Analisis Penerapan Metode Gap Filling ... (Dinarika Jatisworo et al.

ANALISIS PENERAPAN METODE GAP FILLING UNTUK

OPTIMALISASI PEROLEHAN DATA SUHU PERMUKAAN LAUT BEBAS
AWAN DI SELAT BALI

(ANALYSIS OF THE APPLICATION GAP FILLING METHOD FOR

OPTIMIZATION CLOUD FREE SEA SURFACE TEMPERATURE DATA
IN BALI STRAIT)
Dinarika Jatisworo1, Ari Murdimanto2, Denny W. Kusuma1, Bambang Sukresno1, Dessy Berlianty1

1Balai Riset dan Observasi Laut-Kementerian Kelautan dan Perikanan

2Konsultan individual SIG dan Penginderaan Jauh

e-mail: [email protected]

Diterima 31 Mei 2018; Direvisi 13 November 2018; Disetujui 27 November 2018

ABSTRACT

Sea Surface Temperature (SST) sensed from infrared satellite sensors has a limitation caused
by clouds cover. This limitation affects SST data to be not optimal because there are many empty
areas without SST information. Gap Filling is a simple method for combining multitemporal satellite
data to generate cloud free data. This research will apply Gap Filling method from two SST data,
namely Himawari-8 and Multiscale Ultrahigh Resolution Sea Surface Temperature (MUR-SST). Cloud
free daily SST data generated by this method has ~2 Km spatial resolution and daily temporal
resolution. Validation of cloud-free SST data using in situ measurement data shows Mean Absolute
Deviation (MAD) value 0.29 is smaller than MAD value from MUR-SST and Himawari-8 data. High
correlation between cloud free SST data and insitu data is reflected from Kendall's Tau correlation
value of 0.7966 or 79.66% and R2 with 0.93 value. These results indicate that the cloud free daily SST
data can be used as valid estimation of SST condition in Bali Strait.

Keywords: Sea Surface Temperature, Cloud Free, Himawari-8, MUR-SST, Gap Filling

55
http://dx.doi.org/10.30536/j.pjpdcd.2018.v15.a2981
Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital Vol. 15 No. 2. Desember 2018
Jurnal Penginderaan Jauh Vol. 15 No. 2 Desember 2018: hal 55 - 68

ABSTRAK

Suhu Permukaan Laut (SPL) yang diindera dari sensor satelit inframerah mempunyai
keterbatasan yang disebabkan oleh tutupan awan. Adanya keterbatasan ini menyebabkan data SPL
tidak optimal karena banyak area yang kosong informasinya. Gap Filling merupakan metode yang
sederhana untuk menggabungkan data satelit multitemporal sehingga menghasilkan data bebas
awan. Penelitian ini akan menerapkan metode gap filling dari dua data SPL yaitu Himawari-8 dan
Multiscale Ultrahigh Resolution Sea Surface Temperature (MUR-SST). Data SPL bebas awan harian
yang dihasilkan mempunyai resolusi spasial ~2 km dan resolusi temporal 1 hari. Validasi dari data
SPL bebas awan menggunakan data pengukuran insitu menunjukkan nilai Mean Absolute Deviation
(MAD) sebesar 0.29 lebih kecil dibandingkan nilai MAD dari data MUR-SST dan Himawari-8. Korelasi
yang tinggi antara data SPL bebas awan dan data insitu dicerminkan oleh nilai korelasi Kendall’s Tau
yaitu 0.7966 atau 79.66% serta nilai R2 dengan nilai 0.93. Hasil tersebut mengindikasikan bahwa
data SPL bebas awan harian dapat digunakan sebagai estimasi kondisi SPL yang valid di Selat Bali.

Kata kunci: Suhu Permukaan Laut, Bebas Awan, Himawari-8, MUR-SST, Gap Filling

1 PENDAHULUAN

Suhu Permukaan Laut (SPL) yang bebas awan. França et al. (2014)
adalah variabel yang paling penting menghasilkan data SPL bebas awan yang
dalam kajian oseanografi. Suhu juga memiliki resolusi spasial 0.05°, dengan
merupakan parameter penting untuk memadukan data SPL dari Advanced
mengetahui variabilitas perubahan iklim Very High Resolution Radiometer
dan produktivitas laut (Faye et al., 2015). (AVHRR) dan TRMM Microwave Imager
Perubahan suhu di laut menyebabkan (TMI), menggunakan metode Interpolasi
pergerakan massa air dan sirkulasi Analisis Objektif Barnes untuk
global. Suhu juga merupakan faktor menghasilkan data SPL baru. Barton
utama dalam interaksi udara-laut. Oleh (2007) mendapatkan data SPL bebas
karena itu, SPL merupakan variabel awan resolusi spasial 0.01° dengan
penting yang digunakan pada setiap menggabungkan data SPL dari multi
penelitian oseanografi. satelit yaitu, Advanced Very High
Satelit penginderaan jauh Resolution Radiometer (AVHRR),
berkembang sangat pesat sehingga Moderate Resolution Imaging
mampu menyediakan data SPL near real Spectroradiometer (MODIS), European
time dengan cakupan skala regional Remote Sensing Satellite-2 (ERS-2), Along
maupun global. Estimasi data SPL Track Scanning Radiometer-2 (ATSR-2),
menggunakan satelit dengan radiometer Advanced Along Track Scanning
inframerah dimulai sejak tahun 1970. Radiometer (AATSR), Global Imager (GLI),
Keunggulan sensor inframerah adalah Multispectral Imager (MSI), dan
mampu menghasilkan data SPL dengan Advanced Microwave Scanning
resolusi spasial menengah hingga ~1 Radiometer-EOS (AMSR-E) yang
Km, tetapi di sisi lain juga memiliki divalidasi dengan data hasil pengukuran
keterbatasan informasi akibat dari lapangan. Produk penggabungan multi
pengaruh tutupan awan. Inframerah satelit lain yang saat ini datanya tersedia
tidak mampu menembus awan, oleh secara kontinyu adalah Multiscale Ultra
karena itu dibutuhkan gelombang Resolution Sea Surface Temperature
elektromagnetik lain yang dapat (MUR-SST). Chin et al. (2017)
mengindera SPL dan mampu menembus mengembangkan MUR-SST dengan
awan. Pada tahun 1980 dikembangkan menggunakan metode Multi Resolution
Radiometer dengan memanfaatkan Variational Analysis (MRVA) dan
panjang gelombang mikro untuk menghasilkan data SPL harian bebas
mendeteksi SPL. Gelombang ini mampu awan dengan resolusi spasial sangat
menembus awan meskipun datanya tinggi yaitu ~1 Km. Data input yang
memiliki resolusi spasial yang lebih digunakan adalah Group for High
rendah yaitu ~25 Km. Resolution Sea Surface Temperature
Penggabungan dua data dari hasil GHRSST Level 2 atau yang lebih umum
perekaman Inframerah dan Gelombang disebut Level 2 Preprocessed (L2P) yang
Mikro dapat menghasilkan data SPL terdiri dari AVHRR, MODIS, AATSR,
56
 Analisis Penerapan Metode Gap Filling ... (Dinarika Jatisworo et al.)

AMSR-E, TMI, Geostationary Operational Penangkapan Ikan (PELIKAN) Lemuru

Environmental Satellite (GOES) imager, yang dioperasionalkan oleh Balai Riset
dan Spinning Enhanced Visible and dan Observasi Laut sejak tahun 2015.
Infrared Imager (SEVIRI). Yang et al. PELIKAN Lemuru merupakan peta
(2017) juga menggabungkan Geo-Polar prediksi lokasi ikan lemuru di Selat Bali
satelit yaitu MODIS, AVHRR, berdasarkan data SPL, Klorofil-a, dan
Meteorological Imager-Communication PAR (Photosynthetically Available
Ocean and Meteorological Satellite (MI- Radiation) yang diekstraksi dari data
COMS), Multifunctional satelit MODIS (Susilo, 2015). Data
Transport Satellite-2 (MTSAT-2), AMSR-2, masukan dari PELIKAN memiliki resolusi
dan WindSat dengan metode Optimum spasial 1 km dengan resolusi temporal 1
Interpolation (OI). Data SPL yang hari. Kendala yang dihadapi adalah
dihasilkan adalah data SPL harian dan tingginya tutupan awan, sehingga
SPL setiap 8 jam dengan resolusi spasial banyak data yang tidak terdapat
~1 Km. informasinya.
Kendala dalam menggabungkan Peningkatan informasi PELIKAN
SST Inframerah dan Gelombang Mikro Lemuru ini sangat memerlukan data SPL
adalah perbedaan karakteristik yang bebas awan. Data yang akan
kemampuan penetrasi vertikal atau digunakan dalam penelitian ini adalah
kedalaman di kolom air. Kemampuan Himawari-8 dan MUR-SST. Himawari-8
penetrasi vertikal dari pengukuran memiliki resolusi temporal sangat tinggi
sensor dalam kolom air akan yaitu hingga 10 menitan, oleh karena itu
menghasilkan data SPL yang berbeda jika digabungkan menjadi data SPL
nilainya tergantung pada struktur harian akan ada lebih banyak area yang
temperatur vertikal. Donlon et al. (2002) terdapat informasi suhunya
membagi struktur vertikal SPL menjadi dibandingkan dengan menggabungkan
beberapa bagian yaitu SPL interface, SPL beberapa jenis satelit sensor optis
Skin, SPL Subskin, dan SPL Subsurface. dengan resolusi temporal harian. Data
Sensor Inframerah hanya dapat MUR-SST juga digunakan dalam
mengukur SPL pada lapisan tipis dari penelitian ini karena data ini mudah
permukaan hingga ~500 µm sehingga diakses dan merupakan data bebas
hasil data SPL turunannya mewakili nilai awan yang memiliki resolusi spasial
SPL Skin. Gelombang Mikro dapat tinggi. Vazquez-Cuervo et al.(2013)
menembus lebih dalam ke kolom air membandingkan beberapa data SPL
daripada Inframerah, sehingga data SPL bebas awan termasuk MUR-SST, dimana
dari sensor Gelombang Mikro mewakili hasilnya berupa analisis gangguan
SPL subskin atau juga disebut SPL bulk. (noise) piksel ke piksel pada MUR-SST
Perbedaan karakteristik penetrasi berada pada level yang sama dengan
vertikal ini menyebabkan perlu adanya dataset bebas awan lain yang lebih
penyesuaian nilai SPL jika akan rendah resolusi spasialnya. Dengan kata
digabungkan keduanya. Beberapa lain, meskipun resolusi spasialnya tinggi
penelitian juga mencatat bahwa namun informasi suhunya sama dengan
penggabungan data SPL inframerah dan data resolusi spasial rendah. Oleh
Gelombang Mikro yang memiliki resolusi karena itu data ini akan lebih valid jika
spasial berbeda akan cenderung digabungkan dengan data Himawari-8
menghasilkan data SPL yang memiliki yang resolusi temporalnya sangat tinggi.
resolusi spasial yang kasar. Secara Penelitian ini bertujuan untuk
operasional dan penelitian, data SPL menghasilkan data SPL harian dengan
yang dibutuhkan adalah data yang meminimalkan area kosong karena
bebas awan dengan resolusi temporal tutupan awan dengan menggunakan
dan spasial yang tinggi. metode Gap Filling. Metode yang umum
Selat Bali merupakan perairan digunakan untuk tujuan tersebut
yang unik karena di dalamnya terdapat meliputi interpolasi, ekstrapolasi, dan
kegiatan penangkapan ikan dengan satu peramalan (Henn et al., 2013). Pada
alat tangkap yang seragam (monogear) umumnya data SPL dari sensor
dan satu jenis spesies (monospecies) inframerah seperti Aqua MODIS akan
utama yaitu lemuru. Kegiatan dikomposit secara 3 harian, 8 harian,
penangkapan ikan ini diharapkan dapat atau bahkan bulanan untuk
didukung oleh adanya Peta Lokasi mendapatkan data SPL bebas tutupan
57
Jurnal Penginderaan Jauh Vol. 15 No. 2 Desember 2018: hal 55 - 68

awan, namun cara ini perlu spasial ~1 Km. Berdasarkan Tabel 2-1,
dipertimbangkan mengingat data SPL ini perbedaan antara Himawari-8 dan MUR-
nantinya akan digunakan sebagai data SST adalah tipe dari data SPL yang
masukan dalam pembuatan PELIKAN dihasilkan. MUR-SST merupakan data
Lemuru yang diterbitkan setiap hari. SPL subskin dan memiliki resolusi
Oleh karena itu dalam penelitian ini temporal yang lebih rendah
akan diujicoba pembuatan data SPL dibandingkan dengan Himawari-8. MUR-
bebas awan dengan mengkombinasikan SST merupakan data level 4 yaitu data
data SPL Himawari-8 dan MUR-SST, SPL harian dari berbagai satelit sensor
yaitu dengan mengisi semua piksel inframerah dan gelombang mikro yang
NoData pada SPL Himawari-8 dengan digabungkan dan diinterpolasi sehingga
data MUR-SST. Pengisian celah hanya bebas tutupan awan sehingga memiliki
diterapkan di area "NoData" pada data resolusi spasial yang tinggi. Pengukuran
SPL Himawari-8, sehingga informasi SPL insitu dilakukan pada tanggal 22-26
dari Himawari-8 bisa tetap Februari, 22-30 Agustus, dan 11-20,
dipertahankan. Data SPL yang Oktober 2017. Pemilihan bulan
dihasilkan mempunyai resolusi spasial diasumsikan dapat mewakili kondisi
~2 Km mengikuti resolusi spasial dari musim barat dan musim timur.
data Himawari-8 dan resolusi temporal Pengukuran dilakukan oleh peneliti
harian. Balai Riset dan Observasi Laut
menggunakan Kapal Inka Mina. Alat
2 METODOLOGI Conductivity Temperature Depth (CTD)
2.1 Lokasi dan Data Sea-Bird SBE37SM-RS232 Serial
Number 03707844 digunakan untuk
Penelitian dilakukan pada Bulan mengukur SPL insitu. Sampel sebanyak
Januari - Desember 2017 dengan lokasi 33 titik terdistribusi secara acak di Selat
di Selat Bali. Data yang digunakan Bali. Data pengukuran SPL yang
dalam penelitian ini adalah data SPL digunakan adalah data dengan
Himawari-8 dan MUR-SST. Karakteristik kedalaman tidak lebih 1 meter di bawah
dari kedua data tersebut tersaji dalam permukaan laut, dengan asumsi
Tabel 2-1. mewakili nilai SPL skin. Dari 33 lokasi
Data SPL dari Himawari-8 AHI data sampel, terpilih 80 data SPL yang
yang digunakan dalam penelitian ini difilter berdasarkan kedalaman
adalah data yang dikeluarkan oleh JAXA pengukuran.
http://www.eorc.jaxa.jp/ptree/index.ht
ml. Level data yang digunakan adalah 2.2 Metode Penelitian
level 3 yaitu data 10 menitan yang sudah
direrata menjadi data perjam selama Data SPL dari Himawari-8
satu hari perekaman, sehingga terdapat termasuk data dengan temporal
24 data level 3 per hari. MUR-SST tinggi/spasial rendah, sedangkan SPL
merupakan data turunan level 4 dari MUR-SST termasuk data temporal
GHRSST yang dapat diunduh secara rendah/spasial tinggi. Metode
gratis pada alamat website berikut penggabungan kedua data tersebut
https://coastwatch.pfeg.noaa.gov/erdda meliputi beberapa tahap yaitu interpolasi
p/griddap/jplMURSST.html. spasial, interpolasi temporal, dan fusi
Data SPL yang tersedia (Banzon et al., 2016; Addesso et al.,
merupakan data global dengan resolusi 2017).

Tabel 2-1: SPESIFIKASI DATA MASUKAN

Data SPL Resolusi Spasial Resolusi Tipe SPL

Temporal
Himawari-8 2 Km 1 Jam Skin
MUR-SST 1 Km 1 hari Subskin
Sumber : Chin et al. (2017) and Kurihara et al. (2016)

58
 Analisis Penerapan Metode Gap Filling ... (Dinarika Jatisworo et al.)

Gambar 2-1: Sebaran pengukuran SPL

Perbedaan karakteristik SPL karena perbedaan resolusi. Resolusi

antara data Himawari-8 dengan MUR- kedua data tersebut akan disamakan
SST seperti pada Tabel 2-1, dengan menggunakan metode
menyebabkan perlu dilakukan resampling citra. Resampling adalah
penyesuaian nilai terlebih dahulu. proses rescaling data raster yang
Penyesuaian akan diterapkan terhadap menghasilkan grid sel raster baru
data SPL MUR-SST yaitu nilai suhunya dengan ukuran sel yang berbeda dari
akan diubah menjadi nilai suhu skin. raster asli atau disebut juga operasi
Menurut Kurihara et al. (2016) pengubahan ukuran sel (Wade dan
perbedaan SPL skin dan bulk adalah Sommer, 2006). Proses ini akan
berkisar antara 0.14-0.16 K dengan mengecilkan resolusi spasial MUR-SST
kondisi SPL bulk akan lebih dingin dari dari ~1 Km menjadi ~2 Km sesuai
SPL skin. Oleh karena itu penyesuaian dengan resolusi spasial data Himawari-
nilai SPL MUR-SST dari suhu bulk ke 8.
suhu skin menggunakan Metode resample yang digunakan
kalkulasi beda suhu vertikal (ΔT) dengan dalam penelitian ini adalah tetangga
persamaan yang berdasarkan pada terdekat (nearest neighbor) karena
Donlon et al.(2002) seperti berikut ini : merupakan satu-satunya metode yang
tidak menyisipkan nilai-nilai baru ke
ΔTsubskin = SPLskin - SPLsubskin …………..(1)
dalam dataset sehingga nilai SPL
ΔTsubskin : Beda Suhu Vertikal (°C)
keluaran cukup sama dengan data asli
SPLskin : Nilai SPL skin (°C)
(Studley dan Weber, 2010). Data SPL
SPLsubskin : Nilai SPL subskin/bulk (°C)
Himawari-8 harian dan MUR-SST skin
Jika kondisi suhu bulk yang lebih resampling kemudian digabungkan
dingin, maka nilai suhu skin akan dengan cara mozaik. Area kosong pada
didapatkan dengan cara mengurangi data SPL Himawari-8 akan digantikan
nilai SPL subskin dengan nilai 0.14-0.16 dengan MUR-SST skin resampling,
K. Dengan substraksi nilai tersebut sedangkan bagian SPL Himari-8 yang
maka akan didapatkan data MUR-SST terdapat data SPL akan tetap
skin. Data Himawari-8 tiap jam akan dipertahankan. Hasil penggabungan dua
digabungkan menjadi data rerata harian data tersebut adalah data SPL bebas
agar sesuai dengan resolusi temporal awan dengan resolusi temporal harian
data MUR-SST. Data MUR-SST skin dan resolusi spasial ~2 Km. Proses
memiliki resolusi spasial 1 km, sehingga penggabungan dengan cara mozaik ini
tidak dapat langsung digabungkan akan menghasilkan data SPL yang kasar
dengan data SPL dari Himawari-8 terutama di tepi piksel yang
59
Jurnal Penginderaan Jauh Vol. 15 No. 2 Desember 2018: hal 55 - 68

bertampalan antara data Himawari-8 pengukuran berbeda, maka akan

dan MUR-SST skin resampling. direrata. Data insitu dalam satu hari
Kekasaran piksel dihilangkan dengan akan diinterpolasi agar sesuai dengan
menerapkan filter lowpass, filter ini temporal data SPL bebas awan.
akan menghaluskan data dengan cara Kualitas data MUR-SST dan
menghilangkan data ekstrim. Filter Himawari-8 ataupun data keluaran
lowpass yang digunakan dengan ukuran yaitu SPL bebas awan terhadap data
kernel 3x3. Filter ini akan memberikan insitu dapat direpresentasikan oleh nilai
efek halus, sehingga objek akan terlihat Standar Deviasi (STD) dan Mean
buram, terutama pada tepi objek Absolute Deviation (MAD). Kekuatan
(Kumar, 2003). hubungan (korelasi) antara data insitu
Validasi data SPL bebas awan dengan SPL bebas awan juga akan
dilakukan pada data yang sesuai dilihat dengan menggunakan metode
dengan tanggal pengukuran insitu. Data Kendall’s Tau dan regresi linier,
SPL bebas awan resolusi temporalnya sehingga akan didapatkan nilai R
harian, sedangkan data insitu yang Square (R2) untuk menjelaskan apakah
digunakan adalah data pengukuran data SPL bebas awan dapat
sesaat yang diasumsikan mewakili data merepresentasikan data insitu.
harian. Hal ini terkait dengan Korelasi dan regresi dilakukan
keterbatasan dan ketersediaan data menggunakan perangkat lunak NCSS
insitu terutama pada wilayah perairan 12.0.6. Rumus untuk korelasi Kendall’s
tertutup seperti Selat Bali sehingga data Tau tersaji seperti dalam rumus berikut
insitu yang digunakan tidak timeseries. ini :
Perbedaan waktu antara pengambilan 𝜏=
Σ𝐴−Σ𝐵
…………..(2)
𝑁(𝑁−1)
data insitu dengan waktu perekaman 2
data satelit disebut sebagai data yang N : Jumlah Sampel
tidak sinkron (Ditri et al., 2018). Oleh ΣA : Jumlah rangking atas
karena itu jika terdapat data insitu pada ΣB : Jumlah rangking bawah
τ : Koefisien korelasi Kendall’s Tau
lokasi dan tanggal yang sama tetapi jam

Gambar 2-2: Diagram alir penelitian

60
 Analisis Penerapan Metode Gap Filling ... (Dinarika Jatisworo et al.)

(a) (b)

(c )

Gambar 3-1 : Perbandingan visual data SPL (a) SPL Himawari-8 Original (b) SPL Mur-SST Skin
Resampling (c) SPL Integrasi Bebas Awan

3 HASIL PEMBAHASAN 3-1 (a) yang merupakan contoh data SPL

3.1 Suhu Permukaan Laut Bebas Awan original dari Himawari-8 yang
dikomposit harian. Data tersebut
Area “NoData” dalam data SPL diakuisisi pada tanggal 31 Mei 2017,
Himawari-8 akan digantikan data SPL dimana hanya terdapat beberapa piksel
dari MUR-SST skin resampling. Wilayah saja yang ada informasi suhunya. Total
yang tertutup awan terutama di piksel pada data Himawari-8 tersebut
perairan Indonesia mencapai 90-96%, 1.813 piksel, dengan 241 piksel terisi
terutama pada musim barat (Nababan, informasi SPL dan 1.572 piksel tanpa
2016). Tingkat liputan awan yang tinggi data. Dengan kata lain informasi SPL
presentasenya ini menyebabkan data- yang hilang akibat tutupan awan adalah
data SPL dari sensor optis akan banyak sekitar 86.71% dan hanya 13.29%
area yang kosong informasinya. Gambar informasi SPL yang didapatkan.
Banyaknya jumlah informasi SPL dibandingkan dari citra Himawari-8
yang hilang pada data tersebut akan yang di komposit menjadi data harian.
menyebabkan tidak optimalnya data. Dampaknya adalah akan banyak data
Miyazawa et al. (2017) melakukan lokasi ikan pada PELIKAN Lemuru yang
komposit temporal data SPL Himawari-8 kosong juga. Oleh karena itu data SPL
untuk menghilangkan area tertutup Himawari-8 komposit harian dapat
awan dan hal ini lebih efektif menjadi alternatif sebagai data masukan
menampilkan informasi SPL daripada untuk PELIKAN Lemuru.
produk SPL inframerah sebelumnya Meskipun telah dilakukan
yang temporalnya lebih rendah dari komposit temporal, namun terkadang
Himawari-8. Jika dibandingkan dengan perairan Selat Bali masih terdapat area-
data SPL Aqua MODIS yang digunakan area kosong yang tertutup awan. Untuk
sebagai data masukan untuk PELIKAN mendapatkan data harian bebas awan
Lemuru dimana perekamannya hanya maka data harian SPL Himawari-8
satu kali dalam sehari, maka jumlah tersebut kemudian digabungkan dengan
informasi SPL yang terdapat pada citra MUR-SST. Data SPL gabungan pada
MODIS akan jauh lebih sedikit Gambar 3-1(c) menunjukkan bahwa
61
Jurnal Penginderaan Jauh Vol. 15 No. 2 Desember 2018: hal 55 - 68

area tutupan awan (warna putih) pada lokasi yang mengindikasikan front atau
Gambar 3.-1(a) sudah terisi nilai SPL upwelling. Kelemahan data hasil
yang diperoleh dari data MUR-SST pada interpolasi menurut Thomson dan
Gambar 3-1(b). Data MUR-SST juga Emery (2014) proses dari optimum
dapat digunakan sebagai alternatif data interpolasi akan menghasilkan data
masukan bagi PELIKAN Lemuru karena yang sangat halus dari data aslinya,
data SPL yang disajikan bebas awan, sehingga nilainya akan cenderung
namun perlu menjadi catatan sesuai berbeda jauh dari data aslinya. Oleh
dengan hasil nilai statistik Tabel 3-1 karena itu pada data MUR-SST fitur
MUR-SST memiliki bias yang sangat oseanografi lokal tidak terlihat.
besar dibandingkan dengan data SPL Gambar 3-2 adalah contoh beberapa
dari Himawari-8. Hal ini sama seperti data SPL bebas awan yang telah diolah
yang dijelaskan dalam penelitian Cuervo dalam penelitian ini. Dari hasil tersebut
et al. (2013). Data SPL hasil terlihat bahwa perairan Selat Bali dapat
penggabungan memiliki perbedaan seluruhnya terliput data SPL, hanya ada
dengan data MUR-SST. Hal ini terlihat bagian perairan terutama pesisir yang
antara Gambar 3-1(b) dan (c), dimana dekat dengan daratan terlihat masih
pada data MUR-SST nilai SPL yang kosong datanya. Hal ini dikarenakan
dihasilkan cenderung homogen karena masukan dari MUR-SST menggunakan
menggunakan metode interpolasi yang data gelombang mikro yang mempunyai
berdasarkan pada data global dengan kelemahan yaitu daerah yang berada
resolusi yang kecil, tetapi pada data SPL dekat dengan daratan, tidak ada
bebas awan hasil gabungan masih nilainya karena bias dengan nilai
terlihat fitur-fitur lokal oseanografi daratan. Namun di bagian perairan
seperti bentuk membulat dengan nilai lepas sepenuhnya terisi data SPL.
SPL yang tidak homogen di beberapa

(a)

(b)
Gambar 3-2 : SPL Integrasi Bebas Awan (a) Tanggal 22 Februari 2017 dan
(b) Tanggal 22 Agustus 2017

62
 Analisis Penerapan Metode Gap Filling ... (Dinarika Jatisworo et al.)

3.2 Validasi Data 1. Perbandingan nilai SPL tidak hanya

dilakukan pada data keluaran yaitu SPL
Hasil perbandingan nilai SPL dari bebas awan, namun juga pada data
80 sampel data pengukuran lapangan masukan yaitu MUR-SST dan Himawari-
dengan citra satelit tersaji pada Tabel 3- 8.

Tabel 3-1 : PERBANDINGAN DATA SPL INSITU DAN CITRA SATELIT

No Stasiun Koordinat SPL (°C)

Bujur Lintang Insitu Bebas Awan MUR-SST Himawari-8
1 STA01 114.38 -8.34 26.35 26.20 26.38 Nodata
2 STA01 114.38 -8.34 28.76 27.71 27.65 Nodata
3 STA18 114.72 -8.54 30.04 29.90 29.41 29.88
4 STA19 114.64 -8.55 30.06 30.02 29.42 30.02
5 STA20 114.55 -8.55 29.60 29.63 29.84 29.71
6 STA21 114.45 -8.55 30.54 29.95 29.92 30.07
7 STA05 114.58 -8.41 30.25 29.84 29.53 Nodata
8 STA14 114.71 -8.47 30.05 29.68 29.33 29.50
9 STA15 114.80 -8.47 30.10 30.07 29.44 30.44
10 STA17 114.82 -8.53 29.96 29.90 29.40 30.29
11 STA07 114.47 -8.41 30.47 29.73 29.71 30.13
12 STA08 114.42 -8.41 30.81 29.85 29.74 30.19
13 STA11 114.48 -8.48 29.98 29.71 29.57 29.80
14 STA12 114.55 -8.49 29.47 29.68 29.47 29.77
15 STA13 114.64 -8.48 30.17 29.75 29.34 29.72
16 STA01 114.38 -8.34 31.01 29.68 29.43 29.87
17 STA02 114.43 -8.33 30.73 29.91 29.44 29.98
18 STA03 114.46 -8.33 30.22 30.01 29.42 30.02
19 STA04 114.50 -8.33 29.95 29.55 29.37 29.30
20 STA06 114.52 -8.41 30.29 29.80 29.41 30.09
21 STA17 114.82 -8.53 26.06 25.78 26.07 Nodata
22 STA18 114.72 -8.54 26.08 26.23 26.10 26.02
23 STA19 114.64 -8.55 26.37 25.98 26.26 26.05
24 T07 114.94 -8.63 25.04 25.22 25.49 25.17
25 T08 115.02 -8.62 24.97 25.02 25.62 25.07
26 T09 115.07 -8.72 24.62 24.97 25.55 24.91
27 T11 114.86 -8.72 25.84 25.98 26.16 25.94
28 T13 114.66 -8.72 25.75 25.78 26.09 25.81
29 T01 114.46 -8.26 25.27 26.27 26.69 Nodata
30 T05 114.72 -8.62 26.49 26.16 25.70 26.19
31 T06 114.86 -8.62 26.12 25.94 26.11 26.14
32 STA14 114.71 -8.47 26.27 26.07 25.80 26.12
33 STA20 114.55 -8.55 26.23 25.86 25.82 25.90
34 STA21 114.45 -8.55 25.77 25.72 25.50 25.79
35 STA15 114.80 -8.47 25.97 25.75 25.49 25.75
36 STA16 114.91 -8.54 25.46 25.18 25.56 25.09
37 STA11 114.48 -8.48 25.83 25.73 25.80 Nodata
38 STA13 114.64 -8.48 26.13 26.06 26.22 Nodata
39 STA06 114.52 -8.41 25.79 25.89 26.45 25.88

63
Jurnal Penginderaan Jauh Vol. 15 No. 2 Desember 2018: hal 55 - 68

40 STA08 114.42 -8.41 26.19 25.93 26.29 25.80

41 STA10 114.42 -8.48 26.22 25.69 25.34 26.02
42 STA12 114.55 -8.49 25.60 25.61 25.25 Nodata
43 STA03 114.46 -8.33 26.01 26.04 26.45 26.15
44 STA04 114.50 -8.33 24.22 26.05 26.28 26.06
45 STA05 114.58 -8.41 26.80 26.04 25.90 26.17
46 STA07 114.47 -8.41 25.96 25.78 26.04 25.78
47 STA09 114.36 -8.41 26.75 26.40 25.94 Nodata
48 STA02 114.43 -8.33 26.32 25.99 26.61 25.88
49 T02 114.42 -8.26 26.23 26.33 26.64 Nodata
50 T03 114.39 -8.27 26.69 26.56 26.55 Nodata
51 T04 114.62 -8.63 25.92 25.93 25.84 25.90
52 STA17 114.82 -8.53 27.48 27.36 27.92 25.68
53 T08 115.02 -8.62 27.04 27.03 27.17 27.11
54 T10 114.96 -8.72 24.78 25.38 25.42 25.33
55 T05 114.72 -8.62 27.30 27.03 27.40 27.32
56 T07 114.94 -8.63 27.03 26.94 27.06 27.08
57 STA18 114.72 -8.54 27.42 27.11 27.72 26.68
58 T06 114.86 -8.62 27.34 27.22 27.53 27.21
59 STA19 114.64 -8.55 27.44 27.20 27.59 27.09
60 STA20 114.55 -8.55 27.47 27.27 27.89 27.31
61 STA11 114.48 -8.48 27.54 27.95 27.95 25.73
62 STA21 114.45 -8.55 27.73 27.84 27.75 27.78
63 T01 114.46 -8.26 27.33 27.79 28.47 27.48
64 STA12 114.55 -8.49 27.66 28.06 28.08 25.57
65 STA13 114.64 -8.48 27.62 28.27 28.23 26.02
66 STA14 114.71 -8.47 28.55 28.01 28.05 27.96
67 STA15 114.80 -8.47 28.14 27.94 28.32 27.82
68 STA16 114.91 -8.54 28.45 27.04 27.35 26.98
69 STA06 114.52 -8.41 27.66 27.75 27.78 27.75
70 STA07 114.47 -8.41 28.21 27.77 27.67 27.84
71 STA08 114.42 -8.41 27.76 27.79 27.59 27.85
72 STA09 114.36 -8.41 28.43 27.90 27.54 Nodata
73 STA10 114.42 -8.48 28.00 27.84 27.85 27.90
74 STA02 114.43 -8.33 28.50 27.67 27.78 27.74
75 STA03 114.46 -8.33 28.35 27.74 27.83 27.83
76 STA04 114.50 -8.33 27.46 27.71 27.90 27.68
77 STA05 114.58 -8.41 27.94 27.87 27.92 27.97
78 T02 114.42 -8.26 27.85 27.52 28.30 27.55
79 T03 114.46 -8.26 27.36 27.79 28.47 27.48
80 T04 114.62 -8.63 27.43 27.28 27.08 27.40
Rerata 27.54 27.38 27.43 27.40
Sumber : Survey Insitu (2017) dan Pengolahan Data (2017)

Berdasarkan Tabel 3-1 Nilai rerata bias dari masing-masing data citra
SPL harian dari hasil pengukuran insitu terhadap pengukuran lapangan, maka
menunjukkan nilai 27.54°C, dimana nilai statistik selisih suhu masing-masing
hasil rerata SPL data satelit yang paling data tersaji dalam Tabel 3-2. Secara
mendekati data insitu adalah MUR-SST berurutan nilai bias dari masing-masing
yaitu sebesar 27.43°C. Untuk melihat data dari tertinggi ke terendah adalah
64
 Analisis Penerapan Metode Gap Filling ... (Dinarika Jatisworo et al.)

SPL bebas awan, Himawari-8, dan MUR- atau tidak sensitif terhadap adanya
SST. Nilai bias dari data SPL bebas awan pencilan (Iswari, 2017). Hal ini
hasil integrasi menunjukkan nilai yaitu dilakukan karena pada Gambar 3-3
0.16°C terlihat Box-Plot dari ketiga dataset yang
Nilai Standar Deviasi justru digunakan dalam penelitian ini memiliki
menunjukkan data SPL MUR-SST pencilan yang cukup banyak, sehingga
mempunyai simpangan yang paling nilai Standar Deviasi biasa tidak dapat
besar diantara kedua data lainnya, digunakan sebagai penduga. Dari hasil
sedangkan SPL bebas awan paling perhitungan didapatkan nilai MAD yang
rendah nilai simpangannya. rendah yaitu 0.29 untuk data SPL bebas
Perhitungan Mean Absolute Deviation awan, sedangkan nilai MAD tertinggi
(MAD) juga diterapkan untuk 0.68 adalah MUR-SST.
mengetahui skala penduga yang robust
Tabel 3-2: STATISTIK SPL DATA SATELIT – SPL INSITU (°C).

Dataset N Mean Median STD MAD

Himawari-8 68 0.13 0.16 0.58 0.38
MUR-SST 80 0.11 0.02 0.64 0.68
SPL Integrasi Bebas Awan 80 0.16 0.16 0.46 0.29
Sumber : Pengolahan Data (2018) *STD = Standar Deviasi,
*MAD = Median Absolute Deviation.

Gambar 3-3 : Box-plot dari selisih SPL antara dataset dengan data insitu

34,00
SPL Bebas Awan (°C)

32,00 R² = 0,9352
30,00
28,00
26,00
24,00
22,00
20,00
22,00 24,00 26,00 28,00 30,00 32,00
SPL insitu (°C)

Gambar 3-4 : Scatterplot SPL bebas awan dan insitu

65
Jurnal Penginderaan Jauh Vol. 15 No. 2 Desember 2018: hal 55 - 68

Batas kotak bagian tengah pada (PO.DAAC) untuk The Group for High
Box-Plot (Gambar 3-3) menunjukkan Resolution Sea Surface Temperature
nilai median, batas kotak bawah dan (GHRSST) Multi-scale Ultra-high
atas mewakili kuartil pertama dan Resolution (MUR) SST data di Jet
kuartil ketiga dari distribusi data. Propulsion Laboratory, Pasadena, CA
Whisker menunjukkan nilai minimum (http://dx.doi.org/10.5067/GHGMR-
dan maksimum data. Pencilan untuk 4FJ01). Terima kasih untuk Balai Riset
data SPL bebas awan cukup banyak dan Observasi Laut, dimana kegiatan
baik dibagian atas maupun bawah, penelitian ini sebagai bagian dari
demikian juga dengan data Himawari-8. pendanaan DIPA 2017, serta Tim
Meskipun menunjukkan gambar kotak Redaksi Jurnal Penginderaan Jauh dan
dan whisker yang simetris pada dataset Mitra Bestari.
SPL bebas awan dan SPL Himawari-8,
namun tidak dapat dikategorikan dalam DAFTAR RUJUKAN
data berdistribusi normal karena
persentase pencilan lebih dari 1% dari Addesso, P., Longo, M., Montone, R.,
total data. Data MUR-SST dari box-plot Restaino, R., & Vivone, G. (2017).
terlihat tidak simetris, karena nilai Interpolation and Combination Rules
median tidak tepat ditengah kotak dan for the Temporal and Spatial
diikuti oleh pencilan bawah serta Enhancement of SEVIRI and MODIS
whisker dibagian bawah yang lebih Thermal Image Sequences.
panjang menunjukkan bahwa distribusi International Journal of Remote
data cenderung menjulur ke arah kiri Sensing, 38(7), 1889–1911.
(negative skewness). Dengan kondisi https://doi.org/10.1080/01431161.
data yang tidak berdistribusi normal, 2017.1283075.
maka untuk mengetahui nilai korelasi
digunakan Kendall’s Tau, dimana Banzon, V., Smith, T. M., Chin, T. M.,
metode ini tidak mensyaratkan data Liu, C., & Hankins, W.(2016). A
harus berdistribusi normal. Long-Term Record of Blended
Nilai korelasi Kendall’s Tau untuk Satellite and In Situ Sea-Surface
data SPL bebas awan yang dihasilkan Temperature For Climate Monitoring,
dalam penelitian ini dengan data insitu Modeling and Environmental
didapatkan nilai 0.7966 atau sebesar Studies. Earth System Science
79.66%. Korelasi ditunjukkan Gambar Data, 8, 165-176.
3-4 menunjukkan hubungan antara https://doi.org/10.5194/essd-8-
data SPL insitu dan bebas awan 165-2016.
memiliki hubungan kuat dan searah Barton, I. J.(2007). Comparison of In Situ
dengan nilai R2 0.93. and Satellite-Derived Sea Surface
Temperatures in the Gulf of
4 KESIMPULAN Carpentaria. Journal of
Atmospheric Journal of
Metode penggabungan data Atmospheric and Oceanic
untuk mendapatkan data bebas awan Technology, 24(10), 1773–1784.
seperti dalam penelitian ini dapat https://doi.org/10.1175/JTECH20
diterapkan di wilayah Selat Bali, hal ini 84.1.
ditunjukkan dengan rendahnya nilai
MAD data SPL bebas awan Chin, T. M., Vazquez-Cuervo, J., &
dibandingkan data MUR-SST dan Armstrong, E. M. (2017). A Multi-
Himawari-8. Data SPL bebas awan yang Scale High-Resolution Analysis of
dihasilkan layak untuk digunakan dan Global Sea Surface Temperature.
memiliki performa yang baik. Remote Sensing of Environment,
200,154–169.
UCAPAN TERIMAKASIH https://doi.org/10.1016/j.rse.2017
.07.029.
Kami mengucapkan terima kasih
untuk dataset yang disediakan oleh Ditri, A., Minnett, P., Liu, Y., Kilpatrick,
NASA EOSDIS Physical Oceanography K., & Kumar, A. (2018). The
Distributed Active Archive Center Accuracies of Himawari-8 and
66
 Analisis Penerapan Metode Gap Filling ... (Dinarika Jatisworo et al.)

MTSAT-2 Sea-Surface Temperatures Programme (AgMP). Cited in

in the Tropical Western Pacific http://www.wamis.org/agm/pubs/
Ocean. Remote Sensing, 10(2), 212. agm8/Paper-5.pdf [5 Maret 2018].
https://doi.org/10.3390/rs100202
12. Kurihara, Y., Murakami, H., & Kachi, M.
(2016). Sea surface temperature
Donlon, C. J., Minnett, P. J., from the new Japanese
Gentemann, C., Nightingale, T. J., Geostationary Meteorological
Barton, I. J., Ward, B., & Murray, Himawari-8 Satellite. Geophysical
M. J. (2002). Toward Improved Research Letters, 43(3), 1234–1240.
Validation of Satellite Sea Surface https://doi.org/10.1002/2015GL06
Skin Temperature Measurements for 7159.
Climate Research. Journal of
Climate,15(4),353–369. Nababan, B., (2016). Variabilitas Suhu
https://doi.org/10.1175/1520- Permukaan Laut Dan Konsentrasi
0442(2002)015<0353:TIVOSS>2.0.C Klorofil-A di Perairan Teluk Jakarta
O;2. dan Sekitarnya. Jurnal Ilmu dan
Teknologi Kelautan Tropis, 8(1),
Faye, S., Lazar, A., Sow, B. A., & Gaye, 385-402.
A. T. (2015). A Model Study of the
Seasonality of Sea Surface Studley, H., & Weber, K. T. (2010). Final
Temperature and Circulation in the Report: Assessing Post-Fire Recovery
Atlantic North-eastern Tropical of Sagebrush-Steppe Rangelands in
Upwelling System. Frontiers in Southeastern Idaho Comparison of
Physics, 3, 76. Image Resampling Techniques for
https://doi.org/10.3389/fphy.2015. Satellite Imagery. Idaho. Cited in
00076. http://giscenter.isu.edu/research/
Techpg/nasa_postfire/pdf/Ch15.pd
França, G. B., Paes, R. C., Oliveira, A. f [5 Maret 2018].
N., Ruivo, B. C., & Neto, A. S.
(2014). Daily Blended Microwave Susilo, E. (2015). Variabilitas Faktor
and Infrared Sea Surface Lingkungan Pada Habitat Ikan
Temperature Composition. Revista Lemuru di Selat Bali Menggunakan
Brasileira de Geofísica,31(2). Data Satelit Oseanografi dan
https://doi.org/10.22564/rbgf.v31i Pengukuran Insitu. Cited in
2.21. http://www.omniakuatika.net/10.2
0884/1.OA.2015.01002.pdf [14 Mei
Henn, B., Raleigh, M. S., Fisher, A., 2018].
Lundquist, J. D., Henn, B., Raleigh,
M. S., & Lundquist, J. D. (2013). A Thompson, R.E., & Emery, W.J., (2014).
Comparison of Methods for Filling Data Analysis Methods In Physical
Gaps in Hourly Near-Surface Air Oceanography. Elsevier.
Temperature Data. Journal of Vazquez-Cuervo, J., Dewitte, B., Chin, T.
Hydrometeorology, 14(3), 929–945. M., Armstrong, E. M., Purca, S., &
https://doi.org/10.1175/JHM-D- Alburqueque, E. (2013). An Analysis
12-027.1. of SST Gradients off the Peruvian
Iswari, P.Y. (2017). Pendugaan Selang Coast: The impact of Going to Higher
Kepercayaan Rata-Rata Populasi Resolution. Remote Sensing of
Dengan Kondisi Adanya Pencilan. Environment, 131, 76–84.
Skripsi Program Studi Matematika https://doi.org/10.1016/j.rse.2012.
Universitas Sanata Dharma. 12.010.
Yogyakarta. 140 hlm. Wade, T., & Sommer, S. (2006). A to Z
Kumar, M. (2003). Digital Image GIS : An Illustrated Dictionary of
Processing. In and S. K. S. M.V.K. Geographic Information Systems.
Sivakumar, P.S. Roy, K. Harmsen ESRI Press. Cited in
(Ed.), Satellite Remote Sensing and http://esripress.esri.com/display/in
GIS Applications in Agricultural dex.cfm?fuseaction=display&module
Meteorology (pp. 81–102). India: ID=0&websiteID=102 [5 Maret
Agricultural Meteorology 2018].
67
Jurnal Penginderaan Jauh Vol. 15 No. 2 Desember 2018: hal 55 - 68

Yang, C.-S., Kim, S.-H., Ouchi, K., & Acta Oceanologica Sinica, 34(7), 74–
Back, J.-H. (2015). Generation of 88.
High Resolution Sea Surface https://doi.org/10.1007/s13131-
Temperature Using Multi-Satellite 015-0694-8.
Data for Operational Oceanography.

68