Download to read offline
![Estimasi curah hujan menggunakan citra Landsat 8 di Provinsi DKI Jakarta
KESIMPULAN
Pendugaan curah hujan dapat diketahui
dengan permodelan regresi linear berganda
yang menggunakan variabel bebas dari nilai
suhu permukaan dan albedo rerata awan. Band
true color 4-3-2 pada Landsat-8 dapat
mengklasifikasikan awan dan bukan awan serta
menduga nilai albedo pada awan tersebut. Band
infrared termal 10 dan 11 pada Landsat-8 dapat
menduga nilai suhu permukaan awan tersebut.
Pendugaan curah hujan DKI Jakarta
menghasilkan sebaran awan yang tidak merata
pada wilayah DKI Jakarta dengan intensitas
curah hujan sebesar 3,59mm hingga 87mm
dengan rata-rata sebesar 33mm.
DAFTAR PUSTAKA
[BPS] Badan Pusat Statistik Provinsi DKI Jakarta.
DKI Jakarta dalam angka 2016. Jakarta (ID):
Badan Pusat Statistik.
Buana FI. 2012. Estimasi curah hujan menggunakan
citra modis di Sebagian Daerah Jawa Tengah.
Jurnal Bumi Indonesia. 2(3):81-91.
Danoedoro P. 1996. Pengolahan Citra Digital.
Yogyakarta : Fakultas Geografi Universitas
Gadjah Mada.
Kristanto Y, Agustin T, Muhammad FR. 2017.
Pendugaan karakteristik awan berdasarkan data
spektral citra satelit resolusi spasial menengah
Landsat 8 OLI/TIRS (Studi kasus: Provinsi
DKI Jakarta). Di dalam : Septiadi D et al.,
editor. Understanding Weather and Climate for
Sustainibility;2013 Mar 23; Jakarta, Indonesia.
Jakarta (ID): STMKG. Hlm 389-399.
Lillesand RW, Kiefer TM. 1997. Penginderaan Jauh
dan Interpretasi Citra. Yogyakarta(ID) :
Gadjah Mada University Press.
Murdiyarso D. 2003. Sepuluh Tahun Perjalanan
Negoisasi Konversi Perubahan Iklim. Jakarta
(ID) : Kompas Media Nusantara.
Nurfitriani L. 2012. Analisis kinerja fiskal dan
faktor-faktor yang mempengaruhi ketahanan
pangan di Provinsi Nusa Tenggara Timur
[skripsi]. Bogor(ID): Institut Pertanian Bogor.
Purwadhi SH. 2001. Intepretasi Citra Digital.
Jakarta (ID): Grasindo.
Sobrino JA, Kharraz E, Li ZL. 2003. Surface
temperature and water vapour retrieval from
Modis data. International Journal Remote
Sensing. 24 : 5161-5182.
Sudjana. 2005. Metode Statistika. Bandung (ID):
Tarsito.
Walpole. 1993. Pengantar Statistika Edisi ke-3.
Jakarta(ID): Gramedia Pustaka Umum.
Widodo. 1998. Pemanfaatan Data Satelit Cuaca
GMS untuk Estimasi Curah Hujan di
Kabupaten Bandung. Yogyakarta : Fakultas
Geografi Universitas Gadjah Mada.
Wiweka. 2014. Pola suhu permukaan dan udara
menggunakan citra satelit Landsat
multitemporal. Ecolab. 8(1): 1-52.](https://image.slidesharecdn.com/g24150012azmihafizharahmanlaporanprojek-180911204031/75/Estimasi-Curah-Hujan-menggunakan-Citra-Landsat-8-di-Provinsi-DKI-Jakarta-6-2048.jpg)
Estimasi Curah Hujan menggunakan Citra Landsat 8 di Provinsi DKI Jakarta
- 1. Laporan Project MK. MeteorologiSatelit ESTIMASI CURAH HUJAN MENGGUNAKAN CITRA LANDSAT 8 DI PROVINSI DKI JAKARTA Azmi Hafizha Rahman1* , Melda Hazrina2 , Idung Risdiyanto3 G241500121 , G241400232 123 Departemen Geofisika dan Meteorologi Gedung FMIPA, Jl. Meranti Wing 19 Lv. 4 Kampus IPB Dramaga Bogor 16680 * Email: azmihafizhr@gmail.com ABSTRAK Curah hujan merupakan salah satu bentuk presipitasi yang berupa titik-titik air. Pendugaan curah hujan sangat penting bagi masyarakat. Data curah hujan yang tersedia di Indonesia masih sulit dan terbatas sehingga metode penginderaan jauh dibutuhkan untuk memperoleh data curah hujan tersebut. Proyek ini menerapkan interpretasi digital serta permodelan regresi dalam menduga curah hujan pada wilayah DKI Jakarta. Data diperoleh dari citra satelit Landsat 8 OLI/TIRS. Data input yakni spectral radiance dari band true color 4-3-2 dan band infrared termal 10 dan 11. Interpretasi awan menggunakan band true color 4-3-2 untuk mengidentifikasi kelas awan dan kelas non awan melalui klasifikasi tak terbimbing (unsupervised) serta band true color tersebut digunakan untuk menduga nilai albedo pada awan. Band infrared digunakan untuk menduga nilai suhu permukaan awan. Setelah nilai suhu permukaan dan albedo didapatkan, dilakukan permodelan regresi untuk menduga nilai curah hujan yang turun pada awan-awan tersebut. Pendugaan curah hujan ini dapat dimanfaatkan dalam bidang hidrometeorologi seperti peringatan dini terhadap kemungkinan bencana hidrometeorologi, meteorologi pembangunan, dan dalam bidang pertanian. Kata kunci : albedo awan, estimasi curah hujan, klasifikasi tak terbimbing, suhu permukaan PENDAHULUAN 1.1 Tinjauan Pustaka Sistem iklim adalah sistem yang membentuk iklim dan terjadi proses dan saling mempengaruhi yang terdiri dari lima komponen utama, yaitu Atmosfer, Hidrosfer, Kriosfer, permukaan tanah (pedosfer), biosfer. Hujan merupakan salah satu bentuk presipitasi yang berupa titik-titik air. Salah satu data iklim yang diukur atau diamati dari peristiwa hujan adalah curah hujan. Model iklim adalah penyederhanaan suatu sistem iklim atau suatu peristiwa yang terjadi. Menurut Murdiyarso (2003), model iklim adalah suatu proses penyederhanaan parameter iklim yang bertujuan untuk menampilkan suatu informasi peristiwa iklim. Contohnya pada proyek ini, kita ingin menduga curah hujan menggunakan citra satelit, faktor-faktor yang kita masukkan olahan dari citra satelit tersebut, seperti suhu permukaan dan albedo awan. Model yang kita lakukan dalam proyek ini ialah model empiris yang menggunakan regresi sebagai analisisnya. Analisis regresi merupakan kajian terhadap hubungan variabel dengan variabel lainnya. Gujarati (2006) dalam Nurfitriani (2012) menambahkan bahwa variabel tersebut adalah variabel yang diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the explanatory). Analisis regresi dibagi menjadi 2 yaitu ; analisis regresi linear sederhana; jika variabel bebas (independent;predictor;x) hanya satu dan analisis regresi linear berganda; jika lebih dari satu (Sudjana 2005). Gujarati (1995) dalam Nurfitriani (2012) memberikan kriteria untuk model empiris yang baik, seperti bersifat sederhana, koheren dengan data, parameter yang diestimasi harus konstan (deterministik), memiliki adminisibilitas dengan data, dan mampu mengungguli model pesaingnya. 1.2 Tujuan Proyek ini bertujuan mengetahui nilai suhu permukaan dan albedo awan, serta menduga curah hujan pada wilayah DKI Jakarta.
- 2. Estimasi curah hujanmenggunakan citra Landsat 8 di Provinsi DKI Jakarta METODOLOGI PENELITIAN 2.1 Lokasi Kajian DKI Jakarta merupakan ibukota Negara Kesatuan Republik Indonesia (NKRI) yang berada pada path 122 dan row 64. Secara geografis, Provinsi DKI Jakarta terletak pada 5° 19' 12"- 6° 23' 54" LS dan 106° 22' 42"- 106° 58' 18" BT. Luas wilayah Provinsi DKI Jakarta, berdasarkan SK Gubernur Nomor 171 tahun 2007, adalah berupa daratan seluas 662,33 km2 dan berupa lautan seluas 6.977,5 km2 . Wilayah DKI memiliki tidak kurang dari 110 buah pulau yang tersebar di Kepulauan Seribu, dan sekitar 27 buah sungai/saluran/kanal yang digunakan sebagai sumber air minum, usaha perikanan dan usaha perkotaan (BPS Provinsi DKI Jakarta 2016). Wilayah kajian meliputi wilayah daratan Provinsi DKI Jakarta yakni Kota Jakarta Utara, Kota Jakarta Pusat, Kota Jakarta Barat, Kota Jakarta Timur, dan Kota Jakarta Selatan tanpa mengikut sertakan Kabupaten Kepulauan Seribu karena luasan Kepulauan Seribu yang terlalu kecil sehingga sulit untuk diintepretasikan ketika luasan awan lebih besar daripada luasan pulau tersebut. Lokasi kajian dipilih berdasarkan data penelitian BMKG dan Direktur Eksekutif Wahana Lingkungan Hidup Indonesia dalam penelitian Kristanto et al. (2017) menyatakan bahwa wilayah DKI Jakarta merupakan zona konvektif di pesisir barat daya Laut Jawa yang berpotensi sebagai tempat pertumbuhan awan. 2.2 Alat dan Bahan Alat yang digunakan dalam penelitian ini adalah seperangkat komputer yang telah terpasang Microsoft Office 2016, ArcGIS 10.3 dan ERDAS IMAGINE 2014. Bahan penelitian yang digunakan adalah data citra satelit Landsat-8 yang mewakili bulan basah tahun 2017 serta peta RBI Administrasi DKI Jakarta sebagai dasar membuat peta tematik. 2.3 Tahap penelitian Proyek penelitian ini dilakukan dengan tiga tahapan, yaitu input, analisis, dan output. Tahap input meliputi proses memasukkan data citra satelit Landsat-8 dan peta RBI DKI kedalam software ArcGIS. Tahap analisis meliputi empat tahapan yakni digital image processing, menghitung suhu kecerahan dan permukaan awan, menghitung albedo awan dan menduga curah hujan dengan nilai regresi antara suhu permukaan awan dan albedo awan. Tahap output adalah penyatuan data spasial dan layouting peta. 2.2.1 Digital Image Processing Digital Image Processing merupakan proses pengolahan gambar dengan berbagai macam fungsi seperti koreksi geometrik, koreksi radiometrik (Danoedoro 1996), penajaman gambar, pendeteksian objek pada gambar, masking dan lainnya (Kristanto et al. 2017). Koreksi geometrik dilakukan karena terjadi penyimpangan antara citra dengan objeknya. Menurut Wiweka (2014), koreksi ini mencangkup perujukan titik-titik tertentu pada citra ke titik-titik yang sama pada medan maupun peta. Danoedoro (1996) menambahkan bahwa koreksi ini menggunakan penerapan rumus polinomial dari sistem koordinat geografis ke koordinat citra, yang ditentukan menggunakan titik kontrol tanah (ground control point) dengan bantuan perangkat lunak Erdas Imagine 2014. Koreksi radiometrik dilakukan untuk mengonversi nilai digital number menjadi nilai spectral radiance. Menurut Buana (2012) koreksi radiometrik diperlukan untuk memperbaiki kualitas citra dan juga memperbaiki nilai-nilai piksel yang tidak sesuai dengan nilai pantulan atau pancaran spektral obyek yang sebenarnya. Proses konversi ini menggunakan persamaan (Purwadhi 2001): 𝐿 𝜆 = 𝑀𝐿 × 𝑄𝑐𝑎𝑙 + 𝐴 𝐿 ................................ (1) Dimana : Lλ = nilai spectral radiance puncak atmosfer (Watts m-2 srad-1 μm-1 ) .................................(1)
- 3. Estimasi curah hujanmenggunakan citra Landsat 8 di Provinsi DKI Jakarta ML = Band specific multiplicative rescaling factor from the metadata (RADIANCE_MULT_BAND_x) x:band number Qcal= Quantized and calibrated standard product pixel values (Digital Number) AL=Band specific add (RADIANCE_ADD_BAND_x) 2.2.2 Suhu kecerahan, suhu permukaan dan albedo awan Suhu kecerahan merupakan suhu radiasi gelombang elektromagnetik yang ditangkap oleh sensor termal. Suhu permukaan merupakan suhu terluar pada lapisan permukaan suatu obyek. Obyek dalam penelitian ini adalah awan. Suatu obyek mempunyai suhu permukaan yang berbeda- beda tergantung dari nilai emisivitas, kapasitas panas jenis dan konduktivitas termal dalam menyerap panas (Lillesand dan Kiefer 1997). Setelah mendapatkan nilai radiansi, nilai radiansi tersebut diolah untuk mendapatkan nilai suhu kecerahan obyek awan dengan persamaan (Sobrino et al. 2003): 𝑇𝑏 = 𝐾2 ln( 𝐾1 𝐿𝜆 +1) Dimana: Tb = suhu kecerahan obyek awan (K) Lλ = nilai spectral radiance puncak atmosfer (Watts m-2 srad-1 μm-1 ) K2 = konstanta konversi spesifik kanal termal 10 dan 11 landsat 8 (K2_CONSTANT_BAND_X) K1 = konstanta konversi spesifik kanal termal 10 dan 11 landsat 8 (K1_CONSTANT_BAND_X) Kemudian, setelah mendapatkan nilai Tb dilakukan pengolahan untuk mendapatkan nilai suhu permukaan obyek awan (Wiweka 2014): 𝑇𝑠 = Tb 1+(w∗( Tb 𝑝 )∗ln( 𝑒) Dimana: Ts = suhu permukaan obyek awan (K) Tb= suhu kecerahan obyek awan (K) w = panjang gelombang yang ditransmisikan (11,5 μm) p = hc/s (14380 K) h = Konstanta plank (6,26 x 10-34 Js) c = Kecepatan cahaya (2,998 x 108 S-1 ) s = Konstanta Stefan-Boltzman (1,38 x 10-23 JK- 1 ) e = emisivitas awan (0,988) sedangkan untuk persamaan albedo awan sebagai berikut (Wiweka 2014): α = π ∗ 𝐿𝜆 ∗ 𝑑² 𝜋 ∗ 𝑑2 ∗ 𝐿𝑚𝑎𝑥𝑖 𝑅𝑒𝑓𝑚𝑎𝑥𝑖 ∗ cos[(90 − SE) ∗ 2π 360) α = 𝐿𝜆 ∗ 𝑅𝑒𝑓𝑚𝑎𝑥𝑖 𝐿𝑚𝑎𝑥𝑖 ∗ cos[(90 − SE) ∗ 2π 360) Dimana : L𝜆 = nilai spectral radiance puncak atmosfer (Watts m-2 srad-1 μm-1 ) π = Phi (3,14) d = Jarak bumi dan matahari ( metadata : EARTH_SUN_DISTANCE) SE = Sudut elevasi matahari (Metadata: SUN_ELEVATION) Refmaxi = Reflectance maximum band 4, 3 dan 2 landsat 8 (Metadata : REFLECTANCE_MAXIMUM_B AND_x) Lmaxi = nilai radiance maximum band ke- 4,3, dan 2 2.2.3 Estimasi curah hujan Estimasi curah hujan dilakukan dengan menggunakan metode statistik regresi linear berganda. Metode ini membuat model sederhana curah hujan rata-rata harian (mm) dengan suhu permukaan (K) dan albedo awan. ...........................................(2) ................................(3) .................................................................... (4) ................................................................. (5)
- 4. Estimasi curah hujanmenggunakan citra Landsat 8 di Provinsi DKI Jakarta Gambar 1 diagram alir estimasi curah hujan menggunakan Landsat 8 Metode statistik regresi linear berganda dalam penelitian ini mengikuti penelitian Buana (2012) dimana diperoleh persamaan: 𝑌 = 𝑎0 + 𝑏1 𝑥1 + 𝑏2 𝑥2 + 𝜀 𝑌 = 0,0019763681091528 − 0,0840775804570027 ∗ 𝑥1 + 94,5323321935923 ∗ 𝑥2 Dimana : Y = curah hujan rerata harian (mm) a0 = konstanta atau intersep b1 dan b2 = koefisien regresi x1 = nilai suhu permukaan rerata (K) x2 = nilai albedo awan rerata ε = galat error Tingkat akurasi antara nilai curah hujan dugaan dengan curah hujan observasi yang dilakukan Buana (2012) di daerah penelitian Jawa Tengah antara 48% hingga 76% dengan rata-rata akurasi sebesar 67%. Hasil rata-rata tersebut cukup baik untuk dipakai dalam penelitian ini dikarenakan akurasinya diatas 60%. ......................(6) ....(7) Layouting peta estimasi curah hujan Membuat model builder, masukkan persamaan regresi ke dalam raster calculator Menghitung suhu kecerahan band 10 dan 11, dan rata-ratanya Menghitung suhu permukaan dari nilai rata- rata suhu kecerahan dan emisivitas Peta RBI DKI Jakarta Koreksi radiometrik Koreksi geometrik Koreksi spectral radiance Unsupervised classification dengan band 4-3-2 Layer awan Layer non awan Menghitung albedo awan Data Citra Landsat- 8
- 5. Estimasi curah hujanmenggunakan citra Landsat 8 di Provinsi DKI Jakarta HASIL DAN PEMBAHASAN Hasil yang didapatkan dari proyek ini berupa peta dan histogram estimasi curah hujan. Nilai estimasi curah hujan diperoleh mengguakan metode regresi linear berganda yang disajikan dalam peta berbentuk layer awan dan non awan. Gradasi warna yang terdapat di layer awan mengindikasikan besaran curah hujan yang terjadi. Semakin gelap warnanya maka semakin rendah curah hujannya, sebaliknya semakin terang warnanya maka semakin tinggi curah hujannya. Peta estimasi tersebut dapat digunakan untuk menggambarkan seberapa besar curah hujan pada wilayah yang terdapat awan-awan tersebut. Gambar 3 histogram estimasi curah hujan rerata 21 Januari 2017 wilayah DKI Jakarta Sebaran awan berpotensi hujan pada gambar 2 tidak merata pada wilayah DKI Jakarta. Sebaran awan tesebut paling banyak berada pada bagian Jakarta Pusat menuju ke utara dan Jakarta Utara bagian tengah. Hal ini seperti yang dijelaskan dalam penelitian Kristanto et al. (2017) bahwa wilayah DKI Jakarta merupakan zona konvektif di pesisir barat daya Laut Jawa yang berpotensi sebagai tempat pertumbuhan awan. Menurut BPS Provinsi DKI Jakarta (2016) curah hujan rerata harian tertinggi pada bulan Februari yaitu sebesar 639 mm dan terendah di bulan Juli 1 mm. Pendugaan curah hujan rerata harian (gambar 2 dan 3) pada tanggal 24 Januari 2017 sebesar 3,59 mm hingga 87mm dengan rata-rata 33 mm dan standar deviasinya sebesar 12,81. Gambar 3 menunjukan pola histogram yang menjulur ke kanan yang mana sebaran data banyak terdapat pada data yang lebih kecil dari nilai tengahnya (median) sehingga nilai rata- rata (mean) data akan lebih besar dibandingkan mediannya (Walpole 1993). Nilai suhu kecerahan awan rerata sebesar 144,704 K, sedangkan nilai suhu permukaan awan rerata sebesar 144,907K. Nilai albedo awan rerata sebesar 0,166808 hingga 0,8049. Histogram pada albedo awan menunjukkan pola yang cenderung menjulur ke kanan yang berarti data banyak terdapat pada data dengan albedo kecil. Hal ini seperti dijelaskan pada penelitian Buana (2012), Widodo (1998), dan Wiweka (2014) bahwa awan yang berwarna cerah memiliki albedo yang lebih besar daripada awan yang berwarna gelap. Pola histogram pada albedo awan sesuai dengan pola histogram pada pendugaan curah hujan yang mana curah hujan hujan dengan intensitas diatas 50 mm lebih sedikit sebarannya dibandingkan dengan curah hujan dengan intensitas dibawah 50 mm. Proyek ini memakai korelasi antara curah hujan suhu permukaan rerata awan dan albedo awan yang dilakukan oleh Buana (2012) yang menghasilkan korelasi diatas 60%. Gambar 2 peta estimasi curah hujan rerata 21 Januari 2017 wilayah DKI Jakarta
- 6. Estimasi curah hujanmenggunakan citra Landsat 8 di Provinsi DKI Jakarta KESIMPULAN Pendugaan curah hujan dapat diketahui dengan permodelan regresi linear berganda yang menggunakan variabel bebas dari nilai suhu permukaan dan albedo rerata awan. Band true color 4-3-2 pada Landsat-8 dapat mengklasifikasikan awan dan bukan awan serta menduga nilai albedo pada awan tersebut. Band infrared termal 10 dan 11 pada Landsat-8 dapat menduga nilai suhu permukaan awan tersebut. Pendugaan curah hujan DKI Jakarta menghasilkan sebaran awan yang tidak merata pada wilayah DKI Jakarta dengan intensitas curah hujan sebesar 3,59mm hingga 87mm dengan rata-rata sebesar 33mm. DAFTAR PUSTAKA [BPS] Badan Pusat Statistik Provinsi DKI Jakarta. DKI Jakarta dalam angka 2016. Jakarta (ID): Badan Pusat Statistik. Buana FI. 2012. Estimasi curah hujan menggunakan citra modis di Sebagian Daerah Jawa Tengah. Jurnal Bumi Indonesia. 2(3):81-91. Danoedoro P. 1996. Pengolahan Citra Digital. Yogyakarta : Fakultas Geografi Universitas Gadjah Mada. Kristanto Y, Agustin T, Muhammad FR. 2017. Pendugaan karakteristik awan berdasarkan data spektral citra satelit resolusi spasial menengah Landsat 8 OLI/TIRS (Studi kasus: Provinsi DKI Jakarta). Di dalam : Septiadi D et al., editor. Understanding Weather and Climate for Sustainibility;2013 Mar 23; Jakarta, Indonesia. Jakarta (ID): STMKG. Hlm 389-399. Lillesand RW, Kiefer TM. 1997. Penginderaan Jauh dan Interpretasi Citra. Yogyakarta(ID) : Gadjah Mada University Press. Murdiyarso D. 2003. Sepuluh Tahun Perjalanan Negoisasi Konversi Perubahan Iklim. Jakarta (ID) : Kompas Media Nusantara. Nurfitriani L. 2012. Analisis kinerja fiskal dan faktor-faktor yang mempengaruhi ketahanan pangan di Provinsi Nusa Tenggara Timur [skripsi]. Bogor(ID): Institut Pertanian Bogor. Purwadhi SH. 2001. Intepretasi Citra Digital. Jakarta (ID): Grasindo. Sobrino JA, Kharraz E, Li ZL. 2003. Surface temperature and water vapour retrieval from Modis data. International Journal Remote Sensing. 24 : 5161-5182. Sudjana. 2005. Metode Statistika. Bandung (ID): Tarsito. Walpole. 1993. Pengantar Statistika Edisi ke-3. Jakarta(ID): Gramedia Pustaka Umum. Widodo. 1998. Pemanfaatan Data Satelit Cuaca GMS untuk Estimasi Curah Hujan di Kabupaten Bandung. Yogyakarta : Fakultas Geografi Universitas Gadjah Mada. Wiweka. 2014. Pola suhu permukaan dan udara menggunakan citra satelit Landsat multitemporal. Ecolab. 8(1): 1-52.