9 identifikasi tutupan lahan pra dan pasca bencana gempa dan...

Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

69

Identifikasi Tutupan Lahan Pra dan Pasca Bencana Gempa dan TsunamiMenggunakan Citra Satelit LAPAN-A3 dan Sentinel 2

(Studi Kasus: Kota Palu, Sulawesi Tengah)

Identification of Land Cover Pre and Post Earthquake and TsunamiDisasters Using LAPAN-A3 and Sentinel 2 Satellite Imagery

(Case Study: City of Palu, Central Sulawesi)

Ilham Syaebatul Hamdi1*), Rika Hernawati1

1Institut Teknologi Nasional Bandung

[email protected]

ABSTRAK - Bencana gempa berkekuatan 7,4 skala Richter yang disertai dengan tsunami dan likuifaksi pada tanggal28 September 2018 menyebabkan berbagai masalah ekonomi dan sosial karena sarana dan prasarana yang hancur sertaberubahnya daerah tutupan lahan. Tujuan dari penelitian ini yaitu menerapkan data LAPAN-A3 untuk mengetahuilokasi dan luas perubahan tutupan lahan dengan menggunakan metode Object Based Image Analysis (OBIA). MetodeOBIA ini merupakan bagian dari GIScience yang bertujuan untuk mengenali objek pada citra berdasarkan karakterspasial, skala spektral dan temporal. Namun demikian terdapat kekurangan dari citra LAPAN-A3 ini yaitu kualitasfokus citra yang belum optimal sehingga dibutuhkan citra lain. Penelitian ini menggunakan citra Sentinel-2 sebagaipembanding. Dari hasil klasifikasi OBIA didapatkan luas daerah yang terdampak gempa dan tsunami yaitu seluas639,97 Ha yang tersebar di pesisir pantai Kota Palu serta daerah yang terkena likuifaksi seluas 45,03 Ha di Balaroa.Diperoleh hasil akurasi yaitu dengan overall accuracy sebesar 80,39 dan kappa coefficient 0,80.

Kata kunci: Bencana Gempa dan Tsunami, LAPAN-A3, Object Based Image Analysis, Sentinel-2

ABSTRACT – Earthquake disaster with 7,4 Richter scale that followed by tsunami and liquefaction in Palu City 28September 2018 causes various problem, both economic and sosial problem because some public facility has wreck,and also causes land cover change in some area. The purpose of rhis research is to apply LAPAN-A3 data for knowinglocation and area of land cover change using Object Based Image Analysis (OBIA) method. This method is part ofGIScience that used for recognize the object on then image based on spatial character, spectral scale, and temporalscale. However there are some weaknesses from LAPAN-A3 imagery,this is related to image quality which is notoptimal yet, so another image is needed. This research using Sentinel-2 imagery as a comparison. From OBIAclassification result , that obtained area that affected by the earthquake and tsunami. 639,97 Ha that spread on coastalCity of Palu and area that affected by liquefaction is 45,03 Ha in Balaroa. Obtained accuracy results with overallaccuracy 80,39 and Kappa Coefficient 0,80

Keywords: Earthquake and Tsunami, LAPAN-A3, Object Based Image Analysis, Sentinel-2

Identifikasi Tutupan Lahan Pra dan Pasca Bencana Gempa dan Tsunami Menggunakan Citra Satelit LAPAN-A3 dan Sentinel 2(Hamdi, I.S., dan Hernawati, R)

70

1. PENDAHULUAN

Gempa dengan kekuatan 7,4 skala Richter (SR) dengan kedalaman 10 kilometer telah menimbulkantsunami yang menyebabkan kerusakan meluas di Kota Palu baik infrastruktur, bangunan, lingkungan hidupdan juga menyebabkan masalah ekonomi dan sosial karena sarana dan prasarana yang hancur. Tahun 2018menjadi tahun yang banyak terjadi bencana khususnya gempa, karena pada tahun ini rotasi bumi mengalamiperlambatan. Perlambatan ini memiliki efek besar pada kejadian gempa alasan nya yaitu ketika rotasi bumime lambat, logam cair di dalam bumi masih terus bergerak, sehingga menekan lapisan luar bumi dantekanannya menyebar melalui patahan di atasnya (Saintif, 2018). Peristiwa gempa dan tsunami Palu padatanggal 28 September 2018 disebabkan oleh pergerakan sesar mendatar (strike-slip fault) Palu Koro yangsifat geraknya mengiris (sinistral) yang meliputi wilayah Selat Makassar, daratan bagian barat PulauSulawesi, termasuk bagian teluk Palu (Tribunnews, 2018). Peristiwa ini juga membuat perubahan tutupanlahan yang berpindah tidak pada posisi yang seharusnya. Untuk mengetahui perubahan tutupan lahan akibatbencana ini digunakan teknologi penginderaan jauh yang dapat mengidentifikasi bagaimana pola, luasan,serta dampak dari perubahan tutupan lahan tersebut dengan metode tertentu.Salah satu metode untukmengidentifikasi perubahan tutupan lahan tersebut adalah teknik OBIA (Object Based Image Analysis) untukmengidentifikasi tutupan lahan pra dan pasca bencana gempa dan tsunami di Kota Palu, Sulawesi Tengah.Definisi OBIA secara lebih spesifik yaitu proses menentukan objek menjadi beberapa kelas dimana setiapobjek dianggap sebagai satu unit individu (Maksum, 2016). Metode OBIA dipilih karena pendekatan OBIAdinilai lebih unggul dari klasifikasi berbasis piksel karena tidak hanya mempertimbangkan aspek spektraltetapi juga spasial. Objek dibentuk melalui proses segmentasi yang merupakan proses pengelompokan pikselyang berdekatan dengan kualitas yang sama (Wibowo, 2012). Data yang akan digunakan untuk mendukungmetode OBIA ini menggunakan data citra satelit LAPAN-A3 dengan resolusi spasial 18 m dan citra Sentinel-2 yang digunakan sebagai validasi.

Penelitian ini dilakukan untuk mengetahui bagaimana penerapan data LAPAN-A3 dan Sentinel-2 untukklasifikasi berdasarkan OBIA serta mengetahui luas dan lokasi perubahan tutupan lahan yang terjadi pascabencana gempa dan tsunami. Satelit LAPAN-A3 ini tergolong satelit baru, diluncurkan pada tanggal 22 Juli2016 dimana satelit yang dikenal juga dengan nama Satelit LAPAN-IPB atau LISAT, merupakan satelit risetberukuran mikro berbobot 120 kg dan merupakan satelit pertama yang memiliki misi penginderaan jauh.Satelit LAPAN-A3 merupakan satelit LEO orbit polar pada ketinggian 650 km, dimana dengan orbitinklinasi 98 derajat satelit ini akan melintasi wilayah Indonesia 2 kali sehari. Selain dilengkapi sensor utama,satelit LAPAN-A3 memiliki muatan utama pencitra Pushbroom Multispektral, Digital Camera, dan AIS(Automatic Identification System) (Kushardono, 2017). Satelit Sentinel-2 adalah hasil kerja sama antaraEuropean Space Agency (ESA), European Commission, industri serta penyedia dan pengguna data satelitSentinel-2 yang diluncurkan pada tanggal 23 Juni 2015 (Sentinel-2A) serta di lanjutkan pada tanggal 7Maret 2017 (Sentinel 2-B). Sentinel-2 memiliki resolusi spasial yang berbeda di setiap band, yaitu: 4 banddengan resolusi 10m, 6 band dengan resolusi 20m, dan 3 band dengan resolusi 60m (USGS, 2015).

Pengolahan metode OBIA ini dimulai dengan tahapan pre-processing yang meliputi koreksi geometrikdengan metode image to image dan koreksi radiometrik dengan metode Quick Atmospheric Correction(QUAC) pada citra LAPAN-A3 maupun citra Sentinel-2, tahapan ini dilakukan menggunakan software Envi,kemudian proses klasifikasi OBIA dilakukan menggunakan software eCognition. Pada penelitian iniklasifikasi OBIA terdiri dari tahapan segmentasi yang menggunakan metode Multiresolution Segmentationdan pengklasifikasian kelas-kelas tutupan lahan dengan cara sampling. Penelitian ini menggunakan metodekoreksi radiometrik QUAC karena metode ini menentukan parameter koreksi langsung dari spektrum pikselyang diamati dalam suatu scene citra berdasarkan nilai panjang gelombang tiap band pertimbanganpemilihan metode ini karena QUAC melakukan koreksi yang lebih mendekati keadaan permukaandibandingkan dengan metode FLAASH maupun metode berbasis fisika lainnya, yang umumnyamenghasilkan spektrum reflektansi dalam nilai 10% dari keadaan sebenarnya di permukaan (Bernstein, 2012).


71

2. METODOLOGI PENELITIAN

Gambar 1. Metodologi Penelitian

Penelitian ini dimulai dengan studi literatur dan penyusunan rencana tentang apa saja hal yang perlu diperhatikan dalam penelitian, mulai dari membaca jurnal penelitian yang sebelumnya pernah dilakukan.Kemudian pencarian data yang mendukung untuk penelitian yaitu citra LAPAN-A3 dengan membuatpengajuan permohonan data kepada institusi Lembaga Penerbangan dan Antariksa Nasional (LAPAN) dancitra Sentinel-2. Kemudian citra yang telah didapatkan dilakukan tahap pre-processing yaitu koreksiradiometrik dengan metode QUAC dan koreksi Geometrik dengan metode image to image, berdasarkan petaRBI kota Palu kemudian citra dilakukan proses cropping. Proses selanjutnya adalah segmentasi citramenggunakan metode multiresolution segmentation dan tahapan terakhir yaitu pengklasifikasian OBIAmenjadi 10 kelas tutupan lahan yaitu, pemukiman, hutan, ladang, lahan terbuka, sungai, sawah, semak,perkebunan, daerah terdampak gempa bumi dan tsunami, serta daerah terdampak likuifaksi.

Tahapan pertama pada penelitian ini yaitu tahap koreksi radiometrik, atau dikenal juga dengan operasikosmetik citra, karena di dalamnya tercakup proses pemolesan wajah citra supaya layak pakai ataukualitasnya menjadi semakin baik. Karena proses ini dipandang sebagai upaya untuk membangun kembaliketampakan spektral dan geometri citra seperti yang seharusnya, maka koreksi citra kadang-kadang disebutpula sebagai restorasi citra (Danoedoro, 2012). Berikut hasil koreksi radiometrik dari citra LAPAN-A3 dancitra Sentinel-2 ditunjukkan oleh Gambar 2.


72

(a) (b)

Gambar 2. Hasil Koreksi Radiometrik citra LAPAN-A3 (a) Hasil Koreksi Radiometrik citra Sentinel-2(b)

Setelah dilakukan koreksi radiometrik pada citra LAPAN-A3 kemudian dilakukan koreksi Geometrikmenggunakan metode image to image dengan hasil Root Mean Square Error (RMSE). RMSE digunakanuntuk analisis perbandingan citra asli dengan citra hasil proses untuk mengetahui tingkat kesalahan yangterjadi. Semakin besar nilai RMSE semakin besar pula tingkat kesalahan yang terjadi (Rachmad, 2008).Hasil untuk citra tanggal 29 September 2018 sebesar 0,008292 dan citra tanggal 10 Oktober 2018 sebesar0,012526. Berikut daftar Ground Control Point (GCP) untuk koreksi geometrik ditunjukkan oleh Gambar 3.

RMSE= …(1)

Dimana:

RMSE = Root Mean Square Error= Nilai yang dianggap benar= Nilai hasil ukuran

n = Banyak ukuran yang digunakan

Gambar 3. Daftar GCP koreksi geometrik citra LAPAN-A3

Setelah tahapan koreksi radiometrik dan koreksi geometrik selesai, maka tahap selanjutnya adalahcropping citra berdasarkan Area of Interest (AOI) yaitu Kota Palu. Berikut adalah hasil cropping citra satelitLAPAN-A3 dan citra Sentinel-2 ditunjukkan oleh Gambar 4.


73

(a) (b)

Gambar 4. Hasil cropping citra LAPAN-A3 (a) Hasil cropping citra Sentinel-2 (b)Masuk ke tahap selanjutnya yaitu proses klasifikasi OBIA, tahapan ini terbagi menjadi 2 yaitu tahapan

segmentasi kemudian klasifikasi. Tahap segmentasi dimaksudkan untuk mengelompokkan piksel yangmemiliki kesamaan struktur, dengan tujuan untuk membuat setiap struktur individual menjadi region atausatu wilayah individu (Maksum, 2016). Pada segmentasi citra terdapat 3 parameter yang menjadipertimbangan yaitu scale, shape, dan compactness. Berikut hasil segmentasi citra LAPAN-A3 dan citraSentinel-2 dengan nilai scale 50, shape 0,2 dan compactness 0,5 pada Gambar 5.

(a) (b)

Gambar 5. Hasil Segmentasi citra LAPAN-A3 (a) Hasil Segmentasi citra Sentinel-2 (b)

Selanjutnya tahap terakhir pada penelitian ini yaitu klasifikasi tutupan lahan dengan 10 kelas tutupanlahan yaitu: hutan, ladang, lahan terbuka, pemukiman, perkebunan, sawah, semak, sungai, daerah terdampaktsunami dan daerah terdampak likuifaksi. Berikut hasil akhir dari klasifikasi OBIA, peta tutupan citraLAPAN-A3 pada Gambar 6 dan citra Sentinel-2 pada Gambar 7.


74

(a) (b)

Gambar 6.Hasil Klasifikasi OBIAc LAPAN-A3 Sebelum Bencana (a) dan Setelah Bencana (b)(a) (b)

Gambar 7. Hasil Klasifikasi OBIA citra Sentinel-2 Sebelum Bencana (a) dan Setelah Bencana (b)


75

4. HASIL DAN ANALISIS

4.1 Peta Tutupan Lahan

Berikut adalah hasil klasifikasi perubahan tutupan lahan dengan menggunakan metode OBIA sebelumbencana Gambar 8 dan setelah bencana Gambar 9 dan luas perubahan tiap kelas tutupan lahan pada Tabel 1.

Gambar 8. Peta Tutupan Lahan Sebelum Bencana

Gambar 9. Peta Tutupan Lahan Setelah Bencana


76

Tabel 1. Perubahan Tutupan Lahan Pra dan Pasca Bencana

Kelas Setelah Bencana(Ha)

Persentase Sebelum Bencana(Ha)

Persentase

Ladang 95.880 2% 85.252 1%

Pemukiman 2067.940 33% 2555.303 40%

Terdampak Gempa dan Tsunami 639.970 10%

Semak 1939.450 31% 1865.626 29%

Lahan Terbuka 332.430 5% 268.401 4%

Perkebunan 341.430 5% 365.722 6%

Sungai 81.880 1% 411.704 6%

Awan 88.750 1% 499.768 8%

Hutan 614.340 10% 98.311 2%

Terdampak Likuifaksi 45.030 1%

Sawah 30.020 0% 253.637 4%

Jumlah 6277.120 100% 6403.723 100%

4.2 AnalisisSetelah dilakukan klasifikasi koreksi citra dengan membandingkan citra LAPAN-A3 dengan Sentinel-2

memunculkan hasil yang berbeda, dimana citra LAPAN-A3 mempunyai tampilan citra yang agak buramberbeda dengan citra Sentinel-2 sehingga pendefinisian objek pada citra LAPAN-A3 ini sulit untukdilakukan, seperti contoh Gambar 10 di bawah ini.

(a) (b)

Gambar 10. Tampilan citra LAPAN-A3 (a) dan Tampilan citra Sentinel-2 (b)


77

Secara kasat mata terlihat perbedaan kontras antara citra LAPAN-A3 dan Sentinel-2. Pada Gambar 10yang menunjukkan citra Sentinel-2 relatif lebih mudah dilakukan klasifikasi. Hal ini di sebabkan karenasistem optik pada citra LAPAN-A3 yang menggunakan beam-splitter dimana setiap cahaya yang masuk,akan melewati lensa kemudian di pecah menjadi 3 ke setiap detektor warna dimana detektor biru dan hijauadalah satu kesatuan yang memiliki posisi yang sama, detektor merah dan detektor NIR.dengan penggunaanbeam-splitter ini menyebabkan tiap detektor warna mempunyai orientasi dan posisi yang berbeda terhadappusat lensa dan terjadinya gap antar pantulan detektor warna yang menyebabkan kualitas citra yang kurangbaik seperti terlihat pada Gambar 11.

Gambar 11. Posisi Piksel Setiap Pantulan Warna Pada citra LAPAN-A3 (Kushardono, 2017)

4.3 Uji Akurasi

Pengujian akurasi ini dilakukan dengan menggunakan Google Earth dengan pengambilan sample yangdilakukan secara acak yang berjumlah 51 titik. Berikut adalah hasil uji akurasi dengan matriks konfusi padaTabel 2 untuk citra LAPAN-A3 dan Tabel 3 untuk citra Sentinel. Pada penelitian ini untuk dapat mengetahuitingkat keakuratan hasil interpretasi klasifikasi tutupan lahan, perlu dilakukan uji akurasi klasifikasi. Akurasiklasifikasi merupakan akurasi yang sering dianalisis menggunakan suatu matriks bujur sangkar yang memuatjumlah piksel yang diklasifikasi. Matriks ini juga sering disebut dengan error matrix atau confussion matrix.Akurasi klasifikasi umumnya dilakukan dengan metode overall accuracy (Khosyi’ah, 2017). Dalamconfussion matrix ini dihasilkan juga producer accuracy yang merupakan akurasi yang dilihat dari sisipenghasil peta dan user accuracy yang merupakan akurasi yang dilihat dari sisi pengguna peta (Wulansari,2017).

Identifikasi Tutupan Lahan Pra dan Pasca Bencana Gempa dan Tsunami Menggunakan Citra Satelit LAPAN-A3 dan Sentinel 2 (Studi Kasus: Sulawesi Tengah) (Hamdi, I., Rika, H. )

78

Tabel 2. Tabel Uji Akurasi citra LAPAN-A3

Klasifikasi LAPAN-A3

Google Earth

Ladang PermukimanTerdampak Gempa

dan TsunamiSemak

LahanTerbuka

Perkebunan Sungai HutanTerdampakLikuifaksi

Sawah TotalProducerAccuracy

Ladang 3 1 4 75%

Pemukiman 8 1 1 10 80%

Terdampak Gempa danTsunami

1 3 1 5 20%

Semak 2 1 1 4 25%

Lahan Terbuka 2 5 0 7 0%

Perkebunan 1 4 0 1 6 0%

Sungai 4 1 1 0 6 0%

Hutan 2 4 6 67%

Terdampak Likuifaksi 4 0 4 0%

Sawah 1 0 1 0%

Total 3 23 10 6 3 1 1 5 0 1 53

User Accuracy 100% 35% 10% 17% 0% 0% 0% 80% 0% 0%

Overall Accuracy 32.08

Kappa Coefficien 0.30


79

Tabel 3. Tabel Uji Akurasi citra Sentinel-2

Klasifikasi Sentinel-2

Google Earth

Ladang PemukimanTerdampak Gempa

dan TsunamiSemak

LahanTerbuka

Perkebunan Sungai HutanTerdampakLikuifaksi

Sawah TotalProducerAccuracy

Ladang 4 2 6 67%

Pemukiman 9 1 10 90%

Terdampak Gempa danTsunami

1 5 6 83%

Semak 1 3 4 75%

Lahan Terbuka 1 5 6 83%

Perkebunan 2 1 3 67%

Sungai 1 3 4 75%

Hutan 1 5 6 83%

Terdampak Likuifaksi 1 4 5 80%

Sawah 1 1 100%

Total 5 13 8 3 5 3 3 5 4 2 51

User Accuracy 80% 69% 63% 100% 100% 67% 100% 100% 100% 50%

Overall Accuracy 80.39

Kappa Coefficien 0.80

Identifikasi Tutupan Lahan Pra dan Pasca Bencana Gempa dan Tsunami Menggunakan Citra Satelit LAPAN-A3 dan Sentinel 2(Studi Kasus: Sulawesi Tengah) (Hamdi, I., Rika, H. )

80

Dilihat dari Tabel 2 hasil pengolahan uji akurasi citra LAPAN-A3 memperoleh hasil overall accuracysebesar 32.08% serta coefficient kappa yang diperoleh sebesar 0.30 dan pada Tabel 3 hasil pengolahan ujiakurasi citra Sentinel-2 memperoleh hasil overall accuracy sebesar 80.39% serta coefficient kappa yangdiperoleh pada hasil klasifikasi ini sebesar 0.80. Menurut Bhisma Murti (1997), nilai kappa > 0.75menunjukkan kesepakatan yang sangat baik, serta bila nilai kappa = 0.04-0.75 menunjukkan kesepakatan baikdan bila nilai kappa < 0.40 menunjukkan kesepakatan yang lemah.

Dari hasil klasifikasi OBIA pada citra satelit LAPAN-A3 dan Sentinel-2 dapat di analisis bahwa citraLAPAN-A3 meter masih perlu penelitian lebih lanjut berkenaan dengan kualitas fokus citra jika dibandingkan dengan citra Sentinel-2 dilihat dari nilai overall accuracy dan coefficient kappa yangmemperlihatkan bahwa citra LAPAN-A3 masih memiliki tingkat kesepakatan yang rendah yaitu 0.30dibandingkan dengan citra Sentinel-2 dengan nilai coefficient kappa sebesar 0,80. Dalam proses klasifikasiperubahan tutupan lahan menggunakan citra Sentinel-2 dengan parameter nilai skala 50, nilai shape 0,2 dancompactness 0,5 menunjukkan bahwa luas daerah yang terdampak gempa bumi dan tsunami yaitu 639,870Ha (10%) dan luas daerah yang terdampak likuifaksi yaitu 45.030 Ha (1%) dan setelah dilakukan uji akurasimenunjukkan nilai overall accuracy sebesar 80.39% dan coefficient kappa 0.80 dimana nilai tersebutmenunjukkan hasil ketelitian yang baik.

5. KESIMPULAN

Berdasarkan hasil dan analisis identifikasi perubahan tutupan lahan pra dan pasca bencana di Kota Paludengan menggunakan metode OBIA (Object Based Image Analysis) menggunakan citra Satelit LAPAN-A3dan citra Sentinel-2 menunjukkan hasil yang berbeda, hal ini terlihat dari hasil uji akurasi dimana pada citraSentinel-2 memperoleh nilai coefficient kappa sebesar 0.80 sementara citra LAPAN-A3 memperoleh nilai0.30 hal ini menunjukkan bahwa Citra LAPAN-A3 menghasilkan klasifikasi yang belum optimal, salah satupenyebabnya karena kualitas fokus dari citra LAPAN-A3 yang masih perlu penelitian lebih lanjut sehinggasulit untuk mengidentifikasi kelas-kelas tutupan lahan apa saja yang ada di sana. Sementara perubahan luasanmenggunakan metode klasifikasi OBIA yang di lakukan pada citra Sentinel-2 yang mempunyai nilaikepercayaan yang lebih tinggi teridentifikasi perubahan tutupan lahan akibat bencana tersebar di daerahpesisir pantai Kota Palu seluas 639,97 Ha dan di Balaroa akibat fenomena likuifaksi seluas 45,03 Ha.

6. UCAPAN TERIMA KASIH

Penulis bersyukur kepada Allah Subhanahuwataala karena dengan karunia-Nya penulis dapatmenyelesaikan makalah ini, serta penulis berterima kasih kepada seluruh pihak yang telah terlibat dalampenulisan makalah ini yang pertama kepada kedua orang tua, Pusat Teknologi Satelit LAPAN, ibu RikaHernawati S.T.,M.T selaku pembimbing, para dosen Jurusan Teknik Geodesi Itenas, serta rekan-rekan dariJurusan Teknik Geodesi Itenas.


81

DAFTAR PUSTAKA

Bernstein,L. (2012). Quick Atmospheric Correction Code: Algorithm Description and Recent Upgrades.

Danoedoro, P. (2012). Pengantar Pengindraan Jauh Digital. Andi Offset, Yogyakarta.

Khosyi’ah, M. (2017). Interpretasi citra QuickBird Untuk Identifikasi Penggunaan Lahan di Desa Karang tengahKecamatan Sragen Kabupaten Sragen, Pendidikan Geografi Universitasi Muhammadiyah Surakarta.

Kushardono, D. (2017). Teknologi LAPAN a3 LISA dan Pemanfaatan Citranya, Jurusan Geografi Universitas NegeriMalang.

Maksum, Z. (2016). Perbandingan Klasifikasi Berbasis Objek dan Klasifikasi Berbasis Piksel pada citra Resolusi Tinggidan Menengah.

Rachmad. (2008). Pengolahan citra Digital Menggunakan Teknik Filtering Adaptive Noise Removal Pada GambarBernoise. Yogyakarta.

Tribunnews.(2018).http://makassar.tribunnews.com/2018/10/03/penyebab-gempa-dantsunami-di-donggala-palu-ini-sejarah-dan-kajian-para-ahli-geologi di akses tanggal 10-Oktober 2018.

Saintif. (2018). https://saintif.com/banyak-gempa-bumi/ di akses tanggal 24 - November 2018.

USGS. (2015). https://lta.cr.usgs.gov/sentinel_2 di akses tanggal 27 – November 2018.

Wibowo. (2012). Aplikasi Object-Based Image Analysis (OBIA) untuk deteksi perubahan penggunaan lahanmenggunakan citra Alos Anvir-2. Universitas Gadjah Mada.

Wulansari. H, (2017) Uji Akurasi Klasifikasi Penggunaan Lahan Dengan Menggunakan Metode Defuzzifikasi MaximumLikelihood Berbasis citra Alos Avnir-2. Sekolah Tinggi Pertanahan Nasional.

9 identifikasi tutupan lahan pra dan pasca bencana gempa dan...

Documents