Judul Penelitian :

Model Prediksi Sebaran Bahan Organik Tanah Menggunakan

Metode Penginderaan Jauh Di Kabupaten Buleleng Bali

Peneliti :
I Made Yuliara, S.Si., M.T.

JURUSAN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2015
 Abstrak

Telah dilakukan penelitian prediksi bahan organik (BO) tanah

menggunakan metode Penginderaan Jauh di Kecamatan Sawan, Kabupaten
Buleleng, Bali. Hasil penelitian yang diperoleh menunjukkan bahwa pengukuran/
prediksi BO tanah di daerah Sawan, Kabupaten Buleleng, Bali dapat dilakukan
menggunakan citra satelit Landsat 8 dan melalui analisis multi regresi linier
berganda, tingkat signifikan yang dihasilkan lebih dari 75 %. Model prediksi BO
disusun dengan menggunakan persamaan multi regresi linier berganda, dan
memiliki tingkat kesalahan prediksi lebih kecil dari 25 %. Model Prediksi yang
dihasilkan dalam penelitian ini adalah : Y = – 11,945 + 0,039X1 – 0,032X2 +
0,044X3 – 0,031X4 – 0,013X5 + 0,037X6. X1 sampai X6 menunjukkan band 2
sampai band 7 dari data citra Landsat 8.

Kata kunci : Model, Prediksi, Bahan organik tanah, Metode Penginderaan Jauh,
Citra Landsat 8

i
 KATA PENGANTAR

Puji Syukur kehadirat Tuhan Yang Maha Esa, karena atas berkat rahmat-Nya

penulis dapat menyelesaikan Penelitian Mandiri dengan judul “ Model Prediksi

Sebaran Bahan Organik Tanah Menggunakan Metode Penginderaan Jauh Di

Kabupaten Buleleng Bali ”

Dengan hati yang tulus, penulis mengucapkan terima kasih yang sebesar-

besarnya kepada Kepala Laboratorium Tanah dan Lingkungan Fakultas Pertanian

dan staf, Unud, dan rekan-rekan dosen yang telah memberikan semangat dan

sumbangan pengetahuan berkaitan dengan penelitian ini.

Harapan penulis semoga penelitian ini dapat menambah cakrawala ilmu

pengetahuan dan akhir kata, penulis menyadari bahwa penelitian ini tak luput dari

kesalahan dan kekurangan, maka dari itu segala koreksi dan saran dari semua pihak

sangat diharapkan demi perbaikan dan penyempurnaan.

Denpasar, 30 Juni 2015

I Made Yuliara, S.Si, M.T

ii
 DAFTAR ISI

Hal

Abstrak i
Kata Pengantar ii
Daftar Isi iii
Daftar Tabel iv
Daftar Gambar v
BAB I PENDAHULUAN
1.1. Latar Belakang ……………………………………………………. 1
1.2. Rumusan Masalah…………………………………………………. 3
1.3. Tujuan Penelitian………………………………………………...... 4
1.4. Maanfaat Penelitian……………………………………………...... 4
BAB II KAJIAN PUSTAKA
2.1. Dasar Fisika Penginderaan Jauh…………………………………… 5
2,2. Karakteristik Reflectance Obyek………………………………….. 8
2.3. Citra Satelit Penginderaan Jauh…………………………………… 9
2.4. Karakteristik Citra Satelit Landsat 8………………………………. 10
2.5. Bahan Organik (BO) Tanah……………………………………….. 12
2.6. Pra Pengolahan Citra Penginderaan Jauh………………………….. 13
Bab III METODE PENELITIAN
3.1. Rancangan Penelitian……………………………………………… 15
3.2. Lokasi Penelitian…………………………………………………... 15
3.3. Ruang Lingkup Penelitian…………………………………………. 16
3.4. Penentuan Sumber Data…………………………………………… 16
3.5. Variabel Penelitian………………………………………………… 17
3.6. Bahan Penelitian…………………………………………………… 17
3.7. Instrumen Penelitian……………………………………………….. 17
3.8. Prosedur Penelitian………………………………………………… 18
3.9. Analisis Data………………………………………………………. 19
BAB IV HASIL DAN PEMBAHASAN
4.1. Hasil Pengolaha Landsat 8…………………………………………. 21
4.2. Analisis Data Statistik……………………………………………… 24
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan………………………………………………………… 27
5.2. Saran……………………………………………………………….. 27
Daftar Pustaka………………………………………………………………………...
Lampiran……………………………………………………………………………...

iii
 DAFTAR TABEL

No. Judul Hal

1 Tabel 1. Karakteristik Citra Landsat 8…………….................................... 11

2 Tabel 2. Hasil pengukuran BO……………………………………………. 23
3 Tabel 3. Nilai Digital Citra Asli dan BO Tanah pada 9 Titik Pengamatan.. 24
4 Tabel 4. Korelasi Pearson…………………………………………………. 24
5 Tabel 5. Koefisien Determinasi…………………………………………… 25
6 Tabel 6. Analisis Varian (Anova)…………………………………………. 25
7 Tabel 7. Koefisien Regresi………………………………………………... 25

iv
 DAFTAR GAMBAR

No. Judul Hal

1 Gambar 1. Interaksi antara tenaga elektromagnetik dengan obyek

(Lillesand, T.M. dan Kiefer, R.W., 1997)…………………………………. 7
2 Gambar 2. Spektrum gelombang elektromagnetik (Rees, W.G., 2006)…... 7
3 Gambar 3. Reflectance beberapa obyek terhadap panjang gelombang…… 8
4 Gambar 4. Peta wilayah Kecamatan Sawan, kabupaten Buleleng………… 16
5 Gambar 5. Diagram alir metode penelitian………………………………... 20
6 Gambar 6. Citra NDSI……………………………………………………... 21
7 Gambar 7. Citra NDSI hasil density slicing……………………………….. 22
8 Gambar 8. Citra komposit band 432 Landsat 8 dengan warna natural……. 22
9 Gambar 9. Lokasi titik-titik pengambilan sampel tanah…………………... 23

v
 BAB I. PENDAHULUAN

1.1 Latar Belakang

Bahan organik (BO) tanah disamping merupakan unsur hara makro yang

esensial bagi pertumbuhan tanaman, juga dapat menjadi indikator kesuburan tanah

(Luo dkk., 2008; Wu dkk., 2009). Kadar BO tanah berkaitan dengan warna dari

tanah. Warna tanah yang gelap mengindikasikan bahwa tanah tersebut kaya akan

BO, demikian sebaliknya warna yang lebih terang mengindikasikan miskin BO.

Pengukuran kadar BO tanah dapat dilakukan dengan membandingkan warna tanah

dengan warna standar yang telah diketahui kadar bahan organiknya (Plaster, 1992).

Cara pengukuran lainnya adalah dengan melakukan analisis sampel tanah di

laboratorium, baik secara konvensional maupun modern dengan memanfaatkan

teknologi masa kini.

Keberadaan BO tanah sering menjadi indikator penting untuk identifikasi

kerusakan lahan, terutama jika pada bagian permukaan lahan mengalami erosi yang

mengakibatkan BO menjadi hilang.

Dalam area lahan pertanian yang relatif luas, kebutuhan akan identifikasi

keberadaan BO tanah sangatlah diperlukan. Pemanfaatan kombinasi teknologi yang

handal memberikan prediksi informasi yang cepat dan akurat baik keberadaan

maupun kadar bahan organik.

Citra satelit merupakan hasil rekaman spasial 2 dimensi suatu obyek di

permukaan bumi secara optik. Obyek yang terekam dalam citra, berisi informasi

1
 2

nilai reflektan spektral (spectral reflectance) yang diekspresikan oleh nilai piksel

dan berkaitan erat dengan karakteristik obyek.

Penggunaan citra satelit sangat luas, seperti misalnya untuk prediksi

kelembaban (moisture) permukaan tanah. Wang dkk., (2009) melaporkan bahwa,

dalam memprediksi kelembaban tanah sensor tidak secara langsung mengukur

kadar air tanah, akan tetapi model matematik yang akan menjelaskan hubungan

antara sinyal atau nilai reflektan yang terukur dengan kelembaban tanah.

Penggunaan lainnya adalah dapat memprediksi kadar mineral atau BO tanah.

Kadar dan komposisi BO tanah memberikan pengaruh yang sangat kuat terhadap

reflektan spektral tanah (Ting dkk., 2008) dan berkorelasi signifikan dalam daerah

reflektan Visible dan Near Infra Red (NIR) (Wu dkk., 2009).

Banyak penelitian membuat model hubungan antara BO tanah dengan

informasi reflektan spektral yang diperoleh dengan spektrometer hiperspektral,

baik dipergunakan secara digenggam ataupun dipasang pada pesawat terbang (

Dalal dan Henry, 1986; Ingleby dan Crowe, 2000; Huang dkk., 2007; Gomez dkk.,

2008 dalam Jaber, 2011 ) atau dengan sensor multispektral dari satelit

penginderaan jauh ( Agbu dkk., 1990, Chen dkk., 2000; Coleman dkk., 1993;

Huang dkk., 2007; Ishida dan Ando, 1999; Van Deventer, 1992; Wilcox dkk.,

1994; Wu dkk., 2009 dalam Jaber, 2011).

Penggunaan spektrometer hiperspektral yang dipasang di pesawat udara,

menunjukkan hasil yang menjanjikan, akan tetapi memerlukan beaya yang sangat

besar. Selain itu, spektrometer genggam menyediakan pengukuran diskrit dan

mencakup area yang relatif sempit.

 3

Sanchez dkk. (2012), melaporkan penggunaan Near Infra Red Spectroscopy

(NIRS) untuk mengukur kadar BO tanah di laboratorium secara cepat dan realibel

pada tanah tropik lembab di Tabasco, Mexico. Lebih lanjut dikatakan bahwa, ada

beberapa aspek teknis yang harus diperhatikan (Martin dkk., 2003; Viscarra dkk.,

2005; He dkk., 2007 dalam Sanchez dkk., 2012), seperti pembacaan sampel tanah

menggunakan suatu probe fiber optik pada sampel-sampel tanah yang disimpan

dalam kantong plastik (Jarquin dkk., 2011 dalam Sanchez dkk., 2012). Teknik

seperti ini akan memudahkan mengambil pembacaan tanpa membersihkan probe,

dibandingkan pembacaan jika probe ditempatkan langsung ke dalam tanah.

Pengukuran BO tanah menggunakan kombinasi hiperspektral Hymap airborne

dan ASD FieldSpec-II spectroradiometer (0,35 sampai 2,5 m) dilakukan di

Jerman (Jarmer dkk., 2010) dan kombinasi citra Hyperion dengan Potassium

Dichromate Capacity Method di China (Luo dkk., 2008). Jaber dan Al-Qinna

(2011) melakukan kombinasi citra Landsat TM dengan metode Walkley-Black di

Jordania.

Dalam penelitian ini akan ditentukan model prediksi BO tanah menggunakan

kombinasi metode penginderaan jauh (citra Landsat 8) dan pengukuran

Laboratorium BO tanah yang ada di Kecamatan Sawan, Kabupaten Buleleng, Bali

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang, permasalahan yang dapat dirumuskan

adalah sebagai berikut :

 4

1. Apakah kadar BO tanah dapat diprediksi menggunakan teknik analisis citra

Landsat ?

2. Bagaimanakah teknik analisis kadar BO tanah menggunakan data citra

Landsat ?

3. Bagaimanakah model prediksi kadar BO tanah di Kecamatan Sawan,

Buleleng, Bali ?

1.3 Tujuan Penelitian

1. Mengevaluasi dan menguji akurasi data citra Landsat dalam menentukan

distribusi dan mengukur BO tanah.

2. Menentukan teknik analisis kadar BO tanah menggunakan kombinasi data

citra Landsat dan data hasil Laboratorium.

3. Menentukan model prediksi kadar BO tanah yang dilandasi oleh kombinasi

data citra Landsat dan data hasil Laboratorium.

1.4 Manfaat Penelitian

Hasil penelitian ini diharapkan dapat bermanfaat untuk :

Dapat dipergunakan sebagai bahan pengkayaan ilmu dan teknologi serta

dapat memberikan informasi keberadaan dan kadar BO tanah di daerah Kecamatan

Sawan, Buleleng, Bali. Disamping itu, bagi pemerintah Daerah diharapkan dapat

digunakan sebagai salah satu pedoman bahan kajian akademik untuk pengambilan

kebijakan dalam rangka pengembangan daerah pertanian atau pembuatan Perda

Perlindungan Lahan Pertanian.

 BAB II. KAJIAN PUSTAKA

2.1 Dasar Fisika Penginderaan Jauh

Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang

obyek, daerah atau gejala dengan jalan menganalisis data yang diperoleh dengan

menggunakan alat tanpa kontak langsung dengan obyek, daerah atau gejala yang

dikaji (Lillesand dan Kiefer, 1997).

Ditinjau dari perspektif sumber energi gelombang elektromagnetik yang

digunakan, penginderaan jauh dapat diklasifikasikan menjadi 2, yaitu :

1. Penginderaan jauh aktif

2. Penginderaan jauh pasif

Penginderaan jauh aktif mempergunakan energi buatan sebagai sumber energi

dalam mentransmisikan data menuju sensor. Penginderaan jauh pasif,

mempergunakan radiasi matahari sebagai sumber energi utama yang

mentransmisikan data menuju sensor.

Radiasi matahari merupakan sumber gelombang elektromagnetik alami yang

berisi spektrum gelombang elektromagnetik. Radiasi gelombang elektromagnetik

matahari merambat dengan energi melalui lapisan atmosfer untuk mencapai obyek/

target yang ada di permukaan bumi. Energi gelombang elektromagnetik ini dikenal

sebagai energi foton. Ketergantungan energi foton dalam mengindera suatu target

sangat dipengaruhi oleh panjang gelombang yang dipancarkan.

Hubungan matematis antara energi gelombang elektromagnetik dengan

panjang gelombang diekspresikan oleh :

5
 6

=ℎ

atau dapat ditulis :

=ℎ (1)

yang mana : h = konstanta Planck (6,626 x 10 – 34 J/s)

c = kecepatan cahaya (3 x 10 8 m/s)

 = panjang gelombang (m)

Ada tiga bentuk hasil interaksi ketika sumber energi radiasi elektromagnetik

mengenai target di permukaan bumi, yaitu : pantulan (reflection), serapan

(absorption) dan transmisi (transmition). Ketiga bentuk hasil interaksi ini

merupakan fungsi dari panjang gelombang. Dengan menerapkan hukum kekekalan

energi, dapat diekspresikan hubungan ketiga jenis energi hasil interaksi (Lillesand,

T.M. dan Kiefer, R.W., 1997), yaitu :

( )= ( )+ ( )+ ( ) (2)

yang mana : EI () = Energi yang mengenai obyek

ER () = Energi yang dipantulkan

EA () = Energi yang diserap

ET () = Energi yang ditransmisikan

Fenomena interaksi antara gelombang elektromagnetik dengan obyek

diilustrasikan pada Gambar 1. Sedangkan pembagian spektrum elektromagnetik

yang dipergunakan dalam penginderaan jauh disajikan pada Gambar 2.

 7

Gambar 1. Interaksi antara tenaga elektromagnetik dengan obyek (Lillesand, T.M.

dan Kiefer, R.W., 1997)

Gambar 2. Spektrum gelombang elektromagnetik (Rees, W.G., 2006)

 8

2.2 Karakteristik Reflektance Obyek

Hasil interaksi antara gelombang elektromagnetik dengan obyek dalam bentuk

penyerapan, pemantulan dan transmisi mempunyai karakteristik berbeda-beda

antara satu obyek dengan obyek lainnya. Penampakan dari suatu obyek

dipengaruhi oleh sifat pemantulannya terhadap gelombang elektromagnetik

(cahaya reflectance).

Dengan memahami sifat reflectance setiap obyek, maka obyek akan dapat

dengan mudah dibedakan. Caranya adalah dengan membandingkan reflectancenya

pada panjang gelombang tertentu. Karakteristik reflectance beberapa obyek

terhadap panjang gelombang diperlihatkan pada Gambar 3.

Gambar 3. Reflectance beberapa obyek terhadap panjang gelombang

Karakteristik reflectance kenampakan obyek permukaan bumi dapat

dikuantifikasi dengan cara mengukur bagian tenaga yang dipantulkan. Hal ini

diukur sebagai fungsi panjang gelombang yang disebut pantulan spektral (spectral
 9

reflectance) dan secara matematik diekspresikan oleh ( Lillesand, T.M. dan Kiefer,

R.W., 1997) :

E R  
R ( )   100% (3)
E I  
yang mana :

R (  ) = Reflektan spektral

EI (  ) = Energi yang mengenai benda

ER (  ) = Energi yang dipantulkan

Lillesand, T.M. dan Kiefer, R.W., (1997), menyatakan kebanyakan sistem

penginderaan jauh bekerja pada panjang gelombang pantulan. Oleh karena itu,

pemahaman karakteristik pantulan obyek di muka bumi sangatlah penting untuk

lebih memahami penginderaan jauh.

2.3 Citra Satelit Penginderaan Jauh

Citra merupakan rekaman visual yang dihasilkan oleh peralatan secara optik

dan elektronik. Citra terdiri dari array 2 dimensi yang dapat diekspresikan dengan

suatu matriks dan setiap elemen matriks disebut dengan piksel (pixel). Kecerahan

setiap piksel mengekspresikan reflektifitas permukaan rata-rata dari elemen

permukaan yang bersesuaian (Elachi, C dan Jakob vanzyl, 2006).

Dalam perspektif satelit penginderaan jauh, citra berisi informasi tentang

obyek-obyek sebagai target yang ada di permukaan bumi yang dideteksi oleh sensor

yang dibawa wahana (platform) satelit mengitari bumi. Obyek yang terekam dalam

citra, mempunyai nilai reflektansi spektral (spectral reflectance) bervariasi yang

 10

diekspresikan oleh nilai piksel dan berkaitan erat dengan karakteristik obyek yang

terekam.

Spectral reflectance gelombang elektromagnetik merupakan hasil interaksi

gelombang elektromagnetik dengan obyek yang ada di permukaan bumi. Hasil

interaksi dipengaruhi oleh besarnya energi radiasi gelombang elektromagnetik yang

datang pada target.

Nilai piksel pada citra diekpresikan oleh angka numerik (1 byte) yang sering

dikenal dengan nilai digital (digital number, DN). Level energi yang terdeteksi

mempengaruhi besarnya DN dan akan ditampilkan dalam bentuk gradasi warna

keabuan (gray scale). Skala gradasi yang dipakai adalah 256 shade gray scale, yang

mana nilai 0 menunjukkan warna hitam dan 255 warna putih.

2.4 Karakteristik Citra Satelit Landsat 8

Citra Landsat merupakan data citra yang dihasilkan oleh satelit Landsat, yaitu

salah satu satelit sumber daya alam yang dikembangkan oleh NASA dan

Departemen Dalam Negeri Amerika Serikat. Landsat 8 yang diluncurkan 11

Februari 2013, merupakan kelanjutan dari misi Landsat 1 yang untuk pertama kali

menjadi satelit pengamat bumi sejak tahun 1972. Landsat 8 hanya memerlukan

waktu 99 menit untuk mengorbit bumi dengan resolusi temporal 16 hari. 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.

Satelit Landsat 8 memiliki sensor Onboard Operational Land Imager (OLI)

dan Thermal Infrared Sensor (TIRS) dengan jumlah band sebanyak 11 buah.
 11

Sembilan band (band 1 sampai 9) berada pada sensor OLI dan 2 lainnya (band 10

dan 11) pada sensor TIRS. Sebagian besar band pada Landsat 8 memiliki spesifikasi

mirip dengan Landsat 7. NASA menargetkan satelit Landsat 8 ini mengemban misi

selama 5 tahun (sensor OLI dirancang 5 tahun dan sensor TIRS 3 tahun). Pada citra

penginderaan jauh multispectral, masing masing piksel mempunyai beberapa nilai

digital sesuai dengan jumlah band yang dimiliki. Untuk citra Landsat 8, masing-

masing piksel mempunyai 11 nilai digital dari 11 band yang dimiliki.

Citra Landsat dapat ditampilkan secara single band dalam bentuk hitam dan

putih maupun kombinasi 3 band yang dikenal dengan color composite.

Karakteristik interval spektral dan resolusi spasial setiap band citra Landsat 8 dapat

dilihat pada Table 1.

Tabel 1. Karakteristik Citra Landsat 8

Band Interval Resolusi spasial Channel
Spektral (m) (m)
1 0,433 – 0,453 30 Coastal/Aerosol
2 0,450 – 0,515 30 Blue
3 0,525 – 0,600 30 Green
4 0,630 – 0,680 30 Red
5 0,845 – 0,885 30 NIR
6 1,560 – 1,660 30 SWIR-1
7 2,100 – 2,300 30 SWIR-2
8 0,500 – 0,680 15 Pan
9 1,360 – 1,390 30 Cirrus
10 10,30 – 11,30 100 LWIR-1
11 11,50 – 12,50 100 LWIR-2

Sumber : NASA, ”Landsat Data Continuity Mission Brochure” (2013 dengan

modifikasi)
 12

2.5 Bahan Organik (BO) Tanah

BO tanah merupakan unsur hara makro yang esensial bagi pertumbuhan

tanaman (Luo dkk., 2008; Wu dkk., 2009). BO tanah merupakan suatu sistem

kompleks, dinamis dan bagian dari tanah yang bersumber dari sisa tanaman dan

atau binatang yang terdapat di dalam tanah yang terus menerus mengalami

dekomposisi. Proses dekomposisi ini dipengaruhi oleh faktor biologi, fisika, dan

kimia (Kononova, 1961).

Stevenson (1994), menyatakan BO tanah adalah semua jenis senyawa organik

yang terdapat di dalam tanah, termasuk serasah, fraksi bahan organik ringan,

biomassa mikroorganisme, bahan organik yang terlarut di dalam air dan bahan

organik yang stabil atau humus. Umumnya BO tanah terdapat di permukaan

tanah. Jumlahnya berkisar antara 3 sampai 5% dan mempengaruhi sifat-sifat tanah.

BO tanah berperan penting dalam menentukan kemampuan tanah untuk

mendukung tanaman. Apabila tanah kurang kadar bahan organiknya, maka

kemampuan tanah dalam mendukung produktivitas tanaman akan menurun.

BO tanah dapat menjadi indikator kesuburan tanah (Luo dkk., 2008; Wu dkk.,

2009. Dalam sistem pertanian, BO tanah berperan sebagai faktor pengendali dalam

proses-proses penyediaan unsur hara bagi tanaman, membentuk agregat tanah yang

stabil untuk mempertahankan struktur tanah dan penyedia jalan bagi pergerakan air,

udara di dalam tanah.

 13

BO tanah juga berperan sebagai penentu kapasitas serapan air, penyangga

pengaruh pestisida, mengurangi bahaya erosi maupun sebagai pencegah pencucian

unsur hara (nutrient leaching).

Keberadaan BO tanah sering menjadi indikator penting untuk identifikasi

kerusakan lahan. Jika pada bagian permukaan lahan mengalami erosi, maka akan

mengakibatkan BO yang ada di permukaan tanah menjadi hilang.

Kadar BO tanah berkaitan dengan warna dari tanah. Warna tanah yang gelap

mengindikasikan bahwa tanah tersebut kaya akan BO, demikian sebaliknya warna

yang lebih terang mengindikasikan tanah tersebut miskin BO.

Pengukuran kadar BO tanah dapat dilakukan dengan membandingkan warna

tanah dengan warna tanah standar yang telah diketahui kadar bahan organiknya

(Plaster, 1992).

Dalam kisaran wilayah lahan pertanian yang relatif luas, kebutuhan akan

identifikasi keberadaan BO tanah sangatlah diperlukan. Dengan teridentifikasinya

BO tanah dapat diketahui potensi suatu daerah untuk dikembangkan sebagai

wilayah pertanian.

2.6 Pra Pengolahan Citra Penginderaan Jauh

Penggunaan citra penginderaan jauh sangat luas, seperti untuk prediksi

kelembaban (moisture) permukaan tanah (Wang dkk., 2009), memprediksi kadar

mineral atau BO (Ting dkk., 2008). Akan tetapi, untuk menghasilkan interpretasi

yang akurat dan valid diperlukan strategi pengolahan, sehingga citra dapat
 14

memberikan informasi sesuai dengan fakta. Pengolahan terhadap citra

penginderaan jauh dapat dilakukan dengan bantuan software.

Citra penginderaan jauh sebelum dapat dipergunakan, harus dilakukan koreksi

dan perbaikan terlebih dahulu. Hal ini dilakukan karena banyaknya noise atau

distorsi yang diakibatkan saat transmisi data ke sensor satelit dan dari satelit ke

stasiun penerima di bumi. Koreksi dapat berupa koreksi nilai piksel, posisi dari

piksel maupun perbaikan kekontrasan melalui filtering.

Koreksi radiometrik disebabkan oleh adanya distorsi saat proses perekaman.

Gangguan ini terjadi pada sinyal pantulan obyek yang pada saat proses perekaman

melewati lapisan atmosfer. Koreksi radiometrik menghasilkan kualitas visual citra

yang lebih baik dan memperbaiki nilai-nilai piksel yang mengalami distorsi pada

saat proses perekaman data citra.

Kesalahan geometrik disebabkan oleh dua faktor, yaitu faktor internal dan

faktor eksternal. Faktor internal meliputi kesalahan sebagai akibat dari geometri

sensor yang bersifat sistematik. Faktor eksternal meliputi kesalahan bentuk dan

karakter obyek.

Pembuatan citra komposit (color composite) dilakukan dengan kombinasi 3

band citra, dimaksudkan untuk menonjolkan aspek studi dari obyek-obyek yang

ingin dikaji. Kombinasi Red Green Blue (RGB) dari band-band citra menentukan

dominasi aspek obyek citra komposit yang dihasilkan.

 BAB III. METODE PENELITIAN

3.1 Rancangan Penelitian

Penelitian ini dirancang menggunakan metode kuantitatif dan kualitatif.

Pengambilan data secara kuantitatif dilakukan dengan survei lapangan, yaitu

mengamati dan mengambil secara langsung sampel tanah pada posisi yang telah

teridentifikasi sebagai BO tanah oleh nilai piksel (digital number, DN) pada citra

indeks tanah (Normalized Difference Soil Index, NDSI). Sampel tanah ini kemudian

ditempatkan dalam plastik polybag, selanjutnya dianalisis/ diukur kadar BOnya di

Laboratorium dengan metode Walkley-Black.

Metode kualitatif dalam penelitian ini meliputi :

1. Studi pustaka, yaitu mengumpulkan, mereview hasil-hasil penelitian

terdahulu dan membaca teori-teori pendukung dan berkaitan penelitian ini.

2. Wawancara, yaitu bertanya dan diskusi secara langsung dengan para pakar

yang ahli dalam bidang penelitian ini.

Pengumpulan data secara kualitatif juga dilakukan dengan mengumpulkan data

citra penginderaan jauh (citra Landsat 8), peta topografi dan peta tematik.

3.2 Lokasi dan Waktu Penelitian

Lokasi penelitian terletak di kecamatan yang ada di kabupaten Buleleng, yaitu :

Kecamatan Sawan. Luas Kecamatan Sawan sekitas 92,52 km2. Penelitian ini

dilaksanakan dari bulan Pebruari 2015 sampai Juni 2015. Peta lokasi penelitian

disajikan pada Gambar 4.

15
 16

Gambar 4. Peta wilayah Kecamatan Sawan, kabupaten Buleleng.

3.3 Ruang Lingkup Penelitian

Mengingat obyek/ data yang terekam dalam citra penginderaan jauh dominan

diberikan oleh spectral reflectance yang menutupi permukaan bumi, maka ruang

lingkup penelitian dipilih daerah yang cukup terbuka sampai terbuka penuh. Hal ini

dimaksudkan supaya spectral reflectance pada citra secara langsung didominasi oleh

pengaruh tanah. Pemilihan titik-titik posisi pengambilan sampel ditentukan secara

acak melalui density slice DN citra indeks tanah yang dibangun dari citra NDSI

dengan pendugaan DN citra NDSI setelah dilakukan density slice 0,3.

3.4 Penentuan Sumber Data

Sumber data penelitian ini berasal dari pengumpulan data primer dan sekunder.

Data primer, yaitu data kuantitatif, diperoleh dari hasil pengukuran bahan organik

dengan 9 sampel tanah di Laboratorium. Data primer lainnya adalah data citra

penginderaan jauh Landsat 8, dipergunakan sebagai penentu posisi/ identifikasi

 17

keberadaan BO tanah. Data sekunder, yaitu peta digital, peta tematik, peta topografi

diperoleh dari Bakosurtanal dipergunakan sebagai data penunjang.

3.5 Variabel Penelitian

Sebagai variabel bebas (independent) adalah DN 6 band citra original Landsat 8

pada posisi koordinat geografis yang telah teridentifikasi sebagai BO tanah pada citra

NDSI. Nilai-nilai piksel citra indeks tanah diperoleh dengan melakukan density slice

terhadap citra NDSI menggunakan hubungan :

( ) ( )
NDSI = (4)
( ) ( )

yang mana Band6 = band pada interval panjang gelombang 1,560 – 1,660 m

Band5 = band pada interval panjang gelombang 0,845 – 0,885 m

Sebagai variabel bergantung (dependent) adalah hasil pengukuran Laboratorium

kadar BO tanah dari sampel tanah yang diambil pada posisi koordinat geografis yang

telah teridentifikasi sebagai BO tanah pada citra NDSI.

3.6 Bahan Penelitian

Bahan-bahan yang dipergunakan dalam penetian ini adalah :

1. Satu set data citra Landsat 8

2. Sampling tanah yang telah teridentifikasi sebagai BO tanah pada citra NDSI.

3.7 Instrumen Penelitian

Instrumen yang dipergunakan dalam penelitian ini adalah :

1. Laptop Toshiba Satellite M645-S4110, Core i5 dan Printer

 18

2. Peta (tematik, topografi)

3. Software IDRISI 16.03 : The Taiga Edition, untuk mengolah citra

4. SPSS 19.0, untuk analisis data dan membangun model pendugaan

5. Google earth : Digunakan untuk membantu mencari lokasi/ melihat kondisi di

lapangan sebelum dilakukan pengambilan sampel ke lapangan.

6. Peralatan lapangan, meliputi :

a. GPS (Global Positioning System)/ SmartPhone dan alat-alat tulis

b. Kantong plastik Polibag

3.8 Prosedur Penelitian

Penelitian ini pada dasarnya dilakukan dalam 2 tahap, yaitu :

1. Mengolah citra satelit

Citra satelit yang digunakan dalam penelitian ini adalah citra Landsat 8 level

1G, yaitu citra yang telah terkoreksi secara radiometrik maupun geometrik.

Band citra yang dipergunakan adalah band2 sampai band7. Perbaikan

kekontrasan dilakukan untuk masing-masing band dengan menerapkan

beberapa metode yang tersedia pada software IDRISI 16.03 : The Taiga

Edition. Hasil visual terbaik yang tidak mempengaruhi ND citra original

dipakai untuk analisis. Pembuatan citra komposit (RGB), disusun dari citra

yang memiliki kekontrasan yang terbaik. Jika ternyata hasil citra kompositnya

kurang baik, maka dilakukan manipulasi histogram.

Density slice dilakukan untuk menyeleksi piksel-piksel yang diinterpretasikan

sebagai obyek BO. Density slice dilakukan dengan DN awal citra NDSI = 0,3
 19

2. Mengukur bahan organik tanah di Laboratorium.

Posisi pengambilan sampel di lapangan dilakukan secara acak pada sejumlah

posisi dan disesuaikan dengan posisi DN pada citra NDSI yang diidentifikasi

sebagai BO tanah. Volume sampel tanah lebih kurang 1 liter dan diambil 2 cm

dari lapisan bagian atas tanah.

3.9 Analisis Data

Analisis data secara statistik dilakukan melalui Regresi Linear Berganda

Bertahap (Stepwise Multi Linear Regression, SMLR). Penggunaan SMLR

dimaksudkan untuk membangun model pendugaan/prediksi kadar bahan organik

tanah. Hasil pengukuran bahan organik tanah di Lab. merupakan variabel tergantung

(dependent), sedangkan variabel bebas (independent) adalah seluruh (ke-6) band citra

original. Analisis regresi untuk membangun model prediksi, mempergunakan

software SPSS.

Penyusunan model prediksi kadar BO tanah dilakukan dengan analisis regresi

linier berganda terhadap data hasil pengamatan dan pengukuran. Sebagai variabel

terikat (dependent) adalah kadar BO tanah hasil pengukuran dari Laboratorium dan

sebagai variabel bebas (independent) adalah nilai digital ke-6 band citra yang

digunakan dalam studi pada koordinat yang terindikasi sebagai BO tanah. Ke-6 band

citra adalah :

1. Band2 = X1

2. Band3 = X2

3. Band4 = X3

4. Band5 = X4
 20

5. Band6 = X5

6. Band7 = X6

Bentuk persamaan multi regresi linier adalah :

Y = a + b1X1 + b2X2 +b3X3 + b4X4 + b5X5 +b6X6 + c …………………….(5)

dimana a : Konstanta

b1..6 : Koefisien regresi masing-masing band citra

c : Kesalahan

Secara garis besar, diagram alir metode penelitian disajikan pada Gambar 5.

Gambar 5. Diagram alir metode penelitian

 BAB IV. HASIL DAN PEMBAHASAN

4.1 Hasil Pengolahan Citra Landsat 8

Penelitian ini menggunakan satu set data citra Landsat 8 ; L8 OLI/TIRS, Level

1 G, rekaman 25 april 2013. Band yang digunakan adalah band 2,3,4,5,6 dan 7

dengan resolusi spasial 30 m. Band 5 (NIR, λ= 0,845 – 0,885 µm) dan band 6

(SWIR-1, λ=1560 – 1660 µm) digunakan untuk memprediksi posisi BO tanah

dengan menentukan nilai indeks tanah melalui NDSI.

Hasil pengolahan citra Landsat 8 yang dilakukan menggunakan software Idrisi

Taiga V16, disajikan pada Gambar 6, 7 dan 8. Gambar 6, merupakan citra hasil dari

penerapan Persamaa (4). Pada citra ini (citra NDSI), nilai-nilai piksel berkisar

antara -1 sampai 1. Nilai-nilai ini mengindikasikan adanya tutupan permukaan yang

bervariasi, yaitu dari air, vegetasi dan tanah.

Gambar 6. Citra NDSI

21
 22

Nilai-nilai citra NDSI yang dekat dengan -1 mengindikasikan dominan tutupan

permukaan oleh air, yang dekat dengan 0 tutupan permukaan tanah didominasi oleh

vegetasi dan yang mendekati 1 mengindikasikan tutupan oleh tanah terbuka (non

vegetasi, non air).

Seleksi terhadap nilai piksel-piksel yang mengindikasikan tanah terbuka

dilakukan dengan menyeleksi nilai piksel-piksel citra NDSI (density slicing) ≥ 0,3.

Gambar 7. Citra NDSI hasil density slicing

Citra komposit kombinasi band 4, 3, 2 disajikan pada Gambar 8 di bawah ini.

Gambar 8. Citra komposit band 432 Landsat 8 dengan warna natural

 23

Citra NDSI hasil density slicing disajikan pada Gambar 7 di atas dan citra ini

dipergunakan sebagai dasar untuk menentukan koordinat atau titik lokasi

pengambilan sampel tanah (Sample Training Area, STA) di lapangan.

Pengambilan sampel dilakukan berdasarkan nilai indeks tanah citra NDSI pada

lokasi piksel-piksel yang teridentifikasi sebagai BO. Sampel diambil di 9 titik lokasi

daerah Kecamatan Sawan di 3 Desa, yaitu Desa Jagaraga, Desa Bungkulan dan

Desa Kubu Tambahan, seperti ditunjukkan pada Gambar 9.

Gambar 9. Lokasi titik-titik pengambilan sampel tanah

Pengukuran kadar BO tanah dilakukan dengan metode Walkley – Black di

Laboratorium Tanah dan Lingkungan, Fakultas Pertanian, Universitas Udayana.
Hasil pengukuran Kadar BO (%) tanah untuk 9 titik pengamatan disajikan pada
Tabel 2.
Tabel 2. Hasil pengukuran BO
Koordinat (UTM)
No. Titik sampel Lokasi/ Desa BO(%)
X (m) Y (m)
1 STA1 Jagaraga 296888,74 9104203,06 4,5
2 STA2 Bungkulan 297208,60 9105563,58 5,0
3 STA3 Kubu Tambahan 298829,10 9105073,45 4,0
 24

4 STA4 Kubu Tambahan 299134,63 9105584,70 4,5

5 STA5 Kubu Tambahan Utara 299013,11 9107111,52 3,0
6 STA6 Bungkulan Utara 297995,76 9107729,46 5,5
7 STA7 Bungkulan Utara 297809,51 9107411,90 6,0
8 STA8 Bungkulan Utara 297093,50 9107034,30 4,5
9 STA9 Bungkulan Utara 296975,00 9107241,30 6,2

Pada Tabel 3 disajikan hasil pengukuran BO tanah dari Laboratorium dan

nilai piksel citra asli sesuai dengan 9 lokasi titik pengamatan. Nilai piksel citra ini

merupakan nilai hasil stretching histogram equalization.

Tabel 3. Nilai Digital Citra Asli dan BO Tanah pada 9 Titik Pengamatan.

Titik Nilai Digital Citra Asli_Stretching_HE BO

Pengamatan X1 X2 X3 X4 X5 X6 (%)
STA1 242 244 239 69 171 235 4,5
STA2 252 248 249 49 239 244 5,0
STA3 240 244 246 68 228 247 4,0
STA4 252 252 251 74 249 250 4,5
STA5 251 252 252 127 253 251 3,0
STA6 253 253 253 45 254 254 5,5
STA7 251 251 252 42 253 254 6,0
STA8 244 249 247 77 232 243 4,5
STA9 244 238 245 33 219 246 6,2

4.2 Analisis Data Statistik

Untuk menyusun pemodelan prediksi kadar BO tanah sesuai dengan persamaan

4, maka data pada Tabel 3 diolah secara statistik menggunakan software SPPS 19.
Hasil perhitungan secara statistik ditunjukkan pada Tabel 4, 5, 6 dan 7.

Tabel 4. Korelasi Pearson

BO X1 X2 X3 X4 X5 X6
BO 1,000 0,125 -0,279 0,022 -0,935 0,011 0,164
 25

X1 0,125 1,000 0,759 0,831 0,018 0,731 0,653

X2 -0,279 0,759 1,000 0,771 0,374 0,679 0,572
X3 0,022 0,831 0,771 1,000 0,108 0,978 0,918
X4 -0,935 0,018 0,374 0,108 1,000 0,098 -0,031
X5 0,011 0,731 0,679 0,978 0,098 1,000 0,905
X6 0,164 0,653 0,572 0,918 -0,031 0,905 1,000
Tabel 5. Koefisien Determinasi
Jumlah R R2 Kesalahan Baku Estimasi
9 0,955 0,912 0,597
Pengamatan

Tabel 6. Analisis Varian (Anova)

Jumlah Derajat Kuadrat F Signifikansi
Kuadrat Bebas Tengah

Regresi 7,367 6 1,228 3,444 0,242

Residu 0,713 2 0,356
Total 8,080 8

Tabel 7. Koefisien Regresi

Koefisien Kesalahan t Signifikansi
Konstanta -11,945 141,968 -0,084 0,941
Baku
X1 0,039 0,219 0,178 0,875
X2 -0,032 0,150 -0.213 0,851
X3 0,044 1,208 0,036 0,974
X4 -0,031 0,010 -3,154 0,088
X5 -0,013 0,114 -0,110 0,922
X6 0,037 0,225 0,162 0,886

Pada Tabel 4 dapat dilihat korelasi Pearson sangat kuat ada pada band 5 dan

band 6. Hal ini membuktikan bahwa, spektrum panjang gelombang yang ada pada
 26

band ini memberikan nilai reflektan sangat kuat pada obyek tanah dibandingkan

dengan band-band yang lainnya.

Dari Tabel 5, nilai koefisien determinasi R2 sebesar 0,912. Hal ini

menunjukkan bahwa, sekitar 91 % kadar BO yang terukur dipengaruhi oleh nilai

digital citra asli. Nilai ini lebih kecil dibandingkan dengan nilai 95 %, mungkin pd

pemodelan regresi ini menjadi indikator terjadinya multikolinieritas antar band

citra. Untuk itu, perlu dilakukan transformasi terhadap semua band data citra asli

yang digunakan dalam studi dengan transformasi analisis komponen utama (PCA).

Akan tetapi, dalam studi ini tidak dilakukan, karena hanya ingin melihat peranan

band-band citra secara langsung tanpa melalui transformasi, seperti transformasi

PCA.

Dari analisis varian yang ditunjukkan pada Tabel 6, terlihat bahwa nilai tingkat

signifikan sebesar 0,242. Hal ini berarti, model prediksi yang akan disusun

menggunakan nilai digital citra asli memiliki tingkat kepercayaan sekitar 76 % atau

tingkat kesalahan prediksi 24 % lebih kecil dari 25 %.

Berdasarkan koefisien hasil regresi linier berganda pada Table 7, maka dengan

menggunakan Persamaan (5) disusun model prediksi untuk kadar BO tanah di

Kecamatan Sawan Buleleng, Bali, yaitu :

Y = – 11,945 + 0,039X1 – 0,032X2 + 0,044X3 – 0,031X4 – 0,013X5 + 0,037X6

 BAB V. KESIMPULAN DAN SARAN

5.1 KESIMPULAN

Berdasarkan hasil penelitian pengolahan data citra dan analisis statistik, maka

dapat disimpulkan hal-hal sbb :

1. Prediksi BO tanah di daerah Sawan, Singaraja dapat dilakukan dengan

menggunakan citra satelit Landsat 8 dan melalui analisis multi regresi linier

menghasilkan tingkat signifikan lebih dari 75 %.

2. Model prediksi BO dapat disusun dengan multi regresi linier berganda,

memiliki tingkat kesalahan prediksi lebih kecil dari 25 %.

3. Model Prediksi yang dihasilkan dalam penelitian ini adalah :

Y = – 11,945 + 0,039X1 – 0,032X2 + 0,044X3 – 0,031X4 – 0,013X5 +

0,037X6

5.2 SARAN

Pengembangan penelitian ini dapat dilakukan dengan menggunakan data

citra yang mempunyai resolusi lebih tinggi dari data Landsat 8, sehingga proses

interpretasi secara visual akan lebih detail dan klasifikasi akan semakin akurat.

27
 DAFTAR PUSTAKA

Barrett, Eric C. , Leonard F. Curtis. 1992. Introduction To Environmental Remote

Sensing. Third Edition: Chapman & Hall
Bakker, A. 2012. “Soil texture mapping on a regional scale with remote sensing
data “(Thesis). Wageningen University.
Genot, V., G.Colinet, L. Bock, D. Vanvyve, Y. Reusen, P. Dardenne. 2011. Near
infrared reflectance spectroscopy for estimating soil characteristics valuable in
the diagnosis of soil fertility. J. Near Infrared Spectrosc. 19: 117-138.
He, Y., M. Huang., A.G. Pereira., A.H. Gómez, and H. Song. 2007. Prediction of
soil macronutrients content using near-infrared spectroscopy. Computers and
Electronics in Agric. 58: 144-153.
Jaber , S.M. and M.I. Al-Qinna. 2011. Soil Organic Carbon Modelling and Mapping
in a Semi-Arid Environment Using Thematic Mapper Data. Photogrammetric
Engineering & Remote Sensing. 77(7):709-719
Jarmer, T., P. Rosso., M. Ehiers. 2010. Mapping Topsoil Organic Carbon Of
Agricultural Soil From Hyperspectral Remote Sensing Data. Proc.
Hyperspectral 2010 Workshop. Italy 17-19 March.
Lillesand, T. M. , Raph. W. Keifer. 1997. Remote Sensing and Image Interpretation.
Third Edition. New York : John Wiley and Sons.
Lo, C. P. 1995. Penginderaan Jauh Terapan. Universitas Indonesia
Luo, Z., L. Yaolin, W. Jian, W. Jing. 2008. Quantitative Mapping Of Soil Organic
Material Using Field Spectrometer And Hyperspectral Remote Sensing. The
International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences. Vol. XXXVII. Part B8. Beijing.
Martin, P.D., D.F. Malley., G. Manning, and L. Fuller. 2002. Determination of soil
organic carbon and nitrogen at the field level using near-infrared spectroscopy.
Can. J. Soil Sci. 82: 413–422.
Plaster, E.J. 1992. Soil Science and Management. Second edition. Delmar Publisher
Inc. Albany, New York.

28
Rees, W. G. 2006. Physical Principles Of Remote Sensing. Second Edition. UK:
Cambridge University Press.p.10-13
Sachez, A.J., Sergio Salgado-García, David J. Palma-López, and Wilder Camacho-
Chiu.2012. Analysis of soil organic matter in tropical soils with near-infrared
spectroscopy (NIRS) and chemometrics. Cien. Inv. Agr. 39(2):387-394.
Stevens, A., M. Nocita., G. Toth., L. Montanarella., B. V. Wesemael. 2013.
Prediction of Soil Organic Carbon at the European Scale by Visible and Near
InfraRed Reflectance Spectroscopy. Plos One. 8(6):e66409.
Ting, H., W. Jing., L. Zongjian., C. Ye. 2008. Study On Spectral Features Of Soil
Organic Matter. The International Archives of the Photogrammetry, Remote
Sensing and Spatial Information Sciences. Vol. XXXVII. Part B7. Beijing.
Viscarra, R.R.A., D.J.J. Walvoort., J.L. McBratney, and J.O. Skjemstad. 2005.
Visible, Near Infrared, mid infrared or combined diffuse reflectance
spectroscopy for simultaneous assessment of various soil properties.
Geoderma 131: 59-75.
Wang, L., J. J.QU. 2009. Satellite remote sensing applications for surface soil
moisture monitoring: A review. Front. Earth Sci. China, 3(2): 237-247
Wetterlind. J., Bo Stenberg and Raphael A., Viscarra Rossel. 2013. Soil Analysis
Using Visible And Near Infrared Spectroscopy. In : Maathuis, F.J.M., Editors.
Plant Mineral Nutrients:Methods and Protocols. New York:Humana Press,
Springer.p.95-107.
Wu, C., J. Wu., Y. Luo., L. Zhang., S.D. DeGloria. 2009. Spasial Prediction of Soil
Organic Matter Content Using Cokriging with Remotely Sensed Data. Soil
Sci. Soc. Am. J. 73(4): 1202-1208.

29