I. PENDAHULUAN. Bertambahnya penduduk dalam suatu kota selalu diikuti dengan. peningkatan kebutuhan lahan. Kondisi perkotaan yang telah padat

I. PENDAHULUAN

1.1. Latar Belakang Bertambahnya penduduk dalam suatu kota selalu diikuti dengan peningkatan kebutuhan lahan. Kondisi perkotaan yang telah padat bangunan, akan menyebabkan pengembangan wilayah ke daerah-daerah di sekitarnya. Hal ini terjadi karena semakin berkembangnya penduduk yang tinggal di areal tersebut yang mengakibatkan kota tidak dapat lagi menampung kegiatan penduduk. Seiring dengan pertambahan jumlah penduduk dan perkembangan struktur perekonomian, kebutuhan lahan untuk kegiatan nonpertanian cenderung meningkat. Kecenderungan tersebut menyebabkan alih fungsi lahan pertanian sulit dihindari. Menurut Simmond (1989), hingga tahun 2000 diperkirakan dari 24 juta hektar lahan hijau (pertanian, kehutanan, perkebunan, dan lain-lain) telah berubah peruntukannya menjadi lahan perkotaan. Kota Makassar memiliki total populasi sebanyak 1.339.374 penduduk (Makassar dalam Angka, 2011). Terdapat sekitar 29% pertumbuhan penduduk Timur

di

area

(Kawasan

suburban.

Tamalenrea,

Di

area

perkembangan

Biringkanaya),

221.224

jiwa

ke

arah

dengan

pertumbuhan populasi 2,30%, dan di area perkembangan kota ke arah Selatan (Kawasan Tamalate), 154.464 jiwa dengan pertumbuhan populasi 2,08%. Dalam penelitian Wunas dan Natalia (2011) menyatakan bahwa pertumbuhan populasi di area suburban lebih besar dibandingkan dengan pertumbuhan populasi Makassar (1.63%).

1

Dengan pertumbuhan populasi yang kian bertambah tersebut, penggunaan lahan juga mulai terusik. Lahan yang semula difungsikan sebagai lahan pertanian (bercocok tanam), berangsur-angsur berubah menjadi kawasan pemukiman dan industri. Khususnya di daerah suburban Kecamatan Biringkanaya, perubahan ini mengalami peningkatan setiap tahunnya. Saat ini perkembangan teknologi penginderaan jauh dan berbagai kelebihan yang dimilikinya telah mendorong orang menggunakan teknik ini untuk berbagai studi, termasuk diantaranya untuk mendeteksi perubahan penggunaan lahan. Hasil interpretasi citra satelit selanjutnya diolah dengan menggunakan komputer yang dilengkapi perangkat lunak Sistem Informasi Geografi (SIG). Dengan teknologi penginderaan jauh ini, dapat dilakukan monitoring dan evaluasi pembangunan dengan tetap memperhatikan peta liputan lahan setiap saat serta perubahan lahan yang terjadi. Berdasarkan uraian di atas, maka dinggap perlu untuk membuat sistem informasi secara spasial tentang perambahan kota (urban sprawl) terhadap lahan pertanian yang terjadi di Kota Makassar, khususnya di kecamatan Biringkanaya dengan menggunakan citra satelit Landsat. 1.2. Rumusan Masalah Dari uraian di atas, maka dapat dirumuskan permasalahan yaitu : 1. Berapa luas perambahan kota (urban sprawl) terhadap lahan pertanian yang terjadi di Kecamatan Biringkanaya, Makassar? 2. Berapa persen tingkat keakuratan klasifikasi citra satelit Landsat untuk perambahan kota (urban sprawl) terhadap lahan pertanian yang terjadi di Kecamatan Biringkanaya, Makassar?

2

1.3. Tujuan dan Kegunaan Tujuan dari penelitian ini adalah untuk mengetahui perubahan luas lahan pertanian menjadi kawasan urban di Kecamatan Biringkanaya, Makassar. Kegunaan dari penelitian ini adalah diharapkan dapat memberikan informasi dan menjadi rujukan pemerintah setempat untuk menindaklanjuti pengelolaan tata ruang daerah yang membawahi wilayah pinggiran kota.

3

II. TINJAUAN PUSTAKA

2.1. Perambahan Kota (Urban Sprawl) 2.1.1. Pengertian Urban Sprawl Urban Sprawl dapat didefinisikan sebagai perambahan kenampakan fisik kota ke wilayah suburban yang tidak terencana dengan baik, tidak teratur serta acak-acakan. Jika dilihat melalui pencitraan dengan satelit atau foto udara tampak sebagai poligon berwarna “pemukiman” yang tersebar tidak teratur yang berada di pinggiran kota (Puteri, 2010). Awalnya urban sprawl dikenal juga sebagai suburban sprawl, yaitu melebarnya daerah pinggiran kota (suburban) ke lahanlahan pedesaan sekelilingnya secara horizontal. Menurut Halim (2008), perambahan (sprawling) ini memiliki beberapa masalah, yaitu : 1.

Menciptakan penduduk yang

tergantung

pada kendaraan

(komuter) 2.

Penggunaan lahan yang boros karena kepadatan yang rendah

3.

Zoning tunggal yang menyebabkan terjadinya segregasi fungsi kota, misalnya terjadi pengembangan untuk hunian (wisma) saja, sementara kegiatan ekonomi (niaga), rekreasi (suka), dan penyempurna tidak tersedia dengan memadai atau harus ditempuh dengan kendaraan karena terlalu jauh.

2.1.2. Mekanisme dan Dampak Urban Sprawl Menurut Erlich dan Bandyopadhyay (dalam Useng, et.al., 2011), pergeseran antara lahan pertanian dan perkotaan sekarang menjadi topik kontroversi. Alih fungsi lahan pertanian yang produktif

4

menjadi fungsi perkotaan di bawah lonjakan populasi telah menjadi elemen

bertentangan

dalam

perdebatan

atas

pembangunan

berkelanjutan dan ketahanan pangan. Peralihan lahan produktif ke fungsi perkotaan terjadi di seluruh kota di dunia sesuai dengan pertumbuhan populasi yang pesat. Penduduk yang tinggal di daerah perkotaan melebihi setengah dari total populasi dunia seperti yang diperkirakan PBB pada tahun 2006 dan diproyeksikan menjadi sekitar 60% pada tahun 2020 di mana pertumbuhan sebagian besar berlangsung di negara berkembang (Shahraki, et.al., 2011). Perkembangan urban sprawl yang cepat disebabkan oleh pesatnya industrialisasi dan urbanisasi, dan untuk kota-kota tepi laut seperti Makassar, konstruksi pelabuhan juga menyebabkan terjadinya urban sprawl ke arah tepi laut. Mekanisme terjadinya urban spawl adalah tingkat kebutuhan lahan yang semakin tinggi di perkotaan, namun semakin sulit dan

mahal,

maka

warga

cenderung

memilih

membangun

pemukiman-pemukiman baru di wilayah suburban. Demikian juga perluasan pabrik-pabrik untuk industri yang juga memilih berlokasi di wilayah suburban. Selain harga lahan relatif murah, juga masih bisa didapatkan lahan yang luas meskipun infrastruktur terkadang tidak memadai. Hal inilah yang menyebabkan terjadinya perambahan dari wilayah perkotaan ke wilayah suburban semakin masif dan cepat (Puteri, 2010). Dampak urban sprawl adalah semakin berkurangnya lahan subur produktif

pertanian sehingga mengancam swasembada

pangan karena terjadi perubahan peruntukan lahan pertanian menjadi lahan terbangun. Disamping itu urban sprawl yang tidak 5

terkendali (unmanaged growth) menyebabkan morfologi kota yang tidak teratur, kekumuhan (slum), dan permukiman liar (squatter settlement) (Pritchet, 2008). 2.2. Lahan Pertanian (Agricultural Land) 2.2.1. Definisi Lahan Pertanian Pertanian

dapat

didefinisikan

sebagai

penggunaan

sistematis dan terkendali organisme hidup dan lingkungan untuk memperbaiki kondisi manusia. Lahan pertanian adalah lahan di mana pertanian dipraktekkan, namun biasa juga terjadi pada peternakan. Kegiatan pertanian yang dilakukan pada lahan pertanian adalah untuk menghasilkan produk pertanian. Meskipun

lahan

pertanian

terutama diperlukan untuk produksi pangan untuk konsumsi manusia dan

hewan,

kegiatan

pertanian

juga

termasuk

tumbuhnya

tanaman untuk serat dan bahan bakar, dan untuk produk organik lainnya (obat-obatan, dll) (Anonim, 2010). 2.2.2. Alih Fungsi Lahan Pertanian Perubahan penggunaan lahan adalah bertambahnya suatu penggunaan lahan dari satu sisi penggunaan ke penggunaan yang lainnya diikuti dengan berkurangnya tipe penggunaan lahan yang lain dari waktu ke waktu berikutnya, atau berubahnya fungsi suatu lahan pada kurun waktu yang berbeda (Wahyunto, et.al., 2001). Seiring

dengan

peningkatan

jumlah

penduduk

dan

perkembangan struktur perekonomian, kebutuhan lahan untuk kegiatan nonpertanian cenderung meningkat. Akibatnya, alih fungsi lahan pertanian sulit dihindari. Beberapa kasus menunjukkan jika di suatu lokasi terjadi alih fungsi lahan, maka dalam waktu yang tidak lama lahan di sekitarnya juga beralih fungsi secara progresif. 6

Menurut Irawan (dalam Iqbal dan Sumaryanto, 2007), hal tersebut disebabkan oleh dua faktor. Pertama, sejalan dengan pembangunan kawasan perumahan atau industri di suatu lokasi alih fungsi lahan, maka aksesibilitas di lokasi tersebut menjadi semakin kondusif untuk pengembangan industri dan pemukiman yang akhirnya mendorong meningkatnya permintaan lahan oleh investor lain atau spekulan tanah sehingga harga lahan di sekitarnya meningkat. Kedua, peningkatan harga lahan selanjutnya dapat merangsang petani lain di sekitarnya untuk menjual lahan. Wibowo (dalam Iqbal dan Sumaryanto, 2007) menambahkan bahwa pelaku pembelian tanah biasanya bukan penduduk setempat, sehingga mengakibatkan terbentuknya lahan-lahan guntai yang secara umum rentan terhadap proses alih fungsi lahan. 2.3. Sistem Informasi Geografis (SIG) Sistem Informasi Geografis (bahasa Inggris: Geographic Information System disingkat GIS) adalah sistem informasi khusus yang mengelola data yang memiliki informasi spasial (bereferensi keruangan). Atau dalam arti yang lebih sempit, adalah sistem komputer yang memiliki kemampuan untuk membangun,

menyimpan,

mengelola

dan

menampilkan

informasi

bereferensi geografis, misalnya data yang diidentifikasi menurut lokasinya, dalam sebuah database. Para praktisi juga memasukkan orang yang membangun dan mengoperasikannya dan data sebagai bagian dari sistem ini (Purwadhi, 2008). Menurut Prahasta (2005), Sistem Informasi Geografis (SIG) dapat diuraikan menjadi beberapa subsistem berikut: 1. Data Input : subsistem ini bertugas untuk mengumpulkan dan mempersiapkan data spasial dan atribut dari berbagai sumber. Subsistem 7

ini

pula

yang

bertanggung

jawab

dalam

mengkonversi

atau

mentransformasikan format data-data aslinya ke dalam format yang dapat digunakan oleh SIG. 2. Data Output : subsitem ini menampilkan atau menghasilkan keluaran seluruh atau sebagian basisdata baik dalam bentuk softcopy maupun bentuk hardcopy seperti: table, grafik, peta, dan lain-lain. 3. Manajemen Data : subsistem ini mengorganisasikan baik data spasial maupun atribut ke dalam sebuah basisdata sedemikian rupa sehingga mudah dipanggil, di-update, dan di-edit. 4. Manipulasi dan Analisis Data : subsistem ini menentukan informasiinformasi yang dapat dihasilkan oleh SIG. Selain itu, subsistem ini juga melakukan manipulasi dan permodelan data untuk menghasilkan informasi yang diharapkan. Manipulasi dan Analisis Data

Data Input

SIG

Data Output

Manajemen Data

Gambar 1. Subsistem-subsistem SIG 2.4. Penginderaan Jauh (Remote Sensing) Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu obyek, daerah atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan obyek, daerah

8

atau fenomena yang dikaji. Pada berbagai hal, penginderaan jauh dapat diartikan sebagai suatu proses membaca. Dengan menggunakan berbagai sensor kita mengumpulkan data dari jarak jauh yang dapat dianalisis untuk mendapatkan informasi tentang obyek, daerah, atau fenomena yang diteliti (Lillesand dan Kiefer,1990). Secara umum penginderaan jauh menunjukkan pada aktifitas perekaman, pengamatan dan penangkapan obyek atau peristiwa dari jarak jauh. Dalam pengideraan jauh, sensor tidak langsung kontak dengan obyek yang diamati. Informasi tersebut membutuhkan alat penghantar secara fisik untuk perjalanan dari obyek ke sensor melalui medium. Dalam hal ini penginderaan jauh lebih dibatasi pada suatu teknologi perolehan informasi permukaan bumi (laut dan daratan) dan atmosfer dengan menggunakan sensor diatas platform airborne (pesawat udara, balon udara) dan spaceborne (satelit, pesawat ruang angkasa) (Barkey et.al., 2009).

Gambar 2. Skema proses pengambilan data pada penginderaan jauh Dalam penginderaan jauh, yang berfungsi sebagai sensor adalah kamera yang terpasang pada platform dalam hal ini biasanya satelit atau pesawat terbang. Sensor dan satelit yang berada di luar angkasa menangkap pancaran sinar matahari yang dipantulkan oleh obyek 9

di permukaan bumi, merekamnya, dan memproduksi data penginderaan jauh yang lazim disebut citra satelit. Apabila yang dipakai adalah pesawat

terbang,

citra

yang

dihasilkan

biasanya

disebut

foto

udara (Ekadinata et.al., 2008). Secara teori, data penginderaan jauh sangat diperlukan untuk negara yang mempunyai daerah yang luas dan sumber alam yang banyak. Makin luas daerah tersebut dan makin banyak sumber alam yang dikandung makin besar pula kebutuhan data penginderaan jauh. Indonesia dengan luas kurang lebih 10 juta km2 dan memiliki sumber alam yang berlimpah membutuhkan data penginderaan jauh yang lebih banyak dibandingkan Singapura. Selain itu, daerah yang mempunyai kecepatan perubahan

lahan

dan

kepadatan

penduduk

yang

tinggi

akan

membutuhkan informasi yang sangat detil dibandingkan dengan daerah yang kepadatan penduduknya lebih kecil dan laju perubahan penutup lahan relatif lambat (Kartasasmita, 2001).

2.5. Citra (Image) Dijital Citra (image atau scene) merupakan representasi dua dimensi dari suatu objek di dunia nyata. Khusus pada bidang remote sensing (dan pengolahan citra dijital), citra merupakan gambaran (se)-bagian permukaan bumi sebagaimana terlihat dari ruang angkasa (satelit) atau dari udara (pesawat terbang). Citra ini dapat diimplementasikan ke dalam dua bentuk umum: analog atau dijital. Foto udara atau peta foto (hardcopy) adalah salah satu bentuk dari citra analog, sementara citra-citra satelit yang merupakan data hasil rekaman sistem sensor-sensor (radar, detector, radiometer, scanner, dan lain sejenisnya) hampir semuanya merupakan bentuk citra dijital (Prahasta, 2008).

10

2.5.1. Citra Satelit Landsat Sistem landsat diluncurkan pertama kali oleh NASA (The National Aeronautical and Space Administration) Amerika Serikat

pada

tanggal

22

Juli

1972

dengan

nama

ERTS-1 (Earth Resources Technology Satellite). Wahana yang digunakan untuk sensor ERTS-1 ini adalah satelit cuaca NIMBUS. Sesaat sebelum peluncuran ERTS B yaitu pada tanggal 22 Januari 1975, NASA secara resmi mengganti nama progran ERTS menjadi program Landsat untuk membedakan dengan program satelit oceanografi Seasat yang telah direncanakan. Oleh karena itu ERTS-1 diubah namanya menjadi Landsat 1, ERTS B diubah namanya menjadi Landsat 2. Sedangkan generasi selanjutnya yaitu Landsat 3 diluncurkan 5 Maret 1978 (Lillesand dan Kiefer 1990). Satelit Landsat merupakan salah satu satelit yang bertujuan memantau sumber daya lahan yang dikembangkan oleh NASA dan Departemen Dalam Negeri Amerika Serikat. Resolusi spasial dari citra Landsat cukup baik (30 m) dan kombinasi sensor radiometriknya pun cukup tinggi. Di samping itu cakupan area per lembar (scene)-nya cukup luas sehingga efisien untuk digunakan dalam aplikasi pemetaan di area yang besar. Resolusi temporal Landsat adalah 16 hari dan karena jangka waktu pengoperasian yang cukup lama, Landsat memiliki kelengkapan data historis amat baik (Ekadinata et.al., 2008). Pemanfaatan citra Landsat telah banyak digunakan untuk beberapa kegiatan survey maupun penelitian, antara lain geologi, pertambangan, geomorfologi, hidrologi, dan kehutanan. Dalam setiap perekaman, citra landsat mempunyai cakupan area 185 km x 185 km, 11

sehingga aspek dari objek tertentu yang cukup luas dapat diidentifikasikan tanpa menjelajah seluruh daerah yang disurvei atau yang diteliti. Dengan demikian, metode ini dapat menghemat waktu maupun biaya dalam pelaksanaannya dibanding cara konvensional atau survey secara teristris di lapangan (Wahyunto, et.al.,1995). 2.5.2. Identifikasi Objek pada Citra Landsat Untuk interpretasi citra landsat, kita perlu memilih saluran atau paduan saluran yang paling sesuai dengan tujuannya. Saluran 4 (hijau) dan 5 (merah) biasanya paling baik untuk mendeteksi kenampakan budaya seperti daerah perkotaan, jalan rincian baru, tempat penampungan batu, dan tempat pengambilan kerikil. Bagi daerah semacam itu saluran 5 biasanya lebih disukai karena pada saluran 5 daya tembus atmosferik lebih baik daripada saluran 4 sehingga memberikan kontras citra yang lebih tinggi. Di daerah perairan dalam dan jernih, daya tembus air yang lebih besar diperoleh pada saluran 4 (Lillesand dan Kiefer, 1990). Citra

Landsat

yang

sampai

saat

ini

sudah

sampai

generasi ke-7 (tujuh) merekam citra menggunakan berbagai panjang gelombang

elektromagnetik

yang

diwujudkan

pada

setiap

saluran perekaman datanya. Identifikasi citra Landsat didasarkan pada

karakteristik

sifat

perekamannya.

Jenis

citra

yang

direkam Landsat hingga saat ini adalah Landsat MSS dan Landsat TM/ ETM+, yang pada setiap saluran/kanal (band) mempunyai

karakteristik

dan

kemampuan

aplikasi

atau

penggunaannya yang berbeda (Purwadhi, et.al., 2009).

12

Tabel 1. Karakteristik dan Kemampuan Aplikasi Band Landsat Landsat MSS Saluran /band (µm)

Saluran 4 (0,50 – 0,60)

Aplikasi/ Penggunaan - Tanggap tubuh air dan penetrasi tubuh air - Mendeteksi muatan sedimen - Puncak pantulan vegetasi membedakan vegetasi subur/tidak, identifikasi tanaman

Landsat 5 TM dan Landsat 7 ETM+ Saluran/ band (µm)

Saluran 1 (TM = ETM+) (0,45 – 0,52)

Saluran 5 (0,60 – 0,70)

- Kontras kenampakan vegetasi dan bukan vegetasi - Membantu identifikasi penutup lahan, kenampakan alam dan budaya

Saluran 6 (0,70 – 0,80)

- Tanggap terhadap biomassa vegetasi - Kontras tanaman, tanah, air

Saluran 3 TM = ETM+ (0,63 – 0,69)

- Tanggap perbedaan antra tanah, air, dan vegetasi - Membantu menentukan kondisi kelembaban tanah - Kandungan air tanaman

Saluran 4 TM = ETM+ (0, 78 – 0,90)

Saluran 7 (0,80 – 1,10)

Saluran 2 (0,52 – 0,60) (LS 5 TM) (0,53 – 0,61) (LS 7 ETM+)

Saluran 5 TM = ETM+ (1,55 – 1,75)

Saluran 6 TM = ETM+ (10,4 – 12,5) Saluran 7 TM (2,08 – 2,35) ETM+ (2,09 – 2,35) Saluran 8 ETM+ (0,50 – 0,90) LS 5 TM tidak ada saluran pankromatik

Aplikasi /Penggunaan

- Tanggap peningkatan penetrasi air - Mendukung analisis sifat khas lahan, tanah, vegetasi

- Mengindera puncak pantulan vegetasi - Menekankan perbedaan vegetasi dan nilai kesuburan - Memisahkan vegetasi - Serapan klorofil dan memperkuat kontras vegetasi/bukan vegetasi - Tanggap biomassa vegetasi - Dentifikasi dan kontras tanaman, tanah, air - Menentukan jenis vegetasi dan kandungan airnya - Menentukan kelembaban tanah - Deteksi suhu objek - Analisis gangguan vegetasi - Perbedaan kelembaban tanah - Pemisahan formasi batuan - Analisis bentuk lahan - Identifikasi permukiman - Kontras bentang alam dan budaya - Identifikasi kenampakan geologi

Sumber : Landsat Handbook, 1986 dan Program Landsat 7, 1998 (dalam Purwadhi, et.al., 2009).

13

2.5.3. Manfaat Citra Landsat dalam Bidang Pertanian Data penginderaan jauh amat lazim digunakan dalam kegiatan-kegiatan yang yang berhubungan dengan pengelolaan sumber daya alam (natural resources management). Hal ini dikarenakan data penginderaan jauh memuat kondisi fisik dari permukaan

bumi

yang

dapat

dikuantifikasi/dianalisa

sehingga

menghasilkan informasi faktual. Menurut Ekadinata, et.al. (2008), beberapa contoh aplikasi yang dimungkinkan oleh data penginderaan jauh adalah sebagai berikut: 1. Pemetaan tutupan lahan 2. Analisa perubahan penutupan lahan 3. Analisa dampak bencana 4. Identifikasi dan analisa infrastruktur Citra Landsat diaplikasikan untuk mengidentifikasi jenis penutupan lahan, misalnya luas area petak sawah, tanaman seragam.

Ketelitian

citra

Landsat

mencapai

95%

untuk

mengidentikfikasi sawah irigasi di California dan lahan gandum di Kansas, Oklahama, dan Texas di Amerika. Tetapi identifikasi tanaman di negara berkembang ketelitiannya lebih rendah hanya sekitar 75% - 85% (Sutanto, 1994). 2.6. Software Pengolah Citra Digital dan SIG 2.6.1. ER Mapper ER Mapper adalah salah satu nama perangkat lunak pengolahan citra dijital (geografis) yang sering digunakan di Indonesia dan di banyak Negara lainnya. Perangkat lunak yang memiliki moto helping people manage the earth dan menjadi 14

proprietary Earth Resource Mapping Ltd. ini sejak awalnya telah dilengkapi dengan lingkungan pengembangan (user interface) yang menarik dan dikembangkan dengan menggunakan pendekatan skema sistem pemrosesan citra dijital non-tradisional dengan menciptakan konsep algorithm (Prahasta, 2008). Dengan ER Mapper, kita dapat menyimpan pemrosesan citra dari awal hingga akhir dalam sebuah algorithm dengan ukuran file yang kecil. Dengan memisahkan penyimpanan file proses pengolahan

dan

hasilnya,

kita

akan

dapat

menghemat

isi

hardisk. Untuk pengolahan citra resolusi tinggi seperti IKONOS, QUICKBIRD, ALOS, AVIRIS, dan lain-lain, ER Mapper mampu menanganinya (Putra, 2011). 2.6.2. Global Mapper Global Mapper adalah paket perangkat lunak Sistem Informasi

Geografis

(SIG)

yang

dikembangkan

oleh

globalmapper.com yang dijalankan di Microsoft Windows. Perangkat lunak GIS ini bersaing dengan ESRI , Sistem Manifold , produkproduk GIS MapInfo. Global Mapper menangani kedua vektor, raster, dan data elevasi, serta menyediakan fitur peninjauan, konversi, dan fitur GIS umum. Global Mapper memiliki komunitas pengguna aktif dengan mailing list dan forum online (Anonim, 2011c). 2.6.3. Arcview Kemampuan Arcview GIS pada berbagai serinya tidaklah diragukan lagi. Arcview GIS adalah software yang dikeluarkan oleh ESRI (Environmental Systems Research Institute). Perangkat lunak ini memberikan fasilitas teknis yang berkaitan dengan pengelolaan data spasial. Kemampuan grafis yang baik dan kemampuan teknis 15

dalam pengolahan data spasial tersebut memberikan kekuatan secara nyata pada Arcview untuk melakukan analisis spasial. Kekuatan analisis inilah yang pada akhirnya menjadikan Arcview banyak diterapkan dalam berbagai pekerjaan, seperti analisis pemasaran, perencanaan wilayah dan tata ruang, sistem informasi persil, pengendalian dampak lingkungan, bahkan untuk keperluan militer (Budiyanto, 2010). 2.7. Global Positioning System (GPS) GPS adalah sistem radio navigasi dan penentuan posisi dengan menggunakan satelit yang dimiliki dan dikelola oleh Departemen Pertahanan Keamanan Amerika Serikat. Sistem ini didesain untuk memberikan posisi dan kecepatan tiga dimensi dan informasi mengenai waktu secara kontinu. GPS terdiri dari tiga segmen utama, segmen angkasa (space segmen) yang terdiri dari satelit-satelit GPS, segmen sistem kontrol (control segment) yang terdiri dari stasion-stasion pemonitor dan pengontrol satelit, dan segmen pemakai (user segment) yang terdiri dari pemakai GPS termasuk alat-alat penerima dan pengolah sinyal data GPS. Konsep dasar pada penentuan posisi dengan GPS adalah reseksi (pengikatan kebelakang) dengan jarak, yaitu dengan pengukuran jarak secara simultan ke beberapa satelit GPS yang koordinatnya telah diketahui (Pratomo, 2004).

16

III. METODOLOGI

3.1. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada Oktober 2011 sampai dengan Januari 2012. Lokasi penelitian bertempat di Kecamatan Bringkanaya, Makassar. 3.2. Alat dan Bahan Alat yang digunakan dalam penelitian ini adalah satu unit komputer, software

pengolah

data

citra,

software

pengolah

data

SIG,

dan

Global Positioning System (GPS). Bahan yang digunakan adalah citra satelit Landsat 5 Thematic Mapper kota Makassar tahun 1995, 2003, dan 2010, serta data vektor Kecamatan Biringkanaya berupa file shp. 3.3. Prosedur Penelitian Prosedur dalam penelitian ini dilaksanakan dengan tahapan sebagai berikut : 3.3.1. Komposit Citra Komposit citra yaitu menggabungkan 3 band yaitu Red, Green, dan Blue yang bertujuan untuk memudahkan identifikasi warna dari penggunaan lahan. Untuk mengidentifikasi penggunaan lahan, digunakan band 543. Komposit citra dilakukan pada software ER Mapper 6.4. 3.3.2. Cropping Data Citra Cropping bertujuan untuk memotong citra sesuai dengan batas administrasi daerah penelitian. Cropping citra menggunakan software Global Mapper 12.

17

3.3.3. Koreksi Radiomaterik Koreksi radiometrik merupakan pembetulan citra akibat kesalahan radiometrik atau cacat radiometrik. Koreksi radiometrik ini bertujuan untuk memperbaiki nilai piksel agar sesuai dengan warna asli. 3.3.4. Koreksi Geometrik Koreksi geometrik merupakan pembetulan mengenai posisi citra akibat kesalahan geometrik. Koreksi geometrik dilakukan dengan menggunakan acuan titik kontrol yang dikenal dengan Ground Control Point (GCP). 3.3.5. Penentuan Titik Koordinat Penentuan

titik

koordinat

dilakukan pada

lokasi

yang

teridentifikasi sebagai areal persawahan, lahan kering, rawa, dan urban. Selanjutnya adalah membuat Training Area dengan cara melakukan digitasi titik koordinat ke dalam citra berdasarkan titik koordinat lokasi sampel masing-masing. Setelah pembuatan Training Area, kita dapat menghitung data statistik (Calculated Statistic). 3.3.6. Mengklasifikasi Training Area Klasifikasi training area dapat dilakukan setelah proses hitungan

statistik

selesai.

Klasifikasi

yang

digunakan

adalah

klasifikasi terpantau (Supervised Classification). 3.3.7. Validasi Data Training dengan Objek Sebenarnya Validasi data bertujuan untuk mengetahui akurasi citra dalam mengelompokkan objek yang teridentifikasi sebagai jenis-jenis penggunaan lahan yang sesuai fungsinya. Prosedur melakukan validasi data training adalah sebagai berikut:

18

1. Mencatat koordinat-koordinat lokasi yang diidentifikasi oleh citra sebagai urban dan kelas-kelas penggunaan lain. 2. Mengecek lokasi yang diidentifikasi oleh citra sebagai urban dan kelas-kelas penggunaan lain. 3. Mencatat jumlah lokasi yang diidentifikasi sebagai urban dan terbukti sebagai urban. 4. Mencatat jumlah lokasi yang diidentifikasi sebagai urban tetapi bukan urban. 5. Mengulang poin (1) sampai (4) di atas untuk lokasi penggunaan lain. 6. Membuat tabel confusion matrix dan memasukkan semua nilai yang telah dicatat ke dalam tabel DATA ACUAN (LAPANGAN) LAHAN KERING

SAWAH

RAWA

URBAN

LAHAN KERING DATA HASIL KLASIFIKASI

SAWAH RAWA URBAN

3.3.8. Analisis Keakuratan (Accuracy Analysis) Analisis Keakuratan dimaksudkan untuk menghitung tingkat akurasi klasifikasi terpantau. Persamaan yang digunakan adalah sebagai berikut: 1. Menghitung User Accuracy ...................................... (1) Keterangan: z

= Jumlah koordinat yang terbukti setelah validasi

n

= Jumlah koordinat validasi (row)

19

2. Prosedur menghitung Producer Accuracy ...................................... (2) Keterangan: z

= Jumlah koordinat yang terbukti setelah validasi

n

= Jumlah koordinat validasi (column)

3. Menghitung Overall Accuracy ........................................ (3) Keterangan: x

= Jumlah nilai diagonal matriks

N

= Jumlah sampel matriks

4. Prosedur menghitung Koefisien Kappa : r

r

N K hat

xii

( xi * x i )

i 1

i 1 r

N

2

................... (4)

( xi * x i ) i 1

Keterangan: Khat

= Koefisien Kappa

N

= Jumlah Sampel Matriks = Penjumlahan nilai diagonal matriks = Perkalian dari penjumlahan antar baris kolom matriks

3.3.9. Image Analysis dan Thematic Change Image Analysis dan Thematic change berfungsi untuk menganalisis citra hasil klasifikasi dengan cara membandingkan citra beda waktu. Dari citra ini akan menghasilkan citra baru yang merupakan selisih citra yang dibandingkan

20

3.4. Diagram Alir

Citra Landsat 5 TM

Memotong (Cropping) Citra

Koreksi Geometrik dan Radiometrik

Penentuan Titik Koordinat & Pembuatan Training Area

Menghitung Statistik

Klasifikasi citra dengan Klasifikasi Terpantau (Supervised Classification)

Smooth (filter) citra dengan menggunakan majority.ker

Hasil Klasifikasi Peta Google Earth

Data GPS Validasi Data User Accuracy

Menghitung Akurasi

Producer Accuracy

Kappa Coefficient Overal Accuracy

Peta Urban Sprawl Kota Makassar

Gambar 3. Diagram Alir Penelitian

21

IV. HASIL DAN PEMBAHASAN

4.1. Perubahan Penggunaan Lahan Berdasarkan hasil klasifikasi citra Landsat 5 TM tahun 1995, 2003, dan 2010 diperoleh hasil sebagai berikut : 4.1.1. Penggunaan Lahan tahun 1995 Tipe penggunaan lahan yang digunakan dalam penelitian ini terdiri tiga jenis penggunaan lahan, yakni urban, lahan pertanian (sawah+lahan kering), dan rawa. Area yang terluas adalah lahan pertanian dengan luas area sebesar 2492,37 Ha atau 24,92 Km2 dengan persentase 80,07% dari total luas lahan seluruhnya. Kemudian rawa dengan luas sebesar 376,74 Ha atau

3,77

Km2

dengan

persentase

12,10%,

dan

yang

terakhir adalah urban dengan luas sebesar 243,63 Ha atau 2,44 Km2 dengan persentase 7,83% dari total luas lahan seluruhnya (Tabel 2 dan Gambar 4). Tabel 2. Hasil Identifikasi Luas Lahan Tahun 1995 No

Jenis Penggunaan Lahan

1

Urban

2

Lahan Pertanian (Sawah + Lahan Kering)

3

Luas Area (Ha)

Km

2

Persentase (%)

243,63

2,44

7,83

2492,37

24,92

80,07

Rawa

376,74

3,77

12,10

Total

3112,74

31,13

100,00

Sumber: Data Primer Setelah Diolah, 2012.

22

Persentase Penggunaan Lahan Tahun 1995 Rawa (12,10 %)

Urban (7,83 %)

Lahan Pertanian (80,07 %)

Gambar 4. Grafik Hasil Klasifikasi Penggunaan Lahan Tahun 1995 4.1.2. Penggunaan Lahan tahun 2003 Identifikasi penggunaan lahan pada tahun 2003 yakni lahan pertanian (sawah+lahan kering) sebesar 2212,65 Ha atau 22,13 Km2 dengan persentase 71,08% dari total luas lahan seluruhnya. Kemudian urban dengan luas sebesar 540,09 Ha atau

5,40 Km2

dengan persentase 17,35%, dan yang terakhir adalah rawa dengan luas sebesar 360,00 Ha atau 3,60 Km2 dengan persentase 11,57% (Tabel 3 dan Gambar 5). Tabel 3. Hasil Identifikasi Luas Lahan Tahun 2003 No


1

Urban

2


3

Luas Area (Ha)

Km

2

Persentase (%)

540,09

5,40

17,35

2212,65

22,13

71,08

Rawa

360,00

3,60

11,57

Total

3112,74

31,13

100,00


23

Persentase Penggunaan Lahan Tahun 2003 Rawa (11,57%) Urban (17,35%) Lahan Pertanian (71,08%)

Gambar 5. Grafik Hasil Klasifikasi Penggunaan Lahan Tahun 2003 4.1.3. Penggunaan Lahan tahun 2010 Identifikasi penggunaan lahan pada tahun 2003 yakni lahan pertanian (sawah+lahan kering) sebesar 1658,43 Ha atau 16,59 Km2 dengan persentase 53,28% dari total luas lahan seluruhnya. Selanjutnya adalah urban dengan luas sebesar 1003,05 Ha atau 10,03 Km2 dengan persentase 32,22%. Kemudian rawa dengan luas sebesar 451,26 Ha atau 4,51 Km2 dengan persentase 14,50% (Tabel 5 dan Gambar 6). Tabel 4. Hasil Identifikasi Luas Lahan Tahun 2010 No


Luas Area (Ha)

Km

2

Persentase (%)

1

Urban

1003,05

10,03

32,22

2


1658,43

16,59

53,28

3

Rawa

451,26

4,51

14,50

Total

3112,74

31,13

100,00


24

Persentase Penggunaan Lahan Tahun 2010 Rawa (14,50%) Urban (32,22%) Lahan Pertanian (53,28%)

Gambar 6. Grafik Hasil Klasifikasi Penggunaan Lahan Tahun 2010 Tabel 5. Perbandingan Penggunaan Lahan Tahun 1995, 2003, dan 2010 Luas Area (Ha) Selisih (Ha) Jenis No Penggunaan Tahun Tahun Tahun 1995-2003 2003-2010 Lahan 1995 2003 2010 1

Urban

243,63

540,09

1003,05

296,46

462,96

2


2492,37 2212,65 1658,43

-279,72

-554,22

3

Rawa

376,74

-16,74

91,26

360,00

451,26

Sumber: Data Primer Setelah Diolah, 2012. Berdasarkan Tabel 5, dapat dilihat bahwa dalam kurun waktu 15 tahun telah terjadi perubahan lahan di Kecamatan Biringkanaya. Lahan

urban

mengalami

peningkatan

setiap

tahunnya.

Dari

tahun 1995 sampai 2003, urban mengalami perubahan sebesar 296,46 Ha, dan dari tahun 2003 sampai 2010 mengalami perubahan sebesar 462,96 Ha. Namun untuk lahan pertanian (sawah+lahan kering), terjadi penurunan. Tahun 1995 sampai 2003, mengalami penurunan sebesar

279,72 Ha, dan dari tahun 2003

sampai 2010 mengalami penurunan sebesar

554,22 Ha. Hal ini

sesuai dengan pendapat Wahyunto (2001), yang menyatakan bahwa perubahan penggunaan lahan dari satu sisi penggunaan ke

25

penggunaan lainnya diikuti dengan berkurangnya tipe penggunaan lahan yang lain dari suatu waktu ke waktu berikutnya, atau berubahnya fungsi suatu lahan pada kurun waktu yang berbeda. 4.2. Uji Validasi dan Analisis Tingkat Akurasi Citra Uji validasi yang dilakukan mengikuti metode seperti yang telah disarankan oleh Sutanto (1994) dengan tahapan : (1) melakukan pengecekan lapangan pada beberapa titik sampel yang dipilih dari setiap kelas penggunaan/penutupan lahan. Setiap jenis penggunaan/penutupan lahan diambil beberapa sampel area didasarkan atas homogenitas kenampakannya dan diuji kebenarannya di lapangan, (2) menilai kecocokan hasil analisis citra inderaja dengan kondisi sebenarnya di lapangan, dan (3) membuat

matriks

kesalahan

(confusion

matrix)

pada

setiap

jenis

penggunaan lahan dari hasil analisis data digital citra satelit, sehingga diketahui tingkat ketelitiannya. Berdasarkan hasil validasi citra dan perhitungan yang dilakukan maka diperoleh presentasi producer accuracy (untuk mengetahui tingkat akurasi berdasarkan fakta yang diperoleh di lapangan), ommision error (untuk mengetahui kesalahan yang terjadi pada pembacaan citra dengan melihat kenyataan di lapangan), user accuracy (untuk mengetahui tingkat akurasi berdasarkan hasil pembacaan citra), commission error (untuk mengetahui kesalahan yang terjadi pada proses identifikasi citra yang dilakukan pada perangkat lunak pengolah data raster dan vektor), untuk masing-masing tiap kelas penggunaan lahan seperti yang terdapat pada Lampiran 7. Analisis akurasi dilakukan dengan menggunakan matriks kesalahan (confusion matrix). Akurasi dihitung dengan overall accuracy dan koefisien Kappa. Koefisien Kappa digunakan karena memperhitungkan semua elemen 26

dalam matriks kesalahan yang telah dibuat. Semakin tinggi akurasinya, baik overall

accuracy

dan

koefisien

Kappa,

menunjukkan

bahwa

hasil

pengklasifikasian yang dilakukan semakin baik Tabel 6. Overall Accuracy dan Khat Tahun 2010 Tahun

Overall Accuracy (%)

Khat

2010

83,6

0,77

Sumber: Data Primer Setelah Diolah, 2012. Dari hasil perhitungan (Lampiran 7), nilai overall accuracy untuk tahun 2010 adalah sebesar 83,6%. Hal ini sejalan dengan pendapat Sutanto (1994) yang mengatakan bahwa identifikasi lahan di Negara tropis yang berkembang maksimal 75% sampai 85% karena daerah tropis memiliki penutupan lahan yang sangat majemuk dan rumit. Gallego (1995) dan Sushil Pradan (1999) menambahkan, tingkat ketelitian analisis citra satelit untuk deteksi luas areal lahan pertanian diatas 70% dianggap sudah cukup baik (acceptable result). Kesalahan (error) yang paling sering terjadi dalam penelitian ini adalah mengkategorikan lahan kering sebagai sawah, sawah sebagai lahan kering, atau urban sebagai lahan kering. Identifikasi error lahan kering dan sawah terdapat di daerah sekitar tol. Karena pada daerah tersebut sawah ditanam berdekatan dengan tanaman campuran dan beberapa dikelilingi dengan lahan timbunan yang keduanya sama-sama dikategorikan sebagai lahan kering. Untuk identifikasi error urban terdapat di sekitar bangunan yang dimana terdapat pohon lindung sehingga terbaca sebagai lahan kering. Hal ini didukung Lillesand dan Kiefer (1990) yang menyatakan bahwa spesies

vegetasi

yang

mempunyai

kemiripan

bentuk

fisik

akan

memancarkan panjang gelombang yang sama atau hampir sama.

27

4.3. Perambahan Kota (Urban Sprawl) Berdasarkan hasil klasifikasi citra Landsat 5 TM tahun 1995, 2003, dan 2010, luas lahan urban yang teridentifikasi pada tahun 1995 adalah sebesar 243,63 Ha atau 7,83% dari total luas area, tahun 2003 menjadi 540,09 Ha atau 17,35% dari total luas area, dan pada tahun 2010 menjadi 1003,05 Ha atau 32,22% dari total luas area (Tabel 6 dan Gambar 7). Tabel 7. Perbandingan Luas Area Urban Tahun 1995, 2003, dan 2010 Luas Area (Ha)

Selisih (Ha)

Penggunaan Lahan

1995

2003

2010

Urban

243,63

540,09

1003,05

1995-2003 2003-2010 +296,46

+462,96


1200

Luas Area (Ha)

1000 800 600

Urban

400 200 0 1995

2003

2010

Tahun

Gambar 7. Grafik Luas Area Urban Tahun 1995, 2003, dan 2010 Rata-rata pertanian

yang

perambahan terjadi

di

kota

(urban

Kecamatan

sprawl)

Biringkanaya

terhadap

lahan

dalam

kurun

waktu 15 tahun cukup besar, yakni dari tahun 1995 sampai tahun 2003 sebesar 37,06 ha/tahun. Kemudian dari tahun 2003 hingga tahun 2010 sebesar 66,14 ha/tahun (Gambar 8).

28

Perambahan Kota (Ha/Tahun)

70 60 50 40 30 20 10 0 1995-2003

2003-2010 Tahun

Gambar 8. Grafik Rata-rata Perambahan Kota (Urban Sprawl) Berdasarkan hasil overlay perubahan lahan tahun 1995 dan tahun 2003, diperoleh data perubahan penggunaan lahan pertanian menjadi urban yaitu sebesear 328,14 ha. Sedangkan hasil overlay perubahan lahan tahun 2003 dan tahun 2010 menunjukkan bahwa lahan pertanian yang berubah menjadi urban yaitu sebesar 609,03 ha. Selama 15 tahun, perambahan kota (urban sprawl) yang terjadi di

kecamatan

Biringkanaya

terus

meningkat.

Hal

ini

terjadi

karena pembangunan di daerah suburban terjadi begitu cepat. Jumlah penduduk di wilayah ini juga bertambah setiap tahunnya (Tabel 7). Kecamatan Biringkanaya memiliki laju pertumbuhan penduduk yang besar. Hal ini tentunya sangat berpengaruh dengan perambahan kota yang terjadi di wilayah ini. Semakin besar laju pertumbuhan penduduk di suatu wilayah, maka tingkat kebutuhan lahan juga akan semakin tinggi. Sesuai dengan perhitungan yang telah dilakukan (Lampiran 9), pertumbuhan penduduk tahun 2000 sampai tahun 2004 sebesar 0,043 (4,3%) dan tahun 2005 sampai dengan tahun 2010 sebesar 0.054 (5,4%).

29

Tabel 8. Jumlah Penduduk Kecamatan Biringkanaya Tahun 1995 - 2010 No

Tahun

Jumlah Penduduk (jiwa)

No

Tahun


1

1995

84.998*)

9

2003

113.650

2

1996

87.350*)

10

2004

118.633

3

1997

89.741*)

11

2005

119.818

4

1998

94.962*)

12

2006

125.636

5

1999

96.801*)

13

2007

126.839

6

2000

96.057

14

2008

128.731

7

2001

97.951

15

2009

130.651

8

2002

100.018

16

2010

164.741


*) Data penduduk sebelum pemekaran Sumber : Badan Pusat Statistik, 2012

8000 7000 6000 5000 4000 3000 2000 1000 0 1995-2003

2003-2010 Tahun

Gambar 9. Grafik Rata-Rata Pertambahan Jumlah Penduduk Kecamatan Biringkanaya Tabel 9. Pertumbuhan Penduduk Kecamatan Biringkanaya Tahun

Jumlah Pertumbuhan Penduduk Penduduk (jiwa) 2000 – 2004

Tahun


2000

96.057

2005

119.818

2001 2002

97.951 100.018

2006 2007

125.636 126.839

2003

113.650

2008

128.731

2004

118.633

2009

130.651

2010 Sumber : Data Sekunder Setelah Diolah, 2012.

164.741

0.043 (4,3%)

Pertumbuhan Penduduk 2005 – 2009

0.054 (5,4%)

30

Perambahan kota (urban sprawl) di kecamatan Biringkanaya juga tidak terlepas dari pusat perindustrian dan pergudangan yang terdapat di wilayah ini.

Wahyunto (2001), menyatakan bahwa beberapa kasus

menunjukkan jika di suatu lokasi terjadi alih fungsi lahan, maka dalam waktu yang tidak lama lahan di sekitarnya juga beralih fungsi secara progresif. Puteri (2010), menambahkan bahwa perluasan pabrik-pabrik untuk industri memilih berlokasi di wilayah suburban. Selain harga lahan relatif murah, juga masih bisa didapatkan lahan yang luas meskipun infrastruktur terkadang tidak memadai sehingga menyebabkan terjadi perambahan dari kota ke wilayah suburban yang makin lama makin luas dan makin masif serta makin cepat.

31

V. KESIMPULAN DAN SARAN

5.1. Kesimpulan Dari hasil evaluasi dan ground check di lapangan dapat disimpulkan bahwa : 1. Rata-rata perambahan kota (urban sprawl) terhadap lahan pertanian yang terjadi di Kecamatan Biringkanaya dalam kurun waktu 15 tahun cukup besar, yakni dari tahun 1995 sampai tahun 2003 sebesar 37,06 ha/tahun. Kemudian dari tahun 2003 hingga tahun 2010 sebesar 66,14 ha/tahun. 2. Secara keseluruhan, hasil overall accuracy untuk identifikasi penggunaan lahan dengan menggunakan citra Landsat 5 TM lebih dari 75%. Dengan demikian dapat dikategorikan bahwa data yang diperoleh valid. 5.2. Saran Hasil penelitian ini dapat digunakan untuk melakukan penelitian lebih lanjut dengan menduga besarnya perambahan kota (urban sprawl) pada tahun-tahun mendatang.

32

DAFTAR PUSTAKA

Anonim.

2010. Agricultural Land. http://www.alc.gov.bc.ca/alr/what_is_ag_land.htm. Diakses tanggal 5 Desember 2011.

Anonim. 2011a. Makassar Dalam Angka 2011. Badan Pusat Statistik. Makasar. Anonim. 2011b. Global Mapper. http://en.wikipedia.org/wiki/Global_Mapper. Diakses tanggal 23 Oktober 2011. Barkey R. A., A. Achmad, S. Rijal, A. S. Mahbub, A. S. Soma, dan A. B. Talebe. 2009. Buku Ajar Sistem Informasi Spasial Kehutanan. Fakultas Kehutanan Universitas Hasanuddin, Makassar. Budiyanto, Eko. 2010. Sistem Informasi Geografis dengan ArcView GIS. Penerbit ANDI. Yogyakarta. Ekadinata A., S. Dewi, D. P. Hadi, D. K. Nugroho, dan F. Johana. 2008. Sistem Informasi Geografis Untuk Pengelolaan Bentang Lahan Berbasis Sumber Daya Alam. World Agroforestry Centre, Bogor, Indonesia. Halim D.K. 2008. Psikologi Lingkungan Perkotaan. Bumi Aksara. Jakarta. Iqbal,

Muhammad dan Sumaryanto. 2007. Strategi Pengendalian Alih Fungsi Lahan Pertanian Bertumpu pada Partisipasi Masyarakat. Analisis Kebijakan Pertanian. Volume 5 No. 2, Juni 2007 : 167-182. http://pse.litbang.deptan.go.id/ind/pdffiles/ART52c.pdf. Diakses tanggal 11 Desember 2011.

Kartasasmita, Mahdi. 2001. Prospek dan Peluang Industri Penginderaan Jauh di Indonesia. Lembaga Informasi dan Studi Pembangunan Indonesia (LISPI). Jakarta. Lillesand, Thomas dan Ralph W. Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra. Gadjah Mada University Press. Yogyakarta. Prahasta, Eddy. 2005. Sistem Informasi Geografis : Konsep-Konsep Dasar. Penerbit INFORMATIKA. Bandung. Prahasta, Eddy. 2008. Remote Sensing: Praktis Penginderaan Jauh dan Pengolahan Citra Dijital dengan Perangkat Lunak ER Mapper. Penerbit INFORMATIKA. Bandung. Pratomo, D. Guruh. 2004. Pendidikan dan Pelatihan (DIKLAT) Teknis Pengukuran dan Pemetaan Kota. Institut Teknologi Sepuluh Nopember. Surabaya. Pritchet, W.E., 2008. Which urban Crisis? Reionalism, Race, and Urban Policy, 1960-1974. Journal of Urban History, Vol 34 number 2 January 2008. SAGE Publications, North Caroline.

33

Purwadhi, Sri Hardiyanti, 2008. Interpretasi Citra Digital. Grasindo Penerbit PT Gramedia Widiasarana Indonesia, Jakarta. Purwadhi, Sri Hardiyanti. 2009. Pengantar Interpretasi Citra Penginderaan Jauh. Lembaga Penerbangan dan Antariksa Nasional dan Univeritas Negeri Semarang. Puteri, F. Suryani. 2010. Mekanisme Urban Sprawl. http://fauziasp.tumblr.com/. Diakses tanggal 10 Oktober 2011. Putra, E. Hardika. 2011. Penginderaan Jauh dengan ERMapper. Graha Ilmu. Jakarta. Sutanto, 1994. Penginderaan Jauh Jilid I. Gadjah Mada University Press, Yogyakarta. Useng D., T. Prawitosari, M. Achmad, dan Salengke. 2011. Urban Sprawl On Jeneberang Delta Of Makassar: A Remote Sensing and GIS Perspective. In the 2nd International Seminar On Sustainable Urban Development (ISOSUD2011) 24-27 Juli 2011, Jakarta. Wahyunto, H. H. Djohar dan Marsoedi, D. S. 1995. Analisis Data Penginderaan Jauh Untuk Mendukung Identifikasi dan Inventarisasi Lahan Sawah di Daerah Jawa Barat. hlm. 37-49. Dalam Prosiding Pertemuan Teknis Penelitian Tanah dan Agroklimat, Bogor. http:\www.pustaka_deptan.go.id. Diakses tanggal 14 Oktober 2011. Wahyunto, M.Z. Abidin, A. Priyono, dan Sunaryo. 2001. “Studi Perubahan Penggunaan Lahan Di Sub DAS Citarik, Jawa Barat dan DAS Kaligarang, Jawa Tengah”. Prosiding Seminar Nasional Multifungsi Lahan Sawah. Balai Penelitian Tanah. Bogor. Wunas, S dan V. V. Natalia. 2011. Integrated Spatial Planning And Transportation System to Reduce Mobility in Suburban Area. In the 14th FSTPT International Symposium. Pekanbaru.

34

Lampiran 1. Peta Penggunaan Lahan

Gambar 1. Peta Penggunaan Lahan Tahun 1995

35


36


37

Lampiran 2. Peta Overlay Penggunaan Lahan

Gambar 4. Peta Overlay Penggunaan Lahan Tahun 1995 - 2003

38

Gambar 5. Peta Overlay Penggunaan Lahan Tahun 2003 - 2010

39

Lampiran 3. Peta Overlay Sebaran Urban

Gambar 6. Peta Overlay Sebaran Urban Kecamatan Biringkanaya

40

Lampiran 4. Hasil Ground Check Lapangan (UTM Zone S50) 1. Sawah NO

LAT

LONG

KET

NO

LAT

LONG

KET

NO

LAT

LONG

KET

NO

LAT

LONG

KET

1

9437531.76

776364.90

SAWAH

26

9438708.81

2

9437450.94

776203.41

SAWAH

27

9438599.71

775345.36

RAWA

51

9437516.42

775903.68

SAWAH

52

9437328.08

777391.09

L.K

76

9435365.00

775565.39

SAWAH

777217.16

SAWAH

77

9436516.80

775036.41

SAWAH

3

9437580.26

776300.37

SAWAH

28

4

9437596.31

776122.61

SAWAH

29

9438695.00

775018.63

SAWAH

53

9438109.41

775127.32

SAWAH

54

9437407.59

777318.55

SAWAH

78

9437365.37

775996.59

SAWAH

9437335.38

776680.95

SAWAH

79

9437921.98

776074.26

SAWAH

5

9437935.50

775993.57

SAWAH

6

9437741.70

775880.33

SAWAH

30

9437932.25

774841.57

SAWAH

31

9437809.65

773547.67

LAHAN KERING

55

9436857.19

778412.31

LAHAN KERING

80

9437485.83

775523.08

SAWAH

56

9437226.71

778390.64

SAWAH

81

9436867.69

773861.16

LAHAN KERING

7

9437854.68

775751.02

8

9437709.24

776009.64

SAWAH

32

9437537.45

772635.04

SAWAH

33

9436434.25

771790.43

RAWA

57

9437784.32

778687.76

LAHAN KERING

82

9436506.51

774597.22

LAHAN KERING

SAWAH

58

9436610.75

779187.35

LAHAN KERING

83

9435337.06

774760.34

9

9437482.89

775086.68

SAWAH

34

9436130.17

771742.42

RAWA

SAWAH

59

9436864.38

779643.84

SAWAH

84

9435660.91

775899.99

SAWAH

10 11

9437591.96

774936.71

SAWAH

35

9438821.15

9437659.83

774950.23

SAWAH

36

9438207.33

773776.52

SAWAH

60

9435900.83

778463.10

SAWAH

85

9435725.15

776454.33

SAWAH

773551.04

SAWAH

61

9435676.27

779064.41

SAWAH

86

9435636.71

776036.72

SAWAH

12

9437768.90

774800.57

SAWAH

37

13

9437836.98

774759.84

SAWAH

38

9438834.74

774482.62

LAHAN KERING

62

9436118.39

777289.48

SAWAH

87

9435465.43

776060.71

SAWAH

9439076.17

774521.46

LAHAN KERING

63

9435270.53

775992.77

SAWAH

88

9436212.11

775624.77

SAWAH

14

9437891.61

775018.61

SAWAH

15

9438095.91

774718.93

SAWAH

39

9439111.97

774160.40

SAWAH

64

9436335.70

775217.53

SAWAH

89

9439325.08

778048.42

URBAN

40

9439353.55

773996.45

URBAN

65

9436516.64

775319.01

SAWAH

90

9438072.87

778857.16

SAWAH

16

9438245.58

774882.22

SAWAH

41

9439601.07

774127.76

SAWAH

66

9436523.84

775043.84

SAWAH

91

9437235.58

777926.24

SAWAH

17

9438572.33

18

9438082.00

774950.36

SAWAH

42

9439735.16

774264.81

SAWAH

67

9436313.84

776738.92

SAWAH

92

9437090.16

776987.56

SAWAH

775141.08

SAWAH

43

9439054.20

778709.05

SAWAH

68

9435285.17

775941.98

SAWAH

93

9437514.84

777482.62

LAHAN KERING

19 20

9438109.39

775372.63

SAWAH

44

9439089.97

778440.76

SAWAH

69

9435415.45

779426.41

SAWAH

94

9437661.83

777224.62

URBAN

9438558.90

775086.53

SAWAH

45

9439332.45

778049.06

SAWAH

70

9436248.66

779825.10

SAWAH

95

9437394.15

774584.93

SAWAH

21

9437986.89

774296.61

SAWAH

46

9439397.16

778165.50

LAHAN KERING

71

9435922.54

778412.34

SAWAH

96

9436488.05

775320.75

SAWAH

22

9438204.80

774214.85

LAHAN KERING

47

9439452.12

778417.82

SAWAH

72

9434994.22

778365.55

SAWAH

97

9436456.99

776680.00

SAWAH

23

9437959.69

774337.49

SAWAH

48

9438487.99

779281.93

SAWAH

73

9433713.26

779368.54

SAWAH

98

9437959.37

774259.83

SAWAH

24

9438477.20

775072.96

SAWAH

49

9438303.65

779421.13

LAHAN KERING

74

9434988.05

778057.35

SAWAH

99

9438056.12

774917.86

SAWAH

25

9438531.62

775467.95

LAHAN KERING

50

9437996.31

779340.10

LAHAN KERING

75

9435125.70

776565.09

LAHAN KERING

100

9438183.88

774782.44

SAWAH

41

2. Lahan Kering NO

LAT

LONG

KET

NO

LAT

LONG

KET

1

9434718.77

777120.37

LAHAN KERING

26

9439273.72

779008.86

LAHAN KERING

2

9436113.78

776734.13

LAHAN KERING

27

9438094.91

777692.60

LAHAN KERING

3

9435615.79

777469.04

LAHAN KERING

28

9437872.72

777846.13

LAHAN KERING

4

9436886.19

777593.58

LAHAN KERING

29

9435446.33

776707.49

LAHAN KERING

5

9437757.86

779324.99

LAHAN KERING

30

9435824.31

777907.16

LAHAN KERING

6

9437857.63

774180.85

LAHAN KERING

31

9435685.62

777057.89

LAHAN KERING

7

9438567.52

777556.37

LAHAN KERING

32

9436243.35

778980.96

LAHAN KERING

8

9437919.74

780059.73

URBAN

33

9437215.98

778146.51

LAHAN KERING

9

9438156.38

777693.14

LAHAN KERING

34

9436344.13

777884.85

LAHAN KERING

10

9434419.95

778166.37

LAHAN KERING

35

9435536.22

777143.91

LAHAN KERING

11

9438878.14

774386.33

LAHAN KERING

36

9437339.35

777798.75

LAHAN KERING

12

9439354.34

774192.46

URBAN

37

9437103.71

776661.25

LAHAN KERING

13

9438889.20

773744.12

RAWA

38

9437945.62

780122.09

LAHAN KERING

14

9438102.98

774640.68

SAWAH

39

9436007.61

779452.48

LAHAN KERING

15

9436798.75

774927.18

LAHAN KERING

40

9434353.70

778681.68

LAHAN KERING

16

9436702.12

773756.36

LAHAN KERING

41

9435637.22

778281.17

LAHAN KERING

17

9436302.32

773744.34

LAHAN KERING

42

9435805.45

776193.62

SAWAH

18

9437388.27

772504.72

RAWA

43

9437717.22

773686.92

LAHAN KERING

19

9437238.81

778282.20

LAHAN KERING

44

9438532.98

778539.67

LAHAN KERING

20

9433585.15

779666.65

LAHAN KERING

45

9435790.43

776182.47

SAWAH

21

9433573.18

779739.33

LAHAN KERING

46

9435700.20

775432.95

LAHAN KERING

22

9434324.05

779658.79

LAHAN KERING

47

9435693.18

775897.95

LAHAN KERING

23

9434086.02

779537.66

LAHAN KERING

48

9436265.70

778767.79

SAWAH

24

9436047.87

777720.97

LAHAN KERING

49

9438095.21

777694.14

LAHAN KERING

25

9437893.05

777833.88

LAHAN KERING

50

9437436.28

772325.24

LAHAN KERING

42

3. Urban NO

LAT

LONG

KET

NO

LAT

LONG

KET

1

9435832.33

775121.90

URBAN

26

9434770.58

779672.57

URBAN

2

9436603.57

774209.91

URBAN

27

9433881.40

779363.97

URBAN

3

9436104.61

774010.14

URBAN

28

9435800.68

779318.53

URBAN

4

9436834.96

774781.55

URBAN

29

9437261.62

775561.97

RAWA

5

9436458.40

776315.12

URBAN

30

9438663.49

776183.45

LAHAN KERING

6

9437125.36

776070.24

URBAN

31

9437683.43

776564.58

SAWAH

7

9436453.99

776342.22

URBAN

32

9438200.60

777939.56

URBAN

8

9434757.11

776746.09

URBAN

33

9438273.14

776029.39

URBAN

9

9435836.82

776823.35

URBAN

34

9435455.77

775298.87

LAHAN KERING

10

9434793.20

776316.95

URBAN

35

9435682.53

774436.87

LAHAN KERING

11

9434238.80

778119.74

URBAN

36

9435927.46

774999.31

URBAN

12

9434135.27

778656.17

URBAN

37

9435991.12

776582.65

URBAN

13

9434797.85

779695.18

URBAN

38

9434816.09

776832.30

URBAN

14

9433863.14

779395.63

URBAN

39

9435809.52

778234.38

URBAN

15

9436295.22

779078.24

URBAN

40

9436431.26

777131.69

URBAN

16

9435619.10

777726.07

URBAN

41

9436431.16

776364.94

URBAN

17

9436794.17

780148.99

URBAN

42

9438536.47

776764.20

URBAN

18

9437143.57

775811.44

LAHAN KERING

43

9438477.37

776945.80

URBAN

19

9438486.39

776759.69

URBAN

44

9437279.65

775589.16

SAWAH

20

9438291.54

775879.68

URBAN

45

9436331.29

779050.96

URBAN

21

9436880.43

774786.04

RAWA

46

9437043.65

780094.50

URBAN

22

9439126.12

774237.20

URBAN

47

9437497.36

779999.21

URBAN

23

9439280.62

774100.95

URBAN

48

9437588.24

779867.66

URBAN

24

9438676.91

778674.60

URBAN

49

9438168.80

778928.42

URBAN

25

9436558.22

780044.51

URBAN

50

9434834.02

776804.95

URBAN

43

4. Rawa NO

LAT

LONG

KET

NO

LAT

LONG

KET

1

9437055.44

771854.75

RAWA

26

9439132.42

777767.92

RAWA

2

9436345.52

772009.20

RAWA

27

9439008.99

777917.28

RAWA

3

9437386.71

773719.54

RAWA

28

9439211.48

777845.98

RAWA

4

9436923.19

772524.21

RAWA

29

9438863.53

777766.12

RAWA

5

9436238.98

774153.65

RAWA

30

9438914.87

777931.54

RAWA

6

9435135.53

774977.74

RAWA

31

9439205.77

778025.65

RAWA

7

9436136.01

779785.51

RAWA

32

9438894.91

776485.58

RAWA

8

9436731.74

778821.70

SAWAH

33

9438983.32

775766.87

RAWA

9

9434443.72

776640.40

RAWA

34

9439077.43

775444.60

RAWA

10

9435720.14

775683.88

SAWAH

35

9438789.38

775886.66

SAWAH

11

9438957.48

775978.11

RAWA

36

9439191.51

775227.85

RAWA

12

9438449.62

774569.28

RAWA

37

9438937.69

774606.11

RAWA

13

9438184.92

773947.58

RAWA

38

9439359.78

774711.64

RAWA

14

9439520.25

774447.97

RAWA

39

9438872.09

773992.94

RAWA

15

9439240.46

778707.62

RAWA

40

9438481.37

774226.80

RAWA

16

9437074.10

776529.85

RAWA

41

9435100.89

775666.38

RAWA

17

9437783.92

774568.87

SAWAH

42

9435125.91

774983.74

RAWA

18

9436974.66

773936.76

RAWA

43

9435197.39

774672.80

RAWA

19

9433535.11

779417.45

RAWA

44

9435411.84

774515.54

SAWAH

20

9436132.41

779763.31

RAWA

45

9435586.97

775705.70

LAHAN KERING

21

9439391.15

777811.75

RAWA

46

9435451.15

774547.70

RAWA

22

9439140.18

777366.84

RAWA

47

9436212.42

774204.60

RAWA

23

9438863.53

777423.88

RAWA

48

9437595.58

773407.58

RAWA

24

9439185.81

778564.68

RAWA

49

9437291.79

773032.31

RAWA

25

9438538.41

778416.38

RAWA

50

9439614.92

774383.30

RAWA

44

Lampiran 5. Validasi Data Tabel 1. Hasil Validasi Tahun 2010 DATA ACUAN (LAPANGAN)

DATA HASIL KLASIFIKASI

TOTAL

USER ACCURACY (%)

LAHAN KERING

SAWAH

RAWA

URBAN

LAHAN KERING

42

16

1

4

63

66,67

SAWAH

4

81

5

2

92

88,04

RAWA

2

0

44

2

48

91,67

URBAN

2 50

3 100

0 50

42

47

89,36

50

250

84

81

88

84

TOTAL PRODUCER ACCURACY (%)

Sumber: Data Primer Setelah Diolah, 2012. Lampiran 6. Persentase Akurasi Jenis Penggunaan Lahan Tabel 2. Persentase Akurasi Jenis Penggunaan Lahan Tahun 2010 Producer Accuracy (%)

Omission Error (%)

User Accuracy (%)

Commision Error (%)

Urban

84

16

66,67

10,64

Sawah

81

19

88,04

11,96

Lahan Kering

88

16

91,67

33,33

Rawa 84 12 Sumber: Data Primer Setelah Diolah, 2012.

89,36

8,33


Lampiran 7. Perhitungan Akurasi Training Area Klasifikasi Terpantau a. Metode Overall Overall Accuracy = = = 83,6 % b. Metode Koefisien Matriks

45

c. Menghitung Akurasi Penggunaan Lahan 1) User Accuracy -

Urban

=

-

Sawah

=

-

Lahan Kering =

-

Rawa

=

2) Comission Error -

Urban

= 100% - 89,36%

= 10,64%

-

Sawah

= 100% - 88,04%

= 11,96%

-

Lahan Kering = 100% - 66,67%

= 33,33%

-

Rawa

= 8,33%

= 100% - 91,67%

3) Producer Accuracy -

Urban

=

-

Sawah

=

-

Lahan Kering =

-

Rawa

=

4) Ommision Error -

Urban

= 100% - 84%

= 16%

-

Sawah

= 100% - 81%

= 19%

-

Lahan Kering = 100% - 84%

= 16%

-

Rawa

= 12%

= 100% - 88%

46

Lampiran 8. Data Hitungan Statistik Klasifikasi Terpantau 1. Data Hitungan Statistik Klasifikasi Terpantau Tahun 1995

REGION: urban

Non-Null Cells Area In Hectares Area In Acres

Band1 ----2089 243.630 602.023

Band2 ----2089 243.630 602.023

Band3 ----2089 243.630 602.023

Minimum Maximum Mean Median Std. Dev. Std. Dev. (n-1) Corr. Eigenval. Cov. Eigenval.

49.000 111.000 72.628 72.000 11.231 11.233 1.820 163.597

32.000 82.000 55.533 55.000 8.248 8.250 0.858 42.358

33.000 63.000 42.965 42.000 5.571 5.573 0.322 19.353

Correlation Matrix -----------------Band1 Band2 Band3 Determinant

Band1 ----1.000 0.564 0.487 0.503

Band2 ----0.564 1.000 0.144

Band3 ----0.487 0.144 1.000

Corr. Eigenvectors -----------------Band1 Band2 Band3

PC1 ----0.672 0.549 0.496

PC2 -----0.030 -0.649 0.760

PC3 -----0.740 0.526 0.420

Inv. of Corr. Ev. ----------------Band1 Band2 Band3

PC1 ----0.672 -0.030 -0.740

PC2 ----0.549 -0.649 0.526

PC3 ----0.496 0.760 0.420

Covariance Matrix ----------------Band1 Band2 Band3 Determinant

Band1 ----126.190 52.259 30.517 134109.282

Band2 ----52.259 68.062 6.613

Band3 ----30.517 6.613 31.056

47

Cov. Eigenvectors ----------------Band1 Band2 Band3

PC1 ----0.849 0.480 0.220

PC2 -----0.346 0.821 -0.454

PC3 -----0.398 0.310 0.863

PC1 ----0.849 -0.346 -0.398

PC2 ----0.480 0.821 0.310

PC3 ----0.220 -0.454 0.863


Band1 ----4186 376.740 930.945

Band2 ----4186 376.740 930.945

Band3 ----4186 376.740 930.945


2.000 58.000 20.075 18.000 11.206 11.207 2.129 203.438

0.000 67.000 25.905 25.000 9.937 9.938 0.614 30.954

13.000 49.000 25.563 25.000 5.444 5.444 0.257 19.623


Band1 ----1.000 0.730 0.528 0.336

Band2 ----0.730 1.000 0.420

Band3 ----0.528 0.420 1.000


PC1 ----0.622 0.593 0.512

PC2 -----0.226 -0.490 0.842

PC3 -----0.750 0.640 0.171


PC1 ----0.622 -0.226 -0.750

PC2 ----0.593 -0.490 0.640

PC3 ----0.512 0.842 0.171

Inv. of Cov. Ev. ---------------Band1 Band2 Band3 REGION: rawa

48


Band1 ----125.607 81.271 32.211 123566.901

Band2 ----81.271 98.768 22.743

Band3 ----32.211 22.743 29.640


PC1 ----0.747 0.628 0.221

PC2 -----0.557 0.771 -0.309

PC3 -----0.364 0.108 0.925

PC1 ----0.747 -0.557 -0.364

PC2 ----0.628 0.771 0.108

PC3 ----0.221 -0.309 0.925

Band1 ----13133 1181.970 2920.712

Band2 ----13133 1181.970 2920.712

Band3 ----13133 1181.970 2920.712


24.000 85.000 61.188 60.000 7.950 7.950 2.028 83.218

57.000 105.000 74.419 75.000 6.808 6.809 0.735 38.065

17.000 40.000 26.553 26.000 4.175 4.175 0.238 5.710


Band1 ----1.000 -0.270 0.677 0.354

Band2 -----0.270 1.000 -0.568

Band3 ----0.677 -0.568 1.000


PC1 ----0.563 -0.508 0.652

PC2 ----0.626 0.777 0.065

PC3 -----0.539 0.371 0.756

Inv. of Cov. Ev. ---------------Band1 Band2 Band3 REGION: sawah


49


PC1 ----0.563 0.626 -0.539

PC2 -----0.508 0.777 0.371

PC3 ----0.652 0.065 0.756


Band1 ----63.206 -14.637 22.469 18088.502

Band2 -----14.637 46.357 -16.137

Band3 ----22.469 -16.137 17.430


PC1 ----0.786 -0.482 0.387

PC2 ----0.543 0.837 -0.063

PC3 -----0.293 0.260 0.920

Inv. of Cov. Ev. ---------------Band1 Band2 Band3

PC1 ----0.786 0.543 -0.293

PC2 -----0.482 0.837 0.260

PC3 ----0.387 -0.063 0.920


Band1 ----14560 1310.400 3238.069

Band2 ----14560 1310.400 3238.069

Band3 ----14560 1310.400 3238.069


0.000 137.000 63.348 64.000 16.598 16.598 1.913 857.936

0.000 254.000 72.104 69.000 28.907 28.908 0.835 274.325

0.000 66.000 24.378 24.000 5.899 5.900 0.252 13.702

Band1 ----1.000 -0.176 0.674 0.402

Band2 -----0.176 1.000 -0.475

Band3 ----0.674 -0.475 1.000

REGION: lahan kering


50

Corr. Eigenvectors -----------------Band1 Band2 Band3 Inv. of Corr. Ev. ----------------Band1 Band2 Band3 Covariance Matrix ----------------Band1 Band2 Band3 Determinant

PC1 ----0.583 -0.460 0.670 PC1 ----0.583 0.562 -0.587 Band1 ----275.497 -84.396 65.959 3224897.256

PC2 ----0.562 0.824 0.078

PC3 -----0.587 0.331 0.739

PC2 -----0.460 0.824 0.331 Band2 -----84.396 835.662 -80.961

PC3 ----0.670 0.078 0.739 Band3 ----65.959 -80.961 34.805


PC1 ----0.155 -0.982 0.109

PC2 ----0.963 0.174 0.206

PC3 -----0.221 0.073 0.972


PC1 ----0.155 0.963 -0.221

PC2 -----0.982 0.174 0.073

PC3 ----0.109 0.206 0.972

2. Data Hitungan Statistik Klasifikasi Terpantau Tahun 2003

REGION: urban


Band1 ----5233 540.090 1334.591

Band2 ----5233 540.090 1334.591

Band3 ----5233 540.090 1334.591


0.000 129.000 70.688 72.000 19.332 19.334 2.439 531.501

13.000 75.000 51.401 52.000 7.250 7.251 0.450 29.321

0.000 80.000 43.494 43.000 12.597 12.599 0.110 24.274

51


Band1 ----1.000 0.639 0.889 0.121

Band2 ----0.639 1.000 0.619

Band3 ----0.889 0.619 1.000


PC1 ----0.604 0.526 0.599

PC2 -----0.348 0.850 -0.396

PC3 -----0.717 0.030 0.696


PC1 ----0.604 -0.348 -0.717

PC2 ----0.526 0.850 0.030

PC3 ----0.599 -0.396 0.696


Band1 ----373.796 89.527 216.594 378280.666

Band2 ----89.527 52.575 56.590

Band3 ----216.594 56.590 158.724


PC1 ----0.830 0.216 0.515

PC2 ----0.276 -0.960 -0.042

PC3 ----0.485 0.177 -0.856


PC1 ----0.830 0.276 0.485

PC2 ----0.216 -0.960 0.177

PC3 ----0.515 -0.042 -0.856

Band1 ----4000 360.000 889.579

Band2 ----4000 360.000 889.579

Band3 ----4000 360.000 889.579

5.000 46.000 22.086

0.000 47.000 24.029

17.000 41.000 26.345

REGION: rawa

Non-Null Cells Area In Hectares Area In Acres Minimum Maximum Mean

52

Median Std. Dev. Std. Dev. (n-1) Corr. Eigenval. Cov. Eigenval.

21.000 9.983 9.985 2.247 142.188

24.000 7.475 7.476 0.492 19.528

26.000 3.814 3.814 0.261 8.421


Band1 ----1.000 0.724 0.618 0.288

Band2 ----0.724 1.000 0.523

Band3 ----0.618 0.523 1.000


PC1 ----0.606 0.580 0.544

PC2 -----0.198 -0.552 0.810

PC3 -----0.770 0.599 0.220


PC1 ----0.606 -0.198 -0.770

PC2 ----0.580 -0.552 0.599

PC3 ----0.544 0.810 0.220


Band1 ----99.693 54.050 23.532 23381.087

Band2 ----54.050 55.894 14.918

Band3 ----23.532 14.918 14.550


PC1 ----0.811 0.545 0.213

PC2 ----0.544 -0.836 0.067

PC3 ----0.215 0.062 -0.975


PC1 ----0.811 0.544 0.215

PC2 ----0.545 -0.836 0.062

PC3 ----0.213 0.067 -0.975

Band1 ----8630

Band2 ----8630

Band3 ----8630

REGION: sawah

Non-Null Cells

53

Area In Hectares Area In Acres

776.700 1919.268

776.700 1919.268

776.700 1919.268

72.000 134.000 93.814 92.000 11.206 11.207 1.868 142.742

42.000 82.000 56.916 56.000 5.447 5.447 0.818 27.122

30.000 65.000 43.373 43.000 5.209 5.209 0.314 12.538


Band1 ----1.000 0.268 0.685 0.480

Band2 ----0.268 1.000 0.294

Band3 ----0.685 0.294 1.000


PC1 ----0.639 0.417 0.646

PC2 -----0.318 0.908 -0.271

PC3 -----0.700 -0.032 0.713


PC1 ----0.639 -0.318 -0.700

PC2 ----0.417 0.908 -0.032

PC3 ----0.646 -0.271 0.713


Band1 ----125.593 16.381 40.011 48540.681

Band2 ----16.381 29.672 8.345

Band3 ----40.011 8.345 27.138


PC1 ----0.929 0.159 0.333

PC2 ----0.203 -0.974 -0.101

PC3 ----0.308 0.162 -0.937


PC1 ----0.929 0.203 0.308

PC2 ----0.159 -0.974 0.162

PC3 ----0.333 -0.101 -0.937


54



Band1 ----15955 1435.950 3548.310

Band2 ----15955 1435.950 3548.310

Band3 ----15955 1435.950 3548.310


0.000 105.000 66.091 67.000 11.682 11.683 1.618 153.604

17.000 101.000 53.258 53.000 10.865 10.865 1.074 110.769

0.000 51.000 32.439 33.000 4.466 4.466 0.308 10.107


Band1 ----1.000 0.158 0.618 0.535

Band2 ----0.158 1.000 -0.162

Band3 ----0.618 -0.162 1.000


PC1 -----0.706 0.005 -0.708

PC2 -----0.223 -0.951 0.216

PC3 ----0.672 -0.310 -0.673


PC1 -----0.706 -0.223 0.672

PC2 ----0.005 -0.951 -0.310

PC3 -----0.708 0.216 -0.673


Band1 ----136.484 19.995 32.262 171967.529

Band2 ----19.995 118.049 -7.860

Band3 ----32.262 -7.860 19.947


PC1 -----0.874 -0.450 -0.184

PC2 ----0.409 -0.885 0.222

PC3 -----0.263 0.118 0.957

55


PC1 -----0.874 0.409 -0.263

PC2 -----0.450 -0.885 0.118

PC3 -----0.184 0.222 0.957

3. Data Hitungan Statistik Klasifikasi Terpantau Tahun 2010

REGION: urban


Band1 ----10799 1003.050 2478.590

Band2 ----10799 1003.050 2478.590

Band3 ----10799 1003.050 2478.590


0.000 254.000 93.629 88.000 35.032 35.034 2.462 1723.487

0.000 145.000 67.231 67.000 18.188 18.189 0.436 165.753

0.000 166.000 51.806 48.000 19.802 19.803 0.102 61.167


Band1 ----1.000 0.665 0.895 0.110

Band2 ----0.665 1.000 0.622

Band3 ----0.895 0.622 1.000


PC1 ----0.605 0.529 0.595

PC2 -----0.317 0.846 -0.429

PC3 -----0.730 0.071 0.679


PC1 ----0.605 -0.317 -0.730

PC2 ----0.529 0.846 0.071

PC3 ----0.595 -0.429 0.679

Covariance Matrix ----------------Band1 Band2

Band1 ----1227.387 424.041

Band2 ----424.041 330.850

Band3 ----621.276 223.938

56

Band3 Determinant

621.276 17473686.103

223.938

392.170


PC1 ----0.835 0.326 0.444

PC2 ----0.280 -0.945 0.167

PC3 ----0.474 -0.015 -0.880


PC1 ----0.835 0.280 0.474

PC2 ----0.326 -0.945 -0.015

PC3 ----0.444 0.167 -0.880

Band1 ----5014 451.260 1115.088 0.000 81.000 26.232 23.000 13.018 13.019 2.443 269.401

Band2 ----5014 451.260 1115.088 0.000 66.000 33.991 33.000 9.413 9.414 0.381 26.994

Band3 ----5014 451.260 1115.088 21.000 76.000 35.948 35.000 7.608 7.609 0.177 19.639


Band1 ----1.000 0.792 0.747 0.164

Band2 ----0.792 1.000 0.623

Band3 ----0.747 0.623 1.000


PC1 ----0.602 0.571 0.558

PC2 -----0.095 -0.642 0.760

PC3 -----0.793 0.511 0.332


PC1 ----0.602 -0.095 -0.793

PC2 ----0.571 -0.642 0.511

PC3 ----0.558 0.760 0.332

REGION: rawa

Non-Null Cells Area In Hectares Area In Acres Minimum Maximum Mean Median Std. Dev. Std. Dev. (n-1) Corr. Eigenval. Cov. Eigenval.

57


Band1 ----169.505 97.043 73.958 142821.748

Band2 ----97.043 88.630 44.597

Band3 ----73.958 44.597 57.900


PC1 ----0.774 0.509 0.378

PC2 -----0.217 0.773 -0.596

PC3 -----0.595 0.379 0.708

PC1 ----0.774 -0.217 -0.595

PC2 ----0.509 0.773 0.379

PC3 ----0.378 -0.596 0.708


Band1 ----4433 398.970 985.876

Band2 ----4433 398.970 985.876

Band3 ----4433 398.970 985.876


33.000 82.000 62.832 65.000 10.025 10.026 1.990 238.179

52.000 114.000 84.182 85.000 12.688 12.690 0.870 25.535

20.000 34.000 27.205 27.000 2.468 2.468 0.140 3.918


Band1 ----1.000 0.804 -0.154 0.242

Band2 ----0.804 1.000 -0.446

Band3 -----0.154 -0.446 1.000


PC1 -----0.614 -0.679 0.402

PC2 -----0.472 -0.092 -0.877

PC3 -----0.633 0.728 0.264

Inv. of Cov. Ev. ---------------Band1 Band2 Band3 REGION: sawah

58


PC1 -----0.614 -0.472 -0.633

PC2 -----0.679 -0.092 0.728

PC3 ----0.402 -0.877 0.264


Band1 ----100.518 102.243 -3.814 23827.205

Band2 ----102.243 161.024 -13.979

Band3 -----3.814 -13.979 6.090


PC1 -----0.596 -0.801 0.058

PC2 ----0.785 -0.566 0.253

PC3 -----0.170 0.196 0.966


PC1 -----0.596 0.785 -0.170

PC2 -----0.801 -0.566 0.196

PC3 ----0.058 0.253 0.966


Band1 ----13994 1259.460 3112.194

Band2 ----13994 1259.460 3112.194

Band3 ----13994 1259.460 3112.194


0.000 151.000 75.930 78.000 16.973 16.974 1.756 566.585

0.000 178.000 81.014 81.000 19.015 19.016 1.057 89.883

0.000 60.000 33.796 34.000 4.822 4.822 0.187 16.489

Band1 ----1.000 0.740 0.247 0.347

Band2 ----0.740 1.000 -0.097

Band3 ----0.247 -0.097 1.000



59


PC1 -----0.716 -0.682 -0.147

PC2 ----0.099 -0.308 0.946

PC3 -----0.691 0.663 0.289


PC1 -----0.716 0.099 -0.691

PC2 -----0.682 -0.308 0.663

PC3 -----0.147 0.946 0.289


Band1 ----288.117 238.847 20.232 839735.426

Band2 ----238.847 361.590 -8.853

Band3 ----20.232 -8.853 23.251


PC1 -----0.651 -0.759 -0.012

PC2 ----0.721 -0.624 0.302

PC3 -----0.236 0.188 0.953


PC1 -----0.651 0.721 -0.236

PC2 -----0.759 -0.624 0.188

PC3 -----0.012 0.302 0.953

60

Lampiran 9. Perhitungan Laju Pertumbuhan Penduduk

r

=

laju pertumbuhan penduduk

Pt =

jumlah penduduk pada tahun ke-t

Po =

jumlah penduduk pada tahun dasar

t

selisih tahun

=

1. Pertumbuhan Penduduk Tahun 2000 – 2004

0,043 2. Pertumbuhan Penduduk Tahun 2005 – 2010

0,054

61

Lampiran 10. Dokumentasi Penelitian

Pengambilan Titik Koordinat dan Validasi/Ground Checkdengan GPS

62

Lapangan Golf

Lahan Kering

Sawah

Rawa

Industri

Pemukiman

63

I. PENDAHULUAN. Bertambahnya penduduk dalam suatu kota selalu diikuti dengan. peningkatan kebutuhan lahan. Kondisi perkotaan yang telah padat

Recommend Documents