PEMETAAN SUHU PERMUKAAN TANAH DAN VEGETASI SEBAGAI...
Transcript of PEMETAAN SUHU PERMUKAAN TANAH DAN VEGETASI SEBAGAI...
1
PEMETAAN SUHU PERMUKAAN TANAH DAN VEGETASI SEBAGAI DATA PENDUKUNG
KEBIJAKAN REBOISASI Oktavianto Gustin, Lalu Muhamad Jaelani.
Program Studi Teknik Geomatika, FTSP, ITS, Surabaya, 60111, Indonesia
Email: [email protected]
Abstrak
Saat ini isu pemanasan global sangat diperhatikan oleh dunia. Salah satu penyebab pemanasan global ini adalah Urban Heat Island (UHI). Sedangkan Pulau Jawa merupakan Pulau dengan penduduk
terpadat di Indonesia. Kepadatan tersebut didukung dengan berbagai macam fasilitas lengkap yang
tersedia termasuk kawasan perindustrian dibandingkan dengan pulau lainnya sehingga menimbulkan udara panas yang terpusat di daerah perkotaan di Pulau Jawa. Oleh karena itu penelitian UHI dapat
diterapkan pada Pulau Jawa dan upaya untuk mengatasi UHI dapat dilakukan dengan reboisasi pada
daerah yang memiliki suhu paling tinggi atau lokasi reboisasi yang tepat dengan analisa citra TERRA
dan AQUA satelit Moderate Resolution Imaging Spectroradiometer (MODIS) Dalam penelitian ini dilakukan dengan menggabungkan data hasil ekstraksi suhu permukaan tanah
(SPT) dan indeks vegetasi (IV). Algoritma yang digunakan dalam pengolahan citra MODIS untuk
ekstraksi data SPT dengan menggunakan 3 algoritma perhitungan, yaitu algoritma Price (1984), Li&Becker (1991), dan Coll et. al,(1994). Sedangkan untuk ekstraksi nilai IV yang diekstraksi dari data
MODIS menggunakan 4 algoritma yaitu NDVI, SAVI, SARVI dan EVI. Dengan menggunakan beberapa
algoritma bisa didapat hasil pendekatan nilai dengan menentukan algoritma SPT dan IV yang mempunyai korelasi lebih baik.
Hasil dari penelitian ini menunjukkan bahwa korelasi yang terbaik adalah perhitungan SPT
algoritma Coll et. al. dengan perhitungan IV algoritma EVI. Pada penelitian ini dihasilkan 3 golongan
daerah, yaitu daerah saran reboisasi I (disarankan segera direboisasi) terdapat di 38 Kabupaten/Kodya, daerah saran reboisasi II (disarankan setelah daerah saran reboisasi I) terdapat di 47 Kabupaten/Kodya,
daerah Anomali (daerah penyimpangan yaitu daerah dengan suhu tinggi dan vegetasi tinggi) terdapat di
12 Kabupaten/Kodya.
Kata kunci: TERRA, AQUA, MODIS, Urban Heat Island, Suhu Permukaan Tanah, Indeks Vegetasi,
Reboisasi, Anomali.
PENDAHULUAN
Latar Belakang
Saat ini pemanasan global sangat diperhatikan oleh dunia karena memiliki dampak
yang sangat besar bagi dunia. Beberapa
penelitian menunjukkan bahwa salah satu penyebab pemanasan global adalah Urban Heat
Island (UHI) yang dicirikan seperti “pulau”
memiliki permukaan udara panas yang terpusat
di area urban dan akan semakin turun temperaturnya di daerah sekelilingnya pada
daerah suburban/rural.
Salah satu cara untuk mengatasi UHI dengan cara reboisasi pada daerah yang
memiliki suhu paling tinggi dan daerah dengan
vegetasi yang jarang/gersang. Untuk mengetahui lokasi tersebut diperlukan analisa citra TERRA
dan AQUA satelit MODIS band 31 dan 32
sehingga diketahui suhu permukaan tanah suatu
daerah. Sedangkan untuk mengetahui vegetasi
diperlukan band 1, 2 dan 3. Pulau Jawa. yang merupakan pulau dengan
penduduk terpadat di Indonesia. Kepadatan
tersebut didukung dengan berbagai macam fasilitas lengkap yang tersedia termasuk
kawasan perindustrian dibandingkan dengan
pulau lainnya sehingga menimbulkan polusi
hingga udara panas yang terpusat di daerah perkotaan di Pulau Jawa. Oleh karena itu
penelitian UHI dapat diterapkan pada Pulau
Jawa dan upaya untuk mengatasi UHI dapat dilakukan dengan Reboisasi pada daerah yang
memiliki suhu paling tinggi dan daerah vegetasi
yang jarang melalui analisa citra TERRA dan AQUA satelit MODIS.
2
Perumusan Masalah
Perumusan masalah dalam penelitian ini adalah:
“Bagaimana menentukan daerah UHI yang
perlu dilakukan reboisasi dengan data SPT dan
IV menggunakan citra TERRA dan AQUA satelit MODIS ?”
Batasan Masalah Batasan masalah dari penelitian ini adalah
sebagai berikut:
a. Data citra yang digunakan adalah citra TERRA dan AQUA MODIS tanggal 24 Juli
2010 dan 12 Oktober 2010.
b. Wilayah penelitian meliputi Pulau Jawa.
c. Karena keterbatasan data lapangan maka tidak dilakukan uji validasi, sehingga data
SPT dan IV citra yang digunakan adalah
hasil kombinasi korelasi perhitungan algoritma SPT dan IV yang terbaik
(mendekati nilai -1).
Tujuan Tujuan penelitian ini adalah untuk
memetakan suhu permukaan tanah dan indeks
vegetasi serta menganalisanya menggunakan citra TERRA dan AQUA MODIS yang diambil
pada tanggal 24 Juli dan 12 Oktober 2010
sehingga diketahui daerah yang memerlukan reboisasi sebagai upaya pengurangan dampak
pemanasan global.
Manfaat Penelitian Manfaat yang diperoleh dari penyusunan
Tugas Akhir ini adalah mengetahui kemampuan
Citra TERRA dan AQUA MODIS dalam menentukan daerah UHI sehingga daerah
reboisasi dapat ditentukan secara tepat.
METODOLOGI PENELITIAN
Lokasi Penelitian
Lokasi penelitian Tugas Akhir ini
mengambil studi di Pulau Jawa.
Gambar 3.1 Lokasi Penelitian
(Sumber: http://www.penataanruang.net/taru/Peta/...)
Data dan Peralatan
Data
Data yang digunakan dalam penelitian ini adalah.
a. Citra TERRA MODIS tanggal 24 Juli 2010
MOD021KM.A2010205.0315.005.2010205132707.hdf
b. Citra TERRA MODIS tanggal 12 Oktober
2010 MOD021KM.A2010285.0315.005.2010285
192255.hdf
c. Citra AQUA MODIS tanggal 24 Juli 2010 MYD021KM.A2010205.0610.005.2010205180800.hdf
d. Citra AQUA MODIS tanggal 12 Oktober
2010 MYD021KM.A2010285.0610.005.2010285
224652_2.hdf
e. Peta Administrasi Indonesia file
indo_kab.shp skala 1:1.000.000 dari Bakosurtanal
Peralatan Peralatan yang digunakan dalam penelitian
ini adalah:
a. Perangkat Keras (Hardware) - Laptop.
b. Perangkat Lunak (Software)
- Sistem Operasi Windows XP.
- Microsoft Word 2007. - Microsoft Excel 2007.
- Microsoft Visio 2003.
- ENVI 4.6.1. - ArcGis 9.3.
- Matlab 7.0.
Tahap Pengolahan Data
Tahapan dalam pengolahan data ini adalah:
3
Citra MODIS band 31, 32
Juli dan Oktober tahun 2010Citra MODIS band 1, 2,3
Juli dan Oktober tahun 2010
Koreksi Geometrik Koreksi Geometrik
Peta
Administrasi
Indonesia
RMS
Error 1
Piksel
RMS
Error 1
Piksel
Ya
Tidak
Ya
Tidak
Algoritma
Li&Becker
Analisis
Cropping Cropping
Citra Terkoreksi Citra Terkoreksi
Algoritma Coll
et.alAlgoritma Price
Suhu
permukaan
tanah 1
Suhu
permukaan
tanah 2
Suhu
permukaan
tanah 3
Algoritma
SAVI
Algoritma
SARVI
Algoritma
NDVI
Indeks
Vegetasi 1
Indeks
Vegetasi 2
Indeks
Vegetasi 3
Algoritma
EVI
Indeks
Vegetasi 4
Korelasi
mendekati -1
Ya
TidakSelesai
Klasifikasi Citra
Citra Terklasifikasi
Pemetaan Daerah Reboisasi
Peta Daerah Saran Reboisasi
Georeference Modis Georeference Modis
Cropping 2 Cropping 2
Penentuan Batas
Studi
Vektor Pulau
Jawa
Overlay
Selesai
Mulai
Band 1&2
Reflektan
Algoritma
Cloud Masking
Band 3
Reflektan
Citra Cloud
Masking
Konversi nilai menjadi
Brightness Temperature
Gambar 3.2 Tahapan Pengolahan Data
Keterangan:
a. Input Data citra TERRA dan AQUA MODIS
band 1, 2, 3, 31, 32 tanggal 24 Juli tahun
2010, 12 Oktober tahun 2010 dan Peta Administrasi Indonesia file indo_kab.shp.
b. Georeferensi MODIS untuk mendapatkan
bentuk dan posisi sebenarnya dari permukaan bumi yang dipotret oleh satelit. Proses ini
dilakukan di software ENVI. Metode
transformasi yang digunakan adalah metode
Triangulasi. Di proses ini dilakukan pemilihan jenis proyeksi
(Latitude/Longitude), datum (WGS 1984),
unit (Degree), memasukkan parameter sensor, dan koreksi bowtie. Selain itu juga
dilakukan proses spectral subset, yaitu
memilih band yang akan diproses dalam penelitian ini yaitu band 1-3, dan band
31&32.
c. Overlay dilakukan untuk menggabungkan
citra terkoreksi dengan vektor Pulau Jawa. d. Pada citra dipilih daerah mana yang akan
digunakan kemudian dipotong/Cropping
yang ke dua dilakukan setelah citra di overlay dengan vektor Pulau Jawa.
e. Koreksi Geometrik dilakukan antara citra
dengan peta vektor. Apabila nilai Root Mean Square Error (RMSE) lebih besar dari satu
(RMSE > 1) maka harus dilakukan koreksi
geometrik lagi, sampai di dapat nilai RMSE
kurang atau sama dengan 1 (RMSE ≤ 1)
sehingga citra tersebut sudah terkoreksi
secara geometrik. f. Pengolahan data SPT didasarkan pada 3
persamaan sebagai berikut:
Price (1984).
SPT1=
Tb31+3,3(Tb31-Tb32)* +0,75 Tb31
(ε31-ε32) ................................................... (1)
Li dan Becker (1991).
SPT2=
…………………………… .... (2)
Dengan
= 1,274
P = 1,00+0,15616* – 0,482 *
M = 6,26 + 3,98 * – 38,33 *
Coll et.al, (1994).
SPT3 = Tb31+A(Tb31-Tb32)+B ................. (3) Dimana:
A =1,0+0,58(Tb31-Tb32)
p =50 ºK ∆ε =/ε31-ε32/=0,001
B =0,51+40(1-ε)-pAε
B =0,92
Selanjutnya untuk mengkonversi nilai SPT (ºK) ke SPT (ºC), maka hasil nilai
dikurangi dengan 273.
g. Pengolahan data IV menggunakan persamaan berikut.
NDVI= ..................................... (4)
Dimana:
nir = Nilai Reflektan kanal inframerah
dekat
red = Nilai reflektan kanal merah
SAVI=
[ NIR- RED)/( NIR+ RED+L) ............ (5) Besarnya L yang digunakan dalam
penelitian ini adalah 0,6.
SARVI=
2*( NIR- RED)/(L+C1* RED-C2* BLUE) ............................................................... (6)
Nilai L= 0,6 (faktor koreksi terhadap
background kanopi), dan C1= 3,3 dan C2 =
4,2 yang merupakan koefisien-koefisien tahanan terhadap aerosol atmosfer.
4
EVI=G* ............. (7)
NIR = NIR Reflectance
Red = Red Reflectance
Blue = Blue Reflectance
C1 = Atmosphere Resistance Red Correction Coefficient = 6
C2 = Atmosphere Resistance Blue
Correction Coefficient = 7,5 L = Canopy Background Brightness
Correction = 1
G = Gain Factor = 2,5 h. Konversi nilai band 31 dan 32 menjadi
Brightness Temperature/suhu kecerahan(Tb).
Dengan algoritma berikut.
Tb= ((C2)/(Vi*alog(C1/(Vi5*B1)+1)) ....... (8)
Keterangan:
B1 = Band 31, 32
C1 = 1,1910659x108[W m
-2 sr
-1(μm
-1)
-4],
C2 = 1,438833x104[K μm]
Vi = panjang gelombang pusat
(central wavelength). i. Proses Cloud Masking/pemisahan awan yang
dilakukan di semua piksel menggunakan
band 3 bertujuan agar data citra terbebas dari
awan, yaitu dengan menjadikan daerah yang tertutup awan menjadi bernilai DN=0.
Algoritma yang digunakan adalah:
Cloud Masking= (B3 GE 0,2)*0+(B3 LT 0,2)*1 ................ (9)
j. Klasifikasi Citra dilakukan dengan
menganalisis sejumlah piksel yang tidak
dikenal dan membaginya dalam sejumlah kelas berdasarkan pengelompokan nilai
digital citra.
k. Korelasi merupakan derajat hubungan linier antara hasil perhitungan algoritma SPT dan
IV dengan menggunakan persamaan.
rXY= ... ......... (10)
rXY = Korelasi XY n = Jumlah data
X = Data X
Y = Data Y l. Peta Suhu Permukaan Tanah dan NDVI
merupakan hasil Overlay dari band 31, 32,
1,2 dan 3, yang selanjutnya dapat disajikan dalam bentuk peta.
m. Kesimpulan dan Saran dalam penelitian ini
dapat dianalisa jika suhu di suatu daerah
tertentu tinggi dan kurangnya vegetasi
disekitarnya, maka dapat disimpulkan bahwa
daerah tersebut memerlukan reboisasi lebih utama juga disarankan untuk segera
dilakukannya reboisasi.
HASIL DAN PEMBAHASAN Hasil Korelasi
Berikut ini tabel korelasi dengan
menggunakan data TERRA dan AQUA MODIS. Tabel 1 Korelasi antara berbagai macam
algoritma SPT dengan IV citra TERRA tanggal
24 Juli 2010. No. Kombinasi Algoritma Korelasi Prosentasi
Korelasi (%) 1 SPT Price & NDVI -0,335498 -33,5497887
2 SPT Price & SAVI -0,477768
-47,7767958
3 SPT Price & SARVI -0,564117 -56,4116671
4 SPT Price & EVI -0,581284 -58,1283991
5 SPT Li Becker & NDVI -0,298383 -29,8382776
6 SPT Li Becker & SAVI -0,443113 -44,3112932
7 SPT Li Becker & SARVI -0,563388 -56,3387792
8 SPT Li Becker & EVI -0,587179 -58,7179416
9 SPT Coll, et. al. & NDVI -0,357791 -35,7791309
10 SPT Coll, et. al. & SAVI -0,497514 -49,7514238
11 SPT Coll, et. al. & SARVI -0,577119 -57,7118742
12 SPT Coll, et. al. & EVI -0,592568 -59,2568115
Tabel 2 Korelasi antara berbagai macam
algoritma SPT dengan IV citra TERRA tanggal
12 Oktober 2010. No. Kombinasi Algoritma Korelasi Prosentasi
Korelasi (%) 1 SPT Price & NDVI -0,283249 -28,3249287
2 SPT Price & SAVI -0,435994 -43,599434
3 SPT Price & SARVI -0,577212 -57,7212283
4 SPT Price & EVI -0,609615 -60,961471
5 SPT Li Becker & NDVI -0,249341 -24,9340969
6 SPT Li Becker & SAVI -0,409945 -40,9945157
7 SPT Li Becker & SARVI -0,558116 -55,8115613
8 SPT Li Becker & EVI -0,593694 -59,369393
9 SPT Coll, et. al. & NDVI -0,300711 -30,0710953
10 SPT Coll, et. al. & SAVI -0,451215 -45,1214994
11 SPT Coll, et. al. & SARVI -0,589185 -58,9185032
12 SPT Coll, et. al. & EVI -0,62015 -62,0150259
Tabel 3 Korelasi antara berbagai macam
algoritma SPT dengan IV citra AQUA tanggal
24 Juli 2010. No. Kombinasi Algoritma Korelasi Prosentasi
Korelasi (%) 1 SPT Price & NDVI -0,215329 -21,5328745
2 SPT Price & SAVI -0,249702 -24,9702453
3 SPT Price & SARVI -0,419656 -41,9655851
4 SPT Price & EVI -0,451388 -45,1387896
5 SPT Li Becker & NDVI -0,191017 -19,1017288
6 SPT Li Becker & SAVI -0,235885 -23,5884991
7 SPT Li Becker & SARVI -0,416502 -41,6502244
8 SPT Li Becker & EVI -0,451815 -45,181547
9 SPT Coll, et. al. & NDVI -0,234808 -23,4808228
10 SPT Coll, et. al. & SAVI -0,263338 -26,3338286
11 SPT Coll, et. al. & SARVI -0,432453 -43,2453182
12 SPT Coll, et. al. & EVI -0,463732 -46,3732497
5
Tabel 4 Korelasi antara berbagai macam
algoritma SPT dengan IV citra AQUA tanggal 12 Oktober 2010.
No. Kombinasi Algoritma Korelasi Prosentasi
Korelasi (%) 1 SPT Price & NDVI 0,2535552 25,35551605
2 SPT Price & SAVI 0,1092573 10,92572863
3 SPT Price & SARVI -0,083314 -8,33137583
4 SPT Price & EVI -0,150739 -15,0739456
5 SPT Li Becker & NDVI 0,2812175 28,12175066
6 SPT Li Becker & SAVI 0,1380569 13,80568928
7 SPT Li Becker & SARVI -0,055466 -5,54659549
8 SPT Li Becker & EVI -0,123116 -12,3116335
9 SPT Coll, et. al. & NDVI 0,2261178 22,61178154
10 SPT Coll, et. al. & SAVI 0,0817979 8,179789789
11 SPT Coll, et. al. & SARVI -0,1086 -10,8599896
12 SPT Coll, et. al. & EVI -0,175299 -17,5299303
Berdasarkan tabel di atas didapatkan nilai
korelasi dari kombinasi algoritma SPT dan IV. Korelasi yang terbaik yaitu mendekati nilai -1
dikarenakan nilai (-) merupakan hasil dari
korelasi 2 data yang berbanding terbalik, misal jika pada suatu daerah mempunyai vegetasi
rendah maka suhu tinggi, dan begitupun
sebaliknya. Dapat diketahui pada tabel 1 bahwa
algoritma SPT dan IV yang terbaik digunakan dalam penelitian UHI adalah SPT Coll, et. al.
dengan EVI nilai korelasi -0,59257, tabel 2
adalah SPT Coll, et. al dengan EVI nilai korelasi -0,62015, tabel 3 adalah SPT Coll, et. al dengan
EVI nilai korelasi -0,46373, tabel 4 adalah SPT
Coll, et. al dengan EVI nilai korelasi -0,1753.
Daerah Saran Reboisasi
Merupakan daerah yang disarankan untuk
dilakukannya reboisasi, dalam penelitian ini terdapat dua macam daerah saran reboisasi
yaitu:
a. Daerah saran reboisasi I, menggunakan hasil overlay klasifikasi antara SPT dengan suhu
33,5ºC-50ºC atau suhu tertinggi dengan
klasifikasi nilai IV berkisar -0,25-0,15 atau vegetasi terjarang (kurang). Daerah ini adalah
daerah yang paling disarankan untuk
dilakukannya reboisasi
b. Daerah saran reboisasi II, menggunakan hasil overlay klasifikasi antara SPT dengan suhu
31,5ºC-33,5ºC atau suhu sedang dengan
klasifikasi nilai IV berkisar -0,25-0,15 atau vegetasi terjarang (kurang). Daerah ini adalah
daerah yang disarankan untuk dilakukannya
reboisasi setelah daerah I.
Gambar 4.2 Peta SPT Algoritma Coll et. al.
TERRA 24 Juli 2010
Gambar 4.3 Peta IV Algoritma EVI TERRA 12
Oktober 2010
Gambar berikut ini merupakan Peta
perencanaan reboisasi
Gambar 4.4 Peta Perencanaan Reboisasi
Daerah Anomali
Merupakan daerah yang memiliki SPT tinggi (33,5ºC-50ºC) dengan IV terbanyak (0,65-
1). Daerah ini diperoleh dari hasil Overlay dari
klasifikasi SPT 33,5ºC-50ºC dengan IV 0,65-1.
6
ANALISIS
Analisa Korelasi Algoritma SPT dan IV yang sesuai dengan
penelitian UHI dicari dengan menggunakan
koefisien korelasi dengan nilai mendekati -1,
bernilai (-) dikarenakan dalam hal ini dicari 2 nilai data yang berbanding terbalik. Semakin
nilai r mendekati nilai -1 atau -100% maka
menunjukkan adanya tingkat hubungan yang tinggi atau sebaliknya pada data didapatkan
bahwa kombinasi algoritma antara SPT Coll, et.
al. dengan EVI memiliki korelasi terbaik. Pada penelitian UHI ini sangat sulit didapat kan nilai
korelasi yang hampir mendekati -1 atau 100%
dikarenakan pada suhu tinggi tidak hanya
disebabkan vegetasi pada suatu daerah yg
kurang tetapi juga dipengaruhi oleh ketinggian terhadap MSL, tutupan awan, kepadatan suatu
daerah, daerah industri, dan polusi yang
dihasilkan pada suatu daerah.
Analisa Perencanaan Reboisasi Dari citra TERRA 24 Juli 2010, TERRA
12 Oktober 2010, AQUA 24 Juli 2010, AQUA
12 OKTOBER 2010 dapat disimpulkan bahwa
daerah saran reboisasi I terdapat di 38
Kabupaten/Kodya, daerah saran reboisasi II terdapat di 47 Kabupaten/Kodya, daerah
Anomali terdapat di 12 Kabupaten/Kodya.
Pada Peta perencanaan reboisasi terdapat daerah Anomali yang merupakan daerah
penyimpangan, yang ternyata memiliki potensi
energi panas bumi seperti pada Gunung Pandan (Bojonegoro), Telaga Ngebel (Ponorogo-
Madiun), Blawan-Ijen (Bondowoso-
Banyuwangi), Tiris (Probolingo), Arjuno-
Welirang, Cangar, Songgoriti (Malang), Melati, Kujang Jawa Barat dan Dieng Jawa Tengah.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil penelitian tentang
pemetaan SPT dan vegetasi sebagai data
pendukung kebijaksanaan reboisasi, maka didapatkan beberapa kesimpulan akhir dari
penelitian ini, yaitu:
a. Nilai RMSE rata-rata tiap citra yaitu untuk TERRA 24 Juli 2010 = 0,607823, TERRA 12
Oktober = 0,572452, AQUA 24 Juli 2010 =
0,624597, AQUA 12 Oktober = 0,567929
telah memenuhi toleransi karena menurut
nilai RMSE rata-rata yang diperbolehkan ≤1
piksel. b. Nilai korelasi terbaik dari kombinasi
perhitungan algoritma SPT dan IV adalah
korelasi antara perhitungan algoritma SPT
Coll, et. al. (1994) dengan algoritma IV EVI dengan nilai korelasi untuk TERRA 24 Juli
2010 = -0,592568 TERRA 12 Oktober 2010
= -0,62015, AQUA 24 Juli 2010 = -0,463732, dan AQUA 12 Oktober = -
0,175299.
c. Pada penelitian UHI ini sangat sulit didapat kan nilai korelasi yang hampir mendekati -1
atau 100% dikarenakan pada suhu tinggi
tidak hanya disebabkan vegetasi pada suatu
daerah yg kurang tetapi juga dipengaruhi
oleh ketinggian terhadap MSL, kepadatan suatu daerah, daerah industri, tutupan awan
dan polusi yang dihasilkan pada suatu daerah
tertentu. d. Daerah yang disarankan untuk dilakukannya
reboisasi dari semua data citra yaitu, daerah
saran reboisasi I adalah Kodya Jakarta Utara, Kodya Jakarta Pusat, Kodya Jakarta Barat,
Kodya Jakarta Timur, Kodya Jakarta Selatan,
Kab. Tangerang, Kab. Serang, Kodya
Cilegon, Kab. Bandung, Kodya Bandung, Kab. Cirebon, Kodya Tegal, Kodya
Pekalongan, Kodya Semarang, Kab. Demak,
Kab. Pati, Kab. Gresik, Kodya Surabaya, Kab. Sidoarjo, Kab. Indramayu, Kab. Brebes,
Kab. Pemalang, Kab. Ciamis, Kab. Cilacap,
Kab. Banyumas, Kab. Kendal, Kab. Jepara, Kab. Kudus, Kab. Grobogan, Kab.
Lamongan, Kab. Rembang, Kab. Pasuruan,
Kodya Pasuruan, Kab. Probolinggo, Kodya
Probolinggo, Kab. Lumajang, Kab. Jember, Kab. Situbondo. Daerah saran reboisasi II
adalah Kodya Jakarta Utara, Kodya Jakarta
Pusat, Kodya Jakarta Timur, Kodya Jakarta Selatan, Kab. Bekasi, Kab. Sukabumi. Kab.
Tangerang, Kab. Karawang, Kab. Ciamis,
Kab. Cilacap, Kab. Serang, Kab. Kendal,
Kab. Jepara, Kodya Semarang, Kab. Bandung, Kab. Pati, Kab. Grobogan, Kab.
Rembang, Kab. Lamongan, Kab. Gresik,
Kodya Surabaya, Kab. Sidoarjo, Kodya Pasuruan, Kab. Pasuruan, Kodya Bandung,
Kodya Cimahi, Kodya Tegal, Kab.
Karanganyar, Kab. Sragen, Kodya Surakarta, Kab. Ngawi, Kab. Tuban, Kab. Bojonegoro,
7
Kab. Probolinggo, Kab. Situbondo, Kab.
Cirebon, Kab. Brebes, Kodya Cimahi, Kab. Subang, Kab.Wonogiri, Kab. Tuban, Kodya
Malang, Kab. Malang, Kab. Lumajang, Kab.
Jember, Kab. Situbondo, Kodya Probolinggo.
e. Pada penelitian didapatkan daerah Anomali yaitu, Kab. Serang, Kodya Cilegon, Kab.
Lamongan, Kab. Situbondo, Kab.
Bondowoso, Kab Probolinggo, Kab. Lumajang, Kab. Mojokerto, Kab. Jombang,
Kab. Nganjuk, Kab. Madiun, Kab.
Bojonegoro. Dari daerah Anomali tersebut adalah daerah yang memiliki potensi energi
panas bumi.
Saran
Adapun saran dari hasil penelitian ini yaitu:
a. Untuk penentuan citra sebaiknya memilih
yang bebas dari tutupan awan agar mendapatkan hasil yang lebih baik.
b. Untuk menentukan SPT dan IV yang terbaik
perlu dilakukan upaya verifikasi dan validasi
lapangan (berbeda hari), semakin banyak data lapangan yang digunakan untuk uji
validasi maka akan semakin banyak data
pembanding yang diperlukaan. c. Untuk penelitian UHI yang lebih lanjut lebih
baik ditunjang dengan lebih banyak data lagi
seperti data kepadatan penduduk, ketinggian
(kontur), dan tingkat polusi.
DAFTAR PUSTAKA
Huete, A., Justice, C., Leeuwen, W. V. 1999. “MODIS VEGETATION INDEX (MOD
13) ALGORITHM THEORETICAL
BASIS DOCUMENT”. URL:http://modis.gsfc.nasa.gov/data/atbd/a
tbd_mod13.pdf. Dikunjungi pada tanggal
18 Nopember 2010, jam 10.28.
Perdana, A. P. 2006. Kajian Suhu Permukaan Laut Berdasarkan Analisis Data
Penginderaan Jauh dan Data Argo Float di
Selatan Pulau Jawa, Pulau Bali dan Kepulauan Nusa Tenggara.
Skripsi.Yogyakarta: Fakultas Geografi
Universitas Gadjah Mada. Prasasti, I., dkk. 2004. Pengkajian Nilai Indeks
Vegetasi Data MODIS dengan Menerapkan
Beberapa Algoritma Pengolahan Data
Indeks Vegetasi Sambodo K. A., dkk. ______. Pengkajian
Pemanfaatan Data TERRA-MODIS untuk
Ekstraksi Data Suhu Permukaan Lahan
(SPL) Berdasarkan Beberapa Algoritma. Vogt, J. C. 1996. Land Surface Temperature
Retrival From NOAA AVHRR DATA In
D’Souza, G, A. S. Belward and J. P. Malingreau. (editor): Advances in the Use
of NOAA AVHRR Data For Land
Applications. Remote sensing. Vol. 5. Kluwer Academic Publisher, Dordrecht,
The Netherlands. P: 125-151.
Wan, Z. 1999. “MODIS Land-Surface
Temperature Algorithm Theoretical Basis Document (LST ATBD)”,
<URL:http://modis.gsfc.nasa.gov/data/atbd/
>,. Dikunjungi pada tanggal 12 Nopember 2010, jam 09.35.
Xiao, X., dkk. 2004. Mapping paddy rice
agriculture in southern China using multi-temporal MODIS images. Beijing: Institute
of Remote Sensing Application, Chenese
Academy of Science.