pemetaan suhu permukaan tanah dan vegetasi sebagai...

1

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.

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

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.

mailto:[email protected]

2

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).

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 Akhir ini

mengambil studi di Pulau Jawa.

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.A2010205.0315.005.2010205132707.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.A2010205.0610.005.2010205180800.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

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.

Tahap Pengolahan Data

Tahapan dalam pengolahan data ini adalah:

3

Citra MODIS band 31, 32

Juli dan Oktober tahun 2010Citra MODIS band 1, 2,3

Juli dan Oktober tahun 2010

Koreksi Geometrik Koreksi Geometrik

Peta

Administrasi

Indonesia

RMS

Error 1

Piksel

RMS

Error 1

Piksel

Ya

Tidak

Ya

Tidak

Algoritma

Li&Becker

Analisis

Cropping Cropping

Citra Terkoreksi Citra Terkoreksi

Algoritma Coll

et.alAlgoritma Price

Suhu

permukaan

tanah 1

Suhu

permukaan

tanah 2

Suhu

permukaan

tanah 3

Algoritma

SAVI

Algoritma

SARVI

Algoritma

NDVI

Indeks

Vegetasi 1

Indeks

Vegetasi 2

Indeks

Vegetasi 3

Algoritma

EVI

Indeks

Vegetasi 4

Korelasi

mendekati -1

Ya

TidakSelesai

Klasifikasi Citra

Citra Terklasifikasi

Pemetaan Daerah Reboisasi

Peta Daerah Saran Reboisasi

Georeference Modis Georeference Modis

Cropping 2 Cropping 2

Penentuan Batas

Studi

Vektor Pulau

Jawa

Overlay

Selesai

Mulai

Band 1&2

Reflektan

Algoritma

Cloud Masking

Band 3

Reflektan

Citra Cloud

Masking

Konversi nilai menjadi

Brightness Temperature

Gambar 3.2 Tahapan Pengolahan Data

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)

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=

…………………………… .... (2)

Dengan

= 1,274

P = 1,00+0,15616* – 0,482 *

M = 6,26 + 3,98 * – 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.

4

EVI=G* ............. (7)

NIR = NIR Reflectance

Red = 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 h. 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). i. 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)

j. Klasifikasi Citra dilakukan dengan

menganalisis sejumlah piksel yang tidak

dikenal dan membaginya dalam sejumlah kelas berdasarkan pengelompokan nilai

digital citra.

k. Korelasi merupakan derajat hubungan linier antara hasil perhitungan algoritma SPT dan

IV dengan menggunakan persamaan.

rXY= ... ......... (10)

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

disekitarnya, maka dapat disimpulkan bahwa

daerah tersebut memerlukan reboisasi lebih utama juga disarankan untuk segera

dilakukannya reboisasi.

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 Prosentasi

Korelasi (%) 1 SPT Price & NDVI -0,335498 -33,5497887

2 SPT Price & SAVI -0,477768

-47,7767958

3 SPT Price & SARVI -0,564117 -56,4116671

4 SPT Price & EVI -0,581284 -58,1283991

5 SPT Li Becker & NDVI -0,298383 -29,8382776

6 SPT Li Becker & SAVI -0,443113 -44,3112932

7 SPT Li Becker & SARVI -0,563388 -56,3387792

8 SPT Li Becker & EVI -0,587179 -58,7179416

9 SPT Coll, et. al. & NDVI -0,357791 -35,7791309

10 SPT Coll, et. al. & SAVI -0,497514 -49,7514238

11 SPT Coll, et. al. & SARVI -0,577119 -57,7118742

12 SPT Coll, et. al. & EVI -0,592568 -59,2568115

Tabel 2 Korelasi antara berbagai macam

algoritma SPT dengan IV citra TERRA tanggal

12 Oktober 2010. No. Kombinasi Algoritma Korelasi Prosentasi


2 SPT Price & SAVI -0,435994 -43,599434

3 SPT Price & SARVI -0,577212 -57,7212283

4 SPT Price & EVI -0,609615 -60,961471




8 SPT Li Becker & EVI -0,593694 -59,369393




12 SPT Coll, et. al. & EVI -0,62015 -62,0150259


algoritma SPT dengan IV citra AQUA tanggal

24 Juli 2010. No. Kombinasi Algoritma Korelasi Prosentasi


2 SPT Price & SAVI -0,249702 -24,9702453

3 SPT Price & SARVI -0,419656 -41,9655851

4 SPT Price & EVI -0,451388 -45,1387896




8 SPT Li Becker & EVI -0,451815 -45,181547




12 SPT Coll, et. al. & EVI -0,463732 -46,3732497

5


algoritma SPT dengan IV citra AQUA tanggal 12 Oktober 2010.

No. Kombinasi Algoritma Korelasi Prosentasi

Korelasi (%) 1 SPT Price & NDVI 0,2535552 25,35551605

2 SPT Price & SAVI 0,1092573 10,92572863

3 SPT Price & SARVI -0,083314 -8,33137583

4 SPT Price & EVI -0,150739 -15,0739456

5 SPT Li Becker & NDVI 0,2812175 28,12175066

6 SPT Li Becker & SAVI 0,1380569 13,80568928


8 SPT Li Becker & EVI -0,123116 -12,3116335

9 SPT Coll, et. al. & NDVI 0,2261178 22,61178154

10 SPT Coll, et. al. & SAVI 0,0817979 8,179789789


12 SPT Coll, et. al. & EVI -0,175299 -17,5299303

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.

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 4.2 Peta SPT Algoritma Coll et. al.

TERRA 24 Juli 2010

Gambar 4.3 Peta IV Algoritma EVI TERRA 12

Oktober 2010

Gambar berikut ini merupakan Peta

perencanaan reboisasi

Gambar 4.4 Peta Perencanaan Reboisasi

Daerah Anomali

Merupakan daerah yang memiliki SPT tinggi (33,5ºC-50ºC) dengan IV terbanyak (0,65-

1). Daerah ini diperoleh dari hasil Overlay dari

klasifikasi SPT 33,5ºC-50ºC dengan IV 0,65-1.

6

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 (Ponorogo-

Madiun), Blawan-Ijen (Bondowoso-

Banyuwangi), Tiris (Probolingo), Arjuno-

Welirang, 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

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,

7

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.

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

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)”,

<URL:http://modis.gsfc.nasa.gov/data/atbd/

>,. Dikunjungi pada tanggal 12 Nopember 2010, jam 09.35.

Xiao, X., dkk. 2004. Mapping paddy rice

agriculture in southern China using multi-temporal MODIS images. Beijing: Institute

of Remote Sensing Application, Chenese

Academy of Science.

pemetaan suhu permukaan tanah dan vegetasi sebagai...

Documents