TOTAL SUSPENDED SOLID (TSS)

Oleh : Tike Aprillia, ST, Fella Faradiva, dan Mutia Arifah Rachim

Suatu perairan pasti mengalami perkembangan sedimentasi. Perkembangan sedimentasi dapat dilihat dari material padatan tersuspensi. Total suspended solid (TSS) atau padatan tersuspensi total merupakan residu dari padatan total yang tertahan oleh saringan dengan ukuran partikel maksimal 2μm atau lebih besar dari ukuran partikel koloid. Material yang termasuk kedalam TSS antara lain bakteri, jamur, ganggang, tanah liat, lumpur, sulfida, dan logam oksida. Material tersebut merupakan tempat berlangsungnya reaksi heterogen yang berfungsi sebagai bahan pembentuk endapan yang paling awal yang  dapat menghalangi kemampuan produksi zat organik pada suatu perairan. Besarnya TSS pada suatu perairan menunjukkan kondisi sedimentasi dari perairan tersebut.

Gambar 1 Total Suspended Solid (TSS)

Total  Suspended  Solid  (TSS)  atau  muatan padatan tersuspensi adalah bahan-bahan tersuspensi (diameter > 1 μm) yang tertahan pada saringan miliopore dengan diameter pori 0.45 μm. TSS terdiri dari pasir halus, lumpur, dan jasad renik. Penyebab  TSS  di   perairan  yang   utama  adalah kikisan  tanah  atau  erosi  tanah  yang  terbawa  ke badan air. Konsentrasi TSS yang tinggi mengakibatkan terganggunya proses fotosintesis yang diakibatkan oleh menghambat masuknya cahaya ke dalam air. Pengolahan TSS dapat dilakukan dengan berbagai cara, salah satunya dengan menggunakan citra Landsat 8 dengan menerapkan algoritma tertentu.

Berikut garis besar pengolahan TSS dengan menggunakan citra Landsat 8:

  1. Pemotongan citra

Cropping atau pemotongan citra bertujuan untuk menfokuskan daerah yang digunakan dalam penelitian dengan cara pembentukan ROI pada daerah penelitian.

2. Kalibrasi radiometrik

Kalibrasi radiometrik bertujuan untuk menghilangkan distorsi radiometrik yang menurunkan kualitas citra pada saat satelit merekam bumi. Distorsi radiometrik adalah kesalahan akibat pergeseran nilai atau derajat keabuan elemen gambar (piksel) pada citra. Distorsi yang terjadi diakibatkan karena jarak antara satelit  yang berbeda di  ruang angkasa dengan permukaan bumi yang sangat jauh, sehingga mempengaruhi kemampuan sensor satelit dalam merekam reflektan obyek muka bumi.

3. Koreksi atmosfer

Koreksi atmosfer dilakukan untuk menghilangkan kesalahan radiansi pada citra akibat hamburan atmosfer (path radiance). Salah satu metode koreksi atmosfer yang dapat digunakan yaitu metode Second Simulation of A Satellite Signal in the Solar Spectrum-Vector. Metode koreksi atmosfer ini mengkonversikan nilai reflektan (pTOA) ke koreksi atmosfer (pBOA) dengan rumus:

Y=Xa*(Lλ)-Xb

Acr= y/((1+Xc*y))

Dimana:

Acr                        = atmospheric corrected reflectance

λ                            : dalam radian

Xa, Xb, dan Xc     = parameter koreksi

4. Pemisahan darat dan laut. Pemisahan darat dan laut dilakukan untuk memilih daerah perairan yang akan diamati agar memudahkan pengolahan selanjutnya.

5. Pemilihan algoritma TSS. Algoritma yang dapat digunakan dalam pengolahan TSS dengan menggunakan citra Landsat 8:

a. Algoritma Syarif Budiman. Syarif Budiman melakukan penelitian TSS pada tahun 2004 dengan studi kasus pada wilayah perairan Delta Mahakam, provinsi Kalimantan Timur. Berikut algoritma TSS yang digunakan:

TSS(mg/l)= 8,1429*(exp (23,70*0,94*(Rrs54,59)) )

b. Algoritma Parwati. Parwati melakukan penelitian TSS pada tahun 2006 dengan studi kasus pada wilayah perairan Berau, provinsi Kalimantan Timur. Berikut algoritma TSS yang digunakan:

TSS(mg/l)= 3,3238*(exp (34,099*(654,59)) )

c. Algoritma Guzman-Santella. Guzman-Santella melakukan penelitian TSS pada tahun 2009 dengan studi kasus pada wilayah perairan Mayaguez Bay, Puerto Rico. Berikut algoritma TSS yang digunakan:

TSS(mg/l)=602,63*(0,0007e 47,755*(Rrs(654,65)) )+3,1481

d. Algoritma Nurahida Laili. Nurahida Laila melakukan penelitian TSS pada tahun 2015 dengan studi kasus pada wilayah perairan Pulau Poteran, Kabupaten Sumenep. Berikut algoritma TSS yang digunakan:

TSS(mg/l)=31,42*log((RRS(482,04))/(log(Rrs(654,59)))-12,719

e. Algoritma Jaelani. Jaelani melakukan penelitian TSS pada tahun 2016 dengan studi kasus pada wilayah perairan Gili Iyang, Kabupaten Sumenep. Berikut algoritma TSS yang digunakan:

Log(TSS)=1.5212(log(Rrs(482,04))/log10(Rrs561,41)))-0,3698

Total Suspended Solid (TSS) merupakan besarnya materi yang tersuspensi dalam air. Untuk mengetahui besarnya TSS dalam suatu perairan dapat dilakukan dengan beberapa algoritma. TSS memiliki dampak buruk terhadap kualitas air karena mengurangi jumlah sinar matahari yang akan masuk ke dalam air dan menujukkan tingkat kekeruhan air yang tinggi yang menyebabkan gangguan pertumbuhan organisme pada suatu perairan. 

SUMBER:

Indeswari, L., Hariyanto, T., & Pribadi, C. B. (2018). Pemetaan Sebaran Total Suspended Solid (TSS) dengan Menggunakan Citra Landsat Multitemporal dan Data In Situ (Studi Kasus: Perairan Muara Sungai Porong, Sidoarjo). Jurnal Teknik ITS, C71-C76.

Jiyah, Sudarsono, B., & Sukmono, A. (2016). Studi Distribusi Total Suspended Solid (TSS) di Perairan Pantai Kabupaten Demak Menggunakan Citra Landsat. Jurnal Teknik Geodesi Undip, 41-47.

Sukmono, A. (2020). Materi Kuliah Pengolahan Citra Digital/Penginderaan Jauh Lingkungan. Semarang: Universitas Diponegoro.

Close Range Photogrammetry (CRP)

Oleh : Tike Aprillia, ST, Fella Faradiva, dan Mutia Arifah Rachim

Bidang fotogrametri dewasa ini berkembang hingga fotogrametri jarak dekat atau biasa disebut sebagai CRP (Close Range Photogrammetry). Teknologi yang semakin maju memunculkan adanya kamera digital dengan resolusi yang tinggi. CRP merupakan metode untuk mengambil data ukuran dari citra foto untuk dibuat model 3D dari sebuah objek atau untuk kebutuhan pemetaan. Dengan kamera SLR non-metrik, metode CRP dapat menjadi alternatif yang lebih murah dari laser scanner.

Gambar 1 Kondisi Kolinearitas

Pada fotogrametri jarak dekat menggunakan sistem proyeksi sentral dengan kamera sebagai pusat proyeksi, pengukuran terhadap suatu objek dilakukan terhadap hasil perekaman dari kamera. Saat sebuah foto diambil, berkas sinar dari objek akan menjalar menuju pusat lensa kamera hingga mencapai bidang film. Kondisi dimana titik objek, titik pusat kamera dan titik objek pada bidang foto terletak satu garis dalam ruang dinamakan kondisi kesegarisan berkas sinar atau kondisi kolinearitas (colinearity condition). Kondisi ini merupakan syarat fundamental dalam fotogrametri. Pada fotogrametri jarak dekat, jarak antar objek dan kamera tidak lebih dari 100 meter.

Secara garis besar proses pengolahan CRP dilakukan sebagai berikut:

Gambar 2 Proses pengolahan CRP
  1. Kalibrasi kamera

Kalibrasi kamera adalah proses menentukan parameter internal dari sebuah kamera. Parameter internal digunakan untuk merekontruksi ulang berkas sinar saat pemotretan dilakukan dan digunakan untuk mengetahui besarnya kesalahan sistematik dari sebuah kamera. Proses kalibrasi bertujuan untuk mencari parameter intrinsik dan parameter ekstrinsik menggunakan image 2D pada suatu objek, yang dikorespondensikan dengan koordinat 3D objek. Korespondensi tersebut dapat diartikan sebagai transformasi antar sistem koordinat. Beberapa parameter tersebut antara lain, resolusi kamera, rotasi kamera, focal lenght, titik pusat koordinat, dan distorsi lensa. Salah satu software yang dapat digunkan pada tahap kalibrasi kamera digital non metrik adalah software Photomodeler. Metode kalibrasi pada Photomodeler menggunakan prinsip menghitung parameter internal kamera secara analisis terhadap titik target dengan mengunakan self calibration bundle adjustment. Saat proses kalibrasi nilai Average Photo Point Coverage minimal berjumlah 80% dan nilai RMS kurang dari 1. Nilai tersebut bertujuan agar objek yang diamati semakin detail. Jika nilai Average Photo Point Coverage masih kurang dari 80% dan RMS lebih dari 1 maka harus mengkalibrasi ulang.

2. Pengambilan objek

Sebelum melakukan pengambilan objek, perlu diperhatikan agar foto dapat dimodelkan menjadi 3D, syarat tersebut berdasarkan 3 prinsip dasar CRP yaitu kesegarisan, interseksi ruang, dan reseksi ruang. Saat pengambilan objek harus memenuhi beberapa persyaratan seperti objek harus terlihat dari semua sisi (360°), garis orientasinya konsisten dan logis, jarak pemotretan konsisten atau sama, fokus kamera DSLR harus sama dengan fokus saat kalibrasi, terjadi pertampalan antar foto, dan orientasinya sama.

3. Pengolahan model 3D objek

Pemodelan yaitu membentuk suatu benda atau obyek sehingga terlihat seperti hidup. Sesuai dengan obyek dan basisnya, proses pembentukan model 3D objek secara keseluruhan dikerjakan dengan komputerisasi. Keseluruhan obyek bisa diperlihatkan secara 3 dimensi melalui proses dan desain sehingga disebut sebagai pemodelan 3 dimensi (3D modelling). Prinsip dasar dari proses CRP adalah model 3D diperoleh dari pengukuran pertampalan antar foto dengan berbagai sudut pandang dan pengukuran dari orientasi kamera. Model 3D terbentuk dari point clouds yang dihasilkan foto stereo secara otomatis yang kemudian diproses secara komputerisasi. Pemilihan data point clouds berperan penting dalam penentuan kerapatan objek dan keaslian bentuk objek. Pengolahan model 3D objek dapat dilakukan dengan software Photomodeler.

Close range photogrammetry atau fotogrametri jarak dekat dapat menjadi solusi alternatif yang lebih murah untuk pembuatan model 3D dari sebuah objek atau untuk kebutuhan pemetaan. Namun, metode ini memakan waktu yang cukup lama dalam memproses data citra fotonya, selain itu metode ini sangat dibatasi oleh kemampuan hardware dan software dalam mengkalkulasi parameter-parameter yang ada, baik parameter orientasi kamera ataupun koordinat objek yang diukur.

REFERENSI:

Atkinson, K. B. (1996). Close Range Photogrammetry and Machine Vision. Caithness: Whittles Publising.

Prasetyo, Y. (2019). Materi Kuliah Fotogrametri II. Semarang: Universitas Diponegoro.

Soetaat. (1994). Diktat Fotogrametri Analitik. Yogyakarta: Universitas Gadjah Mada.

LAND SURFACE TEMPERATURE (LST)

Oleh Fella Faradiva, Mutia Arifah Rachim, dan Tike Aprillia Hartini

Dewasa ini, perubahan iklim dunia terus menjadi perbincangan di kalangan publik dunia. Perubahan iklim ini berpengaruh terhadap perubahan pola musim dan cuaca, mencairnya es di kutub, dan naiknya permukaan air laut. Perubahan iklim ini disebabkan karena terjadinya peristiwa pemanasan global, yang berarti bumi mengalami kenaikan suhu dari waktu ke waktu. Hal ini terlihat dari data Intergovernmental Panel on Climate Change (IPCC), pengingkatan suhu bumi saat ini sekitar 0,6 oC dibandingkan pada tahun 1750.

Suhu permukaan tanah atau Land Surface Temperature (LST) merupakan salah satu unsur iklim yang penting dalam neraca energi. Sehingga apabila terjadi perubahan variasi suhu permukaan maka akan berpotensi mengubah unsur-unsur iklim yang lainnya. Peningkatan suhu permukaan dapat terjadi secara langsung maupun tidak langsung akibat kegiatan manusia. Peningkatan jumlah penduduk akan diiringi dengan banyaknya proses pembangunan. Dalam proses pembangunan ini lahan vegetasi akan diubah menjadi lahan non-vegetasi, yang digunakan sebagai tempat tinggal dan tempat berkegiatan manusia. Akibat dari semakin sedikitnya lahan non-vegetasi, maka suhu permukaan menjadi meningkat karena tidak ada vegetasi yang menyerap panas. Selain itu, dengan banyaknya pabrik yang dibangun dan banyaknya penggunaan kendaraan bermotor mengakibatkan kadar CO2 semakin banyak di atmosfer dan suhu permukaan pun menjadi ikut meningkat.

Distribusi LST perlu diketahui pada suatu wilayah, agar dapat diketahui daerah mana saja yang mengalami kenaikan suhu permukaan dan selanjutnya dapat digunakan dalam proses perencanaan penggunaan dan pemanfaatan lahan. Distribusi LST ini dapat dilakukan menggunakan metode penginderaan jauh dengan memanfaatkan data citra satelit, seperti Landsat, NOAA, dan MODIS.

Land Surface Temperature (LST) adalah suhu pada permukaan bumi yang merupakan hasil pantulan objek yang terekam oleh citra satelit pada waktu tertentu. LST dapat didefinisikan juga sebagai suhu permukaan rata – rata yang digambarkan dalam cakupan suatu piksel dengan berbagai tipe permukaan yang berbeda. Besarnya nilai LST dipengaruhi oleh panjang gelombang. Panjang gelombang yang paling sensitif terhadap suhu permukaan adalah inframerah thermal. Namun, pada dasarnya setiap panjang gelombang akan sensitif terhadap respon perubahan suhu yang mempengaruhi nilai pantul objek. Untuk dapat mengetahui informasi LST, dilakukan proses identifikasi suhu permukaan tanah dengan memanfaatkan gelombang thermal yang terdapat pada citra satelit.

Data yang diperlukan dalam proses pengidentifikasian LST menggunakan citra satelit Landsat yaitu Normalized Difference Vegetation Index (NDVI), citra Landsat 8 band 10, dan citra Landsat 8 band 11. Proses pengidentifikasian dilakukan dengan mengubah nilai digital ke nilai radian. Kemudian nilai radian yang telah didapatkan diubah menjadi satuan temperatur agar dapat mengetahui besarnya suhu secara pasti. Data LST ini sering kali digunakan sebagai data masukan dalam model perhitungan evapotranspirasi, kelembapan udara, kelengasan tanah, serta neraca energi. Berikut adalah contoh distribusi LST di suatu wilayah:

Suhu Permukaan Tanah yang Diturunkan dari data Landsat Tahun 2005, 2009, 2014, 2016.

(Sumber : Ningrum, Widya dan Narulita, Ida dalam Deteksi Perubahan Suhu Permukaan Menggunakan Data Satelit Landsat Multi-Waktu)

DAFTAR REFERENSI

  • Fahwari, N., Yanuarsyah, I., & Hudjimartsu, S. A. (2019). Hubungan Suhu Permukaan Tanah Dengan Zona Rawan Longsor Menggunakan Land Surface Temperature. SEMNATI 2019, 366-371.
  • Guntara. (2016, Oktober 4). Pengertian Suhu Permukaan Lahan (Land Surface Temperature). Diambil kembali dari Guntara.com Informasi Berguna Bagi Nusantara: https://www.guntara.com/2016/10/pengertian-suhu-permukaan-lahan-land.html
  • Ningrum, Widya dan Narulita, Ida. 2018. Deteksi Perubahan Suhu Permukaan Menggunakan Data Satelit Landsat Multi-Waktu (Studi Kasus : Cekungan Bandung). Jurnal Teknologi Lingkungan Vol. 19, No.2.
  • Santi, Amri, S. B., Aspin, & Amsyar, S. (2018). Identifikasi Ketersediaan Dan Kebutuhan RTH Serta Pengaruhnya. Seminar Nasional Teknologi Terapan Berbasis Kearifan Lokal (SNT2BKL), 26-33.
  • Utomo, Anggoro Wahyu., Suprayogi, Andri., dan Sasmito, Bandi. 2017. Analisis Hubungan Variasi Land Surface Temperature Dengan Kelas Tutupan Lahan Menggunakan Data Citra Satelit Landsat (Studi Kasus : Kabupaten Pati). Jurnal Geodesi Undip, Volume 6, No. 2.

APLIKASI UAV LIDAR DALAM PENGEMBANGAN PANAS BUMI

Revanza Anwar, ST, M.Si
Tike Aprillia, ST

Energi Panas Bumi (Geothermal Energy)

Energi panas bumi adalah energi panas yang tersimpan dalam batuan di bawah permukaan bumi dan fluida yang terkandung di dalamnya. Energi panas bumi telah dimanfaatkan untuk pembangkit listrik di Itali sejak tahun 1913 dan di New Zealand sejak tahun 1958. Pemanfaatan energi panas bumi untuk sektor non‐listrik (direct use) telah berlangsung di Iceland sekitar 70 tahun. Meningkatnya kebutuhan akan energi serta meningkatnya harga minyak, khususnya pada tahun 1973 dan 1979, telah memacu negara-negara lain, termasuk Amerika Serikat, untuk mengurangi ketergantungan mereka pada minyak dengan cara memanfaatkan energi panas bumi. Saat ini energi panas bumi telah dimanfaatkan untuk pembangkit listrik di 24 Negara, termasuk Indonesia. Disamping itu fluida panas bumi juga dimanfaatkan untuk sektor non-listrik di 72 negara, antara lain untuk pemanasan ruangan, pemanasan air, pemanasan rumah kaca, pengeringan hasil produk pertanian, pemanasan tanah, pengeringan kayu, kertas, dll.

Di Indonesia usaha pencarian sumber energi panas bumi pertama kali dilakukan di daerah Kawah Kamojang pada tahun 1918. Pada tahun 1926 hingga tahun 1929 lima sumur eksplorasi dibor dimana sampai saat ini salah satu dari sumur tersebut, yaitu sumur KMJ‐3 masih memproduksikan uap panas kering atau dry steam. Pecahnya perang dunia dan perang kemerdekaan Indonesia mungkin merupakan salah satu alasan dihentikannya kegiatan eksplorasi di daerah tersebut. Kegiatan eksplorasi panas bumi di Indonesia baru dilakukan secara luas pada tahun 1972. Direktorat Vulkanologi dan Pertamina, dengan bantuan Pemerintah Perancis dan New Zealand melakukan survei pendahuluan di seluruh wilayah Indonesia. Dari hasil survei dilaporkan bahwa di Indonesia terdapat 217 prospek panas bumi, yaitu di sepanjang jalur vulkanik mulai dari bagian Barat Sumatera, terus ke Pulau Jawa, Bali, Nusa Tenggara dan kemudian membelok ke arah utara melalui Maluku dan Sulawesi. Survei yang dilakukan selanjutnya telah berhasil menemukan beberapa daerah prospek baru sehingga jumlahnya meningkat menjadi 256 prospek, yaitu 84 prospek di Sumatera, 76 prospek di Jawa, 51 prospek di Sulawesi, 21 prospek di Nusatenggara, 3 prospek di Irian, 15 prospek di Maluku dan 5 prospek di Kalimantan. Sistem panas bumi di Indonesia umumnya merupakan sistem hidrotermal yang mempunyai temperatur tinggi (>225 oC), hanya beberapa diantaranya yang mempunyai temperatur sedang (150‐225 oC).

Berdasarkan data Direktorat Panas Bumi EBTKE, potensi panas bumi yang dimiliki Indonesia sangatlah besar yaitu sekitar 23,9 GW, pemanfaatan panas bumi secara nasional baru 8% atau sekitar 2.130,7 MW. Pemanfaatan panas bumi pada saat ini setara dengan pemakaian BBM domestik sebesar 32.000* BOE per hari (= 92.000 BOE per hari minyak mentah) atau sekitar 81.200 BOE* per hari BBM domestik pada tahun 2025 jika target RUPTL sebesar 6.310 MW tercapai. Perhitungan ini dengan asumsi 1 MWh PLTP = 0,613 SBM (HESSI, KESDM 2018). Pemerintah menargetkan pengembangan panas bumi hingga satu dasawarsa kedepan (tahun 2020-2030) mencapai 8.007,7 MW. Ini artinya, dengan kapasitas terpasang saat ini yaitu 2.130,7 MW, masih diperlukan sekitar 177 proyek pengembangan panas bumi dengan kapasitas total sekitar 5.877 MW hingga tahun 2030. Pemerintah Indonesia juga mencanangkan bauran energi baru terbarukan mencapai 23% pada 2025 dan naik lagi 31 persen pada 2050. Sebaliknya, bauran energi dari minyak bumi pada 2050 diturunkan separuhnya dari saat ini 40%. Di sisi lain, pengembangan panas bumi masih memerlukan insentif tambahan untuk mencapai kelayakan proyeknya ditengah tingginya resiko eksplorasi dan keterbatasan akses infrastruktur ke lokasi pengembangan.

Risiko Eksplorasi, Eksploitasi, dan Pengembangan Lapangan Panas Bumi

Proyek panas bumi memiliki resiko yang tinggi dan memerlukan dana yang besar, oleh karena itu sebelum suatu lapangan panas bumi dikembangkan perlu dilakukan pengkajian yang hati-hati untuk menilai apakah sumber daya panas bumi yang terdapat di daerah tersebut menarik untuk diproduksikan. Penilaian kelayakan meliputi beberapa aspek, yang utama adalah: aspek teknis, pasar dan pemasaran, finansial, legal, serta sosial ekonomi.

Dari segi aspek teknis, hal‐hal yang harus dipertimbangkan adalah:

  1. Sumber daya mempunyai kandungan panas atau cadangan yang besar sehingga mampu memproduksikan uap untuk jangka waktu yang cukup lama, yaitu sekitar 25‐30 tahun.
  2. Reservoirnya tidak terlalu dalam, biasanya tidak lebih dari 3 km.
  3. Sumber daya panas bumi terdapat di daerah yang relatif tidak sulit dicapai.
  4. Sumber daya panas bumi memproduksikan fluida yang mempunyai pH hampir netral agar laju korosinya relatif rendah, sehingga fasilitas produksi tidak cepat terkorosi. Selain itu hendaknya kecenderungan fluida membentuk skala relatif rendah.
  5. Sumber daya panas bumi terletak di daerah dengan kemungkinan terjadinya erupsi hidrotermal relatif rendah. Diproduksikannya fluida panas bumi dapat meningkatkan kemungkinan terjadinya erupsi hidrotermal.
  6. Hasil kajian dampak lingkungan.

Dari aspek pasar dan pemasaran, hal‐hal yang harus dipertimbangkan adalah kebutuhan konsumen dan ketersediaan jaringan distribusi. Dari aspek finansial, perlu dilakukan pengkajian terhadap dana yang diperlukan, sumber dana, proyeksi arus kas, indikator ekonomi, seperti NPV, IRR, PI dll, serta perlu juga dipertimbangkan pengaruh perubahan ekonomi makro. Dari aspek sosial ekonomi, perlu dipertimbangkan pengaruh proyek terhadap penerimaan negara, kontribusi proyek terhadap penerimaan pajak, jasa‐jasa umum yang dapat dinikmati manfaatnya oleh masyarakat dan kontribusi proyek terhadap kesempatan kerja, alih teknologi dan pemberdayaan usaha kecil

Light Detection and Ranging (LiDAR)

LiDAR atau juga dikenal sebagai LADAR adalah akronim untuk light detection and ranging. LiDAR adalah teknologi yang menerapkan sistem penginderaan jauh sensor aktif untuk menentukan jarak dengan menembakkan sinar laser yang dipasang pada wahana pesawat. Jarak didapatkan dengan menghitung waktu antara ditembakkannya sinar laser dari sensor sampai diterima kembali oleh sensor.

LiDAR dapat dengan cepat mengukur permukaan bumi dengan laju pengambilan sampel data lebih besar dari 150 kilohertz (150.000 pulsa per detik)[1]. LiDAR menghasilkan produk berupa kumpulan titik awan (points cloud) yang tergeoreferensi, sehingga menghasilkan representasi tiga dimensi (3D) dari permukaan bumi dan objek-objek diatasnya. Sistem LiDAR pada umumnya banyak beroperasi dengan menggunakan gelombang near infrared (NIR). Namun beberapa sensor pun ada yang menggunakan spektrum gelombang hijau untuk menembus air dan mendeteksi keadaan di dasar air.

LiDAR dapat memperoleh data di bawah kanopi pohon. Hal ini lah yang menjadi keunggulan LiDAR dibandingkan dengan fotogrametri dan pemetaan menggunakan citra satelit. Meskipun tidak semua data di bawah kanopi pohon dapat diperoleh, tetapi data tersebut dapat dijadikan sampel titik permukaan tanah di daerah yang berpohon tersebut. Hal ini karena LiDAR menggunakan sinar laser, sehingga selama masih ada celah cahaya yang bisa menembus ke bawah kanopi pohon, maka data LiDAR dapat diperoleh.

Teknologi UAV LiDAR dalam Pengembangan Panas Bumi

Teknologi light detection and ranging (LiDAR) saat ini telah banyak dikembangkan. Output LiDAR berupa data tiga dimensi (3D) dengan akurasi yang cukup tinggi dan pengambilan data yang lebih cepat menjadikan teknologi ini mulai banyak diaplikasikan dalam berbagai bidang. Sehingga, teknologi ini dapat digunakan sebagai alternatif dari teknologi pemetaan secara konvensional (pemetaan terestris). Pada area pengukuran yang luas, LiDAR akan sangat efisien digunakan dibandingkan dengan metode pemetaan konvensional. Hal ini karena waktu pengambilan dan pemrosesan data dapat dilakukan lebih cepat. Selain itu output LiDAR sudah dalam bentuk digital, sehingga tidak perlu dilakukan proses digitalisasi. Pada perkembangan awalnya, LiDAR dibawa oleh wahana pesawat udara atau disebut dengan Airborne LiDAR. Namun karena biaya sewa pesawat cukup mahal, maka dikembangkanlah wahana pesawat tanpa awak yang dapat membawa sensor LiDAR. Pesawat tanpa awak ini dikenal juga sebagai Unmanned Aerial Vehicle (UAV).

Secara garis besar di bidang panas bumi, teknologi LiDAR bisa membantu mulai dari perencanaan pembuatan infrastruktur sampai dengan monitoring seluruh lokasi pada tahap eksploitasi. Selanjutnya akan dibahas secara detail aplikasi UAV LiDAR pada pengembangan panas bumi.

Aplikasi UAV LiDAR

Teknologi LiDAR yang menghasilkan output dengan akurasi data yang akurat, menjadikan teknologi ini mulai banyak digunakan dalam pengembangan Geotermal dimana lokasi panas bumi yang pada umumnya berada di kawasan hutan dengan topografi berbukit:

  1. Pemetaan Kawasan Hutan

Sinar laser yang dipancarkan oleh LiDAR dapat menembus celah-celah kecil pada kanopi pohon. Hal ini menjadikan LiDAR dapat merekam data di bawah kanopi pohon. Sehingga, dengan menggunakan LiDAR dapat dihasilkan Data Elevation Model (DEM) pada kawasan hutan. DEM dalam pemetaan kawasan hutan digunakan untuk menentukan rencana pembuatan infrastruktur lokasi pemboran panas bumi.

Gambar 1. Point cloud LiDAR bisa langsung memberikan gambaran profil dalam hutan.

(Hasil Olahan PT. Kreasi Handal Selaras, 2020)

  • Perencanaan Infrastruktur

Data LiDAR memudahkan perencanaan dan pengembangan infrastruktur panas bumi (desain lokasi kluster pemboran, akses jalan, dan fasilitas pendukung lainnya). Selain itu juga digunakan dalam penyiapan data perizinan dan pembebasan lahan. Perencanaan dan pengembangan infrastruktur dapat lebih spesifik, karena UAV LiDAR bisa terbang rendah.

Gambar 2. Point cloud LiDAR mengenai semua obyek di atas permukaan tanah.

(Hasil Olahan PT. Kreasi Handal Selaras, 2020)

  • Mitigasi dan Pemantauan Tanah Longsor

Pada pemantauan tanah longsor, pengambilan data LiDAR dilakukan secara berkala dalam selang waktu tertentu. Pergerakan tanah dapat dipantau dari perubahan data yang didapatkan. Pemantauan tanah longsor menggunakan LiDAR akan menghasilkan model tiga dimensi dari lereng yang diamati.

Gambar 3. Digital Elevation Model (DEM) tanah longsor.

(Hasil Olahan Data PT. Kreasi Handal Selaras)

Data LiDAR dalam Pemetaan Geohazard

Data berupa LiDAR, foto udara, peta geologi, dan peta tata guna lahan dikumpulkan untuk diolah menjadi zonasi rawan longsor yang kemudian digunakan sebagai Peta Rekomendasi Lahan. Peta ini digunakan sebagai acuan awal dalam penentuan lokasi yang baik berdasarkan kajian geoteknik. Kajian geoteknik ini merupakan upaya pengidentifikasian titik/daerah yang berpotensi menjadi geohazard secara local maupun regional. Persiapan berikutnya adalah membuat Peta Tata Guna Lahan dan Peta Kemiringan Lereng berdasarkan data LiDAR dan foto udara. Kemudian, Peta Tata Guna Lahan, Peta Kemiringan Lereng, dan Peta Geologi dibagi berdasarkan kelas tertentu dan pemberian bobot pada masing-masing kelas dilakukan.

            Gambar 4. Peta Tata Guna Lahan, Peta Kemiringan Lereng, Peta Geologi

Ketiga peta tersebut digabungkan dengan metode Weighted Overlay. Pemberian bobot juga dilakukan untuk masing-masing peta berdasarkan pengaruh terhadap potensi pergerakan tanah. Kemudian, Peta Rekomendasi Lokasi terbentuk sesuai dengan zonasi potensi longsor yang terbagi menjadi 5 kelas, yaitu Sangat Aman, Aman, Layak, Rawan, dan Sangat Rawan. Berdasarkan Peta Rekomendasi Lahan dan Peta Daerah Tangkapan Air yang didapatkan dari hasil pengolahan data LiDAR, lokasi yang berpotensi mengalami pergerakan tanah dapat diinterpretasi arah pergerakannya. Arah pergerakan dari potensi pergerakan tanah tersebut juga telah didasarkan pada kondisi lapangan.

Gambar 5. Potensi Pergerakan Tanah

Referensi :

[1] Center, N. C. (2012). Lidar 101: An Introduction to Lidar Technology, Data, and Applications. Charleston: SC: NOAA Coastal Services Center.

PROYEKSI PETA

Oleh Tike Aprillia, ST, Fella Faradiva, dan Mutia Arifah Rachim

Proyeksi peta merupakan model matematis untuk mengkonversi posisi tiga dimensi suatu titik di permukaan bumi ke dalam dua dimensi atau bidang datar. Dalam prosesnya, proyeksi peta menyebabkan distorsi pada aspek-aspek geometri permukaan bumi yaitu distorsi jarak, distorsi arah, distorsi bentuk, dan distorsi skala. Untuk memperoleh peta yang ideal diperlukan:

  1. luas, jarak, arah dan bentuk yang benar
  2. membagi daerah yang dipetakan menjadi daerah yang lebih sempit
  3. menggunakan bidang datar atau bidang yang didatarkan

Proses memproyeksikan peta dibutuhkan model proyeksi, setiap model memiliki kelebihan dan kekurangan masing-masing. Apabila satu jenis distorsi diminimalkan maka jenis distorsi lain pasti akan membesar. Distorsi pada proyeksi peta memiliki 4 sifat yaitu:

1. Konform

Konform adalah bentuk yang digambarkan pada proyeksi peta harus sesuai dengan aslinya dan mempertahankan kemiripan dengan bentuk aslinya yang tampak pada bumi.

2. Ekuivalen

Ekuivalen adalah luas yang tergambar pada peta harus sesuai dengan luas yang sama di gambaran aslinya.

3. Ekuidistan

Ekuidistan adalah peta yang digambarkan pada proyeksi peta jaraknya harus sama pada jarak sebenarnya sesudah dikalikan dengan skala yang tercantum pada proyeksi peta.

4. Azimuthal

Azimuthal adalah peta yang digambarkan pada proyeksi peta dengan ketentuan arahnya sama dengan yang sebenarnya.

Berdasarkan Bidang Proyeksi

Berdasarkan bidang proyeksinya, proyeksi peta dibagi menjadi 3 yaitu planar, kerucut dan silinder.

Macam Proyeksi Peta

1. Planar

Proyeksi ini sering juga disebut sebagai proyeksi zenithal atau azimuthal. Proyeksi planar merupakan sebuah proyeksi peta yang memakai sebuah bidang datar untuk digunakan sebagai proyeksinya. Pada proyeksi ini membahas mengenai bola bumi yang mana hanya berpusat pada satu titik. Umumnya digunakan untuk menggambarkan lintang kutub atau daerah yang cakupannya kecil. Proyeksi ini cocok untuk pencitraan daerah kutub. Pada proyeksi ini dapat dibagi kembali menjadi 3 jenis berdasarkan sumber cahaya proyeksi yaitu:

A. Proyeksi Orthografik

Proyeksi orthografik memproyeksikan bumi pada bidang datar dengan sumber titik proyeksi yang tak terhingga.
Seluruh titik proyeksi tersebut kemudian ditarik garis orthogonal kedalam bidang datar.
.

Proyeksi Orthografik
B. Proyeksi Stereografik

Proyeksi stereografik memproyeksikan bumi pada bidang datar dengan satu titik sumber proyeksi.
Satu sumber dari titik proyeksi tersebut kemudian dipancarkan ke segala arah.
.
.

Proyeksi Stereografik
C. Proyeksi Gnomonik

Proyeksi gnomonik memproyeksikan bumi pada bidang datar dengan satu titik sumber proyeksi yang terletak pada pusat bumi. Satu sumber titik proyeksi tersebut kemudian dipancarkan ke segala arah dari pusat bumi ke permukaan bumi.

Proyeksi Gnomonik

2. Kerucut

Proyeksi peta kerucut adalah proyeksi peta menggunakan bentuk kerucut sebagai bidang proyeksi. Proyeksi peta ini digunakan untuk memetakan belahan bumi lintang tengah seperti benua Eropa. Proyeksi peta kerucut tidak dapat digunakan untuk menggambarkan daerah kutub dan juga daerah khatulistiwa.

3. Silinder

Proyeksi peta silinder adalah proyeksi peta menggunakan bentuk silinder sebagai bidang proyeksi. Proyeksi peta ini digunakan untuk memetakan belahan bumi daerah khatulistiwa. Proyeksi peta silinder tidak dapat digunakan untuk memetakan belahan bumi bagian kutub.

Berdasarkan Kedudukan Sumbu Simetri

Berdasarkan kedudukan sumbu simetri, proyeksi peta dibagi menjadi 3, yaitu proyeksi normal, miring, dan transversal.

1. Proyeksi Normal

Garis karakteristik bidang proyeksi berimpitan dengan sumbu bola bumi.

2. Proyeksi Miring

Garis karakteristik bidang proyeksinya membentuk sudut lancip dengan sumbu bola bumi.

3. Proyeksi Transversal

Garis karakteristik bidang proyeksi berpotongan tegak lurus dengan sumbu bola bumi.

Ilustrasi Bidang Proyeksi

Dari penjelasan diatas, maka dalam pembuatan peta harus dipilih model proyeksi peta yang sesuai dengan kebutuhannya agar meminimalkan distorsi fitur-fitur yang dianggap penting. Jenis proyeksi peta dapat diketahui berdasarkan bidang proyeksi dan kedudukan sumbu simetrinya. Proyeksi peta berdasarkan bidang proyeksinya dibagi menjadi 3, yaitu planar, kerucut, dan silinder. Proyeksi peta berdasarkan kedudukan sumbu simetrinya dibagi menjadi 3, yaitu proyeksi normal, proyeksi miring, dan proyeksi transversal.


SUMBER:

Geography, G. (2020, Maret 5). GIS Geography. Dipetik Juli 9, 2020, dari https://gisgeography.com/: https://gisgeography.com/azimuthal-projection-orthographic-stereographic-gnomonic/#:~:text=At%20the%20opposite%20end%20where,it%20preserves%20shapes%20(conformal).

Yuwono, B. D. (2019). Materi Kuliah Proyeksi Peta. Semarang: Universitas Diponegoro.

SISTEM KOORDINAT

Oleh Tike Aprilia, ST, Fella Faradiva, dan Mutia Arifah Rachim

Posisi atau kedudukan seseorang atau suatu benda dapat dinyatakan dengan koordinat (baik dua dimensi atau tiga dimensi) yang mengacu pada sistem koordinat tertentu. Sistem koordinat adalah suatu sistem (termasuk di dalamnya teori, konsep, deskripsi fisis serta standar dan parameter) yang digunakan dalam pendefinisian koordinat dari suatu atau beberapa titik dalam ruang. Sistem koordinat memudahkan pendeskripsian, perhitungan, dan analisa, baik yang sifatnya geometrik maupun dinamik.

Sistem koordinat didefinisikan dengan menspesifikasi tiga parameter, yaitu:

1. Lokasi titik origin atau titik nol dari sistem koordinat
A. Geosentrik (di pusat bumi)

Sistem koordinat geosentrik memiliki titik nol yang berpusat di massa bumi (geocenter) dengan sumbu Z atau sumbu rotasi bumi searah dengan Conventional International Origin (CIO), sumbu X ditarik dari pusat bumi kearah perpotongan ekuator dengan meridian Greenwich, dan sumbu Y tegak lurus dengan sumbu X dan Z sesuai dengan kaidah tangan kanan.

Gambar 1 Sistem Koordinat Geosentrik

B. Toposentrik (di permukaan bumi)

Sistem koordinat toposentrik merupakan sistem koordinat yang bersifat lokal dengan titik nol mengacu pada garis gaya berat bumi, n (northing) mengacu ke arah utara geodetik, dan e (easting) tegak lurus dengan n.

Gambar 2 Sistem Koordinat Toposentrik

C. Heliosentrik (di pusat matahari)

Sistem koordinat heliosentrik merupakan sistem koordinat dimana matahari menjadi pusat koordinat. Benda langit lainnya seperti bumi dan planet bergerak mengitari bumi dan matahari. Titik referensi yang digunakan yaitu Vernal Equinoks (VE) yang didefinisikan sebagai sumbu X.

Gambar 3 Sistem Koordinat Heliosentrik

2. Orientasi sumbu-sumbu koordinat
A. Terikat bumi (Conventional Terestrial System)

Pada umumnya digunakan untuk menyatakan posisi titik – titik yang berada di bumi. Sumbu – sumbunya ikut berotasi bersama dengan bumi. Dalam sistem koordinat terikat bumi titik nol adalah pusat bumi dan sumbu-sumbu sistem koordinatnya terikat ke bumi. Sumbu Z mengarah ke CTP (Conventional Terrestrial Pole), sumbu X berada dalam meredian Greenwich dan berada di bidang ekuator bumi, dan sumbu Y yang tegak lurus dengan sumbu X dan Z membentuk sistem koordinat tangan kanan.

Gambar 4 Conventional Terestrial System

B. Terikat langit (Conventional Inertial System)

Pada umumnya digunakan untuk menytakan posisi titik dan objek di angkasa, seperti satelit maupun benda – benda langit lainnya. Dalam sistem koordinat terikat langit, titik nol adalah pusat bumi dan sumbu-sumbu sistem koordinatnya terikat ke langit. Sumbu Z yang mengarah ke Conventional Ephemeris Pole (CEP) pada epok standar J2000, sumbu mengarah ke titik semi (Vernal Equinoks) dan terletak pada bidang ekuator bumi, serta sumbu Y yang tegak lurus dengan sumbu X dan Z dan membentuk sistem koordinat tangan kanan.

Gambar 5 Conventional Inertial System

3. Besaran yang digunakan dalam mendefinisikan posisi
A. Kartesian (X,Y,Z)

Sistem koordinat kartesian menggunakan titik pusat bumi sebagai titik pusat sistem koordinat. Posisi suatu titik pada sistem koordinat ini didefinisikan dengan sumbu X, Y dan Z. Sumbu Z  merupakan garis dalam arah Conventional Terrestrial Pole (CTP), sumbu X merupakan perpotongan antara meridian Greenwich dengan bidang ekuator, dan sumbu Y tegak lurus dengan sumbu X dan Z sesuai dengan kaidah tangan kanan.

B. Geodetik (φ,λ,h)

Sistem koordinat geodetik menggunakan model permukaan bumi yang didekati dengan model ellipsoid sebagai model referensi. Posisi suatu titik didefinisikan oleh lintang(φ), bujur(λ) dan ketinggian(h). Lintang geodetik(φ) dari suatu titik terbentuk dari sudut lancip oleh garis normal ellipsoid yang melalui titik tersebut dengan bidang ekuator dengan nilai antara 0° sampai 90° lintang utara dan 0° sampai 90° lintang selatan. Bujur geodetik(λ)  merupakan sudut yang dibentuk antara meridian lokal dengan meridian Greenwich dengan nilai antara 0° sampai 180° bujur barat dan 0° sampai 180° bujur timur. Tinggi suatu titik diatas ellipsoid (h) dihitung sepanjang garis normal ellipsoid yang melalui titik tersebut.

Gambar 6 Sistem Koordinat Kartesian dan Geodetik

Sistem koordinat adalah sebuah cara atau metode untuk menentukan letak suatu titik. Untuk menentukan dan mendeskripsikan titik yang dicari, sistem koordinat menggunakan 3 parameter yaitu lokasi titik origin atau titik nol dari sistem koordinat, orientasi sumbu-sumbu koordinat, dan besaran yang digunakan dalam mendefinisikan posisi. Setelah memenuhi 3 parameter di atas, sistem koordinat dapat digunakan untuk mengetahui posisi suatu titik yang dicari.


SUMBER:

Abiddin, H. Z. (2001). Geodesi Satelit. Bandung: PT Anem Kosong Anem.

Enacademic. (2017, November 18). https://enacademic.com. Dipetik Juli 9, 2020, dari Academic: https://enacademic.com/dic.nsf/enwiki/30988

Eren, O., & Hajiyev, C. (2013). Aircraft Position and Velocity Determination Based On GPS Measurements Using Distance Difference and Doppler Methods. Istanbul: Istanbul Technical University.

Firdaus, H. S. (2019). Materi Kuliah Hitung Proyeksi Geodesi. Semarang: Universitas Diponegoro.

Antara Geoids dan Ellipsoids, Apa Bedanya?

Oleh: Annabel Noor Asyah S.T., M.Sc

Untuk setiap pekerjaan survei dan pemetaan dimana vertical measurement atau pengukuran vertikal memiliki peran yang penting, kemampuan dan keandalan dalam menghitung ketinggian lokal secara akurat sangatlah krusial. Ketika melakukan pengukuran menggunakan GNSS/GPS nilai ketinggian yang didapatkan sesungguhnya adalah ketinggian di atas ellipsoid, bukan di atas geoid. Oleh karena itu, kita memerlukan besaran nilai undulasi untuk mendapatkan tinggi orthometric di atas titik tersebut. Namun, sebelum berbicara lebih lanjut mengenai undulasi, marilah kita bahas satu persatu apa itu geoid dan ellipsoid.

Geoids

Salah satu pemodelan bentuk bumi yang populer adalah geoid. Geoid adalah representasi dari permukaan bumi yang memiliki asumsi bahwa bumi diselimuti oleh laut. Representasi ini juga disebut sebagai “permukaan dengan potensi gravitasi yang sama” atau lebih mudahnya diartikan sebagai “permukaan laut rata-rata”. Sesungguhnya, model geoid bukanlah perwakilan yang tepat untuk menggambarkan permukaan laut. Banyak elemen-elemen yang harus diperhatikan seperti efek dinamis dimana unsur gelombang dan pasang surut permukaan lain tidak diperhitungkan dalam model geoid.

Kendati demikian, geoid memiliki peran yang cukup krusial dalam beragam bidang seperti untuk keperluan aplikasi geodesi, oseanografi dan geofisika. Untuk bidang geodesi, yaitu penggunaan teknologi GPS dalam penentuan tinggi orthometric untuk berbagai keperluan praktis seperti rekayasa, survei, dan pemetaan membutuhkan informasi geoid yang teliti dan akurat. Pada saat ini dan masa yang akan datang, kebutuhan akan model geoid akan sangat mendesak karena pesatnya pemakaian GPS untuk berbagai keperluan rekayasa dan survei pemetaan.

Bentuk Geoid Bumi

Sumber: wikiwand, 2020

Ellipsoids

Lain geoid, lain pula ellipsoid. Bagi sebagian orang yang sudah lama berkecimpung di dunia permodelan, istilah ellipsoid bukanlah sesuatu yang baru. Istilah ini kerap digunakan untuk merepresentasikan bentuk bumi. Ellipsoid berasal dari kata ‘elips’ yang sering digeneralisasikan sebagai bentuk lingkaran atau bola.  Namun sejatinya, bumi itu sendiri tidak berbentuk bola sempurna, melainkan berbentuk ellipsoid dimana bumi sebenarnya lebih lebar bila dibandingkan dengan tingginya. Hal tersebut dapat dibuktikan oleh data yang mengatakan bahwa keliling khatulistiwa bumi sekitar 42 milimeter lebih panjang bila dibandingkan dengan garis bujurnya. Jadi dapat dibilang bahwa planet ini tidaklah berbentuk bulat sempurna. Meskipun banyak pemodelan bumi lainnya, model ellipsoid dianggap paling sesuai dengan bentuk bumi yang sebenar-benarnya.

Banyak ahli yang telah mengembangkan beragam model bumi ellipsoid sejak bertahun-tahun yang lalu. Namun yang paling populer adalah model yang dirancang sebagai basis data untuk referensi sistem koordinat WGS84. WGS84 merupakan sistem referensi koordinat geografis, yang berarti kontekstualisasi titik pada permukaan 3D – dalam hal ini, bumi – menggunakan derajat lintang dan bujur. Koordinat pada data GPS diturunkan dengan menggunakan WGS84.

Model ellipsoid digunakan untuk mengukur jarak yang melintasi antar permukaan bumi. Di Indonesia sendiri, model ellipsoid masih cenderung memiliki ketelitian yang cukup rendah, yakni kurang lebih 1 meter. Hal tersebut terjadi karena masih sedikitnya pengukuran gaya berat di Indonesia.

Tidak seperti geoid, model ellipsoid mengasumsikan bahwa permukaan bumi rata. Bukan dalam rangka mendukung teori bahwa bumi itu datar, melainkan hal tersebut memiliki arti bahwa tidak ada gunung atau parit sehingga permukaan bumi berada di titik ketinggian yang sama. Jarak vertikal yang terdapat di antara geoid dan ellipsoid merupakan sebuah hasil dari diperhitungkannya keberadaan gunung dan parit dalam pemodelan bumi geoid. Perbedaan tersebut dikenal dengan istilah ‘geoid height’ atau ketinggian geoid (undulasi). Perbedaan antara ellipsoid dan geoid dapat menjadi sangat signifikan, karena sejatinya ellipsoid hanyalah garis dasar untuk mengukur ketinggian topografi. Pada model ellipsoid, diasumsikan bahwa permukaan bumi halus, sedangkan pada model geoid permukaan bumi tidaklah demikian adanya.

Ilustrasi Geoid dan Ellipsoid

Sumber: Geodesy and Geodynamics Journal, 2020

Datum Vertikal

Baik ellipsoid maupun geoid merupakan contoh dari datum vertikal. Untuk surveyor, datum vertikal berfungsi sebagai titik referensi dari mana ketinggian (ketinggian positif dan negative) dapat ditentukan. Terdapat dua jenis datum vertikal. Yang pertama adalah datum pasang surut, dan yang kedua adalah datum geodetik. Untuk sejenak pembahasan akan difokuskan pada datum geodetik yang lebih relevan dengan pekerjaan surveyor.

Ketepatan besaran inci pada pekerjaan survey adalah sebuah hal yang sangat penting dan harus diperhatikan dengan baik. Hal tersebut sangatlah kritikal sehingga para surveyor haruslah menggunakan datum geodetic yang sama dalam satu rangkaian proyek. Peralihan model ellipsoid atau geoid di pertengahan jalan akan menyebabkan perbedaan data yang signifikan. Jika kumpulan data survey menggunakan sistem referensi dan koordinat yang berbeda, maka perlu dilakukan perubahan untuk mencocokan satu dengan yang lainnya, jika tidak pengukuran tidak akan berhasil.

Daftar Pustaka

Zeidel, A. 2020. Geoids vs. Ellipsoids: What’s the Difference?. Propeller

Smith, N. 2017. The Difference Between Geoid & Ellipsoid. Sciencing.com

Jasaukurtanah.com. 2016. Mengenal Ap aitu Geoid, Undulasi, dan Tinggi Orthometrik. Jasaukurtanah.com

Geodesy.gd.itb.ac.id. 2007. Studi Geoid Teliti dan Permodelannya di Daerah Indonesia. Geodesy.gd.itb.ac.id

https://www.handalselaras.com/converter/

Apa Itu Skala Peta?

Oleh Tike Aprilia Hartini, S.T & Annabel Noor Asyah, S.T., M.Sc

Mendefinisikan Peta

Apa yang terlintas di benak kita ketika mendengar kata ‘peta’? Beragam interpretasi dan definisi bisa saja muncul. Bagi sebagian orang, peta didefinisikan sebagai penunjuk arah ketika hendak menuju suatu tempat. Wujudnya pun beragam, ada yang tergambar di sehelai kertas atau yang sudah termutakhirkan dalam bentuk digital. Kita mengenalnya lewat beberapa aplikasi seperti google maps, waze dan lain sebagainya. Bagi sebagian lainnya, peta berarti gambaran informasi dan data yang merepresentasikan suatu wilayah. Informasi dan data tersebut dapat mengenai ketinggian tanah, kontur, sebaran fasilitas umum dan lain sebagainya. Lalu, apa yang sebenarnya menjadi definisi resmi dari peta?

Menurut International Cartographic Association (ICA) pada tahun 1973, Peta adalah suatu gambaran atau representasi unsur-unsur atau kenampakan-kenampakan alam atau buatan di atas permukaan bumi dan digambarkan pada suatu bidang datar. Peta merupakan penyajian muka bumi dalam bentuk yang lebih kecil dari daerah yang dipetakan, dengan syarat bahwa besaran suatu jarak dibuat sebanding dengan besaran jarak yang disajikan di peta. Dilansir dari blog geograph88, Peta juga kerap disebut sebagai wadah komunikasi atau suatu signal antara pengirim pesan (pembuat peta) dengan si penerima pesan (pengguna peta). Apa yang menjadi pesannya? Yang menjadi pesannya adalah informasi tentang realita dari fenomena geografi. Pada dasarnya peta adalah sebuah data yang didesain untuk menghasilkan informasi geografis melalui proses pengorganisasian dari kolaborasi data lainnya yang berkaitan dengan bumi untuk menganalisis, memperkirakan dan menghasilkan gambaran kartografi.

Tidak hanya itu, peta juga didefinisikan dalam produk hukum dan kebijakan seperti yang tertuang dalam Peraturan Pemerintah Republik Indonesia Nomor 8 Tahun 2013 tentang Ketelitian Peta Rencana Tata Ruang. Dalam peraturan pemerintah tersebut, disebutkan bahwa peta adalah suatu gambaran dari unsur-unsur alam dan atau buatan manusia, yang berada di atas maupun di bawah permukaan bumi yang digambarkan pada suatu bidang datar dengan skala tertentu.

Skala Peta dan Jenis-Jenisnya

Berbicara tentang peta, tentu tidak bisa terlepas dari pembahasan mengenai skala peta. Dalam penyajian suatu peta perlu diperhitungkan skala peta yang akan digunakan, karena hal ini akan berpengaruh kepada tingkat kedetailan dari unsur-unsur permukaan bumi yang disajikan. Masih menurut peraturan pemerintah yang sama seperti yang dijelaskan di atas, Skala adalah perbandingan jarak dalam suatu peta dengan jarak yang sama di muka bumi. Lebih lanjut, fungsi skala peta yaitu untuk menghitung jarak antara dua lokasi dalam peta, sehingga memungkinkan mengukur jarak secara langsung dengan hanya melihat pada peta tanpa harus mendatangi lokasi sebenarnya dan melakukan pengukuran.

Skala peta erat kaitannya dengan ketelitian peta yang memiliki definisi sebagai ketepatan, kerincian dan kelengkapan data, dan/atau informasi georeferensi dan tematik, sehingga merupakan penggabungan dari sistem referensi geometris, skala, akurasi atau kerincian basis data, format penyimpanan secara digital termasuk kode unsur, penyajian kartografis mencakup simbol, warna, arsiran dan notasi serta kelengkapan muatan peta.

Terdapat beberapa istilah dalam penyebutan suatu skala peta, yaitu:

● Peta skala besar, angka pembandingnya sekitar 500 sampai dengan 10.000, yaitu peta dengan skala 1:500 sampai dengan 1:10.000.

●   Peta skala sedang, angka pembandingnya sekitar 25.000 sampai dengan 50.000, yaitu peta dengan skala 1:25.000 sampai dengan 1:50.000.

●   Peta skala kecil, angka perbandingannya lebih besar dari 50.000, yaitu peta dengan skala mulai dari 1:100.000 sampai dengan tak terhingga.

Pemilihan suatu skala peta tergantung dari tujuan penggunaan peta bersangkutan. Hal ini pun berkaitan dengan kedetailan unsur-unsur muka bumi yang ingin disajikan dalam suatu peta. Semakin besar skala peta, maka unsur muka bumi yang disajikan akan lebih detail.

Pada peta dengan skala 1:1000 dan 1:5000 akan terdapat perbedaan dalam penyajian unsur-unsur muka buminya. Penyajian yang lebih detail akan disajikan pada peta dengan skala 1:1000. Hal ini karena objek terkecil di lapangan yang harus disajikan pada peta yaitu berukuran 1 m x 1 m, sedangkan pada skala 1:5000 yaitu 5 m x 5 m. Begitu pun dengan garis ketinggian yang disajikan pada peta (garis kontur). Pada skala peta 1:1000, garis kontur yang disajikan akan lebih rapat dibandingkan dengan skala peta 1:5000. Perhitungan interval kontur yaitu setengah dari skala peta. Sehingga selang kontur pada skala peta 1:1000 yaitu 0,5 m, sedangkan pada skala 1:5000 yaitu 2,5 m.

Dari penjelasan di atas, dapat disimpulkan bahwa tingkat kedetailan unsur-unsur muka bumi ditentukan oleh skala peta. Sehingga, penentuan skala peta terhadap penggunaan peta sangatlah penting. Untuk kepentingan pemetaan yang detail, maka perlu digunakan peta skala besar. Berbeda dengan jika ingin mengetahui perubahan tutupan lahan, peta dengan skala sedang pun sudah cukup.

DAFTAR REFERENSI:

Soendjojo, H & Riqqi, A. 2016. Kartografi. Institut Teknologi Bandung.

Peraturan Pemerintah Republik Indonesia Np. 8 Tahun 2013 tentang Ketelitian Peta Rencana Tata Ruang.

KONVERTER KOORDINAT LAT/LONG DAN EASTING/NORTHING

Sistem koordinat geografi digunakan untuk menunjukkan suatu titik di Bumi berdasarkan garis lintang dan garis bujur.

Garis lintang adalah garis horizontal yang mengukur sudut antara suatu titik dengan garis katulistiwa. Titik di utara garis katulistiwa dinamakan Lintang Utara sedangkan titik di selatan katulistiwa dinamakan Lintang Selatan.

Garis bujur adalah garis vertikal yang mengukur sudut antara suatu titik dengan titik nol di Bumi yaitu Greenwich di London Britania Raya yang merupakan titik bujur 0° atau 360° yang diterima secara internasional. Titik di barat bujur 0° dinamakan Bujur Barat sedangkan titik di timur 0° dinamakan Bujur Timur.

Tranformasikan kordinat yang dibutuhkan, Silahkan gunakan coordinates converter untuk dapat membantu anda dalam menyediakan data kordinat yang dibutuhkan. Kalkulator bisa membantu merubah data LAT/LONG menjadi EASTING/NORTHING atau sebaliknya. Silahkan klik link berikut

https://www.handalselaras.com/converter/

KALKULATOR GROUND SAMPLING DISTANCE (GSD) DALAM TINGGI TERBANG UAV

Ground Sampling Distance (GSD) adalah ukuran resolusi piksel dari hasil foto udara, baik foto udara dengan kamera metrik maupun foto udara dengan kamera non metrik. GSD dan resolusi spasial memiliki pengertian yang sama. Biasanya dalam foto udara digunakan istilah GSD, sedangkan pada citra satelit digunakan istilah resolusi spasial. GSD atau resolusi spasial menentukan kualitas foto udara atau citra satelit yang dihasilkan. GSD atau resolusi spasial merupakan rasio antara nilai ukuran foto udara atau citra satelit dengan nilai ukuran sebenarnya. Nilai GSD 3 cm/piksel menyatakan bahwa satu piksel pada foto udara sama dengan 3 cm pada ukuran sebenarnya.

Semakin besar nilai GSD pada foto udara, maka resolusi spasial yang dihasilkan akan semakin rendah, dan tingkat kedetailan dari objek-objek pada foto udara akan semakin berkurang. Apabila pengguna ingin mendapatkan hasil foto udara yang jelas dan detail, maka nilai GSD yang digunakan harus kecil.

Telah dijelaskan sebelumnya bahwa besarnya GSD ditentukan oleh ketinggian terbang pada saat proses akuisisi data foto udara, sehingga pemotretan harus dilakukan pada ketinggian yang tepat untuk mendapatkan GSD yang diharapkan. Kami mempublikasikan secara gratis kalkulator GSD. Silahkan klik link berikut

https://www.handalselaras.com/calculator/

DJI Agras T16, Agriculutural Spraying Drone

Oleh : Sarah Sherida, ST

Salah satu kegunaan drone selain mengambil foto udara maupun video aerial adalah membantu bidang agrikultur dalam melakukan pengawasan serta penyiraman pestisida di areal perkebunan dan perhutanan yang sangat luas.

Saat ini terdapat berbagai jenis drone yang bisa mempermudah pekerjaan petani dalam mengawasi, menyemprot, melakukan pemupukan, dan menyeprotkan pestisida, salah satunya DJI Agras T-16.
Drone Dji Agras T-16 menjadi drone andalan dari banyak professional, dimana drone hexacopter ini sangat memberikan efisiensi kerja untuk membantu dalam memberikan pestisida secara menyeluruh dan akurat kepada tanamannya.

DJI Agras T16

Daya yang Dioptimalkan, Performa Tak Tertandingi

Agras T16 memiliki struktur keseluruhan yang disempurnakan dengan desain modular dan mendukung muatan tertinggi dan lebar semprotan terluas untuk drone pertanian dan perhutanan DJI. Dengan perangkat keras yang lebih kuat dan tangguh, mesin Artifical Intelegent, dan perencanaan operasi 3D, DJI Agras T16 membawa efisiensi operasi ke tingkat yang baru.

DJI Agras T16 Fly

Struktur Merevolusi. Operasi yang Handal.

Desain modular T16 yang serba baru menyederhanakan perakitan dan mempercepat perawatan harian. Peringkat IP67 memberikan perlindungan yang andal untuk komponen kunci drone. Sebuah badan pesawat ringan, namun tahan lama terbuat dari komposit serat karbon dan dapat dengan cepat dilipat untuk 25% dari ukuran aslinya, sehingga mudah untuk transportasi. Baterai dan tangki semprotan mudah ditukar, secara signifikan meningkatkan efisiensi pasokan daya dan cairan.

Payload Lebih Tinggi. Peningkatan Efisiensi.

Didukung oleh kinerja terbangnya yang luar biasa, tangki semprotan T16 dapat mengangkut hingga 16 L, dan lebar semprotan telah meningkat menjadi 6,5 m. Sistem penyemprotan memiliki 4 pompa pengiriman dan 8 alat penyiram dengan kecepatan semprot maksimum 4,8 L / menit. T16 dapat menyemprotkan 24,7 acre (10 hektar) [1] per jam. Sistem penyemprotan juga memiliki flow meter elektromagnetik baru, memberikan presisi dan stabilitas yang lebih tinggi daripada flow meter konvensional.

Radar Yang Lebih Canggih. Mudah Dioperasikan.

Sistem radar T16 yang ditingkatkan dapat merasakan lingkungan operasi di siang atau malam hari, tanpa terpengaruh oleh cahaya atau debu. Drone ini telah sangat meningkatkan keselamatan penerbangan dengan penghindaran rintangan maju dan mundur dan FOV horizontal (bidang pandang) 100 °, dua kali lipat drone pertanian DJI sebelumnya. T16 juga dapat mendeteksi sudut kemiringan dan menyesuaikannya secara otomatis bahkan di daerah pegunungan. Sistem radar inovatif ini mengadopsi teknologi Digital Beam Forming (DBF), yang mendukung pencitraan cloud titik 3D yang secara efektif merasakan lingkungan dan membantu menghindari rintangan.

Keunggulan DJI Agras T16 Dibandingkan Dengan Spraying Drone Lainnya

  • Efisiensi maksimum
  • Penyemprotan akurat
  • Mudah digunakan
  • Memiliki kecerdasan memori
  • Desain yang dapat dilipat
  • Memiliki sensor ketinggian
  • Dikendalikan dengan remot kontrol

SPESIFIKASI DJI AGRAS T16

Aircraft Frame

Diagonal Wheelbase1520 mm
Frame Arm Length625 mm
Dimensions1471mm x 1471mm x 482mm (arm unfolded, without propellers)780mm x 780mm x 482mm (arm folded)

Motor

Diagonal Wheelbase1520 mm
Frame Arm Length625 mm
Dimensions1471mm x 1471mm x 482mm (arm unfolded, without propellers)780mm x 780mm x 482mm (arm folded)

ESC

Max Allowable Current (Continuous)25 A
Operating Voltage12S LiPo
Signal Frequency30 to 450 Hz
Drive PWM Frequency12 kHz

Foldable Propeller

MaterialHigh-performance engineered plastics
Diameter / Pitch21×7.0 inch (533×178 mm)
Weight58 g

Liquid Tank

Volume10 L
Standard Operating Payload10 kg
Max Battery Size151mm x 195mm x 70mm

Nozzle

ModelXR11001
Quantity4
Max Spray Speed0.43 L/min (per nozzle, for water)
Spray Width4 – 6 m (4 nozzles, 1.5 – 3 m above the crops)
Droplet Size*XR11001: 130~250 μm*Droplet size may vary according to operation environment and spraying speed.

Flight Parameters

Total Weight (without batteries)8.8 kg
Standard Takeoff Weight22.5 kg
Max Takeoff Weight24.5 kg (@ sea level)
Max Thrust-Weight Ratio1.81 (with 22.5 kg takeoff weight)
Power BatteryDJI Designated Battery (MG-12000)
Max Power Consumption6400 W
Hovering Power Consumption3250 W (with 22.5 kg takeoff weight)
Hovering Time24 min (@ with 12.5 kg takeoff weight)10 min (@ with 22.5 kg takeoff weight)
Max Operating Speed8 m/s
Max Flying Speed22 m/s
Recommended Operating Temperature0 to 40℃

Remote Controller

ModelGL690B(Japan Only), GL658C
Operating Frequency2.400 – 2.483 GHz
Max Transmission Range (unobstructed, free of interference)1km
EIRP100 mW @ 2.4 GHz
Built-in Battery6000 mAh, 2S LiPo
ChargingDJI charger
Output Power9 W
Operating Temperature Range-10 to 40℃
Storage Temperature RangeLess than 3 months: -20 to 45℃More than 3 months: 22 to 28℃
Charge Temperature Range0 to 40℃

Remote Controller Charger

ModelA14-057N1A
Voltage17.4 V
Rated Power57 W

SUMBER :

https://www.dji.com/id/t16/info

Canopy Height Model (Chm) Menggunakan Survei Fotogrametri Untuk Perhitungan Tinggi Pohon

Oleh : Rabby Awalludin, ST

Kemunculan fotogrametri dengan menggunakan pesawat nirawak (UAV) menjadi jalan baru penggunaan metode fotogrametri dalam analisis lingkungan seperti lingkungan hutan dan daerah sulit terjamah oleh metode akuisisi lainnya. Jika dibandingkan dengan pengukuran fotogrametri dengan kamera metric dan penerbangan dengan ketinggian tinggi maupun dengan survey berbasis LiDAR, metode ini tetap memiliki resolusi spasial dan temporal yang tinggi [1].

CHM atau Canopy Height Model merupakan representasi dari tinggi pohon pada wilayah pengukuran. Tinggi pohon diukur melalui jarak antara ground (permukaan) dengan titik tertinggi pohon. Untuk daerah dengan tutupan lahan yang secara keseluruhannya merupakan pepohonan, tidak diperlukan tindakan lebih lanjut sebelum CHM dikalkulasi. Beda hal jika terdapat perumahan atau bangunan dalam area tersebut, untuk kondisi ini diperlukan pembersihan terlebih dahulu data tersebut.

Muncul pertanyaan, apa saja yang dapat kita lakukan dengan adanya CHM ini? Banyak pemanfaatan yang dilakukan oleh berbagai pihak dalam berbagai fungsi pemetaan dan analisis spasial (keruangan). Beberapa diantaranya sebagai berikut [2]:

  1. Evaluasi resiko tinggi vegetasi terhadap saluran listrik
  2. Memantau penebangan dan pemulihan hutan
  3. Menilai kesesuaian habitat untuk satwa liar
  4. Mengidentifikasi lokasi pohon-pohon yang memenuhi syarat masuk dalam kategori pohon besar (klasifikasi pohon hutan)
  5. Mengevaluasi pertumbuhan dan perkembangan pohon hutan industri

CHM merupakan hitungan turunan dari Digital Elevation Model (DEM) dan Digital Surface Model (DSM). Nilai CHM dapat diketahui dengan banyak cara, salah satunya adalah dengan melakukan pengurangan nilai DSM oleh DEM. DSM yang merupakan representasi dari nilai ketinggian keseluruhan objek di permukaan bumi dihilangkan permukaan tanahnya (ground) oleh DEM sehingga dihasilkan nilai ketinggian dari objek yang dihitung nol dari permukaan tanah. Secara singkat perhitungan nilai CHM dilakukan dengan cara berfikir seperti berikut:

DSM – DEM = CHM

Sebelum dapat menghasilkan nilai CHM dari DSM dan DEM, tentunya terdapat beberapa langkah dan metode yang harus dipenuhi terlebih dahulu. Sebelum menghasilkan nilai DSM, diperlukan data PointCloud, yang dapat dihasilkan dengan menggunakan metode fotogrametri maupun LiDAR. Secara singkat dengan menggunakan metode fotogrametri dapat dijelaskan sebagai berikut [3]:

Dilakukan aerial triangulation untuk mendapatkan nilai posisi dan ketinggian objek dari foto-foto yang diambil dengan menggunakan metode fotogrametri. Hasil ini berupa Sparse Point Cloud yang merupakan titik jarang yang merepresentasikan posisi suatu objek.


Nilai titik jarang tersebut kemudian diperbanyak sehingga menghasilkan titik-titik dengan kerapatan padat yang disebut dengan istilah Dense Point Cloud.

Interpolasi Dense Point Cloud yang menghasilkan Digital Surface Model (DSM)

Dilakukan proses klasifikasi, otomatis maupun manual yang menghasilkan data ketinggian Ground (DEM)

Kombinasi antara DSM dan DEM sehingga menghasilkan CHM

Perhitungan nilai CHM dapat dilakukan dengan menggunakan perangkat lunak ArcGIS, Global Mapper, Simactive, dan perangkat lunak pengolahan data spasial lainnya. Perhitungan dilakukan secara otomatis dengan menggunakan bahasa pemrograman yang terdapat pada masing-masing perangkat lunak.

Nilai ketelitian dari tinggi pohon yang diperoleh dengan menggunakan CHM dapat diperoleh dengan cara membandingkan beberapa sampel yang sama antara CHM dan data lapangan yang dipilih secara acak. Nilai ketelitian dari CHM sangat berpengaruh terhadap beberapa faktor, diantaranya:

·         Nilai GSD (Ground Sample Distance)

Seperti yang kita ketahui bersama, nilai GSD merupakan ukuran resolusi piksel dari hasil foto udara, baik foto udara dengan kamera metrik maupun foto udara dengan kamera non metrik. Model permukaan bumi terbentuk dari data elevasi digital dalam tiga dimensi (X, Y, Z). Data elevasi digital ini disimpan dalam format piksel grid (raster). Setiap piksel mempunyai nilai elevasi yang mewakili ketinggian titik di permukaan bumi. Semakin besar nilai GSD pada foto udara, maka resolusi spasial yang dihasilkan akan semakin rendah, dan tingkat kedetailan dari objek-objek pada foto udara akan semakin berkurang [4]. Jika GSD yang digunakan besar (resolusi rendah), nilai tinggi yang direpresentasikan oleh CHM menjadi buruk. Hal ini dipengaruhi dengan besarnya GSD, nilai tertinggi sebenarnya dari pohon tidak dapat didefinisikan dengan jelas. Sehingga representasi hasil tinggi kurang atau tidak mendekati nilai tinggi sebenarnya di lapangan.

·         Kualitas GCP

Kualitas Ground Control Point atau GCP juga ikut andil dalam ketelitian dari CHM yang dihasilkan. GCP berpengaruh dalam menentukan kedekatan posisi termasuk posisi horizontal dan vertikal dari objek pengamatan dalam hal ini pohon. Semakin baik kualitas GCP, maka akan semakin baik pula posisi dari objek pengamatan, yang secara langsung juga berpengaruh terhadap nilai CHM yang dihasilkan.

 ·         Nilai Pembanding

Nilai ketelitian hasil suatu metode didapatkan dengan membandingkan dengan hasil metode lainnya. Namun nilai pembanding tersebut harus memiliki nilai yang lebih dipercaya sehingga jika hasil metode yang dibandingkan semakin mendekati pembanding, maka metode tersebut dapat digunakan. Misalkan nilai CHM dibandingkan dengan hasil pengukuran lapangan. Metode perhitungan yang dilakukan dalam pengukuran lapangan haruslah metode yang memiliki nilai kepercayaan yang dapat dipertanggungjawabkan dengan baik.

Jonathan Lisein, Stephanie Bonnet and Philippe Lejeune dari Universitas Liege – Gembloux Agro-Biotech melakukan penelitian mengenai ketelitian CHM dengan menggunakan metode fotogrametri dengan pesawat nirawak (UAV) yang dibandingkan dengan pengukuran tinggi di lapangan [3] . Didapatkan hasil seperti pada tabel berikut :

Resolusi/GSDRMSE
25cm2.1m

Dari hasil yang didapatkan, dapat ditarik kesimpulan berupa:

  1. Penggunaan DEM dengan resolusi rendah dan akurasi yang tidak diketahui merusak nilai presisi dari DSM itu sendiri.
  2. Rekonstruksi Tiga Dimensi pohon rapat dengan menggunakan foto bergantung pada kuat dan arah angin yang menyebabkan pergerakan daun, serta pengulangan bentuk pada kanopi hutan yang padat dan berdaun lebar, keduanya dapat menghambat/membingungkan dalam proses pembentukan dense point cloud.
  3. Hasil co-registrasi DSM dan DTM untuk kawasan hutan tidak ketat secara ilmiah, karena kurangnya visibilitas tanah (tinggi vegetasi = 0) pada DSM.
  4. Penggunaan fotogrametri untuk kawasan hutan rentan terhadap error, karena nilai tanah dibawah pohon tidak terlihat.

Kerapatan point cloud dapat mempengaruhi ketelitian dari nilai tinggi yang dihasilkan. Dapat terlihat pada gambar berikut:

Sumber : www.mpdi.com

Secara keseluruhan, metode menentukan ketinggian pohon (CHM) dengan menggunakan metode survei fotogrametri cukup efektif dan efisien jika dilakukan untuk menghasilkan data dengan ketelitian yang cukup baik. Untuk dapat memastikan layak atau tidaknya metode ini dilakukan, diperlukan pemilihan metoda akuisisi dan pengolahan data yang tepat seperti proses klasifikasi point cloud, spesifikasi alat, nilai GSD yang digunakan, metode pembanding yang digunakan, penggunaan parameter dalam pengolahan data pada perangkat lunak pengolahan data yang digunakan, dsb.

Sumber Referensi :

[1] Watts A.C., Ambrosia V.G., Hinkley E.A. [2012]. Unmanned Aircraft Systems in Remote Sensing and Scientific Research: Classification and Considerations of Use. Remote Sensing 4 (6), 1671–1692.

[2] https://www.earthdefine.com/spatialcover_chm/

 [3] https://orbi.uliege.be//bitstream/2268/129781/1/ModeleNumCanopee_drone_poster.pdf

 [4] https://www.handalselaras.com/ground-sampling-distance-gsd/

PRESISI VS AKURASI PADA DATA LIDAR

Tike Aprillia Hartini

Keyword: presisi, akurasi, LiDAR (Light Detection and Ranging).

Dalam melakukan suatu pengukuran, untuk memastikan hasil ukuran yang didapatkan baik atau tidak digunakan istilah presisi dan akurasi. Presisi adalah tingkat konsistensi dari pengamatan yang ditentukan dari besarnya perbedaan dalam nilai data yang dihasilkan. Presisi sangat ditentukan oleh kestabilan kondisi pengamatan, kualitas alat, kemampuan dari pengamat, dan prosedur pengamatan. Sedangkan akurasi adalah tingkat kedekatan dari nilai pengamatan dengan nilai sebenarnya. Nilai sebenarnya dari suatu pengukuran tidak pernah dapat ditentukan, sehingga akurasi selalu tidak diketahui. [1] Namun, untuk mendekati nilai yang dianggap benar sering kali digunakan nilai rata-rata dari keseluruhan data yang diukur. Sehingga, hasil pengukuran akan memiliki tingkat akurasi yang tinggi apabila mendekati nilai rata-rata. Perbedaan presisi dan akurasi dapat dilihat pada ilustrasi di bawah ini:

Gambar 1. Akurasi dan Presisi.[1]

(1a) Akurat dan Presisi, (1b) Akurat, (1c) Presisi, (1d) Tidak Akurat dan Tidak  Presisi.

Presisi dan akurasi pun sering dikaitkan dengan kesalahan sistematis dan kesalahan acak. Kesalahan sistematis adalah kesalahan dengan kecenderungan menggeser semua pengukuran secara sistematis, sehingga nilai rata-rata secara konstan bergeser atau bervariasi dan dapat diprediksi perubahannya serta dapat dikoreksi. Sedangkan kesalahan acak adalah kesalahan dengan variasi nilai kesalahannya tidak terduga dan tidak dapat dikoreksi. Kesalahan acak ini dapat disebabkan karena faktor lingkungan di tempat pengukuran, seperti terjadi kebisingan, adanya kabut, dan getaran sehingga mempengaruhi hasil pengukuran. Apabila hasil pengukuran memiliki nilai akurasi yang rendah, maka kemungkinan besar terdapat kesalahan sistematis pada alat pengukuran. Sehingga diperlukan kalibrasi pada alat tersebut. Apabila hasil pengukuran memiliki nilai presisi yang rendah, kemungkinan besar terdapat kesalahan acak pada pengukuran yang dilakukan.

Dalam pengukuran LiDAR, presisi dan akurasi dapat dilihat dari sebaran data point cloud yang dihasilkan antar jalur terbang. Keakuratan data LiDAR dapat dilihat dari tingkat kedekatan point cloud dengan posisi aktual dari lingkungan yang dijelaskan. Sedangkan kepresisian dari data LiDAR dapat dilihat dari tingkat kekonsistenan point cloud antar jalur terbang pada titik yang sama. Sehingga, untuk mendapatkan nilai presisi ini harus dilakukan pengukuran lebih pada suatu objek. Oleh karena itu, pada saat melakukan akuisisi data lidar diperlukan pertampalan antar jalur terbang (sidelap dan overlap). Data LiDAR yang memiliki tingkat presisi yang tinggi akan menghasilkan point cloud yang lebih tipis karena memiliki jarak antar point cloud yang kecil dan memiliki sedikit noise.[2] Ilustrasi dari akurasi dan presisi dari data LiDAR dapat dilihat pada Gambar 2.

Gambar 2. Akurasi dan Presisi.[2]

Sehingga untuk mendapatkan hasil pengukuran yang mendekati nilai sebenarnya, kesalahan sistematik maupun acak harus dihindari agar tingkat akurasi dan presisi dari data yang dihasilkan memiliki kualitas yang baik. 

DAFTAR REFERENSI:

[1] Ghilani, Charles D dan Wolf, Paul R. 2006. Adjusment Computations Spatial Data Analysis. United States of America.

[2] Accuracy vs Precision. https://www.yellowscan-lidar.com/knowledge/wait-accuracy-vs-precision-isnt-rocket-science/?utm_source=hs_email&utm_medium=email&utm_content=81181499&_hsenc=p2ANqtz-9lnwORNL6_GfpxQre3qYVG3_Ykh7ZPDIctygB9BjeMocx-SeKScUmQ1DfHAia-2NGsymbjAHnuo2GoSb_CU-52hPyIMZV-oNjj-oPVj6w23CPnSpk&_hsmi=81181499, diakses pada tanggal 3 Februari 2020.

Perbedaan Data Hasil Dari Fotogrametri dan LiDAR (Light Detection and Ranging) Dalam Aplikasi Inspeksi Jaringan Listrik Tegangan Tinggi (SUTET)

Oleh : Tike Aprilia, ST

Fotogrammetri dan LiDAR (Light detection and ranging) menggunakan wahana UAV (Unmanned Aerial Vehicle) memiliki perbedaan yang signifikan dalam akusisi dan hasilnya. Berikut adalah beberapa perbedaan antara Foto Udara dan LiDAR menggunakan wahana UAV:

1. Foto udara menggunakan alat dasar kamera foto menghasilkan data raster (data grid) sedangkan Lidar menghasilkan data Point yang biasa disebut point cloud. Data foto udara dapat membentuk data point cloud, namun dengan kualitas dan densitas point yang lebih rendah dibandingkan point cloud yang dihasilkan oleh LiDAR

Gambar 1. Point Cloud Yang Dihasilkan Oleh Foto Udara

Pada Gambar 1. terlihat SUTET dan kabel listrik tidak terbentuk dengan sempurna. Selain itu objek pohon memiliki bentuk seperti bukit.

Gambar 2. Point Cloud yang Dihasilkan Oleh LiDAR

Pada Gambar 2. point cloud yang dihasilkan LiDAR memiliki densitas titik yang sangat rapat. Sehingga objek-objek terlihat seperti bentuk aslinya dalam tiga dimensi. Point cloud yang dihasilkan dapat ditampilkan berdasarkan ketinggian dan RGB dari masing-masing objek.

Gambar 3. SUTET dan Kabel yang Dihasilkan dari Akuisisi LiDAR

2. Foto udara menggunakan alat dasar kamera foto, pada dasarnya menghasilkan data dua dimensi yang memiliki akurasi lebih baik pada X dan Y (posisi). Sedangkan LiDAR menggunakan sensor yang dapat menembakkan gelombang terhadap objek dan gelombang yang dipantulkan diterima kembali oleh sensor tersebut. LiDAR akan menghasilkan data tiga dimensi yang memiliki karakteristik akurasi lebih baik pada Z (tinggi) dan dapat menembus permukaan tanah di bawah pohon selama terdapat celah cahaya yang dapat menembus pohon.

Gambar 4. Foto Udara yang Dihasilkan dari Akuisisi Fotogrametri Berupa Data Dua Dimensi
Gambar 5. Point Cloud yang Dihasilkan dari Akuisis LiDAR Berupa Data Tiga Dimensi

3. Analisisi Vegetasi dibawah jaringan listrik tegangan tinggi (SUTET) membutuhkan data Digital Terrain Model (DTM) yang akan diterjemahkan menjadi data kontur, data ketingian pohon dari data Digital Surface model (DSM), serta data model tiang dan kabel. Untuk itu, analisis vegetasi idealnya menggunakan data LiDAR. Namun untuk melakukan updating data dapat dilakukan dengan menggunakan data Foto Udara,  dengan mendapatkan data DSM vegetasi dan mengesampingkan model tiang dan kabel SUTET.

Gambar 6. Dengan Point Cloud LiDAR Dapat Diketahui Perbedaan Tinggi Kabel dan Objek Di Bawahnya
Gambar 7. Data LiDAR Dapat Diolah Untuk Mengetahui Danger Area Disekitar SUTET.
Gambar 8. SUTET terbentuk dalam point cloud foto udara, namun tidak sejelas pada data LiDAR. Sedangkan kabel listrik tidak terbentuk pada point cloud foto udara.
Gambar 9. Analisis menggunakan foto udara dapat menghitung jumlah pohon yang terdapat di bawah SUTET dan dapat dibuat analisis ketinggiannya, namun tidak bisa mendapatkan ketinggian dari kabelnya.

Digital Elevation Model, Digital Terrain Model, dan Digital Surface Model

Oleh : Tike Aprillia Hartini

Dalam kebutuhan perencanaan seringkali dibutuhkan model permukaan bumi yang merepresentasikan kondisi topografi yang sebenarnya. Model permukaan bumi ini banyak digunakan dalam berbagai bidang pada tahap perencanaan sampai tahap pemeliharaan. Dalam bidang konstruksi, model permukaan bumi ini digunakan untuk melakukan perencanaan bagaimana struktur bangunan akan dibangun berdasarkan topografi di lapangan. Seringkali kondisi topografi harus mengikuti desain dari perencanaan yang telah dibuat, sehingga perlu dilakukan rekayasa untuk mendapatkan hasil yang diinginkan, seperti melakukan cut and fill. Dimana cut and fill dilakukan untuk membuang atau menambahkan permukaan tanah agar sesuai dengan desain perencanaan yang diinginkan. Maka mengetahui model permukaan bumi pada kawasan yang akan dibangun menjadi sangat penting.

Dari penjelasan diatas kemudian muncul beberapa pertanyaan, apakah model permukaan bumi itu? Ada berapa macam model permukaan bumi yang dapat digunakan? Bagaimana perbedaan antar masing-masing model permukaan bumi? Bagaimana kualitas dari model permukaan bumi yang terbentuk? Dan apa saja kegunaan dari setiap model permukaan bumi dalam berbagai bidang?

Model Permukaan Bumi

Model permukaan bumi terbentuk dari data elevasi digital dalam tiga dimensi (X, Y, Z). Data elevasi digital ini disimpan dalam format piksel grid (raster). Setiap piksel mempunyai nilai elevasi yang mewakili ketinggian titik di permukaan bumi.

Nilai Elevasi Digital Dalam Format Piksel Grid

Model permukaan bumi terdiri dari Digital Elevation Model (DEM), Digital Terrain Model (DTM), dan Digital Surface Model (DSM). Model permukaan bumi ini dapat diperoleh dengan pengukuran secara tidak langsung, seperti fotogrametri, penginderaan jauh (remote sensing), dan Light Detection and Ranging (LiDAR). Gelombang dari sensor dipancarkan kepada objek di permukaan bumi, sehingga ada yang mengenai pohon, rumah, permukaan tanah, atau objek yang lainnya, kemudian dipantulkan kembali dan ditangkap oleh sensor. Hasil dari pantulan objek-objek ini kemudian akan menjadi representasi ketinggian yang beragam tergantung dari pantulan objek yang diterima oleh sensor.

DIGITAL ELEVATION MODEL (DEM)

Digital Elevation Model (DEM) meupakan bentuk penyajian ketinggian bumi secara digital. DEM terbentuk dari titik-titik sample yang memiliki nilai koordinat 3D (X, Y, Z). Titik sample merupakan titik-titik yang didapat dari hasil sampling permukaan bumi. Hasil sampling permukaan bumi didapatkan dari pengukuran atau pengambilan data ketinggian titik-titik yang dianggap dapat mewakili relief permukaan bumi. Data sampling titik-titik tersebut kemudian diolah hingga didapat koordinat titik-titik sample.

Jika titik-titik sample sangat padat, maka permukaan topografi akan didefinisikan secara mendalam. Jika titik-titik sample kurang padat, maka karakter-karakter medan yang penting dapat hilang. Contohnya, di area pengukuran terdapat bukit yang memiliki perbedaan tinggi dengan permukaan tanah disekitarnya, namun karena titik sample tidak diambil di bukit tersebut maka DEM yang dihasilkan menjadi rata dan bentuk bukit tidak tersaji dalam DEM tersebut.

Digital Elevation Model (DEM)

Permukaan tanah dalam DEM dimodelkan dengan membagi area menjadi bidang-bidang yang terhubung satu sama lain dimana bidang-bidang tersebut terbentuk oleh titik-titik pembentuk DEM. Titik-titik tersebut dapat berupa titik sample permukaan tanah atau hasil interpolasi dan ekstrapolasi titik-titik sample.

DIGITAL TERRAIN MODEL (DTM)

Digital Terrain Model (DTM) identik dengan DEM. DTM tidak hanya mencakup DEM, tetapi mencakup medan yang dapat memberikan definisi yang lebih baik tentang karakteristik permukaan topografi. Dalam DTM fitur alami seperti sungai, jalan, garis punggungan, dan lain-lain telah didefinisikan. Pada DTM telah ditambahkan fitur breaklines dan pengamatan selain data asli untuk mengoreksi kondisi topografi yang terbentuk. Breaklines digunakan untuk menentukan perubahan ketinggian yang mendadak pada permukaan tanah.

Breaklines mendefinisikan dan mengontrol perilaku permukaan pada saat proses interpolasi. Seperti namanya, breaklines adalah fitur linier. Breaklines memiliki efek signifikan dalam hal menggambarkan perilaku permukaan ketika dimasukkan dalam model permukaan. Breaklines dapat menggambarkan dan menegakkan perubahan perilaku permukaan. Nilai-Z sepanjang breakline bisa konstan atau dapat bervariasi sepanjang breakline.

Ilustrasi DEM yang Telah Ditambahkan Breaklines
Sumber: Mertotaroeno, Saptomo. H, 2016

DIGITAL SURFACE MODEL (DSM)

Digital Surface Model (DSM) adalah model permukaan bumi dengan menggambarkan seluruh objek permukaan bumi yang terlihat. Objek bangunan dan vegetasi yang menutupi tanah, serta objek tanah yang terbuka termasuk dalam data DSM. Kenampakan DSM akan menggambarkan bentuk permukaan bumi seperti keadaan nyata yang terlihat dari foto atau citra satelit.

Digital Surface Model

PERBEDAAN DEM, DTM, DAN DSM

Perbedaan dari ketiga model permukaan bumi yang telah dijelaskan terdapat pada informasi ketinggian yang disajikan dalam setiap model permukaa bumi. DEM/DTM hanya menyajikan ketinggian permukaan tanah saja, sedangkan DSM menyajikan ketinggian permukaan tanah dan objek-objek yang terlihat dari atas tanah seperti, vegetasi, bangunan, dan lain-lain. DTM merupakan DEM yang telah ditambahkan fitur breaklines sehingga dapat memberikan definisi yang lebih baik tentang karakteristik permukaan topografi, seperti sungai, garis punggungan, dan lain-lain. Namun untuk kepentingan praktis, DEM umumnya identik dengan Digital Terrain Model (DTM).

Ilustrasi Perbedaan DEM, DTM dan DSM
Sumber: Zonaspacial.com

KUALITAS DEM, DSM, DAN DTM

Kualitas data dari DEM, DTM, dan DSM dapat dilihat dari akurasi dan presisi data yang dihasilkan. Dilihat dari akurasinya, nilai ketinggian titik (Z) pada DEM, DTM, dan DSM dibandingkan dengan nilai sebenarnya yang dianggap benar. Nilai Z yang dianggap benar ini ditentukan dengan melakukan pengukuran titik sample secara langsung pada area pengukuran. Dilihat dari kepresisiannya, kualitas DEM, DTM, dan DSM ditentukan oleh banyaknya informasi yang dapat diberikan. Presisi bergantung pada jumlah dan sebaran titik-titik sample dan ketelitian titik sample sebagai masukan/input bagi pembentukan DEM, DTM, dan DSM serta metode interpolasi untuk mendapatkan ketinggian titik-titik pembentuk DEM, DTM, dan DSM. Titik-titik sample yang dipilih untuk digunakan harus dapat mewakili bentuk terrain secara keseluruhan sesuai dengan kebutuhan aplikasi penggunaannya.

APLIKASI DEM/DTM DAN DSM

Aplikasi DEM/DTM dan DSM telah banyak digunakan dalam berbagai bidang, pada tahap perencanaan sampai pemeliharaan. Berikut beberapa aplikasi DEM/DTM, antara lain:

  • visualisasi 3D suatu liputan permukaan (landscape architecture),
  • analisis statistik dan perbandingan jenis terrain / permukaan tanah,
  • menghitung kemiringan, arah kemiringan, jarak miring (kalkulasi air limpasan dan erosi),
  • simulasi genangan banjir, simulasi jangkauan tsunami,
  • nilai Z dapat disubstitusi dengan berbagai variabel seperti iklim, curah hujan, kebisingan, polusi atau variabel air tanah,
  • penentuan lokasi RBS, telepon selular, dan stasiun/menara relay TV,
  • perencanaan jalan raya, jalan kereta api dan kalkulasi timbunan serta galian, dan
  • penentuan rencana jalur listrik tegangan tinggi

Aplikasi DSM dalam pemodelan 3D dapat digunakan untuk perencanaan kota, penerbangan, dan lain-lain. Dalam perencanaan kota DSM dapat memberikan gambaran yang jelas mengenai perbedaan tutupan lahan dan kondisinya. Dalam penerbangan, DSM dapat digunakan untuk menentukan penghalang landasan di zona pendaratan pesawat terbang.

Jadi, apakah kegunaan lainnya dari DEM/DTM dan DSM menurut Anda?

Sumber Referensi

Mertotaroeno, Saptomo. H. 2016. Materi Kuliah Digital Elevation Models and Indirect Contouring. Institut Teknologi Bandung.
http://www.gisresources.com, diakses pada tanggal 21 Oktober 2019.
http://desktop.arcgis.com/en/arcmap/10.3/guide-books/extensions/3d-analyst/breaklines-in-surface-modeling.htm, diakses pada tanggal 21 Oktober 2019.
https://zonaspasial.com/2018/12/perbedaan-dsm-dem-dan-dtm-dalam-model-digital-muka-bumi/, diakses pada tanggal 21 Oktober 2019.

Analisis NDVI Untuk Kesehatan Tanaman Hutan Tanaman Industri

Indonesia merupakan negara agraris dengan luas hutan tanaman industri yang besar. Secara tidak langsung sektor ini juga ikut andil dalam menumpu pertumbuhan perekonomian Indonesia. Peningkatan produksi tentu saja menjadi tujuan utama demi memperbesar keuntungan hasil produksi yang diperoleh.  Peningkatan jumlah produksi harus berimbang dengan kegiatan perawatan dan monitoring yang dilakukan.  Kegiatan monitoring dan perawatan ini bertujuan untuk mengontrol pertumbuhan dan perkembangan dari tanaman itu sendiri. Saat ini kemajuan teknologi di bidang pemetaan fotogrametri memungkinkan dilakukannya analisis mengenai kesehatan dari vegetasi dengan menggunakan NDVI.

Apa itu NDVI?

NDVI atau Normalized Difference Vegetation Index adalah indikator tingkat kepadatan, tingkat kehijauan serta kondisi dari vegetasi suatu wilayah. Indikator ini dipengaruhi oleh tutupan tanah oleh vegetasi, kerapatan hingga tingkat kehijauan suatu vegetasi. Ini menunjukkan kapasitas fotosintesis dari vegetasi yang menutupi permukaan tanah. Indeks vegetasi merupakan kombinasi matematis antara band merah dan band NIR (Near-Infrared Radiation) yang telah lama digunakan sebagai indikator keberadaan dan kondisi vegetasi (Lillesand dan Kiefer, 1997).

Setiap objek di muka bumi memiliki kemampuan untuk menyerap atau memantulkan berkas sinar yang dipancarkan oleh sumber cahaya dalam hal ini matahari. Vegetasi tanaman hijau menyerap berkas sinar gelombang visible light (red, blue) sebagai bagian dari proses fotosintesis, sehingga berkas sinar ini tidak dipantulkan dengan baik. Pada waktu yang sama berkas sinar gelombang NIR dipantulkan dengan sangat baik oleh vegetasi hijau. Perbedaan kemampuan menyerap berkas sinar gelombang ini memungkin dilakukannya penelitian mengenai kesehatan serta tingkat kehijauan suatu vegetasi. 

Nilai dari NDVI dapat dikalkulasikan dengan menggunakan gelombang cahaya pada kanal merah dan Near Infrared (NIR) dari citra multispektral.

NDVI = (rNIR-rRED)/(rNIR+rRED)

Dimana :

rNIR : radiasi gelombang cahaya Near Infrared (NIR)

rRed : radiasi gelombang cahaya merah

Nilai dari NDVI akan selalu berada pada angka -1 atau +1. Daerah hutan akan memiliki nilai NDVI yang besar akibat kepadatan tanaman yang besar serta tutupan kanopi yang hijau. Semakin kecil nilai NDVI dari vegetasi maka kemungkinan terjadi tekanan air pada tanaman, atau sakit bahkan kematian pada vegetasi tersebut. Nilai vegetasi pada tanah dan urban area biasanya mendekati nol sedangkan nilai NDVi dari badan air seperti sungai, saluran air, danau, serta genangan air memiliki nilai NDVI negatif mendekati -1.  Tanaman/vegetasi yang sehat memantulkan lebih banyak NIR dan gelombang cahaya hijau dibandingkan dengan gelombang lainnya, dan paling banyak menyerap gelombang cahaya merah dan biru. Inilah yang menyebabkan mata manusia melihat vegetasi sebagai warna hijau.

Kemampuan Refleksi dan Absorsi Vegetasi Terhadap Beberapa Gelombang Cahaya
Sumber: Image Courtesy of NAS

Gambar di atas memperlihatkan bahwa tanaman/vegetasi yang hijau dan sehat memantulkan lebih banyak NIR dibandingkan dengan tanaman yang tidak hijau. Vegetasi yang sehat dan hijau hanya memantulkan sedikit visible light, dan pantulan tersebut merupakan gelombang cahaya hijau, karena gelombang merah dan biru terserap dengan baik.

Pada mulanya, analisis NDVI menggunakan citra yang diambil dengan wahana satelit yang dikhususkan sebagai satelit penginderaan jauh seperti Landsat, IKONOS, QuickBird, dsb. Namun dewasa ini, mulai digunakan kamera dengan sensor multispektral yang diangkut dengan wahana terbang tanpa awak atau yang lebih populer dengan sebutan UAV. Penggunaan metode ini dapat menghasilkan data yang jauh lebih teliti dibandingkan dengan citra satelit. Namun tentunya cakupan wilayah yang dapat diambil dengan menggunakan metode ini jauh lebih sedikit dan membutuhkan waktu yang lama untuk mendapatkan cakupan wilayah yang sama dengan citra satelit. Cakupan wilayah yang kecil tidak telak membuat metode dengan wahana UAV tidak berkembang di Indonesia.

Hasil Pengolahan Citra Multispektral

Gambar diatas merupakan citra multispektral yang dihasilkan dari kamera multispektral jenis  Micasense RedEdge. Kamera jenis ini memiliki kanal gelombang cahaya merah, biru, hijau, RedEdge, dan NIR. Data citra multispektral tersebut kemudian diolah lagi menggunakan software pengolahan data citra seperti ArcGIS. Salah satu hasil dari olahan data citra multispektral diatas adalah NDVI yang dapat dilihat pada gambar dibawah

NDVI Hasil Pengolahan Multispektral

Dapat dengan jelas dilihat pada citra NDVI diatas perbedaan antara vegetasi,bangunan,serta permukaan tanah. Bagian citra yang berwarna putih merupakan objek yang teridentifikasi sebagai vegetasi. Kemudian objek dengan warna abu-abu ke hitam merupakan urban area dan permukaan tanah.

Penggunaan analisis  NDVI pada hutan tanaman industri seperti kelapa sawit, eucalyptus, akasia, dan lainnya akan sangat membantu dalam usaha meningkatkan nilai hasil produksi. Peningkatan produksi ini dapat dilakukan dengan melakukan monitoring sekaligus menganalisis kesehatan tanaman yang berpengaruh pada kemampuan tanaman untuk tumbuh dan berkembang dengan baik sampai proses produksi dilakukan.  Dalam proses penanaman bibit hingga produksi terdapat banyak hal-hal yang mengakibatkan tumbuh dan berkembangnya individu tanaman terganggu. Mulai gangguan yang hanya menyebabkan si tanaman sakit, sampai yang dapat menyebabkan tanaman itu mati. Maka dari itu, mengikutsertakan metode NDVI ini dalam proses monitoring tanaman dirasa perlu agar dapat membantu proses pencegahan dan penanganan yang efektif dan efisien.

Sumber Referensi:

Ryan L.  1997. Creating a Normalized Difference Vegetation Index (NDVI) image Using MultiSpec.  University of New Hampshire

Lillesand T.M dan R.W. Kiefer. 1997. Penginderaan Jauh dan Interpretasi Citra. Diterjemahkan : Dulbahri, Prapto Suharsono, Hartono, Suharyadi. Yogyakarta: Gajah Mada University Press.

http://www.bom.gov.au/climate/austmaps/about-ndvi-maps.shtml. Diakses pada 17/10/2019 pukul 10.21

https://gisgeography.com/ndvi-normalized-difference-vegetation-index/ . Diakses pada 17/10/2019 pukul 10.21

Aplikasi Survei Fotogrametri Menggunakan UAV Pada Hutan Tanaman Industri

Oleh: Rabby Awalludin

Dewasa ini perkembangan teknologi mendorong manusia untuk mengubah cara pandang dan pemikirannya terhadap pemanfaatan yang tepat guna terhadap teknologi itu sendiri. Pemanfaatan tepat guna ini tentunya bertujuan untuk meningkatkan efektifitas dan efisiensi pekerjaan yang dilakukan. Beberapa hal yang awal mulanya dilakukan secara manual dengan waktu pengerjaan yang lama, kini mulai berangsur-angsur tergantikan dengan metode baru, yang mana metode ini mulai menerapkan otomatisasi menggunakan teknologi yang berkembang saat ini.

Tak terkecuali dalam sektor pertanian dan perkebunan hutan tanaman industri, penerapan teknologi berbasis digital juga sangat diperlukan saat ini demi peningkatan hasil produksi. Area yang sangat luas dengan tuntutan produksi yang cepat, mendorong teknologi masuk untuk menggantikan cara-cara lama yang sebelumnya dilakukan secara manual. Metode lama yang umum digunakan memanfaatkan kemampuan subjektif manusia yang mana penilaian subjektif tersebut cenderung berpeluang besar menyebabkan kesalahan-kesalahan blunder.  Kesalahan blunder merupakan hasil dari kesalahan yang disebabkan kecerobohan (kekurang hati-hatian) pengamat dalam mengamati/menganalisis objek. Oleh karena itu, dibutuhkan kemampuan teknologi untuk dapat melengkapi kekurangan-kekurangan yang mungkin saja terjadi jika menggunakan metode-metode lama tersebut.  

Analisis yang dilakukan pada tanaman hutan industri seperti perhitungan jumlah pohon, penilaian subjektif manusia terhadap kesehatan tanaman, perhitungan tinggi pohon, dan analisis objek lainnya akan sangat bergantung terhadap kemampuan analisis dari si pengamat itu sendiri. Sehingga untuk meningkatkan akurasi dari data analisis yang dihasilkan, maka diperlukan kemampuan teknologi yang mumpuni dan dapat diandalkan. Kebutuhan tersebut sekarang dapat teratasi dengan memanfaatkan metode pemetaan yang menggunakan wahana terbang yang dikenal dengan teknologi pemetaan menggunakan metode fotogrametri.

Fotogrametri Dalam Pemetaan

Fotogrametri merupakan suatu metode yang dapat menghasilkan data dan informasi dari objek fisik di permukaan bumi dengan menggunakan kamera yang dipasang pada wahana terbang. Metoda ini sangat menjanjikan saat ini dengan berbagai kelebihan yang dimilikinya. Beberapa keuntungan yang diberikan adalah sebagai berikut:

  1. Cakupan area yang luas
  2. Waktu yang singkat
  3. Cost rendah
  4. Akses yang mudah dari udara
  5. Menggambarkan detail yang besar

Dengan berbagai keunggulan yang telah disebutkan diatas, teknologi survei ini menjadi primadona dalam dunia pemetaan saat ini. Teknologi ini dapat menghasilkan peta foto yang sangat membantu dalam analisis-analisis spasial yang dibutuhkan dalam berbagai bidang seperti pertambangan, perminyakan, hutan industri, dsb. Selain itu hasil dari fotogrametri juga dapat menyajikan informasi berupa tinggi suatu objek, baik tinggi tanaman maupun topografis daerah yang dipetakan. Sektor industri yang saat ini cukup banyak memanfaatkan teknologi ini adalah industri kelapa sawit dan beberapa tanaman industri lainnya seperti akasia dan eukaliptus.

Penggunaan fotogrametri dalam pemetaan dengan pesawat tanpa awak atau drone atau yang lebih dikenal dengan sebutan UAV (Unmanned Aerial Vehicle) berkembang pesat pada dekade ini. UAV merupakan wahana terbang yang dikontrol oleh seorang pilot melalui remote control, dimana pilot tersebut dapat melakukan kontrol terhadap wahana terbang tanpa harus naik diatasnya. Berdasarkan jenis alat penggeraknya, UAV dapat dibagi menjadi dua jenis, yaitu UAV Fixed Wing dan UAV Multirotor. UAV jenis Fixed Wing dilengkapi dengan sayap di kedua sisinya. UAV jenis ini sendiri memiliki beberapa bentuk dan ukuran, bergantung pada kegunaannya masing masing. Tenaga penggerak yang digunakan bersumber dari baterai dan dapat pula dengan menggunakan bahan bakar. UAV Multirotor adalah UAV yang menggunakan baling-baling (propellers) pada tiap lengannya. UAV jenis ini biasa dikenal dengan nama Multicopter dan untuk penamaan UAV jenis ini sendiri disesuaikan dengan banyaknya propeller atau baling-baling yang digunakan. UAV jenis ini menggunakan sumber tenaga berupa baterai dan merupakan jenis UAV terbanyak yang dijual di pasaran saat ini.

Penggunaan jenis UAV dalam pemetaan fotogrametri dipengaruhi oleh beberapa faktor seperti luasan area pengukuran, tinggi terbang, kondisi topografi wilayah dan ketepatan waktu yang dibutuhkan.  Pada tabel berikut akan dijabarkan kelebihan yang terdapat pada masing-masing UAV.

Kapabilitas Fixed Wing dan Multirotor

No.KapabilitasFixed WingsMultirotor
1Panjang line terbang (1 misi)± 60km±8km
2Tinggi Aman Maksimal300m150m
3Kecepatan Terbangcepat5-8m/s
4Lahan datar luasbutuhKurang butuh
5Kestabilan Terbang+
6Cakupan Wilayah (1 misi)besarkecil

Berdasarkan tabel diatas, jika melakukan survei fotogrametri dengan area yang luas serta waktu pengerjaan yang sedikit akan sangat efektif jika menggunakan UAV Fixed Wings. Namun jika membutuhkan hasil peta foto dengan nilai GSD yang kecil, maka sebaiknya menggunakan UAV multirotor.

Jenis-jenis UAV

Fotogrametri Pada Hutan Tanaman Industri

Berdasarkan data Kementrian Pertanian Republik Indonesia, total luasan lahan perkebunan kelapa sawit di Indonesia berada pada kisaran 14 juta hektar dengan laju pertumbuhan dari tahun 2016 ke tahun 2017 adalah sebesar 25,4%. Dikutip dari ekonomi.kompas.com, Dirjen Perkebunan Kementrian Pertanian, Bambang, pernah mengatakan bahwa tingkat produksi dari perkebunan sawit di Indonesia masih dibawah standar dengan rata-rata tingkat produksi  3,6 ton per hektar. Selain itu, masih ada potensi yang dapat dikembangkan untuk sektor ini di Indonesia. Dalam proses peningkatan produksi tentu diperlukan beberapa tindakan tepat guna. Peningkatan tingkat produksi dapat dilakukan dengan melakukan monitoring secara berkala guna melihat pertumbuhan dan perkembangan yang baik dari hutan kelapa sawit itu sendiri.

Secara manual, proses monitoring dilakukan dengan menerjunkan langsung pekerja dengan jumlah yang  banyak. Selain itu dengan luasan area yang besar ditambah dengan metoda yang dilakukan manual, penyajian data tentunya akan memakan waktu yang lama dan sangat riskan mengandung kesalahan-kesalahan. Untuk dapat mengurangi kemungkinan kesalahan serta pengefisienan waktu, saat ini fotogrametri dapat menjadi pilihan yang tepat.  Untuk pengerjaan dengan luasan area yang besar serta kepentingan peningkatan produksi hasil dibutuhkan teknologi seperti fotogrametri yang dapat menyajikan sumber data tepat guna sesuai dengan kebutuhan tersebut. Metode dengan teknologi fotogrametri dapat menghasilkan representasi gambar tegak suatu wilayah dalam bentuk peta foto (orthophoto) yang akan sangat membantu dalam proses analisis-analisis yang dibutuhkan seperti penentuan jumlah pohon, wilayah tanam kosong, kesehatan tanaman, dsb. 

Orthophoto atau peta foto awalnya dibuat dengan melakukan proses align atau penggabungan data citra foto yang sebelumnya telah diakuisisi. Kemudian proses align tersebut menghasilkan data sparse point cloud yang merupakan titik-titik jarang yang merepresentasikan titik objek yang memiliki kesamaan posisi dari tiap raw data foto yang berdekatan. Kemudian dilanjutkan dengan menghasilkan foto tegak/orthophoto yang selanjutnya akan dimanfaatkan dalam proses digitasi.

Digitasi merupakan proses mengkonversi data raster menjadi data vektor dimana pada data hasil digitasi tersebut dapat disertakan atribut atau informasi tambahan dari objek yang dimaksud. Pada saat ini, proses digitasi dapat dilakukan dengan menggunakan komputer yang lebih populer dengan sebutan Digitasi on Screen.  Sejauh ini penggunaan hasil dari teknologi fotogrametri dalam industri kelapa sawit adalah dalam analisis menghitung jumlah pokok pohon, kesehatan tanaman, blank spot (area tanam kosong), tinggi pohon dan kondisi topografis wilayah perkebunan. Proses digitasi untuk mendapatkan hasil analisis saat ini umumnya dilakukan secara manual on screen oleh interpretasi manusia dari peta foto (ortophoto/foto tegak) yang dihasilkan.  Jika dibandingkan dengan metoda lama dengan keharusan pengamat terjun langsung ke lapangan guna melakukan analisis, tentu saja metode fotogrametri ini sangat membantu dari segi efektifitas waktu survei dan efisiensi anggaran yang diperlukan. Selain itu, tingkat produksi pekerja menjadi lebih cepat dan efisien sehingga delivery data dapat lebih cepat dilakukan.

Secara garis besar tahapan pengolahan data pada proses penghitungan jumlah pohon sawit dengan metoda manual on screen adalah sebagai berikut:

Orthophoto dapat dihasilkan dengan menggunakan beberapa software pengolahan data foto seperti Agisoft Photoscan, Pix4DMapper, DroneDeploy, APS Menci, dsb. Kemudian dari hasil pengolahan orthophoto tersebut dilakukan pemotongan citra sesuai dengan yang luasan wilayah yang diinginkan. Proses interpretasi merupakan proses dimana objek yang terlihat pada orthophoto dibagi berdasarkan penampakan visualnya yang kemudian ditandai dengan melakukan proses digitasi. Sehingga akhirnya nanti didapatkan sebaran pohon dan analisis lainnya. Beberapa perangkat lunak yang umum digunakan dalam proses digitasi manual on screen adalah ArcGIS, qGIS, GlobalMapper, dsb.

Hasil Digitasi Pohon

Selain menggunakan cara digitasi manual on screen, penghitungan jumlah pohon dan analisis lainnya juga dapat dilakukan secara otomatis dengan memanfaatkan teknologi kecerdasan buatan. Tentu saja untuk dapat menghasilkan perangkat kecerdasan buatan membutuhkan waktu yang cukup lama dan data orthophoto yang banyak. Dalam hal ini kecerdasan buatan didesain untuk mengidentifikasi objek yang dianalisis terlebih dahulu melalui hasil digitasi manual on screen. Penggunaan kecerdasan buatan dapat mempercepat proses digitasi dan analisis lainnya karena semua proses dijalankan dengan prinsip otomatis.  Dari segi akurasi atau angka kepercayaan, metoda otomatis masih kurang dibandingkan dengan metoda manual on screen. Namun untuk meningkatkan angka kepercayaan dari data yang dihasilkan metoda otomatis, dapat dilakukan penggabungan antara metode digitasi manual on screen dan digitasi otomatis. Berikut tabel beberapa perbandingan antara metode otomatis dan manual on screen:

Aspek PenilaianOtomatisManual
Waktu+
Akurasi+
Identifikasi Pohon Belum Tumbuh+

Selain dengan menggunakan perangkat lunak dengan kecerdasan buatan yang dibuat sendiri, analisis juga dapat dilakukan dengan memanfaatkan perangkat lunak pengolahan data yang dikhususkan untuk analisis sebaran pohon sawit seperti software berbayar eCognition Oil Palm Application.

Fotogrametri Pada Hutan Industri Akasia, Eukaliptus, Dll

Hasil produksi maksimal yang berlimpah merupakan target utama bagi setiap perusahaan yang bergerak dibidang perkebunan tanaman industri. Untuk mencapai tujuan itu, tentunya perlu dilakukan langkah-langkah tepat guna yang meningkatkan keefisienan dan keefektifan jalannya proses hingga kegiatan produksi dilaksanakan. Penggunaan metode lama dengan prinsip sampling memiliki kemungkinan kesalahan yang besar, sehingga tidak dapat digunakan sebagai patokan atau dasar dari perhitungan perkiraan jumlah hasil produksi yang didapatkan.

Selain industri kelapa sawit, pemanfaatan teknologi fotogrametri juga dapat dilakukan pada tanaman industri lain seperti hutan tanaman industri akasia, eucalyptus, pinus, cemara dsb.  Beberapa analisis yang dapat dilakukan dengan menggunakan orthophoto hasil dari metode fotogrametri diantaranya adalah analisis titik tanam kosong (blankspot), jarak tanam, wilayah banjir, menghitung jumlah pohon, analisis pohon liar yang tumbuh di area tanam hingga sebaran gulma di area tanam.

Blank spot merupakan daerah kosong yang berada dalam kawasan tanam yang tidak ditumbuhi oleh tanaman inti. Blankspot menjadi indikator penentu maksimal atau kurang maksimalnya pemanfaatan luasan lahan yang dapat ditanami. Selain itu, blank spot juga dapat terjadi akibat matinya tanaman sebelum tumbuh dan berkembang sehingga menyebabkan kosongnya wilayah tersebut. Hal ini tentu harus dihindari untuk memaksimalkan produksi yang dihasilkan. Blankspot dapat dengan mudah dianalisis dengan melihat tampakan atas area tanam yang dapat dihasilkan dari survei fotogrametri (orthophoto).

Daerah banjir (flood area) dapat menjadi salah satu penyebab matinya tanaman sebelum tumbuh dan berkembang. Dengan analisis yang didapat dari proses digitasi on screen, flood area akan dapat dengan cepat ditangani. Selain flood area, keberadaan gulma juga dapat menjadi faktor penghambat pertumbuhan dan perkembangan tanaman, bahkan juga dapat menyebabkan tanaman mati sebelum tumbuh. Menurut Nasution (1986):”Gulma merupakan tumbuh-tumbuhan yang tumbuh pada tempat yang tidak diinginkan sehingga menimbulkan kerugian bagi kehidupan manusia. Kerugian yang ditimbulkan antara lain pengaruh persaingan (kompetisi) mengurangi ketersediaan unsur hara tanaman mendorong efek allelophaty “. Zat allelophaty merupakan zat yang bersifat racun bagi tanaman sehingga harus ditanggulangi dengan cepat sebelum berefek besar. Dengan hasil fotogrametri, keberadaan gulma dan sebarannya dapat dengan mudah dianalisis sehingga dapat dilakukan tindak lanjut yang efektif dan efisien.

Sama halnya dengan tanaman kelapa sawit, otomatisasi dengan menggunakan kecerdasan buatan juga dapat dimanfaatkan untuk hutan tanaman industri lainnya. Namun lagi-lagi dibutuhkan waktu yang cukup lama dan data yang banyak untuk membiasakan kecerdasan buatan ini melakukan analisis terhadap objek seperti tanaman inti, daerah banjir, tanaman liar, blank spot, jalan, dan sebagainya secara otomatis.

Selain dengan menggunakan orthophoto, analisis lain dapat dilakukan dengan menggunakan data DEM yang juga dihasilkan dari olahan data fotogrametri. Digital Elevation Model (DEM) adalah gambaran model relief rupabumi tiga dimensi (3D) yang menyerupai keadaan sebenarnya di dunia nyata (real world) divisualisasikan dengan bantuan teknologi komputer grafis dan teknologi virtual reality. Terdapat tiga jenis data elevasi (ketinggian) yang dapat dijadikan sebagai data dasar analisis, yaitu data CHM (Canopy Height Model), DSM (Digital Surface Model), dan data DTM (Digital Terrain Model). CHM merepresentasikan ketinggian suatu objek dari permukaan bumi. Data ini diperoleh dengan melakukan proses pemotongan data DSM oleh data DTM. DSM merupakan bentuk digital dari permukaan tanah (termasuk objek diatasnya) sedangkan DTM merupakan representasi dari dari permukaan tanah yang tidak mengikutsertakan objek-objek yang berada diatasnya. Nilai tinggi objek yang dihasilkan CHM memungkinkan dilakukannya analisis mengenai apakah suatu tanaman memiliki tinggi rata-rata yang sama dengan tinggi tanaman yang seumuran dengannya yang kemudian data tersebut dapat dijadikan sebagai dasar analisis, apakah suatu tanaman tumbuh dan berkembang sesuai dengan rata-rata pertumbuhan dan perkembangan tanaman yang seumuran dengannya pada umumnya.

Perbedaan Kenampakan DTM dan DSM
Sumber: gisresources.com

Selain dengan menggunakan orthophoto RGB dan data elevasi seperti DTM, CHM, DSM, analisis mengenai tanaman hutan industri juga dapat dilakukan dengan menggunakan orthophoto hasil dari pengambilan data dengan menggunakan kamera dengan sensor multispektral.

Sumber Referensi :

https://ekonomi.kompas.com/read/2018/02/26/203000426/kementerian-pertanian–lahan-sawit-indonesia-capai-14-03-juta-hektare diakses pada 20/10/2019, 15:09 WIB.

https://docplayer.info/47906778-Teknik-digitasi-oleh-edi-sugiarto-s-kom-m-kom.html  diakses pada 20/10/2019, 15:09 WIB.

Purwanto, TH. 2015. “Digital Terrain Modelling,” Univ. Gadjah Mada.

http://www.gisresources.com/confused-dem-dtm-dsm/ diakses pada 20/10/2019, 17:02 WIB.

https://pertanian.pontianakkota.go.id/artikel/48-gulma-dan-cara-menanggulanginya.html  diakses pada 21/10/2019, 08:31 WIB.

Citra Multispektral UAV Untuk Monitoring Kesehatan Vegetasi

Oleh : Rabby Awalludin

Data penginderaan jauh dengan resolusi tinggi sangat dibutuhkan akhir-akhir ini oleh pemerintah maupun swasta di Indonesia. Pemanfaatannya sangat beragam seperti penyedian peta skala rinci dalam mendukung pembangunan pedesaan, pengembangan wilayah perkotaan, perencanaan pembangunan jalan dan bangunan, analisis kepadatan kota, sebaran vegetasi perkotaan, hingga monitoring perkebunan. Data-data tersebut umumnya dapat diperoleh melalui satelit komersial seperti WorldView, GeoEye, IKONOS, dsb. Namun ketersedian data tersebut terkadang tidak sesuai dengan alokasi waktu yang dianggarkan dalam proyek, karena hasil citra sangat bergantung pada kondisi awan dan biasanya delivery order memakan waktu yang cukup lama. Bahkan untuk beberapa daerah terkadang tidak memiliki data citra satelit sama sekali.

Seiring perkembangan teknologi, dengan keberadaan pesawat tanpa awak (UAV) kini kebutuhan akan citra dengan resolusi tinggi dapat dengan mudah terpenuhi. Pesawat tanpa awak yang kini popular dengan sebutan UAV merupakan mesin terbang yang dikendalikan oleh seorang pilot yang berada di permukaan bumi secara manual maupun otomatis.  Terdapat dua variasi kontrol UAV, variasi pertama yaitu dikontrol melalui pengendali jarak jauh dan variasi kedua adalah pesawat yang terbang secara mandiri berdasarkan program yang dimasukan ke dalam pesawat sebelum terbang. UAV memungkinkan terpenuhinya kebutuhan peta foto yang tidak dipotret oleh satelit, serta dapat diambil sesuai dengan waktu-waktu yang diinginkan. Penggunaan UAV memungkinkan tidak terdapatnya isu awan pada peta foto yang dihasilkan, ini tentunya menjadi poin plus yang membuat UAV menjadi lebih populer saat ini.

Sudah menjadi rahasia umum dimana Indonesia merupakan negara agraris dengan luas hutan tanaman industri yang besar. Secara tidak langsung sektor ini juga ikut andil dalam menumpu pertumbuhan perekonomian di Indonesia. Peningkatan produksi tentu saja menjadi tujuan utama demi memperbesar keuntungan yang diperoleh dari hasil industri.  Peningkatan jumlah produksi ini haruslah berimbang dengan kegiatan perawatan dan monitoring yang dilakukan.  Kegiatan monitoring dan perawatan ini bertujuan untuk mengontrol pertumbuhan dan perkembangan dari tanaman itu sendiri. Untuk menjawab kebutuhan tersebut, fotogrametri dengan wahana UAV memungkinkan pengambilan gambar dengan menggunakan kamera multispektral yang mana citra ini dapat dimanfaatkan untuk beberapa keperluan sebagai berikut:

  • Monitoring kesehatan tanaman
  • Penyelidikan kesuburan tanah dengan mengidentifikasi kemunculan hama
  • Penanda awal munculnya titik api
  • Dapat dijadikan pendeteksi praktik pencurian kayu yang dilakukan pada malam hari
  • Pendeteksian korban bencana alam yang sulit dijangkau
  • Mendeteksi panas pada komponen listrik secara lebih rinci, yang dapat meminimalisasi timbulnya kerusakan yang parah

Apa yang dimaksud dengan kamera atau sensor multispektral? Berbeda dengan sensor kamera pada umumnya. Sensor kamera pada umumnya merupakan sensor kamera dengan gelombang cahaya visible yang terdiri dari 3 kanal gelombang cahaya yaitu merah, hijau dan biru. Sedangkan untuk kamera sensor multispektral memiliki kanal tambahan seperti Near InfraRed dan beberapa kanal lainnya.  Hasil citra yang dihasilkan oleh kamera multispektral merupakan sebuah gambar yang memiliki data dengan frekuensi yang sangat detail yang disuguhkan dalam spektrum elektromagnetik. Panjang gelombang elektromagnetiknya dibagi ke dalam beberapa filter dengan menggunakan instrumen yang sensitif dengan panjang gelombang, termasuk frekuensi penglihatan manusia (visible). Frekuensi penglihatan manusia berada pada panjang gelombang 400 hingga 700 nm. Ini menyebabkan manusia hanya dapat melihat dan membedakan warna mulai dari ungu hingga merah. Kamera multispektral memungkinkan manusia untuk menggunakan spektrum cahaya lain yang sangat bermanfaat bagi berbagai macam kebutuhan manusia. Berikut beberapa pembagian kanal gelombang cahaya yang ada pada sensor multispektral:

Kanal Biru

Gelombang ini memiliki panjang energi 450-520 nm yang biasa digunakan untuk pencitraan gambar yang ada di atmosfer dan bawah air dengan tingkat kedalaman hingga 50 meter

Kanal Hijau

Gelombang ini memiliki panjang energi dari 520-600 nm yang biasa digunakan untuk pencitraan gambar agrikultural dan struktur bawah air dengan kedalaman hingga 30 meter

Kanal Merah

Memiliki panjang energi 600-690 nm, yang banyak digunakan untuk pencitraan benda-benda buatan manusia, objek di bawah air dengan kedalam 9 m, pertambangan, dan agrikultural

Kanal Near Infrared (NIR)

Spektrum ini memiliki panjang energi 750-900 nm, banyak digunakan untuk kebutuhan agrikultural.

Kanal Mid Infrared (MIR)

Panjang energi dari gelombang ini adalah 1550-1750 nm, yang banyak diaplikasikan pada kebutuhan agrikultural, tingkat kesuburan tanah, dan upaya pemadaman titik api di hutan

Kanal Far Infrared (FIR)

Memiliki panjang gelombang 2080-2350 nm yang banyak digunakan untuk pengontrolan kesuburan tanah, pertambangan, dan pemadaman titik api di hutan

 Kanal Thermal Infrared

Gelombang ini memiliki panjang energi 10400-125000 nm, banyak digunakan untuk kebutuhan pertambangan, upaya pemadaman titik api di hutan, dan penelitian di malam hari.

Beberapa kamera dengan sensor multispektral yang biasa digunakan pada survey fotogrametri adalah sebagai berikut:

  1. Parot Sequoia, merupakan kamera multispektral pertama yang memberikan pengukuran reflektansi absolut tanpa perlu menggunakan target kalibrasi radiometrik. Berkat pipeline pemrosesan radiometrik Pix4D yang baru, Parrot Sequoia + memungkinkan evaluasi yang lebih konsisten terhadap data yang dikumpulkan dan meningkatkan pengalaman pengguna dengan menghilangkan kebutuhan akan target kalibrasi radiometrik. Berat 135gr.
  2. RedEdge, menyediakan banyak pilihan untuk integrasi dari yang berdiri sendiri (di mana Anda hanya menyediakan daya ke kamera) untuk sepenuhnya terintegrasi. Integrasi lanjutan memanfaatkan antarmuka fleksibel termasuk pemicu Ethernet, serial, RTK, dan PWM / GPIO, untuk integrasi yang mulus dengan drone apa pun. Berat 170gr.
(a) Parot Sequioa, (b) Micrasense RedEdge
Sumber: fulldronesolutions.com

Beberapa kanal yang ada kamera multispektral Micasense RedEdge dan tampilan raw data foto yang dihasilkan dapat dilihat pada tabel berikut.

Terlihat cukup jelas pada contoh-contoh citra pada tabel diatas. Kenampakan abu-abu pada objek pohon terdapat pada citra dengan kanal hijau, NIR dan RedEdge yang menandakan bahwa berkas sinar ketiganya dipantulkan sebagian oleh vegetasi pohon tersebut. Pada kanal merah dan biru, kenampakan objek vegetasi pohon berwarna hitam gelap yang mengindikasikan bahwa berkas sinar pada kanal ini terserap (terabsorbsi) dengan baik oleh vegetasi pohon.

Seperti yang dibahas sebelumnya, hasil dari kamera dengan sensor multispektral dapat digunakan sebagai dasar analisis dari monitoring kesehatan vegetasi (tanaman hijau). Penggunaan kanal untuk keperluan analisis ini biasanya adalah kanal hijau, merah, biru dan Near Infrared (NIR). Kamera digital yang umum saat ini ditengah masyarakat merupakan kamera yang bekerja pada kanal visible (biru, hijau, dan merah) dengan hasilnya merupakan citra seperti yang terlihat oleh mata normal manusia. Kemudian ditambahkan kanal baru yang peka terhadap zat hijau daun yaitu kanal NIR.  Penambahan ini dilakukan agar dapat dengan mudah melakukan analisis terhadap tingkat kehijauan vegetasi atau tanaman hijau pada hasil citra.

Karakteristik pantulan spektral dari vegetasi (tanaman) dipengaruhi oleh kandungan pigmen daun, material organik, air, dan karakteristik struktural daun seperti bentuk dan luas daun (Huete and Glenn, 2011). Spektral merupakan interaksi antara energi elektromagnetik (EM) dengan suatu objek. Objek dimuka bumi memiliki ciri dan karakteristik yang berbeda satu dengan lainnya sehingga kemampuan dalam memantulkan cahayanya pun berbeda.  Berdasarkan karakteristik pantulan spektralnya, dapat dibagi dua, yaitu spektrum tampak (visible spektrum) dan spektrum NIR. 

Kurva Reflektansi
Sumber: raharjabayu.wordpress.com

Berdasarkan kurva diatas, kanal merah dan biru lebih banyak terserap dari pada dipantulkan pada objek vegetasi sehingga kurang baik jika digunakan sebagai analisis vegetasi. Berbanding terbalik dengan kanal NIR yang pada tanaman hijau lebih banyak dipantulkan daripada diserap, terlihat dari nilai reflektan yang besar. Maka dapat disimpulkan bahwa semakin tinggi nilai reflektan dari kanal NIR suatu objek tanaman hijau, maka semakin sehat tanaman hijau tersebut.

Identifikasi kesehatan tanaman hijau tidak cukup hanya dengan menggunakan citra hasil dari kamera multispektral. Terdapat suatu metode lanjutan lain yang menggunakan citra multispektral sebagai data dasar dalam analisisnya. Metode tersebut adalah Normalized Difference Vegetation Index atau yang lebih populer dengan sebutan NDVI. 

Sumber Referensi:

https://www.fulldronesolutions.com diakses pada 17/10/2019 pukul 09:30 WIB

http://jogjasky.com/kamera-multispectral/ diakses pada 17/10/2019 pukul 09:50 WIB

Uktoro I. Arief. 2017. Jurnal Agroteknose. Volume VIII No. II Tahun 2017 ANALISIS CITRA DRONE UNTUK MONITORING KESEHATAN TANAMAN KELAPA SAWIT

http://raharjabayu.wordpress.com diakses pada 17/10/2019 pukul 11:10 WIB


GROUND SAMPLING DISTANCE (GSD)

Oleh : Tike Aprillia Hartini

Pemanfaatan foto udara dan citra satelit telah banyak digunakan dalam berbagai kepentingan, seperti pemetaan, perencanaan wilayah dan kota, kebencanaan, serta kehutanan. Dalam pemanfaatannya foto udara atau citra satelit akan menghasilkan kualitas data yang berbeda-beda sesuai dengan kebutuhan penggunaannya. Dalam proses perencanaan suatu wilayah yang detail dibutuhkan kualitas foto udara atau citra satelit yang sangat baik agar objek-objek pada foto udara atau citra satelit terlihat jelas dan tajam. Di sisi lain pengguna tidak memerlukan foto udara atau citra satelit yang memiliki kualitas yang sangat baik, jika foto udara atau citra satelit hanya digunakan untuk mengetahui perubahan tutupan lahan. Dengan kata lain, kualitas foto udara atau citra satelit perlu disesuaikan dengan kebutuhan penggunaannya.

Kualitas foto udara atau citra satelit akan mempengaruhi tinggi terbang dan lamanya pengambilan data. Dalam foto udara dikenal istilah ground sampling distance (GSD), sedangkan dalam citra satelit dikenal istilah resolusi spasial untuk mengetahui kualitas data foto udara atau citra satelit yang diambil. Oleh karena itu, perlu dipahami apa itu GSD dan resolusi spasial agar pengambilan data dapat dilakukan dengan lebih efisien.

Dari penjelasan diatas, muncullah beberapa pertanyaan, Apa itu GSD dan resolusi spasial? Bagaimana hubungan GSD dan tinggi terbang? Bagaimana hubungan GSD/resolusi spasial dan skala yang dihasilkan?

GROUND SAMPLING DISTANCE (GSD) DAN RESOLUSI SPASIAL

Ground Sampling Distance (GSD) adalah atau merupakan ukuran resolusi piksel dari hasil foto udara, baik foto udara dengan kamera metrik maupun foto udara dengan kamera non metrik. GSD dan resolusi spasial memiliki pengertian yang sama. Biasanya dalam foto udara digunakan istilah GSD, sedangkan pada citra satelit digunakan istilah resolusi spasial. GSD atau resolusi spasial menentukan kualitas foto udara atau citra satelit yang dihasilkan. GSD atau resolusi spasial merupakan rasio antara nilai ukuran foto udara atau citra satelit dengan nilai ukuran sebenarnya. Nilai GSD 5 cm/piksel menyatakan bahwa satu piksel pada foto udara sama dengan 5 cm pada ukuran sebenarnya.

Semakin besar nilai GSD pada foto udara, maka resolusi spasial yang dihasilkan akan semakin rendah, dan tingkat kedetailan dari objek-objek pada foto udara akan semakin berkurang. Apabila pengguna ingin mendapatkan hasil foto udara yang jelas dan detail, maka nilai GSD yang digunakan harus kecil.

Ilustrasi Perbedaan Nilai GSD Terhadap Foto Udara Yang Dihasilkan
Sumber: Hasil Olahan

Menurut Sandau (2010), GSD dibagi menjadi dua sesuai dengan arah terbang yaitu GSDx dan GSDy. GSDx merupakan nilai GSD yang searah dengan jalur terbang. Sedangkan GSDy merupakan nilai GSD yang berlawanan dengan arah jalur terbang. Hubungan GSD dengan arah terbang dan tinggi terbang diilustrasikan pada gambar berikut :

Ilustrasi Hubungan GSD Dengan Arah dan Tinggi Terbang
Sumber: Sandau. 2010

Untuk menghitung kedua GSD dapat digunakan rumus sebagai berikut (Sandau, 2010):

dan

dimana:

GSDx       : nilai GSD searah arah terbang,

GSDy       : nilai GSD berlawanan arah terbang,

px             : ukuran resolusi pixel searah jalur terbang,

py             : ukuran resolusi pixel berlawanan arah jalur terbang,

h               : tinggi terbang,

f                : focus lensa kamera.

HUBUNGAN GSD DAN TINGGI TERBANG

Telah dijelaskan sebelumnya bahwa besarnya GSD ditentukan oleh ketinggian terbang pada saat proses akuisisi data foto udara, sehingga pemotretan harus dilakukan pada ketinggian yang tepat untuk mendapatkan GSD yang diharapkan. Berikut adalah hubungan antara GSD dengan tinggi terbang :

Dari rumus diatas dapat disimpulkan bahwa semakin kecil nilai GSD, maka tinggi terbang harus semakin rendah. Untuk mendapatkan kualitas foto udara yang baik, maka wahana foto udara harus terbang lebih rendah. Hal ini berdampak pada cakupan area yang diakuisisi, sehingga dalam sekali terbang area yang diakuisisi menjadi lebih sedikit dan waktu akuisisi data menjadi lebih lama.

Ilustrasi Tinggi Terbang dan Cakupan Area Yang Diakuisisi

Ketika melakukan pengambilan data dengan ketinggian konstan, terkadang setiap foto tidak memiliki GSD yang sama. Hal ini disebabkan karena perbedaan ketinggian medan dan perubahan sudut kamera saat memotret. Namun pada saat melakukan proses orthomosaic, GSD dari setiap foto akan dihitung dan dirata-ratakan. Sehingga, nilai GSD pada orthomosaic merupakan nilai rata-rata dari setiap foto yang diambil. Orthomosaic merupakan gabungan dari seluruh foto yang telah ditegakkan.

HUBUNGAN GSD/RESOLUSI SPASIAL DAN SKALA

GSD berkaitan dengan kedetailan objek-objek yang diambil pada foto udara. Sehingga apabila foto udara akan didigitasi maka kedetailan objek pada foto udara harus disesuaikan dengan skala peta yang diinginkan. Mr. Tobler, seorang professor pada bidang Geografi dari Universitas California-Santa Barbara, Amerika, menyatakan rumusan kesepadanan antara foto udara atau citra satelit dengan skala peta. Aturan kesepadanan skala peta dan resolusi spasial citra dari Tobler ini adalah “bagi bilangan penyebut skala peta dengan 1000 (penggunaan angka 1000 dimaksudkan agar terdeteksi dalam satuan meter) maka resolusi citra yang sepadan adalah setengah dari hasil pembagian tersebut”.

Sebagai contoh, jika dibutuhkan skala peta 1:1000, maka GSD yang diperlukan adalah 0.5 m. Nilai ini didapatkan dari perhitungan sebagai berikut:

Jika nilai GSD yang diperlukan telah diketahui, maka tinggi terbang dapat ditentukan berdasarkan nilai GSD yang diperlukan.

Dari penjelasan diatas, sebelum melakukan pengambilan foto udara sangatlah penting untuk mengetahui kebutuhan penggunaannya. Sehingga akuisisi data dapat dilakukan dengan lebih efisien. Penentuan GSD, skala peta yang diinginkan, tinggi terbang, dan lamanya pengambilan data harus diperhitungkan dan disesuaikan dengan kebutuhan.

Jadi, apakah ada faktor lain yang dapat mempengaruhi nilai GSD, menurut Anda?

DAFTAR REFERENSI:

Sandau, Rainer. 2010. Digital Airborne Camera, Introduction and Technology.

Suwargana, Nana. 2013. Resolusi Spasial, Temporal, dan Spektral Pada Citra Satelit Landsat, Spot, dan Ikonos. Jurnal Ilmial WIDYA.

https://support.pix4d.com/hc/en-us/articles/202559809-Ground-sampling-distance-GSD, diakses pada tanggal 21 Oktober 2019.

http://aerogeosurvey.com/2016/09/19/apa-itu-ground-sampling-distance-gsd-atau-resolusi-spasial/, diakses pada tanggal 21 Oktober 2019.