BAB V POLA DERET WAKTU TIGA JENIS PENGGUNAAN LAHAN Deret w a h NDVI tiga jenis penggunaan lahan ditetapkan berdasarkan hasil Masifikasi penggunam lahan cim Landsat ETM+. Sebaran penggunaao lahan di Propinsi Riau disampaikan pa& Gambar 5.1.
Gambar 5.1. Sebaran Penggunaan Lahan Hasil Klasifikasi Landsat ETM+ Komposit Tahun 1999-2002 di F'ropinsi Riau Penggunaan lahan dominan di Propinsi Riau adalab butan, diikuti dengan ladang
dan pekebunan. Proporsi grid unik setiap jenis penggunaan lahan secara menyelurub disampaikan pada Tabel 5.1. Tabel 5.1. Proporsi Grid Penggunaan Lahan di hpinsi Riau Hasil Komposit Tahun 1999-2001 I d s PenNo 1 ..-2 3 4 5
aha an
Ladang
Hum Kebm
Aa Urban TOTAL
.
JumlahGrid 3494 3499 1632 181 25 8831
Persen
_
39.57 39.62 18.48 2.05 0.28 100.00
Jumlah Grid Unik 261 508 92 0 0 86 1
Penen 30.3 1 59,00
'O.69 0.00 0.00
Jumlah
Contoh
contoh
diamati
13.6 26.6 4.8 0.0 0.0 45
. -
30 30 30 0 0 90
Sebagaimana disampaikan di Bab Metode, jumlah contoh skan ditetapkan proporsional atau menjadi 30 pengamatan untuk setiap strata jika jumlah contoh secam pmpomional kurang dari 30 pengamatan. Jumlah contob ditetapkan sebanyak 5% dari samplingfiame (grid uoik). Karena seluruh hasil tetapan kurang dari 30 pengamatan, maka ditetapkan, masing-masing strata sebanyak 30 pugamatan.
5.1. Deskripsi Data Deret Waktu NDVI Tiga Jenis Penggunaan Lahan Dari hasil klasifikasi penggunaan lahan, tiga jenis penggunaan lahan yang menjadi fokw kajian yaitu lahan bervegetasi didalami dinamikanya secara deret waktu dari nilai
NDVI masing-masing. Hasil e b W i data NDVI diplotkan dalam grafik NDVI deret waktu yang disampaikan pada Gambar 5.2. Pada Gambar 5.2 tersebut disampaikan fluktuasi NDVI tiga jenis penggunaan lahan dari tahun April 1998 sampai dengan Februari 2005. Pola deret wakhl NDVI dari ketiga jenis penggunaao lahan tersebut relatif sama. Perbedaan terletak pada besaran amplitude pada fluktuasi 10 harian, dimana dapat dilihat bahwa fluktuasi per sepduh harian vegctasi hutan lebih tinggi dibandingkan dengan vegetasi di penggunaan ladang, dan perkebunan.
..
a. Hutan
~~~
.. -~
b. Kebun
Average NDVl of Upland
-1
Gambar 5.2.Plot Deret Waktu Rataan NDVI Hutan, Kebun dan Ladang di Propinsi Riau
1
Pola deret waktu NDVI yang disampaikan pada Gambar 5.2 menunjukkan pola deret bersifat musiman. Nilai NDVI dalam periode satu tahun cenderung fluktuatif. Pada bulan tertentu akan dicapai nilai NDVI tin@, tetapi pa& bulan lain diketahui nilainya akan rendah. Implikasi terkait dengan terapan di kajian penginderaan jauh adalah nilai NDVI hasil pengukuran sam waktu tidak dapat digunakan untuk Wasifkasi absolut. Plot NDVl dalam beberapa periode periode (1 periode = 1 tahun) yang disampaikan pada Gambar 5.2. menunjukkan bahwa klasifhsi penggunaan lahan dengan menggunakan NDVI satu pengamatan harus lebih hati-hati ditejemahkan.
Hasil k l a s i f h i tersebut bersifat sangat relatif, hams lebih diteliti NDVI yang digunakan dari citra yang diakusisisi pada tanggal berapa dan di wilayah iklim apa. Hasil
plot
tersebut juga
menunjukkan
perlunya
pemilihan
analisis
yang
mempertimbangkan aspek musim, sehingga deret NDVI dapat dipahami lebih baik.
5.2. Perbandingan Model Deret Waktu Tiga Jenis Penggunaan L a h a n Rataan tiga jenis penggunaan lahan basil klasifikasi citra Landsat ETM+ menjadi dasar dalam penetapan model deret waktu penyesuaian musiman X12ARIMA. Dari prosedur automodel X12ARIMA yang memugkinkan pemilihan model terbaik berdasarkan parameter BIC2 dietahui 5 model terbaik dari setiap penggunaan lahan disampaikan pada Tabel 5.2. Tabel 5.2. Model terpilih dari Tiga Jenis Penggunaan Lahan di Propinsi Riau Penggunaan Lahan Hutan......Kebun .... Ladang
Model ARlMA d ! L l ) ( O 1 l)l2 @2aoLlL2Z.. (2 1 OX0 1 I),>
Jumlah pengamatan efektif ....... .....
!.' ............... '!.............. 70
Model terbaik yang dihasilkan dari prosedur X12ARMA menunjukkan piliban model terbaik pada data rataan penggunaan lahan hutan adalah ARIMA (1,0,1)(0,1,1)~~. Semcntara itu model terbaik untuk data raman penggunaan lahan kebun adalah ARIMA (0 0 0)(0 1 I),,dan untuk data rataan penggunaan lahan ladang adalah ARIMA (2 1 0x0 1 I),,. Pemilihan model terbaik didasarkan pada nilai BIC2 terkecil.
Ladang umumnya
digunakan untuk tanaman semusim sedangkan kebun umumnya diusahakan oleh perusahaan hesar dengan jenis vegetasi berkayu seperti kelapa sawit, karet, dan akasia.
Berbagai parameter statistik dalam pernodelan XlZARIMA disampaikan pada Tabel 5.3.
Tabel 5.3. Ringkasan Parameter Model Tiga Jenis Penggunaan Lahan Model
Pcnggonaaa Lsbm
Log
(IAIXO,I,l)e
Huhm
BIC
AIC
Estimate
Parameter ARMA
97.7895
-193.5790
N m w a ~ m dAR
-191.3163
4.5489
1
Nan-onal MA 1% l
Kebun
(0 0 OX0 1
h
(2 1 ON0 1 1)or
.............
123.9293
-245.8587
99,4690
-178,9379
%sod ..-243.5960 ......---...........
-156.7429
0.3111EO2
4.4%
Seuod MA lag 12
.... .................................
. .
g
Variance
lilrelihood
0.8240
MAj2 lag 12
0.9718
0.1323EM
Nooscasnul ARlag 1
0.1131M2
Nan-lAR lag 2
4.9764 -0.3896
Sasod MA,,la 12
0.8588
Pernodelan yang dilakukan dalam analisis deret waktu ini pada dasamya tidak digunakan untuk prediksi maupun peramalan. Pemodelan lebih dipahami sebagai salah satu tahapan untuk memahami pola umm deret dan tahap pendugaan parameter yang
dibuhlhkan untuk deteksi pencilan. Diagnosis model d i l a h h melalui pengecekan sisaan, plot ACF dan PACF. Plot ACF dan PACF dari pernodelan disampaikan pada Gambar 5.3.
_-...--
Hum _~./s.i"l = . + . O 1 z . O .
~ . . . ~ . d . . . " A 7 ~ ~ . ~ . ~ ~ . ~X ~~ . .> ~ . T " ,
..=..... * ..
c m l : , . . m ~ u r e ~.--%
"2 A ..
*.
c
x...*...
. ,* ,>*,_. Ill.,~ldCYI-*I.Oili.bl..bl..-I~X'i.llm~ wrn-U.,
*
~
,
0
(
~
M.,? x.2 2
~
err.
.
.................
s.
,>
=
.:
.I
38
Kcbun d I . n . ~ ~ l l l . ~ ~ ~ L ( . . ~ ~ l_l%,r" . . . ~ c
0:
-?=. .-*.c.sz>..
.-
"o~~m..:"
*a*
wci G.rc%&.%
,x ,ln*. Up.lanr-rr8-l..
.
..x..>.,.
.g
.
72
24
-.
..
.*...&-=.~..0m<.*#.c.&.<.-......7.~rr.
..x...".Tv.-.-*=.m.e.w.+. wr".sss.,
Ulb ,X 2 OT..
=
we.,
,x
&.*
.-...
%.
k-.
'7MV.
p~
om
..... ....... 1.
,.!1
.....l,..l......
4.
9 .
>'
s
2.
>*
Gambar 5.3. Plot Sisaan, ACF dan PACF Sisaan dalam Pemodelan Data Rataan NDVI Tiga Jenis Penggunaan Lahan.
53. Dekomposisi Komponen Trend, Seasonal & Irregular pada Pemodelan Tiga Jenis Penggunaan Lahan Prosedw Xl2ARIMA mempakan pemodelan deret waktu yang mampu mendekomposisikan deret dalam 3 komponen penting yaitu trend, seasonal dan
irregular. Disamping tiga komponen tersebut, jika dalam model regresi diduga ada penganrh komponen lain seperti trading day (TD), easter effect, atau komponen prior
adjustment maka peodugaan juga dapat dilakukan dengan memodifhsi proses pemodelan, Prior adjustment mempakan penyesuaian berdasarkan hasil deteksi awal model. Deteksi awal termasuk ada tidaknya transformasi dan ada tidaknya pencilan dalam deret.
Semakin banyak jumlah pencilan terdeteksi, maka persentase prior
adjustment &lam deret semakin besar. Disamping itu, pa& pemodelan dilakukan uji terhadap perlunya mempertimbangkan TD. Jika dalam pemodelan ada faktor diluar tiga komponen utama (trend, seasonal dun irregular) serta prior adjustment yang diduga mempengaruhi terbentuknya deret, maka secara otomatis TD menjadi faktor yang perlu dipertimbangkan. Hasil pendugaan rataan komponen irregular, trend, seasonal, dan
prior adjustment disarnpaikan pada Tabel 5.4. Tabel 5.4. Dekomposisi Komponen Pemodelan Tiga Jenis Penggunaan Lahan Persentase komponcn (%) &lam deret - . - - . . . Prior Trend Seasortal Adjustment
penggunaan .......
Lahan
Irreplar ~
....Kebun
Ladang
-
~
p
~
-................... Trading duy/ eater
~
6.07 2.41
2.35 3.11
......
66.10 41.70
24.39 52.78
1.09 .... 0.00
Hasil dekomposisi komponen deret dari data deret asli dengan prosedw
X12ARIMA pada tiga jenis penggunaan lahan menunjukkan bahwa komponen seasonal secara relatif domioan dibandingkan dengan komponen laimya. Komponen seasoval
berperan 76,4% pada pemodelan deret NDVI hutan, 693% pada pemodelan deret NDVI kebun dan 79,6% pada pemodeian deret NDVI ladang. Dari dekomposisi komponen ini diketahui juga bahwa peran irregular terbesar pada pemodelan ladang. Komponen
irregular dalam dekomposisi komponen pemodelan NDVI dengan metode STL yang dilakukan oleh Liu et al. (2001) digunakan sebagai komponen penting pembedaan vegetasi berkayu (woody vegeta~ion)dan semak (herbaceous vegetation). Sementara ihi, komponen prior adjustment m e ~ p a k a npenyesuaian awal yang terkait dengan transformasi dan keberadaan pencilan. Jika data ditransformasi menjadi
bentuk log sehingga model bersifat multiplikatif maka kecendemngan prior adjustment lebih besar. Demikian juga, banyakuya pencilan juga memperbesar peran komponen
prior adjustment. Plot dari komponen utama yaitu trend, seasonal, dan irregular disampaikan pada Gambar 5.4. Hum
Gambar 5.4. Plot Hasil Dekomposisi Komponen Trend Seasonal dan Irregular dari Pemodelan Data Rataan NDVI Tiga Jenis Penggunaan Lahan.
5.4. Seosonali!y pndn Tiga Jenis Penggunnnn Lahan Deskripsi perlunya mempertimbangkan kondisi musiman secara visual sudah
ditunjukkan oleh plot deret waktu data per sepulub harian pada sub bagian sebelumnya. Penelitian yang dilakukan oleh Fereira el al. (2003) untuk memahami dinamika vegetasi di wilayah Brazil menunjukkan bahwa gejala seasonaIity dapat dipahami dari nilai
spektral indeks vegetasi yang direpreseutasikan dalam nilai-nilai NDVI dan EVI. Artinya pernodelan dengan data NDVI hums mampu mempettimbangkan aspek
seasonali& sebagai bagian dari kornponen pernodelan. Prosedur Xl2ARIMA mempakan salah satu altematif prosedur pernodelan disarnping STL (Seasonal Trend decomposition based on LOESS) (Cleveland, 1990) yang mampu mendekomposisikan deret ke dalam tiga komponen utama, yaitu trend,
seasonal dan irregular componenls. Komponen seasonal hasil dekomposisi deret asli
menjadi isu sentral dalam pemahaman seasonality. diterjemahkan sebagai pola data yang bersifat pen&
Kondisi seasonality dapat
musiman.
Pada Gambar 5.5 disampaikan plot data bulanan NDVI dan pendugaan model
kuadratik untuk penetapan titik maksimum NDVI tahunan. Pemilihan model kuadratik karma pola setiap periode berbentuk h
a dengan titik maksinnun tertentu. Pendugaan
model regresi kuadratik digunakan untuk menetapkan bulm dicapainya NDVI maksimum setiap tabunnya. Persamaan model kuadratik yang diperoleh disampaikan
b. Kebun
a Hutan
i c. Ladang
Yo"m
d. Model Kuadratik
Gambar 5.5. Plot Data Deret NDVI Bulanan Penggunaan Lahan: a. Hutan, b. Kebun, c. Ladang dan d. Pendugaan Model Kuadratik Tabel 5.5. Model Kuadmtik untuk Penetapan NDVI Maksimum setiap Tahm
J
Dari persamaan yang diperoleh pada Tabel 5.4 diperoleh tunman pertama untuk mengetahui titik maksimum NDVI menghasilkan pencapaim NDVI maksimum sekitar Juni-Juli. Selanjutnya pemodelan dengan menggunakan metode X12ARIMA yang dilakukan membuhhkan pengujian pentingnya aspek musim sebagai pertimbangan pemodelan. Hasil uji seasonalify don moving seasonality dismpaikan pa& Tabel 5.6. Tabel 5.6.Nilai Parameter dan Peluang Uji Seasonalify dan Moving Sea~onalify Pernodelan Tiga Jenis Penggunaan lahan
F hiNng
Hutan
22.537
P 0.00
Kebun
13,803
0.00
(movins~r)
x2
P
64.894
0.W
..............
. .
. . -. ....
Ladang
Uji moving searonaliry
Uji swonoliry (month)
Jenis Penggunaan Lahan
.~. .
13.017
53.091
F hihlng 0.561
~,W
0.720
P 0.73 0.61
0.00
0,450
0.81
...........-.--...-
0.00
54,937
Hasil pengujian sebagaimana disampaikan pada Tabel 5.6 menunjukkan fenomena
seasonality nyata pada tingkat kepercayaan 95%. Namun demikian, data rataan setiap jenis penggunaan lahan belum menunjukkan hasil pengujian tentang pergerakan musim. Namun ada kecenderungan pergerakan yang teridentifikasi dari deret asli khususnya dari pencapaian nilai maksimum NDVI setiap tahunnya. Pada Tabel 5.7. disampaikan
nilai NDVI bulanan vegetasi hutan hasil rataan 30 contoh. Tabel tersebut digunakan
untuk menunjukkan adanya gejala pergeseran musim yang diindikasikan oleh dicapainya NDVI maksimum. Dugaan ini disampaikan berdasarkan pola pikir bahwa
NDVI terka'it dengan kemampuan fotosintensis yang terkait erat dengan intensitas penyinaran matahari.
NDVI maksimum terkait dengan kemampuan fotosintesis
tanaman yang maksimum pula. Tabel 5.7. Nilai NDVl Bulanan Vegetasi Hutan Hasil Rataan 30 Contoh Piksel Month
1998
1999
2000
2002
2003 2004 0.453 .............. 0.541.0.545........ 0.497 .0.602 ......... 0.549 0.618 ...0.617 ...... 0.729 .... 0.729 .................. 0.724 0.690 0.661 -. ......... 0.655 0.708 0.659 -A'!b%t . O6O7 -~ 0.661 ~0.646 ... 0.612 ... -S%!~enlber... .__--"!!?L 0.601 0 . 4 ~ ~ 0.636 0.574 .......................... 0.676 0.471 0.545 0.612 0.541 0.627 0.563 .....October .... ...... 0.641 0:!78 ...................... 0.673 0.544 0.490. 0.463 0.572 0.520 0.468 .. Novembzr .-. ..- . .... December 0.503 0.484 0472 0.642 0.534 0.449 0.462 Keterangan: Yang digaris hawah menunjukkan nilai NDVI rnaksirnum dalarn saw tahun tertentu ~
~
~
~~~~~
~
2001
~
~
39
