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 1. Karakteristik Landsat 7

Tabel 2. Kanal 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

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’.

Gambar 1. Fungsi kerapatan probabilitas yang didefinisikan oleh algoritma maximum likelihood

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.

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.

Gambar 7. Hasil Koreksi Geometrik 2008

Maximum Likellihood

Gambar 8. Hasil Klasifikasi Maximum Likellihood 2001 Gambar 9. Hasil Klasifikasi Maximum Likellihood 2008

Tabel 3. Hasil Klasifikasi Maximum Likellihood 2001 Tabel 4. Hasil Klasifikasi Maximum Likellihood 2008

Parallelepiped

Gambar 10. Hasil Klasifikasi Parallelepiped 2001 Gambar 11. Hasil Klasifikasi Parallelepiped 2008

Tabel 5. Hasil Klasifikasi Parallelepiped 2001 Tabel 6. Hasil Klasifikasi Parallelepiped 2008

Minimum Distance

Gambar 12. Hasil Klasifikasi Minimum Distance 2001 Gambar 13. Hasil Klasifikasi Minimum Distance 2008

Tabel 7. Hasil Klasifikasi Minimum Distance 2001 Tabel 8. Hasil Klasifikasi Minimum Distace 2008

Mahalanobis Distance

Gambar 14. Hasil Klasifikasi Mahalanobis 2001 Gambar 15. Hasil Klasifikasi Mahalanobis 2008

Tabel 9. Hasil Klasifikasi Mahalanobis 2001 Tabel 10. Hasil Klasifikasi Mahalanobis 2008

Analisa Tutupan Lahan

Tabel 11. Hasil Klasifikasi Tahun 2001

Tabel 12. Hasil Klasifikasi Tahun 2008

-150.00

-100.00

-50.00

0.00

50.00

100.00

150.00

200.00

Hutan Awan Pemukiman Sawah Perkebunan Badan Air Lahan Kosong

Perubahan Tutupan Lahan pada tahun 2001 & 2008 (%)

Maximum Likellihood (%)

Parallelepiped (%)

Minimum Distance (%)

Mahalanobis Distance (%)

Gambar 16. Grafik Klasifikasi

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.