River Masking
Materi belajar · Kerja Praktik PSPIGK UNTAN

Ekstraksi badan sungai dari Sentinel-2, dijelaskan dari nol

Halaman ini menjelaskan cara kerja plugin QGIS River Masking: dari cahaya yang ditangkap satelit, band NIR dan SWIR, katalog STAC dan berkas COG, sampai cara plugin menarik garis air–darat secara otomatis. Setiap konsep disertai rumus, contoh hitungan, analogi, dan angka hasil pengujian di Pontianak.

Sentinel-2 L2ASTAC + COGKomposit median MNDWI / NDWIOtsu + Ashman's DSaringan kabut HOTQGIS 3.44
BAB 00

Peta belajar

Kalau kamu baru mulai, baca berurutan. Bab 02–06 menjelaskan datanya, bab 07–15 menjelaskan metodenya, bab 16–17 menjelaskan plugin-nya, dan bab 18–20 berisi temuan yang menjadi inti laporan.

Ada beberapa jenis kotak yang muncul berulang:

Analogi

Perumpamaan sehari-hari supaya konsepnya cepat nyantol.

Contoh hitungan

Langkah hitung angka demi angka.

Temuan

Hasil pengujian nyata dari laporan Kerja Praktik.

Awas

Jebakan, batasan, atau salah paham yang sering terjadi.

Kotak berlatar abu-abu dengan isian angka adalah alat interaktif: ubah angkanya dan lihat hasilnya langsung.

BAB 01

Gambaran besar

Masalahnya sederhana: PSPIGK UNTAN masih memetakan badan sungai secara manual. Citra diunduh utuh (ratusan MB sampai beberapa GB), indeks air dihitung di Raster Calculator, lalu ambang air ditentukan dengan mata. Dua orang yang mengolah citra yang sama bisa menghasilkan batas sungai yang berbeda.

Plugin River Masking menjalankan semua tahap itu otomatis di dalam QGIS. Pengguna cukup memberi wilayah dan rentang tanggal. Plugin lalu mencari citra, membuang awan, menghitung indeks air, menentukan ambang sendiri, dan menghasilkan poligon badan air dalam meter (UTM).

Analogi: tukang foto kota berawan

Seorang tukang foto ingin satu foto bersih sebuah kota yang sering tertutup awan. Ia memotret kota itu berkali-kali selama tiga bulan, membuang foto yang jelek, lalu untuk setiap titik mengambil warna yang paling "umum". Awan yang hanya lewat sesekali hilang dengan sendirinya. Setelah itu ia memakai "kacamata air" yang membuat air menyala dan daratan gelap, lalu menggambar garis di tepi air.

Sembilan langkah plugin

Diagram alir algoritma plugin
Diagram alir algoritma plugin (Gambar 3.1 laporan).

Metode pengembangan: prototipe

Plugin dibangun dengan metode prototipe: buat versi yang jalan, uji ke data nyata, perbaiki, ulangi. Prototipe awal dibuat di Google Colab dan diuji terhadap peta Rupabumi Indonesia (RBI). Dari pengujian itu lahir empat penyempurnaan: koreksi DN ke reflektan, masking awan SCL, ambang cadangan berbasis Ashman's D, dan saringan kabut HOT.

Siklus metode prototipe
Siklus metode prototipe: dengarkan pelanggan → bangun/perbaiki → uji coba. Sumber: Firmansyah dkk. (Gambar 1.1 laporan).
VersiIsi utama
0.1Alur inti: STAC → komposit median + SCL → MNDWI → Otsu + ambang cadangan → poligon.
0.2NDWI pembanding, pemotongan dengan extent, filter vektor sungai, baca paralel, metadata, perbaikan galat CRS.
0.3Saringan scene berkabut (HOT).
BAB 02

Cahaya, reflektan, NIR, dan SWIR

Satelit optik tidak "memotret" seperti kamera ponsel biasa. Ia mengukur berapa banyak cahaya matahari yang dipantulkan permukaan bumi pada beberapa rentang panjang gelombang. Rentang-rentang itu disebut band.

Spektrum: dari biru sampai inframerah

Cahaya adalah gelombang. Jarak antarpuncak gelombangnya disebut panjang gelombang, diukur dalam nanometer (nm; 1 nm = sepersejuta milimeter). Mata manusia hanya melihat ±400–700 nm. Di luar itu ada inframerah yang tidak terlihat, tetapi tetap bisa diukur sensor.

tampak 400–700
NIR ± 700–1.300 nm
SWIR ± 1.300–2.500 nm

Batas NIR/SWIR berbeda sedikit antarbuku; angka di atas kira-kira.

  • NIR (Near Infrared, inframerah dekat): tepat setelah merah. Di Sentinel-2 = B08 (842 nm).
  • SWIR (Short-Wave Infrared, inframerah gelombang pendek): lebih jauh lagi. Di Sentinel-2 = B11 (1.610 nm) dan B12 (2.190 nm). Plugin memakai B11, yang sering ditulis "SWIR-1" atau swir16 (1,6 µm).

Reflektan: angka 0 sampai 1

Reflektan adalah perbandingan cahaya yang dipantulkan dengan cahaya yang datang. 0 berarti semua cahaya diserap (hitam pekat), 1 berarti semuanya dipantulkan. Reflektan 0,05 artinya 5% cahaya dipantulkan.

Sidik jari spektral

Setiap jenis permukaan memantulkan cahaya dengan pola berbeda di setiap panjang gelombang. Pola ini disebut sidik jari spektral, dan itulah dasar semua indeks air.

Kurva pantulan (skematis)
Bentuk disederhanakan untuk belajar, bukan hasil ukur. Garis putus-putus = posisi band yang dipakai plugin.
airvegetasitanah/bangunan
  • AIR Masih memantulkan sedikit cahaya hijau (makanya sungai tampak), tetapi menyerap hampir seluruh NIR dan SWIR. Cahaya SWIR sudah habis diserap oleh lapisan air setipis beberapa milimeter, sedangkan cahaya hijau bisa menembus beberapa meter air jernih. Akibatnya air tampak hitam pekat di band NIR dan SWIR.
  • VEGETASI Klorofil menyerap biru dan merah untuk fotosintesis, memantulkan sedikit hijau. Struktur sel daun memantulkan NIR sangat kuat (±40%). Di SWIR pantulannya turun karena air di dalam daun ikut menyerap.
  • TANAH/BANGUNAN Pantulannya naik perlahan ke arah inframerah. SWIR tanah kering dan atap cukup tinggi; NIR-nya sedang.
Kurva pantulan spektral objek permukaan bumi
Kurva pantulan spektral objek permukaan bumi. Sumber: Dyson dkk., Fig. 5.2, CC BY 4.0 (Gambar 2.1 laporan).
Analogi: mengenali orang dari suaranya

Di mata kita air dan aspal sama-sama gelap. Tapi kalau kita "mendengar" dengan nada SWIR, air hampir diam (diserap), sedangkan aspal masih bersuara (memantul). NIR dan SWIR itu seperti nada yang tidak bisa didengar telinga, tapi bisa direkam alat.

Kenapa ini penting untuk kasus kabut

Kabut dan asap menghamburkan cahaya pendek (biru, hijau) jauh lebih kuat daripada cahaya panjang (NIR, SWIR). Jadi kabut menaikkan pantulan hijau, sementara SWIR hampir tidak berubah. Ingat ini, karena ini kunci bab 11 dan bab 19.

BAB 03

Satelit Sentinel-2 dan band-nya

Sentinel-2 adalah misi citra optik milik Badan Antariksa Eropa (European Space Agency, ESA) dalam program Copernicus. Datanya gratis. Sensornya bernama MSI (MultiSpectral Instrument) dengan 13 band, lebar sapuan 290 km, dan dengan dua satelit bisa melewati tempat yang sama ± setiap 5 hari.

13 band Sentinel-2

BandNamaPanjang gelombang tengahResolusiDipakai plugin?
B01Coastal aerosol443 nm60 m–
B02Biru490 nm10 mHOT (saringan kabut)
B03Hijau560 nm10 mNDWI & MNDWI
B04Merah665 nm10 mHOT (saringan kabut)
B05–B07Red edge 1–3705 / 740 / 783 nm20 m–
B08NIR842 nm10 mNDWI
B8ANIR sempit865 nm20 m–
B09Uap air945 nm60 m–
B10SWIR sirus1.375 nm60 m– (tidak ada di L2A)
B11SWIR-11.610 nm20 mMNDWI
B12SWIR-22.190 nm20 m–

Plugin juga membaca SCL (20 m), yaitu peta klasifikasi piksel yang menyertai produk L2A (bab 06).

Kenapa hasil plugin 20 m, padahal ada band 10 m?

MNDWI butuh B11, dan B11 hanya tersedia pada 20 m. Supaya hijau (10 m) bisa dihitung piksel-demi-piksel dengan SWIR (20 m), band 10 m diturunkan resolusinya dengan metode average: empat piksel 10 m dirata-rata jadi satu piksel 20 m.

Contoh: 4 piksel jadi 1

Empat piksel hijau 10 m: 0,060 · 0,064 · 0,058 · 0,062 → rata-rata = 0,244 / 4 = 0,061 untuk satu piksel 20 m.

Temuan: metode resampling ternyata sama saja

Uji nearest, bilinear, dan average pada satu scene (jendela 8 × 8 km) memberi hasil identik (RMSE 0,31 DN, 22.936 piksel air). Penyebabnya: berkas COG sudah punya overview 20 m yang dirata-ratakan, dan GDAL langsung membacanya (bab 05). Average tetap dipilih karena benar secara radiometri pada citra tanpa overview, sedangkan bilinear bisa menyimpang > 50 DN.

Scene, tile, dan MGRS

  • Tile: petak tetap ± 110 × 110 km menurut grid MGRS (Military Grid Reference System). Kodenya seperti 49MCV: zona UTM 49, pita lintang M, kotak CV.
  • Scene: satu kali perekaman pada satu tile. Satu tile bisa punya puluhan scene dalam 3 bulan.
  • Lembar RBI Pontianak berada di pertemuan empat tile: T49MBV, T49MCV (belahan selatan) dan T49NBA, T49NCA (belahan utara), karena dilintasi khatulistiwa.

Level-1C dan Level-2A

ProdukIsiAnalogi
Level-1C (L1C)Reflektan di puncak atmosfer (Top of Atmosphere, TOA). Pengaruh udara (uap air, aerosol) masih ada.Foto lewat kaca jendela yang kotor.
Level-2A (L2A)Reflektan permukaan (Bottom of Atmosphere, BOA), sudah dikoreksi atmosfer dengan perangkat lunak Sen2Cor. Dipakai plugin.Foto setelah kacanya dibersihkan.

Plugin memakai koleksi sentinel-2-c1-l2a (Collection 1), yaitu arsip L2A yang diproses ulang secara seragam dengan processing baseline 05.xx. Ketelitian posisinya diwarisi dari L1C: galat geolokasi < 12 m (tingkat kepercayaan 95,5%).

DN dan konversi ke reflektan

Berkas tidak menyimpan pecahan seperti 0,05, tetapi bilangan bulat yang disebut DN (Digital Number), supaya hemat tempat (UInt16, 0–65.535). Sejak processing baseline 04.00 (25 Januari 2022), ada offset −1.000 yang ditambahkan:

\[ \rho = \frac{DN + \text{BOA\_ADD\_OFFSET}}{\text{QUANTIFICATION\_VALUE}} = \frac{DN - 1000}{10000} = DN \times 0{,}0001 - 0{,}1 \]

DN 0 tetap berarti tanpa data. Plugin tidak menebak angka ini: skala dan offset dibaca dari metadata STAC setiap scene (raster:bands), lalu nilai negatif dipotong menjadi 0.

Kalkulator DN → reflektan
Coba DN 1.500, 1.000, 900, dan 0.
Reflektan
–
Kalau offset lupa diterapkan
–
DN × 0,0001 saja
Temuan: prototipe awal lupa offset

Notebook Colab awal menghitung MNDWI langsung dari DN. Offset yang sama pada hijau dan SWIR menekan nilai MNDWI ke arah 0, sehingga dua gunung histogram saling mendekat. Pada periode berkabut, tanpa koreksi Otsu ditolak (D 1,93) dan dengan koreksi D 4,98. Koreksi diterapkan karena hanya nilai terkoreksi yang setara antarscene dan antar-processing baseline.

BAB 04

STAC: katalog citra satelit

STAC (SpatioTemporal Asset Catalog) adalah standar terbuka untuk mendeskripsikan dan mencari data geospasial berdasarkan lokasi, waktu, dan properti (misalnya persentase awan). Plugin bertanya ke katalog Earth Search milik Element84 (data tersimpan di AWS): https://earth-search.aws.element84.com/v1.

Analogi: katalog perpustakaan

STAC itu katalog perpustakaan. Kamu tidak perlu menyusuri rak; cukup tanya "buku tentang Pontianak, terbit Juni–Agustus 2026, yang sampulnya bersih". Katalog menjawab dengan daftar kartu: judul, tanggal, kondisi, dan letak rak setiap bab. Bukunya sendiri (berkas citra) baru dibuka belakangan.

Empat tingkat isi STAC

TingkatIsinyaContoh di plugin
CatalogPintu masuk; daftar koleksi.Earth Search v1
CollectionKumpulan data sejenis.sentinel-2-c1-l2a
ItemSatu scene: geometri, waktu, properti.S2A_T49MCV_20260808T030558_L2A
AssetBerkas nyata milik item (tiap band, SCL, metadata), lengkap dengan URL.…/B11.tif

Cara plugin bertanya

Plugin mengirim permintaan POST /search hanya dengan modul urllib bawaan Python (tanpa pystac_client):

POST https://earth-search.aws.element84.com/v1/search
{
  "collections": ["sentinel-2-c1-l2a"],
  "intersects": { "type": "Polygon", "coordinates": [...] },   // wilayah, disederhanakan 0,001°
  "datetime": "2026-06-01T00:00:00Z/2026-08-31T23:59:59Z",
  "limit": 100
}

Jawaban datang per halaman berisi 100 item. Tautan "halaman berikutnya" juga berupa POST yang membawa badan permintaan (paginasi POST). Pencarian berhenti di 2.000 scene dengan peringatan, supaya rentang tanggal yang terlalu panjang tidak berjalan tanpa batas.

Isi satu item: contoh nyata di atas Pontianak

Ini potongan item asli hasil pencarian di titik Pontianak (Juni–Agustus 2026, diurutkan dari awan terendah):

{
  "id": "S2A_T49MCV_20260808T030558_L2A",
  "properties": {
    "datetime": "2026-08-08T03:18:15.107Z",        // waktu rekam (UTC) ≈ 10.18 WIB
    "platform": "sentinel-2a",
    "eo:cloud_cover": 0.00066,                     // % awan se-tile
    "proj:epsg": 32749,                            // UTM 49S
    "grid:code": "MGRS-49MCV",
    "s2:processing_baseline": "05.12",
    "s2:datatake_id": "GS2A_20260808T030151_058116_N05.12",
    "s2:nodata_pixel_percentage": 96.98,           // tile ini hanya terisi ±3% (tepi sapuan)
    "s2:vegetation_percentage": 82.97,             // ringkasan kelas SCL
    "s2:water_percentage": 0.75,
    "s2:high_proba_clouds_percentage": 0.00055,
    "view:sun_elevation": 62.53,
    ...
  },
  "assets": {
    "green":  { "href": ".../B03.tif", "gsd": 10, "raster:bands": [{ "scale": 0.0001, "offset": -0.1, "nodata": 0 }] },
    "swir16": { "href": ".../B11.tif", "gsd": 20, "proj:shape": [5490, 5490], ... },
    "scl":    { "href": ".../SCL.tif", "gsd": 20 },
    ...
  }
}

Properti (keterangan scene)

PropertiArtiDipakai plugin untuk
datetimeWaktu perekaman (UTC).Filter rentang tanggal, catatan metadata.
eo:cloud_coverPersentase awan untuk satu tile utuh.Saringan kasar (baku ≤ 80%) dan urutan "awan terendah dulu".
grid:code, mgrs:*Kode tile MGRS.Mengelompokkan scene per tile.
proj:epsg, proj:shape, proj:transformSistem koordinat, ukuran piksel, posisi berkas.Menghitung jendela baca & estimasi waktu tanpa membuka citra.
s2:processing_baselineVersi pengolahan ESA.Menentukan apakah offset −0,1 berlaku (≥ 04.00).
s2:datatake_idIdentitas satu kali perekaman.(Rekomendasi) menggabungkan item duplikat.
s2:*_percentageRingkasan kelas SCL: vegetasi, air, awan sedang/tinggi, sirus, bayangan, nodata.Informasi; kalibrasi kabut memakai persen vegetasi.
view:sun_elevation, view:sun_azimuthPosisi matahari saat perekaman.Tidak dipakai; berguna untuk analisis bayangan.

Asset (berkas) dalam satu item

AssetIsiResolusiPlugin
coastalB01 aerosol pesisir60 m–
blueB02 biru10 mHOT
greenB03 hijau10 mNDWI, MNDWI
redB04 merah10 mHOT
rededge1/2/3B05–B0720 m–
nirB08 NIR10 mNDWI
nir08, nir09B8A, B0920 / 60 m–
swir16B11 SWIR 1,6 µm20 mMNDWI
swir22B12 SWIR 2,2 µm20 m–
sclPeta klasifikasi piksel20 mMasking awan, HOT
aotKetebalan optis aerosol (skala 0,001)20 mDiuji sebagai indikator kabut (ditolak)
wvpUap air atmosfer20 m–
cloud, snowPeluang awan / salju per piksel (CLD, SNW)20 mDiperiksa saat diagnosis kabut
visualCitra warna asli siap tampil (TCI)10 m–
preview, thumbnailPratinjau kecil320 m–
granule_metadata, product_metadata, tileinfo_metadataMetadata XML/JSON asli ESA––

Item yang tidak punya asset wajib (green, swir16, scl) dibuang. Setiap item lalu diubah jadi objek Scene berisi ID, tile, awan, URL, serta skala dan offset tiap band.

Awas: persen awan ≠ awan di wilayahmu

eo:cloud_cover dihitung untuk tile ± 110 × 110 km. Scene 70% berawan bisa saja cerah tepat di atas Pontianak, dan sebaliknya. Scene T49MBV 28 Agustus 2026 tercatat berawan 0,44%, tetapi median HOT-nya 0,1295 (berkabut tebal). Karena itu batas awan hanya saringan kasar.

BAB 05

COG: membaca sepotong citra tanpa mengunduh utuh

Satu produk L2A berukuran ± 800 MB per tile. Untuk beberapa tile dan puluhan tanggal, unduhan utuh cepat mencapai belasan GB. Plugin menghindarinya dengan format COG (Cloud-Optimized GeoTIFF).

Dulu: apa itu GeoTIFF?

Raster adalah tabel angka (matriks): baris × kolom, setiap sel = satu piksel. GeoTIFF adalah berkas gambar TIFF yang ditambah keterangan lokasi, yaitu sistem koordinat dan geotransform:

\[ x = x_0 + \text{kolom} \times 20 \qquad y = y_0 - \text{baris} \times 20 \]

dengan \(x_0, y_0\) koordinat pojok kiri atas dan 20 ukuran piksel (meter). \(y\) dikurangi karena baris bertambah ke bawah, sedangkan koordinat utara bertambah ke atas.

COG = GeoTIFF yang disusun rapi untuk internet

COG adalah GeoTIFF biasa (bisa dibuka QGIS) dengan tiga aturan susunan:

  1. Ubin (block/tile): gambar dipotong kotak-kotak, misalnya 512 × 512 piksel, masing-masing dikompres terpisah.
  2. Overview: versi resolusi kasar (piramida) disimpan di dalam berkas yang sama.
  3. Indeks di depan: daftar "ubin ke-n ada di byte ke-berapa" diletakkan di awal berkas.

Karena indeksnya di depan, program cukup membaca beberapa KB pertama, lalu meminta byte tertentu saja lewat HTTP range request (header Range: bytes=…). Di GDAL, caranya dengan awalan /vsicurl/ pada URL.

Data nyata: berkas B11 tile T49MCV, 8 Agustus 2026
gdalinfo /vsicurl/https://e84-earth-search-sentinel-data.s3.us-west-2.amazonaws.com/
         sentinel-2-c1-l2a/49/M/CV/2026/8/S2A_T49MCV_20260808T030558_L2A/B11.tif
Size is 5490, 5490
Pixel Size = (20, -20)
  LAYOUT=COG   COMPRESSION=DEFLATE
Band 1 Block=512x512 Type=UInt16
  Overviews: 2745x2745, 1373x1373, 687x687, 344x344
  • 5.490 × 5.490 piksel × 20 m = 109,8 km: satu tile penuh.
  • Ubin 512 × 512 → ⌈5.490 / 512⌉ = 11 ubin per sisi = 121 ubin.
  • Overview: 2.745 (40 m), 1.373 (80 m), 687 (160 m), 344 (320 m). Saringan kabut membaca level 80 m ini, jadi sangat murah.
  • Tanpa kompres, satu band 20 m = 5.490² × 2 byte ≈ 60 MB. Berkas contoh ini hanya 1,9 MB karena 97% isinya nodata (tepi sapuan) dan dikompres DEFLATE.
Berapa banyak yang benar-benar dibaca?

Pada lembar RBI Pontianak, plugin hanya membaca jendela 690 × 227 piksel dari tile T49MBV yang berukuran 5.490 × 5.490:

\[ \frac{690 \times 227}{5490 \times 5490} = \frac{156.630}{30.140.100} \approx 0{,}52\% \]

Hanya ± setengah persen piksel tile yang dibutuhkan, sehingga plugin cukup mengambil beberapa ubin, bukan seluruh berkas.

Analogi: buku yang bisa difotokopi per halaman

GeoTIFF biasa itu buku tanpa daftar isi: kamu harus meminjam seluruh buku setebal 1.000 halaman. COG punya daftar isi di halaman pertama dan halamannya bisa difotokopi satu per satu. Overview itu seperti versi ringkasan buku: cukup untuk menilai "bukunya bagus atau tidak" (dipakai saringan kabut) tanpa membaca versi lengkap. Mirip juga dengan Google Maps yang hanya memuat ubin peta di layar.

Hal teknis yang ditemukan saat implementasi

  • Baca paralel. Waktu baca didominasi latensi HTTP per berkas (± 1,3 detik/berkas), bukan besar data. Membaca 4 berkas bersamaan mempercepat 2,53× dengan hasil identik.
  • Koneksi putus di tengah berkas. Percobaan ulang bawaan GDAL tidak menangkap blok COG yang terbaca 0 byte. Plugin menambahkan pengulangan sampai 6 kali dengan jeda berlipat (2, 4, 8, 16, 30 detik; total ± 1 menit), mengosongkan cache /vsicurl berkas itu, dan mencantumkan URL di pesan galat.
  • Aturan pembulatan jendela. Supaya identik dengan eksperimen (rasterio), aturan pembulatan rasterio ditiru: offset floor(x + 0,1), panjang floor(x + 0,5). Diuji pada 500 kotak acak.
BAB 06

SCL: membuang piksel awan

SCL (Scene Classification Layer) adalah peta klasifikasi otomatis buatan Sen2Cor yang ikut di setiap produk L2A. Setiap piksel 20 m diberi satu kelas. Plugin membuang kelas yang mengganggu sebelum median dihitung.

KelasArtiPerlakuan plugin
0Tidak ada datadibuang
1Piksel jenuh / rusakdibuang
2Bayangan topografi (cast shadows; sebelum baseline 05.11 bernama dark features)dipakai
3Bayangan awandibuang
4Vegetasidipakai
5Bukan vegetasi (tanah terbuka, bangunan)dipakai
6Airdipakai
7Tidak terklasifikasidipakai
8Awan peluang sedangdibuang
9Awan peluang tinggidibuang
10Sirus tipisdibuang
11Salju / esdipakai

Kelas 8, 9, 10 dikelompokkan sebagai awan, sama seperti pada evaluasi internasional CMIX (Cloud Mask Intercomparison eXercise).

Kenapa kelas 6 (air) tidak langsung dijadikan hasil?

Klasifikasi SCL bersifat umum untuk seluruh dunia dan tidak disesuaikan dengan wilayah kajian. Plugin menentukan air sendiri dengan indeks dan ambang Otsu yang dihitung khusus untuk wilayahmu.

Temuan: SCL tidak sempurna
  • Akurasi rata-rata penapis awan Sentinel-2 hanya 80–89% (CMIX); Sen2Cor tercatat memiliki galat omisi awan tertinggi di antara lima algoritma (Tarrio dkk.).
  • Di Pontianak Agustus–November 2026, scene berkabut diberi kelas 5 pada 97–100% piksel, dengan peluang awan (CLD) median 0. Kabutnya lolos sepenuhnya. Inilah alasan saringan HOT (bab 11).
  • Kelas 2 diuji ulang: membuangnya mengubah Kappa hanya +0,0018 (cerah) dan −0,0008 (berkabut), arahnya tidak konsisten, sehingga tetap dipakai.
  • Pada periode berkabut, masking SCL bersama koreksi reflektan menaikkan Kappa dari 0,5887 menjadi 0,8818.
BAB 07

Komposit median

Satu scene tropis hampir selalu punya awan di suatu tempat. Solusinya: kumpulkan banyak scene, lalu untuk setiap piksel ambil nilai tengahnya (median) dari semua pengamatan yang valid.

Contoh: satu piksel sungai dari 7 scene

Nilai MNDWI: 0,62 · 0,65 · 0,60 · −0,30 (sisa awan) · 0,63 · 0,15 (kabut) · 0,64

Diurutkan: −0,30 · 0,15 · 0,60 · 0,62 · 0,63 · 0,64 · 0,65 → median = 0,62 (tetap air). Rata-ratanya 0,43, tertarik ke bawah oleh dua nilai ngawur.

Coba sendiri: median vs rata-rata
Ketik nilai dipisah spasi (koma desimal boleh). Nilai > 0 dianggap air.

Terurut:

Median
–
Rata-rata
–
peka nilai ekstrem
Analogi: voting

Median itu voting. Satu-dua pemilih yang ngawur tidak mengubah hasil. Tapi kalau mayoritas pemilih "mabuk kabut", hasil voting ikut salah. Karena itu pemilih yang mabuk harus disaring dulu (bab 11). Coba preset "Darat, 4 dari 7 berkabut": mediannya positif, jadi daratan terbaca air.

Aturan yang muncul dari sini

  • Minimal 3 scene per tile: median 1–2 nilai sama dengan nilai itu sendiri atau rata-ratanya, jadi tidak bisa menolak pencilan. Plugin memberi peringatan "komposit median kurang andal".
  • 15 scene per tile (baku): periode cerah hampir sama untuk 5–30 scene; periode berkabut dengan 5 scene membuat Otsu ditolak (Kappa 0,649). Pustaka komposit tropis: 10–15 pengamatan valid per piksel umumnya memuaskan.
  • Median per blok 500 baris: median seluruh tumpukan sekaligus membuat Colab kehabisan memori (> 8 GB), jadi dihitung per potongan.
for r in range(0, tinggi, baris_per_blok):
    bagian = stack_u16[:, r:r + baris_per_blok]
    blok = bagian.astype(np.float32)
    blok[bagian == 0] = np.nan                         # nodata
    blok[buang[:, r:r + baris_per_blok]] = np.nan      # awan dari SCL
    hasil[r:r + baris_per_blok] = np.nanmedian(blok, axis=0)

Median dihitung dalam satuan DN, lalu baru diubah ke reflektan. Komposit dibuat per tile, kemudian semua tile digabung ke grid master 20 m; di daerah tampalan, piksel valid tile berikutnya menimpa yang sebelumnya.

Contoh komposit median reflektan Landsat 8
Contoh komposit median reflektan Landsat 8. Sumber: Hermosilla dkk., Fig. 15.4, CC BY 4.0 (Gambar 2.2 laporan).
Hasil komposit bukan foto satu tanggal

Komposit tiga bulan mencampur pasang-surut dan kondisi hujan–kemarau. Hasilnya mewakili kondisi median periode itu, bukan kondisi pada satu hari tertentu.

BAB 08

Indeks air: NDWI dan MNDWI

Indeks air adalah "kacamata" yang membuat air bernilai positif dan daratan negatif. Keduanya memakai bentuk beda ternormalisasi:

\[ \text{indeks} = \frac{A - B}{A + B}, \qquad -1 \le \text{indeks} \le +1 \]

Pembagian dengan \(A + B\) membuat indeks tidak terpengaruh terang-gelapnya citra secara umum (misalnya beda sudut matahari). Yang penting perbandingan dua band. Kalau \(A > B\), hasilnya positif.

NDWI (McFeeters, 1996)
\[ \text{NDWI} = \frac{\text{Hijau} - \text{NIR}}{\text{Hijau} + \text{NIR}} = \frac{B03 - B08}{B03 + B08} \]

Air: hijau > NIR → positif. Vegetasi: NIR sangat tinggi → sangat negatif.
Kelemahan: pada bangunan, hijau dan NIR mirip, sehingga NDWI mendekati 0 atau positif.

MNDWI (Xu, 2006)
\[ \text{MNDWI} = \frac{\text{Hijau} - \text{SWIR}}{\text{Hijau} + \text{SWIR}} = \frac{B03 - B11}{B03 + B11} \]

Air menyerap SWIR jauh lebih kuat daripada NIR, sedangkan bangunan dan tanah memantulkan SWIR tinggi. Air makin positif, bangunan jelas negatif. Indeks baku plugin.

Kalkulator NDWI & MNDWI
Masukkan reflektan (0–1). Nilai preset adalah ilustrasi, bukan data terukur.
NDWI
–
MNDWI
–
Permukaan (ilustrasi)Hijau / NIR / SWIRNDWIMNDWI
Air jernih0,06 / 0,02 / 0,01+0,50+0,71
Sungai keruh0,10 / 0,06 / 0,02+0,25+0,67
Vegetasi0,08 / 0,40 / 0,25−0,67−0,52
Bangunan0,12 / 0,15 / 0,25−0,11−0,35

Dua hal yang perlu diperhatikan: (1) sungai keruh seperti Kapuas tetap jelas positif di MNDWI, tetapi di NDWI turun karena sedimen menaikkan NIR; (2) bangunan di NDWI hanya sedikit negatif (rawan tertukar dengan air), di MNDWI jelas negatif.

Temuan: MNDWI lebih akurat (periode cerah)

Lembar RBI Pontianak, 60 scene Juni–Agustus 2026, dibandingkan dengan kelas Sungai + Tambak RBI 1:25.000:

IndeksSkenarioAmbangDKappaF1RecallPrecision
MNDWIAturan plugin (Otsu)0,0778,520,89180,8950,8170,989
MNDWIAmbang terbaik (pembanding)−0,08–0,90750,9100,8570,970
NDWIAturan plugin (cadangan 0)0,002,900,84170,8460,7550,962
NDWIOtsu tanpa cadangan−0,4662,900,22520,2640,8970,155

NDWI dengan ambang terbaiknya pun (0,00) masih kalah dari MNDWI dengan aturan plugin. Ini sejalan dengan Xu (2006) dan Girma dkk. (2025). "Ambang terbaik" butuh data acuan, jadi hanya pembanding batas atas, tidak bisa dipakai pengguna.

Nama NDWI dipakai dua indeks berbeda

Ada NDWI versi Gao (NIR dan SWIR) untuk kandungan air vegetasi. NDWI di plugin adalah versi McFeeters (hijau dan NIR) untuk air terbuka.

BAB 09

Ambang Otsu: menarik garis air/darat otomatis

Setelah indeks dihitung, kita butuh satu angka batas (ambang): di atas ambang = air, di bawah = darat. Plugin tidak meminta pengguna menebak; ambang dicari otomatis dengan metode Otsu (Nobuyuki Otsu, 1979).

Idenya

Buat histogram: grafik berapa banyak piksel untuk setiap nilai indeks. Wilayah yang punya air dan darat biasanya punya dua gunung: gunung darat (negatif) dan gunung air (positif). Ambang terbaik ada di lembah di antara keduanya.

Otsu mencoba setiap kemungkinan ambang \(t\) (plugin: 256 kotak histogram), membagi piksel jadi dua kelompok, lalu memilih \(t\) yang membuat varians antarkelas paling besar:

\[ \sigma_B^2(t) = \omega_0(t)\,\omega_1(t)\,\big[\mu_0(t) - \mu_1(t)\big]^2 \]
  • \(\omega_0, \omega_1\): proporsi (atau jumlah) piksel di bawah dan di atas \(t\).
  • \(\mu_0, \mu_1\): rata-rata nilai indeks di masing-masing kelompok.

Rumus ini besar bila kedua kelompok sama-sama cukup banyak (\(\omega_0\omega_1\) besar) dan rata-ratanya berjauhan (\((\mu_0-\mu_1)^2\) besar).

Contoh mini: 10 piksel

Nilai: −0,6 · −0,6 · −0,5 · −0,5 · −0,5 · −0,4 · −0,4 · 0,5 · 0,6 · 0,7

Coba t di antara −0,4 dan 0,5: bawah 7 piksel (rata-rata −0,5), atas 3 piksel (rata-rata 0,6).
\(\sigma_B^2 = 0{,}7 \times 0{,}3 \times (−0{,}5 − 0{,}6)^2 = 0{,}21 \times 1{,}21 = 0{,}254\)

Coba t di antara −0,5 dan −0,4: bawah 5 piksel (rata-rata −0,54), atas 5 piksel (rata-rata 0,2).
\(\sigma_B^2 = 0{,}5 \times 0{,}5 \times (−0{,}54 − 0{,}2)^2 = 0{,}25 \times 0{,}5476 = 0{,}137\)

Pilihan pertama lebih besar, jadi Otsu menaruh ambang di lembah antara darat dan air. Benar.

Analogi: membagi kelas jadi dua barisan

Bayangkan membagi satu kelas menjadi barisan "pendek" dan "tinggi". Otsu mencoba semua titik potong (150 cm, 151 cm, …) dan memilih yang membuat kedua barisan paling jelas bedanya, sementara orang di dalam tiap barisan tingginya mirip-mirip.

Implementasi di plugin (NumPy, tanpa scikit-image)

def ambang_otsu(nilai, nbins=256):
    counts, edges = np.histogram(nilai, bins=nbins, range=(vmin, vmax))
    centers = (edges[:-1] + edges[1:]) / 2
    w1 = np.cumsum(counts)                 # bobot kelompok bawah
    w2 = np.cumsum(counts[::-1])[::-1]     # bobot kelompok atas
    m1 = np.cumsum(counts * centers) / w1  # rata-rata kelompok bawah
    m2 = (np.cumsum((counts * centers)[::-1]) / w2[::-1])[::-1]
    varians_antar = w1[:-1] * w2[1:] * (m1[:-1] - m2[1:]) ** 2
    return float(centers[np.nanargmax(varians_antar)])

Hasilnya dibandingkan dengan skimage.filters.threshold_otsu pada uji unit: selisih < 10⁻⁶. Ambang dihitung hanya dari piksel valid di dalam wilayah kajian.

Simulator Otsu + aturan ambang cadangan
Histogram sintetis: darat (dua kelompok vegetasi) + air. Geser proporsi air dan kabut, lalu lihat kapan Otsu gagal. Biru = terbaca air, merah = terbaca darat.
Ambang Otsu
–
Ashman's D
–
syarat ≥ 3
Ambang dipakai
–
Piksel terbaca air
–
Peta MNDWI komposit dan histogram dengan ambang Otsu
(a) MNDWI komposit lembar Pontianak, 60 scene Juni–Agustus 2026; (b) histogram dengan ambang Otsu 0,077 dan D 8,52. Dua gunung terlihat jelas. Gambar 4.8 laporan.
Histogram citra dengan ambang Otsu dari pustaka
Histogram citra dengan ambang Otsu. Sumber: Markert dkk., Fig. 42.3, CC BY 4.0 (Gambar 2.3 laporan).
Kelemahan Otsu

Otsu selalu mengeluarkan angka, bahkan bila histogram hanya punya satu gunung. Di wilayah yang hampir tanpa air, Otsu membelah daratan sendiri (vegetasi rapat ± −0,58 vs vegetasi jarang ± −0,50), lalu separuh daratan dianggap air. Perlu pengaman: bab berikutnya.

Temuan: Otsu bukan ambang "terbaik"

Pada MNDWI Pontianak, Otsu 0,077 lebih tinggi daripada ambang terbaik −0,08. Inti sungai tertangkap rapi (precision 0,989), tetapi piksel tepi dan parit sempit yang bercampur darat jatuh di bawah ambang (recall 0,817). Otsu memilih ambang yang memisahkan dua kelompok histogram, bukan ambang yang paling cocok dengan peta acuan; Che dkk. juga mencatat hal ini.

BAB 10

Ashman's D dan ambang cadangan

Ashman's D (Ashman dkk., 1994) mengukur seberapa jelas dua kelompok terpisah, relatif terhadap lebarnya:

\[ D = \sqrt{2}\,\frac{|\mu_1 - \mu_2|}{\sqrt{\sigma_1^2 + \sigma_2^2}} \]

\(\mu\) = rata-rata, \(\sigma\) = simpangan baku tiap kelompok (di bawah dan di atas ambang Otsu). D besar = dua gunung berjauhan dan ramping. D kecil = gunung bertumpuk atau sebenarnya hanya satu.

Dua contoh hitungan

Sungai besar: darat μ = −0,45, σ = 0,10; air μ = 0,55, σ = 0,12.
\(D = 1{,}414 \times \dfrac{1{,}00}{\sqrt{0{,}01 + 0{,}0144}} = 1{,}414 \times \dfrac{1{,}00}{0{,}156} \approx 9{,}1\) → sangat jelas, Otsu dipercaya.

Hampir tanpa air: μ = −0,40, σ = 0,15 dan μ = −0,10, σ = 0,12.
\(D = 1{,}414 \times \dfrac{0{,}30}{\sqrt{0{,}0225 + 0{,}0144}} = 1{,}414 \times \dfrac{0{,}30}{0{,}192} \approx 2{,}2\) → tidak bimodal, Otsu ditolak.

Kalkulator Ashman's D
D
–

Aturan di plugin

Ambang Otsu ditolak dan diganti ambang cadangan 0 bila salah satu terpenuhi:

  1. \(D < 3\) (histogram tidak cukup terpisah), atau
  2. ambang Otsu \(< -0{,}3\) (ambang jatuh di tengah daratan).
def pilih_ambang(nilai):
    otsu = ambang_otsu(nilai)
    d = ashman_d(nilai, otsu)
    fallback = d < BATAS_D or otsu < BATAS_AMBANG        # 3 dan −0,3
    return HasilAmbang(ambang=0.0 if fallback else otsu, otsu=otsu, ashman_d=d, fallback=fallback, ...)

Dari mana angka 3 dan −0,3?

Dari 10 wilayah uji dengan proporsi air berbeda:

WilayahKondisiAmbang OtsuDDampak tanpa cadangan
Lembar RBI PontianakBerhasil0,0778,52F1 0,895
Kota Pontianak, convex hull / bboxBerhasil0,109 / 0,1049,15 / 9,17F1 0,930 / 0,934
Kota Pontianak, poligon persisGagal−0,4272,42FP 76.122 piksel (± 30 km², 29% luas kota)
6 kecamatanGagal−0,41 s.d. −0,462,20–2,59FP 6–30 ribu piksel

Semua kasus gagal punya D ≤ 2,59 dan ambang ≤ −0,40; semua kasus berhasil punya D ≥ 8,52 dan ambang ≥ 0,077. Batas 3 dan −0,3 diletakkan di celah itu. Dengan ambang cadangan, FP Kota Pontianak turun dari 76.122 menjadi 21 piksel.

Angka −0,3 juga punya cerita: uji unit dengan histogram sintetis yang jelas bimodal (D = 11,3) memberi Otsu −0,2004 karena lembahnya lebar. Batas awal −0,2 salah menolaknya, jadi dikoreksi menjadi −0,3.

Histogram MNDWI dengan Otsu berhasil dan gagal
Histogram MNDWI dengan ambang Otsu berhasil dan gagal (Gambar 4.10 laporan).
Kenapa kasus gagal selalu punya D ± 2,2–2,6?

Kalau histogram hanya satu gunung normal dan Otsu membelahnya di tengah, tiap belahan adalah "setengah normal" dengan rata-rata \(\pm 0{,}798\sigma\) dan simpangan baku \(0{,}603\sigma\). Maka:

\[ D = \sqrt{2}\,\frac{2 \times 0{,}798\sigma}{\sqrt{2 \times (0{,}603\sigma)^2}} = \frac{1{,}596}{0{,}603} \approx 2{,}65 \]

Jadi satu gunung yang dibelah paksa memberi D sekitar 2,6, berapa pun lebarnya. Itu cocok dengan kasus gagal di Pontianak (2,20–2,59). Literatur memakai D > 2, tetapi kasus gagal di sini lolos syarat itu, makanya plugin memakai 3. (Distribusi seragam yang dibelah dua pun memberi D = √12 ≈ 3,46, jadi D di plugin adalah heuristik keandalan, bukan uji formal bimodalitas.)

Kenapa cadangannya 0?

Secara fisik, MNDWI > 0 berarti pantulan hijau melebihi SWIR, yaitu ciri air. Ambang 0 juga lazim di pustaka bila metode adaptif tidak dipakai. Di lembar Pontianak, ambang 0 memberi Kappa 0,9012, sedikit di atas Otsu (0,8918), jadi cadangan tidak merugikan wilayah yang sebenarnya bisa ditangani Otsu.

Analogi: alat ukur kejelasan

Kalau dua barisan siswa tadi ternyata tingginya hampir sama semua, memaksa membagi dua tidak bermakna. Lebih baik pakai aturan baku yang sudah pasti: "di atas 0 = air".

Batas ini dikalibrasi pada MNDWI

Untuk NDWI, batas yang sama dipakai dengan catatan di log. Di lembar Pontianak, NDWI memicu ambang cadangan (D 2,91, Otsu −0,47), padahal wilayahnya jelas berair (MNDWI D 8,52).

BAB 11

Kabut asap dan saringan HOT

Ini temuan terbesar Kerja Praktik. Run plugin untuk periode 12 Agustus – 10 November 2026 di lembar Pontianak menghasilkan badan air 89,91 km², padahal badan air RBI (Sungai + Tambak) hanya 17,06 km². Lebih dari lima kali lipat.

1. Pastikan dulu bukan bug

RunSceneAwanOtsu (D)PoligonLuas
A: 60 scene Juni–Agustus (validasi lama)600–28%0,0772 (8,52)4314,10 km²
B: 12 Agustus – 10 November57hingga 72%−0,1317 (2,00) ditolak → 02.26189,91 km²

Run A identik dengan validasi lama, jadi kodenya tidak berubah. Masalahnya ada di data citra.

2. Apa yang bergeser?

Kelas RBITerdeteksi air, ATerdeteksi air, BMedian MNDWI A → B
Perkebunan/Kebun (198 km²)0,0%20,9%−0,538 → −0,101
Permukiman (122 km²)0,1%12,5%−0,454 → −0,095
Hutan Rimba0,0%12,3%−0,530 → −0,180
Kebun Campuran0,1%22,4%−0,503 → −0,065
Sungai83,7%98,4%0,707 → 0,532

MNDWI seluruh daratan naik ± 0,4. Histogram tidak lagi punya dua gunung, Otsu ditolak, dan ambang 0 menangkap sebagian besar daratan.

MNDWI komposit tanpa dan dengan saringan kabut
MNDWI komposit (a) tanpa dan (b) dengan saringan kabut HOT ≤ 0,08. Daratan di (a) pucat mendekati 0; di (b) kembali merah. Gambar 4.12 laporan.

3. Kenapa kabut menaikkan MNDWI?

Partikel kabut dan asap menghamburkan cahaya ke sensor (seperti lampu mobil yang membuat kabut di depannya tampak terang). Hamburan ini jauh lebih kuat pada panjang gelombang pendek. Akibatnya:

  • Hijau (560 nm) naik. SWIR (1.610 nm) hampir tetap.
  • Pembilang MNDWI (hijau − SWIR) membesar → MNDWI darat naik ke arah 0 atau positif.
Ilustrasi angka (bukan data terukur)

Vegetasi cerah: hijau 0,08, SWIR 0,25 → MNDWI = (0,08 − 0,25) / 0,33 = −0,52.
Vegetasi berkabut: hijau naik ke 0,20, SWIR 0,255 → MNDWI = (0,20 − 0,255) / 0,455 = −0,12.
Naik ± 0,4, persis besarnya pergeseran yang terukur di tabel atas. Coba preset "Vegetasi + kabut" di kalkulator bab 08.

4. Masker yang ada tidak mengenali kabut ini

  • SCL memberi 97–100% piksel scene kotor kelas 5 (bukan vegetasi) dan 0% vegetasi; scene bersih punya ± 81–86% vegetasi.
  • Peluang awan Sen2Cor (CLD) bermedian 0. Masker CLD > 10 tidak mengubah apa pun.
  • Ketebalan optis aerosol (AOT) bermedian 0,32–1,19, jauh di atas scene bersih (0,07–0,17).
  • Reflektan biru median 0,22–0,49 (scene bersih 0,023–0,036).

Jenis pencemarnya (asap kebakaran atau awan tipis) tidak dibuktikan. AOT tinggi dan puncak kebakaran Kalimantan Agustus–Oktober mengarah ke asap.

5. Memilih indikator kabut: AOT, biru, atau HOT?

Karena kabut menutup hampir seluruh scene, yang disaring adalah scene, bukan piksel. Scene yang dibuang diganti scene berikutnya. (Masker biru per piksel 0,10 juga ditolak karena membuang hingga 13% piksel air keruh.)

Indikator per sceneMasalah
Median AOT ≤ 0,30Membuang 19 scene bersih; Agustus–November tinggal 6 scene, 50,8% lembar tanpa data, F1 0,645.
Median biru ≤ 0,10Bagus di Pontianak (F1 0,861), tapi membuang seluruh 65 scene cerah gurun Nil-Aswan (pasir terang, biru 0,138–0,165).
Median HOTSatu-satunya yang memisahkan scene bersih dan berkabut di kedua wilayah.

6. HOT: Haze Optimized Transformation

HOT diperkenalkan Zhang dkk. (2002). Pada daratan cerah, pantulan biru dan merah berkorelasi kuat dan membentuk "garis cerah". Kabut menaikkan biru jauh lebih besar daripada merah, sehingga piksel berkabut menyimpang dari garis itu. Plugin memakai bentuk sederhana (seperti uji HOT di Fmask):

\[ \text{HOT} = \rho_{\text{biru}} - 0{,}5\,\rho_{\text{merah}} = B02 - 0{,}5 \times B04 \]
Kondisi darat (ilustrasi)Biru / MerahHOT
Cerah0,04 / 0,060,01
Kabut tipis0,12 / 0,100,07
Kabut tebal0,18 / 0,120,12
Pasir gurun (Nil)0,16 / 0,280,02

Pasir gurun terang di biru, tapi lebih terang lagi di merah, jadi HOT-nya tetap rendah. Itu sebabnya HOT tidak tertipu gurun, sedangkan biru absolut tertipu.

Kalkulator HOT
Di plugin nilainya adalah median HOT semua piksel darat yang lolos SCL dalam satu scene.
HOT
–

7. Cara plugin memakai HOT

def nilai_hot(biru, merah, scl):
    bebas_awan = (biru > 0) & (merah > 0) & ~np.isin(scl, KELAS_SCL_BURUK)
    darat = bebas_awan & (scl != KELAS_SCL_AIR)          # air keruh ber-HOT tinggi
    n_darat = int(np.count_nonzero(darat))
    median = float(np.median(biru[darat] - 0.5 * merah[darat])) if n_darat else None
    return median, n_darat, int(np.count_nonzero(bebas_awan))
  1. Baca SCL, B02, B04 pada 80 m (overview COG) supaya cepat.
  2. Ambil piksel darat yang lolos SCL (tanpa kelas 6 air).
  3. Hitung median HOT → satu angka per scene.
  4. Median > 0,08 → scene dibuang, diganti kandidat berikutnya (awan terendah dulu) sampai jatah per tile terisi.
  5. Piksel darat < 50 → scene tidak dinilai dan tetap dipakai (hanya yang terbukti berkabut yang dibuang).
Sebaran median HOT piksel darat per scene
Sebaran median HOT piksel darat per scene: Pontianak bersih ≤ 0,045, Nil-Aswan bersih ≤ 0,020, Pontianak berkabut terendah 0,059. Garis putus-putus = batas baku 0,08. Gambar 4.13 laporan.

8. Kenapa batasnya 0,08, bukan lebih ketat?

KasusHOT ≤Scene dipakai (dibuang)Otsu (D)F1Tanpa data
Agu–Nov0 (mati)57ditolak (2,00)0,3110,1%
Agu–Nov0,0514 (48)−0,027 (4,27)0,67929,9%
Agu–Nov0,0617 (45)ditolak (2,01)0,6318,4%
Agu–Nov0,0826 (36)0,115 (4,98)0,8850,1%
Jun–Agu0,0860 (15 diganti)0,081 (8,62)0,8940,1%
Nil-Aswan0,0530 (0)ditolak–0,1%

Terlalu ketat tidak lebih baik. Pada 0,05 hanya 14 scene tersisa untuk empat tile, sehingga median mudah tergeser sisa kabut tipis dan 29,9% lembar kosong. Pada 0,08: F1 pulih ke 0,885, dan periode cerah hampir tidak berubah (0,894 vs 0,895). Angka 0,08 kebetulan sama dengan konstanta HOT Fmask, tetapi Fmask memakai reflektan TOA per piksel, jadi kesamaan ini bukan dasar penetapannya.

Hasil akhir run QGIS periode berkabut
RunSceneAmbangPoligonLuasF1PrecisionRecall
Tanpa saringan570 (cadangan)2.26189,91 km²0,3110,1850,974
HOT ≤ 0,08260,1149 (D 4,98)12216,57 km²0,8850,8980,872
HOT ≤ 0,08 + filter OSM 40 m260,11491515,49 km²0,9130,9590,870
Analogi: kacamata berembun

Embun di kacamata membuat semuanya tampak keputihan, dan efeknya paling terasa pada warna biru. HOT mengukur "seberapa keputihan" sebuah foto dibanding biasanya. Foto yang kacamatanya berembun tidak ikut voting.

Keterbatasan HOT

HOT juga tinggi tanpa kabut pada salju/es, kota padat yang sangat terang, dan air bersedimen (makanya kelas 6 dikeluarkan). Wilayah bersalju dan kota padat belum diuji; saringan bisa dimatikan dengan mengisi 0. Plugin menghitung HOT pada reflektan L2A per scene, berbeda dari pustaka (TOA per piksel), sehingga ambangnya dikalibrasi sendiri.

BAB 12

Dari piksel ke poligon: konektivitas, luas minimum, lubang

Poligonisasi dan konektivitas 4-arah

Hasil ambang adalah mask: 1 = air, 0 = bukan air. gdal.Polygonize menggabungkan piksel air yang bersebelahan menjadi satu poligon. Plugin memakai konektivitas 4-arah: tersambung hanya bila bersebelahan atas, bawah, kiri, atau kanan; sentuhan sudut (diagonal) tidak dihitung.

4-arah:      8-arah:
  . X .        X X X
  X ■ X        X ■ X
  . X .        X X X
Analogi: bidak benteng

Seperti bidak benteng di catur yang hanya bisa bergerak lurus, bukan menyerong. Dua kolam yang hanya bersentuhan di satu titik sudut tidak dianggap satu badan air.

Luas minimum: ayakan

Baku 2.000 m² = 5 piksel (1 piksel = 20 × 20 = 400 m²). Poligon yang lebih kecil dibuang: biasanya sisa bayangan awan, atap logam, atau piksel tepi yang sedikit lewat ambang.

Luas minimumPikselPoligonRecallPrecisionKappa
tanpa filter12250,82020,98510,8922
800 m²21010,81910,98720,8925
2.000 m²5430,81690,98890,8918
10.000 m²25120,81250,99080,8899
50.000 m²12510,80280,99150,8842

Lembar Pontianak, 60 scene Juni–Agustus, ambang 0,0772. Dari 225 objek, 124 hanya berukuran satu piksel.

Dasar 2.000 m²: aturan Tobler

Tobler (1987): objek terkecil yang terdeteksi di peta (meter) = penyebut skala ÷ 1.000. Untuk RBI 1:50.000 → 50.000 / 1.000 = 50 m, atau 50 × 50 = 2.500 m². Resolusi yang sesuai = setengahnya = 25 m, jadi citra 20 m memadai. 2.000 m² (± 45 × 45 m) berada tepat di bawah objek terkecil peta 1:50.000, sehingga objek yang masih layak tampil tidak terbuang.

Selisih Kappa antara nilai terbaik (800–1.200 m², 0,8925) dan 2.000 m² hanya 0,0007. Memilih yang "paling tinggi" berarti menyesuaikan sistem dengan isi peta acuan (yang tidak memuat kolam kecil), bukan dengan tujuan pemetaan.

Luas, bukan lebar

Penyaringan melihat luas objek yang bersambung. Sungai selebar 20 m sepanjang 5 km luasnya 100.000 m², jadi tetap lolos walaupun sempit.

Tujuan pemetaanSaran luas minimum
Sungai utama saja10.000 m²
Pemakaian umum, skala 1:50.0002.000 m²
Inventarisasi tambak/kolam400–800 m²
Pemantauan genangan banjir400 m² atau tanpa filter

Jembatan dan lubang

Jembatan tampak sebagai garis MNDWI rendah yang melintang sungai, misalnya 0,72 → 0,68 → 0,19 → 0,02 → 0,12 → 0,48 → 0,75. Hanya satu piksel di bawah ambang, membentuk lubang 400 m², sehingga sungai tidak terputus. Menutup semua lubang justru menurunkan Kappa (0,8918 → 0,8873) karena dua lubang terbesar ternyata pulau di tengah sungai, bukan jembatan. MNDWI tidak bisa membedakan keduanya, jadi lubang tidak ditutup.

BAB 13

Filter vektor sungai dan buffer

Hasil plugin adalah semua badan air: sungai, tambak, kolam, danau, sawah tergenang. Bila yang dibutuhkan hanya sungai, berikan vektor jaringan sungai (RBI, OpenStreetMap/OSM, atau layanan WFS) sebagai penyaring.

Cara kerjanya

  1. Setiap fitur sungai di-buffer (dibuat zona) sejauh jarak toleransi, baku 40 m.
  2. Zona dirasterisasi ke grid 20 m (opsi ALL_TOUCHED).
  3. Poligon air dirasterisasi sebagai label nomor.
  4. Poligon dipertahankan utuh bila salah satu pikselnya masuk zona; kalau tidak, dibuang.

Cara raster ini setara dengan uji "jarak poligon ke sungai ≤ buffer" dan sudah dicocokkan dengan fungsi jarak GEOS pada 0, 15, 40, dan 100 m. Poligon tidak dipotong, karena alur sungai di peta acuan bisa sudah bergeser; memotongnya akan menghapus informasi kondisi sungai yang sebenarnya dari citra.

Analogi: daftar tamu dengan radius

Yang berdiri paling jauh 40 m dari jalur sungai resmi boleh masuk (seluruh rombongannya ikut), yang jauh diusir.

Kenapa 40 m? Anggaran galat posisi

Dua peta objek yang sama hampir tidak pernah berimpit persis. Tiga sumber galat digabung dengan akar jumlah kuadrat (asumsi saling bebas):

\[ e_{\text{gabung}} = \sqrt{e_{\text{RBI}}^2 + e_{\text{S2}}^2 + e_{\text{piksel}}^2} \]
Sumber galatNilaiRujukan
Posisi garis RBI 1:50.00015 / 30 / 45 m (kelas 1/2/3, CE90)Perbig No. 6/2018: 0,3/0,6/0,9 mm × skala
Geolokasi Sentinel-29,4 m (CE95)ESA Data Quality Report
Tepi poligon ikut piksel 20 m14,1 m (setengah diagonal: \(\tfrac{1}{2}\sqrt{20^2+20^2}\))geometri grid
Gabungan22,6 / 34,5 / 48,1 m
Hitung anggaran galat
Gabungan
–
√(15² + 9,4² + 14,1²) = √512,2

40 m (2 piksel) menampung RBI kelas 1 dan 2. Ini anggaran kasar (CE90, CE95, dan batas geometri tidak setara secara statistik); nilai 40 m ditetapkan dari uji sensitivitas:

BufferPoligon dibuangPiksel sungai hilangKappaPrecision
tanpa filter000,88180,898
0 m10800,91830,977
40 m10100,91870,976
60 m9800,90960,956
200 m8000,90200,940

Penyaring garis sungai RBI 1:50.000, poligon MNDWI periode berkabut dengan saringan kabut.

Kappa hampir tetap sampai 40 m lalu turun di 60 m: mulai jarak itu, poligon salah deteksi di dekat sungai ikut dipertahankan. Uji OSM: 81,4% panjang garis sungai OSM berada dalam 40 m dari RBI (median selisih 9,4 m). Penyaring "semua saluran air" OSM (1.924 garis parit) kurang efektif karena terlalu rapat; pakai hanya river + stream.

BAB 14

UTM, wilayah kajian, dan grid

Kenapa UTM?

Koordinat lintang-bujur (derajat) tidak bisa langsung dipakai menghitung luas dalam m². UTM (Universal Transverse Mercator) membagi bumi menjadi 60 zona selebar 6° bujur; di dalam zona, koordinat dalam meter.

\[ \text{zona} = \left\lfloor \frac{\text{bujur} + 180}{6} \right\rfloor + 1 \]
Hitung zona UTM
Zona
–
Kode CRS
–
326xx utara, 327xx selatan

Pontianak (± 109,3° BT) ada di zona 49 (108°–114° BT). Uniknya, khatulistiwa melewati Pontianak, jadi plugin bisa memilih EPSG:32649 (49N) atau EPSG:32749 (49S) dari titik tengah wilayah. Keduanya sama benar; bedanya hanya angka Y: belahan selatan diberi false northing 10.000.000 m. Itulah kenapa sumbu Northing di peta laporan bernilai ± 10.000 km: garis 10.000 km = khatulistiwa.

Wilayah kajian: batas, extent, dan mode cakupan

  • Batas wilayah (layer poligon): semua fitur digabung, geometri rusak diperbaiki (makeValid), CRS apa pun diterima.
  • Extent: bila sendirian, menjadi wilayah persegi; bila ada layer batas, menjadi "gunting".
  • Mode cakupan: poligon persis, convex hull (karet gelang yang dililit di luar batas), atau kotak pembungkus (bbox).
Temuan: sungai jatuh di celah antarkecamatan

Pada batas Kota Pontianak, Sungai Kapuas dan Landak justru berada di luar poligon kecamatan: 6,55 km² sungai jatuh di celah, hanya 0,14 km² di dalam poligon. Ini sesuai aturan penegasan batas daerah: batas di sungai adalah garis khayal di tengah (as) sungai. Solusinya mode convex hull (F1 0,930) atau bbox (F1 0,934).

Cakupan poligon persis dan convex hull
Cakupan poligon persis dan convex hull pada Kota Pontianak (Gambar 4.11 laporan).

Batas luas

Tahap grid butuh ± 20 byte per piksel. Dengan ± 3 GB untuk plugin di laptop RAM 8 GB: 3 GB ÷ 20 byte ≈ 150 juta piksel × 400 m² ≈ 60.000 km². Setelah diberi margin: peringatan > 20.000 km², tolak > 50.000 km² (bisa diabaikan pengguna).

BAB 15

Evaluasi akurasi

Hasil plugin dibandingkan per piksel 20 m dengan data acuan, yaitu kelas Sungai + Tambak RBI 1:25.000. Setiap piksel jatuh ke salah satu dari empat kotak matriks konfusi:

Acuan: airAcuan: darat
Plugin: airTP (benar positif)FP (salah positif: darat ditebak air)
Plugin: daratFN (salah negatif: air terlewat)TN (benar negatif)
\[ \text{Precision} = \frac{TP}{TP+FP} \quad \text{Recall} = \frac{TP}{TP+FN} \quad F1 = \frac{2 \cdot P \cdot R}{P + R} \quad \text{IoU} = \frac{TP}{TP+FP+FN} \]
\[ OA = \frac{TP+TN}{N} \qquad \kappa = \frac{OA - p_e}{1 - p_e}, \quad p_e = \frac{(TP+FP)(TP+FN) + (FN+TN)(FP+TN)}{N^2} \]
  • Precision: dari yang ditebak air, berapa yang benar?
  • Recall: dari air yang sebenarnya, berapa yang tertangkap?
  • F1: gabungan keduanya (0 buruk, 1 sempurna).
  • Kappa: kesepakatan dibanding tebakan acak. Landis & Koch: 0,81–1,00 = almost perfect.
Jebakan OA

Badan air hanya ± 1–3% piksel wilayah. Plugin yang menebak "semua darat" pun dapat OA 0,97–0,99! Karena itu laporan selalu memakai Kappa, F1, IoU, dan jumlah FP/FN. Coba preset "Tebak semua darat".

Kalkulator matriks konfusi
Preset Pontianak direkonstruksi dari recall/precision di laporan (1.442.808 piksel di dalam lembar).
OA
–
Precision
–
Recall
–
F1
–
IoU
–
Kappa
–
Wilayah uji (Juni–Agustus 2026)OAKappaF1RecallPrecision
Lembar RBI 25K Pontianak0,99430,89180,89470,81690,9889
Kota Pontianak (convex hull)0,99270,9260,9300,8790,988
Kota Pontianak (bbox)0,99430,9310,9340,8870,986
Matriks konfusi klasifikasi biner
Matriks konfusi. Sumber: Nicolau dkk., Fig. 7.1, CC BY 4.0.
Sebaran TP, FP, FN hasil ekstraksi
Sebaran TP, FP, FN terhadap RBI 1:25.000 (Gambar 4.9 laporan).
RBI bukan kebenaran lapangan 2026

Sebagian FP bisa berupa air nyata yang tidak tercatat di RBI (kolam, genangan, alur bergeser); sebagian FN berasal dari parit yang lebih sempit dari 20 m. Angka akurasi dibaca sebagai kesesuaian terhadap RBI.

BAB 16

Parameter plugin satu per satu

Dialog muncul di Processing Toolbox → River Masking → Ekstraksi Badan Sungai. Parameter bertanda (lanjutan) ada di bagian Advanced Parameters.

Dialog parameter plugin
Dialog parameter (Gambar 4.2).
Bagian Advanced Parameters
Advanced Parameters (Gambar 4.3).
TahapParameterBakuGunanya & analogi
A. WilayahBatas wilayah kajian–Bentuk wilayah (layer poligon). Pagar kebun.
Extent / tampilan peta–Wilayah persegi atau gunting batas. Bingkai kamera. Minimal salah satu dari batas/extent wajib diisi.
Cakupan wilayahPoligon persisPersis / convex hull / bbox. Diterapkan dulu, baru dipotong extent.
B. Pilih citraTanggal mulai / akhir90 hari terakhirRentang pencarian. Memilih album foto.
Maks. tutupan awan80%Saringan kasar per scene. Buang foto yang tertutup jempol.
Scene per tile15N scene berawan terendah per tile. Jumlah pemilih voting.
Saringan kabut HOT (lanjutan)0,080 = mati. Kacamata berembun tidak ikut voting.
Indeks airMNDWIMNDWI / NDWI / MNDWI + NDWI pembanding (B03 dibaca sekali).
D. Bersih-bersihLuas minimum2.000 m²5 piksel. Ayakan pasir.
Vektor jaringan sungai–Penyaring opsional (lokal/WFS). Daftar tamu.
Jarak buffer sungai40 mToleransi jarak. Radius undangan.
E. Teknis (lanjutan)Abaikan batas luastidakRem pengaman memori > 50.000 km². Pembatas kecepatan.
Folder sementaratemp QGISUntuk drive C: yang sempit; dihapus otomatis. Meja kerja.
Berkas dibaca bersamaan41–8. Hanya kecepatan, hasil identik. Jumlah kasir.

Keluaran

  • Badan air hasil ekstraksi: poligon UTM. Atribut: luas_m2, indeks, cakupan, tgl_mulai, tgl_akhir, cloud_maks, n_scene, ambang, otsu, ashman_d, fallback, buf_sungai (nama ≤ 10 karakter supaya aman untuk Shapefile).
  • Badan air NDWI (pembanding): hanya bila memilih MNDWI + NDWI.
  • Raster MNDWI/NDWI komposit (opsional): GeoTIFF float32 20 m.
  • Metadata JSON: parameter, ID scene per tile, scene yang dibuang beserta HOT-nya, ambang, D, versi QGIS/GDAL/NumPy/Python. Dengan ini proses bisa diulang persis.
Log proses plugin
Log proses: estimasi waktu & RAM, scene dibuang karena kabut, ambang, D, peringatan (Gambar 4.4).
Hasil ekstraksi di kanvas QGIS
Hasil di kanvas QGIS (Gambar 4.5).
Tabel atribut layer hasil
Tabel atribut (Gambar 4.6).

Hubungan antarparameter yang sering ditanyakan

  • Tanggal × saringan kabut: saringan butuh cadangan scene. Rentang sempit di musim kabut bisa membuat tile kosong.
  • Maks. awan × SCL: batas awan hanya saringan per scene; awan per piksel dibuang SCL. Di musim kabut, batas 100% memberi Kappa 0,910 (vs 0,882) tetapi 2,9× lebih lama.
  • Scene per tile × waktu: waktu ≈ 1,31 detik × jumlah berkas + 0,208 detik × juta piksel dibaca (regresi 9 tile), dibagi faktor paralel.
  • Luas minimum × vektor sungai: keduanya pembersih; yang satu membuang yang kecil, yang lain membuang yang jauh.
BAB 17

Arsitektur dan pengujian

Prinsip: hanya pustaka bawaan QGIS

Plugin hanya memakai GDAL/OGR, NumPy, qgis.core, dan pustaka standar Python, supaya bisa dipasang dari .zip tanpa pip. Di laptop pengembang, rasterio/pystac-client/scikit-image ternyata terpasang lewat pip (bukan paket QGIS) dan pyproj gagal dimuat; "jalan di laptop sendiri" bukan bukti portabel.

FungsiEksperimen (Colab)Plugin
Pencarian STACpystac_clienturllib + json, paginasi POST
Baca COG sebagianrasterio …read(window)gdal.Open('/vsicurl/…').ReadAsArray(…)
Mosaik/reproyeksirasterio.warp.reprojectgdal.Warp
Vektorisasirasterio.features.shapesgdal.Polygonize (4-arah)
Ambang Otsuskimage threshold_otsuNumPy 256 bin
Geometrishapely, geopandasogr, QgsGeometry

Modul

Logika inti ada di core/ dan tidak mengimpor qgis, sehingga pipeline yang sama bisa jalan di QGIS, di skrip uji tanpa QGIS, dan di Google Colab. Komunikasi ke QGIS lewat objek Pelapor (log, progres, tombol Cancel).

BerkasTugas
river_masking_algorithm.pyLapisan QGIS: parameter, validasi, sink keluaran, metadata, CRS di thread utama.
core/stac_search.pyCari scene, paginasi, objek Scene (skala/offset).
core/saring_kabut.pyMedian HOT per scene, ganti scene berkabut.
core/grid.pyWilayah kajian, mode cakupan, zona UTM, grid 20 m, batas luas.
core/composite.pyBaca COG paralel + ulang, masking SCL, median per blok, estimasi waktu.
core/water_index.pyMNDWI/NDWI, Otsu, Ashman's D, ambang cadangan.
core/vectorize.pyPolygonize 4-arah, luas, filter luas minimum.
core/filter_sungai.pyBuffer + rasterisasi label vektor sungai.
core/pipeline.pyMerangkai semua tahap; progres & pembatalan.
core/sumber_daya.py, core/gdal_util.pyPengukuran RAM; utilitas GDAL (opsi koneksi per thread).
Arsitektur modul plugin
Arsitektur modul (Gambar 3.4).
DFD level 1
DFD level 1 (Gambar 3.3).
DFD level 0
DFD level 0 (diagram konteks): pengguna, STAC API, penyimpanan COG, sumber vektor sungai (Gambar 3.2).

Pengujian

  • Uji unit: 43 uji tests/test_core.py tanpa QGIS & internet, ditambah 16 uji lapisan QGIS. Contoh: Otsu NumPy vs scikit-image (selisih < 10⁻⁶), jendela baca vs rasterio (500 kotak acak, identik), baca paralel vs berurutan (identik).
  • Uji fungsional (blackbox): 18 skenario versi 0.3, semua lulus: kasus normal, batas terpecah, wilayah kecil, lintas khatulistiwa, wilayah terlalu besar (ditolak < 1 detik), tanggal terbalik, pembatalan, saringan kabut aktif/mati, semua scene berkabut.
  • Validasi lapis 1: plugin vs eksperimen dengan daftar scene sama → 100% piksel identik (resampling sama); 97,64% setelah beralih ke average (offset jendela ganjil membuat GDAL tidak memakai overview). Ambang & jumlah poligon tetap.
  • Validasi lapis 2: akurasi terhadap RBI (bab 15).
  • Kinerja: lembar Pontianak 770 km², 180 berkas: total 2,4 menit, +0,15 GB RAM. Baca paralel 1 → 4 → 8 berkas: 176 → 69,5 → 51 detik.
Temuan rekayasa perangkat lunak: layer hilang saat di-zoom

Poligon tampil setelah proses, lalu hilang ketika peta di-zoom beberapa saat kemudian. Diagnosis di sesi bermasalah: semua transformasi yang melibatkan CRS keluaran (EPSG:32749) gagal, CRS lain normal, GDAL/OSR normal, dan WKT CRS di cache QGIS kosong.

Penyebab: CRS keluaran pertama kali dibuat di thread latar Processing. Cache CRS QGIS menyimpan objek PROJ milik thread itu; ± 30 detik kemudian thread menganggur ditutup dan objeknya ikut hancur. Uji otomatis sebelumnya selesai sebelum 30 detik, makanya tidak tertangkap; dengan jeda 40 detik, galat berhasil direproduksi.

Perbaikan: di prepareAlgorithm (thread utama), plugin membuat lebih dulu semua CRS UTM kandidat. Uji regresi gagal tanpa perbaikan, lulus dengan perbaikan.

BAB 18

Temuan penting, berurutan

Setiap penyempurnaan plugin berawal dari temuan pengujian atau pemakaian. Inilah inti metode prototipe.

Prototipe Colab
DN belum dikoreksi offsetMetadata STAC menunjukkan reflektan = DN × 0,0001 − 0,1. Tanpa koreksi, periode berkabut Otsu ditolak (D 1,93 vs 4,98).
Prototipe Colab
Masking SCLPeriode berkabut: koreksi + SCL menaikkan Kappa 0,5887 → 0,8818, FP 48.169 → 4.212 piksel.
Uji wilayah
Otsu gagal di wilayah sedikit airKota Pontianak poligon persis: Otsu −0,427, D 2,42, FP 76.122 piksel. Aturan D < 3 atau Otsu < −0,3 → ambang 0 menurunkan FP menjadi 21.
Uji wilayah
Sungai terpotong batas administrasiKapuas dan Landak berada di celah antarkecamatan → mode convex hull / bbox.
Versi 0.2
Layer hilang saat di-zoomCRS dibuat di thread latar → cache rusak setelah thread ditutup. Diperbaiki di thread utama.
Versi 0.2
MNDWI mengalahkan NDWIKappa 0,892 vs 0,842 di periode cerah.
Agustus–November 2026
Kabut lolos SCL89,91 km² air palsu, F1 0,311. Saringan HOT ≤ 0,08 → F1 0,885; + filter OSM → 0,913.
Kalibrasi kabut
Masalah terbuka di gurun NilMNDWI air Sungai Nil bernilai negatif (hijau L2A ≈ 0, SWIR 0,03–0,07), sungai hampir tidak terdeteksi (0,83 km²). Dugaan: koreksi atmosfer L2A menekan hijau, belum dibuktikan.
Kesimpulan laporan dalam empat kalimat
  1. Plugin otomatis berhasil dibangun; hanya bergantung pada GDAL dan NumPy bawaan QGIS, dan raster MNDWI-nya identik 100% dengan eksperimen pada resampling yang sama.
  2. Periode cerah: Kappa 0,892 (lembar Pontianak) dan 0,926–0,931 (Kota Pontianak, convex hull/bbox), kategori almost perfect; MNDWI lebih akurat daripada NDWI.
  3. Ambang cadangan berbasis Ashman's D mengenali 7 dari 7 kasus gagal Otsu dari 10 wilayah uji.
  4. Kabut yang lolos SCL menurunkan F1 ke 0,311; saringan HOT 0,08 memulihkannya ke 0,885 tanpa merusak periode cerah dan tanpa membuang scene gurun.
BAB 19

Studi kasus: kenapa NDWI terlihat "lebih bagus"?

Run tanggal 17 November 2026 (extent ± 384 km² di Pontianak, periode 19 Agustus – 17 November 2026, MNDWI + NDWI) memberi pola yang menarik: error MNDWI tersebar di daratan jauh dari air, sedangkan error NDWI berkumpul di dekat air. Sekilas NDWI tampak lebih rapi.

Isi log

HalMNDWINDWI
Scene183 ditemukan, 37 dibuang karena kabut (HOT 0,081–0,305), 13 dipakai dari 4 tile; T49MCV dan T49NBA hanya 2 scene
Ambang Otsu−0,1926−0,3594
Ashman's D2,152,64
Keputusanditolak (D < 3) → 0ditolak (D < 3; Otsu < −0,3) → 0
Hasil406 poligon, 29,57 km²292 poligon, 18,75 km²

Penjelasan

MNDWI: air palsu di daratan
  • Sisa kabut menaikkan hijau, SWIR tetap → MNDWI darat naik merata (bab 11). Run 16 Nov yang mirip: median MNDWI darat −0,52 → −0,32; 72% deteksi baru ber-MNDWI 0–0,1, 79% > 1 km dari sungai.
  • Ambang jatuh ke 0 karena Otsu ditolak; piksel darat yang sudah di sekitar 0 langsung lolos.
  • Komposit lemah: median 2 scene = rata-ratanya; satu scene agak berkabut (lolos HOT 0,08) langsung menggeser hasil.
  • Gambut basah ikut menyerap SWIR.
NDWI: air hilang di tepi sungai
  • Daratan tetap aman: vegetasi memantulkan NIR 0,3–0,5; walau hijau naik karena kabut, NDWI tetap jauh di bawah 0.
  • Air keruh: sedimen Kapuas menaikkan NIR → NDWI air turun ke sekitar 0, parit kecil hilang.
  • Piksel campuran air + vegetasi riparian (NIR tinggi) di tepi → sungai menyempit.
  • Permukiman tepi sungai: NDWI dikenal keliru pada lahan terbangun.

Jadi bedanya ada pada jenis kesalahan: MNDWI salah dengan menambah air palsu (precision rendah), NDWI salah dengan mengurangi air (recall rendah). Error NDWI menempel di sungai sehingga tidak mencolok di peta.

Gunakan kalkulator bab 08

Preset "Vegetasi" → "Vegetasi + kabut": MNDWI naik dari −0,52 ke −0,12 (+0,40), NDWI hanya dari −0,67 ke −0,37. Dengan ambang 0, keduanya masih darat; tetapi di piksel kebun/gambut yang MNDWI-nya sudah lebih tinggi, kenaikan 0,4 cukup untuk melewati 0.

Yang belum dibuktikan

Penjelasan di atas adalah tafsiran berdasarkan mekanisme dan temuan run 16 November. Untuk dimasukkan ke laporan, perlu dihitung dengan angka: precision, recall, F1, dan sebaran jarak error ke sungai untuk kedua indeks terhadap RBI, lalu dibandingkan dengan periode cerah Juni–Agustus. Pada periode cerah, MNDWI terbukti lebih baik (F1 0,895 vs 0,846).

Pelajaran praktis

  • Periode 19 Agustus – 17 November adalah musim asap; hanya 13 scene lolos. Untuk peta yang akurat, pilih periode kering bersih (misalnya Juni–awal Agustus).
  • Kalau harus memakai musim kabut, perpanjang rentang tanggal dan naikkan batas awan (misalnya 100%) supaya tiap tile punya lebih banyak scene bersih.
  • Selalu baca log: "Otsu tidak andal", "hanya memiliki 2 scene", dan daftar scene berkabut adalah tanda hasil perlu dicek ulang.
BAB 20

Keterbatasan, saran, dan rekomendasi

Keterbatasan

  • Butuh internet; citra dibaca langsung dari AWS.
  • Hasil = semua badan air; memisahkan sungai bergantung pada vektor sungai yang diberikan.
  • Sungai lebih sempit dari ± 30–40 m (piksel campuran) dan air di bawah kanopi tidak dijamin terekstraksi.
  • Ambang cadangan dan ambang HOT dikalibrasi pada wilayah yang sama dengan wilayah penilaiannya (Pontianak); belum diuji terpisah di wilayah lain. Batas cadangan belum dikalibrasi untuk NDWI.
  • Scene dengan s2:datatake_id sama masih dihitung dua kali pada median (2 pasang dari 60 scene).
  • HOT belum diuji di salju dan kota padat; MNDWI di gurun Nil gagal (masalah terbuka).
  • Estimasi waktu dikalibrasi pada satu koneksi; pada koneksi tidak stabil waktu aktual pernah 8× perkiraan.
  • Belum diuji di wilayah luas (beberapa lembar, satu DAS) dan di komputer lain.

Saran untuk pengguna

  • Selalu periksa tab Log: ambang cadangan, poligon terpecah, scene sedikit, piksel tanpa data, scene berkabut.
  • Simpan JSON metadata bersama berkas hasil.
  • Batas administrasi yang mengikuti sungai → pakai convex hull atau bbox.
  • Di Kalimantan Barat, hindari Agustus–Oktober (puncak kebakaran). Bila terpaksa: perpanjang rentang dan naikkan batas awan ke 100% (Kappa 0,910 vs 0,882, waktu ± 3×).

Rekomendasi pengembangan

  • Gabungkan scene ber-s2:datatake_id sama sebelum median.
  • Manfaatkan DEM (model elevasi digital) untuk memisahkan sungai bila vektor sungai tidak tersedia.
  • Kalibrasi aturan ambang cadangan untuk NDWI dan uji di wilayah lain.
BAB 21

Tanya jawab dan kuis

Pertanyaan yang mungkin muncul saat seminar

Kenapa Sentinel-2, bukan Landsat?

Resolusi lebih tajam (10–20 m vs 30 m) dan lebih sering melintas (± 5 hari dengan dua satelit; Landsat 16 hari per satelit). Untuk sungai Pontianak yang lebarnya bervariasi, 20 m lebih rinci.

Kenapa resolusinya 20 m padahal ada band 10 m?

B11 (SWIR) untuk MNDWI hanya ada di 20 m. Band 10 m dirata-ratakan ke 20 m supaya sejajar.

Kenapa median, bukan rata-rata?

Rata-rata tertarik nilai ekstrem seperti sisa awan. Median tidak terpengaruh selama sebagian besar scene bersih.

Siapa yang mengatur ambang?

Otomatis per wilayah dengan Otsu, dengan pengaman ambang cadangan 0 bila Ashman's D < 3 atau Otsu < −0,3.

Apa bedanya HOT dengan masking SCL?

SCL bekerja per piksel dan sering tertipu kabut tipis. HOT menilai per scene: bila secara keseluruhan scene berkabut, scene itu tidak ikut ditumpuk.

Parameter mana yang paling berpengaruh ke akurasi?

Rentang tanggal dan saringan kabut (F1 0,31 → 0,89 di musim kabut), lalu pilihan indeks di wilayah perkotaan. Paralel dan folder sementara tidak memengaruhi akurasi.

Kenapa hasilnya UTM 49N padahal Pontianak sebagian di selatan?

Zona dipilih dari titik tengah wilayah. Keduanya benar; bedanya hanya angka Y (false northing 10.000.000 m di selatan).

Apakah hasilnya bisa diulang persis?

Bisa. JSON mencatat ID setiap scene, parameter, ambang, dan versi perangkat lunak. Pipeline juga menerima daftar ID scene sebagai masukan, seperti pada validasi lapis 1.

Kenapa tidak memakai rasterio atau scikit-image?

Tidak termasuk bawaan QGIS. Supaya plugin bisa dipasang dari .zip tanpa pip, semuanya ditulis ulang dengan GDAL dan NumPy, lalu dibuktikan identik dengan uji unit dan validasi lapis 1.

Kuis cepat (klik untuk lihat jawaban)

1. Reflektan hijau 0,08 dan SWIR 0,24. Berapa MNDWI, dan air atau darat?

(0,08 − 0,24) / (0,08 + 0,24) = −0,16 / 0,32 = −0,50 → darat (kemungkinan vegetasi).

2. DN B03 sebuah piksel = 1.620. Berapa reflektannya?

1.620 × 0,0001 − 0,1 = 0,162 − 0,1 = 0,062.

3. Kenapa kabut menaikkan MNDWI tetapi kurang menaikkan NDWI pada vegetasi?

Kabut menaikkan hijau, sedangkan band pembandingnya hampir tetap. Pada vegetasi, pembanding NDWI adalah NIR yang sangat besar (± 0,4), sedangkan pembanding MNDWI adalah SWIR yang lebih kecil (± 0,25). Makin kecil pembandingnya, makin besar pengaruh kenaikan hijau terhadap rasio. Contoh: hijau 0,08 → 0,20 menggeser MNDWI −0,52 → −0,12, tetapi NDWI hanya −0,67 → −0,37.

4. Otsu = −0,43, D = 2,45. Ambang mana yang dipakai plugin?

Keduanya melanggar aturan (D < 3, Otsu < −0,3) → ambang cadangan 0.

5. Luas minimum 2.000 m² setara berapa piksel?

2.000 / (20 × 20) = 5 piksel.

6. Kenapa batas HOT 0,05 malah memberi F1 lebih rendah daripada 0,08?

Terlalu banyak scene dibuang (tinggal 14 untuk 4 tile): median mudah tergeser sisa kabut tipis dan 29,9% lembar tanpa data.

7. Plugin menebak semua piksel darat di wilayah yang airnya 1%. Berapa OA dan F1?

OA = 0,99 (tampak hebat), F1 = 0 (tidak ada air yang tertangkap). Karena itu OA tidak dipakai sendirian.

8. Bujur 109,34° BT, lintang −0,02°. Zona dan EPSG?

⌊289,34 / 6⌋ + 1 = 48 + 1 = 49; selatan → EPSG:32749.

BAB 22

Glosarium

AOT
Aerosol Optical Thickness, ketebalan optis aerosol: seberapa banyak partikel di udara meredam cahaya.
Ashman's D
Ukuran keterpisahan dua kelompok; di plugin dipakai menilai keandalan ambang Otsu.
Band
Rentang panjang gelombang yang direkam sensor.
BOA / TOA
Reflektan permukaan (setelah koreksi atmosfer) / reflektan puncak atmosfer.
Buffer
Zona selebar jarak tertentu di sekeliling objek.
COG
Cloud-Optimized GeoTIFF: GeoTIFF berubin + overview yang bisa dibaca sebagian lewat HTTP.
Convex hull
Poligon cembung terkecil yang membungkus suatu bentuk (karet gelang).
CRS / EPSG
Sistem koordinat; EPSG adalah kode bakunya (mis. 32749 = UTM 49S).
DN
Digital Number, bilangan bulat yang disimpan berkas sebelum diubah ke reflektan.
Extent
Kotak batas tampilan peta atau area persegi.
F1, IoU, Kappa
Ukuran akurasi yang tidak tertipu kelas air yang sedikit.
GDAL/OGR
Pustaka baca-tulis raster/vektor bawaan QGIS.
HOT
Haze Optimized Transformation: biru − 0,5 × merah; tinggi pada kabut.
MGRS / tile
Grid petak ± 110 × 110 km untuk produk Sentinel-2.
MNDWI / NDWI
Indeks air: (hijau − SWIR)/(hijau + SWIR) dan (hijau − NIR)/(hijau + NIR).
NIR
Inframerah dekat (± 700–1.300 nm); B08 di Sentinel-2.
Otsu
Metode ambang otomatis yang memaksimalkan varians antarkelas histogram.
Overview
Versi resolusi kasar di dalam COG (piramida).
Processing baseline
Versi algoritma pengolahan ESA; ≥ 04.00 memakai offset −0,1.
Reflektan
Perbandingan cahaya dipantulkan terhadap cahaya datang (0–1).
Scene
Satu perekaman pada satu tile.
SCL
Scene Classification Layer: kelas piksel L2A (awan, air, vegetasi, dst.).
STAC
SpatioTemporal Asset Catalog: standar katalog data geospasial (Catalog → Collection → Item → Asset).
SWIR
Inframerah gelombang pendek (± 1.300–2.500 nm); B11 (1.610 nm) di Sentinel-2.
TP / FP / FN / TN
Isi matriks konfusi: benar positif, salah positif, salah negatif, benar negatif.
UTM
Proyeksi 60 zona dengan koordinat meter.
BAB 23

Rujukan utama

  • Ashman, K. M., Bird, C. M., & Zepf, S. E. (1994). Detecting bimodality in astronomical datasets. The Astronomical Journal, 108, 2348–2361.
  • McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432.
  • Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66.
  • Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025–3033.
  • Zhang, Y., Guindon, B., & Cihlar, J. (2002). An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images. Remote Sensing of Environment, 82(2–3), 173–187.
  • Zhu, Z., & Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. Remote Sensing of Environment, 118, 83–94.
  • Qiu, S., Zhu, Z., & He, B. (2019). Fmask 4.0: Improved cloud and cloud shadow detection in Landsats 4–8 and Sentinel-2 imagery. Remote Sensing of Environment, 231, 111205.
  • Goodchild, M. F., & Hunter, G. J. (1997). A simple positional accuracy measure for linear features. International Journal of Geographical Information Science, 11(3), 299–306.
  • Tobler, W. (1987). Measuring spatial resolution. Proceedings, Land Resources Information Systems Conference, Beijing.
  • Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.
  • Peraturan Badan Informasi Geospasial No. 6 Tahun 2018 tentang ketelitian peta dasar.
  • STAC Specification, stacspec.org; Cloud Optimized GeoTIFF, cogeo.org; Earth Search, Element84.

Daftar lengkap ada di laporan Kerja Praktik. Kode sumber plugin: github.com/Anwitch/river_masking.