Latar Belakang
Meningkatnya pembangunan di Cisarua, Bogor seringkali menimbulkan dampak tidak baik terhadap lingkungan. Salah satu contohnya adalah pembangunan yang terjadi di Daerah Aliran Sungai Ciliwung. Untuk mengetahui perubahan tutupan lahan di DAS Ciliwung diperlukan teknik penerapan penginderaan jauh untuk memperoleh informasi tentang objek, daerah atau gejala dengan jalan menganalisis data citra satelit.
Perumusan Masalah “Bagaimana kondisi perubahan tutupan lahan yang terjadi di daerah aliran sungai Ciliwung dengan cara membandingkan citra satelit LANDSAT tahun 2001 dan LANDSAT tahun 2008?” Batasan Masalah Batasan masalah dalam penulisan Tugas Akhir ini adalah sebagai berikut: Citra satelit yang digunakan adalah citra satelit LANDSAT ETM 7 tahun 2001 dan LANDSAT ETM 7 tahun 2008. Wilayah penelitian adalah daerah aliran sungai Ciliwung. Analisa perubahan tutupan lahan dengan membandingkan citra LANDSAT ETM 7 tahun 2001 dan LANDSAT ETM 7 tahun 2008. Tujuan Penelitian Tujuan menganalisa perubahan tutupan lahan di daerah aliran sungai Ciliwung tahun 2001 dengan 2008. Meliputi hutan, pemukiman, sawah, perkebunan, badan air, dan lahan kosong. Sehingga diperoleh informasi terkait perubahan tutupan lahan di daerah aliran sungai Ciliwung.
Tinjauan Pustaka
Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang objek, daerah atau gejala dengan jalan menganalisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap objek, daerah atau gejala yang dikaji (Lillesand & Kiefer 1990).
Tinjauan Pustaka Tabel 2. Kanal Landsat 7 Tabel 1. Karakteristik Landsat 7
Klasifikasi Terselia
Klasifikasi terbimbing (supervised classification)
Meliputi sekumpulan algoritma yang didasari pemasukan contoh objek oleh operator. Contoh ini disebut sampel, dan lokasi geografis kelompok piksel sampel ini disebut sebagai daerah contoh.
Maximum Likelihood Algorithm
Merupakan algoritma yang secara statistik paling mapan. Kalau algoritma lain didasari oleh pengukuran jarak antara koordinat gugus sampel dengan koordinat piksel kandidat, maka algoritma kemungkinan maksimum menggunakan dasar perhitungan probabilitas.
Maximum Likelihood Algorithm
Gambar 1. Fungsi kerapatan probabilitas yang didefinisikan oleh algoritma maximum likelihood
Meskipun secara linier berjarak lebih dekat ke pusat sampel ‘aspal, piksel P mampunyai probabilitas lebih tinggi untuk masuk ke kelas ‘hutan’ dari pada untuk masuk ke kelas ‘aspal’.
Algoritma Parallelepiped
Proses ini dimulai dari piksel baris 1 kolom 1, sampai baris terakhir kolom terakhir. Piksel yang bersangkutan masuk ke salah satu kotak sampel maka piksel ini diklasifikasikan sebagai kelas yang menandai kotak tersebut. Itulah sebabnya klasifikasi parallepiped disebut klasifikasi box.
Algoritma Parallelepiped
Gambar 2. Klasifikasi Parallelepiped. •Faktor pengali p dapat diatur sesuai keinginan pengguna. Untuk nilai p yang terlalu kecil, ukuran kotak pun relative kecil dan beresiko pada banyaknya piksel yang tak terklasifikasi, dan jika terlalu besar beresiko pada banyak piksel yang salah terklasifikasi.
Minimum Distance
Algoritma Minimum Distance membutuhkan suatu nilai ambang sehingga bila semua jarak yang dihitung ternyata tidak ada yang memenuhinya, piksel yang bersangkutan akan dianggap tak terklasifikasi. Kelemahan cara ini tidak mempertimbangkan variabilitas kelas.
Minimum Distance
Gambar 3. Minimum Distance
•Piksel dengan variasi yang tinggi mempunyai piksel dengan jarak spektral yang jauh dari nilai reratanya. Piksel ini dapat salah terklasifikasi.
Mahalanobis
Klasifikasi tetangga terdekat ini dipandang sebagai salah satu variasi dari maximum likelihood. Suatu nilai vektor piksel masuk pada salah satu kelas ditentukan oleh sejumlah sampel terdekat. Algoritma ini sering dipandang sebagai pengambil keputusan yang demokratis. Disamping itu juga menggunakan suatu pendekatan nilai ambang jarak spektral pada feature space.
Mahalanobis
Gambar 4. Mahalanobis
Metologi Penelitian
Lokasi Penelitian DAS Ciliwung Hulu seluas 14.860 ha secara geografis terletak pada 106º 49º 40” – 107º 00’ 15” BT dan 6o38’ 15“ LS – 6º 46’ 05” LS.
Gambar 5. Lokasi Penelitian DAS Ciliwung
Data dan Peralatan Data Data citra satelit LANDSAT ETM+7 tahun 2001 dan LANDSAT EMT+7 tahun 2008, wilayah daerah aliran Sungai Ciliwung. Peta Topografi (RBI) skala 1:25.000. Koordinat sample dari lapangan Landsat Ortho Path/Row 122/065
Peralatan Perangkat Keras Laptop Processor Intel Core2Duo 2 GHz, RAM 2GB Printer GPS Navigasi GARMIN OREGON 550 Camera Canon 1000d Perangkat Lunak Sistem Operasi Windows XP Program Pengolah Citra ER-Mapper 7.0 ArcView 3.3 Autodesk Land Desktop 2004 Matlab 7.0.1 Microsoft Office Word 2007 Microsoft Office Excel 2007 Microsoft Office Visio 2007 EasyGPS
Metodologi Penelitian
Tahap Pengolahan Data
Gambar 6. Diagram Alir Tahapan Pengolahan Data
Hasil dan Analisa Pemilihan Data Data citra Landsat yang digunakan dalam penelitian ini adalah Citra Landsat 7 ETM+ tahun 2001 dan Citra Landsat 7 ETM+ tahun 2008. Koreksi Geometrik Koreksi geometrik dilakukan dengan memberikan titik kontrol permukaan dari citra referensi Landsat-7 ETM ortho pada citra yang belum terkoreksi dan diproses dengan menggunakan menu Geocoding Wizard pada perangkat lunak ER Mapper 7.0. Sistem proyeksi yang digunakan adalah Universal Transverse Mercator zone 48s dan datum yang dipakai adalah WGS 1984. Hasil koreksi geometrik pada citra Landsat 7 ETM+ tahun 2001 yaitu sebesar 0.86 piksel untuk nilai total RMSerror dan sebesar 0.095 piksel untuk nilai rata-rata RMSerror.
Gambar 6. Hasil Koreksi Geometrik 2001
Hasil dan Analisa
Sedangkan hasil koreksi geometrik pada citra Landsat 7 ETM+ tahun 2008 yaitu sebesar 0.74 piksel untuk nilai total RMSerror dan sebesar 0.082 piksel untuk nilai rata-rata RMSerror.
Gambar 7. Hasil Koreksi Geometrik 2008
Klasifikasi dilakukan dengan trainning sample sebanyak 81 area. Jumlah kelas yang digunakan sejumlah 7 kelas tutupan lahan yaitu meliputi hutan, awan, pemukiman, sawah, perkebunan, badan air, dan lahan kosong.
Maximum Likellihood
Gambar 8. Hasil Klasifikasi Maximum Likellihood 2001
Tabel 3. Hasil Klasifikasi Maximum Likellihood 2001
Gambar 9. Hasil Klasifikasi Maximum Likellihood 2008
Tabel 4. Hasil Klasifikasi Maximum Likellihood 2008
Parallelepiped
Gambar 10. Hasil Klasifikasi Parallelepiped 2001
Tabel 5. Hasil Klasifikasi Parallelepiped 2001
Gambar 11. Hasil Klasifikasi Parallelepiped 2008
Tabel 6. Hasil Klasifikasi Parallelepiped 2008
Minimum Distance
Gambar 12. Hasil Klasifikasi Minimum Distance 2001
Tabel 7. Hasil Klasifikasi Minimum Distance 2001
Gambar 13. Hasil Klasifikasi Minimum Distance 2008
Tabel 8. Hasil Klasifikasi Minimum Distace 2008
Mahalanobis Distance
Gambar 14. Hasil Klasifikasi Mahalanobis 2001
Tabel 9. Hasil Klasifikasi Mahalanobis 2001
Gambar 15. Hasil Klasifikasi Mahalanobis 2008
Tabel 10. Hasil Klasifikasi Mahalanobis 2008
Analisa Tutupan Lahan Tabel 11. Hasil Klasifikasi Tahun 2001
Tabel 12. Hasil Klasifikasi Tahun 2008
Perubahan Tutupan Lahan pada tahun 2001 & 2008 (%) 200.00
150.00
100.00
50.00
Maximum Likellihood (%) Parallelepiped (%) Minimum Distance (%) Mahalanobis Distance (%)
0.00 Hutan
Awan
Pemukiman
Sawah
Perkebunan
-50.00
-100.00
-150.00
Gambar 16. Grafik Klasifikasi
Badan Air
Lahan Kosong
Kesimpulan dan Saran Kesimpulan Berdasarkan hasil analisa yang telah dilakukan, diperoleh kesimpulan sebagai berikut : Metode klasifikasi terbimbing dengan menggunakan citra multitemporal merupakan cara yang baik digunakan untuk mengetahui peruban tutupan lahan. Dari hasil seleksi data citra Landsat ETM+ daerah penelitian, disimpulkan bahwa hasil fusi terbaik adalah fusi multispektral komposit 542 kenampakan penutup/penggunaan lahan. Dari keempat metode yang digunakan Maximum likelihood, Paralleelepiped, Minimum distance, Mahalanobis distance, yang paling baik digunakan studi tutupan lahan adalah metode Maximum likelihood. Dari hasil analisa pada table tersebut dengan metode Maximum likelihood : luas area hutan bertambah 24,39%, luas area pemukiman bertambah 16,38%, luas area sawah berkurang 43,03%, luas area perkebunan bertambah 54,42%, luas area badan air bertambah 33,63%, dan luas area lahan kosong berkurang 82,30%. Parallelepiped : luas area hutan berkurang 2,44%, luas area pemukiman berkurang 100%, dan luas area sawah berkurang 100%. Minimum distance: luas area hutan bertambah 19,51%, luas pemukiman bertambah 135,82%, luas area sawah bertambah 136,89%, luas area perkebunan bertambah 66,10%, luas badan air berkurang 75%, dan lahan kosong berkurang 46,04%. Mahalanobis distance : luas area hutan berkurang 67,37%, luas area pemukiman bertambah 8,86%, luas area sawah bertambah 155,93%, luas area perkebunan bertambah 84,23%, luas badan air berkurang 35,40%, dan luas area lahan kosong berkurang 24,34%. Pada parallelepiped terjadi kesalahan klasifikasi karena semakin besar kotak berarti pula semakin kurang teliti hasil klasifikasi (misclassified), karena tingkat generalisasinya pun menjadi semakin besar.
Kesimpulan dan Saran Saran
Saran yang dapat diberikan untuk penelitian ini adalah :
Selain memahami proses teknik analisa dalam software kita juga perlu memahami sifat khas suatu objek untuk mempermudah pada saat melakukan interpretasi.
Dalam menganalisa data citra satelit multitemporal dengan tahun yang berbeda sebaiknya digunakan yang memiliki tanggal dan bulan perekaman yang sama dimana memperngaruhi tingkat keakuratan data tersebut.
Teknologi penginderaan jauh disarankan sebagai salah satu alternatif dalam analisa tutupan lahan.
Rekomendasi untuk perbaikan lahan meliputi restorasi dan reklamasi. Restorasi merupakan upaya perbaikan lahan agar lahan tersebut bisa difungsikan lagi ke pengunaan awalnya, sedangkan reklamasi adalah upaya perbaikan suatu lahan-lahan yang rusak dan digunakan untuk pengunaan lain.
