PEMANFAATAN PENGINDERAAN JAUH UNTUK …pusfatja.lapan.go.id/files_uploads_ebook/publikasi/Buku...

2015

PUSAT PEMANFAATAN PENGINDERAAN JAUH

LAPAN

PEMANFAATAN PENGINDERAAN JAUH UNTUK PEMANTAUAN LINGKUNGAN

Tutupan lahan dan RTH wilayah Jakarta tahun 2014 diolah dari

citra Landsat-8

i

LAPORAN KEGIATAN LITBANGYASA

LITBANG PEMANFAATAN DATA PENGINDERAAN JAUH UNTUK PEMANTAUAN LINGKUNGAN

Oleh:

Jalu Tejo Nugroho Nanik Suryo Haryani Any Zubaidah Hidayat Yenni Vetrita Sayidah Sulma Nur Febrianti Taufik Maulana Hana Listi Fitriana

PUSAT PEMANFAATAN PENGINDERAAN JAUH LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL Jl. Kalisari No. 8 Pekayon, Pasar Rebo, Jakarta 13710 Telp. (021) 8710065 Faks. (021) 8722733

iii

KATA PENGANTAR

Undang-undang No.21 tahun 2013 mengamanatkan kepada Lembaga

Penerbangan dan Antariksa Nasional (LAPAN) untuk menetapkan metode dan kualitas pengolahan data penginderaan jauh. Sehubungan dengan hal tersebut, maka dilakukan kegiatan penelitian, pengembangan dan perekayasaan (litbangyasa) pemanfaatan penginderaan jauh sebagai dasar dalam penentuan metode dan kualitas pengolahan data. Kegiatan litbangyasa tersebut tentunya tidak dilakukan dalam waktu setahun atau dua tahun sehingga metode dan kualitas data langsung ditetapkan, namun memerlukan proses dan waktu yang cukup panjang. Agar setiap kegiatan untuk menuju hal tersebut terdokumentasi dengan baik, maka disusunlah buku laporan setiap tahunnya.

Puji syukur kehadirat Allah SWT penyusunan buku hasil litbangyasa dengan judul Litbang Pemanfaatan Data Penginderaan Jauh untuk Pemantauan Lingkungan telah diselesaikan dengan baik. Buku ini disusun sebagai bukti pertanggungjawaban hasil kegiatan litbangyasa yang dibiayai oleh DIPA Pusat Pemanfaatan Penginderaan Jauh. Buku ini intinya terdiri dari 6 Bab yang memuat (1) Pendahuluan, (2) Tujuan dan Sasaran, (3) Tinjauan Pustaka, (4) Bahan dan Metode, (5) Hasil dan Pembahasan, dan (6) Kesimpulan dan Saran. Buku ini disertai dengan lampiran-lampiran yang mendukung hasil kegiatan tersebut.

Dalam penyusunan buku ini tentunya melibatkan tim litbangyasa yang bekerja selama tahun 2015, narasumber baik dari tim litbangyasa yang lain dan perguruan tinggi, dan juga pihak-pihak lain yang terkait. Masukan-masukan dan hasil-hasil diskusi memperkaya kegiatan ini sehingga mendapatkan hasil yang semakin baik. Kepada pihak-pihak terkait yang telah membantu kegiatan ini, saya selaku Kepala Pusat Pemanfaatan Penginderaan Jauh mengucapkan terima kasih yang sebesar-besarnya. Kepada tim litbangyasa yang telah melakukan kegiatan litbangyasa ini, selain buku ini diharapkan juga dipublikasikan hasil temuan-temuan yang sudah didapatkan dalam media yang lain seperti Jurnal,baik nasional maupun internasional.

Akhir kata, tak ada gading yang tak retak, buku ini tentunya tidak sempurna, namun ini akan menjadi dokumen yang penting dalam kegiatan penelitian dan pengembangan selanjutnya. Kritik dan saran terkait penyusunan buku ini dapat disampaikan langsung, baik secara lisan maupun tulisan. Hal ini akan dapat membantu agar penyusunan buku berikutnya menjadi lebih baik.

Jakarta, 14 Desember 2015 Kepala Pusat Pemanfaatan Penginderaan Jauh,

Dr. M. Rokhis Khomarudin

v

DAFTAR ISI

Halaman:

KATA PENGANTAR iii

DAFTAR ISI v

DAFTAR GAMBAR vi

DAFTAR TABEL vii

DAFTAR LAMPIRAN viii

I. PENDAHULUAN 1

1.1. Latar Belakang 1

1.2. Permasalahan 1

II. TUJUAN DAN SASARAN 2

2.1. Tujuan 2

2.2. Sasaran 2

III TINJAUAN PUSTAKA

3.1. Penelitian Terkait Ruang Terbuka Hijau 2

3.2. Penelitian Terkait Urban Heat Island (UHI) 3

3.3. State of the Art 4

IV. BAHAN DAN METODE 5

4.1. Bahan 5

4.2. Metodologi 6

V. HASIL DAN PEMBAHASAN

5.1. Perhitungan RTH Wilayah DKI Jakarta 10

5.2. Klasifikasi Tutupan Lahan dan RTH Menggunakan Kombinasi Indeks

13

5.3. Perhitungan Temperatur Permukaan dari Citra Landsat-8 15

VI. KESIMPULAN DAN SARAN

6.1. Kesimpulan 17

6.2. Saran 17

DAFTAR PUSTAKA 18

vi

DAFTAR GAMBAR

Halaman:

Gambar 3.1. Perbandingan tutupan vegetasi di wilayah Jakarta tahun 2007 dan 2013 (Febrianti, dkk., 2014)

2

Gambar 5.1. (a) Citra Pleiades wilayah Kembangan dan sekitarnya, Jakarta Barat (AOI-4)

(b) Hasil interpretasi visual citra Pleiades

10

Gambar 5.2. (a) Citra Pleiades wilayah Gambir dan sekitarnya, Jakarta Pusat (AOI-4).

(b) Hasil interpretasi visual citra Pleiades

10

Gambar 5.3. (a) Kelas RTH hasil interpretasi visual citra Pleiades

(b) RTH dari NDVI citra SPOT-6 (c) RTH dari NDVI citra Landsat-8

11

Gambar 5.4. Hasil overlay citra Landsat-8 dan Pleiades

12

Gambar 5.5. Tampilan citra untuk masing-masing indeks, NDVI, NDWI, NDBI dan NDBaI

13

Gambar 5.6. Tutupan lahan yang diperoleh dari kombinasi indeks

13

Gambar 5.7. (a) Tutupan lahan wilayah DKI Jakarta tahun 2013

(b) Tutupan lahan wilayah DKI Jakarta tahun 2014

15

Gambar 5.8. (a) Hasil perhitungan LST dari citra Landsat tanggal 25 Agustus 2013

(b) Hasil perhitungan LST dari citra Landsat tanggal 25 Agustus 2014

15

Gambar 5.9. Variasi temperatur hasil pengukuran di lapangan untuk berbagai jenis objek

16

Gambar 5.10. (a) Kondisi LST malam hari wilayah Jakarta (b) Kondisi LST siang hari wilayah Jakarta

16

vii

DAFTAR TABEL

Halaman:

Tabel 3.1 Penelitian yang telah dilakukan terkait RTH

3

Tabel 3.2. Penelitian yang telah dilakukan terkait UHI

4

Tabel 4.1 Resolusi spasial satelit yang digunakan dalam penelitian

5

Tabel 5.1. Perhitungan akurasi RTH untuk seluruh lokasi (AOI) dari citra Landsat-8 yang diverifikasi menggunakan citra Pleiades

12

Tabel 5.2. Perhitungan akurasi RTH untuk seluruh lokasi (AOI) dari citra SPOT-6 yang diverifikasi menggunakan citra Pleiades

12

Tabel 5.3. Perhitungan akurasi RTH untuk seluruh lokasi (AOI) dari citra Landsat-8 berdasarkan kombinasi indeks yang diverifikasi menggunakan citra Pleiades

14

Tabel 5.4. Perubahan tutupan lahan selama 2013-2014 di wilayah Jakarta

14

viii

DAFTAR LAMPIRAN

Halaman:

Lampiran 1 Accepted Paper The Accuracy of Green Space Based NDVI Landsat

8 and SPOT 6 Data in Jakarta City

20 Lampiran 2 Accepted Paper Klasifikasi Tutupan Lahan dan Ruang Terbuka Hijau

Menggunakan Kombinasi Indeks dari Data Landsat 8 (Studi Kasus: DKI Jakarta)

32 Lampiran 3 Survei Lapangan 43 Lampiran 4 Pertemuan Koordinasi 50

1

PELAKSANAAN KEGIATAN LITBANG PENGEMBANGAN DAN PEMANFAATAN DATA PENGINDERAAN JAUH UNTUK PEMANTAUAN

KONDISI LINGKUNGAN PERKOTAAN

Jalu Tejo Nugroho*), Hidayat, Any Zubaidah, Nanik Suryo Haryani, Sayidah Sulma, Yenni Vetrita, Nur Febrianti, dan Hana Listi Fitria

Pusat Pemanfaatan Penginderaan Jauh LAPAN

*)E-mail: [email protected]

I. PENDAHULUAN 1.1. Latar Belakang

Desakan penduduk yang hidup dan menggantungkan diri pada kehidupan di kota besar seperti DKI Jakarta, semakin hari semakin menekan pelestarian lingkungan hidup. Dampak yang muncul tidak hanya pada berkurangnya luasan tutupan vegetasi akibat perluasan pemukiman atau pembangunan infrastruktur kota yang semakin meningkat, melainkan juga menimbulkan lingkungan yang tidak nyaman, sumpek dan lebih panas. Salah satu strategi perkotaan untuk mengatasi ini adalah dengan memperluas wilayah ruang terbuka hijau (RTH) sebagai paru-paru kota, yang diharapkan dapat menyeimbangkan ekosistem yang semakin meningkat polusinya.

Dengan adanya UU baru tentang Penataan Ruang No. 26 tahun 2007, isu lingkungan hidup semakin ditekankan, salah satunya juga terkait dengan penyediaan RTH pada perencanaan ruang wilayah kota. Undang-undang tersebut mencantumkan bahwa setiap kota wajib mengalokasikan sedikitnya 30% dari ruang atau wilayahnya untuk RTH, dimana 20% diperuntukan bagi RTH publik yang merupakan ruang terbuka hijau yang dimiliki dan dikelola oleh pemerintah kota dan digunakan untuk kepentingan masyarakat secara umum, serta 10% diperuntukan bagi RTH private pada lahan-lahan yang dimiliki oleh swasta atau masyarakat.

Fungsi RTH bagi Kota Jakarta tidak hanya berfungsi sebagai estetika dan edukatif, melainkan juga perlindungan terhadap bencana (Handayani, 2008). Dalam Rencana Tata Ruang Wilayah telah diatur strategi pengelolaan sehingga dapat dirancang pula target maupun upaya yang dapat dilakukan untuk meningkatkan atau mempertahankan RTH.

Untuk mendukung upaya tersebut, peran teknologi penginderaan jauh yang secara spasial dapat membantu memetakan lokasi maupun analisis lebih lanjut, sangat memungkinkan untuk mewujudkan upaya tersebut.

1.2. Permasalahan

Penelitian ini penting dilakukan karena pada umumnya perhitungan RTH di Indonesia pada saat ini masih dilakukan dengan cara manual, melalui pengecekan dan pengukuran (ground check) di lapangan serta belum memanfaatkan data inderaja secara optimal. Di sisi lain, penelitian RTH berbasis inderaja yang telah dilakukan selama ini masih perlu dilakukan validasi, baik dari data lapangan maupun citra dengan resolusi spasial yang lebih tinggi untuk mengetahui tingkat akurasinya. Ketersediaan citra Pleiades dengan resolusi spasial 0,5 meter yang diperoleh dari

2

Bank Data Penginderaan Jauh Nasional (BDPJN) dapat dimanfaatkan untuk keperluan validasi tersebut.

Lebih jauh ketersediaan RTH ini akan mempengaruhi perubahan iklim mikro di wilayah perkotaan seperti naik turunnya suhu perkotaan. Menurut Oke (1973) peningkatan suhu permukaan atau atmosfir daerah perkotaan dibandingkan dengan daerah perdesaan disekitarnya digambarkan sebagai Urban Head Island (UHI). Fenomena UHI merupakan salah satu indikator untuk evaluasi kondisi lingkungan suatu perkotaan. Oleh karena itu pada penelitian ini akan dilakukan analisis perubahan lahan dalam hal ini RTH yang dikaitkan dengan fenomena panas perkotaan.

II. TUJUAN DAN SASARAN 2.1. Tujuan

Tujuan yang ingin dicapai dari kegiatan ini adalah: 1. Mengembangkan metode identifikasi dan validasi RTH dari data penginderaan

jauh, 2. Melakukan analisis temperatur perkotaan (UHI) terkait perubahan tutupan lahan 3. Menyusun bahan standar pedoman data penginderaan jauh untuk mendukung

program RTH.

2.2. Sasaran

Sasaran yang ingin dicapai dari kegiatan ini adalah: 1. Tersedianya metode identifikasi dan verifikasi RTH dari data penginderaan jauh, 2. Tersedianya informasi hubungan antara RTH dan UHI, 3. Tersedianya bahan standar pedoman data penginderaan jauh untuk

mendukung program RTH dan temperatur perkotaan.

III. TINJAUAN PUSTAKA 3.1. Penelitian Terkait Ruang Terbuka Hijau (RTH)

Terkait penelitian RTH di Lembaga Penerbangan dan Antariksa Nasional (LAPAN) khususnya di wilayah Jakarta, Febrianti, dkk. (2014). Dengan metode NDVI serta citra SPOT-6 dan Landsat-8 penulis memperoleh luasan RTH rencana detail tata ruang wilayah Jakarta. Gambar 1 menampilkan sebaran vegetasi dan non-vegetasi di wilayah Jakarta tahun 2007 dan 2013 yang dianalisis dari citra Landsat-8.

Diperoleh tutupan vegetasi 2007 DKI Jakarta diindikasi mencapai 33 467 Ha (29%) dan hanya tersisa 10 008 Ha (9%) di 2013. Hasil ini masih perlu dilengkapi dengan verifikasi di lapangan. Sebelumnya, Suwargana dan Susanto (2005) juga telah melakukan penelitian menggunakan metode klasifikasi visual dan digital dengan data Landsat-7 tahun 1983-2002. Mereka menyimpulkan adanya penurunan RTH serta peningkatan wilayah urban secara signifikan. Tabel 3.1 meringkas hasil penelitian yang telah dilakukan terkait RTH di wilayah Jakarta oleh LAPAN.

3

Gambar 3.1. Perbandingan tutupan vegetasi di wilayah Jakarta tahun 2007 dan 2013 (Febrianti, dkk., 2014)

Tabel 3.1. Penelitian yang telah dilakukan terkait RTH

No Topik Metode Data Hasil

1. Deteksi RTH di Jakarta 1983-2002 (Suwargana dan Susanto)

Klasifikasi visual dan digital

Landsat-7 Penurunan RTH serta kenaikan urban yang signifikan

2. Analisis RTH di Jakarta (Febrianti N., dkk., 2014)

NDVI SPOT-6 Luasan RTH Rencana Detil Tata Ruang wilayah Jakarta

3. Analisis RTH di Jakarta 2007-2013 (Febrianti N. dan Sofan P., 2014)

NDVI Landsat-8 Penurunan RTH di wilayah Jakarta

3.2. Penelitian Terkait Urban Heat Island (UHI)

Kajian pemanfaatan penginderaan jauh (inderaja) untuk pemantauan UHI telah dilakukan oleh Prasasti, dkk., (2014). Hasil kajian menunjukkan bahwa berbagai citra satelit inderaja serta metode dapat diaplikasikan untuk identifikasi UHI. Sebelumnya Khomaruddin (2004) juga telah melakukan kajian temperatur kecerahan (temperature brightness) dan UHI dengan satelit inderaja.

Selain indeks vegetasi NDVI, dari berbagai literatur juga telah diketahui bahwa beberapa indeks inderaja dapat digunakan untuk analisis RTH dan UHI. Xiao-Ling Chen, et. al (2006) menyatakan bahwa citra penginderaan jauh ideal untuk menganalisis UHI. Selain NDVI penulis menggunakan indeks NDWI (Normalized Difference Water Index), NDBI (Normalize Difference Build-up Index) dan NDBaI (Normalized Difference Bare Index) untuk identifikasi perubahan tutupan lahan di

wilayah China. Dari kombinasi indeks tersebut diperoleh akurasi mencapai lebih dari 90%.

4

Melalui analisis UHI dan tutupan vegetasi menggunakan indeks NDVI dan NDWI di wilayah Srilanka, Senanayake, et. al (2013) dapat menentukan tingkat kekritisan lingkungan. Data yang digunakan adalah data Landsat 7 dan Landsat ETM. Ekstraksi citra Pleiades menggunakan indeks NDVI dan TGDVI (Three Band Gradient Difference Vegetation Index) untuk juga telah dilakukan oleh M´ elanie Durupt, et al. untuk identifikasi di daerah urban. Tabel 3.2 meringkas penelitian terkait UHI dengan menggunakan berbagai metode analisis.

Tabel 3.2. Penelitian yang telah dilakukan terkait UHI

No Topik Metode Data Hasil

1. Kajian UHI dengan satelit inderaja (Khomaruddin, 2004)

Temperature brightness

Landsat, NOAA Deteksi UHI

2. Kajian pemanfaatan inderaja untuk pemantauan UHI

(Prasasti I., dkk., 2014)

LST, NDVI, NDBI, dan persen ISA

NOAA, MODIS, Landsat,ASTER

UHI dapat dianalisis menggunakan parameter yang diturunkan data inderaja

3. UHI - Land use/cover changes based remote sensing (Xiao-Ling Chen, et al)

NDVI, NDWI, NDBI dan NDBai

Landsat-5, Landsat-7 tahun 1990-2000

citra penginderaan jauh ideal untuk menganalisis UHI, pemilihan citra yang tepat

4. Urban heat Island - Vegetation Cover based remote sensing (Senanayake, et al)

ECI, NDVI, NDWI

Landsat-7 ETM+

Tingkat kekritisan lingkungan

5. Evaluation Of Pleiades System 3D City Models Production : Building, Vegetation And Extraction (M´ elanie Durupt, et al)

NDVI, TGDVI

Pleiades NDVI, TGDVI dapat digunakan untuk ekstraksi citra Pleiades

3.3. State of the Art

Sampai dengan tahun 2013 LAPAN telah melakukan penelitian terkait RTH menggunakan metode klasifikasi visual dan digital dengan Landsat-7. Diperoleh perubahan tutupan lahan tahun 1983-2002 wilayah Jakarta. Kajian UHI, termasuk di dalamnya temperatur kecerahan juga telah dikaji menggunakan citra Landsat dan MODIS.

Di tahun 2014 penelitian terkait RTH dilanjutkan dengan penggunaan metode NDVI citra Landsat-8 dan SPOT-6 untuk menghitung luasan RTH di wilayah Jakarta. Diperoleh sebaran vegetasi, perubahan tutupan lahan selama tahun 2007-2013. Pemanfaatan data inderaja untuk pemantauan UHI wilayah Jakarta

State of the art penelitian ini adalah bahwa hasil penelitian sebelumnya, yaitu

perhitungan RTH dari NDVI citra Landsat-8 serta SPOT-6 perlu diverifikasi. Verifikasi yang akan dilakukan pada penelitian ini adalah dengan menggunakan citra dengan

5

resolusi spasial yang lebih tinggi, yaitu citra Pleiades dengan resolusi spasial mencapai 0,5 meter.

Selain vegetasi, lahan terbuka juga dapat diklasifikan sebagai RTH. Hal ini menjadikan perlu digunakan indeks selain dari NDVI untuk identifikasi RTH, yaitu indeks NDBaI. Untuk keperluan klasifikasi tutupan lahan, kelas lahan terbangun serta badan air, diperlukan penggunaan indeks masing-masing NDBI serta NDWI.

Untuk data resolusi tinggi, metode analisis citra berbasis objek (OBIA) seringkali dianggap lebih efektif karena dapat mengurangi faktor gangguan ‘salt and pepper’, yaitu bercak warna pada citra yang muncul saat interpretasi berbasis piksel akibat adanya efek bayangan atau perekaman sinar matahari membuat objek yang sama menjadi berbeda karena nilai spektralnya berbeda. Kajian OBIA penting dilakukan terkait dengan penelitian lanjutan tentang aplikasinya dalam identifikasi RTH menggunakan citra resolusi tinggi.

Dengan adanya sensor thermal citra Landsat-8 memungkinkan untuk dilakukannya perhitungan temperatur permukaan. Hasil perhitungan temperature permukaan yang diperoleh dari ekstraksi citra Landsat-8 selanjutnya dapat diverifikasi dengan pengukuran di lapangan untuk mengetahui tingkat akurasinya.

Petunjuk teknis, bahan standar pedoman terkait pengolahan data serta metode analisis perlu disusun sebagai acuan dalam perhitungan RTH serta temperatur permukaan (UHI). IV. BAHAN DAN METODE 4.1. Bahan

Data citra yang digunakan terdiri dari data satelit Landsat-8 sensor OLI dan TIRS Level 1T path/raw 122/064 tahun 2013, 2014, dan 2015. Citra SPOT-6 tahun 2013 dan 2014, Pleiades tahun 2012 dan 2013 serta MODIS tahun 2015. Lokasi penelitian yang dipilih adalah wilayah DKI Jakarta. Tabel 4.1 meringkas informasi resolusi spasial dari satelit-satelit tersebut.

Tabel 4.1. Resolusi spasial satelit yang digunakan dalam penelitian

No. Satelit Resolusi Spasial

1. Pleiades Multispektral 2 m Pankromatik 0,5 m

2. SPOT-6 Multispektral 6 m Pankromatik 1,5 m

3. Landsat-8 Multispektral 30 m Pankromatik 15 m

4. MODIS Band 1-2: 250 m Band 3-7: 500 m Band 8-36: 1000 m

6

4.2. Metodologi

Klasifikasi citra merupakan suatu proses penyusunan, pengurutan atau pengelompokan semua piksel yang terdapat dalam band citra yang bersangkutan ke dalam beberapa kelas berdasarkan suatu kriteria ata kategori objek sehingga menghasilkan informasi dalam bentuk raster. Ada beberapa macam metode untuk klasifikasi citra inderaja, yaitu metode berbasis piksel dan metode berbasis objek. Metode berbasis piksel mengelompokkan suatu informasi berdasarkan satu aspek saja, yaitu nilai spectral pada tiap-tiap piksel sedangkan metode klasifikasi berbasis objek mengelompokkan informasi berdasarkan beberapa aspek, seperti skala, warna dan bentuk.

4.2.1. Metode Klasifikasi Berbasis Indeks

Metode klasifikasi berbasis indeks merupakan klasifikasi citra berbasis piksel dengan klasifikasi terbimbing. Untuk klasifikasi tutupan lahan pada data Landsat 8 digunakan indeks NDVI, NDWI, NDBI dan NDBaI. Rumus perhitungan NDVI secara matematik ditulis sebagai berikut (NASA, 2015):

NDVI = ρNIR-ρRED/ρNIR+ρRED .......................................................... (4.1) Rumus untuk NDWI adalah sebagai berikut (Gao, 1996; Chen at al. 2006):

NDWI = ρNIR-ρSWIR/ρNIR+ρSWIR ………………..…………………… (4.2) Rumus untuk NDBI adalah sebagai berikut (Zha et al. 2003; Xu 2007):

NDBI = ρSWIR-ρNIR/ρSWIR+ρNIR ....................................................... (4.3) Rumus untuk NDBaI adalah sebagai berikut (Zhao & Chen, 2005; Chen et al. 2006):

NDBaI = dSWIR-dTIR/dSWIR+dTIR ........................................................ (4.4) dimana, ρNIR, ρRED, ρSWIR adalah reflektansi band inframerah dekat, band sinar tampak merah dan inframerah pendek, sedangkan dSWIR dan dTIR adalah nilai digital band inframerah pendek dan band inframerah termal.

Citra indeks tersebut digunakan untuk klasifikasi vegetasi, badan air, bangunan dan tanah terbuka dengan penerapan threshold nilai indeks. Untuk penentuan threshold atau rule set yang akan digunakan, tahap awal dilakukan perhitungan indeks pada data Landsat-8 tanggal 25 Agustus 2013 karena berdekatan waktunya dengan data Pleiades yaitu tanggal 12 Juli 2013, sehingga mudah untuk verifikasi dan diasumsikan belum ada perubahan tutupan lahan. Selanjutnya membuat training area/sample pada masing-masing citra indeks tersebut, yang mewakili kelas tutupan lahan vegetasi, badan air, bangunan dan tanah terbuka. Penentuan training area dilakukan dengan referensi citra Pleiades untuk mendapatkan kelas tutupan lahan yang homogen pada setiap piksel citra indeks dari Landsat-8. Berdasarkan training area kemudian dihitung kisaran dan rata-rata nilai setiap indeks yaitu indeks NDVI, NDWI, NDBI dan NDBaI untuk masing-masing kelas. Untuk mendapatkan kelas RTH dilakukan reklasifikasi dari keempat kelas menjadi kelas RTH dan bukan RTH, dimana RTH meliputi daerah bervegetasi dan tanah terbuka.

Untuk verifikasi RTH dari kombinasi indeks citra Landsat 8, digunakan data Pleiades sebagai referensi. Tahap awal dilakukan interpretasi visual dan delineasi data Pleiades untuk mengkelaskan daerah RTH dan bukan RTH. Perhitungan

7

akurasi dilakukan dengan menumpangsusunkan kelas RTH dari Landsat 8 dengan hasil klasifikasi RTH dari data Pleiades menggunakan proses union, kemudian dikelaskan daerah yang beririsan (corrected), daerah yang masuk kelas lain (omission) dan daerah tambahan dari kelas lain (commission). Kemudian akurasi

hasil klasifikasi RTH berdasarkan kombinasi indeks citra Landsat-8 dihitung menggunakan metode uji ketelitian klasifikasi confusion matrix yang mengacu pada Short (1982) dalam Purwanto (2014) dengan rumus sebagai berikut:

Akurasi (%) = Corrected / (Omission+Comission+Corrected) x 100% ......... (4.5)

4.2.2. Metode Klasifikasi Analisis Citra Berbasis Objek (Object Based Image Analysis) Metode klasifikasi citra berbasis objek atau kadang disebut dengan

segmentasi pada dasarnya adalah klasifikasi citra berdasarkan informasi dari beberapa kumpulan piksel yang sama yang disebut dengan segmen atau objek. Unit terkecil pada metode ini bukan lagi berupa piksel melainkan objek. Proses segmentasi akan membagi citra menjadi beberapa segmen-segmen area yang memiliki sifat yang sama. Teknik segmentasi citra pada umumnya melibatkan satu dari dua proses berikut: (1) region merging, yaitu menggabungkan area-area berdasarkan syarat-syarat homogenitas tertentu, (2) pemisahan objek-objek citra dengan melihat nilai piksel-piksel yang berdekatan untuk mengetahui gradien nilai digital numbernya. Segmentasi dapat didasarkan pada beberapa kriteria, seperti skala, warna dan bentuk.

Objek-objek citra yang sebelumnya dibangun pada tahap segmentasi kemudian diklasifikasi berdasarkan informasi yang dimiliki oleh tiap-tiap objek citra itu sendiri baik itu berupa informasi bentuk, topologi, nilai-nilai statistik dan atau level hirarki. Parameter-parameter ini dijadikan masukan untuk membangun sebuah ruleset yang bisa berupa threshold tertentu, ataupun fuzzy ruleset yang selanjutnya

digunakan untuk membangun fitur-fitur morfologi diinginkan. Sebelum melakukan proses segmentasi dan klasifikasi, terlebih dahulu

dilakukan pemrosesan berupa pembuatan beberapa layer indeks yang akan digunakan dalam tahap segmentasi dan atau klasifikasi. Beberapa layer tambahan tersebut antara lain adalah layer NDVI, NDWI, dan MSAVI. MSAVI (Qi et al., 1994) terbukti mampu memberikan hasil yang lebih baik dalam membedakan struktur kanopi yang berbeda pada kondisi tanah yang berbeda. MSAVI didefinisikan sebagai:

................................................... (4.6)

Segmentasi dilakukan dengan menggunakan algoritma “multiresolution segmentation” di dalam lingkungan perangkat lunak Trimble® eCognition Developer 8.7. Proses segmentasi ini akan menghasilkan objek-objek primitif yang nantinya digunakan dalam tahap klasifikasi. Tahap klasifikasi dengan algoritma SVM termasuk ke dalam jenis klasifikasi citra terselia (supervised classification). Setelah

8

kelas-kelas penutup lahan ditentukan sebelumnya, langkah selanjutnya adalah pengambilan training sampel untuk tiap kelas penutup lahan. Salah satu kelebihan algoritma SVM adalah bahwa algoritma ini hanya membutuhkan jumlah sampel yang kecil tapi mampu memberikan hasil yang sangat baik (Tzotsos dan Argialas, 2008; Foody dan Mathur, 2006).

Klasifikasi objek-objek hasil segmentasi dilakukan dengan menggunakan algoritma SVM. Tahap pertama adalah menentukan kelas-kelas penutup lahan yang akan dihasilkan, yakni kelas “vegetasi”, “non vegetasi”, dan “tubuh air”. SVM pada dasarnya memisahkan objek-objek dengan kelas yang berbeda ke dalam sebuah bidang “hyperplane” (Karatzoglou dan Meyer 2006; Kavzoglu dan Colkesen, 2009)

agar SVM mampu memberikan hasil klasifikasi yang lebih akurat. Uji akurasi yang dilakukan adalah uji akurasi berbasis area dan similarity

measurement, dengan metode yang dideskripsikan oleh Whiteside et al. (2014). Metode ini menggunakan buffer lingkaran dengan radius 100 meter untuk 20 titik yang ditentukan secara acak (random), yang untuk selanjutnya disebut sebagai sampel. Sampel-sampel poligon ini kemudian digunakan sebagai acuan untuk memotong hasil klasifikasi OBIA dan data referensi hasil interpretasi visual.

4.2.3. Metode Split Windows Algorithm

Estimasi suhu permukaan dengan menggunakan citra satelit memanfaatkan konsep emisi gelombang elektromagnetik suatu objek yang memiliki suhu permukaan berbeda untuk tiap-tiap objek. Variasi suhu yang diperoleh melalui emisi dari panjang gelombang elektromagnetik pada citra satelit antara lain disebabkan oleh tekstur permukaan serta jenis penutupan lahan, misalnya vegetasi. Untuk mengekstraksi nilai temperatur objek dari kanal thermal citra satelit diperlukan langkah konversi temperatur Konversi ini bertujuan untuk mengeliminasi pengaruh atmosfer, mengingat objek sebenarnya ada di permukaan tanah sedangkan sensor berada di luar angkasa.

Dari data satelit akan diperoleh nilai suhu kecerahan (temperature brightness atau disingkat Tb) dan kemudian dilakukan pengkoreksian dengan faktor emisivitas masing masing jenis penutupan lahan untuk mendapatkan nilai suhu permukaan (Land Surface Temperature, atau disingkat LST). LST dapat dihitung menggunakan algoritma matematika yang dikenal dengan algoritma Split-Windows Algorithm

(SWA). Algoritma ini menggunakan temperature kecerahan dari dua kanal thermal TIR, nilai rata-rata dan perbedaan emisivitas permukaan untuk mengestimasi LST suatu area. SWA merupakan salah satu metode yang sering digunakan dalam estimasi suhu permukaan. Metode ini didasarkan pada sifat transmitansi atmosfer yang berbeda pada jarak spektral dekat infra merah.

Variabel yang digunakan dalam metode SWA ini adalah emisivitas, transmisi atmosferik, suhu kecerahan band 10 dan band 11 (pada Landsat-8). Emisivitas setiap objek berbeda-beda dan ini dapat diperoleh dari tutupan lahan wilayah kajian. Transmisi atmosferik diperoleh dari konversi nilai uap air yang diekstraksi dari citra MODIS. Suhu kecerahan band 10 dan band 11 dapat diturunkan dari persamaan yang dibuat oleh USGS.

Nilai digital number (DN) pada citra Landsat selanjutnya dikonversi menjadi nilai radiansi pada atmosfer atas (top of atmosphere atau disingkat TOA) menggunakan tools bandmath sesuai persamaan:

9

............................................................................. (4.7)

Keterangan

= TOA radiance (nilai pancaran)

= Band-specific multiplicative rescaling factor (ada di metadata)

= Band-specific additive rescaling factor (ada di metadata)

= DN pada setiap piksel dalam band citra Landsat

Metadata citra Landsat tersedia saat kita mengunduh citra tersebut, berupa file .txt yang namanya persis dengan nama citra hasil unduhan. Selanjutnya nilai radiansi tersebut diubah menjadi Tb menggunakan tools bandmath sesuai persamaan:

................................................................... (4.8)

Keterangan:

= suhu kecerahan

= TOA radians

= konstanta termal band 10 atau 11 (ada di metadata)

= konstanta termal band 10 atau 11 (ada di metadata)

Akhirnya suhu permukaan dihitung dengan bandmath sesuai persamaan dibawah ini secara urut:

a. C10 =

b. C11 =

c. D10 =

d. D11 =

e. E0 = D11*C10 – D10*C11 (merujuk pada citra hasil perhitungan langkah a – d)

f. E1= D11*(1-C10-D10)/E0 (merujuk pada citra hasil perhitungan langkah a – e)

g. E2= D10*(1-C11-D11)/E0 (merujuk pada citra hasil perhitungan langkah a – e)

h. A= D10/E0 (merujuk pada citra hasil perhitungan langkah c dan e)

i. A0= E1*a10+E2*a11 (merujuk pada citra hasil perhitungan langkah f – g)

j. A1= 1+A+E1*b10 (merujuk pada citra hasil perhitungan langkah f dan h)

k. A2=A+E2*b11 (merujuk pada citra hasil perhitungan langkah g dan h)

LST dapat ditentukan menggunakan persamaan:

LST = A0+A1*T10-A2*T11 ........……………………………...…...........……… (4.9)

Keterangan: Ts = suhu permukaan (K)

10

A0 = hasil perhitungan langkah i A1 = hasil perhitungan langkah j A2 = hasil perhitungan langkah k T10 = suhu kecerahan band 10 T11 = suhu kecerahan band 11

V. HASIL DAN PEMBAHASAN 5.1. Perhitungan Ruang Terbuka Hijau (RTH) Wilayah DKI Jakarta

Telah dilakukan proses interpretasi visual citra Pleiades terhadap enam area of interest (AOI) di wilayah Jakarta. Interpretasi visual citra Pleaides ini dilakukan untuk memverifikasi akurasi RTH yang diperoleh dari NDVI Landsat-8 dan SPOT-6. Dua hasil interpretasi visual ditampilkan pada Gambar 5.1.a sampai dengan Gambar 5.2.b. Gambar 5.1.a menampilkan citra Pleiades wilayah Kembangan dan sekitarnya, Jakarta Barat (AOI-4) dan Gambar 5.1.b merupakan hasil interpretasi visual untuk wilayah tersebut. Gambar 5.2.a dan Gambar 5.2.b menampilkan hasil yang sama untuk wilayah Gambir dan sekitarnya, Jakarta Pusat (AOI 1).

a b

Gambar 5.1. (a) Citra Pleiades wilayah Kembangan dan sekitarnya, Jakarta Barat (AOI-4). (b) Hasil interpretasi visual citra Pleiades untuk wilayah tersebut

a b

Gambar 5.2. (a) Citra Pleiades wilayah Gambir dan sekitarnya, Jakarta Pusat (AOI-4). (b) Hasil interpretasi visual citra Pleiades untuk wilayah tersebut

11

Dari interpretasi visual citra Pleiades tersebut ada beberapa titik lokasi yang dianggap perlu untuk dilakukan verifikasi lebih lanjut melalui pengecekan langsung di lapangan. Pengecekan di lapangan dianggap perlu karena proses interpretasi/dijitasi obyek di titik tersebut kurang jelas sehingga perlu dipastikan apakah wilayah tersebut sesuai dengan kriteria. Dari hasil survei lapangan secara umum dapat dikatakan bahwa hasil interpretasi visual telah sesuai dengan kondisi di lapangan, namun di beberapa lokasi telah terjadi adanya perubahan tutupan lahan.

Gambar 5.3.a, Gambar 5.3.b dan Gambar 5.3.c berturut-turut menunjukkan perbandingan wilayah/kelas RTH yang diperoleh dari interpretasi visual citra Pleiades (12 Juli 2013), NDVI citra SPOT-6 (27 Agustus 2013) dan NDVI citra Landsat-8 (25 Agustus 2013). Threshold NDVI untuk citra SPOT-6 dan Landsat-8 masing-masing 0,33 dan 0,34.

a b c

Gambar 5.3. (a)Kelas RTH hasil interpretasi visual citra Pleiades. (b) adalah RTH dari NDVI citra SPOT-6. (c) adalah RTH dari NDVI citra Landsat-8

Perhitungan akurasi dilakukan dengan menumpangsusunkan kelas RTH dari

NDVI Landsat-8 atau SPOT-6 dengan hasil klasifikasi RTH dari data Pleiades menggunakan proses union, kemudian dikelaskan daerah yang beririsan (corrected), daerah yang masuk kelas lain (omission) dan daerah tambahan dari kelas lain (commission) menggunakan persamaan (4.5).

Gambar 5.4 menunjukkan hasil overlay citra Pleiades dan Landsat-8 hasil

perhitungan akurasi RTH. Warna hijau (Cor) menunjukkan area RTH yang sesuai, warna merah (Om) menunjukkan area RTH yang muncul di citra Pleiades namun tidak muncul di citra Landsat-8, sementara area berwarna biru merupakan kebalikannya (Com).

Hasil akurasi RTH dari NDVI Landsat-8 (threshold 0.34) dengan referensi citra Pleiades untuk semua AOI adalah 80.42% sementara hasil akurasi RTH dari NDVI SPOT 6 (threshold 0.33) dengan referensi citra Pleiades untuk semua AOI adalah

85.78%. Tabel 5.1 meringkas hasil perhitungan akurasi RTH yang diperoleh dari citra Landsat-8 dan telah diverifikasi menggunakan citra Pleiades untuk keseluruhan lokasi. Dari tabel tersebut dapat dilihat bahwa akurasi yang diperoleh untuk masing-masing AOI mencapai lebih dari 75%. Hasil perhitungan akurasi RTH yang diperoleh dari citra SPOT-6 untuk masing-masing lokasi ditampilkan pada Tabel 5.2.

12

Gambar 5.4. Hasil overlay citra Landsat-8 dan Pleiades

Tabel 5.1. Perhitungan akurasi RTH untuk seluruh lokasi (AOI) dari citra Landsat-8 yang diverifikasi menggunakan citra Pleiades

Lokasi Hasil Analisis (Luas dalam m2) % Accuracy

Corrected Commission Omission

AOI 1 865702 10002 124200 86,58

AOI 2 3066607 367875 496935 78

AOI 4 773723 46185 130244 81,43

AOI 5 783117 78037 134656 78,64

AOI 6 1226285 121657 205368 78,95

AOI 7 718260 86975 105079 78,9

Total 7433694 710731 1196482 80,42

Tabel 5.2. Perhitungan akurasi RTH untuk seluruh lokasi (AOI) dari citra SPOT-6 yang diverifikasi menggunakan citra Pleiades



AOI 1 890,212 5,263 104,428 89,03

AOI 2 3,340,361 124,742 466,262 84,97

AOI 4 814,807 16,268 119,077 85,78

AOI 5 840,743 24,541 130,526 84,43

AOI 6 1,319,357 30,341 222,668 83,91

AOI 7 788,280 28,749 93,285 86,59

Total 7,993,760 229,904 1,136,246 85,78

13

5.2. Klasifikasi Tutupan Lahan dan RTH Menggunakan Kombinasi Indeks: NDVI, NDWI, NDBaI dan NDBI

Wilayah yang diklasifikasikan sebagai RTH tidak hanya daerah bervegetasi namun juga lahan terbuka yang masih berpotensi ditumbuhi vegetasi. Sehingga perlu dilakukan klasifikasi tutupan lahan serta RTH dan non RTH menggunakan kombinasi indeks selain NDVI, yaitu NDWI untuk identifikasi badan air, NDBI untuk identifikasi lahan terbangun dan NDBaI untuk identifikasi lahan bera atau terbuka. Dari keempat kelas tersebut selanjutnya dilakukan direklasifikasi menjadi kelas RTH dan bukan RTH, dimana RTH meliputi daerah bervegetasi dan tanah terbuka sementara non RTH meliputi kelas badan air serta lahan terbangun. Gambar 5.5 menunjukkan citra untuk masing-masing indeks sedangkan Gambar 5.6 merupakan tutupan lahan yang diperoleh dari kombinasi indeks tersebut.

Gambar 5.5. Tampilan citra untuk masing-masing indeks, NDVI, NDWI, NDBI dan NDBaI

Gambar 5.6. Tutupan lahan yang diperoleh dari kombinasi indeks

14

Hasil perhitungan akurasi RTH citra Landsat-8 berdasarkan kombinasi indeks: NDVI, NDWI, NDBI dan NDBaI dengan referensi Citra Pleiades untuk semua AOI adalah 80.90%. Tabel 5.3 meringkas hasil akurasi untuk seluruh lokasi yang diperoleh dari citra Landsat-8.

Tabel 5.3. Perhitungan akurasi RTH untuk seluruh lokasi (AOI) dari citra Landsat-8 berdasarkan kombinasi indeks yang diverifikasi menggunakan citra Pleiades



AOI 1 886288 17623 95992 88,64

AOI 2 3125087 428482 450223 78,05

AOI 4 780435 63710 106007 82,14

AOI 5 780130 103194 112486 78,34

AOI 6 1229161 155713 168436 79,13

AOI 7 720039 110752 79523 79,10

Total 1253523 146579 168777 80,90

Dari Tabel 5.1, Tabel 5.2 dan Tabel 5.3 diketahui perbandingan perhitungan akurasi RTH yang diperoleh melalui metode NDVI citra Landsat-8, SPOT-6 dengan perhitungan akurasi RTH yang diperoleh melalui kombinasi indeks NDVI, NDWI, NDBI dan NDBaI citra Landsat-8 yang seluruhnya telah diverifikasi menggunakan citra Pleiades, masing-masing sebesar 80,42%, 85,78% dan 80,9%. Untuk studi kasus di wilayah Jakarta, perhitungan akurasi RTH menggunakan kombinasi indeks tidak meningkatkan akurasi secara signifikan bila dibandingkan dengan satu indeks (NDVI) saja. Hal ini disebabkan perubahan kelas RTH lahan terbuka tahun selama tahun 2013-2014 relatif kecil, yaitu sebesar 18,7 km2 sehingga luasan RTH lebih banyak ditentukan oleh kelas vegetasi dengan penurunannya sekitar 53,42 km2. Tabel 5.4 meringkas perubahan tutupan lahan masing-masing untuk kelas vegetasi, lahan terbangun, tanah terbuka dan air selama tahun 2013-2014. Perbandingan perubahan tutupan lahan di wilayah Jakarta yang diperoleh dari kombinasi indeks pada tahun 2013 dan tahun 2014 ditampilkan pada Gambar 5.7.a dan Gambar 5.7.b.

Tabel 5.4. Perubahan tutupan lahan selama 2013-2014 di wilayah Jakarta

Kelas Tutupan Lahan Luas (km2)

2013 2014

Perubahan

Vegetasi 166,24 112,82 -53,42

Tanah terbuka 12,25 30,95 18,7

Lahan terbangun 442,84 474,79 31,95

Air 20,13 22,89 2,76

15

a b

Gambar 5.7. (a)Tutupan lahan wilayah DKI Jakarta tahun 2013. (b) Tutupan lahan wilayah DKI Jakarta tahun 2014

5.3. Perhitungan Temperatur Permukaan (LST) dari Citra Landsat-8

Hasil perhitungan LST dari data Landsat-8 tanggal 25 Agustus 2013 dan 13 September 2014 dapat dilihat pada Gambar IV.8.a dan Gambar IV.8.b. Secara umum pada kedua waktu tersebut memiliki pola temperatur permukaan yang sama, namun pada tahun 2014 suhu permukaan terlihat lebih panas dibandingkan tahun 2013. Hasil yang diperoleh ini masih memerlukan data pendukung serta analisis lebih lanjut.

a b

Gambar 5.8. (a) Hasil perhitungan LST dari citra Landsat tanggal 25 Agustus 2013. (b) Hasil perhitungan LST dari citra Landsat tanggal 25 Agustus 2014

16

Dari pengukuran di lapangan untuk tiga lokasi yang berbeda di wilayah Jakarta, pada Gambar 5.9 ditunjukkan variasi temperatur untuk berbagai jenis objek, seperti tanah, aspal, pohon, air dan rumput/semak. Pengukuran dilakukan pada tiga waktu yang berbeda, yaitu sekitar pukul 10.00, 13.00 dan 22.00.

Gambar 5.9. Variasi temperatur hasil pengukuran di lapangan untuk berbagai jenis objek

a b

Gambar 5.10. (a) Kondisi LST malam hari wilayah Jakarta (MODIS, 19 Juni 2015) (b) Kondisi LST siang hari wilayah Jakarta (MODIS, 21 Juni 2015)

Selanjutnya pengukuran temperatur di lapangan dapat digunakan untuk memverifikasi temperatur permukaan yang diekstraksi dari citra satelit yang digunakan(Landsat-8). Gambar 5.10.a menunjukkan kondisi LST malam hari di

17

wilayah Jakarta sedangkan Gambar 5.10.b menunjukkan LST pada siang hari untuk wilayah yang sama yang diekstrak dari citra MODIS masing-masing pada tanggal 19 Juni 2015 dan 21 Juni 2015.

Jika membandingkan kondisi siang dan malam menggunakan data Terra MODIS, dapat dilihat ada sedikit perbedaan pola UHI, dimana pada siang hari UHI lebih menyebar di hampir seluruh Jakarta, sedangkan pada malam hari UHI cenderung di wilayah pusat hingga timur. Hal ini dimungkin aktivitas industri yang banyak di kawasan timur Jakarta juga mempengaruhi temperatur di malam hari.

VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan

Diperoleh perhitungan akurasi RTH dari NDVI citra Landsat-8 dan SPOT-6 yang telah diverifikasi menggunakan citra Pleiades masing-masing sebesar 80.42% dan 85.78%. Untuk perhitungan menggunakan kombinasi indeks NDVI, NDWI, NDBI dan NDBaI citra Landsat-8 diperoleh akurasi sebesar 80,9%. Peningkatan akurasi RTH denga kombinasi indeks untuk kasus di wilayah DKI Jakarta tidak signifikan, namun kombinasi indeks sangat penting dalam pembuatan klasifikasi tutupan lahan serta perubahannya, mengingat RTH tidak hanya diidentifikasi dari kelas vegetasi saja melainkan juga dari kelas tanah terbuka.

Diperlukan penelitian lanjutan dengan wilayah kajian yang berbeda untuk mengetahui serta membandingkan tingkat akurasi yang diperoleh. Penggunaan kombinasi indeks diperlukan dalam perhitungan RTH serta tutupan lahan khususnya mengingat klasifikasi RTH tidak terbatas pada vegetasi saja namun juga tanah terbuka.

6.2. Saran

Diperlukan penelitian lanjutan terkait RTH dan UHI dengan melakukan riset yang mengambil lokasi suburban, seperti Bogor, Karawang serta berbagai wilayah urban sebagai perbandingan. Selain itu juga perlu dilakukan penelitian lanjutan mengenai efektivitas penggunaan kombinasi indeks dalam perhitungan akurasi RTH serta klasifikasi tutupan lahan untuk berbagai wilayah dengan variasi perubahan tutupan lahan yang berbeda. Penelitian lanjutan juga diperlukan dalam aplikasi metode OBIA (Object Based Image Analysis), khususnya untuk identifikasi RTH.

DAFTAR PUSTAKA

Chen, Z. M., Babiker, I. S., Chen, Z. X, Komaki, K., Mohamed, M. A. A., & Kato, K. 2004. Estimation of interannual variation in productivity of global vegetation using NDVI data. International Journal of Remote Sensing, 25 (16), 3139−3150.

Chen, X.L., Zhao, H.M., Li, P.X., and Yin, Z.Y. 2006. Remote Sensing Image-based Analysis of the Relationship Between Urban Heat Island and Land use/cover changes. Remote Sensing of Environment 104, 133-146.

Departemen Pekerjaan Umum. 2008. Peraturan Meneteri Pekerjaan Umum Nomor: 05/PRT/M/2008 tentang Pedoman Penyediaan dan Pemanfaatan Ruang Terbuka Hijau di Kawasan Perkotaan. Jakarta.

Durupt, M., Flamanc, D., Le Bris, A., Iovan, C., dan Champion, N. 2006. EVALUATION OF THE POTENTIAL OF PLEAIDES SYSTEM FOR 3D CITY MODELS PRODUCTION: BUILDING, VEGETATION AND DTM EXTRACTION.

18

International Society for Photogrammetry and Remote Sensing, Volume XXXVI Part 1.

Febrianti, N dan Parwati,S. 2014. Ruang Terbuka Hijau di DKI Jakarta Berdasarkan Analisis Spasial dan Spektral Data Landsat 8. Prosiding Seminar Nasional

Penginderaan Jauh, Bogor. Febrianti, N, Pasaribu, J.M, Sulma, S. 2015. Analisis Ruang Terbuka Hijau di DKI

Jakarta Menggunakan Data SPOT 6. Prosiding PIT MAPIN, Bogor. Foody, G.M., Mathur, A., 2006. The use of small training sets containing mixed pixels

for accurate hard image classification: Training on mixed spectral responses for classification by a SVM. Remote Sensing of Environment, 103, pp 179-189

Gao, B. 1996. NDWI- A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water From Space. Remote Sensing Environment. 58: 257-266.

Karatzoglou, A., Meyer, D., 2006. Support Vector Machines in R. Journal of

Statistical Software, 15, pp 1-28 Khomarudin M. R. 2004. Mendeteksi Pulau Panas (Heat Island) dengan Data Satelit

Penginderaan Jauh.Warta LAPAN, Vol.6 No.2 Desembe, pp.74-81 Molidena, E., As-syakur, A.R. 2012. Karakteristik Pola Spektral Vegetasi Hutan dan

Tanaman Industri berdasarkan Data Penginderaan Jauh. Prosiding PIT MAPIN XIX, Makassar.

NASA. 2015. Measuring Vegetation (NDVI & EVI). Cited in http://earthobservatory.nasa.gov/Features/MeasuringVegetation/measuring_vegetation_2.php

Prasasti. I, Parwati, Nur Febrianti. 2015. Pemanfaatan Data Penginderaan Jauh Untuk Pemantauan Lingkungan Perkotaan (Urban Heat Island). Prosiding

MAPIN ke XX dan Kongres MAPIN ke IV, Bogor. Purevdorj, T. S., Tateishi, R., Ishiyama, T., Honda, Y. 1998. Relationships between

Percent Vegetation Cover and Vegetation Indices. International Journal of

Remote Sensing, 19(18), 3519−3535. Purwanto A.D., Asriningrum W., Winarso G., Parwati E. 2014. Analisis Sebaran dan

Kerapatan Mangrove Menggunakan Citra Landsat 8 di Segara Anakan, Cilacap.

Prosiding Seminar Nasional Penginderaan Jauh. Bogor. Qi J., Chehbouni A., Huete A.R., Kerr Y.H., 1994. Modified Soil Adjusted Vegetation

Index (MSAVI). Remote Sensing of Environment, 48, pp 119-126. Senanayake, I.P., Welivitiya W.D.D.P., Nadeeka, P.M. 2013. Remote sensing based

analysis of urban heat islands with vegetation cover in Colombo city, Sri Lanka using Landsat-7 ETM+ data. Urban Climate 5 (2013) 19-35.

Suwargana, Nana dan Susanto. 2005. Deteksi Ruang Terbuka Hijau Menggunakan Teknik Penginderaan Jauh (Studi Kasus: Di DKI Jakarta). Prosiding PIT MAPIN XIV

Tzotsos A. dan Argialas D., 2008. Support vector machine classification for object-based image analysis. In Object-Based Image Analysis, Springer Berlin

Heidelberg, pp 663-67 Whiteside T. G., Maier S. W., Boggs G. S., 2014. Area-based and location-based

validation of classified image objects. International Journal of Applied Earth

Observation and Geoinformation. 28, p117 – 130 Xu, H. 2007. Extraction of Urban Built-up Land Features from Landsat Imagery

Using a Thematic oriented Index Combination Technique. Photogrammetric

19

Engineering & Remote Sensing Vol. 73, No. 12, December 2007, pp. 1361-1391.

Zhao, H. M., & Chen, X. L. 2005. Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+. Geoscience and Remote Sensing

Symposium, 3(25–29), 1666−1668.

20

Lampiran 1: Accepted Paper

THE ACCURACY of GREEN SPACE BASED NDVI LANDSAT 8 AND SPOT 6 DATA IN JAKARTA CITY

Hana Listi Fitriana, Sayidah Sulma, Nur Febrianti, Jalu Tejo Nugroho,

Any Zubaidah, Nanik Suryo Haryani

Pusat Pemanfaatan Penginderaan Jauh, Lembaga Penerbangan dan Antariksa Nasional (LAPAN)

Jl. Kalisari No. 8, Pekayon, PasarRebo, Jakarta, 13710, Indonesia

Pos-el: [email protected]

Abstrak

Perencanaan tata ruang suatu perkotaan tidak lepas dari ketersediaan Ruang Terbuka Hijau (RTH). RTH menjadi penting dalam menjaga keseimbangan lingkungan dan meningkatkan kualitas hidup sehat perkotaan. Estimasi kebutuhan RTH dalam suatu kotabiasanya dilakukan melalui pengukuran secara langsung dilapangan, hal ini tentunya memerlukan waktu dan biaya yang relatif mahal, sehingga diperlukan suatu cara yang efektif yaitu dengan menggunakan data penginderaan jauh. Penggunaan data penginderaan jauh untuk perhitungan RTH telah banyak dilakukan terutama dengan menggunakan metode NDVI (Normalized Difference Vegetation Index) dari data Landsat dan SPOT, akan tetapi sampai saat ini belum ada pengujian akurasi dari penggunaan data penginderaan jauh tersebut. Data Pleiades didesain dengan tingkat kedetailan yang sangat tinggi, dimana resolusi 50 cm pankromatik dan 2m multispektral dengan 4 band (B, G, R, NIR) dapat memvisualisasikan objek dengan baik. Dengan tingkat kedetailan yang tinggi, maka data Pleiades dapat diajadikan acuan dalam perhitungan akurasi estimasi luas ruang terbuka hijau (RTH) berdasarkan NDVIdari Landsat 8 dan SPOT 6. Tujuan daripenelitian ini adalah menghitung akurasi hasil klasifikasi RTH dari data multispektral Landsat 8 dan SPOT 6 mengunakan metode NDVI. Hasil pengujian akurasi kedua data tersebut diperoleh bahwa klasifikasi RTH dengan menggunakan NDVI dari SPOT 6 memiliki akurasi 5.364% lebih tinggi dibandingkan dengan Landsat 8.

Kata Kunci: Pleiades, RTH, NDVI

ABSTRACT

An urban spatial planning can not be separated from the availability of green open space (RTH). RTH be important in maintaining environment, balance and improve the quality of life of urban healthy. RTH Estimation in city is usually done directly through direct measurement in the field, it certainly takes time and costs are relatively expensive, so we need an effective way is by using remote sensing data. The use of remote sensing data for the calculation of RTH have been done a lot but until now there has been no testing of the accuracy of the use of remote sensing data. Data Pleiades is designed with a very high level of detail, with a resolution of

21

50 cm panchromatic and multispectral 2m with 4 bands (B, G, R, NIR) can visualize objects properly. With a high level of detail that the estimated area of green open space (RTH) based on the Normalized Difference Vegetation Index (NDVI) from 8 Landsat and SPOT 6, can be used as a reference in the calculation accuracy. The aim of this study is to calculate the accuracy of the classification of multispectral data RTH Landsat and SPOT 6 8 NDVI method, so that the accuracy of the test results obtained by both the data that RTH classification by using NDVI of SPOT 6 has a5.364% higher accuracy than the Landsat 8.

Keyword: Pleiades, RTH, NDVI

PENDAHULUAN

Kebutuhan RTH perkotaan merupakan salah satu isu penting dalam perencanaan tata kota karena RTH berhubungan erat dengan kesehatan, kenyamanan, penyedia oksigen (O2) sekaligus mengurangi polusi udara dan sumber air, mengurangi emisi karbon dan polutan, tempat hidup flora dan fauna yang keseluruhannya bermanfaat bagi penduduk suatu perkotaan maupun dalam mendukung penataan ruang kota yang diprioritaskan dalam pembangunan berwawasan lingkungan dan berkelanjutan.

Menurut Undang-Undang No. 26 Tahun 2007 tentang pengelolaan ruang dinyatakan bahwa proporsi RTH pada wilayah perkotaan paling sedikit 30% dari luas wilayah keseluruhan. RTH diklasifikasikan berdasarkan bentuk, bukan struktur vegetasi seperti pertamanan kota, kawasan hijau rekreasi, kawasan hijau olahraga dan kawasan pekarangan.Akan tetapi pada kenyataannya eksistensi RTH di wilayah perkotaan teracam dengan pesatnya perkembangan pusat industri, pusat perdagangan dan perumahan, yang dipicu oleh pertambahan jumlah penduduk dan pemenuhan kebutuhan penduduk tersebut.

Untuk mengetahui kondisi teraktual RTH suatu perkotaan maka diperlukan teknologi Penginderaan Jauh. Data penginderaan jauh yang berupa citra mampu menampilkan gambaran permukaan bumi secara lengkap termasuk didalamnya data terkait RTH. Selain itu perolehan data dapat dilakukan dengan cepat, biaya murah dan memiliki daerah kajian yang luas serta mempunyai ketelitian yang tinggi. Penelitian pemanfaatan data penginderaan jauh untuk ruang terbuka hijau telah banyak dilakukan, beberapa penelitian penggunaan data penginderaan jauh resolusi menengah diantaranyamenyatakan bahwa data Landsat 7 ETM dengan resolusi spasial 30 meter dapat mendeteksi ruang terbuka hijau DKI Jakarta. Landsat ETM 2003 dapat menganalisis tutupan lahan di wilayah Kota Bogor dengan akurasi 87.10% berdasarkan overall classification dan 84.81% berdasarkan overall kappa statistic dari data RTRW (Rencana Tata Ruang Wilayah). Landsat 8 tahun 2000 dapat menginterpretasikan luas hutan kota Magelang seluas 73.19 ha sedangkan peneltian lainnya, dengan menggunakan Landsat 8 Tahun 2013 memperoleh nilai NDVI 0.2 – 0.73 sebagai tutupan vegetasi, diperoleh luas tutupan vegetasi di DKI Jakarta tahun 2013 sebesar 9% dari luas seluruh wilayah.Selain penggunaan resolusi menengah penentuan RTH juga dilakukan dengan menggunakan resolusi tinggi yaitu Quickbird dalam penentuan vegetasi diperoleh tingkat ketelitian citra Quickbird memberikan hasil interpretasi penggunaan lahan 91,9 %, liputan vegetasi 86,84 %, dan kepadatan bangunan 90,9 %, penggunaan ALOS AVNIR dalam menganalisis indeks vegetasi mempunyai hubungan dengan presentase tutupan

22

vegetasi dimana nilai indeks vegetasi dari NDVI dan SAVI mempunyai koefisien determinasi yang paling tinggi.

Salah satu cara mengetahui keberadaan RTH adalah dengan pemanfaatan penginderaan jauh melalui metode nilai indeks vegetasi (Yunhao, et al., 2005). Nilai indeks vegetasi dapat memberikan informasi tentang presentasi vegetasi, indeks tanaman hidup (Leaf Area Index), biomassa tanaman, fAPAR (fraction of Absorbed Photosynthetically Active Radiation), kapasitas fotosintesis dan estimasi penyerapan

karbondioksida (CO2)6,7 (Horning, 2004; Ji and Peters, 2007). Nilai indeks vegetasi merupakan suatu nilai yang dihasilkan dari persamaan matematika beberapa band yang diperoleh dari data penginderaan jauh. Band tersebut biasanya adalah band merah (visible) dan band NIR (Near Infra Red).

Penggunaan citra satelit seperti landsat dan SPOT 6 sangat efektif untuk mengklasifikasikan daerah tutupan vegetasi dengan NDVI (Normalized Difference Vegetation Index). Landsat 8 merupakan salah satu satelit penginderaan jauh yang

datanya mudah didapatkan karena Indonesia telah mengakuisisi langsung melalui Balai Penginderaan Jauh Pare-Pare LAPAN. Landsat 8 adalah data yang multispektral dengan panjang gelombang 450 µm - 2300 µm. Data yang mudah diperoleh tentunya akan memudahkan setiap wilayah dalam menghitung dan mengevaluasi RTH. SPOT 6 merupakan salah satu satelit resolusi tinggi yang dapat secara langsung diakuisisi oleh Balai Penginderaan JAuh Pare-Pare LAPAN. Banyaknya penelitian yang telah dilakukan dalam pemanfataan data penginderaan jauh untuk RTH menggunakan citra Landsat 8 maupun SPOT 6 maka diperlukan suatu pengujian akurasi terhdapa penggunaan citra tersebut menggunakan citrayang memiliki kedetailan lebih tinggi. Adapun citra yang mumpuni saat ini adalah Pleiades,pleiades merupakan satelit penghasil citra satelit resolusi tinggi yang dibuat oleh perusahaan Airbus Defence & Space. Satelit Pleiades saat ini sudah memasuki generasi kedua yang diberi nama Satelit Pleiades 1B, yang diluncurkan pada tanggal 2 Desember 2012, sedangkan untuk Satelit Pleiades 1A yang merupakan Satelit Pleiades generasi pertama, diluncurkan pada tanggal 16 Desember 2011. Satelit Pleiades menghasilkan data citra satelit dalam dua moda, yaitu moda pankromatik dan moda multispektral. Citra satelit dalam moda pankromatik mempunyai resolusi spasial 0.5 meter dengan jumlah band yaitu 1 band (pankromatik), sedangkan citra satelit dalam moda multispektral mempunyai resolusi spasial 2 meter dengan jumlah band yaitu 4 band (VNIR – Visible Near Infra Red). Adapun tujuan dari penelitian ini adalah untuk mengetahui akurasi perhitungan ruang terbuka hijau menggunakan metode NDVI dari Landsat 8 dan SPOT 6 dengan menggunakan data Pleiades.

METODOLOGI

Lokasi Penelitian

Penelitian dilakukan di wilayah DKI Jakarta yang terletak diantara terletak pada posisi 6°12’ LS dan 106°48’ BT. Berdasarkan Keputusan Gubernur Nomor 1227 Tahun 1989,luas wilayah Provinsi DKI Jakarta adalah 7.659,02 km2, terdiri dari daratan seluas 661,52 km2, termasuk 110 pulau di Kepulauan Seribu, dan lautan seluas 6.997,50 km2.

23

Tabel 1. Deskripsi Citra Landsat 8, SPOT 6 dan Pleiades

Komponen Landsat 8 SPOT 6 Pleiades

Lebar sapuan 185x185 km 60 Km pada nadir 20 Km pada nadir

Resolusi temporal 16 hari - -

Resolusi spasial 30 m 1.5m GSD (Pankromatik) dan

6 m GSD (Multispektral)

0.5m GSD (Pankromatik) dan

2m GSD (Multispektral)

Resolusi Spektral Coastal/aerosol (433-453 nm) Biru (450-515 nm) Hijau (525-600 nm) Merah (630-680 nm) Infra merah dekat/NIR (845-885 nm) SWIR 1 (1560-1660 nm) SWIR 2 (2100-2300 nm) Pankromatik (500-680 nm) Cirrus (1360-1390 nm)

Biru (444-525 nm) Hijau (530-590 nm) Merah (625-695 nm) IR dekat (760-890 nm)

Pankromatik (480-830 nm) Biru (430-550 nm) Hijau (490-610 nm) Merah (600-720 nm) NIR/IR dekat (750-950 nm)

Sumber: http://landsat.usgs.gov, www.satimagingcorp.com/satellite-sensors/spot-6/ dan http://www.geo-airbusds.com/pleiades

(a) Landsat 8 25 Agustus 2013 b) SPOT 6 27 Agustus 2013 (c) Pleiades 12 Juli 2013

Gambar 1. Perbandingan resolusi spasial citra

http://landsat.usgs.gov/

http://www.satimagingcorp.com/satellite-sensors/spot-6/


http://www.geo-airbusds.com/pleiades

24

Pengolahan data Citra

Data yang digunakan dalam penelitian ini adalah data Landsat 8 OLI path/Row 122/64 tanggal 25Agustus 2013 level 1T, SPOT 6tanggal 27 Agustus 2013 dan data Pleiades 12 Juli 2013 yang telah terkoreksi geometrik dan radiometrik secara sistematis yang diperoleh dari Bank Data Penginderaan Jauh Nasional, LAPAN. Geometrik pada citra sering mengalami pergeseran karena ketinggian orbit yang jauh tetapi medan pandang kecil maka terjadi distorsi geometrik sehingga diperlukan koreksi geometrik.Koreksi geometrik adalah pembetulan citra agar koordinat citra sesuai dengan koordinat geografi.

Koreksi radiometrik bertujuan untuk memperbaiki nilai piksel supaya sesuai dengan yang seharusnya dengan mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan objek di permukaan bumi yang terekam oleh sensor menjadi bukan nilai aslinya tetapi menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan.7

Penelitian ini menggunakan indeks vegetasi NDVI, dengan persamaan sebagai berikut :

NDVI = NIR- RED

NIR+ RED……………………………………………………………………..(1)

Dimana :NIR= Reflektan Band Near Infrared

RED= Reflektan Band Red

Untuk klasifikasi RTH dan non RTH dari Landsat 8 dan SPOT 6 digunakan threshold NDVI yang diperoleh dari training sample pada masing-masing citra NDVI dengan acuannya citra Pleiades.Klasifikasi RTH yang dilakukan pada data Pleiades adalah dengan menggunakan metode interpretasi visual dengan komposisi RGB 321, dimana batas dideliniasi RTH terdiri dari vegetasi dan tanah terbuka yang masih dapat ditumbuhi tanaman. Kemudian data Pleiades yang dianalisis dipilih berdasarkan Area of Interest (AoI) yang mewakili wilayah dengan RTH berupa taman, sempadan sungai, sempadan jalan, lahan terbuka serta area publik dan privat. Diagram alir dapat dilihat pada gambar 2

25

Gambar 2. Diagram Alir Penelitian

HASIL DAN PEMBAHASAN

Dalam analisis akurasi estimasi RTH dari data Landsat 8 dan SPOT 6 digunakan data citra Pleiades sebagai acuan atau referensi perhitungan akurasi. Ketiga data tersebut memiliki waktu liputan yang berdekatan yaitu bulan Juli dan Agustus 2013 sehingga diasumsikan kondisi daerah yang dikaji belum mengalami perubahan tutupan lahan pada kurun waktu tersebut. Data Pleiades yang digunakan dalam penelitian ini terdiri dari 6 Area of Intereset (AoI) yang mewakili karakteristik RTH yaitu beruapa RTH privat dan publik, daerah sempadan sungai, sempadan jalan, taman, lahan terbuka dan lain-lain. Enam AoI tersebut terdiri dari AOI 1 : Gambir Jakarta Pusat, AOI 2 : Penjaringan Jakarta Utara, AOI 3, 5dan 6: Kembangan Jakarta Barat, AOI 4: Kebon Jeruk Jakarta Barat Kemudian dari data tersebut diinterpretasi visual untuk mengkelaskan daerah RTH dan bukan RTH. Gambar 3 memperlihatkan citra RGB 321 Pleiades untuk keenam AOI yang telah ditentukan, serta hasil klasifikasi RTH dan bukan RTH.

PENGOLAHAN AWAL

(KOREKSI GEOMETRIK, RADIOMETRIK)

KLASIFIKASI RTH DAN NON RH DENGAN THRESHOLD NDVI

LANDSAT 8 OLI

PENGOLAHAN AWAL

(KOREKSI GEOMETRIK, RADIOMETRIK)

SPOT 6

PENENTUAN DAN CROPING AOI

PENGUJIAN AKURASI

CROPING WILAYAH DKI JAKARTA

DAN CROPING AOI

PERHITUNGAN NDVI INTERPRETASI VISUAL

PLEIADES

PENENTUANRTH DAN NON RH DENGAN THRESHOLD NDVI

HASIL AKURASI

26

(a) AOI 1 Pleiades RGB 321 (b) AOI 2 Pleiades RGB 321 (c) AOI 3Pleiades RGB 321

(d)AOI 4Pleiades RGB 321 (e) AOI 5Pleiades RGB 321 (f) AOI 6Pleiades RGB 321

(a) RTH_AOI1Pleiades (b) RTH_AOI 2 Pleiades (c) RTH_AOI 3 Pleiades

(e) RTH_AOI 4 Pleiades (f) RTH_AOI 5 Pleiades (g) RTH_AOI 6 Pleiades

Gambar 3. Citra Pleiades RGB 321 dan hasil klasifikasi RTH untuk AOI yang dianalisis

27

NDVI (Normalized Difference Index) merupakan suatu nilai hasil pengolahan indeks vegetasi dari citra satelit kanal infra merah dan merah yang menunjukan tingkat konsentrasi klorofil daun yang berkorelasi dengan kerapatan vegetasi berdasarkan nilai spectral pada setiap piksel. Nilai piksel hasil perhitungan NDVI adalah -1 sampai 1, dimana kelas vegetasi pada kisaran 0-1 dan kelas non vegetasi pada kisaran -1 – 0. Nilai piksel yang mendekati 1 atau sama dengan 1 menunjukkan bahwa vegetasi ini memiliki kerapatan yang tinggi. Citra NDVI dari Landsat 8 dan SPOT 6 untuk seluruh wilayah Jakarta dapat dilihat pada Gambar 4, dimana semakin hijau menunjukkan kerapan vegetasi yang semakin tinggi. Untuk wilayah Jakarta konsentrasi vegetasi dapat dilihat terutama di bagian timur Jakarta.

(a) (b)

Gambar 4. (a) Citra NDVI Landsat 8 (25 Agustus 2013) dan (b) SPOT 6 (27 Agustus 2013)

Dari hasil training sampel diperoleh bahwa daerah bervegetasi memiliki nilai NDVI lebih besar dari 0.34 untuk NDVI Landsat 8 dan lebih besar dari 0.33untuk NDVI dari data SPOT 6. Kedua threshold antara Landsat 8 dan SPOT 6 menunjukan kisaran nilai yang hampir mendekati, hal ini dapat disebabkan oleh kondisi waktu dan daerah kajian yang sama serta input data citra yang digunakan telah diolah secara standar dalam bentuk nilai reflektansi. Hasil klasifikasi RTH dan bukan RTH pada keenam AOI dari data Landsat 8 dan SPOT 6 dapat dilihat pada Gambar 5. Secara umum pada gambar tersebut dapat dilihat perbandingan kedua data yang menunjukkan kedetilan yang dihasilkan, dimana berdasarkan data Landsat 8 masih terdapat beberapa wilayah RTH yang tidak dapat dideteksi dibandingkan dengan data SPOT 6. Hal ini dapat terjadi karena perbedaan resolusi spasial antara kedua data tersebut dimana SPOT 6 memiliki resolusi spasial yang lebih tinggi yaitu 6 meter sedangkan Landsat 8 sebesar 30 meteruntuk band multispektralnya.

28

Landsat 8

SPOT 6

Gambar 5. Klasifikasi RTH berdasarkan NDVI Landsat 8 dan SPOT 6, berturut-turut dari kiri ke kanan: AOI_1, AOI_2, AOI_4, AOI_5, AOI_6 dan AOI_7

Indeks Vegetasi pada penelitian ini kemudian digunakan untuk mengetahui tutupan hijau yang diasumsikan sebagai ruang terbuka hijau. Klasifikasi RTH yang diperoleh dari citra NDVI Landsat 8 dan SPOT 6 kemudian diuji akurasinya dengan citra Pleiades hasil interpretasi visual. Perhitungan dilakukan dengan menggunakan metode Corrected Error, Comission error dan Omission error dengan cara mengoverlay kelas RTH dari NDVI Landsat 8 ataupun SPOT 6 dengan hasil klasifikasi RTH dari data Pleiades menggunakan proses penggabungan (union), kemudian dikelaskan daerah yang beririsan (corrected), daerah yang masuk kelas lain (omission) dan daerah tambahan dari kelas lain (commission) seperti terlihat

pada gambar 6.

Gambar 6. Penentuan Area corrected, Omission dan Comission

SPOT 6

29

Setiap masing-masing AOI dilakukan perhitungan luas corrected area, Omission area dan Comission area yang dapat dilihat pada tabel 2 dan 3, sehingga diperoleh % Akurasi untuk Landsat 8 maupun SPOT 6 dengan persamaan sebagai berikut :

Akurasi (%) =

Tabel 2. Uji Akurasi Landsat 8 dengan Pleiades

NO. AOI CORR COM OMM %

ACCURACY

1 Aoi1 865702 10001.630 124199.9 86.579

2 Aoi2 3066607 367875 496935 78.003

3 Aoi4 773723 46185 130244 81.432

4 Aoi5 783117 78037 134656 78.641

5 Aoi6 1226285 121657 205368 78.947

6 Aoi7 718260 86975 105079 78.902

% Akurasi 80.4174

Sumber : Hasil Perhitungan, 2015

Tabel 3. Uji Akurasi SPOT 6 dengan Pleiades

NO. AOI CORR COM OMM % ACCURACY

1 Aoi 1 890,212 5,263 104,428 89.030

2 Aoi2 3,340,361 124,742 466,262 84.967

3 Aoi4 814,807 16,268 119,077 85.755

4 Aoi5 840,743 24,541 130,526 84.4281

5 Aoi6 1,319,357 30,341 222,668 83.909

6 Aoi7 788,280 28,749 93,285 86.594

% Akurasi 85.781

Sumber : Hasil Perhitungan, 2015

Dari hasil perhitungan selisih hasil uji akurasi Landsat 8 dan SPOT 6 adalah 5.364%, dimana SPOT 6 memiliki nilai akurasi lebih tinggi dibandingkan SPOT 6 hal ini disebabkan karena resolusi spasialnya 6 meter sedangkan Landsat 8 resolusi spasialnya 30m sehingga tingkat ketelitian SPOT 6 lebih baik dari landsat 8.

30

KESIMPULAN

Hasil pengujian akurasi kedua data tersebut diperoleh bahwa klasifikasi RTH dengan menggunakan NDVI dari SPOT 6 memiliki akurasi 5.364% lebih tinggi dibandingkan dengan Landsat 8.

UCAPAN TERIMAKASIH

Penulis Ucapkan Terimakasih Kepada Bapak Kepala Pusat Pemanfaatan Penginderaan Jauh dan Ibu Kepala Bidang Lingkungan dan Mitigasi Bencana.

DAFTAR PUSTAKA

Dardak, A.H. 2006. Peran Penataan Ruang dalam Mewujudkan Kota Berkelanjutan di Indonesia. Seminar Penataan Ruang Berbasis Aspek Ekologis untuk

Mewujudkan Kota Berkelanjutan. Jakarta

Efendy, Sobri. 2009. Dampak Pengurangan Ruang Terbukan Hijau (RTH) Perkotaan Terhadap Peningkatan Suhu Udara dengan Metode Penginderaan Jauh. J. Agromet 23 2): 169-181.

Horning, N. 2004. Global Land Negetation; An Electronic Textbook. NASA Goddard Space Flight Center Earth Sciences Directorate Scientific and Educational Endeavors (SEE).

Ji, L., A.J. Peters. 2007. Performance Evaluation of Spectral Vegetation Indices Using a Statistical Sensitivity Functi. Remote Sensing of Envirinmental on, 106, 59-65.

Lestari, R.Assyfa El dan Surajati, Inengah. 2005. Penggunaan Teknologi Penginderaan Jauh Satelit dan SIG untuk Menentukan Luas Hutan Kota: (Studi Kasus di Kota Bogor, Jawa Barat). Jurnal Manajemen Hutan Tropika Vol. XI No. 2 : 55-69.

Nowak, D.J., P.J., McHale, M. Ibarra, D. Crane, J.C. Stevans, and C. J. Lulely. 1998. Modeling the Effect of Urban Vegetation on Air Pollution. Air Pollution Modelling and Its Application, 12.399-407.

Sudaryanto dan Swetika R. Melania. 2014. Penentuan Ruang Terbuka Hijau (RTH) dengan Index Vegetasi NDVI Berbasis Citra ALOS AVNIR-2 dan Sistem Informasi Geograsi di Kota Yogyakarta dan Sekitarnya. Magistra No. 89 Th.

XXVI September 2014. ISSN 215-9511.

Sukawi. 2008. Taman Kota dan Upaya Pengurangan Suhu Lingkungan Perkotaan (Studi Kasus Semarang). Seminar Nasional Peran Arsitektur Perkotaan dalam Mewujudkan Kota Tropis. 6 Agustus 2008, Gedung Prof Soedarto, SH Kampus UNDIP Tembalang. Semarang.

Yunhoa, C., S. Peijun, L. Xiaobing, C.Jin and L. Jing.2006. A Combined Approach for Estimating Vegetation Cover in Urban/Suburban Environments From Remotely Sensed Data. Computers & Geosciences, 32, 1299-1309.

31

http://www.landsat.usgs.gov



http://www.jakarta.go.id/v2/news/category/geografis-jakarta

htpp:www.ccpo.odu.edu/SEES/Veget/vg_class.htm.

http://agrotekacehgmail.blogspot.com/2012/05/manfaat-vegetasi-pada_estetika.html diakses pada tanggal 14 Mei 2015).

http://www.landsat.usgs.gov/



http://agrotekacehgmail.blogspot.com/2012/05/manfaat-vegetasi-pada%20%20%20%20%20estetika.html%20diakses%20pada%20tanggal%20%2014%20Mei%202015

http://agrotekacehgmail.blogspot.com/2012/05/manfaat-vegetasi-pada%20%20%20%20%20estetika.html%20diakses%20pada%20tanggal%20%2014%20Mei%202015

32

Lampiran 2: Accepted Paper

Klasifikasi Tutupan Lahan dan Ruang Terbuka Hijau Menggunakan Kombinasi Indeks dari Data Landsat 8 (Studi Kasus: DKI Jakarta)

Sayidah Sulma1, Jalu Tejo Nugroho, Any Zubaidah, Hana Listi Fitriana, Nanik Suryo Haryani, Hidayat

1Pusat Pemanfaatan Penginderaan Jauh - LAPAN E-mail: [email protected]

ABSTRAK - Pemetaan tutupan lahan dan Ruang Terbuka Hijau (RTH) perlu dilakukan secara berkelanjutan sejalan dengan pembangunan wilayah yang menyebabkan perubahan tutupan lahan yang cepat. Perubahan tutupan lahan tersebut diharapkan tetap mempertahankan ketersediaan ruang hijau di suatu daerah. Pada penelitian ini dilakukan klasifikasi tutupan lahan menggunakan citra Landsat 8 dengan kombinasi beberapa indeks yaitu Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), Normalized Difference Build-up Index (NDBI) dan Normalized Difference Bareness Index

(NDBaI) dengan studi kasus wilayah DKI Jakarta. Citra indeks tersebut digunakan untuk metode cepat klasifikasi tutupan vegetasi, badan air, lahan terbangun dan tanah terbuka. Kemudian untuk klasifikasi ruang terbuka hijau (RTH), dilakukan reklasifikasi menjadi kelas RTH dan bukan RTH, dimana RTH meliputi daerah bervegetasi dan tanah terbuka yang masih berpotensi untuk ditumbuhi tanaman. Akurasi hasil klasifikasi RTH berdasarkan kombinasi indeks diuji dengan referensi data resolusi tinggi yaitu citra Pleiades dan diperoleh akurasi sebesar 80.90%.

Kata kunci: Tutupan lahan, RTH, NDVI, NDWI, NDBI, NDBaI, Landsat 8

ABSTRACT - Mapping of land cover and green open space (RTH) should be carried out continuously in line with regional development that led to a land cover change. Land cover change had to preserve the availability of green space in an area. In this research, land cover classification using Landsat 8 with a combination of several indices that Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), Normalized Difference Build-up Index (NDBI) and Normalized Difference Bareness Index (NDBaI) with the case study areas of DKI Jakarta. The index image is used for fast method of classification of vegetation cover, water bodies, built area and bare land. Then the reclassification into class of RTH and not RTH, which the RTH covers an area of vegetated and bare land that still has the potential to overgrown plants. The accuracy of classification based on a combination of indices tested with the reference high-resolution data that is the image of the Pleiades and obtained an accuracy of 80.90%.

Keywords: Land cover, green open space, NDVI, NDWI, NDBI, NDBaI, Landsat 8

33

1. PENDAHULUAN

Pemetaan tutupan lahan dan Ruang Terbuka Hijau (RTH) perlu dilakukan secara berkelanjutan sejalan dengan pembangunan wilayah yang menyebabkan perubahan tutupan lahan yang cepat. Perubahan tutupan lahan tersebut diharapkan tetap mempertahankan ketersediaan ruang hijau di suatu daerah. Berdasarkan PerMen PU No. 05/PRT/M/2008, Ruang Terbuka Hijau didefinisikan sebagai area memanjang/jalur dan atau mengelompok, yang penggunaannya lebih bersifat terbuka, tempat tumbuh tanaman, baik yang tumbuh secara alamiah maupun yang sengaja ditanam (Departemen Pekerjaan Umum, 2008).

Pemanfaatan data satelit penginderaan jauh untuk pemetaan tutupan lahan dan ruang terbuka hijau merupakan salah satu cara yang memberikan banyak keunggulan dibandingkan dengan pengamatan langsung di lapangan. Metode yang telah banyak digunakan khususnya untuk pemetaan RTH dari data satelit adalah dengan klasifikasi visual atau penggunaan citra indeks vegetasi. Penelitian pemetaan RTH menggunakan Normalize Difference Vegetation Index (NDVI) dari

data Landsat 8 diantaranya telah dilakukan oleh Febrianti dan Sofan (2014) dan menggunakan NDVI dari data SPOT 6 oleh Febrianti et al (2015).

Dalam penelitian ini akan dilakukan klasifikasi tutupan lahan mengunakan kombinasi beberapa indeks yaitu NDVI, NDWI, DDBI dan NDBaI dari data Landsat 8. NDVI pada dasarnya digunakan untuk mengukur pertumbuhan tanaman dan untuk menentukan daerah yang ditutupi oleh vegetasi. Dalam perhitungan NDVI digunakan panjang gelombang cahaya tampak merah dan inframerah dekat. Dasar perhitungan tersebut adalah pigmen dalam daun atau klorofil sangat menyerap cahaya tampak (0,4 – 0,7 um) dalam proses fotosintesis, sementara itu struktur sel daun sangat memantulkan cahaya inframerah dekat (0,7-1.1 um). Semakin banyak daun pada tanaman maka akan semakin mempengaruhi pantulan atau penyerapan pada panjang gelombang tersebut (NASA, 2015). Normalize Difference Water Index (NDWI) merupakan salah satu indeks vegetasi untuk mengukur molekul air

pada vegetasi yang berinteraksi dengan radiasi matahari yang masuk. Chen et al (2006) menggunakan NDWI sebagai salah satu indeks untuk mengetahui karakteristik tutupan lahan di suatu wilayah. Di samping itu Senanayake et al, (2013) juga menggunakan NDWI dalam analisis tutupan lahan bervegetasi untuk pemisahan objek air dan awan. Nilai indeks NDWI besar atau meningkat pada vegetasi yang memiliki kandungan air, atau indeks meningkat dari objek tanah kering hingga ke air terbuka (Molidena et al, 2012). Zha et al. (2003) membangun Normalize Difference Built-up Index (NDBI) untuk mengidentifikasi dengan cepat daerah perkotaan dan daerah terbangun. Pembuatan indeks didasarkan pada respon spektral yang unik pada lahan terbangun dimana memiliki reflektansi yang tinggi pada panjang gelombang inframerah pendek (SWIR) dibandingkan pada panjang gelombang inframerah dekat (NIR). Zhao & Chen (2005) membangun indeks Normalize Difference Bareness Index (NDBaI) untuk mengkelaskan lahan

bera atau lahan terbuka dari citra Landsat. NDBaI cukup sensitif untuk membedakan lahan bera, lahan semi bera dan lahan yang dibudidayakan. Kanal yang digunakan adalah kanal inframerah pendek (SWIR) dan inframerah thermal (TIR).

34

Penggabungan citra indeks tersebut diharapkan dapat membantu dalam klasifikasi untuk beberapa kelas tutupan lahan. Berdasarkan definisi RTH, maka RTH bukan saja daerah bervegetasi namun juga meliputi lahan terbuka yang masih dapat ditanami vegetasi. Sehingga dalam penelitian ini, akan dilakukan pengkelasan RTH yang meliputi daerah bervegetasi juga lahan/tanah terbuka yang masih berpotensi untuk ditanami. Hasil klasifikasi tersebut akan diverifikasi menggunakan referensi data satelit resolusi tinggi yaitu Pleiades untuk mengetahui tingkat akurasinya.

2. METODE

Lokasi penelitian adalah wilayah Provinsi DKI Jakarta. Data yang digunakan terdiri dari data satelit Landsat 8 sensor OLI dan TIRS Level 1T path/raw 122/064 tanggal 25 Agustus 2013 dan 13 September 2014, serta data satelit Pleiades tanggal 12 Juli 2013. Gambar 1 memperlihatkan citra Landsat 8 untuk wilayah Jakarta dan citra

Pleiades untuk sebagian wilayah Jakarta Utara dan Jakarta Barat. Data yang digunakan sudah terkoreksi geometrik dan radiometrik. Dari koreksi radiometrik diperoleh data dengan nilai reflektansi Top of Atmosphere (ToA).

Landsat 8, 25 Agustus 2013

Landsat 8, 13 September 2014

Pleiades, 12 Juli 2013

Gambar 1. Citra Landsat 8 dan Pleiades wilayah DKI Jakarta

Untuk klasifikasi tutupan lahan pada data Landsat 8 digunakan indeks NDVI, NDWI, NDBI dan NDBaI. Rumus perhitungan NDVI secara matematik ditulis sebagai berikut (NASA, 2015):

NDVI = ρNIR-ρRED/ρNIR+ρRED........................................................................... (1)

Rumus untuk NDWI adalah sebagai berikut (Gao, 1996; Chen at al, 2006):

NDWI = ρNIR-ρSWIR/ρNIR+ρSWIR .................................. ................................... (2)

Rumus untuk NDBI adalah sebagai berikut (Zha et al. 2003; Xu 2007):

NDBI = ρSWIR-ρNIR/ρSWIR+ρNIR ...................................................................... (3)

Rumus untuk NDBaI adalah sebagai berikut (Zhao & Chen, 2005; Chen et al 2006):

DKI Jakarta DKI Jakarta DKI Jakarta

35

NDBaI = dSWIR-dTIR/dSWIR+dTIR ....................................................................... (4)

Dimana:

ρNIR, ρRED, ρSWIR adalah reflektansi band inframerah dekat, band sinar tampak merah dan inframerah pendek, sedangkan dSWIR dan dTIR adalah nilai digital band inframerah pendek dan band inframerah termal.

Citra indeks tersebut digunakan untuk klasifikasi vegetasi, badan air, bangunan dan tanah terbuka dengan penerapan threshold nilai indeks. Untuk penentuan threshold atau rule set yang akan digunakan, tahap awal dilakukan perhitungan indeks pada

data Landsat 8 tanggal 25 Agustus 2013 karena berdekatan waktunya dengan data Pleiades yaitu tanggal 12 Juli 2013, sehingga mudah untuk verifikasi dan diasumsikan belum ada perubahan tutupan lahan. Selanjutnya membuat training area/sample pada masing-masing citra indeks tersebut, yang mewakili kelas tutupan lahan vegetasi, badan air, bangunan dan tanah terbuka. Penentuan training area dilakukan dengan referensi citra Pleiades untuk mendapatkan kelas tutupan lahan yang homogen pada setiap piksel citra indeks dari Landsat 8. Berdasarkan training area kemudian dihitung kisaran dan rata-rata nilai setiap indeks yaitu indeks NDVI, NDWI, NDBI dan NDBaI untuk masing-masing kelas. Untuk mendapatkan kelas RTH dilakukan reklasifikasi dari keempat kelas menjadi kelas RTH dan bukan RTH, dimana RTH meliputi daerah bervegetasi dan tanah terbuka.

Untuk verifikasi RTH dari kombinasi indeks citra Landsat 8, digunakan data Pleiades sebagai referensi. Tahap awal dilakukan interpretasi visual dan delineasi data Pleiades untuk mengkelaskan daerah RTH dan bukan RTH. Perhitungan akurasi dilakukan dengan menumpangsusunkan kelas RTH dari Landsat 8 dengan hasil klasifikasi RTH dari data Pleiades menggunakan proses union, kemudian dikelaskan daerah yang beririsan (corrected), daerah yang masuk kelas lain (omission) dan daerah tambahan dari kelas lain (commission). Kemudian akurasi hasil klasifikasi RTH berdasarkan kombinasi indeks citra Landsat 8 dihitung menggunakan metode uji ketelitian klasifikasi confusion matrix yang mengacu pada Short (1982)

dalam Purwanto (2014) dengan rumus sebagai berikut:

Akurasi (%) = Corrected / (Omission + Comission + Corrected) x100% ............... (5)

3. HASIL DAN PEMBAHASAN

Dalam klasifikasi tutupan lahan serta RTH digunakan kombinasi beberapa indeks yaitu NDVI untuk mengkelaskan tutupan vegetasi, NDWI untuk badan air, NDBI untuk lahan terbangun dan NDBaI untuk lahan bera atau tanah terbuka. Pada Gambar 2. diperlihatkan citra hasil perhitungan masing-masing indeks. Pada citra NDVI dapat dilihat semakin tinggi nilai indeks (berwarna merah) menunjukkan tingkat kerapatan dan tutupan vegetasi yang semakin baik. Pada citra NDWI secara dapat dilihat semakin tinggi nilai indeks (warna merah) menunjukan kandungan air yang semakin tinggi. Dalam Molidena et al (2012) disebutkan nilai indeks NDWI tinggi pada vegetasi yang memiliki kandungan air, atau indeks meningkat dari objek tanah kering hingga ke air terbuka. Nilai indeks tinggi pada citra NDBI menunjukkan lahan terbangun. Sedangkan pada citra NDBaI, terlihat nilai indeks yang lebih tinggi pada

36

lahan terbangun dan lahan terbuka. Untuk klasifikasi RTH nantinya akan dilakukan reklasifikasi menjadi kelas RTH (Vegetasi dan tanah terbuka) dengan non RTH (Lahan terbangun dan air).

-0.3 NDVI

0.8

-0.45 NDWI

0.7

-0.8 NDBI

0.3

-0.7 NDBaI

0.3

Gambar 2. Citra indeks NDVI, NDWI, NDBI dan NDBaI

Ketika menerapkan beberapa indeks untuk klasifikasi tutupan lahan terdapat beberapa permasalahan dalam penentuan threshold, karena masih terdapat percampuran objek dalam setiap indeks, misalnya dalam indeks NDWI masih ada

37

sedikit percampuran antara objek air dan vegetasi. Untuk memecahkan permasalahan tersebut, terlebih dahulu dilakukan analisis spektral setiap band pada setiap objek pada training area yang telah ditentukan sebelumnya. Pada Gambar 3 dapat dilihat pola spektral masing-masing objek (training sample) di daerah kajian

pada Band 1-Band 7 dan Band9 - Band 11 citra Landsat 8 LDCM. Sedangkan Tabel 1 menunjukkan nilai indeks pada setiap kelas tutupanlahan berdasarkan training sampel. Pada pola spektral objek vegetasi terlihat pola khas yang

membedakan dengan objek lainnya yaitu pada Band 4, Band 6 mempunyai pantulan atau spektral yang kecil sedangkan pada Band 5 memiliki pantulan yang tinggi. Objek air memiliki pantulan yang khas pada Band 4, Band 5 dan Band 6 dimana pada Band 4 nilai spektral tinggi sedangkan pada Band 5 dan Band 6 semakin kecil karena terserap oleh air.

Gambar 3. Pola spektral setiap objek di daerah kajian

Setelah diperoleh pola spektral masing-masing objek, digunakan operasi logic (Boolean operator) berdasarkan band spektral yang digabungkan dengan citra hasil

indeks. Metode ini juga telah diterapkan oleh Chen et al. (2006). Sebagai contoh, sesuai pola spektral (Gambar 3) dan threshold indeks (Tabel 1) untuk pemisahan

objek vegetasi digunakan kombinasi operasi (Band 5 – Band 4) > 0, (Band 5 – band 6) > 0 dan (0,33 > NDVI > 0.77), karena hanya vegetasi yang memiliki nilai spektral (Band 5 – Band 4) >0, (Band 5 – band 6) > 0. Kemudian untuk untuk objek air digunakan kombinasi operasi (Band 4 – Band 5) > 0, (Band 5 – Band 6) > 0 dan (0.08 > NDWI > 0.7). Untuk kelas lahan terbangun dan tanah terbuka digunakan kombinasi antara indeks NDBI dan NDBaI karena ketika menerapkan kombinasi spektral tiap band tidak terbentuk kelas yang berbeda secara signifikan, namun ketika menggabungkan antara indeks NDBI dan NDBaI khususnya untuk kelas tanah terbuka terbentuk kelas yang lebih tepat. Untuk kelas tanah terbuka digunakan operasi (-0.02 > NDBI > 0.04) dan (-0.37 > NDBaI > -0.3), sedangkan untuk lahan terbangun digunakan threshold (-0.18 > NDBI > 0.3).

0

5000

10000

15000

20000

25000

30000

35000

Band1 Band2 Band3 Band4 Band5 Band6 Band7 Band9 Band10 Band11

Dig

ital

Nu

mb

er

tanah terbuka

lahan terbangun

air

vegetasi

38

Tabel 1. Nilai indeks pada setiap kelas tutupan lahan berdasarkan training sample

Kelas Jumlah Piksel

Sample

NDVI NDWI

Min Max Mean Min Max Mean

Vegetasi 119 0.33 0.77 0.54 -0.04 0.44 0.26

Badan Air 151 -0.40 0.11 -0.33 0.08 0.70 0.49

Lahan terbangun (bangunan)

107 0.05 0.29 0.11 -0.30 0.18 -0.22

Tanah terbuka

31 0.11 0.33 0.21 -0.04 0.02 0.02

Kelas Jumlah Piksel

Sample

NDBI NDBaI

Min Max Mean Min Max Mean

Vegetasi 119 -0.44 0.04 -0.26 -0.49 -0.25 -0.40

Badan Air 151 -0.7 -0.08 -0.49 -0.67 -0.60 -0.67

Lahan terbangun (bangunan)

107 -0.18 0.30 0.22 -0.51 0.00 -0.28

Tanah terbuka

31 -0.02 0.04 -0.02 -0.37 -0.30 -0.33

Gambar 4 memperlihatkan kelas tutupan lahan berdasarkan kombinasi band dan threshold citra indeks. Sedangkan Gambar 5 menunjukkan gabungan dari

semua kelas pada citra tanggal 13 September 2013 dan 25 Agustus 2014. Hasil klasifikasi tutupan lahan ini kemudian direklasifikasi untuk mendapatkan kelas RTH dan non RTH dan diuji akurasi menggunakan acuan data Pleiades.

Vegetasi Air Lahan terbangun Tanah terbuka

Gambar 4 . Kelas tutupan lahan berdasarkan threshold citra indeks dan kombinasi

band

39

13 September 2013 25 Agustus 2014

Gambar 5. Tutupan Lahan wilayah DKI Jakarta dari citra Landsat 8 tanggal 13 September 2013 dan 25 Agustus 2014

Perhitungan akurasi dilakukan terhadap hasil klasifikasi RTH dari citra Landsat tanggal 25 September 2013. Adapun kelas RTH yang digunakan merupakan gabungan dari kelas vegetasi dan kelas tanah terbuka, sehingga dari klasifikasi tutupan lahan yang terdiri dari 4 kelas (vegetasi, tanah terbuka, lahan terbangun dan air) dilakukan reklasifikasi menjadi 2 kelas (RTH dan non RTH).

Perhitungan akurasi dilakukan dengan menumpangsusunkan kelas RTH dari beberapa indeks tersebut dengan hasil klasifikasi RTH dari data Pleiades pada enam Area of Interest (AoI) menggunakan proses union, kemudian dikelaskan daerah yang beririsan (corrected), daerah yang masuk kelas lain (omission) dan daerah tambahan dari kelas lain (commission). Hasil akurasi yang diperoleh pada beberapa keenam AoI adalah sebesar 80.90 %. Tabel 2 memperlihatkan hasil perhitungan akurasi untuk setiap AoI dan keseluruhan AoI. Secara umum di setiap AoI terdapat omission error yang lebih tinggi dibandingkan commision error, artinya

masing ada beberapa wilayah yang tidak terkelaskan sebagai RTH berdasarkan kombinasi citra indeks tersebut.

Tutupan Vegetasi

Lahan Terbangun

Tanah Terbuka

Air

40

Tabel 2. Akurasi klasifikasi RTH

No AoI Luas (m2) Accuracy

Commision Ommision Corrected (%)

1 Aoi 1 17,623 95,992 886,288 88.64

2 Aoi2 428,482 450,223 3,125,087 78.05

3 Aoi3 63,710 106,007 780,435 82.14

4 Aoi4 103,194 112,486 780,130 78.34

5 Aoi5 155,713 168,436 1,229,161 79.13

6 Aoi6 110,752 79,523 720,039 79.10

Rata-rata accuracy 80.90

Setelah dilakukan verifikasi citra tutupan lahan pada data tanggal 13 September 2013 menggunakan data Pleiades 12 Juli 2013 kemudian dilakukan penerapan threshold atau rule set pada data tanggal 25 Agustus 2014, namun masih diperlukan

verifikasi lebih lanjut untuk hasil penerapan pada data tahun lainnya. Citra tutupan lahan tahun 2014 dapat dilihat pada Gambar 5. Dari tutupan lahan tahun 2013 dan 2014 terlihat ada perubahan terutama adanya pengurangan vegetasi dan penambahan lahan terbangun. Adapun luas masing-masing tutupan lahan tersebut dan perubahannya dapat dilihat pad Tabel 3.

Tabel 3. Luas tutupan lahan tahun 2013 dan 2014

No Tutupan Lahan Luas (km2)

2013 2014

Perubahan

1 Vegetasi 166.24 112.82 -53.42

2 Lahan terbangun

442.84 474.79 +31.95

3 Tanah Terbuka 12.25 30.95 +18.70

4 Air 20.13 22.89 +2.76

4. KESIMPULAN

Kombinasi indeks NDVI, NDWI, NDBI dan NDBaI memberikan hasil yang cukup baik pada klasifikasi tutupan lahan dan ruang terbuka hijau dengan tingkat akurasi sebesar 80,90 %.

41

5. UCAPAN TERIMAKASIH

Terima kasih disampaikan kepada Kepala Pusat Pemanfaatan Penginderaan Jauh LAPAN dan Kepala Bidang Lingkungan dan Mitigasi Bencana yang telah memfasilitasi kegiatan penelitian ini, serta Kepala Pusat Teknologi dan Data Penginderaan Jauh LAPAN yang telah menyediakan data Landsat 8 dan Pleiades.

DAFTAR PUSTAKA

Chen, Z. M., Babiker, I. S., Chen, Z. X, Komaki, K., Mohamed, M. A. A., & Kato, K (2004). Estimation of interannual variation in productivity of global vegetation using NDVI data. International Journal of Remote Sensing, 25 (16), 3139−3150.

Chen, X.L., Zhao, H.M., Li, P.X., and Yin, Z.Y (2006). Remote Sensing Image-based Analysis of the Relationship Between Urban Heat Island and Land use/cover changes. Remote Sensing of Environment 104 (2006) 133-146.

Departemen Pekerjaan Umum (2008). Peraturan Meneteri Pekerjaan Umum Nomor: 05/PRT/M/2008 tentang Pedoman Penyediaan dan Pemanfaatan Ruang Terbuka Hijau di Kawasan Perkotaan. Jakarta.

Febrianti, N dan Parwati,S (2014). Ruang Terbuka Hijau di DKI Jakarta Berdasarkan Analisis Spasial dan Spektral Data Landsat 8. Prosiding Seminar Nasional Penginderaan Jauh, Bogor 2014.

Febrianti, N, Pasaribu, J.M, Sulma, S (2015). Analisis Ruang Terbuka Hijau di DKI Jakarta Menggunakan Data SPOT 6. Prosiding PIT MAPIN, Bogor 2015.

Gao, B (1996). NDWI- A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water From Space. Remote Sensing Environment. 58: 257-266 (1996).

Molidena, E., As-syakur, A.R (2012). Karakteristik Pola Spektral Vegetasi Hutan dan Tanaman Industri berdasarkan Data Penginderaan Jauh. Prosiding PIT MAPIN XIX, Makassar 2012.

NASA (2015). Measuring Vegetation (NDVI & EVI). Cited in http://earthobservatory.nasa.gov/Features/MeasuringVegetation/measuring_vegetation_2.php [23 Maret 2015]

Purevdorj, T. S., Tateishi, R., Ishiyama, T., Honda, Y. (1998). Relationships between Percent Vegetation Cover and Vegetation Indices. International Journal of Remote Sensing, 19(18), 3519−3535

Purwanto A.D., Asriningrum W., Winarso G., Parwati E (2014). Analisis Sebaran dan Kerapatan Mangrove Menggunakan Citra Landsat 8 di Segara Anakan, Cilacap. Prosiding Seminar Nasional Penginderaan Jauh 2014. Bogor.

Senanayake, I.P., Welivitiya W.D.D.P., Nadeeka, P.M (2013). Remote sensing based analysis of urban heat islands with vegetation cover in Colombo city, Sri Lanka using Landsat-7 ETM+ data. Urban Climate 5 (2013) 19-35.

Xu, H (2007). Extraction of Urban Built-up Land Features from Landsat Imagery Using a Thematic oriented Index Combination Technique. Photogrammetric

42

Engineering & Remote Sensing Vol. 73, No. 12, December 2007, pp. 1361-1391.

Zhao, H. M., & Chen, X. L. (2005). Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+. Geoscience and Remote Sensing Symposium, 3(25–29), 1666−1668.

43

Lampiran 3: Survei Lapangan

1. PENDAHULUAN

Desakan penduduk yang hidup dan menggantungkan diri pada kehidupan di kota besar seperti DKI Jakarta semakin menekan pelestarian lingkungan hidup. Dampak yang muncul akibat alih fungsi lahan seperti perluasan pemukiman dan pembangunan infrastruktur adalah semakin berkurangnya luasan tutupan vegetasi. Salah satu strategi perkotaan untuk mengatasi permasalah tersebut adalah dengan perluasan Ruang Terbuka Hijau (RTH).

Menurut Peraturan Menteri Pekerjaan Umum No.05/PRT/M/2008 RTH didefiniskan sebagai area memanjang/jalur dan atau mengelompok, yang penggunaannya lebih bersifat terbuka, tempat tumbuh tanaman, baik yang tumbuh secara alamiah maupun yang sengaja ditanam. Di dalam Undang-Undang No. 26 tahun 2007 tentang Penataan Ruang disebutkan bahwa luasan RTH yang dipersyaratkan dalam suatu wilayah adalah sebesar 30% dari luas wilayah keseluruhan, dimana 20%-nya merupakan RTH yang dimiliki dan dikelola oleh pemerintah kota dan digunakan untuk kepentingan umum (publik) dan sisanya sebesar 10% merupakan RTH yang dimiliki dan atau dikelola oleh kalangan pribadi (privat).

Ketersediaan RTH khususnya dalam wilayah urban sangatlah penting karena dapat mempengaruhi temperatur lingkungan di sekelilingnya yang berdampak pada tingkat kenyamanan dan kualitas hidup. Terkait dengan hal ini, analisis mengenai fenomena pulau panas perkotaan, atau biasa disebut dengan Urban Heat Island (UHI) menjadi penting untuk dilakukan. UHI menggambarkan peningkatan suhu permukaan atau atmosfir daerah perkotaan dibandingkan dengan daerah perdesaan di sekitarnya (Oke, 1973). Fenomena UHI merupakan gambaran peningkatan suhu udara daerah perkotaan pada lapisan penutup perkotaan (urban cover layer) atau lapisan di bawah gedung dan tajuk vegetasi dibandingkan dengan wilayah pinggiran kota, khususnya pada malam hari yang tenang dan cerah (Stone, 2005). Pada malam hari, permukaan bumi tidak menerima masukan energi dari radiasi matahari, tetapi permukaan bumi tetap akan memancarkan energi dalam bentuk radiasi gelombang panjang.

UHI dapat dianalisis menggunakan parameter yang diturunkan dari berbagai jenis data penginderaan jauh, seperti MODIS dan Landsat. Parameter yang biasa digunakan adalah suhu kecerahan (temperature brightness). MODIS dapat dimanfaatkan untuk membandingkan kondisi UHI siang dan malam hari, sedangkan data Landsat dengan resolusi spasial yang lebih tinggi dapat digunakan untuk identifikasi UHI pada siang hari.

Survei lapangan sangat diperlukan khususnya untuk membandingkan objek hasil pengolahan citra penginderaan jauh dengan kondisi aktual di lapangan, untuk memvalidasi model berbasis penginderaan jauh yang dikembangkan untuk pemantauan kondisi lingkungan serta untuk mendapatkan data-data pendukung yang diperlukan dalam analisis hasil yang diperoleh sehingga dapat bermanfaat bagi para pengguna.

44

2 TUJUAN

Tujuan dari survei ini adalah untuk Melakukan pengukuran-pengukuran, seperti posisi, reflektansi serta beberapa parameter lingkungan, seperti suhu permukaan, kelembaban, dan lain-lain. Pengukuran suhu permukaan akan dilakukan pada malam dan siang hari untuk posisi yang sama. 3 WAKTU, LOKASI DAN PERSONIL

a. Survei lapangan akan dilaksanakan selama 4 (empat) hari, dimulai pada hari/tanggal Selasa, 18 Agustus sampai dengan Jum’at, 21 Agustus 2015.

b. Survei lapangan akan dilaksanakan di Provinsi DKI Jakarta. Wilayah yang akan dikunjungi serta uraian kegiatan yang akan dilakukan diringkas pada Tabel 1.

c. Tabel 1. Lokasi dan uraian kegiatan survei lapangan

No Hari,Tanggal Kegiatan dan Lokasi Survei

1 Selasa

18 Agustus 2015

Pengecekan dan pengukuran di lapangan wilayah Penjaringan, dan sekitarnya, Jakarta Utara.

2 Rabu

19 Agustus 2015

Pengecekan dan pengukuran di lapangan wilayah Cakung, sekitarnya, Jakarta Timur

3 Kamis

20 Agustus 2015

Survei lapangan wilayah Tebet dan sekitarnya, Jakarta Selatan.

4 Jum’at

21 Agustus 2015

Survei lapangan wilayah Tebet dan sekitarnya, Jakarta Selatan.

5 Senin

24 Agustus 2015

Survei lapangan malam untuk wilayah Penjaringan, dan sekitarnya, Jakarta Utara

6 Selasa

25 Agustus 2015

Survei lapangan malam untuk wilayah Cakung dan sekitarnya, Jakarta Timur

Personil yang akan melaksanakan survei lapangan ditampilkan pada Tabel 3:

No Nama Instansi Periode

1 Jalu Tejo Nugroho, M.Si Koordinator 18- 21 dan 24 Agustus 2015

2 Ir. Hidayat, MT Peneliti 18- 21 dan 24 Agustus 2015

3 Dra. Nanik Suryo Haryani, M.Si Peneliti 18- 21 dan 24 Agustus 2015

4 Sayidah Sulma, M.Si Peneliti 19- 21 dan 24-25 Agustus 2015

5 Nur Febrianti, S.Si Peneliti 19- 21 dan 24-25 Agustus 2015

6 Dra. Any Zubaidah, M.Si Peneliti 19- 21 dan 24-25 Agustus 2015

7 Driver PTT 18- 21 dan 24-25 Agustus 2015

45

4. HASIL

Hari ke-1: Selasa, 18 Agustus 2015

Hari pertama survey lapangan dilakukan pada malam hari, dimulai sekitar pukul 18.30 dan berakhir sekitar pukul 23.30. Pengukuran temperatur dan beberapa parameter cuaca dilakukan di wilayah Manggarai dan sekitarnya, Jakarta Selatan. Pemilihan wilayah ini dilatarbelakangi munculnya titik panas di wilayah tersebut yang diperoleh dari ekstraksi citra Landsat tahun 2013. Kemunculan titik panas di wilayah ini diduga akibat pemukiman yang padat.

Pengukuran temperatur di wilayah Manggarai dan sekitarnya dilakukan di tiga lokasi berbeda, antara lain di Jembatan penyeberangan Manggarai (halte busway) dan sekitarnya, lahan terbuka (parkir) Kompas, dan lahan terbuka di sekitar gedung-gedung tinggi Kawasan Kuningan, Setiabudi Jakarta Selatan.

Pengukuran temperatur pada malam hari dilakukan pada sekitar jam 21.00 sampai dengan jam 23.00 menyesuaikan waktu edar satelit MODIS melintasi wilayah Indonesia. Gambar 1 dan Gambar 2 menjelaskan kondisi survey malam di daerah tersebut.

Hari ke-2: Rabu, 19 Agustus 2015

Hari kedua survey lapangan dilakukan pada siang hari, dimulai sekitar pukul 08.00 dan berakhir sekitar pukul 15.00. Pengukuran temperatur dan beberapa parameter cuaca dilakukan pada siang hari ini masih dilakukan di wilayah Manggarai dan sekitarnya, Jakarta Selatan untuk titik serta obyek yang sama, seperti dilakukan pada hari pertama.

Pengukuran temperatur siang hari di wilayah Manggarai dan sekitarnya masih dilakukan di tiga lokasi berbeda, antara lain di Jembatan penyeberangan Manggarai (halte busway) dan sekitarnya, lahan terbuka (parkir) Kompas, dan lahan terbuka di sekitar gedung-gedung tinggi Kawasan Kuningan, Setiabudi Jakarta Selatan.

Pengukuran temperatur pada siang hari ini dilakukan sebanyak dua kali untuk titik dan obyek yang sama, menyesuaikan waktu edar satelit MODIS melintasi wilayah Indonesia, yaitu pada pukul 10.00 dan pukul 13.00. Gambar 3 dan Gambar 4 menjelaskan pengukuran pada saat kondisi siang di daerah tersebut.

46

Hari ke-3: Kamis, 20 Agustus 2015

Hari ketiga survey lapangan dilakukan pada malam hari, dimulai sekitar pukul 18.30 dan berakhir sekitar pukul 23.30. Pengukuran temperatur dan beberapa parameter cuaca dilakukan di wilayah Gelora Senayan dan sekitarnya, Jakarta Pusat. Pemilihan wilayah ini dilatarbelakangi munculnya titik panas di wilayah tersebut yang diperoleh dari ekstraksi citra Landsat tahun 2013. Kemunculan titik panas di wilayah ini diduga akibat adanya pusat bisnis dan volume kendaraan yang sangat tinggi.

Pengukuran temperatur di wilayah Gelora Senayan dan sekitarnya juga dilakukan di tiga lokasi berbeda, antara lain di lahan parkir Jakarta Convention Center (JCC) dan sekitarnya, taman pembatas jalan di area pintu masuk menuju JCC (keduanya di Jakarta Pusat) dan taman kota Pakubuwono IV, Jakarta Selatan.

Pengukuran temperatur pada malam hari juga dilakukan pada sekitar jam 21.00 sampai dengan jam 23.00 menyesuaikan waktu edar satelit MODIS melintasi wilayah Indonesia. Gambar 5 dan Gambar 6 menjelaskan kondisi survey malam di daerah tersebut.

Hari ke-4: Jumat, 21 Agustus 2015

Hari keempat survey lapangan dilakukan pada siang hari, dimulai sekitar pukul 08.00 dan berakhir sekitar pukul 15.00. Pengukuran temperatur dan beberapa parameter cuaca dilakukan pada siang hari ini masih dilakukan di wilayah Gelora Senayan dan

47

sekitarnya, Jakarta Pusat untuk titik serta obyek yang sama, seperti dilakukan pada hari pertama.

Pengukuran temperatur siang hari di wilayah Gelora Senayan dan sekitarnya masih dilakukan di tiga lokasi berbeda, yaitu di lahan parkir Jakarta Convention Center (JCC), taman pembatas jalan di area pintu masuk menuju JCC (keduanya di Jakarta Pusat) dan taman kota Pakubuwono IV, Jakarta Selatan

Pengukuran temperatur pada siang hari ini dilakukan sebanyak dua kali untuk titik dan obyek yang sama, menyesuaikan waktu edar satelit MODIS melintasi wilayah Indonesia, yaitu pada pukul 10.00 dan pukul 13.00. Gambar 7 dan Gambar 8 menjelaskan pengukuran pada saat kondisi siang di daerah tersebut.

Hari ke-5: Senin, 24 Agustus 2015

Hari kelima survey lapangan dilakukan pada malam hari, dimulai sekitar pukul 18.30 dan berakhir sekitar pukul 23.30. Pengukuran temperatur dan beberapa parameter cuaca dilakukan di wilayah kawasan Pulogadung dan sekitarnya, Jakarta Timur. Pemilihan wilayah ini dilatarbelakangi munculnya titik panas di Cakung dan wilayah tersebut yang diperoleh dari ekstraksi citra Landsat tahun 2013. Kemunculan titik panas di wilayah ini diduga akibat adanya kawasan industry di daerah tersebut.

48

Pengukuran temperatur di wilayah Pulogadung dan sekitarnya juga dilakukan di dua lokasi berbeda, yaitu area pergudangan dan area jalan di kawasan industri tersebut. Pengukuran temperatur pada malam hari juga dilakukan pada sekitar jam 21.00 sampai dengan jam 23.00 menyesuaikan waktu edar satelit MODIS melintasi wilayah Indonesia. Gambar 9 dan Gambar 10 menjelaskan kondisi survey malam di daerah tersebut.

Hari ke-6: Selasa, 25 Agustus 2015

Hari keenam survey lapangan dilakukan pada siang hari, dimulai sekitar pukul 08.00 dan berakhir sekitar pukul 15.00. Pengukuran temperatur dan beberapa parameter cuaca dilakukan pada siang hari ini masih dilakukan di wilayah kawasan Pulogadung dan sekitarnya, Jakarta Timur untuk titik serta obyek yang sama, seperti dilakukan pada hari pertama.

Pengukuran temperatur siang hari di wilayah Pulogadung dan sekitarnya masih dilakukan di dua lokasi berbeda, yaitu area pergudangan dan area jalan di kawasan industri tersebut. Pengukuran temperatur pada siang hari ini dilakukan sebanyak dua kali untuk titik dan obyek yang sama, menyesuaikan waktu edar satelit MODIS melintasi wilayah Indonesia, yaitu pada pukul 10.00 dan pukul 13.00. Gambar 11 dan Gambar 12 menjelaskan pengukuran pada saat kondisi siang di daerah tersebut.

Hasil Pengukuran Parameter Cuaca

Pengukuran-pengukuran yang dilakukan pada saat melakukan survey lapangan terkait urban heat island adalah sebagai berikut:

1 Posisi dan temperatur udara untuk berbagai obyek yang berbeda, seperti aspal, rumput hijau, rumput kering, tanah, dll

2 Parameter cuaca, seperti kecepatan angin, kelembaban udara, dll 3 Spektrofotometer untuk obyek yang dominan dalam suatu lokasi.

49

Hasil pengukuran parameter cuaca diringkas pada tabel di bawah ini.

No Lokasi Waktu Ketinggian Kec. Suhu Kelembaban Heat Stress

Pengukuran Angin Index

1 Jembatan Penyeberangan 20.28 (malam) 136 1.7 82.9 77.2 91.2

Manggarai 10.27 (siang) 2 86 63.7 95.8

2 Area Parkir JCC 21.13 (malam) 108 0.8 84.4 71.2 93.1

Gelora Senayan 9.51 (siang) 0.6 85.2 62.5 92.2

3 Kawasan Industri 20.5 (malam) 65 0.6 85 74 92.1

Pulogadung 10.01 (siang) 3.2 88.3 51.7 98.6

50

Lampiran 4: Pertemuan Koordinasi

Topik : Koordinasi/Sosialisai Pemanfaatan Penginderaan Jauh untuk Pemantauan Lingkungan dalam rangka mendukung program Menuju Indonesia Hijau dan Perencanaan Ruang Terbuka

Hari/tanggal : Jumat, 27 Februari 2015

Waktu : 09.00 – selesai

Tempat : R. Rapat LMB

Pimpinan : Kepala Bidang LMB PUSFATJA LAPAN

Peserta Rapat

: 1. Staf Subdit Tata Ruang dan Pertamanan BAPPEDA DKI JAKARTA

2. Koordinator Kegiatan Inhouse Lingkungan 3. Anggota Tim Inhouse Lingkungan

Notulen : Hana Listi F

Kategori Hasil Tindak Lanjut

Agenda Rapat :

Sosialisasi/Koordinasi Kegiatan 2015 dalam pemanfaatan data Inderaja

Menjalin sinergitas

antara LAPAN dan Stakeholder

1. Pemprov DKI Jakarta memiliki kendala dalam menentukan presentase atau luas RTH yang telah ada diseluruh wilayah DKI.

2. Menurut UU No. 26 Tahun 2007 presentase Ruang terbuka Hijau (RTH) adalah 30% dengan 20% untuk area publik dan 10% untuk area privat, sedangkan eksisting dilapangan 2014 hanya 7,6% dari hasil foto udara dan RDTR DKI Jakarta, sedangkan dari data sekundur SKPD hanya 5%.

3. DKI Jakarta akan dijadikan Pilot project dalam penentuan metode yang sederhana dan akurat dalam penentuan RTH dengan data Penginderaan Jauh.

4. Data Citra Pleiades dapat digunakan untuk menentukan keakuratan dari penentuan RTH

5. Data sekunder/data lapangan akan membantu Tim dalam validasi RTH dari citra terutama RDTR .

1. Perlu sinergitas antara LAPAN dan Stakeholder lainnya agar penelitian yang dilakukan lebih bermanfaat dan dapat digunakan.

2. Diperlukan koordinasi lebih lanjut dengan Dinas Teknis terkait seperti Dinas Penataan Kota, Dinas Pertamanan dan Pemakaman, BPLHD, dll.

3. Diperlukan kesamaan persepsi dalam menentukan kriteria ruang terbuka hijau karena PEMDA DKI menyatakan bahwa RTH adalah lokasi hijau di zona hijau sehingga diharapkan dikemudian hari tidak akan ada perubahan tata guna lahan.

Dijajaki kerjasama dalam hal survey atau ground check

lapangan.

51

Dokumentasi

PUSAT PEMANFAATAN PENGINDERAAN JAUH - 2015

PEMANFAATAN PENGINDERAAN JAUH UNTUK …pusfatja.lapan.go.id/files_uploads_ebook/publikasi/Buku...

Documents

Transcript of PEMANFAATAN PENGINDERAAN JAUH UNTUK …pusfatja.lapan.go.id/files_uploads_ebook/publikasi/Buku...