ANALISIS ANOMALI LAND SURFACE TEMPERATURE MENGGUNAKAN CITRA SATELIT LANDSAT 8 UNTUK IDENTIFIKASI PROSPEK PANAS BUMI GUNUNG SIRUNG DI KABUPATEN ALOR, PROVINSI NUSA TENGGARA TIMUR
Annisha Bunga Fathya, Husin Nugraha, Alvira Gusti Ranti, Rina Wahyuningsih
{"title":"ANALISIS ANOMALI LAND SURFACE TEMPERATURE MENGGUNAKAN CITRA SATELIT LANDSAT 8 UNTUK IDENTIFIKASI PROSPEK PANAS BUMI GUNUNG SIRUNG DI KABUPATEN ALOR, PROVINSI NUSA TENGGARA TIMUR","authors":"Annisha Bunga Fathya, Husin Nugraha, Alvira Gusti Ranti, Rina Wahyuningsih","doi":"10.47599/bsdg.v18i1.367","DOIUrl":null,"url":null,"abstract":"Analisis anomali tinggi Land Surface Temperature (LST) dari citra Landsat 8 merupakan metode penginderaan jauh untuk mendeteksi keberadaan prospek panas bumi. Analisis ini dilakukan melalui indikasi anomali temperatur di permukaan. Studi ini bertujuan untuk mengidentifikasi adanya indikasi prospek panas bumi Gunung Sirung di Kabupaten Alor, Provinsi Nusa Tenggara Timur melalui analisis anomali tinggi LST yang berguna untuk menentukan area yang lebih spesifik dari lokasi rencana survei lapangan. Metode penelitian yang digunakan adalah LST dengan algoritma single-channel menggunakan citra Landsat 8 dan penentuan indikasi suhu tinggi berdasarkan anomali LST dengan klasifikasi natural breaks, persentil, dan classical statistics. Thermal Infrared Sensor (TIRS) Band citra Landsat 8 dapat menjadi alternatif yang murah dan cepat untuk analisis estimasi suhu permukaan tanah dengan metode penentuan anomaly LST yang berguna untuk menentukan batas area indikasi prospek panas bumi sebelum dilakukan survei lapangan. Hal ini dibuktikan dengan kesesuaian antara area anomali tinggi LST dengan area prospek panas bumi hasil survei lapangan. Metode klasifikasi untuk menentukan nilai anomali dengan pendekatan natural break dan persentil lebih baik dari pendekatan statistik klasik (rata-rata + 2 deviasi standar) karena pendekatan natural break dan persentil yang lebih robust terhadap bentuk distribusi data sehingga area anomali tinggi yang dihasilkan lebih detil dan spesifik.","PeriodicalId":191495,"journal":{"name":"Buletin Sumber Daya Geologi","volume":"59 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-07-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Buletin Sumber Daya Geologi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.47599/bsdg.v18i1.367","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Analisis anomali tinggi Land Surface Temperature (LST) dari citra Landsat 8 merupakan metode penginderaan jauh untuk mendeteksi keberadaan prospek panas bumi. Analisis ini dilakukan melalui indikasi anomali temperatur di permukaan. Studi ini bertujuan untuk mengidentifikasi adanya indikasi prospek panas bumi Gunung Sirung di Kabupaten Alor, Provinsi Nusa Tenggara Timur melalui analisis anomali tinggi LST yang berguna untuk menentukan area yang lebih spesifik dari lokasi rencana survei lapangan. Metode penelitian yang digunakan adalah LST dengan algoritma single-channel menggunakan citra Landsat 8 dan penentuan indikasi suhu tinggi berdasarkan anomali LST dengan klasifikasi natural breaks, persentil, dan classical statistics. Thermal Infrared Sensor (TIRS) Band citra Landsat 8 dapat menjadi alternatif yang murah dan cepat untuk analisis estimasi suhu permukaan tanah dengan metode penentuan anomaly LST yang berguna untuk menentukan batas area indikasi prospek panas bumi sebelum dilakukan survei lapangan. Hal ini dibuktikan dengan kesesuaian antara area anomali tinggi LST dengan area prospek panas bumi hasil survei lapangan. Metode klasifikasi untuk menentukan nilai anomali dengan pendekatan natural break dan persentil lebih baik dari pendekatan statistik klasik (rata-rata + 2 deviasi standar) karena pendekatan natural break dan persentil yang lebih robust terhadap bentuk distribusi data sehingga area anomali tinggi yang dihasilkan lebih detil dan spesifik.