Analisis Spektral Campuran Linier untuk Deteksi Tutupan Lahan di Daerah Perkotaan menggunakan Data Satelit Landsat ETM+ (Studi Kasus Kota Banjarbaru dan Sekitarnya) Nurlina Abstract: Evaluated from remote sensing perspective, urban region is a real district heterogeneous, what gives reflectance from different some land cover type and material. The limitation of the spatial resolution from middle resolution sensor such as Landsat requires analysis at level sub-pixel. Mixture pixel in remote sensing data is one of the source of error in accuracy assessment result in conventional classification. This research tries to apply Linear Spectral Mixture Analysis (LSMA) method to detect land cover change (vegetation, impervious surface, bare soil and water) at level sub-pixel in Banjarbaru City based on Landsat temporal data. LSMA is approach with analysis sub-pixel which can give information of the fraction in each pixel, so that is a potential solution to classify one pixel. Maximum Likelihood Classifier applied as comparable from LSMA. Accuracy assessment to this method use a higher spatial resolution IKONOS image. Some processing phases applied in this research to increase the accuration, are Atmospheric Correction, Minimum Noise Fraction (MNF) and Pixel Purity Index (PPI). The percentage of each land cover component in each pixel shown by fraction image from method LSMA with RMS Error average is 0,016 indicated that each endmember land cover has been dissociated well with small deviation standard. The accuration test result of abundance for each endmember using IKONOS image equal to 95%, indicates that LSMA have a high accuration to detect the endmember land cover at level sub-pixel. Keywords: MNF, PPI, endmember, linear spectral mixture analysis
Penginderaan Jauh, daerah perkota-
PENDAHULUAN Pengukuran
tutupan lahan
an merupakan daerah yang sangat
secara langsung, meskipun tingkat
heterogen, yang memberikan pantul-
ketelitiannya lebih tinggi akan tetapi
an dari beberapa tipe tutupan lahan
dibatasi oleh luas cakupan dan
dan material yang berbeda, diantara-
skala,
diperlukan
nya terdapat area lahan terbangun
prediksi perubahan tutupan lahan
(jalan, atap bangunan, beton, dan
secara regional. Karena itu, masih
lain-lain), vegetasi, tanah, dan air.
dibutuhkan citra dengan resolusi
Biasanya
untuk
spasial yang relatif rendah untuk
penggunaan
lahan
kajian secara regional yang meliputi
lahan dari data penginderaan jauh
wilayah perkotaan dan perdesaan
secara digital digunakan metode
seperti citra Landsat. Dari perspektif
klasifikasi
apalagi
jika
memetakan dan
seperti
Staf Pengajar Program Studi Fisika, FMIPA, Universitas Lambung Mangkurat
1
tutupan
Maximum
2
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
Likelihood, Minimum Distance atau
klasifikasi tutupan lahan. Secara
menggunakan Parallelepiped. Pada
konseptual, LSMA adalah metode
metode
klasifikasi
deterministik yang lebih dari sebuah
tersebut,
satu
konvensional citra
metode statistik, selama itu berdasar
mengandung
pada model fisik dari campuran pola
satu jenis obyek saja (pure pixel).
tanggap spektral yang berlainan. Hal
Namun pada kenyataannya, untuk
ini dapat memberikan informasi yang
satu piksel pada citra satelit Landsat
sangat berguna pada level sub-
yang memiliki resolusi spasial (30 x
piksel, selama beberapa tipe tutupan
30) meter dapat memiliki lebih dari
lahan dapat dideteksi dengan satu
satu
piksel. Banyak tipe tutupan lahan
diasumsikan
hanya
jenis
Adanya
piksel
obyek
piksel
didalamnya.
campuran
ini
cenderung
merupakan
campuran
merupakan masalah yang sulit untuk
yang heterogen, meskipun dilihat
keperluan klasifikasi tutupan lahan di
pada citra dengan skala yang lebih
daerah perkotaan.
baik. Karena itu, metode ini dapat Mixture
Analysis
memberikan representasi yang lebih
suatu
strategi
realistis mengenai kondisi permuka-
kuantitatif dalam mempelajari citra
an yang sebenarnya apalagi jika
multispektral.
Metode
hanya terdapat satu klas pada setiap
dipergunakan
untuk
Spectral menyediakan
ini
telah
melakukan
piksel (Lillesand, et al, 2004).
deteksi sub-piksel serta klasifikasi
Penelitian
ini
mencoba
dari piksel campuran pada citra hasil
menggunakan
penginderaan jauh (Aklein, 1998).
Mixture Analysis untuk mendeteksi
Pada
Mixture
perubahan tutupan lahan (vegetasi,
Analysis, nilai spektral pada piksel
permukaan kedap air, tanah dan air)
dimodelkan sebagai kombinasi linear
pada tingkat sub-piksel
dari pantulan setiap endmember,
Banjarbaru
yang
dengan
Linear
besarnya
persentasi
Spectral
sesuai
tutupan
endmember
di
dengan
metode
Spectral
di Kota
Kalimantan
Selatan
menggunakan
model
dari
setiap
pemisahan linier (linier unmixing)
lapangan
(Smith
berdasarkan data Landsat ETM+
et.al., 1990).
Tahun
2003.
Untuk
mengetahui
Mixture
sejauh mana kemampuan metode ini
Analysis berbeda dengan beberapa
untuk mendeteksi tutupan lahan di
metode
daerah
Linear
Spectral
pemrosesan
citra
untuk
perkotaan
dilakukan
uji
Nurlina, Analisis Spektral Campuran..............
3
akurasi dengan menggunakan Citra
Analysis (LSMA) perubahan tutupan
IKONOS. Sejumlah teknik pengolah-
lahan
an
untuk
penelitian ini menggunakan Citra
dari
Landsat ETM+ Tanggal 31 Mei
koreksi
Tahun 2003 (TM 7) row/path 117/62.
citra
juga
meningkatkan metode
diterapkan akurasi
LSMA,
hasil
seperti
yang
diterapkan
atmosferik, Minimum Noise Fraction,
Dimensi
dan Pixel Purity Index.
ditentukan 1072 x 751 piksel, yaitu
Adapun tujuan dari penelitian
berada
data
daerah
pada
pada
o
penelitian
posisi
antara
o
ini adalah mendeteksi tutupan lahan
3 21’38,92” dan 3 33’51,24” LS, dan
(vegetasi, permukaan kedap air,
antara 114o 38’46,40” dan 114o56’
tanah terbuka dan air) di daerah
5,91” BT dimana 1 piksel mewakili
perkotaan
(30 x 30) meter persegi, sehingga
metode
dengan
Linear
menggunakan
Spectral
Mixture
Analysis (LSMA) dari data Landsat
luas daerah penelitian seluruhnya berkisar 73.016,97 hektar.
ETM+ dan menguji tingkat akurasi metode
Linear
Spectral
Mixture
Pada awal pemrosesan ini Nilai
Digital
Number
(DN)
dari
Analysis (LSMA) menggunakan data
saluran 1 – 5 dan saluran 7 yang
satelit IKONOS.
direkam dalam 8 bit terlebih dahulu dikonversi ke dalam satuan exoatmospheric reflectance atau dari
METODE Uji coba terhadap sistem soft klasifikasi Linear Spectral Mixture
Lmax Lmin Radiance QCalmax QCalmin Dalam hal ini Lmax, Lmin adalah
nilai
maksimum
dan
spektral minimum
radians yang
DN ke radians dengan menggunakan persamaan:
QCal QCalmin Lmin ………… (1) menghasilkan nilai surface reflectan menggunakan FLAASH (Fast Lineof-sight
Atmospheric Analysis of
terekam oleh sensor pada setiap
Spectral Hypercubes) yang dikem-
saluran QCalmax, QCalmin adalah
bangkan oleh Spectral Sciences,Inc.
Nilai digital number (DN) maksimum
Koreksi atmosferik dengan meng-
dan minimum pada setiap saluran.
gunakan model FLAASH mengacu
ses
Selanjutnya diterapkan pro-
pada persamaan standar spektral
koreksi
radians pada piksel sensor L, yang
atmosferik
untuk
4
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
diaplikasikan pada range panjang
a. transformasi
Minimum
Noise
gelombang matahari pada permuka-
Fraction, transformasi ini diguna-
an Lambertian. Persamaannya ada-
kan
lah sebagai berikut:
dimensi
A Be La L 1 S 1 S e e (2)
e : rata-rata pantulan permukaan piksel pada daerah sekitar
La : pantulan balik radians oleh atmosfer (Path Radiance)
atmosfir dan geometrik. Konversi dari nilai digital ke surface
reflectan
dapat
citra
secara
meningkatkan
yang
digunakan
(Huang et. al., 2002). Selanjutnya pada
citra
koreksi
kemudian
geometrik.
dilakukan
Selain
citra
Landsat, citra lain yang digunakan pada penelitian ini adalah citra satelit IKONOS yang digunakan untuk uji akurasi kedua metode klasifikasi yang digunakan. Selain juga
untuk
memisahkan noise serta untuk mereduksi kinerja komputer pada proses
selanjutnya.
Penelitian
koreksi
diterapkan
2
meningkatkan kualitas dari citra fraksi (Van der Moor and De
b. Pixel
Index,
digunakan
murni pada citra (Boardman et. al., 1995). Hasilnya adalah citra dengan nilai digital dari setiap piksel yang dihasilkan berdasarkan jumlah total waktu yang direkam ekstrem, dengan demikian nilai piksel yang cerah pada citra menunjukkan lokasi pantulan dari endmember. Hasil dari tahap pemrosesan inilah yang akan dijadikan input pada metode LSMA. Linear Spectral Mixture Analysis (LSMA)
atmosferik, (dua)
Purity
untuk menentukan spektral piksel
A dan B : koefisien untuk kondisi
kualitas
juga
Jong, 2000).
S : spherical albedo
substansial
data
sifat
penerapan proses MNF dapat
: piksel surface reflektan
nilai
mengetahui
sebelumnya menunjukkan bahwa
Keterangan:
untuk
tahap
Setiap obyek di permukaan bumi yang terekam oleh satelit
pemrosesan yang dianggap perlu
penginderaan
untuk meningkatkan akurasi hasil
atau
dari metode LSMA ini yaitu:
elektromagnetik yang juga disebut
jauh
memancarkan
memantulkan gelombang
Nurlina, Analisis Spektral Campuran..............
dengan nilai kecerahan (brightness
Rem,b : nilai pantulan spektral dari
tersebut
endmember setiap saluran
dibentuk dalam piksel-piksel pada
Fem,b : nilai fraksi dari endmember
citra satelit yang merupakan bagian
setiap piksel setiap saluran
value).
Obyek-obyek
terkecil dari suatu citra. Untuk satelit
εb
: error atau kesalahan antara
Landsat TM yang memiliki resolusi
nilai kecerahan yang
spasial (30 x 30) m dan meliputi
dimodelkan dan yang diukur
wilayah yang heterogen seperti kotakota di Indonesia, tentunya dalam setiap satu pikselnya tidak hanya
dalam setiap saluran, n
: jumlah endmember Sebagai batasan, jumlah dari
terdiri dari satu obyek saja, sehingga terdapat kemungkinan bahwa dalam satu piksel citra terdapat campuran dari
beberapa
obyek
semua
(spectral
obyek yang akan diidentifikasi serta dihitung proporsi spasialnya diistilahkan sebagai endmember. Kecerahan tunggal
dalam
error dihitung untuk setiap piksel berdasarkan pada perbedaan antara nilai kecerahan yang dimodelkan dan nilai kecerahan yang diukur dari
piksel
dinyatakan dengan [Aklein, 1998]:
tunggal
1 m 2 i Rij Rmod el m j 1
1998):
Rmeas,b
R
em,b
Fem,b b
em1
................. (5)
RMS (root – mean - square)
dimodelkan sebagai berikut (Aklein,
n
................. (4)
setiap piksel dalam setiap saluran
dari
saluran
1
dan 0 f in 1
dapat
model pemisahan spektral linier ini,
j
f i1 f i 2 f i 3 ....... f in 1
yang terdapat dalam satu piksel
ditentukan proporsi spasialnya. Pada
sama
j 1
linier (LSMA), maka obyek-obyek
dan
endmember
n
F
dengan model pemisahan spektral
diidentifikasi
fraksi
dengan satu (Aklein, 1998):
mixing), dengan menggunakan SMA
dapat
5
.. (3)
Keterangan: Rmeas,b : nilai kecerahan hasil pengamatan setiap saluran
1
2 n 1 m i Rij r jk * f ik k 1 m j 1
Keterangan: i
: error pada piksel ke i
m : jumlah saluran
2
.... (6) 1
2
.. (7)
6
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
n : jumlah endmember
j
: indeks saluran (1,2,3,..., m)
Rij : nilai kecerahan pada piksel ke-i
k
: indeks endmember (1,2,3,..., n)
saluran ke-j
Proses ini akan menghasilkan
rjk : nilai piksel murni pada saluran ke- j endmember k
citra fraksi dari setiap endmember tutupan lahan dan citra fraksi RMSE
fk : fraksi piksel ke-i, endmember k
yang dihasilkan dari persamaan (7).
i
Gambar 1 adalah tahap pemrosesan
: indeks piksel (1,2,3,...,jumlah baris x jumlah kolom)
Reflektan Landsat Reflektan Landsat
menggunkan model LSMA.
Penentuan nilai Spektral murni Setiap endmember (PPI)
Reflektan Band 1 Landsat Reflektan Landsat Landsat Band 23 Reflektan Band Landsat Reflektan Band 4 Landsat Reflektan Band 5 Landsat Band 7
Citra Fraksi RMS Error Citra Fraksi Vegetasi
Linear Spectral Mixture Analysis
Citra Fraksi Perm. Kedap Air Citra Fraksi Tanah Citra Fraksi Air
Formatted: Font: (Default) Arial, 10 pt
Formatted: Font: 8.5 pt, Font color: Auto, Swedish (Sweden) Formatted: Font: 9 pt, Font color: Auto Formatted: Font: 10 pt Formatted: Font: 10 pt Formatted: Font: 10 pt, Swedish (Sweden) Formatted: Font: 10 pt Formatted: Font: 10 pt Formatted: Font: (Default) Arial, 10 pt Formatted: Font: 10 pt Formatted: Font: (Default) Arial, 10 pt
Gambar 1. Diagram alir metode LSMA Uji akurasi digunakan untuk menguji secara kuantitatif akurasi
Square
Error
(RMSE)
seperti
diberikan oleh persamaan (8).
fraksi atau persentase dari hasil klasifikasi dengan model LSMA. Uji
fdifference = (fLSMA – f IKONOS) ..... (8)
akurasi ini menggunakan pendekatan
selisih
antara
nilai
yang
dihasilkan dari perhitungan suatu model dengan nilai yang sebenarnya hasil
pengukuran lapangan atau
yang dikenal sebagai Root Mean
Dalam hal ini: fLSMA : fraksi hasil LSMA pada tiap piksel dari data Landsat f Ikonos : persen setiap komponen tutupan lahan data IKONOS
Nurlina, Analisis Spektral Campuran..............
CITRA LANDSAT ETM+ Tahun 2003
Citra IKONOS (2004)
RESTORASI CITRA (Koreksi Atmosferik dan Koreksi
Pemotongan Citra
CITRA TERKOREKSI (Atmosferik dan Geometrik)
Minimum Noise Fraction
Pixel Purity Index
nD Visualizer
Spectral Endmember Vegetasi, Tanah terbuka, Permukaan Kedap Air, dan Air
Linear Spectral Mixture Analysis (LSMA)
Citra Fraksi Endmember Tutupan Lahan (% vegetasi, % permukaan kedap air, % tanah terbuka dan % air) per Piksel & Citra RMSError
Uji Akurasi (RMS Error)
Gambar 2. Diagram alir penelitian
7
8
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
Hasil
HASIL DAN PEMBAHASAN Citra Landsat yang diguna-
dari
proses
MNF
memperlihatkan nilai eigen terkecil
kan setelah melalui proses kalibrasi
pada
radiometrik dari nilai digital ke nilai
digunakan sama dengan 2, artinya
radians,
bahwa
selanjutnya
dilakukan
seluruh
pada
saluran
proses
ini
yang
jumlah
koreksi atmosferik. Terdapat dua
saluran keluaran yang digunakan
koreksi atmosferik yang dilakukan
tetap sama dengan inputnya yaitu 6
pada penelitian ini, yaitu koreksi
saluran
atmosferik
bahwa
dengan
menggunakan
dengan dari
pertimbangan
nilai
dihasilkan
lunak ENVI 4.4 dan DOS (Dark
terdapat nilai eigen yang mendekati
Object
dengan
1, juga dengan pertimbangan bahwa
menggunakan IDRISI. Untuk proses
jumlah saluran dalam penentuan
selanjutnya citra yang digunakan
nilai spektral dari piksel murni yang
adalah citra hasil koreksi atmosferik
digunakan pada proses PPI harus
dengan menggunakan DOS model,
sama dengan jumlah saluran pada
dengan alasan bahwa citra hasil
citra surface reflectan yang menjadi
koreksi atmosferik dengan menggu-
input pada proses LSMA. Citra hasil
nakan DOS model menghasilkan
MNF ini kemudian menjadi nput
rentang nilai surface reflectan dari 0
pada proses PPI. Input dari tahap ini
sampai dengan 1. Selanjutnya citra
merupakan citra hasil MNF yang
landsat dilakukan koreksi geometrik
bebas noise yang telah dilakukan
menggunakan
pada
proyeksi
Universal
tahap
sebelumnya.
Pada
proses
datumWGS 84. Hasil dari koreksi
digunakan
geometrik ini diperoleh nilai RMS
Beberapa penelitian terdahulu yang
Error sebesar 0,26 dari 20 GCP
menggunakan metode ini pada data
(Ground Control Point). Citra surface
hyperspectral, memberikan kesim-
reflectan
direktifikasi
pulan bahwa jumlah iterasi yang
kemudian digunakan sebagai input
memberikan hasil yang maksimal
dalam proses MNF dan PPI, dimana
adalah 104 dan 105 (Plaza dan
kedua tahap pemrosesan ini akan
Chang, 2008). Selain itu, jumlah
digunakan untuk menentukan nilai
iterasi di atas 104 akan memberikan
spektral murni setiap endmember.
hasil yang relatif sama. Hasil dari
telah
jumlah
tidak
Transverse Mercator (UTM) pada
yang
ini
dikatakan
yang
model FLAASH dengan perangkat
Subtraction)
dapat
eigen
yaitu
iterasi
yang
sebesar
104.
Nurlina, Analisis Spektral Campuran..............
9
proses ini merupakan citra sebaran
endmember tersebut dengan melihat
piksel murni yang ada di daerah
kondisi tutupan lahan di daerah
penelitian. Dari citra inilah kemudian
penelitian
ditentukan pantulan spektral murni
dianggap telah mewakili sebagian
dari
besar jenis tutupan lahan yang ada.
setiap
endmember
yang
digunakan.
Pantulan
Jumlah endmember ditetapkan
secara
harus
spektral
untuk
tutupan
lahan
dihasilkan dari kurva pantulan pada
saluran yang digunakan, biasanya
proses nD Visualizer melalui proses
untuk
pemilihan dengan mengambil nilai
Landsat
dari
jenis
yang
jumlah
data
kurang
keempat
umum
TM
jumlah
endmember tidak lebih dari empat
rata-rata
(Drake dan Settle, 1989). Penelitian
endmember. Gambar 3 memperli-
ini menggunakan 6 jumlah saluran
hatkan kurva pantulan spektral rata-
yaitu saluran 1 – 5 dan saluran 7,
rata keempat endmember tutupan
sedangkan jumlah endmember di-
lahan yang dihasilkan dari proses
tentukan adalah 4 jenis endmember
nD-Visualizer. Keempat endmember
yang
secara
inilah yang nantinya akan dipisahkan
air,
pada setiap piksel pada proses
obyeknya
extrem,
yaitu
berbeda vegetasi,
pantulan
permukaan kedap air dan tanah
klasifikasi
terbuka.
metode LSMA.
Pemilihan
keempat
dengan
dari
setiap
menggunakan
Gambar 3. Kurva pantulan spektral endmember vegetasi, air, tanah terbuka, dan permukaan kedap air citra Landsat ETM+ tahun 2003
10
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
Citra fraksi yang dihasilkan menunjukkan
end-
pantulan yang lebih rendah dari nilai
member pada setiap piksel yang
pantulan spektral yang digunakan
ditunjukkan dengan tingkat kecerah-
untuk endmember yang bersangkut-
an
an, begitu pula sebaliknya untuk nilai
piksel,
persentase
terklasifikasi namun memiliki nilai
yaitu
semakin
tinggi
persentase suatu endmember, maka
fraksi
tingkat
semakin
terdapat objek yang terklasifikasi
mendekati putih, dan sebaliknya
namun memiliki nilai pantulan yang
semakin rendah persentase suatu
lebih tinggi dari nilai spektral yang
endmember akan semakin gelap
digunakan. Hal tersebut dapat terjadi
atau mendekati hitam.
mengingat
kecerahannya
Secara
umum
bahwa
pada
bahwa
daerah
nilai
kajian memiliki tutupan lahan yang
minimum dan maksimum masing-
beragam, tidak hanya terdiri atas
masing citra fraksi terlihat bahwa
obyek vegetasi, tanah, permukaan
nilai dari setiap endmember
tidak
kedap air dan air, namun masih
berada pada rentang 0 sampai
terdapat unsur-unsur tutupan lahan
dengan 1 sebagaimana mestinya.
lainnya yang kemudian terklasifikasi
Nilai fraksi di bawah 0 menunjukkan
menjadi
bahwa
tanah, permukaan kedap air dan air.
terdapat
dari
di atas 1 berarti
obyek
yang
endmember
Gambar 4. Citra fraksi vegetasi hasil LSMA
vegetasi,
Nurlina, Analisis Spektral Campuran..............
Gambar 5. Citra fraksi tanah terbuka hasil LSMA
Gambar 6. Citra fraksi permukaan kedap air hasil LSMA
11
12
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
Gambar 7. Citra Fraksi Endmember Air Hasil LSMA
Gambar 8. Citra fraksi kesalahan (RMS Error) hasil LSMA
Nurlina, Analisis Spektral Campuran..............
Hasil
citra
secara
Kesulitan ini menjadikan citra fraksi
keseluruhan (Gambar 4–8) menun-
pada endmember permukaan kedap
jukkan
pada citra fraksi
air dan citra fraksi tanah terbuka
endmember vegetasi juga terdapat
yang dihasilkan dari proses LSMA
tutupan-tutupan lahan lainnya yang
menjadi kurang akurat, sehingga
terpisahkan
endmember
untuk
dan
tanah
sebaiknya penentuan spektral murni
terbuka. Pada endmember
per-
bahwa
vegetasi,
fraksi
13
menjadi
seperti
air
hasil
yang
lebih
dari setiap endmember
baik
dilakukan
mukaan kedap air juga terjadi hal
dengan pengukuran langsung di
demikian, seperti tanah kering dan
lapangan
pasir sisa pendulangan intan, pasir
meter. Dalam hal ini telah dilakukan
pada
beberapa kombinasi nilai spektral
timbunan
sebagai
yang
terdefinisi
endmember
kedap air,
permukaan
dari
menggunakan
setiap
spectro-
endmember,
sampai
dikarenakan pantulan
akhirnya menemukan hasil klasifi-
spektral yang relatif sama. Selain itu,
kasi LSMA dengan nilai rata-rata
input dari pantulan spektral setiap
RMS Error yang paling rendah yaitu
endmember yang digunakan dalam
sebesar 0,016.
proses pemisahan spektral linier
Hasil tersebut menunjukkan
juga sangat berpengaruh. Adanya
bahwa metode LSMA mempunyai
kesulitan untuk membedakan antara
standar deviasi kesalahan yang kecil
pantulan spektral permukaan kedap
sehingga mampu mengklasifikasikan
air
dengan
tutupan lahan dengan baik, juga
obyek
mengingat bahwa nilai fraksi setiap
yang
pantulan
hampir
sama
spektral
berupa
pasir
pada
yang
memang
endmember
apabila
mempunyai rona yang hampir sama.
akan
Jenis
terklasifikasi
dengan 1 (satu) (Tabel 1), hal
kedap
air
tersebut masih memenuhi fungsi
adalah jenis pasir kwarsa yang
batas dari model pemisahan spektral
memang banyak terdapat di daerah
linier
penelitian.
persamaan
pasir
sebagai
kwarsa
yang
permukaan
Kandungan
pada
pasir
mineral
inilah
yang
menghasilkan
dijumlahkan
yang
penelitian
nilai
tercantum (4),
ini
sehingga
dapat
sama
pada hasil
diandalkan.
memberikan rona yang sangat cerah
Kemampuan metode LSMA yang
sehingga pantulannya hampir sama
secara kuantitatif dapat memberikan
dengan
informasi
permukaan
kedap
air.
persentase
setiap
14
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
endmember
tutupan
lahan
pada
metode
klasifikasi
konvensional
setiap piksel menjadikan metode ini
sepeti Maximum Likelihood. Apalagi
dapat
jika metode ini diterapkan pada
direkomendasikan
sebagai
salah satu metode klasifikasi yang
daerah
yang
heterogen
lebih akurat dibandingkan dengan
daerah perkotaan.
seperti
Tabel 1. Nilai Fraksi setiap endmember hasil klasifikasi LSMA Piksel 1 2 3 4 5 6 7 8 9 10 Hasil
Nilai Fraksi Endmember Permukaan Vegetasi Tanah Kedap Air -0.9761 1.4436 -0.5881 0.5526 0.4463 0.0003 0.8006 0.1756 0.0227 0.9562 0.0414 0.0008 0.9027 -0.0071 0.1039 0.9449 -0.1167 0.1708 0.7957 0.0321 0.1709 0.7487 -0.3352 0.5856 0.8881 -0.1044 0.2153 0.8330 0.1123 0.0528 analisis
uji
akurasi
fraksi
RMS Error
Air 1.1202 0.0007 0.0010 0.0016 0.0004 0.0010 0.0012 0.0008 0.0009 0.0019 dari
0.0079 0.0082 0.0122 0.0191 0.0050 0.0116 0.0143 0.0099 0.0114 0.0230
setiap
endmember
metode LSMA dengan mengguna-
tutupan lahan pada setiap piksel
kan citra IKONOS seperti yang
dapat
disajikan pada Lampiran menunjuk-
sebagai salah satu metode alternatif
kan akurasi yang sangat baik, yaitu
yang
diperoleh rata-rata RMS Error untuk
mengklasifikasikan
seluruh tutupan lahan sebesar 0,049
pada suatu wilayah, apalagi jika
atau
diterapkan
dengan
akurasi
rata-rata
menjadikan
lebih
metode
akurat
pada
tutupan
wilayah
ini
dalam lahan
yang
sebesar 95%. Hal ini menunjukkan
heterogen seperti daerah perkotaan
bahwa metode LSMA mampu meng-
yang telah dilakukan pada peneltian
klasifikasikan
ini.
setiap
endmember
tutupan lahan pada satu piksel Landsat dengan sangat baik
dan
KESIMPULAN
dengan akurasi yang relatif sama di
1. Citra fraksi yang dihasilkan dari
setiap piksel. Selain itu keutamaan
metode Linear Spectral Mixture
dari
Analysis
metode
ini
yang
mampu
memberikan nilai presentase atau
memberikan
(LSMA) informasi
mampu secara
Nurlina, Analisis Spektral Campuran..............
kuantitatif
jumlah
persentase
SARAN
setiap
endmember
lahan
dalam
setiap
piksel
piksel
atau
dalam
setiap
endmember digunakan juga data
Landsat
tutupan
15
1. Sebaiknya dalam penentuan nilai murni
dari
luasan (30 x 30) m, dengan
dari
jumlah total fraksi dalam setiap
melakukan pengukuran langsung
piksel sama dengan 1. Hal ini
ke lapangan dengan mengguna-
menunjukkan
kan alat spectrometer sehingga
bahwa
metode
spectral
setiap
LSMA dapat mendeteksi tutupan
hasil
lahan vegetasi, tanah terbuka,
optimal.
permukaan kedap air dan air dalam
setiap
piksel
dengan
2. Perlu
yang
library
diperoleh
dilakukan
endmember
memaksimalkan
0,016)
endmember
berarti
bahwa
lebih
pemilihan
yang tepat dan
sangat baik (RMS Error rata-rata yang
atau
dari
yang
jumlah
digunakan
metode LSMA memiliki standar
agar error yang dihasilkan dari
deviasi kesalahan yang kecil
proses LSMA jauh lebih kecil,
dalam
dan akurasinya lebih tinggi.
mendeteksi
setiap
endmember tutupan lahan juga menunjukkan
bahwa
setiap
endmember tutupan lahan telah terpisahkan secara baik dengan tingkat akurasi yang relatif sama. 2. Uji akurasi fraksi metode LSMA citra IKONOS diperoleh hasil yang sangat baik dengan tingkat kesalahan relatif kecil yaitu RMS Error rata-rata sebesar 0,049 atau akurasi rata-rata sebesar 95%.
Hal
ini
menunjukkan
bahwa metode LSMA memiliki akurasi yang tinggi
sehingga
dapat menjadi salah satu metode alternatif yang lebih akurat dalam klasifikasi tutupan lahan,
DAFTAR PUSTAKA Aklein, 1998, “Spectral Mixture Analysis of Landsat Thematic Mapper Images Applied to the Detection of the Transient Snowline on Tropical Andean Glacier”. Thesis. Boardman, J.W., 1993, Automating Spectral Unmixing of AVIRIS DATA Using Geometry Concepts, In Summaries of the Fourth Annual JPL Airborne Geoscience Workshop, JPL Publ. 93-26, Vol. 1, Jet Propulsion Laboratory, Pasadena, CA, pp. 11-14. Drake, N.A., Settle, J.J.,1989, Linear mixture modeling of Thematic Mapper Data of the Peruvian Andes. In: Proc.9th EARSeL Symp, Helsinki, Finland, 27 June-1 July 1989, p.490-495.
16
Jurnal Fisika FLUX, Vol. 6 No. 1, Pebruari 2009 (1 – 16)
Huang, C., Wylie, B., Yang, L., Homer, C., Zylstra, G., 2002, Derivation of a tasseled cap transformation based on Landsat 7 atsatellite reflectance. International Journal of Remote Sensing 23 (8), 1741-1748. Jensen, J. R., 1996. Introduction Digital Image Processing: A Remote Sensing Perspective, 2d ed. Prentice Hall, New York. Lillesand T.M., Kiefer R.W, Chipman J.W., 2004, Remote Sensing and Image Interpretation, Fifth Edition, John Wiley & Sons, Inc.NewYork.
Plaza A.J., Chang C.I., 2008, High Performance Computing in Remote Sensing, Chapman & Hall/CRC, United State. Smith, M.O., Ustin, S.L., Adams, J.B., Gillespie, A.R., 1990, Vegetation in desert: a regional measure of abundance from multispectral images. Remote Sensing of Environment 31 (1), 1-26. Van der Meer, F., De Jong, S.M., 2000, Improving the results of spectral unmixing of Landsat Thematic Mapper imagery by enhancing the orthogonality of end-members, International Journal of Remote Sensing 21 (15), 2781-2797.
