Jurnal Matematika dan Sains Vol. 9 No. 1, Maret 2004, hal 215 – 222
Aplikasi Analisis Komponen Utama dalam Pemodelan Penduga Lengas Tanah dengan Data Satelit Multispektral Erna Sri Adiningsih1) ,Mahmud2) ,dan Iskandar Effendi1) 1) Pusat Pengembangan Pemanfaatan dan Teknologi Penginderaan Jauh – LAPAN, Jl. Lapan No. 70, Pekayon – Pasar Rebo, Jakarta 13710 2) Pusat Pemanfaatan Sains Atmosfer dan Iklim – LAPAN, Jl. Dr. Junjunan no. 133, Bandung Diterima Oktober 2002, disetujui untuk dipublikasikan Nopember 2003 Abstract Principle Component Analysis (PCA) application in modeling the soil moisture estimate using multispectral satellite data is meant to optimize spectral combination. PCA method has been applied to Landsat Thematic Mapper (TM) satellite data with good results. However, Landsat data have low temporal resolution (16 days) compared with daily NOAA-AVHRR (NOAA-Advanced Very High Resolution Radiometer) satellite data. So, NOAA-AVHRR data are able to provide better information on daily soil moisture. The objective of the study is to develop soil moisture estimation model based on daily 5-channel daily NOAA-AVHRR data using PCA method. The locations are West Java and Central Java as case study, while the period is August-September 1999. Some field soil samples were also taken from the two locations. The coefficient of variance shows that the three principle component (PC) can explain the variance of soil moisture of 0-20 cm depth better than of >20 cm depth. This is due to more dynamic surface soil moisture change rather than deeper soil layer. Among the three PCs, the first PC is the best parameter to estimate soil moisture. The index resulted by the first PC can estimate soil moisture better than vegetation index. Keywords : PCA, soil moisture, soil brightness index, greenness index, soil wetness index, multispectral satellite data. Abstrak Penerapan analisis komponen utama (PCA) dalam pemodelan penduga lengas tanah menggunakan data satelit multispektral dimaksudkan untuk mengoptimalkan kombinasi spektral. Metode PCA telah diterapkan untuk data satelit Landsat Thematic Mapper (TM) dengan hasil yang baik. Namun data Landsat memiliki resolusi temporal yang rendah (16 hari) dibandingkan dengan data satelit NOAA-AVHRR harian, sehingga penggunaan data NOAAAVHRR diharapkan dapat memberikan informasi tentang kondisi lengas tanah harian dengan lebih baik. Penelitian bertujuan untuk mengembangkan model penduga lengas tanah berdasarkan data NOAA-AVHRR harian 5 kanal menggunakan metode PCA. Lokasi studi kasus adalah Jawa Barat dan Jawa Tengah dengan periode data Agustus - September 1999. Beberapa contoh tanah diambil di lapangan pada 2 lokasi. Koefisien keragaman ketiga komponen utama dapat menjelaskan lengas tanah pada kedalaman > 20 cm dengan lebih baik dibandingkan pada kedalaman 0-20 cm. Hal ini disebabkan perubahan lengas tanah pada lapisan permukaan lebih dinamis daripada lengas tanah pada lapisan lebih dalam. Komponen utama pertama yang diperoleh disebut sebagai indeks kecerahan tanah, yang kedua adalah indeks kehijauan, dan yang ketiga adalah indeks kelembaban tanah. Diantara ketiga komponen utama, komponen utama pertama merupakan parameter penduga lengas tanah yang terbaik. Indeks yang dihasilkan dari komponen utama pertama juga menduga lengas tanah lebih baik jika dibandingkan indeks vegetasi. Kata kunci: Analisis komponen utama, lengas tanah, indeks kecerahan tanah, indeks kehijauan, indeks kelembaban tanah, data satelit multispektral. satu cara yang dapat diterapkan adalah dengan memanfaatkan data satelit. Pemanfaatan data satelit Landsat Thematic Mapper (TM) multispektral untuk menduga lengas tanah telah diteliti oleh Dirgahayu, dkk.1) untuk daerah perkebunan tebu di Jatitujuh, Jawa Barat. Dengan menerapkan teknik analisis komponen utama, para peneliti tersebut memperoleh tiga jenis indeks untuk menduga lengas tanah berdasarkan data empat kanal. Namun data Landsat TM yang memiliki resolusi spasial 30 m2 hanya sesuai untuk digunakan pada daerah tertentu dan untuk waktu yang tertentu pula karena satelit ini memiliki resolusi temporal 16 hari. Sementara itu,
1. Pendahuluan Ketersediaan air tanah merupakan salah satu faktor yang penting bagi pertanian secara umum, baik pertanian tanaman pangan, hortikultura, perkebunan, dan kehutanan. Oleh sebab itu informasi tentang lengas tanah (soil moisture) sangat diperlukan untuk perencanaan, pengelolaan dan pemantauan pertanian. Pengukuran lengas tanah dengan peralatan konvensional seperti tensiometer, neutron probe, maupun teknik gravimetri dapat memberikan informasi yang sangat akurat tetapi kurang efisien untuk daerah pengukuran yang sangat luas. Salah 215
216
JMS Vol. 9 No. 1, Maret 2004
informasi tentang lengas tanah seringkali dibutuhkan untuk pemantauan secara terus-menerus karena informasi dini tentang kekeringan lahan sangat penting untuk mengantisipasi dampak yang ditimbulkan. Salah satu cara yang dapat diandalkan untuk memantau lengas tanah pada daerah yang luas setiap hari adalah dengan memanfaatkan data satelit National Oceanic and Atmospheric Administration (NOAA). Hal ini dimungkinkan karena salah satu sensor satelit NOAA, yaitu Advanced Very High Resolution Radiometer (AVHRR) memiliki karakteristik multispektral. Sejak 1980 hingga saat ini data NOAA-AVHRR dapat diterima setiap hari oleh stasiun bumi milik Lapan yang ada di Jakarta dan Biak. Karakteristik data yang dihasilkan untuk setiap kanal dari sensor AVHRR disajikan pada Tabel 1. Tabel 1. Karakteristik Spektral Data NOAA-AVHRR Kanal 1
Spektrum 0.58–0.68 µm (tampak)
2
0.73–1.10 µm merah dekat)
3
3.55–3.95 µm (infra merah menengah)
4
10.3–11.3 µm merah jauh)
5
11.5–12.5 µm (infra merah jauh)
(infra
(infra
Kegunaan Menghitung albedo permukaan bumi dan puncak awan, mendeteksi permukaan darat dan laut, memantau pertumbuhan dan perkembangan tanaman Memantau vegetasi (peka terhadap klorofil), mendeteksi awan, mendeteksi lapisan salju dan es di permukaan bumi, mendeteksi albedo permukaan darat dan laut. Menghitung suhu permukaan laut, mendeteksi distribusi awan pada siang dan malam hari, mendeteksi kebakaran hutan karena kanal ini peka terhadap sumber panas di permukaan bumi. Pada prinsipnya kanal 4 dan kanal 5 mempunyai kegunaan yang sama yaitu untuk mengekstraksi nilai suhu permukaan laut, suhu permukaan darat, mendeteksi awan pada siang dan malam hari, memantau gunung berapi yang aktif, dan mendeteksi suhu puncak awan.
Pendugaan lengas tanah menggunakan data satelit NOAA telah dilakukan dengan menggunakan indeks vegetasi dalam bentuk Normalized Difference Vegetation Index (NDVI) berdasarkan data kanal 1 dan 2 saja, sedangkan indeks-indeks lainnya belum dikembangkan di Indonesia. Dalam penelitian ini, parameter penduga lengas tanah diperoleh dengan
teknik analisis komponen utama (Principle Component Analysis atau PCA) menggunakan data NOAA-AVHRR lima kanal. Kelima kanal tersebut meliputi kanal tampak, infra merah dekat, infra merah termal, dan infra merah jauh. Hal ini karena kelima kanal tersebut memberikan perbedaan respon spektral yang kontras terhadap ketiga jenis bahan utama di daratan yaitu tanah, vegetasi, dan air. Analisis komponen atau PCA adalah metode analisis peubah multi yang bertujuan memperkecil dimensi peubah asal sehingga diperoleh peubah baru (komponen utama) yang tidak saling berkorelasi tetapi menyimpan sebagian besar informasi yang terkandung dalam peubah asal2). Di dalam aplikasi data penginderaan jauh (inderaja), PCA merupakan salah satu metode statistika yang digunakan untuk menggali informasi dari data citra inderaja, terutama dalam hubungannya dengan multidimensi peubah. Horler dan Ahern3) melakukan transformasi komponen utama pada citra satelit Landsat-4 TM daerah barat Ontario dan daerah hutan Arkansas. Hasilnya memperlihatkan bahwa Principle Component atau Komponen Utama ke-1 dan ke-2 (PC1 dan PC2) mampu menyerap 64% dan 28% keragaman data. PC1 menunjukkan kecerahan (brightness) yang merupakan weighed value (nilai terbobot) dari semua kanal dimana kanal 4 dan 5 memiliki bobot yang terbesar. PC2 merupakan kontras kanal visible (tampak) dan kanal infra merah dekat yang menjadi ukuran kehijauan (greenness). PC3 adalah kontras antara kanal SWIR dan empat kanal pertama yang disebut sebagai SWIRness3). Teknik transformasi PCA juga telah diteliti oleh Abdurrazak4) dengan data Landsat-5 TM untuk mempelajari profil awan dan asap kebakaran di daerah Kalimantan Timur. Penelitian ini menghasil kan tiga komponen utama yang mampu menyerap keragaman 98.6 %. Ketiga komponen utama tersebut berhubungan dengan 3 dimensi fundamental spektral citra Landsat-5 TM yaitu brightness (kecerahan), greenness (kehijauan), dan wetness (kelembaban). PC1 yang dihasilkan memiliki koefisien atau pembobot yang besar dan negatif, sehingga dinyatakan sebagai kecerahan negatif (blackness). PC3 yang dihasilkan dapat membedakan asap kebakaran dari awan dengan lebih baik dibandingkan teknik klasifikasi citra multispektral yang umum digunakan, seperti metode maximum likelihood dan sebagainya. Penerapan teknik transformasi komponen utama untuk menentukan tahap pertumbuhan padi dengan data Landsat TM juga telah diteliti oleh Ernawati5) untuk areal pertanaman padi di Sukamandi - Jawa Barat. Hasilnya menunjukkan bahwa tiga komponen utama pertama dapat menjelaskan lebih dari 90% keragaman data. Masing-masing komponen utama pertama menggambarkan kehijauan (85.9%), kecerahan (8.9%), dan kelembaban (2.5%). Selanjutnya citra Landsat TM dalam bentuk komposit yang terdiri dari tiga komponen utama dapat
JMS Vol. 9 No. 1, Maret 2004
217
digunakan untuk mengidentifikasi kelompok tanaman padi di Sukamandi sesuai tahap pertumbuhannya. Dirgahayu, dkk.1) telah memodifikasi perumusan tiga indeks untuk menduga lengas lahan dari data Landsat TM, yaitu Indeks Kecerahan Lahan (IKcL), Indeks Kehijauan Lahan (IKhL), dan Indeks Kebasahan Lahan (IKbL). Ketiga indeks tersebut diperoleh dengan menggunakan empat kanal Landsat TM yaitu kanal 2, 3, 4, dan 5. Persamaan ketiga indeks yang didapatkan adalah sebagai berikut:
NOAA-AVHRR dengan menerapkan analisis komponen utama terhadap kelima kanal AVHRR. Data yang digunakan untuk PCA adalah data AVHRR harian Pulau Jawa selama periode September 1998 sampai September 1999. Sebagai studi kasus dipilih beberapa lokasi di Jawa Barat dan Jawa Tengah untuk validasi model lengas tanah.
IKcL = 0.185 K2+0.308 K3+0.238 K4+0.269 K5 IKhL = -0.179 K2-0.447 K3+0.940 K4+0.060 K5+k IKbL = 0.255 K2+0.458 K3+0.286 K4-0.797 K5+k
Data yang digunakan untuk PCA adalah data NOAA-AVHRR harian untuk Pulau Jawa yang terdiri dari dari 137 data selama periode September – Desember 1998 dan Maret – September 1999. Penggunaan data tersebut disesuaikan dengan kondisi penutupan awan. Data bulan Januari – Februari 1999 tidak digunakan karena penutupan awan dengan persentase sangat tinggi yang pada bulan-bulan tersebut merupakan puncak musim hujan. Contoh citra NOAA-AVHRR yang belum ditransformasi disajikan pada Gambar 1.
Konstata k ditambahkan agar tidak ada nilai negatif pada citra. Menurut Dirgahayu, dkk1) kondisi lahan dengan kandungan lengas tinggi dicirikan oleh nilai IKhL dan IKbL yang tinggi dan IkcL yang rendah, dan demikian pula sebaliknya. Penelitian ini bertujuan untuk menyusun model penduga lengas tanah dengan data satelit
2. Metodologi 2.1 Data dan Alat
Gambar 1. Contoh citra NOAA-AVHRR yang belum ditransformasi dalam bentuk kombinasi RGB (Red Green Blue). Untuk validasi persamaan atau indeks-indeks yang diperoleh dengan data lengas tanah di lapangan, digunakan hasil pengukuran lengas tanah pada kedalaman 0-20 cm pada bulan September 1999 di 9 lokasi di Pekalongan dan sekitarnya, Jawa Tengah (Kedungwuni, Bligo Buaran, Babalan Kidul Bojong, Kampir Bojong, Getas Wonopringgo, Karanganyar, Wiradesa, Pekalongan Selatan, dan Kajen) yang telah dilakukan oleh Adiningsih, dkk.6). Untuk melengkapi data lengas tanah digunakan pula hasil pengukuran Badan Meteorologi dan Geofisika (BMG) untuk kedalaman 0-20 cm dan >20 cm pada bulan Agustus 1999 di 8 stasiun klimatologi/meteorologi pertanian di Jawa Barat (Darmaga – Bogor, Chinchoma – Bandung, Margahayu – Lembang, Sukamandi – Subang, Jatisari – Karawang, Sukapura – Cirebon, dan Cipanas – Cianjur).
Peralatan untuk melakukan pengolahan awal data AVHRR adalah seperangkat PC dengan perangkat lunak Erdas Imagine, sedangkan pengolahan lanjut untuk analisis PCA dilakukan dengan perangkat lunak MINITAB dan Microsoft Excel. 2.2 Metode Penelitian 2.2.1 Pengolahan Data Lapangan Analisis kadar lengas tanah dilakukan di Laboratorium Tanah dengan metode gravimetri, yaitu dengan pemanasan contoh tanah selama 24 jam pada suhu 100 oC dan dilakukan penimbangan sebelum dan sesudah pemanasan. Kadar lengah tanah (dalam % berat) adalah selisih antara berat sebelum dan sesudah dipanasi terhadap total berat contoh tanah sebelum pemanasan.
218
JMS Vol. 9 No. 1, Maret 2004
λ1 + λ2 +… + λp = tr(Σ)
2.2.2 Pengolahan Data NOAA-AVHRR Data NOAA-AVHRR terlebih dahulu dikoreksi geometrik dengan menggunakan sejumlah Ground Control Point (GCP) yang tersebar merata pada citra. Selanjutnya dilakukan resampling dengan metode nearest neighbourhood interpolation karena metode ini paling efisien dan tidak mengubah nilai digital number (DN) yang asli. Resampling dilakukan dengan mengambil sample beberapa picture element (pixel) yang dijadikan GCP, selanjutnya diolah dengan metode nearest neighbourhood interpolation dan hasilnya adalah persamaan transformasi geometrik data. Kemudian dilakukan eliminasi GCP yang menyebabkan root mean square error (RMSE) tinggi sampai didapatkan nilai RMSE < 0.5 pixel. Pengolahan PCA selanjutnya dilakukan dengan data lima kanal untuk memperoleh nilai PC1, PC2, dan PC3 untuk semua kanal. Dari nilai ketiga komponen utama (PC) harian dapat dihitung rata-rata PC untuk satu musim maupun rata-rata seluruh tanggal. Berdasarkan penelitian sebelumnya, maka nilai PC1, PC2, dan PC3 masing-masing menunjukkan indeks yang disebut dengan Soil Brightness Index (SBI), Greenness Vegetation Index (GVI), dan Soil Wetness Index (SWI). Nilai masingmasing indeks pada lokasi-lokasi tertentu diekstraksi untuk divalidasi dengan hasil pengukuran kadar lengas tanah, baik dengan data dari pengukuran langsung maupun data dari stasiun klimatologi. 2.2.3 Analisis Komponen Utama Nilai digital (Digital Number) data NOAAAVHRR pada setiap kanal dianggap sebagai peubah acak X1, X2, …, Xp yang menyebar menurut sebaran tertentu dengan vektor nilai tengah µ dan matriks peragam Σ. Komponen utama merupakan kombinasi linier terboboti dari peubah-peubah asal yang mampu menerangkan keragaman data secara maksimum. Komponen utama ke-j dari sejumlah p peubah dapat dinyatakan sebagai: yj = a1j x1 + a2jx2 + … + apjxp = a'x
(1)
Dan keragaman komponen utama ke-j adalah: Var (yj) = λj; j=1, 2, …, p
(3)
dengan λ1>λ2> …>λp>0. Vektor ciri a sebagai pembobot dari transformasi linier peubah asal diperoleh dari persamaan: |Σ - λj I| aj = 0 (4) Total keragaman komponen utama adalah:
dan persentase total keragaman data yang mampu dijelaskan oleh komponen utama ke-j adalah: (λj / tr(Σ)) x 100%
(6)
Persentase keragaman dianggap cukup mewakili total keragaman jika 75% atau lebih mampu dijelaskan oleh 4 atau 5 komponen utama pertama2). Dari analisis keragaman belum dapat diketahui hubungan antara peubah asal dengan komponen utamanya. Untuk mengetahui keeratan hubungan antara peubah ke-i dengan komponen utama ke-j dilakukan analisis korelasi yang dinyatakan sebagai: rxiyj = (ai √1j) / Si
(7)
dengan 1j adalah akar ciri matriks peragam S (penduga Σ). Perhitungan PCA dengan persamaanpersamaan tersebut di atas dilakukan secara otomatis dengan perangkat lunak Erdas Imagine. Hasil akhirnya berupa nilai-nilai koefisien korelasi antara komponen utama dengan Digital Number (DN) setiap kanal untuk seluruh tanggal atau data yang diolah. Dari nilai yang diperoleh untuk seluruh data kemudian dihitung nilai bulanannya, serta rata-rata total dan rata-rata musim. Untuk musim hujan, nilai koeisien rata-rata dihitung berdasarkan nilai pada bulan Oktober sampai Maret, sedangkan untuk musim kemarau dihitung dari nilai pada bulan April sampai September. 2.2.4 Analisis Data NDVI Analisis perbandingan korelasi komponen utama dengan lengas tanah dan NDVI dengan lengas tanah dilakukan berdasarkan hasil penelitian Adiningsih, dkk.6). Nilai NDVI diperoleh dengan menggunakan data kanal 1 dan 2 dari persamaan: NDVI = (C2 – C1) / (C1 + C2), dengan C1 dan C2 masing-masing adalah DN pada kanal 1 dan 2 AVHRR. 3. Hasil dan Pembahasan
(2)
λ1, λ2, …, λp adalah akar ciri yang diperoleh dari persamaan: |Σ - λj I| = 0
(5)
Dari perhitungan tranformasi komponen utama diperoleh nilai koefisien transformasi untuk kelima kanal data NOAA-AVHRR harian yang seluruhnya berjumlah 137 data. Oleh karena hasil pengolahan yang diperoleh sangat banyak, maka untuk memudahkan analisis dan pembahasan nilainilai koefisien transformasi tersebut selanjutnya dihitung rata-rata bulanannya untuk periode September 1998 sampai dengan September 1999. Nilai koefisien komponen utama yang diperoleh untuk setiap bulan disajikan pada Tabel 2 berikut.
JMS Vol. 9 No. 1, Maret 2004
219
Tabel 2. Koefisien Komponen Utama Pertama, Kedua, dan Ketiga untuk Lima Kanal Data NOAAAVHRR Pulau Jawa. Principle Tahun Bulan Component PC1 1998 September Oktober November Desember 1999 Maret April Mei Juni Juli Agustus September
1 0,3953 0,3214 0,3363 0,3877 0,3706 0,3877 0,3020 0.3983 0,3200 0.3780 0,2743
2 -0,0300 0,5457 0,3463 0,3162 -0,1400 0,3162 0,6620 -0,0558 0,0420 -0,0350 0,0371
Kanal 3 -0,0547 0,0186 0,1863 0,0262 0,1529 0,0262 0,1580 -0,1117 -0,0200 -0,2480 -0,0871
4 -0,5567 -0,386 -0,6381 -0,6477 -0,6535 -0,6477 -0.6600 -0,6625 -0,4080 -0,3680 -0,2321
5 0,1280 0,1257 0,1200 0,0954 0,1000 0,0954 0,0540 0.0633 0,0640 0,1190 0,1607
-0,0920 -0,0214 0,0794 0,0206 0,0982 -0,0146 0,0220 -0,1908 -0,0940 -0,2510 -0,0821
0,7147 0,7514 0,7494 0,7500 0,7435 0,7454 0.7420 0,7067 0,4340 0,6290 0,5400
-0,0773 -0,0450 -0,0863 -0,0675 -0,0576 -0,0438 0,0080 0,0083 0,0180 -0,0450 -0,0729
PC2
1998 September Oktober November Desember 1999 Maret April Mei Juni Juli Agustus September
0,3493 0,2821 0,3006 0,3244 0,3247 0,3392 0,2700 0,3458 0,2540 0,3060 0,1857
-0,0780 0,4729 0,3081 0,1781 -0,0953 0,1631 0,6080 -0,1633 -0,0420 -0,0650 0,0607
PC3
1998 September Oktober November Desember 1999 Maret April Mei Juni Juli Agustus September
0,2187 0,4650 0,4844 0,4256 0,4206 0,3562 0,4040 0,3750 0,3840 0,3140 0,5207
0,3347 -0,1473 -0,3336 0,4114 -0,1094 0,4619 -0,0331 0,4156 0,1965 0,3765 0,0006 0,4808 -0,3080 0,8520 0,3533 0,0467 0,3840 0,2640 0,4720 -0,2080 0,3307 -0,1250
0,1173 0,0267 0,0579 -0,0036 0,0275 0,0306 0,0306 0,0438 0,0453 0.0453 0,0862 0.0585 0,0840 0,1740 0,1558 -0,0550 0,0340 0,0820 0,0920 0,0570 0,0471 0,0586
Dari Tabel 2 terlihat bahwa koefisien transformasi data kanal 1 untuk PC1, PC2, dan PC3 bernilai positif. Nilainya untuk PC1 berkisar antara 0.2743 hingga 0.3983, untuk PC2 antara 0.1957 hingga 0.3493, dan untuk PC3 antara 0.2187 hingga 0.5207. Perbedaan nilai antar bulan untuk setiap PC disebabkan oleh perbedaan nilai digital number (DN) data aslinya akibat perbedaan penutupan awan. Adanya awan cenderung meningkatkan DN pada kanal 1 karena awan bersifat memantulkan radiasi pada spektrum tampak (spektrum kanal 1). Nilai koefisien transformasi PC1 pada bulan September 1999 terlihat lebih rendah dari pada bulan September 1998 karena kondisi cuaca pada tahun 1998 lebih berawan dibandingkan dengan cuaca pada tahun 1999. Hal ini juga berkaitan dengan terjadinya fenomena La Nina pada tahun 1998 yang menyebabkan cuaca lebih berawan. Perbedaan nilai koefisien pada bulan September tahun 1998 dan 1999 juga terlihat dari nilai koefisien komponen utama kedua (PC2) untuk data kanal 1, sedangkan nilai koefisien komponen utama ketiga (PC3) untuk data kanal 1 pada bulan September 1998 lebih rendah daripada bulan September 1999. Hasil PCA untuk data kanal 2 tampak sangat beragam untuk ketiga PC. Nilai koefisien PC1 untuk kanal ini berkisar antara -0,1400 hingga 0,5457, PC2 berkisar antara -0,1633 hingga 0,6080, dan PC3 berkisar antara -0,3336 hingga 0,4720. Beragamnya nilai koefisien untuk data kanal 2 berhubungan dengan spektrum kanal 2 yaitu inframerah dekat yang menyebabkan nilai DN data aslinya sebagian dipengaruhi oleh gabungan antara karakteristik
pantulan dan karakteristik emisi dari obyek-obyek yang dipindai (di-scan) oleh sensor satelit. Selain itu, perbedaan nilai koefisien yang cukup beragam untuk kanal 2 juga disebabkan oleh keragaman nilai DN data kanal 2 dalam menunjukkan karakteristik kecerahan tanah (soil brightness) dari seluruh obyek yang digambarkan oleh PC1, karateristik kehijauan yang digambarkan oleh PC2, dan karakteristik kelembaban yang digambarkan oleh PC3. Hasil PCA untuk data kanal 3 juga tampak beragam untuk ketiga PC seperti halnya data kanal 2. Nilai koefisien PC1 untuk kanal 3 berkisar antara 0.2480 hingga 0.1863, untuk PC2 antara -0.2510 hingga 0.0982, dan untuk PC3 antara -0.2080 hingga 0.8520. Perbedaan nilai koefisien yang cukup beragam untuk kanal 3 juga berhubungan dengan keragaman nilai DN data kanal 3 dalam menunjukkan karakteristik kecerahan tanah (soil brightness) dari seluruh obyek yang digambarkan oleh PC1, karateristik kehijauan yang digambarkan oleh PC2, dan karakteristik kelembaban yang digambarkan oleh PC3. Hasil PCA untuk kanal 4 menunjukkan bahwa nilai koefisien PC1 seluruhnya bertanda negatif yaitu berkisar antara -0,2321 hingga 0,6625, sedangkan untuk PC2 bertanda positif yaitu berkisar antara 0,4340 hingga 0,7514, dan untuk PC3 bertanda positif yaitu berkisar antara 0,0275 hingga 0,1558. Hasil PCA untuk kanal 4 yang konsisten untuk setiap PC. Hal ini menunjukkan bahwa data kanal 4 yang dihasilkan pada spektrum infra merah termal mempunyai DN yang cukup baik dalam menggambarkan karakteristik kecerahan tanah (soil brightness) dari seluruh obyek yang digambarkan oleh PC1, karateristik kehijauan yang digambarkan oleh PC2, dan karakteristik kelembaban yang digambarkan oleh PC3. Hasil PCA untuk data kanal 5 juga tampak beragam untuk PC2 dan PC3 seperti halnya data kanal 2 dan kanal 3, tetapi relatif homogen untuk PC1. Nilai koefisien PC1 untuk kanal 5 berkisar antara 0,0540 hingga 0,1607, sedangkan untuk PC2 antara -0,0863 hingga 0,0180, dan untuk PC3 antara 0,0550 hingga 0,1740. Hal tersebut menunjukkan bahwa data kanal 5 yang dihasilkan pada spektrum inframerah jauh menunjukkan karakteristik kecerahan tanah (soil brightness) dari seluruh obyek yang digambarkan oleh PC1 dengan cukup baik. Sementara itu perbedaan nilai koefisien PC2 dan PC3 yang cukup beragam untuk kanal 5 bahwa data kanal 5 memiliki nilai DN yang kurang konsisten dalam menggambarkan karateristik kehijauan yang ditunjukkan oleh PC2, dan karakteristik kelembaban yang digambarkan oleh PC3. Berdasarkan uraian di atas dapat dikemukakan bahwa nilai koefisien transformasi berbeda antar kanal. Umumnya koefisien bernilai positif, kecuali beberapa nilai negatif yang diperoleh untuk kanal 2, 3, 4, dan 5. Koefisien transformasi untuk PC1 pada kanal 1 dan 5 seluruhnya bernilai positif , untuk kanal
220
2 dan 3 sebagian bernilai positif dan sebagian lagi bernilai negatif, sedangkan untuk kanal 4 seluruhnya bernilai negatif. Koefisien transformasi untuk PC2 bernilai positif seluruhnya pada kanal 1 dan 4, sedangkan pada kanal 2, 3, dan 5 sebagian bernilai positif dan sebagian lagi bernilai negatif. Koefisien transformasi untuk komponen utama ketiga (PC3) bernilai positif pada kanal 1 dan 4, sedangkan pada kanal 2, 3, dan 5 sebagian bernilai positif dan sebagian bernilai negatif. Berdasarkan hasil tersebut dapat dikemukakan bahwa pada kanal 1 responnya adalah positif untuk ketiga komponen utama. Hal ini menunjukkan bahwa hasil transformasi kanal 1 bersifat konsisten untuk semua komponen utama. Pada kanal 4 responnya adalah negatif untuk PC1, tetapi negatif untuk PC2 dan PC3 sehingga bersifat konsisten untuk masing-masing komponen utama. Sementara itu pada kanal 2, 3 dan 5 responnya tidak konsisten. Hal ini disebabkan karakteristik spektral kanal 2 yang mendekati kanal 1 dan karakteristik spektral kanal 3 dan 5 mendekati kanal 4. Koefisien transformasi yang diperoleh untuk seluruh data sangat banyak, sehingga akan menyulitkan dalam menerapkan hasil PCA untuk memperoleh persamaan transformasi umum terhadap data NOAA-AVHRR untuk mendapatkan model pendugaan lengas tanah. Oleh sebab itu dilakukan perhitungan nilai rata-rata total untuk seluruh PC. Jika koefisien tersebut dirata-ratakan untuk seluruh data yang diolah maupun untuk setiap musim, maka diperoleh nilai akhir seperti yang disajikan pada Tabel 3. Perhitungan rata-rata dilakukan dengan mengelompokkan ke dalam musim karena keragaman DN data asli cukup besar antar musim yang diakibatkan oleh perbedaan penutupan awan. Dari Tabel 3 dapat dilihat bahwa koefisien transformasi rata-rata total untuk PC1 memiliki nilai positif tertinggi untuk kanal 1, diikuti dengan kanal 2, kanal 5, dan kanal 3, sedangkan untuk kanal 4 bernilai negatif. Hal ini berarti bahwa kanal 1 memberikan bobot terbesar diikuti kanal 2, 5, dan 3, dimana hubungannya adalah semakin besar nilai DN setiap kanal makin besar nilai PC1. Sementara itu hubungan yang berkebalikan diberikan oleh kanal 4, dimana makin besar DN kanal 4 makin rendah nilai PC1. Keadaan ini berkaitan dengan karakteristik spektral kanal 1 dan 4 dalam merespon kondisi lengas di permukaan bumi. Karena korelasi PC1 dengan lengas tanah adalah terbesar dibandingkan dengan PC2 dan PC3, maka kanal 1 yang responsif terhadap albedo permukaan dan kanal 4 yang responsif terhadap suhu permukaan memberikan kontribusi yang besar terhadap informasi tentang Soil Brightness Index untuk menduga lengas tanah.
JMS Vol. 9 No. 1, Maret 2004
Tabel 3. Koefisien Rata-rata Komponen Utama Pertama, Kedua, dan Ketiga Untuk Lima Kanal AVHRR. Pinciple Periode Component PC 1 Rata-rata Total Rata-rata ms.hujan Rata-rata ms.kemarau
1 0,3493 0,3371 0,3594
2 0,1728 0,2223 0,1316
KANAL 3 0,0047 0,0189 -0,0071
4 -0,5552 -0,5415 -0,5666
5 0,1038 0,1291 0,0826
PC 2
Rata-rata Total Rata-rata ms.hujan Rata-rata ms.kemarau
0,2984 0,2884 0,3066
0,1225 0,1884 0,0676
-0,0478 -0,0191 -0,0717
0,6824 0,7011 0,6668
-0,0419 -0,0698 -0,0187
PC 3
Rata-rata Total Rata-rata ms.hujan Rata-rata ms.kemarau
0,3971 0,4229 0,3756
0,1171 0,0379 0,1831
0,2571 0,2033 0,3020
0,0707 0,0561 0,0829
0,0471 0,0312 0,0603
Nilai koefisien transformasi rata-rata untuk PC2 memiliki nilai positif tertinggi untuk kanal 4, diikuti dengan kanal 1, dan 2, sedangkan untuk kanal 3 dan 5 bernilai negatif. Hal ini menunjukkan bahwa kanal 4 dan 1 sangat responsif terhadap informasi tentang kehijauan (greenness) yang digambarkan oleh PC2. Hal yang sama juga masih berlaku untuk nilai rata-rata pada musim hujan maupun musim kemarau, meskipun nilai koefisien pada musim kemarau umumnya lebih kecil (kecuali untuk kanal 1 yang lebih besar) daripada musim hujan. Koefisien transformasi rata-rata total untuk PC3 memiliki nilai positif untuk semua kanal, yaitu tertinggi untuk kanal 1, diikuti kanal 3, 2, 4, dan 5. Hal ini menunjukkan bahwa kanal 1 paling responsif terhadap informasi tentang kelembaban (wetness) yang digambarkan oleh PC3. Hal yang sama juga berlaku untuk rata-rata musim hujan dan musim kemarau, meskipun nilai koefisien pada musim kemarau umumnya lebih kecil daripada musim hujan. Hubungan antara PC1, PC2, dan PC3 dengan lengas tanah secara linier menunjukkan korelasi yang berbeda untuk setiap komponen utama maupun untuk kedua kedalaman tanah (0-20 cm dan >20 cm). Komponen utama ke-1 (PC1) dapat menduga lengas tanah pada kedalaman > 20 cm dengan koefisien keragaman 61.4 % dan pada kedalaman 0 – 20 cm dengan koefisien keragaman 83.3 %. Sementara itu komponen utama ke-2 (PC2) dapat menduga lengas tanah pada kedalaman > 20 cm dengan koefisien keragaman 26.5 % dan pada kedalaman 0 – 20 cm dengan koefisien keragaman 32.42 %. komponen utama ke-3 (PC3) dapat menduga lengas tanah pada kedalaman > 20 cm dengan koefisien keragaman 0.15 % dan pada kedalaman 0 – 20 cm dengan koefisien keragaman 14.33 %. Perbedaan keragaman hasil validasi disebabkan kondisi lengas tanah permukaan relatif lebih dinamis dibandingkan dengan lengas tanah di bagian yang lebih dalam. Dari analisis keragaman tersebut terlihat bahwa PC1 merupakan penduga kadar lengas tanah yang terbaik dibandingkan dengan kedua komponen utama lainnya. Persamaan korelasi antara PC1 atau SBI dengan lengas tanah untuk dua kedalaman tanah adalah sebagai berikut:
JMS Vol. 9 No. 1, Maret 2004
Kedalaman 0-20 cm: Lengas tanah (dalam %) = 2.47 + 0.220 SBI (R2 = 61.4 %) Kedalaman >20 cm: Lengas tanah (dalam %) = -3.66 + 0.202 SBI (R2 = 83.3 %) Pada Gambar 2 disajikan citra PC1 untuk Pulau Jawa. Hasil PC1 juga dibandingkan dengan analisis indeks vegetasi (NDVI) yang biasa digunakan untuk menduga lengas tanah. Hasilnya menunjukkan bahwa koefisien keragaman (R2) antara NDVI dengan lengas tanah adalah 67.12 % untuk kedalaman 0-20 cm dan 65.61 % untuk kedalaman >20 cm, sehingga dapat dijadikan penduga yang agak lebih baik untuk lengas tanah permukaan daripada korelasi PC1 dengan lengas tanah, tetapi NDVI kurang baik untuk dijadikan penduga lengas tanah Lengas tanah (%) = 0.8697 NDVI – 63.068 Lengas tanah (%) = 1.6116 NDVI – 134.89
221
pada kedalaman > 20 cm. Hal ini karena indeks vegetasi hanya diturunkan dari data dua kanal (tampak dan infra merah dekat), sehingga tidak semua informasi kanal dapat ditampilkan. Selain itu NDVI dapat menduga lengas dengan baik apabila permukaan tanah tertutup oleh vegetasi, sedangkan pada kondisi tanah terbuka nilai NDVI akan menduga lengas tanah lebih rendah (under estimate). Sebaliknya, indeks yang dihasilkan dari komponen utama pertama (PC1) dapat menduga lengas tanah pada kedua kondisi (dengan maupun tanpa vegetasi). Hubungan antara NDVI dengan lengas tanah telah diteliti Adiningsih, dkk.6). Adapun persamaannya yang didapat untuk Pulau Jawa adalah:
(untuk kedalaman tanah 0-20 cm) (untuk kedalaman tanah >20 cm)
Gambar Principal Component 1 atau Soil Brightness Index PulauIndex Jawa dari dataJawa AVHRR G ambar2.2.Citra Citra Principal Component 1 atau Soil Brightness Pulau darikanal data1, 2 dan 3 tanggal 25 Agustus 1999. AVHRR kanal 1, 2 dan 3 tanggal 25 Agustus 1999. 4. Kesimpulan Dari hasil penelitian ini dapat disimpulkan bahwa transformasi komponen utama dari data NOAA-AVHRR dapat diterapkan untuk menduga kadar lengas tanah di Pulau Jawa. Koefisien transformasi rata-rata total untuk PC1 memiliki nilai positif tertinggi untuk kanal 1, diikuti dengan kanal 2, kanal 5, dan kanal 3, sedangkan untuk kanal 4 bernilai negatif. Koefisien transformasi rata-rata total untuk PC2 memiliki nilai positif tertinggi untuk kanal 4, diikuti dengan kanal 1, dan 2, sedangkan untuk kanal 3 dan 5 bernilai negatif. Koefisien transformasi rata-rata total untuk PC3 memiliki nilai positif untuk semua kanal, yaitu tertinggi untuk kanal 1, diikuti kanal 3, 2, 4, dan 5. Kanal 1 sangat responsif terhadap kondisi lengas tanah, kehijauan (greenness), dan kelembaban (wetness) seperti yang digambarkan oleh nilai PC1,
PC2, dan PC3. Kanal 4 juga responsif terhadap kondisi lengas tanah, kehijauan (greenness), tetapi kurang responsif terhadap kelembaban (wetness). Komponen utama pertama (PC1) atau disebut pula Soil Brightness Index merupakan penduga lengas tanah terbaik dibandingkan dengan PC2 dan PC3 maupun NDVI, yaitu dengan korelasi 61.4 % untuk kedalaman tanah 0-20 cm dan 83.3 % untuk kedalaman tanah >20 cm. Daftar Pustaka 1. Dirgahayu, D., Sitanggang, G., Carolita, I., Arifin, S., dan Surlan, “Penggunaa data radar dan optik untuk memprediksi kelengasan lahan (Studi kasus pada areal tanaman tebu)”, Proyek Perencanaan dan Peningkatan Ketatalaksanaan, Lapan, Jakarta, 1997.
222
2. Morisson, D.F., “Multivariate Statistical Method”, 3rd ed. McGrawHill Publishing Company, Singapura, 1990. 3. Horler, D.N. & Ahern, F.J., “Forestry information contents of thematic data”, Int. J. Remote Sensing, 7, 405-428, (1986). 4. Abdurrazak, M. N., “Profil Nilai Digital Awan dan Asap Kebakaran”, Skripsi, Jurusan Statistika, FMIPA, Institut Pertanian Bogor, Bogor, 1999. 5. Adiningsih, E.S., Prasasti, I., Effendi, I., Khomarudin, M.R., Wiweka, Las, I., & Impron,
JMS Vol. 9 No. 1, Maret 2004
“Penentuan awal musim tanam menggunakan data satelit lingkungan dan cuaca di pulau jawa. Prosiding Seminar Internasional Penginderaan Jauh dalam Pengembangan Ekonomi dan Pelestarian Lingkungan Hidup”, Jakarta, 11-12 April 2000. 6. Ernawati, “Transformasi Komponen Utama Data Citra Landsat TM5 pada Areal Tanaman Padi”, Skripsi, Jurusan Statistika, FMIPA, Institut Pertanian Bogor, Bogor, 2001.
