Latar Belakang Meningkatnya pembangunan di Cisarua, Bogor seringkali
menimbulkan dampak tidak baik terhadap lingkungan. Salah satu
contohnya adalah pembangunan yang terjadi di Daerah Aliran
Sungai Ciliwung. Untuk mengetahui perubahan tutupan lahan di
DAS Ciliwung diperlukan teknik penerapan penginderaan jauh
untuk memperoleh informasi tentang objek, daerah atau gejala
dengan jalan menganalisis data citra satelit.
Perumusan Masalah
“Bagaimana kondisi perubahan tutupan lahan yang terjadi di daerah aliran sungai Ciliwung dengan cara membandingkan citra satelit LANDSAT tahun 2001 dan LANDSAT tahun 2008?”
Batasan Masalah
Batasan masalah dalam penulisan Tugas Akhir ini adalah sebagai berikut:
Citra satelit yang digunakan adalah citra satelit LANDSAT ETM 7 tahun 2001 dan LANDSAT ETM 7 tahun 2008.
Wilayah penelitian adalah daerah aliran sungai Ciliwung.
Analisa perubahan tutupan lahan dengan membandingkan citra LANDSAT ETM 7 tahun 2001 dan LANDSAT ETM 7 tahun 2008.
Tujuan Penelitian
Tujuan menganalisa perubahan tutupan lahan di daerah aliran sungai Ciliwung tahun 2001 dengan 2008. Meliputi hutan, pemukiman, sawah, perkebunan, badan air, dan lahan kosong. Sehingga diperoleh informasi terkait perubahan tutupan lahan di daerah aliran sungai Ciliwung.
Tinjauan Pustaka
Penginderaan jauh adalah ilmu dan seni untuk
memperoleh informasi tentang objek, daerah atau gejala
dengan jalan menganalisis data yang diperoleh dengan
menggunakan alat tanpa kontak langsung terhadap objek,
daerah atau gejala yang dikaji (Lillesand & Kiefer 1990).
Tinjauan Pustaka
Tabel 1. Karakteristik Landsat 7
Tabel 2. Kanal Landsat 7
Klasifikasi Terselia
Klasifikasi terbimbing (supervised classification)
Meliputi sekumpulan algoritma yang didasari pemasukan
contoh objek oleh operator. Contoh ini disebut sampel,
dan lokasi geografis kelompok piksel sampel ini disebut
sebagai daerah contoh.
Maximum Likelihood Algorithm
Merupakan algoritma yang secara statistik paling mapan.
Kalau algoritma lain didasari oleh pengukuran jarak
antara koordinat gugus sampel dengan koordinat piksel
kandidat, maka algoritma kemungkinan maksimum
menggunakan dasar perhitungan probabilitas.
Maximum Likelihood Algorithm
Meskipun secara linier berjarak lebih dekat ke pusat sampel ‘aspal, piksel P mampunyai probabilitas lebih
tinggi untuk masuk ke kelas ‘hutan’ dari pada untuk masuk ke kelas ‘aspal’.
Gambar 1. Fungsi kerapatan probabilitas yang didefinisikan oleh algoritma maximum likelihood
Algoritma Parallelepiped
Proses ini dimulai dari piksel baris 1 kolom 1, sampai
baris terakhir kolom terakhir. Piksel yang bersangkutan
masuk ke salah satu kotak sampel maka piksel ini
diklasifikasikan sebagai kelas yang menandai kotak
tersebut. Itulah sebabnya klasifikasi parallepiped disebut
klasifikasi box.
Algoritma Parallelepiped
Gambar 2. Klasifikasi Parallelepiped.
•Faktor pengali p dapat diatur sesuai keinginan pengguna. Untuk nilai p yang terlalu kecil, ukuran kotak
pun relative kecil dan beresiko pada banyaknya piksel yang tak terklasifikasi, dan jika terlalu besar
beresiko pada banyak piksel yang salah terklasifikasi.
Minimum Distance
Algoritma Minimum Distance membutuhkan suatu nilai
ambang sehingga bila semua jarak yang dihitung ternyata
tidak ada yang memenuhinya, piksel yang bersangkutan
akan dianggap tak terklasifikasi. Kelemahan cara ini tidak
mempertimbangkan variabilitas kelas.
Minimum Distance
Gambar 3. Minimum Distance
•Piksel dengan variasi yang tinggi mempunyai piksel dengan jarak spektral yang jauh dari nilai
reratanya. Piksel ini dapat salah terklasifikasi.
Mahalanobis
Klasifikasi tetangga terdekat ini dipandang sebagai salah satu variasi
dari maximum likelihood. Suatu nilai vektor piksel masuk pada salah
satu kelas ditentukan oleh sejumlah sampel terdekat. Algoritma ini
sering dipandang sebagai pengambil keputusan yang demokratis.
Disamping itu juga menggunakan suatu pendekatan nilai ambang
jarak spektral pada feature space.
Mahalanobis
Gambar 4. Mahalanobis
Metologi Penelitian Lokasi Penelitian
DAS Ciliwung Hulu seluas 14.860 ha secara geografis terletak pada 106º 49º 40” – 107º 00’ 15” BT dan 6o38’ 15“ LS – 6º 46’ 05” LS.
Gambar 5. Lokasi Penelitian DAS Ciliwung
Data dan Peralatan
Data
Data citra satelit LANDSAT ETM+7 tahun 2001 dan LANDSAT EMT+7 tahun 2008, wilayah daerah aliran Sungai Ciliwung.
Peta Topografi (RBI) skala 1:25.000.
Koordinat sample dari lapangan
Landsat Ortho Path/Row 122/065
Peralatan
Perangkat Keras
Laptop Processor Intel Core2Duo 2 GHz, RAM 2GB
Printer
GPS Navigasi GARMIN OREGON 550
Camera Canon 1000d
Perangkat Lunak
Sistem Operasi Windows XP
Program Pengolah Citra ER-Mapper 7.0
ArcView 3.3
Autodesk Land Desktop 2004
Matlab 7.0.1
Microsoft Office Word 2007
Microsoft Office Excel 2007
Microsoft Office Visio 2007
EasyGPS
Metodologi Penelitian
Tahap Pengolahan Data
Gambar 6. Diagram Alir Tahapan Pengolahan Data
Hasil dan Analisa
Pemilihan Data
Data citra Landsat yang digunakan dalam penelitian ini adalah Citra Landsat 7 ETM+ tahun 2001 dan Citra Landsat 7 ETM+ tahun 2008.
Koreksi Geometrik
Koreksi geometrik dilakukan dengan memberikan titik kontrol permukaan dari citra referensi Landsat-7 ETM ortho pada citra yang belum terkoreksi dan diproses dengan menggunakan menu Geocoding Wizard pada perangkat lunak ER Mapper 7.0.
Sistem proyeksi yang digunakan adalah Universal Transverse Mercator zone 48s dan datum yang dipakai adalah WGS 1984. Hasil koreksi geometrik pada citra Landsat 7 ETM+ tahun 2001 yaitu sebesar 0.86 piksel untuk nilai total RMSerror dan sebesar 0.095 piksel untuk nilai rata-rata RMSerror.
Gambar 6. Hasil Koreksi Geometrik 2001
Hasil dan Analisa
Sedangkan hasil koreksi geometrik
pada citra Landsat 7 ETM+ tahun
2008 yaitu sebesar 0.74 piksel untuk
nilai total RMSerror dan sebesar 0.082
piksel untuk nilai rata-rata RMSerror.
Klasifikasi dilakukan dengan trainning
sample sebanyak 81 area. Jumlah kelas
yang digunakan sejumlah 7 kelas
tutupan lahan yaitu meliputi hutan,
awan, pemukiman, sawah, perkebunan,
badan air, dan lahan kosong.
Gambar 7. Hasil Koreksi Geometrik 2008
Maximum Likellihood
Gambar 8. Hasil Klasifikasi Maximum Likellihood 2001 Gambar 9. Hasil Klasifikasi Maximum Likellihood 2008
Tabel 3. Hasil Klasifikasi Maximum Likellihood 2001 Tabel 4. Hasil Klasifikasi Maximum Likellihood 2008
Parallelepiped
Gambar 10. Hasil Klasifikasi Parallelepiped 2001 Gambar 11. Hasil Klasifikasi Parallelepiped 2008
Tabel 5. Hasil Klasifikasi Parallelepiped 2001 Tabel 6. Hasil Klasifikasi Parallelepiped 2008
Minimum Distance
Gambar 12. Hasil Klasifikasi Minimum Distance 2001 Gambar 13. Hasil Klasifikasi Minimum Distance 2008
Tabel 7. Hasil Klasifikasi Minimum Distance 2001 Tabel 8. Hasil Klasifikasi Minimum Distace 2008
Mahalanobis Distance
Gambar 14. Hasil Klasifikasi Mahalanobis 2001 Gambar 15. Hasil Klasifikasi Mahalanobis 2008
Tabel 9. Hasil Klasifikasi Mahalanobis 2001 Tabel 10. Hasil Klasifikasi Mahalanobis 2008
Analisa Tutupan Lahan
Tabel 11. Hasil Klasifikasi Tahun 2001
Tabel 12. Hasil Klasifikasi Tahun 2008
-150.00
-100.00
-50.00
0.00
50.00
100.00
150.00
200.00
Hutan Awan Pemukiman Sawah Perkebunan Badan Air Lahan Kosong
Perubahan Tutupan Lahan pada tahun 2001 & 2008 (%)
Maximum Likellihood (%)
Parallelepiped (%)
Minimum Distance (%)
Mahalanobis Distance (%)
Gambar 16. Grafik Klasifikasi
Kesimpulan dan Saran
Kesimpulan
Berdasarkan hasil analisa yang telah dilakukan, diperoleh kesimpulan sebagai berikut :
Metode klasifikasi terbimbing dengan menggunakan citra multitemporal merupakan cara yang baik digunakan untuk mengetahui peruban tutupan lahan.
Dari hasil seleksi data citra Landsat ETM+ daerah penelitian, disimpulkan bahwa hasil fusi terbaik adalah fusi multispektral komposit 542 kenampakan penutup/penggunaan lahan.
Dari keempat metode yang digunakan Maximum likelihood, Paralleelepiped, Minimum distance, Mahalanobis distance, yang paling baik digunakan studi tutupan lahan adalah metode Maximum likelihood.
Dari hasil analisa pada table tersebut dengan metode
Maximum likelihood : luas area hutan bertambah 24,39%, luas area pemukiman bertambah 16,38%, luas area sawah berkurang 43,03%, luas area perkebunan bertambah 54,42%, luas area badan air bertambah 33,63%, dan luas area lahan kosong berkurang 82,30%.
Parallelepiped : luas area hutan berkurang 2,44%, luas area pemukiman berkurang 100%, dan luas area sawah berkurang 100%.
Minimum distance: luas area hutan bertambah 19,51%, luas pemukiman bertambah 135,82%, luas area sawah bertambah 136,89%, luas area perkebunan bertambah 66,10%, luas badan air berkurang 75%, dan lahan kosong berkurang 46,04%.
Mahalanobis distance : luas area hutan berkurang 67,37%, luas area pemukiman bertambah 8,86%, luas area sawah bertambah 155,93%, luas area perkebunan bertambah 84,23%, luas badan air berkurang 35,40%, dan luas area lahan kosong berkurang 24,34%.
Pada parallelepiped terjadi kesalahan klasifikasi karena semakin besar kotak berarti pula semakin kurang teliti hasil klasifikasi (misclassified), karena tingkat generalisasinya pun menjadi semakin besar.
Kesimpulan dan Saran
Saran
Saran yang dapat diberikan untuk penelitian ini adalah :
Selain memahami proses teknik analisa dalam software kita juga perlu memahami
sifat khas suatu objek untuk mempermudah pada saat melakukan interpretasi.
Dalam menganalisa data citra satelit multitemporal dengan tahun yang berbeda
sebaiknya digunakan yang memiliki tanggal dan bulan perekaman yang sama dimana
memperngaruhi tingkat keakuratan data tersebut.
Teknologi penginderaan jauh disarankan sebagai salah satu alternatif dalam analisa
tutupan lahan.
Rekomendasi untuk perbaikan lahan meliputi restorasi dan reklamasi. Restorasi
merupakan upaya perbaikan lahan agar lahan tersebut bisa difungsikan lagi ke
pengunaan awalnya, sedangkan reklamasi adalah upaya perbaikan suatu lahan-lahan
yang rusak dan digunakan untuk pengunaan lain.
Top Related