Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

KARAKTERISTIK TUTUPAN LAHAN DAERAH ALIRAN SUNGAI (DAS) SEKAMPUNG –

LAMPUNG BERDASARKAN HASIL KOMPARASI METODE CHANGE DETECTION PADA
CITRA MULTI-TEMPORAL SATELIT LANDSAT
Mochamad Firman Ghazali

1. Tinjauan teoritis
1.1 Tutupan Lahan
Tutupan Lahan atau land cover (LC) dapat dipahami sebagai kenampakan objek
biofisik-alamiah yang dapat diamati dipermukaan bumi (Di Gregorio & Jansen, 2000).
Didalam penggunaan sehari-hari, LC suka tertukar dengan land use (LU). Karena
keduanya mempunyai fokus area yang berbeda. LU atau penggunaan lahan dapat
dipahami sebagai bentuk pemanfaatan suatu jenis tutupan lahan tertentu oleh manusia
atau masyarakat sekitarnya untuk mendapatkan manfaat tertentu (Ryan Coffey, 2013).
Coulston et al., 2014 memberikan contoh yang jelas untuk membedakan keduanya
(Gambar 1).

Gambar 1 hutan sebagai tutupan dan penggunaan lahan beserta factor yang berpengaruh untuk perubahannya

Hutan sebagai sebuah tutupan lahan sebetulnya terbentuk secara alamiah, dengan
proses alam juga yang membuat luas area hutan dapat berkurang. Kejadian bencana
alam (kebakaran hutan, angin topan, dan letusan gunung berapi) dapat menjadi contoh
penyebabnya (Gambar 1). Perubahan serupa dapat terjadi karena pengaruh dari
manusia. Seperti penebangan liar, reboisasi, penggembalaan hewan dan juga sarana

1
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

publik seperti area rekreasi berperan dengan tren yang beragam (S. Hasan et al., 2019).
Kontribusi yang diberikan oleh adanya rekreasi, edukasi dan energi akan memberikan
dampak yang beda pada perubahan luas hutan (Gambar 2).

Gambar 2 kontribusi beragam jenis penggunaan lahan yang berpengaruh pada perubahan tutupan lahan hutan
Sumber: (Brown, 2013)

1.2 Way Sekampung

Gambar 3 Kondisi tutupan lahan daerah aliran sungai Way Sekampung bagian tengah
pada citra komposit RGB warna semu Landsat 8 (R= SWIR, G= NIR, B= Red).

2
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

Way Sekampung merupakan salah satu DAS besar di Provinsi Lampung dengan luas
mencapai ± 4841.918 hektar (Muslihah, 2019) dengan wilayah aliran meliputi lima kota-
kabupaten, diantaranya Kota Bandar Lampung, Lampung Selatan, Pesawaran,
Tanggamus, Lampung Timur, dan Pringsewu. Area yang digunakan pada tutorial ini
mengambil satu bagian DAS di wilayah tengah seluas ± 157 kilometer persegi (Gambar
3).

1.3 Citra Satelit Landsat

Dua buah data citra satelit, yaitu Landsat 7 ETM+ dan Landsat 8 OLI-TIRS yang
direkam pada tahun 2000 dan 2020 (Tabel 3). Keduanya dipakai untuk mengamati
perubahan tutupan lahan di area tersebut. Kedua data tersebut sudah dikoreksi secara
radiometrik dan atmosperik dengan menggunakan metode dark object substraction
(DOS) (Chavez, 1988), dan diolah untuk mendapatkan informasi tutupan lahan dengan
menggunakan metode minimum distance (Sohn & Rebello, 2002), NDVI dan BI, dan
TCT. Hasil dari ketiganya akan dibandingkan berdasarkan algoritma change detection
yaitu ID, CVA, dan TCT.

Tabel 1 data Landsat 7 dan 8

No Data Waktu Akuisisi Resolusi Spasial Path/Row Nomor band yang dipakai
1 Landsat 7 14 April 2000 30 meter 123/064 1, 2, 3, 4, 5, dan 7
2 Landsat 8 9 Februari 2020 30 meter 123/064 2, 3, 4, 5, 6, dan 7

1.4 Change detection

Change detection digunakan untuk mendeteksi terjadinya suatu perubahan
berdasarkan dua data dan dilakukan pada waktu yang berbeda (Théau, 2008). Ragam
data yang dipakai bervariasi tidak hanya data geospasial dalam format digital (misalnya
citra satelit), format analog (misalnya foto udara), atau format vektor (misalnya, peta
fitur), melainkan juga data non geospasial (misalnya, sejarah, ekonomi, dll.) (Singh,
1989). Banyak studi yang telah dilakukan untuk mengamati perubahan kondisi lahan
dengan menerapkan metode change detection. Minu and Shetty, (2015) menyebutkan
terdapat banyak metode yang biasa dipakai untuk mendeteksi adanya perubahan
tutupan lahan di permukaan bumi berdasarkan data citra satelit diantaranya:

1.4.1 Image Differencing dan Image Ratioing

Image Differencing (ID) digunakan untuk mendeteksi perbedaan diantara dua
gambar disetiap pikselnya. ID merupakan algoritma yang paling banyak dan termudah
digunakan (Minu & Shetty, 2015). Perbedaan diantara dua gambar ( ) tersebut
diperoleh dengan jalan mengurangi gambar kedua ( ) dengan gambar pertama( ).
Nilai piksel (x) = 0 menunjukkan tidak ada perubahan yang terjadi diantara keduanya
(Persamaan 1). Image Ratioing (IR) serupa dengan ID, nilai piksel dari dua band atau
lebih akan dibandingkan dan menghasilkan rasio gambar ( ) = 1 yang menunjukkan
tidak ada perubahan dan jika lebih besar atau kurang dari 1 sebagai indikasi adanya
perubahan (Persamaan 2).

( ) ( ) (Pers. 1)

3
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

( )
( )
(Pers. 2)

1.4.2 Change vector analysis (CVA)

Dipopulerkan oleh Son, Lan dan Cu, (2009), CVA menggunakan data variabel yang
diperoleh dari hasil pengolahan data citra, seperti normalized different vegetation index
(NDVI) dan bare soil index (BI) (Jamalabad & Abkar, 2004; Rouse et al., 1974). Keduanya
diperoleh dari hasil perhitungan band inframerah dekat dan merah untuk NDVI
(Persamaan 3) dan inframerah menengah, merah, inframerah dekat dan biru untuk BI
(Persamaan 4). Detail dari CVA dijelaskan pada persamaan 5 dan 6. Dimana adalah
intensitas perubahan dan sebagai arah atau dimensi perubahannya (Tabel 2)

( )
(Pers. 3)
( )
( ) ( )
( ) (
(Pers. 4)
)
√( ) ( ) (Pers. 5)
(Pers. 6)

Tabel 2 arah perubahan nilai pada VCA

Dimensi BI NDVI Deskripsi
I + + Nilai kelembaban berkurang
II + - Tanah kosong bertambah luas
III - - Nilai kelembaban bertambah
IV - + Kloropil bertambah

1.4.2.1 Contoh CVA

Gambar 4 antar muka CVA pada SAGA

Sebagai sebuah contoh, dua buah NDVI di dua tahun berbeda, yaitu 2000 dan 2020
dipakai untuk melihat perbedaan yang terjadi pada wilayah DAS bagian tengah Way
Sekampung. Pada SAGA GIS tools CVA menggunakan formula yang sedikit dimodifikasi
(Gambar 4). Dimana dan tidak meggunakan dua variabel berbeda, melainkan
hanya menggunakan variabel tunggal yaitu NDVI (Persamaan 7. Perlu diingat bahwa,
NDVI masih bisa diganti dengan parameter lain seperti BI, LST, dan lain-lain. Istilah
serupa dengan jarak atau distance dan sama dengan arah ataU direction.

4
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

√( ) (Pers. 7)

1.4.2.2 Interpretasi hasil

Berdasarkan pada peta direction, diperoleh nilai 1 yang berarti positive change atau
telah terjadi perubahan pada area tersebut. Sementara nilai 0 bermakna negative change
artinya tidak terjadi perubahan. Pada peta distance area berwarna merah tua berada
pada area bernilai 0 pada peta direction, sebaliknya area berwarna merah muda pada
peta distance berada pada area bernilai 1 pada peta direction. Kombinasi keduanya
menghasilkan peta change vector yang menjelaskan magnitude dimana jika nilai
semakin tinggi berarti mempunyai magnitude yang tinggi = area yang diindikasikan
terjadi perubahan (Gambar 5). Kondisi serupa dijelaskan oleh Dewi, Bijker and Stein,
(2017) pada studi terkait perubahan garis pantai. Perubahan terjadi pada area dengan
nilai piksel dengan magnitude yang tinggi.

Gambar 5 hasil CVA berdasarkan data NDVI

Pada area DAS Way Sekampung bagian tengah ini, pada rentang tahun 2000-2010
sudah terjadi perubahan. Dengan hanya melihat distribusi dan luas area bernilai 1, tidak
lebih dari 20% area DAS Way Sekampung bagian tengah sudah mengalami perubahan
tutupan lahan. Dari kondisi ini dapat dikaitkan bahwa dengan adanya prosentase
perubahan sebesar 20%, kondisi DAS Way Sekampung bagian tengah dapat
dikategorikan baik dengan prosentase area bervegetasi 0.76 (Triyono et al., 2020).

1.4.3 Tasseled Cap Transformation (TCT)

Kauth and Thomas, (1976) mengenalkan konsep TCT untuk memahami karakteristik
dari lahan pertanian berdasarkan tingkat kehijauan (greenness index), kebasahan
(wetness index), dan tanah area terbuka (Brightness index). Ketiganya dapat
menjelaskan hubungan kondisi atmosper dengan tanaman dan lahan pertanian. Terkait
dengan change detection, suatu citra yang diklasifikasi berdasarkan ketiga transformasi
tersebut pada dua temporal yang berbeda dapat menjelaskan adanya perubahan tidak
hanya pada objek biofisikal seperti tanah (brightness index) dan tanamannya

5
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

(greenness index), tapi juga pada informasi yang tidak terlihat langsung, yaitu
kelembaban atau jumlah air dalam tanah (wetness index) (Minu & Shetty, 2015).
Informasi ketiganya diperoleh dari penjumlahan bobot semua band multi-spectral dari
citra satelit. Berikut koefisien TCT yang digunakan untuk menentukan ketiga nilai
indeks TCT pada citra satelit Landsat (Tabel 3).

Tabel 3 koefisien TCT Landsat 8 dan 7

Bands Landsat 8 OLI-TIRS
No TCT
Blue Green Red Nir SWIR 1 SWIR 2
1 Greenness 0.3029 0.2786 0.4733 0.5599 0.508 0.1872
2 Wetness -0.2941 -0.243 -0.5424 0.7276 0.0713 -0.1608
3 Brightness 0.1511 0.1973 0.3283 0.3407 -0.7117 -0.4559
Bands Landsat 7 ETM+
No TCT
Blue Green Red Nir SWIR 1 SWIR 2
1 Greenness 0.3561 0.3972 0.3904 0.6966 0.2286 0.1596
2 Wetness -0.3344 -0.3544 -0.4556 0.6966 -0.0242 -0.2630
3 Brightness 0.2626 0.2141 0.0926 0.0656 -0.7629 -0.5388
Sumber: (Ghazali et al., 2019; M. Hasan et al., 2017; Huang et al., 2002;
Minu & Shetty, 2015)

1.4.3.1 Contoh TCT

a. Estimasi TCT Landsat 8
Ketiga koefisien TCT pada tabel 2 dapat dibuatkan sebuah persamaan untuk
menghitung greenness, brightness, dan wetness index. Bentuk dari persamaan untuk
menghitung greenness index adalah sebagai berikut (Persamaan 8). Untuk dua index
lainnya dapat menggunakan bentuk persamaan yang sama, namun diganti nilai
koefisiennya saja. Langkah yang sama berlaku untuk index TCT pada citra Landsat 7.
Dari persamaan tersebut, pada raster calculator di QGIS, dapat diinput script:

“Way Sekampung_L8_2020@1"*0.3029+"Way Sekampung_L8_2020@2" * 0.2786+"Way

Sekampung_L8_2020@3"*0.4733+"Way Sekampung_L8_2020@4"*0.5599+"Way
Sekampung_L8_2020@5"*0.508+"Way Sekampung_L8_2020@6"*0.1872”

Grenness = B*0.3029+G* 0.2786+R*0.4733+Nir*0.5599+SWIR*0.508+SWIR*0.1872 (Pers. 8)

b. Alur analisis
Pemanfaatan data hasil transformasi TCT dapat dilakukan dengan dua cara, yaitu
menerapkan metode threshold (1) dan menggunakan CVA (2). Untuk metode CVA telah
dijelaskan pada bagian 1.4.2 (Dewi et al., 2017), sementara adalah selisih
antara hasil transformasi greenness index, adalah hasil transformasi
greenness, wetness dan brightness index dari citra Landsat 8 tahun 2020, dan
untuk index yang sama dari citra Landsat 7 tahun 2000. Berikut detail
dari metode threshold:

6
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

Piksel < 0 terjadi perubahan nilai kelembaban

tanah dan luas area berupa lahan terbangun dan
tanah kosong

1.4.3.2 Interpretasi hasil

a. Hasil transformasi TCT
Hasil transformasi brightness merepresentasikan area pada citra berupa tanah
kosong, area terbangun dan lahan kering lainnya di keseluruhan wilayah DAS bagian
tengah di Way Sekampung. Area ini ditandai dengan nilai piksel yang tinggi
digambarkan dengan warna yang terang (Gambar 6). Nilai transformasi greenness yang
tinggi menunjukkan eksistensi dari vegetasi, namun tidak bisa menyebutkan jenis dari
vegetasi yang tumbuh. Digambarkan dengan warna yang gelap, sementara area yang
terang berarti objek non vegetasi. Keduanya akan diwakili dengan nilai piksel yang
tinggi ke rendah secara berurutan. Sementara untuk transformasi wetness, distribusi
dari tubuh air berupa sungai, sawah berair dan danau akan mudah diinterpretasi.
Kombinasi dari ketiga hasil transformasi tersebut dapat dengan jelas membedakan
kenampakan objek berupa vegetasi, non vegetasi berupa air, tanah kosong dan lahan
terbangun (Baig et al., 2014).

Gambar 6 hasil TCT (dari kiri atas searah jarum jam: komposit RGB dari R=G (Greeness), G=W (Wetness), dan B=B
(brightness), brightness index, Greeness index, dan Wetness index.

b. Hasil metode threshold

Keunggulan dapat diperoleh tidak hanya berdasarkan hasil kombinasi dari ketiga
hasil transformasi TCT yang dengan jelas dapat membedakan beragam untuk klasifikasi
tutupan lahan (Baig et al., 2014), namun juga dapat digunakan untuk membedakan
secara spesifik kondisi dari kelembaban tanah dan vegetasi. Secara tidak langsung
bahwa perubahan kelembaban tanah terjadi signifikan pada area terbangun, dibeberapa
bagian sawah yang berair dan jaringan jalan, perubahan area bervegetasi lebih
menunjukkan perubahan kearah lahan terbangun berupa pemukiman, jaringan jalan,

7
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

dan lahan kosong (Gambar 7), meski keduanya dilakukan secara visual dengan
memperhatikan citra komposit Landsat.

Gambar 7 hasil threshold dari difference wetness (kanan) dan greenness index (kiri)

c. Hasil menggunakan CVA (change direction)

Pada tahap ini dimungkinkan untuk membandingkan dua hasil CVA berdasarkan
input multi-temporal NDVI dan TCT. Keduanya memberikan hasil analisis yang berbeda,
hasil CVA daripada data TCT memberikan hasil lebih baik daripada data NDVI. Sehingga
dengan menggunakan TCT interpretasi dari change detection lebih baik. Hasil analisa
yang dimaksud adalah tersedianya change direction lebih banyak daripada yang NDVI
dapat berikan. Meskipun keduanya sama-sama menjelaskan terdapat dua jenis direction,
yaitu positive dan negative direction, tanpa adanya unclear direction dan no changed
(Gambar 8). Kombinasi dari simbol (+) dan (-) berjumlah tiga buah pada legenda change
direction, merepresentasikan tingkat kepekaan hasil transformasi greenness, wetness
dan brightness index untuk deteksi adanya “perubahan” pada objek vegetasi (+++), tubuh
air (++-), pemukiman (-++), jalan dan pemukiman (-+- dan -++) (Gambar 8).

Gambar 8 hasil CVA berdasarkan data TCT

8
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

2. Praktik
2.1 Change detection menggunakan data reklasifikasi NDVI
2.1.1 Menghitung NDVI
a. Buka dan jalankan QGIS 3.18 (bisa menggunakan seri lebih rendah). Masukkan data
citra satelit Landsat 7 dan 8 yang sudah di clip sesuai dengan luas area yang
dikehendaki (Gambar 3).

Gambar 9 distribusi NDVI tahun 2020 dan 2000

b. Buka dan jalankan Raster Calculator, yang diakses pada menu Raster Raster
Calculator. Masukkan script berdasarkan formula NDVI (Persamaan 3) berikut:
("Way Sekampung_L8_2020@4"-"Way Sekampung_L8_2020@3")/("Way
Sekampung_L8_2020@4"+"Way Sekampung_L8_2020@3")

pada Raster Calculator Expression, simpan hasilnya pada Output Layer, kemudian
Ok.
c. Pastikan hasil dari tahap “b” berada pada rentang -1 sampai 1, atur warna symbol
dengan nilai terendah (air) berwarna biru dan tertinggi (vegetasi) berwarna hijau
(Gambar 9).
d. Ulangi tahap a-c untuk data Landsat lainnya.

2.1.2 Reklasifikasi NDVI

Reklasifikasi dilakukan untuk mengelompokkan suatu rentang nilai pada kelas
tertentu. Nilai NDVI merupakan data kontinyu, sementara hasil dari proses reklasifikasi
akan diperoleh data kelas atau data diskrit dengan atribut tertentu. Secara umum,
kategorisasi dari sebuah data NDVI pada rentang -1 sampai 1 berdasarkan kriteria -1
sampai 0 = air, 0.01 sampai 0.2 = tanah kosong (bangunan), 0.21 sampai 0.4 vegetasi
jarang, 0.41 sampai 0.6 = vegetasi sedang, 0.61 sampai 1 = vegetasi padat. Kategori
tersebut dituliskan pada tabel sebagai nilai kelas baru untuk panduan reklasifikasi

9
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

(Gambar 10a). Pada kolom “replace with” merupakan kelas baru yang dibuat dan
diharapkan ada pada data raster yang baru (Gambar 10b).

Gambar 10 kategori untuk reklasifikasi NDVI

Hasil reklasifikasi tergantung dari kebutuhan pengguna, relatif tidak ada benar dan salah. ,
Dalam hal ini, bisa saja pengguna ingin mengklasifikasikan hanya kedalam dua kelas baru.
Seperti vegetasi dan non vegetasi, dan itu dibenarkan.

2.1.3 Hasil change detection

Gambar 11 menampilkan hasil change detection dari dua buah data NDVI. Dapat
dikomparasikan penggunaan data hasil reklasifikasi (Gambar 10) dan data hasil
klasifikasi (Gambar 5) dapat menunjukkan detail perubahan yang lebih baik.

Gambar 11 hasil change detection NDVI

10
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

Hasil deteksi menunjukkan bahwa di wilayah DAS bagian tengah Way Sekampung
terjadi perubahan yang lebih merata pada komposisi tutupan lahannya.
Direpresentasikan berdasarkan nilai reklasifikasi NDVI, perubahan nilainya terjadi dari
“tanpa perubahan atau tetap menjadi 24 kali perubahan, dan semuanya relatif terjadi
pada area bervegetasi (Gambar 11).

Tabel 4 Perubahan pada setiap kelas

NDVI 2020
NDVI 2000 Air Tanah kosong Vegetasi jarang Vegetasi sedang Vegetasi Padat Total
Air 7200 62100 39600 0 0 108900
Tanah kosong 3600 756000 2680200 1047600 0 4487400
Vegetasi jarang 900 1199700 16119900 8971200 0 26291700
Vegetasi sedang 0 937800 37037700 29845800 1800 67823100
Vegetasi Padat 0 343800 23757300 33768000 0 57869100
Total 11700 3299400 79634700 73632600 1800 156580200
Jumlah diagonal 46728900
Overall accuracy 30%

Hasil ini diperoleh dari menu “land cover change” pada plugin semi-automatic
classification (SCP) ini mirip dengan algoritma image differencing (ID) pada persamaan
1. Selain hasil dapat dilihat secara visual, dapat juga diperoleh hasil dalam bentuk tabel
yang memuat jumlah piksel yang telah dikonversi kedalam satuan luas (meter persegi)
dan akurasi dari hasil deteksinya (overall accuracy) seperti pada Tabel 4. Tabel tersebut
dapat dibaca sebagai berikut “Jumlah piksel yang diklasifikasi sebagai air pada tahun
2020 adalah 7200 m2, sementara yang terklasifikasi menjadi objek lain berjumlah 11700
m2.

2.2 Change detection menggunakan data tutupan lahan hasil klasifikasi random forest
a. Peta tutupan lahan 2020 dan 2000
Diklasifikasikan dengan mengunakan algoritma random forest, dua data Landsat 7
dan 8 dikelompokkan ke dalam tiga kelas yang sama, yaitu tanah kosong (pemukiman),
air, dan vegetasi. Terlihat perbedaan secara visual, meski terlihat luas pemukiman di
tahun 2000 lebih luas dikarenakan adanya awan yang tidak diklasifikasikan sebagai
kelas pemukiman, sementara objek sungai relatif bisa dibedakan dengan baik dikedua
citranya.

Gambar 12 tutupan lahan tahun 2020 (kiri) dan 2000 (kanan)

11
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

b. Perubahan tutupan lahan dan hasil uji akurasi

Gambar 13 perubahan tutupan lahan tahun 2000-2020

Area yang terdeteksi mengalami perubahan berdasarkan data hasil klasifikasi

random forest menunjukkan perubahan tutupan lahan yang lebih sedikit jika
dibandingkan dengan hasil klasifikasi sebelumnya dengan data NDVI. Meskipun
beberapa perubahannya terdapat pada lokasi yang sama. Dengan berkurangnya jumlah
objek yang berubah, diikuti juga dengan membaiknya hasil akurasi yang semula 30%
menjadi 75% (Tabel 5).

Tabel 5 Perubahan luas kelas dan akurasinya hasil klasifikasi

Land cover 2020
Land cover 2000 Air Tanah kosong Vegetasi jarang Total
Air 10102500 3600 12132000 22238100
Tanah kosong 4297500 8170200 1338300 13806000
Vegetasi jarang 13444200 3533400 103558500 120536100
Total 27844200 11707200 117028800 156580200
Jumlah diagonal 121831200
Overall accuracy 78%

3. Kesimpulan
Dari tutorial terkait deteksi adanya perubahan berdasarkan data multi-temporal
Landsat 7 dan 8 yang diolah menjadi NDVI, TCT, dan tutupan lahan dapat ditarik
simpulan bahwa data tunggal NDVI yang telah diklasifikasikan kedalam sejumlah kelas
tidak terlalu baik untuk digunakan sebagai input data dalam proses change detection
berdasarkan capaian dari nilai overall akurasinya yang rendah, meskipun data tersebut
mampu digunakan sebagai input bagi banyak algoritma change detection. Input data
yang banyak seperti yang dimiliki oleh TCT, perlu dipertimbangkan untuk
meningkatkan capaian akuarasinya. Hal tersebut didasari dari adanya perbedaan yang
signifikan antara hasil CVA berdasarkan data NDVI dan TCT, dimana change direction
menunjukkan hasil yang lebih baik. Sementara itu, data tutupan lahan dengan random
forest menjadi yang terbaik dalam memberikan akurasi, dibandingkan dengan NDVI.

12
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

4. Referensi
Baig, M. H. A., Zhang, L., Shuai, T., & Tong, Q. (2014). Derivation of a tasselled cap
transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letters,
5, 423–431.
Brown, G. (2013). Relationships between spatial and non-spatial preferences and place-
based values in national forests. Applied Geography, 44, 1–11.
https://doi.org/10.1016/j.apgeog.2013.07.008
Chavez, P. S. (1988). An improved dark-object subtraction technique for atmospheric
scattering correction of multispectral data. Remote Sensing of Environment, 24(3),
459–479. https://doi.org/10.1016/0034-4257(88)90019-3
Coulston, J. W., Reams, G. A., Wear, D. N., & Brewer, C. K. (2014). An analysis of forest
land use, forest land cover and change at policy-relevant scales. Forestry, 87(2),
267–276. https://doi.org/10.1093/forestry/cpt056
Dewi, R. S., Bijker, W., & Stein, A. (2017). Change Vector Analysis to Monitor the Changes
in Fuzzy Shorelines. Remote Sensing, 9(147), 27.
https://doi.org/10.3390/rs9020147
Di Gregorio, A., & Jansen, L. J. M. (2000). Land cover classification system. Land Cover
Classification System (Lccs):Classification Concepts and User Manual.
http://www.fao.org/3/x0596e/X0596e01e.htm
Ghazali, M. F., Wikantika, K., Harto, A. B., Nurtyawan, R., & Susantoro, T. M. (2019). Soil
moisture mapping at a paddy field in Indramayu district using Landsat 8 OLI/TIRS.
Hayati Journal of Biosciences (Accepted), 12.
Hasan, M., Baig, A., Zhang, L., Shuai, T., & Tong, Q. (2017). Derivation of a tasselled cap
transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letters,
5(5), 423–431. https://doi.org/10.1080/2150704X.2014.915434
Hasan, S., Shi, W., Zhu, X., & Abbas, S. (2019). Monitoring of Land Use / Land Cover and
Socioeconomic Changes in South China over the Last Three Decades Using Landsat
and Nighttime Light Data. Remote Sensing, 11(1658), 1–23.
Huang, C., Wylie, B., Yang, L., Homer, C., & Zylstra, G. (2002). Derivation of a tasselled cap
transformation based on Landsat 7 at-satellite reflectance. International Journal of
Remote Sensing, 23(8), 1741–1748. https://doi.org/10.1080/01431160110106113
Jamalabad, M. S., & Abkar, A. A. (2004). Forest Canopy Density Monitoring , Using
Satellite Images. In O. Altan (Ed.), ISPRS - International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences (pp. 244–249).
ISPRS.
Kauth, R. J., & Thomas, G. S. (1976). The Tasselled Cap -- A Graphic Description of the
Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT.
Symposium on Machine Processing of Remotely Sensed Data, 13.
Minu, S., & Shetty, A. (2015). A Comparative Study of Image Change Detection
Algorithms in MATLAB. Aquatic Procedia, 4(Icwrcoe), 1366–1373.
https://doi.org/10.1016/j.aqpro.2015.02.177
Muslihah, E. (2019, August 17). Di Sungai Kering, Warga Way Bulok Gelar Upacara
Kemerdekaan Indonesia. Mongabay.Co.Id.
https://www.mongabay.co.id/2019/08/17/di-sungai-kering-warga-way-bulok-
gelar-upacara-kemerdekaan-indonesia/
Rouse, J. W., Haas, R. H., Scheel, J. A., & Deering, D. W. (1974). Monitoring vegetation

13
 Tutorial Series_Inderaja_Teknik Geodesi UNILA

Karakteristik tutupan lahan daerah aliran sungai (DAS) Sekampung, Lampung

berdasarkan change detection citra multi-temporal Landsat

systems in the great plains with ERTS. 3rd Earth Resource Technology Satellite
Symposium, 1, 309–317. https://doi.org/19740022614
Ryan Coffey. (2013). The difference between “land use” and “land cover.” Michigan State
University Extension.
https://www.canr.msu.edu/news/the_difference_between_land_use_and_land_cove
r
Singh, A. (1989). Review Article Digital change detection techniques using remotely-
sensed data. International Journal of Remote Sensing, 1161(6), 16.
https://doi.org/10.1080/01431168908903939
Sohn, Y., & Rebello, N. S. (2002). Supervised and unsupervised spectral angle classifiers.
Photogrammetric Engineering and Remote Sensing, 68(12), 1271–1280.
Son, T. S., Lan, P. T., & Cu, P. Van. (2009). Land Cover Change Analysis Using Change
Vector Analysis Method in Duy Tien District , Ha Nam Province in Vietnam Land
Cover Change Analysis Using Change Vector Analysis Method in Duy Tien District ,
Ha Nam Province in Vietnam. 7th FIG Regional Conference Spatial Data Serving
People: Land Governance and the Environment – Building the Capacity, October 2009,
19–22.
https://www.researchgate.net/publication/299841344%0Ahttp://www.fig.net/pu
b/vietnam/papers/ts01g/ts01g_son_etal_3666.pdf
Théau, J. (2008). Change Detection. In Encyclopedia of GIS. Springer, Boston, MA.
https://doi.org/10.1007/978-0-387-35973-1_129
Triyono, H, Y. L., & Fauzi, M. (2020). Tinjauan persentase penutupan vegetasi(PPV) di
DAS Indragiri hulu stasiun Lubuk ambacang tahun 2018. Jom FTEKNIK, 7(1), 1–9.

14