JURNAL TEKNIK POMITS Vol. x, No. x, (xxxx) ISSN: xxx-xxxx (xxxx-xxxx Print)
1
ANALISA DISTRIBUSI KEPADATAN PENDUDUK BERDASARKAN ANALISA SPEKTRAL MENGGUNAKAN CITRA LANDSAT 8 (STUDI KASUS: KOTA KEDIRI) Fahrurrozi, Yanto Budisusanto Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya 60111 Indonesia e-mail:
[email protected] Abstrak— Informasi kependudukan sangat membantu di dalam menyusun perencanaan pembangunan. Hal ini terutama untuk kawasan perkotaan yang memiliki tingkat pertumbuhan penduduk yang tidak alami akibat urbanisasi. Kesenjangan pembangunan dan tingkat aktivitas ekonomi menjadi salah satu pemicu dinamika kependudukan tersebut. Kota Kediri merupakan kawasan kota di Jawa Timur dengan tingkat perekonomian yang tinggi sehingga masalah kependudukan menjadi salah satu fokus dalam pengambilan kebijakan. Teknologi penginderaan jauh dapat menjadi alternatif dalam analisis kependudukan kawasan ini. Dengan pemodelan statistik, hubungan jumlah penduduk dan variabel penginderaan jauh dari Citra Landsat 8 dapat diidentifikasi. Dalam penelitian ini, hubungan antara kepadatan penduduk dan variabel penginderaan jauh digambarkan melalui koefisien korelasi. Hasil korelasi ini kemudian digunakan untuk melihat pengaruh spektral saluran dan hasil transformasi indeks vegetasi terhadap kepadatan penduduk melalui persamaan regresi. Selain itu, untuk memperkuat model digunakan variabel spasial permukiman yang memiliki korelasi yang kuat dengan kepadatan penduduk. Model yang diperoleh dilakukan pengujian dengan melihat tingkat akurasi untuk mendapatkan model yang paling baik. Hasil persamaan regresi terbaik diperoleh dari persamaan dengan menggunakan variabel multispektral dari Landsat 8 dan variabel spasial permukiman sebagai variabel bebas. Namun, hasil yang diperoleh menunjukkan variabel spektral masih memerlukan faktor lain dalam memprediksi kepadatan penduduk. Pengaruh dari persamaan yang diperoleh hanya sebesar 79,7 persen terhadap kepadatan penduduk. Berdasarkan pola yang diperoleh, distribusi prediksi kepadatan penduduk menunjukkan pola yang mirip dengan kepadatan penduduk sebenarnya. Kawasan yang memiliki kepadatan penduduk lebih tinggi rata-rata berada di pusat Kota. Kata Kunci— Kepadatan Penduduk, Penginderaan Jauh, Statistik, Landsat 8, Regresi.
I. PENDAHULUAN Masalah kependudukan sangat sering terjadi, salah satunya adalah tidak meratanya penyebaran penduduk dan pertumbuhan penduduk. Dengan jumlah penduduk yang semakin besar dengan tidak diikuti peningkatan jumlah ruang akan menimbulkan banyak permasalahan seperti peningkatan harga lahan, permasalahan ruang terbuka hijau, lahan pertanian, dan permasalahan lingkungan. Di wilayah
perkotaan, urbanisasi menjadi salah satu masalah kependudukan karena memicu pertumbuhan penduduk yang tidak alami. Oleh karena itu, wilayah perkotaan memerlukan suatu perencanaan untuk mengontrol kawasan dan mengatasi masalah kependudukan. Untuk wilayah perkotaan, informasi kependudukan lebih dilihat secara densitas atau kepadatan. Data kependudukan di Indonesia yang dipublikasikan saat ini hanya berasal dari Badan Pusat Statistik. Data tentang kepadatan penduduk yang disajikan Badan Pusat Statistik (BPS) sejauh ini dianggap belum lengkap, cenderung homogen, dan secara visual kurang mewakili keadaan yang sebenarnya. Bagi suatu daerah, kebutuhan informasi tentang kependudukan saat ini tidak cukup hanya sekedar data tekstual saja, lebih dari itu informasi spasial sangat diperlukan dalam suatu perencanaan. Informasi tentang kepadatan penduduk merupakan salah satu data yang memegang peranan penting dalam penentuan kebijakan [1]. Selain itu, metode sensus sendiri yang dilakukan memiliki beberapa kelemahan dari segi waktu, biaya, dan proses updating yang sulit dilakukan [2]. Dengan demikian, diperlukan teknik analisis kepadatan penduduk yang memiliki akurasi mendekati kepadatan sebenarnya [1]. Penggunaan penginderaan jauh dalam pendekatan pemodelan statistik bertujuan mencari alternatif untuk sensus penduduk. Para peneliti telah melakukan berbagai metode pemodelan statistik untuk estimasi populasi pada skala yang berbeda dengan berbagai jenis citra penginderaan jauh. Secara umum dalam penginderaan jauh, pemodelan hubungan kependudukan bisa dilakukan dengan urban area, tutupan lahan, unit hunian, karakteristik spektral, dan karakteristik fisik atau sosial-ekonomi [3]. Penelitian sebelumnya pernah dilakukan dengan memanfaatkan karakteristik spektral maupun tutupan lahan untuk estimasi populasi penduduk. Citra yang digunakan pada penelitian sebelumnya adalah citra satelit Landsat 7 ETM+ dan tipe di bawahnya. Satelit Landsat 7 ETM + saat ini mengalami kerusakan pada Scan Line Corrector-nya sehingga tidak dapat lagi berfungsi dengan baik secara ekstrim semenjak bulan Mei 2003. Oleh karena itu, penggunaan citra Landsat 8 dalam penelitian ini sangat tepat. Pengaruh antarvariabel statistik, dapat dilihat melalui model regresi yang dibentuk. Dalam penelitian ini Kawasan Kota Kediri dianggap cocok untuk penerapan metode pemodelan statistik untuk
JURNAL TEKNIK POMITS Vol. x, No. x, (xxxx) ISSN: xxx-xxxx (xxxx-xxxx Print)
2
estimasi kepadatan penduduk sehingga kawasan ini dipilih untuk lokasi studi penelitian. Kepadatan kawasan ini untuk tiap kelurahan menjadi perhatian dalam penelitian. Hubungan digambarkan melalui persamaan regresi dan melihat besar pengaruhnya terhadap kepadatan penduduk setiap kelurahan di Kota Kediri. II. METODOLOGI PENELITIAN A. Lokasi Penelitian
Gambar. 1. Lokasi penelitian (Google Earth, 2014)
Lokasi Penelitian ini mengambil wilayah Kota Kediri yang terletak di Jawa Timur. Secara astronomis Kota Kediri terletak di antara 111º3’00”BT-112º1’48”BT dan 7º45’50”LS7º51’30”LS. Secara administratif wilayah ini berada di tengah wilayah Kabupaten Kediri dengan batas wilayah utara Kecamatan Gampengrejo, Kecamatan Ngasem, dan Kecamatan Gurah, wilayah selatan berbatasan dengan Kecamatan Kandat dan Ngadiluwih, wilayah timur berbatasan dengan Kecamatan Wates dan Gurah, dan wilayah barat berbatasan dengan Kecamatan Semen dan Banyakan. Wilayah Kota Kediri terdiri dari tiga kecamatan, yaitu: Kecamatan Kota Kediri, Kecamatan Pesantren, dan Kecamatan Mojoroto. Sedangkan untuk jumlah kelurahan di Kota Kediri sebanyak 46 kelurahan yang terdiri dari 17 kelurahan di Kecamatan Kota Kediri, 14 kelurahan di Kecamatan Mojoroto, dan 15 Kecamatan di Kecamatan Pesantren. B. Metodologi Penelitian Penelitian ini menggunakan metode regresi linear dengan variabel spektral dan spasial dari citra yang digunakan dan data kependudukan Kota Kediri yang diolah menggunakan perangkat lunak. Berikut ini, tahapan proses penelitian yang sudah dilakukan: 1. Pengumpulan Data Data yang digunakan dalam penelitian ini terbagi menjadi dua jenis data, yaitu data spasial meliputi citra Landsat 8 tahun 2013 yang diunduh di website resmi United States Geology Survey (USGS), Peta Rupa Bumi Indonesia (RBI) Lembar 1508-313 dan Lembar 1508-224 hasil scanning, serta data non-spasial yang meliputi data jumlah penduduk Kota Kediri yang
Gambar. 2. Diagram alir pengolahan diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Kota Kediri. 2. Koreksi Geometrik Koreksi geometrik menggunakan titik-titik kontrol yang diperoleh dari peta vektor (hasil digitasi peta RBI). Pasangan koordinat antara titik kontrol lapangan (GCP) dengan koordinat estimasi, diperoleh selisih pada sepanjang sumbu x (timur) dan sumbu y (utara). Berdasarkan hasil selisih tersebut, diperoleh besarnya nilai kesalahan melalui perhitungan Root Mean Square Error (RMSE) [4]. Koreksi geometrik dikatakan berhasil dengan ketentuan nilai Root Mean Square Error (RMSE) kurang dari atau sama dengan satu piksel [5]. 3. Koreksi Radiometrik Koreksi radiometrik pada penelitian ini digunakan untuk mendapatkan nilai reflektan band multispektral, nilai suhu permukaan dari Citra Landsat 8 TIRS. Untuk mendapatkan nilai reflektan, digunakan formula berikut ini: 𝜌𝜌𝜌𝜌′ = 𝑀𝑀𝑀𝑀𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄 + 𝐴𝐴𝐴𝐴 Keterangan: ρλ’ = Nilai reflektan tanpa koreksi sudut sinar matahari
JURNAL TEKNIK POMITS Vol. x, No. x, (xxxx) ISSN: xxx-xxxx (xxxx-xxxx Print) Mρ = Faktor pengali re-skala reflektan Qcal = Nilai spektral saluran Aρ = Faktor re-skala additive Untuk memperoleh nilai reflektan dengan koreksi sudut sinar matahari digunakan formula sebagai berikut: 𝜌𝜌𝜌𝜌′ 𝜌𝜌𝜌𝜌′ = 𝜌𝜌𝜌𝜌 = cos(θSZ ) 𝑠𝑠𝑠𝑠𝑠𝑠(θSE ) Keterangan: ρλ' = Nilai reflektan tanpa koreksi sudut sinar matahari ρλ = Nilai reflektan = sudut elevasi matahari lokal θ SZ = sudut zenith matahari lokal (θ SZ = 90° θ SE θ SE ) Untuk mendapatkan nilai temperatur, citra dikonversi terlebih dahulu ke nilai radians kemudian baru dikonversi ke suhu permukaan. Berikut ini formula yang digunakan untuk konversi nilai spektral ke nilai radians: 𝐿𝐿𝜆𝜆 = ML Qcal + AL Keterangan: Lλ = Spektral radians, ML = Faktor re-skala multiplikatif saluran, = Faktor re-skala additif radians saluran AL Qcal = Nilai spektral saluran atau band citra Sedangkan untuk konversi nilai radians ke nilai temperatur digunakan formula berikut ini: 𝑇𝑇 = �
𝐾𝐾2 � − 273 𝐾𝐾1 𝑙𝑙𝑙𝑙( + 1) 𝐿𝐿𝐿𝐿
Keterangan: T = temperature dalam satuan celsius, K 1 dan K 2 = konstanta konversi suhu band citra 4. Pemotongan citra Citra yang sudah terkoreksi selanjutnya dipotong dengan menggunakan batas administrasi wilayah dari Peta Rupa Bumi Indonesia. Pemotongan dilakukan dengan menggunakan metode clip raster dari perangkat lunak. 5. Kombinasi Band Citra yang sudah dipotong dikombinasi dengan menggunakan kombinasi band red-green-blue (RGB) 764. Kombinasi band tersebut merupakan salah satu kombinasi false color citra Landsat 8. 6. Klasifikasi Citra Metode klasifikasi yang digunakan adalah klasifikasi terbimbing maximum likelihood. Klasifikasi terbimbing maximum likelihood mengasumsikan bahwa statistik untuk masing-masing kelas di masingmasing band berdistribusi normal dan menghitung probabilitas bahwa suatu piksel diberikan untuk kelas tertentu [5]. Hasil klasifikasi tutupan lahan terdiri dari permukiman, vegetasi, air, tanah kosong, dan komersil (industri). Citra diklasifikasi dengan tujuan untuk memperoleh jenis tutupan lahan permukiman. Kemudian kelas permukiman diekstraksi untuk tiap kawasan kelurahan dan dihitung luas permukiman tiap
3
kelurahan. Hasil luas yang diperoleh ditabulasi dengan software pengolah statistik. 7. Transformasi Citra Citra yang sudah terpotong, selanjutnya ditransformasi ke indeks vegetasi. Berikut ini indeks vegetasi yang digunakan dalam penelitian : Tabel 1. Indeks vegetasi (Li dan Weng, 2005)
ndeks Vegetasi SAVI
Formula 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 =
𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 =
RDVI TNDVI
(1+𝐿𝐿)(𝑁𝑁𝑁𝑁𝑁𝑁−𝑅𝑅𝑅𝑅𝑅𝑅) 𝑁𝑁𝑁𝑁𝑁𝑁+𝑅𝑅𝑅𝑅𝑅𝑅+𝐿𝐿
𝑁𝑁𝑁𝑁𝑁𝑁−𝑅𝑅𝑅𝑅𝑅𝑅
√𝑁𝑁𝑁𝑁𝑁𝑁+𝑅𝑅𝑅𝑅𝑅𝑅
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 = ��
𝑁𝑁𝑁𝑁𝑁𝑁−𝑅𝑅𝑅𝑅𝑅𝑅 𝑁𝑁𝑁𝑁𝑁𝑁+𝑅𝑅𝑅𝑅𝑅𝑅
𝑅𝑅𝑅𝑅𝑅𝑅 = 𝑁𝑁𝑁𝑁𝑁𝑁/𝑅𝑅𝑅𝑅𝑅𝑅 𝑆𝑆𝑆𝑆𝑆𝑆 = 𝑁𝑁𝑁𝑁𝑁𝑁 − 𝑅𝑅𝑅𝑅𝑅𝑅
RVI SVI
, L= 0.5
� + 0.5
8. Perhitungan variabel Variabel yang digunakan dalam penelitian meliputi kepadatan penduduk tiap kelurahan (PD) dan kuadrat kepadatan penduduk (SPD) sebagai variabel terikat, dan variabel bebas yang terdiri dari nilai rata-rata spektral tiap saluran citra dan hasil transformasi indeks vegetasi pada setiap kelurahan, dan nilai rata-rata temperatur pada setiap kelurahan. Perhitungan nilai rata-rata spektral dan temperatur dilakukan dengan menggunakan zonal statistik tiap area kelurahan. 9. Eksplorasi Data Masing-masing variabel yang diperoleh dieksplorasi menggunakan koefisien korelasi Pearson dan diagram pencar. Hasil korelasi digunakan sebagai acuan dalam pembentukan model (model development). 10. Pembentukan Model Persamaan Regresi Persamaan regresi dibentuk berdasarkan hasil eksplorasi data. Pemilihan model yang paling sesuai dilihat dari besarnya nilai koefisien korelasi yang memperlihatkan kuatnya hubungan variabel bebas terhadap variabel terikat [2]. Model regresi sederhana memiliki bentuk umum sebagai berikut:
𝑌𝑌 = 𝛽𝛽0 + 𝛽𝛽1 𝑋𝑋 + 𝜀𝜀
Keterangan: Y = Variabel terikat X = Variabel bebas = Konstanta persamaan β0 = Koefisiean variabel bebas β1 Untuk melihat kontribusi atau pengaruh variabel bebas terhadap variabel terikat dapat digunakan coefficient of determination (koefisien determinasi) atau R-square (R2 ) dengan formula sebagai berikut [7]: 𝑅𝑅 2 =
∑(𝑦𝑦𝑖𝑖 − ӯ)2 − ∑(𝑦𝑦𝑖𝑖 − Ỹ 𝑖𝑖 )2 ∈ [0,1] ∑(𝑦𝑦𝑖𝑖 − ӯ)2
Keterangan: = Variabel terikat yi ӯ = Rata-rata (mean) dari total y i Ỹ = Hasil estimasi y i
JURNAL TEKNIK POMITS Vol. x, No. x, (xxxx) ISSN: xxx-xxxx (xxxx-xxxx Print)
11. Pengujian Akurasi Model terbaik berdasarkan nilai R-square yang diperoleh dan diterapkan untuk mendapatkan distribusi kepadatan penduduk. Untuk melihat akurasi model untuk diterapkan dilakukan pengujian dengan menghitung kesalahan relatif (relative error). Untuk kasus individu, kesalahan relatif dapat dihitung dengan menggunakan formula sebagai berikut [2]: 𝑌𝑌𝑌𝑌 − 𝑌𝑌𝑌𝑌 ∗ 100 𝐾𝐾𝐾𝐾 = 𝑌𝑌𝑌𝑌 Keterangan: KR = Kesalahan relatif Yo = Kepadatan penduduk awal Ye = Kepadatan penduduk estimasi setelah nilai kesalahan relatif dari masing-masing hasil estimasi didapatkan, kemudian dihitung nilai rata-rata kesalahan relatif masing- masing estimasi (mean absolute percentage error (MAPE)). MAPE sangat berguna untuk tujuan pelaporan, karena dinyatakan dalam persentase generik yang akan dimengerti oleh berbagai pengguna [8]. Berikut ini formula perhitungan MAPE:
∑|𝐾𝐾𝐾𝐾| 𝑛𝑛 Dimana n merupakan jumlah data. 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 =
III. HASIL
A. Koreksi Geometrik Data citra yang digunakan dalam penelitian ini adalah data Citra Landsat 8 yang diakuisisi bulan Oktober 2013. Citra ini memiliki tingkat konsentrasi awan yang rendah jika dibandingkan Citra Landsat 8 pada bulan-bulain lain di tahun 2013. Pemilihan citra berdasarkan tahun yang sama dengan data kependudukan yang digunakan. Citra yang diperoleh kemudian dikoreksi secara geometrik dengan menggunakan metode image to map. Koreksi geometrik dilakukan dengan memilih 15 titik GCP yang tersebar pada kawasan penelitian. Hasil yang diperoleh menunjukkan nilai total Root Mean Square Error (RMSE) sebesar 0,414 piksel. Hasil ini dianggap sudah cukup baik karena memenuhi kriteria kurang dari atau sama dengan satu piksel [5]. B. Klasifikasi Citra Hasil klasifikasi tutupan lahan terdiri dari permukiman, vegetasi, air, tanah kosong, dan komersil (industri). Tutupan lahan yang diperoleh diuji dengan menggunakan confusion matrix terhadap training sample. Hasil pengujian secara keseluruhan menghasilkan akurasi klasifikasi (overall accuracy) sebesar 0.862 atau 86.207 persen. Hasil ini menunjukkan klasifikasi sudah cukup baik karena melebihi 85 persen secara keseluruhan [9][10]. Koefisien kappa yang diperoleh sebesar 0.8125. Nilai ini dianggap sudah cukup baik karena sudah melebihi 0.75 [11]
4
C. Eksplorasi Data Eksplorasi data digunakan sebagai pertimbangan dalam pembuatan model yang sesuai. Eksplorasi data menggunakan statistik deskriptif dan analisa korelasi. Analisa korelasi dilakukan dengan menggunakan diagram pencar dan koefisien korelasi Pearson. Koefisien korelasi Pearson digunakan untuk menggambarkan hubungan antara kepadatan penduduk dengan variabel remote sensing [2]. Berikut ini hasil perhitungan koefisien korelasi Pearson: Tabel 2. Nilai koefisien korelasi Pearson variabel multispektral dan thermal
Variabel Bebas
Koefisien Korelasi Pearson
Band 1 (B1)
PD 0.504
SPD 0.527
Band 2 (B2)
0.477
0.499
Band 3 (B3)
0.292
0.310
Band 4 (B4)
0.474
0.503
Band 5 (B5)
-0.789
-0.830
Band 6 (B6)
-0.015
-0.006
Band 7 (B7)
0.600
0.640
Band 9 (B8)
-0.188
-0.199
Band 10 (B10)
0.036
0.076
Band 11 (B11)
0.671
0.716
Tabel 3. Nilai koefisien korelasi variabel indeks vegetasi dan spasial permukiman
Variabel Bebas
Koefisien Korelasi Pearson PD
SPD
SAVI
-0.79
-0.83
RDVI
-0.79
-0.83
TNDVI
-0.79
-0.82
SVI
-0.80
-0.84
RVI
0.07
0.05
Permukiman (P)
0.79
0.84
Hasil korelasi tersebut menunjukkan bahwa variabel spasial SVI memiliki korelasi paling kuat terhadap kepadatan penduduk (PD) sebesar 80 persen dan korelasi terhadap akar kuadrat kepadatan penduduk sebesar 84 persen, sedangkan dari indeks vegetasi SAVI, RDVI, dan TNDVI memiliki korelasi yang tidak terlalu berbeda dengan permukiman dan SVI. Diantara band atau saluran citra Landsat 8, korelasi terkuat ditunjukkan oleh band 5 dengan besar korelasi koefisien 78,9 persen terhadap kepadatan penduduk (PD) dan 83 persen terhadap akar kuadrat kepadatan penduduk (SPD). D. Analisa Model Regresi Model regresi yang diperoleh memperlihatkan tiga model terbaik untuk kepadatan penduduk (PD) dan akar kuadrat kepadatan penduduk (SPD). Untuk SPD analisa residual dilakukan setelah ditransformasikan ke kepadatan penduduk. Model regresi terbaik untuk kepadatan penduduk Kota Kediri dapat dilihat pada tabel 5.
JURNAL TEKNIK POMITS Vol. x, No. x, (xxxx) ISSN: xxx-xxxx (xxxx-xxxx Print) Model terbaik diperoleh dari besar rata-rata kesalahan relative (MAPE) terkecil yaitu pada persamaan 4 dengan
5
Berikut ini hasil analisis varians persamaan 4: Tabel 5 menunjukkan nilai F sebesar 18,163 dengan nilai
Tabel 4. Model Regresi Kepadatan Penduduk
No 1 2 3
PD PD = -36501.325 + 362410.176*B1 - 324421.961*B5 + 1066.959*B11 - 312479.871*RDVI + 786964.923*SVI + 113.471*P PD = -77742.233 +1721237.510*B1 -1374561.832*B2 -203681.347*B5 +5690.459*B7 +1386.186*B11 +747509.958*SVI -342265.982*SAVI +85690*P PD = -76528.833 +1796267.934*B1 -1445501.890*B2 -200105.162*B5 +3264.648*B7 +1315.369*B11 +671713.750*SVI -316735.020*RDVI +86.821*P
R2
MAPE
0.729
26.412
0.737
25.335
0.739
25.003
0.797
23.257
0.795
23.267
0.788
23.815
0.788
23.728
SPD
4 5 6 7
SPD = -396.893 +10646.145*B1 -9012.483*B2 -736.457*B5 +43.526*B7 +7.167*B11 +2551.352*SVI -1280.294*RDVI +0.471*P SPD = -399.878 +10319.020*B1 -8721.852*B2 -723.169*B5 +50.823*B7 +7.378*B11 +2753.939*SVI -1337.996*SAVI +0.465*P SPD = -654.710 +13808.804*B1 -12150.983*B2 -667.486*B5 +133.724*B7 +14.369*B11 +2217.378*SVI -1165.315*RDVI SPD = -143.180 + 5700.530*B1 - 2558.212*B2 - 2240.102*B3 + 13.259*B4 - 390.471*B5 + 803.666*B6 - 642.851*B7 - 2943.310*B9 + 0.558*P
pengaruh sebesar 79,7% terhadap square root population density (SPD). Berikut ini diagram residu persamaan atau model 4:
Residual
MODEL 4 10000 8000 6000 4000 2000 0 -2000 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 4 -4000 -6000 Desa
Gambar 4. Diagram residu persamaan 4
Tabel 5. Tabel ANOVA
1
Regression Residual Total
Sum of Squares
E. Analisa Hasil Estimasi Kepadatan Penduduk Berdasarkan model terbaik yang dibentuk, maka diperoleh hasil kepadatan penduduk dengan distribusi seperti yang ditunjukkan dalam diagram berikut: 20000 15000 10000 5000 0
Diagram residu persamaan 4, menunjukkan kesalahan terbesar pada data Kelurahan Setono Gedong (D09). Kelurahan ini merupakan kelurahan paling padat di Kota Kediri. Dilihat dari tutupan lahan dan lokasinya, kawasan ini berada di jantung kota dengan tingkat aktivitas ekonomi yang sangat tinggi. Kawasan permukiman bercampur dengan kawasan komersil (pertokoan, gedung perkantoran). Untuk melihat kelayakan model, dilakukan analisis varians (ANOVA) dengan melihat uji F persaman secara keseluruhan. Uji F disajikan dalam tabel ANOVA yang merupakan salah satu output pembentukan persamaan regresi. Source of Variation
signikansi (α) kurang dari 0.05. Dibanding nilai F table sebesar 3,04, nilai F yang diperoleh jauh lebih besar dengan derajat kebebasan untuk SSR sebesar 8 dan untuk SSE sebesar 37. Dengan demikian, model persamaan dapat digunakan karena dapat mempengaruhi kepadatan penduduk secara signifikan.
Degree of Freedom
F
Sig.
18.163
0.000
8
2381.019
4850.352
37
131.091
23898.502
45
Kelurahan Gambar 5. Distribusi hasil estimasi kepadatan penduduk
Sedangkan kepadatan penduduk sebenarnya ditampilkan dalam diagram berikut: 25000 20000 15000 10000
Mean Square
19048.150
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
5000 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 4 Kelurahan Gambar 6. Distribusi kepadatan penduduk
JURNAL TEKNIK POMITS Vol. x, No. x, (xxxx) ISSN: xxx-xxxx (xxxx-xxxx Print) Berdasarkan diagram, distribusi kepadatan penduduk menunjukkan pola distribusi yang mirip. Distribusi kepadatan penduduk berdasarkan model regresi menunjukkan rata-rata kelurahan yang sangat padat berada pada kawasan Kecamatan Kota. Kelurahan yang paling padat ditunjukkan oleh Kelurahan Jagalan dan kelurahan dengan kepadatan penduduk terendah ditunjukkan oleh Kelurahan Gayam. Hasil estimasi kepadatan penduduk direlasikan dengan peta administrasi kelurahan sehingga dihasilkan Peta Estimasi Ditribusi Kepadatan Penduduk Kota Kediri Tahun 2013. IV. KESIMPULAN DAN SARAN Berdasarkan hasil penelitian, hubungan yang diperoleh dari besarnya koefisien korelasi menunjukkan hubungan yang kuat antara kepadatan penduduk dengan beberapa indeks vegetasi yang digunakan dalam penelitian dan spasial permukiman. Sedangkan dilihat dari saluran citra Landsat 8, hubungan kuat ditunjukkan Band 5. Namun, hubungan ini belum menunjukkan besarnya pengaruh variabel tersebut terhadap kepadatan penduduk. Model terbaik yang diperoleh menunjukkan karakteristik spektral dari Citra Landsat 8 masih membutuhkan faktor lain dalam pemodelan statistik untuk estimasi kepadatan penduduk. Hasil maksimal yang diperoleh tidak memberikan pengaruh lebih dari 80% dengan rata-rata kesalahan relatif (MAPE) sebesar 23,257%. Hasil penerapan model terbaik yang diperoleh, distribusi kepadatan penduduk menunjukkan pola yang mirip dengan kepadatan penduduk sebenarnya. Sama seperti distribusi kepadatan penduduk sebenarnya, distribusi kepadatan penduduk berdasarkan model regresi menunjukkan rata-rata kelurahan yang sangat padat berada pada kawasan Kecamatan Kota. Dalam penelitian diberikan saran untuk menambahkan faktor atau variabel lain dalam pemodelan kepadatan penduduk agar diperoleh hasil estimasi dengan tingkat akurasi yang lebih baik. Selain itu, untuk memperkuat validasi diperlukan pengujian statistik terhadap model regresi. V. DAFTAR PUSTAKA [1] Wikantika, K., Rahman, F. M., & Hernandi, A. (2005). Analisis Distribusi Kepadatan Penduduk dengan Citra Satelit . Pertemuan IlmiahTahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa” (pp. 178-184). Surabaya: MAPIN. [2] Li, G., & Weng, Q. (2005, Agustus). Using Landsat ETM Imagery to Measure Population Density in Indianapolis, Indiana, USA. Photogrammetric Engineering & Remote Sensing, 71(8), 947–958. [3] Wu, S.-s., Qiu, X., & Wang, L. (2005). Population Estimation Methods in GIS and Remote Sensing: A Review. GIScience and Remote Sensing, 42 (1), 5874. [4] Danoedoro, P. (2012). Pengantar Penginderaan Jauh Digital. Yogyakarta: Andi Yogyakarta.
6
[5] Purwadhi, F. S. ( 2001). Interpretasi Citra Digital. Jakarta: PT. Grasindo. [6] Richards, J. A., & Jia, X. (2006). Remote Sensing Digital Image Analysis an Introduction, Fourth Edition. Berlin: Springer-Verlag. [7] Sá, J. P. (2007). Applied Statistics Using SPSS, STATISTICA, MATLAB and R. Berlin: Springer. [8] Swanson, D. A., Tayman, J., & Bryan, T. M. (2011). Mape-R: A Rescaled Measure of Accuracy for CrossSectional Subnational Population Forecasts. J Pop Research, 28, 225–243. [9] Anderson, J. R. (1971). Land Use Classification Schemes Used in Selected Recent Geographic Applications of Remote Sensing. 37(4), 379-387. [10] Anderson, J. R., Hardy, E. E., Roach, J. T., & Witme, R. E. (1976). A Land Use And Land Cover Classification System For Use With Remote Sensor Data. [11] Mather, P. M. (2004). Computer Processing of Remotely-Sensed Images: An Introduction, Third Edition. New York: Jonh Wiley and Sons. VI. LAMPIRAN A. Peta Distribusi Kepadatan Penduduk Kota Kediri Tahun 2013
B. Peta Hasil Estimasi Distribusi Kepadatan Penduduk Kota Kediri Tahun 2013
