Pages

Blog remote sensing, penginderaan jauh, rsgis, gis, sig, arcgis, qgis, geographic information system, data spasial, geospasial Indonesia

About

Blog Archive

Gambar tema oleh mariusFM77. Diberdayakan oleh Blogger.

Popular Posts

RECENT$type=list-tab$date=0$au=0$c=4

REPLIES$type=list-tab$com=0$c=4$src=recent-comments

RANDOM$type=list-tab$date=0$au=0$c=4$src=random-posts

Search

$type=slider$snippet=hide$cate=0

Footer Logo

Footer Logo

$type=ticker$count=10$cols=4$cate=0

LATEST POSTS$type=blogging$count=13$page=true$va=0

You are here: Home / , , Identifikasi Kawasan Pertambangan Timah Menggunakan Data Satelit Sentinel – 1 [PAPER]

Identifikasi Kawasan Pertambangan Timah Menggunakan Data Satelit Sentinel – 1 [PAPER]

| No comment



ABSTRAK

Berdasarkan data Pendapatan Nasional Indonesia 2017, sektor pertambangan dan penggalian mempunyai peran penting bagi Indonesia. Sektor ini menyumbangkan 7,57% pada produk domestik bruto Indonesia di tahun 2017.Salah satu sektor pertambangan yang potensial di Indonesia adalah pertambangan mineral Timah di Pulau Bangka dan Belitung. Namun kegiatan pertambangan ini banyak menimbulkan dampak negatif dari sisi lingkungan. Salah satu upaya awal untuk  menanggulangi dampak negatif terhadap lingkungan adalah melakukan identifikasi kawasan pertambangan timah secara spasial. Teknologi yang dapat membantu untuk hal ini salah satunya adalah teknologi penginderaan jauh radar. Penelitian ini menggunakan data satelit radar sentinel-1 yang diluncurkan oleh European Space Agency (ESA). Tujuan penelitian ini adalah pemanfaatan data radar Sentinel-1 untuk identifikasi kawasan pertambangan menggunakan metode Object-Base Image Analysis (OBIA). Data sentinel-1 disegmentasi menggunakan algorithma multiresolution segmentation kemudian di klasifikasi menggunakan algorithma nearest neighbor. Masukan data yang digunakan untuk proses klasifikasi dibuat menjadi dua variasi, yang pertama adalah data standar deviasi, mean, dan brightness pada masing – masing segmen di tiap band, kemudian variasi kedua adalah penambahan data tekstur berupa nilai grey level coocurance matrix (GLCM). Hasil klasifikasi menunjukan bahwa masukan data yang menggunakan data tekstur GLCM mempunyai akurasi lebih tinggi dibandingkan dengan yang tanpa data tekstur GLCM. Secara statistik Hasil klasifikasi dengan tipe satu menunjukan bahwa total akurasi nya adalah sebesar 89,0 %, dengan nilai kappa sebesar 0,48 sedangkan untuk tipe dua menunjukan bahwa total akurasinya adalah 89,3%, dengan kappa sebesar 0,50. Hasil klasifikasi kawasan pertambangan dapat digunakan sebagai masukan awal dalam rangka identifikasi spasial kerusakan lingkungan akibat aktivitas pertambangan.

Kata kunci: penginderaan jauh, radar, tambang timah, obia, segmentasi, tekstur, grey level coocurance matrix


ABSTRACT

Based on 2017 Indonesian National Income data, the mining and quarrying sector has an important role for Indonesia. This sector contributes 7.57% of Indonesia's gross domestic product in 2017. One of the potential mining sectors in Indonesia is tin mineral mining on the islands of Bangka and Belitung. However, many mining activities have negative environmental impacts. One of the initial efforts to overcome the negative impact on the environment was to identify spatial tin mining areas. The technology that can help for this is one of them is radar remote sensing technology. This study uses radar sentinel-1 satellite data launched by the European Space Agency (ESA). The purpose of this study is to use Sentinel-1 radar data to identify mining areas using the Object-Base Image Analysis (OBIA) method. Sentinel-1 data segmented using the multiresolution segmentation algorithm then classified using the nearest neighbor algorithm. The data input used for the classification process is made into two variations, the first is the standard deviation, mean, and brightness data in each segment in each band, then the second variation is the addition of texture data in the form of the gray level coocurance matrix (GLCM). The classification results show that input data using GLCM texture data has a higher accuracy compared to those without GLCM texture data. Statically the classification results with type one show that the total accuracy is 89.0%, with a kappa value of 0.48 while for type two it shows that the total accuracy is 89.3%, with kappa of 0.50. The results of the classification of the mining area can be used as an initial input in the context of spatial identification of environmental damage due to mining activities. 

Keywords: remote sensing, radar, tin mining, obia, segmentation, texture, grey level coocurance matrix