I.

PENDAHULUAN

A. Latar Belakang

Luas lahan sawah di Indonesia pada tahun 2016 mencapai 8,19 juta ha dimana

angka tersebut mengalami peningkatan sebesar 1,16% dari tahun sebelumnya.

Berdasarkan data Kementerian Pertanian, sawah yang sudah beririgasi sebesar 4,78

juta ha dan sawah non irigasi sebesar 3,4 juta ha (Kementerian Pertanian, 2018).

Berdasarkan data yang bersumber dari Badan Pusat Statistik, pada tahun 2012

hingga 2016 secara berturut di Indonesia memiliki luas lahan sawah sebesar 8,132

juta ha, 8,128 juta ha, 8,111 juta ha, 8,092 juta ha, dan 8,186 juta ha. Lahan sawah

yang dimaksud merupakan lahan sawah irigasi dan lahan sawah non irigasi

(Gambar 1) (BPS, 2017).

5
Luas (juta ha)

4
Sawah Non Irigasi
Sawah Irigasi

3
2012 2013 2014 2015 2016
Tahun

Gambar 1. Grafik Luas Lahan Sawah Tahun 2012-2016

(Sumber: BPS, 2017)

1
 Berdasarkan data dari Badan Pusat Statistik luas lahan sawah terus menurun

sejak 2 tahun terakhir menjadi 7,1 juta ha pada tahun 2018, data tersebut turun dari

8,186 juta ha pada tahun 2016 dan 7,75 juta ha pada tahun 2017. Data yang

bersumber dari Badan Pusat Statistik mengenai luas lahan sawah tersebut diperoleh

dengan metode Kerangka Sampel Area (KSA) menggunakan data hasil citra satelit

Lembaga Penerbangan dan Antariksa Nasional (LAPAN) dan Badan Informasi

Geospasial (BIG) (Wahyuni, 2018). Sedangkan menurut Kementerian Pertanian

Republik Indonesia (2018), pada tahun 2018 periode Januari-Agustus Indonesia

memiliki luas lahan sawah sebesar 10,079 juta ha dimana lahan tersebut sudah

termasuk lahan yang ditanami dan lahan terkena puso (gagal panen) sebesar 0,26%

atau sekitar 26,4 ribu ha. Selanjutnya, data dari BPS dan Kementan digunakan

sebagai acuan penentuan pencapaian ketahanan pangan oleh Badan Ketahanan

Pangan. Dalam pencapaian ketahanan pangan tiap wilayah baik tingkat provinsi

hingga desa dipengaruhi oleh pengadaan air dari suatu irigasi. Daerah Irigasi

memiliki perbedaan jenis tanaman pertanian yang ditanam dimana hal tersebut perlu

dianalisis untuk perhitungan kebutuhan air. Prediksi luas lahan dan kebutuhan air

yang tidak sesuai maka dapat mempengaruhi kebijakan pemerintah yang telah ada.

Metode prediksi luas lahan dan kebutuhan air dapat dilakukan dengan bantuan

citra satelit digital seperti Landsat, SPOT, IKONOS, Terra Aster, Quickbird,

Resourcesat-1 (IRS-P6), ALOS, Worldview, NOAA, HCMM, GMS

(HIMAWARI), Terra-Aqua MODIS, JERS-1, ERS-SAR, GeoEye, Pleiades, dan

lainnya yang memiliki kelebihan dan kekurangan masing-masing (Ardiansyah,

2
2018). Selain menyempurnakan metode tersebut, metode prediksi yang

berkembang saat ini yaitu Unmanned Aerial Vehicle (UAV).

Unmanned Aerial Vehicle (UAV) merupakan mesin terbang yang mempunyai

fungsi dengan kendali jarak jauh oleh pilot atau mampu menjalankan sendiri sesuai

rencana-rencana yang ditentukan (Abeyratne, 2014). Unmanned Aerial Vehicle

(UAV) atau pesawat tanpa awak dapat mengambil foto udara dengan cakupan

wilayah yang luas dari jarak dekat secara detail dalam waktu singkat. Saat

melakukan pengambilan foto udara diperlukan beberapa rencana seperti overlap,

ketinggian penerbangan, dan rencana-rencana lain sesuai dengan kebutuhan hasil

foto udara yang diinginkan (Syauqani, Subiyanto, dan Suprayogi, 2017). UAV

merupakan pesawat yang terbang tanpa operator didalamnya dan dapat terbang

secara autonomous dengan mengolah data sensor sehingga dapat terbang sesuai

dengan keperluan operator (Bone dan Bolkcom, 2003).

Satelit Landsat 8 merupakan penerus dari satelit Landsat 7 yang sudah tidak

dapat bekerja dengan baik sejak Mei 2003. Satelit Landsat 8 diluncurkan pada tahun

2011 dengan menggunakan pesawat peluncur Atlas-V-401. Satelit Landsat 8

dirancang untuk diorbitkan pada orbit mendekati lingkaran sikron matahari pada

ketinggian 705 km, inklinasi 98,2o, periode 99 menit, waktu liput ulang 16 hari,

waktu melintasi khatulistiwa nominal pada jam 10.00 s.d 10.15 pagi (NASA, 2008).

Penelitian yang menggunakan citra satelit Landsat 8 dalam kajian perubahan

tutupan lahan pernah dilakukan oleh Nurry dan Anjasmara (2014).

Penggunaan foto udara dapat menjadi solusi untuk mendapatkan data yang

akurat. Foto udara adalah hasil pengambilan gambar yang dilakukan dengan

3
bantuan wahana untuk menerbangkan kamera. Format dari foto udara ada 3 yaitu

format kecil, sedang, dan tinggi. Pemetaan suatu wilayah dalam berbagai bidang

saat ini sangat diminati sehingga dengan adanya teknologi kamera dan wahana

terbang hal tersebut akan dilakukan secara efisien dalam hal biaya dan waktu

dibandingkan dengan pemetaan secara survey langsung.

Berdasarkan Yang (2009), foto udara dapat dimanfaatkan dalam bidang

pertanian untuk pemetaan tanah, pemantauan kondisi air pada tanaman, pengelolaan

hara atau pemupukan, deteksi hama dan penyakit tanaman. Dalam hal untuk prediksi

luas lahan sawah, foto udara juga dapat digunakan sebagai data acuan.

Metode klasifikasi terbimbing mengharuskan analis menentukan kelas informasi

terlebih dulu yang kemudian akan digunakan untuk menentukan kelas spectral yang

mewakili kelas informasi tersebut (Septiana, 2017). Sumber data dari UAV dan

Landsat 8 kemudian dianalisis menggunakan metode klasifikasi terbimbing. Metode

klasifikasi terbimbing dapat digunakan dalam proses analisis citra satelit SPOT

(Julzarika dan Carolita, 2015).

Daerah Irigasi (DI) Danayuda digunakan sebagai daerah model untuk

mengembangkan metode prediksi luas dan fase pertumbuhan lahan sawah

disamping itu belum terdapat media informasi komputasi berbasis sistem informasi

geografis yang dapat dimanfaatkan untuk kegiatan penyampaian informasi

mengenai prediksi luas lahan untuk rencana pola tata tanam. Komparasi metode

klasifikasi terbimbing dari sumber data UAV dan Landsat 8 akan menghasilkan

kelebihan dan kekurangan dalam hal tingkat akurasi dan efisiensi (biaya dan

waktu).

4
 Penelitian dengan membandingkan jenis tanaman dan fase pertumbuhan

tanaman dalam satu DI sepengetahuan kami masih jarang dilakukan, khususnya di

Indonesia. Sedangkan informasi yang akurat, cepat, dan efisien (biaya dan waktu)

dibutuhkan dalam kegiatan pengelolaan air irigasi. Oleh karena itu, dalam

penelitian ini akan membandingkan dua sumber data (UAV dan Landsat 8) dengan

metode terbimbing di DI Danayuda, Kabupaten Banyumas, Provinsi Jawa Tengah.

B. Tujuan

Tujuan dari penelitian ini adalah:

1. Membandingkan dua algoritma (supervised dan unsupervised) klasifikasi pada

fase pertumbuhan tanaman dari dua sumber data (UAV dan Landsat 8).

2. Membandingkan tingkat akurasi informasi dari dua sumber data tersebut.

C. Manfaat

Manfaat dari penelitian ini adalah:

1. Memahami cara pengoperasian drone hingga menjadi pemetaan suatu daerah.

2. Mendapatkan informasi sebaran sawah di DI Danayuda.

3. Mendapatkan luas areal terkini dan fase-fase pertumbuhan, sehingga dapat

digunakan untuk alokasi air irigasi yang tepat.

4. Mendapatkan informasi mengenai tahapan-tahapan pertumbuhan di sawah

yang dilayani oleh saluran DI Danayuda yang digunakan untuk prediksi

produksi dan waktu panen.

5
 II. TINJAUAN PUSTAKA

A. Daerah Irigasi Danayuda

Daerah Irigasi (DI) adalah kesatuan lahan yang mendapat air dari satu

jaringan irigasi (Pemerintah Indonesia, 2016). DI Danayuda merupakan salah satu

daerah irigasi yang di kelola oleh Dinas Pekerjaan Umum Kabupaten Banyumas

dengan luas areal 350 Ha. Sumber air yang ada di DI Danayuda didapat dari sungai

Berem yang terletak di Desa Linggasari, Kecamatan Kembaran, Kabupaten

Banyumas. DI Danayuda melalui beberapa desa yaitu Linggasari, Purbadana,

Karangtengah, Purwodadi, Lemberang, dan Klahang (Gambar 2).

Gambar 2. Peta DI Danayuda

B. Unmanned Aerial Vehicle

Foto udara merupakan gambar yang ditampilkan pada media yang didapatkan

dari hasil pemotretan secara fotografi. Dalam bidang ilmu geografi terdapat suatu

6
produk yang mengambil objek, daerah, atau kejadian yang berada di permukaan

bumi menggunakan bantuan kamera dengan cara merekam secara fotografik yang

dibantu dengan detector (pendeteksi berupa film) (Wicaksono, 2009). Menurut

Wicaksono (2009), foto udara terbagi dalam beberapa jenis pemotretan, yaitu

pemotretan udara secara tegak (vertikal), pemotretan udara secara condong

(oblique), dan pemotretan udara sangat condong (high oblique). Foto udara

merupakan peta foto yang didapat dari penerbangan wahana ke udara dengan

melakukan pemotretan melalui udara pada daerah tertentu dengan aturan

fotogrametris tertentu (Syauqani, Subiyanto, dan Suprayogi, 2017). Ciri-ciri foto

udara antara lain:

(1) Skala pada foto udara sama untuk satu lembar foto

(2) Sistem proyeksi perspektif

(3) Semua aspek terlihat

(4) Tidak ada legenda atau simbol

Foto udara dibagi menjadi dua jenis, yaitu foto udara metrik dan foto udara

non metrik. Foto udara udara metrik merupakan foto udara yang datanya diperoleh

dari kamera udara. Kamera udara adalah kamera metrik yang fokusnya sudah

tertentu, sedangkan kamera biasa non metrik fokusnya dapat diubah-ubah sesuai

dengan kebutuhan. Foto udara metrik ini memiliki ketelitian yang sangat tinggi

karena memang dirancang khusus untuk pemetaan. Foto udara ini memiliki panjang

dan lebar sebesar 23 cm x 23 cm (Syauqani, Subiyanto, dan Suprayogi, 2017).

Dalam proses pengambilan foto udara dapat dilakukan menggunakan bantuan UAV

atau biasa disebut drone.

7
 Drone adalah pesawat tanpa awak yang dapat juga disebut “unmanned aerial

vehicle” atau UAV. Pengendalian drone dilakukan oleh seorang operator yang ada

di darat secara otomatis ataupun sebagian. Pada umumnya ukuran drone yang ada

memiliki ukuran yang kecil dikarenakan drone adalah pesawat tanpa awak (Howell,

2015). Kementerian Pertahanan Republik Indonesia (dalam Ruhaeni et al., 2015)

menyatakan drone sebagai sebuah mesin terbang yang berfungsi dengan kendali

jarak jauh oleh pilot atau mampu mengendalikan dirinya sendiri. DJI Phantom 4

Pro merupakan UAV yang dapat membawa kamera terbang pintar dengan lima arah

sensor rintangan dengan menggunakan sensor infra merah, membuatnya mengerti

untuk menghindar dari rintangan selama penerbangan. Memiliki kamera dengan

brand baru menawarkan kualitas gambar yang tidak dapat diprediksi untuk sekelas

Phantom, dengan tingkat kejelasan yang baik, minimumnya tingkat ‘noise’, foto

dan video dengan resolusi tinggi (DJI, 2017). Software yang dapat digunakan dalam

pengendalian drone adalah Pix4DCapture sedangkan software yang digunakan

untuk proses mosaicing adalah Agisoft Photoscan.

Pix4DCapture merupakan aplikasi yang digunakan untuk mengubah drone

konsumen menjadi drone pemetaan. Aplikasi ini ditujukan untuk otomatis

menangkap foto udara dalam bentuk 2D atau 3D (Playstore, 2018). Agisoft

Photoscan merupakan perangkat lunak 3 dimensi modelling dengan data foto udara

yang diambil dari bebeapa sudut pengambilan dimana nantinya dapat disusun

menjadi sebuah model 3 dimensi. Agisoft Photoscan digunakan untuk pengolahan

foto udara yang diambil dengan bantuan Unmanned Aerial Vehicle sehingga hasil

8
pengambilan berupa mosaik orthofoto, titik tinggi (elevation point clouds), dan

DEM yang beresolusi tinggi yang ditampilkan 3 dimensi (Purnomo, 2016).

C. Citra Satelit Landsat 8

Satelit Landsat 8 merupakan penerus dari satelit Landsat 7 yang sudah tidak

dapat bekerja dengan baik sejak Mei 2003. Satelit Landsat 8 diluncurkan pada tahun

2011 dengan menggunakan pesawat peluncur Atlas-V-401. Satelit Landsat 8

dirancang untuk diorbitkan pada orbit mendekati lingkaran sikron matahari pada

ketinggian 705 km, inklinasi 98,2o, periode 99 menit, waktu liput ulang 16 hari,

waktu melintasi khatulistiwa nominal pada jam 10.00 s.d 10.15 pagi (NASA, 2008).

Landsat 8 memiliki karakteristik band yang memiliki panjang gelombang dan

kegunaan yang berbeda (Tabel 1) serta kombinasi band untuk melakukan kegiatan

pemetaan (Tabel 2).

Tabel 1. Karakteristik band landsat 8

Band Wavelength Useful for mapping
Band 1 – Coastal 0.435 - 0.451 Coastal and aerosol studies
Aerosol
Band 2 – Blue 0.452 - 0.512 Bathymetric mapping, distinguishing
soil from vegetation, and deciduous
from coniferous vegetation
Band 3 - Green 0.533 - 0.590 Emphasizes peak vegetation, which is
useful for assessing plant vigor
Band 4 - Red 0.636 - 0.673 Discriminates vegetation slopes
Band 5 - Near 0.851 - 0.879 Emphasizes biomass content and
Infrared (NIR) shorelines
Band 6 - Short-wave 1.566 - 1.651 Discriminates moisture content of soil
Infrared (SWIR) 1 and vegetation; penetrates thin clouds
Band 7 - Short-wave 2.107 - 2.294 Improved moisture content of soil and
Infrared (SWIR) 2 vegetation and thin cloud penetration
Band 8 - 0.503 - 0.676 15 meter resolution, sharper image
Panchromatic definition
Band 9 – Cirrus 1.363 - 1.384 Improved detection of cirrus cloud
contamination

9
 Band 10 – TIRS 1 10.60 – 11.19 100 meter resolution, thermal
mapping and estimated soil moisture
Band 11 – TIRS 2 11.50 - 12.51 100 meter resolution, Improved
thermal mapping and estimated soil
moisture
(Sumber: Barsi et al., 2014)

Tabel 2. Penggunaan kombinasi band untuk aplikasi atau penelitian

Aplikasi Kombinasi Band

Natural Color 432

False Color (urban) 764

Color Infrared (vegetation) 543

Agriculture 652

Atmospheric Penetration 765

Healthy Vegetation 562

Land/Water 564

Natural With Atmospheric Removal 753

Shortwave Infrared 754

Vegetation Analysis 654

(Sumber: Butler, 2013)

D. Sistem Informasi Geografis (SIG)

Deliniasi adalah permodelan akan hal penting yang ditandai dengan adanya

garis dan logo yang biasa digunakan untuk keperluan pemataan dan sebagainya

(KBBI, 2018). Proses konversi data analog ke data digital seperti aliran sungai,

rumah, sawah, dan lainnya disebut digitasi. Digitasi yang digunakan didalam layar

10
monitor memiliki format digital dimana sebelumnya memiliki format raster dari

sebuah citra satelit resolusi tinggi (Putra, 2013).

Penggunaan lahan adalah hasil dari segala hal yang dilakukan oleh kegiatan

manusia terhadap lahan di permukaan bumi yang memiliki sifat dinamis dan

memiliki fungsi memenuhi kebutuhan hidup secara materi dan spiritual (Arsyad,

1989). Penggunaan lahan mengalami perubahan dari satu sisi penggunaan ke sisi

penggunaan lainnya, yang diikuti dengan perubahan fungsi suatu lahan seiring

berjalannya waktu (Martin, 1993).

Quantum GIS (QGIS) merupakan software untuk pengolahan sistem

informasi geografis yang dapat digunakan secara open source dan lintas platform.

QGIS memiliki kemampuan untuk berkerjasama dengan bundle perangkat lunak

komersil lainnya yang terkait. QGIS memiliki fungsionalitas dan fitur yang

dibutuhkan oleh pengguna QGIS. Adanya plugins dan fitur inti dapat

memvisualisasikan pemetaan yang kemudian diedit dan dicetak menjadi sebuah

peta. QGIS dapat menggabungkan data yang didapatkan untuk kemudian dianalisa,

diedit, dan diatur sedemikian rupa sesuai dengan kebutuhan pengguna (Agus,

2012).

E. Klasifikasi Supervised dan Unsupervised

Klasifikasi adalah suatu penggambaran atau pemetaan besaran yang

mempunyai ketentuan-ketentuan tertentu menjadi satu ketentuan yang bergabung

dengan ketentuan lainnya berdasarkan batasan yang sudah ditentukan (Prahasta,

2009). Metode tidak terbimbing atau dapat disebut unsupervised merupakan

11
metode yang melakukan pengelompokkan value piksel citra menjadi kelas-kelas

spektral dengan bantuan algoritma klusterisasi (Gambar 3). Metode ini pertama-

tama analis akan menentukan jumlah kelas yang akan dibuat, setelah itu akan

didapatkan hasil jumlah kelas, kemudian analis menetapkan kelas-kelas spektral

yang dikelompokkan otomatis melalui komputer. Dari hasil pengkelasan analis

dapat menyatukan beberapa kelas yang memiliki batas-batas yang sama menjadi

satu kelas. Sebagai contoh kelas A adalah sawah, kelas B adalah perkebunan, dan

kelas C adalah hutan, maka dari ketiga kelas tersebut dapat dijadikan satu menjadi

kelas vegetasi (Septiana, 2017).

Gambar 3. Ilustrasi cara kerja metode tidak terbimbing

(Sumber: Ayuindra, 2013)

12
 Metode tidak terbimbing terdiri dari dua jenis data yaitu:

1. Iso Data

Melakukan klasifikasi secara merata, setiap pixel diklasifikasikan ke kelas

terdekat. Semua interaksi akan dihitung ulang dan melakukan klasifikasi ulangan

ke bentuk baru. Dalam melakukan pemisahan kelas, penggabungan dan

menghapus dilakukan berdasarkan parameter input. Semua pixel

diklasifikasikan ke kelas terdekat kecuali standar deviasi yang telah ditentukan,

dalam hal ini beberapa pixel mungkin tidak diklasifikasikan apabila tidak

memenuhi kriteria yang dikehendaki. Proses ini berlanjut sampai jumlah pixel

dalam setiap perubahan kelas kurang dari ambang perubahan pixel yang dipilih

atau jumlah maksimum interasi telah tercapai.

2. K-Means

Metode K-Means hampir sama dengan Iso Data, perbedaannya terletak

pada penentuan jumlah kelas yang dikehendaki, kemudian sistem akan

mengelompokkan data ke dalam kelas kelompok yang telah dikehendaki. Pada

setiap kelas memiliki titik tengah (centroid) yang mempresentasikan kelas

tersebut.

Pada sistem kerja metode terbimbing (Supervised), analis terlebih dahulu

diharuskan menetapkan beberapa training area (daerah sampel) pada citra sebagai

kelas lahan tertentu (Gambar 4). Penetapan ini berdasarkan pengetahuan analis

terhadap wilayah dalam citra mengenai daerah-daerah penelitian. Nilai-nilai pixel

dalam daerah contoh tersebut kemudian digunakan oleh komputer sebagai kunci

untuk mengenal pixel yang lain. Daerah yang memiliki nilai pixel sejenis akan

13
dimasukan kedalam kelas lahan yang telah ditetapkan sebelumnya. Jadi dalam

metode ini analis menentukan kelas informasi terlebih dulu yang kemudian akan

digunakan untuk menentukan kelas spectral yang mewakili kelas informasi tersebut

(Septiana, 2017).

Gambar 4. Ilustrasi cara kerja metode terbimbing

(Sumber: Ayuindra, 2013)

Metode terbimbing terdiri dari beberapa jenis yaitu:

1. Parallelepiped

Klasifikasi dengan menggunakan aturan keputusan sederhana untuk

mengklasifikan data multispektral. Batas-batas keputusan merupakan dimensi

dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas standar

deviasi dari rata-rata setiap kelas yang dipilih.

14
2. Minimum Distance

Metode jarak minimum menggunakan vektor rerata dan menghitung jarak

dari setiap pixel yang diketahui oleh vektor rerata untuk tiap kelas. Beberapa

pixel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria

yang dipilih.

3. Maximum Likehood

Statistik setiap kelas di tiap-tiap band yang terdistribusi secara normal dan

menghitung probabilitas dimana setiap pixel yang diberikan milik kelas tertentu.

Jika analis memilih batas probabilitias, semua pixel diklasifikasikan. Setiap pixel

diperuntukkan untuk kelas yang memiliki probabilitas tinggi. Jika probabilitas

tertinggi lebih kecil dari standar deviasi yang ditentukan maka pixel tidak akan

diklasifikasi.

4. Mahalanobis Distance

Metode ini hampir mirip dengan Minimum Distance, tetapi semua

covveriences kelas yang mirip yang menyebabkan metode ini lebih singkat

waktunya. Setiap pixel diklasifikasikan ke kelas yang sudah ditentukan ROI

(Region Of Interest) terdekat, kecuali jika analis menentukan ambang batas

jarak.

5. Spectral Angle Mapper

Metode ini bila digunakan pada data reflektansi dikalibrasi, relatif tidak

sensitif terhadap pencahayaan. Metode ini membandingkan sudut antara vektor

spektrum endmember dan setiap vektor pixel di n-D. Sudut kecil merupakan

perbandingan lebih dekat dengan spektur referensi. Pixel lebih jauh dari batas

15
 sudut maksimum yang ditentukan dalam radian tidak diklasifikasikan.

Klasifikasi ini mengasumsikan data reflektansi, namun jika analis menggunakan

data cahaya, kesalahan umumnya tidak signifikan karena data asal masih

mendekati nol.

6. Spectral Information Divergence

Metode ini menunjukkan semakil kecil perbedaannya maka semakin besar

kemungkinan pixel serupa. Pixel yang memiliki ukuran lebih besar daripada

ambang batas yang ditentukan tidak terklasifikasi.

7. Binary Encoding

Metode ini dilakukan dengan melakukan coding data dan spektrum

endmember ke nol dan satu berdasarkan band yang jatuh dibawah atau diatas

spektrum mean, tiap spektrum referensi dikodekan dengan spektrum data akan

menghasil gambar klasifikasi.

16
 III. METODE PENELITIAN

A. Tempat dan Waktu Penelitian

Penelitian dilaksanakan Daerah Irigasi (DI) Danayuda yang berada dibawah

kewenangan Dinas Pekerjaan Umum Kabupaten Banyumas mulai bulan November

2017 sampai dengan November 2018. Pengolahan data dilaksanakan di

Laboratorium Teknologi Pertanian, Jurusan Teknologi Pertanian, Universitas

Jenderal Soedirman.

B. Alat dan Bahan

Penelitian menggunakan data pendukung yaitu data luasan areal dan peta DI

Danayuda dari instansi terkait. Sedangkan alat yang digunakan yaitu pesawat tanpa

awak DJI Phantom 4 Pro, sebuah smartphone Xiaomi Redmi Note 2 untuk

menjalankan program Pix4Dcapture dan DJI GO, seperangkat komputer dengan

spesifikasi AMD Ryzen 5 1400, RAM sebesar 8 GB, hardisk 1 TB, Graphic Card

Nvidia GeForce 1050 Ti sebesar 4GB untuk menjalankan program Agisoft

Photoscan dan QGIS 2.18.15.

17
 C. Tahapan Pelaksanaan Penelitian

1. Pengambilan data

Pengambilan data dilakukan menggunakan metode foto udara yang

menggunakan DJI Phantom 4 Pro sebagai wahana tanpa awak dalam

pemotretan foto udara (Gambar 5). Pengambilan foto udara menggunakan

ketinggian 100 meter, sudut pengambilan 90o, dan ketajaman perbesaran

sampai ketinggian 5 meter dari permukaan tanah.

Gambar 5. Contoh Foto Udara menggunakan DJI Phantom 4 Pro

Dalam pengambil foto udara dilakukan penerbangan sebanyak 10 kali

misi penerbangan UAV (Gambar 6). Rincian jumlah foto udara yang didapat

yaitu:

a) Penerbangan ke-1 mendapatkan foto udara sebanyak 235 foto.

b) Penerbangan ke-2 mendapatkan foto udara sebanyak 41 foto.

18
c) Penerbangan ke-3 mendapatkan foto udara sebanyak 174 foto.

d) Penerbangan ke-4 mendapatkan foto udara sebanyak 151 foto.

e) Penerbangan ke-5 mendapatkan foto udara sebanyak 326 foto.

f) Penerbangan ke-6 mendapatkan foto udara sebanyak 86 foto.

g) Penerbangan ke-7 mendapatkan foto udara sebanyak 88 foto.

h) Penerbangan ke-8 mendapatkan foto udara sebanyak 224 foto.

i) Penerbangan ke-9 mendapatkan foto udara sebanyak 159 foto.

j) Penerbangan ke-10 mendapatkan foto udara sebanyak 326 foto.

Pengambilan data citra satelit landsat 8 dilakukan dengan cara

mengunduh di earthexplorer.usgs.gov dengan menentukan daerah dan waktu

pengambilan citra satelit landsat 8 sesuai yang diperlukan secara gratis.

19
 Gambar 6. Peta kotak misi penerbangan

2. Pengolahan Data

Pengolahan data foto udara dilakukan menggunakan metode mosaicing

di dalam aplikasi Agisoft Photoscan. Mosaicing merupakan proses

penggabungan dari beberapa foto udara sehingga terlihat menjadi satu (utuh).

Dalam pengklasifikasian penggunaan lahan di daerah irigasi Danayuda

20
menggunakan metode supervised classification dan unsupervised

classification di aplikasi QGIS 2.18 Las Palmas.

a) Supervised Classification

Algoritma klasifikasi terbimbing yang digunakan adalah Minimum

Distance, algoritma ini dilakukan dengan menghitung kemiripan spektral

antar piksel yang tidak dikenali dengan penciri kelas dari training area

dimana semakin mirip maka jarak spektralnya semakin dekat. (Jaya, 2010

dalam Priyono, 2016).

Mengacu pada hasil analisis Sari et al. (2015), alasan penelitian ini

menggunakan algoritma klasifikasi terbimbing Minimum Distance yaitu

tidak mempertimbangkan variasi kelas dan proses klasifikasinya lebih

cepat daripada menggunakan algoritma klasifikasi Maximum Likehood.

Prosedur klasifikasi terbimbing menurut Richard (1999)

menggunakan metode minimum distance (Gambar 7) adalah:

i. Menentukan jumlah kelas yang ingin dibentuk

ii. Menentukan ROI (Region Of Interest) sesuai kelas-kelas yang

ditentukan.

iii. Menghitung jarak tiap data ke masing-masing centroid,

menggunakan Persamaan 1.

𝑑(𝑥, 𝑚𝑖 )2 = (𝑥 − 𝑚𝑖 )2 ..................................................................(1)

dengan

x = Titik data centroid pertama

mi = Titik data kedua

21
 d(x,y) = Euclidian distance yang merupakan jarak antara data pada

titik x dan titik y menggunakan kalkulasi matematika

Gambar 7. Diagram alir metode klasifikasi Minimum Distance

(Sumber: Jiang et al., 2012)

b) Unsupervised Classification

Algoritma klasifikasi tidak terbimbing yang digunakan adalah K-

Means. Metode K-Means digunakan sebagai alternatif metode klaster

untuk data dengan ukuran yang besar karena memiliki kecepatan yang

lebih tinggi dibandingkan metode hirarki (Handoko, Sediono, dan

Suhartono, 2011).

22
 Mengacu pada artikel yang ditulis oleh Atmajaya (2016), alasan

penelitian ini menggunakan algoritma klasifikasi tidak terbimbing K-

Means yaitu mudah untuk dijalankan, waktu yang dibutuhkan dalam

proses klasifikasi relatif cepat, dan umum digunakan dalam hal pemetaan.

Menurut Siswanto (2018), proses pengklasteran dengan metode K-

Means (Gambar 8) adalah:

i. Menentukan besarnya K sebagai jumlah klaster yang ingin dibentuk

ii. Menentukan K centroid awal secara random

iii. Menghitung jarak tiap data ke masing-masing centroid,

menggunakan Persamaan 2.

𝑑(𝑥, 𝑦) = |𝑥 − 𝑦| = √∑𝑛𝑖=1(𝑥𝑖 − 𝑦𝑖 )2 ..........................................(2)

dengan

x = Titik data pertama

y = Titik data kedua

n = Jumlah karakteristik (atribut) dalam terminologi data mining

d(x,y) = Euclidian distance yang merupakan jarak antara data pada

titik x dan titik y menggunakan kalkulasi matematika

iv. Menghitung kembali K centroid untuk klaster yang baru terbentuk.

v. Mengulangi langkah 3 sampai tidak ada lagi pemindahan objek antar

klaster.

23
Gambar 8. Diagram alir metode klasifikasi K-Means
(Sumber: Raju, Aravinth, dan Veni, 2016)

24
 Dari foto udara tersebut selanjutnya dilakukan klasifikasi untuk

mengetahui penggunaan lahan di Daerah Irigasi Danayuda. Dalam penelitian

menggunakan citra drone ini dibagi menjadi 6 kelas, yaitu:

a. Kelas 1, merupakan deliniasi dari fase pertumbuhan palawija

b. Kelas 2, merupakan deliniasi dari fase panen palawija

c. Kelas 3, merupakan deliniasi dari fase vegetatif padi

d. Kelas 4, merupakan deliniasi dari fase olah tanah

e. Kelas 5, merupakan deliniasi dari fase pra olah tanah

f. Kelas 6, merupakan deliniasi dari fase persemaian

Sedangkan dalam penelitian menggunakan citra Landsat 8 ini dibagi

menjadi 5 kelas, yaitu:

a. Kelas 1, merupakan deliniasi dari fase pertumbuhan palawija

b. Kelas 2, merupakan deliniasi dari fase panen palawija

c. Kelas 3, merupakan deliniasi dari fase vegetatif padi

d. Kelas 4, merupakan deliniasi dari fase olah tanah

e. Kelas 5, merupakan deliniasi dari fase pra olah tanah

Uji validitas yang dipakai untuk memperkuat data yang diperoleh

menggunakan perhitungan standard deviasi (Persamaan 3) dan standard error

guna (Persamaan 4).

∑𝑛
𝑖=1(𝑢−ū)
2
𝑆𝐷 = √ ...........................................................................(3)
(𝑛−1)

dengan

u = Data ke-i

ū = Rata-rata data

25
n = Jumlah data

SD = Standard deviasi
𝑆𝐷
𝑆𝐸 = ..........................................................................................(4)
√𝑛

dengan

n = Jumlah data

SD = Standard deviasi

SE = Standard error

26
Gambar 9. Diagram alir Metode Penelitian

27
 IV. HASIL DAN PEMBAHASAN

A. Citra UAV pada Lahan Peruntukkan Sawah Daerah Irigasi Danayuda

Citra UAV DI Danayuda yang didapatkan, diambil menggunakan wahana

pesawat tanpa awak DJI Phantom 4 Pro (Gambar 10) merupakan hasil mosaicing

dari ribuan data foto udara yang didapatkan yang sejalan dengan penelitian yang

dilakukan oleh Adi, Prasetyo, dan Yuwono (2017) dimana mosaicing merupakan

gabungan dari beberapa foto udara yang saling bertampalan dan disusun

sedemikian rupa sehingga menjadi satu gambar yang berkesinambungan. Proses

pengambilan foto udara yang terdapat pada peta Gambar 10 didapatkan berdasarkan

misi-misi penerbangan (Gambar 6).

28
Gambar 10. Citra UAV DI Danayuda yang didapatkan

29
 Citra UAV lahan peruntukkan sawah DI Danayuda yang diambil

menggunakan wahana pesawat tanpa awak (Gambar 11) merupakan hasil clipped

tutupan lahan (land use/land cover) pada DI Danayuda dari peta Gambar 10 dan

memiliki luas sebesar 176,3 Ha. Proses clipped dilakukan hanya pada lahan

peruntukkan sawah dikarenakan untuk analisis kebutuhan air di area persawahan

saja, sedangkan tutupan lahan lainnya tidak dipergunakan dikarenakan waktu saat

proses rendering klasifikasi lama. Proses rendering klasifikasi menghabiskan

waktu yang lama dikarenakan spesifikasi komputer yang digunakan kurang

maksimal sehingga diperlukan komputer yang memiliki spesifikasi minimal chipset

processor octa-core 4 Ghz, RAM 16 GB, dan hardisk menggunakan jenis SSD

(Solid State Drive) sebesar 1 TB supaya lebih cepat dalam pembacaan dan

penulisan data. Penelitian yang dilakukan oleh Adi, Prasetyo, dan Yuwono (2017)

menggunakan perangkat dengan spesifikasi chipset processor Intel Core i7-

4710HQ @2,5 GHz, RAM 8 GB, dan hardisk jenis HDD sebesar 800 GB.

30
Gambar 11. Citra UAV lahan peruntukkan sawah DI Danayuda

31
 B. Klasifikasi Tutupan Lahan (Land Use/Land Cover) pada Lahan
Peruntukkan Sawah menggunakan Drone

Peta klasifikasi tutupan lahan (land use/land cover) pada lahan peruntukkan

sawah menggunakan metode supervised di QGIS DI Danayuda yang diambil

menggunakan wahana pesawat tanpa awak pada tanggal 13 November-20

November 2017 (Gambar 12) merupakan hasil klasifikasi peta Gambar 11 yang

diambil tutupan lahan (land use/land cover) pada lahan peruntukkan sawahnya

yang memiliki luas total sebesar 176,3 Ha yang terbagi menjadi 6 kelas yaitu fase

pertumbuhan palawija sebesar 68,3 Ha, fase panen palawija sebesar 40,6 Ha, fase

vegetatif padi sebesar 27,5 Ha, fase olah tanah sebesar 26,2 Ha, fase pra olah tanah

sebesar 12,3 Ha, dan fase persemaian sebesar 1,3 Ha. Grafik tutupan lahan (land

use/land cover) pada lahan peruntukkan sawah menggunakan drone (Gambar 13).

32
Gambar 12. Peta klasifikasi tutupan lahan (land use/land cover) pada lahan
peruntukkan sawah menggunakan metode supervised di QGIS DI Danayuda

33
 1%

Fase Pertumbuhan Palawija

7%
Fase Panen Palawija
15%
39% Fase Vegetatif Padi

Fase Olah Tanah

15%
Fase Pra Olah Tanah

Persemaian
23%

Gambar 13. Grafik tutupan lahan (land use/land cover) pada lahan peruntukkan
sawah menggunakan Drone

Berdasarkan data curah hujan di Stasiun Purwokerto Tahun 2017, bulan

November 2017 merupakan awal musim hujan sehingga banyak didapatkan tutupan

lahan di DI Danayuda berupa fase pertumbuhan palawija dan fase panen palawija.

Grafik data curah hujan di Stasiun Purwokerto Tahun 2017 (Gambar 14)

menjelaskan bahwa pada bulan November 2017 merupakan bulan yang memiliki

curah hujan tinggi dan merupakan peralihan musim tanam sehingga fase-fase

pertumbuhan tanaman lahan sawah yang terdapat di DI Danayuda didominasi fase

pertumbuhan palawiija, fase panen palawija, fase pra olah tanah, fase olah tanah,

dan fase vegetatif padi.

34
 1000

Curah Hujan (mm)

800

600

400

200

Bulan

Gambar 14. Grafik data curah hujan di Stasiun Purwokerto Tahun 2017

C. Klasifikasi Terbimbing Tutupan Lahan (Land Use/Land Cover) pada

Lahan Peruntukkan Sawah menggunakan Citra Landsat 8

Peta DI Danayuda yang diambil sesuai dengan waktu pengambilan drone

menggunakan citra Landsat 8 dengan kombinasi band Agriculture (6-5-2) (Gambar

15) yang didapatkan melalui citra Landsat 8 yang disediakan oleh fitur EarthExplorer

dari USGS dengan cara mengunduh areal sekitaran DI Danayuda kemudian

dilakukan Atmospheric Correction untuk menghilangkan kabut-kabut yang

menghalangi tutupan lahan (Jia et al., 2014) kemudian melakukan proses Clipped

sesuai areal DI Danayuda dan melakukan pengaturan kombinasi band Agriculture (6-

5-2).

35
Gambar 15. Peta DI Danayuda yang diambil menggunakan citra Landsat 8 dengan
kombinasi band Agriculture

36
 Peta klasifikasi tutupan lahan (land use/land cover) pada lahan peruntukkan

sawah menggunakan metode supervised di QGIS DI Danayuda yang diambil

menggunakan citra landsat 8 dan tanggal perekaman dekat dengan waktu

pengambilan citra drone (Gambar 17) merupakan hasil klasifikasi dari peta Gambar

15 yang menggunakan kombinasi band Agriculture (6-5-2) diawali dengan

pembuatan ROI (Region Of Interest) dengan data acuan dari peta Gambar 11 berupa

titik-titik ROI (Gambar 16) kemudian menggunakan algoritma minimum distance

untuk pembacaan ROI yang telah dibuat. Peta pada Gambar 17 memiliki luas total

sebesar 347,8 Ha yang terbagi menjadi 5 kelas yaitu fase pertumbuhan palawija

sebesar 34,9 Ha, fase panen palawija sebesar 57,5 Ha, fase vegetatif padi sebesar

18,5 Ha, fase olah tanah sebesar 214,6 Ha, dan fase pra olah tanah sebesar 22,4 Ha.

Grafik tutupan lahan (land use/land cover) pada lahan peruntukkan sawah

menggunakan metode klasifikasi supervised (Gambar 18). Berdasarkan LAPAN

(2015), klasifikasi terbimbing (supervised) adalah proses pengkelasan piksel citra

menjadi beberapa kelas yang didasarkan pada training area atau region of interest

(ROI) sebagai piksel acuan dimana ditentukan oleh pengguna yang kemudian

digunakan oleh komputer dalam proses klasifikasi dan algoritma yang disarankan

yaitu maximum likehood.

37
Gambar 16. Peta ROI (Region Of Interest) DI Danayuda yang diambil
menggunakan citra Landsat 8 dengan kombinasi band Agriculture

38
 Gambar 17. Peta klasifikasi tutupan lahan (land use/land cover) pada lahan
peruntukkan sawah menggunakan metode supervised di QGIS DI Danayuda yang
diambil menggunakan citra landsat 8 dan tanggal perekaman dekat dengan tanggal
pengambilan citra drone

39
 6% 10% Fase Pertumbuhan Palawija

Fase Panen Palawija

17%

Fase Vegetatif Padi

5%
Fase Olah Tanah
62%
Fase Pra Olah Tanah

Gambar 18. Grafik tutupan lahan (land use/land cover) pada lahan peruntukkan
sawah menggunakan metode klasifikasi supervised

D. Klasifikasi Tidak Terbimbing Tutupan Lahan (Land Use/Land Cover)

pada Lahan Peruntukkan Sawah menggunakan Citra Landsat 8

Peta DI Danayuda yang diambil pada bulan Mei 2018 menggunakan citra

Landsat 8 dengan kombinasi band Agriculture (6-5-2) (Gambar 19) didapatkan

melalui citra Landsat 8 yang disediakan oleh fitur EarthExplorer dari USGS dengan

cara mengunduh areal sekitaran DI Danayuda kemudian dilakukan Atmospheric

Correction untuk menghilangkan kabut-kabut yang menghalangi tutupan lahan (Jia

et al., 2014) kemudian melakukan proses Clipped sesuai areal DI Danayuda dan

melakukan pengaturan kombinasi band Agriculture (6-5-2).

40
Gambar 19. Peta DI Danayuda bulan Mei 2018 yang diambil menggunakan citra
Landsat 8 dengan kombinasi band Agriculture

41
 Peta klasifikasi tutupan lahan (land use/land cover) pada lahan peruntukkan

sawah menggunakan metode unsupervised di QGIS DI Danayuda yang diambil

menggunakan citra landsat 8 pada bulan Mei 2018 (Gambar 20) merupakan hasil

klasifikasi dari peta Gambar 19 yang menggunakan kombinasi band Agriculture (6-

5-2) dan dilakukan menggunakan algoritma K-Means dengan bantuan Orfeo

Toolbox. Algoritma K-Means melakukan clustering dengan cara random ketika

menentukan titik-titik awalnya. Peta tersebut memiliki luas total sebesar 348 Ha

yang terbagi menjadi 5 kelas yaitu fase pertumbuhan palawija sebesar 81,4 Ha, fase

panen palawija sebesar 64,5 Ha, fase vegetatif padi sebesar 35,3 Ha, fase olah tanah

sebesar 107,5 Ha, dan fase pra olah tanah sebesar 59,3 Ha. Grafik tutupan lahan

(land use/land cover) pada lahan peruntukkan sawah menggunakan metode

klasifikasi unsupervised (Gambar 21). Sedangkan LAPAN (2015) mengemukakan

klasifikasi tidak terbimbing (unsupervised) dilakukan dengan cara mengkelaskan

piksel citra menjadi beberapa kelas berdasarkan pada perhitungan statistik tertentu

tanpa menentukan training area yang digunakan oleh komputer sebagai acuan

dalam proses klasifikasi dengan algoritma isodata classification disarankan dalam

proses klasifikasi tidak terbimbing.

42
 Gambar 20. Peta klasifikasi tutupan lahan (land use/land cover) pada lahan
peruntukkan sawah menggunakan metode unsupervised di QGIS DI Danayuda
yang diambil menggunakan citra landsat 8 pada bulan Mei 2018

43
 17% Fase Pertumbuhan Palawija
23%
Fase Panen Palawija

Fase Vegetatif Padi

Fase Olah Tanah

31% 19%
Fase Pra Olah Tanah
10%

Gambar 21. Grafik tutupan lahan (land use/land cover) pada lahan peruntukkan
sawah menggunakan metode klasifikasi unsupervised

E. Perbandingan Klasifikasi Terbimbing Tutupan Lahan (Land Use/Land

Cover) pada Lahan Peruntukkan Sawah menggunakan Drone dan Citra
Landsat 8

Untuk memperkuat data-data yang sudah diperoleh, diambil 3 sampel data

penerbangan dimana terdapat fase-fase pertumbuhan yang lengkap dari data

penerbangan lainnya yaitu pada penerbangan HM 0-7, HM 10-16 (A), dan HM 17-

25 (B) (Lampiran 1). Data penerbangan tersebut kemudian dilakukan digitasi secara

manual untuk mendapatkan luas aktual dan dibandingkan dengan data luas dari UAV

dan Landsat.

Tabel 3. Klasifikasi tutupan lahan pada penerbangan HM 0-7

No Kelas Luas (Ha) [Aktual] Luas (Ha) [Drone] Luas (Ha) [Landsat]
1 Fase Pertumbuhan Palawija 2,4 1,4 N/A
2 Fase Panen Palawija 1,3 1,2 2,8
3 Fase Vegetatif Padi 0,2 0,7 N/A
4 Fase Olah Tanah 1,9 3,3 N/A
5 Fase Pra Olah Tanah 3,6 1,8 3,0
6 Persemaian 0,1 1,3 2,2
Jumlah 9,6 9,7 7,9

44
Tabel 4. Klasifikasi tutupan lahan pada penerbangan HM 10-16 (A)
No Kelas Luas (Ha) [Aktual] Luas (Ha) [Drone] Luas (Ha) [Landsat]
1 Fase Pertumbuhan Palawija 0,4 0,3 N/A
2 Fase Panen Palawija 0,6 0,9 1,5
3 Fase Vegetatif Padi 0,7 1,3 N/A
4 Fase Olah Tanah 2,1 2,2 3,2
5 Fase Pra Olah Tanah 1,1 0,2 N/A
6 Persemaian 0,1 0,2 N/A
Jumlah 5,0 5,2 4,7

Tabel 5. Klasifikasi tutupan lahan pada penerbangan HM 17-25 (B)

No Kelas Luas (Ha) [Aktual] Luas (Ha) [Drone] Luas (Ha) [Landsat]
1 Fase Pertumbuhan Palawija 1,7 2,7 0,2
2 Fase Panen Palawija 3,4 1,4 N/A
3 Fase Vegetatif Padi 0,1 0,3 N/A
4 Fase Olah Tanah 1,1 2,4 0,2
5 Fase Pra Olah Tanah 2,5 1,2 8,4
6 Persemaian 0,1 0,9 N/A
Jumlah 8,9 8,9 8,8

Tabel 6. Nilai standard error (se) klasifikasi tutupan lahan daerah irigasi Danayuda
Standar Deviasi Standar Error Standar Deviasi Standar Error
No Kelas Rekomendasi
Drone Drone Landsat Landsat
1 Fase Pertumbuhan Palawija 0,5 0,3 1,0 0,6 Drone
2 Fase Panen Palawija 1,1 0,6 1,3 0,8 Drone
3 Fase Vegetatif Padi 0,2 0,1 0,3 0,2 Drone
4 Fase Olah Tanah 0,7 0,4 0,6 0,3 Landsat
5 Fase Pra Olah Tanah 0,4 0,3 2,9 1,7 Drone
6 Persemaian 0,5 0,3 1,2 0,7 Drone

Pengambilan kesimpulan di kolom rekomendasi berdasarkan sumber data yang

memiliki nilai standard error lebih kecil dibandingkan dengan nilai standard error

sumber data lainnya. Klasifikasi fase pertumbuhan tanaman lahan sawah

menggunakan foto udara UAV sebagian besar memiliki nilai standard error lebih

kecil daripada nilai standar error menggunakan citra satelit landsat 8 sehingga foto

udara UAV lebih baik digunakan dalam proses klasifikasi fase pertumbuhan lahan

sawah (Tabel 6). Hasil tersebut sejalan dengan penelitian yang dilakukan oleh Wulan

et al. (2016) menggunakan metode omisi komisi didapatkan kesimpulan bahwa foto

udara UAV sangat membantu pada pemantauan kawasan dan pemetaan dikarenakan

memiliki tingkat akurasi yang tinggi.

45
 Masing-masing alat yang digunakan dalam pengambilan data memiliki

kelebihan dan kekurangan, adapun kelebihan dan kekurangan dari foto udara UAV

yaitu:

1. Kelebihan

a. Detail gambar sangat tajam, kamera yang dimiliki DJI Phantom 4 Pro

beresolusi 20 MP sehingga data yang diperoleh memiliki kualitas tinggi.

b. Data yang diperoleh up to date, foto udara diperoleh secara langsung saat

melakukan penerbangan.

c. Hasil klasifikasi lebih akurat, dikarenakan foto udara yang diambil

menggunakan DJI Phantom 4 Pro memiliki kualitas tinggi sehingga hasil

klasifisikasinya akurat.

d. Biaya relatif murah, harga dari UAV DJI Phantom 4 Pro sekitar 25 juta rupiah.

2. Kekurangan

a. Ukuran data sangat besar, foto udara yang didapatkan memiliki kualitas yang

tinggi sehingga mengakibatkan ukuran datanya sangat besar.

b. Proses rendering klasifikasi berlangsung sangat lama, karena ukuran data

yang besar dan kualitas foto udara yang tinggi maka dalam proses rendering

klasifikasi memerlukan waktu yang lama.

c. Tidak cocok digunakan untuk luasan yang besar, karena penerbangan UAV

DJI Phantom 4 Pro hanya dapat bertahan selama 30 menit dalam sekali

terbang.

46
 Berdasarkan Zarco-Tejada et al. (2014), drone biasanya dilengkapi dengan

peralatan kamera beresolusi tinggi yang dapat melakukan pemotretan foto udara,

tidak terhalangi awan, memiliki skala kedetailan data yang sangat tinggi, dan proses

pengambilan data lebih mudah. Sedangkan menurut Utomo (2017) UAV merupakan

piranti yang berguna untuk berbagai aplikasi pemetaan bidang tanah, walaupun masih

memiliki banyak kekurangan dimana foto udara UAV dalam percepatan pemetaan

tanah adalah pilihan yang tepat karena hasil pemotretan drone punya resolusi spasial

yang tinggi sehingga sesuai dengan aturan pemetaan bidang tanah dan harganya

murah.

Kelebihan dan kekurangan dari citra satelit Landsat 8 yaitu:

1. Kelebihan

a. Data citra diperoleh secara gratis, data didapatkan dengan cara mengunduh

citra dari EarthExplorer yang disediakan oleh U.S Geological Survey.

b. Proses rendering klasifikasi lebih cepat, karena ukuran data yang kecil maka

dalam proses rendering klasifikasi hanya memerlukan waktu yang lebih

singkat.

c. Ukuran data lebih kecil, citra yang didapatkan memiliki kualitas yang kurang

baik sehingga mengakibatkan ukuran datanya relatif kecil.

d. Cocok untuk luasan areal yang besar, karena citra Landsat dapat memotret

dalam cakupan area yang luas.

47
2. Kekurangan

a. Hasil klasifikasi kurang akurat, citra dari Landsat memiliki ketajaman yang

kurang baik sehingga ketika dilakukan klasifikasi menghasilkan data yang

kurang akurat.

b. Detail gambar kurang tajam, dalam satu kali pengambilan foto udara citra

Landsat memotret dalam cakupan areal luas sehingga detail gambar yang

didapatkan kurang tajam.

c. Terdapat awan-awan yang dapat menghalangi kenampakan gambar,

dikarenakan citra Landsat terletak diatas awan maka dalam pengambilan foto

udara akan ada kenampakan awan-awan yang melintas diatas permukaan bumi.

Berdasarkan Aditri (2014), landsat 8 memiliki kemampuan deteksi awan cirrus

yang lebih baik serta akses data yang terbuka (gratis) meskipun resolusi yang dimilki

tidak setinggi citra berbayar lainnya. Sedangkan berdasarkan FDS (2018), Landsat 8

memiliki keuntungan yaitu gambar yang didapatkan meliputi daerah yang luas serta

citra dapat dibuat secara cepat meskipun untuk daerah yang sulit dijelajahi.

48
 V. KESIMPULAN DAN SARAN

A. Kesimpulan

1. Berdasarkan hasil penelitian tentang Analisis Fase Pertumbuhan Tanaman

menggunakan Algoritma Klasifikasi pada Foto Udara Unmanned Aerial

Vehicle Quadcopter dan Citra Satelit yang telah dilakukan, maka dapat ditarik

kesimpulan:

a. Algoritma klasifikasi terbimbing (supervised) minimum distance dapat

dilakukan pada sumber data dari UAV di DI Danayuda. Luas total setelah

proses klasifikasi sebesar 176,3 ha yang terbagi menjadi 6 kelas yaitu fase

pertumbuhan palawija sebesar 39%, fase panen palawija sebesar 23%, fase

vegetatif padi sebesar 15%, fase olah tanah sebesar 15%, fase pra olah tanah

sebesar 7%, dan fase persemaian sebesar 1%.

b. Algoritma klasifikasi terbimbing (supervised) minimum distance dapat

dilakukan pada sumber data dari Citra Landsat 8 di DI Danayuda. Luas total

setelah proses klasifikasi sebesar 347,8 ha yang terbagi menjadi 5 kelas

yaitu fase pertumbuhan palawija sebesar 10%, fase panen palawija sebesar

17%, fase vegetatif padi sebesar 5%, fase olah tanah sebesar 62%, dan fase

pra olah tanah sebesar 6%.

c. Algoritma klasifikasi tidak terbimbing (unsupervised) K-Means dapat

dilakukan pada sumber data dari Citra Landsat 8 di DI Danayuda. Luas total

setelah proses klasifikasi sebesar 348 ha yang terbagi menjadi 5 kelas yaitu

fase pertumbuhan palawija sebesar 23%, fase panen palawija sebesar 19%,

49
 fase vegetatif padi sebesar 10%, fase olah tanah sebesar 31%, dan fase pra

olah tanah sebesar 17%.

2. Klasifikasi fase pertumbuhan tanaman lahan sawah secara supervised

menggunakan foto udara UAV sebagian besar memiliki nilai standard error lebih

kecil daripada nilai standard error menggunakan citra satelit landsat 8 sehingga

foto udara UAV lebih baik digunakan dalam proses klasifikasi fase pertumbuhan

lahan sawah. Foto udara UAV memiliki kelebihan detail gambar yang tajam, up

to date, dan hasil klasifikasi akurat. Sedangkan foto udara citra satelit landsat 8

memiliki kelebihan data diperoleh secara gratis, proses rendering klasifikasi

cepat, ukuran data kecil, dan cocok digunakan untuk luasa areal yang besar.

B. Saran

Perlu dilakukan penelitian lebih lanjut tentang pemetaan dan analisis

kebutuhan air di DI tersebut. Dibutuhkan spesifikasi komputer yang tinggi dengan

menitikberatkan pada komponen processor, RAM, hardisk (SSD) agar dapat

menghasilkan kualitas dan kecepatan analisis data spasial yang lebih baik.

50
 DAFTAR PUSTAKA

Abeyratne, R. 2014. Law and Regulation of Aerodromes. Springer International

Publishing.
Adi, A. P., Prasetyo, Y., Yuwono, B. D. 2017. Pengujian Akurasi dan Ketelitian
Planimetrik pada Pemetaan Bidang Tanah Pemukiman Skala Besar
menggunakan Wahana Unmanned Aerial Vehicle (UAV). Universitas
Diponegoro: Semarang.
Aditri. 2014. Spesifikasi dan Keunggulan Landsat 8. https://www.kaskus.co.id/
thread/548306d0becb17e5248b4575/spesifikasi-dan-keunggulan-landsat-8/
diakses pada 28 Januari 2019.
Agus, R. 2012. Penggunaan Quantum GIS dalam Sistem Informasi Geografis.
Universitas Gunadarma: Jakarta.
Ardiansyah, T. 2018. Penginderaan Jauh: Pengertian, Prinsip, Jenis, dan Manfaat.
https://foresteract.com/penginderaan-jauh/ diakses pada 15 Januari 2019.
Arsyad, S. 1989. Konservasi Tanah dan Air. IPB Press. Bogor
Atmajaya, D. 2016. K-Means Clustering. http://lecturer.fikom.umi.ac.id/
dedyatmajaya/k-means-algorithm/ diakses pada 18 November 2018.
Ayuindra, M. 2013. Analisa Perubahan Tutupan Lahan menggunakan Citra
Landsat (Studi Kasus: Sulawesi Selatan tahun 1999-2013. Institut Teknologi
Sepuluh November: Surabaya.
Badan Pusat Statistik. 2017. Statistik Lahan Pertanian Tahun 2012-2016. Jakarta.
Barsi, J. A., Lee, K., Kvaran, G., Markham, B. L., Pedelty, J. A. 2014. The Spectral
Response of the Landsat 8 Operational Land Imager. Science Systems and
Applications: USA.
Bone, E., Bolkcom, C. 2003. Unmanned Aerial Vehicles: Background and Issues
for Congress. Congressional Research Service: Washington.
Butler, K. 2013. Band Combinations for Landsat 8. https://www.esri.com/arcgis-
blog/products/product/imagery/band-combinations-for-landsat-8/?rmedium
=redirect&rsource=blogs.esri.com/esri/arcgis/2013/07/24/band-combinatio
ns-for-landsat-8 diakses pada 31 Januari 2019.
Congedo, L. 2015. Semi-Automatic Classification Plugin Documentation Release
4.3.0. Sapienza University of Rome: Roma.
DJI. 2017. User Manual Phantom 4 Pro. USA.

51
FDS. 2018. Mengenal Perbedaan Pemetaan dengan Peta Citra Satelit dan
Fotogramteri UAV. https://www.fulldronesolutions.com/mengenal-
perbedaan-pemetaan-dengan-citra-satelit-dan-fotogrametri-uav/ diakses pada
28 Januari 2019.
Febrandy, D. 2006. Karakterisasi Sifat-Sifat Tanah dan Lahan untuk Kesesuaian
Lahan Tanaman Jati Belanda (Guazuma ulmifolia LAMK). Institut Pertanian
Bogor: Bogor.
Handoko, S., Sediono, E., Suhartono. 2011. Sistem Informasi Geografis Berbasis
Web untuk Pemetaan Sebaran Alumni menggunakan Metode K-Means.
Universitas Diponegoro: Semarang.
Howell, E. 2015. What is Drone ?. http://www.space.com/29544what-is-a-
drone.html diakses pada 24 Februari 2018.
Jia, K., Wei, X., Gu, X., Yao, Y., Xie, X., Li, B. 2014. Land Cover Classification
using Landsat 8 Operational Land Imager data in Beijing, China. Chinese
Academy of Sciences: Beijing.
Jiang, D., Huang, Y., Zhuang, D., Zhu, Y., Xu, X., Ren, H. 2012. A Simple Semi-
Automatic Approach for Land Cover Classification from Multispectral
Remote Sensing Imagery. Chinese Academy of Sciences: Beijing.
Julzarika, A., Carolita, I. 2015. Klasifikasi Penutup Lahan Berbasis Objek pada
Citra Satelit SPOT dengan menggunakan Metode Tree Algorithm. Pusat
Pemanfaatan Penginderaan Jauh (LAPAN).
KBBI. 2018. Arti kata Delineasi. https://kbbi.web.id/delineasi diakses pada 24
Februari 2018.
Kementerian Pertanian. 2018. 2016, Luas Lahan Sawah Indonesia 8 Juta Hektar.
https://databoks.katadata.co.id/datapublish/2018/04/10/2016-luas-lahan-
sawah-indonesia-8-juta-hektar diakses pada 27 Oktober 2018.
Kementerian Pertanian. 2018. Kementan Optimistis Produksi Padi Terjaga Saat
Kemarau.
http://www.pertanian.go.id/home/?show=news&act=view&id=3334 diakses
pada 13 November 2018.
LAPAN. 2015. Pedoman Pengolahan Data Penginderaan Jauh Landsat 8 untuk
MPT. Jakarta
Martin, P. L. 1993. Trade and Migration: The Case of NAFTA. University of
California.
NASA. 2008. Landsat 8 / LDCM (Landsat Data Continuity Mission.
https://directory.eoportal.org/web/eoportal/satellite-missions/content/-
/article/landsat-8-ldcm diakses pada 15 Januari 2019.

52
Nurry, A. M. F., Anjasmara, I. M. 2014. Kajian Perubahan Tutupan Lahan Daerah
Aliran Sungai Brantas Bagian Hilir Menggunakan Citra Satelit Multi
Temporal (Studi Kasus: Kali Porong, Kabupaten Sidoarjo). Institut
Teknologi Sepuluh November: Surabaya.
Pemerintah Indonesia. 2016. Undang-Undang No. 20 Tahun 2016 yang Mengatur
Tentang Irigasi. Sekretariat Negara. Jakarta.
Playstore. 2018. Pix4Dcapture. https://play.google.com/ store/ apps/ details?
id=com.pix4d.pix4dmapper diakses pada 24 Februari 2018.
Prahasta, E. 2009. Sistem Informasi Geografis:Konsep-Konesp Dasar (Perspektif
Geodesi dan Geomatika). Informatika: Bandung.
Priyono, M. A. I. 2016. Identifikasi Karakteristik dan Pemetaan Tutupan Lahan
Menggunakan Citra Landsat 8 (OLI) di PT Gunung Meranti Kalimantan
Tengah. Institut Pertanian Bogor: Bogor.
Purnomo, L. 2016. Modul Agisoft Photoscan. http://www.liupurnomo.com diakses
pada 24 Februari 2018.
Putra, R. 2013. Pemetaan Daerah Irigasi Krueng-Jreu di Kecamatan Indrapuri
menggunakan ArcGIS 9.3 pada PU Pengairan Ranting Dinas Indrapuri Studi
Kasus pada Daerah Aliran BJKR 1-5. Sekolah Tinggi Manajemen
Informatika dan Komputer U’budiyah Indonesia: Banda Aceh.
Raju, A., Aravinth J., Veni, S. 2016. An Application of image processing
techniques for Detection of Diseases on Brinjal Leaves Using K-Means
Clustering Method. Coimbatore Amrita Vishwa Vidhyapeetham Univversity:
India.
Richard, J. A. 1999. Remote Sensing Digital Image Analysis. Springer-Verlag:
Berlin.
Ruhaeni, N., Chotidjah, N., Nurcahyono, A., Samsudin, M. J. 2015. Aspek-aspek
Hukum Pengoperasian Drone Berdasarkan Hukum Udara Internasional dan
Kontruksi Hukumnya dalam Peraturan Perundang-undangan di Indonesia.
Universitas Islam Bandung: Bandung.
Sari, K. P., Indahyani, R., Fitria, R., Fitriani, E., Ganap, M. N. 2015. Laporan
Praktikum 3 Mata Kuliah Pengideraan Jauh (Klasifikasi Multispektral).
Institut Teknologi Bandung: Bandung.
Septiana, E. 2017. Mengenal Metode Klasifikasi Tidak Terbimbing (Unsupervised)
dan Terbimbing (Supervised) di ENVI. http://www.info-
geospasial.com/2017/02/mengenal-metode-klasifikasi-tidak-terbimbing-
dan-metode-terbimbing-di-envi.html diakses pada 8 Agustus 2018.

53
Siswanto. 2018. Analisis Cluster dengan Menggunakan metode K-Means dan K-
Medoids. https://swanstatistics.com/analisis-cluster-dengan-menggunakan-
metode-k-means-dan-k-medoids/ diakses pada 25 Oktober 2018.
Syauqani, A., Subiyanto, S., Suprayogi, A. 2017. Pengaruh Variasi Tinggi Terbang
menggunakan Wahana Unmanned Aerial Vehicle (UAV) Quadcopter DJI
Phantom 3 Pro pada Pembuatan Peta Orthophoto (Studi Kasus Kampus
Universitas Diponegoro). Universitas Diponegoro: Semarang.
Utomo, B. 2017. Drone untuk Percepatan Pemetaan Bidang Tanah. Universitas
PGRI Palembang: Palembang.
Wahyuni, T. 2018. BPS Sebut Luas Lahan Pertanian Kian Menurun.
https://www.cnnindonesia.com/ekonomi/20181025153705-92-341433/bps-
sebut-luas-lahan-pertanian-kian-menurun diakses pada 13 November 2018.
Wicaksono, F. 2009. Apa itu Foto Udara ?. Badan Perpustakaan dan Arsip Daerah
DIY: Yogyakarta.
Wulan, T. R., Ambarwulan, W., Putra, A. S., Maulana, E., Maulia, N., Putra, M.
D., Wahyuningsih, D. S., Ibrahim, F., Raharjo, T. 2016. Uji Akurasi Data
UAV (Unmanned Aerial Vehicle) di Kawasan Pantai Pelangi, Parangtritis,
Kretek, Kabupaten Bantul. Universitas Islam Indonesia: Yogyakarta.
Yang, C. 2009. Remote Sensing Application for Precision Agriculture: Challenges
and Prospects. Paper di Asian Conference on Precision Agriculture: China.
Zarco-Tejada, P. J., Diaz-Varela, R., Angileri, V., Loudjani, P. 2014. Tree Height
Quantification Using Very High Resolution Imagery Acquired from an
Unmanned Aerial Vehicle (UAV) and Automatic 3D Photo-reconstruction
Methods. Institut for Environment and Sustainability: Italy.

54
Lampiran 1. Data penerbangan HM 0-7, HM 10-16 (A), dan HM 17-25 (B)

Gambar 22. Citra UAV pada lahan peruntukkan sawah DI Danayuda penerbangan
HM 0-7.

55
Gambar 23. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas acuan pada penerbangan HM 0-7 yang didapatkan dari hasil
digitasi langsung dari citra UAV.

56
 Gambar 24. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas klasifikasi menggunakan sumber data citra UAV pada
penerbangan HM 0-7 yang didapatkan dari hasil klasifikasi secara supervised dari
citra UAV.

57
Gambar 25. Citra Landsat 8 pada lahan peruntukkan sawah DI Danayuda
penerbangan HM 0-7.

58
 Gambar 26. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas klasifikasi menggunakan sumber data citra Landsat 8 pada
penerbangan HM 0-7 yang didapatkan dari hasil klasifikasi secara supervised dari
citra Landsat 8.

59
Gambar 27. Citra UAV pada lahan peruntukkan sawah DI Danayuda penerbangan
HM 10-16 (A).

60
 Gambar 28. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas acuan pada penerbangan HM 10-16 (A) yang didapatkan dari hasil
digitasi langsung dari citra UAV.

61
Gambar 29. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas klasifikasi menggunakan sumber data citra UAV pada
penerbangan HM 10-16 (A) yang didapatkan dari hasil klasifikasi secara
supervised dari citra UAV.

62
Gambar 30. Citra Landsat 8 pada lahan peruntukkan sawah DI Danayuda
penerbangan HM 10-16 (A).

63
Gambar 31. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas klasifikasi menggunakan sumber data citra Landsat 8 pada
penerbangan HM 10-16 (A) yang didapatkan dari hasil klasifikasi secara
supervised dari citra Landsat 8.

64
Gambar 32. Citra UAV pada lahan peruntukkan sawah DI Danayuda penerbangan
HM 17-25 (B).

65
 Gambar 33. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas acuan pada penerbangan HM 17-25 (B) yang didapatkan dari hasil
digitasi langsung dari citra UAV.

66
Gambar 34. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas klasifikasi menggunakan sumber data citra UAV pada
penerbangan HM 17-25 (B) yang didapatkan dari hasil klasifikasi secara
supervised dari citra UAV.

67
Gambar 35. Citra Landsat 8 pada lahan peruntukkan sawah DI Danayuda
penerbangan HM 17-25 (B).

68
Gambar 36. Persebaran tutupan lahan sawah di DI Danayuda yang digunakan
untuk data luas klasifikasi menggunakan sumber data citra Landsat 8 pada
penerbangan HM 17-25 (B) yang didapatkan dari hasil klasifikasi secara
supervised dari citra Landsat 8.

69
 RIWAYAT HIDUP

Penulis dilahirkan di Banjarnegara pada tanggal 4 Januari 1996

sebagai anak ke-2 dari 2 bersaudara dari pasangan Bapak
Adibuddin dan Ibu Sudarinah. Saat ini penulis bertempat tinggal di
Kelurahan Kutabanjarnegara RT 02 RW 03, Kecamatan
Banjarnegara, Kabupaten Banjarnegara dengan nomor telepon
08996661588 dan email habibiera@live.com. Penulis memulai
pendidikan tingkat dasar di SDN 1 Krandegan lulus tahun 2008,
kemudian melanjutkan ke jenjang tingkat menengah pertama di
SMPN 2 Banjarnegara lulus tahun 2011. Jenjang pendidikan menengah atas lulus
tahun 2014 di SMAN 1 Banjarnegara sebelum melanjutkan ke Program Studi
Teknik Pertanian Fakultas Pertanian Universitas Jenderal Soedirman, melalui
program SBMPTN di tahun yang sama. Selama menempuh studi, penulis pernah
menjadi asisten Praktikum Mata Kuliah Pemrograman Komputer, Energi dan
Elektrifikasi, Manajemen Sistem Irigasi. Penulis pernah melakukan Praktek Kerja
Lapangan di Balai Pekerjaan Umum Sumber Daya Air dan Penataan Ruang Serayu
Citanduy. Penulis pernah melaksanakan Kuliah Kerja Nyata di Desa Penanggungan
Kecamatan Wanayasa Kabupaten Banjarnegara periode Agustus 2017, dan penulis
pernah mengikuti kegiatan Indeks Kesiapan Sistem Irigasi utusan dari Dinas
Pekerjaan Umum Kabupaten Banyumas pada tahun 2017, kegiatan Indeks
Kesiapan Modernisasi Irigasi utusan dari Kementerian Pekerjaan Umum dan
Penataan Ruang pada tahun 2018.

70