BAB III PEMBAHASAN 3.1 Data Data yang digunakan dalam penelitian ini berupa : 1. Citra Landsat-5 TM, path 122 row 065, wilayah Jawa Barat yang direkam pada 2 Juli 2005 (sumber: LAPAN). Band yang digunakan berupa enam band multispektral (band 1, 2, 3, 4, 5, dan 7).
Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
Gambar 3.1 Landsat-5 TM Band
2. Data stok karbon pengukuran langsung di wilayah penelitian. (Sumber : Kementrian Lingkungan Hidup bekerjasama dengan Fakultas Ilmu dan Teknologi Kebumian (FITB), Sekolah Ilmu dan Teknologi Hayati (SITH) dan berkoordinasi dengan Pusat Infrastruktur Data Spasial – Institut Teknologi Bandung, tahun pengamatan 2008 ). Gambar 3.2 menunjukan Lokasi Sebaran Titik Sampel Stok Karbon Pengukuran Lapangan. Tabel 3-1 menunjukan data Stok Karbon pengukuran lapangan.
25
Table 3-1 Data Stok Karbon Pengukuran Lapangan No
Penggunaan Lahan
Lokasi
Stok Karbon Above Ground (Ton)
1
Hutan
Ciwidey
221.09
2
Hutan
Sukabumi (Situ Gunung)
272.84
3
Hutan
Sukabumi (Gunung Salak)
537.11
5
Kawasan pertambangan
Bandung
0.61
6
Kebun campuran
Ciwidey
84.08
7
Kebun campuran
Sukabumi
15.69
8
Ladang/Tegalan
Ciwidey
0.37
9
Ladang/Tegalan
Ciwidey
0.83
10
Ladang/Tegalan
Ciwidey
1.74
11
Padang rumput/Ilalang (I)
Sukabumi
9.92
12
Padang rumput/Ilalang (II)
Sukabumi
3
13
Pemukiman
Sukabumi
31.64
14
Perkebunan (Teh)
Ciwidey
364.05
15
Sawah (Siap panen)
Banjaran
6.28
16
Sawah (Umur 3 bulan)
Sukabumi
2.73
17
Semak belukar
Bandung
6.88
18
Semak belukar
Sukabumi
2.54
19
Tanah kosong
Banjaran
2.14
3. Peta Rupa Bumi Indonesia dan wilayah Jawa Barat (Sumber : Center Of Remote Sensing Institut Teknologi Bandung). Digunakan untuk proses koreksi geometrik citra Landsat-5 TM. Data tersebut mengacu pada datum geodetik WGS 1984 dengan sistem proyeksi UTM zona 48 bumi bagian selatan. Peralatan
Beberapa peralatan yang digunakan untuk pengolahan data berupa: 1. Satu set komputer 2. Software pengolahan data : ArcGIS 9.3, ENVI 4.6, Microsoft Office 2007, IBM SPSS Statistic 20
26
3.2 Area Penelitian Penelitian ini dilakukan di sekitar wilayah JawaBarat. Pengambilan sampel stok karbon pengukuran lapangan dilakukan di beberapa wilayah administratif Provinsi Jawa Barat yakni Kotamadya Bandung, Ciwidey, Banjaran, dan Sukabumi. Lokasi area pengambilan sampel cadangan karbon pengukuran lapangan ditunjukan pada Gambar 3.2.
Gambar 3.2 Area Penelitian
Tutupan lahan yang terdapat di wilayah penelitian bervariasi meliputi hutan, kawasan pertambangan, kebun campuran, ladang tegalan, padang rumput, pemukiman, perkebunan teh, sawah, semak belukar, hingga tanah kosong. Gambar 3-3 menunjukan kenampakan pada tutupan lahan tempat pengambilan sampel cadangan karbon.
27
a
b
c
d
e
f
g
h
Gambar 3.3 – Pengukuran Lapangan stok karbon pada berbagai tutupan-lahan (a) hutan; (b) kebun monokultur; (c) kebun campuran; (d) sawah; (e) tanah pertanian; (f) semak belukar; (g) lahan terbuka; dan (h) padang rumput Sumber (PIDS 2008)
28
3.3
Pengolahan Data
3.3.1
Reduksi Outlier
Outlier adalah data pengamatan dengan nilai yang berada jauh dari nilai pengamatanpengamatan yang lainnnya. Pada penelitian ini, Outlier di evaluasi dengan cara Labeling Rule. Metode Labeling rule membatasi data dalam 2 rentang yaitu Upper dan Lower, yang dihitung berdasarkan persamaan (3) dan (4). Dari perhitungan didapat batas maximum dari data stok karbon pengukuran lapangan adalah 264.348 ton. Dengan demikian nilai diatas batas tersebut dianggap sebagai outlier dan harus dieliminasi. Gambar 3.4 menunjukan sebaran data stok karbon pengukuran lapangan. Dari Gambar 3.4 dapat dilihat terdapat 3 data yang harus dieliminasi karena nilainya lebih besar dari batas Upper (264.348 ton). Dari Gambar 3.4 juga dapat dilihat sebaran data pada nilai stok karbon rendah cukup merata. Karena itu tidak diperlukan batas Lower.
Gambar 3.4 Sebaran data Stok Karbon pengukuran Lapangan
3.3.2 Penghilangan Daerah Liputan Laut Langkah selanjutnya dari pengolahan data citra satelit adalah proses eliminasi daerah laut pada citra. Daerah laut dieliminasi karena berpotensi mempengaruhi proses perhitungan citra yang melibatkan Digital Number (DN). Karena fokus penelitian ini tentang stok karbon, maka informasi nilai DN di daerah lautan yang memiliki nilai Digital Number (DN) sangat rendah tidak diikutsertakan.
29
Daerah laut dieliminasi dengan cara dijitasi manual pada daerah daratan untuk dibuat citra mask. Hasil extract dari citra mask tersebut, tidak diliputi lautan. Proses tersebut dapat disajikan pada gambar 3.5.
(a)
(b)
(c) Gambar 3.5 Proses penghilangan daerah Lautan (a) Citra Landsat 5-TM dengan daerah lautan, (b) Mask daerah daratan, (c) Citra Landsat 5-TM tanpa daerah lautan
3.3.3 Koreksi Radiometrik Pada penelitian ini, digunakan 6 band spektral Landsat-5 TM ( Band 1, 2, 3, 4, 5, 7) yang digital number-nya (DN) diolah melalui perhitungan matematis untuk menghasilkan informasi tertentu dimana pada konteks penelitian ini, berupa kemampuan suatu vegetasi untuk menyerap karbon.
30
Mengacu pada pernyataan diatas, diperlukan proses koreksi radiometrik untuk mengkonversi nilai digital number (DN) menjadi nilai reflektansi yang dianggap mewakili nilai sebenarnya dari kemampuan suatu obyek dilapangan dalam memantulkan radiasi gelombang elegtromagnetik. Sebelum di ubah ke nilai reflektansi, DN terlebih dahulu diubah ke nilai radiansi dengan persamaan (5). Tahap selanjutnya adalah merubah nilai radiansi pada citra satelit menjadi nilai reflektansi dengan menggunakan persamaan (6). Kedua proses ini tidak mengakibatkan perbedaan visual yang
signifikan. Tabel 3-2
menunjukan
perbandingan rentang nilai DN ke nilai reflektansi tiap-tiap band spectral.
Table 3-2 Nilai Dijital Number dan Nilai Reflektansi No 1 2 3 4 5 7
Band Band 1 Band 2 Band 3 Band 4 Band 5 Band 6
DN max
DN min
DN mean
0 0 0 0 0 0
255 162 255 255 255 255
11.358 95.951 26.967 31.361 15.344 45.299
Reflektan max
Reflektan min
Reflektansi mean
-0.013 -0.020 -0.052 -0.040 -0.090 -0.077
0.993 0.618 1.248 0.986 1.531 0.442
0.037 0.065 0.160 0.015 0.011 -0.004
3.3.4 Koreksi Geometrik Tahapan Tahapan pengolahan data citra satelit selanjutnya adalah koreksi geometrik. Citra Landsat-5 TM yang terekam sudah memiliki referensi geometris tertentu. Namun untuk memastikan bahwa citra yang akan diolah benar-benar terbebas dari kesalahan geometris, perlu dilakukan koreksi geometrik. Pada proses koreksi Geometrik, dibutuhkan bantuan titik control tanah ( Ground Control Point ) sebagai titk sekutu (titik yang diketaui koordinatnya pada
sistem referensi yang juga
teridentifikasi pada citra) untuk melakukan proses transformasi koordinat pada citra Landsat 5 TM. Proses transformasi ini menggunakan model transformasi affine-2D dengan mengacu pada datum WGS 1984 dan sistem proyeksi UTM zona 48 bumi bagian selatan. Titik GCP yang digunakan sebanyak 11 titik yang tersebar di sekeliling area penelitian. Objek yang digunakan sebagai titik GCP adalah perpotongan jalan dan perpotongan sungai. Setelah itu dihitung penyimpangan koordinat titik hasil transformasi dengan koordinat titik pada peta atau citra referensi 31
yang direpresentasikan dengan harga standar deviasi untuk mengetahui tingkat kepresisian hasil plot data-data GCP pada citra. Untuk validasi ketelitian dari koreksi geometrik yang kita lakukan, dibutuhkan titik Independent Check Point (ICP) yang diletakan secara merata didalam kawasan cakupan GCP pada citra yang dikoresi. Titik ICP yang digunakan sebanyak 6 titik. Objek yang digunakan sebagai titik GCP dan ICP adalah perpotongan jalan dan perpotongan sungai. Tingkat ketelitian dari ICP dapat ditentukan dengan menghitung nilai RMSEICP-nya. Sebaran dari GCP dan ICP pada masing-masing citra dapat dilihat dalam Gambar 3.6
Gambar 3.6 Sebaran titik-titik GCP dan ICP
3.3.5 Pembuatan Indeks Vegetasi Pada penelitian ini, digunakan 7 jenis Indeks vegetasi sebagai variabel bebas untuk dilakukan perhitungan regresi. Pada proses pengolahan data citra untuk menghasilkan indeks vegetasi pada penelitian ini, digunakan 6 band spectral (band 1, 2, 3, 4, 5, dan 7) dari citra Landsat 5 TM yang telah dikoreksi geometrik dan radiometrik. Dengan menggunakan band spektral Landsat-5 TM pada formula yang ditunjukan oleh Tabel 2.4, dapat dihasilkan persamaan yang ditunjukan pada tabel 33 berikut:
32
Table 3-3 Persamaan Indeks Vegetasi dengan Band spektral Landsat-5 TM Vegetation Index
Equation
SR NDVI SAVI
Reference (Band 4/Band 3)
Tucker, 1979
(Band 4-Band 3)/(Band 4+Band 3)
Tucker, 1979
1.5(Band 4-Band 3)/(Band 4+Band 3+0.5)
Msavi-2 GVI
2
WI NDWI
0.5
Qi et al., 1994
(2Band4+1-[(2Band3+1) -8(Band4-Band3)] )/2 -(0.2848b1)-(0.2435b2)-(0.5436b3)+(0.7243b4) +(0.0084b5)-(0.1800b7)
Qi et al., 1994 Kauth and Thomas (1976)
(Band 4/Band 5)
Serrano et all, 2000
(Band 4-Band 5)/(Band 4+Band 5)
Serrano et all, 2000
Visualisasi dari hasil pembuatan indeks vegetasi ini akan disajikan pada gambar 3-7.
33
(a) SR
(b) NDVI
34
(c) SAVI
(d) MSAVI-2
35
(e) GVI
(f) WI
36
(g) NDWI Gambar 3.7 Visualisasi data Vegetation Index
3.3.6 Pendugaan Stok Karbon dengan Pendekatan Regresi Proses pengolahan data yang terakhir adalah proses perhitungan stok karbon hasil penelitian dengan pendekatan regresi. Dari ke-tujuh index vegetasi yang ada, dilakukan proses regresi linier tunggal dan regresi exponential tunggal untuk menghasilkan model matematika pendugaan stok karbon. Ada tujuh variabel bebas yang digunakan dalam penelitian ini, yaitu indeks vegetasi SR, NDVI, SAVI, MSAVI-2, GVI, WI, dan NDWI. Sedangkan sebagai variabel terikat dugunakan data Stok karbon hasil pengukuran langsung di lapangan. Sebagai indikator untuk mengetaui seberapa baik hubungan antara Stok Karbon pengukuran lapangan (variabel terikat) dengan Indeks vegetasi (variabel bebas) dapat dilihat pada plot data sebaran stok karbon (scatter plot) pada gambar 3.8 dan koefisien determinasinya (R2) yang ditampilkan pada tabel 3-4.
37
SR
y = 1.034e0.247x R² = 0.426
y = 8.482x - 29.45 R² = 0.475
300 200 Stok Karbon (Ton)
100 0 0.000 -100
5.000
10.000
15.000
20.000 (a)
y = 153.3x - 71.34 R² = 0.226
NDVI
y = 0.163e5.453x R² = 0.301
300 200 Stok Karbon (Ton)
100 0 -1000.000
0.200
0.400
0.600
0.800
1.000
(b)
SAVI
y = 0.004e5.198x R² = 0.285
y = 139.4x - 163.3 R² = 0.195
300 200 Stok Karbon (Ton)
100 0 0.000 -100
0.500
1.000
1.500
2.000
(c)
38
Msavi-2
y = 0.006e7.926x R² = 0.367
y = 219.8x - 161.6 R² = 0.269
300 200 Stok Karbon (Ton)
100 0 0.000 -100
0.200
0.400
0.600
0.800
1.000
1.200
(d)
GVI
y = 505.8x - 37.11 R² = 0.264
y = 0.553e17.99x R² = 0.351
300 200 Stok Karbon (Ton)
100 0 0.000 -100
0.050
0.100
0.150
0.200
0.250
(e)
WI 300
y = 0.194e1.431x y = 49.86x - 88.56 R² = 0.593 R² = 0.514
200 Stok Karbon (Ton)
100 0 0.000 -100
1.000
2.000
3.000
4.000
5.000
(f)
39
NDWI
y = 0.298e8.075xy = 238.6x - 58.58 R² = 0.458 R² = 0.380
300 200 Stok Karbon (Ton)
100 0 0.000 0.100 0.200 0.300 0.400 0.500 0.600 0.700 -100 (g)
Gambar 3.8 Plotting data Stok Karbon pengukuran lapangan terhadap: (a) Simple Ratio Vegetation Index, (b) NDVI, (c) SAVI, (d) Msavi-2, (e) GVI, (f) WI, (g) NDWI
Table 3-4 Koefisien Determinasi (R2) antara Stok Karbon dan Indeks Vegetasi No 1 2 3 4 5 6 7
Variabel SR NDVI SAVI Msavi-2 GVI WI NDWI
R2 Model I (regresi linear) 0.475 0.226 0.195 0.269 0.264 0.593 0.380
R2 Model II (Regresi exponential) 0.426 0.301 0.285 0.367 0.351 0.514 0.458
Dari, koefisien determinasi yang ditunjukan pada (Tabel 3-4), dipilih indeks vegetasi yang mempunyai
nilai koefisien determinasi terbesar untuk dibuat model
matematika pendugaan stok karbon dengan persamaan regresi tunggal yang ditampilkan pada BAB 4 (tabel 4-1).
3.3.7 Pendugaan Stok Karbon dengan Pendekatan Multiregresi Multiregresi adalah regresi dengan melibatkan lebih dari satu variabel bebas. Dari ke lima indeks vegetasi yang ada, dilakukan dua proses pendekatan multiregresi yaitu multiregresi linier dan multiregresi exponential. Multiregresi linear dilakukan dengan metode Stepwise dimana metode ini menghasilkan kombinasi terbaik dari variabelvariabel bebas (Indeks Vegetasi) yang akan digunakan. Regresi Stepwise adalah salah satu metode untuk mendapatkan model terbaik dari sebuah analisis regresi. Metode regresi Stepwise secara langsung men-seleksi variabel-variabel dengan kombinasi
40
terbaik untuk dijadikan model matematika. Tabel 3-5 menunjukan hasil dari proses multiregresi linear dengan metode stepwise.
Tabel 3-5 Output dari proses Multeregresi Linear metode Stepwise Model
R
R2
Adjusted R2
Std. Error of the Estimate
1
.770a
0.593
0.562
38.46
2
.883b
0.78
0.743
29.44
a. Predictors: (Constant), wi b. Predictors: (Constant), wi, ndvi
Sedangkan pada pendekatan multiregresi eksponential, pemilihan variabel bebas berdasarkan pada tiga indeks vegetasi dengan koefisien determinasi hubungan exponential yang terbesar seperti ditunjukan pada tabel 3-4. Maka dipilih indeks vegetasi SR, WI, dan NDWI sebagai variabel bebas. Tabel 3-6 menunjukan hasil dari proses multiregresi exponential.
Tabel 3-6 Output dari proses Multeregresi Exponential
41
