Anda di halaman 1dari 45

1

BAB I
PENDAHULUAN
I.1. Latar Belakang

Bencana merupakan sesuatu yang tidak dapat terpisahkan dari kehidupan
manusia. Hal tersebut dapat terjadi secara alami ataupun dampak dari perbuatan
manusia yang kurang mampu untuk menjaga lingkungan. Bencana yang belum
terjadi dapat dilakukan upaya pencegahan ataupun peringatan bahaya berdasarkan
pengamatan dan pengalaman dari gejala-gejala sebelumnya untuk meminimalkan
kerugian ataupun korban akibat adanya bencana, sedangkan untuk bencana yang
telah terjadi atau terjadi secara tiba-tiba tanpa adanya pengalaman sebelumnya dapat
diupayakan usaha pengungsian apabila bencana diperkirakan akan terus berlanjut
selama beberapa waktu kedepan.
Banjir Lumpur Panas Sidoarjo atau lebih dikenal sebagai bencana Lumpur
Lapindo adalah peristiwa menyemburnya lumpur panas di lokasi pengeboran
Lapindo Brantas, Inc. pada sumur Banjarpanji1 di Dusun Balongkenongo, Desa
Renokenongo, Kecamatan Porong, Kabupaten Sidoarjo, Jawa Timur sejak tanggal 29
Mei 2006. Semburan lumpur panas selama beberapa tahun ini menyebabkan
tergenangnya kawasan permukiman, pertanian, dan perindustrian di beberapa
kecamatan di sekitarnya, serta mempengaruhi aktivitas perekonomian dan
transportasi darat di Propinsi Jawa Timur. Pasca dilakukan penyidikan peristiwa
menyemburnya lumpur tidak ada hubungannya dengan aktifitas pengeboran yang
dilakukan oleh pihak Lapindo Brantas, Inc. Kegiatan eksplorasi yang dilakukan telah
sesuai dengan prosedur operasional yang berlaku. Para ahli geologi Lapindo Brantas,
Inc. juga meyakini bahwa menyemburnya lumpur berkaitan dengan aktfitas seismik
gempa yang terjadi dua hari sebelum kegiatan pengeboran dilakukan.
2



Lapindo Brantas, Inc. pertama didirikan pada tahun 1996 setelah proses
kepemilikan sahamnya diambil alih dari perusahaan yang berbasis di Amerika
Serikat, Huffington Corporation, yang saat itu telah menandatangani perjanjian
Production Sharing Contract (PSC) dengan Blok Brantas di Jawa Timur untuk jangka
waktu 30 tahun. Lapindo Brantas, Inc. adalah sebuah perusahaan minyak dan gas di
Indonesia yang didirikan untuk memastikan swasembada energi dalam negeri dapat
mempertahankan peran Indonesia di dalam pertumbuhan daerah. Lapindo Brantas,
Inc. sendiri hanya melakukan pemusatan pengeboran minyak di Propinsi Jawa
Timur. Lapindo Brantas, Inc (LBI) bergerak di bidang usaha eksplorasi dan produksi
migas di Indonesia yang beroperasi melalui skema Kontraktor Kontrak Kerja Sama
(KKKS) di blok Brantas, Jawa Timur. Sementara komposisi jumlah Penyertaan
Saham (Participating Interest) perusahaan terdiri dari Lapindo Brantas Inc. (Bakrie
Group) sebagai operator sebesar 50%, PT Prakarsa Brantas sebesar 32%, dan
Minarak Labuan Co. Ltd (MLC) sebesar 18% dengan 100% sahamnya saat ini telah
dikuasai oleh pengusaha nasional. (Anonim, 2013)
Menurut pengukuran suhu yang telah dilakukan selama ini, kisaran suhu
semburan lumpur panas tersebut adalah 60-105C, dan kenaikan suhu tersebut
disebabkan karena bagian dalam dari lumpur yang tertahan pada perut bumi tersebut
telah menyembur keluar. Marbowo, Y. (2000) menyebutkan bahwa daerah tropis
memiliki persentase hampir 40% dari jumlah jam dalam setahun saat suhu dirasa
tidak nyaman bagi tubuh manusia. Semburan lumpur dengan suhu yang sangat panas
akan membuat keadaan tersebut semakin tidak humanis.
Tingginya suhu lumpur menimbulkan pendapat bahwa adanya faktor
geothermal yang diduga ikut berperan pada mekanisme keluarnya material lumpur
panas. Proses geothermal dapat terbentuk oleh pengaruh magmatik menghasilkan
cairan hydrothermal yang umumnya mengandung unsur-unsur Cu, Pb, Zn, Mn, Fe,
Cd, As, Sb, Au, Ag, Hg, Tl, dan Se. (ESDM, 2013)
Asumsi bahwa semua benda memancakan panas yang disebabkan oleh gerak
acak partikelnya menyebabkan pergeseran partikel dan timbul kenaikan suhu
sehingga permukaan benda itu memancarkan panas. Meskipun semua benda
3



memancarkan panas, akan tetapi besarnya berbeda pada tiap benda, dan perbedaan
ini yang akan digunakan dalam identifikasi dan visualisasi suhu lingkungan
genangan lumpur dalam penelitian ini. Diperkirakan bahwa suhu semburan lumpur
mengalami peningkatan setiap waktu dikarenakan sumber semburan bertambah
dalam, dan sumber semburan yang dalam tersebut diasumsikan terkena pengaruh
magmatik yang lebih dekat dengan perut bumi (Anonim, 2007).
Peran teknologi Penginderaan Jauh yang telah berkembang pesat
memungkinkan untuk melakukan penelitian terkait banyak hal yang ingin dikaji dari
suatu wilayah. Citra Landsat 7 ETM+ terdiri dari 6 band multispektral yaitu Band 1,
Band 2, Band 3, Band 4, Band 5, dan Band 7), sedangkan Band 6 bekerja pada
gelombang inframerah thermal yang dirasa sangat membantu untuk melakukan
kajian perkiraan suhu pada lokasi penelitian yaitu Lumpur Lapindo di Desa
Renokenongo Kecamatan Porong Kabupaten Sidoarjo. Proses tumpang tindih antar
dua buah citra band 6 dengan metode change detection dapat digunakan untuk
mengetahui perubahan suhu yang terjadi pada beberapa tahun pengamatan.
Berdasarkan pertimbangan diatas, penulis mengambil penelitian dengan judul :
Analisis dan Visualisasi Perubahan Suhu Lingkungan Genangan Lumpur
Menggunakan Citra Landsat 7 ETM+ Multitemporal.
I.2. Rumusan Masalah
Berdasarkan yang telah dipaparkan pada latar belakang, maka rumusan
masalah yang dapat diangkat adalah :
1. Bagaimana cara kerja citra Landsat 7 ETM+ untuk pengolahan visualisasi suhu
di sekitar semburan Lumpur Lapindo di Desa Renokenongo, Kecamatan Porong,
Kabupaten Sidoarjo?
2. Bagaimana cara menyajikan visualisasi suhu di lingkungan semburan Lumpur
Lapindo di Desa Renokenongo, Kecamatan Porong, Kabupaten Sidoarjo?
3. Bagaimana cara melakukan perbandingan suhu dari tahun ke tahun sehingga
dapat terlihat perubahan suhu yang terjadi?
4



I.3. Cakupan Penelitian
Pada penelitian ini, point utama yang menjadi fokus penelitian adalah sebagai
berikut :
1. Asumsi perbedaan musim dari epoch data pengamatan tahun 2007, 2008, dan
2009 dengan Acquisition Date: 9 Januari 2007, 20 Mei 2008, dan 10 Agustus
2009 yang digunakan dalam penelitian ini tidak diperhatikan. Citra tahun
2007 merupakan citra yang diambil pada bulan Januari, diasumsikan terjadi
musim penghujan sehingga diasumsikan suhu lingkungan di daerah tersebut
cenderung rendah. Citra tahun 2008 dan 2009 berada pada musim kemarau.
Perbedaan musim tidak diperhatikan karena data citra yang dapat digunakan
dalam penelitian sangat terbatas.
2. Pengisian gap dengan citra pengisi untuk koreksi gapfilling dalam penelitian
ini menggunakan citra pada tahun pengamatan yang sama dengan epoch yang
berbeda. Faktor lain seperti citra pengisi harus berada pada epoch
pengamatan sesudah atau sebelum citra master tidak diperhatikan.
3. Faktor lain yang berpeluang mempengaruhi temperatur seperti cuaca, musim,
curah hujan, dan kondisi lain tidak diperhatikan.
I.4. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah :
1. Mengetahui suhu di sekitar genangan Lumpur Lapindo Brantas, Inc. di Desa
Renokenongo, Kecamatan Porong, Kabupaten Sidoarjo.
2. Mengetahui perubahan suhu di sekitar genangan Lumpur Lapindo di Desa
Renokenongo, Kecamatan Porong, Kabupaten Sidoarjo dari tahun 2007
sampai dengan 2009.
I.5. Manfaat Penelitian
Adapun manfaat yang diperoleh dari penelitian ini adalah :
5



1. Mengetahui besarnya suhu lingkungan di daerah sekitar genangan lumpur
Lapindo pada tahun 2007 sampai dengan 2009 melalui data citra thermal
Landsat 7 ETM+ yang telah diekstraksi.
2. Mengetahui perubahan suhu yang dialami oleh daerah di sekitar genangan
lumpur Lapindo pada tahun 2007 sampai dengan 2009.
I.6. Tinjauan Pustaka
Artikel Radar Sidoarjo pada tanggal 4 Januari 2007 yang berjudul Debit
Turun, Suhu Naik mengungkapkan bahwa debit lumpur dari pusat semburan
berkurang, tetapi suhu lumpur justru makin panas. Meski debit turun, lumpur yang
menyembur dari pusat semburan di sekitar bekas sumur pengeboran Banjarpanji1
milik PT Lapindo Brantas itu justru makin panas. Sebelumnya, suhu lumpur panas
berkisar 60 hingga 80 derajat Celcius pada awal terjadinya semburan. Suhu lumpur
naik menjadi 100 hingga 105 derajat Celcius pada tahun 2007. Kenaikan suhu
lumpur panas ini diduga terjadi karena sumber semburan bertambah dalam dan dekat
dengan perut bumi. (Radar Sidoarjo, 2007)
Arifin, A.B. (2012) melakukan penelitian dengan menggunakan data TIR
(Thermal IR Radiometer) citra ASTER level 1B untuk estimasi suhu lingkungan di
Kota Yogyakarta dan sekitarnya. Metode yang digunakan adalah dengan meneliti
saluran thermal manakah dari citra ASTER yang paling akurat untuk digunakan
dalam memetakan suhu lingkungan di Kota Yogyakarta dan sekitarnya. Saluran
ASTER yang dipergunakan dalam penelitiannya adalah saluran VNIR (Visible and
Near Thermal IR Radiometer) dan TIR (Thermal IR Radiometer). Panas didalam
benda suhu kinetik (T
kin
), sedangkan panas yang dipancarkan disebut suhu pancaran
atau suhu radiasi (T
rad
) yang kemudian digunakan untuk estimasi suhu lingkungan di
Kota Yogyakarta dan sekitarnya dengan melakukan konversi T
rad
menjadi T
kin
.
Marbowo, Y. (2000) melakukan penelitian tinjauan suhu lingkungan
Kotamadya Yogyakarta dari tahun 1996 sampai dengan 1998 dengan menggunakan
Citra Landsat 7 ETM+ pada Band 6. Metode yang digunakan adalah dengan
mengubah nilai digital citra menjadi nilai temperatur kinetik obyek dengan beberapa
tahapan, yaitu : 1. Dengan mengubah nilai piksel menjadi radiansi spektral, 2.
6



Mengubah nilai radiansi spektral menjadi temperatur radian, dan 3. Mengubah nilai
temperatur radian menjadi nilai temperatur kinetik. Tahapan yang digunakan tersebut
menggunakan formula yang direkomendasikan oleh NASA (Badan Ruang Angkasa
dan Penerbangan AS). Hasil dari kedua citra thermal tersebut kemudian
ditumpangtindihkan untuk mengamati perubahan suhu lingkungan yang terjadi di
Kotamadya Yogyakarta. Kemudian didapatkan peta yang menampilkan perubahan
suhu di Kotamadya Yogyakarta dari tahun 1996 sampai dengan 1998.
Silvianingtias, I. (2008) melakukan penelitian dengan mengintegrasikan data
penginderaan jauh untuk analisa perubahan curah hujan terhadap perubahan
temperatur udara di Kabupaten Sleman. Penelitian dilakukan pada bulan Mei 2003
dan bulan Mei 2005 dengan menggunakan citra Landsat 7 ETM+ Band 6 untuk
informasi temperatur udara. Metode yang dilakukan adalah dengan : 1. Mengubah
nilai piksel ke nilai radiansi spektral 2. Mengubah nilai radiansi spektral ke nilai
radiansi obyek, dan 3. Mengubah nilai radiansi obyek ke nilai temperatur kinetik.
Untuk informasi curah hujan diperoleh melalui pengolahan SIG. Tahapan untuk
memperoleh peta curah hujan yaitu dengan memasukkan data curah hujan kedalam
peta administrasi yang selanjutnya dilakukan interpolasi data curah hujannya.
Weng, Q., dkk (2003), penelitian berjudul Estimation of Land Surface
Temperature Vegetation Abundandce Relationship for Urban Heat Island Studies di
Kota Indianapolis, Indiana, Amerika Serikat. Penelitian tersebut menggunakan data
dari citra satelit Landsat 7 ETM+ yang mengkaji kemampuan pengaplikasian fraksi
vegetasi yang diperoleh berdasarkan model percampuran spektral sebagai indikator
alternatif penentuan luasan vegetasi dan suhu permukaan dengan menggunakan
solusi constrained least-square dengan cara membagi citra menjadi tiga fraksi serta
penerapan prosedur klasifikasi hybrid yang mengkombinasikan algoritma Maximum
Likelihood dan Decision Free. Hasil yang diharapkan adalah suhu permukaan yang
ditunjukkan oleh korelasi negatif terhadap fraksi vegetasi tidak tercampur. Hasil
analisis terhadap tekstur citra menunjukkan bahwa kompleksitas meningkat bila
dilakukan pemisahan piksel tetapi menurun apabila dilakukan pemisahan piksel
selanjutnya.
7



Berikut adalah tabel deskripsi penelitian terkait yang telah dilakukan
sebelumnya, serta persamaan dan perbedaan dengan penelitian ini :
Tabel I.1. Tabel Perbandingan dengan Penelitian Sebelumnya
No Nama
Peneliti
Judul Lokasi
Penelitian
Tujuan Metode Sajian hasil
1. Arifin, A.,
2012
Penggunaan Data
TIR (Thermal
Infrared
Radiometer) Citra
ASTER Untuk
Estimasi Suhu
Lingkungan di
Kota Yogyakarta
dan Sekitarnya
Kota
Yogyakarta
dan sekitarnya
Mengetahui
tingkat akurasi
saluran thermal
citra ASTER
dalam
memetakan pola
suhu lingkungan
di Kota
Yogyakarta dan
sekitarnya
Ekstraksi suhu dibagi
menjadi tiga tahap :
Mengubah nilai
piksel saluran 10
sampai 14 TIR citra
ASTER menjadi nilai
radiansi spektral,
mengubah nilai
radiansi spektral
menjadi temperatur
radian, dan
mengubah temperatur
radian menjadi
temperatur kinetik.

Perbandingan antar
saluran pada saluran
10 sampai 14 citra
ASTER untuk
mengetahui akurasi
dalam pemetaan suhu
lingkungan.

Peta suhu
lingkungan
kota
Yogyakarta
dan
sekitarnya
tahun 2011.
2. Marbowo,
Y., 2000
Tinjauan Suhu
Lingkungan
Kotamadya
Yogyakarta dan
Sekitarnya Tahun
1996 dan 1998
Menggunakan
Citra Landsat TM
Saluran 6
Kotamadya
Yogyakarta
Mengetahui
kondisi suhu
lingkungan
kotamadya
Yogyakarta dan
sekitarnya untuk
bulan April
1996 dan 1998,
serta mengamati
perubahan yang
terjadi antara
kedua waktu
tersebut
Ekstraksi suhu dibagi
menjadi tiga tahap :
Mengubah nilai
piksel pada Band 6
citra Landsat TM
menjadi nilai radiansi
spektral, mengubah
nilai radiansi spektral
menjadi temperatur
radian, dan
mengubah temperatur
radian menjadi
temperatur kinetik.

Besarnya nilai
emisivitas ditentukan
oleh penggunaan
lahan obyek pada
citra.

Peta
penggunaan
Lahan tahun
1996 dan
1998, peta
Isothermal
kotamadya
Yogyakarta
tahun 1996
dan 1998,
Peta
perubahan
suhu dari
tahun 1996-
1998
3. Silvianingti
as, I., 2008
Integrasi Data
Penginderaan
Jauh Untuk
Analisa
Kabupatern
Sleman, DIY
Menggunakan
data thermal
penginderaan
jauh dan data
Metode yang
dilakukan adalah
dengan : 1.
Mengubah nilai
Peta
Isothermal
Kabupaten
Sleman
8



Perubahan Curah
Hujan Terhadap
Perubahan
Temperatur Udara
Di Kabupaten
Sleman
curah hujan
untuk
menganalisa
perubahan
temperatur
udara di
Kabupaten
Sleman
piksel ke nilai
radiansi spektral 2.
Mengubah nilai
radiansi spektral ke
nilai radiansi obyek,
dan 3. Mengubah
nilai radiansi obyek
ke nilai temperatur
kinetik.

Untuk informasi
curah hujan diperoleh
melalui pengolahan
SIG.

Tahapan untuk
memperoleh peta
curah hujan yaitu
dengan memasukkan
data curah hujan
kedalam peta
administrasi yang
selanjutnya dilakukan
interpolasi data curah
hujannya.

bulan Mei
2003 dan
2005, Peta
Curah Hujan
Kabupaten
Sleman
bulan Mei
2003 dan
2005
4. Weng, Q.,
dkk 2003
Estimation of
Land Surface
Temperature
Vegetation
abundance
Relationship for
Urban Heat Island
Studies
Indianapolis,
Indiana,
Amerika
Serikat
Memperoleh
suhu permukaan
yang
ditunjukkan
oleh korelasi
negatif terhadap
vegetasi tidak
tercampur
Metode yang
dilakukan adalah
dengan : 1.
Mengubah nilai
piksel ke nilai
radiansi spektral 2.
Mengubah nilai
radiansi spektral ke
nilai radiansi obyek,
dan 3. Mengubah
nilai radiansi obyek
ke nilai temperatur
kinetik.

Menggunakan model
pencampuran spektral
sebagai indikator
alternatif penentuan
luasan vegetasi dan
suhu permukaan
dengan menggunakan
solusi Constrained
Least Square dengan
menggunakan
kombinasi algoritma
Maximum Likelihood
dan Decision Free.
Tampilan
suhu
permukaan
di
Indianapolis.
Analisis
hubungan
antara fraksi
vegetasi
dengan suhu
permukaan
di
Indianapolis.
5. Penulis Analisis dan
Visualisasi
Perubahan Suhu
Lingkungan
Daerah sekitar
genangan
lumpur
Lapindo,
Mengetahui
suhu di daerah
sekitar
genangan
Metode yang
dilakukan adalah
dengan : 1.
Mengubah nilai
Peta
Isothermal
daerah
sekitar
9



Genangan
Lumpur
Menggunakan
Citra Landsat 7
ETM+
Multitemporal.
Kecamatan
Porong,
Sidoarjo, Jawa
Timur
lumpur Lapindo
pada tahun
2007, 2008, dan
2009 dan
perubahan suhu
yang terjadi
pada antar tahun
tersebut
menggunakan
data band 6 citra
Landsat 7
ETM+
piksel ke nilai
radiansi spektral 2.
Mengubah nilai
radiansi spektral ke
nilai radiansi obyek,
dan 3. Mengubah
nilai radiansi obyek
ke nilai temperatur
kinetik.

genangan
lumpur di
Kecamatan
Porong,
Sidoarjo
tahun 2007,
2008, dan
2009.

Peta
perubahan
suhu daerah
sekitar
genangan
lumpur
tahun 2007-
2008 dan
2008-2009.

Analisis
perubahan
suhu
berdasarkan
hasil
ekstraksi
citra thermal
tahun 2007
sampai
dengan
2009.

I.7. Landasan Teori
I.7.1. Penginderaan Jauh
Penginderaan jauh mempunyai definisi sebagai ilmu dan seni untuk
memperoleh informasi tentang suatu obyek, daerah, atau fenomena melalui analisis
data yang diperoleh dengan suatu alat tanpa kontak langsung dengan obyek, daerah
atau fenomena yang dikaji (Lillesand, T.M., 1997).
Pengumpulan data penginderaan jauh dilakukan dengan menggunakan alat
pengindera atau alat pengumpul data yang disebut sensor. Berbagai sensor
pengumpul data dari jarak jauh umumnya dipasang pada suatu wahana (platform)
yang berupa pesawat terbang, balon, satelit, atau wahana lainnya. Obyek yang
diindera adalah obyek-obyek yang ada di permukaan bumi, di atmosfer, dan di
10



antariksa. Tenaga yang digunakan untuk penginderaan jauh bervariasi, tergantung
pada distribusi gelombang dan jenis gelombang yang digunakan.
Pengkajian atau penelitian dengan teknologi penginderaan jauh dapat
dilakukan melalui data digital dan visual yang terekam dari citra. Data visual berupa
non stereoscopic dan stereoscopic pictoral, sedangkan data digital berupa data
numerik. Proses penerjemahan data menjadi informasi pada penginderaan jauh
disebut analisis atau interpretasi citra yang bisa dilakukan secara visual maupun
digital.
Teknologi penginderaan jauh mulai berkembang seiring dengan kebutuhan
manusia untuk mengelola sumberdaya alam dan pemeliharaan lingkungan,
penginderaan jauh menyediakan cakupan area yang luas dalam pemantauan suatu
daerah. Penginderaan jauh juga memiliki banyak band yang dikirimkan oleh sensor,
sehingga dapat digunakan untuk berbagai aplikasi.
I.7.2. Sistem Penginderaan Jauh dan Sumber Energi
Keseluruhan proses mulai dari pengambilan data, pengolahan data, analisis,
dan penggunaan data penginderaan jauh disebut Sistem Penginderaan Jauh.
Sistem penginderaan jauh terdiri atas beberapa komponen, yaitu :
1. Sumber tenaga atau energi. Penginderaan jauh pasif menggunakan sumber tenaga
matahari. Penginderaan jauh aktif menggunakan platform atau wahana yang dapat
memancarkan tenaga buatan yang dipancarkan dan direkam oleh sensor.
2. Atmosfer. Fungsi atmosfer adalah medium atau penghantar maupun sebagai
penghambat gelombang dari sumber energi ke obyek dan sebaliknya.
3. Obyek. Seluruh benda yang diindera dan berada diatas permukaan bumi.
4. Interaksi. Hubungan antara GEM, atmosfer, dan obyek yang direkam diatas
permukaan bumi.
5. Stasiun penerima. Berfungsi untuk menerima rangkaian data penginderaan jauh
dari platform.
11




Gambar I.1. Komponen Penginderaan Jauh
(Danoedoro, P., 2012)
Sistem penginderaan jauh terdiri atas penginderaan jauh pasif dan aktif yang
keduanya membutuhkan sumber tenaga. Berkas tenaga elektromagnetik tersebut
dinamakan spektrum elektromagnetik yang meliputi sinar Kosmik, Gamma, X, UV,
tampak, IR, gelombang mikro, dan gelombang radio. Pembedaan spektrum tersebut
berdasarkan jenis radiasi dan sifat tenaga pada berbagai panjang gelombang.

Gambar I.2. Radiasi Elektromagnetik
(sumber : Habib, A.F., 2003)
12




Besarnya serapan atmosfer untuk berbagai spektrum gelombang
elektromagnetik tidak sama. Untuk spektrum yang pengaruh serapan atmosfernya
kecil, maka spektrum tersebut dapat digunakan dalam penginderaan jauh.
Gelombang elektromagnetik (GEM) bergerak secara harmonis membentuk
grafik sinusoidal dan memenuhi persamaan :
C = f. (I.1)
Keterangan :
C = konstanta cepat rambat GEM (3x10
8
m/s)
f = frekuensi
= panjang gelombang
Distribusi spektral tenaga pantulan gelombang pada sistem penginderaan jauh
sesuai dengan letak panjang gelombangnya, yaitu terletak pada bagian-bagian
spektrumnya.

Gambar I.3. Kurva Reflektansi Spektral
(Habib, A.F., 2012)
13



Sifat radiasi elektromagnetik mudah diuraikan dengan menggunakan teori
gelombang, namun teori partikel lebih mudah menerangkan bagaimana tenaga
elektromagnetik berinteraksi dengan benda. Teori ini disebut dengan teori kuantum
atau foton, yang dapat dituliskan dengan formula :

E = h.(C.) (I.2)
Keterangan :
E = tenaga kuantum (Joule)
C = konstanta cepat rambat GEM (3x10
8
m/s)
= panjang gelombang (m)
h = konstanta plank (6,626x10
-34
Joule/sekon)
Tenaga kuantum secara proporsional berbanding terbalik dengan panjang
gelombangnya. Makin panjang gelombang yang digunakan, semakin rendah
kandungan tenaga kuantum atau tenaga fotonnya, demikian juga sebaliknya.
Radiasi yang dipancarkan secara alamiah pada spektrum gelombang panjang
seperti pancaran gelombang mikro sulit diindera oleh obyek di permukaan bumi. Hal
ini menyebabkan mengapa penginderaan jauh menggunakan spektrum tampak lebih
rinci bila dibandingkan dengan menggunakan spektrum inframerah atau gelombang
mikro.
I.7.3. Citra Landsat 7 ETM+
Satelit Landsat (Land Sattelite) merupakan satelit milik Amerika Serikat,
pertama kali diluncurkan pada tahun 1972 dengan menggunakan nama ERTS-1
(Earth Resources Technology Satelitte-1). Sampai saat ini Landsat telah
meluncurkan satelit dari seri 1 hingga seri 7. Landsat seri 7 dilengkapi dengan sensor
ETM+ (Edvance Thematic MapperPlus) yang diluncurkan pada bulan April tahun
1999. Adapun pembagian generasi citra Landsat berdasarkan karakteristik dari
setiap citra tersebut dapat dibagi menjadi 3, yaitu generasi I: Landsat 1, 2 dan 3,
14



generasi II: Landsat 4 dan 5, serta generasi III: Landsat 6 dan 7, dengan Landsat 6
yang gagal mengorbit.
Generasi Pertama yaitu Landsat 1, 2, 3, untuk Landsat 1 dan 2 memiliki 2
saluran spektral/Sensor yaitu RBV (Return Beam Vidicon) dan MSS (Multispectral
Scanner). Keduanya memiliki resolusi Spatial yang sama yaitu 79 meter. Landsat 3
juga memuat kedua sensor tersebut namun mengalami perbedaan pada jumlah
saluran pada RBV menjadi 1 saluran tunggal dengan resolusi spatial 40 meter.
Selanjutnya untuk generasi kedua yaitu Landsat 4 dan 5 yang juga memuat dua
sensor yaitu MSS dan TM (Thematic Mapper). Perubahan sensor yang kedua ini
dengan alasan terkait kapabilitas. Operasi Landsat generasi 3 sebenarnya telah
dimulai pada tahun 1993, tetapi misi ini mengalami kegagalan sesaat setelah
peluncuran Landsat 6 pada 5 Oktober 1993 (Jensen, 2005).
Citra Landsat 7 ETM+ mempunyai 8 buah band multispektral, yaitu:
1. Band 1 (Band Biru)
Bekerja pada rentang gelombang 0,45-0,52m. Digunakan untuk aplikasi
penetrasi tubuh air, mengetahui penggunaan lahan dan vegetasi, dan untuk
pembedaan vegetasi. Resolusi spasial untuk Band 1 adalah 30x30m.
2. Band 2 (Band Hijau)
Bekerja pada rentang gelombang 0,52-0,60m. Digunakan untuk pengamatan
puncak pantulan vegetasi sehingga dapat mengetahui kondisi tanaman berdasarkan
kuat lemahnya spektrum yang dapat diterima/dipantulkan oleh tanaman tersebut.
Resolusi spasial untuk Band 2 adalah 30x30m.
3. Band 3 (Band Merah)
Bekerja pada rentang gelombang 0,63-0,69m. Digunakan untuk mengetahui
jenis-jenis vegetasi berdasarkan penyerapan klorofil, pembedaan tanah dan tanaman,
serta pembedaan lahan dan air. Resolusi spasial untuk Band 3 adalah 30x30m.
4. Band 4 (Band IR Dekat)
15



Bekerja pada rentang gelombang 0,76-0,90m. Band ini peka terhadap
biomassa vegetasi sehingga bagus untuk digunakan dalam pengidentifikasian
tanaman, pembedaan tanah dan tanaman, serta pembedaan lahan dan air. Resolusi
spasial untuk Band 4 adalah 30x30m.
5. Band 5 (Band IR Tengah I)
Bekerja pada rentang gelombang 1,55-1,75m. Digunakan untuk mengetahui
jenis tanaman, kandungan air pada tanaman, dan kondisi kelembaban tanah. Resolusi
spasial untuk Band 5 adalah 30x30m.
6. Band 6 (Band IR Thermal)
Bekerja pada rentang gelombang 2,08-2,35m, merupakan band yang akan
digunakan pada penelitian ini, biasanya digunakan untuk aplikasi analisis tentang
suhu dan pemetaan hidrothermal, kelembaban, densitas, jenis tanaman. Resolusi
spasial untuk Band 6 adalah 60x60m, ada juga yang 120x120m.
7. Band 7 (Band IR Tengah II)
Bekerja pada rentang gelombang 10,40-12,50m. Digunakan untuk klasifikasi
vegetasi, analisis gangguan vegetasi, pembedaan kelmbaban tanah, dan gejala-gejala
thermal. Resolusi spasial untuk Band 7 adalah 30x30m.
8. Band 8
Bekerja pada rentang gelombang 0,52-0,90m. Termasuk kedalam citra
pankromatik, band ini sensitis dalam perefleksian cahaya pada rentang gelombang
yang luas. Terdiri atas Band R, G, B, dan Near IR (IR dekat. Resolusi spasial untuk
Band 8 adalah 30x30m. Band 8 selalu bekerja pada mode low-gain.
Tabel I.2. merupakan penjelasan tentang karakteristik citra Landsat dari
generasi 1 sampai dengan generasi 3.
Tabel I.2. Karakteristik Citra Satelit Landsat
Karakteristik Landsat 1,2,3 Landsat 4,5 Landsat 7
Orbit Sinkron Matahari Sinkron Matahari Sinkron Matahari
16



Karakteristik Landsat 1,2,3 Landsat 4,5 Landsat 7
Ketinggian 880 - 940 km 705 km 705 km
Sudut Inklinasi 99,1
o
98,2
o
98.2
Sensor/Saluran
Spektral
(band/mm)
RBV Band 1 :
0,475 - 0,575
MSS Band 4 = 0,50 - 0,60 TM dan ETM+
Band 2 :
0,58 - 0,68
Band 5 = 0,60 - 0,70 Band 1 = 0,45 - 0,52
Band 3 :
0,69 - 0,89
Band 6 = 0,70 - 0,80 Band 2 = 0,52 - 0,61
Band 7 = 0,80 - 1,10 Band 3 = 0,63 - 0,69
MSS Band 4 TM Band 1 = 0,45 - 0,52 Band 4 = 0,76 - 0,90
Band 5 Band 2 = 0,52 - 0,60 Band 5 = 1,55 - 1,75
Band 6 Band 3 = 0,63 - 0,69 Band 6 = 10,4 - 12,5
Terdiri atas :
Band 6_1 : Low-gain
Band 6_2 : High Gain
Band 7 Band 4 = 0,76 - 0,90 Band 7 = 2,08 -2,35
Band 5 = 1,55 - 1,75 Band 8 = 0,52 - 0,90
(Pankromatik)
Band 6 = 10,4 - 12,5
Band 7 = 2,08 - 2,35
Resolusi Spasial 79 m 30 m dan
120 m (Band 6)
30 m
120m (Band 6)
15 m (Band 8)
Cakupan 185 km x 185 km 185 km x 185 km 185 km x 185 km
Pengulangan
Rekaman
18 hari 16 hari 16 hari
Purwadhi, S.H., 2010
Peluncuran Satelit Landsat 7 ETM+ hanya bertahan kurang dari 5 tahun
tepatnya pada bulan Mei 2003 satelit tersebut mengalami kerusakan pada Scan Line
Corrector (SLC), sehingga untuk sementara transmisi data dari satelit tersebut
dihentikan. Kerusakan ini mengakibatkan munculnya strip atau garis hitam pada tepi
area perekaman sehingga citra tidak utuh. Tampilan citra akibat kerusakan SLC
dapat dilihat pada gambar I.5 berikut ini :
17




Gambar I.4. Citra Landsat 7 ETM+ mode SLC Off
Citra Landsat 7 ETM+ SLC Off dapat diunduh secara gratis sehingga para
pengguna dapat memperolehnya dengan mudah dan tanpa mengeluarkan biaya untuk
pembelian data citra. Data yang dihasilkan oleh citra Landsat 7 ETM+ mode SLC Off
masih dapat digunakan dengan cara menghilangkan strip yang terdapat pada citra
tersebut.
Data citra Landsat 7 ETM+ dikelompokkan menjadi dua level yaitu level 0 dan
level 1 dengan penjelasan sebagai berikut :
1. Level 0 (nol)
Data pada level 0 (nol) merupakan data asli yang diturunkan langsung dari
hasil perekaman sensor. Level ini memiliki data 0R yang belum terkoreksi
radiometrik dan geometrik. Koreksi tersebut dapat dilakukan dengan menggunakan
parameter kalibasi citra.
2. Level 1 (satu)
Pada level ini, data dibagi menjadi dua tipe yaitu level 1R dan level 1G. Level
1R merupakan data yang sudah terkoreksi radiometrik, sedangkan level 1G
merupakan data yang sudah terkoreksi radiometrik dan geometrik. Landsat 7 ETM+
18



dengan level 1G mempunyai format GeoTiff. Data ini menunjukkan informasi
kartografis dan geodetis yang berhubungan dengan pencitraan geografis. Setiap
saluran yang diunduh dengan format GeoTiff berada pada keadaan greyscale,
uncompressed, dan 8 bit string unsigned integer.
I.7.4. Spektrum Inframerah pada Citra Landsat 7 ETM+
Spektrum inframerah (InfraRed/ IR) merupakan salah satu spektrum yang
digunakan dalam penginderaan jauh. Spektrum ini bekerja pada panjang gelombang
0,7-300m dan dibagi menjadi tiga spektrum gelombang, yaitu spektrum IR
gelombang dekat, sedang, dan jauh.
Penjelasan tentang spektrum gelombang inframerah yang terdapat pada citra
Landsat 7 ETM+ dapat diuraikan sebagai berikut:
I.7.4.1. Spektrum inframerah dekat
Spektrum inframerah dekat bekerja pada rentang gelombang 0,7-1,5 m dan
biasa digunakan dalam teknologi fotografi karena spektrum ini dapat terdeteksi oleh
film. Gelombang inframerah ini biasanya digunakan dalam pembedaan vegetasi
terhadap permukaan tanah dan permukaan batuan, dapat pula digunakan untuk
mendeteksi kondisi tanaman.
I.7.4.2. Spektrum inframerah thermal
Spektrum inframerah thermal dapat digolongkan kedalam spektrum gelombang
inframerah dekat ataupun sedang. Spektrum ini bekerja pada rentang panjang
gelombang 1-15m. Instrumen Landsat 7 ETM+ berbeda dari band yang lain karena
tidak merekam energi cahaya yang dipancarkan obyek, tetapi merekam energi panas
yang dipancarkan oleh benda di atas permukaan bumi.
Gelombang thermal ini berhubungan dengan panas sehingga dapat digunakan
untuk berbagai aplikasi yang terkait dengan suhu, misalnya : monitoring tumpahan
minyak, monitoring titik api/sumber panas, suhu gunung berapi, serta aktivitas lain
yang berkaitan dengan panas. Inframerah thermal tidak dapat dideteksi oleh film,
19



sehingga pencitraannya memerlukan sensor khusus. Sensor thermal tidak
membedakan obyek berdasarkan beda pantulannya, akan tetapi berdasarkan
perbedaan radiasi gelombang yang ditangkap/dipantulkan oleh benda dan ditangkap
kembali oleh sensor. Spektrum inframerah thermal yang digunakan dalam
penginderaan jauh biasanya berada pada gelombang 2-14 m dan 10,5-12,5 m.
Panjang gelombang 2-14 m biasanya digunakan pada penginderaan
menggunakan wahana pesawat, sedangkan panjang gelombang 10,5-12,5 m
digunakan pada penginderaan yang menggunakan wahana satelit. Citra Landsat 7
ETM+ mempunyai sensor IR thermal yang terdapat pada Band 6 yang beroperasi
pada rentang gelombang 10,40-12,50 m dengan resolusi spasial 60 meter. Resolusi
spasial Band 6 yang sangat rendah apabila dibandingkan dengan band lain
dimungkinkan karena hanya menganalisis suhu dan datanya tidak diintegrasikan
untuk keperluan penyajian data spasial.
Terdapat 2 buah citra IR Thermal pada saat mendownload citra Landsat 7
ETM+, yaitu Band 6_1 yang bekerja pada mode low-gain dan Band 6_2 pada mode
high-gain. Sebenarnya pada citra Landsat, semua band bekerja pada mode high-gain
dan low-gain untuk membedakan saturasi dari citranya, akan tetapi pada Band 6,
mode high-gain dan low-gain dipisah karena kecerahan saat pencitraan
mempengaruhi suhu obyek yang diamat. Low-gain digunakan apabila kecerahan
obyek di permukaan bumi tinggi, sedangkan high-gain digunakan pada kondisi
kecerahan permukaan bumi cenderung rendah. Penelitian ini hanya menggunakan
salah satu mode inframerah thermal, yaitu mode low-gain (Band 6_1 atau Band 6L)
karena pencitraan oleh citra Landsat 7 ETM+ dilakukan pada pagi hari.
I.7.4.3. Spektrum inframerah jauh
Spektrum inframerah jauh merupakan bagian dari spektrum IR yang terletak
pada panjang gelombang 16-100 m. Spektrum ini jarang digunakan dalam
penginderaan jauh, karena menurut hukum Wien, panjang gelombang 16-100 m
hanya bekerja pada puncak radiasi benda hitam yang bersuhu 100K (Lillesand,
T.M., 1997).
20



I.7.5. Suhu dan Radiasi Benda
I.7.5.1.Suhu
Suhu adalah besaran yang menyatakan derajat panas dingin suatu benda. Suhu
dapat diukur menggunakan empat satuan suhu, yaitu Reamur, Celcius, Farenheit, dan
juga Kelvin, meskipun dalam kenyataannya masih banyak satuan suhu yang bisa
digunakan. Perbandingan satuan suhu antara Reamur : Celcius : Farenheit berturut-
turut adalah 4:5:9 dan untuk konversi kedalam satuan Farenheit, hasil hitungan harus
ditambahkan dengan 32, sedangkan untuk satuan Kelvin harus ditambahkan 273.15
apabila hitungan dalam satuan Celcius.
Tenaga thermal yang dipancarkan dari permukaan bumi diterima oleh cermin
penyiam dan dipantulkan ke cermin pemusat, dan oleh cermin pemusat diarahkan ke
detektor yang berfungsi untuk mengubah tenaga thermal tersebut menjadi sinyal
elektrik. Detektor harus didinginkan hingga suhunya mencapai 73K untuk
meminimalkan efek noise yang disebabkan oleh getaran kristal detektor. Pendingin
tersebut berupa botol hampa udara yang diisi dengan nitogen cair atau helium cair
(Sutanto, 1987).
Pengukuran suhu suatu benda dapat dilakukan dengan menggunakan dua buah
metode, yaitu pengukuran suhu internal dan eksternal. Pengukuran suhu internal
adalah pengukuran berdasarkan suhu kinetik (suhu nyata) suatu benda melalui
kontak langsung dengan benda yang bersangkutan. Pengukuran eksternal adalah
pengukuran suhu pancaran benda dan sering disebut dengan Thermografi Udara.
I.7.5.2. Radiasi Benda Hitam
Matahari merupakan sumber radiasi elektromagnetik yang paling penting untuk
penginderaan jauh, tetapi semua benda yang mempunyai suhu diatas 0
o
K (-273
o
C)
memancarkan radiasi elektromagnetik secara terus menerus. Hal ini disebabkan
karena semua obyek di bumi merupakan sumber radiasi, walaupun besarnya berbeda
bila dibandingkan dengan radiasi matahari. Besarnya tenaga radiasi suatu obyek di
permukaan bumi merupakan fungsi suhu permukaan obyek tersebut. Hal ini
ditunjukkan dengan Hukum Stefan Boltzman yang menyatakan :
21



W = T
4
(I.4)
Keterangan :
W = jumlah tenaga yang dipancarkan oleh permukaan obyek setiap detik per
satuan luas (W/m
2
)
= konstanta Stefan Boltzman (5,6697x10-8 W/m
2 o
K
4
)
T = suhu absolut obyek (
o
K)
Hukum ini hanya berlaku untuk benda yang hitam sempurna yaitu benda yang
menyerap dan memancarkan kembali seluruh tenaga yang mengenainya (Lillesand,
T.M., 1997). Namun pada kenyataannya benda seperti itu tidak ada, yang ada hanya
benda yang mendekati hitam sempurna.
Intensitas dan komposisi spektral obyek merupakan fungsi jenis material
penyusun dari obyek yang bersangkutan. Gambar berikut ini menunjukkan agihan
spektral tenaga yang dipancarkan dari permukaan benda hitam pada berbagai suhu.
Kurva benda hitam tersebut mempunyai bentuk yang sama sesuai dengan Hukum
Pergeseran Wien yang dirumuskan dalam formula :
m = (I.5)
Keterangan :
m = panjang gelombang pada pancaran maksimum (m)
A = konstanta (2898 m
o
K)
T = suhu absolut benda 0
o
K
22




Gambar I.5. Distribusi/Agihan Spektral yang Dipancarkan oleh Benda Hitam pada
Berbagai Suhu (Lillesand, T.M., 1997).
Puncak tenaga bergeser kearah panjang gelombang yang lebih pendek sesuai
dengan kenaikan suhu. Apabila kita mengamati kurva radiasi benda hitam pada suhu
300
o
K atau pada suhu bumi, kurva mencapai titik puncak pada panjang gelombang
sekitar 5-15m dimana sensor inframerah thermal dioperasikan.
Pengoperasian sensor thermal yang baik hendaknya dilakukan pada waktu dini
hari atau pada saat benda belum terkena pengaruh pancaran panas dari matahari,
sehingga pancaran panas yang terekam merupakan kontras thermal obyek itu sendiri.
I.7.5.3. Radiasi Material Nyata
Konsep tentang benda hitam sempurna merupakan sarana teoritik yang baik
untuk mengungkap tentang asas radiasi, dimana material nyata tidak bertindak
sebagai benda hitam. Semua material nyata hanya memancarkan sebagian kecil
tenaga yang dipancarkan oleh benda hitam pada suhu yang sama tergantung daya
pancar atau yang sering disebut dengan emisivitas () benda tersebut.
Daya pancar () merupakan perbandingan antara tenaga pancar suatu obyek
apabila dibandingkan dengan tenaga pancar benda hitam pada temperatur yang sama
pada saat pemancaran terjadi. Karena merupakan perbandingan, maka besarnya
Radiasi benda hitam
pada suhu bumi
23



berkisar antara nol sampai dengan satu. Seperti hal-nya dengan pantulan, daya pancar
juga dapat berubah menurut panjang gelombang pancar dan sudut pada saat
mengamat benda, selain itu material pembentuk benda merupakan salah satu faktor
yang menentukan daya pancar. Besarnya radiansi setiap obyek di permukaan bumi
adalah sebagai berikut :
W = ..T
4
(I.6)
Keterangan :
= Emisivitas spektral (nilai tergantung jenis material yang terkandung dari
pada obyek tersebut)
W = jumlah tenaga yang dipancarkan oleh permukaan obyek setiap detik per
satuan luas (W/m
2
)
= konstanta Stefan Boltzman (5,6697x10-8 W/m
2 o
K
4
)
T = suhu absolut obyek (
o
K)
Besarnya nilai (emisivitas) adalah perbandingan kemampuan pancar benda
nyata tersebut apabila dibandingkan dengan benda hitam.
Nilai emisivitas untuk beberapa obyek dapat dilihat pada tabel berikut :
Tabel I.3. Nilai Emisivitas () rata-rata untuk beberapa jenis material
Jenis Material Rata-rata
Emisivitas ()
Jenis Material Rata-rata
Emisivitas ()
Air jernih
Kulit manusia
Es kasar
Vegetasi
Tanah lembab
Aspal
Berick
0.98
0.96
0.96
0.97
0.95
0.94
0.93
Semen
Cat
Vegetasi kering
Salju kering
Batuan Granit
Kaca
Lempeng Besi
0.92
0.90
0.88
0.85
0.83
0.77
0.63
24



Jenis Material Rata-rata
Emisivitas ()
Jenis Material Rata-rata
Emisivitas ()
Kayu
Batuan Basalt
Tanah mineral kering
0.93
0.92
0.92
Lapisan logam
Aluminium
Lap.emas berkadar tinggi
0.16
0.03
0.02
(Lillesand, T.M., 1997)
Efek dari emisivitas permukaan tanah pada pengukuran suhu menggunakan
satelit dapat dikelompokkan menjadi tiga kategori umum, yaitu : 1) emisivitas dapat
menyebabkan reduksi radiansi emisi permukaan, 2) permukaan non-black
memantulkan radiansi, 3) anistropi (perilaku) dari pemantulan dan emisivitas dapat
menurunkan ataupun meningkatkan jumlah radiansi permukaan.
Emisivitas permukaan ditentukan oleh banyak faktor seperti material yang
terkandung pada tubuh air, komposisi zat kimia, struktur, dan kepejalan. Untuk area
yang bervegetasi, tingkat emisivitas dapat berviariasi secara signifikan berdasarkan
spesies/jenis tanaman, luas area, dan periode pertumbuhan.
Emisivitas juga dapat berarti sebuah fungsi panjang gelombang, yang biasanya
mengacu kepada emisivitas spektral. Perkiraan nilai emisivitas untuk obyek di
permukaan tanah dari data sensor pasif diukur menggunakan teknik yang berbeda.
Semua teknik tersebut mengunakan metode normalisasi emisivitas, indeks spektral
thermal, metode rasio spektral, metode residual alpha, metode NDVI, estimasi
klasifikasi, dan metode pemisahan emisivitas temperatur (Weng, Q., 2003).
I.7.6. Ekstraksi Suhu
Citra thermal merupakan citra yang memuat informasi mengenai suhu obyek
yang diindera. Obyek yang bersuhu tinggi akan terlihat terang dan sebaliknya, obyek
yang bersuhu rendah akan terlihat gelap. Citra thermal bekerja pada sensor
inframerah thermal dengan panjang gelombang 10,40m 12,50m. Panjang
gelombang tersebut dapat ditemukan pada saluran 61 maupun saluran 62 pada citra
Landsat 7 ETM+.
25



Penyiam thermal melakukan konversi data radiansi obyek yang diterima
kembali oleh sensor berupa angka kecerahan. Angka kecerahan tersebut merupakan
fungsi pengkodean sensor terhadap radiansi spektral yang diterimanya.
Tahapan untuk memperoleh tampilan suhu adalah sebagai berikut :
I.7.6.1. Mengubah Nilai Digital Piksel Menjadi Nilai Radiansi
Proses ini merupakan proses untuk mengubah nilai digital (DN) dari piksel-
piksel obyek pada citra menjadi nilai radiansi spektral, yang ditentukan dengan
formula :
L=Lmin() + Qcal (I.11)
Keterangan :
L = Radiansi spektral yang diterima oleh sensor untuk setiap piksel (watt
m
-2
sr
-1
m)
Lmin() = Radiansi spektral minimum yang tercatat pada scene (0,0 watt
cm
-2
sr
-1
m)
Lmax() = Radiansi spektral maksimum yang tercatat pada scene
(17,04watt m
-2
sr
-1
m)
Q cal = Nilai piksel obyek yang dianalisis
Q cal max = Nilai maksimum yang terekam dalam citra (255)
Nilai yang digunakan pada formula diatas merupakan nilai untuk citra ETM
Band 6 Low Gain menurut Landsat 7 ETM+ User Handbook.
I.7.6.2. Mengubah Nilai Radiansi Menjadi Temperatur Radian
Proses ini bertujuan untuk mengubah nilai radiansi spektral menjadi
temperatur radian, yang ditentukan dengan formula :
26



TR = (I.12)
Keterangan :
TR(K) = Temperatur radian (
o
K) untuk setiap piksel
K1 = Konstanta kalibrasi (666,09 W m
-2
sr
-1
m)
K2 = Konstanta kalibrasi (1282,71
o
K)
L = Radiansi spektral yang diterima oleh sensor untuk setiap piksel
Konstanta kalibrasi yang digunakan merupakan konstanta kalibrasi untuk citra
ETM menurut Landsat 7 ETM+ User Handbook.
I.7.6.3. Mengubah Temperatur Radian Menjadi Temperatur Kinetik
Proses ini bertujuan untuk mengubah nilai temperatur radian (Trad) menjadi
temperatur pada permukaan tanah yang terkoreksi. Temperatur kinetik merupakan
temperatur obyek sesuai dengan nilai emisivitasnya, yang ditentukan dengan
formula:
TK
(K)
=
-1/4
TR
(K)
(I.13)
Keterangan :
TK
(K)
= Temperatur kinetik piksel yang dianalisis (
o
K)
TR
(K)
= Temperatur radian obyek (
o
K)
= Emisivitas spektral (kemampuan emisi suatu obyek berdasarkan
materialnya)
Untuk temperatur kinetik dalam satuan Celsius digunakan formula sebagai
berikut :
TK
(C)
= (
-1/4
TR
(K)
)-273 (I.14)
27



TK
(C)
= Termperatur kinetik obyek (
o
C)
I.7.6.4. Interpretasi dan penggunaan citra inframerah thermal
Hal yang perlu diperhatikan dalam interpretasi dan penggunaan citra
inframerah thermal antara lain :
1. Suhu pancaran obyek berbanding lurus dengan pangkat empat suhu
kinetiknya.
2. Suhu pancaran obyek berbanding lurus terhadap nilai pancarannya.
3. Rona obyek pada citra inframerah thermal sangat bergantung pada saat
(jam) perekaman serta variasi suhu hariannya.
Poin nomor 1 dan 2, hal tersebut mengungkapkan jumlah tenaga thermal yang
dipancarkan oleh tiap benda berbanding lurus terhadap pangkat empat suhu
absolutnya dan berbanding lurus pula terhadap nilai pancarannya. Hal tersebut
seperti yang telah diungkapkan pada hukum Stefan-Boltzman.
Tubuh air yang terbuka pada umumnya lebih dingin daripada tanah dan batuan
pada siang hari dan lebih panas di malam hari. Oleh karena itu rona air lebih gelap
dari rona tanah serta batuan pada siang hari dan lebih panas pada malam hari.
(Sutanto, 1987).
Obyek yang bersuhu lebih panas akan memancarkan rona yang lebih terang
pada citra, dan sebaliknya untuk benda yang memiliki suhu lebih rendah akan
memancarkan rona yang lebih gelap. Maka, waktu perekaman sangat penting untuk
proses interpretasi citra thermal.
I.7.7. Tahap Awal Pengolahan Citra
Pengolahan citra diperlukan untuk mendapatkan hasil sesuai dengan yang
diinginkan dari aplikasi data penginderaan jauh. Tahapan awal pengolahan citra
membutuhkan beberapa koreksi, diantaranya adalah koreksi geometrik dan
pemotongan citra. Koreksi radiometrik tidak perlu dilakukan untuk citra Landsat 7
ETM+ band 6 karena akan mempengaruhi nilai spektral. Pengolahan citra thermal
28



sangat bergantung pada nilai spektral, sehingga kemurnian nilai spektral harus tetap
dijaga.
I.7.7.1 Koreksi Radiometrik
Radiometrik citra penginderaan jauh mempengaruhi kualitas citra digital. Hal
ini berhubungan dengan kekuatan sinyal, kondisi atmosfer, dan saluan spektral yang
digunakan dalam perekaman data. Kesalahan radiometrik yaitu kesalahan berupa
pergeseran nilai piksel citra yang disebabkan oleh kesalahan pada sistem optik,
gangguan energi radiasi elektromagnetik pada atmosfer, dan pengaruh sudut elevasi
matahari.
Koreksi radiometrik merupakan perbaikan akibat kesalahan radiometrik,
koreksi kesalahan tersebut disesuaikan dengan jenis kesalahannya. Prinsip dari
koreksi radiometrik adalah penyusunan kembali nilai digital citra agar kualitas citra
tersebut menjadi lebih baik secara visual, numerik, maupun secara digital. Koreksi
radiometrik bertujuan untuk mendapatkan nilai piksel terendah berharga 0 (nol) dan
nilai maksimumnya berharga 255 pada setiap scene.
Citra Landsat 7 ETM+ SLC off memiliki noise di bagian samping citra karena
perubahan kekuatan sinyal pada sub sistem optik berupa stripes noise. Efek
gangguan pada sinyal detektor sensor penginderaah jauh ini terjadi sepanjang garis
penyiaman. Penghilangan garis (strip) tersebut karena kehilangan data (drop out
signal) tidak berarti memperbaiki citra, tetapi lebih kepada restorasi citra. Proses ini
dilakukan dengan membuang elemen citra yang terkena noise dan menggantinya
dengan data lain pada lokasi yang sama. Koreksi tersebut saat ini diterapkan pada
citra Landsat 7 ETM+ SLC off.
Koreksi ini bertujuan agar citra Landsat 7 ETM+ SLC Off dapat digunakan
karena tampilan citra yang terisi strip akan menjadi utuh dan citra dapat diolah.
Untuk melakukan koreksi tersebut diperlukan beberapa citra pengisi untuk mengisi
gap yang terdapat pada citra hasil perekaman. Citra pengisi yang dimaksudkan
merupakan citra area tersebut yang berada pada epoch pengamatan yang berbeda
29



tetapi masih pada tahun yang sama dengan citra master-nya. Hal ini dikarenakan
letak strip pada citra berbeda untuk tiap epoch pencitraannya.
Citra yang akan digunakan sebagai citra master sebaiknya dipilih citra yang
paling bagus kualitasnya, kualitas tersebut dapat dilihat dari tutupan awan yang
menutupi daerah penelitian. Apabila tutupan awan terlalu lebar, sebaiknya memilih
citra yang lain. Citra master merupakan citra acuan dan datanya paling banyak
digunakan untuk pengolahan citra selanjutnya. Proses pengisian gap pada citra
master dilakukan dengan cara menumpangtindihkan citra master dengan citra
pengisi. Sebaiknya citra pengisi lebih dari satu sehingga semua gap pada citra dapat
tertutup dengan maksimal.
Metode lain yang sering digunakan dalam koreksi radiometrik antara lain :
1. Penyesuaian histogram
2. Penyesuaian regresi
3. Metode kalibrasi bayangan
Ketiga metode tersebut merupakan metode yang sering digunakan untuk
koreksi radiometrik. Metode yang paling sederhana dan sering digunakan adalah
metode penyesuaian histogram. Penyesuaian histogram dilakukan dengan cara
mengurangkan nilai-nilai piksel citra dengan nilai offset pada scene tersebut. Prinsip
koreksi radiometrik dengan metode penyesuaian histogram dapat diliah pada gambar
I.6. berikut ini :

Gambar I.6. Koreksi Radiometrik dengan Metode Penyesuaian Histogram
(Djurjani, 2004)
30



I.7.7.2. Koreksi Geometrik
Koreksi geometrik bertujuan untuk mengubah sistem koordinat pada citra
kedalam sistem koordinat tanah. Secara rinci, koreksi ini merupakan transformasi
citra hasil penginderaan jauh sehingga citra tersebut memiliki sifat yang sama dengan
peta. Citra digital mempunyai format raster berupa baris dan kolom sehingga perlu
dilakukan koreksi geometrik agar dapat diintegrasikan dengan data lain.
Koreksi geometrik dapat dilakukan dengan dua cara, yaitu dengan cara Image
to Map Registration atau dengan Image to Image Registration. Koreksi dengan cara
Image to Map Registration merupakan registrasi citra ke peta dengan membuat
geometri citra menjadi planimetris. Proses rektifikasi citra ke peta membutuhkan
beberapa titik dengan posisi yang sama, baik di citra maupun di peta yang diketahui
posisinya secara akurat. Posisi titik-titik tersebut harus dipilih sedemikian rupa
sehingga mudah diidentifikasi baik di peta maupun di citra.
Koreksi dengan cara Image to Image Registration dengan memasangkan
piksel-piksel citra yang akan dikoreksi dengan piksel-piksel citra lain yang sudah
terkoreksi atau terektifikasi. Kegiatan ini meliputi transformasi pada citra dengan
mengacu pada citra lainnya yang telah diregistrasi. Proses ini dapat dilakukan apabila
citra yang diinginkan tidak membutuhkan bentuk dalam sistem koordinat tanah pada
sistem proyeksi tertentu.
Ketelitian hasil transformasi dapat diketahui dari nilai RMSE-nya (Root Mean
Square Error) yang dapat diformulasikan sebagai berikut :
RMSE = (I.7)
Keterangan :
X dan Y = koordinat hitungan perkiraan posisi pada citra original
(piksel)
Xo dan Yo = koordinat titik sekutu pada citra (piksel)
Untuk mendapatkan ketelitian geometrik yang baik, telah ditentukan nilai
ambang RMS error yang diijinkan. Menurut Gastellu, RMS error yang diijinkan
31



adalah kurang dari dua piksel. Apabila nilai RMS error belum mencapai nilai yang
diinginkan, dapat dilakukan penggantian titik kontrol yang baru dan penghitungan
yang lebih teliti. Semakin banyak titik kontrol yang digunakan dan terdistribusi
merata, maka hasil RMS error akan semakin kecil.
1. Transformasi Koordinat
Transformasi koordinat digunakan untuk mencari hubungan yang tepat antara
sistem koordinat citra dengan peta. Kegiatan ini dapat dikatakan sebagai peralihan
koordinat citra ke koordinat peta sebagai acuan dengan cara mencari hubungan
antara kedua sistem koordinat tersebut. Proses transformasi ini membutuhkan titik-
titik sekutu yang dapat diidentifikasi dengan mudah pada citra maupun peta untuk
memudahkan pencarian hubungan antar keduanya.
Dalam transformasi koordinat, terdapat tiga buah metode yang digunakan,
yaitu :
a. Transformasi Affine (Orde satu)
Pada umumnya, transformasi Affine (orde satu) dengan menggunakan enam
buah parameter dirasa cukup untuk melakukan koreksi citra dengan acuan sistem
koordinat tanah. Transformasi ini memodelkan enam jenis distorsi dalam
pengideraan jauh, termasuk translasi, perubahan skala (scalling), kesejajaran (skew),
dan rotasi dengan menggunakan persamaan sebagai berikut :
x = a
0
+ a
1
x + a
2
y
y = b
0
+ b
1
x + b
2
y (I.8)
Keterangan :
x, y = koordinat citra ataupun peta sebagai acuan
x,y = koordinat citra hasil transformasi
a
0
, a
1
, a
2
, b
0
, b
1
, b
2
, ... dst = koefisien transformasi
(Jensen, 1996)
32



Untuk mendapatkan nilai koefisien transformasi diatas, dibutuhkan minimal
tiga buah titik kontrol, sehingga menghasilkan enam buah persamaan, didapatkan
tiga nilai X dan tiga nilai Y.
b. Transformasi Orde Dua
persamaan untuk transformasi orde dua adalah sebagai berikut :
x = a
0
+ a
1
x + a
2
y + a
3
xy + a
4
x
2
+ a
5
y
2

y = b
0
+ b
1
x + b
2
y + b
3
xy + b
4
x
2
+ b
5
y
2
(I.9)
transformasi orde dua membutuhkan minimal enam buah titik kontrol
c. Transformasi Orde Tiga
persamaan untuk transformasi orde tiga adalah sebagai berikut :
x = a
0
+a
1
x+a
2
y+a
3
xy+a
4
x
2
+a
5
y
2
+a
6
x
2
y+a
7
y
2
x+a
8
x
3
+a
9
y
3

y = b
0
+b
1
x+b
2
y+b
3
xy+b
4
x
2
+b
5
y
2
+ b
6
x
2
y+b
7
y
2
x+b
8
x
3
+b
9
y
3
(I.10)
metode transformasi ini membutuhkan minimal sepuluh buah titik kontrol.
Metode transformasi yang digunakan dalam penelitian ini adalah transformasi
orde tiga. Titik kontrol yang digunakan untuk proses transformasi adalah sebanyak
sepuluh buah, hal ini dilakukan untuk meminimalkan efek transformasi koordinat
yang tidak diharapkan, selain itu metode transformasi ini dianggap paling teliti.
2. Resampling
Resampling dilakukan setelah tahapan transformasi koordinat selesai
dilakukan. Proses ini bertujuan untuk menentukan nilai piksel citra baru hasil
transformasi koordinat. Beberapa metode yang digunakan dalam proses resampling
diantaranya :
a. Metode Tetangga Terdekat (Nearest Neighbour)
33



Metode ini merupakan metode interpolasi yang paling sederhana, harga yang
diberikan kepada suatu titik yang ingin diketahui nilai pikselnya dianggap sama
dengan nilai piksel titik sampel masukan terdekat dari titik tersebut. Keuntungan dari
metode ini adalah nilai piksel citra masukan dijaga kemurniannya sehingga metode
ini sangat cocok apabila digunakan untuk penelitian yang membutuhkan data nilai
piksel asli hasil perekaman satelit.
Kelemahan dari metode ini adalah tampilan cita yang tidak berkesinambungan
akibat adanya perubahan posisi citra hasil transformasi koordinat. Gambar I.6.
berikut adalah gambaran mengenai metode interpolasi Nearest Neighbour.

Gambar I.7. Interpolasi Nearest Neighbour
b. Interpolasi Bilinier
Interpolasi ini pada dasarnya adalah interpolasi linier yang diterapkan pada
sebuah bidang dan sering disebut sebagai interpolasi orde satu. Nilai piksel citra
keluaran ditentukan dengan menggunakan nilai piksel empat nilai piksel yang berada
di dekatnya. Gambaran tentang interpolasi bilinier adalah sebagai berikut :
34




Gambar I.8. Interpolasi Bilinier
c. Interpolasi Bikubik
Interpolasi ini dilakukan dengan memperhatikan enam belas nilai piksel
terdekat. Gambaran tentang interpolasi bikubik adalah sebagai berikut :

Gambar I.9. Interpolasi Bikubik
I.7.7.3. Pemotongan Citra
Pemotongan citra bertujuan untuk membatasi daerah pada citra yang akan
diolah sesuai dengan keperluan penelitian. Pemotongan citra atau cropping juga
diperlukan untuk memperkecil memori penyimpanan file citra pada komputer.
Pemotongan citra yang dilakukan pada software pengolahan citra dapat dilakukan
35



dengan dua cara yaitu dengan memasukkan koordinat pada pojok kiri atas dan pojok
kanan bawah daerah yang diperlukan untuk penelitian dan dengan cara pemotongan
citra dengan menggunakan boundary area berdasarkar layer (*.shp). Teknik
pemotongan yang akan digunakan disesuaikan dengan kebutuhan pengolahan citra.
I.7.8. Color Mapping
Proses Color Mapping bertujuan untuk memberikan warna pada citra yang
tidak berwarna berdasarkan nilai digital yang terdapat didalamnya. Teknik ini
merupakan teknik operasi yang berasumsi bahwa tiap obyek pada citra dengan
saluran tertentu memiliki rentang kecerahan tertentu yang dapat dipilah dalam klas
interval yang menggambarkan kenampakan obyek secara umum. Tiap interval diberi
warna penanda yang unik dan berbeda dengan interval lain agar terlihat jelas
perbedaannya. Teknik yang digunakan dalam pemberian warna adalah dengan
menggunakan Density Slicing.
Syarat utama dalam density slicing adalah adanya rentang nilai tiap obyek,
rentang ini menentukan hasil klasifikasi dan menghasilkan color mapping. Nilai
kecerahan obyek pada citra tidak akan berubah, masih tetap seperti semula, teknik ini
hanya merepresentasikan nilai kecerahan tersebut kedalam warna yang berbeda.
Nilai kecerahan yang dimaksudkan dalam penelitian ini adalah informasi suhu yang
terdapat pada tiap piksel pada citra thermal.
Tiap obyek yang homogen akan memberikan variasi nilai piksel yang
berbentuk kurva normal (Danoedoro, P., 2012). Kumpulan obyek homogen pada
suatu liputan citra akan menghasilkan kurva normal sehingga umumnya citra saluran
tunggal merupakan kurva multinodal. Pemilihan tingkat kecerahan dilakukan dengan
mengiris kurva tersebut sehingga menghasilkan kurva-kurva kecil. Pemotongan ini
berarti bahwa seluruh rentang dipilah menjadi beberapa interval kelas yang masing-
masing mewakili obyek tertentu (Arifin, A.B., 2012).
36



I.7.9. Klasifikasi Multispektral Untuk Penutup Lahan
Penginderaan jauh memanfaatkan citra satelit untuk memperoleh informasi
tentang keadaan permukaan bumi yang sebenarnya (misal : penutup lahan pada
permukaan bumi, dan sebagainya). Untuk mengetahui informasi tentang penutup
lahan di permukaan bumi, diperlukan proses klasifikasi kenampakan permukaan
bumi yang terdapat pada citra. Klasifikasi berfungsi untuk mengenali, menentukan
letak, dan mengelompokkan obyek menjadi beberapa klas tertentu yang didasarkan
pada kesamaan kenampakan nilai spektral tiap piksel (Djurjani, 2004). Pengenalan
pola spektral tersebut dilakukan secara digital atau dengan bantuan komputer dengan
tujuan agar informasi spektral tersebut dapat dievaluasi secara kuantitatif.
Sebelum klasifikasi dilakukan, terlebih dahulu harus dilakukan pemilihan
skema klasifikasi untuk pemilihan kategori (klas) yang diambil. Tabel I.4. berikut ini
adalah contoh skema klasifikasi penggunaan lahan yang digunakan sebagai acuan
modifikasi skema klasifikasi:
Tabel I.4. Skema Klasifikasi Penggunaan Lahan
Penutup Lahan Penggunaan Lahan
1. Permukiman dan
Lahan non Vegetasi
1.1. Permukiman
1.2. Kompleks bisnis
1.3. Kompleks industri dan perdagangan
1.4. Sarana transportasi
1.5. Pelabuhan
1.6. Jaringan Jalan
2. Vegetasi 2.1. Sawah
2.2. Perkebunan
2.3. Hutan
2.4. Padang rumput
2.5. Semak belukar
2.6. Savana
3. Perairan 3.1. Danau
3.2. Sungai
3.3. Teluk
4. Lahan Basah 4.1. Pasir Pantai (Basah)
4.2. Lumpur
4.3. Tanah Organik
(Malingreau, 1981 dengan perubahan)
37



Berdasarkan skema klasifikasi penggunaan lahan diatas, skema yang
digunakan dalam penelitian ini adalah skema penutup lahan dengan modifikasi
sebagai berikut :
Tabel I.5. Skema Klasifikasi Penutup Lahan (Modifikasi)
No Penutup Lahan
1. Permukiman
2. Vegetasi
3. Air
4. Lahan Basah (Lumpur)

I.7.9.1. Metode Klasifikasi
Terdapat dua metode pendekatan dalam proses klasifikasi, metode-metode
tersebut dijelaskan sebagai berikut :
1. Klasifikasi Tidak Terkontrol
Klasifikasi tidak terkontrol dilakukan tanpa mengetahui jenis kenampakan
obyek pada citra. Proses ini menggunakan prinsip pengelompokan berdasarkan nilai
piksel obyek pada citra. Obyek yang sama diasumsikan memiliki nilai piksel yang
sama atau hampir berdekatan. Hasil dari klasifikasi ini tidak diketahui secara pasti
jenis obyeknya, sehingga harus dilakukan uji lapangan. Klasifikasi ini biasanya
digunakan untuk daerah yang baru dengan data pendukung yang masih minim.
2. Klasifikasi Terkontrol
Klasifikasi terkontrol merupakan metode klasifikasi dimana informasi yang
terdapat pada citra diketahui secara pasti. Data pendukung sangat dibutuhkan dalam
metode ini (misalnya foto udara, peta penggunaan lahan, peta topografi, survei
lapangan, dan sebagainya). Terdapat beberapa algoritma yang digunakan dalam
klasifikasi digital terkontrol antara lain:
38



a. Klasifikasi Jarak Terdekat (Minimum Distance)
Klasifikasi jarak terdekat menggunakan strategi yang paling sederhana, yaitu
dengan cara menentukan nilai rata-rata tiap klas yang disebut vektor rata-rata (mean
vector). Konsep yang digunakan dalam klasifikasi ini adalah bahwa suatu piksel
yang tidak dikenali identitasnya dapat diklaskan dengan cara menghitung jarak
terpendek dari piksel rata-rata yang digunakan sebagai katagori klas. Metode ini
memiliki keterbatasan dikarenakan metode ini kurang peka terhadap perbedaan
varian tanggapan spektral. Berdasarkan kelemahan tersebut, metode ini tidak banyak
digunakan dalam penginderaan jauh. Formula yang digunakan pada klasifikasi jarak
terdekat adalah :
Dist = {( BV
ijk
-
ck
)
2
+(BV
ijl
-
cl
)
2
+...}
1/2
(I.15)
Keterangan :
BV
ijk =
nilai spektral piksel baris i, kolom j, band k

ck =
nilai rerata band k
BV
ijl =
nilai spektral piksel baris i, kolom j, band l

ck =
nilai rerata band l
konsep algoritma klasifikasi minimum distance dapat dilihat pada Gambar I.9.
berikut ini :

Gambar I.10. Algoritma Minimum Distance
(Habib, A.F., 2012)
39




Keterangan :

b. Klasifikasi Parallelepiped
Klasifikasi ini dilakukan dengan mengetahui nilai rata-rata piksel dan nilai
standar deviasi dari suatu obyek. Nilai-nilai tersebut digunakan untuk mengetahui
kisaran terendah dan tertinggi nilai piksel dari suatu obyek. Untuk menentukan suatu
nilai piksel tertentu termasuk dalam klas tertentu, maka nilai piksel tersebut harus
terletak dalam kisaran nilai piksel tertentu tersebut. Kelemahan dari metode ini
adalah nilai piksel yang tidak termasuk kedalam suatu klas akan menjadi tidak
terklasifikasi sehingga diperlukan banyak daerah contoh. Formula yang digunakan
pada algoritma paralelepiped adalah sebagai berikut :
Low
ck
BV
ijk
High
ck
(I.16)
Keterangan :
Low
ck
=
ck-
S
ck
= batas bawah
High
ck
=
ck-
S
ck
= batas atas
C = klas yang akan ditentukan
K = nomor band citra
S
ck
= standard deviasi

ck
= nilai rerata pada band K
konsep algoritma paralelepiped dapat dilihat pada Gambar I.10. berikut :
40




Gambar I.11. Algoritma Paralelepiped
(Habib, A.F., 2012)

Keterangan :

c. Klasifikasi Maximum Likelihood
Klasifikasi ini menggunakan bentuk training sample yang bersifat distribusi
normal. Semua distribusi pola tanggapan spektral penutup lahan dianggap sebagai
vektor rata-rata dan kovarian matriks sehingga probabilitas statistiknya berupa kurva
normal. Klasifikasi didasarkan pada pengelompokan nilai digital piksel sesuai
dengan daerah contoh. Fungsi probabilitas nilai densitas digunakan untuk
mengklasifikasi suatu piksel pada suatu katagori klas. Komputer akan menghitung
probabilitas nilai piksel yang terdapat pada distribusi klas penggunaan lahan, yaitu
menghitung nilai digital piksel yang terdapat pada masing-masing klas penggunaan
yang ada kemudian mengelompokkannya sesuai dengan daerah contoh. Konsep
algoritma Maximum Likelihood dapat dilihat pada Gambar I.11. berikut ini :
41




Gambar I.12. Algoritma Maximum Likelihood
(Habib, A.F., 2012)

Keterangan :

Algoritma klasifikasi ini dirasa paling akurat dan teliti secara matematis
dibandingkan dengan algoritma lainnya, meskipun proses komputasi dengan
menggunakan algoritma ini adalah yang paling lambat.
I.7.9.2. Uji Ketelitian Klasifikasi
Ketelitian hasil klasifikasi sangat berpengaruh terhadap tingkat kepercayaan
pengguna terhadap data tersebut, salah satu cara untuk menguji ketelitian klasifikasi
adalah dengan menggunakan confusion matrix atau contingency table. Confusion
matrix membandingkan katagori per katagori hubungan antara data lapangan dengan
data yang diperoleh berdasarkan klasifikasi. Penilaian ketelitian terhadap jumlah
sampel yang terklasifikasi dan tidak terklasifikasi diterima apabila jumlah sampel
yang terklasifikasi 85% dengan tingkat kepercayaan 90% (Jensen, 1996).
42




Gambar I.13. Contoh Hasil Uji Ketelitian Menggunakan Confusion Matrix
(Habib, A.F., 2012)
Ketelitian pemetaan (Map Accuracy) untuk setiap klas X dihitung
menggunakan persamaan menurut Short, 1982 dalam Purwadhi, S.H., 2001 sebagai
berikut :
(I.17)
Keterangan :
MA = Mapping Accuracy (ketelitian pemetaan) untuk tiap klas X
Xcr = jumlah klas X yang terkoreksi
Xo = jumlah klas X yang masuk ke klas lain (omisi)
Xco = jumlah klas X tambahan dari klas lain (komisi)
Sedangkan ketelitian untuk seluruh hasil klasifikasi dinyatakan dalam
persamaan berikut :
(I.18)
Dalam hal ini tingkat kepercayaan dinyatakan dalam persamaan berikut :
43



P = P
-
- (1.645 + ) (I.19)
Keterangan :
P = tingkat kepercayaan (dalam %)
P
-
= c/n (dalam %)
q
-
= 100 - p
-

c = jumlah seluruh sampel yang benar
n = jumlah seluruh sampel
Jumlah sampel yang diambil untuk pengujian hasil klasifikasi adalah minimal
10 kali dari jumlah variabel yang diteliti (Arifin, A.B., 2012).
I.7.10. Analisis Korelasi Suhu
Analisis korelasi dilakukan untuk mengetahui nilai kedekatan hubungan antara
suhu hasil pengolahan citra dengan hasil pengamatan di lapangan. Persamaan analisis
korelasi adalah sebagai berikut :
(I.20)

Keterangan :
X = suhu hasil uji lapangan
Y = suhu hasil pengolahan citra
n = jumlah data pengamatan

Dalam analisis korelasi, tingkat kedekatan hubungan berkisar pada nilai 0
sampai dengan 1. Nilai 0 berarti tidak mempunyai hubungan sama sekali, dan nilai 1
berarti korelasi sempurna. Besarnya nilai korelasi mempengaruhi kedekatan suatu
44



hubungan dari variabel yang dibandingkan, makin besar nilai korelasinya, maka
makin erat hubungan antar variabel yang dibandingkan tersebut.
Suhu lingkungan diukur menggunakan Thermometer Infrared Version 380-EN-
00 dengan cara menembakkan laser kearah obyek yang akan diukur suhunya, maka
suhu obyek yang terukur akan tersaji pada LCD Display.
Spesifikasi dari Thermometer Infrared yang digunakan adalah seperti pada
tabel I.7. berikut :
Tabel I.7. Tabel Spesifikasi Thermometer Infrared Version : 380-EN-00
Rentang Temperatur -50~380
o
C (-58~716
o
F)
Akurasi 1,5
o
C (2,7
o
F)
Atau 1,5%
Resolusi 0,1
o
C atau 0,1
o
F
Kemampuan Pengulangan 1% pembacaan, atau 1
o
C
Kemampuan Respon (waktu) 500mSec, 95% respon
Kemampuan Respon (spektral) 8-14um
Emisivitas 0,95 (Preset)
Jarak ke titik yang diamat 12:1
Suhu Beroperasi 0~40
o
C (32~104
o
F)
Kelembaban Beroperasi 10-95%RH (non considering) sampai dengan 30
o
C (86
o
F)
Temperatur Penyimpanan -20~60
o
C (-4~140
o
F)
Tenaga Baterai 9V
Kemampuan Stdby Baterai Mode NonLaser 22 jam ; Mode Laser 12 jam
Berat 147,5gram
Dimensi 153x101x43mm
(Sumber : Manual Book Thermometer Infrared Version : 380-EN-00)
I.7.11. Deteksi Perubahan Suhu
Deteksi perubahan suhu menggunakan data citra satelit terdiri dari beberapa
metode. Salah satu metode yang sering digunakan adalah metode analisis time series
yang dilakukan dengan membandingkan perubahan data antar citra dengan epoch
yang berbeda (Rahajeng, A.W., 2012). Metode Image Differencing adalah salah satu
metode substraksi citra yang terdapat dalam metode identifikasi time series. Prinsip
kerja dari metode ini adalah dengan cara mengurangkan nilai piksel citra dengan
epoch yang berbeda. Cara menghitung nilai piksel citra hasil adalah sebagai berikut :
O(x,y) = U1(x,y) U2(x,y) (I.21)
Keterangan :
45



O = Perubahan Suhu
U1 = Nilai piksel citra 1
U2 = Nilai piksel citra 2
x = Isi kolom
y = Isi baris