombang pasut. Sebagai contoh seperti pada satelit

Topex dan Jason memiliki periode perekaman data setiap 9.91 hari, artinya

satelit akan mengambil data di lokasi yang sama setelah 9.91 hari

kemudian. Contoh lain adalah satelit ERS yang memiliki periode 35 hari.

Periode lengkap masing-masing satelit bisa dilihat pada tabel 1, warna

merah menunjukkan satelit bagian dari ERS, sementara warna biru

merupakan kelas TOPEX JASON. Melihat periode satelit altimetri yang

lebih besar dibandingkan dengan periode gelombang pasut terutama untuk

komponen semidiurnal dan diurnal maka akan menimbulkan adanya

fenomena aliasing frekuensi pasut. Aliasing frekuensi pasut adalah

berubahnya nilai frekuensi asli komponen pasut menjadi frekuensi semu

atau palsu.

Metode yang akan digunakan adalah analisis harmonik dengan metode

least square karena untuk menentukkan beberapa konstanta pasut

dibutuhkan banyak data (time series data). Tujuan dari analisis harmonik

adalah untuk menentukan amplitudo dan fase pada masing-masing

konstanta pasang-surut berdasarkan frekuensi astronomi dari suatu

perekaman data deret waktu (time series).

Data yang digunakan pada penelitian kali ini adalah data satelit

Altimetri multimission yang terdiri dari Satelit Jason1, Satelit Jason2,

Satelit Jason-3, Satelit TOPEX, Satelit ERS-1, Satelit ERS-2, Satelit

Envisat, Satelit GFO-1, Satelit GEOSAT. Data satelit Altimetri yang

digunakan adalah satelit altimetri didownload di situs RADS dan sudah

dikoreksi dari koreksi media transmisi (koreksi dry di troposfer, koreksi

wet troposfer&koreksi ionosfer, koresi inv_bar, koreksi geofisik (koreksi

tide solid dan koreksi pole tide), koreksi media pantul (koreksi sea state

bias (ssb) dan koreksi referensi frame offset). Satelit Altimetri mempunyai

cara kerja dengan mengukur jarak vertikal dari satelit ke permukaan laut,

yang mana tinggi satelit di atas permukaan ellipsoid referensinya

diketahui, maka tinggi muka laut yang terukur adalah selisih tinggi satelit

dengan jarak vertikal atau sering disebut dengan tinggi SSH (Sea Surface

Height). Data pengamatan satelit altimetri Topex/Jason bisa dilihat pada

gambar 4.

Gambar 24. Ground Tracking Satelit topex/jason.

Tahap selanjutnya adalah melakukan proses download data satelit

Altimetri dari server RADS. Beberapa script yang digunakan untuk proses

download data dapat dilihat pada tabel 3 di bawah ini.

Tabel 6. Script Download Data dari Server RADS

No Pil. Pendek Pil. Panjang Kat. di rads

data manual Fungsi

Contoh

Penggunaan Keterangan

1 -S --sat required

argument

pemilihan

satelit -S tx; --sat tx

2 -C --cycle data selector pemilihan

cycle

-C 100,50 ; --

cycle=100,50

3 -P --pass data selector pemilihan

pass/track

-P 1,100; --

pass=100,50; P a;

P d

P a: pass

ascending; P d:

pass descending

4 -L --limits data selector

pemilihan

range pada

variabel

--limits sla=-5,5

5 -A --alias data selector

pemilihan

model yang

digunakan

-A

mss=mss_cnescls1

1

6 -F --format data selector

format jumlah

karakter pada

variabel

-F sla=f8.4; --

format sla=f8.4

7 -R --region data selector pemilihan

batas wilayah -R 95,150,-11,6

8 -V --var data selector pemilihan

variabel output -V time,sla,lat,lon

9 -X --xml data selector

menge-load

konfigurasi

yang

digunakan

-X radscoba.xml; -

-xml radscoba.xml

10 -v --verbose rads options Peningkatan

informasi

11 -o --output program optios

nama output

yang

digunakan

-o topex.asc; --

output=topex.asc

Pemilihan Komponen Pasang Surut Harmonik

Satelit Altimetri yang digunakan adalah satelit altimetri didownload di

situs RADS dan sudah dikoreksi dari koreksi media transmisi (koreksi dry

di troposfer, koreksi wet troposfer&koreksi ionosfer, koresi inv_bar,

koreksi geofisik (koreksi tide solid dan koreksi pole tide), koreksi media

pantul (koreksi sea state bias (ssb) dan koreksi referensi frame offset).

Namun data ini juga data yang masih mengandung sinyal pasang surut

(pasut) serta informasi frekuensi setiap komponen pasut yang akan

diekstrak dari data satelit altimetri ini. Pemilihan komponen pasut dari

penelitian ini adalah seperti tabel 5 di bawah ini.

Pemilihan komponen tersebut juga mempertimbangkan kriteria

Rayleigh untuk menentukkan banyaknya komponen gelombang pasut

yang dapat diuraikan berdasarkan panjang data itu sendiri. Metode yang

digunakan untuk menganalisis komponen pasut yang mana saja yang akan

diseleksi adalah dengan metode least square yang menggunakan prinsip

pembobotan berdasarkan nilai residu disertai juga dengan nilai

statistiknya. Analisis harmonik pasut merupakan suatu metode untuk

mengetahui sifat dan karakter pasut pada suatu perairan tertentu

menggunakan hasil pengamatan pasut di perairan tersebut selama kurun

waktu tertentu. Nilai konstanta harmonik dihitung dalam analisis

harmonik ini yaitu nilai amplitudo dan beda fase dari unsur-unsur

pembentuk pasut dengan metode tertentu. Tujuan dari analisis harmonik

adalah untuk menentukan amplitudo dan fase pada masing-masing

konstanta pasang-surut berdasarkan frekuensi astronomi dari suatu

perekaman data deret waktu (time series). Analisis harmonik pada

awalnya didesain untuk menganalisis variabilitas pasut termasuk periode

tahunan dan tengah tahunan atau jangka waktu tertentu yang biasanya

terosilasi secara periodik. Secara umum, hirarki konstanta harmonik pasut

didominasi oleh periode diurnal dan semidiurnal, diikuti dengan variasi

periode dua mingguan, bulanan, stengah tahun dan tahunan.

Untuk menentukan nilai atau harga konstanta komponen harmonik

pasang surut laut maka perlu diketahui bahwa pasang surut yang diamati

dari variasi naik turunnya muka laut adalah hasil penjumlahan

(superposisi) dari semua gelombang komponen harmonik pasang surut

yang terjadi. Kecepatan sudut dan fasenya dapat dihitung berdasarkan

parameter astronomis. Dengan demikian tinggi muka laut pada suatu saat t

dapat dituliskan dalam persamaan:

ℎ(𝑡) + 𝑣(𝑡𝑛) = ℎ𝑚 + ∑ 𝐴𝑖cos (𝜔𝑖𝑡 − 𝑔𝑖)𝑘𝑖=1 ................................................. (2)

dengan h(t) adalah tinggi muka air laut yang merupakan fungsi dari

waktu, v(t) adalah residu, hm adalah tinggi muka air rerata, Ai adalah

amplitudo komponen ke-1, ωi yaitu kecepatan sudut komponen ke-I serta

gi yaitu beda fase komponen ke-i. Analisis harmonik umumnya

didasarkan pada data dengan panjang pengamatan tertentu sehingga

besaran amplitudo dan fase yang dihasilkan masih bergantung kepada

beberapa komponen yang memiliki periode panjang.

karena cos(a-b) = cos(a)cos(b) + sin(a)sin(b) maka:

ℎ(𝑡) + 𝑣(𝑡𝑛) = ℎ𝑚 + ∑ 𝐴𝑖 cos𝜔𝑖𝑡 𝑐𝑜𝑠𝑔𝑖 + 𝐴𝑖 sin𝜔𝑖𝑡 𝑠𝑖𝑛𝑔𝑖𝑘𝑖=1 .......... (3)

dimana:

Ar = 𝐴𝑖𝑐𝑜𝑠𝑔𝑖 Br = 𝐴𝑖𝑠𝑖𝑛𝑔𝑖

Sehingga persamaan bisa lebih disederhanakan menjadi:

ℎ(𝑡𝑛) + 𝑣(𝑡𝑛) = ℎ𝑚 + ∑ 𝐴𝑟 cos𝜔𝑖𝑡 + ∑ 𝐵𝑟 sin𝜔𝑖𝑡𝑘𝑖=1

𝑘𝑖=1 ..................... (4)

karena persamaan 3 telah berbentuk linier maka perhitungann amplitudo

dan fase komponen pasang surut dapat ditentukan dengan menggunakan

persamaan matriks. F (n x 1) merupakan vektor yang dihasilkan dari data

pengamtan muka laut, A (n x u) merupakan matriks desain dan matriks X (u x

1) merupakan vektor parameter dimana n adalah jumlah pengamatan dan u

adalah jumlah parameter yang digunakan.

F = AX ................................................................................................... (5)

dengan :

𝑭 = [

𝒉(𝒕𝟏)𝒉(𝒕𝟐)

⋮𝒉(𝒕𝒏)

]

𝑨 =

[

𝟏 𝟏 ⋮𝟏

𝐜𝐨𝐬(𝝎𝟏𝒕𝟏)

𝐜𝐨𝐬(𝝎𝟏𝒕𝟐) ⋮

𝐜𝐨𝐬(𝝎𝟏𝒕𝒏)

𝐬𝐢𝐧(𝝎𝟏𝒕𝟏)𝐬𝐢𝐧(𝝎𝟏𝒕𝟏)

⋮𝐬𝐢𝐧(𝝎𝟏𝒕𝒏)

𝐜𝐨𝐬(𝝎𝟏𝒕𝟏)𝐜𝐨𝐬(𝝎𝟏𝒕𝟏)

⋮ 𝐜𝐨𝐬(𝝎𝟐𝒕𝒏)

𝐬𝐢𝐧(𝝎𝟏𝒕𝟏) 𝐬𝐢𝐧(𝝎𝟏𝒕𝟏)

⋮

𝐬𝐢𝐧(𝝎𝟐𝒕𝒏)

…… …

𝐜𝐨𝐬(𝝎𝒊𝒕𝟏)𝐜𝐨𝐬(𝝎𝒊𝒕𝟐)

⋮𝐜𝐨𝐬(𝝎𝒊𝒕𝒏)

𝐬𝐢𝐧(𝝎𝒊𝒕𝟏)𝐬𝐢𝐧(𝝎𝒊𝒕𝟐)

⋮𝐬𝐢𝐧(𝝎𝒊𝒕𝒏)

]

𝑿 =

[ 𝒉𝒎𝑨𝟏

𝑩𝟏

𝑨𝟐

𝑩𝟐

⋮𝑨𝒓

𝑩𝒓 ]

Dengan menggunakan persamaan perataan kuadrat terkecil :

X = (AT.P.A)-1.AT.P.F ............................................................................. (6)

Maka didapat matriks X yang berisi parameter-parameter So, Aj dan Bj.

Matriks P sendiri merupakan matriks bobot yang menjadi representasi dari

kualitas setiap data yang berbeda-beda. Bobot setiap data dirumuskan

sebagai berikut :

𝑷𝒊 =𝝈

𝟎𝟐

𝝈𝒊𝟐

..................................................................................................................... (7)

dengan :

Pi = bobot data pengukuran ke-i

σ0

2 = faktor variansi apriori

σ0

2 = variansi data pengukuran ke-i

Vektor koreksi V (n x 1) ditentukan dengan prinsip kuadrat terkecil, yaitu

VTPV dimana P merupakan matriks bobot pengamatan. Nilai bobot

pengamatan bernilai 1 (matriks identitas) apabila bobot setiap pengamatan

adalah sama. Nilai bobot dapat ditentukan besarnya sesuai dengan

karakteristik pada setiap data pengamatan dengan syarat bahwa nilai

bobot terssebut dapat merepresentasikan kualitas data pengamatan secara

logis.

Pengukuran pasang surut dengan menggunakan data satelit altimetri

yang mempunyai kualitas beragam, maka nilai matriks P harus ditentukan

sesuai dengan kualitas dari setiap data yang digunakan. Setelah persamaan

5 selesai, maka matriks X berisi parameter hitung perataan.

Ar = aicos (𝜃𝑖) dan Br = aisin (𝜃𝑖)

Ar2 +Br2 = ai2cos2(𝜃𝑖)+ ai2sin2(𝜃𝑖)

Ar2 +Br2 = ai2(cos2(𝜃𝑖)+ sin2(𝜃𝑖))

Ar2 +Br2 = ai2.1

𝑎𝑖 = √𝐴𝑟2 + 𝐵𝑟2 (komponen amplitudo) ............................................. (8)

𝐵𝑟

𝐴𝑟=

𝑎𝑖𝑠𝑖𝑛(𝜃𝑖)

𝑎𝑖 𝑐𝑜𝑠(𝜃𝑖)

𝐵𝑟

𝐴𝑟= 𝑡𝑎𝑛(𝜃𝑖)

(𝜃𝑖) = atan (𝐵𝑟

𝐴𝑟) (komponen keterlambatan fase) ................................... (9)

Pendekatan analisis harmonik menghasilkan koefisien harmonik

pasut, yaitu amplitudo dan fase sesuai dengan frekuensi komponen

tertentu yang ingin diekstrak dari data pengamatan yang ada. Setelah

menentukan komponen pasut yang akan dianalisis, maka selanjutnya bisa

mengurangkan data awal dengan data hasil rekonstruksi sehingga

menghasikan data non-tidal atau sering disebut dengan data residual. Data

residual ini yang kita sebut sebagai data SLA (Sea Level Anomaly).

Model pembobotan data pengamatan diturunkan dari matriks variansi-

kovariansi residu (Qvv) dari hasil pengolahan data dengan menganggap

bahwa bobot yang digunakan adalah sama (diberi nilai bobot satu).

Penelitian ini menggunakan t_tidegen.m yang mana script ini

berfungsi untuk menentukan nilai amplitudo, phase dan standart deviasi

dari setiap konstituen pasut yang sudah ditentukan. Estimasi dilakukan

pada setiap pass dan footprint. Doodson number digunakan sebagai

formula dalam script ini. Persamaan umum potensial pasut oleh faktor

bulan dan matahari pada lintang pengamat tertentu dapat dituliskan

sebagai berikut:

Ω = 𝛺(𝑑𝑚, 𝑑𝑠, 𝛿𝑚, 𝛿𝑠, ℎ𝑚, ℎ𝑠) ....................................................................... (10)

dimana:

𝑚, 𝑠 : subscript untuk menyatakan bulan (m) dan matahari (s)

𝑑 : jarak bumi ke bulan atau matahari

𝛿 : deklinasi bulan atau matahari

H : sudut jam bulan atau matahari

Mengingat gelombang pasut sebagai efek gaya pembangkit periodik,

maka dapat dinyatakan sebagai jumlah linier gelombang-gelombang

stasioner dan bergerak. Setiap gelombang harus mewakili setiap atraksi

periodik (ingham, 1974), dan dinamakan sebagai komponen pasut (tide

constituent). Dalam jangka waktu yang panjang, kombinasi suku-suku

pasut mungkin terjadi, bisa berupa kombinasi frekuensi. Hal ini

mengakibatkan timbulnya variasi komponen pasut. Komponen pasut oleh

faktor bulan disebut sebagai principal lunar, sedangkan oleh matahari

dinamakan sebagai principal solar. Berikut hasil plotting tidal estimate

yang berisi SSH observasi, SSH Hasil Prediksi, error hasil prediksi dan

korelasi konstanta pasang surutnya.

Reformat data Altimetri

Setelah data selesai didownload maka tahapan selanjutnya adalah

proses reformat data, agar data dapat diolah menggunakan software

matlab. Tahapan reformat file adalah dengan menyusun tumpukan file

dari hasil pengunduhan data dari server RADS dan menata tumpukan

tersebut untuk mempermudah pengolahan menggunakan perangkat lunak

Matlab. Format yang diberikan oleh RADS adalah format ASCII dengan

masih ada header keterangan yang memberikan keterangan terkait dengan

pass, cycle, waktu perekaman satelit altimetri dan parameter yang ingin

dikeluarkan.

Collinear Analysis

Proses collinear analysis dilakukan untuk menentukan titik center point

dari setiap pengamatan Sea Surface Height yang dilakukan. Satelit

altimetri akan melakukan pengamatan di titik yang sama pada periode

tertentu (revisit time), akan tetapi posisi satelit di titik yang sama berubah-

ubah, tidak bisa berada di posisi yang tepat kembali ke posisi titik

sebelumnya. Data pengamatan seluruh cycle di titik yang berdekatan

dinamakan dengan footprint data. Script Colinearf.m ini akan memberikan

nilai center point dari footprint akibat adanya pergeseran track satelit.

Collinear analysis akan memisahkan footprint titik-titik setiap pass yang

identik kemudian data akan dikumpulkan menjadi grup-grup per pass.

Skema kerja script ini dapat dilihat pada Gambar xx. Hasil proses

collinear analysis ini seakan-akan membangun data pengamatan pasut dari

“palem pasut” di lautan lepas dengan interval pengamatan pasut sesuai

dengan periode satelit altimetri yang digunakan.

Gambar 25. Proses collinear analyis.

Tidal Estimate

Pada proses tidal estimate ini script yang digunakan adalah

tidegen.m di matlab. Tidal estimate merupakan proses penentuan

amplitudo, fase dan standart deviasi tiap komponen pasut. Tidal analysis

dilakukan dengan menggunakan metode pertaan kuadrat terkecil. Tidal

estimate mengambil input dari hasil collinear analysis di raw_2, kemudian

hasil tidal estimate akan disimpan pada folder Out. Tentukan nama

konstituen pasut yang akan dianalisis. Pastikan nama ‘satelit’ sesuai

dengan file yang akan diolah. Nama ‘satelit’ akan berpengaruh terhadap

penentuan periode sampling satelit.

II.5.3. Model DEM batimetri perairan dangkal dalam rangka mendukung

kegiatan INSINas 2018

Wilayah Indonesia merupakan wilayah kepulauan yang dikelilingi oleh

perairan. Secara langsung, seluruh pulau di Indonesia dikelilingi oleh

wilayah pantai. Berbagai macam karakteristik pantai mempengaruhi

footprint1

footprint2

footprint3

ketersediaan data spasial wilayah pantai di Indonesia. Hingga saat ini

penentuan garis pantai dilakukan secara teristris maupun digitasi on screen

diatas muka citra. Kedua metode tersebut memiliki kelemahan diantaranya

membutuhkan waktu yang lama, biaya yang mahal, personil maupun

terbatasnya cakupan area yang dapat disurvei. Oleh karena itu berdasarkan

kelemahan metode sebelumnya, maka penelitian melakukan

pengembangan metode dengan menggunakan citra multispektral untuk

mendapatkan nilai kedalaman pada perairan dangkal. Membangun model

garis pantai pada dasarnya membutuhkan banyak data masukan seperti

data topografi, data kedalaman, dan data mengenai pasang surut laut

(Gambar2.). Semua data harus berada referensi yang sama, sehingga

dengan ketersediaan data tersebut dapat diolah menjadi model untuk

menentukan posisi garis pantai. Penyamaan referensi bertujuan agar data

yang diolah saling berkesinambungan.

Gambar 26. Diagram alir proses pemodelan untuk mendapatkan data garis

pantai secara umum

Sumber: Oktaviani, 2015

Penelitian saat ini hanya difokuskan untuk menghasilkan data batimetri di

perairan dangkal. Pemanfaatan citra multispektral untuk mendapatkan data

kedalaman di perairan dangkal dikarenakan daerah perairan dangkal

biasanya sangat sulit di survei secara teristris. Penelitian ini fokus pada

prosesing ekstrak data kedalaman perairan dangkal hingga menghasilkan

DEM shallow water. Data DEM ini yang nantinya dimanfaatkan untuk

memodelkan garis pantai. Idealnya pemodelan garis pantai terdiri dari

beberapa data masukan seperti data topografi, data kedalaman, dan data

mengenai pasang surut laut (Gambar2.). Data yang menjadi data masukan

tersebut harus berada pada referensi yang sama. Selanjutnya jika semua

data telah diproses, maka tahapan yang paling menentukan adalah meng-

integrasikan semua data sehingga terbentuk DEM yang seamless. Bagian

yang dilakukan dalam penelitian ini adalah untuk menghasilkan data DEM

perairan dangkal yang biasa berada dia area pantai dan pesisir. Area dibagi

menjadi beberapa bagian pulau, untuk meringankan perangkat komputer

dalam menjalankan aplikasi prosesing. Selain itu untuk memuddahkan

penulis dalam melakukan analisis hasil. Gambar 4. merupakan diagram

alir proses ekstraksi data kedalaman citra.

Gambar 27. (a) Bagian proses pada diagram alir yang terdapat pada

Gambar 2. ; (b) Diagram alir prosesing untuk mendapatkan nilai estimasi

kedalaman perairan dangkal

Sumber: (modifikasi) Manessa,2016

Uji Akurasi

Perhitungan prediksi kedalaman dengan menggunakan citra Landsat TM-

8 memerlukan evaluasi prediksi kedalaman. Evaluasi ini bertujuan untuk

melihat seberapa baik model yang dihasilkan dengan nilai kedalaman

sebenarnya. Uji akurasi secara teknis dilakukan dengan membandingkan

nilai kedalaman hasil model dengan nilai kedalaman hasil sounding.

Adapun rumus matematis pada tahap evaluasi ini adalah bergantung pada

nilai R2 dan juga RMSE (Root Mean Square Error) sebagai berikut :

R2

R2 adalah metode untuk mengukur ketersebaran dalam datanya itu sendiri,

jika nilai mendekati angka 1 maka data yang cukup bermacam-macam itu

sudah tertangani dengan baik baik dalam model regresi linier yang

dibentuk.

R2 = 1 − ∑ 𝑖

(ℎ𝑖 − ℎ̂i )2

(ℎ𝑖 − ℎ)2 ....................................................... (10)

Dimana :

ℎ𝑖 adalah Kedalaman pengukuran

ĥi adalah Kedalaman estimasi

ℎ adalah Rata-rata nilai kedalaman

𝑛 adalah jumlah titik

R2 adalah Koefisien determinasi

RMSE

RMSE adalah metode untuk mengevaluasi teknik peramalan yang

digunakan untuk mengukur tingkat akurasi hasil perkiraan dari suatu

model. RMSE merupakan nilai rata-rata dari jumlah kuadrat kesalahan,

juga dapat menyatakan ukuran besarnya kesalahan yang dihasilkan oleh

suatu model perkiraan. Adapun rumus RMSE sebagai berikut

RMSE ℎ = ∑ 𝑛𝑖=1

√(∆ℎ𝑖− ∆ℎ̂i )2

𝑛 ................................................ (11)

Dimana :

ℎ𝑖 adalah Kedalaman pengukuran

ĥi adalah Kedalaman estimasi

ℎ adalah Rata-rata nilai kedalaman

𝑛 adalah jumlah titik

RMSE adalah Nilai rata-rata dari jumlah kuadrat kesalahan

II.5.4. Telaah Dokumen Literatur Penelitian Garis Pantai

Garis pantai seluruh dunia pasti mengalami pergerakan dan berubah.

Posisi mereka dipengaruhi oleh proses alami dan efek buatan manusia.

Komponen alami yang terus-menerus mengikis dan / atau membangun

garis pantai meliputi gelombang, kenaikan permukaan laut, badai dan

pasang surut (Banna dan Hereher, 2009; Dean dan Dalrymple, 2002;

Prancis, 2001). Sementara itu, pengaruh buatan manusia termasuk

pekerjaan konstruksi di daerah pantai seperti dermaga dan tembok laut,

pengembangan kawasan perumahan dan industri, dan penambangan pantai

(Aouiche et al., 2016; Sesli et al., 2009; Stefano et al. , 2013). Penyebab

penting lainnya dari perubahan posisi garis pantai adalah gangguan

pasokan sedimen ke sistem pantai yang mengarah ke erosi pantai.

Studi tentang perubahan garis pantai penting untuk perlindungan

pantai, perencanaan dan pengembangan pantai, dan navigasi yang aman

(Jin et al., 2015; Zanuttigh et al., 2005). Selain itu, posisi historis dan saat

ini dari garis pantai adalah informasi utama untuk memahami proses-

proses pesisir, mengantisipasi perubahan iklim, mengembangkan peta

bahaya dan mencegah perkembangan apa pun di wilayah berisiko tinggi

(Snoussi et al., 2009). Selain itu, karena garis pantai sensitif terhadap

proses alami dan perubahan antropogenik, garis pantai adalah salah satu

indikator geografis utama untuk pemantauan perubahan pantai. Kemajuan

alami dari posisi garis pantai menunjukkan penumpukan sedimen dan

penurunan energi gelombang. Sebaliknya, mundurnya posisi garis spantai

secara alami diakibatkan dari penurunan tumpukan sedimen dan

peningkatan energi gelombang (Morton, 2002).

Untuk memantau posisi garis pantai, diperlukan definisi garis pantai.

Masalah muncul ketika tidak jelas definisi apa yang telah digunakan

(Camfield dan Morang, 1996). Boak dan Turner (2005) mengemukakan

bahwa definisi fungsional garis pantai harus mempertimbangkan garis

pantai dalam aspek temporal dan spasial. Selain itu, ia harus

mempertimbangkan penyimpangan posisi garis pantai pada skala waktu

yang sedang diselidiki. Menjadi tantangan ketika mengembangkan teknik

terbaik untuk mengidentifikasi fitur garis pantai itu sendiri. Tekniknya

bervariasi berdasarkan sumber data dan definisi garis pantai yang dipilih.

Perubahan garis pantai adalah fenomena yang dinamis, peneliti harus

mendefinisikan proksi atau indikator sebagai fitur untuk mewakili posisi

garis pantai dengan 'benar' (Boak dan Turner, 2005; Camfield dan

Morang, 1996). Indikator yang dipilih dapat memengaruhi teknik yang

digunakan untuk identifikasi garis pantai (Moore, 2000). Dalam esensi ini,

posisi garis pantai dapat diidentifikasi berdasarkan berbagai indikator

garis pantai tergantung pada topografi area, sumber data, dan preferensi

ilmiah.

Indikator garis pantai yang paling umum adalah: a) fitur pantai yang

berbeda diklasifikasikan berdasarkan penyelarasan struktur buatan

manusia misalnya tepi darat dari struktur perlindungan pantai, fitur

morfologi (tanggul, garis tumbuh-tumbuhan, kaki bukit pasir, dan puncak

bukit pasir), dan garis air yang dipilih (garis air tinggi / HWL atau tingkat

pasang tinggi sebelumnya, dan garis basah / kering atau garis basah dan

pasir). Fitur-fitur ini digambarkan dari foto udara atau gambar dengan

resolusi sangat tinggi; b) Indikator berbasis datum pasang surut (garis

pantai yang terkoordinasi pasang surut) misalnya garis MHW (rerata air

tinggi) atau MLLW (rerata air lebih rendah) yang ditentukan dengan

memotong profil pantai dengan ketinggian vertikal tertentu yang

ditentukan oleh komponen pasang surut. Informasi ini dapat berasal dari

data LIDAR dan data survei lapangan (profil lintas pantai); dan c) fitur

garis pantai diekstraksi dengan teknik pemrosesan gambar dari citra

penginderaan jauh seperti piksel air / non-air atau piksel basah / pasir.

Garis pantai ini dianggap sebagai garis pantai instan dan dapat diturunkan

dari citra hiperspektral, multispektral, dan RADAR (Boak dan Turner,

2005; Crowell et al., 1991).

Metode Dan Sumber Data Untuk Identifikasi Shoreline

Metode berbasis survei darat

Pada tahun-tahun awal, metode berbasis survei lapangan untuk

mendapatkan garis pantai di Amerika Serikat menggunakan perangkat,

misalnya, tabel bidang, yang dapat memperoleh akurasi tinggi. Dalam

survei ini, arah dan jarak fitur garis pantai diamati dan ditentukan oleh

setidaknya empat orang di pantai dengan meja dan batang pesawat

(Graham et al., 2003). Garis pantai ditarik melalui serangkaian titik yang

diukur. Pada saat ini, HWL dianggap sebagai indikator terbaik dari

antarmuka darat-air. Itu dipetakan oleh topografi NOS (National Ocean

Service) sebagai posisi garis pantai dalam lembar Topografi (Crowell et

al., 1991). Peralatan lain untuk metode ini mungkin termasuk diferensial

kinematik Global Positioning System (GPS) yang dipasang pada

kendaraan, yang digerakkan pada kecepatan konstan di sepanjang garis

kepentingan yang terlihat jelas (Morton et al., 1993). Keuntungan dari

metode ini dibandingkan dengan menggunakan tabel bidang adalah bahwa

itu adalah metode yang relatif cepat (Stockdon et al., 2002).

Data survei dapat memberikan posisi garis pantai yang akurat, namun,

data historis cenderung terbatas baik secara spasial dan sementara (Boak

dan Turner, 2005). Selain itu, mereka berbiaya tinggi (baik dalam waktu

dan uang) dan metode padat karya (Anonim, 2006; Morton et al., 1993).

Metode berbasis foto udara

Sejak akhir 1920-an, metode berbasis foto udara mulai menggantikan

metode berbasis survei darat untuk memantau perubahan garis pantai,

tetapi hanya sejak akhir tahun 1930-an foto udara stereo tersedia. Metode

ini menjadi teknik utama karena dapat mencakup area yang lebih luas

dengan akurasi yang baik (Li et al., 2004; Moore, 2000).

Pada hari-hari awal, metode ini mencakup interpretasi visual fitur

garis pantai dari foto udara dan garis pantai yang terdigitalkan secara

manual. Garis pantai yang diperoleh dari foto-foto ini didasarkan pada

fitur yang dibedakan secara visual seperti garis MHW (Graham et al.,

2003), garis basah dan pasir (Fisher dan Overton, 1994), dan tepi vegetasi

(Ford, 2013) . Garis ini lebih ditentukan dari penampilan fisik (kira-kira

garis MHW) daripada diukur secara tepat (Li et al., 2002). Faktanya, garis

MHW ditentukan oleh level berlari di sepanjang pantai dan

memperkirakan ketinggian rata-rata level air tinggi (HWL) selama periode

18,6 tahun (Pugh, 1987).

Saat ini, fotogrametri modern memungkinkan sepasang foto udara

yang dipindai untuk dikonversi menjadi model medan digital tiga dimensi

dan ortofoto georektifikasi (Boak dan Turner, 2005). Oleh karena itu,

garis pantai yang terkoordinasi pasang surut dapat ditentukan secara

akurat. Namun, foto udara yang diambil pada tingkat air ini lebih mahal

daripada citra penginderaan jauh (Li et al., 2004) dan cakupan temporal

adalah spesifik lokasi (Boak dan Turner, 2005). Selain itu, proses

identifikasi garis pantai dari foto udara memiliki beberapa sumber

kesalahan potensial, misalnya distorsi foto, georeferensi fitur permanen,

dan kesalahan manusia dalam mengukur dan mendigitalkan (Crowell et

al., 1991; Fisher dan Overton, 1994; Moore, 2000; Thieler dan Danforth,

1994). Saat ini, garis pantai masih ditentukan melalui interpretasi model

stereo-fotogrametri foto udara, namun, metode baru untuk memantau

perubahan garis pantai semakin tersedia (Liu, 2009).

Metode berbasis LIDAR

Airborne LIDAR (Light Detection and Ranging) adalah sistem

penginderaan jauh aktif yang memiliki kemampuan untuk menutupi area

pantai yang luas dalam waktu singkat. Amerika Serikat telah memetakan

garis pantai menggunakan LIDAR sejak 1996 (NOAA, 2014). Sistem

LIDAR dioperasikan dengan menggunakan sinar laser untuk menerangi

medan dan mengukur ketinggian yang sangat akurat. Akuisisi LIDAR

harus direncanakan pada kondisi pasang surut (mis., Pasang surut) dengan

gelombang yang tenang dan rendah (Stockdon et al., 2002). Posisi garis

pantai dapat diekstraksi dengan memotong model elevasi digital yang

berasal dari data LIDAR dengan tidal datum yang diinginkan (tide-

coordinated) atau indikator level tide. Robertson et al. (2004) menurunkan

garis pantai dengan menghasilkan kontur pada DEM yang berasal dari

LIDAR berdasarkan tingkat pasang surut (air tinggi / HW) dan pasang

surut (berarti air tinggi / MHHW dan jalur MHW) yang diperoleh dari alat

pengukur gelombang terdekat. (Kim et al., 2017) menganalisis perubahan

garis pantai dengan menggunakan batimetri LIDAR udara dan turunan

garis MHHW (diperkirakan lebih tinggi air tinggi / AHHW). Dalam hal

ini, pilihan datum spesifik tergantung pada penggunaan garis pantai yang

diturunkan LIDAR. Jika garis pantai yang diturunkan LIDAR ini akan

dibandingkan dengan garis pantai historis lainnya, maka datum yang sama

harus digunakan (Stockdon et al., 2002). Terlepas dari keunggulan utama

LIDAR yang dapat mencakup area yang luas dalam waktu singkat, ini

sumber data umumnya terbatas dalam ketersediaan temporal dan

spasialnya karena mahal. Selain itu, kondisi cuaca dapat memengaruhi

perekaman sistem LIDAR (Anonim, 2006; Boak dan Turner, 2005).

Metode berbasis citra satelit

Saat ini, data penginderaan jauh menjadi semakin populer untuk

pemantauan perubahan garis pantai karena cakupannya yang besar dan

biaya yang rendah. Data penginderaan jauh dapat mengekstraksi fitur

garis pantai mis., Air / non-air atau piksel basah / kering untuk

mendapatkan garis pantai. Garis pantai yang berasal dari citra

penginderaan jauh dianggap sebagai garis pantai sesaat karena waktu

perolehan gambar-gambar tersebut hampir tidak sesuai dengan datum

pasang surut tertentu (mis., MHW atau MHHW). Namun, teknik

penginderaan jarak jauh dapat secara objektif menentukan proksi (tidak

hanya secara visual dibedakan) dari fitur garis pantai (Boak dan Turner,

2005). Pada akhirnya, ini akan mendukung ketahanan dan pengulangan

metode ekstraksi garis pantai.

Ada beberapa teknik klasifikasi gambar untuk mengidentifikasi fitur

garis pantai. Tinjauan metode untuk identifikasi fitur garis pantai

memungkinkan untuk mengidentifikasi tiga pendekatan seperti yang

dijelaskan di bawah ini.

Rasio pita

Rasio pita spektrum yang berbeda dari gambar yang sama telah

digunakan untuk mengidentifikasi proksi garis pantai dalam gambar

penginderaan jauh. Ini karena rasio pita dapat meningkatkan karakteristik

pantulan spektral untuk fitur tertentu seperti air, tanah dan vegetasi

(Richards, 2013). Untuk kasus ekstraksi garis pantai, keberadaan fitur air

ditingkatkan sementara fitur lainnya diminimalkan. Dalam estimasi,

metode rasio pita menggunakan pita tampak dan inframerah gambar

multi-spektral. Selanjutnya, pendekatan ambang batas histogram

diterapkan dalam penentuan piksel latar depan dan latar belakang yang

mewakili fitur garis pantai (air dan tanah). Sayangnya, menggunakan dua

pita untuk rasio pita hanya dapat meningkatkan air tanpa menghilangkan

sepenuhnya fitur non-air (Xu, 2006). Beberapa karya telah menyelidiki

pendekatan ini untuk memantau perubahan garis pantai menggunakan

kombinasi band yang berbeda misalnya band perbandingan 5 dan band 2

(b5 / b2) dari Landsat TM dan ETM (Ervita dan Marfai, 2017; Kuleli,

2010; Sarwar dan Woodroffe, 2013) , dan kombinasi band 2 dan band 4

(b2 / b4) dan band 2 dan band 5 (b2 / b5) dari Landsat TM (Masria et al.,

2015; Ozturk et al., 2015).

Metode indeks air

McFeeters (1996) mengusulkan indeks air perbedaan dinormalisasi

(NDWI) untuk membedakan air terbuka. Metode ini menggunakan band

hijau (band 2) dan near-infrared / NIR (band 4) dari Landsat TM. Ini

membantu meningkatkan keberadaan air, sekaligus menghilangkan

vegetasi tanah dan terestrial. Dalam hasilnya, fitur air memiliki nilai

positif; sedangkan fitur tanah dan vegetasi masing-masing memiliki nilai

nol dan negatif. Xu (2006) mengusulkan NDWI yang dimodifikasi dengan

mengganti pita NIR dengan pita infra merah tengah (MIR) untuk

menghilangkan kebisingan dari penumpukan di wilayah pesisir. Lebih

lanjut, Feyisa et al. (2014) mengusulkan indeks ekstraksi air otomatis baru

(AWEI) untuk meningkatkan akurasi klasifikasi untuk permukaan

bayangan dan gelap. Dalam literatur, metode ini telah digunakan untuk

mengekstraksi fitur garis pantai dan mengembangkan gambar biner yang

terdiri dari air dan tanah. Untuk mendapatkan posisi garis pantai dari

gambar indeks air ini, banyak penelitian menggunakan segmentasi

ambang batas misalnya, metode OTSU (Choung dan Jo, 2016; Kuleli,

2010; Liu et al., 2017), digitalisasi manual (Ghosh et al., 2015), dan

algoritma Kittler (Wang et al., 2014). Namun, pilihan ambang batas dalam

mendefinisikan air dan tanah masih menjadi masalah (Feyisa et al., 2014;

Sunder et al., 2017) yang menyebabkan klasifikasi lebih memakan waktu.

Metode klasifikasi yang tidak diawasi dan diawasi

Berbagai metode tanpa pengawasan dan pengawasan digunakan untuk

memantau perubahan garis pantai. Gagasan utama dari klasifikasi tanpa

pengawasan adalah bahwa piksel dalam suatu kelompok memiliki

intensitas dengan pola spektral yang sama. ISODATA (Iterative Self-

Organizing Data Analysis) adalah klasifikasi tanpa pengawasan yang

paling umum yang telah digunakan untuk mengidentifikasi proksi garis

pantai misalnya, pasir basah dan kering (García-Rubio et al., 2015;

Sekovski et al., 2014). ISODATA adalah algoritma pengelompokan yang

mengharuskan pengguna untuk menetapkan nilai untuk berbagai

parameter klasifikasi. Disarankan untuk menetapkan jumlah kelas yang

lebih tinggi untuk wilayah pesisir dengan berbagai tutupan lahan dan

jumlah kelas yang lebih rendah untuk wilayah tersebut dengan hanya

beberapa jenis tutupan lahan (Liu et al., 2011a). Namun, masalah dapat

muncul ketika pemisahan spektral antara kelas rendah (Andrieu, 2018).

Sementara itu, kelompok lain dari klasifikasi gambar untuk menghasilkan

posisi garis pantai dan perubahannya adalah klasifikasi terawasi yang

membutuhkan area pelatihan yang relevan berdasarkan pengetahuan

apriori dari pengguna karakteristik area studi. Beberapa studi tentang

metode ini termasuk mesin dukungan vektor (SVM) (Hannv et al., 2013;

Kalkana et al., 2013; Yin dan He, 2011) dan klasifikasi kemungkinan

maksimum (MLC) (Duru, 2017; Sekovski et al., 2014; Tamassoki et al.,

2014). Karena klasifikasi yang diawasi mengambil keuntungan dari

informasi yang diberikan dari sampel pelatihan, klasifikasi tersebut

bekerja secara efektif. Namun, untuk mengumpulkan sejumlah sampel

pelatihan yang dapat diandalkan cukup memakan waktu dan mahal dalam

skenario operasional yang pada akhirnya dapat mempengaruhi akurasi

akhir dari produk (Demir et al., 2014).

Telaah literatur ini bertujuan untuk memahami metode apa saja yang

pernah diterapkan dalam penentuan garis pantai. Berbagai lokasi dan

metode dapat memberi gambaran untuk diterapkan di wilayah Indonesia.

II.6. Hasil dan Pembahasan

II.6.1. Prototipe Model Batimetri Nasional dengan menggunakan Satelit

Altimetri

Model gayaberat Indonesia (Gambar 9) hasil pengolahan data

altimetri menggunakan metode LSC memiliki rentang dari ~-433 sampai

dengan ~576 mgal. Hasil ini termasuk area daratan. Secara statistik, hasil

validasi model ini dengan data trackline NGDC memberikan nilai mean ~6

mgal dan standar deviasi sebesar ~63 mgal. Walaupun hasil ini belum

optimal, namun model dengan ukuran 1’x1’ ini dapat dijadikan acuan awal

untuk perbaikan dan pengembangan model ke depannya.

Model batimetri Indonesia (Gambar 10) memiliki kedalaman sampai

dengan ~6,316 m. Hasil validasinya memberikan nilai mean ~100 m dan

standar deviasi ~262 m. Validasi yang dilakukan belum merepresentasikan

hasil model yang sebenarnya karena data sounding dari survei batimetri

terbatas hanya pada area pesisir atau pada area perairan dangkal.

Sementara kelemahan satelit altimetri ada pada area tersebut. Sinyal

altimetri akan mengalami error saat menembak sinyal di area dangkal.

Untuk mereduksi eror tersebut, diperlukan koreksi yang disebut dengan

retraking. Namun, proses retraking belum dilaksanakan pada penelitian ini

karena keterbatasan data. Untuk melakukan retraking diperlukan jenis raw

data yang berbeda dengan yang diunduh melalui server RADS.

Jika melihat lebih detail pada Gambar 11, residu anomali batimetri

memiliki nilai yang tinggi pada area palung dimana terjadi perubahan

kedalaman yang signifikan. Validasi model anomali gayaberat ini cukup

baik karena data trackline gayaberat cukup mencakup seluruh area

perairan Indonesia. Sementara itu, pada Gambar 12, terlihat bahwa data

sounding tersebar hanya pada area pesisir sehingga validasi yang

dilakukan menjadi tidak representatif.

Untuk melengkapi kekurangan satelit altimetri pada area pesisir, dapat

dilakukan kombinasi antara altimetri dengan satelit optis. Data kedalaman

dapat diekstrak dari satelit optis menggunakan metode Satellite Derived

Bathymetry (SDB). Hasil antara SDB dengan altimetri dapat

dikombinasikan untuk menghasilkan model batimetri Indonesia yang lebih

akurat.

Gambar 28. Residu model gayaberat dengan data trackline NGDC

Gambar 29. Residu model batimetri dengan data survei batimetri

II.6.2. Prototipe Konstanta Pasut dengan Pemodelan Chart Datum


Plotting SSH

Plotting SSH adalah metode untuk melihat gambaran awal

mengenai nilai SSH dari raw data yang didapatkan dari web RADS. Jika

diketahui kondisi awal mengenai nilai SSH ini, diharapkan dapat

dilakukan analisis lanjut mengenai data yang digunakan. Plotting SSH

dilakukan dengan scenario melihat perbedaan nilai SSH per satelit.

Pengolahan Data Per Satelit

Pengolahan masing-masing satelit ini dengan menggunakan data

Altimetri yang telah dilakukan koreksi. Data hasil dari RADS adalah

data dengan nilai RSS yang berdasarkan waktu dan posisi. Data satelit

Altimetri setiap satelit dapat dilakukan plotting nilai SSH dengan

menggunakan script yang sudah dikembangkan oleh tim ITB yaitu

plot_ssh_UI.m. Berikut hasil plottingan untuk nilai SSH masing-masing

satelit.

Data yang diolah dalam penelitian ini adalah data-data dari satelit :

a. Satelit Jason-1 Phase a

Gambar 30. Plot SSH Jason-1 Ascending

b. Satelit Jason-2 Phase a


c. Satelit Jason-3 Phase a


d. Satelit ERS-1

Gambar 33. Plot SSH ERS-1 Ascending

e. Satelit ERS-2

Gambar 34. Plot SSH ERS-2 Ascending

Hasil plotting menunjukkan bahwa satelit ERS-1 Phase C, ERS-2

Phase A ternyata memiliki ketersediaan data yang banyak kosong. Hal ini

tidak dapat dipungkiri sebab memang ketiga satelit itu memiliki interval

pencuplikan sekitar 35 hari, sedangkan interval waktu observasi ERS-1

hanya satu tahun, dan ERS-2 selama 16 tahun.

Pengolahan Tidal Correlation Per Satelit

Berisi hasil observasi dengan hasil pengolahan least square ditampilkan

dalam sebuah matrik korelasi (ditandai dengan warna kuning (nilai=1)

yang berada pada 1 garis lurus).

a. Satelit Jason-1 Phase a

Gambar 35. Plot Tidal Estimate Jason-1 Ascending

Gambar 36. Plot Tidal Estimate Jason-1 Descending

b. Satelit Jason-2 Phase a


c. Satelit Jason-3 Phase a


d. Satelit TOPEX Phase a

Gambar 39. Plot Tidal Estimate TOPEX Ascending

e. Satelit ERS-1 Phase c

Gambar 40. Plot Tidal Estimate ERS-1 Ascending

f. Satelit ERS-2 Phase a

Gambar 41. Plot Tidal Estimate ERS-2 Ascending

Dari hasil yang didapatkan, untuk satelit ERS-1 dan ERS-2 tidak dapat

terbentuk komponen pasut dikarenakan data ERS-1 dan ERS-2 untuk

wilayah Indonesia terdapat kekosongan data selama kedua satelit tersebut

mengorbit.

Simulasi Error terhadap Parameter

Data pasut altimetri yang time-series pada pengolahan data yang

dilakukan masih mengandung kesalahan orbit dan noise yang terjadi

akibat kesalahan instrrumen satelit Altimetri itu sendiri. Asumsi

pengolahan data ini adalah data altimetri yang diolah belum terbebas dari

semua kesalahan, dan tentunya noise akan mempengaruhi nilai konstanta

yang terbentuk. Menurut Nurmaulia (2010), pengaruh adanya kesalahan

pada pengamatan dapat diterapkan dengan 4 kondisi :

1. Kondisi 1 : data altimetri ditambahkan dengan noise terdistribusi

normal

2. Kondisi 2 data altimetri ditambahkan dengan noise yang uniformly

distributed

3. Kondisi 3 data altimetri ditambah dengan spike

4. Kondisi 4 : data altimetri memiliki kesalahan yang sistematik

ditambah dengan noise yang terdistribusi secara normal.

Penelitian ini, melihat error nilai amplituddo dan fase pada semua titik

cross over. Dari proses ini nantinya diharapkan dapat diketahui konstituen

maana saja yang bagus untuk dilakukan analisis selanjutnya. Semakin

kecil nilai error amplitudonya maka semakin bagus konstituen pasut

tersebut.

Berikut hasil plotting residu amplitudo dan fase untuk Satelit Jason-1

Phase a berdasarkan scenario tersebut:

( c )

( b )

( b )

( a )

( a )

( a )

( a )

( a )

( a )

( c )

( a )

( d )

Gambar 42. Plot Residu Amplitudo dan Fase Jason-1 dengan (a) kondisi

1, (b) kondisi 2, (c ) kondisi 3 dan (d) kondisi 4

II.6.3. Prototipe DEM batimetri perairan dangkal dalam rangka

mendukung kegiatan INSINas 2018

Hasil Penelitian ini berupa model DEM perairan dangkal hasil

ekstraksi citra Landsat 8. Validasi hasil model dilakukkan dengan

mencocokan nilaii kedalaman dari data pengukuran lapangan yang telah

ada, dengan data kedalaman hasil model. Berdasarkan hasil validasi yang

dilakukan pada beberapa titik sampel yang kedalamannya kurang dari 30

m, terdapat nilai yang mendekati sama. Sehingga model batimetri yang

dihasilkan untuk perairan dangkal dapat digunakan untuk memenuhi

kebutuhan data batimetri secara cepat.

Wilayah Sumatera

Gambar 43. (A) DEM kedalaman hasil ekstraksi citra Landsat 8 pada

wilayah Sumatera ; (i) Penampang melintang untuk membandingkan nilai





17.5 m di skala bar)

Wilayah Jawa

Gambar 44. (B) DEM kedalaman hasil ekstraksi citra Landsat 8 pada

wilayah Jawa ; (i) Penampang melintang untuk membandingkan nilai


citra Landsat 8 (posisi kedalaman 6,2 m di skala bar); (ii) Penampang



6.9 m di skala bar)

Wilayah Kalimantan

Gambar 45. (C) DEM kedalaman hasil ekstraksi citra Landsat 8 pada

wilayah Kalimantan ; (i) Penampang melintang untuk membandingkan

nilai kedalaman hasil survei (14.71 m) dengan profil kedalaman hasil

estimasi citra Landsat 8 (posisi kedalaman 14,2 m di skala bar); (ii)

Penampang melintang untuk membandingkan nilai kedalaman hasil survei

(9.24 m) dengan profil kedalaman hasil estimasi citra Landsat 8 (posisi

kedalaman 9.37 m di skala bar)

Wilayah Sulawesi

( D ) ( i )

( ii )

Gambar 46. (D) DEM hasil ekstraksi citra Landsat 8 pada wilayah Sulawesi ; (i)



8 (posisi kedalaman 8-9 m di skala bar); (ii) Penampang melintang DEM wilayah


profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman 21 m di skala bar)

(i)

(ii)

Legenda:




A. Wilayah Maluku

( E ) ( i )

( ii )

Gambar 47 (E) DEM hasil ekstraksi citra Landsat 8 pada wilayah Maluku ; (i)





profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman 13.299 m di skala

bar)

(i) ( i )

Legenda:




(ii) ( i )

B. Wilayah NTB-NTT

( F )

( i ) ( ii )

Gambar 48. (F) DEM hasil ekstraksi citra Landsat 8 pada wilayah NTB-NTT ; (i)





profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman 9.5 m di skala bar)

(ii)

(i)

C. Wilayah Papua

( G )

( i ) ( ii )

Gambar 49. (G) DEM hasil ekstraksi citra Landsat 8 pada wilayah Papua ; (i)



Landsat 8 (posisi kedalaman 7.644 m di skala bar); (ii) Penampang melintang DEM

wilayah Sulawesi Utara untuk membandingkan nilai kedalaman hasil survei (21.7 m)

dengan profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman 20.13 m di

skala bar)

(i)

Legenda:




Uji validasi juga dilakukan dengan menghitung nilai R2 dan RMSE

pada wilayah model. Tabel 2. Menunjukan nilai hasil uji akurasi terhadap

model dengan masing-masing wilayah kerja.

Tabel 7. Nilai uji validasi R2 dan RMSE masing-masing wilayah kerja

Nama Area R2 RMSE

Sumatera 0.946 2.638

Jawa 0.901 1.224

Kalimantan 0.962 1.521

Sulawesi 0.876 3.882

Maluku 0.674 6.779

NTB-NTT 0.781 4.760

Papua 0.916 3.1078

Berdasarkan data pada table 2. Nilai R2 pada model ini mendekati

nilai 1, sehingga bisa disimpulkan bahwa model dapat terbentuk dengan

metode yang ditetapkan. Sedangkan untuk nilai RMSE yang besar

menunjukan keakurasian model pada wilayah tersebut kurang baik.

Biasanya hal ini terjadi karena dimungkinkan pada wilayah tersebut

memiliki kedalaman lebih dari 30m/laut dalam. Namun hasil validasi

dengan data hasil survei yang ditampalkan dengan DEM hasil model,

selisih kedalaman berada pada kisaran < 100 centimeter.

II.6.4. Penyusunan Draft Hasil Telaah Dokumen Literatur Penelitian Garis

Pantai

Garis pantai merupakan fenomena yang dinamis sehingga setiap

penelitian harus mendefinisikan dengan benar posisi garis pantai yang

dimaksud (Boak dan Turner, 2005; Camfield dan Morang, 1996).

Indikator yang dipilih dapat mempengaruhi Teknik yang akan dipilih

untuk digunakan dalam mengidentifikasi garis pantai (Moore, 2000).

Penelitian ini mendapatkan hasil bahwa posisi garis pantai diidentifikasi

berdasarkan berbagai indikator garis pantai tergantung pada topografi

area, sumber data, dan preferensi ilmiah. Indikator garis pantai yang

paling umum adalah: a) fitur pantai yang berbeda diklasifikasikan

berdasarkan struktur buatan manusia misalnya bagian struktur

perlindungan pantai, fitur morfologi (tanggul, garis tumbuh-tumbuhan,

kaki bukit pasir, dan puncak bukit pasir), dan garis air yang dipilih (garis

air tinggi / HWL atau tingkat pasang tinggi sebelumnya, dan garis basah /

kering atau garis basah dan pasir). Fitur-fitur ini digambarkan dari foto

udara atau gambar dengan resolusi sangat tinggi; b) Indikator berbasis

datum pasang surut (garis pantai yang terkoordinasi pasang surut)

misalnya garis MHW (rerata air tinggi) atau MLLW (rerata air lebih

rendah) yang ditentukan dengan memotong profil pantai dengan

ketinggian vertikal tertentu yang ditentukan oleh komponen pasang surut.

Informasi ini dapat berasal dari data LIDAR dan data survei lapangan

(profil lintas pantai); dan c) fitur garis pantai diekstraksi dengan teknik

pemrosesan gambar dari citra penginderaan jauh seperti piksel air / non-

air atau piksel basah / pasir. Garis pantai ini dianggap sebagai garis pantai

instan dan dapat diturunkan dari citra hiperspektral, multispektral, dan

RADAR (Boak dan Turner, 2005; Crowell et al., 1991).


Shoreline

indicator


techniques

Reference

Piksel

terang/gelap

Objek yang ditandai,

temukan area terang yang

dibatasi piksel gelap,

dtetksi/hilangkan objek yang

menyentuh batas gambar,

temukan atau isi celah objek,

saring titik-titik rendah atau

tinggi dan jalankan operasi

lainnya

Resolusi rendah

dan tinggi oada

image

Morfologi

matematis

(Rishikeshan

and Ramesh,

2017)

MHHW

Profil pantai dengan kondisi

MHHW (the mean higher

high water) / rata-rata air

tinggi lebih tinggi

Image foto udara

atau satelit

Manual (Dang et al.,

2018)

AHHW Perkiraan air tinggi tertinggi LIDAR topografi

dan batimetri

Digital (Kim et al.,

2017)

Mean high-

water level

plane

Perpotongan rata-rata

permukaan air tingkat tinggi

dengan garis profil yang

berorientasi tegak lurus dari

pantai

Penanda survei Digital (Houston,

2017)

Water/non

water pixels

Perbedaan kode RGB

diantara air laut dan pewarna

Teknologi

pemantau berupa

video

Digital (Ahn et al.,

2017)

Shoreline

indicator


techniques

Reference

Vegetation

line

Batas vegetasi Foto udara

dengan resolusi

tinggi

Manual (Coyne et

al., 1999;

Ford, 2013)

Ordinary

high water

Identifikasi fitur-fitur seperti

tebing / tebing, puing-puing

kayu besar, pelindung garis

pantai dan batas air sebagai

dasar linear untuk

memetakan fitur-fitur ini.

Foto/video yang

tergeoreferensi

Manual (Anderson et

al., 2012)

HWL Diidentifikasi oleh perbedaan

warna batas basah dan batas

kering pada pantai saat

pasang sebelumnya

Image

Multispektral

Semi

digital

(Alharbi et

al., 2017)

HWL Batas basah dan kering dari

kondisi pasang sebelumnya

Image

Multispektral

Manual (Fletcher et

al., 2003;

Kankara et

al., 2015;

Natesan et

al., 2015;

O'Connell

and

Leatherman,

1999)

MHW Mean high water yang

menjadi dasar penentuan

datum

LIDAR Digital (Morton et

al., 2005;

Stockdon et

al., 2002)

LWM Low Water Mark

didefinisikan dengan

mendijitasi batas pantai atau

tepi pantai

Foto udara Manual (Romine et

al., 2009)

Garis pantai

berbasis

Datum

Ketinggian 1 meter untuk

mewakili garis pantai

LIDAR DigitaL (Lazarus and

Murray,

2007)

Kontur

pantai

HW (high water elevation),

MHW (mean high water) and

MHHW (mean higher high

water)

LIDAR Digital (Robertson

et al., 2004)

AHWL Average High Water Line Aerial photo Manual (Ruggiero et

al., 2003)

MHW Persimpangan garis pantai

dengan MHW

GPS Digital (Farris and

List, 2007)

MHW and

MLW

Berdasarkan interpolasi linier

dari ketinggian pasang-surut

yang diprediksi

Peta histori, foto

udara, LIDAR

Manual (Burningha

m and

French,

2017)

Foredune Diidentifikasi secara Foto udara Manual (Battiau-

Shoreline

indicator


techniques

Reference

foot stereoskopis oleh perubahan

dari bentuk bukit pasir yang

curam ke lereng pantai

(stereoscop

ically)

Queney et

al., 2003)

MLLW and

MHW

Mengidentifikasi MLLW dan

MHW from peta yang

didigitalkan secara manual

Peta/foto udara

yang ada

Manual (Li et al.,

2001)

II.7. Kesimpulan dan Saran

Kesimpulan dari penelitian ini adalah pemnafaatan data satelit

Altimetri dan data satelit berupa citra Multispektral mampu menghasilkan

model batimetri Nasional. Hasil penelitian pada tahun ini berupa DEM

batimetri (perairan dangkal dan perairan dalam), dapat menjadi batu loncatan

untuk menghasilkan data dengan resolusi yang lebih baik dengan melibatkan

beberapa parameter yang belum dilibatkan dalam penelitian ini. Untuk kasus

penentuan chart datum selanjutnya dapat diolah hingga menghasilkan model

chart datum yang diharapkan. Selanjutnya, telaah Literatur masih terus

dilanjutkan agar dapat memperkaya pengetahuan mengenai metode yang

baik diterapkan berdasarkan kondisi area survei yang dimaksud. Oleh sebab

itu diharapkan penelitian ini terus berlanjut hingga mendapatkan model

dengan resolusi yang baik.

DAFTAR PUSTAKA

Abidin, H. Z. (2001). Geodesi Satelit. Bandung: PT Pradnya Paramita.

Le Provost, C. (1983). An analysis of Seasat altimeter measurements over a coastal

area :The English Channel. Journal of Geophysical Research, 105(64), 8707–

8725.

Nurmaulia, S. L. (2008). Studi Awal Penentuan Model Pasut dari Satelit Altimetri

Topex dan Jason-1 (Studi Kasus : Wilayah Perairan Indonesia). Institut

Teknologi Bandung.

Schrama, E. J. O., & Ray, R. D. (1994). A preliminary tidal analysis of

TOPEX/POSEIDON altimetry. Journal of Geophysical Research, 99.

Seeber, G. (2003). Satellite Geodesy: Foundations, Methods, and Applications.

Berlin: Walter de Gruyter GmbH & Co.

Smith, A. (1999). Application of Satellite Altimetry for Global Ocean Tide Modeling.

Delft University.

Ahn, Y., Shin, B., & Kim, K.-H. (2017). Shoreline Change Monitoring using High

Resolution Digital Photogrammetric Technique. J Coastal Res, SI, 204-208

Alharbi, O.A., Phillips, M.R., Williams, A.T., Thomas, T., Hakami, M., Kerbe, J.,

Niang, A.J., Hermas, E., & Al-Ghamdi, K. (2017). Temporal shoreline change

and infrastructure influences along the southern Red Sea coast of Saudi Arabia.

Arab J Geosci, 10

Anderson, M.G., Judd, C., & Marcoe, K. (2012). Rapid Characterization of

Shorelines Using a Georeferenced Video Mapping System. J Coastal Res, 28,

1289-1296

Aouiche, I., Daoudi, L., Anthony, E.J., Sedrati, M., Ziane, E., Harti, A., &

Dussouillez, P. (2016). Anthropogenic effects on shoreface and shoreline

changes: Input from a multi-method analysis, Agadir Bay, Morocco.

Geomorphology, 254, 16–31

Banna, M.M.E., & Hereher, M.E. (2009). Detecting temporal shoreline changes and

erosion/accretion rates, using remote sensing, and their associated sediment

characteristics along the coast of North Sinai, Egypt. Environ Geol, 58, 1419–

1427

Battiau-Queney, Y., Billet, J.F., Chaverot, S., & Lanoy-Ratel, P. (2003). Recent

shoreline mobility and geomorphologic evolution of macrotidal sandy beaches

in the north of France. Mar. Geod., 194, 31-45

Boak, E.H., & Turner, I.L. (2005). Shoreline definition and detection: a review. J.

Coastal Res, 21, 688–703

Bracs, M.A., Turner, I.L., Splinter, K.D., Short, A.D., Lane, C., Davidson, M.A.,

Goodwin, I.D., Pritchard, T., & Cameron, D. (2016). Evaluation of

Opportunistic Shoreline Monitoring Capability Utilizing Existing “Surfcam”

Infrastructure. J. Coastal Res, 32, 542-554

Brown, S., Barton, M., & Nicholls, R. (2011). Coastal retreat and/or advance

adjacent to defences in England and Wales. J Coast Conserv, 15, 659–670

Burningham, H., & French, J. (2017). Understanding coastal change using shoreline

trend analysis supported by cluster-based segmentation. Geomorphology, 282,

131-149

Camfield, F.E., & Morang, A. (1996). Defining and interpreting shoreline change.

Ocean & Coastal Management, 32, 129-151

CERC (1984). Shore Protection Manual : Volume I. (Fourth Edition ed.).

Washington DC: Department of the Army, US Army Corps of Engineers

Coyne, M.A., Fletcher, C.H., & Richmond, B.M. (1999). Mapping Coastal Erosion

Hazard Areas in Hawaii: Observations and Errors. J Coastal Res, SI, 171-184

Dang, Y., Zhang, C., Zhou, X., Xu, J., & Xue, S. (2018). Instantaneous Shorelines

as an Intermediate for Island Shoreline Mapping based on Aerial/Satellite

Stereo Images. Mar. Geod., 41, 219-229

Dean, R.G., & Dalrymple, R.A. (2002). Coastal processes : with engineering

applications. Cambridge: Cambridge University Press

Farris, A.S., & List, J.H. (2007). Shoreline Change as a Proxy for Subaerial Beach

Volume Change. J Coastal Res, 23, 740-748

Fletcher, C., Rooney, J., Barbee, M., Lim, S.-C., & Richmond, B. (2003). Mapping

Shoreline Change Using Digital Orthophotogrammetry on Maui, Hawaii. J

Coastal Res, SI, 106-124

Ford, M. (2013). Shoreline changes interpreted from multi-temporal aerial

photographs and high resolution satellite images: Wotje Atoll, Marshall Islands.

REMOTE SENS. ENVIRON., 135 130–140

French, P.W. (2001). Coastal Defences : Processes, problems and solutions.

London: Taylor and Francis

Houston, J.R. (2017). Shoreline Change in Response to Sea-Level Rise on Florida’s

West Coast. J Coastal Res, 33, 1243-1260

Jin, D., Hoagland, P., Au, D.K., & Qiu, J. (2015). Shoreline change, seawalls, and

coastal property values. Ocean Coast Manage, 114, 185-193

Kankara, R.S., Selvan, S.C., Markose, V.J., Rajan, B., & Arockiaraj, S. (2015).

Estimation of long and short term shoreline changes along Andhra Pradesh

coast using Remote Sensing and GIS techniques. Procedia Engineering, 116,

855-862

Kim, H., Lee, S.B., & Min, K.S. (2017). Shoreline Change Analysis using Airborne

LiDAR Bathymetry for Coastal Monitoring. J Coastal Res, 79

Larson, M., & Kraus, N.C. (1991). Mathematical modeling of the fate of beach fill.

CoastalEngineering, 16, 83-114

Lazarus, E.D., & Murray, A.B. (2007). Process signatures in regional patterns of

shoreline change on annual to decadal time scales. Geophysical Research

Letters, 34, 1-5

Monmonier, M. (2008). Coast lines: how mapmakers frame the world and chart

environmental change. Chicago, United States of America: The University of

Chicago Press,

Moore, L.J. (2000). Shoreline Mapping Techniques. J. Coastal Res, 16, 111-124

Morton, R.A. (2002). Coastal geoindicators of environmental change in the humid

tropics. Environmental Geology, 42, 711–724

Morton, R.A., Miller, T., & Moore, L. (2005). Historical Shoreline Changes Along

the US Gulf of Mexico: A Summary of Recent Shoreline Comparisons and

Analyses. J Coastal Res, 21, 704-709

Natesan, U., Parthasarathy, A., Vishnunath, R., Kumar, G.E.J., & Ferrer, V.A.

(2015). Monitoring longterm shoreline changes along Tamil Nadu, India using

geospatial techniques. Aquatic Procedia, 4, 325-332

O'Connell, J.F., & Leatherman, S.P. (1999). Coastal Erosion Hazards and Mapping

Along the Massachusetts Shore. Coastal Erosion Mapping and Management,

SI, 27-33

Oertel, G.F. (2005). Coasts, coastlines, shores, and shorelines. In M.L. Schwartz

(Ed.), Encyclopedia of Coastal Science (pp. 323-327): © Springer

Rishikeshan, C.A., & Ramesh, H. (2017). A novel mathematical morphology based

algorithm for shoreline extraction from satellite images. Geo-spatial

Information Science, 20, 345-352

Robertson, W., Whitman, D., Zhang, K., & Leatherman, S.P. (2004). Mapping

Shoreline Position Using Airborne Laser Altimetry. J Coastal Res, 20, 884-892

Romine, B.M., Fletcher, C.H., Frazer, L.N., Genz, A.S., Barbee, M.M., & Lim, S.-

C. (2009). Historical Shoreline Change, Southeast Oahu, Hawaii; Applying

Polynomial Models to Calculate Shoreline Change Rates. J Coastal Res, 25,

1236-1253

Ruggiero, P., Kaminsky, G.M., & Gelfenbaum, G. (2003). Linking Proxy-Based

and Datum-Based Shorelines on a High-Energy Coastline: Implications for

Shoreline Change Analyses. J Coastal Res, SI, 57-82

Sesli, F.A., Karsli, F., Colkesen, I., & Akyol, N. (2009). Monitoring the changing

position of coastlines using aerial and satellite image data: an example from the

eastern coast of Trabzon, Turkey. Environ Monit Assess, 153, 391–403

Smith, G.L., & Zarillo, G.A. (1990). Calculating Long-Term Shoreline Recession

Rates Using Aerial Photographic and Beach Profiling Techniques. J Coastal

Res, 6, 111-120

Snoussi, M., Ouchani, T., Khouakhi, A., & Niang-Diop, I. (2009). Impacts of sea-

level rise on the Moroccan coastal zone: Quantifying coastal erosion and

flooding in the Tangier Bay. Geomorphology, 107, 32–40

Stefano, A.D., Pietro, R.D., Monaco, C., & Zanini, A. (2013). Anthropogenic

influence on coastal evolution: A case history from the Catania Gulf shoreline

(eastern Sicily, Italy). Ocean & Coastal Management 80 (2013), 80, 133-148

Stockdon, H.F., Asbury H. Sallenger, J., List, J.H., & Holrnan, R.A. (2002).

Estimation of Shoreline Position and Change using Airborne Topographic Lidar

Data. J. Coastal Res, 18, 502-513

Zanuttigh, B., Martinelli, L., Lamberti, A., Moschella, P., Hawkins, S., Marzetti, S.,

& Ceccherelli, V.U. (2005). Environmental design of coastal defence in Lido di

Dante, Italy. Coast Eng, 52, 1089– 1125

Ahn, Y., Shin, B., & Kim, K.-H. (2017). Shoreline Change Monitoring using High

Resolution Digital Photogrammetric Technique. J Coastal Res, SI, 204-208

Alharbi, O.A., Phillips, M.R., Williams, A.T., Thomas, T., Hakami, M., Kerbe, J.,

Niang, A.J., Hermas, E., & Al-Ghamdi, K. (2017). Temporal shoreline change

and infrastructure influences along the southern Red Sea coast of Saudi Arabia.

Arab J Geosci, 10

Anderson, M.G., Judd, C., & Marcoe, K. (2012). Rapid Characterization of Shorelines

Using a Georeferenced Video Mapping System. J Coastal Res, 28, 1289-1296

Anonymous (2006). Monitoring and Modelling the Shoreline. In, Practical Guide:

Messina Project

Aouiche, I., Daoudi, L., Anthony, E.J., Sedrati, M., Ziane, E., Harti, A., &

Dussouillez, P. (2016). Anthropogenic effects on shoreface and shoreline

changes: Input from a multi-method analysis, Agadir Bay, Morocco.

Geomorphology, 254, 16–31

Banna, M.M.E., & Hereher, M.E. (2009). Detecting temporal shoreline changes and

erosion/accretion rates, using remote sensing, and their associated sediment

characteristics along the coast of North Sinai, Egypt. Environ Geol, 58, 1419–

1427

Battiau-Queney, Y., Billet, J.F., Chaverot, S., & Lanoy-Ratel, P. (2003). Recent

shoreline mobility and geomorphologic evolution of macrotidal sandy beaches

in the north of France. Mar. Geod., 194, 31-45

Boak, E.H., & Turner, I.L. (2005). Shoreline definition and detection: a review. J.

Coastal Res, 21, 688–703

Bracs, M.A., Turner, I.L., Splinter, K.D., Short, A.D., Lane, C., Davidson, M.A.,

Goodwin, I.D., Pritchard, T., & Cameron, D. (2016). Evaluation of

Opportunistic Shoreline Monitoring Capability Utilizing Existing “Surfcam”

Infrastructure. J. Coastal Res, 32, 542-554

Brown, S., Barton, M., & Nicholls, R. (2011). Coastal retreat and/or advance adjacent

to defences in England and Wales. J Coast Conserv, 15, 659–670

Burningham, H., & French, J. (2017). Understanding coastal change using shoreline

trend analysis supported by cluster-based segmentation. Geomorphology, 282,

131-149

Camfield, F.E., & Morang, A. (1996). Defining and interpreting shoreline change.

Ocean & Coastal Management, 32, 129-151

CERC (1984). Shore Protection Manual : Volume I. (Fourth Edition ed.). Washington

DC: Department of the Army, US Army Corps of Engineers

Coyne, M.A., Fletcher, C.H., & Richmond, B.M. (1999). Mapping Coastal Erosion

Hazard Areas in Hawaii: Observations and Errors. J Coastal Res, SI, 171-184

Crowell, M., Leatherman, S.P., & Buckley, M.K. (1991). Historical Shoreline

Change: Error Analysis and Mapping Accuracy. J. Coastal Res, 7, 839-852

Dang, Y., Zhang, C., Zhou, X., Xu, J., & Xue, S. (2018). Instantaneous Shorelines as

an Intermediate for Island Shoreline Mapping based on Aerial/Satellite Stereo

Images. Mar. Geod., 41, 219-229

Dean, R.G., & Dalrymple, R.A. (2002). Coastal processes : with engineering

applications. Cambridge: Cambridge University Press

Farris, A.S., & List, J.H. (2007). Shoreline Change as a Proxy for Subaerial Beach

Volume Change. J Coastal Res, 23, 740-748

Fisher, J.S., & Overton, M.F. (1994). Interpretation of Shoreline Position from Aerial

Photographs. Shoreline from Aerial Photographs (pp. 1998-2003)

Fletcher, C., Rooney, J., Barbee, M., Lim, S.-C., & Richmond, B. (2003). Mapping

Shoreline Change Using Digital Orthophotogrammetry on Maui, Hawaii. J

Coastal Res, SI, 106-124

Ford, M. (2013). Shoreline changes interpreted from multi-temporal aerial

photographs and high resolution satellite images: Wotje Atoll, Marshall Islands.

REMOTE SENS. ENVIRON., 135 130–140

French, P.W. (2001). Coastal Defences : Processes, problems and solutions. London:

Taylor and Francis

Graham, D., Sault, M., & Bailey, C.J. (2003). National Ocean Service Shoreline—

Past, Present, and Future. J Coastal Res, SI, 14-32

Houston, J.R. (2017). Shoreline Change in Response to Sea-Level Rise on Florida’s

West Coast. J Coastal Res, 33, 1243-1260

Jin, D., Hoagland, P., Au, D.K., & Qiu, J. (2015). Shoreline change, seawalls, and

coastal property values. Ocean Coast Manage, 114, 185-193

Kankara, R.S., Selvan, S.C., Markose, V.J., Rajan, B., & Arockiaraj, S. (2015).

Estimation of long and short term shoreline changes along Andhra Pradesh

coast using Remote Sensing and GIS techniques. Procedia Engineering, 116,

855-862

Kim, H., Lee, S.B., & Min, K.S. (2017). Shoreline Change Analysis using Airborne

LiDAR Bathymetry for Coastal Monitoring. J Coastal Res, 79

Larson, M., & Kraus, N.C. (1991). Mathematical modeling of the fate of beach fill.

CoastalEngineering, 16, 83-114

Lazarus, E.D., & Murray, A.B. (2007). Process signatures in regional patterns of

shoreline change on annual to decadal time scales. Geophysical Research

Letters, 34, 1-5

Li, R., Di, K., & Ma, R. (2004). A Comparative Study of Shoreline Mapping

Techniques. In D. Bartlett, & J. Smith (Eds.), GIS for Coastal Zone

Management. Florida, U.S.: CRC Press

Li, R., Liu, J.-K., & Felus, Y. (2001). Spatial Modeling and Analysis for Shoreline

Change Detection and Coastal Erosion Monitoring. Mar. Geod., 24, 1-12

Li, R., Ma, R., & Di, K. (2002). Digital tide-coordinated shoreline. Mar. Geod., 25,

27–36

Liu, H. (2009). Shoreline Mapping and Coastal Change Studies Using Remote

Sensing Imagery and LIDAR Data. In X. Yang (Ed.), Remote Sensing and

Geospatial Technologies for Coastal Ecosystem Assessment and Management.

Berlin Heidelberg: Springer-Verlag

Monmonier, M. (2008). Coast lines: how mapmakers frame the world and chart

environmental change. Chicago, United States of America: The University of

Chicago Press,

Moore, L.J. (2000). Shoreline Mapping Techniques. J. Coastal Res, 16, 111-124

Morton, R.A. (2002). Coastal geoindicators of environmental change in the humid

tropics. Environmental Geology, 42, 711–724

Morton, R.A., Leach, M.P., Paine, J.G., & Cardoza, M.A. (1993). Monitoring Beach

Changes Using GPS Surveying Techniques. J. Coastal Res, 9, 702-720

Morton, R.A., Miller, T., & Moore, L. (2005). Historical Shoreline Changes Along

the US Gulf of Mexico: A Summary of Recent Shoreline Comparisons and

Analyses. J Coastal Res, 21, 704-709

Natesan, U., Parthasarathy, A., Vishnunath, R., Kumar, G.E.J., & Ferrer, V.A. (2015).

Monitoring longterm shoreline changes along Tamil Nadu, India using

geospatial techniques. Aquatic Procedia, 4, 325-332

NOAA (2014). Aerial Photography and Shoreline Mapping. In: NOAA

O'Connell, J.F., & Leatherman, S.P. (1999). Coastal Erosion Hazards and Mapping

Along the Massachusetts Shore. Coastal Erosion Mapping and Management,

SI, 27-33

Oertel, G.F. (2005). Coasts, coastlines, shores, and shorelines. In M.L. Schwartz

(Ed.), Encyclopedia of Coastal Science (pp. 323-327): © Springer

Pugh, D.T. (1987). Tides, Surges and Mean Sea-Level. UK: John Wiley and Sons

Richards, J.A. (2013). Remote sensing digital image analysis. (Fifth Edition ed.).

Springer

Rishikeshan, C.A., & Ramesh, H. (2017). A novel mathematical morphology based

algorithm for shoreline extraction from satellite images. Geo-spatial

Information Science, 20, 345-352

Robertson, W., Whitman, D., Zhang, K., & Leatherman, S.P. (2004). Mapping

Shoreline Position Using Airborne Laser Altimetry. J Coastal Res, 20, 884-892

Romine, B.M., Fletcher, C.H., Frazer, L.N., Genz, A.S., Barbee, M.M., & Lim, S.-C.

(2009). Historical Shoreline Change, Southeast Oahu, Hawaii; Applying

Polynomial Models to Calculate Shoreline Change Rates. J Coastal Res, 25,

1236-1253

Ruggiero, P., Kaminsky, G.M., & Gelfenbaum, G. (2003). Linking Proxy-Based and

Datum-Based Shorelines on a High-Energy Coastline: Implications for

Shoreline Change Analyses. J Coastal Res, SI, 57-82

Sesli, F.A., Karsli, F., Colkesen, I., & Akyol, N. (2009). Monitoring the changing

position of coastlines using aerial and satellite image data: an example from the

eastern coast of Trabzon, Turkey. Environ Monit Assess, 153, 391–403

Smith, G.L., & Zarillo, G.A. (1990). Calculating Long-Term Shoreline Recession

Rates Using Aerial Photographic and Beach Profiling Techniques. J Coastal

Res, 6, 111-120

Snoussi, M., Ouchani, T., Khouakhi, A., & Niang-Diop, I. (2009). Impacts of sea-

level rise on the Moroccan coastal zone: Quantifying coastal erosion and

flooding in the Tangier Bay. Geomorphology, 107, 32–40

Stefano, A.D., Pietro, R.D., Monaco, C., & Zanini, A. (2013). Anthropogenic

influence on coastal evolution: A case history from the Catania Gulf shoreline

(eastern Sicily, Italy). Ocean & Coastal Management 80 (2013), 80, 133-148

Stockdon, H.F., Asbury H. Sallenger, J., List, J.H., & Holrnan, R.A. (2002).

Estimation of Shoreline Position and Change using Airborne Topographic Lidar

Data. J. Coastal Res, 18, 502-513

Thieler, E.R., & Danforth, W.W. (1994). Historical Shoreline Mapping (I): Improving

Techniques and Reducing Positioning Errors. J. Coastal Res, 10, 549-563

Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance

open water features in remotely sensed imagery. Int J Remote Sens, 27

Zanuttigh, B., Martinelli, L., Lamberti, A., Moschella, P., Hawkins, S., Marzetti, S., &

Ceccherelli, V.U. (2005). Environmental design of coastal defence in Lido di

Dante, Italy. Coast Eng, 52, 1089– 1125

Dierssen, H. M., Zimmerman, R. C., Leathers, R. A., Downes, T. V., & Davis, C. O.

(2003). Ocean color remote sensing of seagrass and bathymetry in the Bahamas

Banks by high-resolution airborne imagery, 48, 444–455.

Doxani, G., Papadopoulou, M., Lafazani, P., & Pikridas, C. (2012). Shallow-Water

Bathymetry Over Variable Bottom Types Using Multispectral Worldview-2

Image, Xxxix (September), 159–164.

Ho, T. K. (1995). Random Decision Forests. Proceedings of the 3rd International

Conference on Document Analysis and Recognition, 47, 278–282.

Kanno, A., Tanaka, Y., Shinohara, R., & Kurosawa, A. (2014). Which Spectral Bands

of WorldView-2 Are Useful in Remote Sensing of Water Depth ? A Case Study

in Coral Reefs, (December), 37–41.

https://doi.org/10.1080/01490419.2014.908794

Kleinberg, E. M. (2000). On the Algorithmic Implementation of Stochastic

Discrimination. IEEE Transactions on PAMI, 22(5), 473–490.

Lyzenga, D. R. (1981). Passive remote sensing techniques for mapping water depth

and bottom features, 17(3), 379–383.

Manessa, S. B., & Forest, R. (2016). Geoplanning, 3(2), 117–126.

https://doi.org/10.14710/geoplanning.3.2.117-126

Manessa, et al., 2016, Satellite Derived Bathymetri Using Random Forest Algorithm

And WorldView-2 imagery, Jurnal Geoplanning Vol 3, No. 2, 2016, 117-126.,

Yamaguchi University-Japan

Oktaviani et al, 2015., Coastline Modelling in Semarang Using Shuttle Radar

Topography Mission (SRTM) And Coastal Map of Indonesia, Pertemuan Ilmiah

Tahunan XII Ikatan Sarjana Oseanologi Indonesia.

Stumpf, R. P., Holderied, K., Spring, S., & Sinclair, M. (2003). Determination of

water depth with high-resolution satellite imagery over variable bottom types,

48, 547–556.

Taylor, P., & Lyzenga, D. R. (2010). International Journal of Remote Sensing

Shallow-water bathymetry using combined lidar and passive multispectral

scanner data, (September 2012), 37–41.

Republik Indonesia, 2016. Peraturan Presiden Republik Indonesia No 51 Tahun 2016

tentang Batas Sempadan Pantai. Lembaran Negara RI Tahun 2016, No.113.

Jakarta: Menteri Hukum dan HAM Republik Indonesia.

Republik Indonesia, 2011. Undang-Undang No.4 Tahun 2011 tentang Informasi

Geospasial. Lembaran Negara RI Tahun 2011, No.49. Jakarta: Menteri Hukum

dan HAM Republik Indonesia.

LAMPIRAN

1. Prototipe Model Batimetri Nasional dengan menggunakan Satelit

Altimetri

Gambar 9. Hasil model anomali gayaberat

Gambar 10. Hasil model batimetri

2. Prototipe Konstanta Harmonik Pasut dengan Pemodelan Chart Datum


Hasil plotting residu amplitudo dan fase untuk Satelit Jason-1 Phase a:

( c ) ( b )

( b ) ( a )

( a ) ( a )

( a ) ( a )

( a ) ( c )

( a ) ( d )

Gambar 50. Plot Residu Amplitudo dan Fase Jason-1 dengan (a) kondisi 1, (b)

kondisi 2, (c ) kondisi 3 dan (d) kondisi 4

3. Prototipe Model DEM Batimetri perairan dangkal dalam rangka

mendukung kegiatan INSINas 2018

Gambar : Model Batimetri perairan dangkal seluruh Indonesia sebagai data masukan

untuk menentukan garis pantai

EVALUASI HASIL PEMODELAN BATIMETRI DARI BEBERAPA KOMBINASI SATELIT ALTIMETRI PADA

LAUT NATUNA DAN LAUT SULAWESI

ASSESSMENTS ON THE BATHYMETRY MODELING RESULTS FROM VARIOUS COMBINATION OF

ALTIMETRY SATELLITES IN NATUNA AND SULAWESI SEAS

Yustisi A. Lumban-Gaol1,*, Nadya Oktaviani1, Prayudha Hartanto1, Ibnu Sofian2

1Pusat Penelitian, Promosi, dan Kerja Sama, Badan Informasi Geospasial, Jl. Raya Jakarta-Bogor Km

46 Cibinong 16911, Indonesia

2Pusat Kelautan dan Lingkungan Pantai, Badan Informasi Geospasial, Indonesia

*E-mail: [email protected]

A R T I C L E I N F O Abstract

Article history:

Received date

Received in revised form

date

Accepted date

Available online date

Kata kunci:

Altimetry, Gravity anomaly,

Bathymetry, Least square

collocation, Gravity

geological model

Altimetri

Anomali gayaberat

Batimetri

Least square collocation

Gravity geological method

Indonesia is an archipelago country where its territory is

dominated by waters. National marine mapping has been carried

out based on depth measurement data obtained using

echosounders. However, this method requires a lot of time and

cost. One solution to provide Indonesian bathymetry data is by

utilizing altimetry satellite data for modeling bathymetry. This

study aims to evaluate the bathymetry model generated from a

combination of several altimetry satellites in shallow and deep

seas. The method used is least square collocation for gravity

anomaly modeling and geological gravity model for bathymetry

modeling. The results of the model show variations in deviations

with sounding data available at the Geospatial Information

Agency. The resulting residual trend differs between shallow and

deep sea. In general, the bathymetry model pattern produced in

this study is in accordance with the sounding data pattern.

Abstrak

Indonesia merupakan negara kepulauan dimana wilayahnya

didominasi oleh perairan. Pemetaan laut nasional telah dilakukan

berdasarkan data pengukuran kedalaman yang diperoleh

menggunakan echosounder. Namun, metode ini membutuhkan

waktu dan biaya besar. Salah satu solusi untuk menyediakan data

batimetri Indonesia adalah dengan memanfaatkan data satelit

altimetri untuk pemodelan batimetri. Penelitian ini bertujuan untuk

mengevaluasi model batimetri yang dihasilkan dari kombinasi

beberapa satelit altimetri pada laut dangkal dan dalam. Metode

yang digunakan adalah least square collocation untuk pemodelan

anomaly gayaberat dan gravity geological model untuk pemodelan

batimetri. Hasil model menunjukkan variasi penyimpangan dengan

data perum yang tersedia di Badan Informasi Geospasial. Pola

residu yang dihasilkan berbeda antara laut dangkal dan dalam.

Secara umum, pola model batimetri yang dihasilkan pada

penelitian ini sudah sesuai dengan pola data perum.

© 2018 Widyariset. All rights reserved

Widya Riset Journal - Submitted

OPTIMALISASI SATELIT ALTIMETRI UNTUK MENGHITUNG KONSTANTA HARMONIK PASANG SURUT

(Altimetry Satellite Optimization to Calculate the Constantation of Harmonics Tide) Ayu Nur Safi’i, Agung Syetiawan, Hollanda Arief Kusuma, Yustisi A. Lumban-Gaol,

Aninda W. Rudiastuti, dan Nadya Oktaviani

Badan Informasi Geospasial Jalan Raya Jakarta-Bogor KM 46 Cibinong 16911, Indonesia

E-mail: [email protected]

ABSTRAK

Pasang surut air laut adalah fenomena perubahan vertikal muka air laut secara periodik di pesisir laut atau di lautan. Pengamatan pasang surut bertujuan untuk mendapatkan karakteristik dan tipe pasang surut suatu perairan. Perkembangan teknologi saat ini, pasang surut dapat ditentukan menggunakan satelit Altimetri. Satelit Altimetri menangkap fenomena permukaan laut dari hasil pengukuran jarak dari permukaan laut ke satelit. Hasil prediksi pasang surut sangat ditentukan oleh lama pengamatan pasang surut, interval data dan lokasi pengamatan. Lama pengamatan dan interval pasang surut mempengaruhi keberhasilan proses pemisahan interfensi gelombang setiap konstantanya. Tujuan dari penelitian ini adalah untuk mengetahui standar minimal data yang diperlukan untuk menghasilkan prediksi pasut yang ideal. Penelitian ini penting mengingat satelit altimetri memiliki interval pencuplikan data yang lama di satu tempat (revisit time), berbeda dengan pengamatan pasang surut konvensional yang menghasilkan data sesuai dengan keinginan pengguna. Hal ini akan mengakibatkan fenomena aliasing frekuensi komponen utama pasang surut. Metode penelitian adalah menggunakan metode deskriptif kuantitatif, kelompok satelit altimetri akan dianalisis panjang data yang tersedia dan seberapa besar konstanta yang bisa dihasil dari data tersebut. Hasil penelitian menunjukkan bahwa kelompok data Topex Jason series dapat menghasilkan 42 konstanta pasut dengan panjang data 26 tahun pengamatan. Hasil penelitian ini dapat disimpulkan bahwa satelit Altimetri yang paling optimal untuk penentuan pasang surut air laut adalah kelompok satelit altimetri Topex/Poseidon/Jason1/Jason2/Jason3 phase a dengan 42 konstanta pasang surut, satelit altimetri ERS1 phase c/ERS2 phase a/Envisat dengan 39 konstanta pasang surut dan satelit Geosat phase b dan GFO phase a dengan 34 konstanta pasang surut. Kata kunci: Pasang surut, satelit altimetri, frekuensi Nyquist, kriteria Rayleigh.

ABSTRACT

Ocean tides is the phenomenon of periodic sea level change on the coast or in the ocean. The purpose of tidal observations is to obtain tidal information, both of types and its characteristics. By the high-technology, tidal observations carried by utilizing the altimetry satellite data. Altimetry satellite capture sea surface phenomena by a distance from sea level to satellite. The results of tidal predictions are rely on the duration of tidal observations, data intervals, and observation locations. The duration of observation and the interval of tidal affects the success of the wave interference separation process for each constituents. The purpose of this study is to find out the minimum standards of data needed to yield the state of tidal predictions. This research is important considering that altimetry satellites take quite long time for revisit time. In contrary to conventional tidal observations that produce data tightly timewise. This will result in the aliasing frequency of the tides’ main components of tides. Quantitative descriptive method was used. Group of altimetry data were analyzed based on its length of recorded data to know the quantity of constituents that can be delivered based on the data. The results showed that the Topex Jason series data group could deliver 42 tidal constituents from 26 years of observation. To conclude, the most optimal satellite altimetry to assign the tides is the Topex / Poseidon / Jason1/2/3 phase altimetry satellite which generates 42 tidal constituents, ERS1 phase c / ERS2 phase a / Envisat altimetry by 39 tidal constituents, and Geosat satellite phase B and GFO by 34 tidal constituents. Keywords: tides, altimetry satellite, Nyquist frequency, Rayleigh criteria.

Prosiding Semnas Geomatika - Submitted

METODE RANDOM FOREST DALAM PENENTUAN NILAI KEDALAMAN PADA CITRA LANDSAT RANDOM FOREST METHOD IN DETERMINING DEPTH VALUES IN LANDSAT IMAGERY

Nadya Oktaviani1*, Masita Dwi Mandini Manessa2, Hollanda Arief Kusuma3, Yustisi Ardhitasari, Yosep

Maulana Purwadani4

1Bidang Penelitian, Badan Informasi Geospasial

2Universitas Indonesia

3Pusat Pemetaan Kelautan dan Lingkungan Pantai, Badan Informasi Geospasial 4Alumni Universitas Pakuan

Alamat korespondensi: Jln. Raya Jakarta Bogor KM 46 Cibinong 16911

Email korespondensi: [email protected]

Diterima: xxxxxx; Direvisi: xxxxxxx; Disetuji untuk di Publikasi (Accepted): xxxx

ABSTRAK

Wilayah perairan di sepanjang pesisir merupakan aset Nasional yang harus dipetakan. Namun ketersediaan

data kedalaman pada area perairan dangkal masih sangat terbatas. Hal ini disebabkan metode pengukuran yang

dilakukan selama ini adalah metode survei teristris. Survei teristris sangat bergantung pada cuaca, personil, dan

kondisi area survei. Selain itu, untuk melakukan pengukuran kedalaman secara teristris tentunya membutuhkan

biaya yang tidak sedikit. Oleh karena itu, penelitian ini bertujuan untuk memanfaatkan data citra multispektral

dalam menentukan nilai kedalaman. Metode yang digunakan adalah metode Random Forest. Pemilihan metode ini

berdasarkan atas penelitian yang pernah dilakukan yang menyatakan metode ini sangat baik dalam penerapannya.

Data yang digunakan adalah citra Landsat 8 dan data kedalaman hasil survei batimetri yang dilakukan oleh Pusat

Pemetaan Kelautan dan Lingkungan Pantai BIG. Data kedalaman yang digunakan adalah data kedalaman yang ≤

30 meter. Hasil penelitian ini menunjukan bahwa model hasil ekstraksi data kedalaman menghasilkan nilai yang

hampir mendekati dengan nilai kedalaman sebenarnya berdasarkan data batimetri hasil survei. Berdasarkan

perhitungan nilai RMSE dan nilai R2 pada lokasi ini memiliki nilai R2 sebesar 0.901 dan RMSE sebesar 1.224.

Disimpulkan bahwa metode ini dapat diyakini, karena penerapan metode Random Forest pada wilayah ini

menghasilkan nilai yang mendekati nilai kedalaman yang sesungguhnya berdasarkan perbandingan dengan data

kedalaman hasil survei.

Keywords: batimetri, citra multispektral, Random Forest, shallow sounding

ABSTRACT

The waters along the coast are National assets that must be map. However, the availability of the data bathymetry

of shallow water is very limited. Nowadays, the measurement method is using a terrestris survey method. The

terrestris survey depends on the weather, personnel, and the conditions of the survey area. In addition, to measure

the depth using terrestris survey required high costs. Therefore, this study aims to utilize the multispectral image

data in determining the depth value. The method used is the Random Forest method. Selection of this method

based on the study conducted stating this method is excellent in its application. The data used are Landsat 8

imagery and depth data from the Center of Marine and Coastal Mapping, Geospatial Information Agency (BIG).

The depth data used is the data that less than 30 meters in depth. These results indicate that the model of the value

of extracted depth almost close to the value of the actual depth bathymetric based on the data of terrestris survey.

And based on the calculation of the RMSE and R2 at this location has a value of R2 of 0.901 and RMSE of 1.224.

It has concluded that this method can be apply, because of the application of the Random Forest method in this

region produces a value that approaches the true depth by comparison with the data depth of the survey results.

Keywords: bathymetry, multispectral imagery, Random Forest, shallow sounding

Geomatika Journal- Submitted

LISAT Prosiding - Submitted

penelitian - big.go.idbig.go.id/e-ppid/asset/laporan-pelaksanaan-penelitian2018/lap akhir... ·...

Documents