Pendahuluan. Metode Penelitian. Hasil Sementara. Rencana Selanjutnya

Metode Penelitian

Hasil Sementara

Bahaya alam (natural hazard) merupakan peristiwa yang mampu mengancam dan menghasilkan kerusakan lingkungan

Indonesia dipandang dari sudut geografis memiliki posisi yang unik dan strategis Ragam perbedaan di Indonesia karekteristik penduduk, cuaca, jenis bencana dan lain-lain

Badan Nasional Penanggulangan Bencana (BNPB) di Indonesia mencatat sebaran LATAR BELAKANG … (1)

Badan Nasional Penanggulangan Bencana (BNPB) di Indonesia mencatat sebaran kejadian bencana dan jumlah korban dari tahun 1815 – 2012

Kejadian bencana di Indonesia dengan frekuensi tertinggi

banjir, kebakaran, puting belitung, tanah longsor dan kekeringan

Jumlah korban jiwa semakin meningkat dari tahun ke tahun

Kegiatan pencegahan bencana untuk meminimalisir dampak terhadap jumlah korban jiwa dan kerugian lainnya

LATAR BELAKANG … (2)

Upaya tersebut diperlukan setiap daerah dalam perencanaan pencegahan dan pengurangan resiko mitigasi bencana

Pencapaian kebutuhan data kebencanaan dapat dilakukan dengan menggunakan dan memanfaatkan kemampuan teknologi

Jenis Data Penginderaan Jauh Optis dan Synthetic Aperture Radar (SAR)

OPTIS

SPOT 4 RADAR SAR

ALOS PALSAR

Gangguan Atmosferik dan Cuaca Awan, Asap, Kabut, dll Bebas Gangguan Atmosferik dan Cuaca Tembus Awan, Asap, Kabut, dll Beropesasi Siang LATAR BELAKANG … (3) Beropesasi Siang dan Malam

ALOS PALSAR Japan Aerospace Exploration Agency (JAXA) Diluncurkan

24 Januari 2006 Roket H-IIA

Terkait Permasalahan Atmosferik, Cuaca dan Gangguan Pada Citra Optis ALOS PALSAR Alternatif Pengganti Citra Satelit Optis

Lembaga Penerbangan dan Antariksa Nasional (LAPAN) salah satu lembaga resmi di Indonesia yang dapat menyediakan data penginderaan jauh.

Pusat Pemanfaaatan Penginderaan Jauh LAPAN mempunyai salah satu tupoksi untuk melakukan penelitian dan pengembangan untuk pemantauan lingkungan dan mitigasi bencana

LATAR BELAKANG … (4)

Kegiatan pemanfaatan data PALSAR untuk pengurangan dan resiko mitigasi bencana dapat mendukung renstra LAPAN

REVIEW

PENELITIAN

State of the art

LATAR BELAKANG … (5)

PENELITIAN

Penerapan &

Pengembangan

Metodologi

PERANAN

KAPASITAS

DAERAH

Permasalahan dan

Kondisi di Lapangan

PERUMUSAN MASALAH… (1)

Bencana banjir memiliki

porsi tertinggi 32%

frekuensi seluruh kejadian bencana di Indonesia

(BNPB 2012).

Kegiatan penguatan kapasitas daerah dalam pemanfaatan data PALSAR untuk pengurangan resiko dan mitigasi bencana lebih difokuskan pada permasalahan banjir

PERUMUSAN MASALAH… (2)

Kejadian Banjir

Kebutuan data Kebencanaan banjir

- Fase pada saat terjadi bencana banjir

Interpretasi visual

Mazian, et.al, 1989

Kelebihan Kelemahan

Akurasi yang cukup akurat dalam

menentukan batas air dan non-air secara visual

Memakan waktu relatif lama dalam hal proses pengerjaan, Interpretasi subjektif

Threshold

Townsend, P. A. & Walsh, S. J., 1998; Townsend, P. A., 2001; Brivio, P. A., et.al 2002

Cocok digunakan untuk pemetaan cepat (rappid mapping), perhitungan komputasi cepat

Threshold global tidak dapat mewakili kondisi lokal

Klasifikasi supervised Klasifikasi dapat

Metode efektif, efisien, ruang & waktu

Remote Sensing

Perkembangan metode remote sensing SAR untuk deteksi banjir

Rekomendasi dari beberapa penelitian

Klasifikasi supervised

Wang, Y., 2004

Klasifikasi dapat

dilakukan dengan cepat dengan perhitungan komputasi

Rentan terhadap

kesalahan akibat adanya kesamaan nilai obyek

Segmentasi

Benz, U., et.al. 2004; Ferreira dan Bioucas D, 2008

Perhitungan segmentasi dapat dilakukan dengan cepat menggunakan perhitungan komputasi

Kerapatan kelas diestimasi dengan pemilihan sampel secara manual Multi Temporal Change Detection Herrera-Cruz & Koudogbo, 2009; Martinis, S. et.al, 2009; Martinis, S. et.al, 2010 Menggunakan multi-temporal data dalam mendeteksi objek banjir, deteksi dampak banjir terlihat lebih jelas

Memerlukan pengolahan perhitungan matematik dan statistik yang panjang

PERUMUSAN MASALAH… (3)

Multi Temporal Change Detection didasarkan pada 2 data berbeda akusisi (pre-Banjir) dan (post-Banjir)

Change Detection Normalized Change Index (NCI)

Rasio positif antara selisih nilai backscatter pada saat post-banjir dan pre-banjir Dengan jumlah nilai backscatter pada saat post-banjir dan pre-banjir

(Martinis, S. et.al, 2010)

Normalized Change Index (NCI) Kelas Banjir dan Non Banjir Threshold Global Normalized Change Index (NCI) Kelas Banjir dan Non Banjir Threshold Global Threshold Global satu scene tidak mewakili kondisi lokal, sehingga terjadi

batas bias atau kurang jelas antar objek

Threshold Global Split Based Approach (SBA) Threshold lokal Threshold lokal Threshold Global Kelas Banjir dan Non Banjir

Split Based Approach (SBA) Pendekatan metode pembagian scene citra Menjadi beberapa bagian / split-image untuk menentukan nilai threshold lokal pengganti threshold global (Martinis, S. et.al, 2009)

Tujuan

1. Mengkaji

status

penelitian

(state

of

the

art)

pemanfaatan

data

penginderaan jauh SAR untuk deteksi banjir

2. Penerapan dan pengembangan model pemanfaatan data penginderaan

jauh SAR untuk deteksi banjir dengan melihat status penelitian yang

telah dikaji

3. Meningkatkan kemampuan kapasitas daerah dalam pemanfaatan data

SAR untuk pemetaan dampak bencana banjir

Sasaran

1. Tersedianya hasil kajian (dokumen) status penelitian

(state of the art)

pemanfaatan data SAR untuk deteksi banjir

2. Tersedianya penerapan dan pengembangan model pemanfaatan data

SAR untuk deteksi banjir dengan melihat status penelitian yang telah

dikaji

3. Tersedianya modul praktis dan bimbingan pengolahan data SAR untuk

pemetaan dampak bencana banjir

Lokasi Penelitian

Banjir yang terjadi di wilayah Karawang, Provinsi Jawa Barat pada 24

Maret 2010, merupakan banjir terparah sejak 10 tahun terakhir. Banjir

tersebut merendam sekitar 6.119 rumah di 7 wilayah kecamatan dan

mengakibatkan sekitar 5 ribu orang mengungsi

Data

SAR

ALOS PALSAR

Akusisi Data

09 Maret 2010

Pre-

Banjir

26 Maret 2010

Post-

Banjir

Diagram Alir Penelitian

Data SAR Scene X1-Pre Data SAR Scene X2-Post Pre-Processing Metodologi Change Detection Banjir Non Banjir

PENGOLAHAN DATA UNTUK MEMPERJELAS DETEKSI OBJEK BANJIR … (1) Adaptive Filter SAR

Menghilangkan Effect Speckle Noise

1. Frost (Frost, V.S., et.al., 1982) 2. Lee (Lee, J.S., et.al., 1980)

3. Kuan (Kuan, D.T., et.al., 1985) 4. Gamma (Lopes, A., et.al., 1993) 5. Gaussian (Martinis, S., 2010)

Texture Filter SAR

Menunjukkan Tekstur Suatu Objek

Soil Moisture

Menunjukkan Keterkaitan Banjir Vs. Kelembaban Tanah

1. Pendekatan Empiris Soil Moisture Normalized Backscatter Moisture Index (NMBI) (Engman, 1990; Kite & Pietroniro, 1996)

1. Tingkat Kehalusan Tekstur contrast, dissimilarity, inverse difference moment

2. Tingkat Keseragaman Tekstur entropy, max probability, angular second moment

3. Statistik Tekstur mean, variance, correlation

4. Pengelompokan piksel cluster shade, cluster prominence grey scale value mirip

PENGOLAHAN DATA UNTUK MEMPERJELAS DETEKSI OBJEK BANJIR … (2) Adaptive Filter SAR

Texture Filter SAR

Variable x= distribusi nilai piksel back-scattering data sebelum bencana SAR X_{1 pre}

Variable y= distribusi nilai piksel back-scattering data sesudah bencana SAR X_{2 post}

Analisis Statistik Covariance

(dB) 2.0 1.5 Pre Banjir Post Banjir Keterangan: Covariance’s (-) 0 (+)

Soil Moisture

Pendekatan Empiris

1. Pendekatan Empiris Soil Moisture Normalized Backscatter Moisture Index (NMBI) (Engman, 1990; Kite & Pietroniro, 1996) _{= Nilai Backscatering SAR scene X}

2 post = Nilai Backscatering SAR scene X_{1 pre}

Ws = Kelembaban empiris ardan br= Konstanta empiris

1.5 1.0 0.5 0.0 Filter / Texture A B C D E F Post Banjir Filter / Texture A Covariance’s = 0.84334 Filter / Texture B Covariance’s = 3.81169

CHANGE DETECTION NORMALIZED CHANGE INDEX (NCI)

= Nilai Backscatering SAR scene X_{2 post}

= Nilai Backscatering SAR scene X_{1 pre}

SAR scene X₁ Pre - Banjir SAR scene X₂ Post - Banjir 1 Pre - Banjir 2 Post - Banjir

Normalized Change Index (NCI)

Hasil Normalized Change Index (NCI)

Split Based Approach (SBA) Threshold lokal Banjir & Non Banjir

Threshold Global

Tidak mewakili kondisi lokal

Threshold lokal

Threshold Global Kelas Banjir & Non Banjir

P adalah baris dalam satu scene image P * Q Q adalah kolom dalam satu scene image P * Q

p adalah salah satu split bagian baris dari split-image X_C q adalah salah satu split bagian kolom dari split-image X_C X adalah sub-image X ke i dimana (i = 1,2,3,…, n)

Split image dilakukan dalam satu scene citra NCI dari perhitungan SAR scene X₁ dan X₂ dengan size P * Q

SPLIT BASED APPROACH (SBA) … (1)

X_Ci adalah sub-image X_C ke i dimana (i = 1,2,3,…, n)

Split-image X_Cidengan size p * q Hitung mean (µ_XCi),

standar deviasi (σ

XCi)

Sumber: Bazi, et.al., 2007

Nilai koefisien variasi (CV_XCi) = mean (µ_XCi) / standar deviasi (σ

XCi)

Nilai rasio scene (R_XCi) =

mean (µ_XCi) dari split-image / mean (µ_XC)

citra satu scene _{Koefisien variasi (CV}

XCi ) R as io s ce n e (R X C i )

Distribusi Variasi Data Dari Koefisien Variasi Terhadap Rasio Scene

Split-image X_ci

X Y

Koefisien variasi (CV_XCi ) R as io s ce n e (R X C i )

Distribusi Koefisien Variasi Terhadap Rasio Scene

Split-image X_ci X Y Pemilahan split-image (X_n‘) = X_n’ = {X_Ci | CV_XCi a1 ≤ _…≤ _a2 Λ _R XCi b1 ≤ _… ≤ _{b2, i = 1,2,3, …, N}}

SPLIT BASED APPROACH (SBA) … (2)

Koefisien variasi (CV_XCi )

Menghitung Jarak Euclidean terendah

dari selisih nilai (CV_XC) - (CV_XCi ) dan (R_XC) - (R_XCi) pada semua split-image

(X_n‘’) Pemilahan split-image (X_n‘’) = X_n’’ = { X₁’, X₂’, X₃’, … , X_n’ | ∆_{CV X} 1’ ≤ ∆_{CV X} 2’ ≤ … ≤ ∆CV Xn’, n ≤ N’’}

Threshold

Kelas Banjir dan Non Banjir

Penentuan threshold_{perhitungan data X} batas kelas NCI hasil

1 dan X2 digunakan

untuk mengkelaskan setiap nilai piksel kedalam beberapa kelas

Dalam penelitian ini kelas dibagi menjadi dua kelas, yaitu: Banjir atau (C-) dan Non Banjir atau (C+)

Hasil pengkelasan yang dilakukan tidak Hasil pengkelasan yang dilakukan tidak dapat secara langsung terbagi menjadi dua kelas yang diperlukan, karena terdapat

kelas bias (Unlabeled) atau (U)

Kelas bias merupakan rentang kelas dimana terdapat sebagian nilai piksel (C-/U)

dan (C+/U). T_U adalah batas antara (C-) dan (U) atau dapat disebut dengan (C-/U)

dan T_C adalah batas antara (C+) dan (U) atau dapat disebut dengan (C+/U)

Perhitungan threshold T = ? dilakukan berdasarkan pendekatan algoritma Kittler dan Illingworth (KI) prinsip kesalahan (error) minimum TKI

Algoritma KI (Kittler dan Illingworth, 1986)

Histogram dimodelkan secara statistik 2-D distribution normal kelas banjir dan non banjir

T

p(g|i), i = {1 if banjir, 2 if non banjir}

P2 = ? P1 = ? Prob. Mean Std. Dev

G

Banjir Non Banjir

p(g|1) p(g|2)

P2 = ? µ2 = ?

σ_{2 = ? a = 1 jika i = banjir, a = T+1 jika i = non banjir}

b = T jika i = banjir, b = G jika i = non banjir

P1 = ? µ1 = ? σ_{1 = ?} J(T) = 1 + 2 [P₁(T) log σ 1(T) + P2(T) log σ2(T)] – 2[P₁(T) log P₁(T) + P₂(T) log P₂(T)] TKI = argmin J(T)

Kelas Banjir & Non Banjir

Hasil yang diharapkan

Normalized Change Index (NCI) Soil Moisture

Nilai Threshold

Pengkelasan Banjir

Non Banjir Split Base Approach

1. State of the art

penelitian data SAR untuk deteksi banjir

2. Pemahaman konsep dan metodologi SAR untuk deteksi banjir

3. Penyusunan riset design penelitian untuk deteksi banjir

Hasil terkait pengumpulan dan pengolahan data

1.

Request

ketersediaan archive data di

Sentinal Asia System – JAXA

2. Diperoleh 4 scene data dan 2 scene data dalam proses pemesanan

3. Pengolahan data awal

(pre-processing)

Geo-Coding & Radiometric Calibration

Co-Registration Citra

KASIH

KASIH

TERIMA

TERIMA

KASIH

KASIH

TERIMA

TERIMA