BAB III METODOLOGI PENELITIAN
3.1 Waktu dan Lokasi Penelitian Lokasi penelitian di DAS Citarum Hulu β Jawa Barat dengan luasan sebesar + 230.802 ha. Penelitian dilaksanakan pada bulan Juni sampai dengan Agustus 2012. Observasi lapangan dilakukan pada bulan Juni 2012. Selanjutnya pengolahan data dan analisis dilakukan dari bulan Juli β Agustus 2012 di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.
Gambar 1 Lokasi penelitian. 3.2 Alat dan Data 3.2.1 Alat Alat yang digunakan dalam penelitian yaitu seperangkat komputer pribadi (personal computer) yang dilengkapi dengan software Erdas Imagine 9.1, ArcView versi 3.1, Arc-GIS versi 9.3, Microsoft Excel 2007, Microsoft Word 2007, dan Gapfill. Peralatan lainnya yaitu GPS (Global Positioning System), kamera digital, dan alat tulis.
14
3.2.2 Data Data citra yang digunakan dalam penelitian ini berupa data digital citra satelit LANDSAT ETM+ resolusi 30x30 m multiwaktu yang diperoleh dari BPDAS (Badan Perencanaan Daerah Aliran Sungai) Citarum-Ciliwung. Secara rinci data citra yang digunakan pada penelitian ini tersaji pada Tabel 3. Adapun data pendukung yang digunakan yaitu Peta Rupa Bumi Indonesia daerah Jawa Barat dengan skala 1 : 25.000 tahun 2009 dari BAKOSURTANAL (Badan Koordinasi Survey dan Perpetaan Nasional) dan data vektor batas DAS Citarum Hulu tahun 2009 dari BPDAS Citarum-Ciliwung, serta Peta Administrasi Provinsi Jawa Barat. Tabel 3. Data citra satelit LANDSAT ETM+ Tahun perekaman 2001 2006 Tanggal dan 22 Juli (9%) dan 18 Mei (0%) dan bulan perekaman 8 Agustus (22%) 11 Agustus (liputan awan) (17%) Jumlah band 7 7 Band yang 3,4,5 3,4,5 digunakan
2011 17 Mei (6%) dan 22 September (20%) 7 3,4,5
3.3 Metode Penelitian Pelaksanaan penelitian dilakukan dalam empat tahap, yaitu pengolahan awal citra (pre-image processing), pengambilan data di lapangan (ground check), pengolahan citra digital (image processing), dan analisis perubahan penutupan lahan. 3.3.1 Pengolahan Awal Citra (Pre-Image Processing) Pengolahan awal citra (pre-image processing) merupakan tahap awal dari pengolahan citra satelit LANDSAT ETM+, berupa perbaikan atau koreksi terhadap data citra yang masih memiliki beberapa kesalahan atau distorsi di dalamnya, hal ini dilakukan untuk meningkatkan kualitas data citra yang akan berpengaruh terhadap hasil akhir yang akan dicapai, oleh karena itu koreksi terhadap distorsi atau kesalahan data perlu dilakukan sebelum data dianalisa lebih lanjut. Langkah awal sebelum masuk pada kegiatan pengolahan awal citra yaitu melakukan proses import data citra. Citra yang digunakan untuk penelitian ini adalah citra LANDSAT ETM+ tahun perekaman 2001 (format *.TIFF), citra LANDSAT
ETM+ tahun perekaman 2006 (format *.RRD), dan citra LANDSAT ETM+ tahun
15
perekaman 2011 (format *.TIFF). Proses import data citra ini mengubah format data mentah citra (format *.RRD dan format *.TIFF) menjadi format yang lebih mudah diolah oleh perangkat lunak pengolah citra (format *.IMG). Proses ini dilakukan menggunakan perangkat lunak ERDAS Imagine 9.1.
3.3.1.1 Koreksi Geometrik Koreksi geometrik ditujukan untuk memperbaiki distorsi citra melalui penetapan bentuk hubungan antara sistem koordinat citra aktual dengan sistem koordinat geografis dengan menggunakan data kalibrasi sensor atau titik kontrol lapangan atau GCP (Ground Control Point) (Richards 1986). Salah satu tujuan dilakukannya koreksi geometrik adalah untuk melakukan retifikasi (pembetulan) agar koordinat citra sesuai dengan koordinat geografi (Purwadhi 2001). Dalam penelitian ini koreksi geometrik dilakukan dengan menyamakan koordinat citra LANDSAT ETM+ tahun 2001 dan 2011 dengan citra LANDSAT ETM+ tahun 2006 yang telah terkoreksi. Sebagai data acuan untuk pemilihan titik kontrol lapangan digunakan peta rupa bumi skala 1 : 25.000 tahun 2009. Secara singkat, tahapan dari koreksi geometrik ini yaitu dengan melakukan penentuan sistem koordinat, proyeksi dan datum sistem koordinat yang dipilih untuk koreksi ini adalah Universal Tranverse Mercator (UTM) dengan proyeksi yang digunakan adalah UTM 48 zona Selatan. Pemilihan proyeksi ini disesuaikan dengan pembagian area pada sistem UTM, dimana Jawa Barat termasuk wilayah DAS Citarum Hulu berada pada zona South UTM row 48, sedangkan datum yang digunakan adalah World Geografic System 84 (WGS 84). Dengan adanya tahapan ini bertujuan untuk mendefinisikan informasi yang akan digunakan dalam proses koreksi selanjutnya.
3.3.1.2 Mosaik Citra Mosaik citra merupakan proses menggabungkan beberapa citra secara bersamaan membentuk satu kesatuan (satu lembar) peta atau citra yang kohesif. Dalam penelitian ini mosaik citra dilakukan pada citra LANDSAT ETM+ tahun 2001 dan 2011. Tujuan dari kegiatan mosaik adalah menghasilkan citra gabungan yang mempunyai kualitas kekontrasan yang baik sehingga citra hasil (output)
16
tampak menjadi citra yang kohesif (kontrasnya konsisten, teroganisir, solid dan koordinatnya ter-interkoneksi) (Jaya 2010). Data asli citra LANDSAT ETM+ daerah DAS Citarum Hulu terdiri dari 2 scene citra. Data tersebut kemudian di mozaik menjadi satu scene untuk memudahkan proses pengolahan dan analisis citra.
3.3.1.3 Koreksi Radiometrik Koreksi radiometrik ditujukan untuk memperbaiki bias pada nilai digital atau nilai kecerahan piksel yang terukur pada data histogram saluran-saluran spektral citra, yang disebabkan oleh gangguan atmosfer maupun akibat kesalahan respon detektor. Koreksi terhadap gangguan atmosfer dalam penelitian ini dilakukan dengan menggunakan metode histogram minimum (histogram minimum method). Pada metode histogram minimum, gangguan atmosfer diduga sebagai nilai terkecil yang terukur pada plot histogram masing-masing saluran citra digital multi saluran. Untuk menghilangkan gangguan atmosfer dari data multi saluran cukup dilakukan operasi aljabar dengan mengurangkan nilai digital terkecil pada setiap nilai digital piksel yang terukur pada masing-masing saluran citra tersebut (Lillesand dan Kiefer 1990).
3.3.1.4 Penyekatan Area Penelitian (Croping) Setelah proses koreksi citra kemudian dilakukan proses penyekatan citra sesuai dengan area penelitian (kawasan DAS Citarum Hulu) pada citra terkoreksi. Citra hasil penyekatan ini akan digunakan dalam proses selanjutnya. Penyekatan citra dilakukan sesuai dengan batas Citarum Hulu dengan menggunakan data vektor yang berasal dari BPDAS Citarum Ciliwung.
3.3.2. Interpretasi Visual Citra Satelit (Visual Image Interpretation) Interpretasi visual (interpretasi secara visual citra satelit) merupakan suatu kegiatan untuk mendeteksi dan mengidentifikasi objek-objek yang ada dipermukaan bumi yang tampak pada citra dengan mengenalinya atas dasar karakteristik spasial, spektral, dan temporal. Pendekatan ini melibatkan analis atau interpreter untuk mendapatkan informasi yang terekam pada citra dengan tujuh cara interpretasi visual.
17
Keberhasilan ini sangat tergantung kepada analis dalam mengeksploitir secara kolektif objek-objek yang tampak pada citra. Interpretasi visual citra dilakukan dengan kombinasi 3 saluran dalam format Red Green Blue (RGB) untuk memperoleh warna komposit yang paling jelas pada setiap kelas penutupan. Dalam Hakim (2006), kombinasi tersebut setidak-tidaknya terdiri atas 1 band sinar tampak, 1 dari Near Infrared (NIR), dan 1 dari Middle Infrared (MIR). Dalam penelitian ini, kombinasi band yang digunakan dalam interpretasi visual citra menggunakan band 5-4-3 (mengacu kepada standar dari Deparemen Kehutanan untuk analisis hutan dan vegetasi). Interpretasi visual citra dilakukan berdasarkan karakteristik visual pada citra seperti warna, bentuk, ukuran, pola, tekstur, bayangan, dan asosiasi.
Penelitian dilakukan untuk memberikan gambaran awal dalam survey lapangan, mengidentifikasi pola sebaran, penentuan jumlah kelas penutupan lahan dan macam kelas penutupan lahan yang ada di lapangan daerah penelitian. Untuk memperoleh data dalam interpretasi visual, citra ditampilkan dalam format RGB (Red Green Blue) untuk dapat menghasilkan warna komposit. Interpretasi visual juga dilakukan pada tahap reklasifikasi hasil klasifikasi dijital.
3.3.3 Pemeriksaan Lapangan (Ground Check) Kegiatan pengecekan lapangan dilaksanakan untuk memperoleh informasi mengenai keadaan atau kondisi lapangan secara nyata sebagai pelengkap dan pembanding bagi analisis selanjutnya. Pemeriksaan lapangan dilakukan dengan menelusuri lokasi-lokasi pengamatan yang telah ditentukan. Kegiatan yang dilakukan meliputi pengambilan titik-titik pengamatan dan dokumentasi contohcontoh penutupan atau penggunaan lahan yang ada dan juga melakukan wawancara dengan responden yang memahami dan mengenali dengan baik tentang kondisi daerah pengamatan.
3.3.4 Pengolahan Citra Digital (Image Processing) 3.3.4.1 Klasifikasi Terbimbing ( Supervised Classification) Metode yang digunakan dalam kegiatan klasifikasi citra adalah metode kemungkinan maksimum (Maximum Likelhood Method), karena metode ini adalah metode yang paling banyak digunakan dalam sebagian besar klasifikasi
18
citra digital pengindraan jauh (Jaya 1997). Metode kemungkinan maksimum mengelompokan piksel-piksel yang belum diketahui identitasnya berdasarkan vektor rata-rata sampel multivariate (MJ) dan matriks ragam peragam antar band (Ci) dari setiap kelas atau kategori i. Semua kombionasi band dari data citra diklasifikasi berdasarkan piksel contoh yang telah dibuat pada tahap training area.
3.3.4.2 Penentuan Area Contoh (Training Area) Pengambilan contoh dilakukan berdasarkan data yang didapat dari pemeriksaan lapangan kemudian dilakukan penentuan dan pemilihan lokasi-lokasi area contoh (training area) untuk mengambil informasi statistik tipe-tipe penutupan lahan. Pengambilan informasi statistik dilakukan dengan cara mengambil contoh-contoh piksel dari setiap tipe penutupan lahan dan ditentukan lokasinya pada citra komposit. Informasi statistik dari setiap tipe penutupan lahan akan digunakan untuk menjalankan fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai rata-rata, simpangan baku, nilai dijital minimum dan maksimum, serta matrik varian-kovarian untuk setiap tipe penutupan lahan. Banyaknya training area yang perlu diambil untuk mewakili masingmasing kelas adalah sebanyak band (N) yang digunakan ditambah satu (N+1), yaitu untuk menghindari matrik ragam peragam singular yang matriks kebalikannya (inverse) tidak bisa dihitung. Pada prakteknya dianjurkan jumlah piksel per kelasnya sebanyak 10 N dan bahkan 100 N (Swain dan Davis 1978). Jumlah band yang digunakan adalah tiga band sehingga jumlah training area yang digunakan dalam penelitian ini adalah minimum empat piksel untuk setiap kelas tutupan lahan.
3.3.4.3 Analisis Separabilitas Sebelum dilakukan pemetaan atau klasifikasi tipe-tipe penutupan lahan berdasarkan hasil area latihan (training area) terlebih dahulu dilakukan analisis separabilitas untuk mengukur tingkat keterpisahan antar kelas tutupan lahan.
19
Analisis separabilitas dalam penelitian ini dilakukan dengan metode Transformed Divergence (TD). Metode ini digunakan untuk mengukur tingkat keterpisahan antar kelas. Nilai TD antara kelas i dan j dapat diketahui dengan rumus dibawah ini : ππ·ij = 2000 οΏ½1 β
Nilai divergensi dihitung dengan :
βDij exp g οΏ½
π·ππ = 0.5π‘ποΏ½οΏ½πΆπ β πΆπ οΏ½οΏ½πΆπβ1 β πΆπβ1 οΏ½οΏ½ + 0.5π‘ποΏ½οΏ½πΆπβ1 + πΆπβ1 οΏ½οΏ½Β΅π β Β΅π οΏ½οΏ½Β΅π β Β΅π π οΏ½οΏ½
dimana D adalah divergence, tr adalah teras matriks, C adalah matriks ragam peragam, Β΅ adalah vektor rata-rata dan T adalah transposisi dari matriks. Nilai TD berkisar antara 0 sampai 2000 (Jaya 1997).
Adapun kriteria yang digunakan dalam memisahkan antar kelas dari nilai transformed divergence menurut Jaya (1997) adalah sebagai berikut : a.
Tidak terpisah (Insperable)
: 0 β 1600
b.
Jelek keterpisahannya (Poor)
: 1601 β 1699
c.
Sedang (Fair)
: 1700 β 1899
d.
Baik keterpisahannya (Good)
: 1900 β 1999
e.
Sangat baik keterpisahannya (Excellent)
: 2000
3.3.4.4 Evaluasi Akurasi Evaluasi akurasi dilakukan untuk melihat besarnya kesalahan klasifikasi area contoh sehingga dapat ditentukan besarnya prosentase ketelitian pemetaan. Analisis akurasi dilakukan dengan menggunakan matriks kesalahan (confusion matrix) atau disebut juga matriks contingency. Ketelitian tersebut meliputi jumlah piksel area contoh yang diklasifikasikan dengan benar atau salah, pemberian nama kelas secara benar, presentase banyaknya piksel dalam masing-masing kelas serta prosentase kesalahan total. Pada evaluasi akurasi, interpreter menggunakan empat jenis perhitungan nilai akurasi, yaitu Producerβs Accuracy, Userβs Accuracy, Overall Accuracy dan Kappa Accuracy. Menurut Story dan Congalton (1986), Producerβs dan Userβs Accuracy merupakan dua penduga dari ketelitian keseluruhan (Overall Accuracy). Producerβs Accuracy adalah peluang rata-rata (dalam persen) bahwa suatu piksel
20
akan diklasifikasikan dengan benar yang secara rata-rata menunjukan seberapa baik masing-masing kelas di lapangan telah diklasifikasi, ukuran ini juga mencerminkan rata-rata dari kesalahan komisi (comition error) yaitu kesalahan klasifikasi berupa kelebihan jumlah piksel dalam suatu kelas yang mengakibatkan masuknya piksel dari kelas yang lain. Sedangkan Userβs Accuracy adalah peluang rata-rata (dalam persen) bahwa suatu piksel dari citra yang terklasifikasi secara actual mewakili kelas-kelas yang ada di lapangan, ukuran ini mencerminkan ratarata dari kesalahan omisi (omission error) yaitu kesalahan klasifikasi berupa kekurangan jumlah piksel dalam suatu kelas akibat masuknya piksel-piksel kelas tersebut ke kelas yang lain. Sedangakan Overall Accuracy adalah suatu presentase yang sama dengan proporsi dari piksel-piksel yang terkelaskan dengan tepat yang dibagi dengan jumlah piksel yang diuji. Nilai akurasi yang paling banyak digunakan adalah Kappa Accuracy, karena nilai akurasi ini memperhitungkan semua elemen atau kolom dari matriks. Adapun matriks kesalahan disajikan pada Tabel 4. Tabel 4. Matriks kesalahan (confusion matrix) Data acuan Disklasifikasi kelas training (data klasifikasi di peta) area A B C A X 11 X 12 X 13
Total baris
Producerβs accuracy
D X 14
X 1+
X 11 /X 1+
B
X 21
X 22
X 23
X 24
X 2+
X 22 /X 2+
C
X 31
X 32
X 33
X 34
X 3+
X 33 /X 3+
D
X 41
X 42
X 43
X 44
X 4+
X 44 /X 4+
Total kolom Userβs accuracy
X +1
X +2
X +3
X +4
N
X 11 /X +1
X 12 /X +2
X 13 /X +3
X 14 /X +4
Akurasi yang bias dihitung dari userβs accuracy, producerβs accuracy dan overall accuracy. Secara matematis jenis-jenis akurasi diatas dapat dinyatakan sebagai berikut :
21
Kappa accuracy
Userβs accuracy
Producerβs accuracy
Overall accuracy dimana :
=
π βππ πππ ββππ ππ+ π+π π
π 2 ββ ππ+ π+π
= π ππ π
+π
=π ππ
π+
x 100%
x 100%
βππ πππ
=
π
x100%
x 100%
N
= Jumlah piksel yang digunakan dalam contoh
r
= Jumlah baris atau kolom pada matriks kesalahan (jumlah kelas)
X i+
= Jumlah piksel dalam baris ke-i
X +i
= Jumlah piksel dalam kolom ke-i
X ii
= Nilai diagonal dari matriks kontingensi baris ke-i dan kolom ke-i
3.3.5 Reklasifikasi Reklasifikasi merupakan kegiatan pengkelasan kembali data atribut dengan memecah bagian dari boundary dan menyatukannya dalam poligon baru yang telah direklasifikasi. Reklasifikasi memiliki tujuan memperbaiki hasil klasifikasi citra dijital. Reklasifikasi dilakukan secara manual dimana data direklasifikasi berdasarkan input pengguna yaitu karakteristik visual citra, hasil klasifikasi citra dijital, dan pengamatan di lapangan.
3.3.6 Analisis Perubahan Penutupan Lahan Berdasarkan hasil dari klasifikasi citra LANDSAT ETM+ multiwaktu melalui metode maksimum likelihood, selanjutnya dilakukan analisis perubahan penutupan lahan. Analisis perubahan penutupan lahan adalah dengan cara menumpangtindihkan (overlay) citra hasil klasifikasi dan analisis Thematic Change pada kurun waktu tahun 2001-2006, 2006-2011, dan 2001-2011. Tahapan penelitian secara lengkap dapat dilihat pada Gambar 2.
22
Start
Penyiapan data Data digital LANDSAT ETM+
Peta rupa bumi
Pra-pengolahan (koreksi geometrik dan radiometrik) Data vektor batas DAS
Penyekatan (cropping)
Metode klasifikasi visual
Data lapangan
Seleksi training area
Analisis separabilitas
Klasifikasi metode Maximum Likelihood
Analisis akurasi
TIDAK
YA Citra hasil klasifikasi
Reklasifikasi
Overlay dan Thematic Change
Peta perubahan penutupan lahan
Gambar 2 Diagram alir langkah kerja penelitian.