penelitian - big.go.idbig.go.id/e-ppid/asset/laporan-pelaksanaan-penelitian2018/lap akhir... ·...
TRANSCRIPT
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
Tabel 8. Indikator garis pantai berdasarkan beberapa penelitian mengenai garis pantai
...................................................................................................................................... 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
Gambar 14. Skema pengukuran dengan menggunakan satelit altimetri dan pengukuran
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 31. Plot SSH Jason-2 Ascending.................................................................... 71
Gambar 32. Plot SSH Jason-3 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 37. Plot Tidal Estimate Jason-2 Ascending ................................................... 73
Gambar 38. Plot Tidal Estimate Jason-3 Ascending ................................................... 74
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
Gambar 42. Plot Residu Amplitudo dan Fase Jason-1 dengan (a) kondisi 1, (b) kondisi
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
Gambar 50. Plot Residu Amplitudo dan Fase Jason-1 dengan (a) kondisi 1, (b) kondisi
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
Gambar 2. Skema pengukuran dengan menggunakan satelit altimetri dan pengukuran
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
No Kegiatan Metode Tanggal
Pelaksanaan
Luaran
4 Rapat Koordinasi
Penelitian Batimetri dan
Garis Pantai ke-2
Tatap Muka/
Meeting
6 Februari
2018
Penelaahan
progress
penelitian
5 Rapat Koordinasi
Penelitian Batimetri dan
Garis Pantai ke-3
Tatap Muka/
Meeting
23 Februari
2018
Penelaahan
progress
penelitian
6 Rapat Koordinasi
Penelitian Batimetri dan
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
Penelitian Batimetri dan
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
No Kegiatan Metode Tanggal
Pelaksanaan
Luaran
personil grup penelitian
12 Rapat Koordinasi
Penelitian Batimetri dan
Garis Pantai ke-6
Tatap Muka/
Meeting
11 Mei 2018 Penelaahan
progress
penelitian
13 Rapat Koordinasi
Penelitian Batimetri dan
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
No Kegiatan Metode Tanggal
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
No Kegiatan Metode Tanggal
Pelaksanaan
Luaran
26 Pelaksanaan FGD ke-3
Penelitian Batimetri dan
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
Rapat Koordinasi Penelitian Batimetri
dan Garis Pantai ke-3
Rapat Koordinasi Penelitian Batimetri
dan Garis Pantai ke-4
Rapat Koordinasi Penelitian Batimetri
dan Garis Pantai ke-5
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
Rapat Koordinasi Penelitian Batimetri
dan Garis Pantai ke-6
Rapat Koordinasi Penelitian Batimetri
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
Batimetri dan Garis Pantai
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
Batimetri dan Garis Pantai
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 )
( 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
kedalaman hasil survei (6.19 m) dengan profil kedalaman hasil estimasi
citra Landsat 8 (posisi kedalaman 6,2 m di skala bar); (ii) Penampang
melintang untuk membandingkan nilai kedalaman hasil survei (6.75 m)
dengan profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman
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
citra Landsat 8 (posisi kedalaman 2.26 m di skala bar); (ii) Penampang
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:
Titik kedalaman hasil survei (sounding)
Kedalaman estimasi 3D Garis profil kedalaman
X Posisi yang dibaca pada jendela path profile
(ii) ( i )
F. Wilayah NTB-NTT
( F )
( i ) ( ii )
Gambar 11. (F) DEM hasil ekstraksi citra Landsat 8 pada wilayah NTB-NTT ; (i)
Penampang melintang DEM wilayah Sulawesi Selatan untuk membandingkan nilai
kedalaman hasil survei (13.7 m) dengan profil kedalaman hasil estimasi citra Landsat
8 (posisi kedalaman 14.402 m di skala bar); (ii) Penampang melintang DEM wilayah
Sulawesi Utara untuk membandingkan nilai kedalaman hasil survei (9.7 m) dengan
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)
Penampang melintang DEM wilayah Sulawesi Selatan untuk membandingkan nilai
kedalaman hasil survei (8.774 m) dengan profil kedalaman hasil estimasi citra
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:
Titik kedalaman hasil survei (sounding)
Kedalaman estimasi 3D Garis profil kedalaman
X Posisi yang dibaca pada jendela path profile
I.5.4. Hasil Review dokumen penelitian mengenai metode terbaik untuk
pengukuran, pengelolaan garis pantai
Tabel 4. Indikator garis pantai berdasarkan beberapa penelitian mengenai 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
Feature identification Source Detection
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
menggunakan satelit Altimetri
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
Gambar 31. Plot SSH Jason-2 Ascending
c. Satelit Jason-3 Phase a
Gambar 32. Plot SSH Jason-3 Ascending
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
Gambar 37. Plot Tidal Estimate Jason-2 Ascending
c. Satelit Jason-3 Phase a
Gambar 38. Plot Tidal Estimate Jason-3 Ascending
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
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)
Wilayah Jawa
Gambar 44. (B) DEM kedalaman hasil ekstraksi citra Landsat 8 pada
wilayah Jawa ; (i) Penampang melintang untuk membandingkan nilai
kedalaman hasil survei (6.19 m) dengan profil kedalaman hasil estimasi
citra Landsat 8 (posisi kedalaman 6,2 m di skala bar); (ii) Penampang
melintang untuk membandingkan nilai kedalaman hasil survei (6.75 m)
dengan profil kedalaman hasil estimasi citra Landsat 8 (posisi kedalaman
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)
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
A. Wilayah Maluku
( E ) ( i )
( ii )
Gambar 47 (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 citra Landsat
8 (posisi kedalaman 2.26 m di skala bar); (ii) Penampang 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:
Titik kedalaman hasil survei (sounding)
Kedalaman estimasi 3D Garis profil kedalaman
X Posisi yang dibaca pada jendela path profile
(ii) ( i )
B. Wilayah NTB-NTT
( F )
( i ) ( ii )
Gambar 48. (F) DEM hasil ekstraksi citra Landsat 8 pada wilayah NTB-NTT ; (i)
Penampang melintang DEM wilayah Sulawesi Selatan untuk membandingkan nilai
kedalaman hasil survei (13.7 m) dengan profil kedalaman hasil estimasi citra Landsat
8 (posisi kedalaman 14.402 m di skala bar); (ii) Penampang melintang DEM wilayah
Sulawesi Utara untuk membandingkan nilai kedalaman hasil survei (9.7 m) dengan
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)
Penampang melintang DEM wilayah Sulawesi Selatan untuk membandingkan nilai
kedalaman hasil survei (8.774 m) dengan profil kedalaman hasil estimasi citra
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:
Titik kedalaman hasil survei (sounding)
Kedalaman estimasi 3D Garis profil kedalaman
X Posisi yang dibaca pada jendela path profile
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).
Tabel 8. Indikator garis pantai berdasarkan beberapa penelitian mengenai 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)
Shoreline
indicator
Feature identification Source Detection
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
Feature identification Source Detection
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
menggunakan satelit Altimetri
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