ANALISA DISTRIBUSI KEPADATAN PENDUDUK BERDASARKAN ANALISA SPEKTRAL MENGGUNAKAN

CITRA LANDSAT 8 (STUDI KASUS: KOTA KEDIRI)

Oleh : Fahrurrozi Pembimbing : Yanto Budisusanto

Jurusan Teknik Geomatika Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember

Kampus ITS Sukolilo, Surabaya 60111 Indonesia

Jumlah Penduduk Luas Wilayah

Kepadatan Penduduk (Pupulation Density)

Remote Sensing

Pemodelan Statistik

Dalam remote sensing, pemodelan hubungan kependudukan bisa dilakukan dengan urban area, tutupan lahan, unit hunian, karakteristik spektral, dan karakteristik fisik atau sosial-ekonomi

Mahal, Lama, Sulit updating (Li &Weng, 2005)

Alternatif

• Citra satelit yang digunakan dalam penelitian pemetaan kepadatan penduduk adalah citra Landsat 8 dan data jumlah penduduk yang digunakan adalah data kependudukan dari Dinas Kependudukan dan Pencatatan Sipil Kota Kediri tahun 2013

• Batas dan luas area studi diperoleh dari batas administrasi Peta Rupa Bumi Indonesia

• Pemaparan kepadatan penduduk dalam kajian hanya mencakup kawasan Kota Kediri

• Uji statistik tidak dilakukan untuk menguji model regresi, pengujian hanya dilakukan pada tingkat akurasi model

• Analisa distribusi kepadatan penduduk terhadap hasil bentuk hubungan yang terjadi pada proses analisa regresi

• Untuk mengetahui hubungan variabel-variabel yang diperoleh dari Citra Landsat 8 dan kepadatan penduduk

• Untuk mengetahui pola distribusi kepadatan penduduk di Kota Kediri berdasarkan analisis regresi dari Citra Landsat 8

• Memberikan informasi mengenai distribusi kepadatan penduduk di kawasan Kota Kediri

• Sebagai landasan penelitian selanjutnya yang terkait dengan pemetaan kependudukan menggunakan penginderaan jauh

• Sebagai bahan pertimbangan dalam perencanaan dan pengembangan wilayah Kota Kediri

• Data spasial : Citra Landsat 8 tahun 2013, Peta Rupa Bumi Indonesia (RBI) Lembar 1508-313 dan Lembar 1508-224

• Data non-spasial : data jumlah penduduk Kota Kediri yang diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Kota Kediri

Citra Landsat 8 Tahun 2013

Koreksi Geometrik

RMSE ≤ 1 piksel

Tidak

Koreksi Radiometrik Ya

Citra Terkoreksi

Pemotongan Citra

Kombinasi Band (RGB=764)

Klasifikasi Citra Akurasi ≥ 85%

Tidak

Citra Terklasifikasi

Export to SHP Proses Kartografi Peta Tutupan

Lahan Kota Kediri Tahun 2013

Transformasi Citra SAVI, RDVI,

TNDVI, RVI, SVI

Citra Terklasifikasi (format SHP)

Luas Permukiman

Per Kelurahan

Perhitungan Luas Permukiman Tiap

Kelurahan

SAVI, RDVI, TNDVI, RVI, SVI

Band Multispektral

Perhitungan Rata-rata Piksel Tiap Kelurahan

Tabulasi Variabel Bebas

Data Spasial Peta RBI

Digitasi

Export to SHP

Jumlah Penduduk Kota

Kediri Tahun 2013

Luas Kelurahan

Perhitungan Kepadatan Penduduk (PD) dan Square Root Population Density (SPD)

Tabulasi Variabel Terikat Eksplorasi Data

Eksplorasi Data Pembentukan Model Regresi

Model Terbaik

Estimasi Kepadatan Penduduk

Tabulasi Hasil Peta Distribusi Kepadatan Penduduk

Kota Kediri Tahun 2013

Analisis

Tidak

Ya

• Koreksi Geometrik menggunakan 15 titik GCP yang tersebar pada seluruh area penelitian

• Citra yang dikoreksi geomatrik menghasilkan root mean square error (RMSE) secara keseluruhan kurang dari satu piksel, yaitu sebesar 0.414. Hasil ini dianggap cukup baik mewakili geometri sebenarnya di lapangan.

• Dari 15 titik GCP, kesalahan RMS terbesar berada pada titik 11, yaitu sebesar 0.754 dengan kesalahan X sebesar -0.753 dan kesalahan Y sebesar 0.026

Koordinat Raw Data Koordinat Referensi Error X Error Y RMS

X Y X Y

5411.220 5905.330 610492.474 9139503.878 0.438 -0.067 0.443

5440.670 5940.110 611363.528 9138478.402 -0.079 0.109 0.135

5497.880 5977.130 613094.093 9137358.624 0.605 0.234 0.648

5414.910 5945.550 610600.043 9138274.806 -0.418 -0.063 0.423

5451.640 5930.730 611694.371 9138732.897 -0.096 -0.017 0.097

5488.910 6001.550 612865.048 9136595.139 0.048 -0.384 0.387

5507.090 6031.820 613374.038 9135755.306 -0.345 -0.068 0.351

5493.730 6016.180 612992.295 9136187.947 -0.246 -0.109 0.269

5426.910 6016.640 610956.336 9136162.497 0.143 0.632 0.648

5513.670 6059.780 613526.735 9134864.573 0.012 0.008 0.014

5516.330 6079.110 613653.982 9134330.134 -0.753 0.026 0.754

5512.780 6135.220 613552.184 9132599.568 0.285 0.141 0.318

5626.890 6108.440 616936.967 9133388.502 0.222 -0.073 0.234

5389.500 6066.610 609862.007 9134660.977 0.362 -0.311 0.477

5346.750 5968.000 608564.083 9137638.568 -0.179 -0.060 0.189

• Tutupan lahan yang diperoleh diuji dengan menggunakan confusion matrix. Hasil pengujian secara keseluruhan menghasilkan akurasi klasifikasi (overall accuracy) sebesar 0.862 atau 86.207 persen. Hasil ini menunjukkan klasifikasi sudah cukup baik karena melebihi 85 persen secara keseluruhan ( Anderson, 1971 dalam Anderson, et al., 1976). Koefisien kappa yang diperoleh sebesar 0.8125. Nilai ini dianggap sudah cukup baik karena sudah melebihi 0.75 (Mather, 2004).

• Uji Lapangan dilakukan dengan memilih secara acak di lapangan untuk masing-masing kelas, hasilnya menunjukkan kelas tutupan lahan sesuai dengan hasil klasifikasi tutupan lahan

(607292.900 ; 9136340.470)

(609145.421; 9135374.788)

(613472.830; 9134420.306)

(612363.619; 9135874.023)

(610867.098; 9138103.876)

Variabel Bebas Koefisien Korelasi Pearson

PD SPD

Band 1 (B1) 0.504 0.527

Band 2 (B2) 0.477 0.499

Band 3 (B3) 0.292 0.310

Band 4 (B4) 0.474 0.503

Band 5 (B5) -0.789 -0.830

Band 6 (B6) -0.015 -0.006

Band 7 (B7) 0.600 0.640

Band 9 (B8) -0.188 -0.199

Band 10 (B10) 0.036 0.076

Band 11 (B11) 0.671 0.716

Variabel Bebas Koefisien Korelasi Pearson

PD SPD

SAVI -0.79 -0.83

RDVI -0.79 -0.83

TNDVI -0.79 -0.82

SVI -0.80 -0.84

RVI 0.07 0.05

Permukiman

(P) 0.79 0.84

Susunan Variabel Bebas (X) Koefisien Determinasi

(R2)

X1 X2 X3 X4 X5 X6 X7 X8 X9 PD SPD

B1 B2 B3 B4 B5 B6 B7 B9 - 0.701 0.769

B1 B2 B3 B4 B5 B6 B7 B9 P 0.722 0.788

B1 B5 B7 B11 - - - - - 0.676 0.753

B1 B5 B7 B11 P - - - - 0.697 0.772

Susunan Variabel Bebas (X) Koefisien Determinasi

(R2)

X1 X2 X3 X4 X5 X6 PD SPD

SAVI RDVI TNDVI SVI RVI - 0.638 0.709

SAVI RDVI TNDVI SVI RVI P 0.705 0.776

RDVI SAVI SVI - - - 0.632 0.703

RDVI SAVI SVI P - - 0.696 0.769

SVI SAVI P - - - 0.696 0.769

Susunan Variabel Bebas (X) (R2)

X1 X2 X3 X4 X5 X6 X7 X8 PD SPD

B1 B5 B11 RDVI SVI - - - 0.705 0.766

B1 B5 B11 RDVI SVI P - - 0.729 0.787

B1 B5 B11 SVI SAVI - - - 0.705 0.766

B1 B5 B11 SVI SAVI P - - 0.728 0.786

B1 B2 B5 B7 SVI B11 SAVI - 0.725 0.786

B1 B2 B5 B7 SVI B11 SAVI P 0.737 0.795

B1 B2 B5 B7 SVI B11 RDVI - 0.727 0.788

B1 B2 B5 B7 SVI B11 RDVI P 0.739 0.797

PD R2 MAPE

PD = -36501.325 + 362410.176*B1 - 324421.961*B5 + 1066.959*B11 - 312479.871*RDVI + 786964.923*SVI + 113.471*P

0.729 26.412

PD = -77742.233 +1721237.510*B1 -1374561.832*B2 -203681.347*B5 +5690.459*B7 +1386.186*B11 +747509.958*SVI -342265.982*SAVI +85690*P

0.737 25.335

PD = -76528.833 +1796267.934*B1 -1445501.890*B2 -200105.162*B5 +3264.648*B7 +1315.369*B11 +671713.750*SVI -316735.020*RDVI +86.821*P

0.739 25.003

SPD

SPD = -396.893 +10646.145*B1 -9012.483*B2 -736.457*B5 +43.526*B7

+7.167*B11 +2551.352*SVI -1280.294*RDVI +0.471*P 0.797 23.257

SPD = -399.878 +10319.020*B1 -8721.852*B2 -723.169*B5 +50.823*B7 +7.378*B11 +2753.939*SVI -1337.996*SAVI +0.465*P

0.795 23.267

SPD = -654.710 +13808.804*B1 -12150.983*B2 -667.486*B5 +133.724*B7 +14.369*B11 +2217.378*SVI -1165.315*RDVI

0.788 23.815

SPD = -143.180 + 5700.530*B1 - 2558.212*B2 - 2240.102*B3 + 13.259*B4 - 390.471*B5 + 803.666*B6 - 642.851*B7 - 2943.310*B9 + 0.558*P

0.788 23.728

Source of Variation Sum of

Squares

Degree of

Freedom

Mean

Square F Sig.

1 Regression 19048.150 8 2381.019 18.163 0.000

Residual 4850.352 37 131.091

Total 23898.502 45

-6000

-4000

-2000

0

2000

4000

6000

8000

10000

1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031323334353637383940414243444546

Res

idu

al

Desa

MODEL 4

• Hasil Estimasi Kepadatan Penduduk (PD)

• Distribusi Kepadatan Penduduk di Lapangan

0

5000

10000

15000

20000

25000

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

Kelurahan

0

5000

10000

15000

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46

Kelurahan

• Pola distribusi yang diperoleh dari hasil prediksi model regresi kepadatan penduduk menunjukkan pola yang mirip dengan yang sebenarnya, dimana kelurahan-kelurahan yang lebih padat umumnya berada di Kecamatan Kota denga Kelurahan Jagalan sebagai kelurahan terpadat dan kelurahan Gayam dengan kepadatan paling rendah

• Koefisien korelasi Pearson menunjukkan hubungan yang sangat kuat antara variabel indeks vegetasi (SAVI, RDVI, TNDVI) dan luas permukiman tiap area (kelurahan) dengan kepadatan penduduk, sedangkan dari variabel multispektral hanya Band 5 yang menunjukkan hubungan yang sangat kuat dengan kepadatan penduduk

• Persamaan regresi terbaik diperoleh dari persamaan regresi dengan kombinasi 8 variabel bebas yang terdiri dari 4 band multispektral (band 1, band 2, band 5, dan band 7), band thermal, 2 indeks vegetasi (SVI dan RDVI), dan luas area permukiman,

• Variabel spektral dari Landsat 8 masih membutuhkan faktor lain dalam membentuk model kepadatan penduduk, meskipun digunakan pula variabel spasial permukiman (settlement) pengaruh yang dihasilkan tidak melebihi 80 persen.

• Diperlukan penelitian lebih lanjut untuk membentuk model yang lebih baik untuk kepadatan penduduk berdasarkan penginderaan jauh karena masih terdapat faktor lain yang masih berpengaruh,

• Dalam penerapan masih diperlukan uji statistik, sehingga dapat memenuhi kriteria statistik model regresi,

• Penelitian terkait Landsat 8 untuk pemetaan kependudukan perlu ditingkatkan karena pemetaan kependudukan dengan Landsat 8 belum pernah dilakukan sebelumnya,

Thank You