1
KAJIAN CITRA ALOS PALSAR RESOLUSI RENDAH UNTUK KLASIFIKASI TUTUPAN HUTAN DAN LAHAN SKALA REGIONAL PULAU JAWA
IMAS NANIK HENDRAYANTI
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR 2008
2
KAJIAN CITRA ALOS PALSAR RESOLUSI RENDAH UNTUK KLASIFIKASI TUTUPAN HUTAN DAN LAHAN SKALA REGIONAL PULAU JAWA
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan Pada Fakultas Kehutanan Institut Pertanian Bogor
Oleh : Imas Nanik Hendrayanti E14104041
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR 2008
3
IMAS NANIK HENDRAYANTI. E14104041. Kajian Citra ALOS PALSAR Resolusi Rendah untuk Klasifikasi Tutupan Hutan dan Lahan Skala Regional Pulau Jawa. Dibawah bimbingan Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr. RINGKASAN Pulau Jawa adalah pulau dengan populasi terpadat di dunia yang luas daratannya 6.9% (13,219,000 ha) dari wilayah kepulauan Indonesia dan dihuni hampir 131.8 juta jiwa atau sebesar 60% dari total penduduk Indonesia (BPS, 2007). Seiring pertumbuhan populasi maka kebutuhan ruang pertanian, pemukiman dan industri pun semakin meningkat. Fenomena ini disebabkan oleh pesatnya perubahan penutupan lahan, terutama area kehutanan yang menjadi wilayah pembangunan. Untuk memonitor kecepatan perubahan ini maka dibutuhkan pengembangan tehnik pemantauan sumber daya hutan yang murah dan cepat. Dalam beberapa hal, penginderaan jarak jauh terbukti sebagai alat yang efektif dan akurat untuk mendeteksi perubahan penutupan lahan. Di Indonesia, penginderaan jarak jauh optik sudah umum digunakan. Akan tetapi data penginderaan jarak jauh optik memiliki keterbatasan untuk memonitor dan mendeteksi objek di bawah awan, kondisi berasap, atau berkabut. Kini, perkembangan data radar seperti ALOS PALSAR telah memberikan perspektif baru. Data-data tersebut telah digunakan oleh publik sejak satelit ALOS (Advance Land Observing Satelit) diluncurkan oleh Jepang pada 24 Januari 2006. Penelitian ini bertujuan untuk mengevaluasi kemampuan citra ALOS PALSAR untuk mengelompokkan penutupan lahan di Pulau Jawa. Data-data yang digunakan berupa citra ALOS PALSAR 2007 yang beresolusi 200 m x 200 m, citra Landsat 7 ETM+ dan data tematik lainnya. Penelitian dilakukan pada bulan Mei sampai Agustus 2008 dengan wilayah kajian Pulau Jawa. Alat yang digunakan adalah alat digitasi, GPS, printer, dan seperangkat komputer yang dilengkapi software Arcview 3.2., ERDAS Imagine Ver 9.1. dan Minitab. Hasil klasifikasi menunjukkan bahwa data citra resolusi rendah ALOS PALSAR dapat digunakan untuk mendeteksi kelas-kelas penutupan lahan menjadi empat kelas umum, seperti badan air, vegetasi/hutan biomassa tinggi, vegetasi/hutan biomassa rendah, dan lahan pertanian. Luasan masing-masing tutupan lahan citra ALOS hasil klasifikasi tidak terbimbing (Unsupervised Classification), adalah: lahan pertanian seluas 5,794,094.46 ha (43.95%), vegetasi/hutan biomassa rendah seluas 4,513,398.63 ha (34.24%), vegetasi/hutan biomassa tinggi seluas 2,548,908.74 ha (19.34%), dan tubuh air seluas 325,966.52 ha (2.47%). Sementara, luasan masing-masing tutupan lahan citra ALOS hasil klasifikasi terbimbing (Supervised Classification) adalah: lahan pertanian seluas 5,735,114,42 ha (43.51%), vegetasi/hutan biomassa rendah seluas 4,796,256.88 ha (36.39%), tubuh air seluas 89,496.30 ha (0.68%), dan vegetasi/hutan biomassa tinggi seluas 2,560,513.42 ha (19.43%), dengan nilai Kappa Accuracy (KA) sebesar 96.38 % dan Overall Accuracy (OA) sebesar 94.80 %. Hasil klasifikasi terbimbing citra Landsat 7 ETM+ menunjukan hasil yang lebih baik jika dibandingkan dengan ALOS PALSAR di mana sembilan kategori tutupan lahan dapat diidentifikasi, yakni: vegetasi/hutan rapat 398,145.70 ha (3.01%), vegetasi/hutan sedang 1,469,191.64 ha (11.09%), vegetasi/hutan jarang 3,593,658.04 ha (27.14%), sawah kering 1,812,400.33 ha (27.14%), sawah basah 1,095,270.95 ha (8.27%), pemukiman 712,698.99 ha (5.38 %), semak/PLK 1,800,242.04 ha (13.59%), badan air 174,983.55 Ha (1.32 %), dan awan 2,186,583.09 ha. (16.51%). Nilai akurasi klasifikasi, adalah 88.29 % untuk Kappa Accuracy (KA) dan 86.52 % untuk Overall Accuracy (OA) Kata kunci : Penginderaan jauh, radar, ALOS PALSAR, klasifikasi tutupan lahan.
4
IMAS NANIK HENDRAYANTI. E14104041. Study of Low Resolution of ALOS PALSAR Image for Classifying Regional Scale Forest and Land Cover of Java Island. Under Supervision of Prof. Dr. I Nengah Surati Jaya. SUMMARY Java Island is the densets populated island in the world which occupied approximately 6.9% (13,219,000 ha) of the Indonesian archipelago territory and dwelled by approximately 131.8 million people or 60% of Indonesian citizen (BPS, 2007). In line with the population growth, the need of space for their agriculture, settlement as well industries are significantly increased. This phenomenon had caused a rapid change of land cover, mainly from vegetated areas to built up areas. To monitor this rapid changes, there is a need to develop fast and cheap forest resource monitoring technique. To some extends, therefore, remote sensing had been proven as an effective and accurate tools to detect land cover changes. In Indonesia, the use of optical remote sensing data has been a common way. However, the optical remote sensing data have a limitation to monitor and detect under cloud as well as smoke or haze condition. Today, the advent of radar data such ALOS PALSAR had come with new persepective. These data had been ready to public uses since the ALOS satellite (Advance Land Observing Satellite) launched by Japan on 24th of January 2006. The objective of this research is to evaluate the capability of ALOS PALSAR image for classifying land cover in Java Island. The data that used are resolution ALOS PALSAR image acquired in 2007 having resolution of 200 m x 200 m, Landsat 7 ETM+ and other thematic data. The research was carried from May to August 2008 in Java Island. The hardware and equipments used are personal computer, printer, digitizer and GPS, while the softwares are Arcview 3.2, ERDAS Imagine Ver 9.1, and Minitab 14. The classification results show that, low resolution image data could be used to detect land cover classes into only 4 general classes, i.e., of water body, high biomass vegetation/forest, low biomass vegetation/forest, and agriculture field. The extend of each land cover derived using unsupervised classification of ALOS PALSAR are : agriculture field having size of 5,794,094.46 ha (43.95%), low density biomass vegetation/forest having size of 4,513,398.63 ha (34.24%), high density biomass vegetation/forest having size of 2,548,908.7 ha (19.34%) and water body having size of 325,966.52 ha (2.47%). While the extend of each land cover derived using supervised classification are agriculture field of 5,735,114.42 ha (43.51%), low density biomass vegetation/forest of 4,796,256.88 ha (36.39%), high density biomass vegetation/forest of 2,560,513.42 ha (19.43%) and water body of 89,496.30 ha (0.68%). The accuracies of this supervised classification are : 96.38% of Kappa Accuracy (KA) and 94.80% of Overall Accuracy (OA). The supervised classification result of Landsat 7ETM+ shows a more promising result in comparison with ALOS PALSAR where nine categories of land coverage are possible to be identified, such as: dense vegetation/forest of 398,145.70 ha (3.01%), medium density vegetation/forest of 1,469,191.64 ha (11.09%), sparse vegetation/forest of 3,593,658.04 ha (27.14%), dry field of 1,812,400.33 ha (27.14%), wet field of 1,095,270.95 ha (8.27%), settlement of 712,698.99 ha (5.38%), shrub (PLK) of 1,800,242.04 ha (13.59%), water of 174,983.55 ha (1.32%),and cloud of 2,186,583.09 ha (16.51%). These classification accuracies are 88.29% Kappa Accuracy (KA) and 86.52% Overall Accuracy (OA). Keywords: far remote sensing, radar, ALOS Palsar, land cover classification.
5
PERNYATAAN Dengan ini saya menyatakan bahwa skripsi berjudul Kajian Citra ALOS PALSAR Resolusi Rendah untuk Klasifikasi Tutupan Hutan dan Lahan Skala Regional Pulau Jawa adalah benar-benar hasil karya saya sendiri dengan bimbingan dosen pembimbing dan belum pernah digunakan sebagai karya ilmiah pada perguruan tinggi manapun. 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.
Bogor, September 2008
Imas Nanik Hendrayanti E14104041
6
LEMBAR PENGESAHAN Judul Penelitian
: Kajian Citra Alos Palsar Resolusi Rendah untuk Klasifikasi Tutupan Hutan dan Lahan Skala Regional Pulau Jawa.
Nama
: Imas Nanik Hendrayanti
NIM
: E14104041
Departemen
: Manajemen Hutan
Menyetujui : Dosen Pembimbing
Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr NIP : 131 578 785
Mengetahui : Dekan Fakultas Kehutanan IPB
Dr.Ir. Hendrayanto, M.Agr NIP : 131 578 788 Tanggal Lulus :
i
KATA PENGANTAR Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala limpahan rahmat dan hidayah-Nya sehingga skripsi dapat diselesaikan dengan baik serta memperoleh banyak manfaat dan ilmu pengetahuan yang sangat berharga bagi penulis selama menyelesaikan skripsi yang berjudul Kajian Citra ALOS PALSAR Resolusi Rendah untuk Klasifikasi Tutupan Hutan dan Lahan Skala Regional Pulau Jawa. Skripsi ini disusun sebagai syarat untuk memperoleh gelar Sarjana Kehutanan pada Program Studi Manajemen Hutan Fakultas Kehutanan Institut Pertanian Bogor. Keberhasilan penulis dalam menyelesaikan skripsi tentunya tidak terlepas dari bantuan dan dukungan dari berbagai pihak. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada : 1. Papah, Mamah, tercinta di rumah yang telah memberikan semua hal yang terbaik, perhatian, kasih sayang, dukungan, untaian doa tulus, serta pengorbanan dalam menyekolahkan sampai penulis menyelesaikan program sarjana ini. 2. Bapak Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr, selaku pembimbing yang senantiasa bersedia meluangkan waktu untuk memberikan arahan, bantuan, dukungan,
masukan
positif
serta
kesabaran
hingga
penulis
dapat
menyelesaikan skripsi ini. 3. Bapak Prof. Dr. Ir. Ellias selaku dosen penguji wakil dari Departemen Hasil Hutan dan Bapak Ir. Dones Rinaldi selaku dosen penguji wakil dari Departemen Konservasi Sumberdaya Hutan dan Ekowisata. Terima kasih atas segala nasehat yang diberikan kepada penulis. 4. Imas Nunik Hendrayani (kaka), Dini Nur Amalia (adik) tercinta terima kasih atas perhatian dan kasih sayang yang kalian berikan, itu semua menjadi kekuatan yang besar untuk penulis dalam menjalani kehidupan. 5. Pak Uus Saepul M dan Ka Edwine, serta keluarga besar Lab. Remote Sensing dan GIS, atas semua ilmu, bantuan dan motivasi yang selalu diberikan selama penulis menyusun skripsi.
ii
6. Keluarga besar penulis di Cilacap, yang senantiasa memberikan dukungan pada penulis. 7. Teman-teman di Fakultas Kehutanan IPB khususnya program studi Manajemen Hutan 41, yang selalu menjadi penyemangat dan motivasi penulis, terima kasih teman atas semua perjalanan kuliah selama empat tahun ini. 8. Sahabat tersayang Dega, Aditya, Vivie, Linda, Ozo, Rizal, Arif, Oki, Rendi, Riski, Clara, Babeh, Eris, Nita, Ayu, Eka, Nisa, Mba Helia, Rian, Wendha, Lita, Syaiful, Suci, Ratna, Mba Deasy terimakasih atas persahabatan yang selama ini terjalin begitu indah. 9. Kepada semua pihak yang tidak dapat disebutkan satu persatu yang turut memberikan sumbangsih yang tidak ternilai. Penulis menyadari bahwa penyusunan skripsi ini masih memiliki banyak kekurangan, oleh karena itu penulis terbuka untuk saran dan masukan demi perbaikan kedepannya. Semoga skripsi ini dapat bermanfaat bagi semua pihak yang berkepentingan.
Bogor, September 2008
Penulis
iii
RIWAYAT HIDUP Penulis dilahirkan di Majenang pada tanggal 21 September 1986 sebagai anak kedua dari tiga bersaudara pasangan Disman dan Marhaeningsih. Penulis menyelesaikan pendidikan di SMA Negeri 47 Jakarta pada tahun 2004. Pada tahun yang sama, penulis diterima di Institut Pertanian Bogor melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) pada Program Studi Manajemen Hutan, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Selama menjadi mahasiswa, penulis aktif di sejumlah organisasi kemahasiswaan BEM-E (Badan Eksekutif Mahasiswa Fakultas Kehutanan) sebagai staf Departemen Kemahasiswaan dan Kesejahteraan Sosial periode 2005/2006, Sekretaris Kelompok Studi Politik, Ekonomi, dan Sosial Kehutanan Forest Management Student Club (FMSC) tahun 2005-2006. Penulis juga pernah melakukan kegiatan Praktek Pengenalan dan Pengelolaan Hutan (P3H) di BKPH Gunung Slamet Barat (KPH Banyumas timur), BKPH Rawa Timur (KPH Banyumas Barat) dan KPH Ngawi, serta kegiatan Praktek Kerja Lapang di KPH Banyuwangi Barat Perum Perhutani Unit II Jawa Timur. Selain itu penulis aktif menjadi asisten praktikum mata kuliah Inventarisasi Sumberdaya Hutan, mata kuliah Teknik Inventarisasi Sumberdaya Hutan. Untuk memperoleh gelar Sarjana Kehutanan IPB, penulis menyelesaikan skripsi dengan judul Kajian Citra ALOS PALSAR Resolusi Rendah untuk Klasifikasi Tutupan Hutan dan Lahan Skala Regional Pulau Jawa dibawah bimbingan Bapak Prof. Dr. Ir. I Nengah Surati Jaya, M.Agr.
iv
DAFTAR ISI Halaman KATA PENGANTAR ...................................................................................... i RIWAYAT HIDUP ........................................................................................... iii DAFTAR ISI ..................................................................................................... iv DAFTAR TABEL ............................................................................................ vi DAFTAR GAMBAR ......................................................................................... viii DAFTAR LAMPIRAN ..................................................................................... ix I.
PENDAHULUAN A. Latar Belakang ...................................................................................... 1 B. Tujuan Penelitian .................................................................................. 2 C. Manfaat Penelitian ................................................................................ 3
II.
KONDISI UMUM LOKASI PENELITIAN A. Letak dan Luas Pulau Jawa................................................................... 4 B. Provinsi Banten..................................................................................... 5 C. Provinsi Jawa Barat............................................................................... 6 D. Provinsi Jawa Tengah ........................................................................... 8 E. Provinsi Jawa Timur ............................................................................. 10
III.
METODE PENELITIAN A. Waktu dan Tempat................................................................................12 B. Perangkat Keras (Hardware) dan Perangkat Lunak (Software) ...........12 C. Data .......................................................................................................12 1. Citra Satelit ALOS PALSAR Tahun 2006.......................................16 2. PALSAR (Phased Array Type L-Band Synthetic Aperture Radar) .16 3. Karakteristik Sistem Landsat ...........................................................18 D. Metode Pengolahan Data ......................................................................19 1. Pengolahan Awal Citra (Pre-Image Processing) ............................19 2. Koreksi Geometrik (Rektifikasi)......................................................19 3. Penajaman Citra (Image Enhancement)...........................................21 4. Cropping ..........................................................................................21 5. Mosaik..............................................................................................21
v
6. Analisis Citra Secara Visual (Visual Image Interpretation) ............23 7. Pemeriksaan Lapangan (Ground Check)..........................................24 E. Pengolahan Citra Digital (Image Processing) ......................................36 1. Klasifikasi Landsat...........................................................................36 2. Klasifikasi ALOS PALSAR.............................................................38 F. Evaluasi Konsistensi Tutupan Lahan....................................................41 G. Pelaporan...............................................................................................41 IV.
HASIL DAN PEMBAHASAN A. Klasifikasi Tidak Terbimbing Citra ALOS PALSAR ..........................43 1. Klastering Klasifikasi Citra ALOS PALSAR dengan 15 dan 8 Kelas..............................................................................................43 2. Klastering Klasifikasi Citra ALOS PALSAR dengan 5 dan 4 Kelas..............................................................................................49 B. Klasifikasi Terbimbing Citra ALOS PALSAR.....................................56 C. Klasifikasi Citra Landsat 7 ETM+........................................................59 1. Analisis Separabilitas .......................................................................59 2. Analisis Akurasi Hasil Klasifikasi ...................................................59 D. Evaluasi Luasan Citra Landsat 7 ETM+ dan Citra ALOS PALSAR ...63 1. Hasil Klasifikasi Tidak Terbimbing Citra ALOS PALSAR ............63 2. Hasil Klasifikasi Terbimbing Citra ALOS PALSAR ......................63 3. Hasil Klasifikasi Citra Landsat dengan Metode Terbimbing...........64 4. Perbandingan Antara Citra Landsat 7 ETM+ dan ALOS PALSAR ..........................................................................................66
V.
KESIMPULAN DAN SARAN A. Kesimpulan .......................................................................................... 75 B. Saran ..................................................................................................... 75
VI.
DAFTAR PUSTAKA ................................................................................ 76
LAMPIRAN .......................................................................................................... 78
vi
DAFTAR TABEL No.
Halaman
1. Luas Tutupan Lahan Pada Provinsi Banten .................................................. 6 2. Luas Tutupan Lahan Pada Provinsi Jawa Barat............................................ 8 3. Luas Tutupan Lahan Pada Provinsi Jawa Tengah......................................... 10 4. Luas Tutupan Lahan Pada Provinsi Jawa Timur........................................... 11 5. Lembar Citra Landsat 7 ETM+ yang Dihimpun dan Digunakan Dalam Kegiatan Analisis .......................................................................................... 12 6. Karakteristik Citra ALOS ............................................................................. 16 7. Karakteristik PALSAR ................................................................................. 17 8. Karakteristik Data Pada Sistem Landsat (TM dan ETM+)........................... 18 9. Tampilan Visual Hasil Interpretasi Tutupan Lahan ...................................... 25 10. Kategori Tutupan Lahan Berdasarkan Kunci Interpretasi Pada Citra Landsat 7 ETM+ (Kombinas Band 5-4-2) .......................................... 30 11. Kategori Tutupan Lahan Berdasarkan Kunci Interpretasi Pada Citra ALOS PALSAR (Kombinas Band 1-2-1)........................................... 31 12. Deskripsi Kelas Penutupan Lahan Pada Citra ALOS PALSAR.................. 32 13. Deskripsi Kelas Penutupan Lahan ............................................................... 35 14. Kriteria Tingkat Keterpisahan...................................................................... 37 15. Bentuk Matriks Kesalahan ........................................................................... 37 16. Kriteria Tingkat Keterpisahan...................................................................... 39 17. Bentuk Matriks Kesalahan ........................................................................... 40 18. Matriks Jarak Euclidean 15 Kelas Citra ALOS PALSAR ........................... 44 19. Matriks Jarak Euclidean 8 Kelas Citra ALOS PALSAR ............................. 47 20. Matriks Jarak Euclidean 5 Kelas Citra ALOS PALSAR............................. 49 21. Nilai Separabilitas Citra ALOS PALSAR 5 Kelas ...................................... 51 22. Matriks Jarak Euclidean Citra ALOS PALSAR 4 Kelas ............................. 52 23. Matriks Separabilitas Citra ALOS PALSAR 4 Kelas.................................. 53 24. Matriks Separabilitas Citra ALOS PALSAR............................................... 57 25. Matriks Kontingensi Dari Area Contoh Pada Citra ALOS PALSAR ......... 57 26. Matriks Separabilitas Citra Landsat 7 ETM+ .............................................. 60
vii
27. Matriks Kontingensi Dari Area Contoh Pada Citra Landsat 7 ETM+......... 61 28. Luas 4 Kelas Tutupan Lahan Citra ALOS PALSAR................................... 63 29. Luas Kelas Tutupan Lahan Citra ALOS PALSAR Metode Supervised Classification ............................................................................. 63 30. Luas Kelas Tutupan Lahan Citra Landsat 7 ETM+ ..................................... 64 31. Hasil Klasifikasi Tutupan Lahan Citra Landsat 7 ETM+ dan ALOS PALSAR .................................................................................... 65 32. Perbandingan Luas Masing-Masing Penutupan Lahan Pada Citra ALOS PALSAR .......................................................................................... 69 33. Hasil Klasifikasi Citra Landsat 7 ETM+ dan ALOS PALSAR .................... 70
viii
DAFTAR GAMBAR No
Halaman
1. Peta Batas Provinsi Pulau Jawa..................................................................... 4 2. Citra Satelit ALOS PALSAR tahun 2006 Pulau Jawa .................................. 13 3. Citra Landsat 7 ETM+................................................................................... 13 4. Peta Tutupan Lahan Pulau Jawa.................................................................... 15 5. Satelit ALOS PALSAR ................................................................................. 17 6. Satelit Landsat............................................................................................... 18 7. Hasil Croping Citra ALOS PALSAR ........................................................... 22 8. Citra Landsat Hasil Mosaik........................................................................... 22 9. Diagram Alir Metode Penelitian ................................................................... 42 10 Dendogram Citra ALOS PALSAR 15 Kelas ................................................ 45 11. Dendogram Citra ALOS PALSAR 8 Kelas .................................................. 46 12. Hasil Unsupervised Classification Citra ALOS PALSAR 8 Kelas .............. 48 13. Dendogram Citra ALOS PALSAR 5 Kelas .................................................. 49 14. Hasil Unsupervised Classification Citra ALOS PALSAR 5 Kelas .............. 50 15. Dendogram Citra ALOS PALSAR 4 Kelas .................................................. 53 16. Hasil Unsupervised Classification Citra ALOS PALSAR 4 Kelas .............. 55 17. Hasil Supervised Classification Citra ALOS PALSAR................................ 58 18. Hasil Klasifikasi Pada Citra Landsat 7 ETM+.............................................. 62 19. Diagram Luas Tutupan Lahan/Hutan Klasifikasi Citra ALOS PALSAR dengan Metode Tidak Terbimbing (Unsupervised Classification)............... 66 20. Diagram Luas Tutupan Lahan/Hutan Klasifikasi Citra ALOS PALSAR dengan Metode Terbimbing (Supervised Classification).............. 67 21. Diagram Luas Tutupan Lahan/Hutan Klasifikasi Citra Landsat 7 ETM+ dengan MetodeTerbimbing (Supervised Classification) .................. 68
ix
DAFTAR LAMPIRAN No
Halaman
1 . Nilai tiap GCP hasil koreksi geometrik citra ALOS PALSAR .....................78 2. Nilai tiap GCP hasil koreksi geometrik citra Landsat 7 ETM+ .....................80
BAB I PENDAHULUAN A.
Latar Belakang Indonesia merupakan negara kepulauan yang memiliki kawasan hutan yang
cukup luas. Total luas kawasan hutan di Indonesia, sampai tahun 2005, seluas 126.8 juta ha (Departemen Kehutanan, 2006). Keberadaan hutan Indonesia menjadi sangat penting dimana hutan Indonesia berfungsi sebagai paru-paru dunia. Oleh karena itu, dilakukan berbagai kegiatan untuk mempertahankan dan meningkatkan luas tutupan hutan yang telah ada saat ini. Pulau Jawa merupakan salah satu pulau yang ada di Indonesia, mempunyai daratan seluas 13,219,000 ha atau 6.9% dari luas Indonesia, dan dihuni oleh 131.8 juta jiwa atau sekitar 60% dari total penduduk Indonesia (BPS, 2007). Tingginya jumlah penduduk di Pulau Jawa ini mendorong perkembangan ekonomi yang cukup pesat. Namun dampak lainnya adalah adanya tekanan terhadap lingkungan, seperti terjadinya konversi secara besar-besaran khususnya pada kawasan hutan menjadi lahan pertanian atau pemukiman. Dinamika perubahan penutupan lahan yang cepat menyebabkan perlu dikembangkannya tehnik pemantauan sumberdaya hutan yang cepat dan murah. Oleh karena itu, teknologi penginderaan jauh sangat dibutuhkan untuk mendapatkan informasi tentang penutupan lahan dan vegetasi yang akurat, cepat dan efisien agar dapat merencanakan tata ruang wilayah di Pulau Jawa. Indonesia telah memanfaatkan citra penginderaan jauh, khususnya citra optik yang digunakan untuk melakukan pemantauan sumberdaya hutan. Posisi geografis Indonesia yang berada pada daerah tropis menjadi salah satu kendala dalam menggunakan data citra optik. Indonesia memiliki dua musim tiap tahunnya, yaitu musim hujan dan musim kemarau. Pada musim hujan, awan menjadi kendala dalam menggunakan data citra optik. Sedangkan yang menjadi kendala pada musim kemarau adalah asap yang disebabkan oleh kebakaran hutan dan lahan. Adanya awan dan asap sangat mengganggu dalam proses identifikasi dan pemantauan objek dipermukaan bumi, hal ini seringkali membuat informasi terbaru dibawah awan atau asap tidak tersedia.
2
Untuk mengatasi kelemahan dari citra optik maka saat ini telah tersedia suatu sistem penginderaan jauh aktif (Radar). Radar memiliki kemampuan untuk melakukan perekaman pada segala cuaca, baik pada siang atau malam hari, serta mampu mengatasi kendala tutupan awan dan asap. Salah satu satelit yang membawa sensor radar yang diluncurkan Pemerintah Jepang pada tanggal 24 Januari 2006 adalah satelit ALOS (Advance Land Observing Satellite). ALOS membawa 3 jenis sensor, yaitu PALSAR (Phased Array type L-band Synthetic Apeture Radar), PRISM (Panchromatik Remote-sensing Instrument for Stereo Mapping), dan AVNIR-2 (Advanced Visible and Near Infrared Radiometer type2). Sensor PALSAR (Phased Array type L-band Synthetic Apeture Radar), merupakan pengembangan lebih lanjut dari sensor SAR (Synthetic Aperture Radar), Sensor ini merupakan sensor gelombang mikro aktif yang memiliki keistimewaan dapat menembus lapisan awan tebal. Sensor ini cocok digunakan untuk memperoleh informasi penutupan lahan di Pulau Jawa, yang berada di wilayah tropik dan equatorial serta hampir setiap saat wilayahnya tertutup awan. Dewasa ini teknologi Radar telah banyak dimanfaatkan dan diaplikasikan di berbagai sektor, seperti sistem SLAR (Side Looking Apeture Radar) yang digunakan untuk pemetaan geologi dalam kawasan hutan lebat di Amazon, Brazil (Correa, 1980 dalam Lo,1996) dan pemetaan radar skala besar mengenai vegetasi di Nigeria oleh Hunting Technical Services di Inggris (Parry dan Trevett, 1979 dalam Lo, 1996). Citra ALOS juga sudah dimanfaatkan yaitu untuk melakukan pemantauan banjir di Jakarta (Tejakusuma et al, 2007), pengidentifikasian penutupan lahan (Arifin, 2007), pengkajian pemetaan sumberdaya alam, dan memonitoring keadaan hutan Kalimantan Timur untuk mendeteksi illegal loging serta pendugaan potensi atau volume kayu (Badan Planologi, 2007 dalam Carolita, 2007). Dalam penelitian digunakan citra ALOS PALSAR dengan resolusi sedang untuk mendeteksi tutupan lahan skala regional di Pulau Jawa. B.
Tujuan Tujuan dari penelitian ini adalah untuk melakukan evaluasi kemampuan
atau
tingkat
ketelitian
citra
ALOS
PALSAR
resolusi
mengidentifikasi tutupan hutan skala regional di Pulau Jawa.
rendah
guna
3
C.
Manfaat Penelitian
1.
Sebagai komplemen dari citra optik untuk mengisi data tutupan lahan yang tidak bisa di cover oleh citra optik.
2.
Sebagai bahan perencanaan penataan ruang di Pulau Jawa.
BAB II KEADAAN UMUM LOKASI PENELITIAN A.
Letak dan Luas
Gambar 1. Peta Batas Provinsi Pulau Jawa Pulau Jawa merupakan bagian dari gugusan kepulauan Sunda Besar dan Paparan Sunda. Pulau Jawa memiliki luas wilayah sebesar 13,219,000 ha, dengan penduduk sekitar 131.8 juta jiwa (BPS, 2007). Secara geografis, Pulau Jawa terletak pada : Letak Geografis : 7º30´10´´ LS dan 111º15´47´´ BT Secara administratif Pulau Jawa dibagi menjadi enam Daerah Tingkat I: a. Daerah Khusus Ibukota Jakarta b. Provinsi Banten c. Provinsi Jawa Barat d. Provinsi Jawa Tengah e. Provinsi Jawa Timur f. Daerah Istimewa Yogyakarta
5
B.
Provinsi Banten Sebelum tahun 2000 Provinsi Banten merupakan bagian dari Provinsi Jawa
Barat, namun saat ini telah menjadi provinsi sendiri. Wilayah ini dibentuk berdasarkan Undang-Undang Nomor 23 Tahun 2000. Saat ini wilayah Banten tercatat memiliki luas 8,800.83 km2 yang mencakup sisi barat dari Provinsi Jawa Barat. Ibukota Provinsi Banten adalah Serang. Secara administratif, provinsi ini terdiri atas empat kabupaten yaitu Kabupaten Pandeglang, Lebak, Serang, dan Tangerang serta dua kota yaitu Kota Tangerang dan Kota Cilegon. Menurut data penduduk tahun 2004, provinsi ini tercatat memiliki jumlah penduduk sebanyak 9,083,114 jiwa. Letak Geografis : 105º1´11´´ BT ~ 106º7´12´´ BT 5º7´50´´ LS ~ 7º1´1´´ LS Batas Wilayah : Sebelah Utara : Laut Jawa Sebelah Timur : Provinsi DKI dan Provinsi Jawa Barat Sebelah Selatan : Samudera Hindia Sebelah Barat : Selat Sunda dan Lampung 1.
Topografi Berdasarkan ketinggiannya dari permukaan laut (dpl), Provinsi Banten
merupakan wilayah yang terletak pada ketinggian 0 sampai 1,000 meter dpl. Berdasarkan kelas ketinggian, ketinggian 0~200 meter dpl meliputi wilayah sepanjang Pantai Utara, Pantai Barat, dan Pantai Selatan. Sedangkan ketinggian 501~1,000 meter dpl, meliputi wilayah Kabupaten Pandeglang bagian utara, Puncak Gunung Sanggabuana dan Gunung Halimun. Berdasarkan kelas kemiringan wilayah dengan kemiringan curam 25~40 % sebesar 38.15% dan wilayah dengan kemiringan 0 ~8 % sebesar 4.62% luas Provinsi Banten. 2.
Jenis Tanah Provinsi Banten memiliki jenis tanah Aluvial, Latosol, Podsolik, Podsolik
Merah Kuning,dan Regosol. Jenis tanah yang paling mendominasi adalah jenis tanah Latosol (42.26 %) dan tanah Podsolik (47.20%).
6
3.
Iklim Iklim pada Provinsi Banten adalah iklim tropis yang dipengaruhi angin
muson. Curah hujan rata-rata 2,000~4,000 mm/th dengan suhu berkisar 24.5ºC~29.9ºC, dan kelembaban rata-rata 65~85 %. 4.
Tutupan Lahan Berdasarkan Badan Planologi Kehutanan (2005), penutupan lahan Provinsi
Banten memiliki wilayah hutan seluas 157,000 ha dan non hutan seluas 779,190 ha. Luas tutupan lahan pada Provinsi Banten disajikan pada Tabel 1. Tabel 1. Luas Tutupan Lahan pada Provinsi Banten No 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10
C.
Keterangan A. Hutan Hutan lahan kering primer Hutan lahan kering sekunder Hutan rawa sekunder Hutan mangrove sekunder Hutan Tanaman Jumlah Hutan B. Non Hutan Semak/Belukar Belukar rawa Perkebunan Pertanian lahan kering Pertanian lahan kering, semak Sawah Tambak Pemukiman Tanah terbuka Rawa Jumlah Non Hutan
Luas (Ha) 8,000 57,000 2,000 3,000 89,000 157,000 25,000 2,000 3,000 88,000 271,000 260,000 15,000 66,000 12,000 1,000 779,000
Provinsi Jawa Barat Provinsi Jawa Barat merupakan provinsi pertama yang dibentuk di wilayah
Indonesia. Provinsi ini dibentuk berdasarkan Undang-Undang No. 11 Tahun 1950 dengan Ibukota Bandung. Provinsi Jawa Barat memiliki luas wilayah sebesar 4,435,416 ha. Secara geografis Provinsi Jawa Barat terletak pada : Letak Geografis : 104º48´ BT ~ 104º48´ BT 5º50´ LS ~ 7º50´ LS Batas Wilayah
: Sebelah Utara Sebelah Timur
: Laut Jawa : Provinsi Jawa Tengah
7
Sebelah Selatan : Samudera Indonesia Sebelah Barat 1.
: Selat Sunda
Topografi Jawa Barat adalah bagian dari busur kepulauan gunung api (aktif dan tidak
aktif) yang membentang dari ujung Pulau Sumatera hingga ujung Pulau Sulawesi. Daratan dapat dibedakan atas wilayah pegunungan curam di selatan dengan ketinggian lebih dari 1,500 meter dpl, wilayah lereng bukit yang landai di tengah ketinggian 100~1,500 meter dpl dan wilayah dataran luas di utara dengan ketinggian 0.10 meter dpl. 2.
Jenis Tanah Provinsi Jawa Barat memiliki 9 jenis tanah yaitu Latosol, Podsolik Merah
Kuning, Aluvial, Andosol, Regosol, Gleisol, Grumosol , dan Mediteran. 3.
Iklim Ditinjau dari iklimnya, Jawa Barat beriklim tropis dengan suhu 9ºC di
Puncak Gunung Pangrango dan 34ºC di Pantura, memiliki curah hujan rata-rata 2,000 mm/th. Namun di beberapa daerah pengunungan curah hujannya antara 3,000 mm/th sampai 5,000 mm/th. 4.
Fisiografi Ditinjau dari fisiografinya, bagian utara wilayah Jawa Barat merupakan
daerah berdataran rendah, sedangkan bagian selatan kawasan berbukit-bukit, dan pada bagian tengah kawasan dengan sedikit pantai serta dataran tinggi bergununggunung. 5.
Tutupan Lahan Berdasarkan Badan Planologi Kehutanan (2005), penutupan lahan Provinsi
Jawa Barat memiliki wilayah hutan seluas 640,000 ha dan non hutan seluas 3,077,000 ha. Luas tutupan lahan pada Provinsi Jawa Barat disajikan pada Tabel 2.
8
Tabel 2. Luas Tutupan Lahan pada Provinsi Jawa Barat No 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10
D.
Keterangan A. Hutan Hutan lahan kering primer Hutan lahan kering sekunder Hutan rawa sekunder Hutan mangrove sekunder Hutan Tanaman Jumlah Hutan B. Non Hutan Semak/Belukar Belukar rawa Perkebunan Pertanian lahan kering Pertanian lahan kering, semak Sawah Tambak Pemukiman Tanah terbuka Rawa Jumlah Non Hutan
Luas (ha) 18,000 186,000 0 2,000 434,000 640,000 53,000 0 190,000 628,000 751,000 1,093,000 73,000 238,000 48,000 12,000 3,077,000
Provinsi Jawa Tengah Provinsi Jawa Tengah merupakan provinsi yang diapit oleh dua provinsi di
Pulau Jawa. Dengan Ibukota Semarang, Provinsi Jawa memiliki luas wilayah sebesar 3.25 juta ha. Jumlah penduduk Provinsi Jawa Tengah adalah 30,775,846 jiwa. Secara geografis, Provinsi Jawa Barat terletak pada : Letak Geografis : 108º30´ BT ~111º30´ BT 5º40´ LS ~ 8º30´ LS Batas Wilayah
: Sebelah Utara Sebelah Timur
: Laut Jawa : Provinsi Jawa Timur
Sebelah Selatan : Samudera Hindia dan DIY Sebelah Barat 1.
: Jawa Barat
Topografi Menurut tingkat kemiringan lahan di Jawa Tengah sebesar 38% lahan
memiliki kemiringan 0~2%, 31% lahan memiliki kemiringan 2~15%, 19% lahan memiliki kemiringan 15~40%, dan sisanya 12% lahan memiliki kemiringan lebih dari 40%.
9
Kawasan Pantai Utara Jawa Tengah memiliki dataran rendah yang sempit. Di kawasan Brebes selebar 40 km dari pantai dan di Semarang hanya selebar 4 km. Dataran ini bersambung dengan depresi Semarang-Rembang di sebelah timur. 2.
Keadaan tanah Menurut Lembaga Penelitian Tanah Bogor tahun 1969, jenis tanah wilayah
Jawa Tengah didominasi oleh tanah Latosol, Aluvial, dan Gromosol sehingga hamparan tanah di provinsi ini termasuk tanah yang mempunyai tingkat kesuburan yang relatif subur. 3.
Iklim Jawa Tengah memiliki iklim tropis dengan curah hujan rata-rata 2,000
mm/th dan suhu rata-rata 21~32ºC. Daerah dengan curah hujan tinggi terutama terdapat di Nusakambangan bagian barat dan sepanjang Pegunungan Serayu Utara. Daerah dengan curah hujan rendah dan sering terjadi kekeringan di musim kemarau berada di daerah Blora dan sekitarnya serta di bagian selatan Kabupaten Wonogiri. 4.
Tutupan Lahan Berdasarkan Badan Planologi Kehutanan (2005), penutupan lahan provinsi
Jawa Tengah memiliki wilayah hutan seluas 701,000 ha dan non hutan seluas 2,735,000 ha. Luas tutupan lahan pada Provinsi Jawa Tengah disajikan pada Tabel 3.
10
Tabel 3. Luas tutupan lahan pada Provinsi Jawa Tengah No 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10
E.
Keterangan A. Hutan Hutan lahan kering primer Hutan lahan kering sekunder Hutan rawa sekunder Hutan mangrove sekunder Hutan Tanaman Jumlah Hutan B. Non Hutan Semak/Belukar Belukar rawa Perkebunan Pertanian lahan kering Pertanian lahan kering, semak Sawah Tambak Pemukiman Tanah terbuka Rawa Jumlah Non Hutan
Luas (Ha) 0 52,000 0 9,000 640,000 701,000 36,000 4,000 24,000 696,000 415,000 1,078,000 53,000 423,000 5,000 12,000 2,735,000
Provinsi Jawa Timur Provinsi Jawa Timur dengan Ibukota Provinsi Surabaya, memiliki luas
wilayah seluas 47,922 km2 dan dengan jumlah penduduk sebesar 33,423,234 jiwa. Secara geografis Provinsi Jawa Timur terletak pada : Letak Geografis : 111º BT ~ 114º 4´ BT 7º12´ LS ~ 8º48´ LS Batas Wilayah
: Sebelah Utara
: Laut Jawa
Sebelah Timur : Selat Bali Sebelah Selatan : Samudera Indonesia Sebelah Barat : Jawa Tengah 1. Topografi Berdasarkan karakteristik tinggi tempat diatas permukaan laut, provinsi Jawa Timur terletak pada ketinggian 0~1,000 meter dpl. Kelas ketinggian terluas adalah pada 0~500 meter dpl sebesar 83%, sedangkan yang paling kecil luasnya terdapat pada ketinggian lebih dari 1,000 meter dpl sebesar 6%.
11
2. Keadaan tanah Menurut Lembaga Penelitian Tanah Bogor tahun 1969, jenis tanah wilayah Jawa Timur didominasi oleh Tanah Latosol, Aluvial, Rensina, Regosol Coklat, dan Andosol. 3. Iklim Jawa Timur memiliki temperatur yang bervariasi, antara 17ºC~30ºC, dengan kelembaban udara berada antara 70 %~80 %. Jawa Timur memiliki curah hujan yang relatif rendah dibandingkan dengan provinsi lain di Pulau Jawa, yaitu ratarata 2,000 mm/th 4. Tutupan Lahan Berdasarkan Badan Planologi Kehutanan (2005), penutupan lahan provinsi Jawa Timur memiliki wilayah hutan seluas 1,558,110 ha, dan non hutan seluas 3,256,000 ha. Luas tutupan lahan pada Provinsi Jawa Timur disajikan pada Tabel 4. Tabel 4. Luas Tutupan Lahan Pada Provinsi Jawa Timur No 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10
Keterangan A. Hutan Hutan lahan kering primer Hutan lahan kering sekunder Hutan mangrove primer Hutan mangrove sekunder Hutan Tanaman Jumlah Hutan B. Non Hutan Semak/Belukar Belukar rawa Perkebunan Pertanian lahan kering Pertanian lahan kering, semak Sawah Tambak Pemukiman Tanah terbuka Rawa Jumlah Non Hutan
Luas (Ha) 337,000 192,000 15,000 11,000 1,003,000 1,558,000 19,000 0 86,000 1,231,000 337,000 1,054,000 91,000 394,000 33,000 0 3,256,000
12
BAB III METODE PENELITIAN A.
Waktu dan Tempat Penelitian ini dilaksanakan mulai bulan Mei sampai dengan Agustus 2008
dengan daerah penelitian Pulau Jawa. Data yang digunakan merupakan data sekunder. Kegiatan pengolahan dan analisis dilakukan di Laboratorium Fisik Remote Sensing dan GIS, Departemen Manajemen Hutan Fakultas Kehutanan, Institut Pertanian Bogor. B.
Perangkat Keras (Hardware) dan Perangkat Lunak (Software) Software dan hardware yang digunakan dalam penelitian ini adalah :
a. Komputer pribadi, b. Erdas Imagine Ver 9.1. c. Arc View GIS Ver 3.2. C.
Data Data utama yang digunakan pada penelitian ini adalah :
a. Citra ALOS PALSAR polarisasi HH dan HV rekaman tahun 2006 dengan resolusi 200 m (Gambar 2) b. Citra Landsat 7 ETM+ rekaman tahun 2004, 2005 dan 2006 sebanyak 12 scene (Tabel 5). Citra yang digunakan pada penelitian ini disajikan pada Gambar 3. Tabel 5. Lembar Citra Landsat 7 ETM+ yang Dihimpun dan Digunakan dalam Kegiatan Analisis No 1 2 3 4 5 6 7 8 9 10 11 12
Path 117 117 118 118 119 119 120 121 121 122 123 123
Row 65 66 65 66 65 66 65 65 64 65 64 65
Tanggal Perekaman 12-11-2005 06-6-2005 05-10-2006 15-10-2004 19-08-2004 19-08-2004 09-05-2005 10-10-2006 12-10-2006 06-5-2006 06-4-2004 09-5-2006
13
Gambar 2. Citra Satelit ALOS PALSAR Tahun 2006 Pulau Jawa
Gambar 3. Citra Landsat 7 ETM+
14
Data pendukung lainnya : a. Peta digital tutupan lahan Pulau Jawa tahun 2003 (Gambar 4). b. Peta digital PDTK (Peta Dasar Tematik Kehutanan). c. Peta digital batas wilayah provinsi Jawa Barat, Jawa Tengah, Jawa Timur, Banten, DIY.
Gambar 4. Peta Tutupan Lahan Pulau Jawa 15
16
1.
Citra Satelit ALOS PALSAR Tahun 2006 ALOS (Advanced Land Observing Satellite) adalah satelit milik Jepang
yang merupakan satelit generasi lanjutan dari JERS-1 dan ADEOS yang dilengkapi dengan teknologi yang lebih maju. Satelit ALOS (Gambar 5) diluncurkan pada tanggal 24 Januari 2006 dengan menggunakan roket H-IIA milik Jepang dari stasiun peluncuran Tanegashima Spaca Center. Satelit ini didesain untuk dapat beroperasi selama 3 sampai 5 tahun, dilengkapi dengan tiga instrumen penginderaan jauh yaitu Panchromatik Remote-sensing Instrument for Stereo Mapping (PRISM) yang dirancang untuk dapat memperoleh data Digital Terrain Model (DTM), Advanced Visible and Near Infrared Radiometer type-2 (AVNIR-2) untuk pemantauan tutupan lahan secara lebih tepat, dan Phased-Array type L-band Synthetic Apeture Radar (PALSAR) untuk pemantauan cuaca pada siang dan malam hari. Karakteristik citra ALOS disajikan pada Tabel 6. Tabel 6. Karakteristik Citra ALOS Alat Peluncur Tempat peluncur Berat Satelit Power Waktu Operasional Orbit
Akurasi Ketingggian Akurasi posisi Kecepatan Perekaman Onboar Data Recorder Sumber : NASDA(2006)
2.
Roket H-II Pusat Ruang Angkasa Tanegashima 4,000 kg 7,000 W 3 sampai 5 tahun Sun-Synchronous Sub –Recurr Orbit Recurrent periode 46 hari Sub cycle 2 hari Tinggi Lintasan 692 km di atas Equator Inclinasi : 98.20 2.0 x 10-4 0 (dengan GCP) 1 m (off-line) 240 Mbps (via Data Relay Technology Satellite) 120 Mbps (Transmisi Langsung) Solid-state data recorder (90 Gbytes)
PALSAR (Phased Array Type L-Band Synthetic Aperture Radar) Sensor
PALSAR
yang
dipasang
pada
satelit
ALOS,
merupakan
pengembangan lebih lanjut dari sensor SAR yang dibawa oleh satelit pendahulunya JERS-1. Sensor ini merupakan sensor gelombang mikro aktif yang dapat melakukan observasi siang dan malam tanpa terpengaruh pada kondisi cuaca. Melalui salah satu mode observasinya, yaitu ScanSAR sensor ini memungkinkan untuk melakukan pengamatan permukaan bumi dengan cakupan area yang cukup luas 250 hingga 350 km. ScanSAR mempunyai kemudi berkas
17
cahaya (yang dapat diatur) pada elevasi (ketinggian) dan didesain untuk memperoleh cakupan atau sapuan yang lebih lebar daripada SAR konvensional. Bentuk dari instrumen PALSAR dan prinsip pengambilan obyeknya disajikan pada Tabel 7. Tabel 7. Karakteristik PALSAR Mode
Fine
Frekuensi Lebar Kanal Polarisasi Resolusi Spasial Lebar Cakupan Incidence Angle NE Sigma 0
HH/VV/HH +HV atau VV+VH 10 m (2 look)/20 m (4 look) 70 Km 8-60 derajat <-23 dB (70 Km) <-25 dB (60 Km) 3 bit atau 5bit
Panjang bit Ukuran Sumber : NASDA(2006)
ScanSAR
Polarimetric (Experiment mode) 1,270 MHZ (L-Band) 28/114 MHz
HH atau VV
HH+HV+VH+VV
100 m (multi look) 250-350 km 18-43 derajat
30 Km 8-30 derajat
<-25 dB
<-29 dB
30 m
5 bit 3 bit atau 5bit AZ: 8.9 m x EL : 2.9 m
Gambar 5. Satelit ALOS PALSAR (Jaxa, 2006)
18
3.
Karakteristik Sistem Landsat Thematic Mapper (TM) merupakan alat scanning mekanis, mempunyai
resolusi spektral (7 band), spatial (30m x 30m) dan radiometrik (8 bit) lebih baik. Satelit Landsat 7 pada Gambar 6. Merupakan implementasi lanjutan dari seri satelit sebelumnya (program satelit ERTS yang diberi nama baru Landsat). Satelit yang berorbit sirkular dan sun-synchronous ini diluncurkan oleh Amerika Serikat pada tanggal 15 April 1999 dengan sudut inklinasi antara 98.2º hingga 99.1º, ketinggian 705 km di atas ekuator, periode orbit setiap 99 menit, dapat mencapai lokasi yang sama setiap 16 hari (repeat cycle), dan beresolusi radiometrik 8-bit (DN). Landsat-7 dilengkapi dengan sensor ETM+ ( Tabel 8). Tabel 8. Karakteristik data pada sistem Landsat (TM dan ETM+) Instrument TM
ETM+
IFOV (m)
Band spektral (μm) 0.45-0.52 0.52-0.60 0.63-0.69 0.76-0.90 1.55-1.75 2.08-2.35 10.4 -1.5 sama dengan TM dengan tambahan 0.50-0.90
blue green red NIR MIR MIR thermal IR
Gambar 6. Satelit Landsat.
30 x 30 30 x 30 30 x 30 30 x 30 30 x 30 30 x 30 120 x 120 15 x 15
Dynamic range (bits) 8 8 8 8 8 8 8 8
19
D.
Metode Pengolahan Data
1.
Pengolahan Awal Citra (Pre-Image Processing) Pengolahan awal citra (pre-image processing) merupakan tahap awal dari
pengolahan citra satelit Landsat 7 ETM+, dan citra ALOS PALSAR. Berupa perbaikan atau koreksi terhadap data citra yang masih memiliki kesalahan (distorsi) di dalamnya. Hal ini dilakukan untuk meningkatkan kualitas data citra yang akan berpengaruh terhadap hasil akhir yang akan dicapai. Langkah awal sebelum masuk pada kegiatan pengolahan awal citra yaitu melakukan proses import dan merging data citra. Citra yang digunakan dalam penelitian ini adalah 12 scene citra Landsat 7 ETM+ (format *.tif). Langkah berikutnya melakukan penggabungan masing-masing citra saluran multispektral (saluran biru, hijau, merah, inframerah dekat, inframerah sedang I, inframerah sedang II, dan inframerah panas) menjadi satu data citra multispektral. Saluran spektral yang digunakan pada penelitian ini yaitu band 1, band 2, band 3, band 4, band 5, dan band 7, mengabaikan band 6 dan 8 (saluran pangkromatik) yang terdapat pada Landsat 7 ETM+. Sedangkan untuk citra ALOS PALSAR melakukan penggabungan band HH dan HV. 2.
Koreksi Geometrik (Rektifikasi) Pada citra ALOS PALSAR dan citra Landsat yang digunakan belum
terkoreksi secara geometrik, sehingga perlu dilakukan koreksi geometrik terlebih dahulu. Rektifikasi dilakukan agar citra mempunyai koordinat sama dengan peta dengan datum WGS 84 serta sistem koordinat UTM. Atas dasar acuan yang digunakan rektifikasi dapat dibedakan atas : (1) Rektifikasi citra ke citra (image to image retification) dan (2) Rektifikasi citra ke peta (image to map rectification). Pada penelitian ini digunakan teknik rektifikasi citra ke peta (image to map rectification) antara citra Landsat 7 ETM+ dan citra ALOS PALSAR, dengan PDTK (Peta Dasar Tematik Kehutanan). Resampling merupakan suatu proses transformasi citra dengan memberikan nilai piksel terkoreksi. Pelaksanaan resampling dilakukan dengan proses transformasi dari suatu sistem koordinat ke sistem koordinat yang lain (Jaya, 2007).
20
Tahap-tahap melakukan koreksi geometrik : a)
Memilih titik kontrol lapangan (Ground control point) pada citra dengan syarat tersebar merata di seluruh citra, relatif permanen dan tidak berubah dalam kurun waktu pendek (misal : jalan, jembatan, sudut bangunan dan sebagainya). Secara teoritis, jumlah minimum GCP yang harus dibuat adalah : GCPmin =
(t + 1) + (t + 2 ) 2
dimana t : orde dari persamaan transformasi b)
Membuat persamaan transformasi yang digunakan untuk melakukan interpolasi spasial. Persamaan ini umumnya berupa persamaan polinomial baik orde 1, 2 dan 3. Pada penelitian ini digunakan orde 1. Orde I disebut juga Affine transformation (diperlukan minimal 3 GCP): p' = ao + a1 X + a2Y l ' = bo + b1 X + b2Y
Ket: p' dan l ' = posisi piksel pada citra yang belum terkoreksi X dan Y c)
= posisi koordinat peta
Menghitung kesalahan RMSE (Root Mean Squared Error) dari GCP yang terpilih. Nilai RMSE tidak boleh lebih dari 0.5 piksel. Kesalahan rata-rata dari rektifikasi ini dihitung sebagai berikut : RMS error =
( Xr − Xi )
2
+ (Yr − Yi )
2
Berdasarkan proses rektifikasi yang telah dilakukan pada citra Landsat 7 ETM+ titik kontrol yang dipilih sebanyak 84 GCP dan untuk citra ALOS PALSAR titik kontrol yang dipilih sebanyak 80 GCP . Setelah GCP terpilih selanjutnya dihitung akar dari kesalahan rata-rata kuadrat. Ketelitian diharapkan dalam koreksi geometris adalah nilai akar kesalahan rata-rata kuadrat (RMSE) yang lebih kecil dari 0.5 piksel. Nilai RMSE yang diperoleh dari kedua citra tersebut sesuai dengan yang disyaratkan, yaitu kurang dari 0.5 piksel. Untuk citra ALOS PALSAR dengan 80 GCP diperoleh nilai RMSE sebesar 0.0095 piksel, sedangkan untuk citra Landsat 7 ETM+ dengan 84 GCP diperoleh nilai RMSE sebesar 0.0073 piksel.
21
3.
Penajaman Citra (Image Enhancement). Untuk mendapatkan citra dengan tampilan visual yang baik, maka
diperlukan suatu operasi untuk memperbaiki nilai kontras citra. Operasi ini disebut dengan penajaman citra. Teknik penajaman citra yang digunakan dalam penelitian ini adalah histogram equalize, berupa perentangan Digital Number-nya pada skala keabuan 0-255. Tujuannya adalah agar kelompok-kelompok digital number mempunyai jarak antar yang satu dengan yang lainnya, sehingga memudahkan identifikasi fitur. 4.
Cropping Cropping adalah pemotongan citra yang telah dikoreksi yang digunakan
sesuai dengan lokasi pengamatan, citra yang dilakukan pemotongan yaitu citra ALOS PALSAR. Hal ini bertujuan untuk lebih memfokuskan perhatian ke areal penelitian juga untuk mereduksi volume data citra, agar mudah dalam proses di komputer. Hasil cropping dapat dilihat pada Gambar 7. 5.
Mosaik Mosaik (Mozaick) merupakan suatu proses penggabungan dari beberapa
citra secara bersama membentuk satu kesatuan (satu lembar) peta atau citra yang kohesif (kontrasnya konsisten, teroganisir, solid dan koordinatnya terinterkoneksi) (Jaya, 2007). Mosaik dilakukan pada citra Landsat yang terdiri dari gabungan 12 citra untuk wilayah Pulau Jawa. Adapun hasil mosaik dapat dilihat pada Gambar 8.
22
Gambar 7. Hasil Croping Citra ALOS PALSAR.
Gambar 8. Citra Landsat Hasil Mosaik.
23
6.
Analisis Citra Secara Visual (Visual Image Interpretation) Klasifikasi visual atau kualitatif merupakan suatu kegiatan untuk
mendeteksi dan mengidentifikasi objek-objek permukaan bumi yang tampak pada citra, dengan cara mengenalinya atas dasar karakteristik spasial, spektral, dan temporal. Unsur interpretasi berdasarkan tingkat kerumitan dibedakan menjadi empat tingkat yaitu : a.
Kunci interpretasi primer, yaitu : rona dan warna.
b.
Kunci interpretasi sekunder, yaitu : bentuk, ukuran, dan tekstur.
c.
Kunci interpretasi tersier, yaitu : pola dan bayangan.
d.
Kunci interpretasi lebih tinggi, yaitu : situs atau asosiasi. Kegiatan ini dilakukan untuk memberikan gambaran awal dalam
mengidentifikasi pola sebaran, penentuan jumlah kelas tutupan lahan dan macam kelas tutupan lahan yang ada di daerah penelitian. Untuk mempermudah dalam melakukan interpretasi secara visual, citra Landsat ditampilkan ke dalam format RGB (Red Green Blue) untuk dapat menghasilkan warna komposit. Menurut Jaya (2007), kombinasi yang terdiri dari salah satu band visible (band 1, 2, dan 3), band 4 (near infrared) dan band 5 (middle infrared) dapat memberikan separabilitas antar kelas yang tinggi. Perbedaan yang jelas antar kelas akan lebih mempermudah dalam deteksi dan identifikasi secara visual karena tampilan objek yang ada pada citra bisa dengan mudah dibedakan. Untuk kategori tutupan lahan berdasarkan kunci interpretasi pada citra Landsat disajikan pada Tabel 10. Sedangkan untuk citra ALOS PALSAR memiliki polarisasi HH dan HV, agar citra mudah diinterpretasi maka harus dibuat komposit RGB dari citra ALOS terpolarisasi yang tersedia yaitu HH dan HV. Kombinasi band yang digunakan adalah 1-2-1 (HH-HV-HH). Untuk kategori tutupan lahan berdasarkan kunci interpretasi pada citra Landsat disajikan pada Tabel 11. Dari kegiatan interpretasi visual citra Landsat dan ALOS dapat diidentifikasikan sembilan kelas tutupan lahan (termasuk awan) yang bisa dibedakan secara visual satu dengan lainnya. Awan tidak termasuk dalam salah satu kelas tutupan lahan yang menutupi lapisan permukaan bumi tetapi ikut
24
diklasifikasi sebagai salah satu kelas tutupan lahan karena dapat mempengaruhi hasil klasifikasi pada citra Landsat dan dapat mempengaruhi hasil klasifikasi. Dalam penelitian ini, kombinasi band yang digunakan dalam interpretasi, untuk citra Landsat band 5-4-2 (mengacu pada standar dari Departemen Kehutanan untuk analisis hutan dan vegetasi). Hasil dari interpretasi visual citra dari kelas-kelas tutupan lahan citra ALOS PALSAR dan Landsat disajikan pada Tabel 9. 7.
Pemeriksaan Lapangan (Ground Check) Kegiatan pengecekan lapangan dilaksanakan untuk memperoleh informasi
mengenai keadaan atau kondisi lapangan secara nyata sebagai pelengkap informasi dan pembanding bagi analisis selanjutnya. Adapun gambar hasil pemeriksaan lapangan disajikan pada Tabel 9.
25
Tabel 9. Tampilan Visual Hasil Interpretasi Tutupan Lahan Tampilan Citra Landsat 7 ETM+ No Tampilan di Lapangan Kombinasi Band 5-4-2 1 Tubuh air
2
Tampilan Citra ALOS PALSAR kombinasi Band 1-2-1
Deskripsi Tubuh air Lahan yang tergenang air tanpa ada vegetasi yang menaunginya.
Vegetasi/hutan Rapat Vegetasi/hutan rapat Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dengan % penutupan tajuk >70%.
25
26
Tabel 9. Lanjutan No Tampilan di Lapangan 3
Vegetasi/hutan sedang
4
Vegetasi/hutan jarang
Tampilan Citra Landsat 7 ETM+ Kombinasi Band 5-4-2
Tampilan Citra ALOS PALSAR kombinasi Band 1-2-1
Deskripsi Vegetasi/hutan sedang Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dengan % penutupan tajuk ± 40-70%. Vegetasi/hutan jarang Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dengan % penutupan tajuk <40%.
26
27
Tabel 9. Lanjutan No Tampilan di Lapangan 5
Tampilan Citra Landsat 7 ETM+ Tampilan Citra ALOS PALSAR Deskripsi Kombinasi Band 5-4-2 kombinasi Band 1-2-1
Permukiman Permukiman Lahan yang merupakan tempat tinggal dan pusat kegiatan manusia, serta jalan.
6
Awan Awan Areal yang diliputi oleh awan.
27
28
Tabel 9. Lanjutan No Tampilan di Lapangan 7
Sawah basah
8
Semak
Tampilan Citra Landsat 7 ETM+ Kombinasi Band 5-4-2
Tampilan Citra ALOS PALSAR Deskripsi kombinasi Band 1-2-1 Sawah basah Lahan sawah yang sudah ditumbuhi padi (sebelum panen) dan masih banyak mengandung air.
Semak Lahan yang didominasi oleh tumbuhan kecil sampai sedang, tidak mempunyai batang yang jelas, banyak cabang, dan memiliki penutupan lahan yang rapat dan relatif sedang.
28
29
Tabel 9. Lanjutan No Tampilan di Lapangan 9
Sawah kering
Tampilan Citra Landsat 7 ETM+ Kombinasi Band 5-4-2
Tampilan Citra ALOS PALSAR Deskripsi kombinasi Band 1-2-1 Sawah kering Lahan sawah kering (pasca panen).
29
30
Tabel 10. Kategori Tutupan Lahan Berdasarkan Kunci Interpretasi Pada Citra Landsat 7 ETM+ (Kombinasi Band 5-4-2) No Kategori Tutupan Lahan 1 Badan air 2 Sawah basah (awal tanam) 3 Sawah kering (pasca panen) 4 Permukiman 5 Semak atau PLK 6 Vegetasi/hutan rapat 7 Vegetasi/hutan sedang 8 Vegetasi/hutan jarang 9 Awan
Warna
Ukuran
Bentuk
Tekstur
Pola
Bayangan
Biru tua
Bervariasi
Tidak beraturan
Halus
Acak mengelompok
-
Ungu Tua
Bervariasi
Beraturan
Agak halus
Teratur
-
Kuningkehijauan Coklat kemerahan Hijaukecoklatan Hijau Tua Hijau mudahijau tua Hijau muda Putih
Bervariasi
Beraturan
Agak halus
Teratur
-
Bervariasi
Beraturan
Kasar
Acak mengelompok
-
Bervariasi
Tidak beraturan
Agak kasar
Acak
-
Bervariasi Bervariasi
Tidak beraturan Tidak beraturan
Halus-kasar Halus-kasar
Acak Acak
-
Bervariasi Bervariasi
Tidak beraturan Tidak beraturan
Halus-kasar Halus - kasar
Acak Acak menyebar
Ada
30
31
Tabel 11. Kategori Tutupan Lahan Berdasarkan Kunci Interpretasi Pada Citra ALOS PALSAR (Kombinasi Band 1-2-1) No 1 2 3 4
Kategori Tutupan Lahan Vegetasi/hutan biomassa rendah Vegetasi/hutan biomassa tinggi Tubuh air Lahan pertanian
Warna
Ukuran
Bentuk
Tekstur
Pola
Bayangan
Hijau mudaungu Hijau mudaungu cerah Hitam Ungu muda
Bervariasi
Tidak beraturan
Kasar, terlihat 3 dimensi
Menyebar
-
Bervariasi
Tidak beraturan
Kasar, terlihat 3 dimensi
Menyebar
Ada
Bervariasi Bervariasi
Beraturan Beraturan
Halus Agak halus
Menyebar Sebagian besar mengelompok
-
31
32
Tabel 12. Deskripsi Kelas Penutupan Lahan Pada Citra ALOS PALSAR No 1 2 3 4
Tutupan lahan Vegetasi/hutan biomassa tinggi Vegetasi/hutan biomassa rendah Lahan pertanian Tubuh air
Deskripsi berdasarkan citra Landsat 7 ETM+ Vegetasi/hutan rapat, vegetasi/hutan sedang Vegetasi/hutan jarang, semak belukar, pertanian lahan kering, urban area Sawah basah, sawah kering Tubuh air
Berdasarkan hasil klasifikasi secara visual proses identifikasi pada citra radar lebih sulit untuk diinterpretasi karena tampilan warna dari citra radar yang kurang menarik jika dilihat secara langsung. Citra radar tersusun atas banyak piksel yang merupakan hamburan balik atau backscatter dari obyek yang diamati. Warna yang lebih gelap menandakan hamburan balik yang rendah, dan memungkinkan tidak ada informasi yang diterima dari obyek, sedangkan warna yang lebih terang menandakan hamburan balik yang tinggi. Instrumen
PALSAR pada citra ALOS merupakan sensor radar yang
menggunakan frekuensi saluran L (λ = 19.3~76.9 cm). Sensor ini mempunyai kemudi berkas cahaya (yang dapat diatur) pada elevasi (ketinggian) dan ScanSAR didisain untuk memperoleh cakupan atau sapuan yang lebih lebar dibandingkan SAR konvensional. Data ALOS PALSAR yang digunakan memiliki polarisasi ganda yaitu HH dan HV. Polarisasi HH mengirim dan menerima energi polarisasi secara horizontal (HH), sedangkan HV mengirim energi polarisasi horizontal dan menerima energi polarisasi vertikal (HV). HH adalah polarisasi searah (co-polarization) dan HV adalah polarisasi silang (cross-polarization). Karena rumitnya interaksi sinyal radar dengan obyek dan hasil baliknya (hamburan balik atau backscatter) yang dipengaruhi orientasi lereng, kekasaran permukaan, tutupan vegetasi/hutan, kandungan air pada tanah dan vegetasi/hutan , sehingga tidak selalu dapat diperkirakan apakah citra dengan polarisasi searah atau citra dengan polarisasi silang yang mempunyai informasi lebih baik untuk pengguna tertentu (Lillesand dan Kiefer, 1990). Polarisasi mempengaruhi kenampakan obyek pada citra yang dihasilkan oleh sistem radar. Pada kasus tertentu polarisasi HV menghasilkan citra dengan kontras yang lebih kecil dan menunjukan pembedaan vegetasi/hutan yang sedikit dari citra polarisasi HH.
33
Kekasaran permukaan adalah fungsi variasi relief permukaan bumi yang secara kuat mempengaruhi hamburan balik radar (Lillesand dan Kiefer, 1990). Kekasaran permukaan menyebabkan perbedaan pantulan pulsa radar. Perbedaan pantulan radar dapat digolongkan berdasarkan tiga jenis permukaan obyek, yaitu: pantulan baur (pantulan ke segala arah) menyebabkan rona cerah, pada permukaan kasar seperti daerah berbatu, vegetasi/hutan yang heterogen dan air. Pantulan cermin (arah pantulan berlawanan dengan arah datangnya sinar) menyebabkan rona gelap pada permukaan obyek yang halus, seperti permukaan air tenang dan permukaan tanah yang diratakan atau dikeraskan. Pantulan sudut (pantulan kembali kearah sensor) menyebabkan rona sangat cerah dan melebar pada obyek yang bersudut siku-siku seperti lereng terjal atau cliff (Purwadhi, 2001). Radar melakukan perekaman dengan arah menyamping. Medan yang diindera juga tidak selalu memiliki arah yang sama, sehingga dalam mencitra berbagi relief atau topografi permukaan bumi akan memberikan hasil yang berbeda. Hal ini timbul melalui variasi geometri sensor terhadap medan. Variasi lokal medan mengkibatkan sudut datang sinyal radar yang berbeda-beda. Bila terjadi pada lereng, hasil balik tenaga radar bagi lereng yang menghadap ke arah sensor (lereng depan) akan memantulkan tenaga yang lebih besar dibandingkan lereng yang membelakangi sensor, hal ini menyebabkan citra pada bagian lereng depan akan lebih cerah dibandingkan dengan lereng belakang (Purwadhi, 2001). Kelembaban benda (tanah, batu, vegetasi/hutan dan material lainnya) mempengaruhi seberapa jauh penetrasi energi gelombang mikro menuju ke benda tersebut. Jika tanah memiliki kelembaban yang tinggi, maka penetrasi energi hanya sampai pada kedalaman beberapa sentimeter saja (tidak dalam) sehingga energi akan menghambur lebih kuat dan secara umum menyebabkan rona terang pada citra dan sebaliknya. Pada vegetasi, terutama tanaman pertanian dan kanopi hutan biasanya memiliki kelembaban tinggi dan area permukaan yang relatif luas, sehingga dapat memberikan hamburan balik yang kuat. Kemampuan pulsa radar untuk melakukan penetrasi dipengaruhi oleh panjang gelombang atau frekuensi (parameter sistem).
34
Berdasarkan tampilan kenampakan setiap tutupan lahan dan deskripsinya pada Tabel 9 dapat diketahui : a. datar
Vegetasi/hutan biomassa tinggi, letak obyek secara umum tersebar dari areal (vegetasi/hutan
sedang)
Penampakkan vegetasi/hutan
hingga
berlereng
(vegetasi/hutan
rapat).
pada bagian depan lereng akan lebih cerah
dibandingkan dengan lereng belakang. Pada lereng yang terjal terjadi pantulan sudut, dimana pantulan pulsa radar mengenai permukaan datar sebagai pantulan cermin. Pantulan ini mengenai lereng terjal dan lereng tersebut memantulkan ke antena radar sehingga tampak rona sangat cerah pada citra radar. Bayangan radar terjadi apabila pancaran pulsa radar mengenai bukit. Efek pemendekan lereng depan (fore shortening) terjadi apabila lereng depan lebih landai dari garis tegak lurus terhadap arah pengamatan, karena pulsa radar mencapai bagian bawah terlebih dahulu dari puncaknya. Efek rebah ke dalam (layover) terjadi apabila pancaran pulsa radar membentur puncak terlebih dahulu karena jaraknya yang lebih dekat dari antena sehingga menyebabkan puncak lereng tergambar sebelum bagian bawahnya (terjadi perebahan). b.
Vegetasi/hutan biomassa rendah, letak objek secara umum tersebar pada
areal yang datar hingga berlereng (vegetasi/hutan jarang, semak, pertanian lahan kering dan permukiman). Dengan kenampakan pola yang tidak teratur, pantulan baur permukaan kasar dan kelembaban sedang menghasilkan rona yang sedang. c.
Tubuh air, letak objek yang umumnya pada daerah datar tidak banyak
mempengaruhi kenampakan pada citra. Pantulan yang terjadi adalah pantulan cermin karena permukaan pada tubuh air halus dan memiliki kelembaban yang tinggi sehingga kenampakan rona pada citra gelap. d.
Lahan pertanian, letak obyek pada daerah datar (sawah basah dan sawah
kering) dengan kenampakan pola yang teratur dapat dilihat, pantulan baur permukaan kasar dan kelembaban tinggi menghasilkan rona yang cerah.
35
Tabel 13 . Deskripsi Kelas Penutupan Lahan No 1
Kelas Penutupan Lahan Badan air
2
Sawah basah (awal tanam)
3
Sawah kering (pasca panen)
4
Permukiman
5
Semak atau plk
6
Vegetasi/hutan rapat
7
Vegetasi/hutan sedang
8
Vegetasi/hutan jarang
9
Awan
Deskripsi Lahan yang tergenang air tanpa ada vegetasi/hutan yang menaunginya. Lahan sawah yang sudah ditumbuhi padi (sebelum panen) dan masih banyak mengandung air. Lahan sawah kering (pasca panen). Lahan yang merupakan tempat tinggal dan pusat kegiatan manusia serta jalan. Lahan yang didominasi oleh tumbuhan kecil sampai sedang, tidak mempunyai batang yang jelas, banyak cabang, dan memiliki penutupan lahan yang rapat dan relatif sedang. Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumberdaya alam hayati yang didominasi pepohonan dengan % penutupan tajuk >70%. Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumberdaya alam hayati yang didominasi pepohonan dengan. % penutupan tajuk ± 40-70% Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumberdaya alam hayati yang didominasi pepohonan dengan % penutupan tajuk <40%. Areal yang diliputi oleh awan.
36
E.
Pengolahan Citra Digital (Image Processing) Pengolahan citra digital (image processing) mengacu kepada teknik
klasifikasi citra. Berdasarkan tekniknya, klasifikasi dapat dibedakan menjadi klasifikasi kualitatif dan kuantitatif. Pada klasifikasi kualitatif, pengelompokkan piksel ke dalam suatu kelas yang telah ditetapkan dilakukan oleh interpreter secara manual berdasarkan nilai kecerahan (brightness) maupun warna dari piksel yang bersangkutan. Pada klasifikasi kuantitatif, pengelompokkan dilakukan secara otomatis oleh komputer berdasarkan nilai kecerahan (brightness value atau digital number) contoh yang diambil sebagai contoh (training area). 1.
Klasifikasi Landsat Klasifikasi yang dilakukan pada citra Landsat yaitu klasifikasi kuantitatif
dengan metode klasifikasi terbimbing, yaitu klasifikasi dimana analis mempunyai sejumlah piksel yang mewakili dari masing-masing kelas atau kategori yang diinginkan (Jaya 2007). Metode yang digunakan dalam klasifikasi ini adalah kemungkinan maksimum (maximum likelihood). a.
Penentuan dan Pemilihan Area Contoh (Training Area) Penentuan dan pemilihan lokasi-lokasi area contoh (training area)
dilakukan untuk mengambil informasi statistik kelas-kelas tutupan lahan. Pengambilan informasi statistik dilakukan dengan cara mengambil contoh-contoh piksel dari tiap kelas tutupan lahan dan ditentukan lokasinya pada citra komposit. Informasi statistik dari setiap tutupan lahan ini digunakan untuk menjalankan fungsi separabilitas dan fungsi akurasi. Informasi yang diambil adalah nilai ratarata, simpangan baku, nilai digital minimum, dan maksimum, serta matriks kovarian untuk setiap kelas tutupan lahan. Banyaknya piksel training area yang perlu diambil untuk mewakili masingmasing kelas tutupan lahan adalah sebanyak (N) yang digunakan ditambah satu (N+1). Pembuatan area contoh pada citra Landsat berdasarkan kepada jumlah kelas tutupan lahan yang diperoleh yaitu sebanyak sembilan kelas, dimana seluruh tutupan lahan tersebut dapat teridentifikasi dengan jelas pada citra. Kondisi tutupan lahan pada citra Landsat yang banyak awan cukup menyulitkan dalam pembuatan areal contoh.
37
b.
Analisis Separabilitas Analisis separabilitas adalah analisis kuantitatif yang menunjukan
keterpisahan statistik antar kelas penutupan lahan, apakah suatu kelas layak untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 14. Tabel 14. Kriteria tingkat keterpisahan Nilai Transformasi keterpisahan 2,000 19,000 – 1,999 1,700 – 1,899 1,600 – 1,699 < 1600
Keterangan Sempurna (excellent) Sangat baik (good) Baik (fair) Cukup baik (poor) Tidak terpisahkan (inseparable)
Sumber : Jaya (2007) c.
Akurasi Hasil Klasifikasi Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi adalah
dengan melakukan evaluasi akurasi yaitu dengan membuat matriks kesalahan (error matrix). Matriks kesalahan adalah matriks bujur sangkar yang berfungsi untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai nol yang artinya tidak ada penyimpangan dalam matriks (Lillesand dan Kiefer, 1990). Bentuk matriks kesalahan dapat dilihat pada Tabel 15. Tabel 15. Bentuk matriks kesalahan. Data Acuan Training Area
Diklasifikasikan sebagai kelas A B C D
A Xii B … D Total kolom X+k Xkk/ X+k User’s Accuracy Sumber : Jaya (2002)
Total Baris Xk+
Producer’s Accuracy Xkk/Xk+
Xkk N
Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy. Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena
38
mempertimbangkan semua elemen dalam matriks kesalahan sehingga dinyatakan dengan rumus :
r
Kappa Accuracy (K) =
N∑ k
X
kk
−
r
∑X X k+
+k
k
r
N −∑ X X X x100% X X x100% X k+
2
x 100%
+k
k
Producer’s Accuracy =
kk
k+
User’s Accuracy
=
kk
+k
r
Overall Accuracy
X kk = ∑ k N
dimana :
x100%
N
= Jumlah semua piksel yang digunakan untuk pengamatan
R
= Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)
Xi+ = Jumlah semua kolom pada baris ke-I (Xij) X+j = Jumlah semua kolom pada lajur ke-j (Xij) 2.
Klasifikasi ALOS PALSAR
a.
Klasifikasi tidak terbimbing Klasifikasi ini sering juga disebut dengan klastering (clustering). Klastering
dapat didefinisikan sebagai suatu tehnik klasifikasi atau identifikasi yang merupakan serangkaian proses untuk mengelompokkan observasi (piksel) kedalam suatu kelas atau klaster yang benar dalam suatu set kategori yang disusun (Jaya, 2007). b.
Dendogram Dendogram adalah kurva yang menggambarkan pengelompokan klaster,
untuk memudahkan analisis pengkelasan, Jaya (2007) menyatakan bahwa pengkelasan berdasarkan tingkat kemiripan dari masing-masing ukuran klaster yang digunakan maka diperlukan urutan pengelompokan klaster dari jumlah yang banyak sampai dengan jumlah yang kecil, kurva yang menggambarkan pengelompokan ini disebut dengan dendogram. Teknik penggambarannya disebut dengan
istilah
“nested
atau
hierarchical
classification”.
Metode
penggambarannya terdiri atas metode tetangga terdekat (nearest neighbour method) yaitu metode penggambaran klaster berdasarkan pada jarak terdekat dari anggota klaster. Metode ini sering disebut juga metode “single linkage”
39
c.
Merging Selanjutnya
dilakukan
pengkelasan
kembali
dilakukan
setelah
mempertimbangkan kemiripan (similarity) antara kelas. Kelas yang memiliki jarak dekat dengan kelas lainnya digabungkan (merge) menjadi satu kelas yang sama. Beberapa elemen dasar yang harus diperhatikan dalam melakukan analisis klaster adalah, melakukan
pemilihan unit data dalam citra digital (piksel),
memilih peubah yang akan digunakan band-band atau kanal yang akan digunakan, menentukan apa yang akan diklaster, dalam ilmu remote sensing atau citra digital adalah nilai kecerahan (brightness value) atau yang dikenal dengan istilah DN (digital number), menghomogenkan peubah, mencari ukuran-ukuran kesamaan yang akan digunakan (dissimilarity), menentukan kriteria klastering, mengimplementasikan algoritme dan komputer serta menetapkan jumlah klaster dan labeling. d.
Labeling Labeling merupakan proses pemberian identitas label pada setiap kelas yang
telah dihasilkan. Sebelum memberikan label pada kelas yang telah dihasilkan, maka harus mengetahui ciri-ciri dari obyek yang akan diberi label dengan cara melakukan interpretasi visual dari tiap kelas yang dibandingkan dengan penutupan lahan. e.
Analisis Separabilitas Analisis separabilitas adalah analisis kuantitatif yang menunjukan
keterpisahan statistik antar kelas penutupan lahan, apakah suatu kelas layak untuk digabung atau tidak berdasarkan kriteria tingkat keterpisahan. Kriteria tingkat keterpisahan dapat dilihat pada Tabel 16. Tabel 16. Kriteria Tingkat Keterpisahan Nilai Transformasi Keterpisahan 2,000 19,000 – 1,999 1,700 – 1,899 1,600 – 1,699 < 1,600 Sumber : Jaya (2007)
Keterangan Sempurna (excellent) Sangat baik (good) Baik (fair) Cukup baik (poor) Tidak terpisahkan (inseparable)
40
f.
Akurasi Hasil Klasifikasi Salah satu cara untuk mengevaluasi ketepatan hasil klasifikasi adalah
dengan melakukan evaluasi akurasi yaitu dengan membuat matriks kesalahan (Error matrix). Matriks kesalahan adalah matriks bujur sangkar yang berfungsi untuk melihat penyimpangan klasifikasi yaitu berupa kelebihan jumlah piksel dari kelas yang lain atau kekurangan jumlah piksel pada masing-masing kelas. Idealnya semua elemen yang bukan diagonal dalam matrik tersebut harus bernilai nol yang artinya tidak ada penyimpangan dalam matrik (Lillesand dan Kiefer, 1990). Bentuk matriks kesalahan dapat dilihat pada Tabel 17. Tabel 17. Bentuk Matriks Kesalahan. Data Acuan Training Area A B … D Total kolom User’s Accuracy
Diklasifikasikan sebagai kelas A B C D
Total Baris Xk+
Producer’s Accuracy Xkk/Xk+
Xii Xkk X+k Xkk/X+k
N
Sumber : Jaya (2002) Persentase ketepatan hasil klasifikasi tersebut dapat dilihat dari nilai User’s Accuracy, Producer’s Accuracy, Overall Accuracy dan Kappa Accuracy. Kappa Accuracy merupakan suatu ukuran yang paling banyak digunakan karena mempertimbangkan semua elemen dalam matriks kesalahan yang dinyatakan dengan rumus :
r
N∑
Kappa Accuracy (K) =
k
X
N Producer’s Accuracy =
X X
kk
2
kk
−
−
r
∑X X k+
k
r
∑X X k+
=
x 100%
+k
k
x100%
User’s Accuracy =
k+
r
Overall Accuracy
+k
∑ X k
N
kk
x 100 %
X X
kk +k
x100%
41
dimana : N
= Jumlah semua piksel yang digunakan untuk pengamatan
R
= Jumlah baris atau lajur pada matriks kesalahan (jumlah kelas)
Xi+ = Jumlah semua kolom pada baris ke-I (Xij) X+j = Jumlah semua kolom pada lajur ke-j (Xij) F.
Evaluasi Konsistensi Tutupan Lahan Dalam melakukan pengujian konsistensi tutupan lahan pada citra ALOS dan
Landsat, terlebih dahulu diketahui luas tiap tutupan lahan yang telah dibentuk oleh citra ALOS PALSAR dan Landsat 7 ETM+. Setelah itu dilakukan perbandingan antara jumlah luas tutupan lahan Pulau Jawa tahun 2003 dengan luas tutupan lahan citra ALOS dan Landsat. G.
Pelaporan Pelaporan berupa kelas tutupan lahan hasil klasifikasi citra ALOS PALSAR
dan Landsat 7 ETM+. Adapun tahapan dan metode penelitian disajikan pada Gambar 9.
42
Mulai
Peta digital terkoreksi Pulau
Citra Landsat 7TM
Jawa
Pra-pengolahan citra (koreksi geometrik, radiometrik)
Mosaik
Registrasi
Pemotongan citra (Cropping)
Unsupervised Classification
Supervised Classification
Data Lapangan (Ground-Check)
Citra ALOS PALSAR
Seleksi traning area
1. Merging 2. Labeling
(Analisis Separabilitas)
Analisis Akurasi /Accuracy Assesment
Citra Hasil Klasifikasi Citra Hasil Klasifikasi
Peta Penutupan lahan Landsat
Evaluasi konsistensi
Selesai
Gambar 9. Diagram Alir Metode Penelitian
Peta menutupan lahan ALOS PALSAR
43
BAB IV HASIL DAN PEMBAHASAN A.
Klasifikasi Tidak Terbimbing Citra ALOS PALSAR Metode klasifikasi citra pada citra ALOS PALSAR tahun 2006 (wilayah
Pulau Jawa), menggunakan metode klasifikasi tidak terbimbing (Unsupervised classification). Metode klasifikasi tidak terbimbing digunakan dalam penelitian ini untuk menghasilkan kelas pengelompokkan spektral berdasarkan kesamaan tertentu. Setelah dilakukan metode klasifikasi tidak terbimbing, selanjutnya dilakukan pengklasifikasian kembali menggunakan metode klasifikasi terbimbing (Supervised classification). Metode ini mengkombinasikan antara unsupervised classification dengan supervised classification. Citra ALOS PALSAR dibagi menjadi lima belas kelas awal, selanjutnya dengan menggunakan metode tetangga terdekat (nearest neighbour method) dibentuklah matrik jarak Euclidean yang berisi nilai spektral dari tiap kelas yang dibentuk. Berdasarkan matrik Jarak Euclidean, dibuat pengelompokan kelas nilai spektralnya diurutkan dari kelas yang memiliki nilai spektral terbesar sampai kelas yang memiliki nilai terkecil agar bisa membentuk sebuah dendogram. 1.
Klastering Klasifikasi Citra ALOS PALSAR dengan 15 dan 8 Kelas Klastering (Clustering) adalah serangkaian proses untuk mengelompokkan
observasi piksel kedalam suatu kelas atau klaster yang benar dalam suatu set kategori yang disusun (Jaya, 2007). Pada citra ALOS PALSAR dibentuk lima belas kelas tutupan lahan, Berdasarkan matriks jarak Euclidean pada Tabel 18, kelas-kelas diurutkan untuk membentuk sebuah dendogram menggunakan metode tetangga terdekat (nearest neigbour method) di mulai dari kelas C8 (18.1), C9 (18.1), C11 ( 183.4), C10 (47.0), C7 (191.9), C6 (79.3), C5 (170.5), C4 (21.2), C3 (27.5), C2 (25.1), C1 (157.9), C13 (270.9), C12 (117.3), C14 (279.6), C15 (1,891.6). Adapun dendogram yang dihasilkan dapat dilihat pada Gambar 10.
44
Tabel 18. Matriks Jarak Euclidean 15 Kelas Citra ALOS PALSAR
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14
C2 157.9
C3 307.4 25.1
C4 517.7 104.8 27.5
C5 676.2 187.9 80.3 21.2
C6 1,503.9 697.2 462.1 269.0 170.5
C7 2,221.1 1,207.9 890.1 610.2 461.6 79.3
C8 3,772.9 2,401.9 1,940.9 1,510.5 1,274.9 525.8 208.5
C9 3,643.0 2,302.1 1,853.2 1,435.5 1,207.3 489.1 191.9 18.1
C10 6,181.9 4,383.0 3,750.6 3,140.2 2,800.7 1,612.8 1,011.1 309.5 340.0
C11 5,439.7 3,766.4 3,184.3 2,626.7 2,317.7 1,258.6 740.3 183.4 197.6 47.0
C12 10,705.7 8,287.5 7,407.2 6,536.4 6,046.5 4,223.7 3,210.2 1,795.1 1,881.6 632.3 899.8
C13 8,835.2 6,657.2 5,873.0 5,103.2 4,671.6 3,095.0 2,241.2 1,102.7 1,166.0 270.9 428.0 117.3
C14 14,133.0 11,334.5 10,302.0 9,271.3 8,689.1 6,476.3 5,210.0 3,356.8 3,480.3 1,670.1 2,078.0 279.6 641.9
C15 26,215.6 22,344.7 20,882.8 19,401.0 18,558.4 15,246.0 13,266.7 10,177.7 10,405.5 7,013.2 7,854.8 3,484.3 4,675.8 1,891.6
44
45
Gambar 10. Dendogram Citra ALOS PALSAR 15 Kelas Berdasarkan dendogram pada Gambar 10, terdapat nilai spektral dari kelas yang dibentuk saling berdekatan untuk kelas yang memiliki nilai spektral yang berdekatan maka dari itu, merging (penyatuan) kelas harus dilakukan untuk mengurangi jumlah pembagian kelas yang tidak diperlukan. Kelas yang disatukan menjadi satu kelas baru adalah kelas C2, C3, C4, C5, kelas C6 dengan C7, lalu kelas C8 dengan C9, kelas C10 dengan C11, kelas C12 dengan C13. Sedangkan untuk C1, C14, dan C15 dapat dipisahkan dengan baik,. Pada proses penyatuan kelas ini terbentuk delapan kelas baru. Karena kelas yang dihasilkan masih berupa kelas spektral maka identitas kelas tidak bisa langsung diketahui. Identitas kelas-kelas yang sudah dibentuk bisa diketahui dengan membandingkan antara data hasil klasifikasi dengan data peta tutupan lahan dan hasil klasifikasi citra Landsat 7 ETM+. Kelas yang digabung menjadi satu kelas baru adalah kelas C2, C3, C4, C5 yang didefinisikan sebagai tubuh air 2, sedangkan untuk kelas C1 didefinisikan sebagai tubuh air 1, kelas C6 dengan C7 didefinisikan sebagai lahan tambak, kelas C8 dengan C9 didefinisikan sebagai lahan pertanian, sedangkan kelas C10 dengan
46
C11 didefinisikan sebagai lahan sawah 1, kelas C12 dengan C13 didefinisikan sebagai lahan sawah 2, untuk kelas C14 didefinisikan sebagai vegetasi/hutan biomassa rendah, dan C15 didefinisikan sebagai vegetasi/hutan biomassa tinggi. Dari delapan kelas baru yang terbentuk, untuk mengetahui keterpisahannya kembali dibuat matriks jarak Euclidean dan dendogramnya. Matriks Jarak Euclidean disajikan pada Tabel 19, dendogram disajikan pada Gambar 11, dan gambar hasil klasifikasi citra ALOS PALSAR disajikan pada Gambar 12.
Gambar 11. Dendogram Citra ALOS PALSAR 8 Kelas
47
Tabel 19. Matriks Jarak Euclidean 8 kelas ALOS PALSAR No
Tutupan lahan
1 2 3 4 5 6 7
Tubuh air 1 Tubuh air 2 Lahan tambak Lahan Pertanian Lahan sawah 1 Lahan sawah 2 Vegetasi/hutan biomassa rendah
Tubuh air 2 18.29
Lahan tambak 51.10 35.13
Lahan pertanian 75.55 59.97 24.84
Lahan sawah 1 98.35 83.21 48.11 23.33
Lahan sawah 2 126.52 111.27 76.14 51.30 28.16
Vegetasi/hutan biomassa rendah 162.68 147.89 112.79 87.99 64.68 36.90
Vegetasi/hutan biomassa tinggi 221.33 206.41 171.29 146.46 123.21 95.16 58.65
47
48
Gambar 12. Hasil Unsupervised Classification Citra ALOS PALSAR 8 Kelas 48
49
2.
Klastering Klasifikasi Citra ALOS PALSAR dengan 5 dan 4 Kelas Berdasarkan dendogram pada Gambar 11, masih terdapat kelas yang nilai
spekralnya berdekatan dan dapat digabungkan menjadi satu kelas baru. Kelas yang digabung menjadi kelas baru adalah kelas tubuh air 1 (18.29) dengan tubuh air 2 (18.29), kelas lahan pertanian (24.84), lahan sawah 1 (23.33), dan lahan sawah 2 (28.16) juga disatukan menjadi kelas tutupan lahan yang baru. Setelah dilakukan penyatuan (merging), dihasilkan lima kelas tutupan lahan baru yaitu, tubuh air (35.37) yang merupakan gabungan antara (tubuh air 1 dan tubuh air 2), lahan pertanian (50.47) juga merupakan gabungan antara (lahan pertanian, lahan sawah 1, lahan sawah 2), lahan tambak (62.42), vegetasi/hutan biomassa rendah (50.47) , vegetasi/hutan biomassa tinggi (58.65). Untuk matriks jarak euclideannya disajikan pada Tabel 20, sedangkan untuk dendogram dan hasil klasifikasi citra ALOS PALSAR lima kelas dapat dilihat pada Gambar 13 dan Gambar 14. Tabel 20. Matriks Jarak Euclidean 5 Kelas Citra ALOS PALSAR No 1 2 3 4
Tutupan lahan Tubuh air Lahan Tambak Lahan pertanian Vegetasi/hutan biomassa rendah
Lahan Tambak 35.37
Lahan pertanian 97.78 62.42
Vegetasi/hutan biomassa rendah 148.12 112.79 50.47
Gambar 13. Dendogram Citra ALOS PALSAR 5 Kelas
Vegetasi/hutan biomassa tinggi 206.65 171.29 108.87 58.65
50
Gambar 14. Hasil Unsupervised Classification Citra ALOS PALSAR 5 Kelas
50
51
a)
Separabilitas ALOS PALSAR 5 Kelas Berdasarkan hasil klasifikasi tidak terbimbing yang dilakukan pada citra
ALOS PALSAR menghasilkan lima kelas tutupan lahan yaitu, tubuh air, lahan tambak, vegetasi/hutan biomassa rendah, dan vegetasi/hutan biomassa tinggi. Untuk mengetahui keterpisahan statistik antar kelas tutupan lahan maka dilakukanlah analisis separabilitas menggunakan metode Transformed Divergence (TD). Berdasarkan Tabel 21, dihasilkan nilai separabilitas tiap kelas. Untuk kategori keterpisahan yang sangat baik atau excellent (TD 2,000) sebanyak lima pasang kelas yaitu kelas tutupan lahan, tubuh air dengan vegetasi/hutan biomassa rendah, tubuh air dengan vegetasi/hutan biomassa tinggi, tubuh air dengan lahan pertanian, lahan tambak dengan vegetasi/hutan biomassa rendah, lahan tambak dengan vegetasi/hutan biomassa tinggi. Untuk keterpisahan sangat baik atau good (TD 1,900-1,999) sebanyak dua pasang kelas yaitu hubungan antara tubuh air– lahan tambak, lahan pertanian–lahan tambak. Untuk keterpisahan baik atau fair (TD 1,800-1,900) sebanyak satu pasang kelas yaitu hubungan kelas lahan pertanian dan vegetasi/hutan biomassa tinggi, yang menunjukan keterpisahan kurang baik atau poor (TD 1,600-1,800) hubungan antara vegetasi/hutan biomassa tinggi dengan vegetasi/hutan biomassa rendah. Terdapat satu pasang kelas yang masuk kedalam kategori tidak terpisahkan (inseparable), yaitu hubungan antara vegetasi/hutan biomassa rendah dengan lahan pertanian. Adanya pasangan yang masuk dalam kriteria kurang baik dan tidak terpisahkan disebabkan karena secara spektral nilai antara kelas yang bersangkutan relatif hampir sama. Tabel 21. Tabel Nilai Separabilitas Citra ALOS PALSAR 5 Kelas No
Tutupan lahan
1
Vegetasi/hutan biomassa rendah Vegetasi/hutan biomassa tinggi Lahan tambak Tubuh air
2 3 4
Vegetasi/hutan biomassa tinggi 1,739
Lahan tambak 2,000
Tubuh air 2,000
Lahan pertanian 1,542
2,000
2,000
1,839
1,999
1,988 2,000
52
Karena klasifikasi citra ALOS PALSAR kedalam lima kelas penutupan lahan masih menunjukan adanya kombinasi kelas penutupan lahan yang belum terpisahkan, maka dilakukan kembali klasifikasi kedalam empat kelas penutupan lahan yang lebih sederhana. Berdasarkan dendogram pada klasifikasi citra ALOS PALSAR lima kelas pada Gambar 10 dan nilai separabilitas citra ALOS PALSAR lima kelas pada Tabel 21, maka dihasilkan empat kelas penutupan lahan yaitu, tubuh air, merupakan gabungan dari kelas penutupan lahan tubuh air dan lahan tambak. Kelas penutupan lahan pertanian, vegetasi/hutan biomassa rendah, vegetasi/hutan biomassa tinggi tetap menjadi satu kelas tutupan lahan sendiri. Jika dilihat dari matriks jarak Euclidean yang dihasilkan pada Tabel 22, serta dendogram pada Gambar 12. Untuk nilai spektral dari kelas tubuh air sebesar (97.15), lahan pertanian sebesar (50.47), vegetasi/hutan biomassa rendah (50.47), vegetasi/hutan biomassa tinggi (58.65). Berdasarkan nilai spektralnya kelas tutupan lahan tubuh air memiliki nilai yang tinggi dibandingkan dengan kelas tutupan lahan lainnya sehingga bisa terpisahkan dengan baik, sedangkan untuk kelas lahan pertanian, vegetasi/hutan biomassa rendah, dan vegetasi/hutan biomassa tinggi memiliki nilai spektral yang berdekatan sehingga masih mungkin dilakukan penyatuan kelas tutupan lahan pada citra ALOS PALSAR. Tabel 22. Matriks Jarak Euclidean Citra ALOS PALSAR 4 Kelas No 1 2 3
Tutupan lahan Tubuh air Lahan pertanian Vegetasi/hutan biomassa rendah
Lahan pertanian 97.15
Vegetasi/hutan biomassa rendah 147.48 50.47
Vegetasi/hutan biomassa tinggi 206.01 108.87 58.65
53
Gambar 15. Dendogram Citra ALOS PALSAR 4 Kelas b) Separabilitas ALOS PALSAR 4 Kelas Tabel 23. Tabel Nilai Separabilitas Citra ALOS PALSAR 4 Kelas No
Tutupan lahan
1
Vegetasi/hutan biomassa rendah Vegetasi/hutan biomassa tinggi Lahan pertanian
2 3
Vegetasi/hutan biomassa tinggi
Lahan pertanian
Tubuh air
1,739
1,542
2,000
1,839
2,000 2,000
Berdasarkan Tabel 23. dihasilkan nilai separabilitas atau keterpisahan antara pasangan tiap kelas tutupan lahan pada citra ALOS PALSAR. Untuk kategori keterpisahan yang sangat baik atau excellent (TD 2,000) sebanyak empat pasang kelas yaitu kelas tutupan lahan, tubuh air dengan vegetasi/hutan biomassa rendah, tubuh air dengan vegetasi/hutan biomassa tinggi, tubuh air dengan lahan pertanian tinggi. Untuk keterpisahan baik atau fair (TD 1,800-1,900) sebanyak satu pasang kelas yaitu hubungan kelas lahan pertanian dan vegetasi/hutan biomassa tinggi, yang menunjukan keterpisahan kurang baik atau poor (TD 1,600-1,800) hubungan antara vegetasi/hutan biomassa tinggi dengan vegetasi/hutan biomassa rendah. Terdapat satu pasang kelas yang masuk ke dalam kategori tidak terpisahkan (inseparable), yaitu hubungan antara vegetasi/hutan biomassa rendah dan lahan pertanian.
54
Kelas tutupan lahan tubuh air sudah bisa terpisahkan dengan baik, karena secara spektral nilai antar kelas tubuh air dan tutupan lahan yang lain tidak berdekatan atau berbeda. Berdasarkan dendogram pada Gambar 15 jumlah nilai spektral tutupan lahan tubuh air sebesar air 97.15. Pada kelas tutupan lahan, lahan pertanian, vegetasi/hutan biomassa dan vegetasi/hutan biomassa tinggi tingkat keterpisahannya masih rendah, dan ada yang belum terpisahkan antar kelas penutupan lahannya. Hal ini disebabkan karena secara spektral nilai antara kelas yang bersangkutan relatif hampir sama. Berdasarkan dendogram pada Gambar 15, untuk vegetasi/hutan biomassa rendah dan lahan pertanian memiliki nilai spektral yang sama yaitu 50.47, sedangkan vegetasi/hutan biomassa rendah memiliki nilai spektral sebesar 58.65. Hasil klasifikasi citra ALOS PALSAR 4 kelas disajikan pada Gambar 16.
55
Gambar 16. Hasil Unsupervised Classification Citra ALOS PALSAR 4 Kelas.
55
56
B.
Klasifikasi Terbimbing Citra ALOS PALSAR Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan
analis (supervised). Kriteria pengelompokkan kelas ditetapkan berdasarkan perciri kelas (kelas signature) yang diperoleh melalui permbuatan training area. (Jaya, 2007). Dasar dalam menentukan kelas-kelas pada klasifikasi terbimbing ini, adalah jumlah klaster yang telah terbentuk pada saat melakukan klasifikasi tidak terbimbing pada citra ALOS PALSAR. Pengelompokan kelas pada citra ALOS PALSAR ke dalam empat kelas tutupan lahan menggunakan metode klasifikasi tidak terbimbing masih menghasilkan pasangan kelas tidak terpisahkan (inseparable). Maka dari itu dilakukan pengklasifikasian kembali pada citra ALOS PALSAR menggunakan metode klasifikasi terbimbing untuk melihat kemampuan citra ALOS untuk membedakan penutupan lahan di Pulau Jawa. Berdasarkan Gambar 17. Hasil klasifikasi citra pada citra ALOS PALSAR menggunakan klasifikasi terbimbing dapat dikelaskan menjadi empat kelas tutupan lahan yang terdiri dari, tubuh air, vegetasi/hutan biomassa tinggi, vegetasi/hutan biomassa rendah, dan lahan pertanian. a.
Separabilitas citra ALOS PALSAR Berdasarkan Tabel 24 dihasilkan nilai separabilitas tiap kelas. Untuk
kategori keterpisahan yang sangat baik atau excellent (TD 2,000) sebanyak empat pasang kelas yaitu kelas tutupan lahan, tubuh air dengan vegetasi/hutan biomassa rendah, tubuh air dengan vegetasi/hutan biomassa tinggi, tubuh air dengan lahan pertanian, lahan pertanian dengan vegetasi/hutan biomassa tinggi. Untuk keterpisahan sangat baik atau good (TD 1,900-1,999) sebanyak dua pasang kelas yaitu hubungan antara vegetasi/hutan biomassa rendah dengan vegetasi/hutan biomassa tinggi dan lahan pertanian dengan vegetasi/hutan biomassa rendah. Pembentukan kelas penutupan lahan pada citra ALOS PALSAR dibagi ke dalam empat kelas penutupan lahan menggunakan metode klasifikasi terbimbing, menghasilkan nilai keterpisahan yang lebih baik dibandingkan dengan menggunakan metode klasifikasi tidak terbimbing.
57
Tabel 24. Matrik Separabilitas Citra ALOS PALSAR No
Tutupan lahan
1
Vegetasi/hutan biomassa tinggi Tubuh air Lahan pertanian
2 3
b.
Tubuh air
Lahan pertanian
2,000
2,000
Vegetasi/hutan biomassa rendah 1,927
2,000
2,000 1,944
Evaluasi Akurasi Hasil Klasifikasi Berdasarkan perhitungan matrik kesalahan pada citra ALOS PALSAR
menggunakan metode klasifikasi terbimbing menghasilkan Kappa Accuracy (KA) sebesar 96.38 % dan Overall Accuracy (OA) sebesar 94.80 %. Hal ini menunjukan bahwa dari seluruh piksel yang digunakan pada area contoh sebesar 96.38 % dari piksel-piksel tersebut dapat terkelaskan dengan benar. Hasil matriks kontingensi dapat dilihat pada Tabel 25. Tabel 25. Matriks Kontingensi Dari Area Contoh Pada Citra ALOS PALSAR Tutupan lahan 1. Vegetasi/hutan biomasaa rendah 2. Tubuh air 3. Lahan pertanian 4. Vegetasi/hutan biomassa tinggi Total UA (%) OA (%) KA (%)
Vegetasi/hutan biomassa rendah 124
Tubuh air
Lahan pertanian
Vegetasi/hutan biomassa tinggi 0
Total
PA (%)
124
100
0
0
0 0 1
25 0 0
0 91 5
0 31 449
25 122 455
100 74 98
125 99.20 94.90 96.38
25 100
96 95
480 93.54
726
689
58
Gambar 17. Hasil Supervised Classification Citra ALOS PALSAR
58
59
C.
Klasifikasi Citra Landsat 7 ETM+ Berdasarkan hasil klasifikasi citra pada citra Landsat 7 ETM+ yang
dilakukan dengan metode klasifikasi terbimbing dapat dikelaskan menjadi sembilan kelas yang terdiri dari vegetasi/hutan rapat, vegetasi/hutan sedang, vegetasi/hutan jarang, sawah kering, sawah basah, pemukiman, semak atau PLK (Pertanian Lahan Kering), tubuh air, dan awan. Adapun hasil klasifikasi pada citra Landsat 7 ETM+ dapat dilihat pada Gambar 18. 1.
Analisis Separabilitas Analisis tingkat keterpisahan (separabilitas) diperlukan untuk menunjukan
tingkat keterpisahan statistik antar kelas berdasarkan nilai rata-rata digital number tiap kelas tutupan lahan, untuk melihat apakah kelas tersebut layak digabung atau tidak. Nilai separabilitas yang diperoleh dengan menggunakan kombinasi seluruh band yang ada pada citra Landsat 7 ETM+ menunjukan keterpisahan yang sangat baik atau excellent (TD 2,000) sebanyak 25 pasang kelas, sepuluh pasang kelas terpisahkan baik atau good (TD 1,900-1,999). Adapun matrik separabilitas yang dihasilkan dapat dilihat pada Tabel 26. 2.
Analisis Akurasi Hasil Klasifikasi Berdasarkan perhitungan matrik kesalahan pada citra Landsat 7 ETM+
menghasilkan Kappa Accuracy (KA) sebesar 88.29 % dan Overall Accuracy (OA) sebesar 86.52 %. Hal ini menunjukkan bahwa dari seluruh piksel yang digunakan pada area contoh sebesar 86.52 % dari piksel-piksel tersebut dapat terkelaskan dengan benar. Hasil matrik kontingensi dapat dilihat pada Tabel 27. Citra Landsat 7 ETM+ dengan kemampuan resolusi 30 x 30 meter dan memiliki 7 saluran (band) mampu mengklasifikasi sembilan kelas penutupan lahan di Pulau Jawa yaitu vegetasi/hutan rapat, vegetasi/hutan sedang, vegetasi/hutan jarang, sawah kering, sawah basah, pemukiman, semak atau PLK, tubuh air, dan awan.
60
Tabel 26. Matrik Separabilitas Citra Landsat 7 ETM+ No
Tutupan lahan
1 2 3 4 5 6
Sawah basah Pemukiman Tubuh air Semak/plk Awan Vegetasi/hutan sedang Vegetasi/hutan jarang Sawah kering
7 8
Pemukiman 2,000
Tubuh air 2,000 2,000
Semak/PLK
Awan
2,000 2,000 2,000
1,906 2,000 2,000 2,000
Vegetasi/hutan sedang 2,000 2,000 2,000 1,974 1,999
Vegetasi/hutan jarang 1,993 2,000 2,000 1,999 1,939 1,948
Sawah kering 2,000 1,994 2,000 2,000 1,998 2,000
Vegetasi/hutan rapat 2,000 2,000 1,976 2,000 2,000 1,991
2,000
2,000 2,000
60
61
Tabel 27. Matriks Kontingensi dari Area Contoh Pada Citra Landsat 7 ETM+ No Tutupan lahan
Awan
1. 2. 3. 4. 5. 6.
482 25 18 42 0 0
Awan Sawah basah Pemukiman Tubuh air Semak/PLK Vegetasi/hutan sedang 7. Vegetasi/hutan jarang 8. Sawah kering 9. Vegetasi/hutan rapat Total UA (%) OA KA
Sawah basah 12 377 0 1 0 0
Pemukiman 0 0 143 0 0 0
Tubuh air 0 0 0 226 0 0
Semak/PLK 0 0 2 0 224 1
Vegetasi/ hutan sedang 0 0 0 0 8 513
Vegetasi/ hutan jarang 23 1 1 1 0 10
Sawah kering 12 0 7 0 0 0
Vegetasi/ hutan rapat 2 0 0 11 3 81
Total PA (%) 531 403 171 281 235 605
90.77 93.55 83.63 80.43 95.32 84.79
14
1
1
0
3
35
490
3
5
552
88.77
68 0
0 0
1 0
0 54
0 3
0 44
4 2
617 0
0 692
690 795
89.42 87.04
391 96.42
145 98.62
639 96.56
792 87.37
649 74.27 88.29 86.52
280 80.71
233 96.14
600 85.50
534 91.76
4,263
3,764
61
62
Gambar 18. Hasil Klasifikasi Pada Citra Landsat 7 ETM+
62
63
D.
Evaluasi Citra Landsat 7 ETM+ dan Citra ALOS PALSAR Untuk Skala Regional
1.
Hasil Klasifikasi Tidak Terbimbing Citra ALOS PALSAR Berdasarkan hasil klasifikasi tidak terbimbing citra ALOS PALSAR, jumlah
luasan masing-masing kelas tutupan lahan hasil klasifikasi citra ALOS PALSAR ini tersaji pada Tabel 28. Tabel 28. Luas 4 Kelas Tutupan Lahan Citra ALOS PALSAR Metode Unsupervised classification. No
Tutupan lahan
Luas (Ha)
Persen
1
Vegetasi/hutan biomassa rendah
4,513,398.63
34.24
2
Vegetasi/hutan biomassa tinggi
2,548,908.74
19.34
3
Tubuh air
325,966.52
2.47
4
Lahan pertanian
5,794,094.46
43.95
13,182,368.31
100
Total
Kelas tutupan lahan yang mendominasi adalah lahan pertanian sebesar 5,794,094. 46 ha (43.95%), untuk vegetasi/hutan biomassa rendah luasnya 4,513,398.63 ha (34.24%), vegetasi/hutan biomassa tinggi seluas 2,548,908.74 ha (19.34%), dan tubuh air seluas 325,966.52 ha (2.47%). 2.
Hasil Klasifikasi Terbimbing Citra ALOS PALSAR Berdasarkan hasil klasifikasi terbimbing (Supervised classification) citra
ALOS PALSAR, jumlah luasan masing-masing kelas tutupan lahan hasil klasifikasi citra ALOS PALSAR ini tersaji pada Tabel 29. Kelas tutupan lahan yang mendominasi adalah pertanian memiliki luas 5,735,114,42 ha (43.51%), vegetasi/hutan biomassa rendah seluas 4,796,256.88 ha (36.39%). Tubuh air seluas 89,496.30 ha (0.68%), dan vegetasi/hutan biomassa tinggi seluas 2,560,513.42 ha (19.43%). Tabel 29. Luas Kelas Tutupan Lahan Citra ALOS PALSAR Metode Supervised classification No 1 2 3 4
Kelas Tutupan Lahan Vegetasi/hutan biomassa rendah Vegetasi/hutan biomassa tinggi Tubuh air Lahan pertanian Total
Luas (Ha) 4,796,256.88 2,560,513.42 89,496.30 5,735,114.42 13,181,381.03
Persen 36.39 19.43 1.00 43.51 100
64
3.
Hasil Klasifikasi Citra Landsat 7 ETM+ Dengan Metode Terbimbing Hasil klasifikasi citra Landsat 7 ETM+ dengan menggunakan metode
kemungkinan maksimum dapat memberikan nilai akurasi yang memenuhi standar klasifikasi yang baik yaitu dengan nilai akurasi diatas 85%. Dari hasil klasifikasi tersebut diperoleh data mengenai jumlah piksel masing-masing kelas pada setiap Area of Interest (AOI). Jumlah piksel ini kemudian dikonversikan ke dalam satuan luas (ha) untuk memudahkan dalam analisis. Jumlah luasan masing-masing kelas tutupan lahan hasil klasifikasi citra Landsat 7 ETM+ ini tersaji pada Tabel 30. Tabel 30. Luas Kelas Tutupan Lahan Citra Landsat 7 ETM+ Kelas Tutupan Lahan
No 1 2 3 4 5 6 7 8 9
Vegetasi/hutan Rapat Vegetasi/hutan sedang Vegetasi/hutan jarang Sawah kering Sawah basah Urban area Semak, PLK Tubuh air Awan Total
Luas (ha) 398,145.70 1,469,191.64 3,593,658.04 1,812,400.33 1,095,270.95 712,698.99 1,800,242.04 174,983.55 2,186,583.09 1,324,3174.3
Persen 3.01 11.09 27.14 13.69 8.27 5.38 13.59 1.32 16.51 100
Berdasarkan Tabel 30, kelas tutupan lahan yang mendominasi adalah vegetasi/hutan jarang sebesar 3,593,658.04 ha (27.14%), kelas tutupan awan memiliki luasan yang cukup luas sebesar 2,186,583.09 ha (16.51%). Pada citra Landsat tutupan awan yang cukup banyak lebih dari 5% luasan keseluruhan sangat
mengurangi
keakurasian
serta
ketepatan
didalam
melakukan
pengklasifikasian tutupan lahan pada suatu wilayah. Untuk luasan sawah pada wilayah Pulau Jawa sebesar 1,812,400.33 ha (27.14%) untuk sawah kering, sedangkan sawah basah seluas 1,095,270.95 ha (8.27%). vegetasi/hutan rapat seluas 398,145.70 ha (3.01%), vegetasi/hutan sedang seluas 1,469,191.64 ha (11.09%) , sedangkan untuk pemukiman memiliki luasan sebesar 712,698.99 ha (5.38 %), untuk semak atau PLK 1,800,242.04 ha (13.59%), dan tubuh air 174,983.55 ha (1.32 %).
65
Tabel 31. Hasil Klasifikasi Tutupan Lahan Citra Landsat 7ETM+ dan ALOS PALSAR No Kelas Tutupan Lahan Landsat 7 ETM+ 1 Vegetasi/hutan rapat
Luas (ha) 398,145.70
2
Vegetasi/hutan sedang
1,469,191.64
3 4 5 6 7 8 9
Vegetasi/hutan jarang Sawah kering Sawah basah Urban area Semak/PLK Tubuh air Awan
3,593,658.04 1,812,400.33 1,095,270.95 712,698.99 1,800,242.04 174,983.55 2,186,583.09 1,324,3174.3
No Kelas Tutupan Lahan ALOS PALSAR 1. Vegetasi/hutan biomassa rendah 2. Vegetasi/hutan biomassa tinggi 3. Tubuh air 4. Lahan Pertanian
Luas (ha) Metode Tidak Terbimbing 4,513,398.63
Luas (ha) Metode Terbimbing 4,796,256.88
2,548,908.74
2,560,513.42
325,966.52 5,794,094.46
89,496.30 5,735,114.42
66
4.
Perbadingan Antara Citra Landsat 7 ETM+ dan ALOS PALSAR Berdasarkan Tabel 32. Hasil klasifikasi terbimbing dan tidak terbimbing
citra ALOS PALSAR dengan resolusi 200 x 200 meter berhasil mengidentifikasi empat kelas tutupan lahan. Sedangkan hasil klasifikasi citra Landsat 7 ETM+ dengan resolusi 30 x 30 meter berhasil mengidentifikasi sembilan kelas tutupan lahan. Perbandingan luas tutupan lahan yang dihasilkan dari citra Landsat 7 ETM+ dengan citra ALOS PALSAR hasil klasifikasi menggunakan metode klasifikasi tidak terbimbing (Unsupervised Classification) dan (Supervised Classification) disajikan pada Tabel 32. Luasan masing-masing tutupan lahan citra ALOS hasil klasifikasi tidak terbimbing yaitu, lahan pertanian sebesar 5,794,094.46 ha (43.95%), untuk vegetasi/hutan biomassa rendah luasnya 4,513,398.63 ha (34.24%), vegetasi/hutan biomassa tinggi seluas 2,548,908.7 ha (19.34%), dan tubuh air seluas 325,966.52 ha (2.47%). Luasan masing-masing tutupan lahan citra ALOS hasil klasifikasi terbimbing yaitu, lahan pertanian memiliki luas 5,735,114,42 ha (43.51%), vegetasi/hutan biomassa rendah seluas 4,796,256.88 ha (36.39%),
tubuh air
seluas 89,496.30 ha (1%), dan vegetasi/hutan biomassa tinggi seluas 2,560,513.42 ha (19.43%). Persen luasan tiap tutupan lahan citra ALOS PALSAR dengan metode tidak terbimbing (Unsupervised Classification) dan metode terbimbing (Supervised Classification) tersaji pada Gambar 19 dan Gambar 20.
Gambar 19. Diagram Luas Tutupan Lahan Hasil Klasifikasi Citra ALOS PALSAR dengan Metode Tidak Terbimbing (Unsupervised Classification).
67
Gambar 20. Diagram Luas Tutupan Lahan Hasil Klasifikasi Citra ALOS PALSAR dengan Metode Terbimbing (Supervised Classification). Sedangkan hasil klasifikasi terbimbing citra Landsat 7 ETM+ menunjukkan hasil yang lebih baik jika dibandingkan dengan ALOS PALSAR dimana sembilan kategori tutupan lahan dapat diidentifikasi yakni, vegetasi/hutan rapat 398,145.70 ha (3.01%), vegetasi/hutan sedang 1,469,191.64 ha (11.09%), vegetasi/hutan jarang 3,593,658.04 ha (27.14%), sawah kering 1,812,400.33 ha (13.69%), sawah basah 1,095,270.95 ha (8.27%), pemukiman 712,698.99 ha (5.38 %), semak/PLK 1,800,242.04 ha (13.59%), badan air 174,983.55 ha (1.32 %), dan awan 2,186,583.09 ha (16.51%). Tutupan lahan awan pada citra Landsat 7 ETM+ memiliki total luas sebesar 2,186,583.09 ha (16.51%). Tutupan awan yang cukup tinggi menyebabkan tidak teridentifikasinya jenis tutupan lahan yang ada dibawah awan. Jadi dari citra Landsat 7ETM+ terdapat 16.51% data yang hilang atau tidak bisa teridentifikasi. Luasan tiap tutupan lahan citra Landsat metode terbimbing (Supervised classification) tersaji pada Gambar 21.
68
Gambar 21. Diagram Luas Tutupan Lahan Hasil Klasifikasi Citra Landsat 7 ETM+ dengan Metode Terbimbing (Supervised Classification).
69
Tabel 32. Perbandingan Luas Masing-Masing Penutupan Lahan Pada Citra ALOS PALSAR No Tutupan lahan 1 2 3 4
Vegetasi/hutan biomassa rendah Vegetasi/hutan biomassa tinggi Tubuh air Lahan pertanian Total
Citra ALOS PALSAR Unsupervised Classification Luas Persen
Citra ALOS PALSAR Supervised Classification Luas Persen
4,513,398.63
34.24
4,796,256.88
36.39
254,8908.74
19.34
2,560,513.42
19.43
325,966.52 5,794,094.46 13,182,368.31
2.47 43.95 100
89,496.30 5,735,114.42 13,181,381.03
0.68 43.51 100
69
70
Tabel 33. Hasil Klasifikasi Citra Landsat 7 ETM+ dan ALOS PALSAR Tampilan Citra ALOS PALSAR No Tampilan Citra Landsat (Unsupervised Classification) 1 Tubuh air
2
Vegetasi/hutan Rapat
Tampilan Citra ALOS PALSAR (Supervised Classification)
Deskripsi Tubuh air Lahan yang tergenang air tanpa ada vegetasi/hutan yang menaunginya.
Vegetasi/hutan rapat Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dengan % penutupan tajuk >70%.
70
71
Tabel 33. Lanjutan No Tampilan Citra Landsat 3
Vegetasi/hutan sedang
4
Vegetasi/hutan jarang
Tampilan Citra ALOS PALSAR (Unsupervised Classification)
Tampilan Citra ALOS PALSAR (Supervised Classification)
Deskripsi Vegetasi/hutan sedang Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dengan % penutupan tajuk ± 40-70%. Vegetasi/hutan jarang Suatu satu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dengan % penutupan tajuk < 40%.
71
72
Tabel 33. Lanjutan No Tampilan Citra Landsat 5
Tampilan Citra ALOS PALSAR (Unsupervised Classification)
Tampilan Citra ALOS PALSAR (Supervised Classification)
Deskripsi
Pemukiman Pemukiman Lahan yang merupakan tempat tinggal dan pusat kegiatan manusia, serta jalan.
6
Awan Awan Areal yang diliputi oleh awan.
72
73
Tabel 33. Lanjutan No Tampilan Citra Landsat
Tampilan Citra ALOS PALSAR (Unsupervised Classification)
Tampilan Citra ALOS PALSAR (Supervised Classification)
Deskripsi
7
Sawah basah
Sawah basah Lahan sawah yang sudah ditumbuhi padi (sebelum panen) dan masih banyak mengandung air.
8
Semak
Semak Lahan yang didominasi oleh tumbuhan kecil sampai sedang, tidak mempunyai batang yang jelas, banyak cabang, dan memiliki penutupan lahan yang rapat dan relatif sedang.
73
74
Tabel 33. Lanjutan No Tampilan Citra Landsat 9
Sawah kering
Tampilan Citra ALOS PALSAR (Unsupervised Classification)
Tampilan Citra ALOS PALSAR (Supervised Classification)
Deskripsi Sawah kering Lahan sawah kering (pasca panen).
74
KESIMPULAN DAN SARAN A. Kesimpulan Citra ALOS PALSAR resolusi rendah mampu dikelaskan menjadi 4 kelas tutupan lahan yang terdiri dari, tubuh air, vegetasi/hutan biomassa tinggi, vegetasi/hutan biomassa rendah, dan lahan pertanian. Akurasi dari citra ALOS PALSAR adalah 96.38 % (Kappa Accuracy) dan 94.80 % (Overall Accuracy). Luasan masing-masing tutupan lahan citra ALOS PALSAR hasil klasifikasi tidak terbimbing (Unsupervised Classification), yaitu: lahan pertanian seluas 5,794,094.46 ha (43.95%), vegetasi/hutan biomassa rendah seluas 4,513,398.63 ha (34.24%), vegetasi/hutan biomassa tinggi seluas 2,548,908.7 ha (19.34%), dan tubuh air seluas 325,966.52 ha (2.47%). Sedangkan, luasan masing-masing tutupan lahan citra ALOS PALSAR hasil klasifikasi terbimbing (Supervised Classification) yaitu: lahan pertanian seluas 5,735,114.42 ha (43.51%), vegetasi/hutan biomassa rendah seluas 4,796,256.88 ha (36.39%), tubuh air seluas 89,496.30 ha (0.68%), dan vegetasi/hutan biomassa tinggi seluas 2,560,513.42 ha (19.43%). Hasil klasifikasi terbimbing (Supervised Classification) citra Landsat 7 ETM+ menunjukan
hasil yang lebih baik jika dibandingkan dengan ALOS
PALSAR dimana sembilan kategori tutupan lahan dapat diidentifikasi, yakni: vegetasi/hutan rapat 398,145.70 ha (3.01%), vegetasi/hutan sedang 1,469,191.64 ha (11.09%), vegetasi/hutan jarang 3,593,658.04 ha (27.14%), sawah kering 1,812,400.33 ha (27.14%), sawah basah 1,095,270.95 ha (8.27%), pemukiman 712,698.99 ha (5.38 %), semak/PLK 1,800,242.04 ha (13.59%), badan air 174,983.55 Ha (1.32 %), dan awan 2,186,583.09 ha. (16.51%). B.
Saran Perlunya penelitian lebih lanjut dengan menggunakan citra ALOS PALSAR
yang memiliki resolusi spasial yang tinggi di berbagai ekosistem hutan.
BAB VI DAFTAR PUSTAKA Arifin S. 2007. Identifikasi penutupan lahan menggunakan data polarimetrik satelit ALOS PALSAR. Dalam: Berita INDERAJA LAPAN: Edisi Juli Volume VI No. 11: 34-38. Badan Planologi Kehutanan. 2005. Perhitungan Ulang Penutupan Lahan Berhutan dan Tidak Berhutan pada Kawasan Hutan dan Areal Penggunaan Lain. Jakarta: Departemen Kehutanan. BPS Jakarta. 2007. Proyeksi Penduduk Indonesia 2005-2015, Jakarta: BPS Carolita I, A Tjahjaningsih, M Nur. 2007. Indonesia ALOS pilot project: kerjasama internasional LAPAN dan JAXA (Jepang), untuk berbagai aplikasi inderaja. Dalam: Berita INDERAJA LAPAN: Edisi Juli Volume VI, No. 11: 48-50. Departemen Kehutanan. 2006. Rencana Pembangunan Jangka Panjang Kehutanan Tahun 2006- 2007. Jakarta: Departemen Kehutanan. Howard JA. 1991. Penginderaan Jauh Untuk Sumberdaya Hutan. Yogyakarta: Gajah Mada University Press. Lo CP. 1996. Penginderaan Jauh Terapan. Bambang Purbowaseso, penerjemah. Jakarta: Universitas Indonesia Press. Jaya INS. 2007. Analisis Citra Dijital: Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor: Departemen Manajemen Hutan. Fakultas Kehutanan. Jaya INS. 2006. Fotogrametri dan Penafsiran Potret Udara di Bidang Kehutanan. Bogor: Laboratorium Inventarisasi Sumberdaya Hutan. Laboratorium Fisik Remote Sensing dan GIS. Fakultas Kehutanan. Institut Pertanian Bogor. Jaya INS, S Sutarahardja, S Hardjoprajitno, L Mulyanto, T Lastini. 2006. Pengolahan Citra Resolusi 2,5 m dan/atau 5 m dan/atau 10 ) dalam Rangka Penaksiran Sumber Daya Hutan Pulau Kalimantan. Bogor: Departemen Manajemen Hutan. Fakultas Kehutanan. Institut Pertanian Bogor. JAXA Earth Observation Research Center. http://www.eorc.jaxa.jp/alos/about/about_index.htm. (24 Agustus 2008).
77
Jusuf R, Sukentyas E S. 2007. Data ALOS : data satelit baru yang dipasarkan LAPAN. Dalam: Berita INDERAJA LAPAN: Edisi Juli Volume VI, No. 11: 42-47. Lillesand T M. and RW Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra. Dulbari et al, penerjemah. Yogyakarta: Gadjah Mada University Press. Prahasta E. 2005. Sistem Informasi Geografis : Konsep-konsep Dasar. Bandung: Informatika. Priyatna D. 2007. Deteksi Perubahan Tutupan Lahan di DAS Cisadane Bagian Hulu Menggunakan Data Landsat Multiwaktu [Skripsi]. Bogor: Fakultas Kehutanan. Institut Pertanian Bogor. Bogor. Purwadhi SH. 2001. Interpretasi Citra Digital. Jakarta: PT Gramedia Widiasarana Indonesia. Rachmawanti, H. 2003. Penginderaan Jauh dan Sistem Informasi Geografis Dalam pemetaan Penutupan dan Penggunaan Lahan di Kawasan Hutan Kabupaten Bogor Tahun 2000[Skripsi]. Bogor: Fakultas Kehutanan. Institut Pertanian Bogor. Bogor. Raimadoya MA. dan BH Trisasongko. 2003. Dasar-dasar Interpretasi Foto Udara. Jurusan Tanah. Bogor: Fakultas Pertanian. Institut Pertanian Bogor. Suhendang E. 2002. Pengantar Ilmu Kehutanan. Bogor: Yayasan Penerbit Fakultas Kehutanan. Kampus Fakultas Kehutanan. Institut Pertanian Bogor. Tejakusuma BS, Ratih D, ES Adiningsih. Kustiyo. 2007. Pantauan banjir di Jakarta menggunakan data ALOS. Dalam: Berita INDERAJA LAPAN: Edisi Juli Volume VI, No. 11: 32-33. Venus, S. 2007. Klasifikasi Penutupan Lahan Menggunakan Citra Satelit Quickbird di Kecamatan Rumpin Kabupaten Bogor [Skripsi]. Bogor: Fakultas Kehutanan. Institut Pertanian Bogor. Bogor. Wikipedia. 2008. Geografi Pulau Jawa http://id.wikipedia.org/wiki/ Geografi Pulau Jawa .html (24 Agustus 2008). Wikipedia. 2008. Jawa Tengah http://id.wikipedia.org/wiki/Jawa_Tengah (26 Agustus 2008). Wikipedia. 2008. Jawa Barat http://id.wikipedia.org/wiki/Jawa_Barat (26 Agustus 2008).
LAMPIRAN
Lampiran 1. Nilai GCP Hasil Koreksi Geometrik Citra ALOS PALSAR No
Point ID
X Input
Y Input
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
GCP #1 GCP #2 GCP #3 GCP #4 GCP #5 GCP #6 GCP #7 GCP #8 GCP #9 GCP #10 GCP #11 GCP #12 GCP #13 GCP #14 GCP #15 GCP #16 GCP #17 GCP #18 GCP #19 GCP #20 GCP #21 GCP #22 GCP #23 GCP #24
105.2083 105.3692 105.4775 105.6665 105.9917 106.1087 106.1888 106.2626 106.3852 106.7113 106.8004 106.8972 106.9892 106.9882 107.3238 107.6192 107.6958 107.8476 108.1842 108.3373 108.5154 108.6543 108.7319 108.8361
-6.7447 -6.6483 -6.8078 -6.4691 -5.9203 -5.9743 -6.0117 -5.9540 -5.9761 -6.0399 -6.0904 -6.0958 -6.0068 -5.9363 -5.9657 -6.1866 -6.2216 -6.1872 -6.2287 -6.2793 -6.4719 -6.7451 -6.8041 -6.7353
X Reference 105.2115 105.3692 105.4777 105.6662 105.9956 106.1067 106.1898 106.2774 106.3921 106.7169 106.8018 106.8976 106.9855 106.9941 107.3213 107.6180 107.6925 107.8475 108.2193 108.3383 108.5349 108.6460 108.7272 108.8322
Y Reference -6.7467 -6.6486 -6.8064 -6.4736 -5.9283 -5.9728 -6.0185 -5.9364 -5.9795 -6.0416 -6.1013 -6.0995 -6.0078 -5.9334 -5.9629 -6.1899 -6.2231 -6.1880 -6.2330 -6.2785 -6.4870 -6.7571 -6.8125 -6.7491
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual 0.0020 -0.0015 -0.0009 -0.0023 0.0006 -0.0051 -0.0020 0.0115 0.0038 0.0025 -0.0015 -0.0025 -0.0069 0.0025 -0.0058 -0.0041 -0.0061 -0.0029 0.0324 -0.0016 0.0173 -0.0099 -0.0061 -0.0055
Y Residual -0.0012 0.0007 0.0020 -0.0027 -0.0047 0.0047 -0.0036 0.0210 0.0000 0.0015 -0.0077 -0.0004 0.0025 0.0067 0.0065 -0.0001 0.0017 0.0025 -0.0009 0.0041 -0.0124 -0.0101 -0.0065 -0.0117
RMS Error 0.0023 0.0017 0.0022 0.0036 0.0047 0.0070 0.0042 0.0240 0.0038 0.0029 0.0078 0.0025 0.0073 0.0071 0.0088 0.0041 0.0063 0.0038 0.0324 0.0044 0.0213 0.0141 0.0090 0.0130
Contribution 0.2436 0.1785 0.2323 0.3748 0.4973 0.7345 0.4373 2.5218 0.3960 0.3101 0.8242 0.2662 0.7713 0.7503 0.9212 0.4296 0.6648 0.4030 3.4036 0.4603 2.2441 1.4824 0.9423 1.3645
78
Lampiran 1. Lanjutan No
Point ID
X Input
Y Input
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
GCP #25 GCP #26 GCP #27 GCP #28 GCP #29 GCP #30 GCP #31 GCP #32 GCP #33 GCP #35 GCP #34 GCP #36 GCP #37 GCP #38 GCP #39 GCP #40 GCP #42 GCP #41 GCP #43 GCP #44 GCP #45 GCP #46 GCP #47 GCP #48 GCP #49
108.9754 109.1643 109.3437 109.5244 109.8017 110.1747 110.4131 110.5777 110.6445 110.8344 111.2887 111.4883 111.7642 111.9588 112.2155 112.5187 112.5908 112.6610 112.7446 112.8377 112.9480 113.2762 113.4890 113.7095 114.0377
-6.8007 -6.8412 -6.8584 -6.7697 -6.8881 -6.8429 -6.9457 -6.7636 -6.5855 -6.4119 -6.6888 -6.6230 -6.7751 -6.7673 -6.8742 -6.8715 -6.9181 -7.1569 -7.1936 -7.3309 -7.6193 -7.7832 -7.6985 -7.7117 -7.6095
X Reference 108.9702 109.1552 109.3383 109.5269 109.7968 110.1759 110.4072 110.5788 110.6453 110.8413 111.2894 111.4927 111.7656 111.9572 112.2167 112.5378 112.5964 112.6569 112.7490 112.8327 112.9554 113.2753 113.4841 113.7093 114.0341
Y Reference -6.8119 -6.8537 -6.8648 -6.7799 -6.8974 -6.8519 -6.9607 -6.7626 -6.5892 -6.4126 -6.6870 -6.6212 -6.7750 -6.7657 -6.8795 -6.8728 -6.9226 -7.1595 -7.1988 -7.2930 -7.6412 -7.7888 -7.7033 -7.7131 -7.6086
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual -0.0067 -0.0105 -0.0068 0.0009 -0.0063 -0.0004 -0.0072 -0.0007 -0.0014 0.0043 -0.0013 0.0021 -0.0006 -0.0035 -0.0005 0.0174 0.0039 -0.0052 0.0034 -0.0058 0.0074 -0.0006 -0.0048 -0.0001 -0.0038
Y Residual -0.0092 -0.0106 -0.0044 -0.0079 -0.0073 -0.0067 -0.0129 0.0037 -0.0004 0.0030 0.0049 0.0053 0.0032 0.0048 -0.0023 0.0019 -0.0015 -0.0003 -0.0030 0.0399 -0.0209 -0.0049 -0.0037 -0.0003 0.0025
RMS Error 0.0114 0.0149 0.0081 0.0080 0.0096 0.0067 0.0148 0.0037 0.0014 0.0052 0.0051 0.0057 0.0033 0.0059 0.0024 0.0175 0.0042 0.0052 0.0045 0.0404 0.0221 0.0049 0.0061 0.0004 0.0045
Contribution 1.1965 1.5707 0.8534 0.8397 1.0138 0.7053 1.5579 0.3917 0.1513 0.5506 0.5371 0.5953 0.3435 0.6241 0.2513 1.8387 0.4438 0.5511 0.4732 4.2450 2.3260 0.5181 0.6404 0.0391 0.4764
79
Lampiran 1. Lanjutan No
Point ID
X Input
Y Input
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
GCP #50 GCP #51 GCP #52 GCP #53 GCP #54 GCP #55 GCP #56 GCP #57 GCP #58 GCP #59 GCP #60 GCP #61 GCP #62 GCP #63 GCP #64 GCP #65 GCP #66 GCP #67 GCP #68 GCP #69 GCP #70 GCP #71 GCP #72 GCP #73 GCP #74
114.4556 114.3868 114.3645 114.4711 114.3389 114.2154 113.9075 113.3898 112.9116 112.3730 111.9406 111.7194 111.0708 110.5949 110.3120 109.6081 109.3892 109.0418 108.7852 108.4432 107.9009 107.6810 107.4813 106.3997 106.4125
-7.8489 -8.2344 -8.4827 -8.6223 -8.7417 -8.6466 -8.5811 -8.3990 -8.3983 -8.3751 -8.2978 -8.3693 -8.2466 -8.1494 -8.0149 -7.7754 -7.7508 -7.7609 -7.7039 -7.8182 -7.7397 -7.6675 -7.5393 -7.3741 -6.9717
X Reference 114.4517 114.3845 114.3573 114.4718 114.3424 114.2130 113.9047 113.3913 112.9126 112.3748 111.9379 111.7163 111.0672 110.5995 110.3096 109.6063 109.3920 109.0379 108.7870 108.4452 107.8939 107.6845 107.4831 106.3991 106.4117
Y Reference -7.8491 -8.2324 -8.4886 -8.6193 -8.7362 -8.6415 -8.5738 -8.3972 -8.3979 -8.3739 -8.2987 -8.3702 -8.2453 -8.1438 -8.0134 -7.7747 -7.7488 -7.7605 -7.7051 -7.8165 -7.7297 -7.6639 -7.5329 -7.3738 -6.9730
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual -0.0036 -0.0010 -0.0054 0.0029 0.0059 -0.0003 -0.0007 0.0032 0.0029 0.0036 -0.0010 -0.0011 -0.0020 0.0061 -0.0012 -0.0011 0.0035 -0.0031 0.0025 0.0029 -0.0062 0.0042 0.0021 -0.0004 -0.0017
Y Residual 0.0008 0.0019 -0.0068 0.0018 0.0039 0.0037 0.0061 0.0008 -0.0006 -0.0001 -0.0021 -0.0024 -0.0001 0.0044 0.0005 0.0002 0.0014 -0.0003 -0.0019 0.0006 0.0088 0.0026 0.0058 -0.0003 -0.0008
RMS Error 0.0037 0.0022 0.0087 0.0034 0.0071 0.0037 0.0061 0.0033 0.0029 0.0036 0.0023 0.0027 0.0020 0.0075 0.0013 0.0011 0.0038 0.0032 0.0031 0.0030 0.0108 0.0050 0.0062 0.0005 0.0019
Contribution 0.3871 0.2312 0.9119 0.3537 0.7464 0.3943 0.6424 0.3457 0.3088 0.3836 0.2442 0.2792 0.2082 0.7900 0.1376 0.1158 0.3949 0.3324 0.3306 0.3147 1.1332 0.5207 0.6479 0.0578 0.1948
80
Lampiran 1. Lanjutan No 75 76 77 78 79 80
Point ID GCP #75 GCP #76 GCP #77 GCP #78 GCP #79 GCP #80
X Input 105.9006 105.5380 105.4823 105.4183 105.2625 105.2368
Y Input -6.8388 -6.8729 -6.8651 -6.8533 -6.8476 -6.8365
X Reference 105.9012 105.5384 105.4828 105.4187 105.2682 105.2432
Y Reference -6.8399 -6.8738 -6.8660 -6.8543 -6.8395 -6.8365
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual -0.0005 -0.0005 -0.0005 -0.0005 0.0048 0.0054
Y Residual -0.0004 -0.0004 -0.0004 -0.0004 0.0086 0.0005
RMS Error 0.0006 0.0006 0.0006 0.0007 0.0098 0.0054
Contribution 0.0624 0.0677 0.0683 0.0689 1.0304 0.5683
81
Lampiran 2. Nilai GCP Hasil Koreksi Geometrik Citra Landsat 7ETM+ No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Point ID
X Input
Y Input
X Reference
Y Reference
GCP #1 GCP #2 GCP #3 GCP #4 GCP #5 GCP #6 GCP #7 GCP #8 GCP #9 GCP #10 GCP #11 GCP #12 GCP #13 GCP #14 GCP #15 GCP #16 GCP #17 GCP #18 GCP #19 GCP #20 GCP #21 GCP #22 GCP #23
105.2109 105.3695 105.4775 105.3868 105.4009 105.4142 105.5069 105.5632 105.6659 105.7443 105.8185 105.8732 106.0561 106.1133 106.1652 106.2616 106.7145 106.7518 106.8974 106.9908 107.2064 107.3832 107.4463
-6.7523 -6.6466 -6.8078 -6.6783 -6.7270 -6.7602 -6.7303 -6.6810 -6.4716 -6.5197 -6.3825 -6.1133 -5.8845 -5.9315 -6.0260 -5.9548 -6.0439 -6.1028 -6.0969 -5.9367 -5.9775 -6.0115 -6.1081
105.2104 105.3694 105.4777 105.3868 105.3998 105.4129 105.5063 105.5623 105.6660 105.7434 105.8178 105.8754 106.0565 106.1150 106.1618 106.2781 106.7161 106.7441 106.8996 106.9912 107.2049 107.3837 107.4439
-6.7531 -6.6478 -6.8064 -6.6801 -6.7268 -6.7614 -6.7311 -6.6826 -6.4741 -6.5209 -6.3858 -6.1162 -5.8841 -5.9312 -6.0301 -5.9354 -6.0433 -6.1075 -6.0988 -5.9344 -5.9788 -6.0133 -6.1109
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual 0.0001 0.0006 0.0008 0.0006 -0.0005 -0.0007 0.0000 -0.0003 0.0008 -0.0003 0.0000 0.0030 0.0013 0.0026 -0.0025 0.0175 0.0027 -0.0066 0.0033 0.0016 -0.0003 0.0018 -0.0011
Y Residual -0.0001 -0.0004 0.0021 -0.0009 0.0009 -0.0004 0.0000 -0.0007 -0.0015 -0.0002 -0.0022 -0.0016 0.0018 0.0017 -0.0027 0.0209 0.0021 -0.0033 -0.0005 0.0038 0.0003 -0.0003 -0.0013
RMS Error 0.0001 0.0007 0.0022 0.0011 0.0011 0.0008 0.0001 0.0008 0.0017 0.0003 0.0022 0.0034 0.0022 0.0031 0.0037 0.0273 0.0034 0.0074 0.0033 0.0041 0.0004 0.0018 0.0017
Contribution 0.0185 0.0912 0.3113 0.1541 0.1497 0.1083 0.0087 0.1099 0.2332 0.0480 0.3119 0.4749 0.3103 0.4273 0.5126 3.7819 0.4732 1.0220 0.4648 0.5712 0.0547 0.2502 0.2347
82
Lampiran 2. Lanjutan No 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
Point ID
X Input
Y Input
X Reference
Y Reference
GCP #25 GCP #26 GCP #27 GCP #28 GCP #29 GCP #30 GCP #31 GCP #32 GCP #33 GCP #35 GCP #34 GCP #36 GCP #37 GCP #38 GCP #39 GCP #40 GCP #42 GCP #41 GCP #43 GCP #44 GCP #45 GCP #46 GCP #47 GCP #48 GCP #49
107.6656 107.6951 107.8017 107.8499 107.8963 108.4321 108.5347 108.5593 108.5709 108.6513 108.5948 108.7292 108.8135 109.1632 109.0936 109.5064 109.6232 109.5734 109.6909 109.7980 109.9261 110.0570 110.1712 110.3031 110.4232
-6.2424 -6.2249 -6.1969 -6.1876 -6.2077 -6.4134 -6.4819 -6.6436 -6.7079 -6.7495 -6.7444 -6.8070 -6.7816 -6.8443 -6.8331 -6.7910 -6.8427 -6.8383 -6.8598 -6.8932 -6.9139 -6.9038 -6.8472 -6.9283 -6.9385
107.6577 107.6900 107.8007 107.8492 107.8944 108.4273 108.5390 108.5554 108.5691 108.6445 108.5909 108.7287 108.8044 109.1577 109.0889 109.4950 109.6231 109.5721 109.6936 109.7960 109.9256 110.0419 110.1716 110.3132 110.4155
-6.2460 -6.2243 -6.1976 -6.1864 -6.2171 -6.4161 -6.4864 -6.6504 -6.7133 -6.7537 -6.7476 -6.8089 -6.7905 -6.8508 -6.8394 -6.8054 -6.8431 -6.8375 -6.8594 -6.8929 -6.9152 -6.9063 -6.8505 -6.9352 -6.9458
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual -0.0065 -0.0037 0.0003 0.0007 -0.0005 -0.0031 0.0059 -0.0023 -0.0001 -0.0052 -0.0023 0.0012 -0.0073 -0.0036 -0.0029 -0.0094 0.0019 0.0006 0.0047 0.0001 0.0016 -0.0131 0.0025 0.0123 -0.0055
Y Residual -0.0022 0.0020 0.0008 0.0028 -0.0079 -0.0013 -0.0031 -0.0054 -0.0041 -0.0030 -0.0019 -0.0007 -0.0076 -0.0052 -0.0050 -0.0130 0.0010 0.0021 0.0018 0.0016 0.0001 -0.0011 -0.0019 -0.0055 -0.0059
RMS Error 0.0069 0.0042 0.0009 0.0029 0.0079 0.0034 0.0067 0.0059 0.0041 0.0060 0.0029 0.0014 0.0106 0.0063 0.0058 0.0161 0.0021 0.0022 0.0050 0.0016 0.0016 0.0131 0.0031 0.0135 0.0081
Contribution 0.9593 0.5826 0.1220 0.4003 1.0958 0.4727 0.9303 0.8165 0.5669 0.8323 0.4082 0.1907 1.4674 0.8800 0.8020 2.2287 0.2945 0.3031 0.6923 0.2211 0.2169 1.8218 0.4338 1.8699 1.1280
83
Lampiran 2. Lanjutan No 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74
Point ID
X Input
Y Input
X Reference
Y Reference
GCP #50 GCP #51 GCP #52 GCP #53 GCP #54 GCP #55 GCP #56 GCP #57 GCP #58 GCP #59 GCP #60 GCP #61 GCP #62 GCP #63 GCP #64 GCP #65 GCP #66 GCP #67 GCP #68 GCP #69 GCP #70 GCP #71 GCP #72 GCP #73 GCP #74
110.5374 110.6432 110.6709 110.8996 111.0461 111.1841 111.4661 111.4969 111.7498 111.9783 112.2844 112.4711 111.0708 112.6034 112.6634 112.8408 112.8356 113.8654 113.4728 114.2391 114.4631 114.3644 114.3442 113.9476 113.3897
-6.7493 -6.5850 -6.4993 -6.4062 -6.4287 -6.6639 -6.6606 -6.6257 -6.7719 -6.7732 -6.8707 -6.8938 -8.2466 -6.9632 -7.1554 -7.3324 -7.4813 -7.6837 -7.7084 -7.6984 -7.8896 -8.5394 -8.7384 -8.5996 -8.3997
110.5385 110.6420 110.6659 110.9008 111.0432 111.1764 111.4641 111.4982 111.7485 111.9801 112.2855 112.4687 111.0672 112.6001 112.6610 112.8252 112.8215 113.8650 113.4773 114.2346 114.4559 114.3583 114.3430 113.9486 113.3931
-6.7287 -6.5878 -6.5020 -6.4071 -6.4272 -6.6694 -6.6585 -6.6218 -6.7690 -6.7748 -6.8718 -6.8937 -8.2453 -6.9571 -7.1575 -7.3634 -7.4749 -7.6879 -7.7119 -7.7035 -7.8854 -8.5381 -8.7362 -8.6009 -8.3960
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual 0.0034 0.0011 -0.0026 0.0037 -0.0004 -0.0052 0.0006 0.0038 0.0013 0.0046 0.0039 0.0005 -0.0013 -0.0004 0.0005 -0.0127 -0.0111 0.0028 0.0077 -0.0011 -0.0037 -0.0027 0.0022 0.0042 0.0064
Y Residual 0.0222 -0.0011 -0.0009 0.0010 0.0033 -0.0039 0.0038 0.0057 0.0047 0.0001 0.0005 0.0019 0.0019 0.0078 -0.0005 -0.0295 0.0078 -0.0028 -0.0022 -0.0035 0.0056 0.0022 0.0030 -0.0004 0.0046
RMS Error 0.0225 0.0016 0.0028 0.0038 0.0033 0.0064 0.0039 0.0069 0.0048 0.0046 0.0040 0.0020 0.0023 0.0079 0.0007 0.0321 0.0136 0.0040 0.0080 0.0037 0.0067 0.0035 0.0037 0.0042 0.0079
Contribution 3.1207 0.2163 0.3839 0.5275 0.4597 0.8946 0.5351 0.9578 0.6723 0.6367 0.5515 0.2723 0.3254 1.0904 0.0951 4.4584 1.8805 0.5511 1.1047 0.5118 0.9367 0.4875 0.5124 0.5864 1.0931
84
Lampiran 2. Lanjutan No 75 76 77 78 79 80 81 82 83 84 85 86
Point ID
X Input
Y Input
X Reference
Y Reference
GCP #75 GCP #76 GCP #77 GCP #78 GCP #79 GCP #80 GCP #81 GCP #82 GCP #83 GCP #84 GCP #85 GCP #86
112.8451 111.8409 111.0295 109.4316 108.7873 108.4452 107.6817 106.5776 106.4147 105.9001 105.2974 105.2395
-8.4030 -8.2798 -8.2527 -7.7734 -7.7349 -7.8201 -7.6614 -7.4163 -6.9743 -6.8397 -6.8030 -6.7973
112.8473 111.8389 111.0277 109.4323 108.7863 108.4444 107.6811 106.5704 106.4140 105.8995 105.2969 105.2391
-8.4009 -8.2810 -8.2538 -7.7691 -7.7354 -7.8204 -7.6617 -7.4129 -6.9747 -6.8401 -6.8032 -6.7975
Type Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol
X Residual 0.0051 0.0005 0.0005 0.0025 0.0006 0.0007 0.0006 -0.0063 0.0002 0.0001 0.0001 0.0001
Y Residual 0.0029 -0.0004 -0.0004 0.0050 0.0001 0.0002 0.0002 0.0039 0.0004 0.0004 0.0005 0.0005
RMS Error 0.0059 0.0007 0.0006 0.0056 0.0006 0.0007 0.0007 0.0074 0.0005 0.0005 0.0005 0.0005
Contribution 0.8174 0.0910 0.0898 0.7763 0.0894 0.0937 0.0932 1.0261 0.0632 0.0656 0.0720 0.0726
85