Pemanfaatan Citra Landsat 8 Untuk Analisis Klasifikasi Tutupan Lahan

dan Tingkat Kehijauan Vegetasi Kabupaten Kendal, Jawa Tengah

Tahun 2020

Chairun Nisa Efendi

Departemen Geografi,
Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Indonesia

Abstrak: Penginderaan jauh merupakan teknologi merekam objek di permukaan bumi

menggunakan sensor satelit yang menghasilkan produk berupa citra yang salah satunya adalah Citra
Landsat 8. Salah satu kegunaan penginderaan jauh adalah dengan memanfaatkan citra yang
bertujuan untuk menganalisis tutupan lahan dan kehijauan vegetasi. Lokasi penelitian ini adalah di
Kabupaten Kendal, Jawa Tengah. Metode yang digunakan untuk pengklasifikasian kelas tutupan
lahan adalah Supervised Classification, sedangkan untuk menganalisis kehijauan vegetasi
menggunakan metode NDVI. Hasil klasifikasi tutupan lahan terdiri dari 5 kelas dan telah diuji
akurasinya dengan accuracy overall sebesar 71,60% dan kappa hat sebesar 0,645. Pada analisis
kehijauan vegetasi dihasilkan nilai NDVI terendah, yaitu -0,148299 dan tertingginya, yaitu
0,993804. Dari hasil tingkat akurasi klasifikasi tutupan lahan yang diperoleh, sudah memenuhi
standar Akurasi Total diatas 70% (Purwadhi, 2001) dan menurut Landis dan Koch, 1977 dalam
Congalton dan Green, 2008 akurasinya termasuk kategori sedang.

Kata Kunci: Penginderaan Jauh, Landsat 8, Kendal, Supervised Classification, NDVI, Accuracy
Overall, Kappa hat.

1 Pendahuluan

1.1 Latar Belakang

Menurut Colwell (1997), Penginderaan Jauh adalah pengukuran atau perolehan (acquisition) informasi obyek atau
fenomena dengan bantuan alat perekam yang secara fisik tidak disertai kontak langsung dengan obyek atau
fenomena yang diamati. Indonesia yang terdiri dari beribu-ribu pulau yang telah digunakan lahannya untuk
kepentingan masyarakat masing-masing, menghasilkan banyak tutupan lahan yang perlu diklasifikasi. Tutupan
lahan dapat menyediakan informasi yang sangat penting untuk keperluan pemodelan serta untuk memahami
fenomena alam yang terjadi di permukaan bumi (Liang, 2008). Klasifikasi sendiri berfungsi untuk mempermudah
menganalisis kenampakan material fisik di permukaan bumi. Dengan membuat klasifikasi, kita akan mendapatkan
berbagai informasi, letak area lahan terbangun, vegetasi, badan air dan tutupan lahan lainnya.

Klasifikasi citra secara dijital dibagi menjadi dua, yaitu klasifikasi tidak terbimbing (unsupervised) dan
klasifikasi terbimbing (supervised), (PCI, 1997). Pada penelitian ini akan digunakan klasifikasi terbimbing untuk
dapat menganalisis klasifikasi tutupan lahan. Selain itu, akan dilakukan metode NDVI (Normalized Difference
Vegetation Index) untuk mengidentifikasi kehijauan vegetasi di Kabupaten Kendal, Jawa Tengah.

NDVI merupakan metode mengukur tingkat kehijauan vegetasi yang indexnya mempunyai rentang ‐1
hingga 1. Indeks vegetasi merupakan kombinasi matematis antara band merah dan band NIR (Near-Infrared
Radiation) yang telah lama digunakan sebagai indikator keberadaan dan kondisi vegetasi. Vegetasi dapat diartikan
sebagai gabungan dari beberapa tumbuhan dengan jenis yang berbeda dan hidup bersama di dalam suatu tempat
yang membentuk suatu kesatuan yang saling berinteraksi, baik sesama individu dari tumbuh-tumbuhan sendiri
maupun interaksi faktor lingkungannya (Marsono, 1977).
 Melakukan pengolahan data citra harus melalui proses, seperti tahap layer stacking, pemotongan citra
(cropping), komposit citra, klasifikasi multispektral, dan uji akurasi. Software yang diperlukan untuk melakukan
proses tersebut adalah ENVI, ArcMap, dan Google Earth Pro. Penelitian ini akan berisi proses pengolahan data
citra Landsat 8, analisis klasifikasi tutupan lahan, identifikasi kehijauan vegetasi dan pengujian akurasi terhadap
hasil klasifikasi tutupan lahan di Kabupaten Kendal, Jawa Tengah.

1.2 Tujuan

Penelitian ini memiliki beberapa tujuan, yaitu sebagai berikut:

1. Untuk menganalisis tutupan lahan di Kabupaten Kendal Jawa Tengah pada tahun 2020 dengan
menggunakan metode Klasifikasi Terbimbing.
2. Untuk mengetahui nilai indeks kehijauan vegetasi di Kabupaten Kendal Jawa Tengah pada tahun 2020
dengan menggunakan metode NDVI.

2 Tinjauan Pustaka

2.1 Koreksi Radiometrik

Kalibrasi radiometrik merupakan bagian dari tahap pre-processing pada sebuah sistem pengolahan data
penginderaan jauh. Tahap pre-processing itu sendiri merupakan sebuah tahap yang perlu dilakukan untuk
mengurangi kesalahan-kesalahan perekaman dan memperbaiki kualitas citra satelit. Proses kalibrasi radiometrik
dapat merubah nilai DN menjadi nilai radian atau reflektan. Spektral radian adalah jumlah energi/flux yang
diradiasikan oleh obyek dimuka bumi per unit luasan pada sudut tertentu. Sedangkan reflektan adalah persentase
energi yang dipantulkan obyek dari total energi yang diterima obyek per satuan luas.

Gambar 1. Kurva spektral yang menggambarkan tingkat reflektan

Rumus Kalibrasi DN menjadi Nilai Top of Atmospheric (TOA) Reflectance

𝜌𝜆′ = 𝑀𝜌 𝑄𝑐𝑎𝑙 + 𝐴𝜌 (1)

Keterangan : - ρλ’ adalah reflektan TOA yang belum terkoreksi sudut matahari.

- Mρ adalah faktor skala (Band-specific multiplicative rescaling factor)

- Aρ adalah faktor penambah (Band-specific additive rescaling factor)

- Qcal adalah nilai piksel (DN)

Rumus Kalibrasi DN menjadi Nilai Top of Atmospheric (TOA) Radiance

𝐿𝜆 = 𝑀𝐿 𝑄𝑐𝑎𝑙 + 𝐴𝐿 (2)
 Keterangan : - Lλ adalah reflektan TOA yang belum terkoreksi sudut matahari.

- ML adalah faktor skala (Band-specific multiplicative rescaling factor)

- A L adalah faktor penambah (Band-specific additive rescaling factor)

- Qcal adalah nilai piksel (DN)

2.2 Layer Stacking

Layer Stacking merupakan suatu proses yang berfungsi untuk menggabungkan beberapa citra atau band atau layer
menjadi satu kesatuan. Proses ini penting untuk proses pengolahan citra selanjutnya, misalnya untuk proses
klasifikasi yang memerlukan citra multiband. Pada proses Layer Stacking digunakan citra Landsat 8 yang telah
terkoreksi dan terdiri dari beberapa band yang ingin digabungkan.

2.3 Pemotongan Citra (Cropping)

Pemotongan citra atau cropping atau disebut juga subset dilakukan agar membatasi wilayah kajian. Citra yang
diolah diperlukan pemotongan citra agar dalam melakukan klasifikasi multispektral akan menghasilkan akurasi
yang akurat karena wilayahnya sudah dibatasi dengan cara pemotongan citra sesuai dengan wilayah yang dikaji.
Terdapat dua cara pemotongan, yaitu menggunakan fitur rectangle pada software ENVI dan menggunakan data
ROI.

2.4 Komposit Citra

Komposit citra merupakan kombinasi dari tiga band berbeda sehingga akan tampil visualisasi untuk mengetahui
informasi yang ada pada citra tersebut secara detail sesuai kebutuhan karena gelombang elektromagnetik pada
citra yang dikompositkan menghasilkan warna yang dapat dilihat oleh mata manusia. Dengan begitu, interpretasi
citra lebih mudah untuk dilakukan.

Tabel 1. Karakteristik band pada satelit Landast 8

Band Spektral Panjang Gelombang Resolusi Spasial

Band 1 - Ultra Blue 0.435 - 0.451 30 meter
(coastal/aerosol)
Band 2 - Blue 0.452 - 0.512 30 meter
Band 3 - Green 0.533 - 0.590 30 meter
Band 4 - Red 0.636 - 0.673 30 meter
Band 5 - Near Infrared (NIR) 0.851 - 0.879 30 meter
Band 6 - Shortwave Infrared 1.566 - 1.651 30 meter
(SWIR) 1
Band 7 - Shortwave Infrared 2.107 - 2.294 30 meter
(SWIR) 2
Band 8 - Panchromatic 0.503 - 0.676 15 meter
Band 9 – Cirrus 1.363 - 1.384 30 meter
Band 10 - Thermal Infrared 10.60 - 11.19 100 meter
(TIRS) 1
Band 11 - Thermal Infrared 11.50 - 12.51 100 meter
(TIRS) 2
sumber: https://www.usgs.gov/media/images/landsat-8-band-designations

Tabel 2. Kombinasi band yang diterapkan pada Landsat 8, ditampilkan dalam warna merah, hijau, biru (RGB)

Natural Color 432

False Color (urban) 764
 Color Infrared (vegetation) 543
Agriculture 652
Atmospheric Penetration 765
Healthy Vegetation 562
Land/Water 564
Natural With Atmospheric 753
Removal
Shortwave Infrared 754
Vegetation Analysis 654
sumber: https://www.esri.com/arcgis-blog/products/product/imagery/band-combinations-for-landsat-8/

2.5 Indeks Vegetasi NDVI

Normalized Difference Vegetation Index (NDVI) adalah perhitungan pada sebuah citra yang digunakan untuk
mengetahui tingkat kehijauan sebagai awal pembagian daerah vegetasi (Purwanto A, 2016). NDVI ini merupakan
salah satu bentuk transformasi untuk menonjolkan efek kehijauan vegetasi. Didapat dengan membandingkan
spektrum NIR dan Red pada citra. Nilai NDVI berkisar -1 sampai 1 artinya semakin mendekati 1 kehijauan
vegetasi tinggi, semakin mendekati -1 kehijauan vegatasi rendah/tidak bervegetasi.

Rumus NDVI

NDVI = (NIR - Red) / (NIR + Red) (3)

Keterangan : Dalam Landsat 8, NIR = Band 5, Red = Band 4

2.6 Klasifikasi Multispektral

Hal ini sesuai dengan asumsi yang digunakan dalam klasifikasi multispektral ialah bahwa setiap objek dapat
dibedakan dari yang lainnya berdasarkan nilai spektralnya (Projo Danoedoro,1996). Klasifikasi ini bertujuan
untuk men-generalkan tampilan citra mentah (Tampilan RGB) yang terkesan rumit sehingga menghasilkan
informasi spasial dengan tampilan yang mudah untuk diinterpretasi dan dipahami. Teknis klasifikasi untuk citra
penginderaan jauh secara umum dibedakan menjadi dua yaitu klasifikasi visual dan klasifikasi digital.

Klasifikasi citra secara dijital dibagi menjadi dua, yaitu klasifikasi tidak terbimbing (unsupervised) dan
klasifikasi terbimbing (supervised). Contoh klasifikasi tidak terbimbing adalah ISODATA dan K-Means.
Sedangkan contoh klasifikasi terbimbing adalah Maximum Likelihood, Minimum Distance Classfication,
Parallepiped Classification. Klasifikasi Maximum Likelihood adalah klasifikasi yang paling umum digunakan.
Ini menyentuh fungsi kepadatan probabilitas piksel tertentu dimiliki oleh kelas tertentu. (Water, urban, forest,
crop, soil, heather). Metode Maximum likehood memiliki keunggulan sudut pandang teori probabilitas, namun
perhatian harus diberikan sehubungan dengan item berikut.

2.7 Uji Akurasi

Citra penginderaan jauh perlu di validasi. Tujuan validasi adalah menginformasikan kepada pengguna peta
seberapa akurat klasifikasi yang telah kita lakukan. Uji akurasi dilakukan dengan cara membandingkan hasil
klasifikasi dengan peta yang sudah ada dan melakukan interpretasi terhadap hasil penilaian. Proses penilaian
akurasi, yaitu membandingkan hasil klasifikasi apakah sama dengan data acuan, membuat confusion matrix
(Matrix kesalahan), menghitung tingkat akurasi yang berupa: overall classification accuracy (percent correctly
classified pixels/PCC), producer’s / user’s accuracy, kappa coefficient of agreement (KHAT).

Menurut Purwadhi, 2001 Akurasi Total diatas 70% sudah memenuhi standar, namun menurut J R Anderson,
1976 sudah memenuhi standar apabila diatas 85%. Sedangkan, menurut Landis dan Koch, 1977 dalam Congalton
dan Green, 2008 memberikan rentang nilai Kappa, yaitu: 0 – 0,4 tergolong rendah, 0,4 – 0,8 sedang, 0,8 – 1 tinggi.
3 Metodologi

3.1 Wilayah Penelitian

Penelitian dilakukan di Kabupaten Kendal, Provinsi Jawa Tengah, Indonesia. Kabupaten Kendal ini merupakan
satu dari 35 kabupaten/kota yang berada dalam wilayah Provinsi Jawa Tengah dengan posisi geografis berkisar
antara 109° 40’ – 110° 18’ Bujur Timur dan 6° 32’ – 7° 24’ Lintang Selatan. Batas administrasi Kabupaten Kendal,
yaitu:

- sebelah utara : berbatasan dengan Laut Jawa

- sebelah timur : berbatasan dengan Kota Semarang
- sebelah selatan : berbatasan dengan Kabupaten Temanggung
- sebelah barat : berbatasan dengan Kabupaten Batang

Gambar 2. Peta administrasi Kabupaten Kendal, Jawa Tengah.

Luas wilayah keseluruhan Kabupaten Kendal adalah 1315,43 km² yang terdiri dari 1.002,23 km² untuk luas
daratan dan sebesar 313,20 km² untuk luas wilayah perairan. Kabupaten Kendal terbagi menjadi 20 Kecamatan.
Penggunaan lahan yang ada di Kabupaten Kendal, dipergunakan untak tanah sawah 26 persen, tegalan 20 persen,
perkebunan 8 persen dan lain-lainnya sebesar 46 persen.

Topografi Kabupaten Kendal terbagi dalam tiga jenis yaitu : daerah pegunungan yang terletak di bagian
paling selatan dengan ketinggian antara 0 sampai dengan 2.579 m dpl. Suhu berkisar antara 25°C. Kemudian
daerah perbukitan berada di sebelah tengah dan dataran rendah serta pantai di sebelah utara dengan ketinggian
antara 0 s/d 10 m dpl dan suhu berkisar 27° C.

3.2 Pengumpulan Data

Pengumpulan data citra didapatkan dengan cara mendownload di halaman web https://earthexplorer.usgs.gov/
dan untuk mendapatkan data ROI untuk kabupaten dapat diperoleh di web https://tanahair.indonesia.go.id/portal-
web. Data yang digunakan pada penelitian ini adalah Citra Landsat 8 OLI/TIRS Collection 2 Level-2.
 Gambar 3. Halaman web earthexplorer.usgs.gov untuk mendownload data citra.

Data citra ini diambil pada 27 Juni 2020 dengan path 120 dan row 65. Nama citra yang didownload adalah
LC08_L2SP_120065_20200627_20200823_02_T1. Penutupan awan pada citra sebesar 10% dengan kualitas
multispektral yang baik. Kondisi cuaca pada saat perekaman citra cukup baik sehingga hanya ada sedikit awan
atau kabut yang terlihat pada citra Landsat 8 ini.

3.3 Pengolahan Data

Pengolahan data citra memerlukan aplikasi ENVI, ArcMap, dan Google Earth Pro untuk memudahkan dalam
melakukan proses pengolahan data. Tahap-tahap proses pengolahan data dimulai dari koreksi radiometrik, layer
stacking, pemotongan citra, komposit citra, NDVI, klasifikasi multispektral, dan terakhir uji akurasi. Dikarenakan
data citra yang digunakan pada penelitian ini merupakan data citra Landsat 8 Collection 2 Level-2, maka tidak
diperlukan koreksi radiometrik. Sehingga dapat langsung dilakukan proses pengolahan data selanjutnya. Selain
itu, jika wilayah penelitian hanya menggunakan 1 scene dapat langsung dilakukan proses layer stacking, tetapi
apabila wilayah penelitian berada diantara 2 scene maka diperlukan proses mosaic terlebih dahulu.

3.3.1 Layer Stacking

Tahap pertama adalah layer stacking. Lakukan penggabungan semua band (band 1 – band 7) dari citra landsat 8
menjadi satu file. Proses ini dapat menggunakan software ENVI.

Gambar 4. Hasil proses layer stacking citra Landsat 8.

3.3.2 Pemotongan Citra (Subset)

Tahap selanjutnya adalah melakukan subset citra dengan menggunakan data ROI kabupaten yang berbentuk shape
file. Potong citra sesuai dengan wilayah yang ingin diteliti, yaitu Kabupaten Kendal, Jawa Tengah. Proses ini
bertujuan untuk memberikan efektivitas dalam mengolah citra satelit. Pada tahap ini dapat menggunakan sotware
ENVI.
 Gambar 5. Hasil proses pemotongan citra, hanya wilayah Kabupaten Kendal.

3.3.3 NDVI

Tahap selanjutnya adalah melakukan transformasi citra menggunakan indeks vegetasi NDVI. Pada tahap ini dapat
menggunakan aplikasi ENVI. Prosesnya dengan menggunakan tool Band Math dan masukkan formula berikut:

(float(b5)-float(b4))/(float(b5)+float(b4)) (4)

Keterangan : B5 = Near IR dan B4 = Red

Gambar 6. Hasil proses transformasi citra dengan algoritma NDVI.

3.3.4 Komposit Citra

Tahap keempat adalah melakukan komposit citra dengan mengkombinasi tiga band sesuai dengan kebutuhan
informasi yang ingin didapatkan. Pada penelitian ini, kombinasi band yang digunakan adalah RGB 432 dan 654.
Tahap ini dilakukan pada software ENVI.

Gambar 7. Hasil proses komposit citra dengan kombinasi band 432 yang merupakan visualisasi natural color.
3.3.5 Klasifikasi Multispektral

Pada tahap ini, dilakukan proses pendigitasi terlebih dahulu sesuai klasifikasi atau kelas yang ditentukan untuk
mewakili semua tutupan lahan yang ada. Untuk melakukan pendidigitan dan klasifikasi digunakan aplikasi
ENVI. Pada penelitian ini, klasifikasi terdiri dari 5 kelas, yaitu lahan terbangun, sawah, tambak, badan air, dan
vegetasi.

Gambar 8. Hasil proses digitasi ROI dengan band 432.

Selanjutnya, lakukan proses Klasifikasi Supervised. Pada penelitian ini digunakan metode Maximum
Likelihood Classification.

3.3.6 Uji Akurasi

Tahap selanjutnya adalah menguji akurasi klasifikasi yang telah dibuat. Sebelum uji akurasi, hal yang pertama
dilakukan adalah dengan membuat titik sampel acak. Pada tahap ini digunakan aplikasi ArcMap untuk membuat
titik sampel. Titik sampel dibuat dengan cara menggunakan tool create random points, kemudian diatur penamaan
kelasnya di fitur symbology pada properties.

Gambar 9. Hasil pembuatan titik sampel pada tool create random points.

Setelah dibuat titik sampelnya, layer pada ArcMap yang berisi titik sampel dilakukan convert ke KML pada
tool Layer to KML. Maka setelah menjadi format KML, titik sampel dapat dibuka di dalam Google Earth Pro.
 Gambar 10. Hasil titik sampel yang berada di Google Earth.

Jika titik sampel telah terbuka di Google Earth Pro, lakukan uji akurasi dengan membandingkan kebenaran
tutupan lahan di seluruh titik sampel yang telah dibuat dengan yang ada di Google Earth satu per satu dengan
mengklik titik sampel. Untuk mempermudah pengecekan titik sampel, maka digunakan tabel Confussion Matrix.

Gambar 11. Uji akurasi dengan pengecekan titik sampel pada Google Earth

Setelah itu dilakukan perhitungan tingkat akurasi dengan menghitung Overall Acuracy dan kappa hatnya
untuk menilai seberapa akurat klasifikasi yang telah dibuat dan sudah sesuai standar atau belum.

Rumus Overall Acuracy dan Kappa Hat

𝐷
𝑂𝑣𝑒𝑟𝑎𝑙𝑙 𝐴𝑐𝑢𝑟𝑎𝑐𝑦 = (5)
𝑁

(𝑁 𝑥 𝐷)−𝑄
𝐾𝑎𝑝𝑝𝑎 = (6)
𝑁²−𝑄

Keterangan : N = Total piksel

D = Total piksel yang benar (yang berada di jalur miring pada tabel
Confussion Matrix)

Q = Perkalian antara masing-masing total piksel per kelas di user

accuracy dan producer accuracy

4 Hasil dan Pembahasan

4.1 Hasil Klasifikasi Metode Maximum Likelihood

Berdasarkan pengolahan data citra Landast 8 di Kabupaten Kendal, Jawa Tengah dengan menggunakan metode
Maximum Likelihood Classification terdapat 5 kelas pada klasifikasi tutupan lahan, yaitu lahan terbangun, sawah,
vegetasi, badan, air, dan tambak.
 Gambar 12. Peta Hasil Klasifikasi Tutupan Lahan Kabupaten Kendal Tahun 2020

Kenampakan jenis tutupan lahan pada peta ditampilkan dengan warna yang berbeda-beda, sehingga dapat
mewakili setiap kelas yang ditentukan. Berdasarkan hasil peta yang dibuat, dapat dilihat bahwa pada bagian utara
Kabupaten Kendal banyak tutupan lahan tambak yang dekat dengan Laut Jawa, kemudian di bagian timur dan
barat Kabupaten Kendal banyak tersebar lahan terbangun dan sawah. Sedangkan pada bagian selatan Kabupaten
Kendal lebih didominasi oleh banyaknya vegetasi. Hal ini disebabkan karena pada bagian selatan terdapat banyak
Gunung, seperti Gunung Ungaran, Gunung Sundoro, dan Gunung Sumbing. Walaupun gunung-gunung tersebut
tidak termasuk Kabupaten Kendal, tetapi dapat berpengaruh pada topografi di sekitarnya.

4.2 Hasil Uji Akurasi

Setelah dilakukan pencocokan pada titik sampel dari klasifikasi dengan data lapangan melalui Google Earth
didapatkan hasil tabel matriks konfusi sebagai berikut.

Tabel 3. Hasil Matriks Konfusi klasifikasi tutupan lahan data menggunakan MLC

Hasil Google Earth User's

Klasifikasi LC Lahan Terbangun Vegetasi Tambak Badan Air Sawah Total Accuracy

Lahan 38 8 4 50 76.00%
Terbangun
Vegetasi 1 45 1 3 50 90.00%
Tambak 1 5 38 2 4 50 76.00%
Badan Air 9 24 17 50 48.00%
Sawah 2 10 3 1 34 50 68.00%
Total 42 77 42 27 62 250

Producer's 90.48% 58.44% 90.48% 88.89% 54.84%

Accuracy

Jika dilihat pada tabel konfusi matriks, user's accuracy terendah ada pada klasifikasi badan air. Hal ini
dikarenakan pada titik sampel badan air banyak tersebar tidak sesuai dengan klasifikasinya, sehingga saat
dilakukan pengujian akurasi banyak titik sampel yang tidak sesuai dengan data lapangannya. Sedangkan user's
accuracy tertinggi terdapat pada klasifikasi vegetasi. Kemungkinan penyebab tingginya akurasi ini karena saat
melakukan pendigitan klasifikasi vegetasi menggunakan banyak sampel dan lebih detail, sehingga titik sampel
sesuai dengan data lapangan.

Pada producer's accuracy yang tertinggi adalah klasifikasi tambak dan lahan terbangun. Kemungkinan
penyebab tingginya persen akurasi ini adalah karena tambak dan lahan terbangun dilakukan pendigitan yang lebih
banyak titik sampelnya dibandingkan yang lainnya. Sedangkan producer's accuracy terendah terdapat pada
klasifikasi sawah. Hal ini dikarenakan sawah jika dilihat data lapangannya, banyak tersebar diantara lahan
terbangun, badan air, sawah, dan vegetasi. Sehingga lebih sulit membedakannya.

Selain itu, untuk klasifikasi badan air pada peta terlihat sangat sedikit bagiannya karena jika kita lihat pada
data lapangannya melalui Google Earth maka badan air sangat jarang terlihat dan tidak tersebar.

Berdasarkan tabel konfusi matriks dapat dilakukan perhitungan Overall Acuracy dan kappa hatnya.

Total Piksel Yang Benar (D) : 38 + 45 + 38 + 24 + 34 = 179

Total Sampel (N) = 250

𝐷 179
O𝑣𝑒𝑟𝑎𝑙𝑙 𝐴𝑐𝑢𝑟𝑎𝑐𝑦 = = = 0,716 𝑥 100% = 71,60%
𝑁 250

Kappa Hat

Diketahui : N = 250, D = 179

Q = (50x42) + (50x77) + (50x42) + (50x27) + (50x62)

= 2100 + 3850 + 2100 + 1350 + 3100 = 12.500

(𝑁 𝑥 𝐷) − 𝑄 (250 𝑥 179) − 12.500
𝐾𝑎𝑝𝑝𝑎 = = = 0,645
𝑁2 − 𝑄 (250)2 − 12.500

Dengan begitu, akurasi keseluruhannya adalah 71,60% dengan nilai kappanya sebesar 0,645. Hasil akurasi
diperoleh demikian dikarenakan terdapat klasifikasi, seperti badan air yang tidak sesuai dengan data di lapangan.
Selain itu, terdapat juga klasifikasi sawah yang tergolong rendah tingkat akurasinya. Hal tersebut sangat
memengarui akurasi keseluruhan, walaupun terdapat tingkat akurasi yang tinggi, jika terdapat salah satu Tingkat
akurasi ini sudah memenuhi standar karena termasuk diatas 70% (Menurut Purwadhi, 2001). Sedangkan nilai
kappanya, jika Menurut Landis dan Koch, 1977 dalam Congalton dan Green, 2008 termasuk kategori Sedang
dengan rentang antara 0,4 – 0,8.

Namun, tingkat akurasi klasifikasi ini belum memenuhi standar USGS, yaitu sebesar 85% sehingga
diperlukan cara untuk meningkatkan akurasinya. Cara meningkatkannya dapat dengan mengulang kembali proses
digitasi ROI dan membuat sampel yang lebih banyak dan menyebar sehingga dapat mewakili tiap kelas yang ada.
Cara lainnya adalah dengan survei langsung ke lapangan sehingga klasifikasi akan lebih akurat dan dapat melewati
standar USGS. Berdasarkan tingkat akurasi memberikan ketelitian yang cukup tinggi karena memenuhi salah satu
syarat sehingga hasil klasifikasi tutupan lahan di Kabupaten Kendal, Jawa Tengah dapat digunakan untuk berbagai
macam tujuan, tetapi harus diikuti oleh sumber referensi lainnya.

4.3 Hasil algoritma NDVI

Setelah dilakukan pengolahan data citra menggunakan algoritma NDVI, maka dihasilkan data citra yang rentang
indeks vegetasinya antara -1 sampai 1. Pada Kabupaten Kendal ditentukan klasifikasi kehijauan vegetasinya
dengan 5 kelas, yaitu tidak bervegetasi, vegetasi rendah, vegetasi cukup tinggi, vegetasi tinggi, dan vegetasi sangat
tinggi.
 Gambar 13. Hasil Peta NDVI Kabupaten Kendal Tahun 2020.

Berdasarkan hasil peta, dapat dilihat bahwa wilayah Kabupaten Kendal didominasi oleh klasifikasi kehijauan
vegetasi yang cukup tinggi dengan rentang indeks vegetasinya antara 0,200 – 0,400. Hal ini dapat memberikan
gambaran bahwa Kabupaten Kendal memiliki lahan vegetasi yang luas, namun kehijauannya cukup tinggi. Pada
di bagian utara Kabupaten Kendal terdapat klasifikasi tidak bervegetasi. Hal tersebut menjelaskan bahwa
kemungkinan pada wilayah di sebelah utara Kabupaten Kendal lebih banyak klasifikasi lahan terbangun, tambak,
dan badan air yang tidak terdapat tanaman, pohon, atau lahan vegetasi.

Pada bagian selatan Kabupaten Kendal banyak klasifikasi vegetasi tinggi karena pada wilayah tersebut
banyak pegunungan-pegunungan yang memiliki vegetasi yang cukup banyak. Selain klasifikasi kehijauan
vegetasi, dengan menggunakan algortima NDVI juga didapat hasil nilai NDVI tertinggi dan terendah di
Kabupaten Kendal.

Gambar 14. Histogram Citra Nilai NDVI Kabupaten Kendal

Pada gambar diatas, dapat terlihat nilai NDVI tertingginya adalah 0,993804 dan nilai NDVI terendahnya,
yaitu -0,148299. Dengan begitu dapat diketahui bahwa tingkat kehijauan vegetasi di Kabupaten Kendal yang
tertinggi masuk ke dalam klasifikasi vegetasi sangat tinggi pada rentang 0,600 – 1,000. Sedangkan pada tingkat
kehijauan vegetasi terendah di Kabupaten Kendal masuk ke dalam klasifikasi tidak bervegetasi yang rentangnya
-1,000 sampai 0,000.
5 Kesimpulan
Dengan memanfaatkan citra Landsat 8 dapat digunakan untuk menganalisis tutupan lahan dan kehijauan vegetasi
yang melalui beberapa proses pengolahan data citra, seperti layer stacking, pemotongan citra, komposit citra dan
juga menggunakan beberapa metode seperti, Maximum Likelihood Classification dan NDVI. Pada klasifikasi
tutupan lahan terdiri dari 5 kelas, yaitu lahan terbangun, sawah, tambak, badan air, dan vegetasi. Sedangkan pada
klasifikasi kehijauan vegetasi terdiri dari 5 kelas, yaitu tidak bervegetasi, vegetasi rendah, vegetasi cukup tinggi,
vegetasi tinggi, dan vegetasi sangat tinggi. Dilakukan uji akurasi pada klasifikasi tutupan lahan dan didapat akurasi
keseluruhannya sebesar 71,60% dan nilai kappanya sebesar 0,645.

Tingkat akurasi ini sudah memenuhi standar karena termasuk diatas 70% (Menurut Purwadhi, 2001).
Sedangkan nilai kappanya, jika Menurut Landis dan Koch, 1977 dalam Congalton dan Green, 2008 termasuk
kategori sedang dengan rentang antara 0,4 – 0,8. Namun, tingkat akurasi klasifikasi ini belum memenuhi standar
USGS, yaitu sebesar 85% sehingga diperlukan cara untuk meningkatkan akurasinya. Cara meningkatkannya dapat
dengan mengulang kembali proses digitasi ROI dan membuat sampel yang lebih banyak dan menyebar sehingga
dapat mewakili tiap kelas yang ada. Cara lainnya adalah dengan survei langsung ke lapangan sehingga klasifikasi
akan lebih akurat dan dapat melewati standar USGS.

Pada analisis kehijauan vegetasi di Kabupaten Kendal terdapat nilai NDVI terendah yaitu, -0,148299 dan
nilai NDVI tertinggi, yaitu 0,993804. Wilayah vegetasi di Kabupaten Kendal di dominasi oleh tingkat kehijauan
cukup tinggi yaitu pada rentang indeks vegetasinya antara 0,200 sampai 0,400. Sehingga dapat disimpulkan lahan
vegetasi di Kabupaten Kendal belum terlalu hijau, tetapi tersebar meluas.

6 Daftar Pustaka
Portal Resmi Kabupaten Kendal. (2018). Kondisi Geografis.
https://www.kendalkab.go.id/sekilas_kendal/detail/kondisi_geografis (Diakses pada 2 Januari 2020)

Sanjaya, Glena. (2019). Bab II Gambaran Pemerintahan Kabupaten Kendal Kondisi Geografis Kabupaten
Kendal. http://docplayer.info/79865414-Bab-ii-gambaran-pemerintahan-kabupaten-kendal-kondisi-
geografis-kabupaten-kendal.html (Diakses pada 2 Januari 2020)

Hernina, Revi. (2019). Klasifikasi citra Penginderaan Jauh.

https://emas.ui.ac.id/pluginfile.php/1025890/mod_resource/content/1/klasifikasi.pdf (Diakses pada 1
Januari 2020)

Achsan, Andi Chairul. (2017). Pemanfaatan Citra Landsat Untuk Klasifikasi Tutupan Lahan Lanskap Perkotaan
Kota Palu. E-Jurnal Arsitektur Lansekap: Vol. 3, No. 1, April 2017.

Sampurno, Rizky Mulya., Ahmad Thoriq. (2016). Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8
Operational Land Imager (OLI) Di Kabupaten Sumedang. Jurnal Teknotan: Vol. 10 No. 2, November
2016.

Yanti, Dwi., Indri Megantara., Muhamad Akbar., Sabila Meiwanda., Syauqi Izzul M., Dede Sugandi., Riki
Ridwana. (2020). Analisis Kerapatan Vegetasi di Kecamatan Pangandaran Melalui Citra Landsat 8.
Jurnal Geografi, Edukasi dan Lingkungan (JGEL): Vol. 4, No. 1, Januari 2020:32-38.

Pratama, Mahendra Zhafir. (2019). Laporan Praktikum Penginderaan Jauh Digital. Universitas Negeri
Semarang: Indonesia.

Hernina, Revi. (2020). Uji Akurasi Citra.

https://emas.ui.ac.id/pluginfile.php/1031299/mod_resource/content/1/Uji_akurasi_2020.pdf (Diakses pada
1 Januari 2020)

Hernina, Revi. (2020). Band Math Citra NDVI. https://emas.ui.ac.id/mod/resource/view.php?id=565002

(Diakses pada 1 Januari 2020)