Anda di halaman 1dari 19

LAPORAN KULIAH KERJA LAPANGAN

PENGINDERAAN JAUH

Dosen Pengampu Mata Kuliah Ibu IKE SARI ASTUTI, S.P, M.Nat.Res.St., Ph.D.

Disusun Oleh :

Nama : Siska Dyah Fatmawati

NIM :160721614407

OFF :L

Asisten Praktikum :Irfan Aditya Mohammad

Tanggal KKL : 9 Desember 2018

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL

JURUSAN GEOGRAFI

PROGRAM STUDI PENDIDIKAN GEOGRAFI

DESEMBER 2018
A. PENDAHULUAN
1. Latar Belakang
Pengindraan jauh adalah ilmu atau seni cara merekam suatu objek tanpa kontak fisik
dengan menggunakan alat pada pesawat terbang, balon udara, satelit, dan lain-lain. Dalam
hal ini yang direkam adalah permukaan bumi untuk berbagai kepentingan manusia.
Sedangkan arti dari citra adalah hasil gambar dari proses perekaman penginderaan jauh
(inderaja) yang umumnya berupa foto. Permasalahan yang sedang terjadi di Indonesia yaitu
perubahan penggunaan lahan yang setiap tahunnya terjadi secara meningkat. Banyak
hutan-hutan yang ditebang untuk dijadikan lahan perkebunan ataupun untuk pemukiman
warga, disini jelas sekali dampak yang akan terjadi menyebabkan global warming
(pemanasan global). Dari permasalahan pemanasan global ini maka akibat yang
ditimbulkan akan merusak alam dan merugikan manusia. Kita bisa mengetahui perubahan
tata guna lahan tanpa harus langsung ke lapangan, karena bisa diidentifikasi dengan
menggunakan teknologi penginderaan jauh melalui citra satelit.
Dalam interpretasi citra pengenalan objek merupakan bagian yang sangat penting.
Prinsip pengenalan objek pada citra didasarkan pada penyelidikan karakteristik pada citra.
Karakteristik yang tergambar pada citra dan digunakan untuk mengenali objek disebut
unsure interpretasi citra. Teknologi penginderaan jauh merupakan teknologi yang
mempunyai dapat mengikuti perkembangan kebutuhan masyarakat. Kemampuan
penyediaan data dan informasi kebumian yang bersifat dinamik bermanfaat dalam
pembangunan di era Otonomi Daerah. Data-data penggunaan lahan juga dapat
dimanfaatkan untuk kepentingan lain misalnya untuk pembangunan, untuk mengetahui
seberapa besar perubahan penggunaan lahan di suatu wilayah, juga dapat digunakan untuk
keperluan perencanaan wilayah apakah lahan tersebut sesuai atau tidak.
Analisis penggunaan lahan dilakukan untuk mengetahui bentuk-bentuk penguasaan,
penggunaan, dan kesesuaian pemanfaatan lahan untuk kegiatan budidaya dan lindung.
Selain itu, dengan analisis ini dapat diketahui besarnya fluktuasi intensitas kegiatan di suatu
kawasan, perubahan, perluasan fungsi kawasan, okupasi kegiatan tertentu terhadap
kawasan, benturan kepentingan sektoral dalam pemanfaatan ruang, kecenderungan pola
perkembangan kawasan budidaya dan pengaruhnya terhadap perkembangan kegiatan
sosial ekonomi serta kelestarian lingkungan.
Kuliah Kerja Lapangan (KKL) merupakan suatu kegiatan yang dilaksanakan di luar
kegiatan kuliah di dalam ruangan yang bertujuan untuk memahami materi kuliah yang
disampaikan oleh dosen. Penjelasan yang disampaikan oleh dosen akan terlihat nyata
ketika dilakukan kuliah kerja lapangan. Melalui kegiatan tersebut, setiap mahasiswa
diajarkan untuk melakukan semua hal yang telah dipelajari di bangku kuliah maupun di
kegiatan praktikum yaitu interpretasi citra, membuat peta, hingga pengukuran di lapangan.
Daerah kuliah kerja lapangan ini yaitu berlokasi di Desa Bedengan, Kecamatan Dau yang
merupakan kawasan wisata petik jeruk.
2. Tujuan
- Mahasiswa mampu mengetahui interpretasi penggunaan lahan pada citra.
- Mahasiswa mampu mengetahui tingkat akurasi citra dengan keadaan sebenarnya di
lapangan.
B. KAJIAN PUSTAKA
1. Penginderaan Jauh
Menurut Lillesand dan Kiefer (2004) dalam Purwadhi et al. (2015), penginderaan jauh
atau inderaja adalah ilmu dan seni untuk mendapatkan informasi dari suatu objek, daerah,
atau fenomena (geofisik) melalui analisis data, di mana dalam mendapatkan data ini tidak
secara kontak langsung dengan objek, daerah, atau fenomena yang dikaji. Penginderaan jauh
dimulai pada saat proses perekaman objek yang ada di permukaan bumi. Tenaga yang
digunakan dalam penginderaan jauh adalah tenaga penghubung yang membawa data tentang
objek ke sensor berupa bunyi, daya magnetik, gaya berat, atau elektromagnetik. Namun,
dalam inderaja hanya energi atau tenaga yang berupa elektromagnetik saja yang dapat
digunakan.
Tenaga elektromagnetik pada sistem pasif adalah cahaya matahari. Cahaya matahari
yang mengenai objek di permukaan bumi kemudian sebagian diserap dan sebagian
dipancarkan kembali oleh objek tersebut sehingga sensor dapat menangkap gelombang
elektromagnetik yang berasal dari objek-objek yang berada di permukaan bumi. Sensor yang
digunakan untuk menangkap gelombang elektromagnetik dapat dipasang pada satelit
ataupun pada pesawat terbang (biasanya menggunakan pesawat drone). Setelah sensor
menangkap gelombang elektromagnetik kemudian sensor merubahnya menjadi sinyal-
sinyak digital yang akhirnya tersimpan dalam ruang penyimpanan sensor.
2. Citra Satelit Landsat 8 OLI TIRS
Landsat (Land Satellites) merupakan satelit sumberdaya bumi yang paling sering
digunakan. Landsat Data Continuity Mission (LDCM) atau dikenal juga dengan nama
Landsat 8 merupakan satelit generasi terbaru dari Program Landsat. Satelit ini merupakan
project gabungan antara USGS dan NASA beserta NASA Goddard Space Flight Center dan
diluncurkan pada hari Senin, 11 Februari 2013 di Pangkalan Angkatan Udara Vandeberg,
California – Amerika Serikat.
Seperti dipublikasikan oleh USGS, satelit landsat 8 terbang dengan ketinggian 705 km
dari permukaan bumi dan memiliki area scan seluas 170 km x 183 km (mirip dengan landsat
versi sebelumnya). NASA sendiri menargetkan satelit landsat versi terbarunya ini
mengemban misi selama 5 tahun beroperasi (sensor OLI dirancang 5 tahun dan sensor TIRS
3 tahun). Tidak menutup kemungkinan umur produktif landsat 8 dapat lebih panjang dari
umur yang dicanangkan sebagaimana terjadi pada landsat 5 (TM) yang awalnya ditargetkan
hanya beroperasi 3 tahun namun ternyata sampai tahun 2012 masih bisa berfungsi.
Satelit landsat 8 memiliki sensor Onboard Operational Land Imager (OLI) dan
Thermal Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11 buah. Diantara kanal-
kanal tersebut, 9 kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada
TIRS. Sebagian besar kanal memiliki spesifikasi mirip dengan landsat 7. Beriku merupakan
tabel yang menjelaskan karakterisktik band-band yang terdapat pada citra landast 8.
Tabel 2.1 Band Citra Landsat 8
Band Panjang Gelombang µm Sensor Resolusi
1 0,43 - 0,45 Visible 30 m
2 0,45 – 0,51 Visible 30 m
3 0,53 – 0,59 Visible 30 m
4 0,64 – 0,67 Near-infrared 30 m
5 0,85 – 0, 00 Near-infrared 30 m
6 1,57 – 1,65 SWIR 1 30 m
7 2,11 – 2,29 SWIR 2 30 m
8 0,50 – 0,68 Pankromatik 15 m
9 1,36 – 1,38 Cirrus 30 m
10 10,6 – 11,96 TIRS 1 100 m
11 11,5 – 12,51 TIRS 2 100 m
Sumber: Http://www.usgs.gov.2013
Dibandingkan versi-versi sebelumnya, landsat 8 memiliki beberapa keunggulan
khususnya terkait spesifikasi band-band yang dimiliki maupun panjang rentang spektrum
gelombang elektromagnetik yang ditangkap. Sebagaimana telah diketahui, warna objek pada
citra tersusun atas 3 warna dasar, yaitu Red, Green dan Blue (RGB). Dengan makin
banyaknya band sebagai penyusun RGB komposit, maka warna-warna obyek menjadi lebih
bervariasi.
3. Penggunaan Lahan
Penggunaan lahan adalah segala campur tangan manusia, baik secara permanen
maupun secara siklus terhadap suatu kelompok sumberdaya alam dan sumber daya buatan,
yang secara keseluruhan disebut lahan, dengan tujuan untuk mencukupi kebutuhan-
kebutuhannya baik secara kebendaan maupun spiritual ataupun kedua-duanya (Malingreau,
1977). Penggunaan lahan berubah menurut ruang dan waktu, hal ini disebabkan karena lahan
sebagai salah satu sumber daya alam merupakan unsur yang sangat penting dalam kehidupan
manusia. Bertambahnya jumlah manusia yang mendiami permukaan bumi diikuti
perkembangan kegiatan usaha dan budayanya maka semakin bertambah pula tuntutan
kehidupan yang dikehendaki untuk mempertahankan kelangsungan hidupnya. Semakin
meningkatnya kebutuhan manusia akan persediaan lahan yang cukup untuk menopang
kehidupan manusia diatasnya, maka diperlukan usaha–usaha pengelolaan penggunaan lahan.
Analisis perubahan penggunaan lahan sangat penting karena penggunaan lahan
tersebut bersifat dinamis. Secara berkala cepat atau lambatnya aspek penggunaan lahan akan
dipengaruhi oleh faktor alam dan karakter manusia didalamya. Pinggiran kota adalah daerah
yang mempunyai sifat dualistik, yaitu mempunyai sifat kekotaan dan sifat kedesaan
(Yunus,2001). Pada umumnya daerah piggiran kota akan mengalami perkembangan fisik
cukup signifikan dibandingkan dengan daerah pedesaan. Perkembangan kota adalah suatu
proses perubahan keadaan perkotaan dari suatu keadaan yang lain dalam waktu yang berbeda
(Yunus,1978).
Penggunaan lahan mencerminkan sejauh mana usaha atau campur tangan manusia
dalam memanfaatkan dan mengelola lingkungannya. Data penggunaan/tutupan lahan ini
dapat disadap dari foto udara secara relatif mudah, dan perubahannya dapat diketahui dari
foto udara multitemporal. Teknik interpretasi foto udara termasuk di dalam sistem
penginderaan jauh. Penginderaan jauh merupakan ilmu dan seni untuk memperoleh
informasi tentang objek, daerah atau gejala dengan cara menganalisis data yang diperoleh
dengan menggunakan alat tanpa kontak langsung dengan objek, daerah, atau gejala yang
dikaji (Lillesand dan Kiefer, 1997).
Penggunaan foto udara sebagai sumber informasi sudah meluas dalam berbagai
aplikasi. Hanya saja untuk dapat memanfaatkan foto udara tersebut diperlukan kemampuan
mengamati keseluruhan tanda yang berkaitan dengan objek atau fenomena yang diamati.
Tanda-tanda tersebut dinamakan kunci pengenalan atau biasa disebut dengan unsur-unsur
interpretasi.Unsur-unsur tersebut meliputi : rona/warna, tekstur, bentuk, ukuran, pola, situs,
asosisasi, dan konvergensi bukti (Sutanto, 1997). Untuk dapat melakukan interpretasi
penggunaan lahan secara sederhana dan agar hasilnya mudah dipahami oleh orang lain
(pengguna), diperlukan panduan kerja berupa sistem klasifikasi penggunaan lahan/tutupan
lahan.
Klasifikasi penggunaan lahan merupakan pedoman atau acuan dalam proses
interpretasi apabila data pemetaan penggunaan lahan menggunakan citra penginderaan jauh.
Tujuan klasifikasi supaya data yang dibuat informasi yang sederhana dan mudah dipahami.
Sedangkan para ahli berpendapat Penggunaan lahan yaitu segala macam campur tangan
manusia, baik secara menetap maupun berpindah-pindah terhadap suatu kelompok
sumberdaya alam dan sumberdaya buatan, yang secara keseluruhan disebut lahan, dengan
tujuan untuk mencukupi kebutuhan baik material maupun spiritual, ataupun kedua-duanya
(Malingreau, 1978).
Pengelompokan objek-objek ke dalam kelas-kelas berdasarkan persamaan dalam
sifatnya, atau kaitan antara objek-objek tersebut disebut dengan klasifikasi. Menurut
Malingreau (1978), klasifikasi adalah penetapan objek-objek kenampakan atau unit-unit
menjadi kumpulan-kumpulan di dalam suatu sistem pengelompokan yang dibedakan
berdasarkan sifat-sifat yang khusus berdasarkan kandungan isinya. Klasifikasi penggunaan
lahan merupakan pedoman atau acuan dalam proses interpretasi apabila data pemetaan
penggunaan lahan menggunakan citra penginderaan jauh. Tujuan klasifikasi supaya data
yang dibuat informasi yang sederhana dan mudah dipahami.
4. Interpretasi Citra
Interpretasi citra merupakan kegiatan mengkaji foto udara atau cita dengan maksud
untuk mengidentifikasi objek dan menilai arti pentingnya obyek tersebut.didalam intepretasi
citra, penafsiran citra, mengkaji citra dan berupaya melalui proses penalaran untuk
mendeteksi, mengidentifikasi dan menilai arti petingnya obyek yang tegambar pada citra.
Dengan kata lain maka penafsiran citra berupaya untuk mengenali obyek yang tergambar
pada citra. Dan menerjemahkannya kedalam disiplin ilmu tertentu seperti geologi, geografi,
ekologi dan disiplin ilmu lainnya. Interpretasi citra adalah kegiatan mengidentifikasi objek
melalui citra indra jauh kegiatan ini merupakan bagian terpenting dalam identifikasi.karena
tanpa dikenali objek yang ada dicitra kita tidak dapat melakukan kegitan apa-apa terhadap
citra tersebut.
Unsur Interpretasi Citra menurut (Sutanto,1992) :
1. Rona ialah tingkat kegelapan atau tingkat kecerahan obyek pada citra
2. Warna ialah wujud yang tampak oleh mata dengan menggunakan spektrum sempit, lebih
sempit dari spektrum tampak.
3. Bentuk merupakan variabel kualitatif yang memberikan konfigurasi atau kerangka suatu
obyek. Kita bisa adanya objek stadion sepakbola pada suatu foto udara dari adanya
bentuk persegi panjang. demikian pula kita bisa mengenali gunung api dari bentuknya
yang cembung
4. Ukuran merupakan atribut obyek yang antara lain berupa jarak, luas, tinggi, lereng, dan
volume. Ukuran meliputi dimensi panjang, luas, tinggi, kemirigan, dan volume suatu
objek.
5. Tekstur merupakan frekuensi perubahan rona pada citra atau pengulangan rona
kelompok obyek yang terlalu kecil untuk dibedakan secara individual.
6. Pola atau susunan keruangan merupakan ciri yang menandai bagi banyak obyek
bentukan manusia dan bagi beberapa obyek alamiah
7. Bayangan sering menjadi kuci pengenalan yang penting bagi beberapa obyek dengan
karakteristik tertentu, seperti cerobong asap, menara, tangki minyak, dan lain-lain. Jika
objek menara disamping diambil tegak lurus tepat dari atas, kita tidak bisa langsung
mengidentifikasi objek tersebut. Maka untuk mengenali bahwa objek tersebut berupa
menara adalah dengan melihat banyangannya.
8. Situs, menurut Estes dan Simonett, Situs adalah letak suatu obyek terhadap obyek lain
di sekitarnya. Situs juga diartikan sebagai letak obyek terhadap bentang darat, seperti
situs suatu obyek di rawa, di puncak bukit yang kering, dan sebagainya.
9. Asosiasi merupakan keterkaitan antara obyek yang satu dengan obyek yang lain. Karena
adanya keterkaitan ini maka terlihatnya suatu obyek pada citra sering merupakan
petunjuk bagi adanya obyek lain. Misalnya fasilitas listrik yang besar sering menjadi
petunjuk bagi jenis pabrik alumunium. gedung sekolah berbeda dengan rumah ibadah,
rumah sakit, dan sebagainya karena sekolah biasanya ditandai dengan adanya lapangan
olah raga.
5. Klasifikasi Multispekral
Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai
sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan
dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna
pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk memeperhatikan
nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang diambil guna
menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat sebaran-sebaran
piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra terdapat dua cara umum
yang sering digunakan yaitu supervised dan unsupervised.
1. Unsupervised Classification
Klasifikasi tidak terbimbing adalah klasifikasi yang proses pembentukan kelas -
kelasnya sebagian besar dikerjakan oleh komputer (Jaya 2010). Klasifikasi tidak
terbimbing sering disebut clustering yaitu suatu teknik klasifikasi atau identifikasi yang
merupakan serangkaian proses untuk mengelompokkan observasi ( yang dalam hal ini
piksel) ke dalam suatu kelas atau klaster yang benar dalam suatu kategori yang disusun.
Sistem kerja metode tidak terbimbing adalah melakukan pengelompokan nilai-nilai
pixel suatu citra oleh komputer kedalam kelas-kelas spektral dengan menggunakan
algoritma klusterisasi. Dalam metode ini, diawal proses biasanya analis (orang yang
melakukan analisis) akan menentukan jumlah kelas (cluster) yang akan dibuat.
Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas lahan terdapat
kelas-kelas spektral yang telah dikelompokan oleh komputer. Dari kelas yang
dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap memiliki
informasi yang sama menjadi satu kelas. Misal class 1, class 2, dan class 3 masing-
masing adalah sawah, perkebunan dan hutan maka bisa dikelompokkan menjadi satu
kelas yaitu kelas vegetasi.

Cara kerja Metode Unsupervised Classification


Metode tidak terbimbing terdiri dari dua jenis yaitu :
a. ISO DATA
Mengklasifikasikan kelas secara merata, setiap pixel diklasifikasikan ke kelas
terdekat. Setiap interaksi akan dikalkulasi ulang dan mereklasifikasi pixel ke
bentuk baru. Memisah kelas, menggabungkan dan menghapus dilakukan
berdasarkan parameter input. Semua pixel diklasifikasikan ke kelas terdekat
kecuali deviasi standar atau ambang batas jarak yang telah ditentukan, dalam hal
ini beberapa pixel mungkin tidak diklasifikasikan jika tidak memenuhi kriteria
yang ditentukan. Proses ini berlanjut sampai jumlah pixel dalam setiap perubahan
kelas kurang dari ambang perubahan pixel yang dipilih atau jumlah maksimum
interasi tercapai.
b. K-MEANS
Hampir sama dengan metode IsoData, bedanya dengan menggunakan metode ini
analis mengharuskan untuk memilih jumlah kelas yang berlokasi di data,
kemudian sistem akan mengelompokkan data ke dalam kelas kelompok yang telah
ditentukan. Pada setiap kelas akan terdapat titik tengah (centroid) yang
mempresentasikan kelas tersebut.
2. Supervised Classification
Metode supervised (dengan bimbingan), pada metode ini, analis terlebih dahulu
menentukan beberapara training area (daerah contoh) pada citra sebagai kelas
kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap
wilayah dalam cita mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam
daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci untuk
mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukkan
ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode ini, analis
mengidentifikasi kelas infomasi terlebih dahulu yang kemudian digunakan untuk
menenyukan kelas spektral yang mewakili kelas informasi tersebut.

Cara kerja metode Supervised Classification


Dalam praktikum ini digunakan 4 metode dalam klasifikasi supervised:
a. Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral. Batas-batas keputusan merupakan
parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan
berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.
b. Minimum distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing
dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-
rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak
terklasifikasi jika tidak memenuhi kriteria yang dipilih.
c. Mahalanobis distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan
klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas adalah
sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang
diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang
batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak
memenuhi ambang batas.
d. Maximum likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya
didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik
kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan.
Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu,
"maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas
yang ditentukan, piksel tetap tidak terklasifikasi.
C. METODOLOGI PENELITIAN
1. Tempat dan Waktu
Kuliah Kerja Lapangan (KKL) ini akan dilaksanakan pada Hari Minggu, tanggal 9
Desember 2018 yang dilakukan di 8 titik pada setiap kelompok yang telah ditentukan yaitu
menyebar di area Universitas Negeri Malang, Merjosari dan Bedengan.
2. Jenis dan Sumber Data
Jenis data yang digunakan dalam kuliah kerja lapangan ini adalah data primer dan
data sekunder. Data primer diperoleh dari studi di lapangan yaitu pada saat melakukan
groundchecking di area Universitas Negeri Malang, Kelurahan Merjosari dan Bedengan,
Kecamatan Dau yang telah dilakukan pada beberapa titik yang tersebar. Sedangkan data
sekunder diperoleh dari studi literatur tentang pengolahan citra Landsat 8 untuk klasifikasi
penggunaan lahan dan beberapa penelitian sebelumnya yang terkait.
3. Alat dan Bahan
a. Alat
1) Software ENVI 5.3 (64 Bit)
2) ARCGIS versi 10.4
3) GPS
4) Bambu Runcing 4 buah
5) Tali raffia
6) Avenza Map
7) Alat Tulis Menulis
b. Bahan
Citra Landsat 8 OLI
4. Teknik Pengumpulan Data

Teknik Pengumpulan
Data

Pasca
Pra Penelitian Saat Penelitian
Penelitian

Pengolahan
Citra Landsat Pengamatan Analisis Data
8 OLI di lapangan
(groundchec
king )
Pengolahan
Hasil dan
citra menjadi
Pembahasan
peta

Studi
literatur

a. Pra Penelitian
Sebelum ke lokasi penelitian, terlebih dahulu dilakukan studi literatur mengenai studi
literatur tentang pengolahan citra Landsat 8 untuk klasifikasi penggunaan lahan dan
beberapa penelitian sebelumnya yang terkait selanjutnya melakukan pengolahan dan
pembuatan peta penggunaan lahan wilayah Bedengan dengan bahan berupa citra
landsat 8 yang diolah menggunakan software Envi dan Arc GIS.
b. Saat Penelitian
Pada saat penelitian di lokasi, data primer didapatkan di lapangan dengan menentukan
titik koordinat dan melakukan crosscheck data primer dan kondisi di lapangan dan
mencatat hasilnya.
c. Pasca Penelitian
Berdasarkan data yang diperoleh yaitu data sekunder dan data primer hasil pengukuran
di lapangan kemudian akan dicocokkan. Apabila dari hasil dari data sekunder dengan
data primer sesuai, maka dapat disimpullkan bahwa hasil penelitian teruji
kebenarannya. Output dari pasca penelitian dihasilkan peta dan laporan tentang
penggunaan lahan di Desa Bedengan Kecamatan Dau, Kabupaten Malang.
D. HASIL DAN PEMBAHASAN
1. Hasil
a. Tabel 1 Hasil Groundcheck Offering L
Pertanian
Penggunaan
Urban Sawah Lahan Hutan Jumlah
Lahan
Kering
Urban IIIIIIII 8
Sawah II 2
Pertanian
Lahan II IIIIIIIIII I 13
Kering
Hutan IIIIII III 9
JUMLAH 32
a. Tabel 2 Hasil Groundcheck Offering B
Pertanian
Penggunaan
Urban Sawah Lahan Hutan Jumlah
Lahan
Kering
Urban IIIIIIII I II 11
Sawah IIII I 5
Pertanian
Lahan IIIIII IIIII 11
Kering
Hutan IIIII 5
JUMLAH 32
b. Tabel 3 Uji akurasi Pemetaan Land use menggunakan model integrasi penghilangan
kolom air yang dikembangkan oleh Wicaksono (2010)

User Error
Klasifikasi Urban Sawah PLK Hutan Jumlah
Akurasi Commusion

Urban 16 1 2 0 19 84,20% 15,8%


Sawah 0 6 1 0 7 85,70% 14,3%
PLK 0 2 16 6 24 66,7% 33,3%
Hutan 0 0 6 8 14 57,10% 42,9%
Jumlah 16 9 25 14 64
Produser
100% 66,7% 64% 57,1% OVERALL 71,8%
Accuracy
Error
0% 33,3% 36% 42,9% KAPPA 0,6462
Ommission

2. Pembahasan
Pada hari minggu tanggal 9 Desember dilakukan Kuliah Kerja Lapangan (KKL)
Penginderaan jauh. KKL dilakukan untuk melakukan Ground check atas kebenaran atau
koreksi hasil citra dengan keadaan sebenarnya. Titik satu dan dua terletak menyebar di
daereah sekitar Universitas Negeri Malang, titik tiga dan empat menyebar di daerah
Kelurahan Merjosari, dan titik lima sampai delapan menyebar di daerah Desa Bedengan.
Uji akurasi yang dilakukan pada data kategori ini pada umumnya adalah pengujian
hasil interpretasi visual, klasifikasi digital, dan pengelompokan nilai-nilai hasil
transformasi spektral. Teknik yang digunakan adalah tabel kontingensi yang pada ilmu
penginderaan jauh lebih dikenal dengan nama confusion matrix table. Table confusion
matrix merupakan tabel matriks yang menghubungkan antara piksel hasil klasifikasi dan
ground truth data yang informasinya dapat diambil dari data lapangan maupun peta yang
sudah diverifikasi. Informasi yang bisa diambil dari confusion matrix ini sangat banyak
antara lain overall accuracy, producer accuracy, user accuracy, kappa coefficient, dan tau
coefficient.
Contoh aplikasi penggunaan confusion matrix yang paling umum adalah untuk uji
akurasi hasil pemetaan penutup lahan. Aplikasi lain adalah untuk menguji akurasi hasil
pemetaan spesies vegetasi pada hutan, pemetaan habitat laut dangkal, pemetaan kerapatan
hutan, dan pemetaan lainnya. Berikut ini adalah rumus untuk mendapatkan tiap nilai
akurasi yang muncul pada tabel 3.
1. Overall accuracy
jumlah pixel yang terklasifikasi dengan benar
Overall accuracy (%) = x 100
jumlah sampel uji akurasi
Nilai overall accuracy (akurasi keseluruhan) menunjukan banyaknya jumlah piksel yang
terklasifikasi secara benar pada tiap kelas dibanding jumlah sampel yang digunakan untuk
uji akurasi pada semua kelas. Pada tabel 3 akurasi keseluruhan menunjukkan nilai 71,8%
yang berarti 71,8% piksel yang ada pada hasil klasifikasi terklasifikasi dengan benar.
Nilai dari uji akurasi ini yang paling banyak digunakan untuk menguji akurasi suatu hasil
interpretasi dan atau klasifikasi. Kelemahan metode ini adalah tidak mempertimbangkan
aspek kesalahan dari tiap kelas yang ada, untuk itu biasanya overall accuracy selalu
disertai user dan producer accuracy untuk tiap kelas.
2. User dan Producer Accuracy
Producer accuracy (%)
jumlah sampel uji akurasi suatu kelas yang terklasifikasi benar
= x 100
jumlah sampel uji akurasi pada suatu kelas

Error ommision = 100% − producer accuracy

User accuracy (%)


jumlah sampel uji akurasi satu kelas yang terklasifikasi dengan benar
= x 100
jumlah sampel uji akurasi yang terklasifikasi sebagai kelas tersebut

Error commision = 100% − producer accuracy


Nilai dari user dan producer accuracy dihitung untuk tiap kelas yang ada dalam
klasifikasi. Begitu halnya juga dengan nilai error ommision dan erros commision
yang merupakan residual dari producer dan user accuracy. Terdapat empat kelas
dalam tabel 3 yaitu urban, sawah, pertanian lahan kering, dan hutan. Berikut
merupakan penjabaran nilai user accuracy, error ommision, producer accuracy, dan
error commission dari masing-masing kelas.
a. Urban
Nilai user accuracy pada kelas urban adalah sebesar 84.20% yang berarti 84.20%
peluang bahwa piksel yang terklasifikasi pada citra sebagai urban adalah benar-
benar Urban pada kenyataan di lapangan. Dengan kata lain hanya ada 15,8%
(error comission) kemungkinan bahwa piksel yang dicitra terklasifikasi sebagai
urban adalah bukan urban di lapangan. Nilai producer accuracy pada kelas urban
adalah 100% yang berarti ada 100% Urban di lapangan pada area riset
diklasifikasikan secara benar. Artinya 0% (error omission) urban di lapangan
tidak terklasifikasi sebagai urban.
b. Sawah
Nilai user accuracy pada kelas sawah adalah sebesar 85.70%yang berarti 85.70%
peluang bahwa piksel yang terklasifikasi pada citra sebagai sawah adalah benar-
benar sawah pada kenyataan di lapangan. Dengan kata lain hanya ada 14,3%
(error comission) kemungkinan bahwa piksel yang dicitra terklasifikasi sebagai
sawah adalah bukan sawah di lapangan. Nilai producer accuracy pada kelas
sawah adalah 66,7% yang berarti ada 66,7% sawah di lapangan pada area riset
diklasifikasikan secara benar. Artinya 33,3% (error omission) sawah di lapangan
tidak terklasifikasi sebagai sawah.
c. Pertanian Lahan Kering
Nilai user accuracy pada kelas pertanian lahan kering adalah sebesar
66,70%yang berarti 66,70% peluang bahwa piksel yang terklasifikasi pada citra
sebagai pertanian lahan kering adalah benar-benar sawah pada kenyataan di
lapangan. Dengan kata lain hanya ada 33,3% (error comission) kemungkinan
bahwa piksel yang dicitra terklasifikasi sebagai pertanian lahan kering adalah
bukan pertanian lahan kering di lapangan. Nilai producer accuracy pada kelas
pertanian lahan kering adalah 64% yang berarti ada 64% sawah di lapangan pada
area riset diklasifikasikan secara benar. Artinya 36% (error omission) pertanian
lahan kering di lapangan tidak terklasifikasi sebagai pertanian lahan kering.
d. Hutan
Nilai user accuracy pada kelas hutan adalah sebesar 57.10% yang berarti 57.10%
peluang bahwa piksel yang terklasifikasi pada citra sebagai hutan adalah benar-
benar hutan pada kenyataan di lapangan. Dengan kata lain hanya ada 42,9%
(error comission) kemungkinan bahwa piksel yang dicitra terklasifikasi sebagai
hutan adalah bukan hutan di lapangan. Nilai producer accuracy pada kelas hutan
adalah 57,1% yang berarti ada 57,1% hutan di lapangan pada area riset
diklasifikasikan secara benar. Artinya 42,9% (error omission) hutan di lapangan
tidak terklasifikasi sebagai hutan.
3. KAPPA
Kappa Coefficient = (N x Xkk) – (XkΣXΣk)
(N2 - XkΣXΣk)
Keterangan:

- N : Total sampel untuk uji akurasi


- Xkk : Jumlah pixel yang terklasifikasi secara benar
- XkΣXΣk : jumlah sampel untuk uji akurasi untuk tiap-tiap kelas dikalikan
dengan jumlah pixel yang terklasifikasi pada kelas tersebut dan ditambahkan
untuk semua kelas.

Nilai kappa menunjukan perbandingan antara hasil klasifikasi yang diuji dengan hasil
klasifikasi acak. Dengan kata lain nilai kappa menunjukkan konsistensi akurasi hasil
klasifikasi. Nilai kappa ini akan selalu lebih rendah dibanding nilai overall accuracy
kecuali klasifikasinya mempunyai akurasi yang amat sangat tinggi. Nilai kappa pada
Tabel 3 adalah 0,6424 yang berarti hasil klasifikasi tersebut mampu menghindari
64,22% kesalahan yang akan muncul pada klasifikasi acak.

E. PENUTUP
KKL Penginderaan Jauh dilakukan untuk melakukan Ground check atas kebenaran atau
koreksi hasil citra dengan keadaan sebenarnya. Terdapat 8 titik yang menyebar di UM,
Merjosari dan Bedengan. Hasil overall accuracy menunjukkan nilai 71,8% yang berarti
terklasifikasi dengan benar. Sedangkan pada nilai user accuracy pada kelas urban adalah
sebesar 84,20%, pada kelas sawah adalah sebesar 85,70%, pada kelas PLK adalah sebesar
66,70%, nilai user accuracy pada kelas hutan adalah sebesar 57,10%, dan pada perhitungan
Kappa diperoleh hasil sebesar 0.6462 yang berarti hasil klasifikasi tersebut mampu
menghindari 0.6462 kesalahan yang akan muncul pada klasifikasi acak.
F. DAFTAR PUSTAKA
Arqhabwalzthy. 2017. Bentuk Penggunaan Lahan, (Online),
(https://planoberbagiilmu.wordpress.com/author/arqhabwalzthy/), diakses
19 Januari 2017.
Ekadinata, A., dkk. 2008. Sistem Informasi Geografis untuk Pengelolaan Bentang Lahan
Berbasis Sumber Daya Alam. Bogor: World Agroforestry Centre
(ICRAF).
Fuziyanti, Navila Ulfi. Uji Akurasi Data Kategori, (Online),
(https://www.scribd.com/document/241139505/Uji-Akurasi-Data-
Kategori-pdf).
Hertanto, Hendrik Boby. 2012. “Penginderaan Jauh” dalam Blogspot.
http://geoenviron.blogspot.com/2012/04/penginderaan-jauh.html.
Diunduh 10 April 2013.
Jaya I N S. 2007. Analisi Citra Digital : Perspektif Penginderaan Jauh untuk Pengelolaan
Sumberdaya Alam. Bogor (ID) : Institut Pertanian Bogor.
Landoala, Tasrif. 2013. Jenis-Jenis Pengunaan Lahan, (Online),
(http://jembatan4.blogspot.com/2013/08/jenis-jenis-penggunaan-
lahan.html), diakses 26 Agustus 2013.
Rahmandika, Dwiki. 2015. Laporan Praktikum Fotogrametri Dasar Interpretasi Citra Foto
dengan mennggunakan Mirror Stereoscope Topcon MS-3. (Online).
(http://www.academia.edu/31402228/LAPORAN_PRAKTIKUM_FOTO
GRAMETRI_DASAR_Interpretasi_Citra_Foto_dengan_mennggunakan_
Mirror_Stereoscope_Topcon_MS-3). Diakses 2015.
Sri, Rahmawati. 2014. Klasifikasi Citra Multispektral Supervised dan Unsupervised. (Online).
(https://www.scribd.com/document/258884037/Klasifikasi-Citra-
Multispektral). Diakses 2014.
Sugiarto, Dwi Putro. 2013. Landsat 8: Spesifikasi, Keunggulan Dan Peluang Pemanfaatan
Bidang Kehutanan, (Online),
(https://tnrawku.wordpress.com/2013/06/12/landsat-8-spesifikasi-
keungulan-dan-peluang-pemanfaatan-bidang-kehutanan/), diakses 12 Juni
2013.