Professional Documents
Culture Documents
Saga Manual Indonesian Cdu June9-2017 PDF
Saga Manual Indonesian Cdu June9-2017 PDF
Saga Manual Indonesian Cdu June9-2017 PDF
Terrain Modelling
Version 2
SAGA GIS 4
Juni 2017
Website: https://sagagisindonesia.wordpress.com/
2
Diterbitkan oleh Charles Darwin University kerjasama dengan Universitas Nusa Cendana
dan Universitas Halu Oleo didukung oleh Australian Government Partnerships for
Development: Artisanal and small scale mining for development in Eastern Indonesia
program.
Copyright notice:
© Charles Darwin University, Universitas Nusa Cendana dan Universitas Halu Oleo
Charles Darwin University, Universitas Nusa Cendana dan Universitas Halu Oleo assert the
right to be recognised as the copyright owner of the original material in the following manner:
© Charles Darwin University, Universitas Nusa Cendana dan Universitas Halu Oleo 2017
Authors:
Norman Riwu Kaho – Fakultas Pertanian, Universitas Nusa Cendana, Nusa Tenggara
Timur, Indonesia. Email:riwukahonorman@gmail.com
3
Foreword by Vice Chancellor, Charles Darwin University
Throughout the ages, humans have sought ways to understand and depict our environment.
As in many areas of human endeavour, new technologies give us much more powerful ways
of interrogating the natural world, of interpreting what we find, and presenting that
information. Importantly, in the digital era such technologies are becoming ever more
affordable and ubiquitous, potentially accessible to many more people in many more
countries.
However, the vast majority of environmental management decisions are not made by
scientists, but by local people — local government, NGO’s and universities working with
farmers and householders seeking to feed their families and to earn a livelihood. Our
challenge is to find ways of combining scientific understanding with fine-grained local
knowledge and experience to develop better and more sustainable ways of managing
natural resources and improving human livelihoods.
The use of satellite and digital elevation data for mapping, monitoring and modelling has
become an important tool assisting effective and timely natural resource management. But
we need local knowledge to help us to interpret mapped landscapes and observed changes,
so that these data become more useful for management and policy. This training manual is a
great example of a tool that will assist in bringing together local knowledge and experience,
with very sophisticated remote sensing and landscape modelling technologies. The
application of satellite data, once an expensive and specialist skill, has become cheap and
accessible due to falling hardware costs and the availability of high quality free satellite data
and software.
This manual was produced as part of ongoing collaboration between Charles Darwin
University (Darwin, Australia), Nusa Cendana University (Kupang, West Timor), Halu Oleao
University (Kendari, South East Sulawesi) with funding support from the Australian
government (DFAT) through their government partnerships for development program. This
training output provides a platform for long term and sustained capacity building throughout
the region.
4
Kata Sambutan oleh Rektor Universitas Haluoleo
Penyusunan buku petunjuk pembuatan peta yang menggunakan satellite dan elevation data
ini, memanfaatkan perangkat program yang relatif murah bahkan dapat diakses secara
gratis. Pemanfaatan program ini akan sangat membantu dalam memonitor dan
menyusunan perencanaan kegiatan pertambangan tidak hanya di Bombana namun di
daerah-daerah yang lain. Pengembangan dari satellite image and terrain modelling ini juga
tidak hanya akan berguna untuk kegiatan di sector pertambangan saja, namun dapat
digunakan untuk spatial monitoring dan penyusunan perencanaan untuk sektor-sektor
lainnya.
Sejak awal ditemukannya emas di Kabupaten Bombana pada tahun 2008, berbagai dampak
lingkungan, sosial dan ekonomi terjadi. Pemanfaatan teknologi satellite and digital elevation
data menjadi sangat penting untuk dapat melakukan pemetaan dampak dan merumuskan
perencanaan pengendalian dampak yang timbul dari penambangan emas.
Mewakili seluruh civitas akademika, sebagai rektor Universitas Haluoleo dalam kesempatan
ini saya menyampaikan terima kasih kepada Australian Department of Foreign Affairs and
Trade (DFAT) yang telah memberikan dukungan dalam program Government Partnerships
for Development Program (GPFD) selama kurang lebih hampir dua tahun. Selain itu juga
UHO menyampaikan terima kasih kepada Charles Darwin University (CDU), The Australian
National University (ANU), Universitas Nusa Cendana (Undana) dan semua pihak yang
terlibat sehingga kegiatan ini dapat terlaksana dengan baik.
5
Kata Sambutan oleh Rektor Universitas Nusa Cendana
Kerjasama antar Universitas Nusa Cendana (UNDANA), Charles Darwin University (CDU),
The Australian National University (ANU), dan Universitas Haluoleo (UHO) merupakan
kemitraan yang sangat produktif. Hal ini terbukti dari, antara lain, telah disusun dan
diterbitkannya buku panduanpemetaan dengan menggunakan program aplikasi sistem
informasi geografik (SIG) akses terbuka (open access) SAGA GIS. Program aplikasi SIG
akses terbuka ini memungkinkan dapat dilakukan analisis spasial berbasis citra satelit untuk
mendukung proses perencanaan, pemantauan, dan evaluasi kegiatan pembangunan secara
lebih akurat, termasuk kegiatan tambang rakyat skala kecil yang menjadi fokus penyusunan
buku panduan.
Kegiatan tambang rakyat skala kecil yang menjadi fokus dalam penggunaan SAGA GIS
dalam buku petunjuk ini adalah penambangan mangan yang marak dilakukan di Provinsi
Nusa Tenggara Timur, terutama di Timor Barat, sejak 2008. Kegiatan penambangan
mangan skala kecil tersebut menimbulkan perubahan lanskap yang berdampak pada
lingkungan hidup dan penghidupan masyarakat. Dengan menggunakan panduan ini, pihak-
pihak yang berkepentingan diharapkan dapat terbantu dalam menggunakan program
aplikasi SIG akses terbuka SAGA GIS untuk melakukan pemantauan dan evaluasi terhadap
dampak yang ditimbulkan oleh penambangan mangan skala kecil tersebut, sekaligus
melakukan perencanaan untuk meminimalisasi dampak negatif dan mengoptimalkan
dampak positif yang diprakirakan akan terjadi.
Atas nama sivitas akademika UNDANA, sebagai Rektor saya menyampaikan terima kasih
kepada Australian Department of Foreign Affairs and Trade (DFAT) yang telah memberikan
dukungan melalui program Government Partnerships for Development Program (GPFD)
terhadap pelaksanaan penelitian tambang mangan skala kecil di Timor Barat. Melalui
kesempatan ini saya juga menyampaikan terima kasih kepada Charles Darwin University
(CDU), The Australian National University (ANU), dan Universitas Haluoleo (UHO) serta
para peneliti, para penulis, dan semua pihak yang terlibat, sehingga kegiatan penelitian dan
penerbitan buku panduan ini dapat terlaksana dengan baik.
6
Daftar Isi
1. Pendahuluan ...................................................................................................... 9
1.1 Apa yang Akan Dipelajari ................................................................................ 11
1.2 Apa itu SAGA? ................................................................................................ 13
1.3 Download dan Install SAGA ............................................................................ 14
2. Pengenalan Singkat ........................................................................................... 15
2.1 Layout SAGA .................................................................................................. 15
2.2 Mengimport dan Menampilkan Digital Elevation data ..................................... 19
2.3 Visualisasi 3D ................................................................................................. 21
2.4 Mengimport dan Menampilkan Data Landsat .................................................. 24
2.5 Menampilkan Data Landsat Pada SAGA ........................................................ 25
2.5 Mengimport dan Menampilkan Data Sentinel 2 .............................................. 27
2.6 Menambahkan Data Vektor ............................................................................ 29
3. Konsep Data Spasial .......................................................................................... 31
3.1 Jenis Data ....................................................................................................... 31
3.2 Sistem Koordinat ............................................................................................. 33
4. Pengenalan Citra Satelit .................................................................................... 34
4.1 Istilah Kunci dalam Data Satelit ...................................................................... 35
4.2 Apa itu Landsat? ............................................................................................. 36
4.3 Apa itu Sentinel 2? .......................................................................................... 37
4.4 Apa itu Data Elevasi Digital? ........................................................................... 38
5. Download Data Spasial Secara Gratis .............................................................. 40
5.1 Download Landsat dan Sentinel 2 .................................................................. 40
5.2 Historic Landsat Data downloads – 1972-Present .......................................... 43
5.3 Download Data Elevasi (SRTM)...................................................................... 45
5.4 Global Spatial Datasets yang lain ................................................................... 46
6. Visualisasi Data Satelit ...................................................................................... 47
6.1 Menampilkan dan Mengganti Kombinasi Bands ............................................. 47
6.2 Indeks Vegetasi .............................................................................................. 50
6.3 Menghasilkan Citra Landsat Resolusi Tinggi dengan Band 8 ......................... 52
6.4 Menampilkan Citra Multi-temporal .................................................................. 54
6.5 Mosaicking Satellite imagery ........................................................................... 55
7. Alat Processing .................................................................................................. 58
7.1 Transformasi Koordinat ................................................................................... 58
7.2 Clipping grids with polygons........................................................................... 61
7.3 Reklasifikasi .................................................................................................... 62
7.4 Export Peta ..................................................................................................... 67
7
7.5 Import Data ..................................................................................................... 68
7.6 Data Lapangan ............................................................................................... 69
8. Klasifikasi Citra Satelit....................................................................................... 73
8.1 Object-based classification dengan Sentinel 2 imagery. ................................. 74
8.2 Unsupervised Classification (Klasifikasi Tanpa Pengawasan) ........................ 79
8.3 Supervised OBIA ............................................................................................ 87
9. Hidrologi Dan Terrain Modelling ....................................................................... 95
9.1 Membuat Watershed (Delineasi Batas DAS) .................................................. 95
9.2 Basic Terrain Analysis..................................................................................... 98
9.3 Model Aliran Hidrologi ................................................................................... 103
10. Contoh Penggunaan SAGA GIS .................................................................... 105
10.1 Object-Based Image Analysis pada SAGA untuk Pemetaan Kebakaran .. 105
10.2 Pemetaan Perubahan Tutupan Hutan dengan tehnik Image Differencing .. 111
10.3 Menampilkan Aliran Sedimen dari Survey Lapangan Pertambangan Skala
Kecil di Timor Barat ............................................................................................. 120
10.4 Analisis Potensi Pencemaran Aliran Sungai Akibat Logam Berat berbasis
Citra Satelit di wilayah Pertambangan Skala Kecil di Sulawesi Tenggara .......... 125
11. Konsep Tingkat Lanjut .................................................................................. 134
11.1 Tool Chains ................................................................................................. 135
11.2 Travel time analysis .................................................................................... 136
11.2 Error matrix ................................................................................................. 143
12. Tolong! Penyelasaian masalah .................................................................... 144
8
1. Pendahuluan
Aplikasi geospasial untuk pemetaan sumber daya, pemantauan dan pemodelan
memberikan data kunci yang mendasari perencanaan pengelolaan sumber daya alam
(SDM). Perangkat lunak geospasial bebas dan open source (FOS) generasi sekarang dan
data gratis telah menghilangkan kebutuhan untuk perizinan dan pembelian data, yang
merupakan hambatan penting bagi keterlibatan yang lebih luas dalam pemetaan,
pemantauan dan pemetaan sumber daya lahan untuk pemerintah daerah. Kemajuan dalam
perangkat lunak komputasi telah memungkinkan penggunaan alat analisis spasial yang
canggih pada laptop standar. Selanjutnya, meningkatnya ketersediaan citra satelit yang
gratis, data elevasi dan perangkat lunak analisis spasial berbasis raster memberikan
peluang baru bagi pemangku kepentingan lokal untuk menggabungkan analisis kuantitatif
dan kerumitan data dengan pengetahuan lokal secara kualitatif (Fisher et al, 2017)
Sementara itu, perangkat lunak geospasial open source gratis juga tidak kalah dengan
aplikasi GIS yang komersial. Sebaliknya perangkat lunak gratis dan open source (FOS)
biasanya dianggap lebih aman, handal, dan mudah beradaptasi dengan aplikasi komersial
lainnya (fisher et al, 2017). Hal ini berlaku terutama untuk perangkat lunak geospasial di
mana rangkaian aplikasi yang kuat dan sangat fungsional tersedia yang seringkali
mengungguli opsi software komersial lainnya. SAGA GIS merupakan focus dari panduan ini
yang terus diperbarui oleh pengembang dan komunitas pengguna agar tetap relevan
dengan penelitian geospasial. Saat ini, SAGA menawarkan lebih dari 700 modul geo-
science yang menanggapi pertanyaan dan kebutuhan ilmiah (Conrad et al, 2015). Selain itu,
fleksibilitas dan daya tanggap memungkinkan FOS geospasial secara cepat dan mudah
menggabungkan fungsionalitas tailor-made untuk memfasilitasi proses tertentu atau untuk
menangani masalah terutama masalah Sumberdaya Alam
Sementara ada sejumlah paket analisis data raster yang bersifat open source yang canggih
dan tersedia,termasuk GRASS, White Box dan ILWIS. SAGA GIS dipilih sebagai fokus
pelatihan karena:
1) Menyediakan cara termudah, satu step proses untuk visualisasi Landsat data
2) memiliki proses sederhana satu langkah untuk pemodelan hidrologi dan analisis medan
yang canggih
3) adalah paket software yang tidak memerlukan instalasi sehingga mudah untuk dibagikan
4) memiliki tampilan yang mudah dipahami seperti paket GIS lainnya
5) bekerja dengan lancar dengan semua format data GIS standar dan
6) memiliki tim pengembangan aktif yang responsif terhadap saran pengguna untuk alat
pemrosesan dan perbaikan.
Namun, sebuah kritik umum terhadap perangkat lunak open source, yang juga berlaku untuk
SAGA adalah kurangnya materi pelatihan yang jelas dan komprehensif. Manual ini bertujuan
untuk membantu mengisi kesenjangan ini dan memberikan sumber pelatihan untuk
mendukung desentralisasi aplikasi geospasial yang canggih dengan menggunakan data
satelit dan elevasi untuk meningkatkan tata kelola sumber daya alam.
9
Panduan ini telah dikembangkan bersamaan dengan bahasa web bahasa Inggris dan
bahasa Indonesia berikut yang memberikan tutorial dan tautan lebih lanjut ke semua
kumpulan data yang digunakan dalam contoh pada setiap contoh latihan yang disajikan:
• sagatutorials.wordpress.com
• sagagisindonesia.wordpress.com
Situs ini juga mencakup sejumlah screenshoot yang menunjukkan kepada Anda langkah
demi langkah bagaimana mengikuti banyak prosedur yang disajikan. Kami juga mendorong
orang-orang yang bekerja dengan SAGA untuk membagikan pekerjaan dan pengalaman
mereka di halaman Facebook kami: www.facebook.com/groups/208599582556485/
Buku pedoman pelatihan ini dikembangkan dengan dukungan dari Pemerintah Australia
melalui pembiayaan yang diberikan pada proyek Artisanal and Small Scale Mining for
Development yang dikerjakan oleh Universitas Charles Darwin. Project ini sementara
berlangsung dan bahan dalam buku pelatihan ini dikembangkan melalui kolaborasi antara 3
Universitas di bagian Indonesia Timur dan Australia yaitu: 1) Charles Darwin University
(CDU, Darwin), 2) Universitas Nusa Cendana (UNDANA, Kupang), dan 3) Universitas
Haluoleo (UHO, Kendari - Sulewasi Tenggara).
Versi manual ini telah diterbitkan di Indonesia dan tersedia untuk didistribusikan secara
online melalui lisensi kreatif Attribution-Non-Commercial-ShareAlike license.
Lisensi ini memungkinkan orang lain untuk mencampur, dan membangun
berdasarkan pekerjaan Anda secara tidak komersial, selama mereka member kredit kepada
anda dan lisensi kreasi baru mereka di bawah istilah yang sama.
References
Fisher, R., Hobgen, S. et al.(2017, in press).Free satellite imagery and digital elevation
model analyses enabling natural resource management in the developing world: case
studies from Eastern Indonesia Singapore Journal of Tropical Geography.
10
1.1 Apa yang Akan Dipelajari
Tujuan dari manual ini adalah untuk memberikan fungsi dasar dalam SAGA GIS yang
memungkinkan penggunaan aplikasi ini di dua area penting untuk sumberdaya alam. Yaitu
(1) pemetaan dan pemantauan berbasis satelit dan (2) analisis medan dan pemodelan
hidrologi. Manual dibagi menjadi beberapa bagian berikut:
Pengenalan singkat: Bagian ini bertujuan untuk kita langsung mulai kerjakan
data dalam SAGA sehingga mengenal layout dan fungsi dari SAGA. Anda akan
belajar import data citra satelit, data elevasi dan shape file. Anda juga akan
visualiasi data dengan 3D dan ‘terbang’ melewati citra satelit.
Konsep GIS: Tahap ini mendeskripsikan konsep dasar dan terminology yang
digunakan ketika merujuk kepada data peta. Sebagai contoh, apa itu GIS? Apa itu
data spasial ? apa saja tipe data spasial. Anda juga akan belajar mengenai
bagaimana data ditampilkan pada GIS, bagaimana satelit mengumpulkan gambar
bumi dan data elevasi dan bagaimana cara mengakses data tersebut secara
gratis?
Terrain Analysis: Tahap ini akan memperkenalkan konsep dasar dalam analisis
terrain dan bagaimana mempersiapkan data elevasi untuk analisis hidrologi.
SAGA Memungkinkan membuat beberapa analisis terrain yang dapat digunakan
untuk berbagai pemodelan ekologis, risiko bencana, fungsi tangkapan air dan
aplikasi pertanian. Anda akan terkejut betapa mudahnya dan berapa banyak
informasi lanskap yang berguna yang dapat dihasilkan dengan menggunakan
SAGA dan satu data elevasi.
1. Pemetaan Kebakaran
2. Perubahan tutupan hutan
3. Dampak tambang serta aliran sedimen
11
Advanced concepts: Pada bagian ini akan mengeksplorasi beberapa ide
tingkat lanjut dalam pengolahan citra setelit dan juga menampilkan beberapa
tehnik tambahan untuk mendapatkan keunggulan lebih banyak dari SAGA.
Sebagai tambahan pada tahap ini menyajikan kegunaan SAGA untuk Travel
Time Analysis (analisis waktu tempuh perjalanan). Pemodelan waktu tempuh perjalanan
untuk layanan telah menjadi alat yang umum untuk perencanaan infrastruktur untuk
meningkatkan layanan. Tujuan dari tool ini dijelaskan dalam tahap ini untuk menyajikan
open source yang sederhana, mudah beradaptasi, interaktif dari pemodelan waktu tempuh
perjalanan yang mengizinkan untuk akses dan partisipasi dalam sebuah analisis.
Menggunakan manual
Disarankan agar anda memulai pada bagian Quick Start untuk mendapatkan ide tentang
Layout serta fungsi tools pada SAGA. Sementara bekerja dengan data satelit di bagian ini
dapat dilakukan dengan melihat bagian 3 dan 4 yang memberikan latar belakang data
spasial dan citra satelit.
Pada awal setiap bagian dimana ada latihan praktis akan ada deskripsi data yang
digunakan sehingga dapat didownload dari website atau DVD. Tautan juga akan disediakan
di mana ada tutorial video berbasis web yang terkait. Manual ini hanya mencakup sebagian
kecil dari penggunaan dan fungsi SAGA yang dimaksudkan hanya untuk menjadi pengantar
untuk anda eksplorasi sendiri. Dalam beberapa kasus akan ada tambahan materi tutorial di
website yang tidak termasuk dalam manual.
Akses Data: Semua data yang digunakan dalam contoh tutorial ini tersedia
untuk di download disini: sagatutorials.wordpress.com/downloads/
Website penunjang:
Materi Training Online: sagatutorials.wordpress.com
Website SAGA GIS dan Forum Pengguna: www.saga-gis.org
12
1.2 Apa itu SAGA?
Ide pengembangan SAGA telah ada sejak akhir tahun 1990-an selama pekerjaan dalam
beberapa proyek penelitian di Dept. for Physical Geography, Göttingen. Fokus dari
penelitian tersebut adalah analisis data raster, terutama Digital Elevation Model (DEM)
yang digunakan dalam memprediksi karakteristik tanah serta factor topografi yang
mengontrol proses dinamika seperti parameter iklim. Hal ini membutuhkan pengembangan
dan implementasi dari banyak metode yang baru untuk analisis dan pemodelan spasial.
SAGA kini telah berkembang menjadi suatu paket analisis geospasial yang makin mantap
dan matang yang digunakan oleh para ilmuwan dan pengelola sumberdaya alam di
seluruh dunia.
Salah satu keuntungan utama dari software open source adalah secara reguler
diperharui (update). Hal ini dikarenakan kesalahan (bugs) yang ditemukan harus
secara cepat diperbaiki serta ide-ide dan pilihan dalam pemrosesan yang baru
akan ditambahkan secara reguler. Ini akan menyebabkan software ini secara
umum akan lebih mantap dan lebih up-to-date dibandingkan paket software yang komersial.
Meski demikian, dengan adanya rilis dan pembaharuan terbaru maka terdapat beberapa
perubahan kecil dan bahkan beberapa perubahan yang sangat signifikan sehingga akan
menyulitkan dalam menyesuaikan dengan versi paling terkini. Pada kasus SAGA, akan
terdapat rilis terbaru setiap 3 s/d 6 bulan yang tergantung pada seberapa banyak pekerjaan
yang telah diselesaikan oleh para pengembang. Hal ini berarti bahwa bahan pelatihan yang
dikembangkan 5 tahun yang lalu bisa saja menggunakan 10 versi SAGA yang ketinggalan
(out-of-date). Oleh karena itu diperlukan suatu keseimbangan antara apa yang telah anda
ketahui dengan versi SAGA yang paling terkini. Untuk buku pelatihan ini, kami
menggunakan versi SAGA 4.0 yang merupakan versi paling terkini ketika buku ini ditulis.
Sudah pasti kami mengetahui bahwa segala sesuatu akan berubah seiring berjalannya
waktu, namun proses dan ide yang fundamental akan tetap sama dari satu versi SAGA ke
versi lainnya.
Penting untuk diingat bahwa SAGA diciptakan oleh para pengguna untuk mendukung para
pengguna itu sendiri. Dengan demikian akan bergantung pada kita sendiri untuk secara
proaktif mendukung komunikasi antara pengguna SAGA dan para pengembang. Kita perlu
untuk bekerja sama dalam pengembangan SAGA dan juga komunitas pengguna SAGA.
Selain itu yang lebih penting jika memungkinkan untuk kita ikut berkontribusi dalam
pengembangan bahan pelatihan SAGA di kemudian hari.
Para pengembang SAGA merupakan sekelompok tim kecil dari para relawan (volunteer),
namun mereka amat sangat responsive terhadap pertanyaan dan usulan dari para
13
pengguna. Kami merekomendasikan agar anda dapat bergabung dengan forum pengguna
SAGA GIS dimana anda dapat memposting usulan dan pertanyaan yang anda temui setelah
bekerja dengan SAGA (https://sourceforge.net/p/saga-gis/discussion/).
Jika Anda tidak memiliki DVD yang menyertai panduan pelatihan ini, Anda perlu
mendownload SAGA. Download SAGA pada:
https://sourceforge.net/projects/saga-gis/files/.
14
2. Pengenalan Singkat
2.1 Layout SAGA
Ketika anda membuka SAGA, anda akan melihat layout berisi jendela berikut ini :
Workspace: merupakan jendela dimana anda dapat menampilkan proses module
dari data yang telah anda ambil dengan klik seluruh tab pada bagian bawah jendela,
dan menampilkan peta yang anda telah buat dari data anda.
Work area: adalah tempat dimana gambar peta dan segalasesuatu yang
berhubungan dengan data (table atribut, histogram, Plot) ditampilkan.
Object Properties: jendela ini menampilkan dan mengijinkan anda untukmengubah
informasi dari data yang anda muat dan menampilkan peta
Message Window: menyediakan informasi mengenai semua proses yang sedang
dijalankan oleh SAGA.
Setiap jendela dapat dibuka dan ditutup pada ikon bagian atas
15
Workspace Tabs
Tools Tab
Tools merupakan suatu cara dimana seluruh fungsi dari proses di atur di SAGA. SAGA
hadir dengan sekumpulan tools/modul gratis yang komprehensif dan berkembang sehingga
jmlah modul pada SAGA versi 2.2.5 telah mencapai 700 modul. Tidak semua modul
memiliki tool untuk analisa dan pemodelan yang sangat rumit. Banyak modul yang
menunjukkan operasi data yang sederhana. Namun beberapa modul lainnya menunjukkan
sesuatu yang baru dalam bagian analisisnya. Seperti berikut ini:
Modul juga mudah diakses melalui top menu “Geoprocessing” pada bagian drop down
menu. Sebaiknya menggunakan drop down menu ini untuk menjalankan modul SAGA
karena modul-modul itu dikelompokkan kedalam wilayah proses yang logis sehingga
mudah untuk diakses.
Data Tab
Data yang ditampilkan merupakan data raster (GRID), vektor atau data tabel-tabel yang
telah anda buka. Seluruh data raster ditampilkan sebagai grid layer dalam suatu sistem
grid. Suatu sistem grid mengelompokkan grid layer yang mempunyai ukuran grid sel yang
sama, jumlah baris dan kolom yang sama dan semua itu meliputi daerah geografis yang
sama. Secara umum, operasi spasial ditampilkan pada grid dengan sistem grid yang sama.
Variasi dari segala tipe data raster dapat di impor ke SAGA namun ketika data raster
tersebut disimpan maka data tersebut akan disimpan dalam format SAGA yaitu SAGA
GRID (disingkat *.sgrd). Perubahan nama dari sistem grid atau grid layer dapat dilakukan
pada jendela properti.
Ketika data vector dibuka dalam SAGA maka akan muncul
sebuah layer baru sebagai point, garis atau data polygon
16
Klik kanan pada layer data untuk menampilkan data yang dimasukkan dan pilih show atau
secara singkat double klik pada layer tersebut. Maka data tersebut akan terbuka di suatu
jendela. Untuk menampilkan layer data pada jendela peta maka klik tab maps.
Map Tab
Settings Tab
Ada berbagai jenis layer data tergantung pada faktor-faktor yang dapat di edit dan di
tampilkan sesuai parameter-parameter pada bagian “Setting”. Tab’Settings’ menyediakan
users kesempatan untuk membuat pengaturan bagaimana layer data terlihat pada data dan
pada jendela peta.
Description Tab
Tab ini menunjukkan informasi (ukuran, proyeksi geografi) dari layer yang dipilih.
Data ini tidak dapat diperbaiki/di edit.
17
Legend Tab
History Tab
Jendela ini menampilkan proses yang sudah dilakukan untuk layer yang dipilih.
Attributes Tab
Menggunakan tool aksi/action untuk menampilkan atribut informasi untuk sel grid yang
dipilih pada suatu grid dari layer data atau atribut yang berhubungan dengan segala sesuatu
dari vektor yang dipilih pada suatu shape/bidang layer data.
Tools ini memudahkan interaksi dengan peta yang ditampilkan seperti yang dijelaskan pada
tabel berikut.
18
2.2 Mengimport dan Menampilkan Digital Elevation data
Salah satu keunggulan aplikasi SAGA adalah kemudahan dalam bekerja dengan data
Digital Elevation Model (DEM). Pada bagian ini kita akan mengeksplorasi beberapa teknik
visualisasi data elevasi dasar menggunakan data DEM untuk Timor Barat (Indonesia) .DEM
ini telah dihasilkan dari data yang berasal dari the Shuttle Radar Topographic Mission (lihat
bagian 4.4). DEM yang disediakan telah dipotong ke Timor Barat.
19
Untuk menampilkan elevasi klik dua kali grid (2) dan akan muncul di jendela tampilan (3).
1. Object Properties
Settings Tab
2. Beri tanda centang
pada Show Cell
Values
3. Ganti nilai Decimals
dari 2 ke 0 (optional)
4. Klik Apply.
20
Untuk melihat lebih detail mengenai data, klik :
2.3 Visualisasi 3D
SAGA memiliki tool untuk membuat visualisasi 3D dengan menggunakan data DEM.
21
Anda akan melihat tiga
layer data baru muncul
di tab data dan tampilan
terrain muncul di tab
peta.
Kita dapat melihat data elevasi dalam 3D selama tidak ada dalam proyeksi garis lintang /
bujur (lihat bagian 7.1). Visualisasi 3D sangat berguna untuk membantu memahami konteks
medan dari data spasial yang sedang anda jelajahi.
Untuk tampilan 3D ada data yang ingin anda visualisasikan dalam 3D yang ditampilkan di
jendela peta Anda lalu klik tombol 3D pada menu bar bagian atas. Tetapkan data elevasi,
resolusi layar, dan zoom. Menetapkan resolusi layar 1000 akan menghasilkan tampilan
berkualitas baik. Pengaturan exaggeration meningkatkan sumbu vertikal, masukkan nilai 4
untuk menghasilkan tampilan yang bagus.
22
Kamu dapat menganti nilai
exaggeration DEM dengan keyboard F1
dan F2. Atau pada bagian atas menu
bar yang ditunjukkan gambar di
samping
23
2.4 Mengimport dan Menampilkan Data Landsat
Fungsi impor di SAGA-GIS membuat data Landsat diimport dengan proses satu langkah
sederhana. Tidak ada aplikasi lain, gratis atau komersial, memberikan cara yang lebih
mudah untuk mengimpor dan memvisualisasikan data Landsat.
SAGA menggabungkan tiga fungsi terpisah menjadi satu kotak dialog yang mudah.
Proyeksi Ulang: Data Landsat secara default berada dalam sistem koordinat UTM
Utara yang bermasalah bagi pemandangan belahan bumi bagian selatan dan orang-
orang yang membutuhkan datanya dalam proyeksi geografis (Lat / Long). Alat
import Landsat memungkinkan anda memilih layar UTM atau sistem koordinat
geografis.
Tampilan RGB composite: Tool import yang memungkinkan anda memilih
kombinasi band merah, hijau, biru untuk ditampilkan secara langsung saat di
importt.
Meningkatkan Kontras : Pada import kombinasi band pilihan secara otomatis akan
muncul di jendela tampilan peta dengan nilai perataan histogram untuk
menghasilkan tampilan kombinasi band. Selain itu,SAGA ini menyediakan cara
untuk meningkatkan tampilan histogram gambar on-the-fly berdasarkan jendela peta
yang saat ini ditampilkan sehingga memungkinkan peregangan gambar yang cepat
dan paling detail pada area of interest.
Metode import dan tampilan Landsat pada SAGA memiliki beberapa keunggulan
dibandingkan beberapa layanan lain berbasis web, termasuk:
24
2.5 Menampilkan Data Landsat Pada SAGA
Untuk mengimpor dan menampilkan citra Landsat secara otomatis, kita perlu menggunakan
alat impor Landsat Import with Option.
Tip: Setelah anda mengakses tools geoprocessing setelah itu akan muncul di bagian bawah
menu geoprocessing untuk akses lebih cepat.
1. Arahkan ke lokasi file Landsat GeoTif. Pilih band yang ingin Anda tampilkan
2. Pilih sistem koordinat output yang anda inginkan untuk menampilkan citra.
3. Jika Anda telah memilih lebih dari 2 band gambar, anda dapat memilih untuk
menampilkan display sebagai gambar komposit RGB. Pada contoh di bawah ini kita telah
memilih band 4 (Red), 5 (Near Infrared 1), 6 (Near Infrared 2)
Data Landsat akan secara otomatis terbuka dengan komposisi band red, green, blue yang
ditampilkan dalam UTM coordinate system
25
Mengatur Kontras
Landsat 3D visualisation
Jika anda memiliki data elevasi pada
area yang sama dan memiliki system
koordinat yang sama dengan data
Landsat di tab map maka anda juga
dapat melihat data landsat tersebut
dalam tampilan 3D
26
2.5 Mengimport dan Menampilkan Data Sentinel 2
Tahap ini menggunakan data Sentinel-2 dari west Timor:West_Timor_Sentinel2(220mb)
27
Misalnya untuk tampilan data sentinel menjadi berwarna, kita perlu mengatur tampilan data
menjadi RGB Composite, caranya :
1. Pilih band 4
2. Pada tab setting, ganti tipe display menjadi RGB composite
Latihan
Pada area yang sama, coba tampilkan citra Sentinel 2 bersamaan dengan citra Landsat dan
amati perbedaan pada ukuran piksel atau resolusi spasial. Sebagai contoh di bawah
merupakan tampilan Sentinel 2 dan Landsat untuk wilayah Bandara Kupang di Timor Barat
Konsep resolusi spasial akan dibahas pada Bagian 4.1. buku ini.
28
2.6 Menambahkan Data Vektor
This section uses a polygon shape fileof the boundary for the main city inWest Timor
(Kupang): West_Timor_Vector
Untuk membuka file shape pada tab peta klik dua kali
pada shape dan pilih new ketika muncul kotak dialog
seperti gambar di samping.
29
Data Sentinel dan file vektor batas kota berada dalam proyeksi koordinat yang sama
sehingga keduanya ditampilkan secara akurat bersamaan.
Proyeksi koordinat dibahas lebih lanjut pada bagian 2.4 dari manual ini.
30
3. Konsep Data Spasial
Bidang pemetaan dan GIS memiliki istilah istilah sendiri. Di bagian ini dijelaskan beberapa
konsep dan kata kunci yang mungkin anda temukan saat bekerja dengan data peta,
terutama dalam konteks manajemen kebakaran.
Data Vektor
31
Tipe umum dari data vector juga termasuk:
GPX (format GPS Exchange) adalah jenis file yang terkait dengan
GPS ', digunakan untuk mengumpulkan data di lapangan. Ini adalah
format yang memungkinkan data GPS (waypoint, rute dan trek)
dibuka oleh perangkat GPS dan perangkat lunak yang berbeda. Hal
ini memungkinkan untuk memudahkan berbagi data tanpa
memerlukan konversi format file. Kita akan membahas pengumpulan data GPS dan
lapangan nanti.
KML (Keyhole Markup Language) Adalah jenis file yang digunakan untuk
menampilkan data geografis / lokasi dalam aplikasi pemetaan berbasis
web seperti Google Earth.
SHP (shapefile) Adalah salah satu jenis file vektor yang paling umum dan
dapat dibuka di banyak program SIG.
Data Raster
Sangat umum untuk menampilkan data vektor dan raster secara bersamaan. Misalnya,
Anda mungkin memiliki titik GPS yang Anda kumpulkan di lapangan (Vector) dan Anda
menampilkannya di citra satelit di Google Earth (Raster). Setiap tipe data dapat mendukung
rencana kerja kita dengan cara yang berbeda.
32
3.2 Sistem Koordinat
Sistem koordinat adalah sistem pencatatan lokasi di permukaan bumi - setiap lokasi dapat
diidentifikasi dengan nomor yang unik. Dua sistem koordinat yang paling umum digunakan
yang akan anda jumpai adalah sistem koordinat geografis yang menggunakan garis lintang
dan bujur untuk menandai titik di bumi dan sistem Universal Transverse Mercator (UTM)
yang menggunakan Eastings dan Northings.
Sistem Koordinat Geografis menggambar garis lurus sejajar yang membentang timur-barat
dari atas ke bawah bumi yang disebut garis lintang (LAT). Garis-garis ini diukur dalam angka
derajat dari garis khatulistiwa. Garis di sekitar bumi (dari kutub utara dan selatan) disebut
garis bujur (LON). Garis-garis ini diukur dalam jumlah derajat dari garis imajiner yang
disebut garis meridian utama. Gambar di bawah menunjukkan sistem ini.
Di sisi lain, sistem koordinat LAT / LON bergantung pada unit pengukuran derajat, menit,
dan detik, yang menggabungkan sistem sudut dan unitnya. Namun, sistem UTM tidak
praktis saat bekerja melintasi zona grid. Di Australia utara yang meliputi area yang luas dan
melintasi banyak zona grid, umumnya kita bekerja dalam sistem geografis (lintang dan
bujur). Namun, saat mengerjakan area kecil, bisa bermanfaat untuk bekerja di sistem UTM.
Yang paling penting adalah memahami bagaimana sistem anda bekerja.
33
4. Pengenalan Citra Satelit
Gambar (gambar raster) permukaan bumi yang diambil dari satelit yang mengorbit bumi
merupakan alat yang sangat penting untuk pengelolaan sumber daya alam.
Gambar diatas adalah satellite MODIS, menunjukan banyak asap dari beberapa kasus
kebakaran di Australia Utara pada Juli 2015
http://www.nasa.gov/sites/default/files/thumbnails/image/australia.a2015194.0435.250m.jpg
Ada banyak satelit sumber daya Bumi, masing-masing memiliki karakteristik sensor dan
orbit yang berbeda. Hal ini penting bila menggunakan informasi yang berasal dari satelit ini
untuk memahami jenis informasi yang disediakan masing-masing dan bagaimana
penggunaannya.
34
4.1 Istilah Kunci dalam Data Satelit
Kunci untuk memahami data citra satelit adalah karakteristik spatial and temporal citra
satelit tersebut
Spatial (space) dalam konteks satelit merujuk pada ukuran gambar. Hal ini
dijelaskan dalam hal resolusi dan luasnya.
Resolusi Spatial mengacu pada ukuran piksel pada citra satelit.
Spatial extent mengacu pada lebar gambar citra dari satelit.
Temporal (waktu) mengacu pada berapa lama satelit menangkap citra (extent) dan
seberapa sering citra menangkap citra (resolusi). Frekuensi temporal juga disebut
sebagai frekuensi kembali.
Resolusi Spasial
Gambar di sebelah kanan bawah menunjukkan resolusi atau ukuran piksel dari tiga satelit
sumber bumi (1) MODIS dengan masing-masing piksel 250x250 meter, Landsat 28x28
meter dan satelit Sentinel 2 dengan resolusi 10 x 10 meter.
Resolusi memiliki
implikasi yang
signifikan terhadap
kemampuan satelit
untuk secara akurat
memetakan aktivitas
kebakaran di darat.
Spatial Extent
Setiap orbit Landsat menangkap citra sepanjang jalur sepanjang 185 km. Ini berarti bahwa
untuk menangkap gambar satelit untuk seluruh Australia utara, banyak orbit dan ratusan
gambar akan dibutuhkan.
35
Resolusi Temporal (Revisit frequency)
Resolusi Spektral
Satelite Landsat adalah program terpanjang yang menangkap citra permukaan bumi. Mulai
tahun 1972 satelit Landsat telah mengumpulkan jutaan citra satelit untuk seluruh dunia
sehingga menjadikan kumpulan data sumber daya bumi paling komprehensif yang tersedia.
Yang paling baru dalam seri ini adalah Landsat 8 yang diluncurkan pada bulan Februari
2013. Landsat 8 menghasilkan citra berkualitas tinggi setiap 16 hari yang disediakan
sebagai layanan gratis melalui United Sate Geological Survey (USGS).
36
Citra Landsat 8 memiliki resolusi pixel 28,5
meter dan satu band tambahan dengan Landsat 8 Resolution Extent
resolusi 15m. Setiap perekaman oleh satelit Spatial 28.5m/15m 175km
memiliki panjang 185 km di bumi. Jalur Temporal 16 days 2 years
gambar ini dibagi ke dalam scene untuk Spectral 11 bands
memungkinkan pengelolaan dan distribusi lebih mudah
Setiap scene gambar is memiliki path dan nomor baris. Gambar di bawah menunjukkan citra
Landsat untuk wilayah Sulawesi Tenggara.
Perbedaan utama dari Landsat 5 dan Landsat 8 adalah jumlah spectral bands yang
dikumpulkan. Semua citra landsat
terbaru memiliki kombinasi panjang
gelombang, seperti red, green, blue,
beberapa panjang gelombang infra-red
dan beberapa band thermal. Gambar
disamping menunjukan beberapa
perbedaan antara band pada Landsat 5
dan Landsat 8 – sebagai contoh
Landsat 5 dan 7 untuk band Blue,
green dan red adalah band 1,2,3
Sedangkan pada Landsat 8yaitu 2,3,4.
Band Infrared adalah 4,5,7 untuk
Landsat 5-7 dan 5,6,7 untuk Landsat 8.
Untuk semua jenis Landsat, band 8
adalah band resolusi tinggi. Setelah
diunduh, masing-masing band spektral
muncul sebagai file yang terpisah dan
ditampilkan secara terpisah atau
sebagai komposit gambar
(red,green,blue). Setiap band memiliki berbagai macam aplikasi seperti ditunjukkan pada
tabel diatas.
Sentinel 2 adalah sensor untuk 2 satelit pengamatan bumi (Sentinel 2a and Sentinel 2b).
Sentinel 2a telah diluncurkan pada juni 2015 dan 2b pada maret. Kedua satelit ini
37
merupakan bagian dari satelit yang diluncurkan oleh European Space Agency untuk
program pengamatan bumi yang disebut Copernicus program.Proyek ini merupakan proyek
pemantauan terbesar di dunia. Seperti yang dijelaskan di atas citra Sentinel 2 memiliki
resolusi spasial yang lebih tinggi (10-20 m) dan dengan dua sensor di langit akan memiliki
resolusi temporal yang jauh lebih tinggi (5 hari). Sentinel 2 mereplikasi sebagian besar (tapi
tidak semua) band citra Landsat (panjang gelombang) sehingga mudah untuk
membandingkan Citra Landsat dan Sentinel 2.
2. Digital terrain models dimana nilai masing-masing piksel mewakili elevasi permukaan
tanah. Data ini umumnya diproduksi oleh sistem pencitraan radar.
Sumber utama data elevasi global yang gratis diperoleh dari Shuttle Radar Topographic
Mission (SRTM). Data ini diproduksi
pada tahun 2003 dari sistem radar
ganda yang dipasang pada pesawat luar
angkasa.
38
Ilustrasi ini menunjukkan Space Shuttle Endeavour yang mengorbit sekitar 233 kilometer di
atas bumi. Dengan antena tempel C-band dan X-band yang bekerja yang terletak di Shuttle
dan yang lainnya terletak di ujung tiang setinggi 60 meter, radar SRTM mampu menembus
awan sekaligus memberikan penerangan tersendiri, Bebas dari siang hari, mendapatkan
gambar topografi 3-dimensi dari permukaan dunia sampai Lingkaran Arktik dan Antartika.
Misi tersebut menyelesaikan 222 jam pemetaan dengan menggunakan radar
39
5. Download Data Spasial Secara Gratis
Bagian ini mencakup banyak langkah untuk mengakses data satelit secara gratis melalui
internet. Web yang akan dijelaskan adalah:
Recent Landsat 8 dan sentinel imagery melalui Remote Pixel (https://remotepixel.ca)
Historic Landsat imagery melalui USGS GloVis Next (http://glovis.usgs.gov/next/)
SRTM elevation data melalui SRTM tile tool (http://dwtkns.com/srtm/).
Remote pixel adalah layanan web pihak ketiga yang menyediakan sejumlah alat yang
sangat baik untuk mendownload citra satelit. Ketika membuka Remote Pixel
(https://remotepixel.ca) pilih “projects” pada bagian atas menu seperti yang ditunjukkan
pada gambar di bawah:
40
Dengan sentinel data kita akan melihat kotak
(tile) Sentinel. Ini merupakan kumpulan sebagian
dari scene sentinel
Ketika anda klik pada scene kotak data maka akan ditampilkan pada sebelah kanan data
citra yang paling terbaru.
41
Jika anda mengklik ikon unduhan pada salah satu scene yang tersedia maka ini daftar band
akan muncul
Ketika anda mendownload citra landsat, setiap band memiliki nama yang merujuk kepada
dekripsi kode berikut
Hal ini diikuti oleh garis bawah dan nomor band (yaitu, _B8). Setiap band dalam format Geo
Tiff dan proyeksi UTM Utara. Untuk membawa data Landsat ke SAGA di bagian selatan
proyeksi UTM menggunakan tool Landsat import with option seperti yang dijelaskan pada
bagian 2.4.
Demikian pula untuk mendownload data sentinel yang mengklik pada sebuah kotak
menunjukkan yang terbaru tersedia. Mengklik gambar terbaru kemudian membuka jendela
baru dengan semua gambar yang tersedia. Untuk sentinel 2 data ini baru kembali ke awal
tahun 2016.
Sentinel data tersimpan dalam jp2 format (JPEG 2000) dan menggunakan proyeksi UTM.
Sentinel 2 dapat di drag ke dalam SAGA, tidak perlu menggunakan tool import seperti
landsat.
42
5.2 Historic Landsat Data downloads – 1972-Present
43
Setelah mengeklik apply gambar terbaru di rentang tanggal yang anda pilih akan muncul di
kotak informasi di kanan bawah yang akan menampilkan nama dan tanggal citra. Dengan
menggunakan tombol previous dan next, anda dapat beralih ke tanggal citra berikutnya
yang tersedia. Tombol select memungkinkan anda memilih citra untuk informasi lebih lanjut
atau download.
Klik Select kemudian ikon download menghasilkan jendela pop-up yang menunjukkan
gambar yang akan diunduh. Pilih Product Data GeoTiff Level-1 untuk mendapatkan semua
band.
Ini akan secara otomatis memulai download adegan dalam format zip (Tar, gz). Setelah di
download klik kanan pada file tersebut untuk unzip. Anda perlu melakukan unzip dua kali,
pertama ke format .tar lalu ke folder band scene.
44
5.3 Download Data Elevasi (SRTM)
Cara termudah untuk mengakses dan mendownload data SRTM adalah melalui STRM file
grabber website (http://dwtkns.com/srtm/). Dari tampilan globe secara interaktif pilih kotak
pada area minat anda dan download Geo-tiff.
Catatan: Sebelum data elevasi SRTM dapat digunakan untuk pemodelan medan dan
pemodelan hidrologi di SAGA, pertama-tama perlu diproyeksikan ke dalam sistem koordinat
area (meter) yang sama. Hal ini dijelaskan secara rinci pada bagian 7.1.
45
5.4 Global Spatial Datasets yang lain
Infrastructure
46
6. Visualisasi Data Satelit
Bagian ini akan menampilkan beberapa langkah untuk menampilkan data satelit:
Bekerja dengan beberapa citra satelit kombinasi band
Membuat gambar dengan resolusi tinggi dengan menggunakan citra Landsat.
Membuat indeks vegetasi.
Menampilkan beberapa periode citra dari waktu yang berbeda untuk mengetahui
perubahan tutupan lahan.
Pada bagian ini kita menggunakan data : West Timor - Landsat Data (204mb)
Citra satelit ditangkap dalam beberapa panjang gelombang cahaya yang dipantulkan atau
dikenal sebagai gambar 'Bands' (lihat bagian 4.1). Kita bisa menggabungkan tiga band
gambar menjadi satu gambar dengan menampilkan setiap band sebagai Red, Green atau
Blue untuk menghasilkan apa yang biasa dikenal sebagai display komposit RGB. Dalam
contoh ini, kita akan memuat semua band gabungan untuk adegan Timor barat dan
membuat Beberapa komposit RGB display.
47
Sekarang coba tampilkan setiap
band pada tab map.
Coba tampilkan setiap band secara terpisah seperti yang ditunjukkan pada gambar di
bawah. Agar lebih membantu tampilkan window dalam bentuk tile minimise pada "Window"
menu bagian atas.
Lihat perbedaan masing-masing band yang muncul. Anda bisa lihat adalah perbedaan
antara panjang gelombang cahaya yang dipantulkan yang tersimpan di setiap band.
48
Gambar di samping adalah hasil tampilan yang sama persis dengan yang terlihat dari citra
satelit.
49
6.2 Indeks Vegetasi
Berbagai algoritma telah dikembangkan oleh para peneliti untuk mendapatkan informasi
paling banyak dari band spektral citra satelit. Banyak di antaranya adalah indeks vegetasi
yang digunakan untuk memantau dan memetakan vegetasi. SAGA memungkinkan
perhitungan otomatis ini.
Contoh yang ditunjukkan di bawah ini adalah menggunakan Indeks Vegetasi (Slope Based).
Cukup masukkan band inframerah dan near infrared (4 dan 5 untuk Landsat 8)
50
Menampilkan salah satu indeks vegetasi sebagai
green untuk tampilan komposit RGB benar-benar
menyoroti distribusi vegetasi aktif tumbuh (aktivitas
fotosintesis tinggi) seperti yang ditunjukkan pada
gambar di samping ini.
51
6.3 Menghasilkan Citra Landsat Resolusi Tinggi dengan Band 8
Ada beberapa tool dalam SAGA untuk menggabungkan Landsat 8 resolusi 15 meter Band 8
dengan band multi-spectral 30 meter. Dengan menggunakan citra satelit Timor Barat,
cobalah salah satu pilihan penajaman gambar. Sebagai contoh:
Masukkan band 30-meter yang akan dipertajam dengan band 8 untuk band resolusi tinggi .
52
Tampilkan band 30 m yang asli (gambar kiri) dengan komposit band 15 m (Gambar Kanan)
untuk membandingkan perbedaan resolusi.
Sebagai alternatif, cara sederhana untuk menggabungkan dua resolusi adalah dengan
menampilkan gambar band 8 dengan pengaturan transparansi di atas tampilan komposit
RGB dari band 30 m.
Hasilnya ditunjukkan pada gambar sebelah kiri bawah. Lebih detail dalam gambar terbukti
dibandingkan dengan gambar aslinya.
53
6.4 Menampilkan Citra Multi-temporal
Hal ini dimungkinkan untuk menampilkan banyak gambar dari tanggal yang berbeda (tahun)
untuk melihat perubahan tutupan lahan dari waktu ke waktu. Kita akan melakukan ini untuk
memeriksa perubahan tutupan lahan karena pertambangan.
Untuk bagian ini, kita akan menggunakan citra daerah pertambangan emas skala kecil di
Sulawesi Tenggara (Indonesia). Lokasi ini di daerah 'Bombana' mengalami demam emas
pada tahun 2008. Dengan menggunakan citra Landsat 5 dan Landsat 8 kita akan melihat
perubahan tutupan lahan akibat aktivitas pertambangan.
Bagian ini menggunakan contoh data: Landsat data Sulawesi Tenggara dari tahun
1996 dan 2015. (219mb)
54
atas pemandangan September 2006 (musim kemarau akhir), area padang rumput terbakar
yang luas dapat dilihat sebagai area hangus hitam di bagian barat gambar sementara pada
gambar 2014 area yang terbakar kembali tidak lagi jelas sementara daerah biru / ungu
Aktivitas penambangan bisa terlihat jelas.
Latihan
Pada data citra tahun 2014 (awal musim hujan) wilayah
tambang tampak berwarna biru, airnya terisi. Lihatlah ke
sekeliling, apa lagi perubahan jangka panjang dan jangka
pendek yang bisa anda lihat. Perubahan apa yang bersifat
sementara dan jangka panjang?
Pada contoh pertama ini akan ditunjukkan cara mosaicking dua data landsat yang berurutan
pada path yang sama (112/063, 112/064) yang ditunjukkan pada gambar di bawah.
55
Buka tool Mosaicking:
Masukkan dua grid dari band gambar yang sama dari dua scene berbeda. Pada contoh
yang ditunjukkan di sini dua grid band 2. Sebagai contoh kita beri nama Output Grid dengan
ID bandnya (Misalnya Mosaic B2).
56
Hasilnya akan muncul sebuah grid baru pada grid
system yaitu grid mosaicking.
Lakukan hal diatas untuk band yang lain pada scene yang berbeda sehingga hasilnya akan
tampak seperti gambar dibawah ini.
57
7. Alat Processing
Pada bagian ini akan dijelaskan beberapa processing tools untuk data raster. Hal ini
termasuk
Transformasi koordinat ; cara untuk melakukan reproyeksi raster dan vector ke
dalam system koordinat yang berbeda.
Memotong data raster menggunakan poligon
Reklafikasi (Klasifikasi Ulang)
import dan export data; Penting untuk memperoleh data dengan format yang dapat
digunakan dalam berbagai macam software GIS
Untuk proses transformasi koordinat, clip dan reklasifikasi, kita akan menggunakan data dari
Australia utara untuk menghasilkan grid dengan kelas lereng.
Data elevasi tersedia di native SRTM zip format with an accompanying (Kakadu) national
park boundary file.
58
File ini ada dalam proyeksi UTM (Universal Transverse Mercator).
Untuk dapat melakukan visualisasi 3D dan pemodelan set elevasi
terrain perlu dilakukan proyeksi grid meter. Nilai xy-axis (meter antar
sel) sama dengan skala seperti sumbu z (meter di atas nilai
permukaan laut masing-masing sel)
Pada spatial reference geographic coordinate system pilih WGS 84 seperti yang ditunjukkan
di bawah:
59
Sekarang kita dapat melakukan proyeksi ulang data elevasi ke dalam UTM Zone 53
Sebuah kotak dialog baru akan muncul untuk mengatur output cell size. Untuk standard
SRTM data isi dengan 90 meters.
Anda sekarang dapat menampilkan data vektor batas Taman nasional Kakadu di atas file
elevasi yang baru saja kita proyeksi. Seperti gambar yang ditunjukkan dibawah.
60
Untuk melihat data raster di bawah data polygon, atur fill style menjadi “Transparent” pada
tab setting
Sekarang kita dapat memotong (Clip) data raster (data elevasi) dengan Poligon Taman
Nasional (.shp) dengan menggunakan tool Clip Grid with Polygons
Pada kotak dialog input pilih data SRTM yang telah di proyeksi. Pilih data .shp Kakadu pada
pilihan polygons seperti yang ditunjukkan pada gambar di bawah.
61
Hasil clip grid ditunjukkan seperti gambar di samping :
7.3 Reklasifikasi
Sekarang kita dapat melakukan klasifikasi kemiringan lereng seperti datar,sangat curam.
Pertama kita perlu menghasilkan grid Slope.
Pada kotak dialog diatas, pilih elevasi yang telah di clip pada tahap sebelumnya. Ubah
Slope unit ke dalam derajat (degree)
62
Selanjutnya tampilkan Aspect sebagai latar
belakang.Untuk memberi visualisasi yang lebih
baik, pilih grid aspect, pada pengaturan Tab
pengaturan ubah Shading menjadi normal.
Tampilkan grid Slope di atas grid Aspect (dengan shading normal) dan atur transparansi
menjadi 55%
63
Sekarang, reklasifikasi grid Slope ke dalam beberapa kelas . Gunakan tool Reclassify Grid
Values.
64
Pada grid baru “Slope reclassified” klik kanan dan
pilih “Create lookup Table”
Anda dapat melihat dan mengedit lookup table dan warna yang dihasilkan di tab Settings.
65
Sekarang klik kanan dan pilih
Histogram. Ini akan membuka grafik
yang menunjukkan jumlah sel di
setiap kelas. Klik tombol tabel untuk
membuka tabel nilai grid.
66
7.4 Export Peta
Hal ini sering berguna untuk dapat mengekspor peta yang telah anda buat di SAGA untuk
pekerjaan lebih lanjut dalam aplikasi GIS lain atau sebagai gambar untuk laporan atau
presentasi.
Pilih ukuran sel yang setara dengan citra yang anda tampilkan (yaitu band 8 15m dan
semua band lain 30m).
67
7.5 Import Data
Bagian ini menjelaskan bagaimana mengimport raster (grid), vector dan data lapangan.
Data Raster
Sebagian besar format data raster dapat di drag dan drop langsung masuk ke SAGA GIS.
Fungsi impor secara otomatis mengubah data menjadi format SAGA. Namun anda mungkin
menemukan bahwa data raster yang di drop dan drag akan menggunakan metode
resampling rata-rata default (B-Spline). Ini akan mengubah (rata-rata) nilai piksel yang
diimpor. Untuk memastikan anda menyimpan nilai yang sama untuk data yang diimpor, anda
perlu mengubah metode impor resampling ke Nearest Neighbour menggunakan tool impor
seperti yang ditunjukkan di bawah ini.
Gunakan: Geoprocessing>File>Grid>Import>ImportRaster
Data Vektor
Shape Files
Shapefiles dapat dimuat dengan drop dan drag file .shp ke dalam saga atau membuka file
melalui tab data atau melalui menu file paling atas.
Gunakan: Geoprocessing>File>Shapes>Load
Anda perlu menentukan jenis file KML yang anda impor (titik, garis atau poligon) seperti
yang ditunjukkan di bawah ini. Ini akan mengimpor layer vektor ke tab data SAGA.
68
7.6 Data Lapangan
Cara yang paling umum untuk mengumpulkan data geospasial di lapangan untuk tampilan
dan analisis di GIS adalah menggunakan GPS. Namun, ini menjadi lebih umum untuk
menggunakan aplikasi smartphone yang terhubung ke fungsi GPS handphone untuk
membantu pengumpulan data. Bagian ini menjelaskan bagaimana anda dapat mengimpor
data lapangan yang dikumpulkan menggunakan GPS atau aplikasi smartphone (Avenza
Maps).
Data yang dikumpulkan di GPS biasanya disimpan dalam format GPX. Untuk mengimpor
field Data GPX cukup drag dan drop ke SAGA. SAGA secara otomatis akan mengubah GPX
menjadi poin dan garis yang Anda kumpulkan.
Cara lain yang umum dan efektif untuk mengumpulkan data dengan informasi lapangan
menggunakan pulpen dan kertas dan secara manual merekam lokasi titik dari GPS dan
atribut standar untuk lokasi tersebut. Data ini kemudian bisa dimasukkan ke dalam tabel
excel dan diimpor ke SAGA. Misalnya di tabel excel dihasilkan dari catatan lapangan
hardcopy dari sebuah survei di Indonesia.
Untuk memuat file tersebut ke dalam SAGA terlebih dahulu save as dalam bentuk .csv atau
txt (tab delimited format) file.
69
Lalu drag and drop file ini ke dalam SAGA. Ini akan muncul sebagai layer baru berupa table
pada tab data.
Pilih layer table yang akan dikonversi dan nilai sumbu X sebagai Easting (or Latitude) dan
sumbu Y Northing (or Longitude).
Ini kemudian akan menambahkan llayer data titik baru dengan atribut terkait dengan table
sebelumnya.
70
1. Import citra landsat menggunakan Geographic Coordinates sebagai coordinate
system, dan nearest neighbour sebagai metode
interpolation
6. Selanjutnya pilih semua file yang sebelunya sudah di save dalam berbagai format
tadi. Pilih file .tif, .tfw, .prj, Klik kanan dan Zip folder
71
7. Anda dapat
mengimport file Zipp
ke dalam Avenza
maps melalui email,
dropbox atau SD
card
Coba unduh peta Avenza dari ponsel anda dan selanjutnya lakukan proses pengujian di
lapangan terhadap data yang anda miliki dalam smartphone.
Perhatikan bahwa untuk menggunakan data Sentinel-2 dengan peta Avenza, pertama-tama
perlu dikoreksi ulang ke dalam sistem koordinat geografis (lat.long) dari format UTM aslinya.
72
8. Klasifikasi Citra Satelit
Klasifikasi citra satelit adalah proses mengelompokkan piksel gambar ke dalam kelas yang
serupa. Kelas-kelas ini biasanya didasarkan pada jenis lingkungan tutupan lahan. Teknik
klasifikasi bagaimanapun juga dapat digunakan untuk memantau perubahan lingkungan
seperti pemetaan daerah yang terbakar. Ada dua bentuk utama klasifikasi yang biasa
dipraktikkan (1) klasifikasi berbasis piksel dan (2) klasifikasi berbasis objek.
Pixel based classification melihat respons spektral atau nomor digital untuk setiap piksel
dan menggunakan salah satu dari sejumlah metode matematis yang memasukkannya ke
dalam kelas. Ada dua metode dimana kelas piksel dapat diberikan; unsupervised dan
unsupervised classification. Kelas dapat ditetapkan secara otomatis berdasarkan
algoritma pengelompokan yang memilih bagaimana sebuah pixel. Umumnya, satu-satunya
masukan dari pengguna ke dalam proses ini adalah memilih band gambar yang akan
digunakan dalam proses pengelompokkan dan jumlah kelas output akhirnya. Cara ini biasa
disebut as unsupervised classification. Kelas-kelas ini biasanya diberi kelas tutupan lahan
dengan mengacu pada data tanah dan klasifikasi gambar. Dalam klasifikasi SAGA tanpa
pengawasan disebut cluster analysis.
73
8.1 Object-based classification dengan Sentinel 2 imagery.
Cara Cepat Melakukan Pemetaan Area Tambang
Dalam latihan akan ditunjukkan cara cepat menghasilkan klasifikasi dan peta area yang
akurat dari citra. Dalam hal ini merupakan lokasi tambang besar di Pulau Lombok di
Indonesia. Ada lima langkah utama yang dibutuhkan:
Step 1: Tampilkan citra Sentinel 2 yang didownload dari Remote Pixel (remotepixel.ca)
Step 2: potong data citra ke area yang akan dianalisis
Step 3: menjalankan proses segmentasi citra.
Step 4: Menghapus daerah yang bukan merupakan polygon wilayah tambang.
Step 5: Menghitung luas area
Gunakan:Geoprocessing>Grids>Grid System
> Clip Grids interactive
74
Klik okay
75
Tampilkan hasil segmentasi di atas citra sentinel dan atur fill style menjadi ‘Transparent’
pada tab setting:
76
Maka hanya akan tersisa poligon area tambang seperti yang ditunjukkan gambar di samping
Sekarang kita akan 'Merge' poligon yang tersisa untuk menghasilkan satu poligon daerah
tambang. Pilih semua poligon yang tersisa, klik
kanan dan pilih 'Merge Selection'.
77
Kita dapat menghitung luasan untuk polygon ini :
Setelah itu buka tabel atribut dengan mengklik kanan pada layer, pilih atribut: Atribut >>
Show
78
Untuk menambahkan kolom lain agar kita bias menghitung dalam hectares:
79
Tampilannya akan seperti gambar di samping
80
Coba ubah band dan jumlah kelas yang anda gunakan untuk klasifikasi Anda. Anda akan
melihat band yang berbeda menghasilkan hasil klasifikasi yang berbeda.
Langkah selanjutnya adalah mengklasifikasi ulang kelas-kelas ini ke dalam kelas tutupan
lahan. Untuk melakukan ini, anda harus memiliki pengetahuan dan data lapangan yang
bagus untuk area yang ingin anda klasifikasi sehingga anda dapat menentukan kelas output
apa yang sesuai dan fitur apa pada gambar yang mewakili kelas-kelas ini.
Untuk latihan ini kita ingin mengklasifikasi ulang sepuluh kelas ke enam jenis tutupan berikut
ini:
1. lautan
2. Lumpur datar
3. Tanah Terbuka
4. Rumput
5. Hutan Terbuka / Scrub
6. Hutan Tertutup
Untuk menentukan gambar mana yang mewakili jenis tutupan lahan yang anda tampilkan,
buat layar tab map menjadi dua bagian yaitu gambar komposit RGB di samping gambar
kluster. Dengan menggunakan alat pointer (panah hitam) untuk melihat cluster pada gambar
yang diklasifikasikan sebelumnya. Anda akan melihat nilai klaster ditampilkan di bagian
bawah layar.
Pada gambar di bawah layar komposit RGB ada di sebelah kiri dan gambar tergambar di
sebelah kanan. Nilai klaster yang ditunjukkan ada di bagian bawah..
Dengan melihat gambar dan membandingkannya dengan grid cluster, anda harus bisa
menentukan jenis tutupan lahan masing-masing cluster. Setelah anda selesai membuka
klasifikasi ini (Cluster) pada Lookup table, edit deskripsi masing-masing kelas agar sesuai
dengan apa yang anda temukan di lapangan. Kita akan menggunakan tabel ini untuk
membuat tabel look-up reklasifikasi.
81
Simpan tabel yang telah anda tambahkan
deskripsi Land Cover ke tab data SAGA dengan
memilih Workspace. Anda akan melihat tabel
baru muncul seperti yang ditunjukkan di sini:
82
‘new ‘ field pada kelas land cover untuk setiap nilai cluster ditunjukkan pada gambar di
bawah:
83
Untuk reklasifikasi grid cluster :
84
Selanjutnya klik okay untuk menjalankan reklasifikasi.
Ganti nama dan warna hasil reklasifikasi sesuai yang diinginkan pada masing masing kelas
tutupan lahan.
85
Untuk melihat nilai luasan pada masing masing kelas
adalah klik kanan pada grid dan pilih histogram
86
8.3 Supervised OBIA
Jalankan segmentasi:
Gunakan: Geoprocessing>Imagery>classification>OBIA
Selanjutnya:
1. Pilih band 3,4,5,6 pada input
features
2. Sesuaikan Band Width for
seed generation menjadi 5
(untuk membuat polygon
yang dihasilkan akan lebih
besar).
3. Pilih none pada pilihan post
processing.
87
Klik dua kali pada layer poligon segmentasi yang
dihasilkan dan tampilkan di atas tampilan citra. Di
tab Settings ubah style fill menjadi transparent
Proses ini disebut pelatihan karena kita melatih klasifikasi bagaimana mengidentifikasi
semua jenis tutupan lahan di suatu wilayah berdasarkan kelas kelas yang diklasifikasikan
pada wilayah tersebut
88
Untuk menambahkan atribut ‘Training’ baru:
1. Klik tombol add attribute
2. Masukkan 'training' sebagai nama atribut
3. Klik OK.
Sekarang anda bisa memulai proses pemilihan lokasi training. Klik satu poligon dan buka
tab atribut. Anda akan melihat sejumlah atribut untuk poligon yang dipilih termasuk semua
nilai band rata-rata untuk band yang digunakan dalam segmentasi dan terakhir atribut baru
'Training'.
Pada contoh di bawah ini, berdasarkan interpretasi atau pengetahuan lapangan kita
menetapkan bahwa yang terpilih adalah poligon mangrove makan diisikan mangrove pada
kolom atribut ‘training’. Ini adalah “training site’ pertama kami.
89
Lakukan untuk setiap tutupan lahan yang lainnya. Untuk contoh di bawah polygon untuk
grass diisikan pada table atribut
Setelah anda yakin memiliki beberapa sampel poligon yang representatif untuk masing-
masing kelas tutupan lahan, kita dapat melakukan supervised classification:
90
Untuk step nomor 2 diatas centang badn yang
akan digunakan (band 3,5,6,7)
91
Klasifikasi gambar yang dihasilkan terlihat
bagus tapi kita bisa melihat ada beberapa
kesalahan yang jelas dimana beberapa
hutan pegunungan telah diklasifikasikan
sebagai mangrove.
Bagian dari kelebihan klasifikasi Segmentasi adalah mudah mengedit poligon secara
manual. Poligon segmen mangrove ini dapat diedit secara manual untuk diubah menjadi
kelas tutupan lahan yang sesuai. Misalnya di bawah ini adalah kawasan hutan yang
diklasifikasikan sebagai mangrove dengan benar.
Ubah nama 'Class_NR' (Nilai nomor) dan 'Class_ID' ke tutupan lahan yang benar, yaitu
Rumput.
92
Setelah anda mengedit gambar, sekarang kita dapat melihat beberapa statistik area untuk
klasifikasi. Pertama kita perlu melakukan poligon dissolve:
Gunakan: Geoprocessing>Shapes>Polygons>Dissolve
93
Export table agar data tersebut dapat diolah kembali nantinya.
94
9. Hidrologi Dan Terrain Modelling
SAGA GIS memiliki beberapa alat pemodelan terrain dan hidrologi yang sangat kuat. Pada
bagian ini Anda akan mempelajari metode untuk (1) visualisasi 3D, (2) analisis terrain
(medan) dan (3) analisis hidrologi.
Data pada bagian ini dapat di download disini : West Timor – elevation Data
Pilihlah sistem grid dan grid DEM seperti gambar di atas. Modul 'Fill sinks' menghasilkan tiga
layer baru:
95
Klik 2 kali pada layer Watershed basins
maka akan terlihat seperti gambar di
samping :
Pilihlah lapisan DAS sebagai masukan. Pilih ‘each island as a separate polygon’ pada
pilihan ‘vectorised class as’. Ini memastikan bahwa setiap poligon DAS dapat dipilih secara
terpisah.
96
Memotong layer DEM dengan menggunakan catchment terpilih.
Anda akan melihat sistem grid baru dengan luasan yang lebih kecil telah dibuat. Ini adalah
grid terpotong. Double klik pada grid baru untuk menampilkannya di atas file shape
Watershed.
Meski itu adalah Grid baru tetapi nama grid tetap grid sebelumnya. Untuk menghindari
kebingungan, ganti nama grid baru di tab setting. Pada contoh di sini kita menyebutnya DEM
DAS Noelmina. 'DAS' adalah sebutan catchment area untuk daerah tangkapan air dan
Noelmina adalah DAS yang terpotong pada contoh ini. Lakukan seperti gambar yang
ditunjukan dibawah ini.
97
Klik kanan pada grid untuk menyimpan
hasil pekerjaan ini. Maka akan secara
otomatis save as a SAGA Grid format
(.srgd).
Selanjutnya kita akan mempersiapkan data Catchment untuk melakukan sejumlah analisis.
Tools basic terrain analysis sangat sederhana dan secara otomatis menghasilkan 16 hasil
analsisn terrain dan parameter hidrologi.
Sebuah dialog baru kemudian akan meminta anda untuk memasukkan sistem grid dan grid
elevasi yang akan digunakan. anda akan melihat daftar semua parameter medan yang akan
dibuat oleh modul ini.
98
Bila Anda telah memasukkan input grid klik OK dan anda akan melihat file Grids and Shape
baru hasil analsis di tab data. Ini akan memakan waktu beberapa menit untuk pemrosesan
semua grid agar selesai. Double klik setiap grid untuk melihat hasilnya di jendela peta.
Analytical Hillshading
Menghasilkan sebuah grid bayangan
Slope
Grid ini merupakan grid kemiringan. Anda juga dapat melihat nilai
Slope dalam derajat pada bagian bawah screen anda
Aspect
Ini menghasilkan grid aspek atau arah. Anda bisa melihat nilai
Aspect dalam derajat yang ditampilkan di bagian bawah jendela
SAGA.
99
Plan/Profile Curvature
Grid ini menjelaskan formasi landscape.
Parameter ini berfungsi untuk pemodelan risiko
longsor
Convergence Index
Wetness index
LS Factor
Channels
100
Drainage Basins
Menghasilkan shapefile dari saluran tangkapan air
101
Coba latihan dengan menggunakan tools analisis yang lainnya.
contohnya:
Landform Classification: (Terrain Analysis > terrain Classification > TPI Based
Landform Classification)
Solar Radiation: (Terrain Analysis > Lighting > Potential Incoming solar radiation)
102
9.3 Model Aliran Hidrologi
Ada berbagai macam cara untuk menampilkan alirandalam sebuah landscape pada SAGA.
Contoh ini memungkinkan anda untuk menampilkan aliran secara interaktif dengan memulai
titik aliran di atas data elevasi yang dikoreksi (Sink Filled).
Pilih grid Downslope Area yang dihasilkan. Pada tab pengaturan set maximum tidak ada
nilai data ke 0. Ini akan membuat background transparan sehingga Anda bisa melihat
akumulasi aliran di atas elevasi yang ditampilkan.
103
Gunakan pointer ‘tanda panah’
untuk melihat prediksi aliran
104
10. Contoh Penggunaan SAGA GIS
Bagian ini berisi tutorial contoh penerapan praktis yang menggunakan teknik dan data yang
dijelaskan pada bagian sebelumnya: (1) Pemetaan kebakaran, (2) Pemetaan perubahan
tutupan hutan dan (3) Pemetaan arus aliran potensial logam berat beracun.
Kebakaran liar umum terjadi di berbagai lanskap dan merupakan ancaman serius bagi
kehidupan, properti, sumber daya alam dan keanekaragaman hayati. Contoh di bagian ini
adalah dari savana tropis di Australia utara dimana kita menggunakan teknik segmentasi
citra berbasis objek untuk memetakan area kebakaran padang rumput savana dengan
cepat.
Citra Landsat menyediakan kumpulan data untuk menilai perubahan lingkungan dari waktu
ke waktu dan telah menjadi kumpulan data utama untuk Land Use and Land cover change
(LULCC). Contoh di bagian ini menyelidiki tingkat kehilangan hutan di Sulawesi Tenggara
(Indonesia) dengan menggunakan citra Landsat yang baru dan citra diwaktu lampau.
Menggabungkan data tutupan lahan yang berasal dari citra satelit dengan data elevasi untuk
pemodelan hidrologi kita dapat menyelidiki dampak tambang terhadap aliran air dalam
tangkapan air
105
Area yang terbakar biasanya muncul sangat baik dengan menggunakan kombinasi display
termasuk Landsat 8 band 10. Band 10 adalah band pendeteksi panas thermal. Karena
daerah yang terbakar sering berwarna hitam karena biomassa hangus menyerap dan
memancarkan banyak energi panas sehingga respon yang baik di Band 10. SAGA dapat
digunakan untuk memetakan daerah dengan cepat dan mudah dari citra Landsat
menggunakan proses Analisis Citra Berbasis Objek.
Data pada bagian ini disini: Australia Fire mapping - Landsat 8 Clipped (64mb)
SAGA bekerja melakukan analisis objek tergantung dengan RAM. Kumpulan data yang
sangat besar, seperti keseluruhan scene Landsat membutuhkan kapasitas RAM yang tinggi
dalam pemrosesan. Metode yang ditunjukkan disini memungkinkan dilakukannya penilaian
area dengan cepat untuk daerah yang lebih kecil untuk pemetaan kejadian kebakaran atau
daerah pengelolaan tertentu.
106
tampilkan grid band 10 pada tab map.lalu
buat tipe RGB Composite, >Blue untuk
Band 4, and >Green untuk Band 5; pilih
apply.
Gunakan: Geoprocessing > Imagery > Segmentation > OBIA>Object Based Image
analysis
107
Pada kotak dialog:
1. Pilih semua grid yang telah dipotong (clip) sebelumnya.
2. ‘Band width for Seed Point Generation’: Untuk meningkatkan ukuran poligon dan
mengurangi jumlah poligon yang dihasilkan. Pada contoh ini kita telah meningkatkan
nilai band width menjadi 8 dari nilai default 3 untuk mengurangi jumlah poligon yang
dihasilkan.
3. Pilih unsupervised classification pada post-processing method.
4. Pilih number of different classes for the polygons.
5. Hapus centang ‘Split Clusters’. Ini akan memungkinkan kita untuk dengan cepat
memilih semua poligon saat memilih kelas yang sama.
108
Sekarang anda hanya memiliki shape file yang baru
seperti yang ditunjukkan pada gambar di samping.
Setelah selesai menghapus polygon yang tidak termasuk area yang terbakar lakukan
“Merge Selection.” Ini akan membuat seluruh polygon tergabung dalam kelas yang sama
dalam satu poligon:
109
Anda sekarang dapat menghitung area yang dibakar dengan cara yang sama seperti yang
kita lakukan untuk contoh Sentinel sebelumnya di bagian 8.1
110
10.2 Pemetaan Perubahan Tutupan Hutan dengan tehnik Image Differencing
Tahap ini menggunakan data Landsat untuk wilayah Sulawesi tahun 1996 dan2015. Anda
dapat mendownloadnya disini (219mb). Hanya 3 band data landsat yang disediakan untuk
mengurangi kapasitas download
1. Konversi citra Landsat 8 dari 16bit menjadi 8bit sehingga data sama dengan citra
Landsat 5
2. Substraksi citra tahun 1996 dari citra 2015 menggunakan Grid Calculator.
3. lakukan unsupervised classification on the differenced bands.
4. Klasifikasi ulang aggregate kelas perubahan tutupan hutan
5. Konversi grid Perubahan tutupan hutan ke bentuk polygons.
6. Edit polygon perubahan tutupan dengan cara menghapus area yang salah
diklasifikasi dan selanjutnya hitung luas area
Catatan : Langkah ini sama dengan langkah menampilkan data Landsat yang telah
dibahas pada bagian sebelumnya (bagian 6.4.)
Load data Landsat untuk wilayah Sulawesi Tenggara. Buka data Landsat 8 (2015).
111
Sekarang kita perlu memotong (clip) data landsat ke dareah yang ingin di petakan. Untuk
contoh ini kita memotong citra pada area kotak yang berwarna merah pada gambar di
bawah. Area tersebut merupakan area yang secara signifikan mengalami perubahan
tutupan hutan. Zoom ke Area Of Interest (AOI).
112
Tampilkan kedua citra dari tahun yang berbeda tersebut. Gunakan RGB composite untuk
melihat perubahan tutupan hutan.
Karena kita bekerja diantara Landsat 5 danLandsat 8 kita perlu mengkonversi citra Landsat
yang tersimpan dalam data 32 bit karena citra lainnya tersimpan dalam format 8bit . Untuk
melakukan konversi ikuti langkah berikut
Untuk setiap citra tahun 2015 (Landsat 8) gunakan formula g1/256. Beri nama hasil
konversi yang mudah dipahami. Pada latihan ini kita beri nama 8bit band 7.
113
Setelah anda mengubah semua band (seperti
gambar di samping), kita dapat melaukan substraksi
pada klasifikasi dengan tehnik image difference
pada tahap selanjutnya.
Perlu dicatat bahwa setiap citra berada dalam Grid System yang sama untuk dapat
melakukan klasifikasi dengan tehnik image differencing. Contoh yang ditunjukkan di sini
didasarkan pada penggunaan citra yang sudah terpotong ke area yang sama dengan grid
sistem seperti yang ditunjukkan pada contoh perubahan tutupan lahan sebelumnya.
Image Difference
Kita akan substraksi data landsat (8bit) tahun 2015 dari citra tahun 1996. Karena
perbedaan satelit landsat memiliki perbedaan nomor band karena pada band yang memiliki
nilai spectral yang sama tetapi memiliki nomor band yang berbed. Sebagai contoh:
8bit band 3 = band 2 Landsat 1996
8bit band 7 = band 7 Landsat 1996
8bit band 6 = band 5 Landsat 1996
Gunakan formula (g1 – g2) + 128 seperti yang ditunjukkan gambar di bawah.
114
Sekarang tampilkan difference image ke dalam RGB composite: Diff and 7 = red, diff band 6
= green and diff band 3 = blue.
Tampilkan difference image di atas citra asli untuk mengetahui arti perbedaan warna
difference image. Dalam hal ini kita melihat gambar yang serupa dengan yang ditunjukkan di
bawah di mana daerah yang lebih cerah adalah hutan dengan tutupan hutan yang
berkurang.
Cluster Analysis
Sekarang kita bias memulai unsupervised classification pada grid image difference untuk
menentukan perubahan yang terjadi.
Gunakan :Geoprocessing > Imagery > Classification > Unsupervised > K-Means
ClusteringAnalysis For Grids
115
Pada latihan ini, coba buat klasifikasi ke dalam 5
cluster. Gambar di samping merupakan hasil
klasifikasi kita
116
Reclassification
Now reclassify the grids so that bands 4-5, the forest cover change classes, become 1 and
all other classes become 0.
Sekarang klasifikasi ulang grid untuk band 4 dan 5, jadi perubahan kelas tutupan hutan
menjadi 1 dan yang lainnya adalah 0
Use: Geoprocessing>Grid>Values>Reclassify
Gunakan
metode“Simple
Table” operator ;
“min<=value <=max”
Buka the lookup table
117
Setelah menjalankan proses reklasifikasi sekarang kita bias melihat nilai histogram
118
Tampilkan poligon klasifikasi yang
dihasilkan di atas citra 1996 dan atur
tampilan poligon menjadi transparan.
Dengan menggunakan alat pointer, kita
bias secara manual mengedit klasifikasi
poligon untuk menghapus area yang
tidak termasuk dalam klasifikasi
perubahan tutupan hutan.
119
Untuk menggabungkan semua polygon, gunakan pointer (ikon panah hitam) untuk memilih
semua polygon, klik kanan dan pilih “Merge Selection”
Tampilkan table attribute sekali lagi. Sekarang kita hanya memiliki sebuah polygon saja.
Gunakan:Geoprocessing>Shapes>
Polygons>Polygon Properties.
pilih cluster reklasifikasi sebagai
input polygon ceklis pilihan Area.
Sekarang kita bisa melihat luasan area pada layer polygon pada table atribut.
120
10.3 Menampilkan Aliran Sedimen dari Survey Lapangan Pertambangan Skala Kecil di
Timor Barat
Kita akan memulai tutorial ini dengan menggunakan data dari Timor
Barat di Indonesia. Data dan aplikasi akan menunjukkan dampak
penambangan mangan skala kecil (artisanal) pada satu daerah
tangkapan air (DAS)
(https://asm4d.wordpress.com/).
Contoh aplikasi penerapan SAGA yang dijelaskan di sini membayangkan bahwa data titik
lokasi lokasi penambangan telah dikumpulkan di lapangan dengan menggunakan GPS dan
lokasi koordinat telah diinput ke excel. Data ini kemudian digunakan untuk melihat jalur
aliran sedimen potensial dari titik penambangan ini. Proses yang dijelaskan di sini melibatkan
langkah-langkah berikut
Load data CSV dengan cara dragging dan dropping ke dalam SAGA (seperti yang
ditunjukkan section 7.7).
Pilih layer table sebagai tabel yang akan dikonversi. Pilih sumbu x sebagai Easting (atau
Latitude) and sumbu Y sebagai values Northing (atau Longitude).
121
Intersecting Raster dan data point
Hal ini dimungkinkan untuk menambahkan nilai dari terrain analisis ke data titik
tambang kita dan memungkinkan kita untuk menggunakan parameter parameter
terrain analisis tersebut untuk analisis resiko. Untuk contoh ini, kita akan
menambahkan faktor Long Slope (LS) atau LS Factor sebagai nilai untuk ditambahkan
ke data poin kita Seperti yang dijelaskan pada bagian 9.2 . LS Factor adalah salah
satu ukuran utama potensial erosi. Kita akan menggunakan nilai faktor LS untuk
menentukan berat sedimen dari masing-masing titik. Gunakan basic terrain analysis
(Bagian 9.2) untuk membuat grid faktor LS. Setelah itu tambahkan nilai faktor LS ke
point data:
122
3.5 Visualisasi Aliran Sedimen
Sekarang kita akan menggunakan data point untuk memvisualisasikan aliran sedimen
pada DAS. Untuk melakukan ini pertama tama perlu merubah point data (shp.) ke grid data
Pilih Random Points sebagai grid input dengan nilai LS factor sebagai atributnya.
Anda akan mempunyai sebuah grid baru (random points (LS Factor)).
Pilih grid elevation menjadi grid sink filled (no sinks) dan weights masukkan grdi
randompoints LS factor grid.
123
Anda akan melihat hasil grid seperti gambar disamping :
124
10.4 Analisis Potensi Pencemaran Aliran Sungai Akibat Logam Berat berbasis Citra
Satelit di wilayah Pertambangan Skala Kecil di Sulawesi Tenggara
Untuk latihan ini, kita akan mengklasifikasi wilayah pertambangan skala kecil di Sulawesi
Tenggara dengan menggunakan teknik segmentasi berbasis objek (Object-Based Image
analysis). Kita akan menggunakan klasifikasi ini untuk melakukan analisis hidrologi tentang
potensial aliran logam berat melalui landscape dengan menggunakan alat pemodelan
hidrologi. Keempat langkah berikut akan digunakan dalam latihan ini:
Tahap ini menggunakan : Landsat data dari Sulawesi tahun 2015. (219mb)
Pada latihan ini kita akan membuat peta area pertambangan emas di Bombana
menggunakan citra pada 18 October 2015. Load band 3,6,7dan zoom ke area
pertambangan emas di bombana.
125
Gunakan: Geoprocessing > Imagery > Landsat Import With options
126
Sekarang gunakan kursor untuk membuat kotak pada area tambang yang akan di clip
127
Run Object Based Image Analysis (Segmentation)
Use: Geoprocessing > Imagery > Segmentation > OBIA>Object Based Image
analysis
Ubah fill style menjadi transparent pada tab setting sehingga anda bisa melihat poligon yang
berada pada area tambang
128
Sekarang gunakan
pointer untuk memilih
polygon yang termasuk
dalam area tambang.
Tekan tombol ctrl
kemudian mulailah
memilih polygon
Untuk membersihkan hasil klasifikasi kita perlu memisahkan kembali setiap poligon agar
dapat menghapus beberapa poligon yang
salah (bukan termasuk area tambang)
129
Tampilkan kembali ‘Selection parts’ dengan menggunakan
style Transparent sehingga memungkinkan kita melihat dan
menghapus poligon yang salah.
Setelah selesai membersihkan klasifikasi untuk area pertambangan, pilih semua poligon dan
klik kanan lalu pilih Merge Selection untuk menggabungkan semua poligon menjadi satu.
Lihat gambar di bawah
130
Ketika selesai, klik kanan pada
layer polygon pada tab data
periksa attribute data poligon
tersebut, isikan dengan angka 1.
Pastikan setiap cluster memiliki nilai yang sama (1) karena kita
akan menggunakan field ini sebagai nilai untuk mengukur aliran
sedimen.
Load data DEM Bombana. Kita akan menggunakan grid ini ketika kita mengkonversi
segment (area tambang) yang telah diklasifikasi menjadi data raster .
131
Tampilkan grid area tambang (data raster) diatas
data DEM Bombana seperti gambar di samping
Sebelum kita melakukan flow analysis kita perlu untuk membuat analsisi fill sinks. Ingat
untuk menghasilkan grid sink filled menggunakan elevation data;
132
Jalankan flow path tracing
Gunakan: Geoprocessing > Terrain analysis > Hydrology > Flow accumulation > Flow
tracing
[Sekarang coba mengganti metode untuk flow accumulation yang anda gunakan
untuk melihat perbedaan terhadap hasil analisisnya]
Coba tampilkan aliran sedimen ke dalam 3D seperti yang ditunjukkan gambar di bawah
133
11. Konsep Tingkat Lanjut
Trav
Tool Chains
Menjelaskan tools pada SAGA-GIS yang menyederhanakan dengan proses yang otomatis
beberapa langkah yang diperlukan untuk melakukan analisis waktu perjalanan berbasis data
raster. Alat ini juga memungkinkan tingkat interaktif dan adaptasi yang mendukung analisa
cepat beberapa skenario waktu tempuh dengan mengubah variabel secara kontinyu, seperti
kecepatan perjalanan dan juga menambahkan faktor lain seperti hambatan, jalan baru atau
penyediaan layanan.
Error Matrix
Error atau confusion Matrix adalah teknik untuk membandingkan perubahan di antara dua
kumpulan data raster (grid)
Atmospheric correction
Nilai reflektansi citra dapat dikonversi ke Top Of Atmosphere (TOA) (kombinasi antara
pantulan permukaan dan atmosfer) untuk mengurangi variabilitas antar scene dari tanggal
yang berbeda melalui normalisasi radiasi matahari.
134
11.1 Tool Chains
Tim SAGA telah menciptakan sejumlah Tools Chain yang dapat anda selidiki untuk
mendapatkan ide tentang bagaimana cara kerja tools tersebut. Anda akan menemukannya
di folder '\ modules\toolchains' dari instalasi SAGA Anda. Bagian berikut menjelaskan dua
Tol chains yang dikembangkan untuk membantu aplikasi analisis jarak dan biaya untuk
memodelkan waktu perjalanan ke layanan.
Anda dapat menemukan tutorial video singkat yang menunjukkan pembuatan tools chains
sederhana untuk memproses data ketinggian di https://sagatutorials.wordpress.com/tool-
chains/. Contohnya menghasilkan file poligon daerah tangkapan air dan grid risiko erosi
yang tinggi berdasarkan analisis Faktor LS.
135
11.2 Travel time analysis
Pemodelan Travel time untuk layanan telah menjadi alat umum untuk infrastruktur yang
membantu penyediaan layanan masyarakat yang lebih baik. Namun sebagian besar alat
pemodelan travel time yang tersedia saat ini adalah perangkat lunak GIS yang mahal dan
kompleks, yang membatasi aplikasi desentralisasi. Meningkatkan akurasi dan relevansi
analisis waktu perjalanan memerlukan aksesibilitas yang lebih besar, dan fleksibilitas, alat
pemodelan travel time untuk memfasilitasi penggabungan pengetahuan lokal dan eksplorasi
cepat beberapa skenario perjalanan. Tool yang dijelaskan di bagian ini dikembangkan untuk
mendukung alat pemodelan waktu kerja open source, mudah disesuaikan, interaktif,
memungkinkan akses dan partisipasi yang lebih besar dalam analisis akses layanan.
Bagian ini menjelaskan tool yang dikembangkan untuk perangkat lunak SAGA-GIS yang
mengotomatisasi dan menyederhanakan beberapa proses yang diperlukan untuk melakukan
analisis travel time berbasis data raster. Tool yang dideskripsikan telah dikembangkan
sebagai tool chains SAGA GIS. Seperti yang dijelaskan pada bagian sebelumnya, tool
chains menghubungkan beberapa proses SAGA ke dalam satu tool dengan menggunakan
kode skrip sederhana dengan xml. Dua tools yang dihasilkan adalah (1) untuk pembuatan
grid tutupan lahan dan (2) perhitungan waktu tempuh (travel time), yang kedua
membutuhkan hasil dari output yang pertama. Memisahkan dua tools memungkinkan
eksekusi yang lebih sederhana dan lebih cepat untuk menguji banyak skenario dengan tools
pembuatan Grid travel time tanpa harus menghitung ulang grid landcover setiap iterasi
analisis. Bagan alir langkah pemrosesan dan hubungan antara kedua rantai alat disajika di
akhir bagian ini.
Untuk tahap ini anda dapat mendownload data pada : Travel time analysis - Example-Data
(4.2mb)
Data yang disediakan untuk bagian ini mencakup grid vegetasi, grid elevasi, vektor jalan,
titik tujuan dan tabel reklasifikasi.
The Land Cover grid creation tool merupakan kombinasi vegetasi, jalan, dan data elevasi
yang berupa grid raster untuk tutupan lahan termasuk sungai dan alirannya. land cover grid
digunakan sebagai dasar perhitungan waktu tempuh (travel time) dengan masing-masing
jenis tutupan lahan dialokasikan dengan nilai kecepatan perjalanan yang potensial. Pada
contoh yang ditunjukkan di sini data vegetasi dan jalan telah diproses sebagai berikut:
Data vegetasi dihasilkan dari citra Landsat 8 dan diklasifikasi ke dalam 4 kelas;
hutan, semak belukar, padang rumput, tanah tandus. Data ini dihasilkan dari dengan
ukuran 50 meter grid dan menjadi dasar grid system untuk resampling grdi yang lain
Data jalan diperoleh sebagai data vektor dengan tiga kelas berdasarkan kualitas
infrastruktur; Jalan nasional kelas 1, kelas 2 jalan provinsi dan kelas 3.
Data elevasi berasal dari data SRTM dan digunakan untuk membuat data saluran air. Data
saluran air dibuat di dalam tool chains pembuatan grid land cover dalam bentuk layer raster
Strahler order. Strahler order adalah ukuran akumulasi aliran dalam lansekap dan dalam
perhitungan waktu tempuh digunakan untuk membuat model penghalang untuk melakukan
perjalanan berdasarkan skenario musiman yang berbeda.
136
Lima kelas Strahler diproduksi melalui analisis grid dengan kelas tertinggi yang
kemungkinan tidak dapat dilalui sepanjang tahun.
Untuk input pembuatan grid Land Cover grid dapat dilihat pada kotak dialog di bawah:
1. Timor_Barat_80m
(DEM)
2. Veg (Vegetation)
3. Jalan (roads), Pilih class
sebagai atribute
137
Ganti warna pada lookup table agar
lebih memudahkan untuk
menerjemahkan tutupan lahan seperti
contoh di samping
Pembuatan Travel Time Grid untuk menentukan waktu perjalanan ke lokasi tujuan dalam
hitungan menit dan data ini direklasifikasi sebagai zona waktu tempuh atau zona daerah
terpencil. Tool pembuatan Grid travel time memerlukan input grid land cover, titik tujuan
(data vektor), dan dua tabel reklasifikasi.
Data titik tujuan menggunakan data vektor. Data ini dapat diedit atau dipindahkan
atau bahkan menambahkan titik baru setelah semua proses dijalankan untuk melihat
scenario perubahan yang terjadi.
Tabel reklasifikasi pertama (lihat table 1) merupakan nilai kecepatan perjalanan
travel speed untuk setiap kelas tutupan lahan yang dihitung dalam satuan detik
.Untuk melakukan perjalanan melintasi satu sel grid menggunakan rumus [Km/h x
180] dimana 180 detik waktu yang diperlukan untuk berjalan 50 meters dalam 1
km/h.Untuk kelas aliran air (8-12) yaitu sangat tinggi (>99999) diberikan untuk kelas
yang tidak bisa dilewati (penghalang) karena terjadi banjir. Nilai travel time dapat
diubah setelah setiap putaran model menghasilkan skenario output baru
berdasarkan kondisi perjalanan yang berbeda
Tabel kedua merupakan look up table (LUT) yang berfungsi mewarnai ulang output
grid ke dalam travel zones. ( table 2). Ini adalah opsional.
138
Table 1.
ID Cover Class km/h Travel Time (Sec)
1 Forest 1 180
2 Grass 2 90
3 Bare, Rocky 3 60
4 Scrub 0.75 240
101 Stream Class 1 2 90
102 Stream Class 2 2 90
103 Stream Class 3 2 90
104 Stream Class 4 2 90
105 Stream Class 5 0 99999
201 National Road/Hi-way 50 3
202 Provincial Road 25 7
203 Local Road/Track 10 18
Table 2.
139
Output satu adalah gambar skenarion travel time yang menunjukkan jarak ke titik tujuan
dalam hitungan menit.Output dua adalah grid waktu tempuh yang direklasifikasi ke dalam
travel time zone dengan menggunakan tabel 2.
Interactive modelling
Skenario waktu tempuh alternatif dapat dengan cepat dimodelkan dengan tiga cara: (1)
mengubah lokasi dan jumlah titik tujuan, (2) mengubah tabel kecepatan perjalanan dan (3)
mengedit grid land cover
Untuk mengedit lokasi dan jumlah titik tujuan, pilih layer data
titik pada tab data lalu gunakan alat pointer untuk memilih titik di
tab peta, klik kanan dan pilih Edit Selected Point. Anda
sekarang dapat memindahkan atau menghapus titik ini. Untuk
menambahkan titik, dengan layer data titik pada tab data yang
dipilih, klik kanan pada peta dan pilih "Add Shape" lalu pilih lokasi pada peta di mana anda
ingin menambahkan titik baru dan tekan enter.
Untuk mengubah nilai travel speed klik kanan pada tabel travel speed di tab data untuk
membuka tabel lalu ubah nilai pada kolom travel time. Misalnya, anda mungkin ingin
membuat semua nilai waktu perjalanan untuk kelas aliran air yang sangat tinggi untuk
dijadikan model perjalanan setelah kejadian curah hujan yang tinggi membuat semua
saluran arus tidak dapat dilalui untuk mensimulasikan seseorang yang akan dibawa ke
akses pelayanan kesehatan.
Hal ini juga memungkinkan untuk langsung mengedit grid land cover, misalnya, mengurangi
kecepatan perjalanan di bagian jalan yang diketahui rusak atau menambah jalan dan jalur
baru yang diketahui ada oleh seorang perencana namun tidak ditangkap oleh data jalan
yang digunakan. Analisis awal untuk mengubah grid Land Cover gunakan "Change Values
Interactive:
Gunakan:
Geoprocessing>Grid>Values>Change
Values Interactive
140
menjadi 11 sehingga kita dapat membuat jalan lokal baru. Jika menambahkan penghalang
untuk melakukan perjalanan, misalnya daerah banjir, perhatikan saat menggambar di grid
perjalanan gerakkan kursor perlahan untuk melukis garis bersebelahan.
141
142
11.2 Error matrix
Error matriks atau confussion matrix adalah teknik untuk membandingkan perubahan pada
dua data raster (grid). Agar menghasilkan confussion matrix kelas grid harus didefinisikan
oleh lookup table dan nilai kelas grid untuk setiap tahun pada gambar harus sama. Kita akan
menggunakan klasifikasi grid dari tahun 1996 dan 2015 untuk membuat confusion matrix.
Kita juga membutuhkan input look-up table untuk menentukan nama kelas. Buka lookup
tabel dan input warna pada tab pengaturan dan simpan tabel ke Workspace seperti gambar
di bawah ini.
Gambar baru akan muncul di tab data. Gambar di bawah ini adalah contoh seperti apa
gambar ini terlihat dengan setiap warna yang mewakili lintasan perubahan yang berbeda.
143
Misalnya pada gambar di bawah warna biru muda menunjukkan daerah dimana hutan
tertutup telah berubah menjadi padang rumput atau lainnya.
Ini juga memungkinkan untuk melihat histogram dan table untuk grid ini agar kita
mengetahui klasifikasi tutupan
Membuka tabel menunjukkan lintasan perubahan masing-masing jenis tutupan lahan dan
area perubahan.
144
Perhatikan nilai yang ditunjukkan di tabel ini adalah jumlah piksel dalam nilai kelas tersebut.
Untuk mengkonversi ke meter persegi dan kilometer persegi Anda perlu untuk:
1. Kalikan nilainya 900 - ini adalah angka m2 per 30 * 30 meter pixel.
2. Bagi dengan 1000000 untuk konversi ke km2
145
11.4 Atmospheric Correction
Masukkan band yang ingin dikoreksi dan akan secara otomatis menghasilkan band ter
koreksi. Buka Metadata txt file yang disimpan dalam folder Landsat yang telah didownload.
Pastikan telah menginput dengan benar Sensor Landsat yang akan dikoreksi.
146
12. Tolong11.5
Tolong! Penyelasaian masalah
Troubleshooting
Bagian ini akan membantu beberapa masalah umum yang diketahui dengan SAGA.
Pertanyaan lain harus ditujukan ke tim pengembangan SAGA melalui forum forge
sumber: https://sourceforge.net/p/saga-gis/discussion/
Saga Crash!
Jika Anda tidak dapat menemukan tools yang Anda cari atau
memiliki gagasan tentang proses yang ingin Anda lakukan dan
tidak yakin dimana letaknya dalam struktur menu SAGA:
147
Geoprocessing>Find and Run tool
Masukkan nama atau kata kunci yang
terkait dengan tools yang ingin Anda
temukan lalu pilih tools dari daftar yang
dihasilkan.
Biasanya, Anda memiliki dua tool bar di bawah menu atas seperti gambar di bawah ini.
Cara termudah untuk membuatnya muncul kembali adalah dengan hanya menarik bilah
toolbar yang ada keluar dari Area toolbar dan letakkan kembali ditempat semula.
148
149