Prosiding Erie Kresna Andana Revisi - Ok
Prosiding Erie Kresna Andana Revisi - Ok
ABSTRAK
Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek, daerah,
atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat tanpa
kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan Kiefer,
1979). Pada penginderaan jauh menggunakan satelit akan menghasilkan data citra dan
salah satu data citra satelit yang digunakan untuk memantau area pertanian adalah data
cita satelit Landsat-8. Sebagai dataset, data citra tersebut dapat diolah menggunakan
algoritma atau metode (persamaan matematis) tertentu, dalam hal ini menggunakan
metode yang disebut indeks vegetasi.
Nilai indeks vegetasi ini didasarkan pada perbedaan antara penyerapan maksimum
radiasi di kanal merah (red) sebagai hasil dari pigmen klorofil dan reflektansi
maksimum di kanal spektral infra merah dekat (near infra red/NIR) sebagai akibat dari
struktur selular daun. (Tucker, 1979). Beberapa algoritma indeks vegetasi yang
digunakan dalam penelitian ini adalah Normalized Difference Vegetation Index (NDVI),
Soil Adjusted Vegetation Index (SAVI), dan Enhanced Vegetation Index (EVI). Dan
untuk melakukan verifikasi data ground truth dengan cara melakukan survei lapangan
menggunakan Global Positiong System (GPS) di daerah penelitian. Untuk memastikan
hasil klasifikasi citra sesuai dengan data lapangan adalah dapat diterima jika nilai uji
ketelitian ≥ 80%. Kemudian akan dicari korelasi antara nilai berbagai indeks vegetasi
yang digunakan.
Pada penelitian ini, didapatkan nilai uji ketelitian klasifikasi citra overall accuracy =
94,0012%, yang, sehingga dapat disimpulkan ada kesesuaian antara klasifikasi citra
dengan keadaan sebenarnya. Dan nilai korelasi antara NDVI dengan SAVI serta NDVI
dengan EVI adalah sebesar R2=0,947, sehingga dapat dikatakan, baik algoritma NDVI
dengan SAVI maupun NDVI dengan EVI tersebut memiliki korelasi sangat kuat.
Kata kunci: Penginderaan Jauh, Landsat-8, Indeks Vegetasi, Hortikultura,
NDVI, SAVI, EVI, dan GPS.
PENDAHULUAN
Tanaman hortikultura memberi nilai penjualan yang besar untuk pertanian di
Indonesia. Walaupun demikian, budidaya tanaman hortikultura masih dirasakan kurang
mendapat perhatian seirus. Dengan jenisnya yang beragam dan sifatnya yang khas,
ISBN: 978-602-70604-1-8
C-15-1
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
maka setiap jenis memiliki penanganan yang berbeda. Tahap-tahap pertumbuhan dan
fenologi dari banyak lahan hortikultura belum dipelajari dengan baik dan cenderung
sulit untuk digeneralisasi akibat dari berbagai perbedaan varietas, kerapatan tumbuhan
dan kebiasaan penanganannya. Tahap pertumbuhan dan ukuran lahan pertanian menjadi
sangat penting bagi tanaman hortikultura karena luas kanopi daun yang tumbuh di lahan
hal ini menjadi penentu utama akan kebutuhan air pada lahan pertanian.
Kanopi daun merupakan variabel yang relatif mudah diukur yang menjadi
indiaktor dari serapan cahaya pada tanaman. Beberapa studi juga menghubungkan
penggunaan kanopi daun dengan kebutuhan akan pengairan pada tumbuhan di area
pertanian (Troutl, T.J. dkk., 2008). Estimasi yang akurat dan efisien dari kanopi daun
secara aktual akan memungkinkan perbaikan penjadwalan dan alokasi air irigasi
(Bausch, 1995).
Penelitian-penelitian sebelumnya menunjukkan bahwa berbagai indeks vegetasi
spektral, yang dikalkulasi dari data reflektansi visible and near infrared (NIR),
berhubungan secara linear dengan jumlah radiasi aktif yang diserap oleh kanopi
tumbuhan selama fotosintetis (Asrar, R.G., dkk, 1984). Berbagai metode algoritma
vegetasi telah dikembangkan adalah Normalized Difference Vegetation Index (NDVI)
dan Soil Adjusted Vegetation Index (SAVI). Kemudian dikembangkan pula dengan
menggunakan reflektansi kanal spektral biru (blue), yaitu Enhanced Vegetation Index
(EVI).
KAJIAN PUSTAKA
Tanaman Hortikultura
Hortikultura berasal dari kata “hortus” (= garden atau kebun) dan “colere” (= to
cultivate atau budidaya). Secara harfiah istilah hortikultura diartikan sebagai usaha
membudidayakan tanaman buah-buahan, sayuran dan tanaman hias. Sehingga
Hortikultura merupakan suatu cabang dari ilmu pertanian yang mempelajari budidaya
buah-buahan, sayuran dan tanaman hias. Sedangkan dalam GBHN 1993-1998, selain
buah-buahan, sayuran dan tanaman hias, yang termasuk dalam kelompok hortikultura
adalah tanaman obat-obatan.
Berdasarkan jenisnya, pengelompokan tanaman hortikultura adalah sebagai
berikut:
Buah-buahan, misalnya : apel, jeruk, stroberi, papaya, pisang, mangga, dan lain-lain
Sayuran, misalnya : kobis, brokoli, buncis, cabai, tomat, terong, wortel, jamur,
bawang, kentang, dan lain-lain
Tanaman hias, misalnya : krisan, anggrek, mawar, melati,dan lain-lain
Tanaman obat/farmakologi, misalnya : jahe, kunyit, dan lain-lain.
Kanopi Daun
Kanopi daun merupakan variabel yang relatif mudah diukur yang menjadi
indiaktor dari serapan cahaya pada tanaman. Beberapa studi menghubungkan
penggunaan air pertanian dengan kanopi daun (Troutl, T.J. dkk., 2008). Estimasi yang
akurat dan efisien dari kanopi daun aktual akan memungkinkan perbaikan penjadwalan
dan alokasi air irigasi (Bausch, 1995). Beberapa penelitian sebelumnya menunjukkan
bahwa berbagai indeks vegetasi spektral, yang dikalkulasi dari data reflektansi visible
and near infrared (NIR), berhubungan secara linear dengan jumlah radiasi aktif yang
diserap oleh kanopi tumbuhan selama fotosintetis (Asrar, R.G., dkk, 1984).
ISBN: 978-602-70604-1-8
C-15-2
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
Penginderaan Jauh
Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek,
daerah, atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat
tanpa kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan
Kiefer, 1979). Data penginderaan jauh dapat diperoleh melalui hasil rekaman sensor
yang dipasang baik pada pesawat terbang, satelit, pesawat ulang alik, atau wahana
lainnya. Sensor tersebut akan menghasilkan data yang berbeda-beda sesuai dengan letak
ketinggian sensor maupun karakteristik obyek yang dikaji (Sutanto, 1986).
Salah satu satelit yang digunakan untuk penginderaan jauh ini adalah Landsat,
yang sekarang telah mencapai generasi Landsat-8. Satelit Landsat-8 memiliki
sensor Onboard Operational Land Imager (OLI) danThermal Infrared Sensor
(TIRS) dengan jumlah kanal sebanyak 11 buah. Di antara kanal-kanal tersebut, 9 kanal
(band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS. Sebagian besar
kanal memiliki spesifikasi mirip dengan Landsat-7. Berikut ini spesifikasi kanal yang
dimiliki citra Landsat-8 adalah sebagai berikut :
Tabel 1. Spesifikasi Kanal-kanal Spektral Sensor Pencitra LDCM (Landsat-8)
Panjang
Resolusi
Band Gelombang
Landsat 8 (meter)
(mikrometer)
Band 1 - Coastal aerosol 0.43 - 0.45 30
Operational Band 2 – Blue 0.45 - 0.51 30
Land Imager Band 3 – Green 0.53 - 0.59 30
(OLI) Band 4 – Red 0.64 - 0.67 30
Band 5 - Near Infrared (NIR) 0.85 - 0.88 30
dan
Band 6 - SWIR 1 1.57 - 1.65 30
Band 7 - SWIR 2 2.11 - 2.29 30
Thermal
Infrared Band 8 – Panchromatic 0.50 - 0.68 15
Sensor Band 9 – Cirrus 1.36 - 1.38 30
(TIRS) Band 10 - Thermal Infrared (TIRS) 1 10.60 - 11.19 100
Band 11 - Thermal Infrared (TIRS) 2 11.50 - 12.51 100
ISBN: 978-602-70604-1-8
C-15-3
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
ISBN: 978-602-70604-1-8
C-15-4
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
METODOLOGI PENELITIAN
Lokasi Penelitian
Lokasi yang dijadikan penelitian adalah Kabupaten Malang dan sekitarnya, yang
mencakup Kota Batu. Hal ini dilakukan karena Malang dan Batu merupakan daerah
yang memiliki keragaman tanaman hortikultura di Jawa Timur. Kabupaten Malang
berbatasan langsung dengan Kabupaten Jombang, Kabupaten Mojokerto, dan
Kabupaten Pasuruan di utara, Kabupaten Lumajang di timur, Samudra Hindia di selatan,
serta Kabupaten Blitar dan Kabupaten Kediri di barat. Secara geografis Kabupaten
Malang terletak pada 7o44’55.11” - 8o26’35.45” LS dan 112o17’10.90” - 112o57’00”
BT.
ISBN: 978-602-70604-1-8
C-15-5
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
Pengolahan citra satelit Landsat-8 akan diproses menurut diagram alir berikut ini.
Koreksi geometrik
Citra Landsat
Orthorektifikasi
tidak tahun 2000
RMS error
≤ 1 pixel
ya
Koreksi radiometrik
Pemotongan citra
wilayah penelitian
Klasifikasi citra
Ground
truth
tidak
Uji ketelitian
≥ 80%
ya
Peta tanaman
hortikultura
ISBN: 978-602-70604-1-8
C-15-6
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
adalah Universal Transverse Mercator Zona 49 M dan datum yang dipakai adalah WGS
1984. Hasil koreksi Geometrik yang dilakukan dengan 20 titik GCP mendapatkan nilai
RMS Error rata-rata sebesar 0.297252 yang artinya nilai RMS Error tersebut kurang
dari sama dengan satu (RMSerror ≤ 1), maka citra tersebut sudah terkoreksi secara
geometrik. (Purwadhi, 2001)
Koreksi Radiometrik
Koreksi radiometrik dilakukan dengan mengubah nilai digital number (DN)
pada citra menjadi nilai reflektan. Nilai DN tersebut diperoleh dari meta data yang
terdapat dalam salah satu file dalam folder data citra yang diunduh. Perhitungan nilai
reflektan dilakukan untuk kanal 2 (biru/blue), 4 (merah/red), dan 5 (infra merah
dekat/NIR). Pemilihan kanal tersebut berdasarkan kanal yang akan digunakan dalam
perhitungan indeks vegetasi.
Klasifikasi Tutupan Lahan
Pengklasifikasian tutupan lahan menggunakan klasifikasi terbimbing dengan
menggunakan algoritma maximum likelihood dan didasarkan dari jenis tutupan lahan di
Peta RBI. Pada algoritma ini pixel dikelaskan sebagai objek tertentu menurut bentuk,
ukuran dan orientasi sampel pada feature space. Sedangkan ketelitian dari algoritma
tersebut dapat dihitung dengan menggunakan confusion matrix dengan batas toleransi
yang diberikan yaitu ≥ 80 %. Pada penelitian ini, klasifikasi tutupan lahannya
menghasilkan nilai overall accuracy = 94,0012% dan nilai overall kappa = 0,9230.
Dengan hasil tersebut, maka klasifikasi dianggap benar.
Tabel 2. Perhitungan confusion matrix
Kelas Commission (%) Omission (%) Producer’s accuracy (%) User’s accuracy (%)
Awan 0,60 0,11 99,89 99,40
Air 0,05 5,75 94,25 99,95
Pemukiman dan jalan 0,48 1,93 98,07 99,52
Hutan 4,56 13,28 86,72 95,44
Tanah terbuka 0,00 1,00 99,00 100,00
Semak belukar 38,97 0,00 100,00 61,03
Lading 16,58 37,78 62,22 83,42
Sawah 0,49 2,40 97,60 99,51
Kebun 42,20 10,03 89,97 57,80
Overall accuracy 94,0012 %
Overall kappa 0,9230
ISBN: 978-602-70604-1-8
C-15-7
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
0.6
0.5
0.4
y = 0.0135x + 0.08
0.3 R² = 0.9471
0.2
0.1
0
0.39078
0.71396
0.195299
0.247198
0.247198
0.274177
0.296933
0.308136
0.317453
0.351948
0.363206
0.367323
0.374749
0.384587
0.399888
0.434489
0.441302
0.446818
0.495275
0.508522
0.551014
0.551933
0.606853
0.621082
0.630445
0.641921
0.676937
0.684546
0.720656
0.723128
ISBN: 978-602-70604-1-8
C-15-8
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
KESIMPULAN
1. Nilai uji ketelitian klasifikasi citra overall accuracy = 94,0012%, sehingga dapat
disimpulkan ada kesesuaian antara klasifikasi citra dengan keadaan sebenarnya
2. Dari hasil klasifikasi tutupan lahan didapatkan bahwa jenis tanaman hortikultura
termasuk ke dalam kelas ladang dengan luas ± 153.261,72 Ha yang tersebar di
seluruh Kabupaten Malang dan Kota Batu
3. Nilai korelasi antara NDVI dengan SAVI serta NDVI dengan EVI adalah sebesar
R2=0,947, sehingga dapat dikatakan, baik algoritma NDVI dengan SAVI maupun
NDVI dengan EVI tersebut memiliki korelasi sangat kuat. Hal ini menunjukkan
bahwa dengan menggunakan algoritma tersebut dapat memberikan informasi
kerapatan tanaman hortikultura dengan tepat.
DAFTAR PUSTAKA
Asrar, G., Fuchs, M., Kanemasu, E.T., Hatfield, J. L. (1984), “Estimating Absorbed
Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in
Wheat”, Agron. Journal, Vol. 76, hal. 300–306.
Bausch, W. C. (1995), “Remote Sensing of Crop Coefficients for Improving The
Irrigation Scheduling of Corn”, Agriculture Water Manage, Vol. 27, hal. 55–68.
Brownsveld K., Chuturattanapan, S., Pattanakanok, B., Suwanwerakamtorm, R.,
Trakooldit, P. (1994), “The Use of Local Knowledge in Landuse/Landcover
Mapping from Satellite Images”, ITC Journal, Vol. 4, hal. 331-336
Clevers, J. G. P. W. (1988), “The Derivation of Simplified Reflectance Model for the
Estimation of Leaf Area Index”, Remote Sensing of Environment, Vol. 25, hal.
53-69.
Danoedoro, P. (2012), Pengantar Penginderaan Jauh Digital, Edisi 1, CV. Andi
Offset, Yogyakarta.
ISBN: 978-602-70604-1-8
C-15-9
Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015
ISBN: 978-602-70604-1-8
C-15-10