PEMETAAN SUHU PERMUKAAN TANAH DAN VEGETASI SEBAGAI DATA PENDUKUNG KEBIJAKAN REBOISASI Oktavianto Gustin, Lalu Muhamad Jaelani. Program Studi Teknik Geomatika, FTSP, ITS, Surabaya, 60111, Indonesia Email:
[email protected] Abstrak Saat ini isu pemanasan global sangat diperhatikan oleh dunia. Salah satu penyebab pemanasan global ini adalah Urban Heat Island (UHI). Sedangkan Pulau Jawa merupakan Pulau dengan penduduk terpadat di Indonesia. Kepadatan tersebut didukung dengan berbagai macam fasilitas lengkap yang tersedia termasuk kawasan perindustrian dibandingkan dengan pulau lainnya sehingga menimbulkan udara panas yang terpusat di daerah perkotaan di Pulau Jawa. Oleh karena itu penelitian UHI dapat diterapkan pada Pulau Jawa dan upaya untuk mengatasi UHI dapat dilakukan dengan reboisasi pada daerah yang memiliki suhu paling tinggi atau lokasi reboisasi yang tepat dengan analisa citra TERRA dan AQUA satelit Moderate Resolution Imaging Spectroradiometer (MODIS) Dalam penelitian ini dilakukan dengan menggabungkan data hasil ekstraksi suhu permukaan tanah (SPT) dan indeks vegetasi (IV). Algoritma yang digunakan dalam pengolahan citra MODIS untuk ekstraksi data SPT dengan menggunakan 3 algoritma perhitungan, yaitu algoritma Price (1984), Li&Becker (1991), dan Coll et. al,(1994). Sedangkan untuk ekstraksi nilai IV yang diekstraksi dari data MODIS menggunakan 4 algoritma yaitu NDVI, SAVI, SARVI dan EVI. Dengan menggunakan beberapa algoritma bisa didapat hasil pendekatan nilai dengan menentukan algoritma SPT dan IV yang mempunyai korelasi lebih baik. Hasil dari penelitian ini menunjukkan bahwa korelasi yang terbaik adalah perhitungan SPT algoritma Coll et. al. dengan perhitungan IV algoritma EVI. Pada penelitian ini dihasilkan 3 golongan daerah, yaitu daerah saran reboisasi I (disarankan segera direboisasi) terdapat di 38 Kabupaten/Kodya, daerah saran reboisasi II (disarankan setelah daerah saran reboisasi I) terdapat di 47 Kabupaten/Kodya, daerah Anomali (daerah penyimpangan yaitu daerah dengan suhu tinggi dan vegetasi tinggi) terdapat di 12 Kabupaten/Kodya. Kata kunci: TERRA, AQUA, MODIS, Urban Heat Island, Suhu Permukaan Tanah, Indeks Vegetasi, Reboisasi, Anomali. sehingga diketahui suhu permukaan tanah suatu daerah. Sedangkan untuk mengetahui vegetasi diperlukan band 1, 2 dan 3. Pulau Jawa. yang merupakan pulau dengan penduduk terpadat di Indonesia. Kepadatan tersebut didukung dengan berbagai macam fasilitas lengkap yang tersedia termasuk kawasan perindustrian dibandingkan dengan pulau lainnya sehingga menimbulkan polusi hingga udara panas yang terpusat di daerah perkotaan di Pulau Jawa. Oleh karena itu penelitian UHI dapat diterapkan pada Pulau Jawa dan upaya untuk mengatasi UHI dapat dilakukan dengan Reboisasi pada daerah yang memiliki suhu paling tinggi dan daerah vegetasi yang jarang melalui analisa citra TERRA dan AQUA satelit MODIS.
PENDAHULUAN Latar Belakang Saat ini pemanasan global sangat diperhatikan oleh dunia karena memiliki dampak yang sangat besar bagi dunia. Beberapa penelitian menunjukkan bahwa salah satu penyebab pemanasan global adalah Urban Heat Island (UHI) yang dicirikan seperti “pulau” memiliki permukaan udara panas yang terpusat di area urban dan akan semakin turun temperaturnya di daerah sekelilingnya pada daerah suburban/rural. Salah satu cara untuk mengatasi UHI dengan cara reboisasi pada daerah yang memiliki suhu paling tinggi dan daerah dengan vegetasi yang jarang/gersang. Untuk mengetahui lokasi tersebut diperlukan analisa citra TERRA dan AQUA satelit MODIS band 31 dan 32 1
Perumusan Masalah Perumusan masalah dalam penelitian ini adalah: “Bagaimana menentukan daerah UHI yang perlu dilakukan reboisasi dengan data SPT dan IV menggunakan citra TERRA dan AQUA satelit MODIS ?” Batasan Masalah Batasan masalah dari penelitian ini adalah sebagai berikut: a. Data citra yang digunakan adalah citra TERRA dan AQUA MODIS tanggal 24 Juli 2010 dan 12 Oktober 2010. b. Wilayah penelitian meliputi Pulau Jawa. c. Karena keterbatasan data lapangan maka tidak dilakukan uji validasi, sehingga data SPT dan IV citra yang digunakan adalah hasil kombinasi korelasi perhitungan algoritma SPT dan IV yang terbaik (mendekati nilai -1).
Gambar 3.1 Lokasi Penelitian (Sumber: http://www.penataanruang.net/taru/Peta/...) Data dan Peralatan Data Data yang digunakan dalam penelitian ini adalah. a. Citra TERRA MODIS tanggal 24 Juli 2010 MOD021KM.A2010205.0315.005.2010205 132707.hdf b. Citra TERRA MODIS tanggal 12 Oktober 2010 MOD021KM.A2010285.0315.005.2010285 192255.hdf c. Citra AQUA MODIS tanggal 24 Juli 2010 MYD021KM.A2010205.0610.005.2010205 180800.hdf d. Citra AQUA MODIS tanggal 12 Oktober 2010 MYD021KM.A2010285.0610.005.2010285 224652_2.hdf e. Peta Administrasi Indonesia file indo_kab.shp skala 1:1.000.000 dari Bakosurtanal
Tujuan Tujuan penelitian ini adalah untuk memetakan suhu permukaan tanah dan indeks vegetasi serta menganalisanya menggunakan citra TERRA dan AQUA MODIS yang diambil pada tanggal 24 Juli dan 12 Oktober 2010 sehingga diketahui daerah yang memerlukan reboisasi sebagai upaya pengurangan dampak pemanasan global. Manfaat Penelitian Manfaat yang diperoleh dari penyusunan Tugas Akhir ini adalah mengetahui kemampuan Citra TERRA dan AQUA MODIS dalam menentukan daerah UHI sehingga daerah reboisasi dapat ditentukan secara tepat. METODOLOGI PENELITIAN Lokasi Penelitian Lokasi penelitian Tugas mengambil studi di Pulau Jawa.
Akhir
Peralatan Peralatan yang digunakan dalam penelitian ini adalah: a. Perangkat Keras (Hardware) - Laptop. b. Perangkat Lunak (Software) - Sistem Operasi Windows XP. - Microsoft Word 2007. - Microsoft Excel 2007. - Microsoft Visio 2003. - ENVI 4.6.1. - ArcGis 9.3. - Matlab 7.0.
ini
Tahap Pengolahan Data Tahapan dalam pengolahan data ini adalah: 2
sehingga citra tersebut sudah terkoreksi secara geometrik. f. Pengolahan data SPT didasarkan pada 3 persamaan sebagai berikut: Price (1984). SPT1= Tb31+3,3(Tb31-Tb32)* +0,75 Tb31 (ε31-ε32) ................................................... (1) Li dan Becker (1991). SPT2=
Mulai Citra MODIS band 31, 32 Juli dan Oktober tahun 2010
Citra MODIS band 1, 2,3 Juli dan Oktober tahun 2010
Georeference Modis
Georeference Modis Cropping
Cropping Peta Administrasi Indonesia
Koreksi Geometrik
RMS Error 1 Piksel
Penentuan Batas Studi
RMS Error 1 Piksel
Ya Citra Terkoreksi
Vektor Pulau Jawa
Ya Citra Terkoreksi
Koreksi Geometrik Tidak
Cropping 2
Tidak
Overlay
Konversi nilai menjadi Brightness Temperature
Algoritma Cloud Masking
Cropping 2 Band 3 Reflektan Band 1&2 Reflektan
Citra Cloud Masking Algoritma Price
Algoritma Li&Becker
Algoritma Coll et.al
Suhu permukaan tanah 1
Suhu permukaan tanah 2
Suhu permukaan tanah 3
Algoritma NDVI
Algoritma SAVI
Algoritma SARVI
Algoritma EVI
Indeks Vegetasi 1
Indeks Vegetasi 2
Indeks Vegetasi 3
Indeks Vegetasi 4
Korelasi mendekati -1
Tidak
Selesai
…………………………….... (2)
Ya Analisis
Dengan = 1,274 P = 1,00+0,15616*
Klasifikasi Citra Citra Terklasifikasi Pemetaan Daerah Reboisasi Peta Daerah Saran Reboisasi Selesai
Gambar 3.2 Tahapan Pengolahan Data
M
Keterangan: a. Input Data citra TERRA dan AQUA MODIS band 1, 2, 3, 31, 32 tanggal 24 Juli tahun 2010, 12 Oktober tahun 2010 dan Peta Administrasi Indonesia file indo_kab.shp. b. Georeferensi MODIS untuk mendapatkan bentuk dan posisi sebenarnya dari permukaan bumi yang dipotret oleh satelit. Proses ini dilakukan di software ENVI. Metode transformasi yang digunakan adalah metode Triangulasi. Di proses ini dilakukan pemilihan jenis proyeksi (Latitude/Longitude), datum (WGS 1984), unit (Degree), memasukkan parameter sensor, dan koreksi bowtie. Selain itu juga dilakukan proses spectral subset, yaitu memilih band yang akan diproses dalam penelitian ini yaitu band 1-3, dan band 31&32. c. Overlay dilakukan untuk menggabungkan citra terkoreksi dengan vektor Pulau Jawa. d. Pada citra dipilih daerah mana yang akan digunakan kemudian dipotong/Cropping yang ke dua dilakukan setelah citra di overlay dengan vektor Pulau Jawa. e. Koreksi Geometrik dilakukan antara citra dengan peta vektor. Apabila nilai Root Mean Square Error (RMSE) lebih besar dari satu (RMSE > 1) maka harus dilakukan koreksi geometrik lagi, sampai di dapat nilai RMSE kurang atau sama dengan 1 (RMSE ≤ 1)
= 6,26 + 3,98 *
– 0,482 * – 38,33 *
Coll et.al, (1994). SPT3 = Tb31+A(Tb31-Tb32)+B................. (3) Dimana: A =1,0+0,58(Tb31-Tb32) p =50 ºK ∆ε =/ε31-ε32/=0,001 B =0,51+40(1-ε)-pAε B =0,92 Selanjutnya untuk mengkonversi nilai SPT (ºK) ke SPT (ºC), maka hasil nilai dikurangi dengan 273. g. Pengolahan data IV menggunakan persamaan berikut. NDVI= ..................................... (4) Dimana: nir = Nilai Reflektan kanal inframerah dekat red = Nilai reflektan kanal merah SAVI= [ NIR- RED)/( NIR+ RED+L) ............ (5) Besarnya L yang digunakan dalam penelitian ini adalah 0,6. SARVI= 2*( NIR- RED)/(L+C1* RED-C2* BLUE) ............................................................... (6) Nilai L= 0,6 (faktor koreksi terhadap background kanopi), dan C1= 3,3 dan C2 = 4,2 yang merupakan koefisien-koefisien tahanan terhadap aerosol atmosfer. 3
EVI=G*
disekitarnya, maka dapat disimpulkan bahwa daerah tersebut memerlukan reboisasi lebih utama juga disarankan untuk segera dilakukannya reboisasi.
............. (7)
= NIR Reflectance = Red Reflectance Blue = Blue Reflectance C1 = Atmosphere Resistance Red Correction Coefficient = 6 C2 = Atmosphere Resistance Blue Correction Coefficient = 7,5 L = Canopy Background Brightness Correction = 1 G = Gain Factor = 2,5 Konversi nilai band 31 dan 32 menjadi Brightness Temperature/suhu kecerahan(Tb). Dengan algoritma berikut. Tb= ((C2)/(Vi*alog(C1/(Vi5*B1)+1)) ....... (8) Keterangan: B1 = Band 31, 32 C1 = 1,1910659x108[W m-2 sr-1(μm-1)-4], C2 = 1,438833x104[K μm] Vi = panjang gelombang pusat (central wavelength). Proses Cloud Masking/pemisahan awan yang dilakukan di semua piksel menggunakan band 3 bertujuan agar data citra terbebas dari awan, yaitu dengan menjadikan daerah yang tertutup awan menjadi bernilai DN=0. Algoritma yang digunakan adalah: Cloud Masking= (B3 GE 0,2)*0+(B3 LT 0,2)*1 ................ (9) Klasifikasi Citra dilakukan dengan menganalisis sejumlah piksel yang tidak dikenal dan membaginya dalam sejumlah kelas berdasarkan pengelompokan nilai digital citra. Korelasi merupakan derajat hubungan linier antara hasil perhitungan algoritma SPT dan IV dengan menggunakan persamaan. rXY= ............ (10) NIR Red
h.
i.
j.
k.
HASIL DAN PEMBAHASAN Hasil Korelasi Berikut ini tabel korelasi dengan menggunakan data TERRA dan AQUA MODIS. Tabel 1 Korelasi antara berbagai macam algoritma SPT dengan IV citra TERRA tanggal 24 Juli 2010. No.
Kombinasi Algoritma
Korelasi
1 2 3 4 5 6 7 8 9 10 11 12
SPT Price & NDVI SPT Price & SAVI SPT Price & SARVI SPT Price & EVI SPT Li Becker & NDVI SPT Li Becker & SAVI SPT Li Becker & SARVI SPT Li Becker & EVI SPT Coll, et. al. & NDVI SPT Coll, et. al. & SAVI SPT Coll, et. al. & SARVI SPT Coll, et. al. & EVI
-0,335498 -0,477768 -0,564117 -0,581284 -0,298383 -0,443113 -0,563388 -0,587179 -0,357791 -0,497514 -0,577119 -0,592568
Prosentasi Korelasi (%) -33,5497887 -47,7767958 -56,4116671 -58,1283991 -29,8382776 -44,3112932 -56,3387792 -58,7179416 -35,7791309 -49,7514238 -57,7118742 -59,2568115
Tabel 2 Korelasi antara berbagai macam algoritma SPT dengan IV citra TERRA tanggal 12 Oktober 2010. No.
Kombinasi Algoritma
Korelasi
1 2 3 4 5 6 7 8 9 10 11 12
SPT Price & NDVI SPT Price & SAVI SPT Price & SARVI SPT Price & EVI SPT Li Becker & NDVI SPT Li Becker & SAVI SPT Li Becker & SARVI SPT Li Becker & EVI SPT Coll, et. al. & NDVI SPT Coll, et. al. & SAVI SPT Coll, et. al. & SARVI SPT Coll, et. al. & EVI
-0,283249 -0,435994 -0,577212 -0,609615 -0,249341 -0,409945 -0,558116 -0,593694 -0,300711 -0,451215 -0,589185 -0,62015
Prosentasi Korelasi (%) -28,3249287 -43,599434 -57,7212283 -60,961471 -24,9340969 -40,9945157 -55,8115613 -59,369393 -30,0710953 -45,1214994 -58,9185032 -62,0150259
Tabel 3 Korelasi antara berbagai macam algoritma SPT dengan IV citra AQUA tanggal 24 Juli 2010.
rXY = Korelasi XY n = Jumlah data X = Data X Y = Data Y l. Peta Suhu Permukaan Tanah dan NDVI merupakan hasil Overlay dari band 31, 32, 1,2 dan 3, yang selanjutnya dapat disajikan dalam bentuk peta. m. Kesimpulan dan Saran dalam penelitian ini dapat dianalisa jika suhu di suatu daerah tertentu tinggi dan kurangnya vegetasi 4
No.
Kombinasi Algoritma
Korelasi
1 2 3 4 5 6 7 8 9 10 11 12
SPT Price & NDVI SPT Price & SAVI SPT Price & SARVI SPT Price & EVI SPT Li Becker & NDVI SPT Li Becker & SAVI SPT Li Becker & SARVI SPT Li Becker & EVI SPT Coll, et. al. & NDVI SPT Coll, et. al. & SAVI SPT Coll, et. al. & SARVI SPT Coll, et. al. & EVI
-0,215329 -0,249702 -0,419656 -0,451388 -0,191017 -0,235885 -0,416502 -0,451815 -0,234808 -0,263338 -0,432453 -0,463732
Prosentasi Korelasi (%) -21,5328745 -24,9702453 -41,9655851 -45,1387896 -19,1017288 -23,5884991 -41,6502244 -45,181547 -23,4808228 -26,3338286 -43,2453182 -46,3732497
Tabel 4 Korelasi antara berbagai macam algoritma SPT dengan IV citra AQUA tanggal 12 Oktober 2010. No.
Kombinasi Algoritma
Korelasi
1 2 3 4 5 6 7 8 9 10 11 12
SPT Price & NDVI SPT Price & SAVI SPT Price & SARVI SPT Price & EVI SPT Li Becker & NDVI SPT Li Becker & SAVI SPT Li Becker & SARVI SPT Li Becker & EVI SPT Coll, et. al. & NDVI SPT Coll, et. al. & SAVI SPT Coll, et. al. & SARVI SPT Coll, et. al. & EVI
0,2535552 0,1092573 -0,083314 -0,150739 0,2812175 0,1380569 -0,055466 -0,123116 0,2261178 0,0817979 -0,1086 -0,175299
Prosentasi Korelasi (%) 25,35551605 10,92572863 -8,33137583 -15,0739456 28,12175066 13,80568928 -5,54659549 -12,3116335 22,61178154 8,179789789 -10,8599896 -17,5299303
Gambar 4.2 Peta SPT Algoritma Coll et. al. TERRA 24 Juli 2010
Berdasarkan tabel di atas didapatkan nilai korelasi dari kombinasi algoritma SPT dan IV. Korelasi yang terbaik yaitu mendekati nilai -1 dikarenakan nilai (-) merupakan hasil dari korelasi 2 data yang berbanding terbalik, misal jika pada suatu daerah mempunyai vegetasi rendah maka suhu tinggi, dan begitupun sebaliknya. Dapat diketahui pada tabel 1 bahwa algoritma SPT dan IV yang terbaik digunakan dalam penelitian UHI adalah SPT Coll, et. al. dengan EVI nilai korelasi -0,59257, tabel 2 adalah SPT Coll, et. al dengan EVI nilai korelasi -0,62015, tabel 3 adalah SPT Coll, et. al dengan EVI nilai korelasi -0,46373, tabel 4 adalah SPT Coll, et. al dengan EVI nilai korelasi -0,1753.
Gambar 4.3 Peta IV Algoritma EVI TERRA 12 Oktober 2010 Gambar berikut ini merupakan Peta perencanaan reboisasi
Daerah Saran Reboisasi Merupakan daerah yang disarankan untuk dilakukannya reboisasi, dalam penelitian ini terdapat dua macam daerah saran reboisasi yaitu: a. Daerah saran reboisasi I, menggunakan hasil overlay klasifikasi antara SPT dengan suhu 33,5ºC-50ºC atau suhu tertinggi dengan klasifikasi nilai IV berkisar -0,25-0,15 atau vegetasi terjarang (kurang). Daerah ini adalah daerah yang paling disarankan untuk dilakukannya reboisasi b. Daerah saran reboisasi II, menggunakan hasil overlay klasifikasi antara SPT dengan suhu 31,5ºC-33,5ºC atau suhu sedang dengan klasifikasi nilai IV berkisar -0,25-0,15 atau vegetasi terjarang (kurang). Daerah ini adalah daerah yang disarankan untuk dilakukannya reboisasi setelah daerah I.
Gambar 4.4 Peta Perencanaan Reboisasi Daerah Anomali Merupakan daerah yang memiliki SPT tinggi (33,5ºC-50ºC) dengan IV terbanyak (0,651). Daerah ini diperoleh dari hasil Overlay dari klasifikasi SPT 33,5ºC-50ºC dengan IV 0,65-1.
5
nilai RMSE rata-rata yang diperbolehkan ≤1 piksel. b. Nilai korelasi terbaik dari kombinasi perhitungan algoritma SPT dan IV adalah korelasi antara perhitungan algoritma SPT Coll, et. al. (1994) dengan algoritma IV EVI dengan nilai korelasi untuk TERRA 24 Juli 2010 = -0,592568 TERRA 12 Oktober 2010 = -0,62015, AQUA 24 Juli 2010 = 0,463732, dan AQUA 12 Oktober = 0,175299. c. Pada penelitian UHI ini sangat sulit didapat kan nilai korelasi yang hampir mendekati -1 atau 100% dikarenakan pada suhu tinggi tidak hanya disebabkan vegetasi pada suatu daerah yg kurang tetapi juga dipengaruhi oleh ketinggian terhadap MSL, kepadatan suatu daerah, daerah industri, tutupan awan dan polusi yang dihasilkan pada suatu daerah tertentu. d. Daerah yang disarankan untuk dilakukannya reboisasi dari semua data citra yaitu, daerah saran reboisasi I adalah Kodya Jakarta Utara, Kodya Jakarta Pusat, Kodya Jakarta Barat, Kodya Jakarta Timur, Kodya Jakarta Selatan, Kab. Tangerang, Kab. Serang, Kodya Cilegon, Kab. Bandung, Kodya Bandung, Kab. Cirebon, Kodya Tegal, Kodya Pekalongan, Kodya Semarang, Kab. Demak, Kab. Pati, Kab. Gresik, Kodya Surabaya, Kab. Sidoarjo, Kab. Indramayu, Kab. Brebes, Kab. Pemalang, Kab. Ciamis, Kab. Cilacap, Kab. Banyumas, Kab. Kendal, Kab. Jepara, Kab. Kudus, Kab. Grobogan, Kab. Lamongan, Kab. Rembang, Kab. Pasuruan, Kodya Pasuruan, Kab. Probolinggo, Kodya Probolinggo, Kab. Lumajang, Kab. Jember, Kab. Situbondo. Daerah saran reboisasi II adalah Kodya Jakarta Utara, Kodya Jakarta Pusat, Kodya Jakarta Timur, Kodya Jakarta Selatan, Kab. Bekasi, Kab. Sukabumi. Kab. Tangerang, Kab. Karawang, Kab. Ciamis, Kab. Cilacap, Kab. Serang, Kab. Kendal, Kab. Jepara, Kodya Semarang, Kab. Bandung, Kab. Pati, Kab. Grobogan, Kab. Rembang, Kab. Lamongan, Kab. Gresik, Kodya Surabaya, Kab. Sidoarjo, Kodya Pasuruan, Kab. Pasuruan, Kodya Bandung, Kodya Cimahi, Kodya Tegal, Kab. Karanganyar, Kab. Sragen, Kodya Surakarta, Kab. Ngawi, Kab. Tuban, Kab. Bojonegoro,
ANALISIS Analisa Korelasi Algoritma SPT dan IV yang sesuai dengan penelitian UHI dicari dengan menggunakan koefisien korelasi dengan nilai mendekati -1, bernilai (-) dikarenakan dalam hal ini dicari 2 nilai data yang berbanding terbalik. Semakin nilai r mendekati nilai -1 atau -100% maka menunjukkan adanya tingkat hubungan yang tinggi atau sebaliknya pada data didapatkan bahwa kombinasi algoritma antara SPT Coll, et. al. dengan EVI memiliki korelasi terbaik. Pada penelitian UHI ini sangat sulit didapat kan nilai korelasi yang hampir mendekati -1 atau 100% dikarenakan pada suhu tinggi tidak hanya disebabkan vegetasi pada suatu daerah yg kurang tetapi juga dipengaruhi oleh ketinggian terhadap MSL, tutupan awan, kepadatan suatu daerah, daerah industri, dan polusi yang dihasilkan pada suatu daerah. Analisa Perencanaan Reboisasi Dari citra TERRA 24 Juli 2010, TERRA 12 Oktober 2010, AQUA 24 Juli 2010, AQUA 12 OKTOBER 2010 dapat disimpulkan bahwa daerah saran reboisasi I terdapat di 38 Kabupaten/Kodya, daerah saran reboisasi II terdapat di 47 Kabupaten/Kodya, daerah Anomali terdapat di 12 Kabupaten/Kodya. Pada Peta perencanaan reboisasi terdapat daerah Anomali yang merupakan daerah penyimpangan, yang ternyata memiliki potensi energi panas bumi seperti pada Gunung Pandan (Bojonegoro), Telaga Ngebel (PonorogoMadiun), Blawan-Ijen (BondowosoBanyuwangi), Tiris (Probolingo), ArjunoWelirang, Cangar, Songgoriti (Malang), Melati, Kujang Jawa Barat dan Dieng Jawa Tengah. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil penelitian tentang pemetaan SPT dan vegetasi sebagai data pendukung kebijaksanaan reboisasi, maka didapatkan beberapa kesimpulan akhir dari penelitian ini, yaitu: a. Nilai RMSE rata-rata tiap citra yaitu untuk TERRA 24 Juli 2010 = 0,607823, TERRA 12 Oktober = 0,572452, AQUA 24 Juli 2010 = 0,624597, AQUA 12 Oktober = 0,567929 telah memenuhi toleransi karena menurut 6
Kab. Probolinggo, Kab. Situbondo, Kab. Cirebon, Kab. Brebes, Kodya Cimahi, Kab. Subang, Kab.Wonogiri, Kab. Tuban, Kodya Malang, Kab. Malang, Kab. Lumajang, Kab. Jember, Kab. Situbondo, Kodya Probolinggo. e. Pada penelitian didapatkan daerah Anomali yaitu, Kab. Serang, Kodya Cilegon, Kab. Lamongan, Kab. Situbondo, Kab. Bondowoso, Kab Probolinggo, Kab. Lumajang, Kab. Mojokerto, Kab. Jombang, Kab. Nganjuk, Kab. Madiun, Kab. Bojonegoro. Dari daerah Anomali tersebut adalah daerah yang memiliki potensi energi panas bumi.
Beberapa Algoritma Pengolahan Data Indeks Vegetasi Sambodo K. A., dkk. ______. Pengkajian Pemanfaatan Data TERRA-MODIS untuk Ekstraksi Data Suhu Permukaan Lahan (SPL) Berdasarkan Beberapa Algoritma. Vogt, J. C. 1996. Land Surface Temperature Retrival From NOAA AVHRR DATA In D’Souza, G, A. S. Belward and J. P. Malingreau. (editor): Advances in the Use of NOAA AVHRR Data For Land Applications. Remote sensing. Vol. 5. Kluwer Academic Publisher, Dordrecht, The Netherlands. P: 125-151. Wan, Z. 1999. “MODIS Land-Surface Temperature Algorithm Theoretical Basis Document (LST ATBD)”,
,. Dikunjungi pada tanggal 12 Nopember 2010, jam 09.35. Xiao, X., dkk. 2004. Mapping paddy rice agriculture in southern China using multitemporal MODIS images. Beijing: Institute of Remote Sensing Application, Chenese Academy of Science.
Saran Adapun saran dari hasil penelitian ini yaitu: a. Untuk penentuan citra sebaiknya memilih yang bebas dari tutupan awan agar mendapatkan hasil yang lebih baik. b. Untuk menentukan SPT dan IV yang terbaik perlu dilakukan upaya verifikasi dan validasi lapangan (berbeda hari), semakin banyak data lapangan yang digunakan untuk uji validasi maka akan semakin banyak data pembanding yang diperlukaan. c. Untuk penelitian UHI yang lebih lanjut lebih baik ditunjang dengan lebih banyak data lagi seperti data kepadatan penduduk, ketinggian (kontur), dan tingkat polusi. DAFTAR PUSTAKA Huete, A., Justice, C., Leeuwen, W. V. 1999. “MODIS VEGETATION INDEX (MOD 13) ALGORITHM THEORETICAL BASIS DOCUMENT”. URL:http://modis.gsfc.nasa.gov/data/atbd/a tbd_mod13.pdf. Dikunjungi pada tanggal 18 Nopember 2010, jam 10.28. Perdana, A. P. 2006. Kajian Suhu Permukaan Laut Berdasarkan Analisis Data Penginderaan Jauh dan Data Argo Float di Selatan Pulau Jawa, Pulau Bali dan Kepulauan Nusa Tenggara. Skripsi.Yogyakarta: Fakultas Geografi Universitas Gadjah Mada. Prasasti, I., dkk. 2004. Pengkajian Nilai Indeks Vegetasi Data MODIS dengan Menerapkan 7