Mengukur Urban Heat Island Menggunakan Penginderaan Jauh ...................................................................................................

(Fawzi)

MENGUKUR URBAN HEAT ISLAND MENGGUNAKAN

PENGINDERAAN JAUH, KASUS DI KOTA YOGYAKARTA
(Measuring Urban Heat Island using Remote Sensing, Case of Yogyakarta City)

Nurul Ihsan Fawzi

Program Konservasi, Yayasan Alam Sehat Lestari
Jalan Sungai Mengkuang, Sukadana, Kabupaten Kayong Utara, Kalimantan Barat
E-mail: nurul.ihsan.f@mail.ugm.ac.id
Diterima (received): 06 Februari 2017; Direvisi (revised): 19 Juli 2017; Disetujui untuk dipublikasikan (accepted): 30 September 2017

ABSTRAK

Peningkatan suhu di kawasan perkotaan adalah salah satu dampak dari urbanisasi. Fenomena Urban
Heat Island (UHI) merupakan salah satu akibat yang dihasilkan akibat peningkatan suhu tersebut.
Diperlukan upaya untuk menilai perubahan suhu apakah dapat berbahaya bagi manusia atau tidak. Melalui
pengukuran UHI, pengaruh pembangunan kota terhadap peningkatan suhu dapat diukur. Tujuan penelitian
ini adalah untuk memberikan panduan ilmiah tentang perolehan intensitas dan distribusi UHI menggunakan
teknik penginderaan jauh. Studi kasus yang dilakukan berada di Kota Yogyakarta, Daerah Istimewa
Yogyakarta. Citra penginderaan jauh yang digunakan adalah citra Landsat 8 perekaman tanggal 24 Juni
2013, path/row 120/65. Metode ekstraksi suhu permukaan menggunakan inversi persamaan Planck dengan
koreksi emisivitas dan atmosfer menggunakan radiative transfer equation. Hasil pengolahan didapatkan
o o
intensitas UHI sebesar ±2,5 C pada Kota Yogyakarta dan intensitas UHI sebesar ±3,23 C pada area yang
diperluas dengan bufer 1 km dari batas Kota Yogyakarta. Hal ini menunjukkan bahwa pemilihan area
penelitian untuk analisis UHI menjadi penting karena mempengaruhi nilai intensitas UHI dan distribusi UHI.
Ditemukan kawasan Malioboro dan sekitarnya berpotensi kuat terjadi UHI, sehingga perlu upaya mitigasi
UHI pada kawasan tersebut. Pengukuran UHI menggunakan penginderaan jauh dipengaruhi oleh hal-hal
yang berkaitan dengan sistem penginderaan jauh, seperti validasi dan akurasi hasil estimasi, pengaruh
atmosfer, dan perbedaan waktu intensitas puncak UHI. Metode perolehan UHI dalam penelitian ini dapat
menjadi panduan ilmiah yang digunakan untuk dasar evaluasi pembangunan perkotaan untuk lebih baik.
Kata kunci: urban heat island, penginderaan jauh, pembangunan kota, Kota Yogyakarta

ABSTRACT

Increased temperature in urban areas is one of the impacts of urbanization. Urban Heat Island (UHI) is
one impact resulting from that increased temperature. It is necessary to assess the difference changes in
temperature because it can be harmful for human life. Through UHI measurements, the influence of urban
development on the increase of temperature can be measured. The aim of this paper is to discuss the
scientific guideline calculation of UHI intensity and distribution using remote sensing. Its implementation
study for the city of Yogyakarta, Special Region of Yogyakarta. Remote sensing data used is Landsat 8
acquired on June 24, 2013, path/row 120/65. The land surface temperature extraction method using
inversion of Planck Law with emissivity and atmospheric correction using radiative transfer equation. The
o o
result we obtained is intensity of UHI that occurred in the city of Yogyakarta is ±2.5 C and ±3.23 C at area
expanded with 1 km buffer from city border. This result shows us that is important in the selection of study
area for UHI analysis because it affects UHI intensity and distribution. We found that Malioboro and its
surrounding areas are potential to become UHI. Therefore, mitigation efforts are required. UHI measurement
using remote sensing area is influenced by the things related to remote sensing itself, such as the validation
and the estimation accuracy, atmospheric effects, and difference in peak intensity of UHI. The method for
measuring UHI in this study can be a guide to measure UHI intensity which can be used to evaluate urban
development.
Keywords: urban heat island, remote sensing, medium city development, Yogyakarta city

PENDAHULUAN dampak negatif terhadap lingkungan terutama

pada produksi polusi gas CO2, modifikasi sifat fisik
Pembangunan perkotaan (urbanisasi) dan kimia atmosfer, dan dapat memiliki efek yang
memberikan dampak yang baik bagi kehidupan signifikan pada perubahan cuaca lokal dan iklim
manusia, terutama dalam peningkatan taraf hidup (Bazrkar et al., 2015; Liu et al., 2015; Martínez-
dan kesejahteraan. Pada tahun 1950, hanya 30% Zarzoso dan Maruotti, 2011). Salah satu efek
populasi manusia berada di kota, meningkat yang ditimbulkan adalah peningkatan suhu di
menjadi 54,5% pada tahun 2016 (United Nations, kawasan perkotaan yang dikenal dengan
2016). Urbanisasi juga dapat memberikan fenomena urban heat island.

195
Majalah Ilmiah Globë Volume 19 No.2 Oktober 2017: 195-206
UHI merupakan bagian dari fenomena heat
island yang terjadi di perkotaan, disebabkan oleh
lokasi yang terisolasi (berbeda kondisi) yang
memiliki suhu permukaan/udara lebih tinggi dari
daerah disekitarnya pada pengukuran in situ
(American Meteorological Society, 2014). UHI
berdampak negatif karena menyebabkan
perubahan kualitas udara, pengaruh terhadap
kesehatan manusia, penggunaan energi, dan
perubahan iklim (Lai dan Cheng, 2009; Ng dan
Ren, 2017; Road et al., 2010; Skelhorn et al.,
2016; Stone et al., 2010; Tan et al., 2010). UHI
juga berpengaruh terhadap sistem pertanian
hingga 10 km dari batas kota dan perubahan
curah hujan (McLeod et al., 2017; Streutker,
2002).
Konsep dasar UHI adalah interaksi energi
termal dari matahari yang diterima objek di
permukaan bumi memberi level termal yang
berbeda antara desa dan kota akibat perbedaan
konduktivitas termalnya (Oke, 1982). Area
terbangun di kawasan perkotaan memiliki
konduktivitas termal yang tinggi sehingga
menyimpan energi termal lebih banyak dibanding
kawasan perdesaan. Hal tersebut yang
menyebabkan kawasan perkotaan lebih hangat
dari kawasan perdesaan di sekitarnya.
Peningkatan suhu di kawasan perkotaan ini
menjadi penyebab kekhawatiran 67% penduduk
kota (disajikan pada Gambar 1), karena dapat
mempengaruhi kesehatan dan aktivitas sehari-
hari (Carmin et al., 2012).
Sumber: Carmin et al. (2012)
Gambar 1. Persepsi Penduduk terhadap Perubahan
Iklim dan Dampak yang “Ditakutkan”
Muncul dan Berpengaruh terhadap
Aktivitas di Kawasan Perkotaan.
Pengukuran UHI dapat dilakukan dengan
dua cara, yaitu pengukuran secara langsung
melalui stasiun cuaca atau survei lapangan (in
situ), dan pengukuran menggunakan teknik
penginderaan jauh. Dalam skala regional,
pengukuran in situ memiliki kelemahan dari segi
waktu, biaya, dan terdapat masalah akurasi dalam
interpolasi data spasial. Sedangkan penggunaan
teknologi penginderaan jauh cukup tepat untuk
mendapatkan data permukaan bumi yang
semakin kompleks dan dengan wilayah kajian
yang cukup luas, sebagai alternatif selain
menggunakan pengukuran in situ. Selain itu,
penggunaan penginderaan jauh melalui algoritma
196
yang tepat dapat memiliki hasil yang mendekati
pengukuran in situ (Sobrino et al., 2004).
Penggunaan metode penginderaan jauh
menjadi kebutuhan yang tidak dapat dihindarkan
di masa depan, terutama terkait dengan efisiensi
dan keefektifan analisis perkotaan (Weng, 2009).
Keuntungan menggunakan data penginderaan
jauh adalah tersedianya data dengan resolusi
yang cukup tinggi, konsisten, pengulangan
perekaman, dan kemampuan dalam
mengukur/merekam kondisi permukaan bumi
dengan baik (Kuenzer et al., 2013). Dalam
penginderaan jauh, sensor inframerah termal
pada satelit memperoleh informasi kuantitatif
mengenai suhu permukaan yang terkait dengan
jenis tutupan lahannya. Informasi tersebut dapat
digunakan untuk perencanaan tata kota dan
mitigasi UHI (Coutts et al., 2016). Hasil studi
penggunaan penginderaan jauh memberi
informasi mengenai perubahan tutupan lahan
yang berkaitan dengan suhu permukaan pada
perbedaan skala dan jenis data yang digunakan,
seperti NOAA-AVHRR dengan resolusi spasial
+
1,1 km, Landsat TM dan ETM dengan resolusi
spasial masing-masing 120 m dan 60 m, dan
Landsat 8 dengan resolusi spasial 100 m
(Kuenzer et al., 2013; Loveland dan Irons, 2016).
Penelitian tentang UHI menggunakan
penginderaan jauh belum menjelaskan tentang
seberapa besar intensitas UHI yang dihasilkan
dan distribusinya. Srivanit et al. (2012) meneliti
UHI di Kota Bangkok tentang urbanisasi
menggunakan citra Landsat TM tahun 1994 dan
2009. Penelitian ini hanya menekankan pada
peningkatan suhu permukaan rerata dari 37,76°C
di tahun 1994 menjadi 39,79°C di tahun 2009 dan
mengkaitkannya dengan fenomena UHI. Padahal
yang dipaparkan hanya distribusi hasil
pengolahan suhu permukaan dan bukan
intensitas UHI. Hal ini sama dilakukan oleh Rinner
dan Hussain (2011) yang mengukur UHI di Kota
Toronto, Kanada, dengan citra Landsat TM tahun
2008. Hasilnya dengan menggunakan metode
statistik zonasi (zonal statistics), menunjukkan
perbedaan statistik yang signifikan antara suhu
rata-rata tinggi untuk penggunaan lahan komersial
dan sumber daya/industri atau lahan terbangun
(29,1°C), dan suhu rata-rata rendah untuk taman
dan tempat rekreasi (25,1°C) dan badan air
(23,1°C). Penelitian ini hanya menunjukkan
perbedaan suhu pada masing-masing objek dan
tidak menjelaskan fenomena UHI yang terjadi.
Termasuk penelitian yang dilakukan oleh Qian et
al. (2006) di Delta Zhujiang, China, menggunakan
+
citra Landsat TM tahun 1990 dan Landsat ETM
tahun 2000. Qian et al. (2006) hanya
menjelaskan tentang pengaruh urbanisasi yang
o
meningkatkan suhu permukaan sebesar 4,56 C.
Perkembangan penelitian UHI saat ini telah
menjelaskan tentang intensitas UHI yang
dihasilkan, namun seringkali tanpa distribusi
spasialnya. Seperti yang dilakukan oleh Bonafoni
+
et al. (2017), menggunakan 7 citra Landsat ETM
Mengukur Urban Heat Island Menggunakan Penginderaan Jauh ................................................................................................... (Fawzi)

dari tahun 2005 – 2015 pada Kota Terni, Italia. diperlukan penelitian yang menganalisis distribusi
Hasil penelitian menunjukkan intensitas UHI termal dalam kawasan perkotaan. Terkait hal ini,
meningkat 2,3°C selama 10 tahun pengamatan. masih belum ditemukan penelitian yang mengukur
Intensitas UHI yang didapatkan oleh Bonafoni et intensitas dan distribusi UHI di Kota Yogyakarta.
al. (2017) tanpa disertai dengan peta distribusi Penelitian yang dilakukan hanya interpretasi suhu
UHI pada wilayah pengamatan. Hal serupa permukaan dari citra satelit tanpa pengukuran
dilakukan oleh dos Santos et al. (2017) yang intensitas dan distribusi UHI (Wicahyani et al.,
menggunakan 16 citra Landsat TM dari tahun 2013) dan teori tentang kontribusi sektor informal
2008 – 2011 untuk mengetahui distribusi UHI di terhadap UHI (Nitisudarmo, 2009).
Vila Velha, ES, Brazil. Hasilnya pada wilayah Penggunaan citra penginderaan jauh mampu
perkotaan memiliki suhu permukaan yang lebih memperoleh intensitas dan distribusi UHI secara
tinggi 2,34°C hingga 7,19°C dari area sekitarnya. temporal. Namun, dari beberapa penelitian yang
dos Santos et al. (2017) tidak menyajikan dipaparkan, terdapat kekurangan metode untuk
distribusi UHI, namun menjelaskan tentang mendapatkan nilai intensitas UHI dan distribusi
distribusi penilaian ekologis yang diperoleh dari spasialnya. Untuk itu, tujuan penelitian ini adalah
pengkelasan suhu permukaan. memberikan panduan ilmiah tentang perolehan
Penggunaan citra Landsat 8 untuk penelitian intensitas dan distribusi UHI melalui teknik
UHI relatif lebih sedikit jika dibandingkan dengan penginderaan jauh.
+
Landsat TM dan ETM . Tsou et al. (2017)
menggunakan 4 citra Landsat 8 tahun 2013, METODE
2014, 2015, dan 2016 untuk memetakan UHI di
Kota Shenzhen dan Hongkong dengan algoritma Lokasi Penelitian
split-windows. Pada penelitian ini tidak didapatkan
nilai intensitas UHI, hanya dipaparkan distribusi Pengukuran UHI dengan teknik
UHI dan non-UHI yang diperoleh dari nilai rerata penginderaan jauh menggunakan studi kasus di
hasil pengolahan citra satelit. Hal yang sama Kota Yogyakarta (7°48′5″LU, 110°21′52″BT). Kota
dilakukan oleh Almutairi (2015) dengan Yogyakarta dipilih untuk penelitian ini karena itu
menggunakan Landsat 8 tahun 2014. Dihasilkan merupakan kota berukuran sedang dan padat
10 titik heat island yang peroleh dari peta isoline penduduk. Peranan kota pelajar dan kota
suhu permukaan, tanpa disebutkan intensitas UHI pariwisata mempercepat pembangunan fisik kota
yang dihasilkan. menjadi lahan terbangun. Pada tahun 2011-2015,
Citra Landsat secara luas digunakan untuk kepadatan penduduk rata-rata adalah 12.699
2
analisis UHI karena terkait resolusi spasial yang jiwa/km (Badan Pusat Statistik, 2015).
lebih tinggi dibandingkan citra satelit NOAA- Berlangsungnya pembangunan Kota Yogyakarta
AVHRR dan MODIS (Rasul et al., 2017). Untuk yang berada di tengah-tengah Provinsi
sensor NOAA-AVHRR walaupun dengan resolusi Yogyakarta seperti yang disajikan pada Gambar
1,1 km dapat digunakan untuk analisis UHI, 2, memiliki potensi untuk berdampak negatif pada
namun eror mencapai 2,4°C (Stathopoulou dan fenomena UHI yang terjadi.
Cartalis, 2009). Untuk citra sensor MODIS dengan
Data Penginderaan Jauh
resolusi 250 m mampu memberikan analisis UHI
yang lebih baik dari NOAA-AVHRR. Flores R. et Pengukuran UHI memerlukan data
al. (2016) menggunakan citra MODIS tahun 2001 penginderaan jauh dengan band termal. Band
– 2014 di Kota São Paulo dan Rio de Janeiro. termal tersebut digunakan untuk memperoleh
Didapatkan intensitas UHI mencapai 10,4°C estimasi suhu permukaan objek. Proses estimasi
(Anniballe et al., 2014). suhu permukaan memerlukan koreksi untuk
Kajian mengenai UHI penting dilakukan, memperoleh estimasi yang tepat. Koreksi yang
mengingat terus meningkatnya suhu udara di digunakan menggunakan Normalized Difference
daerah perkotaan dan dapat menciptakan Vegetation Index (NDVI), sehingga dibutuhkan
lingkungan yang tidak nyaman bagi masyarakat band merah dan inframerah.
(Salata et al., 2017). Salah satu kota terdampak Citra penginderaan jauh yang digunakan
urbanisasi adalah Kota Yogyakarta yang memiliki adalah citra Landsat 8 perekaman tanggal 24 Juni
penduduk lebih dari setengah juta jiwa (Badan 2013, path/row 120/65. Pada citra Landsat 8 ini,
Pusat Statistik, 2015). Identitas Kota Yogyakarta untuk perolehan NDVI menggunakan band 4
sebagai kota pelajar dan kota tujuan wisata (merah) dan 5 (inframerah), sedangkan band
menyebabkan pembangunan fisik perkotaan akan termal yang digunakan adalah band 10.
terus berlanjut. Urbanisasi di Kota Yogyakarta ini Penggunaan band 10 merujuk pada Loyd (2017),
menyebabkan peningkatan suhu permukaan yang disarankan menggunakan band 10 dengan
mengarah kepada fenomena UHI (Brontowiyono keakuratan ~±1 K untuk estimasi sederhana.
et al., 2011). Di sisi lain, mitigasi mengenai Selain itu, syarat utama dalam penggunaan citra
dampak UHI menjadi isu utama dalam adalah harus bebas awan. Jika digunakan citra
pembangunan kawasan perkotaan berkelanjutan yang berawan, walau dalam persentase yang
(Bonafoni et al., 2017). Untuk mengetahui kecil, akan lebih baik jika tidak digunakan, karena
intensitas UHI dalam suatu kawasan perkotaan, dapat mengganggu hasil akhir distribusi UHI.
197
Majalah Ilmiah Globë Volume 19 No.2 Oktober 2017: 195-206
Gambar 2. Lokasi Penelitian Berada di Kota Yogyakarta.
Pengolahan Data
Pengolahan data yang dilakukan adalah
proses perolehan atau estimasi suhu permukaan.
Hasil estimasi suhu permukaan dengan kualitas
yang baik, didapatkan dengan beberapa tahapan
koreksi (Voogt dan Oke, 2003; Weng et al., 2004)
Tahapan tersebut adalah sebagai berikut dan
tanpa dilakukan koreksi kekasaran permukaan.
1. Konversi Nilai piksel ke Nilai Lλ
Persamaan 1 berikut merupakan persamaan
dasar yang digunakan untuk melakukan konversi
nilai piksel menjadi nilai radian spektral (U.S.
Geological Survey, 2017).
Lλ = MLQcal + AL …………………..…………(1)
Dimana:
Lλ = radian spektral pada sensor
2.
(W/(m sr.μm)
Qca = nilai piksel (DN),
ML = konstanta rescalling, diperoleh pada
metadata citra
AL = konstanta penambah, diperoleh pada
metadata citra
2. Koreksi Emissivitas
Telah diketahui bahwa suhu radian (T rad)
yang diperoleh merupakan suhu aktual dari
198
pengukuran menggunakan teknik penginderaan
jauh. Suhu radian tergantung pada suhu kinetik
objek (Tkin) dan emisivitasnya. Trad diperoleh
melalui koreksi emisivitas permukaan (ε). Salah
satu alternatif yang mudah untuk mendapatkan
emisivitas permukaan (land surface emmisivity)
adalah dengan menggunakan Indeks Vegetasi,
seperti NDVI (Sobrino et al., 2004; Valor dan
Caselles, 1996).
Penggunaan metode ini membutuhkan nilai
emisivitas tanah dan vegetasi. Dalam hal ini,
mengacu pada Valor dan Caselles (1996)
digunakan nilai emisivitas vegetasi εv = 0,985 ±
0,007. Sedangkan nilai emisivitas vegetasi hasil
pengukuran berkisar pada nilai 0,980 – 0,990
pada panjang gelombang 10,5 – 12,5 µm. Untuk
emisivitas tanah digunakan nilai εs = 0,960 ±
0,010, karena pengukuran mendapatkan nilai
emisivitas 0,950 – 0,970 pada panjang
gelombang 10,5 – 12,5 µm. dan diperoleh nilai
rerata <dε> = 0,015 ± 0,008. Untuk itu, dalam
penelitian ini emisivitas permukaan diperoleh
dengan persamaan 2 sebagai berikut:
ε = 0,985Pv + 0,960 (1-Pv) + 0,06Pv (1-Pv) ..(2)
Untuk detil metode estimasi emisivitas yang
digunakan, dapat membaca Fawzi (2014).
Mengukur Urban Heat Island Menggunakan Penginderaan Jauh ................................................................................................... (Fawzi)

3. Koreksi Atmosfer – Top of Atmosphere Perhitungan Urban Heat Island

(TOA)
Efek atau intensitas dari UHI dapat
Suhu permukaan didapatkan dari nilai radian didefinisikan dengan persamaan 5 berikut (Lima
yang diterima oleh sensor (at sensor radiances). Alves dan Lopes, 2017; Ozdemir et al., 2012).
Profil atmosfer dan uap air di atmosfer diukur
bersamaan ketika satelit melakukan perekaman, ∆Tµ-r = Tµ - Tr ………………….................... (5)
menjadi parameter koreksi radiative transfer
equation dan emisivitas permukaan. NASA Dimana Tµ merupakan suhu permukaan di kota
mengembangkan Atmospheric Correction atau bentuk penggunaan lahan yang lebih hangat
Parameter Calculator pada website dari suhu sekitarnya, Tr merupakan suhu
http://atmcorr.gsfc.nasa.gov/ untuk memperoleh permukaan di sekitar wilayah yang diukur T µ, dan
data profil atmosfer. Profil atmosfer tersebut di ∆Tµ-r merupakan efek dari UHI yang ditimbulkan.
peroleh dari National Centers for Environmental UHI dibedakan menjadi UHI permukaan dan
Prediction (NCEP) yang diinterpolasi berdasarkan UHI atmosfer (U.S. Environmental Protection
lokasi penelitian, tanggal dan waktu, dan kode Agency, 2008). Penelitian ini berfokus pada UHI
menggunakan MODTRAN-4. Asumsi yang permukaan, karena penelitian mengenai UHI
digunakan untuk koreksi ini adalah untuk menggunakan penginderaan jauh hanya
meminimalisir dampak yang ditimbulkan akibat mendapatkan analisis UHI permukaan. Butuh
terjadinya perbedaan intensitas radiasi matahari mengetahui hubungan antara nilai suhu
yang mengenai bumi. permukaan pada citra yang dihubungkan dengan
Koreksi ini didasarkan pada radiative transfer suhu udara pada waktu yang sama untuk
equation untuk mengoreksi faktor atmosfer yang mendapatkan UHI atmosfer. Hal ini dikarenakan
mempengaruhi radiasi yang dipancarkan oleh suhu permukaan berhubungan dengan suhu
objek. Sehingga untuk mendapatkan koreksi udara sesuai ketinggiannya dari permukaan
atmosfer dapat menggunakan tanah, walaupun suhu permukaan lebih tinggi
persamaan 3 yang dijelaskan oleh Coll et al. daripada suhu udara (Ngie et al., 2014;
(2010) berikut. Takebayashi, 2015).
Ekstraksi umum UHI menggunakan
…………..(3) persamaan (5). Akan tetapi, dengan teknik
penginderaan jauh persamaan tersebut
dimana: dimodifikasi agar dapat digunakan. Berdasarkan
definisi tentang UHI, peta UHI harus
= nilai radian sensor pada Top of merepresentasikan perbedaan suhu pada wilayah
2
Atmosphere (W/m .sr.μm) yang diteliti. Dalam hal ini, UHI dapat diidentifikasi
= emisivitas permukaan dengan persamaan (6) dan (7) yang disampaikan
= nilai downwelling radiansi atmosfer oleh Ma et al. (2010) sebagai berikut.
2
(W/m .sr.μm)
= nilai upwelling radiansi atmosfer T >µ 0,5 α ..………………………. (6)
2
(W/m .sr.μm)
= nilai tranmistansi atmosfer Persamaan (6) menunjukkan ambang batas suhu
(threshold temperature) untuk area yang terjadi
4. Suhu Permukaan yang Terkoreksi UHI. Sedangkan untuk area yang tidak terjadi UHI
didapatkan melalui persamaan:
Penelitian ini menggunakan nilai
yang telah terkoreksi emisivitas untuk 0< T ≤µ 0,5 α ….………………………(7)
mendapatkan estimasi suhu permukaan.
Persamaan yang digunakan adalah persamaan 4
Dimana µ dan α merupakan nilai rerata dan
sebagai berikut (U.S. Geological Survey, 2017).
standar deviasi dari suhu permukaan yang
K2 diperoleh. Jika pada perhitungan persamaan (6)
= K1
………………………..(4) dan (7), ambang batas suhu untuk UHI adalah
ln( 1) o o
Lsensor, 32 C, maka kawasan dengan suhu lebih dari 32 C
Dimana: merupakan lokasi terjadinya UHI. Pada
Trad = suhu radian dalam satuan Kelvin (K) persamaan ini, menjadi garis bawah dipengaruhi
Lλ-e = nilai radian spektral terkoreksi oleh nilai µ dan α. Nilai µ dan α tentu
emisivitas berhubungan dengan statistik citra yang
K1 = Konstanta kalibrasi radian spektral dipengaruhi oleh luas wilayah pengamatan atau
2.
(W/(m sr.μm), diperoleh pada jenis penggunaan lahannya.
metadata untuk band 10 Perlu menjadi perhatian bahwa UHI
K2 = Konstanta kalibrasi suhu absolut (K), merupakan fenomena geografis, yang berarti
diperoleh pada metadata untuk band fenomena tersebut dipengaruhi oleh lingkungan
10 atau 11. sekitarnya. Jika menggunakan pendekatan
penginderaan jauh, nilai yang digunakan

199
Majalah Ilmiah Globë Volume 19 No.2 Oktober 2017: 195-206
seharusnya bukan nilai piksel suhu permukaan
hasil ekstraksi. Jika suatu piksel dengan resolusi
100x100 m lebih panas dari piksel sebelahnya,
piksel tersebut akan mempengaruhi objek atau
nilai piksel yang disebelahnya, begitu juga
sebaliknya pada objek yang lebih dingin. Dengan
kata lain, nilai piksel suhu permukaan
merepresentasikan nilai piksel itu sendiri terhadap
suhu disekelilingnya. Ini adalah analisis tingkat
piksel yang berkomplemen terhadap fenomena
kewilayahan. Rajasekar dan Weng (2009a,
2009b) menggunakan analisis nilai piksel
tetangga untuk mendapatkan nilai UHI. Analisis
piksel tetangga mengacu pada local
neighbourhood, untuk mengubah nilai piksel di
tengah lingkungan berdasarkan statistik
lingkungan lokal piksel (Liu dan Mason, 2009).
Untuk mendapatkan analisis ini, salah satunya
menggunakan filter 3 x 3 pada operasi filtering di
software pengolahan citra digital. Nilai yang
dihasikan merupakan nilai piksel rerata terhadap
nilai piksel sekelilingnya.
Citra suhu permukaan hasil analisis piksel
tetangga (Tmean) diaplikasikan pada persamaan
(6) dan (7) untuk mendapatkan peta distribusi
UHI. Secara matematis dapat disajikan dalam
persamaan 8 berikut.
Peta UHI = Tmean – (µ 0,5 α ) ….………..(8)
di mana µ dan α merupakan rerata dan standar
deviasi dari suhu permukaan hasil pengolahan
nilai rerata (Tmean) di daerah penelitian.
HASIL DAN PEMBAHASAN
Analisis Hasil UHI
Pengolahan data termal band 10 citra
Landsat 8 menghasilkan estimasi suhu
permukaan (Trad). Hasil estimasi suhu permukaan
tersebut diolah lagi melalui operasi filtering.
Dihasilkan Tmean untuk Kota Yogyakarta.
Statistik citra yang diperoleh, dimasukkan
o
kedalam persamaan 8. Dengan nilai µ = 33,82 C
o
dan nilai α = 1,19 C, didapatkan nilai ambang
batas untuk mendapatkan peta distribusi UHI di
o
Kota Yogyakarta sebesar 34,41 C. Peta distribusi
UHI disajikan pada Gambar 3 (a). Untuk
menunjukkan pengaruh luas wilayah terhadap
nilai ambang batas yang dapat berpengaruh
terhadap distribusi UHI, digunakan bufer 1 km dari
batas Kota Yogyakarta. Citra termal dengan bufer
1 km dari batas Kota Yogyakarta, didapatkan nilai
o o
µ = 32,76 C, nilai α = 1,84 C, dan nilai ambang
o
batas untuk intensitas UHI sebesar 33,68 C. Nilai
o
suhu sebesar 0,73 C yang diperoleh dari
perbedaan ambang batas di Kota Yogyakarta dan
pada area dengan bufer 1 km dari batas Kota
Yogyakarta telah mampu berpengaruh terhadap
distribusi UHI yang disajikan pada Gambar 3 (b).
Dengan demikian, menjadi penting bahwa dalam
200
pemilihan area penelitian untuk analisis UHI, tentu
berpengaruh terhadap nilai intensitas UHI dan
distribusi UHI itu sendiri.
Menggunakan persamaan 5, didapatkan
intensitas UHI atau ∆Tµ-r untuk Kota Yogyakarta
o
adalah sebesar ±2,5 C. Jika area perkotaan
diperlebar dengan bufer 1 km dari batas
administrasi kota, yang memungkinkan banyak
area belum terbangun atau area bervegetasi,
intensitas UHI akan semakin besar. Intensitas UHI
o
dalam hal ini ∆Tµ-r sebesar ±3,23 C. Perbedaan
o
intensitas UHI sebesar 0,73 C atau mendekati
o
1 C, cukup berpengaruh pada iklim perkotaan.
Kondisi Kota Yogyakarta yang over boundary city
(fisik/bangunan kota lebih luas atau keluar dari
batas kota secara administrasi), hasil ini menjadi
masuk akal. Jika kita melebarkan analisis “desa –
kota” dengan analisis bufer >1 km, maka
didapatkan intensitas UHI yang lebih tinggi.
Karena nilai ambang batas UHI juga berubah
mengikuti variasi suhu lokasi penelitian secara
keseluruhan (Streutker, 2003). Namun, dari
distribusi spasialnya, lokasi terjadinya UHI terletak
pada lokasi yang identik pada dua jenis UHI yang
dihasilkan. Lokasi tersebut berada di kawasan
Malioboro dan sekitarnya.
Mitigasi UHI
Salah satu untuk memperkecil dampak UHI
adalah dengan penggunaan vegetasi sebagai
sarana untuk mengembalikan fungsi alam di
lingkungan perkotaan. Hubunganya dengan hasil
penelitian ini, perlu upaya mitigasi UHI di kawasan
Malioboro dan sekitarnya dengan penambahan
area bervegetasi (Nitisudarmo, 2009). Hasil
penelitian menunjukkan vegetasi pada perkotaan
memberikan pengaruh yang cukup besar
terhadap suhu di kota (Lima Alves dan Lopes,
2017; Susca et al., 2011). Dapat dikatakan
ketersediaan vegetasi menjadi faktor penentu
dalam peningkatan atau penurunan suhu
permukaan di kawasan perkotaan yang
berpengaruh terhadap intensitas UHI (Colunga et
al., 2015). Kaitannya dengan UHI, liputan vegetasi
akan membuat suhu di kota menjadi lebih rendah
dan mampu meniadakan efek UHI (Coutts et al.,
2016). Keberadaan vegetasi mampu mengurangi
o
suhu udara rata-rata sebesar 2 C (Susca et al.,
o
2011) hingga 4 C (Wang dan Akbari, 2016).
Sebagai bagian dari mitigasi UHI, perluasan
ruang terbuka hijau berupa vegetasi ataupun
bentuk lainnya menjadi bagian penting untuk
menurunkan dampak UHI (Rotem-Mindali et al.,
2015). Di kota – kota besar di kawasan Asia,
seperti Singapura, Kuala Lumpur dan Hongkong,
upaya pengurangan dampak UHI telah banyak
dilakukan, seperti penggunaan atap hijau (green
roof) yang terbukti efektif mengatasi masalah UHI
(Aflaki et al., 2017; Li dan Norford, 2016).
Mengukur Urban Heat Island Menggunakan Penginderaan Jauh ................................................................................................... (Fawzi)

(a)

(b)
Gambar 3. (a) Peta Distribusi UHI di Kota Yogyakarta, dan (b) Peta Distribusi UHI di Kota Yogyakarta dan Diperluas
dengan Bufer 1 km (Diperlihatkan Batas Kota Yogyakarta). Warna Hijau Merupakan Area Non-UHI yang
Berbeda Distribusinya antara Peta (a) dan (b) karena Perbedaan Nilai Ambang Batas yang Digunakan.

201
Majalah Ilmiah Globë Volume 19 No.2 Oktober 2017: 195-206
Hal yang Berpengaruh Mengenai UHI dalam
Penginderaan Jauh
Tipe penggunaan lahan berpengaruh
terhadap suhu permukaan yang terekam oleh
sensor satelit (Rinner dan Hussain, 2011). Satelit
penginderaan jauh termal menyediakan
mekanisme untuk mengamati suhu permukaan
suatu daerah. Penggunaan citra satelit
memungkinkan metode sampling yang jauh lebih
besar dan lebih seragam dibandingkan data
pengukuran suhu permukaan secara in situ.
Penginderaan jauh termal memberikan gambaran
spasial yang sangat baik dari lanskap kota untuk
variabilitas temporal dalam waktu yang
memungkinkan analisis komparatif daerah suhu
permukaan yang tinggi (Qian et al., 2006).
Citra inframerah termal merekam nilai radian
dari suatu objek/material untuk mengukur suhu
objek tersebut. Merekam nilai radian berarti yang
direkam oleh sensor berupa tenaga pancaran,
sedang yang diukur adalah tenaga kinetiknya.
Tenaga pancaran suatu benda selalu lebih kecil
dari tenaga kinetiknya (Sutanto, 1987). Hasil
koreksi yang dilakukan untuk menghasilkan suhu
dari citra satelit yang mendekati nilai suhu
sebenarnya, seringkali belum memadai karena
belum tercapainya ketelitian hasil yang tinggi.
Ketelitian ini mengarah kepada akurasi hasil
estimasi suhu permukaan yang diperoleh.
Survei pengukuran untuk akurasi dan validasi
citra estimasi suhu permukaan terbatas pada
rentang 3 – 4 jam setelah waktu perekaman
(Sabins, 2007). Jika melewati rentang tersebut
untuk survei lapangan tentu menghasilkan bias
yang sangat besar. Untuk penginderaan jauh
sistem termal, waktu terbaik untuk survei
lapangan adalah dilakukan secara serentak
sesuai waktu perekaman pada citra, lebih baik
lagi pada tanggal dan bulan yang sama dengan
waktu perekaman. Akan tetapi, hal itu tidak
mudah untuk dilakukan. Jika survei pengukuran
tidak sesuai dengan kondisi dan variabilitas
perekaman citra, maka nilai pada citra dapat
dikatakan lebih akurat dibandingkan dengan hasil
survei lapangan. Terlebih lagi, perekaman oleh
satelit dilakukan pada jam ± 10:00 pagi, padahal
intensitas puncak UHI berada pada jam 02:00
siang.
Masalah akurasi dan validasi ini adalah salah
satu bagian dari penginderaan jauh sistem termal
yang sulit untuk dilakukan. Idealnya, untuk
validasi, pengukuran di lapangan dilakukan pada
waktu yang sama ketika satelit melintas dan
merekam objek. Objek paling dingin dan paling
panas untuk mengetahui rentang suhu yang
diperoleh, dan dilakukan pada waktu yang sama
ketika satelit melintas (Kuenzer dan Dech, 2013).
Dalam kenyataannya hal seperti itu sulit untuk
dilakukan. Untuk itu, validasi harus mendekati
waktu perekaman, bulan, hari, dan jam
perekaman. Jika dilakukan pengukuran di
lapangan dalam kondisi cuaca hujan atau
202
berawan (berbeda dengan kondisi citra), maka
hasil terbaik adalah hasil suhu perekaman pada
citra, walaupun tanpa validasi.
Adanya tutupan lahan yang berbeda kelas
terpencar pada fragmen-fragmen kecil, lebih
mudah dideteksi dengan analisis pada tingkat
piksel. Sedangkan aglomerasi atau agregasi tipe
tutupan lahan tidak mempengaruhi sekelilingnya
jika tipe tutupan lahannya berbeda (Fawzi dan
Jatmiko, 2015). Selain itu, resolusi spasial citra
termal yang sangat kasar (>60 m), dapat
merepresentasikan suhu tidak hanya dari satu
objek saja. Keterbatasan ini dapat dipantau
dengan menggunakan data tambahan yang
relevan dengan penelitian yang dilakukan.
Suhu yang dihasilkan pada citra satelit
bernilai lebih rendah dari suhu yang sebenarnya
pada masing-masing objek. Jika koreksi dilakukan
secara benar dan atau dengan menggunakan
persamaan meminimalkan efek gangguan
atmosfer maupun sensor, akurasi yang dihasilkan
akan semakin tinggi (mendekati nilai suhu yang
sebenarnya) (Tsou et al., 2017). Terkait hal ini,
Fawzi dan Jatmiko (2015) menemukan tren yang
menunjukkan perbedaan yang relatif besar pada
nilai suhu kisaran dan nilai yang sebenarnya pada
objek-objek yang terbangun (memiliki suhu
sebenarnya yang lebih tinggi), dibanding dengan
objek-objek alami yang nilai suhu kisaran
mendekati nilai suhu yang sebenarnya
(perbedaan relatif lebih kecil). Dapat dikatakan,
perbedaan nilai suhu aktual objek (Tkin) dan suhu
yang terekam (Trad) untuk area terbangun lebih
tinggi dibandingkan area vegetasi alami.
Analisis UHI merupakan salah satu analisis
untuk menilai dampak perubahan tutupan lahan
dan suhu permukaan akibat urbanisasi. Potensi
utama penginderaan jauh adalah untuk
menghasilkan peta distribusi spasial dan
intensitasnya. Berdasarkan penelitian ini,
seharusnya analisis UHI tidak hanya
mendapatkan intensitas UHI saja, akan tetapi
mampu mengetahui distribusi spasialnya. Hal ini
berguna untuk mengindentifikasi area-area yang
lebih hangat untuk menentukan langkah
mitigasinya.
Penggunaan citra penginderaan jauh untuk
analisis UHI harus menggunakan citra yang
bebas awan. Hal ini dikarenakan UHI terjadi pada
langit yang cerah (tanpa awan) dan tanpa angin
atau dengan kecepatan angin yang rendah. Jika
citra yang digunakan banyak terdapat awan,
analisis UHI tidak dapat dilakukan. Awan
menghalangi sensor termal merekam objek dan
lebih berpengaruh kepada UHI dibandingkan
dengan angin (Huang et al., 2016; Levermore et
al., 2016). Adanya awan juga dapat mendistorsi
suhu permukaan tanah dengan bayangan di
beberapa permukaan. Bayangan awan
memberikan kesan palsu perbedaan suhu
permukaan relatif antara jenis permukaan.
Terkait teknis analisis UHI, hal yang sering
terlupa dilakukan adalah analisis spasial UHI itu
Mengukur Urban Heat Island Menggunakan Penginderaan Jauh ................................................................................................... (Fawzi)

sendiri. Salah satunya adalah dengan (2014). Spatial and temporal trends of the
menggunakan analisis piksel tetangga surface and air heat island over Milan using
(neighbourhood analysis) untuk melihat MODIS data. Remote Sensing of
variabilitas UHI dalam tingkat piksel dengan suhu Environment, 150, 163–171
sekitarnya (Richards, 2013). Terutama pada citra Badan Pusat Statistik. (2015). Daerah Istimewa
dengan resolusi spasial yang cukup tinggi. Akan Yogyakarta dalam Angka 2015. BPS Daerah
tetapi hasil ini mendeteksi pada tingkat garis di Istimewa Yogyakarta, 625.
perbedaan suhu yang kontras (Sommer et al., Bazrkar, M.H., Zamani, N., Eslamian, S.,
1997). Eslamian, A. dan Dehghan, Z. (2015).
Urbanization and climate change. Handbook
KESIMPULAN of Climate Change Adaptation, 619–655.
Bonafoni, S., Baldinelli, G. dan Verducci, P.
Telah dipaparkan tentang distribusi UHI di (2017). Sustainable strategies for smart
Kota Yogyakarta dipengaruhi oleh perekaman, cities: Analysis of the town development
pemrosesan, dan jenis citra penginderaan jauh effect on surface urban heat island through
yang digunakan dan luas area penelitian yang remote sensing methodologies. Sustainable
digunakan. Pada penelitian ini, didapatkan Cities and Society, 29, 211–218.
o
intensitas UHI sebesar ±2,5 C pada Kota Brontowiyono, W., Lupiyanto, R., Wijaya, D. dan
o
Yogyakarta dan intensitas UHI sebesar ±3,23 C Hamidin, J. (2011), Urban heat islands
pada area yang diperluas dengan bufer 1 km dari mitigation by green open space (GOS)
batas Kota Yogyakarta. Hal ini menjukkan canopy improvement: A case of yogyakarta
pentingnya pemilihan area penelitian untuk urban area (YUA), Indonesia. International
analisis UHI, yang dapat berpengaruh terhadap Journal of Technology, 2(3), 207–214
nilai intensitas dan distribusi UHI. Ditemukan Carmin, J., Nadkarni, N. dan Rhie, C. (2012),
kawasan Malioboro dan sekitarnya berpotensi Progress and Challenges in Urban Climate
kuat terjadi UHI, sehingga perlu upaya mitigasi Adaptation Planning: Results of a Global
UHI pada kawasan tersebut. Selain itu, mengukur Survey, p. 33.
UHI menggunakan penginderaan jauh Coll, C., Galve, J.M., Sánchez, J.M. dan Caselles,
dipengaruhi oleh hal-hal yang berkaitan dengan V. (2010). Validation of landsat-7/ETM+
sistem penginderaan jauh itu sendiri, seperti thermal-band calibration and atmospheric
validasi dan akurasi hasil estimasi, pengaruh correction with ground-based
atmosfer, dan perbedaan waktu intensitas puncak measurements. IEEE Transactions on
UHI. Metode perolehan UHI dalam penelitian ini Geoscience and Remote Sensing, 48(1),
dapat menjadi panduan ilmiah tentang perolehan 547–555.
UHI melalui penginderaan jauh yang dapat Colunga, M.L., Cambrón-Sandoval, V.H., Suzán-
digunakan untuk dasar evaluasi pembangunan Azpiri, H., Guevara-Escobar, A. dan Luna-
perkotaan untuk lebih baik. Soria, H. (2015). The role of urban
vegetation in temperature and heat island
UCAPAN TERIMA KASIH effects in Querétaro city, Mexico. Atmosfera,
28(3), 205–218
Ucapan terima kasih banyak penulis ucapkan
Coutts, A.M., Harris, R.J., Phan, T., Livesley, S.J.,
kepada bapak Dr. Retnadi Heru Jatmiko, atas
Williams, N.S.G. dan Tapper, N.J. (2016).
banyak ilmu yang diberikan ketika membimbing
Thermal infrared remote sensing of urban
penulis menyelesaikan pendidikan. Serta kepada
heat: Hotspots, vegetation, and an
Jackson Helm, Ph.D., yang telah memberikan
assessment of techniques for use in urban
kesempatan kepada penulis untuk menulis paper
planning. Remote Sensing of Environment,
ini di sela-sela kegiatan konservasi Taman
186, 637–651
Nasional Gunung Palung.
Fawzi, N.I. (2014). Pemetaan Emisivitas
DAFTAR PUSTAKA Menggunakan Indeks Vegetasi (Surface
Emissivity Mapping Using Vegetation
Aflaki, A., Mirnezhad, M., Ghaffarianhoseini, A., Indices). Majalah Ilmiah Globë, 16(2), 133–
Ghaffarianhoseini, A., Omrany, H., Wang, 140
Z.H. dan Akbari, H. (2017). Urban heat Fawzi, N.I. dan Jatmiko, R.H. (2015). Heat island
island mitigation strategies: A state-of-the-art detection in coal mining areas using
review on Kuala Lumpur, Singapore and multitemporal remote sensing. ACRS 2015 -
Hong Kong. Cities, 62, 131–145 36th Asian Conference on Remote Sensing:
Almutairi, M.K. (2015). Derivation of Urban Heat Fostering Resilient Growth in Asia,
Island for Landsat-8 TIRS Riyadh City Proceedings
(KSA). Journal of Geoscience and Flores R., J.L., Pereira Filho, A.J. dan Karam,
Environment Protection, 3, 18–23. H.A. (2016). Estimation of long term low
American Meteorological Society. (2014). AMS resolution surface urban heat island
glossary of meteorology. Online Glossary. intensities for tropical cities using MODIS
Anniballe, R., Bonafoni, S. dan Pichierri, M. remote sensing data. Urban Climate, 17, 32–

203
Majalah Ilmiah Globë Volume 19 No.2 Oktober 2017: 195-206
66
Huang, F., Zhan, W., Voogt, J., Hu, L., Wang, Z.,
Quan, J., Ju, W., (2016). Temporal upscaling
of surface urban heat island by incorporating
an annual temperature cycle model: A tale of
two cities. Remote Sensing of Environment,
86, 1–12
Kuenzer, C. dan Dech, S. (2013). Theoretical
Background of Thermal Infrared Remote
Sensing. Springer, Dordrecht, 1–26
Kuenzer, C., Guo, H., Ottinger, M., Zhang, J. dan
Dech, S. (2013). Spaceborne Thermal
Infrared Observation -- An Overview of Most
Frequently Used Sensors for Applied
Research, in Kuenzer, C. and Dech, S.
(Eds.). Thermal Infrared Remote Sensing:
Sensors, Methods, Applications, Springer
Netherlands, Dordrecht, 131–148
Lai, L.W. dan Cheng, W.L. (2009). Air quality
influenced by urban heat island coupled with
synoptic weather patterns. Science of the
Total Environment, 407(8), 2724–2733
Levermore, G., Parkinson, J., Lee, K., Laycock, P.
and Lindley, S. (2016). The increasing trend
of the urban heat island intensity. Urban
Climate, available
at:https://doi.org/10.1016/j.uclim.2017.02.00
4.
Li, X.X. dan Norford, L.K. (2016). Evaluation of
cool roof and vegetations in mitigating urban
heat island in a tropical city, Singapore.
Urban Climate, 16, 59–74.
Lima Alves, E. dan Lopes, A. (2017). The Urban
Heat Island Effect and the Role of
Vegetation to Address the Negative Impacts
of Local Climate Changes in a Small
Brazilian City. Atmosphere, Multidisciplinary
Digital Publishing Institute, 8(2), 18
Liu, H., Ma, W., Qian, J., Cai, J., Ye, X., Li, J. dan
Wang, X. (2015). Effect of urbanization on
the urban meteorology and air pollution in
Hangzhou. Journal of Meteorological
Research, 29(6), 950–965.
Liu, J.G. dan Mason, P.J. (2009). Essential Image
Processing and GIS for Remote Sensing,
Image (Rochester, N.Y.), available
at:https://doi.org/10.1002/9781118687963.
Loveland, T.R. dan Irons, J.R. (2016). Landsat 8:
The plans, the reality, and the legacy.
Remote Sensing of Environment, 185, 1–6.
Loyd, C. (2017). Landsat 8 Bands « Landsat
Science, available at:
https://landsat.gsfc.nasa.gov/landsat-
8/landsat-8-bands/ (accessed 1 September
2017).
Ma, Y., Kuang, Y. dan Huang, N. (2010). Coupling
urbanization analyses for studying urban
thermal environment and its interplay with
biophysical parameters based on TM/ETM+
imagery. International Journal of Applied
Earth Observation and Geoinformation,
Elsevier, 12(2), 110–118.
Martínez-Zarzoso, I. dan Maruotti, A. (2011). The
204
impact of urbanization on CO2 emissions:
Evidence from developing countries.
Ecological Economics, 70(7), 1344–1353
McLeod, J., Shepherd, M. dan Konrad, C.E.
(2017). Spatio-temporal rainfall patterns
around Atlanta, Georgia and possible
relationships to urban land cover. Urban
Climate, 21, 27–42
Ng, E. dan Ren, C. (2017). China’s adaptation to
climate & urban climatic changes: A critical
review. Urban Climate, available
at:https://doi.org/10.1016/j.uclim.2017.07.00
6.
Ngie, A., Abutaleb, K., Ahmed, F., Darwish, A.
dan Ahmed, M. (2014). Assessment of urban
heat island using satellite remotely sensed
imagery: a review. South African
Geographical Journal, Routledge, 96(2),
198–214
Nitisudarmo, S. (2009). The role of the informal
sector in contributing to the urban landscape
in Yogyakarta – Indonesia concerning on the
urban heat island issue, REAL CORP 2009:
CITIES 3.0 – Smart. Sustainable, Integrative
Strategies, Concepts and Technologies for
Planning the Urban Future, 6, 519–528
Oke, T.R. (1982). The energetic basis of the
urban heat island. Quarterly Journal of the
Royal Meteorological Society, John Wiley &
Sons, Ltd, 108(455), 1–24
Ozdemir, H., Unal, A., Kindap, T., Turuncoglu,
U.U., Durmusoglu, Z.O., Khan, M., Tayanc,
M. (2012). Quantification of the urban heat
island under a changing climate over
Anatolian Peninsula. Theoretical and Applied
Climatology, 108(1–2), 31–38
Qian, L.X., Cui, H.S. dan Jie, C. (2006). Impacts
of land use and cover change on land
surface temperature in the Zhujiang Delta.
Pedosphere, 16(200523), 681–689
Rajasekar, U. dan Weng, Q. (2009a). Urban heat
island monitoring and analysis using a non-
parametric model: A case study of
Indianapolis. ISPRS Journal of
Photogrammetry and Remote Sensing,
64(1), 86–96
Rajasekar, U. dan Weng, Q. (2009b). Spatio-
temporal modelling and analysis of urban
heat islands by using Landsat TM and ETM+
imagery. International Journal of Remote
Sensing, 30(13), 3531–3548
Rasul, A., Balzter, H., Smith, C., Remedios, J.,
Adamu, B., Sobrino, J., Srivanit, M. (2017).
A Review on Remote Sensing of Urban Heat
and Cool Islands. Land, 6(2), 38
Richards, J.A. (2013). Remote Sensing Digital
Image Analysis. Springer Berlin Heidelberg,
Berlin, Heidelberg, available
at:https://doi.org/10.1007/978-3-642-30062-
2.
Rinner, C. dan Hussain, M. (2011). Toronto’s
Urban Heat Island-Exploring the
Relationship between Land Use and Surface
Mengukur Urban Heat Island Menggunakan Penginderaan Jauh ................................................................................................... (Fawzi)

Temperature. Remote Sensing, 3(6), 1251– change than compact cities?. Environmental
1265. Health Perspectives, 118(10), 1425–1428.
Road, S., Office, M., Centre, H., Road, F., Streutker, D.R. (2002). A remote sensing study of
Kershaw, T., Sanderson, M., Coley, D.A. the urban heat island of Houston, Texas.
(2010). Estimation of the urban heat island International Journal of Remote Sensing,
for UK climate change projections. Building 23(13), 2595–2608
Services Engineering Research And Streutker, D.R. (2003). Satellite-measured growth
Technology, 31(3), 251–263 of the urban heat island of Houston, Texas.
Rotem-Mindali, O., Michael, Y., Helman, D. dan Remote Sensing of Environment, 85(3),
Lensky, I.M. (2015). The role of local land- 282–289.
use on the urban heat island effect of Tel Susca, T., Gaffin, S.R. dan Dell’Osso, G.R.
Aviv as assessed from satellite remote (2011). Positive effects of vegetation: Urban
sensing, Applied Geography, 56, 145–153. heat island and green roofs. Environmental
Sabins, F.F. (2007). Remote Sensing: Principles Pollution, 159(8–9), 2119–2126
and Interpretation, 3rd Edition., Waveland Sutanto. (1987). Penginderaan Jauh Jilid II,
Press, Long Groove, Illinois, available at: Gadjah Mada University Press. Yogyakarta.
https://books.google.co.id/books?id=PAkPQ Takebayashi, H. (2015). Improvement measures
wAACAAJ. of urban thermal environment,
Salata, F., Golasi, I., Petitti, D., de Lieto Vollaro, SpringerBriefs in Applied Sciences and
E., Coppi, M. and de Lieto Vollaro, A. (2017). Technology. Springer International
Relating microclimate, human thermal Publishing, Cham, No. 9783319137841, pp.
comfort and health during heat waves: An 1–40.
analysis of heat island mitigation strategies Tan, J., Zheng, Y., Tang, X., Guo, C., Li, L., Song,
through a case study in an urban outdoor G., Zhen, X. (2010). The urban heat island
environment. Sustainable Cities and Society, and its impact on heat waves and human
30, 79–96 health in Shanghai. International Journal of
dos Santos, A.R., de Oliveira, F.S., da Silva, A.G., Biometeorology, 54(1), 75–84
Gleriani, J.M., Gonçalves, W., Moreira, G.L., Tsou, J., Zhuang, J., Li, Y. dan Zhang, Y. (2017).
Silva, F.G. (2017). Spatial and temporal Urban Heat Island Assessment Using the
distribution of urban heat islands. Science of Landsat 8 Data: A Case Study in Shenzhen
the Total Environment, 605–606, 946–956. and Hong Kong. Urban Science, 1(1), 10
Skelhorn, C.P., Lindley, S. dan Levermore, G. U.S. Environmental Protection Agency. (2008).
(2016). Urban greening and the UHI: Reducing Urban Heat Islands: Compendium
Seasonal trade-offs in heating and cooling of Strategies Urban Heat Island Basics, 1–
energy consumption in Manchester, UK. 22.
Urban Climate, available U.S. Geological Survey. (2017). Using the USGS
at:https://doi.org/10.1016/j.uclim.2017.02.01 Landsat 8 Product | Landsat Missions.
0. available at: https://landsat.usgs.gov/using-
Sobrino, J.A., Jiménez-Muñoz, J.C. dan Paolini, L. usgs-landsat-8-product (accessed 1
(2004). Land surface temperature retrieval February 2017).
from LANDSAT TM 5. Remote Sensing of United Nations. (2016). The World’s Cities in
Environment, 90(4), 434–440. 2016: Data Booklet. Economic and Social
Sommer, G., Daniilidis, K. dan Pauli, J. (1997). Affair,29.
Computer Analysis of Images and Patterns, Valor, E. dan Caselles, V. (1996). Mapping land
edited by Sommer, G., Daniilidis, K. and surface emissivity from NDVI: Application to
Pauli, J., Vol. 1296, Springer Berlin European, African, and South American
Heidelberg, Berlin, Heidelberg, available areas. Remote Sensing of Environment, 57
at:https://doi.org/10.1007/3-540-63460-6. (3), 167–184
Srivanit, M., Hokao, K. dan Phonekeo, V. (2012). Voogt, J. dan Oke, T. (2003). Thermal remote
Assessing the Impact of Urbanization on sensing of urban climates. Remote Sensing
Urban Thermal Environment: A Case Study of Environment, 86(3), 370–384
of Bangkok Metropolitan. International Wang, Y. dan Akbari, H. (2016). The effects of
Journal of Applied Science and Technology, street tree planting on Urban Heat Island
2(7), 243–254. mitigation in Montreal. Sustainable Cities
Stathopoulou, M. dan Cartalis, C. (2009). and Society, 27, 122–128.
Downscaling AVHRR land surface Weng, Q. (2009). Thermal infrared remote
temperatures for improved surface urban sensing for urban climate and environmental
heat island intensity estimation. Remote studies: Methods, applications, and trends.
Sensing of Environment, 113(12), 2592– ISPRS Journal of Photogrammetry and
2605. Remote Sensing.
Stone, B., Hess, J.J. dan Frumkin, H. (2010). Weng, Q., Lu, D. dan Schubring, J. (2004).
Urban form and extreme heat events: Are Estimation of land surface temperature-
sprawling cities more vulnerable to climate vegetation abundance relationship for urban

205
Majalah Ilmiah Globë Volume 19 No.2 Oktober 2017: 195-206

heat island studies. Remote Sensing of

Environment, 89(4), 467–483
Wicahyani, S., Sasongko, S.B. dan Izzati, M.
(2013). Pulau Bahang Kota (Urban Heat
Island) Di Yogyakarta Hasil Interpretasi Citra
Landsat Tm Tanggal 28 Mei 2012. Prosiding
Seminar Nasional Pengelolaan Sumberdaya
Alam Dan Lingkungan 2013, pp. 289–294.

206