Pemanfaatan Citra Penginderaan Jauh untuk Sumber Daya Wilayah Darat

Pemanfaatan Citra Penginderaan Jauh untuk Sumber Daya Wilayah Darat

ISBN No : 978-602-14437-6-7

Editor : Dr. Bidawi Hasyim Dr. Dony Kushardono Dr. Indah Prasasti Dr.Bambang Trisakti

Di cetak dan diterbitkan oleh :

CRESTPENT PRESS Kantor Pusat Pengkajian Perencanaan dan Pengembangan Wilayah, Institut Pertanian Bogor (P4W-LPPM) Kampus IPB Baranangsiang, JL. Pajajaran, Bogor 16144 Telp/Fax. (0251) 8359072, email: [email protected]

UNDANG-UNDANG NOMOR 19 TAHUN 2012 TENTANG HAK CIPTA

1. Barang siapa dengan sengaja dan tanpa hak mengumumkan atau memperbanyak suatu ciptaan atau member izin untuk itu, dengan pidana penjara paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp 5.000.000.000,00 (lima miliar rupiah).

2. Barangsiapa dengan sengaja menyiarkan, memamerkan, mengedarkan, atau menjual kepada umum suatu Ciptaan atau barang hasil pelanggaran Hak Cipta atau Hak Terkait sebagaimana dimaksud pada ayat (1) dipidana dengan pidana penjara paling lama 5 (lima) tahun dan/atau denda paling banyak Rp 500.000.000,00 (lima ratus juta rupiah).

DARI PENERBIT Puji syukur di panjatkan ke hadirat Tuhan Yang Maha Esa atas terselesaikannya buku bunga rampai dengan judul “Pemanfaatan Citra Penginderaan Jauh untuk Sumber Daya Wilayah Darat”. Buku ini memuat kumpulan tulisan ilmiah para peneliti/perekayasa di Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh Lembaga Penerbangan dan Antariksa Nasional yang mengulas manfaat dari data penginderaan jauh untuk mengidentifikasi dan menurunkan beberapa parameter bio-geo-fisik pada sektor pertanian, kehutanan, sumberdaya air dan pengembangan wilayah Dengan diterbitkannya buku bunga rampai Pemanfaatan Citra Penginderaan Jauh untuk Sumber Daya Wilayah Darat ini, diharapkan dapat memberikan kontribusi dalam upaya pemantauan sumberdaya alam sekaligus sebagai referensi dalam kegiatan pemanfaatan penginderaan jauh di wilayah Indonesia. Ucapan terima kasih diberikan kepada Pusat Pemanfaatan Penginderaan Jauh Lembaga Penerbangan dan Antariksa Nasional yang telah berkontribusi dalam penyusunan materi buku, serta kepada para penyunting dan Penelaah yang banyak membantu dalam penyempurnaan buku ini. Semoga buku ini dapat berkontribusi terhadap ilmu pengetahuan dan dimanfaatkan oleh pembacanya.

Penerbit

2


KATA PENGANTAR Kemajuan teknologi penginderaan jauh satelit yang dapat menghasilkan data dan linformasi yang realtime (up to date) dengan cakupan yang luas dan historikal data yang baik, memungkinkan LAPAN (khususnya Pusat Pemanfaatan Penginderaan Jauh) untuk berkontribusi dalam upaya pemantauan sumberdaya alam di wilayah Indonesia. Sesuai dengan amanah Undang-Undang No.21 tahun 2013, bahwa Pusat Pemanfaatan Penginderaan Jauh (Pusfatja) mempunyai tugas untuk membuat pedoman pengolahan data penginderaan jauh yang dapat dijadikan acuan bagi pengguna untuk melakukan pengolahan dan pemanfaatan data penginderaan jauh. Untuk melaksanakan tugas tersebut Pusfatja harus melakukan kegiatan Litbang pengolahan dan pemanfaatan data penginderaan jauh untuk menghasilkan metode yang akurat yang akan dijadikan pedoman. Buku Bunga Rampai ini memuat kumpulan tulisan ilmiah hasil kegiatan Litbang yang dilaksanakan oleh peneliti/ perekayasa di Bidang Sumber Daya Wilayah Darat yang merupakan salah satu bidang di bawah PusfatjaLAPAN. Tema tulisan ilmiah yang dimuat pada buku ini mencakup sektor pertanian, kehutanan, sumberdaya air dan pengembangan wilayah. Titik berat buku ini adalah menjelaskan bagaimana data penginderaan jauh, khususnya data satelit penginderaan jauh, dapat digunakan untuk mengidentifikasi dan menurunkan beberapa parameter bio-geo-fisik yang terdapat di permukaan bumi, sehingga diperoleh informasi yang dapat digunakan untuk mendukung program nasional Pemerintah Indonesia. Kami berharap buku ini dapat menjadi salah satu referensi yang bermanfaat dalam kegiatan pemanfaatan penginderaan jauh di Indonesia. Saran dan masukan dari pembaca sangat diharapkan bagi perbaikan metode dan informasi yang dihasilkan, selain itu juga bagi penyempurnaan penulisan buku serupa di masa yang akan datang.

Jakarta, November 2014 Editor


3

Daftar Isi Dari Penerbit �� 2 Kata Pengantar �� 3 Daftar Isi �� 4 Teknik Segmentasi dan Klasifikasi Berjenjang Untuk Pemetaan Lahan Sawah Menggunakan Citra SPOT-6 �� 5 I Made Parsa dan Tatik Kartika

Validasi Model Pemetaan Lahan Sawah Menggunakan Teknik Segmentasi dan Klasifikasi Citra Landsat Ortho (Studi Kasus Lampung) �� 17 I Made Parsa, Dipo Yudhatama, Sri Harini

Identifikasi Tanaman Pada Lahan Sawah Berdasarkan Model Pertumbuhan Tanaman Menggunakan Data EVI MODIS Multi Temporal �� 27 Dede Dirgahayu Domiri, Heru Noviar dan Silvi

Aplikasi Inderaja Untuk Mendeteksi Awal Tanam Padi Menggunakan Data EVI MODIS Multitemporal �� 39 Dede Dirgahayu

Analisis Nilai Ekologi Lahan Sawah Di Kota Depok Jawa Barat Menggunakan Data Satelit Penginderaan Jauh �� 49 Mukhoriyah

Pembuatan Informasi Spasial Sebaran NDVI di DTA Danau Kerinci Berbasis Data Landsat TM/ETM+ Periode 2000-2009 �� 59 Bambang Trisakti, Arum Tjahyaningsih, dan Samsul Arifin

Pemantaun Luas Permukaan Eceng Gondok dan Luas Danau Berbasis Data Penginderaan Jauh di Danau Tempe �� 71 Nana Suwargana dan Bambang Trisakti

Aplikasi Data Penginderaan Jauh Untuk Inventarisasi Hutan Mangrove di Kabupaten Bengkalis Propinsi Riau �� 85 Heru Noviar

Deteksi Perubahan Penutup Lahan Berdasarkan Analisis Visual dari Citra Landsat Tm Studi Kasus : Lemah Abang Bekasi �� 95 R. Johannes Manalu

Pemanfaatan Data Penginderaan Jauh dan SIG Untuk Pengembangan Jaringan Pipa Air Minum �� 105 Dipo Yudhatama dan Bambang Trisakti

4


TEKNIK SEGMENTASI DAN KLASIFIKASI BERJENJANG UNTUK PEMETAAN LAHAN SAWAH MENGGUNAKAN CITRA SPOT-6 (STUDI KASUS KABUPATEN MAROS, SULAWESI SELATAN)

I Made Parsa dan Tatik Kartika Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh - LAPAN

ABSTRAK Penelitian tentang “Segmentasi dan klasifikasi berjenjang untuk pemetaan lahan sawah menggunakan citra Spot-6” ini mengambil studi kasus Kabupaten Maros, Sulawesi Selatan bertujuan untuk pertama mengetahui ketelitian dari teknik segmentasi/klasifikasi yang dilakukan secara berjenjang untuk pemetaan lahan sawah. Kedua, membandingkan ketelitian pemetaan antara teknik segmentasi/klasifikasi berjenjang dengan teknik segmentasi dan interpretasi untuk pemetaan lahan sawah. Data yang digunakan dalam penelitian ini adalah citra SPOT-6 pansharpen multiwaktu (bulan Maret, April dan Mei 2013). Citra yang paling baik kualitasnya (bulan Maret) disegmentasi dengan skala 100, 80 dan 50 dengan warna 0,9 dan kekompakan 0,5. Klasifikasi dilakukan secara bertahap, tahap pertama klasifikasi dilakukan untuk memisahkan air, vegetasi, bera/terbuka/terbangun dan bayangan. Pada tahap kedua dilakukan pendetilan lebih lanjut dari tiap kelas hasil klasifikasi tahap satu yang berkaitan dengan lahan sawah. Air dikelaskan menjadi sawah berair, tambak berair dan badan air, kelas vegetasi dikelaskan menjadi sawah vegetasi, semak/belukar, hutan, sedangkan kelas bera/terbuka/lahan terbangun dikelaskan menjadi sawah bera, permukiman, lahan terbuka. Pada tahap akhir dilakukan penggabungan kelas sehingga terbentuk kelas lahan sawah dan nonsawah. Selain itu, juga dilakukan klasifikasi hasil segmentasi dengan teknik interpretasi citra SPOT multiwaktu menjadi kelas sawah dan kelas nonsawah. Sementara itu untuk data referensi dilakukan pemetaan lahan sawah dengan teknik interpretasi dan delineasi citra SPOT-6 multiwaktu. Pengujian dengan teknik confusion matrix (matrik kesalahan) menunjukkan bahwa ketelitian pemetaan dengan tekhik segmentasi dan klasifikasi mencapai 79,2% sedangkan ketelitian pemetaan dengan teknik segmentasi dan interpretasi mencapai 96,5%. Hasil kajian menunjukkan bahwa segmentasi dengan skala 100, warna 0,9 dan kekompakan 0,5 cukup baik memisahkan objek di wilayah kajian. Selain itu kajian ini juga menunjukkan bahwa kombinasi teknik segmentasi dengan interpretasi lebih baik dari teknik segmentasi dan klasifikasi.

Kata Kunci : Segmentasi berjenjang, klasifikasi, interpretasi, SPOT-6


5

PENDAHULUAN Perkembangan metode klasifikasi digital saat ini begitu pesat, hal ini ditandai dengan telah berkembangnya teknik klasifikasi berbasis objek yang diklaim akan dapat meminimalkan bebebapa kelemahan yang dihasilkan oleh teknik klasifikasi berbasis pixel karena klasifikasi berbasis pixel tidak hanya menggunakan nilai digital semata tetapi juga menambahkan beberapa parameter parameter utama sebagai pemisah objek, yaitu skala, bentuk, kekompakkan. Selain itu teknik klasifikasi berbasis objek ini memiliki keunggulan pada pemisahan antar objek yang sangat akurat dan presisi serta lebih efisien dari sisi waktu sehingga mempunyai potensi sebagai alternatif pengganti klasifikasi visual/delineasi maupun klasifikasi digital berbasis pixel (Kampouraki et al. (2007) dalam Parsa (2012)). Hasil penelitian menyimpulkan bahwa parameter skala dan warna sangat mempengaruhi hasil dan waktu segmentasi. Skala yang semakin kecil menyebabkan hasil segmentasi semakin detil karena semakin banyak region yang terbentuk sedangkan semakin besar threshold kuantisasi warna, maka jumlah cluster warna yang terbentuk semakin sedikit karena semakin banyak cluster warna yang digabungkan (Soelaiman et al. (2008) dalam Parsa (2012)). Penggunaan objek sebagai unit klasifikasi terkecil akan membantu mengatasi efek “salt and pepper” yang umum ditemukan pada klasifikasi digital berbasis pixel karena selain menggunakan fitur spektral, klasifikasi berbasis objek juga menggunakan fitur topografi, tekstur, dan geometri objek. Klasifikasi berbasis objek akan meningkatkan akurasi klasifikasi vegetasi secara significant yang dianggap sebagai hal mustahil dalam pemetaan vegetasi berbasis penginderaan jauh (Yu, 2006). Segmentasi dan klasifikasi berbasis objek citra resolusi sangat tinggi untuk pemetaan daerah perkotaan memberikan akurasi yang lebih tinggi dibandingkan dengan klasifikasi berbasis pixel (Peijun et al. , 2011). Segmentasi citra merupakan salah satu bagian penting dari pemrosesan citra, yang bertujuan untuk membagi citra menjadi beberapa region yang homogen berdasarkan kriteria kemiripan tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya. Hasil dari proses segmentasi ini akan digunakan untuk proses lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses identifikasi objek. Segmentasi citra merupakan bagian yang tidak terpisahkan dari metodologi analisis citra berbasis objek. Teknik segmentasi citra secara otomatis mengelompokkan piksel berdekatan menjadi contiguous region berdasarkan kemiripan kriteria pada property piksel. Objek dapat lebih baik daripada piksel, dalam hal mengetahui tetangganya (neighbours) serta hubungan spasial dan spektral antar piksel (Murinto dan Harjoko (2009) dalam Parsa (2012)). Segmentasi objek dilakukan dengan beberapa pendekatan berbeda mulai dari algoritma yang sangat sederhana seperti segmentasi Chessboard dan segmentasi Quad Tree Based hingga metode tahap lanjut seperti segmentasi Multiresolusi. Segmentasi Chessboard, membagi daerah piksel atau daerah objek citra kedalam objek-objek citra persegi dimana satu kotak persegi di pojok kiri atas dengan ukuran tertentu diterapkan ke seluruh objek citra sehingga setiap objek dibagi ke dalam kotak-kotak persegi ini. Segmentasi Quad Tree Based, membagi daerah piksel atau daerah objek citra kedalam grid quad tree yang dibentuk oleh objek-objek persegi. Struktur quad tree dibangun dengan cara setiap kotak memiliki ukuran maksimum pertama dan kedua yang memenuhi kriteria homogenitas seperti yang ditentukan oleh mode dan skala parameter. Segmentasi Multiresolusi, merupakan suatu prosedur optimasi heuristik yang secara lokal meminimumkan ratarata heterogenitas objek-objek pada citra untuk suatu resolusi tertentu yang dapat diterapkan pada level piksel atau pada suatu level objek citra. Segmentasi Spectral Difference, digunakan untuk menggabung objek-objek yang berdekatan sesuai dengan nilai intensitas layer rataannya. Objek-objek yang berdekatan digabung jika perbedaan intensitas rata-rata layernya kurang dari nilai yang diberikan oleh rata-rata beda spektral. Algoritma ini dirancang untuk memperhalus hasil segmentasi yang telah ada dengan menggabungkan objek-objek yang dihasilkan dari segmentasi sebelumnya yang memiliki spektral yang sama/mirip. 6


Beberapa parameter yang mempengaruhi hasil segmentasi tergantung beberapa hal, yaitu: skala parameter, bentuk, kehalusan, dan kekompakan. Skala parameter adalah ukuran yang menentukan nilai maksimum heterogenitas yang dibolehkan dalam menghasilkan objek-objek citra dimana untuk data yang heterogen, objek-objek yang dihasilkan akan lebih kecil daripada data yang lebih homogen dan dengan memodifikasi nilai skala parameter dapat dibuat ukuran objek-objek citra yang beragam. Bentuk secara tidak langsung dapat menentukan kriteria warna, yang menyatakan berapa persen nilai-nilai spektral pada layer citra yang akan berkontribusi terhadap keseluruhan kriteria homogenitas. Pembobotan ini berlawanan dengan persentase homogenitas bentuk yang ditentukan dalam kolom bentuk, dimana dengan nilai bentuk 1 akan mengakibatkan homogenitas spasial dari objek-objek menjadi lebih optimum. Meski demikian kriteria bentuk tidak dapat memiliki nilai lebih dari 0,9 terkait dengan fakta bahwa tanpa informasi spektral dari citra objekobjek yang dihasilkan tidak akan berkaitan dengan informasi spektral sama sekali. Kehalusan digunakan untuk mengoptimalkan objek-objek citra berkaitan dengan batas-batas objek. Sementara itu kekompakan digunakan untuk mengoptimumkan objek-objek citra dikaitkan dengan kekompakan Kriteria ini harus digunakan ketika objek-objek citra berbeda yang lebih kompak tetapi dipisahkan dari objek-objek tidak kompak hanya oleh kontras spektral yang relatif lemah (eCognition (2000) dalam Parsa (2012)). Komposisi Kriteria Homogenitas, merupakan acuan parameter skala ditentukan di dalam komposisi kriteria homogenitas. Pada keadaan ini homogenitas digunakan sebagai sinonim untuk heterogenitas minimum. Secara internal tiga kriteria yang dihitung yaitu warna, kehalusan dan kekompakan. Ketiga kriteria homogenitas ini bisa digunakan dengan beranekaragam kombinasi. Untuk sebagian besar kasus, kriteria warna merupakan yang terpenting dalam menghasilkan objek-objek tertentu. Meski demikian suatu nilai tertentu dari homogenitas bentuk seringkali dapat meningkatkan kualitas ekstraksi objek. Hal ini berkaitan dengan fakta bahwa kekompakan dari objek-objek spasial berhubungan dengan konsep bentuk citra. Sehingga kriteria bentuk sangat membantu dalam menghindari hasil berupa objek citra yang patah terutama pada data tekstur (misalnya data radar). Seluruh prosedur Klasifikasi citra remote sensing bertujuan untuk mengelompokkan semua pixel dalam citra kedalam klas tematik penutup dan penggunaan lahan. Tehnik klasifikasi konvensional menggunakan tehnik unsupervised maupun supervised sedangkan metoda pengambilan keputusannya dapat digunakan metoda minimum-distance, parallelepiped and maximum likelihood (Lillesand dan Kiefer, 1993). Pada proses klasifikasi menggunakan software definiens yang didasarkan pada object-oriented image analysis. Proses tersebut dilakukan dengan dua tahapan yaitu; Pertama adalah proses segmentasi dan kedua adalah proses pengklasan/ pengelompokan citra. Pengelompokkan diturunkan dari sifat-sifat physik objek yang biasanya digambarkan dalam bentuk textur dan/atau nilai gray level dari masing–masing objek. Artinya pengelompokkan objek diorganisir dalam hierarchy (berjenjang), dimana masing-masing klas/kelompok dapat mempunyai subklas atau super klas (lihat Gambar 1). Sawah adalah areal pertanian yang digenangi air atau diberi air dengan teknologi pengairan, tadah hujan, lebak atau pasang surut yang dicirikan oleh pola pematang, dengan ditanami jenis tanaman pangan berumur pendek (padi). Secara fisik lahan sawah berpermukaan rata, dibatasi oleh pematang (galengan), saluran untuk menahan/menyalurkan air, serta dapat ditanami tanaman pangan berumur pendek seperti padi, palawija atau tanaman budidaya lainnya atau yang dikenal dengan istilah lahan pertanian basah (Badan Standarisasi Nasional (2010) dalam Parsa (2011)). Sawah pada umumnya terdapat pada lahan yang datar hingga lahan yang mempunyai lereng < 10%, akan tetapi di beberapa wilayah tertentu lahan sawah juga dapat ditemukan pada lahan yang mempunyai lereng lebih dari 10%, bahkan hingga lereng 30%. Pada kondisi lereng yang demikian besar biasanya diterapkan sistem terasering (www.mediabpr.com, 2011). Lahan sawah pada citra komposit Landsat 5,4,3 dapat dengan mudah dikenali karena mempunyai karakteristik yang berbeda dibandingkan dengan penggunaan lahan lainnya. Lahan sawah dapat mempunyai tiga macam kenampakkan yang berbeda tergantung kondisi/fase lahan sawah tersebut yaitu biru (dalam kondisi air/fase pengolahan tanah sampai


7

tanam), hijau (setelah tanam/vegetatif) dan merah (panen/bera). Perubahan kenampakkan tersebut cukup mudah diamati pada pengamatan terhadap data multitemporal, sehingga dengan demikian lahan sawah cukup mudah pula untuk diidentifikasi (Parsa et al, 2011).

Gambar 1. Klasifikasi hierarchi citra

Sistem SPOT mempunyai empat saluran termasuk tiga kanal multispektral, yaitu kanal hijau, merah, infra merah dekat dan satu kanal pankromatik. Resolusi spasial citra SPOT adalah 20x20 meter untuk kanal multispektral dan 10x10 meter untuk kanal pankromatik sedangkan cakupannya seluas 60 km (Lillesand and Kiefer, 1993). SPOT tidak mempunyai kanal infra merah tengah yang peka terhadap kandungan air daun menyebabkan citra SPOT kurang baik untuk studi vegetasi, selain itu dari segi harga SPOT memang lebih mahal (Dimyati, 1998). SPOT 5 memiliki dua instrumen resolusi tinggi geometris (HRG) yang berasal dari HRVIR SPOT 4 dengan resolusi yang lebih tinggi dari 2,5 sampai 5 meter dalam mode pankromatik dan 10 meter dalam mode multispektral (20 meter di gelombang pendek inframerah 1,58-1,75 µm). SPOT 6 mempunyai resolusi produk Pankromatik: 1,5 m; Color merge: 1,5 m, Multispektral: 6,2 m. Akuisisi pankromatik dan multispektral SPOT 6 adalah simultan 6 kali perhari persatelit. Tabel 1. Perbandingan karakteristik system SPOT-5 dan SPOT-6 SPOT-5

SPOT-6

Band

Resolusi

Panjang Gel

Band

Resolusi

Panjang Gel

Band 1, Green

10 m

0.50 - 0.59 μm

Band 1, Blue

6,2 m

0.450–0.525 μm

Band 2, Red

10 m

0.61 - 0.68 μm

Band 2, Green

6,2 m

0.530–0.590 μm

Band 3, Near-IR

10 m

0.79 - 0.89 μm

Band 3, Red

6,2 m

0.625–0.695 μm

Band 4, Pank

2,5 m

0. 51 - 0.73 μm

Band 4, Near-IR

6,2 m

0.760–0.890 μm

Band 5, Pank

1,5 m

0.450–0.745 μm

Penelitian ini mempunyai dua tujuan utama, yaitu (1) mengetahui ketelitian dari teknik segmentasi/klasifikasi yang dilakukan secara berjenjang untuk pemetaan lahan sawah. (2) membandingkan ketelitian pemetaan antara teknik segmentasi/klasifikasi dengan teknik segmentasi dan interpretasi untuk pemetaan lahan sawah.

8


METODE Lokasi penelitian/kajian dilaksanakan dengan mengambil wilayah di Kabupaten Maros, Sulawesi Selatan dengan luas kajian berkisar 3.028 hektar. Lokasi kajian ini merupakan dataran rendah dengan beragam penggunaan seperti sawah, tambak dan sebagian masih merupakan hutan belukar dengan topografi berbukit. a. Data yang digunakan dalam kajian ini meliputi: citra SPOT-6 pansharpen terkoreksi radiometrik tahun 2013 produksi Pusat Teknologi dan Data LAPAN, dengan resolusi spasial 1,5 meter. b. Diagram alir pengolahan dan analisis data disajikan pada Gambar 2. Tahapan pengolahan dan análisis citra mencakup tahapan sebagai berikut: 1. Pengolahan data a. Seleksi dan cropping citra SPOT-6 pansharpen untuk wilayah kajian. Berdasarkan hasil seleksi, citra yang kualitasnya terbaik adalah citra yang diperoleh tanggal 28 Mei 2013 sehingga sebagai base untuk segmentasi. b. Segmentasi dijital citra SPOT-6 pansharpen tahap satu menggunakan kombinasi skala yaitu 100, dan 80 dengan nilai warna 0,9 dan kekompakan 0,5. Hasil segmentasi dikonversi ke format shapefile (shp). c. Analisis kuantitatif terhadap hasil segmentasi, meliputi akurasi segmen dan keterpisahan objek. Berdasarkan hasil analisis ini kemudian ditetapkan apakah kombinasi nilai warna dan kekompakan yang digunakan mampu memisahkan objek dengan baik. d. Pengambilan training sampel dan klasifikasi tahap 1, yang hanya terdiri atas empat kelas yaitu air, bera/ terbuka/terbangun, vegetasi dan bayangan. e. Pengambilan training sampel dan klasifikasi tahap 2, untuk mendetilkan masing-masing kelas yang terbentuk pada hasil klasifikasi tahap 1, dilakukan tiga kali yaitu untuk mendetilkan kelas air, kelas bera/ terbuka/terbangun, dan kelas vegetasi. f. Analisis percampuran kelas pada setiap tahap klasifikasi g. Penggabungan kelas hingga terbentuk kelas sawah dan kelas nonsawah. h. Identifikasi, klasifikasi citra SPOT-6 multiwaktu untuk pemberian label pada shapefile hasil segmentasi citra SPOT-6 i. Identifikasi, interpretasi dan delineasi lahan sawah berdasarkan citra SPOT-6. 2. Evaluasi ketelitian hasil pemetaan dengan matrik kesalahan (confusion matrix) dengan referensi hasil interpretasi lahan sawah dari citra SPOT-6 multitemporal terhadap: a. Hasil segmentasi/klasifikasi digital citra SPOT-6 b. Hasil segmentasi dan interpretasi citra SPOT-6


9

CITRA INDERAJA SPOT-6 PANSHARPEN, MULTIWAKTU Segmentasi; Scale; Shape; Compactness

T Data lapangan (Referensi)

INTERPRETASI berdasarkan kunci Interpretasi

EVALUASI SEGMEN

Y Penentuan kelas

Pengambilan training sampel tahap 1



Klasifikasi

T

EVALUASI KLASIFIKASI

Perbaikan training sampel

Y Record Kelas Sawah dan Nonsawah Peta Lahan Sawah

Peta Lahan Sawah

Confusion Matrix

MODEL PEMETAAN LAHAN SAWAH

KETELITIAN PEMETAAN LAHAN SAWAH

Gambar 2. Diagram alir pelaksanaan penelitian

10


HASIL DAN PEMBAHASAN Penggunaan kombinasi warna 0,9, kekompakan 0,5 didasarkan atas hasil kajian sebelumnya tentang pemetaan lahan sawah menggunakan citra Landsat. Sementara itu perlakuan dua macam skala 100 dan 80 bertujuan untuk melihat keterpisahan hasil segmentasi dimana analisis kualitatif terhadap hasil segmentasi menunjukkan bahwa secara umum kedua perlakuan skala 80 dan skala 100 menghasilkan segmen yang cukup baik dimana sedikit terjadi percampuran kelas, bedanya adalah perlakuan skala 80 lebih detil dimana satu kelas dapat terbagi menjadi beberapa segmen. Mengingat dalam kasus ini yang dipelajari adalah segmentasi dan klasifikasi berjenjang maka dipilih skala 100 sebagai dasar untuk analisis lebih lanjut. Hasil segmentasi awal skala 100 disajikan pada Gambar 3. Lahan sawah, hutan, belukar dan lahan campuran dapat tersegmentasi dengan cukup baik dimana kenampakkan yang berbeda secara nyata menjadi segmen yang berbeda. Lahan tambak dapat dipisahkan dengan sangat baik karena pemisahan terjadi bukan hanya tiap blok/petak saja tetapi juga untuk pematang tambak juga segmennya terpisah. Pada tahap 1 pengambilan training sampel hanya meliputi tiga kelas yaitu: lahan/tanah terbuka (termasuk area terbangun), air, vegetasi, dan bayangan. Analisis statistik training sampel tahap 1 ini menunjukkan bahwa percampuran antara training sampel air, tanah dan bayangan sangat rendah 1-15%, kecuali antara kelas air dan vegetasi percampurannya agak tinggi 42-47%, selengkapnya disajikan pada Tabel 6.

a

b

c

d

Gambar 3. a. sawah, b. tambak, c. campuran dan d. hutan pada hasil segmentasi citra SPOT-6 dengan skala 100, warna 0,9, kekompakan 0,5


11

Tabel 2. Statistik percampuran kelas training sampel tahap 1 antar kelas pada lokasi kajian Pembanding

Tanah

Kelas aktif

b1

Air

b2 4

Vegetasi b3

8

b1 9

Tanah

b2

Campuran b3

b1

Bayangan

b2

b3

b1

47

42

44

14

14

14

5

15

13

1

5

6

13

13

13

Vegetasi

b2

b3

3

5

4

4

4

4

Keterangan: b1:band 1, b2:band 2, b3:band 3, satuan persen

Pada tahap dua, segmentasi dan klasifikasi dilakukan terhadap masing-masing kelas hasil klasifikasi tahap 1. Segmentasi dan klasifikasi kelas air untuk memisahkan badan air, dan tambak air, sedangkan segmentasi dan klasifikasi lahan terbuka/terbangun dilakukan untuk memisahkan sawah bera, permukiman dan lahan terbuka. Segmentasi dan klasifikasi kelas vegetasi diharapkan dapat memisahkan antara vegetasi sawah, semak dan lain-lain. Hasil segmentasi dan klasifikasi tahap kedua terhadap kelas air memisahkan kelas badan air dan tambak air dengan percampuran kelas yang cukup baik kecuali antara badan air dan vegetasi (sangat tinggi), selengkapnya disajikan pada Tabel 3. Tabel 3. Statistik percampuran training sampel tahap kedua untuk kelas air Kelas aktif

Tambak air

Pembanding

b1

Vegetasi

Badan air

b2

b3

b1

40

33

36

0

0

0

Campuran

13

9

9

Badan air

2

0

1

Tanah

b2

b3

98

100

100

7

0

7

Bayangan Keterangan: b1:band 1, b2:band 2, b3:band 3, satuan persen

Hasil segmentasi dan klasifikasi tahap kedua terhadap kelas vegetasi memisahkan sawah vegetasi, semak/ belukar dengan percampuran kelas 2-36% kecuali antara kelas sawah vegetasi dengan semak dan sawah vegetasi 81-83%, selengkapnya disajikan pada Tabel 4 . Tabel 4. Statistik percampuran kelas training sampel tahap kedua untuk kelas vegetasi Kelas aktif Pembanding Vegetasi

12

Tambak air b1

b2 40


Badan air b3

33

b1 36

b2 98

100

Sawah vegetasi b3 100

b1

b2

b3

Kelas aktif

Tambak air

Pembanding

b1

Tanah

Badan air

b2

b3

b1

b2

Sawah vegetasi b3

b1

b2

b3

0

0

0

21

36

31

Campuran

13

9

9

15

15

15

Badan air

2

0

1

15

15

14

2

3

3

Tambak air

18

10

14

Semak

81

82

83

Bayangan

7

0

7


Sementara itu segmentasi dan klasifikasi tahap kedua, terhadap lahan terbuka/area terbangun memisahkan permukiman, sawah bera dengan percampuran kelas 1-37%, selengkapnya disajikan pada Tabel 5. Tabel 5. Statistik percampuran training sampel tahap kedua untuk lahan terbuka/area terbangun Kelas aktif

Tambak air

Pembanding Vegetasi

b1

b2

Sawah bera b3

b1

40

33

36

0

0

0

Campuran

13

9

9

Badan air

2

0

1

Tanah

b2

Badan air b3

b1

b2

98

Bayangan

5

6

7

1

1

1

b3

100

7

Sawah vegetasi

0

b1

Permukiman Sawah bera

0

0

12

27

37

11

11

7

1

12

12

b3

100

7

Tambak air Semak

b2

21

36

31

15

15

15

15

15

14

2

3

3

18

10

14

81

82

83

13


Pada tahap akhir dilakukan penggabungan kelas lahan sawah dari setiap tahapan sehingga diperoleh peta lahan sawah hasil klasifikasi sebagaimana disajikan pada Gambar 3. Pengujian ketelitian hasil klasifikasi dilakukan dengan teknik confusion matrix (matrik kesalahan), menggunakan referensi peta lahan sawah hasil interpretasi citra SPOT-6 pansharpen multitemporal. Hasil pengujian menunjukkan bahwa ketelitian (overall accuracy) pemetaan lahan sawah dengan teknik segmentasi ini mencapai 79,4% selengkapnya disajikan pada Tabel 6. Tabel 6. Ketelitian pemetaan lahan sawah dengan teknik segmentasi dan klasifikasi digital Seg-Klasifikasi

Sawah

Nonsawah

Luas

Ketelitian (%)

Interpretasi Sawah

696.155

150.637

846.792

82.2

Nonsawah

473.087

1708.072

2181.159

78.3

Overall accuracy

79.4


13

Gambar 3. Hasil klasifikasi akhir pada lokasi kajian

Selain pengujian akurasi terhadap hasil segmentasi dan klasifikasi digital tersebut, juga dilakukan pengujian akurasi terhadap hasil segmentasi dan interpretasi dengan ketelitian 96,5% sebagaimana disajikan pada Tabel 7. Table 7. Ketelitian pemetaan lahan sawah dengan teknik segmentasi dan interpretasi Seg-Interpretasi

Sawah

Nonsawah

Luas

Ketelitian (%)

Interpretasi Sawah Nonsawah Overall accuracy

14


812.441

34.351

846.792

95.94

70.249

2110.910

2181.159

96.78 96.5

KESIMPULAN Berdasarkan hasil kajian sebagaimana diuraikan diatas, maka penelitian ini dapat menyimpulkan bahwa: a. Segmentasi citra SPOT-6 pansharpen dengan kombinasi nilai parameter skala 100, warna 0,9 dan kekompakan 0,5 cukup baik memisahkan objek di lokasi kajian b. Ketelitian klasifikasi (Overall accuracy) teknik segmentasi dan klasifikasi digital citra SPOT-6 pansharpen untuk pemetaan lahan sawah mencapai 79,4%. c. Ketelitian klasifikasi (Overall accuracy) teknik segmentasi dan interpretasi citra SPOT-6 pansharpen untuk pemetaan lahan sawah mencapai 96,5%. d. Teknik segmentasi yang dikombinasi dengan interpretasi memberikan hasil pemetaan yang lebih baik dibandingkan dengan teknik segmentasi dan klasifikasi.

UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih yang setinggi-tingginya kepada Tim Reviewer Pusat Pemanfaatan Penginderaan Jauh atas arahan dan masukan yang telah diberikan dalam penulisan makalah ini. Ucapan terima kasih juga saya sampaikan kepada Kepala Bidang Teknologi Pengolahan Data atas data SPOT-6 yang telah diberikan, Kepala Bidang Sumber Daya Wilayah Darat yang telah memfasilitasi serta teman-teman tim peneliti yang telah mendukung pelaksanaan penelitian ini.

DAFTAR PUSTAKA Agricultural Parcel Detection with Definiens eCognition, 2013. (http://www.definiens.com, diakses tanggal 22 Januari 2013) Achmad, B. dan Fardausy, K. 2005. Teknik Pengolahan Citra Digital, Ardi Publishing, Yogyakarta. Badan Standarisasi Nasional, 2010. Standar Nasional Indonesia - Klasifikasi Penutup Lahan. Jakarta: BSN. 28 hlm. Kampouraki M., Wood GA., Brewer TR. 2007. The Suitable of Object-Base Image Segmentation to Replace Manual Areal Photo Interpretation for Mapping Impermeable Land Cover. Lahan Sawah. (http://www.mediabpr.com/kamus-bisnis-bank/lahan sawah.aspx, diakses tanggal 9 Maret 2011) Lillesand and Kiefer. 1993. Penginderaan Jauh dan Interpretasi Citra. Terjemahan Dulbahri et al. Cetakan kedua. Gajah Mada University Press. Yogyakarta. 725 hlm. Manual Definiens Professional 5.0. (http://www.definiens.com, diakses tanggal 28 Januari 2011) Murinto, Harjoko A., 2009. Segmentasi Citra Menggunakan Watershed dan Intensitas Filtering sebagai Pre Processing. Seminar Nasional Informatika 2009. Parsa M., Surlan, Ahmad Sutanto, Soko Budoyo, dan Nursanti Gultom, 2011. Pengembangan Model Pemanfaatan Data Inderaja untuk Pengelolaan Sumberdaya Lahan dalam Rangka Mendukung Ketahanan Pangan, Laporan Akhir. Pusat Pemanfaatan Penginderaan Jauh. Parsa M., 2012. Optimalisasi Parameter Segmentasi untuk Pemetaan Lahan Sawah Menggunakan Data Satelit Landsat. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital Vol. 10 No. 1 Juni 2013. ISSN 1412-8098 No. 429/Akred-LIPI/P2MI-LIPI/04/2012. Diterbitkan oleh LAPAN. Hal. 27-37.


15

Peijun Li, Guo Jiancong, Benqin Song, Xiaobai Xiao, 2011. A Multilevel Hierarchical Image Segmentation Method for Urban Impervious Surface Mapping Using Very High Resolution Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing - IEEE J SEL TOP APPL EARTH OBS , vol. 4, no. 1, p. 103-116 Yu Qian, Peng Gong, Nick Clinton, Greg Biging, Maggi Kelly, and Dave Schirokauer. 2006. Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery. Photogrammetric Engineering & Remote Sensing Vol. 72, No. 7, July 2006, pp. 799–811. Soelaiman R., Darlis Herumurti, Dyah Wardhani Kusuma., 2008. Segmentasi Citra Berwarna Menggunakan Algorithma Jseg. Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya. Prosiding Seminar Nasional Teknologi Industri Bidang Teknik Informatika.

16


VALIDASI MODEL PEMETAAN LAHAN SAWAH MENGGUNAKAN TEKNIK SEGMENTASI DAN KLASIFIKASI CITRA LANDSAT ORTHO (STUDI KASUS LAMPUNG)

I Made Parsa, Dipo Yudhatama, Sri Harini Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh - LAPAN

ABSTRAK Ketelitian pemetaan yang berbasis citra satelit tergantung dua faktor, pertama ketelitian/kualitas geometri citra dan kedua ketelitian klasifikasi citra. Kedua faktor tersebut tidak dapat dilepaskan satu dengan lainnya, ketelitian geometri tanpa disertai ketelitian klasifikasi ataupun sebaliknya akan menyebabkan ketelitian pemetaan yang kurang baik/ rendah. Penelitian ini bertujuan untuk mengkaji kualitas citra Landsat ortho dan validasi model pemetaan lahan sawah dengan teknik segmentasi dan klasifikasi citra Landsat multiwaktu, dengan studi kasus provinsi Lampung. Data yang digunakan dalam segmentasi adalah data Landsat ortho tahun 2009 sedangkan klasifikasi dilakukan terhadap data Landsat ortho multiwaktu tahun 2000-2009. Model pemetaan ini menggabungkan teknik digital dan teknik visual, dimana segmentasi dilakukan secara digital sedangkan klasifikasi menggunakan teknik visual. Validasi lapangan terhadap kualitas geometri citra Landsat dilakukan dengan pengukuran 60 titik koordinat sedangkan validasi hasil pemetaan lahan sawah dilakukan dengan pengamatan dan pencatatan di 56 titik pengamatan yang tersebar di sentra lahan sawah di provinsi Lampung. Hasil analisis menunjukkan bahwa kualitas citra Landsat ortho cukup baik dengan pergeseran 9-11 meter sedangkan akurasi pemetaan mencapai 90,6%.

Kata kunci: Validasi, segmentasi, citra Landsat ortho, multiwaktu


17

PENDAHULUAN Ketelitian pemetaan berbasis citra penginderaan jauh tergantung dari dua hal yang tidak dapat dilepaskan satu sama lainnya. Pertama ketelitian/kualitas geometri dari citra yang digunakan, haruslah memenuhi standar ketelitian sesuai dengan skala peruntukannya. Ketelitian geometri citra Landsat harus memenuhi standar kesalahan tertentu, biasanya menggunakan maksimum satu pixel (Kustiyo, 2010). Kedua, ketelitian klasifikasi citra haruslah baik, yang harus dilihat dengan validasi (menggunakan informasi dari skala yang lebih besar atau dengan validasi lapangan). Ketelitian geometri citra yang baik tanpa dibarengi ketelitian klasifikasi yang baik atau sebaliknya akan menghasilkan ketelitian pemetaan yang kurang baik. Informasi spasial lahan sawah pada tingkat skala menengah (1:100.000) masih dibutuhkan oleh institusi terkait seperti Kementerian Koordinator Bidang Perekonomian, hal ini berkaitan dengan program peningkatan produksi pangan dalam rangka swasembada (pemenuhan kebutuhan dalam negeri) yang telah dicanangkan pemerintah. Data yang ada saat masih menunjukkan adanya perbedaan antara luas lahan sawah seluruh Indonesia yang hanya 4.813.832 ha dengan data daerah irigasi terbangun 7.634.401 ha dimana terdapat 2.82 juta ha yang belum diketahui keberadaannya secara spasial. Angka ini menjadi penting karena dianggap merupakan lahan potensial untuk dikembangkan menjadi lahan sawah (Purba, 2010). Badan Standarisasi Nasional mendefinisikan bahwa sawah merupakan areal pertanian yang digenangi air atau diberi air dengan teknologi pengairan, tadah hujan, lebak atau pasang surut dengan ciri-ciri berpermukaan rata, dibatasi oleh pematang/galengan, adanya saluran untuk menahan/menyalurkan air dan umumnya ditanami dengan jenis tanaman pangan berumur pendek seperti padi, palawija atau tanaman budidaya lainnya (Parsa et al, 2011). Sawah pada umumnya terdapat pada lahan yang datar hingga lahan yang mempunyai lereng < 10%, akan tetapi di beberapa wilayah tertentu lahan sawah juga dapat ditemukan pada lahan yang mempunyai lereng lebih dari 10%, bahkan hingga lereng 30%. Pada kondisi lereng yang demikian besar biasanya diterapkan sistem terasering (www.mediabpr.com (2011) dalam Parsa et al. (2011)). Lahan sawah pada citra komposit Landsat 5,4,3 dapat dengan mudah dikenali karena mempunyai karakteristik yang berbeda dibandingkan dengan penggunaan lahan lainnya. Lahan sawah dapat mempunyai tiga macam kenampakkan yang berbeda tergantung kondisi/fase lahan sawah tersebut yaitu biru (dalam kondisi air/fase pengolahan tanah sampai tanam), hijau (setelah tanam/vegetatif) dan merah (panen/bera). Perubahan kenampakkan tersebut cukup mudah diamati pada pengamatan terhadap data multiwaktu, sehingga dengan demikian lahan sawah cukup mudah pula untuk diidentifikasi (Parsa et al., 2011). Saat ini metode klasifikasi dijital telah berkembang demikian pesatnya terutama klasifikasi dijital berbasis objek. Metode klasifikasi ini akan meminimalkan kelemahan klasifikasi berbasis pixel (yang hanya didasarkan nilai dijital) dengan menambahkan beberapa parameter lain (Kampouraki et al., 2007). Metode klasifikasi ini menggunakan tiga parameter utama sebagai pemisah objek, yaitu skala, bentuk, kekompakkan. Klasifikasi dijital ini memiliki keunggulan pada pemisahan antar objek yang sangat akurat dan presisi (Agrawal (2010); Walter (2003)). sehingga dengan demikian dapat menjadi alternatif untuk menggantikan klasifikasi digital berbasis pixel dan klasifikasi visual/delineasi. Klasifikasi dijital ini juga memiliki kelebihan dalam efisiensi waktu pengerjaan (Putranto et al., 2010). Sebagai bagian yang penting dari pemrosesan citra, segmentasi bertujuan untuk membagi citra berdasarkan kriteria kemiripan tingkat keabuan piksel dengan tetangganya menjadi beberapa region yang homogen untuk diproses lebih lanjut seperti klasifikasi citra dan identifikasi objek. Sementara itu sebagai bagian yang yang tidak terpisahkan dari metodologi analisis citra berbasis objek, teknik segmentasi citra secara otomatis akan mengelompokkan piksel yang berdekatan menjadi contiguous region menurut kemiripan property pikselnya. (Murinto dan Agus Harjoko, 2009).

18


Hasil kajian yang telah dilakukan mengenai “Optimalisasi Parameter Segmentasi Untuk Pemetaan Lahan Sawah Menggunakan Citra Satelit Landsat dengan studi kasus Padang Pariaman, Sumatera Barat dan Tanggamus, Lampung” menyimpulkan bahwa kombinasi nilai parameter skala 11, warna 0.9 dan kekompakan 0.5 memberikan hasil segmentasi yang paling mendekati data referensi dengan ketelitian pemetaan yang mencapai lebih dari 90%. Kajian tersebut juga menyarankan perlunya kajian lanjutan menyangkut penyempurnaan metode untuk mengurangi analisis visualnya maupun verifikasi model tersebut di wilayah lain (Parsa, 2013). Berkaitan dengan hal tersebut telah dilakukan “Validasi Model Pemetaan Lahan Sawah Menggunakan Teknik Segmentasi dan Klasifikasi Citra Landsat Ortho”. Penelitian ini bertujuan untuk dua hal, pertama untuk pengecekan akurasi citra Landsat ortho yang digunakan sebagai input, kedua melakukan verifikasi untuk mengetahui ketelitian model pemetaan lahan sawah dengan teknik segmentasi dan klasifikasi.

METODE Kajian dilaksanakan pada tahun 2012 dengan mengambil sampel wilayah di provinsi Lampung. Data yang digunakan dalam penelitian ini adalah satelit Landsat terkoreksi ortho multitemporal tahun 2000, sampai 2009 arsip program INCAS-LAPAN. Mengingat data tahun 2009 dan 2008 masih ada yang tertutup awan, maka dilakukan mosaik secara vertikal data tahun 2007, 2008, dan 2009 (data tahun 2009 paling atas) untuk selanjutnya digunakan sebagai input segmentasi. Sementara data tiap tahun digunakan sebagai dasar interpretasi, klasifikasi dan labeling hasil segmentasi. Klasifikasi ini menggunakan dua kelas penggunaan lahan yaitu sawah dan nonsawah (selain sawah) yang didasarkan atas perubahan tutupan lahan (air, bera dan vegetasi) dari tahun ke tahun. Diagram alir pengolahan data dan validasi pemetaan lahan sawah disajikan pada Gambar 1.

Gambar 1. Diagram alir pengolahan data dan validasi hasil pemetaan lahan sawah


19

Tahap pengolahan dan analisis data adalah sebagai berikut: 1. Pengolahan data a. Mosaik vertikal data tahun 2007, 2008, dan 2009 menurut tahun dan menempatkan data 2009 sebagai data paling atas b. Kroping citra Landsat menggunakan batas sheet skala 1:100.000 untuk mempercepat proses segmentasi. c. Segmentasi citra Landsat menggunakan kombinasi nilai parameter terbaik sesuai hasil kajian tahun 2012 yaitu skala 10, warna 0.9, kekompakkan 0.5 dan konversi menjadi format shapefile (Parsa et al., 2012). d. Interpretasi data Landsat multiwaktu dan labeling hasil segmentasi. Interpretasi dilakukan terhadap seluruh data Landsat multiwaktu untuk melihat perubahan tutupan lahan air, vegetasi dan bera. Labeling dilakukan dengan menggunakan dua kelas klasifikasi penggunaan lahan yaitu sawah, dan nonsawah. e. Mosaik informasi spasial lahan sawah antar sheet seluruh Lampung. f. Validasi lapangan dilakukan dengan observasi, pengukuran, pencatatan, identifikasi, dan dokumentasi dengan teknik point sampling (Amirin dan Tatang, 2011; Wahyunto, et al., 2004), meliputi: 1.

Pengukuran, pencatatan koordinat lapangan untuk evaluasi akurasi kualitas data Landsat ortho Pengukuran ini dilakukan pada 60 titik lokasi.

2.

Pencatatan, identifikasi dan dokumentasi lapangan (liputan lahan) di 53 titik pengamatan untuk menghitung akurasi hasil pemetaan.

2. Evaluasi meliputi ketelitian geometri cira Landsat ortho dan ketelitian pemetaan lahan sawah, dilakukan untuk mengetahui akurasi/ketelitian citra Landsat ortho dan ketelitian pemetaan lahan sawah. Ketelitian ortho dihitung berdasarkan selisih hasil pengukuran lapangan dengan koordinat pada citra, sedangkan ketelitian pemetaan dihitung dengan jumlah titik yang benar dibagi jumlah titik pengamatan. 3. Hasil dan Pembahasan Koreksi/rektifikasi ortho yang dilakukan di program INCAS menggunakan input lebih dari 50 titik control point (X,Y,Z) yang diperoleh dari referensi citra Landsat GLS-2000 (Global Land Survey-2000) yang sudah terkoreksi ortho dan DEM SRTM 90 meter. Titik kontrol yang digunakan terdistribusi secara merata di seluruh bagian citra, sehingga diharapkan citra hasil koreksi mempunyai akurasi yang baik. Selain itu standar rms error yang dipersyaratkan dalam proses ini maksimum 1 pixel. Citra ortho hasil koreksi ini digunakan sebagai input proses segmentasi dan klasifikasi untuk pemetaan lahan sawah. Pengecekan kualitas citra dilakukan dengan pengecekan dan pengukuran koordinat di 60 titik di lapangan dengan sebaran tidak ideal, hal ini disebabkan karena keterbatasan aksesibilitas dan waktu. Walaupun demikian sebaran ini masih cukup baik karena cukup mewakili area yang mempunyai lahan sawah. Berdasarkan hasil pengukuran tersebut dilakukan penghitungan kesalahan dengan menghitung selisih koordinat pada citra dan koordinat hasil pengukuran. Hasil penghitungan selisih koordinat di seluruh titik menunjukkan bahwa kesalahan geometri yang terjadi berkisar 1- 46 meter untuk arah X dan 1-33 meter untuk arah Y, sehingga secara keseluruhan rata-rata kesalahan mencapai 9-11 meter. Selengkapnya rencana dan hasil pengukuran koordinat serta pengamatan kelas lahan disajikan pada Tabel 1, sedangkan sebaran spasial titik hasil pengukuran disajikan pada Gambar 2.

20


Tabel 1. Rencana dan hasil pengukuran koordinat di beberapa kabupaten Lampung

ID

XR

YR

XH

YH

1

511738

9405398

511749

9405378

-

Simpangan Dinas Pertanian

2

510840

9406422

510836

9406404

Sawah

3

510435

9407308

510426

9407304

4

510181

9408061

510181

5

500802

9397632

6

497913

7

PEMETAAN

RIIL

∆Y

∆X 11

20

Sawah bera/air

4

18

Sawah

Sawah bera/air

9

4

9408070

Sawah

Sawah bera/air

0

9

500800

9397618

Sawah

Sawah bera/air

2

14

9396311

497916

9396322

Sawah

Sawah bera/air

3

11

497189

9397201

497196

9397206

Sawah

Sawah bera/air

7

5

8

506878

9403155

506883

9403160

Sawah

Sawah bera

5

5

9

504577

9401666

504563

9401656

Sawah

Sawah bera

14

10

10

504177

9402654

504185

9402642

Sawah

Sawah bera

8

12

11

504786

9404538

504794

9404548

Sawah

Sawah bera

8

10

12

496285

9406319

496263

9406300

Sawah

Sawah bera

22

19

13

493299

9401720

493291

9401720

Sawah

Sawah bera

8

0

14

500299

9407185

500285

9407182

-

Jembatan

14

3

15

500524

9407128

500538

9407110

Sawah

Sawah bera

14

18

16

525857

9430203

525863

9430208

Sawah

Sawah bera

6

5

17

527882

9432219

527876

9432204

Sawah

Sawah bera

6

15

18

529664

9432039

529658

9432042

Sawah

Sawah bera

6

-3

19

531861

9432762

531845

9432756

Sawah

Sawah bera

16

6

20

532102

9431186

532100

9431186

Sawah

Sawah bera

2

0

21

531191

9430087

531184

9430076

Sawah

Sawah bera

7

11

22

533921

9431067

533916

9431072

Sawah

Sawah bera

5

5

23

534882

9437446

534889

9437438

Sawah

Sawah bera

7

8

24

531847

9436635

531842

9436642

Sawah

Sawah bera

5

7

25

530807

9440684

530815

9440656

Sawah

Sawah bera

8

28

26

531693

9443226

531696

9443226

Sawah

Sawah bera

3

0

27

533174

9444140

533179

9444158

Sawah

Sawah bera

5

18

28

534519

9446272

534521

9446266

Sawah

Sawah bera

2

6

29

522331

9441289

522324

9441284

Sawah

Sawah bera

7

5

30

522048

9440234

522086

9440260

Sawah

Sawah bera

38

26

31

519742

9426964

519733

9426956

Sawah

Sawah bera

9

8

32

521252

9414306

521206

9414314

Sawah

Sawah bera

46

8

33

519756

9453780

519761

9453756

Sawah

Kebun singkong

5

24

34

516768

9453266

516750

9453234

Sawah

Kebun singkong

18

32

35

529899

9457428

529895

9457444

-

Simpangan

4

16

36

532427

9460441

532439

9460474

Sawah

Kebun singkong

12

33


21

ID

XR

YR

XH

YH

37

535302

9463525

535300

9463520

Sawah

Sawah bera

2

5

38

551549

9464263

551558

9464260

Sawah

Sawah bera

9

3

39

545455

9463637

545470

9463630

Sawah

Sawah bera

15

7

40

542913

9458680

542903

9458692

Sawah

Sawah bera

10

12

41

541648

9457530

541646

9457544

Sawah

Sawah bera

2

14

42

539285

9455576

539302

9455584

Sawah

Sawah bera

17

8

43

577755

9362603

577750

9362605

Sawah

Sawah bera

5

2

44

574780

9365431

574777

9365420

Sawah

Sawah bera

4

11

45

579789

9377982

579780

9377992

Sawah

Sawah bera

9

10

46

580646

9378880

580652

9378883

Sawah

Sawah bera

6

3

47

586821

9370227

586826

9370222

Sawah

Sawah bera

5

5

48

586588

9367433

586589

9367453

Sawah

Sawah bera

1

20

49

587178

9383445

587155

9383424

Sawah

Sawah bera

22

20

50

587679

9394509

587676

9394502

Sawah

Sawah bera

3

8

51

588580

9398116

588602

9398108

Sawah

Sawah bera

22

9

52

582704

9416022

582714

9416011

Sawah

Sawah bera

9

12

53

589510

9418897

589491

9418917

Sawah

Sawah bera

19

19

54

577794

9426225

577791

9426237

Sawah

Tegalan

3

12

55

583774

9421371

583771

9421370

Sawah

Sawah bera

3

1

56

526813

9502903

526815

9502887

Sawah

Permukiman

2

16

57

529023

9532791

529057

9532798

-

-

34

6

58

586496

9393504

586504

9393503

-

-

8

1

59

591529

9417988

591552

9418005

-

-

23

17

60

529537

9510164

529530

9510160

-

-

7

4

9

11

Rata-rata

PEMETAAN

Sumber data: Hasil pengukuran lapangan

22


RIIL

∆Y

∆X

Gambar 2. Sebaran titik pengukuran koordinat dan validasi informasi spasial

Hasil ini menunjukkan bahwa kualitas geometri citra ortho ini cukup baik dan dapat digunakan untuk aplikasi lebih lanjut. Ketelitian klasifikasi citra yang baik belum menjadi jaminan akan ketelitian hasil pemetaan oleh karena hal ini dipengaruhi juga oleh ketelitian geometri citra yang digunakan. Dengan demikian penggunaan citra Landsat ini sebagai input untuk segmentasi, klasifikasi dan pemetaan lahan sawah diharapkan akan menghasilkan informasi spasial lahan sawah yang akurat. Informasi spasial lahan sawah hasil pemetaan divalidasi dengan menggunakan data lapangan yang diperoleh dari survey lapangan. Survey lapangan dilakukan di beberapa kabupaten dengan jumlah titik pengamatan 53 titik. Analisis terhadap hasil pengamatan lapangan menunjukkan bahwa dari 53 titik hasil pengamatan tersebut ternyata 48 titik hasil pengamatan memang benar merupakan lahan sawah sesuai dengan hasil pemetaan sementara hasil pengamatan lima titik lainnya adalah salah karena ternyata bukan sawah. Lahan sawah yang ditemukan di lapangan sebagian terbesar dalam keadaan bera sedangkan sebagian kecil lahan sawah berair/sedang awal tanam. Hal ini disebabkan karena validasi lapangan dilakukan pada akhir musim kemarau panjang. Lima titik yang salah klasifikasi ternyata di lapangan tiga titik merupakan kebun singkong, satu titik merupakan tegalan sedangkan satu titik lainnya adalah permukiman. Jika dihitung maka ketelitian klasifikasi sama dengan 90,6%. Ketelitian pemetaan yang baik ini disebabkan karena cukup baiknya kualitas citra Landsat input proses segmentasi dan cukup baiknya interpretasi/klalsifikasi citra multiwaktu untuk labeling hasil segmentasi. Contoh informasi spasial lahan sawah provinsi Lampung disajikan pada Gambar 3 (a, b, c, d, e, f, g, dan h).


23

a. Informasi spasial lahan sawah sheet 1010-5

b. Informasi spasial lahan sawah sheet 1010-6

c. Informasi spasial lahan sawah sheet 1110-2

d. Informasi spasial lahan sawah sheet 1110-4

e. Informasi spasial lahan sawah sheet 1110-5

f. Informasi spasial lahan sawah sheet 1111-1

g. Informasi spasial lahan sawah sheet 1111-2

h. Informasi spasial lahan sawah sheet 1111-5

Gambar 3 Informasi spasial lahan sawah hasil pemetaan dengan teknik segmentasi dan klasifikasi data Landsat multiwaktu provinsi Lampung

24


Kesimpulan dan Saran Berdasarkan hasil pengukuran, pengamatan dan penghitungan serta pembahasan yang telah dilakukan dapat disimpulkan bahwa: Pertama, bahwa akurasi/ketelitian citra Landsat ortho yang diukur dari kesalahan koordinat di lapangan mempunyai kesalahan rata-rata 9-11 meter. Kedua, ketelitian pemetaan lahan sawah dengan teknik segmentasi dan klasifikasi citra Landsat multiwaktu mencapai 90,6%. Namun demikian, untuk mencapai hasil yang lebih baik/valid masih perlu dilakukan pengujian model ini di lokasi yang lain.

DAFTAR PUSTAKA Agrawal A., 2010. Object-based Classification of Range Data (Masters Thesis). Information Systems Engineering, Graduate School of Information Science and Technology, Osaka University. Amirin, Tatang M., 2011. Populasi dan Sampel Penelitian 2: Pengambilan Sampel dari Populasi Terhingga. Tatangmanguny.wordpress.com Badan Standarisasi Nasional, 2010. Standar Nasional Indonesia - Klasifikasi Penutup Lahan. Jakarta: BSN. 28 hlm. Kampouraki M., Wood GA., Brewer TR., 2007. The Suitable of Object-Base Image Segmentation to Replace Manual Areal Photo Interpretation for Mapping Impermeable Land Cover. (http://www.citeseerx.ist.psu. edu/messages/downloadsexceeded, diakses tanggal 26 Februari 2012) Kustiyo, 2010. Pengembangan Model Koreksi Geometri Ortho untuk Pemetaan Penutup Lahan Wilayah Indonesia. Majalah Sains dan Teknologi Dirgantara Vol. 5 No. 4, Desember 2010. Hal. 168-173 Lahan Sawah. (http://www.mediabpr.com/kamus-bisnis-bank/lahan sawah.aspx, diakses tanggal 9 Maret 2011) Murinto, Agus Harjoko., 2009. Segmentasi Citra Menggunakan Watershed dan Intensitas Filtering sebagai Pre Processing. Seminar Nasional Informatika 2009. Parsa I Made, Surlan, Jansen Sitorus, Dipo Yudhatama, Soko Budoyo, Djoko Santo, 2012. Pengembangan Model Standar Pemanfaatan Data Penginderaan Jauh (Landsat/SPOT) untuk Pemetaan Lahan Sawah. Pusat Pemanfaatan Penginderaan Jauh. Jakarta: LAPAN Parsa I Made, Surlan, Sri Harini, Achmad Sutanto, Soko Budoyo, Djoko Santo, 2011. Pengembangan Model Pemanfaatan Data Penginderaan Jauh untuk Pengelolaan Sumber Daya Lahan Mendukung Ketahanan Pangan. Pusat Pemanfaatan Penginderaan Jauh. Jakarta: LAPAN Parsa I Made, 2013. Optimalisasi Parameter Segmentasi Untuk Pemetaan Lahan Sawah Menggunakan Citra Satelit Landsat (Studi Kasus Padang Pariaman, Sumatera Barat dan Tanggamus, Lampung). Jurnal Penginderaan Jauh Vol. 10 No.2 Desember 2013. h 113-122 Purba RS., 2010. Kebijakan Pengembangan Irigasi dalam Mendukung Ketahanan Pangan Nasional. Makalah dalam Koordinasi dan Sinkronisasi Program Inventarisasi Lahan Sawah di Provinsi Sumatera Utara. Kementerian Kordinator Perekonomian.


25

Putranto BYB., Widi Hapsari, dan Katon Wijana, 2010. Segmentasi Warna Citra Dengan Deteksi Warna HSV Untuk Mendeteksi Objek. Universitas Kristen Sayta Wacana, Yogyakarta. Wahyunto, Murdiyati SR dan Ritung S., 2004. Aplikasi Teknologi Penginderaan Jauh dan Uji Validasinya untuk Deteksi Penyebaran Lahan Sawah dan Penggunaan Lahan/Penutup Lahan. Informatika Pertanian vol 13. h 745-769 Walter V., 2003. Object-based Classification of Remote Sensing Data for Change Detection. Institute for Photogrammetry, University of Stuttgart, Geschwister-Scholl-Str. 24 D, Stuttgart D-70174, Germany

26


IDENTIFIKASI TANAMAN PADA LAHAN SAWAH BERDASARKAN MODEL PERTUMBUHAN TANAMAN MENGGUNAKAN DATA EVI MODIS MULTI TEMPORAL Dede Dirgahayu Domiri, Heru Noviar dan Silvi Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh - LAPAN

Abstrak Pemantauan fase pertumbuhan tanaman padi di lahan sawah perlu dilakukan untuk memperkirakan keberhasilan panen. Penelitian bertujuan untuk membuat metode pengolahan spasial data MODIS (Moderate Resolution Imaging Spectroradiometer) yang dapat mendeteksi pola tanam atau jenis tanaman pada lahan sawah, sehingga dapat diketahui apakah ada tanaman lain yang ditanaman selain tanaman padi. Identifikasi tanaman dilakukan berdasarkan segmentasi model pertumbuhan tanaman dengan menggunakan data multi temporal EVI (Enhanced Vegetation Index)lima harian yang memiliki resolusi spasial 250m dan 500 m. Segmentasi model pertumbuhan pada fase vegetatif dan generatif dilakukan dengan cara membuat beberapa model pertumbuhan tanaman padi berdasarkan EVI selama 30 hari atau 6 buah data EVI lima harian. Pada tanaman padi dengan umur panen hingga 100 hari dihasilkan 15 model pertumbuhan tanaman berbentuk kuadratik yang terdiri dari 7 buah model perumbuhan pada fase vegetatif, 4 buah model pda kombinasi fase vegetatif – generatif, dan 4 buah model pada fase generatif. Identifikasi tanaman selain padi dilakukan dengan cara membandingkan koefisien-koefisien regresi kuadratik (b0, b1, dan b2) yang dihasilkan dari 6 set data EVI lima harian dengan koefisien-koefisien regresi pada 15 model pertumbuhan tanaman padi. Suatu piksel dideteksi sebagai bukan tanaman padi jika koefisen-koefisen regresi yang dihasilkan berada diluar kisaran koefisienkoefisien regresi model pertumbuhan tanaman padi.Hasil penelitian diterapkan untuk membuat peta tanaman pada areal lahan sawah di kabupaten Tuban, Jawa Timur yang memiliki pola tanam padi – padi – palawija, terutama kacang tanah.Hasil penelitian diharapkan dapat meningkatkan akurasi model prediksi luas panen tanaman padi sawah menggunakan data MODIS.

Kata Kunci : EVI, identifikasi tanaman, Vegetatif, Generatif, Model Pertumbuhan padi


27

PENDAHULUAN Sampai saat ini telah dihasilkan dan diterapkan beberapa metode yang digunakan dalam mengumpulkan dan mengestimasi, luas tanam dan luas panen serta produksi padi sawah. Badan Pusat Statistik bersama-sama Departemen Pertanian misalnya, selama bertahun-tahun secara rutin dan periodik, telah menerapkan metode pelaporan lengkap dalam menghasilkan angka luas tanam dan luas panen, serta metoda sampling “ubinan” dalam menduga produktivitas padi menurut wilayah. Angka yang dilaporkan oleh para petugas mantri statistik dan mantri tani didasarkan pada tingkat pengetahuan mereka tentang wilayah kecamatan masing-masing, oleh karena itu semakin kurang pengetahuan petugas terhadap kecamatannya maka semakin rendah pula akurasi data yang dilaporkannya demikian pula sebaliknya.Satu kecamatan dipantau oleh masing-masing satu orang mantri tani dan satu orang mantri statistik. Prediksi luas panen tanaman padi di Indonesia telah dilakukan oleh berbagai instansi, antara lain oleh Badan Pusat Statistik atau BPS, Badan Urusan Logistik atau BULOG (Mulyana et al, 1998), Departeman Pertanian (Napitupulu, 1998), dan LAPAN (Dirgahayu, 1999). Peramalan luas panen dapat dibagi menjadi dua kelompok berdasarkan metodologi yang digunakan. Kelompok pertama didasarkan pada metodologi pengumpulan data secara berjenjang dengan struktur organisasi yang dimiliki, yaitu dari tingkat desa, kecamatan, kabupaten, propinsi sampai pada tingkat nasional sehingga informasi yang tekumpul memerlukan waktu yang cukup lama dan pelaksana yang cukup banyak pada setiap jenjang. Lembaga yang mengembangkan teknik ini antara lain Badan Pusat Statistik (BPS). Departemen Pertanian (DEPTAN), dan Badan Urusan Logistik (BULOG). Kelompok kedua lebih menekankan pada penggunaan citra atau peta dengan bantuan teknologi penginderaan jauh sebagai dasar pendugaan areal produksi padi dan pemantuan kondisi pertumbuhan serta masa panen tanaman padi. Kelompok yang mengembangkan teknik ini antara lain Lembaga Penerbangan dan Antariksa Nasional (LAPAN) dan Pusat Penelitian Tanah dan Agroklimat (Puslitanak). Sebagian besar penelitian aplikasi inderaja terhadap tanaman padi adalah tentang estimasi produktivitas dan jarang yang memprediksi luas panennya berdasarkan pendugaan umur.Dirgahayu (2004) telah melakukan penelitian pendugaan umur tanaman padi menggunakan data Landsat 7 ETM. Ekstraksi nilai reflektansi 7 kanal Landsat 7 ETM dilakukan pada blok-blok tanam lahan sawah PT. Sang Hyang Seri, Subang, Jawa Barat. Setiap blok memiliki jadwal tanam dan varietas padi yang berbeda, sehingga rata-rata nilai reflektan tanaman padi pada umur yang berbeda dapat diketahui hanya dengan menggunakan satu tanggal data Landsat 7 ETM. Penelitian menghasilkan 2 model pertumbuhan tanaman padi dalam bentuk spline kubik, baik pada fase vegetatif dan generatif.Sejak bulai Mei 2003, data Landsat 7 ETM mengalami kerusakan (SLC-Off), sehingga penelitian ini perlu dilakukan untuk tujuan pemantauan fase pertumbuhan dan perkembangan tanaman padi menggunakan data MODIS (Moderate Resolution Imaging Spectroradiometer).Data MODIS dibawa oleh satelit Terra/Aqua yang memiliki 7 kanal spektral dengan resolusi 250 m dan 500 m serta frekuensi pengamatan harian cukup andal digunakan untuk memantau pertumbuhan tanaman pangan, terutama padi. Satelitini mulai operasioal sejak tanggal 18 Desember 1999 (Terra) dan 4 Mei 2002 (Aqua). LAPAN baru mampu merekam data satelit ini sejak Agustus 2004, sehingga perlu dilakukan pengkajian dan penelitian untuk pengolahan data MODIS dan pemanfaatannya dalam berbagai aspek aplikasi.Permasalahan yang belum bisa dieliminasi adalah identifikasi pola tanam yang dilakukan di lapangan, terutama jika dilakukan kegiatan pemantauan kondisi lahan dan tanaman setiap bulan.Selama ini model yang diterapkan dengan asumsi bahwa semua lahan sawah ditnaami tanaman padi, padahal kenyataannya tidak, terutuma pada periode musim kemarau (Mei – September). Berdasarkan latar belakang tersebut di atas, maka penelitian ini bertujuan untuk membuat metode pengolahan spasial data MODIS untuk mendeteksi pola tanam atau jenis tanaman pada lahan sawah menggunakan segmentasi model pertumbuhan tanaman padi menggunakan parameter Indeks Vegetasi EVI (Enhanced

28


Vegetation Index). Hasil penelitian ini diharapkan dapat meningkatkan akurasi prediksi luas panen tanaman padi sawah.

Bahan dan Metode Bahan dan Alat Data MODIS level 2 reflektan 8 harian (MOD 09) yang digunakan bisa diperoleh secara bebas dari USGS NASA maupun Pusdata LAPAN. Alatyang digunakan adalah Software ENVI, ErMapper, dan ArcView

Pengolahan Data MODIS Sebelum data MODIS Level 1B digunakan untuk membuat file EVI 250 m, maka data MODIS L1B harus dikoreksi radiometrik dan geometrik. Proses pengolahan awal data MODIS yang harus dilakukan antara lain:Bow-tie Correction dan koreksi Geometrik Sistimatik. Koreksi Duplikasi Baris (Bow-tie Correction) Koreksi ini dilakukan untuk menghilangkan duplikasi data pada baris-baris tertentu, terutama yang jauh dari nadir. Koreksi dilakukan dengan menggunakan Modul MODIS (Modis Tools) pada software ENVI 3.5 terhadap data resolusi 250 m, yaitu kanal 1 (merah) dan kanal 2 (NIR) serta resolusi 500 m, terutama kanal 3 (biru) dan kanal 6 (MIR). Koreksi Geometrik Sistimatik Titik kontrol GCP diekstrak dari data MODIS L1B menggunakan Modul MODIS (Modis Tools) pada software ENVI 3.5 terhadap data resolusi 250 m dan 500 m.Transformasi koordinat (warping) dilakukan dengan metode Triangulasi.Untuk menghasilkan data terkoreksi dengan resolusi spasial 250 m (0.002252°), maka dilakukan resampling data hasil koreksi Bow-tie dengan metode tetangga terdekat (Nearest Neighbor) terhadap data asli 250 m dan metode Bilinear terhadap data asli 500 m. Hasil proses koreksi Bow-tie dan koreksi geometrik disimpan dalam fomat ENVI standar. Konversi Data menjadi Reflektansi Transformasi data setiap kanal yang digunakan menjadi reflektansi dilakukan ketika menerapkan algoritma untuk membuat file NDVI atau EVI resolusi 250 m. Metode yang dilakukan untuk membuat reflektansi terkoreksi dari data digital 16 bit adalah dengan metode koreksi atmosfir (Simplified Atmospheric Correction) yang dalam prosesnya memerlukan informasi jarak matahari–bumi, posisi sudut matahari (zenith) dan basis data (tbase.hdf) DEM (Digital Elevation Model) dengan resolusi kasar sebesar 5’ (8,3333 Km). Koefisien-koefisisen Gain (G) dan Intercep (I) dan paramater lain setiap kanal untuk transfomasi data menjadi radians atau reflektansi sudah terdapat pada SDS data MODIS L1B format HDF. Reflektansi terkoreksi ini merupakan hasil antara proses data MODIS level 2. Algoritma Menghitung EVI EVI (Enhanced Vegetation Index) dibuat untuk mengkoreksi nilai NDVI yang berkurang akibat kandungan aerosol atmosfir yang terdeteksi oleh kanal biru serta mempertajam nilai NDVI dengan dikalikan dengan faktor


29

L untuk koreksi latar belakang kanopi (kondisi tanah/lahan).Hasil akhir dari implementasi program pengolahan EVI dikombinasikan dengan SAVI, jika kondisi pengaruh atmosfer tidak signifikan yang diindikasikan oleh reflektansi kanal biru lebih besar dari reflektansi kanal merah.Formula EVI secara umum sebagai berikut :

EVI = 2.5*(r2 – r1)/(1 + r2 + 6*r1 – 7.5*r3)

(1)

Dengan : r1,2,3 = reflektansi kanal Red, NIR, dan Blue Algoritmauntuk membuat citra EVI dalam prakteknya dilakukan sebagaiberikut (menggunakan SW ErMapper) :

If rblue<= rred or rred<= rnir then EVI = 2.5*( rnir – rred) / ( 1 + rnir + 6*rred – 7.5*rbiru ) Else EVI = 1.5*( rnir – rred) / ( 0.5 + rnir + rred ) Untuk mengeliminasi pengaruh cuaca harian, seperti awan terhadap nilai EVI, maka dibuat komposit citra EVI mingguan atau 8 harian dengan metode overlay maksimum.

Analisis Ekstraksi Nilai Rataan EVI Training area pada citra RGB 6,2,1 dibuat pada area lahan sawah yang menunjukkan kenampakan warna biru dari tubuh air sebagai indikasi awal tanam pada lahan sawah di Karawang, Subang dan Indramayu. Tingkat homogenitas area diupayakan melalui bantuan citra EVI yang telah diklasifikasi dengan interval 0.02, sehingga tubuh air terkelaskan menjadi 8 kelas. Selanjutnya dilakukan ekstraksi nilai rata-rata EVI komposit mingguan dari data time series (bulan Juli 2004 – Juli 2005) pada poligon area kelas tubuh air yang dibuat. Model Pertumbuhan Tanaman Padi Time series EVI dari hasil ploting setiap training area dinterpretasi untuk menentukan saat terjadinya fase vegetatif maksimum (50 - 60 hari setelah tanam), awal tanam, dan akhir tanam (fase bera), sehingga dapat diketahui hubungan antara umur tanam dengan kisaran nilai EVI. Analisis korelasi dan regresi dilakukan untuk memperoleh model persamaan regresi selama pertumbuhan tanaman padi pada periode 30 harian selama fase vegetatif dan generatif Bentuk persamaan yang akan dicoba adalah polinom orde 2 dengan persamaan umum sebagai berikut :

y = b0 + b1*u + b2*u2

(2)

y merupakan parameter pertumbuhan tanaman seperti tinggi tanaman, lebar atau luas daun, berat kering tanaman atau EVI, sedangkan u adalah hari setelah tanam.

30


HASIL DAN PEMBAHASAN Profil Pertumbuhan Tanaman Padi Profil pertumbuhan tanaman padi berdasarkan indeks vegetasi (EVI) diperlukan data Multi Temporal selama pertumbuhan tanaman padi. Data inderaja yang memiliki resolusi spasial yang moderat dan temporal tinggi seperti MODIS sangat andal untuk mendeteksi kondisi lahan dan pertumbuhan tanaman padi. Penelitian oleh Dirgahayu (2005) telah menghasilkan profil pertumbuhan padi (Gambar 1) dari awal tanam hingga panen dan fase bera dengan menggunakan data EVI 8 harian pada musim tanam tahun 2004/2005 pada lahan sawah di beberapa kabupten Jawa Barat. Pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai EVI hingga mencapai nilai maksimum anata 55 – 65 HST. Fase pertumbuhan vegetatif terbagi tiga, yaitu vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan kenaikan nilai EVI sekitar 0.15 dan nilai EVI < 0.2, vegetatif dipercepat antara 20 – 45 HST dengan kenaikan nilai EVI sekitar 0.42 dengan slop tajam, fase vegetatif diperlambat antara 45 – 60 HST dengan kenaikan nilai EVI sekitar 0.12, karena mulai pembentukan malai. Sedangkan fase perkembangan generatif tampak terbagi 2, yaitu masa pembentukan biji antara 60 – 80 HST dengan penurunan nilai EVI sekitar 0.25, masa pematangan antara umur 80 – 105 HST dengan penurunan nilai EVI sekitar 0.3. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera dengan nilai EVI sekitar 0.17. Model Pertumbuhan Tanaman Padi Untuk mengetahui kisaran nilai EVI pada selang umur padi tertentu, maka dapat diduga berdasarkan model. Profil pertumbuhan tanaman padi tersebut diatas dapat dibuat modelnya.Model pertumbuhan perlu dibuat 2 untuk memisahkan fase vegetatif dan generatif, karena terjadi perbedaan gradien perubahan nilai EVI.Jika dibuat hanya satu model dapat terjadi nilai observasi yang tidak terwakili, karena nilai kesalahan persamaan regresi bertambah. Model pertumbuhan tanaman padi dalam bentuk spline kubik yang dihasilkan, adalah sebagai berikut :

(a) Fase Vegetatif : y = -0.0006u3 + 0.0552u2 + 0.2146u + 138.33 n = 41; R2 = 0.96 ; Se = 5.89

(1)

(b) Fase Generatif : y = 0.0007u3 - 0.1746u2 + 12.858u - 77.04 n = 35; R2 = 0.96 ; Se = 4.95

(2)

(c) y = 128 +125*EVI; u = HST (Hari Setelah Tanam) (3)


31

Hasil model pertumbuhan tersebut dapat dilihat pada Gambar 2 dan Gambar 3.

Gambar 1. Profil Pertumbuhan Tanaman Padi Berdasarkan EVI MODIS

Gambar 2. Model Pertumbuhan Tanaman Padi menurut EVI MODIS pada Fase Vegetatif

Gambar 3. Model Pertumbuhan Tanaman Padi menurut EVI MODIS pada Fase Generatif

Bandingkan jika model pertumbuhan tersebut tidak dipecah menjadi 2 dengan persamaan regresi dengan nilai R2 lebih kecil dan Se lebih besar, sebagai berikut :

32

y = -0.0006u3+0.0204u2 + 0.4u + 129.23 n = 76; R2 = 0.85 ; Se = 10.47


(4)

Hasil analisis Sidik Ragam koefisien regresi dengan selang kepercayaan 95 % (taraf uji 5 % ) untuk model pertumbuhan tanaman padi ditunjukkan pada Tabel 1 dan Tabel 2. Tabel 1. Hasil Uji Statistik Keofisien Regresi Model Pertumbuhan Tanaman Padi pada Fase Vegetatif Parameter

Koefisien

Se

t Stat

Kisaran 95 %

b0

138.3299

2.1651

63.89**

133.94

142.72

b1

0.2146

0.3400

0.63tn

-0.4743

0.9035

b2

0.0552

0.0140

3.95**

0.0269

0.0834

b3

-0.0006

0.0002

-3.97**

-0.0009

-0.0003

Tabel 2. Hasil Uji Statistik Keofisien Regresi Model Pertumbuhan Tanaman Padi pada Fase Generatif Parameter

Koefisien

Se

t Stat

Kisaran 95 %

b0

-77.0371

101.6776

-0.76tn

-284.41

130.34

b1

12.8577

3.7198

3.46**

5.2712

20.4442

b2

-0.1746

0.0442

-3.95**

-0.2647

-0.0845

b3

0.0007

0.0002

4.07**

0.0003

0.0010

Pendugaan Umur Tanaman Padi Pendugaan umur tanaman padi dapat dilakukan dengan menggunakan kedua model pertumbuhan tanaman padi tersebut di atas berdasarkan parameter EVI, tetapi diperlukan minimal 2 data multi temporal Data EVI MODIS untuk ditentukan terlebih dahulu kondisi lahan sawah, apakah berada dalam dominasi air atau bera serta fase pertumbuhan tanaman padi vegetatif dan generatif. Dalam prakteknya secara teknis untuk menerapkan model pertumbuhan tersebut harus dibuat citra fase padi sebagai Maskinguntuk menduga umur tanaman padi dalam suatu citra tunggal denagn asumsi bahawa sluruh areal lahan sawah ditanamai oleh tanaman padi. Untuk membuat citra fase tersebut diperlukan minimal dua citra EVI pada 2 waktu yang berbeda (t dan t-1), misalnya dengan perbedaan waktu 10 hari. Kondisi fase vegetatif (perubahan positif) dan generatif (perubahan negatif) lahan sawah yang didominasi oleh vegetasi dapat dideteksi berdasarkan perubahan nilai EVI atau DEVI dengan kriteria sebagai berikut :

DEVI(t) = EVI(t) –EVI(t-1) (a) (b) (c) (d)

(5)

Fase dominan air, jika EVI(t)<= 0.19 Fase bera, jika EVI(t)> 0.19 dan EVI(t)< 0.22 Fase vegetatif jika nilai DEVI > 0 Fase generatif jika nilai DEVI < 0

Umur tanaman padi dapat ditentukan berdasarkan kisaran nilai EVI yang diduga berdasarkan persamaan pertama jika memenuhi kriteria a, dan c serta diduga berdasrkan model persamaan kedua jika memenuhi kriteria d. Klasifikasi citra EVI menjadi umur padi dapat dilakukan dengan kriteria seperti yang tercantum pada Tabel 3-3. Permasalahan akan timbul jika pada lahan sawah tersebut ditanami oleh tanaman lain selain padi, terutama pada saat tidak adanya dominasi air pada lahan sawah tersebut. Pendugaan umur berdasarkan kriteria pada Tabel 3 tidak berlaku bagi tanaman lain, misalnya palawija. Kegiatan pemantauan kondisi tanaman pada lahan sawah memerlukan informasi yang cepat, misalnya untuk informasi spasial bulanan, karena tidak mungkin harus menunggu informasi sampai 2 bulan. Informasi tidak akan berguna jika terlambat, karena fenomena


33

gejala-gejala kekeringan dan serangan hama penyakit tidak bisa terdeteksi. Oleh karena itu untuk kegiatan pemantauan tanaman, prediksi waktu dan luas panen, serta estimasi produktivitas tanaman pada suatu areal lahan sawah harus diketahui pola tanam pada lahan tersebut. Permasalahnnya, informasi tentang pola tanam pada lahan sawah di setiap daerah tidak dapat diketahui secara menyeluruh. Selain itu informasi yang adapun hanya berupa informasi umum berbentuk tabular, tidak disebutkan secara detil kapan tanggal awal tanam suatu jenis tanaman. Tabel 3. Kisaran Nilai EVI pada Interval Umur Padi No

Kisaran EVI

HST

DEVI

1

0- 5

<0

-

0.102

>0

2

5 - 10

0.103

-

0.139

>0

3

10 - 15

0.140

-

0.192

>0

4

15 - 20

0.211

-

0.255

>0

5

20 - 25

0.256

-

0.327

>0

6

25 - 30

0.328

-

0.402

>0

7

30 - 35

0.403

-

>0

8

35 - 40

0.479

-

0.478 0.551

9

40 - 45

0.552

-

0.617

>0

10

45 - 50

0.618

-

0.672

>0

11

50 - 55

0.673

-

>0

12

55 - 60

0.715

-

13

60 - 65

0.682

-

0.714 0.739 0.738

14

65 - 70

0.637

-

0.681

<0

15

70 - 75

0.580

-

0.636

<0

16

75 - 80

0.517

-

0.579

<0

17

80 - 85

0.450

-

0.516

<0

18

85 - 90

0.386

-

<0

19

90 - 95

0.327

-

22

95-100

0.278

-

23

100-105

0.243

-

24

Bera

0.193

-

0.449 0.385 0.326 0.277 0.211

>0

>0 <0

<0 <0 <0 <= 0

Segmentasi Model Pertumbuhan untuk Identifikasi Tanaman Keterbatasan air irigasi pada lahan sawah menyebabkan dilakukannya pola tanam yang berbeda pada daerah tertentu. Untuk daerah yang memiliki ketersediaan air yang cukup, baik dari irigasi atau curah hujan, maka

34


dapat melakukan penanaman padi sebanyak 3 kali /tahun. Daerah yang tidak memliki ketersediaan air yang cukup untuk pertumbuhan tanaman padi, terutama pada periode musim kemarau (April – Agustus) sebaiknya melakukan penanaman tanaman selain padi, misalnya palawija. Alternatif pola tanamnya bisa padi – padi - palawija atau padi – palawija – padi atau bahkan hanya bisa tanam 1 kali padi dengan pola tanam padi – palawija – palawija. Untuk pemantauan kondisi pertumbuhan dan perkembangan tanaman padi setiap bulan perlu diketahui pola tanamnya. Permasalahannya adalah informasi tersebut hanya berupa tabular, bukan berupa spasial atau peta tanam serta untuk seluruh daerah tidak diketahui secara detil waktu tanam padi serta pola tanamnya. Prediksi luas panen padi maupun produktifitas padi menggunakan data inderaja bisa menghasilkan informasi yang lebih banyak, jika hanya mengasumsikan bahwa semua lahan sawah ditanami padi. padahal pada kenyataannya bukan tanaman padi. Sebagai contoh profil pertumbuhan tanaman kacang tanah yang ditanam pada lahan sawah di daerah Tuban, Jawa Timur dan perbedaannya dengan tanaman padi ditunjukkan pada Gambar 4. Pada Gambar tersebut tampak secara grafis bahwa pada fase vegetatif terlihat perbedaan 2 kurva cukup signifikan yang ditunjukkan oleh intercep yang berjarak cukup jauh. Sedangkan pada fase generatif tampak slope dan intercep kedua kurva tidak begitu berbeda, sehingga agak sulit dibedakan jika nilai X (Hari Setelah Tanam) untuk mencapai nilai Y maksimum tidak begitu berbeda. Perbedaan bisa terjadi jika saat mencapai nilai Y maksimum, nilai X agak berbeda. Secara kuantitatif kedua kurva dapat dibedakan dengan uji beda terhadap nilai intersep dan slope (gradien) kurva, karena nilai keduanya merupakan karakteristsik pertumbuhan setiap tanaman.

Gambar 4. Perbedaan Profil Pertumbuhan Tanaman Padi dan Kacang Tanah

Sebagai upaya untuk mebedakan jenis tanaman yang ada pada lahan sawah untuk tujuan pemantauan dalam 30 hari, maka perlu dilakukan segmentasi model pertumbuhan, artinya dibuat beberapa model pertumbuhan berbentuk kuadratik dengan periode 1 bulan dengan selang interval 5 hari setelah tanam (HST). Model yang berbentuk kuadratik adalah pendekatan yang logis, karena pada periode 1 bulan tanaman padi bisa saja memliki kisaran umur antara 45 – 75 HST atau 55 – 85 HST yang berbentuk mendekati kuadratik (lihat Gambar 5). Dengan demikian terdapat 7 buah persamaan model pertumbuhan pada fase vegetatif, 4 buah persamaan pada fase generatif serta 4 persamaan pada kombinasi fase vegetatif dan generatif. Secara detil modelmodel segmentasi pertumbuhan tanaman padi bulanan dapat dilihat pada Gambar 5 dan Gambar 6, serta hasil analisis regresi pada Tabel 4.


35

Tabel 4. Koefisien Regresi Model Pertumbuhan Tanaman Padi Periode 30 Hari No

Umur (HST)

bo

b1

b2

1

5 – 30

136.44

0.6902

0.0237

2

10 – 35

133.20

1.0501

0.0147

3

15 - 40

127.94

1.5001

0.0057

4

20 – 45

120.20

2.0401

-0.0033

5

25 – 50

109.53

2.6702

-0.0123

6

30 - 55

95.49

3.3901

-0.0213

7

35 - 60

77.63

4.2001

-0.0303

8

40 - 65

-5.93

7.6792

-0.0659

9

45 - 70

-53.39

9.3465

-0.0803

10

50 - 75

-18.86

8.0804

-0.0689

11

55 - 80

105.23

4.2266

-0.0393

12

60 - 85

250.72

0.1329

-0.0107

13

65 - 90

241.95

0.3333

-0.0119

14

70 - 95

308.73

-1.3468

-0.0013

15

75 - 100

384.17

-3.1317

0.0091

Setiap koefisien memiliki kisaran nilai tertentu untuk berlakunya suatu piksel masuk dalam tren pertumbuhan padi selama peiode 30 harian. Oleh karena itu perlu dibuat 3 buah tabulasi yang berisi kisaran nilai-niali b0,b1, dan b2 yang dapat berjumlah maksimum 30 data. Jika dalam seri data 1 bulan yang terdiri dari 6 buah data Indeks Vegetasi lima harian tidak memliki trend kuadratik dengan nilai koefisien b0,b1, dan b2 diluar kisaran tanaman padi, maka diidentifikasi sebagai bukan tanaman padi. Algoritma sederhana untuk identifikasi jenis tanaman pada lahan sawah adalah sebagai berikut : if data[i] <= 152 then 1 else if b0 >= a and b0 <= b and b1 >= c and b1 <= d and b2 >= e and b2 <= f then 1 else 2 data[i] <= 152 : data pada lima harian ke-1,…,6 dengan IV <= 152 (EVI <= 0.193) terdeteksi sebagai obyekair sehingga diberi nilai 1 (tanaman padi), jika tidak diberi nilai 2 (tanaman lain). a,b : batas kisaran minimum dan maksimum nilai koefisien b0 c,d : batas kisaran minimum dan maksimum nilai koefisien b1 e,f : batas kisaran minimum dan maksimum nilai koefisien b2

36


Gambar 5. Model Pertumbuhan Tanaman Padi pada Fase Vegetatif Periode 1 Bulan

Model Pertumbuhan Padi Pada Vegetatif - Generatif 224 212 200

45 - 70HST 70 - 95HST

188 176 164 40

50

60

70

80

90

100

HST

Gambar 6. Model Pertumbuhan Tanaman Padi pada Fase Vegetatif - Generatif

Implementasi model untuk membuat citra fase tanaman di kabupaten Tuban, Jawa Timur pada lima harian ke5atau Minggu ke-3 bulan Agustus 2006 ditampilkan pada Gambar 7. Distribusi spasial umur tanaman padi dan non padi (kacang tanah)untuk skala kabupaten Tuban dapat dilihat pada Gambar 8.


37

Gambar 7. Fase Tanaman padi pada Minggu ke-3 Agustus 2006 di Kab. Tuban

Gambar 8. Umur Tanaman Padi pada Minggu ke-3 Agustus 2006 di Kab. Tuban

KESIMPULAN DAN SARAN Informasi spasial fase pertumbuhan tanaman dan pola tanam perlu diketahui untuk pemantauan tanaman padi pada lahan sawah dengan menggunakan data inderaja Multi Temporal EVI MODIS. Informasi pola tanam atau jenis tanaman pada lahan sawah dapat diperoleh dengan menerapkan segmentasi model pertumbuhan tanaman padi periode 30 harian pada fase vegetatif dan generatif. Tetapi validasi model perlu dilakukan terhadap daerah lain agar model ini konsisten dan dapat digunakan secara operasional untuk prediksi luas panen padi sawah.

DAFTAR PUSTAKA Biotrop.2000. Konstruksi Prediksi Produksi Padi Berdasarkan Model Spasial. TISDA, BPPT. Dirgahayu, D., 1999, Aplikasi Model Pendugaan Umur Padi untuk Peramalan Luas Panen Padi di Pulau Jawa”, Majalah LAPAN (edisi Inderaja), No. 2, Vol.2. Dirgahayu, D and Parwati, 2005. Rice Crop Modelling Using Age Index Based on LANDSAT 7 ETM Data. International Conference of MAP ASIA, 22 – 25 August 2005. GisDevelopment. Dirgahayu, D. 2005. Model Pertumbuhan Tanaman Padi Menggunakan Data MODIS Untuk Pendugaan Umur Padi Sawah. Prosiding Pertemuan Ilmiah Tahunan MAP IN XIV, ITS. Surabaya Mulyana,W,I. Budi, dan B. Subroto. 1998. Pemanfaatan Informasi Produksi Padi untuk Mengestimasi Pengadaan Beras dan Operasi Pasar Bulog, Lokakarya Sistem Pemantauan dan Prediksi Padi di Indonesia. SARI Project, BPPT, Jakarta. Napitupulu, T.E.M. 1998. Sistem Estimasi Hasil dan Peramalan Produksi dalam Konteks Pengamanan Produksi Pangan Nasional.Lokakarya Sistem Pemantuan dan Prediksi Padi di Indonesia. SARI Project, BPPT, Jakarta

38


APLIKASI INDERAJA UNTUK MENDETEKSI AWAL TANAM PADI MENGGUNAKAN DATA EVI MODIS MULTITEMPORAL

Dede Dirgahayu Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh - LAPAN

ABSTRAK Informasi spasial awal tanam padi sangat diperlukan untuk mengetahui persentase realisasi tanam padi. Penelitian ini bertujuan untuk mendeteksi area tanam padi berdasarkan informasi spasial awal tanam padi di lahan sawah menggunakan data EVI MODIS multitemporal. Data yang digunakan adalah data 8 harian EVI MODIS multitemporal (tahun 2007- 2009). Analisis spasial dilakukan untuk mengetahui kapan terjadinya awal tanam padi berdasarkan waktu terjadinya EVI maksimum yang dapat dicapai pada setiap piksel data. Nilai EVI maksimum saat pertumbuhan vegetatif tanaman padi dijadikan sebagai acuan, karena umumnya terjadi pada 60 HST (hari setelah tanam). Nilai EVI maksimum dapat diketahui berdasarkan profil pertumbuhan menggunakan data EVI MODIS multitemporal selama pertumbuhan tanaman padi (110-120 hari). Hasil penelitian menunjukkan bahwa sebagian besar tanaman padi di daerah Indramayu, Jawa Barat terdeteksi awal tanam Oktober – Maret dengan nilai ambang EVI < 0.22.

Kata Kunci : MODIS Multitemporal, Analisis spasial, EVI Maksimum, Profil Pertumbuhan


39

PENDAHULUAN Peningkatan produksi tanaman pangan khususnya tanaman padi perlu dilakukan oleh pemerintah untuk mencapai swasembada pangan. Karena berdasarkan UU RI tahun No. 7 tahun 1996, dinyatakan bahwa ketahanan pangan adalah kondisi terpenuhinya pangan bagi rumah tangga yang tercermindari tersedianya pangan yang cukup, baik jumlah maupun mutunya, aman, merata, dan terjangkau. Namun produksi padi disuatu negara setiap tahunnya dapat mengalami fluktuasi akibat adanya bencana kekeringan dan kebanjiran di lahan sawah. Bencana tersebut juga dapat terjadi Pulau Jawa yang merupakan daerah pemasok terbesar produksi padi nasional. Dengan demikian perlu adanya upaya yang dilakukan untuk mencapai swasembada pangan, yang salah satunya adalah dengan melakukan pemantauan terhadap kondisi pertanaman padi di Pulau Jawa. Dengan adanya pemantauan tersebut diharapkan pemerintah dapat segera mengambil tindakan yang diperlukan dalam menjaga dan meningkatkan produksi padi nasional. Tanaman Padi mengalami beberapa kondisi / fase selama pertumbuhannya, antara lain fase tebar-tanam, vegetatif, generatif-panen, dan bera. Secara detil tahapan pertumbuhan tanaman padi adalah sebagai berikut 1. tahap perkecambahan (20 - 17 hari sebelum tanam) 2. tahap bibit (17 - 4 hari sebelum tanam) 3. tahap anakan (2 -20 hari setelah tanam /hst) 4. tahap pemanjangan batang (22 - 32 hst) 5. tahap inisiasi malai (32 - 42 hst) 6. tahap perkembangan malai (40 - 52 hst) 7. tahap pembungaan (52 - 62 hst) 8. tahap pengisian biji (62 - 74) 9. tahap pengerasan biji (70 - 82 hst) 10. tahap biji masak (80 - 96 hst) Pada fase tebar-tanam hingga tahap anakan didominasi oleh air selama sekitar 20 hari Pada fase vegetatif dan generatif didominasi oleh tajuk tanaman dengan tingkat kehijauan dan kerapatan yang berbeda yang berlangsung selama 80-90 hari tergantung jenis varietasnya. Setelah itu tanaman padi dipanen dan diberakan selama beberapa hari tergantung ketersediaan air Pendekatan yang banyak digunakan untuk memprediksi awal musim tanam adalah dengan mengetahui ketersediaan air dari curah hujan dan kondisi lengas lahan (moisture) serta kehilangan air akibat evapotranspirasiyang mempengaruhi pertumbuhan tanaman. Pendekatan-pendekatan tersebut pada dasarnya merupakan usaha untuk mengetahui periode di mana kondisi fisik lingkungan sesuai bagi pertumbuhan tanaman. Las (1992) dalam Adiningsih (2000) mengemukakan tentang konsep penentuan awal musim tanam berdasarkan jumlah curah hujan dasarian dan status ketersediaan air tanah, Ada 3 kelas status ketersediaan air untuk menentukan awal musim tanam, yaitu : a. Air mencukupi bagi tanaman jika curah hujan lebih besar dari 50 mm/dasarian, b. Hampir mencukupi jika curah hujan 25 -50 mm/dasarian, dan c. Tidak mencukupi jika < 25 mm/dasarian.

40


Pembagian status air tersebut didasarkan pada evapotranspirasi potensial (ETP) rata-rata dan persentase curah hujan efektif. Untuk mendapatkan curah hujan efektif > 25 mm/dasarian dengan peluang 75 %, maka curah hujan ratarata harus > 50 mm/dasarian atau 150 mm/bulan. Angka ini sering digunakan sebagai batas kelayakan curah hujanuntuk awal musimtanam tanaman padi. FAO (1978) dalam Hardjowigeno (2001) menganjurkan kombinasi curah hujan dengan evapotranpirasi potensial untuk masa tanam , yaitu dengan kriteria rasio CH/ETP > 0.5. Batas ambang tersebut juga dapat digunakan sebagai indikasi terjadi kekeringan. Salah satu metode pemantauan tanaman padi yang dapat dilakukan adalah dengan memanfaatkan data satelit penginderaan jauh. Data satelit yang dapat digunakan untuk pemantauan tanaman padi dengan cakupan wilayah yang luas dan temporal yang tinggi adalah datasatelit MODIS Terra-Aqua. Dari data MODIS dapat diekstrak nilai indeks vegetasi EVI (Enhanced Vegetation Index) seperti yang pernah dilakukan oleh Huete et al. (1997). Dengan menggunakan nilai EVI secara temporal diharapkan dapat dilihat dan dicirikan fluktuasi pertumbuhan tanaman padi. Informasi spasial awal tanam padi sangat diperlukan untuk mengetahui persentase realisasi tanam padi. Jika realisasi tanam masih dibawah target dari rencana target luas panen dan Kalender Tanam (Katam), maka instansi terkait seperti Badan Ketahanan Pangan, Balai Besar Sumberdaya Lahan Pertanian (BBSDLP), dibawah Kementan dan Dinas Pertanian Daerah dapat melakukan antisipasi agar kegiatanan penanaman dapt dipercepat. Penelitian ini bertujuan untuk mendeteksi awal tanam padi menggunakan data EVI Modis Multitemporal. Manfaat penelitian adalah dapat diketahuinya persentase realisasi tanam padi yang telah dilakukan di lapangan. Selain itu untuk mengevaluasi apakah sistim katam (kalender tanam) dilakukan atau tidak.

METODE Diagram alir tahapan penelitian dapat dilihat pada Gambar 1.

Lokasi Penelitian Penelitian dilakukan di areal persawahan Kabupaten Indramayu sebagai salah satu sentra produksi padi di Jawa Barat. Luas Kabupaten Indramayu yang tercatat seluas 204.011 Ha, terdiri atas 110.877 Ha lahan sawah (54,35%) dengan irigasi teknis sebesar 72.591 Ha, 11.868 Ha setengah teknis 4.365 Ha irigasi sederhana PU dan 3.129 Ha irigasi non PU. Permasalahan yang sering terjadi di areal persawahan di Kabupaten Indramayu adalah masih terjadinya kekeringan pada musim kemarau dan banjir pada musim penghujan.

Bahan dan Alat Data primer adalah citra MODIS 8 harian dari Januari 2007 sampai dengan 2009. Pengolahan data dilakukan dengan menggunakan Software ER Mapper dan beberapa program khusus yang dibuat sendiri agar proses pengolahan data dapat dilakukan secara otomatis. Data lain yang digunakan adalah peta baku lahan sawah dari departemen Pertanian dan data hasil survey lapangan.Alat yang digunakan untuk penelitian adalah seperangkat komputer, peralatan pengamatan lapangan, alat tulis, dan printer.


41

2.3. Metode Penelitian Data yang dikumpulkan adalah data reflektan MODIS 8 harian dari tahun 2007-2009. Kemudian dilakukan koreksi geomterik dan mozaiking dengan menggunakan software MODIS tool dan ER-MAPPER. Setelah itu dilakukan pemisahan awan dengan menggunakan metode RGB Clustering. Setelah data MODIS dikoreksi kemudian dilakukan ektraksi nilai EVI dari data tersebut sehingga diperoleh data raster indeks vegetasi (IV) MODIS 8 harian dari tahun 2007 sampai dengan 2009. Rumus yang digunakan untuk ektraksi EVI yaitu (Huete, 1997):

rNIR − rRe d EVI = xG rNIR + C1rRe d − C2 rBlue + L

(1)

dimana L=1, C1 = 6, C2 = 7.5, and G (gain factor) = 2.5.

Kemudian data raster tersebut diperhalus (smoothing) untuk menghilangkan noise (teutama awan) agar diperoleh profil EVI yang halus. Smoothing yang dilakukan adalah dengan menggunakan moving median 3 dan rata-rata. Artinya setiap tiga data dicari nilai mediannya kemudian dirata-ratakan. Kemudian hasil dari smoothing tersebut dioverlay dengan lahan baku sawah dari data landsat sehingga diperoleh profil IV per piksel. Analisis spasial data multitemporal dilakukan untuk mengetahui nilai statistik suatu piksel dalam periode 8 harian selama 3 tahun, antara lain : minimum, maksimum, mean, letak/ saat minimum, dan letak maksimum. Nilai-nilai statistik tersebut merupakan representasi kondisi liputan lahan selama berapa tahun. Jika suatu piksel di lapangan didominasi oleh obyek vegetasi/ tanaman, maka nilai statistik tersebut merupakan parameter pertumbuhan tanaman. Jika vegetasi tersebut tanaman padi, maka saat mencapai nilai EVI maksimum tanaman padi tersebut berumur sekitar 60 HST (Hari Setelah Tanam), yaitu sekitar separuh dari masa pertumbuhan tanaman padi dari mulai tanam hingga panen (110-120 hari). Selanjutnya dibuat program khusus menggunakan bahasa pemograman C++ untuk menghitung parameter pertumbuhan tanaman padi agar dapat membedakan tanaman padi dengan objek lainnya. Program tersebut menghitung nilai minimum, maksimum, letak minimum, letak maksimum dari seri data yang terkumpul. Dari nilai-nilai tersebut dapat dihitung awal tanam (saat mencapai nilai minimum yang didominasi oleh obyek air), panen (kondissi bera / tanpa vegetasi) dan nilai statistiknya seperti nilai rata-rata /mean selama pertumbuhan, mean, std, dan slope selama fase vegetatif (0 – 60 HST atau saat EVI max) dan selama fase generatif (60 HST – bera). Nilai-nilai tersebut dapat dimanfaatkan dalam pengolahan data lebih lanjut untuk menentukan obyek yang diduga tanaman padi.

42


Gambar 1. Diagram Alir Deteksi Tanaman Padi dan Estimasi Awal Tanam Padi

Ekstraksi informasi awal tanam (AT) padi dilakukan berdasarkan waktu terjadinya EVI Maksimum atau Letak Maksimum (LM). EVI maksimum diasumsikan terjadi ketika padi berumur 60 HST (Hari Setelah Tanam), yaitu setelah pembungaan dan saat terbentuknya bulir gabah. Dengan demikian awal tanam (AT) padi pada data EVI 8 harian dapat diketahui dengan formula : AT = LM – 60/8 ~ LM – 8

(2)

Dimana, AT = awal tanam ; LM = letak / urutan data saat EVI maksimum Jika IV dari EVI maksimum > 0.45, selisih EVI maksimum dan minimum >0.35 dan rasio dari IV generatif dengan vegetatif > 0.75 maka areal tersebut merupakan tanaman padi dan selainnya bukan tanaman padi. Untuk memperoleh rata-rata awal tanam dan profil pertumbuhan tanaman padi, maka harus dibuat sampel area yang relatif homogen berupa poligon yang terdiri dari beberapa piksel yang memiliki kesamaan waktu awal tanam, kisaran EVI maksimun, dan kesamaan dalam selisih EVI maksimum dan EVI minimum. Tahapan membuat sampel area berupa raster atau poligon adalah sebagai berikut : rekode Citra EVI_Maksimum menjadi 6 kelas (Maksimum_Id), rekode Citra Maksimum-Tanam menjadi 3 kelas (Mx-Tn_Id), overlay matriks antara Maksimum_Id dengan Mx-Tn_Id untuk membuat citra Klasifikasi Padi sawah sebanyak 18 kelas.


43

Nilai atribut klasifikasi sawah (Swh_Id) dihitung dengan formula : Swh_Id = Mx-Tn_Id + 3*( Maksimum_Id – 1)

(3)

Dimana, Swh_Id

= Atribut Kelas padi

Mx-Tn_Id

= Atribut Kelas EVI maksimum dikurang EVI saat tanam

Maksimum_Id

= Atribut Kelas EVI maksimum

Untuk membuat profil pertumbuhan tanaman padi EVI multitemporal berdasarkan piksel-piksel yang relatif homogen, maka data EVI tersebut harus diekstrak berdasarkan poligon yang memiliki kelas padi dan awal tanam yang sama. Poligon tersebut dapat terbentuk dengan cara mengoverlay vektor poligon Klasifikasi Padi dengan nilai atribut Klas_id dan vektor polgon awal tanam (AT). Nilai atribut padi (Padi_Id) dihitung dengan formula sbb : Padi_id = Swh_id + 18*(AT_id – 1 )

(4)

Dimana, Padi_id = nilai atribut padi Swh_id = nilai atribut kelas padi AT_id

= nilai atribut awal tanam (Julian date )

Selanjutnya vektor poligon tersebut dikonversi menjadi Region Raster oleh SW ErMapper ke file EVI Multitemporal untuk dihitung nilai statistiknya pada setiap region dengan atribut Padi_Id. Kemudian dilakukan tabulasi nilai EVI berdasarkan umur / awal tanam yang sama sehingga diperoleh profil EVI setiap kelas padi.

HASIL DAN PEMBAHASAN Penentuan Areal Tanaman Padi Data Reflektan Modis 8 harian yang telah dikumpulkan dikoreksi geometrik dan dimosaiking dengan menggunakan software MODIS Reprojection Tool agar diperoleh citra pulau Jawa dan Bali. Kemudian dilakukan pemisahan awan pada data tersebut dengan menggunakan software ER Mapper. Setelah dilakukan koreksi lalu dari data tersebut diekstrak nilai EVI nya dengan menggunakan persamaan (1) sehingga diperoleh data Indeks Vegetasi (IV) MODIS 8 harian.Data dari hasil ekstraksi tersebut kemudian dismoothing dengan menggunakan program Gambar 2 merupakan contoh tampilan program smoothing dan hasilnya.

44


Gambar 2. Contoh program penghalusan EVI dan hasilnya

Hasil dari smoothing tersebut kemudian di overlay dengan lahan baku sawah dari data landsat sehingga diperoleh profil IV per piksel. Karena setiap obyek yang dipermukaan bumi mempunyai profil yang berbedabeda maka dapat dibedakan juga profil yang diduga sebagai profil padi. Dari profil yang diperoleh dari tiap piksel didapat bahwa untuk piksel-piksel yang diduga tanaman padi mempunyai tiga puncak untuk periode 2007 sampai dengan 2009. Hal ini menandakan bahwa terjadi tiga periode tanam. Berdasrkan hasil analisis statistik pada sampel area yang dibuat menunjukkan bahwa perubahan EVI selama pertumbuhan tanaman padi membentuk kurva seperti lonceng (Gambar 2) dan mempunyai selang waktu 112-120 hari. Tanaman padi rata-rata mencapai nilai EVI maksimum >= 0.45 dan EVI minimum <= 0.22 (fase air). Sedangkan selisih nilai EVI maksimum dan EVI minimum (saat tanam) > 0.35. Hasil analisis statistik data EVI multitemporal selama 3 tahun menghasilkan citra EVI maksimum, Rata-rata, dan EVI minimum. Komposit RGB dari ketiga citra tersebut ditunjukkan pada Gambar 3. Lahan sawah dapat dideteksi dengan kenampakan warna dominan hijau dibandingkan dengan penutup lahan yang lain


45

Gambar 3. RGB Komposit EVI Multitemporal

Distribusi Spasial Awal Tanam Padi Hasil deteksi awal tanam padi sawah selama 3 tahun (2007-2009) di Kabupaten Indramayu menunjukkan EVI maksimum tanaman padi banyak dicapai pada tahun 2007, karena terdeteksi lebih luas awal tanam padi dari mulai Januari hingga Desember 2007. Periode Mei – Agustus tidak banyak terdeteksi penanaman padi, karena sudah berkurangnya pasokan air. Berdasarkan Gambar 4 dan Gambar 5 menunjukkan lebih banyak terjadi penanaman padi pada periode Januari – Maret dan Desember 2007. Sedangkan pada Tahun 2008 awal tanam banyak terdeteksi pada periode Oktober – Desember 2008. Kondisi tersebut menunjukkan pemanfaatan sumber air selain dari pasokan air irigasi yaitu dari air hujan cukup optimal dilakukan.

46


Gambar 4. Pemetaan Awal Tanam Padi Sawah di Kab. Indramayu Tahun 2007

Gambar 5. Pemetaan Awal Tanam Padi Sawah di Kab. Indramayu Tahun 2008


47

Kesimpulan Berdasarkan hasil analisis spasial dalam penelitian ini, maka dapat diambil beberapa kesimpulan sebagai berikut : 1. Awal tanam padi dapat dideteksi berdasarkan dominasi obyek air pada lahan sawah. Waktu awal tanam padi ( 0 HST) dapat diduga berdasarkan saat terjadi EVI maksimum yang umumnya terjadi pada 60 HST. Nilai ambang (treshold) EVI pada awal tanam adalah sekitar 0.22. 2. Realisasi tanam padi dapat dipantau melalui pertambahan luas tanaman padi yang memiliki nilai EVI <= 0.22.

Daftar Pustaka Adiningsih, E.S., dkk. 2000. Penentuan awal musim tanam menggunakan data satelit lingkungan dan cuaca di pulau Jawa. Prosiding Seminar Internasional Penginderaan Jauh dalam Pengembangan Ekonomi dan Pelestarian Lingkungan Hidup”, Jakarta, 11-12 April 2000. Handoko. 1994. Dasar Penyusunan dan Aplikasi Model Simulasi Komputer untuk Pertanian. Jurusan Geofísika dan Meteorologi. FMIPA. IPB. Handoko. 2005. Quantitative Modeling of System Dynamics for Natural Resources Management. SEAMEO BIOTROP. Bogor. Indonesia Hardjowigeno, S.2001. Kesesuaian Lahan dan Perencanaan Tata Guna Tanah. IPB, Bogor Hillel,D. 1971. Soil and Water Physical Principlesand Processes. Academic Press, New York. Puslitanak. 2002. Perkiraan Dini Areal Pertanian yang Terancam Kekeringan di Pulau Jawa Menggunakan Teknologi Penginderaan Jauh. Laporan Kerjasama dengan Pusat Data dan Informasi Pertanian, Departemen Pertanian Wu, L., F. X. Le Dimet, B. G. Hu, P. H. Cournède, P. de Reffye. 2004. A Water Supply Optimization Problem for Plant Growth Based on GreenLab Model. Cari 2004 - Hammamet. p: 101 – 108 Pemerintah Provinsi Jawa Barat. 2014. Profil Kabupaten Indramayu. Diunduh dari http://jabarprov.go.id/index. php/pages/id/1052. Tanggal 1 Oktober 2014. Huete et al., 1997. HYPERLINK “http://linkinghub.elsevier.com/retrieve/pii/S0034425796001125”A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Journal of Remote Sensing

48


ANALISIS NILAI EKOLOGI LAHAN SAWAH DI KOTA DEPOK JAWA BARAT MENGGUNAKAN DATA SATELIT PENGINDERAAN JAUH

Mukhoriyah Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh - LAPAN

ABSTRAK Kota Depok merupakan salah satu kota Megapolitan Jabodetabekpunjur, yaitu Jakarta, Bogor, Depok, Tangerang, Bekasi, Puncak, dan Cianjur. Jumlah penduduk Kota Depok pada tahun 2011 mencapai 1.813.612 jiwa dengan luas wilayah 20.009,92 ha. Aktivitas penduduk yang tinggi menyebabkan kebutuhan terhadap lahan meningkat, sementara itu luas lahan pada dasarnya tidak berubah. Hal ini menimbulkan perbandingan yang tidak seimbang antara perilaku manusia dan lingkungan dimana banyak lahan sawah yang dikembangkan menjadi kawasan terbangun. Keberadaan ekologi semakin menurun dan kurang mendapat perhatian sehingga berdampak pada bencana banjir setiap tahunnya. Tujuan dari penelitian ini adalah mengkaji ekologi lahan sawah di Kota Depok menggunakan data citra satelit Landsat-7 TM tahun 2000 dan citra satelit SPOT-4 tahun 2011. Kajian ekologi dilakukan dengan menganalisis konservasi air berdasarkan pembobotan variable curah hujan, penutup lahan dan kandungan liat. Selain itu dilakukan analisis ruang terbuka hijau (RTH) dan analisis sebaran titik banjir. Hasil menunjukkan telah terjadi perubahan penutup lahan sawah menjadi lahan terbangun sebesar 11,49%. Hasil perhitungan nilai ekologi yang diperoleh berdasarkan hasil pembobotan adalah lahan sawah yang mempunyai nilai ekologi tinggi merupakan kawasan konservasi air (80,21%), terdapat sebaran titik banjir (182,68 ha) dan memiliki RTH seluas 655,70 ha; Lahan sawah yang memiliki nilai ekologi sedang merupakan kawasan konservasi air (17,75%) dan mempunyai RTH seluas 143,64 ha; Dan lahan sawah yang memiliki nilai ekologi rendah merupakan wilayah genangan titik banjir (156,52 ha) dan mempunyai RTH seluas 20,08 ha.

Kata Kunci: Ekologi, Penutup Lahan, Sawah, Satelit Landsat dan SPOT


49

PENDAHULUAN Perkembangan tata ruang Kota Depok dipengaruhi oleh kebijakan pemanfaatan ruang pada tingkat nasional dan provinsi yang diarahkan sebagai kawasan penyangga dan resapan air untuk wilayah DKI Jakarta, kawasan industri dan permukiman, serta budidaya lahan basah (PERDA Kota Depok No. 2 tahun 2009). Lahan sawah dianggap sebagai barang publik, karena selain memberikan manfaat yang bersifat individual bagi pemiliknya, dan memberikan manfaat yang bersifat sosial. Kota Depok juga merupakan salah satu kota kawasan Megapolitan Jabodetabekpunjur yaitu Wilayah Jakarta, Bogor, Depok, Tangerang, Bekasi, Puncak, Cianjur. Jumlah penduduk pada tahun 2011 mencapai 1.813.612 jiwa dengan luas wilayah 20.009,92 ha (BPS Kota Depok, 2011). Aktivitas pembangunan dan pertambahan penduduk yang tinggi menyebabkan kebutuhan terhadap lahan meningkat, sementara itu ketersediaan dan luas lahan pada dasarnya tidak berubah. Meningkatnya arus urbanisasi yang terjadi di Kota Depok menyebabkan banyaknya permintaan dan mempengaruhi perubahan penggunaan lahan. Meningkatnya penggunaan lahan pertanian dimana makin terbatasnya luas lahan sawah yaitu tahun 2011 sebesar 932 dan meningkatnya jumlah penduduk menyebabkan perbandingan yang tidak seimbang antara perilaku manusia dan lingkungan. Keberadaan lahan sawah di Kota Depok harus dipertahankan keberadaannya sebab secara ekologi berfungsi sebagai daerah resapan air, pengendali banjir, sebagai ruang terbuka hijau, pengendali keseimbangan tata air dan penyangga untuk wilayah sekitanya serta sebagai habitat biota air. Tetapi saat ini keberadaan nilai ekologi semakin menurun dan kurang mendapat perhatian. Dampak yang ditimbulkan adalah kerusakan ekologi jangka panjang yaitu timbulnya bencana banjir setiap tahunnya (Jayadinata, 2008). Pemanfaatan data satelit penginderaan jauh digunakan untuk memetakan berbagai objek di permukaan bumi dan mengidentifikasi penggunaan lahan serta perubahannya dari tahun 2000-2011. Beberapa kajian telah dilakukan untuk memanfaatkan data satelit penginderaan jauh untuk mengetahui perubahan lahan sawah dan menentukan nilai ekologi, yaitu: pemantauan perubahan lahan pertanian (Irawan (2005), Pakpahan et al. (1993), Rustiadi et al. (2005)); perhitungan nilai ekologi (Odum (1993). Pada kegiatan ini dilakukan analisis ekologi lahan sawah di Kota Depok periode 2000-2011 menggunakan data satelit multi temporal Landsat TM dan citra SPOT 4.

METODOLOGI Lokasi penelitian berada di Kota Depok Provinsi Jawa Barat yang memiliki luas wilayah 20.029, 92 ha dan terdiri dari 11 kecamatan. Data yang dimanfaatkan dalam penelitian ini adalah citra satelit multitemporal Landsat-7 TM tahun 2000 dan citra SPOT-4 tahun 2011, data penutup lahan. Metode yang digunakan dalam penelitian ini adalah sebagai berikut. • Analisis perubahan penutup lahan sawah tahun 2000-2011, dilakukan dengan secara visual untuk mengklasifikasi kelas penutup lahan. Berdasarkan hasil identifikasi penutup lahan di Kota Depok, diperoleh sembilan kelas penutup lahan, yaitu: tubuh air, industri, kebun campur, ladang/tegalan, lahan terbuka, lapangan golf, permukiman, sawah dan semak/belukar. Klasifikasi dilakukan menggunakan data Landsat 7 TM/ETM+ dan SPOT-4 untuk tahun yang berbeda. • Analisis konservasi air, dilakukan dengan menentukan kondisi utama dari penutup lahan sawah dan kemampuan tanahnya dalam menyimpan air. Perumusan model konservasi air mengacu pada penelitian Zain (2002) dimana penelitian tersebut dilakukan di wilayah Jabodetabek dengan modifikasi beberapa variabel seperti curah hujan, penutup lahan, kandungan liat (Lembaga Penelitian Tanah, 1969). Dalam penelitian ini dilakukan dua proses yaitu skoring dan pembobotan sehingga dihasilkan kelas konservasi

50


air yaitu kelas tinggi, sedang dan rendah dengan menggunakan variabel curah hujan. Pemodelan zona konservasi air (Zain, 2002) menggunakan Persamaan (1) sebagai berikut:

WC = (0.21 x P) + (0.42 x LU) + (0.03 x KL) Dimana: WC

(1)

= Fungsi lahan sawah sebagai kawasan konservasi air

P

= Curah hujan

LU

= Luas penutup lahan sawah

KL

= Kandungan Liat

Hasil pemodelan daerah konservasi air dari pembobotan beberapa parameter adalah: 1. Wilayah yang memiliki kemampuan tinggi dalam mengkonservasi air. 2. Wilayah yang memiliki kemampuan sedang dalam mengkonservasi air. 3. Wilayah yang memiliki kemampuan rendah dalam mengkonservasi air • Analisis Ruang Terbuka Hijau, merupakan standar penyediaan RTH adalah 15 m2/penduduk atau minimal dari luas areal kota dalam berbagai bentuk. Kemampuan lahan sawah untuk menyerap CO2 pertahun dapat dihitung melalui penelitian (IPCC, 2006) dimana lahan sawah memiliki daya serap gas CO2 sebesar 175,20 ton CO2/ha/tahun (DPU, 1996) • Analisis Sebaran Titik Banjir, yaitu akibat tingginya curah hujan menunjukkan bahwa kapasitas alir sungai tidak lagi mampu menampung debit air sehingga terjadi luapan air di beberapa lokasi karena kapasitas alir lebih rendah dari debit aliran. Keterbatasan kapasitas alir disebabkan karena di sepanjang sisi sungai telah dipenuhi oleh permukiman penduduk sehingga sungai tidak lagi dapat mengikuti kesetimbangan alam untuk menampung aliran dari hulu dan berubah fungsi menjadi saluran drainase. Analisis sebaran titik banjir diperoleh dari hasil overlay peta sebaran titik banjir dengan peta penutup lahan sawah tahun 2011. Hasil tersebut digunakan untuk mengetahui luas lahan sawah yang berada di genangan titik banjir akibat terjadinya perubahan lahan sawah menjadi lahan terbangun.

HASIL DAN PEMBAHASAN Analisis Perubahan Penutup Lahan Sawah Tahun 2000-2011 Hasil klasifikasi penutup lahan tahun 2000 dan tahun 2011 digunakan untuk mendeteksi perubahan jenis dan lokasi yang dituangkan dalam peta perubahan penutup lahan dengan menggunakan data Landsat 7 TM/ETM+ dan SPOT-4 diperlihatkan pada Gambar 1 dan 2 dan hasil stratistik luas perubahan penutup lahan diperlihatkan pada Tabel 1. Peruntukan penutup lahan Di Kota Depok mengalami kenaikan yang sangat signifikan, dimana pada tahun 2000 luas lahan non pertanian dan kawasan terbangun mencapai 6.130,17 ha (30,64%) dan pada tahun 2011 mengalami perubahan sebesar 11.882,17 ha (59,38%) atau mengalami peningkatan seluas 28,57 %. Sedangkan luas lahan sawah pada tahun 2000 sebesar 3.118.21 ha (15,58%) dan mengalami penyusutan di tahun 2011 menjadi 819,42 ha (4,09%) atau lahan sawah mengalami konversi sebesar 2.298,79 ha (11,49%). Lahan sawah lebih mudah dikonversi menjadi lahan terbangun atau peruntukan lainnya karena lahan sawah banyak dimanfaatkan untuk kebutuhan komersial dan harga lahan sawah cenderung lebih murah di bandingkan dengan penutup lahan lainnya.


51

Tabel 1. Perubahan Penutup Lahan di Kota Depok Tahun 2000-2011 Kelas PLTahun 2000 (Dalam Ha)

Kelas Penutup Lahan (PL) Tahun 2011 (Dalam Ha) Danau

Industri

Kebun Campur

Tegalan

Lahan Terbuka

114,30

-

8,15

5,19

-

3,72

15,29

-

15,61

162,26

Industri

-

34,97

-

-

-

-

-

-

-

34,97

Kebun Campur

-

-

1.059.26

85.82

8,05

0,04

187,36

-

76,71

1417.24

Ladang/

-

-

50.43

1.084.72

40,26

11,15

97,89

-

38,89

1323.34

Lahan Terbuka

-

-

7,11

-

64,78

-

19,22

-

11,09

75,16

Lapangan Golf

-

-

-

-

-

366,89

-

-

-

366.89

Permukiman

-

-

-

-

-

-

1.1847,20

-

-

11847,20

Sawah

-

-

132,36

103,00

5,04

-

1.113,83

819,42

115,03

2298,79

Semak/

-

-

59,13

35,45

17,27

0,17

132.06

-

2.239.49

2483.57

Danau

Ladang/

Lap

Permukiman

Sawah

Semak/

Golf

Jumlah

Belukar

Tegalan

Belukar

Gambar 1. Informasi spasial penutup lahan Kota Depok tahun 2000

52


Gambar 2. Informasi spasial penutup lahan Kota Depok tahun 2011

Analisis Konservasi Air Analisis fungsi konservasi air dapat dilakukan dengan menentukan kriteria kondisi utama dari penutup lahan sawah dan kemampuan tanah dalam menyimpan air. Hasil analisis menunjukkan bahwa korelasi antara curah hujan, penutup lahan dan kemampuan liat telah terjadi degradasi air yang sangat tinggi disertai dengan ketimpangan distribusi air terhadap waktu dan kualitas resapan yang menurun diperlihatkan pada pada Tabel 2 dan gambar 3. Berdasarkan pembobotan dari masing-masing variabel dihasilkan kelas konservasi air di Kota Depok diperlihatkan meliputi: • Lahan sawah yang berfungsi sebagai kawasan konservasi air tinggi (T) seluas 657.29 ha (80.21%), mempunyai saluran irigasi yang berfungsi dengan baik. • Lahan sawah yang berfungsi sebagai Kawasan Konservasi Air Sedang (S) luasnya 145.41 ha (17.75%). Pada wilayah ini mulai banyak aktivitas penduduk dan pembangunan perumahan. • Lahan sawah yang berfungsi sebagai Kawasan Konservasi Air Rendah (R) seluas 16.72 ha (2.04%) berada di pusat Kota Depok. Pada wilayah ini merupakan kawasan yang digunakan sebagai pusat pertumbuhan dan perkembangan kota seperti pusat pemerintahan, perdagangan dan jasa, pendidikan, kesehatan.


53

Gambar 3. Kawasan konservasi air di Kota Depok

Analisis Ruang Terbuka Hijau Berdasarkan hasil analisis, Kota Depok memiliki Ruang Terbuka Hijau (RTH) dengan luas 5.056,35 ha. RTH berfungsi sebagai daerah resapan air dan mempunyai kemampuan dalam menyerap karbon CO2. Kota Depok yang merupakan wilayah penyangga daerah sekitarnya dimana lahan sawah mempunyai fungsi ekologi untuk menjaga ekosistem tumbuhan dan tanaman (Gambar 4 dan 5). Daya serap gas Co2 untuk lahan sawah adalah 175,20 Ton Co2/ha/tahun. Jika luas lahan sawah di Kota Depok 819,42 ha, maka estimasi kemampuan daya serap lahan sawah Kota Depok terhadap CO2 yaitu 143.562,38 ton CO2/ha/tahun. Perhitungan daya serap CO2 tersebut berdasarkan luas lahan sawah (tahun 2000 sebesar 3.118.21 ha dan tahun 2011 sebesar 819,42 ha) dan kepadatan CO2, sehingga bisa diketahui kemampuan daya serap CO2 pada lahan sawah meliputi: • Lahan sawah dengan RTH Tinggi mempunyai luas 655,70 ha dan mampu menyerap CO2 sebesar 114.878,64 ton CO2/ha/tahun. • Lahan sawah dengan RTH Sedang mempunyai luas 143,64 ha dan mampu menyerap CO2 sebesar 25.165,73 ton CO2/ha/tahun. • Lahan sawah dengan RTH Rendah mempunyai luas 20,08 ha dan mampu menyerap CO2 sebesar 3.518,02 ton CO2/ha/tahun

54


Gambar 4. Hasil analisis Ruang Terbuka Hijau di Kota Depok

Gambar 5. Foto lahan sawah yang beralih fungsi menjadi area perumahan Pemanfaatan Citra Penginderaan Jauh untuk Sumber Daya Wilayah Darat

55

Analisis Sebaran Banjir Berdasarkan hasil analisis menunjukkan bahwa komposisi perubahan penutup lahan dalam kurun waktu sebelas tahun (2000-2011) terjadi peningkatan luasan kawasan terbangun menjadi 28,57 % dan lahan sawah mengalami konversi sebesar 11,49%. Karakteristik curah hujan di Kota Depok berdasarkan 4 stasiun yaitu: Stasiun Pancoran Mas, Lenteng Agung, Sawangan dan Stasiun Cibinong. Dari hasil analisis diperoleh sebaran genangan titik banjir di beberapa wilayah terutama di kawasan yang memiliki daerah resapan air yang kecil (Gambar 6). Hasil sebaran titik banjir pada lahan sawah di Kota Depok meliputi: • Terdapat genangan titik banjir seluas 182.68 ha berada di pinggiran Kota Depok, merupakan areal permukiman yang berdekatan dengan saluran sungai, yang sebagian lahan sawah beralih fungsi menjadi kolam ikan. • Terdapat genangan titik banjir pada lahan sawah seluas 91.65 ha berada di tengah Kota Depok yaitu di areal yang mulai di kembangkan untuk perumahan dan pusat perkembangan kota, memiliki saluran drainase yang tidak berfungsi dengan baik. • Terdapat genangan titik banjir pada lahan sawah seluas 156.52 ha berada di pusat kota yang mayoritas penggunaan lahannya dimanfaatkan menjadi areal terbangun. Daerah resapan air dan saluran drainase sudah mengalami penurunan fungsinya sehingga pada zona tersebut sering mengalami banjir.

Gambar 6. Sebaran Titik Banjir di Kota Depok

56


Hasil analisis nilai ekologi lahan sawah di Kota Depok dengan menggunakan parameter konservasi air, ruang terbuka hijau dan sebaran titik banjir, maka diperoleh kriteria nilai ekologi tinggi, sedang dan rendah diperlihatkan pada Gambar 7 meliputi : • Lahan sawah yang memiliki nilai ekologi tinggi merupakan kawasan konservasi air dengan luas 657,29 ha (80,21%), terdapat sebaran titik banjir terbesar yaitu seluas 182,68 ha, mempunyai saluran drainase dan irigasi yang baik. Wilayah ini memiliki RTH seluas 655,70 ha dan mampu menyerap CO2 sebesar 114.878,64 tonCO2/ha/tahun. • Lahan sawah yang memiliki nilai ekologi sedang merupakan kawasan konservasi dengan luas 145,41 ha (17,75%), mempunyai RTH seluas 143,64 ha yang mampu menyerap CO2 sebesar 25.165,73 tonCO2/ha/ tahun. • Lahan sawah yang memiliki nilai ekologi rendah merupakan wilayah genangan titik banjir seluas 156,52 ha dan mempunyai RTH seluas 20,08 ha yang mampu menyerap CO2 sebesar 3.518,02 tonCO2/ha/tahun. Tabel 2. Luas Kriteria Lahan Sawah sebagai Kawasan Konservasi Air Kriteria Kawasan Konservasi

Luas (Ha)

Prosentase (%)

Rendah

16.72

2.04

Sedang

145.41

17.75

Tinggi

657.29

80.21

Gambar 7. Hasil analisis nilai Ekologi Lahan Sawah Kota Depok


57

KESIMPULAN Berdasarkan hasil penelitian diketahui bahwa lahan sawah di Kota Depok sudah banyak mengalami perubahan yang dikonversi menjadi lahan terbangun. Padahal ditinjau dari aspek biofisik dan lahan sawah harus dipertahankan keberadaannya karena secara ekologi merupakan kawasan konservasi air yang tinggi yaitu seluas 657,29 ha (80,21%) dan memiliki RTH seluas 655,70 ha yang mampu menyerap CO2 sebesar 114.878,64 tonCO2/ha/tahun, walaupun Kota Depok memiliki sebaran titik banjir terbesar yaitu seluas 182,68 ha.

DAFTAR PUSTAKA Badan Pusat Statistik. Kota Depok Dalam Angka. Kota Depok. Jawa Barat. 2011 Direktorat Bina Tata Perkotaan dan Pedesaan Dirjen Cipta Karya Departemen Pekerjaan Umum. 1996. Pedoman Peninjauan Kembali dan Penyusunan RTRW Kabupaten Dati II. DPU. Jakarta. Irawan, B. 2005. Konversi Lahan Sawah : Potensi Dampak, Pola Pemanfaatannya dan Faktor Determinan. Forum Penelitian Agro Ekonomi Volume 21 No.2 Oktober 2003. Pusat Penelitian Sosial Ekonomi Pertanian, Balitbang Pertanian Departemen Pertanian. hal : 145-174. [IPCC] Intergovernmental Panel on Climate Change. 2006. IPCC Guidelines for National Greenhouse Gas Inventories. IPCC National Greenhouse Gas Inventories Programme. IGES, Japan. Jayadinata JT. 1999. Tata Guna Tanah dalam Perencanaan Pedesaan, Perkotaan, dan Wilayah Edisi Ketiga. Institut Teknologi Bandung. Bandung. Odum, Eugene P. 1993. Dasar-dasar Ekologi. Gadjah Mada University Press. Yogyakarta. Pakpahan, A., Sumaryanto, N. Syafa’at. 1993. Analisis Kebijaksanaan Konversi Lahan Sawah ke Penggunaan Nonpertanian. Pusat Penelitian Sosial Ekonomi Pertanian. Bogor PERDA Nomor 2 Tahun 2009. Perubahan Atas Peraturan Daerah Kota Depok Nomor 12 Tahun 2001 tentang Rencana Tata Ruang Wilayah Kota Depok Tahun 2000-2010. Kota Depok. Jawa Barat Rustiadi E, Wafda R. 2005. Masalah Ketersedian Lahan dan Konversi Lahan Pertanian. Makalah Seminar pada Seminar Penanganan Konversi Lahan dan Pencapaian Lahan Pertanian Abadi pada tanggal 13 Desember 2005, kerjasama Kantor Kementerian Koordinator Bidang Ekonomi dan Pusat Studi Pembangunan Pertanian dan Perdesaan (PSP3) LPM IPB Undang-undang Republik Indonesia Nomor 26 Tahun 2007. Penataan Ruang. Zain. AM, Mukaryanti, Shiddig. D. Evaluasi Kemampuan Alami Wilayah Dalam Konservasi Air dan Pengendalian Banjir. Jurnal Ilmiah. Teknik Lingkungan. P3TI – BPPT.7.

58


PEMBUATAN INFORMASI SPASIAL SEBARAN NDVI DI DTA DANAU KERINCI BERBASIS DATA LANDSAT TM/ETM+ PERIODE 2000-2009

Bambang Trisakti*, Arum Tjahyaningsih*, dan Samsul Arifin** *Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh – LAPAN ** Bidang Produksi Informasi, Pusat Pemanfaatan Penginderaan Jauh - LAPAN

ABSTRAK Informasi spasial nilai minimum dan dan maksimum dari indek kehijauan vegetasi (NDVI) sangat diperlukan sebagai data masukan untuk pendugaan laju erosi tanah. Informasi spasial NDVI pada daerah tangkapan air (DTA) membutuhkan citra satelit dengan resolusi spasial menengah, seperti citra Landsat. Tutupan awan/haze dan perbedaan pencahayaan karena topografi dapat mengakibatkan tidak akuratnya NDVI. Kegiatan ini bertujuan untuk membuat informasi spasial NDVI minimum dan maksimum di DTA Danau Kerinci menggunakan 19 citra Landsat TM/ETM+ periode 2000-2009 perekaman bulan berbeda yang mewakili musim kemarau dan hujan. Standardisasi data dilakukan dengan melakukan koreksi geometri matahari dan koreksi terrain menggunakan metode C-correction. Proses berikutnya adalah menghilangkan awan/haze dan bayangan pada setiap citra, konversi ke NDVI, kroping dan penggabungan data, serta perhitungan NDVI maksimum dan minimum. Analisis lebih lanjut dilakukan untuk melihat perubahan NDVI. Hasil memperlihatkan bahwa kondisi topografi, awan dan bayangan mempengaruhi NDVI, terutama dalam menentukan NDVI minimum. Karena itu standarisasi data dan penghilangan awan/bayangan menjadi syarat penting mendapatkan NDVI yang konsisten dan akurat. Perubahan NDVI tinggi terjadi pada penutup lahan yang dinamis (sawah), sedangkan perubahan NDVI rendah terjadi pada penutup lahan yang statis (hutan dan tubuh air).

Kata Kunci: NDVI, standarisasi, Landsat TM/ETM+, topografi, penghilangan awan/bayangan


59

PENDAHULUAN Konversi lahan menjadi permasalahan utama yang mengakibatkan terjadinya kerusakan di bagian hulu daerah tangkapan air (DTA), yang selanjutnya mengakibatkan berubahnya siklus hidrologi di DTA tersebut. Bila hujan turun pada tanah yang terbuka, maka air akan masuk kedalam tanah yang memiliki kesuburan tinggi. Dengan tidak adanya pohon yang menahan air hujan agar meresap ke dalam tanah, maka aliran air permukaan akan meningkat. Aliran air permukaan yang besar dan cepat akan mengikis lapisan permukaan tanah yang subur sehingga menyebabkan hilangnya kesuburan tanah. Dampak yang terjadi adalah meningkatnya erosi tanah pada musim hujan dan kurangnya air pada musim kemarau karena rendahnya resapan air ke dalam tanah (www. Salmaghaliza.blogspot.com) Permasalahan di DTA berakibat pada turunnya kualitas danau seperti: pendangkalan dan penyempitan danau, penyebaran eceng gondok dan turunnya kualitas air. Oleh karena itu perlu dilakukan usaha pencegahan agar kerusakan DTA tidak berlanjut terus, serta upaya pemulihan kualitas danau sehingga danau-danau tersebut dapat tetap lestari. Untuk menangani permasalahan ini, pemerintah telah menggulirkan program nasional penyelamatan danau 2010-2014 yang diprioritaskan kepada 15 danau yang telah mengalami kerusakan (KLH, 2011). Program tersebut telah ditindak lanjuti dengan diadakannya Konferensi Danau I di Bali pada tahun 2009 dan Konferensi Danau II di Semarang pada Tahun 2011, yang menghasilkan kesepakatan antara 9 Kementerian dan penegasan kembali untuk pemulihan 15 danau prioritas. Berdasarkan pedoman Pengelolaan Ekosistem Danau (KLH, 2008) dijelaskan bahwa status ekosistem danau ditentukan oleh beberapa faktor, yang salah satunya adalah erosi lahan. Erosi merupakan suatu proses hilangnya lapisan tanah, baik disebabkan oleh pergerakan air maupun angin (Foth, 1995). Tingkat erosi yang tinggi dan melebihi batas toleransi mengakibatkan DTA suatu danau diberi status mengalami kerusakan. Metode Universal Soil Loss Equation (USLE) adalah metode pendugaan laju erosi tanah yang cukup populer dan sangat baik diterapkan di daerah yang faktor utama penyebab erosi adalah hujan dan aliran permukaan (As-syakur, 2008), tetapi metode USLE membutuhkan beberapa masukan data pengukuran lapangan yang belum tentu tersedia untuk setiap wilayah Indonesia. Metode pendugaan lain berbasis data satelit penginderaan jauh, yang membutuhkan informasi spasial kemiringan lereng dan data Normalized Difference Vegetation Index (NDVI) untuk wilayah kajian (Hazarika dan Honda, 2001). Data NDVI yang dibutuhkan untuk pendugaan laju erosi tanah adalah NDVI minimum dan maksimum pada suatu wilayah selama periode tertentu. NDVI adalah indeks vegetasi yang paling popular digunakan dan dapat mengambarkan kondisi tingkat kehijauan, kesehatan dan kerapatan vegetasi. NDVI dikembangkan oleh Rouse et al. (1974), berbasis kepada perbedaan nilai pantulan band inframerah dengan band merah. Tumbuhan hijau akan menyerap gelombang pada spektrum merah untuk proses fotosintesis, dan memantulkan gelombang pada spectrum inframerah. Parameter indek vegetasi sebaiknya memenuhi syarat (Jensen, 2000): (a) Memaksimalkan sensitifitas dari parameter biofisik tanaman, (b) Menormalkan pengaruh dari luar seperti: sudut matahari, sudut pandang sensor, atmosfir dan waktu perekaman, (c) menormalkan pengaruh dari dalam seperti: variasi dari jenis kanopi dan tanah, kondisi topografi, jenis tanaman, (d) dapat dihubungkan dengan parameter biofisik yang dapat diukur seperti biomassa atau leaf area index (LAI) yang dapat dijadikan alat validasi dan kontrol kualitas informasi. Walaupun NDVI diharapkan dapat terlepas dari pengaruh faktor luar dan faktor dalam, tetapi pada kenyataannya faktor-faktor tersebut mempengaruhi nilai dijital piksel secara berbeda untuk setiap band. Oleh karena itu NDVI yang berbasis pada selisih band tidak akan terlepas sepenuhnya dari pengaruh tersebut. Beberapa faktor yang mempengaruhi nilai dijital piksel adalah pengaruh tutupan awan/haze, bayangan dan beda pencahayaan karena perbedaan kondisi topografi permukaan bumi. Faktor yang paling berpengaruh untuk wilayah Indonesia adalah faktor tutupan awan, karena Indonesia terletak di wilayah tropis yang merupakan wilayah pembentukan awan.

60


Kegiatan ini bertujuan untuk untuk membuat informasi spasial NDVI minimum dan maksimum di DTA Danau Kerinci menggunakan citra multi temporal Landsat TM/ETM+ selama periode 2000-2009. Proses standarisasi data dilakukan dengan melakukan koreksi geometri matahari dan terrain, kemudian melakukan penghilangan awan/haze dan bayangan awan dengan menggunakan kombinasi band. Diharapkan proses standarisasi data, penghilangan awan/haze dan bayangan dapat mempertahankan konsistensi nilai NDVI sehingga dapat digunakan untuk mendukung pendugaan laju erosi tanah yang akurat.

METODE Lokasi dan Data Lokasi kajian adalah daerah tangkapan air Danau Kerinci di Kabupaten Kerinci, Provinsi Jambi, Indonesia (Gambar 1). Danau Kerinci merupakan salah satu dari 15 danau yang termasuk dalam program pengelolaan danau prioritas tahun 2010-2014 yang dikeluarkan oleh BLHPP (Badan Lingkungan Hidup dan Penelitian Pengembangan), KLH (http://blhpp.wordpress.com/). Ekosistem sekitar Danau Kerinci mempunyai permasalahan dengan terjadinya kerusakan DAS karena konversi lahan yang mengakibatkan tingginya laju erosi tanah di wilayah DTA. Wilayah ini mempunyai kondisi topografi yang bervariasi dan dikelilingi oleh pegunungan bukit barisan, dengan penutup lahan yang utama terdiri dari pertanian, perkebunan, hutan dan ladang/tegalan. Data penginderaan jauh satelit yang digunakan adalah data Landsat TM/ETM selama periode 2000-2009, dan data Dijital Elevation Model (DEM) SRTM X-C band. Kedua jenis data tersebut mempunyai resolusi spasial yang sama yaitu 30 m. Data Landsat TM/ETM+ diperoleh dari program Indonesia National Carbon Accounting System (INCAS), kondisi data sudah terkoreksi geometri matahari (konversi nilai dijital ke reflektansi) dan sebagian sudah terkoreksi terrain. Dari data yang diterima dilakukan evaluasi tingkat penutup awan, untuk selanjutnya dipilih 19 data dengan tingkat penutup awan yang relatif rendah untuk digunakan. Data yang dipilih juga memperhatikan keterwakilan bulan-bulan pada musim hujan dan musim kemarau. Data yang digunakan diperlihatkan pada Tabel 1. Gambar 1. Lokasi daerah kajian di Kabupaten Kerinci (Kiri), dan daerah tangkapan air Danau Kerinci (Kanan)


61

Tabel 1. Data Landsat yang digunakan No.

Jenis data

Tanggal Perekaman

1.

Landsat TM

22 Januari 2000

2.

Landsat TM

5 Mei 2000

3.

Landsat TM

13 Mei 2000

4.

Landsat TM

3 Juli 2001

5.

Landsat TM

11 Juli 2001

6.

Landsat ETM+

24 Maret 2002

7.

Landsat ETM+

28 Juni 2002

8.

Landsat ETM+

15 Agustus 2002

9.

Landsat TM

6 Januari 2003

10.

Landsat ETM+

17 Juni 2004

11.

Landsat TM

13 September 2004

12.

Landsat TM

27 Mei 2005

13.

Landsat TM

30 Mei 2006

14.

Landsat TM

1 Juli 2006

15.

Landsat ETM+

11 September 2006

16.

Landsat TM

1 Mei 2007

17.

Landsat TM

19 Mei 2008

18.

Landsat TM

20 April 2009

19.

Landsat TM

22 Mei 2009

Metode Penelitian Sebagian data masih belum dilakukan koreksi terrain, sehingga tahap pertama adalah melakukan koreksi terrain dengan menggunakan algoritma C correction (Wu et al., 2004) seperti pada persamaan 1. Detil penjelasan mengenai koreksi terrain dan cara memperoleh nilai C dapat dilihat pada hasil penelitian sebelumnya (Trisakti et al., 2009), pada penelitian tersebut dilakukan perhitungan nilai C, dan selanjutnya melakukan koreksi terrain untuk data Landsat ETM+ dengan menggunakan algoritma C correction. LH = LT (Cos sz + C)/(Cos i +C)

(1)

Dimana: LH : Reflektansi yang sudah dikoreksi (pada permukaan datar) LT : Reflektansi belum dikoreksi (pada permukaan miring karena kondisi topografi) sz : Sudut zenith matahari i

: Sudut normal piksel yang dibentuk dari arah normal piksel dan arah matahari

c : Koefisien pembatas yang merupakan rasio antara titik potong dan gradient (b/m) dari persamaan regresi LT = m Cos I + b Selanjutnya melakukan penghilangan awan/haze (cloud removal) dan bayangan awan untuk data Landsat. Penghilangan awan dilakukan dengan menggunakan metode penghilangan awan secara bertahap menggunakan band biru (band 1) dan band inframerah (band 4), algoritma yang digunakan adalah sebagai berikut:

62


if X4 > Acloud-thres then P = piksel awan, if X1 > Bcloud-thres then P = piksel awan, Selain itu adalah piksel non awan dimana: X1 = Band 1 X4 = Band 4 Acloud-thres = Nilai batas awan band 4 Bcloud-thres = Nilai batas awan band 1 Sedangkan untuk penghilangan bayangan awan digunakan metode penghilangan bayangan secara bertahap menggunakan band albedo (penjumlahan band visible) dan band inframerah (band 4), algoritma yang digunakan adalah sebagai berikut: if X1+X2+X3 < Acloud-thres then P = piksel bayangan, if X4 < Bcloud-thres

then P = piksel bayangan,

Selain itu adalah piksel non awan dimana: X1, X2, X3 = Band 1, Band 2 dan Band 3 X4 = Band 4 Acloud-thres = Nilai batas bayangan band albedo Bcloud-thres = Nilai batas bayangan band 4 Nilai batas awan dan bayangan ditentukan dengan melakukan perbandingan visual antara hasil citra penerapan algoritma penghilangan awan dan bayangan dengan citra Landsat komposit RGB 542. Bila hasil masking awan dan bayangan belum sesuai maka dilakukan iterasi sehingga diperoleh batas yang paling optimal. Setelah itu tahap berikutnya adalah mengubah piksel non awan menjadi nilai NDVI dengan persamaan umum dari NDVI. NDVI = (X4-X3)/(X4+X3)

(2)

dimana : X3, X4 = Band 3 dan band 4 Konversi NDVI dilakukan untuk seluruh data (19 data), selanjutnya melakukan kroping dengan batas DTA yang diturunkan dengan menggunakan data DEM menggunakan metode akumulasi aliran. Selanjutnya melakukan penggabungan seluruh data NDVI dan melakukan perhitungan sebaran nilai maksimal (NDVI Max) dan nilai minimum (NDVI Minimum) dari seluruh data selama periode 2000-2009. Tahap terakhir adalah menentukan perubahan NDVI (D NDVI ) dengan menghitung selisih antara nilai maksimum dan nilai minimum NDVI untuk setiap piksel, kemudian membagi menjadi tiga kelas yaitu perubahan NDVI rendah, perubahan NDVI menengah dan perubahan NDVI tinggi untuk daerah tangkapan air Danau Kerinci.


63

NDVI Max = f (i1, i2, …, in) NDVI Min = f (i1, i2, …, in) D NDVI = NDVI Max – NDVI Min

(3)

dimana: i1, i2, …, in = layer NDVI ke 1 sampai dengan layer NDVI ke n (n=19)

HASIL DAN PEMBAHASAN Pengaruh Terrain, Awan dan Bayangan Awan pada nilai NDVI Nilai NDVI diekstrak secara dijital dengan menggunakan kombinasi band 3 (merah) dan band 4 (inframerah), band ini dipengaruhi oleh kondisi keawanan (awan, haze dan bayangan) dan topografi permukaan bumi. Gambar 2 memperlihatkan citra Landsat dengan kondisi topografi di wilayah kajian yang berbukit dan hasil NDVI yang diturunkan dari data tersebut. Kondisi topografi yang bervariasi mengakibatkan terjadinya perbedaan pencahayaan matahari terhadap permukaan bumi. Bagian yang menghadap matahari akan memperoleh intensitas pencahayaan yang tinggi sehingga mempunyai nilai piksel yang juga tinggi (terang), sedangkan bagian yang membelakangi matahari akan memperoleh intensitas pencahayaan yang rendah sehingga mempunyai nilai yang lebih rendah (gelap). Berkurangnya intensitas pencahayaan pada bagian yang membelakangi matahari, lebih mempengaruhi nilai spektral pada band dengan panjang gelombang lebih panjang (band 4) dibandingkan band dengan panjang gelombang yang lebih pendek (band 2). Oleh karena itu permukaan yang membelakangi matahari mempunyai nilai NDVI rendah seperti yang diperlihatkan pada Gambar 2, khususnya dalam kotak hitam. Pengaruh awan sangat berdampak terhadap objek di permukaan bumi, awan tebal akan menyerap gelombang elektromagnetik yang datang dan memantulkan kembali ke atmosfir. Sedangkan awan tipis (haze) hanya menyerap sebagian gelombang elektromagnetik yang datang ke permukaan bumi, sehingga mengakibatkan berkurangnya intensitas cahaya pada daerah yang dipengaruhi haze. Pengurangan intensitas cahaya juga terjadi pada daerah yang menjadi proyeksi awan pada permukaan bumi (daerah bayangan awan atau haze). Pengurangan intensitas cahaya mempengaruhi nilai NDVI seperti diperlihatkan pada Gambar 3. Nilai NDVI menjadi sangat rendah pada daerah yang ditutupi oleh awan dan haze. Berdasarkan hal yang dijelaskan tersebut maka penurunan NDVI perlu melakukan proses standarisasi data dan penghilangan awan, haze dan bayangan.

64


Nilai NDVI

Citra Landsat RGB 542

Gambar 2. Citra Landsat (Kiri) dan Nilai NDVI dari citra Landsat (Kanan)

Awan dan bayangan

NDVI karena awan

Awan tipis (haze)

NDVI karena haze

Bayangan

NDVI karena bayangan

Gambar 3. Pengaruh awan, haze dan bayangan pada nilai NDVI

Standarisasi Data dan Penurunan NDVI Standarisasi data dilakukan dengan melakukan koreksi radiometrik (koreksi geometri matahari dan koreksi terrain), serta penghilangan awan dan bayangan. Gambar 4 memperlihatkan data sebelum dan setelah dilakukan


65

proses koreksi terrain. Setelah mengalami proses koreksi terrain, penampakan data dalam bentuk 3 dimensi berubah menjadi bentuk datar 2 dimensi, dan perwarnaan yang lebih gelap dari bagian yang membelakangi matahari menjadi lebih terang sehingga mendekati pewarnaan dari bagian yang menghadap matahari. Analisis secara dijital memperlihatkan bahwa nilai-nilai dari band pada objek yang membelakangi matahari bertambah, sebaliknya nilai-nilai dari band pada objek yang menghadap matahari berkurang mendekati nilai-nilai band pada objek yang pada bagian datar. Hasil penghilangan awan dan bayangan diperlihatkan pada Gambar 5. Dengan menggunakan metode penghilangan secara bertahap menggunakan kombinasi band, maka awan dan bayangan dapat dihilangkan dengan cukup baik. Permasalahan yang masih menyulitkan dalam proses penghilangan awan dan bayangan adalah mendapatkan nilai batas yang optimal, dan nilai tersebut bisa berubah pada data yang berbeda. Apabila nilai batas tidak optimal, akan mengakibatkan tidak akuratnya nilai NDVI (NDVI lebih rendah dari semestinya). Setelah data terstandarisasi, maka dilakukan penurunkan nilai NDVI untuk untuk setiap data pada Tabel 1. Gambar 6 memperlihatkan contoh data NDVI untuk DTA Danau Kerinci pada tanggal perekaman berbeda selama periode 2000-2009.

Data belum terkoreksi terrain

Data terkoreksi terrain

Gambar 4. Hasil koreksi terrain pada data Landsat

Awan dan bayangan pada citra

Penghilangan awan dan bayangan

Gambar 5. Hasil penghilangan awan dan bayangan pada data Landsat

66


0.1

0.9

11 juli 2001

27 Mei 2005

22Mei 2009

Gambar 6. Nilai NDVI pada data Landsat yang telah dikoreksi

Perubahan NDVI di DTA Danau Kerinci Seluruh informasi spasial NDVI untuk DTA Danau Kerinci disusun dan dihitung nilai NDVI maksimum dan minimum untuk setiap piksel seperti diperlihatkan pada Gambar 7. NDVI minimum memperlihatkan nilai NDVI terendah sepanjang periode 2000-2009, tidak menutup kemungkinan nilai rendah tersebut diakibatkan oleh pengaruh haze, bayangan atau kondisi topografi. Tetapi berdasarkan hasil evaluasi secara visual, standarisasi data yang dilakukan telah mengurangi pengaruh-pengaruh tersebut, sehingga diharapkan NDVI yang dihasilkan lebih konsisten dan akurat. Nilai NDVI minimum terpantau pada air danau, sawah (dalam fase air) di dataran rendah, dan daerah lahan terbuka di bagian hulu DTA (puncak Gunung Kerinci). Sedangkan Nilai NDVI maksimum sepanjang periode 2000-2009 teridentifikasi di daerah hutan pada bagian perbukitan. Nilai NDVI maksimum pada area sawah di bagian tengah DTA adalah kondisi sawah dalam fase vegetatif.


67

NDVI Maksimum

NDVI Minimum

Keterangan: NDVI Minimum 200-2009 NDVI Maksimum 2000-2009 Perubahan NDVI 2000-2009

Legenda 0.2

0.9

Perubahan NDVI periode 2000-2009 Gambar 7. NDVI minimum, NDVI maksimum dan perubahan NDVI selama periode 2000-2009

Analisis perubahan nilai NDVI di DTA Danau Kerinci dilakukan dengan mengurangi NDVI maksimum dengan NDVI minimum. Besarnya selisih NDVI yang diperoleh kemudian dibagi menjadi tiga bagian dan dikelaskan menjadi kelas perubahan NDVI rendah, kelas perubahan NDVI sedang dan kelas perubahan NDVI tinggi. Kelas perubahan NDVI tinggi dan NDVI sedang teridentifikasi di daerah sawah, ladang dan perkebunan yang mempunyai perubahan tingkat kehijauan yang tinggi. Yaitu kehijauan vegetasi saat masa penanaman atau masa setelah panen yang didominasi oleh tanah (NDVI rendah) dengan kehijauan vegetasi saat fase vegetasi yang didominasi oleh tutupan daun yang rapat (NDVI tinggi). Sedangkan kelas perubahan NDVI rendah terpantau pada hutan, air danau, permukiman, semak belukar yang tingkat kehijauannya relatif tetap (cenderung sama).

68


KESIMPULAN Pada kegiatan ini dilakukan perhitungan NDVI maksimum dan minimum untuk wilayah DAS Danau Kerinci dengan menggunakan data Landsat TM/ETM+ selama periode 2000-2009. Hasil memperlihatkan bahwa, • Kondisi topografi, tutupan awan, haze dan bayangan sangat mempengaruhi NDVI, terutama dalam menentukan NDVI minimum. Karena itu standarisasi data dan penghilangan awan/bayangan menjadi syarat penting mendapatkan NDVI yang konsisten untuk menghasilkan pendugaan laju erosi tanah yang akurat • Standarisasi yang perlu dilakukan adalah koreksi terrain untuk penghilangan pengaruh perbedaan pencahayaan karena topografi dan penghilangan awan/haze dan bayangan. • Perubahan NDVI tinggi terjadi pada penutup/penggunaan lahan yang dinamis seperti sawah, sedangkan perubahan NDVI rendah terjadi pada penutup/penggunaan lahan yang statis seperti hutan dan tubuh air.

UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada tim pengolahan data INCAS yang telah memberikan ijin penggunaan data Landsat TM/ETM+, penulis juga berterimakasih kepada Tim Reviewer Pusat Pemanfaatan Penginderaan Jauh yang telah memberi masukan dalam penulisan naskah ini.


69

DAFTAR PUSTAKA http://www.Salmaghaliza.blogspot.com http://blhpp.wordpress.com/ http:// www.salmaghaliza.blogspot.com, Keseimbangan Ekosistem, 10 November 2011 As-syakur A.R., 2008, Prediksi Erosi Dengan Menggunakan Metode USLE Dan Sistem Informasi Geogra_s (SIG) Berbasis Piksel Di Daerah Tangkapan Air Danau Buyan, PIT MAPIN XVII, Bandung. Foth H.D., 1995, Dasar-dasar Ilmu Tanah, Gadjah Mada University Press, Yogyakarta. Hazarika M.K. dan Honda K., 1999, Estimation of Soil Erosion Using Remote Sensing and GIS, Its Valuation and Economic Implications on Agricultural Production, Proceeding, The 10th International Soil Conservation Organization Meeting held May 24-29, Purdue University and the USDA-ARS National Soil Erosion Research Laboratory Jensen J.R., 2000, Remote Sensing of The Environment an Earth Resource Perspective, PP.361, Published by Pearson Education Inc., First Indian Reprint, 2003 KLH, 2011, Profil 15 Danau Prioritas Nasional 2010-2014, Kementerian Lingkungan Hidup KLH, 2008, Pedoman Pengelolaan Ekosistem Danau, Kementerian Lingkungan Hidup Rouse J.W., Haas R.H. Schell J.A. dan Deering D.W., 1974, Monitoring Vegetation System in The Great Plains with ERTS, Proceeding, Third Earth Resources Technology Satellite-1 Symposium, Greenbelt: NASA SP351, 3010-317 Trisakti B., Kartasasmita M., Kustiyo dan Kartika T., 2009, Kajian Koreksi Terrain pada Citra Landsat Thematic Mapper, Jurnal Penginderaan Jauh dan Pengolahan Citra Digital, Vol.6, 2009 Wu X., Furby S. dan Wallace J., 2004, An Approach for Terrain Illumination Correction, Proceeding, The 12th Australasian Remote Sensing and Photogrametry Association Conference, held in Fremantle, Western Australia 18-22 October 2004.

70


PEMANTAUN LUAS PERMUKAAN ECENG GONDOK DAN LUAS DANAU BERBASIS DATA PENGINDERAAN JAUH DI DANAU TEMPE

Nana Suwargana dan Bambang Trisakti Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh – LAPAN

ABSTRAK Pada penelitian ini, diusulkan model identifikasi dan pemantauan vegetasi air (eceng gondok) di danau Tempe menggunakan data multitemporal citra satelit Landsat-TM dan SPOT-4. Model yang dibangun adalah citra kombinasi RGB : NIR-SWIR-Merah, SWIR-NIR-Hijau dan citra kombinasi RGB: (NIR+Swir)-NIR-(NIR-Merah). Pemantauan luas permukaan enceng gondok dan luas danau dipantau dari tahun 1989-2010. Pemantauan sebaran permukaan eceng gondok dianalisis dengan metode klasifikasi tidak terbimbing dan analisis akurasinya dengan menggunakan metode confusion matrik. Hasil penelitian menunjukkan bahwa kombinasi model (NIR+SWIR)-NIR-(NIR-Merah) mampu menampilkan vegetasi eceng gondok secara lebih tegas dan terpisah dari objek lainnya. Uji coba ketelitian akurasi diperoleh akurasi pada kanal-kanal (K): K_12345 memiliki akurasi keseluruhan 95.883 % hasilnya lebih rendah bila dibandingkan dengan K_{(4+5)(4)(4-3)} dengan akurasi keseluruhan 97.754 %, K_542 akurasi keseluruhan 98.628 % dan K_453 akurasi keseluruhan 99.002 %. Sebaran luas permukaan eceng gondok dan luas danau dari tahun 1989 - 2010 selalu berubah-ubah.

Kata kunci: Eceng gondok, kombinasi RGB, multitemporal, klasifikasi, Landsat-TM dan SPOT-4.


71

PENDAHULUAN Pengaruh degradasi DAS telah menimbulkan masalah terhadap kualitas danau-danau, seperti pendangkalan dan penyusutan luas danau, penurunan kualitas air, penurunan produktifitas perikanan dan perkembangan sebaran eceng gondok. Salah satu danau yang saat ini kondisinya sangat memprihatinkan dan menjadi salah satu prioritas pemerintah adalah Danau Tempe di Kabupaten Sidrap dan Wajo, Provinsi Sulawesi Selatan. Berdasarkan data dari (KLH, 2011) masalah yang dihadapi oleh danau Tempe adalah (1) pendangkalan dan penyusutan luas, (2) penurunan kualitas air danau, (3) perkembangan eceng gondok, (4) penurunan volume air, (5) penurunan produktivitas perikanan, dan (6) banjir. Luas dan kedalaman danau ini sudah mengalami perubahan yang sangat signifikan. Menurut Arief dalam (DKP Kabupaten Wajo, 1997), danau Tempe mempunyai luas normal sebesar 9.400 ha pada tahun 1997 dan luas tersebut berkurang menjadi 9.000 ha pada tahun 2006, tetapi saat ketika terjadi banjir besar maka luasan genangan muka air danau dapat mencapai 47.800 ha. Pemanfaatan data satelit penginderaan jauh untuk kegiatan pemantauan yang berkaitan dengan pengelolaan danau telah banyak dilakukan, seperti: pemantauan perubahan luas permukaan air danau dan pemantauan perubahan penutup lahan di DAS Limboto serta pemantauan kualitas air danaunya (kekeruhan dan Muatan Padat Tersuspensi) menggunakan citra multitemporal dan multispektral (Trisakti B. et al 2011). Bahkan dewasa ini perkembangan teknologi satelit penginderaan jauh berjalan sangat cepat, sehingga dapat menyediakan berbagai data penginderaan jauh optik dan SAR (Sinthetic Aparture Radar) dengan karakteristik resolusi spasial, temporal dan spektral yang berbeda-beda. Sehingga, data satelit penginderaan jauh menjadi sumber data yang penting untuk pembuatan informasi spasial yang akurat, konsisten dan aktual mengenai sumber daya alam dan lingkungan, khususnya untuk memantau perubahan penutup lahan di DAS dan vegetasi air danau. Beberapa metode identifikasi vegetasi air di wilayah perairan telah dilakukan dengan menggunakan data penginderaan jauh, khususnya data yang memiliki kisaran spektrum dari visible sampai inframerah menengah. Dewanti et al. (1998) mengkaji tentang karakteristik profil vegetasi air (mangrove) lewat data penginderaan jauh, menjelaskan bahwa mangrove dikawasan sepanjang pantai dan pertambakan dapat terlihat jelas dari citra FCC (False Color Composit). Oleh karena itu dalam penelitian ini dicoba untuk diusulkan model identifikasi dan pemantauan eceng gondok menggunakan data multitemporal citra satelit Landsat-TM dan SPOT-4. Pengolahan citra dibuat dari kombinasi tiga kanal, yakni kanal dari spektral tampak dan kanal dari spektral inframerah. Kombinasi tersebut menggunakan kanal-kanal: 3, 4 dan 5 dari citra Landsat-TM. Berdasarkan asumsi diatas bahwa identifikasi vegetasi eceng gondok dapat diidentikkan hampir sama dengan vegetasi mangrove bila diinterpretasikan menggunakan data penginderaan jauh. Jenis obyek pada citra akan mudah dikenali terutama dengan membangun citra kombinasi warna (color composite). Dengan melalui proses pengolahan, analisis dan interpretasi citra dapat diperoleh informasi tentang sebaran perubahan luas permukaan eceng gondok dan luas danau yang akan dikaji dalam penelitian ini. Tujuan dari penulisan ini adalah mengidentifikasikan eceng gondok dan mengembangkan model pemantauan luas danau menggunakan data citra satelit penginderaan jauh serta melakukan kajian/analisis perubahan luas permukaan eceng gondok di Danau Tempe, Provinsi Sulawesi Selatan dengan menggunakan data multitemporal citra Landsat-TM 1989, 2000, 2005 dan data citra SPOT-4 2010. Identifikasi eceng gondok dilakukan dengan membangun kombinasi RGB 453, 542 dan kombinasi RGB [(4+5)(4)(4-3)] model (Trisakti et al. 2011) serta melakukan klasifikasi citra secara digital. Kushardono, (2012) mengkaji tentang uji coba klasifikasi terhadap kelas penggunaan lahan dalam mengekstraksi informasi dengan matrik confusion dapat meningkatkan akurasi hasil klasifikasi. Oleh karena itu, analisis akurasi dari hasil klasifikasi ini dilakukan uji coba menggunakan metode confusion matrik. Berdasarkan model analisis tersebut dapat diperoleh informasi yang terpadu antara identifikasi eceng gondok, perubahan luas permukaan eceng gondok dan perubahan luas danau. Informasi selanjutnya dapat digunakan

72


untuk berbagai pemanfaatan dan pertimbangan dalam pengelolaan danau baik untuk pemantauan maupun inventarisasi dalam upaya peningkatan konservasi danau Tempe.

METODE Data yang digunakan 1. Data primer: • Citra penginderaan jauh Landsat-TM tanggal 10 April 1989, 15 April 2000, 12 Maret 2005, dan citra SPOT tanggal: 25 April 2010. • Citra Basemap (citra ortho Landsat) 2. Data sekunder: • Batas administrasi wilayah kajian

Lokasi penelitian Kegiatan kajian dilakukan di danau Tempe, di Kabupaten Wajo, Kabupaten Sidrap dan Kabupaten Soppeng, Provinsi Sulawesi Selatan (Gambar-1). Danau ini melintasi 10 Kecamatan dan 51 desa. Secara geografis danau Tempe terletak pada titik koordinat : 4o 00‘ 00 – 4o15’ 00 LS dan 119o 52‘ 30 – 120o 07‘ 30 BT. Iklim di danau Tempe berdasarkan klasifikasi Schmidt-Fergusson, tipe Iklim yang ada di WS Wal-Cen adalah Tipe iklim A, B, C, dan D. Iklim di Ws Wal-Cen dicirikan oleh musoon tropis, yang memilki perbedaan yang jelas antara musim kemarau dan musim hujan. Musim hujan terjadi pada bulan Maret-Juli, sementara musim kemarau terjadi pada bulan Agustus- Februari. Di sekitar danau Tempe, musim kemarau bervariasi dari tahun ke tahun. Terdapat 6 stasiun meteorologi yang terdapat di dalam WS Wal-cen, yaitu Ujung Lamuru, Ponre-Ponre, Malanroe, Kayuara, Sengkang dan Tanru Tedong. Curah hujan tahunan di daerah danau Tempe sebesar 1.400 – 1.800 mm/th sedangkan di daerah DAS sebesar 1.400 – 4.000 mm/th. Tinggi muka air (TMA) Danau Tempe hingga tahun 2001 menunjukkan kondisi yang normal, dengan TMA rata-rata berada pada kisaran 4,078 m – 7,780 m dpl. Kedalaman danau saat ini 3 m ketika musim hujan dan 1 m ketika musim kering. Luas permukaan air danau pada musim hujan adalah 48.000 Ha dan menggenangi areal persawahan, perkebunan, rumah penduduk, prasarana jalan dan jembatan serta prasarana sosial lainnya yang menimbulkan kerugian yang cukup besar. Menurut rekapitulasi data dari buku Profil 15 Danau Prioritas Nasional 2011-2014 Indonesia, (KLH, 2011) menjelaskan bahwa pada musim kering luas danau Tempe hanya mencapai 1.000 Ha sedangkan pada kondisi normal luasnya mencapai 15.000-20.000 Ha. Danau Tempe setiap tahunnya selalu menimbulkan bencana banjir. Sungai yang menuju ke danau terdiri dari 23 sungai yang termasuk dalam 2 DAS yaitu Das Nila dan DAS Walanae, Sedangkan untuk keluarnya (outlet) air dari danau tersebut hanya ada satu sungai, yaitu sungai Cenranae yang memiliki panjang 70 km dan bermuara ke teluk Bone. Penyempitan yang terjadi di muara sungai merupakan salah satu penghambat keluarnya air ke teluk bone. Bisa dikatakan Danau Tempe merupakan saringan partikel-partikel sisa banjir dari enam kabupaten lainnya sebelum mencapai laut.


73

Berdasarkan data Topografi dan Tata Guna Lahan bahwa kondisi penutupan lahan di Danau Tempe didominasi oleh sawah, pertanian lahan kering (15,8%), hutan alam (12,9%) dan kebun campuran (10,4 %). Sedangkan tanah terbuka dan pemukiman relatif kecil, yaitu masing-masing 3, 7 % dan 1,5 %. (KLH, 2011).

Model Identifikasi Eceng Gondok Pengolahan dilakukan dengan membangun kombinasi: NIR-SWIR-Merah (RGB: 453), SWIR-NIR-Hijau (RGB:542) dan kombinasi model (NIR+Swir)-NIR-(NIR-Merah) {RGB : (4+5)(4)(4-3)}. Pembuatan model identifikasi eceng gondok dilakukan dengan pengambilan sampel eceng gondok dan vegetasi non eceng gondok. Gambar-2 memperlihatkan perbedaan nilai spektral eceng gondok dan vegetasi non eceng gondok setiap band pada data SPOT-4 dan Landsat-TM. Berdasarkan Gambar-2 dapat disimpulkan beberapa point yaitu: 1. Nilai spektral band NIR dan SWIR untuk eceng gondok lebih tinggi dibandingkan dengan nilai vegetasi non eceng gondok. 2. Nilai spektral band merah paling rendah, tetapi nilainya relatif tidak berbeda antara eceng gondok dan vegetasi non eceng gondok. Sehingga nilai NIR-Merah untuk eceng gondok akan lebih tinggi dibandingkan vegetasi non eceng gondok. Berdasarkan 2 hal tersebut diatas, maka dicoba untuk membuat kombinasi dengan menggunakan band baru yang dapat menonjolkan nilai spektral dari eceng gondok. Sehingga selanjutnya membuat kombinasi baru yang akan digunakan untuk mengidentifikasi sebaran eceng gondok di Danau Tempe. Komposit model band baru adalah sebagai berikut : Landsat-TM: Band 1(baru) : NIR(b4) + SWIR(b5) Band 2 (baru): NIR(b4) Band 3(baru) : NIR(b4) – Merah(b3) SPOT: Band 1(baru) : NIR(b1) + SWIR(b4) Band 2 (baru): NIR(b1) Band 3(baru) : NIR(b1) – Merah(b2)

74


Gambar-1. Danau Tempe di Provinsi Sulawesi Selatan

Gambar-2. Perbedaan nilai spektral vegetasi air dan non vegetasi air pada data Landsat-TM dan Spot-4.

Model Pengolahan Klasifikasi Eceng Gondok dan Analisis Akurasi Setelah membuat model identifikasi eceng gondok selanjutnya melakukan deliniasi batas permukaan air (batas eceng gondok) danau secara visual. Kemudian melakukan klasifikasi dengan memilih input band bervariasi berdasarkan kombinasi band spektral, yaitu: • input data band 1,2,3,4, dan 5 untuk mengolah model klasifikasi 1 • input data band 4,5 dan 3 untuk mengolah model klasifikasi 2 • input data band 2, 4 dan 5 untuk mengolah model klasifikasi 3 • input data model komposit band (gabungan:4+5), (4) dan (gabungan:4-3) untuk mengolah model klasifikasi 4.


75

Analisis akurasi hasil klasifikasi yaitu dengan melakukan uji coba menggunakan metode confusion matrik. Refernce Dataset adalah input data model kanal : K_12345, K_453, K_542, dan K_(4+5)(4)(4-3) dengan citra yang digunakan sebagai sampel adalah data Landsat-TM Tahun 2005. Pengambilan training sampel untuk identifikasi obyek eceng gondok menggunakan citra RGB : K_(4+5)(4)(4-3) dengan mengambil training sampel sebanyak 20 titik sampel yang homogen.

Model Pemantauan Eceng Gondok Tahun 1989, 2000, 2005, dan 2010 Pemantauan dilakukan dengan menggunakan citra satelit multitemporal pada musim yang sama (kondisi curah hujan yang relatif sama) yaitu selama periode 1989 – 2010 (citra Landsat-TM tanggal 10 April 1989, 15 April 2000, 12 Maret 2005, dan citra SPOT-4 tanggal: 25 April 2010). Dari pengolahan citra tersebut dapat mengetahui adanya penurunan atau penambahan luas permukaan air danau yang sebenarnya. Untuk mencari luas permukaan eceng gondok selama periode tahun 1989-2010 dilakukan pengolahan dengan klasifikasi multitemporal. Model klasifikasi dilakukan dengan memakai salah satu model klasifikasi dari hasil analisis akurasi tersebut diatas.

HASIL DAN PEMBAHASAN Identifikasi Eceng Gondok Hasil pengolahan identifikasi eceng gondok dengan komposit band ditampilkan dengan membuat beberapa model kombinasi. Model komposit yang dibentuk dengan menggunakan berbagai band pada setiap kombinasi RGB menampilkan warna eceng gondok yang berbeda-beda (Gambar-3). Kombinasi NIR-SWIR-Merah biasa dipakai dalam identifikasi hutan mangrove (vegetasi pada tanah berair/berawa) ditampilkan pada Gambar-3a, kombinasi SWIR-NIR-Hijau yang biasa digunakan untuk penampakkan warna alami (natural color composite) ditampilkan pada Gambar-3b, sedangkan komposit yang terakhir adalah kombinasi model baru (NIR+Swir)NIR-(NIR-Merah) untuk identifikasi model baru eceng gondok (Gambar 3-c). Jika dibandingkan tekstur dan rona dari eceng gondok dengan vegetasi darat yang ada disekitar danau akan jelas perbedaannya. Eceng gondok akan nampak rona lebih cerah dan tegas dengan tekstur halus jika dibandingkan dengan vegetasi darat. Eceng gondok pada kombinasi NIR-SWIR-Merah yaitu RGB band : 453 menampilkan tekstur halus dengan warna merah yang lebih cerah dan tegas jika dibandingkan dengan vegetasi darat disekitarnya yang menampilkan warna merah redup. Eceng gondok pada kombinasi SWIR-NIRHijau yaitu RGB band : 542 menampilkan rona warna hijau yang lebih cerah dan tegas juga tekstur halus jika dibandingkan dengan vegetasi darat disekitarnya yang menampilkan warna hijau redup. Sedangkan eceng gondok pada model kombinasi baru yaitu RGB band : (4+5)(4)(4-3) menampilkan warna putih yang berarti setiap band mempunyai nilai spektral yang tinggi untuk eceng gondok dengan tekstur halus. Dibandingkan dengan kombinasi lainnya maka model kombinasi model RGB: (NIR+Swir)(NIR)(NIR-Merah) lebih dapat menampilkan eceng gondok secara tegas dan terpisah dari objek-objek lain disekitarnya.

76


Gambar-3. Model kombinasi pada citra Landsat Tgl 12 Maret 2005.

Pengolahan Klasifikasi Eceng Gondok Pengolahan klasifikasi eceng gondok diturunkan dengan membuat klasifikasi tak terbimbing (Unsupervised Classification) dan dibuat dengan menggunakan model kombinasi band spektral dari kanal : K_12345, K_453, K_542, dan K_(4+5)(4)(4-3), hasilnya ditampilkan pada Gambar-4. Model-1 adalah hasil klasifikasi dengan input data band kanal: 12345 ditampilkan pada Gambar-4a. Model-2 adalah hasil klasifikasi dengan input data band kanal : 453 ditampilkan pada Gambar-4b. Model-3 adalah hasil klasifikasi dengan input data band kanal: 542 ditampilkan pada Gambar-4c. Model-4 adalah hasil klasifikasi dengan input data model kombinasi kanal : K_(4+5)(4)(4-3) ditampilkan pada Gambar-4d. Kelas dalam model klasifikasi ini dibuat sebanyak 20 kelas. Pengeditan dan rekelas dibuat menjadi 2 kelas yaitu menjadi kelas eceng gondok dan non eceng gondok. Dari model ke empat klasifikasi ini nampak semua hasil klasifikasi identik dan serupa, namun sebagian ada beberapa perbedaan nilai pada penampakan eceng gondok tersebut. Hasil klasifikasi dapat menunjukkan perbedaan luas permukaan eceng gondok antara model yang satu dengan model yang lainnya, sehingga luasan model klasifikasi masing-masing dapat dihitung. Tabel-2 adalah hasil perhitungan luas permukaan eceng gondok dan non eceng gondok dari model kanalkanal K_12345, K_453, K_542, dan K_(4+5)(4)(4-3). Luas Eceng gondok pada ukuran baris kolom 679 x 680 menunjukkan model K_12345 berkisar 10815.8 Ha, model K_453 berkisar 11908.8 Ha, model K_542 berkisar 11941.9 Ha, dan model K_(4+5)(4)(4-3) berkisar 12096 Ha. Pada zoom window ukuran baris kolom 42 x 43 nampak pada model K_12345 sebagian nomor digitalnya hilang sedangkan model dari K_453, K_542, dan K_ (4+5)(4)(4-3) nomor digitalnya masih nampak. Dari besar luasannya jelas ada perbedaan yaitu model K_12345 berkisar 60.48 Ha, model K_453 berkisar 79.2 Ha, model K_542 berkisar 74.88 Ha, dan model K_(4+5)(4)(4-3) berkisar 79.2 Ha.


77

Gambar 4. Model klasifikasi eceng gondok dengan input: K_12345, K_453, K_542, dan K_(4+5)(4)(4-3) pada citra Landsat Tgl 12 Maret 2005.

Gambar-5. Perbedaan luas permukaan eceng gondok dan non_eceng gondok dengan input: (12345), (453), (542) dan (4+5)(4)(4-3) pada Landsat-TM Tgl 12 Maret 2005. Tabel-2. Luas distribusi seluruh permukaan eceng gondok dan air model kanal-kanal (12345), (453),(542) dan {(4+5)(4)(4-3)} pada data Landsat tahun 2005.

78


Ukuran Baris Kolom

Obyek

K_12345

K_453

Ha

Ha

Ha

%

%

%

Eceng

10815.8

25.98

11908.8

28.61

11941.9

28.69

12096

29.07

Non_eceng

30800.2

74.02

29707.2

71.39

29674.1

71.31

29520

70.93

41616

100

41616

100

41616

100

41616

100

Total

42 x 43

K_(4+5)(4)(4-3)

Ha

% 679 x 680

K_542

Eceng

60.48

34.71

79.2

45.46

74.88

42.97

79.2

45.46

Non_Eceng

113.76

65.29

95.04

54.54

99.36

57.03

95.04

54.54

Total

174.24

100

174.24

100

174.24

100

174.24

100

Dari ke empat model klasifikasi tersebut secara grafik perbedaan luasannya dapat dijelaskan pada Gambar-5. Luas distribusi permukaan vegetasi eceng gondok untuk model K_12345 (warna biru), nampak luasannya lebih rendah dari pada K_453 (warna merah), K_542 (warna hijau) dan K_(4+5)(4)(4-3) (warna ungu). Sedangkan model K_(4+5)(4)(4-3) sendiri lebih tinggi dari pada K_453 dan K_542. Nampak model K_12345 luasannya lebih rendah dari pada K_453, K_542, dan K_(4+5)(4)(4-3). Berdasarkan analisis ini menunjukan bahwa identifikasi vegetasi air yang dapat menampilkan eceng gondok secara tegas dan terpisah dari objek-objek lain disekitarnya adalah model RGB K_(4+5)(4)(4-3), seperti diperlihatkan pada Gambar-3e dan hasil klasifikasinya diperlihatkan pada Gambar 4d. Analisis akurasi dari hasil klasifikasi dengan melakukan uji coba menggunakan metode confusion matrik dengan data yang dimasukan terhadap citra Landsat-TM tahun 2005 adalah dengan kanal-kanal: K_(12345), K_(453),K_(542) dan K_{(4+5)(4)(4-3)}. Hasilnya diperoleh seperti yang ditunjukkan Gambar-4a,4b,4c dan 4d serta hasil pengujian klasifikasi akurasinya pada Tabel-3. Dari Tabel-3 diketahui bahwa ketelitian optimum untuk data Landsat-TM tahun 2005 dengan input data K_12345 memiliki akurasi keseluruhan 95.883 % dan Kappa 0.885, input data K_453 memiliki akurasi keseluruhan 99.002 % dan Kappa 0.971, input data K_542 memiliki akurasi keseluruhan 98.628 % dan Kappa 0.960, dan input data K_{(4+5)(4)(4-3)} memiliki akurasi keseluruhan 97.754 % dan Kappa 0.935. Ketelitian optimum pada K_12345 yang didapat akurasi hasilnya lebih rendah bila dibandingkan dengan ketelitian optimum pada K_{(4+5)(4klasifikasi menggunakan metode confusion matrik pada citra Landsat-TM tahun 2005 dengan input kanal :(12345), (453),(542) dan (4+5)(4)(4-3). Tabel-3 Pengujian klasifikasi menggunakan metode confusion matrik pada citra Landsat-TM tahun 2005 dengan input kanal :(12345), (453),(542) dan (4+5)(4)(4-3). Kanal_12345

Non_eceng

Non_eceng

Kanal_453 Eceng

Akurasi User

Non_eceng

Eceng

Akurasi User

339

66

1

Non_eceng

339

16

1

Eceng

0

1198

1

Eceng

0

1248

1

Produser

1

1

1

Produser

1

1

1

Akurasi Keseluruhan 95.883 %


Indek Kappa = 0.885

Indek Kappa = 0.971

Kanal_542

Kanal_baru

Non_eceng

Non_eceng

Eceng 339

Akurasi User 22

0.97977

Non_eceng

Non_eceng 339

Eceng

Akurasi User 36

0.93646


79

Kanal_12345

Non_eceng

Kanal_453 Eceng

Akurasi User

Eceng

0

1242

1

Produser

1

0.99446

0.99563

Non_eceng

Eceng

Akurasi User

Eceng

0

1228

1

Produser

1

0.9818

0.98565



Indek Kappa = 0.960

Indek Kappa = 0.935

Perubahan Sebaran Luas Permukaan Eceng Gondok Tahun 1989,2000, 2005, dan 2010. Untuk melakukan pemantauan luasan permukaan eceng gondok selama periode tahun 1989 hingga tahun 2010 pengolahan klasifikasinya menggunakan input data model dari K_(4+5)(4)(4-3) karena hasil analisis dari identifikasi vegetasi air dapat menampilkan eceng gondok secara tegas dan terpisah dari objek-objek lain disekitarnya. Hasil klasifikasi periode tahun 1989 hingga tahun 2010 diperlihatkan pada Gambar-6a, 6b,6c, dan 6d. Gambar 6a hingga Gambar-6d memperlihatkan perubahan sebaran yang significant, dimulai dari sebaran eceng gondok yang sempit hingga sebaran eceng gondok yang makin melebar. Kemudian untuk melihat besaran perubahan luas permukaan vegetasi eceng gondok selama periode tahun 1989-2010 diperlihatkan dalam bentuk grafik, dijelaskan pada Gambar-7. Hasil pantauan dari citra klasifikasi dapat diketahui bahwa luas permukaan air danau Tempe mengalami kecenderungan yang semakin menurun, sebaliknya vegetasi eceng gondok semakin bertambah, serta luas danau semakin menyusut.

Gambar-6. Distribusi permukaan eceng gondok selama periode tahun 1989, 2000, 2005 dan 2010

80


Gambar-7. Perubahan luas permukaan eceng gondok dan luas danau selama periode tahun 1989, 2000, 2005 dan 2010.

Grafik Gambar-7 dan Tabel-4 pada citra tahun 1989 merupakan awal dari pemantauan dan besar sebaran luas permukaan vegetasi eceng gondok tumbuh berkisar 1019.52 Ha. Luas permukaan air danau nampak lebih luas berkisar 16816.32 Ha dan total luas danaunya berkisar 17956.8 Ha. Selama selang waktu 11 tahun yaitu dari tahun 1989 hingga tahun 2000 nampak terjadi perubahan yang cukup besar. Luas vegetasi eceng gondok mengalami kenaikan menjadi berkisar 4590.24 Ha dan luas permukaan airnya (tanpa vegetasi) mengalami pengurangan menjadi berkisar 12847.68 Ha dan total luas danaunya naik menjadi 17875.68 Ha serta mengalami pengurangan (susut) berkisar 81.12 Ha. Kemudian bertambah lagi selama kurun waktu 5 tahun dari tahun 2000 hingga tahun 2005 nampak vegetasi eceng gondok mengalami tren kenaikan yang cukup besar. Luas permukaan vegetasi eceng gondok mengalami meningkatan menjadi berkisar 12096.3 Ha dan luas permukaan airnya mengalami pengurangan menjadi berkisar 3482.24 Ha dan total luas danaunya mengalami pengurangan menjadi 16197.74 Ha dan penyusutannya berkisar 1677.94 Ha. Sedangkan pemantauan terakhir selama waktu 5 tahun dari tahun 2005 hingga tahun 2010 nampak permukaan vegetasi eceng gondok mengalami sedikit penurunan. Luas permukaan vegetasi eceng gondok ini mengalami penurunan menjadi berkisar 10960 Ha dan luas permukaan airnya mengalami kenaikan kembali menjadi berkisar 4147.84 Ha dan total luas danaunya menjadi berkisar 16028.16 Ha berarti mengalami penyusutan berkisar 169.58 Ha. Hasil klasifikasi seperti diperlihatkan pada Gambar-6a, 6b, 6c, dan 6d menunjukkan distribusi perubahan permukaan eceng gondok pada musim yang sama selama periode tahun 1989-2010 ketelitiannya kita uji. Ketelitian akurasi ekstraksi informasi spasial untuk pengujian hasil klasifikasi yaitu menggunakan metode confusion matrik. Data input yang dimasukan adalah data training sampel RGB kanal {(4+5)(4)(4-3)} untuk citra Landsat-TM tahun 1989, tahun 2000, dan tahun 2005 serta RGB kanal {(4+1)(1)(1-2)} untuk citra Spot-4 tahun 2010. Hasil pengujian klasifikasi ditunjukkan pada Tabel 5. Tabel-4. Perubahan luas permukaan eceng gondok dan penyusutan luas danau Tempe periode Tahun 1989, 2000, 2005 dan 2010. Obyek

Air Eceng Gondok

Tgl.10/4/1989

Tgl.15/04/200

Tgl.12/3/2005

Tgl.25/04/2010

Hektar

Hektar

Hektar

Hektar

16816.32

12847.68

3482.24

4147.84

1019.52

4590.24

12096.3

10960


81

Tanah / Awan Total (Luas_danau)

120.96

437.76

619.2

920.32

17956.8

17875.68

16197.74

16028.16

0

81.12

1677.94

169.58

Perubahan luas

Dari Tabel-5 diketahui bahwa ketelitian pada data Landsat-TM tahun 1989 memiliki akurasi keseluruhan 100 % dan Kappa 1 untuk kelas penutup lahan eceng gondok dan sama dengan penutup non_eceng gondok. Jika dilihat pada Gambar-6a terlihat sedikit penutup lahan eceng gondok dan sedikit penutup lahan campuran sehingga akurasinya tinggi. Pada data tahun 2000 memiliki akurasi keseluruhan 97.976 % dan Kappa 0.952 untuk penutup eceng gondok. Pada Gambar-6b terlihat penutup lahan eceng gondok menambah dan sedikit penutup lahan awan, hasil pengujian akurasinya mengalami penurunan. Pada data tahun 2005 memiliki akurasi keseluruhan 99.06 % dan Kappa 0.972 untuk penutup lahan eceng gondok. Pada Gambar-6c terlihat penutup lahan eceng gondok menambah lebih banyak dan sedikit penutup lahan awan, hasil pengujian akurasinya mengalami kenaikan. Pada data tahun 2010 memiliki akurasi keseluruhan 99.966% dan Kappa 0.999 untuk lahan eceng gondok. Pada Gambar-6d terlihat penutup lahan eceng gondok mengalami penurunan dan sedikit penutup lahan tanah kosong karena kekeringan, hasil pengujian akurasinya mengalami kenaikan. Tabel-5 Pengujian klasifikasi menggunakan metode confusion matrik tahun 1989, 2000, 2005 dan 2010 dengan kanal yang digunakan adalah kanal (4+5)(4)(4-3). 1989

Non_eceng

Non_eceng

2000 Eceng

Akurasi User

Non_eceng

Eceng

Akurasi User

1145

0

1

Non_eceng

1590

47

0.97129

Eceng

0

30

1

Eceng

0

685

1

Produser

1

1

1

Produser

1

0.93579

0.97976

Akurasi Keseluruhan 100 %


Indek Kappa = 1

Indek Kappa = 0.952

2005

Non_eceng

Non_eceng

2010 Eceng

Akurasi User

339

15

0.95763

Eceng

0

1249

1

Produser

1

0.98813

0.99064

Non_eceng

Non_eceng

Eceng

Akurasi User

4973

2

0.9996

Eceng

0

912

1

Produser

1

0.99781

0.99966



Indek Kappa = 0.972

Indek Kappa = 0.999

Menurut (KLH, 2011) menjelaskan bahwa luas permukaan danau pada musim hujan adalah 48.000 Ha dan menggenangi areal persawahan, perkebunan, rumah penduduk, prasarana jalan dan jembatan serta prasarana sosial lainnya yang menimbulkan kerugian yang cukup besar. Pada musim kering luas danau hanya mencapai 1.000 ha sedangkan pada kondisi normal luasnya mencapai 15.000-20.000 Ha. Ke empat data yang digunakan

82


pada penelitian ini adalah data satu musim yang berbeda tahun yaitu tanggal 01 April 1989,15 April 2000, 12 Maret 2005, dan citra SPOT tanggal: 25 April 2010. Data citra satelit ini merupakan data masih dalam musim hujan yaitu pada kondisi normal. Hasil yang diperoleh bahwa luas danau selama kurun waktu dari tahun 1989 hingga tahun 2010 mengalami perubahan. Nampaknya dari tahun ke tahun luas danau akan relatif berubahubah tergantung pada musim-musim tertentu. Setara menurut Dinas Kehutanan Kabupaten Maros bahwa pada musim kering mencapai 1.000 Ha dan kondisi normal 15.000 –20.000 Ha. Sedangkan hasil penelitian menunjukkan bahwa luas danau pada tahun 1989 hingga tahun 2010 merupakan pada kondisi normal juga dan diperoleh luas danau selalu berubah-ubah berkisar antara 17956.8 Ha di tahun 1989 dan menurun menjadi antara 16028.16 Ha di tahun 2010.

KESIMPULAN Pada penelitian ini telah dikembangkan metode model identifikasi, klasifikasi, pemantauan sebaran eceng gondok dan luas danau di danau Tempe, Sulaweai Selatan dengan data yang diuji coba adalah data resolusi 30 meter Landsat-TM dan resolusi 20 meter SPOT-4. Hasil penelitian menunjukkan bahwa: • Dengan menggunakan kombinasi NIR-SWIR-Merah (RGB: 453), SWIR-NIR-Hijau (RGB:542) dan kombinasi model (NIR+Swir)-NIR-(NIR-merah) {RGB : (4+5)(4)(4-3)} dengan input data Landsat Tgl 12 Maret 2005, diperoleh nilai spektral yang tinggi dan mampu menampilkan vegetasi eceng gondok yang secara lebih tegas dan terpisah dari objek-objek lain disekitarnya. • Uji coba ketelitian akurasi hasil klasifikasi menggunakan metode confusion matrik dengan masukan input data adalah model klasifikasi: K_12345, K_453, K_542, dan K_(4+5)(4)(4-3) dengan input data Landsat Tgl 12 Maret 2005, diperoleh akurasi pada K_12345 memiliki akurasi keseluruhan 95.883 % hasilnya lebih rendah bila dibandingkan dengan K_{(4+5)(4)(4-3)} dengan akurasi keseluruhan 97.754 %, K_542 akurasi keseluruhan 98.628 % dan K_453 akurasi keseluruhan 99.002 %. • Sebaran luas permukaan eceng gondok selama periode tahun 1989 hingga tahun 2010 klasifikasinya menggunakan input data model K_(4+5)(4)(4-3) hasilnya selalu berubah-ubah, di tahun 1989 ke tahun 2000 bertambah (dari 1019.52 Ha menjadi 4590.24 Ha), di tahun 2000 ke 2005 bertambah (dari 4590.24 Ha menjadi 12096.3 Ha), dan di tahun 2005 ke tahun 2010 bekurang (dari 12096.3 Ha menjadi 1096 Ha), sedangkan perubahan luas danau di tahun 1989 luasnya berkisar 17956.8 Ha, di tahun 2000 mengalami penurunan menjadi 17875.68 Ha (menyusut 81.12 Ha), di tahun 2005 menurun lagi menjadi 16197.74 Ha (menyusut 1677.94 Ha) dan di tahun 2010 sedikit menurun menjadi 16028.16 Ha (menyusut 169.58 Ha).

DAFTAR PUSTAKA Arief., 1997. Sejarah singkat danau Tempe, DKP Kabupaten Wajo. KLH (Kementrian Lingkungan Hidup)., 2011. Profil 15 Danau Prioritas Nasional 2011-2014, (http://blhpp. wordpress.com/). Dony Kushardono.,2012. Klasifikasi Spasial Penutup Lahan dengan Data SAR Dual Polarisasi Menggunakan Normalized Diffrence Polarization Index dan Fitur Keruangan dari Matrik Kookurensi, Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital, Vol. 9 No.1, ISSN 1412-8098, Diterbitkan oleh Lembaga Penerbangan dan Antariksa Nasional (LAPAN) Jakarta – Indonesia, 1012. Ratih Dewanti,Muchlisin Arief.; dan Taufik Maulana., 1998. Degradasi Tingkat Kerapatan Kanopi Mangrove di


83

Delta Brantas Menggunakan Analisis NDVI Data Landsat Multitemporal, Warta Inderaja (MAPIN) /ISRS, Volume XI No. 2. Stasiun Meteorologi., 2010. WS Wal-Cen: Ujung Lamuru, Ponre-Ponre, Malanroe, Kavuara, Sengkang dan Tanru Tedong, Sulawesi Selatan. Trisakti B.; Parwati S.; and Budhiman S., 2005. Study of MODIS-AQUA Data for Mapping Total Suspended Matter (TSM) in Coastal Waters, International Journal of Remote Sensing and Earth Sciences, Vol. 2.

84


APLIKASI DATA PENGINDERAAN JAUH UNTUK INVENTARISASI HUTAN MANGROVE DI KABUPATEN BENGKALIS PROPINSI RIAU

Heru Noviar Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh – LAPAN

ABSTRAK Kerusakan hutan mangrove (bakau) di Kabupaten Bengkalis akhir-akhir ini makin parah saja, disebabkan tingginya eksploitasi hutan mangrove tersebut untuk bahan baku industri panglung. Hutan Mangrove perlu diinventarisasi pada Kabupaten ini karena keberadaannya sangat penting demi kelangsungan dan kelestarian sumber daya hayati dan non hayati. Data penginderaan jauh dapat digunakan untuk mendeteksi luas dan kerapatan vegetasi mangrove serta hutan pantai. Berdasarkan hal tersebut, dilakukan inventarisasi hutan Mangrove dari segi lokasi, luasan dan kerapatannya menggunakan data penginderaan jauh Landsat dengan pertimbangan resolusi spasial dan spektral yang cukup baik untuk identifikasi dan monitoring sumber daya alam. Metode yang digunakan adalah interpretasi data Landsat secara visual dengan menggunakan komposit kanal RGB 453 dan secara digital menggunakan kanal 3 dan 4 untuk pengolahan NDVI. Hasil pengolahan data Landsat menunjukkan bahwa luas total hutan Mangrove di Kabupaten Bengkalis pada tahun 2010 adalah 44.173,8 Ha, dengan kecamatan yang paling luas hutan Mangrovenya adalah Kecamatan Rupat dengan luas 17.347,1 Ha atau 39,3 % dari luas total hutan Mangrove di Kabupaten Bengkalis. Kerapatan tajuk hutan Mangrove dalam kategori sangat jarang dan jarang terbanyak ada di Kecamatan Rupat tersebut sebesar 404.6 Ha atau 2.3 % dari luas total Mangrove di kecamatan tersebut.

Kata kunci : Bengkalis, hutan mangrove, Landsat


85

PENDAHULUAN Kerusakan hutan mangrove (bakau) di Kabupaten Bengkalis, Propinsi Riau akhir-akhir ini makin parah saja. Hal ini disebabkan tingginya eksploitasi hutan tersebut sebagai bahan baku kayu bakau untuk industri panglung (RiauInfo, 2007). Berdasarkan data tahun 1997, Propinsi Riau merupakan salah satu propinsi di Indonesia yang memiliki hutan mangrove cukup luas, diperkirakan luasnya sekitar 234.517 Ha yang sebagian besar terdapat di Kabupaten Bengkalis dan Indragiri Hilir (Jhonnerie et al, 2007). Menurut data yang diperoleh RiauInfo, diketahui hutan bakau yang tersisa sekarang ini di kawasan pesisir pulau-pulau Bengkalis tinggal 50 persen saja, selebihnya sudah musnah diekspoitasi, hal ini diperkuat dengan pernyataan dari Pengamat Lingkungan Bengkalis, Mardiansyah S.Hut, yang menyatakan bahwa eksploitasi hutan bakau di Bengkalis ini sudah berlangsung sejak dahulu kala untuk keperluan industri panglung arang (RiauInfo, 2007) Keberadaan hutan mangrove sangat penting untuk mencegah abrasi atau pengikisan pantai oleh air laut, sehingga pantai jadi terselamatkan. Menurut Mardiansyah S.Hut, sejak hutan bakau di Bengkalis banyak yang musnah, tingkat abrasi di daerah ini menjadi sangat tinggi dan jika dibiarkan terus, maka luas daratan akan semakin menjadi kecil. Menurut beliau, harus ada gerakan penanaman kembali hutan bakau guna menyelamatkan pantai.

Gambar 1. Foto Kondisi Lapangan Hutan Mangrove yang dibabat (Sumber : Harian Kompas, 3/2/2012)

Direktur Kepolisian Perairan Polda Riau Besar Lukas Gunawan (Harian Kompas, 3/2/2012).menaruh keprihatinan terhadap kondisi hutan bakau di wilayah pesisir Riau yang menurutnya bernasib tragis karena penggundulan yang kian parah (lihat Gambar 1). Menurut beliau, setiap melakukan patroli di perairan, terutama untuk wilayah pesisir Riau yang berbatasan dengan Selat Malaka, terlihat kondisi hutan yang cukup tragis dan kegundulan terjadi di mana-mana, wilayah yang gundul cukup parah, antara lain di pinggiran pantai sejumlah pulau di Kabupaten Bengkalis, Meranti, dan Kota Dumai Berdasarkan informasi di lapangan, kegundulan hutan bakau ini disebabkan maraknya pembalakan dari warga sekitar dengan tidak melakukan penanaman kembali. Pemerhati lingkungan dari Universitas Riau, Tengku Ariful Amri, mengatakan, kondisi demikian sangat merugikan karena minimnya tanaman bakau di tepian pantai akan berdampak pada luasan abrasi yang pastinya akan semakin parah. Menurut beliau, sebaiknya pemerintah daerah segera melakukan evaluasi dengan meninjau wilayah-

86


wilayah yang mengalami kegundulan hutan bakau dan setelah itu, melakukan penanaman kembali sebelum pulau-pulau di Riau ini tenggelam. Menurut beliau pula para perusak lingkungan, termasuk pencuri kayu bakau, sebaiknya diberi sanksi hukum sesuai dengan aturan hukum yang berlaku, karena, jika tidak, perambahan secara liar akan tetap saja marak karena tidak adanya efek jera bagi pelaku. Berdasarkan informasi tersebut di atas, perlu diinventarisasi keberadaan dan kondisi hutan Mangrove terkini pada Kabupaten ini mengingat keberadaannya sangat penting demi kelangsungan dan kelestarian sumber daya hayati dan non hayati. Dengan menggunakan data penginderaan jauh Landsat dapat diidentifikasi keberadaan hutan Mangrove baik dari segi lokasi maupun luasannya, disamping itu juga dapat diidentifikasi kondisi hutan Mangrove tersebut dengan melihat kerapatan tajuk dan luasannya. Semakin jarang kerapatannya, mengidentifikasi adanya kerusakan pada hutan Mangrove (Dewanti et al, 1999). Data penginderaan jauh Landsat dapat digunakan untuk mendeteksi penutup lahan hutan Mangrove yang membedakannya dengan vegetasi lain dengan kombinasi kanal RGB 453 (Dewanti et al, 1999 ; Noviar, 2010). Sedangkan kerapatan hutan Mangrove dapat diidentifikasi dengan menggunakan formula NDVI (Dewanti et al, 1999). Dengan perolehan data Landsat tahun (2010) yang telah dikoreksi secara geometri maupun radiometri, penulis mencoba mengidentifikasi, mengklasifikasi dan menginventarisasi keberadaan hutan Mangrove dari segi lokasi, luasan dan kerapatannya, sehingga hasil penelitian ini diharapkan dapat digunakan sebagai informasi dan masukan bagi pihak-pihak yang membutuhkan seperti KLH, pemda setempat dan Pemda Riau dalam menentukan kebijakan dalam melestarikan keberadaan kawasan ini.

BAHAN DAN METODE Bahan yang digunakan dalam penelitian ini adalah citra Landsat TM-5 (Thematic Mapper-5), path 126 row 059 dengan tanggal perekaman data 2 Februari 2010. Adapun metode yang digunakan dalam penelitian ini digambarkan dengan diagram alir pada Gambar 2. Pertama dilakukan pengolahan awal berupa koreksi geometri citra untuk memperoleh citra yang sudah benar posisi koordinat geografinya sesuai dengan posisi lokasi pada peta. Selanjutnya dilakukan koreksi radiometri untuk mengkoreksi sudut dan jarak matahari, koreksi atmosferik, topografi, error sensor dan lain-lain.


87

Perolehan Data

Koreksi Geometri Citra

Koreksi Radiometri Citra

Klasifikasi dan Delineasi kelas Hutan Mangrove secara Visual

Pembuatan Citra NDVI

Reklasifikasi Citra NDVI menjadi 5 kelas Kerapatan Vegetasi

Overlay

Perhitungan luas Hutan Mangrove secara keseluruhan dan berdasarkan kerapatan tajuk. Pembuatan peta wilayah Mangrove dengan berbagai kerapatan per kecamatan atau pulau. Perhitungan luas kelas hutan Mangrove berdasarkan kerapatan tajuk per wilayah kecamatan.

Gambar 2. Diagram Alir Metodologi Penelitian

Langkah selanjutnya adalah melakukan klasifikasi dan delineasi secara visual kelas hutan Mangrove dengan menggunakan citra Landsat kombinasi kanal RGB 453 dan pembuatan citra NDVI secara digital dengan menggunakan kanal 3 (kanal merah/RED) dan kanal 4 (kanal infra merah dekat/NIR) citra Landsat dengan formula NDVI (Normalized Difference Vegetation Index) = (NIR – RED)/(NIR + RED). Selanjutnya dilakukan reklasifikasi citra NDVI menjadi 5 kelas kerapatan vegetasi (sangat jarang, jarang, sedang, lebat dan sangat lebat) dengan kriteria sebagai berikut (Dewanti et al, 1999) : Sangat Jarang (0.01< ndvi < 0.18), Jarang (0.18 ≤ ndvi < 0.32), Sedang (0.32 ≤ ndvi < 0.42), Lebat (0.42 ≤ ndvi < 0.47), Sangat Lebat (ndvi ≥ 0.47). Proses berikutnya adalah overlay antara hasil klasifikasi dan delineasi kelas hutan Mangrove secara visual dengan kelas kerapatan vegetasi berdasarkan nilai NDVI. Langkah selanjutnya perhitungan luas hutan Mangrove baik secara keseluruhan maupun berdasarkan kerapatan tajuk. Kemudian dibuat peta sebaran hutan Mangrove dengan berbagai kerapatan per kecamatan atau pulau dan dihitung luasannya berdasarkan kerapatan tajuk per wilayah kecamatan.

HASIL DAN PEMBAHASAN Hasil pencarian citra Landsat Thematic Mapper yang clear (bebas awan) di wilayah penelitian akhirnya diperoleh citra wilayah penelitian pada path 126 row 059 dengan tanggal perekaman data 2 Februari 2010, hal ini ditunjukkan pada Gambar 3. Setelah dilakukan pengolahan awal berupa koreksi geometri dan radiometri, selanjutnya citra diklasifikasi dan didelineasi kawasan hutan Mangrove berdasarkan kombinasi RGB 453, yang hasilnya ditunjukkan dalam Gambar 4.

88


Gambar 3. Citra Landsat Wilayah Penelitian, RGB 543, tanggal perekaman 2 Februari 2010

Pada kombinasi RGB 453 ini, teridentifikasi sebaran hutan Mangrove pada 5 kecamatan wilayah pesisir di Kabupaten Bengkalis (sebelum pemekaran), yaitu 5 kecamatan, yaitu Kecamatan Bengkalis, Kecamatan Bukitbatu, Kecamatan Merbau, Kecamatan Rangsang Barat dan Kecamatan Rupat. Hasil identifikasi dan delineasi hutan Mangrove di Kabupaten Bengkalis ini ditunjukkan dalam Gambar 5.

Gambar 4. Citra Landsat Wilayah Penelitian, RGB 453 tanggal perekaman 2 Februari 2010


89

Gambar 5. Sebaran Hutan Mangrove di Kabupaten Bengkalis hasil identifikasi dan delineasi dari Citra Landsat RGB 453

Selanjutnya untuk menghitung kerapatan hutan Mangrove di kawasan ini dilakukan proses klasifikasi NDVI dan reklasifikasi menjadi 5 kelas kerapatan vegetasi/tajuk yaitu kelas Sangat Jarang, Jarang, Sedang, Lebat dan Sangat Lebat. Hasil klasifikasi kerapatan vegetasi berdasarkan formula NDVI pada Kabupaten Bengkalis (sebelum pemekaran) ditunjukkan dalam Gambar 6. Hasil klasifikasi hutan Mangrove dengan 5 jenis kerapatan tajuknya di Kabupaten Bengkalis per kecamatan dapat dilihat dalam Gambar 7, 8, 9 ,10 dan 11. Keterangan

Gambar 6. Peta Kerapatan Vegetasi Kabupaten Bengkalis berdasarkan Nilai NDVI

90


Gambar 7. Peta Sebaran dan Kerapatan Hutan Mangrove di Kecamatan Bengkalis

Gambar 8. Peta Sebaran dan Kerapatan Hutan Mangrove di Kecamatan Bukit Batu

Gambar 9. Peta Sebaran dan Kerapatan Hutan Mangrove di Kecamatan Merbau


91

Gambar 10. Peta Sebaran dan Kerapatan Hutan Mangrove di Kecamatan Rangsang Barat

Gambar 11. Peta Sebaran dan Kerapatan Hutan Mangrove di Kecamatan Rupat

92


Selanjutnya dihitung luas hutan Mangrove per kerapatan tajuk per kecamatan dan hasilnya dapat dilihat dalam Tabel 1, 2, 3, 4 dan 5. Dari hasil pengolahan ini dapat diinventarisasi luas dan sebaran hutan Mangrove yang masih ada di wilayah pesisir Kabupaten Bengkalis (sebelum pemekaran), dan melihat sebaran dan luas kerusakan hutan Mangrove berdasarkan kerapatan vegetasinya. Dari hasil ini diperoleh bahwa luasan hutan Mangrove di Kabupaten Bengkalis (sebelum pemekaran) luas totalnya adalah 44.173,8 Ha yang merupakan penjumlahan luas total hutan Mangrove per kecamatan yang hasilnya ditunjukkan pada Tabel 1, 2, 3, 4 dan 5 yaitu Kecamatan Bengkalis = 9489 Ha, Kecamatan Bukitbatu = 1100.3 Ha, Kecamatan Merbau = 8655.4 Ha, Kecamatan Rangsang Barat =7582 Ha, Kecamatan Rupat = 17347.1 Ha. Dari hasil ini juga dapat dilihat bahwa hutan Mangrove yang masih luas ada di Kecamatan Rupat dengan luas 17.347,1 Ha (39,3 % dari luas total hutan Mangrove di Kabupaten Bengkalis). Sedangkan dari Tabel 1 ,2, 3, 4, 5 dapat dilihat bahwa kerapatan tajuk hutan Mangrove yang sangat jarang dan jarang terbanyak ada di Kecamatan Rupat tersebut sebesar 404.6 Ha (2.3 %) dari luas total Mangrove di kecamatan tersebut. Hal ini menunjukkan terjadi kerusakan hutan Mangrove di kecamatan tersebut. Tabel 1. Luasan hutan Mangrove per kerapatan tajuk di Kecamatan Bengkalis No

Kelas Kerapatan Mangrove

Luasan (Ha)

Luasan (%)

1

Sangat Jarang (0.01< ndvi < 0.18)

103.0

1.1

2

Jarang (0.18 ≤ ndvi < 0.32)

244.7

2.6

3

Sedang (0.32 ≤ ndvi < 0.42)

341.6

3.6

4

Lebat (0.42 ≤ ndvi < 0.47)

277.0

2.9

5

Sangat Lebat (ndvi ≥ 0.47)

8522.7

89.8

Luas Total

9489.0

100.0

Tabel 2. Luasan hutan Mangrove per kerapatan tajuk di Kecamatan Bukitbatu No


Luasan (Ha)

Luasan (%)

1


29.3

2.7

2

Jarang (0.18 ≤ ndvi < 0.32)

29.3

2.7

3

Sedang (0.32 ≤ ndvi < 0.42)

37.8

3.4

4

Lebat (0.42 ≤ ndvi < 0.47)

29.7

2.7

5


974.2

88.5

1100.3

100.0

Luas Total

Tabel 3. Luasan hutan Mangrove per kerapatan tajuk di Kecamatan Merbau No


Luasan (Ha)

Luasan (%)

1


116.9

1.4

2

Jarang (0.18 ≤ ndvi < 0.32)

157.8

1.8

3

Sedang (0.32 ≤ ndvi < 0.42)

200.8

2.3

4

Lebat (0.42 ≤ ndvi < 0.47)

167.3

1.9

5


8012.6

92.6

Luas Total

8655.4

100.0


93

Tabel 4. Luasan hutan Mangrove per kerapatan tajuk di Kecamatan Rangsang Barat No


1


2 3

Luasan (Ha)

Luasan (%) 70.7

0.9

Jarang (0.18 ≤ ndvi < 0.32)

140.7

1.9

Sedang (0.32 ≤ ndvi < 0.42)

343.4

4.5

4

Lebat (0.42 ≤ ndvi < 0.47)

423.5

5.6

5


6603.8

87.1

Luas Total

7582.1

100.0

Tabel 5. Luasan hutan Mangrove per kerapatan tajuk di Kecamatan Rupat No


Luasan (Ha)

Luasan (%)

1


121.8

0.7

2

Jarang (0.18 ≤ ndvi < 0.32)

282.8

1.6

3

Sedang (0.32 ≤ ndvi < 0.42)

439.9

2.5

4

Lebat (0.42 ≤ ndvi < 0.47)

522.3

3.0

5


15980.3

92.1

Luas Total

17347.1

100.0

KESIMPULAN Berdasarkan hasil pengolahan citra pada Landsat TM-5 dengan data perekaman tanggal 2 Februari 2010 dapat diinventarisasi luas hutan Mangrove yang masih ada di Kabupaten Bengkalis, Propinsi Riau mengingat ada indikasi banyak terjadi kerusakan atau pembabatan hutan Mangrove di wilayah ini. Hasil inventarisasi dapat disimpulkan bahwa luas total hutan Mangrove di Kabupaten Bengkalis (sebelum pemekaran) pada tahun 2010 adalah 44.173,8 Ha, sedangkan kecamatan yang paling luas hutan Mangrovenya ada di Kecamatan Rupat dengan luas 17.347,1 Ha atau 39,3 % dari luas total hutan Mangrove di Kabupaten Bengkalis.. Kerapatan tajuk hutan Mangrove yang sangat jarang dan jarang terbanyak adalah Kecamatan Rupat tersebut sebesar 404.6 Ha atau 2.3 % dari luas total Mangrove di kecamatan tersebut. Hasil ini diharapkan dapat digunakan sebagai informasi dan masukan bagi pihak-pihak yang terkait seperti KLH, pemda setempat dan Pemda Riau dalam menentukan kebijakan terutama untuk melestarikan dan merehabilitasi hutan-hutan Mangrove yang telah hilang atau rusak mengingat pentingnya fungsi hutan Mangrove bagi kelangsungan hidup sumber daya hayati dan non hayati.

DAFTAR PUSTAKA Dewanti, R, T. Maulana, S. Budhiman, F. Zainuddin, & Munyati, 1999. Kondisi hutan Mangrove di Kalimantan Timur, Sumatera, Jawa, Bali dan Maluku. Majalah LAPAN Edisi Penginderaan Jauh, 91 (1) : 29-43. Harian Kompas, 3 Februari 2012, Hutan Mangrove di Riau Makin Gundul Jhonnerie, R., E. Prianto, dan Y.Oktorini, 2007. Deteksi Perubahan Luasan Hutan Mangrove dengan Menggunakan Penginderaan Jauh dan SIG di Kota Dumai Propinsi Riau, Torani, Vol 17(2) Edisi Juni 2007 : 159-169. Noviar, Heru, 2010, Kondisi Hutan Mangrove Terkini di Kabupaten Rokan Hilir Propinsi Riau, Prosiding Pertemuan Ilmiah Tahunan MAPIN XVII, Bogor RiauInfo, Selasa (29/5/2007)

94


DETEKSI PERUBAHAN PENUTUP LAHAN BERDASARKAN ANALISIS VISUAL DARI CITRA LANDSAT TM STUDI KASUS : LEMAH ABANG BEKASI

R. Johannes Manalu Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh – LAPAN

ABSTRAK Perubahan pada citra dapat mempunyai arti yang bermacam-macam, untuk itu diperlukan suatu metode deteksi yang dapat memberikan arahan dalam menentukan perubahan apa yang terjadi. Metode deteksi perubahan kenampakan berdasarkan citra beda waktu (analisis visual dari dua citra beda waktu) dengan menggunakan data Landsat TM tanggal 4 September 1994 dan 17 September 2001 untuk daerah Bekasi. Metode analisis visual dari citra Landsat TM merupakan metode yang sederhana untuk mendeteksi perubahan dari data penginderaan jauh yaitu dengan membuat tumpang tindih dua citra Landsat TM dan memperhatikan perubahan warna yang terjadi.

Kata kunci : Metode deteksi, Landsat TM, Analisis visual.


95

PENDAHULUAN Obyek di permukaan bumi kenampakannya bersifat dinamis dan relatif cepat berubah mengikuti dinamika penutup lahan dan penggunaan lahan serta musim, akibatnya kenampakan obyek yang sama pada dua citra penginderaan jauh yang berbeda tanggal perekamannya dapat berbeda. Analisis perubahan pada citra merupakan proses identifikasi perubahan berdasarkan pengamatan kenampakan dengan waktu yang berbeda. Kegiatan ini perlu mendapat perhatian terutama dalam pemanfaatan penginderaan jauh bagi usaha-usaha pengelolaan sumber daya alam. Perubahan pada citra dapat mempunyai arti yang bermacam-macam, untuk itu diperlukan suatu metode deteksi yang dapat memberikan arahan dalam menentukan perubahan yang sebenarnya terjadi. Ada empat metode penginderaan jauh yang sudah biasa digunakan untuk mendeteksi perubahan yaitu : (1) analisis visual dari dua citra Landsat TM (Metode Martin dan Howarth), (2) perbedaan dua citra Landsat TM (3) perbandingan dua citra Landsat TM , dan (4) klasifikasi dua citra Landsat TM. Pada penelitian ini akan dikaji kemampuan metode analisis visual dari dua citra Landsat TM (Metode Martin dan Howarth) untuk mendeteksi perubahan penutup lahan dengan mengambil kasus daerah Bekasi. Penelitian ini bertujuan untuk : a) mengevaluasi kesesuaian hasil analisa perubahan kenampakan dua citra Landsat TM dari metode Martin dan Howarth, dan b) mengembangkan prosedur deteksi perubahan kenampakan dua citra menggunakan data Landsat TM / ETM+. Hasil penelitian ini diharapkan dapat memberikan informasi tentang kelebihan dan kekurangan metode ini bila digunakan untuk mendeteksi perubahan penutup lahan berdasarkan citra Landsat TM.

STUDI PUSTAKA Penginderaan Jauh Penginderaan Jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu obyek, daerah, atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa mengadakan kontak langsung dengan obyek, daerah, atau fenomena yang dikaji (Lillesand dan Kiefer, 1994). Citra penginderaan jauh adalah gambaran suatu obyek yang merupakan pantulan atau pancaran radiasi elektromagnetik obyek yang direkam dengan cara optik, elektro-optik, optik-mekanik atau elektronik. Citra penginderaan jauh merupakan gambaran yang mirip dengan wujud aslinya atau paling tidak berupa gambaran planimetriknya, sehinggga citra merupakan keluaran suatu sistem perekaman data dapat bersifat optik, analog atau digital (Purwadhi, 2001). Citra inderaja ada beberapa jenis diantaranya adalah : citra Landsat, SPOT, JERS, dan ERS. Citra tersebut masing-masing mempunyai karakteristik yang berbeda. Citra penginderaan jauh dapat digunakan untuk berbagai keperluan yang bersifat global antara lain untuk pemantauan sumber daya alam, cuaca, lingkungan dan lain-lain. Keunggulan pemanfaatan citra inderaja adalah cakupan lahan sangat luas, harga relatif murah, data mudah diperoleh dalam jangka waktu yang relatif singkat.

96


Citra Landsat Cakupan dari Citra Landsat TM 185 Km x 185 Km dengan resolusi 30 m untuk kanal 1 sampai 5 dan 7, sedangkan kanal 6 mempunyai resolusi 120 m. Citra Landsat bekerja pada panjang gelombang berkisar antara 0.45 – 2.35 mm (untuk kanal 1 – 5 dan kanal 7) dan 10.4 – 12.5 mm untuk kanal 6 yang dapat dilihat pada Tabel 1 (Lillesand dan Kiefer, 1994; Legg, 1992). Resolusi temporal Landsat TM 16 hari sekali yang memungkinkan untuk memantau perubahan penutup/ penggunaan lahan. Tiap-tiap kanal mempunyai panjang gelombang tertentu sehingga tampilannyapun berbeda dan dapat digabungkan. Sensor satelit dapat melakukan perekaman data penginderaan jauh ber dasarkan sifat pantulan atau refleksi maupun pancaran atau emisi radiasi elektromagnetik obyek di permukaan bumi. Data yang direkam oleh satelit dapat dikirim langsung pada saat itu juga walaupun satelit berada jauh dari stasiun penerima di bumi.

Tabel 1. Kanal citra, kisaran panjang gelombang thematic mapper dan kegunaan utamanya.

Kanal

Kisaran Panjang Gelombang (mm)

Kegunaan Utama

1

0,45 - 0,52

Penetrasi tubuh air,analisis penggunaan lahan, tanah dan vegetasi, pembedaan vegetasi dan lahan.

2

0,52 - 0,60

Pengamatan puncak pantulan vegetasi pada saluran hijau yang terletak diantara dua saluran penyerapan. Pengamatan ini dimaksudkan untuk membedakan jenis-jenis vegetasi dan untuk mem membedakan tanaman sehat terhadap tanaman yang tidak sehat.

3.

0,63 - 0,69

Saluran terpenting untuk membedakan jenis vegetasi. Saluran ini terletak pada salah satu daerah penyerapan klorofil dan memudahkan pembedaan antara lahan terbuka terhadap lahan vegetasi.

4

0,76 - 0,90

Saluran yang peka terhadap biomasa vegetasi. Juga untuk identifikasi jenis tanaman, memudahkan pembedaan tanah dan tanaman serta lahan dan air.

5

1,55 - 1,75

Saluran penting untuk membedakan jenis tanaman, kandungan air pada tanaman, kondisi kelembaban tanah.

7

2,08 - 2,35

Untuk membedakan formasi batuan dan untuk pemetaan hidrotermal

6

10,40 - 12,50

Klasifikasi vegetasi, analisa gangguan vegetasi, pembedaan kelembaban tanah dan keperluan lain yang berhubungan dengan gejala thermal.

8

0,50 - 0,90

Perkotaan dan geomorphologi

Pengolahan Data Awal Pengolahan data awal dilakukan untuk mengkoreksi kesalahan radiometrik dan kesalahan geometrik. Hamburan dan serapan atmosfer bumi karena terjadinya uap air atau gas-gas lain mempunyai efek menghalangi. Masalah pengaruh atmosfir ini akan tampak apabila membandingkan respon spektral pada suatu lokasi yang direkam pada waktu yang berbeda.


97

Penutup/Penggunaan Lahan Penutup lahan merupakan istilah yang berkaitan dengan jenis kenampakan yang ada di permukaan bumi. Penutup lahan diwujudan secara fisik oleh obyek-obyek yang menutupi lahan tanpa memperhatikan kegiatankegiatan manusia. Beberapa contoh jenis penutup lahan adalah : bangunan perkotaan, danau, vegetasi. Penggunaan lahan adalah segala macam kegiatan penggunaan lahan baik secara alami maupun kegiatan manusia pada sebidang tanah (Vink, 1975). Definisi yang lain pengunaan lahan adalah berhubungan dengan kegiatan manusia, sehingga batas satuan penggunaan lahan sangat ditentukan oleh adanya kegiatan tersebut. Istilah penggunaan lahan berkaitan dengan kegiatan manusia pada sebidang lahan tertentu. (Lillesand dan Kiefer, 1994). Untuk lebih jelasnya perbedaan dari penutup dan penggunaan lahan diambil contoh penggunaan lahan sawah, yang mana penutup lahannya berbeda-beda pada saat lahan bera (terbuka), pada saat fase air, pada saat fase vegetatip dan pada saat fase generatip. Secara nilai digital dan kenampakan warna hal ini dapat memberikan kesan terjadi perubahan penggunaan lahan. Analisis perubahan penutup/penggunaan lahan adalah proses identifikasi perubahan kondisi lahan berdasarkan waktu yang berbeda. Dari citra penginderaan jauh satelit dapat diekstrak penutup/penggunaan lahan, dimana data penginderaan jauh satelit yang mempunyai cakupan yang luas, sehingga efektif dan efisien untuk analisis perubahan penutup/penggunaan lahan.

Metode Deteksi Perubahan Deteksi perubahan adalah proses mengindentifikasi perubahan suatu objek atau fenomena dengan mengamatinya pada waktu yang berbeda. Perubahan kenampakan dapat ditentukan dengan membandingkan dua citra Landsat TM pada lokasi yang sama. Apabila terdapat perbedaan kenampakan berarti terjadi perubahan penutup atau penggunaan lahan. Metode yang sederhana untuk mendeteksi perubahan dari data penginderaan jauh adalah Analisa Visual dari Dua Citra Landsat TM, yaitu dengan membuat dua citra Landsat TM tumpang tindih dan memperhatikan perubahan warna yang terjadi. Tumpang tindih dua citra Landsat TM dapat dibuat dengan menampilkan kanal yang sama dari periode waktu yang berbeda pada satu citra. Kanal 3 Landsat (spektrum merah) menghasilkan pemisahan visual yang terbaik untuk perubahan perkotaan (Jensen, 1981). Oleh karena itu, kanal 3 pada waktu t1 ditampilkan pada layer warna merah, kemudian kanal 3 pada waktu t2 ditampilkan pada layer warna hijau. Berdasarkan kenampakan citra dapat dianalisis perubahan lahan (Martin dan Howarth, 1989 dalam Beeber, 1998).

METODOLOGI Lokasi Penelitian Studi kasus dilaksanakan di daerah Lemah Abang Bekasi dengan luas daerah 3.046,23 Ha (Gambar 1). Daerah Lemah Bekasi dipilih karena antara tahun 1994 - 2001 terjadi perubahan penggunaan lahan yang pesat dari berbagai macam kelas.

98


Gambar 1. Lokasi Penelitian.

Data dan Peralatan Data yang digunakan adalah sebagai berikut : 1. Data Landsat TM yang direkam pada tanggal 4 September 1994 dan tanggal (path/raw 122/64), yang diperoleh dari Bidang Bank Data LAPAN Pekayon.

17 September 2001

2. Data Ikonos yang direkam tanggal 20 September 2000 sebagai data referensi. 3. Peta dasar berupa peta rupa bumi digital Indonesia skala 1 : 25.000 lembar 1209-514 Cikarang edisi : 1 – 2000 yang diterbitkan oleh BAKOSURTANAL. Peralatan yang dipergunakan adalah GPS (Global Positioning System) untuk mendapatkan titik kontrol tanah yang digunakan untuk koreksi geometrik, satu set komputer dengan perangkat lunak ER Mapper 5.5 untuk pengolahan data.


99

Metode Beberapa tahapan kegiatan yang dilakukan, yaitu pengumpulan dan penyiapan data, pengolahan citra awal, analisis perubahan kenampakan dua citra beda waktu dan evaluasi deteksi perubahan kenampakan dua citra beda waktu.

Kajian Deteksi Perubahan Penutup/Penggunaan Lahan Dengan menggunakan fasilitas perangkat lunak ER Mapper dibuat file citra kanal 3 (l = 0,63 – 0,69) data Landsat tahun 1994 (t1), lalu disimpan dalam suatu file. Begitu juga dengan kanal 3 data Landsat tahun 2001 (t2). Selanjutnya algoritma RGB ditampilkan, kanal 3 data Landsat tahun 1994 dimasukkan kedalam layer warna merah, kanal 3 data Landsat tahun 2001 dimasukkan kedalam layer warna hijau, sedangkan layer warna biru dihapus. Kemudian algoritma yang dibuat dijalankan sehingga didapat citra tampilan bersama dengan beberapa warna yang berbeda yang selanjutnya warna tersebut dianalisis menggunakan tabel analisis visual dari dua citra beda waktu (Martin dan Howarth, 1989 dalam Beeber, 1998). Untuk analisis visual dua citra beda waktu, Martin dan Howarth (1989) melakukan tumpang tindih data Landsat TM kanal 3 pada waktu t1 pada layer merah dengan data Landsat TM kanal 3 pada waktu t2 pada layer hijau dan mendapatkan tabel analisis perubahan seperti disajikan pada Tabel di bawah ini. Tabel 2. Analisis Visual dari Dua Citra Beda Waktu (Martin dan Howarth (1989) dalam Beeber, (1998)). Warna Citra Merah

Perubahan Lahan Lahan mengalami perubahan ke selesai sebelum t2

perkotaan pada t1, yang perubahannya

Hijau Terang

Lahan mengalami perubahan pada t2, bukan pada t1

Kuning Muda

Fase perubahan lahan konversi dari t1 dan t2

Kuning Langsat terang dan menengah

Penggunaan lahan untuk perumahan dan industri/komersial pada t1 dan t2

Hijau, Coklat tua, Coklat, Kuning Langsat tua, Abu-abu tua, Kuning tua

Daerah terbuka pada t1 dan t2

Hitam

Hutan pada kedua waktu

HASIL DAN PEMBAHASAN Penutup/Penggunaan Lahan Informasi penggunaan lahan ini menggunakan rujukan Peta Rupa Bumi Digital Indonesia skala 1 : 25.000. edisi 1 – 2000 (dikompilasi dari foto udara skala 1 : 50.000. tahun 1993/1994), sedangkan untuk lahan tahun 2001 yang digunakan sebagai referensi dalam makalah ini adalah citra Ikonos tahun 2000. Berdasarkan kedua data masukan ini diketahui bahwa di lokasi sedikitnya terdapat 5 kelas penggunaan lahan yaitu : industri, kebun campuran, pemukiman, sawah dan lahan terbuka. Lahan sawah pada tahun 1994 masih terlihat dominan pada bagian kanan dari lokasi di peta rupa bumi dan pada citra Ikonos tampak bahwa luas lahan sawah pada tahun 2001 telah terjadi penyusutan. Di sebelah kiri dan tengah dari lokasi tersebar kawasan pemukiman dan tampak telah terjadi peningkatan area pada tahun 2001, demikian juga kawasan industri cenderung terkonsentrasi disebelah kiri atas dan tampak telah terjadi pertambahan luas pada tahun 2001.

100


4.2. Analisis Visual dari Dua Citra Beda Waktu (Metode Martin dan Howarth) Dengan membuat tampilan bersama data Landsat TM tahun 1994 band 3 pada layer merah (Gambar 1a) dengan data Landsat TM tahun 2001 band 3 pada layer hijau (Gambar 1b) didapatkan tampilan dengan kenampakan baru seperti tampak pada Gambar 2. Tampilan bersama antara band 3 tahun 1994 dan band 3 tahun 2001 (Gambar 2.) menghasilkan tampilan dengan warna yang berbeda dengan kenampakan citra aslinya. Secara umum kesan warna yang tampak pada citra adalah warna merah terang, hijau terang, kuning terang dan warna coklat terang. Kesan warna ini menurut Martin dan Howarth (1989) dalam Beeber (1998) menunjukkan adanya perubahan penutup/penggunaan lahan.

Gambar 1a. Citra Landsat TM Band3 Tahun 1994.

Gambar 1b. Citra Landsat TM Band3 Tahun 2001.


101

Gambar 2. Hasil Tampilan Bersama Citra Landsat TM Tahun 1994 Dengan Citra Landsat TM 2001.

Kesan warna merah pada citra menunjukkan terjadinya perubahan lahan ke perkotaan pada tahun 1994 yang mana perubahan itu selesai sebelum tahun 2001, warna hijau terang menunjukkan lahan berubah pada tahun 2001 bukan pada tahun 1994, warna kuning muda menunjukkan fase perubahan lahan konversi dari tahun 1994 dan tahun 2001, warna kuning langsat terang dan menengah menunjukkan penggunaan lahan untuk perumahan dan industri pada tahun 1994 dan tahun 2001 dan warna hijau, coklat, coklat tua, kuning langsat tua, abu-abu tua, kuning tua menunjukkan daerah terbuka pada tahun 1994 dan tahun 2001. Metode tampilan bersama ini secara cepat dapat menunjukkan adanya pola perubahan, tetapi tidak dapat menunjukkan arah perubahan dari mana ke mana hanya menunjukkan pola perubahan yang terjadi. Berdasarkan perubahan warna yang tampak pada Gambar 3a dilakukan analisis kesesuaian warna dan artinya pada lokasi terpilih dengan membandingkannya dengan peta penggunaan lahan tahun 1994 dan 2001. Hasil analisis disajikan pada Tabel 3.

Gambar 3. Tampilan bersama Landsat TM Tahun 1994 dan 2001 dan poligon yang mengalami perubahan warna

102


Tabel 3. Analisis Perubahan dari Dua Citra Beda Waktu Daerah Bekasi. Poligon

Warna

Perubahan Lahan Thn. 1994

Perubahan Warna Thn. 2001

1

Merah

Sawah

Pemukiman

Sesuai

2

Merah

Sawah

Lhn. Terbuka

Sesuai

3

Merah

Sawah

Lhn. Terbuka

Sesuai

4

Hijau terang

Sawah

Industri

Sesuai

5

Hijau terang

Sawah

Industri

Sesuai

6

Kuning muda

Pemukiman

Industri

Sesuai

7

Kuning langsat

Lhn terbuka

Industri

Sesuai

8

Hitam

Sawah

Lhn. Terbuka

Tidak Sesuai

9

Hitam

Sawah

(rumput)

(berair) Sawah (berair)

Tidak Sesuai

Gambar 3a memperlihatkan bahwa warna merah lebih dominan dibandingkan dengan warna-warna lain. Kesan warna ini mempunyai arti bahwa telah terjadi perubahan dari lahan sawah (1994) menjadi lahan perkotaan (2001). Berdasarkan analisis kesesuaian warna pada lokasi terpilih terdapat dua lokasi yang perubahan warnanya tidak sesuai dengan analisa perubahan dari dua citra berbeda waktu menurut Martin dan Howarth (1989) dalam Beeber (1998). Sedangkan lokasi yang lain perubahan warnanya sesuai. Area yang berwarna hitam adalah daerah hutan, tetapi untuk daerah Bekasi area yang berwarna hitam adalah daerah sawah dan lahan terbuka yang berair. Metode ini hanya menunjukkan kelas penutupan lahan, tidak bisa menunjukkan kelas penggunaan lahan, sehingga tidak dapat menghasilkan pemetaan penggunaan lahan.

Tahun 1994

Tahun 2001

Gambar 4. Penutup lahan sesuai Tabel 3 dan poligon yang mengalami perubahan warna


103

KESIMPULAN Metode yang sederhana untuk mendeteksi perubahan dari data penginderaan jauh adalah metode analisis visual dari dua citra Landsat TM yang memperhatikan perubahan warna yang terjadi dengan membuat dua citra Landsat TM tumpang tindih. Metode yang dapat mendeteksi perubahan kenampakan dari dua citra Landsat TM dengan cepat adalah metode analisa visual dari dua citra Landsat TM, yaitu dengan melakukan tampilan bersama dari daerah yang akan dideteksi, sehingga dari kesan warna yang tampak dapat dengan cepat dilihat daerah yang mengalami perubahan. Analisa visual dari dua citra Landsat TM dengan deteksi perubahan kenampakan, dapat menunjukkan arah perubahan atau terjadinya perubahan penutup/penggunaan lahan. Metode ini tidak dapat menunjukkan kelas penggunaan lahan hanya dapat menunjukkan kelas penutupan lahan.

DAFTAR PUSTAKA Beeber, G. 1998. Change Detection Techniques Using Landsat Data. ASE 389P Remote Sensing From Space. Jensen, J. R. 1981. Urban Change Detection Mapping Using Landsat Digital Data, The American Cartographer. Vol 8, No. 2, pp 127 – 147. Lillesand, M. T. and W. R. Kiefer. 1994. Remote Sensing And Image Interpretation. Third Edition. John Wiley & Sons Inc. New York. Purwadhi, S. H. 2001. Interpretasi Citra Digital. Penerbit PT Grasindo. Jakarta. Vink, A. P. A., 1975. Land Use in Advancing Agriculture, Springer-Verlag, Berlin Heidelberg, Germany.

104


PEMANFAATAN DATA PENGINDERAAN JAUH DAN SIG UNTUK PENGEMBANGAN JARINGAN PIPA AIR MINUM

Dipo Yudhatama dan Bambang Trisakti Bidang Sumber Daya Wilayah Darat, Pusat Pemanfaatan Penginderaan Jauh – LAPAN

ABSTRAK Pemenuhan kebutuhan air bersih masih menjadi permasalahan utama di negeri ini. Banyaknya jumlah penduduk yang belum terlayani oleh jaringan perpipaan air bersih menjadi sorotan banyak pihak akan kemampuan PDAM dalam memenuhi kebutuhan air bersih bagi masyarakat. Banyaknya kendala yang dihadapi oleh PDAM, baik teknis maupun non-teknis, menjadi alasan ketidakmampuan PDAM dalam melayani air bersih uang merupakan hajat hidup orang banyak. Dengan bantuan teknologi SIG dan penginderaan jauh satelit, permasalahan PDAM yang terkait dengan pendistribusian air bersih dapat sedikit teratasi. Hasil penelitian ini menunjukan penggunaan kedua teknologi tersebut mampu membantu PDAM dalam mengatasi permasalahan pendistribusian air bersih, diantaranya dalam perencanaan dan pengembangan jaringan perpipaan, penentuan lokasi sumber air baku, pemantauan perkembangan pelanggan, dan penyusunan basis data spasial wilayah pelayanan.

Kata kunci: Data inderaja, jaringan air minum


105

PENDAHULUAN Seiring dengan peningkatan jumlah penduduk, kebutuhan air bersih-pun turut meningkat setiap tahunnya. Badan Pusat Statistik (BPS) memprediksikan pada tahun 2015 jumlah penduduk Indonesia akan mencapai 247,5 juta jiwa. Jumlah tersebut mengakibatkan pemenuhan kebutuhan air akan meningkat menjadi 9.391 miliar meter kubik atau naik 47 persen dari tahun 2000. Pemenuhan kebutuhan air bersih bagi penduduk dilakukan dengan sistem perpipaan dan non-perpipaan. Sistem perpipaan dioperasikan oleh entitas penyelenggara pelayanan air bersih, baik yang dikelola oleh swasta maupun pemerintah (PDAM). Saat ini di Indonesia terdapat 382 PDAM yang baru dapat melayani 47% penduduk perkotaan dan 11% penduduk pedesaan. Data PERPAMSI (Persatuan Perusahaan Air Minum Seluruh Indonesia) tahun 2010 menyebutkan secara nasional baru 27% jumlah penduduk Indonesia yang terjangkau jaringan air bersih dari PDAM. Artinya mayoritas penduduk Indonesia masih memperoleh air bersih dari sistem non-perpipaan yang bersumber dari mata air, sumur, air hujan, maupun penjaja air yang kualitasnya belum terjamin. Ada beberapa permasalahan besar yang terkait dengan pemenuhan kebutuhan air bersih di Indonesia, diantaranya: 1. Sumber air baku yang terbatas, seperti: penurunan kualitas dan kuantitas, tidak ada lagi sumber air baku yang dapat dieksplorasi, hingga pada konflik antar wilayah dalam pemanfaatan sumber air baku; 2. Kebutuhan air bersih yang terus meningkat sejalan dengan peningkatan jumlah penduduk; 3. Rendahnya cakupan pelayanan air bersih di Kawasan Perkotaan, akibat minimnya data dan infrastruktur; dan 4. Kinerja pengelolaan sistem air bersih yang menurun akibat tingginya kebocoran, biaya operasi dan pemeliharaan yang meningkat. Permasalahan tersebut hingga kini masih menjadi kendala peningkatan kinerja PDAM di Indonesia dimana saat ini 69% PDAM berada dalam kondisi kurang sehat. Teknologi penginderaan jauh dan Sistem Informasi Geografis (SIG) dapat membantu memberi solusi terhadap permasalahan penyediaan air minum. Salah satunya adalah dalam pengembangan jaringan pipa air bersih, baik pipa distribusi maupun transmisi. Beberapa kajian pemanfaatan data penginderaan jauh satelit yang berkaitan dengan jaringan perpipaan air bersih telah dilakukan di beberapa negara, seperti: perencanaan sistem blok berdasarkan jaringan jalan dan kontur wilayah sehingga mempermudah penyaluran air berdasarkan kebutuhan setiap blok secara lebih efesien (Jun et al., 2004). Sistem blok telah banyak digunakan dinegaramaju seperti Jepang dan Korea, pada sistem ini disusun berdasarkan pertimbangan orde jalan dan rata-rata elevasi setiap blok, selanjutnya diperinci berdasarkan besarnya permintaan air. Huang dan Fipps (2005) mengidentifikasi kebocoran kanal irigasi dengan memperlihatkan bahwa potensi kebocoran dapat diprediksi dengan menggunakan data sensor airborne multispectral (Visibel, NIR dan Termal) resolusi tinggi. Metode ini sangat memungkinkan untuk diterapkan untuk mendeteksi kebocoran pipa dalam skala regional. Tulisan ini akan mengkaji sejauh mana teknologi penginderaan jauh satelit dan SIG berperan dalam pengembangan jaringan perpipaan air bersih. Untuk mengaplikasikannya, jaringan perpipaan PDAM Kabupaten Sampang, Jawa Timur, dipilih menjadi studi kasusnya. PDAM Sampang merupakan salah satu PDAM yang berada dalam kondisi kurang sehat. Dari empat belas kecamatan yang ada di Kabupaten Sampang, pelayanan air bersih melalui PDAM hanya terdapat di ibukota kabupaten saja. Gambar 1 menunjukan cakupan pelayanan dari PDAM Kabupaten Sampang .

106


Gambar 1. Wilayah administrasi dan Cakupan Pelayanan PDAM Kabupaten Sampang

DATA DAN METODE Data primer yang digunakan adalah data satelit penginderaan jauh SPOT5 (tahun perekaman 2010) dan Ikonos (tahun perekaman 2009), Peta Rupa Bumi Indonesia skala 1:25.000 (Badan Informasi Geospasial). Informasi ketinggian wilayah didapatkan dari data SRTM X-C band yang mempunyai resolusi spasial 30 meter. Sedangkan data sekunder, yang digunakan adalah data-data yang berkaitan dengan parameter PDAM seperti; Peta Jaringan, lokasi sumber air baku dan jumlah pelanggan yang di dapat dari PDAM Kabupaten Sampang. Tahap pertama yang dilakukan dalam penelitian ini adalah melakukan ekstraksi informasi spasial dari data satelit penginderaan jauh. Informasi spasial dasar diturunkan dari data SPOT5 dan Ikonos dengan skala tematik 1:10.000. Seluruh data spasial ketelitian geometriknya dikoreksi menggunakan acuan Peta Rupa Bumi skala 1:25.000 produk BIG (Badan Informasi Geospasial). Alur kegiatan pada tahap pertama ini digambarkan pada Gambar 2.


107

DEM SRTM XC band

Data satelit IKONOS, SPOT-5

Peta RBI 1:25.000

Koreksi data

Interpretasi citra

Informasi spasial: • Penutup lahan • Aliran sungai • Jaringan jalan • Objek bangunan • Wilayah permukiman

Pengolahan digital

Informasi spasial: • Ketinggian wilayah • Kontur • Lereng • Arah lereng

Analisis SIG dan Layout

Infomasi spasial parameter fisik Kota Sampang Gambar 2. Alur Kegiatan

Informasi fisik yang diturunkan dari citra satelit penginderaan jauh meliputi penutup lahan, jaringan jalan, system persungaian, objek dan orientasi bangunan, dan zonasi wilayah permukiman. Metode yang digunakan adalah interpretasi dan digitasi visual pada skala 1:5.000. Dari empat zona wilayah PDAM Kabupaten Sampang, fokus penelitian dilakukan pada dua zona pelayanan yang jumlah pelanggan dan pertumbuhannya paling cepat. (Statistik PDAM Kabupaten Sampang, 2012). Data Digital Elevation Model (DEM) diproses secara digital dari data DEM SRTM X-C band untuk menghasilkan informasi spasial ketinggian wilayah, kontur, lereng, dan arah lereng. Interval kontur dibuat dengan interval 5 meter menggunakan teknik interpolasi dari data SRTM dan kontur Peta Rupa Bumi skala 1:25.000. Informasi lereng menunjukan kemiringan dari permukaan bumi dengan kisaran nilai 0-90 derajat. Sedangkan arah lereng menunjukan ke arah mana lereng tersebut menghadap, dengan kisaran nilai 0-360 derajat yang dimulai dari arah utara dan berputar searah jarum jam. Langkah berikutnya yang dilakukan adalah melakukan digitalisasi dan koreksi geometrik data sekunder , karena sebagian besar data yang terkumpul dalam bentuk hardcopy dan format autocad. Koreksi geometrik menggunakan data IKONOS terkoreksi tahun perekaman 2010. Setelah terkoreksi, data-data sekunder dikonversi menjadi data spasial untuk memudahkan dalam analisis di SIG sehingga menghasilkan informasi spasial parameter PDAM. Alur kegiatan pada tahap ini digambarkan pada Gambar 3.

108


Data Data Sekunder

Rektifikasi dan konversi data

Citra IKONOS terkoreksi

Identifikasi dan

deliniasi

Informasispasial: • Zona PDAM • Sumber air

• Jaringan Pipa • Lokasi sumur

Analisis SIG dan Layout

Informasi Spasial Hasil Ekstraksi Data PJ

1. Kondisi Eksisting Jaringan Distribusi PDAM 2. Rencana Pengembangan Jaringan Pipa

Gambar 3. Alur Kegiatan Penurunan Informasi Spasial Fisik Wilayah

HASIL DAN PEMBAHASAN Informasi Spasial Dasar Berdasarkan analisis data DEM-SRTM, lokasi studi mempunyai ketinggian antara 0-50 dengan topografi landai. Wilayah permukiman yang merupakan basis pelanggan PDAM berada pada ketinggian 0-10 m, hanya tiga desa yang letaknya berada pada ketinggian diatas 10 meter. Gambar 4 dan Gambar 5 memperlihatkan informasi ketinggian di wilayah studi hasil dari analisis DEM-SRTM.


109

Gambar 4. Informasi Ketinggian Hasil Analisis DEM-SRTM di Wilayah Studi

Gambar 5. Informasi Kontur Hasil Analisis DEM-SRTM di Wilayah Studi

Kemiringan lahan di wilayah studi adalah 0 – 12 derajat dengan arah kemiringan lahan bervariasi ke segala arah. Infomasi ketinggian, kemiringan dan arah kemiringan lahan ini sangat bermanfaat dalam perencanaan pembangunan jaringan pipa untuk menentukan metoda yang paling tepat digunakan dalam pengaliran air bersih. Kemiringan dan arah kemiringan di wilayah studi dapat dilihat pada Gambar 6 dan 7.

110


Gambar 6. Informasi Kemiringan Hasil Analisis DEM-SRTM di Wilayah Studi

Gambar 7. Informasi Arah Lereng Hasil Analisis DEM-SRTM di Wilayah Studi

Informasi penutup lahan dan infratruktur wilayah di dapatkan dari hasil intrepretasi dan digitasi visual citra satelit penginderaan jauh Ikonos dan SPOT5 dengan ketelitian tematik 1:5.000. Penutup lahan di wilayah studi dibuat menjadi 19 kelas dengan fokus kedetilan berada pada kelas-kelas budidaya. Sebaran dan distribusi penutup lahan di wilayah studi dapat dilihat pada Gambar 8 dan Tabel 1.


111

Gambar 8. Informasi Penutup Lahan di Wilayah Studi Tabel 1. Luasan Penutup Lahan di Wilayah Studi

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

112

Penutup Lahan Alun-alun Industri Jalan Kebun Campur Ladang/Tegalan Lahan Terbuka Lapangan Pasar Pemakaman Peribadatan Perkantoran Permukiman Teratur Permukiman Tidak Teratur Ruang Terbuka Hijau Sawah Sekolah Semak/Belukar Sungai Terminal


LUAS (Ha) 3.22 2.73 27.69 72.67 21.04 15.16 0.66 2.73 1.50 1.72 29.25 5.72 169.48 4.87 377.29 3.94 18.12 5.43 0.74

Penutup lahan di wilayah studi di dominasi oleh lahan pertanian basah (sawah) dan permukiman tidak teratur. Gambar 9 memperlihatkan sebaran kawasan permukiman berdasarkan kategori teratur dan tidak teratur di wilayah studi.

Gambar 9. Informasi Wilayah Permukiman di Wilayah Studi

Untuk memudahkan mengidentifikasi berapa jumlah sambungan rumah yang seharusnya terlayani, maka setiap objek bangunan di wilayah studi diberikan atribut dengan memberikan titik identifikasi (Gambar 10).

Gambar 10. Informasi Objek Bangunan di Wilayah Studi


113

Informasi spasial lainnya yang juga diturunkan dari data satelit penginderaan jauh adalah informasi mengenai jaringan jalan dan system persungaian. Informasi jaringan jalan dibutuhkan untuk menentukan jalur pipa transmisi dan distribusi karena pipa diletakan pada sisi-sisi jalan untuk memudahkan pemasangan dan kontrol pemeliharaan. Sedangkan informasi system persungaian diperlukan untuk mengkalkulasi kebutuhan jembatan penghubung pipa dan pompa tekan serta untuk menginventarisir sumber air permukaan. Gambar 11 dan 12 berikut menampilkan informasi jaringan jalan dan system persungaian hasil dari interpretasi citra satelit Ikonos.

Gambar 11. Informasi Jaringan Jalan di Wilayah Studi

Gambar 12. Informasi Sistem Persungaian di Wilayah Studi

114


Informasi Parameter PDAM Informasi spasial parameter PDAM dibuat dengan mengumpulkan data dari dinas PDAM dan Bappeda Kabupaten Sampang. Data tersebut kemudian diubah menjadi data vektor dengan format SIG(shapefile). Informasi jaringan eksisting pipa yang di dapat dari PDAM Kabupaten Sampang masih belum detail, dimana tidak memuat informasi mengenai jenis pipa (pipa transmisi dan disribusi), diameter pipa dan usia pipa. Dari Peta Jaringan PDAM Kabupaten Sampang terlihat jaringan pipa dipasang sejajar dengan jaringan jalan. (Gambar 13).

Gambar 13. Informasi Jaringan Eksisting Pipa PDAM

Sumber air minum PDAM Kabupaten Sampang bersumber dari sumur bor dan mata air. Terdapat empat sumur bor dan satu mata air yang saat ini dimanfaatkan, yaitu sumur bor Pangelen, Sogiyan, Gajah Mada, Glisgis dan mata air Subaru. Sebaran lokasi sumur bor dan mata air untuk PDAM di Kota Sampang diperlihatkan pada Gambar 14.

Gambar 14. Informasi Sebaran Sumber Air PDAM


115

3-3. Evaluasi Kondisi Eksisting Perpipaan PDAM Analisis terhadap kondisi eksisting dilakukan setelah basis data PDAM selesai dibuat, walau beberapa data dari PDAM belum diperoleh seperti; jenis pipa (pipa transimisi dan distribusi), lokasi konsumen, diameter dan usia pipa, lokasi kebocoran dan lokasi valve pipa. Namun hasil analisa dapat memberikan gambaran awal posisi dan lokasi sumur bor dan jaringan pipa air terhadap parameter fisik wilayah. Untuk mendapatkan hasil yang lebih akurat, perlu dilakukan analisis lebih lanjut mengenai pengaruh setiap parameter terhadap jaringan pipa air minum. Hasil analisis diperlihatkan pada Tabel 2. Tabel 2. Analisis Terhadap Kondisi Eksisting Jaringan Pipa PDAM No.

Lokasi sumur bor dan mata air

jaringan pipa PDAM

1.

Ketinggian dan kontur

Sumur bor dan mata air terletak pada daerah tinggi berkisar 30-40 m, kecuali sumur bor Pangelen dan Sogiyan yang terletak di daerah rendah berkisar 5-10 m

Sumber air terletak pada daerah tinggi sedangkan distribusi jalur pipa terletak pada wilayah rendah pada daerah dengan ketinggian 0 -10 m

2.

Kelerengan dan arah lereng

Sumur bor dan mata air terletak pada daera dengan kemiringan 6-10 derajat, kecuali sumur bor Sogiyan yang terletak paa kemirintgan 2-4 derajat.

Distribusi jaringan pipa terletak pada daerah rendah dan relatif datar (kisaran 0-4 derajat)

3.

Jaringan jalan

-

Pada umumnya distribusi jaringan pipa mengikuti pola jaringan jalan Arteri dan kolektor, tapi belum menjangkau jaringan jalan lingkungan.

4.

Penutup lahan

Lokasi sumur bor dan mata air terletak pada area ladang, sawah dan kebun campur

Jaringan pipa sudah menjangkau kawasan komersil (perkantoran dan industri dan pasar), tetapi belum menjangkau perumahan yang baru berkembang.

5.

Sumber air (sungai)

Lokasi sumur bor dan mata air agak jauh dari sungai, sungai berpotensi dijadikan sumber air PDAM

-

6.

Wilayah permukiman dan objek bangunan

-

Jaringan pipa air minum belum menjangkau wilayah permukiman di bagian atas wilayah kajian (perumahan baru berkembang), dan juga belum masuk ke wilayah perumahan teratur (komplek).

Pemanfaatan Basis Data Untuk Pengembangan Jaringan Pipa PDAM Pembuatan data base sistem jaringan pipa air minum suatu wilayah sangat penting, karena data-data tersebut dapat overlay, digabungkan dan dianalisis dengan berbagai model (model pembobotan, SIG dll) untuk keperluan perencanaan, pengelolaan (pemantauan dan pemeliharaan) dan pengembangan sistem jaringanpipa air minum di wilayah tersebut. Berdasarkan hasil kajian literature baik yang telah bersifat operasional maupun yang bersifat riset, maka informasi-informasi yang berkaitan erat dengan jaringan pipa air minum yang akan sangat bermanfaat untuk kegiatan pengelolaan dan pengembangan sistem jaringanpipa air minum adalah: • Infomasi spasial sumber air (danau, waduk, sungai, sumur, mata air dll) • Informasi spasial sumber air bermanfaat untuk pembuatan jaringan pipa paling optimal (jarak terpendek) yang menghubungkan antara sumber air ke unit-unit lainnya seperti: penampungan air atau lokasi pelanggan. • Infomasi spasial jaringan jalan • Informasi spasial jaringan jalan bermanfaat untuk pembuatan sistem blok pelanggan dan pemetaan jalur pipa sehingga jaringan pipa air minum dapat lebih mudah dikelola dan efesien. Pada beberapa negara maju seperti: Jepang dan Korea, jaringan pipa air dilakukan dalam sistem blok. Sistem pembagian blok disusun dengan memperhatikan jaringan dan orde jalan, serta jumlah kebutuhan dari pelanggan.

116


• Infomasi spasial wilayah permukiman dan objek bangunan • Informasi spasial wilayah permukiman dan objek bangunan bermanfaat untuk mengetahui lokasi potensi konsumen baru sehingga dapat dilakukan pembuatan model pengembangan jaringan pipa air minum • Informasi usia pipa air (waktu pembangunan) • Informasi ini sangat bermanfaat karena setiap pipa mempunyai batas usia pemakaian, sehingga dapat diketahui lokasi pipa yang memerlukan penggantian untuk menghindari terjadinya kerusakan pipa dan kebocoran air. • Informasi spasial penutup lahan • Infomasi spasial penutup lahan sangat bermanfaat dalam perencanaan pengembangan jaringan pipa air minum untuk wilayah-wilayah permukiman yang makin berkembang, bahkan dapat menjadi indikator lokasi pipa yang berpotensi mengalami kerusakan akibat pengaruh penutup lahan disekitarnya, sebagai contoh kendaraan berat yang melewati daerah industri berpotensi mengakibatkan rusaknya pipa sehingga mengakibatkan terjadinya kebocoran air. • Informasi spasial ketinggian, kontur, kelerengan dan arah kelerengan • Informasi spasial ketinggian, kontur, kelerengan dan arah kelerengan akan sangat penting untuk perencanaan lokasi dan arah jaringan pipa, dimana bila lokasi sumber air lebih tinggi daripada lokasi pelanggan maka pengaruh perbedaan ketinggian (gravitasi) dapat digunakan untuk penyaluran air minum ke konsumen, sehingga mengurangi besarnya biaya yang digunakan dibandingkan dengan sistem jaringan pipa air dengan cara pemompaan air. Selain itu dapat dijadikan sebagai alat evaluasi kondisi jaringan pipa yang terpasang saat ini. • Lokasi-lokasi yang pernah mengalami kebocoran air • Informasi ini dapat diperoleh dari PDAM setempat.Data historis dan eksisting lokasi kebocoran sangat bermanfaat untuk mengetahui distribusi kebocoran yang terjadi. Sehingga dapat dilakukan indentifikasi penyebab kebocoran dan cara menanggulanginya. Konsep pemanfaatan basis data untuk mendukung sistem jaringan pipa air minum diperlihatkan pada Gambar 15.


117

Data penginderaan jauh satelit

• • • • • • • •

Ketinggian/kontur Tingkat kelerengan Arah kelerengan Sumber air (sungai, danau dll) Jaringan jalan Penutup lahan Wilayah permukiman Objek bangunan

Dinas PDAM

SIG

• Jaringan pipa eksisting • Lokasi sumur dan penampungan air • Lokasi kebocoran air • Lokasi konsumen • Usia pipa • Lokasi valve

Pengelolaan dan perencanaan sistem distribusi air minum Gambar 15 Pemanfaatan Basis Data Dalam Mendukung Sistem Jaringan PDAM

KESIMPULAN Informasi spasial yang diekstraksi dari data penginderaan jauh satelit dapat digunakan sebagai basis data dalam mendukung pengelolaan dan pengembangan jaringan pipa PDAM. Informasi dasar dari data satelit mampu memberikan informasi spasial terkini secara cepat sehingga sangat membantu untuk mengevaluasi kondisi eksisting sistem pipa air minum dan memprediksi prediksi pertumbuhan jumlah pelanggan. Informasi ini berguna sebagai masukan dalam mengambil kebijakan arah pengembangan jaringan pipa PDAM di masa mendatang. Penggunaan teknologi SIG memudahkan proses analisis spasial, namun kelengkapan data sekunder sebagai pendukung analisis sangat menentukan tingkat keakuratan dan kedetilan dari informasi yang dihasilkan. Analisis singkat pada lokasi studi didapat bahwa jaringan pipa air minum belum menjangkau wilayahwilayah perkembangan baru yang teridentifikasi pada citra satelit. Hasil analisis 3D terhadap data DEM SRTM menunjukan metode pengaliran secara gravitasi masih dapat terus digunakan untuk mendistribusikan air ke pelanggan. Pada beberapa lokasi permukiman baru yang letaknya jauh dari sumber air, sudut kemiringan kecil, diperlukan pembangunan unit pompa tekan untuk menambah tekanan air pada pipa distribusi.

DAFTAR PUSTAKA Danoedoro, P., 2004,Satelit Mata-mata untuk Lingkungan,Kompas online : http://www.kompas.com/kompascetak/0305/13/inspirasi/307922.htm [ 20-11-2004] Gesch, D., 2005, Vertical Accuracy of SRTM Data of the Accuracy of SRTM Data of the United States: Implications for Topographic Change Detection, SRTM Data Validation and Applications Workshop Huang, Y. And G. Fipps, 2005,Airborne Multispectral Remote Sensing Imaging for Detecting Irrigation Canal Leaks in The Lower Rio Grande Valley, 20th Biennial Workshop on Aerial Photography, Videography and

118


High Resolution Digital Imagery for Resource Assessment, October 4-6, 2005, Weslaco, Texas. Janssen, L.F.L and C.G. Huurneman,2001,Principles of Remote Sensing. ITC Educational Texbooks Series, ITC, Enshede, Netherlands. Jun, C., J.Koo, and J.Koh, 2004,Developing a Water Pipe Management System in Seoul Using the GIS, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISPRS, 35 (2), 290-293. PERPAMSI, 2010, Ringkasan Eksekutif Peta Permasalahan PDAM di Indonesia, Perpamsi, Jakarta


119

Pemanfaatan Citra Penginderaan Jauh untuk Sumber Daya Wilayah Darat

Recommend Documents