Anda di halaman 1dari 56

III.

INTERPRETASI DIGITAL CITRA LANDSAT TM MENGGUNAKAN SOFTWARE ERDAS IMAGINE 9.1 (STUDI KASUS KABUPATEN LAMPUNG UTARA)

III.1. Tinjauan Pustaka 3.1.1. Sistem Informasi Geografis (SIG) Sistem Informasi Geografis (SIG) adalah suatu teknologi baru yang pada saat ini menjadi alat yang sangat esensial dalam menyimpan, memanipulasi, menganalisis, dan menampilkan kembali kondisi-kondisi alam dengan bantuan data atribut dan spasial (Prahasta, 2002). Aplikasi SIG dapat digunakan untuk berbagai kepentingan selama data yang diolah memiliki referensi geografi. SIG tersusun atas komponen-komponen yang saling berintegrasi satu sama lain. Secara garis besar SIG tersusun atas 4 komponen, yaitu: perangkat keras (Hardware), perangkat lunak (Software), data dan informasi geografis (data spasial dan data atribut), dan sumberdaya manusia (Humanware). SIG dapat menangani berbagai macam aplikasi, seperti: sumberdaya alam, perencanaan, kependudukan atau demografi, lingkungan, pertanahan, ekonomi, pendidikan, kesehatan, dan militer. Tujuan pokok dari pemanfaatan SIG adalah untuk mempermudah mendapatkan informasi yang telah diolah dan tersimpan sebagai atribut suatu lokasi objek. Ciri utama data yang bisa dimanfaatkan dalam SIG adalah data yang terikat dengan lokasi dan merupakan data dasar yang belum dispesifikasi (Dulbahri, 1985).

12

Sumber data SIG sebagian besar dari data penginderaan jauh. Sumber lain berasal dari hasil survey dan data-data sekunder lainnya seperti sensus, catatan, dan laporan yang terpercaya. 3.1.2. Penginderaan Jauh Penginderaan jauh ialah 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 dan Kiefer, 1990). Penginderaan jauh dapat dibedakan menjadu dua bentuk, yaitu penginderaan jauh sistem pasif dan penginderaan jauh sistem aktif. Penginderaan jauh sistem pasif adalah penginderaan jauh yang menggunakan energi yang berasal dari obyek. Landsat, QuickBird, Ikonos, dan lain-lain adalah termasuk pada sistem penginderaan jauh pasif. Penginderaan jauh sistem aktif adalah penginderaan jauh yang menggunakan energi yang berasal dari sensor. Contoh dari sistem penginderaan jauh aktif ini adalah sistem kerja radar. Citra penginderaan jauh dapat pula disajikan menggunakan komputer dalam bentuk larik piksel, dimana masing-masing piksel berhubungan dengan nilai digital yang merepresentasi tingkat kecerahan piksel tersebut pada citra. Interpretasi dapat dilakukan dengan tampilan hitam putih atau citra berwarna. Citra hitam putih menampilkan citra satu saluran yang disajikan dengan perbedaan tingkat keabuan (greyscale). Citra berwarna merupakan tampilan citra dengan multi saluran yang dihubungkan dengan penembak warna merah, hijau dan biru (RGB) pada komputer. Variasi nilai pada suatu koordinat piksel yang sama akan mempengaruhi intensitas masing-masing warna yang muncul dilayar

13

komputer. Efek dari proses ini adalah tampilnya citra dengan warna-warna pada obyek-obyeknya. Warna-warna obyek sangat tergantung dari kombinasi saluran yang digunakan dalam penampilan tersebut. Tampilan citra ini sering pula disebut dengan tampilan multi spektral. 3.1.3. Citra Satelit Citra satelit memiliki banyak aplikasi dalam meteorologi, pertanian, geologi, kehutanan, konservasi keanekaragaman hayati, perencanaan daerah, pendidikan, kecerdasan dan peperangan. Interpretasi dan analisa citra satelit

dilakukan dengan menggunakan paket perangkat lunak seperti ERDAS IMAGINE atau ENVI. Ada empat jenis resolusi ketika mendiskusikan citra satelit penginderaan jauh: spasial, spektral, temporal, dan radiometri. Landsat ~30m artinya satuan terkecil peta ke piksel tunggal dalam gambar adalah ~ 30m x 30m. Landsat menawarkan citra pada resolusi 30 meter untuk planet ini, tapi sebagian besar belum diproses dari data mentah. Landsat 7 memiliki periode ulang rata-rata 16 hari. Untuk area yang lebih kecil, gambar dengan resolusi setinggi 41 cm dapat tersedia. Citra satelit dapat dikombinasikan dengan data vektor dalam SIG dengan ketentuan bahwa citra telah spasial diperbaiki sehingga benar akan sejajar dengan set data lainnya. SPOT satelit di orbit (Spot 2, 4 dan 5) memberikan gambar dengan pilihan besar resolusi dari 2,5 m sampai 1 km. Citra ALOS beresolusi besar (10x10 m) sehingga menampakkan unsur-unsur interpretasi lebih baik dibandingkan citra Landsat dan foto udara. Demikian pula DigitalGlobe's QuickBird satelit yang menyediakan resolusi 0.6 meter (pada Nadir) multispektral gambar. EROS A -

14

satelit resolusi tinggi dengan resolusi 1.9-1.2 m pankromatik. EROS B - generasi kedua satelit resolusi sangat tinggi dengan resolusi 70 cm pankromatik. 3.1.4. Landsat TM (Thematic Mapper) Landsat TM diluncurkan pada tahun 1982 dan merupakan satelit sumberdaya bumi generasi terbaru yang dikembangkan oleh NASA dan Departemen Dalam Negeri Amerika Serikat. Dengan ketinggian orbit 705 km dari permukaan laut, Landsat TM membawa penyiam multispektral yang lebih maju dan disebut pemeta tematik (Thematic Mapper/TM) dan memiliki resolusi spasial 30 meter x 30 meter. Landsat TM memiliki 7 buah band yang dirancang untuk memaksimumkan kemampuan analisis vegetasi untuk terapan bidang pertanian. Aplikasi utama Citra Landsat TM per saluran disajikan pada Tabel 3.1. Tabel 3.1. Aplikasi utama citra Landsat TM per saluran (Band) Panjang Gelombang Saluran Aplikasi Utama ( m) Untuk penetrasi tubuh air, berguna untuk pemetaan perairan pesisir. Juga berguna 1 0.45-0.52 untuk pembedaan tanah dengan vegetasi dan juga pemetaan jenis hutan. Untuk pengukuran puncak pantulan hijau 2 0.52-0.60 vegetasi untuk membedakan vegetasi dan penilaian ketahanan. Peka terhadap wilayah penyerapan klorofil 3 0.63-0.69 pada tumbuhan. Berguna untuk mengetahui jenis vegetasi, ketahanan dan kandungan biomassa, untuk 4 0.76-0.90 membatasi tubuh perairan, dan untuk pembedaan kelembaban tanah. Indikasi kandungan kelembaban vegetasi 5 1.55-1.75 dan kelembaban tanah, juga berguna untuk pembedaan salju dan awan. Berguna untuk analisis kerusakan tanaman, 6 10.4-12.5 pembedaan kelembaban tanah, dan aplikasi pemetaan suhu. 7 2.08-2.35 Berguna untuk membedakan mineral dan jenis batuan. Juga sensitif pada kandungan

15

kelembaban vegetasi. Sumber : Lillesand dan Kiefer, 1990 3.1.5. ERDAS IMAGINE 9.1 ERDAS IMAGINE 9.1 adalah sebuah aplikasi penginderaan jauh dengan kemampuan raster graphic editor yang dirancang oleh ERDAS. Inc untuk aplikasi geo spasial. ERDAS IMAGINE ditujukan pada proses pendataan raster geo spasial dan membantu pengguna untuk mempersiapkan, menampilkan, dan menajamkan citra digital untuk pemetaan yang kemudian diolah menggunakan software GIS atau CADD. Toolboxnya membantu pengguna untuk melakukan banyak operasi pada sebuah gambar/citra dan memecahkan masalah spesifikasi geografi. Dengan memanipulasi perbandingan data nilai dan posisi, sangat memungkinkan untuk melihat feature yang tidak tampak jelas dan untuk menempatkan posisi geografis dari feature yang belum terposisikan pada koordinat sebenarnya. Tingkat kecerahan atau refleksi cahaya dari permukaan gambar dapat membantu dalam analisis vegetasi, pendugaan mineral-mineral, dan lain-lain. Contoh penggunaan lainnya termasuk mengekstraksi feature linear, mengelompokkan urutan proses kerja (model spasial dalam ERDAS IMAGINE), mengekspor/impor data dengan format yang bervariasi, ortho-rectification, otomatis mengekstraksi feature data peta dari gambar/citra (Erdas, 2010).
III.2. Interpretasi Digital Citra Landsat TM menggunakan Software

ERDAS IMAGINE 9.1 (Studi Kasus Kabupaten Lampung Utara) Pemetaan penutup lahan diperoleh dari hasil penginderaan jauh dan interpretasi citra digital. Data citra yang digunakan adalah Citra Landsat TM dengan 6 band, yaitu: Band 1, 2, 3, 4, 5, dan 7. Band 6 tidak digunakan karena merupakan band yang khusus untuk menampung data thermal. Citra penginderaan

16

jauh yang digunakan adalah citra Landsat TM dengan band 4,5,2 untuk identifikasi penutup lahan (landcover). Este dan Simonett (1975) dalam Sutanto (1992) mengatakan bahwa interpretasi citra merupakan perbuatan mengkaji foto udara atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut. Pengenalan obyek merupakan bagian vital dalam interpretasi citra. Untuk itu identitas dan jenis obyek pada citra sangat diperlukan dalam analisis memecahkan masalah yang dihadapi. Karakteristik obyek pada citra dapat digunakan untuk mengenali obyek yang dimaksud dengan unsur interpretasi. Unsur interpretasi yang dimaksud disini adalah : 1. Rona / warna Rona dan warna merupakan unsur pengenal utama atau primer terhadap suatu obyek pada citra penginderaan jauh. Fungsi utama adalah untuk identifikasi batas obyek pada citra. Penafsiran citra secara visual menuntut tingkatan rona bagian tepi yang jelas, hal ini dapat dibantu dengan teknik penajaman citra (enhancement).
2. Bentuk

Bentuk dan ukuran merupakan asosiasi sangat erat. Bentuk menunjukkan konfigurasi umum suatu obyek sebagaimana terekam pada citra penginderaan jauh . Bentuk mempunyai dua makna yakni, bentuk luar / umum dan bentuk rinci atau sususnana bentuk yang lebih rinci dan spesifik. 3. Ukuran Ukuran merupakan bagian informasi konstektual selain bentuk dan letak. Ukuran merupakan atribut obyek yang berupa jarak , luas , tinggi, lereng dan

17

volume (Sutanto, 1992). Ukuran merupakan cerminan penyajian penyajian luas daerah yang ditempati oleh kelompok individu. 4. Tekstur Tekstur merupakan frekuensi perubahan rona dalam citra (Lillesand dan Kiefer, 1990). Tekstur dihasilkan oleh kelompok unit kenampkan yang kecil, tekstur sering dinyatakan kasar,halus, ataupu belang-belang (Sutanto, 1992). Contoh hutan primer bertekstur kasar, hutan tanaman bertekstur sedang, tanaman padi bertekstur halus. 5. Pola Pola merupakan karakteristik makro yang digunakan untuk mendiskripsikan tata ruang pada kenampakan di citra. Pola atau susunan keruangan merupakan ciri yang yang menandai bagi banyak obyek bentukan manusia dan beberapa obyek alamiah. Hal ini membuat pola unsure penting untuk membedakan pola alami dan hasil budidaya manusia. Sebagai contoh perkebunan karet , kelapa sawit sanagt mudah dibedakan dari hutan dengan polanya dan jarak tanam yang seragam. 6. Bayangan Bayangan merupakan unsur sekunder yang sering membantu untuk identifikasi obyek secara visual , misalnya untuk mengidentifikasi hutan jarang, gugur daun, tajuk ( hal ini lebih berguna pada citra resolusi tinggi ataupun foto udara). 7. Situs Situs merupakan konotasi suatu obyek terhadap factor-faktor lingkungan yang mempengaruhi pertumbuhan atau keberadaan suatu obyek. Sirtus bukan

18

cirri suatu obyek secara langsung, teapi kaitanya dengan faktor lingkungan. Contoh hutan mangrove selalu bersitus pada pantai tropic, ataupun muara sungai yang berhubungan langsung dengan laut (estuaria)
8. Asosiasi (korelasi)

Asosiasi menunjukkan komposisi sifat fisiognomi seragam dan tumbuh pada kondisi habitat yang sama. Asosiasi juga berarti kedekatan erat suatu obyek dengan obyek lainnya. Contoh permukiman kota identik dengan adanya jaringan transportasi jalan yang lebih kompleks dibanding permukiman pedesaan. 9. Konvergensi Bukti Konvergensi bukti adalah penggunaan beberapa unsure interpretasi citra sehingga ruang lingkupnya menjadi semakin menyempit kea rah satu kesimpulan tertentu. Contoh tumbuhan dengan tajuk seperti bintang pada citra menunjukkan pohon palem. Bila ditambah unsur interpretasi lain seperti situsnya di tanah becek dan berair payau, maka tumbuhan pelma tersebut adalah sagu. Hasil dari kegiatan interpretasi citra adalah klasifikasi jenis obyek yang tampak pada citra. Interpretasi secara digital adalah evaluasi kuantitatif tentang informasi spektral yang disajikan pada citra. Dalam pembuatan peta penutup lahan Lampung Utara mulai dari klasifikasi hingga cetak dibutuhkan beberapa tahap, antara lain: pengumpulan data digital, interpretasi digital menggunakan dua metode (Supervised classification dan Unsupervised classification), modifikasi data, layout peta, dan pencetakan peta.

19

Mulai

Transformasi koordinat vector admin (Global Mapper) Admin Kabupate n

Input data citra Landsat TM tiap band (ERDAS IMAGINE 9.1)

Input data vector (AutoCAD)

Citra Landsat TM 452

Cropping data citra Landsat (ERDAS IMAGINE 9.1)

Unsupervised Classification Supervised Classification (ERDAS IMAGINE 9.1)

Modifikasi data (overlay) (ArcGIS 9.3)

Layout peta (ArcGIS 9.3)

Pencetakan peta (penutup lahan) Selesai Gambar 3.1. Proses pembuatan peta penutup lahan 3.2.1. Pengumpulan Data Digital Pengumpulan data digital adalah langkah awal yang dilakukan dalam pembuatan peta. Data digital yang dibutuhkan adalah :
1. Citra Landsat TM dengan RGB Band 4,5,2 (untuk peta penutup lahan). 2. Vector Rupa Bumi Indonesia (RBI) skala 1:250.000.

20

3. Vector Administrasi Kabupaten se Indonesia skala 1:250.000. 4. Vector jalan untuk NLP 1010, NLP 1011, dan NLP 1111 dengan skala

1:50.000.
5. Vector sungai untuk NLP 1010, NLP 1011, dan NLP 1111 dengan skala

1:50.000.
6. Vector penggunaan lahan untuk NLP 1010, NLP 1011, dan NLP 1111 dengan

skala 1:50.000. Data digital disimpan dalam satu folder, untuk kerapihan direktori file. 3.2.2. Interpretasi Digital menggunakan Dua Metode (Supervised Classification dan Unsupervised Classification) Dasar interpretasi citra digital berupa klasifikasi citra piksel berdasarkan nilai spektralnya dan dapat dilakukan dengan cara statistik. Dalam

pengklasifikasian citra secara digital, mempunyai tujuan khusus untuk mengkategorikan secara otomatis setiap piksel yang mempunyai informasi spektral yang sama dengan mengikutkan pengenalan pola spektral, pengenalan pola spasial dan pengenalan pola temporal yang akhirnya membentuk kelas atau tema keruangan (spasial) tertentu. Klasifikasi diawali dengan menentukan nilai piksel representatif tiap obyek secara sampling. Nilai piksel dari tiap sampel tersebut digunakan sebagai masukan dalam proses klasifikasi. Dalam mengkelaskan nilai-nilai spektral citra menggunakan banyak feature tersebut, dikenal istilah klasifikasi terselia (Supervised Classification) dan klasifikasi tak terselia (Unsupervised

Classification). Istilah klasifikasi terselia digunakan, karena metode ini mengelompokan nilai piksel berdasarkan informasi penutup lahan aktual di

21

permukaan bumi, sedangkan istilah klasifikasi tak terselia digunakan, karena proses pengkelasannya hanya mendasarkan pada infomasi gugus-gugus spektal yang tidak bertumpang susun, pada ambang jarak (threshold distance) tertentu, dan saluran-saluran yang digunakan. Proses digital digunakan untuk meningkatkan kualitas citra dan meningkatkan konsistensi interpretasi. Interpretasi dilakukan menggunakan software ERDAS IMAGINE 9.1 dengan langkah sebagai berikut : 1. Input data Proses input data ini merupakan proses pengumpulan citra Landsat hasil download yang masih terpisah pada masing-masing band. Dalam proses input data, semua band citra Landsat diinput kemudian dapat ditentukan kombinasi band yang cocok untuk klasifikasi penutup lahan. Proses input data pada ERDAS IMAGINE 9.1 adalah sebagai berikut :
a. b.

Buka program ERDAS IMAGINE 9.1 Klik icon interpreteur

, pada kotak image interpreteur pilih

Utilities > layerstack.


c.

Pada kotak Layer Selection and Stacking masukkan data citra hasil

download (berformat TIFF) > add satu per satu > kemudian tentukan nama outputnya (berformat img) > simpan dengan nama stack2006 dan ok, data citra yang tersimpan berformat *img. Seperti disajikan pada Gambar 3.2.

22

Gambar 3.2. Proses input data pada ERDAS IMAGINE 9.1 2. Penentuan RGB (Red Green Blue) band. RGB band berbeda pada setiap keperluan penggunaan interpretasi citra, untuk keperluan pertanian dan kehutanan RGB band yang sesuai adalah 4,5,2 untuk pembacaan karakter vegetasi. Saluran komposit warna semu RGB 452 citra landsat TM menonjolkan kenampakan topografi, dengan mengunakan saluran tersebut igir-igir perbukitan serta alur dan riil aliran dapat terlihat dengan jelas. Warna merah (R) diberikan pada saluran 4 (inframerah dekat) yang mempunyai panjang gelombang 0,78 m 0,90 m, saluran ini peka terhadap pantulan vegetasi. Warna hijau (G) diberikan pada saluran 5 (inframerah tengah) yang mempunyai panjang gelombang 1,55 m 1,75 m, saluran ini peka terhadap pantulan tanah kering, sedangkan warna biru (B) diberikan pada saluran 2 (Hijau) yang mempunyai panjang gelombang 0,53 m 0,61 m, saluran ini peka terhadap pantulan tanah kering dengan sedikit vegetasi dan tubuh air. Kenampakan vegetasi pada RGB ini adalah semakin merah warna citra

23

menunjukkan vegetasi yang semakin lebat dan homogen, warna terang mengindikasikan lahan terbuka dan daerah pemukiman (built up area). Di dalam ERDAS IMAGINE 9.1 klik Viewer > buka data stack2006

yang telah disimpan > RGB band dapat dipilih melalui raster > Band combination. Seperti disajikan pada Gambar 3.3.

Gambar 3.3. Proses pengaturan RGB band 3. Klasifikasi citra secara digital (Supervised Classification dan Unsupervised Classification). Klasifikasi citra merupakan proses pengelompokan piksel pada suatu citra ke dalam sejumlah class, sehingga setiap kelas dapat menggambarkan suatu entitas dengan ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk menghasilkan peta tematik, dimana suatu warna mewakili suatu objek tertentu. Secara digital klasifikasi citra dapat dilakukan secara terselia (supervised classification) dan tak terselia (unsupervised

classification). Adapun klasifikasi berdasarkan penutup lahan dari citra Landsat disajikan pada Tabel 3.2. Tabel 3.2. Klasifikasi jenis penutup lahan dari citra Landsat TM
NO CITRA LANDSAT TM JENIS PENUTUP LAHAN

24

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Hutan Alami Hutan Lahan Kering Perkebunan Tanaman Campuran Tegalan/Ladang Semak Belukar Sawah Sawah pasang surut Rawa Lahan Terbuka Pemukiman Danau Sungai Hamparan pasir pantai

15 Tidak ada data Sumber : Citra Landsat TM, 2006 Langkah-langkah dalam klasifikasi citra: a. Pemotongan area Dalam klasifikasi ini diambil area Lampung Utara. Vector dari peta administrasi menjadi pencetak pemotongan.
1) Terlebih dahulu dilakukan cropping wilayah Kabupaten Lampung

Utara dengan cara : Buka program ArcGIS 9.3 > add data admin kabupaten > selection (select by attribute) > KABUPATEN=Lampung_Utara > ok > data > export data > beri nama Kab_lampura > ok.
2)

Kemudian sistem koordinat vector disesuaikan dengan

koordinat citra, pengubahan koordinat dapat dilakukan di Global

25

Mapper: Buka program Global Mapper > ambil data Lampung

Utara > klik icon configuration

> projection > UTM > zone 48

[102oE 108oE Northern Hemisphere ] > save to file >ok >file > export vector data > export shapefile > pilih export area untuk save as > ok.
3)

Cropping citra wilayah Kabupaten Lampung Utara

dilakukan di ERDAS IMAGINE 9.1 dengan cara :


a) Buka program ERDAS IMAGINE 9.1, pada viewer buka data

citra stack2006 > buka pada view yang sama untuk vector Lampung Utara > klik pada vector > AOI > Copy selection to AOI > file > save AOI layer as >selected only > menu vector > Enable editing > klik pada vector > save all layer as > selected only >ok. Seperti disajikan pada Gambar 3.4.

b) Buka data Preparation

> Subset > input citra > output >

AOI ambil AOI yang telah disimpan > ok. Seperti disajikan pada Gambar 3.5.

26

Gambar 3.4. Proses pembuatan AOI

Gambar 3.5. Proses cropping citra


b. Unsupervised Classification ( Klasifikasi tak terselia )

27

Unsupervised classification bekerja secara hampir otomatis, dimana jumlah pola kelas tidak diketahui. Pengelompokkan dilakukan berdasarkan piksel-piksel. Tahapan kegiatan yang dilakukan dalam klasifikasi tak terselia mengggunakan software ERDAS IMAGINE 9.1 :
1) Menentukan jumlah kelas warna citra yang akan diklasifikasi

(number of classes) dengan cara:


a) Tampilkan image citra Kabupaten Lampung Utara dengan

Viewer, kemudian

dari tool Classifier

> pilih

Unsupervised Classification.
b) Input data Lampung_Utara yang berformat *img, output

data dengan format *img dan sig.


c) Isikan number of class sebanyak 20 atau lebih. d) Automatic pada initializing option. e) Pilih Approximate true color pada Color scheme option. f) Isikan 4 pada Maximum Iteration, ok. Seperti disajikan

pada Gambar 3.6.

28

Gambar 3.6. Proses penentuan jumlah kelas penutup lahan metode Unsupervised Classification

2) Mengidentifikasi tiap-tiap kelas warna yang dihasilkan oleh proses

klasifikasi sesuai dengan tipe-tipe penutupan lahan yang telah ditetapkan dan memberi nama dan warna tipe-tipe penutupan

lahan (attributing), dengan cara :


a) buka data output unsupervised classification, sebelum ok

hilangkan centang untuk clear display pada raster option, ok.


b) Layer pada view akan bertampalan, untuk mempermudah

penginderaan, pilih Utility > swipe.


c) Untuk menampilkan tabel atribut : klik raster > Attribute. d) Lakukan pengaturan display width table pada menu edit >

column properties.

29

e) Untuk menampilkan per piksel klasifikasi warna : drag

pada Opacity > klik kanan pilih formula > isikan 0 pada opacity, ok. Klik pada baris piksel yang akan diidentifikasi, isikan 1 pada kolom opacity. Setelah klasifikasi selesai, save. Seperti disajikan pada Gambar 3.7.
c.

Supervised Classification ( Klasifikasi terselia )

Supervised Classification dilakukan dengan prosedur pengenalan pola spektral dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas (tracking area) yang mewakili setiap kelompok. Tahapan kegiatan yang dilakukan dalam klasifikasi terselia menggunakan software ERDAS IMAGINE 9.1: 1) Pemilihan daerah (tracking area) yang diidentifikasi

sebagai satu tipe penutupan lahan berdasarkan pola-pola spektral yang ditampilkan oleh citra, dengan cara :
a) Buka program ERDAS IMAGINE 9.1, tampilkan image citra

Lampung_Utara dengan Viewer, kemudian dari tool Classifier

> pilih Signature Editor.


b) Dari Viewer pilih tool AOI > Tool, kemudian klik icon

polygon

untuk mengambil sampel warna.

30

c) Pada

lembar kerja signature editor, klik icon

memasukkan sampel. Ambil hingga minimal 8 sampel kemudian save as.


d) Dari tool Classifier > pilih Supervised classification. e) Input data yang berformat *img, input data signature yang

telah disimpan, output data dengan format *img, ok.


f) Proses klasifikasi citra dilakukan

secara otomatis oleh

komputer

berdasarkan

pola-pola spektral yang telah

ditetapkan pada saat proses pemilihan daerah. Tampilan hasil klasifikasi dapat langsung dilihat pada viewer

berikutnya. Seperti disajikan pada Gambar 3.8.

31

Gambar 3.7. Proses identifikasi kelas penutup lahan metode Unsupervised Classification

32

33

Gambar 3.8. Proses identifikasi kelas penutup lahan metode Supervised Classification. d. Luas daerah klasifikasi

Luas hasil klasifikasi pada ERDAS IMAGINE 9.1 dapat diketahui dengan cara menambah kolom Area pada Atribute : klik Raster > Atribute > Edit > Add Area Column (dengan satuan Hectare). Seperti disajikan pada Gambar 3.9.

Gambar 3.9. Proses penghitungan luas pada ERDAS IMAGINE 9.1

34

3.2.3. Modifikasi Data Di dalam proses modifikasi data dilakukan overlay antara data raster dengan data vector (jalan dan sungai) menggunakan ArcGIS 9.3. Data vektor adalah objek yang diwakili oleh titik-titik, garis dan poligon yang mempunyai sistem koordinat kartesius, sedangkan data raster berupa satuan homogen terkecil yang disebut piksel, setiap piksel menyatakan luasan perrmukaan bumi suatu lokasi. Data vector yang diperoleh dari Bakosurtanal adalah data setiap NLP dengan skala 1:50000. Berikut ini adalah proses modifikasi data : 1. Pengumpulan data vector dilakukan di AutoCAD dengan cara buka 1 data (misal 1010-54_2LN untuk kategori jalan) > insert > block > browse data berikutnya >ok. 2. Setelah semua vector jalan terkumpul (3 NLP), kemudian save as. Seperti disajikan pada Gambar 3.10.

35

Gambar 3.10. Proses input data vector pada AutoCAD 3. Cropping data vector perlayer pada autoCAD dapat dilakukan secara manual dengan cara : matikan 1 layer yang akan dicrop > hapus semua layer yang aktif > aktifkan layer yang akan dicrop > save as > ketik perintah purge > all item > purge all > yes > save. Seperti disajikan pada Gambar 3.11.

36

Gambar 3.11. Proses cropping data vector pada AutoCAD 4. Hal yang sama juga dilakukan untuk vector sungai dan penggunaan lahan. 5. modifikasi data pada ArcGIS 9.3
a.

Klik ikon arcMap

, pilih A new empty map.

Gambar 3.12. Tampilan awal ArcGIS


a.

Add data vector lampung utara sebagai pencetak clip.

37

b.

Kemudian membuat project : Pada Arctoolbox pilih Data

Management Tool > Projections and Transformations > features > project > input dataset > output coordinate > pada coordinate system klik select > projected coordinate system > UTM > WGS 1984 > WGS 1984 UTM zone 48S.prj >ok > ok. Seperti disajikan pada Gambar 3.13. WGS (World Geodetic System) 1984 merupakan datum geosentris yang dikembangkan oleh departemen pertahanan Amerika Serikat dan digunakan untuk GPS, dan menjadi dasar kerangka koordinat nasional. UTM zone 48S digunakan karena Kabupaten Lampung Utara masuk ke dalam zone 48 pada belahan bumi selatan. Untuk keperluan praktis DGN-95 adalah sama dengan WGS-84. DGN-95 adalah Datum Geodesi Nasional 1995 yang geosentris sebagai dasar kerangka koordinat nasional yang baru dan kompatibel dengan Global Positioning System (GPS).

38

Gambar 3.13. Proses projection data (mengubah sistem koordinat)


a. Add data vector penggunaan lahan yang telah diolah di AutoCAD

sebelumnya. Kemudian di export ke shp : klik kanan pada layer > data > export data > ok. Seperti disajikan pada Gambar 3.14.
b.

Kemudian

define

projection

pada

Arctoolbox>

Data

Management Tool > Projections and Transformation > define

39

projection > input data yang akan didefine > pada coordinate system klik select > projected coordinate system > UTM > WGS 1984 > WGS 1984 UTM zone 48S.prj > ok. Begitu pula untuk layer-layer berikutnya.

Gambar 3.14. Proses export data menjadi shapefile

c.

Proses clip : Pada Arctoolbox pilih Analysis tool > Extract > clip >

input feature yang akan diclip > Lampung Utara sebagai Clip Feature > output > ok. Seperti pada Gambar 3.15.

40

Gambar 3.15. Proses clip 6. Untuk data raster :


a. b.

Add data raster hasil klasifikasi. Add data vector jalan dan sungai yang telah diclip.

7. Geodatabase Geodata base adalah database relasional yang memuat informasi geografi. Geodatabase terdiri atas feature classes (spasial) dan table (non spasial). Feature Class merupakan kumpulan beberapa feature yang memiliki bentuk geometri dan atribut sama . Feature class dalam geodatabase dapat berupa single feature atau individu dan dapat juga disusun dalam suatu feature dataset menggunakan sistem koordinat yang sama. Berikut ini adalah proses geodatabase :
a. Klik icon ArcCatalog

b. Pada lembar ArcCatalog pilih file > new > file geodatabase. c. Klik kanan pada file geodatabase > new > feature dataset.

41

d. Beri nama dataset > next > ubah projection menjadi projected

coordinate system > UTM > WGS 1984 > WGS 1984 UTM zone 48S. e. Next > Vertical coordinate system > world > MSl (Height) > next > finish.
f. Kembali ke layer data frame, setiap layer di export dari shapefile

ke geodatabase dengan cara klik kanan > data > export data > simpan dalam dataset yang telah dibuat di geodatabase. Seperti disajikan pada Gambar 3.16.

Gambar 3.16. Proses pembuatan geodatabase 8. Perapihan Database

42

Perapihan database dilakukan dengan tujuan agar mempermudah dalam penyajian informasi database. Berikut ini adalah proses perapihan database:
a.

Membuat identity pembeda kelompok penggunaan lahan . contoh : pada masing-masing feature klik kanan > open attribute table > add field > nama = PL, type = text

b. Drag pada kolom PL > klik kanan > field calculator > isikan nama

penggunaan lahan > ok. Lakukan hal yang sama untuk penggunaan lahan lainnya.
c.

Jika dalam satu penggunaan lahan masih terdiri dari banyak polygon kecil, harus didissolve dengan cara:
1) Pada Arctoolbox, pilih Data Management Tools >

Generalization > Dissolve.


2) Masukkan dataset yang akan diDissolve 3) Pilih PL sebagai Dissolve_fields > output > ok. d. Hapus

kolom

yang

tidak

perlu,

sisakan

hanya

kolom

objected,shape,shape_length, shape_area, luas_Plahan,PL. 9. Penghitungan Luas


a. Untuk data raster yang telah diolah menggunakan software ERDAS

IMAGINE 9.1, penghitungan luas dapat langsung dilakukan pada software tersebut dengan cara : Pada ERDAS IMAGINE 9.1 untuk view baik Supervised Classification atau Unsupervised Classification, penghitungan luas dilakukan melalui

43

Raster > Attribute > edit > add area column > unit hectares > name Luas > ok.
b. Untuk data vector, penghitungan luas dilakukan di dalam ArcGIS,

dengan cara :
1)

Terlebih dahulu mengganti projection melalui > view >

Data Frame Properties > Coordinate Properties > Predefine > Projected Coordinate System > World > Mercator (world) > ok. Seperti disajikan pada Gambar 3.17.

Gambar 3.17. Proses mengganti projection

44

2)

Kemudian klik kanan pada salah satu layer yang telah

diclip > open Attribute Table > option > add field > name Luas > Type Float > Precision 7 (menunjukkan banyaknya nominal), Scale 3 (menunjukkan jumlah nominal di belakang koma) > ok.
3)

Kemudian drag dan klik kanan pada kolom Luas > pilih

Calculate Geometry > pada property pilih Area > pilih Use coordinate system of the data frame (PCS: world Mercator) > Units : Square meters [sq m] > ok. Agar hasil hitungan menjadi hectare : klik kanan pada field luas > field calculator > isikan luas/10000 > ok.
4)

Untuk memindahkan luasan dari ArcGIS ke excel : masih

dalam attribute, klik option > export > beri nama > ok. Seperti disajikan pada Gambar 3.18.

45

Gambar 3.18. Proses penghitungan luas pada ArcGIS 9.3 Begitu pula untuk jenis penutup lahan lainnya. Format dari export adalah dbase. Database dapat dibuka di Excel dengan cara : Buka lembar kerja Excel dengan klik > All Programs > > pilih data

Microsoft Office > Microsoft Office Excel > klik

perhitungan luas Pemukiman dan penutup lahan lainnya dengan File of Type dBase Files. Seperti disajikan pada Gambar 3.19.

46

Gambar 3.19. Tampilan database luas penutup lahan dalam excel


3.2.4. Layout Peta

Layout merupakan bagian dari proses pengaturan tampilan peta sebelum dicetak. Berikut ini adalah prosedur proses layout pada ArcGIS 9.3 :
1. Peta Penutup .Lahan a. Dari tool View > pilih Layout View. b. Klik kertas, klik kanan, pilih page and print setup, pada kolom Map Page

Size, hilangkan centang pada Use Printer Paper Settings.


c. Pada kolom Page Standart Sizes pilih Custom.

47

d. Pada kolom Width ganti satuan dengan millimeters, dan masukkan angka

950. Pada kolom Height ganti satuan dengan millimeters, dan masukkan angka 650. Pada kolom Orientation pilih modus Landscape, ok. Seperti disajikan pada Gambar 3.20.

Gambar 3.20. Proses page setup layout e. Klik kanan pada frame, pilih properties: 1) Coordinate system > predefine > Projected coordinate system > UTM > WGS1984 > WGS1984 UTM Zone 48S > ok. 2) Data Frame > skalakan 1:250.000 > Fixed scale > ok.

48

3) Grid > New grid > Measured Grid divides map into a grid of map unit> label only > pada intervals isikan X=10000, Y=10000 > next > finish. Seperti disajikan pada Gambar 3.21.

Gambar 3.21. Proses pembuatan measured grid

49

4) New grid > Graticule divides map by meridians and parallels > pada Appearance pilih Graticule and labels > pada Place Parallels every dan Place Meridians every isikan 0 untuk degree dan second, 15 untuk minutes > untuk labeling pilih color dark amethyst, size 8 > finish. Seperti disajikan pada Gambar 3.22.

Gambar 3.22. Proses pembuatan graticule grid 5) Untuk measured grid > properties > axes > pada Major division ticks pilih buttom dan right, tick size 30 > label > label axes, buttom dan right, format Corner label, size 10, Additional Properties > pada

50

corner label hilangkan semua centang > lines > do not show lines or ticks > ok. Seperti disajikan pada Gambar 3.23.

Gambar 3.23. Proses editing measured grid 6) Untuk Graticule > labels > label axes, buttom dan right > Klik additional properties, hilangkan centang pada table Direction Indication, dan hilangkan centang pada Seconds Show zero seconds, OK. Properties Lines, pilih Do not show lines or ticks, OK > lines > show as a grid of lines > intervals > degrees and decimal minutes > Ok. Seperti disajikan pada Gambar 3.24.

51

Gambar 3.24. Proses editing graticule grid 7) Buat garis untuk membuat grid diluar dengan menambahkan guide agar menjadi rapih 8) Tambahkan grid di luar frame untuk format mT dan mU, dengan menaruh kursor di ujung kiri bawah, kanan bawah, kanan atas, dan kiri atas frame. Lihat koordinat di status. X untuk mT dan Y untuk mU. Koordinat mT diletakkan vertikal, sedangkan mU diletakkan horizontal.

52

9) Tambahkan grid untuk format lintang dan bujur (LU dan BT), dengan melihat grid graticule, untuk grid bujur dapat dilihat dari latitude (sumbu x) letakkan vertikal, untuk grid lintang dapat dilihat dari longitude (sumbu y) letakkan horizontal dan letakkan di dalam frame, di ujung kiri bawah, kanan bawah, kanan atas, dan kiri atas frame. 10) Klik frame Penutup Lahan > klik kanan, Properties > Frame > Background, pilih color Moorea blue, OK. 11) New text utuk menambahkan Samudera (Size 26, Color Lapis Lazuli, Style italic). 12) Label kabupaten : klik kanan pada layer admin > Properties > labels > centang pada Label features in this layer > label field Kabupaten > size 12, bold > Placement Properties pilih Remove Duplicated Labels > ok. Seperti disajikan pada Gambar 3.25.

Gambar 3.25. Proses labeling

53

13) Insert > legend, klik item image hasil klasifikasi > next > finish. 14) Klik kanan pada legenda > pilih Convert to graphic > klik kanan lagi, ungroup untuk mengatur legenda. Seperti disajikan pada Gambar 3.26.

Gambar 3.26. Proses pembuatan legenda peta

54

2.

Petunjuk Letak Peta


a. Insert > Data frame > add data RBI skala 1:250.000. b. c.

Ganti warna menjadi hollow dan outline Moorea blue. Untuk ambil 1 NLP :

1) Klik selection > Select by attributes. 2) Pada kotak select by attributes klik Nomor_Peta ,=, pada Get unique

Values pilih NLP-nya, ok. Seperti disajikan pada Gambar 3.27.

Gambar 3.27. Tampilan select by attribute


3) Kemudian pada pada layer RBI klik kanan > Data > Export data > beri

nama sesuai NLP.


4) Pada NLP yang telah di ambil, arsir dengan 10%simple hatch, warna

Mars red. Atur sedemikian rupa sehingga tampilan menunnjukkan 9 NLP dimana NLP yang di arsir berada di tengah.

55

5) Kemudian tambahkan graticul grid dengan intervals 1 pada degrees

dan 30 pada minutes, warna Moorea blue, size 6.


6) Hilangkan label pada RBI250, dengan klik kanan RBI250 dari table of

content, hilangkan centang pada Lable features. Properties > labels > centang pada Label features in this layer > label field Nomor peta > size 12, bold, color moorea blue > Placement Properties pilih Remove Duplicated Labels > ok.

Gambar 3.28. Tampilan petunjuk letak peta


3. Diagram Lokasi a. Insert > Data frame > add data RBI skala 1:250.000 dan peta

administrasi.
b. Select by attribute pada RBI untuk ambil 1 NLP c. Pada NLP yang telah diambil, ubah warna menjadi hollow dan outline

Mars red. d. Atur sedemikian rupa sehingga tampilan menunnjukkan 9 NLP dimana NLP yang diambil berada di tengah.

56

e. Untuk peta administrasi, lakukan dissolve dengan cara :

Pada Arctool box pilih Data Management tool > generalization > dissolve > input feature yang akan didissolve > pada dissolve field pilih provinsi > output beri nama Lampung_prov > ok.
f. Kemudian tambahkan graticul grid dengan intervals 1 pada degrees dan

30 pada minutes, warna Moorea blue, size 6.


g.

Hilangkan label pada RBI250, dengan klik kanan RBI250 dari

table of content, hilangkan centang pada Lable features.


h.

Pada feature Lampung prov klik kanan > Properties > labels >

centang pada Label features in this layer > label field Kabupaten > Placement size 5, bold > Properties pilih Remove Duplicated Labels > ok.
i.

Klik frame diagram lokasi, klik kanan, Properties > Frame >

Background > pilih color Lt Cyan, OK.

Gambar 3.29. Tampilan diagram lokasi 4. Pembagian Wilayah Administrasi

57

a. Insert > Data frame > add data RBI skala 1:250.000 dan peta

administrasi.
b. Hilangkan label pada RBI250, dengan klik kanan RBI250 dari table of

content, hilangkan centang pada Lable features. c. Atur sedemikian rupa sehingga tampilan menunnjukkan 1 NLP
d. Klik frame diagram lokasi, klik kanan, Properties > Frame > Background

> pilih color Moorea Blue, OK. e. Hilangkan centang pada feature RBI
f. Beri label angka romawi pada masing-masing kabupaten dan abjad untuk

provinsi menggunakan New Text.

Gambar 3.30. Tampilan pembagian wilayah administrasi 5. Judul peta


a. Insert > Title > tuliskan dengan size 26, bold

PETA PENUTUP LAHAN LAMPUNG UTARA LEMBAR 1111

58

b. Menggunakan New text, size 10, bold untuk penulisan:

1) Skala, 2) Petunjuk letak peta,


3) Diagram lokasi

4) Pembagian wilayah administrasi,


c.

New text, dengan size 8 untuk keterangan proyeksi peta. PROYEKSI ZONE UTM SISTEM GRID : TRANSVERSE MERCATOR : 48S : GRID GEOGRAFI DAN GRID UTM

DATUM HORIZONTAL: WGS 1984 / DGN 1995 6. Logo Logo instansi diletakkan di bawah DATUM HORIZONTAL: WGS 1984 / DGN 1995. Pemberian logo dapat dilakukan dengan cara klik insert > picture > browse picture dari file > ok. Kemudian beri keterangan nama instansi menggunakan New text, bold dengan size 10. Seperti disajikan pada Gambar 3.31.

59

Gambar 3.31. Proses pemberian logo instansi


7. Klik New rectangle dan New circle, buat lambang ibukota provinsi letakkan

di bawah Ibukota dan Batas Administrasi, dan New text, Ibukota Provinsi, letakkan di sebelah lambang ibukota provinsi.
8. New circle dan point, buat lambang ibukota kabupaten letakkan di bawah

lambang ibukota provinsi, dan New text, Ibukota Kabupaten, letakkan di sebelah lambang ibukota kabupaten.
9. Klik line untuk membuat lambang Batas provinsi dan kabupaten. Seperti

disajikan pada Gambar 3.32.

Gambar 3.32. Proses pembuatan informasi simbol


10. Menggunakan New text size 12 bold untuk penulisan: a. Keterangan Ibukota dan Batas Administrasi, Perhubungan, Perairan,

Penutup Lahan.
b. Sumber dan Riwayat Peta.

60

c. Diagram lokasi.

d. Nama Pembuat Peta


11. Buat lambang danau/waduk menggunakan New polygon, sungai dan garis

pantai dengan menggunakan New curve.

Gambar 3.33. Tampilan informasi perairan


12. Klik Insert pada tools > Scale bar > pilih Alternatif scale bar 1 > Properties,

Pada Number of divisions isikan 2 > hilangkan centang pada Show one division before zero > Division Unit ganti dengan Kilometers > OK, OK. Kecilkan ukuran skala > sesuai kebutuhan.

Gambar 3.34. Tampilan skala batang


13. Untuk skala teks, klik Insert pada tools > Scale text > pilih Absolute Scale,

OK
14. Masukkan arah mata angin, klik Insert pada tools, North arrow, pilih ESRI

North 85, OK. Klik kanan, convert to graphic.

61

15. Beri label mata angin U untuk utara, S untuk selatan, T untuk timur, dan B

untuk barat. Group label dan mata anginnya.

Gambar 3.35. Tampilan arah mata angin


16. Untuk merapihkan keterangan mata angin, diagram skala, keterangan dibuat

gambar, dan frame pembagian wilayah administrasi menjadi vertical center, maka klik mata angin, Shift+ keterangan dibuat gambar, klik kanan, Align, pilih Align vertical centre. Begitu pula dengan skala, dan frame pembagian wilayah administrasi. Objek yang dipilih kedua adalah sebagai patokan.
3.2.5 Pencetakan Peta 1. Export peta ke dalam format *PDF dengan cara klik File pada menu tool,

pilih Export map, pilih tempat dimana untuk menyimpan file, beri nama. Pada Save as type, pilih PDF, lalu klik Save.
2. Buka file yang telah di export menggunakan Adobe Reader. Klik File pada

menu tool, pilih Print setup, pada Printer Name masukkan printer yang sudah tersetting, pada Paper Size ganti dengan A3, Orientation Landscape, OK. Klik Print pada menu tool, OK.

62

3.3 Pembahasan Interpretasi digital dilakukan pada sampel citra Landsat TM tahun perekaman 2006 dengan tingkat resolusi 30 x 30 m, dengan tujuan untuk mengetahui jenis penutup lahan pada studi area Kabupaten Lampung Utara. Interpretasi digital dilakukan dengan menggunakan perangkat lunak (software) ERDAS IMAGINE 9.1 yang dapat menginterpretasikan citra dengan 2 metode, yaitu metode klasifikasi terselia (Supervised Classification) dan klasifikasi tak terselia (Unsupervised Classification). Pada dasarnya, metode interpretasi secara digital adalah mengelompokkan piksel warna yang sejenis maupun komposit yang mendominasi suatu pola obyek pada citra. Namun pada kedua metode tersebut terdapat perbedaan cara klasifikasi meskipun pada akhirnya hasil klasifikasi tidak jauh berbeda. Pada metode klasifikasi terselia (Supervised Classification) pengkelasan dilakukan dengan pemilihan daerah (tracking area) yang diidentifikasi sebagai satu tipe penutupan lahan berdasarkan pola-pola spektral yang ditampilkan oleh citra, dan didukung dengan pengecekan di lapangan. Sedangkan metode klasifikasi tak terselia (Unsupervised Classification) hanya sebagai model studi, dimana jumlah pola kelas tidak diketahui. pengkelasan dilakukan secara otomatis berdasarkan piksel-piksel. Data yang digunakan sebagai pembanding adalah data vector yang bersumber dari digitasi foto udara, karena dianggap justifikasinya lebih jelas.

63

Gambar 3.36. Perbandingan hasil klasifikasi Dari hasil interpretasi digital metode klasifikasi terselia (Supervised Classification) dan klasifikasi tak terselia (Unsupervised Classification) penutupan lahan yang telah dilakukan terdapat ketidakcocokan luas penutupan lahan dengan luas Kabupaten Lampung Utara. Dari hasil interpretasi digital didapatkan luas sebesar 2.792,85 km2 (metode Supervised Classification) dan 2.770,94 km2 (metode Unsupervised Classification), sedangkan vector Penutup Lahan Kabupaten Lampung Utara memiliki luas sebesar 2.788,09 km2. Hasil luasan penutup lahan secara rinci disajikan pada Tabel 3.3.

64

Tabel 3.3. Tabel luasan hasil klasifikasi

Penyimpangan luasan yang terjadi dapat dihitung dengan persentase sebagai berikut: Penyimpangan luasan = luas peta vektor luas peta klasifikasi x 100 % luas peta vektor
1. Klasifikasi terselia (supervised Classification)

Penyimpangan luasan = 2788,09 2792,85 x 100 % = 0,17 % 2788,09


2. Klasifikasi tak terselia (Unsupervised Classification)

Penyimpangan luasan = 2788,09 2770,94 x 100 % = 0,62 % 2788,09 Sumber data yang tidak sama antara citra Landsat TM tahun 2006 dan peta vector Kabupaten se-Provinsi Lampung tahun 1999 dapat menyebabkan terjadinya penyimpangan pada luasan penutup lahan Kabupaten Lampung Utara. Perbedaan sumber peta juga mempengaruhi pengkelasan jenis penutup lahan. Namun peta vector di sini tetap digunakan untuk referensi letak obyek dalam proses interpretasi.

65

Penutupan lahan Kabupaten Lampung Utara menurut data BPS tahun 2006 sebagian besar wilayahnya adalah kebun rakyat dengan luas 670,65 km2 (24.61% dari luas total), sedangkan sisanya adalah kawasan yang dapat diusahakan menjadi kawasan budidaya pertanian, dan juga pemukiman. Jika dibandingkan dengan data vector berdasarkan hasil perhitungan di atas untuk akurasi, diperoleh penyimpangan luasan hasil klasifikasi terselia (Supervised Classification) sebesar 0,17 % dan penyimpangan luasan hasil klasifikasi tak terselia (Unsupervised Classification) sebesar 0,62 %. Dari hasil perhitungan tersebut, Nampak bahwa penyimpangan terkecil diperoleh pada klasifikasi terselia (Supervised

Classification). Berdasarkan ketentuan yang digunakan oleh Bakosurtanal, penyimpangan luasan maksimum yang diperbolehkan adalah 10%. Dengan demikian dapat dikatakan bahwa metode klasifikasi terselia (Supervised Classification) lebih akurat di bandingkan metode klasifikasi tak terselia (Unsupervised Classification). Namun kedua metode tersebut tetap dapat digunakan karena hasil penyimpangan luasan masih di bawah batas

penyimpangan luasan maksimum yang diperbolehkan. Kelas penutup lahan yang terbaca dari kedua metode tersebut yaitu, hutan alami, hutan lahan kering, kebun, kebun campuran, rawa, sawah, tegalan, pemukiman, dan lahan terbuka. Berdasarkan hasil Interpretasi digital Citra Landsat TM dengan resolusi 30 m x 30 m dengan metode klasifikasi terselia (Supervised Classification) diperoleh jenis penutupan lahan terbesar di Kabupaten Lampung Utara adalah kebun campuran dengan luas 1015,32 km2 (36,35% dari luas total), dan penutupan lahan terkecil adalah perairan dengan luas 1,703 km2 (0,06% dari luas total). Sedangkan pada metode klasifikasi tak terselia (Unsupervised Classification) diperoleh jenis

66

penutupan lahan terbesar di Kabupaten Lampung Utara adalah kebun campuran dengan luas 1029,97 km2 (37,17% dari luas total), dan penutupan lahan terkecil adalah lahan terbuka dengan luas 2,028 km2 (0,07% dari luas total). Dalam interval waktu dari tahun 1999-2006 tampak adanya perubahan penggunaan lahan pada Kabupaten Lampung Utara, sebagai contoh adalah penurunan angka luasan untuk hutan dan tegalan dari tahun 1999-2006 dan diikuti dengan peningkatan angka luasan untuk perkebunan dan pemukiman.