Analisis Citra Satelit dan

Terrain Modelling

Buku Panduan Geospatial Gratis untuk Pengelolaan

Sumberdaya Alam, Risiko Bencana dan
Perencanaan Pembangunan

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.

Cetakan kedua Juni 2017

ISBN:

Copyright notice:

Charles Darwin University, Universitas Nusa Cendana dan Universitas Halu Oleo

This work is licensed under a Creative Commons Attribution-

NonCommercial-ShareAlike 4.0 International License.

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:

Rohan Fisher Research Institute for Environment and Livelihoods

Charles Darwin University.Email: rohan.fisher@cdu.edu.au

Sarah Hobgen Research Institute for Environment and Livelihoods

Charles Darwin University, Australia. Email: sarah.hobgen@cdu.edu.au

Iradaf Mandaya Lembaga Pengembangan Masyarakat Pesisir dan Pedalaman. Email:

iradaf.mandaya@yahoo.co.id

Norman Riwu Kaho Fakultas Pertanian, Universitas Nusa Cendana, Nusa Tenggara
Timur, Indonesia. Email:riwukahonorman@gmail.com

Zulkarnain Fakultas Kehutanan, Unviersitas Halu Oleo, Sulawesi Tenggara, Indonesia.

Email:zulkarnain.uho@gmail.com

Facebook Group - Remote Sensing & GIS with SAGA

https://www.facebook.com/groups/208599582556485/

Website (Bahasa Indonesia): https://sagagisindonesia.wordpress.com/

Website (English): http://sagatutorials.wordpress.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, NGOs 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.

Professor Simon Maddocks

Vice-Chancellor
Charles Darwin University,
Darwin

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.

Prof. Dr. Ir. H. Usman Rianse, MSi.

Rektor
Universitas Haluoleo, Kendari

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.

Prof. Ir. Fredrik L. Benu, MSi, Ph.D.

Rektor
Universitas Nusa Cendana, Kupang

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.

Conrad, O. et al., (2015). System for Automated Geoscientific Analyses (SAGA) v.

2.1.4.Geoscientific Model Development, 8, pp.19912007.

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.

Bekerja dengan Landsat/Sentinel 2 Data: Satelit Landsat menyediakan data

yang sangat penting dari foto bumi dimana data terekam dalam kurun waktu yang
cukup lama. Landsat merupakan tool utama untuk ilmu pengetahuan,
pemerintahan dan LSM untuk melakukan monitoring sumber daya alam
dipermukaan bumi karena menyediakan citra yang berkualitas tinggi yang sangat
mudah diakses dan gratis. Sebagai tambahan, Sentinel 2 merupakan satelit baru yang
diluncurkan oleh European Space Agency (ESA), sama seperti Landsat tetapi satelit ini
menyediakan citra yang beresolusi lebih tinggi. Menggunakan data ini untuk belajar
bagaimana dengan cepat dan mudah mengimport serta peta tutupan lahan dan juga
perubahan tutupan lahan menggunakan tehnik remote sensing yang canggih.

Applications: Tahap ini akan menampilkan beberapa contoh aplikasi

penggunaan SAGA dari apa yang sebelumnya kita pelajari pada tahap
sebelumnya. Tahap ini terdiri dari 3 lingkup aplikasi

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

Channel video youtube bernama Tutorial SAGA GIS menyediakan

video yang berkaitan dengan buku ini.

12
1.2 Apa itu SAGA?

SAGA merupakan singkatan dari System for Automated Geoscientific

Analysis. SAGA GIS dikembankan oleh sekelompok kecil pengembang
utama yang berasal dari Jerman. Sebagian besar pengembangan SAGA
saat ini maupun yang lampau datang dari tim yang dipimpin oleh J. Bhner
dan O. Conrad, dimana keduanya saat ini bekerja pada Institute of
Geography, Physical Geography, Klimacampus dan University of Hamburg, Jerman dan
telah bersama dalam pengembangan SAGA sejak awal mula SAGA diciptakan.

Ide pengembangan SAGA telah ada sejak akhir tahun 1990-an selama pekerjaan dalam
beberapa proyek penelitian di Dept. for Physical Geography, Gttingen. 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.

SAGA Versi berapa yang akan digunakan?

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.

Dukungan terhadap pengguna SAGA

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/).

Beberapa sumber referensi latihan SAGA termasuk:

http://marinedataliteracy.org/margis.htm
https://rohanfisher.wordpress.com/saga-gis-tutorials/
https://iradafmandaya.wordpress.com/
https://sourceforge.net/p/saga-gis/wiki/Tutorials/

1.3 Download dan Install SAGA

Jika Anda tidak memiliki DVD yang menyertai panduan pelatihan ini, Anda perlu
mendownload SAGA. Download SAGA pada:
https://sourceforge.net/projects/saga-gis/files/.

Sebaiknya Anda mendownload versi terbaru dalam format zip yang

sesuai untuk komputer Anda (misalnya 32bit atau 63 bit).
Hal ini kemudian sederhana unzip file ini dan menemukan file
saga_gui.exe. Anda bisa klik dua kali pada file ini untuk
menjalankannya secara langsung. Bisa juga bagus untuk klik kanan
pada file ini dan 'send to desktop' sehingga anda memiliki jalan pintas
disana anda dapat dengan mudah mengaksesnya kapan saja.

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:

* Data Import & Export

* Cartographic Projections & Georeferencing
* Raster & Vector Data Tools
* Image Processing
* Terrain Analysis
* Geostatistics

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

Multi layer data dari sistem grid yang berbeda dapat

ditampilkan dalam suatu layer peta :

Layer-layer peta dapat di nonaktifkan dengan klik kanan

pada suatu layer peta dan hilangkan tanda ?
pada show layer atau secara mudah dengan memilih layer
dan tekan enter. Untuk melakukan pilihan Peta layer lainnya
yang akan ditampilkan, maka klik dan pilih move up untuk
layer di atas atau move down untuk layer dibawahnya.

Object Properties Tabs

Settings Tab

Ada berbagai jenis layer data tergantung pada faktor-faktor yang dapat di edit dan di
tampilkan sesuai parameter-parameter pada bagian Setting. TabSettings 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

Menampilkan legend atau menunjukkan warna yang sedang digunakan untuk

menampilkan nilai data dari layer terpilih.

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.

Work Area Tools

Tools ini memudahkan interaksi dengan peta yang ditampilkan seperti yang dijelaskan pada
tabel berikut.

Cursor/Action tool Untuk memilih titik atau area

Zoom zoom in atau out untuk tampilan peta
Pan Tool bergeser pada tampilan peta
Tools untuk pengukuran jarak
Melakukan zoom pada layer yang ingin ditampilkan

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.

Bagian ini menggunakan data elevasi dari west Timor:West_Timor_(SRTM_80m)

Video Tutorial disini:sagatutorials.wordpress.com/import-and-view-digital-elevation-data/

Membuka Data DEM

Kita akan memulai dengan memuat data DEM .

Cara termudah untuk membawa data ke

SAGA GIS adalah hanya dengan drag
and drop file data dari explorer.

Mulailah dengan menyeret data elevasi

Timor ke Saga.

Di data Tab Window anda akan melihat

data yang diimpor. Data ditampilkan di
bawah judul Grids yang menggambarkan
cellsize (80m), jumlah piksel
(2385x1947) pada nilai koordinat kiri
bawah (549889,8853605). Di bawah
nama Grid yang diimpor ini akan
ditampilkan.

19
Untuk menampilkan elevasi klik dua kali grid (2) dan akan muncul di jendela tampilan (3).

Jika Anda scroll grid ini, Anda akan mendapati

nilai easting (x), northing (y) dan elevation (z) ditampilkan di sudut kanan bawah.

Kita dapat melihat nilai pada setiap pixel yang dipilih :

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.

Setelah itu, zoom beberapa

kali sampai anda melihat grid
(pixel) dan nilai digital dari
setiap pixel itu. Dalam contoh
nilai DEM Timor Barat
menunjukkan elevasi dalam
meter.

20
Untuk melihat lebih detail mengenai data, klik :

Description tab pada window Object Properties.

Informasi yang ditampilkan :

1. Sistem Koordinat
2. Data Koordinat
3. Ukuran Cell (Pixel)
4. Nilai Maksimum dan minimum pada grid.

2.3 Visualisasi 3D

SAGA memiliki tool untuk membuat visualisasi 3D dengan menggunakan data DEM.

Tools Terrain Map View menciptakan

Hillshade dan menempatkannya di atas
data DEM yang diwarnai dengan elevasi.

Gunakan: Geoprocessing >

Visualization >Grid >Terrain Map View

1) Pilih grid system DEM dan grid

DEM.
2) Buat garis kontur 250 m
3) Click OK.

21
 Anda akan melihat tiga
layer data baru muncul
di tab data dan tampilan
terrain muncul di tab
peta.

Lihat di tab setting

untuk menentukan
lapisan mana yang
memiliki pengaturan
transparansi?

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

Save Gambar 3D.

Gunakan: 3D View> Save as Image

Kemudian tentukan di mana file ini
disimpan dan tentukan format gambar
yang diinginkan (dalam contoh ini
gambar disimpan dalam Portable
Network Graphics format * .PNG).

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:

Data terintegrasi. Penggunaan platform GIS desktop memungkinkan

penggabungan sederhana data spasial lain yang mungkin dimiliki pengguna.
Misalnya file GPX dan shp bisa diseret dan masuk ke layar SAGA.
Kombinasi Band: Kebebasan untuk memilih kombinasi band adalah penting untuk
pengguna untuk menemukan cara terbaik untuk melihat bagian landscape yang
diinginkan. Untuk contoh untuk pemantauan dan pemetaan kebakaran
menggunakan band thermal merupakan tampilan yang sangat membantu. Import
kombinasi band 4,510 akan menghasilkan visualisasi area kebakaran.
Keterbatasan akses internet: Bagi banyak orang koneksi internet lambat dan tidak
stabil. Akses dan download data, berbagi dan mengeksplorasi citra beresolusi tinggi
itu penting.
Beberapa Tanggal Data Citra: Banyak pengguna landsat tertarik untuk
menggunakan data landsat yang lama untuk mengeksplorasi perubahan tutupan
lahan. Dengan opsi impor SAGA, ini adalah tugas yang sangat sederhana untuk
mengimpor dan menampilkan beberapa gambar ke dalam satu layer peta.
Membangun skil analisis: Memiliki citra Landsat multiband resolusi penuh dalam
pemrosesan memudahkan pembelajaran tentang penginderaan jarak jauh dan
analisis SIG. Dari pemahaman konsep dasar untuk membangun kapasitas dalam
analisis citra yang lebih canggih seperti klasifikasi, peningkatan integrasi data, dan
pemodelan.

24
2.5 Menampilkan Data Landsat Pada SAGA

Tahap ini menggunakan Data Landsat dari west Timor:West_Timor_Landsat (200mb)

Untuk mengimpor dan menampilkan citra Landsat secara otomatis, kita perlu menggunakan
alat impor Landsat Import with Option.

Gunakan: Geoprocessing>Imagery>Landsat>Landsat Import with Options.

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

Sekarang coba zoom ke area yang

diinginkan. Gunakan tool zoom
seperti gambar disamping

25
Mengatur Kontras

Anda juga dapat meningkatkan

tampilan kontras pada peta (Klik
kanan pada layer dan pilih
(Histogram Stretch to Map
Extent ):

Ini pada dasarnya

menyesuaikan kontras dengan
kisaran warna yang ditampilkan.

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

Gunakan langkah yang sama persis

pada tahap sebelumnya untuk
mampilkan data DEM ke dalam 3D
tetapi pastikan bahwa data landsat
telah ditampilkan pada tab map.

26
2.5 Mengimport dan Menampilkan Data Sentinel 2
Tahap ini menggunakan data Sentinel-2 dari west Timor:West_Timor_Sentinel2(220mb)

Tutorial Video disini:sagatutorials.wordpress.com/viewing-sentinel-2-imagery/

Untuk menampilkan data Sentinel 2, anda dapat dengan

cepat men drop dan drag data tersebut ke dalam SAGA
GIS (merujuk pada bagian 3.9 untuk mendownload data
sentinel)

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

Biru untuk band 2 (B02) and Green untuk Band 3 (B03).

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

Citra Sentinel 2 (10m) Citra Landsat 8 (30m)

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

Menambahkan data vector pada SAGA dapat dilakukan

dengan sederhana dengan drop dan drag data tersebut
(.shp ekstensi data vektor) ke dalam SAGA. Sebagai
contoh, kita ingin menambahkan polygon vector untuk
batas administrasi Kota Kupang, cari Kota_Kupang.shp
dan drag ke dalam SAGA.

Alternatif lain melalui:

Geoprocessing>File>Shapes >Load

Perlu diketahui bahwa SAGA akan membagi raster

dan vektor dengan judul tipe data yang berbeda.
Data raster muncul di SAGA sebagai Grids, dan data
vektor muncul sebagai shapes dalam format garis
(garis), area (poligon), atau titik.

Untuk membuka file shape pada tab peta klik dua kali
pada shape dan pilih new ketika muncul kotak dialog
seperti gambar di samping.

Kita juga dapat menampilkan layer vektor di atas salah

satu peta yang ada, misalnya citra Timor Barat DEM,
Sentinel-2 atau Landsat.

Untuk menampilkan lapisan vektor di atas

gambar, klik 2 kali pada data vector kemudian
tampilkan diatas data citra yang ada pada
map window. Selanjutnya pada tab settings;
Ubah Fill style menjadi Transparent, garis
tepi warna hitam dan ukuran garis menjadi 5.

Ini akan memudahkan untuk melihat batas

administrasi, misalnya, citra sentinel seperti
yang ditunjukkan pada gambar di atas:

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.

3.1 Jenis Data

Seperti yang disebutkan sebelumnya, data peta mengidentifikasi fitur dan posisi di Bumi. Di
bidang pemetaan / GIS ada dua tipe data yang digunakan untuk mewakili fitur ini; Vektor
dan data raster. Perbedaan utama antara kedua tipe data ini adalah data vektor disajikan
sebagai titik, garis atau luas, sedangkan data raster diwakili sebagai grid piksel seperti
gambar di bawah ini.

Data Vektor

Data Vektor direpresentasikan di lapangan sebagai titik

(lokasi yang berbeda), garis dan area yang juga dikenal
sebagai poligon. Poligon adalah batas garis di sekeliling
fitur.

Gambar di kanan adalah contoh gambar fitur di dunia

nyata, dan bagaimana mereka dapat ditampilkan sebagai
data peta 'vektor', atau garis dan poligon.

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

Data raster mewakili permukaan bumi sebagai grid

sel (disebut juga piksel). Setiap piksel berukuran
sama, dan masing-masing mewakili lokasi. Setiap
piksel memiliki nilai angka yang mewakili beberapa
karakteristik dari wilayah tersebut. Citra satelit dari
mana kebakaran dipetakan adalah salah satu
contoh data raster. Dengan citra satelit, setiap piksel
memiliki nilai angka yang mewakili jumlah sinar
matahari yang dipantulkan yang ditangkap oleh
sensor satelit.

Gambar di sebelah kanan

menunjukkan daerah
pendaratan di Arnhem Land.
Saat kita memperbesar, kita
bisa melihat piksel sebenarnya
yang membentuk gambar itu.
Ini sangat mirip dengan cara
kamera digital atau ponsel
menyimpan foto.

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.

Image reproduced from Wikipedia

http://en.wikipedia.org/wiki/File:Latitude_and_Longitude_of_the_Earth.svg)

Sistem UTM membagi bumi ke dalam

zona grid, dan posisi ditunjukkan oleh
posisi easting dan northing di dalam
salah satu sel grid ini.

Setiap Sistem koordinat memiliki

keuntungan dan kerugian

Sistem koordinat UTM bergantung

pada unit pengukuran meter, yang
menggabungkan sistem desimal dan
unitnya yang mudah dipahami.

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

Satelit Sumber Daya Bumi ini dirancang khusus untuk

mengukur aspek permukaan bumi menggunakan
'sensor' (kamera). Satelit ini mengorbit / mengelilingi
Bumi dengan cara yang konsisten sehingga mereka
melewati tempat yang sama di permukaan bumi
secara berkala.

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)

Faktor kunci lainnya adalah revisit frekuensi atau jumlah

waktu antara saat satelit menangkap gambar.

Resolusi Spektral

Resolusi Spektral menggambarkan jumlah panjang

gelombang cahaya yang diterima oleh sensor satelit. Grafik di bawah menunjukkan panjang
gelombang dan satelit Landsat dan Sentinel 2 dan nomor Band digunakan untuk
menyimpan data yang ditangkap untuk setiap panjang gelombang.

4.2 Apa itu Landsat?

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.

4.3 Apa itu Sentinel 2?

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.

4.4 Apa itu Data Elevasi Digital?

Data elevasi digital (Digital elevation data) adalah

3D model permukaan bumi yang biasanya
tersimpan dalam piksel grid (format raster)
dimanasetiap sel memiliki nilai elevasi rata rata dari
wilayah cakupannya. Ada 2 bentuk data digital
elevation models (DEM):
1. Digital surface models dimana setiap nilai
piksel adalah tinggi rata-rata semua fitur
permukaan termasuk bangunan dan kanopi vegetasi. Model permukaan digital
biasanya diproduksi dari foto satelit atau foto udara.

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.

Data ini awalnya diproduksi pada

resolusi 90 meter untuk seluruh dunia.
Baru-baru ini data ini telah diproses lebih
lanjut dengan menggunakan data
referensi lain untuk menghasilkan
produk dengan resolusi 30 meter.

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/).

5.1 Download Landsat dan Sentinel 2

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:

Selanjutnya anda akan diarahkan pada banyak pilihan data citra

yang akan didownload. Untuk mengakses Landsat 8 and
sentinel data klik Satellite Search (Landsat/Sentinel) tile.
https://remotepixel.ca/projects/satellitesearch.html

Ini akan memuat tampilan citra dimana anda

akan mendownload data landsat atau sentinel

Dengan tampilan Landsat anda akan melihat

scene individu dan nomor baris pada setiap data.

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.

Klik ikon seperti gambar

yang ditunjukkan di
samping untuk
menampilkan scene landsat
data.

41
Jika anda mengklik ikon unduhan pada salah satu scene yang tersedia maka ini daftar band
akan muncul

Klik pada sebuah band untuk mulai mendownload

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

Untuk mendownload data Landsat yang lama data cara

termudah yaitu melalui layanan yang disediakan oleh US
government melalui portal Glovis Next.
(http://glovis.usgs.gov/next/)

Untuk menggunakan Glovis Next anda harus memiliki akun

USGS terlebih dahulu. Untuk masuk ke halaman Login
dengan mengklik tombol login di kanan atas halaman Glovis:

Di sana anda perlu memasukkan rincian login anda

seperti username dan password, atau jika Anda
belum terdaftar membuat akun baru.

Saat menggunakan Glovis kita perlu:

1. Pilih landsat data yang ingin anda akses.
Untuk data historis yang lebih lama pilih Landsat 4-5 TM. Lihat bagian 4.2.
2. Rentang data citra yang diinginkan.
3. Zoom peta pada area yang akan didownload.

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.

Resolusi tinggi (30 Meter) SRTM data juga dapat di

download pada USGS earth explorer website atau
melalui remote Pixel SRTM 1ARC Tile Mosaic
project:https://remotepixel.ca/projects/srtm1arc-
gl.htm.

Proyek ini memungkinkan anda untuk memilih

sejumlah kotak SRTM beresolusi 30m yang kemudian
akan digabungkan secara otomatis dan dikirim melalui
email kepada Anda.

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

Global climate data

WorldClim (http://www.worldclim.org/) adalah sebuah layer

iklim global (Iklim grid) dengan resolusi spasial sekitar 1 Km
persegi. Data ini dapat digunakan untuk pemetaan dan
analisis spasial.

Infrastructure

OpenStreetMap (https://www.openstreetmap.org) adalah sebuah

inisiatif untuk menciptakan dan menyediakan data geografis gratis,
seperti peta jalan, kepada siapapun. OpenStreetMap Foundation adalah
organisasi nirlaba internasional yang mendukung, namun tidak
mengendalikan, Proyek OpenStreet Map. Ini didedikasikan untuk
mendorong pertumbuhan, pengembangan dan pendistribusian data
geospasial gratis dan untuk menyediakan data geospasial bagi siapa
saja untuk digunakan dan dibagikan.

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)

6.1 Menampilkan dan Mengganti Kombinasi Bands

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.

Menggunakan tool Landsat import with option

semua band tapi tidak mencentang "show
Komposit". Dalam latihan ini, kita akan
membuat gambar komposit secara manual.

Data yang ditampilkan terdiri dari 2 grid systems

baru. Grid untuk 30-meter bands dan sebuah grid
untuk 15-meter resolution band 8.

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.

Sekarang, kita coba membuat

kombinasi band untuk
menghasilkan Natural Color
pada RGB composite

Untuk melakukan ini, pilih band yang akan dijadikan

sebagai red. Untuk natural colourgunakan Band 4
sebagai Red. Pada tab setting, ganti colour type
menjadi RGB composite dan pilih Blue untuk Band 2
dan Green untuk band 3 dan klik apply

48
Gambar di samping adalah hasil tampilan yang sama persis dengan yang terlihat dari citra
satelit.

Coba tampilkan band 6 sebagai red, band 5 green dan

band 4 blue. Warna ini menampilkan kombinasi
vegetasi yang tumbuh.

Kombinasi disamping Band 7 sebagai Red, Band 6

sebagai Green dan band 5 sebagai Blue.

Untuk kombinasi terakhir ini gunakan Band 10 untuk Red,

Band 5 untuk Green dan band 4 untuk Blue. Tanah yang
baru terbakar atau dibersihkan seringkali lebih hangat dari
pada daerah sekitarnya. Jadi pada gambar ini kombinasi
area yang mungkin telah dibersihkan dan dibakar tampil
sebagai warna merah cerah. Investigasi lapangan penting
diperlukan untuk menentukan dengan benar apa yang
terjadi di lapangan.

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.

Gunakan : Geoprocessing>Imagery>vegetation Indices

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)

Anda akan melihat beberapa grid baru hasil

analisis pada tab manager

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.

Untuk mengetahui arti semua indeks vegetasi yang

berbeda dan bagaimana interpretasinya dapat
melihat informasi lebih lanjut jika anda memilih
modul indeks vegetasi di tab tools dan memilih tab
deskripsi. Seperti ditunjukkan di bawah ini,
memberikan deskripsi tentang algoritma yang
digunakan untuk menghitung setiap indeks dan
referensi ke informasi lebih lanjut.

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:

Gunakan : Geoprocessing>Image sharpening>Colour Normalised Brovey Sharpening

Masukkan band 30-meter yang akan dipertajam dengan band 8 untuk band resolusi tinggi .

Sekarang, tampilkan band 6 (15

meter) sebagai band komposit pada
tab setting

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)

Tampilkan citra Landsat 5 dari tahun 2006

(\Landsat\113-63\2006). Ingat Landsat 5 bands
3,4,5(Red,NIR,SWIR1) sama dengan Landsat 8
bands yang kita gunakan sebelumnya yaitu band
(4,5,6). Buka data citra 2006 dengan komposit
band Landsat 5 seperti yang ditunjukkan di
samping.

Sekarang Anda akan melihat di tab peta bahwa ada 3

gambar yang ditampilkan: 2 dengan kombinasi band
yang berbeda untuk tahun 2014 dan gambar 2006.
Setiap gambar ditampilkan dalam lapisan peta yang
berbeda.

Untuk melihat citra tahun 2006 dan 2014, tariklah

gambar 2014 (band 4,5,6) ke layer ada tab peta
2006 seperti yang ditunjukkan di sini:

Sekarang kita memilih grid paling atas dan menekan

enter untuk sementara menghilangkan citra dan dengan
mudah melihat perubahan pada Landcover tekan enter
untuk kembali menampilkan citra ditahun 2006.

Misalnya sangat mudah

melihat perbedaan antara
gambar tahun 2006 dan 2014
di wilayah pertambangan
Bombana.

Penting untuk dipahami dan

dapat mengidentifikasi
perbedaan antara kejadian
penutupan lahan yang bersifat
musiman dan sementara dan
jangka panjang. Dalam citra di

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?

Ketika anda mengidentifikasi perubahan tutupan lahan:

Gunakan : Map>Copy Map to clipboard

Tool untuk menyalin gambar ke PowerPoint. Anotasi dan
jelaskan apa yang anda ketahui telah menyebabkan
perubahan tutupan lahan.

6.5 Mosaicking Satellite imagery

Mosaicking gambar memungkinkan anda menggabungkan beberapa gambar. Ini sangat

berguna jika area yang anda inginkan berada di antara dua gambar di sepanjang jalur
Landsat untuk beberapa kotak atau data Elevation SRTM.

Ikuti step by step prose untuk mosaiking citra Landsat

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:

Gunakan : Geoprocessing>Grid >Grid system>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.

Tampilkan hasil mosaicking dengan tipe RGB

composite. Hasilnya akan tampak seperti gambar
di samping.

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.

7.1 Transformasi Koordinat

Drag dan drop SRTM data ke

dalam SAGA.

Data tersebut merupakan geographic coordinate system (Lat/Long).

Anda dapat membuka shape file

(vector) data ke dalam SAGA
dengan drop dan drag .shp file.
Dalam contoh ini menggunakan
shapefile batas wilayah Kakadu
National Park.

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)

Proyeksi ulang data SRTM ke proyeksi UTM juga

akan memungkinkan kita menggabungkannya dengan
file poligon untuk wilayah Taman Nasional diatas
(proyeksi UTM). Untuk proyeksi ulang,pertama atur
proyeksi kumpulan data saat ini.

Klik kanan pada layer grid SRTM dan pilih Spatial

reference:

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

Use: Geoprocessing > Projection > Coordinate transformation Grid

In the module dialogue window:

1. Masukkan data grid SRTM untuk diproyeksi
2. Gunakan resampling Nearest Neighbour
3. Atur Projected Coordinate system ke 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

7.2 Clipping grids with polygons

Sekarang kita dapat memotong (Clip) data raster (data elevasi) dengan Poligon Taman
Nasional (.shp) dengan menggunakan tool Clip Grid with Polygons

Gunakan :Geoprocessing>Shape>Grid>Spatial Extent>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.

Gunakan : Geoprocessing>Terrain Analysis > Morphometry > Slope, Aspect

Curvature

Pada kotak dialog diatas, pilih elevasi yang telah di clip pada tahap sebelumnya. Ubah
Slope unit ke dalam derajat (degree)

Hasilnya akan tampak seperti gambar di bawah ini.

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.

Gunakan : Geoprocessing> Grid>Values> Reclassify Grid Values

Pada kotak dialog :

1. Pilih grid Slope

2. Untuk klasifikasi pilih simple Table
3. Buka lookup table

Atur Lookup table untuk nilai

maksimum dan minimum dan kelas
kemiringan lereng yang baru. Coba
masukka nilai seperti gambar di
samping. Klik okay

64
Pada grid baru Slope reclassified klik kanan dan
pilih Create lookup Table

Pilih Unique values untuk Classification Type.

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.

Tabel ini menunjukkan area dalam meter persegi

pada masing-masing kelas lereng. Klik kanan pada
tabel di tabel data memungkinkan Anda untuk
mengekspornya ke format yang bisa dibaca menjadi
excel.

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.

Untuk mengeksport peta agar bias digunakan di

lapangan:

Gunakan : Geoprocessing>Map>Save as image to

workspace

Pilih ukuran sel yang setara dengan citra yang anda tampilkan (yaitu band 8 15m dan
semua band lain 30m).

Kembali ke tab data dan anda akan

melihat sistem grid baru dan layer grid
akan dihasilkan berisi gambar yang
tersimpan sebelumnya.

Klik kanan untuk menyimpan gambar ini ke

dalam format tiff

Pada Options pilih Save Georeference. Ini akan

memungkinkan anda untuk membuka file di
perangkat lunak GIS yang lain dalam proyeksi
koordinat yang benar dan overlay data lainnya.
Misalnya anda mungkin ingin menyertakan layer data
spasial lainnya dan membuat peta di ARC-Map atau
Open-Jump

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

Google Earth KML

Jika Anda telah membuat titik, garis atau poligon di Google Earth menggunakan, anda dapat
mengimpornya ke SAGA setelah menyimpannya terlebih dulu sebagai file KML. Kemudian

Gunakan: Geoprocessing> File> Shapes> Import Shapes

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).

Import Data GPS

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.

Untuk mengimport attribute sebagai data point, gunakan :

Shapes>Conversion>Convert table to points

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.

Ekspor gambar ke Apps pengumpulan data lapangan

Pada bagian ini, kita akan melihat bagaimana

untuk mentransfer gambar peta yang dihasilkan
dari SAGA dan dibuka dengan menggunakan
aplikasi smartphone Avenza Map yang akan
digunakan untuk mengumpulkan data lapangan.

Avenza memungkinkan untuk menavigasi di

lapangan dengan mengacu pada peta yang telah anda buat di SAGA. Ini bisa sangat
berguna jika anda perlu mengumpulkan data lapangan untuk klasifikasi tutupan lahan citra
satelit dan / atau jika ada fitur pada citra satelit anda membutuhkan kebenaran data sesuai
kondisi di lapangan. Avenza juga memungkinkan untuk mengumpulkan data dan atribut
lokasi setiap titik dengan informasi lapangan dan hubungkan ke foto lokasi.
Tahap ini membutuhkan 7 step, yaitu:
1. Import citra satelit ke dalam SAGA dalam format geographic(lat/long)
2. Zoom ke daerah yang diinginkan
3. Save image to workspace
4. Save as SAGA grid
5. Save as image
6. Simpan dalam format Zip file berikut : .tiff, .twf and .prj files
7. Import .zip file ke dalam Avenza

70
1. Import citra landsat menggunakan Geographic Coordinates sebagai coordinate
system, dan nearest neighbour sebagai metode
interpolation

2. Zoom ke daerah yang diinginkan

3. Gunakan: Map>Save As image to workspace,atur

cell size menjadi 0.003 (~30m for Landsat imagery).
Selanjutnya akan menyimpan area yang diinginkan ke
dalam sebuah layer baru pada tab data.

4. Klik kanan pada layer baru yang

ada di tab data dan save as SAGA
Grid (.sgrd) pastikan semua file
yang akan disave memiliki nama
yang sama.

5. Klik kanan Save As Image dan

simpan dalam format GeoTiff. Ingat
pastikan bahwa nama file ini sama
dengan file .sgrd yang di save pada
langkah no.4 di atas. Jangan lupa
untuk save georeference

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.

Sebaliknya, supervised classification mengharuskan pengguna untuk mendefinisikan

tutupan lahan untuk lokasi yang akan dianalisis. Pixel citra kemudian dikelompokkan ke
dalam kelas berdasarkan data spektral dari piksel lokasi tersebut. Klasifikasi berbasis piksel
termasuk cepat dan efisien meskipun sedikit kesalahannya sulit untuk di edit. Unsupervised
pixel classification digunakan dalam tutorial pemantauan perubahan tutupan lahan dalam
manual ini.

Object-based classification, dengan melihat

piksel individual, kelompok piksel menjadi
daerah (segmen) dari sifat spektral serupa.
Segmen ini biasanya berbentuk poligon yang
dikaitkan dengan informasi statistik tentang
karakteristik spektral rata-rata suatu wilayah.
objek ini kemudian dapat diklasifikasikan
menggunakan teknik tanpa pengawasan atau
diawasi seperti pada klasifikasi berbasis piksel.
Klasifikasi berbasis objek memungkinkan
pengeditan daerah klasifikasi yang lebih
fleksibel dan memungkinkan metode yang lebih
canggih menggabungkan bentuk dan konteks
segmen.

This section has three classification examples:

1. An OBIA based rapid classification of a large mine in Lombok.

2. A pixel based unsupervised classification of land cover in Kupang Bay (West Timor).
3. An OBIA based supervised classification of land cover of the same area.

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

Bagian ini menggunakan data: Sentinel 2 imagery Lombok.

Akses video tutorial disini:https://sagatutorials.wordpress.com/segmentation-and-sentinel-2-

imagery/

Display dan Memotong citra (clip)

Load data Sentinel 2 ke dalam

SAGA dengan cara drop dan drag.
Secara otomatis akan
menggunakan UTM coordinate
Grid System. Kita hanya
memerlukan band 2,4,8 dalam
klasifikasi ini.
Selanjutnya tampilkan dalam tipe
RGB composite

Sekarang kita perlu memotong (clip) ke area

yang diinginkan (misalnya area tambang) seperti
yang ditunjukkan gambar disamping.

Gunakan:Geoprocessing>Grids>Grid System
> Clip Grids interactive

Pilih 3 band sentinel sebagai input grids.

Gunakan pointer (panah hitam) untuk membuat

kotak

74
Klik okay

Anda akan melihat sebuah grid system baru dengan

luasan yang lebih kecil dari sebelumnya. Anda bias
menghapus grid sebelumnya karena kita akan bekerja
pada grid baru yang lebih kecil

Anda perlu menampilkan display RGB composite

kembali pada tab setting. Pilih band 8 sebagi Red

Sekarang kita dapat melakukan proses segmentasi:

Gunakan: Imagery>Segmentation>Object Based Image segmentation

1. Pilih 3 band sentinel sebagai features

2. Isi nilai image band width
3. Pilih Unsupervised Classification untuk post processing
4. Hapus centang pada split clusters.

75
Tampilkan hasil segmentasi di atas citra sentinel dan atur fill style menjadi Transparent
pada tab setting:

Sekarang gunakan pointer untuk memilih polygon

yang berada pada area tambang.

Sekarang klik kanan dan pilih Invert selection

sehingga menghasilkan semua poligon daerah
bukan tambang yang terpilih selanjutnya hapus
polygon tersebut.

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'.

poligon daerah tambang yang tersisa seperti

yang ditunjukkan di sini:

77
Kita dapat menghitung luasan untuk polygon ini :

Gunakan: Geoprocessing>Shapes>Polygons>Polygon Properties

Pilih segmen sebagai poligon masukan dan keluaran. Prose ini akan menghasilkan atribut
baru dalam tabel poligon yaitu area dalam meter persegi. Untuk menghasilkan area secara
langsung dalam satuan hektar, ganti faktor skala menjadi 0,0001. Pada contoh ini, pertama-
tama kita akan membuat m2 area lalu menggunakan table kalkulator untuk membuat kolom
Ha.

Setelah itu buka tabel atribut dengan mengklik kanan pada layer, pilih atribut: Atribut >>
Show

Tabel akan menampilkan area dalam satuan m2.

78
Untuk menambahkan kolom lain agar kita bias menghitung dalam hectares:

.Gunakan :Geoprocessing>table>calculus>table calculator

1. Gunakan formula f2/10000 untuk

membagi field 2 dengan 10000
2. Ganti nama kolom (Field) menjadi
Ha.
3. Pilih tabel segmentation polygon
sebagai input.

Field daru dalam satuan hectares akan

tampil pada attribute

8.2 Unsupervised Classification (Klasifikasi Tanpa Pengawasan)

Latihan ini menunjukkan teknik klasifikasi tanpa pengawasan sederhana untuk

mengelompokkan daerah dengan respons spektral yang serupa. Untuk latihan ini kita akan
mengklasifikasikan daerah pesisir di Timor barat yang mengandung laut, dataran lumpur,
padang rumput dan hutan.

Data dapat di download disini: Kupang Bay Landsat 8 Clipped (2.2mb).

Ada 4 langkah utama:

1. Load dan tampilkan citra

2. Lakukan unsupervised classification
3. Klasifikasi ulang kelas unsupervised menjadi kelas tutupan lahan
4. Tampilkan statistic tutupan
lahan.

Tampilkan citra dalam RGB

composite dengan Red = Band 6,
Green = band 5 dan blue = band 4.

79
Tampilannya akan seperti gambar di samping

Untuk melakukan unsupervised classification:

Gunakan: Imagery>Classification>Unsupervised>K-Means Clustering for grids

1. Pilih bands 3,4,5,7 pada input grids

2. Pilih metode klasifikasi seperti ditunjukkan dibawah
3. Buat jumlah cluster sebanyak 10 kelas.

Anda bisa mengatur kembali warna secara

manual pada masing masing kelas. Pastikan
band 5 adalah band kedua dalam input grid list
karena ini akan memastikan bahwa Anda
mendapatkan vegetasi sebagai warna hijau pada
output yang dihasilkan.

Hasilnya 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:

Buka tabel dan pilih add field

pada menu bar bagian atas
seperti yang ditunjukkan di
sini. Kita ingin menambahkan
field baru yang akan berisi
nilai kelas penutup lahan.
Beri nama field 'New'dan pilih
field type.

82
 new field pada kelas land cover untuk setiap nilai cluster ditunjukkan pada gambar di
bawah:

Selanjutnya hapus kolom Color,

Name dan Description dengan
menggunakan tombol hapus field.

Hasilnya seperti tabel seperti yang ditunjukkan di samping

yang akan digunakan sebagai tabel klasifikasi ulang

83
Untuk reklasifikasi grid cluster :

Gunakan: Geoprocessing>Grid>Values>Change Grid Values

Pilih cluster grid untuk di reklasifikasi:

1. Buka lookup table reklasifikasi

2. Pilih Load
3. Pilih table yang telah anda buat sebelumnya pada tab workspace

84
Selanjutnya klik okay untuk menjalankan reklasifikasi.

Klik kanan pada hasil

change grid untuk
mengganti lookup table
dengan unique values
seperti gambar di
samping untuk
menunjukkan warna
dan nama setiap kelas

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

Histrogram akan menunjukkan jumlah piksel

pada setiap kelas

Klik table pada bagian atas menu

bar untuk membuka table yang
menunjukkan area dalam m2 untuk
setiap kelas seperti yang
ditunjukkan gambar di samping.

86
8.3 Supervised OBIA

Latihan ini menunjukkan teknik klasifikasi Segmentasi sederhana untuk mengelompokkan

daerah dengan karakteristik spektral yang serupa. Seperti klasifikasi tanpa pengawasan
sebelumnya yang mengklasifikasikan wilayah pesisir di Timor barat berupa laut, dataran
lumpur, padang rumput dan hutan.

Data dapat di download disini: Kupang Bay Landsat 8 Clipped (2.2mb).

Video tutorial supervised OBIA disini:

sagatutorials.wordpress.com/supervised-segmentation-classification/

Ada 6 langkah utama:

1. Tampilkan data citra pada SAGA
2. Melakukan segmentasi
3. Tampilkan area latihan dan tetapkan kelas tutupan lahan
4. Supervised Classification
5. Edit hasil klasifikasi
6. Tampilkan statistic area

Load data Band 3,4,5,6 ke dalam SAGA, buat

tampilan dalam RGB composite untuk Band 6 = Red,
Band 5 = Green dan Band 4 = blue.

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

Lihat tabel atribut untuk segmentasi. Klik kanan pada

file segmentasi dan pilih: Atribut> Show.

Sekarang kita ingin menambahkan atribut 'Training'

baru ke tabel. Kami kemudian dapat memilih poligon
dan memasukkan ke dalam attribute 'Training' untuk
jenis tutupan poligon yang baru.

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

Untuk latihan ini buat 7 kelas tutupan lahan:

1. Forest
2. Mangrove
3. Open Forest
4. Grass
5. Bare ground
6. Mud Flat
7. Ocean

Setelah anda yakin memiliki beberapa sampel poligon yang representatif untuk masing-
masing kelas tutupan lahan, kita dapat melakukan supervised classification:

Gunakan: Shapes>Table>Supervised Classification for Shapes

1. Pilih segment polygon

file untuk input shapes
2. Pilih band 3,4,5,6 untuk
input features
3. Pilih training attribute
untuk input training
classes
4. Pilih Minimum Distance
untuk metode yang
digunakan

90
Untuk step nomor 2 diatas centang badn yang
akan digunakan (band 3,5,6,7)

Hasilnya berupa poligon memiliki beberapa warna

yang dihasilkan secara acak untuk setiap tutupan
lahan.

Buka lookup table dan

ganti warna masing
masing kelas tutupan
lahan

Pada tab setting, hapus centang pada pilihan

outline.

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.

Pilih salah satu poligon yang salah diklasifikasi:

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

Pilih Class ID sebagai atribut untuk dissolve

seluruh polygons :

Pertama-tama kita perlu membuat look-up table

untuk poligon dissolve sehingga kita bisa
mendapatkan statistik area untuk setiap kelas
tutupan lahan dan tidak setiap poligon. Klik kanan
pada file data poligon dissolve yang baru di tab
data dan pilih create look up table. Tetapkan
metode klasifikasi ke unique values

Sekarang hitung luas area untuk dissolved polygons.

Gunakan: Shapes>Polygons>Polygon Properties.

Pilihlah polygon dissolve

sebagai input file dan Area
sebagai output statistik yang
kita inginkan.

Klik kanan pada file tersegmentasi dan pilih Atribut>

Show untuk melihat atribut AREA yang baru

93
Export table agar data tersebut dapat diolah kembali nantinya.

Gunakan: Geoprocessing> File>Table>Export

Output table dapat di gambarkan ke dalam bentuk diagram.

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

Video tutorial dapat dilihat disini :sagatutorials.wordpress.com/basic-terrain-analysis/

9.1 Membuat Watershed (Delineasi Batas DAS)

Untuk menghasilkan model aliran hidrologi, kita perlu

menghasilkan data ketinggian yang yang tidak memiliki
'Sinks' atau saluran yang akan menangkap aliran air.
Gambar di sebelah kanan adalah contoh model
dengan 'Sink' dan permukaan yang sama setelah
'Sinks' terisi dan aliran terus berlanjut.

Tambahkan DEM Timor Barat sebagai input.

Outputnya mencakup DEM dan DAS yang dimana
Sinks telah terisi

Untuk menghasilkan Sinks yang terisi:

Gunakan : Terrain Analysis>Preprocessing>Fill

Sinks (Wang Liu).

Pilihlah sistem grid dan grid DEM seperti gambar di atas. Modul 'Fill sinks' menghasilkan tiga
layer baru:

1. "Timor Barat_SRTM [no sinks]", sinks berisi grid

2. "Arah aliran" arah aliran air yang melalui setiap sel
3. Daerah aliran sungai "atau daerah tangkapan air.

95
Klik 2 kali pada layer Watershed basins
maka akan terlihat seperti gambar di
samping :

Kita akan melakukan analisis lebih lanjut

hanya pada satu daerah tangkapan air yang
dihasilkan dari tool Sink Filled. Untuk
memotong data ini kita menjadi satu daerah
tangkapan air, pertama-tama kita harus
mengkonversikan data daerah aliran sungai
dari raster ke poligon daerah aliran sungai. Untuk melakukan ini:

Gunakan: Geoprocessing>Shapes>Grid>Vectorising Grid Classes

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.

Setelah proses selesai tampilkan

layer new shapefile watershed
basin dan pilih salah satu
tangkapan yang lebih besar
dengan alat kursor anda seperti
yang ditunjukkan pada gambar
di samping.

96
Memotong layer DEM dengan menggunakan catchment terpilih.

Use: Geoprocessing>Shapes>Grid>Spatial Extent>Clip grid with polygon

1. Pilih Grid system

2. Pilih DEM sebagai input layer
3. Pilih Watershed Basins sebagai input shapes

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.

9.2 Basic Terrain Analysis

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.

Basic Terrain Parameters

Analytical Hillshading
Menghasilkan sebuah grid bayangan

Menghasilkan sebuah grid dari bayangan sinar matahari. Ini

sangat penting untuk visualisasi topografi.

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

Modul ini menghasilkan kalkulasi indek convergence/divergence

pada aliran air.

Wetness index

Menghasilkan grid yang menunjukkan akumulasi air. Ini akan

berguna untuk memahami kondisi indeks kebasahan tanah atau
pemetaan banjir

LS Factor

Kombinasi kemiringan dan panjang kemiringan dimana kombinas

ini merupakan kunci untuk memprediksi potensi erosi di dalam
sebuah landscape.

Altitude above channel network

Grid ini berfungsi untuk prediksi banjir

Channels

Menghasilkan file vektor untuk saluran drainase. Salah satu atribut

dari data ini adalah Strahler order yang merupakan ukuran urutan
arus saluran dalam jaringan drainase. Ini bisa berguna untuk
memahami besarnya potensi arus sungai.

100
 Drainage Basins
Menghasilkan shapefile dari saluran tangkapan air

Tampilkan hasil basic terrain

analisis dalam mode 3D. Ini akan
membantu memahami data
landscape dengan kondisi di
lapangan.

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)

Wind: (Terrain Analysis > Climate and Weather > Wind)

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).

Gunakan: Geoprocessing>Terrain Analysis>Hydrology>Flow

Accumulation>Downslope Area (Interactive)

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.

Buka grid Flow Accumulation ke dalam

map window untuk menampilkannya diatas
data grid elevasi

103
Gunakan pointer tanda panah
untuk melihat prediksi aliran

Coba tampilkan ke dalam 3D

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.

Pemetaan Kebakaran Liar

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.

Pemetaan Perubahan Tutupan Hutan

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.

Pemetaan Potensi Aliran Dampak Logam Berat

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

10.1 Object-Based Image Analysis pada SAGA untuk Pemetaan Kebakaran

Pemandangan Savannas terjadi di iklim

monsunal dengan musim hujan yang
sedikit dan musim kering yang panjang di
seluruh dunia. Fluks kering - basah ini
mendorong pertumbuhan rumput yang
cepat diikuti dengan periode penyembuhan
yang panjang sehingga menghasilkan
lanskap yang paling rawan kebakaran di
dunia. Di bagian utara Australia, rata-rata
19% dari 1,9 juta km2 savana tropis
terbakar setiap tahunnya. Pemandangan
Savanna ini telah berevolusi selama
setidaknya 50000 tahun terakhir melalui
penggunaan api yang strategis oleh orang-
orang Aborigin.

Selama lima belas tahun terakhir telah

terjadi peningkatan upaya untuk memperbaiki manajemen kebakaran yang didukung oleh
informasi satelit untuk membantu memandu program strategis manajemen kebakaran.
Latihan ini menggunakan citra Landsat dari daerah savana di Northern Australia untuk
menggambarkan proses pemetaan area yang terbakar untuk member informasi mengenai
perencanaan dan analisis operasi.

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)

Video pemetaan kebakaran disini:

sagatutorials.wordpress.com/mapping-fires-from-satellite-imagery/

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.

Untuk latihan ini, Citra yang digunakan hanya mencakup band

4,5 dan 10. Impor band ini menggunakan tools Landsat
Import with Option menggunakan band 10 untuk warna
merah. Anda akan melihat bahwa gambar telah dipotong untuk
membuat file yang lebih kecil untuk diunduh namun untuk
latihan ini Anda perlu memotong gambar ini lagi ke satu area
besar yang terbakar untuk pemetaan seperti yang ditunjukkan
di sebelah kanan.Lakukan langkah berikut

Gunakan : Geoprocessing>Grids>Grid System > Clip Grids

interactive

Setelah Anda memotong grid, layer baru akan muncul.

Lihatlah jumlah nilai piksel untuk menentukan grid baru
dengan ukuran yang lebih kecil. Gambar asli akan
memiliki lebih dari 7000 piksel dengan lebar dan tinggi;
Gambar baru yang telah dipotong akan lebih kecil dari
ini.

Setelah Anda memotong grid yang diperlukan selanjutnya

'mematikan' tool Clip Grid (Interactive) dengan
menghapus tanda centang pada menu geoprocessing.

106
tampilkan grid band 10 pada tab map.lalu
buat tipe RGB Composite, >Blue untuk
Band 4, and >Green untuk Band 5; pilih
apply.

Sekarang anda bisa memulai proses segmentasi :

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.

Setelah klasifikasi selesai,tampilkan layer dissolved

polygon pada citra landsat dan ganti fill style
menjadi transparent

Sehingga akan terlihat seperti gambar

disamping:

Gunakan pointer untuk memilih polygon didalam

area yang terbakar. Seperti yang ditunjukkan pada
gambar di samping

Sekarang, copy polygon yang terpilih ke dalam layer

shape yang baru .

Gunakan: Geoprocessing> Shapes > Selection >

Copy selection to new shapes layer

108
Sekarang anda hanya memiliki shape file yang baru
seperti yang ditunjukkan pada gambar di samping.

Untuk membersihkan hasil klasifikasi berbasi objek

kita dapat mengedit (Menghapus) poligon individu
tetapi sebelum itu kita perlu memisahkan seluruh
polygon tersebut

Gunakan: Geoprocessing>Shapes> Polygons> Polygon Parts to separate Polygons

Sekarang tampilkan layer 'selection parts' yang

baru di atas citra satelit.

Matikan lapisan segmen lama di tampilan peta

dengan mengklik 2 kali. Sekarang dengan
menggunakan alat pointer anda dapat memilih
dan menghapus poligon individual yang tidak
dipetakan dengan benar.

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

Selama beberapa tahun terakhir, kehancuran hutan

tropis dunia telah menjadi isu internasional yang
mendesak, terutama yang berkaitan dengan peran
mereka sebagai penyerap dan penyimpanan karbon
utama. Data satelit tentang tutupan lahan dan
penggunaan lahan telah menjadi sumber informasi
dasar yang dapat diterima untuk menilai keadaan hutan
tropis.

Contoh ini menggunakan teknik perbedaan gambar

untuk menyoroti perubahan di antara tanggal citra.
Dalam kasus ini, kita melihat perubahan tutupan hutan
di Sulawesi Tenggara.

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

Video tutorial pemetaan perubahan tutupan hutan disini:

sagatutorials.wordpress.com/land-cover-change-image-differencing/

Langkah langkahnya adalah sebagai berikut:

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

Persiapkan Data Landsat 5 dan Landsat 8

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).

Gunakan: Geoprocessing> Imagery> Landsat> Import Landsat With Options.

Untuk Landsat 5 (1996) import band 2,5,6.

Untuk Landsat 8 (2015) import band 3,6,7.

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).

Untuk memotong (clip)

Gunakan: Geoprocessing > Grid > Grid

System > Clip Grid Interactive

Gunakan Landsat 8 2015 untuk input grid.

Gunakan pointer tool untuk membuat kotak
pada area of interest yang akan di Clip Grids.

Sekarang kita perlu data tahun 1996 untuk area

yang sama pada grid system yang sama pula.
Caranya adalah

Gunakan: Geoprocessing > Grids > Clip Grids.

Input 3 bands citra Landsat 1996.

Untuk extent pilih grid system. Pada grid system

pilih area yang telah di clip sebelumnya dengan
menggunakan Clip Grid Interactive pada Landsat
8 data. Seperti yang ditunjukkan pada kotak dialog
di bawah ini.

Hasilnya adalah sebuah grid system dengan

seluruh band untuk tahun 1996 dan 2015:

112
Tampilkan kedua citra dari tahun yang berbeda tersebut. Gunakan RGB composite untuk
melihat perubahan tutupan hutan.

Konversi Landsat 8 menjadi 8 bit

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

Gunakan : Geoprocessing > Grid > Calculus > Grid Calculator.

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.

Gambar yang dihasilkan akan sama dengan band 8bit.

Setiap band (3,5,7) perlu dikonversi satu per satu.

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

Untuk membuat image difference:

Gunakan:Geoprocessing>Grid > Calculus > Grid Calculator

Gunakan formula (g1 g2) + 128 seperti yang ditunjukkan gambar di bawah.

Lakukan image difference untuk setiap band pada

kedua citra landsat tersebut (1996 dan 2015). Sebagai
cantoh hasil dari substraksi band 3 kita namakan diff
band 3. Ingat untuk mengganti output grid yang
hendak dibuat pilih Create setelah setiap proses
substraksi selesai

Ketika selesai, anda sekarang memiliki 3 band

difference seperti yang ditunjukkan disamping

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

Dengan membandingkan 2 citra asli (1996,

2015) kita dapat menetapkan kelas yang
menunjukkan kehilangan hutan. Dalam
kelas ini adalah kelas 4 - 5. Untuk
membantu mengidentifikasi kelas gunakan
pointer untuk memilih area yang diklasifikasi
dan buka table atribut data tersebut.

Anda akan melihat nomor yang mewakili nilai

kelas didalam area yang anda pilih. Sebagai
contoh di samping menunjukkan perbedaan
tutupan hutan adalah kelas 4 dan 5. Catatan
untuk proses ini anda perlu mengoreksi
gambar (grid hasil analsis)

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
metodeSimple
Table operator ;
min<=value <=max
Buka the lookup table

Anda perlu mengedit

lookup table untuk
menambahkan sebanyak
mungkin baris yang anda
miliki pada contoh ini kita
menambahkan 5 kelas.
Tetapkan nilai minimum
dan maksimum 1-5 dan
masukkan nilai 1 pada
output field new untuk
kelas hutan

117
Setelah menjalankan proses reklasifikasi sekarang kita bias melihat nilai histogram

Klik kanan pada layer

reclassification grid dan pilih
histogram dan table area.

Vectorising kelas grid

Selanjutnya kita akan konversi hasil klasifikasi menjadi polygon agar dapat menghitung
totoal luasan area deforestasi hutan.

Gunakan Geoprocessing>Shapes > Grid > Vectorization >Vectorising Grid Classes.

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.

Klik kanan pada layer poligon dan pilih

atribut untuk melihat tabel atribut.

Anda akan melihat saat ini ada entri untuk

beberapa poligon. Kita ingin menggabungkan
ini menjadi satu poligon sehingga kita bisa
menghitung areanya.

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.

Untuk menghitung luasan polygon

ini:

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.

Penilaian penilaian penutupan lahan juga bisa dilakukan dengan

mengklasifikasi Citra ke kelas tutupan lahan untuk setiap tanggal gambar
(tahun) seperti yang ditunjukkan Di bagian 8. Teknik ini memungkinkan
dilakukannya penilaian perubahan yang lebih canggih antara jenis tutupan
lahan. Hal ini dijelaskan lebih rinci pada section 8.2-8.3

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/).

Pertambangan skala kecil atau Artisanal and small scale mining

(ASM) melibatkan hingga 30 juta orang di seluruh dunia yang
berkontribusi 15-20% dari produksi mineral dan logam global.
Bentuk pertambangan ini umumnya didefinisikan sebagai kegiatan
masyarakat dengan sedikit modal yang dikeluarkan dan tanpa
pengakuan formal, dengan fokus pada deposit yang kecil. Jumlah
orang yang terlibat dalam ASM telah meningkat secara substansial
selama sepuluh tahun terakhir karena harga mineral dunia telah meningkat. Meskipun
pertambangan skala kecil ini sering dipandang negatif oleh pemerintah dan badan
internasional karena potensi dampak lingkungan dan kesehatan yang merugikan. Namun
penambangan rakyat dan pertambangan kecil memberi orang-orang miskin akses langsung
ke kekayaan mineral dari tanah mereka, memberikan penghidupan yang beragam dan
secara positif mengembangkan ketahanan masyarakat.

Bagian ini menggunakan data elevasi di west Timor:West_Timor_(SRTM_80m)

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

1. Import data lapangan (.csv format) ke dalam SAGA

2. Konversi point data (.shp)
3. Tambahkan potensi erosi (nilai LS Faktor) dari grid ke point
4. Konversi point ke grid
5. Gunakan grid ini untuk melihat model aliran

Import data lapangan (CSV file) ke dalam SAGA

file CSV termasuk data elevasi west Timor dapat di download.

Load data CSV dengan cara dragging dan dropping ke dalam SAGA (seperti yang
ditunjukkan section 7.7).

Sekarang konversi data table menjadi point data:

Gunakan : Shapes>Conversion>Convert table to points

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:

Gunakan:Geoprocessing>>Shapes>>Grid>>Grid Values>Add Grid Values

toPoints.

The module window will then ask for:

Pada input shapes pilih data

lapangan (point data)
Pilih [create] untuk membuat layer
point yang baru.
Grid yang nilainya akan dipindahkan.
Pada contoh ini kita menggunakan
grid LS Factor.
Gunakan metode interpolasi
NearestNeighbour

Untuk melihat table

attribute klik kanan
pada layer point yang
baru dan pilih
attribute dan show

Sekarang kita memiliki kolom baru pada table atribut yang

menunjukkan nilai LS factor pada setiap titik data lapangan

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

Gunakan : Geoprocessing>Grid>Gridding>Shapes to Grid

Pilih Random Points sebagai grid input dengan nilai LS factor sebagai atributnya.

Anda akan mempunyai sebuah grid baru (random points (LS Factor)).

Untuk membuat aliran sediment dari data point grid ini:

Gunakan : Geoprocessing >Terrain Analysis > Hydrology>Flow Accumulation>Flow

Accumulation (Top Down)

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 :

Atur No Data maximum value to 0 pada tab settings sehingga

memungkinkan anda melihat data aliran sedimen.

Anda juga dapat melihat dalam tampilan 3D:

124
10.4 Analisis Potensi Pencemaran Aliran Sungai Akibat Logam Berat berbasis Citra
Satelit di wilayah Pertambangan Skala Kecil di Sulawesi Tenggara

Penambangan emas rakyat di Kabupaten

Bombana, Sulawesi Tenggara dimulai
dengan demam emas di sekitar sungai
Tahi Ite pada akhir tahun 2008. Dari bulan
September 2008 sampai April 2009,
catatan resmi menunjukkan bahwa lebih
dari 63.000 orang membanjiri kabupaten
tersebut dari daerah-daerah tetangga dan
di luar provinsi Sulawesi Tenggara. Tanpa
pengawasan yang berarti dari pemerintah,
kegiatan mendulang emas dengan cepat
mengarah pada berbagai dampak sosial
dan lingkungan yang tak terduga dan
merugikan. Kerusakan lingkungan telah
meluas dengan meningkatnya erosi dan
sedimentasi sungai dari tepi sungai dan pertambangan aluvial, konversi lahan hutan dan
secara riil mengurangi arus sungai di bagian hilir dan kualitas air. Kejadian ini membuat
kegiatan masyarakat dalam ASM kurang terorganisir, upaya pemerintah berfokus untuk
menerbitkan izin pertambangan ke perusahaan swasta dan membatasi kegiatan ASM .

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:

1. Import landsat dan klasifikasi area pertambangan

2. Klasifikasi area pertambangan dengan menggunakan teknik segmentasi OBIA
3. Load data Digital Elevation dan buat grid Fill sinks
4. Jalankan Flow tracing analysis mengidentifikasi dampak aliran di dalam Catchment
dan diluar catchment

Tahap ini menggunakan : Landsat data dari Sulawesi tahun 2015. (219mb)

Download video tutorial disini:

https://sagatutorials.wordpress.com/mapping-mines-site-sediment-flows/

Import citra landsat

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

Zoom ke area pertambangan.

Selanjutnya pada tab map klik
kanan pada grid dan pilih Adjust
Histogram to map extent seperti
ditunjukkan gambar di samping.

Area pertambangan ditampilkan lebih jelas

dengan warna biru. Ini merupakan respon
pantulan dari air yang berlumpur

Clip citra landsat ke area yang diinginkan

(area of interest)
Perhatikan dengan seksama gambar yang
menunjukan area pertambangan. Sekarang
kita akan memotong citra khusus untuk area
tambang saja.

Gunakan :Geoprocessing>Tools>Grid>Grid System>Clip Grid Interactive

Pilih grid system dan masukkan

ketiga grid yang akan di clip

126
Sekarang gunakan kursor untuk membuat kotak pada area tambang yang akan di clip

Selanjutnya muncul kotak dialog yang

akan mengkonfirmasi anda untuk
memotong (clip) anda bisa memilih
cancel jika area yang anda pilih salah.

Ketika selesai memotong gambar maka akan ditampilkan

sebuah grid system baru pada data tab:
Anda bisa lihat bahwa data (hasil cli) memiliki luasan yang
lebih kecil disbanding citra landsat sebelumnya.

Klik kanan pada data yang memiliki

luasan besar tersebut kemudian
close.

Kita tidak perlu bekerja dengan

data yang lebih besar tadi, karena
focus kita hanya pada area
tambang saja

Tampilkan kembali hasil clipped dalam

RGB composite. Klik 2x pada layer band
7 untuk menampilkan dalam
workspace.kemudian pada tab properties
pilih RGB composite pada display type .
Pilih Blue = Band 3 dan Green = band 6
then click apply.

127
Run Object Based Image Analysis (Segmentation)

Use: Geoprocessing > Imagery > Segmentation > OBIA>Object Based Image
analysis

1) Pilih ketiga band yang

telah di clip
2) Atur band width for
seed generation
menjadi 2..
3) Pilih unsupervised
classification dan isi
50 classes untuk
jumlah kelas
4) jangan ceklis Split
clusters.
Ini berarti kita memilih
banyak polygon
dengan kelas yang
sama

Sebuah shapes baru dengan nama segments data akan muncul

pada tab data. Double click untuk menampilkan di atas citra landsat

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

Pilih kelas poligon yang

cukup untuk sebagian
besar polygon pada area
tambang seperti yang
ditunjukkan di sini.

Setelah itu kita perlu

menyalin semua area
yang terpilih ke dalam
layer baru.

Gunakan : Geoprocessing>Shapes > Selection >

Copy selection to new shapes layer

Edit Area Tambang yang terpilih

Untuk membersihkan hasil klasifikasi kita perlu memisahkan kembali setiap poligon agar
dapat menghapus beberapa poligon yang
salah (bukan termasuk area tambang)

Gunakan: Geoprocessing>Shapes >

Polygons> Polygon Parts to separate
Polygons

Sekarang tampilkan layer baru

selection Parts di atas citra landsat.

Hapus kembali layer selection

sebelumnya:

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.

Analisis Aliran Sedimen

Load data DEM Bombana. Kita akan menggunakan grid ini ketika kita mengkonversi
segment (area tambang) yang telah diklasifikasi menjadi data raster .

Convert cleaned up classification to raster data

Gunakan: Geoprocessing> Grid>Gridding>Shapes to Grid

1) Pilih cluster sebagai

nilai attribute yang
akan digunakan oleh
grid cells.

2) Pilih grid or grid

system sebagai target
output grid system
untuk grid yang baru.

131
Tampilkan grid area tambang (data raster) diatas
data DEM Bombana seperti gambar di samping

Preprocess the DEM

Sebelum kita melakukan flow analysis kita perlu untuk membuat analsisi fill sinks. Ingat
untuk menghasilkan grid sink filled menggunakan elevation data;

Geoprocessing>Terrain Analysis>Preprocessing>Fill Sinks (Wang Liu).

Masukkan input elevasi untuk wilayah Bombana

Coba lihat hasilnya. Sebuah grid untuk melihat batas

catchment.
Dapatkan anda menggunakan ini untuk memprediksi
dimana sediment dari hasil tambang akan mengalir?

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]

Klik 2x pada grid Flow Accumulation untuk

menampilkan hasilnya pada workspace. Untuk
melihat aliran sedimen diatas data elevasi anda
perlu mengaturnya di Setting Tab dan masukkan
nilai 0 pada No Data Maximum untuk membuat
nilai 0 menjadi transparan.

Coba tampilkan aliran sedimen ke dalam 3D seperti yang ditunjukkan gambar di bawah

133
11. Konsep Tingkat Lanjut
Trav

Bagian ini mencakup:

Tool Chains

SAGA Tool Chains memungkinkan beberapa modul digabungkan bersama untuk

mengotomatisasi dan mempercepat urutan pemrosesan yang kompleks.

Travel time analysis:

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

SAGA Tool Chains memungkinkan beberapa modul digabungkan bersama untuk

mengotomatisasi dan mempercepat urutan pemrosesan yang kompleks. Tool chains serupa
dengan pembuat model ARC-Map namun bukan dikerjakan pada interface SAGA tetapi
menggunakan file xml yang digabungkan dengan beberapa modul analsis. Cara termudah
untuk mulai membuat tool chains adalah dengan mengekspor file yang memproses riwayat
analsisi kita pada SAGA sebagai file xml lalu mengeditnya di Notepad ++ (https://notepad-
plus-plus.org/download/). Prosesnya cukup mudah dan saat anda memahami struktur tool
chains, anda akan merasa sangat berguna.

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.

Membuat Land Cover grid

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.

Gunakan : Geoprocessing >Grid>Analysis>Travel Time Analysis>Land Cover

scenario offset

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

Output grid, yang ditunjukkan di samping,

berwarna acak. Ini membantu untuk
menafsirkan output jika warnanya diatur
kembali dengan menggunakan skema
warna yang lebih intuitif.

Klik kanan pada LC grid dan pilih Create

Lookup Table.
Pilih unique values sebagai
classification Type.

Klik apply pada tab Object Properties

pilih Lookup Table sebagai the colour
Type

137
Ganti warna pada lookup table agar
lebih memudahkan untuk
menerjemahkan tutupan lahan seperti
contoh di samping

Pembuatan Grid Travel Time

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
2 Grass
3 Bare, Rocky
4 Scrub 0.75
101 Stream Class 1
102 Stream Class 2
103 Stream Class 3
104 Stream Class 4
105 Stream Class 5
201 National Road/Hi-way
202 Provincial Road
203 Local Road/Track
1 180
2 90
3 60
240
2 90
2 90
2 90
2 90
0 99999
50 3
25 7
10 18

Table 2.

Pembuatan grid Travel Time

membutuhkan input seperti
ditunjukkan pada gambar di
samping.
1. Land Cover Grid yang telah
dibuat pada tahap
sebelumnya (Land cover grid
creation)
2. Destpoints (Destination
point/titik yang dituju)
3. LC_Speed (Table 1)
4. TT_Zones (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

Pada contoh yang ditunjukkan di sebelah

kanan, nilai baru yang ingin kita gambarkan
pada grid tutupan lahan telah ditetapkan

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.

Sekarang gunakan alat kursor untuk membuat gambar

perlahan kemudian membuat nilai sel baru akan muncul di
seluruh grid land cover.

Setelah mengedit titik tujuan, tabel kecepatan perjalanan dan /

atau tutupan lahan dimungkinkan untuk langsung
menjalankan travel time analisis lagi untuk melihat output
baru. Setelah setiap iterasi model anda dapat menyimpan
hasilnya ke grafik peta atau file GIS untuk membandingkan
skenario lebih jauh.

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.

beri Workspace grid sebuah nama

baru , Pada contoh di samping diberi
nama LookUpTable.
Sekarang telah siap untuk melakukan
analisis confusion matrix:

Gunakan: Geoprocessing >

Imagery > Classification >
Confusion Matrix (Two Grids)

Klasifikasi 1 adalah grid 1996,

Klasifikasi 2 adalah grid 2015. Look-
up Table dan nilai minimum,
maximum serta name telah diisi
seperti gambar disamping.

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

Pada contoh di atas berapa area (km2) yang berubah dari

hutan menjadi rumput? Formula yang digunakan (247509 *
900) / 1000000.

Hal ini dimungkinkan pada tahap apapun untuk menyimpan

tabel ke format .txt atau .csv untuk analisis lebih lanjut di
excel.

145
11.4 Atmospheric Correction

Top of Atmosphere correction akan mengkonversi reflektansi citra Landsat dengan

menghilangkan variasi akibat radiasi sinar marahari.

Gunakan : Geoprocessing>Imagery>Landsat>Top Of Atmosphere Reflectance

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!

Karena fakta bahwa SAGA berjalan melalui

alokasi RAM komputer anda, kumpulan data
yang besar dapat menyebabkan kerusakan
yang berlebihan. Ada tiga cara untuk
mengatasi hal ini:

Bekerja dengan komputer dengan

alokasi RAM yang bagus jika anda
memproses kumpulan data yang lebih
besar clip data yang lebih besar ke area
yang ingin dianalisis. Hindari, misalnya,
bekerja pada scene Landsat yang
lengkap jika tidak perlu. Simpan data
anda dan proyek terkait agar pekerjaan
anda tidak hilang.

Untuk menyimpan sebuah grid, klik

kanan dan pilih save as.
Untuk menyimpan semua data yang dihasilkan dan struktur proyek yang terkait, gunakan
File> Save Project dari atas menu.

Membuka File yang Tidak Dikenal

Sebagian besar file dapat dibuka dengan drop dan drag

ke SAGA. Jika Anda mencoba dan membuka file dan
tidak muncul di jendela yang dipilih maka pilih "All Files".

Mencari Geoprocessing tools

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.

Kehilangan toolbar Navigasi

Biasanya, Anda memiliki dua tool bar di bawah menu atas seperti gambar di bawah ini.

Terkadang bilah alat navigasi mungkin tidak muncul

Cara termudah untuk membuatnya muncul kembali adalah dengan hanya menarik bilah
toolbar yang ada keluar dari Area toolbar dan letakkan kembali ditempat semula.

Temukan Informasi mengenai geoprocessing modules.

Semua modul geoprocessing memiliki deskripsi yang menyertainya tentang bagaimana

mereka diturunkan dan sering dengan referensi ke makalah yang menjelaskan secara rinci
algoritma di belakangnya. Ini dapat ditemukan menggunakan tab tool, pilih tool dan Tab
deskripsi.

148
149