You are on page 1of 123

2015

PUSAT PEMANFAATAN
PENGINDERAAN JAUH

LAPAN

GOLD

LITBANG PEMANFAATAN DATA PENGINDERAAN
JAUH UNTUK IDENTIFIKASI SUMBERDAYA GEOLOGI
(IDENTIFIKASI PETI DI ACEH)

LAPORAN KEGIATAN LITBANGYASA

LITBANG PEMANFAATAN DATA PENGINDERAAN JAUH UNTUK
IDENTIFIKASI SUMBERDAYA GEOLOGI
(IDENTIFIKASI PETI DI ACEH)

Oleh :
 Dipo Yudhatama
 Arum Tjahjaningsih  Ahmad Sutanto
 Wikanti Asriningrum  Krisna Indriyawan
 Susanto  Udhi Catur Nugroho
 Surlan
 Atriyon Julzarika

PUSAT PEMANFAATAN PENGINDERAAN JAUH
LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL
Jl. Kalisari No. 8 Pekayon, Pasar Rebo, Jakarta 13710
Telp. (021) 8710065 Faks. (021) 8722733

i

ii

Kepada tim litbangyasa yang telah melakukan kegiatan litbangyasa ini. Agar setiap kegiatan untuk menuju hal tersebut terdokumentasi dengan baik. Akhir kata. dan juga pihak-pihak lain yang terkait. Kritik dan saran terkait penyusunan buku ini dapat disampaikan langsung. (5) Hasil dan Pembahasan. (4) Bahan dan Metode. Buku ini intinya terdiri dari 6 Bab yang memuat (1) Pendahuluan. tak ada gading yang tak retak. buku ini tentunya tidak sempurna. maka disusunlah buku laporan setiap tahunnya. Puji syukur ke hadirat Allah SWT. namun ini akan menjadi dokumen yang penting dalam kegiatan penelitian dan pengembangan selanjutnya. dan (6) Kesimpulan dan Saran. Buku ini disertai dengan lampiran-lampiran yang mendukung hasil kegiatan tersebut. naka dilakukan kegiatan penelitian. (3) Tinjauan Pustaka. 21 tahun 2013 mengamanatkan kepada Lembaga Penerbangan dan Antariksa Nasional (LAPAN) untuk menetapkan metode dan kualitas pengolahan data penginderaan jauh. KATA PENGANTAR Undang-undang No. Buku ini disusun sebagai bukti pertanggungjawaban hasil kegiatan litbangyasa yang dibiayai oleh DIPA Pusat Pemanfaatan Penginderaan Jauh. baik nasional maupun internasional. Sehubungan dengan hal tersebut. narasumber baik dari tim litbangyasa yang lain dan perguruan tinggi. Kegiatan litbangyasa tersebut tentunya tidak dilakukan dalam waktu setahun atau dua tahun sehingga metode dan kualitas data langsung ditetapkan. dan perekayasaan (litbangyasa) pemanfaatan penginderaan jauh sebagai dasar dalam penentuan metode dan kualitas pengolahan data. Hal ini akan dapat membantu agar penyusunan buku berikutnya menjadi lebih baik. saya selaku Kepala Pusat Pemanfaatan Penginderaan Jauh mengucapkan terima kasih yang sebesar- besarnya. namun memerlukan proses dan waktu yang cukup panjang. selain buku ini diharapkan juga dipublikasikan hasil temuan-temuan yang sudah didapatkan dalam media yang lain seperti Jurnal. M. 14 Desember 2015 Kepala Pusat Pemanfaatan Penginderaan Jauh. Masukan-masukan dan hasil-hasil diskusi memperkaya kegiatan ini sehingga mendapatkan hasil yang semakin baik. (2) Tujuan dan Sasaran. pengembangan. Jakarta. Rokhis Khomarudin iii . Kepada pihak-pihak terkait yang telah membantu kegiatan ini. Dr. baik secara lisan maupun tulisan. Dalam penyusunan buku ini tentunya melibatkan tim litbangyasa yang bekerja selama tahun 2015. penyusunan buku hasil litbangyasa dengan judul Litbang Pemanfaatan Data Penginderaan Jauh untuk Identifikasi Sumberdaya Geologi (Identifikasi Peti Di Aceh) telah diselesaikan dengan baik.

iv .

55 4. Aceh 12 III. Sasaran. Pengolahan Data Landsat 21 4. Geologi Struktur 10 2. Kombinasi Kanal Citra Landsat Untuk Identifikasi Geologi 56 4.7.3.8. Potensi Mineral Tembaga di Geumpang. Pola Aliran Geumpang 57 4. METODOLOGI 13 3.4. HASIL PENGOLAHAN DATA 21 4.3. Data Citra Satelit 5 2.6. 11 2. Segmentasi Multiresolusi pada Citra SPOT 6 30 4.5. Metode Penelitian. KESIMPULAN DAN SARAN 62 LAMPIRAN PETUNJUK TEKNIS PENGOLAHAN DATA 66 LAMPIRAN PELATIHAN PENGINDERAAN JAUH DAN SURVEY 103 LAPANGAN v .1. Hasil Pengolahan Parameter Geologi 54 4. Kelurusan 60 V. Tujuan.1.4.5. PENDAHULUAN. 1 1. Latar Belakang 1 1.2.2.3.6. Data yang digunakan 14 3.1. Daerah Kajian 13 3. Geumpang. Mineral Logam Emas.1. 14 IV. DAFTAR ISI Halaman: KATA PENGANTAR iii DAFTAR ISI v DAFTAR GAMBAR vi DAFTAR TABEL ix I. Hasil Litbang Geologi di lingkungan LAPAN 3 2. TINJAUAN PUSTAKA 3 2. Manfaat 2 II. Hasil Litbang Geologi di luar LAPAN 4 2. Perhitungan Nilai Statistik VIDN pada Polygon Sample Lahan Terbuka Tambang 32 4.7. Data Satelit Geodesi 7 2.3. Dasar Hukum 2 1.2.2.

16. 8 wilayah Geumpang. (a) band NIR (band 5). (b) band Red (band 4). (b) band Red (band 4). Gambar 4. Formasi batuan terlipat. salah satu subjek studi 10 geologi struktur 7. (a) band NIR (band 4).3.4. DAFTAR GAMBAR Halaman 1. Data SPOT-6 tanggal 23-5-2013 wilayah 13 Geumpang. Gambar 2.4. Hasil NDVI wilayah Geumpang. Gambar 2. (b) band Red (band 4). Gambar 3. Gambar 4. 17.1. (a) band NIR (band 5). (c) band Green (band 2). 14. Gambar 3. Diagram alir keseluruhan kegiatan penelitian 15 Identifikasi Lahan Tambang Emas 11. Geumpang Aceh 12 8. Citra Landsat 7 wilayah Aceh Selatan scene 21 path/row :131/057 tanggal 5 Maret 2000 yang telah dikoreksi radiometrik. Data Landsat-5.5. Citra Landsat 8 wilayah Aceh Selatan scene 22 path/row :131/057 tanggal 23 Mei 2014 yang telah dikoreksi radiometrik. Aceh (a) hasil 23 NDVI dari Landsat 7 tanggal 5 Maret 2000. (b) band Red (band 3). (b) band Red (band 4).2. Citra Landsat 5 wilayah Aceh Selatan scene 22 path/row :131/057 tanggal 20 Januari 2010 yang telah dikoreksi radiometrik. Gambar 3. Cakupan SRTM 7 4. Gambar 4.5. kabupaten Pidie. Lokasi Penambangan Emas. Gambar 2. (c) band Green (band 3). Gambar 3. (a) band NIR (band 5). Gambar 4.3. (c) band Green (band 3).2. (c) band Green (band 3). (b) vi . (c) band Green (band 3). Peta Sebaran Bekas Tambang di Pujon. Liputan X SAR di Indonesia 8 6. 15. kabupaten 13 Pidie.2. Gambar 4.1.3. Kondisi Lahan di Provinsi Nangro Aceh 2 Darussalam 2. Gambar 2. Kalteng 3.4.6.1. 18. Interferometri SRTM C dan X SAR 8 5. Gambar 3. Gambar 1. Diagram Alir Ekstraksi Kelurusan Otomatis 20 13.5. Metode Ekstraksi Pola Aliran 19 12. Citra Landsat 5 wilayah Aceh Selatan scene 21 path/row :131/057 tanggal 18 Februari 2009 yang telah dikoreksi radiometrik.6. Gambar 2. Citra Landsat 5 wilayah Aceh Selatan scene 22 path/row :131/057 tanggal 8 Februari 2011 yang telah dikoreksi radiometrik. Provinci Aceh 10. Gambar 2. Provinsi Aceh 9. (a) band NIR (band 5). 5 Kabupaten Kapuas. Gambar 4.1.

(b) hasil VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 5 tanggal 8 Februari 2011. Gambar 4. Hasil VIDN wilayah Geumpang. Gambar 4. Gambar 4. 23. Aceh (a) hasil 24 VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 5 tanggal 20 Januari 2010. Aceh (a) hasil citra sintetik MPCA.16. 26.1.1 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang.9. Hasil MPCA dari data Landsat 8 tanggal 23 28 Mei 2014 dan data Landsat 5 tanggal 20 Januari 2010 wilayah Geumpang.14. Hasil MPCA dari data Landsat 8 tanggal 23 Mei 27 2014 dan data Landsat 5 tanggal 18 Februari 2009 wilayah Geumpang. Gambar 4. Hasil Segmentasi Multiresolusi dengan 30 parameter (a) Scale 250 dan Color 0. (b) hasil statistik MPCA.9. (b) Scale 100 dan Color 0. Hasil VIDN wilayah Geumpang.15. 22. Hasil Segmentasi Multiresolusi dengan 31 parameter (a) Scale 50 dan Color 0. (b) hasil statistik MPCA 24.13. (c) hasil NDVI dari Landsat 8 tanggal 23 Mei 2014. Gambar 4.5.10. (b) Scale 100 dan Color 0. Gambar 4. Aceh (a) hasil citra sintetik MPCA. Gambar 4.11.8. (b) Scale 50 dan Color 0. Aceh 27. 19.7. (b) hasil statistik MPCA. Aceh (a) hasil citra sintetik MPCA. Hasil Segmentasi Multiresolusi dengan 31 parameter (a) Scale 100 dan Color 0. (b) hasil VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 5 tanggal 18 Februari 2009. Aceh (a) hasil citra sintetik MPCA. Hasil MPCA dari data Landsat 8 tanggal 23 Mei 26 2014 dan data Landsat 7 tanggal 5 Maret 2000 wilayah Geumpang. Gambar 4. (b) hasil NDVI dari Landsat 5 tanggal 8 Februari 2011. (b) hasil statistik MPCA 25. Aceh 28. Aceh (a) hasil 24 VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 7 tanggal 5 Maret 2000.9 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang. 20. (a) hasil NDVI dari Landsat 5 tanggal 20 23 Januari 2010.5 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) vii .12. hasil NDVI dari Landsat 5 tanggal 18Februari 2009. Hasil MPCA dari data Landsat 8 tanggal 23 Mei 29 2014 dan data Landsat 5 tanggal 8 Februari 2011 wilayah Geumpang. Gambar 4. Gambar 4. 21.

PC6 tahun 2014 dan tahun 2011 35. Citra Quickbird wilayah Krueng Sabe Tahun 50 2014 38. Aceh. Hasil thresholding data citra sintetik VIDN 36 wilayah Geumpang. Citra Landsat-8 wilayah Krueng Sabe Tahun 50 2014 39. PC6 tahun 2014 dan tahun 2009. PC4. 23. Gambar 4. Gambar 4. Skema proses segmentasi multiresolusi untuk 32 memilih polygon-polygon yang merupakan daerah yang teridentifikasi sebagai lahan terbuka tambang. PC4.19. (d) PC2. Gambar 4. (d) Hasil thresholding data citra sintetik VIDN tahun 2014 dan tahun 2011 wilayah Geumpang. PC2. Gambar 4. Gambar 4. (c) PC1. (d) tahun 2014 dan tahun 2011. (a) Hasil thresholding data citra sintetik VIDN 34 tahun 2014 dan tahun 2000. Gambar 4. polygon sample dan polygon 44 hasil identifikasi 36. PC6 tahun 2014 dan tahun 2011. PC4. Aceh 29. 32. 31. PC6 tahun 2014 dan tahun 2000. (c) tahun 2014 dan tahun 2010. (b) PC2. PC4. PC6 tahun 2014 dan tahun 2010. Hasil thresholding data citra sintetik MPCA 40 wilayah Geumpang. (c) PC1. Gambar 4.28. Aceh 30. (d) PC2. wilayah Geumpang. Visualisasi MPCA. (c) Hasil thresholding data citra sintetik VIDN tahun 2014 dan tahun 2010. (b) Hasil thresholding data citra sintetik VIDN tahun 2014 dan tahun 2009. (b) tahun 2014 dan tahun 2009. PC2. Aceh (a) PC2.27. PC3. PC3. Aceh setelah dilakukan median filtering (a) PC2.18. PC3. Gambar 4. Hasil thresholding data citra sintetik MPCA 41 wilayah Geumpang. Citra Landsat-5 wilayah Krueng Sabe Tahun 51 viii . PC3. PC4.21. Hasil Segmentasi Multiresolusi dengan 31 parameter Scale 50 dan Color 0. PC3. polygon sample dan polygon 48 hasil identifikasi 37. 33.26.1 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang. (b) PC2. PC3. PC6 tahun 2014 dan tahun 2010. 34. Gambar 4.22. Gambar 4. PC6 tahun 2014 dan tahun 2000. Gambar 4. PC4. PC6 tahun 2014 dan tahun 2009. Gambar 4. PC4. 20.24.17. Citra Landsat-5 wilayah Krueng Sabe Tahun 51 2011 40. Aceh setelah dilakukan median filtering (a) tahun 2014 dan tahun 2000. PC4.25. Visualisasi VIDN.

Hasil ujicoba model untuk wilayah Krueng Sabe 52 Tahun 2009 dan 2014 setelah dilakukan median filter (a) model VIDN.42 Line Desity Analysis 61 55. DB. 19 6.36. Aceh. Landsat 8 komposisi RGB 562 58 52.43 Overlay hasil akhir ekstraksi kelurusan secara 61 otomatis dengan data Landsat 8 RGB 562 DAFTAR TABEL Halaman 1. Gambar 4. Aceh.39. Hasil ujicoba model untuk wilayah Krueng Sabe 53 Tahun 2011 dan 2014 setelah dilakukan median filter (a) model VIDN. Gambar 4.40 Overlay pola aliran dengan Landsat 8 RGB 562 59 53. Tabel 3. Tabel 4. Gambar 4. Gambar 4.35.2 Spesifikasi Kanal Landsat 5/7 dan Landsat 8 7 3. Tabel 3. Gambar 4.37. Gambar 4. Gambar 4. Citra Landsat-5 wilayah Krueng Sabe Tahun 51 2009 42.32.1 Spesifikasi Kanal satelit SPOT-6 6 2.33. Gambar 4. DB.41. 2010 41.1.2 Nilai ESUN untuk sensor satelit Landsat 4.1 Data Citra Landsat yang digunakan untuk kegiatan 14 4. Gambar 4.38. 5 dan 7. Tabel 2. Gambar 4. DG dari data 30 covarian eigenvector yang dihasilkan dari data : (a) MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 7 tanggal 5 Maret 2000 wilayah Geumpang.3 Tanda aljabar untuk komponen SB. Gambar 4. Gambar 4. Hasil ujicoba model untuk wilayah Krueng Sabe 52 Tahun 2000 dan 2014 setelah dilakukan median filter (a) model VIDN. DG. SG. 16 5.30. (b) model MPCA 44. (b) model MPCA 46. Gambar 4. Hasil ekstraksi kelurusan menggunakan LINE 60 Algorithm 54. Pemetaan Geodinamika dan deformasi pada 55 wilayah Geumpang dan sekitarnya 49. SG. Data DEM SRTM 30 m Daerah Geumpang 58 51. Gambar 4. (c) MPCA ix . (b) model MPCA 47. (b) model MPCA 45. Tabel 2. Citra Landsat-7 wilayah Krueng Sabe Tahun 52 2000 43. Gambar 4. Kombinasi kanal Landsat untuk wilayah 57 Geumpang 50.29. Hasil ujicoba model untuk wilayah Krueng Sabe 53 Tahun 2010 dan 2014 setelah dilakukan median filter (a) model VIDN. Identifikasi komponen SB.31. Pemetaan Geodinamika dan deformasi pada 54 wilayah Geumpang dan sekitarnya 48. (b) MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 18 Februari 2009 wilayah Geumpang.34. Tabel 3.

Hasil perhitungan nilai statistik Citra Sintetik VIDN 43 yang berada dalam polygon hasil identifikasi lahan terbuka tambang 17. Tabel 4. Hasil perhitungan nilai statistik Citra Sintetik MPCA 46 Tahun 2009 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang 21. Tabel 4. Aceh. Tabel 4.4 Hasil Perhitungan Statisik Citra Sintetik MPCA 37 Tahun 2011 dan 2014 yang Berada Dalam Polygon Sample 10. Aceh 7.14. Tabel 4.10. Hasil Perhitungan Statisik Citra Sintetik MPCA 38 Tahun 2000 dan 2014 yang Berada Dalam Polygon Sample 13.12. Tabel 4. Hasil perhitungan nilai statistik Citra Sintetik MPCA 46 Tahun 2010 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang 22. Tabel 4. Hasil perhitungan nilai statistik Citra Sintetik MPCA 45 Tahun 2000 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang 20. Tabel 4. Akurasi Hasil Thresholding Citra Sintetik MPCA 42 16. Tabel 4.6. Tabel 4.2 Hasil Perhitungan Statisik Citra Sintetik VIDN yang 33 Berada dalam Polygon Sample 8. Tabel 4. Hasil perhitungan nilai statistik Citra Sintetik VIDN 44 yang berada dalam polygon sample lahan terbuka tambang 18. Hasil Perhitungan Statisik Citra Sintetik MPCA 37 Tahun 2010 dan 2014 yang Berada Dalam Polygon Sample 11. (d) MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 8 Februari 2011 wilayah Geumpang.15. dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 20 Januari 2010 wilayah Geumpang.3 Nilai Threshold Citra Sintetik VIDN yang Berada 34 dalam Polygon Sample 9. Tabel 4. Tabel 4. Tabel 4.7. Tabel 4. Tabel 4. Rasio nilai standar deviasi Citra Sintetik VIDN yang 44 berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik VIDN yang berada dalam polygon sample lahan terbuka tambang 19. Hasil Perhitungan Statisik Citra Sintetik MPCA 38 Tahun 2009 dan 2014 yang Berada Dalam Polygon Sample 12.8. Tabel 4.17.5. Hasil perhitungan nilai statistik Citra Sintetik MPCA 46 Tahun 2011 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang x .11.16.9.13. Akurasi Hasil Thresholding Citra Sintetik VIDN 41 15. Nilai Threshold Citra Sintetik MPCA yang Berada 39 Dalam Polygon Sample 14.

Rasio nilai standar deviasi Citra Sintetik MPCA 47 yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2000 dan 2014 24. Tabel 4. Tabel 4.18.21 Rasio nilai standar deviasi Citra Sintetik MPCA 48 yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2011 dan 2014 xi . 20. Rasio nilai standar deviasi Citra Sintetik MPCA 47 yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2009 dan 2014 25.23.19. Tabel 4. Rasio nilai standar deviasi Citra Sintetik MPCA 48 yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2010 dan 2014 26 Tabel 4.

xii .

Kementerian Energi dan Sumberdaya Mineral (ESDM) merencanakan PETI menjadi penambangan yang legal. 6)Aceh Tengah. Badan Perencanaan Pembangunan Daerah Provinsi Nangro Aceh Darussalam bermaksud untuk menginventarisasi lokasi PETI di wilayahnya Kementerian Lingkungan Hidup dan Kehutanan mempunyai program pemulihan lahan rusak hingga tahun 2019 sebesar 25% untuk 33 provinsi di Indonesia.go.tjahyaningsih@lapan. Udhi Catur Nugroho Pusat Pemanfaatan Penginderaan Jauh-LAPAN *) E-mail: arum. Latar Belakang Provinsi Aceh merupakan provinsi yang memiliki banyak sumberdaya mineral karena faktor geologi yaitu Aceh terletak pada jalur Patahan Semangko. Lembaga Penerbangan dan Antariksa Nasional (LAPAN) memiliki tiga lokasi stasiun bumi penginderaan jauh yaitu di Parepare Sulawesi Selatan. Data citra satelit resolusi tinggi dapat dengan mudah dimanfaatkan untuk pemantauan aktivitas penambang (secara visual). Undang-Undang Nomor. Data penginderaan jauh berkembang sangat pesat. Aceh memiliki cadangan dan penghasil emas di 7(tujuh) kabupaten yaitu: 1)Aceh Barat. temporal maupun spektralnya. Adanya permasalahan terkontaminasinya air sungai akibat limbah berbahaya dari pengolahan emas sehingga menyebabkan jutaan ikan mati . Pekayon Jakarta Timur dan Rumpin Tangerang.1. Lokasi tambang emas ada yang di atas bukit sehingga sulit untuk dilakukan pengecekan. Surlan. Stasiun Bumi Penginderaan Jauh yang berlokasi di Rumpin dimaksudkan untuk merekam data Landsat wilayah Indonesia Barat khususnya wilayah Aceh yang tidak dapat direkam oleh stasiun 1 . Krisna Indriyawan. Perlu dipetakan daerah yang berpotensi mineral emas bernilai ekonomi. menengah dan tingggi. identifikasi parameter geologi (kelurusan. 5)Pidie. sehingga memicu terjadinya kerusakan lingkungan.id I. Stasiun Bumi Penginderaan Jauh LAPAN merekam data resolusi rendah. Susanto. PENDAHULUAN 1. Inventarisasi lahan terbuka bekas tambang ini dilaksanakan sejak tahun 2015. Ahmad Sutanto. Dipo Yudhatama. Pemanfaatan data penginderaan jauh untuk sektor geologi dapat digunakan untuk inventarisasi lahan bekas tambang. sehingga aplikasinya menjadi lebih luas. Penambangan emas tanpa ijin (PETI) merupakan penambangan emas yang dilakukan oleh masyarakat tanpa didasari oleh data eksplorasi. 3) Aceh Jaya. baik resolusi spasial. LITBANG PEMANFAATAN DATA PENGINDERAAN JAUH UNTUK IDENTIFIKASI SUMBERDAYA GEOLOGI (IDENTIFIKASI PETI DI ACEH) Arum Tjahjaningsih*). Atriyon Julzarika. sedangkan untuk citra resolusi menengah memerlukan pengolahan lanjut. 7)Aceh Besar. 2) Nagan Raya. Wikanti Asriningrum. pola aliran dan lain lain). 18 Tahun 2001 tentang Otonomi Khusus untuk Provinsi Nanggroe Aceh Darussalam menuntut Pemda bisa lebih pro-aktif melakukan inventarisasi dan eksplorasi emas di wilayahnya. 4)Aceh selatan.

Sasaran dan manfaat Tujuan : Melakukan penelitian dan pengembangan pemanfaatan data penginderaan jauh untuk inventarisasi sumber daya geologi Sasaran: 1.1. 2. kemen ESDM) dan pemerintah daerah. struktur geologi (kelurusan. 2 . Hasil pemantauan dapat digunakan untuk mendukung program pemulihan lahan terbuka bekas tambang dan penertiban ijin tambang yang dilakukan pemerintah pusat (KLHK. Metode deteksi lahan tambang emas dapat dimanfaatkan.Parepare. untuk inventarisasi lahan bekas tambang di Indonesia. dll). 21 Tahun 2013 Tentang Keantariksaan. Tersedianya model pemanfaatan data penginderaan jauh untuk penurunan parameter geologi {Lithologi (mineral.2. Data satelit yang direkam oleh stasiun bumi LAPAN dan dapat digunakan untuk inventarisasi lahan tambang adalah data citra satelit LANDSAT dan SPOT. jenis batuan.  Peraturan Kepala LAPAN No. Tujuan. 2 Tahun 2011 1. hidrogeologi} Manfaat Kegiatan: 1. Tersedianya model identifikasi lahan tambang emas di Aceh menggunakan data penginderaan jauh (SPOT dan Landsat) 2. baik oleh kegiatan penelitian atau operasional LAPAN. zona alterasi. Dasar Hukum  Undang-Undang Republik Indonesia No. Kondisi Lahan di Provinsi Nangro Aceh Darussalam 1.geomorfologi. Gambar 1.3. pergerakan lempeng).

yaitu wilayah Newmont. mulai dari konvensional hingga menggunakan mesin modern. bijih besi). 2. Penelitian ini merupakan pengembangan dan pemanfaatan metode identifikasi sebaran lahan tambang timah dan parameter-parameter geologi (kelurusan dan pola pengaliran) untuk optimalisasi kawasan tambang dari data penginderaan jauh. dan sekitar gunung Batulanten. biji besi). dan citra ALOS PALSAR. potensi tembaga terdapat di tiga wilayah di pulau Sumbawa (dengan batas sesar antara Plambang-Dompu). sekitar gunung Dodo (titik maksimal). tambang golongan C). ALOS Palsar. Hasil penelitian menunjukkan secara visual bekas lahan tambang timah selain memiliki bentuk. Altimetri. tanah liat. Pada tahun 2012 telah dilakukan penelitian pendeteksian struktur geologi berbasiskan data penginderaan jauh (Optik dan SAR) untuk optimalisasi kawasan tambang. Dahor. struktur dome didapatkan dari analisa data DEM SRTM dan citra ALOS PALSAR. Pada tahun 2013 telah dilakukan penelitian tentang identifikasi wilayah potensi sumberdaya mineral tembaga di wilayah Pulau Sumbawa. Fokus kegiatan penelitian termasuk ke bagian teknologi energi yang bersifat riset terapan. spectral. Pendeteksian struktur geologi dan tambang ini didekati secara perataan/geomatematika. Data masukan yang digunakan adalah citra Landsat. DEM SRTM. potensi logam besi. Pada tahun 2014 dilakukan Litbang di Pulau Bangka dan Belitung untuk tambang timah. Warukin. Pitap). dan analisis 3D terhadap lahan bekas penambangan timah. GRACE. 3. Namun klasifikasi secara visual masih memiliki tingkat kesalahan yang cukup tinggi untuk mengidentifikasi bekas lahan tambang timah. Segal (zona alterasi. Profil gaya berat bumi dan geomagnetik dihasilkan dari citra satelit GRACE dan GOCE. Lokasi penelitian ini terletak di Kabupaten Tabalong (Kalsel) dan Kabupaten Paser (Kaltim) atau meliputi enam formasi geologi (Tanjung. Penelitian ini memanfaatkan data penginderaan jauh berupa data citra satelit Landsat. Abrams (alterasi hidrotermal oksida besi. mineral hidroxil. tanah liat. STUDI PUSTAKA 2. Data yang digunakan adalah citraLandsat multi temporal periode 1989-2014 dan DEM SRTM. Chica-Olma (mineral logam dan non logam. Pendeteksian struktur geologi dengan metode dip and strike. dan sebaran yang spesifik.1. Hasil identifikasi mineral dalam penelitian ini. SRTM C. Eksplorasi bijih timah terus berkembang. maka lahan bekas tambang timah dapat teridentifikasi 3 . pola. Berai. Montalat. Informasi jenis tutupan lahan ( landcover ) yang didapatkan dari interpretasi dan klasifikasi data citra penginderaan jauh ( LANDSAT ) bisa digunakan untuk mengidentifikasi potensi sumberdaya mineral. Deteksi tambang dengan perataan dan gravimetrik relatif. Dengan mengamati karakteristik nilai spectral dan digital objek pada citra. Kaufmann (mineral hydroxyl). Beberapa jenis vegetasi dan tutuapan lahan berkorlasi dengan potensi kandungan mineral tertentu. Metodenya dengan mengkombinasikan pengamatan secara visual. Profil geomorfologi dan struktur geologi berupa patahan. Hasil Litbang Geologi di Lingkugan LAPAN 1. Grace. GOCE.II. XSAR. Prediksi hitungan volume tambang dengan metode cut and fill. tambang golongan C. Dalam penelitian ini dilakukan beberapa pemodelan untuk identifikasi mineral tembaga antara lain yang diturunkan dari data citra optik (citra Landsat) antara lain metode Prost (identifikasi lokasi tambang). NTB.

 Komponen stable greeness (SG) yang didefinisikan apabila saluran merah dari kedua waktu mempunyai tanda aljabar yang sama tetapi berlawanan dengan tanda aljabar saluran inframerah dari kedua waktu. Nilai yang negatif menyatakan adanya pengurangan biomassa atau vegetasi hijau dan merupakan indikasi adanya perubahan tutupan lahan. Tahun 2010. Parameter geologi yang dihasilkan dari penelitian ini berupa pola kelurusan dan pola aliran. Pada penelitian ini digunakan metode analisis komponen utama multiwaktu atau Multitemporal Principal Component Analysis (MPCA) dan pengurangan dua indeks vegetasi NDVI untuk membuat citra sintetis.  Komponen delta brightness (DB). Nilai VIDN akan berkisar antara -2 sampai 2. Nilai ambang batas atas (Tu) dan ambang batas bawah (Td) dari masing-masing treshold ditentukan berdasarkan nilai piksel contoh pada areal-areal lahan bekas tambang. Hasil Litbang Geologi di Luar LAPAN 1. Kabupaten Kapuas. Provinsi Kalimantan Tengah. dan menghasilkan nilai akurasi yang lebih baik. Pola kelurusan diolah menggunakan algorithma LINE pada PCI Geomatica. Jaya (2005) menjelaskan bahwa pada metode MPCA digunakan untuk mengevaluasi wilayah yang berubah (change) dengan menggunakan konsep:  Komponen stable brightness (SB) yang didefinisikan apabila besarnya nilai eigenvector (weight) dari setiap saluran (band) hampir sama dengan tanda aljabar yang positif. Ahmad Gunayar dkk dari Institut Pertanian Bogor. Tahun 2011.2. Lebih lanjut. Dari masing-masing citra sintetis yang terpilih selanjutnya dilakukan tresholding untuk menentukan areal lahan terbuka tambang batubara. VID (citra terbaru) . 2. Juju Jaenudin dkk dari Pusat Sumberdaya Geologi –Kementerian ESDM melakukan Penelitian Optimalisasi Potensi Bahan Galian Di Wilayah Bekas Tambang. (citra sebelumnya) (1) 2.  Komponen delta greeness (DG) yang merupakan kebalikan dari SB. Daerah Pujon. menggunakan data citra LANDSAT-TM dan SPOT-4. Selain pembuatan citra PCA multiwaktu juga dibuat citra sintetis yang berasal dari nilai disparitas indeks vegetasi NDVI yang selanjutnya disebut Vegetation Index Differencing (VIDN). Identifikasi Lahan Terbuka Menggunakan Citra Multitemporal. Hasilnya adalah sebagai berikut: 4 . Nilai VIDN dihitung dengan persamaan (1). menggunakan data citra LANDSAT. ditandai dengan adanya kesamaan tanda aljabar saluran merah dan inframerah dari waktu yang sama tetapi bertentangan tanda aljabar pada saluran merah dan inframerah pada waktu yang berbeda. melakukan Penelitian Identifikasi Lahan Terbuka Bekas Tambang Melalui Citra Multi Temporal dan Multi Spasial menggunakan metode VIDN dan MPCA.

Kalteng 3. melakukan penelitian Application of Remote Sensing for Gold Exploration in The Nuba Mountains. Data Citra Satelit 2. Data SPOT-6 Satelit SPOT-6 diluncurkan pada tanggal 9 September 2012 di Satish Dhawan Space Center (India). 3. Tahun 2010.1. Deteksi dan deliniasi unit batuan lithologi. Sudan Teknik penajaman citra. principal components analysis (PCA) dan spatial filtering.Gambar 2. Peta Sebaran Bekas Tambang di Pujon. Color composite. dan struktur geologi 2. Kabupaten Kapuas. band rationing.1. Cosmas Pitia Kujjo dari Sudan. hydrothermal alterasi. Satelit ini membawa sensor dengan spesifikasi sebagai berikut: 5 .3.

1 Spesifikasi Kanal satelit SPOT-6 Multispektral . rekayasa sistem misi. Satelit ini mempunyai spesikasi sensor sama dengan satelit SPOT-7. Landsat 7 dirancang untuk dapat bertahan 5 tahun. sebagai kontraktor utama untuk misi.590 µm Band 3 Red 0.455 µm – 0. resolusi 1. satelit ini merupakan constalasi SPOT-6. Instrumen pesawat ruang angkasa yang dibangun oleh Ball Aerospace dan NASA Goddard Space Flight Center. NASA Goddard Space Flight Center yang menyediakan pengembangan.7 dan Landsat-8 Landsat 7 adalah satelit paling akhir dari Program Landsat. Ini adalah satelit kedelapan dalam program Landsat. dan memiliki kapasitas untuk mengumpulkan dan mentrasmisikan hingga 532 citra setiap harinya. LDCM menjalani checkout dan verifikasi oleh NASA dan pada 30 Mei 2013 operasi dipindahkan dari NASA ke USGS dan LDCM secara resmi berganti nama menjadi Landsat 8 6 . Selama 108 hari pertama di orbit. dan akuisisi kendaraan peluncuran sementara USGS disediakan untuk pengembangan sistem darat dan akan melakukan operasi misi terus-menerus. resolusi 6 m Band 1 Blue 0. Tujuan utama Landsat 7 adalah untuk memperbarui arsip citra satelit. 2. Landsat 8 adalah sebuah satelit observasi bumi Amerika yang diluncurkan pada tanggal 11 Februari 2013.890 µm Panchromatic.625 µm – 0.5 m SPOT-7 diluncurkan pada tanggal 30 Juni 2014 di Satish Dhawan Space Center (India). dan peluncuran dikontrak untuk United Launch Alliance. sekitar 22% data yang direkam rusak. itu adalah sebuah kolaborasi antara NASA dan Geological Survey Amerika Serikat (USGS).695 µm Band 4 Near-Infrared 0. Instumen utama Landsat 7 adalah Enhanced Thematic Mapper Plus (ETM+). Pada bulan Mei 2003 satelit ini mengalami Scan Line Corrector turn off (SLC off). menyediakan citra yang up-to-date dan bebas awan. ketujuh untuk berhasil mencapai orbit. Satelit ini dibangun oleh Orbital Sciences Corporation. Data Landsat 5. Tabel 2. Diluncurkan pada tanggal 15 April 1999. Awalnya disebut Landsat data Continuity Mission (LDCM).530 µm – 0.3.525 µm Band 2 Green 0.2.760 µm – 0.

673 4 4 30.631-0.749 30 SWIR-1 1.4.926 meter.851-0. TIR 10.4.2.547-1.515-0. Data Satelit Geodesi 2.896 15 Pan 0. Gambar 2. Cakupan SRTM 7 .384 9 2.533-0. X SAR mempunyai resolusi spasial 1 arc second (≈25m).435-0. Tabel 2.19 10 100 TIR-2 11.636-0.2.590 3 3 30.601 30 Green 0.512 2 2 30.879 5 5 30.363-1.107-2. Green 0.31-12.50-12.676 8 30 Cirrus 1. Spesifikasi Kanal Landsat 5/7 dan Landsat 8 LANDSAT-7/5 LANDSAT-8 Kanal Satuan m µm Satuan m µm Kanal 30 0. NIR 0.1. SWIR-1 1.519-0.452-0.294 7 8 15.748 sampai 3.60-11. Pan 0.064-2. Data ini diperoleh dari sistem radar yang dipasang pada Pesawat Ruang Angkasa selama 11 hari misinya pada Februari 2000. Data ini mempunyai resolusi spasial yang tinggi yaitu 3 detik (≈90m) dan menurut Ozah and Kufoniyi (2008) data SRTM 90m ini memiliki akurasi vertikal lebih kurang 7.345 30 SWIR-2 2.898 30 NIR 0. SWIR-2 2.51 11 7 30.651 6 6 60. SRTM C dan X SAR Data Shuttle Radar Topography Mission (SRTM) merupakan suatu bentuk data yang menyediakan informasi tentang ketinggian tempat atau biasa disebut DEM (Digital elevation Model).36 100 TIR-1 10.692 30 Red 0.451 1 coastal/aerosol 1 30. Blue 0. Red 0.503-0.441-0514 30 Blue 0.772-0.566-1.

4. Interferometri SRTM C dan X SAR Gambar 2.3. Liputan X SAR di Indonesia 8 . Gambar 2.

2. Misi GOCE ini diharapkan dapat membantu Earth Science (ilmu kebumian) untuk memahami lebih baik dari proses dinamika bumi yang terjadi dalam interior bumi dan permukaan bumi. Satelit ini memiliki kesamaan fungsi dengan satelit Grace. ocean heat transport.4. 2. pada spasial grid 100 kilometer dipermukaan bumi bahkan kurang. Tujuan lainnya (secondary mission) dari misi GRACE yaitu menyediakan informasi mengenai besaran bias ionosfer dan troposfer yang dapat memperlambat dan melengkungkan sinyal pengukuran GPS. studi arus laut. Contohnya. Data dari GOCE menyediakan model yang unik dari gravity field bumi dan juga dalam hal representasi bidang ekuipotensial yang diwakili oleh geoid. Alat yang dipasang pada satelit GRACE untuk penyediaan informasi ini berupa Lim Sounding. Champ Satelit Champ merupakan satelit gaya berat bumi buatan Jerman. dan 1 miligal untuk anomali gaya berat bumi. 9 .3. Kedua satelit ini saling melaju pada track orbit dengan jarak satelit satu ke satelit kedua sekitar 220 kilometer.4. Teknik dari GRACE ini yaitu mendeteksi perubahan Gravity filed bumi dengan cara memonitor perubahan jarak yang terjadi antara pasangan 2 satelit GRACE pada orbitnya.4. dan seberapa besar perubahannya dengan akurasi lebih baik dari 1um/s. Sementara itu posisi dan kecepatan satelit ditentukan dari sistem GPS yang ikut terpasang di kedua pasangan satelit GRACE tersebut. Kontrak misi dimulai pada bulan november tahun 2001. Misi GOCE memberikan support terhadap berbagai kepentingan aplikasi dari multi disiplin ilmu.2. Kedua satelit ini terkoneksi oleh K-band microwave link untuk menghitung perbedaan jaraknya secara pasti. studi iklim. GRACE (Gravity Recovery And Climate Experiment) GRACE (Gravity Recovery And Climate Experiment) merupakan sistem satelit gravimetri hasil kerjasama antara NASA (National Aeronautics and Space Administration) dengan DLR (Deutsches Zentrum fur Luft-und Raumfahrt). Misi GOCE yang dilakukan merupakan misi yang melengkapi misi- misi satelit lainnya dalam bidang yang sama yaitu CHAMP (diluncurkan 15 juli 2000) dan GRACE (diluncurkan pada tanggal 17 maret 2002). Estimasi secara temporal berkala dari gravity field bumi dapat diperoleh berikut variasinya yang terjadi. Tujuan utama dari misi GRACE ini yaitu untuk menyediakan informasi yang cukup akurat dari model gravity field bumi untuk jangka waktu proyek selama 5 tahun. untuk itu kedua satelit dilengkapi dengan star camera dan akselerometer. Untuk melihat precise attitude dan pergerakan akibat gaya non gravitasi dari satelit. Misi ini merupakan salah satu misi utama dari ESA Earth Explorer Programe yang dicanangkan di pertemuan Granada pada tanggal 12-14 oktober 1999.2.4. Alat ini dapat memberikan besaran TEC (Total Electron Content) dan atau refraktivitas dalam ionosfer dan troposfer. dan prediksi dari dinamika bumi. intepretasi perubahan muka laut (sea level change). GOCE (Gravity field and steady-state Ocean Circulation Explorer) GOCE (Gravity field and steady-state Ocean Circulation Explorer) adalah misi satelit dari ESA dalam bidang geodesi dan geodinamik berupa kombinasi dari SGG (Satellite Gravity Gradiometry) dan SST (Satellite-to-Satellite Tracking). pengetahuan akan geoid yang baik akan bermanfaat bagi studi distribusi masa di bumi padat. Obyektif dari misi GOCE yaitu untuk menentukan gravity field statis berupa geoid dan gravity anomali dengan akurasi 1 sentimeter untuk tinggi geoid.

kepadatan) Gaya-gaya kompresi Gaya-gaya stress dan strain. Proses deformasi adalah perubahan bentuk dan ukuran pada batuan akibat dari gaya (force) yang terjadi di dalam bumi. salah satu subjek studi geologi struktur Dengan mempelajari struktur tiga dimensi batuan dan daerah.4. dapat dibuat kesimpulan mengenai sejarah tektonik. sedangkan tektonik dan geotektonik dianggap sebagai suatu studi dengan skala yang lebih besar. Bentuk-bentuk alamiah pada batuan (beku. Gaya tersebut pada dasarnya merupakan proses tektonik yang terjadi di dalam bumi. berat jenis. Formasi batuan terlipat.5. sebagai bagian dari satuan tektonik (tectonic unit). gaya berat bumi.2. metamorfisme dan geologi rekayasa. beserta susunan internalnya. SWARM SWARM merupakan satelit geodesi yang berfungsi untuk pengukuran medan magnet bumi. sedimen dan malihan) yang diakibatkan oleh adanya gaya-gaya tektonik lempeng Struktur geologi pada batuan ditentukan oleh: Sifat fisik batuan (kekerasan.5. Struktur geologi mencakup bentuk permukaan yang juga dibahas pada studi geomorfologi.5. geodinamika. Beberapa penulis menganggap bahwa geologi struktur lebih ditekankan pada studi mengenai unsur-unsur struktur geologi. Geologi struktur adalah bagian dari ilmu geologi yang mempelajari tentang bentuk (arsitektur) batuan sebagai hasil dari proses deformasi. rekahan (fracture). Di dalam pengertian umum. untuk menentukan waktu pembentukan struktur tersebut. misalnya perlipatan (fold). dan sebagainya. dan sebagainya. lingkungan geologi pada masa lampau dan kejadian deformasinya. yang mempelajari obyek-obyek geologi seperti cekungan sedimentasi. rangkaian pegunungan. lantai samudera. Hal ini dapat dipadukan pada waktu dengan menggunakan kontrol stratigrafi maupun geokronologi. Geologi Struktur Geologi struktur adalah studi mengenai distribusi tiga dimensi tubuh batuan dan permukaannya yang datar ataupun terlipat. dan geodinamika 2. geologi struktur adalah ilmu yang mempelajari tentang bentuk batuan sebagai bagian dari kerak bumi serta menjelaskan proses pembentukannya.4.6 Altimetri Satelit ini digunakan untuk aplikasi batimetri. Gambar 2. Secara lebih formal dinyatakan sebagai cabang geologi yang berhubungan dengan proses geologi dimana suatu gaya telah menyebabkan 10 . dan deformasi 2. sesar (fault).

Batuan volkanik yang menjadi rumah dari endapan itu biasanya terdiri dari breksi kemudian 11 . Uniform stress (Confining Stress) yaitu tegangan yang menekan atau menarik dengan kekuatan yang sama dari atau ke segala arah. Para ahli geologi menyebutnya Struktur Geologi. Pemboran. Kekuatan Tektonik dan orogenik yang membentuk struktur geologi itu berupa stress (Tegangan).6. Stress dapat dibedakan menjadi 2 yaitu : 1. susunan. d. Interprestasi peta topografi.transformasi bentuk. Tensi (gaya tarik) b. plastisitas dan viskositas. Mineral Logam Emas Mineral logam khususnya emas berkaitan erat dengan proses magmatik. Endapan emas dalam batuan volkanik pada umumnya terdapat dalam bentuk urat-urat tipis sebagai hasil penyusupan larutan air panas (hydrothermal) yang mengandung mineral ke dalam celah-celah. Differential Stress yaitu tegangan yang menekan atau menarik dari atau ke satu arah saja dan bisa juga dari atau ke segala arah. b. yaitu: a. Kopel (gaya ganda) d. Pemetaan geologi dengan mengukur strike dan dip. Sesar. Torsi (gaya Putar) Gaya berupa kompresi dapat menghasilkan struktur berupa perlipatan.dimana geologi struktur merupakan cabang ilmu geologi yang mempelajari mengenai bentuk arsitektur kulit bumi. Ada beberapa faktor yang mempengaruhi proses suatu pembentukan struktur geologi dari batuan yaitu: Sifat elastisitas batuan. atau struktur internal batuan kedalam bentuk. pensesaran.yaitu dari penampakan gejala penelusuran sungai. Faktor-faktor lain seperti: Pori-pori batuan dan tekstur batuan. e. susunan. sehingga tidak lagi memenuhi hukum superposisi disamping itu struktur geologi juga merupakan struktur kerak bumi produk deformasi tektonik. 2. kemudian karena proses pendinginan. Sedangkan gaya berupa tensi menghasilkan struktur berupa patahan. c. baik berupa tekanan maupun tarikan. serta Lipatan. Struktur geologi adalah struktur perubahan lapisan batuan sedimen akibat kerja kekuatan tektonik. lingkungan pembentukannya yang di dalam batuan volkanik (volcanic heasted rocks) sering ditemukan diberbagai endapan. resistivity. yang didasarkan pada sifat-sifat yang dimiliki oleh batuan. Foto udara. atau susunan intenal yang lain. Suatu struktur geologi dapat terbentuk akibat suatu gaya-gaya yang terjadi. Kompresi (gaya tekan) c. 2. dicelah tersebut terjadi pengendapan. penelusuran morfologi dan garis kontur serta pola garis konturnya. Berdasarkan keseragaman kekuatannya. Bentuk-bentuk geometri yang terdapat pada kulit bumi yang terbentuk oleh pengaruh gaya-gaya endogen. Cabang geologi yang menjelaskan struktur geologi secara detail disebut GEOLOGI STRUKTUR. Geofisika. dan dikenal dengan Kekar.tetapi salah satu arah kekuatannya ada yang lebih dominan. Pengenalan struktur geologi secara tidak langsung dapat dilakukan melalui cara-cara berikut ini : a. dan penunjaman.

beternak. ikan keureuling ditemukan mati di sungai Tangse yang berbatasan dengan Geumpang. Ada tiga lokasi penambangan emas tradisional yang berada di kawasan hutan dekat dengan Aceh Barat. Menurut penuturan jurnalis yang menyamar sebagai pekerja tambang itu. Tenda-tanda itu adalah milik para pekerja tambang. Daerah Geumpang ini merupakan area penambangan emas tradisional yang paling masif di Aceh. Namun sejak emas ditemukan di Geumpang. juga bisa mendirikan rumah layak huni. 2. Manee. telah memperbaiki kehidupan mereka. Aceh Geumpang merupakan nama kecamatan yang berada di Kabupaten Pidie. Genesa emas dikatagorikan menjadi dua yaitu: endapan primer dan endapan plaser. Di lokasi ini terlihat tenda-tenda biru di tengah belantara. diperkirakan lebih dari 1. ke Sigli sekitar 100 kilometer melalui jalan raya Banda Aceh- Medan. Emas terbentuk dari proses magmatisme atau pengkonsentrasian di permukaan. Dari Banda Aceh. ibu kota Pidie. dan berkebun. masyarakat Geumpang.7. Lokasi Penambangan Emas. yang jaraknya sekitar 90 kilometer dari Sigli.6. Beberapa endapan terbentuk karena proses metasomatisme kontak dan larutan hidrotermal. Aceh. saat ini mulai bisa menyekolahkan anak-anaknya. sehingga menghasilkan intrusi. Dulu. Gambar 2. Aktivitas pertambangan ilegal ini menjadi sorotan terkait dengan pencemaran lingkungan. Hidup mereka melarat. Belum lama ini. Geumpang Aceh 12 . perekonomian masyarakat membaik. ibu kota Provinsi Aceh. Tambang emas tradisional yang dikelola masyarakat di tiga kecamatan di pedalaman Kabupaten Pidie tersebut. Sehingga biota sungai kehidupan di sungai terancam punah.berinteraksi dengan lava. Masyarakat yang dulu hidup miskin. dan Tangse hanya bertani.576 kilometer persegi ini sekitar lima jam perjalanan. sedangkan pengkonsentrasian secara mekanis menghasilkan endapan letakan (placer).000 orang bekerja di sana siang dan malam. Total waktu yang diperlukan menuju kecamatan yang luasnya 1. Intrusi ini menyebabkan terbentuknya retakan/celah-celah di sekitar zona intrusi. Ancaman kepunahan ikan itu diteggarai karena keracunan bersumber dari limbah bahan kimia dari aktivitas pengolahan dan tambang emas sepanjang hulu sungai di kawasan hutan Geumpang. Geumpang.

III. Provinsi Aceh Citra Landsat-8. Data Landsat-5. kabupaten Pidie. Provinci Aceh Lokasi penambangan emas di Geumpang dapat dilihat secara visual dengan menggunakan data SPOT-6 pansharpen. Data SPOT-6 tanggal 23-5-2013 wilayah Geumpang. 8 Februari 2011 Gambar 3. resolusi spasial 1. serta permasalahannya telah dijelaskan pada Bab Tinjauan Pustaka. Provinsi Aceh (Gambar 3-1). METODOLOGI 3.2.1. 8 wilayah Geumpang. yaitu dengan terlihatnya tenda-tenda yang digunakan untuk aktivitas penambangan.1. Kondisi dari daerah. kabupaten Pidie.2.5 meter. kabupaten Pidie. Informasi lengkap mengenai data yang digunakan adalah: 1. Data satelit penginderaan jauh: 13 . Citra multi temporal yang digunakan untuk pemantauan adalah data Landsat TM/ETM+/8 dan data SPOT 6/7. Daerah Kajian Daerah kajian pada penelitian ini adalah Geumpang. Lokasi 1 Lokasi 2 Lokasi 3 Gambar 3. Data yang digunakan Data yang digunakan terdiri dari data primer dan data sekunder. 3. 23 Mei 2014 Citra Landsat-5.

3. pengolahan data Landsat dan ekstraksi parameter geologi menggunakan data satelit geodesi. Koreksi ToA Reflektansi dilakukan dengan mengkonversi nilai DN ke nilai reflektansi. 2. tanpa koreksi untuk sudut matahari . Chandra. Posisi matahari terhadap bumi berubah bergantung pada waktu perekaman dan lokasi obyek yang direkam. di mana x adalah nomor kanal AL = REFLECTANCE_ADD_BAND_x . Data satelit geodesi  DEM SRTM X-C band resolusi spasial 30 m  Data satelit Grace  Data satelit Goce 3. Berdasarkan (USGS.5 m 23 Mei 2013. 3. di mana x adalah nomor kanal Qcal = Nilai digital number ( DN ) 14 . ML = REFLECTANCE_MULT_BAND_x . Koreksi ToA dilakukan dengan cara mengubah nilai Digital Number (DN) ke nilai reflektansi (Rahayu. 2014). Metode Penelitian Diagram alir dari keseluruhan kegiatan diperlihatkan pada Gambar 3-3. Koreksi Radiometrik Citra Landsat Koreksi Top of Atmosphere (ToA) adalah koreksi pada citra yang dilakukan untuk menghilangkan distorsi radiometrik yang disebabkan oleh posisi matahari. Proses kegiatan dibagi menjadi 3 tahapan utama. yaitu: Identifikasi lahan tambang menggunakan data SPOT-6. 2014).1 Data Citra Landsat yang digunakan untuk kegiatan No Jenis Satelit Tanggal Perekaman Lokasi 1 Landsat-7 5 Maret 2000 Geumpang Aceh 2 Landsat-5 18 Februari 2009 P/R: 131/57 3 Landsat-5 20 Januari 2010 4 Landsat-5 8 Februari 2011 5 Landsat-8 23 Mei 2014 6 Landsat-8 18 Januari 2015  Citra penginderaan jauh SPOT-6 pansharpen resolusi spasial 1. persamaan konversi untuk koreksi ToA reflektansi yaitu: Lλ=ML∗Qcal+AL (2) dimana: Lλ = TOA reflektansi.  Citra penginderaan jauh Landsat TM/ETM+/8 multi temporal (Resolusi: 30 m): Tabel 3. Data Landsat-8 dikoreksi radiometrik menggunakan koreksi ToA yang meliputi ToA Reflektansi dan koreksi matahari.1.3.

menjadi reflektas planetari atau albedo.Gambar 3. Reflektasi gabungan permukaan dan atmosfer bumi dihitung dengan menggunakan rumus berikut (NASA. θs = 90o – θe. dimana θe adalah sudut elevasi matahari. sebuah reduksi variabilitas antar scene dapat dihasilkan melalui normalisasi untuk irradians matahari dengan mengkonversi radians spektral. Nilai dari raflektansi permukaan daratan dihitung dengan menggunakan rumus berikut: ρ=[π∗(Lλ−Lp)∗d2]/(ESUNλ∗cos θs) (4) 15 . seperti yang dihitung pada persamaan di atas. ( rasio antara energi yang terpantul dan energi total) Lλ = nilai radiansi spektral pada perangkat sensor satelit d = jarak bumi dan matahari dalam satuan astronomi ( bisa dilihat pada metadata Landsat) ESUNλ = Nilai rata-rata dari irradians matahari pada exo-atmosfer θs = sudut zenith matahari dalam satuan derajat. 119). 2011. ρp=(π∗Lλ∗d2)/(ESUNλ ∗ cos θs) (3) dimana: ρp = nilai reflektansi TOA. p.3 Diagram alir keseluruhan kegiatan penelitian Identifikasi Lahan Tambang Emas Untuk citra Landsat yang relatif bersih.

3.dimana: Lp = path radiance Lp = ML∗DNmin+AL−0. oleh karena itulah kenapa mata manusia melihat daun-daun tanaman yang hidup adalah berwarna hijau. Perhitungan NDVI pada Citra Landsat Dalam aplikasi penginderaan jauh. Kondisi indeks vegetasi rendah mengakibatkan penurunan produksi pangan. et al. akan tetapi gelombang ini tidak dapat di lihat oleh mata (invisible). Untuk mengantisipasi akibat buruk tersebut. Gelombang indeks vegetasi diperoleh dari energi yang dipancarkan oleh vegetasi pada citra penginderaan jauh untuk menunjukkan ukuran kehidupan dan jumlah dari suatu tanaman. kebakaran.72 83. Akan tetapi ada satu jenis gelombang lain yang juga di pantulkan oleh tanaman selain gelombang hijau. 3. Indeks vegetasi merupakan nilai yang diperoleh dari gabungan beberapa spektral band spesifik dari citra penginderaan jauh.2.al (2012) untuk data citra Landsat 8 nilai dari ESUN menggunakan rumus berikut: ESUN=(π∗d2)∗RADIANCE_MAXIMUM/REFLECTANCE_MAXIMUM (5) dimana nilai dari RADIANCE_MAXIMUM and REFLECTANCE_MAXIMUM dapat dilihat pada metadata citra landsat 8. indeks vegetasi merupakan cerminan tingkat kehijauan vegetasi yang juga dapat digunakan sebagai parameter kondisi kekeringan. NDVI dapat menunjukkan parameter yang berhubungan dengan parameter vegetasi. Indeks vegetasi dapat berubah disebabkan oleh kondisi ketersediaan air akibat pergantian musim. NDVI (Normalized Difference Vegetation Index) adalah perhitungan citra yang digunakan untuk mengetahui tingkat kehijauan. 16 .8 6 80. 5 dan 7. Tanaman memancarkan dan menyerap gelombang yang unik sehingga keadan ini dapat di hubungakan dengan pancaran gelombang dari objek-objek yang lain sehingga dapat di bedakan antara vegetasi dan objek selain vegetasi (Pettorelli. et.9 220 230. biomass dedaunan hijau. yang sangat baik sebagai awal dari pembagian daerah vegetasi.01∗ESUNλ∗cos θs/(π∗d2) DNmin = nilai digital minimum pada kanal tertentu ( bisa dilihat di metadata Landsat) Nilai ESUN [W /(m2 *μm)] untuk sensor satelit Landsat terdapat pada tabel berikut: Tabel 3.44 84.2 Nilai ESUN untuk sensor satelit Landsat 4. Tanaman hidup menyerap gelombang tampak (visible) biru dan merah serta memantulkan gelombang hijau. Kanal Lansat 4* Landsat 5** Landsat 7** 1 1957 1983 1997 2 1825 1769 1812 3 1557 1536 1533 4 1033 1031 1039 5 214. antara lain.90 7 1957 1983 1997 *Sumber: Chandr & Markham (2003) ** Sumber: Finn. gelombang ini adalah gelombang infra merah dekat. 2005). dan lain sebagainya. upaya pemantauan indeks vegetasi perlu dilakukan.

Permukaan vegetasi memiliki rentang nilai NDVI 0. Perbandingan antara kedua kanal adalah pertimbangan yang digunakan untuk mengurangi variasi yang disebabkan oleh topografi dari permukaan bumi. Rentang nilai NDVI adalah antara -1. awan uap air dan salju.1 umumnya merupakan karakteristik dari bebatuan dan lahan kosong.0.3. Latar belakang daratan berfungsi sebagai pemantul sinyal yang terpisah dari vegetasi. Terjadinya pengurangan biomassa merupakan salah satu indikasi terjadinya suatu perubahan tutupan lahan yang pada penelitian ini. Perhitungan VIDN pada Citra Landsat Multitemporal Disparitas indeks vegetasi (VIDN). (2005). Sitorus (2006). sedangkan kanal 2 terdapat dalam daerah spektral dimana struktur daun spongy mesophyll menyebabkan adanya pantulan terhadap radiasi cahaya. Lau et al. Nilai diantara 0 dan 0. 3.0 hingga +1. tetapi komponen dasar untuk NDVI dan vegetasi saling berhubungan.1 untuk lahan savanna (padang rumput) hingga 0. Hal ini merupakan kompensasi dari variasi pancaran sebagai fungsi dari elevasi matahari untuk daerah yang berbeda dalam sebuah citra satelit. Pembuatan citra sintetik VIDN berasal dari nilai NDVI antara 2 waktu yang berbeda. perubahan lahan yang dimaksud adalah terjadinya lahan terbuka pada areal tambang emas. Perbandingan ini tidak menghilangkan efek additive yang disebabkan oleh atmospheric attenuation.3. dan Jensen (2005) menyebutkan salah satu metode yang digunakan untuk analisis perubahan di antaranya adalah metode Image Differencing atau metode pengurangan citra. Deteksi perubahan merupakan suatu proses mengindetifikasi perubahan-perubahan suatu objek atau fenomena melalui pengamatan pada berbagai waktu yang berbeda. Nilai yang lebih besar dari 0. Berikut ini rumus NDVI: (6) Nilai NDVI menggunakan nilai reflektansi dari kanal NIR ( Near Infra Red ) dan kanal Red pada citra satelit untuk perhitungannya. Nilai NDVI dapat diperoleh yaitu dengan membandingkan pengurangan data kanal 2 dan kanal 1 dengan penjumlahan dari kedua kanal tersebut.daerah dedaunan hijau yang merupakan nilai yang dapat diperkirakan untuk pembagian vegetasi. pada citra normalisasi juga menggunakan data kanal1 dan kanal2. Kanal 1 terdapat dalam bagian dari spektrum dimana klorofil menyebabkan adanya penyerapan terhadap radiasi cahaya yang datang yang dilakukan saat fotosintesis. Pembuatan citra VIDN pada kegiatan ini menggunakan :  citra NDVI Landsat 8 tahun 2014 dan citra Landsat 7 tahun 2000. Perbedaan respon dari kedua kanal ini dapat diketahui dengan transformasi rasio perbandingan satu kanal dengan kanal yang lain.1 biasanya menandakan peningkatan derajat kehijauan dan intensitas dari vegetasi. Seperti perhitungan pada citra rasio. Jaya (2005) menjelaskan bahwa nilai VIDN berkisar -2 – 2 dengan nilai negatif menyatakan adanya pengurangan biomassa atau vegetasi hijau.8 untuk daerah hutan hujan tropis. 17 . dan nilai yang kurang dari 0 kemungkinan mengindikasikan awan es. dan berinteraksi dengan vegetasi melalui hamburan yang sangat banyak dari energi radiasi. metode ini umum digunakan untuk tujuan analisis perubahan atau change detection.

2. ditandai dengan adanya kesamaan tanda aljabar kanal merah dan inframerah dari waktu yang sama tetapi bertentangan tanda aljabar pada kanal merah dan inframerah pada waktu yang berbeda. Komponen Delta Brightness (DB). tanda aljabar pada tahun sebelumnya pada kanal merah dan inframerah positif sedangkan untuk kanal merah dan inframerah pada tahun sesudahnya negatif atau dapat juga sebaliknya. Pada citra Landsat 5 dan 7 saluran inframerah dekat terdapat pada saluran 4 sedangkan saluran merah terdapat pada saluran 3.3. Indeks ini umumnya terdapat pada komponen utama satu.  citra NDVI Landsat 8 tahun 2014 dan citra Landsat 5 tahun 2011. Berikut ini rumus NDVI : (7) dimana tahun n > tahun m. Nilai VIDN dapat diperoleh yaitu dengan pengurangan data NDVI tahun n dengan data NDVI tahun m. Perhitungan MPCA pada Citra Landsat Multitemporal Analisis komponen utama (Principal Component Analysis (PCA)) digunakan untuk menjelaskan struktur matriks varians-kovarians dari suatu set variabel melalui kombinasi linier dari variabel-variabel tersebut. 3. Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Lebih lanjut.  citra NDVI Landsat 8 tahun 2014 dan citra Landsat 5 tahun 2009. Pada citra Landsat 8 saluran inframerah dekat terdapat pada saluran 5 sedangkan saluran merah terdapat pada saluran 3. Pada kegiatan ini digunakan metode analisis komponen utama multiwaktu atau Multitemporal Principal Component Analysis (MPCA) untuk membuat citra sintetis. Komponen Stable Brightness (SB) yang didefinisikan apabila besarnya nilai eigenvector (weight) dari setiap kanal (band) hampir sama dengan tanda aljabar yang positif. 2008). atau sebaliknya. Sebagai contoh.  citra NDVI Landsat 8 tahun 2014 dan citra Landsat 5 tahun 2010. Jaya (2005) menjelaskan bahwa pada metode MPCA digunakan untuk mengevaluasi wilayah yang berubah (change) dengan menggunakan konsep: 1. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component. 3. Secara umum komponen utama dapat berguna untuk reduksi dan interpretasi variabel-variabel. Sebagai contoh tanda aljabar kedua kanal merah positif pada kedua tahun yang berbeda sedangkan tanda aljabar kedua kanal inframerah negatif. Komponen Stable Greeness (SG) yang didefinisikan apabila saluran merah dari kedua waktu mempunyai tanda aljabar yang sama tetapi berlawanan dengan tanda aljabar kanal inframerah dari kedua waktu. 18 . maka komponen-komponen tersebut menjadi variabel bebas baru yang akan diregresikan atau dianalisa pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi (Soemartini. Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh.4.

SG. Metode Ekstraksi Pola Aliran 19 . 3. Citra Tahun Sebelum Citra Baru Komponen Kanal Kanal Infra Kanal Merah Kanal Infra Merah Merah Merah SB + + + + SG + . - . DB. maka tanda aljabar untuk tahun sesudahnya.5.4.3 Tanda aljabar untuk komponen SB. + DB + + . Komponen Delta Greeness (DG) yang merupakan kebalikan dari SB. + 3. Makin besar nilai scale maka makin besar nilai varians yang dapat diakomodasi sehingga polygon segmen yang terbentuk lebih sedikit. begitu pula sebaliknya. + + DG + . Sebagai contoh tanda aljabar untuk kanal merah positif dan inframerah negatif untuk tahun sebelumnya.4. .3. Makin besar nilai color maka porsi warna akan lebih dominan dari porsi bentuk (shape) dalam pembuatan segmen objek. Segmentasi Multiresolusi pada Citra SPOT 6 Proses segmentasi citra dengan menggunakan algoritma multiresolution segmentation. + . Parameter color merupakan nilai yang menyatakan besarnya porsi/bagian warna dari nilai piksel yang digunakan dalam proses pembuatan segmen. . Proses segmentasi multiresolusi ini menggunakan beberapa parameter yaitu scale dan color. + - .6 Metode Ekstraksi Pola Aliran Mencari flow direction berdasarkan nilai ketinggaian piksel tetangga DEM dengan nilai Flow direction ketinggain Menentukan kumulatif dari aliran untuk setiap piksel Menghubungkan jaringan aliran dari tiap nilai piksel Pola Akumulasi jumlah Gambar 3. Parameter scale terkait dengan besaran nilai varians/ standar deviasi yang dapat diakomodasi dalam suatu segmen objek. DG.3. Tabel 3.

7 Metode Kelurusan Otomatis Gambar 3.3.3.5 Diagram Alir Ekstraksi Kelurusan Otomatis 20 .

2.IV HASIL PENGOLAHAN DATA 4. (a) (b) (c) Gambar 4. Red dan Green berada pada band 4. 3. (b) band Red (band 3). Pengolahan Data Landsat 4. Citra Landsat 5 wilayah Aceh Selatan scene path/row :131/057 tanggal 18 Februari 2009 yang telah dikoreksi radiometrik.1. 21 . Koreksi Radiometrik Pada kegiatan ini telah dilakukan koreksi radiometrik / ToA pada band NIR. Citra Landsat 7 wilayah Aceh Selatan scene path/row :131/057 tanggal 5 Maret 2000 yang telah dikoreksi radiometrik. (b) band Red (band 4). Berikut gambar citra yang sudah dikoreksi radiometrik pada Landsat 8 dan Landsat 7. Pada citra Landsat citra Landsat 8 band NIR. Red dan Green berada pada band 5. (a) (b) (c) Gambar 4. (a) band NIR (band 4). Red dan Green pada citra Landsat 8 tahun 2014 dan citra Landsat 7 tahun 2000. 4. (a) band NIR (band 5). (c) band Green (band 3). dan 3.1. Pada citra Landsat 7 band NIR.1. dan 2.1. (c) band Green (band 2).

(b) band Red (band 4). (c) band Green (band 3). 22 . (a) (b) (c) Gambar 4. (a) band NIR (band 5). (c) band Green (band 3). (a) band NIR (band 5). Citra Landsat 5 wilayah Aceh Selatan scene path/row :131/057 tanggal 8 Februari 2011 yang telah dikoreksi radiometrik. (b) band Red (band 4).4. (a) (b) (c) Gambar 4. (c) band Green (band 3). (a) band NIR (band 5). (b) band Red (band 4). Citra Landsat 5 wilayah Aceh Selatan scene path/row :131/057 tanggal 20 Januari 2010 yang telah dikoreksi radiometrik.5.3. Citra Landsat 8 wilayah Aceh Selatan scene path/row :131/057 tanggal 23 Mei 2014 yang telah dikoreksi radiometrik. (a) (b) (c) Gambar 4.

Perhitungan NDVI pada Citra Landsat Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014. Hasil NDVI wilayah Geumpang. 23 .6. Aceh (a) hasil NDVI dari Landsat 5 tanggal 20 Januari 2010. Hasil NDVI wilayah Geumpang. 2010 dan 2011 untuk wilayah Geumpang. Berikut ini tampilan hasil NDVI dari citra Landsat 8 tahun 2014 dan 2015. (a) (b) (c) Gambar 4. Aceh (a) hasil NDVI dari Landsat 7 tanggal 5 Maret 2000. (c) hasil NDVI dari Landsat 8 tanggal 23 Mei 2014.7. (b) hasil NDVI dari Landsat 5 tanggal 8 Februari 2011. citra Landsat 5 tahun 2009.1. Aceh. citra Landsat 7 tahun 2000. 2010 dan 2011 wilayah Aceh bagian selatan scene path/row : 131/057. citra Landsat 5 tahun 2009. citra Landsat 7 tahun 2000. (b) hasil NDVI dari Landsat 5 tanggal 18Februari 2009.4.2. (a) (b) Gambar 4.

Hasil VIDN wilayah Geumpang. (a) (b) Gambar 4.8. (b) hasil VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 5 tanggal 18 Februari 2009. 24 .1. Aceh. Aceh (a) hasil VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 5 tanggal 20 Januari 2010. 2010 dan 2011 untuk wilayah Geumpang. Aceh (a) hasil VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 7 tanggal 5 Maret 2000.9. citra Landsat 7 tahun 2000.3 Perhitungan VIDN pada Citra Landsat Multitemporal Berikut ini tampilan hasil VIDN yang berasal dari pengolahan nilai NDVI citra Landsat 8 tahun 2014. citra Landsat 5 tahun 2009.4. (b) hasil VIDN dari data NDVI Landsat 8 tanggal 23 Mei 2014 dan data NDVI Landsat 5 tanggal 8 Februari 2011. Hasil VIDN wilayah Geumpang. (a) (b) Gambar 4.

Red dan NIR citra Landsat 8 tahun 2014 dan 2015. Berikut ini tampilan hasil citra sintetik MPCA dan hasil pengolahan statistiknya yang berasal dari pengolahan nilai reflektansi dari Band Green. citra Landsat 5 tahun 2009.  citra Landsat 8 tahun 2014 dan citra Landsat 5 tahun 2010. Pembuatan citra sintetik MPCA pada kegiatan ini menggunakan :  citra Landsat 8 tahun 2014 dan citra Landsat 7 tahun 2000.  citra Landsat 8 tahun 2014 dan citra Landsat 5 tahun 2009. Perhitungan MPCA pada Citra Landsat Multitemporal Pembuatan citra sintetik MPCA berasal dari nilai reflektansi dari Band Green. Pada citra Landsat 8 saluran inframerah dekat terdapat pada saluran 5 sedangkan saluran merah terdapat pada saluran 3.4. Red dan NIR (Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda. Pada citra Landsat 5 dan 7 saluran inframerah dekat terdapat pada saluran 4 sedangkan saluran merah terdapat pada saluran 3.4. Aceh. citra Landsat 7 tahun 2000.1.  citra Landsat 8 tahun 2014 dan citra Landsat 5 tahun 2011. 2010 dan 2011 untuk wilayah Geumpang. (a) 25 .

(b) hasil statistik MPCA. Aceh (a) hasil citra sintetik MPCA. (a) 26 . (b) Gambar 4. Hasil MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 7 tanggal 5 Maret 2000 wilayah Geumpang.10.

Aceh (a) hasil citra sintetik MPCA. Hasil MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 18 Februari 2009 wilayah Geumpang. (b) hasil statistik MPCA (a) 27 . (b) Gambar 4.11.

Hasil MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 20 Januari 2010 wilayah Geumpang. (b) hasil statistik MPCA. (b) Gambar 4. Aceh (a) hasil citra sintetik MPCA. (a) (a) 28 .12.

(b) hasil statistik MPCA. SB. Hasil MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 8 Februari 2011 wilayah Geumpang. Eigenvectors data MPCA tahun 2009_2014 (a) (b) 29 . DB dan DG. Berikut ini hasil identifikasi komponen tersebut dari data MPCA : Cov.13. Aceh (a) hasil citra sintetik MPCA. Berdasarkan hasil perhitungan covarian eigenvector dari data MPCA maka dapat ditentukan komponen-komponen SG. Eigenvectors data MPCA tahun 2000_2014 Cov. Gambar 4.

1. Polygon tersebut kemudian bisa dijadikan training sample dalam proses identifikasi/klasifikasi lahan terbuka pertambangan.1. DB. DG dari data covarian eigenvector yang dihasilkan dari data : (a) MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 7 tanggal 5 Maret 2000 wilayah Geumpang. Aceh. (c) MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 20 Januari 2010 wilayah Geumpang. Aceh (a) (b) 30 . (d) MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 8 Februari 2011 wilayah Geumpang. Aceh.Cov. Hasil Segmentasi Multiresolusi dengan parameter (a) Scale 250 dan Color 0. Eigenvectors data MPCA tahun 2010_2014 Cov. SG. Segmentasi Multiresolusi pada Citra SPOT 6 Data citra satelit yang digunakan adalah citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang. (b) MPCA dari data Landsat 8 tanggal 23 Mei 2014 dan data Landsat 5 tanggal 18 Februari 2009 wilayah Geumpang. (b) Scale 100 dan Color 0. Aceh. Eigenvectors data MPCA tahun 2011_2014 (c) (d) Tabel 4.9 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang. Polygon tersebut juga dapat digunakan untuk menentukan nilai threshold untuk identifikasi lahan terbuka tambang. 4. Aceh. Berikut ini tampilan hasil segmentasi dengan parameter Scale dan Color yang berbeda-beda : Gambar 4.2. Aceh. Segmentasi Multiresolusi dilakukan dengan tujuan untuk membuat polygon area untuk identifikasi lahan terbuka pada daerah pertambangan. Perangkat lunak yang digunakan adalah E-Cognition Developer 8.0.14. Identifikasi komponen SB.

5.1 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang. Aceh (a) (b) Gambar 4. (b) Scale 100 dan Color 0. Hasil Segmentasi Multiresolusi dengan parameter Scale 50 dan Color 0. Berikut ini skematiknya : 31 . Pada kegiatan ini kami memilih polygon daerah lahan terbuka tambang dari hasil segmentasi dengan parameter Scale 100 dan Color 0.16.17.1 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang. Aceh Gambar 4. (b) Scale 50 dan Color 0. (a) (b) Gambar 4. Aceh Dari data hasil segmentasi tadi kita dapat memilih polygon-polygon yang merupakan daerah yang teridentifikasi sebagai lahan terbuka tambang.5 dari data citra satelit SPOT 6 tanggal 21 Mei 2013 kombinasi band 321 (RGB) wilayah Geumpang. Hasil Segmentasi Multiresolusi dengan parameter (a) Scale 50 dan Color 0.15.9. Hasil Segmentasi Multiresolusi dengan parameter (a) Scale 100 dan Color 0.9.

tahun 2010-2014. tahun 2011-2014. citra Landsat 5 tahun 2009. Berikut ini tampilan hasil perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) yang terdapat di dalam polygon sample lahan terbuka tambang. 2010 dan 2011 wilayah Aceh bagian selatan. Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI dua waktu yang berbeda. Skema proses segmentasi multiresolusi untuk memilih polygon-polygon yang merupakan daerah yang teridentifikasi sebagai lahan terbuka tambang. citra Landsat 7 tahun 2000. 32 . Perhitungan Nilai Statistik VIDN pada Polygon Sample Lahan Terbuka Tambang Perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) yang terdapat di dalam polygon sample lahan terbuka tambang dibutuhkan untuk menentukan nilai Threshold maksimum dan minimum dari nilai piksel citra VIDN.3. Nilai threshold ini kemudian bisa digunakan untuk identifikasi lahan terbuka pertambangan.untuk wilayah Geumpang. 4. Aceh. tahun 2009-2014. Gambar 4. Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014. Data citra sintetik VIDN yang digunakan yaitu VIDN tahun 2000-2014.18.

 citra VIDN tahun 2014 dan tahun 2011.2.364964 92 VIDN 2014_2009 -0.364284 92 4. Pembuatan treshold dilakukan dengan membuat training area pada citra sintetik yang telah dihasilkan.Tabel 4. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI dua waktu yang berbeda.y) adalah nilai piksel yang dibuat dari indeks terpilih.006981 0. citra Landsat 5 tahun 2009.121008 -0.083550 0.007253 0. sedangkan nilai Td diambil dari nilai minimum hasil perhitungan statistik VIDN dalam polygon sample.238905 0.031151 0. Nilai statistik yang digunakan yaitu nilai Threshold maksimum dan minimum dari nilai piksel citra VIDN yang terdapat dalam polygon sample lahan terbuka tambang. citra Landsat 7 tahun 2000.086644 0.223731 0. Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014.007507 0. Nilai Tu diambil dari nilai maksimum. Pada kegiatan ini data citra sintetik VIDN yang digunakan adalah :  citra VIDN tahun 2014 dan tahun 2000. Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit.006951 0.353967 92 VIDN 2014_2010 -0. 33 .045971 0. Proses tresholding dilakukan dengan kaidah pengambilan keputusan seperti pada persamaan berikut. Nilai Tu (Threshold Up) dan Td (Threshold Down) dari masing-masing treshold ditentukan berdasarkan nilai piksel contoh pada areal-areal lahan tambang.3.  citra VIDN tahun 2014 dan tahun 2009. Data citra sintetik VIDN yang digunakan yaitu VIDN tahun 2000-2014. Dalam kaidah tersebut.085164 0.027479 0.1.115725 -0. tahun 2009-2014. tahun 2011-2014.  citra VIDN tahun 2014 dan tahun 2010.357260 92 VIDN 2014_2011 -0. Thresholding ini menggunakan nilai statistik VIDN di dalam polygon sample lahan terbuka tambang. tahun 2010-2014.249238 0. I(x.053729 0.118355 -0. Nilai threshold inilah yang kemudian digunakan untuk identifikasi lahan terbuka pertambangan untuk keseluruhan wilayah yang terdapat di citra.140553 -0. 2010 dan 2011 wilayah Aceh bagian selatan. Thresholding Citra Sintetik VIDN untuk Identifikasi Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa thresholding citra sintetik VIDN untuk identifikasi lahan terbuka tambang.083375 0. Hasil Perhitungan Statisik Citra Sintetik VIDN yang Berada dalam Polygon Sample Nilai Statistik Data VIDN Standart Min Max Mean Varians Range Count Deviation VIDN 2014_2000 -0.232959 0.

115725 VIDN tahun 2014 dan tahun 2009 -0.118355 VIDN tahun 2014 dan tahun 2011 -0. Gambar 4. (d) Hasil thresholding data citra sintetik VIDN tahun 2014 dan tahun 2011 wilayah Geumpang. (c) Hasil thresholding data citra sintetik VIDN tahun 2014 dan tahun 2010.19.121008 VIDN tahun 2014 dan tahun 2010 -0. Aceh.140553 Berikut ini tampilan hasil thresholding data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) untuk mengidentifikasi lahan terbuka tambang.3 Nilai Threshold Citra Sintetik VIDN yang Berada dalam Polygon Sample Data VIDN Nilai Threshold Td Tu VIDN tahun 2014 dan tahun 2000 -0.3. (b) Hasil thresholding data citra sintetik VIDN tahun 2014 dan tahun 2009. Filtering Hasil Thresholding Citra Sintetik VIDN untuk Identifikasi Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa filtering hasil thresholding citra sintetik VIDN untuk identifikasi lahan terbuka tambang. (a) Hasil thresholding data citra sintetik VIDN tahun 2014 dan tahun 2000.223731 0.238905 0.untuk wilayah Geumpang. Aceh.249238 0. 4.232959 0.2. Jaya (2005) menyebutkan bahwa 34 .Berikut ini adalah tabel yang menyajikan nilai Tu dan Td untuk data-data VIDN yang digunakan : Tabel 4.

baru kemudian dipilih nilai tengahnya (Sulistyo. Pemrosesan median filter ini dilakukan dengan cara mencari nilai tengah dari nilai pixel tetangga yang mempengaruhi pixel tengah. Citra (image) atau istilah lain untuk gambar sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. kemudian mengganti nilai piksel yang diproses dengan nilai mediannya. 7. Median dari deret tersebut adalah 5. 2. Tentu saja citra semacam ini menjadi lebih sulit untuk diinterpretasikan karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. kemudian mengganti nilai pixel yang diproses dengan nilai mediannya. 9). 2009). Block Diagram Alur Kerja Median Filter terlihat sebagai berikut : Pengurutan akan menghasilkan nilai dari yang terkecil sampai nilai yang terbesar sesuai dengan P(1) < P(2) < P(3) < P(n). dan E=7. misalnya mengandung cacat atau noise. tahun 2011-2014 wilayah Aceh bagian selatan. sedangkan nilai m sesuai dengan rumus dimana n bernilai ganjil. Median filter adalah salah satu filtering non-linear yang mengurutkan nilai intensitas sekelompok pixel. Data hasil thresholding citra sintetik VIDN yang digunakan yaitu VIDN tahun 2000-2014. Contoh Penerapan Median Filter terlihat sebagai berikut 35 .hasil thresholding pada umumnya masih mengandung noise yang tampak seperti noktah-noktah atau sering disebut salt and pepper. et al. maka median filter akan mencari nilai tengah dari semua data yang telah diurutkan terlebih dahulu dari yang paling kecil hingga pada data yang paling besar dan kemudian diambil nilai tengahnya (1. Salah satunya adalah dengan filtering citra baik secara linear maupun secara non-linear. Untuk mengatasi noise tersebut perlu dilakukan usaha untuk memperbaiki kualitas citra itu. Teknik ini bekerja dengan cara mengisi nilai dari setiap pixel dengan nilai median tetangganya. Proses pemilihan median ini diawali dengan terlebih dahulu mengurutkan nilai-nilai pixel tetangga. Untuk menghilangkan kesalahan ini dilakukan filtering menggunakan lowpass filter yaitu filter median. Filter median merupakan salah satu filtering non-linear yang mengurutkan nilai intensitas sekelompok piksel. namun sering kali citra yang dimiliki mengalami penurunan mutu. Median filter telah digunakan secara luas untuk memperhalus dan mengembalikan bagian dari citra yang mengandung noise yang berbentuk bintik putih. Dimisalkan terdapat data A=1. tahun 2009-2014. tahun 2010-2014. B=5. Meskipun sebuah citra kaya akan informasi. D=9. C=2. Sesuai dengan namanya. median filter merupakan suatu metode yang menitik beratkan pada nilai median atau nilai tengah dari jumlah total nilai keseluruhan pixel yang ada di sekelilingnya. 5.

Gambar4. Dari hasil ini akan diambil nilai median yang memiliki nilai 45.  Hasil thresholding citra VIDN tahun 2014 dan tahun 2011. Hasil dari pengurutan data pada contoh didapatkan urutan 25.  Hasil thresholding citra VIDN tahun 2014 dan tahun 2009. (c) tahun 2014 dan tahun 2010. 36 . Filtering hasil thresholding citra sintetik VIDN pada kegiatan ini menggunakan jendela filtering 3x3 piksel. 57. 33. 38. 45. Data hasil thresholding citra sintetik VIDN yang digunakan pada kegiatan ini :  Hasil thresholding citra VIDN tahun 2014 dan tahun 2000. 45. Aceh. 45.  Hasil thresholding citra VIDN tahun 2014 dan tahun 2010. 54. 98. Aceh setelah dilakukan median filtering (a) tahun 2014 dan tahun 2000. Hasil thresholding data citra sintetik VIDN wilayah Geumpang.20. (b) tahun 2014 dan tahun 2009. Berikut ini tampilan hasil thresholding data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) sebelum dan setelah filtering untuk mengidentifikasi lahan terbuka tambang untuk wilayah Geumpang. (d) tahun 2014 dan tahun 2011.

026495 0.3. Perhitungan Nilai Statistik MPCA pada Polygon Sample Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa perhitungan statistik data citra sintetik MPCA (Multitemporal Principal Component Analysis) yang terdapat di dalam polygon sample lahan terbuka tambang. Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014.022302 0. citra Landsat 7 tahun 2000.009291 92 PC 6 0.000026 0.15519 -0. Perhitungan nilai statistik ini dibutuhkan untuk menentukan nilai Threshold maksimum dan minimum dari nilai piksel citra MPCA. Hasil Perhitungan Statisik Citra Sintetik MPCA Tahun 2010 dan 2014 yang Berada Dalam Polygon Sample Nilai Statistik Principal Standart Components Min Max Mean Varians Range Count Deviation PC 1 0. citra Landsat 5 tahun 2009.07670 0. Red dan NIR ( Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda.43461 -0.05451 0. Nilai MPCA ini menggunakan data nilai reflektansi dari Band Green.003137 0. Tabel 4.141236 92 PC 3 -0.008704 0.28361 -0.155467 92 37 .009202 0.150997 92 PC 2 -0.5.156726 92 PC 4 -0.007447 0.001168 0.4.001050 0.29482 -0.  citra MPCA tahun 2014 dan tahun 2011.268068 0.000913 0.05401 0.001213 0.324461 0.00852 0. Berikut ini tampilan hasil perhitungan statistik data citra sintetik Multitemporal Principal Component Analysis (MPCA) yang terdapat di dalam polygon sample lahan terbuka tambang. Nilai threshold ini kemudian bisa digunakan untuk identifikasi lahan terbuka pertambangan. Pada kegiatan ini dilakukan perhitungan statistik data citra sintetik Multitemporal Principal Component Analysis (MPCA) yang terdapat di dalam polygon sample lahan terbuka tambang.032410 0.086099 0.  citra MPCA tahun 2014 dan tahun 2010. Aceh.005127 0.23290 0.322441 0.403246 0.000780 0.000754 0.025007 92 Tabel 4.034178 0.135179 92 PC 2 -0.160376 92 PC 5 0.06936 0.170407 92 PC 3 0.032443 0.002182 0.012427 0.00793 -0.139638 92 PC 4 -0.030208 0.3.106358 0. Hasil Perhitungan Statisik Citra Sintetik MPCA Tahun 2011 dan 2014 yang Berada Dalam Polygon Sample Nilai Statistik Principal Standart Components Min Max Mean Varians Range Count Deviation PC 1 -0. 2010 dan 2011 wilayah Aceh bagian selatan.253990 0.027937 0.4.08672 -0.016903 0.034824 0.35131 0.001053 0.027454 0.167735 0.  citra MPCA tahun 2014 dan tahun 2009.000005 0.000702 0.17834 -0.033712 0.untuk wilayah Geumpang. Data citra sintetik MPCA yang digunakan adalah :  citra MPCA tahun 2014 dan tahun 2000.

Nilai MPCA ini menggunakan data nilai reflektansi dari Band Green.23566 0.34843 0.00912 0.032819 0.035132 0. Red dan NIR ( Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda.000027 0.15488 -0. 2010 dan 2011 wilayah Aceh bagian selatan.001126 0.131154 92 PC 3 -0.008705 0.031260 0. Hasil Perhitungan Statisik Citra Sintetik MPCA Tahun 2000 dan 2014 yang Berada Dalam Polygon Sample Nilai Statistik Principal Components Standart Min Max Mean Varians Range Count Deviation PC 1 -0.43652 -0.000739 0.034311 0.000977 0.43352 -0.14745 -0.29192 -0.033552 0.024900 92 4.000026 0.003708 0.27890 -0.015492 92 PC 6 0. Hasil Perhitungan Statisik Citra Sintetik MPCA Tahun 2009 dan 2014 yang Berada Dalam Polygon Sample Nilai Statistik Principal Components Standart Min Max Mean Varians Range Count Deviation PC 1 -0.142895 92 PC 4 -0.000007 0.05747 0.05434 0.006671 0. citra Landsat 7 tahun 2000.003810 0.03723 0.010512 0.000148 0. Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014.000014 0.031557 0.023749 0.025399 0.002569 0.005153 0.006455 0.001077 0.017183 0.157623 92 PC 2 -0.017771 0.005074 0.3.024619 92 Tabel 4.03364 0.4.10088 0. 38 .29778 -0.009412 0.099838 0.03227 0.000027 0.6.030673 0.017538 92 PC 6 0.34188 0.018424 0.028507 0.019292 0.006278 0.024526 92 Tabel 4.00186 0.11669 0.012325 92 PC 6 0. Nilai statistik yang digunakan yaitu nilai Threshold maksimum dan minimum dari nilai piksel citra MPCA yang terdapat dalam polygon sample lahan terbuka tambang.012472 0. Nilai threshold inilah yang kemudian digunakan untuk identifikasi lahan terbuka pertambangan untuk keseluruhan wilayah yang terdapat di citra.000645 0.098880 0.7.27543 -0.01314 0.000996 0.171031 92 PC 5 -0. citra Landsat 5 tahun 2009.157310 92 PC 5 -0.027192 0.015671 0.144466 92 PC 4 -0.138108 92 PC 3 -0.00235 0.005154 0.000941 0. PC 5 0. Thresholding Citra Sintetik MPCA untuk Identifikasi Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa thresholding citra sintetik MPCA untuk identifikasi lahan terbuka tambang.22473 0.000813 0.158094 92 PC 2 -0.000015 0.009253 0. Thresholding ini menggunakan nilai statistik MPCA di dalam polygon sample lahan terbuka tambang.

Dalam kaidah tersebut.  citra MPCA tahun 2014 dan tahun 2011.106358 PC 5 -0.283617 PC 2 -0.14745 0.034311 0.010512 0.035132 0.054018 0.y) adalah nilai piksel yang dibuat dari indeks terpilih.098880 -0.167735 0.275433 -0.05434 0. Nilai Tu (Threshold Up) dan Td (Threshold Down) dari masing-masing treshold ditentukan berdasarkan nilai piksel contoh pada areal-areal lahan tambang.154889 -0.003137 0.10088 -0. Nilai Tu diambil dari nilai maksimum. I(x.03723 0.8.433526 -0. sedangkan nilai Td diambil dari nilai minimum hasil perhitungan statistik MPCA dalam polygon sample. Pada kegiatan ini data citra sintetik MPCA yang digunakan adalah :  citra MPCA tahun 2014 dan tahun 2000.434614 -0.086726 PC 3 -0.012472 0.03364 0.009412 0.178344 -0.012427 PC 6 0.01314 0.054510 0.  citra MPCA tahun 2014 dan tahun 2009.294828 -0.000148 0.  citra MPCA tahun 2014 dan tahun 2010.00912 0.27890 0.297784 -0.033712 39 .324461 -0. Pembuatan treshold dilakukan dengan membuat training area pada citra sintetik yang telah dihasilkan.11669 -0. Nilai Threshold Citra Sintetik MPCA yang Berada Dalam Polygon Sample Nilai Threshold MPCA 2000_2014 MPCA 2009_2014 MPCA 2010_2014 MPCA 2011_2014 Principal Components Td Tu Td Tu Td Tu Td Tu PC 1 -0.086099 -0.403246 -0.155190 PC 4 -0.007937 -0.001867 0.00235 0.43652 -0. Berikut ini adalah tabel yang menyajikan nilai Tu dan Td untuk data-data MPCA yang digunakan Tabel 4.008704 0. Proses tresholding dilakukan dengan kaidah pengambilan keputusan seperti pada persamaan berikut.057472 0.015671 -0.032274 0.29192 -0.099838 -0.268068 0. Dari citra sintetik MPCA yang terpilih selanjutnya dilakukan tresholding untuk menentukan areal lahan terbuka tambang.069368 0.

PC4. Filtering hasil thresholding citra sintetik MPCA pada kegiatan ini menggunakan jendela filtering 3x3 piksel. = Lahan Non Tambang Gambar 4. Jaya (2005) menyebutkan bahwa hasil tresholding pada umumnya masih mengandung noise yang tampak seperti noktah-noktah atau sering disebut salt and pepper. Aceh (a) PC2. PC6 tahun 2014 dan tahun 2009. PC3. kemudian mengganti nilai piksel yang diproses dengan nilai mediannya. (b) PC2. Berikut ini tampilan hasil thresholding data citra sintetik MPCA (Multitemporal Principal Component Analysis) sebelum dan setelah filtering untuk mengidentifikasi lahan terbuka tambang untuk wilayah Geumpang. Aceh. PC4. (c) PC1.untuk wilayah Geumpang. Data hasil thresholding citra sintetik MPCA yang digunakan pada kegiatan ini adalah :  Hasil thresholding citra MPCA tahun 2014 dan tahun 2000.  Hasil thresholding citra MPCA tahun 2014 dan tahun 2010. PC3. 4. PC4.Berikut ini tampilan hasil thresholding data citra sintetik Multitemporal Principal Component Analysis (MPCA) untuk mengidentifikasi lahan terbuka tambang. PC4. PC6 tahun 2014 dan tahun 2000.  Hasil thresholding citra MPCA tahun 2014 dan tahun 2009. Hasil thresholding data citra sintetik MPCA wilayah Geumpang. 40 . PC2.21. Filter median merupakan salah satu filtering non- linear yang mengurutkan nilai intensitas sekelompok piksel. PC6 tahun 2014 dan tahun 2010. PC3. (a) (b) (c) (d) = Lahan Tambang .3. Aceh.5. PC6 tahun 2014 dan tahun 2011. (d) PC2.  Hasil thresholding citra MPCA tahun 2014 dan tahun 2011. Untuk menghilangkan kesalahan ini dilakukan filtering menggunakan lowpass filter yaitu filter median. Filtering Hasil Thresholding Citra Sintetik MPCA untuk Identifikasi Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa filtering hasil thresholding citra sintetik MPCA (Multitemporal Principal Component Analysis) untuk identifikasi lahan terbuka tambang.

Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014. PC6 tahun 2014 dan tahun 2011. PC4. citra Landsat 5 tahun 2009.9. tahun 41 .13 Tahun 2014_2009 97. Untuk pengukuran akurasi ini digunakan acuan/referensi berupa hasil klasifikasi visual lahan tambang dari citra resolusi tinggi yaitu citra SPOT-6 pansharpening dengan resolusi spasial 1.96 98.5 meter.88 98 0.103 Tahun 2014_2010 96.05 97. Hasil thresholding data citra sintetik MPCA wilayah Geumpang. PC4. (a) (b) (c) (d) = Lahan tambang = Lahan non tambang Gambar 4. (b) PC2. data snooping (bebas blunder). PC6 tahun 2014 dan tahun 2009. PC3. Akurasi Hasil Thresholding Citra Sintetik VIDN Kappa Data VIDN Producer Accuracy User Accuracy Coefficient Tahun 2014_2000 96. PC4. PC6 tahun 2014 dan tahun 2000. PC3. (d) PC2. PC3.04 0. Data citra sintetik VIDN yang digunakan yaitu VIDN tahun 2000-2014.6 Perhitungan Akurasi Hasil Thresholding VIDN Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa perhitungan akurasi hasil thresholding data citra sintetik VIDN (Vegetation Index Differencing) pada lahan terbuka tambang. Perhitungan akurasi ini dilakukan untuk mengukur seberapa akurat hasil thresholding data VIDN yang mengidentifikasikan area tambang dan non-tambang.98 0.11 LSQ  98 % (pada kepercayaan 1. 2010 dan 2011 wilayah Aceh bagian selatan.22. (c) PC1. 4. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI (Normalized Difference Vegetation Index) dua waktu yang berbeda. PC4.3. uji signifikan parameter (signifikan) Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit.11 Tahun 2014_2011 96. Aceh setelah dilakukan median filtering (a) PC2. PC6 tahun 2014 dan tahun 2010. Tabel 4.96σ)  global test (ok). PC2. citra Landsat 7 tahun 2000.89 98 0.

Data citra sintetik MPCA yang digunakan adalah :  citra MPCA tahun 2014 dan tahun 2000. Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014. Berikut ini tampilan hasil perhitungan akurasi dari identifikasi area tambang menggunakan hasil thresholding data citra sintetik Multitemporal Principal Component Analysis (MPCA) wilayah Geumpang.  citra MPCA tahun 2014 dan tahun 2010.3. PC2. 2010 dan 2011 wilayah Aceh bagian selatan. uji signifikan parameter (signifikan) 42 .96 0.095 PC6 Tahun 2014_2011 PC2. PC4 dan 97. data snooping (bebas blunder). Perhitungan akurasi ini dilakukan untuk mengukur seberapa akurat hasil thresholding data MPCA yang mengidentifikasikan area tambang dan non-tambang. Nilai MPCA ini menggunakan data nilai reflektansi dari Band Green.05 0. Aceh. 4.13 Tahun 2014_2009 PC2.2009-2014.05 98.96σ)  global test (ok). PC4 dan PC6 97 98. Tabel 4.  citra MPCA tahun 2014 dan tahun 2009. Akurasi Hasil Thresholding Citra Sintetik MPCA Data MPCA band Overall User Kappa Accuracy Accuracy Coefficient Tahun 2014_2000 PC2.17 97. PC4. dan PC6 97. Untuk pengukuran akurasi ini digunakan acuan/referensi berupa hasil klasifikasi visual lahan tambang dari citra resolusi tinggi yaitu citra SPOT-6 pansharpening dengan resolusi spasial 1. Aceh. Pada kegiatan ini dilakukan perhitungan akurasi hasil thresholding data citra sintetik Multitemporal Principal Component Analysis (MPCA) pada lahan terbuka tambang.7 Perhitungan Akurasi Hasil Thresholding MPCA Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa perhitungan akurasi hasil thresholding data citra sintetik MPCA (Multitemporal Principal Component Analysis) pada lahan terbuka tambang.  citra MPCA tahun 2014 dan tahun 2011.12 Tahun 2014_2010 PC1. citra Landsat 7 tahun 2000.02 0.1 LSQ  98 % (pada kepercayaan 1. citra Landsat 5 tahun 2009. PC3.5 meter. tahun 2010-2014. PC3.10. Red dan NIR ( Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda. PC4 dan PC6 97 97 0. PC3. Berikut ini tampilan hasil perhitungan akurasi dari identifikasi area tambang menggunakan hasil thresholding data citra sintetik NDVI (Normalized Difference Vegetation Index) wilayah Geumpang. tahun 2011-2014.

Bila nilai standar deviasi hasil identifikasi lebih kecil atau sama dengan 2 kali nilai standar deviasi data VIDN yang terdapat dalam polygon sample maka hasil identifikasi lahan terbuka tersebut bagus hasilnya (tingkat kepercayaannya baik).011915 0. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI dua waktu yang berbeda.  citra VIDN tahun 2014 dan tahun 2009.009437 0.096242 0. Pada kegiatan ini dilakukan perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) yang terdapat di dalam polygon hasil identifikasi lahan terbuka tambang.  citra VIDN tahun 2014 dan tahun 2011.571112 791 2014_2009 VIDN -0.097142 0.337490 0.11.567832 875 2014_2011 43 .244597 0.009268 0. citra Landsat 5 tahun 2009.343684 0.009263 0.250306 0. Aceh.096268 0. Sebagai perbandingan .3.582087 883 2014_2010 VIDN -0.  citra VIDN tahun 2014 dan tahun 2010. Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit.4.029022 0.008518 0.227428 0.008050 0. Aceh.212982 0. citra Landsat 7 tahun 2000. Perhitungan nilai statistik ini dibutuhkan untuk melihat perbandingan antara nilai standar deviasi data VIDN dalam polygon hasil identifikasi lahan tambang dengan nilai standar deviasi data VIDN dalam polygon sample lahan tambang. Hasil perhitungan nilai statistik Citra Sintetik VIDN yang berada dalam polygon hasil identifikasi lahan terbuka tambang Nilai Statistik Data VIDN Standart Min Max Mean Varians Range Count Deviation VIDN -0.092294 0. Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014. Berikut ini tampilan hasil perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) yang terdapat di dalam polygon hasil identifikasi lahan terbuka tambang untuk wilayah Geumpang.367714 0.317526 0. 2010 dan 2011 wilayah Aceh bagian selatan.8. Dari data tersebut terlihat bahwa nilai standar deviasi data VIDN yang terdapat dalam polygon hasil identifikasi lebih kecil dari 2 kali nilai standar deviasi data VIDN yang terdapat dalam polygon sample. ditampilkan pula hasil perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing) yang terdapat di dalam polygon sample lahan terbuka tambang untuk wilayah Geumpang. Polygon hasil identifikasi lahan terbuka tambang didapatkan dari proses thresholding dan filtering data VIDN. Perhitungan Nilai Statistik VIDN pada Polygon Hasil Identifikasi Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) yang terdapat di dalam polygon hasil identifikasi lahan terbuka tambang. Tabel 4.009002 0. Data citra sintetik VIDN yang digunakan adalah :  citra VIDN tahun 2014 dan tahun 2000.580696 911 2014_2000 VIDN -0.

031151 0.121162 VIDN 2014_2009 0.007253 0.083375 0. Rasio nilai standar deviasi Citra Sintetik VIDN yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik VIDN yang berada dalam polygon sample lahan terbuka tambang Nilai Standart Deviation Data VIDN Dalam polygon Dalam polygon hasil Hasil Identifikasi / Sample identifikasi Sample VIDN 2014_2000 0.096268 1.Tabel 4.045971 0.106975 VIDN 2014_2010 0.121008 -0.053729 0.364284 92 2014_2011 Tabel 4.12.085164 0.151909 Gambar 4.006951 0.086644 0.249238 0. Visualisasi VIDN.085164 0.353967 92 2014_2009 VIDN -0.357260 92 2014_2010 VIDN -0.027479 0.223731 0.115725 -0.118355 -0.086644 0.083375 0.140553 -0.006981 0.096242 1.13.130384 VIDN 2014_2011 0.083550 0.092294 1.083550 0.238905 0.007507 0. 23.097142 1. polygon sample dan polygon hasil identifikasi 44 .232959 0.364964 92 2014_2000 VIDN -0. Hasil perhitungan nilai statistik Citra Sintetik VIDN yang berada dalam polygon sample lahan terbuka tambang Nilai Statistik Data VIDN Standart Min Max Mean Varians Range Count Deviation VIDN -0.

3.  citra MPCA tahun 2014 dan tahun 2009. Polygon hasil identifikasi lahan terbuka tambang didapatkan dari proses thresholding dan filtering data MPCA.030996 0.00638 0.035007 0.175116 987 PC 5 -0.031319 987 45 .117644 0.098880 -0.36316 -0. Berikut ini tampilan hasil perhitungan statistik data citra sintetik Multitemporal Principal Component Analysis (MPCA) yang terdapat di dalam polygon hasil identifikasi lahan terbuka tambang untuk wilayah Geumpang.005377 0.034068 0.14. Perhitungan nilai statistik ini dibutuhkan untuk melihat perbandingan antara nilai standar deviasi data MPCA dalam polygon hasil identifikasi lahan tambang dengan nilai standar deviasi data MPCA dalam polygon sample lahan tambang.9 Perhitungan Nilai Statistik MPCA pada Polygon Hasil Identifikasi Lahan Terbuka Tambang Pelaksanaan komputasi numerik berupa perhitungan statistik data citra sintetik MPCA (Multitemporal Principal Component Analysis) yang terdapat di dalam polygon hasil identifikasi lahan terbuka tambang.  citra MPCA tahun 2014 dan tahun 2011. Tabel 4. Nilai MPCA ini menggunakan data nilai reflektansi dari Band Green.45987 -0.4. citra Landsat 5 tahun 2009.  citra MPCA tahun 2014 dan tahun 2010.022769 0. Data citra sintetik MPCA yang digunakan adalah :  citra MPCA tahun 2014 dan tahun 2000.000013 0.004941 0.017858 0.000961 0.036261 0. 2010 dan 2011 wilayah Aceh bagian selatan.000029 0.003664 0.05099 0.149876 987 PC 3 -0.00313 0.014710 0.001279 0. Aceh.05747 0. Data citra satelit yang digunakan adalah citra satelit Landsat 8 tahun 2014.13340 -0. citra Landsat 7 tahun 2000. Pada kegiatan ini dilakukan perhitungan statistik data citra sintetik Multitemporal Principal Component Analysis (MPCA) yang terdapat di dalam polygon hasil identifikasi lahan terbuka tambang. Hasil perhitungan nilai statistik Citra Sintetik MPCA Tahun 2000 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang Nilai Statistik Principal Components Standart Min Max Mean Varians Range Count Deviation PC 1 -0.18702 -0.000518 0.229752 987 PC 4 -0.005935 0. Bila nilai standar deviasi hasil identifikasi lebih kecil atau sama dengan 2 kali nilai standar deviasi data MPCA yang terdapat dalam polygon sample maka hasil identifikasi lahan terbuka tersebut bagus hasilnya (tingkat kepercayaannya baik).035757 0.33498 0. Red dan NIR ( Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda.272850 987 PC 2 -0.001226 0.24555 0.024238 987 PC 6 0.

006602 0.017025 790 PC 6 0.15.457537 -0.002908 0.005531 0.032109 0.198717 939 PC 5 -0.030998 0.015214 0.188348 0.069465 0.003506 0.000961 0.001161 0.063619 0.221281 790 PC 2 -0.000014 0.136945 -0.032277 926 Tabel 16.196377 926 PC 5 -0.001070 0. Hasil perhitungan nilai statistik Citra Sintetik MPCA Tahun 2011 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang Nilai Statistik Principal Components Standart Min Max Mean Varians Range Count Deviation PC 1 -0.005861 0.102583 -0.227265 -0.028822 0.002574 0.005468 0.004864 0.032707 0.000030 0.031939 0.226635 0.014701 0.000008 0.312538 -0.230272 939 PC 2 -0.227512 -0.001072 -0.338688 0.189420 790 PC 3 0.024714 0.028698 0.001157 0.000668 0.001088 0.032593 939 46 .032984 0.007510 0.025324 0.Tabel 4.358771 0.001111 0.037954 0.034069 0.077458 0.151058 0.001031 0.165098 790 PC 5 -0.078999 0.036307 0.000031 0.015429 0.003697 0.036099 0.014162 0.128824 -0.000824 0.021745 939 PC 6 0.183713 926 PC 4 -0.312223 0.086099 0.336430 0.000007 0.258386 0.034480 0.062350 0.001020 0.004029 0.164933 926 PC 3 -0.018967 0.034014 0.233428 0.198510 0.088607 -0.317738 -0.166064 939 PC 3 -0.014289 0.17.233603 926 PC 2 -0.180792 939 PC 4 -0.461114 -0.007583 0. Hasil perhitungan nilai statistik Citra Sintetik MPCA Tahun 2009 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang Nilai Statistik Principal Components Standart Min Max Mean Varians Range Count Deviation PC 1 -0.000611 0. Hasil perhitungan nilai statistik Citra Sintetik MPCA Tahun 2010 dan 2014 yang berada dalam polygon hasil identifikasi lahan terbuka tambang Nilai Statistik Principal Components Standart Min Max Mean Varians Range Count Deviation PC 1 0.130416 0.030448 0.022085 926 PC 6 0.000029 0.068301 0.001596 0.006871 0.035847 0.132757 0.000641 0.207714 790 PC 4 -0.000927 0.033090 790 Tabel 4.419791 0.005425 0.000831 0.016511 0.

010596 PC 4 0.027159 PC 5 0.896453 PC 3 0.033552 0.030998 1.970341 PC 6 0.005074 0.022769 0.003664 0.028507 0.052785 47 .038088 PC 2 0. Rasio nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2009 dan 2014 Nilai Standart Deviation Principal Hasil Identifikasi / Dalam polygon hasil Components Dalam polygon Sample Sample identifikasi PC 1 0. Rasio nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2000 dan 2014 Nilai Standart Deviation Principal Components Dalam polygon Dalam polygon hasil Hasil Identifikasi / Sample identifikasi Sample PC 1 0.059716 Tabel 4.030673 0.043366 PC 2 0.034069 1.032819 0.005425 1. Berikut tabel rasio dari kedua data tersebut.988134 PC 6 0.18.931303 PC 3 0.031260 0.003708 0.19.025324 0.032109 1.031557 0. terlihat bahwa nilai standar deviasi data MPCA yang terdapat dalam polygon hasil identifikasi lebih kecil dari 2 kali nilai standar deviasi datdalam polygon sample.005153 0.035757 1.027192 0.003697 0.003810 0.005377 1.030996 1. Bila kita bandingkan dengan hasil perhitungan statistik data citra sintetik Multitemporal Principal Component Analysis (MPCA) yang terdapat di dalam polygon sample lahan terbuka tambang untuk wilayah Geumpang.087312 PC 5 0. Tabel 4.035007 1.025399 0.133092 PC 4 0. Aceh.

Tabel 4.030208 0.034824 0.1796517 PC 6 0.034178 0.034014 1.031939 0.028822 1.002574 1.024714 0.073147 Tabel 4.032707 0.031678 PC 2 0.027937 0.0079449 PC 4 0.032410 0.005531 1.9327798 PC 3 0.032443 0.20.005154 0.934490 PC 3 0.0177106 PC 5 0. Rasio nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2010 dan 2014 Nilai Standart Deviation Principal Dalam polygon hasil Hasil Identifikasi / Components Dalam polygon Sample identifikasi Sample PC 1 0.028698 1.002908 1. Rasio nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon hasil identifikasi lahan terbuka tambang dan nilai standar deviasi Citra Sintetik MPCA yang berada dalam polygon sample lahan terbuka tambang tahun 2011 dan 2014 Nilai Standart Deviation Principal Dalam polygon Dalam polygon hasil Hasil Identifikasi / Components Sample identifikasi Sample PC 1 0.131958 PC 6 0.032984 1.030448 1.026495 0.002182 0. 21.0484234 PC 2 0.002569 0.005468 1.027454 0.939209 PC 4 0.005127 0.0665106 48 .045312 PC 5 0.

24. maka kami dapat menentukan model yang optimal untuk mengidentifikasi lahan terbuka tambang. Dari hasil akurasi maka model yang paling baik adalah hasil threholding tahun 2000 dan 2014 untuk data VIDN dan MPCA. Berdasarkan hasil nilai akurasi untuk data VIDN dan MPCA. Berikut model tersebut berdasarkan hasil thresholding nilai bawah (Td) dan nilai atas (Tu) : Model Untuk VIDN 49 . Penentuan model untuk identifikasi lahan terbuka tambang berdasarkan hasil thresholding VIDN dan MPCA. polygon sample dan polygon hasil identifikasi 4. Visualisasi MPCA.10. Gambar 4.3.

y) = 1 diidentifikasikan sebagai lahan terbuka tambang. Citra Quickbird wilayah Krueng Sabe Tahun 2014 Gambar4. sedangkan I(x. Citra Landsat-8 wilayah Krueng Sabe Tahun 2014 50 .Model untuk MPCA I(x. Model ini kemudian diujicobakan untuk wilayah lain di Aceh yaitu wilayah Krueng Sabe Gambar 4. 26.y) = 0 diidentifikasikan sebagai lahan non-tambang.25.

Gambar 4. 28.27. Citra Landsat-5 wilayah Krueng Sabe Tahun 2011 Gambar4. Citra Landsat-5 wilayah Krueng Sabe Tahun 2009 51 .29. Citra Landsat-5 wilayah Krueng Sabe Tahun 2010 Gambar 4.

32. Hasil ujicoba model untuk wilayah Krueng Sabe Tahun 2000 dan 2014 setelah dilakukan median filter (a) model VIDN.31.30. Citra Landsat-7 wilayah Krueng Sabe Tahun 2000 (a) (b) Gambar 4. (b) model MPCA 52 . Gambar 4. (b) model MPCA (a) (b) Gambar 4. Hasil ujicoba model untuk wilayah Krueng Sabe Tahun 2009 dan 2014 setelah dilakukan median filter (a) model VIDN.

(b) model MPCA (a) (b) Gambar 4. Hasil ujicoba model untuk wilayah Krueng Sabe Tahun 2011 dan 2014 setelah dilakukan median filter (a) model VIDN. Hasil ujicoba model untuk wilayah Krueng Sabe Tahun 2010 dan 2014 setelah dilakukan median filter (a) model VIDN.33.34. (b) model MPCA 53 . (a) (b) Gambar 4.

35.4. Komponen geodinamika (barat- selatan) timur) Komponen geodinamika (gabungan) Gambar 4.4 Hasil Pengolahan Parameter Geologi Hasil pemetaan Geodinamika dan deformasi pada wilayah Geumpang dan sekitar Komponen geodinamika (utara. Pemetaan Geodinamika dan deformasi pada wilayah Geumpang dan sekitarnya 54 .

Potensi Mineral Tembaga di Geumpang Gambar 4.4.36 Pemetaan Geodinamika dan deformasi pada wilayah Geumpang dan sekitarnya 55 .5.

5/6) Metode Prost RGB (4/2. Kebenaran metode ini dapat dilakukan pengujian dengan tumpang susun potensi tembaga dengan peta konsesi tambang. 4. Potensi tembaga ini juga memperhitungkan kondisi medan magnet. Hal ini harus didukung pada kondisi terletak di sekitar sesar dan wilayah gunung api (bisa dilihat dari pola aliran hidrologi). Pada medan magnet besar maka potensi tembaga juga lebih besar.6. S-G=ρsubstance/ρH2O di mana ρH2O 4oC of 1000 kg/m3 . Pola aliran geologi pada penelitian ini menggunakan metode steepest slope yaitu metode aliran hidrologi yang memperhitungan kemiringan suatu lahan pada kondisi air mengalir dari tempat tinggi ke rendah dengan suatu sudut kemiringan tertentu.9 ). 6/5. Kombinasi Kanal Citra Landsat Untuk Identifikasi Geologi Landsat 8 RGB 432 RGB(7/4. nilai S-G bisa menggunakan nilai gaya berat dari data satelit Geodesi. 7/3. 6/7) 56 . dan gaya berat serta aliran hidrologi dan struktur geologi. Pada kondisi ini. 6/7. geodinamika. 6/3) RGB (4/2. Potensi emas dapat didekati dengan pendeteksian potensi tembaga (ρ = 8960 kg/m3) dan Specific Gravity (S-G= 8.

Metode Kaufman RGB (7/5, 5/4, 6/7) Metode Chica – Olma RGB (6/7, 6/5,4/2)

Metode Richards RGB (6/2, 6/7. 6/5x4/5) Metode Abrams RGB (6/7, 4/3, 5/6)

Gambar 4.37 Kombinasi kanal Landsat untuk wilayah Geumpang

4.7. Pola Aliran Geumpang
Pembuatan pola pengaliran atau drainage pattern pada penelitian ini
menggunakan aplikasi SIG dengan beberapa tahap pemrosesan DEM SRTM.
Ekstraksi pola pengaliran dilakukan secara digital dan interpretasi visual. Tool
hydrology pada software ArcGIS 10.3 digunakan untuk ekstraksi pola pengaliran
secara digital. Proses ekstraksi dimulai dengan interpolasi kembali atau proses
Filling, berfungsi untuk mengisi kekosongan data pada daerahdaerah tertentu yang
berjauhan dari titik lainnya, sehingga diperoleh aliran air yang konsisten. Setelah
DEM hasil interpolasi terbentuk, maka tahap berikutnya adalah menghitung flow
direction setiap pixelnya. Data flow direction kemudian digunakan sebagai input
untuk menghasilkan peta flow accumulation, data flow accumulation dalam bentuk
biner selanjutnya digunakan untuk membuat stream line dalam bentuk vector.

57

Gambar 4.38. Data DEM SRTM 30 m Daerah Geumpang

Sesar Semangko

Gambar 4.39. Landsat 8 komposisi RGB 562

Data pola aliran yang dihasilkan dari data DEM SRTM 30m kemudian di overlay
dengan data Landsat 8 dengan komposit RGB 562 untuk memverifikasi pola aliran
tersebut. Komposisi RGB 562 dipilih karena komposisi RGB tersebut dapat
menampilkan dengan baik bentuk relief wilayah geumpang dan aliran sungai (biru)
nampak dengan jelas dibandingkan dengan objek sekitarnya (vegetasi coklat).

58

Gambar 4.40. Overlay pola aliran dengan Landsat 8 RGB 562
Berdasarkan overlay pola aliran dengan landsat 8 RGB 562 dapat dilihat bahwa
pola aliran yang dihasilkan dari data DEM SRTM 30m sudah cukup baik sesuai
dengan pola aliran yang terlihat pada data Landsat 8 RGB 562. Ada beberapa pola
aliran yang tidak sesuai dengan objek sungai pada data landsat, hal ini karena
perbedaan resolusi spasial antara DEM SRTM 30m dengan Landsat8, selain itu
pengolahan pola aliran dari data DEM didasarkan pada nilai ketinggian suatu piksel
dibandingkan dengan piksel di sekitarnya, sehingga pola aliran yang dihasilkan dari
data DEM belum tentu sungai.
Pola aliran yang terdapat didaerah Geumpang dan sekitarnya sebagian besar
berupa pola aliran dendritik dan pola aliran rectangular. Pola aliran dendritik adalah
pola aliran yang cabang-cabang sungainyamenyerupai struktur pohon. Pada
umumnya pola aliran sungai dendritik dikontrol olehlitologi batuan yang homogen.
Pola aliran dendritik dapat memiliki tekstur/kerapatansungai yang dikontrol oleh jenis
batuannya. Sebagai contoh sungai yang mengalir diatas batuan yang tidak/kurang
resisten terhadap erosi akan membentuk tekstur sungai yang halus (rapat)
sedangkan pada batuan yang resisten (seperti granit) akanmembentuk tekstur kasar
(renggang). Sedangkan Pola aliran rectangular dicirikan oleh induk sungainya
memiliki kelokan-kelokan hampir ± 90o, arah anak-anak sungai (tributary) terhadap
sungai induknya berpotongan hampir tegak lurus. Biasanya ditemukan di daerah
pegunungan patahan (block mountains) (Djauhari Noor, 2009). Pola seperti ini
menunjukkan adanya pengaruh joint atau bidang-bidang dan/atau retakan patahan
escarp-escarp atau graben-graben yang saling berpotongan. Pada wilayah ini, pola
aliran dipengaruhi oleh sesar semangko yang terlihat jelas memanjang dari tenggara
ke barat daya.

59

Hasilnya merupakan polyline yang merupakan pendekatan untuk kurva pixel asli di mana kesalahan maksimum (jarak antara keduanya) ditentukan oleh parameter FTHR. 2015). Dari proses hillshade tersebut didapatkan 4 citra DEM dengan sun azimuth masing – masing sebesar 0o. Pada tahap ketiga. thresholding. Dua segmen yang dekat satu sama lain (jarak antara titik akhir kurang dari parameter DTHR) (Udhi. citra akumulasi sudut di threshold untuk mendapatkan binary edge image. Kelurusan Data DEM pertama kali di proses hillshade di software Arc GIS untuk mendapatkan efek 3D sehingga bentuk reliefnya terlihat. 90o. Pertama.4. Gambar 4. Kurva hasil ekstraksi diubah menjadi bentuk vektor. 135o. Setiap pixel yang bernilai 1 pada binary edge image merupakan elemen tepi.41 Hasil ekstraksi kelurusan menggunakan LINE Algorithm Algoritma LINE terdiri dari tiga tahap: edge detection. kurva diambil dari elemen binary edge image. Terakhir. Setiap kurva dengan jumlah piksel kurang dari nilai parameter LTHR dibuang dari proses berikutnya. dan ekstraksi kurva. Pada tahap kedua. Kemudian hasil dari proses hillshade tersebut dilakukan overlay agar DEM terlihat dari berbagai sudut azimuth (Anwar Abdullah. 45o. algoritma Canny edge detection diterapkan untuk menghasilkan citra akumulasi tepi. 60 . Langkah ini terdiri dari beberapa sub steps.8. 2010). Pada tahap pertama. Nilai ambang diberikan oleh Parameter GTHR. algoritma thinning diterapkan pada binary edge image untuk menghasilkan kurva pixel-wide skeleton. Dua segmen yang merupakan dua polylines saling berhadapan dan memiliki orientasi yang sama (sudut antara dua segmen kurang dari parameter ATHR) 2. algoritma menghubungkan pasangan polylines yang memenuhi criteria sebagai berikut: 1. dkk.

Line Desity Analysis Setelah didapatkan vektor kelurusan menggunakan algorithma LINE. kemudian dilakukan density analysis untuk mendapatkan kelurusan utama yang dominan pada area penelitian. Berdasarkan overlay pola kelurusan dengan data Landsat 8 61 .43. Overlay hasil akhir ekstraksi kelurusan secara otomatis dengan data Landsat 8 RGB 562 Hasil dari density analysis di konversi menjadi vektor untuk mendapatkan hasil akhir pola kelursan. Gambar 4.42. Gambar 4. Proses density analysis dilakukan menggunakan software ArcGIS.

Saran 1. 62 . Untuk PC6 (Delta Brightness) nilai thresholding bawah (Td) yaitu 0. hal ini juga didukung dari gambaran visual bahwa dengan metode MPCA lebih bisa membedakan objek lahan terbuka tambang dan lahan non-tambang. Kemunculan larutan hidrothermal ini biasanya terjadi pada daerah zona lemah akibat sesar.034311. Hal ini sesuai dengan teori pembentukan emas.249238 dan nilai thresholding atas (Tu) 0.032274 dan nilai thresholding atas (Tu) 0. Pertemuan beberapa pola kelurusan dapat mengindikasikan keterdapatan zona lemah sesar.  Data satelit geodesi dapat digunakan untuk mengekstrak parameter geologi antara lain. Untuk PC4 (Delta Greeness) nilai thresholding bawah (Td) yaitu -0.RGB 562. kelurusan.  Data Landsat multitemporal yang digunakan dapat memberikan gambaran yang jelas pada kondisi sebelum lahan tambang dibuka dan sesudah lahan tambang dibuka. KESIMPULAN DAN SARAN Pemanfaatan data penginderaan jauh resolusi tinggi SPOT-6/7 dan resolusi menengah Landsat telah dilakukan untuk identifikasi lahan tambang emas masyarakat di Aceh. serta mengkaji metode yang dikembangkan. pola aliran.098880.057472 dan dan nilai thresholding atas (Tu) 0.115725. Hasil penelitian ini perlu dilakukan pengujian di wilayah lain yang berbeda kondisi struktur geologi dan geodinamika.  Pemanfaatan data resolusi menengah Landsat multitemporal dapat digunakan untuk identifikasi lahan terbuka tambang dengan menggunakan metode VIDN dan MPCA. dapat dilihat bahwa lokasi tambang emas terletak pada pertemuaan antara 2 kelurusan lokal dengan kelurusan utama sesar semangko.  Dari beberapa percobaan didapatkan hasil yang optimum untuk metode VIDN dan MPCA yang menghasilkan nilai thresholding untuk dijadikan model. PC4 (Delta Greeness) dan PC6 (Delta Brightness).  Dari hasil akurasi didapatkan bahwa metode MPCA memberikan hasil yang lebih baik dari metode VIDN. komponen geodinamika dan deformasi.099838. Beberapa kesimpulan yang diperoleh adalah sebagai berikut:  Pemanfaatan data resolusi tinggi SPOT-6/7 dapat dengan mudah (secara visual) digunakan untuk identifikasi lahan tambang masyarakat dengan adanya indikasi aktifitas pekerja tambang yaitu berupa tenda-tenda yang berwarna biru. bahwa salh satu proses faktor terbentuknya endapan emas adalah keberadaan larutan hidrothermal yang mengisi rekahan – rekahan batuan ( Edy Sumardi. Untuk model VIDN nilai thresholding bawah (Td) yaitu -0.009412 dan nilai thresholding atas (Tu) 0. 2009). V. Untuk PC2 (Delta Brightness) nilai thresholding bawah (Td) yaitu -0. sedangkan dengan metode VIDN ada beberapa lahan terbuka tambang yang bercampur dengan lahan non- tambang. Sedangkan untuk model MPCA digunakan thresholding dari 3 principal component yaitu PC2 (Delta Brightness).

CosmoSky Med) masih diperlukan untuk kajian lanjutan dalam pembuatan informasi lahan tambang emas. RadarSat. 3. Pada penelitian ini masih diperlukan kajian mendalam terkait penambahan parameter untuk membuat model identifikasi lahan tambang emas. TerraSar. 63 . Aster maupun citra SAR (Palsar. Pada penelitian selanjutnya diharapkan bisa menggunakan beberapa indeks lain seperti indeks lahan terbuka untuk lebih memperkaya indikator yang digunakan untuk mengidentifikasi lahan terbuka tambang.2. Citra optik seperti Landsat dan SPOT merupakan salah satu alternatif data untuk pembuatan informasi lahan tambang emas. 4. Dapat juga menggunakan algoritma pengklasifikasi citra untuk membantu identifikasi lahan terbuka tambang. Penggunaan citra optik khusus untuk aplikasi geologi dan tambang seperti WorldView2.

et al. Chander. Di dalam: The 3rd International Symposium on Future Intelligent Earth Observation Satellites 2006. http://cegis.6. Sukaesih. Fonseca. 1967.0. Skripsi UI Finn. 2006. M. Teknik Cepat Identifikasi Lahan Terbuka Melalui Citra Multi Temporal dan Multi Spasial. Defineiens AG. 2005. Inc.. and ASTER. Tbk Kecamatan Nanggung Kabupaten Bogor. ISBN: 9783642015465 Gunawan Ahyar. S. Juman Permana. W. 2005. Reed. München. M. The possibility of using multitemporal landsat images for mining monitoring: a preliminary study. 2006.D.gov/soil_moisture/pdf/A%20Straight%20Forward%20guide%20f or%20Processing%20Radiance%20and%20Reflectance_V_24Jul12. Abdullah. New Jersey: Prentice Hall. M. Electronic Journal of Geotechnical Engineering. Niigata. 2010. http://www. p. Jia X. 2010. F. Germany. Introductory to Digital Image Processing:A Remote Sensing Perspectiv. Defineiens AG. Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges Geoscience and Remote Sensing.6. München. 2674 – 2677 Definiens. W. 2012. Definiens. & Markham. Jepang. 2005. IPB Bogor Heiskanen.6.au/ [3 Maret 2009]. vol 15 J..2. and Moritz. Reference Book: Definiens Professional version 5. 2006... Landsat 7 ETM+. München. Physical Geodesy. Salvador. Prosiding Hasil Kegiatan Pusat Sumber Daya Geologi Jaya INS. Unpublished Report from USGS/Center of Excellence for Geospatial Information Science. Jensen JR. Erthal. Installation Guide: Definiens Professional version 5. Kabupaten Kapuas.677-680 64 .2. Brazil“. Malaysia.pdf Freeden.. A.. DAFTAR PUSTAKA Abdullah.P. Faeyumi M. Defineiens AG.usgs. Akhir. Germany. 2011. 2012. Linlin Ge. Penelitian Optimalisasi Potensi Bahan Galian Di Wilayah Bekas Tambang. 1 – 9. 1996. Tochio dan Shidata Mura. H. A Straight Forward Guide for Processing Radiance and Reflectance for EO-1 ALI. Mitsuo. Teknik mendeteksi lahan longsor menggunakan citra SPOT multi waktu. L. Landsat 5 TM. Bins. K. Daerah Pujon. “Satellite Imagery Segmentation: a region growing approach“.H. H. I. I Nengah Surati Jaya. “Anais VIII Simposio Brasileiro de Sensoriamento Remoto. W. G. Handbook of Geomathemathics. A. 2003. San Fransisco and London Jaenudin Juju. studi kasus di Teradomari. 8 p. Automatic Mapping of Lineaments Using Shaded Relief Images Derived from Digital Elevation Model (DEMs) in the Maran – Sungi Lembing Area. M. J.com. and Yamamoto. S.. Freeman and Company.0. L. G. L. Lau WY. Jurnal Manajemen Hutan Tropika 10:31–48. Buce Saleh.crcsi. Sebaran Potensi Emas Epitermal di Areal Eksploitasi PT Antam Unit Geomin. 2010. Definiens.0. Germany. Springer.. Provinsi Kalimantan Tengah. 41. IEEE Transactions on. User Guide: Definiens Professional version 5.2. B.

J. Trends in Ecology and Evolution 20(9):503-510. Amerika Serikat. 1985. Department of Geodetic Science and Surveying The Ohio State University. Rencana Pembangunan Jangka Panjang Kota Banda Aceh 2007-2027 Rahayu. CRC Press. Vaníček. J. Gaillard. Eddy. NY. November 14. 23 – 35 Uotila. U. B. Prosiding Pertemuan Ilmiah Tahunan MAPIN XX. P. C. M. Stenseth. Landsat 7 Science Data Users Handbook Landsat Project Science Office at NASA’s Goddard Space Flight Center in Greenbelt. USA Spiegel. 2009 Sumardy. Zhu. Z. 2014. Physical geodesy.or. Amerika Serikat. SpriengerWienNewYork. Tokyo. 2005. N. 2015. Koreksi Radiometrik Citra Landsat-8 Kanal Multispektral Menggunakan Top of Atmosphere (ToA) untuk Mendukung Klasifikasi Penutup. C. Pemerintah Banda Aceh. Ohio. A. Geodesy. University of New Brunswick. and Moritz. 1975. FMIPA Universitas Padjadjaran. H. Purwandari. Digital Terrain Modeling Principles and Methodology.lapanrs.usgs. Remote sensing for mineral exploration.H.nasa. Djauhari. New York 65 . vol 1. Pengantar Geologi. Soemartini. U.A. Adjustment Computations Notes. and Gold. 2014. Bali... Mc Grow-Hill book company. P. Using the satellite-derived Normalized Difference Vegetation Index (NDVI) to assess ecological effects of environmental change. and N. Vik.id [6 Maret 2009]. 2005. Ekstraksi Kelurusan (Linement) Secara Otomatis Menggunakan DEM SRTM Studi Kasus : Pulau Bangka. Theory and Problems of Probability and Statistics. F. Amsterdam.. Program Studi Teknik Geologi Fakultas Teknik Universitas Pakuan. Bogor. Florida. the concepts. Tucker. Sulistyo. 2009. Wellenhof. Chandra D. 1999. Sabins Floyd F. E. M. Using the USGS Landsat 8 Product.. Nugroho. Analisis Penerapan Metode Median Filter untuk Mengurangi Noise Pada Citra Digital. C. 775 – 780 USGS. Sitorus J. O.R.Li. 1976.) 2011.gsfc. 2007.. & Krakiwsky. Bech. Frans. Luwin ED. Prosiding Seminar Nasional Penginderaan Jauh. 2006. Suharno.gov/Landsat8_Using_Product. Widyastuti R. dan Susanto.php [Februari 2014] Pettorelli. Department of Surveying Engineering. Vanicek. NASA (Ed. C. 186 http://landsathandbook. Mysterud. Buletin Sumberdaya Geologi.. Second corrected edition..S. Kajian model deteksi perubahan penutup lahan menggunakan data inderaja untuk aplikasi perubahan lahan sawah. 1986. 2006.. J.. http://www. Konferensi Nasional Sistem dan Informatika 2009. 2009. Oxford. R. 2009.. vol 4(22). 2008. http://landsat.. Q. Principal Component Analysis (PCA) Sebagai Salah Satu Metode Untuk Mengatasi Masalah Multikolinearitas. North-Holland. W. Tinjauan Emas Epitermal Pada Lingkungan Volkanik.gov/pdfs/Landsat7_Handbook.Y. Physical Geodesy.pdf Noor.

66 . Proses koreksi radiometrik ini merupakan tahap awal dalam pengolahan data citra Landsat untuk beberapa aplikasi. Perhitungan numerik untuk koreksi radiometrik/ ToA ini dapat lakukan dengan menggunakan tools / plugin yang tersedia pada software QGIS 2. Plugin tersebut bernama Semi Automatic Classification Plugin. Langkah yang dilakukan adalah sebagai berikut : 1. 2.LAMPIRAN PETUNJUK TEKNIS PENGOLAHAN DATA  KOREKSI RADIOMETRIK CITRA LANDSAT Koreksi radiometrik ini mengubah nilai digital number menjadi nilai Reflektansi pada citra Landsat. Selanjutnya akan muncul jendela Landsat conversion to TOA reflectance and brightness temperature.8. Koreksi Radiometrik menghilangkan pengaruh dinamika atsmosfer atas yang terjadi.1 yang merupakan Free and Open Source Software. Pada menu utama di QGIS pilih SCP => Pre Processing => Landsat.

Nama-nama band Landsat harus diakhiri dengan angka yang menunjukan band tersebut. 7.  Brightness temperature in Celsius : jika dipilih/diklik maka brightness temperature akan diubah ke satuan Celsius (jika Landsat thermal band terdapat pada metadata).Pada tab Landsat ini dapat mengkonversi data Landsat 4.txt atau . piksel-piksel yang punya nilai ‘NoData’ tidak dikutsertakan dalam perhitungan DNmin. Berikut ini penjelasan bagian-bagian yang ada pada tab Landsat ini :  [ Select directory ]: pilih direktori/folder yang berisi data citra Landsat lengkap dengan band masing-masing. 3.  Apply DOS1 atmospheric correction : jika dipilih/diklik. hal ini berguna bila citra Landsat punya black border (biasanya nilai pikselnya = 0).met dengan akhiran MTL) berada pada direktori yang berbeda dnegan direktori yang berisi data Landsat. 5.  [ Select directory ] [optional]: Pilih file MTL jika metafile (file dengan ekstensi . maka koreksi Dark Object Subtraction diterapkan pada setiap band kecuali band termal. maka selanjutnya klik Perform Conversion untuk menjalankan proses koreksi Radiometrik pada citra Landsat. Setelah semua isian pada tab Landsat selesai dipilih/diisi. Jika tidak dipilih/diklik maka temperatur dalam satuan Kelvin.  Use NoData value (image has black border) : jika dipilih/diklik. dan 8 dari nilai Digital Number (DN) menjadi nilai reflektansi. jika metafile ( file dengan akhiran MTL) berada pada direktori tersebut maka metadata akan otomatis terisi. 67 .

Pada menu utama di QGIS pilih Raster => Raster Calculator. pengurangan dan pembagian yang terdapat pada kolom Operators. Nilai NDVI menggunakan nilai reflektansi dari band NIR ( Near Infra Red ) dan band Red pada citra satelit untuk perhitungannya. 2. Pilih dan ketik nama file output pada kolom Output layer. Band-band yang diperlukan ada pada Raster bands. 68 . Langkah yang dilakukan adalah sebagai berikut : 1.1. Terapkan rumus NDVI pada bagian Raster Calculation Expression. gunakan operator penjumlahan. Selanjutnya akan muncul jendela Raster Calculator. PERHITUNGAN NDVI PADA CITRA LANDSAT NDVI (Normalized Difference Vegetation Index) merupakan salah satu nilai dari indeks kehijauan vegetasi.8. Tools tersebut bernama Raster Calculator. Perhitungan numerik untuk NDVI ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2.

 PERHITUNGAN VIDN PADA CITRA LANDSAT MULTITEMPORAL VIDN (Vegetation Index Differencing). Tools tersebut bernama Raster Calculator. gunakan operator pengurangan yang terdapat pada kolom Operators.8. Pilih dan ketik nama file output pada kolom Output layer.1. Pada menu utama di QGIS pilih Raster => Raster Calculator. Perhitungan numerik untuk VIDN ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2. 69 . Band-band yang diperlukan ada pada Raster bands. Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI dua waktu yang berbeda. Terapkan rumus VIDN pada bagian Raster calculation expression. Selanjutnya akan muncul jendela Raster Calculator. 2. Langkah yang dilakukan adalah sebagai berikut : 1.

Selanjutnya akan muncul jendela Semi-Automatic Classification Plugin. 2. Perhitungan MPCA (Multitemporal Principal Component Analysis) ini menggunakan data nilai reflektansi dari Band Green. Perhitungan numerik untuk MPCA ini dapat lakukan dengan menggunakan tools / plugin yang tersedia pada software QGIS 2.8. Langkah yang dilakukan adalah sebagai berikut : 1. Red dan NIR ( Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda. Kita dapat mengatur urutan band dengan menggunakan fasilitas control bands. Susunan band dapat diatur pada kolom Band set definition. Selanjutnya klik Create virtual raster of band set lalu muncul jendela Save virtual raster. Pertama-tama kita buat susunan band yang memuat nilai reflektansi band Green. Tools/plugin tersebut bernama PCA. 70 . Pilih band yang akan disusun pada kolom band list lalu klik Add rasters to set. Pada menu utama di QGIS pilih SCP => Band set. Red dan NIR. PERHITUNGAN MPCA PADA CITRA LANDSAT MULTITEMPORAL Analisis komponen utama ( Principal Component Analysis (PCA)) digunakan untuk menjelaskan struktur matriks varians-kovarians dari suatu set variabel melalui kombinasi linier dari variabel-variabel tersebut. Pilih folder tempat penyimpanan file dan ketik nama file virtual raster. Secara umum komponen utama dapat berguna untuk reduksi dan interpretasi variabel-variabel.1.

Setelah itu kita masuk pada perhitungan MPCA.3. 71 . Muncul jendela PCA. Jika belum maka harus diinstall dengan memanfaatkan tools Manage and Install Plugins. pilih data input file ( file virtual raster yang tadi dibuat). pastikan Plugin PCA sudah terinstall pada QGIS. Bila sudah terinstall. langkah berikutnya pada menu utama klik Plugins => PCA => PCA. Pilih folder tempat outputfile dan ketik nama file citra sintetik MPCA yang akan dibuat. Tentukan jumlah Principal component ( dalam contoh ini ada 6 principal component.

72 .

 SEGMENTASI MULTIRESOLUSI PADA CITRA SPOT 6 Segmentasi Multiresolusi pada kegiatan ini dilakukan dengan tujuan untuk membuat polygon area untuk identifikasi lahan terbuka pada daerah pertambangan. Langkah yang dilakukan adalah sebagai berikut : 1. Polygon tersebut juga dapat digunakan untuk menentukan nilai threshold untuk identifikasi lahan terbuka tambang. Akan tampil jendela Load Image File. kemudian pilih file citra yang akan dibuka. pada menu utama di E-Cognition Developer pilih File => Load Image File.0. Proses segmentasi multiresolusi ini dapat lakukan dengan menggunakan software E-Cognition Developer 8. 73 . Polygon tersebut kemudian bisa dijadikan training sample dalam proses identifikasi/klasifikasi lahan terbuka pertambangan. pastikan citra tersebut mempunyai sistem koordinat referens yang benar agar hasil segmentasi nanti mempunyai sistem koordinat yang benar juga. Pertama-tama kita buka file citra yang akan disegmentasi. Setelah memilih file citra lalu klik Open.

Caranya adalah sebagai berikut : pada menu utama klik View => Image Layer Mixing. Untuk melihat sistem koordinat referens dari file citra yang telah dibuka dapat dilakukan dengan cara berikut : pada menu utama klik File => Modify Open Project. kemudian akan muncul jendela Modify Project yang akan menampilkan informasi tentang sistem koordinat citra serta resolusi spasialnya. 3. band 1 sebagai band Blue. Langkah berikutnya adalah mengatur susunan komposit band citra yang akan digunakan dalam proses segmentasi. Akan muncul jendela Edit Image Layer Mixing. Setelah itu klik OK. Selanjutnya kita buat susunan komposit band 321 (RGB) yaitu band 3 sebagai band Red. band 2 sebagai band Green. 74 .2.

75 . Tahapan selanjutnya adalah pembuatan segmen dengan memasukan nilai parameter scale dan color. Sementara pada Output Level kita buat level baru dengan memilih <create new level>. selanjutnya kita ketik nama level baru tersebut (pada contoh ini namanya L_100_09). Caranya adalah sebagai berikut : pada kolom Analysis Builder klik Segmentation (Multiresolution). Selanjutnya klik Run dan komputer akan memproses segmentasi tersebut. Kemudian pada kolom Settings kita masukkan nilai parameter Scale dan Color ( pada contoh ini Scale = 100 dan Color = 0.4.9). Kemudian pada kolom Domain kita pilih Input Level : Pixel Level.

9 76 . Hasil Segmentasi dengan parameter Scale 100 dan Color 0.

Selanjutnya kita dapat menyimpan hasil segmentasi sebagai file vektor dengan format shapefile (. Kemudian kita klik tombol Export dan pilih folder tempat file vektor akan disimpan. Pada kolom Classes klik Select Classes klik All lalu klik OK. Pada Export File Name ketik nama file vektor yang akan dibuat.shp). kemudian akan muncul jendela Export Results. pada kolom Content Type plihlah Polygon Raster. caranya adalah sabagai berikut : Pada menu utama klik Export => Export Results. pada kolom Level pilihlah level segmentasi yang sudah kita buat tadi. pada kolom Format pilihlah Shapefile (*.5. Pada kolom Export Type pilihlah Shape File. lalu klik OK. 77 .shp).

Akan tampil Kolom Processing Toolbox. Nilai threshold ini kemudian bisa digunakan untuk identifikasi lahan terbuka pertambangan. Langkah yang dilakukan adalah sebagai berikut : 1. PERHITUNGAN NILAI STATISTIK VIDN PADA POLYGON SAMPLE LAHAN TERBUKA TAMBANG Perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) yang terdapat di dalam polygon sample lahan terbuka tambang dibutuhkan untuk menentukan nilai Threshold maksimum dan minimum dari nilai piksel citra VIDN.1.8. Pada menu utama di QGIS pilih Processing => Toolbox. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI dua waktu yang berbeda. selanjutnya klik QGIS Geoalgoritms => Raster Tools => Zonal Statistics. Tools tersebut bernama Zonal Statistics. Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit. Perhitungan numerik nilai statistik VIDN ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2. 78 .

Hasil outputnya berupa file vektor (shape file).2. Selanjutnya akan muncul jendela Zonal Statistics. Pada Raster Layer kita pilih data yang kita akan hitung nilai statistiknya. Pada Vector layer containing zones kita pilih data vektor yang terdapat polygon sample. 3. Kemudian akan muncul nilai perhitungan statistik yang ada dalam polygon sample. 79 . Untuk menampilkan tabel hasil statistiknya caranya dengan klik kanan pada file tersebut lalu klik Open Attribute Table. Kemudian klik Run. Pada Output layer kita isi nama file yang akan memuat hasil nilai statistiknya.

Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI dua waktu yang berbeda. Nilai statistik yang digunakan yaitu nilai Threshold maksimum dan minimum dari nilai piksel citra VIDN yang terdapat dalam polygon sample lahan terbuka tambang. Nilai threshold inilah yang kemudian digunakan untuk identifikasi lahan terbuka pertambangan untuk keseluruhan wilayah yang terdapat di citra.Selanjutnya untuk perhitungan nilai statistik polygon sample untuk data VIDN yang lain dapat dilakukan dengan cara serupa dengan cara di atas. 80 .  THRESHOLDING CITRA SINTETIK VIDN UNTUK IDENTIFIKASI LAHAN TERBUKA TAMBANG Komputasi numerik berupa thresholding citra sintetik VIDN untuk identifikasi lahan terbuka tambang menggunakan nilai statistik VIDN di dalam polygon sample lahan terbuka tambang. Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit.

1. Tools tersebut bernama Raster Calculator. Langkah yang dilakukan adalah sebagai berikut: 1. 2. 81 . Terapkan persamaan thresholding VIDN pada bagian Raster calculation expression. gunakan operator pertidaksamaan dan logika AND yang terdapat pada kolom Operators. Band-band yang diperlukan ada pada Raster bands.8. Pilih dan ketik nama file output pada kolom Output layer. Pada menu utama di QGIS pilih Raster => Raster Calculator. Selanjutnya akan muncul jendela Raster Calculator. Proses thresholding citra sintetik VIDN ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2.

8. Untuk menghilangkan kesalahan ini dilakukan filtering menggunakan lowpass filter yaitu filter median. Langkah yang dilakukan adalah sebagai berikut : 1.  FILTERING HASIL THRESHOLDING CITRA SINTETIK VIDN UNTUK IDENTIFIKASI LAHAN TERBUKA TAMBANG Pelaksanaan komputasi numerik berupa filtering hasil thresholding citra sintetik VIDN untuk identifikasi lahan terbuka tambang. lalu cari plugin Pktools kemudian install. kemudian mengganti nilai piksel yang diproses dengan nilai mediannya. Klik menu Plugins => Manage and Install Plugin. Sebelum mengoperasikan tools tersebut pastikan Plugin Pktools telah terinstall pada sistem QGIS.1. Filter median merupakan salah satu filtering non-linear yang mengurutkan nilai intensitas sekelompok piksel. 82 . Tools tersebut bernama Spatial Filter. Jika belum terinstall kita bisa gunakan fasilitas install plugin yang terdapat pada QGIS. Akan muncul jendela Plugins. Jaya (2005) menyebutkan bahwa hasil thresholding pada umumnya masih mengandung noise yang tampak seperti noktah-noktah atau sering disebut salt and pepper.Selanjutnya proses thresholding untuk data VIDN yang lain dapat dilakukan dengan cara serupa dengan cara di atas. Proses filtering hasil thresholding citra sintetik VIDN ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2.

2. Setelah plugin Pktools terinstall kita bisa operasikan spatoal filter. Caranya
sebagai berikut : Pada bagian Processing Toolbox di QGIS pilih Pk Utilities
for remote sensing image processing => filter => spatial filter.

3. Selanjutnya akan muncul jendela spatial filter. Pada input layer kita pilih
file citra hasil thresholding yang akan difilter. Pada filter rule pilihlah
median. Pada Output raster type pilihlah Byte. Pada Filter kernel size
pilihlah 3 (untuk jendela 3x3). Pada Padding (edge effects) pilihlah
symmetric. Pada Output raster data set kita ketik nama file output hasil
filtering. Lalu klik Run.

Selanjutnya proses filtering hasil thresholding untuk data VIDN yang lain dapat
dilakukan dengan cara serupa dengan cara di atas.
83

 THRESHOLDING CITRA SINTETIK MPCA UNTUK IDENTIFIKASI LAHAN
TERBUKA TAMBANG

Pelaksanaan komputasi numerik berupa perhitungan statistik data citra sintetik
MPCA (Multitemporal Principal Component Analysis) yang terdapat di dalam
polygon sample lahan terbuka tambang. Perhitungan nilai statistik ini dibutuhkan
untuk menentukan nilai Threshold maksimum dan minimum dari nilai piksel citra
MPCA. Nilai threshold ini kemudian bisa digunakan untuk identifikasi lahan terbuka
pertambangan. Nilai MPCA ini menggunakan data nilai reflektansi dari Band Green,
Red dan NIR ( Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang
berbeda. Perhitungan numerik nilai statistik MPCA ini dapat lakukan dengan
menggunakan tools yang tersedia pada software QGIS 2.8.1. Tools tersebut
bernama Zonal Statistics. Langkah yang dilakukan adalah sebagai berikut :

1. Pada menu utama di QGIS pilih Processing => Toolbox. Akan tampil Kolom
Processing Toolbox, selanjutnya klik QGIS Geoalgoritms => Raster Tools =>
Zonal Statistics.

2. Selanjutnya akan muncul jendela Zonal Statistics. Pada Raster Layer kita pilih
data citra yang kita akan hitung nilai statistiknya. Pada Raster band pilihlah band
yang akan digunakan, misalnya band 1 berarti kita pilih Principal Component 1
(PC 1). Pada Vector layer containing zones kita pilih data vektor yang terdapat
polygon sample. Pada Output layer kita isi nama file yang akan memuat hasil
nilai statistiknya. Kemudian klik Run.

84

3. Hasil outputnya berupa file vektor (shape file). Untuk menampilkan tabel hasil
statistiknya caranya dengan klik kanan pada file tersebut lalu klik Open Attribute
Table. Kemudian akan muncul nilai perhitungan statistik yang ada dalam
polygon sample.

Selanjutnya untuk perhitungan nilai statistik polygon sample untuk data MPCA yang
lain dapat dilakukan dengan cara serupa dengan cara di atas.

85

Nilai statistik yang digunakan yaitu nilai Threshold maksimum dan minimum dari nilai piksel citra MPCA yang terdapat dalam polygon sample lahan terbuka tambang. Pilih dan ketik nama file output pada kolom Output layer. 3. Nilai MPCA ini menggunakan data nilai reflektansi dari Band Green. Terapkan persamaan thresholding MPCA pada bagian Raster calculation expression.5 dan 6 ). THRESHOLDING CITRA SINTETIK MPCA UNTUK IDENTIFIKASI LAHAN TERBUKA TAMBANG Pelaksanaan komputasi numerik berupa thresholding citra sintetik MPCA untuk identifikasi lahan terbuka tambang. Langkah yang dilakukan adalah sebagai berikut: 1.3. Nilai threshold inilah yang kemudian digunakan untuk identifikasi lahan terbuka pertambangan untuk keseluruhan wilayah yang terdapat di citra. Proses thresholding citra sintetik MPCA ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2. Thresholding ini menggunakan nilai statistik MPCA di dalam polygon sample lahan terbuka tambang. Red dan NIR ( Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda. 2. Tools tersebut bernama Raster Calculator. Apabila kita ingin menggunakan lebih dari satu band pada persamaan thresholding maka kita dapat menggunakan formula seperti berikut : ( contoh untuk persamaan therholding yang menggunakan band PC 1. Selanjutnya akan muncul jendela Raster Calculator.2. 86 . Pada menu utama di QGIS pilih Raster => Raster Calculator. Band-band yang diperlukan ada pada Raster bands.4. gunakan operator pertidaksamaan dan logika AND yang terdapat pada kolom Operators.1.8.

Selanjutnya proses thresholding untuk data MPCA yang lain dapat dilakukan dengan cara serupa dengan cara di atas. 87 .

Tools tersebut bernama Spatial Filter. kemudian mengganti nilai piksel yang diproses dengan nilai mediannya. Langkah yang dilakukan adalah sebagai berikut : 1. Klik menu Plugins => Manage and Install Plugin. Jika belum terinstall kita bisa gunakan fasilitas install plugin yang terdapat pada QGIS.1. Untuk menghilangkan kesalahan ini dilakukan filtering menggunakan lowpass filter yaitu filter median. Sebelum mengoperasikan tools tersebut pastikan Plugin Pktools telah terinstall pada sistem QGIS. Jaya (2005) menyebutkan bahwa hasil tresholding pada umumnya masih mengandung noise yang tampak seperti noktah-noktah atau sering disebut salt and pepper. FILTERING HASIL THRESHOLDING CITRA SINTETIK MPCA UNTUK IDENTIFIKASI LAHAN TERBUKA TAMBANG Pelaksanaan komputasi numerik berupa filtering hasil thresholding citra sintetik MPCA (Multitemporal Principal Component Analysis) untuk identifikasi lahan terbuka tambang. Proses filtering hasil thresholding citra sintetik MPCA ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2. Filter median merupakan salah satu filtering non- linear yang mengurutkan nilai intensitas sekelompok piksel. 88 . Akan muncul jendela Plugins. lalu cari plugin Pktools kemudian install.8.

Selanjutnya proses filtering hasil thresholding untuk data MPCA yang lain dapat dilakukan dengan cara serupa dengan cara di atas. 89 . Pada Output raster type pilihlah Byte. 3. Setelah plugin Pktools terinstall kita bisa operasikan spatoal filter. Pada Output raster data set kita ketik nama file output hasil filtering.2. Pada filter rule pilihlah median. Pada Padding (edge effects) pilihlah symmetric. Lalu klik Run. Selanjutnya akan muncul jendela spatial filter. Pada Filter kernel size pilihlah 3 (untuk jendela 3x3). Pada input layer kita pilih file citra hasil thresholding yang akan difilter. Caranya sebagai berikut : Pada bagian Processing Toolbox di QGIS pilih Pk Utilities for remote sensing image processing => filter => spatial filter.

2. lalu klik Open. Caranya klik ikon Add Vector Layer => Browse. Perhitungan numerik akurasi hasil thresholding VIDN ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2. Langkah menghitung akurasi adalah sebagai berikut : 1. Buka file acuan/referensi berupa vektor polygon hasil digitasi/klasifikasi visual dari citra resolusi tinggi SPOT-6 Pansharpening resolusi spasial 1. lalu klik Open. Untuk pengukuran akurasi ini digunakan acuan/referensi berupa hasil klasifikasi visual lahan tambang dari citra resolusi tinggi yaitu citra SPOT-6 pansharpening dengan resolusi spasial 1.1. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI (Normalized Difference Vegetation Index) dua waktu yang berbeda. 90 . Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit. kemudian cari file vektor polygon referensi. kemudian cari file hasil thresholding VIDN yang sudah difilter. Buka file hasil thresholding VIDN dengan cara klik ikon Add Raster Layer.5 meter. Tools tersebut bernama Accuracy. PERHITUNGAN AKURASI HASIL THRESHOLDING VIDN LAHAN TERBUKA TAMBANG Pelaksanaan komputasi numerik berupa perhitungan akurasi hasil thresholding data citra sintetik VIDN (Vegetation Index Differencing) pada lahan terbuka tambang.5 m.8. Perhitungan akurasi ini dilakukan untuk mengukur seberapa akurat hasil thresholding data VIDN yang mengidentifikasikan area tambang dan non-tambang. Tool tersebut berada dalam modul Semi Automatic Classification Plugin.

Selanjutnya klik Calculate error matrix dan ketik nama file output hasil akurasi.3. Pada bagian Error Matrix Input pilih file hasil threshoding di bagian select the classification to assess. 91 . Kemudian pilih file vektor polygon referensi pada bagian select the reference shapefile or raster. Selanjutnya klik menu SCP => Post processing => Accuracy.

92 .

93 .

Caranya klik ikon Add Vector Layer => Browse. PERHITUNGAN AKURASI HASIL THRESHOLDING MPCA LAHAN TERBUKA TAMBANG Pelaksanaan komputasi numerik berupa perhitungan akurasi hasil thresholding data citra sintetik MPCA (Multitemporal Principal Component Analysis) pada lahan terbuka tambang. Red dan NIR (Near Infra Red) yang berasal dari citra Landsat dari dua waktu yang berbeda. lalu klik Open.5 m.1. lalu klik Open 2. Untuk pengukuran akurasi ini digunakan acuan/referensi berupa hasil klasifikasi visual lahan tambang dari citra resolusi tinggi yaitu citra SPOT-6 pansharpening dengan resolusi spasial 1. Nilai MPCA ini menggunakan data nilai reflektansi dari Band Green. kemudian cari file vektor polygon referensi. Tools tersebut bernama Accuracy.8. Buka file acuan/referensi berupa vektor polygon hasil digitasi/klasifikasi visual dari citra resolusi tinggi SPOT-6 Pansharpening resolusi spasial 1. Perhitungan akurasi ini dilakukan untuk mengukur seberapa akurat hasil thresholding data MPCA yang mengidentifikasikan area tambang dan non-tambang. Langkah menghitung akurasi adalah sebagai berikut : 1. Perhitungan numerik akurasi hasil thresholding MPCA ini dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2. 94 . Buka file hasil thresholding MPCA dengan cara klik ikon Add Raster Layer. Tool tersebut berada dalam modul Semi Automatic Classification Plugin. kemudian cari file hasil thresholding MPCA yang sudah difilter.5 meter.

95 . Selanjutnya klik menu SCP => Post processing => Accuracy. Kemudian pilih file vektor polygon referensi pada bagian select the reference shapefile or raster. Selanjutnya klik Calculate error matrix dan ketik nama file output hasil akurasi.3. Pada bagian Error Matrix Input pilih file hasil threshoding di bagian select the classification to assess.

96 .

Pada Vector layer containing zones kita pilih data vektor yang terdapat polygon hasil identifikasi lahan terbuka tambang. Perhitungan nilai statistik ini dibutuhkan untuk melihat perbandingan antara nilai standar deviasi data VIDN dalam polygon hasil identifikasi lahan tambang dengan nilai standar deviasi data VIDN dalam polygon sample lahan tambang. 2. Pada menu utama di QGIS pilih Processing => Toolbox. Selanjutnya akan muncul jendela Zonal Statistics.8. Nilai NDVI diperoleh dari perhitungan menggunakan data citra satelit. Tools tersebut bernama Zonal Statistics. Kemudian klik Run. Akan tampil Kolom Processing Toolbox. 97 . PERHITUNGAN NILAI STATISTIK VIDN PADA POLYGON HASIL IDENTIFIKASI LAHAN TERBUKA TAMBANG Pelaksanaan komputasi numerik berupa perhitungan statistik data citra sintetik VIDN (Vegetation Index Differencing (VIDN)) yang terdapat di dalam polygon hasil identifikasi lahan terbuka tambang. Pada Raster Layer kita pilih data yang kita akan hitung nilai statistiknya. Polygon hasil identifikasi lahan terbuka tambang didapatkan dari proses thresholding dan filtering data VIDN. Nilai VIDN ini merupakan nilai yang diperoleh dari pengurangan nilai NDVI dua waktu yang berbeda.1. selanjutnya klik QGIS Geoalgoritms => Raster Tools => Zonal Statistics. Perhitungan numerik nilai statistik VIDN yang terdapat pada polygon hasil identifikasi lahan terbuka tambang dapat lakukan dengan menggunakan tools yang tersedia pada software QGIS 2. Bila nilai standar deviasi hasil identifikasi lebih kecil atau sama dengan 2 kali nilai standar deviasi data VIDN yang terdapat dalam polygon sample maka hasil identifikasi lahan terbuka tersebut bagus hasilnya (tingkat kepercayaannya baik). Langkah yang dilakukan adalah sebagai berikut : 1. Pada Output layer kita isi nama file yang akan memuat hasil nilai statistiknya.

3. Hasil outputnya berupa file vektor (shape file). Kemudian akan muncul nilai perhitungan statistik yang ada dalam polygon hasil identifikasi lahan terbuka tambang. 98 . Untuk menampilkan tabel hasil statistiknya caranya dengan klik kanan pada file tersebut lalu klik Open Attribute Table.

Selanjutnya untuk perhitungan nilai statistik polygon hasil identifikasi lahan terbuka tambang untuk data VIDN yang lain dapat dilakukan dengan cara serupa dengan cara di atas. 99 .

 PERHITUNGAN NILAI STATISTIK MPCA PADA POLYGON HASIL
IDENTIFIKASI LAHAN TERBUKA TAMBANG

Pelaksanaan komputasi numerik berupa perhitungan statistik data citra sintetik
MPCA (Multitemporal Principal Component Analysis) yang terdapat di dalam
polygon hasil identifikasi lahan terbuka tambang. Polygon hasil identifikasi lahan
terbuka tambang didapatkan dari proses thresholding dan filtering data MPCA.
Perhitungan nilai statistik ini dibutuhkan untuk melihat perbandingan antara nilai
standar deviasi data MPCA dalam polygon hasil identifikasi lahan tambang dengan
nilai standar deviasi data MPCA dalam polygon sample lahan tambang. Bila nilai
standar deviasi hasil identifikasi lebih kecil atau sama dengan 2 kali nilai standar
deviasi data MPCA yang terdapat dalam polygon sample maka hasil identifikasi
lahan terbuka tersebut bagus hasilnya (tingkat kepercayaannya baik). Nilai MPCA ini
menggunakan data nilai reflektansi dari Band Green, Red dan NIR ( Near Infra Red)
yang berasal dari citra Landsat dari dua waktu yang berbeda.
Perhitungan numerik nilai statistik MPCA yang terdapat pada polygon hasil
identifikasi lahan terbuka tambang dapat lakukan dengan menggunakan tools yang
tersedia pada software QGIS 2.8.1. Tools tersebut bernama Zonal Statistics.
Langkah yang dilakukan adalah sebagai berikut :

1. Pada menu utama di QGIS pilih Processing => Toolbox. Akan tampil Kolom
Processing Toolbox, selanjutnya klik QGIS Geoalgoritms => Raster Tools =>
Zonal Statistics.

2. Selanjutnya akan muncul jendela Zonal Statistics. Pada Raster Layer kita pilih
data yang kita akan hitung nilai statistiknya. Pada Raster band pilihlah band
yang akan digunakan, misalnya band 1 berarti kita pilih Principal Component 1
(PC 1) Pada Vector layer containing zones kita pilih data vektor yang terdapat

100

polygon hasil identifikasi lahan terbuka tambang. Pada Output layer kita isi
nama file yang akan memuat hasil nilai statistiknya. Kemudian klik Run.

3. Hasil outputnya berupa file vektor (shape file). Untuk menampilkan tabel hasil
statistiknya caranya dengan klik kanan pada file tersebut lalu klik Open
Attribute Table. Kemudian akan muncul nilai perhitungan statistik yang ada
dalam polygon hasil identifikasi lahan terbuka tambang.

101

Selanjutnya untuk perhitungan nilai statistik polygon hasil identifikasi lahan terbuka
tambang untuk data MPCA yang lain dapat dilakukan dengan cara serupa dengan
cara di atas.

102

Nangro Aceh Darusalam Tanggal: 13 sd 18 September 2015 BIDANG SUMBERDAYA WILAYAH DARAT PUSAT PENGEMBANGAN PEMANFAATAN PENGINDERAAN JAUH LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL JAKARTA 103 .LAPORAN PELATIHAN PENGINDERAAN JAUH dan SURVEY LAPANGAN Lokasi Bappeda Prov.

Unit Pelaksana Teknis Badan Pusat Data Geospasial Aceh (UPTB-PDGA) adalah perangkat teknis penunjang pada Bappeda Aceh yang mengelola data geospasial. pengelolaan dan per distribusian data spasial. 104 . peningkatan kelembagaan dan sumber daya manusia serta pengumpulan. Untuk meningkatkan kelembagaan dan sumber daya manusia dalam bidang pengelolaan data dan citra. diantaranya logam emas. Bappeda Aceh bekerjasama dengan LAPAN menyelenggarakan Pelatihan Penginderaan Jauh. berdasarkan undang-undang Keantariksaan dapat didistribusikan ke pemerintah daerah.1. Stasiun bumi penginderaan jauh LAPAN merekam data resolusi rendah. Provinsi Nanggroe Aceh Darussalam. Menurut data dari dinas pertambangan dan energi Nanggroe Aceh Darussalam dan dari Dirjen sumber daya mineral ada beberapa jenis potensi logam dan energi di Aceh yang bernilai ekonomis tersebar di beberapa tempat. 6. 7 yang direkam oleh stasiun bumi LAPAN. Sebagian ada yang masih berupa tubuh batuan (primary deposits) dan endapan plaser dalam tubuh sungai atau di muara (secondary deposits). 2. instansi Dinas Pertambangan dan Instansi yang terkait. LOKASI dan PERSONIL WAKTU: Pelatihan Penginderaan Jauh dilaksanakan pada tanggal 13-18 September 2015. Pemanfaatan data penginderaan jauh juga mengalami kemajuan yang sanngat berarti. Berdasar pemetaan geologi. menengah dan tinggi. PENDAHULUAN Data penginderaan jauh pada saat ini berkembang sangat pesat. penyimpanan. peningkatan basis geodata. Mineralisasi ini salah satunya dihasilkan oleh intrusi-intrusi yang melalui zona lemah.  Mengumpulkan data sekunder lokasi Penambangan Emas Tanpa Ijin (PETI) pada Bappeda NAD. merupakan daerah mineralisasi yang potensial yang disebabkan oleh faktor geologi.  Diskusi dengan Universitas Syah Kuala 3. Di sepanjang bukit barisan ini banyak terdapat zona-zona mineralisasi logam. UPTB-PDGA mempunyai tupoksi melaksanakan sebagian kegiatan teknis operasional dan/atau kegiatan teknis penunjang di bidang pengembangan sinkronisasi dan validasi data. terutama karena berada pada jalur Patahan Sumatera dan adanya jalur tunjaman (subduction zone) di sebelah barat Sumatra yang mengakibatkan terangkatnya pulau Sumatra dan menghasilkan suatu perbukitan memanjang yang sekarang kita kenal dengan Perbukitan Barisan. TUJUAN Tujuan dari Pelatihan Penginderaan Jauh dan survey ini adalah:  Meningkatkan kemampuan sumber daya manusia dalam bidang penginderaan jauh. salah satunya adalah melalui zona patahan Sumatra dan zona ikutan. Pemerintah Daerah di Indonesia pada saat ini sedang diperintahkan agar membuat rencana tata ruang wilayah untuk pengembangan wilayahnya. Data citra satelit resolusi tinggi SPOT 5. baik resolusi spasial maupun kemampuan resolusi spektralnya (optik dan SAR). WAKTU. Data satelit penginderaan jauh dapat diandalkan untuk mendukung pembuatan database spasial.

Aceh Besar 1 12 Bappeda Kab. Dr. 2015 Pembukaan : Sesi Pagi  Sambutan Bappeda Aceh 105 . Dr. Pijay 1 9 Disbun Aceh 1 10 Distan Aceh 1 11 Bappeda Kab. Aceh Barat 1 5 Bappeda Kab. Atriyon Julzarika. Banda Aceh PERSONIL: Pengajar pelatihan adalah: 1. dan Kasie Infrastruktur Data Spasial dan Data Dasar. H. Arum Tjahjaningsih. Daud beureu-eh no. ST 5. Jalan Tgk. S. ST. PELAKSANAAN PELATIHAN: Pelatihan dibuka pada tanggal 14 September 2015 di Ruang Rapat II. Ruang Rapat II .Si 2. Udhi Catur Nugroho. Prof. Ir. 26. Bappeda Aceh pada pukul 09. 2015  Perjalanan Tim LAPAN : Jakarta – Aceh  Koordinasi dengan Bappeda Aceh Senin/14 Sept. M. M.Eng 4. Aceh Tengah 1 13 Bappeda Kab.Si. Agus Nawawi Alief Peserta pelatihan: No Instansi Jumlah Peserta 1 Bappeda Aceh 21 2 Distamben Aceh 2 3 Bappeda Kota Banda Aceh 1 4 Bappeda Kab. Ibu Hidayati M. Galus 2 15 Dishubkonintel Aceh 1 4. Pelatihan dilaksanakan dengan metode pemberian teori dan praktek menggunakan perangkat lunak yang tidak berbayar Quantum GIS. Mohd. Agenda pelatihan adalah sebagai berikut: DAFTAR ACARA KEGIATAN PELATIHAN: Hari/Tanggal Materi Keterangan Minggu/13 Sept. LOKASI: Tempat pelatihan: Bappeda provinsi Aceh. Aceh Jaya 1 6 Bina Marga 1 7 Lab. Aceh Selatan 1 14 Bappeda Kab.00 oleh Kepala Bappeda Provinsi Aceh. Emma. MS didampingi oleh Kepala Pusat Unit Pelaksana Teknis Badan Pusat Data Geospasial Aceh (UPTB –PDGA). M.Si serta dihadiri oleh peserta pelatihan. GIS Unsyiah 2 8 Bappeda Kab. Abubakar Karim.Kom 3. Ahmad Sutanto.

2015  Perjalanan Tim LAPAN : Aceh – Jakarta  Survei lapangan dilaksanakan pada tanggal 16 September 2015 Pelatihan ditutup pada tanggal 17 September 2015 di Ruang Rapat II.00 oleh Sekretaris Bappeda Provinsi Aceh. Pembuatan RGB.  Sambutan Kapusfatja  Data penginderaan jauh dan pemanfaatannya (teori)  Pengenalan Interpretasi data satelit (Teori)  Instalasi software pengolahan data Sesi Siang (Quantum GIS)  Pengolahan data : Penyiapan data. Mozaik data dan Cropping data Selasa/15 Sept. 2015  Klasifikasi Penutup lahan Satu hari penuh  Klasifikasi Terbimbing  Klasifikasi Segmentasi Kamis/17 Sept. 2015  Perhitungan luas Sesi pagi  Layout hasil  Penutupan Kegiatan Jumat/18 Sept. Bappeda Aceh pada pukul 12. 2015  Pengolahan Pansharpening Sesi Pagi Sesi Siang  Interpretasi penutup lahan Rabu/16 Sept. 106 . Dr. Zulkifli didampingi oleh Kepala Tata Usaha Bappeda Aceh.

107 .

Pelatihan Penginderaan Jauh di Bappeda Aceh Zona Patahan Sumatera 108 .

109 .

2015 .PUSAT PEMANFAATAN PENGINDERAAN JAUH .