e‐ISSN : 2598‐9421 
 
ANALISIS RUANG TERBUKA HIJAU PADA KOTA
SURABAYA MENGGUNAKAN CITRA LANDSAT 8
DAN METODE MAXIMUM LIKELIHOOD

Stevanus Dwi Istiavan Mau1), Antonius Mbay Ndapamury2), Vinsensius Aprila Kore Dima3),
Sri Yulianto Joko Prasetyo4), Charitas Fibriani5)
1,2,3,4,5)
 Program Studi Magister Sistem Informasi, Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Email : 1972019005@student.uksw.edu, 2 972019006@student.uksw.edu,
3
972019007.student.uksw.edu, 4sri.yulianto@uksw.edu , 5charitas.fibriani@staff.uksw.edu

Abstrak — RTH atau dikenal dengan ruang terbuka hijau merupakan suatu kelompok tanaman yang
berada pada pemukiman rumah dan di tengah kota baik itu pohon serta tanaman yang ada pada
rumah Surabaya sendiri mempunyai geografis yang ada pada 07.09’00”-07’21’00” Lintang selatan
serta 112’36’-112’54’. Pada dasarnya luas dari surabaya memiliki daratan luas 326,81km2 serta
lautan 190,39 km2. Surabaya bisa di bilang kota yang sangat padat dimana pada tahun sebelum nya
hingga saat ini pembangunan terus berjalan dan meyebabkan kekurangan ruang terbuka hijau.
Dalam menganalisis RTH di butuhkan suatu metode dalam melakukan analisis RTH, metode yang
di pakai dalam penelitian ini menggunakan maxium likelihood yang berfungsi sebagai integrasi
antara klasifikasi penutup lahan, NDVI serta Citra Landsat 8. Hasil dari penelitian ini adalah
menampilkan ruang terbuka hijau dan pengelolaan ndvi dari tahun 2016 dan 2019 dimana terdapat
pembangunan lahan yang menutupi ruang terbuka hijau pada Kota Surabaya. Manfaat dari penelitian
ini sendiri bagaimana kita lebih mengenal fungsi dari RTH tersebut bagi masyarakat dan kota itu
sendiri.
Kata kunci : Maximum Like Lihood, NDVI, Ruang Terbuka Hijau, Surabaya, Citra landsat 8

I. PENDAHULUAN pada lahan terbuka seperti di tengah kota dan

segaja di tanam untuk hal tertentu. Adapun
ota Surabaya merupakan kota yang sangat

K padat, maka dari itu perlu upaya untuk

menyeimbangkan keadaan lingkungan
Ruang terbuka hijau publik yang di miliki
pemerintah baik kota atau kabupaten yang
difungsikan dalam suatu keperluan bersama
dengan adanya Ruang Terbuka Hijau
dengan masyarakat. Contoh Ruang terbuka
(RTH). Pertumbuhan Kota Surabaya
hijau publik seperti taman kota, tempat wisata
berkembang sangat pesat di sektor ekonomi,
hutan, ruang terbuka hijau pada sungai yang
transportasi, dan penduduk, peningkatan
biasa di jadikan wahana bermain dan lainnya.
jumlah penduduk tersebut akan berdampak
Adapun ruang terbuka hijau privat yang di
terhadap peningkatan pertumbuhan pemukiman
maksud adalah dimiliki perseorangan yang
yang berarti akan mengurangi luas lahan
dibangun sendiri tanpa ada terkait dengan
terbuka.
pemerintah seperti kebun tanaman pada
Ruang terbuka hijau merupakan suatu area
halaman rumah dan lainnya.
dimana sangat banyak ditemukan pepohanan

 2598‐9421 ©2018 Pusat Studi Sistem Informasi Pemodelan dan Mitigasi Tropis (Simitro) Universitas Kristen Satya 
Wacana. 
This is an open access article under the CC BY license (https://creativecommons.org/licenses/by/4.0/) 
 
 Antar Maramba Jawa, Ravensca Matatula, Stanny Dewanty Rehatta, Sri Yulianto Joko Prasetyo, Charitas
Fibriani / Analisis Perbandingan Area Kebakaran Padang Rumput
Manfaat dari Ruang Terbuka Hijau (RTH)
berfungsi paru-paru kota yang mana RTH bisa
memberikan peneduh secara fisik, membantu
menyerap aliran air hujan, memproduksi
oksigen yang dibutuhkan, hingga menjadi
penyerap dari berbagai polusi yang ada di udara
perkotaan. Fungsi ini jelas sangat dibutuhkan
untuk lingkungan kota yang lebih sehat dan
asri..
Pentingnya manfaat dari RTH bagi sebuah
perkotaan menyebabkan informasi luas lahan
dan metode penentuan luas lahan RTH yang
tersedia begitu penting. Oleh sebab itu
penelitian ini akan membahas metode yang
tepat dalam menentukan luas suatu ruang
terbuka hijau dan berapa luas RTH saat ini
berdasarkan dari tahun 2016 dan 2019 pada
kota surabaya.
II. METODE PENELITIAN
A. Data Penelitian
Data penelitian kali ini di ambil pada salah
satu kota yang berada pada pulau jawa timur
yaitu kota surabay, mengapa di ambil pada kota
surabaya di karenakan kota tersebut bisa di
bilang kota yang padat penduduk nya serta
padat bangunan-bangunan yang dibangun
sehingga bisa di lakukan analisis berapa banyak
RTH yang ditemukan di kota tersebut.
B. Metode Penelitian
Pada penelitian ini dalam menganalisis
ruang terbuka hijau di Kota Surabaya
digunakan data pada Citra Landsat 8 tahun 2016
dan tahun 2019. Penelitian dilakukan dengan
menggunaka metode pemberkasan antara
gabungan penutup lahan Metode Maksimum
Likelihood dan indeks vegetasi yaitu NDVI
25
(Normalized Difference Vegetation Index).
NDVI merupakan suatu proses indeks vegetasi
yang melihat tingkat kehijauan sebuah tanaman
pada permukaan bumi. Indeks vegetasi sendiri
memiliki kombinasi seperti band merah dan
band NIR (Near-Infrared Radiation) band ini
digunakan dalam melakukan analisis indeks
vegetasi (Lillesand dan Kiefer 1997).
NDVI sendiri adalah kombinasi antara
teknik penisbahan dengan teknik pengurangan
citra yang dimana merupakan salah satu produk
standar dari NOAA (National Oceanic and
Atmospheric Administration) dimana satelit
cuaca yang selalu berobit polar tetapi selalu
memberikan informasi khusus mengenai
fenomena global dalam konteks vegetasi serta
cuaca.
NDVI adalah tingkat kerapatan vegetasi di
suatu area tertentu.Ada pun rumus yang
digunakan dalam menganalisis suatu indeks
vegetasi sebagao berikut :
Rumus NDVI :
Rumus :
NDVI = NIR – Red
NIR + Red
Diagram alur dalam penelitian ini sendiri
dapat dilihat dari gambar 1 :
Gambar 1. Diagram alur penelitian
C. Sistem Informasi Geografis
 
 
Indonesian Journal of Modeling and Computing Volume 3 Nomor 1 (2020) 24-29
26
 

Sistem infromasi geografis (SIG) adalah sekarang dan di distribusikan ke berbagai

sebuah proses untuk memasukan, mengolah, pengguna (Purwadhi dan Sanjoto, 2008 : 14).
menyimpan, serta proses menampilkan suatu
data geografis diamana lokasi merupakan hal
yang paling penting dalam melakukan analisis
dan di suport oleh jaringan internet. (Oktarian
& Usman, 2016).
D. Penginderaan Jarak Jauh (Remote
Sensing)
Penginderaan jarak jauh sendiri bertujuan
untuk merekam obyek bumi yang di lewati,
penginderaaan jarak jauh sendiri mempunyai
tenaga yang berfungsi dalam membawa data
Gambar 2. Penginderaan Jarak Jauh (sumber
tentang obyek yang di rekam kepada alat
gambar :
pendeteksi yang bisa menangkap data berupa
https://www.artikelsiana.com/Pengertian-
bermacam hal seperti bunyi dan yang lainnya.
penginderaan-jauh-komponen-jenis-fungsi-
Data tersebut di dapat dari tata surya matahari
manfaatnya/)
serta dapat berinteraksi terhadap benda di
E. Citra Landsat
permukaan bumi. Sedangkan radiasi matahari
Pada penelitian ini dalam melakukan
tersebut tida semua sampai pada permukaan
analisis ruang terbuka hijau di Kota Surabaya
bumi, disebabkan karena sebagaian diserap,
menggunakan data Landsat 8 tahun 2016 dan
dihamburkan pada atmosfer.
2019 yang diperoleh dari
Tenaga dari citra yang sampai pada
https://earthexplorer.usgs.gov/. pada tanggal
permukaan bumi akan di pantulkan kembali
11 februari 2013, Citra Landsat 8 diriliskan
oleh permukaan bumi dan direkam oleh citra
menggunakan nama Landsat data Continuity
tersebut, dalam melakukan perekaman tersebut
Mission (LDCM) yang membawa dua sensor
dibutuhkan tenaga sebagai media dalam
yaitu OLI dan TIRS. Satelit citra pada landsat 8
merekam. Adapun alat atau media di pasang
mempunyai sebuah pendeteksi atau sensor
pada badan pesawat serta satelit di luar angkasa.
Onboard Operational Land Imager (OLI) serta
Setelah sensor tersebut merekam permukaan
Thermal Infrared Sensor (TIRS) yang
bumi maka akan dikirimkan kepada stasiun
mempunyai jumlah kanal dengan banyak 11
penerimaan data di bumi, setelah menerima
buah. Dimana pada kanal tersebut, dimana 9
data permukaan bumi maka akan direkam
kanal (band 1-9) berada pada OLI dan band 2
dalam pita magnetik di satelit. Setelah rekaman
lainnya antara (band 10 dan 11) pada TIRS.
data diterima maka akan di olah di laboratorium
Kanal kanal tersebut mempunyai kemiripan
sehingga berbentuk citra landsat seperti
dengan Landsat 7 (Nur Febrianti & Parwati

 
 Antar Maramba Jawa, Ravensca Matatula, Stanny Dewanty Rehatta, Sri Yulianto Joko Prasetyo, Charitas
Fibriani / Analisis Perbandingan Area Kebakaran Padang Rumput
27
 
 

Sofan, 2014). Berikiut kelebihan dan pembagian yang banyak untuk melakukan
kekurangan pada Landsat 8 dan Landsat 7 proses peng-klasifikasian pada setiap piksel,
seperti pada Gambar 4. tetapi kemampuan dari semakin banyaknya
jumlah band yang digunakan dalam pembagian
kelas maupun kategori maka akan
menghasilkan nilai maximum sehingga
hasilnya yang di capai jauh lebih baik,
(Lillesand et al, 1990).
Metode MLC merupakan metode yang
sering digunakan dalam penginderaan jauh,
pada klasifikasi metode MLC, training area
Gambar 3. Citra Landsat. harus digunakan untuk melihat karakteristik
statistik dalam berbagai macam kategori yang
F. NDVI (Normalized Difference Vegetation
ingin di klasifikasikan. Proses klasifikasi
Index)
menggunakan metode MLC didasarkan dengan
Pada penelitian ini digunakan citra landsat
nilai perhitungan densitas probalitas dalam
8 sebagai mengambil peta wilayah yang di teliti
setiap kategori tutupan lahan (Dengsheng Lu et
dan digunakan NDVI sebagai pengelohan data
al, 2003).
dalam melihat perubahan kerapatan vegetasi
Metode MLC merupakan metode yang
atau disebut dengan penilaian indeks vegetasi.
sering digunakan dalam penginderaan jauh,
NDVI adalah suatu analisis dalam melihat
Menurut Richard (1993) pada klasifikasi
kehijauan tanaman atau vegetasi pada
metode MLC, training area harus digunakan
permukaan bumi yang di rekam oleh
untuk melihat karakteristik statistik dalam
penginderaan jarak jauh atau citra
berbagai macam kategori yang ingin di
landsat.(Tong et al., 2017).
klasifikasikan. Proses klasifikasi menggunakan
G. Maximum Likelihood
metode MLC didasarkan dengan nilai
Pada penelitian ini metode klasifikasi yang
perhitungan densitas probalitas dalam setiap
digunakan yaitu, Maximum Likelihood
kategori tutupan lahan.
Clsddification (MLC). Metode MLC
Perhitungan probabilitas atau dikenal
membandingkan dan menghitung nilai rata-rata
dengan dengan likelihood ini bertujuan untuk
dari berbagaia macam kelas dan band yang ada.
menemukan sebuah piksel dari suatu kelas,
Metode MLC didasari dengan nilai piksel yang
yang dapat dijelaskan dari persamaan berikut:
sama dalam pengenalan citra. Karakteristik
dalam sebaran normal dapat menggambarkan
setiap piksel dalam kelasnya. Ketelitian dari
metode MLC memiliki nilai yang sangat tinggi
dan pada dasarnya perhitungan dalam metode
Dimana :
MLC ini dikenal sangat rumit karena terdapat

 
 
 
 
Indonesian Journal of Modeling and Computing Volume 3 Nomor 1 (2020) 24-29
28
 

P (i | x) = Peluang bersyarat dari suatu kelas i,
yang dihitung dengan ketetapan bahwa vektor x
tanpa syarat.
P (x | i) = peluang bersyarat dari vektor x, yang
dihitung dengan kelas yang tanpa syarat.
tersebut sudah mulai hilang yang artinya sudah
menipis dalam menemukan RTH yang ada.
Kondisi 2016 dan 2019 yang terlihat banyak
warna orange yang berarti nilai NDVI nya lebih
rendah.

P (i) = peluang dari suatu kelas i yang muncul

dari sebuah citra.

P (x) = peluang dari vektor x

III.HASIL DAN PEMBAHASAN

Penggunaan metode maksimum likelihood 2016 2019

untuk Landsat 8 pada 2016 dan 2019 ini dipilih
Gambar 4. NDVI Kota Surabaya tahun 2016
karena prosesnya yang lebih mudah dipahami
dan 2019
daripada jenis penggunaan lahan yang lainnya.
Tutupan lahan dibagi menjadi 2 kelas yaitu
ruang terbuka hijau dan bangunan. Pada gambar DAFTAR PUSTAKA

dibawah terlihat ada perubahan dalam [1] Lillesand TM, Kiefer RW.
pengelolaan lahan yang sangat berubah, dimana Pengginderaan Jauh dan Interpretasi
dari tahun 2016 ke tahun 2019 yang semakin Citra. 1997.
meningkat sehingga menutupi ruang terbuka [2] Oktarian, & Usman, U. Sistem
hijau dimana titik pusat kota hampir tidak ada Informasi Geografis Pemetaan Fasilitas
ruang terbuka hijau yang ada. Kota Tembilahan. SISTEMASI.I. 2016.
[3] Purwadhi, F Sri Hardiyanti dan
Tjaturahono Budi Sanjoto. Pengantar
Interpretasi Citra Penginderaan Jauh.
Jakarta. LAPAN. 2008.
[4] Effendy S. 2007. Keterkaitan ruang
Gambar 3. Penggunaan Lahan Kota Surabaya terbuka hijau dengan urban heat island
dengan Metode Maksimum Likelihood wilayah Jabotabek. Bogor. (Disertasi).
Tidak dipublikasikan. Sekolah Pasca
Dari hasil prediksi yang diperoleh NDVI
Sarjana, Institut Pertanian Bogor
dari data Landsat 8 tahun 2016 dan 2019,
[5] Tong, Xiaoye, Brandt, Martin,
Secara umum terlihat jelas bahwa pertukaran
Hiernaux, Pierre, Herrmann, Stefanie
nilai NDVI pada 2016 masih memiliki sedikit
M., Tian, Feng, Prishchepov, Alexander
RTH yang muncul pada analisis pengolahan
V. & Fensholt, Rasmus 2017. Revisiting
data NDVI namun pada tahun 2019 RTH
the coupling between NDVI trends and

 
 Antar Maramba Jawa, Ravensca Matatula, Stanny Dewanty Rehatta, Sri Yulianto Joko Prasetyo, Charitas
Fibriani / Analisis Perbandingan Area Kebakaran Padang Rumput
29
 
 

cropland changes in the Sahel drylands: [7] Dengsheng Lu et al. Comparison Of Land-
A case study in western Niger. Remote Cover Classification Methods In The
Sensing of Environment, 191, 286-296. Brazilian Amazon Basin. Anchorage.
[6] Lillesand TM, Kiefer RW. Alaska. 2003
Pengginderaan Jauh dan Penafsiran [8] Richards JA. Remote Sensing Digital
Citra. Dulbahri,Suharsono P, Hartono, Image Analysis : An Introduction.
Suharyadi, penerjemah; Sutanto, Sringer Verlag. Berlin. 1993.
editor.Yogyakarta (ID): Gadjah Mada
University Press.Remote Sensing dan
Image Interpretation.1990