Penggabungan data model tinggi dilakukan menggunakan dua metode, yaitu DEM integration dan DEM fusion. Konsep DEM integration dan DEM fusion mengacu kepada konsep yang dikembangkan penelitian sebelumnya (Hoja dan d’Angelo, 2010):(Hoja dkk, 2006). Beberapa modifikasi dilakukan seperti: koreksi kesalahan tinggi, pembuatan Height Error Maps, penambahan bobot, metode deteksi dan penghilangan kesalahan (pembuatan void), serta metode interpolasi CoKriging yang dilakukan.
I.8.7.1. Metode Integrasi Model Tinggi (DEM Integration)
Filosofi integrasi model tinggi ini adalah mendapatkan model tinggi berdasarkan integrasi menggunakan berbagai keunggulan dari setiap model tinggi berdasarkan karakteristik berupa penetrasi ke obyek, resolusi spasial, dan minimal kesalahan tinggi di dataran rendah maupun dataran tinggi.
Integrasi model tinggi bertujuan untuk mendapatkan model tinggi yang memiliki akurasi vertikal lebih baik dan minimal kesalahan vertikal. Integrasi ini menggunakan keunggulan dari masing-masing karakteristik model tinggi yang digunakan dalam integrasi. Model tinggi X SAR, SRTM, Aster GDEM, dan ALOS Palsar merupakan salah satu alternatif dalam integrasi model tinggi. Resolusi spasial yang digunakan dalam integrasi ini adalah ALOS Palsar sebesar 6,25 m. Kemudian DSM yang digunakan adalah X SAR, sedangkan DEM yang digunakan adalah ALOS Palsar.
Wilayah dataran rendah menggunakan Aster GDEM. Wilayah dataran tinggi menggunakan SRTM, atau X SAR. Data Aster GDEM memiliki kelemahan pada dataran tinggi sehingga perlu dilakukan penggunaan filter high pass. Data SAR memiliki kelemahan pada dataran rendah sehingga diperlukan penggunaan filter low pass. Secara keseluruhan, data SAR tetap memiliki keunggulan dibandingkan dengan data optik.
34
Karakteristik SRTM C, X SAR, dan ALOS Palsar ini bisa dilihat berdasarkan panjang gelombang dan penetrasi ke obyek vegetasi. Penjelasan tentang panjang gelombang SAR ini bisa dilihat di bagian I.8.3, khususnya di bagian I.8.3.4. Prosedur pelaksanaan penggabungan model tinggi disesuaikan dengan kondisi DSM/DEM/DTM yang digunakan.
Pada metode integrasi ini, cara meminimalisir kesalahan tinggi bisa dilakukan dengan beberapa cara. Salah satu model tinggi (misal model tinggi 1) dilakukan ekstraksi nilai tinggi secara acak dan merata. Cara ekstraksi tinggi ini bisa dengan pembuatan kontur atau kontur diambah dengan titik tinggi dengan sebaran tertentu. Setelah itu baru dibuat model tinggi baru dari hasil kontur dan titik tinggi. Model tinggi baru tersebut juga akan menghasilkan HEM.
Gambar I. 24. Metode integrasi model tinggi
Kemudian HEM tersebut digunakan untuk meminimalisir kesalahan tinggi yang terjadi pada model tinggi 1. Model tinggi 1 telah dilakukan minimalisir kesalahan tinggi. Kemudian baru dilakukan pembuatan HEM pada model tinggi yang lain (misal model tinggi 2). Pembuatan HEM ini bisa dilakukan dengan cara pendeteksian anomali tinggi terhadap minimal delapan tetangga sekitarnya. Setelah diketahui nilai anomali tinggi baru dilakukan pemmbuatan HEM. Setelah
Model tinggi 1 Contouring HEM Minimalisir kesalahan tinggi Pengisian void Model tinggi 2
Ekstraksi titik tinggi
Interpolasi CoKriging Integrasi model tinggi
Minimalisir kesalahan tinggi
35
itu model tinggi 2 dilakukan koreksi kesalahan tinggi terhadap HEM tersebut. Diagram alir metode integrasi model tinggi, lihat gambar I.24.
Ekstraksi titik tinggi perlu dilakukan jika model tinggi 2 telah selesai dilakukan minimalisir kesalahan. Nilai ekstraksi titik tinggi ini digunakan untuk pengisian void pada model tinggi 1. Void isi bisa diketahui dari sebaran model tinggi 1 yang tidak memenuhi toleransi vertikal tertentu, misal 2σ. Selanjutnya dilakukan proses intepolasi CoKriging sehingga menghasilkan DSM/DEM/DTM gabungan. Metode intepolasi yang dilakukan adalah metode Kriging dengan semivariogram (linear+spherical) dan normalisasi dengan model linear.
Pada integrasi model tinggi perlu dilakukan perbedaan ekstraksi antara dua model tinggi. Hal ini bertujuan untuk memaksimalkan potensi pengecekan kesalahan tinggi yang terjadi pada dua model tinggi. Jika cara pengecekan kesalahan tinggi berbeda, maka kemungkinan berbagai macam pola kesalahan tinggi akan terdeteksi bervariasi. Keuntungan lain yang diperoleh dari hal ini adalah integrasi yang optimal masing-masing model tinggi pada waktu pengisian void. Hal ini akan berimbas pada akurasi vertikal yang lebih baik dan minimal kesalahan tinggi.
I.8.7.2. Metode Fusi Model Tinggi (DEM Fusion )
Prosedur DEM fusion mengacu kepada metode yang dikembangkan oleh (Hoja dkk, 2006). Walaupun terdapat perbedaan dalam pembuatan Height Error Map. Penggabungan DSM/DEM/DTM dilakukan dengan menurunkan Height Error Map berbasis standar deviasi dari ke dua DSM/DEM/DTM yang ingin digabung (misal DEM 1 dan DEM 2), selanjutnya dilakukan penggabungan dengan mempertimbangkan besar kesalahan setiap piksel (tingkat akurasi setiap piksel) dari kedua DEM. Penggabungan dilakukan dengan menggunakan model pembobotan.
………..……….. (I.22)
Dimana,
36
hi : Tinggi DEM (1,2)
ai : Tingkat akurasi DEM, kesalahan DEM (1,2)
Gambar I. 25. Metode fusi model tinggi
I.8.7.3. Verifikasi Hasil Penggabungan Data Model Tinggi Verifikasi dilakukan dengan 3 metode yaitu:
1. Perbandingan Height Error Map sebelum dan sesudah dilakukan penggabungan. Penggabungan dinilai berhasil bila besarnya kesalahan model tinggi yang dihasilkan berkurang dibandingkan nilai kesalahan model tinggi sebelumnya. Perhitungan Height Error Map menggunakan formula yang digunakan DLR (Knopfle dkk, 1998) dan pernah diuji di data model tinggi wilayah Indonesia (Julzarika dan Sudarsono, 2009):(Julzarika, 2011b).
2. Perbandingan jumlah kesalahan tinggi sebelum dan sesudah dilakukan penggabungan. Kesalahan tinggi adalah kesalahan yang terjadi pada saat pembuatan model tinggi sehingga mengakibatkan adanya anomali tinggi pada suatu piksel terhadap nilai tinggi piksel-piksel lain yang terdapat disekitarnya. Anomali tinggi yang mengakibatkan piksel lebih tinggi dari
Model Tinggi 1 Model Tinggi 2
HEM HEM
Minimalisir kesalahan tinggi
Minimalisir kesalahan tinggi
Fusi model tinggi
Weighted Mean Height
37
piksel di sekelilingnya disebut spire, sedangkan anomali tinggi yang mengakibatkan piksel lebih rendah dari piksel di sekelilingnya disebut pit. Suatu piksel dinyatakan pit/spire bila memenuhi persyaratan sebagai berikut:
X X X
X C X
X X X
Gambar I. 26. Contoh piksel C dengan jendela 5 X 5 untuk deteksi pit dan spire
a. Nilai C harus lebih besar/kecil dibandingkan dengan seluruh piksel di dalam jendela
b. Nilai C harus lebih tinggi dibandingkan 8 piksel (piksel X), sebesar seting nilai pit/spire yang didefinisikan pada saat input proses. Metode deteksi kesalahan tinggi dengan deteksi pit dan spire dijelaskan dengan contoh pada piksel C dengan jendela 5X5 pada Gambar I.26. 3. Analisis kuantitatif perbaikan yang terjadi dilakukan dengan melakukan
pengujian tingkat akurasi dengan menggunakan data pengukuran lapangan menggunakan GNSS geodetik. Metode pengujian akurasi yang digunakan pada penelitian ini adalah perhitungan Root Mean Square Error (RMSE) dan akurasi (z) 95% antara model tinggi yang dihasilkan dengan model tinggi referensi. Metode ini juga merupakan metode yang digunakan dalam American National Map Accuracy Standard atau juga disebut dengan ASPRS accuracy standard for digital geospatial data. (ASPRS, 2014)