IDENTIFIKASI KARAKTERISTIK DAN PEMETAAN KLASIFIKASI TUTUPAN LAHAN MENGGUNAKAN CITRA LANDSAT 8 (OLI) DI KABUPATEN BOGOR
BUNGA MENTARI
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Karakteristik dan Pemetaan Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8 (OLI) di Kabupaten Bogor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum pernah diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember 2013 Bunga Mentari NIM E14090103
ABSTRAK BUNGA MENTARI. Identifikasi Karakteristik dan Pemetaan Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8 (OLI) di Kabupaten Bogor. Dibimbing oleh NINING PUSPANINGSIH. Landsat 8 adalah satelit generasi terbaru dari Program Landsat yaitu LDCM (Landsat Data Continuity Missions). Landsat 8 memiliki sensor OLI (Operational Land Imager), resolusi spasial 30 m x 30 m, dan terdiri dari 8 band. Hasil perhitungan kombinasi band terbaik menggunakan nilai OIF (Optimum Index Factor) untuk klasifikasi tutupan lahan adalah kombinasi band 754. Pada Landsat 8 band 7 adalah spektrum SWIR-2, band 5 adalah spektrum NIR, dan band 4 adalah spektrum red. Hasil klasifikasi tutupan lahan di Kabupaten Bogor menggunakan metode maximum likelihood mampu membedakan 15 kelas tutupan lahan yaitu kelas hutan pinus, sawah baru tanam, kebun karet, lahan terbangun, awan, bayangan awan, badan air, lahan terbuka, lapangan terbang, kebun buah, perkebunan sawit, hutan tutupan rapat, semak belukar, sawah siap panen, dan kebun campuran. Hasil akurasi klasifikasi memberikan ketelitian yang cukup tinggi yaitu nilai overall accuracy sebesar 92.18% dan kappa accuracy sebesar 90.61%. Hasil ini menunjukkan bahwa pemetaan hasil klasifikasi citra Landsat 8 dapat digunakan. Kata kunci: kombinasi band, Landsat 8 (OLI), tutupan lahan
ABSTRACT BUNGA MENTARI. Characteristics Identification and Classification of Land Cover Mapping Using Landsat 8 (OLI) in Bogor Regency. Supervised by NINING PUSPANINGSIH. Landsat 8 is the new generation satellite from Landsat Program that is LDCM (Landsat Data Continuity Missions). Landsat 8 has a sensor OLI (Operational Land Imager) with a spatial resolution of 30 x 30 m and consist of eight spectral bands. The result of calculation for the best combination for land cover using OIF (Optimum Index Factor) is band 754 combination. On Landsat 8, band 7 is the spectrum of SWIR-2, band 5 is the spectrum of NIR, and band 4 is the spectrum of red. The results of land cover classification in Bogor Regency using maximum likelihood method is able to distunguish 15 classes of land cover in Bogor Regency, i.e pinus forest, recent planted paddy, rubber plantations, settlement, cloud, cloud shadows, water body, barren land, airports, fruit farms, oil palm, dense forest cover, shrubs/bush, ready harvest paddy, and mixed farms. Accuracy result from classification show a high accuracy value that 92.18% for overall accuracy and 90.61% for kappa accuracy. This result shows that the classification result of Landsat 8 mapping is usable. Keywords: combination band, Landsat 8 (OLI), land cover
IDENTIFIKASI KARAKTERISTIK DAN PEMETAAN KLASIFIKASI TUTUPAN LAHAN MENGGUNAKAN CITRA LANDSAT 8 (OLI) DI KABUPATEN BOGOR
BUNGA MENTARI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2013
Judul Skripsi :Identifikasi Karakteristik dan Pemetaan Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8 (OLI) di Kabupaten Bogor Nama : Bunga Mentari NIM : E14090103
Disetujui oleh
Dr Nining Puspaningsih, MSi Pembimbing
Diketahui oleh
Dr Ir Ahmad Budiaman, MSc F Trop Ketua Departemen
Tanggal Lulus:
Judul Skripsi :Identifikasi Karakteristik dan Pemetaan Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8 (OLI) di Kabupaten Bogor : Bunga Mentari Nama NIM : E14090103
Disetujui oleh
Dr Nining Puspaningsih, MSi
Pembimbing
Tanggal Lulus:
3 0 lIt 2\lI
PRAKATA Puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta’ala atas segala karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juni 2013 ini ialah penginderaan jauh menggunakan citra satelit, dengan judul Identifikasi Karakteristik dan Pemetaan Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8 (OLI) di Kabupaten Bogor. Terima kasih penulis ucapkan kepada Ibu Dr Nining Puspaningsih, MSi selaku dosen pembimbing yang telah memberikan bimbingan, pengarahan, kesabaran dan saran kepada penulis. Ungkapan terima kasih juga disampaikan kepada ayah Anang Kurnia, ibu Iim Maryani, Diar Lestari, Fahmi Kurniawan serta seluruh keluarga, atas segala doa, dukungan dan kasih sayangnya. Di samping itu, penghargaan penulis sampaikan kepada Bapak Uus Saepul M, S.Hut atas bantuan dan pengarahannya di Laboratorium Remote Sensing dan GIS, Aswin Rahadian, S.Hut yang telah banyak membantu dalam memberikan data dan saran. Terimakasih kepada Dewi Supriyo, Geanisa Vianda, Cecilya Budiaman, Agung Kriswiyanto, Sonya Dyah, Artika Afifatus, Laysa Aswitama, Bagus Fatriya, Qoiman Bilqisti, Sofian Hadi, Indri Febriani, Sri Chairi, keluarga besar Lab. GIS, Chrysalis, dan MNH 46 atas semangat dan bantuannya kepada penulis. Serta semua pihak yang tidak mungkin penulis sebutkan satu persatu. Semoga skripsi ini dapat bermanfaat.
Bogor, Desember 2013 Bunga Mentari
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Manfaat Penelitian
2
METODE
2
Waktu dan Tempat Penelitian
2
Alat dan Data
2
Metode Penelitian
2
HASIL DAN PEMBAHASAN Kombinasi Band Terbaik Landsat 8
7 7
Perbedaan Landsat 7 ETM+ dengan Landsat 8 OLI
14
Klasifikasi Tutupan Lahan
18
Analisis Akurasi
20
SIMPULAN DAN SARAN
24
Simpulan
24
Saran
24
DAFTAR PUSTAKA
24
LAMPIRAN
26
DAFTAR TABEL 1. 2. 3. 4. 5. 6. 7. 8. 9.
Karakteristik citra Landsat 8 Matriks kesalahan (confusion matrix) Nilai OIF citra Landsat 8 kombinasi 3 band Karakteristik fisik tutupan lahan di lapangan Kelas tutupan lahan di Kabupaten Bogor mengunakan Landsat 8 Rata-rata nilai digital tiap kelas tutupan lahan pada citra Landsat 8 kombinasi band 4, band 5 dan band 7 Nilai digital dan karakteristik citra secara visual pada Landsat 7 dan 8 Tutupan lahan hasil klasifikasi citra Landsat 8 di Kabupaten Bogor tahun 2013 Matriks kontingensi hasil klasifikasi 15 kelas tutupan lahan
4 6 8 9 11 13 15 20 22
DAFTAR GAMBAR 1. 2.
Kombinasi band a) 875, b) 854, dan c) 754 (RGB) Peta klasifikasi tutupan lahan di Kabupaten Bogor menggunakan Landsat 8
9 19
DAFTAR LAMPIRAN 1. 2.
Analisis separabilitas dari 17 kelas klasifikasi penutupan lahan data citra satelit Landsat 8 OLI di Kabupaten Bogor Analisis separabilitas 15 kelas tutupan lahan yang memiliki tingkat keterpisahan baik sampai sempurna
25 27
PENDAHULUAN Latar Belakang 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 atau fenomena yang dikaji (Lillesand dan Kiefer 1990). Kajian dan penelitian dalam penggunaan data penginderaan jauh membuat perkembangan teknologi terus mengalami kemajuan yang pesat baik dari segi wahana maupun sensor yang digunakan dalam perekaman suatu objek dipermukaan bumi. Pengumpulan data penginderaan jauh dilakukan dengan menggunakan alat pengindera atau alat pengumpul data yang disebut sensor. Sistem perekaman dengan menggunakan sensor satelit dapat dibedakan menjadi dua bagian yaitu sistem pasif dan sistem aktif. Sumber tenaga sistem pasif diambil dari sumber energi yang direflektansikan atau diradiasikan oleh obyek menggunakan energi matahari. Saat ini teknologi penginderaan jauh banyak digunakan dalam kegiatan pengumpulan data kondisi tutupan lahan. Upaya untuk mengetahui kondisi penutupan lahan pada suatu daerah dapat dilakukan secara lengkap, cepat, dan relatif akurat melalui teknologi penginderaan jauh. Teknik penginderaan jauh berkembang sangat pesat sejak diluncurkannya satelit penginderaan jauh ERTS (Earth Resources Technology Satellite) atau Landsat 1 yang terus mengalami perkembangan hingga peluncuran Landsat 7, merupakan kelanjutan dari misi landsat yang untuk pertama kali menjadi satelit pengamat bumi sejak tahun 1972. Landsat 7 saat ini masih berfungsi namun mengalami kerusakan (striping) semenjak Mei 2003 sehingga mengganggu dalam analisis citra. Pada tanggal 11 Februari 2013 diluncurkan satelit generasi terbaru dari program Landsat yaitu Landsat Data Continuity Mission (LDCM) atau dikenal dengan nama Landsat 8. Citra Landsat 8 merupakan satelit observasi bumi hasil kerjasama antara National Aeronautics and Space Administration (NASA) dan U.S Geographical Survey (USGS). Landsat 8 memiliki sensor Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS) dengan ketinggian terbang 705 km dari permukaan bumi dan memiliki area scan seluas 170 km x 183 km yang didesain untuk dapat beroperasi selama 5 tahun. Citra satelit ini memerlukan waktu 99 menit untuk mengorbit bumi dan melakukan liputan pada area yang sama setiap 16 hari sekali. Landsat 8 memiliki 11 saluran (band) yang terdiri dari 9 band berada pada sensor OLI dan 2 band lainnya berada pada sensor TIRS (NASA 2011). Landsat 8 sebagai satelit generasi terbaru belum banyak dilakukan penelitian. Penelitian penggunaan Landsat 8 diharapkan dapat meningkatkan kemampuan dalam mengidentifikasi karakteristik citra untuk tutupan lahan.
2 Tujuan Penelitian Tujuan penelitian ini adalah : 1. Menghitung dan mencari kombinasi band terbaik Landsat 8 OLI untuk klasifikasi tutupan lahan. 2. Membandingkan karakteristik tutupan lahan secara visual menggunakan Landsat 7 ETM+ dan Landsat 8 OLI di Kabupaten Bogor. 3. Melakukan pemetaan tutupan lahan di Kabupaten Bogor menggunakan citra Landsat 8 OLI.
Manfaat Penelitian Hasil penelitian ini diharapkan dapat memberikan informasi terbaru mengenai keadaan tutupan lahan dan memberikan manfaat pada kegiatan perencanaan dan pengelolaan hutan di Kabupaten Bogor.
METODE Waktu dan Tempat Penelitian Penelitian dilaksanakan dengan tiga tahap, tahap pertama yaitu prapengolahan citra di Laboratorium Remote Sensing dan GIS, Fakultas Kehutanan Institut Pertanian Bogor pada bulan Juli 2013. Tahap kedua yaitu pengambilan data lapangan, dilakukan pada tanggal 20 sampai dengan 28 Agustus 2013 di Kabupaten Bogor. Tahap ketiga pengolahan Data yang dilakukan di Laboratorium Remote Sensing dan GIS, Fakultas Kehutanan Institut Pertanian Bogor pada bulan September sampai dengan oktober 2013. Alat dan Data Alat yang digunakan dalam penelitian meliputi tally sheet, alat tulis, Global Positioning System (GPS), kamera, laptop yang dilengkapi dengan software Erdas Imagine 9.1, ArcGis 10.1, dan Ms. Excel. Data yang digunakan adalah Citra Landsat 7 ETM+ path/row 122/64 dan 122/65 tanggal 22 Oktober 2002, Citra Landsat 8 path/row 122/64 dan 122/65 tahun perekaman tanggal 8 Juli 2013, peta batas administrasi Kabupaten Bogor, dan peta jaringan jalan Kabupaten Bogor. Metode Penelitian Secara umum penelitian dilakukan dengan tahapan pra-pengolahan citra, interpretasi visual citra satelit, pengambilan data lapangan, dan pengolahan citra digital. Pra-Pengolahan Citra Pra-pengolahan citra adalah pemprosesan awal sebelum dilakukan pengolahan citra lebih lanjut. Pra-pengolahan citra ini terdiri dari beberapa
3 langkah yaitu perubahan format, mozaik citra, pemotongan citra, koreksi geometrik, dan perhitungan OIF (Optimum Index Factor). 1. Perubahan Format Citra yang diperoleh memiliki format GeoTiff yang kemudian dilakukan perubahan format menjadi format .img dengan menggunakan software Erdas Imagine 9.1. Pada penelitian ini resolusi citra Landsat yang digunakan adalah resolusi spasial yang sama yaitu 30 m dan menggunakan band 1,2,3,4,5,6,7, dan 9. 2. Mozaik citra Mozaik citra merupakan proses penggabungan beberapa citra secara bersamaan membentuk satu kesatuan (satu lembar) peta atau citra yang kohesif. Data asli citra Landsat 7 dan 8 path/row 122/64 dan 122/65 dimozaik menjadi satu scene untuk mendapatkan daerah penelitian. 3. Pemotongan Citra (Cropping) Pemotongan citra (cropping) dilakukan untuk mendapatkan areal yang menjadi fokus penelitian yaitu Kabupaten Bogor. Citra dipotong menggunakan peta batas administrasi Kabupaten Bogor. 4. Koreksi Geometrik Koreksi geometrik dilakukan karena terdapat kesalahan geometrik yang terjadi pada saat perekaman. Koreksi geometrik bertujuan untuk merektifikasi atau membenarkan koordinat citra agar sesuai dengan koordinat geografis. Sebagaimana diketahui, data mentah dari citra penginderaan jauh masih memiliki sejumlah kesalahan. Data hasil rekaman sensor pada satelit merupakan representasi dari bentuk permukaan bumi yang tidak beraturan. Meskipun kelihatannya merupakan daerah yang datar, tetapi area yang direkam mengandung kesalahan (distorsi) yang diakibatkan pengaruh kelengkungan buni atau sensor itu sendiri (Jaya 2010). Penentuan sistem koordinat, proyeksi dan datum sistem koordinat yang dipilih untuk koreksi ini adalah Universal Tranverse Mercator (UTM) zona 48. Pemilihan proyeksi ini disesuaikan dengan pembagian area pada sistem UTM. Kabupaten Bogor termasuk wilayah Jawa Barat ysng terletak pada zona UTM 48, sedangkan datum yang digunakan adalah World Geographic System 84 (WGS 84). Citra Landsat 8 sudah terorthorektifikasi L-1T artinya data standard correction (koreksi tegak) berdasarkan data DEM dari GLS2000 yang terdiri dari data SRTM, NED, CDED, DTED termasuk GTOPO 30 untuk koreksi sistematiknya (USGS 2013), tetapi pada penelitian ini tetap dilakukan koreksi geometrik dengan menggunakan peta batas administrasi Kabupaten Bogor. Perhitungan Optimum Index Factor (OIF) Penelitian diawali dengan orientasi citra untuk memberikan gambaran awal untuk survei lapangan, mengidentifikasi pola sebaran dan penentuan lahan yang ada di daerah penelitian. Pada visualiasi citra digunakan kombinasi 3 saluran dalam format RGB (Red Green Blue) yang dapat menghasilkan warna komposit. Untuk pemilihan saluran yang dapat menyajikan variasi informasi lebih banyak, digunakan perhitungan faktor indeks optimum. Pada Citra Landsat 8 (OLI) band yang digunakan pada pemilihan kombinasi terdiri dari 8 band. Hasil perhitungan OIF menggunakan 8 band menghasilkan 56 kombinasi. Semakin besar nilai OIF, informasi yang akan diberikan semakin baik, tetapi pada pembuatan citra
4 komposit selain melihat nilai OIF perlu mempertimbangkan kenampakan visual yang dihasilkan. Secara matematis OIF dihitung dengan formula sebagai berikut: |
|
|
|
|
|
Dimana Si, Sj dan Sk adalah simpangan baku (standar deviasi) dari band i,j, dan k. Nilai rij, rjk, dan rik menyatakan koefisien korelasi antar bandnya (Jaya 2010). Saluran band yang digunakan pada perhitungan disajikan pada Tabel 1. Tabel 1 Karakteristik citra Landsat 8 Band number 1 2 3 4 5 6 7 9
Spectral range (µm) 0.43-0.45 (coastal blue) 0.45-0.51 (blue) 0.53-0.59 (green) 0.64-0.67 (red) 0.85-0.88 (NIR) 1.57-1.65 (SWIR-1) 2.11-2.19 (SWIR-2) 1.36-1.38 (cirrus)
Sensor
Resolusi (m)
OLI OLI OLI OLI OLI OLI OLI OLI
30 30 30 30 30 30 30 30
Sumber: USGS (2013)
Interpretasi Visual Citra Satelit Menurut Purwadhi (2001) Interpretasi visual merupakan perbuatan mengkaji citra dengan maksud mengidentifikasi obyek yang tergambar di dalam citra. Interpretasi visual citra didasarkan pada pengenalan ciri obyek secara keruangan (spasial). Karakteristik obyek dapat dikenali berdasarkan unsur-unsur interpretasi seperti warna, bentuk, ukuran, pola, tekstur, bayangan, letak dan asosiasi kenampakan obyek. Untuk mempermudah interpretasi visual citra dapat ditampilkan dalam format RGB (Red Green Blue) sehingga menghasilkan warna komposit. Pengambilan Data Lapangan (Ground Check) Kegiatan Ground Check dilakukan untuk mendapatkan beberapa informasi, yaitu informasi mengenai keadaan tutupan lahan yang sebenarnya di lapangan dan titik-titik koordinat yang berguna untuk mengecek kebenaran hasil klasifiksi visual yang hasilnya dapat digunakan sebagai area contoh (training area) dalam klasifikasi citra digital. Pengambilan titik contoh koordinat tersebut dilakukan dengan bantuan alat GPS (Global Positioning System) secara purpossive sampling sebanyak 51 titik pengamatan. Pengolahan Citra Digital Pengolahan citra digital untuk klasifikasi tutupan lahan menggunakan metode klasifikasi terbimbing (supervised classification). Analisis ini merupakan suatu proses penyusunan, pengurutan, atau pengelompokan suatu piksel citra digital multispektral ke dalam beberapa kelas berdasarkan kategori obyek. Pada
5 analisis ini setiap piksel yang berada pada satu kelas diasumsikan berkarakteristik homogen, maka selanjutnya pada klasifikasi terbimbing dilakukan penentuan atau pemilihan area contoh untuk mencari kelompok-kelompok obyek yang secara spektral terpisah satu dengan lainnya sehingga pola-pola respon spektral yang terdapat dalam citra dapat diekstrak. Penentuan Area Contoh (Training Area) Penentuan area contoh dilakukan untuk mengidentifikasi area contoh yang mewakili setiap kelas penutupan lahan yang diinginkan dan membangun suatu deskripsi numerik dari spektral tiap penutupan lahan tersebut (Lillesand dan Kiefer 1990). Penentuan dan pengambilan contoh dilakukan berdasarkan data yang didapatkan dari pemeriksaan lapangan kemudian dilakukan penentuan dan pemilihan lokasi-lokasi area contoh (training area) untuk pengambilan informasi statistik tipe-tipe tutupan lahan. Pengambilan informasi statistik dilakukan dengan cara mengambil contoh-contoh piksel dari setiap kelas tutupan lahan dan ditentukan lokasinya pada citra komposit. Informasi statistik dari setiap kelas tutupan lahan ini digunakan untuk menjalankan fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai rata-rata, simpangan baku, nilai digital minimum dan maksimum, serta matriks varian-kovarian untuk setiap kelas tutupan lahan. Analisis Separabilitas Analisis separabilitas adalah analisis kuantitatif yang memeberikan informasi mengenai evaluasi keterpisahan area contoh (training area) dari setiap kelas, apakah suatu kelas layak digabung atau tidak dan juga kombinasi band terbaik untuk klasifikasi. Metode analisis separabilitas yang digunakan dalam penelitian ini adalah metode Tranformasi Divergensi (TD). Metode ini digunakan untuk mengukur tingkat keterpisahan antar kelas. Nilai TD ini dapat diketahui dengan rumus:
= separabilitas antara kelas i dengan kelas j TDij exp = -2,718 Menurut Jaya (2009) kriteria tingkat keterpisahan antar kelas dari nilai transformasi divergensi adalah sebagai berikut: a. Tidak terpisah (unseparable) : <1600 b. Kurang keterpisahannya : 1600-<1800 c. Cukup keterpisahannya : 1800-<1900 d. Baik keterpisahannya : 1900-<2000 e. Sangat baik keterpisahannya : 2000 keterangan :
Klasifikasi Tutupan Lahan Metode yang digunakan dalam kegiatan klasifikasi terbimbing pada tutupan lahan adalah metode kemungkinan maksimum (maximum likelihood method). Menurut Purwadhi (2001) klasifikasi berdasarkan kemungkinan maksimum merupakan strategi klasifikasi terbimbing dengan cara mengevaluasi kuantitatif
6 varian maupun korelasi pola tanggapan spektral pada saat mengklasifikasikan piksel yang tidak dikenal. Menurut Jaya (2010) metode ini adalah metode klasifikasi yang paling banyak digunakan, dimana nilai digital (DN) pada k band untuk setiap kelas mewakili pengamatan yang bebas (independent) dan populasi yang digambarkan mengikuti distribusi normal-peubah ganda (multivariatenormal distribution). Metode kemungkinan maksimum menghasilkan hasil klasifikasi yang lebih akurat pada mekanisme evaluasi terhadap jarak dan variasi statistik untuk pemisahan setiap kelasnya. Metode tersebut mengelompokkan piksel yang belum diketahui identitasnya berdasarkan vektor rata-rata dan matriks ragam peragam dari setiap pola spektral kelas informasi. Piksel dimasukan menjadi salah satu kelas yang memiliki probabilitas (peluang) yang tinggi. Uji Akurasi Evaluasi akurasi digunakan untuk melihat tingkat kesalahan yang terjadi pada klasifikasi area contoh sehingga dapat ditentukan besarnya persentase ketelitian pemetaan. Evaluasi ini menguji tingkat keakuratan secara visual dari klasifikasi terbimbing. Akurasi ketelitian pemetaan dilakukan dengan membuat matrik kontingensi atau matrik kesalahan (confusion matrix) seperti yang disajikan pada Tabel 2. Tabel 2 Matriks kesalahan (confusion matrix) Data referensi A B C D Total kolom User’s accuracy
Diklasifikasikan ke dalam kelas (data kelas di peta) A B C D Xii
Jumlah
Producer’s accuracy
Xi+
Xii /Xi+
Xii X+i Xii/X+i
N
Akurasi yang bisa dihitung berdasarkan tabel di atas antara lain, User’s accuracy, Producer’s Accuracy dan Overall accuracy. Secara matematis akurasi diatas dapat dinyatakan sebagai berikut:
∑ Keterangan: Xii = nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i Xi+ = jumlah piksel dalam baris ke-i X+i = jumlah piksel dalam kolom ke-i
7 Menurut Jaya (2010), saat ini akurasi yang dianjurkan adalah akurasi kappa, karena overral accuracy secara umum masih over estimate. Akurasi kappa ini sering juga disebut dengan indeks kappa. Secara matematis akurasi kappa disajikan sebagai berikut: ∑ ∑ ( ) ∑ Keterangan : N Xii Ki+ K+i
= banyaknya piksel dalam contoh = nilai diagonal dari matriks kontingensi baris ke-i dan Kolom ke-i = jumlah piksel dalam baris ke-i = jumlah piksel dalam kolom ke-i
HASIL DAN PEMBAHASAN Kombinasi Band Terbaik Landsat 8 Citra Landsat 8 adalah satelit yang dibangun oleh Orbital Sciences Corporation, yang menjabat sebagai kontraktor utama untuk misi instrumen pesawat ruang angkasa yang dibangun oleh Ball Aerospace dan NASA Goddard Space Flight Center, dan peluncurannya dikontrak oleh United Launch Alliance. Sebenarnya landsat 8 lebih cocok disebut sebagai satelit dengan misi melanjutkan Landsat 7 daripada disebut sebagai satelit baru dengan spesifikasi yang baru (NASA 2011). Landsat 8 memiliki beberapa keunggulan, khususnya terkait spesifikasispesifikasi band yang dimiliki maupun panjang rentang spektrum gelombang elektromagnetik yang ditangkap. Saluran 1 merupakan band baru yang terdapat pada satelit Landsat 8, yaitu coastal blue yang memiliki panjang gelombang 0.43 sampai dengan 0.45 µm yang berguna untuk mendeteksi wilayah peisisir. Band lainnya merupakan band yang sebelumnya terdapat pada satelit Landsat generasi sebelumnya. Pada saluran 2 dengan panjang gelombang 0.45 sampai dengan 0.51 µm menurut Lo (1995) dirancang untuk penetrasi tubuh air, sehingga bermanfaat untuk pemetaan perairan pantai, selain itu berguna untuk membedakan antara tanah dengan vegetasi, tumbuhan berdaun lebar dan konifer. Pada saluran 3 dengan panjang gelombang 0.53 sampai dengan 0.59 µm dirancang untuk mengukur puncak pantulan hijau bagi vegetasi. Pada saluran 4 dengan panjang gelombang 0.64 sampai dengan 0.67 µm berguna sebagai saluran absorpsi klorofil yang penting untuk deskriminasi vegetasi. Pada saluran 5 dengan panjang gelombang 0.85 sampai dengan 0.88 µm bermanfaat untuk menentukan kandungan biomassa dan untuk dilineasi tubuh air. Pada saluran 6 dengan panjang gelombang 1.57 sampai dengan 1.65 µm menunjukkan kandungan kelembaban vegetasi dan kelembaban tanah. Pada saluran 7 dengan panjang gelombang 2.11 sampai dengan 2.29 µm saluran yang diseleksi karena potensinya untuk membedakan formasi batuan dan untuk pemetaan hidrotermal. Pada saluran 9
8 merupakan salah satu band terbaru dari Landsat 8 yaitu cirrus dengan panjang gelombang 1.36 sampai dengan 1.38 µm untuk mendeteksi awan halus. Pada penyajian dengan multiband, biasanya dilakukan evaluasi dengan OIF (Optimum Index Factor). Nilai OIF merupakan ukuran banyaknya informasi yang dimuat pada suatu citra komposit. Perhitungan OIF ini bertujuan untuk mengetahui kombinasi band yang akan digunakan pada klasifikasi tutupan lahan. Hasil perhitungan nilai OIF pada kombinasi tiga band dapat dilihat pada Tabel 3. Tabel 3 Nilai OIF citra Landsat 8 kombinasi 3 band No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 2 25 26 27 28
Kombinasi band 8a-7-5 8-5-4 8-5-2 8-5-3 8-5-1 8-6-5 8-6-4 8-6-2 3-6-8 8-6-1 8-7-6 7-5-4 8-7-4 8-7-3 7-5-2 8-7-2 7-5-3 6-5-4 7-5-1 8-7-1 5-4-2 5-4-3 8-4-3 5-4-1 8-4-2 7-6-5 6-5-2 6-5-3
OIF 12 477.2 11 741.6 9672.1 9370.0 9266.0 8351.4 5377.4 5087.8 5058.5 4907.4 4757.7 4731.1 4621.2 4486.7 4428.7 4420.8 4366.4 4350.6 4331.8 4269.7 4217.9 4178.8 4151.9 4123.5 4074.3 4069.3 4047.5 3967.9
No 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56
Kombinasi band 6-5-1 8-4-1 5-3-2 8-3-2 5-2-1 5-3-1 8-3-1 8-2-1 7-6-4 6-4-2 6-4-3 6-4-1 7-6-2 7-6-3 7-6-1 6-3-2 6-3-1 7-4-3 6-2-1 7-4-2 7-4-1 7-3-2 7-3-1 7-2-1 4-3-2 4-3-1 4-2-1 3-2-1
OIF 3955.6 3928.9 3833.1 3809.1 3743.3 3739.8 3656.3 3537.9 2639.9 2622.8 2622.7 2564.7 2556.0 2550.9 2499.2 2498.0 2438.0 2433.5 2423.8 2417.0 2363.2 2328.1 2271.8 2243.5 2228.4 2174.6 2143.9 2033.4
Keterangan : a menunjukan band 9 yang didisplay pada layer 8
Menurut Jaya (2010) citra komposit yang digunakan untuk kegiatan penginderaan jarak jauh spektrum gelombang elektromagnetik yang digunakan mulai dari visible (sinar tampak) sampai dengan gelombang mikro, tetapi pada penginderaan jauh sistem optik dengan band reflektif, spektrum elektromagnetik
9 yang digunakan adalah inframerah sedang (SWIR), inframerah dekat (NIR), dan sinar tampak yang secara berturut-turut akan didisplay pada RGB guns. Hasil perhitungan pada Tabel 3 menunjukkan nilai OIF tertinggi adalah pada kombinasi band 875. Secara teori band 875 akan memiliki informasi yang lebih banyak dibandingkan dengan kombinasi band lainnya yang terdiri dari band 9 (cirrus pada layer 8), band 7 (SWIR-2), dan band 5 (NIR), namun kenampakan visual dari kombinasi ini kurang baik karena tidak ada spektrum sinar tampak sehingga tidak dipilih sebagai kombinasi band terbaik. Nilai OIF tertinggi ke-2 mempunyai kombinasi band 854 yang terdiri dari band 9 (cirrus pada layer 8), band 5 (NIR), dan band 4 (red) tetapi kombinasi band ini juga tidak dipilih sebagai kombinasi band terbaik karena hasil visualisasi kombinasi tersebut memberikan hasil yang kurang memuaskan. Tabel 3 memperlihatkan nilai OIF dari kombinasi band 754 sebesar 4731.1. Kombinasi band 754 dipilih karena memberikan kenampakan visual terbaik untuk klasifikasi tutupan lahan dan tampilan kombinasi ini mendekati alam, sehingga variasi informasi lebih banyak dibandingkan dengan kombinasi lainnya. Susunan kombinasi band 7 (SWIR-2) diletakan pada gun Red yang memiliki panjang gelombang (2.11-2.19 µm). Susunan kombinasi band 5 (NIR) diletakan pada gun Green yang memiliki panjang gelombang (0.85-0.88 µm). Sedangkan untuk susunan kombinasi band 4 (red) diletakan pada gun Blue yang memiliki panjang gelombang (0.64-0.67). Visualisasi gambar kombinasi band 875, band 854, dan 754 dapat dilihat pada Gambar 1.
(a)
(b)
(c)
Gambar 1 Kombinasi band a) 875, b) 854, dan c) 754 (RGB) Berdasarkan interpretasi citra secara visual dan pengamatan kebenaran obyek-obyek dilapangan, tutupan lahan yang terdapat di Kabupaten Bogor menggunakan citra Landsat 8 dapat teridentifikasi menjadi 17 kelas yang terdiri dari badan air, awan, bayangan awan, sawah siap panen, sawah baru tanam, hutan rakyat sengon, hutan tutupan sedang, hutan tutupan rapat, hutan pinus, kebun campuran, kebun karet, lahan terbangun, lahan terbuka, lapangan terbang, kebun buah, perkebunan sawit, dan semak belukar. Karakteristik fisik tutupan lahan di lapangan dapat dilihat pada Tabel 4. Tabel 4 Karakteristik fisik tutupan lahan di lapangan No. Kelas tutupan lahan 1 Badan air
Keterangan Daerah atau lokasi yang tergenang air tanpa ada vegetasi yang menaunginya. Badan air yang ditemukan berupa sungai, danau, dan kolam yang memiliki warna keruh (kecoklatan).
10 Tabel 4 Lanjutan No. Kelas tutupan lahan 2 Sawah baru tanam
3
Hutan rakyat sengon
4
Kebun campuran
5
Kebun karet
6
Sawah siap panen
7
Perkebunan sawit
8
Semak belukar
9
Hutan pinus
10
Hutan tutupan rapat
11
Hutan tutupan sedang
12
Lapangan terbang
13
Kebun buah
14 15
Lahan terbuka Lahan terbangun
Keterangan Kawasan pertanian lahan basah berupa padi yang baru ditanam, tumbuh menghijau dalam luasan yang cukup besar. Hutan yang berada di wilayah milik masyarakat, didominasi tegakan sengon yang homogen. Kebun campuran, terdiri dari kombinasi tanaman seperti pisang, singkong, melinjo, jabon, pepaya, dan mahoni. Perkebunan karet yang banyak tumbuh rapat di tepi jalan. Kawasan pertanian lahan basah, berupa padi yang tumbuh menguning dalam luasan yang cukup besar yang siap dipanen. Perkebunan sawit yang cukup luas banyak tumbuh di tepi jalan. Semak belukar merupakan areal yang terdiri dari campuran jenis rumput-rumputan, alang-alang, dan tumbuhan bawah lainnya merupakan tumbuhan kecil sampai sedang. Tegakan pinus dengan luasan cukup besar dan tumbuh rapat. Vegetasi hutan dengan % penutupan tajuk <70% dan lantai hutan tertutup serasah. Vegetasi hutan dengan % penutupan tajuk 4070%. Areal yang merupakan lapangan terbuka yang luas seperti satu landasan terbang biasanya digunakan untuk pelepasan atau pendaratan helikopter. Perkebunan milik suatu perusahaan yang didominasi oleh tanaman buah-buahan seperti jeruk, melon, dan salak. Seluruh kenampakan lahan tanpa vegetasi. Bangunan yang terdiri dari pemukiman dan bangunan industri yang letaknya berdekatan, tersusun mengelompok pada suatu tempat.
Berdasarkan hasil ground check lapangan kenampakan jenis tutupan lahan akan menghasilkan warna yang berbeda-beda pada citra. Pada tutupan vegetasi, interpretasi pada citra sebagian besar memiliki warna hijau hanya saja warna hijau ini tampak dari hijau gelap ke terang. Warna hijau gelap ini dapat dilihat pada kelas tutupan lahan hutan pinus dan hutan tutupan rapat. Hutan tutupan sedang, kebun campuran, hutan rakyat sengon, kebun buah, perkebunan sawit memiliki warna hijau yang lebih muda. Sawah baru tanam memiliki warna lebih biru dibandingkan sawah yang siap panen. Lahan terbangun dan lahan terbuka memiliki warna merah, lahan terbangun memiliki warna merah yang lebih cerah
11 dibandingkan lahan terbuka. Air, awan, dan bayangan awan memiliki warna sesuai kenampakan asli di lapangan. Karakteristik kelas tutupan lahan pada citra dan kenampakan di lapangan dapat dilihat pada Tabel 5. Tabel 5 Kelas tutupan lahan di Kabupaten Bogor mengunakan Landsat 8 Tutupan lahan
Badan air
Sawah baru tanam
Hutan rakyat sengon
Kebun campuran
Kebun karet
sawah siap panen
Gambar pada citra
Gambar di lapangan
12 Tabel 5 Lanjutan Tutupan lahan
Perkebunan sawit
Semak belukar
Hutan pinus
Hutan tutupan rapat
Hutan tutupan sedang
Lapangan terbang
Kebun buah
Gambar pada citra
Gambar di lapangan
13 Tabel 5 Lanjutan Tutupan lahan
Gambar pada citra
Gambar di lapangan
Lahan terbuka
Lahan terbangun
Pada Tabel 4 terdapat kelas-kelas yang tidak teramati di lapangan namun terdapat pada citra, yaitu kelas awan dan kelas bayangan awan. Kelas awan dan bayangan awan masuk kedalam area contoh karena tujuan dari penelitian adalah untuk mengetahui kemampuan citra satelit Landsat 8 dalam memisahkan obyek yang satu dengan yang lainnya. Nilai digital merupakan nilai reflektan objek permukaan bumi. Nilai reflektansi dari citra kombinasi band 754 dapat diberikan dengan warna primer atau warna dasar RGB (red, green, blue) yang merupakan hubungan antar komponen sehingga dapat didisplay pada layar monitor. Tabel 6 merupakan ratarata nilai digital 17 objek tutupan lahan dalam citra Landsat 8. Tabel 6 Rata-rata nilai digital tiap kelas tutupan lahan pada citra Landsat 8 kombinasi band 4, band 5 dan band 7 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Jenis tutupan lahan Hutan pinus Sawah baru tanam Hutan rakyat sengon Kebun campuran Kebun karet Lahan terbangun Awan Bayangan awan Badan air Lahan terbuka Lapangan terbang Kebun buah Perkebunan sawit Vegetasi tutupan sedang Vegetasi tutupan rapat Semak belukar Sawah siap panen
Band 4 6535.8 8506.8 7047.1 7418.3 6908.8 9348.0 19 147.4 6090.9 9567.3 7932.2 7933.7 6850.5 6739.6 6794.0 6202.5 6786.6 7203.9
Band 5 11 399.5 12 103.4 16 146.2 16 146.2 15 348.7 12 041.7 25 875.7 8030.6 9785.4 13 890.6 20 068.6 15 916.8 17 211.8 15 363.1 10 039.2 23 771.5 19 422.7
Band 7 6168.6 6674.3 7428.8 7428.8 7474.5 11 267.2 18 104.7 5494.1 5999.2 9790.8 9511.7 7431.0 6744.0 6939.5 5793.0 7515.3 8497.9
14 Resolusi radiometrik Landsat 8 yaitu 16 bit atau mempunyai nilai pixel yang berkisar dari 0 sampai 65 535. dengan demikian akan menghasilkan kombinasi RGB sebanyak 65 5363 kemungkinan warna yang dapat didisplaykan oleh monitor. Masing-masing obyek memiliki nilai digital yang berbeda dan berpengaruh terhadap informasi yang diberikan citra, semakin besar rentang nilai digital yang dimiliki maka semakin banyak informasi yang diberikan. Di dalam Tabel 5 tampak bahwa bayangan awan memiliki rata-rata nilai digital terendah disemua band 4, band 5, dan band 7 karena bayangan awan mempunyai pantulan spektral yang relatif kecil dibandingkan kelas lain pada semua panjang gelombang, sehingga kecerahan yang tampak pada citra akan semakin rendah dan menghasilkan warna yang lebih gelap, sedangkan untuk nilai digital rata-rata awan mencerminkan nilai reflektansi tertinggi dibandingkan kelas tutupan lahan lainnya. Pada kombinasi band 754 setiap band memiliki karakteristik yang berbeda-beda yang menyebabkan variasi nilai digital yang berbeda pula untuk setiap kelas tutupan lahan. Nilai digital yang besar menunjukkan tingkat kecerahan pada citra. Pada band 4 dengan mengabaikan awan dan bayangan awan, nilai digital terbesar berada pada kelas air yaitu 9567.3. Pada umumnya reflektansi pada kelas badan air mempunyai nilai yang cenderung biru sampai gelap. Ada kemungkinan nilai air yang terkelaskan mengandung endapan atau sedimen yang menyebabkan air berwarna keruh sehingga dapat meningkatkan nilai pantulan digital yang lebih tinggi dan kenampakannya menjadi cerah. Pada band 5 rata-rata nilai digital terbesar berada pada kelas semak belukar yaitu 23 771.5. Dapat dilihat bahwa hutan tutupan rapat memiliki nilai digital yang lebih rendah, hal ini menunjukkan semakin rapat tutupan lahan oleh vegetasi nilai digital akan semakin kecil karena sebagian sinar matahari diserap oleh klorofil daun bervegetasi. Pada band 7 rata-rata nilai digital terbesar berada pada kelas lahan terbangun yaitu 11 267.2 yang disebabkan lahan terbangun memiliki kelembaban yang rendah, sehingga reflektansi akan meningkat pada spektrum band 7 (SWIR) dan menurunkan reflektansi di daerah band 4 (visible red) dan band 5 (NIR). Perbedaan Landsat 7 ETM+ dengan Landsat 8 OLI Landsat 7 memiliki sensor Enhanced Thematic Mapper Plus (ETM+). Sensor ETM+ ini didesain dapat mengambil data dari berbagai arah untuk mendapatkan data tiga dimensi. Secara umum karakteristik Landsat 7 ini memiliki karakteristik yang sama dengan Landsat 8 (OLI), namun jumlah band pada landsat 8 lebih banyak dibandingkan dengan landsat 7. Ketersediaan data citra time series yang cukup panjang meliputi seluruh wilayah Indonesia, gratis, dan resolusi (spasial, temporal, radiometrik) yang bagus (tingkat menengah) merupakan 3 keunggulan yang dimiliki sekaligus oleh citra landsat. Resolusi spasial merupakan ukuran terkecil dari suatu bentuk permukaan bumi yang bisa dibedakan dengan bentuk permukaan di sekitarnya. Landsat 7 dan 8 memiliki resolusi spasial yang sama yaitu 30 m. Resolusi temporal adalah interval waktu yang dibutuhkan oleh satelit untuk merekam areal yang sama untuk menyelesaikan seluruh siklus orbitnya. Landsat 7 dan 8 memiliki ulangan perekaman selama 16 hari. Resolusi radiometrik adalah ukuran sensitivitas sensor
15 untuk membedakan aliran radiasi dipantulkan dari suatu obyek permukaan bumi dalam bentuk voltage yang dikonversi menjadi nilai integrar disebut bit. Landsat 7 memiliki resolusi radiometrik 8 bit sedangkan Landsat 8 memiliki resolusi radiometrik 16 bit. Landsat 7 menggunakan kombinasi band 543 biasanya digunakan sebagai standar Kementrian Kehutanan Indonesia untuk klasifikasi tutupan lahan. Komposit ini dibuat menggunakan panjang gelombang atau spektrum inframerah sedang (1.2˗3.2 µm), inframerah dekat (0.7˗0.9 µm), dan spektrum merah atau hijau (0.6˗0.7 atau 0.5˗0.6 µm) secara berturut-turut pada display RGB. Komposit ini mempunyai variasi informasi yang lebih banyak dibandingkan dengan komposit warna palsu standar. Hal ini disebabkan karena informasi yang disajikan mencakup band inframerah sedang, inframerah dekat, dan sinar tampak. Sinar inframerah sedang merekam variasi kelembaban (water content) dari vegetasi, inframerah dekat terkait dengan informasi biomassa, sedangkan sinar tampak terkait dengan informasi kehijauan daun (chlorophyll). Landsat 8 kombinasi 754 bisa dijadikan salah satu warna komposit yang bisa digunakan oleh Kementrian Kehutanan. Secara visual kenampakan Landsat 8 memiliki kontras yang lebih jelas dibandingkan dengan Landsat 7. Perbedaan nilai digital dan karakteristik citra secara visual Landsat 7 dan 8 diberikan pada Tabel 7. Tabel 7 Nilai digital dan karakteristik citra secara visual pada Landsat 7 dan 8 Tutupan lahan
Landsat 7 (ETM+)
Landsat 8 OLI
Badan air Band 5 (R) = 69 Band 4 (G)= 39 Band 3 (B)= 33
Band 7 (R)= 8226 Band 5(G) =8076 Band 4 (B)= 5966
Band 5 (R) = 41 Band 4 (G)= 80 Band 3 (B)= 75
Band 7 (R)= 6295 Band 5(G) =12 428 Band 4 (B)= 6415
Band 5 (R) = 105 Band 4 (G)= 63 Band 3 (B)= 124
Band 7 (R)= 9478 Band 5(G) =11 417 Band 4 (B)= 12 231
Hutan
Lahan terbangun
16 Tabel 7 Lanjutan Tutupan lahan
Landsat 7 (ETM+)
Landsat 8 OLI
Lapangan terbang Band 5 (R) = 142 Band 4 (G)= 97 Band 3 (B)= 81
Band 7 (R)= 9037 Band 5(G) =22 101 Band 4 (B)= 7627
Band 5 (R) = 103 Band 4 (G)= 75 Band 3 (B)= 88
Band 7 (R)= 6766 Band 5(G) =11 925 Band 4 (B)= 8492
Band 5 (R) = 89 Band 4 (G)= 94 Band 3 (B)= 49
Band 7 (R)= 6816 Band 5(G) =18 096 Band 4 (B)=6582
Band 5 (R) = 115 Band 4 (G)= 101 Band 3 (B)= 67
Band 7 (R)= 7703 Band 5(G) =16 883 Band 4 (B)=7048
Band 5 (R) = 52 Band 4 (G)= 57 Band 3 (B)= 51
Band 7 (R)= 6092 Band 5(G) =11 427 Band 4 (B)=6547
Sawah Baru Tanam
Perkebunan sawit
Semak belukar
Hutan pinus
17 Tabel 7 Lanjutan Tutupan lahan
Landsat 7 (ETM+)
Landsat 8 OLI
Kebun campuran Band 5 (R) = 97 Band 4 (G)= 93 Band 3 (B)= 56
Band 7 (R)= 6882 Band 5(G) =14 344 Band 4 (B)=6752
Band 5 (R) = 139 Band 4 (G)= 82 Band 3 (B)= 90
Band 7 (R)= 9084 Band 5(G) =14 727 Band 4 (B)=6752
Tanah kosong
Perbedaan selanjutnya terletak pada nilai digital. Nilai digital ini menunjukkan suatu histogram tingkat kecerahan yang direkam pada satu saluran citra. Landsat 7 mempunyai rentang nilai digital antara 0 sampai 255, sedangkan Landsat 8 memiliki rentang antara 0 sampai 65 535. Nilai digital pada Landsat 8 lebih besar karena memiliki resolusi radiometrik yang lebih besar dibandingkan Landsat 7 yaitu 16 bit. Bit ini sering digunakan untuk menentukan jumlah kemungkinan nilai kecerahan yang ada sehingga memungkinkan rentang warna yang banyak yang dapat didisplaykan oleh monitor. Resolusi radiometrik yang lebih tinggi akan memberikan variasi informasi lebih tinggi dibandingkan dengan citra yang mempuyai resolusi radiometrik lebih rendah (Jaya 2010). Berdasarkan hasil penelitian ini meskipun Landsat 8 mempunyai resolusi radiometrik lebih tinggi, tetapi karakteristik secara visual pada beberapa tutupan lahan tidak berbeda jauh dengan Landsat 7. Rachmawanti (2003) dalam penelitiannya menggunakan citra Landsat ETM+ secara visual dengan kombinasi band 543 mampu mengidentifikasi 25 kelas tutupan lahan di Kabupaten Bogor yaitu kelas hutan rapat, hutan sedang, hutan jarang, hutan pinus, hutan akasia, kebun campuran rapat, kebun campuran sedang, kebun campuran jarang, perkebunan kelapa sawit, perkebunan teh, perkebunan karet, pemukiman perkotaan, pemukiman pedesaan, daerah industri, sawah baru tanam, sawah siap panen, tegalan, tanah kosong, semak belukar, alang-alang, padang rumput, badan air, awan, awan tipis, dan bayangan awan. Penelitian mengenai identifikasi tutupan lahan pun dilakukan oleh Priyatna (2007) dalam Maharani (2011) di Kabupaten Bogor menggunakan citra Landsat TM multiwaktu secara visual citra dapat mengidentifikasi sebanyak 13 kelas tutupan lahan dengan menggunakan kombinasi band 543. Tutupan lahan yang dimaksud adalah badan air, sawah, tanah kosong, padang rumput, pemukiman,
18 semak, kebun campuran, kebun karet, kebun teh, tegakan pinus, hutan daun lebar, awan, dan bayangan awan. Klasifikasi Tutupan Lahan Prosedur klasifikasi citra secara digital bertujuan untuk melakukan kategorisasi secara otomatik dari semua pixel citra kedalam kelas penutup lahan atau suatu tema tertentu. Secara umum data multispektral menggunakan bentuk klasifikasi pola spektral data untuk kategorisasi setiap pixel berbasis numerik. Perbedaan tipe kenampakan menunjukkan perbedaan kombinasi dasar nilai digital pixel pada sifat pantulan (reflektansi) dan pancaran (emisi) spektral yang dimilikinya. Pada klasifikasi tutupan lahan sebelum dilakukan pemetaan tutupan lahan dilakukan proses analisis keterpisahan (separabilitas). Analisis separabilitas ini menunjukkan statistik antar kelas berdasarkan rata-rata nilai digital setiap kelas tutupan lahan untuk melihat apakah kelas tersebut layak digabung atau tidak. Pengelompokan menjadi 17 kelas tutupan lahan secara visual ternyata belum dapat memberikan keterpisahan kelas yang optimal dilihat dari rata-rata nilai digital masing-masing kelas. Dari 17 kelas pada klasifikasi awal tersebut terdapat kelas-kelas yang secara statistik tidak terpisahkan (<1600) dan kurang baik keterpisahannya (<1800). Tingkat keterpisahan yang kurang baik sampai tidak terpisahkan tersebut dapat mengurangi nilai akurasi dalam proses klasifikasi. Berdasarkan data pada Lampiran 1 dapat diketahui bahwa beberapa kelas memiliki tingkat keterpisahan yang tidak terpisahkan yaitu pada kelas hutan rakyat sengon dan kebun campuran, sedangkan untuk kelas yang kurang baik keterpisahannya terletak pada kelas hutan tutupan sedang dengan kebun campuran dan kelas tutupan sawah siap panen dengan kebun campuran. Tingkat keterpisahan yang kurang baik dan tidak terpisahkan antara beberapa kelas tersebut membuat perlu dilakukannya kembali pengelompokan kelas-kelas penutupan lahan untuk mendapatkan ketelitian dan nilai akurasi yang baik. Dari 17 kelas penutupan lahan tersebut digabungkan menjadi 15 kelas berdasarkan kedekatan kenampakan visual yang ditemukan di lapangan. Kelas tutupan lahan hutan rakyat sengon dan kebun campuran digabungkan karena dianggap memiliki kenampakan yang mirip di lapangan. Secara kualitatif hutan rakyat sengon dan kebun campuran yang ditemui di lapangan memiliki persamaan karakteristik ciri fisik dan kemiripan nilai digital. Dari hasil penggabungan antara hutan rakyat dengan kebun campuran, ternyata masih ada kelas yang tidak dapat terpisahkan. Kemudian kelas kebun campuran tersebut digabungkan dengan hutan tutupan sedang sehingga hasil klasifikasi 15 kelas tutupan lahan memiliki tingkat keterpisahan baik sampai dengan sempurna, yaitu memiliki nilai transformasi keterpisahan antara 1800 sampai dengan 2000. Nilai separabilitas masing-masing kelas tutupan lahan pada klasifikasi 15 kelas tutupan lahan dapat dilihat pada Lampiran 2. Proses klasifikasi dengan pemilihan kategori informasi yang diinginkan dan memilih training area untuk setiap kategori penutup lahan yang mewakili sebagai kunci interpretasi merupakan klasifikasi terbimbing (supervised classification). Klasifikasi berdasarkan kemiripan maksimum (maximum likelihood) merupakan strategi klasifikasi terbimbing dengan cara mengevaluasi kuantitatif varian
19 maupun korelasi pola tanggapan spektral pada saat mengklasifikasikan pixel yang tidak dikenal. Pengkelasan ini menggunakan bentuk training sampel yang bersifat sebaran normal (distribusi normal). yaitu semua sebaran (distribusi) pola tanggapan spektral penutup lahan dianggap atau diasumsikan sebagai vektor ratarata dan kovarian matrik, sehingga kebolehjadian (probabilitas) statistiknya berupa kurva normal (Gaussian). Klasifikasi menggunakan kemiripan maksimum menyangkut beberapa dimensi, maka pengelompokan obyek dilakukan pada obyek yang mempunyai nilai pixel sama dan identik pada citra (Purwadhi 2001). Pembuatan batas training area untuk klasifikasi berdasarkan metode kemiripan maksimum (maximum likelihood) merupakan pengkelasan yang didasarkan pada perhitungan statistik. Oleh karena itu, jumlah pengamatan pixel pada sejumlah training area untuk setiap penutup lahan paling sedikit sejumlah (n+1) dimana n adalah jumlah saluran spektral yang digunakan. Secara umum pengkelasan kemiripan maksimum diperlukan perhitungan yang banyak dan agak rumit untuk mengklasifikasikan setiap pixel. Walaupun demikian. teknik klasifikasi ini lebih teliti dibandingkan dengan klasifikasi lainnnya. Secara intuitif semakin banyak saluran yang dapat digunakan dalam pengkelasan kemiripan maksimum akan membuahkan hasil klasifikasi yang lebih baik (Purwadhi 2001). Hasil klasifikasi menggunakan metode klasifikasi terbimbing didapatkan kelas tutupan lahan yang terdapat pada citra teridentifikasi sebanyak 15 kelas yang terdiri dari kelas badan air, awan, bayangan awan, sawah siap panen, sawah baru tanam, hutan tutupan rapat, hutan pinus, kebun campuran, kebun karet, lahan terbangun, lahan terbuka, lapangan terbang, kebun buah, perkebunan sawit, dan semak belukar yang dapat dilihat pada Gambar 2.
Gambar 2
Peta klasifikasi tutupan lahan di Kabupaten Bogor menggunakan Landsat 8
20 Hasil klasifikasi menggunakan metode kemungkinan maksimum (maximum likelihood) memberikan jumlah luasan masing-masing kelas tutupan lahan. Tabel 8 menunjukkan bahwa tipe penutupan lahan yang memiliki wilayah terluas adalah kebun campuran. Kebun campuran memiliki luas wilayah mencapai 169 237.07 ha, yang menempati 54.48 % dari luas wilayah Kabupaten Bogor, sedangkan luasan terkecil dimiliki oleh kelas tutupan lapangan terbang yaitu 1741.27 ha atau 0.56% dari keseluruhan luasan areal penelitian. Tabel 8 Tutupan lahan hasil klasifikasi citra Landsat 8 di Kabupaten Bogor tahun 2013 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Penutupan lahan Badan air Awan Bayangan awan Hutan tutupan rapat Kebun campuran Kebun karet Lahan terbangun Lahan terbuka Lapangan terbang Kebun buah Hutan pinus Sawah baru tanam Sawah siap panen Perkebunan sawit Semak belukar Total
Luas (Ha) Persentase (%) 9255.35 2.98 19 463.28 6.27 3381.30 1.09 4.096.59 1.32 16 9237.07 54.48 4157.36 1.34 20 974.01 6.75 21 241.43 6.84 1741.27 0.56 15 452.72 4.97 1951.68 0.63 7517.26 2.42 18 510.47 5.96 7955.59 2.56 5686.44 1.83 310 621.83 100
Analisis Akurasi Analisis akurasi dilakukan untuk mengetahui ketelitian hasil dari klasifikasi. Metode yang paling umum digunakan untuk mengetahui tingkat akurasi adalah dengan menggunakan matrik kesalahan (confusion matrix) atau disebut juga matrik kontingensi. Menurut Lillesand dan Kiefer (1990), matrik kesalahan adalah materi bujursangkar yang berfungsi untuk membandingkan antara data lapangan dan korespondensinya dengan hasil klasifikasi. Ketelitian tersebut meliputi jumlah piksel area contoh yang diklasifikasikan dengan benar atau salah, pemberian nama kelas secara benar atau salah, pemberian nama kelas secara benar, persentase banyaknya piksel dalam masing-masing kelas serta presentase kesalahan total. Evaluasi akurasi dilakukan berdasarkan hasil pemeriksaan lapangan dengan menggunakan matriks kontingensi. Akurasi dapat diartikan seberapa dekat suatu batas mendekati nilai sebenarnya. Dari evaluasi ini nilai-nilai yang dapat diketahui adalah Producer’s accuracy, User’s accuracy, Overall accuracy dan Kappa accuraccy.
21 Producer’s accuracy dan User’s accuracy adalah dua penduga dari ketelitian keseluruhan (overall accuracy). Producer’s accuracy (akurasi pembuat) adalah peluang rata-rata (%) bahwa suatu piksel akan diklasifikasikan dengan benar yang secara rata-rata menunjukkan seberapa baik masing-masing kelas di lapangan telah diklasifikasi. Akurasi pembuat adalah akurasi yang diperoleh dengan membagi piksel yang benar dengan jumlah total piksel training area per kelas. Pada akurasi ini akan terjadi kesalahan omisi, oleh karena itu akurasi pembuat ini juga dikenal dengan istilah omission error (Jaya 2010). Kesalahan omisi yaitu kesalahan klasifikasi berupa kekurangan jumlah piksel suatu kelas akibat masuknya piksel-piksel kelas tersebut ke kelas yang lain. User’s accuracy (akurasi pengguna) adalah peluang rata-rata (%) bahwa suatu piksel dari citra yang terklasifikasi secara aktual mewakili kelas-kelas tersebut di lapangan dimana jumlah piksel yang benar dibagi dengan total piksel dalam kolom yang juga dikenal dengan istilah commission error, ukuran ini mencerminkan rata-rata dari kesalahan komisi yaitu kesalahan klasifikasi berupa kelebihan jumlah piksel pasa suatu kelas yang diakibatkan masuknya piksel dari kelas lain (Story dan Congalton 1986 dalam Venus 2008). Tabel 9 merupakan matriks kontingensi dengan 15 tutupan lahan yang memperlihatkan bahwa kelas tutupan lahan perkebunan sawit memiliki nilai producer’s accuracy terbesar, yaitu 98.99 %. Hal ini menunjukkan bahwa jumlah piksel terklasifikasi dengan baik walaupun masih ada beberapa piksel yang terklasifikasi dari dan ke kelas lain. Kebun buah merupakan kelas yang memiliki nilai producer’s accuracy yang paling kecil dibandingkan kelas lainnya yaitu sebesar 52.54 % artinya, dari 59 total piksel tersebut sebanyak 31 piksel terkelaskan secara benar kedalam kelas kebun buah. sisanya terklasifikasi sebanyak 2 piksel ke kelas hutan pinus, 5 piksel terklasifikasi ke kelas hutan tutupan rapat, dan sebanyak 21 piksel terklasifikasi kedalam kelas kebun campuran. User’s accuracy pada Tabel 9 terbesar pada kelas tutupan kebun karet yaitu 100%. Hal ini menandakan bahwa piksel area contoh dari kelas tutupan lahan ini tidak ada yang masuk ke kelas lain. Nilai user’s accuracy terendah adalah kelas lahan terbuka dengan nilai akurasi 68.04 %, karena ada penambahan jumlah piksel yang berasal dari sebagian piksel yang terklasifikasi ke kelas lainnya yaitu 7 piksel dari kelas air, 7 piksel dari kelas sawah siap panen, dan 17 piksel dari kelas kebun campuran. Overall accuracy (akurasi umum) adalah suatu persentase jumlah piksel yang dikelaskan secara benar dibagi dengan jumlah total piksel yang digunakan (jumlah piksel yang terdapat di dalam diagonal matrik dengan jumlah seluruh piksel yang digunakan). Kappa accuracy adalah persentase akurasi yang menggunakan semua elemen dalam matrik. Ada dua syarat ketelitian/akurasi sebagai kriteria utama bagi sistem klasifikasi penutupan/penggunaan lahan (Badan Survey Geologi Amerika Serikat/USGS), yaitu tingkat ketelitian klasifikasi/interpretasi minimum dengan menggunakan penginderaan jauh harus tidak kurang dari 85%. Nilai overall accuracy yang didapatkan sebesar 92.18 %. Akurasi umum dianggap terlalu over estimate sehingga jarang digunakan sebagai indikator yang baik untuk mengukur kesuksesan suatu klasifikasi karena hanya menggunakan piksel-piksel yang terletak pada diagonal suatu matrik kontingensi, sedangkan
22 nilai kappa accuracy yang didapatkan adalah sebesar 90.61%. Akurasi yang dianjurkan untuk digunakan adalah akurasi kappa yang menggunakan semua elemen dalam matriks. Berdasarkan nilai akurasi memberikan ketelitian yang cukup tinggi karena memenuhi syarat yang ditetapkan oleh USGS yang menyatakan ketelitian interpretasi diatas 85% sehingga hasil ini menunjukan bahwa pemetaan klasifikasi citra Landsat 8 di Kabupaten Bogor dapat digunakan.
Tabel 9 Matriks kontingensi hasil klasifikasi 15 kelas tutupan lahan Data klasifikasi 1 Hutan pinus Sawah baru tanam Kebun karet Lahan terbangun Awan Bayangan awan Badan air Lahan terbuka Lapangan terbang Kebun buah Perkebunan sawit Hutantutupan rapat Semak belukar Sawah siap panen Kebun campuran Total kolom Usser accuracy (%)
2
125 0 1 153 0 0 0 1 0 0 0 0 0 1 0 0 0 0 2 0 0 0 16 0 0 0 0 0 4 3 148 158 84.46 96.84
3 0 0 42 0 0 0 0 0 0 0 0 0 0 0 0 42 100.00
4
5
6
Reference data (piksel) 7 8 9
10
11
12
13
14
15
0 0 0 0 0 0 0 0 5 0 0 4 0 0 0 5 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 5 0 0 3 8 148 1 0 3 7 2 0 0 0 0 0 4 0 191 0 0 0 2 0 0 0 0 2 1 0 0 235 0 0 0 0 0 4 0 0 0 0 0 0 134 0 0 0 0 0 0 0 2 4 0 0 1 66 3 0 0 0 0 8 12 0 0 0 0 0 346 0 0 0 0 3 1 0 0 0 0 0 0 31 0 5 0 0 21 0 0 0 2 0 0 0 1471 0 0 0 13 0 0 4 0 0 0 2 0 223 2 0 5 0 0 0 0 0 0 0 0 3 99 0 0 0 0 0 0 7 6 0 3 0 0 323 32 1 0 1 7 17 7 0 49 2 1 18 315 153 192 240 152 97 366 33 1528 242 102 357 423 96.73 99.48 97.92 88.16 68.04 94.54 93.94 96.27 92.15 97.06 90.48 74.47
Total baris 134 164 58 166 196 239 137 94 350 59 1486 252 102 371 425 4233
PA % 93.28 93.29 72.41 89.16 97.45 98.33 97.81 70.21 98.86 52.54 98.99 88.49 97.06 87.06 74.12
23
24
SIMPULAN DAN SARAN Simpulan Kombinasi band terbaik citra Landsat 8 (OLI) untuk klasifikasi tutupan lahan adalah kombinasi band 754, band 7 adalah spektrum SWIR-2, band 5 adalah spektrum NIR, dan band 4 adalah spektrum Red. Landsat 8 memiliki resolusi radiometrik yang lebih tinggi, tetapi karakteristik secara visual pada beberapa kelas tutupan lahan tidak berbeda jauh dengan Landsat 7. Hasil klasifikasi citra Landsat 8 di Kabupaten Bogor menghasilkan 15 kelas tutupan lahan yaitu hutan pinus, sawah baru tanam, kebun karet, lahan terbangun, awan, bayangan awan, badan air, lahan terbuka, lapangan terbang, kebun buah, perkebunan sawit, hutan tutupan rapat, semak belukar, sawah siap panen, dan kebun campuran. Hasil akurasi klasifikasi ini memeberikan ketelitian yang cukup tinggi karena memenuhi syarat yang ditetapkan oleh USGS yang menyatakan bahwa ketelitian interpretasi minimum dengan menggunakan penginderaan jauh harus tidak kurang dari 85% dengan nilai overall accuracy sebesar 92.18% dan kappa accuracy sebesar 90.61%. Hasil ini menunjukkan bahwa pemetaan hasil klasifikasi citra Landsat 8 dapat digunakan. Saran Perlu dilakukannya klasifikasi tutupan lahan menggunakan klasifikasi terbimbing dengan metode lain.
DAFTAR PUSTAKA Jaya INS. 2009. Analisis Citra Digital: Perspektif Penginderaan Jauh Untuk Pengelolaan Sumberdaya Alam. Bogor (ID): Jurusan Manajemen Hutan Fakultas Kehutanan IPB. Jaya INS. 2010. Perspektif Penginderaan Jauh Untuk Pengelolaan Sumberdaya Alam. Teori dan Praktik Menggunakan Erdas Imagine. Bogor (ID): Jurusan Manajemen Hutan Fakultas Kehutanan IPB. Lillesand TM, Kiefer RW. 1990. Pengginderaan Jauh dan Penafsiran Citra. Dulbahri, Suharsono P, Hartono, Suharyadi, penerjemah; Sutanto, editor. Yogyakarta (ID): Gadjah Mada University Press. Terjemahan dari: Remote Sensing dan Image Interpretation. Lo CP. 1995. Penginderaan Jauh Terapan. Bambang Purbowaseso, penerjemah; Sutanto, editor. Yogyakarta (ID): Gadjah Mada University Press. Maharani RS. 2011. Aplikasi citra ALOS PALSAR resolusi 50 m dan citra ALOS AVNIR-2 resolusi 50 m dalam identifikasi tutupan lahan di Kabupaten Tuban. Blora, Rembang, dan Bojonegoro [skripsi]. Bogor (ID): Institut Pertanian Bogor. [NASA] National Aeronautics and Space Administration (US). 2011. Landsat Data Continuity Mission [internet]. [diunduh Agustus 2013]. Tersedia pada http://ldcm.gsfc.nasa.gov/.
24
25
Purwadhi F. 2001. Interpretasi Citra Digital. Jakarta (ID): Gramedia Widiasarana. Rachmawanti H. 2003. Pemanfaatan penginderaan jauh dan sistem informasi geografis dalam pemetaan penutupan dan penggunaan lahan di kawasan hutan Kabupaten Bogor tahun 2000 [skripsi]. Bogor (ID): Institut Pertanian Bogor. [USGS] United States Geological Survey (US). 2013. Landsat 8 [internet]. [diunduh Agustus 2013]. Tersedia pada http://landsat.usgs.gov/landsat8.php. Venus S. 2008. Klasifikasi penutupan lahan menggunakan citra satelit Quickbird di Kecamatan Rumpin Kabupaten Bogor [skripsi]. Bogor (ID): Institut Pertanian Bogor.
26
Lampiran 1 Analisis separabilitas dari 17 kelas klasifikasi penutupan lahan data citra satelit Landsat 8 OLI di Kabupaten Bogor 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
0 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 1996 2000 2000
2 2000 0 1996 1981 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000
3 2000 1996 0 1496 2000 2000 2000 2000 2000 2000 2000 1998 2000 1829 2000 2000 1986
4 2000 1981 1496 0 2000 2000 2000 2000 2000 1999 1965 2000 2000 1643 2000 2000 1701
5 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 2000 1999 2000 2000 2000 1983
6 2000 2000 2000 2000 2000 0 2000 2000 2000 1940 2000 2000 2000 2000 2000 2000 2000
7 2000 2000 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000
8 2000 2000 2000 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 1998 2000 2000
9 2000 2000 2000 2000 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 2000 2000
10 2000 2000 2000 1999 2000 1940 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 2000
11 2000 2000 2000 1965 2000 2000 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 1968
12 2000 2000 1998 2000 2000 2000 2000 2000 2000 2000 2000 0 2000 2000 1997 2000 2000
13 2000 2000 2000 2000 1999 2000 2000 2000 2000 2000 2000 2000 0 1998 2000 2000 2000
14 2000 2000 1829 1643 2000 2000 2000 2000 2000 2000 2000 2000 1998 0 2000 2000 1985
15 1996 2000 2000 2000 2000 2000 2000 1998 2000 2000 2000 1997 2000 2000 0 2000 2000
16 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 0 2000
17 2000 2000 1986 1701 1983 2000 2000 2000 2000 2000 1968 2000 2000 1985 2000 2000 0
Keterangan : 1=Hutann pinus, 2=Sawah baru tanam , 3=Hutan rakyat sengon, 4=Kebun campuran, 5=Kebun karet, 6=Lahan terbangun, 7=Awan, 8=Bayangan awan, 9=Badan air, 10=Lahan terbuka, 11=Lapangan terbang, 12=kebun buah, 13=Perkebunan sawit, 14=Hutan tutupan sedang, 15=Hutan tutupan rapat, 15=Semak belukar, 17=Sawah siap panen.
25
26
Lampiran 2 Analisis separabilitas 15 kelas tutupan lahan yang memiliki tingkat keterpisahan baik sampai sempurna 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 1996 2000 2000 2000
2 2000 0 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 1993
3 2000 2000 0 2000 2000 2000 2000 2000 2000 2000 1999 2000 2000 1983 2000
4 2000 2000 2000 0 2000 2000 2000 1940 2000 2000 2000 2000 2000 2000 2000
5 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000
6 2000 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 1998 2000 2000 2000
7 2000 2000 2000 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 2000 2000
8 2000 2000 2000 1940 2000 2000 2000 0 2000 2000 2000 2000 2000 2000 1999
9 2000 2000 2000 2000 2000 2000 2000 2000 0 2000 2000 2000 2000 1968 1994
10 2000 2000 2000 2000 2000 2000 2000 2000 2000 0 2000 1997 2000 2000 2000
11 2000 2000 1999 2000 2000 2000 2000 2000 2000 2000 0 2000 2000 2000 2000
12 1996 2000 2000 2000 2000 1998 2000 2000 2000 1997 2000 0 2000 2000 2000
13 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 0 2000 2000
14 2000 2000 1983 2000 2000 2000 2000 2000 1968 2000 2000 2000 2000 0 1890
15 2000 1993 2000 2000 2000 2000 2000 1999 1994 2000 2000 2000 2000 1890 0
Keterangan : 1=Hutan pinus, 2=Sawah baru tanam, 3=Kebun karet, 4=Lahan terbangun, 5=Awan, 6=Bayangan awan, 7= Badan air, 8=Lahan terbuka, 9=Lapangan terbang, 10=kebun buah, 11=Perkebunan sawit, 12=Hutan tutupan rapat, 13=Semak belukar, 14=Sawah siap panen,15=Kebun campuran.
27
28 RIWAYAT HIDUP
Penulis dilahirkan di kota Bogor, Provinsi Jawa Barat pada tanggal 25 November 1991. Putri Pertama dari Bapak Anang Kurnia dan Ibu Iim Maryani ini menjalani pendidikan formal dari TK Tunas Sejahtera Bogor (1996-1997), SD Negeri Panaragan 2 Bogor (1997-2003), SMP Negeri 4 Bogor (2003-2006), dan SMA Negeri 5 Bogor (2006-2009). Penulis masuk IPB melalui jalur Ujian Talenta Mandiri (UTM) Institut Pertanian Bogor dan terdaftar sebagai mahasiswa Departemen Manajemen Hutan Fakultas Kehutanan IPB. Sejak Tingkat Persiapan Bersama (TPB) penulis sudah aktif di organisasi Gentra Kaheman (2009-2010) sebagai anggota seni vokal. Setelah masuk fakultas penulis bergabung dengan Forest Management Student Club (FMSC) sebagai anggota Divisi Informasi dan Komunikasi (2010-2011). Penulis juga tergabung dalam kepengurusan International Forestry Students Association (IFSA) LC (Local Committee) IPB sebagai anggota Divisi Public Relation (2011-2012). Penulis juga mengikuti kegiatan ESM (Ecological Sosial Mapping) di Hutan Pendidikan Gunung Walat Kabupaten Sukabumi dan Kegiatan IPB Carbon Sink tahun 2011. Selain itu penulis juga aktif di berbagai kepanitiaan, seperti sekretaris dalam acara Publikasi Hasil Kegiatan FMSC IPB Carbon Sink dan Ecological Social Mapping (2011), anggota Publikasi dan Dokumentasi dalam acara SEAFYM (South East Asia – Forest Youth Meeting) (2011), penerima tamu dalam acara simposium nasional oleh CIFOR tentang Value Chains of Furniture, other Forest Products and Ecosystem Services (2013) di IPB Convention Center, asisten dalam kegiatan Terrestrial Laser Scanning-Remote Sensing from the Ground (2013) di Fakultas Kehutanan IPB. Praktik yang pernah diikuti penulis, yaitu: Praktik Pengenalan Ekosistem Hutan (PPEH) Jalur Cikeong dan Tangkuban Perahu Kabupaten Bandung pada tahun 2011, Praktik Pengelolaaan Hutan (PPH) di Hutan Pendidikan Gunung Walat Kabupaten Sukabumi pada tahun 2012, dan Praktik Kerja Lapang (PKL) di IUPHHK-HA PT. Sarmiento Parakantja Timber, Kabupaten Kotawaringin Timur, Sampit, Kalimantan Tengah pada tahun 2013. Skripsi berjudul Identifikasi Karakteristik dan Pemetaan Klasifikasi Tutupan Lahan Menggunakan Citra Landsaat 8 (OLI) di Kabupaten Bogor merupakan karya penulis sebagai syarat untuk mendapatkan gelar sarjana kehutanan pada Departemen Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor dibawah bimbingan Dr Nining Puspaningsih, MSi.
